雖然實時分析和大數據都是趨勢，但它們的組合實時大數據分析似乎應該是一個非常有前途的舉措，應該是許多企業所渴望的。讓我們看看這是否真的如此。
您會發現本文提供了豐富的實時客戶大數據分析示例。我們這樣做是為了方便和一致性。盡管有更多領域可以應用實時數據分析。
如果您因為認為實時不可能有兩種定義而打算跳過本節，請不要感到驚訝——確實有。事實上，實時的定義非常模糊，它因公司而異，或者更準確地說，因業務任務而異。
我們的大數據咨詢團隊提出了以下定義：
實時大數據分析意味著大數據在到達時進行處理，并且業務用戶在不超過分配給決策制定的時間段的情況下獲得有用的見解，或者分析系統觸發操作或通知。
由于實時經常與瞬時混淆，讓我們澄清數據輸入和響應的時間范圍。就數據輸入而言，實時處理引擎可以設計為推送或拉取數據。最普遍的例子是具有不斷流動的大量數據（也稱為流）的推送選項。然而，實時處理引擎并不總是能夠攝取流數據。或者，它可以設計為通過詢問是否有新數據到達來提取數據。此類查詢之間的時間取決于業務需求，可能從幾毫秒到幾小時不等。
相應地，響應時間也不同。例如，自動駕駛汽車需要非常快的響應時間——只有幾毫秒。如果我們處理安裝在風力渦輪機上的傳感器，并且它們傳達緩慢增長的齒輪箱油溫，該溫度仍低于臨界水平但高于正常水平，我們需要一分鐘的響應時間來改變葉片槳距，從而卸載渦輪機并防止機器故障甚至火災。但是，銀行的分析系統需要幾分鐘時間來評估申請人的信譽；零售商的動態定價可能需要長達一個小時才能更新。盡管如此，所有這些例子都被認為是實時的。
盡管一般組織重視實時管理數據，但并非所有公司都采用實時大數據分析。原因可能有所不同：缺乏專業知識或資金不足、擔心相關挑戰或整體管理團隊的不情愿。但是，那些實施實時分析的公司可以獲得競爭優勢。
假設您是一家時裝零售商，希望通過提供一流的客戶服務來利用這一優勢。實時分析大數據有助于將這一偉大舉措付諸實踐。例如，一旦客戶經過零售商的商店，他們就會在智能手機上收到推送通知，以激勵他們進入。通常，它是基于客戶的購買或什至在網站上的瀏覽歷史的個性化促銷優惠。一旦顧客進入商店，員工就會在他們的移動應用程序中收到通知。這讓他們了解客戶的最新購買情況、整體風格偏好、對促銷的興趣、典型消費等。這對客戶和零售商來說似乎是雙贏的局面，不是嗎？
電子商務零售商還可以通過實時分析大數據來獲得更好的績效。例如，他們可以減少廢棄手推車的數量。假設客戶已經走了那么遠，但出于某種原因，他們決定不完成購買。盡管如此，仍有很好的機會激勵他們改變主意。該系統正在轉向客戶的個人資料數據以及購買和瀏覽歷史，以將客戶的行為與來自同一細分市場的其他客戶的行為以及他們在類似情況下對不同行為的反應進行比較。根據分析結果，系統從所有可能的操作中選擇最合適的——例如，提供折扣。
讓我們來看看典型的實時大數據分析解決方案是如何工作的。為了使說明更加生動，我們將附上一個對每個人都具有說明性的示例，因為我們時不時地都扮演著客戶的角色。
想象一家旨在提供個性化客戶體驗的零售商。這條漫長道路上的第一步是識別顧客，一旦他們進入商店。零售商可以通過多種方式實現這一點，例如，通過實施人臉識別。
有了這個唯一的數據源，零售商可以做一個簡單的分析，比如計算商店里目前有多少男性和女性顧客。然而，零售商不會只滿足于一個數據源。即使要知道有多少客戶是第一次來，有多少是常客，也需要另一個數據源，例如CRM。一般上下文也很有幫助，例如，有關商店營業時間的信息。
處理后，實時數據會進入實時儀表板或變成通知或系統操作。我們已經為第一種情況提供了示例，此時零售商可以了解目前商店中有多少顧客。讓我們詳細看看另一個選項。假設一位顧客在移動應用程序中形成了一個購物清單，并在商店里四處走動。根據客戶當前的位置數據（由信標收集并由相同的實時分析處理），該應用程序可以提示沿著銷售區的最佳方式，以便他們可以抓住清單上的所有內容。
讓我們繼續上面提到的例子來解釋機器學習的貢獻.順便說一下，機器學習本身并不是實時發生的。這是一個復雜的過程，系統需要大量的時間來分析海量的數據，這些數據通常涵蓋1年以上的時間，從不同的角度得出有價值的模型和模式。這些模型幫助系統做出實時決策。現在，舉個例子：系統已經分析了客戶檔案和他們所屬的細分市場、他們的行為模型、購買歷史、對營銷活動的反應等，并構建了一個支持個性化推薦的模型。當客戶走在過道上時，系統可以通知他們有關促銷優惠或客戶會感興趣的相關產品。
機器學習的概念還需要模型驗證應用程序，因為它們可以不斷提高模型的準確性。此外，它們通過允許從錯誤或嘈雜的數據中進行基本過濾來提高輸入數據的質量。
現在讓我們將目光轉向數據存儲。它由兩部分組成：數據湖和數據倉庫。前者是存放所有原始數據或經過非常簡單處理的數據的地方。數據倉庫可以通過僅從數據湖中提取、轉換和加載一些數據，將大數據縮小2-10倍。
總之，零售商不能僅靠實時分析生存。您可以看到該方案的其他一些不實時的重要組件。盡管如此，如果零售商想要獲得有價值和深入的洞察力，它們仍然至關重要。例如，我們還沒有提到的數據分析模塊負責通過應用由數據分析師驅動的精心設計的算法和統計模型來運行復雜的分析。事實上，這個過程可能需要幾個小時或更長時間，但結果值得等待。相應地，零售商的分析儀表板將始終不僅包含實時數據，還包含歷史數據。
總結
如果周密計劃并正確實施，實時大數據分析絕對可以成為競爭優勢。考慮到對實時性的解釋有多么不同，重要的是要清楚地了解公司對分析系統的要求。