Big Data palveluissa ja palveluna

Julkaistu 11.11.2015    Kirjoittanut Jarno Kankaanranta  Tilaa RSS

Elämme maailmassa, jossa datan määrä kasvaa jatkuvasti. Tähän datan määrän kasvuun liittyen on alettu puhumaan Big Datasta, suuresta datasta. Big Datasta on olemassa monia erilasisia kuvauksia, joita ovat esimerkiksi kolmen V:n kuvaus1 (Volume = Koko, Velocity =Nopeus ja Variety = Monimuotoisuus) (Kuva 1). Vastaavasti Big Datasta on myös olemassa viiden V:n kuvaus2 (Volume = Koko, Velovity = Nopeus, Variety = Monimuotoisuus, Value = Arvo ja Veracity = Totuudellisuus (Kuva 1) .

 V_1.jpg   V_2.jpg
Kuva 1.
Big Datan kolmen V:n ja viiden V:n luokittelu/1,2/

Big Data ja palvelut

Nykyisenä Big Datan aikakautena datasta on tullut tuotannon raaka-ainetta, sosiaalisen ja ekonomisen arvon lähde, johon on myös vaikuttanut lisääntynyt tietokoneiden laskentatehon lisääntyminen sekä datavarastojen kapasiteetin kasvu./3,4/ Big Dataan perustuva ennakoiva analytiikka on näyttänyt lupaavalta monilla eri aloilla, kuten terveydenhuollossa ja taloudessa./5/

Big Datan aikakautena data ja erityisesti Big Data on löytänyt sovelluskohteita niin tuotantoympäristöstä, kuin palveluympäristöstäkin. Helposti voi tulla mieleen, että data-analyysiä on jo kauan tehty eri teollisuuden aloilla ja Big Data on vain jatkumoa tälle.

Big Data tarjoaa myös työkaluja mahdollisuuksia palveluliiketoiminnan parissa toimiville yrityksille. Pankki- ja rahoitusalalla toimiva yritys kerää suuren määrän dataa liittyen jokapäiväiseen toimintaansa, kuten erilaisiin transaktioihin. Tämän datan analysointiin kyseiset yritykset soveltavat Big Data -menetelmiä. Voimakkaasti asiakasorientoitunut kaupanalan yritys soveltaa Big Datan menetelmiä esimerkiksi suunnitellessaan kohdennettuja mainos- tms. kampanjoita. Näin he pystyvät kohdentamaan ja tarjoamaan palveluitaan juuri tietyille ihmisille. Samoin toinen kaupanalan yritys soveltaa kyseisiä menetelmiä ymmärtääkseen asiakkaiden käyttäytymistä ja sitä, mikä saa asiakkaan palaamaan takaisin ostoksille. Logistiikka-alan yritys vastaavasti käyttää Big Datan luomia mahdollisuuksia suunnitellessaan rekkojen ja muun kuljetuskalustonsa reittejä./6/

Terveydenhuoltoa pidetään yhtenä tärkeimmistä palvelualoista, jonka Big Data mullistaa tulevaisuudessa. Terveydenhuollossa dataa syntyy nopeasti ja sitä syntyy paljon. Vastaavasti tätä dataa pitää pystyä analysoimaan nopeasti. Tällaisen datan analysointiin Big Data menetelmät soveltuvat erittäin hyvin. Toisaalta USA:ssa on terveydenhuollossa ollut hankkeita, joissa on kehitetty Big Dataan perustuvia järjestelmiä, jotka pyrkivät ennakoimaan infektoiden puhkeamisia ennen kuin ihminen edes on sairastunut./7/

Big Data palveluna

Yhtenä uusimpana Big Datan soveltamiskohteena palvelualalle on Big Data -lähtöinen palveluliiketoiminta (Big Data palveluna, Big Data as a Service = BDaaS). Kyseisen liiketoiminnan tarkoituksena on tarjota kaikki Big Dataan liittyvät toiminnat, datan varastoinnista ja siihen liittyvästä tieto turvasta datan analysointiin erillisenä palveluna. Esimerkkinä tällaisesta palvelusta on IBM Analytics. Kyseisen palvelu mahdollistaa pääsyn Twitterin 500 miljoonaan päivittäiseen twiittiin ja tarjoaa analyysityökaluja sekä konsulttipalveluita, joilla tätä sekavaa, järjestelemätöntä dataa voidaan analysoida.8 Big Data palveluna tyyppisestä liiketoiminnasta saadaan käsitys seuraavan kuvan mukaisen viitekehyksen avulla (Kuva 2)./9/


BigData_palveluna.jpg
Kuva 2. Big Data palveluna/9/

BDaaS -viitekehyksessä (Kuva 2) alimpana tasona on datan infrastruktuuri. Tämä kerros käsittää esimerkiksi kaikki palomuurit, datan varastointiin käytettävät serverit, ne verkoksi yhdistävät yhteydet ja datan varmistukseen käytettävät varmuuskopiointi laitteistot. Pilven infrastruktuurikerroksessa on virtuaalinen taso, jossa data, ohjelmistot ja laitteistot ovat keskinäisessä vaikutuksessa toisiinsa. Asiakkaalla on pääsy datavarasto kerrokseen, jossa hän voi tallentaa dataa analysointia varten. Laskentakerroksessa dataa hallitaan ja manipuloidaan niin, että se vastaa asiakkaan vaatimuksia ja asiakas voi myös itse kirjoittaa ohjelmia datan analysoimiseksi. Datanhallinta kerros huolehtii datan käsittelyyn ja ylläpitoon liittyvistä prosesseista. Ylin kerros, datan analysointi huolehtii analysoinnista. Tässä kerroksessa asiakkailla on pääsy varastokerroksen dataan internetin yli ja he voivat luoda siitä erilaisia esimerkiksi erilaisia raportteja./9/

Johtopäätökset ja yhteenveto

Datan määrä jatkaa kasvuaan. Eri aloilla toimivien yritysten ja julkisen sektorin (niin tuotannonalalla kuin palvelupuolellakin) pitää pystyä jatkossa valjastamaan Big Datan mahdollisuudet käyttöön.

Hyvä esimerkki tämän hetkisestä datan ja erityisesti Big Datan tärkeydestä on USA:n presidentti Obaman hallinto. He ovat palkanneet tohtori D. J. Patilin toimimaan valkoisen talon ja Obaman hallinnon datajohtajana (CDO = Chief Data Officer).

Tämä toimii hyvänä kannustimena myös muille. Googlen pääekönomisti H. Varian kirjoitti vuonna 2009, että seuraavan kymmenen vuoden kiinnostava ammatti on tilastotieteilijä./10/ Vastaavasti professori T. H. Davenport ja tohtori D. J. Patil ovat todenneet kirjoituksessaan, että datatieteilijä (Data Scientist) on 2000-luvun kiinnostavin ammatti./11/

Big Datan aikakausi on vasta aluillaan ja tulevaisuus näyttää mihin kaikkeen dataa voidaan jatkossa käyttää. Sovelluskohteiden ennustamisen laajuudesta ja epävarmuudesta huolimatta datan määrä tuskin ainakaan jatkossa vähenee. Datasta – suuresta (Big Data) tai pienestä on tullut olennainen ja kiinteä osa meidän jokaisen elämää. Samoin siitä on tullut kriittinen osa yritysten toimintaa. Yritykset, jotka hallitsevat Big Datan analysoinnin, pystyvät dataperusteiseen päätöksentekoon ja menestyvät tulevaisuudessa.

 

Jarno_pieni.jpg
TkT Jarno Kankaanranta

Lähteet:

  1. Laney, D., 2001. Application Delivery Strategies 3D Data Management: Controllin Data Volume, Velocity and Varierty. Meta Group Inc.
  2. Marr, B., 2015. Big Data: Using Smart Big Data, Analytics and Metrics to Make Better Decisions and Improve Performance. John Wiley & Sons Ltd.
  3. Tene, O. & Polonetsky, J., 2012. Privacy in the Age of Big Data: A Time for Big Decisions. Stanford Law Review Online 63.
  4. Cucier K., 2010. Data, Data Everywhere. The Economist
  5. Lohr, S., 2012. The Age of Big Data. New York Times
  6. Davenport, T. & Dyché, J., 2013. Big Data in Big Companies. International Institute for Analytics.
  7. Mayer-Schönberger, V. & Cukier, K., 2013. Big Data A Revolution That Will Transform How We Live, Work and Think. 1. Painos, John Murray
  8. http://www.forbes.com/sites/bernardmarr/2015/04/27/big-data-as-a-service-is-next-big-thing/
  9. http://www.entrepreneurial-insights.com/everything-need-know-big-data-as-a-service-bdaas/
  10. Varian, H., 2009. How the Web Challenges Managers. The McKinsey Quaterly
  11. Davenport, T. H. & Patil. D. J., 2012. Data Scientist: The Sexiest Job of the 21st Century. Harvard Business Review

Kommentoi

(Sähköpostiosoitettasi ei julkisteta.)
Syötä kuvassa näkyvät kirjaimet ja numerot.
Captcha Code

Klikkaa kuvaa nähdäksesi uuden koodin.

    Tagipilvi

    prosessimittaussysteemi5Sryhmätyöskentelyinnovaatiokausaliteettioeearvovirta-analyysimuutoksen tuskatehdasfysiikkaCDAhypoteesitestiryhmittelykaavioVSMsatunnaissyyTPSguruthypoteesitestausCombanion by MinitabHall of Famekvantitatiiviset menetelmätLean-visiomittavirheISO 9001:2015Paretodatan laatuIATF 16949Body of KnowledgetiedonkerääminenJuranLean Six Sigma Black BeltIATFohjaussuunnitelmaMarkkinointiprosessiparannusmenetelmäneukkarikoedatahyväksymisnäytteenottotilastoriskisatunnainen vaihteluASQMonte Carlomenetelmätturvallisuusdatan keräystoiminnan lainalaisuudetpuhdistaminenstandardointiasiakastyytyväisyysparannuksen johtaminenKataVOC5W2H prosessikuvaustehokkuusreunaANOVAt-testiTPMsekoitekoeongelmanratkaisuJohtaminenHarrytyökalut0-virhelaadunhallintariskinkartoitusparannustoimintajärjestäminenTaguchiparantaminendatan käsittelyregressioanalyysidata-analyysivaihtelun vaikutusideointiCTPkoesuunnittelumittausprosessiLean-taloISO 9001korrelaatioSix SigmalaadunohjausControl PlanDOEOpettaminenDemingMinitabläpimenoaikaPDSAohjauskorttiuutiskirjeTuottavuusCrosbymittaaminenlainalaisuudetacceptance samplingkalanruotoasiakastyytyväisyyssyy-seurauskaaviomonimuuttujatestiBalanced ScorecardTOCarvovirtaDFSSSigmaDMADVmuutossuorituskykymittaritFactory PhysicsBig DatamixtureJatkuva parantaminenMSAkustannussäästötL8-matriisilaatu ratkaiseeparannustoiminnan kehittyminentoleranssinollavirhelaatutyökalutValue Stream MappingarvovirtakuvausennustaminenDemonstraatiotROIkuvaaminen8DOFATvaihteluerityissyyMinitab 18datan käsittelyTätä on LeanmielenmallitCTQLean Six SigmaHukkaBOKLaatukonferenssimonimuuttujakoeDesign for Six SigmaaivoriihiKaikakustabiiliKingmanin yhtälölaadunkehittäjälajitteluohjausISO 9000qfdFMEAMarkkinointiOhnositoutuminenlaadunparannusmalliLeanlaatuBlack BeltKingmantilastollinen päätöksentekodatan luokitteluoperaatiotutkimusGagedatan käsittelylaatutauluthistogrammijohtamisjärjestelmäFeigenbaumsysteemiPDSA-ympyräOpetusmenetelmätPDCAjaksoaikaparannusmallihävikkifunktioSPCLaatutyökalutlaatu SuomessaasiakaspaloautopelijitDMAICtehollinen aikaEDADSDLittlen lakiIshikawaToyotaluotettava mittausLaatujärjestelmätilastomatematiikkaShingoLean Handbookparannushukan muodotAsiakastarvevuodiagrammipäämäärämallitäystekijäkoevalvontajidokaWheelerShewhartSPC-korttiDesign of Experiments

    Arkisto