β

大数据:九大最适合实时数据分析的应用领域

36大数据 58 阅读

数据分析

如今整个商业世界都面临着新的难题,即如何处理来自各客户接触点、交易以及互动对象的大量数据。但与此同时,我们也看到了解决问题的曙光——实时数据流技术,其能够存储大量数值及历史数据,以备日后随时调用。

可能很多朋友还没有接触过大数据分析方案,也有人认为其仅仅算是个愿景而非现实——毕竟能够证明其可行性与实际效果的案例确实相对有限。但可以肯定的是,实时数据流中包含着大量重要价值,足以帮助企业及人员在未来的工作中达成更为理想的结果。

实时分析用例

众多行业及工作都能够从数据流处理方案中获得助益。数据流能够通过管理数据实时变化迅速建立起形势判断,并帮助企业以最快速度收集来自传感器(包括GPS与温度计等)、摄像头、新闻消息、卫星、股票行情、网络爬虫、服务器日志、Flume、Twitter、传统数据库甚至是Hadoop系统的数据,最终将其转化为能够提升企业业绩的决策工具。

话虽如此,但实时数据分析结论带来机遇的同时也充满挑战,意味着管理层或者负责人员需要采取准确的数据提炼模式才能将其转化为可靠的决策依据。一般来讲,实时数据分析方案需要立足于专业知识并配合业务洞察力,方能真正实现最优决策与响应提速。而且更重要的是,分析结论除实时性质之外还需要被确切交付至相关者手中。

医疗卫生与生命科学:

生命科学
保险业

电信运营商

电信运营商能够深入了解客户行为并提供定制化服务(例如基于位置的服务、优惠政策及产品建议等),并分析客户的忠诚度、喜好及需求变化趋势。以此为基础,运营商将能够改进计费标准、提升服务质量、改善安全性并控制欺诈活动。

能源行业

电子商务

运输行业

投机市场

执法领域

技术领域

实时数据处理的挑战所在

实时事件/交易/交互数量每秒以百万计,由此产生的数据自然会给数据流处理系统造成巨大的压力。即使数据已经收集完成,系统仍然需要具备强大的能力以并行处理这些数据。之后是进行事件关联,旨在帮助我们从数据中提取有价值信息。除此之外,整套系统还需要具备容错性与分布式设计——这意味着系统需要拥有低延迟水平以及速度更快的计算机制以完成实时响应任务。

如何实现

为了满足以上各项苛刻条件,我们需要将大量工具加以结合。其中Apache Kafka负责收集数据流,并通过Apache Storm或者Apache Spark(基于具体系统需求)将其路由至HIVE/HDFS,接下来由分析引擎提取结论并将其发送至仪表板。

如何简化实现流程

来自任何来源的数据都会由Kafka集群负责收集与暂时存储,而Zookeeper——>中继——>主题分类机制则随即跟上。而后其会通过Storm或者Spark被发送至HIVE/HDFS,并由后者再传递至分析引擎(例如SAS VA)——这一切都以实时方式完成,结论则被推送至仪表板供用户理解及据此行动。

最后,为了充分发挥实时数据分析的潜能,企业之间还需要通力协作。大数据领域的经验证明,合作伙伴之间的配合是实现分析的前提条件。最后,各合作伙伴还需要广泛接触各垂直行业,从而理解其中的具体业务及错综复杂的相关要素。

因此,选择理想的合作伙伴亦左右着实时分析项目的最终命运。

总结

多数企业都拥有大量最终用户接触点,而当下对此类组织以及政府机构而言可谓决定性时刻。通过即时了解当前状况,各组织机构将能够让自己的工作更加富有成效——而实时数据分析方案则给了它们一个将理想转化为现实的选项。

End.

作者:36大数据
关注大数据和大数据应用_大数据第一科技网
原文地址:大数据:九大最适合实时数据分析的应用领域, 感谢原作者分享。

发表评论