Varför du bör utöka din datainsikt med grafanalys

Bild: NicoElNino, Getty Images / iStockphoto

Big data och analyser är väl etablerade i organisationer. Vidare innebär principen genom vilken affärsinblick som tillhandahålls genom instrumentpaneler på hög nivå som kan berätta en historia på ett ögonblick; eller i kalkylarkliknande rapporter som är både bekväma och bekanta för slutanvändare.

Frågan är att går dessa typer av rapporter tillräckligt långt?

"Det är ett dilemma nu för många företag", sa Todd Blaschka, COO på TigerGraph, ett företag som tillhandahåller grafiska analyslösningar. "De kämpar med blockchain, maskininlärning och artificiell intelligens. Alla ger mycket mer data, men det komplicerar faktiskt hur väl företag kan navigera igenom all denna information för att komma till meningsfulla affärsinfattningar."

Blaschka hänvisar till en avstängning av koppargruva som ett exempel. "Koppar är en kritisk ingrediens som behövs vid tillverkning av smartphones. Så en CFO i ett företag kanske vill veta vilka möjliga konsekvenser av kopparbrist kan vara", säger Blaschka. "Kommer det att vara en brist på produkt eller påverka leverantörskedjan eller priset på företagets aktie? Genom att använda grafanalys istället för mer vanliga databasfrågespråk som SQL kan han eller hon enkelt köra flera scenarier mot en stor mängd information som kan analyseras på många sätt. "

I grund och botten, istället för att seriellt koppla samman olika datasätt en-för-en som i SQL, använder grafanalys en "hop" -teknik som snabbt länkar olika datakällor utan att gå igenom komplikationerna i en SQL-databas JOIN. Resultatet är snabbare prestanda och en förmåga att snabbt utskala till många olika datakällor.

"Detta breddar räckvidden för din analys, och du kan utveckla fler algoritmer och frågor om nya datakombinationer med snabbare tid att marknadsföra dina resultat, " sade Blaschka.

Vikten av att reformera och försöka datalgoritmer

Det finns ett annat skäl till att denna förmåga att reformera och försöka datalgoritmer är så viktig. Tänk på ett telekomföretag som har hundratals miljoner prenumeranter och behandlar miljarder samtal varje dag. Målet är att veta om eller när nya telefonnummer dyker upp, och om de är bedrägliga eller legitima.

"I ett sådant fall kommer datavetenskapsteamet troligen att köra om och revidera algoritmer flera gånger. De kommer att vilja titta på telefontrafikmönster, till exempel om det finns ständiga samtal fram och tillbaka mellan abonnenten och den som ringer, eller om en abonnent ringer ett nummer senare, eller hur länge ett samtal är, säger Blaschka. "De vill inte omedelbart göra antaganden om att ett telefonnummer ska svartlistas utan att utföra tillräckliga frågor mot olika data."

Att utföra grafanalys är dock inte för alla. Datavetare, dataingenjörer och specialister inom affärsintelligens kommer sannolikt att arbeta med grafteknologi eftersom de redan har kunskap om databaser och språk som SQL. Slutföretagare inte.

Tre do för att arbeta med grafer

"Det är tre saker du vill göra när du börjar arbeta med grafer, " sade Blaschka. "Formulera först de affärsfrågor som du vill hämta ett svar på. Mycket ofta kommer kunderna att börja med att bara ta med informationen. De försöker ställa frågorna senare, men du vill ha frågorna först eftersom frågorna kommer att ge vägledning om vilka data du behöver ta med i diagrammet för att utföra analysen.

"För det andra vill du ta med de bästa uppgifterna för de frågor du vill besvara. Om du har en detaljhandel, en kommersiell och investeringsdel i ditt företag kan du ha tre olika databaser som du behöver hämta data från.

"För det tredje bör du alltid utföra dina egna riktmärken innan du köper en grafprodukt. Om du känner att du kan utföra motsvarigheten till två SQL JOINS i en enda graf hopp, och den kumulativa effekten av detta är mindre behov av lagring och mer bearbetning genomströmning, du vill bekräfta det. "

Slutligen fungerar grafteknologi bäst när IT- och datavetenskapliga avdelningar anpassar den till andra analysverktyg som instrumentpaneler, kalkylblad, etc. Nyckeln är att anpassa rätt typ av verktyg till rätt typ av jobb för bästa resultat.

"Graf utmärker sig i situationer där stora datasätt och många olika datakällor snabbt måste dras samman till en analysmatris som kan frågas med algoritmer, " sade Blaschka. "Vi har sett företag som Ali Baba och Facebook bygga upp sina företag med grafik, så varför inte ta med denna kapacitet till alla företag?"

Data, Analytics och AI-nyhetsbrev

Få experttips för att bemästra grunderna i big data-analys och följa med den senaste utvecklingen inom artificiell intelligens. Levereras måndagar

Registrera dig idag

Se även

  • Amazon Neptune är här: 6 sätt kunder använder AWS-grafidatabasen (TechRepublic)
  • Specialrapport: Förvandla big data till affärsinblick (gratis PDF) (TechRepublic)
  • Transformera grafdata för statistiskt relationellt lärande (TechRepublic)
  • GraphQL för databaser: Ett lager för tillgång till universell databas? (ZDNet)
  • Open source-projektet "Gandiva" vill avblockera analys (ZDNet)
  • Intel och DARPA ser till AI och maskininlärning för att öka grafanalysen i big data (ZDNet)

© Copyright 2020 | mobilegn.com