Innehåll
- Vissa data är inte värda att spara
- Agility räknar
- Inga buggar, ingen stress - din steg-för-steg-guide för att skapa livsförändrad programvara utan att förstöra ditt liv
- Att lagra data är dyrt
- Data sprids mer
- Mindre data (och komplexitet) kan vara mer
Hämtmat:
Medan kantanalys har tillhandahållit tekniken för att utnyttja IoT på ett smartare, bättre sätt, sträcker det sig faktiskt utöver IoT till kanten av ett mer traditionellt datakosystem.
Edge-analys - eller analysera data närmare var de samlas in - är en relativt ny idé inom dataanalys och åtminstone hittills har vi oftast hört de hänvisas till i samband med IoT. När allt kommer omkring, i en värld med sensorer överallt och en ökande mängd data som flyter in, erbjuder kantanalys ett sätt att hämta värde från data på ett sätt som är snabbare, enklare och i många fall mer praktiskt. Men medan kantanalys har tillhandahållit tekniken för att utnyttja IoT, sträcker sig dess löfte faktiskt utöver IoT till kanten av ett mer traditionellt dataekosystem. Här kan du ta en titt på fördelarna med att bearbeta data på kanten över att lagra dem och tillämpa mer traditionell analys, och varför många organisationer börjar söka förmågan att välja mellan dessa två alternativ för att passa deras behov.
Vissa data är inte värda att spara
I början av big data handlade organisationer om att samla in data. Den kollektiva visdomen vid den tiden var att samla in data var bra, även om det inte kunde analyseras helt. Problemet är att när datainsamlingen förbättrades började datamängderna att explodera. Enligt en rapport som släpptes av forskningsorganisationen SINTEF 2013 hade 90% av alla världens uppgifter genererats under de två föregående åren. Enligt IDC kommer 1,7 megabyte ny information att skapas varje sekund för varje person på planeten fram till 2020. Det kommer att uppgå till cirka 44 zettabyte data.
När data samlades in blev frågan uppenbar: Vad ska vi faktiskt göra göra med all denna information? Tyvärr uppgår svaret ibland till mycket lite. En studie som släpptes av Pricewaterhouse Coopers och Iron Mountain 2015 fann att 43% av de undersökta företagen fick "liten konkret nytta" från uppgifterna de samlade in. Ytterligare 23% visade sig ha "ingen fördel." Det organisationer som i allt högre grad lär sig är att medan datainsamling har stora fördelar, är inte all data användbar, och inte all data är värd att hålla, särskilt när det flyter från myriad av sensorer som vi kallar "IoT."
"En hel del data som kommer från IoT kanske inte nödvändigtvis är data som vi måste hålla på en atomnivå," sa Shawn Rogers, chef för global marknadsföring och kanaler för Dell Statistica.
"Jag tror att alla åtnjöt förmågan att hålla mer data, analysera mer data och få rikare och djupare insikter från alla dessa stora mängder information. Som sagt, bara för att du kan, betyder det inte att du borde."
Eftersom kantanalys gör det möjligt för organisationer att analysera data närmare var de faktiskt förekommer, gör det möjligt att fatta beslut innan data skickas för att lagras. Som ett resultat kan det minska behovet av att lagra och konsolidera så mycket data. Eftersom dataproduktion och insamling fortsätter att expandera är det definitivt bra.
Agility räknar
Det finns en annan fördel med att analysera data närmare källan: smidighet. I vissa fall är data mycket mer användbara i realtid. Detta gäller särskilt de data som flyter från IoT-sensorer. Fabrikssensorer, medicintekniska apparater, applikationer för handel och bedrägeri, och systemövervakning, bland många andra exempel, ger alla data som kan behöva tas upp på ett snabbare och mer lyhörd sätt. Denna så kallade "strömbehandling" är viktig i applikationer där data måste behandlas snabbt och / eller kontinuerligt. När verksamhetstakten ökar blir denna kapacitet mer nödvändig i många branscher.
"Som en konsument av analyser vill jag ha förmågan att fatta strategiska beslut om vilka data jag ska investera i på lång sikt och vilka data som ska erhållas från omedelbart, om vilka data som är värda att lagra och vilka data som det inte är värt att lagra," sade Rogers .
Inga buggar, ingen stress - din steg-för-steg-guide för att skapa livsförändrad programvara utan att förstöra ditt liv
Du kan inte förbättra dina programmeringsfärdigheter när ingen bryr sig om mjukvarukvalitet.
"Jag tror att flytta analytics till data istället för att alltid flytta data till analytics är en viktig takeaway, och jag tror att det är en efterfrågan som de flesta kunder kommer att ha när analysen blir mer spridd."
Att lagra data är dyrt
Under de tidiga dagarna med stordatalagring samlade många organisationer mycket data med tanken att det kan vara användbart en dag. Problemet är att datainsamling och lagring har en kostnad, en som ofta inte mildras av värdet härledd från dessa data.
"Vad vi har sett under det senaste decenniet var människor som stod upp Hadoop-kluster, lägger in data i dem och tänker att det kan vara användbart en dag ... och sedan snabbt ta reda på att även med fördelen med vissa Hadoop-tekniker kostar att samla in data fortfarande mycket pengar, "sade Rogers.
Edge-analys ger ett sätt att inte bara tillåta organisationer att svara på data snabbare, utan att skapa en bättre process kring deras datainsamling och analys. Edge-analys gör det också möjligt för organisationer att välja vilka data som ska lagras för längre, djupare analys. Detta kan göra data enklare - och billigare - att hantera.
Data sprids mer
Dagarna för att hålla data på en enda plats är antagligen över. Det skapar ett behov av att distribuera, hantera och optimera analyser runt olika plattformar, såväl över olika områden där data förekommer, till exempel IoT-sensorer.
"Om du kommer att distribuera dina data runt olika plattformar som Hadoop moln eller analytiska apparater och så vidare, behöver du verkligen denna flexibilitet för att flytta analysen till data. Edge analytics är inte bara för kanten av IoT, det tar analytics till kanten av ett mer traditionellt datakosystem, "sade Rogers.
Mindre data (och komplexitet) kan vara mer
Fram till nyligen handlade konversationen kring insamling, lagring och analys av big data om att samla in data från källsystem och köra dem in i ett datalager. Men inte bara är ett datalager allt mindre i stånd att hålla jämna steg med analyserna, dessa system utgör problem kring komplexitet och säkerhet eftersom de involverar transport av data över breda nätverk för att analysera det.
"Det finns mycket komplexitet i allt arbete som går till att flytta data från punkt A till punkt B för oss att använda. Edge-analys gör det möjligt för oss att fatta beslut om vi vill flytta data till en plats för analys eller om vi gillar att placera analysen där data finns, "sade Rogers.
Med andra ord, kantanalys ger fler alternativ när det gäller hur data används och hjälper till att bevara de resurser som är bäst lämpade för djupare dataanalys.
"Edge-analys påverkar verkligen datahanteringsvärlden och hur vi flyttar data från en plats till en annan. Det andra som det gör är att ge kunderna möjlighet att välja vilken plattform som fungerar bäst och ge dem svaren som deras hastighet företag."