Систематизация уровней зрелости корпоративной архитектуры в области анализа данных

В настоящее время использование современных технологий и методов анализа данных позволяет создавать более совершенные информационные системы для организации качественного ведения бизнеса. Поэтому при проектировании корпоративной архитектуры данных при наличии существенных объемов информации необходимо учитывать множество факторов, систематизировать и корректно производить выбор определенного уровня зрелости. В данной статье представлен обзор технологий и методов в области анализа данных. Также были представлены и систематизированы уровни зрелости: «лоскутное одеяло», корпоративное хранилище данных, озера данных, машинное обучение, искусственный интеллект. Рассматриваемые средства имеют спрос при построении аналитической архитектуры компании. С помощью них можно осуществлять поиск данных, доступ к ним и обработку. Были рассмотрены и проанализированы преимущества и недостатки методов. Сравнение технологий производится по ряду характеристик, а именно: организация доступа к данным, способ хранения данных, процесс извлечения, преобразования данных, процесс построения бизнес-отчетов, использование машинного обучения, помощь в принятии решений. Эти аспекты являются основными при выборе средств построения корпоративной архитектуры в области анализа данных, так как они являются ключевыми при аналитической обработке данных.

1. Что такое корпоративное хранилище данных (DWH): основы BigData. Доступно по: https://www.bigdataschool.ru/ (дата обращения 20.05.2021)

2. Сарка Д. Microsoft SQL Server 2012. Реализация хранилищ данных. 2014.

3. Жуковский О.И. Хранилища данных. 2015.

4. Озеро данных. Доступно по: https://habr.com/ru/post/485180/ (дата обращения 20.05.2021)

5. Что такое озера данных и почему в них дешевле хранить bigdata. Доступно по: https://mcs.mail.ru/blog/chto-takoe-ozera-dannyh-i-zachem-tam-hranyat-big-data (дата об-ращения 20.05.2021)

6. Mitchell T. Machine learning. McGraw-Hill Science/Engineering. 1997.

7. Талачаев И. Е. Применение машинного обучения в задаче классификации с использованием языка Python. Военный инновационный технополис «ЭРА». 2019.

8. Паклин Н. Б. Бизнес-аналитика: от данных к знаниям. 2013.

9. Ноткин Л.И. Искусственный интеллект и проблемы обучения. 1999.

10. 10. Margaret A. Boden. Creativity and artificial intelligence. Elsevier. Artificial intelligence 1998;103:347-356

11. Шалютин С.М. Искусственный интеллект. 1985.

12. Magic Quadrant for Data Management Solutions for Analytics. Доступно по: https://b2bsalescafe.files.wordpress.com/2017/07/magic-quadrant-for-data-management-solutions-for-analytics-feb-2017.pdf (дата обращения 20.05.2021)