Các dữ liệu cơ bản của dữ liệu tĩnh và luồng trong các phân tích dự đoán - những con số

Dữ liệu trong phân tích tiên đoán có thể được xác định là luồng, tĩnh, hoặc kết hợp cả hai. Dữ liệu được luân chuyển thay đổi liên tục; ví dụ bao gồm các cập nhật liên tục của Facebook, tweets trên Twitter, và giá cổ phiếu thay đổi liên tục trong khi thị trường vẫn mở.

Dữ liệu được truyền đi liên tục thay đổi; dữ liệu tĩnh là khép kín và kín. Các vấn đề liên quan đến dữ liệu tĩnh bao gồm các khoảng trống, các ngoại lệ, hoặc dữ liệu không chính xác, tất cả đều có thể cần phải làm sạch, chuẩn bị và xử lý trước khi bạn có thể sử dụng dữ liệu tĩnh để phân tích.

Cũng như với dữ liệu được phát trực tuyến, các sự cố khác có thể phát sinh. Khối lượng có thể là một vấn đề; số lượng dữ liệu không ngừng nghỉ liên tục đến có thể bị áp đảo. Và tốc độ dữ liệu được truyền tải nhanh hơn thì khó phân tích hơn để bắt kịp.

Hai mô hình chính để phân tích dữ liệu được stream như sau:

• Chỉ kiểm tra các điểm dữ liệu mới nhất và đưa ra quyết định về trạng thái của mô hình và bước tiếp theo của nó. Cách tiếp cận này là gia tăng - chủ yếu là xây dựng một hình ảnh của dữ liệu khi nó đến.

• Đánh giá toàn bộ tập dữ liệu, hoặc tập con của nó, để đưa ra quyết định mỗi lần các điểm dữ liệu mới đến. Cách tiếp cận này bao gồm nhiều điểm dữ liệu hơn trong phân tích - cái gì cấu thành bộ dữ liệu "toàn bộ" thay đổi mỗi khi dữ liệu mới được thêm vào.

Tùy thuộc vào tính chất của doanh nghiệp và tác động dự kiến ​​của quyết định, một mô hình được ưa chuộng hơn.

Một số lĩnh vực kinh doanh, chẳng hạn như phân tích dữ liệu về môi trường, thị trường, hoặc dữ liệu trí tuệ, giải thưởng dữ liệu mới xuất hiện trong thời gian thực. Tất cả dữ liệu này phải được phân tích khi nó đang được phát trực tuyến và giải thích không chỉ chính xác mà ngay lập tức.

Dựa trên thông tin mới có sẵn, mô hình này vẽ lại toàn bộ đại diện nội bộ của thế giới bên ngoài. Làm như vậy cung cấp cho bạn cơ sở cập nhật nhất cho một quyết định bạn có thể cần phải thực hiện và hành động nhanh chóng.

Ví dụ: mô hình phân tích tiên đoán có thể xử lý giá chứng khoán làm nguồn cấp dữ liệu, ngay cả khi dữ liệu đang thay đổi nhanh chóng, phân tích dữ liệu trong bối cảnh điều kiện thị trường hiện tại có trong thời gian thực và sau đó quyết định xem có nên cổ phiếu cụ thể.

Rõ ràng, việc phân tích dữ liệu trực tiếp khác với phân tích dữ liệu tĩnh. Phân tích một kết hợp của cả hai loại dữ liệu có thể là nhiều thách thức hơn.