Autorius „Techopedia“ darbuotojai, 2016 m. Rugpjūčio 25 d
„Takeaway“: Priimančioji Rebecca Jozwiak aptaria įterptosios analizės ir piliečių duomenų mokslininkų fenomeną su daktarais Robinu Blooru, Dezu Blanchfieldu ir Davidu Sweenoru.
Norėdami peržiūrėti vaizdo įrašą, turite prisiregistruoti į šį įvykį. Registruokitės norėdami pamatyti vaizdo įrašą.
Rebecca Jozwiak: Ponios ir ponai, sveiki ir sveiki atvykę į „Hot Technologies“. „Įterpkime visur: įgalinkime Citizen Data Scientist“ - šiandien mūsų tema. Aš pildau jūsų įprastą šeimininką, tai yra Rebecca Jozwiak, kuris užpildo Ericą Kavanagh. Taip, šie metai karšti. Ypač terminui „duomenų mokslininkas“ buvo skirta daug dėmesio, net jei mes juos anksčiau vadindavome nuobodžiais vardais, tokiais kaip „statistikas“ ar „analitikos ekspertas“, beveik spręsdami tos pačios rūšies veiklą, tačiau tai buvo naujas seksualus vardas. susilaukia daug dėmesio. Jie yra labai pageidautini, kad jie būtų naudingi organizacijai, ir visi to nori. Bet jie yra: 1) brangūs, 2) sunkiai randami. Žinote, visame pasaulyje buvo naujienų apie duomenų mokslininko įgūdžių trūkumą, taip, bet vis tiek jie teikia didžiulę vertę organizacijai ir žmonės tarsi susimąsto, kaip išsiaiškinti, kaip tą vertę įgyti nenuleidžiant nė lašo, taigi kalbėti.
Tačiau gera žinia yra tai, kad pasirodo įrankiai ir programinė įranga, kompensuojantys tą trūkumą. Mes turime automatizavimą, mašininį mokymąsi, įterptąją analizę, apie kurią mes šiandien mokysimės, ir tai tarsi paskatino šį naują terminą „piliečių duomenų mokslininkas“, ir ką tai reiškia? Ne, tai nėra jūsų apmokytas duomenų žinovas, tai gali būti jūsų verslo vartotojas, jūsų BI ekspertas, kažkas iš IT, kažkas, turintis išsilavinimą, bet galbūt nebūtinai turintis kompetenciją. Bet ką tai daro, šie įrankiai ir programinė įranga, tai suteikia daugiau žmonių prieigą prie tų išmaniųjų sprendimų, net jei jie galbūt nežino giluminio kodavimo. Bet tai tik padeda pagerinti bendrą našumą, kai suteikiate visiems šiek tiek daugiau galimybių naudotis ta analitine mintimi. Jums nebūtina mokytis būtinai, jei norite turėti tokio smalsumo, kuris gali sukelti gerų įžvalgų jūsų įmonei.
Aptardami, kad šiandien yra mūsų pačių Robin Bloor, vyriausiasis „Bloor Group“ analitikas, paskambino vienas iš pačių nemandagiausių duomenų mokslininkų Dez Blanchfieldas, tada Davidas Sweenoris iš „Dell Statistica“ šiandien mus pristatys. Ir aš perduosiu tai Robinui Bloorui.
Robinas Booras: Gerai, ačiū už įvadą. Aš apie tai galvojau istoriniame kontekste. Tai, ką mes iš tikrųjų žiūrime, yra vienas iš Leonardo da Vinci dizaino sklandytuvų, kuriuos vyras galėtų užsidėti ant nugaros. Net neįsivaizduoju, ar ji iš tikrųjų veiks. Aš į tai neįsigilinčiau, turiu pasakyti. Tačiau da Vinci, kai galvoju apie da Vinci, galvoju apie jį kaip apie vieną smalsiausių ir analitiškiausių žmonių, kokį tik yra buvę. Ir visiškai aišku, jei tik pažvelgi į tą sklandytuvą, kad jis sukurtas remiantis paukščio sparnu ir jis vienaip ar kitaip tyrė paukščių skrydžius, kad galėtų jį pastatyti.
Jei pažiūrėsime į istorinę perspektyvą - aš iš tikrųjų to pažvelgiau - analitika yra turbūt seniausias matematikos pritaikymas. Yra surašymų, kurie datuojami bent jau Babilono laikais. Mes apie tai žinome, nes iš esmės yra keletas cuneiform tablečių, apie kurias yra tokių duomenų. Nežinia, ar kas nors grįžo anksčiau. Bet akivaizdu, kad jūs sukūrėte civilizaciją, kurioje gyvena daug žmonių, tai iš tikrųjų reikalauja planavimo ir verta žinoti, ką planuojate ir kokie yra tų žmonių reikalavimai.
Aš tikiu, kad būtent ten, kur ir prasidėjo skaičiavimas, nes ankstyvieji kompiuteriai, ankstyvieji mechaniniai kompiuteriai, iš tikrųjų buvo, manau, kad pirmasis buvo Holleritho sukurtas surašymas, kuris tapo IBM. Visa tai pajudėjo į priekį. Tarp 1970-ųjų ir šių dienų, kai yra daugybė kitų programų ir analizės, galima sakyti, užėmė užpakalinę vietą, buvo tam tikros pertraukos. Taip, vyko analizė - tai vyko didelėse organizacijose, ypač bankuose ir draudimo bendrovėse, iš tikrųjų „General Electric“, „telco“ ir panašiuose dalykuose, tačiau ji nebuvo naudojama visame versle ir dabar ji pradėjo įprasti visose įmonėse. verslas. Ir tai tikrai pakeitė žaidimą. Pirmas dalykas, į kurį galvojau atkreipti dėmesį, yra duomenų piramidė, kuri man ypač patinka. Aš turiu omenyje tai, kad aš atkreipiau vieną iš šių prieš 20 metų - bent prieš 20 metų - bandyti suprasti, iš tikrųjų tuo metu aš bandžiau suprasti BI ir kai kurias ankstyvas duomenų gavybos operacijas. Tai, ką aš apibrėžiau, yra duomenų idėja, o pavyzdžiai yra signalai, matavimai, įrašai, įvykiai, operacijos, skaičiavimai, apibendrinimai, atskiri informacijos taškai. Galite galvoti apie juos kaip apie informacijos molekules, tačiau jie yra atskiri taškai. Tai tampa informacija, kai tik įgauna kontekstą. Susieti duomenys, struktūrizuoti duomenys, duomenų bazės, duomenų vizualizavimas, braižytuvai, schemos ir ontologijos - mano manymu, jie visi laikomi informacija, nes tai, ką padarei, yra labai įvairi ir kartu sukuria daug daugiau nei duomenų tašką, kažkas, kas iš tikrųjų turi formą, matematinę formą.
Be to, mes turime žinių. Nagrinėdami informaciją galime sužinoti, kad yra įvairių modelių, ir galime panaudoti tuos modelius, suformuluodami taisykles, strategijas, gaires, procedūras, o tada tai pasireiškia žiniomis. Beveik visos kompiuterinės programos, kad ir ką jos darytų, yra tam tikros žinios, nes jos veikia prieš duomenis ir joms taiko taisykles. Turime šiuos tris sluoksnius ir vis labiau tobulėjame tarp jų. Kairėje šios diagramos pusėje rodomi nauji įvedami duomenys, taigi daugelis šių dalykų yra statiški. Duomenys kaupiasi, kaupiasi informacija ir potencialiai auga žinios. Viršuje mes turime „supratimą“ ir, nors tai yra filosofinis argumentas, aš palaikyčiau, kad supratimas yra tik žmonėms. Jei dėl to klystu, tam tikru momentu mus visus pakeis kompiuteriai. Tačiau užuot diskusijas vedęs prie kitos skaidrės.
Kai pažvelgiau į tai, įdomu, tai yra kažkas naujausio, įdomu buvo pabandyti išsiaiškinti, kas iš tikrųjų buvo analitika. Galų gale nubrėždamas įvairias diagramas ir baigdamas tokią, kuri atrodė taip, aš priėjau prie išvados, kad iš tikrųjų analitikos kūrimas yra tik programinės įrangos kūrimas su nepaprastai dideliu skaičiumi matematikos formulių. Analitinis tyrimas šiek tiek skiriasi nuo programinės įrangos kūrimo ta prasme, kad jūs iš tikrųjų imtumėtės daugybės skirtingų modelių ir juos ištirtumėte, kad gautumėte naujų žinių apie duomenis. Bet kai tik sugeneruosite, jis bus įgyvendintas arba tai, ką aš manau kaip pasyvų sprendimų palaikymą, ty informaciją, kuri vartotojui tiesiog atsibodo; interaktyvus sprendimų palaikymas, tai yra, pavyzdžiui, OLAP, kai vartotojui suteikiamas struktūruotas duomenų rinkinys, kurį jie gali ištirti ir išskaičiuoti patys, naudodamiesi įvairiomis prieinamomis priemonėmis. Daug vizualizacijos yra tokios. Ir tada mes turime automatizavimą, jei jūs tiesiog galite paversti kai kurias analitines įžvalgas, kurias jūs sukūrėte, į taisyklių, kurias galima įgyvendinti, rinkinį, nebūtinai reikia, kad dalyvautumėte žmogus. Štai kaip aš į tai pažvelgiau, kai visa tai padariau. Ir man pradėjo kilti įvairių dalykų. Sakykime, kai veiklos sritis, kai duomenų sritis yra iš tikrųjų išgaunama, kruopščiai iškasama, kruopščiai ištirta visomis įmanomomis kryptimis, ilgainiui ji tampa tik išsikristalizavusia BI. Sugalvotos žinios tampa žiniomis, kurios įvairiais būdais informuoja įvairius vartotojus, ir, tikiuosi, padidina jų galimybes iš tikrųjų atlikti tą darbą, kurį jie daro.
Vienas iš dalykų, kuriuos pastebėjau ir peržiūriu prognozuojančią analizę maždaug penkerius metus, tačiau nuspėjamoji analizė tampa BI, ta prasme, kad ji tiesiog virsta naudinga informacija, kuria gali aprūpinti žmones, ir kaip aš jau pabrėžiau, ten yra automatizuotas BI ataskaitų teikimas, tiriamasis BI, BI, labai skirtingos jo gradacijos ir numatomoji analizė iš tikrųjų vyksta visomis trimis kryptimis. Ir analitinis procesas, kaip aš atkreipiau dėmesį, nėra toks skirtingas kaip programinės įrangos kūrimas, tiesiog atliekamas skirtingų žmonių, turinčių šiek tiek skirtingų įgūdžių. Manau, turėčiau pabrėžti, kad norint įgyti tikrai gerą duomenų mokslininką reikalingi įgūdžiai, kurių reikia norint įgyti. Jie nėra lengvai įgyjami ir tai negali padaryti daugybė žmonių, tačiau taip yra todėl, kad reikia suprasti matematiką labai sudėtingame lygmenyje, kad žinotum, kas tinka, o kas netinka. „Analytics“ plėtra, naujų žinių atradimas, analizės implantacija - tai žinių pritaikymas. Tokį foną aš matau visai analitikai. Tai didžiulė sritis ir joje yra daugybė aspektų, tačiau aš manau, kad apibendrinimas galioja viskam.
Tada nutrūksta verslas, kaip jau minėjau, yra daugybė organizacijų, dar viena yra farmacijos kompanija, kurios savo DNR turi analitiką. Tačiau yra daugybė organizacijų, kurios iš tikrųjų to neturi savo DNR, ir dabar jos turi galimybę, dabar programinė ir aparatinė įranga yra daug pigesnės nei anksčiau, dabar jos turi galimybę ją išnaudoti. Aš sakyčiau daugybę dalykų. Pirmas dalykas, kad analizė daugeliu atvejų yra moksliniai tyrimai ir plėtra. Jums gali būti taikoma tik analizė tam tikroje organizacijos srityje ir gali atrodyti, kad kasdieniška, jog vienaip ar kitaip analizuojate klientų užsakymus iš įvairių perspektyvų, sujungdami juos su kitais duomenimis. Bet analizė iš tikrųjų sukuria galimybę pažvelgti į organizaciją kaip visumą ir beveik išanalizuoti bet kokią konkrečią organizacijoje vykdomą veiklą ir visas veiklos grandines. Bet kai jūs tikrai pereisite į tą sritį, aš tvirtinsiu, kad tai yra moksliniai tyrimai ir plėtra. Ir dar keletą kartų man buvo užduotas klausimas: „Kiek įmonė turėtų išleisti analizei?“, Ir aš manau, kad geriausias būdas galvoti apie atsakymo pateikimą yra analizė kaip moksliniai tyrimai ir plėtra. ir tiesiog paklauskite: „Na, kiek išleistumėte moksliniams tyrimams ir plėtrai verslo efektyvumo srityje?“
Ir versle, kuris nėra susijęs su analitika, yra daugybė dalykų, kurių jie nežino. Visų pirma, jie nežino, kaip tai padaryti. Paprastai, jei jie iš tikrųjų vienaip ar kitaip ruošiasi analizuoti organizacijoje, jie iš tikrųjų neturi kitos išeities, kaip kreiptis į konsultacijas, kurios gali jiems padėti tai padaryti, nes daugumai tai būtų neįmanoma arba tikrai labai sunku. įmonėms faktiškai pasamdyti duomenų mokslininką, kuris jį suranda, už jį moka ir iš tikrųjų pasitiki jais darydamas tai, ko nori. Labai sunku. Daugelis verslininkų nežino, kaip pasamdyti ar ugdyti darbuotojus, kad jie iš tikrųjų atliktų šį darbą, ir to priežastis yra tiesiog ta, kad to dar nėra jų DNR, taigi tai nėra jų natūralių verslo procesų dalis. Tai įtraukiama į kitą punktą. Jie nežino, kaip tai padaryti verslo procesu. Geriausias būdas tai padaryti, beje, yra nukopijuoti tai, ką atrodo farmacijos ir draudimo kompanijos, o kai kurias sveikatos priežiūros centro įmones - tiesiog žiūrėti į tai, kaip jie naudojasi analitika ir ją nukopijuoti. Nes tai yra verslo procesas. Nežinau, kaip ją prižiūrėti ar tikrinti. Tai tikrai, ypač dabar, kai nepaprastai daug programinės įrangos kompanijų sukūrė produktus, automatizuojančius nepaprastai daug analitikos. Taškas apie auditą yra svarbus, kai turite konsultantą ar žmogų, kuriuo galite pasitikėti, kad suprastumėte bet kokių analitinių skaičiavimų rezultatus. Tai turite pasirinkti, bet jei įdėsite tikrai galingas analitines priemones į žmonių, kurie netinkamai supranta analizę, rankos, greičiausiai jie pereis prie išvadų, kurios galbūt nėra teisingos. Ir kaip sakiau, įmonės nežino, kaip tam skirti biudžetą.
Tai yra analitikos skoniai, aš tiesiog perleisiu juos. Statistinė analizė ir statistinis modeliavimas labai skiriasi nuo numatomosios analizės, kuri, beje, yra kreivė. Mašinų mokymasis skiriasi nuo tų dalykų, kelio analizė ir laiko eilutės, kurios iš esmės daromos būsenos srautuose, vėl skiriasi. Grafikos analizė vėl skiriasi, o teksto ir semantinė analizė vėl skiriasi. Tai tik pabrėžia, kad tai labai įvairaus žanro dalykas. Tai nėra, jūs nepradėsite analizuoti, o jūs imsitės nagrinėti iškilusias problemas ir ieškosite įvairių įrankių bei įvairių skonių analitikos, kuri jiems tiktų. Ir galiausiai grynasis tinklas. Dėl techninės ir programinės įrangos evoliucijos, mano nuomone, analizė yra tik pradinėje stadijoje. Dar yra daug, dar daug dar nėra, ir pamatysime tai ateinančiais metais. Manau, kad dabar galiu perduoti kamuolį Dezui.
Dezas Blanchfildas: Taip, kalbėk apie sunkų poelgį, kurį tau reikia sekti, Robin. Trumpai aplankysiu šią temą iš vieno mėgstamiausio kampo, kuris yra žmogaus kampas. Mūsų kasdieniniame gyvenime vyksta tiek daug pokyčių. Vienas didžiausių mūsų kasdienio gyvenimo sutrikimų, šiuo metu, mano manymu, yra tiesiog kasdienis darbas. Pasirenkant darbą ir bandant atlikti darbą, kurį privalai atlikti, ir didėjantis tikėjimasis, kad pereini nuo kasdienio žmogaus prie superherojaus, ir informacijos, kuri teka aplink organizacijas ir skleidžiama labai, labai greitai, kiekis, tai yra didelis iššūkis, todėl vis daugiau ir daugiau turime žmonėms pasiūlyti geresnių ir geresnių įrankių, padedančių išbandyti žinių ir informacijos srautus, todėl galvojau, kad pabandysiu tai padaryti iš šiek tiek smagaus požiūrio. . Bet man visuomet stebina, kaip mes turime tokį protingą ar žaibišką minios procesą ir tt, kurie tarsi varo mus į tai, apie ką mes kalbame kaip apie analitiką, bet iš tikrųjų tai, apie ką mes kalbame, yra informacijos pateikimas žmonėms ir leisti jiems su ja bendrauti ir daryti tai taip, kad tai būtų natūralu ir jaustųsi normaliai.
Ir iš tikrųjų tai man primena „YouTube“ vaizdo įrašą, kuriame vaizduojamas mažas vaikas, mažas kūdikis, sėdintis ant grindų ir sėdintis ten, žaidžiantis su „iPad“. Jis apsidairęs aplink sugriebia, suspaudžia ir suspaudžia vaizdus, juda vaizdais ir žaidžia su ekranu, ten esančių duomenų. Ir tada tėvas atima „iPad“ ir įdeda vaiko žurnale žurnalą, atspausdintą žurnalą. Ir šiam vaikui turbūt ne daugiau kaip dveji metai. Vaikas pradeda bandyti braukti per žurnalo ekraną, čiupo ir suspaudė, o žurnalas nereaguoja. Vaikas pakelia pirštą aukštyn ir pažvelgia į jį ir galvoja: „Hmm, aš nemanau, kad mano pirštas veikia“. Jis pakiša ranką ir pagalvoja: „Aha ne, aš dirbu, kai pirštas galiu jausti ranką. atrodo gerai “, ir jis suima pirštą, o pirštas sukasi ir reaguoja. Taip. Tada jis bando vėl bendrauti su žurnalu, žemai ir štai jis netraukia, nespaudžia ir nelenkia. Tada jie nuima žurnalą ir vėl įsideda „iPad“ į savo ratą, ir staiga viskas suveikia. Taigi štai kūdikis, atėjęs kartu ir išmokytas naudoti analizės ar tiesioginės transliacijos įrankius pramogoms, negali išsiaiškinti, kaip turėtų veikti žurnalas ir kaip apversti puslapius.
Ir tai savaime yra įdomi sąvoka. Bet kai galvoju apie žinių judėjimą aplink organizacijas, apie duomenų srautus ir apie tai, kaip žmonės elgiasi, aš dažnai pagalvoju apie šią idėją, kurią žmonės išmoko būti „greitoji minia“, kuri yra renginys, kur ir kurią daro socialinė žiniasklaida. tai dar lengviau padaryti, idėja, kuri yra eiti į šią vietą šiuo metu, data ir veiksmas, arba filmuoti ir išmokti šiuos šokius, arba dėvėti šią spalvotą skrybėlę ir nukreipti į šiaurę vieną valandą. Ir jūs išstumiate tai per savo tinklą, ir neabejotinai, daugybė žmonių, šimtai iš jų, pasirodo toje pačioje vietoje tuo pačiu metu daro tą patį veiksmą ir yra šitas wow faktorius, toks kaip „Šventoji karvė, tai buvo tikrai įspūdinga! “Bet iš tikrųjų tai yra labai paprasta idėja ir paprasta idėja, kuri tiesiog išstumiama per mūsų tinklus ir gauname šį rezultatą, kuris yra vizualiai stulbinantis ir garsiai įspūdingas dalykas. Ir kai galvoji apie organizaciją, tai, kaip mes norime, kad žmonės elgtųsi, ir tai, kaip mes norime, kad jie elgtųsi su informacinėmis sistemomis ir klientais, dažnai tai būna taip paprasta, tai idėja ar koncepcija, kultūrinis ar elgesio bruožas, kurį bandome perduoti. pasitelkdami įrankius ir informaciją bei suteikdami jiems galimybių.
Ir tai, kas remiasi visa šita mantra, kurią turėjau daugiau nei du su puse dešimtmečio ir tai yra, jei jūsų darbuotojai neranda to, ko reikia jų darbui atlikti, nesvarbu, ar tai būtų įrankiai, ar informacija, tai jie visada sugalvos ratą. Taigi tai yra nuolat didėjantis iššūkis, nes mes turime daug žinių, daug informacijos ir dalykų, kurie greitai juda, kad norime sustabdyti žmones išradinėti vairą. Ir kai galvojome apie savo darbo aplinką, grįždami į žmonių požiūrį, kuris yra vienas iš mano mėgstamiausių, aš buvau nustebęs, kai nustebome, kad kabinos nebuvo palanki aplinka pasiekti gerų rezultatų, arba mes išdėstėme tokius dalykus kaip ši siaubinga. paveikslų čia, ir jis beveik nepasikeitė, tiesiog nuleido sienas ir pavadino jas atviromis darbo erdvėmis. Tačiau viduryje su geltona kilpa aplink juos yra du žmonės, kurie keičiasi žiniomis. Ir vis dėlto, jei pažiūrėsite į likusį kambarį, jie visi ten sėdės pareigingai ir išsisukinėja, įtraukdami informaciją į ekraną. Dažniausiai ne keisdamiesi žiniomis ir duomenimis, tam yra daugybė priežasčių. Tačiau kai bendraujate grindų viduryje, kairiajame geltoname apskritime, ten kalbasi du žmonės, keičiasi žiniomis ir tikriausiai bando ką nors surasti, bandydami pasakyti: „Ar žinai, kur yra ši ataskaita, kur aš galiu rasti šiuos duomenis, kokią įrankį aš naudoju šiam reikalui atlikti? “Ir tikriausiai jis neveikė, todėl jie nieko neturėjo ir klaidžiojo po grindis, sulaužė kabinetų biuro patalpų taisyklę ir padarė tai asmeniškai.
Ir biuro aplinka buvo panaši, kur mes juokaudami linksminomės, tačiau realybė yra tokia, kad jie gana galingi ir veiksmingi. Ir vienas iš mano mėgstamiausių yra mobilioji arba fiksuotoji analizės platforma, vadinama vandens aušintuvu, kur žmonės atsikelia ir čia kalbasi ir keičiasi žiniomis, lygina idėjas ir atlieka analizę stovėdami prie vandens aušintuvo, keisdamiesi idėjomis. Tai labai galingos sąvokos, kai pagalvoji apie jas. Ir jei jūs galite juos išversti į savo sistemas ir įrankius, gausite nuostabų rezultatą. Mes turime visų laikų mėgstamiausią, kuris iš esmės yra galingiausias biuro duomenų paskirstymo mazgas, kitaip žinomas kaip registratūra. Jei nerandate ko, kur einate? Na, jūs einate į ofisą ir einate į registratūrą ir sakote: „Ar žinai, kur yra x, y, z?“ Ir aš drįstu bet kam pasakyti, kad bent kartą to nepadarėte naujoje darbą ar tam tikru momentu, kai jie tiesiog negali ko nors rasti. Ir jūs turite paklausti savęs, kodėl taip yra? Tai turėtų būti kažkur intranete ar tam tikru įrankiu ar bet kuo. Tai turėtų būti lengva rasti.
Taigi, kai kalbame apie duomenis ir analizę bei įrankius, kuriuos suteikėme savo darbuotojams, kad jie atliktų savo darbą ir tai, kaip žmonės sąveikauja su darbais, aš susidariau nuomonę, kad prieš neseniai atsiradus analitikos įrankiams ir didelėms duomenų platformoms, arba „duomenų apdorojimas“, taip pat vadiname tai senosiose mokyklose, ataskaitų teikimas ir dalijimasis žiniomis toli gražu nebuvo dinamiški, nebendradarbiaujantys ar atviri, o kai pagalvojote apie tai, kokias sistemas mes tikimės iš žmonių atlikdami savo darbus, mes turėjome klasikinę žmonės vadina palikimą dabar, tačiau realybė yra tai, kad liko tik palikimas, kuris yra ir šiandien, ir todėl tai nėra tikras palikimas. Bet tradicinės HR sistemos ir ERP sistemos - žmogiškųjų išteklių valdymas, įmonės išteklių planavimas, įmonės duomenų valdymas ir sistemos, kurias naudojame informacijos valdymui, norėdami valdyti įmonę. Tai visada iškraipoma. Ir žiūrint iš viršaus, paprastos platformos, tokios kaip departamentų vidiniai tinklai, bando bendrauti ten, kur yra daiktai ir kaip juos gauti, ir kaip bendrauti su visur esančiomis žiniomis. Mes tai pastebime savo intranete. Tik gerai, kaip žmonėms, kurie deda laiko ir pastangų, kad tai padarytum, kitaip tau tiesiog liks galvoje. Arba jūs turite duomenis, esančius maisto grandinės apačioje, įmonių SAN ir visa kita, taigi saugojimo srities tinklai yra pilni failų ir duomenų, bet kas žino, kur jų rasti.
Dažniau mes sukūrėme šias uždaras duomenų platformas ar uždaras sistemas, todėl žmonės vėl naudojosi mėgstamomis skaičiuoklėmis ir „PowerPoints“, kad galėtų perduoti informaciją visur. Tačiau, mano manymu, neseniai įvyko įdomus dalykas - mobilieji įrenginiai ir internetas iš esmės veikia taip, kad viskas galėtų būti geriau. Ir daugiausia vartotojų erdvėje. Ir įdomus dalykas, kad kasdieniame gyvenime mes pradėjome turėti tokius dalykus kaip internetinė bankininkystė. Mums nereikėjo fiziškai vykti į realų banką, norint su jais bendrauti, tai galėjome padaryti telefonu. Iš pradžių tai buvo nepatogu, bet paskui atsirado internetas ir mes turėjome svetainę. Žinote, ir kiek kartų iš tikrųjų pastaruoju metu buvote savo banke? Aš iš tikrųjų negaliu, jau kitą dieną apie tai kalbėjau ir iš tikrųjų nepamenu, kada paskutinį kartą eidavau į savo banką, kurį buvau gana sukrėstas, maniau, kad turiu sugebėti tai prisiminti, bet tai buvo taip ilgai Aš iš tikrųjų neprisimenu, kada ten nuvykau. Taigi dabar mes turime šiuos įtaisus mobiliųjų telefonų, telefonų, planšetinių kompiuterių ir nešiojamųjų kompiuterių pavidalu, turime tinklus ir prieigą prie įrankių bei sistemų, o vartotojams skirtą erdvę sužinojome, kad viskas gali būti geriau, bet todėl, kad Sparčiai keičiantis vartotojų erdvei, kuri labiau atsibodo ir ledyniškai pasikeitė įmonėje ir aplinkoje, mes ne visada ėmėmės šių pokyčių į kasdienį darbinį gyvenimą.
Ir man labai patinka linksmintis tuo, kad negalite tiesiogiai transliuoti duomenų, kad galėtumėte juos kopijuoti. Šiame paveikslėlyje sėdi žmogus, kuris žiūri į atliktą analizę, ir yra graži grafika, kurią sukūrė kažkas, kuriai, matyt, buvo sumokėti dideli pinigai kaip statistikui ar aktuarijui, ir jie ten sėdi bandydami tai padaryti. analitinės popierinės kopijos analizė ir pokštavimas. Bet čia mane gąsdina: pavyzdžiui, šie žmonės šioje posėdžių salėje, ir aš tai panaudosiu kaip pavyzdį, jie sąveikauja su istoriniais duomenimis. Ir jau sena nuo tada, kai tas daiktas buvo gaminamas, tada spausdinamas, taigi galbūt tai buvo savaitės reportažas. Dabar jie priima sprendimus dėl ne tiek blogų duomenų, kiek senų duomenų, kurie visada gali būti blogi. Šiandien jie priima sprendimą remdamiesi tuo, kas istoriška, o tai yra tikrai bloga vieta būti. Mums pavyko pakeisti šią spausdintą kopiją mėgstamiausiais planšetiniais kompiuteriais ir telefonais, nes mes labai greitai atsidūrėme vartotojų erdvėje, o dabar mes tai išsiaiškinome įmonės erdvėje, kad realus laikas yra įžvalgos yra tikrojo laiko vertė.
Ir mums sekasi vis geriau. Ir tai mane priartina prie to, ką anksčiau iškėlė Robinas, tai buvo piliečių duomenų mokslininko samprata ir šios idėjos variklis. Man piliečių duomenų žinovas yra tik paprasti žmonės, turintys tinkamas priemones ir informaciją apie mėgstamus „iPad“. Jie neprivalo daryti matematikos, neprivalo žinoti algoritmų, neprivalo mokėti pritaikyti algoritmų ir taisyklių duomenų, tiesiog turėjo žinoti, kaip naudotis sąsaja. Ir tai sugrąžina mane įvadą ir supratimą apie ten sėdintį mažą kūdikį, turintį „iPad“, palyginti su žurnalu, palyginti su „iPad“. Mažylis gali labai greitai, intuityviai išmokti naudoti „iPad“ sąsają, kad galėtų pasinerti į informaciją ir su ja sąveikauti, nors tai gali būti žaidimas, srautinė medija ar vaizdo įrašas. Tačiau ji negalėjo gauti tokio paties atsako ar sąveikos iš žurnalo juostos ir tiesiog mirksinčio puslapio po puslapio, o tai nėra labai patrauklu, ypač jei esate mažas vaikas, užaugęs su „iPad“. Visada žmonės gali labai greitai ieškoti ir išmokti valdyti įrankius ir daiktus, jei juos tiesiog pateikiame ir jei jiems suteikiame sąsają, pavyzdžiui, mobiliuosius įrenginius, ypač planšetinius kompiuterius ir išmaniuosius telefonus, turinčius pakankamai didelius ekranus, ypač jei galite bendrauti. Staiga jūs suvokiate juos kaip piliečių duomenų mokslininko sampratą.
Kažkas, kas gali pritaikyti duomenų mokslą naudodamas tinkamas priemones, tačiau faktiškai nežinodamas, kaip tai padaryti. Ir, mano manymu, daug to, kaip sakiau, lėmė vartotojų įtaka, kuri persikėlė ir virto paklausa ir verslu. Pora tikrai greitų pavyzdžių. Mes, daugelis iš mūsų, pradėjome daryti reikalus su savo tinklaraščiais ir svetainėmis, pavyzdžiui, dėjome mažai skelbimų ar žiūrėjome į stebėjimą ir judėjimą, naudojome tokius įrankius kaip „Google Analytics“ ir buvome nubudę dėl to, kad mūsų tinklaraščiuose ir mažose svetainėse, jame galėtume įdėti nedaug kodo, o „Google“ realiu laiku gautų įžvalgų, kas, kur ir kaip lankosi svetainėje. Ir realiu laiku galėjome pamatyti, kaip žmonės pataiko į svetainę, peržiūri puslapius ir tada dingsta. Ir tai buvo gana nuostabu. Aš vis dar mėgstu tai daryti, kai bandau žmonėms paaiškinti realiojo laiko analizę, nesąmoningai norėčiau jiems tiesiog parodyti svetainę, kurioje yra įjungtas „Google Analytics“, ir iš tikrųjų matau tiesioginį bendravimą su žmonėmis, kurie verčia svetaines, ir paprašau jų: „Įsivaizduokite, jei jūs turėjote tokio pobūdžio įžvalgų apie savo verslą realiuoju laiku “.
Paimkime mažmeninės prekybos pavyzdį, o gal ir vaistą, manau, kad jūs tai vadinate vaistine Amerikoje, vaistine, kurioje vaikščiojate ir perkate viską, nuo galvos skausmo tablečių iki saulės kremo ir kepurių. Bandymas valdyti tą organizaciją be realaus laiko informacijos yra bauginanti sąvoka, dabar mes žinome, ką žinome. Pvz., Galite išmatuoti pėsčiųjų srautą, galite išdėstyti prietaisus aplink parduotuvę su veiduko veidu vienoje ekrano pusėje, nes esate laimingas, o nepatenkinta raudona spalva yra dešinėje, o kai kurie skirtingi atspalviai - viduryje. Šiomis dienomis yra platforma, pavadinimu „Laimingas ar ne“, kur jūs einate į parduotuvę ir galite sprogdinti laimingą ar liūdną veidą, atsižvelgiant į jūsų tiesioginius klientų atsiliepimus. Ir tai gali būti interaktyvu realiu laiku. Galite gauti tiesioginę paklausą pagrįstą kainą. Jei ten gyvena daug žmonių, galite šiek tiek padidinti kainas, galite padaryti atsargas ir, pavyzdžiui, pranešti žmonėms - pavyzdžiui, oro linijos pasakys žmonėms, kiek vietų dabar yra svetainėje, kai jūs Užsisakydami skrydį, jūs ne tik atsitiktinai pasirinksite ir tikitės, kad galėsite pasirodyti ir gauti skrydį. Tiesioginiai HR duomenys, jūs galite pasakyti, kada žmonės laikrodžius įjungia. Pirkimas, jei vykdote viešuosius pirkimus ir turite tiesioginių duomenų, galite atlikti tokius veiksmus, kaip valandą laukti ir apsisaugoti nuo JAV dolerio kainos, kad nusipirktų kitą jūsų atsargų atsargą ir pasirodytų sunkvežimių krovinys.
Kai parodau žmonėms „Google Analytics“ ir perduodu tokio tipo anekdotą, šį „eureka“ momentą, šį „a-ha!“ Momentą, ši lemputė užgęsta jų galvoje, pavyzdžiui, „Hmm, matau daug vietų, kur galėčiau tai padaryti. . Jei tik aš turėčiau įrankius ir tik turėčiau prieigą prie tų žinių. “Ir mes tai matome dabar socialinėje žiniasklaidoje. Kiekvienas išmintingas socialinės žiniasklaidos vartotojas, ne tik rodantis savo pusryčių nuotraukas, linkęs žiūrėti, kiek daug kam patinka, kokie srautai ir kiek draugų jie susilaukia, ir jie tai daro su mėgsta, tarkime, „Twitter“ kaip analizės įrankį. Galite eiti į „Twitter.com“ ir naudoti įrankį, tačiau įvesdami „Google Twitter Analytics dot com“ arba spustelėję viršutinį dešinįjį mygtuką, nuspaudę meniu ir atlikdami tai, gausite šias gražias, gyvas diagramas, kuriose nurodoma, kiek tviteriai, kuriuos darote patys, ir kiek su jais bendraujate. Ir realaus laiko analizė tiesiog jūsų asmeninėje socialinėje žiniasklaidoje. Įsivaizduokite, jei mums patiko „Google Analytics“, „Facebook“, „LinkedIn“ ir „Twitter“, „eBay“ statistika ateina ne jums, bet jūsų darbo aplinkoje.
Dabar, kai turime tiesioginį žiniatinklio ir mobiliojo telefono tipą, jis tampa galios koncepcija. Ir tai daro mane prie išvados, ir tai yra, kad visada pastebėjau, kad organizacijos, kurios anksti naudojasi įrankiais ir technologijomis, įgyja tokį didelį pranašumą prieš konkurentus, kad konkurentai iš tikrųjų niekada negali pasivyti. Ir mes tai matome dabar, kai susiduria su piliečių duomenų mokslininko konfliktu. Jei galime priimti žmones, turinčius įgūdžių, žinių, kurių pasamdėme, ir galime suteikti jiems tinkamų įrankių, ypač galimybę pamatyti duomenis realiu laiku ir atrasti duomenis bei žinoti, kur jie yra, nevaikščiodami po kabinas ir užduokite klausimus garsiai, eidami ir stovėdami prie vandens aušintuvo, kad atliktumėte lyginamąją analizę su žmonėmis arba eikite paklausti registratūros, kur yra rodyklė. Jei jie gali tai padaryti po ranka ir gali tai nuvežti į susitikimus su jais ir sėdėti posėdžių salėje, žiūrėdami ekranus realiu laiku, o ne spausdindami, staiga įgalinome darbuotojus, kuriems nereikia būti tikriems. duomenų mokslininkams, tačiau faktiškai naudoti duomenų mokslą ir pasiekti nuostabių rezultatų organizacijoms. Ir aš manau, kad šį viršūnės tašką, kurį iš tikrųjų perėjome dabar, kai vartotojas yra priverstas verslinti, kyla iššūkis, kaip mes tą įmonę aprūpinsime, ir, manau, šiandienos diskusijos tema. Ir tada aš ruošiuosi suvynioti savo kūrinį ir perduoti, kad išgirstume, kaip mes galime tai išspręsti. Dovydai, per tave.
Davidas Sweenoras: Gerai, gerai ačiū tiek vaikinams, tiek ačiū Robinui. Žinai, Robinai, aš sutinku su tavo pirminiu vertinimu. Analitinis procesas tikrai nesiskiria nuo programinės įrangos kūrimo. Aš manau, kad iššūkis organizacijoje yra tikrai iš tikrųjų, žinote, galbūt viskas nėra taip gerai apibrėžta, galbūt tam yra tiriamasis ir kūrybinis komponentas. Ir Dezai, žinote, aš sutinku su jumis, yra daug naujo išradimo rato, ir jūs žinote, nėra tokios organizacijos, į kurią aš šiandien einu, jūs klausiate, kodėl jūs tai darote? Kodėl verslas veikia taip? Klausti lengva, o daugybę kartų, kai esate organizacijoje, sunku pakeisti. Man patinka analogija, daiktų vartojimas. Ir nebe, kai einu į oro uostą ir noriu pakeisti savo vietą - darau tai savo mobiliajame telefone. Aš neturiu eiti prie agento kabinoje ir 15 minučių stebėti, kaip agentas nespalvotame monitoriuje įveda ką nors, kad pakeisčiau savo vietą. Aš tiesiog norėčiau tai padaryti savo telefone, todėl tai yra įdomi plėtra.
Šiandien šiek tiek pakalbėsime apie kolektyvinį intelektą. Tiems, kurie nežino, „Statistica“ yra pažangiausia analizės platforma, kuri gyvuoja daugiau nei 30 metų. Pažvelgus į bet kurį analitikų pramonės leidinį, jis visada pasirodo kaip vienas intuityviausių ir lengviausiai naudojamų pažangių analizės programinės įrangos paketų. Taigi pastaruosius kelerius metus praleidome kurdami koncepciją, vadinamą kolektyviniu intelektu, ir perkeliame ją į kitą lygį. Norėjau pradėti šį pokalbį: kaip sekasi dirbti jūsų organizacijoje?
Ir čia yra du vaizdai. Kairėje pusėje yra 1960 m. Vaizdas, o aš 1960 m. Savo karjeros nepradėjau, bet vaizdas dešinėje yra - tai puslaidininkių fabrikas, kuriame aš pradėjau dirbti. O aš dirbau tame juodame pastate, kurio viršuje kairėje buvo juodas stogas. Bet jie gamino puslaidininkinius daiktus. Tai naujausias „Google“ vaizdų paveikslėlis. Bet kai grįžtate prie 1960-ųjų įvaizdžio kairėje, tai labai įdomu. Jūs esate šie žmonės, sėdintys eilėje, ir jie, jūs žinote, kuria integrinius grandynus ir puslaidininkius. Bet yra standartizavimas, yra standartinis būdas daryti reikalus, ir buvo gerai apibrėžtas procesas. Žinote, galbūt todėl, kad visi šie žmonės sėdi atviroje aplinkoje, galbūt buvo koks nors bendradarbiavimas. Manau, kad šiek tiek to praradome žinių darbo jėgos srityje.
Kai aš sėdėjau tame pastate, esančiame viršutiniame kairiajame kampe, jei norėjau su kuo nors bendradarbiauti, jis nebuvo atidarytas. Buvo šie biurai, galbūt dalis komandos buvo nutolę, o gal aš turėjau pasivaikščioti po šį miestelį; Tai buvo 25 minučių pėsčiomis, ir aš turėčiau eiti pasikalbėti su kuo nors pastatu, esančiu dešinėje dešinėje. Manau, kad pakeliui kažką praradome. Taigi, žinote, turėjau tą pačią mintį, kodėl žmonės - kiek žmonių išradinėja vairą jūsų organizacijoje? Manau, kad žinote, kad visos organizacijos 1990 m. Ir 2000 m. Padarė gerą darbą, naudodamos CRM ir duomenų saugyklas bei tam tikra prasme BI. Dėl tam tikrų priežasčių analitika šiek tiek atsiliko. Buvo nemažai investuojama į duomenų saugojimą, duomenų standartizavimą ir normalizavimą, visa tai ir CRM, tačiau analizė dėl tam tikrų priežasčių atsiliko. Ir man įdomu, kodėl? Galbūt yra kūrybos - gal jūsų procesas nėra tiksliai apibrėžtas, gal nežinote, kokį sprendimą ar svirtį bandote pakeisti, savo versle, ką nors pakeisti. Kai šiandien einame į organizacijas, yra daugybė žmonių, kurie skaičiuoklėse viską daro labai rankiniu būdu.
Ir žinote, aš šį rytą pažvelgiau į statutą, manau, kad jame sakoma, kad 80, 90 procentų skaičiuoklių yra klaidų, o kai kurios iš jų gali būti labai reikšmingos. Kaip ir banginyje, kur „JPMorgan Chase“ prarado milijardus ir milijardus dolerių dėl skaičiuoklės klaidų. Taigi aš turiu prielaidą, kurią aš manau, kad turi būti geresnis būdas viską susitvarkyti. Ir kaip minėjome, turime šiuos duomenų mokslininkus. Šie vaikinai yra brangūs, juos sunku rasti. Ir kartais jie yra šiek tiek keistoka antis. Bet aš manau, žinote, jei man reiktų apibendrinti, kas yra duomenų mokslininkas, tikriausiai kažkas supranta duomenis. Manau, kad kažkas supranta matematiką, kažkas supranta problemą. Ir tikrai tas, kuris gali perduoti rezultatus. O jei esate duomenų mokslininkas, šiomis dienomis jums labai pasisekė, nes per pastaruosius kelerius metus jūsų atlyginimas tikriausiai padvigubėjo.
Tačiau tiesą sakant, daug organizacijų, jie neturi šių duomenų mokslininkų, tačiau jūsų organizacijoje yra protingų žmonių. Jūs turite organizaciją, turite daug protingų žmonių, jie naudoja skaičiuokles. Žinote, statistika ir matematika nėra pagrindinis jų darbas, tačiau jie naudoja duomenis, kad galėtų pakelti verslą. Tiesą sakant, iššūkis, kurį mes sprendžiame, yra tai, kaip jūs priimate, jei pasisekė, kad turite duomenų mokslininką ar statistą ar du, kaip galite juos priimti ir kaip pagerinti šių žmonių ir kiti asmenys jūsų organizacijoje? Jei pažvelgsime į tai, kaip mūsų organizacija yra struktūrizuota, aš pradėsiu ir eisiu iš dešinės į kairę. Ir aš žinau, kad tai atsilikimas, bet mes turime šią verslo vartotojų liniją.
Tai yra didžioji jūsų žinių darbuotojų dalis, o šiems žmonėms turite įterpti analizę į savo verslo programas. Galbūt skambučių centro ekrane jie mato analitinius rezultatus ir tai jiems sako, koks yra geriausias geriausias pasiūlymas, kurį klientui pateikti. Galbūt tai vartotojas ar tiekėjas interneto portale ir tai iškart suteikia jiems kreditą ar panašius dalykus. Tačiau idėja yra ta, kad jie naudoja analizę. Jei einame į vidurį, tai yra šie žinių darbuotojai. Šiandien žmonės dirba su skaičiuoklėmis, tačiau skaičiuoklės yra linkusios į klaidas ir tam tikru momentu joms pritrūksta dujų. Šie piliečių duomenų mokslininkai, kaip mes juos vadiname, jūs žinote, tai, ką mes stengiamės padaryti jiems, iš tikrųjų padidina automatizavimo lygį.
Analitika girdite, kad nuo 80 iki 90 procentų darbo yra duomenų paruošiamojoje dalyje, ir tai nėra tikroji matematika, bet tai yra duomenų paruošiamieji darbai. Mes stengiamės tai automatizuoti, nesvarbu, ar jūs tai darote, ir mes turime vedlius, šablonus ir daugkartinio naudojimo daiktus. Jūs tikrai neturite žinoti apie pagrindinę savo aplinkos infrastruktūrą. Ir tada, jei pažvelgsime į kairę pusę, turime šiuos duomenų mokslininkus. Ir kaip jau minėjau, jų trūksta. O mes stengiamės padaryti juos produktyvesnius - leisti jiems sukurti dalykus, kuriuos galėtų padaryti šie piliečių duomenų mokslininkai. Pagalvokite apie tai kaip apie „Lego“ bloką, taigi šie duomenų mokslininkai gali sukurti daugkartinio naudojimo turtą, kurį piliečių duomenų mokslininkas gali naudoti. Sukurkite jį vieną kartą, todėl mums nereikia nuolat išradinėti rato.
Tada šie vaikinai taip pat gali jaudintis, ar galime atlikti veiksmus duomenų bazėje ir panaudoti esamas investicijas į technologijas, kurias padarė jūsų įmonė. Žinote, šiais laikais nėra prasmės kaupti duomenis visame pasaulyje. Taigi, jei pažvelgsime į „Statistica“, kaip aš minėjau, tai yra platforma, kuri egzistavo gana ilgą laiką. Tai labai novatoriškas produktas. Duomenų derinimas, nebuvo duomenų šaltinio, kurio negalėtume pasiekti. Turime visus duomenų paieškos ir vizualizacijos dalykus, kurių galite tikėtis; mes galime tai padaryti realiuoju laiku. Ir tai tikriausiai turi - aš manau, kad programinės įrangos įrankyje yra daugiau nei 16 000 analitinių funkcijų, taigi tai yra daugiau matematikos, nei aš kada nors galėčiau naudoti ar suprasti, bet ji yra ten, jei jums to reikia.
Mes turime galimybę derinti ir verslo taisykles, ir analitines darbo eigas, kad iš tikrųjų priimtume verslo sprendimą. Jūs peržengsite tik teisingumą, čia yra algoritmas, čia yra darbo eiga, tačiau turite verslo taisykles, su kuriomis visada turite vadovautis. Esame labai saugūs valdyme. Esame naudojami daugelyje klientų, susijusių su farmacija, nes FDA mumis pasitiki. Žinote, tik įrodymas pudinge, kad mes turime kontrolės ir audito galimybes, kad jie galėtų juos priimti. Ir galiausiai, jūs žinote, esame atviri, lankstūs ir plečiami, todėl turite sukurti tokią platformą, kad norite, kad jūsų duomenų mokslininkai būtų produktyvūs, norite, kad jūsų piliečių duomenų mokslininkai būtų produktyvūs, norite, kad galėtumėte panaudoti šią analitinę išvadą jūsų organizacijos darbuotojams.
Pažvelkime į tai, pateikiame kai kurių vizualizacijų pavyzdį. Bet kad jūs galite paskirstyti savo analitinę produkciją verslo linijų vartotojams, todėl pirmasis pavyzdys kairėje, tai yra tinklo analitinė schema. Galbūt esate sukčiavimo tyrėjas ir nežinote, kaip užmezgami ryšiai. Tai gali būti žmonės, tai gali būti subjektai, tai gali būti sutartys, bet kas iš tikrųjų. Bet jūs galite tuo manipuliuoti su pele ir bendrauti su ja, kad iš tikrųjų suprastumėte - jei esate sukčiavimo tyrėjas, kad suprastumėte prioritetų sąrašą asmenų, kuriems eiti tirti, tiesa, nes jūs negalite su niekuo kalbėtis, todėl turite nustatyti prioritetus.
Jei pažiūrėsime į dešinėje esančią vaizdą, numatomos techninės priežiūros prietaisų skydelyje, tai yra tikrai įdomi problema. Galbūt esate oro uosto savininkas ir ten turite šiuos kūno skaitytuvus. Šie kūno skaitytuvai, jei vykstate į oro uostą, ten yra keletas komponentų, kurių galiojimo laikas yra maždaug devyni mėnesiai. Ir šie dalykai yra tikrai, tikrai brangūs. Jei oro uoste yra keli įvažiavimo taškai, keli skaitytuvai, numeris vienas noriu įsitikinti, kad esu tinkamai aprūpintas kiekvienu varteliu, o tų dalių, kurios yra skaitytuvuose, nenoriu jų užsisakyti ir aš. anksti, ir aš noriu jų turėti, kol jis nesugrius. Turime galimybių, galbūt, jei jums priklauso oro uostas, numatyti, kada šie dalykai nutrūks, ir numatyti darbuotojų skaičių.
Jei pažvelgsime į dešinę, tai yra, jei esate gamybos aplinkoje, tai yra tik grafinis gamybos srauto vaizdas. Šiek tiek sunku pamatyti, tačiau šiuose įvairiuose proceso sektoriuose yra raudonos ir žalios spalvos šviesoforai, taigi, jei aš esu inžinierius, ten vyksta labai sudėtinga matematika, tačiau aš galiu įsigilinti į tą procesą ir pažiūrėti parametrus ir įvestį, dėl kurios to gali būti nekontroliuojama. Jei pažvelgtume į savo piliečių duomenų mokslininką, mūsų tikslas iš tikrųjų būtų palengvinti piliečių duomenų mokslininko darbą. Mes turime vedlius ir šablonus, ir aš manau, kad vienas dalykas yra tikrai įdomus - ar turime šį automatizuotą duomenų sveikatos patikrinimo mazgą. Ir iš tikrųjų tai daro, ji turi įmontuotų kvapų.
Aš paminėjau parengiamuosius duomenis - tai užima daug laiko, tiek kaupiant duomenis, tiek juos ruošiant. Bet tarkime, kad turiu savo duomenų, galiu juos paleisti per šį duomenų būklės patikrinimo mazgą. Jis tikrina, ar nėra invarianto, ar jis yra laisvas, ar pašaliniai, ir visa tai, kas užpildo trūkstamas reikšmes, ir tai daro daug matematikos Nesuprantu, todėl galiu sutikti su nutylėjimais arba, jei esu šiek tiek protingesnis, galiu juos pakeisti. Bet esmė ta, kad mes norime automatizuoti tą procesą. Šis dalykas daro apie 15 skirtingų išvalytų duomenų rinkinių patikrinimų ir rezultatų. Tai, ką mes darome, leidžia žmonėms lengviau sukurti šias darbo eigas.
Čia mes kalbame apie duomenų mokslininkų ir piliečių duomenų mokslininkų bendradarbiavimą. Jei pažvelgsime į šiuos vaizdus iš dešinės, pamatysime šią duomenų paruošimo darbo eigą. Ir galbūt tai labai sudėtinga, galbūt tai yra jūsų įmonės slaptas padažas, aš nežinau, bet mes žinome, kad kažkas jūsų organizacijoje gali pasiekti vieną ar kelis iš šių duomenų silosų, kuriuos turime. Mums reikia būdo, kaip pažymėti numerį, sugriebti juos ir susiūti kartu, ir pažymėti antra, galbūt yra koks specialus apdorojimas, kurį mes norime padaryti, kad tai neatitinka mūsų duomenų sveikatos patikrinimo ir tai yra jūsų įmonės slaptas padažas. Aš galiu sukurti šią darbo eigą mūsų organizacijoje, ir ji suyra kaip mazgas. Matote rodyklę nukreiptą žemyn, tai tik mazgas, ir mes galime turėti šimtą šių dalykų organizacijoje. Idėja yra ta, kad turime žmonių, kurie žino ką nors apie tam tikrą erdvę, jie gali sukurti darbo eigą, o kažkas kitas gali tai pakartoti. Mes stengiamės sumažinti rato išradimą.
Tą patį galime padaryti ir su analitinio modeliavimo darbo eiga. Šiuo atveju, dešinėje, ši darbo eiga, galbūt yra 15 skirtingų algoritmų, ir aš noriu pasirinkti geriausią užduočiai. Ir aš, kaip piliečių duomenų žinovas, neturiu suprasti, kas vyksta tame vorinių tinkle, bet jis tiesiog subyrėja į mazgą ir galbūt tas mazgas tiesiog sako: „apskaičiuokite kredito rizikos balą“. „Apskaičiuokite galimybę chirurginės vietos infekcijos “, ką jūs turite. „Apskaičiuokite, kad kažkas bus apgaulingas sandoris“. Kaip piliečių duomenų žinovas galiu naudoti šią labai sudėtingą matematiką, kurią kažkas sukūrė, galbūt vieną iš šių duomenų mokslininkai sukūrė mano organizacijoje.
Duomenų mokslo požiūriu, jūs žinote, aš kalbėjau su duomenų mokslininkais, kurie mėgsta rašyti kodą, ir aš kalbėjau su duomenų mokslininkais, kurie nekenčia rašyti kodo. Ir tai puiku, todėl turime labai vizualią, grafinę vartotojo sąsają. Mes galime sugriebti mūsų duomenis, atlikti automatinį duomenų būklės patikrinimą ir galbūt aš noriu parašyti kodą. Man patinka Python, man patinka R, bet idėja yra šie duomenų mokslininkai, jų trūksta, ir jiems patinka kodas tam tikra kalba. Mes nelabai norime, kokia kalba norite koduoti, taigi, jei norite atlikti R, atlikite R; jei norite daryti Python, padarykite Python. Tai puiku. Jei norite, kad jūsų „Analytics“ duomenų analizė būtų perkelta į „Azure“, surinkite analizės duomenis į debesį. Taigi tikslas iš tikrųjų yra pasiūlyti lankstumo ir galimybių, kad jūsų duomenų mokslininkai būtų kuo produktyvesni.
Dabar duomenų mokslininkai yra gana protingi žmonės, bet galbūt jie nėra visko specialistai ir galbūt yra tam tikrų spragų, ką jie gali padaryti. Jei pažvelgsite į pramonės šakas, ten egzistuoja daugybė skirtingų analitinių rinkų. Tai yra pavyzdys, galbūt man reikia atpažinti vaizdą ir neturiu to įgūdžio. Galbūt aš einu į algoritmą ir gaunu vaizdo atpažinimo algoritmą. Gal aš išeinu į „Apervitą“ ir gaunu labai specialų sveikatos priežiūros algoritmą. Galbūt noriu ką nors naudoti „Azure“ kompiuterinio mokymosi bibliotekoje. Gal noriu ką nors panaudoti gimtojoje „Statistica“ platformoje.
Vėlgi, idėja yra ta, kad norime panaudoti pasaulinę analizės bendruomenę. Kadangi neturėsite visų savo įgūdžių per savo keturias sienas, tai kaip mes galime sukurti programinę įrangą - ir tai mes darome - tai leidžia jūsų duomenų mokslininkams naudoti algoritmus iš įvairių prekyviečių. Mes tai darėme su „R“ ir „Python“ ilgą laiką, tačiau tai taikoma ir šioms ten esančioms programų prekyvietėms. Tą patį, ką matote čia viršuje, mes naudojame „H2O“ „Spark“, taigi ten yra daugybė analizės algoritmų. Nereikia susitelkti ties jų kūrimu nuo nulio, pakartotinai panaudokime tuos, kurie gyvena atvirojo kodo bendruomenėje, ir norime, kad šie žmonės būtų kuo produktyvesni.
Kitas žingsnis, kai turime duomenų apie piliečius ir duomenų mokslininkus, yra iš tikrųjų, kaip jūs galite skatinti ir platinti šią geriausią patirtį? Mūsų programinėje įrangoje yra technologija, leidžianti platinti analizę bet kurioje vietoje. Tai daugiau yra pavyzdinis valdymo vaizdas, bet manęs nebepririša keturios sienos ar konkreti instaliacija Talsoje, Taivane ar Kalifornijoje, ar ką jūs turite. Tai yra pasaulinė platforma, ir mes turime daug, daug klientų, kuriuos ji naudoja diegdama kelias svetaines.
Taigi tikrai labai svarbu, jei ką nors darote Taivane ir norite atkartoti tai Brazilijoje. Eik ten, griebk daugkartinio naudojimo šablonus, griebk norimas darbo eigas. Tai bandoma sukurti tuos standartus ir įprastą elgesio būdą, todėl visur darome ne visiškai kitaip. Kitas esminis šio proceso komponentas yra tai, kad mes norime atsižvelgti į tai, kur yra duomenys. Jūs neprivalote maišyti duomenų tarp, žinoma, Kalifornijos ir Talso bei Taivano ir Brazilijos. Turime technologiją, leidžiančią peržvelgti duomenis, ir ketiname surengti dar vieną „Hot Technology“ internetinę transliaciją šia tema.
Bet mes vadiname šią architektūrą, ir čia yra slaptas žvilgsnis, vietinė paskirstytosios analizės architektūra. Pagrindinė šios idėjos idėja yra ta, kad turime platformą „Statistica“ ir aš galiu eksportuoti analizės procesą kaip atomą. Aš galėčiau padaryti modelį arba visą darbo eigą, kad tai nesvarbu. Bet aš galiu tai sukurti ir eksportuoti ta kalba, tinkama tikslinei platformai. Kairėje pusėje tai daro daug žmonių, tačiau šaltinio sistemoje jie vertina balus. Puiku, mes galime vertinti balus ir kurti duomenų bazių modelius, taigi tai yra įdomu.
O tada dešinėje pusėje turime „Boomi“. Tai yra kompaniono technologija, mes dirbame su visomis šiomis priemonėmis. Bet mes taip pat galime imtis šių darbo eigų ir iš esmės jas gabenti bet kurioje pasaulio vietoje. Viskas, kas turi IP adresą. Ir aš neturiu turėti „Statistica“ įdiegto viešajame ar privačiame debesyje. Viską, kas gali paleisti JVM, mes galime paleisti šias analitines darbo eigas, duomenų paruošimo darbo eigas ar tiesiog modelius bet kurioje iš šių tikslinių platformų. Nesvarbu, ar tai mano viešame, ar privačiame debesyje, ar mano traktoriuje, mano automobilyje, mano namuose, mano lemputėje, daiktų internete - turime technologiją, leidžiančią tuos darbo srautus pervežti bet kurioje pasaulio vietoje.
Peržiūrėkime. Žinote, mes turime daug verslo vartotojų, todėl šie žmonės, mes turime technologiją, leidžiančią jiems vartoti produkciją jiems tinkamu formatu. Mes turime piliečių duomenų mokslininkus, ir mes stengiamės pagerinti bendradarbiavimą, paversti juos komandos dalimi, tiesa? Taigi norime, kad žmonės nustotų išradinėti ratą. Ir mes turime tuos duomenų mokslininkus, ten gali trūkti įgūdžių, tačiau jie gali koduoti norima kalba, gali apsilankyti analitinėse prekyvietėse ir ten naudoti algoritmus. Taigi, kaip jūs negalėjote pagalvoti, kad viskas yra nuostabu? Tai yra tobula, tai mes ir darome. Mes kuriame daugkartinio naudojimo darbo eigas, duodame nurodymus žmonėms, suteikiame jiems „Lego“ blokus, kad jie galėtų pastatyti šias galingas pilis ir bet ką, ką nori. Apibendrinant galima pasakyti, kad mes turime platformą, suteikiančią galimybę verslo vartotojams, duomenų apie piliečius mokslininkams, programuotojų duomenų mokslininkams, mes turime - galime spręsti bet kokius daiktų interneto analizės naudojimo atvejus ir įgaliname šią kolektyvinio intelekto sąvoką. Manau, kad turėdami tai, galbūt, atidarysime klausimus.
Robinas Blooras: gerai, gerai. Aš manau, kad pirmas - turiu omenyje, būdamas sąžiningas, turiu omenyje tai, kad anksčiau buvau informuotas „Dell Statistica“, ir būdamas sąžiningas, aš iš tikrųjų esu gana nustebęs dėl dalykų, kurių nežinojau, kad tu išėjai į pristatymą. . Ir aš turiu pasakyti, kad vienas dalykas - tai kažkas, kas man buvo klaidingas priimant analizę, yra tai, kad jūs žinote, ar gauti įrankius, ar ne? Čia yra be galo daug įrankių, yra atvirojo kodo įrankiai ir tt ir tt, taip pat yra įvairių, vadinamų, pusiau platformų. Bet aš manau, kad skirtumas, kurį turite, mane ypač sužavėjo tam tikra darbo eiga.
Bet skirtumas yra tas, ar jūs, atrodo, teikiate galą su galu. Tai panašu į tai, kad analitika yra sudėtingas verslo procesas, kuris prasideda nuo duomenų gavimo ir po to praeina visa eilė veiksmų, priklausomai nuo to, kokie stulbinantys duomenys yra, ir tada jis gali išsišakoti daugybėje skirtingų matematinių atakų. duomenys. Ir tada vienaip ar kitaip atsiranda rezultatai, ir tai turi būti veiksmai. Čia yra nepaprastai daug analitikų, kur aš nuveikiau daug puikių darbų, bet niekur nevedu. Ir jums atrodo labai daug to, ko reikia. Nežinau, koks jis išsamus, bet jis yra išsamesnis, nei tikėjausi. Aš be galo sužavėta.
Norėčiau, kad pakomentuotumėte skaičiuokles. Jūs jau ką nors pasakėte, tačiau vienas iš dalykų, kuriuos pastebėjau ir kuriuos pastebėjau bėgant metams, tačiau tai tapo tik vis akivaizdesni, yra tai, kad yra nepaprastai daug skaičiuoklių, kurios yra šešėlinės sistemos, ir aš tikrai manau skaičiuoklė, turiu omenyje, kad ji buvo nuostabi priemonė, kai ji buvo pristatyta, ir ji buvo nuostabi nuo šiol daugybe skirtingų būdų, tačiau tai yra apibendrintas įrankis, ji iš tikrųjų netinka tikslui. Tai tikrai nėra labai gerai BI kontekste ir aš manau, kad tai baisu analitikos kontekste. Ir man kilo klausimas, ar turėtum ką nors pareikšti, tarkime, pavyzdžių, kur, žinai, „Statistica“ pasitraukė, per daug naudojama skaičiuoklė ar buvo kokių nors komentarų, kuriuos norėtum apie tai pareikšti?
Davidas Sweenoras: Taip, aš manau, kad jūs galite ieškoti garsių skaičiuoklės klaidų. „Google“ ar bet kuris kitas jūsų naudojamas paieškos variklis pateiks daugybę rezultatų. Nemanau, kad jūs kada nors pakeisime skaičiuokles. Tai ne mūsų ketinimas, bet daugybė organizacijų, kuriose lankausi, yra pora iš šių skaičiuoklių vedlių ar nindzių ar bet ką, ką norite jiems paskambinti, tačiau jie turi šias labai sudėtingas skaičiuokles ir jūs turite galvoti, kas atsitiks, kai šios žmonės laimi loto ir jie negrįžta? Taigi mes stengiamės, kad egzistuotų skaičiuoklės, kad galėtume jas praryti, bet aš manau, kad mes stengiamės sukurti vaizdinį jūsų darbo srauto vaizdavimą, kad jis būtų suprantamas ir dalijamasi su kitais žmonėmis. . Skaičiuoklės yra gana sunkios, jomis sunku dalintis. Kai tik jūs perduosite man savo skaičiuoklę, aš ją pakeičiau. Dabar mes nebeįmanoma sinchronizuoti ir gauname skirtingus atsakymus. Tai, ką mes stengiamės padaryti, yra tai uždėti tam tikrais turėklais ir padaryti reikalus šiek tiek efektyvesnius. O skaičiuoklės yra tikrai baisios, kai sujungiate kelis duomenų rinkinius, žinote? Jie ten patenka. Tačiau mes jų nepakeisime, praryjame ir turime žmonių, kurie pradeda pamainuoti, nes jei turime mazgą, kuris sako „apskaičiuok riziką“, tai bando daryti skaičiuoklę naudojantis asmuo. Taigi jų nebėra.
Robinas Blooras: Taip, aš turiu galvoje, kad aš pasakyčiau, kad, žvelgdamas iš vienos perspektyvos, kai žvelgiu į dalykus, sakyčiau, kad skaičiuoklės yra puikios informacijai kurti. Jie netgi yra puikūs kuriant žinių salas, tačiau labai blogi dalijantis žiniomis. Jie neturi jokio mechanizmo, kaip tai padaryti, ir jei jūs perduodate skaičiuoklę kam nors, tai nėra taip, kad galite ją perskaityti, pavyzdžiui, tai straipsnis, kuriame tiksliai paaiškinta, ką jie daro. To tiesiog nėra. Manau, kad tai, kas mane labiausiai sužavėjo pristatymu ir „Statistica“ galimybėmis, atrodo neįtikėtinai agnostiškai. Bet štai ši gija eina per jos eigą. Ar aš teisus, manydamas, kad jūs galite pažvelgti į visapusišką darbo eigą, pradedant nuo duomenų gavimo iki visiško rezultatų įterpimo tam tikrose BI programose ar net veikiančiose programose?
Davidas Sweenoras: Taip, visiškai. Ir tai tikrai turi visas galimybes, ir kai kurios organizacijos visa tai naudoja, ir aš nesu iliuzija, ar šiomis dienomis nė viena įmonė neperka visko iš vieno pardavėjo. Mes turime mišinį. Kai kurie žmonės naudoja „Statistica“ viskam, kiti - modeliuodami darbo eigą, kiti - duomenų paruošimo darbams. Kai kurie žmonės tai naudoja platindami šimtus inžinerinių ataskaitų inžinieriams. Taigi, mes turime viską tarp. Ir tai tikrai yra „nuo galo iki galo“ ir, žinoma, tai yra agnostinė platforma, jei yra algoritmai, kuriuos norite naudoti „R“ ar „Python“, „Azure“, „Apervita“, kad ir ką jūs žinotumėte, naudokite tuos. Puiku, būkite produktyvūs, naudokite tai, ką žinote, naudokite tai, kas jums patinka, ir mes turime mechanizmus, užtikrinančius, kad jie yra kontroliuojami ir audituojami, ir visa tai.
Robinas Blooras: Man ypač patinka tas jo aspektas. Aš turiu galvoje, aš nežinau, ar galite kalbėti ne tik apie tai, ką sakėte, bet ir apie tai, kas ten yra. Aš turiu omenyje, kad aš tai pažvelgiau, bet aš to nepažvelgiau išsamiai ir, be abejo, mūsų bibliotekose yra daugybė Python bibliotekų, tačiau ar yra ką nors prie to paveikslėlio pridėti? Kadangi manau, kad tai labai įdomus dalykas, žinote, mintis, kad turėsite patikimų komponentų, nes žinojote įvairius žmones, kurie juos sukūrė, ir įvairius žmones, kurie juos naudojo, kuriuos galėtumėte atsisiųsti. Žinai, ar gali praturtinti tai, ką jau kalbėjai apie tai?
Davidas Sweenoras: Taip, aš manau, kad kai kurios programų prekyvietės, jūs žinote, ten esančias algoritmų prekyvietes. Pavyzdžiui, jūs žinote, dr. Johnas Cromwellas iš Ajovos universiteto, jis sukūrė modelį, kuris numatys, kad jis bus naudojamas realiu laiku, kol mes būsime naudojami, duos jums balą, jei ketinate gauti infekcija chirurginėje vietoje. Ir jei šis balas yra pakankamai didelis, jie imsis intervencijos tiesiai į operacinę. Tai labai įdomu. Taigi galbūt yra dar viena ligoninė, kuri nėra tokia didelė. Na, „Apervita“ yra analitikos programų sveikata programa. Galite arba surasti vieną iš daugelio šių programų prekyviečių, galite eiti surasti ir pakartotinai naudoti, o sandoris yra tarp jūsų ir to, kas jums priklauso, tačiau galite eiti ieškoti arba galite pasakyti: „Štai ko man reikia. “Manau, kad tai pakenčia tą pasaulinę bendruomenę, nes šiais laikais visi yra specialistai ir jūs negalite žinoti visko. Aš manau, kad „R“ ir „Python“ yra vienas dalykas, tačiau ši mintis: „Noriu atlikti šią funkciją, įdėk specifikaciją į vieną iš šių programų prekyviečių ir paprašyk, kad kas nors ją tau sukurtų.“ Ir jie, mano manymu, gali užsidirbti pinigų. tai labai įdomu ir labai skirtinga nei vien tik atvirojo kodo modelis.
Robinas Blooras: Viskas gerai. Šiaip ar taip, aš perleisiu kamuolį Dezui. Ar norėtum pasinerti, Dez?
Dezas Blanchfieldas: Absoliučiai ir aš norėčiau trumpam apsistoti ties skaičiuoklės tema, nes manau, kad ji atspindėjo daugelio tai, ką mes čia kalbame, esmę. Jūs pakomentavote, Robin, apie perėjimą nuo senų fizinės formos skaičiuoklių prie elektroninės formos. Įvyko įdomus dalykas, kai, žinai, kai iš pradžių skaičiuoklės buvo tik popieriaus lapai su eilutėmis ir stulpeliais ir tu rankiniu būdu užrašydavai daiktus, tada galėtum juos patikrinti ir apskaičiuoti, atlikdami tai nuo jūsų galvos viršaus arba su kokiu nors kitu prietaisu. Tačiau mes vis dar turime galimybę paslėpti rašysenos klaidas ar disleksiją, o dabar mes jas pakeitėme rašybos klaidomis. Rizika yra ta, kad naudojant skaičiuokles rizikos profilis yra greitesnis ir didesnis, tačiau aš manau, kad tokios priemonės kaip „Statistica“ apverčia rizikos piramidę.
Aš dažnai piešiu šį paveikslėlį ant lentos, kurioje žmogaus lazda yra figūra viršuje, kaip vienas asmuo, o tada jų kolekcija apačioje, tarkime, įsivaizduokite dešimt iš jų tos lentos apačioje, ir aš piešiu piramidė, kurioje piramidės taškas yra prie vieno asmens, o piramidės koja - žmonių kolekcija. Aš tai naudoju vizualizuodamas mintį, kad jei vienas viršuje esantis asmuo daro skaičiuoklę, padaro klaidą ir pasidalija ja su dešimčia žmonių, o dabar mes turime dešimt klaidos kopijų. Būkite labai atsargūs su savo makrokomandomis ir būkite labai atsargūs su „Visual Basic“, jei ketinate pereiti prie to. Nes kurdami elektroninius įrankius, tokius kaip skaičiuokles, jis yra labai galingas, tačiau kartu yra ir galingas, ir geras, ir blogas.
Manau, tokios priemonės kaip „Statistica“ suteikia galimybę apversti tą rizikos profilį ir tai yra, kad dabar jūs galite pasiekti tą vietą, kur gavote daugybę įrankių, kurie yra prieinami kiekvienam asmeniui, o kai jie eina iš daugybės įrankių viršuje. piramidę ir tada iki pat dugno, kur dabar apverčiamas piramidės taškas yra tikrasis įrankis, jei turime žmonių komandą, kuriančią tuos įrankius ir tuos algoritmus. Ir duomenų mokslininkui nereikia būti regresinės analizės jų duomenų specialistu. Jie galbūt galės naudoti šį įrankį, bet jums gali tekti penki ar šeši statistikai ir aktuarijus, duomenų mokslininkas ir keletas matematikų, dirbančių su tuo įrankiu, tuo moduliu, tuo algoritmu, tuo papildiniu ir tt skaičiuoklės kalboje. įsivaizduokite, kad kiekvieną paskelbtą skaičiuoklę, kuria galėjote naudotis, iš tikrųjų parašė specialistai, išbandę makrokomandas, išbandę „Visual Basic“, įsitikinę, kad algoritmai veikia, taigi, kai gavote, galite tiesiog į jį įkelti duomenis, bet iš tikrųjų negalėjote jų sulaužyti. ir todėl geriau kontroliuoti.
Manau, kad daugelis analitikos priemonių tai daro. Manau, kad jūs susisieksite su tuo, ar dabar matote tai lauke, ar matote perėjimą nuo skaičiuoklių, kurios gali sukelti klaidų ir klaidų bei rizikuoti, iki taško, kur įrankiai, kuriuos kuriate kartu su platformos dabar, kai duomenų aptikimas yra tikslus realiu laiku, o žmonės, kurie kuria modulius ir algoritmus, pašalina ar sumažina tą rizikos profilį? Ar klientų aptarnavimas mato tai tikrąja prasme, ar manote, kad tai tik vyksta, ir jie to nesuvokia?
Davidas Sweenoras: Žinai, manau, kad yra keli būdai į tai atsakyti. Bet tai, ką mes matome, yra bet kurioje organizacijoje, ir aš minėjau, kad, mano manymu, analitika gali atsilikti nuo įmonių investavimo perspektyvos, to, ką mes padarėme su duomenų saugojimu ir CRM. Bet ką mes matome, reikia daug pakeisti organizaciją, įveikti tą organizacinę inerciją. Bet tai, ką matome, yra tai, kad žmonės imasi savo skaičiuoklių, imasi savo darbo eigos, ir aš paminėjau saugumą ir valdymą: „Na, galbūt aš turiu skaičiuoklę“, „Na, aš galiu tai užrakinti ir galiu versiją valdyti.“ Ir matome daugybę organizacijų, galbūt jos ten tik pradeda veiklą. Ir jei ji pasikeitė, ten yra darbo eiga ir aš galų gale einu, nors numeris vienas, kas ją pakeitė? Kodėl jie tai pakeitė. Kai jie tai pakeitė. Aš taip pat galiu nustatyti tokią darbo eigą, kad nesiruošiu šios naujos skaičiuoklės gaminti, nebent ją patvirtintų ir patikrintų vienas, du, trys, kad ir kiek šalių norėtumėte apibrėžti savo darbo eigoje. Manau, kad žmonės pradeda žengti, o organizacijos ten pradeda žengti kūdikio žingsnius, bet tikriausiai siūlyčiau mums nueiti ilgą kelią.
Dezas Blanchfieldas: Iš tikrųjų ir aš manau, kad atsižvelgiant į saugumo kontrolę ir valdymą ten yra, tada darbo krūvis gali automatiškai parodyti tai ir viską iki vyriausiojo rizikos pareigūno, o tai dabar yra dalykas. Galite pradėti kontroliuoti, kaip prieinami šie įrankiai ir sistemos ir kas su jais ką daro, taigi tai labai galinga. Aš manau, kad kiti dalykai, su kuriais susiduriame, yra tai, kad man suteiktos įrankiai labiau tinka žmonių elgesiui, o ne tradicinėms skaičiuoklėms, apie kurias mes kalbame, tuo atveju, jei turėčiau kambarį, kuriame pilna žmonių turėdami tą pačią informacijos suvestinę ir prieigą prie tų pačių duomenų, iš tikrųjų jie gali susidaryti kitokį vaizdą ir gauti iš tos pačios informacijos šiek tiek kitokių įžvalgų, kuri atitiktų jų poreikius, kad jie galėtų bendradarbiauti. Tada mes turime žmogiškesnį požiūrį ir sąveiką su verslu bei sprendimų priėmimo procesu, o ne visi einame į tą patį susitikimą su tuo pačiu „PowerPoint“ ir spausdinamos tos pačios skaičiuoklės, visi tie patys fiksuoti duomenys.
Ar pastebite elgesio ir kultūros pokyčius organizacijose, kurios tarsi naudojasi jūsų įrankiais dabar, kai mato, kad tai vyksta, kai nėra taip, kaip penki žmonės kambaryje, žiūrintys tą pačią skaičiuoklę, bando ją tiesiog žodizuoti ir užrašyti ant jos, bet dabar jie iš tikrųjų sąveikauja su prietaisų skydais ir įrankiais realiuoju laiku, su vizualizacija ir analitika po ranka ir gauna visiškai kitokį pokalbio ir sąveikos srautą ne tik susitikimuose, bet ir tiesiog bendroje organizacijoje? Nes jie gali tai padaryti realiuoju laiku, nes gali užduoti klausimus ir gauti tikrą atsakymą. Ar tai tendencija, kurią matote šiuo metu, ar ji dar nebuvo įvykusi?
Davidas Sweenoras: Ne, aš manau, kad tai tikrai prasidėjo tuo keliu, ir manau, kad labai įdomus dalykas yra, jei mes imtumėmės, pavyzdžiui, gamyklos. Galbūt tas, kuriam priklauso tam tikras proceso sektorius toje gamykloje, nori ieškoti tam tikrų būdų ir sąveikauti su šiais duomenimis. Ir gal aš, apžvelgdamas visus procesus, gal šį procesą apačioje, gal noriu pažvelgti į tai per viską. Manau, kad tai, ką mes matome, yra numeris vienas, žmonės savo organizacijose pradeda naudoti bendrą vizualizacijų rinkinį ar standartines vizualizacijas, tačiau tai taip pat yra pritaikyta atsižvelgiant į vaidmenį, kuriame jie yra. Jei aš esu proceso inžinierius, galbūt tai visai kitas požiūris nei tam, kuris į tai žiūri iš tiekimo grandinės perspektyvos, ir aš manau, kad tai puiku, nes jis turi būti pritaikytas ir į jį reikia žiūrėti per objektyvą, kad jums reikia atlikti savo darbą.
Dezas Blanchfieldas: Manau, kad sprendimų priėmimo procesas paspartėja, atsižvelgiant į laiką ir greitį, taip pat sparčiai didėja protingų ir tikslių sprendimų priėmimas, ar ne? Nes jei turite realaus laiko analizės, realaus laiko prietaisų skydelius, jei turite „Statistica“ įrankius po ranka, jums nereikia bėgti per grindis, kad eitumėte ir kažko paklaustumėte apie ką nors, jūs turite tai spausdinta kopija. Galite maloniai bendradarbiauti, bendrauti ir iš tikrųjų priimti sprendimus skraidydami ir iškart pasiekti tą rezultatą. Kuris, manau, kai kurių įmonių dar nesuvokė, bet kai tai įvyks, bus tas eureka momentas, kad taip, mes vis tiek galime likti savo kabinose ir dirbti namuose, tačiau galime bendrauti ir bendradarbiauti, ir tie sprendimai mes bendradarbiaudami paverčiame rezultatais akimirksniu. Žiūrėk, aš manau, kad buvo fantastiška išgirsti tai, ką tau teko pasakyti iki šiol, ir labai laukiu, kur pamatysiu. Ir aš žinau, kad mes turime daug klausimų klausimų ir atsakymų metu, todėl aš eisiu atgal į Rebeką, kad galėčiau pereiti keletą iš tų klausimų, kad galėtume patekti į tuos klausimus kuo greičiau. Labai ačiū.
Rebecca Jozwiak: Ačiū Dezai ir taip Dave'ui, mes turime nemažai klausytojų klausimų. Ačiū Dezui ir Robinui už jūsų įžvalgas. Aš žinau, kad šis dalyvis turėjo mesti darbą valandos pabaigoje, tačiau ji klausia: ar matote, kad informacinių sistemų skyriai teikia pirmenybę sudėtingesniam duomenų valdymui, o ne patogumui teikdami įrankius. žinių darbuotojai? Turiu omenyje tai - eik pirmyn.
Davidas Sweenoras: Taip, aš manau, kad tai priklauso nuo organizacijos. Manau, bankas, draudimo įmonė, galbūt jie turi skirtingus prioritetus ir atlikimo būdus, palyginti su rinkodaros organizacija. Manau, turėčiau pasakyti, kad tai tiesiog priklauso nuo jūsų pramonės ir funkcijos. Skirtingos pramonės šakos turi skirtingą dėmesį ir akcentuoja.
Rebecca Jozwiak: Gerai gerai, kad prasminga. Tada dar vienas dalyvis norėjo sužinoti, koks yra „Statistica“ variklis? Ar tai C ++, ar jūsų pačių daiktai?
Davidas Sweenoras: Na, aš nežinau, ar aš galiu su tuo susitaikyti, nes tai buvo maždaug 30 metų ir buvo sukurta prieš mano laiką, tačiau yra pagrindinė analizės algoritmų, kurie yra „Statistica“ algoritmai, biblioteka. Ir jūs čia matėte, kad mes taip pat galime paleisti „R“, galime paleisti „Python“, galime sprogti iki „Azure“, galime paleisti „Spark“ ties H2O, taigi, manau, turėčiau atsakyti į šį klausimą kalbant, tai variklių įvairovė. Ir priklausomai nuo to, kurį algoritmą pasirinksite, jei jis yra „Statistica“, jis veikia taip, jei pasirinksite vieną iš H2O ir „Spark“, jis tai naudoja, taigi, tai yra jų įvairovė.
Rebecca Jozwiak: Gerai, gerai. Kitas dalyvis paprašė konkrečiai nukreipti į šią skaidrę, norėdamas sužinoti, koks yra, kaip piliečių duomenų mokslininkas žino, kokius daugkartinio naudojimo šablonus naudoti? Manau, kad iš to iškeisiu platesnį klausimą. Ką matote, kai ateina verslo atstovai ar verslo analitikai ir nori naudotis šiomis priemonėmis, kaip lengva jiems pasiimti ir bėgti?
Davidas Sweenoras: Manau, kad į tai atsakyčiau, ir jei galite naudoti, jei esate susipažinęs su Windows, tai yra „Windows“ pagrįsta platforma, todėl aš nukirpau šių ekrano kopijų viršutinę dalį, bet joje yra „Windows“ juosta. Bet kaip jie žino, kokią darbo eigą naudoti? Tai atrodo kaip „Windows Explorer“, todėl yra medžio struktūra, kurią galite konfigūruoti ir nustatyti, kad ir kokia jūsų organizacija nori. Bet gali būti, kad jūs tiesiog turėsite šiuos aplankus ir į šiuos aplankus įdėsite šiuos daugkartinio naudojimo šablonus. Ir aš manau, kad turbūt yra nomenklatūra, kurią jūsų įmonė galėtų priimti, tarkime, kad „apskaičiuokite rizikos profilį“, čia yra „gaukite duomenis iš šių šaltinių“ ir įvardykite juos, ko tik norite. Tai tik nemokamas aplankas, jūs tiesiog tempkite užrašus tiesiai ant savo drobės. Taigi, gana lengva.
Rebecca Jozwiak: Gerai, gerai. Gal kitą kartą demo. Tada pasirodo dar vienas dalyvis, ir tai, apie ką kalbėjote jūs su Robinu ir Dezu, kalbant apie netikslumus, ypač skaičiuoklėje, tačiau šiukšlių įdėta / išmesta, jis mano, kad tai dar kritiškiau, kai tai ateina. į analizę. Tai, kad paminėjote, kad netinkamas duomenų panaudojimas gali lemti netinkamus sprendimus. Ir jam įdomu, kokia jūsų nuomonė dėl daugiau nesaugių algoritmų kūrimo, manau, kad jis naudoja žodį „perdėtai“ analitika. Žinote, kažkas ateina, jie labai susijaudina, nori atlikti šias pažangias analizes, nori paleisti šiuos patobulintus algoritmus, bet galbūt nėra visiškai tikri. Taigi, ką jūs darote, kad apsisaugotumėte nuo to?
Davidas Sweenoras: Taip, todėl aš manau, kad į tai atsakysiu kiek galėdamas geriau, tačiau manau, kad viskas priklauso nuo žmonių, proceso ir technologijų. Mes turime technologiją, kuri padeda įgalinti žmones ir įgalina bet kurį procesą, kurį norite įtraukti į savo organizaciją. Kupono kažkam išsiuntimo pavyzdyje galbūt tai nėra taip kritiška, o jei tai skaitmeninis - tai tikrai nekainuoja, galbūt yra vieno lygio saugos kontrolė, o gal mums nerūpi. Jei prognozuoju infekciją chirurginėje vietoje, galbūt noriu būti šiek tiek atsargesnis. Arba jei prognozuoju narkotikų kokybę, saugumą ir panašius dalykus, galbūt noriu būti šiek tiek atsargesnis. Jūs teisus, šiukšlių įvežimas / išvežimas, todėl mes stengiamės pateikti platformą, leidžiančią jums pritaikyti ją prie bet kokio proceso, kurį nori įgyvendinti jūsų organizacija.
Rebecca Jozwiak: Gerai, gerai. Turiu dar keletą klausimų, bet žinau, kad jau praėjome nemažai valandos ir noriu tik pasakyti mūsų pranešėjams, kad buvo nuostabu. Ir mes norime labai padėkoti Dave'ui Sweenorui iš „Dell Statistica“. Žinoma, dr. Robin Bloor ir Dez Blanchfield, ačiū, kad šiandien esate analitikai. Kitą mėnesį mes rengsime dar vieną transliaciją internetu su „Dell Statistica“. Aš žinau, kad Dave'as užsiminė apie šią temą. Tai bus apie analizę krašte, dar vieną įdomią temą, ir aš žinau, kad kai kurie labai įtikinami naudojimo atvejai bus aptariami toje interneto transliacijoje. Jei jums patiko tai, ką matėte šiandien, grįžkite į kitą mėnesį daugiau. Su tuo, žmonės, atsisveikinu. Labai ačiū. Iki.
