'
A Big Data képes kezelni a nagy szervezetek különböző nehézségeit. Az alábbiakban nagy értékű Big Data felhasználási esetek állnak rendelkezésre, amelyek felhasználhatók a számukra felmerülő aggályok kezelésére.
Big Data Exploration
A Big Data feltárása olyan kihívásokkal foglalkozik, mint a különböző rendszerekben tárolt információk és az ezekhez az adatokhoz való hozzáférés a mindennapi feladatok elvégzéséhez, amelyekkel a nagy szervezetek szembesülnek. A Big Data feltárása lehetővé teszi az adatok elemzését és értékes betekintést nyerhet belőlük.
Továbbfejlesztett 360 és ordm vásárlói nézetek
A meglévő vásárlói nézetek bővítése segít az ügyfelek teljes megértésében, olyan kérdések megválaszolásában, mint például miért vásárolnak, hogyan vásárolnak szívesebben, miért változnak, mit vásárolnak legközelebb, és milyen tulajdonságok miatt ajánlják a céget másoknak.
Biztonsági / hírszerzési kiterjesztés
A kiberbiztonsági és hírszerzési elemző platformok kibővítése a Big Data technológiákkal a közösségi médiából, e-mailekből, szenzorokból és a Telco-ból származó új típusok feldolgozásához és elemzéséhez, a kockázatok csökkentéséhez, a csalások felderítéséhez és a kiberbiztonság valós idejű figyelemmel kíséréséhez az intelligencia, a biztonság és a bűnüldözés betekintésének jelentős javítása érdekében .
Műveletek elemzése
A műveletek elemzése a Big Data technológiák használatáról szól, hogy lehetővé tegye az alkalmazások új generációját, amelyek nagy mennyiségű több struktúrájú, például gépi és operatív adatot elemeznek az üzleti fejlődés javítása érdekében. Ezek az adatok bármit tartalmazhatnak az informatikai gépektől az érzékelőkig és mérőkig, a GPS-eszközök pedig összetett elemzést és összefüggést igényelnek a különböző típusú adathalmazok között.
Adattárház korszerűsítése
hogyan készítsünk fájlt Java-ban
A Big Data-t integrálni kell az adattárház képességeivel a működési hatékonyság növelése érdekében. A raktár- és alkalmazás-adatbázisok ritkán hozzáférhető vagy régi adataitól való megszabadulás az információ-integráló szoftverek és eszközök segítségével történhet.
Vállalkozások és Big Data alkalmazásuk:
Guangdong Mobiles:
Kínában egy népszerű mobil csoport, Guangdong a Hadoop segítségével távolítja el az adatelérési szűk keresztmetszeteket, és fedezi fel az ügyfelek használati mintázatát a pontos és célzott piaci promóciók érdekében, a Hadoop HBase pedig az adattáblák automatikus felosztását csomópontok között az adattárolás bővítése érdekében.
Red Sox:
A World Series bajnokai hatalmas mennyiségű strukturált és strukturálatlan adattal találkoznak a játékkal kapcsolatban, mint például az időjárás, az ellenfél csapata és a játék előtti promóciók. A Big Data lehetővé teszi számukra, hogy előrejelzéseket készítsenek a játékról, és arról, hogyan osszák el az erőforrásokat a közelgő játék várható változásai alapján.
Nokia:
A Big Data segített a Nokiának hatékonyan felhasználni adataikat, hogy megértsék és javítsák a felhasználók tapasztalatait a termékeikről. A vállalat az adatfeldolgozást és a komplex elemzéseket használja előrejelző forgalmat és réteges magassági modelleket tartalmazó térképek készítéséhez. A Nokia a fenti alkalmazáshoz a Cloudera Hadoop platformját és olyan Hadoop összetevőket használ, mint a HBase, a HDFS, a Sqoop és a Scribe.
Huawei:
A Huawei OceanStor N8000-Hadoop Big Data megoldást fejlett fürtözött architektúrán és vállalati szintű tárolási képességeken alapulva fejlesztették ki, és integrálták a Hadoop számítási keretrendszerével. Ez az innovatív kombináció segíti a vállalkozásokat a teljes körű adatszámítás és elemzés valós idejű elemzésében és feldolgozásában, javítja a döntéshozatalt és a hatékonyságot, megkönnyíti a menedzsmentet és csökkenti a hálózatépítés költségeit.
SAS:
A SAS a Hadoopszal kombinálva segítette az adatkutatókat a Big Data nagyobb betekintéssé alakításában. Ennek eredményeként az SAS olyan környezettel állt elő, amely vizuális és interaktív élményt nyújt, megkönnyítve ezzel a betekintést és az új trendek felfedezését. A hatékony analitikai algoritmusok értékes betekintést vonnak le az adatokból, míg a memóriában lévő technológia gyorsabb hozzáférést biztosít az adatokhoz.
CERN:
A Big Data létfontosságú szerepet játszik a CERN-ben, a nagy Hadron Supercollider otthonában, mivel hihetetlen mennyiségű adatot gyűjtenek másodpercenként 40 millió képéből 100 megapixeles kamerájából, ami másodpercenként 1 petabájt adatot ad ki. Ezen kamerák adatait elemezni kell. A laboratórium kísérletet tesz arra, hogy a kísérleteiből származó adatokat hogyan helyezzék el mind a relációs adatbázisokban, mind a NoSQL technológiákon alapuló adattárházakban, például a Hadoop és a Dynamo az Amazon S3 felhőtárolási szolgáltatásában.
Buzzdata:
A Buzzdata egy Big Data projekten dolgozik, ahol az összes forrást egyesítenie és biztonságos helyre kell integrálnia. Ez remek helyet teremt az újságírók számára a nyilvános adatok összekapcsolására és normalizálására.
Védelmi Minisztérium:
A Védelmi Minisztérium (DoD) mintegy 250 millió dollárt fektetett be hatalmas mennyiségű adat felhasználására és felhasználására egy olyan rendszer előállítására, amely képes irányítást és önálló döntéseket hozni, valamint segítséget nyújt az elemzőknek a műveletek támogatásához. Az osztály azt tervezi, hogy 100-szorosára növeli elemzési képességeiket, információkat nyer ki bármilyen nyelvű szövegekből, és ezzel egyenértékűen növekszik az elemzők által elemezhető tárgyak, tevékenységek és események száma.
Védelmi Fejlett Kutatási Projekt Ügynökség (DARPA):
A DARPA körülbelül 25 millió dollárt szándékozik befektetni a nagy mennyiségű félig strukturált és strukturálatlan adat elemzéséhez szükséges számítási technikák és szoftvereszközök fejlesztésére.
Nemzeti Egészségügyi Intézetek:
Az 1000 Genom Projekt 200 terabájtnyi adatánál mindez a Big Data elsődleges példája. Az adatkészletek olyan hatalmasak, hogy nagyon kevés kutató rendelkezik számítási erővel az adatok elemzéséhez.
Nagy adatalkalmazás-példák a különböző iparágakban:
Kiskereskedelem / fogyasztó:
- Piaci kosárelemzés és ároptimalizálás
- Merchandising és piaci elemzés
- Ellátási lánc menedzsment és elemzés
- Viselkedésalapú célzás
- Piaci és fogyasztói szegmentációk
Pénzügyi és csalási szolgáltatások:
rendezzen egy tömböt c ++
- Ügyfélszegmentálás
- Megfelelés és szabályozási jelentések
- Kockázatelemzés és -kezelés.
- Csalások felderítése és biztonsági elemzések
- Egészségbiztosítási csalás
- CRM
- Hitelkockázat, pontozás és elemzés
- Kereskedelem felügyelete és rendellenes kereskedési minták elemzése
Egészség és élettudomány:
- Klinikai vizsgálatok adatelemzése
- A betegség mintázatának elemzése
- A betegellátás minőségének elemzése
- Gyógyszerfejlesztés elemzése
Távközlés:
- Ároptimalizálás
- Az ügyfél megrázkódásának megelőzése
- Call detail record (CDR) elemzés
- Hálózati teljesítmény és optimalizálás
- Mobil felhasználói hely elemzése
Vállalati adatraktár:
- Fokozza az EDW-t a feldolgozás és a tárolás kirakásával
- Előfeldolgozó központ, mielőtt eljutna az EDW-hez
Szerencsejáték:
- Viselkedéselemzés
Csúcstechnológia:
- Optimalizálja a csatorna konverziót
- Prediktív támogatás
- Megjósolni a biztonsági fenyegetéseket
- Eszközelemzés
Kapcsolódó hozzászólások:
Karrier előny a Hadoop tanúsítás révén .
A Hadoop és a MongoDB növekvő népszerűsége.