目录:
如今，关于创建大数据IT设置涉及什么的话题很多，从使用Apache Hadoop和相关工具来创新可访问性到关于将数据传入和传出中央公司数据仓库的技术方法的对话。 但是，还有大数据的哲学元素。 换句话说，您如何使用周围的所有数据来真正提高您的业务成果并改善您的业务模型？
公司处理数字并将其实际应用于某些具体成果的方法有以下五种。
将大数据直接移植到特定行业的平台中
一种开始使用聚合的业务数据的简单方法是将特定的数据元素放入预先设计的业务流程系统中，以有效地交付该数据。 最好的例子也许是客户关系管理（CRM）工具。 供应商通常围绕仪表板构建服务，这些仪表板可以为销售人员和其他人员提供高效且可操作的客户文件或文件夹。
事实是，使用CRM假定您在某处拥有必要的数据。 如果可以将客户标识符，购买历史记录和其他相关项目组合在一起，则可以开始将所有这些都运送到CRM平台中。 您的销售团队将感谢您。
建立旧式商业智能系统
同样，您将选择要使用的特定数据集，但是公司正在做的另一件事是通过将越来越多的大数据集注入其传统方法中来处理数据并缓慢扩展它们的常规方法。报告技巧。
好的，因此，关于传统系统通常阻碍实际进度的现有警告资源不止几个。 但是，那里也有一些实用指南，这些指南显示了在将大数据使用遗留技术，如何完成数据以及合适的员工如何发挥作用方面所面临的一些挑战。 另外，从技术上讲，一旦部署，一切都是“遗留”，因此每次出现更好的情况时，废弃旧系统并不总是有意义。
使用该数据仓库
如果您在中央存储库中有大数据并且知道如何访问它，则可以围绕它建立新的流程。
这是一些大型公司如何追求特定，精确，精确的大数据使用的一个很好的例子。 您可以称其为交叉索引； 它可以帮助企业在可能存在于软件体系结构不同部分中的各种客户帐户之间构建一致的模型。
通过将所有可操作的数据组合在一起，公司可能能够查看，例如，其一次性销售点零售数据库中的名称是否与其服务部门之一中的名称匹配。 然后，公司将信息导入到两个部门，以便当有人拿起电话时，他们知道该人在两个单独的渠道中都处于活动状态。
这是对商业智能的实际使用-它可以帮助您基于已收集到的所有大数据来实际执行某项操作。
结构数据
大数据的另一个主要问题是公司经常收集相对非结构化的数据。 非结构化数据可能以纸质或数字文档，原始或未精炼的数据库资源，甚至是来自移动设备的文本和代码片段的形式出现。 非结构化数据的共同点是它不遵循关系数据库格式。 结果，传统的相关数据库无法处理它，您也不会从中获得任何商业智能。
有两种方法可以解决此问题：抢一把铲子并开始挖掘，或者获取一些资源来将非结构化数据提炼成可操作的数据。 不想在新软件上进行投资的公司可能会用人工来整理非结构化数据并正确格式化，但是现在有了工具可以有效地解析非结构化数据，因此您还有其他选择。 例如，元数据是一种自动化的数据挖掘方式，使之变得有用。
识别和处理数据湖
大数据社区中的另一个流行语是数据湖。 本质上，数据湖只是一个未使用的大量数据池。 这是静态数据的典型定义-无需执行任何操作，不会受到干扰，它像停滞的水面一样冰冷而平静。
同样，有许多不同的方法来处理数据湖，但是所有这些方法都首先要思考这些大数据集中的内容以及为什么它们首先处于冷藏状态。 公司正在建立自己的数据中心，并使用超现代的面向对象的数据集群技术将这些数据湖分解为可操作的部分。 这确实是在逐案的基础上完成的，但是一些专家对如何将这些数据湖整合到有用的渠道中提出了一些建议，这些渠道使信息最终可以在某处起作用。
