Hvordan Samles Inn Big Data?
dagens virksomheter er avhengige av data – om sine kunder—konkurrenter, det generelle markedet og utover-for å forbli konkurransedyktige. Med fremskritt innen teknologi, antall metoder selskaper bruker til å samle inn data har vokst betydelig de siste årene. Dette har ført til økende etterspørsel etter eksperter med utdanning for å analysere og tolke disse dataene.
en avansert grad, For Eksempel En Master of Science I Analytics, er designet for å hjelpe interesserte personer med å oppdage svarene på spørsmål som «Hvordan samles store data?»og lær hvordan dagens bedrifter bruker data.
History Of Analytics
mens historien om analyse i virksomheten går tilbake så langt som det 19. århundre, business analytics som en distinkt disiplin virkelig dukket opp på 1950-tallet. det var da når verktøy ble utviklet som kan fange opp informasjon og identifisere mønstre og trender raskere enn det menneskelige sinn. IBMS harddisk, oppfunnet i 1956, var spesielt konsekvens for analysebevegelsen, og banet vei for bedrifter å erstatte fysiske arkiveringssystemer med digitale. Denne tidlige innsatsen på business intelligence representerte hva dataanalytikere ofte refererer Til Som Analytics 1.0.
Kjennetegn ved denne epoken inkluderte små, strukturerte og for det meste interne datakilder, batchbehandlingsoperasjoner som kan ta måneder, og begrenset, beskrivende rapportering. Analytikere brukte mye mer tid på å samle inn og forberede data enn å faktisk analysere det, og hva innsikt kunne oppnås fra analyse kom ofte for sent til å være effektiv.
den tidlige æra av business intelligence varte omtrent et halvt århundre, fra midten av 1950-tallet gjennom 2009 da adventen av store data dukket opp.
Big Data Era
på midten av 2000-tallet begynte internett-og sosiale medier-giganter Som Google og Facebook å identifisere, samle inn og analysere en ny type data. Mens begrepet «store data» ikke kom inn i det vanlige leksikonet til rundt 2010, anerkjente analytikere at denne nye informasjonen var kvalitativt forskjellig fra de små datasettene fra fortiden.
Små data ble generert av selskapets interne operasjoner og transaksjoner, men disse nye dataene kom fra eksterne kilder, hentet fra internett, offentlige datakilder og spesifikke prosjekter som Human Genome Project. Dette betydde overgangen Til Analytics 2.0 og big data-epoken.
med ankomsten av store data ble nye teknologier og prosesser utviklet med varphastighet for å hjelpe bedrifter, både store og små, å gjøre data om til forretningsinnsikt som kan bidra til å generere profitt. Å utnytte fordelene med store data krevde imidlertid nye behandlingsrammer som OLAP og avanserte verktøy som datautvinning for å trekke ut meningsfull informasjon. Dataanalytikerne I Analytics 2.0-epoken var bedre posisjonert enn sine tidligere kolleger. Ved å bruke den mer avanserte teknologien i epoken – inkludert automatiserte datahåndteringsverktøy – kunne de analysere data, trender og annen informasjon for å informere strategiske forretningsbeslutninger.
Evolusjon Av Dataanalyse
Analytics 2.0-epoken ble etterfulgt av 3.0, som varte fra omtrent sent på 2000-tallet til tidlig på 2010 – tallet. Denne epoken ble preget av innføring av smarttelefoner, spredning av sosiale medier som datainnsamlingsverktøy og nye kunderettede tjenester som brukte analyser for å gi hyper-personlige brukeropplevelser. Mange eksperter tror faktisk At En fjerde epoke—Analytics 4.0 – har kommet, med spredning av avanserte automatiserte beslutningsverktøy som er avhengige av skyteknologi.Blant de viktigste utviklingene i utviklingen av dataanalyse har vært de mange fremskrittene i hvordan store data samles inn. Organisasjoner har i dag mange metoder for å samle inn data fra sine kunder og bestanddeler.Nettsteder, sosiale medieplattformer og kundesamtaler, live-chatter og undersøkelser er noen av de mest åpenbare eksemplene på hvor og hvordan bedrifter samler dataene sine. Andre mer komplekse metoder finnes også, inkludert:
- Stedsbasert annonsering: Sporingsteknologi som logger informasjon SOM IP-adresser bidrar til å bygge personlige profiler av teknologibrukere. Denne informasjonen brukes deretter til å målrette hver persons enheter med individuell annonsering.
- Lojalitetsprogrammer: Disse programmene tilbyr insentiver til kunder og tillater bedrifter å lage en detaljert profil av forbrukeren, som indikerer produktpreferanser og forbruksvaner.
- online markedsføringsanalyse: En drivkraft i digital markedsføring, dette innebærer vanligvis en kunde fylle ut et bestillingsskjema, som leverer at virksomheten med personlig informasjon. Virksomheten kan da bruke denne informasjonen til å forbedre kundeservicen og gi forbrukeren en mer personlig opplevelse.
Nye analysedisipliner har dukket Opp for å utfylle beskrivende analyser i analytics-porteføljen. Prediktiv og prescriptiv analyse-som gir innsikt i sannsynligheten for at en hendelse vil oppstå i fremtiden og anbefaler mulige tiltak-fremstår som viktige verktøy for bedriftsledere. Analytics er tilgjengelig for å støtte sanntidsbeslutninger gjennom bruk av analytiske apper.
Denne nye æra Av Analytics 4.0 er absolutt ikke slutten på den evolusjonære fortellingen i forretningsanalyse. Faktisk presenterer det nye utfordringer og muligheter for både bedrifter og dataanalytikere. De individer som er i stand til både å fange data og organisere det, samt analysere og bruke det til å ta bedre forretningsbeslutninger, er og vil fortsette å være i høy etterspørsel.
En Vei Til En Karriere Innen Forretningsanalyse
Effektiv dataanalyse er avgjørende for at dagens bedrifter skal vokse. Bedrifter trenger enkeltpersoner som ikke bare har den tekniske kompetansen til å samle, organisere og analysere den, men også forretningskunnskapen for å forstå hvordan man gjør dataene til handling.
En Online Master Of Science I Analytics fra Villanova University kan hjelpe deg med å utvikle ferdighetene til å bli en forretningsanalyseekspert. Lær mer om hvordan programmet kan hjelpe deg med å starte en givende karriere i big data.
Anbefalte Avlesninger
Dataanalyse Trender Å Se Etter
Hvordan Starte En Karriere I Analytics
Kvinner I Teknologi: Muligheter for Suksess