운영 분석 처리

Operational analytical processing

운영 분석 처리(operating analytics)는 일반적으로 운영 분석으로 알려져 있으며, 비즈니스 또는 기업의 운영 특성을 개선하는 데 초점을 맞춘 데이터 분석의 하위 집합입니다.

운영 분석을 다른 유형의 분석과 구별하는 주요 특징은 즉,[1] 비즈니스의 여러 부분에서 발생하는 신호가 실시간으로 처리되어 비즈니스의 즉각적인 의사결정에 피드백된다는 것입니다.이를 '연속 분석'이라고 부르기도 합니다.이것은 비즈니스의 한 부분에서 다른 부분으로 이어지는 디지털 피드백 루프를 강조하기 위한 또 다른 방법입니다.

개요

많은 비즈니스의 급속한 디지털 전환은 점점 더 많은 비즈니스 신호가 디지털 형식으로 기록되고 저장되고 있음을 의미합니다.기업은 이러한 신호를 사용하여 효율성을 향상시키고 성능을 향상시키며 사용자와 고객에게 더 나은 환경을 제공하고 있습니다.Forrester[2] 보고서에는 디지털화가 데이터를 활용하여 고객의 경험에 어떤 영향을 미치는지 자세히 나와 있습니다.운영 분석을 통해 다양한 소스로부터 다양한 유형의 정보를 처리한 후 다음에 수행할 작업, 누구와 대화할 것인지, 즉각적인 계획을 수립할 것인지 결정할 수 있습니다.Gartner는 이를 연구 보고서에서 지속적인 인텔리전스라고[3] 정의하고 이를 비즈니스 운영 내에 실시간 분석이 통합되어 현재 및 과거 데이터를 처리하여 이벤트에 대한 대응 조치를 규정하는 설계 패턴으로 설명합니다.Andreessen[4][5] Horowitz는 이것을... 점점 더 많은 의사결정이 자동화되고 있다고 설명합니다.아마존은 하루 종일 제품 가격을 계속 갱신하고 있습니다.이러한 분석 방식은 거의 모든 산업 분야에서 디지털화 추세에 따라 인기를 끌고 있습니다. 운영 의사 결정에 필요한 데이터를 제공하는 것이 디지털화이기 때문입니다.

운영 분석의 몇 가지 예는 다음과 같습니다.제품 로그에서 사용자가 좋아하는 제품의 기능, 속도가 느려지는 기능, 사용자가 싫어하는 기능을 확인하는 제품 관리자입니다.제품 관리자는 제품의 사용자 기반에서 사용 패턴을 기록하는 데이터를 조회하여 이러한 모든 답변을 수집할 수 있습니다. 또한 해당 정보를 즉시 피드백하여 제품을 개선할 수 있습니다.마찬가지로, 사전 디지털화된 세계에서의 마케팅 분석의 경우, 마케팅 관리자는 몇 개의 포커스 그룹을 구성하고, 자신의 창의성을 바탕으로 몇 가지 실험을 시도한 후 이를 구현합니다.실험 결과에 따라 다음에 무엇을 할지 결정합니다.실험은 몇 주 또는 몇 달이 걸릴 수 있다.디지털화된 세계에는 데이터 시스템 사용에 정통한 "마케팅 엔지니어"가 있습니다.이러한 마케팅 엔지니어는 데이터 기반 소프트웨어 시스템을 사용하여 한 번에 여러 실험을 실행하고, 데이터 형식의 실험 결과를 수집하고, 비효율적인 실험을 종료하고, 효과가 있는 실험을 육성할 수 있습니다.더 많은 실험을 실행할 수 있고 결과 반환 시간이 더 빠를수록 제품 마케팅에서 더 효과적입니다.

MIT Technology Review[6] 기사에서는 승차 공유 애플리케이션이 교통량 및 주행 시간 실시간 모니터링을 위해 알고리즘을 사용하여 승차 소싱 수요와 공급의 균형을 맞추고 그에 따라 요금을 신속하게 조정하는 방법에 대해 설명합니다.운영 분석의 사용은 정보기술 분야에만 국한되지 않습니다.비즈니스 인텔리전스, 재무, 과학, 날씨, 그리고 심지어 최신 사건의 데이터가 결합되어 함께 분석되어 가치 있는 통찰력을 얻을 수 있으며, 이는 생각할 수 있는 거의 모든 용도에 대한 신속한 의사결정을 촉진합니다.스쿠버와 같은[7] 메트릭 수집 시스템은 실시간 데이터에 대해 1초 이내에 실행되는 대화형 애드혹 분석 쿼리에 광범위하게 사용되기 때문에 운영 분석 시스템입니다.

운영 분석 처리 엔진의 정의

OPAP(Operational Analytics Processing Engine)의 정의는 다음 6가지 제안의 형태로 표현될 수 있습니다.

  1. 복잡한 쿼리:내부 및 외부 결합, 집약, 정렬, 관련성 등의 쿼리 지원
  2. 낮은 데이터 레이텐시:데이터 레코드에 대한 업데이트는 몇 초 이내에 쿼리 결과에 표시됩니다.
  3. 쿼리 지연 시간 감소:단순 검색 쿼리는 몇 밀리초 이내에 반환됩니다.
  4. 대량의 쿼리: 초당 최소 수백 개의 동시 쿼리를 처리할 수 있습니다.
  5. 데이터 소스와의 라이브 동기화: 외부 스크립트를 작성할 필요 없이 다양한 외부 소스와의 동기화를 유지할 수 있습니다.이는 외부 데이터베이스의 변경 데이터 캡처 또는 스트리밍 데이터 소스를 추적하여 수행할 수 있습니다.
  6. 혼합 유형:동일한 열에 서로 다른 유형의 값을 사용할 수 있습니다.이것은, 기입시에 조작할 필요 없이, 새로운 데이터를 수집할 수 있도록 하기 위해서 필요합니다.

시스템 요건

Operational Analytics는 OLAP(온라인 분석 처리)를 특징짓는 광범위한 프로세스 집합의 하위 집합입니다.따라서 OLAP 시스템은 일반적으로 처리해야 하는 대규모 데이터 크기와 복잡한 쿼리를 상속합니다.그러나 운영 분석을 고유하게 식별하는 특성은 가장 최근의 신호를 기반으로 한 신속한 예측에 대한 요구 사항입니다.즉, 데이터 지연 시간과 쿼리 지연 시간이 매우 작습니다.예를 들어 실시간 비즈니스 프로세스에 적용되는 운영 분석은 데이터 지연 시간을 0으로 지정합니다.즉, 쿼리가 빠르고 대화형 속도로 완료되어야 합니다.이러한 결정은 마이크로 레벨에서 이루어지며 개별 엔티티에 대해 매우 개인화되기[9] 때문에 운영 분석 처리는 이러한 시스템을 사용하여 개인화된 권장 사항을 얼마나 쉽게 제공할 수 있는지를 특징으로 합니다.

레퍼런스

  1. ^ "What is Operational Analytics? - Definition from Techopedia". Techopedia.com. Retrieved 2019-08-11.
  2. ^ Forrester (Feb 26, 2018). "Digital Rewrites the Rules of Business" (PDF). Lantelligence.
  3. ^ "Gartner Identifies Top 10 Data and Analytics Technology Trends for 2019". Gartner. Retrieved 2019-08-11.
  4. ^ Naous, Jad (2019-05-16). "Everyone is an Analyst: Opportunities in Operational Analytics". Andreessen Horowitz. Retrieved 2019-08-11.
  5. ^ Naous, Jad; Chen, Frank (2019-04-13). "Re-tooling How Organizations Make Decisions". Andreessen Horowitz. Retrieved 2019-08-11.
  6. ^ "Data Analytics and Machine Learning: Driving Speed to Insight". MIT Technology Review. Retrieved 2019-08-11.
  7. ^ "Scuba: Diving into Data at Facebook". Facebook Research. Retrieved 2019-08-11.
  8. ^ "Operational Analytics: What every software engineer should know about low-latency queries on large data sets". rockset.com. Retrieved 2019-11-03.
  9. ^ "Personalization", Wikipedia, 2019-08-07, retrieved 2019-08-11