March 2014 Download this article as a PDFAbstract

Недавний всплеск в технологии больших данных оставил многих руководителей, как хорошо созданных организаций и новых стартапов, интересно, как лучше всего использовать большие данные. В частности аспект аналитики больших данных является заманчивой для поставщиков услуг информационных технологий (ИТ) и non-IT фирм из-за его потенциал для высокой отдачи от инвестиций, которые были сильно огласку, если не ясно продемонстрировано несколько технических описаний, вебинары и исследований. Хотя руководители могут четко воспринимать преимущества аналитики больших данных для их организаций, путь к цели не является как ясно или легко, как он выглядит. И это не только созданных организаций, которые имеют эту проблему; даже стартапов, пытаются воспользоваться этой возможностью, аналитики больших данных сталкиваются же проблемой отсутствия ясности на что делать или как сформулировать стратегию исполнительной. Эта статья предназначена в первую очередь для руководителей, которые ищут помощи в разработке стратегии для достижения успеха с аналитика больших данных в их операциях. Она содержит рекомендации для них план краткосрочных и долгосрочных целей Организации и представляет стратегию инструмент, известный как модель delta для разработки клиент ориентированный подход к успеху с большой данных аналитики.

Введение

Идея анализа терабайт данных в рамках час был, для большинства людей, невообразимые всего несколько лет назад. Но, благодаря большим данным, сегодня это реальность. Но то, что большие данные? При попытке понять большие данные все о и как она помогает любой организации, концепции могут быть представлены двумя разными способами: i) большие данные в качестве платформы для хранения и ii) большие данные как движущей силы развития решения.

Как платформа хранения больших данных является средством хранения больших объемов данных из различных источников в надежной (например, отказоустойчивое) способом. Например решения для больших данных могут надежно хранить данные в реальном времени от датчиков, метки RFID, GPS локаторы и веб-журналов, что позволяет вблизи режиме реального времени доступ к миллионам пользователей одновременно.

В качестве решения enabler большие данные предлагает, распределенных вычислений с использованием большого количества сетевых машин чтобы уменьшить общее «время на решение». Например, исследовательский анализ больших объемов данных кредитной карты для выявления любых сигналов мошенничества, известный как обнаружение мошенничества, как правило, требует несколько часов или даже дней для завершения. Но, с большими данными методами, такие сложные и большие вычисления распределяются между несколькими сетевыми компьютерами, все работает параллельно, тем самым снижая общее время, необходимое для достижения решения.

Эти два представления больших данных – как платформа хранения и как движущей силы развития решения – идут рука об руку и привести к тому, что обычно называют «аналитика больших данных». Таким образом большие данные analytics позволяет Организации надежно собирать и анализировать большие объемы данных. Кроме того будучи нейтральная к домену, применения больших данных transcend вертикалей, что означает, что эти концепции могут принести пользу всем доменам.

Некоторые из выдающихся примеров, где аналитика больших данных были использованы успешно автором включают:

  1. Страхование на основе использования: Почему агрессивный водитель и достойного правило законопослушный водитель платить же сумму страховой премии? Что делать, если хороший водитель может получить скидку на страхование в качестве стимула для следующих правил техники безопасности, которые не только спасать жизни, но также уменьшить общий углеродный след водителя? На основе использования страхования реализует эту концепцию путем расчета страховой суммы, на основе фактического использования поведения и не заданных вычислений, мониторинга поведения водителя и обеспечения стимулов для водителя, на основе их вождения, включая даже редкие резкого торможения или внезапное ускорение. Как будет обсуждаться в этой статье, Облако хранения больших объемов данных и архитектура потока обработки делает возможным этот сценарий.
  2. Профилактическое техническое обслуживание: Что делать, если флот менеджеры заранее знали, сколько их транспортные средства собирались сломать, скажем, в ближайшие 100 дней? И далее, что, если они не только знал сколько автомобилей, но они также знали, какие точные транспортные средства были сломать вниз и с какой точно провал причины? Могут они сделать альтернативные механизмы и сохранить дополнительные трудовые затраты и расходы на ремонт и повысить производительность? Благодаря аналитики больших данных все это возможно. Еще раз поток обработки архитектуре, описанной в этой статье можно использовать для прогнозирования доступности компонентов машины и свести к минимуму время простоя.
  3. Обнаружение вспышки эпидемии: Что делать, если работники здравоохранения могут проанализировать факторы, вызывающие заболевания и выявления эпидемий в режиме реального времени, прежде чем они могут распространяться из-под контроля? Один из наших последних тематических исследований, касающихся здравоохранения данных приводят нас к модели болезнетворных факторов и создать механизм обнаружения эпидемии вспышки, все из которых стало возможным через реальном времени архитектура поток обработки для больших данных.
  4. Анализ настроений: Розничные торговцы процветают на захват доли рынка с акции, скидки и продаж. Но часто голос клиента где-то потерял в социальных медиа-каналы и реальное чувство «что работает, а что нет?» и «кто является потенциальным клиентом и кто не?» остается неорганизованные. Что делать, если Организация может захватить все социальные медиа-данные и монетизировать все намерения купить? Что делать, если они могут получить беспрецедентный уровень понять, что именно клиенты думают о своей продукции и какой из продуктов их конкурентов воруют их долю на рынке? Алгоритмы интеллектуального анализа текста, применяются для больших социальных каналов сделать это возможным, когда при содействии больших данных, что облегчает аналитики.

Этот список не является исчерпывающим, но каждый пример опирается на подход к аналитики больших данных описанных в этой статье и показано на рисунке 1. И эти примеры показывают, почему аналитика больших данных является одним из наиболее выдающихся возможностей возникают в основных вычислений в последние годы. Он обещает простой адаптации «прямо из коробки», чтобы почти во всех секторах, таких, как здравоохранение, банки, розничная торговля, производство и так далее, что делает его очень интересная возможность для поставщиков информационных технологий (ИТ) услуг и потребителей non-IT услуг.

Возможности экономии потенциальных и новых поступлений, которые обещает аналитика больших данных для предприятий является другим движущим фактором для его принятия. Например несколько из моих собственных клиентов из автомобильной домена, реализованы аналитика больших данных для управления их инвентаризации запасных частей и графиков работы труда на основе мониторинга состояния и профилактического обслуживания в последние годы поступили сообщения о среднем приблизительно 25% ниже, расходы на техническое обслуживание и на 75% меньше время простоя машины, наряду с общей производительностью увеличивается на 25% из-за графиков предсказуемой работы и работа жизнь баланс. Кроме того клиенты из секторов розничной торговли и финансов видят новые возможности для привлечения клиентов через аналитика больших данных социальных медиа и передовые рекомендации двигателей, способных профилирования и анализа торговых поведения клиентов в режиме реального времени. Все эти инновационные возможности экономии затрат и доходов поощряют поставщиков решений для включения аналитики больших данных в их продуктов и портфелей.

Хотя общие подходы к аналитики стали привычными для большинства руководителей, интеграции Google analytics с большими данными ставит новые задачи. Ключевая задача заключается, что такая интеграция должна происходить в двух местах: i) с потоковой передачи данных в реальном времени и ii) постоянных исторических данных. Analytics затем использует один или оба из этих наборов данных в зависимости от характера решаемой проблемы и глубину решения.

Рисунок 1

Рисунок 1. Типичная схема решения аналитика больших данных

Например, как показано на рисунке 1, потоковых данных в реальном времени, собранные из транспортных средств (например, для анализа поведения водителя) или тележки торговые (например, для анализа поведения покупателя) или здоровья пациента (например, для выявления эпидемий), обычно обрабатываются против предварительно сохраненного старого профиля данных, содержащих такие сведения, как другие драйверы профили, профили покупателей, профили болезни фактор, и др. Исторические данные часто большой объем, начиная от терабайт (1012 байт) до петабайт (1000 терабайт) на основе домена и находится в надежное облачное хранилище, которое легко доступны во всех центрах данных.

Обработка данных в реальном времени для выявления каких-либо моделей, аналогичные закономерности в исторических данных обеспечивается то, что называется поток обработки. Во время обработки потоков алгоритмы, известный как (CEP) двигатели для обработки сложных событий хрустеть данные течь в реальном времени, чтобы обнаружить наблюдаемые закономерности аномалий или значимости по отношению к старым данным. Однако иногда старые данные не могут быть в формате готовых к использованию (например, отсутствующие точки данных или ООН нормализованный набор данных) и следовательно, должен быть предварительно обработан, прежде чем его можно использовать в потоке обработки. Эта проблема решена путем иметь специальное подразделение обработки аналитики, которая работает вместе с облако хранения, Уход за планирование пакетных процессов через регулярные интервалы времени для обеспечения все данные собранные предварительно обрабатываются правильно и находится в состоянии легко использовать для вычислений реального времени поток обработки.

Результаты потока обработки алгоритмов, затем преобразуются в статистические результаты для вычисления числового индекса, которые могут указывать на действия бизнес-информации, таких, как право водителя для страхования, на основе оценки риска, рекомендации или скидки для покупателей, оповещения административных департаментов здравоохранения и так далее. Результаты также хранятся в облачное хранилище в качестве исторических данных для будущих данных приходит позже.

Центральный административный командный центр будет держать следить за всей операции для обеспечения оперативного выполнения, а также заботиться о каких-либо предупреждений, например, принятие мер по осуществлению карантинных мер в случае эпидемической вспышки сигналов, отправка ремонт персонала к пробою месте в случае пробоя машины или транспортного средства, и др. Хорошо продуманные больших данных analytics платформа также позволяет возможности удаленного администрирования, в дополнение к центру централизованного командования, соответствующего персонала уведомляться о любых важных предупреждения или события независимо от того, где они находятся, с помощью мобильных коротких сообщений (SMS) или другие подобные методы, и позволить им принять меры по исправлению положения в реальном времени, тем самым снижая общее время ответа.

Большие данные архитектуры, такие как они были доказаны, что надежно работать в широком диапазоне случаев бизнес независимо от домена, и они самые основные настройки, необходимые для любой организации, занимающейся аналитики больших данных. В следующих разделах мы обсудим, как построить такие исполнительные возможности в их организацию так, чтобы они могли построить аналогичные архитектурные модели и инструменты в свои собственные операции, и как они могут реализовать необходимые стратегии, используя клиент ориентированный подход. Далее представлены руководящие принципы с изложением краткосрочных и долгосрочных целей, а затем критерии компетентности мера, оценить, что значит быть успешным в этом поле аналитики больших данных. Мы заключаем статью с несколько замечаний в отношении некоторых из ловушки, чтобы наблюдать за при реализации этих методов.

Видение

Типичное видение заявление для каких-либо больших данных аналитики организации или отдела будет: «должен стать создан как ведущего поставщика решений аналитики больших данных в отрасли». Однако есть одна главная задача, которую необходимо решить, прежде чем такое видение может быть реализована. Хотя аналитики больших данных выходит за рамки вертикалей в области, с приложениями практически во всех отраслях, начиная от автомобильной розничной энергии и коммунальных услуг, операторы в соответствующих секторах, обычно не имеют достаточных знаний о его использования или выгоды. Таким образом многие организации стало известно, что они нуждаются в больших объемов данных, но они не знают точно, что им нужно это для.

Этот разрыв между предполагаемой потребности Организации для анализа больших данных и уровень понимания о домене создает уникальную ситуацию, когда поставщики решений несут ответственность за мышление о требовании для клиентов, вместо того, чтобы клиент, придумать свои собственные требования, как это происходит в традиционных проектах. Эта ситуация ставит дополнительную нагрузку на поставщиков, потому что они должны предоставлять не только решения, но и проблемы!

Даже если поставщик решений аналитики больших данных как-то понимает потребности клиентов и приходит с решением, нет никакой гарантии, что существующие методологии или решения на месте для клиента совместимы с большими данными решениями. Большинство операторов в области по-прежнему используют традиционные системы и базы данных, которые ориентированы на традиционной обработки и не подходит для реального времени analytics или крупномасштабной обработки данных. Затраты и усилия по интеграции только может отвернуться много клиентов от обнимая любого рода решения для больших данных.

Такая задача требует от поставщиков решений для обучения своих клиентов по применению аналитика больших данных в соответствующих областях и предлагают решения, которые легко интегрируются в существующую инфраструктуру. Таким образом, в начальных этапах организации основное внимание должно уделяться движущей силы решения – построение решений собственными силами либо адаптация решений с открытым кодом, такие, как: i) рамки потока обработки, что позволяет заказчикам быстро адаптировать свою существующую инфраструктуру для реального времени аналитики и ii) Интернет вещей (IOT) платформа, которая включает решения для облако хранения и анализа больших данных, плавно преодоление разрыва между существующими системами и решения для больших данных.

Однако владеющие движущей силы решения лишь небольшой шаг в направлении создания основы, и только она не может сделать заявление видения сбываются. Полный и твердый фундамент должен быть построен на и после вверх с целями средне - и долгосрочной стратегии для реализации большой результат. Подразделы, которые следуют иллюстрации пример набор кратко-, средне- и долгосрочные цели и шаги для реализации каждой из этих целей. Краткосрочные цели направлены на прокладки фонд технологий и создание сильной клиентской базы для устойчивых доходов, в то время как среднесрочные цели ориентированы на поддержку функций для сохранения приобретенных клиентской базы и укрепление связи клиентов с выходами высокого качества и оптимальных графиков. Долгосрочные цели направлены на ведущих на рынке инновационных решений и стратегического партнерства.

Краткосрочная цель: Заложить фундамент

Следующие непосредственной деятельности сосредоточена на создании основы, на которой будут построены решения:

  1. Строительство платформы: Поток обработки и Интернет вещей платформы должны выступать в качестве основы для аналитики больших данных решений опираться для клиентов из различных сегментов. Она должна включать полный до конца рабочего процесса, начиная от захвата событий в реальном времени для аналитики и облако хранения конечных пользователей в очевидной форме для клиентов. Целевой список клиентов следует использовать для маркетинговых кампаний и семинаров для демонстрации возможностей платформы таким образом, чтобы подгонять к их потребностям. Также следует разработать предложения по доказательство концепции.
  2. Строительство компетенций: Аналитика больших данных является междоменной и профессиональных качеств должны быть построены для различных доменов, для которых предназначены решения. Здание компетентности следует сосредоточиться на заполнение пробелов между требованиями заказчика и компетенции ресурсов на определенных вертикалей. Эта задача прежде всего предполагает повышение уровня комфорта аналитиков с большими данными технологиями и платформы рабочего процесса. Интеграция между этими двумя технологиями происходит на данном этапе и аналитики должны активно строить клиентские решения в очевидной форме тесно работая с лидерами платформы больших данных, и команды больших данных должны учитывать аналитики обратной связи при планировании улучшения платформы.

Краткосрочная цель: Проникновение на рынок

Другие безотлагательные меры должны сосредоточиться на проникновение на рынок путем улучшения клиентской базы и достигать решений с активных решений и продвигаемые бренда:

  1. Проактивная решения: Время отклика является одним из ключевых факторов для высоких клиентов удовлетворенности. Проактивно определение требований заказчика и планировочные решения, значительно сокращает время отклика и дает впечатление мысли руководства. Начнем с того, следует определить варианты использования и решения должны быть активно построены для одного конкретного вертикального (например, автомобильная промышленность, здравоохранение), фирма хорошо знает, и после достижения разумного клиента фонд может постепенно расширить деятельность для оставшихся вертикалей. Конечно если организация является хорошо организованной, с достаточно ресурсов и бюджета, это также можно начать с несколько вертикалей параллельно, хотя в таких случаях, подотчетность и успех отслеживания становится крупным и ненужное бремя. Всегда рекомендуется начать с определения основных области мастерства, а затем разверните, вместо того чтобы пытаться решать их все одновременно. В таблице 1 перечислены решения, которые могут быть построены для каждого различных вертикальных и может использоваться в качестве отправной точки.
  2. Фирменное наименование поощрения: Лояльность бренда часто диктует проникновение на рынок и клиентов досягаемости. Вебинары, технические документы и статьи исследования являются хорошим способом расширить охват клиентов: они не только обучать клиентов, но и способствуют фирменное наименование и статус ассоциированного руководства бренда. Бренд личности и клиентов образование можно обогатить за счет выращивания культуры публикации среди инженеров. Организации должны также включать "рассмотрение" системы знаний и поощрения открытых обмену знаниями между группами как внутри, так и внешне, где это возможно. Путем класть их людей сперва, создавая идентичность для них и сделать их лидеров, компании стали названы лидерами на рынке.

Среднесрочная цель: Архитектурная стандартизация

Организации могут улучшить качество решений и сократить время выхода на рынок благодаря архитектурной стандартизации, следующим образом:

  1. При разработке кросс вертикальных решений, повторяющиеся проблемы шаблоны должны быть выявлены и повторно используемые инструменты и рамки промежуточного программного обеспечения следует создать.
  2. Разнообразие в данных является одной из главных задач для больших данных при работе с кросс вертикальные решения. В таких сценариях схема нейтральной архитектуры, способной поддерживать динамические онтологии должны разрабатываться и использоваться для установления стандартов.
  3. Наилучшей практики руководящие принципы должны широко опубликованы и применяется среди всех команд для стандартизации предложения и улучшить качество решения.
  4. Большие данные технологии огромные по своим масштабам, начиная от хранения больших объемов данных в режиме реального времени, высокой скорости потокового и аналитики. Следует поощрять культуру экспертов и следует предпринять усилия для увеличения пул талантов специалиста. Эти предмета, которые эксперты должны нести ответственность за качество решений их соответствующих команд доставить.

Долгосрочная цель: Диск Руководство сообщение

Долгосрочные цели Организации должны быть направлены на создание лидирующие позиции на рынке:

  1. Большие данные технологии продолжают развиваться, и их интеграция с платформами analytics остается сложной. Существует настоятельная необходимость исследования по созданию бесшовной интеграции возможностей. Любая организация, которая играет ведущую роль в таких исследованиях и производит жизнеспособные варианты неизбежно стать де-факто лидером интеграции.
  2. Организации должны содействовать внутренней архитектурной практики и руководящих принципов наилучшей практики как отраслевых стандартов. Новые оптимизированные протоколы для низк латентности, рядом с полем связь в реальном времени являются хорошими примерами возможностей в области больших данных стандартов, которые могут служить в качестве архитектурного руководства по наилучшей практике. Компании, которые поощряют и Драйв этих стандартов в первые дни эволюции больших данных может стать установлено лидерами отрасли.
  3. Партнерские отношения следует искать с лидерами в различных сегментах и открытые задачи должны быть определены. Успех в аналитика больших данных требует активного сотрудничества между экспертами технологии больших данных и лидеров из различных сегментов клиентов.
  4. Путем разработки инновационных решений для выявленных открытых проблем, организации могут привести их промышленности.

Таблица 1. Пример списка решений аналитики больших данных для diffent вертикалей

Промышленность

Решение

Автомобильные

Управление автопарком

· Профилактическое обслуживание

· Планирование и инвентарный контроль оптимальной рабочей силы

Эко маршрутизация

· Мониторинг трафика на основе датчика

· Аварийного реагирования и пассажира безопасности

Здравоохранение

Общественное здравоохранение

· В реальном времени болезни прогрессии мониторинга и обнаружения эпидемии вспышки

· Здравоохранение в стоимость прогнозов на основе условий жизни и привычки питания

Поддержка клинических решений

· Обмен информацией в области здравоохранения с электронных медицинских записей

· Диагностическая помощь

Розничная торговля

В реальном времени отслеживания активов

Мониторинг цепочки поставок

Финансы

Страхование на основе использования

Обнаружение мошенничества в режиме реального времени

Счет кредита моделирования

Энергетика/Коммунальное хозяйство

Использование смарт сетки прогнозирование и создание динамической нагрузки на основе интеллектуальных датчиков

Мониторинг оперативных показателей для прогнозирования отказа в реальном времени

 

Стратегия

Четко бизнес цели лежат в центре любой успешной организации. Но что определяет успех? Каким образом следует измерять Организации на ее достижениях? Как правило, Организация судить по качеству его «4Р»: люди, партнеры, процессы и продукты. Хотя люди и процессы являются внутренними для организаций, партнеров и продукты являются внешние показатели успеха, и чаще всего, они служат в качестве кросс Сравнение критериев. Для организаций, занимающихся в аналитика больших данных существуют три широкие категории таких критериев сравнения:

  1. Текущие предложения
    • Архитектуры решений
    • Возможности обработки данных
    • Обнаружение и инструменты моделирования
    • Алгоритмы
    • Параметры развертывания модели
    • Жизненный цикл инструменты
    • Возможности интеграции
    • Поддержка стандартов
  2. Стратегия решения
    • Лицензирование и цены
    • Ресурсы, выделенные для решения
    • R&D расходы
    • Возможность выполнения стратегии
    • Схема решения
  3. Присутствие на рынке
    • Управление финансами
    • Глобальное присутствие
    • Клиент/клиентская база
    • Партнерство с другими поставщиками

На основе диапазона операций, из вышеуказанных критериев возможности решения поставщиков широко разделены на три уровней, который прогресс с возрастающей сложностью и указывают на зрелость Организации возможность поставлять решения вокруг analytics:

Уровень 1. Службы анализа данных

  • Клиент предоставляет данные и оплачивает для анализа идеи, на основе этих данных.
  • Представление результатов, электрофильтров не многократного использования и действительны только для конкретного набора данных предусмотрено.
  • Если новые данные, клиент должен использовать службу снова (и следовательно платить) за информацию о новых данных.
  • Клиент не будет знать инструменты, используемые или методологий, применяемых в получении понимания.
  • Нет никакой блокировки в. Когда поступают новые данные, клиент свободно выбирать любой другой поставщик услуг.

Уровень 2. Модель строительные услуги

  • Заказчик предоставляет бизнес-проблемы и образец набора данных, связанных с этой проблемой и платит за модель, которая решает проблему.
  • Выходные данные модели, электрофильтров многократного использования для различных наборов данных для этой же проблемы.
  • Если новый бизнес-проблемы, клиент должен использовать службу еще раз (и, следовательно, платить) для новых моделей, которые могут решить новые проблемы.
  • Клиент будет немного знать инструментов и методологий, учитывая, что модель будет развернута на клиентов системы и их сотрудники будут обучены, чтобы использовать его с различными данными.
  • Клиент заблокирован только на срок действия модели. Для новых бизнес-задач клиент свободно выбирать других поставщиков для построения модели.

Уровень 3. Экспертные системы производства

  • Клиент определяет природу бизнеса и оплачивает для экспертных систем, которые могут создавать модели любой бизнес-проблемы, которые могут возникнуть в ходе указанных деловых операций.
  • Экспертная система электрофильтров для повторного использования для жизни бизнеса.
  • Экспертная система сможет решить не только настоящий бизнес проблемы явно заявил клиента, если таковые имеются, но также будет иметь возможность прогнозирования возможных проблем в будущем и помогая облегчить их даже прежде, чем они произойдут.
  • На основе критериев лицензирования экспертных систем электрофильтров также смогут применяются к другим доменам бизнеса, поскольку знания домена отделены от бизнес данных прямо в архитектуре.
  • Клиент будет должны быть полностью осведомлены о моделирования методов и методологий, чтобы иметь возможность извлечь максимальную выгоду из поставленного экспертной системы.
  • Клиент заблокирован жизни своего бизнеса. Переключение поставщиков не является легким или осуществимо.

Ожидается, что лидеры в прогностической аналитики предлагают богатый набор алгоритмов для анализа данных, архитектуры, которые могут обрабатывать большие данные и инструменты для аналитиков данных, которые охватывают полный прогностической аналитики жизненного цикла. Это разнообразие предложений достигается за счет компетентности здания, архитектурные стандартизации, исследования привода культивирования и другие стратегические диски, представленные ниже:

  1. Люди
    • Здание компетентности
    • Признание и распространение экспертов
    • Исследования привода выращивания
  2. Процессы
    • Архитектурный обзор процессов
    • Руководящие принципы наилучшей практики
    • Многоразовые рамки и инструменты для стандартизации решений
  3. Партнеры
    • Обучать клиентов о том, что возможно с аналитика больших данных
    • Преодолеть разрыв между существующими решениями клиента и требования больших данных
    • Проникновение на рынок путем класть вне новые отраслевые стандарты
    • Продвижение марки с техническая документация, блоги, научные статьи и вебинары
  4. Продукция
    • Уменьшить время отклика с подходами упреждающего решения
    • Привести пакет путем изучения и реализации решений для открытых задач

Для краткости можно суммировать большой стратегии, которая охватывает все эти виды деятельности как три точки треугольника, известная как модель delta (рис. 2). Три варианта, представленные в треугольнике являются вехами для стратегического видения. Стратегия начинается с целью первой точки на правой стороне треугольника, позиционирование лучшее решение.

Рисунок 2

Рисунок 2. Стратегия для диска бизнес аналитики больших данных

Лучшее решение позиционирования

Это позиционирование стремится стать лучшим поставщиком решений на рынке. Он выступает в качестве основы для достижения устойчивого дохода для таргетинга на следующие позиции и прививает бренд присутствие на рынке с разумной клиентской базы. Это, однако, не может быть окончательной позиции по различным причинам:

  1. Положение довольно внутрь и узкая, на основе существующей экономики продукта. Часто стандартизированы и только 1-го уровня решения, а клиенты безликий.
  2. Способ привлечения, удовлетворения и удержания клиента является своиственные характеристики само решение. Качество идеи доставлены и быстрые сроки, что делает клиенты возвращаются.
  3. Критерии успеха на этом уровне являются соответствующими конкурентами, которые Организация пытается превзойти или приравнивают.
  4. Товаризации представляет собой реальную угрозу и часто является неизбежным результатом, поскольку существует не так много возможностей для инноваций и творчества на этом уровне; обеспечивая понимание уровня 1 является уязвимым для имитации.
  5. Мерилом успеха является доля продукта, который в конечном итоге могут фрагментировать деятельность в набор предложений решения или продукта.

Позиционирование клиента решения

В левой стороне треугольника сидит вариант решения клиента, которая представляет собой отход 180 градусов от позиционирования лучшее решение. На этом этапе, а не продажи стандартизированных и изолированных услуг/продуктов для обезличенной клиентов, организация предоставляет 2-го уровня решения, состоящие из портфеля индивидуальных продуктов и услуг, представляющие уникальную ценность для индивидуальных клиентов. Это позиционирование улучшает связи клиента и обеспечивает непрерывный поток доходов для экспериментов, следующим образом:

  1. Вместо того, чтобы действовать в одиночку, Организация осуществляет соответствующий набор партнеров, которые представляют собой расширенное предприятие.
  2. Соответствующей общей мерой производительности становится доля клиентов.
  3. Не ограниченные возможности развития внутреннего продукта, совместные усилия становятся ключевыми факторами успеха, таких, как вклад в рамки больших данных открытым исходным кодом и вождения их распространения.
  4. Хотя эта позиция является относительно безопасным, с помощью разумных клиентов блокировка модулей, это не достаточно безопасным, учитывая, что конкуренты не блокированную еще и они все еще могут забрать клиентов с более предложениями.

Система блокировки в позиционировании

В верхней части треугольника стоит наиболее требовательных стратегический вариант, который каждая организация жаждет, блокировка системы в. На этом этапе Организация будет рассматривать сети полного клиента как соответствующую область с получение доли complementor в качестве конечной цели и системы экономики как движущая сила, следующим образом.

  1. Те, кто успешно в достижении этой позиции получить де факто доминирующим положением на рынке, не только обеспечивает клиента в замок, но и конкурент lock-out.
  2. Complementors играют ключевую роль, поскольку они являются основой для консолидации успеха. Например, разработчики приложений являются complementors для Microsoft, которые не являются на заработную плату Microsoft, но способствовать успеху своей продукции. Кроме того разработчики Android способствовать успеху Android и так далее. Экспертная система 3-го уровня с открытыми стандартами и программирования приложений сторонних плагинов интерфейс (API), например, может обеспечить такую систему блокировки в.

Лучшее стратегия основывается на классической форме конкуренции, которая диктует, что есть только два способа выиграть: через низкой стоимости подготовки или дифференциации высокого качества. Проблема, однако, является, что дифференциация редко является источником устойчивых преимуществ, поскольку после того, как стратегия проявляется и становится достоянием гласности, технология часто позволяет быстро имитация, что нейтрализует востребованным конкурентное преимущество. В случае аналитики больших данных каждый имеет доступ к одному набору инструментов для построения решений 1-го уровня. Недорогой вариант подготовки не предоставляет много места для успеха. Ведь как низко может сразу и сколько игроков могут пользоваться одновременно преимуществами низкой стоимости?

Переход к позиционирование клиентов решения требует очень другой способ захвата клиента и очень разные мышления. Для достижения этого сдвига, Организация должна участвовать три варианта, которые должны осуществляться одновременно:

  1. Сегментация клиентов тщательно, расположив их в надлежащие уровни, которые отражают различные приоритеты и предоставление дифференцированных обслуживания для каждого уровня, на основе выявленных приоритетов. Например клиенты, ищет 1-го уровня аналитики не могут получить преференциальный режим столько, сколько те, кто ищет решения аналитика уровня 3.
  2. Активно выявления проблем в области бизнеса клиента и предлагать решения для облегчения их даже прежде, чем они произойдут, таким образом отображение мысли руководства и получить доверие клиентов.
  3. Расширяя масштабы и охват решений для обеспечения полного охвата услуг для клиентов.

После того, как в позиции клиента решения Организации остается с окончательным, трудно достичь позиционирования на вершине треугольника: блокировка системы в. Одним из мощных способов достижения этой позиции является путем разработки и собственности стандартов отрасли, возможно с открытым API и совместимости сторонних решений.

Еще один способ достижения блокировки системы является доминирующей обмена стратегии. Например путем разработки решения как нейтральные к домену и схемы инвариантная, система Интернет вещей будет способен стать доминирующей данных платформы для обмена, готова к достижению системы блокировки в стратегическое позиционирование в долгосрочной перспективе, когда предвидели и выполняется правильно.

Заключение

Современные проблемы в области аналитики больших данных требуют поставщиков решений для первых обучать своих клиентов по применению аналитика больших данных в соответствующих областях, а затем предоставить решения, которые легко интегрировать и для существующей инфраструктуры. Хороший план для начала работы рынка аналитика больших данных включает в себя краткосрочные цели, направленные на прокладки фонд технологий и создание сильной клиентской базы для устойчивого получения доходов, с среднесрочные цели, стремясь для поддержки функций доставки для сохранения приобретенных клиентов базы и укрепления клиента связи с выходами высокого качества и оптимальных графиков. Долгосрочных целей направлены на ведущих на рынке инновационных решений и стратегического партнерства.

Модель delta, описанной в этой статье является на клиента подход к стратегическому управлению. Она основана на клиентов экономики и, как таковой, хорошо подходит для созданных организаций и первоначальных стартапов, поскольку акцент делается на достижении успеха клиента связи, а не работать против конкуренции. Таким образом реализация этой модели delta требует глубокого понимания потребностей клиента и открытости по отношению к партнерству. Технологии больших данных, хотя бы в сегодняшнем мире процветают на открытым исходным кодом усилия и, следовательно, удачно подходит для такой модели партнерства, где краудсорсинга и открытой разработки являются основной режим бизнеса.

Некоторые из ловушек, один может столкнуться при осуществлении такой стратегии, однако, являются: отсутствие интереса клиентов в сотрудничестве, возможности ограниченного партнерства и скудные пул способных технических ресурсов. Специально для компаний которые еще для создания своего бренда, премьер оппозиции к инновационных больших данных, которые аналитики поступает непосредственно от клиентов апатии к таким решениям. Скептически и подозревая, многие клиент сегодня еще не готовы для совместного использования бизнес-данных с предпринимателями аналитики больших данных. Вопрос безопасности для своих данных на открытых равнинах больших данных облачных архитектур является основным донором для этих подозрений со стороны заказчика. Добавление к этому является нехватка квалифицированных технических ресурсов, способных innovating на этих больших данных технологий, компаний лечить конкурентов больше и больше как противников чем в качестве потенциальных партнеров. Такой тяжелый внутренний акцент на привлечение, привлечения и удержания клиентов и ресурсов, делает компании теряют глобальный фокус, представляя их как просто еще одна группа отключенных функциональных бункеров. До тех пор, пока технологические платформы Зрелые и становятся способными решать такие проблемы безопасности клиента, и до тех пор, пока технические ресурсы становятся доступны в изобилии, эта ситуация продолжает представлять вызов и возможность для предпринимателей больших данных.

Доля этой статьи:

Цитируете эту статью:

Оцените содержание: 
1 голосов были поданы, с средняя оценка 5 звезд

Ключевые слова: большие данные, бизнес-видение, исполнительная стратегия, предпринимательство ИТ, прогностической аналитики

Комментарии

Хорошо для читателя, чтобы планировать стратегию выполнения больших данных, спасибо.

Один из лучших статей по стратегии анализа данных. Спасибо!

Добавить новый комментарий

Обычный текст

  • Теги HTML не разрешены.
  • Адреса электронной почты и адреса страниц включите в ссылки автоматически.
  • Строки и параграфы переносятся автоматически.