ബിഗ് ഡാറ്റ ബിഗ് ബില്ലിംഗ്: ടെലികോമിലെ ബിഗ്ഡാറ്റയെ കുറിച്ച്

2008-ൽ ബിഗ്ഡാറ്റ ഒരു പുതിയ പദവും ഫാഷനബിൾ ട്രെൻഡും ആയിരുന്നു. 2019-ൽ, ബിഗ്ഡാറ്റ വിൽപ്പനയ്ക്കുള്ള ഒരു വസ്തുവാണ്, ലാഭത്തിന്റെ ഉറവിടവും പുതിയ ബില്ലുകൾക്കുള്ള കാരണവുമാണ്.

കഴിഞ്ഞ വീഴ്ചയിൽ, റഷ്യൻ സർക്കാർ വലിയ ഡാറ്റ നിയന്ത്രിക്കുന്നതിനുള്ള ഒരു ബിൽ ആരംഭിച്ചു. വിവരങ്ങളിൽ നിന്ന് ആളുകളെ തിരിച്ചറിയുന്നത് നിരോധിച്ചിരിക്കുന്നു, എന്നാൽ ഫെഡറൽ അധികാരികളുടെ അഭ്യർത്ഥന പ്രകാരം ഇത് ചെയ്യാൻ അനുവദിച്ചിരിക്കുന്നു. മൂന്നാം കക്ഷികൾക്കായി ബിഗ്ഡാറ്റ പ്രോസസ്സ് ചെയ്യുന്നു - Roskomnadzor-ന്റെ അറിയിപ്പിന് ശേഷം മാത്രം. 100 ആയിരത്തിലധികം നെറ്റ്‌വർക്ക് വിലാസങ്ങളുള്ള കമ്പനികൾ നിയമത്തിന് കീഴിലാണ്. കൂടാതെ, തീർച്ചയായും, രജിസ്ട്രികൾ ഇല്ലാതെ - ഇത് ഡാറ്റാബേസ് ഓപ്പറേറ്റർമാരുടെ ഒരു ലിസ്റ്റ് ഉപയോഗിച്ച് ഒരെണ്ണം സൃഷ്ടിക്കേണ്ടതാണ്. അതിനുമുമ്പ് ബിഗ്ഡാറ്റ എല്ലാവരും ഗൗരവമായി എടുത്തില്ലെങ്കിൽ, ഇപ്പോൾ അത് കണക്കാക്കേണ്ടിവരും.

ഈ BigData പ്രോസസ്സ് ചെയ്യുന്ന ബില്ലിംഗ് ഡെവലപ്‌മെന്റ് കമ്പനിയുടെ ഡയറക്ടർ എന്ന നിലയിൽ എനിക്ക് ഡാറ്റാബേസ് അവഗണിക്കാനാവില്ല. ടെലികോം ഓപ്പറേറ്റർമാരുടെ പ്രിസത്തിലൂടെ ഞാൻ വലിയ ഡാറ്റയെക്കുറിച്ച് ചിന്തിക്കും, അവരുടെ ബില്ലിംഗ് സംവിധാനങ്ങളിലൂടെ ഓരോ ദിവസവും ആയിരക്കണക്കിന് വരിക്കാരെക്കുറിച്ചുള്ള വിവരങ്ങൾ ഒഴുകുന്നു.

സിദ്ധാന്തം

ഒരു ഗണിത പ്രശ്നത്തിലെന്നപോലെ നമുക്ക് ആരംഭിക്കാം: ആദ്യം, ടെലികോം ഓപ്പറേറ്റർമാരുടെ ഡാറ്റയെ ബിഗ്ഡാറ്റ് എന്ന് വിളിക്കാമെന്ന് ഞങ്ങൾ തെളിയിക്കുന്നു. സ്റ്റാൻഡേർഡ് ബിഗ് ഡാറ്റയ്ക്ക് മൂന്ന് വിവിവി സവിശേഷതകൾ ഉണ്ട്, എന്നിരുന്നാലും സ്വതന്ത്ര വ്യാഖ്യാനങ്ങളിൽ "V" യുടെ എണ്ണം ഏഴ് വരെ എത്തിയിരുന്നു.

വ്യാപ്തം. Rostelecom-ന്റെ MVNO മാത്രം ഒരു ദശലക്ഷത്തിലധികം വരിക്കാർക്ക് സേവനം നൽകുന്നു. പ്രധാന ഹോസ്റ്റ് ഓപ്പറേറ്റർമാർ 44 ദശലക്ഷം മുതൽ 78 ദശലക്ഷം ആളുകൾ വരെയുള്ള ഡാറ്റ പ്രോസസ്സ് ചെയ്യുന്നു. ഓരോ സെക്കൻഡിലും ട്രാഫിക് വർദ്ധിക്കുന്നു: 2019-ന്റെ ആദ്യ പാദത്തിൽ, വരിക്കാർ ഇതിനകം 3,3 ബില്യൺ GB മൊബൈൽ ഫോണുകളിൽ നിന്ന് സർഫ് ചെയ്തു.

പ്രവേഗം. സ്ഥിതിവിവരക്കണക്കുകളേക്കാൾ മികച്ച ആരും ചലനാത്മകതയെക്കുറിച്ച് പറയില്ല, അതിനാൽ ഞാൻ സിസ്‌കോയുടെ പ്രവചനങ്ങളിലൂടെ കടന്നുപോകും. 2021 ഓടെ, IP ട്രാഫിക്കിന്റെ 20% മൊബൈൽ ട്രാഫിക്കിലേക്ക് പോകും - ഇത് അഞ്ച് വർഷത്തിനുള്ളിൽ ഏകദേശം മൂന്നിരട്ടിയാകും. മൊബൈൽ കണക്ഷനുകളുടെ മൂന്നിലൊന്ന് M2M-ൽ ആയിരിക്കും - IoT യുടെ വികസനം കണക്ഷനുകളിൽ ആറിരട്ടി വർദ്ധനവിന് കാരണമാകും. ഇൻറർനെറ്റ് ഓഫ് തിംഗ്സ് ലാഭകരം മാത്രമല്ല, റിസോഴ്സ്-ഇന്റൻസീവ് ആകും, അതിനാൽ ചില ഓപ്പറേറ്റർമാർ അതിൽ മാത്രം ശ്രദ്ധ കേന്ദ്രീകരിക്കും. കൂടാതെ IoT ഒരു പ്രത്യേക സേവനമായി വികസിപ്പിക്കുന്നവർക്ക് ഇരട്ടി ട്രാഫിക് ലഭിക്കും.

വെറൈറ്റി. വൈവിധ്യം എന്നത് ഒരു ആത്മനിഷ്ഠമായ ആശയമാണ്, എന്നാൽ ടെലികോം ഓപ്പറേറ്റർമാർക്ക് അവരുടെ വരിക്കാരെ കുറിച്ച് മിക്കവാറും എല്ലാം അറിയാം. പേര്, പാസ്‌പോർട്ട് വിശദാംശങ്ങൾ മുതൽ ഫോൺ മോഡൽ, വാങ്ങലുകൾ, സന്ദർശിച്ച സ്ഥലങ്ങൾ, താൽപ്പര്യങ്ങൾ എന്നിവ വരെ. യാരോവയ നിയമം അനുസരിച്ച്, മീഡിയ ഫയലുകൾ ആറ് മാസത്തേക്ക് സൂക്ഷിക്കുന്നു. അതിനാൽ ശേഖരിച്ച ഡാറ്റ വൈവിധ്യമാർന്നതാണെന്ന് നമുക്ക് ഒരു സിദ്ധാന്തമായി എടുക്കാം.

സോഫ്റ്റ്വെയറും രീതിശാസ്ത്രവും

ബിഗ്ഡാറ്റയുടെ പ്രധാന ഉപഭോക്താക്കളിൽ ഒരാളാണ് ദാതാക്കൾ, അതിനാൽ മിക്ക വലിയ ഡാറ്റാ വിശകലന രീതികളും ടെലികോം വ്യവസായത്തിന് ബാധകമാണ്. എംഎൽ, എഐ, ഡീപ് ലേണിംഗ്, ഡാറ്റാ സെന്ററുകളിൽ നിക്ഷേപം, ഡാറ്റ മൈനിംഗ് എന്നിവയിൽ നിക്ഷേപിക്കാൻ ആരാണ് തയ്യാറെന്നത് മറ്റൊരു ചോദ്യം. ഡാറ്റാബേസുമായുള്ള സമ്പൂർണ്ണ പ്രവർത്തനത്തിൽ ഇൻഫ്രാസ്ട്രക്ചറും ഒരു ടീമും അടങ്ങിയിരിക്കുന്നു, അതിന്റെ ചിലവ് എല്ലാവർക്കും താങ്ങാൻ കഴിയില്ല. ഇതിനകം കോർപ്പറേറ്റ് സ്റ്റോറേജുള്ള അല്ലെങ്കിൽ ഡാറ്റാ ഗവേണൻസ് മെത്തഡോളജി വികസിപ്പിക്കുന്ന സംരംഭങ്ങൾക്ക് ബിഗ്ഡാറ്റയിൽ വാതുവെപ്പ് നടത്തുന്നത് മൂല്യവത്താണ്. ദീർഘകാല നിക്ഷേപങ്ങൾക്ക് ഇതുവരെ തയ്യാറാകാത്തവർക്ക്, സോഫ്റ്റ്വെയർ ആർക്കിടെക്ചർ ക്രമേണ നിർമ്മിക്കാനും ഘടകങ്ങൾ ഓരോന്നായി ഇൻസ്റ്റാൾ ചെയ്യാനും ഞാൻ നിങ്ങളെ ഉപദേശിക്കുന്നു. ഹെവി മൊഡ്യൂളുകളും ഹഡൂപ്പും അവസാനമായി ഉപേക്ഷിക്കാം. ഡാറ്റ ക്വാളിറ്റി, ഡാറ്റ മൈനിംഗ് തുടങ്ങിയ ജോലികൾക്കായി കുറച്ച് ആളുകൾ റെഡിമെയ്ഡ് സൊല്യൂഷൻ വാങ്ങുന്നു, കൂടുതലും കമ്പനികൾ അവരുടെ പ്രത്യേകതകൾക്കും ആവശ്യങ്ങൾക്കും അനുയോജ്യമായ രീതിയിൽ സിസ്റ്റം ഇച്ഛാനുസൃതമാക്കുന്നു - സ്വന്തമായി അല്ലെങ്കിൽ ഡെവലപ്പർമാരുടെ സഹായത്തോടെ.

എന്നാൽ ബിഗ്‌ഡാറ്റയ്‌ക്കൊപ്പം പ്രവർത്തിക്കാൻ ഒരു ബില്ലിംഗും പരിഷ്‌ക്കരിക്കാനാവില്ല. മറിച്ച്, എല്ലാവർക്കും പരിഷ്ക്കരിക്കാൻ മാത്രമല്ല. കുറച്ച് ആളുകൾക്ക് അത് ചെയ്യാൻ കഴിയും.

ബില്ലിംഗ് സിസ്റ്റത്തിന് ഒരു ഡാറ്റാബേസ് പ്രോസസ്സിംഗ് ടൂൾ ആകാനുള്ള അവസരമുണ്ടെന്നതിന്റെ മൂന്ന് അടയാളങ്ങൾ:

• തിരശ്ചീന സ്കേലബിളിറ്റി. സോഫ്റ്റ്‌വെയർ വഴക്കമുള്ളതായിരിക്കണം - ഞങ്ങൾ വലിയ ഡാറ്റയെക്കുറിച്ചാണ് സംസാരിക്കുന്നത്. വിവരങ്ങളുടെ അളവിൽ വർദ്ധനവ് ക്ലസ്റ്ററിലെ ഹാർഡ്‌വെയറിൽ ആനുപാതികമായ വർദ്ധനവ് കൊണ്ട് പരിഗണിക്കണം.
• തെറ്റ് സഹിഷ്ണുത. ഗുരുതരമായ പ്രീപെയ്ഡ് സംവിധാനങ്ങൾ സാധാരണയായി ഡിഫോൾട്ടായി തെറ്റ്-സഹിഷ്ണുതയുള്ളവയാണ്: ബില്ലിംഗ് നിരവധി ജിയോലൊക്കേഷനുകളിൽ ഒരു ക്ലസ്റ്ററിൽ വിന്യസിച്ചിരിക്കുന്നതിനാൽ അവ പരസ്പരം സ്വയം ഇൻഷ്വർ ചെയ്യുന്നു. ഒന്നോ അതിലധികമോ പരാജയപ്പെടുകയാണെങ്കിൽ ഹഡൂപ്പ് ക്ലസ്റ്ററിൽ ആവശ്യത്തിന് കമ്പ്യൂട്ടറുകളും ഉണ്ടായിരിക്കണം.
• പ്രദേശം. ഒരേ സെർവറിൽ ഡാറ്റ സംഭരിക്കുകയും പ്രോസസ്സ് ചെയ്യുകയും വേണം, അല്ലാത്തപക്ഷം നിങ്ങൾക്ക് ഡാറ്റാ കൈമാറ്റത്തിൽ തകരാറിലാകാം. ജനപ്രിയമായ മാപ്പ്-റിഡ്യൂസ് അപ്രോച്ച് സ്കീമുകളിലൊന്ന്: HDFS സ്റ്റോറുകൾ, സ്പാർക്ക് പ്രോസസ്സുകൾ. എബൌട്ട്, സോഫ്റ്റ്വെയർ ഡാറ്റാ സെന്റർ ഇൻഫ്രാസ്ട്രക്ചറിലേക്ക് പരിധികളില്ലാതെ സംയോജിപ്പിക്കുകയും ഒന്നിൽ മൂന്ന് കാര്യങ്ങൾ ചെയ്യാൻ കഴിയുകയും വേണം: വിവരങ്ങൾ ശേഖരിക്കുക, സംഘടിപ്പിക്കുക, വിശകലനം ചെയ്യുക.

ടീം

എന്ത്, എങ്ങനെ, എന്ത് ഉദ്ദേശ്യത്തിനായി പ്രോഗ്രാം വലിയ ഡാറ്റ പ്രോസസ്സ് ചെയ്യണമെന്ന് ടീം തീരുമാനിക്കുന്നു. പലപ്പോഴും ഇത് ഒരു വ്യക്തിയെ ഉൾക്കൊള്ളുന്നു - ഒരു ഡാറ്റ ശാസ്ത്രജ്ഞൻ. എന്നിരുന്നാലും, എന്റെ അഭിപ്രായത്തിൽ, ബിഗ്‌ഡാറ്റയ്‌ക്കുള്ള ജീവനക്കാരുടെ ഏറ്റവും കുറഞ്ഞ പാക്കേജിൽ ഒരു പ്രൊഡക്‌റ്റ് മാനേജർ, ഒരു ഡാറ്റാ എഞ്ചിനീയർ, മാനേജർ എന്നിവരും ഉൾപ്പെടുന്നു. ആദ്യത്തേത് സേവനങ്ങൾ മനസ്സിലാക്കുന്നു, സാങ്കേതിക ഭാഷയെ മനുഷ്യനിലേക്കും തിരിച്ചും വിവർത്തനം ചെയ്യുന്നു. ഡാറ്റാ എഞ്ചിനീയർ Java/Scala ഉപയോഗിച്ച് മോഡലുകൾ ജീവസുറ്റതാക്കുന്നു, കൂടാതെ മെഷീൻ ലേണിംഗിലെ പരീക്ഷണങ്ങളും. നേതാവ് ഏകോപിപ്പിക്കുന്നു, ലക്ഷ്യങ്ങൾ സജ്ജമാക്കുന്നു, ഘട്ടങ്ങൾ നിയന്ത്രിക്കുന്നു.

പ്രശ്നങ്ങൾ

ബിഗ്ഡാറ്റ ടീമിന്റെ ഭാഗത്താണ് സാധാരണയായി ഡാറ്റ ശേഖരിക്കുമ്പോഴും പ്രോസസ്സ് ചെയ്യുമ്പോഴും പ്രശ്നങ്ങൾ ഉണ്ടാകുന്നത്. എന്താണ് ശേഖരിക്കേണ്ടതെന്നും എങ്ങനെ പ്രോസസ്സ് ചെയ്യണമെന്നും പ്രോഗ്രാം വിശദീകരിക്കേണ്ടതുണ്ട് - ഇത് വിശദീകരിക്കുന്നതിന്, നിങ്ങൾ ആദ്യം അത് സ്വയം മനസ്സിലാക്കണം. എന്നാൽ ദാതാക്കൾ അത്ര ലളിതമല്ല. സബ്‌സ്‌ക്രൈബർമാരുടെ ഒഴുക്ക് കുറയ്ക്കുന്നതിനുള്ള ടാസ്‌ക്കിന്റെ ഉദാഹരണം ഉപയോഗിച്ച് ഞാൻ പ്രശ്‌നങ്ങളെക്കുറിച്ചാണ് സംസാരിക്കുന്നത് - ടെലികോം ഓപ്പറേറ്റർമാർ ബിഗ്‌ഡാറ്റയുടെ സഹായത്തോടെ ആദ്യം പരിഹരിക്കാൻ ശ്രമിക്കുന്നത് ഈ ടാസ്‌ക്കാണ്.

ലക്ഷ്യങ്ങൾ നിശ്ചയിക്കുന്നു. സമർത്ഥമായി രചിച്ച TOR ഉം നിബന്ധനകളെക്കുറിച്ചുള്ള വ്യത്യസ്തമായ ധാരണയും ഫ്രീലാൻസർമാർക്ക് മാത്രമല്ല നൂറ്റാണ്ടുകൾ പഴക്കമുള്ള വേദനയാണ്. "നഷ്ടപ്പെട്ട" വരിക്കാരെപ്പോലും വ്യത്യസ്ത രീതികളിൽ വ്യാഖ്യാനിക്കാം - ഒരു മാസത്തേക്കോ ആറുമാസത്തേക്കോ ഒരു വർഷത്തേക്കോ ഓപ്പറേറ്ററുടെ സേവനങ്ങൾ ഉപയോഗിക്കുന്നില്ല. ചരിത്രപരമായ ഡാറ്റയെ അടിസ്ഥാനമാക്കി ഒരു എംവിപി സൃഷ്ടിക്കുന്നതിന്, പുറത്തേക്കുള്ള ഒഴുക്കിൽ നിന്ന് വരിക്കാരുടെ മടങ്ങിവരവിന്റെ ആവൃത്തി നിങ്ങൾ മനസ്സിലാക്കേണ്ടതുണ്ട് - മറ്റ് ഓപ്പറേറ്റർമാരുടെ കണക്ഷൻ പരീക്ഷിച്ചവർ അല്ലെങ്കിൽ നഗരം വിട്ട് മറ്റൊരു നമ്പർ ഉപയോഗിച്ചവർ. മറ്റൊരു പ്രധാന ചോദ്യം: വരിക്കാരൻ പ്രതീക്ഷിക്കുന്ന പുറപ്പെടലിന് എത്ര സമയം മുമ്പ് ദാതാവ് ഇത് നിർണ്ണയിക്കുകയും നടപടിയെടുക്കുകയും വേണം? അര വർഷം വളരെ നേരത്തെയാണ്, ഒരാഴ്ച വളരെ വൈകി.

ആശയങ്ങളുടെ പകരം വയ്ക്കൽ. സാധാരണയായി, ഓപ്പറേറ്റർമാർ ഒരു ക്ലയന്റിനെ ഫോൺ നമ്പർ വഴി തിരിച്ചറിയുന്നു, അതിനാൽ അടയാളങ്ങൾ അപ്‌ലോഡ് ചെയ്യേണ്ടത് യുക്തിസഹമാണ്. ഒരു സ്വകാര്യ അക്കൗണ്ട് അല്ലെങ്കിൽ സേവന ആപ്ലിക്കേഷൻ നമ്പറിനെക്കുറിച്ച്? ഓപ്പറേറ്ററുടെ സിസ്റ്റത്തിലെ ഡാറ്റ വ്യത്യാസപ്പെടാതിരിക്കാൻ ഏത് യൂണിറ്റാണ് ക്ലയന്റ് ആയി എടുക്കേണ്ടതെന്ന് തീരുമാനിക്കേണ്ടത് ആവശ്യമാണ്. ഒരു ക്ലയന്റിന്റെ മൂല്യം കണക്കാക്കുന്നതും ചോദ്യം ചെയ്യപ്പെടുന്നു - ഏത് സബ്‌സ്‌ക്രൈബർ ആണ് കമ്പനിക്ക് കൂടുതൽ മൂല്യമുള്ളത്, ഏത് ഉപയോക്താവിന് നിലനിർത്താൻ കൂടുതൽ പരിശ്രമം ആവശ്യമാണ്, ഏത് സാഹചര്യത്തിലും "വീഴിപ്പോകും", അവയിൽ വിഭവങ്ങൾ ചെലവഴിക്കുന്നതിൽ അർത്ഥമില്ല.

വിവരമില്ലായ്മ. സബ്‌സ്‌ക്രൈബർമാരുടെ ഒഴുക്കിനെ കൃത്യമായി ബാധിക്കുന്നതെന്താണെന്നും ബില്ലിംഗിൽ സാധ്യമായ ഘടകങ്ങൾ എങ്ങനെ പരിഗണിക്കുന്നുവെന്നും ബിഗ്‌ഡാറ്റ ടീമിന് വിശദീകരിക്കാൻ എല്ലാ ദാതാവ് ജീവനക്കാർക്കും കഴിയില്ല. അവയിലൊന്ന് - ARPU - എന്ന് പേരിട്ടിട്ടുണ്ടെങ്കിൽപ്പോലും, ഇത് വ്യത്യസ്ത രീതികളിൽ കണക്കാക്കാൻ കഴിയുമെന്ന് മാറുന്നു: ഒന്നുകിൽ ആനുകാലിക ഉപഭോക്തൃ പേയ്‌മെന്റുകൾ വഴിയോ അല്ലെങ്കിൽ യാന്ത്രിക ബില്ലിംഗ് ചാർജുകൾ വഴിയോ. ഈ പ്രക്രിയയിൽ, മറ്റ് ഒരു ദശലക്ഷം ചോദ്യങ്ങൾ ഉയർന്നുവരുന്നു. മോഡൽ എല്ലാ ഉപഭോക്താക്കളെയും ഉൾക്കൊള്ളുന്നുണ്ടോ, ഒരു ഉപഭോക്താവിനെ നിലനിർത്തുന്നതിനുള്ള ചെലവ് എന്താണ്, ഇതര മോഡലുകളിലൂടെ ചിന്തിക്കുന്നതിൽ അർത്ഥമുണ്ടോ, തെറ്റായി കൃത്രിമമായി നിലനിർത്തിയ ഉപഭോക്താക്കളെ എന്തുചെയ്യണം.

ലക്ഷ്യം ക്രമീകരണം. ഡാറ്റാബേസിൽ ഓപ്പറേറ്റർമാരെ നിരാശരാക്കുന്ന മൂന്ന് തരത്തിലുള്ള ഫലവുമായി ബന്ധപ്പെട്ട പിശകുകൾ എനിക്കറിയാം.

1. ദാതാവ് ബിഗ്‌ഡാറ്റയിൽ നിക്ഷേപിക്കുന്നു, ജിഗാബൈറ്റ് വിവരങ്ങൾ പ്രോസസ്സ് ചെയ്യുന്നു, പക്ഷേ വിലകുറഞ്ഞതായിരിക്കും ഫലം ലഭിക്കുന്നത്. ലളിതമായ സ്കീമുകളും മോഡലുകളും, പ്രാകൃത അനലിറ്റിക്സ് ഉപയോഗിക്കുന്നു. ചെലവ് പലമടങ്ങ് കൂടുതലാണ്, പക്ഷേ ഫലം ഒന്നുതന്നെയാണ്.
2. ഔട്ട്പുട്ടിൽ ഓപ്പറേറ്റർ ബഹുമുഖ ഡാറ്റ സ്വീകരിക്കുന്നു, പക്ഷേ അവ എങ്ങനെ ഉപയോഗിക്കണമെന്ന് മനസ്സിലാകുന്നില്ല. അനലിറ്റിക്‌സ് ഉണ്ട് - ഇവിടെ അത് മനസ്സിലാക്കാവുന്നതും വലുതുമാണ്, പക്ഷേ അതിൽ നിന്ന് പൂജ്യം അർത്ഥമില്ല. അന്തിമഫലം ചിന്തിച്ചിട്ടില്ല, അത് "ഡാറ്റ പ്രോസസ്സ് ചെയ്യുക" എന്ന ലക്ഷ്യം ഉൾക്കൊള്ളാൻ കഴിയില്ല. പ്രോസസ്സിംഗ് പര്യാപ്തമല്ല - ബിസിനസ്സ് പ്രക്രിയകൾ അപ്ഡേറ്റ് ചെയ്യുന്നതിനുള്ള അടിസ്ഥാനം അനലിറ്റിക്സ് ആയിരിക്കണം.
3. ബിഗ്‌ഡാറ്റ അനലിറ്റിക്‌സിന്റെ ഉപയോഗത്തിന് തടസ്സമാകുന്നത് കാലഹരണപ്പെട്ട ബിസിനസ്സ് പ്രക്രിയകളും പുതിയ ആവശ്യങ്ങൾക്ക് അനുയോജ്യമല്ലാത്ത സോഫ്റ്റ്‌വെയറുമാണ്. തയ്യാറെടുപ്പ് ഘട്ടത്തിൽ അവർ തെറ്റിദ്ധരിച്ചു എന്നാണ് ഇതിനർത്ഥം - പ്രവർത്തനങ്ങളുടെ അൽഗോരിതത്തെക്കുറിച്ചും ബിഗ്ഡാറ്റ പ്രവർത്തനത്തിലേക്ക് അവതരിപ്പിക്കുന്നതിന്റെ ഘട്ടങ്ങളെക്കുറിച്ചും അവർ ചിന്തിച്ചില്ല.

എന്തുകൊണ്ട്?

ഫലങ്ങളെക്കുറിച്ച് സംസാരിക്കുന്നു. ടെലികോം ഓപ്പറേറ്റർമാർ ഇതിനകം ഉപയോഗിക്കുന്ന BigData ഉപയോഗിക്കുന്നതിനും ധനസമ്പാദനം നടത്തുന്നതിനുമുള്ള വഴികൾ ഞാൻ പരിശോധിക്കും.
ദാതാക്കൾ വരിക്കാരുടെ ഒഴുക്ക് മാത്രമല്ല, അടിസ്ഥാന സ്റ്റേഷനുകളിലെ ലോഡും പ്രവചിക്കുന്നു.

1. വരിക്കാരുടെ ചലനം, പ്രവർത്തനം, ഫ്രീക്വൻസി സേവനങ്ങൾ എന്നിവയെക്കുറിച്ചുള്ള വിവരങ്ങൾ വിശകലനം ചെയ്യുന്നു. ഫലം: ഇൻഫ്രാസ്ട്രക്ചറിന്റെ പ്രശ്ന മേഖലകളുടെ ഒപ്റ്റിമൈസേഷനും നവീകരണവും കാരണം ഓവർലോഡുകളുടെ എണ്ണത്തിൽ കുറവ്.
2. വിൽപ്പന പോയിന്റുകൾ തുറക്കുമ്പോൾ വരിക്കാരുടെ ജിയോലൊക്കേഷനും ട്രാഫിക് സാന്ദ്രതയും സംബന്ധിച്ച വിവരങ്ങൾ ടെലികോം ഓപ്പറേറ്റർമാർ ഉപയോഗിക്കുന്നു. അതിനാൽ, പുതിയ ഓഫീസുകളുടെ സ്ഥാനം ആസൂത്രണം ചെയ്യാൻ എംടിഎസും വിംപെൽകോമും ബിഗ്ഡാറ്റ അനലിറ്റിക്‌സ് ഇതിനകം തന്നെ ഉപയോഗിക്കുന്നു.
3. ദാതാക്കൾ അവരുടെ വലിയ ഡാറ്റ മൂന്നാം കക്ഷി സ്ഥാപനങ്ങൾക്ക് വാഗ്ദാനം ചെയ്തുകൊണ്ട് ധനസമ്പാദനം നടത്തുന്നു. ബിഗ്ഡാറ്റ ഓപ്പറേറ്റർമാരുടെ പ്രധാന ഉപഭോക്താക്കൾ വാണിജ്യ ബാങ്കുകളാണ്. ഡാറ്റാബേസിന്റെ സഹായത്തോടെ, കാർഡുകൾ ലിങ്ക് ചെയ്‌തിരിക്കുന്ന വരിക്കാരന്റെ സിം കാർഡിന്റെ സംശയാസ്പദമായ പ്രവർത്തനങ്ങൾ അവർ ട്രാക്ക് ചെയ്യുന്നു, റിസ്ക് സ്‌കോറിംഗ്, വെരിഫിക്കേഷൻ, മോണിറ്ററിംഗ് സേവനങ്ങൾ ഉപയോഗിക്കുന്നു. 2017-ൽ മോസ്കോ ഗവൺമെന്റ് സാങ്കേതിക, ഗതാഗത അടിസ്ഥാന സൗകര്യങ്ങൾ ആസൂത്രണം ചെയ്യുന്നതിനായി Tele2-ൽ നിന്നുള്ള BigData ഡാറ്റ അനുസരിച്ച് ചലനത്തിന്റെ ചലനാത്മകത അഭ്യർത്ഥിച്ചു.
4. ബിഗ്‌ഡാറ്റ അനലിറ്റിക്‌സ് എന്നത് വിപണനക്കാർക്കുള്ള ഒരു സുവർണ്ണ ഖനിയാണ്, അവർക്ക് താൽപ്പര്യമുണ്ടെങ്കിൽ ആയിരക്കണക്കിന് സബ്‌സ്‌ക്രൈബർ ഗ്രൂപ്പുകൾക്കായി വ്യക്തിഗതമാക്കിയ പരസ്യ കാമ്പെയ്‌നുകൾ സൃഷ്ടിക്കാൻ കഴിയും. ടെലികോം കമ്പനികൾ സോഷ്യൽ പ്രൊഫൈലുകൾ, ഉപഭോക്തൃ താൽപ്പര്യങ്ങൾ, വരിക്കാരുടെ പെരുമാറ്റ രീതികൾ എന്നിവ കൂട്ടിച്ചേർക്കുന്നു, തുടർന്ന് പുതിയ ഉപഭോക്താക്കളെ ആകർഷിക്കാൻ ശേഖരിച്ച ബിഗ്ഡാറ്റ ഉപയോഗിക്കുന്നു. എന്നാൽ പ്രമോഷന്റെയും പിആറിന്റെയും വലിയ തോതിലുള്ള ആസൂത്രണത്തിന്, ബില്ലിംഗിന് എല്ലായ്പ്പോഴും മതിയായ പ്രവർത്തനക്ഷമതയില്ല: ഉപഭോക്താക്കളെക്കുറിച്ചുള്ള വിശദമായ വിവരങ്ങളുമായി സമാന്തരമായി പ്രോഗ്രാം ഒരേസമയം നിരവധി ഘടകങ്ങൾ കണക്കിലെടുക്കണം.

ആരെങ്കിലും ഇപ്പോഴും ബിഗ്ഡാറ്റയെ ഒരു ശൂന്യമായ വാക്യമായി കണക്കാക്കുമ്പോൾ, ബിഗ് ഫോർ ഇതിനകം തന്നെ അതിൽ പണം സമ്പാദിക്കുന്നു. ആറ് മാസത്തിനുള്ളിൽ വലിയ ഡാറ്റ പ്രോസസ്സ് ചെയ്യുന്നതിലൂടെ MTS 14 ബില്യൺ റുബിളുകൾ സമ്പാദിക്കുന്നു, കൂടാതെ ടെലി 2 പ്രോജക്റ്റുകളിൽ നിന്നുള്ള വരുമാനം മൂന്നര മടങ്ങ് വർദ്ധിപ്പിച്ചു. ബിഗ്ഡാറ്റ ഒരു ട്രെൻഡിൽ നിന്ന് നിർബന്ധമായും ഉണ്ടായിരിക്കേണ്ട ഒന്നായി മാറുകയാണ്, ടെലികോം ഓപ്പറേറ്റർമാരുടെ മുഴുവൻ ഘടനയും പുനർനിർമ്മിക്കപ്പെടും.

അവലംബം: www.habr.com