Uz ogromne količine podataka koje dolaze iz različitih digitalnih izvora, značaj analitike strahovito je porastao što je prisililo kompanije da istražuju podatke koji su se svih ovih godina smatrali beskorisnim. Budući da su kompanije dužne davati rezultate u hodu, važnost velikih podataka proširila se brzo u svim industrijama. Prema Gartneru, Veliki podaci sastoje se od podataka o brzini, velikom volumenu i velikoj raznolikosti koje on naziva 3V Volume (veličina) – velika količina podataka koji se prikupljaju, obrađuju i stavljaju na raspolaganje za analizu Velocity (brzina) – kontinuirano prikupljanje velike količine podataka u realnom vremenu Variety (raznovrsnost) – podaci su dostupni u različitim oblicima i izvorima, a zapravo su najčešće nestrukturirani 4.1. PRIMJENA BIG DATA TEHNOLOGIJE U ZDRAVSTVU Razina podataka generiranih unutar zdravstvenih sustava nije beznačajna. Tradicionalno, zdravstvena industrija je zaostajala u korištenju Big Data tehnologije zbog ograničene sposobnosti standardizacije i konsolidacije podataka. Ali ovih dana Big Data tehnologija poboljšala je zdravstvo pružanjem personalizirane medicine i preskriptivne analitike. Istraživači proučavaju podatke kako bi odlučili koji su tretmani učinkovitiji za određene uvjete, identificirali uzorke povezane s nuspojavama lijekova i prikupili druge važne informacije koje bi mogle pomoći pacijentima i smanjiti troškove.
Sa usvajanjem mHealth-a, eHealth-a i nosivih tehnologija, količina podataka
eksponencijalno raste. To uključuje podatke o elektroničkoj zdravstvenoj evidenciji, podatke generirane od samih pacijenta, senzorske podatke i druge oblike podataka.
Mapiranjem zdravstvenih podataka s geografskim podacima moguće je predvidjeti
bolest koja bi mogla eskalirati na određenim područjima. Na temelju predviđanja, lakše je strateški dijagnosticirati i planirati skladištenje seruma i cjepiva.
4.2. PRIMJENA BIG DATA TEHNOLOGIJE U PROIZVODNJI
Prediktivna proizvodnja osigurava minimalne stanke i veću transparentnost. Zahtjeva ogromnu količinu podataka i napredne alate za predviđanje i sustavno procesiranje podataka u korisne informacije.
Glavne prednosti korištenja Big Data aplikacija u prerađivačkoj industriji su:
Praćenje kvalitete proizvoda i nedostataka
Planiranje opskrbe Praćenje grešaka u proizvodnom procesu Prognoza outputa Povećanje energetske učinkovitosti Ispitivanje i simulacija novih proizvodnih procesa Podrška za masovnu prilagodbu proizvodnje
4.3. PRIMJENA BIG DATA TEHNOLOGIJE U ZABAVNOJ INDUSTRIJI I MEDIJIMA
Razne tvrtke u medijskoj i zabavnoj industriji suočavaju se s novim poslovnim modelima zbog načina na koji stvaraju, plasiraju i distribuiraju svoj sadržaj. To se događa zbog pretraživanja potrošača i zahtjeva pristupa sadržaju bilo gdje, u bilo koje vrijeme, na bilo kojem uređaju. Big Data pruža informacije o milijunima pojedinaca. Danas se u izdavačkim okruženjima prilagođavaju reklame i sadržaj kako bi udovoljili potrošačima. Ti se uvidi prikupljaju kroz različite aktivnosti prikupljanja podataka. Big Data aplikacije pogoduju medijskoj i zabavnoj industriji tako što:
Predviđaju što publika želi
Povećavaju akvizicije Prilagođavanju reklama (ad targeting) Monetiziraju sadržaje i razvijaju nove proizvode
4.4. PRIMJENA BIG DATA TEHNOLOGIJE U OBRAZOVANJU
Big Data ima veliki utjecaj i u svijetu obrazovanja. Danas je gotovo svaki tečaj dostupan online. Pored online učenja, postoji mnogo primjera upotrebe velikih podataka u obrazovnoj industriji. Aplikacije poput Bubble Score-a omogućuju nastavnicima da transferiraju ocjene putem mobilnih uređaja i ocjenjuju testove kroz kamere mobilnih telefona. Prilagodljivo učenje: Osim razvoja ocjenjivanja, podatkovne učionice doprinjele su shvaćanju onoga što djeca uče kada studiraju. Poduzeća proizvode digitalne tečajeve koji koriste prognostičku analitiku utemeljenu na velikim podacima kako bi otkrili što učenik uči i koje su komponente plana predavanja u tim situacijama najuspješnije. Kontrola problema: Ponekad učenik predaje domaću zadaću svog kolege umjesto vlastite. U ovoj situaciji, umjesto da bude kažnjen, on dobiva nagradu a drugi student dobiva kaznu. U tim situacijama Big Data koristi unakrsne provjere kako bi se utvrdilo tko je stvarno napisao zadaću.