Big datasta ovat tällä hetkellä kiinnostuneita lähes kaikki liiketoiminta-analytiikkaa jollain tavalla työssään tarvitsevat ihmiset. Useat organisaatiot ovat pystyttäneet kokeiluprojekteja, joissa tutkitaan big data analytiikan teknologisia haasteita ja mahdollisuuksia. Yleensä näiden kokeiluprojektien ongelma on irrallisuus nykyisestä liiketoiminta-analytiikasta. Niinpä projektien tulosten arvon määrittäminen on hankalaa ja projektit jäävät yksittäisiksi harjoituksiksi muiden teknologiakokeilujen rinnalle. Tämä on harmillista, sillä big datassa on valtava liiketoiminta-arvon potentiaali.

Big data analytiikka on jo yksinään haastava aihe. Kun tähän lisätään modernin liiketoiminnan nopeusvaatimukset reaaliaikaisen analytiikan muodossa, on haaste liiketoiminta-arvon luomiseen entistä suurempi. Big dataa ja reaaliaikaisuutta ei kannata kuitenkaan pelätä, sillä jo useat yritykset ovat toteuttaneet reaaliaikaiseen big data analytiikkaan perustuvia palveluja menestyksekkäästi. Menestyksen takana on yleensä selkeä liiketoimintamahdollisuus, jonka hyödyntämiseen reaaliaikaista big data analytiikkaa tarvitaan. Samoin menestyksen takana on pragmaattinen lähestymistapa sekä big dataan että reaaliaikaisuuteen.

Pragmaattinen lähestymistapa tarkoittaa liiketoimintatavoitteiden tarkkaa hahmottamista, jotta ymmärretään mikä lisäarvo reaaliaikaisuudella on ja mikä voidaan toteuttaa ei niin reaaliaikaisesti. Kaikki se mikä ei selkeästi hyödy reaaliaikaisuudesta ja voidaan toteuttaa muullakin tavalla, kannattaa jättää reaaliaikaisuuden ulkopuolelle. Tällä saadaan aikaan kustannustehokkaita ratkaisuja ja todennäköisestiyhtä hyvä liiketoiminta-arvo kuin toteuttamalla kaikki analytiikka reaaliaikaisesti.

Erinomainen esimerkki tällaisesta pragmaattisesta lähestymistavasta on Pohjois-Amerikkalainen raskaan ajoneuvokaluston valmistaja Navistar. Navistar kerää liikkuvista ajoneuvoista reaaliaikaista dataa neuvontapalveluiden toteuttamiseksi. Reaaliaikaisen datan keräämisen pullonkaula ovat tietoliikenneyhteydet. Vaikka kaikki data voitaisiin mahdollisesti tuoda Navistarin analytiikkakoneistoon reaaliajassa, se olisi kallista. Saavuttaakseen järkevän kustannustason Navistar on tarkkaan miettinyt mikä analytiikasta voidaan tehdä paikallisesti ajoneuvossa, mikä data pitää tuoda keskitettyyn analytiikkakoneistoon reaaliajassa ja mikä data hitaammin kun ajoneuvo on edullisten tietoliikenneyhteyksien tavoitettavissa. Näin on syntynyt ratkaisu, jossa ajoneuvon käyttäytymistä ja kuntoa seurataan ajoneuvoon viedyillä algoritmeilla reaaliaikaisesti. Tämä reaaliaikainen paikallinen analytiikka tuottaa virheilmoituksia, jotka kriittisyyden mukaan lähetetään reaaliajassa Navistarin keskitettyyn analytiikkakoneistoon. Siirrossa hyödynnetään mobiiliverkkoja. Automatiikan avulla analytiikkakoneisto tuottaa päätösehdotuksia, jotka toimitetaan Navistarin asiakaspalveluun ja suoraan asiakkaalle. Esimerkiksi huoltoa voidaan suositella.

Mihin Navistar sitten tarvitsee hitaampaa tiedonsiirtoa ja analytiikkaa? Ajoneuvon tietokone kerää sensoridataa, joka tallennetaan ajoneuvon tietokoneeseen. Tämä data puretaan keskitettyyn analytiikkakoneistoon ajoneuvon käydessä huollossa. Tällöin voidaan hyödyntää nopeita ja halpoja tiedonsiirtotekniikoita kaiken datan talteen ottamiseksi. Tämä kaikki data tarvitaan uusien vika-algoritmien tekemiseen ja olemassaolevien parantamiseen. Lisäksi kaikkea dataa tarvitaan esimerkiksi tuotekehityksessä parempien tuotteiden suunnittelua varten. Myös vika-analytiikka esimerkiksi juurisyiden selkeyttämiseen tarvitsee ajoneuvosta kerättyä kaikkea dataa ollakseen tehokasta ja tarkkaa.

Miettimällä tarkkaan miten reaaliaikainen big data analytikka hyödyttää liiketoimintaa ja miten big dataa esimerkiksi täytyy yhdistellä yrityksen muuhun dataan kuten asiakasdataan, saavutetaan kustannustehokkain tapa luoda uusia myytäviä reaaliaikapalveluja. Toki kaikki analytiikka voidaan toteuttaa reaaliaikaisesti, mutta se ei todennäköisesti ole liiketoiminnan kannalta järkevää ja kannattavaa. Tämä on sama ilmiö kuin muistinvaraisessa analytiikassa - kaikkea analytiikkaa ei kannata tehdä muistinvaraisesti etenkään big datan osalta, sillä se on valtavan kallista.

Reaaliaikaisen big data analytiikan soveltamisen suunnittelu kannattaa aloittaa katsomalla Navistarin kolmen minuutin video. Tämä esimerkki toimii pohjana reaaliaikaisuuden rajojen määrittelylle omassa ympäristössä. Rajojen määrityksen jälkeen päästään tekemään kehityspolkua, jossa reaaliaikaisuus toteutetaan liiketoiminnallisesti järkevällä tavalla. Vasta tämän suunnittelutyön jälkeen päästään toteutusvaiheeseen jos reaaliaikainen big data analytiikka katsotaan edelleen järkeväksi.

Marko Yli-Pietilä

Marko työskentelee tällä hetkellä teollisen internetin sovellusten parissa erityisesti koneiden rakennukseen ja niiden huoltoon liittyen. Myös finanssiteollisuuden sovellukset ajoneuvojen vakuutusten hinnoittelemiseksi ovat olleet kiinnostuksen kohteena. Koneiden tuottama data ei muodoltaan välttämättä ole big dataa, mutta määränsä ja analytiikan nopeuden vaatimusten perusteella kylläkin.

Teradata
Teradata on innovoinut ratkaisuja nopeaan tiedon käsittelyyn ja analysointiin jo 35 vuotta. Teradata syntyi tarpeesta käsitellä valtavia tietomääriä tapauksissa, joissa tietoa tulee analysoitavaksi samaan aikaan kun sitä pitää raportoida ja analysoida isoille käyttäjämassoille. Niinpä big data analytiikka ei ole Teradatalle mikään uusi haaste, vaan sen parissa on tehty työtä jo kymmeniä vuosia.

Leave a comment

Filtered HTML

  • Www-osoitteet ja email-osoitteet muutetaan automaattisesti linkeiksi.
  • Sallitut HTML-tagit: <a> <em> <strong> <cite> <blockquote> <code> <ul> <ol> <li> <dl> <dt> <dd>
  • Rivit ja kappaleet päätetään automaattisesti.

Plain text

  • No HTML tags allowed.
  • Www-osoitteet ja email-osoitteet muutetaan automaattisesti linkeiksi.
  • Rivit ja kappaleet päätetään automaattisesti.
Roskapostitorjuntaa.