Manufactura industrial
Internet industrial de las cosas | Materiales industriales | Mantenimiento y reparación de equipos | Programación industrial |
home  MfgRobots >> Manufactura industrial >  >> Manufacturing Technology >> Tecnología Industrial

No puede tener Big Data sin datos limpios


Big Data es el santo grial de la analítica actual. Con él, las organizaciones pueden obtener análisis predictivos y análisis del comportamiento de los usuarios, y descubrir patrones, tendencias y asociaciones que antes eran imposibles de recopilar. Big Data conduce a una mejor toma de decisiones, lo que conduce a una mayor eficiencia operativa, reducción de riesgos y ahorros en los costos finales. Pero Big Data puede ser difícil de alcanzar. Se debe trabajar mucho antes de que las organizaciones puedan darse cuenta de los beneficios de Big Data. Antes de que pueda obtener Big Data, necesita datos limpios.
Problemas como datos duplicados, números incorrectos, caracteres faltantes, campos de datos faltantes, datos asociados con activos que ya no están en servicio y múltiples números asociados con un activo pueden corromperse datos, haciéndolos inconsistentes e inexactos. La limpieza de datos, la reconciliación y la gestión de datos maestros (MDM) son fundamentales para lograr datos limpios, pero pueden verse como esfuerzos costosos y lentos con pocos resultados a corto plazo.
Revise sus datos
Entonces, ¿cómo comienzan las organizaciones a recopilar y limpiar datos en el camino hacia Big Data? En un artículo sobre datos limpios, Patrick Gray, un destacado experto en tecnología y consultor, sugiere:“Comience con los problemas que espera que resuelva Big Data, los beneficios de obtener las respuestas rápidas y los refinamientos característicos de Big Data, y luego compare los costos de realizar una limpieza repetidamente versus morder la bala y hacerlo bien la primera vez”.
Como sugiere Gray, el primer paso es identificar qué datos tiene y qué necesita para lograr sus objetivos de Big Data. Esto incluye actividades de MDM, como la reconciliación de datos o una auditoría completa del inventario. Por lo general, implica examinar los registros actuales dentro de una base de datos y confirmar que la información contenida en la base de datos heredada es correcta.
Este puede ser un proceso largo, pero al final obtendrá beneficios. Pero no muerdas más de lo que puedes masticar. Gray afirma que "algunos pequeños éxitos tempranos son mucho mejores que quedarse atrapado en la maleza tratando de resolver todos sus problemas de datos a la vez y nunca entregar ningún valor".
Mantener los datos limpios
Una vez que sus datos heredados estén limpios, ¿cómo se asegura de que se mantengan limpios y de que los datos nuevos estén limpios en el futuro? Nuevamente, se trata de comprender sus objetivos generales para el análisis de Big Data.
Simplifique los datos
Asegúrese de que los datos que recopila son los que necesita para el análisis y no recopila datos irrelevantes basados ​​en prácticas anteriores. Esto podría significar simplificar los datos que está recopilando, como eliminar campos innecesarios. Más no siempre es mejor. Agregar campos y funciones al software puede reducir el análisis oportuno que busca lograr.
Desarrolle políticas de recopilación de datos
Desde qué datos recopilar hasta el método adecuado para recopilarlos, la coherencia es clave para la calidad de los datos. Acuerde los campos de datos de MDM que son más importantes para su análisis de datos. Esto incluye números de pieza, números de modelo, números de serie, etc. Luego use herramientas o métodos consistentes para recopilar esos datos. Los sistemas automáticos de captura de datos, como las etiquetas de códigos de barras y los escáneres, son los métodos más confiables para capturar datos. Estos métodos dejan poco espacio para errores, como la recopilación manual de datos, donde es fácil pasar por alto campos o transponer números.
Identificar errores
Revisar los datos le permite identificar errores comunes o señalar las áreas en las que suelen ocurrir errores. Investigue y corrija todos los errores de datos antes de que se ingresen en el sistema y desarrolle sus propias políticas y mejores prácticas para garantizar que los errores no continúen.
Si bien muchas organizaciones se las arreglaron con datos desordenados, incompletos o incorrectos en el pasado, el impulso hacia Big Data destaca el requisito previo para obtener datos limpios primero. Si su organización está cambiando hacia la necesidad de análisis de datos instantáneos, los datos limpios son el primer paso fundamental. Para obtener ayuda para obtener o mantener datos limpios, comuníquese con Camcode.


Tecnología Industrial

  1. En privado, es posible que se haya perdido algo importante en 2020
  2. 5 pasos clave que debe seguir si tiene una violación de datos
  3. No puedes ir lento:Bienvenido al mundo del "Blitzscaling"
  4. ¿Por qué Cloud? Tres beneficios que debe considerar
  5. No tiene tiempo para descuidar la seguridad del trabajador
  6. Realidad o ficción:¿Qué historia le cuentan sus datos?
  7. Big Data vs Inteligencia Artificial
  8. ¿Estás listo para una Smart Factory?
  9. ¿Cómo sabe si su proyecto de Big Data tendrá éxito?
  10. Creación de grandes datos a partir de pocos datos
  11. Big Data remodela la industria de servicios públicos