Что такое большие данные в цифровой экономике примеры

Как используются большие данные в бизнесе: примеры и сервисы

Big Data (большие данные) стали наступившим будущем. Одни определяют их как революцию, другие отводят им роль оптимизаторов бизнес-процессов. Но все сходятся в одном: большие данные важны. Встает главный вопрос — как можно эффективно применять большие данные в бизнесе?

Последние 10 лет происходит непрерывный рост числа компаний, использующих большие данные.

В 2011 г. большие данные уже использовались гигантами бизнеса — Hewlett-Packard, IBM, Microsoft.

В 2015 г. доля компаний, использующих большие данные, составляла 17% в мире.

Сегодня доля таких компаний — 50%.

И это неудивительно — сбор и анализ больших данных дает важные преимущества:

Информация поступает из разных источников, что делает ее достоверней;

Данные не анализируются вручную, что уменьшает количество ошибок и увеличивает объем информации, возможный для обработки;

У компании есть централизованный доступ к информации.

Российский рынок больших данных уступает своим масштабом западному, но 55,4% отечественных компаний уже начали инвестировать в аналитику Big Data. На практике мы видим не один пример успешной попытки интегрировать большие данные в бизнес. Например, Сбербанк с его ботами-операторами, заменяющими консультантов. Или гипермаркет Hoff, который на основе больших данных формирует персональные предложения клиентам.

С малым бизнесом и большими данными сложнее. Процесс интеграции больших данных в бизнес — удовольствие дорогое и сложное. Встает вопрос, способен ли малый бизнес на такие подвиги? Что говорят специалисты?

Есть смысл с самого старта бизнеса собирать максимальное количество данных, накопить как можно больше метрик. Когда бизнес начнет стагнировать, будет достаточно информации, чтобы понять, что происходит.

IT-директор компании Domino’s Pizza

Малый бизнес более динамичен, конкуренция в разы больше, чем «у больших». Сложность вызывает стоимость, которую малый бизнес не готов платить за собственную платформу. Поэтому вариант для небольших компаний — покупать сервисы, которые продают готовую аналитику.

Источник

Зачем вам большие данные: примеры использования big data в 8 отраслях

Анализ больших данных помогает прогнозировать поведение клиентов, повышать продажи, выявлять мошенников и предотвращать аварии на производстве. Расскажем, как можно использовать большие данные в разных сферах и покажем кейсы big data от реальных компаний.

Big data в промышленности: предсказание аварий и оптимизация производства

Предиктивная аналитика. Сейчас на производстве часто внедряют IoT-системы: устанавливают датчики на оборудовании и в помещениях, а потом анализируют собранные ими данные. Эти данные и есть big data, их можно использовать для мониторинга состояния оборудования, моделирования производственных процессов, выявления и предотвращения сбоев.

Снижение стоимости продукции и оптимизация производства. Если собрать много данных о работе станков, проценте брака и каждом этапе производства, а потом их проанализировать, можно понять:

Все это помогает уменьшить издержки и снизить стоимость производства, а значит, повысить прибыль.

Поиск новых месторождений. При добыче природных ресурсов месторождения часто приходится искать почти вслепую. Однако с помощью анализа больших данных можно обнаруживать закономерности, изучать состояние почв, наличие подземных пустот, температуру пород — и таким образом эффективно искать перспективные месторождения, сравнивая новые участки с уже известными аналогами.

Big data в логистике: планирование грузоперевозок и оптимизация маршрутов.

Планирование грузоперевозок. В логистике на перевозку товаров влияет много разных факторов: загрузка складов, пробки на дорогах, состояние парка машин, расположение автозаправок. Если собрать все эти факторы вместе, сопоставить их и проанализировать, можно эффективнее планировать маршруты и время доставки, чтобы избежать простоев транспорта.

Сокращение времени доставки. Учет разных факторов перевозки товаров помогает не только планировать грузоперевозки, но и сокращать время доставки: выбирать самые короткие маршруты, избегать пробок и трудных участков пути, экономить бензин.

Например, в логистике есть «проблема последней мили» — она стоит примерно 28% от общей стоимости доставки. Так происходит, поскольку водителю приходится заезжать во дворы, искать парковку, останавливаться и разворачиваться.

Big data в ритейле: персональные предложения и оптимизация выкладки товаров

Повышение продаж. Информация о поведении клиентов в магазине или на сайте — это большие данные. На их основе можно предполагать, что именно люди будут покупать, и использовать это для повышения продаж:

Например, онлайн-ритейлер Amazon использует большие данные для системы рекомендаций товаров. Их система основана на машинном обучении — она учитывает поведение других покупателей, ваши предыдущие покупки, время года и десятки других факторов.

В итоге 35% всех продаж в Amazon генерируют рекомендации, а 86% пользователей сервиса утверждают, что рекомендации влияют на их решения о покупке.

Оптимизация выкладки товаров. Для расположения товаров на полках тоже можно использовать большие данные: анализировать предпочтения покупателей, информацию об ассортименте, форму и цвет упаковки, чтобы повысить продажи.

Big data в финансах: оценка платежеспособности и повышение качества сервиса

Оценка платежеспособности. Банкам важно выдавать кредиты только тем, кто точно сможет их вернуть, чтобы не понести убытки. Анализ больших данных помогает анализировать платежеспособность клиентов и оценивать риски.

Улучшение клиентского сервиса. Big data в банках также используют для того, чтобы делать клиентам персонализированные предложения. Это как в интернет-магазинах, только в качестве «рекомендуемых товаров» выступают банковские продукты и услуги.

Big data в HR: наем сотрудников и предупреждение увольнений

Наем сотрудников. На начальном этапе найма сотрудников часто требуется отсеять тех, кто мало заинтересован в работе или совсем для нее не подходит. Эту задачу можно решать с помощью больших данных: собирать информацию о кандидатах и резюме, выявлять в них закономерности, использовать эти данные для разработки скриптов или обучения роботов и нейросетей.

Оптимизация HR-стратегии. Компании часто анализируют поведение клиентов, и по тем же принципам можно анализировать поведение сотрудников: отслеживать эффективность их работы, переработки, признаки усталости или выгорания.

В Google есть отдел People Analytics, который анализирует большие данные, связанные с поведением сотрудников. У них есть несколько успешных кейсов применения big data:

Big data в медицине: прогноз заболеваний и сбор данных о пациентах

В медицинской сфере большие данные в перспективе можно использовать для диагностики и лечения, большинство интересных проектов пока находятся на стадии разработки или тестирования, но есть и уже реализованные.

Прогнозирование заболеваний. Если собрать достаточно данных о пациентах, можно делать предположения о том, чем они больны сейчас или могут заболеть в ближайшее время.

Ведение базы пациентов. У многих пациентов длинная история болезни, которая часто хранится в разных больницах и у разных врачей. Чтобы увидеть полную картину, нужно собрать данные в единую базу. С помощью технологий big data можно не только организовать такую базу, но и настроить в ней удобный поиск и аналитику.

Big data в образовании: помощь в выборе курсов и предотвращение отчислений

Помощь в выборе курсов. В образовании проекты big data помогают студентам с профориентацией: анализируют их способности и помогают выбрать направление обучения и будущую профессию.

Предотвращение отчислений. В США из университетов отчисляются 400 тысяч студентов в год. Чтобы решить эту проблему, в Университете Содружества Виргинии проанализировали данные об отчислениях и построили алгоритм, который выявляет студентов в группе риска.

Система оповещает, когда студент становится проблемным. И тогда с ним работают индивидуально, например, предлагают перевод на другой курс или помощь репетитора. По итогам семестра число студентов, закончивших курс, увеличилось на 16%.

Big data в маркетинге: повышение прибыли и привлечение клиентов

Создание коммерчески успешных продуктов. Большие данные о поведении клиентов помогут предсказывать спрос и позволяют до вывода продукта на рынок понять, будет ли он успешным.

Например, такие технологии использует Netflix. Этой платформой для просмотра фильмов и сериалов пользуются более 150 миллионов человек. В компании анализируют поведение клиентов: какие сериалы они смотрят, какие бросают, какие моменты перематывают. Это помогает лучше понимать психологию зрителей и грамотно рекомендовать им новые сериалы.

Таргетированная реклама и снижение стоимости привлечения клиента. Big data помогает лучше настраивать целевые аудитории и показывать таргетированную рекламу более точечно.

Например, ритейлер Ozon использует большие данные для таргетированной рекламы и рекомендации товаров. Для этого на сайте и в мобильном приложении собирают логи пользователей — фиксируют всё, что они просмотрели, пролистали, на что кликнули. На основе данных составляют прогноз: планирует ли пользователь покупку, товар какой категории, скорее всего, его заинтересует. Релевантные товары показывают в таргетированной рекламе.

Также в Ozon тестировали полки рекомендаций для различных товаров. Пользователей разделили на две группы: для первой рекомендации вручную составили эксперты, для второй — собрали автоматически на основе данных логов. В итоге во второй группе продажи оказались в 10 раз ваше.

Источник

Индустрия 4.0: Big Data, цифровизация и рост экономики

Всем привет! Меня зовут Дмитрий Соколов, я — руководитель отдела консалтинга и интеграции Orange Business Services в России и странах СНГ. В этой статье я хотел бы обсудить Индустрию 4.0 — это синоним четвертой промышленной революции. Ее важнейшие элементы — киберфизические системы, умное производство, интернет вещей, большие данные и др. В статье обсудим сами эти составляющие и то, что может дать новая промышленная революция человечеству.

Она зарождается уже сегодня. Ее основа — автоматизация и роботизация, умные транспортные средства, технологии машинного обучения и анализ Big Data. Можно сказать, что Индустрия 4.0 — это слияние бизнеса, производства и общества с цифровыми технологиями.

Основные элементы Индустрии 4.0

В отличие от уже свершившихся первой, второй и третьей промышленных революций, суть четвертой не только в появлении новых технологий, но и в интеграции уже существующих в одну систему. Так, в облачных вычислениях, в IoT, в VR, в сфере информационной безопасности появились новые технологии, которые как раз и позволили наработки за 20-30 лет принести в реальное производство, сделать их доступными для широкого использования. Все кусочки пазла уже есть, осталось лишь дождаться, когда из них соберут единую картину. Но каковы главные элементы четвертой промышленной революции?

Так называют гибрид технологий и физических процессов — например, умное производство. Главная идея киберфизических систем — максимальная автоматизация, частичное или полное исключение человека из производственных и бизнес-процессов. Проблема в том, что, человек — это всегда слабое звено. Человеческий фактор очень часто является причиной ошибок, неточностей, в результате чего бизнес терпит убытки. А в некоторых отраслях промышленности человеческая ошибка и вовсе может привести к трагическим последствиям, например, к травмам на производстве.

Киберфизические системы позволяют улучшить производственные процессы, обеспечивая в real-time режиме обмен данными между такими элементами, как промышленное оборудование, логистика, системы управления бизнесом и клиентами. Кроме того, киберфизические системы позволяют в автоматическом режиме вести мониторинг, а также контролировать весь процесс, включая адаптацию производства под текущие нужды клиентов.

Так, компания Toshiba использует кибер-физические симстемы в проекте виртуальной электростанции. В ее конструкции предусмотрены IoT-решения для координации работы распределенных источников энергии и использования ресурсов. ИИ-технологии и IoT позволяют оптимизировать энергопотребление системы, а также прогнозировать этот показатель в ближайшем будущем. Итог — максимальная эффективность работы станции.

Под киберфизическими системами подразумевают не только производство, но и, например, беспилотные автомобили, которые “знают”, что происходит вокруг и способны общаться друг с другом. Такие транспортные средства “видят” происходящее вокруг благодаря лидарам, радарам, камерам и IoT-датчикам, и способны изменять маршрут в зависимости от обстоятельств. Еще один пример — умные магазины без продавцов.

В будущем заводы и фабрики смогут совершенствоваться и модернизироваться самостоятельно, то есть без или с минимальным участием человека. Бизнес-процессы, логистика, производственные циклы будут постоянно оптимизироваться в автономном режиме. Немалую роль в этом процессе сыграет предиктивная аналитика. На основе анализа больших объемов данных, можно будет предсказать вероятность поломки элемента системы или целого устройства, и заменить компонент еще до того, как он полностью выйдет из строя.

Пример такого умного завода — Siemens Electronic Works в Амберге, Германия. Участие человека здесь сведено к минимуму, а умная система самостоятельно следит за функционированием 1,6 млрд компонентов. Она же устанавливает нормы производства и управляет логистическими потоками.

Интернет вещей (IoT)

Источник: i-scoop.eu

Как уже упоминалось выше, киберфизические системы и умное производство невозможны без интернета вещей (IoT). Умные устройства, сенсоры и датчики подключаются к IoT-платформам, которые анализируют поступающую извне информацию. Результаты анализа служат основой для дальнейшего планирования работы отдельных элементов и систем, частью которых они являются.

IoT активно используется уже сейчас — на производстве, в логистике, мореходстве и других отраслях. Рассмотрим, как интернет вещей помогает оптимизировать бизнес-процессы на примере одного российского предприятия, поставляющего на рынок упаковочный материал. На территории завода работает беспроводная сеть, к которой подключены как станки, так и транспортные средства. Как только станок завершает работу, он подает сигнал автоматическому погрузчику. Тот забирает готовую продукцию и перевозит ее на следующий станок. Весь процесс выполняется автоматически — от момента загрузки исходного сырья до отгрузки готового упаковочного материала.

Искусственный интеллект и машинное обучение позволяют умным системам реагировать на различные внешние факторы, адаптируя к текущим условиям режим своей работы. Благодаря этому производственные процессы не прерываются.

Промышленный интернет вещей развивается весьма активно. Так, в 2018 году инвестиции в эту отрасль увеличились на 50%. В этом году объем российского рынка IoT составит 270 млрд рублей.

Большие данные и аналитика

Четвертая промышленная революция невозможна без оперативной обработки огромного количества данных, поставляемых тысячами сенсоров и умных устройств. Так, лишь одно судно компании Maersk Group, оснащенное умными датчиками, ежедневно передает около 2 ТБ данных. На умном корабле отслеживают погодные условия, режим работы двигателей, маршруты соседних судов и многие другие факторы.

Такой тщательный мониторинг позволяет значительно повысить безопасность мореплавания, автоматизировать часть процессов (например, декларацию грузов в портах), оптимизировать бизнес-процессы. Но собранные объемы информации необходимо постоянно обрабатывать и анализировать в режиме реального времени. Судоходство — это, конечно, лишь один из примеров. Аналитика больших данных эффективна в самых разных отраслях.

Индустрия 4.0 и общество

Любые изменения в экономике, особенно такие кардинальные, как новая промышленная революция, оказывают сильное влияние на жизнь общества. Какие же перемены несет за собой Индустрия 4.0?

По мнению технологических экспертов, футурологов и ученых, к 2030 году более 60% профессий будут автоматизированы. Только в России машинами заменят до 35 млн человек. Тем не менее, бояться того, что роботы станут причиной массовой безработицы, не стоит — через 10 лет появятся новые профессии и, соответственно, рабочие места. В одной только IT-сфере будет создано от 20 до 50 млн рабочих мест. Для того, чтобы получить новую работу, 375 млн человек придется пройти профессиональную переподготовку. Это стоит того — благодаря переквалификации как минимум 95% потерявших работу специалистов смогут найти новое место.

Уже сейчас промышленные компании начинают внедрять умные системы охраны труда. Так, одна из горнодобывающих компаний Австралии внедрила на предприятии интернет вещей для отслеживания перемещений сотрудников в опасных зонах. Если человек подходит близко к какому-либо агрегату во время его работы, оператор оборудования получает соответствующий сигнал и принимает меры. Есть и полностью автоматические системы, останавливающие станки, если человек входит в опасную зону.

Компания Rio Tinto внедрила похожее решение на металлургическом производстве в Канаде. Оно позволило снизить показатель частоты производственного травматизма на 70%. За несколько лет он снизился с 0,90 до 0,24.

Отмечу, что отслеживание может быть реализовано как на основе модулей GPS/Glonass или UWB-меток (в помещениях), так и с помощью систем видеоаналитики, причем часто заказчики хотят комбинировать оба варианта.

Для того, чтобы соответствовать новым вызовам, придется все время учиться, проходить курсы профессиональной подготовки и переподготовки. Постепенно университеты будут интегрироваться с EdTech, включая онлайн-курсы и буткемпы. Повышение уровня и качества образования — важный фактор стимулирования экономики. Так, если развивающимся странам удастся увеличить охват населения средним, профессиональным и высшим образованием на 7%, то ВВП поднимется на 2%.

Согласно прогнозам экономистов Всемирного банка, к 2050 году общая численность квалифицированных работников, которые получали образование в течение девяти или более лет, вырастет на 33% по сравнению с 2011 годом.

Индустрия 4.0 также приведет к:

Источник

Что такое Big Data и почему их называют «новой нефтью»

Что такое Big Data?

Big Data или большие данные — это структурированные или неструктурированные массивы данных большого объема. Их обрабатывают при помощи специальных автоматизированных инструментов, чтобы использовать для статистики, анализа, прогнозов и принятия решений.

Сам термин «большие данные» предложил редактор журнала Nature Клиффорд Линч в спецвыпуске 2008 года [1]. Он говорил о взрывном росте объемов информации в мире. К большим данным Линч отнес любые массивы неоднородных данных более 150 Гб в сутки, однако единого критерия до сих пор не существует.

До 2011 года анализом больших данных занимались только в рамках научных и статистических исследований. Но к началу 2012-го объемы данных выросли до огромных масштабов, и возникла потребность в их систематизации и практическом применении.

С 2014 на Big Data обратили внимание ведущие мировые вузы, где обучают прикладным инженерным и ИТ-специальностям. Затем к сбору и анализу подключились ИТ-корпорации — такие, как Microsoft, IBM, Oracle, EMC, а затем и Google, Apple, Facebook и Amazon. Сегодня большие данные используют крупные компании во всех отраслях, а также — госорганы. Подробнее об этом — в материале «Кто и зачем собирает большие данные?»

Какие есть характеристики Big Data?

Компания Meta Group предложила основные характеристики больших данных [2]:

Сегодня к этим трем добавляют еще три признака [3]:

Как работает Big Data: как собирают и хранят большие данные?

Большие данные необходимы, чтобы проанализировать все значимые факторы и принять правильное решение. С помощью Big Data строят модели-симуляции, чтобы протестировать то или иное решение, идею, продукт.

Главные источники больших данных:

С 2007 года в распоряжении ФБР и ЦРУ появилась PRISM — один из самых продвинутых сервисов, который собирает персональные данные обо всех пользователях соцсетей, а также сервисов Microsoft, Google, Apple, Yahoo и даже записи телефонных разговоров.

Современные вычислительные системы обеспечивают мгновенный доступ к массивам больших данных. Для их хранения используют специальные дата-центры с самыми мощными серверами.

Помимо традиционных, физических серверов используют облачные хранилища, «озера данных» (data lake — хранилища большого объема неструктурированных данных из одного источника) и Hadoop — фреймворк, состоящий из набора утилит для разработки и выполнения программ распределенных вычислений. Для работы с Big Data применяют передовые методы интеграции и управления, а также подготовки данных для аналитики.

Big Data Analytics — как анализируют большие данные?

Благодаря высокопроизводительным технологиям — таким, как грид-вычисления или аналитика в оперативной памяти, компании могут использовать любые объемы больших данных для анализа. Иногда Big Data сначала структурируют, отбирая только те, что нужны для анализа. Все чаще большие данные применяют для задач в рамках расширенной аналитики, включая искусственный интеллект.

Выделяют четыре основных метода анализа Big Data [4]:

1. Описательная аналитика (descriptive analytics) — самая распространенная. Она отвечает на вопрос «Что произошло?», анализирует данные, поступающие в реальном времени, и исторические данные. Главная цель — выяснить причины и закономерности успехов или неудач в той или иной сфере, чтобы использовать эти данные для наиболее эффективных моделей. Для описательной аналитики используют базовые математические функции. Типичный пример — социологические исследования или данные веб-статистики, которые компания получает через Google Analytics.

«Есть два больших класса моделей для принятия решений по ценообразованию. Первый отталкивается от рыночных цен на тот или иной товар. Данные о ценниках в других магазинах собираются, анализируются и на их основе по определенным правилам устанавливаются собственные цены.

Второй класс моделей связан с выстраиванием кривой спроса, которая отражает объемы продаж в зависимости от цены. Это более аналитическая история. В онлайне такой механизм применяется очень широко, и мы переносим эту технологию из онлайна в офлайн».

2. Прогнозная или предикативная аналитика (predictive analytics) — помогает спрогнозировать наиболее вероятное развитие событий на основе имеющихся данных. Для этого используют готовые шаблоны на основе каких-либо объектов или явлений с аналогичным набором характеристик. С помощью предикативной (или предиктивной, прогнозной) аналитики можно, например, просчитать обвал или изменение цен на фондовом рынке. Или оценить возможности потенциального заемщика по выплате кредита.

3. Предписательная аналитика (prescriptive analytics) — следующий уровень по сравнению с прогнозной. С помощью Big Data и современных технологий можно выявить проблемные точки в бизнесе или любой другой деятельности и рассчитать, при каком сценарии их можно избежать их в будущем.

4. Диагностическая аналитика (diagnostic analytics) — использует данные, чтобы проанализировать причины произошедшего. Это помогает выявлять аномалии и случайные связи между событиями и действиями.

Например, Amazon анализирует данные о продажах и валовой прибыли для различных продуктов, чтобы выяснить, почему они принесли меньше дохода, чем ожидалось.

Данные обрабатывают и анализируют с помощью различных инструментов и технологий [6] [7]:

Как отметил в подкасте РБК Трендов менеджер по развитию IoT «Яндекс.Облака» Александр Сурков, разработчики придерживаются двух критериев сбора информации:

Чтобы обрабатывать большие массивы данных в режиме онлайн используют суперкомпьютеры: их мощность и вычислительные возможности многократно превосходят обычные. Подробнее — в материале «Как устроены суперкомпьютеры и что они умеют».

Big Data и Data Science — в чем разница?

Data Science или наука о данных — это сфера деятельности, которая подразумевает сбор, обработку и анализ данных, — структурированных и неструктурированных, не только больших. В ней используют методы математического и статистического анализа, а также программные решения. Data Science работает, в том числе, и с Big Data, но ее главная цель — найти в данных что-то ценное, чтобы использовать это для конкретных задач.

В каких отраслях уже используют Big Data?

Павел Иванченко, руководитель по IoT «МегаФона»:

«IoT-решение из области так называемого точного земледелия — это когда специальные метеостанции, которые стоят в полях, с помощью сенсоров собирают данные (температура, влажность) и с помощью передающих радио-GSM-модулей отправляют их на IoT-платформу. На ней посредством алгоритмов big data происходит обработка собранной с сенсоров информации и строится высокоточный почасовой прогноз погоды. Клиент видит его в интерфейсе на компьютере, планшете или смартфоне и может оперативно принимать решения».

Big Data в России и мире

По данным компании IBS [8], в 2012 году объем хранящихся в мире цифровых данных вырос на 50%: с 1,8 до 2,7 Збайт (2,7 трлн Гбайт). В 2015-м в мире каждые десять минут генерировалось столько же данных, сколько за весь 2003 год.

По данным компании NetApp, к 2003 году в мире накопилось 5 Эбайтов данных (1 Эбайт = 1 млрд Гбайт). В 2015-м — более 6,5 Збайта, причем тогда большие данные использовали лишь 17% компаний по всему миру [9]. Большую часть данных будут генерировать сами компании, а не их клиенты. При этом обычный пользователь будет коммуницировать с различными устройствами, которые генерируют данные, около 4 800 раз в день.

Сейчас в США с большими данными работает более 55% компаний [11], в Европе и Азии — около 53%. Только за последние пять лет распространение Big Data в бизнесе выросло в три раза.

В Китае действует более 200 законов и правил, касающихся защиты личной информации. С 2019 года все популярные приложения для смартфонов начали проверять и блокировать, если они собирают данные о пользователях вопреки законам. В итоге данные через местные сервисы собирает государство, и многие из них недоступны извне.

С 2018 года в Евросоюзе действует GDPR — Всеобщий регламент по защите данных. Он регулирует все, что касается сбора, хранения и использования данных онлайн-пользователей. Когда закон вступил в силу год назад, он считался самой жесткой в мире системой защиты конфиденциальности людей в Интернете.

В России рынок больших данных только зарождается. К примеру, сотовые операторы делятся с банками информацией о потенциальных заемщиках [12]. Среди корпораций, которые собирают и анализируют данные — «Яндекс», «Сбер», Mail.ru. Появились специальные инструменты, которые помогают бизнесу собирать и анализировать Big Data — такие, как российский сервис Ctrl2GO.

Big Data в бизнесе

Большие данные полезны для бизнеса в трех главных направлениях:

Крупные компании — такие, как Netflix, Procter & Gamble или Coca-Cola — с помощью больших данных прогнозируют потребительский спрос. 70% решений в бизнесе и госуправлении принимается на основе геоданных. Подробнее — в материале о том, как бизнес извлекает прибыль из Big Data.

Каковы проблемы и перспективы Big Data?

Главные проблемы:

Плюсы и перспективы:

В ближайшем будущем большие данные станут главным инструментом для принятия решений — начиная с сетевых бизнесов и заканчивая целыми государствами и международными организациями [15].

Источник