Klik voor meer informatie over auteur Erik Raab.

Voor veel ondernemingen zijn de gesprekken over datastrategieën verschoven van het bespreken van big data naar fast data. Het vermogen om realtime data-inzichten te begrijpen en ernaar te handelen – waarbij vaak de context uit historische data wordt toegevoegd – is een kritische onderscheidende factor geworden voor bedrijven in vrijwel elke industriële sector wereldwijd.

Van voorspellend onderhoud binnen de productiesector tot het verbeteren van de prestaties van raceauto's op het circuit, en een groot aantal gebruiksscenario's daartussenin, de business case voor realtime gegevens en analyses is gemaakt. Maar wat betekent ‘realtime’ eigenlijk? Hoe snel is snel genoeg als het gaat om het snel extraheren van inzichten uit gegevens?

Het kan afhangen van wie je het vraagt. Recent onderzoek is gebleken dat, hoewel de meeste bedrijven het erover eens zijn dat realtime gegevens en analyses een belangrijk aandachtsgebied moeten blijven, er grote verschillen bestaan ​​over wat ‘real-time’ betekent. Slechts een derde van de organisaties definieert “real-time” als een seconde of sneller, en bijna de helft is van mening dat “real-time” iets van een uur of langer betekent – ​​zelfs tot een paar dagen!

Wat deze bevindingen ons vertellen is dat veel hedendaagse bedrijven simpelweg te langzaam denken. Dat ze de volledige waarde van hun data zouden kunnen mislopen als ze de realtime analyses niet snel uitvoeren. Alleen al een verschuiving van minuten naar microseconden kan een gamechanger zijn, maar dit hangt af van de vraag of je over de juiste cultuur en capaciteiten beschikt om dit te doen.

Laten we eens nader bekijken hoe een operationeel model voor analyse op microsecondeniveau eruit zou kunnen zien.

1. Bepaal of continue intelligentie geschikt voor u is

Wie zou niet de mogelijkheid willen hebben om snellere, slimmere beslissingen te nemen? Hoewel dit voor elk bedrijf misschien de voor de hand liggende weg voorwaarts lijkt, is de waarheid dat niet voor alle bedrijven het geval is genoodzaakt bent om op het sub-secondeniveau te opereren. Bepalen of uw bedrijf al dan niet een goede kandidaat is voor versnelde besluitvorming is een goed beginpunt. Bedrijven moeten zichzelf de volgende vragen stellen:

• Hoe waardevol zijn de gegevens die binnen ons bedrijf stromen, en zijn deze bedrijfskritisch?
• Hoe snel daalt die waarde, en welke invloed heeft dit op ons?
• Hebben we een sterke datagestuurde cultuur, met de juiste tools en processen om ervoor te zorgen dat onze mensen en applicaties de volledige waarde uit data kunnen halen?
• Hebben we een duidelijk idee van hoe succes eruit ziet? Zullen snellere realtime analyses ons bijvoorbeeld een meetbaar concurrentievoordeel opleveren, zoals het beschikken over rijkere en meer contextuele gegevens, of de mogelijkheid om snellere of innovatievere levering van producten/diensten te creëren?

Van tevoren een duidelijk inzicht hebben in het datalandschap, hoe goed het bedrijf de juiste technologieën en mensen met de juiste vaardigheden promoot, en wat de impact van snellere data zou kunnen zijn, zijn cruciale eerste stappen.

2. Begrijp uw gegevens

Bedrijven moeten een duidelijk beeld hebben van de huidige dataomgeving voordat ze kunnen proberen de besluitvormingstermijnen te verkorten en de bedrijfsvoering aanzienlijk te verbeteren. Maar als je met petabytes of zelfs zettabytes aan gegevens werkt, is het een belangrijke uitdaging om grip te krijgen op waar die gegevens zich bevinden, in welk formaat ze zich bevinden, welke toepassingen ze gebruiken, enzovoort.

Door een audit van het datalandschap uit te voeren, worden de verschillende soorten datasets die binnen een organisatie bestaan ​​zichtbaar gemaakt, zodat deze bij elkaar kunnen worden gebracht. Met zoveel verschillende soorten datasets – van intern en extern gegenereerde data, tot het streamen van data en data in rust, en gestructureerde en ongestructureerde data – is het belangrijk om met meerdere formaten om te kunnen gaan. Dit zou de mogelijkheid moeten omvatten om historische gegevens vast te leggen en te beheren, aangezien realtime analyses het krachtigst zijn wanneer gegevens die ‘in het moment’ zijn gecreëerd, onmiddellijk in de context worden geplaatst van wat een bedrijf al weet.

3. Denk sneller en slimmer

Wanneer processen en systemen continu worden gevoed door realtime gegevens (verrijkt door de context van historische gegevens), kunnen teams hun tijd richten op incidenten die moeten worden onderzocht – en deze zelfs kunnen voorspellen – in plaats van naar elke waarschuwing te kijken die verschijnt.

Neem bijvoorbeeld temperatuurgegevens van een sensor die in een machine is ingebed. Het begrijpen van deze gegevens in realtime is handig om te controleren of de machine efficiënt werkt of dat een temperatuurdrempel niet is bereikt. Maar als u historische gegevens toevoegt, in kaart gebracht over vele dagen en maanden, krijgt u niet alleen een beter inzicht in hoe een machine presteert, maar u kunt ook machineprestatieprofielen samenstellen om te begrijpen wanneer er problemen kunnen optreden en om vooraf actie te ondernemen.

Bedrijven moeten teams ook uitdagen om continu testen en leren toe te passen. Door bijvoorbeeld realtime analyses te koppelen aan machine learning technologieën kunnen deze systemen steeds geavanceerder worden en bij elke iteratie slimmer en sneller worden. Analisten en wetenschappers kunnen vervolgens nieuwe modellen bouwen en snel innoveren, binnen een raamwerk dat hen in staat stelt gegevens op geëvolueerde, slimmere manieren te gebruiken. Het is de basis voor het iteratief opbouwen van capaciteiten, het toevoegen van nieuwe datapijplijnen en het gebruiken van de technologie om in de loop van de tijd waarde toe te voegen. Sandbox-omgevingen stellen datateams in staat deze modellen te bouwen zonder dat dit gevolgen heeft voor kritieke systemen.

4. Anticipeer op uitdagingen

Het adopteren van een nieuwe real-time analysemethodologie is niet altijd eenvoudig. Uitdagingen en tegenslagen kunnen overal vandaan komen, met waarschijnlijke problemen rond extreme datacomplexiteit, de introductie van een nieuw systeem in reeds volledige datasoftwarestacks en het creëren van een nieuwe ‘vaardigheidsbehoefte’ binnen het bedrijf – wanneer nieuwe IT-vaardigheden niet altijd gemakkelijk te verkrijgen zijn .

Bedenk hoe real-time analytics-oplossingen kunnen worden geïntegreerd in de bestaande Data Management-omgeving. Idealiter zou het compatibel moeten zijn met de grote cloudplatforms en computerarchitecturen, interoperabel met populaire programmeertalen en flexibel in termen van implementatiemethode – afhankelijk van de voorkeuren voor het draaien op locatie, in de cloud of in een hybride model.

Bedrijven moeten ook rekening houden met de TCO en de impact die een nieuwe implementatie zou kunnen hebben op de kosten. Het hebben van een lage geheugenvoetafdruk en de mogelijkheid om op gewone hardware te draaien zijn belangrijke overwegingen, vooral voor de Internet of Things (IoT) en andere scenario's waarbij analyses aan of nabij de edge vereisen dat software wordt uitgevoerd op apparaten waarvan het onwaarschijnlijk is dat ze over aanzienlijke rekenkracht beschikken.

Lopende onderhouds- en operationele kosten zijn andere factoren waarmee rekening moet worden gehouden, naast het niveau van de professionele services die beschikbaar zijn om de analyse, het herstel en de migratie van gegevens te ondersteunen. Bedrijven willen misschien ook kijken naar de ervaring die binnen de organisatie bestaat, om te zien of de juiste vaardigheden aanwezig zijn en of het training- en aanwervingsbeleid moet worden bijgewerkt.

Het bereiken van een microseconde-mindset

Het potentieel om real-time analyses nog dichter bij echte ‘real-time’ te brengen, kan baanbrekend zijn, waardoor bedrijven in alle sectoren sneller, slimmer en waardevoller beslissingen kunnen nemen. Aan de slag gaan is afhankelijk van het besef hoe waarde en succes eruit zien voor uw bedrijf; uw data succesvol maken met realtime analyses, inclusief het implementeren van mogelijkheden die verschillende soorten datasets effectief samenbrengen; en uitzoeken hoe je omgaat met onvermijdelijke hindernissen en tegenslagen. Elk van deze stappen zou u op weg moeten helpen naar een microseconde-mindset, en alle commerciële en operationele voordelen die daarmee gepaard gaan. 

Coinsmart. Beste Bitcoin-beurs in Europa
Bron: https://www.dataversity.net/from-minutes-to-microseconds-how-can-businesses-speed-up-real-time-analytics/