Data Planlægning og Information Træthedssyndrom

Læs denne artikel for at lære om data planlægning og information træthedssyndrom:

Informationsmængderne øges ved geometriske fremskridt, og det bliver stadig vanskeligere at klare den informationseksplosion, der finder sted.

Image Courtesy: engazegypt.com/uploads/services/136853078516158773-internet-a.jpg

Dataplanlægning bør også fokusere på dette problem. De følgende afsnit omhandler dette problem og svaret på databaseteknologien til dette problem.

Information Træthedssyndrom:

En nylig international undersøgelse "Dying for Information" har gjort en forbløffende åbenbaring, at halvdelen af ​​alle ledere klager over informationsoverbelastning, hvilket medfører, at man tilføjer de eksisterende høje niveauer af stress, hvilket medfører dårlig sundhed. Undersøgelsen fremhæver endvidere, at ledere er fanget i et executive dilemma i en alder af faxer, telefonsvarer og internet.

De føler også, at de ikke kan fungere godt uden høje niveauer af information. Men denne store belastning af ofte irrelevante data påvirker deres effektivitet og træder i gang med virksomhedens maskine. 'Spild af tid, forsinkelse af beslutninger og spænding kan spores til information overbelastning'.

At have for meget information kan være lige så farlig som at have for lidt 'opsummerer dilemmaet, som ledere står over for i dag. Dette fænomen betegnes som "Information Fatigue Syndrome" og er 'nu en del af en udøvendes liv'. Det berømte citat 'Vand vand overalt, ikke et fald til at drikke' af den gamle Mariner kan også være egnet til information.

For sent er der blevet forsøgt at imødegå udfordringen fra Information Fatigue Syndrome. En række software teknikker som databaseteknologi, forespørgselssprog, 4GLs, OOPs, executive information systemer, ekspertinformationssystemer mv. Er tilgængelige for at give informationer af god kvalitet til ledere.

Disse teknikker har imidlertid vist sig at være utilstrækkelige til opgaven på grund af den betydelige vækstrate i informationspoolen. Hovedårsagen hertil er, at dataene i databaser har været transaktionsorienterede og ikke faglige orienterede.

Dataene vedrørende aktuelle operationer tager mest af en databaseadministrator opmærksomhed. En simpel forespørgsel om, hvad der er forholdet mellem salg af cigaretter, læskedrikke og babymad; eller hvad er den forventede stigning i salget, hvis afdelingsforretningen er åben også sent på aftenen, kan sende chokbølger til informationsledere i dag.

Spørgsmålene om spørgsmål som denne kræver brug af en stor pulje af aktuelle og tidligere data vedrørende kundernes adfærd i forskellige situationer. Det kræver en datalager specielt gearet til at imødekomme sådanne forespørgsler. For at reducere tid og omkostninger ved analyse og opbevaring bør data i en sådan sag opbevares efter en vis mængde aggregering og analyse.

Fastlæggelse af graden af ​​aggregering og eliminering af redundans udgør en stor udfordring for informationsforvalterne. Da karakteren af ​​forespørgsler i sådanne tilfælde ikke kan forventes, bliver opgaven endnu mere udfordrende. Information Warehouse tilgang er blevet udviklet til at imødegå denne udfordring.

Data Warehousing Approach:

Datalagringsmetoden (også undertiden kaldet informationsoplagringsmetode) tyder på, at information skal erhverves, opbevares og serveres efter den grundlæggende tilgang, der anvendes i tilfælde af lager til andre fysiske input.

De generelle lagerfaciliteter er udviklet og indser, at enhver lagerbeholdning vil hæmme produktionsprocessen og have konsekvenser for bundlinjen. Så kræves der regelmæssigt og bevidst indkøbt, behandlet og opbevaret i brugsklare tilstand hele tiden.

Det karakteristiske træk ved informationsoplagringsmetoden er, at den opretter et datalager, der adskiller sig fra de normale databaser, der opretholdes af en virksomhed.

Den antagelse er her, at data indsamlet og konsolideret og indkøbt fra forskellige kilder som produktion, markedsføring og finansiering er for vigtigt for at blive forstyrret af komplekse analytiske forespørgsler fra brugere. Således er der lavet forespørgsler mod en udpakket database, der er specielt organiseret til at opfylde analytiske forespørgsler. En sådan database kaldes også Meta-data.

Denne fremgangsmåde kombinerer de analytiske værktøjer, højhastigheds parallelle og multiprocessing systemer med specialiserede algoritmer og software værktøjer. De karakteristiske træk ved tilgangen kan bedre forstås af trinene i den proces, den vedtager for at imødekomme de analytiske forespørgsler. Disse trin er:

en. Indfangning af data, også betegnet som høst eller garnering af data fra forskellige kilder, der kører forskellige applikationer;

b. Rensning af data (data scrubbing) for at sikre sammenhæng og fuldstændighed. Det indebærer også fjernelse af overflødige dataposter;

c. Organisering af data i databaser specielt designet til analyse af data. Disse databasedesigner adskiller sig fra dem, der bruges til optagelse og rapportering i en virksomhed. De er fri for bekymringer af kilde, ægthed, revisionsspor osv.

d. Tilgængelighed af onlinelinieanalytiske processorer (OLAP), Data Mining Tools, Datavisualiseringsværktøjer, Internet Aktiveringsværktøjer, Executive Information Systems (EIS) og andre dataanalyse- og rapporteringsværktøjer til at opfylde de krævende analytiske forespørgsler fra brugere.

En kritisk beslutning, der skal tages, vedrører udvælgelsen af ​​data, der skal lagres i informationsdatabaser. Hvis det er muligt at forudsige fremtidens informationsbehov, skal en to-boks model være tilstrækkelig.

I denne model opsummeres operationsdataene, og de data, der måtte være nødvendige i fremtiden, kan kopieres til informationsdatabasen. Hvis det ikke er muligt at forudsige fremtidige informationsbehov, kan en tre-box model være mere passende. I denne model gemmes hele operationsdataene først i det, der kaldes historisk database, og en udvalgt del af den gemmes også i en informationsdatabase. Figur 9.9 viser de to modeller.

Data warehousing tilgangen er ved at komme til jorden som angivet ved dens bredere acceptabilitet blandt top software producenter. Nu har førende databasesoftwarevirksomheder som Oracle, Sybase, Informix og IBM åbent fortalt denne tilgang. Informix har etableret links med Prism Solutions, et firma skabt af Bill Inmon, der anses for at være far til data warehousing tilgang.

Fordele ved data warehousing tilgang:

Data warehousing bliver populær af følgende årsager:

en. Det øger dataanalysens hastighed, da dataaggregaterne lagres, og de daglige transaktioner forhindrer ikke analyseprocessen.

b. Det giver fleksibilitet med hensyn til karakteren af ​​forespørgsel og fokuserer på emner og aktiviteter i stedet for transaktioner.

c. Det hjælper med at forstå forskellige forretningsprocesser og adfærdsmønstre hos kunder, leverandører, investorer mv.

Nogle af succeshistorierne i datalagring omfatter Wal-Mart-kæden af ​​detailforretninger, der behandler 7, 5 terabytes datalagring af forskellige aspekter af detailhandel. Udviklingen i salget analyseres, og konsekvenserne af forskellige ændringer som rabatter og andre beslutninger om salg vurderes regelmæssigt for at styre fremtidige handlinger.

Et andet eksempel er Reuters, en finansiel informationsudbyder, der har udviklet en ny serie informationstjenester som Money 3000, Securities 3000 og Treasury 3000. Virksomheden har merværdi til finansiel information ved at give brugerne adgang til sine historiske oplysninger om markeder og instrumenter.

Det anvender data warehousing tilgang til at gemme og tillade adgang til data gemt i forskellige computere verden over. Dataene er samlet fra 4600 forskellige kilder, herunder 236 markeder, 241 analytikere og 50 tredjeparts nye feeds og det er et eget team af 1860 journalister. For så store data blev datalagringsmetoden anset for at være mest hensigtsmæssig.

Kritiske succesfaktorer i datalagring:

For at realisere de fulde fordele ved et datalagringssystem er det vigtigt at tage hensyn til faktorer, der er kritiske for effektiviteten af ​​sådanne systemer.

Nogle af disse faktorer er:

a) Datalagringsmetoden kræver enorme investeringer i hardware og software. Denne tilgang ville således kun give mening i store virksomheder, hvor potentialet i systemet kan udnyttes fuldt ud.

b) Dataopbevaring kræver større arkitektoniske ændringer i de allerede veletablerede databaser. Sådanne ændringer kan forårsage hindringer i de eksisterende systemers funktion, eller de eksisterende systemer vil skulle være paralleller, der kører med de nye systemer i nogen tid.

Tilsvarende er der andre teknologiske og forretningsmæssige hindringer, som kan hæmme en vellykket implementering af disse systemer. Håndteringen af ​​forhindringer i implementeringsperioden, der ligger mellem 18-24 måneder, vil være en vigtig faktor i lageroplagets succes.

c) Det fulde potentiale ved denne tilgang kan kun realiseres, når en række dataanalyseværktøjer anvendes til at generere information. Udvælgelsen og brugen af ​​dataanalyseværktøjer afhænger af tilgængeligheden af ​​sådanne værktøjer samt virksomhedskulturen. Dataoplagringsmetoden ville være vellykket, hvis en egnet arbejdskultur råder over en virksomhed.

d) Denne tilgang forudsætter en meget moden slags IT-miljø, hvor graden af ​​it-penetration i de daglige aktiviteter er meget høj. Brugervirksomheden skal have en stor mængde historiske data, der allerede er gemt på magnetiske medier. Således er det en evolutionær proces og ikke en revolutionær.

Investeringsafkastet i denne tilgang er et gråt område, og derfor skal der foretages en cost-benefit-analyse, inden man hopper ind i data warehousing bandwagon.