Big Data ohud ja võimalused - Revision history

Rusild: /* Big data ohud */

2017-12-15T15:29:05Z

Big data ohud

← Older revision		Revision as of 18:29, 15 December 2017
Line 117:		Line 117:

	McDonald’s on massiivne rahvusvaheline toitlusasutus, milles on üle 34 000 restorani, mis teenindavad iga päev 69 miljonit inimest 118 riigis. Ettevõttes töötab igapäevaselt 750 000 inimest, kes jagavad välja 75 burgerit igas sekundis. Seega andmete maht, mis McDonald’sil tekib, on kolossaalne (15). Jälgitakse väga suurt hulka muutujaid, eesmärgiga parandada kliendi kogemust. Jälgitakse restorani liiklust, suhtlust kliendi ja teenindaja vahel, drive-in’i läbilaskevõimet ja sessoonsust, klientide ostumustreid, kassa müügipunkti statistikat ja lisaks veel videokaameratest saadavat infot. Infot, mida eelnevatest ettappidest kogutakse, kasutatakse nii uute restoranide disainimisel, menüü koostamisel, töötajate treeningprogrammi koostamisel kui tarneahela juhtimisel. Kuigi igal maal näevad McDonald’si restoranid välja üsna ühesugused, on iga restoran natuke erinev ning seda just lokaalse turu big data-le põhinedes. McDonald’s kasutab big data-t kliendikogemuse parandamiseks ning tulemuslikkuse suurendamiseks.		McDonald’s on massiivne rahvusvaheline toitlusasutus, milles on üle 34 000 restorani, mis teenindavad iga päev 69 miljonit inimest 118 riigis. Ettevõttes töötab igapäevaselt 750 000 inimest, kes jagavad välja 75 burgerit igas sekundis. Seega andmete maht, mis McDonald’sil tekib, on kolossaalne (15). Jälgitakse väga suurt hulka muutujaid, eesmärgiga parandada kliendi kogemust. Jälgitakse restorani liiklust, suhtlust kliendi ja teenindaja vahel, drive-in’i läbilaskevõimet ja sessoonsust, klientide ostumustreid, kassa müügipunkti statistikat ja lisaks veel videokaameratest saadavat infot. Infot, mida eelnevatest ettappidest kogutakse, kasutatakse nii uute restoranide disainimisel, menüü koostamisel, töötajate treeningprogrammi koostamisel kui tarneahela juhtimisel. Kuigi igal maal näevad McDonald’si restoranid välja üsna ühesugused, on iga restoran natuke erinev ning seda just lokaalse turu big data-le põhinedes. McDonald’s kasutab big data-t kliendikogemuse parandamiseks ning tulemuslikkuse suurendamiseks.



	== Big data ohud ==		== Big data ohud ==
Line 148:		Line 150:

	Samuti on riigid huvitatud sellistest info kogusest, kuna sealt võib uurimise käigus leida midagi riigile vajalikku. Me oleme kuulnud NSA luuramisest ja info hankimisest üle maailma, kuid nad ei ole kindlasti ainukesed. Hiina arendab oma turul tegutsevate ettevõtete hindamise süsteemi, mis uurib inimese käitumist individuaalsel tasemel kui ka tema sõprade käitumist sotsiaalmeedias, et anda inimesele hinnang. See hindamine kasutab big data vahendeid suure hulga info kogumiseks ja analüüsimiseks, et saavutada võimalikult täpne hinnang inimesele või ettevõttele. Siit tuleneb veel üks vastamata kuid oluline küsimus - kus lõppeb riigi julgeoleku jaoks tõesti vajalik info hankimine ja töötlemine ja kus algab privaatsuse häirimine? Hiina turule on kindlasti hea teada, kes seal tegeleb ja mida ta teha võib, kuid ettevõtjate sõbrad, keda sotsiaalmeedias jälgitakse info kogumise eesmärgil, ei ole kindlasti nõus selle info kasutamisega (19).		Samuti on riigid huvitatud sellistest info kogusest, kuna sealt võib uurimise käigus leida midagi riigile vajalikku. Me oleme kuulnud NSA luuramisest ja info hankimisest üle maailma, kuid nad ei ole kindlasti ainukesed. Hiina arendab oma turul tegutsevate ettevõtete hindamise süsteemi, mis uurib inimese käitumist individuaalsel tasemel kui ka tema sõprade käitumist sotsiaalmeedias, et anda inimesele hinnang. See hindamine kasutab big data vahendeid suure hulga info kogumiseks ja analüüsimiseks, et saavutada võimalikult täpne hinnang inimesele või ettevõttele. Siit tuleneb veel üks vastamata kuid oluline küsimus - kus lõppeb riigi julgeoleku jaoks tõesti vajalik info hankimine ja töötlemine ja kus algab privaatsuse häirimine? Hiina turule on kindlasti hea teada, kes seal tegeleb ja mida ta teha võib, kuid ettevõtjate sõbrad, keda sotsiaalmeedias jälgitakse info kogumise eesmärgil, ei ole kindlasti nõus selle info kasutamisega (19).


	== Viited ==		== Viited ==

Rusild: /* Big data tootlikkus näidete põhjal */

2017-12-15T15:28:52Z

Big data tootlikkus näidete põhjal

← Older revision		Revision as of 18:28, 15 December 2017
Line 81:		Line 81:

	Tulevikus loodetakse parandada pilvega ühendatud andmbaaside abil mudelite täpsust, et teha paremaid üldistusi rahva tervise trendide kohta. Selliste tehnoloogiliste saavutuste nagu pilve arvutuse Amazon Cloud Drive ja Apple iCloud kasutusele võtmine loob hea kasvulava virtuaalse infrastruktuuri loomiseks selle eesmärgi poole liikumisel ja aidata kaasa biomeditsiini uuringutes ning tervishoius.		Tulevikus loodetakse parandada pilvega ühendatud andmbaaside abil mudelite täpsust, et teha paremaid üldistusi rahva tervise trendide kohta. Selliste tehnoloogiliste saavutuste nagu pilve arvutuse Amazon Cloud Drive ja Apple iCloud kasutusele võtmine loob hea kasvulava virtuaalse infrastruktuuri loomiseks selle eesmärgi poole liikumisel ja aidata kaasa biomeditsiini uuringutes ning tervishoius.



	==Big data tootlikkus näidete põhjal ==		==Big data tootlikkus näidete põhjal ==

Rusild: /* Haiguslehele jäämise ennustamine */

2017-12-15T15:28:43Z

Haiguslehele jäämise ennustamine

← Older revision		Revision as of 18:28, 15 December 2017
Line 65:		Line 65:

	Säutsude potensiaali uurimiseks on pakutud välja näiteks sellist algoritmi, mis tuvastas prominentsete kasutajate postitusi. Tuvastatud postitustest loodi navigeeritav teemade graafik, kuhu säutsud kasutaja poolt seatud ajaraamis kokku kogunesid (13). Teadlased on analüüsinud ka ARM (Association Rule Mining) põhise meetodi abil Twitteri postitusi. See meetod leiab seoseid sarnase teemaga postituste vahel, mis on avalikustatud erinevatel aegadel. Leitakse postitused ajast t ja t+1, mis on seotud päris elu sündmuste või uudistega ja kannavad sarnast hashtagi. Selliselt on võimalik teha järeldusi, kuidas mingi uudis on aja jooksul arenenud. Ühtlasi on võimalik arvutada ka mingite kindlate hashtagide eluiga Twitteris ja näha kuidas kasutajad muudavad hashtagi kui uudis aja jooksul täieneb (13).		Säutsude potensiaali uurimiseks on pakutud välja näiteks sellist algoritmi, mis tuvastas prominentsete kasutajate postitusi. Tuvastatud postitustest loodi navigeeritav teemade graafik, kuhu säutsud kasutaja poolt seatud ajaraamis kokku kogunesid (13). Teadlased on analüüsinud ka ARM (Association Rule Mining) põhise meetodi abil Twitteri postitusi. See meetod leiab seoseid sarnase teemaga postituste vahel, mis on avalikustatud erinevatel aegadel. Leitakse postitused ajast t ja t+1, mis on seotud päris elu sündmuste või uudistega ja kannavad sarnast hashtagi. Selliselt on võimalik teha järeldusi, kuidas mingi uudis on aja jooksul arenenud. Ühtlasi on võimalik arvutada ka mingite kindlate hashtagide eluiga Twitteris ja näha kuidas kasutajad muudavad hashtagi kui uudis aja jooksul täieneb (13).



	=== Haiguslehele jäämise ennustamine ===		=== Haiguslehele jäämise ennustamine ===

Rusild: /* Autonoomne uudiste tuvastus Twitterist */

2017-12-15T15:28:21Z

Autonoomne uudiste tuvastus Twitterist

← Older revision		Revision as of 18:28, 15 December 2017
Line 50:		Line 50:

	Niisiis, väga keeruline on otsustada, kas kaks süntaktilist väärtust on alternatiivsed nimetused samale semantilisele objektile või mitte. Täna kättesaadavad duplikaatide detekteerimise tööriistad suudavad nimede variatsioone tuvastada inglise, prantsuse, saksa, hollandi, greeka ja araabia keelest aga vajadus on selline, et oleks olemas üldine duplikaatide tuvastuse karkass, mis toetaks kõiki keeli kõikides tähestikes selliselt, et uusi keeli ja sõnastikke saaks ekstensionina kaasa anda (10). Egiptlased on teinud selle kallal tööd ja pakkunud välja CLDRD (Cross Language Duplicate Record Detection) mudeli, kuhu on kaasatud nimede puhastamine ja standardiseerimine, nimede lahku löömine ja reorganiseerimine (nt nimi John M. Stewart konverteeritakse kolmeks erinevaks nimeks: John, M., Stewart sest osades keeltes on eesnimed viimasena), keele tuvastus iga nime kohta ja foneetilistel alustel sõnastiku ehitamine igale mitte inglise tähestikku omavale sõnale ning duplikaatide detekteerimine sarnasusindeksi abil (10). Niisiis, samale isikule kuuluvate nimede tuvastamiseks big data-st on tehtud ettepanekuid, mis võivad töötada teatud rahvuskeeltes aga see on siiski tohutu väljakutse eristada üle kogu maailma, kes on kes.		Niisiis, väga keeruline on otsustada, kas kaks süntaktilist väärtust on alternatiivsed nimetused samale semantilisele objektile või mitte. Täna kättesaadavad duplikaatide detekteerimise tööriistad suudavad nimede variatsioone tuvastada inglise, prantsuse, saksa, hollandi, greeka ja araabia keelest aga vajadus on selline, et oleks olemas üldine duplikaatide tuvastuse karkass, mis toetaks kõiki keeli kõikides tähestikes selliselt, et uusi keeli ja sõnastikke saaks ekstensionina kaasa anda (10). Egiptlased on teinud selle kallal tööd ja pakkunud välja CLDRD (Cross Language Duplicate Record Detection) mudeli, kuhu on kaasatud nimede puhastamine ja standardiseerimine, nimede lahku löömine ja reorganiseerimine (nt nimi John M. Stewart konverteeritakse kolmeks erinevaks nimeks: John, M., Stewart sest osades keeltes on eesnimed viimasena), keele tuvastus iga nime kohta ja foneetilistel alustel sõnastiku ehitamine igale mitte inglise tähestikku omavale sõnale ning duplikaatide detekteerimine sarnasusindeksi abil (10). Niisiis, samale isikule kuuluvate nimede tuvastamiseks big data-st on tehtud ettepanekuid, mis võivad töötada teatud rahvuskeeltes aga see on siiski tohutu väljakutse eristada üle kogu maailma, kes on kes.



	=== Autonoomne uudiste tuvastus Twitterist ===		=== Autonoomne uudiste tuvastus Twitterist ===

Rusild: /* Big data kasutamise võimalusi */

2017-12-15T15:28:07Z

Big data kasutamise võimalusi

← Older revision		Revision as of 18:28, 15 December 2017
Line 21:		Line 21:

	Suurimate ettevõtete hulgas kes täna on big data kasutajad, on näiteks GE ja IBM. Nende hulgas läbi viidud uuringust selgus, et 92% juhtidest on rahul big data-st saadava infoga ja 89% vastanutest arvas, et big data on “tähtis” või “erakordselt tähtis”. 89% vastanutest kes on big data metoodikaid implementeerinud, tõdevad, et see on üks võimalus kuidas äris revolutsiooni tekitada. 89% arvas, et kui täna big data revolutsiooniga kaasa mitte minna, tähendab see tulevikus oma sektoris turuosa kaotamist. Suurettevõtete marketingi juhid panustavad juba kuni 37% marketingi eelarvest big data infrastruktuuri loomisele ettevõttes (2).		Suurimate ettevõtete hulgas kes täna on big data kasutajad, on näiteks GE ja IBM. Nende hulgas läbi viidud uuringust selgus, et 92% juhtidest on rahul big data-st saadava infoga ja 89% vastanutest arvas, et big data on “tähtis” või “erakordselt tähtis”. 89% vastanutest kes on big data metoodikaid implementeerinud, tõdevad, et see on üks võimalus kuidas äris revolutsiooni tekitada. 89% arvas, et kui täna big data revolutsiooniga kaasa mitte minna, tähendab see tulevikus oma sektoris turuosa kaotamist. Suurettevõtete marketingi juhid panustavad juba kuni 37% marketingi eelarvest big data infrastruktuuri loomisele ettevõttes (2).



	== Big data kasutamise võimalusi ==		== Big data kasutamise võimalusi ==

Rusild: /* Sissejuhatus */

2017-12-15T15:27:18Z

Sissejuhatus

← Older revision		Revision as of 18:27, 15 December 2017
Line 10:		Line 10:

	Big data võib aga ei pea kasutama isikuandmeid. Paljudel juhtudel aga ei hõlma suurandmete analüüs üldse mingeid isikuandmeid. Näiteks kliima- ja ilmastikuandmete põhjal saab teha uusi analüüse ning parendada teenuseid ilma isikuandmeid kasutamata. Samas on mitmeid näiteid big data analüüsist, kus töödeldakse ka isikuandmeid. Need saadakse sellistest allikatest nagu sotsiaalmeedia, kliendikaardid või tervisealased uuringud. Kui kasutatakse ehk töödeldakse isikuandmeid, siis peavad kõik osapooled tagama neile isikuandmete kaitse seadusest (edaspidi IKS) tulenevate kohustuste järgimise (2).		Big data võib aga ei pea kasutama isikuandmeid. Paljudel juhtudel aga ei hõlma suurandmete analüüs üldse mingeid isikuandmeid. Näiteks kliima- ja ilmastikuandmete põhjal saab teha uusi analüüse ning parendada teenuseid ilma isikuandmeid kasutamata. Samas on mitmeid näiteid big data analüüsist, kus töödeldakse ka isikuandmeid. Need saadakse sellistest allikatest nagu sotsiaalmeedia, kliendikaardid või tervisealased uuringud. Kui kasutatakse ehk töödeldakse isikuandmeid, siis peavad kõik osapooled tagama neile isikuandmete kaitse seadusest (edaspidi IKS) tulenevate kohustuste järgimise (2).


	[[File:runner_data_analytics_-_ilexx_thumb800.jpg]]		[[File:runner_data_analytics_-_ilexx_thumb800.jpg]]



	Suurandmeid kogutakse tavaliselt alternatiivsetest andmeallikatest nagu veeb ja automaatselt genereeritud andmed. Veebi all mõistame me inimeste tekitatud andmeid, mida me näiteks Facebooki või oma kodulehe üles laeme. Automaatselt genereeritakse näiteks liiklusloendureid, liikluskaamerad, satelliidi pildid ja mobiiltelefonide mastiandmed. Andmed jaotakse 4V omaduste alusel: andmete maht (volume), andmete tekkimise kiirus (velocity), andmestruktuuride mitmekesisus (variety) ja andmete keerukus (veracity). Viimane tähendab et objektide valik on mittejuhuslik, andmete tekkimise mehhanism ei ole lihtsasti kirjeldatav, andmetes on palju müra ja nende tekkimise ajaline järjepidevus on ebakindel.		Suurandmeid kogutakse tavaliselt alternatiivsetest andmeallikatest nagu veeb ja automaatselt genereeritud andmed. Veebi all mõistame me inimeste tekitatud andmeid, mida me näiteks Facebooki või oma kodulehe üles laeme. Automaatselt genereeritakse näiteks liiklusloendureid, liikluskaamerad, satelliidi pildid ja mobiiltelefonide mastiandmed. Andmed jaotakse 4V omaduste alusel: andmete maht (volume), andmete tekkimise kiirus (velocity), andmestruktuuride mitmekesisus (variety) ja andmete keerukus (veracity). Viimane tähendab et objektide valik on mittejuhuslik, andmete tekkimise mehhanism ei ole lihtsasti kirjeldatav, andmetes on palju müra ja nende tekkimise ajaline järjepidevus on ebakindel.

Rusild: /* Sissejuhatus */

2017-12-15T15:27:02Z

Sissejuhatus

← Older revision		Revision as of 18:27, 15 December 2017
Line 10:		Line 10:

	Big data võib aga ei pea kasutama isikuandmeid. Paljudel juhtudel aga ei hõlma suurandmete analüüs üldse mingeid isikuandmeid. Näiteks kliima- ja ilmastikuandmete põhjal saab teha uusi analüüse ning parendada teenuseid ilma isikuandmeid kasutamata. Samas on mitmeid näiteid big data analüüsist, kus töödeldakse ka isikuandmeid. Need saadakse sellistest allikatest nagu sotsiaalmeedia, kliendikaardid või tervisealased uuringud. Kui kasutatakse ehk töödeldakse isikuandmeid, siis peavad kõik osapooled tagama neile isikuandmete kaitse seadusest (edaspidi IKS) tulenevate kohustuste järgimise (2).		Big data võib aga ei pea kasutama isikuandmeid. Paljudel juhtudel aga ei hõlma suurandmete analüüs üldse mingeid isikuandmeid. Näiteks kliima- ja ilmastikuandmete põhjal saab teha uusi analüüse ning parendada teenuseid ilma isikuandmeid kasutamata. Samas on mitmeid näiteid big data analüüsist, kus töödeldakse ka isikuandmeid. Need saadakse sellistest allikatest nagu sotsiaalmeedia, kliendikaardid või tervisealased uuringud. Kui kasutatakse ehk töödeldakse isikuandmeid, siis peavad kõik osapooled tagama neile isikuandmete kaitse seadusest (edaspidi IKS) tulenevate kohustuste järgimise (2).
	[[File:runner_data_analytics_-_ilexx_thumb800.jpg]]~~https://cdn4.techworld.com/cmsdata/features/3668759/runner_data_analytics_-_ilexx_thumb800.jpg~~		[[File:runner_data_analytics_-_ilexx_thumb800.jpg]]

	Suurandmeid kogutakse tavaliselt alternatiivsetest andmeallikatest nagu veeb ja automaatselt genereeritud andmed. Veebi all mõistame me inimeste tekitatud andmeid, mida me näiteks Facebooki või oma kodulehe üles laeme. Automaatselt genereeritakse näiteks liiklusloendureid, liikluskaamerad, satelliidi pildid ja mobiiltelefonide mastiandmed. Andmed jaotakse 4V omaduste alusel: andmete maht (volume), andmete tekkimise kiirus (velocity), andmestruktuuride mitmekesisus (variety) ja andmete keerukus (veracity). Viimane tähendab et objektide valik on mittejuhuslik, andmete tekkimise mehhanism ei ole lihtsasti kirjeldatav, andmetes on palju müra ja nende tekkimise ajaline järjepidevus on ebakindel.		Suurandmeid kogutakse tavaliselt alternatiivsetest andmeallikatest nagu veeb ja automaatselt genereeritud andmed. Veebi all mõistame me inimeste tekitatud andmeid, mida me näiteks Facebooki või oma kodulehe üles laeme. Automaatselt genereeritakse näiteks liiklusloendureid, liikluskaamerad, satelliidi pildid ja mobiiltelefonide mastiandmed. Andmed jaotakse 4V omaduste alusel: andmete maht (volume), andmete tekkimise kiirus (velocity), andmestruktuuride mitmekesisus (variety) ja andmete keerukus (veracity). Viimane tähendab et objektide valik on mittejuhuslik, andmete tekkimise mehhanism ei ole lihtsasti kirjeldatav, andmetes on palju müra ja nende tekkimise ajaline järjepidevus on ebakindel.

Rusild: /* Sissejuhatus */

2017-12-15T15:26:00Z

Sissejuhatus

← Older revision		Revision as of 18:26, 15 December 2017
Line 10:		Line 10:

	Big data võib aga ei pea kasutama isikuandmeid. Paljudel juhtudel aga ei hõlma suurandmete analüüs üldse mingeid isikuandmeid. Näiteks kliima- ja ilmastikuandmete põhjal saab teha uusi analüüse ning parendada teenuseid ilma isikuandmeid kasutamata. Samas on mitmeid näiteid big data analüüsist, kus töödeldakse ka isikuandmeid. Need saadakse sellistest allikatest nagu sotsiaalmeedia, kliendikaardid või tervisealased uuringud. Kui kasutatakse ehk töödeldakse isikuandmeid, siis peavad kõik osapooled tagama neile isikuandmete kaitse seadusest (edaspidi IKS) tulenevate kohustuste järgimise (2).		Big data võib aga ei pea kasutama isikuandmeid. Paljudel juhtudel aga ei hõlma suurandmete analüüs üldse mingeid isikuandmeid. Näiteks kliima- ja ilmastikuandmete põhjal saab teha uusi analüüse ning parendada teenuseid ilma isikuandmeid kasutamata. Samas on mitmeid näiteid big data analüüsist, kus töödeldakse ka isikuandmeid. Need saadakse sellistest allikatest nagu sotsiaalmeedia, kliendikaardid või tervisealased uuringud. Kui kasutatakse ehk töödeldakse isikuandmeid, siis peavad kõik osapooled tagama neile isikuandmete kaitse seadusest (edaspidi IKS) tulenevate kohustuste järgimise (2).
			[[File:runner_data_analytics_-_ilexx_thumb800.jpg]]https://cdn4.techworld.com/cmsdata/features/3668759/runner_data_analytics_-_ilexx_thumb800.jpg

	Suurandmeid kogutakse tavaliselt alternatiivsetest andmeallikatest nagu veeb ja automaatselt genereeritud andmed. Veebi all mõistame me inimeste tekitatud andmeid, mida me näiteks Facebooki või oma kodulehe üles laeme. Automaatselt genereeritakse näiteks liiklusloendureid, liikluskaamerad, satelliidi pildid ja mobiiltelefonide mastiandmed. Andmed jaotakse 4V omaduste alusel: andmete maht (volume), andmete tekkimise kiirus (velocity), andmestruktuuride mitmekesisus (variety) ja andmete keerukus (veracity). Viimane tähendab et objektide valik on mittejuhuslik, andmete tekkimise mehhanism ei ole lihtsasti kirjeldatav, andmetes on palju müra ja nende tekkimise ajaline järjepidevus on ebakindel.		Suurandmeid kogutakse tavaliselt alternatiivsetest andmeallikatest nagu veeb ja automaatselt genereeritud andmed. Veebi all mõistame me inimeste tekitatud andmeid, mida me näiteks Facebooki või oma kodulehe üles laeme. Automaatselt genereeritakse näiteks liiklusloendureid, liikluskaamerad, satelliidi pildid ja mobiiltelefonide mastiandmed. Andmed jaotakse 4V omaduste alusel: andmete maht (volume), andmete tekkimise kiirus (velocity), andmestruktuuride mitmekesisus (variety) ja andmete keerukus (veracity). Viimane tähendab et objektide valik on mittejuhuslik, andmete tekkimise mehhanism ei ole lihtsasti kirjeldatav, andmetes on palju müra ja nende tekkimise ajaline järjepidevus on ebakindel.

Rusild: /* Sissejuhatus */

2017-12-15T15:02:45Z

Sissejuhatus

← Older revision		Revision as of 18:02, 15 December 2017
Line 6:		Line 6:


	Mitmetele uuringutele põhinedes ei ole tänaseni maailmas kokku lepitud ühest definitsiooni suurandmetele (1). Hoolimata erinevatest käsitlustest on kõige levinum ühine nimetaja nende andmete juures igapäevaselt toodetav erinevate andmekategooriate üldine suurus. Igapäevaselt toodetava andmete hulka mõõdetakse kvintiljon bitides. 2003. aasta uuringu põhjal, ehk pea 15 aastat tagasi, arvati et uue info hulk mida igal aastal salvestatakse, on rohkem kui 161 miljardit gigabaiti. Üleüldse arvatakse täna maailmas olevat andmeid 2,7 zetabaiti ehk 2,7 trillioni gigabaiti eest. Täna nähakse, et kõikide maailma ettevõtete suurandmed kahekordistuvad iga 1,2 aasta järel () ning, et ebarelevantsed andmed võivad ettevõttele maksta 20%-35% tema käibest (2). Sellest tulenevat arvatakse, et USA ettevõtted kaotavad ebakvaliteetsete andmete tõttu üle 600 miljardi dollari aastas.		Mitmetele uuringutele põhinedes ei ole tänaseni maailmas kokku lepitud ühest definitsiooni suurandmetele (1). Hoolimata erinevatest käsitlustest on kõige levinum ühine nimetaja nende andmete juures igapäevaselt toodetav erinevate andmekategooriate üldine suurus. Igapäevaselt toodetava andmete hulka mõõdetakse kvintiljon bitides. 2003. aasta uuringu põhjal, ehk pea 15 aastat tagasi, arvati et uue info hulk mida igal aastal salvestatakse, on rohkem kui 161 miljardit gigabaiti. Üleüldse arvatakse täna maailmas olevat andmeid 2,7 zetabaiti ehk 2,7 trillioni gigabaiti eest. Täna nähakse, et kõikide maailma ettevõtete suurandmed kahekordistuvad iga 1,2 aasta järel ning, et ebarelevantsed andmed võivad ettevõttele maksta 20%-35% tema käibest (2). Sellest tulenevat arvatakse, et USA ettevõtted kaotavad ebakvaliteetsete andmete tõttu üle 600 miljardi dollari aastas.


Line 17:		Line 17:

	Suurimate ettevõtete hulgas kes täna on big data kasutajad, on näiteks GE ja IBM. Nende hulgas läbi viidud uuringust selgus, et 92% juhtidest on rahul big data-st saadava infoga ja 89% vastanutest arvas, et big data on “tähtis” või “erakordselt tähtis”. 89% vastanutest kes on big data metoodikaid implementeerinud, tõdevad, et see on üks võimalus kuidas äris revolutsiooni tekitada. 89% arvas, et kui täna big data revolutsiooniga kaasa mitte minna, tähendab see tulevikus oma sektoris turuosa kaotamist. Suurettevõtete marketingi juhid panustavad juba kuni 37% marketingi eelarvest big data infrastruktuuri loomisele ettevõttes (2).		Suurimate ettevõtete hulgas kes täna on big data kasutajad, on näiteks GE ja IBM. Nende hulgas läbi viidud uuringust selgus, et 92% juhtidest on rahul big data-st saadava infoga ja 89% vastanutest arvas, et big data on “tähtis” või “erakordselt tähtis”. 89% vastanutest kes on big data metoodikaid implementeerinud, tõdevad, et see on üks võimalus kuidas äris revolutsiooni tekitada. 89% arvas, et kui täna big data revolutsiooniga kaasa mitte minna, tähendab see tulevikus oma sektoris turuosa kaotamist. Suurettevõtete marketingi juhid panustavad juba kuni 37% marketingi eelarvest big data infrastruktuuri loomisele ettevõttes (2).


	== Big data kasutamise võimalusi ==		== Big data kasutamise võimalusi ==

Rusild: /* Autonoomne uudiste tuvastus Twitterist */

2017-12-15T14:59:23Z

Autonoomne uudiste tuvastus Twitterist

← Older revision		Revision as of 17:59, 15 December 2017
Line 50:		Line 50:


	"There may not be newsagents around at a scene of event but there will always be tweeters on ground to broadcast the event live on Twitter even before professional newsagents arrive at the scene"		"There may not be newsagents around at a scene of event but there will always be tweeters on ground to broadcast the event live on Twitter even before professional newsagents arrive at the scene".