实时分析解释

实时分析是一组在数据可用时立即处理数据的技巧。主要目标是提供快速且可操作的见解。

公司必须从各种来源中提取实时见解，这些来源以极高的速度产生大量数据。实时分析的最大挑战之一是及时结合来自不同来源的数据进行分析。

实时分析示例

实时分析的示例包括

• 根据对客户行为的实时分析，为客户提供符合他们需求和偏好的报价或信息。
• 应用程序监控以防止停机并提高性能。
• 实时阻止欺诈交易。
• 自动化与客户对话的聊天机器人。

实时分析是如何工作的？

为了更好地理解实时分析这个术语，让我们将其分解为其组成部分

• 实时：数据被快速且持续地收集和处理。
• 分析：通过对数据应用一系列算法来提取可操作的见解。

现在我们可以看到，实时分析是一个过程，而不仅仅是技术。为了“让实时分析工作”，所有组件都应该实时运行。

实时分析过程：收集数据，结合来源，分析以提取可操作的见解

收集有用的数据

实时分析只有在您收集可用时有用的数据才能正常工作。您需要了解对您的业务重要的数据是什么以及如何收集它。这是过程的第一步。例如，您可能正在运营一家制造公司。您需要知道机器是否出现故障迹象，或者它是否完美运行。为此，您需要从机器传感器收集数据并在实时中进行监控。

提供实时数据摄取的集成数据平台允许您收集可用时有用的数据。Apache Kafka是实施实时数据传输的事件流解决方案。使用MongoDB Connector for Apache Kafka，您可以消费Kafka主题中的数据并将其写入MongoDB Atlas集群。

从多个来源结合数据

在实践中，我们通常从多个来源收集数据。在我们的机器监控示例中，我们可能有一个传感器收集有关机器温度的数据，一个传感器收集有关机器压力的数据，还有一个传感器收集有关机器湿度的数据。为了进行完整分析，我们需要结合所有这些来源的数据。实时分析过程的第二部分是结合来自多个来源的数据。

在许多情况下，这会导致使用缓慢的ETL（提取、转换和加载）流程或为合并数据而构建的定制管道。这些解决方案成本高昂、难以维护，并导致实时分析过程延迟。此外，添加新的数据源可能会令人沮丧且难以管理。MongoDB允许您在原地运行聚合查询。借助MongoDB聚合框架，您可以在实时生成预先聚合的报告并进行复杂的分析。

实时分析的另一个重要注意事项是，为了创建更完整的分析，您需要将交易性（当前）数据与分析性（近期和历史）数据相结合。正如我们之前提到的，数据以快速的速度和大批量生成。一个合理的方法是从交易性数据中提取洞察力，然后将其移动到更便宜的存储。然而，从这些便宜的存储中查询数据较慢且有些受限。这可能会成为实时分析的障碍。

我们如何将交易性和历史数据结合起来创建更完整的分析，同时保持低成本？这就是像MongoDB Atlas在线存档这样的解决方案发挥作用的地方。使用在线存档，您可以自动存档旧数据，同时也能够实时查询它。

结合当前和历史数据，可以导致更完整的实时分析

分析以提取洞察力

过程中的第三步和最后一步是从数据中提取可操作的洞察力。这是实时分析过程真正开始有意义的地方。但是，要分析数据，您需要拥有合适的工具。能够以易于理解和解释的方式查询数据是成功的关键。不同的工具以不同的方式解决这个问题。例如，MongoDB查询API允许您在操作数据库中原地分析数据。要了解更多关于MongoDB如何允许您在无需复杂的ETL流程和数据重复的情况下实时分析数据的信息，请查看专门的博客文章。

实时分析用例

企业越来越寻找改进其流程和提高生产力的方法。实时分析是实现这一目标的绝佳方式。我们可以将实时分析用例分为以下类别

• 个性化与体验
• 欺诈与错误预防
• 流程优化
• 预防性维护

让我们更深入地了解每个类别。

个性化与体验

分析用户行为以提供个性化体验是实时分析的关键用例。例如，一位客户可能对其最近购买的产品感兴趣。如果您能为这位客户提供个性化体验，您就可以增加他们再次光顾您商店的可能性。

预测分析的常见示例是所谓的“下一个最佳报价”分析。这是一种使用实时分析根据用户的行为和历史互动提供兼容报价的技术。一个非常简单的例子是根据用户查看的产品向在线商店的客户展示相关产品。这种分析应该在实时发生，因为客户正在积极浏览网站。一个更完整的例子是“个性化购物体验”。这是一种使用实时分析根据用户的行为和历史互动为用户提供个性化报价的技术。如您所注意到的，这是一种通过将交易性数据（当前浏览会话）与历史数据（之前购买的产品）合并而进行的实时分析。

欺诈与错误预防

检测欺诈行为是实时分析的关键用例。例如，可疑的信用卡交易可以实时检测并阻止。传统的分析系统可以用来检测欺诈，但它们太慢——处理数据和进行分析可能需要数小时。实时分析可以用来实时检测欺诈。

同样的机制，也称为异常检测，可以用来防止或检测文书错误。例如，一个卖家可能正在更新在线商店中一系列产品的价格。这很容易导致文书错误和不准确的价格。自动异常检测可以派上用场！如果检测到异常，卖家将被通知，并可以修正价格。

流程优化

优化现有流程一直是数字化转型的目标之一。但数字化业务流程不一定能改进它。数字化允许你收集数据并分析它以提供可操作的见解。但如何优化正在运行的过程呢？嗯，你可以实时分析它，然后应用必要的调整。当然，过程应该允许实时调整。

生产计划是一个可以实时优化的流程的好例子。通过将生产计划过程与实时分析连接起来，你可以自动调整生产计划以满足客户的需求。实时跟踪需求将使你能够创建更灵活的供应链。

流程优化的另一个方面是自动化重复性的人工作业。例如，呼叫中心代理经常会反复回答相同的问题。聊天机器人可以用来自动化与客户的大量对话。客户与代理和聊天机器人进行的对话可以实时分析，以提高聊天机器人的效率和准确性。

预防性维护

预防性维护是一种减少各种行业中停机时间和维护成本的方法。例如，一家制造公司可能正在运行一台显示故障迹象的机器。如果你能检测到这种故障，你可以立即修复它。这是实时分析的关键用例。

另一个用例是应用监控。你可以收集和分析系统日志以实时检测错误。这通常允许你在它导致停机之前解决问题。例如，你可能注意到Web应用程序的性能下降。你可以在网站宕机之前解决问题并部署新版本。

结论

实时分析是成功企业的重要过程。简单来说，实时分析是一个需要你能够收集数据并实时分析的过程。从数据中快速准确地提取见解的重要性是普遍存在的，可以通过使用正确的工具来实现。

虽然有很多工具承诺帮助你进行分析，但选择一个集成数据平台是最佳选择。使用MongoDB，你可以在操作数据库中运行强大的分析查询。无需ETL流程或昂贵的定制管道。没有额外的数据存储成本。MongoDB的实时分析能力被来自不同行业的多家公司所利用。如果你想了解如何以及为什么，请查看专门的博客文章。