Модель зрелости больших данных
 | Возможно, эту статью необходимо реорганизовать, чтобы она соответствовала рекомендациям Википедии по оформлению . ( Май 2017 г. ) |
Модели зрелости больших данных (BDMM) — это артефакты, используемые для измерения зрелости больших данных. [1] Эти модели помогают организациям создать структуру вокруг своих возможностей работы с большими данными и определить, с чего начать. [2] Они предоставляют инструменты, которые помогают организациям определить цели своей программы по работе с большими данными и донести свое видение больших данных до всей организации. BDMM также предоставляют методологию для измерения и мониторинга состояния возможностей компании по работе с большими данными, а также усилий, необходимых для завершения текущего этапа или этапа зрелости и перехода к следующему этапу. Кроме того, BDMM измеряют и управляют скоростью разработки и внедрения программ обработки больших данных в организации. [1]
Целями БДММ являются:
- Предоставить инструмент оценки возможностей, который позволит уделять особое внимание большим данным в ключевых организационных областях.
- Чтобы помочь определить основные этапы разработки
- Чтобы избежать ошибок при создании и развитии возможностей больших данных
Ключевые организационные области относятся к «людям, процессам и технологиям», а подкомпоненты включают в себя [3] согласование, архитектура, данные, управление данными , доставка, разработка, измерение, управление программой, масштаб, навыки, спонсорство, статистическое моделирование , технология, ценность и визуализация.
Этапы или фазы BDMM отражают различные способы использования данных в организации и являются одним из ключевых инструментов для определения направления и мониторинга работоспособности программ больших данных организации. [4] [5]
В основе лежит предположение, что высокий уровень зрелости больших данных коррелирует с увеличением доходов и сокращением операционных расходов. Однако достижение наивысшего уровня зрелости требует крупных инвестиций на протяжении многих лет. [6] Считается, что лишь немногие компании находятся на «зрелой» стадии использования больших данных и аналитики. К ним относятся интернет-компании (такие как LinkedIn , Facebook и Amazon ) и другие неинтернет-компании, в том числе финансовые учреждения (анализ мошенничества, обмен сообщениями с клиентами в режиме реального времени и поведенческое моделирование) и организации розничной торговли ( посещений аналитика вместе). с аналитикой самообслуживания для команд). [6]
Категории
[ редактировать ]Модели зрелости больших данных можно разделить на три большие категории, а именно: [1]
- Описательный
- Сравнительный
- предписывающий
Описательный
[ редактировать ]Описательные модели оценивают текущую зрелость фирмы посредством качественного позиционирования фирмы на различных стадиях или этапах. Модель не дает никаких рекомендаций относительно того, как фирма могла бы повысить зрелость своих больших данных.
Модель зрелости больших данных и аналитики (модель IBM)
[ редактировать ]Эта описательная модель направлена на оценку ценности, получаемой от инвестиций в большие данные для поддержки стратегических бизнес-инициатив.
Уровни зрелости
Модель состоит из следующих уровней зрелости:
- Для этого случая
- Основополагающий
- Конкурентное дифференцирование
- Вырваться
Области оценки
Уровни зрелости также охватывают области в матричном формате с упором на: бизнес-стратегию, информацию, аналитику, культуру и исполнение, архитектуру и управление.
Оценка зрелости больших данных Knowledgent
[ редактировать ]Эта модель зрелости больших данных, состоящая из оценочного опроса, оценивает готовность организации реализовывать инициативы в области больших данных. Кроме того, модель направлена на определение шагов и соответствующих технологий, которые приведут организацию к зрелости больших данных. [8]
Сравнительный
[ редактировать ]Сравнительные модели зрелости больших данных направлены на сравнение организации с ее коллегами по отрасли и обычно состоят из опроса, содержащего количественную и качественную информацию.
Инструмент зрелости больших данных CSC
[ редактировать ]Инструмент зрелости больших данных CSC действует как сравнительный инструмент для оценки зрелости больших данных организации. Проводится опрос, а затем результаты сравниваются с другими организациями в конкретной отрасли и на более широком рынке. [9]
Модель зрелости больших данных TDWI
[ редактировать ]Модель зрелости больших данных TDWI представляет собой модель в текущей области зрелости больших данных и, следовательно, содержит значительный объем знаний. [6]
Стадии зрелости
Различные этапы зрелости TDWI BDMM можно резюмировать следующим образом:
Этап 1: Зарождение
Зарождающаяся стадия как среда до появления больших данных. На этом этапе:
- Организация имеет низкую осведомленность о больших данных или их ценности.
- Эти усилия практически не поддерживаются руководством, и только некоторые люди в организации заинтересованы в потенциальной ценности больших данных.
- Организация понимает преимущества аналитики и может иметь хранилище данных.
- Стратегия управления организацией обычно больше ориентирована на ИТ, а не на интеграцию бизнеса и ИТ.
Этап 2: Предварительное принятие
На этапе подготовки к усыновлению:
- Организация начинает исследовать аналитику больших данных
Этап 3: Раннее внедрение «Пропасть» В таком случае, как правило, необходимо преодолеть ряд препятствий. Эти препятствия включают в себя:
- Получение необходимого набора навыков для поддержки возможностей, включая Hadoop и продвинутые аналитические навыки.
- Политические проблемы, т. е. проекты больших данных, реализуемые внутри организации, и попытки расширить усилия или обеспечить соблюдение более строгих стандартов и управления приводят к проблемам, касающимся владения и контроля.
Этап 4: Корпоративное внедрение
Этап корпоративного внедрения характеризуется вовлечением конечных пользователей, организация получает дальнейшее понимание и меняется способ ведения бизнеса. На этом этапе:
- Конечные пользователи могли бы начать использовать аналитику больших данных или изменить свои процессы принятия решений.
- Большинство организаций уже неоднократно устраняли определенные пробелы в своей инфраструктуре, управлении данными, управлении и аналитике.
Стадия 5: Зрелый/мечтательный
Лишь немногие организации можно считать дальновидными с точки зрения больших данных и аналитики больших данных. На этом этапе организация:
- способен выполнять программы больших данных как хорошо отлаженный механизм с высокоразвитой инфраструктурой
- имеет хорошо зарекомендовавшую себя программу работы с большими данными и стратегии управления большими данными.
- реализует свою программу больших данных как предусмотренную в бюджете и запланированную инициативу с точки зрения всей организации
- чьи сотрудники разделяют уровень волнения и энергии в отношении больших данных и аналитики больших данных
Результаты исследования
ТДВИ [6] провел оценку 600 организаций и обнаружил, что большинство организаций находятся либо на стадии предварительного внедрения (50%), либо на стадии раннего внедрения (36%). Кроме того, только 8% выборки сумели преодолеть пропасть в направлении корпоративного внедрения или стать зрелыми/дальновидными.
предписывающий
[ редактировать ]Большинство предписывающих BDMM следуют аналогичному принципу работы: сначала оценивается текущая ситуация, а затем следуют этапы, прокладывающие путь к повышению зрелости больших данных. Примеры:
Инструмент оценки зрелости информационных технологий в области больших данных
[ редактировать ]Эта модель зрелости является предписывающей в том смысле, что модель состоит из четырех отдельных этапов, каждый из которых прокладывает путь к зрелости больших данных. Фазы:
- Этап 1: пройти обучение по работе с большими данными
- Этап 2. Оценка готовности больших данных
- Этап 3: определить убийственный вариант использования больших данных
- Этап 4. Структурируйте проект проверки концепции больших данных.
Модель зрелости больших данных Рэдклиффа
[ редактировать ]Модель зрелости больших данных Рэдклиффа, как и другие модели, также состоит из различных уровней зрелости:
- 0 – «В темноте»
- 1 – «Догоняем»
- 2 – «Первый пилот»
- 3 – «Тактическая ценность»
- 4 – «Стратегический рычаг»
- 5 – «Оптимизировать и расширить»
Модель Booz & Company
[ редактировать ]Этот BDMM обеспечивает структуру, которая не только позволяет организациям оценить степень своей текущей зрелости, но также определить цели и возможности для роста зрелости больших данных. Модель состоит из четырех этапов, а именно:
- Этап 1: Управление производительностью
- Этап 2: Совершенствование функциональной области
- Этап 3: Улучшение ценностного предложения
- Этап 4: Трансформация бизнес-модели
Модель Ван Винстры
[ редактировать ]Предписывающая модель, предложенная Ван Винстра, направлена на то, чтобы сначала изучить существующую среду больших данных в организации, а затем изучить возможности использования и путь роста к зрелости больших данных. Модель использует четыре этапа, а именно:
- Эффективность
- Эффективность
- Новые решения
- Трансформация
Критическая оценка
[ редактировать ]Текущие BDMM оценивались по следующим критериям: [1]
- Полнота структуры модели (полнота, непротиворечивость)
- Качество разработки и оценки модели (надежность, стабильность)
- Простота применения (простота использования, понятность)
- Создание ценности больших данных (актуальность, релевантность, эффективность)
TDWI и CSC имеют самые высокие общие показатели со стабильными баллами в каждой из групп критериев. Общие результаты показывают, что наиболее эффективные модели обширны, сбалансированы, хорошо документированы, просты в использовании и охватывают большое количество возможностей больших данных, которые используются для создания ценности для бизнеса. Модели Booz & Company и Knowledgent находятся на втором месте, и эти компании среднего звена достойно справляются с созданием ценности больших данных, но терпят неудачу при рассмотрении полноты моделей и простоты применения. Knowledgent страдает от низкого качества разработки, поскольку практически не документирует ни один из процессов разработки. Остальные модели, а именно Infotech, Radcliffe, van Veenstra и IBM, были отнесены к категории малоэффективных. Хотя их содержание хорошо согласуется с созданием ценности для бизнеса с помощью возможностей больших данных, всем им не хватает качества разработки, простоты применения и обширности. Наименьшие оценки были присвоены IBM и Van Veenstra, поскольку обе они предоставляют низкоуровневые рекомендации по практическому использованию соответствующей модели зрелости и полностью лишены документации, что в конечном итоге приводит к низкому качеству разработки и оценки. [1]
См. также
[ редактировать ]Ссылки
[ редактировать ]- ^ Jump up to: а б с д и Браун, Хенрик (2015). «Оценка моделей зрелости больших данных: сравнительное исследование для поддержки оценки больших данных в организациях». Магистерская диссертация – Технологический университет Тампере .
- ^ Халпер Ф. и Кришнан К. (2014). Руководство по модели зрелости больших данных TDWI. Исследование TDWI.
- ^ Кришнан (2014). «Измерение зрелости инициатив в области больших данных» . Архивировано из оригинала 16 марта 2015 г. Проверено 21 мая 2017 г.
- ^ Jump up to: а б Эль-Дарвич; и др. (2014). «Зрелость больших данных: план действий для политиков и руководителей». Всемирный экономический форум .
- ^ Jump up to: а б «Используйте модель зрелости больших данных для построения дорожной карты больших данных» (PDF) . 2014. Архивировано из оригинала (PDF) 2 августа 2017 г. Проверено 21 мая 2017 г.
- ^ Jump up to: а б с д Халпер, Ферн (2016). «Руководство по достижению зрелости анализа больших данных». Руководство по тестированию производительности TDWI .
- ^ «Модель зрелости больших данных и аналитики» . Центр больших данных и аналитики IBM . Проверено 21 мая 2017 г.
- ^ «Главная страница | Оценка зрелости больших данных» . bigdatamaturity.knowledgent.com . Архивировано из оригинала 14 февраля 2015 г. Проверено 21 мая 2017 г.
- ^ Inc., Творческие услуги от Cyclone Interactive Multimedia Group, Inc. (www.cycloneinteractive.com). Сайт разработан и поддерживается Cyclone Interactive Multimedia Group. «Инструмент зрелости больших данных CSC: ценность для бизнеса, движущие силы и проблемы» . csc.bigdatamaturity.com . Проверено 21 мая 2017 г.
{{cite web}}:|last=имеет общее имя ( справка ) CS1 maint: несколько имен: список авторов ( ссылка ) - ^ «Инструмент оценки зрелости больших данных» . www.infotech.com . Проверено 21 мая 2017 г.
- ^ ван Винстра, Энн Флер. «Большие данные маленькими шагами: оценка ценности данных» (PDF) . Белая книга .