Αναλυτές πληροφοριών αγοράς ξοδεύουν χρόνο κάνοντας εκκαθάριση ανεπεξέργαστων δεδομένων. Γιατί;
Ακούμε πολλά για τα πιθανά οφέλη των Big Data, αλλά μια καινούργια μελέτη αποκαλύπτει, πως αυτά τα οφέλη κερδίζονται με κόστος μια χρονοβόρα διαδικασία εκκαθάρισης και προετοιμασίας ανεπεξέργαστων πληροφοριών.
Η έρευνα από την εταιρία ενοποίησης δεδομένων Xplenty έκανε μια δημοσκόπηση με πάνω από 200 επαγγελματίες επιχειρηματικών πληροφοριών και ανακάλυψε πως ένας στους τρεις ξοδεύουν το 50 με 90 τοις εκατό του χρόνου τους κάνοντας εκκαθάριση σε ανεπεξέργαστα δεδομένα.
Κοιτώντας την διαδικασία ‘extract, transform, load(ETL), μαζί με τις on-premise προτιμήσεις, ή ταcloud solutions, τις αναμενόμενες προκλήσεις, καθώς και τον χρόνο που ξοδεύεται στο ETL, τα αποτελέσματα δείχνουν, ότι το 97% από τους ερωτηθέντες δήλωσαν πως το ETL είναι απαραίτητο για τις προσπάθειες τους όσον αφορά τις επιχειρηματικές πληροφορίες.
Πάνω από το μισό (51%) των ερωτηθέντων λένε πως χρησιμοποιούν on-premise ETL λύσεις. Ωστόσο, το 51% από αυτούς λένε πως σκέφτονται σοβαρά να μετακινήσουν όλες τις διαδικασίες ETLστο Cloud.
“Ενώ πολλοί οργανισμοί ακόμα εξαρτώνται από το υπάρχον on-premise IT για το ETL, η επιθυμία να μεταφερθούν σε ένα cloud μοντέλο είναι πολύ μεγάλη”, αναφέρει ο Yaniv Mor, CEO και συνιδρυτής της Xplenty. “Το Cloud ETL προσφέρει στον χρήστη οφέλη στα on-premise, από την αυξημένη ευκινησία στην ανάπτυξη πόρων για μειωμένα κόστη. Έτσι λοιπόν, το cloud είναι μια ιδιαίτερα ελκυστική επιλογή και από πλευράς απόδοσης και διαχείρισης”.
Όταν ερωτήθηκαν ποιες ήταν οι μεγαλύτερες προκλήσεις στην δημιουργία δεδομένων έτοιμα για ανάλυση, το 55% απάντησε η ενσωμάτωση δεδομένων από διαφορετικές πλατφόρμες, ακολουθημένη από μεταμόρφωση, εκκαθάριση και μορφοποίηση εισερχόμενων δεδομένων (39%), ενσωμάτωση σχετικών και μη σχετικών δεδομένων (32%), και τέλος ο αριθμός δεδομένων που πρέπει να διαχειριστούν (21%) οποιαδήποτε στιγμή.
“Οι ειδικοί των BI θα έπρεπε να ξοδεύουν τον χρόνο τους στην εκτίμηση των δεδομένων και αποκρυπτογράφηση διατάξεων που προκύπτουν από την διαδικασία analytics- όχι να προετοιμάζουν τα δεδομένα για analytics”, προσθέτει ο Mor. “Όσο χρόνο χρησιμοποιούν για να κάνουν τα ανεπεξέργαστα δεδομένα analytics χρήσιμα, τόσο λιγότερο χρόνο έχουν για να πάρουν πραγματική αξία από αυτά. Πρέπει να επιταχύνουμε το ‘χρόνο προς γνώση’ των Big Data, ενδυναμώνοντας την αποτελεσματικότητα και φέρνοντας πιο άμεσες απαντήσεις σε έναν οργανισμό, έτσι ώστε αυτοί με την σειρά τους να μπορούν πιο γρήγορα να τις εκμεταλλεύονται”.