Was sind Big Data? Arten, Merkmale und Beispiele

Bevor wir zur Einführung in Big Data kommen, müssen Sie zunächst wissen, was Daten überhaupt sind.

Was sind Daten?

Daten sind die Mengen, Zeichen oder Symbole, auf denen ein Computer Operationen ausführt und die gespeichert werden können. transmitin Form von elektrischen Signalen erfasst und auf magnetischen, optischen oder mechanischen Aufzeichnungsmedien aufgezeichnet.

Schauen wir uns nun die Definition von Big Data an.

Was sind Big Data?

Big Data Big Data ist eine riesige Datenmenge, die exponentiell mit der Zeit wächst. Aufgrund ihres Umfangs und ihrer Komplexität können herkömmliche Datenmanagement-Tools sie weder effizient speichern noch verarbeiten. Big Data sind also immer noch Daten, nur in einer Größenordnung, die die üblichen Werkzeuge überfordert.

Das untenstehende Diagramm stellt diese Definition den gewöhnlichen Daten gegenüber, die eine Organisation bereits verarbeitet, sodass der Sprung in der Größenordnung leicht erkennbar ist.

Was sind Big Data?

Was ist ein Beispiel für Big Data?

Im Folgenden sind einige Beispiele für Big Data aufgeführt:

Börsendaten

Das New York Stock Exchange ist ein Beispiel für Big Data, das etwa generiert ein Terabyte neuer Handelsdaten pro Tag.

Soziale Medien

Das zeigt die Statistik 500+Terabyte Neue Daten werden in die Datenbanken der Social-Media-Sites aufgenommen Facebook, täglich. Diese Daten werden hauptsächlich durch das Hochladen von Fotos und Videos, den Austausch von Nachrichten, das Setzen von Kommentaren usw. generiert.

Strahltriebwerke

Ein einzelner Düsentriebwerk erzeugen kann 10+Terabyte von Daten ein 30 Мinuten der Flugzeit. Bei vielen tausend Flügen pro Tag reicht die Datengenerierung bis zu viele Petabyte.

Diese drei Zahlen sind Momentaufnahmen pro Quelle aus der Zeit, als die Beispiele erstmals veröffentlicht wurden, und sie sind seither noch gestiegen. Um einen aktuellen Eindruck zu vermitteln: Die Welt als Ganzes produziert jetzt ungefähr 402 Millionen Terabyte Daten pro Tag, wodurch sich die jährliche Gesamtsumme für 2026 auf track für mehr als 200 Zettabyte.

Arten von Big Data

Im Folgenden sind die Typen von Big Data aufgeführt:

1. Strukturierte
2. Unstrukturiert
3. Halbstrukturiert

Strukturierte

Alle Daten, die in einem festen Format gespeichert, abgerufen und verarbeitet werden können, werden als „strukturierte“ Daten bezeichnet. Die Informatik hat im Laufe der Zeit große Erfolge bei der Entwicklung solcher Daten erzielt.ping Es gibt bewährte Techniken für die Verarbeitung solcher Daten, deren Format im Voraus bekannt ist, und zur Wertschöpfung daraus. Probleme treten jedoch auf, wenn die Größe dieser Daten enorm anwächst und typische Größen mehrere Zettabyte erreichen.

Weißt du es? Ein Zettabyte ist 10²¹ Bytes, Das ist eine Milliarde Terabyte.

Beim Anblick dieser Zahlen wird schnell klar, warum man von Big Data spricht, und man kann sich die Herausforderungen vorstellen, die mit der Speicherung und Verarbeitung dieser Daten verbunden sind.

Weißt du es? Daten, die in einem relationalen Datenbankmanagementsystem gespeichert sind, sind ein Beispiel dafür 'strukturiert' Daten.

Beispiele für strukturierte Daten

Eine Tabelle namens „Mitarbeiter“ in einer Datenbank ist ein Beispiel für strukturierte Daten. Jede Zeile hat dieselben fünf Spalten, und jede Spalte hat einen bekannten Datentyp, was die Abfrage der Daten erheblich vereinfacht.

Unstrukturiert

Daten unbekannter Form oder Struktur werden als unstrukturierte Daten klassifiziert. Neben ihrem enormen Umfang stellen unstrukturierte Daten zahlreiche Herausforderungen bei der Verarbeitung dar, um daraus Nutzen zu ziehen. Ein typisches Beispiel für unstrukturierte Daten ist eine heterogene Datenquelle, die eine Kombination aus einfachen Textdateien, Bildern, Videos usw. enthält. Heutzutage verfügen Unternehmen über eine Fülle von Daten, wissen aber leider nicht, wie sie daraus Nutzen ziehen können, da diese Daten in ihrem Roh- oder unstrukturierten Format vorliegen.

Beispiele für unstrukturierte Daten

Die von ' zurückgegebene AusgabeGoogle Die Suche ist unstrukturiert: Dieselbe Abfrage liefert Seiten, Bilder, Snippets und Links ohne zugrundeliegendes gemeinsames Schema.

Beispiel für unstrukturierte Daten

Halbstrukturiert

Semistrukturierte Daten können beide oben genannten Formen enthalten. Sie wirken strukturiert, sind aber nicht durch ein formales Schema wie beispielsweise eine Tabellendefinition in einem relationalen System definiert. DBMSEin gängiges Beispiel für semistrukturierte Daten sind Daten in einer XML-Datei. JSON-Dokumente und Logzeilen mit Schlüssel-Wert-Paaren fallen in dieselbe Kategorie.

Beispiele für semistrukturierte Daten

In einer XML-Datei gespeicherte personenbezogene Daten-

<rec><name>Prashant Rao</name><sex>Male</sex><age>35</age></rec>
<rec><name>Seema R.</name><sex>Female</sex><age>41</age></rec>
<rec><name>Satish Mane</name><sex>Male</sex><age>29</age></rec>
<rec><name>Subrato Roy</name><sex>Male</sex><age>26</age></rec>
<rec><name>Jeremiah J.</name><sex>Male</sex><age>35</age></rec>

Datenwachstum im Laufe der Jahre

Das Diagramm unten tracks wie sich die Mischung aus strukturierten und unstrukturierten Daten mit dem Anstieg des Gesamtvolumens verändert hat.

Datenwachstum im Laufe der Jahre

Bitte beachten Sie, dass Web-Anwendung Daten, die unstrukturiert sind, bestehen aus Protokolldateien, Transaktionsverlaufsdateien usw. OLTP-Systeme sind für die Arbeit mit strukturierten Daten ausgelegt, wobei die Daten in Relationen (Tabellen) gespeichert werden.

Merkmale von Big Data

Big Data lässt sich durch folgende Merkmale beschreiben:

• Volumen
• Vielfalt
• Geschwindigkeit
• Variabilität

(i) Volumen – Der Begriff Big Data selbst verweist auf eine enorme Datenmenge. Die Größe der Daten spielt eine entscheidende Rolle für den daraus ableitbaren Nutzen. Ob ein bestimmter Datensatz als Big Data gilt oder nicht, hängt von seinem Volumen ab. Daher… 'Volumen' ist ein Merkmal, das beim Umgang mit Big-Data-Lösungen berücksichtigt werden muss.

(ii) Vielfalt – Der nächste Aspekt von Big Data ist sein Vielfalt.

Die Vielfalt der Datenquellen und ihrer Beschaffenheit – sowohl strukturierter als auch unstrukturierter Daten – wird als Diversität bezeichnet. Früher nutzten die meisten Anwendungen ausschließlich Tabellenkalkulationen und Datenbanken als Datenquellen. Heute werden in Analyseanwendungen auch Daten in Form von E-Mails, Fotos, Videos, Überwachungsgeräten, PDFs, Audiodateien usw. berücksichtigt. Diese Vielfalt unstrukturierter Daten stellt die Speicherung, das Data Mining und die Analyse vor gewisse Herausforderungen.

(iii) Geschwindigkeit – Die 'Geschwindigkeit' Bezieht sich auf die Geschwindigkeit der Datengenerierung. Wie schnell die Daten generiert und verarbeitet werden, um den Bedarf zu decken, bestimmt das tatsächliche Potenzial der Daten.

Die Geschwindigkeit von Big Data befasst sich mit der Geschwindigkeit, mit der Daten aus Quellen wie Geschäftsprozessen, Anwendungsprotokollen, Netzwerken, Social-Media-Seiten und Sensoren einfließen. Mobile Geräte usw. Der Datenfluss ist massiv und kontinuierlich.

(iv) Variabilität – Damit ist die Inkonsistenz gemeint, die die Daten zeitweise aufweisen können und die den Prozess der effektiven Handhabung und Verwaltung der Daten erschwert.

Heute werden dieser Liste üblicherweise zwei weitere Eigenschaften hinzugefügt, wodurch die viel zitierten „fünf Vs“ entstehen:

• Richtigkeit – wie vertrauenswürdig und genau die Daten sind. Doppelte Datensätze, Sensorabweichungen und fehlende Felder mindern die Aussagekraft, und auch ein hohes Datenvolumen kann dies nicht ausgleichen.
• Wert – welchen Wert die Daten nach der Analyse tatsächlich haben. Daten, die nie zu einer Entscheidung führen, verursachen lediglich zusätzliche Speicherkosten.

Vorteile der Big-Data-Verarbeitung

Die Fähigkeit, Big Data in einem DBMS zu verarbeiten, bietet zahlreiche Vorteile, wie zum Beispiel:

Unternehmen können bei Entscheidungen externe Informationen nutzen.

Zugriff auf soziale Daten von Suchmaschinen Und Plattformen wie Facebook und X (ehemals Twitter) ermöglichen es Unternehmen, ihre Geschäftsstrategien zu verfeinern.

Verbesserter Kundenservice

Traditionelle Kundenfeedbacksysteme werden durch neue Systeme ersetzt, die auf Big-Data-Technologien basieren. In diesen neuen Systemen werden Big Data und Technologien zur Verarbeitung natürlicher Sprache eingesetzt, um Kundenreaktionen zu erfassen und auszuwerten.

Früherkennung von Risiken für Produkte und Dienstleistungen

Durch die kontinuierliche Analyse von Transaktionsdatensätzen, Sensormesswerten und Support-Tickets werden Fehler, Betrugsmuster und Serviceausfälle bereits in geringem Maße aufgedeckt, anstatt auf einen monatlichen Bericht zu warten, der sie offenbart.

Arbeitsumgebungen Operanationale Effizienz

Big-Data-Technologien können verwendet werden, um einen Zwischenspeicher oder eine Landingzone für neue Daten zu erstellen, bevor festgelegt wird, welche Daten verschoben werden sollen. Data WarehouseDarüber hinaus hilft eine solche Integration von Big-Data-Technologien und dem Data Warehouse einer Organisation dabei, selten abgerufene Daten auszulagern.

Häufig gestellte Fragen