Ära võtma: Host Rebecca Jozwiak arutleb manustatud analüütika ja kodanike andmete teadlaste fenomeni üle dr Robin Bloori, Dez Blanchfieldi ja David Sweenoriga.
Video vaatamiseks peate sellele sündmusele registreeruma. Video vaatamiseks registreeruge.
Rebecca Jozwiak: Daamid ja härrad, tere tulemast Tere tulemast ettevõttesse Hot Technologies. „Manusta kõikjale: kodaniku andmeteadlase lubamine“ on täna meie teema. Ma täidan teie tavalise peremehe koha, see on Rebecca Jozwiak täitus Eric Kavanaghi jaoks. Jah, see aasta on kuum. Eriti terminile “andmeteadlane” on pälvinud palju tähelepanu, ehkki vanasti kutsusime neid igavateks nimedeks nagu “statistik” või “analüütikaekspert”, kes tegeles peaaegu sama tüüpi tegevustega, kuid see on saanud uue seksika nime ja on pälvides palju tähelepanu. Nad on väga soovitavad, et nad oleksid töökohal, organisatsiooni jaoks kasulikud ja seda soovivad kõik. Kuid need on: 1) kallid, 2) raskesti leitavad. Teate, see on olnud kogu aeg uudis andmeteadlaste oskuste puuduse kohta, jah, aga ikkagi pakuvad need organisatsioonile tohutut väärtust ja inimesed tahavad just seda välja mõelda, kuidas seda väärtust saada ilma peenraha maha laskmata. räägi.
Kuid hea uudis on see, et näeme välja tulemas tööriistu ja tarkvara, mis kompenseerivad seda puudust. Meil on automatiseerimine, masinõpe, manustatud analüütika, mida me täna õpime, ja see on just selle uue termini „kodanikuandmeteadlane“ põhjus ja mida see tähendab? Ei, see pole teie koolitatud andmeteadlane, see võib olla teie ettevõtte kasutaja, teie BI-ekspert, keegi IT-esindajatest, keegi, kellel on taust, kuid võib-olla mitte tingimata asjatundlikkus.Kuid mida see teeb, need tööriistad ja tarkvara, see annab rohkematele inimestele juurdepääsu nendele nutikatele lahendustele, isegi kui nad ei pruugi sügavat kodeerimist teada. Kuid see aitab lihtsalt jõudlust paremaks muuta, kui annate kõigile sellele analüütilisele mõttele natuke rohkem juurdepääsu. Teil ei pea tingimata olema sellist koolitust, et teil oleks sellist uudishimu, mis võib teie ettevõttele head teavet anda.
Arutledes selle üle, et täna on meie enda Bloori grupi peaanalüütik Robin Bloor, helistab üks varjatud andmeteadlane ise, Dez Blanchfield ja siis on meil täna Dell Statistica esindaja David Sweenor. Ja koos sellega annan selle üle Robin Bloorile.
Robin Boor: Olgu, tänan tutvustamise eest. Ma mõtlesin selle kohta ajaloolises kontekstis. Mida me siin tegelikult vaatame, on üks Leonardo da Vinci kavanditest mingi purilennuki jaoks, mille mees võiks selga panna. Mul pole aimugi, kas see ka tegelikult toimiks. Ma ei tahaks sellesse süveneda, pean ütlema. Kuid da Vinci, kui ma mõtlen da Vinci peale, mõtlen ma teda kui ühte kõige uudishimulikumat ja analüüsivamat inimest, kes eales eksisteerinud. Ja see on üsna selge, kui vaadata ainult seda purilennukit, mis on kavandatud linnutiiva põhjal, ja ta on ühel või teisel viisil uurinud lindude lende selle ehitamiseks.
Kui me võtame ajaloolise perspektiivi - ma vaatasin seda tegelikult üles -, siis on analüütika ehk matemaatika kõige vanem rakendus. On loendusi, mis ulatuvad vähemalt Babüloonia aegadesse. Me teame sellest, kuna põhimõtteliselt leidub mõnda helendavat tahvelarvutit, mille kohta on selliseid andmeid. Pole teada, kas oli midagi sellist, mis varem tagasi läks. Kuid ilmselge on see, et olete saanud suure rahvaarvuga tsivilisatsiooni, see nõuab tegelikult planeerimist ja tasub teada, mida te plaanite ja millised on nende inimeste nõudmised.
Ja just sealt see alguse sai ja ka arvutivõrk algas, sest varajased arvutid, varakult mehaanilised arvutid olid tegelikult ka, ma usun, et esimene oli Hollerithi loendus, millest sai IBM, ma usun. Kõik see on edasi liikunud. Võib-olla 1970. aastate ja tänapäeva vahel on olnud mingisugune vaheaeg, kus on tohutult palju muid rakendusi ja analüütikat, võiksite öelda, tagaistmele. Jah, seal toimus analüüs - see toimus suurtes organisatsioonides, eriti pankades ja kindlustusseltsides ning tegelikult ka General Electricus ja telco-s ja muudes sellistes asjades -, kuid seda ei kasutatud üldiselt kogu äritegevuses ja nüüd on see hakanud üldiselt harjuma kogu äri. Ja see on mängu tõesti muutnud. Esimene asi, millele mõtlesin tähelepanu juhtida, on andmepüramiid, mis mulle eriti meeldib. See on, ma mõtlen, et ma joonistasin ühe neist 20 aastat tagasi - vähemalt 20 aastat tagasi -, et proovida aru saada, tõesti, sel ajal üritasin ma aru saada BI-st ja mõnest varasest andmete kaevandamisest, mida parasjagu tehti. Siin määratlesin andmete idee ja näited on signaalid, mõõtmised, salvestused, sündmused, tehingud, arvutused, liitmised, üksikud teabepunktid. Võite mõelda neile kui teabe molekulidele, kuid need on üksikud punktid. See muutub teabeks niipea, kui sellega saab vastuseisu. Lingitud andmed, struktureeritud andmed, andmebaasid, andmete visualiseerimine, plotterid, skeemid ja ontoloogiad - need kõik kvalifitseeruvad minu meelest informatsiooniks, sest see, mida olete teinud, koondab palju erinevaid ja loob midagi palju enamat kui andmepunkti, midagi, millel on tegelikult kuju, matemaatiline kuju.
Lisaks on meil teadmisi. Teavet uurides saame teada, et on olemas erinevaid mustreid ja saame neid malle kasutada reeglite, poliitikate, suuniste, protseduuride sõnastamise kaudu ja siis saab see teadmiste vormis. Ja peaaegu kõik arvutiprogrammid, olenemata sellest, mida nad teevad, on omamoodi teadmised, kuna nad töötavad andmete vastu ja rakendavad neile reegleid. Need kolm kihti on meil olemas ja nende kihtide vahel täieneb veelgi täpsustus. Ja selle diagrammi vasakus servas on näidatud uute andmete sisestamine, nii et paljud neist on staatilised. Andmeid koguneb, teavet koguneb ja teadmised võivad kasvada. Üleval on meil mõistmine ja ma väidan, et see on filosoofiline argument, et mõistmine elab ainult inimestes. Kui ma selles eksin, siis asendavad meid mingil ajahetkel kõik arvutid. Kuid selle asemel, et arutleda, liigun järgmise slaidi juurde.
Kui ma seda vaatasin, siis huvitav asi, see on midagi hiljutist, huvitav oli proovida aru saada, mis analüütika tegelikult oli. Ja lõpuks, joonistades erinevaid diagramme ja jõudes ühe sellise välja, nägin järeldust, et tegelikult on analüütika arendamine lihtsalt tarkvaraarendus koos kohutavalt paljude matemaatiliste valemitega. Analüütiline uurimine erineb tarkvaraarendusest pisut selles mõttes, et te võtaksite palju-palju erinevaid mudeleid ja uuriksite neid andmete kohta uute teadmiste saamiseks. Kuid kui olete selle genereerinud, rakendatakse seda kas passiivse otsustustoetusena, milleks on kasutajale lihtsalt toidetud teave; interaktiivne otsuste tugi, mis on sellised asjad nagu OLAP, kus kasutajale antakse struktureeritud andmete komplekt, mida ta saab erinevate olemasolevate tööriistade abil ise uurida ja ise asju järeldada. Suur osa visualiseerimisest on selline. Ja siis on meil automatiseerimine, kui saate lihtsalt muuta mõne analüütilise ülevaate, mille olete kokku kogunud, reeglite kogumiks, mida saab rakendada, ei pea te tingimata kaasama inimest. Just nii ma vaatasin seda kõike tehes. Ja minuga hakkasid juhtuma mitmesugused asjad. Kui öeldakse, et kui üks tegevusala on, siis tegelikult kaevandatakse, kaevandatakse põhjalikult, uuritakse põhjalikult iga võimaliku suuna kaudu, lõpuks muutub see lihtsalt kristalliseerunud BI-ks. Leiutatud teadmistest saab teadmisi, mis teavitavad erinevaid kasutajaid mitmel moel ja suurendavad nende loodetavasti võimekust teha tegelikult tööd, mida nad teevad.
Üks asi, mida ma märkasin ja umbes viis aastat vaatasin ennustavat analüütikat, kuid ennustatav analüüs on muutumas BI-ks selles mõttes, et see on lihtsalt muutumas kasulikuks teabeks inimeste toitmiseks ja nagu ma juba märkisin, seal on automatiseeritud BI aruandlus, BI uuritav, BI, selle väga erinevad astmed ja ennustav analüütika toimub tegelikult kõigis kolmes suunas. Ja analüütiline protsess, nagu ma juhtisin tähelepanu, pole tarkvaraarendusest nii erinev, seda teevad lihtsalt erinevad inimesed, kellel on pisut erinevad oskused. Ma arvan, et peaksin rõhutama, et tõeliselt hea andmeteadlase saamiseks vajalike oskuste omandamine võtab aastaid. Neid ei ole kerge omandada ja suur osa inimesi ei saa seda teha, kuid see on vajalik seetõttu, et matemaatika mõistmine on väga keerukas, et teada saada, mis on kehtiv ja mis mitte. Analyticsi arendused, uute teadmiste avastamine, analüütiliste andmete implanteerimine - see seisneb teadmiste rakendamises. Sellist tausta näen kogu analüütikas. See on tohutu valdkond ja sellel on palju-palju mõõtmeid, kuid ma arvan, et üldistamine kehtib kõige kohta.
Siis on äritegevuse katkemine, nagu ma mainisin, on palju organisatsioone, farmaatsiaettevõtted on veel üks, mille DNA-s on neil analüütika. Kuid on palju organisatsioone, kellel seda oma DNA-s tegelikult pole, ja nüüd on neil võimalus, nüüd on tarkvara ja riistvara palju odavamad kui vanasti, nüüd on neil võimalus seda ära kasutada. Ma ütleksin mitmeid asju. Esimene asi on see, et analüütika on paljudel juhtudel teadus- ja arendustegevus. Võib-olla rakendate analüütikat ainult organisatsiooni konkreetses valdkonnas ja võib tunduda igapäevane, et analüüsite ühel või teisel viisil klientide tellimusi taas erinevatest vaatenurkadest, ühendades need muude andmetega. Kuid analüütika loob tegelikult võimaluse vaadata organisatsiooni tervikuna ja analüüsida suures osas organisatsioonis toimuvat konkreetset tegevust ja terveid tegevusahelaid. Kuid kui te sellesse piirkonda tegelikult kolite, väidaksin, et see on teadus- ja arendustegevus. Ja seal on paar korda minult küsitud: "Kui palju ettevõte peaks analüütikale kulutama?" Ja ma arvan, et parim viis sellele vastuse andmiseks on mõelda analüütikale kui teadus- ja arendustegevusele. ja lihtsalt küsige: "Kui palju kulutaksite teaduse ja arendustegevusele ettevõtte tõhususe valdkonnas?"
Ja ettevõtted, kes ei tegele analüütikaga, seal on palju asju, mida nad ei tea. Esiteks, nad ei tea, kuidas seda teha. Tavaliselt, kui nad kavatsevad organisatsiooni siseselt ühel või teisel viisil analüütika kasutusele võtta - pole neil tegelikult palju muud võimalust, kui pöörduda konsultatsioonifirma poole, mis aitab neil seda teha, sest enamiku jaoks oleks see võimatu või tõesti väga keeruline. ettevõtted palkavad andmeteadlase, kes selle leiab, ühe eest maksab ja tegelikult usaldab neid tegema seda, mida soovite. Väga raske. Enamik ettevõtteid ei tea, kuidas töötajaid selle töö tegemiseks palgata või koolitada. Selle põhjuseks on lihtsalt see, et see pole veel nende DNA-s, seega ei kuulu see nende loomulikesse äriprotsessidesse. See jõuab järgmisse punkti. Nad ei tea, kuidas muuta see äriprotsessiks. Parim viis selleks on, muide, kopeerimine, mida ravimifirmad ja kindlustusfirmad lihtsalt vaatavad, ja mõned tervishoiukeskuse ettevõtted, lihtsalt vaadake, kuidas nad kasutavad analüütikat ja kopeerige see. Sest see on äriprotsess. Ma ei tea, kuidas seda politseisse viia või seda kontrollida. Seda tõesti, eriti nüüd, kui kohutavalt palju tarkvaraettevõtteid on loonud tooteid, mis automatiseerivad kohutavalt palju analüütikat. Auditeerimise mõte on oluline, kui teil on kohapeal nõuandvat isikut või kedagi, kellele võib usaldada, et mõista mis tahes analüütilise arvutuse tulemusi, see on selline valik, mida peate tegema, kuid kui paned tõesti võimsad analüütilised tööriistad inimeste käes, kes ei mõista analüütikat õigesti, hüppavad nad tõenäoliselt järeldustele, mis ei pruugi olla õiged. Ja nagu ma ütlesin, ei tea ettevõtted, kuidas seda eelarvestada.
Need on analüütika maitsed, ma käin neist lihtsalt läbi. Statistiline analüüs ja statistiline modelleerimine erinevad oluliselt ennustavatest analüütilistest, enamasti muuseas kõverjooneline. Masinõpe erineb nendest asjadest, teede analüüs ja aegread, mida põhimõtteliselt tehakse olekuvoos, on jälle erinevad. Graafiline analüüs on jälle erinev ning analüütika ja semantiline analüüs on jälle erinevad. See lihtsalt osutab, et see on väga mitme žanri asi. See pole nii, te ei hakka analüüsima, hakkate uurima tekkinud probleeme ja otsima erinevaid analüütika tööriistu ja erinevaid maitseid, mis neile sobivad. Ja lõpuks netivõrk. Riistvara ja tarkvara arengu tõttu on analüütika minu arvates alles lapsekingades. Ees on veel palju, palju veel ja me näeme seda lähiaastatel. Ma arvan, et suudan palli Dezile edasi anda.
Dez Blanchfield: Jah, räägi raskest toimingust, mida järgida, Robin. Külastan seda teemat lühidalt ühe oma lemmiknurga alt, milleks on inimese nurk. Meie igapäevaelus toimub nii palju muutusi. Üks minu igapäevase elu suurimaid häireid, minu arvates praegu, on lihtsalt igapäevane töö. Tööle naasmine ja palgatud töö proovimine ning kasvav ootus, et lähete igapäevaselt inimeselt superkangelasele, ning organisatsiooni ümber voolav ja väga-väga kiiresti kiirgav teave, see on märkimisväärne väljakutse ja üha enam peame pakkuma inimestele paremaid ja paremaid tööriistu, et proovida hakkama saada teadmiste ja teabe liikumisega ning seetõttu mõtlesin, et proovin selle natukene lõbusa nurga alt välja tulla . Kuid alati torkab silma, kuidas meil on selline mõistuse- või välklambid ja nii edasi, mis suunavad meid omamoodi selle juurde, mida me analüüsime, aga tegelikult see, millest me räägime, on teabe inimestele kättesaadavaks tegemine ja võimaldades neil sellega suhelda ja tegema seda viisil, mis on loomulik ja tundub normaalne.
Ja tegelikult tuletab see mulle meelde YouTube'i videot, kus väike laps, väike beebi istub põrandal ja istub seal iPadi mängimas ning see lehvitab ringi ja näppib ja pigistab ning liigutab pilte välja ja mängib ekraaniga, andmed seal. Ja siis vanem võtab iPadi ära ja paneb lapse sülle ajakirja, ed ajakirja. Ja see laps pole tõenäoliselt vanem kui kaks aastat. Laps hakkab ajakirja ekraaniga proovima ja libistama, näputäis ja pigistama ning ajakiri ei reageeri. Laps tõstab sõrme üles ja vaatab seda ning mõtleb: "Hmm, ma ei usu, et mu sõrm töötab", ta lükkab end käe sisse ja mõtleb: "Ah ei, mu sõrm töötab, ma tunnen, et mu käsi on ja näeb hea välja, ”ja see vingerdab sõrme ning sõrm vingerdab ja reageerib. Jah. Siis proovib ta ajakirjaga uuesti suhelda ja madal ning vaata, et ta ei pigista ega pigista ega keri. Siis võtavad nad ajakirja ära ja panevad iPadi oma sülle tagasi ning äkki asi töötab. Ja siin on beebi, kes on kaasa tulnud ja keda on koolitatud kasutama meelelahutuseks analüütilist või reaalajas voogesituse tööriista. See ei saa välja selgitada, kuidas ajakiri peaks toimima ja kuidas lehti sirvima.
Ja see on juba iseenesest huvitav kontseptsioon. Kuid kui ma mõtlen teadmistele, mis liiguvad organisatsioonide ümber, andmevoogudele ja inimeste käitumise viisile, mõtlen ma sageli sellele kontseptsioonile, mida inimesed on õppinud olema välkmäss, mis on sündmus, kus ja mida sotsiaalmeedia muudab seda on veelgi lihtsam teostada - idee kui selline, mis on minna sellesse kohta sel ajal, kuupäeval ja toimingul, või vaadata seda videot ja õppida neid tantse või kanda seda värvilist mütsi ja suunata kella ühe paiku põhja poole. Ja lükkate selle läbi oma võrgu välja ning alati koormab terve hulk inimesi, neist sadu, korraga üles samas kohas, samal ajal teevad sama asja ja seal on see vau-faktor, näiteks: „Püha lehm, see oli tõesti muljetavaldav! ”Kuid tegelikult on see väga lihtne idee ja lihtne idee, mis lihtsalt surutakse läbi meie võrkude ja saame selle tulemuse, mis on visuaalselt uimastav ja kuuldavalt muljetavaldav asi. Ja kui mõelda organisatsioonile, viisile, kuidas me tahame inimeste käitumist ja kuidas me soovime, et nad käituvad infosüsteemide ja klientidega, on see sageli nii lihtne, see on idee või kontseptsioon või kultuuriline või käitumuslik omadus, mida proovime edasi anda tööriistade ja teabe abil.
Ja selle kõige mantra toetamine, mis mul on olnud juba üle kahe ja poole aastakümne, ja see tähendab, et kui teie töötajad ei leia oma tööks vajalikku, olgu see siis tööriistad või teave, siis leiutavad nad alati ratta. Ja see on nüüd üha suurenev väljakutse, kus meil on palju teadmisi, palju teavet ja asju, mis liiguvad väga kiiresti, et tahaksime peatada inimesi ratast leiutamas. Ja kui mõelda oma töökeskkonnale, pöörduda tagasi inimeste nurga alt, mis on üks minu lemmikuid, siis hämmastas mind, kui olime üllatunud, et kapid ei olnud heade tulemuste jaoks soodne keskkond või rivistasime asjad niimoodi jubedaks pilte siin ja see pole palju muutunud, lihtsalt laskis seinad madalamaks ja nimetas neid avatud tööruumideks. Kuid keset kollast silmust nende ümber on kaks inimest, kes vahetavad teadmisi. Ja veel, kui vaadata ülejäänud tuba, istuvad nad kõik seal kohusetundlikult ära ja ajavad teabe ekraanile. Ja enamasti ei vahetata tegelikult teadmisi ja andmeid ning selleks on mitmesuguseid põhjuseid. Kuid vastassuunas põrandal keskel vasakul kollases ringis on seal kaks inimest, kes vestlevad seal, vahetavad teadmisi ja ilmselt üritavad midagi leida, proovides öelda: “Kas sa tead, kus see aruanne asub, kus ma Kas ma leian need andmed, siis millist tööriista ma selle asja jaoks kasutan? ”Ja see ilmselt ei töötanud, nii et neil pole midagi olnud, ja ekslesid üle põranda, rikkusid kabinettide kontoriruumi reeglit ja tegid seda isiklikult.
Ja kontoris on meil olnud sarnane keskkond, kus naljaga pooleks nalja viskame, kuid reaalsus on see, et nad on üsna võimsad ja tõhusad. Ja üks minu lemmikuid on mobiilne või fikseeritud analüüsi platvorm nimega vesijahuti, kus inimesed tõusevad sinna üles ja ajavad seal ringi juttu, vahetavad teadmisi ning võrdlevad ideid ja teostavad analüüse, vahetades vett jahuti kohal, vahetades ideid. Need on väga võimsad mõisted, kui nende peale mõelda. Ja kui saate neid oma süsteemidesse ja tööriistadesse tõlkida, saate hämmastava tulemuse. Ja meil on kõigi aegade lemmik, mis on sisuliselt kontori kõige võimsam andmejaotusjaam, mida muidu nimetatakse ka vastuvõtulauaks. Ja kui te ei leia midagi, kuhu minna? Noh, kui sa kõnnid kontori ette ja lähed vastuvõtule ja ütled: “Kas sa tead, kus x, y, z on?”, Ja ma julgen kellelegi öelda, et nad pole seda vähemalt korra uuega teinud tööl või ühel ajahetkel, kui nad lihtsalt ei leia midagi. Ja peate endalt küsima, miks nad nii on? See peaks olema kuskil sisevõrgus või mõnel tööriistal või mis iganes. Seda peaks olema lihtne leida.
Ja nii et andmete ja analüütika ning tööriistade osas, mille oleme oma töötajatele andnud oma töö tegemiseks ja inimeste suhtlemiseks töökohtadega, olen saanud arvamuse, et enne analüüsivahendite ja suurte andmeplatvormide hiljutist ilmnemist või nn andmetöötlus, nagu seda nimetatakse ka vanas koolis, ei olnud aruandlus ja teadmiste jagamine kaugeltki dünaamiline, koostööl põhinev ega avatud ning kui mõelda, milliseid süsteeme me eeldame, et inimesed teevad oma tööd, oli meil klassikaline, mida inimesed nimetavad pärandit nüüd, kuid reaalsus on see, et alles on pärand, mis alles on ja on ka täna siin ning seetõttu pole see tegelikult päris pärand. Kuid traditsioonilised personalisüsteemid ja ERP-süsteemid - inimressursside juhtimine, ettevõtte ressursside kavandamine, ettevõtte andmehaldus ja süsteemid, mida kasutame ettevõtte juhtimiseks teabe haldamiseks. See on alati hävitatud.Ja ülaltpoolt vaadates lihtsad platvormid nagu osakondade sisevõrgud, proovides suhelda seal, kus asjad asuvad ja kuidas neid hankida ning kuidas suhelda kogu koha teadmistega. Me kuvame selle oma sisevõrgus. See on ainult nii hea kui inimestel, kes näevad selle nimel aega ja vaeva, muidu jääb see lihtsalt teie pähe. Või kui teil on andmeid, mis asuvad kogu toiduahela lõpus, ettevõtte SAN-ide juures ja kõige selle vahel, nii et salvestusruumide võrgud on täis faile ja andmeid, kuid kes teab, kust neid leida.
Enamasti oleme ehitanud need suletud andmeplatvormid või suletud süsteemid ja seetõttu on inimesed kogu piirkonnas teabe edastamiseks pöördunud tagasi arvutustabelite ja PowerPointide poole. Kuid minu meelest toimus hiljuti üks huvitav asi ja see oli see, et mobiilseadmed ja Internet toimivad üldiselt mõttega, et asjad võiksid tegelikult paremad olla. Ja valdavalt tarbijaruumis. Ja see on huvitav, et igapäevaelus hakkasid meil tekkima sellised asjad nagu internetipank. Me ei pidanud nendega suheldes füüsilisse panka minema, vaid telefoni teel. Algselt oli see kohmakas, kuid siis tuli internet ümber ja meil oli veebisait. Teate ja mitu korda olete tegelikult viimasel ajal oma pangas käinud? Ma tegelikult ei saa, ma rääkisin sellest teisel päeval vestlusest ja ma ei mäleta tegelikult viimast korda oma panka minnes, millest ma olin üsna šokeeritud. Arvasin, et peaksin selle meelde tuletama, kuid see oli nii pikk tagasi ma tegelikult ei mäleta, millal sinna läksin. Ja nii on meil nüüd käes need vidinad mobiilide ja telefonide, tahvelarvutite ja sülearvutite kujul, meil on võrgud ja juurdepääs tööriistadele ja süsteemidele ning tarbimisruum, millest oleme teada saanud, et asjad võivad olla paremad, kuid kuna Tarbimisruumi kiiretest muutustest, mis on olnud ettevõttes ja keskkonnas lamavamaid ja jäisemaid muutusi, ei ole me alati võtnud seda muudatust igapäevasesse tööellu.
Ja mulle meeldib nalja visata selle pärast, et te ei saa andmeid otse voogesitada. Sellel pildil siin istub inimene, kes vaatab mõnda teostatud analüüti, ja seal on ilus graafik, mille on koostanud keegi, kellele statistiku või aktuaarina makstakse tõenäoliselt palju raha ja nad istuvad seal proovides teha analüüsi paberkandjal ja selle üle nalja. Kuid siin on minu jaoks hirmutav: näiteks need inimesed siin koosolekuruumis ja ma kasutan seda näitena, nad suhtlevad andmetega, mis on nüüd ajaloolised. Ja see on sama vana sellest ajast, kui see asi valmistati ja siis redigeeriti, nii et võib-olla on see nädalane aruanne. Nüüd teevad nad otsuseid mitte niivõrd halbade andmete, vaid vanade andmete osas, mis võivad alati olla halvad andmed. Täna langetavad nad otsuse ajaloolise olukorra põhjal, mis on tõeliselt halb koht. Meil õnnestus see paberkoopia asendada sarnaste tahvelarvutite ja telefonidega, kuna töötasime tarbijaruumis välja kiiresti ja töötasime nüüd välja ettevõtlusruumis, et reaalaeg on teadmised ja reaalaja väärtus.
Ja me muutume selles järjest paremaks. Ja see viib mind punktini, mille Robin varem tõstatas, see oli kodanikuandmeteadlase kontseptsioon ja selle idee mootor. Minu jaoks on kodanikuandmeteadlane lihtsalt tavalised inimesed, kellel on sobivad tööriistad ja teave iPadi kohta. Nad ei pea matemaatikat tegema, nad ei pea teadma algoritme, nad ei pea teadma, kuidas algoritme ja reeglite andmeid rakendada, vaid nad peavad teadma, kuidas liidest kasutada. Ja see viib mind tagasi minu sissejuhatuse juurde ja seal istuva väikelapse kontseptsiooni, millel on iPad võrreldes ajakirjaga versus iPad. Väikelaps saab väga kiiresti, intuitiivselt õppida, kuidas kasutada iPadi liidest teabe sukeldumiseks ja sellega suhtlemiseks, ehkki mängu või voogesituse või video abil. Kuid ajakirjaribalt ja lihtsalt lehe vilkumisel lehe järel ei saaks see sama vastust ega suhtlust, mis pole eriti köitev, eriti kui olete väikelaps, kes on üles kasvanud iPadi abil. Inimesed saavad alati kiiresti otsida ja õppida, kuidas tööriistu ja asju juhtida, kui me lihtsalt neid pakume ja kui pakume neile sellist liidest nagu mobiilseadmed ja eriti tahvelarvutid ja nutitelefonid, millel on piisavalt suured ekraanid, ja eriti kui saate suhelda neid puudutades, sõrmeliigutustega, saate äkki sellest kodanikuandmeteadlase mõiste.
Keegi, kes oskab andmeteadust rakendada õigete tööriistadega, kuid tegelikult ei pea ta teadma, kuidas seda teha. Ja minu meelest ajendas suurt osa sellest, nagu ma ütlesin, tarbijate mõjutamine, mis liikus ja kujunes nõudluseks ja ettevõtluseks. Paar väga kiiret näidet. Meie, paljud meist, hakkaksime oma ajaveebide ja veebisaitidega asju ajama, näiteks paneksime vähe reklaame või vaataksime jälgimist ja liikumist, kasutasime selliseid tööriistu nagu Google Analytics ja olime ärganud tõsiasjast, et meie ajaveebides ja väikestel veebisaitidel , võiksime sinna sisestada väikeseid bitti koode ja Google annaks meile reaalajas ülevaate selle kohta, kes, millal ja kus ja kuidas veebisaiti külastab. Ja reaalajas nägime, kuidas inimesed löövad veebisaiti, käivad lehtedel ja siis kaovad. Ja see oli üsna jahmatav. Armastan seda ikka teha, kui üritan inimestele reaalajas analüütikat selgitada, tuhmusin sellega, et näitan neile lihtsalt ühendatud Google Analyticsi veebisaiti ja näen reaalajas suhtlust inimestega, kes löövad veebisaite, ja küsin neilt: “Kujutage ette, kas teil oli reaalajas oma ettevõttest sedalaadi teadmisi. ”
Võtame näiteks jaemüügi ja võib-olla ka farmaatsiatooted. Arvan, et te nimetate seda Ameerika narkootikumide kaupluseks, apteeki, kus te kõnnite sisse ja ostate kõike alates peavalutablettidest kuni päikesekreemi ja mütsideni. Proovin juhtida seda organisatsiooni ilma reaalajas teabeta on hirmutav idee, nüüd teame, mida teame. Näiteks saate mõõta jalaliiklust, võite panna kaupluse ümber seadmeid, kui naeratav nägu on ekraani ühel küljel, sest olete õnnelik, ja õnnetu punane paremas servas ja mõned erinevad toonid keskel. Ja nendel päevadel on olemas platvorm nimega “Õnnelik või mitte”, kus jalutate poodi ja saate sõltuvalt teie elutähtsate klientide tagasisidest õnnelikku või kurba nägu paugutada. Ja see võib olla reaalajas interaktiivne. Võite saada nõudlusepõhise hinnakujunduse. Kui seal on palju inimesi, saate hindu pisut tõsta ja saate teha näiteks laoseisu ning öelda näiteks inimestele - näiteks lennufirmad teatavad inimestele, kui palju kohti on praegu veebisaidil saadaval, kui Kui broneerite lendu, ei peaks te lihtsalt juhuslikult sisse valima ja loodate, et saate tulla tagasi ja saada lend. Aktiivsed HR-andmed võimaldavad teada saada, millal inimesed kella sisse ja välja lülituvad. Hanked, kui olete hankemenetluses ja teil on reaalajas andmeid, saate teha näiteks tunni ootamise ja USA dollari hinna eest riskima, et osta oma järgmine laoseis ja lasta veoautodel asju ilmuda.
Kui ma näitan inimestele Google Analyticsit ja vahendan sedalaadi anekdooti, seda eureka-hetke, seda “a-ha!” -Momenti, siis see lamp süttib nende meelest nagu “Hmm, ma näen palju kohti, kus ma saaksin seda teha . Kui mul oleks ainult tööriistad ja kui mul oleks juurdepääs neile teadmistele. ”Ja me näeme seda nüüd sotsiaalmeedias. Igaüks, kes on asjatundlik sotsiaalmeedia kasutaja, mitte ainult hommikusöögi pilte näitama kipub uurima, kui palju meeldimisi saavad ja kui palju liiklust saavad ning kui palju sõpru nad saavad, ja nad teevad seda koos meeldib näiteks analüüsivahendiks. Tööriista kasutamiseks võite minna .com-i, kuid sisestate Google Analyticsi punkti com või klõpsate paremat ülaosas nuppu, tõmbate menüü alla ja teete seda. Saate need ilusad reaalajas graafikud, mis näitavad, mitu tweetit teed ise ja kui palju nendega suhtlemist on. Ja reaalajas analüüsi lihtsalt oma isiklikul sotsiaalmeedial. Kujutage ette, kui meil meeldiksid Google Analytics ja LinkedIn ning eBay statistika tuleks teie juurde, aga teie töökeskkonda.
Nüüd on meil käepärast reaalajas veeb ja mobiililahendused, sellest saab jõu kontseptsioon. Ja nii jõuangi minu järelduseni - nimelt olen alati leidnud, et organisatsioonid, kes kasutavad tööriistu ja tehnoloogiat varakult ära, saavad konkurentide ees nii olulise eelise, et konkurendid ei pruugi tegelikult kunagi järele jõuda. Ja me näeme seda nüüd kodanike andmeteadlase konfliktis. Kui suudame võtta inimesi, kellel on oskused, teadmised, milleks nad palkasime, ja saame anda neile sobivad tööriistad, eriti võime näha reaalajas andmeid ja avastada andmeid ning teada saada, kus see asub, ilma kabinettidest ringi kõndimata. ja küsige valjusti küsimusi, peate minema ja seisma veejahuti juures, et teha inimestega võrdlevat analüüsi või minna küsima vastuvõtust, kus register on. Kui nad saavad seda oma käeulatuses teha ja nad saavad selle endaga kohtumistele viia ja istuma istungisaalis, kus lehvitatakse ekraanide kaudu reaalajas, mitte paberkandjal, on äkki andnud meile võimaluse oma töötajad, kes ei vaja tegelikkust andmeteadlased, kuid tegelikult kasutada andmeteadust ja juhtida organisatsioonide jaoks hämmastavaid tulemusi. Ja ma arvan, et selle tipptaseme, mille me tegelikult nüüd oleme ületanud, kus tarbija on ettevõtlusse ajendatud, on väljakutse, kuidas me seda ettevõtet pakume, ja see on teema, mille ma arvan tänase arutelu käigus. Ja koos sellega kavatsen oma tüki kokku pakkida ja üle anda, et kuulda, kuidas me selle lahendada saaksime. David, sulle üle.
David Sweenor: Hea küll, tänan teid nii palju poisse ja aitäh Robinile. Tead, Robin, olen nõus teie esialgse hinnanguga. Analüütiline protsess ei erine tegelikult tarkvara arendamisest. Arvan, et organisatsioonisisesed väljakutsed on lihtsalt tõepoolest tõelised, ehkki asjad pole täpselt nii täpselt määratletud, võib-olla on sellel mõni uurimuslik komponent ja loominguline komponent. Ja Dez, teate, ma olen teiega nõus, ratta leiutamist on palju ja te teate, et pole ühtegi organisatsiooni, kuhu ma täna sisse astuksin, te küsite, et miks te seda teete? Miks äri nii töötab? Ja seda on lihtne kahtluse alla seada ning palju kordi, kui olete organisatsioonis, on seda raske muuta. Mulle meeldib analoogia, asjade tarbimine. Ja seda enam mitte siis, kui lähen lennujaama ja tahan oma kohta vahetada - teen seda oma mobiiltelefoniga. Ma ei pea minema boksis oleva agendi juurde ja jälgima, et agent sisestaks 15 minutit ühevärvilisse monitori midagi, et mu istme määramist muuta. Eelistan seda teha lihtsalt oma telefonis ja see on huvitav areng.
Täna räägime natuke kollektiivsest intelligentsusest. Neile, kes ei tea, on Statistica tipptasemel analüüsi platvorm, mis on tegutsenud juba üle 30 aasta. Kui vaadata mõnda analüütikute valdkonna väljaannet, tuleb see alati välja kui üks kõige intuitiivsemaid ja hõlpsamini kasutatavaid täiustatud analüütikatarkvara pakette. Nii et oleme viimased aastad veetnud idee, mida nimetatakse kollektiivseks intelligentsuseks, ja viime selle järgmisele tasemele. Tahtsin seda vestlust alustada: kuidas teie organisatsioonis tööd tehakse?
Ja siin on kaks pilti. Vasakul vasakul on 1960. aastate pilt ja ma ei alustanud oma karjääri 1960. aastatel, kuid paremal on pilt - see on pooljuhtide tehas, kus ma tööle asusin. Ja ma töötasin üles selles mustas hoones, vasakul ülaservas oli must katus. Kuid nad tegid pooljuhtide asju. See on hiljutine pilt teenusest Google Images. Kuid kui vaadata tagasi vasakpoolse 1960. aasta pildi juurde, on see väga huvitav. Need inimesed istuvad reas ja nad teevad, teate, integraallülitusi ja pooljuhte. Kuid on olemas standardimine, seal on tavapärane viis asjade tegemiseks ja seal oli hästi määratletud protsess. Teate, võib-olla kuna need inimesed istuvad kõik avatud keskkonnas, siis võib-olla tehti mingit koostööd. Arvan, et oleme sellest teadmiste tööjõus natuke kaotanud.
Kui ma istusin vasakus ülanurgas selles hoones ja kui ma tahtsin kellegagi koostööd teha, polnud see avatud. Seal olid need kontorid, võib-olla oli osa meeskonnast eemal või ma pidin mööda seda ülikoolilinnakut ringi liikuma; see oli 25-minutiline jalutuskäik ja ma pidin minema paremas servas asuva hoone kellegagi rääkima. Arvan, et kaotasime tee ääres midagi. Ja tead, mul oli sama mõte, miks inimesed - kui paljud inimesed leiutavad teie organisatsioonis ratast uuesti? Ma arvan, et teate, et organisatsioonid tervikuna tegid 1990-ndatel ja 2000-ndatel CRM-i, andmesideladustamise ja teatud määral ka BI-ga head tööd. Miskipärast on analüütika pisut maha jäänud. Andmehoidlatesse ja teie andmete standardiseerimisse ja normaliseerimisse ning sellesse ja CRM-i tehti suuri investeeringuid, kuid analüüs on mingil põhjusel maha jäänud. Ja ma mõtlen, miks. Võib-olla on seal mõni loominguline - võib-olla pole teie protsess täpselt määratletud, võib-olla ei tea te, millist otsust või hooba proovite oma ettevõttes asjade muutmiseks pöörata. Kui me läheme täna organisatsioonidesse, siis on palju inimesi arvutustabelites asju väga käsitsi.
Ja teate, ma vaatasin täna hommikul staatust, ma arvan, et see ütles, et 80, 90 protsendil arvutustabelitest on vigu ja mõned neist võivad olla väga märkimisväärsed. Nagu vaala puhul, kus JPMorgan Chase kaotas arvutustabelivigade tõttu miljardeid ja miljardeid dollareid. Nii et mul on eeldus, et minu arvates peab asjade paremaks muutmiseks olema parem viis. Ja nagu me mainisime, on meil need andmeteadlased. Need tüübid on kallid ja neid on raske leida. Ja mõnikord on nad natuke veider part. Kuid ma arvan, et kui ma peaksin kokku võtma, mis on andmeteadlane, siis on see tõenäoliselt keegi, kes mõistab neid andmeid. Ma arvan, et see on keegi, kes mõistab matemaatikat, keegi, kes mõistab probleemi. Ja tõesti, keegi, kes oskab tulemusi edastada. Ja kui olete andmeteadlane, siis on teil tänapäeval väga vedanud, sest teie palk on viimase paari aasta jooksul tõenäoliselt kahekordistunud.
Kuid tõtt öeldes, palju organisatsioone, neil pole neid andmeteadlasi, kuid teie organisatsioonis on nutikad inimesed. Teil on organisatsioon, teil on palju nutikaid inimesi ja nad kasutavad arvutustabeleid. Teate, et statistika ja matemaatika pole nende peamine töö, kuid nad kasutavad ettevõtte edasiviimiseks andmeid. Tõesti, väljakutse, millele me vastame, on see, kuidas te vastu võtate, kui teil on õnne, et teil on mõni andmeteadlane või statistik või kaks, kuidas saate neid vastu võtta ja kuidas saate parandada nende inimeste ja teised isikud teie organisatsioonis? Kui me vaatame, kuidas meie organisatsioon on üles ehitatud, siis ma alustan ja ma lähen paremalt vasakule. Ja ma tean, et see on tagurpidi, kuid meil on selline ärikasutaja.
See on suurem osa teie teadmistöötajatest ja nende inimeste jaoks peate manustama oma ärivaldkonna rakendustesse analüüsi. Võib-olla näevad nad kõnekeskuse ekraanil analüütilist väljundit või midagi sellist ja see ütleb neile järgmise parima pakkumise, mida kliendile pakkuda. Võib-olla on tegemist veebiportaali tarbija või tarnijaga ja see annab neile kohe krediiti vms. Kuid idee on see, et nad tarbivad analüütikat. Kui läheme keskele, siis need on need teadmistöötajad. Need on inimesed, kes teevad täna arvutustabelitega asju, kuid arvutustabelid on veaohtlikud ja mingil hetkel hakkab neil bensiin otsa saama. Need kodanike andmeteadlased, nagu me neid kutsume, teate, see, mida me nende heaks proovime teha, on tõesti automatiseerituse taseme tõstmine.
Ja kuulete analüütiliselt, et 80–90 protsenti tööst on andmete ettevalmistamisel ja see pole tegelik matemaatika, vaid see on andmete ettevalmistamine. Proovime seda automatiseerida, sõltumata sellest, kas teete seda, ning meil on võlurid ja mallid ning korduvkasutatavad asjad. Teil ei pea tegelikult olema teadmisi oma keskkonna aluseks oleva infrastruktuuri kohta. Ja kui me vaatame vasakpoolsust, siis on meil need teadlased. Ja nagu ma mainisin, on neid vähe. Ja mida me proovime teha nende produktiivsemaks muutmiseks, on lubada neil luua asju, mida need kodanike andmete teadlased saavad teha. Mõelge sellele nagu Lego plokk, nii et need andmeteadlased saavad luua korduvkasutatava vara, mida kodanike andmeteadlane saab kasutada. Ehitage see üks kord, nii et me ei pea ratast uuesti leiutama.
Ja ka siis võivad need tüübid muretseda, kas saame andmebaasis asju korda saata ja olemasolevaid tehnoloogiainvesteeringuid ära kasutada, mida teie ettevõte on teinud. Teate, et tänapäeval ei ole mõtet kogu maailmas andmeid edasi ja tagasi liigutada. Nii et kui me vaatame Statistikat, nagu ma mainisin, on see platvorm, mis on olnud pikka aega olemas. Ja see on väga uuenduslik toode. Andmete segamine, pole olnud ühtegi andmeallikat, millele me poleks pääsenud. Meil on kõik andmete avastamise ja visualiseerimisega seotud asjad, mida võite oodata; saame seda teha reaalajas. Ja arvatavasti on - arvan, et tarkvaratööriistas on üle 16 000 analüütilise funktsiooni, nii et see on rohkem matemaatikat, kui ma kunagi oskasin kasutada või mõista, aga see on olemas, kui teil seda vaja on.
Meil on võime ühendada nii ärireeglid kui ka analüütiline töövoog äriotsuse tegemiseks. Te lähete kaugemale lihtsalt - siin on algoritm, siin on töövoog, kuid teil on ärireeglid, millega peate alati arvestama. Oleme valitsemises väga kindlad. Meid kasutatakse paljudes ravimiklientides, kuna FDA usaldab meid. Teate, lihtsalt tõestus pudingus, et meil on kontrollide ja auditeerimise võime neid aktsepteerida. Ja lõpuks, teate, oleme avatud, paindlikud ja laiendatavad, nii et peate looma platvormi, mis tähendab, et soovite, et teie andmeteadlased oleksid produktiivsed, soovite, et teie kodanike andmeteadlased oleksid produktiivsed, soovite rakendada neid analüütilisi väljundeid teie organisatsiooni töötajatele.
Kui vaatame seda, siis siin on näide mõnedest visualisatsioonidest. Kuid kuna saate oma analüütilist väljundit ärivaldkonna kasutajatele levitada, on esimene näide vasakul, see on võrgu analüütiline diagramm. Ja võib-olla olete pettuste uurija ja te ei tea, kuidas need ühendused luuakse ja need võivad olla inimesed, need võivad olla üksused, need võivad olla lepingud, mis iganes. Kuid saate seda oma hiirega manipuleerida ja sellega suhelda, et päriselt aru saada - kui olete pettuste uurija, siis mõistke eelisjärjekorda pandud loendit selle kohta, kellele uurima minna, eks, kuna te ei saa kõigiga rääkida, nii et teil on tähtsuse järjekorda seadmine.
Kui vaatame pildi paremal küljel ennustava hoolduse armatuurlaua jaoks, on see tõesti huvitav probleem. Võib-olla olete lennujaama omanik ja teil on seal need kehaskannerid. Need kehaskannerid, kui lähete lennujaama, on seal mõned komponendid, mille kõlblikkusaeg on umbes üheksa kuud. Ja need asjad on tõesti väga kallid. Kui mul on lennujaamas mitu sisenemispunkti, mitu skannerit, number üks, tahan veenduda, et mul oleks iga värava juures piisavalt töötajaid ja skannerites olevate osade jaoks ei taha ma neid ka tellida varakult ja ma tahan neid saada enne, kui see laguneb. Võimalik, et kui teil on mõni lennujaam, suudame ennustada, millal need asjad purunevad, ja prognoosida töötajate arvu.
Kui vaatame parempoolset alumist osa, see tähendab siis, kui asute tootmiskeskkonnas, on see lihtsalt tootmisvoo graafiline esitus. Ja seda on pisut raske näha, kuid nendel erinevatel protsessisektoritel on punased ja rohelised foorid ja nii et kui ma olen insener, käib seal väga keerukas matemaatika, kuid võin selles konkreetses sektoris põhjalikumalt uurida ja vaadata parameetrid ja sisend, mis võib-olla põhjustab selle kontrolli alt väljumise. Kui vaatame oma kodanikuandmeteadlast, siis on meie eesmärk tõesti muuta see kodanikuandmeteadlase jaoks lihtsaks. Meil on võlurid ja mallid ning üks asi, mis minu arvates on tõesti huvitav, on see, kas meil on see automatiseeritud andmete tervisekontrolli sõlm. Ja tõesti, mida see teeb, sellel on sisseehitatud lõhnad.
Mainisin andmete ettevalmistamist - see võtab palju aega, seda nii andmete koondamisel kui ka ettevalmistamisel. Kuid oletagem, et mul on oma andmed, ma saan seda käitada selle andmete tervisekontrolli sõlme kaudu ja see kontrollib invariantsust, hõredust ja välimust ning kõiki neid asju täidab puuduvad väärtused ja teeb palju matemaatikat, mida ma ei vaja Ma ei saa aru, nii et võin vaikimisi aktsepteerida või kui olen natuke nutikam, saan neid muuta. Kuid mõte on selles, et me tahame seda protsessi automatiseerida. See asi teeb umbes 15 erinevat kontrolli ja tulemust puhastatud andmekogumil. See, mida me teeme, muudab selle töövoogude loomise inimestele lihtsamaks.
Siin räägime andmeteadlaste ja kodanike andmeteadlaste koostööst. Kui vaatame neid pilte paremal, näeme seda andmete ettevalmistamise töövoogu. Ja võib-olla on see väga keerukas, võib-olla on see teie ettevõtte salajane kaste, ma ei tea, aga me teame, et keegi teie organisatsiooni esindajatest pääseb juurde ühele või mitmele neist meil silodest. Vajame viisi, kuidas number üks, neid haarata ja kokku õmmelda, ning number kaks, võib-olla on olemas spetsiaalne töötlemine, mida me teha tahame, et see poleks meie andmete tervisekontrollis ja see oleks teie ettevõtte salajane kastmevorm. Saan selle töövoo meie organisatsioonis luua ja see variseb sõlmena. Näete noolt alla suunatud, see on lihtsalt sõlme ja neid asju on meil organisatsioonis sadakond. Idee on see, et meil on inimesi, kes teavad teatud ruumist midagi, nad saavad luua töövoo ja keegi teine saab seda uuesti kasutada. Püüame ratta uuesti leiutamist minimeerida.
Ja sama asja saame teha ka analüütilise modelleerimise töövoogudega. Paremal juhul on see töövoog, võib-olla on seal 15 erinevat algoritmi, ja ma tahan ülesande jaoks valida parima. Ja ma ei pea kodanike andmeteadlasena aru saama, mis seal ämblikuvõrgus toimub, vaid see variseb lihtsalt sõlme ja võib-olla see sõlm lihtsalt ütleb: "arvutage krediidiriski skoor". "Arvutage võimalus kirurgilise saidi infektsioonist ”, mis teil on. „Arvutage tõenäosus, et midagi on petlik tehing.” Kodanike andmeteadlasena saan kasutada seda väga keerukat matemaatikat, mille keegi teine on ehitanud, võib-olla on üks neist andmeteadlastest ehitanud minu organisatsiooni.
Andmeteaduse vaatepunktist, teate, olen rääkinud andmeteadlastega, kes armastavad koodi kirjutada, ja olen rääkinud andmeteadlastega, kes vihkavad koodi kirjutamist. Ja see sobib, nii et meil on väga visuaalne, graafiline kasutajaliides. Saame oma andmetest haarata, teha ka automatiseeritud andmete tervisekontrolli ja võib-olla tahan kirjutada koodi. Mulle meeldib Python, mulle meeldib R, kuid idee on see, et need andmeteadlased on neil puudu ja neile meeldib kood konkreetses keeles. Me ei eelista eriti seda, millises keeles soovite koodi sisestada, nii et kui soovite teha R, siis tehke R; kui soovite teha Pythoni, siis tehke Python. See on suurepärane. Kui soovite oma analüütilisi andmeid Azure'i paigutada, siis purskake oma analüüs pilve. Ja nii on siinkohal tõesti eesmärk pakkuda paindlikkust ja võimalusi, et muuta oma andmeteadlased võimalikult produktiivseteks.
Nüüd, andmeteadlased, nad on üsna targad inimesed, kuid võib-olla pole nad kõiges asjatundjad ja võib-olla on seal lüngad selles, mida nad teha saavad. Ja kui vaadata välja valdkond, on seal palju erinevaid analüütilisi turge. See on näide sellest, et võib-olla pean tegema pildituvastuse ja mul pole seda oskust. Võib-olla lähen välja algoritmi ja saan pildituvastuse algoritmi. Võib-olla lähen välja Apervita juurde ja saan väga erilise tervishoiu algoritmi. Võib-olla tahan kasutada midagi Azure'i masinõppe teegis. Võib-olla tahan kasutada midagi omapärasel Statistica platvormil.
Jällegi on idee, et tahame kasutada globaalset analüütilisi kogukondi. Kuna teil ei ole kõiki nelja seina piires vajalikke oskusi, siis kuidas saaksime tarkvara luua - ja seda me ka teeme -, mis võimaldab teie andmeteadlastel kasutada mitmesuguste turgude algoritme. Oleme seda teinud R ja Pythoniga pikka aega, kuid see laieneb nendele rakenduste turgudele, mis seal on. Ja sama, mida näete siin kõige peal, kasutame Sparkil H2O, nii et seal on palju analüütilisi algoritme. Te ei pea keskenduma nende loomisele nullist, kasutagem uuesti neid, mis elavad avatud lähtekoodiga kogukonnas, ja soovime, et need inimesed oleksid võimalikult produktiivsed.
Järgmine samm pärast seda, kui meil on oma kodanike ja teadlaste teadlased, on tõesti, kuidas te neid parimaid tavasid edendate ja levitate? Meie tarkvaras on tehnoloogia, mis võimaldab teil analüütikat kõikjal levitada. Ja see on rohkem mudelihaldusvaade, kuid enam ei seo mind need neli seina ega konkreetne paigaldus Tulsa või Taiwani või California piires ega see, mis teil on. See on ülemaailmne platvorm ja meil on palju-palju kliente, kes kasutavad seda mitmel saidil.
Ja see on tõesti väga oluline, kui teete midagi Taiwanis ja soovite seda Brasiilias korrata, siis on see väga tore. Minge sinna, haarake korduvkasutatavaid malle, haarake soovitud töövooge. Sellega üritatakse luua neid norme ja üldist asjaajamisviisi, nii et me ei tee asju igal pool täiesti erinevalt. Ja selle teine põhikomponent on see, et me tõesti tahame võtta aluseks matemaatika selle, kus andmed asuvad. Teate, et California ja Tulsa ning Taiwani ja Brasiilia vahel ei pea te andmeid segama. Meil on tehnoloogia, mis võimaldab meil andmeid mõõta, ja meil on sellel teemal veel üks kuuma tehnoloogia veebisaade.
Kuid me kutsume seda arhitektuuri ja siin on hiiliv pilk - Native Distributed Analytics Architecture. Selle peamine idee on see, et meil on platvorm Statistica ja ma saan analüütilise töövoo eksportida aatomina. Ja ma saaksin teha mudeli või kogu töövoo, nii et see pole oluline. Kuid ma saan selle luua ja eksportida sihtplatvormile sobivas keeles. Selle vasakpoolsel küljel teevad seda paljud inimesed, kuid nad teevad punktisüsteemis lähtepunkti. See sobib, saame teha punkte ja andmebaasides mudelite loomist, nii et see oleks huvitav.
Ja siis paremal pool on meil Boomi. See on kaasnev tehnoloogia, me töötame kõigi nende abil. Kuid me saame ka need töövood võtta ja neid põhimõtteliselt ükskõik kuhu maailma transportida. Kõik, millel on IP-aadress. Ja ma ei pea avalikku või privaatpilve installima. Kõik, mis suudab JVM-i käitada, võime käitada neid analüütilisi töövooge, andmete ettevalmistamise töövooge või lihtsalt mis tahes nendel sihtplatvormidel olevaid mudeleid. Ükskõik, kas see asub minu avalikus või privaatpilves, kas traktoris, autos, kodus, mu lambipirnis või asjade Internetis, meil on tehnoloogia, mis võimaldab teil neid töövooge transportida kõikjal maailmas.
Vaatame üle. Tead, meil on palju ärikasutajaid, nii et need inimesed, meil on tehnoloogia, võimaldavad neil tarbida väljundit endale meelepärases vormis. Meil on kodanike andmeteadlasi ja me proovime teha koostööd paremaks, muuta nad meeskonna osaks, eks? Ja nii tahame, et inimesed lõpetaksid ratta leiutamise. Ja meil on need andmeteadlased, seal võiks olla oskuste puudujääk, kuid nad saavad kodeerida soovitud keeles, nad saavad minna analüütilistele turuplatsidele ja kasutada seal algoritme. Ja kuidas saaksite siis arvata, et sellega on kõik fantastiliselt tore? See on täiuslik, seda me ka teeme. Ehitame korduvkasutatavaid töövooge, anname inimestele juhiseid, anname neile Lego klotse, et nad saaksid ehitada neid vägevaid losse ja mida iganes nad teha tahavad. Kokkuvõtteks võib öelda, et meil on platvorm, mis võimaldab äriklientidel, kodanike andmeteadlastel ja programmeerijatel teadlastel tegutseda. Meil on olemas - saame käsitleda mis tahes IoT servaanalüüsi kasutamise juhtumeid ja võimaldame seda kollektiivse luure mõistet. Sellega arvan, et avame selle tõenäoliselt küsimustele.
Robin Bloor: No okei. Ma arvan, et esimene - ma pean silmas ausalt öeldes - Dell Statistica on mind juba varem juhendanud ja kui aus olla, siis olen tegelikult üsna üllatunud asjade üle, mida ma ei teadnud, et te esitlusel üles tõite. . Ja ma pean ütlema, et üks asi, see on asi, mis on minu jaoks analüütika kasutuselevõtul olnud veatu, on see, et kas te teate, et tööriistade hankimine pole nii, kas teate? Seal on tohutult palju tööriistu, seal on avatud lähtekoodiga tööriistu jne ja nii edasi ning seal on mitmeid, mida ma nimetaksin, poolplatvorme. Kuid ma arvan, et erinevus, mis teil on, avaldas mulle eriti suurt osa töökorraldusest.
Kuid erinevus on see, et näib, et pakute otsast lõpuni. See on nagu analüüsimine on keeruline äriprotsess, mis algab andmete hankimisega ja seejärel läbib terve rea samme, sõltuvalt sellest, kui ebatäpsed andmed on, ja siis võib see hargneda terve hulga erinevate matemaatiliste rünnakutega andmed. Ja siis ilmnevad tulemused ühel või teisel viisil ja need peavad olema tegevused. Seal on tohutult palju analüütikat, millega olen kokku puutunud ja kus on ära tehtud palju suurepärast tööd, kuid kuskil pole seda vaja panna. Ja tundub, et teil on kohutavalt palju vajalikku. Ma ei tea, kui põhjalik see on, kuid see on palju põhjalikum, kui ma eeldasin. Olen sellest uskumatult muljet avaldanud.
Tahaksin, et kommenteeriksite arvutustabeleid. Te olete juba midagi öelnud, kuid üks asi, mida ma märkisin ja olen aastate jooksul märkinud, kuid see on lihtsalt muutunud üha selgemaks, on see, et seal on kohutavalt palju tabeleid, mis on varjusüsteemid ja ma tõesti arvan, et arvutustabel, ma mõtlen, et see oli tutvustamisel imeline tööriist ja sellest ajast alates on see olnud imeline, väga paljudel erinevatel viisidel, kuid see on üldistatud tööriist, mis pole tegelikult otstarbeks sobiv. See pole kindlasti BI konsoolis eriti hea ja ma arvan, et see on analüütilises plaanis kohutav. Ja ma mõtlesin, kas teil on kommentaare näiteks, näiteks näidetest, kus Statistica on välja puhkenud, arvutustabeli liigne kasutamine või mõni kommentaar, mida soovite selle kohta öelda?
David Sweenor: Jah, ma arvan, et teate, võite otsida kuulsaid arvutustabelivigu. Google või mis tahes otsingumootor, mida kasutate, kuvatakse paljude tulemustega. Ma ei usu, et teate, me vahetame kunagi arvutustabelid välja. See pole meie eesmärk, kuid paljudes organisatsioonides, kus käin, on paar sellist arvutustabelivõlurit või ninjat või mida iganes te soovite neile nimetada, kuid neil on need väga keerukad arvutustabelid ja peate mõtlema, mis juhtub, kui need inimesed võidavad loto ja nad ei tule tagasi? Ja see, mida me proovime teha, on see, et me teame, et arvutustabelid on olemas, et saaksime neid alla neelata, kuid ma arvan, et proovime välja töötada teie töövoo visuaalse esituse, et seda saaks mõista ja teistega jagada. . Arvutustabeleid on üsna raske, üsna raske jagada. Ja niipea, kui edastasite mulle arvutustabeli, olen seda muutnud ja nüüd oleme sünkroonimisest väljas ning saame erinevaid vastuseid. Mida me proovime teha, on panna selle ümber mõned piirded ja muuta asjad natuke tõhusamaks. Ja arvutustabelid on tõesti kohutavad, kui kombineerite mitut andmekogumit koos, kas teate? Nad kukuvad sinna alla. Kuid me ei kavatse neid asendada, neelame nad alla ja meil on inimesi, kes hakkavad vahetuma, sest kui meil on sõlme, mis ütleb „arvuta risk”, siis proovib seda arvutustabelit kasutav inimene. Need on kadunud.
Robin Bloor: Jah, ma mõtlen, et ma ütleksin, et ühest aspektist, kus ma asju vaatan, tahaksin öelda, et arvutustabelid on suurepärased teabe loomiseks. Need on suurepärased isegi teadmiste saarte loomiseks, kuid teadmiste jagamiseks on need väga halvad. Neil ei ole mingisugust mehhanismi selle tegemiseks ja kui edastate arvutustabeli kellelegi, pole see nii, nagu saaksite seda lugeda, näiteks artikkel, mis selgitas täpselt, mida nad teevad. Seda lihtsalt pole. Arvan, et asi, mis mulle esitluse ja Statistica võimaluste osas kõige rohkem muljet avaldas, tundub uskumatult agnostiline. Kuid see teema töötab läbi selle töövoo. Kas mul on õigus, kui eeldan, et te võiksite vaadata otsast lõpuni tööprotsessi, alates andmete kogumisest kuni tulemuste kinnistamiseni konkreetsetes BI-rakendustes või isegi töötavates rakendustes?
David Sweenor: Jah, absoluutselt. Ja sellel on see otsast lõpuni võime ja mõned organisatsioonid kasutavad seda täielikult ning mul ei ole mingit illusiooni, et tänapäeval ei osta ükski ettevõte kõike ühelt pakkujalt. Meil on segu. Mõni kasutab statistikat kõige jaoks ja mõni kasutab seda töövoogude modelleerimiseks, mõni kasutab seda andmete ettevalmistamise töövoogude jaoks. Mõned inimesed kasutavad seda sadade inseneriraportite levitamiseks inseneridele. Ja nii on meil kõik vahepeal olemas. Ja see on tõepoolest otsast lõpuni ja see on, te teate, agnostiline platvorm, kuna kui leidub algoritme, mida soovite kasutada R-s või Pythonis, Azure'is, Apervitas, siis mida iganes te teate, siis kasutage neid. See on suurepärane, olge produktiivsed, kasutage seda, mida teate, kasutage seda, mis teile sobib, ja meil on mehhanismid, mis tagavad, et need on kontrollitud ja kontrollitavad ning kõik sellised asjad.
Robin Bloor: Eriti meeldib mulle see aspekt selles. Ma mõtlen, et ma ei tea, kas te saate rääkida kaugemale sellest, mida olete öelnud, selle rikkuse jaoks, mis seal on. Ma mõtlen, et ma olen seda vaadanud, kuid ma pole seda põhjalikult vaadelnud ja kindlasti on meie raamatukogudes väga palju Pythoni raamatukogusid, kuid kas on midagi, mida saate sellele pildile lisada? Kuna ma arvan, et see on väga huvitav asi, siis teate, et teil oleks usaldusväärseid komponente, sest teadsite erinevaid inimesi, kes olid need loonud, ja inimesi, kes neid kasutasid, mida saate alla laadida. Kas teate, kas saate rikastada seda, mida olete selle kohta juba öelnud?
David Sweenor: Jah, ma arvan, et mõned rakenduste turuplatsid, teate, seal asuvad algoritmi turuplatsid. Näiteks teate, dr John Cromwell, Iowa ülikool, et ta on välja töötanud mudeli, mis ennustab, et seda kasutatakse reaalajas, kuni me töötame, siis saate tulemuse, kui kavatsete saada kirurgilise koha infektsioon. Ja kui see tulemus on piisavalt kõrge, võtavad nad sekkumise otse operatsioonisaali. See on väga huvitav. Ehk on veel mõni haigla, mis pole nii suur. Noh, Apervita on terviserakenduste turg analüütika jaoks. Võite paljudes nendes rakenduste turgudes ühe leida, võite selle leida ja uuesti kasutada. Tehing on teie ja teie vahelise omaniku vahel, kuid võite selle ka otsida või võite öelda: "Siin on mida ma vajan. ”Arvan, et see rakendab seda globaalset kogukonda, sest tänapäeval on kõik spetsialist ja te ei saa kõike teada. Ma arvan, et R ja Python on üks asi, kuid see idee "Ma tahan seda funktsiooni täita, pange üks neist rakenduste turuplatsidest sinna ja laske kellelgi seda teie jaoks välja töötada." Ja nad saavad seda raha teenida, ma arvan, see on väga huvitav ja väga erinev kui puhtalt avatud lähtekoodiga mudel.
Robin Bloor: Hästi. Igatahes annan palli Dezile. Kas soovite sukelduda, Dez?
Dez Blanchfield: Absoluutselt ja sooviksin jääda hetkeks arvutustabelite juurde, sest minu arvates on see paljudest sellest, millest me siin räägime, õige kokkuvõtte. Ja teie tegite kommentaari, Robin, seoses üleminekuga vanadelt arvutustabelitelt nende füüsilisel kujul elektroonilisele kujule. Meil oli huvitav asi, kus, kui teate, kui tabelarvutus oli algselt asi, olid tegemist lihtsalt paberilehtedena ridade ja veergudega ning te kirjutasite asjad käsitsi üles, siis saaksite need läbi ja arvutaksite kas siis seda pea ülaosast või mõne muu seadme abil. Kuid meil on endiselt võimalus, et vead libisevad sisse käsitsikirjavigade või düsleksiaga ja nüüd asendasime need kirjavigadega. Risk on see, et arvutustabelite korral on riskiprofiil kiirem ja suurem, kuid ma arvan, et sellised töövahendid nagu Statistica muudavad riskipüramiidi ümber.
Ma joonistan seda pilti sageli ühe inimesena ülaosas oleva inimese kepikuju tahvlile ja siis nende all olevast kogudest, ütleme, kujutame ette neid kümme selle tahvli allosas ja joonistan püramiid, kus püramiidi punkt on üksiku inimese juures ja püramiidi jalam on inimeste kogu. Ja ma kasutan seda kujutluse visualiseerimiseks, kui üks ülaosas olev inimene teeb arvutustabeli, teeb vea ja jagab seda kümne inimesega, ja nüüd on meil sellest veast kümme eksemplari. Olge makrodega väga ettevaatlik ja Visual Basicu suhtes väga ettevaatlik, kui kavatsete sellele liikuda. Sest kui me ehitame elektroonilisi tööriistu nagu tabeleid, on see väga võimas, aga ka heal ja halval moel.
Arvan, et sellised tööriistad nagu Statistica loovad võime selle riskiprofiili ümber pöörata ja see tähendab, et nüüd saate jõuda punktini, kus teil on palju tööriistu, mis on konkreetsele inimesele kättesaadavad ja mis lähevad paljudest tööriistadest ülaosas püramiidi alt üles ja sealt põhjani, kus püramiidi punkt, mis nüüd ümber pööratakse, on tegelik tööriist, kui meil on meeskond inimesi, kes ehitavad neid tööriistu ja neid algoritme. Ja andmeteadlane ei pea olema nende andmete regressioonanalüütika spetsialist. Võimalik, et nad saavad seda tööriista kasutada, kuid teil võib olla viis või kuus statistikut ja kindlustusmatemaatikat ning andmeteadlast ja mõned matemaatikud, kes töötavad selle tööriista, selle mooduli, selle algoritmi, pistikprogrammi ja nii arvutustabelite parlamendis, nii et Kujutage ette, et kõik avaldatud arvutustabelid, mida saaksite kasutada, olid tegelikult kirjutatud spetsialistide poolt, kes testisid makrosid, testisid Visual Basicut ja tegid kindlaks, kas algoritmid töötasid, nii et kui need kätte saite, võiksite lihtsalt sinna andmeid sisestada, kuid te ei saanud seda tegelikult lahti murda ja seetõttu on olnud parem kontrollida.
Ma arvan, et paljud analüüsitööriistad teevad seda. Arvan, et jõuan selleni, et kas näete seda väljal nüüd, kas näete üleminekut arvutustabelitelt, mis võivad tõrkeid ja vigu tekitada ning riskeerida, punktini, kus teie loodud tööriistad nüüd, kus andmete avastamine on reaalajas täpne ja mooduleid ning algoritme loovad inimesed eemaldavad selle riskiprofiili või vähendavad seda? Kas klienditeenindajad näevad seda reaalses mõttes või arvate, et see just juhtub ja nad ei saa sellest aru?
David Sweenor: Teate, ma arvan, et sellele on paar võimalust. Kuid see, mida me näeme, on mis tahes organisatsioonis, ja ma mainisin, et minu arvates on analüütika võib-olla maha jäänud ettevõtete investeeringute vaatenurgast, nagu see, mida me tegime andmete ladustamise ja CRM-iga. Kuid see, mida me näeme, võtab organisatsiooni muutmiseks ja sellest organisatsioonilisest inertsist ülesaamiseks palju. Kuid see, mida me näeme, on see, et inimesed võtavad arvutustabeleid, töövooge ja ma mainisin turvalisuse ja valitsemise kohta: „Noh, võib-olla on mul arvutustabel”, „Noh, ma saan selle lukustada ja saan versiooni juhtida.” Ja näeme palju organisatsioone, võib-olla nad lihtsalt algavad seal. Ja kui see on muutunud, siis on olemas töövoog ja ma lähen lõpuks minema, ehkki number üks, kes seda muutis? Miks nad seda muutsid. Kui nad seda muutsid. Ja ma saan ka seadistada töövoo, nii et ma ei hakkaks seda uut arvutustabelit tootmisesse rakendama, kui seda pole valideerinud ja kinnitanud üks, kaks, kolm, vaatamata sellele, et paljud osapooled soovite oma töövoo määratleda. Arvan, et inimesed hakkavad võtma ja organisatsioonid hakkavad seal beebisammasid tegema, kuid arvatavasti soovitaksin, et meil on veel pikk tee minna.
Dez Blanchfield: Tõepoolest, ja ma arvan, et kui arvestate nii turvakontrolli kui ka seal valitseva juhtimisega, saab töökoormus selle automaatselt ja kõik kaardistada riskijuhina, mis nüüd on asi. Võite hakata kontrollima, kuidas neile tööriistadele ja süsteemidele juurde pääseb ja kes nendega midagi teeb, nii et see on väga võimas. Ma arvan, et muud asjad, mis sellesse puutub, on see, et minu pakutavad tööriistaliigid pakuvad rohkem inimkäitumist kui traditsioonilisi arvutustabeleid, millest me räägime, kui mul on tuba rahvast täis sama armatuurlaua ja juurdepääsuga samadele andmetele, et nad saaksid tegelikult erineva vaate ja saaksid seetõttu nende vajadustele vastavast samast infost pisut erinevat teavet, et nad saaksid koostööd teha. Seejärel on meil ettevõtte ja otsustusprotsessi osas inimlikum vaade ja suhtlus, erinevalt sellest, et kõik lähevad samale koosolekule sama PowerPointiga ja samade arvutustabelite abil redigeeritakse kõik samad fikseeritud andmed.
Kas näete käitumises ja kultuuris üleminekut organisatsioonides, kes võtavad teie tööriistad kasutusele just nüüd, kus nad näevad seda toimumas, kus pole justkui viis inimest ruumis, kes vaatavad sama arvutustabelit, üritades seda lihtsalt verbaliseerida ja selle kohta märkmeid teha , kuid nüüd suhtlevad nad reaalajas armatuurlaudade ja tööriistadega, nende käeulatuses on visualiseerimine ja analüüsimine ning saavad vestluse ja suhtluse jaoks täiesti teistsuguse voo, mitte ainult koosolekutel, vaid lihtsalt organisatsiooni ümber toimuva üldise koostöö korral? Sest nad saavad seda teha reaalajas, kuna nad saavad esitada küsimusi ja saada reaalset vastust. Kas see on trend, mida te praegu näete, või pole see veel päris juhtunud?
David Sweenor: Ei, ma arvan, et see on kindlasti alustatud sellest teest ja ma arvan, et väga huvitav on see, kui me võtame näiteks tehase. Võib-olla soovib keegi, kes omab selles tehases konkreetset protsessisektorit, nad seda teavet otsida ja teatud viisil suhelda. Ja võib-olla mina, vaadates kõik protsessid läbi, võib-olla see on see põhjas, võib-olla tahan seda kõike vaadata. Ma arvan, et see, mida me näeme, on number üks, inimesed hakkavad oma organisatsioonis kasutama tavalist visualiseerimiste komplekti või tavapäraseid visuaale, kuid see on kohandatud ka rollile, milles nad on. Kui ma olen protsessiinsener, siis võib-olla see on hoopis teistsugune vaade kui keegi, kes vaatab seda tarneahela vaatenurgast, ja ma arvan, et see on suurepärane, sest see peab olema kohandatud ja seda tuleb vaadata läbi objektiivi, et teil oleks vaja oma tööd teha.
Dez Blanchfield: Ma arvan, et otsustusprotsess langeb ajaliselt ja kiirusega. Kas nutikad ja täpsed otsused tegelikult langevad, kasvab ka kiiresti, kas pole? Sest kui teil on reaalajas analüütika, reaalajas armatuurlauad ja kui teil on käeulatuses Statistica tööriistad, siis ei pea te üle põranda jooksma, et minna kelleltki midagi küsima, siis olete selle saanud paberkandjal. Saate omamoodi koostööd teha, suhelda ja reaalselt otsuseid vastu võtta ning selle tulemuse kohe saavutada. Mida ma arvan, et mõned ettevõtted pole sellest veel aru saanud, kuid kui nad seda teevad, saab see eureka hetk, et jah, me võime ikkagi jääda oma kabinettidesse ja töötada kodus, kuid saame suhelda ja teha koostööd ning neid otsuseid teha muudame koostöö käigus muutuma kohe väljunditeks. Vaata, ma arvan, et oli fantastiline kuulda, mida olete seni öelnud, ja ootan väga, kuhu see jõuab. Ja ma tean, et meil on küsimustes ja vastustes palju küsimusi, nii et ma lähen tagasi Rebeccale, et mõned neist läbi vaadata, et saaksime nende juurde jõuda nii kiiresti kui võimalik. Tänan teid väga.
Rebecca Jozwiak: Tänu Dez ja jah, Dave, meil on publikul üsna palju küsimusi. Ja aitäh Dezile ja Robinile ka teie arusaamade eest. Ma tean, et see konkreetne osaleja pidi kohe tunni lõpus ära minema, kuid ta küsib just seda, kas te näete, et infosüsteemide osakonnad eelistavad pigem keerukaid andmekontrolle kui seda, et neile oleks mugav tööriistu pakkuda. teadmiste töötajad? Ma mõtlen, kas see on - mine edasi.
David Sweenor: Jah, ma arvan, et see sõltub organisatsioonist. Arvan, et pangal, kindlustusseltsil, võib-olla on neil turundusorganisatsiooniga võrreldes erinevad prioriteedid ja tegutsemisviisid. Arvan, et peaksin ütlema, et see sõltub lihtsalt teie tööstusest ja funktsioonist. Erinevatel tööstusharudel on erinevad fookused ja rõhuasetused.
Rebecca Jozwiak: Hea küll, sellel on mõtet. Ja siis tahtis teine osaleja teada saada, mis on Statistica mootor? Kas see on C ++ või teie enda asjad?
David Sweenor: Noh, ma ei tea, kas ma saan sellega nii konkreetselt hakkama, kuna see on kestnud juba 30 aastat ja see töötati välja enne minu aega, kuid seal on olemas analüütiliste algoritmide tuumikkogu, mis on töötavad Statistica algoritmid. Ja te nägite siin, et me võime ka R-d juhtida, Pythonit juhtida, Azure'i plahvatada, H2O-l võime Sparkiga joosta, nii et ma peaksin sellele küsimusele vastama, arvestades, et tegemist on mitmesuguste mootoritega. Ja sõltuvalt sellest, millist algoritmi valite, kui see on Statistica, töötab see niimoodi, kui valite ühe H2O ja Sparki kohta, kasutab ta seda ja seega on neid mitmesuguseid.
Rebecca Jozwiak: Hea küll. Veel üks osaleja, kes palus konkreetselt sellele slaidile osutada, soovib teada, kuidas kodaniku andmeteadlane teab, milliseid korduvkasutatavaid malle kasutada? Ja ma arvan, et teen sellest laiema küsimuse. Mida näete, kui tulevad turule ärivaldkonna kasutajad või ärianalüütikud ja nad soovivad neid tööriistu kasutada, kui lihtne on neil neid kätte saada ja jooksma minna?
David Sweenor: Ma arvan, et ma vastaksin sellele ja kui saate seda kasutada, kui olete Windowsiga tuttav, siis see on Windowsi-põhine platvorm, nii et katkestasin nende ekraanipiltide ülaosa, kuid sellel on Windowsi lint. Aga kuidas nad teavad, millist töövoogu kasutada? See näeb välja nagu Windows Explorer, nii et seal on puustruktuur ja saate seda konfigureerida ja seadistada, hoolimata sellest, kui teie organisatsioon soovib seda seadistada. Kuid see võib olla nii, et teil oleks lihtsalt need kaustad ja paneksite need korduvkasutatavad mallid nendesse kaustadesse. Ja ma arvan, et tõenäoliselt on olemas nomenklatuur, mille teie ettevõte võiks kasutada, näiteks siin on "arvutage riskiprofiil", siin on "hankige andmeid nendest allikatest" ja pange neile nimi, mida soovite. See on lihtsalt tasuta kaust, lohistage märkmed otse oma lõuendile. Nii, üsna lihtne.
Rebecca Jozwiak: Hea küll. Võibolla järgmine kord demo. Siis tuleb mõni teine kohalolija liik ja see on see, millest te koos Robini ja Deziga rääkisite ebatäpsustest, eriti arvutustabelil, aga prügi sisse / välja, ja ta peab seda veelgi kriitilisemaks, kui asi puudutab analüütikutele. Kui mainite, et tead, andmete väärkasutamine võib tõesti viia ebaõnnestunud otsusteni. Ja ta soovib teada, millised on teie vaated turvalisemate algoritmide väljatöötamisele. Arvan, et tema jaoks kasutatakse sõna “analüüside liiga ülepaisutav”. Teate, et keegi tuleb kohale, on väga põnevil, tahavad neid täiustatud analüüse teha, tahavad neid täiustatud algoritme käitada, kuid võib-olla pole nad päris kindlad. Mida siis teha, et selle vastu midagi kaitsta?
David Sweenor: Jah, ma arvan, et vastan sellele võimalikult hästi, kuid arvan, et kõik sõltub inimestest, protsessidest ja tehnoloogiast. Meil on tehnoloogia, mis aitab inimesi võimaldada ja mis tahes protsessi, mille soovite oma organisatsioonis sisse viia. Kupongi pakkumise näitel võib-olla pole see nii kriitiline ja kui see on digitaalne, pole see tegelikult tasuta, võib-olla on üks turbekontrolli tase ja võib-olla pole see meie jaoks oluline. Kui ma ennustan kirurgilise piirkonna nakkusi, siis võib-olla tahan olla selles osas pisut ettevaatlikum. Või kui ennustan ravimite kvaliteeti ja ohutust ning selliseid asju, siis võib-olla tahan olla selles suhtes pisut ettevaatlikum. Teil on õigus, prügi sisse / välja, nii et proovime pakkuda platvormi, mis võimaldab teil seda kohandada mis tahes protsessile, mida teie organisatsioon soovib rakendada.
Rebecca Jozwiak: Hea küll. Mul on veel mõned küsimused, kuid ma tean, et oleme tunni aja möödunud ja tahan lihtsalt meie saatejuhtidele öelda, et see oli fantastiline. Ja me tahame nii palju tänada Dave Sweenorit ettevõttest Dell Statistica. Muidugi, dr Robin Bloor ja Dez Blanchfield, tänan teid, et olete täna analüütikud. Järgmine kuu on meil Dell Statisticaga veel üks veebiülekanne. Ma tean, et Dave vihjas selle teema kohta. Asi on analüütika servas, see on veel üks põnev teema ja ma tean, et selles veebiülekandes arutatakse mõnda väga kaalukaid kasutusjuhtumeid. Kui teile meeldis see, mida täna nägite, tulge järgmisel kuul tagasi. Ja sellega, inimesed, jätan teile hüvasti. Suur tänu. Headaega.