Особенности использования RFID-технологии.
RFID — технология идентификации, которая предоставляет большие возможности. Наиболее распространенные RFID-метки, как и многие штрих-коды, представляют собой самоклеящиеся этикетки. Но если на штрих-коде информация хранится в графическом виде, то на метку данные заносятся и считываются при помощи радиоволн. RFID-метки — устройства, способные хранить и передавать данные. В памяти меток содержится уникальный идентификационный код. На производстве с помощью RFID ведется учет сырья, контролируются технологические операции. На складе с помощью RFID в реальном времени отслеживается перемещение товаров, ускоряются процессы приема и отгрузки. RFID-решения на складе обеспечивает защиту от воровства и хищений продукции. В индустрии потребительских товаров и розничных продаж RFID-системы отслеживают товар на этапах поставки, от производителя до прилавка. В библиотеке RFID помогает найти в хранилище и выдать читателю книги, предотвратить хищения. Исчезают очереди на выдаче.
Аналитика больших данных.
Все больше предприятий в каждой отрасли сталкиваются с экспоненциальным ростом своих баз данных. Между тем, всем стало ясно, что есть огромная ценность в использовании скрытой в них информации — от стратегического понимания до повышения эффективности бизнеса. Проблема в том, что большинство компаний по-прежнему ищут пути применения привычных их BI-платформ для анализа больших данных. К сожалению, они ищут не то решение: правда заключается в том, что попытка использовать традиционные BI-системы для обработки Big Data приводит к огромным затратам ресурсов и крайне низкой эффективности.
|
|
|
Основной причиной этого является невозможность анализировать все свои данные вместе. Требуются дополнительные решения для совместной работы: такие как агрегирование данных (группировка детальных данных по заданным периодам или в определенных информационных срезам), выбор отдельных показателей (выбор только части данных) или данных за выбранные временные рамки (выбор периода времени для ограниченных данных). Помимо значительной потери глубины детализации эти подходы требуют привлечения огромных ресурсов со стороны ИТ-службы. Давайте подробнее рассмотрим, как это влияет на эффективность бизнеса.
Потеря производительности для конечного пользователя
Иногда легко забыть, что вся причина внедрения BI в организации заключается в том, чтобы предоставить бизнес-пользователям четкую картину бизнеса для получения стратегического понимания и извлечения конкурентных преимуществ (увеличение эффективности организации, снижение затрат, повышение доходов и т.д.). Значительные затраты времени на создание отчетов и на загрузку данных в инфопанели (дашборды) для мониторинга ситуации как минимум снижают эффективность работы пользователей, или же приводят к упущенным деловым возможностям (информация получена, но слишком поздно). Дни и недели ожидания нового отчета или дашборда снижают общую эффективность организации.
|
|
|
Издержки скрытых данных
Традиционные BI-системы не позволяют увидеть «драгоценные камни», скрывающиеся в больших данных из-за предварительной агрегации, требуемой этими системами. Это происходит, когда данные группируются до требуемого уровня детализации (регионы вместо городов, месяцы вместо отдельных дней и т. д.), Гранулярные записи, которые могут дать важную детальную информацию просто исчезают.
Кроме того, эти системы ориентированы на работу с корпоративными данным и не извлекают информацию из данных социальных сетей в Интернете. Понимание того, что делают клиенты, сотрудники, партнеры и конкуренты дает огромные стратегические преимущества.
Затраты на оплату труда ИТ
На сегодняшний день в большинстве организаций подготовка данных и создание отчетов для бизнес-пользователей является бременем, лежащим на для ИТ-подразделениях. Использование традиционных BI- систем предполагает, что именно ИТ-персонал обрабатывает запросы бизнес-пользователей, которым нужны новые отчеты, новые группировки или более подробная детализация. Раньше, когда объем данных был небольшим, а количество источников не превышало десятка, накладные расходы на ИТ были управляемыми и запросы пользователей решались достаточно быстро. Сегодня ИТ-персонал имеет дело с огромным количеством источников, и это требует недопустимо много времени для удовлетворения запросов пользователей, связанных с бизнес-аналитикой.
|
|
|
Стоимость оборудования
Традиционные BI-системы требуют значительных ресурсов аппаратного обеспечения, даже при обработке корпоративных данных. Попытка объединить все данные, которые запрашивают пользователи, приводит к серьезным финансовым вложениям в аппаратное обеспечение.
BI-системы, работающие со сжатыми данными в оперативной памяти (in-memory computing), также требуют мощного аппаратного обеспечения. В какой-то момент сервер перестанет справляться с быстро разрастающимися объемами данных. Самая большая проблема этих систем заключается в том, что все данные для анализа необходимо загружать в оперативную память, плюс каждый дополнительный пользователь требует дополнительных 5-10% затрат на память. В результате развертывание BI-системы в RAM влечет за собой большие финансовые вложения
|
|
|
Аналитик больших данных — это универсальный специалист, который обладает знаниями в математике, статистике, информатике, компьютерных науках, бизнесе и экономике. Аналитик Big Data изучает большие массивы данных, содержащие разрозненную информацию, например, результаты исследований, рыночные тенденции, предпочтения клиентов и пр. Исследование и анализ такой информации может привести к новым научным открытиям, повышению эффективности работы компании, новым возможностям получения дохода, улучшению обслуживания клиентов и т.д. Основное умение специалистов по изучению данных – это видеть логические связи в системе собранной информации и на основании этого разрабатывать те или иные бизнес-решения, модели.
Аналитики Больших данных должны уметь извлекать нужную информацию из всевозможных источников, включая информационные потоки в режиме реального времени, и анализировать ее для дальнейшего принятия бизнес-решений. Дело не только в объеме обрабатываемой информации, но также в ее разнородности и скорости обновления.
Сегодня термин Big Data, как правило, используется для обозначения не только самих массивов данных, но также инструментов для их обработки и потенциальной пользы, которая может быть получена в результате кропотливого анализа. Главные характеристики, отличающие Big Data от другого рода данных – три V: volume (большие объемы), velocity (необходимость быстрой обработки), variety (разнообразие).
Есть две основные специализации для людей, которые хотят работать с большими данными:
· инженеры Big Data — в большей степени отвечают за хранение, преобразование данных и быстрый доступ к ним;
· аналитики Big Data — отвечают за анализ больших данных, выявление взаимосвязей и построение моделей.
Основной спрос на аналитиков Big Data формируют IT и телеком-компании и крупные розничные сети. В последнее время к Big Data все чаще прибегают в банковском секторе, государственном управлении, сельском хозяйстве. Привлечение специалиста по Big Data — это возможность посмотреть на имеющиеся данные с разных углов зрения.
Дата добавления: 2019-07-15; просмотров: 631; Мы поможем в написании вашей работы! |
Мы поможем в написании ваших работ!