Autorius „Techopedia“ darbuotojai, 2017 m. Lapkričio 29 d
„Takeaway“: Priimančioji Erika Kavanaghas aptaria duomenis ir analizę, taip pat vyriausiojo duomenų pareigūno (CDO) ir vyriausiojo analitiko pareigūno (CAO) vaidmenis su Jenu Underwoodu iš „Impact Analytix“ ir Nicku Jewellu iš „Alteryx“.
Ericas Kavanaghas: Ponios ir ponai, sveiki ir dar kartą sveikiname sugrįžus į labai specialų „Hot Technologies“ leidimą. Žmonės, tai yra Ericas Kavanaghas, aš būsiu jūsų šios dienos laidos „CxO vadovėlis: duomenų ir analizės ateitis“ vedėjas. Taip, turiu pasakyti, kad tai gana didelė tema. Tiesą sakant, šiandien čia turime šiek tiek rekordinės minios. Šį rytą internetinę transliaciją registravo per 540 žmonių. Mes tai darome ypatingu metu, nes daugelis iš jūsų žino apie įprastus pasirodymus. Paprastai tai darome 4:00 rytų, bet norėjome priimti labai ypatingą svečią, skambinantį iš tvenkinio. Leisk man pasinerti į šiandienos pristatymą.
Taigi šie metai yra karšti - tai buvo labai audringi metai daugeliu aspektų, manau, kad debesis turi daug ką bendro. Technologijų, kurias stebime rinkoje, santaka yra pagrindinė varomoji jėga, ir aš, žinoma, imu kalbėti apie SMAC, kaip jie vadina. Mes kalbame apie SMAC: socialinius, mobiliuosius, analizę, debesis ir visa tai kartu. Organizacijos tikrai gali pakeisti savo verslo būdą. Yra daugiau kanalų, kaip vykdyti jūsų verslo operacijas, yra daugiau analizuojamų duomenų. Tai tikrai laukinis pasaulis, ir mes šiandien kalbėsime apie tai, kaip viskas keičiasi „C suite“, taigi, vyriausiesiems vadovams, aukščiausiems žmonėms šiose organizacijose, gerai, kad visas pasaulis keičiasi dabar ir mes ketinu apie tai kalbėti.
Viršūnėje tikrai yra tavo. Šiandien mūsų grupėje yra „Jen Underwood“ iš „Impact Analytix“ ir Nickas Jewellas, pagrindinis „Alteryx“ technologijos evangelistas. Tai labai jaudinantys dalykai. Praėjusį vakarą sugalvojau šią idėją, žmonės, ir manau, kad tai tikrai savotiškai įdomu. Žinoma, mes visi žinome muzikines kėdes, žaidimą vaikams, kur visas šias kėdes turite ratu, jūs pradedate muziką, visi pradeda vaikščioti ir viena kėdė yra atitraukta; kai muzika sustoja, visi turi nugirsti, kad gautų kėdę, o vienas asmuo atsiduria kėdėje. „C“ komplekse šiuo metu vyksta labai keistas ir įtikinamas dalykas. Jei pastebėsite šį vaizdą čia pat, turite dvi tuščias kėdes nugaroje. Paprastai kėdė dingsta muzikinėse kėdėse, ir tai, ką mes matome šiomis dienomis, yra dar dvi kėdės C lygyje: CAO ir CDO, vyriausiasis analitikas ir vyriausiasis duomenų pareigūnas.
Abu jie pakyla. Atvirai kalbant, vyriausiasis duomenų pareigūnas šiais laikais iš tiesų pradeda kilti kaip gaisras, bet ką tai reiškia? Tai reiškia kažką labai reikšmingo. Tai reiškia, kad duomenų ir analizės galia yra tokia reikšminga, kad posėdžių salės arba vadovų kambariai, turėčiau pasakyti, keičiasi C apartamentai - jie įtraukia žmones į C komplektą, visiškai nauji vadovai užpildo kai kurias iš šių naujų vietų. Jei galvojate apie tai, kaip sunku pakeisti organizacijos kultūrą, tai yra gana rimtas reikalas. Kultūra yra labai sunkus dalykas, kurį reikia pakeisti, ir paprastai teigiami pokyčiai yra skatinami užtikrinant gerą valdymą ir geras idėjas bei tokius dalykus. Jei pagalvotume apie galimybę, kurią turime dabar, pridėdami naujų „C“ rinkinio analizės ir duomenų tvarkytojų, tai tikrai didelis dalykas. Kalbama apie organizacijų galimybę pakeisti trajektoriją, ir, žiūrėkime, didelėms, senoms įmonėms tikrai reikia pasikeisti dėl to, kaip keičiasi rinka.
Aš paprastai pateikiu, pavyzdžiui, „Uber“ ar „Airbnb“, kaip organizacijų, kurios iš esmės sutrikdė ištisas pramonės šakas, pavyzdžių, ir tai vyksta visur. Apie tai, apie ką šiandien kalbėsime, yra tai, kaip jūsų organizacija gali prisitaikyti, kaip jūs ten esantys žmonės galite naudoti šią informaciją, šią įžvalgą, pakeisti savo verslo trajektoriją ir būti sėkmingais informacinės ekonomikos srityje.
Tada aš perduosiu „WebEx“ raktus Jenui Underwoodui, o tada Nickas Jewellas taip pat skambins; jis skambina iš JK Jūsų abiejų ir Jen dėka aš jums tai perduosiu. Pašalink.
Jen Underwood: Ačiū, Ericai, skamba puikiai. Labas rytas visiems. Šiandien mes kalbėsime apie šią „CxO“ žaidimų knygą; tai yra duomenų ir analizės ateitis ir aš tuoj pasinersiu. Ericas jau padarė gerą darbą kalbėdamas apie tai, kodėl tai yra taip svarbu. Šiandien mūsų kalbėtojai vėl matėte kitą skaidrę su šia informacija, bet šiandien ir šioje sesijoje turėsite aš ir Nickas Jewellas labai interaktyviai kalbėtis su jumis. Mes pradėsime aprašydami, kokie šie vaidmenys yra ir kokius dalykus jie vykdo misijoje. Apžvelgsime analizės industriją, perspektyvas apskritai ir kai kuriuos iššūkius, su kuriais šie žmonės susidurs. Šiandieninėje organizacijos dinamikoje, kai ruošiatės ateičiai, tada mes kalbėsime apie kitus veiksmus ir pateiksime planavimo gaires, jei ketinate ištirti kai kuriuos iš šių vaidmenų savo organizacijoje.
Pavyzdžiui, kalbant apie šį CxO, CAO, kuris yra vyriausiasis analitikas, tai yra vyresniųjų vadovų, atsakingų už duomenų analizę organizacijoje, pareigų pavadinimas. CAO paprastai atsiskaito generaliniam direktoriui, o greitai besivystanti pozicija bus esminė, kai pagalvosite apie pertvarkos masę ir jos skaitmeninę pertvarką, kurią šiuo metu patiriame taip, kaip įmonės priima ir priima savo verslo sprendimus.
Jei manote, kad skaitmeninė transformacija ir intelektas yra ta skaitmeninės pertvarkos esmė, ši CAO yra labai svarbus strateginis vaidmuo organizacijoje. Jie ne tik grąžina stiprų duomenų mokslą prie realių įžvalgų ir tų žinių, bet ir priklauso nuo to atsirandančiai IG ir poveikiui, tad kuo jie matuojami? Kaip jie atneša tą IG su turimais duomenimis ir kai kuriais svarbiausiais numeriais visoje organizacijoje, kad galėtų strategiškai panaudoti duomenis. Ši pozicija kartu su CIO, vyriausiuoju informacijos pareigūnu, iškilo dėl iškilusių technologijų ir skaitmeninės transformacijos bei duomenų vertės.
Daugelį metų duomenys yra auksas šiame pasaulyje, kuriame kaupiama pinigai ir žvalgyba bei keičiama ši informacija. Kad galėtumėte imtis šių iniciatyvių veiksmų ir ne tik visada žiūrėtumėte atgal, per se. Abi pozicijos yra panašios tuo, kad jos abi susijusios su informacija, tačiau CIO per se daugiausia dėmesio skirs infrastruktūrai, kur CAO daugiausia dėmesio skiria infrastruktūrai, reikalingai informacijai analizuoti. Panaši pozicija yra CDO ir jūs girdite daug daugiau, tikriausiai girdime šiek tiek daugiau apie CDO nei jūs šiandien kalbate apie CAO. CDO daugiau dėmesio skiria duomenų tvarkymui ir priežiūrai bei tiems valdymo procesams per visą duomenų tvarkymo gyvavimo ciklą.
Šie žmonės taip pat bus atsakingi už pajamų gavimą iš duomenų ir jų vertės padidinimą bei darbą per visą valdymo ir saugumo gyvavimo ciklą, sakyčiau, visą gyvenimo ciklą. Tai žmonės, kurie patys savaime yra suderinti ar atsakingi už tai, kad užtikrintų GDPR - apie ką mes trumpai pakalbėsime - Europos duomenų apsaugos įstatymą, įsitikindami, kad jų organizacijose yra numatytos tokios rūšies dalykai. Dabar mes gauname struktūrą ir ateitį, skirtą pavojingiems dinamiškiems, daug duomenų reikalaujantiems vaidmenims. Tai yra tas dalykas, už kurį CDO bus atsakingas, o ne tik jie patys - jie sukurs daugiafunkcinę komandą, ir aš turiu keletą pavyzdžių, kai keletas žmonių, kurie sutelktų į save per organizacinę struktūrą iš architektų ir valdymo žmonių, ir net analitikai bei duomenų mokslininkai ir inžinieriai organizacijoje gali jiems padėti.
Toliau žiūrint į pramonės analizės perspektyvas, tai buvo fenomenalus - tikriausiai dešimties metų ir net ilgesnis - važiavimas šioje konkrečioje pramonėje. Jis nuolat augo, labai jaudino, net per rinkos krizę metų jis vis dar buvo labai paklausus. Tai tiesiog buvo nuostabi vieta ir jei pažvelgsite į „Gartner“ CIO darbotvarkę 2017 m., BI ir analizė vis dar patenka į trijų svarbiausių reitingų sąrašą tai, kas svarbiausia organizacijai, ir žiūrėdami į programinės įrangos rinkų augimą, mes nuolat pamatęs ten augimą. Kiek laiko buvau šioje erdvėje, tai visada buvo tikrai šviesi karjera.
Žvelgiant į šią skaitmeninę erą ir pertvarką, kas man labai, labai įdomu, yra šie procesai, kuriuos turime, ir dažnai jie gauna informaciją bei imasi veiksmų iš procesų ar verslo procesų metu. Dabar „Gartner“ apskaičiavo, kad iki 2020 m. Jūsų naudojama informacija bus iš naujo sugalvota, suskaitmeninta ar net panaikinta. Aštuoniasdešimt procentų verslo procesų ir produktų, kuriuos turėjome prieš dešimt metų, ir mes pradedame tai pastebėti, tiesa? Mes pradedame pastebėti, kad galbūt „Amazon“ versijose yra keletas didžiųjų parduotuvių, „Ubers“, „Airbnbs“, - šie skaitmeniniai modeliai nutraukia procesą ir dabar žmonės bendrauja. Net juodasis penktadienis - aš nežinau, kiek žmonių iš tikrųjų apsilankė parduotuvėje - daugybė žmonių perka internetu, o kaip pasiekti tą klientą? Tam reikia intelekto. Norint bendrauti ir suasmeninti žinią, reikia labai skirtingo būdo, kad turėtumėte tą intelektą, kad pateiktumėte jiems reikiamą pasiūlymą tinkamu metu, o dabar tai gali būti tik vienu mygtuko paspaudimu. Jiems taip lengva palikti jūsų internetinę parduotuvę. Šiame pasaulyje viskas tikrai keičiasi, ir aš manau, kad Nikas taip pat norėjo apie tai pabendrauti.
Nickas Jewellas: Taip, sveiki visi, labai ačiū. Iš anksto atsiprašysiu, jei iš Londono ateis šiek tiek garso, padarysiu viską, kad nekalbėčiau per tave, Jen.
Jūs esate visiškai teisus, kad atliekų šalinimas ir išradimas, kaip skaitmeninio transformavimo dalis, dažnai įvyksta, kai organizacijos pereina nuo specialių produktų, galbūt atjungtų programų, prie atviresnių ir sujungtų platformų. Kai jūsų procesas yra skaitmeninis, bus daug lengviau pamatyti savo duomenų eigą. Iš tikrųjų patikslinkite atliktus veiksmus naudodami duomenis, kad optimizuotumėte tą procesą.
Jei galėsime, judėkime pirmyn į skaidrę. Manau, kad kalbant apie skaitmeninę transformaciją, ką ji reiškia organizacijoms, ji yra įdomi arba bauginanti, atsižvelgiant į tai, kurioje spektro pusėje jūs sėdite. Pažvelkite į diagramą čia, parodydami įmonių gyvavimo trukmę ir tai, kaip žlugdanti įtaka daro įtaką organizacijos pranašumui. Jei įkūrėte įmonę 1920 m., Vidutiniškai turite beveik 70 metų, kol kita įmonė jus sutrikdė. Gana lengvas gyvenimas pagal šiandienos standartus, nes šiandien įmonei vos sukako 15 metų, kol sutrikimas grasins jos egzistavimui. Prognozuojama, kad maždaug 40 procentų šiandieninių „Fortune 500“ kompanijų, taigi „S&P 500“, po 10 metų nebebus. Iki 2027 m. 75 proc. „S&P 500“ bus pakeista, todėl pusinės eliminacijos laikas, su kuriuo susiduria organizacijos, šiandien, prieš pradėdamas nerimauti dėl sutrikimų, iš tiesų susitraukia. Sėkmingai dirbančios įmonės turi išlikti prieš skaitmeninių inovacijų lenktynes.
Šiandien analitikos niekas tikrai neabejoja. Tai yra skaitmeninio verslo pertvarkos pagrindas. Tiesą sakant, organizacijos savo strategijos viršūnėje laiko skaitmenines naujoves. Šios bendrovės yra penkios vertingiausios bendrovės pasaulyje, atstovaujančios du trilijonus dolerių rinkos vertės, Jen.
Jen Underwood: Taip, nuostabu, iš tikrųjų yra. Tai tikrai keičiasi ir greitai. Kita dinamika, kurią turime ir apie kurią jau kalbėjome, dabar, manau, pagaliau pamatėme, ir organizacijos pajunta šį eksponentinį duomenų šaltinių augimą ir net nebe tik analizuoja duomenis apie struktūrinius duomenų šaltinius. Vėlgi, mes kalbame apie tai, kad jūs turite tik akimirką kai kuriuose iš šių skaitmeninių procesų, kad galėtumėte priimti sprendimą, ir šie dalykai ateina JSON iš REST API, mes kalbame apie nestruktūrizuotus duomenis, ar prisijungimo failus, ten yra visokiausių įvairių tipų duomenų, taip pat nepaprastai nuolatinį augimą.
Nickas Jewellas: Taip, Jen, taigi, kaip jūs atkreipėte dėmesį, analitikos lyderiai paskendo duomenų jūroje. Galutinis tikslas yra gauti svarbios įžvalgos, galbūt naudojant esamų ar naujų analizės metodų derinį, tačiau iškyla paprasta ir esminė problema, su kuria daugelis organizacijų, su kuriomis dirbame, iš tikrųjų susiduria. Mes užsakėme „Harvard Business Review“, atlikome apklausą, kalbėjomės su duomenų analitikais ir verslo vadybininkais. Jie paklausė, kiek duomenų šaltinių jie naudoja savo organizacijoje priimant sprendimą, ir visiškai aišku, kad per pastaruosius kelerius metus įvyko esminis pokytis. IT buvo naudojama duomenims maišyti, perkelti į duomenų saugyklą, bet, manau, nepaisant visų puikių IT grupių darbo, kuriant centralizuotą duomenų valdymą, analitikai vis dar susiduria su užduotimi sukurti tą specifinį analitinių duomenų rinkinį, tačiau jiems reikia atsakyti į verslo klausimą. Tiesą sakant, tik 6 procentai visus savo duomenis turi vienoje vietoje, o dauguma analitikų turi surinkti duomenis iš penkių ar daugiau šaltinių - tokių kaip skaičiuoklės, debesies programos, socialinė žiniasklaida ir, žinoma, nepamiršdami to duomenų saugyklos.
Dabar dauguma organizacijų tai supranta, tačiau dauguma organizacijų nesusiję su tuo, kad duomenų specialistai daugiau laiko praleidžia tvarkydami ir ieškodami duomenų, nei iš tikrųjų siekia išgauti vertę. Tai nėra svarbios strateginės analitinės problemos, apie kurias nori žinoti verslo atstovai. Tačiau neišspręsdamas esminio klausimo, organizacijos tikrai neleis pasiekti į vertybes orientuotų įžvalgų. Jen?
Jen Underwood: Tai įdomu. Aš tikrai mačiau įvairių tyrimų apie tai ir tai yra šis kūrinys, nesvarbu, ar tai yra 80 procentų laiko, ar trilijonai dolerių, kurie neefektyviai iš naujo nustato tuos pačius duomenis vėl ir vėl. Tai iš tikrųjų sudėjo, šie 37 ir 23 procentai yra labai brangus laiko švaistymas. Man nuostabu, kad į tai nekreipiama daugiau dėmesio.
Žvelgdamas į kai kuriuos iš jų, tai, ką aš pavadinčiau rinkos jėgomis, ir daug kartų, kai aš kalbu apie pramonės tendencijas, aš mėgstu sekti industriją ir nuolat jaustis. Svarbu suprasti, kada kažkas yra daugiau nei tendencija, kai tai tikrai bus jėga, į kurią reikia atkreipti dėmesį, ir dabar tai yra trys svarbiausi dalykai, verčiantys atkreipti dėmesį. Tai spartus augimas, o svarbiausia - spartus nesusijusių duomenų bazių augimas. Aš ką tik paminėjau šią koncepciją, kad nereikia daug laiko perduoti JSON, būtent šie nesusijusių scenarijų tipai gana greitai auga - manau, kad turiu tam tikrą statistiką akimirksniu - greitai.
Kitas dalykas - besitęsiantis perėjimas prie debesies. Prieš minėdamas skambutį buvau vienos didžiausių technologijų firmos produktų vadybininkas visame pasaulyje ir prieš trejus metus sunkiai bendravau su grupėmis sakydamas: „Mes nieko neįmesime į debesį. Nejudėsime prie debesies. “Ir man buvo labai įdomu pamatyti grupes po metų, po dvejų metų, dabar aš girdžiu iš tų pačių grupių, kad visi turi debesų planą. Aš manau, kad visi yra labai plačiai apibūdinti kraštutinumai, tačiau, sakyčiau, žmonėms, kurie buvo prieš debesis, be abejo, požiūris dramatiškai pasikeitė per labai trumpą laiką, net tada, kai aš kalbėjau su grupėmis visame pasaulyje apie šios rūšies daiktai.
Automatika, tai sritis, kuria aš žavėjausi, ir sritis, kurią tikrai matome labai daug ir daug. Kalbame apie kai kuriuos iš šių dalykų turėdami švaistyti laiką ir neefektyviai išnaudoti savo laiką. Automatizavimas tikrai yra viena iš sričių, kurios labiausiai jaudinuosi, kai galvoju apie organizacijos vertės kūrimą.
Kita skaidrė, apie kurią kalbėsiu, tai IDC tyrimas, apžvelgiantis rinkos segmentus ir augimą. Tai tikrai puikus būdas impulsuoti, kas iš tikrųjų auga, ką perka jūsų bendraamžiai? Kokių rūšių daiktai jiems nebeįdomūs? Tos rūšies dalykai ir įtraukimas į jų strategiją.
Remiantis IDC duomenimis, pasaulinė didžiųjų duomenų analitinės programinės įrangos rinka turi 16 segmentų ir ta segmento prasme mes žvelgiame net į kai kuriuos pavadinimo pakeitimus. Buvo pridėta nuolatinė analitinė programinė įranga, pažintinės PG programinės įrangos platformos, paieškos sistemos, todėl čia buvo įtraukta keletas naujų kategorijų. Ši rinkos apžvalga beveik apima horizontalias priemones, fasuotas programas, taip pat kai kurias sprendimų palaikymo ir sprendimų automatizavimo naudojimo bylas. Tai vėlgi bus tipai sprendimų, pagalvojus apie CDO, pateikiant CDO kontekstą, jų aplanką, kuris gali būti valdomas nuo duomenų integravimo iki analizės vizualizacijos, mašininio mokymosi ir visų šių tipų galimybių, kurių jiems reikia turėti skaitmeninėje eroje.
Pati pasaulinė šių sprendimų rūšis išaugo 8, 5 proc. Dabartine valiuta, o bendra rinka išaugo 9, 8 proc., Pasak IDC. Tai buvo palyginta su - jūs žiūrite į valiutos svyravimus per porą metų, o variacijos laipsnis yra minimalus, tačiau tie trys svarbiausi segmentai, kuriuos aš pabrėžiau, vien tam, kad suteiktumėte jausmą tiems nesusijusiems analitiniams duomenų šaltiniams, 58 proc. augimas per metus, turinio analizė ir paieškos sistemos sudarė 15 proc., o kai kurios ryšių su klientais programos, CRM tipo dalykai ar „Salesforce Einstein“, pavyzdžiui, auga daugiau nei 10 proc., dabar jų yra 12 proc. Manau, Nikas taip pat norėjo šį komentarą papildyti.
Nickas Jewellas: Ačiū, Jen. Tai fantastiškas vaizdas. Manau, kad „Alteryx“ visada manėme, kad duomenų paruošimas ir derinimas visada bus pagrindinė bet kurios analitinės sistemos kompetencija, bet tai tikrai yra pagrindas pažangesnei analizei. Dabar, pastaruosius kelerius metus, pakalbėkime apie industriją - galbūt ji buvo per daug susitelkusi į kai kurias naujas interaktyviosios vizualizacijos galimybes. Jie atrodo gražiai, nes padidina įsitraukimą, skatina įžvalgą, tačiau jie mūsų tikrai neapsiribojo aprašomąja analitika.
Manau, kad dabar žmonės, žvelgiantys šiek tiek aukščiau, organizacijos, pradedančios suprasti verslo vertybes, ateis iš tobulesnių analitikų, kurios tik dabar pradeda savo veiklą. Kyla klausimas, kaip, ar konkrečiau, kas? Tai perėjo prie didesnės vertės analizės; Ar tikrai sutiktumėte su analitinių talentų trūkumo problema?
Jen Underwood: Absoliučiai, ir aš turėjau, manau, tik tviterį, praėjusį vakarą pamačiau tikrai patrauklų „Adobe“ viceprezidento komentarą, sakantį: „Mašinų mokymasis tapo stalo statymu“, kur anksčiau žmonės buvo atsargūs, o dabar tapo. poreikis ir tai yra įdomu. Žvelgiant į tai ir tik mažytį kitą šiek tiek kitokį kampą per se. Daugybė žmonių, mes pradedame tai vertinti kaip sparčiai augančią sritį, kurioje yra nesusijusi analitinė parduotuvė ir pažintinė AI, tai mašininis mokymasis, ši didelės vertės analizė. Bet vis tiek dienos pabaigoje, dabar didžiausias segmentas, taigi ten, kur šiandien vyksta dauguma pirkimų, vis dar yra šiame pagrindiniame, ką aš sakyčiau, užklausų ataskaitų teikimo, tam tikros vizualinės analizės ir jis vis dar auga, ir tai kažkas, kas mano, kad jau turite, nebūtinai. Tai vis dar auga 6, 6 proc. Kiekvienais metais.
Kaip CDO - ir aš mėgstu parodyti šią skaidrę - iš esmės tik norėdamas pasakyti, kai eini į šį naują vaidmenį ar peržiūri organizacijos duomenis, tai yra chaosas, ir aš manau, kad ši konkreti skaidrė tikrai yra puikus darbas - tai visos skirtingos potencialios sritys, kurias galite turėti. Jie gali būti rodomi iš anksto, gali būti debesyje, gali būti hibridiniai, visur ir yra labai stulbinantys - vėlgi, tai C lygio vaidmuo organizacijoje, ir tai nėra paprasta užduotis ar paprasta - šiame pasaulyje, kur tai perimti, kartais tai būna beprotiška. Tai pasaulis, kuriame reikia šiam CDO naršyti, kad galėčiau įsisavinti tai, ką sakyčiau, maksimaliai padidindama duomenų vertę.
Tęsdami iššūkį, maksimaliai padidinkite visų tų skirtingų šaltinių vertę ir tai, ką mes patiriame, yra šie uždarantys laiko langai, šie skaitmeniniai procesai ar įžvalga apie veiksmus baigiami. Jei pagalvojate prieš penkerius metus, prieš dešimt metų, gali būti, kad turėtumėte pranešimų, kad bėgtumėte priimti kai kuriuos sprendimus, naudodamiesi inventoriumi ar veiksmais, kurie gali būti rengiami kas savaitę, mėnesį, tada jie taptų kasdieniais ar naktiniais, galbūt tai yra valandą.
Dabar mes matome šiuos intelektualius kompiuterinius mokymus, įterptus dirbtinius intelektualiuosius biurus, sprendimus ir pataisas priimant vietoje, taigi net ir tokie dalykai kaip daiktų internetas, IoT įterptosios analizės briaunos, šios sistemos yra intelektualios ir šie algoritmai gali patys suderinkite ir pakeiskite kai kuriuos sprendimus, kuriuos jie priima vietoje tinkamu metu. Buvo labai įdomu pamatyti šią skaitmeninių sūkių ir šių sąlyčio taškų dinamiką - nors jų ir padaugėjo, tačiau laikas veikti vis mažėja, o šių scenarijų technologija tobulėja.
Nickas Jewellas: Taip, Jen, aš manau, kad vienas iš įdomiausių aspektų, kaip keičiasi įžvalgos pateikimas, yra tas, kur analizė atitenka galutiniam vartotojui. Ar mes prašome vartotojų įšokti į prietaisų skydelį, kai jie priima svarbų sprendimą, ar mes sakome, kad įžvalga, kitas geriausias veiksmas, yra prieinama tiesiogiai proceso metu, tėkmėje, siekiant įgyti tą konkurencinį pranašumą? Ir analitiniam modeliui, apie kurį mes kalbame, gali prireikti jo indėlio iš daugybės įvairių šaltinių - tradicinių duomenų saugyklų, geografinių vietų, socialinės žiniasklaidos, jutiklių, paspaudimų srauto - visi šie duomenys turi įtakos sprendimui ir rezultatui, dėl kurio galima imtis veiksmų. .
Jen Underwood: Tęsdami šią iššūkių ir pokyčių temą, kurią dabar turime, ir iššūkius, kuriuos generalinis direktorius turi priimti ir numatyti, kaip juos įveikti, iš esmės turime per daug duomenų, kad galėtume efektyviai valdyti ir analizuoti rankiniu būdu. Ilgai delsiama; turime sutrumpinti šiuos vėlavimus ir turime rasti būdą, kaip maksimaliai padidinti turimų duomenų vertę. Pasaulyje trūksta duomenų mokslo talentų, norint aprėpti šias įžvalgas ir tai, ką mes vadintume vandenynais kaip duomenis. Geros naujienos yra tai, kad yra keletas nuostabių naujovių, kurios šiandien padeda kiekvienoje šios srities srityje, ir vis įdomiau pamatyti, kas, kur mus imsis technologijos, padės mums spręsti šiuos iššūkius.
Toliau žiūrint į tai, kilo šiek tiek painiavos, kai kalbėjau su klientais arba kalbėdavau su grupėmis naudodamas kai kurias iš šių priemonių. Kai kurie klasikiniai iššūkiai vis dar egzistuoja ir šiandien. Bandant surasti analizuotinus duomenis, jie dar labiau sustiprėja. Kai kurie paieškos įrankiai, kai kurie iš ten esančių katalogų tikrai yra naudingi dalykai - dabar mes randame, kurį katalogą naudoti. Yra keli skirtingi katalogai, taigi yra skirtingų vietų, kuriose galite saugoti ir dalytis duomenimis, todėl svarbu pabandyti išsiaiškinti vieną, galbūt katalogą, kurio turėtume ieškoti.
Kitas dalykas yra bendradarbiavimas. Mes kalbėjome apie vieną iš tų „Harvard Business Review“ tyrimų, kiek laiko praleidžiama, iš esmės atliekant pridėtinės vertės kūrimo užduotis, eikvojant laiką ir kiek tai gali būti brangu. Jei bendradarbiaudami galite bendrinti ir naudoti bendrus duomenų šaltinius, scenarijai jau yra sukurti, logika jau yra, galite juos efektyviai valdyti, taigi valdydami balansą su analizės judrumu, būtent to ir norite siekti. ir naršykite šiame pasaulyje, ką aš vadinčiau, mes turime nišinius įrankius, turime automatizuotus darbo eigos įrankius, turime klasikinę „Excel“, duomenų katalogus, savitarnos BI, duomenų mokslo įrankius. Kaip parodė vienas paveikslėlis, tarp jų yra daugybė įrankių ir daugybė sutapimų.
Nickas Jewellas: Taip, tobulas, Jen, ir aš manau, kad įžvalgos langas, kaip jūs minėjote, tikrai mažėja, tačiau laikas, kurio reikia realiai diegti modelius, neatsilieka. Numatomas modelio diegimas ir toliau yra pagrindinis iššūkis daugeliui kompanijų. Kalbėjomės su Carlu Rexeriu, kuris yra „Rexer Analytics“ prezidentas, ir 2017 m. Carlo atliktoje duomenų mokslo apklausoje jis nustatė, kad tik 13 procentų duomenų mokslininkų teigia, kad jų modeliai visada diegiami, o šis diegimo santykis tiesiog negerėja, todėl mes grįžkite prie kiekvienos ankstesnės apklausos. Tiesą sakant, grįždami į 2009 m., Kai pirmą kartą buvo užduotas klausimas, ir matome beveik identiškus rezultatus, todėl turime tikrą spragą.
Jen Underwood: Kai žiūrime į analizės brandą, ji sparčiai progresuoja. Vėlgi, prieš dvejus, trejus metus, mes labai džiaugėmės, kad turime atlikti vizualinę savitarnos analizę ir, galų gale, būti lankstūs ir išplėsti BI masę per se. Kai sakau mases, turbūt vis tiek galios organizacijos vartotojai. Dabar matome optimizavimą, nuspėjamą analizę, gilų mokymąsi, natūralų kalbą ir daugybę kitų technologijų, kurios, kaip tik įterptos į kasdienius procesus, iš tikrųjų demokratiškai demokratizuoja analizę labai sklandžiai masėms, kad tikrosios masės galėtų naudotis esamus verslo procesus, kuriuos jie jau turi.
Nickas Jewellas: Taip, Jen, jei aš galiu, papasakokime trumpą istoriją apie tą paskutinę kategoriją. Dauguma skambučio klausytojų šiandien susipažins su „Google DeepMind“ AlphaGo programine įranga, nugalėjusia keletą geriausių „Go“ žaidėjų pasaulyje per pastaruosius porą metų. „AlphaGo“ išmoko žaisti šį žaidimą, tyrinėdamas didžiulį kiekį anksčiau įrašytų rungtynių. Tiek, kad „AlphaGo“ turnyro komentatoriai tvirtino, kad programinė įranga grojo Japonijos didžiojo meistro stiliumi, patikėk ar ne.
Tačiau per pastarąjį mėnesį buvo pranešta apie beveik stulbinantį rezultatą. Tai buvo „AlphaGo Zero“, gilus mokymasis, neuroninis tinklas, ginkluotas ne tik paprastomis žaidimo taisyklėmis ir optimizuota funkcija. Tai išmokė save tapti stipriausiu „Go“ žaidėju pasaulyje be prižiūrimų treniruočių ir visa tai padarė per maždaug 40 dienų. Šis vadinamasis sustiprinamasis mokymasis, kai žmonės nustato iššūkį, leidžia giliojo mokymosi sistemai tyrinėti, tobulėti, iš tikrųjų dar galėtų padaryti didžiausią poveikį analitinėje erdvėje. Taigi, spėju, būkite nusiteikę.
Jen Underwood: Taip, tikrai įdomu, kad jūs tai paminėjote. Ar galite įsivaizduoti išimtis? Ir tai aš pradedu matyti. Tiesą sakant, kai aš kalbu apie automatizavimą, labai įdomu, kad sprendimai būtų pakankamai intelektualūs, norint išvalyti orą, mokytis iš sistemų automatiškai, įsijungti ir žaisti ir tiesiog žinoti, ką daryti toliau, remiantis kai kuriais ankstesniais sprendimais ar kitais sprendimais. kurios buvo sukurtos organizacijoje ir kai kurias iš šių sistemų, ETL sistemas prižiūrinčios ir jomis besirūpinančios, ir dienos metu vėl skambėjusios pyptelėjimai ir telefonai man skambino su perspėjimais, kai procesai neveikia, taip įdomu galvoti, „Oho, dabar jis yra pakankamai protingas, kad tikriausiai galėtų pasveikti“.
Mano vyras tvarko savigydos tinklelį, turėsime savigydos duomenų integraciją, savigydos analizę, o kur viskas geriau ir geriau, tai tikrai jaudina. Kaip CDO, kai jūs pradėsite galvoti apie žmonių technologines technologijas, mes apžvelgsime, dabar mes žiūrime į technologijas, tada žiūrėsime į žmones ir kaip suburti savo komandą ir kurti įgūdžiai. Jei pažvelgsite į šiuolaikinę analizės platformą, aš jums pasakysiu iškart, ne visiems viskas bus čia, nors pačios didžiausios organizacijos gali turėti visus šiuos skirtingus komponentus, kai kurios grupės gali turėti tik dvi ar tris mažas dėžutes. čia, todėl nenorėjau su tuo sutramdyti žmonių. Tačiau šiuolaikinei BI platformai nebūtinai reikalingas IT kūrimas, iš anksto apibrėžtas ataskaitinis semantinis sluoksnis.
Vartotojams ir ekspertams iš tikrųjų turėtų būti suteikta teisė tik paruošti duomenis analitiniam greičiui ir judrumui, ir jei jūs galvojate apie tai, ką mes sakytume vartotojo ir ekspertų vadovaujama analitika, leisdami ekspertams turėti judrumą, jie turi priimti greitus sprendimus. Mes matome, kad vis dažniau pasirenkama tai, ką mes sakome, asmens duomenų rengimo įrankiai, duomenų tvarkymas, praturtinimas, valymas, „Alteryx“ vykdomos veiklos rūšys, taip pat kai kurios duomenų mokslo pobūdžio veiklos, kurias jos siūlo kaip gerai. Šiuolaikinį paruošimo sprendimą jie siūlo tuo intelektualiu, automatizuotu sujungimu, oro skyra, duomenų perkėlimu, kai turite didelę duomenų perdavimo liniją, tai labai, labai šaunu. Tai turbūt vėlgi yra viena iš sričių, kuri man labai patinka ir kurią labai mėgstu išbandyti ir pramonėje.
Priešingai nei tradicinis IT valdomas BI, IT šiandien iš tikrųjų daugiausia dėmesio skiriama verslo įgalinimui ir jūs turite žmonių, tokių kaip CDO, ir kaupiate ar pasirenkate tinkamus sprendimus orkestruoti, tvarkyti ir suvienyti šiuos duomenis ir įsitikinti, žinoma, kad tai yra valdomas, tiesa? Vienas dalykas, kuris man labai įdomus, ir, be abejo, manau, kad mes tai padarėme, bet nemanau, kad mes tiesiog tai pasakėme, laikydamiesi vieno dydžio duomenų saugyklos dienų, o tai yra be galo visi, be abejo, baigėsi. Duomenų yra visur, jums reikia juos pasidaryti - duomenų ežerai yra vaizdai, yra srautiniai ir tiesioginiai duomenys, dabar yra tiek daug skirtingų duomenų šaltinių, tai tikrai daugiau naudojimo atvejai pagrįsti „Ko jums reikia?“ Versijos „Mes turime viską sukaupti į duomenų saugyklą.“ Nesu tikras, Nick, ar norėjai pakomentuoti tai? Neprisimenu.
Nickas Jewellas: Aš pasakysiu tik vieną dalyką ir viskas, tik stebėkite komponento evoliuciją. Tai, ką ekspertai padarė prieš penkerius – dešimt metų, dabar yra vartotojo rankose, todėl ten esančios dešinės pusės dalykai bus labiau linkę naudoti vartotojams, naudojant „drag and drop“, be kodų, formą, labai trumpai. Jis judės greičiau ir greičiau, todėl tiesiog stebėkite tai.
Jen Underwood: Taip, tai tikrai gera mintis. Man patinka apie tai galvoti. Skirtingas duomenų mokslas, tai pagaliau tampa realybe ir priemonės tampa daug geresnės. Galvodami apie technologijas, dabar turime turėti įgūdžių ir žmonių, o ką mums daryti? Šiuo metu yra geriausi darbai, jie apima tokius titulus kaip duomenų mokslininkai, duomenų inžinierius ir verslo analitikai, tačiau mes pastebime, kad darbdaviams patiems sunku suderinti rungtynes. Netgi duomenų paruošimo erdvėje pasakysiu: „Ar tai yra duomenų paruošimas, ar klaidžioja duomenys, kokiais terminais žmonės tai vadina?“ Tai buvo labai įdomu rasti.
Verslas nežino, ko jiems reikia, ir čia yra visiškai nauja besiformuojanti sritis, apimanti daugybę skirtingų sričių. Jei pažvelgtumėte į visus dabar, turite būti jų duomenų šeimininku, verslo analitiku, IT projektų vadovais, mano vyru, kuris valdo elektros tinklą ir projektų paketą, jis turi mokėti tai analizuoti. Tai ne tik finansai ir duomenų analizė, bet ir išplėsta į kitas organizacijos sritis. Manau, kad pamačiau tyrimą apie tai, kiek duomenų šaltinių naudojama rinkodara, ir jis buvo stulbinantis. Vėlgi, kai pagalvoji apie „Harvard Business Review“ atliktą tyrimą, nebereikia tik vieno duomenų šaltinio, kad žmonės turėtų susimaišyti ir susilieti ir surasti įžvalgą, tai yra daugybė duomenų šaltinių ir tai atlikti reikia įgūdžių.
Pažvelgus į iš esmės didesnį vaizdą, dauguma naujų samdomųjų darbuotojų bus toje rožinėje spalvos debesėlio pusėje, kai kalbėsite apie šiuos verslo analitikus duomenų gavybos analitikams, personalo vadybininkams, šioje srityje, tik apie įprastus vaidmenis eilutėje. verslo naudojant duomenis. Greičiausiai augančiuose vaidmenyse bus mažiau darbo vietų, tačiau neabejotinai tai, ką apie šių dienų rinkos dalyvius girdime daugiausiai - duomenų mokslininkas ir duomenų inžinierius. Būdami CDO, jie žvelgia į priekį ir planuojate talentą, turite atsižvelgti į įprastų užduočių automatizavimą ir įgūdžių tipus, kurie bus strategiškesni, ir vėl sukurti pridėtinę vertę jūsų organizacijoje abiems kurie įgalinti analizės srityje, taip pat duomenų mokslui ir duomenų inžinierių žmonėms. Apsvarstykite, kaip gali pasikeisti jūsų nepaskelbtos pozicijos ir netgi kai kurie laisvai samdomi darbuotojai, kai pagalvosite apie tai, kad konkuruotumėte dėl geriausių ir ryškiausių.
Ir visada galvokite apie savo talentų pavyzdį, padėkite kandidatams naršyti rinkoje ar ieškokite dalykų, kurie gali būti šiek tiek kitokie, o ne būtent to, ko norite, ir sukurkite vidinius analitikos kursus, kurie iš tikrųjų gali būti ne patys greičiausi, labiausiai ekonomiškai efektyvi strategija jums suspėti. Apsvarstykite žmones, kurie yra mokomi šios ar skirtingų grupių, ir manau, kad šiandien „Alteryx“ sesijos pabaigoje yra rekomendavęs kursą kaip raginimą veikti, kurį galite panaudoti kai kuriems iš šių dalykų ir padėti savo komandai. kai kurie jau turimi ištekliai.
Nickas Jewellas: Absoliučiai. Yra tiek daug būdų, kaip užpildyti tą talentų atotrūkį, neužsikimšus į ginklavimosi varžybas. Pora skaidrių atgal, aš nežinau, ar tu gali ten apversti porą. „Kaggle“, duomenų mokslo konkurso svetainė, jie ką tik išleido apklausą, į kurią buvo atsakyta apie 17 000 duomenų apie mokslo būklę. Tyrimas pateikė tikrai įdomų atsakymą apie žmonių turimus įgūdžius, o dauguma respondentų neturėjo daktaro laipsnio., tai tiesiog nebėra būtina sąlyga.
Idėja, kad naujos kartos analitikos ekspertai, tas pagrindinis jūsų sukurtas burbulas, gali įgyti reikiamų žinių iš nanomokslų kursų. Jie gali apsilankyti tokiose svetainėse kaip „Udacity“ ir gali nedelsdami diegti šias žinias tiesiogiai versle. Trumpas pristatymo ciklas paverčia juos tiesioginiu konkurencijos šaltiniu savo įmonėms. Taigi manau, kad į ką reikia atkreipti dėmesį.
Jen Underwood: Ne, aš sutinku. Net jei galvoju apie tai, tai tikrai nueitas ilgas kelias, nes aš vedžiau dvejų metų programą UCSD. Manau, kad tai buvo padaryta 2009 m., 2010 m., Ir šalyje tikrai buvo keletas, kurie jums leido tai padaryti. Paprastai dabar yra daug daugiau variantų, taip pat ir specializuotos programos, nesvarbu, ar tai tiekėjai, ar daugybė resursų, kuriuos šiandien galima rasti su ciklais, ir visi šie skirtingi internetiniai šaltiniai. Tai tiesiog nuostabu, tam tikrai laikas. Skirkite tam laiko ir biudžetą bei susiplanuokite laiką. Ko norite išmokti? Ir tada eikite tuo keliu, kurį norite išmokti.
Kalbant apie tai pažvelgus ir sudarant savo įgūdžių planą bei CDO perspektyvą, įsitikinkite, kad jie turi žmonių tose srityse, iš kurių, sakyčiau, kompetencijų sąranga per se, pažvelgti į įgūdžius ar pažvelgti į tokius dalykus kaip srities žinios. vis dar yra esminis dalykas, net jei šie sprendimai gali savarankiškai treniruotis ir mokytis, tai tikrai verslo dalyko ekspertas, kuris vadovaus ir įsitikins, kad rezultatai turi prasmę.
Visada yra kažkas, ir man patinka naudoti pavyzdį, kai atlieku kritinę analizę draudimo kompanijai ir viena iš išvadų, kurias turėjo algoritmai, nebuvo samdyti niekam iš Niujorko. Na, ne, mes nesirinksime nieko iš Niujorko - turėjome išsiaiškinti, kodėl algoritmas pateikė mums šią informaciją. Taip buvo todėl, kad pasikeitė teisinis, vienas iš įstatymų, ir todėl mes labai daug keikėmės būtent tame segmente. Reikėjo pasitelkti verslo dalyko ekspertą, kuris iššifruotų, o aš nematau, kad tai keistųsi, nematau tokio pasirinkimo būdo, įsitikindama, kad rezultatai atrodo tikslūs, ar kažkas atrodo - vis tiek tai yra, yra kažkas, kas sakoma žmogaus protui, to grožis kartu su mašinos galia yra tikrai ten, kur mes einame.
Kitų rūšių dalykai, kai žiūrima į įgūdžius, vizualizaciją, pasakojama efektyvi istorija duomenyse, pasakojama veiksminga istorija, ar tai net mašinis mokymasis. Apibendrinant ir pažiūrėjus, kokį poveikį tai daro, suprantant sprendimų priėmimo žmogiškąją prigimtį, šios rūšies dalykai yra labai svarbūs, nepaisant technologijos. Valdymas yra tikrai svarbus, etika tampa vis svarbesnė. Pasitelkę socialinius mokslininkus, kurie supranta ir yra išmokyti pažiūrėti, ar jūsų duomenyse yra paklaidų, kurių net neįsivaizduojate ar neturite organizacijoje tokių, kurie galbūt net to nepripažįsta, net įtraukdami juos į ekspertą, turinčių tų rūšių daiktus.
Ir vėl, žinoma, turėdami inžinerijos ir aparatinės įrangos infrastruktūrą ir įsitikinę, kad galite pritaikyti mastelį ir ji yra sukurta, ir įsitikinkite, kad naudojate tinkamą debesies tiekėją, galbūt nesate užrakintas ar turite galimybių judėti, arba kad jūs suprantate kainą, kiek tai jums kainuos. Tai yra šie įgūdžių tipai, ir kai jūs pažvelgsite į tai, mes tai vadintume įgūdžiais pagal skirtingas sritis, nesvarbu, ar tai būtų duomenų pagrindu veikiantys pirminių sprendimų priėmėjai - kur bus dauguma šių vaidmenų - visą kelią pas tuos duomenų inžinierius ir duomenų mokslininkus, kurie masažuokitės ir dirbkite šiuose duomenų vandenynuose. Tai yra dalykų rūšis, kuriuos norėsite sudaryti.
Žvelgdami į kompetencijų sąrangas, pažvelgiate į organizaciją apskritai, norite atsižvelgti ne tik į įgūdžius, bet ir į kompetenciją. Tekste yra šiek tiek niuansų, kaip jūs į tai žiūrite. Jūsų organizacijos kompetencijų sąranga yra aiškus signalas. Karo politikos formuotojai, švietimo teikėjai, nors įgūdžiai, tarkim, yra R, jūs galvojate apie tuos dalykus, turite kompetentingą kodą, tačiau norite turėti daugiau nei tuos įgūdžius. Kai suprantate kompetenciją, ką žmogus turi mokėti ir supranta struktūrą, tai yra svarbu, čia yra šiek tiek niuansų.
Kurdami tai, norite diagnozuoti, ką galėtumėte pavadinti gebėjimais, kurie daro teigiamą poveikį verslui, ir išryškinti tas didelio potencialo sritis, todėl prioritetą teikiate tam, kokias kompetencijas norite pakelti savo organizacijoje ir tada vėl suderinkite juos su verslo tikslais. CDO, atsakingas už maksimalią duomenų vertės padidėjimą, jie pažiūrės, ir jų CAO, kuris naudos analitiką, kad padidintų duomenų vertę. Jie apžvelgs tas kompetencijas ir tas skirtingas sritis, naudodamiesi praeities tinkleliu, kurį aš ten turėjau, bet tada jie taip pat atsižvelgs į didelį personalo potencialą. Jūs pateiksite kryžmines nuorodas, kad dirbdami su duomenimis ir analitika dirbdami su jais ir investuodami į juos darbuotojus, suteikite jiems galimybę mokytis, o ne tik mokytis, iš esmės realiojo pasaulio galimybes dirbant su realiomis verslo problemomis.
Nėra nieko geriau - net jei keletą metų ėjau į mokyklą, tol, kol neišėjau ir pritaikiau keletą šių algoritmų ar sužinojau apie čekių sukčiavimą, sužinojau apie kai kuriuos iš šių dalykų, apie kuriuos niekada negalvojau anksčiau, o tu pradėkite kurti kartu realiame pasaulyje ir būtent čia jūs išmokstate. Suteikite žmonėms galimybę įgyti patirties šiose srityse. Kompanijos, kurios geriausiai sugeba sukurti didelius gebėjimus, sistemingai nustato objektyvius vertinimus ir žiūri, kur yra mano organizacijos spragos mokantis ir įveda kai kuriuos parametrus žmonėms tikslams pasiekti, tai yra tos, kurios sugebės pristatyti.
Kai galvoji apie suaugusiųjų mokymą, vėlgi, dažniausiai tai būna laikas, kuriam trūksta bado - mes visą laiką badaujame, bet žiūrime, kas kiekvienam tinka. Aš asmeniškai turiu knygų, taigi, jei jūs šiandien ateitumėte į mano kabinetą, pamatytumėte daugybę knygų, nors daugybė žmonių mėgsta vaizdo įrašus. Taigi svarbu išsiaiškinti, kaip kažkas jūsų organizacijoje mėgsta mokytis - motyvuoti mokytis - ir kartu suteikite jiems laiko tai padaryti bei kažkokio tikslo siekimą - kas yra efektyvu tai pasiekti ir paprastai tai yra sumaišytas, tai ne tik, eik į tą kursą, kad patikrintum tą žymėjimą ant rezultatų kortelės, per se, tai susimaišai su tikru tikslo projektu ir ko tu išmokai iš to projekto ir ką tu nori daryti toliau? Kas yra ruožas? Ištempkite savo komandą arba motyvuokite komandą imtis toliau.
Tie mokymosi tikslai, vėlgi, jei tai darote, iš tikrųjų neturėtų būti, verslui turėtų būti lengva, nes šie tikslai turėtų atitikti strateginius verslo interesus. Tai yra puikūs projektai. Jie yra eksperimentiniai projektai. Jie yra projektai, kurie judins adatą į priekį.
Nikas, ar norėjai ką nors pridėti? Aš nesu tikras.
Nick Jewell: Ne, aš ketinau pereiti į atvejo analizę, jei tai gerai, kitame ekrane. Šiek tiek daugiau informacijos apie konkrečią organizaciją. Manau, jie daug to, ką jūs sakote, įgyvendino praktikoje. „Ford Motor Company“, kaip ir daugelis kompanijų, rėmėsi duomenų analize dešimtmečius, tačiau tai darė verslo kišenėse, tikriausiai labai mažai prižiūrėdama visos korporacijos, kad būtų užtikrintas nuoseklumas ir koordinavimas. Jų problemos tikriausiai buvo gana tipiškos jų masto organizacijai, todėl analitinė kompetencija, kaip mes sakome, buvo kišenėse, duomenų tvarkymo ir valdymo praktika buvo nenuosekli, net iki to, kai kai kurie verslo padaliniai neturėjo galimybės naudotis pagrindinėmis analizės žiniomis.
Vėlgi, šiandien mes kalbėjome apie daugybę skirtingų duomenų šaltinių, jie turėjo daugiau nei 4600 duomenų šaltinių. Tai reiškė net kelionės pradžia ir reikalingų duomenų suradimas buvo realus kliūtis analitinėms įžvalgoms. Matau, kad tu juokiesi, bet tai baisus dalykas, tiesa?
Jen Underwood: 4600, Dieve, taip!
Nickas Jewellas: Taigi, „Ford“ suformavo visuotinį įžvalgų ir analizės padalinį, kuris buvo centralizuotas - galite tai vadinti kompetencijos centru - susidedantis iš duomenų mokslininkų ir analitikų komandos, organizuotos pasidalyti ta geriausia analitine patirtimi ir padėti skleisti optimizuotus duomenis. duomenų kaupimas visame versle. Skyrius išrinko geriausius savo klasėje įrankius, susijusius ne tik su galimybėmis, bet ir dėl jų sugebėjimo gerai integruotis kartu, todėl tai yra gana svarbu. Jų demokratizavimo centre iš tikrųjų buvo ataskaitos ir aprašomoji analizė, prieš keldami tą poreikių piramidę, apie kurią mes kalbėjome.
Dabar demokratizacija ne tik paverčia žmogų duomenų mokslininku per naktį; darbuotojai turi žinoti, kada ir kur gauti pagalbą, taip pat turi mokymą, valdymą ir metodikas, kad galėtų visa tai padėti. Be to, tai yra ne tik įrankių mokymas, bet ir duomenų mokslo mokymas, kad užpildytų tą įgūdžių spragą, kurią mes paminėjome. Taigi, „Ford“ panaudojimas realiame pasaulyje, optimizuojant logistikos tinklą, taigi, ar „Ford“ mokėjo reikiamą sumą medžiagoms perkelti iš taško A į tašką B? Jų sena analizė iš tikrųjų neišryškino galimybių, kuriomis galima remtis; tai padarė juos labai reakcingus rinkoje. Dabar šis procesas buvo labai sudėtingas ir buvo užfiksuotas analitikų galvose. Jie padarė didžiulį proveržį, kai savitarnos darbo eiga buvo pakartota su verslu, o analitikos ekspertai sėdėjo kartu ir buvo kartu.
Tai perkėlė analizę iš kelių metų į ketvirčius ir net į beveik realųjį laiką, todėl didžiulė, didžiulė nauda verslui. Šis savitarnos analizės poveikis verslo vertei yra toks, kad „Ford“ gali greitai suplanuoti ir sukurti visos įmonės duomenų pagrįstas strategijas, reaguoti į kylančias tendencijas, padėti formuoti naujas paslaugas ir iš esmės atremti konkurencijos grėsmes, be tiesiog turėdamas žiūrėti į tą galinio vaizdo veidrodį.
Dabar, jei pažvelgsime į tai, kaip kitas klientas iš tikrųjų perkėlė analizę iš vertikalaus prioriteto viename įmonės padalinyje į horizontalią juostą per visus padalinius, pakalbėsime apie „Shell“. „Shell“ vadovauja kompetencijos centrui, kuris atsiskaito vyriausiajam skaitmeniniam pareigūnui - taigi yra dar vienas „CxO“ sąsiuvinio D ženklas, atsakingas už skaitmeninę transformaciją ir tvarumą. Šie vaikinai suprato, kad jų aplinkoje yra keli sluoksniai ir technologijų krūva, saugojimas, duomenų apdorojimas ir visa tai - technologijos, su kuriomis jūs visi esate susipažinę. Tokie dalykai kaip „SAP HANA“, „Databricks“, „Spark“ ir pasinaudojo viešuoju debesiu, kad pasiektų reikiamą masto ekonomiją.
Dabar jie pasirinko „Alteryx“ kaip analizės paketą, skirtą daugeliui savo R kodo, įtraukdami į tokias technologijas kaip „Spotfire“, „Power BI“ ir dar daugiau. Bet dabar jie mato, kad įvaikinimas yra daug labiau susijęs su duomenų apdorojimu ir vizualizavimu. Jen, tiesiog paskambinęs į visų tų galimybių skaidrę, toks dalykas plinta, kai mes pradedame suteikti daugiau analitikų prieigą. Žinote, kad jiems pavyko pristatyti šias galimybes ir Europos tarybai, kurie norėjo ateityje suteikti galimybes ateityje, kai kurie iš tų giluminio mokymosi dalykų, apie kuriuos kalbėjome, - mašininis matymas, natūralios kalbos apdorojimas - ir pusė jų misijos yra pristatymas, pusė yra apie šių idėjų paaiškinimą ir katalizavimą verslo padaliniuose. Tai kelionės dalis; COE visada ieško būdų bendrauti su savo verslo auditorija.
Vienoje pusėje atsižvelgiant į skeptikus, kurie sako: „Na, ši juodoji dėžutė niekada nebus tokia gera kaip mano analitiko“, iki pat fanų ar entuziastų, kurie visur mato koreliacijas, galbūt mažiau priežastinio ryšio link., bet jūs turite būti atsargūs iš abiejų pusių. Įspūdingas vidurys, kai šią horizontalią juostelę galite pamatyti visoje organizacijoje, tai hibridinių įgūdžių rinkinys, kurio reikia norint įtikinti abi puses.
Nickas Jewellas: Gerai, Jen, ar tu ten?
Jen Underwood: Aš esu.
Nickas Jewellas: Manau, ką mes bandome pasakyti su šia Clayton Christensen citata, manau, kad daugeliui organizacijų, manau, suvienodinęs analitikos darbotvarkę, kad paspartintume skaitmeninę transformaciją, apie kurią šiandien kalbėjome, būti iššūkiu. Dažniau randame analitines komandas, kurios pradeda silpną ranką. Mėginimas diegti naujoves dėl paliktų analitinių procesų, technologijų, komandos struktūrų ir laikymasis šių relikvijų taps didžiausia kliūtimi analitiniam suderinimui ir analitinėms naujovėms. Ar turite minčių dėl to, Jen?
Jen Underwood: Man patinka pasirinktas paveikslas. Taip, tikrai turi daug prasmės man. Turite priimti kai kurias iš šių naujųjų technologijų, pavyzdžiui, transliaciją realiuoju laiku. Nebūtinai turėsite galimybę gauti tuos realiojo laiko rezultatus, jei turėsite atnaujinti „JavaScript“ naršyklėje per se, naudodami seną palikimą - galbūt tai prietaisų skydelio programa ar tokio tipo dalykai. Taip, jūs turite įsidėmėti kai kurias iš šių naujų priemonių ir vėl manau, kad šis paveikslėlis yra tikrai mielas, nuotraukoje parašyta tūkstantis žodžių. Krepšelis ir klaidingas, jūs turite atsisakyti kai kurių tų senųjų technologijų požiūrių.
Nickas Jewellas: Absoliučiai. Taigi, jei pereiname ant kitos skaidrės, manome, kad yra geresnis būdas. Manau, pirmiausia norėdamas greitai surasti visą savo duomenų išteklius, kurie yra svarbiausi, naudodamiesi tuo, kas panašu į „Google“ panašią paiešką. Suprasti jų kontekstą, suprasti priklausomybę, atsižvelgti į tikrai paprastus dalykus, tokius kaip verslo žodynėliai, kuriuos rengia jūsų bendruomenių ekspertai, kuriuos palaiko visos tos giminės žinios, kurias žino jūsų bendradarbiai.
Išmanusis naudodamasis duomenų atradimu. Pagalvokite apie galimybę palaikyti pokalbius su ataskaitų savininkais ir ekspertais. Įkelkite šiek tiek „Trip Advisor“ ar „Yelp“, įkelkite naudingiausią turtą, patvirtinkite tą, kuris, organizacijos manymu, yra pats vertingiausias, o tada visa tai pateikite atgal į paieškos rezultatus ir galiausiai paieškos reitingus, kad būtų geriau kitas vartotojas. Suradę tai, ko ieškote, pereikite į greitą, be kodų, patogų vartotojui, paruošimo ir analizės etapą, kad sukurtumėte tobulą duomenų rinkinį, iš kurio būtų galima skelbti pakartojamus procesus.
Grįžkite į mūsų pokalbį dėl automatizavimo, kurdami patogias vartotojui programas. Viskas, ko reikia analitiniams modeliams kurti. Kalbėdami apie modelius, daugelį metų palaikėme atvirojo kodo technologijas, tokias kaip R, leidome mums sukurti tikrai pažangias analitines galimybes, apimančias ne tik aprašomąją, bet ir prognozuojamąją, analitinę analizę, atliekant paprastą, vilkimą ir lašas būdas.
Dabar, žiūrint iš dešinės pusės, reali interaktyvių vizualizacijų, modelių ir balų įžvalga yra nustumiama į duomenų platformas arba visai neseniai, kad ši įžvalga būtų prieinama iškart ir tiesiogiai verslo procese. Manau, kad būtent toks visos platformos galimybių spektras leido mums būti pripažintiems aukso apdovanojimo laimėtojais šių metų „Gartner“ kolegų įžvalgų klientų pasirinkimo tyrime, o tai yra puikus pasiekimas. Primygtinai rekomenduoju apsilankyti „Gartner“ svetainėje, kad sužinotumėte daugiau ir pateiktumėte savo balsus bei komentarus.
Šaunu, Jen, jei praleisime dar vieną skaidrę į priekį - aš manau, kad kai mes darome išvadą, aš norėčiau duoti jums visus kitus veiksmus. Visų pirma, apsilankykite Alteryx.com ir atsisiųskite nemokamą mūsų naujausios tyrimų apžvalgos, padarytos koordinuojant su Tarptautiniu analitikos institutu (IIA), kopiją, skirtą analizės kliūtims pašalinti, kopiją. Taip pat galite apsilankyti udacity.com/alteryx, kad sužinotumėte daugiau apie tai, kaip įgalinti savo komandas, žengti kitą žingsnį jų kelionėje, naudodamiesi tuo pažangiu analitikos nanomokslu ir tada pagaliau išbandyti Alteryx. Apsilankykite pagrindiniame puslapyje, atsisiųskite išsamų vertinimą ir įsitraukite į problemų sprendimo jaudulį.
Jen, pas tave. Mes galime turėti šiek tiek laiko kai kuriems klausimams ir atsakymams.
Ericas Kavanaghas: Aš greitai pasigirsiu. Turime keletą klausimų. Manau, pirmiausia atiduosiu jums, Nickui, o paskui Jenui, jei norite tai pakomentuoti, tačiau jis tikrai yra labiau pritaikomas ES ir tai yra liūdnai pagarsėjęs GDPR, Visuotinės duomenų apsaugos reglamentas. Kaip tai veikia „Alteryx“ ir jūsų planą, ir į ką jūs, vaikinai, orientuojatės?
Nickas Jewellas: Manau, kad tai labai didelis boogiemanas. Daug žmonių apie tai kalba, daug žmonių gana jaudinasi, tačiau tai tikrai tik pirmas iš ilgos reglamentų serijos, kuris ateis į duomenų ir analizės pasaulį. Tiesą sakant, mūsų požiūriu, tai yra jūsų duomenų supratimas ir klasifikavimas. Įsitikinę, kad esate „CxO“, bet kokio ypatingo skonio, žinote, kur yra jūsų turtas, žinote jų kontekstą ir žinote, kad galite jais pasitikėti kaip pirmas žingsnis siekiant tik valdyti ir valdyti duomenis platesniame kontekste.
Ericas Kavanaghas: Aš manau, kad jums perduosiu dar vieną klausimą, kol mes sugrąžinsime Jeną, Nicku, o tai yra mokymo duomenis, jei kas nors paprašys pašalinti jų duomenis iš jūsų įmonės, o tai turės įtakos ne tik jų pavardei, adresą ir kt., ne tik jų kontaktinę informaciją, bet ir tuo atveju, jei algoritmas naudoja mokymo duomenis, kuriuose yra jūsų duomenys, jūs turite permokyti algoritmą, ar ne taip?
Nickas Jewellas: Tai ypač sudėtinga. Manau, kad idėja, kad ne tik duomenų bazės yra šios asmeniškai identifikuojamos informacijos šaltinis, bet ir analitinės darbo procedūros, programos, vizualizacijos. Šie duomenys yra visur su organizacija, todėl turint tokį kontekstą: be galo svarbu.
Erikas Kavanaghas: Ir Jen, kaip jūs galvojate? Akivaizdu, kad tai nėra toks jau didelis sandoris JAV, ir mes nematome, kad per daug bendrovių šiuo metu imponuoja, nors techniškai tai taikoma ir čia. Jei JAV įmonė turi ES piliečio duomenų, kokią reikšmę jūs prisiimate GDPR ir koks didelis sandoris?
Jen Underwood: Na, aš tikrai manau, kad tam reikia atsakingo duomenų tvarkymo. Aš jau keletą kartų apie tai rašiau ir turiu rekomendacijas dėl kai kurių iš šių dalykų. Manau, kad įdomus yra jūsų uždavinys apie algoritmus. Be abejo, kai kurie sprendimai, kuriuos matau šiandien, kai kurių jų produktų komandos yra suprojektavusios funkcijas, kad galėtumėte pamatyti, kaip jie priima sprendimus ir kokie asmeniniai duomenys buvo naudojami sprendžiant to algoritmo rezultatą. Matome kai kuriuos gaminių dizaino padarinius čia, JAV.
Daugybė technologijų kompanijų turi labai didelius biurus ir plėtros komandas čia ir JAV, ir visame pasaulyje, todėl mes matome tai kuriant produktą. Matau, kad daugiau duomenų katalogų yra investuojama. Daugiau vyriausybių iniciatyvų yra sukauptos taip, kad žmonės suprastų ir suprastų, kur visi šie duomenys yra chaose. Bandai surakinti ginklus, bent jau suorganizuodamas, sugebėdamas surasti ir su tuo ką nors padaryti.
Erikas Kavanaghas: Aš nustumsiu šią skaidrę, apie kurią kalbėjome anksčiau, ir perduosiu tai tau, Nick. Manau, kad tai yra fantastiška skaidrė, nes, manau, tai iš tikrųjų reiškia analitikos poreikį. Ką manote apie šią kintančią dinamiką? Aš turiu galvoje esmę, kad įmonės turi būti judrios, ir aš matau, kad analitika veda tą mokestį. Ką tu manai?
Nickas Jewellas: Tai žavi. Manau, visada yra - įmonės ir technologijos visada egzistuoja trijose valstijose, taigi tai bus arba karas, ir taika, arba nuostaba. Karas bus susijęs su tuo sunkiu konkurencijos lygiu. „Wonder“ yra visi puikūs nauji dalykai, kuriuos kuriate ant platformos. Tada vėl ramybė prieš varžybas ir vėl prasideda karas. Manau, kad visada vyksta šis mūšis.
Prieš šiandienos kvietimą kalbėjome apie kai kurias kitas konferencijas ir pagrindines pastabas, kurios šiandien vyksta visame pasaulyje. Kai kurie iš didžiųjų debesų pardavėjų pasiekė tašką, kuriame sukūrė šią platformą ir dabar ant jos kuria naujus nuostabius dalykus. Įmonės turi atidžiai stebėti tai ir įsitikinti, ar jos eina su kažkuo, kas turi nuoseklią platformą, kuri tą vertę suteiks ateityje. Jie bus tie, kurie išgyvens šį sutrikimą.
Erikas Kavanaghas: Taip, tai geras dalykas, ir jūs žinote, Jen, jūs anksčiau, faktiškai prieš pasirodymą, pakomentavote apie debesų strategiją ir apie tai, kaip daugelis industrijoje pažįstamų žmonių sako, kad didžiosios įmonės, net bankai, visi dabar turi debesies strategiją. Aš buvau savotiškai nustebinta, kiek laiko prireikė, kad tai išsipildytų, ir, manau, galbūt kai kurie iš jų nuvyko į AWS išradėjų konferenciją ir suprato, kokia ji didžiulė, ir padarė išvadą, kad atėjo laikas. Ką manote apie didžiųjų įmonių vadovų supratimą apie debesų importą ir kaip tai keičia jų planavimą?
Jen Underwood: Kai galvoju apie šį didelio masto duomenų pasaulį, kad galėčiau jį valdyti, kai kuriais lygmenimis manau, kad ramybė yra ta, kad viena iš labai didelių firmų prisiima atsakomybę už kai kuriuos saugumo aspektus, taigi kažkokia ramybė ten. Jūs žinote, kad yra šiek tiek ribotos apimties debesų.
Kitas dalykas yra tai, kad aš tai mačiau, aš buvau komandoje, kuri kūrė produktą iš debesies ir tai tikrai buvo nepakankamas produktas ir niekas į tai nekreipė jokio dėmesio per dvejus metus dėl savaitinių leidimų ir net, Aš sakyčiau, tai yra beveik kasdienis išleidimo debesyje taškas. Aš žinau, kad „Amazon“ sako, kad jie išleidžia kelis kartus per dieną. Kai kyla tokia grėsmė, kai jūsų konkurentai gali išlaisvinti ir patobulinti kiekvieną dieną, kad ir ką jie darytų, bent jau programinės įrangos pramonėje - ir visi, kas yra programinės įrangos pramonėje, kai pradedate žiūrėti į skaitmeninę transformaciją - tai visai kas kita Žaidimas „Ballgame“ ir bet kas gali parodyti debesį ir mastelį bei tapti dideli.
Vėlgi, tai bus duomenys, kuriuos jie panaudos, ir tai padarys skirtumą bei jų algoritmų intelektą, todėl žmonės kalba apie duomenis, kurie yra naujoji nafta, arba apie duomenis, kurie yra auksas. Kai žiūriu į debesis, tai žaidimų keitiklis, jis iš tikrųjų įgalina labai, labai greitą plėtrą ir mastelį. Tai nuostabu.
Ericas Kavanaghas: Aš sugrįšiu jus, Nick, dar vienam klausimui - mes čia eisime vos minutės ilgio, jei galime patekti į kai kuriuos iš šių klausimų, bet, kaip prisimenu, penkis ir šešis, o gal net septynis. metų, „Alteryx“ iš tiesų buvo novatorė, naudodama trečiųjų šalių duomenis - todėl atsinešėme duomenis iš tokių šaltinių, kaip, pavyzdžiui, „Experian“, arba geoerdvinius duomenis. Aš galvoju, kad tai turbūt yra strateginis pranašumas, nes toks dalykas yra Alteryxo DNR, tiesa? Kai įmonės juda debesies link, manau, kad jūs, vaikinai, turite daug patirties, kaip sugebėti sujungti tuos pasaulius. Ką jūs manote apie „premjeros“ versijas su trečiųjų šalių ir debesų duomenimis
Nickas Jewellas: Taip, visiškai. Didžiausias ryšys bus toks galingas bet kuriai įmonei, kuri dirbs šioje debesies aplinkoje. Bet aš pasakysiu, kai mes kalbėsime apie infonomiką, mintį, kad informacija ir duomenys turėtų būti laikomi jūsų įmonės vertybe. Didžiausią vertę, kurią įgysite, yra išorinių duomenų šaltinių paėmimas, jų derinimas ir praturtinimas vidiniais šaltiniais, siekiant sukurti ir uždirbti daugiau vertės procese. Vienodai svarbu dirbti su vidiniais ir išoriniais duomenimis be galo svarbu.
Erikas Kavanaghas: Taip, tai gera mintis. Manau, kad liko visas šis hibridinių debesų pasaulis. Jen, aš tiesiog perduosiu tai jums, galbūt, kai kurių baigiamųjų komentarų. Manau, kad turėdamas tą strateginį požiūrį ir galėdamas suvienodėti, nes naujas terminas apibūdina duomenis iš visų šaltinių, tai bus svarbus sėkmės faktorius, einantis į priekį, tiesa?
Jen Underwood: Ne, be abejo, ir juokinga, aš girdėjau šį hibridą, hibridą, hibridą. Girdėjote apie tai ir prieš ketverius metus galvojote apie „Hadoop“, „Hadoop“ ir didelius duomenis, tada pradėjote girdėti hibridinius, hibridinius, taigi tikrai ten buvome, mes nebūtinai, tai yra mašinų mokymosi metai, nieko nėra. Aš turiu omenyje, kad dirbtinis intelektas, mašinų mokymasis šiais metais pažengė į priekį, tačiau norint iš tikrųjų funkcionuoti organizacijoje, kuri šiandien yra pakeliui į debesį arba turi susidurti su visais šiais skirtingais debesies duomenų šaltiniais, galbūt tai yra „Salesforce“ ar Darbo diena, visi šie skirtingų tipų šaltiniai, kurie gyvena debesyje, vienintelis būdas su juo tvarkytis yra hibridinis. Negalite kopijuoti duomenų visur, todėl jūs turite mokėti tiesiogiai prisijungti ir jūs turite rasti būdą, kaip dirbti su visur esančiais duomenimis, visur rasti duomenis, nes tai yra ten, kur mes esame tiesoje dabar.
Erikas Kavanaghas: Aš manau, kad būčiau atleistas, jei į pokalbį negrąžinčiau mašinų išmokimo, taigi, Nick, aš jums tai perduosiu. Aš žinau, kad jūs dabar esate susitelkę ties tuo. Ar galite kalbėti apie tai, kur matote mašinų mokymąsi, suderintą su analitika ir tokiomis sistemomis, kurias naudojame savo verslui ir duomenims suprasti?
Nickas Jewellas: Taip, tikrai. Taigi, labai trumpai grįžkime prie savo įgūdžių spragos. Idėja, kad turime organizacijas, visiškai nepriekaištingas su galingais „Excel“ vartotojais. Turime duomenų, kuriuos mokslininkai peržiūri, bet auga ne tokiu greičiu. Tarp jų yra didžiulis atotrūkis. Pagalvokite apie tai, kur šiandien yra mašinų mokymasis. Kiek algoritmų turime telefone ar laikrodyje, kuriuose yra mašininio mokymosi metodų? Tai prekė, jos yra visur. Šiems energijos vartotojams turime įgalinti paprasčiausią įmanomą būdą, kad įsitikintume, ar mašina sėkmingai naudojama visame versle.
Ericas Kavanaghas: Galbūt permesiu paskutinįjį jums. Turime keletą klausimų, kurie ateis vėliau. Jen, aš tavęs paprašysiu to. Dalyvis komentuoja visą šią neprižiūrimo mokymosi sampratą. Faktas yra tas, kad jums reikia mokymo duomenų, kad galėtumėte tai padaryti, ir paprastai mokymo duomenys turi būti specifiniai įmonei. Nors pramonės šakose yra daug koreliacijų, yra daug būdų, kuriais organizacijos yra panašios. Nepaisant to, kiekviena įmonė yra unikali, nesvarbu, ar tai būtų jos verslo modelis, ar požiūris į rinkodarą ar pardavimą, ar, kad ir kaip būtų, produkto kūrimas.
Kyla klausimas, ar šie algoritmai galės naudoti trečiųjų šalių duomenis mokymui? Man atrodo, kad treniruodami šiuos algoritmus visada turėsite naudoti savo duomenis, net jei ciklo laikas sutrumpėja nuo šešių mėnesių (kai kuriais atvejais tai atsitiko) iki 40 dienų arba 20 dienų, kad ir kokie būtų atvejis gali būti. Jūs tikrai turite naudoti savo duomenis ir įsitikinti, kad duomenys yra gana švarūs, tiesa?
Jen Underwood: Tai tikrai mišinys. Norėsite turėti išorinį kontekstą. Tiesą sakant, aš šiandien esu rezervuotas atgal ir kitame internetiniame seminare aš kalbu apie duomenų paruošimą ir išvalymą, ironiškai, kad reikia mokytis mašinų. Iš tikrųjų svarbiausia yra tai, kad kuriate išorinį kontekstą su savo organizacija, ir man labai patinka, kad jūs paklausėte apie duomenų paruošimą ir valymą, nes, sąžiningai, kai kurios priemonės yra labai geros, labai geros - jos gali valdyti kai kuriuos jos aspektus, tačiau žmogaus protas, ar sugebėjimas iššifruoti problemą, pažiūrėti ir įsitikinti, kad jos neišleido, - sakyk, kad mes turime tam tikrą neveikimo šališkumą. Tai, kaip žiūrite į problemą, ir tai, kaip pasirenkate automatizuojamą problemą ar automatizuojamus sprendimus, yra to menas ir įsitikinkite, kad jis tiksliai atspindi tą verslo procesą.
Grįžtant prie mano pavyzdžio su draudimo kompanija, kai mes modeliuodavome karstą ir kam pasisamdyti, kad dalyvautume šiame remiamame mokyme, kad parduotume draudimą; pats modelis nebuvo teisinis klimatas, skirtingi įstatymai skirtingoms valstybėms. Visada atsiras tam tikras aspektas, kai turėsite turėti tuos išorinius duomenis su savo vidiniais duomenimis ir vėlgi su žmogaus protu. Ten bus skirtingi komponentai.
Ericas Kavanaghas: Manau, kad jūs čia iškėlėte tikrai gerą mintį. Mes nuolat girdime apie robotų ir mašinų bei mašinų mokymosi perėmimą. Man tai labai žlugdanti tendencija - dėl to nekyla abejonių - bet aš niekada nematau poreikio, kad žmonių mišinys išnyktų, ypač analizuojant duomenis apie įmones.
Nikas, vienas paskutinis klausimas tau. Kad ir kokie puikūs būtų algoritmai, man visada prireiks žmonių, kurie stebėtų, kas vyksta, įsišvirkštų sau nustatytu laiku ir iš tikrųjų susintetintų, kas yra ten. Nemanau, kad koks nors algoritmas kada nors sugebės susintetinti didelį „Fortune 2000“ kompanijos paveikslą, bet kaip jūs manote?
Nickas Jewellas: Na, paimkime visiškai ne Alteryx pavyzdį, pakalbėkime apie praėjusių metų „Uber“. „Uber“ per teroristinį incidentą Australijoje, bandydami pabėgti iš šio rajono, staiga sukėlė kainų padidėjimą, nes būtent tai, pasak algoritmo, padarė didelę žalą reputacijai. Iškart po to jie įgyvendino žmones ir algoritmus, dirbdami kartu. Bet kada, kai tik tai vyko, žmogus turėjo prižiūrėti procesą. Tai žmogaus ir algoritmo partnerystė, tai yra kelias į priekį.
Erikas Kavanaghas: Oho, tai puikus pavyzdys, ačiū jums labai. Na, žmonės, mes per savo internetinę transliaciją perdegėme daugiau nei valandą. Labai didelis ačiū Jen Underwood iš „Impact Analytics“. Žinoma, didelis ačiū Nickui Jewellui ir „Alteryx“ komandai už jų laiką ir dėmesį bei visiems jums už jūsų laiką ir dėmesį. Mes vertiname šiuos puikius klausimus. Mes archyvuojame visas šias internetines transliacijas, kad galėtume jas vėliau peržiūrėti, nesivaržykite pasidalyti jomis su draugais ir kolegomis. Su tuo mes atsisveikinsime. Puiki internetinė transliacija šiandien. Dar kartą labai ačiū, mes su tavimi susitiksime kitą kartą, žmonės. Pasirūpink. Iki.
