ബിഗ് ഡാറ്റ

ഡിജിറ്റൽ ആഗോള വിവര-സംഭരണ ശേഷിയുടെ നോൺ-ലീനിയർ വളർച്ചയും അനലോഗ് സംഭരണത്തിന്റെ ക്ഷയവും

പരമ്പരാഗത ഡാറ്റാ പ്രോസസ്സിംഗ് ആപ്ലിക്കേഷൻ സോഫ്‌റ്റ്‌വെയർ കൈകാര്യം ചെയ്യാൻ കഴിയാത്തത്ര വലുതോ സങ്കീർണ്ണമോ ആയ ഡാറ്റാ സെറ്റുകളെയാണ് ബിഗ് ഡാറ്റ പ്രധാനമായും സൂചിപ്പിക്കുന്നത്. നിരവധി എൻട്രികളുള്ള (വരികൾ) ഡാറ്റ കൂടുതൽ സ്റ്റാറ്റിസ്റ്റിക്കൽ പവർ വാഗ്ദാനം ചെയ്യുന്നു, അതേസമയം ഉയർന്ന സങ്കീർണ്ണതയുള്ള ഡാറ്റ (കൂടുതൽ ആട്രിബ്യൂട്ടുകൾ അല്ലെങ്കിൽ കോളങ്ങൾ) ഉയർന്ന തെറ്റായ കണ്ടെത്തൽ നിരക്കിലേക്ക് നയിച്ചേക്കാം.വലിയ ഡാറ്റ പുസ്തകങ്ങളുടെ ഒരു ഭീമാകാരമായ ലൈബ്രറി ഉള്ളതുപോലെയാണ്; ഏതാനും പേജുകൾ മാത്രം വായിച്ചുകൊണ്ട് നിങ്ങൾക്ക് പൂർണ്ണമായ അർത്ഥം മനസ്സിലാക്കാൻ കഴിയില്ല. നിങ്ങൾ മുഴുവൻ ചിത്രവും നോക്കുമ്പോൾ മാത്രം മനസ്സിലാകുന്ന ഒരു വലിയ അളവിലുള്ള വിവരമാണിത്.

വലിയ ഡാറ്റകൾ വിശകലനം ചെയ്യുമ്പോഴുള്ള വെല്ലുവിൾ ഡാറ്റ ക്യാപ്ചർ ചെയ്യൽ, ഡാറ്റ സംഭരണം, ഡാറ്റ വിശകലനം, തിരയൽ, പങ്കിടൽ, കൈമാറ്റം, ദൃശ്യവൽക്കരണം, ചോദ്യം ചെയ്യൽ, അപ്ഡേറ്റ് ചെയ്യൽ, വിവര സ്വകാര്യത, ഡാറ്റ ഉറവിടം എന്നിവ ഉൾപ്പെടുന്നു. ബിഗ് ഡാറ്റ യഥാർത്ഥത്തിൽ മൂന്ന് പ്രധാന ആശയങ്ങളുമായി ബന്ധപ്പെട്ടിരിക്കുന്നു: വോളിയം, വൈവിധ്യം, വേഗത.ബിഗ് ഡാറ്റ വിശകലനം ഒരു വലിയ പസിൽ സോൾവ് ചെയ്യാൻ ശ്രമിക്കുന്നത് പോലെയാണ്, ചിലപ്പോൾ ശരിയായ ഭാഗങ്ങൾ തിരഞ്ഞെടുക്കുന്നത് ബുദ്ധിമുട്ടാണ്. നിങ്ങളുടെ പക്കലുള്ള വിവരങ്ങൾ വിശ്വാസയോഗ്യമാണെന്നും ഒരു പസിൽ കഷണങ്ങൾ പോലെ കൃത്യമായി യോജിക്കുന്നുവെന്നും ഉറപ്പാക്കുന്നതാണ് ബിഗ് ഡാറ്റയിലെ സത്യസന്ധത കൊണ്ടർത്ഥമാക്കുന്നത്. ബിഗ് ഡാറ്റ വിശ്വസനീയമാണെന്ന് ഉറപ്പുവരുത്തുന്നില്ലെങ്കിൽ, വിശാലവും വൈവിധ്യപൂർണ്ണവുമായ വിവരങ്ങൾ കൈകാര്യം ചെയ്യുന്നത് നിങ്ങളുടെ സ്ഥാപനത്തിന് നേട്ടങ്ങളേക്കാൾ കൂടുതൽ പ്രശ്‌നങ്ങൾ സൃഷ്ടിക്കും.

"ബിഗ് ഡാറ്റ" എന്നതിന്റെ അർത്ഥം, ഭാവിയിലെ ട്രെൻഡുകൾ പ്രവചിക്കുക അല്ലെങ്കിൽ ആളുകൾ ഓൺലൈനിൽ എങ്ങനെ പെരുമാറുമെന്ന് മനസ്സിലാക്കുക തുടങ്ങിയ നിരവധി വിവരങ്ങളിൽ പ്രധാനപ്പെട്ട പാറ്റേണുകൾ കണ്ടെത്തുന്നതിന് ഫാൻസി കമ്പ്യൂട്ടർ തന്ത്രങ്ങൾ ഉപയോഗിക്കുക എന്നാണ്. ഇത് ഒരു വലിയ അളവിലുള്ള ഡാറ്റ ഉള്ളത് മാത്രമല്ല, അത് മനസ്സിലാക്കാനും ഉപയോഗപ്രദമായ സ്ഥിതിവിവരക്കണക്കുകൾ നേടാനും സ്‌മാർട്ട് ടൂളുകൾ ഉപയോഗിക്കുന്നതിനെക്കുറിച്ചാണ്. ഡാറ്റയുടെ പുതിയ ലോകത്ത് പ്രാധാന്യമുള്ള പ്രധാന കാര്യമല്ല ധാരാളം ഡാറ്റ ഉള്ളത്; എല്ലാ വിവരങ്ങളും മനസ്സിലാക്കാനും അതിൽ നിന്ന് പ്രയോജനം നേടാനും സ്മാർട്ട് ടെക്നിക്കുകൾ എങ്ങനെ ഉപയോഗിക്കുന്നു എന്നതാണ് കൂടുതൽ പ്രധാനം. വളരെയധികം ഡാറ്റ ഉള്ളത് മാത്രമല്ല, അത് മനസ്സിലാക്കാനും വിലപ്പെട്ട സ്ഥിതിവിവരക്കണക്കുകൾ എക്‌സ്‌ട്രാക്‌റ്റുചെയ്യാനും സ്‌മാർട്ട് രീതികൾ ഉപയോഗിക്കുക എന്നതാണ് പ്രധാനം.ശാസ്ത്രജ്ഞർ, ബിസിനസുകാർ, ഡോക്ടർമാർ, പരസ്യദാതാക്കൾ, ഗവൺമെന്റുകൾ തുടങ്ങിയ ആളുകൾക്ക് വലിയൊരു കൂട്ടം വിവരങ്ങൾ കൈകാര്യം ചെയ്യുന്നത് ബുദ്ധിമുട്ടാണ്, പ്രത്യേകിച്ചും ഓൺലൈൻ തിരയലുകൾ, സാമ്പത്തിക സാങ്കേതികവിദ്യ, ആരോഗ്യ ഡാറ്റ, മാപ്പുകൾ, നഗര വിവരങ്ങൾ, ബിസിനസ് ഡാറ്റ തുടങ്ങിയ കാര്യങ്ങളിൽ പ്രവർത്തിക്കുമ്പോൾ. ഇത് ഒരു ഭീമാകാരമായ പസിൽ കൈകാര്യം ചെയ്യുന്നതുപോലെയാണ്, അവിടെ ഉപയോഗപ്രദമായ പാറ്റേണുകൾ കണ്ടെത്തുന്നതും ഡാറ്റയെ മനസ്സിലാക്കുന്നതും ഉൾപ്പെട്ടിരിക്കുന്ന എല്ലാവർക്കും വലിയ വെല്ലുവിളിയായി മാറുന്നു. കാലാവസ്ഥ, ജീനുകൾ, മസ്തിഷ്ക ബന്ധങ്ങൾ, ഫിസിക്സ് സിമുലേഷനുകൾ, ജീവജാലങ്ങൾ, പരിസ്ഥിതി എന്നിവ പഠിക്കുന്നത് പോലെയുള്ള ഓൺലൈൻ അധിഷ്ഠിത പ്രവർത്തനങ്ങളിൽ ശാസ്ത്രജ്ഞർ വെല്ലുവിളികൾ നേരിടുന്നു. കാലാവസ്ഥ പ്രവചിക്കുക, നമ്മുടെ ജീനുകളെ മനസ്സിലാക്കുക, സങ്കീർണ്ണമായ ഭൗതികശാസ്ത്രത്തെ മനസ്സിലാക്കുക, ജീവജാലങ്ങളെ പഠിക്കുക, പരിസ്ഥിതി പര്യവേക്ഷണം ചെയ്യുക തുടങ്ങിയവ

മൊബൈൽ ഉപകരണങ്ങൾ, വിലകുറഞ്ഞതും നിരവധി വിവരങ്ങൾ ഉൾക്കൊളളുന്ന സംവേദനാത്മകവുമായ ഇന്റർനെറ്റ് ഓഫ് തിങ്സ് ഉപകരണങ്ങൾ, ഏരിയൽ (റിമോട്ട് സെൻസിംഗ്), സോഫ്‌റ്റ്‌വെയർ ലോഗുകൾ, ക്യാമറകൾ, മൈക്രോഫോണുകൾ, റേഡിയോ ഫ്രീക്വൻസി ഐഡന്റിഫിക്കേഷൻ തുടങ്ങിയ ഉപകരണങ്ങൾ വഴി ഡാറ്റ ശേഖരിക്കുന്നതിനാൽ ലഭ്യമായ ഡാറ്റാ സെറ്റുകളുടെ വലുപ്പവും എണ്ണവും അതിവേഗം വളർന്നു. അതൊടൊപ്പം തന്നെ റേഡിയോ ഫ്രീക്വൻസി ഐഡന്റിഫിക്കേഷൻ(RFID) റീഡറുകളും വയർലെസ് സെൻസർ നെറ്റ്‌വർക്കുകളും.1980-കൾ മുതൽ, ഓരോ 40 മാസത്തിലും വിവരങ്ങൾ സംഭരിക്കുന്നതിനുള്ള കഴിവ് ഇരട്ടിയാകുന്നു.2012-ൽ, ഓരോ ദിവസവും 2.5 എക്സാബൈറ്റ് ഡാറ്റ സൃഷ്‌ടിക്കുന്നു, വിവരങ്ങൾ സൃഷ്‌ടിക്കാനും സംഭരിക്കാനുമുള്ള ശേഷിയിൽ അവിശ്വസനീയമായ വളർച്ച കാണിക്കുന്നു.ഒരു ഐഡിസി(IDC) റിപ്പോർട്ട് പ്രവചനത്തെ അടിസ്ഥാനമാക്കി, 2013-നും 2020-നും ഇടയിൽ ആഗോള ഡാറ്റാ വോളിയം 4.4 സെറ്റാബൈറ്റിൽ നിന്ന് 44 സെറ്റാബൈറ്റായി വളരുമെന്ന് പ്രവചിക്കപ്പെട്ടു. 2025 ആകുമ്പോഴേക്കും 163 സെറ്റാബൈറ്റ് ഡാറ്റ ഉണ്ടാകുമെന്ന് ഐഡിസി പ്രവചിക്കുന്നു.ഐഡിസിയുടെ കണക്കനുസരിച്ച്, ബിഗ് ഡാറ്റയ്ക്കും ബിസിനസ് അനലിറ്റിക്‌സ് (ബിഡിഎ) സൊല്യൂഷനുകൾക്കുമുള്ള ആഗോള ചെലവ് 2021-ൽ 215.7 ബില്യൺ ഡോളറിലെത്തുമെന്ന് കണക്കാക്കി.സ്റ്റാറ്റിസ്റ്റ റിപ്പോർട്ട് ചെയ്യുന്നത് പ്രകാരം, ആഗോള ബിഗ് ഡാറ്റ മാർക്കറ്റ് 2027 ഓടെ 103 ബില്യൺ ഡോളറായി വളരുമെന്ന് പ്രവചിക്കപ്പെടുന്നു.2011-ൽ മക്കിൻസി & കമ്പനി റിപ്പോർട്ട് പ്രകാരം, കാര്യക്ഷമതയും ഗുണനിലവാരവും വർദ്ധിപ്പിക്കുന്നതിന് യുഎസ് ഹെൽത്ത് കെയർ ക്രിയാത്മകമായും ഫലപ്രദമായും ബിഗ് ഡാറ്റ ഉപയോഗിക്കുകയാണെങ്കിൽ, ഈ മേഖലയ്ക്ക് ഓരോ വർഷവും 300 ബില്യൺ ഡോളർ മൂല്യം സൃഷ്ടിക്കാൻ കഴിയും.യൂറോപ്പിലെ വികസിത സമ്പദ്‌വ്യവസ്ഥകളിൽ, ഗവൺമെന്റ് അഡ്‌മിനിസ്‌ട്രേറ്റർമാർക്ക് 100 ബില്യൺ യൂറോയിൽ കൂടുതൽ (149 ബില്യൺ ഡോളർ) ലാഭിക്കാനാകും. വ്യക്തിഗത-ലൊക്കേഷൻ ഡാറ്റയുടെ പശ്ചാത്തലത്തിൽ, 600 ബില്യൺ ഡോളർ ഉപഭോക്തൃ മിച്ചം വരുമെന്നത് കൊണ്ട് ഉദ്ദേശിക്കുന്നത് ഉപയോക്താക്കൾക്ക് അവരുടെ ലൊക്കേഷൻ വിവരങ്ങൾ വിവിധ ആപ്ലിക്കേഷനുകൾക്കായി പ്രയോജനപ്പെടുത്തുന്നതിലൂടെ പ്രവർത്തനക്ഷമമാക്കിയ സേവനങ്ങളിൽ നിന്ന് കാര്യമായ പ്രയോജനം നേടാനാകുമെന്നാണ്.വൻകിട കമ്പനികളിലെ ബിഗ്-ഡാറ്റ പ്രോജക്റ്റുകൾ ആരാണ് നയിക്കേണ്ടതെന്ന് തീരുമാനിക്കുക എന്നതിനർത്ഥം ഏത് ടീമിനെയോ നേതാവിനെയോ കൈകാര്യം ചെയ്യാനും ഈ സംരംഭങ്ങൾ മുഴുവൻ ഓർഗനൈസേഷനായി പരമാവധി പ്രയോജനപ്പെടുത്താനും ഏറ്റവും അനുയോജ്യമാണെന്ന് കണ്ടെത്തുക എന്നതാണ്. മൊത്തത്തിലുള്ള ബിസിനസ്സ് ലക്ഷ്യങ്ങളുമായി ഫലപ്രദമായ ഏകോപനവും വിന്യാസവും ഉറപ്പാക്കുന്നതിന് ഐടി, ഡാറ്റ, ബിസിനസ് യൂണിറ്റുകൾ എന്നിവയ്ക്കിടയിൽ ശരിയായ ബാലൻസ് കണ്ടെത്തുന്നതിനാണ് ഈ തീരുമാനം എടുക്കുന്നത്.

അവലംബം

  1. ↑ Hilbert, Martin; López, Priscila (2011). "The World's Technological Capacity to Store, Communicate, and Compute Information". Science. 332 (6025): 60–65. Bibcode:2011Sci...332...60H. doi:10.1126/science.1200970. PMID 21310967. S2CID 206531385. Archived from the original on 14 April 2016. Retrieved 13 April 2016.
  2. ↑ Breur, Tom (July 2016). "Statistical Power Analysis and the contemporary "crisis" in social sciences". Journal of Marketing Analytics. London, England: Palgrave Macmillan. 4 (2–3): 61–65. doi:10.1057/s41270-016-0001-3. ISSN 2050-3318.
  3. ↑ Mahdavi-Damghani, Babak (2019). Data-Driven Models & Mathematical Finance: Apposition or Opposition? (DPhil thesis). Oxford, England: University of Oxford. p. 21. SSRN 3521933.
  4. ↑ "The 5 V's of big data". Watson Health Perspectives (in അമേരിക്കൻ ഇംഗ്ലീഷ്). 2016-09-17. Archived from the original on 18 January 2021. Retrieved 2021-01-20.
  5. ↑ Cappa, Francesco; Oriani, Raffaele; Peruffo, Enzo; McCarthy, Ian (2021). "Big Data for Creating and Capturing Value in the Digitalized Environment: Unpacking the Effects of Volume, Variety, and Veracity on Firm Performance". Journal of Product Innovation Management (in ഇംഗ്ലീഷ്). 38 (1): 49–67. doi:10.1111/jpim.12545. ISSN 0737-6782. S2CID 225209179.
  6. ↑ boyd, dana; Crawford, Kate (21 September 2011). "Six Provocations for Big Data". Social Science Research Network: A Decade in Internet Time: Symposium on the Dynamics of the Internet and Society. doi:10.2139/ssrn.1926431. S2CID 148610111. Archived from the original on 28 February 2020. Retrieved 12 July 2019.
  7. ↑ "Community cleverness required". Nature. 455 (7209): 1. September 2008. Bibcode:2008Natur.455....1.. doi:10.1038/455001a. PMID 18769385.
  8. ↑ Reichman OJ, Jones MB, Schildhauer MP (February 2011). "Challenges and opportunities of open data in ecology". Science. 331 (6018): 703–5. Bibcode:2011Sci...331..703R. doi:10.1126/science.1197962. PMID 21311007. S2CID 22686503. Archived from the original on 19 October 2020. Retrieved 12 July 2019.
  9. ↑ Hellerstein, Joe (9 November 2008). "Parallel Programming in the Age of Big Data". Gigaom Blog. Archived from the original on 7 October 2012. Retrieved 21 April 2010.
  10. ↑ Segaran, Toby; Hammerbacher, Jeff (2009). Beautiful Data: The Stories Behind Elegant Data Solutions. O'Reilly Media. p. 257. ISBN 978-0-596-15711-1. Archived from the original on 12 May 2016. Retrieved 31 December 2015.
  11. ↑ Hilbert M, López P (April 2011). "The world's technological capacity to store, communicate, and compute information" (PDF). Science. 332 (6025): 60–5. Bibcode:2011Sci...332...60H. doi:10.1126/science.1200970. PMID 21310967. S2CID 206531385. Archived (PDF) from the original on 19 August 2019. Retrieved 11 May 2019.
  12. ↑ "IBM What is big data? – Bringing big data to the enterprise". ibm.com. Archived from the original on 24 August 2013. Retrieved 26 August 2013.
  13. ↑ Reinsel, David; Gantz, John; Rydning, John (13 April 2017). "Data Age 2025: The Evolution of Data to Life-Critical" (PDF). seagate.com. Framingham, MA, US: International Data Corporation. Archived (PDF) from the original on 8 December 2017. Retrieved 2 November 2017.
  14. ↑ "Global Spending on Big Data and Analytics Solutions Will Reach $215.7 Billion in 2021, According to a New IDC Spending Guide". Archived from the original on 23 July 2022. Retrieved 31 July 2022.
  15. ↑ "Big data and business analytics revenue 2022".
  16. ↑ 16.0 16.1 Big data: The next frontier for innovation, competition, and productivity McKinsey Global Institute May 2011
  17. ↑ "Global big data industry market size 2011-2027".
  18. ↑ Oracle and FSN, "Mastering Big Data: CFO Strategies to Transform Insight into Opportunity" Archived 4 August 2013 at the Wayback Machine., December 2012