随着数据以指数级增长，超出集中存储和管理的能力，以下是边缘分析如何帮助组织克服这一挑战。
随着世界的互联越来越紧密，能够收集和分析数据的智能设备的范围比以往任何时候都要广泛。如今的汽车通过设计中内置的传感器和计算机生成大量数据;零售商店会整理从库存、发货到顾客购买的所有数据;生产可再生电力的风力涡轮机由数百个传感器组成，每分钟产生数百万个数据点。
为这些日常事件提供动力所需的信息量增长速度，超过了为容纳和组织这些信息而设计的网络的可用带宽。不再可能将所有生成的数据传输到可以通过传统方式组织和分析的中心位置。
边缘分析，一种分散式数据分析，其中数据在其源头——信息网络的“边缘”进行分析。
在传统系统中，数据从收集的地方转移到中央存储库，在那里可以进行分析。但是，即使是当今最强大的网络也没有足够的能力来传输大多数用例中生成的所有数据，这意味着必须决定哪些数据会被遗漏。
通过在原始数据的源头进行分析，边缘分析避免了将数据传输回中央系统的需要，同时仍然将所有的见解集中在一起进行集中决策。这大大加快了分析的速度，而不影响结果的质量。
为什么要采用边缘分析
鉴于分析在改进决策制定流程和业务成果方面的潜在价值，企业不能不探索自己的选择。边缘分析在分析更多数据、更快且可能更经济方面具有广泛的优势。
当使用内存数据库时，边缘分析将进一步加速这些优势，因为组织可以在原始数据传入时对其进行分析。这为组织提供了实时结果，使变化和调整能够快速进行。
边缘分析还可以帮助解决当今精通数字技术的企业最头疼的问题之一:云成本。在云中存储数据是需要花钱的，在云和本地存储之间或在云服务提供商之间传输数据也是如此。随着云使用规模的扩大，这些成本往往会迅速上升。因此，通过在边缘进行更多的分析，企业可以减少云存储和传输成本的支出。
安全性是边缘分析的另一个优势，特别是当组织正在处理个人身份信息(PII)等敏感数据时。将企业的所有原始数据集中一个中心位置本身就存在风险。通过采用边缘分析，组织可以将敏感数据保留在原处，且只将预先聚合的数据转移到中央数据仓库，这意味着其不必托管和保护敏感信息。
处于边缘的行业
那么，边缘适用于哪些行业?在哪里可以看到企业从边缘分析中受益?
最重要的行业之一是可再生能源，该行业已迅速采用了优势分析。例如，风力涡轮机内置了数百个传感器，以确保涡轮机的每个部分都能正常运行，并能适应外部条件。如果每台涡轮机都能进行数据分析，则可以进行预测性维护。先发制人地识别和隔离每个涡轮机的任何问题，从而在发生事故时将对整个团队的影响降至最低。
由于供应链管理的复杂性，边缘分析将获得关注的另一个领域是供应链管理。供应链通常有数百个独立的移动部件，包括需要转移到多个地点进行制造的原材料的采购和跟踪，存储设施的管理，以及监控数千个物联网设备，如跟踪运输物品的RFID芯片。
在这种情况下，供应链经理可能有一个集中的地方，在那里组织世界各地的产品流动，而“边缘”可能是带有RFID标签的货物的存储设施。利用边缘分析直接在这些存储设施中分析数据，接近实时，这对于协调链的其余部分非常有用。例如，供应链经理还需要考虑天气。这就是AI和ML建模等更先进的分析方法可能发挥作用的地方，这些分析也可以在边缘进行处理。
准备，预备，开始
实施边缘分析不需要以牺牲传统的中央数据库为代价——事实上，它们最好是一起使用。原始数据可以在边缘进行分析，然后聚合并发送到中央数据库或数据仓库进行存储，并根据需要进行更高级的分析。
在企业中设置边缘分析始于正确的内存数据库。要实时分析边缘的大量数据，需要一个高性能的分析解决方案，以及一个可以集成边缘基础设施和中央数据仓库基础设施的解决方案。正确的数据库能构建一个由集中式系统和边缘组成的网格，平台充当导管，帮助将数据引导到需要去的地方。
随着物联网世界的不断扩展，以及组织开始将更多的AI和ML集成边缘，以自动优化实时数据分析，以获得更好、更快的结果，边缘分析将变得更加重要，以避免需要集中处理和分析的数据泛滥。可以说，更好的数据分析的关键是生活在边缘。
