Поддержка стратегии Google Analytics в гибридном облаке - манекены

Приманкой стратегии аналитики в гибридном облаке является облачная эластичность. Ваши данные могут обрабатываться через кластеры компьютеров. Это означает, что анализ происходит на разных машинах. Если вам нужна больше вычислительной мощности, вы можете получить ее из облака.

Большая аналитика данных в гибридном облаке

Вот несколько примеров того, где аналитика становится большой и может потребоваться облачные ресурсы:

• Финансовые услуги: Представьте, что использовать передовые аналитические технологии, такие как интеллектуальная аналитика для анализа миллионов кредитов чтобы определить, могут ли они быть мошенническими. Или, на неструктурированной стороне, представить текст в анализируемых страховых претензиях, чтобы определить, что может представлять собой мошенничество.

  Например, возьмите заявление о компенсации работника, представленное работником, которого его выговорили несколько раз его боссом. Эти данные (или претензия), которые поступают из неструктурированных источников, могут использоваться вместе со структурированными данными для подготовки аналитической системы о том, какие шаблоны могут указывать на мошенничество. По мере поступления новых претензий система может автоматически отталкивать те, которые могут потребоваться для изучения.

• Розничная торговля: Подумайте о рекомендациях от Amazon и eBay. Они становятся все более изощренными. eBay использует передовые технологии, которые будут смотреть на то, что вы покупаете, а затем, основываясь на моделях, которые он имеет на многочисленных покупках других людей, выносите рекомендацию.

  Другим примером является использование расширенной аналитики по огромным объемам данных в реальном времени в магазинах больших ящиков. Используя свою карточку лояльности, основанную на том, что вы покупаете, то, что вы купили в прошлом, и то, что другие с похожими профилями, как вы купили, в магазине предоставят вам купоны для различных продуктов, которые вам могут понравиться.

• Анализ социальных сетей: Представьте, что все данные собираются через Интернет. Это включает блоги, твиты и новостные ленты. Компании разрабатывают эти неструктурированные данные, чтобы понять, что говорится о них. Например, компания потребительских упакованных товаров (CPG) может добыть эти данные, чтобы определить, что говорится о них, и является ли это настроение положительным или отрицательным. Многочисленные компании предоставляют такой сервис в облаке.

Написание кода для обработки этих данных в кластерах машин требует высококвалифицированных разработчиков и сложной координации работы. Благодаря такой технологии, как MapReduce, одно и то же задание MapReduce, разработанное для работы на одном узле, может распространять эту аналитическую вычислительную мощность на группу из 1 000 узлов.Скажите, что вам необходим немедленный анализ данных датчиков или социальных сетей, которые передаются в ваш центр обработки данных или облачный провайдер. Параллельная обработка через несколько вычислительных ресурсов может помочь в этом, распространяя анализ по всей среде. Это поможет вам быстрее понять.

Другая облачная аналитика

Облако может быть полезно в поддержке стратегии аналитики, когда ваши данные не такие большие (в отличие от предыдущего примера больших данных). Скажите, что вы работаете в компании, которая хочет предсказать, какие действия предпримут ваши клиенты. Вы хотите использовать интеллектуальную аналитику для этого, но у вас нет навыков на дому. В этом случае вы можете обратиться к поставщикам аналитики, которые предлагают помощь на основе SaaS. Вы предоставляете им свои данные, и они предоставляют вам анализ.

Ряд облачных предложений на рынке может помочь вам проанализировать ваши данные или предоставить программное обеспечение в облаке для самостоятельного анализа. Возможно, вы используете облачную CRM-систему и ERP-систему, и вы хотите проанализировать данные, которые там генерируются. Для этого есть облачная служба.