Autors: Techopedia Staff, 2017. gada 29. novembris
Takeaway: Uzņēmējs Ēriks Kavanagh apspriež datus un analītiku, kā arī galvenā datu virsnieka (CDO) un galvenā analītikas virsnieka (CAO) lomas ar Jen Underwood no Impact Analytix un Nick Jewell no Alteryx.
Ēriks Kavanaghs: dāmas un kungi, sveicināti un vēlreiz sveicam ļoti īpašā Hot Technologies izdevumā. Cilvēki, tas ir Ēriks Kavanaghs, es būšu jūsu šodienas izrādes “CxO atskaņošanas grāmata: datu un analītikas nākotne.” Jā, tā ir diezgan liela tēma, man jāsaka. Patiesībā šodien mums šeit ir nedaudz rekordistu. Šorīt tīmekļa pārraidē bija reģistrējušies vairāk nekā 540 cilvēki. Mēs to darām īpašā laikā, kā daudzi no jums zina par mūsu regulārajām izrādēm, mēs parasti tos rīkojam plkst. 4:00 uz austrumiem, bet mēs gribējām uzņemt ļoti īpašo viesi, kas piezvana no visa dīķa. Ļaujiet man ienirt tieši šodienas prezentācijā.
Tāpēc šis gads ir karsts - tas daudzējādā ziņā ir bijis ļoti drūms, es domāju, ka mākonim tam ir daudz sakara. Tehnoloģiju saplūšana, kuras esam pieredzējuši tirgū, ir galvenais virzītājspēks, un, protams, es runāju par SMAC, kā viņi to sauc. Mēs runājam par SMAC: sociālais, mobilais, analītiskais, mākonis - un tas viss kopā. Organizācijas patiešām var mainīt uzņēmējdarbības veidu. Jūsu biznesa operāciju veikšanai ir vairāk kanālu, ir arī vairāk analizējamo datu. Tā ir patiesi savvaļas pasaule, un mēs šodien runāsim par to, kā C komplektā viss mainās, tāpēc vadītāji, šo organizāciju labākie cilvēki, labi, ka šobrīd mainās visa pasaule, un mēs esam par to runāsim.
Augšpusē ir tavs patiesais. Mums šodien ir Jen Underwood no Impact Analytix un Nick Jewell, vadošais tehnoloģiju evaņģēlists no Alteryx. Tas ir ļoti aizraujoši sīkumi. Es šovakar nācu klajā ar šo jēdzienu, ļaudis, un es domāju, ka tas ir tiešām interesants. Protams, mēs visi zinām mūzikas krēslus, spēli bērniem, kur jums visi šie krēsli ir aplī, jūs sākat mūziku, visi sāk staigāt un viens krēsls tiek atvilkts; kad mūzika apstājas, visiem ir jākrāj, lai iegūtu krēslu, kamēr viens cilvēks šajā situācijā zaudē savu krēslu. Tā ir ļoti dīvaina un pārliecinoša lieta, kas šobrīd notiek C komplektā, un, ja jūs pamanāt šo attēlu šeit, jums ir divi tukši krēsli aizmugurē. Parasti krēsls pazūd mūzikas krēslos, un tas, ko mēs redzam šajās dienās, ir tas, ka C līmenī ir vēl divi krēsli: CAO un CDO, galvenais analītiskais darbinieks un galvenais datu pārzinis.
Viņi abi dodas prom. Atklāti sakot, galvenais datu inspektors šajās dienās patiešām dodas prom, piemēram, ugunsgrēks, bet ko tas nozīmē? Tas nozīmē kaut ko ļoti nozīmīgu. Tas nozīmē, ka datu un analītikas jauda ir tik nozīmīga, ka, man jāsaka, C komplekti mainās sēžu zālēs vai izpilddirekcijās - viņi mainās C komplektā, viņi pievieno cilvēkus C, pilnīgi jauni vadītāji aizpilda dažas no šīm jaunajām vietām. Ja jūs domājat par to, cik grūti ir mainīt organizācijas kultūru, tas ir diezgan nopietns darījums. Kultūra ir ļoti grūti maināma lieta, un parasti pozitīvas pārmaiņas veicina laba pārvaldība un labas idejas, kā arī šāda veida lietas. Ja domājat par iespēju, kas mums šobrīd ir, pievienojot jaunus komplektus C komplektam analītikai un datiem, tas ir tiešām liels darījums. Tas runā par iespēju organizācijām mainīt trajektoriju, un pieņemsim, ka lieliem, veciem uzņēmumiem patiešām ir jāmainās tāpēc, ka mainās tirgus.
Es parasti sniedzu piemērus, piemēram, Uber vai Airbnb kā organizācijas, kas ir fundamentāli sagrāvušas visas nozares, un tas notiek visur. Tas, par ko mēs šodien runāsim, ir tas, kā jūsu organizācija var pielāgoties, kā jūs šeit varat izmantot šo informāciju, šo ieskatu, lai mainītu jūsu biznesa trajektoriju un gūtu panākumus informācijas ekonomikā.
Ar to es nodosiu WebEx atslēgas Jen Underwood, un pēc tam Niks Dževels arī pieleks; viņš zvana no Apvienotās Karalistes Pateicoties jums abiem un Dženam, es to jums nodošu. Ņem to prom.
Jen Underwood: Paldies, Ēriks, izklausās lieliski. Labrīt visiem. Šodien mēs runāsim par šo CxO playbook; tā ir datu un analītikas nākotne, un es gatavojos ienirt. Ēriks jau paveica jauku darbu, lai runātu par to, kāpēc tas ir tik svarīgi. Mūsdienas runātāji atkal ir redzējuši citu slaidu ar šo informāciju, bet šodien un Niks Dževels šajā sesijā jums liks ļoti interaktīvi sarunāties. Mēs sāksim ar to, ka aprakstīsim šīs lomas un to lietu veidus, kuras viņi veic misijā. Mēs apskatīsim analītikas nozari, perspektīvas kopumā un dažas problēmas, ar kurām šie cilvēki saskarsies. Dinamika organizācijās šodien, kad jūs gatavojaties nākotnei, un tad mēs runāsim par nākamajiem soļiem un sniegsim jums plānošanas norādījumus, ja plānojat izpētīt dažas no šīm lomām jūsu organizācijā.
Runājot par šo CxO, piemēram, CAO, tas ir galvenais analītikas darbinieks, tas ir amats vecākajiem vadītājiem, kuri ir atbildīgi par datu analīzi organizācijā. CAO parasti ziņos izpilddirektoram, un, ja domājat par pārveidošanas masu un tās digitālo pārveidi, kas mums šobrīd notiek tādā veidā, kā uzņēmumi pieņem un pieņem savus biznesa lēmumus, galvenā nozīme būs strauji augošai pozīcijai.
Ja domājat, ka digitālā transformācija un izlūkošana ir digitālās pārveidošanas kodols, šai CAO ir ļoti stratēģiska loma organizācijā. Viņi ne tikai atgriež spēcīgu datu zinātni pie faktiskās atziņas un šīm zināšanām, bet viņiem pieder arī tā rezultātā iegūtā IA un ietekme, tad uz ko tie tiek mērīti? Kā viņi panāk šo IA ar viņu rīcībā esošajiem datiem un dažiem zemākajiem numuriem visā organizācijā, lai stratēģiski palielinātu datus. Šis amats, tāpat kā CIO, galvenais informācijas virsnieks, ir kļuvis ievērojams, jo ir palielinājusies tehnoloģija un digitālā transformācija, kā arī datu vērtība.
Jau vairākus gadus dati ir zelts šajā konkrētajā pasaulē ar monetizāciju un izlūkošanu, kā arī pārveidojot šo informāciju. Lai spētu veikt šīs aktīvās darbības un ne tikai vienmēr skatītos atpakaļ, per se. Abas pozīcijas ir līdzīgas, jo tās abas nodarbojas ar informāciju, bet CIO pati par sevi koncentrēsies uz infrastruktūru, kur CAO koncentrējas uz infrastruktūru, kas nepieciešama informācijas analīzei. Līdzīga nostāja ir CDO, un jūs dzirdat daudz vairāk, mēs, iespējams, dzirdam mazliet vairāk par CDO nekā jūs šodien runājat par CAO. CDO vairāk koncentrējas uz datu apstrādi un uzturēšanu, kā arī uz šiem pārvaldības procesiem visā datu pārvaldības dzīves ciklā.
Šie ļaudis būs atbildīgi arī par monetizāciju no datiem un datu ieguvumu, kā arī par darbu pārvaldības un drošības dzīves cikla laikā, es teiktu, visā dzīves ciklā. Tie ir ļaudis, kas per se būtu atbildīgi par to, lai pārliecinātos par GDPR - un par to mēs mazliet runāsim - par Eiropas Datu aizsardzības likumu, pārliecinoties, ka šāda veida lietas ir ietvertas viņu organizācijās. Tagad mēs saņemam struktūru un nākotni traucējošām, dinamiski datu ietilpīgām lomām. Šie ir to lietu veidi, par kuriem CDO būs atbildīga, un ne tikai viņi paši - viņi veidos daudzfunkcionālu komandu, un man ir daži piemēri no dažiem ļaudīm, kuri per se varētu iekļūt organizatoriskā struktūra, sākot no arhitektiem un pārvaldes ļaudīm, un pat organizācijas analītiķi un datu zinātnieki un inženieri var tos uzrunāt.
Pārejot tālāk uz analītikas nozares perspektīvām, šajā konkrētajā nozarē tas ir bijis fenomenāls - iespējams, desmit gadus, pat ilgāk. Tas ir nemitīgi augošs, ļoti aizraujošs, pat pirms tirgus sabrukuma gadiem tas joprojām bija liels pieprasījums. Tā vienkārši ir bijusi brīnišķīga vieta, un, ja paskatāties uz Gartner 2017. gada CIO darba kārtību, BI un analītika joprojām ietilpst organizācijas trīs svarīgāko rangu sarakstā, un, aplūkojot programmatūras tirgus izaugsmi, mēs pastāvīgi redzēt tur izaugsmi. Tik ilgi, cik es esmu bijis šajā telpā, tā vienmēr ir bijusi patiešām spilgta karjera.
Kad mēs skatāmies uz šo digitālo laikmetu un pārvērtībām, man ļoti, ļoti interesanti ir šie procesi, kas mums ir, un tas bieži vien ir informācijas iegūšana un darbību veikšana no procesiem vai biznesa procesu laikā. Tagad Gartners lēš, ka līdz 2020. gadam jūsu izmantotā informācija tiks atkārtoti izgudrota, digitalizēta vai pat likvidēta. Astoņdesmit procenti biznesa procesu un produktu, kas mums bija pirms desmit gadiem, un mēs to sākam redzēt, vai ne? Mēs sākam redzēt, ka ar Amazon pantiem varbūt ir kāds no lielajiem kastīšu veikaliem, Ubers, Airbnbs - šie digitālie modeļi traucē procesu, un tagad ļaudis mijiedarbojas. Pat Melnā piektdiena - es nezinu, cik ļaužu tiešām devās uz veikalu - liela daļa cilvēku pērk tiešsaistē, un kā jūs varat sasniegt šo klientu? Lai to izdarītu, nepieciešama izlūkošana. Tas prasa pavisam citu veidu, kā mijiedarboties un personalizēt ziņojumu, un ar šo izlūkdatu palīdzību viņiem tiek piedāvāts pareizais piedāvājums īstajā laikā, un tagad tas, iespējams, ir pieejams tikai ar vienu pogas klikšķi. Viņiem ir tik vienkārši atstāt jūsu tiešsaistes veikalu. Šajā pasaulē lietas patiešām mainās, un es domāju, ka Niks vēlējās arī par to tērzēt.
Niks Dževels: Jā, sveiki visi, liels paldies. Iepriekš atvainošos, ja audio ierašanās no Londonas radīs nelielu kavēšanos, es darīšu visu iespējamo, lai nerunātu pār jums, Džen.
Jums ir pilnīga taisnība, ka atkritumu iznīcināšana, atkārtota izgudrošana kā daļa no digitālās pārveidošanas bieži notiek, organizācijām pārejot no ekskluzīviem produktiem, varbūt atvienotām lietojumprogrammām un uz atvērtākām un savienotām platformām. Kad jūsu process ir digitālais, būs daudz vieglāk redzēt jūsu datu braucienu no viena gala līdz galam. Patiešām uzlabojiet veiktās darbības, izmantojot datus, lai optimizētu šo procesu.
Virzīsimies uz priekšu slaidu, ja mēs to varam. Runājot par digitālo pārveidi, ko tas nozīmē organizācijām, es domāju, ka tas ir vai nu aizraujoši, vai iebiedējoši, atkarībā no tā, kurā spektra pusē jūs sēžat. Apskatiet diagrammu šeit, parādot uzņēmumu dzīves ilgumu un to, kā graujoša ietekme ietekmē organizācijas likteni. Ja jūs dibinājāt uzņēmumu 1920. gados, jums vidēji ir gandrīz 70 gadi, pirms kāds cits uzņēmums jūs izjauca. Diezgan viegla dzīve pēc mūsdienu standartiem, jo šodien uzņēmumam tik tikko nav pagājuši 15 gadi, līdz darbības pārtraukšana apdraud tā pastāvēšanu. Tiek prognozēts, ka aptuveni 40 procenti mūsdienu Fortune 500 uzņēmumu, tātad S&P 500, pēc 10 gadiem vairs nepastāvēs. Līdz 2027. gadam 75 procenti S&P 500 tiks nomainīti, tāpēc pussabrukšanas laiks, ar kuru organizācijas saskaras šodien, pirms jāuztraucas par traucējumiem, patiešām samazinās. Veiksmīgiem uzņēmumiem jāpaliek priekšā šīm digitālo jauninājumu sacensībām.
Mūsdienās analītiku neviens īsti neapšauba. Tas ir centrālais elements, šī digitālā biznesa pārveidošana. Faktiski organizācijas izvirza digitālās inovācijas tieši savas stratēģijas priekšgalā. Šie uzņēmumi ir pieci vērtīgākie uzņēmumi pasaulē un pārstāv divus triljonus dolāru tirgus vērtībā Jen.
Jen Underwood: Jā, tas ir pārsteidzošs, tas tiešām ir. Tas tiešām mainās un ātri. Otra dinamika, kas mums ir un par ko mēs par to runājām, tagad es domāju, ka mēs to beidzot redzam, un organizācijas izjūt šo eksponenciālo datu avotu pieaugumu, un tas vairs tikai ne tikai analizē datus par strukturētiem datu avotiem. Atkal mēs runājam par to, ka jums ir tikai mirklis dažos no šiem digitālajiem procesiem, lai pieņemtu lēmumu, un šīs lietas nāk JSON no REST API, mēs runājam par nestrukturētiem datiem, vai tie ir log faili, tur ir visādi dažādu veidu datiem, kā arī ārkārtīgi pastāvīgo pieaugumu.
Niks Dževels: Jā, Džen, tā kā jūs norādījāt, analītiskie vadītāji noslīkst datu jūrā. Galamērķis ir iegūt vērtīgu ieskatu, varbūt izmantojot jau esošo vai jauno analītisko paņēmienu sajaukumu, un tas patiešām ir gala mērķis, taču tur ir vienkārša un būtiska problēma, ar kuru daudzas organizācijas, ar kurām mēs sadarbojamies, tās patiesībā saskaras. Mēs pasūtījām Harvard Business Review, mēs veicām aptauju, runājot ar datu analītiķiem un biznesa vadītājiem. Viņi jautāja, cik datu avotu viņi izmanto savā organizācijā, lai pieņemtu lēmumu, un tas ir diezgan skaidrs, ka pēdējos gados ir notikusi būtiska pārmaiņa. To izmantoja, lai sajauktu datus un nosūtītu tos uz datu noliktavu, taču, neraugoties uz izcilo darbu, ko IT grupas ir paveikušas, izveidojot centralizētu datu pārvaldību, analītiķiem joprojām ir uzdevums izveidot šo īpašo analītisko datu kopu, taču viņiem tas ir jādara. atbildiet uz biznesa jautājumu. Faktiski tikai 6 procenti ir ieguvuši visus savus datus vienuviet, un lielākajai daļai analītiķu dati ir jāvelk no pieciem vai vairākiem avotiem - tādām lietām kā izklājlapas, mākoņa lietojumprogrammas, sociālie mediji un, protams, neaizmirstot šo datu noliktavu.
Tagad lielākā daļa organizāciju to atzīst, bet tas, ar ko vairums organizāciju nenodarbojas, ir vienkāršs fakts, ka datu profesionāļi vairāk laika pavada, pārvaldot un meklējot datus, nekā patiesībā iegūst vērtību. Šīs nav augsta profila stratēģiskās analītiskās problēmas, par kurām bizness vēlas dzirdēt. Bet, nerisinot pamatjautājumu, organizācijas patiešām liegs gūt atziņas, kas balstītas uz vērtībām. Džena?
Jen Underwood: Tas ir interesanti. Es noteikti esmu redzējis dažādus pētījumus par šo, un tas ir šis darbs šeit, neatkarīgi no tā, vai tie ir 80 procenti laika vai triljoni dolāru, kas atkal un atkal fiksē tos pašus datus, ļoti neefektīvi. Tas tomēr saskaita, šie 37 un šie 23 procenti ir ļoti dārga laika izšķiešana. Man ir pārsteidzoši, ka tam netiek pievērsta lielāka uzmanība.
Raugoties uz dažiem no tiem, ko es saucu par tirgus spēkiem, un daudzreiz, kad es runāju par nozares tendencēm, es mīlu sekot šai nozarei un turēt to nemainīgu impulsu. Ir svarīgi saprast, kad kaut kas ir vairāk nekā tendence, kad tas tiešām būs spēks, kam jums jāpievērš uzmanība, un šobrīd tie ir trīs galvenie spēki, kuriem jāpievērš uzmanība. Tā ir šī straujā izaugsme, pirmais ir straujais bez relāciju datu bāzu pieaugums. Es tikko pieminēju visu šo jēdzienu, ka nav nepieciešams daudz laika, lai pieprasītu JSON per se, tas ir tieši šāda veida nesaistītu scenāriju skaits, kas diezgan strauji aug - es domāju, ka man šeit šobrīd ir daži statistikas dati - ātri.
Otra lieta ir notiekošā pāreja uz mākoni. Pirms manis pieminētā zvana es biju produktu menedžeris visā pasaulē vienā no lielajām tehnoloģiju firmām, un pirms trim gadiem man bija sarežģītas sarunas ar grupām, sakot: “Mēs neko neliksim mākonī. Mēs nepārvietosimies pie mākoņa. ”Un tas bija ļoti interesanti redzēt grupas pēc gada, divus gadus vēlāk, tagad es dzirdu no tām pašām grupām, ka visiem ir mākoņu plāns. Es domāju, ka ikviena izteikums ir ļoti plašs, bet tas, ko es teiktu, ir ļaudis, kas ir bijuši pret mākoņiem, protams, attieksme ir ļoti mainījusies ļoti īsā laika posmā, pat kopš es runāju ar grupām visā pasaulē par šāda veida lietas.
Automatizācija - šī ir joma, ar kuru esmu aizrāvusies, un joma, kurā mēs noteikti redzam lielu aktivitāti un lielisku aktivitāti. Mēs runājam par dažām no šīm lietām ar laika tērēšanu un sava laika nelietderīgu izmantošanu. Automatizācija noteikti ir viena no tām jomām, par kuru es esmu visvairāk sajūsmā, domājot par vērtības celšanu organizācijai.
Nākamais slaids, par kuru es runāšu, tas ir IDC pētījums, kurā apskatīti tirgus segmenti un izaugsme, un tas tiešām ir lielisks veids, kā pamēģināt, kas patiesībā aug, ko pērk jūsu vienaudži? Kāda veida lietas viņus vairs neinteresē? Šāda veida lietas un ievietošana viņu stratēģijā.
Saskaņā ar IDC pasaules lielo datu analītiskās programmatūras tirgū ir 16 segmenti, un šajā segmentā mēs aplūkojam pat dažas nosaukuma izmaiņas. Tika pievienota nepārtraukta analītiskā programmatūra, izziņas AI programmatūras platformas, meklēšanas sistēmas, tāpēc šeit tika pievienotas dažas jaunas kategorijas. Šis tirgus pārskats gandrīz ietver horizontālos rīkus, fasētas lietojumprogrammas, kā arī dažus lēmumu atbalsta un lēmumus, kas automatizē lietošanas gadījumus. Atkal tas būs risinājumu veids, domājot par CDO, iekļaujot CDO kontekstā, to portfeli, kas, iespējams, pārvalda no datu integrācijas līdz analīzes vizualizācijai, mašīnmācībai un visiem šiem iespējām nepieciešamajiem veidiem būt digitālajā laikmetā.
Pats pasaules tirgus šādiem risinājumiem pieauga par 8, 5 procentiem pašreizējās valūtas izteiksmē, un kopējais tirgus pieauga par 9, 8 procentiem saskaņā ar IDC. Tas tika salīdzināts ar - jūs skatāties uz valūtas svārstībām pāris gadu laikā un svārstību pakāpe ir minimāla, bet tie trīs galvenie segmenti, kurus es uzsvēru, tikai tāpēc, lai radītu sajūtu par tiem nesaistītajiem analītiskajiem datu avotiem, 58 procenti gadu pieaugums, satura analīze un meklēšanas sistēmas bija 15 procenti, un, piemēram, dažām klientu attiecību lietojumprogrammām, CRM veida lietām vai Salesforce Einšteinam, pieaug vairāk nekā par 10 procentiem, šobrīd tie ir 12 procenti. Es domāju, ka Niks vēlējās pievienot arī dažus komentārus par šo.
Niks Dževels: Paldies, Džen. Tas ir fantastisks vizuāls. Es domāju, ka Alteryx mēs vienmēr esam uzskatījuši, ka datu sagatavošana un sajaukšana vienmēr būs jebkuras analītiskās sistēmas pamatkompetence, es domāju, ka tas ir pamats jebkurai modernākai analītikai. Tagad, par dažiem pēdējiem gadiem, parunāsim par nozari - iespējams, tā bija nedaudz pievērsusies dažām jaunajām interaktīvās vizualizācijas iespējām. Viņi izskatās skaisti, jo palielina iesaisti, virza ieskatu, bet viņi mūs īsti neaptvēra aprakstošajā analītikā.
Bet es domāju, ka tagad, kad ļaudis redz savu redzējumu nedaudz augstāk, organizācijas, kas sāk izprast biznesa vērtības, nāks no tām sarežģītākajām analītikām, kuras tikai tagad ir kļuvušas par galveno virzienu. Jautājums rodas, kā, vai precīzāk, kurš? Tas pārgāja uz augstākas vērtības analītiku; tas tiešām izmet analītisko talantu trūkumu diezgan asā atvieglojumā, vai jūs piekrītat?
Jen Underwood: Absolūti, un man bija, manuprāt, tikai ar tvītu, pagājušajā naktī es redzēju patiešām aizraujošu Adobe viceprezidenta komentāru, kurā teikts: “Mašīnmācība ir kļuvusi par galda likmēm”, kur ļaudis agrāk bija atturīgi, tagad tas ir kļuvis vajadzība, un tas ir interesanti. Raugoties uz šo un tikai nedaudz citu, mazliet atšķirīgu leņķi, per se. Daudzi ļaudis, mēs sākam to uzskatīt par strauji augošu zonu ar analīzu veikalu, kas nav saistīts ar relāciju, un kognitīvo AI, šo mašīnu apguvi, šo vērtīgo analītiku. Bet joprojām dienas beigās, šobrīd lielākais segments, tātad, kur šodien notiek vairums pirkumu, joprojām ir šī pamata, ko es teiktu, vaicājumu pārskati, daļa no vizuālās analīzes, un tas joprojām aug, un tas ir kaut kas ļoti daudz ļaužu pieņem, ka jums tas jau ir - ne vienmēr. Tas joprojām pieaug par 6, 6 procentiem katru gadu.
Kā CDO - un man patīk parādīt šo slaidu - būtībā tikai tāpēc, ka, ieejot šajā jaunajā lomā vai meklējot organizācijas datus, tas ir haoss, un es domāju, ka šis konkrētais slaids patiešām rada jauks darbs - tās ir visas dažādās potenciālās jomas, par kurām jums var būt datu. Tie var būt pirmizrāde, tas var atrasties mākonī, tas var būt hibrīds, tas ir visur un tas ir ļoti satriecoši - atkal šī ir C līmeņa veida loma organizācijā, un tas nav ne vienkāršs uzdevums, ne vienkāršs - šajā konkrētajā pasaulē, kurā to uzņemties, brīžiem tas ir diezgan milzīgi. Šī ir pasaule, kurā šim CDO ir jāvirzās, lai varētu apgūt to, ko es teiktu, maksimāli palielinot datu vērtību.
Turpinot izaicinājumu, maksimāli palielinot visu šo dažādo avotu vērtību un to, kas mums ir, ir šie laika aizvēršanas logi, ar šiem digitālajiem procesiem vai ieskatu rīcībai tiek slēgts. Ja domājat par varbūt pirms pieciem gadiem, pirms desmit gadiem, iespējams, ka jums būtu ziņojumi, ka jūs mēģinātu pieņemt kādus lēmumus ar inventāru vai darbībām, tie varētu notikt katru nedēļu, mēnesi, tad tie kļūtu par dienu vai nakti, varbūt tas ir stundu.
Tagad mēs redzam šos viedos mašīnmācības veidotos iegultos mākslīgos viedos birojus, lēmumu un labojumu pieņemšanu uz vietas, tāpēc pat tādas lietas kā lietu internets, IoT iegulta analītika malā, šīs sistēmas ir gudras, un šie algoritmi var pašregulējiet un mainiet dažus lēmumus, kurus viņi pieņem uz vietas īstajā laikā. Bija ļoti interesanti redzēt šo īpašo dinamiku ar digitālajiem apgriezieniem un šiem pieskāriena punktiem - kaut arī tie ir palielinājušies, laiks darbībai turpina samazināties, un šo scenāriju tehnoloģija pēc tam attīstās.
Niks Dževels: Jā, Džen, es domāju, ka viens no visinteresantākajiem aspektiem, kā mainās ieskatu sniegšana, ir tas, kur analītika nonāk pie gala lietotāja. Vai mēs lūdzam lietotājus ienākt informācijas panelī, kad viņi pieņem kritisku lēmumu, vai arī mēs sakām, ka ieskats, nākamā labākā darbība, ir pieejams tieši procesa laikā, plūsmā, lai iegūtu šo konkurences priekšrocību? Un analītiskajam modelim, par kuru mēs runājam, varētu būt nepieciešams izmantot tā ieguldījumus no daudziem dažādiem avotiem - tradicionālajām datu noliktavām, ģeogrāfiskās atrašanās vietas, sociālajiem medijiem, sensoriem, klikšķu straumei - visiem šiem datiem ir nozīme lēmumā un attiecīgajā iznākumā. .
Jen Underwood: Turpinot šo izaicinājumu un pārmaiņu tēmu, kas mums ir šobrīd, un izaicinājumi, kas izpilddirektoram ir jāuztver un jāplāno veids, kā tos iekarot, būtībā mēs esam ieguvuši pārāk daudz datu, lai tos efektīvi pārvaldītu un manuāli analizētu. Tur ilgi kavējas; mums ir jāsaīsina šī kavēšanās, un mums jāatrod veids, kā palielināt mūsu rīcībā esošo datu vērtību. Pasaulē trūkst datu zinātnes talantu, lai aptvertu šīs atziņas un to, ko mēs kā datus sauktu par okeāniem. Labās ziņas ir tas, ka šodien notiek dažas brīnišķīgas inovācijas, kas palīdz ikvienā šīs jomas jomā, un kļūst aizraujoši redzēt, kas un kur mūs vedīs tehnoloģijas, lai palīdzētu mums šajos izaicinājumos.
Turpinot to aplūkot, radās neliels apjukums, runājot ar klientiem vai runājot ar grupām, izmantojot dažus no šiem rīkiem. Daži no klasiskajiem izaicinājumiem joprojām pastāv mūsdienās, mēģinot atrast analizējamos datus, tas vēl nedaudz saasinās. Daži no meklēšanas rīkiem, daži no katalogiem, kas tur atrodas, noteikti ir noderīgi - tagad mēs atrodam, kuru katalogu izmantot. Ir pāris dažādi katalogi, tāpēc ir dažādas vietas, kur varat uzglabāt un dalīties ar datiem, tāpēc ir svarīgi mēģināt to atrast, varbūt katalogu, kas mums jāmeklē.
Otra lieta ir dalīšanās sadarbībā. Mēs runājām par vienu no pētījumiem no šī Hārvarda Biznesa pārskata, cik daudz laika tiek pavadīts, galvenokārt veicot uzdevumus, kas nav pievienoti vērtībai, tērējot laiku un cik dārgi tas var būt. Ja jūs kopīgi spējat koplietot un izmantot kopīgus datu avotus, skripti jau ir izstrādāti, loģika jau ir, varat tos efektīvi pārvaldīt, tāpēc līdzsvarojot pārvaldību ar analītisko veiklību, tas ir tas, ko jūs vēlaties censties darīt un navigējiet šajā pasaulē, ko es saucu, mums ir nišas rīki, mums ir automatizēti darbplūsmas rīki, mums ir klasiskā programma Excel, datu katalogi, pašapkalpošanās BI, datu zinātnes rīki. Kā parādīja viens attēls, starp tiem ir daudz, daudz rīku un daudz pārklāšanās.
Niks Dževels: Jā, ideāls, Džen, un es domāju, ka ieskatu logs, kā jūs minējāt, pavisam noteikti sarūk, taču laiks, kas nepieciešams, lai faktiski ieviestu modeļus, neatpaliek. Paredzamā modeļa ieviešana joprojām ir būtisks izaicinājums daudziem uzņēmumiem. Mēs esam runājuši ar Karlu Rekseru, kurš ir Rexer Analytics prezidents, un Karla 2017. gada datu zinātnes aptaujā viņš atklāja, ka tikai 13 procenti datu zinātnieku apgalvo, ka viņu modeļi vienmēr tiek izvietoti, un šī izvietošanas attiecība vienkārši neuzlabojas, tāpēc mēs dodieties atpakaļ uz katru iepriekšējo aptauju. Faktiski, atgriežoties pie 2009. gada, kad pirmo reizi tika uzdots jautājums, un mēs redzam gandrīz identiskus rezultātus, tāpēc mums ir reāla plaisa.
Jen Underwood: Kad mēs skatāmies uz analītisko briedumu, tas strauji progresē. Atkal, pirms diviem, trim gadiem, mēs ļoti priecājāmies, ka mums ir vizuāla pašapkalpošanās analīze un, visbeidzot, esam elastīgi un izvērsām BI plašākām, per se. Kad es saku masas, iespējams, joprojām organizācijas lietotāji ir enerģijas lietotāji. Tagad mēs redzam optimizāciju, prognozējošo analītiku, dziļu apguvi, dabisko valodu un daudzas citas tehnoloģijas, kas patiešām, tiklīdz tās ir iestrādātas ikdienas procesos, beidzot patiesi demokratizēs analītiku ļoti nemanāmi masām, patiesajām masām, kuras izmantos esošie biznesa procesi, kas viņiem jau ir.
Niks Dževels: Jā, Džen, runāsim ātri par šo pēdējo kategoriju, ja es to varēšu. Lielākā daļa sarunu klausītāju šodien iepazīsies ar Google DeepMind programmatūru AlphaGo, kas pēdējos pāris gados pieveica dažus no labākajiem Go spēlētājiem pasaulē. AlphaGo iemācījās spēlēt spēli, izpētot milzīgus iepriekš ierakstīto spēļu apjomus. Tik daudz, ka AlphaGo turnīra komentētāji apgalvoja, ka programmatūra spēlēja Japānas lielmeistara stilā, ticiet vai nē.
Bet pēdējā mēneša laikā tika ziņots par gandrīz pārsteidzošākiem rezultātiem. Tas bija AlphaGo Zero, dziļa apmācība, neironu tīkls, kas bija bruņots tikai ar vienkāršiem spēles noteikumiem un optimizētu funkciju. Tas iemācīja kļūt par spēcīgāko Go spēlētāju pasaulē bez uzraudzītām apmācībām, un to visu paveica aptuveni 40 dienu laikā. Šī tā saucamā pastiprinošā mācīšanās, kurā cilvēki definē izaicinājumu, ļauj padziļinātas apmācības sistēmai izpētīt, pilnveidoties, patiešām varētu dot vislielāko ietekmi analītiskajā telpā. Tāpēc es domāju, ka sekojiet līdzi.
Jen Underwood: Jā, tas ir tiešām interesanti, ka jūs to pieminējāt. Vai varat iedomāties izņēmumus? Un to es sāku redzēt. Tiešām, runājot par automatizāciju, ļoti aizraujoši ir tas, ka risinājumi ir pietiekami gudri, lai attīrītu gaisu, automātiski mācītos no sistēmām, pievienotu un spēlētu un vienkārši zinātu, ko darīt tālāk, balstoties uz kādiem iepriekš pieņemtiem lēmumiem vai citiem lēmumiem kas ir izveidoti organizācijā un pārvaldot dažas no šīm sistēmām, ETL sistēmām un par tām rūpējoties, un jau dienas laikā pīkstieni un tālruņi man zvanīja ar brīdinājumiem, kad procesi nedarbojas, ir tik aizraujoši domāt, "Oho, tagad tas ir pietiekami gudrs, lai, iespējams, pats sevi sadziedētu."
Mans vīrs pārvalda pašdziedinošo režģi, mums būs pašdziedinošo datu integrācija, pašdziedinošā analīze, un kur tas kļūst labāk un labāk, tas ir patiešām aizraujoši. Kā CDO, kad jūs sākat domāt par cilvēku procesu tehnoloģijām, mēs to apskatīsim, šobrīd mēs skatāmies uz tehnoloģijām, tad mēs apskatīsim cilvēkus un to, kā tuvināties jūsu komandas veidošanai un veidošanai prasmes. Ja paskatīsities uz moderno analītisko platformu, es jums teikšu uzreiz, ka ne visiem šeit viss būs kārtībā, kaut arī lielākajām organizācijām var būt visi šie dažādie komponenti per se, dažām grupām var būt tikai divas vai trīs mazas kastes. šeit, tāpēc es negribēju apbēdināt ļaudis ar to. Bet mūsdienu BI platformai nav obligāti nepieciešama IT būve, iepriekš definēts pārskatu semantiskais slānis.
Lietotājiem un ekspertiem patiešām vajadzētu būt pilnvarām vienkārši sagatavot datus analītiskajam ātrumam un veiklībai, un, ja jūs domājat par to, ko mēs teiktu, ka mēs teiktu, ka lietotāju un ekspertu vadīta analītika, ļaujot ekspertiem būt veikliem, viņiem tas ir jādara. pieņemt ātrus lēmumus. Mēs redzam, ka arvien vairāk tiek pieņemts tas, ko mēs teiktu, personas datu sagatavošanas rīki, datu kropļošana, bagātināšana, tīrīšana, Alteryx veicamo darbību veidi, kā arī dažas datu zinātnes veida aktivitātes, kuras viņi piedāvā kā labi. Viņi piedāvā mūsdienīgu sagatavošanas risinājumu, kas nodrošina intelektuālus, automatizētus savienojumus, izšķirtspēju, datu maiņu, ja jums ir liels datu cauruļvads, tas ir ļoti, ļoti forši. Tas, iespējams, atkal ir viena no jomām, kuru es mīlu un kurai ļoti patīk izmēģināt arī rūpniecību.
Atšķirībā no tradicionālās IT vadītās BI, IT mūsdienās patiešām koncentrējas uz uzņēmējdarbības veicināšanu, un jums ir ļaudis, piemēram, CDO, un jāsastāda vai jāizvēlas pareizie risinājumi, lai organizētu, organizētu un apvienotu šos datus un, protams, pārliecinātos, ka tas ir pārvalda, vai ne? Viena lieta, kas man ir ļoti interesanta, un, protams, es domāju, ka no tā esam secinājuši, bet es nedomāju, ka mēs to vienkārši esam teikuši - vienas datu bāzes noliktavas dienas un tas, ka beigu beigās visi noteikti ir beigušies. Dati ir visur, kas jums jādara - attēlā ir parādījušies datu ezeri, ir straumēšanas un reāllaika dati, tagad ir tik daudz dažādu datu avotu, tas tiešām ir vairāk par lietošanas gadījumiem pamatots “Kas jums nepieciešams?” Versijas “Mums viss ir jāiekļauj datu noliktavā.” Neesmu pārliecināts, Niks, vai tu vēlies komentēt šo? Es neatceros.
Niks Dževels: Es teikšu tikai vienu, un tas ir tikai, vērojiet komponenta attīstību. Tas, ko eksperti izdarīja pirms pieciem līdz desmit gadiem, tagad ir lietotāja rokās, tāpēc lietas, kas atrodas tur labajā pusē, būs vairāk raksturīgas lietotājiem, kas ļoti labi izmanto kodu, kurā nav koda vilkšanas un nomešanas, ļoti īsi. Tas kustēsies ātrāk un ātrāk, tāpēc vienkārši sekojiet tam līdzi.
Jen Underwood: Jā, tas ir patiešām labs punkts. Man patīk par to domāt. Atšķirīgā datu zinātne beidzot kļūst par realitāti, un rīki kļūst tik daudz labāki. Domājot par tehnoloģijām, tagad mums ir jābūt prasmēm un cilvēkiem, un kas mums jādara? Pašlaik labākās darba vietas, piemēram, datu zinātnieki, datu inženieri un biznesa analītiķi, taču mēs esam secinājuši, ka darba devējiem ir grūti atrast rezultātu. Pat datu sagatavošanas telpā es teikšu: “Vai tas ir datu sagatavošanas process, vai tas nepatīk datus, kādus vārdus cilvēki sauc par to?” Tas ir bijis ļoti interesanti atrast.
Uzņēmējsabiedrības nezina, kas viņiem nepieciešams, un tur ir pilnīgi jauna parādīšanās joma, kas aptvers daudzas dažādas jomas. Ja paskatās uz visiem, tagad viņiem ir jābūt viņu datu meistaram, biznesa analītikai, IT projektu vadītājiem, manam vīram, kurš pārvalda elektrotīklu un projektu portfeli, viņam tas jāspēj analizēt. Tā vairs nav tikai finanses un datu analīze, bet ir paplašināta daudzās citās organizācijas jomās. Es domāju, ka es redzēju pētījumu par to, cik daudz datu avotu izmanto mārketings, un tas bija milzīgs. Atkal, domājot par pētījumu, ko veica Harvard Business Review, tas vairs nav tikai viens datu avots, jo cilvēkiem ir jāmaucas un jāapvienojas un jāatrod ieskats, tam ir daudz datu avotu, un tas ir vajadzīgs prasmei.
Apskatot būtībā lielāku attēlu šeit, lielākā daļa jauno īrnieku būs šajā rozā burbulī, kas vērsts uz leju, kad jūs par šiem biznesa analītiķiem runājat ar datu ieguves analītiķiem, personāla vadītājiem, šajā jomā tikai regulārām lomām rindā biznesa, izmantojot datus. Visstraujāk augošajām lomām būs mazāk darbavietu, taču noteikti to, ko šodien dzirdam par visvairāk tirgū esošajiem datiem, zinātnieku un datu inženieri. Kā CDO viņi raugās nākotnē un plānojat talantu, jums jāņem vērā daži ikdienas uzdevumu automatizācijas veidi un iemaņu veidi, kas būs stratēģiskāki, un atkal jāpievieno pievienotā vērtība jūsu organizācijai abiem tie, kuriem ir iespējota analītika, kā arī tur esošie datu zinātnes un datu inženieru darbinieki. Apsveriet, kā varētu mainīties jūsu nepublicētās pozīcijas un pat daži ārštata ekonomikas veidi, domājot par to, lai sacenstos par labākajiem un spilgtākajiem.
Un vienmēr domājiet arī par savu talantu projektu, palīdziet kandidātiem pārvietoties tirgū vai meklējiet lietas, kas varētu nedaudz atšķirties un kas nav tieši tas, ko vēlaties, un izveidojiet iekšējos analītikas kursus, kas, iespējams, nav visstraujāk, visvairāk rentabla stratēģija, lai jūs varētu sekot līdzi. Apsveriet iespēju aplūkot ļaudis, kas nodarbojas ar apmācību šai vai dažādām grupām, un es uzskatu, ka šodien Alteryx sesijas beigās ir ieteicis kursu kā aicinājumu uz rīcību, kuru varat izmantot dažām no šīm lietām un palīdzēt savai komandai. daži no esošajiem resursiem, kas jau ir pieejami.
Niks Dževels: Absolūti. Ir tik daudz veidu, kā šo talantu plaisu aizpildīt, nepieķeroties ieroču sacensībām. Pāris slaidi atpakaļ, es nezinu, vai jūs spējat tur pārlapot pāris. Kaggle, datu zinātnes konkursa vietne, viņi tikko izlaida aptauju ar 17 000 atbildēm par datu zinātnes stāvokli, un no aptaujas tika saņemta patiešām interesanta atbilde par cilvēku prasmēm, un lielākajai daļai respondentu nebija doktora grāda, tas vienkārši vairs nav priekšnoteikums.
Ideja, ka nākamās paaudzes analītikas eksperti - tas lielais burbulis, kuru jūs tikko parādījāt - viņi var iegūt nepieciešamās zināšanas no nano grāda kursiem. Viņi var doties uz tādām vietnēm kā Udacity, un viņi šīs zināšanas var nekavējoties izvietot tieši biznesā, īsi fokusēti piegādes cikli padara tos par tūlītēju konkurences avotu viņu uzņēmumiem. Tāpēc es domāju, ka kaut kas jāuzmana.
Jen Underwood: Nē, es piekrītu. Pat ja es par to domāju, tas noteikti ir tāls ceļš, kopš es UCSD izvēlējos divu gadu programmu. Es domāju, ka tas bija atpakaļ 2009., 2010. gadā, un tiešām valstī bija daži, kas ļāva jums to izdarīt. Tagad parasti ir daudz vairāk iespēju, kā arī specializētas programmas neatkarīgi no tā, vai tās ir caur pārdevējiem, daudzām šodien pieejamām iespējām ar cilpām un visiem šiem dažādajiem tiešsaistes resursiem. Tas ir vienkārši pārsteidzošs, tiešām ir laiks. Paredziet tam laiku un budžetu, kā arī plānojiet sevi, lai neatpaliktu. Kas ir tas, ko vēlaties iemācīties? Un tad ejiet pa to ceļu, kuru vēlaties iemācīties.
Runājot par to, aplūkojot šo jautājumu un sastādot savu prasmju plānu un no CDO perspektīvas, pārliecinoties, ka viņiem ir ļaudis tajās jomās, no kurām es teiktu kompetenču ietvars pats par sevi, prasmju aplūkošana vai tādu lietu kā domēna zināšanas apskatīšana joprojām ir ļoti svarīgs, kaut arī šie risinājumi var pašmācīties un pašmācīties, tas patiešām ir biznesa priekšmeta eksperts, kurš vadīs un pārliecināsies, vai rezultātiem ir jēga.
Vienmēr ir kaut kas, un man patīk izmantot piemēru, kad es darīju kritisku analīzi apdrošināšanas sabiedrībai, un viens no secinājumiem, kas bija algoritmu pamatā, nebija pieņemt darbā nevienu no Ņujorkas. Nu nē, mēs negrasāmies pieņemt darbā nevienu no Ņujorkas - mums bija jānoskaidro, kāpēc algoritms mums sniedza šo informāciju. Tas notika tāpēc, ka bija mainījies likumīgais, viens no likumiem, un tāpēc mums šajā nozarē bija ļoti daudz kņadas. Vajadzēja piesaistīt biznesa priekšmeta ekspertu, lai to atšifrētu, un es neredzu, ka mainās, es neredzu šāda veida vadību, pārliecinoties, ka rezultāti izskatās precīzi, kaut kas izskatās - tas joprojām ir, tur ir kaut kas, par ko domājams, cilvēka prāts, šī skaistums apvienojumā ar mašīnas spēku patiešām ir tas, kurp mēs ejam.
Cita veida lietas, aplūkojot prasmes, vizualizāciju, pastāstot efektīvu stāstu datos, pastāstot efektīvam stāstam par to, vai tā ir pat mašīnmācīšanās rezultāts. Apkopojot un apskatot, kāda ir tā ietekme, izprotot lēmumu pieņemšanas cilvēcisko būtību, šāda veida lietas ir ļoti svarīgas neatkarīgi no tehnoloģijas. Pārvaldība ir patiešām svarīga, ētika kļūst arvien nozīmīgāka. Iesaistīti sociālie zinātnieki, kuri saprot, un viņi ir apmācīti paskatīties, vai jūsu datos ir aizspriedumi, kurus jūs pat nenojaušat vai kuru organizācijā nav neviena, kas, iespējams, to pat neatzītu, pat ievedot viņus ekspertā, kam ir šāda veida lietas.
Un atkal, protams, ja jums ir inženierzinātņu un aparatūras infrastruktūra un jāpārliecinās, ka varat mērogot un tā ir izstrādāta, un pārliecinieties, vai izmantojat pareizo mākoņa pakalpojumu sniedzēju, varbūt, ka neesat ieslēgts vai ka jums ir pārvietošanās iespējas, vai jūs saprotat cenu par to, cik šie maksā jums. Tas ir šāda veida prasmes, un, kad jūs to aplūkojat, mēs to saucam par prasmēm dažādās jomās neatkarīgi no tā, vai tas ir uz datiem balstīti frontes lēmumu pieņēmēji - kur būs lielākā daļa šo lomu - līdz tiem datu inženieriem un datu zinātniekiem, kuri masēt un strādāt šajos datu okeānos. Šie ir lietu veidi, kuriem jūs vēlēsities izveidot ietvaru.
Raugoties uz kompetenču ietvariem, jūs aplūkojat organizāciju kopumā, jūs vēlaties apsvērt ne tikai prasmes, bet arī kompetenci. Te ir mazliet nianses, kā jūs skatāties uz šo. Jūsu organizācijas kompetences ietvars ir skaidrs signāls. Kara politikas veidotāji, izglītības sniedzēji, kaut arī prasmes, teiksim, tiek ierakstītas zem R, jūs domājat par šāda veida lietām, jums ir kompetents kodētājs, bet jūs vēlaties, lai būtu vairāk nekā tikai šīs prasmes. Kad jūs saprotat kompetenci, kas cilvēkam ir jāprot un jāsaprot ietvars, tas ir svarīgi, tur ir mazliet nianses.
To veidojot, jūs vēlaties diagnosticēt, ko jūs dēvētu par spējām, kurām ir pozitīva ietekme uz biznesu, un izcelt šīs augsta potenciāla jomas, tāpēc jūs prioritējat to, kuras ir kompetences, kuras vēlaties paaugstināt savā organizācijā un pēc tam tos atkal saskaņojiet ar biznesa mērķiem. CDO, kas atbild par datu vērtības maksimizēšanu, viņi apskatīs, un viņu CAO, kas izmantos analītiku, lai palielinātu datu vērtību. Viņi apskatīs šīs kompetences un dažādās jomas pagātnes režģī, kas man tur bija, bet tad viņi apskatīs arī augsto personāla potenciālu. Jūs norādīsit, ka kopā ar personālu, kas strādā ar datiem un analītiku, un ieguldiet viņos, nodrošiniet viņiem mācīšanās iespējas, nevis tikai apmācību, galvenokārt reālās pasaules iespējas, strādājot pie reālām biznesa problēmām.
Nav nekas labāks - kaut arī es pāris gadus gāju skolā, tikai tad, kad gāju un pielietoju dažus no šiem algoritmiem vai uzzināju par čeku krāpšanu, uzzināju par dažām no šīm lietām, par kurām nekad agrāk nebiju domājis, un tu sāciet salikt kopā reālajā pasaulē, un tur jūs patiešām mācāties. Dodiet cilvēkiem iespēju iegūt pieredzi šajās jomās. Uzņēmumi, kuri vislabāk spēj izveidot spēcīgas spējas, kuri sistemātiski identificē objektīvus novērtējumus un meklē, kur ir trūkumi manā organizācijā, lai mācītos un ieviestu dažus rādītājus cilvēku mērķu sasniegšanai, tie ir tie, kas spēs piegādāt.
Kad jūs domājat par pieaugušo apmācību, atkal tas parasti ir laiks, kurā trūkst bada - mēs visu laiku esam badā, - bet skatoties, kas katram der. Man personīgi ir grāmatas, tāpēc, ja jūs šodien ienākt manā birojā, jūs redzētu daudz grāmatu, kaut arī daudziem cilvēkiem patīk videoklipi. Tāpēc ir jānoskaidro, kā kādam no jūsu organizācijas patīk mācīties - motivēt viņu mācīties -, un vienlaikus arī dodiet tam laiku, lai to izdarītu un sava veida mērķi - kas ir efektīvs, lai to sasniegtu, un parasti tas ir sajaukts, tas nav tikai, ņem šo kursu, lai pārbaudītu atzīmi uz rezultātu kartes, pats par sevi, tas ir sajaukšana ar reālu mērķa projektu un ko tu iemācījies no šī projekta, un ko tu vēlies darīt tālāk? Kas ir posms? Izstiepjot komandu vai motivējot komandu ņemt to tālāk.
Šie mācīšanās mērķi, atkal, ja jūs to darāt, tam patiesībā nevajadzētu būt, tam vajadzētu būt vienkāršam biznesam, jo šiem mērķiem vajadzētu būt saskaņotiem ar stratēģiskajām biznesa interesēm. Tie ir lieliski projekti. Viņi ir eksperimentāli projekti. Tie ir projekti, kas virzīs adatu uz priekšu.
Niks, vai tu vēlēji kaut ko pievienot? ES neesmu pārliecināts.
Niks Dževels: Nē, es grasījos iedziļināties lietas izpētē, ja tas ir kārtībā, nākamajā ekrānā. Nedaudz sīkāk par konkrētu organizāciju. Es domāju, ka viņi daudz ko jūsu teikto ir ieviesuši praksē, realitātē. Ford Motor Company paļāvās uz datu analīzi gadu desmitiem, tāpat kā daudzi uzņēmumi, taču to darīja biznesa kabatās, iespējams, ar ļoti nelielu pārraudzību visā korporācijā, lai nodrošinātu konsekvenci un koordināciju. Viņu problēmas, iespējams, bija diezgan tipiskas sava mēroga organizācijai, tāpēc analītiskās zināšanas ietilpa kabatās, kā mēs sakām, datu pārvaldības un pārvaldības prakse nebija konsekventa pat līdz vietai, kurā dažām biznesa vienībām nebija piekļuves pamata analītikas zināšanām.
Atkal mēs šodien runājām par daudziem dažādiem datu avotiem, viņiem bija vairāk nekā 4600 datu avotu. Tas nozīmēja pat ceļojuma sākšanu un nepieciešamo datu atrašanu, kas bija reāls šķērslis analītiskajam ieskatam. Es redzu, ka jūs smejaties, bet tā ir drausmīga lieta, vai ne?
Jen Underwood: 4600, ak, Dievs, jā.
Niks Dževels: Tātad Ford izveidoja globālo ieskatu un analītikas vienību, un tā bija centralizēta - jūs varat to saukt par izcilības centru -, kas sastāv no datu zinātnieku un analītiķu komandas, kas ir organizēta, lai dalītos tajā analītiskajā labākajā praksē un palīdzētu izplatīt optimizētus, uz datiem balstītus datus. datu veidošana visā biznesā. Vienība izvēlējās labākos savā klasē instrumentus ne tikai pēc spējām, bet arī pēc spējām labi integrēties kopā, tāpēc tas ir diezgan svarīgi. Viņu demokratizācijas uzmanības centrā faktiski bija ziņojumi un aprakstošā analīze, pirms tika virzīts augšup pa vajadzību piramīdu, par kuru mēs runājām.
Tagad demokratizācija ne tikai padara nakti par datu zinātnieku; personālam jāzina, kad un kur saņemt palīdzību, un tam visam pieejama apmācība, pārvaldība, metodoloģijas. Turklāt tas attiecas ne tikai uz instrumentu apmācību, bet arī uz datu zinātnes apmācību, lai pārvarētu šo prasmju trūkumu, ko mēs pieminējām. Tātad reālas izmantošanas gadījums Ford, optimizējot loģistikas tīklu, vai tad Ford maksāja pareizo summu, lai pārvietotu materiālus no punkta A uz punktu B? Viņu mantotā analītika patiešām neizcēla izmantojamās iespējas; Tas viņus tirgū padarīja ļoti atsaucīgus. Tagad šī procesa sarežģītība tika ieslodzīta analītiķu galvās, un viņi veica milzīgu izrāvienu, kad pašapkalpošanās darba plūsma faktiski tika atkārtota ar biznesu, un analītikas eksperti sēdēja kopā un atradās līdzās.
Tas pārcēla analīzi no vairāku gadu uz ceturkšņa un pat uz gandrīz reālā laika, tik milzīgs, milzīgs ieguvums biznesam. Pašapkalpošanās analītikas ietekme uz biznesa vērtību ir tāda, ka Ford var ātri plānot un izveidot korporatīva mēroga, uz datiem balstītu stratēģiju, reaģēt uz jaunajām tendencēm, palīdzēt veidot jaunus pakalpojumus un būtībā novērst konkurences draudus, ne tikai jāskatās tajā atpakaļskata spogulī.
Tagad, ja kādu brīdi palūkosimies uz to, kā cits klients patiešām ir pārvietojis analītiku no varbūt vertikālas prioritātes vienā uzņēmuma nodaļā uz horizontālu svītru visās nodaļās, mēs runāsim par Shell. Shell vada izcilības centru, kas atskaitās galvenajam digitālajam darbiniekam - tātad mūsu CxO rokasgrāmatai ir vēl viens D, kas atbild par digitālo pārveidošanu un ilgtspēju. Šie puiši saprata, ka viņu vidē ir vairāki slāņi, kā arī tehnoloģiju kaudze, glabāšana, datu apstrāde un tas viss piedāvāja tehnoloģijas, kuras jūs visi pārzināt. Lietas, piemēram, SAP HANA, Databricks, Spark, un tās izmantoja publisko mākoni, lai sasniegtu pareizo mēroga ekonomiju.
Tagad viņi izvēlējās Alteryx kā analītisko ietinēju lielam savam R kodam, izmantojot tādas tehnoloģijas kā Spotfire, Power BI un citas. Bet tagad viņi redz adopciju sasaistām daudz ciešāk ar datu apstrādi un vizualizāciju. Džen, tikko atsaucoties uz visu šo iespēju slaidu, šāda veida lietas izplatās, kad sākam dot piekļuvi vairāk analītiķiem. Jūs zināt, viņi bija ļoti veiksmīgi nodrošinājuši šo spēju un COE, cenšoties tagad sniegt nākotnes iespējas, dažas no tām dziļajām mācīšanās lietām, par kurām mēs runājām, - mašīnu redze, dabiskās valodas apstrāde - un puse no viņu misijas ir piegāde, puse no tās mērķis ir izskaidrot un katalizēt šīs idejas dažādās biznesa vienībās. Tā ir daļa no ceļojuma; COE vienmēr meklē dažādus veidus, kā sazināties ar viņu biznesa auditoriju.
Vienā pusē ņemot vērā skeptiķus, kuri saka: “Nu, šī melnā kaste nekad nebūs tik laba kā manam analītiķim”, līdz pat fanam vai entuziastam, kurš visur redz korelācijas, varbūt mazāk cēloņsakarību veidā., bet jums jābūt uzmanīgam no abām pusēm. Tas ir aizraujošs vidusceļš, kad jums ir šī horizontālā josla visā organizācijā, jauktais prasmju komplekts, kas nepieciešams, lai pārliecinātu abas spektra puses.
Niks Dževels: Labi, Džen, vai tu tur esi?
Jen Underwood: Es esmu.
Niks Dževels: Es domāju, ka tas, ko mēs šeit cenšamies pateikt ar šo Klaitona Kristensena citātu, ir tas, ka daudzām organizācijām es domāju, ka, apvienojot analītikas programmu, lai virzītu digitālo pārveidi, par kuru mēs šodien runājām, būt izaicinājumam. Biežāk nekā nav, mēs atrodam analītiskas komandas, kas sāk ar vāju roku. Mēģinājums ieviest jauninājumus ar analītisko procesu, tehnoloģiju, komandas struktūru mantoto aizturēšanu un turēšanos pie šīm relikvijām būs lielākais šķērslis analītisko sakārtošanai un analītisko jauninājumu ieviešanai. Vai jums par to ir domas, Džen?
Jen Underwood: Man patīk attēls, kas tika izvēlēts. Jā, protams, man ir daudz jēgas. Jums ir jāaptver dažas no šīm jaunajām tehnoloģijām, piemēram, straumēšana reāllaikā. Jums ne vienmēr būs iespēja iegūt šos reāllaika rezultātus, ja jums pārlūkprogrammā ir jāatsvaidzina JavaScript, izmantojot senu mantojumu - varbūt tā ir informācijas paneļa lietotne vai šāda veida lietas. Jā, jums noteikti jāaptver daži no šiem jaunajiem rīkiem, un es atkal domāju, ka šis attēls ir patiešām jauks, attēls saka tūkstoš vārdu. Grozs un bugijs, jums ir jāatsakās no dažām no šīm veco tehnoloģiju pieejām.
Niks Dževels: Absolūti. Tātad, ja mēs pāriet uz nākamo slaidu, mēs domājam, ka ir labāks veids. Es domāju, pirmkārt, izmantojot kaut ko līdzīgu Google meklēšanai, lai ātri atrastu visus jūsu datu aktīvus, kas ir visatbilstošākie. Izpratne par viņu kontekstu, izpratne par atkarību, faktorēšana patiešām vienkāršās lietās, piemēram, biznesa vārdnīcās, kuras ir sastādījuši jūsu kopienu eksperti, kuras ir dzīvas no visām šīm cilts zināšanām par jūsu kolēģiem.
Gūstiet gudri, izmantojot datu atklāšanu. Padomājiet par iespēju organizēt sarunas ar ziņojumu īpašniekiem un ekspertiem. Augšupielādējiet, nedaudz veiciet Trip Advisor vai Yelp, augšupielādējiet visnoderīgākos aktīvus, aplieciniet tos, kurus organizācija uzskata par visvērtīgākajiem, un pēc tam visu šo ievadiet meklēšanas rezultātos un galu galā meklēšanas klasifikācijā, padarot to labāku nākamais lietotājs. Kad esat atradis meklēto, pārejiet šajā ātrajā, bez koda, lietotājam draudzīgajā sagatavošanas un analīzes posmā, lai izstrādātu savu perfekto datu kopu, no kuras varētu publicēt atkārtojamus procesus.
Atpakaļ pie mūsu sarunas par automatizāciju, izveidojot lietotājam draudzīgas lietotnes. Neatkarīgi no tā, kas nepieciešams analītisko modeļu izveidošanai. Runājot par modeļiem, mēs vairākus gadus esam atbalstījuši atvērtā pirmkoda tehnoloģijas, piemēram, R, ļauj mums izveidot patiešām progresīvas analītiskās iespējas, kas aptver ne tikai aprakstošu, bet arī paredzamu, preskriptīvu analītiku vienkāršā, velkošā un piliens veidā.
Tagad, pa labi, faktiski šo ieskatu interaktīvās vizualizācijās, modeļos un vērtējumos novirza datu platformās vai pavisam nesen, padarot šo ieskatu pieejamu uzreiz un tieši biznesa procesā. Es domāju, ka tieši šāds iespēju klāsts visā platformā ļāva mums tikt atzītam par Zelta balvas ieguvēju šī gada Gartner Peer Insights klientu izvēles aptaujā, kas ir fantastisks sasniegums. Es ļoti iesaku jums apmeklēt vietni Gartner, lai uzzinātu vairāk un pievienotu savas balsis, kā arī pievienotu savus komentārus.
Forši, tāpēc, Džen, ja mēs izlaižam vēl vienu slaidu uz priekšu - es domāju, ka, secinot, es gribētu jums dot dažus nākamos soļus. Pirmkārt, lūdzu, apmeklējiet vietni Alteryx.com, lai lejupielādētu mūsu jaunākā pētījumu kopsavilkuma bezmaksas kopiju, kas tika veikts sadarbībā ar Starptautisko analītikas institūtu (IIA), par analītisko šķēršļu novēršanu. Varat arī apmeklēt vietni udacity.com/alteryx, lai uzzinātu vairāk par to, kā dot iespēju komandām, spert nākamo soli viņu ceļojumā, izmantojot šo moderno analītisko nano grādu un pēc tam beidzot piedzīvot Alteryx. Apmeklējiet mājas lapu, lejupielādējiet pilnībā piedāvāto novērtējumu un dodieties uz aizraušanos ar aizrautību.
Džen, tev pāri. Mums, iespējams, ir laiks Q&A.
Ēriks Kavanaghs: Es vienkārši piezvanīšu ļoti ātri. Mums ir pāris jautājumi. Es domāju, ka vispirms to nodosim jums, Nikam un pēc tam Jenam, ja vēlaties to komentēt, taču tas noteikti ir vairāk piemērojams ES, un tas ir draņķīgi GDPR, Globālās datu aizsardzības regulas. Kā tas ietekmē Alteryx un jūsu ceļa karti, un uz ko jūs, puiši, esat koncentrējies?
Niks Dževels: Es domāju, ka šobrīd tas ir ļoti boogieman. Daudzi cilvēki par to runā, daudzi cilvēki ir diezgan noraizējušies, bet tas tiešām ir tikai pirmais no ilgajām noteikumu sērijām, kas stāsies datu un analītikas pasaulē. No mūsu viedokļa tas tiešām ir saistīts ar jūsu datu izpratni un klasificēšanu. Pārliecinoties, ka kā CxO ir kāda īpaša garša, jūs zināt, kur atrodas jūsu aktīvi, jūs zināt to kontekstu un zināt, ka varat viņiem uzticēties kā pirmais solis, lai patiešām tikai pārvaldītu un pārvaldītu datus plašākā kontekstā.
Ēriks Kavanaghs: Es domāju, ka es uzdošu jums vēl vienu jautājumu, pirms mēs atgriezīsim Dženu, Niks, un tas ir, apmācības datus, ja kāds pieprasa viņu datus noņemt no jūsu uzņēmuma, un tas ietekmē ne tikai viņu vārdu, adresi un tā tālāk, ne tikai viņu kontaktinformāciju, bet arī tad, ja algoritms izmanto apmācības datus, kas ietver jūsu datus, jums vajadzētu pārkvalificēt algoritmu, vai ne tā?
Niks Dževels: Tas ir īpaši sarežģīti. Es domāju, ka ideja, ka ne tikai datu bāzes ir daļa no šīs personiski identificējamās informācijas, bet arī analītiskās darbplūsmas, lietotnes un vizualizācijas. Šie dati ir visur ar organizāciju, tāpēc, ņemot vērā šo kontekstu: absolūti būtisks.
Ēriks Kavanaghs: Un Džen, kāda ir jūsu doma? Acīmredzot tas nav tik liels darījums ASV, un mēs neredzam, ka tagad pārāk daudz uzņēmumu ķeras pie tā, kaut arī tehniski tas šeit attiecas. Ja ASV uzņēmumam ir dati par ES pilsoni, tad kāda ir jūsu GDPR nozīme un cik liels darījums tas ir?
Jen Underwood: Nu, es noteikti domāju, ka tas prasa atbildīgu datu apstrādi. Esmu par to rakstījis pāris reizes, un man ir dažas vadlīnijas par dažām no šīm lietām. Manuprāt, interesants ir jautājums, kuru uzdevāt par algoritmiem. Protams, daži no risinājumiem, kurus es šodien skatos, daži no viņu produktu komandām ir izstrādājuši funkcijas, lai jūs varētu redzēt, kā viņi pieņem lēmumus un kādi personas dati tika izmantoti, lai izlemtu šī algoritma rezultātu. Šeit Amerikas Savienotajās Valstīs ir redzama zināma ietekme uz izstrādājumu dizainu.
Daudziem tehnoloģiju uzņēmumiem šeit ir ļoti lieli biroji un attīstības komandas šeit, gan ASV, gan visā pasaulē, tāpēc mēs to redzam produktu attīstībā. Es redzu, ka tiek investēts vairāk datu katalogu. Vairākas valdības iniciatīvas tiek izvērstas tā, lai ļaudis saprastu un saprastu, kur visi šie dati atrodas haosā. Mēģina dabūt rokas vismaz organizējot, spēt to atrast un kaut ko ar to izdarīt.
Ēriks Kavanaghs: Es gatavojos virzīt šo slaidu, par kuru mēs runājām iepriekš, un pārmest to jums, Niks. Es domāju, ka šis ir fantastisks slaids, jo, manuprāt, tas tiešām norāda uz nepieciešamību pēc analītikas. Ko jūs domājat par šo mainīgo dinamiku? Es domāju, ka vissvarīgākais ir tas, ka uzņēmumiem jābūt veikliem, un es uzskatu, ka analītika vada šo maksu. Ko tu domā?
Niks Dževels: Tas ir aizraujoši. Es domāju, ka vienmēr ir uzņēmumi un tehnoloģijas vienmēr pastāv trīs štatos, tāpēc tas būs karš, miers vai brīnums. Karš būs par tik smago konkurences līmeni. Wonder ir visas lieliskās jaunās lietas, kuras jūs veidojat uz platformas. Tad miers pirms sacensībām un karš sākas no jauna. Es domāju, ka vienmēr notiek šī cīņa.
Pirms šodienas zvana mēs runājām par dažām citām konferencēm un galvenajām piezīmēm, kas šodien notiek visā pasaulē. Daži no lielajiem mākoņu pārdevējiem ir sasnieguši punktu, kurā viņi ir izveidojuši šo platformu, un tagad viņi virs tā veido brīnišķīgas jaunas lietas. Uzņēmumiem tas ir ļoti rūpīgi jāseko līdzi un jāpārliecinās, ka viņi strādā ar kaut ko, kam ir saskaņota platforma, kas nodrošinās šo vērtību nākotnē. Viņi būs tie, kas pārdzīvos šos traucējumus.
Ēriks Kavanaghs: Jā, tas ir labs punkts, un jūs zināt, Jen, jūs iepriekš, faktiski pirms šova, komentējāt par mākoņstratēģiju un to, kā liela daļa cilvēku, kurus jūs zināt nozarē, saka, ka lielie uzņēmumi, pat bankas, tagad visiem ir mākoņu stratēģija. Esmu bijis pārsteigts par to, cik ilgs laiks ir vajadzīgs, lai tas notiktu, un es domāju, ka varbūt daži no viņiem devās uz AWS Atjaunotāju konferenci un saprata, cik tā ir milzīga, un izdarīja secinājumu, ka ir pienācis laiks. Ko jūs domājat par lielo uzņēmumu vadītāju informētību par mākoņu importu un kā tas maina viņu plānošanu?
Jen Underwood: Domājot par šo liela mēroga datu pasauli, lai varētu to pārvaldīt, es domāju, ka dažos līmeņos ir kaut kas mierīgs, ja kāds no ļoti lielajiem uzņēmumiem uzņemas atbildību par dažiem drošības aspektiem, tāpēc kaut kāds miers tur. Jūs zināt, ka mākoņainība ir ierobežota.
Otra lieta ir, un es to redzēju, es biju komandā, kas izstrādāja produktu mākonī, un tas noteikti bija nepietiekams produkts un neviens tam nepievērsa nekādu uzmanību divu gadu laikā iknedēļas izlaišanas dēļ un pat, Es teiktu, ka tas ir gandrīz līdz ikdienas izlaišanas brīdim mākonī. Es zinu, ka Amazon saka, ka viņi izlaiž vairākas reizes dienā. Kad jums ir šie draudi, kad jūsu konkurenti var atbrīvot un uzlabot katru dienu, neatkarīgi no tā, ko viņi dara, vismaz programmatūras nozarē - un visi, kas patiešām ir programmatūras nozarē, kad sākat apskatīt digitālo pārveidi - tas ir pavisam kas cits bumbiņas un ikviens var izveidot mākoni un mērogu un kļūt liels.
Atkal, tie būs dati, kurus viņi piesaistīs, un tas mainīs viņu intelekta algoritmus, un tāpēc ļaudis runā par to, ka dati ir jaunā eļļa vai dati ir par zeltu. Kad es skatos uz mākoni, tas ir spēles mainītājs, tas tiešām ļauj ļoti, ļoti ātru attīstību un mērogu. Tas ir lieliski.
Ēriks Kavanaghs: Es jūs atgriezīšos, Niks, vēl vienam jautājumam - mēs šeit dosimies tikai minūtes garumā, ja varēsim nokļūt pie dažiem no šiem jautājumiem, bet, kā es atceros, pieci un seši un varbūt pat septiņi pirms vairākiem gadiem Alteryx patiešām bija jauninājums, izmantojot trešo pušu datus - tādējādi ienesot datus no avotiem, piemēram, piemēram, Experian, vai ģeotelpiskos datus. Es domāju, ka tā, iespējams, ir stratēģiska priekšrocība, jo šāda veida lietas atrodas DNS Alteriksā, vai ne? Tā kā uzņēmumi virzās uz mākoni, es domāju, ka jums, puišiem, ir liela pieredze spējā pārvarēt šīs pasaules. Kā jūs domājat, kādas ir trešo pušu un mākoņa datu versijas, kas tiek demonstrētas pirmizrādēs?
Niks Dževels: Jā, absolūti. Galīgā savienojamība būs tāda spēka spēle jebkuram uzņēmumam, kas strādās šajā mākoņa vidē. Bet, kad mēs runājam par kaut ko līdzīgu infonomikai, es teikšu, ka ideja par to, ka informācija un dati ir jāuzskata par jūsu uzņēmuma aktīviem. Lielākā vērtība, ko jūs iegūsit, ir ārēju datu avotu ņemšana, sajaukšana un bagātināšana ar iekšējiem avotiem, lai procesā radītu un gūtu peļņu. Ir absolūti kritiski strādāt vienādi ar iekšējiem un ārējiem datiem.
Ēriks Kavanagh: Jā, tas ir labs punkts. Es domāju, ka visa šī hibrīdo mākoņu pasaule ir šeit, lai paliktu. Džen, iespējams, es tikai nodosim to jums dažiem noslēguma komentāriem. Manuprāt, kam ir šāds stratēģiskais skatījums un spēja vienoties, jo jaunais termins apraksta datus visos avotos, tas būs kritisks veiksmes faktors, kas notiks, vai ne?
Jen Underwood: Nē, absolūti, un tas ir smieklīgi, es dzirdēju šo hibrīdu, hibrīdu, hibrīdu. Jūs dzirdējāt par šo, un pirms četriem gadiem jūs domājat par Hadoop, Hadoop un lielajiem datiem, un tad jūs sākāt dzirdēt hibrīdu, hibrīdu, tāpēc noteikti tur bijāt, mēs ne vienmēr esam, šis ir mašīnmācības gads, svītru nav. Es domāju, ka mākslīgais intelekts ir mašīnmācība, kas šogad ir sākusies, bet, lai šodien patiešām darbotos organizācijā, kas atrodas ceļā uz mākoni vai kurai ir jārisina visi šie dažādie mākoņu datu avoti, iespējams, tas ir Salesforce vai Darba diena, visi šie dažādie avotu veidi, kas dzīvo mākonī, vienīgais veids, kā jūs varat rīkoties, ir hibrīds. Iespējams, ka datus nevar kopēt visur, tāpēc jums ir jāspēj tieši izveidot savienojumu, un jums jāatrod veids, kā strādāt ar datiem, kas atrodas visur, atrast datus visur, jo tāda ir realitāte tur, kur mēs esam īstajā vietā tagad.
Ēriks Kavanaghs: Es domāju, ka es būšu nolaidīgs, ja neatgriezīšos mašīnmācības sarunā, tāpēc, Nik, es to vienkārši pārdomāšu tev. Es zinu, ka jūs, cilvēki, tagad koncentrējaties uz to. Vai jūs varat parunāt par to, kur jūs redzat mašīnu apguvi, saskaņojot ar analītiku un sistēmām, kuras mēs izmantojam, lai izprastu mūsu biznesu un mūsu datus?
Niks Dževels: Jā, protams. Tātad īsumā atgriezīsimies pie mūsu prasmju trūkuma. Ideja par to, ka mums ir organizācijas, kas pilnīgi piepilda spēkus ar Excel lietotājiem. Mēs esam ieguvuši datu zinātnieku pieredzi, bet tie nepieaug ar tādu pašu ātrumu. Starp abiem ir milzīga plaisa. Padomājiet par to, kur šodien notiek mašīnmācība. Cik daudz algoritmu mums ir tālrunī vai pulkstenī, kuros ietvertas mašīnmācīšanās metodes? Tā ir prece, tā ir visur. Mums ir jāļauj šiem enerģijas lietotājiem iespējami vienkāršākā veidā pārliecināties, vai mašīna tiek veiksmīgi izmantota visā biznesā.
Ēriks Kavaņahs: Iespējams, es metīšu jums pēdējo. Mums pāris jautājumi bija vēlu šeit. Džen, es tev to pajautāšu. Dalībnieks komentē visu šo nepārraudzītās mācīšanās koncepciju, un patiesībā jums ir nepieciešami apmācības dati, lai veiktu šos materiālus, un parasti apmācības datiem jābūt specifiskiem uzņēmumā. Kaut arī nozarēs ir daudz korelāciju, ir daudz veidu, kā organizācijas ir līdzīgas. Neskatoties uz to, katrs uzņēmums ir unikāls, neatkarīgi no tā, vai tas ir tā biznesa modelis vai pieeja mārketingam vai pārdošanai, vai neatkarīgi no tā, vai tiek izstrādāta prece.
Jautājums kļūst, vai šie algoritmi varēs apmācībai izmantot trešo personu datus? Man šķiet, ka jums vienmēr būs jāizmanto savi dati, lai apmācītu šos algoritmus, pat ja cikla laiks sabrūk no sešiem mēnešiem - kas dažos gadījumos ir bijis - līdz 40 dienām vai 20 dienām, neatkarīgi no tā, gadījums var būt. Jums tiešām ir jāizmanto savi dati un jāpārliecinās, ka dati ir diezgan tīri, vai ne?
Jen Underwood: Tas tiešām ir sajaukums. Jūs vēlaties iegūt ārēju kontekstu. Patiesībā es šodien esmu rezervēts atpakaļ, un mans nākamais vebinārs runā par datu sagatavošanu un tīrīšanu, ironiski mašīnmācībai. Patiesībā galvenais ir tas, ka jūs veidojat ārēju kontekstu ar savu organizāciju, un man ļoti patīk, ka jautājāt par datu sagatavošanu un tīrīšanu, jo, ja godīgi, daži no rīkiem ir ļoti, ļoti labi - viņi var tikt galā ar dažiem tā aspektiem, bet cilvēka prāts vai spēja atšifrēt problēmu un meklēt, un pārliecināties, ka tās nav izlaistas - sakiet, ka mums ir sava veida nolaidība. Tas, kā jūs skatāt problēmu, un veids, kā jūs izvēlaties projektēt problēmu, kuru jūs automatizējat, vai lēmumi, kurus jūs automatizējat, to raksturo māksla un pārliecinieties, ka tā precīzi atspoguļo šo biznesa procesu.
Atgriežoties pie mana piemēra ar apdrošināšanas kompāniju, kad mēs modelējām kannu un kam nolīgt darbiniekus, lai apmeklētu šo sponsorēto apmācību, lai pārdotu apdrošināšanu; pats modelis nebija tiesiskais klimats, atšķirīgi likumi dažādām valstīm. Vienmēr būs kāds aspekts, kurā jums būs nepieciešami šie ārējie dati ar iekšējiem datiem un atkal - ar cilvēka prātu. Tur būs dažādas sastāvdaļas.
Ēriks Kavaņahs: Es domāju, ka jūs šeit norādījāt uz labu punktu. Mēs turpinām dzirdēt par robotiem un mašīnām, kā arī mašīnu apguvi. Manuprāt, tā ir ļoti graujoša tendence - par to nav šaubu -, bet es nekad neredzu, ka sajaukumā būtu nepieciešami cilvēki, jo īpaši ņemot vērā datu analīzi, uzņēmuma datus.
Niks, viens pēdējais jautājums jums. Neatkarīgi no tā, cik labi algoritmi gūst labumu, jums vienmēr būs nepieciešami cilvēki, kas pārraudzīs notiekošo, iepludinās sevi noteiktā laikā un patiesībā sintezēs visu, kas tur ir. Es nedomāju, ka kāds algoritms kādreiz spēs sintezēt Fortune 2000 uzņēmuma lielo ainu, bet ko jūs domājat?
Niks Dževels: Labi, ņemsim piemēru, kas nav pilnībā saistīts ar Alteryx, parunāsim par Uber no pagājušā gada. Uber teroristu incidenta laikā Austrālijā, cenšoties bēgt no teritorijas, viņi pēkšņi pielietoja cenu pieaugumu, jo algoritma teiktā dēļ tas nodarīja milzīgu reputāciju. Tūlīt pēc tam viņi ieviesa cilvēkus un algoritmus, kas strādāja kopā. Jebkurā laikā, kad tas drīz notika, cilvēkam bija jābūt procesa pārraudzībai. Šī cilvēka un algoritma partnerība, tas ir ceļš uz priekšu.
Ēriks Kavanagh: Wow, tas ir lielisks piemērs, liels paldies. Mēs, ļaudis, esam pārraduši vairāk nekā stundu šeit mūsu tīmekļa pārraidē. Ļoti liels paldies Jen Underwood no Impact Analytics. Protams, liels paldies Niksam Dževelam un Alteryx komandai par viņu laiku un uzmanību, un visiem jums par jūsu laiku un uzmanību. Mēs novērtējam šos lieliskos jautājumus. Mēs arhivējam visas šīs tīmekļa pārraides, lai tās vēlāk varētu apskatīt, un jūtieties brīvi dalīties tajās ar draugiem un kolēģiem. Ar to mēs jūs atvadīsimies. Lieliska šodien pārraide internetā. Vēlreiz liels paldies, mēs ar jums tiksim galā nākamreiz, ļaudis. Rūpēties. Labdien!
