3.5.2 Data transparency and governa

3.5.2 Data transparency and governance
Big Data use cases often build upon a smart combination
of individual data sources which jointly provide new
perspectives and insights. But in many companies the
reality is that three major challenges must be addressed
to ensure successful implementation.
First, to locate data that is already available in the company,
there must be full transparency of information
assets and ownership. Secondly, to prevent ambiguous
data mapping, data attributes must be clearly structured
and explicitly defined across multiple databases. And
thirdly, strong governance on data quality must be
maintained. The validity of mass query results is likely
to be compromised unless there are effective cleansing
procedures to remove incomplete, obsolete, or duplicate
data records. And it is of utmost importance to assure
high overall data quality of individual data sources
because – with the boosted volume, variety, and velocity
of Big Data – it is more difficult to implement efficient
validation and adjustment procedures.
3.5.3 Data privacy
In the conceptual phase of every Big Data project, it is
essential to consider data protection and privacy issues.
Personal data is often revealed when exploiting information
assets, especially when attempting to gain customer
insight. Use cases are typically elusive in countries with
strict data protection laws, yet legislation is not the only
constraint. Even when a use case complies with prevailing
laws, the large-scale collection and exploitation of data
often stirs public debate and this can subsequently
damage corporate reputation and brand value.
3.5.4 Data science skills
A key to successful Big Data implementation is mastery
of the many data analysis and manipulation techniques
that turn vast raw data into valuable information. The
skillful application of computational mathematics makes
or breaks reliable and meaningful insights. In most
industries, the required mathematical and statistical
skill set is scarce. In fact, a talent war is underway, as
more and more companies recognize they must source
missing data science skills externally. Very specialized
knowledge is required to deploy the right techniques
for each particular data processing problem, so organizations
must invest in new HR approaches in support
of Big Data initiatives.
3.5.5 Appropriate technology usage
Many data processing problems currently hyped
as “Big Data challenges” could, in fact, have been
technically solved five years ago. But back then, the
required technology investment would have shattered
every business case. Now at a fraction of the cost,
raw computing power has exponentially increased,
and advanced data processing concepts are available,
enabling a new dimension of performance. The most
prominent approaches are in-memory data storage
and distributed computing frameworks. However,
these new concepts require adoption of entirely new
technologies.
For IT departments to implement Big Data projects
therefore requires a thorough evaluation of established
and new technology components. It needs to be
established whether these components can support a
particular use case, and whether existing investments
can be scaled up for higher performance. For example,
in-memory databases (such as the SAP HANA system)
are very fast but have a limited volume of data storage,
while distributed computing frameworks (such as the
Apache Hadoop framework) are able to scale out to a
huge number of nodes but at the cost of delayed data
consistency across multiple nodes.
In summary, these are the five success factors that
must be in place for organizations to leverage data
for better business performance. Big Data is ready
to be used.

ผลลัพธ์ (ไทย) 1:

3.5.2 ข้อมูลความโปร่งใสและธรรมาภิบาลกรณีใช้ข้อมูลขนาดใหญ่มักจะสร้างชุดสมาร์ทแหล่งข้อมูลบุคคลซึ่งร่วมกันให้ใหม่มุมมองและข้อมูลเชิงลึก แต่ ในหลายบริษัทเป็นจริงว่า ต้องจัดการสิ่งที่ท้าทายความสามเพื่อให้การดำเนินงานที่ประสบความสำเร็จครั้งแรก การค้นหาข้อมูลที่มีอยู่แล้วในบริษัทต้องมีความโปร่งใสของข้อมูลสินทรัพย์และเจ้าของ ประการที่สอง เพื่อป้องกันการไม่ชัดเจนการแมปข้อมูล แอตทริบิวต์ข้อมูลต้องชัดเจนจัดตั้งและกำหนดอย่างชัดเจนในหลายฐานข้อมูล และประการที่สาม กำกับดูแลกิจการที่แข็งแกร่งคุณภาพข้อมูลต้องรักษาไว้ ความถูกต้องของผลลัพธ์แบบสอบถามโดยรวมมีแนวโน้มการถูกละเมิดมีประสิทธิภาพการทำความสะอาดขั้นตอนการเอาออกไม่สมบูรณ์ ล้าสมัย หรือซ้ำกันระเบียนข้อมูล และก็ที่สำคัญที่สุดเพื่อให้มั่นใจโดยรวมข้อมูลคุณภาพของข้อมูลแต่ละแหล่งเนื่องจาก มีปริมาณโปรโมท หลากหลาย และความเร็วของข้อมูล – ถูกใช้อย่างมีประสิทธิภาพวิธีการตรวจสอบและการปรับปรุง3.5.3 ข้อมูลส่วนบุคคลในระยะแนวคิดของโครงการข้อมูลขนาดใหญ่จำเป็นต้องพิจารณาข้อมูลความเป็นส่วนตัวและป้องกันปัญหามักจะเปิดเผยข้อมูลส่วนบุคคลเมื่อใช้ประโยชน์จากข้อมูลสินทรัพย์ โดยเฉพาะอย่างยิ่งเมื่อพยายามที่จะรับลูกค้าความเข้าใจ ใช้อยู่โดยทั่วไปจะเข้าใจยากในประเทศที่มีกฎหมายคุ้มครองข้อมูลที่เข้มงวด แต่กฎหมายไม่ได้เท่านั้นข้อจำกัด แม้เมื่อใช้กรณีสอดคล้องกับแลกเปลี่ยนกฎหมาย การรวบรวมขนาดใหญ่ และประโยชน์ของข้อมูลมักจะถกเถียงสาธารณะทิวและสามารถนี้ต่อมาทำลายชื่อเสียงขององค์กรและค่าแบรนด์3.5.4 ข้อมูลวิทยาศาสตร์ทักษะคีย์ข้อมูลการประสบความสำเร็จคือ ความชำนาญหลายข้อมูลการวิเคราะห์และการจัดการเทคนิคที่เปิดข้อมูลดิบมากมายเป็นข้อมูลที่มีค่า การทำให้การประยุกต์ใช้คณิตศาสตร์คำนวณความชำนาญหรือข้อมูลเชิงลึกน่าเชื่อถือ และมีความหมายตัวแบ่ง ในส่วนใหญ่อุตสาหกรรม ที่ต้องใช้คณิตศาสตร์ และสถิติทักษะขาดแคลน ในความเป็นจริง สงครามความสามารถกำลังระหว่าง เป็นรู้จัก บริษัทมากขึ้นพวกเขาต้องแหล่งขาดข้อมูลวิทยาศาสตร์ทักษะภายนอก ผู้เชี่ยวชาญความรู้จำเป็นต้องใช้เทคนิคเหมาะสมสำหรับแต่ละปัญหาการประมวลผลข้อมูลเฉพาะ องค์กรดังนั้นต้องลงทุนวิธี HR ใหม่ ๆ ในการสนับสนุนของข้อมูลขนาดใหญ่3.5.5 การใช้เทคโนโลยีที่เหมาะสมในปัจจุบันวงจรปัญหาการประมวลผลข้อมูลจำนวนมากขณะที่ "เขาใหญ่" สามารถ ในความเป็นจริง ได้รับเทคนิคแก้ไขได้ 5 ปีแล้ว แต่ด้านหลัง แล้ว การเทคโนโลยีต้องลงทุนจะมีทำลายทุกกรณีธุรกิจ ตอนนี้ในส่วนของต้นทุนพลังประมวลผลได้เพิ่มขึ้นชี้แจงมีแนวคิดการประมวลผลข้อมูลขั้นสูงเปิดมิติใหม่ของประสิทธิภาพ มากสุดวิธีโดดเด่นจะจัดเก็บข้อมูลในหน่วยความจำและกรอบงานที่กระจาย อย่างไรก็ตามแนวคิดใหม่เหล่านี้ต้องใช้ของใหม่ทั้งหมดเทคโนโลยีสำหรับแผนก IT ในการดำเนินโครงการข้อมูลขนาดใหญ่ดังนั้นจึง ต้องประเมินการจัดตั้งและคอมโพเนนต์เทคโนโลยีใหม่ จะต้องมีก่อตั้งขึ้นว่า ส่วนประกอบเหล่านี้สามารถสนับสนุนการใช้เฉพาะกรณี และที่มีอยู่ว่าเงินลงทุนสามารถปรับค่าเพื่อประสิทธิภาพที่สูงขึ้น ตัวอย่างเช่นฐานข้อมูลในหน่วยความจำ (เช่นระบบ SAP HANA)รวดเร็วมาก แต่มีปริมาณที่จำกัดของที่เก็บข้อมูลในขณะที่กรอบระบบคอมพิวเตอร์แบบกระจาย (เช่นการApache Hadoop framework) สามารถที่จะปรับให้เป็นจำนวนมาก ของโหน แต่ค่าใช้ จ่ายข้อมูลล่าช้าความสอดคล้องข้ามโหนหลายในสรุป เหล่านี้เป็น 5 ปัจจัยความสำเร็จที่ต้องอยู่ในสถานที่สำหรับองค์กรเพื่อใช้ประโยชน์จากข้อมูลสำหรับประสิทธิภาพทางธุรกิจ ข้อมูลมีพร้อมที่จะใช้

ผลลัพธ์ (ไทย) 2:

โปร่งใส 3.5.2 ข้อมูลและการกำกับดูแล
ข้อมูลขนาดใหญ่กรณีการใช้งานมักจะสร้างเมื่อรวมกันที่สมาร์ท
ของแหล่งข้อมูลบุคคลที่ร่วมกันให้ใหม่
มุมมองและข้อมูลเชิงลึก แต่ในหลาย บริษัท
ความจริงก็คือความท้าทายที่สำคัญสามต้องมีการแก้ไข
เพื่อให้การดำเนินงานที่ประสบความสำเร็จ.
ครั้งแรกเพื่อค้นหาข้อมูลที่มีอยู่แล้วใน บริษัท ที่
จะต้องมีความโปร่งใสเต็มไปด้วยข้อมูล
สินทรัพย์และเป็นเจ้าของ ประการที่สองเพื่อป้องกันไม่ให้คลุมเครือ
ทำแผนที่ข้อมูลแอตทริบิวต์ข้อมูลจะต้องมีโครงสร้างชัดเจน
และกำหนดหลายฐานข้อมูลอย่างชัดเจน และ
ประการที่สามการกำกับดูแลกิจการที่แข็งแกร่งในข้อมูลที่มีคุณภาพจะต้องได้รับ
การบำรุงรักษา ความถูกต้องของผลการค้นหามวลมีแนวโน้ม
ที่จะทำลายเว้นแต่มีการทำความสะอาดที่มีประสิทธิภาพ
ขั้นตอนที่จะลบไม่สมบูรณ์ล้าสมัยหรือซ้ำ
ระเบียนข้อมูล และมันก็เป็นสิ่งที่สำคัญที่สุดเพื่อให้มั่นใจว่า
มีคุณภาพสูงข้อมูลโดยรวมของแหล่งข้อมูลของแต่ละบุคคล
เพราะ - มีปริมาณเพิ่มขึ้นหลากหลายและความเร็ว
ของข้อมูลขนาดใหญ่ - มันเป็นเรื่องยากมากที่จะดำเนินการได้อย่างมีประสิทธิภาพ
. การตรวจสอบและการปรับขั้นตอน
ความเป็นส่วนตัว 3.5.3 ข้อมูล
ใน ขั้นตอนความคิดของทุกโครงการข้อมูลขนาดใหญ่ก็เป็น
สิ่งสำคัญที่จะต้องพิจารณาการปกป้องข้อมูลและประเด็นความเป็นส่วนตัว.
ข้อมูลส่วนบุคคลมักจะถูกเปิดเผยเมื่อการใช้ประโยชน์จากข้อมูล
สินทรัพย์โดยเฉพาะอย่างยิ่งเมื่อพยายามที่จะได้รับของลูกค้า
ข้อมูลเชิงลึก กรณีการใช้งานมักจะเข้าใจยากในประเทศที่มี
กฎหมายคุ้มครองข้อมูลที่เข้มงวด แต่กฎหมายไม่ได้เป็นเพียง
ข้อ จำกัด แม้ในขณะที่กรณีการใช้งานเป็นไปตามแลกเปลี่ยน
กฎหมายคอลเลกชันขนาดใหญ่และการใช้ประโยชน์ของข้อมูล
มักจะขยับอภิปรายสาธารณะและคราวนี้สามารถ
สร้างความเสียหายต่อชื่อเสียงขององค์กรและมูลค่าแบรนด์.
3.5.4 ทักษะวิทยาศาสตร์ข้อมูล
กุญแจสำคัญในการประสบความสำเร็จในการดำเนินงานข้อมูลขนาดใหญ่คือการเรียนรู้
ของ การวิเคราะห์ข้อมูลและการจัดการหลายเทคนิค
ที่จะเปลี่ยนข้อมูลดิบใหญ่เป็นข้อมูลที่มีคุณค่า
การประยุกต์ใช้ความชำนาญของคณิตศาสตร์คำนวณทำให้
หรือแบ่งข้อมูลเชิงลึกที่น่าเชื่อถือและมีความหมาย ในส่วน
อุตสาหกรรมที่ต้องใช้คณิตศาสตร์และสถิติ
ชุดทักษะที่หายาก ในความเป็นจริงเป็นสงครามความสามารถเป็นชิ้นเป็น
บริษัท มากขึ้นพวกเขาจะต้องรับรู้แหล่งที่มา
หายไปทักษะวิทยาศาสตร์ข้อมูลภายนอก มากเฉพาะ
ความรู้ที่จำเป็นในการปรับใช้เทคนิคที่เหมาะสม
สำหรับปัญหาการประมวลผลข้อมูลแต่ละโดยเฉพาะอย่างยิ่งเพื่อให้องค์กรที่
จะต้องลงทุนในการบริหารทรัพยากรบุคคลใหม่แนวทางในการสนับสนุน
ของการริเริ่มข้อมูลขนาดใหญ่.
3.5.5 การใช้เทคโนโลยีที่เหมาะสม
ปัญหาการประมวลผลข้อมูลจำนวนมาก hyped ขณะนี้
เป็น "ความท้าทายข้อมูลขนาดใหญ่" สามารถในความเป็นจริงได้รับการ
แก้ไขในทางเทคนิคห้าปีที่ผ่านมา แต่กลับมาแล้วที่
การลงทุนด้านเทคโนโลยีที่จำเป็นจะต้องแตกเป็นเสี่ยง ๆ
กรณีที่ทุกธุรกิจ ตอนนี้ในส่วนของค่าใช้จ่ายที่เป็น
พลังในการคำนวณดิบได้เพิ่มขึ้นชี้แจง
และขั้นสูงแนวคิดการประมวลผลข้อมูลที่มี
การเปิดใช้งานเป็นมิติใหม่ของการปฏิบัติงาน มากที่สุด
วิธีการที่โดดเด่นอยู่ในหน่วยความจำการจัดเก็บข้อมูล
และจัดจำหน่ายกรอบคอมพิวเตอร์ อย่างไรก็ตาม
แนวความคิดใหม่ ๆ เหล่านี้จำเป็นต้องมีการยอมรับของใหม่ทั้งหมด
เทคโนโลยี.
สำหรับแผนกไอทีในการดำเนินการโครงการข้อมูลขนาดใหญ่
จึงต้องประเมินอย่างละเอียดของการจัดตั้ง
และส่วนประกอบเทคโนโลยีใหม่ จะต้องมีการ
จัดตั้งขึ้นไม่ว่าจะเป็นองค์ประกอบเหล่านี้สามารถรองรับ
กรณีการใช้งานโดยเฉพาะอย่างยิ่งและไม่ว่าจะลงทุนที่มีอยู่
สามารถปรับขนาดขึ้นสำหรับการทำงานที่สูงขึ้น ยกตัวอย่างเช่น
ในหน่วยความจำฐานข้อมูล (เช่นระบบ SAP HANA) ที่
มีความรวดเร็วมาก แต่มีปริมาณที่ จำกัด ของการจัดเก็บข้อมูล
ในขณะที่การกระจายกรอบคอมพิวเตอร์ (เช่น
กรอบ Apache Hadoop) สามารถที่จะวัดออกไปเป็น
จำนวนมากของโหนด แต่ค่าใช้จ่ายของข้อมูลล่าช้า
สอดคล้องทั่วโหนดหลาย.
สรุปเหล่านี้เป็นปัจจัยที่ห้าความสำเร็จที่
จะต้องอยู่ในสถานที่สำหรับองค์กรในการใช้ประโยชน์จากข้อมูล
สำหรับผลการดำเนินธุรกิจที่ดีขึ้น ข้อมูลขนาดใหญ่มีความพร้อม
ที่จะใช้