It-сфера в россии в 2022 году: тенденции развития и изменения на рынке труда

Аналитика Big Data в мире.

Сейчас аналитика больших данных используется в более чем 50 % компаний по всему миру. При том, что в 2015 году этот показатель составлял всего лишь 17 %. Big Data активнее всего используется компаниями, которые работают в сфере телекоммуникаций и финансовых услуг. Затем идут компании, которые специализируются на технологиях в здравоохранении. Минимальное использование аналитики Big Data в образовательных компаниях: в большинстве случаев представители этой сферы заявляли о намерении использовать технологии в ближайшем будущем.
В США аналитика Big Data используется наиболее активно: более 55 % компаний из самых разных сфер работают с этой технологией. В Европе и Азии востребованность аналитики больших данных ненамного ниже — около 53 %.

Что такое превентивное и прогнозное обслуживание?

Существуют разные взгляды на определение превентивного (планово-предупредительных ремонтов) и прогнозного обслуживания в зависимости от того, применяются ли подходы RCM или какие-то альтернативные. Некоторые люди и организации определяют прогнозное обслуживание как конкретное подмножество профилактических работ с целью предотвращения сбоев производственного оборудования. В данной статье мы будем использовать определение методологии RCM, где профилактическое техническое обслуживание — это рутинная деятельность, в которой компоненты или оборудование заменяются/ремонтируются в конкретный заранее определенный интервал времени, независимо от их состояния на тот момент. Прогнозное же обслуживание — это проверка или тестирование для выявления признаков, которые указывают на то, что объект скоро откажет. В этом случае в график попадает работа (для завершения в соответствующее время в ближайшем будущем) по замене, ремонту или капитальному ремонту объекта прежде, чем он откажет в процессе его эксплуатации. Так, например, замена моторного масла в двигателе автомобиля каждые 10 000 км — это профилактическое действие по обслуживанию, а измерение глубины протектора на шинах — прогнозная инспекция.

В целом (большую часть времени, но не всегда) ремонты, ориентированные на надежность, все равно реализуются через профилактическое обслуживание, а не заменяют его. Это происходит потому, что (опять же, в целом, и там, где это технически осуществимо) задача профилактического обслуживания оборудования — максимизировать время безотказной работы и срок службы компонентов. Из этого общего правила есть исключения, но в данной статье мы не будем на них останавливаться. Но мы считаем, что прогнозное обслуживание обеспечивает лучшие результаты в бизнесе в целом, чем профилактическое обслуживание, именно за счет того, что появляется четкая определенность, какие профилактические операции обслуживания повлияют на прогноз времени работы оборудования.

Так что все это значит? Как большие данные и «Интернет вещей» влияют на наши прогностические и профилактические программы технического обслуживания? Давайте рассмотрим концептуальную модель процесса прогнозного обслуживания.

Модели прогнозного обслуживания

Для того чтобы использовать прогнозное обслуживание и избежать последствий отказов в процессе эксплуатации, элементы, показанные на рисунке 1, должны присутствовать в комплексной системе обслуживания. Давайте рассмотрим каждый из этих элементов, так как они могут быть применены и в традиционной программе мониторинга состояния, и в современной программе обслуживания, позволяющей использовать достижения в области больших данных, «Интернета вещей» и прогнозной аналитики.

Рис. 1. Tехнология обработки информации для запуска моделей прогнозной аналитики

Подготовка данных

Из всех этапов анализа подготовка данных кажется наименее проблемным шагом, но на самом деле требует наибольшего количества ресурсов и времени для завершения. Данные часто собираются из разных источников, каждый из которых может предлагать их в собственном виде или формате. Их нужно подготовить для процесса анализа.

Подготовка данных включает такие процессы:

получение,
очистка,
нормализация,
превращение в оптимизированный набор данных.

Обычно это табличная форма, которая идеально подходит для этих методов, что были запланированы на этапе проектировки.

Многие проблемы могут возникнуть при появлении недействительных, двусмысленных или недостающих значений, повторении полей или данных, несоответствующих допустимому интервалу.

Проверка модели

Проверка (валидация) модели, то есть фаза тестирования, — это важный этап. Он позволяет проверить модель, построенную на основе начальных данных. Он важен, потому что позволяет узнать достоверность данных, созданных моделью, сравнив их с реальной системой. Но в этот раз вы берете за основу начальные данные, которые использовались для анализа.

Как правило, при использовании данных для построения модели вы будете воспринимать их как тренировочный набор данных (датасет), а для проверки — как валидационный набор данных.

Таким образом сравнивая данные, созданные моделью и созданные системой, вы сможете оценивать ошибки. С помощью разных наборов данных оценивать пределы достоверности созданной модели. Правильно предсказанные значения могут быть достоверны только в определенном диапазоне или иметь разные уровни соответствия в зависимости от диапазона учитываемых значений.

Этот процесс позволяет не только в числовом виде оценивать эффективность модели, но также сравнивать ее с другими. Есть несколько подобных техник; самая известная — перекрестная проверка (кросс-валидация). Она основана на разделении учебного набора на разные части. Каждая из них, в свою очередь, будет использоваться в качестве валидационного набора. Все остальные — как тренировочного. Так вы получите модель, которая постепенно совершенствуется.

Источники больших данных

Большие данные непрерывно поступают из разных источников. Ниже перечислены основные.

Социальные. Это данные, которые поступают из социальных сетей, веб-сайтов, мобильных приложений и сервисов, интегрированных с социальными сетями. Социальные данные содержат историю посещения социальных сетей, мессенджеров, реакции на сообщения, новости и любые другие действия пользователей.

Машинные. Данные, которые оборудование производит о самом себе. Это может быть информация о местоположении, внутреннем состоянии оборудования (например, температура) и другие показатели.

Оборудованием считаются любые носимые устройства, элементы «умного» дома, производственное оборудование на заводе.

Транзакционные. Это банковские или любые другие финансовые транзакции. С появлением необанков и fintech-стартапов количество транзакционных данных в мире резко выросло.

Сбор и хранение больших данных перед обработкой

Ресурсы, выдающие большие данные могут быть весьма разнообразны. Например:

интернет — социальные сети, блоки и сайты СМИ, интернет вещей (IoT) и т.п.;
корпоративные источники — транзакции, архивы, базы данных и т. п.;
устройства, собирающие информацию — GPS-сигналы автомобилей, метеорологическое оборудование и т.п.

Совокупность методик по сбору данных и саму операцию называют Data Mining. В качестве примеров сервисов, осуществляющих процесс сбора информации, можно привести: Qlik, Vertica, Power BI, Tableau. Формат данных, как уже говорилось выше, может быть разнообразным — видео, текст, таблицы, SAS.

Если в сжатой форме описывать процесс сбора и обработки большого массива данных, то стоит выделить основные этапы:

постановка задачи для аналитической программы;
программа осуществляет сбор данных с их параллельной подготовкой (декодировка, отсев мусора, удаление нерелевантной информации);
выбор алгоритма анализа данных;
обучение программы выбранному алгоритму с дальнейшим анализом обнаруженных закономерностей.

В большинстве случаев полученные необработанные данные хранятся в так называемом «озере данных» — Data Lake. Формат и уровень структуризации информации при этом может быть разнообразным:

структурные (данные в виде строк и колонок);
частично структурированные (логи, CSV, XML, JSON-файлы);
неструктурированные (pdf-формат, формат документов и т. п.);
бинарные (формат видео, аудио и изображения).

Инструментарий, позволяющий хранить и обрабатывать данные в Data Lake:

Hadoop — пакет утилит и библиотек, используемый для построения систем, обрабатывающих, хранящих и анализирующих большие массивы нереляционных данных: данные датчиков, интернет-трафика, объектов JSON, файлов журналов, изображений и сообщений в соцсетях.
HPPC (DAS) – суперкомпьютер, способный обрабатывать данные в режиме реального времени или в «пакетном состоянии». Реализован LexisNexis Risk Solutions.
Storm — фреймворк Big Data, созданный для работы с информацией в режиме реального времени. Разработан на языке программирования Clojure.
DataLake – помимо функции хранения, включает в себя и программную платформу (например, такую как Hadoop), а также определяет источники и методы пополнения данных, кластеры узлов хранения и обработки информации, управления, инструментов обучения. DataLake при необходимости масштабируется до многих сотен узлов без прекращения работы кластера.

ТОП-30 IT-профессий 2022 года с доходом от 200 000 ₽

Команда GeekBrains совместно с международными специалистами по развитию карьеры
подготовили материалы, которые помогут вам начать путь к профессии мечты.

Подборка содержит только самые востребованные и высокооплачиваемые специальности
и направления в IT-сфере. 86% наших учеников с помощью данных материалов определились
с карьерной целью на ближайшее будущее!

Скачивайте и используйте уже сегодня:

Александр Сагун
Исполнительный директор Geekbrains

Топ-30 самых востребованных и высокооплачиваемых профессий 2022

Поможет разобраться в актуальной ситуации на рынке труда

Подборка 50+ ресурсов об IT-сфере

Только лучшие телеграм-каналы, каналы Youtube, подкасты, форумы и многое другое для того, чтобы узнавать новое про IT

ТОП 50+ сервисов и приложений от Geekbrains

Безопасные и надежные программы для работы в наши дни

Получить подборку бесплатно

pdf 3,7mb
doc 1,7mb

Уже скачали 16880

Месторасположение «озера», как правило, находится в облаке. Так, около 72 % компаний при работе с Big Data предпочитают собственным серверам облачные. Это связано с тем, что обработка больших баз данных требует серьезные вычислительные мощности, в то время как облако значительно снижает стоимость работ. Именно по этой причине компании выбирают облачные хранилища.

Облако имеет ряд преимуществ перед собственным дата-сервисом. Из-за того, что расчет предстоящей нагрузки на инфраструктуру затруднителен, то закупка оборудования не целесообразна. Аппаратура, купленная на случай востребованности в больших мощностях, может просто простаивать, принося убытки. Если же оборудование окажется недостаточным по мощности, то его ресурсов не хватит для полноценной работы.

Облако, напротив, не имеет ограничений по объему сохраняемых в нем данных. Следовательно, оно выгодно с точки зрения экономии средств для тех компаний, нагрузка которых быстро растет, а также бизнеса, связанного с тестами различных гипотез.

Аналитика Big Data в России.

По мнению аналитиков IDC, Россия является крупнейшим региональным рынком решений по аналитике Big Data. Рост объемов рынка таких решений в Центральной и Восточной Европе достаточно активный, каждый год этот показатель увеличивается на 11%. К 2022 году он достигнет в количественном отношении $5,4 млрд.
Во многом такое бурное развитие рынка обуславливается ростом этой сферы в России. В 2018 году выручка от продажи соответствующих решений в РФ составила 40% от совокупного объема инвестиций в технологии обработки Big Data всего региона.
В РФ больше всего на обработку Big Data тратят компании со стороны банковского и государственного секторов, телекоммуникационной индустрии и промышленности.

Примеры использования big data

Big data используют практически во всех областях жизни. Вот примеры по разным сферам.

Бизнес. Все крупные компании работают с большими данными. В Америке больше 55% компаний из разных сфер работают с технологиями. В Азии и Европе — 53% компаний. Бизнес, который не использует big data, упускает выгоду. Производитель спецтехники Caterpillar признался, что его дистрибьюторы ежегодно упускали 9–18 миллиардов долларов прибыли, потому что не работали с big data.

Банковская сфера. Fintech — одно из самых быстроразвивающихся направлений. Благодаря большим данным банки могут оказывать совершенно новые услуги, которые раньше были недоступны: выявлять мошеннические схемы, автоматически анализировать кредитоспособность и вести бухгалтерию.

Маркетинг. Маркетинг всегда был и есть драйвером big data: решения в нём принимают на основе данных. Их используют, например, чтобы анализировать посетителей сайта, определить предпочтения клиента, понять, успешна ли реклама.

Медицина. Современные методы анализа данных, в том числе компьютерное зрение, открывают дорогу одному из самых перспективных направлений на текущий момент. Анализ показателей жизнедеятельности человека может изменить нашу жизнь, как когда-то социальные сети.

Автомобилестроение. Автопилоты, роботы-доставщики, автоматизированное производство машин — это то, что уже существует сегодня. Без больших данных это было бы невозможно.

Ретейл. Наряду с fintech и маркетингом исторически ретейловое направление имеет очень много транзакционных данных. Их можно использовать, чтобы улучшать пользовательский опыт в магазинах и онлайн. Например, раскладывать товар на полках на основе истории продаж и карты перемещения людей по магазину.

Наем сотрудников. Автоматическое чтение резюме, выявление талантов среди десятков тысяч других резюме, чат-боты для базового скрининга сотрудника — это небольшая часть применения big data в найме.

Госструктуры. Могут использовать большие данные, чтобы управлять городами. С помощью big data можно создавать «умные» города с интеллектуальной системой поддержки жизни горожанина на протяжении его жизнедеятельности.

Медиа. Большие данные напрямую влияют на величину выручки в этом секторе. Знания о том, какие заголовки чаще интересуют определенную когорту пользователей, какой тип новостей или развлечений интересен, анализ пользовательского поведения — это возможность больше зарабатывать. Например, онлайн-стриминговые сервисы типа нетфликса используют большие данные даже для создания сериалов, а не только для продвижения в сети.

Логистика. Big data помогают находить оптимальный путь на длинные дистанции, оптимизировать движение морского транспорта. Есть компании, которые используют дополненную реальность в складском учете.

Конфиденциальность данных.

Одними из основных сдерживающих факторов для развития и совершенствования инструментов аналитики в России являются опасения заказчиков в области конфиденциальности данных.

Несмотря на то, что инструменты к ибер защиты нового поколения, активно внедряются в бизнес-практику, пользователи систем Big Data все еще остерегаются сливов конфиденциальной информации о компаниях, а также персональных данных клиентов, — рассказывает Роман Коновалов, генеральный директор «АйДи – Технологии управления».

Более активному развитию рынка препятствует недоверие потребителей к технологиям, а также отдельные вопросы регулирования рынка.

Для работы с данными интернет-пользователей и их применения необходимо обеспечить конфиденциальность и особые условия хранения персональных данных, — добавляет Денис Афанасьев из Clever Data.

Изменения на рынке труда

Стоит ли учиться на программистаВ работе программиста много плюсов, но важно правильно выбрать язык и сферу. Кадровый дефицит

С одной стороны, зарубежные компании ушли, рабочих мест стало меньше — и нужно меньше специалистов. С другой — профессионалы тоже уезжают из страны, поэтому специалисты без работы не останутся

Кадровый дефицит. С одной стороны, зарубежные компании ушли, рабочих мест стало меньше — и нужно меньше специалистов. С другой — профессионалы тоже уезжают из страны, поэтому специалисты без работы не останутся.

Больше карьерных возможностей для специалистов из регионов. Тенденция к переходу на удаленную работу в IT-сфере наметилась еще в пандемию. Этот тренд укрепится и дальше. Для сотрудников из провинции удаленка — это шанс получать столичную зарплату без переезда.

Потребность в переквалификации. Чтобы успевать за запросами рынка, приходится быстро переучиваться. В первую очередь сейчас нужны навыки работы с импортозамещающим ПО и оборудованием. Большой спрос на специалистов по кибербезопасности, анализу данных, data science, облачным вычислениям. По-прежнему нужны разработчики и тестировщики.

Освойте востребованную специальность на курсах Skypro: аналитик данных, программист на Java или Python, инженер по тестированию. Опыт не нужен: учим с нуля. Получите актуальные знания, так как программу составляли с учетом требований к сотням вакансий. Преподаватели — практики: работают много лет в крупных компаниях.

Не просто выдаем диплом, но и помогаем с устройством на работу: портфолио, резюме и собеседованиями.

Развитие образовательных проектов. Благодаря спросу на новые навыки появилось много программ переподготовки. Учебные заведения и IT-компании предлагают курсы как для опытных специалистов, так и для новичков.

Минцифры России участвует в финансировании проекта «Цифровые профессии» — вы можете получить востребованную специальность за половину стоимости. Правительство в два раза увеличило количество бюджетных мест в вузах по IT-направлениям.

Вебинары

20−21 декабря 18:00 мск
Изучаем лучшие профессии для фриланса в 2023

21–22 декабря 16:00 мск
Как стать аналитиком и сделать карьеру в крупной IT-компании

Этапы работы с «Датой»

Big Дата – это то, с чем обычные технологии не справятся. Для решения тех или иных бизнес-задач задействуются специальные алгоритмы, а также устройства. И обработка ведется в несколько этапов:

интегрирование;
управление;
анализ данных.

У каждого этапа имеются свои проблемы, особенности и предназначение.

Интеграция

Дать определение BigData не так трудно, как обрабатывать большие объемы сведений. Начинается все с интернирования. На данном этапе корпорация внедряет основные информационные технологи (искусственный интеллект и суперкомпьютеры) для сбора больших данных. Сюда же относится введение специальных систем.

В процессе подключаются инструменты форматирования и обработки. Это помогает при дальнейшей работе с Big Data.

Осуществление управления

Рассматриваемую составляющую требуется где-то хранить. Этот вопрос решается заранее. Он напрямую зависит от предпочтительных форматов, а также технологий обработки.

В будущем не возникнет проблем с реализацией управления, если грамотно определить место хранения. Крупные корпорации пользуются облачными сервисами, а также локальными хранилищами. За счет данного приема удается значительно сэкономить финансы и ресурсы предприятия.

Проведение анализа

«Хранилища» полезны для бизнеса не сразу. Их польза начинается с момента анализа. Проводится операция специально обученными людьми – аналитиками Big Data. Данные обрабатываются при помощи разнообразных методик. К ним относят машинное обучение, регрессионный анализ и так далее.

В ходе проведенных манипуляцию осуществляется сортировка данных и их «отсеивание». Результатом становится определение наиболее полезных для конкретной организации электронных материалов

Они отличаются не только полезностью, но и качеством, а также важностью

Суть анализа больших данных

Термин «Big Data» стал широко известен не так давно – согласно «Google Trends», уровень его употребления резко возрос в 2011 году. Сегодня понятие у всех на слуху, больше всего его любят и используют в любой, даже неподходящей ситуации маркетологи.

Big Data определяют как данные:

объем которых превышает 100Гб/500Гб/1ТБ;
которые не могут быть обработаны в «Excel».
не поддающиеся обработке на одном компьютере.

Суть анализа больших данных

Однако у термина есть официальное толкование, на которое и стоит опираться при работе с анализом больших данных. Это серия подходов, инструментов и методов работы со структурированной и неструктурированной информацией, которая отличается огромным объемом и значительным многообразием.

Цель такой деятельности состоит в получении результатов, которые могут восприниматься человеком и эффективны при постоянном приросте, распределении по многочисленным узлам вычислительной сети. Стоит пояснить, что речь идет об узлах, появившихся в конце 2000-х годов и выступающих в роли альтернативы традиционным системам управления базами данных и решениям класса «Business Intelligence».

Поэтому за интересующим нас термином скрываются не сведения в определенном объеме, а подходы, дающие возможность распределенно обрабатывать информацию. Они могут применяться к значительным и малым массивам данных, то есть как к содержанию всего, выложенного в Сеть, так и к одному тексту.

К системам анализа больших данных приходится прибегать при работе, например, со следующими источниками информации:

логи поведения людей в Сети;
GPS-сигналы транспортных средств, входящих в парк компаний, занимающихся доставкой;
информация с датчиков Большого адронного коллайдера;
оцифрованная литература, хранящаяся в РГБ;
сведения о транзакциях клиентов определенного финансового учреждения;
данные о покупках, совершенных людьми у крупного ритейлера.

Только до25 декабря

Пройди опрос иполучи обновленный курс от Geekbrains

Дарим курс по digital-профессиям
и быстрому вхождения в IT-сферу

Чтобы получить подарок, заполните информацию в открывшемся окне

Перейти

Скачать файл

В современном мире источников информации становится все больше, поэтому возрастает потребность в соответствующих технологиях обработки.

Актуальность и перспективы

Big Data вызывает немало вопросов. Эта область сегодня развивается весьма стремительно, но люди задумываются – а стоит ли вообще углубляться в соответствующую сферу деятельности. Ведь для того, чтобы добиться успеха в качестве аналитика «больших данных», придется изучить и усвоить немало информации.

Ответ однозначен – да. В России, Америке и других развитых странах вместе с «большими сведениями» с 2015 года началось развитие так называемого «блокчейна». Это – отличное дополнение изученного термина, обеспечивающее защиту и конфиденциальность электронных материалов.

Статистика показывает – инвестициями в Big Data занимаются почти все существующие крупные и известные корпорации. Кто-то — больше, кто-то – меньше. Анализ соответствующих данных помогает обнаруживать различные скрытые схемы. Они потребуются при разработке наиболее эффективных и инновационных технологий и бизнес-проектов. А если учесть не только то, какие определение имеет Big Data, но и перспективы развития IT, можно сделать вывод – большие данные со временем окажутся еще более ценными.

Сложности применения big data

Несмотря на плюсы и большие перспективы big data, в работе с ними есть сложности:

Большие данные требуют инфраструктуру для хранения. Часто под хранение данных выделяют отдельный центр обработки данных (ЦОД).
Чтобы создать аналитическую модель (например, некоторые виды нейронных сетей), нужно очень много времени для обучения. Так, чтобы обучить современную сеть создавать изображения на основе текстового описания, используют массив данных размером 270 терабайт

Обучение такой сети может занять около недели.
Знание технологий обработки больших данных очень важно, но так же важно понимать предметную область. Иногда понять, «что нужно?», сложнее, чем «как это сделать?».

Вебинары

20−21 декабря 18:00 мск
Изучаем лучшие профессии для фриланса в 2023

21–22 декабря 16:00 мск
Как стать аналитиком и сделать карьеру в крупной IT-компании

О сборе и обработке

В рассматриваемой и столь большой области приходится задумываться над тем, как собирать данные и обрабатывать их. «С ходу», «просто так» справиться с поставленной задачей не получится. Связано это с тем, что Big Data требует наличия большого пространства, а также ресурсов у задействованных устройств.

С развитием технологий в мире начали появляться и внедряться специальные подходы, которые значительно упрощают перечисленные манипуляции. Вот основные инструменты, задействованные в соответствующей сфере:

HPPC – большой суперкомпьютер с открытым исходным кодом. Называется DAS. Обрабатывает данные в режиме реального времени или в «пакетном состоянии». Все зависит от ситуации и настроек.
Hadoop – одна из первых и самых больших технологий обработки Big Data. Ориентирован на «пакетную» работу. Реализация осуществляется через несколько машин, которые после проводят масштабирование сведений до большого количества серверов.
Storm – удобная и универсальная система, предлагающая обработку в режиме реального времени. Подключает Eclipse Public License. Имеет открытые исходные коды.

Нет смысла использовать сразу все перечисленные инструменты. В зависимости от возможностей и потребностей специалисты выбирают те или иные варианты.

Определение Big Data, или больших данных

К большим данным относят информацию, чей объем может быть свыше сотни терабайтов и петабайтов. Причем такая информация регулярно обновляется. В качестве примеров можно привести данные, поступающие из контакт-центров, медиа социальных сетей, данные о торгах фондовых бирж и т. п. Также в понятие «большие данные» иногда включают способы и методики их обработки.

Если же говорить о терминологии, то «Big Data» подразумевает не только данные как таковые, но и принципы обработки больших данных, возможность дальнейшего их использования, порядок обнаружения конкретного информационного блока в больших массивах. Вопросы, связанные с такими процессами, не теряют своей актуальности. Их решение носит важный характер для тех систем, которые многие годы генерировали и копили различную информацию.

Определение Big Data, или больших данных

Существуют критерии информации, определенные в 2001 году Meta Group, которые позволяют оценить, соответствуют ли данные понятию Big Data или нет:

Volume (объем) — примерно 1 Петабайт и выше.
Velocity (скорость) — генерация, поступление и обработка данных с высокой скоростью.
Variety (разнообразие)— разнородность данных, различные форматы и возможное отсутствие структурированности.

Только до25 декабря

Пройди опрос иполучи обновленный курс от Geekbrains

Дарим курс по digital-профессиям
и быстрому вхождения в IT-сферу

Чтобы получить подарок, заполните информацию в открывшемся окне

Перейти

Скачать файл

Зачастую к этим параметрам добавляют еще два фактора:

Следует отметить, что такие формулировки весьма условны, т. к. четкого и единого определения не существует. Есть даже мнение о необходимости отказа от термина «Big Data», т. к. происходит подмена понятий и Big Data часто путают с другими продуктами.

Спрос на специалистов в сфере анализа больших данных

Работа с большими данными становится все более востребована. Так, в 2020 году подсчитали, что даже при не самом благоприятном развитии событий объем данного рынка в нашей стране к 2024 году увеличится с 45 до 65 миллиардов рублей. Если ситуация будет складываться позитивно, то показатели вырастут до 230 миллиардов рублей.

Уже очевидно: те компании, которые отказываются от анализа больших данных, лишают себя выгоды. По сведениям «The Bell» в 2014 году дистрибьюторы «Caterpillar» упустили прибыль в размере $9 – $18 миллиардов, не внедряя подобные технологии обработки. На данный момент на 3,5 миллионах единиц техники корпорации стоят датчики для сбора сведений о ее состоянии, износе ключевых деталей – так упрощается управление затратами на обслуживание.

Рост использования больших данных в разных сферах привел к тому, что востребованы стали специалисты и обучение анализу больших данных. Академия «MADE» от «Mail.ru Group» и «HeadHunter» провели в середине 2020 года исследование, согласно итогам которого специалисты по анализу данных относятся к наиболее востребованным на рынке труда в России.