Saturs
- Daži dati nav saglabāšanas vērti
- Veiklība skaita
- Bez kļūdām, bez stresa - jūsu soli pa solim, kā izveidot programmatūru, kas maina dzīvi, neiznīcinot savu dzīvi
- Datu glabāšana ir dārga
- Dati kļūst arvien izplatītāki
- Var būt vairāk datu (un sarežģītības pakāpes)
Izņemšana:
Lai gan malu analīze ir nodrošinājusi tehnoloģiju, lai IoT izmantotu viedākā, labākā veidā, tā solījums faktiski pārsniedz Io līdz tradicionālās datu ekosistēmas malai.
Edge analytics - vai datu analīze tuvāk vietai, kur tā tiek savākta - ir salīdzinoši jauna ideja datu analītikā, un vismaz līdz šim mēs to visbiežāk esam dzirdējuši saistībā ar IoT. Galu galā pasaulē, kurā visur ir sensori un aizvien vairāk datu plūsmas, malu analīze piedāvā iespēju iegūt vērtību no datiem tādā veidā, kas ir ātrāks, vienkāršāks un daudzos gadījumos praktiskāks. Bet, lai gan malu analīze ir nodrošinājusi tehnoloģiju IoT piesaistīšanai, tās solījums faktiski pārsniedz IoT līdz tradicionālākai datu ekosistēmai. Šeit ir arī jāapskata datu apstrādes priekšrocības salīdzinājumā ar to glabāšanu un tradicionālas analītikas izmantošanu, kā arī iemesls, kāpēc daudzas organizācijas sāk meklēt iespējas izvēlēties starp šīm divām iespējām, lai tās atbilstu viņu vajadzībām.
Daži dati nav saglabāšanas vērti
Lielo datu pirmajās dienās organizācijas visu nodarbojās ar datu vākšanu. Kolektīvā gudrība tajā laikā bija tā, ka datu vākšana bija laba lieta, pat ja to nevarēja pilnībā izanalizēt. Problēma ir tā, ka, uzlabojoties datu vākšanai, datu apjomi sāka eksplodēt. Saskaņā ar pētījumu organizācijas SINTEF 2013. gada ziņojumu, 90% no visiem pasaules datiem tika iegūti iepriekšējo divu gadu laikā. Saskaņā ar IDC datiem līdz 2020. gadam par katru planētas cilvēku katru sekundi tiks izveidots 1,7 megabaitu jaunas informācijas. Tas kopumā sastāda apmēram 44 datu zettabaitus.
Apkopojot datus, kļuva acīmredzams jautājums: uz ko mēs patiesībā ejam darīt ar visu šo informāciju? Diemžēl dažreiz atbildes ir ļoti maz. Pētījumā, ko Pricewaterhouse Coopers un Iron Mountain publicēja 2015. gadā, atklājās, ka 43% aptaujāto uzņēmumu no savāktajiem datiem gūst "nelielu taustāmu labumu". Pārējiem 23% tika atklāts, ka "nekāds labums". Organizācijas arvien vairāk mācās, ka, kaut arī datu vākšanai ir lielas priekšrocības, ne visi dati ir noderīgi, un ne visus datus ir vērts glabāt, jo īpaši, ja tie nāk no neskaitāmiem sensoriem, kurus mēs saucam par IoT.
"Liela daļa datu, kas nāk no IoT, var nebūt dati, kas mums jāuztur atomu līmenī," sacīja Dell Statistica globālā mārketinga un kanālu direktors Šavons Rodžerss.
"Es domāju, ka visi priecājāmies par iespēju saglabāt vairāk datu, analizēt vairāk datu un iegūt bagātīgāku un dziļāku ieskatu no visiem šiem milzīgajiem informācijas apjomiem. Tas tikai tāpēc, ka varat, nenozīmē, ka jums vajadzētu."
Tā kā malu analīze ļauj organizācijām analizēt datus tuvāk tur, kur tie faktiski notiek, tā ļauj pieņemt lēmumus pirms datu nosūtīšanas tiek saglabāti. Tā rezultātā tas var samazināt nepieciešamību saglabāt un konsolidēt tik daudz datu. Tā kā datu ģenerēšana un apkopošana turpina paplašināties, tā noteikti ir laba lieta.
Veiklība skaita
Ir vēl viens ieguvums, analizējot datus tuvāk to avotam: veiklība. Dažos gadījumos dati ir daudz noderīgāki reālajā laikā. Īpaši tas attiecas uz datiem, kas plūst no IoT sensoriem. Rūpnīcas sensori, medicīniskās ierīces, tirdzniecības un krāpšanas atklāšanas lietojumprogrammas un sistēmas uzraudzība, kā arī daudzi citi piemēri, sniedz datus, kas, iespējams, jārisina ātrāk, atsaucīgāk. Tā sauktā "straumes apstrāde" ir svarīga lietojumprogrammās, kur dati jāapstrādā ātri un / vai nepārtraukti. Palielinoties uzņēmējdarbības tempam, šī spēja daudzās nozarēs kļūst arvien nepieciešamāka.
"Kā analītikas patērētājs es vēlos iespēju pieņemt stratēģiskus lēmumus par to, kādos datos ilgtermiņā ieguldīt līdzekļus un kādos datos tūlīt iegūt vērtību, par to, kādus datus ir vērts uzglabāt un kādus datus nav vērts uzglabāt," sacīja Rodžerss. .
Bez kļūdām, bez stresa - jūsu soli pa solim, kā izveidot programmatūru, kas maina dzīvi, neiznīcinot savu dzīvi
Jūs nevarat uzlabot savas programmēšanas prasmes, kad nevienam nerūp programmatūras kvalitāte.
"Es domāju, ka analīzes datu pārnešana uz datiem, nevis vienmēr datu pārvietošana uz analītiku, ir svarīgs notikums, un es domāju, ka tas ir pieprasījums, kāds būs lielākajai daļai klientu, jo analītika kļūst izkliedētāka."
Datu glabāšana ir dārga
Lielās datu glabāšanas pirmajās dienās daudzas organizācijas savāca daudz datu ar domu, ka kādreiz tas varētu būt noderīgs. Problēma ir tā, ka datu vākšanai un glabāšanai ir izmaksas, kuras bieži vien mazina no šiem datiem iegūtā vērtība.
"Pēdējā desmitgadē mēs redzējām, kā cilvēki pieceļas Hadoop kopas, ievietojot tajos datus un domājot, ka kādreiz tas varētu būt noderīgs ... tad ātri uzzinot, ka, pat izmantojot dažas Hadoop tehnoloģijas, datu apkopošana joprojām izmaksā daudz naudu, "sacīja Rodžerss.
Edge analytics nodrošina veidu, kā ne tikai ļaut organizācijām ātrāk reaģēt uz datiem, bet arī izveidot labāku procesu datu vākšanai un analīzei. Edge analytics ļauj organizācijām arī izvēlēties, kādus datus saglabāt ilgākā laika posmā, padziļinātai analīzei. Tas var padarīt datus vieglāk pārvaldāmus un lētākus.
Dati kļūst arvien izplatītāki
Datu glabāšanas dienas vienā vietā, iespējams, ir beigušās. Tas rada vajadzību izvietot, pārvaldīt un optimizēt analītiku dažādās platformās, kā arī dažādās jomās, kur rodas dati, piemēram, IoT sensori.
"Ja jūs plānojat izplatīt savus datus dažādās platformās, piemēram, Hadoop mākonī vai analītiskās ierīcēs un tā tālāk, tad jums tiešām ir nepieciešama šī elastība, lai pārvietotu analītiku uz datiem. Edge analītika nav paredzēta tikai IoT malai, tā ņem analīzi uz tradicionālas datu ekosistēmas mala, "sacīja Rodžerss.
Var būt vairāk datu (un sarežģītības pakāpes)
Vēl pavisam nesen saruna par lielo datu vākšanu, glabāšanu un analīzi bija par datu savākšanu no avotu sistēmām un to virzīšanu datu noliktavā. Bet ne tikai tas, ka datu noliktava arvien mazāk spēj sekot analītikai, šīs sistēmas rada sarežģītības un drošības problēmas, jo datu analizēšanai tās ir saistītas ar datu pārvadāšanu plašos tīklos.
"Visos darbos, kas saistīti ar datu pārvietošanu no punkta A uz punktu B, ir ļoti sarežģīta. Edge analytics ļauj mums pieņemt lēmumus par to, vai mēs vēlamies pārvietot datus uz vietu analītikai vai ja kāzas vēlas ievietot analītiku tur, kur ir dati, "sacīja Rodžerss.
Citiem vārdiem sakot, malu analīze sniedz vairāk iespēju datu izmantošanā un palīdz saglabāt resursus, kas ir vislabāk piemēroti dziļākai datu analīzei.
"Edge analytics noteikti ietekmē datu pārvaldības pasauli un to, kā mēs pārvietojam datus no vienas vietas uz otru. Otra lieta, ko tā dara, ir sniegt klientiem iespēju izvēlēties, kura platforma darbotos vislabāk, un sniegt viņiem atbildes kā viņu darbības ātrumu. Bizness."