Er zijn veel mogelijkheden om slim om te gaan met data in uw bedrijf. Nieuwe technologieën brengen nieuwe uitdagingen. Door gebruik te maken van de best practices van ervaren specialisten hoeft u het wiel niet opnieuw uit te vinden.

Data Intelligentie is een strategie

Data intelligent gebruiken, is een strategie die voortvloeit uit een doordachte business-strategie. En andersom kunnen data-onderzoeken weer leiden tot nieuwe businessinzichten en strategieën.

De hoeveelheid beschikbare data helpt beter en meer gefundeerde beslissingen te nemen. De intelligentie die uit de grote hoeveelheden data is te halen, helpt u om uw klanten beter te leren kennen, om de efficiëntie van processen te meten.

Voorbeeld

Een retailer kan zijn stock beter en effectiever beheren door het aankoopbedrag van zijn klanten te analyseren. In één van onze innovatieworkshops leerden we dat dit bij een grootwarenhuisketen een aanzienlijke impact had op de omzet.

Maak een intelligente data-architectuur

Het is nog te vroeg om een data-architectuur met énkel Big Data technologieën te bouwen. Om de juiste analyses te kunnen maken, is een gezonde combinatie nodig van relationele systemen en noSQL-systemen, zoals MongoDB en Hadoop. Gegevens uit transacties worden typisch opgeslagen in relationele systemen, ongestructureerde gegevens in noSQL systemen.

De ideale blue-print bestaat dus (nog) niet. De vereisten van uw case bepalen het gebruik van Big Data en de intelligentie die eruit voortkomt.

Voorbeeld

Een bank gebruikt MongoDB voor het verwerken van ongestructureerde data, zoals statusupdates op sociale media en het triggeren van een marketingactie. Iemand post bijvoorbeeld iets over een nieuwe wagen die hij wil kopen en de bank kan een simulatie voor een autolening suggereren. De marketingsystemen gebruiken data uit een relationele databank. De info over marketingacties wordt dan weer gestockeerd op Hadoop om een Enterprise Datawarehouse in Oracle te voeden. Zo kan de bank rapporteren en het succes van dergelijke commerciële acties meten.

Dit lijkt complex, maar daar hoeft u zich geen zorgen over te maken. Onze dataspecialisten tekenen de ideale architectuur voor u uit en beheren die ook 24/7.

Experimenteer, maak een prototype en doe proof-of-concepts

Sta data-analisten en datawetenschappers toe om onbegrensd in hun mogelijkheden data-experimenten op te zetten en prototypes te bouwen. Dat kan na een proof-of-concept leiden tot een implementatie in productie. Elke opgelegde grens vanuit IT is hier een potentieel gevaar voor het eindresultaat.

Enkele voorbeelden

  1. Om tot een eindresultaat te komen, maakt een wetenschapper gebruik van MatLab binnen PostgreSQL of SAS met een ondersteund RDBMS op Oracle. Daarbovenop heeft hij Dataiku’s Data Science Studio nodig. Het vraagt van de IT-afdeling een ongewone tolerantie in het bereik van tools en technologieën.
  2. In een ander experiment voor downloads uit een online catalogus zijn ETL-transformaties en aangepaste R-code direct op Hadoop gecombineerd, gecontroleerd door PowerCenter. Om voldoende flexibiliteit te garanderen is de IT-afdeling overgeschakeld naar een volwaardig op Hadoop gedistribueerde architectuur. Zonder het eerste experiment zou echter nooit gevonden zijn welke delen van een catalogus online met 9 miljoen producten het meest gelezen werden.

Leer Hadoop kennen door een eenvoudige implementatie: back-up en archivering

Terwijl je de eerste stappen zet in het maken van Big-Data-oplossingen kan je infrastructuurgroepen van een Hadooparchitectuur laten proeven door het te gebruiken als goedkope en flexibele back-up en archiveringstechnologie. Hadoop kan data van verschillende formaten opslaan, los van enige structuur. Aangezien HDFS een databeschermingsmechanisme in zich heeft en bij voorkeur op low-cost storage draait, heeft deze oplossing heel wat voordelen. Ook al is het goedkoper, Hadoop blijft nog altijd iets kosten. Dus ook hier is het de moeite waard om schoonmaak te houden in je verouderde data.