Definitie van realtimeanalyses

De meesten van ons hebben regelmatig te maken met realtimeanalyses, ook al zijn we ons daar niet van bewust. Dergelijke analyses helpen op de achtergrond bij het bepalen van de route voor de chauffeur die een pakketje komt afleveren, scannen op fraude bij creditcardaankopen en helpen nutsbedrijven om het licht te laten branden door proactief onderhoud aan stroomopwekkende apparatuur.

En hoewel niet elk bedrijf binnen milliseconden hoeft te reageren op data, worden realtimeanalyses steeds beter, waardoor de technologie – en de daaruit voortvloeiende zakelijke voordelen – voor veel meer organisaties toegankelijk wordt. Dit verandert onze manier van denken over analyses; in plaats van alleen maar terug te kijken naar wat er is gebeurd en hoe het de volgende keer beter kan, is realtimeanalyse een hulpmiddel voor operationele beslissingen van moment tot moment.

Wat is realtimeanalyse?

Realtimeanalyses verwerken data op het moment dat ze worden gegenereerd, of dat nu gebeurt door een klik op een website, een reactie op sociale media, een transactie of een sensor, De data worden in een systeem ingevoerd, zodat deze kunnen worden geanalyseerd en er onmiddellijk actie kan worden ondernomen. Bij sommige bedrijfsprocessen werkt realtimeanalyse in milliseconden. Data worden uit meerdere bronnen gehaald en in een systeem geladen, waar de data worden geordend en geanalyseerd. Vervolgens worden de data verwerkt door een geautomatiseerd systeem of gecommuniceerd naar mensen in de vorm van grafieken, tekst of spraak. Dit is hoe ticketverkopers hun prijzen aanpassen op basis van de vraag, hoe een luchtvaartmaatschappij de status van een vlucht bijwerkt of hoe een bank u onmiddellijk een e-mail stuurt als er een bedrag in rekening wordt gebracht dat volgens het algoritme van de kunstmatige intelligentie afwijkend is.

Systemen voor realtimeanalyses kunnen gebruik maken van gestructureerde en ongestructureerde databronnen. Gestructureerde data komen in voorspelbare en consistente opmaken uit bronnen zoals bedrijfsapplicaties. Ongestructureerde data, ook wel big data, vereisen extra verwerking en zijn afkomstig van bronnen zoals sociale-mediasites, tekstdocumenten en video's. Systemen voor data-analyse kunnen deze twee soorten databronnen combineren voor een diepgaandere analyse en vervolgens de bevindingen presenteren op een manier die voor gebruikers gemakkelijk te begrijpen is, zodat ze er eenvoudig op kunnen inspelen.

De technologieën die realtimeanalyses mogelijk maken, zijn onder meer databases en data lakes, machine learning-algoritmen, data-integratietools, programmeertalen, data science-notebooks en verschillende open-sourceprojecten. In combinatie met machine learning kunnen systemen voor realtimeanalyses meer doen dan alleen helpen bij het nemen van beslissingen op het moment zelf: ze kunnen ook zoeken naar trends, knelpunten of zakelijke kansen die verborgen zitten in operationele data.

Voornaamste conclusies

• Realtimeanalyses kunnen een concurrentievoordeel opleveren doordat ze een organisatie helpen te reageren op veranderingen in de bedrijfsomgeving zodra deze zich voordoen.
• Voor realtimeanalyses is een IT-architectuur nodig die data onmiddellijk streamt naar een systeem waar de data kunnen worden doorzocht. Idealiter bevat zo'n systeem ook mogelijkheden voor machine learning om de besluitvorming te verbeteren en te versnellen.
• Realtimeanalyses worden in bijna elke branche steeds vaker gebruikt.
• Er zijn verschillende tools en architectuuropties om realtimeanalyses mogelijk te maken.

Uitleg over realtimeanalyses

Realtimeanalyse is een vorm van data-analyse die steeds populairder wordt bij ervaren digitale bedrijven. Het is een uitbreiding van traditionele data-analyse en maakt gebruik van veel van dezelfde vaardigheden. Traditionele analyse, vaak batchanalyse genoemd, is een langzamer proces waarbij grote hoeveelheden opgeslagen data worden voorbereid en vervolgens naar een analyseplatform worden gestuurd om grafieken of diagrammen te genereren in een dashboard. De data kunnen uren, dagen, weken of zelfs maanden oud zijn en worden gebruikt om een beeld te schetsen van wat er in het verleden is gebeurd. Dit was, en is nog steeds, een belangrijke bron om de besluitvorming voor de toekomst te sturen.

In tegenstelling tot traditionele data-analyse gaat realtimeanalyse over wat er nu gebeurt. In plaats van data op te slaan en deze vervolgens periodiek naar een analysesysteem te verplaatsen met behulp van een complex technisch proces, in het Engels extract, transform and load (ETL) genaamd, worden data bij realtimeanalyse onmiddellijk naar het systeem verzonden voor analyse en actie, vaak slechts enkele milliseconden nadat ze zijn gecreëerd. Daarom wordt dit ook wel 'streaminganalyse' genoemd.

Veel organisaties schakelen over van batchverwerking naar realtimeverwerking en van aanvraaggestuurde architecturen naar eventgestuurde architecturen waarmee meer automatisering mogelijk is.

Veel architecturen voor databeheer bieden ondersteuning voor realtimeanalyses, maar een architectuur die steeds populairder wordt vanwege zijn eenvoud, wordt 'in-database analyses' genoemd. Hiermee kunnen analisten analyses uitvoeren waarbij de data zijn opgeslagen in plaats van de extra, tijdrovende stap te zetten om grote datasets te extraheren, transformeren en laden (ETL) naar een aparte database voor analyses. Analisten van Forrester hebben dit model voor in-database analyses een 'translytisch' platform genoemd – een combinatie van transactioneel en analytisch. Hiermee kan de data-integriteit eenvoudiger behouden worden en kunnen analyses op schaal worden uitgevoerd.

Voordelen van realtimeanalyses

De actuele inzichten van realtimeanalyses zijn voor veel mensen een waardevol hulpmiddel voor het nemen van beslissingen of het automatiseren van acties. Dergelijke analyses worden gebruikt in winkels die vraag kunnen voorspellen, bij marketingbureaus die targetingbeslissingen binnen enkele milliseconden kunnen versnellen en bij vele andere organisaties.

1. Neem sneller beslissingen op basis van data

Realtimeanalyses geven bedrijven de informatie die ze nodig hebben om op dat moment te handelen, of het nu gaat om het wijzigen van rijroutes, het reageren op een productieprobleem, het wijzigen van een marketingcampagne of het bijpraten van een partner in de supply chain.

2. Verbeter de klantervaring

Realtime-inzichten over de bestelling of serviceaanvraag van een klant zorgen voor een soepelere, persoonlijkere klantervaring.

3. Versterk uw concurrentiepositie

Bedrijven kunnen prijzen aanpassen, aanbiedingen wijzigen of de beschikbaarheid van producten in realtime bijwerken om de efficiëntie en omzet te verbeteren op een manier die voor een digitaal minder vaardige concurrent niet haalbaar is.

4. Identificeer groeimogelijkheden

Realtimeanalyses kunnen marketeers helpen om trends te herkennen zodra ze zich voordoen. Met behulp van analyses waarin verschillende factoren worden gecombineerd, zoals het sentiment op het gebied van verkoop en sociale media, kan de technologie berichten aanpassen of zelfs productwijzigingen voorstellen om eerder dan de concurrentie in te spelen op de trend.

Uitdagingen bij de implementatie van realtimeanalyses

Het ontwikkelen van de geïntegreerde, schaalbare data-infrastructuur die nodig is voor realtimeanalyses vereist doorgaans planning, expertise en financiële middelen. Een belangrijke factor achter veel van de uitdagingen van realtimeanalyses is het samenstellen van een architectuur die krachtig en efficiënt genoeg is om dataverzameling, -integratie en -analyse in realtime te laten plaatsvinden. Complexe architecturen kunnen echter leiden tot uitvaltijd en kunnen ingenieurs het leven zuur maken. Bovendien kan de acceptatie afnemen als de service onbetrouwbaar is. Hieronder staan drie stappen om uitdagingen het hoofd te bieden.

1. Breng databronnen in kaart

Een van de eerste uitdagingen bij het implementeren van realtimeanalyses is het inventariseren van alle betrokken databronnen. Een applicatie voor de detailhandel haalt bijvoorbeeld data op bij productleveranciers en voert deze door naar financiële boekhoudsoftware en klantenserviceapplicaties. De juiste bronnen voor een initiatief voor realtimeanalyse kunnen zich binnen of buiten het bedrijf bevinden en gestructureerde of ongestructureerde data bevatten. IT-teams hebben ruime keuze uit tools om databronnen te vinden en te catalogiseren.

2. Integreer meerdere systemen

Zodra een team databronnen in kaart heeft gebracht, moeten de data geïntegreerd worden in een datastroom die gebruikt kan worden door het analysesysteem. Voor deze stap is vaak een integratieplatform nodig dat de API's en kant-en-klare connectoren biedt die nodig zijn om data uit meerdere bronnen te verzamelen.

3. Ontwikkel een schaalbare architectuur

Aangezien realtimeanalyses gebruikmaken van databronnen die veranderen op basis van bedrijfsactiviteiten, kunnen datavolumes onvoorspelbaar zijn. De rekenresources die worden toegewezen aan realtimeanalyses moeten ofwel worden geleverd voor het hoogst mogelijke gebruik of worden gebouwd op een cloudservice die kan worden op- en afgeschaald om te voldoen aan veranderende behoeften.

Data in realtimeanalyses: gestructureerde versus ongestructureerde data

Zowel gestructureerde data als ongestructureerde data kunnen worden gebruikt in een systeem voor realtimeanalyses. Wat veel realtimesystemen zo waardevol maakt, is de mogelijkheid om beide soorten data te combineren, zodat er snel analyses kunnen worden gemaakt die een bedrijf meer inzichten verschaffen. Het verschil tussen deze twee soorten data komt overeen met hun namen: gestructureerde data worden aangeleverd in consistente, voorspelbare opmaken uit bronnen zoals bedrijfsapplicaties, waarmee ze gemakkelijker in een relationele database kunnen worden geïmporteerd. Ongestructureerde data hebben geen voorspelbare opmaak; ze zijn afkomstig van bronnen zoals feeds van sociale media, reactieformulieren van klanten, tekstdocumenten of video's en worden vervolgens opgemaakt voor gebruik in het systeem voor realtimeanalyses.

Best practices voor het gebruik van data in realtimeanalyses

Een systeem voor realtimeanalyses is afhankelijk van de kwaliteit van het algemene databeheer van een organisatie. Software voor het beheren van bedrijfsdata moet snel kunnen schalen, data uit vele bronnen kunnen integreren, datakwaliteit en goed bestuur kunnen garanderen en natuurlijk prioriteit geven aan databeveiliging. Hieronder vindt u best practices om over na te denken.

1. Breng datavereisten in kaart

Stel eerst de vraag: wie gaat deze engine voor realtimeanalyses gebruiken? Het is onwaarschijnlijk dat deze bedrijfsbreed zal worden ingezet, dus u moet beoordelen of deze door een hele afdeling wordt gebruikt of slechts door bepaalde gebruikers. Een reeks duidelijke, gerichte doelen zal helpen bij deze beoordeling. Aan de hand hiervan kunt u bepalen tot welke databronnen binnen en buiten het bedrijf u toegang moet hebben. Een andere vraag die u zich tijdens dit proces kunt stellen: zou u meer ambitie hebben ten aanzien van deze doelen als u over meer of betere data zou beschikken?

2. Ontwikkel een efficiënte architectuur

Beperk het aantal dataverplaatsingen en het aantal keren dat data een ETL-proces moeten doorlopen, tot een minimum. ETL-processen kunnen vertragingen veroorzaken en de risico's met betrekking tot databeveiliging en naleving van wet- en regelgeving vergroten wanneer data van de ene naar de andere datastore worden verplaatst. Een actuele trend is het gebruik van in-database analyses, waarbij dataverwerking binnen een transactionele database plaatsvindt om te voorkomen dat grote datasets naar een afzonderlijke analysedatabase moeten worden verplaatst.

3. Zorg ervoor dat u al uw databronnen kent

Volgens een recente enquête gebruikt zelfs een middelgroot bedrijf gemiddeld wel 20 betaalde SaaS-producten. Voeg dat bij lokale software en andere databronnen van derden of ongestructureerde data, en u hebt een heleboel keuzes. Ga na welke databronnen nodig zijn voor uw initiatief voor realtimeanalyse.

4. Gebruik machine learning-algoritmen

Verschillende machine learning-modellen verschaffen verschillende soorten inzichten op basis van hoe ze naar data kijken. Machine learning-modellen kunnen onder meer worden getraind voor regressie- of classificatietaken en het opsporen van afwijkingen. Machine learning biedt niet alleen realtime-inzichten, maar kan ook helpen trends te detecteren, sneller beslissingen te nemen en acties of aanbevelingen te automatiseren.

5. Ontdek de juiste datatools

Met de juiste datatools kunt u een systeem voor realtimeanalyses samenstellen. Als u gebruikmaakt van ETL-processen, hebt u tools nodig om data te extraheren, de datasets op te schonen en te transformeren en ze naar de juiste systemen te laten stromen.

6. Monitor de prestaties

Er zijn twee manieren om te kijken naar het monitoren van de prestaties van uw realtimeanalyses. De eerste is puur vanuit menselijk perspectief: relaties opbouwen met mensen in het bedrijf die kunnen vertellen hoe het in de praktijk werkt. Loopt de fabrieksvloer inderdaad soepeler, krijgen klanten wel de geautomatiseerde informatie die ze nodig hebben? De tweede manier is het monitoren van uw dataprocessen om negatieve trends en knelpunten te signaleren en hierop te kunnen reageren.

7. Reageer snel op veranderingen in de omgeving

Een systeem voor realtimeanalyses kan veel databronnen en afhankelijkheden hebben. Wanneer een verandering in de bedrijfsomgeving een verandering in een van die bronnen teweegbrengt, zorg er dan voor dat uw systeem voor realtimeanalyses en de werknemers die het gebruiken, beschikken over een manier om het probleem te signaleren en over een proces om het op te lossen.

Een voorbeeld van realtimeanalyse

Het in Brazilië gevestigde Tetris.co laat zien hoe een bedrijf kan profiteren van directe toegang tot realtimeanalyses voor besluitvormers. Het bedrijf brengt data uit verschillende mediabronnen samen in een MySQL database en gebruikt realtimeanalyses om inzicht te krijgen in de prestaties van reclame-investeringen. Het bedrijf wist de voor zijn software vereiste snelheid te bereiken door over te stappen op HeatWave MySQL, waarmee het transacties en realtimeanalyses rechtstreeks vanuit een MySQL database kon uitvoeren, zodat dataverplaatsing en integratie met een afzonderlijke analysedatabase niet meer nodig waren. Dankzij het krachtige systeem zagen eerstelijnsanalisten trends sneller en verbeterden ze de marketingresultaten door investeringen over te hevelen van slecht presterende advertentieplatforms naar beter presterende kanalen.

Hoe kiest u de juiste oplossing voor realtimeanalyses?

Voor het ontwikkelen van een systeem voor realtimeanalyses dat resultaten oplevert voor uw organisatie staan allerlei vaardigheden en tools tot uw beschikking. Denk bijvoorbeeld aan tools voor datamodellering, datakwaliteit en datavisualisatie. Een goede eerste stap is om te kijken naar uw huidige software en vaardigheden. Een organisatie die bijvoorbeeld MySQL Database gebruikt voor transacties, kan eenvoudigweg kiezen voor een cloudversie die in-database analyses plus in-database machine learning biedt, waardoor er geen ETL-proces van data nodig is naar afzonderlijke analyse- en machine learning-systemen.

Krijg de juiste data sneller bij de juiste personen met HeatWave MySQL

HeatWave MySQL biedt een krachtige oplossing voor als uw organisatie de voordelen van realtimeanalyses nodig heeft. HeatWave MySQL is een volledig beheerde databaseservice die gebruikmaakt van de geïntegreerde in-memory queryversneller van HeatWave. Het biedt realtimeanalyses zonder de complexiteit, latentie, risico's en kosten van ETL-duplicatie.

Met HeatWave MySQL hebt u toegang tot een reeks ingebouwde HeatWave-mogelijkheden voor analyses, machine learning en generatieve AI. Met HeatWave Lakehouse kunt u tot een halve petabyte aan data in verschillende bestandsindelingen, zoals CSV, Parquet, Avro, JSON en exports van andere databases, in de objectopslag doorzoeken. Indien gewenst kunt u deze data combineren met data in MySQL. HeatWave AutoML en HeatWave GenAI bieden de voordelen van geïntegreerde en geautomatiseerde machine learning en GenAI tussen cloudservices (zonder ETL).

Veelgestelde vragen over realtimeanalyses

Kunt u een voorbeeld geven van realtimeanalyses?

Er zijn veel voorbeelden van realtimeanalyses in het bedrijfsleven. Het bedrijf FANCOMI wil 's werelds grootste reclamenetwerk op het gebied van performance marketing worden. Het wil adverteerders laten betalen wanneer het gewenste marketingresultaat is bereikt, in plaats van op de traditionele manier, namelijk wanneer de advertenties worden geplaatst. Het gebruikt realtimeanalyses om de impact van 20.000 advertenties op 2,6 miljoen reclamebureaus en mediawebsites 24 uur per dag te monitoren en te meten.

Waar hebben bedrijven realtimeanalyses voor nodig?

Digitale systemen, waaronder Internet of Things-sensoren, sociale-mediasites en -apps en online detailhandel, in combinatie met systemen achter de schermen, zoals CRM, ERP en Human Capital Management (HCM), genereren ongekende hoeveelheden data. Bedrijven die snel grip kunnen krijgen op die overvloed aan operationele data om veranderingen in hun bedrijf op te merken en daarop te reageren met de juiste beslissingen, zullen de concurrentie voorblijven.

Op welke manier verbeteren realtimeanalyses de besluitvorming?

Realtimeanalyses gebruiken data op het moment dat ze worden gegenereerd, dus wanneer ze het meest relevant zijn. Organisaties die geen realtimeanalyses gebruiken, kunnen belangrijke beslissingen alleen maar nemen op basis van data die al verouderd zijn tegen de tijd dat ze beschikbaar zijn voor analyse.