====== Big Data ======

**Big Data** je termín popisující masivní objemy dat (strukturovaných i nestrukturovaných), která se každodenně valí firmami a internetem. V kontextu Big Data není nejdůležitější množství dat samo o sobě, ale to, co s nimi organizace dělají – jak je analyzují pro lepší rozhodování, predikci trendů a automatizaci.

----

====== Charakteristika: Model 5V ======

Pro definici Big Data se používá model "V", který se postupně rozšiřoval z původních tří na pět (i více) základních charakteristik:

===== 1. Volume (Objem) =====
Množství generovaných dat. Mluvíme o terabytech (TB), petabytech (PB) a exabytech (EB). Data pocházejí z logů, sociálních sítí, senzorů a transakcí.

===== 2. Velocity (Rychlost) =====
Rychlost, jakou jsou data generována a jak rychle musí být zpracována. Příkladem jsou data z burzy nebo senzory v autonomních vozidlech, kde i milisekunda hraje roli.

===== 3. Variety (Rozmanitost) =====
Data přicházejí v mnoha formátech:
  * **Strukturovaná:** Tabulky, databáze.
  * **Polostrukturovaná:** XML, JSON soubory.
  * **Nestrukturovaná:** Textové dokumenty, e-maily, video, audio, obrázky.

===== 4. Veracity (Věrohodnost) =====
Kvalita a přesnost dat. U obrovských souborů je problémem "šum" – neúplná nebo chybná data, která mohou zkreslit výsledky analýzy.

===== 5. Value (Hodnota) =====
Nejdůležitější bod. Data jsou k ničemu, pokud z nich nedokážeme získat užitečnou informaci, která pomůže byznysu nebo vědě.



----

====== Architektura a technologie ======

Tradiční SQL databáze na Big Data nestačí. Proto vznikly nové přístupy:

===== Hadoop a MapReduce =====
**Apache Hadoop** je open-source framework, který umožňuje distribuované ukládání a zpracování obrovských souborů na klastrech běžných počítačů.
  * **HDFS (Hadoop Distributed File System):** Rozdělí data na malé bloky a uloží je na různé uzly v klastru.
  * **MapReduce:** Algoritmus, který rozdělí úlohu na menší části, ty zpracuje paralelně a výsledek složí dohromady.

===== NoSQL Databáze =====
Databáze, které nevyžadují pevné schéma (tabulky) a skvěle škálují horizontálně.
  * **MongoDB:** Dokumentová databáze.
  * **Cassandra:** Širokosloupcová databáze (původně z Facebooku).

===== Real-time Processing (Proudové zpracování) =====
Nástroje pro analýzu dat v okamžiku, kdy vznikají.
  * **Apache Spark:** Mnohem rychlejší než MapReduce, protože zpracovává data v operační paměti (In-Memory).
  * **Apache Kafka:** Systém pro distribuované zasílání zpráv a sběr dat z tisíců zdrojů.



----

====== Analytické metody ======

Zpracování Big Data se dělí do čtyř úrovní podle toho, co nám říkají:

  1. **Deskriptivní (Co se stalo?):** Reporty o prodejích za minulý měsíc.
  2. **Diagnostická (Proč se to stalo?):** Hledání příčin poklesu výkonu.
  3. **Prediktivní (Co se stane?):** Předpověď odchodu zákazníků ke konkurenci pomocí [[machine_learning|strojového učení]].
  4. **Preskriptivní (Co máme dělat?):** Algoritmus sám navrhne nejlepší trasu pro kamion nebo cenu letenky.

----

====== Praktické využití ======

  * **Personalizovaný marketing:** Netflix nebo YouTube vám doporučují obsah na základě analýzy chování milionů jiných uživatelů.
  * **Zdravotnictví:** Analýza genomu, predikce epidemií nebo vývoj léků díky simulacím na obrovských vzorcích.
  * **Smart Cities:** Řízení dopravy v reálném čase podle dat ze semaforů, GPS a kamer.
  * **Bankovnictví:** Okamžitá detekce podvodných transakcí (fraud detection).

----

====== Výzvy a rizika ======

  * **Soukromí a etika:** Sběr tak velkého množství dat o lidech vede k obavám ze sledování (GDPR).
  * **Bezpečnost:** Big Data soustřeďují obrovské množství informací na jednom místě, což je lákavý cíl pro útočníky.
  * **Nedostatek expertů:** Práce s těmito technologiemi vyžaduje "Data Scientists" – odborníky na statistiku i programování.

----
//Související pojmy: Hadoop, Spark, NoSQL, Machine Learning, Data Warehouse, Data Lake, GDPR.//