Big Data: что это такое

Big Data: что это такое

Big Data (в переводе на русский «большие данные») — это термин, имеющий несколько значений. Так называют обширный объем информации, который сложно проанализировать самостоятельно. Для этого существуют различные способы и инструменты, которые также относятся к определению «биг дата». 

Однако, не все базы данных можно назвать большими, даже если по объему они далеко не маленькие. 

Чем характеризуется Big Data:

• Цифровой вид. Книги, стопки документов и другие не электронные данные не подходят под определение

• Разнородность. Данные должны поступать в разных форматах и охватывать более чем один запрос

• Цикличность. Информация должна появляться на постоянной основе, быстро и в больших объемах

• Достоверность. Только проверенные данные и факты

Также Big Data разделяется на три категории:

• Структурированные данные

• Полуструктурированные данные

• Неструктурированные данные

Не имеет большого значения — насколько организованна информация, находящаяся в «больших данных». При большом объеме её в любом случае сложно проанализировать самостоятельно.

Кто этим занимается

Задачи в сфере «больших данных» можно поделить на три направления:

• Анализ данных

• Создание приложений для обработки информации

• Разработка моделей машинного обучения на основе полученных данных

Если поступает заказ с более или менее сформулированной проблемой, к работе приступает дата-аналитик. Он готовит список ответов на следующие вопросы:

1. Какие данные понадобятся для решения поставленной задачи?
2. Каким образом получить доступ к этим данным?
3. Являются ли эти данные консистентными?
4. Какого результата нужно добиться?
5. Есть ли у подобной реализации техническая возможность?
6. Удовлетворит ли данное решение заказчика?

Для осуществления заказа аналитик использует:

• Почту

• Ручные запросы к базам данных

• Общение

Дата-аналитик является связующим звеном между людьми, которые принимают решение и техническими исполнителями бизнес-идей. 

Вместе с дата-аналитиком работает дата-инженер. Он же — разработчик больших данных. Это второе направление в сфере. Основные его задачи:

• Осуществлять отчетность

• Архивировать и загружать информацию для её последующего анализа

• Структурировать данные технических логов в структурированную статистику

• Оптимизировать, группировать и фильтровать данные

Дата-инженеры нужны для того, чтобы настроить интеграцию информации так, чтобы не создавались лишние проблемы, не терялись данные, всё выполнялось в срок и регулярно. Их работа состоит в написании специального приложения, которое должно работать без участия человека. 

Также они помогают дата-аналитикам построить некую бизнес-логику. Те потом оформляют её в ТЗ и отправляют разработчику, вводя его в курс дела.

Последним направлением занимаются дата-сайентисты. Они отвечают за углубленное изучением информации, а также применяют машинное обучение в работе. 

Дата-сайенисты, в отличие от инженеров, могут работать как в команде с аналитиками, так и самостоятельно. Во втором случае они сами отвечают за взаимодействие с бизнес-подразделением. 

Подводим итоги:

1. Дата-аналитики находят нужные для бизнес-идеи данные и транслируют бизнес-потребность
2. Дата-инженеры на основе полученного от аналитиков ТЗ создают приложения для обработки данных
3. А дата-сайентисты применяют методы машинного обучения и статистики, чтобы исследовать данные и получить нужную информацию

Как работает эта технология

У данной технологии есть несколько этапов:

1. Сбор  и хранение информации
2. Обработка (структурирование, агрегация, описание) 
3. Очистка
4. Выявление связей и прогнозирование (анализ)

Поговорим о каждом по отдельности.

Первый этап  

Всего у «биг даты» три источника:

• Люди. Мы публикуем свои фото, делимся местоположением, отправляем сообщения. Всё это занимает много памяти

• Машины. К ним относятся видеозаписи с камер наблюдения, данные с телефонов, метеоспутников и даже Bluetooth колонки

• Деньги. Переводы, транзакции, покупки и тому подобное

Для сбора и хранения чаще всего используют:

• NoSQL. Базы данных, в которых можно хранить данные без четкой схемы или структуры. Чем не могут похвастаться другие подобные инструменты. Эти базы данных имеют более высокую скорость и масштаб. К ним относятся: Apache CouchDB, MongoDB и Azure Cosmos DB

• Apache Hadoop. Очень удобная платформа для хранения и обработки большого количества данных. Одна из первых на рынке. Подстраивается под нужды клиента, является экономичной и крайне гибкой

• Хранилища и озера данных. И те и другие созданы для извлечения и хранения информации. Только в первом случае данные обязательно должны быть преобразованы по строгим схемам, вроде «снежинки» или «звезды». Вторые же хранят информацию в первозданном виде. Часто используются и хранилища и озера одновременно. Они дополняют друг друга. В итоге работа становится проще и организованнее

Обработать такое количество информации, которую поддерживает Big Data на одном устройстве было бы невозможно. Особенно учитывая с какой скоростью появляется новая информация. Чтобы распределить задачи между большим количеством компьютеров и других приборов используют горизонтальное масштабирование. А для того чтобы всю эту информацию собрать и загрузить в одно место, прибегают к помощи системы ETL (Extract, Transform and Load). 

Второй этап

Что используется:

• Инструменты для обработки данных в памяти. Намного быстрее традиционных, так как для данного метода используется ОЗУ, а не диск. Так что аналитику можно получить в режиме реального времени

• Програмное обеспечение для интеграции данных. Они подключают различные платформы к единой системе (обычно к хранилищу данных). И уже там информация консолидируется. Благодаря этому каждый пользователь имеет доступ ко всем необходимым данным, чтобы начать анализ

Третий этап

Для того чтобы убрать все ошибки, пропущенные значения и дубликаты, используются средства для очистки данных. Они выстраивают информацию по единому стандарту и  проверяют на ошибки. После этого данные готовы к анализу.

Четвертый этап

Что используется:

• Инструменты для аналитики данных в реальном времени. Объединяют, хранят, обрабатывают и анализируют информацию

• Инструменты для интеллектуального анализа данных. Извлекают полезные сведения, выявляют закономерности и взаимосвязи, а также распознают текущие тенденции. Работают как со структурированными, так и с неструктурированными данными

• Инструменты для прогнозной аналитики. Создают аналитические модели, которые прогнозируют закономерности и поведения

Для успешного анализа больших данных нет единого средства. Нужно использовать набор технологий и объединять их. Он может состоять из разных инструментов. Выше были приведены самые распространенные из них. 

Где применяется 

Big Data используется не только в бизнесе или IT. Эта система распространена в науке, здравоохранении, перевозках, маркетинге, сельском хозяйстве и других сферах. 

Медиа

Медиа используют «Биг Дату» для успешного продвижения контента. А именно — собирается информация о том, какие заголовки привлекают читателей, в какое время больше всего просмотров и что за темы больше всего интересны. 

Благодаря Big Data американское интернет-издание Huffington Post выяснили, что чаще всего контент для родителей просматривается в будние дни, поздно вечером. В выходные же эта активность снижается. На основе полученной информации Huffington Post сделали выводы и начали публиковать статьи в пик просматриваемости.

Маркетинг

В маркетинге анализируют личную информацию пользователей: пол, возраст, просматриваемый контент. Многие против, чтобы за ними «следили» корпорации, поэтому вокруг такого сбора информации часто разгораются скандалы. К примеру, стриминговую платформу Netflix не раз обвиняли в расизме и национализме. Всё потому, что предлагаемые фильмы и шоу часто выбирались на основе цвета кожи и происхождения клиентов. 

На самом же деле, маркетологи не интересуются конкретными людьми. Они рассматривают клиентов с точки зрения групп, которые можно охарактеризовать по интересам, полу, возрасту и другим совместным характеристикам, чтобы предложить определенные товары тем, ко может в них заинтересоваться. 

Логистика

В логистке Big Data используется в двух направлениях:

• Чтобы оптимизировать перевозки

• И для анализа работы сотрудников

Перевозки всегда можно сделать дешевле и быстрее. К примеру, компания DHL заметила, что водителям приходится тратить много времени и топлива на поиск парковочного места у пункта назначения. То есть, они столкнулись с проблемой «последней мили», которая съедала около 28% от стоимости доставки. Чтобы это исправить сотрудники начали делать анализы с помощью данных о дорожной обстановке и GPS.

Что касается второго пункта, здесь можно проанализировать качество работы сотрудников, соблюдение ими сроков и правил.    

Автомобилестроение

Пожалуй, одна из самых полезных областей использования биг даты. 

Несколько лет назад, в 2022 году, компания Toyota столкнулась с серьезной задачей. Им нужно было понять как предотвратить большое количество аварий, связанных с тем, что водители путали педали газа и тормоза. Благодаря анализу оказалось, что люди по-разному нажимают на педаль в зависимости от того, хотят ли они затормозить или увеличить скорость. После этого в машины марки Toyota начали встраивать новый механизм. Он определял каким образом была нажата педаль. И, если водитель тормозил так, словно хотел набрать скорость, то машина подстраивалась под его желание. И наоборот.  

Медицина

В Америке ученые решили определить распространение депрессии. Для этого они подключили специальный алгоритм в социальную сеть Twitter с геометками. Модель была направлена на определенные слова, которые могли быть связаны с болезнью. Позже результаты сравнили с официальными данными. Они совпали.

Рынок Big data в России 

Российский рынок Big Data пока не настолько развит, как в других странах. Только в 2018-2019 годах началось активное внедрение этой системы. Тем не менее, прогнозы оптимистичные. В 2019 году Boston Consulting оценила объем Российского рынка Big Data в 45 миллиардов рублей, с темпом прироста на 12% за последние пять лет. Эксперты считают, что к 2024 году ожидается прирост до 300 миллиардов рублей. 

Также, Hitachi Vantara вместе с International Data Corporation (IDC) провели опрос. В результате выяснилось, что более 55% организаций в России решили выделить бюджет на внедрение технологий «биг дата». Участие приняло более ста компаний.  

В 2018 году была основана Ассоциация больших данных (АБД). В нее входят самые крупные участники данного рынка в Российской Федерации:

• АО «Тинькофф Банк»
• ООО «Единыйфактор» («oneFactor»)
• АО «КИВИ Банк» (QIWI)
• ООО «Яндекс»
• ПАО «Мегафон»
• ООО «Мэйл.ру»
• ПАО «Ростелеком»
• АО «Газпромбанк»

Перспективы развития

Востребованность в Big Data растёт с каждым годом. Не нужно использовать «большие данные», чтобы проанализировать это. Люди всё чаще используют электронные гаджеты. Получать и делиться информацией стало намного проще, чем раньше. Потребительский рынок растёт. А главное — компании давно поняли, что можно сэкономить большое количество денег, если пользоваться Big Data. 

Один из наглядных примеров — это корпорация Caterpillar. Каждый год она упускала $9 до $18 миллиардов, потому что не использовала технологии Big Data. Когда на это обратили внимание, на их технику стали внедряться датчики. Они собирают информацию о поломках и степени износа ключевых деталей их продуктов. Благодаря этому доход Caterpillar вырос. 

Вырос и спрос на специалистов по Big Data. Только на Российском рынке труда число вакансий по этой специальности выросло в несколько раз.