Datu apstrādes metodes

Labākie dati Visumā nav īpaši noderīgi, ja tie netiek apstrādāti. Datu apstrāde attiecas uz metodēm, kas ņem neapstrādātos datus un pārvērš tos izmantojamā informācijā. Papīrs un zīmulis var darboties, taču 21. gadsimtā datu analīze parasti balstās uz datoriem. Lai apstrādātu datus ar datoru, tie ir jāsavāc, jāpārbauda precizitāte un vispirms jāievada datorā.

Pakešu apstrāde ir grunts darbs, vienkāršākais datu apstrādes veids. Tas ir noderīgi, ja organizācijai ir liels datu apjoms, ko var apvienot vienā vai divās kategorijās. Piemēram, veikals dienas vai nedēļas beigās var apstrādāt savus darījumus pakešapstrādē, nosūtot rezultātus uz galveno biroju. Ja informācija nav jāatjaunina par katru izmaiņu, pakešu apstrāde ir pietiekami ātra.

Dažreiz pakešu apstrāde nav pietiekami ātra. Reāllaika apstrādes metodes apstrādā datus, kad tiem ir nepieciešama tūlītēja apgriešana. Piemēram, ja kāds pērk aviobiļeti vai atceļ rezervāciju, aviokompānijai nekavējoties jāatjaunina ieraksti. Radara sistēmai nekavējoties jāsniedz operatoram atsauksmes par to, ko tā nosaka; bankomātam ir nekavējoties jāapstrādā jūsu naudas pieprasījums. Ja pakešu apstrāde noteiktā laikā apstrādā lielas datu slodzes, reāllaika apstrāde ir nepārtraukta.

Datu ieguve ņem datus no vairākiem avotiem un kopumiem un apvieno tos, lai meklētu korelācijas. Piemēram, pārtikas preču ķēde var analizēt klientu pirkumus un atklāt, ka klienti, kas pērk graudaugu pārslas, bieži pērk banānus, lai tos papildinātu. Ķēde var izmantot šo informāciju, lai palielinātu pārdošanas apjomu, iespējams, novietojot banānus labības tuvumā, lai veicinātu vairāk kopīgu pirkumu. Ķēde var arī izsekot, kuras preces tiek pārdotas labāk, ja veikals piedāvā kuponus vai rīko izpārdošanas.

Statistiskā apstrāde ir saistīta ar smagu skaitļu graušanu. Uzņēmums, kas zina, ka piektdien ir aizņemts, var izmantot statistisko apstrādi, lai aprēķinātu dažādu mainīgo ietekmi. Daļa no steigas var būt saistīta, piemēram, ar klientiem, kuri pieprasījuši pēdējā brīdī, savukārt daļa var būt saistīta ar darbinieku slinkumu nedēļas sākumā. Cēloņa zināšana palīdz uzņēmumam tikt galā ar steigu. Statistika arī atvieglo dažāda lieluma uzņēmumu vai dažāda lieluma pilsētu datu salīdzināšanu.