Узнайте, как аналитика в реальном времени может помочь организациям в каждой отрасли превращать данные в аналитические выводы — с высокой скоростью и масштабируемостью. Узнайте, какие примеры использования лучше всего подходят для аналитики в реальном времени, как это соответствует общей стратегии обработки данных и технологиям, которые необходимы для их выполнения.
Организации собирают больше данных, — быстрее, чем когда-либо ранее. Количество подключенных к Сети устройств интернета вещей составит 24,1 млрд к 2030 году1, и пока никаких признаков замедления не наблюдается. Однако многие компании изо всех сил стараются превратить эти массивы данных в аналитическую информацию, которая может быть полезна для развития их бизнеса.
Именно в этом и может помочь аналитика в реальном времени. В этой статье вы узнаете, как организации используют аналитику в реальном времени, как совместить ее с вашей стратегией обработки данных и с инфраструктурой, необходимой для успешного внедрения аналитики в вашем бизнесе.
Что такое аналитика в реальном времени?
Аналитика в реальном времени превращает данные в практические выводы непосредственно после сбора данных. Эти практические выводы используются в тех случаях, когда время является важным фактором. Аналитика в реальном времени, также именуемая «оперативная аналитика», может предсказать тот момент, когда устройство на грани выхода из строя, и предупредить эксплуатационный персонал заранее. Предлагайте ритейлерам рассылать мобильные промоакции покупателям, когда последние находятся вблизи магазина. Таким же образом можно обнаруживать мошенничество с банковскими картами — до завершения операции.
Чтобы лучше понять, как работает аналитика в реальном времени, давайте сравним ее с традиционной аналитикой или с пакетной обработкой данных. В рамках традиционного подхода хранятся и индексируются ограниченные наборы исторических данных. Когда бизнес-пользователям требуются аналитические выводы, они направляют запрос в систему. Пакетная обработка, как правило, используется для типовых задач, таких как создание ежемесячных отчетов о продажах или ведение платежных ведомостей.
Хотя пакетная обработка подходит к задачам, не критичным по времени, иные задачи требуют получения мгновенных аналитических данных, — такие, как мониторинг безопасности пациентов или обнаружение фактов мошенничества. Именно здесь может пригодиться аналитика в реальном времени.
Аналитика данных в реальном времени по сравнению с потоковой аналитикой
Имеются различные типы аналитики в реальном времени, в т.ч. аналитика по запросу и непрерывная (потоковая) аналитика. Компания Gartner объясняет их взаимосвязь следующим определением: «Аналитика по запросу в реальном времени ожидает запроса от пользователей или систем, а затем выдает аналитические результаты. Непрерывная аналитика в реальном времени является более проактивной, предупреждает пользователей или инициирует отклики на события». 2
По мере того, как периферийные вычисления и интернет вещей предоставляют бизнесу все больше данных на все более высоких скоростях, потребность в обработке этих данных на ходу (до сохранения) привела к росту спроса на потоковую аналитику. Помимо этого, все больше компаний используют потоковую аналитику для получения бизнес-аналитики в реальном времени, что позволяет им принимать моментальные решения и получать конкурентное преимущество.
91% директоров по информационным технологиям говорят, что потоковая аналитика может помочь им улучшить свои финансовые результаты.3
Примеры использования аналитики в реальном времени
От ритейлеров и производителей до финансовых фирм и организаций здравоохранения — компании изо всех сил стараются не отставать от высоких скоростей данных. Поскольку ценность этих данных может исчезнуть за несколько дней, часов, минут или даже секунд, обработка в квазиреальном времени имеет крайне важное значение для бизнес-аналитики.
Например, данные интернета вещей, управляющие беспилотным грузовиком, становятся бесполезными (и даже опасными), когда они устаревают. Аналогичным образом данные, которые указывают на износ станка на производственной линии, устаревают, когда происходит сбой.
Аналитика в реальном времени устраняет многие болевые точки компании. Интернет-продавцы объединяют активность транзакций и веб-поиска, чтобы определить следующее подходящее предложение для клиента. Банки анализируют поведение клиентов, чтобы выявить мошенническую деятельность или признаки того, что клиент, работающий с одним из отделов, готов обдумать предложение другого отдела. Динамическое ценообразование, управление рисками, оптимизация колл-центров и обеспечение безопасности — это лишь часть тех процессов, которые помогает оптимизировать аналитика в реальном времени.
Даже спортивные команды используют потоковую аналитику для более эффективного управления билетами, льготами, розничными продажами и спортивными результатами. Например, если у входа на стадион образуется столпление, организация может немедленно направить больше кассиров и охранников к этому месту, чтобы сократить время ожидания и обеспечить безопасность зрителей.
В этих случаях данные в квазиреальном времени позволяют компаниям предоставлять дополнительные услуги и продукты именно в тот момент, когда они нужны клиенту, и защищать себя от потенциально опасных последствий до их наступления.
Как аналитика в реальном времени соответствует общей стратегии аналитики?
Аналитика — это целая область, и большинство компаний внедряют сочетание аналитических подходов на основе используемых типов данных, рабочих нагрузок и того типа бизнес-проблем, которые они пытаются решить. Сейчас аналитика охватывает пять категорий:
- Описательная аналитика отвечает на вопросы о том, что случилось в прошлом.
- Диагностическая предлагает аналитическую информацию о том, почему эти события произошли.
- Прогнозная аналитика анализирует текущие и исторические данные для предоставления информации о том, что может случиться в будущем.
- Предписывающая аналитика предлагает действия, которые организация может предпринять на основании этих предписаний.
- Когнитивная аналитика автоматизирует человеческие решения или дополняет их.
Эти пять категорий надстраиваются друг над другом подобно ступеням, по которым компания идет вверх к формированию организации, работающей по требованию, где решения принимаются быстрее и лучше.
Прогнозная аналитика представляет собой отправную точку расширенной аналитики, где принятие решений может основываться на информации в реальном времени. Поэтому прогнозная, предписывающая и когнитивная аналитика — это примеры использования возможностей аналитики данных в реальном времени.
Независимо от того, какой тип аналитики используют компании, им необходимо взять на вооружение комплексную стратегию обработки данных, основанную на архитектуре аналитики в реальном времени, позволяющую раскрывать изолированные хранилища данных и устранять изоляцию внутри организаций. Общей чертой всех этих типов аналитики является способность собирать, хранить, анализировать и защищать данные, позволяя аналитической информации быстро масштабироваться внутри организации для своевременного принятия решений.
Потребности инфраструктуры в отношении аналитики в реальном времени
Пакет решений для аналитики состоит из четырех слоев: инфраструктура, данные, аналитика и область применения. Технологии Intel® охватывают все важные компоненты инфраструктуры компании — сеть, системы хранения данных и вычисления, — позволяя эффективно управлять данными и быстро использовать их для получения конкурентного преимущества. Согласованная архитектура, — например, архитектура на базе масштабируемых процессоров Intel® Xeon® на всех уровнях организации, — обеспечивает прогнозируемый путь для быстрого масштабирования аналитических программ без необходимости в поддержке нескольких архитектур.
Традиционные решения для больших данных, ориентированные на хранилища данных, не подходят для большинства сценариев обработки данных в реальном времени. Все больше поставщиков облачных услуг предоставляют платформу как услугу (PaaS) и программное обеспечение как услугу (SaaS), которые можно использовать для сопровождения аналитики в реальном времени. Посреднические решения в облачных средах позволяют компаниям выполнять рабочие задачи в любом месте в зависимости от объема, разнообразия и динамичности информации.
Так как компании создают огромное количество данных в облаке, они должны определить, какие данные необходимо переместить обратно в корпоративную СХД для принятия обоснованных решений. Данные в реальном времени можно обрабатывать на периферии, когда данные анализируются непосредственно в точке их сбора или рядом с ней. Тем не менее для аналитики в реальном времени в центре обработки данных требуется быстрый доступ к большим и постоянно растущим объемам данных, а также их анализ. Это означает, что оптимизация всех уровней инфраструктуры крайне важна — от процессора до подсистем памяти и хранения данных.
Технологии энергонезависимой памяти позволяют перенести больше данных ближе к процессору и сохранить их в памяти в случае отключения питания, устраняя задержки, вызванные ограничениями подсистемы ввода-вывода, получая данные с более медленных твердотельных накопителей и ускоряя перезагрузку системы.
Аналитика в реальном времени собирает данные из любого места в любом формате и превращает их в нужную форму записи для обработки в совокупности. Главное — понять, где данные создаются и как они будут использоваться для улучшения бизнес-процессов и принятия решений.
Кто играет ключевую роль в аналитике данных в реальном времени?
Будучи технологическим партнером в области аналитики, Intel предоставляет гибкие возможности выбора из ведущих в отрасли программных решений для аналитики — как проприетарных, так и на основе открытого исходного кода.
SAP HANA — единая база данных, которая сочетает базу данных с расширенной обработкой данных, сервисами приложений и гибкими сервисами интеграции данных. HANA использует программное обеспечение базы данных в оперативной памяти — при таком подходе запрашиваются данные в системной памяти (или ОЗУ), а не данные, хранящиеся на физических дисках.
Это позволяет клиентам гораздо быстрее обрабатывать данные множеством новых способов и создавать целый ряд потенциальных сценариев, помогая реализовывать возможности или избегать проблем. Другие поставщики традиционных технологий, например IBM и Oracle, также внедрили в свои платформы поддержку операций в реальном времени.
Решения на базе открытого исходного кода, в основе которых используется базовый код Apache Spark, позволяют применять аналитику в реальном времени к неструктурированным данным, — например, к данным социальных сетей, изображениям и видео. Spark использует аналитику в оперативной памяти, которая масштабируется во многих системах, что позволяет параллельно обрабатывать большие объемы данных.
Многие из этих решений можно использовать в облаке, что позволяет выполнять аналитику там, где создаются такие данные, — например, анализировать данные социальных сетей и интернета вещей. В результате компании могут запрашивать данные транзакций и интернет-данные, чтобы выявлять шаблоны и тенденции в реальном времени и не отставать от остального мира и своих клиентов.
Новые решения и поставщики услуг постоянно выходят на рынок. Это создает насыщенную экосистему решений, которые отлично подходят для реализации преимуществ возможностей вычислений, сетей и хранилищ данных, предоставляемых компанией Intel, и обеспечивают повышенную динамичность корпоративной аналитики и процесса принятия решений.
Технология Intel® для анализа данных в реальном времени
От масштабируемых процессоров до технологий в оперативной памяти — Intel предоставляет решения, позволяющие повысить производительность вычислительных приложений, которые поддерживают аналитику в реальном времени и быстрое принятие решений.
Масштабируемые процессоры Intel® Xeon®
Масштабируемые процессоры Intel® Xeon® обеспечивают высокую производительность для аналитики в реальном времени, искусственного интеллекта и других ресурсоемких рабочих нагрузок.
Технология Intel® Optane™
Технология Intel® Optane™ включает в себя носитель памяти Intel® 3D XPoint™, контроллеры памяти и запоминающих устройств Intel®, систему коммутации Intel® Interconnect IP и программное обеспечение Intel®. Они работают совместно для обеспечения более низкого уровня задержек и ускорения систем при выполнении аналитических рабочих задач, требующих большой емкости и наличия быстродействующих систем хранения данных.4
Технология Intel® Memory Drive
Технология Intel® Memory Drive расширяет системную память для ускоренного получения аналитической информации. Данная технология обеспечивает прозрачную интеграцию твердотельного накопителя Intel® Optane™ в подсистему памяти, поднимая объем памяти выше ограничений DRAM.
Аналитика в реальном времени для пользы в реальном времени
Потоковая аналитика в реальном времени может помочь вам быстрее извлекать больше пользы из данных. От улучшения моделирования запасов до устранения угроз сетевой безопасности — предприятия в каждой отрасли создают инфраструктуру, необходимую для более точных прогнозов и более уверенных решений.