I 13 tipi di dati

Fernandes sottolinea che in pratica, questo significa guardare insieme nuove applicazioni e obiettivi di business per decodificare quali dovrebbero essere le metriche dei dati operativi. Nuovi servizi rivolti al cliente possono essere sviluppati su microservizi, ma come facciamo ad essere sicuri di estrarre i dati giusti fin dall’inizio? Mettendo in atto questa mentalità” dati operativi”, possiamo probabilmente cercare di ottenere le informazioni giuste alle persone giuste quando ne hanno bisogno.

11 – Dati ad alta dimensione

I dati ad alta dimensione sono un termine reso popolare in relazione alle tecnologie di riconoscimento facciale. A causa del numero massicciamente complesso di contorni su un volto umano, abbiamo bisogno di nuove espressioni di dati che siano abbastanza sfaccettate da essere in grado di gestire calcoli in grado di descrivere tutte le sfumature e le individualità che esistono attraverso le fisionomie facciali. Correlato a questo è il concetto di eigenfaces, il nome dato a un insieme di autovettori quando vengono utilizzati in informatica per elaborare il riconoscimento del volto umano.

12 – Dati obsoleti non verificati

Il citato Mike Bursell di Red Hat indica anche quelli che chiama dati obsoleti non verificati. Si tratta di dati che sono stati raccolti, ma nessuno ha idea se sia rilevante, preciso o addirittura del tipo giusto. Possiamo suggerire che in termini commerciali, se ti fidi dei dati che non hai verificato, non dovresti fidarti di eventuali decisioni prese sulla base di tali dati. Bursell dice che la spazzatura dentro, la spazzatura fuori tiene ancora holds e senza verifica, i dati sono proprio questo: spazzatura.

“Probabilmente ancora peggio che i dati non verificati, che potrebbero almeno avere una certa validità e di cui dovresti almeno sapere di non fidarti, i dati che sono obsoleti e usati per essere rilevanti. Ma molte delle prove del mondo reale da cui ricaviamo i nostri dati cambiano, e se i dati non cambiano per rifletterlo, allora è positivamente pericoloso usarlo in molti casi”, ha affermato Bursell.

13 – Translytic Data

Un amalgama di ‘transact’ e ‘analyze’, translytic data è sostenuto per consentire l’elaborazione on-demand in tempo reale e reporting con nuove metriche non precedentemente disponibili al punto di azione. Questa è l’opinione di Mark Darbyshire, CTO per la gestione dei dati e dei database di SAP UK.

Darbyshire dice che tradizionalmente, l’analisi è stata fatta su una copia dei dati transazionali. Ma oggi, con la disponibilità di calcolo in memoria, le aziende possono eseguire analisi “finestra di transazione”. Questo sostiene attività che aumentano il valore aziendale come targeting intelligente, raccomandazioni curate, diagnosi alternativa e rilevamento immediato delle frodi oltre a fornire intuizioni aziendali sottili ma preziose.

Secondo SAP Darbyshire, “I dati traslitici richiedono un’architettura tecnologica semplificata e sistemi di database analitici transazionali ibridi, abilitati dalla tecnologia in memoria. Ciò fornisce anche il vantaggio aggiunto della semplicità dell’architettura: un sistema da mantenere senza movimento dei dati. Le aziende che effettuano transazioni in tempo reale con informazioni istantanee sulle metriche chiave rilevanti che contano, mentre effettuano transazioni, sperimentano una maggiore efficienza operativa, nonché un accesso più rapido e una migliore visibilità dei dati in tempo reale.”

Questo elenco non è affatto inteso come esaustivo, tale è la natura della tecnologia dell’informazione e la proliferazione dei dati

Lascia un commento

Il tuo indirizzo email non sarà pubblicato.