Metoder för databehandling

Den bästa informationen i universum är inte mycket användbar om den inte bearbetas. Databehandling avser metoder som tar rådata och omvandlar den till användbar information. Papper och penna kan fungera, men på 2000-talet bygger dataanalys vanligtvis på datorer. För att bearbeta data med dator måste de samlas in, kontrolleras för noggrannhet och matas in i datorn först.

Batchbearbetning är grymtarbete, den enklaste formen av databehandling. Det är användbart när en organisation har en stor mängd data som kan delas in i en eller två kategorier. En butik kan till exempel batchbearbeta sina transaktioner i slutet av dagen eller veckan och skicka resultatet till huvudkontoret. Om informationen inte behöver uppdateras för varje ändring är batchbearbetningen tillräckligt snabb.

Ibland är batch-bearbetningen inte tillräckligt snabb. Realtidsbearbetningsmetoder hanterar data när det kräver en omedelbar vändning. Om någon köper en flygbiljett eller avbokar en reservation, till exempel, måste flygbolaget uppdatera sina uppgifter omedelbart. Ett radarsystem måste ge sin operatör omedelbar feedback på vad det upptäcker; en bankomat måste behandla din begäran om pengar omgående. Där batchbearbetning hanterar stora mängder data vid specificerade tidpunkter, är realtidsbearbetningen kontinuerlig.

Data mining tar data från flera källor och pooler och kombinerar det för att leta efter korrelationer. Till exempel kan en livsmedelskedja analysera kundernas inköp och upptäcka att kunder som köper spannmål ofta köper bananer till det. Den informationen kan kedjan använda för att öka försäljningen, kanske genom att placera bananer nära spannmålen för att uppmuntra till fler gemensamma köp. Kedjan kan också spåra vilka varor som säljer bättre när butiken erbjuder kuponger eller håller rea.

Statistisk bearbetning innebär tung siffra. Ett företag som vet att det är fullt upp på fredag ​​kan använda statistisk bearbetning för att beräkna effekten av olika variabler. En del av rusningen kan till exempel bero på kunder med förfrågningar i sista minuten, medan en annan del kan bero på att anställda slappnat av tidigare i veckan. Att känna till orsaken hjälper företaget att klara av rusningen. Statistik gör det också lättare att jämföra data från företag av olika storlek eller städer av olika storlek.