Big Data Discoveryを使用すると、従来のアナリティクス・ツールよりもジョブの速度が向上し、容易になります。 このトピックでは、データ分析における目標およびニーズについて説明し、Big Data Discoveryでの対応方法を示します。
データ・サイエンティストまたはアナリストは、次のことを行います:
- 「非結合ツールのセットを使用した複雑な質問の解決」。 複雑な質問が数多くある場合から始めます。 データ、ビジュアライゼーションおよび検出の機能に対して予期しないニーズが生じることがよくあります。 それらに対処するには、オープン・ソースおよびカスタム検出ツールを使用します。 ツールは他のツールと組み合せて使用するため、多くの場合、同じツールを複数回再度開く必要があります。
Big Data Discoveryでは、この断片化されたツール間のワークフローは、エコシステムにネイティブに含まれる単一のワークフローに置き換えられます。
- 「コラボレーションの必要あり」。 チームとともに、多数の外部および内部ソースからの大規模なデータを操作します。 他のチーム・メンバーが結果を消費することもあります。 新しいオファリングのインサイトとプロトタイプも向上および公開します。
Big Data Discoveryでは、個人プロジェクトを作成するか、チームでプロジェクトを作成および共有できます。
- 「データを意識する必要がある場合」。 多くの場合、インサイトを作成して使用する必要があります。 これは、データを収集、クレンジングおよび分析することで行います。
Big Data Discoveryでは、データを意味のあるものにできます。 それを使用して、データの収集、結合、シェイプおよび分析を行います。
- 「アイデアとインサイトの生成」。 ビジネスの変化につながるインサイトを作成する場合、または既存の製品、サービスおよび業務を強化する場合。 また、新しいデータ駆動型製品およびサービスのプロトタイプ(またはモデル)を定義して作成する必要もあります。
Big Data Discoveryでは、多くのデータ視覚化技術を使用してインサイトを開始します。 チャートには、チャート、統計情報のプロット、マップ、ピボット表、サマリー・バー、タグ・クラウド、タイムラインなどがあります。 スナップショットとブックマークを使用して、検出結果を保存して共有できます。
- 「変換、トレース・バック、微調整、および仮説の共有を行います」。 多くの場合、古い問題に対処するには新しいパースペクティブを提供する必要があります。 通常、ソリューションへのパスは展開され、次の作業が行われます:
- 仮説の改訂。 複数の仮説をパラレルで調べる必要があります。 多くの場合、それらは多くのデータ・セットや暫定データ製品に基づいています。
- ハイフン検証。 仮説をフレーム化してテストする必要があります。 これには検証と試験的手法、およびその他のことによって行われる結果の学習が必要です。
- データの再収集および透過性。 アナリティク作業のすべてのステージを透過的にして、チームが繰り返し実行できるようにします。 以前に作成されたアナリティク・ワークフローを再作成できるようにします。 また、作業内容を共有したいと思っています。 これには、すべてのステップとアクティビティの線形履歴が必要です。
Big Data Discoveryは、BDDプロジェクト、データ・セットおよび変換スクリプトを保存することで役立ちます。 これにより、プロジェクトの改善、プロジェクトの共有および他のデータ・セットへの保存済変換スクリプトの適用が可能になります。
