મોટી માત્રામાં માહિતીની પ્રક્રિયા. મોટી માહિતી ટેકનોલોજી

શું થયું છે મોટી માહીતી(શાબ્દિક - મોટી માહીતી)? ચાલો પહેલા ઓક્સફર્ડ ડિક્શનરી જોઈએ:

ડેટા- જથ્થા, ચિહ્નો અથવા પ્રતીકો કે જે કમ્પ્યુટર ચલાવે છે અને જે ચુંબકીય, ઓપ્ટિકલ અથવા મિકેનિકલ મીડિયા પર રેકોર્ડ કરાયેલ ઇલેક્ટ્રિકલ સિગ્નલોના સ્વરૂપમાં સંગ્રહિત અને પ્રસારિત કરી શકાય છે.

મુદત મોટી માહીતીમોટા ડેટા સેટનું વર્ણન કરવા માટે વપરાય છે જે સમય જતાં ઝડપથી વધે છે. ડેટાના આવા જથ્થા પર પ્રક્રિયા કરવા માટે, તમે તેના વિના કરી શકતા નથી.

બિગ ડેટા જે લાભો પ્રદાન કરે છે:

1. વિવિધ સ્ત્રોતોમાંથી માહિતી એકત્રિત કરવી.
2. રીઅલ-ટાઇમ એનાલિટિક્સ દ્વારા વ્યવસાયિક પ્રક્રિયાઓને સુધારવી.
3. મોટી માત્રામાં ડેટાનો સંગ્રહ.
4. આંતરદૃષ્ટિ. બિગ ડેટા સ્ટ્રક્ચર્ડ અને સેમી-સ્ટ્રક્ચર્ડ ડેટા દ્વારા છુપાયેલી માહિતીમાં વધુ સમજદાર છે.
5. મોટા ડેટા તમને જોખમ ઘટાડવા અને યોગ્ય જોખમ વિશ્લેષણ સાથે સ્માર્ટ નિર્ણયો લેવામાં મદદ કરે છે

મોટા ડેટાના ઉદાહરણો

ન્યૂ યોર્ક સ્ટોક એક્સચેન્જદરરોજ જનરેટ કરે છે 1 ટેરાબાઇટપાછલા સત્ર માટે ટ્રેડિંગ ડેટા.

સામાજિક મીડિયા: આંકડા દર્શાવે છે કે ફેસબુક દરરોજ અપલોડ કરે છે 500 ટેરાબાઇટનવો ડેટા મુખ્યત્વે સોશિયલ નેટવર્ક સર્વર્સ પર ફોટા અને વિડિયો અપલોડ કરવા, મેસેજિંગ, પોસ્ટ હેઠળની ટિપ્પણીઓ વગેરેને કારણે જનરેટ થાય છે.

જેટ એન્જિનપેદા કરે છે 10 ટેરાબાઇટફ્લાઇટ દરમિયાન દર 30 મિનિટે ડેટા. દરરોજ હજારો ફ્લાઇટ્સ કરવામાં આવતી હોવાથી, ડેટાનું પ્રમાણ પેટાબાઇટ સુધી પહોંચે છે.

મોટા ડેટા વર્ગીકરણ

મોટા ડેટા સ્વરૂપો:

• સંરચિત
• અનસ્ટ્રક્ચર્ડ
• અર્ધ-સંરચિત

સંરચિત સ્વરૂપ

ડેટા કે જે એક નિશ્ચિત ફોર્મેટ સાથે ફોર્મમાં સંગ્રહિત, ઍક્સેસ અને પ્રક્રિયા કરી શકાય છે તેને સ્ટ્રક્ચર્ડ કહેવામાં આવે છે. સમય જતાં, કોમ્પ્યુટર સાયન્સે આ પ્રકારના ડેટા (જ્યાં ફોર્મેટ અગાઉથી જાણીતું હોય છે) સાથે કામ કરવા માટેની તકનીકોમાં સુધારો કરવામાં ઘણી પ્રગતિ કરી છે અને તેનો લાભ કેવી રીતે મેળવવો તે શીખ્યા છે. જો કે, આજે ઘણા ઝેટાબાઇટ્સની શ્રેણીમાં માપવામાં આવતા કદમાં વોલ્યુમની વૃદ્ધિ સાથે સંકળાયેલી સમસ્યાઓ પહેલેથી જ છે.

1 ઝેટાબાઈટ એક અબજ ટેરાબાઈટ બરાબર છે

આ સંખ્યાઓને જોતાં, બિગ ડેટા શબ્દની સત્યતા અને આવા ડેટાને પ્રોસેસિંગ અને સ્ટોર કરવા સાથે સંકળાયેલી મુશ્કેલીઓને જોવી સરળ છે.

રિલેશનલ ડેટાબેઝમાં સંગ્રહિત ડેટા સંરચિત છે અને જેવો દેખાય છે, ઉદાહરણ તરીકે, કંપનીના કર્મચારીઓના કોષ્ટકો

અસંગઠિત સ્વરૂપ

અજાણ્યા માળખાના ડેટાને અનસ્ટ્રક્ચર્ડ તરીકે વર્ગીકૃત કરવામાં આવે છે. તેના મોટા કદ ઉપરાંત, આ આકાર પ્રક્રિયા અને દૂર કરવામાં ઘણી મુશ્કેલીઓ દ્વારા વર્ગીકૃત થયેલ છે. ઉપયોગી માહિતી. અનસ્ટ્રક્ચર્ડ ડેટાનું એક વિશિષ્ટ ઉદાહરણ એ વિજાતીય સ્ત્રોત છે જેમાં સરળ ટેક્સ્ટ ફાઇલો, છબીઓ અને વિડિઓઝનું સંયોજન હોય છે. આજે, સંસ્થાઓ પાસે મોટી માત્રામાં કાચા અથવા અનસ્ટ્રક્ચર્ડ ડેટાની ઍક્સેસ છે, પરંતુ તેમાંથી મૂલ્ય કેવી રીતે કાઢવું ​​તે જાણતા નથી.

અર્ધ-સંરચિત સ્વરૂપ

આ કેટેગરીમાં ઉપર વર્ણવેલ બંનેનો સમાવેશ થાય છે, તેથી અર્ધ-સંરચિત ડેટામાં અમુક સ્વરૂપ હોય છે પરંતુ તે વાસ્તવમાં રિલેશનલ ડેટાબેઝમાં કોષ્ટકો દ્વારા વ્યાખ્યાયિત કરવામાં આવતું નથી. આ શ્રેણીનું ઉદાહરણ XML ફાઇલમાં પ્રસ્તુત વ્યક્તિગત ડેટા છે.

પ્રશાંત રાવપુરુષ35 સીમા આર.સ્ત્રી41 સતીશ માનેપુરુષ29 સુબ્રતો રોયપુરુષ26 યર્મિયા જે.પુરુષ35

મોટા ડેટાની લાક્ષણિકતાઓ

સમય જતાં મોટા ડેટા વૃદ્ધિ:

વાદળી રંગ સ્ટ્રક્ચર્ડ ડેટા (એન્ટરપ્રાઇઝ ડેટા) દર્શાવે છે, જે રિલેશનલ ડેટાબેઝમાં સંગ્રહિત થાય છે. અન્ય રંગો વિવિધ સ્ત્રોતો (IP ટેલિફોની, ઉપકરણો અને સેન્સર્સ, સામાજિક નેટવર્ક્સ અને વેબ એપ્લિકેશન્સ) માંથી અસંરચિત ડેટા સૂચવે છે.

ગાર્ટનર અનુસાર, મોટા ડેટા વોલ્યુમ, જનરેશનનો દર, વિવિધતા અને પરિવર્તનશીલતામાં બદલાય છે. ચાલો આ લક્ષણો પર નજીકથી નજર કરીએ.

1. વોલ્યુમ. બિગ ડેટા શબ્દ પોતે મોટા કદ સાથે સંકળાયેલ છે. એક્સટ્રેક્ટ કરવા માટે સંભવિત મૂલ્ય નક્કી કરવા માટે ડેટાનું કદ એક મહત્વપૂર્ણ મેટ્રિક છે. દરરોજ, 6 મિલિયન લોકો ડિજિટલ મીડિયાનો ઉપયોગ કરે છે, જે અંદાજિત 2.5 ક્વિન્ટિલિયન બાઈટ ડેટા જનરેટ કરે છે. તેથી, વોલ્યુમ એ ધ્યાનમાં લેવાની પ્રથમ લાક્ષણિકતા છે.
2. વિવિધતા- આગામી પાસું. તે વિજાતીય સ્ત્રોતો અને ડેટાની પ્રકૃતિનો સંદર્ભ આપે છે, જે કાં તો સંરચિત અથવા અસંગઠિત હોઈ શકે છે. પહેલાં, સ્પ્રેડશીટ્સ અને ડેટાબેઝ એ મોટાભાગની એપ્લિકેશન્સમાં ધ્યાનમાં લેવામાં આવતી માહિતીના એકમાત્ર સ્ત્રોત હતા. આજે, વિશ્લેષણાત્મક એપ્લિકેશન્સમાં ઇમેઇલ્સ, ફોટા, વિડિઓઝ, પીડીએફ ફાઇલો અને ઑડિયોના રૂપમાં ડેટાને પણ ધ્યાનમાં લેવામાં આવે છે. અસંરચિત ડેટાની આ વિવિધતા સંગ્રહ, ખાણકામ અને વિશ્લેષણમાં સમસ્યાઓ તરફ દોરી જાય છે: 27% કંપનીઓને વિશ્વાસ નથી કે તેઓ યોગ્ય ડેટા સાથે કામ કરી રહી છે.
3. જનરેશન ઝડપ. જરૂરીયાતોને પહોંચી વળવા માટે કેટલી ઝડપથી ડેટા સંચિત અને પ્રક્રિયા કરવામાં આવે છે તે સંભવિત નક્કી કરે છે. ઝડપ સ્ત્રોતો - વ્યવસાય પ્રક્રિયાઓ, એપ્લિકેશન લૉગ્સ, સોશિયલ નેટવર્કિંગ અને મીડિયા સાઇટ્સ, સેન્સર્સ, મોબાઇલ ઉપકરણોમાંથી માહિતીના પ્રવાહની ઝડપ નક્કી કરે છે. ડેટાનો પ્રવાહ સમય સાથે વિશાળ અને સતત રહે છે.
4. પરિવર્તનશીલતાસમયના અમુક બિંદુઓ પર ડેટાની પરિવર્તનશીલતાનું વર્ણન કરે છે, જે પ્રક્રિયા અને સંચાલનને જટિલ બનાવે છે. ઉદાહરણ તરીકે, મોટા ભાગનો ડેટા પ્રકૃતિમાં અસંગઠિત છે.

બિગ ડેટા એનાલિટિક્સ: મોટા ડેટાના ફાયદા શું છે

માલ અને સેવાઓનો પ્રચાર: સર્ચ એન્જિન અને Facebook અને Twitter જેવી સાઇટ્સમાંથી ડેટાની ઍક્સેસ વ્યવસાયોને વધુ ચોક્કસ રીતે માર્કેટિંગ વ્યૂહરચના વિકસાવવા દે છે.

ગ્રાહકો માટે સેવામાં સુધારો: પરંપરાગત ગ્રાહક પ્રતિસાદ પ્રણાલીઓને નવી સિસ્ટમો દ્વારા બદલવામાં આવી રહી છે જે ગ્રાહકોના પ્રતિસાદને વાંચવા અને તેનું મૂલ્યાંકન કરવા બિગ ડેટા અને નેચરલ લેંગ્વેજ પ્રોસેસિંગનો ઉપયોગ કરે છે.

જોખમની ગણતરીનવા ઉત્પાદન અથવા સેવાના પ્રકાશન સાથે સંકળાયેલ.

ઓપરેશનલ કાર્યક્ષમતા: જરૂરી માહિતીને ઝડપથી બહાર કાઢવા અને ઝડપથી સચોટ પરિણામો આપવા માટે મોટા ડેટાની રચના કરવામાં આવી છે. બિગ ડેટા અને સ્ટોરેજ ટેક્નોલોજીનું આ સંયોજન સંસ્થાઓને ભાગ્યે જ ઉપયોગમાં લેવાતી માહિતી સાથે તેમના કાર્યને ઑપ્ટિમાઇઝ કરવામાં મદદ કરે છે.

સંશોધન અને વલણોમાંથી સામગ્રી પર આધારિત

બિગ ડેટા ઘણા વર્ષોથી આઇટી અને માર્કેટિંગ પ્રેસની ચર્ચા છે. અને તે સ્પષ્ટ છે: ડિજિટલ ટેક્નોલોજીએ જીવનમાં પ્રવેશ કર્યો છે આધુનિક માણસ, "બધું લખાયેલું છે." જીવનના વિવિધ પાસાઓ પરના ડેટાનું પ્રમાણ વધી રહ્યું છે, અને તે જ સમયે માહિતી સંગ્રહિત કરવાની શક્યતાઓ વધી રહી છે.

માહિતી સંગ્રહિત કરવા માટે વૈશ્વિક તકનીકો

સ્ત્રોત: હિલ્બર્ટ અને લોપેઝ, `ધ વર્લ્ડસ ટેક્નોલોજીકલ કેપેસિટી ટુ સ્ટોર, કોમ્યુનિકેટ અને કમ્પ્યુટ માહિતી,` સાયન્સ, 2011 ગ્લોબલ.

મોટાભાગના નિષ્ણાતો સંમત થાય છે કે ડેટા વૃદ્ધિને વેગ આપવો એ એક ઉદ્દેશ્ય વાસ્તવિકતા છે. સામાજિક નેટવર્ક્સ, મોબાઇલ ઉપકરણો, માપન ઉપકરણોમાંથી ડેટા, વ્યવસાય માહિતી - આ માત્ર થોડા પ્રકારના સ્ત્રોતો છે જે માહિતીના વિશાળ વોલ્યુમો પેદા કરી શકે છે. અભ્યાસ મુજબ IDCડિજિટલ બ્રહ્માંડ, 2012 માં પ્રકાશિત, આગામી 8 વર્ષમાં વિશ્વમાં ડેટાનો જથ્થો 40 ZB (ઝેટાબાઇટ્સ) સુધી પહોંચશે, જે ગ્રહના દરેક રહેવાસી માટે 5200 GB ની સમકક્ષ છે.

યુએસમાં ડિજિટલ માહિતી સંગ્રહની વૃદ્ધિ

સ્ત્રોત: IDC

મોટાભાગની માહિતી લોકો દ્વારા નહીં, પરંતુ રોબોટ્સ દ્વારા એકબીજા સાથે અને અન્ય ડેટા નેટવર્ક્સ, જેમ કે સેન્સર અને સ્માર્ટ ઉપકરણો બંને સાથે ક્રિયાપ્રતિક્રિયા કરીને બનાવવામાં આવે છે. વૃદ્ધિના આ દરે, સંશોધકોના મતે, વિશ્વમાં ડેટાની માત્રા દર વર્ષે બમણી થશે. નવા ડેટા સેન્ટરોના વિસ્તરણ અને નિર્માણને કારણે વિશ્વમાં વર્ચ્યુઅલ અને ભૌતિક સર્વરની સંખ્યા દસ ગણી વધશે. પરિણામે, આ ડેટાનો અસરકારક રીતે ઉપયોગ અને મુદ્રીકરણ કરવાની જરૂરિયાત વધી રહી છે. વ્યવસાયમાં બિગ ડેટાનો ઉપયોગ કરવા માટે નોંધપાત્ર રોકાણની જરૂર હોવાથી, તમારે પરિસ્થિતિને સ્પષ્ટપણે સમજવાની જરૂર છે. અને તે સારમાં, સરળ છે: તમે ખર્ચ ઘટાડીને અને/અથવા વેચાણની માત્રા વધારીને વ્યવસાયની કાર્યક્ષમતા વધારી શકો છો.

આપણને મોટા ડેટાની કેમ જરૂર છે?

બિગ ડેટા પેરાડાઈમ ત્રણ મુખ્ય પ્રકારની સમસ્યાઓને વ્યાખ્યાયિત કરે છે.

• સેંકડો ટેરાબાઇટ અથવા પેટાબાઇટ્સના ડેટા વોલ્યુમોને સંગ્રહિત અને મેનેજ કરવું, જે લાક્ષણિક છે રિલેશનલ ડેટાબેસેસડેટાનો અસરકારક ઉપયોગ કરી શકાતો નથી.
• ગ્રંથો, છબીઓ, વિડિયો અને અન્ય પ્રકારના ડેટાનો સમાવેશ કરતી અસંગઠિત માહિતી ગોઠવો.
• બિગ ડેટા પૃથ્થકરણ, જે અસંગઠિત માહિતી સાથે કામ કરવાની રીતો, વિશ્લેષણાત્મક અહેવાલોનું નિર્માણ, તેમજ અનુમાનિત મોડલના અમલીકરણનો પ્રશ્ન ઊભો કરે છે.

બિગ ડેટા પ્રોજેક્ટ માર્કેટ બિઝનેસ એનાલિટિક્સ (BA) માર્કેટ સાથે છેદે છે, જેનું વૈશ્વિક વોલ્યુમ, નિષ્ણાતોના મતે, 2012 માં આશરે $100 બિલિયન જેટલું હતું. તેમાં નેટવર્ક ટેક્નોલોજીના ઘટકો, સર્વર્સ, સોફ્ટવેરઅને તકનીકી સેવાઓ.

ઉપરાંત, બિગ ડેટા ટેક્નોલોજીનો ઉપયોગ કંપનીઓની પ્રવૃત્તિઓને સ્વચાલિત કરવા માટે રચાયેલ આવક ખાતરી (RA) વર્ગ ઉકેલો માટે સુસંગત છે. આધુનિક સિસ્ટમોઆવકની બાંયધરીઓમાં વિસંગતતાઓ શોધવા માટેના સાધનો અને ઊંડાણપૂર્વકના ડેટા વિશ્લેષણનો સમાવેશ થાય છે, જે નાણાકીય પરિણામોમાં ઘટાડો તરફ દોરી શકે તેવા સંભવિત નુકસાન અથવા માહિતીના વિકૃતિને સમયસર શોધવાની મંજૂરી આપે છે. આ પૃષ્ઠભૂમિની સામે, રશિયન કંપનીઓ, સ્થાનિક બજારમાં બિગ ડેટા ટેક્નોલોજીની માંગની હાજરીની પુષ્ટિ કરતી, નોંધ લે છે કે રશિયામાં બિગ ડેટાના વિકાસને ઉત્તેજન આપતા પરિબળો ડેટા વૃદ્ધિ, મેનેજમેન્ટ નિર્ણય લેવાની ગતિ અને તેમની ગુણવત્તામાં સુધારો છે.

તમને બિગ ડેટા સાથે કામ કરવાથી શું અટકાવે છે

આજે, માત્ર 0.5% સંચિત ડિજિટલ ડેટાનું વિશ્લેષણ કરવામાં આવે છે, તે હકીકત હોવા છતાં કે ઉદ્યોગ-વ્યાપી સમસ્યાઓ છે જે બિગ ડેટા વર્ગના વિશ્લેષણાત્મક ઉકેલોનો ઉપયોગ કરીને ઉકેલી શકાય છે. વિકસિત IT બજારોમાં પહેલાથી જ એવા પરિણામો છે જેનો ઉપયોગ મોટા ડેટાના સંચય અને પ્રક્રિયા સાથે સંકળાયેલ અપેક્ષાઓનું મૂલ્યાંકન કરવા માટે થઈ શકે છે.

બિગ ડેટા પ્રોજેક્ટ્સના અમલીકરણને ધીમું પાડતા મુખ્ય પરિબળો પૈકી એક, ઊંચી કિંમત ઉપરાંત, ગણવામાં આવે છે. પ્રોસેસ્ડ ડેટા પસંદ કરવામાં સમસ્યા: એટલે કે, કયા ડેટાને પુનઃપ્રાપ્ત, સંગ્રહિત અને વિશ્લેષણ કરવાની જરૂર છે અને કયાને અવગણવા જોઈએ તે નક્કી કરવું.

ઘણા બિઝનેસ પ્રતિનિધિઓ નોંધે છે કે બિગ ડેટા પ્રોજેક્ટના અમલીકરણમાં મુશ્કેલીઓ નિષ્ણાતો - માર્કેટર્સ અને વિશ્લેષકોની અછત સાથે સંકળાયેલી છે. બિગ ડેટામાં રોકાણ પર વળતરની ઝડપ સીધી રીતે ઊંડાણપૂર્વક અને અનુમાનિત વિશ્લેષણમાં રોકાયેલા કર્મચારીઓના કામની ગુણવત્તા પર આધારિત છે. સંસ્થામાં પહેલાથી જ અસ્તિત્વમાં રહેલા ડેટાની પ્રચંડ સંભાવના ઘણી વખત જૂની વ્યવસાય પ્રક્રિયાઓ અથવા આંતરિક નિયમોને કારણે માર્કેટર્સ દ્વારા અસરકારક રીતે ઉપયોગમાં લઈ શકાતી નથી. તેથી, મોટા ડેટા પ્રોજેક્ટ્સને વ્યવસાયો દ્વારા માત્ર અમલમાં જ નહીં, પણ પરિણામોનું મૂલ્યાંકન કરવું પણ મુશ્કેલ માનવામાં આવે છે: એકત્રિત ડેટાનું મૂલ્ય. ડેટા સાથે કામ કરવાની વિશિષ્ટ પ્રકૃતિ માટે માર્કેટર્સ અને વિશ્લેષકોએ તેમનું ધ્યાન ટેક્નોલોજીથી ફેરવવું અને ચોક્કસ વ્યવસાય સમસ્યાઓ ઉકેલવા માટે રિપોર્ટ્સ બનાવવાની જરૂર છે.

ડેટાના પ્રવાહની મોટી માત્રા અને ઊંચી ઝડપને લીધે, ડેટા સંગ્રહની પ્રક્રિયામાં વાસ્તવિક સમયમાં ETL પ્રક્રિયાઓનો સમાવેશ થાય છે. જાણકારી માટે:ETL - થીઅંગ્રેજીઅર્ક, પરિવર્તન, લોડ- શાબ્દિક રીતે "એક્સ્ટ્રેક્ટિંગ, ટ્રાન્સફોર્મિંગ, લોડિંગ") - મેનેજમેન્ટની મુખ્ય પ્રક્રિયાઓમાંની એક ડેટા વેરહાઉસ, જેમાં નીચેનાનો સમાવેશ થાય છે: બાહ્ય સ્ત્રોતોમાંથી ડેટા નિષ્કર્ષણ, તેમનું પરિવર્તન અને જરૂરિયાતો પૂરી કરવા માટે સફાઈ ETL ને માત્ર એક એપ્લિકેશનમાંથી બીજી એપ્લિકેશનમાં ડેટા ખસેડવાની પ્રક્રિયા તરીકે જ નહીં, પણ વિશ્લેષણ માટે ડેટા તૈયાર કરવાના સાધન તરીકે પણ જોવું જોઈએ.

અને પછી બાહ્ય સ્ત્રોતોમાંથી આવતા ડેટાની સુરક્ષા સુનિશ્ચિત કરવાના મુદ્દાઓમાં એકત્રિત માહિતીના જથ્થાને અનુરૂપ ઉકેલો હોવા જોઈએ. પદ્ધતિઓ થી મોટું વિશ્લેષણડેટાના જથ્થામાં વૃદ્ધિને પગલે જ અત્યાર સુધી ડેટાનો વિકાસ થઈ રહ્યો છે; ડેટા તૈયાર કરવા અને એકત્રિત કરવાની નવી પદ્ધતિઓનો ઉપયોગ કરવા માટે વિશ્લેષણાત્મક પ્લેટફોર્મ્સની ક્ષમતા મોટી ભૂમિકા ભજવે છે. આ સૂચવે છે કે, ઉદાહરણ તરીકે, સંભવિત ખરીદદારો વિશેનો ડેટા અથવા ઓનલાઈન શોપિંગ સાઇટ્સ પરના ક્લિક્સના ઈતિહાસ સાથેનો વિશાળ ડેટા વેરહાઉસ વિવિધ સમસ્યાઓના નિરાકરણ માટે રસ હોઈ શકે છે.

મુશ્કેલીઓ અટકતી નથી

બિગ ડેટાના અમલીકરણમાં તમામ મુશ્કેલીઓ હોવા છતાં, વ્યવસાય આ ક્ષેત્રમાં રોકાણ વધારવાનો ઇરાદો ધરાવે છે. ગાર્ટનરના ડેટા પરથી નીચે મુજબ, 2013 માં, વિશ્વની સૌથી મોટી કંપનીઓમાંથી 64% પહેલાથી જ રોકાણ કરી ચૂકી છે અથવા તેમના વ્યવસાય માટે બિગ ડેટા ટેક્નોલોજીનો ઉપયોગ કરવા માટે રોકાણ કરવાની યોજના ધરાવે છે, જ્યારે 2012માં 58% હતી. ગાર્ટનર સંશોધન મુજબ, બિગ ડેટામાં રોકાણ કરનારા ઉદ્યોગોમાં અગ્રણી મીડિયા કંપનીઓ, ટેલિકોમ, બેંકિંગ અને સેવા કંપનીઓ છે. બિગ ડેટાના અમલીકરણના સફળ પરિણામો આ ક્ષેત્રમાં ઘણા મોટા ખેલાડીઓ દ્વારા પહેલાથી જ પ્રાપ્ત કરવામાં આવ્યા છે રિટેલરેડિયો ફ્રીક્વન્સી આઇડેન્ટિફિકેશન ટૂલ્સ, લોજિસ્ટિક્સ અને રિલોકેશન સિસ્ટમ્સનો ઉપયોગ કરીને મેળવેલા ડેટાના ઉપયોગ અંગે (અંગ્રેજીમાંથી. ફરી ભરવું- સંચય, ફરી ભરવું - આર એન્ડ ટી), તેમજ લોયલ્ટી પ્રોગ્રામ્સમાંથી. સફળ રિટેલ અનુભવ અન્ય બજાર ક્ષેત્રોને નવા શોધવા માટે પ્રોત્સાહિત કરે છે અસરકારક રીતોમોટા ડેટાનું મુદ્રીકરણ તેના વિશ્લેષણને એવા સંસાધનમાં ફેરવવા માટે કે જે વ્યવસાયના વિકાસ માટે કામ કરે છે. આને કારણે, નિષ્ણાતોના મતે, 2020 સુધીના સમયગાળામાં, મેનેજમેન્ટ અને સ્ટોરેજમાં રોકાણ પ્રતિ ગીગાબાઇટ ડેટા $2 થી ઘટીને $0.2 થશે, પરંતુ બિગ ડેટાના તકનીકી ગુણધર્મોના અભ્યાસ અને વિશ્લેષણ માટે માત્ર 40% નો વધારો થશે.

બિગ ડેટાના ક્ષેત્રમાં વિવિધ રોકાણ પ્રોજેક્ટ્સમાં પ્રસ્તુત ખર્ચ અલગ-અલગ પ્રકૃતિના હોય છે. કિંમતની વસ્તુઓ ચોક્કસ નિર્ણયોના આધારે પસંદ કરેલ ઉત્પાદનોના પ્રકારો પર આધારિત છે. નિષ્ણાતોના મતે રોકાણના પ્રોજેક્ટમાં ખર્ચનો સૌથી મોટો હિસ્સો સંગ્રહ, ડેટાનું માળખું, સફાઈ અને માહિતી વ્યવસ્થાપન સંબંધિત ઉત્પાદનો પર પડે છે.

તે કેવી રીતે થાય છે

સોફ્ટવેર અને હાર્ડવેરના ઘણા સંયોજનો છે જે તમને વિવિધ વ્યવસાયિક શાખાઓ માટે અસરકારક બિગ ડેટા સોલ્યુશન્સ બનાવવા દે છે: સોશિયલ મીડિયા અને મોબાઇલ એપ્લિકેશન્સ, બિઝનેસ ડેટા માઇનિંગ અને વિઝ્યુલાઇઝેશન માટે. બિગ ડેટાનો મહત્વનો ફાયદો એ છે કે બિઝનેસમાં વ્યાપકપણે ઉપયોગમાં લેવાતા ડેટાબેઝ સાથેના નવા ટૂલ્સની સુસંગતતા, જે ખાસ કરીને મલ્ટિ-ચેનલ વેચાણ અને ગ્રાહક સપોર્ટનું આયોજન કરવા જેવા ક્રોસ-ડિસિપ્લિનરી પ્રોજેક્ટ્સ સાથે કામ કરતી વખતે મહત્વપૂર્ણ છે.

બિગ ડેટા સાથે કામ કરવાના ક્રમમાં ડેટા એકત્રિત કરવાનો, રિપોર્ટ્સ અને ડેશબોર્ડ્સનો ઉપયોગ કરીને પ્રાપ્ત માહિતીનું માળખું, આંતરદૃષ્ટિ અને સંદર્ભો બનાવવા અને કાર્યવાહી માટે ભલામણો ઘડવાનો સમાવેશ થાય છે. બિગ ડેટા સાથે કામ કરવાથી ડેટા એકત્રિત કરવા માટે મોટા ખર્ચનો સમાવેશ થાય છે, જેની પ્રક્રિયાનું પરિણામ અગાઉથી અજ્ઞાત છે, મુખ્ય કાર્ય એ સ્પષ્ટપણે સમજવાનું છે કે ડેટા શેના માટે છે, અને તેમાંથી કેટલો જથ્થો ઉપલબ્ધ છે. આ કિસ્સામાં, ડેટા સંગ્રહ ચોક્કસ સમસ્યાઓ ઉકેલવા માટે ફક્ત જરૂરી માહિતી મેળવવાની પ્રક્રિયામાં ફેરવાય છે.

ઉદાહરણ તરીકે, ટેલિકોમ્યુનિકેશન પ્રદાતાઓ ભૌગોલિક સ્થાન સહિત વિશાળ માત્રામાં ડેટા એકત્ર કરે છે, જે સતત અપડેટ થાય છે. આ માહિતી જાહેરાત એજન્સીઓ માટે વ્યાપારી હિતની હોઈ શકે છે, જેઓ તેનો ઉપયોગ લક્ષિત અને સ્થાનિક જાહેરાતો તેમજ રિટેલર્સ અને બેંકોને પહોંચાડવા માટે કરી શકે છે. લોકોના શક્તિશાળી લક્ષિત પ્રવાહની હાજરી વિશેના ડેટાના આધારે ચોક્કસ સ્થાને રિટેલ આઉટલેટ ખોલવાનું નક્કી કરતી વખતે આવા ડેટા મહત્વપૂર્ણ ભૂમિકા ભજવી શકે છે. લંડનમાં આઉટડોર બિલબોર્ડ પર જાહેરાતની અસરકારકતાને માપવાનું એક ઉદાહરણ છે. હવે આવી જાહેરાતોની પહોંચ માત્ર બાજુમાં મૂકીને માપી શકાય છે જાહેરાત માળખાંખાસ ઉપકરણ ધરાવતા લોકો કે જે પસાર થનારાઓની ગણતરી કરે છે. આ પ્રકારની જાહેરાતની અસરકારકતાને માપવાની તુલનામાં, મોબાઇલ ઑપરેટર પાસે ઘણી વધુ તકો છે - તે તેના સબ્સ્ક્રાઇબર્સના સ્થાનને બરાબર જાણે છે, તે તેમની વસ્તી વિષયક લાક્ષણિકતાઓ, લિંગ, ઉંમર, વૈવાહિક સ્થિતિ વગેરે જાણે છે.

આવા ડેટાના આધારે, ભવિષ્યમાં બિલબોર્ડ પરથી પસાર થતી ચોક્કસ વ્યક્તિની પસંદગીઓનો ઉપયોગ કરીને જાહેરાત સંદેશની સામગ્રીને બદલવાની સંભાવના છે. જો ડેટા દર્શાવે છે કે ત્યાંથી પસાર થતી વ્યક્તિ ઘણી મુસાફરી કરે છે, તો તેને રિસોર્ટની જાહેરાત બતાવવામાં આવી શકે છે. ફૂટબોલ મેચના આયોજકો જ્યારે મેચમાં આવે ત્યારે જ ચાહકોની સંખ્યાનો અંદાજ લગાવી શકે છે. પરંતુ જો તેઓ તેમના મોબાઇલ ફોન પ્રદાતાને મેચના એક કલાક, એક દિવસ અથવા એક મહિના પહેલા મુલાકાતીઓ ક્યાં હતા તે વિશેની માહિતી માટે પૂછી શકે, તો તે આયોજકોને ભવિષ્યની મેચો માટે જાહેરાતના સ્થળોની યોજના કરવાની ક્ષમતા આપશે.

બીજું ઉદાહરણ એ છે કે બેંકો છેતરપિંડી અટકાવવા બિગ ડેટાનો ઉપયોગ કેવી રીતે કરી શકે છે. જો ક્લાયન્ટ કાર્ડ ખોવાઈ જવાની જાણ કરે છે, અને તેની સાથે ખરીદી કરતી વખતે, બેંક રિયલ ટાઈમમાં ગ્રાહકના ફોનનું સ્થાન ખરીદના ક્ષેત્રમાં જુએ છે જ્યાં ટ્રાન્ઝેક્શન થાય છે, તો બેંક ક્લાયન્ટની એપ્લિકેશન પરની માહિતી ચકાસી શકે છે. તે જોવા માટે કે શું તે તેને છેતરવાનો પ્રયાસ કરી રહ્યો છે. અથવા વિપરીત પરિસ્થિતિ, જ્યારે કોઈ ક્લાયંટ સ્ટોરમાં ખરીદી કરે છે, ત્યારે બેંક જુએ છે કે વ્યવહાર માટે વપરાયેલ કાર્ડ અને ક્લાયંટનો ફોન એક જ જગ્યાએ છે, બેંક નિષ્કર્ષ પર આવી શકે છે કે કાર્ડ માલિક તેનો ઉપયોગ કરી રહ્યો છે. બિગ ડેટાના આવા ફાયદાઓ માટે આભાર, પરંપરાગત ડેટા વેરહાઉસની સીમાઓ વિસ્તૃત થઈ રહી છે.

બિગ ડેટા સોલ્યુશન્સનો સફળતાપૂર્વક અમલ કરવાનો નિર્ણય લેવા માટે, કંપનીએ રોકાણના કેસની ગણતરી કરવાની જરૂર છે, અને આ ઘણા અજાણ્યા ઘટકોને કારણે મોટી મુશ્કેલીઓનું કારણ બને છે. આવા કિસ્સાઓમાં વિશ્લેષણનો વિરોધાભાસ ભૂતકાળના આધારે ભવિષ્યની આગાહી કરે છે, જેના વિશેનો ડેટા ઘણીવાર ખૂટે છે. આ કિસ્સામાં, એક મહત્વપૂર્ણ પરિબળ તમારી પ્રારંભિક ક્રિયાઓનું સ્પષ્ટ આયોજન છે:

• પ્રથમ, એક વિશિષ્ટ વ્યવસાય સમસ્યા નક્કી કરવી જરૂરી છે જેના માટે બિગ ડેટા તકનીકોનો ઉપયોગ કરવામાં આવશે; આ કાર્ય પસંદ કરેલ ખ્યાલની શુદ્ધતા નક્કી કરવા માટેનું મુખ્ય બનશે. તમારે આ વિશિષ્ટ કાર્યથી સંબંધિત ડેટા એકત્રિત કરવા પર ધ્યાન કેન્દ્રિત કરવાની જરૂર છે, અને ખ્યાલના પુરાવા દરમિયાન, તમે વિવિધ સાધનો, પ્રક્રિયાઓ અને વ્યવસ્થાપન તકનીકોનો ઉપયોગ કરી શકો છો જે તમને ભવિષ્યમાં વધુ જાણકાર નિર્ણયો લેવાની મંજૂરી આપશે.
• બીજું, ડેટા એનાલિટિક્સ કૌશલ્ય અને અનુભવ વિનાની કંપની બિગ ડેટા પ્રોજેક્ટને સફળતાપૂર્વક અમલમાં મૂકી શકશે તેવી શક્યતા નથી. જરૂરી જ્ઞાન હંમેશા અગાઉના એનાલિટિક્સ અનુભવમાંથી ઉત્પન્ન થાય છે, જે ડેટા સાથે કામ કરવાની ગુણવત્તાને પ્રભાવિત કરતું મુખ્ય પરિબળ છે. ડેટા કલ્ચર મહત્વપૂર્ણ છે કારણ કે ઘણી વખત ડેટા વિશ્લેષણ વ્યવસાય વિશેના કઠણ સત્યો દર્શાવે છે, અને તે સત્યોને સ્વીકારવા અને તેની સાથે કામ કરવા માટે ડેટા પ્રેક્ટિસ લે છે.
• ત્રીજું, બિગ ડેટા ટેક્નોલોજીનું મૂલ્ય આંતરદૃષ્ટિ પ્રદાન કરવામાં આવેલું છે. બજારમાં સારા વિશ્લેષકોનો પુરવઠો ઓછો રહે છે. તેમને સામાન્ય રીતે નિષ્ણાતો કહેવામાં આવે છે જેઓ ડેટાના વ્યાપારી અર્થની ઊંડી સમજ ધરાવે છે અને તેનો યોગ્ય રીતે ઉપયોગ કેવી રીતે કરવો તે જાણે છે. ડેટા વિશ્લેષણ એ વ્યવસાયિક લક્ષ્યો હાંસલ કરવા માટેનું એક માધ્યમ છે, અને બિગ ડેટાના મૂલ્યને સમજવા માટે, તમારે તે મુજબ વર્તવું અને તમારી ક્રિયાઓને સમજવાની જરૂર છે. આ કિસ્સામાં, મોટા ડેટા ગ્રાહકો વિશે ઘણી ઉપયોગી માહિતી પ્રદાન કરશે, જેના આધારે વ્યવસાય માટે ઉપયોગી નિર્ણયો લઈ શકાય છે.

હકીકત એ છે કે રશિયન બિગ ડેટા માર્કેટ માત્ર આકાર લેવાનું શરૂ કરી રહ્યું છે તે છતાં, આ ક્ષેત્રમાં વ્યક્તિગત પ્રોજેક્ટ્સ પહેલેથી જ સફળતાપૂર્વક અમલમાં મૂકાઈ રહ્યા છે. તેમાંના કેટલાક ડેટા સંગ્રહના ક્ષેત્રમાં સફળ છે, જેમ કે ફેડરલ ટેક્સ સર્વિસ અને ટિંકઓફ ક્રેડિટ સિસ્ટમ્સ બેંક માટેના પ્રોજેક્ટ્સ, અન્ય - ડેટા વિશ્લેષણ અને તેના પરિણામોની વ્યવહારિક એપ્લિકેશનના સંદર્ભમાં: આ સિંકેરા પ્રોજેક્ટ છે.

Tinkoff ક્રેડિટ સિસ્ટમ્સ બેંકે EMC2 ગ્રીનપ્લમ પ્લેટફોર્મનો અમલ કરવા માટે એક પ્રોજેક્ટ અમલમાં મૂક્યો છે, જે મોટા પાયે સમાંતર કમ્પ્યુટિંગ માટેનું એક સાધન છે. દરમિયાન તાજેતરના વર્ષોવપરાશકર્તાઓની સંખ્યાના ઊંચા વૃદ્ધિ દરને કારણે બેંકે વાસ્તવિક સમયમાં સંચિત માહિતી અને ડેટા વિશ્લેષણની પ્રક્રિયાની ઝડપ માટે જરૂરિયાતોમાં વધારો કર્યો છે. ક્રેડિટ કાર્ડ. બેંકે બિગ ડેટા ટેક્નોલોજીના ઉપયોગને વિસ્તૃત કરવાની યોજના જાહેર કરી છે, ખાસ કરીને અનસ્ટ્રક્ચર્ડ ડેટાની પ્રક્રિયા કરવા અને વિવિધ સ્ત્રોતોમાંથી પ્રાપ્ત કોર્પોરેટ માહિતી સાથે કામ કરવા માટે.

રશિયાની ફેડરલ ટેક્સ સર્વિસ હાલમાં ફેડરલ ડેટા વેરહાઉસ માટે વિશ્લેષણાત્મક સ્તર બનાવી રહી છે. તેના આધારે, આંકડાકીય અને વિશ્લેષણાત્મક પ્રક્રિયા માટે ટેક્સ ડેટાને ઍક્સેસ કરવા માટે એકીકૃત માહિતી જગ્યા અને તકનીક બનાવવામાં આવે છે. પ્રોજેક્ટના અમલીકરણ દરમિયાન, ફેડરલ ટેક્સ સર્વિસના સ્થાનિક સ્તરે 1,200 થી વધુ સ્ત્રોતોમાંથી વિશ્લેષણાત્મક માહિતીને કેન્દ્રિય બનાવવાનું કાર્ય હાથ ધરવામાં આવી રહ્યું છે.

વાસ્તવિક સમયમાં મોટા ડેટા વિશ્લેષણનું બીજું રસપ્રદ ઉદાહરણ રશિયન સ્ટાર્ટઅપ સિંકેરા છે, જેણે સિમ્પલેટ પ્લેટફોર્મ વિકસાવ્યું હતું. સોલ્યુશન મોટી માત્રામાં ડેટાની પ્રક્રિયા પર આધારિત છે; પ્રોગ્રામ ગ્રાહકો વિશેની માહિતી, તેમની ખરીદીનો ઇતિહાસ, ઉંમર, લિંગ અને મૂડનું વિશ્લેષણ કરે છે. કોસ્મેટિક્સ સ્ટોર્સની સાંકળમાં ચેકઆઉટ વખતે ગ્રાહકની લાગણીઓને ઓળખતા સેન્સર સાથેની ટચ સ્ક્રીન ઇન્સ્ટોલ કરવામાં આવી હતી. પ્રોગ્રામ વ્યક્તિના મૂડને નિર્ધારિત કરે છે, તેના વિશેની માહિતીનું વિશ્લેષણ કરે છે, દિવસનો સમય નક્કી કરે છે અને સ્ટોરના ડિસ્કાઉન્ટ ડેટાબેઝને સ્કેન કરે છે, ત્યારબાદ તે ખરીદનારને પ્રમોશન અને વિશેષ ઑફર્સ વિશે લક્ષિત સંદેશા મોકલે છે. આ સોલ્યુશન ગ્રાહકોની વફાદારી વધારે છે અને રિટેલર્સનું વેચાણ વધારે છે.

જો આપણે વિદેશી સફળ કિસ્સાઓ વિશે વાત કરીએ, તો ઉત્પાદનો વેચવા માટે રીઅલ-ટાઇમ ડેટાનો ઉપયોગ કરતી Dunkin`Donuts કંપનીમાં બિગ ડેટા ટેક્નોલોજીનો ઉપયોગ કરવાનો અનુભવ આ સંદર્ભમાં રસપ્રદ છે. સ્ટોર્સમાં ડિજિટલ ડિસ્પ્લે ઑફર્સ દર્શાવે છે જે દિવસના સમય અને ઉત્પાદનની ઉપલબ્ધતાના આધારે દર મિનિટે બદલાય છે. રોકડ રસીદોનો ઉપયોગ કરીને, કંપની ડેટા મેળવે છે કે જેના પર ગ્રાહકો તરફથી સૌથી વધુ પ્રતિસાદ મળે છે. આ ડેટા પ્રોસેસિંગ અભિગમથી અમને નફો અને વેરહાઉસમાં માલનું ટર્નઓવર વધારવાની મંજૂરી મળી.

બિગ ડેટા પ્રોજેક્ટના અમલીકરણનો અનુભવ બતાવે છે તેમ, આ વિસ્તાર આધુનિક વ્યવસાયિક સમસ્યાઓને સફળતાપૂર્વક ઉકેલવા માટે રચાયેલ છે. તે જ સમયે, મોટા ડેટા સાથે કામ કરતી વખતે વાણિજ્યિક ધ્યેયો હાંસલ કરવા માટે એક મહત્વપૂર્ણ પરિબળ એ યોગ્ય વ્યૂહરચના પસંદ કરવાનું છે, જેમાં ઉપભોક્તા વિનંતીઓ તેમજ ઉપયોગને ઓળખતા વિશ્લેષણનો સમાવેશ થાય છે. નવીન તકનીકોબિગ ડેટાના ક્ષેત્રમાં.

કોર્પોરેટ માર્કેટર્સ વચ્ચે 2012 થી Econsultancy અને Adobe દ્વારા વાર્ષિક ધોરણે હાથ ધરવામાં આવતા વૈશ્વિક સર્વે અનુસાર, "બિગ ડેટા" કે જે ઇન્ટરનેટ પર લોકોની ક્રિયાઓની લાક્ષણિકતા દર્શાવે છે તે ઘણું કરી શકે છે. તેઓ ઑફલાઇન વ્યવસાય પ્રક્રિયાઓને ઑપ્ટિમાઇઝ કરી શકે છે, માહિતી શોધવા માટે મોબાઇલ ઉપકરણોના માલિકો તેનો ઉપયોગ કેવી રીતે કરે છે તે સમજવામાં મદદ કરી શકે છે, અથવા ફક્ત "માર્કેટિંગને બહેતર બનાવી શકે છે," એટલે કે. વધુ કાર્યક્ષમ. તદુપરાંત, પછીનું કાર્ય વર્ષ-દર-વર્ષે વધુને વધુ લોકપ્રિય બની રહ્યું છે, અમે પ્રસ્તુત કરેલ આકૃતિમાંથી નીચે મુજબ છે.

ગ્રાહક સંબંધોના સંદર્ભમાં ઇન્ટરનેટ માર્કેટર્સના કાર્યના મુખ્ય ક્ષેત્રો

સ્ત્રોત: Econsultancy અને Adobe, પ્રકાશિત– emarketer.com

નોંધ કરો કે ઉત્તરદાતાઓની રાષ્ટ્રીયતા મહાન મહત્વપાસે નથી. 2013 માં કેપીએમજી દ્વારા હાથ ધરવામાં આવેલા સર્વે મુજબ, "આશાવાદીઓ" નો હિસ્સો, એટલે કે. જેઓ બિઝનેસ વ્યૂહરચના વિકસાવતી વખતે બિગ ડેટાનો ઉપયોગ કરે છે તેમની સંખ્યા 56% છે, અને પ્રદેશ-પ્રાંતમાં ભિન્નતા ઓછી છે: ઉત્તર અમેરિકન દેશોમાં 63% થી EMEA માં 50%.

વિશ્વના વિવિધ પ્રદેશોમાં બિગ ડેટાનો ઉપયોગ

સ્ત્રોત: KPMG, પ્રકાશિત– emarketer.com

દરમિયાન, આવા "ફેશન વલણો" પ્રત્યે માર્કેટર્સનું વલણ કંઈક અંશે જાણીતા મજાકની યાદ અપાવે છે:

મને કહો, વનો, તને ટામેટાં ગમે છે?
- મને ખાવાનું ગમે છે, પણ આના જેવું નથી.

માર્કેટર્સ મૌખિક રીતે બિગ ડેટાને "પ્રેમ" કરે છે અને તેનો ઉપયોગ કરે છે તેવું લાગે છે તે હકીકત હોવા છતાં, વાસ્તવિકતામાં, "બધું જટિલ છે," કારણ કે તેઓ સોશિયલ નેટવર્ક પર તેમના હૃદયપૂર્વકના પ્રેમ વિશે લખે છે.

યુરોપીયન માર્કેટર્સ વચ્ચે જાન્યુઆરી 2014 માં સર્કલ રિસર્ચ દ્વારા હાથ ધરવામાં આવેલા સર્વેક્ષણ મુજબ, 5 માંથી 4 ઉત્તરદાતાઓ બિગ ડેટાનો ઉપયોગ કરતા નથી (જો કે તેઓ, અલબત્ત, "તેને પસંદ કરે છે"). કારણો અલગ છે. ત્યાં બહુ ઓછા સંશયવાદીઓ છે - 17% અને તેમના એન્ટિપોડ્સ જેટલી જ સંખ્યા, એટલે કે. જેઓ વિશ્વાસપૂર્વક જવાબ આપે છે: "હા." બાકીના અચકાતા અને શંકાશીલ છે, “સ્વેમ્પ”. તેઓ બુદ્ધિગમ્ય બહાના હેઠળ સીધો જવાબ આપવાનું ટાળે છે જેમ કે "હજુ સુધી નથી, પરંતુ ટૂંક સમયમાં" અથવા "અન્ય શરૂ થાય ત્યાં સુધી અમે રાહ જોઈશું."

માર્કેટર્સ દ્વારા બિગ ડેટાનો ઉપયોગ, યુરોપ, જાન્યુઆરી 2014

સ્ત્રોત:dnx, પ્રકાશિત -ઈમાર્કેટરકોમ

શું તેમને મૂંઝવણમાં મૂકે છે? શુદ્ધ નોનસેન્સ. કેટલાક (તેમાંથી બરાબર અડધા) ફક્ત આ ડેટા પર વિશ્વાસ કરતા નથી. અન્ય લોકો (તેમાંના ઘણા બધા છે - 55%) "ડેટા" અને "વપરાશકર્તાઓ" ના સેટને એકબીજા સાથે સહસંબંધિત કરવાનું મુશ્કેલ લાગે છે. કેટલાક લોકો પાસે આંતરિક કોર્પોરેટ ગડબડ છે (રાજકીય રીતે યોગ્ય રીતે) અન્ય લોકો માટે, સૉફ્ટવેર કામના પ્રવાહનો સામનો કરી શકતું નથી. અને તેથી વધુ. કુલ શેર નોંધપાત્ર રીતે 100% કરતાં વધી ગયા હોવાથી, તે સ્પષ્ટ છે કે "બહુવિધ અવરોધો" ની પરિસ્થિતિ અસામાન્ય નથી.

માર્કેટિંગમાં બિગ ડેટાના ઉપયોગ માટે અવરોધો

સ્ત્રોત:dnx, પ્રકાશિત -ઈમાર્કેટરકોમ

આમ, આપણે સ્વીકારવું પડશે કે અત્યારે "બિગ ડેટા" એ એક મોટી સંભાવના છે જેનો લાભ લેવાની જરૂર છે. બાય ધ વે, આ કારણ હોઈ શકે છે કે બિગ ડેટા "ફેશનેબલ ટ્રેન્ડ"નો પોતાનો પ્રભામંડળ ગુમાવી રહ્યો છે, જેમ કે કંપની ઈકોન્સલ્ટન્સી દ્વારા હાથ ધરવામાં આવેલા સર્વેક્ષણ દ્વારા પુરાવા મળે છે, જેનો અમે ઉલ્લેખ કર્યો છે.

ડિજિટલ માર્કેટિંગ 2013-2014 માં સૌથી નોંધપાત્ર વલણો

સ્ત્રોત: ઇકોન્સલ્ટન્સી અને એડોબ

તેઓને અન્ય રાજા - સામગ્રી માર્કેટિંગ દ્વારા બદલવામાં આવી રહ્યા છે. કેટલુ લાંબુ?

એવું કહી શકાય નહીં કે બિગ ડેટા એ અમુક પ્રકારની મૂળભૂત રીતે નવી ઘટના છે. ડેટાના મોટા સ્ત્રોત ઘણા વર્ષોથી અસ્તિત્વમાં છે: ગ્રાહકની ખરીદી, ક્રેડિટ ઇતિહાસ, જીવનશૈલી પરના ડેટાબેઝ. અને વર્ષોથી, વૈજ્ઞાનિકોએ આ ડેટાનો ઉપયોગ કંપનીઓને જોખમનું મૂલ્યાંકન કરવામાં અને ભાવિ ગ્રાહક જરૂરિયાતોની આગાહી કરવામાં મદદ કરવા માટે કર્યો છે. જો કે, આજે પરિસ્થિતિ બે પાસાઓમાં બદલાઈ છે:

વિવિધ ડેટા સેટ્સનું વિશ્લેષણ અને સંયોજન કરવા માટે વધુ આધુનિક સાધનો અને તકનીકો ઉભરી આવ્યા છે;

આ વિશ્લેષણાત્મક સાધનો વર્ચ્યુઅલ રીતે તમામ ડેટા સંગ્રહ અને માપન પદ્ધતિઓના ડિજિટલાઇઝેશન દ્વારા સંચાલિત નવા ડેટા સ્ત્રોતોના હિમપ્રપાત દ્વારા પૂરક છે.

સંરચિત સંશોધન વાતાવરણમાં ઉછરેલા સંશોધકો માટે ઉપલબ્ધ માહિતીની શ્રેણી પ્રેરણાદાયી અને ભયાવહ બંને છે. ઉપભોક્તા સેન્ટિમેન્ટ વેબસાઇટ્સ અને તમામ પ્રકારના સોશિયલ મીડિયા દ્વારા કબજે કરવામાં આવે છે. જાહેરાત જોવાની હકીકત માત્ર સેટ-ટોપ બોક્સ દ્વારા જ નહીં, પરંતુ ટીવી સાથે વાતચીત કરતા ડિજિટલ ટેગ્સ અને મોબાઇલ ઉપકરણોની મદદથી પણ રેકોર્ડ કરવામાં આવે છે.

બિહેવિયરલ ડેટા (જેમ કે કૉલ વોલ્યુમ, શોપિંગ ટેવ અને ખરીદી) હવે રીઅલ ટાઇમમાં ઉપલબ્ધ છે. આમ, સંશોધન દ્વારા અગાઉ જે મેળવી શકાતું હતું તેમાંથી ઘણું બધું હવે મોટા ડેટા સ્ત્રોતોનો ઉપયોગ કરીને શીખી શકાય છે. અને આ બધી માહિતી સંપત્તિઓ કોઈપણ સંશોધન પ્રક્રિયાઓને ધ્યાનમાં લીધા વિના સતત જનરેટ થાય છે. આ ફેરફારો અમને આશ્ચર્ય કરે છે કે શું મોટા ડેટા ક્લાસિક માર્કેટ રિસર્ચને બદલી શકે છે.

તે ડેટા વિશે નથી, તે પ્રશ્નો અને જવાબો વિશે છે.

ક્લાસિક સંશોધન માટે આપણે મૃત્યુની ઘંટડી વગાડીએ તે પહેલાં, આપણે આપણી જાતને યાદ અપાવવી જોઈએ કે તે ચોક્કસ ડેટા સંપત્તિની હાજરી નથી જે મહત્વપૂર્ણ છે, પરંતુ કંઈક બીજું છે. બરાબર શું? પ્રશ્નોના જવાબ આપવાની અમારી ક્ષમતા, તે જ છે. મોટા ડેટાની નવી દુનિયા વિશે એક રમુજી બાબત એ છે કે નવી ડેટા સંપત્તિઓમાંથી મેળવેલા પરિણામો હજી વધુ પ્રશ્નો તરફ દોરી જાય છે, અને આ પ્રશ્નોના સામાન્ય રીતે પરંપરાગત સંશોધન દ્વારા શ્રેષ્ઠ જવાબ આપવામાં આવે છે. આમ, જેમ જેમ મોટો ડેટા વધતો જાય છે તેમ તેમ આપણે "સ્મોલ ડેટા" ની ઉપલબ્ધતા અને જરૂરિયાતમાં સમાંતર વધારો જોઈએ છીએ જે મોટા ડેટાની દુનિયાના પ્રશ્નોના જવાબો આપી શકે છે.

પરિસ્થિતિને ધ્યાનમાં લો: એક મોટો જાહેરાતકર્તા રીઅલ ટાઇમમાં સ્ટોર ટ્રાફિક અને વેચાણની માત્રાનું સતત નિરીક્ષણ કરે છે. હાલની સંશોધન પદ્ધતિઓ (જેમાં અમે પેનલના સભ્યોને તેમની ખરીદીની પ્રેરણા અને પોઈન્ટ-ઓફ-સેલ વર્તણૂક વિશે સર્વેક્ષણ કરીએ છીએ) અમને ચોક્કસ ખરીદદાર સેગમેન્ટને વધુ સારી રીતે લક્ષિત કરવામાં મદદ કરે છે. આ તકનીકોને મોટી માહિતી સંપત્તિની વિશાળ શ્રેણીને સમાવવા માટે વિસ્તૃત કરી શકાય છે, જ્યાં સુધી મોટા ડેટા નિષ્ક્રિય અવલોકનનું સાધન બની જાય છે, અને સંશોધન અભ્યાસની જરૂર હોય તેવા ફેરફારો અથવા ઘટનાઓની ચાલુ, સંકુચિત રીતે કેન્દ્રિત તપાસની પદ્ધતિ બની જાય છે. આ રીતે મોટા ડેટા સંશોધનને બિનજરૂરી રૂટિનમાંથી મુક્ત કરી શકે છે. પ્રાથમિક સંશોધન હવે શું થઈ રહ્યું છે તેના પર ધ્યાન કેન્દ્રિત કરવાની જરૂર નથી (મોટો ડેટા તે કરશે). તેના બદલે, પ્રાથમિક સંશોધન એ સમજાવવા પર ધ્યાન કેન્દ્રિત કરી શકે છે કે આપણે ચોક્કસ વલણો અથવા વલણોમાંથી વિચલનો શા માટે અવલોકન કરીએ છીએ. સંશોધક ડેટા મેળવવા વિશે ઓછું અને તેનું વિશ્લેષણ અને ઉપયોગ કેવી રીતે કરવું તે વિશે વધુ વિચારી શકશે.

તે જ સમયે, આપણે જોઈએ છીએ કે મોટો ડેટા આપણી સૌથી મોટી સમસ્યાઓમાંથી એકને હલ કરી શકે છે: વધુ પડતા લાંબા અભ્યાસની સમસ્યા. અધ્યયનોની જાતે જ તપાસ કરવાથી જાણવા મળ્યું છે કે વધુ પડતાં સંશોધન સાધનો ડેટાની ગુણવત્તા પર નકારાત્મક અસર કરે છે. જો કે ઘણા નિષ્ણાતોએ આ સમસ્યાને લાંબા સમયથી સ્વીકારી હતી, તેઓ હંમેશા આ વાક્ય સાથે પ્રતિભાવ આપતા હતા, "પરંતુ મને વરિષ્ઠ મેનેજમેન્ટ માટે આ માહિતીની જરૂર છે," અને લાંબી મુલાકાતો ચાલુ રહી.

મોટા ડેટાની દુનિયામાં, જ્યાં નિષ્ક્રિય અવલોકન દ્વારા માત્રાત્મક મેટ્રિક્સ મેળવી શકાય છે, આ મુદ્દો વિવાદાસ્પદ બની જાય છે. ફરીથી, ચાલો વપરાશ સંબંધિત આ બધા અભ્યાસો વિશે વિચારીએ. જો મોટા ડેટા અમને નિષ્ક્રિય અવલોકન દ્વારા વપરાશની સમજ આપે છે, તો પછી પ્રાથમિક સર્વેક્ષણ સંશોધનને હવે આ પ્રકારની માહિતી એકત્રિત કરવાની જરૂર નથી, અને અમે આખરે ઇચ્છાપૂર્ણ વિચારસરણી કરતાં વધુ કંઈક સાથે ટૂંકા સર્વેક્ષણની અમારી દ્રષ્ટિનું સમર્થન કરી શકીએ છીએ.

બિગ ડેટાને તમારી મદદની જરૂર છે

છેવટે, "મોટા" એ મોટા ડેટાની માત્ર એક લાક્ષણિકતા છે. લાક્ષણિકતા "મોટા" ડેટાના કદ અને સ્કેલનો સંદર્ભ આપે છે. અલબત્ત, આ મુખ્ય લાક્ષણિકતા છે, કારણ કે આ ડેટાનું પ્રમાણ આપણે પહેલાં જે પણ કામ કર્યું છે તેનાથી આગળ છે. પરંતુ આ નવા ડેટા સ્ટ્રીમ્સની અન્ય વિશેષતાઓ પણ મહત્વપૂર્ણ છે: તે ઘણીવાર ખરાબ રીતે ફોર્મેટ કરેલ, અસંગઠિત (અથવા શ્રેષ્ઠ રીતે, આંશિક રીતે સંરચિત) અને અનિશ્ચિતતાથી ભરેલી હોય છે. ડેટા મેનેજમેન્ટનું એક ઉભરતું ક્ષેત્ર, યોગ્ય રીતે નામવાળી એન્ટિટી એનાલિટિક્સ, મોટા ડેટામાં અવાજને ઘટાડવાની સમસ્યાને સંબોધિત કરે છે. તેનું કામ આ ડેટા સેટ્સનું વિશ્લેષણ કરવાનું છે અને એક જ વ્યક્તિ માટે કેટલા અવલોકનો સંદર્ભ આપે છે, કયા અવલોકનો વર્તમાન છે અને કયા ઉપયોગ કરવા યોગ્ય છે તે શોધવાનું છે.

મોટી અથવા નાની ડેટા સંપત્તિઓ સાથે કામ કરતી વખતે અવાજ અથવા ભૂલભરેલા ડેટાને દૂર કરવા માટે આ પ્રકારની ડેટા સફાઈ જરૂરી છે, પરંતુ તે પર્યાપ્ત નથી. અમારે અમારા અગાઉના અનુભવ, એનાલિટિક્સ અને કેટેગરીના જ્ઞાનના આધારે મોટી ડેટા અસ્કયામતોની આસપાસ સંદર્ભ પણ બનાવવો જોઈએ. હકીકતમાં, ઘણા વિશ્લેષકો સ્પર્ધાત્મક લાભના સ્ત્રોત તરીકે મોટા ડેટામાં રહેલી અનિશ્ચિતતાને સંચાલિત કરવાની ક્ષમતા તરફ નિર્દેશ કરે છે, કારણ કે તે વધુ સારા નિર્ણયો લેવામાં સક્ષમ બનાવે છે.

આ તે છે જ્યાં પ્રાથમિક સંશોધન માત્ર મોટા ડેટા દ્વારા પોતાને મુક્ત કરતું નથી, પરંતુ મોટા ડેટાની અંદર સામગ્રીની રચના અને વિશ્લેષણમાં પણ ફાળો આપે છે.

આનું મુખ્ય ઉદાહરણ સોશિયલ મીડિયા પર અમારા નવા મૂળભૂત રીતે અલગ બ્રાન્ડ ઇક્વિટી ફ્રેમવર્કનો ઉપયોગ છે (અમે માં વિકસિત વિશે વાત કરી રહ્યા છીએમિલવર્ડ બ્રાઉનબ્રાન્ડ ઇક્વિટી માપવા માટે એક નવો અભિગમઆ અર્થપૂર્ણ રીતે અલગ ફ્રેમવર્ક- "અર્થપૂર્ણ તફાવતનો દાખલો" -આર & ટી ). આ મોડેલનું ચોક્કસ બજારોમાં વર્તન પર પરીક્ષણ કરવામાં આવ્યું છે, પ્રમાણભૂત ધોરણે અમલમાં મૂકવામાં આવ્યું છે, અને અન્ય માર્કેટિંગ ક્ષેત્રોમાં સરળતાથી લાગુ થાય છે અને માહિતી સિસ્ટમોનિર્ણય સમર્થન માટે આહ. બીજા શબ્દોમાં કહીએ તો, અમારા બ્રાંડ ઇક્વિટી મોડલ, સર્વેક્ષણ સંશોધન દ્વારા (જોકે ફક્ત તેના પર આધારિત નથી) માહિતગાર છે, તેમાં મોટા ડેટાની અસંરચિત, અસંબંધિત અને અનિશ્ચિત પ્રકૃતિને દૂર કરવા માટે જરૂરી તમામ સુવિધાઓ છે.

સોશિયલ મીડિયા દ્વારા આપવામાં આવેલ ગ્રાહક સેન્ટિમેન્ટ ડેટાને ધ્યાનમાં લો. કાચા સ્વરૂપમાં, ઉપભોક્તા સેન્ટિમેન્ટમાં શિખરો અને ચાટ ઘણી વાર બ્રાન્ડ ઇક્વિટી અને વર્તનના ઑફલાઇન માપદંડો સાથે ઓછામાં ઓછા સહસંબંધિત હોય છે: ડેટામાં ખૂબ જ ઘોંઘાટ છે. પરંતુ અમે અમારા ઉપભોક્તા અર્થ, બ્રાન્ડ ડિફરન્સિએશન, ડાયનેમિક્સ અને વિશિષ્ટતાના અમારા મોડલ્સને કાચા ગ્રાહક સેન્ટિમેન્ટ ડેટામાં લાગુ કરીને આ અવાજને ઘટાડી શકીએ છીએ - આ પરિમાણો સાથે સોશિયલ મીડિયા ડેટાને પ્રોસેસ કરવાની અને એકત્ર કરવાની એક રીત.

એકવાર અમારા ફ્રેમવર્ક અનુસાર ડેટા ગોઠવાઈ જાય, પછી ઓળખવામાં આવેલા વલણો સામાન્ય રીતે ઑફલાઇન બ્રાન્ડ ઇક્વિટી અને વર્તણૂકીય પગલાં સાથે સંરેખિત થાય છે. આવશ્યકપણે, સોશિયલ મીડિયા ડેટા પોતાના માટે બોલી શકતો નથી. આ હેતુ માટે તેનો ઉપયોગ કરવા માટે અમારો અનુભવ અને બ્રાન્ડની આસપાસ બનેલા મોડલની જરૂર છે. જ્યારે સોશિયલ મીડિયા આપણને બ્રાન્ડનું વર્ણન કરવા માટે ઉપભોક્તાઓ દ્વારા ઉપયોગમાં લેવામાં આવતી ભાષામાં વ્યક્ત કરવામાં આવેલી અનન્ય માહિતી આપે છે, ત્યારે પ્રાથમિક સંશોધનને વધુ અસરકારક બનાવવા માટે અમારું સંશોધન બનાવતી વખતે આપણે તે ભાષાનો ઉપયોગ કરવો જોઈએ.

મુક્તિ સંશોધનના લાભો

આ અમને પાછું લાવે છે કે કેટલો મોટો ડેટા સંશોધનને મુક્ત કરવા જેટલું સ્થાન લેતું નથી. સંશોધકોને દરેક નવા કેસ માટે નવો અભ્યાસ બનાવવાની જરૂરિયાતમાંથી મુક્ત કરવામાં આવશે. સતત વધતી જતી મોટી ડેટા અસ્કયામતોનો ઉપયોગ વિવિધ સંશોધન વિષયો માટે થઈ શકે છે, જે અનુગામી પ્રાથમિક સંશોધનને વિષયમાં વધુ ઊંડે સુધી પહોંચવા અને હાલના અવકાશને ભરવા માટે પરવાનગી આપે છે. સંશોધકોને વધુ પડતા મોંઘા સર્વેક્ષણો પર આધાર રાખવાથી મુક્ત કરવામાં આવશે. તેના બદલે, તેઓ ટૂંકા સર્વેક્ષણોનો ઉપયોગ કરી શકે છે અને સૌથી મહત્વપૂર્ણ પરિમાણો પર ધ્યાન કેન્દ્રિત કરી શકે છે, જે ડેટાની ગુણવત્તામાં સુધારો કરે છે.

આ મુક્તિ સાથે, સંશોધકો તેમના સ્થાપિત સિદ્ધાંતો અને વિચારોનો ઉપયોગ મોટી ડેટા સંપત્તિઓમાં ચોકસાઇ અને અર્થ ઉમેરવા માટે કરી શકશે, જે સર્વે સંશોધન માટે નવા ક્ષેત્રો તરફ દોરી જશે. આ ચક્ર વ્યૂહાત્મક મુદ્દાઓની શ્રેણી પર વધુ સમજણ તરફ દોરી જવું જોઈએ અને છેવટે, જે હંમેશા અમારું પ્રાથમિક ધ્યેય હોવું જોઈએ - બ્રાન્ડ અને સંદેશાવ્યવહારના નિર્ણયોની ગુણવત્તાને જાણ કરવી અને સુધારવા માટે.

ડેટા વૃદ્ધિનો સતત પ્રવેગ એ આધુનિક વાસ્તવિકતાઓનું અભિન્ન તત્વ છે. સામાજિક નેટવર્ક્સ, મોબાઇલ ઉપકરણો, માપન ઉપકરણોમાંથી ડેટા, વ્યવસાય માહિતી એ માત્ર કેટલાક પ્રકારના સ્ત્રોતો છે જે વિશાળ માત્રામાં ડેટા જનરેટ કરી શકે છે.

હાલમાં, બિગ ડેટા શબ્દ એકદમ સામાન્ય બની ગયો છે. મોટા પ્રમાણમાં ડેટાની પ્રક્રિયા કરવા માટેની તકનીકો સમાજના સૌથી વધુ વૈવિધ્યસભર પાસાઓને કેટલી ઝડપથી અને ઊંડી રીતે બદલી રહી છે તે વિશે દરેક જણ હજુ પણ વાકેફ નથી. વિવિધ ક્ષેત્રોમાં પરિવર્તનો થઈ રહ્યા છે, જે ક્ષેત્ર સહિત નવી સમસ્યાઓ અને પડકારોને જન્મ આપે છે માહિતી સુરક્ષા, જ્યાં તેના સૌથી મહત્વપૂર્ણ પાસાઓ જેમ કે ગોપનીયતા, અખંડિતતા, ઉપલબ્ધતા વગેરે અગ્રભાગમાં હોવા જોઈએ.

કમનસીબે, ઘણી આધુનિક કંપનીઓ તેમના દ્વારા એકત્રિત અને સંગ્રહિત કરવામાં આવેલ વિશાળ માત્રામાં ડેટાને સુરક્ષિત રીતે સંગ્રહિત કરવા માટે યોગ્ય ઈન્ફ્રાસ્ટ્રક્ચર બનાવ્યા વિના બિગ ડેટા ટેકનોલોજીનો આશરો લે છે. બીજી તરફ, બ્લોકચેન ટેક્નોલોજી હાલમાં ઝડપથી વિકસી રહી છે, જે આ અને અન્ય ઘણી સમસ્યાઓને ઉકેલવા માટે બનાવવામાં આવી છે.

બિગ ડેટા શું છે?

વાસ્તવમાં, શબ્દની વ્યાખ્યા સીધીસાદી છે: "મોટા ડેટા" નો અર્થ થાય છે ડેટાના ખૂબ મોટા જથ્થાનું સંચાલન, તેમજ તેમના વિશ્લેષણ. જો આપણે વધુ વ્યાપક રીતે જોઈએ, તો આ એવી માહિતી છે જે તેના મોટા જથ્થાને કારણે શાસ્ત્રીય પદ્ધતિઓ દ્વારા પ્રક્રિયા કરી શકાતી નથી.

બિગ ડેટા શબ્દ પોતે પ્રમાણમાં તાજેતરમાં દેખાયો. Google Trends અનુસાર, શબ્દની લોકપ્રિયતામાં સક્રિય વૃદ્ધિ 2011 ના અંતમાં થઈ હતી:

2010 માં, મોટા ડેટા પ્રોસેસિંગ સાથે સીધા સંબંધિત પ્રથમ ઉત્પાદનો અને ઉકેલો દેખાવા લાગ્યા. 2011 સુધીમાં, IBM, Oracle, Microsoft અને Hewlett-Packard સહિતની મોટાભાગની સૌથી મોટી IT કંપનીઓ તેમની બિઝનેસ વ્યૂહરચનાઓમાં બિગ ડેટા શબ્દનો સક્રિયપણે ઉપયોગ કરી રહી છે. ધીમે ધીમે, માહિતી ટેકનોલોજી બજાર વિશ્લેષકો આ ખ્યાલમાં સક્રિય સંશોધન શરૂ કરી રહ્યા છે.

હાલમાં, આ શબ્દ નોંધપાત્ર લોકપ્રિયતા મેળવી છે અને વિવિધ ક્ષેત્રોમાં સક્રિયપણે ઉપયોગમાં લેવાય છે. જો કે, એવું નિશ્ચિતપણે કહી શકાય નહીં કે બિગ ડેટા એ અમુક પ્રકારની મૂળભૂત રીતે નવી ઘટના છે - તેનાથી વિપરીત, મોટા ડેટા સ્ત્રોતો ઘણા વર્ષોથી અસ્તિત્વમાં છે. માર્કેટિંગમાં, આમાં ગ્રાહકની ખરીદી, ક્રેડિટ ઇતિહાસ, જીવનશૈલી વગેરેનો ડેટાબેસેસનો સમાવેશ થાય છે. વર્ષોથી, વિશ્લેષકોએ આ ડેટાનો ઉપયોગ કંપનીઓને ભાવિ ગ્રાહક જરૂરિયાતોની આગાહી કરવામાં, જોખમોનું મૂલ્યાંકન કરવા, ગ્રાહક પસંદગીઓને આકાર આપવા અને વધુ કરવામાં મદદ કરવા માટે કર્યો છે.

હાલમાં, પરિસ્થિતિ બે પાસાઓમાં બદલાઈ છે:

- વિવિધ ડેટા સેટનું વિશ્લેષણ અને સરખામણી કરવા માટે વધુ આધુનિક સાધનો અને પદ્ધતિઓ ઉભરી આવી છે;
— ડિજિટલ ટેક્નોલોજીમાં વ્યાપક સંક્રમણ તેમજ ડેટા સંગ્રહ અને માપનની નવી પદ્ધતિઓને કારણે વિશ્લેષણ સાધનોને ઘણા નવા ડેટા સ્ત્રોતો સાથે પૂરક બનાવવામાં આવ્યા છે.

સંશોધકો અનુમાન કરે છે કે બિગ ડેટા ટેક્નોલોજીનો ઉપયોગ ઉત્પાદન, આરોગ્યસંભાળ, વેપાર, સરકારી વહીવટ અને અન્ય વિવિધ ક્ષેત્રો અને ઉદ્યોગોમાં સૌથી વધુ સક્રિય રીતે કરવામાં આવશે.

બિગ ડેટા એ ડેટાની ચોક્કસ શ્રેણી નથી, પરંતુ તેની પ્રક્રિયા કરવા માટેની પદ્ધતિઓનો સમૂહ છે. મોટા ડેટાની નિર્ણાયક લાક્ષણિકતા માત્ર તેનું પ્રમાણ જ નથી, પરંતુ અન્ય કેટેગરીઝ પણ છે જે શ્રમ-સઘન ડેટા પ્રોસેસિંગ અને વિશ્લેષણ પ્રક્રિયાઓને દર્શાવે છે.

પ્રક્રિયા માટે પ્રારંભિક ડેટા હોઈ શકે છે, ઉદાહરણ તરીકે:

— ઈન્ટરનેટ વપરાશકર્તા વર્તનના લોગ;
- વસ્તુઓનું ઇન્ટરનેટ;
- સામાજિક મીડિયા;
- હવામાનશાસ્ત્રની માહિતી;
- મુખ્ય પુસ્તકાલયોમાંથી ડિજિટલાઈઝ્ડ પુસ્તકો;
- વાહનોમાંથી જીપીએસ સિગ્નલો;
- બેંક ગ્રાહકોના વ્યવહારો વિશેની માહિતી;
- મોબાઇલ નેટવર્ક સબ્સ્ક્રાઇબર્સના સ્થાન પરનો ડેટા;
- મોટી છૂટક સાંકળોમાં ખરીદી વિશે માહિતી, વગેરે.

સમય જતાં, ડેટાની માત્રા અને તેના સ્ત્રોતોની સંખ્યા સતત વધી રહી છે, અને આ પૃષ્ઠભૂમિ સામે, માહિતી પ્રક્રિયાની નવી પદ્ધતિઓ ઉભરી રહી છે અને હાલની પદ્ધતિઓમાં સુધારો કરવામાં આવી રહ્યો છે.

મોટા ડેટાના મૂળભૂત સિદ્ધાંતો:

— હોરિઝોન્ટલ સ્કેલેબિલિટી – ડેટા એરે વિશાળ હોઈ શકે છે અને આનો અર્થ એ છે કે મોટી ડેટા પ્રોસેસિંગ સિસ્ટમ તેમના વોલ્યુમમાં વધારો થતાં ગતિશીલ રીતે વિસ્તરણ થવી જોઈએ.
- ફોલ્ટ સહિષ્ણુતા - જો કેટલાક સાધનોના ઘટકો નિષ્ફળ જાય તો પણ, સમગ્ર સિસ્ટમ કાર્યરત રહેવી જોઈએ.
- ડેટા સ્થાનિકતા. મોટી વિતરિત પ્રણાલીઓમાં, ડેટા સામાન્ય રીતે નોંધપાત્ર સંખ્યામાં મશીનો પર વિતરિત કરવામાં આવે છે. જો કે, જ્યારે પણ શક્ય હોય અને સંસાધનોને બચાવવા માટે, ડેટાને તે જ સર્વર પર પ્રક્રિયા કરવામાં આવે છે જ્યાં તેને સંગ્રહિત કરવામાં આવે છે.

ત્રણેય સિદ્ધાંતોના સ્થિર સંચાલન માટે અને તે મુજબ, મોટા ડેટાના સંગ્રહ અને પ્રક્રિયાની ઉચ્ચ કાર્યક્ષમતા માટે, નવી પ્રગતિશીલ તકનીકોની જરૂર છે, જેમ કે, ઉદાહરણ તરીકે, બ્લોકચેન.

આપણને મોટા ડેટાની કેમ જરૂર છે?

બિગ ડેટાનો અવકાશ સતત વિસ્તરી રહ્યો છે:

- બિગ ડેટાનો ઉપયોગ દવામાં થઈ શકે છે. આમ, દર્દીનું નિદાન માત્ર દર્દીના તબીબી ઇતિહાસના વિશ્લેષણના ડેટાના આધારે જ નહીં, પરંતુ અન્ય ડોકટરોના અનુભવ, દર્દીના રહેઠાણના વિસ્તારની પર્યાવરણીય પરિસ્થિતિ વિશેની માહિતીને ધ્યાનમાં રાખીને પણ કરી શકાય છે. અન્ય ઘણા પરિબળો.
- માનવરહિત વાહનોની હિલચાલને ગોઠવવા માટે બિગ ડેટા ટેકનોલોજીનો ઉપયોગ કરી શકાય છે.
— મોટી માત્રામાં ડેટા પર પ્રક્રિયા કરીને, તમે ફોટા અને વીડિયોમાં ચહેરાઓને ઓળખી શકો છો.
— બિગ ડેટા ટેક્નોલોજીનો રિટેલરો દ્વારા ઉપયોગ કરી શકાય છે - ટ્રેડિંગ કંપનીઓ સક્રિયપણે ડેટા સેટનો ઉપયોગ કરી શકે છે સામાજિક નેટવર્ક્સઅસરકારક રીતે તમારા રૂપરેખાંકિત કરવા માટે જાહેરાત ઝુંબેશ, જે ચોક્કસ ઉપભોક્તા સેગમેન્ટને મહત્તમ રીતે લક્ષિત કરી શકાય છે.
— આ ટેક્નોલોજીનો ઉપયોગ સમાજમાં રાજકીય પસંદગીઓના પૃથ્થકરણ સહિત ચૂંટણી ઝુંબેશના આયોજનમાં સક્રિયપણે થાય છે.
- બિગ ડેટા ટેક્નોલોજીનો ઉપયોગ આવકની ખાતરી (RA) વર્ગના ઉકેલો માટે સુસંગત છે, જેમાં અસંગતતાઓ શોધવા અને ઊંડાણપૂર્વકના ડેટા વિશ્લેષણ માટેના સાધનોનો સમાવેશ થાય છે, જે સંભવિત નુકસાન અથવા માહિતીની વિકૃતિની સમયસર ઓળખને મંજૂરી આપે છે જે ઘટાડા તરફ દોરી શકે છે. નાણાકીય પરિણામો.
— દૂરસંચાર પ્રદાતાઓ ભૌગોલિક સ્થાન સહિત મોટા ડેટાને એકત્ર કરી શકે છે; બદલામાં, આ માહિતી જાહેરાત એજન્સીઓ માટે વાણિજ્યિક હિતની હોઈ શકે છે, જે લક્ષિત અને સ્થાનિક જાહેરાતો તેમજ રિટેલર્સ અને બેંકોને પ્રદર્શિત કરવા માટે તેનો ઉપયોગ કરી શકે છે.
— લોકોના શક્તિશાળી લક્ષિત પ્રવાહની હાજરી વિશેના ડેટાના આધારે ચોક્કસ સ્થાન પર રિટેલ આઉટલેટ ખોલવાનું નક્કી કરવામાં બિગ ડેટા મહત્વપૂર્ણ ભૂમિકા ભજવી શકે છે.

આમ, બિગ ડેટા ટેક્નોલોજીનો સૌથી સ્પષ્ટ વ્યવહારુ ઉપયોગ માર્કેટિંગના ક્ષેત્રમાં રહેલો છે. ઈન્ટરનેટના વિકાસ અને તમામ પ્રકારના સંચાર ઉપકરણોના પ્રસારને કારણે, વર્તણૂકીય ડેટા (જેમ કે કૉલ્સની સંખ્યા, ખરીદીની આદતો અને ખરીદી) વાસ્તવિક સમયમાં ઉપલબ્ધ થઈ રહી છે.

બિગ ડેટા ટેક્નોલોજીનો અસરકારક રીતે ફાયનાન્સ, સમાજશાસ્ત્રીય સંશોધન અને અન્ય ઘણા ક્ષેત્રોમાં પણ ઉપયોગ કરી શકાય છે. નિષ્ણાતો કહે છે કે આ બધી મોટી ડેટા તકો માત્ર છે દૃશ્યમાન ભાગઆઇસબર્ગ, કારણ કે આ તકનીકોનો ઉપયોગ ગુપ્તચર અને પ્રતિબુદ્ધિમાં, લશ્કરી બાબતોમાં, તેમજ સામાન્ય રીતે માહિતી યુદ્ધ તરીકે ઓળખાતી દરેક વસ્તુમાં થાય છે.

IN સામાન્ય રૂપરેખાબિગ ડેટા સાથે કામ કરવાના ક્રમમાં ડેટા એકત્ર કરવાનો, રિપોર્ટ્સ અને ડેશબોર્ડ્સનો ઉપયોગ કરીને પ્રાપ્ત માહિતીનું માળખું અને પછી કાર્યવાહી માટે ભલામણો ઘડવાનો સમાવેશ થાય છે.

ચાલો માર્કેટિંગમાં બિગ ડેટા ટેક્નોલોજીનો ઉપયોગ કરવાની શક્યતાઓને ટૂંકમાં ધ્યાનમાં લઈએ. જેમ તમે જાણો છો, માર્કેટર માટે, આગાહી અને વ્યૂહરચના વિકાસ માટે માહિતી એ મુખ્ય સાધન છે. મોટા ડેટા વિશ્લેષણનો લાંબા સમયથી લક્ષ્ય પ્રેક્ષકો, રુચિઓ, માંગ અને ગ્રાહકોની પ્રવૃત્તિ નક્કી કરવા માટે સફળતાપૂર્વક ઉપયોગ કરવામાં આવે છે. મોટા ડેટા વિશ્લેષણ, ખાસ કરીને, જાહેરાત પ્રદર્શિત કરવાનું શક્ય બનાવે છે (RTB હરાજી મોડલ - રીઅલ ટાઇમ બિડિંગ) માત્ર એવા ગ્રાહકોને જ કે જેઓ ઉત્પાદન અથવા સેવામાં રસ ધરાવતા હોય.

માર્કેટિંગમાં બિગ ડેટાનો ઉપયોગ ઉદ્યોગપતિઓને આની મંજૂરી આપે છે:

- તમારા ગ્રાહકોને વધુ સારી રીતે જાણો, ઇન્ટરનેટ પર સમાન પ્રેક્ષકોને આકર્ષિત કરો;
- ગ્રાહક સંતોષની ડિગ્રીનું મૂલ્યાંકન કરો;
- સમજો કે શું સૂચિત સેવા અપેક્ષાઓ અને જરૂરિયાતોને પૂર્ણ કરે છે;
- ગ્રાહક વિશ્વાસ વધારવાની નવી રીતો શોધો અને અમલમાં મુકો;
- માંગમાં હોય તેવા પ્રોજેક્ટ બનાવો, વગેરે.

ઉદાહરણ તરીકે, Google.trends સેવા માર્કેટરને ચોક્કસ ઉત્પાદન, વધઘટ અને ક્લિક્સની ભૂગોળ માટે મોસમી માંગ પ્રવૃત્તિની આગાહી સૂચવી શકે છે. જો તમે તમારી પોતાની વેબસાઇટ પર સંબંધિત પ્લગઇન દ્વારા એકત્રિત કરાયેલ આંકડાકીય માહિતી સાથે આ માહિતીની તુલના કરો છો, તો તમે મહિનો, પ્રદેશ અને અન્ય પરિમાણોને દર્શાવતા, જાહેરાત બજેટના વિતરણ માટે એક યોજના બનાવી શકો છો.

ઘણા સંશોધકોના મતે ટ્રમ્પ ચૂંટણી અભિયાનની સફળતા બિગ ડેટાના વિભાજન અને ઉપયોગમાં રહેલી છે. ભાવિ યુએસ પ્રમુખની ટીમ પ્રેક્ષકોને યોગ્ય રીતે વિભાજિત કરવામાં, તેની ઇચ્છાઓને સમજવામાં અને મતદારો જે જોવા અને સાંભળવા માંગે છે તે બરાબર સંદેશ બતાવવામાં સક્ષમ હતી. આમ, ડેટા-સેન્ટ્રિક એલાયન્સમાંથી ઇરિના બેલિશેવાના જણાવ્યા અનુસાર, ટ્રમ્પની જીત મોટાભાગે ઇન્ટરનેટ માર્કેટિંગ માટેના બિન-માનક અભિગમને કારણે શક્ય બની હતી, જે બિગ ડેટા, મનોવૈજ્ઞાનિક અને વર્તન વિશ્લેષણ અને વ્યક્તિગત જાહેરાત પર આધારિત હતી.

ટ્રમ્પના રાજકીય વ્યૂહરચનાકારો અને માર્કેટર્સે ખાસ વિકસિત ગાણિતિક મોડલનો ઉપયોગ કર્યો, જેણે તમામ યુએસ મતદારોના ડેટાનું ઊંડાણપૂર્વક વિશ્લેષણ કરવાનું અને તેમને વ્યવસ્થિત બનાવવાનું શક્ય બનાવ્યું, માત્ર ભૌગોલિક લાક્ષણિકતાઓ દ્વારા જ નહીં, પરંતુ મતદારોના ઇરાદાઓ, હિતોને ધ્યાનમાં રાખીને પણ અતિ-ચોક્કસ લક્ષ્યાંક બનાવવું શક્ય બન્યું. તેમના સાયકોટાઇપ, વર્તણૂકીય લાક્ષણિકતાઓ, વગેરે. આ પછી માર્કેટર્સે નાગરિકોના દરેક જૂથ સાથે તેમની જરૂરિયાતો, મૂડ, રાજકીય મંતવ્યો, મનોવૈજ્ઞાનિક લાક્ષણિકતાઓઅને ચામડીનો રંગ પણ, લગભગ દરેક વ્યક્તિગત મતદાર માટે અલગ સંદેશનો ઉપયોગ કરીને.

હિલેરી ક્લિન્ટનની વાત કરીએ તો, તેણીએ સમાજશાસ્ત્રીય ડેટા અને પ્રમાણભૂત માર્કેટિંગ પર આધારિત "સમય-પરીક્ષણ" પદ્ધતિઓનો ઉપયોગ કર્યો, મતદારોને માત્ર ઔપચારિક રીતે સમાન જૂથોમાં વિભાજીત કર્યા (પુરુષો, સ્ત્રીઓ, આફ્રિકન અમેરિકનો, લેટિન અમેરિકનો, ગરીબ, શ્રીમંત, વગેરે) .

પરિણામે, વિજેતા તે હતો જેણે નવી તકનીકીઓ અને વિશ્લેષણની પદ્ધતિઓની સંભાવનાની પ્રશંસા કરી. નોંધનીય છે કે હિલેરી ક્લિન્ટનનો પ્રચાર ખર્ચ તેમના પ્રતિસ્પર્ધી કરતા બમણો હતો:

ડેટા: પ્યુ સંશોધન

બિગ ડેટાના ઉપયોગની મુખ્ય સમસ્યાઓ

ઊંચા ખર્ચ ઉપરાંત, વિવિધ ક્ષેત્રોમાં બિગ ડેટાના અમલીકરણમાં અવરોધરૂપ મુખ્ય પરિબળોમાંની એક પ્રક્રિયા કરવા માટેના ડેટાને પસંદ કરવાની સમસ્યા છે: એટલે કે, કયા ડેટાને પુનઃપ્રાપ્ત, સંગ્રહિત અને વિશ્લેષણ કરવાની જરૂર છે તે નક્કી કરવું, અને કયા ધ્યાનમાં લેવામાં આવશે નહીં.

બિગ ડેટાની બીજી સમસ્યા એથિકલ છે. બીજા શબ્દોમાં કહીએ તો, એક તાર્કિક પ્રશ્ન ઊભો થાય છે: શું આવા ડેટા સંગ્રહને (ખાસ કરીને વપરાશકર્તાની જાણકારી વિના) ગોપનીયતાનું ઉલ્લંઘન ગણી શકાય?

તે કોઈ રહસ્ય નથી કે Google અને Yandex સર્ચ એન્જિનમાં સંગ્રહિત માહિતી IT જાયન્ટ્સને તેમની સેવાઓમાં સતત સુધારો કરવા, તેમને વપરાશકર્તા-મૈત્રીપૂર્ણ બનાવવા અને નવી ઇન્ટરેક્ટિવ એપ્લિકેશન બનાવવાની મંજૂરી આપે છે. આ કરવા માટે, શોધ એંજીન ઇન્ટરનેટ પર વપરાશકર્તાની પ્રવૃત્તિ, IP સરનામાં, ભૌગોલિક સ્થાન ડેટા, રુચિઓ અને ઑનલાઇન ખરીદીઓ, વ્યક્તિગત ડેટા, ઇમેઇલ સંદેશાઓ વગેરે વિશેનો વપરાશકર્તા ડેટા એકત્રિત કરે છે. આ બધું તમને પ્રદર્શિત કરવાની મંજૂરી આપે છે. સંદર્ભિત જાહેરાતઇન્ટરનેટ પર વપરાશકર્તાની વર્તણૂક અનુસાર. આ કિસ્સામાં, સામાન્ય રીતે આ માટે વપરાશકર્તાઓની સંમતિ પૂછવામાં આવતી નથી, અને પોતાને વિશે કઈ માહિતી પ્રદાન કરવી તે પસંદ કરવાની તક આપવામાં આવતી નથી. એટલે કે, ડિફૉલ્ટ રૂપે, બધું બિગ ડેટામાં એકત્રિત કરવામાં આવે છે, જે પછી સાઇટ્સના ડેટા સર્વર પર સંગ્રહિત કરવામાં આવશે.

આ ડેટા સ્ટોરેજ અને ઉપયોગની સુરક્ષાને લગતી આગામી મહત્વપૂર્ણ સમસ્યા તરફ દોરી જાય છે. ઉદાહરણ તરીકે, શું કોઈ ચોક્કસ વિશ્લેષણાત્મક પ્લેટફોર્મ કે જેના પર ઉપભોક્તાઓ આપમેળે તેમના ડેટાને સુરક્ષિત રીતે સ્થાનાંતરિત કરે છે? વધુમાં, ઘણા વ્યાપારી પ્રતિનિધિઓ ઉચ્ચ લાયકાત ધરાવતા વિશ્લેષકો અને માર્કેટર્સની અછતની નોંધ લે છે જેઓ અસરકારક રીતે મોટા પ્રમાણમાં ડેટાને હેન્ડલ કરી શકે છે અને તેમની મદદ વડે ચોક્કસ વ્યવસાયિક સમસ્યાઓ હલ કરી શકે છે.

બિગ ડેટાના અમલીકરણમાં તમામ મુશ્કેલીઓ હોવા છતાં, વ્યવસાય આ ક્ષેત્રમાં રોકાણ વધારવાનો ઇરાદો ધરાવે છે. ગાર્ટનર સંશોધન મુજબ, બિગ ડેટામાં રોકાણ કરનારા ઉદ્યોગોના અગ્રણીઓ મીડિયા, રિટેલ, ટેલિકોમ, બેન્કિંગ અને સર્વિસ કંપનીઓ છે.

બ્લોકચેન અને બિગ ડેટા ટેકનોલોજી વચ્ચેની ક્રિયાપ્રતિક્રિયા માટેની સંભાવનાઓ

બિગ ડેટા સાથેના એકીકરણની સિનર્જિસ્ટિક અસર હોય છે અને બિઝનેસ માટે નવી તકોની વિશાળ શ્રેણી ખોલે છે, જેમાં મંજૂરી આપવામાં આવી છે:

— ગ્રાહક પસંદગીઓ વિશે વિગતવાર માહિતીની ઍક્સેસ મેળવો, જેના આધારે તમે ચોક્કસ સપ્લાયર્સ, ઉત્પાદનો અને ઉત્પાદન ઘટકો માટે વિગતવાર વિશ્લેષણાત્મક પ્રોફાઇલ બનાવી શકો છો;
- વપરાશકર્તાઓની વિવિધ શ્રેણીઓ દ્વારા માલના ચોક્કસ જૂથોના વ્યવહારો અને વપરાશના આંકડા પર વિગતવાર ડેટા એકીકૃત કરો;
- પુરવઠા અને વપરાશની સાંકળો પર વિગતવાર વિશ્લેષણાત્મક ડેટા મેળવો, પરિવહન દરમિયાન ઉત્પાદનના નુકસાનને નિયંત્રિત કરો (ઉદાહરણ તરીકે, ચોક્કસ પ્રકારના માલના સૂકવણી અને બાષ્પીભવનને કારણે વજનમાં ઘટાડો);
- ઉત્પાદનની નકલનો સામનો કરવો, મની લોન્ડરિંગ અને છેતરપિંડી સામેની લડતની અસરકારકતા વધારવી, વગેરે.

માલસામાનના ઉપયોગ અને વપરાશ અંગેના વિગતવાર ડેટાની ઍક્સેસ મુખ્ય વ્યવસાયિક પ્રક્રિયાઓને ઑપ્ટિમાઇઝ કરવા, નિયમનકારી જોખમો ઘટાડવા, મુદ્રીકરણ માટેની નવી તકો જાહેર કરવા અને વર્તમાન ઉપભોક્તાની પસંદગીઓને શ્રેષ્ઠ રીતે પૂરી કરે તેવા ઉત્પાદનો બનાવવા માટે બિગ ડેટા ટેક્નોલોજીની સંભવિતતાને નોંધપાત્ર રીતે પ્રગટ કરશે.

જેમ જાણીતું છે, સૌથી મોટી નાણાકીય સંસ્થાઓના પ્રતિનિધિઓ પહેલેથી જ બ્લોકચેન ટેક્નોલોજીમાં નોંધપાત્ર રસ દાખવી રહ્યા છે, વગેરે. મિનિટ".

બિગ ડેટા ટેક્નોલોજીનો ઉપયોગ કરીને બ્લોકચેનમાંથી વિશ્લેષણની સંભાવના પ્રચંડ છે. ડિસ્ટ્રિબ્યુટેડ લેજર ટેકનોલોજી માહિતીની અખંડિતતા તેમજ સમગ્ર વ્યવહાર ઇતિહાસના વિશ્વસનીય અને પારદર્શક સ્ટોરેજની ખાતરી કરે છે. બદલામાં, બિગ ડેટા, અસરકારક વિશ્લેષણ, આગાહી, આર્થિક મોડેલિંગ માટે નવા સાધનો પૂરા પાડે છે અને તે મુજબ, વધુ જાણકાર મેનેજમેન્ટ નિર્ણયો લેવા માટે નવી તકો ખોલે છે.

બ્લોકચેન અને બિગ ડેટાના ટેન્ડમનો આરોગ્ય સંભાળમાં સફળતાપૂર્વક ઉપયોગ કરી શકાય છે. જેમ જાણીતું છે, દર્દીના સ્વાસ્થ્ય પર અપૂર્ણ અને અપૂર્ણ ડેટા ખોટા નિદાન અને ખોટી રીતે સૂચવવામાં આવેલી સારવારના જોખમને મોટા પ્રમાણમાં વધારે છે. તબીબી સંસ્થાઓના ગ્રાહકોના સ્વાસ્થ્ય વિશેના નિર્ણાયક ડેટાને મહત્તમ રીતે સુરક્ષિત રાખવું જોઈએ, અપરિવર્તનક્ષમતાના ગુણધર્મો હોવા જોઈએ, ચકાસી શકાય તેવું હોવું જોઈએ અને કોઈપણ હેરફેરને આધિન ન હોવું જોઈએ.

બ્લોકચેનમાંની માહિતી ઉપરોક્ત તમામ જરૂરિયાતોને પૂર્ણ કરે છે અને નવી બિગ ડેટા ટેક્નોલોજીનો ઉપયોગ કરીને ઊંડાણપૂર્વક વિશ્લેષણ માટે ઉચ્ચ-ગુણવત્તા અને વિશ્વસનીય સ્ત્રોત ડેટા તરીકે સેવા આપી શકે છે. વધુમાં, બ્લોકચેનની મદદથી, તબીબી સંસ્થાઓ વીમા કંપનીઓ, ન્યાય સત્તાવાળાઓ, નોકરીદાતાઓ, વૈજ્ઞાનિક સંસ્થાઓ અને તબીબી માહિતીની જરૂર હોય તેવી અન્ય સંસ્થાઓ સાથે વિશ્વસનીય ડેટાની આપલે કરી શકે છે.

મોટા ડેટા અને માહિતી સુરક્ષા

વ્યાપક અર્થમાં, માહિતી સુરક્ષા એ કુદરતી અથવા કૃત્રિમ પ્રકૃતિની આકસ્મિક અથવા ઇરાદાપૂર્વકની નકારાત્મક અસરોથી માહિતી અને સહાયક માળખાકીય સુવિધાઓનું રક્ષણ છે.

માહિતી સુરક્ષાના ક્ષેત્રમાં, બિગ ડેટા નીચેના પડકારોનો સામનો કરે છે:

- ડેટા સંરક્ષણની સમસ્યાઓ અને તેમની અખંડિતતાની ખાતરી;
- બહારની દખલગીરી અને ગોપનીય માહિતીના લીક થવાનું જોખમ;
- ગોપનીય માહિતીનો અયોગ્ય સંગ્રહ;
- માહિતી ગુમાવવાનું જોખમ, ઉદાહરણ તરીકે, કોઈની દૂષિત ક્રિયાઓને કારણે;
- તૃતીય પક્ષો દ્વારા વ્યક્તિગત ડેટાના દુરુપયોગનું જોખમ, વગેરે.

માહિતી સુરક્ષાના ક્ષેત્રમાં જૂઠાણાને ઉકેલવા માટે બ્લોકચેન રચાયેલ મુખ્ય મોટી ડેટા સમસ્યાઓમાંની એક. તેના તમામ મૂળભૂત સિદ્ધાંતોનું પાલન સુનિશ્ચિત કરીને, વિતરિત રજિસ્ટ્રી ટેકનોલોજી ડેટાની અખંડિતતા અને વિશ્વસનીયતાની ખાતરી આપી શકે છે, અને નિષ્ફળતાના એક બિંદુની ગેરહાજરીને કારણે, બ્લોકચેન માહિતી પ્રણાલીઓના સંચાલનને સ્થિર બનાવે છે. ડિસ્ટ્રિબ્યુટેડ લેજર ટેકનોલોજી ડેટામાં વિશ્વાસની સમસ્યાને ઉકેલવામાં મદદ કરી શકે છે, તેમજ સાર્વત્રિક ડેટા શેરિંગને સક્ષમ કરી શકે છે.

માહિતી એ એક મૂલ્યવાન સંપત્તિ છે, જેનો અર્થ છે કે માહિતી સુરક્ષાના મૂળભૂત પાસાઓને સુનિશ્ચિત કરવામાં મોખરે હોવું આવશ્યક છે. સ્પર્ધામાં ટકી રહેવા માટે, કંપનીઓએ સમય સાથે સુસંગત રહેવું જોઈએ, જેનો અર્થ છે કે તેઓ બ્લોકચેન ટેક્નોલોજી અને બિગ ડેટા ટૂલ્સમાં સમાવિષ્ટ સંભવિત તકો અને ફાયદાઓને અવગણી શકે નહીં.

"બિગ ડેટા" શબ્દ આજે ઓળખી શકાય તેમ છે, પરંતુ તેનો વાસ્તવમાં અર્થ શું છે તે અંગે હજુ પણ તેની આસપાસ થોડી મૂંઝવણ છે. હકીકતમાં, ખ્યાલ સતત વિકસિત થઈ રહ્યો છે અને પુનઃવ્યાખ્યાયિત થઈ રહ્યો છે કારણ કે તે કૃત્રિમ બુદ્ધિમત્તા, ડેટા સાયન્સ અને ઈન્ટરનેટ ઓફ થિંગ્સ સહિત ડિજિટલ પરિવર્તનના ઘણા ચાલુ તરંગો પાછળ ચાલક બળ છે. પરંતુ બિગ-ડેટા ટેકનોલોજી શું છે અને તે આપણી દુનિયાને કેવી રીતે બદલી રહી છે? ચાલો બિગ ડેટા ટેક્નોલોજીનો સાર અને તેનો અર્થ સરળ શબ્દોમાં સમજવાનો પ્રયાસ કરીએ.

આ બધું ડિજિટલ યુગની શરૂઆતથી અમે બનાવેલા ડેટાના જથ્થામાં વિસ્ફોટ સાથે શરૂ થયું. આ મોટે ભાગે કમ્પ્યુટર્સ, ઇન્ટરનેટ અને તકનીકોના વિકાસને કારણે છે જે આપણી આસપાસની દુનિયામાંથી ડેટા "છીનવી" શકે છે. ડેટા પોતે નવી શોધ નથી. કોમ્પ્યુટર અને ડેટાબેઝના યુગ પહેલા પણ, અમે પેપર ટ્રાન્ઝેક્શન રેકોર્ડ્સ, ગ્રાહક રેકોર્ડ્સ અને આર્કાઇવલ ફાઇલોનો ઉપયોગ કરતા હતા જે ડેટા બનાવે છે. કમ્પ્યુટર્સ, ખાસ કરીને સ્પ્રેડશીટ્સ અને ડેટાબેસેસે, અમારા માટે મોટા પાયે ડેટા સંગ્રહિત અને ગોઠવવાનું સરળ બનાવ્યું છે. અચાનક માત્ર એક ક્લિકથી માહિતી મળી ગઈ.

જો કે, અમે પસાર થઈ ગયા લાંબા અંતરમૂળ કોષ્ટકો અને ડેટાબેઝમાંથી. આજે, દર બે દિવસે આપણે તેટલો ડેટા બનાવીએ છીએ જેટલો આપણે શરૂઆતથી વર્ષ 2000 સુધી મેળવ્યો હતો. તે સાચું છે, દર બે દિવસે. અને અમે બનાવીએ છીએ તે ડેટાનો જથ્થો ઝડપથી વધતો જાય છે; 2020 સુધીમાં, ઉપલબ્ધ ડિજિટલ માહિતીનું પ્રમાણ આશરે 5 ઝેટાબાઈટ્સથી વધીને 20 ઝેટાબાઈટ્સ થઈ જશે.

આજકાલ, આપણે કરીએ છીએ તે લગભગ દરેક ક્રિયા તેની છાપ છોડી દે છે. અમે જ્યારે પણ ઓનલાઈન જઈએ છીએ, જ્યારે અમે સર્ચ એન્જિનથી સજ્જ અમારા સ્માર્ટફોન લઈ જઈએ છીએ, જ્યારે અમે અમારા મિત્રો સાથે સોશિયલ નેટવર્ક અથવા ચેટ્સ વગેરે દ્વારા વાત કરીએ છીએ ત્યારે અમે ડેટા જનરેટ કરીએ છીએ. આ ઉપરાંત, મશીન દ્વારા જનરેટેડ ડેટાની માત્રા પણ ઝડપથી વધી રહી છે. જ્યારે અમારા સ્માર્ટ હોમ ડિવાઇસ એકબીજા સાથે અથવા તેમના હોમ સર્વર સાથે વાતચીત કરે છે ત્યારે ડેટા જનરેટ અને શેર કરવામાં આવે છે. પ્લાન્ટ્સ અને ફેક્ટરીઓમાં ઔદ્યોગિક સાધનો વધુને વધુ સેન્સર્સથી સજ્જ છે જે ડેટા એકઠા કરે છે અને ટ્રાન્સમિટ કરે છે.

"બિગ-ડેટા" શબ્દ આ તમામ ડેટાના સંગ્રહ અને વ્યવસાય સહિત વિવિધ ક્ષેત્રોમાં અમારા લાભ માટે તેનો ઉપયોગ કરવાની અમારી ક્ષમતાનો સંદર્ભ આપે છે.

બિગ-ડેટા ટેકનોલોજી કેવી રીતે કામ કરે છે?

બિગ ડેટા સિદ્ધાંત પર કામ કરે છે: તમે કોઈ ચોક્કસ વિષય અથવા ઘટના વિશે જેટલું વધુ જાણો છો, તેટલી વધુ વિશ્વસનીય રીતે તમે નવી સમજ પ્રાપ્ત કરી શકો છો અને ભવિષ્યમાં શું થશે તેની આગાહી કરી શકો છો. જેમ જેમ આપણે વધુ ડેટા પોઈન્ટ્સની તુલના કરીએ છીએ તેમ, સંબંધો ઉભરી આવે છે જે અગાઉ છુપાયેલા હતા, અને આ સંબંધો અમને શીખવા અને વધુ સારા નિર્ણયો લેવાની મંજૂરી આપે છે. મોટેભાગે, આ એક પ્રક્રિયા દ્વારા કરવામાં આવે છે જેમાં અમે જે ડેટા એકત્રિત કરી શકીએ તેના આધારે મોડેલ્સ બનાવવાનો સમાવેશ થાય છે અને પછી સિમ્યુલેશન્સ ચલાવવાનો સમાવેશ થાય છે જે દરેક વખતે ડેટા પોઈન્ટના મૂલ્યોને ટ્વિક કરે છે અને તે અમારા પરિણામોને કેવી રીતે અસર કરે છે તે ટ્રૅક કરે છે. આ પ્રક્રિયા સ્વયંસંચાલિત છે-આધુનિક એનાલિટિક્સ ટેક્નોલોજી આમાંના લાખો સિમ્યુલેશનને ચલાવશે, દરેક સંભવિત વેરિયેબલને જ્યાં સુધી તેઓ એક મોડેલ-અથવા વિચાર શોધી ન લે ત્યાં સુધી ટ્વીક કરશે, જે તેઓ જે સમસ્યા પર કામ કરી રહ્યાં છે તેને ઉકેલવામાં મદદ કરે છે.

બિલ ગેટ્સ એક સીડીના કાગળના સમાવિષ્ટો પર અટકી જાય છે

તાજેતરમાં સુધી, ડેટા સ્પ્રેડશીટ્સ અથવા ડેટાબેસેસ સુધી મર્યાદિત હતો - અને બધું ખૂબ જ વ્યવસ્થિત અને સુઘડ હતું. પંક્તિઓ અને કૉલમમાં સરળતાથી ગોઠવી ન શકાય તેવી કોઈપણ વસ્તુ સાથે કામ કરવા માટે ખૂબ જટિલ માનવામાં આવતું હતું અને તેની અવગણના કરવામાં આવી હતી. જો કે, સ્ટોરેજ અને એનાલિટિક્સમાં એડવાન્સિસનો અર્થ છે કે અમે મોટા પ્રમાણમાં ડેટા કેપ્ચર, સ્ટોર અને પ્રોસેસ કરી શકીએ છીએ વિવિધ પ્રકારો. પરિણામે, આજે "ડેટા" નો અર્થ ડેટાબેઝથી લઈને ફોટોગ્રાફ્સ, વીડિયો, સાઉન્ડ રેકોર્ડિંગ્સ, લેખિત ટેક્સ્ટ અને સેન્સર ડેટા સુધીનો કંઈપણ હોઈ શકે છે.

આ બધા અવ્યવસ્થિત ડેટાને સમજવા માટે, બિગ ડેટા-આધારિત પ્રોજેક્ટ્સ ઘણીવાર કૃત્રિમ બુદ્ધિમત્તા અને કોમ્પ્યુટર લર્નિંગનો ઉપયોગ કરીને અદ્યતન એનાલિટિક્સનો ઉપયોગ કરે છે. ચોક્કસ ડેટા શું છે તે નિર્ધારિત કરવા માટે કમ્પ્યુટિંગ મશીનોને શીખવીને - ઉદાહરણ તરીકે, પેટર્ન ઓળખ અથવા પ્રક્રિયા દ્વારા કુદરતી ભાષા- અમે તેમને આપણા કરતા વધુ ઝડપથી અને વધુ વિશ્વસનીય રીતે પેટર્ન ઓળખવાનું શીખવી શકીએ છીએ.

બિગ ડેટાનો ઉપયોગ કેવી રીતે થાય છે?

સેન્સર ડેટા, ટેક્સ્ટ, વૉઇસ, ફોટો અને વિડિયો ડેટાના આ સતત વધતા પ્રવાહનો અર્થ એ છે કે હવે આપણે ડેટાનો ઉપયોગ એવી રીતે કરી શકીએ છીએ જે થોડા વર્ષો પહેલા અકલ્પનીય હશે. આ લગભગ દરેક ઉદ્યોગમાં વેપાર જગતમાં ક્રાંતિકારી ફેરફારો લાવી રહ્યું છે. આજે, કંપનીઓ અવિશ્વસનીય સચોટતા સાથે આગાહી કરી શકે છે કે ગ્રાહકોની કઈ ચોક્કસ શ્રેણીઓ અને ક્યારે ખરીદી કરવા માંગશે. બિગ ડેટા કંપનીઓને તેમની પ્રવૃત્તિઓ વધુ કાર્યક્ષમ રીતે હાથ ધરવા માટે પણ મદદ કરે છે.

બિઝનેસની બહાર પણ, બિગ ડેટા સંબંધિત પ્રોજેક્ટ્સ પહેલાથી જ આપણી દુનિયાને વિવિધ રીતે બદલવામાં મદદ કરી રહ્યા છે:

• આરોગ્યસંભાળમાં સુધારો - ડેટા-સંચાલિત દવામાં વિશાળ માત્રામાં તબીબી માહિતી અને છબીઓનું મોડેલ્સમાં વિશ્લેષણ કરવાની ક્ષમતા છે જે પ્રારંભિક તબક્કે રોગને શોધવામાં અને નવી દવાઓ વિકસાવવામાં મદદ કરી શકે છે.
• કુદરતી અને માનવસર્જિત આપત્તિઓની આગાહી કરવી અને તેનો પ્રતિસાદ આપવો. ધરતીકંપ ક્યાં થવાની સંભાવના છે તેની આગાહી કરવા માટે સેન્સર ડેટાનું વિશ્લેષણ કરી શકાય છે, અને માનવ વર્તન પેટર્ન એવા સંકેતો પ્રદાન કરે છે જે સંસ્થાઓને બચી ગયેલા લોકોને સહાય પૂરી પાડવામાં મદદ કરે છે. બિગ ડેટા ટેક્નોલોજીનો ઉપયોગ વિશ્વભરના યુદ્ધ ક્ષેત્રોમાંથી શરણાર્થીઓના પ્રવાહને ટ્રેક કરવા અને તેનું રક્ષણ કરવા માટે પણ થાય છે.
• ગુના અટકાવવા. પોલીસ દળો વધુને વધુ ડેટા-આધારિત વ્યૂહરચનાઓનો ઉપયોગ કરી રહ્યા છે જેમાં તેમની પોતાની ગુપ્ત માહિતી અને સાર્વજનિક રૂપે ઉપલબ્ધ માહિતીનો સમાવેશ થાય છે જેથી સંસાધનોનો વધુ અસરકારક રીતે ઉપયોગ કરવામાં આવે અને જ્યાં જરૂર હોય ત્યાં અવરોધક પગલાં લેવામાં આવે.

બિગ-ડેટા ટેકનોલોજી વિશે શ્રેષ્ઠ પુસ્તકો

• બધાને આવેલું. સર્ચ એન્જિન, બિગ ડેટા અને ઇન્ટરનેટ તમારા વિશે બધું જ જાણે છે.
• મોટી માહીતી. તમામ ટેકનોલોજી એક પુસ્તકમાં.
• સુખ ઉદ્યોગ. કેવી રીતે બિગ ડેટા અને નવી ટેકનોલોજી ઉત્પાદનો અને સેવાઓમાં લાગણી ઉમેરવામાં મદદ કરે છે.
• વિશ્લેષણમાં ક્રાંતિ. ઓપરેશનલ એનાલિટિક્સનો ઉપયોગ કરીને બિગ ડેટાના યુગમાં તમારા વ્યવસાયને કેવી રીતે સુધારવો.

બિગ ડેટા સાથે સમસ્યાઓ

બિગ ડેટા આપણને અભૂતપૂર્વ વિચારો અને તકો આપે છે, પરંતુ તે સમસ્યાઓ અને પ્રશ્નો પણ ઉભા કરે છે જેને સંબોધિત કરવાની જરૂર છે:

• ડેટા ગોપનીયતા - આજે આપણે જે બિગ ડેટા જનરેટ કરીએ છીએ તે આપણા અંગત જીવન વિશે ઘણી બધી માહિતી ધરાવે છે, જેની ગોપનીયતાનો આપણને સંપૂર્ણ અધિકાર છે. વધુ ને વધુ, અમને બિગ ડેટા-આધારિત એપ્સ અને સેવાઓ ઓફર કરતી સગવડતા સાથે અમે જાહેર કરીએ છીએ તે વ્યક્તિગત ડેટાના જથ્થાને સંતુલિત કરવા માટે કહેવામાં આવે છે.
• ડેટા સિક્યોરિટી - જો આપણે નક્કી કરીએ કે કોઈ ચોક્કસ હેતુ માટે અમારો ડેટા ધરાવે છે તેનાથી અમે ખુશ છીએ, તો શું અમે અમારા ડેટાને સુરક્ષિત અને સુરક્ષિત રાખવા માટે તેમના પર વિશ્વાસ કરી શકીએ?
• ડેટા ભેદભાવ - એકવાર બધી માહિતી જાણી લીધા પછી, શું લોકો સાથે તેમના અંગત જીવનના ડેટાના આધારે ભેદભાવ કરવો તે સ્વીકાર્ય હશે? કોણ નાણાં ઉછીના લઈ શકે તે નક્કી કરવા માટે અમે પહેલેથી જ ક્રેડિટ સ્કોર્સનો ઉપયોગ કરીએ છીએ, અને વીમો પણ ભારે ડેટા આધારિત છે. આપણે વધુ વિગતવાર વિશ્લેષણ અને મૂલ્યાંકન કરવાની અપેક્ષા રાખવી જોઈએ, પરંતુ ઓછા સંસાધનો અને માહિતીની મર્યાદિત ઍક્સેસ ધરાવતા લોકો માટે આ જીવન વધુ મુશ્કેલ ન બનાવે તેની ખાતરી કરવા માટે કાળજી લેવી જોઈએ.

આ કાર્યો કરવા એ બિગ ડેટાનો એક મહત્વપૂર્ણ ઘટક છે અને તે સંસ્થાઓ દ્વારા સંબોધવામાં આવવો જોઈએ જે આવા ડેટાનો ઉપયોગ કરવા માંગે છે. આ કરવામાં નિષ્ફળતા વ્યવસાયને માત્ર તેની પ્રતિષ્ઠાના સંદર્ભમાં જ નહીં, પણ કાનૂની અને નાણાકીય રીતે પણ નબળા બનાવી શકે છે.

ભવિષ્ય તરફ જોઈ રહ્યા છીએ

ડેટા આપણી દુનિયા અને આપણા જીવનને અભૂતપૂર્વ ગતિએ બદલી રહ્યો છે. જો બિગ ડેટા આજે આ બધા માટે સક્ષમ છે, તો જરા કલ્પના કરો કે આવતીકાલે તે શું સક્ષમ હશે. અમારા માટે ઉપલબ્ધ ડેટાની માત્રા માત્ર વધશે, અને એનાલિટિક્સ ટેક્નોલોજી વધુ અદ્યતન બનશે.

વ્યવસાયો માટે, બિગ ડેટા લાગુ કરવાની ક્ષમતા આગામી વર્ષોમાં વધુને વધુ જટિલ બનશે. ફક્ત તે જ કંપનીઓ જે ડેટાને વ્યૂહાત્મક સંપત્તિ તરીકે જુએ છે તે ટકી શકશે અને વિકાસ કરશે. જેઓ આ ક્રાંતિની અવગણના કરે છે તેઓ પાછળ રહી જવાનું જોખમ ધરાવે છે.

તમે આ પ્રખ્યાત જોક જાણો છો ને? બિગ ડેટા 18 વર્ષ પહેલાંના સેક્સ જેવો છે:

• દરેક વ્યક્તિ તેના વિશે વિચારે છે;
• દરેક વ્યક્તિ તેના વિશે વાત કરે છે;
• દરેક વ્યક્તિ વિચારે છે કે તેમના મિત્રો તે કરે છે;
• લગભગ કોઈ આ કરતું નથી;
• જે તે કરે છે તે ખરાબ રીતે કરે છે;
• દરેકને લાગે છે કે તે આગલી વખતે વધુ સારી રીતે કામ કરશે;
• કોઈ સુરક્ષા પગલાં લેતું નથી;
• કોઈપણને કબૂલ કરવામાં શરમ આવે છે કે તેઓ કંઈક જાણતા નથી;
• જો કોઈ વ્યક્તિ કોઈ વસ્તુમાં સફળ થાય છે, તો તેના વિશે હંમેશા ઘોંઘાટ થાય છે.

પરંતુ ચાલો પ્રમાણિક બનો, કોઈપણ હાઇપ સાથે હંમેશા સામાન્ય જિજ્ઞાસા રહેશે: ત્યાં કેવા પ્રકારની હલફલ છે અને શું ત્યાં ખરેખર કંઈક મહત્વપૂર્ણ છે? ટૂંકમાં, હા, ત્યાં છે. વિગતો નીચે છે. અમે તમારા માટે બિગ ડેટા ટેક્નોલોજીની સૌથી આકર્ષક અને રસપ્રદ એપ્લિકેશન પસંદ કરી છે. આ નાનો બજાર અભ્યાસ, સ્પષ્ટ ઉદાહરણોનો ઉપયોગ કરીને, અમને એક સરળ હકીકત સાથે સામનો કરે છે: ભવિષ્ય આવતું નથી, "બીજા n વર્ષ રાહ જોવાની જરૂર નથી અને જાદુ વાસ્તવિકતા બની જશે." ના, તે પહેલેથી જ આવી ગયું છે, પરંતુ હજી પણ આંખ માટે અદ્રશ્ય છે અને તેથી એકલતાના બર્નિંગે હજી સુધી શ્રમ બજારના ચોક્કસ બિંદુને એટલું બર્ન કર્યું નથી. જાઓ.

1 બિગ ડેટા ટેક્નોલોજીનો જ્યાં ઉદ્દભવ થયો છે તે કેવી રીતે લાગુ કરવામાં આવે છે

2 4 વ્હીલ્સ પર મોટો ડેટા

3 દવામાં મોટા ડેટાનો ઉપયોગ

4 ડેટા પૃથ્થકરણ પહેલાથી જ રિટેલનો મુખ્ય ભાગ બની ગયો છે

5 બિગ ડેટા કાયદો અને વ્યવસ્થાનું રક્ષણ કરે છે

6 બિગ ડેટા ટેક્નોલોજી શહેરોના વિકાસમાં કેવી રીતે મદદ કરે છે

સીઇઓવેનિઆમ જોઆઓ બેરોસ પોર્ટોમાં બસો પર Wi-Fi રાઉટર્સને ટ્રેક કરવાનો નકશો દર્શાવે છે

7 માર્કેટિંગ અને વેચાણમાં પ્રગતિનું એન્જિન

8 વૈશ્વિક ડેટા વિશ્લેષણ