Izņemšana: Uzņēmēja Rebeka Jozvejaka ar Dr. Robinu Blooru, Dezu Blanšfīldu un Deividu Sweenoru apspriež iegultās analītikas un iedzīvotāju datu zinātnieku parādības.
Lai apskatītu video, jums jāreģistrējas šim notikumam. Reģistrējieties, lai redzētu video.
Rebeka Jozwiak: Dāmas un kungi, sveicināti un laipni lūgti vietnē Hot Technologies! Mūsdienās aktuāls temats ir “Iegult visur: Iespējot Citizen Data Scientist”. Es aizpildu jūsu parasto mitinātāju, tas ir Rebeka Jozwiak, kurš aizpilda Ēriku Kavanaghu. Jā, šis gads ir karsts. Īpaši terminam “datu zinātnieks” ir pievērsta liela uzmanība, kaut arī mēs tos mēdzām dēvēt par garlaicīgiem vārdiem, piemēram, “statistiķis” vai “analītikas eksperts”, kas diezgan daudz pievērsās tāda paša veida darbībām, taču tam ir jauns, seksīgs vārds un tas ir piesaistot daudz uzmanības. Viņiem ir ļoti vēlams, lai tie atrastos darba vietā, būtu izdevīgi organizācijai, un visi to vēlas. Bet tie ir: 1) dārgi, 2) grūti atrodami. Jūs zināt, ir bijuši visi jaunumi par datu zinātnieku prasmju trūkumu, jā, bet tomēr tie organizācijai piedāvā milzīgu vērtību, un cilvēki kaut kā prasa, lai izdomātu, kā iegūt šo vērtību, nemetot ne santīma, tā, lai runā.
Bet labā ziņa ir tā, ka mēs redzam rīkus un programmatūru iznākšanu, kas kompensē šo trūkumu. Mums ir automatizācija, mašīnmācība, iegulta analītika, par ko mēs šodien mācīsimies, un tas ir sava veida iemesls šim jaunajam terminam “pilsoņu datu zinātnieks”, un ko tas nozīmē? Nē, tas nav jūsu apmācīts datu zinātnieks, tas var būt jūsu biznesa lietotājs, BI eksperts, kāds no IT, kāds, kuram ir pieredze, bet varbūt ne vienmēr zināšanas.Bet ko tas rada, šie rīki un programmatūra, tas sniedz vairāk cilvēku piekļuvi šiem viedajiem risinājumiem, pat ja viņi, iespējams, nezina dziļo kodēšanu. Bet tas tikai palīdz uzlabot sniegumu kopumā, ja jūs visiem mazliet piešķirat piekļuvi šai analītiskajai domai. Jums nav obligāti jābūt apmācībai, lai būtu tāda veida zinātkāre, kas var radīt labu ieskatu jūsu uzņēmumā.
Apspriežot to, ka šodien kopā ar mums ir mūsu pašu Robin Bloor, Bloor Group galvenais analītiķis, viens no nenotveramajiem datu zinātniekiem, Dez Blanchfield, kurš piezvanīja, un tad mums ir David Sweenor no Dell Statistica šodien sniegs mums prezentāciju. Un līdz ar to es to nodošu Robinam Blooram.
Robins Bors: Labi, paldies par ievadu. Es par to domāju vēsturiskā kontekstā. Tas, ko mēs šeit patiesībā skatāmies, ir viens no Leonardo da Vinci izstrādātajiem planieriem, kurus vīrietis varētu uzvilkt uz muguras. Man nav ne jausmas, vai tas tiešām darbosies. Es tajā neiekļūtu, man jāsaka. Tomēr da Vinči, domājot par da Vinci, es domāju par viņu kā vienu no zinātkārajiem un analītiskākajiem cilvēkiem, kāds jebkad pastāvējis. Un tas ir pilnīgi skaidrs, ja paskatās tikai uz planieri, kura pamatā ir putna spārns, un viņš vienā vai otrā veidā ir izpētījis putnu lidojumus, lai to izveidotu.
Ja mēs ņemam vērā vēsturisko perspektīvu - es to tiešām izpētīju - analītika, iespējams, ir vecākā matemātikas pielietošana. Ir tautas skaitīšana, kas datēta vismaz ar Babilonijas laikiem. Mēs par to zinām, jo būtībā ir dažas cuneiform tabletes, par kurām ir līdzīgi dati. Nav zināms, vai kādreiz bija kaut kas atpakaļ. Bet pats par sevi saprotams, ka esat kļuvis par civilizāciju, kurā ir daudz cilvēku, tas faktiski prasa plānošanu, un ir vērts zināt, ko plānojat un kādas ir šo cilvēku prasības.
Un tieši tur, kur tas sākās, un arī skaitļošana, jo faktiski bija agrīnie datori, agrīnie mehāniskie datori, es domāju, ka pirmais bija Hollerith izveidotā skaitīšana, kas, pēc IBM, es uzskatu. Tas viss ir pavirzījies uz priekšu. Starp 70. gadiem un mūsdienām ir bijis kaut kāds starpposms, kur ir ļoti daudz citu programmu un analīzes, jūs varētu teikt, ieņēma aizmugurējo vietu. Jā, turpinājās analītika - tas notika lielās organizācijās, it īpaši bankās un apdrošināšanas kompānijās, faktiski General Electric un telco un tamlīdzīgās lietās -, bet to parasti neizmantoja visā biznesā, un tagad tas sāk pierast vispār Bizness. Un tas tiešām ir mainījis spēli. Pirmais, kam es domāju pievērst uzmanību, ir datu piramīda, kas man īpaši patīk. Tas ir, es domāju, es uzzīmēju vienu no šiem pirms 20 gadiem - vismaz pirms 20 gadiem -, lai mēģinātu izprast un tiešām, tajā laikā es mēģināju izprast BI un dažus agrīnos datu ieguves darbus, kas tika veikti. Šeit es definēju datu ideju, un piemēri ir signāli, mērījumi, ieraksti, notikumi, darījumi, aprēķini, apkopojumi, atsevišķi informācijas punkti. Jūs varētu domāt par tiem kā informācijas molekulām, taču tie ir atsevišķi punkti. Tā kļūst par informāciju, tiklīdz tā kļūst saprotama. Saistītie dati, strukturētie dati, datu bāzes, datu vizualizācija, ploteri, shēmotāji un ontoloģijas - tie visi, manuprāt, ir kvalificējami kā informācija, jo tas, ko jūs esat izdarījis, tiek apkopoti ļoti daudz un dažādi, tie rada kaut ko daudz vairāk nekā datu punktu, kaut kam faktiski ir forma, matemātiska forma.
Turklāt mums ir zināšanas. Pārbaudot informāciju, mēs varam uzzināt, ka pastāv dažādi paraugi, un mēs varam tos izmantot, formulējot noteikumus, politikas, vadlīnijas, procedūras, un tad tas izpaužas kā zināšanas. Un gandrīz visas datorprogrammas, neatkarīgi no tā, ko tās dara, ir sava veida zināšanas, jo tās darbojas pret datiem un piemēro tiem noteikumus. Mums ir šie trīs slāņi, un starp slāņiem notiek arvien pilnveidošanās. Un šīs diagrammas kreisajā pusē tiek parādīts, ka tiek ievadīti jauni dati, tāpēc liela daļa no šīm lietām ir statiska. Dati tiek uzkrāti, informācija uzkrājas, un potenciāli pieaug zināšanas. Augšpusē mums ir “izpratne”, un, kaut arī tas ir filozofisks arguments, es turpinātu apgalvot, ka izpratne ir tikai cilvēkiem. Ja es par to kļūdos, tad kādā brīdī mūs visus aizstās datori. Bet tā vietā, lai diskutētu, es pārietu pie nākamā slaida.
Kad es paskatījos uz šo interesanto lietu, tas ir kaut kas nesens, interesanti bija mēģināt izdomāt, kas patiesībā ir analītika. Visbeidzot, uzzīmējot dažādas diagrammas un beidzot ar tādu, kas izskatījās šādi, es nonācu pie secinājuma, ka faktiski analītikas izstrāde patiešām ir tikai programmatūras izstrāde ar šausmīgu matemātisko formulu daudzumu. Analītiskā izpēte nedaudz atšķiras no programmatūras izstrādes tādā nozīmē, ka jūs faktiski izmantotu daudzus, dažādus modeļus un izpētītu tos, lai iegūtu jaunas zināšanas par datiem. Bet, kad esat to ģenerējis, tas tiek ieviests vai nu manā uztverē kā pasīvs lēmumu atbalsts, tas ir, informācija, kas vienkārši ir paēdusi lietotāju; interaktīvs lēmumu atbalsts, kas ir tādas lietas kā OLAP, kur lietotājam tiek sniegts strukturēts datu kopums, kuru viņi var izpētīt un secināt paši, izmantojot dažādus pieejamos rīkus. Ļoti daudz vizualizācijas ir tādas. Un tad mums ir automatizācija, ja jūs varat pārveidot apkopoto analītisko ieskatu par noteikumu kopumu, ko var ieviest, jums nav obligāti jāiesaistās cilvēkam. Tieši tā es uz to paskatījos, kad visu to izdarīju. Un man sāka parādīties dažādas lietas. Pēc darbības jomas, teiksim, tiklīdz datu domēns ir faktiski iegūts, rūpīgi izrakts, rūpīgi izpētīts visos iespējamos virzienos, galu galā tas vienkārši kļūst par izkristalizētu BI. Izgudrotās zināšanas sāk kļūt par zināšanām, kas dažādos veidos informē dažādus lietotājus, un, cerams, palielina viņu iespējas reāli veikt darbu, ko viņi dara.
Viena no lietām, ko es pamanīju un apmēram piecus gadus esmu apskatījis prognozējošo analītiku, bet jutīgā analītika kļūst par BI tādā nozīmē, ka tā vienkārši pārvēršas noderīgā informācijā, lai pabarotu cilvēkus, un, kā es jau norādīju, tur ir automatizēta BI pārskatu sniegšana, BI izpēte, BI, ļoti dažādas tā gradācijas, un paredzamā analītika faktiski notiek visos trīs virzienos. Un analītiskais process, kā es norādīju, neatšķiras no programmatūras izstrādes, to vienkārši veic dažādi cilvēki ar nedaudz atšķirīgām prasmēm. Es domāju, ka man jāuzsver, ka prasmēm, kas vajadzīgas patiešām laba datu zinātnieka iegūšanai, nepieciešami gadi. Viņus nav viegli iegūt, un to nevar izdarīt liels skaits cilvēku, bet tas ir tāpēc, ka matemātika ir jāsaprot ļoti sarežģītā līmenī, lai zinātu, kas ir derīgs un kas nav derīgs. Analītikas attīstība, jaunu zināšanu atklāšana, analītikas implantācija - tas ir, lai šīs zināšanas darbotos. Tas ir tāds fons, kādu es redzu visai analītikai. Tā ir milzīga teritorija, un tai ir daudz, daudz dimensiju, bet es domāju, ka vispārinājums attiecas uz visu.
Pēc tam notiek uzņēmējdarbības pārtraukšana, kā es minēju, ka ir vairākas organizācijas, farmācijas uzņēmumi ir vēl viena, kuru DNS ir viņu analītika. Bet ir daudzas organizācijas, kurām to nav savā DNS, un tagad tām ir iespējas, tagad programmatūra un aparatūra ir daudz lētāka nekā agrāk, tagad viņiem ir iespēja to izmantot. Es teiktu, ka vairākas lietas. Pirmkārt, analītika daudzos gadījumos ir R&D. Jūs, iespējams, izmantojat analītiku tikai noteiktā organizācijas apgabalā, un varētu šķist ikdienišķs, ka jūs vienā vai otrā veidā analizējat klienta pasūtījumus no dažādiem aspektiem, apvienojot to ar citiem datiem. Bet analītika faktiski rada iespēju aplūkot organizāciju kopumā un diezgan daudz analizēt visas konkrētās aktivitātes, kas notiek organizācijā, un veselas darbību ķēdes. Bet, kad jūs faktiski pāriesit uz šo jomu, es apgalvotu, ka tā ir izpēte un attīstība. Un tur ir pāris reizes uzdots jautājums, kas ir “Cik uzņēmumam vajadzētu tērēt analītikai?” Un es domāju, ka labākais veids, kā domāt par atbildes sniegšanu, ir domāt par analītiku kā R&D , un vienkārši jautājiet: “Cik jūs tērētu pētniecībai un attīstībai uzņēmējdarbības efektivitātes jomā?”
Un uzņēmumiem, kas nesniedz analītiku, ir daudz lietu, ko viņi nezina. Pirmkārt, viņi nezina, kā to izdarīt. Parasti, ja viņi vienā vai otrā veidā faktiski izvēlas analītiku organizācijā, viņiem tiešām nav daudz iespēju, kā vien konsultēties, kas viņiem var palīdzēt, jo lielākajai daļai tas būtu neiespējami vai tiešām ļoti grūti. uzņēmumiem faktiski nolīgt datu zinātnieku, atrast vienu, samaksāt par vienu un patiesībā uzticēties viņiem darīt to, ko vēlaties. Ļoti grūti. Lielākā daļa uzņēmumu nezina, kā pieņemt darbā vai izglītot darbiniekus, lai faktiski veiktu šo darbu, un iemesls tam ir vienkārši tas, ka tas vēl nav viņu DNS, tāpēc tas neietilpst viņu dabiskajos biznesa procesos. Tas tiek ņemts vērā nākamajā punktā. Viņi nezina, kā to padarīt par biznesa procesu. Labākais veids, kā to izdarīt, starp citu, ir nokopēt tos farmācijas uzņēmumus un apdrošināšanas kompānijas, kas izskatās, un dažus veselības aprūpes centra uzņēmumus, vienkārši paskatīties, kā viņi izmanto analītiku un kopēt. Jo tas ir biznesa process. Nezinu, kā to policizēt vai revidēt. Tas tiešām, it īpaši tagad, kad šausmīgi daudz programmatūras uzņēmumu ir izveidojuši produktus, kas automatizē šausmīgi daudz analītikas. Revīzijas jautājums ir svarīgs, ja uz vietas ir kāds konsultants vai kāds, uz kuru var paļauties, lai saprastu, kādi ir jebkura analītiskā aprēķina rezultāti, tā ir sava veida izvēle, kas jums jāizdara, bet, ja jūs ieliekat patiešām jaudīgus analītiskos rīkus to cilvēku rokās, kuri nepareizi izprot analītiku, viņi, visticamāk, pārlēksies uz secinājumiem, kas varētu būt nepareizi. Un kā jau teicu, uzņēmumi nezina, kā tam paredzēt budžetu.
Šīs ir analītikas garšas, es tās vienkārši apskatīšu. Statistiskā analītika un statistiskā modelēšana ievērojami atšķiras no paredzamās analītikas, lielākoties starp tām - līknes. Mašīnmācīšanās atšķiras no šīm lietām, ceļu analīze un laika rindas, kas pamatā tiek veiktas statusa straumēs, atkal ir atšķirīgas. Grafikas analītika atkal ir atšķirīga, un analītika un semantiskā analītika atkal ir atšķirīga. Tas tikai norāda, ka šī ir ļoti vairāku žanru lieta. Tā nav, jūs nesācat veikt analītiku, jūs sākat aplūkot radušās problēmas un meklējat dažādus analītikas rīkus un dažādas garšas, kas tām būs piemērotas. Un visbeidzot - neto tīkls. Aparatūras un programmatūras attīstības dēļ, manuprāt, analītika ir sākuma stadijā. Vēl ir daudz, vēl daudz kas cits, un mēs to redzēsim nākamajos gados. Es domāju, ka tagad varu nodot bumbu Dezam.
Dez Blanchfield: Jā, runājiet par smago rīcību, kas jāievēro, Robin. Es īsumā apmeklēšu šo tēmu no viena no maniem iecienītākajiem leņķiem, kas ir cilvēka leņķis. Ikdienā notiek tik daudz pārmaiņu. Viens no lielākajiem traucējumiem mūsu ikdienas dzīvē, kas, manuprāt, šobrīd ir tikai ikdienas darbs. Atgriešanās darbā un mēģinājums veikt darbu, kas jums algots, un pieaugošās cerības, ka pārejat no ikdienas cilvēka uz supervaroni, un informācijas daudzums, kas plūst ap organizācijām un izstaro ļoti, ļoti ātri, tas ir nopietns izaicinājums, un arvien vairāk mums ir jāsniedz arvien labāki rīki cilvēkiem, lai mēģinātu tikt galā ar zināšanu un informācijas plūsmu, un tāpēc es nodomāju, ka mēģināšu to paveikt no mazliet jautra leņķa. . Bet vienmēr mani uztrauc tas, kā mēs esam ieguvuši tik lielu prātu vai zibspuldzes utt., Kas ir kaut kas tāds, kas mūs virza uz priekšu, par kuru mēs runājam kā analītika, bet patiesībā tas, par ko mēs runājam, ir informācijas pieejamība cilvēkiem ļaujot viņiem ar to mijiedarboties un darīt to tā, lai tas būtu dabiski un tas justos normāli.
Un patiesībā tas man atgādina YouTube videoklipu, kurā redzams mazs bērns, mazs bērniņš, kurš sēž uz grīdas, un tas tur sēž, spēlējoties ar iPad, un tas paslīd apkārt un satver un izspiež un pārvieto attēlus un spēlē ar ekrānu, tur esošie dati. Un tad vecāks atņem iPad un ievieto bērna klēpī žurnālu, ed žurnālu. Un šis bērns, iespējams, nav vecāks par diviem gadiem. Bērns sāk mēģināt vilkt ar žurnāla ekrānu, saspiež un izspiež, un žurnāls nereaģē. Bērns paceļ pirkstu uz augšu un paskatās uz to un domā: “Hmm, es nedomāju, ka mans pirksts darbojas”, un viņš ieliek sevi rokā un domā: “Ai nē, es strādāju ar pirkstu, un es jūtu, ka es roku un izskatās labi, ”un tas izmaina pirkstu, un pirksts savelko un reaģē. Jā. Tad tas mēģina vēlreiz mijiedarboties ar žurnālu, un zemu, un redzi, ka tas nespiež un nespiež un ritina. Tad viņi nogādā žurnālu un ievieto iPad klēpī, un pēkšņi šī lieta darbojas. Un tā, lūk, bērns, kurš nāk līdzi un ir apmācīts izklaides nolūkos izmantot analītisko vai tiešraides straumēšanas rīku, un tas nevar noteikt, kā žurnālam vajadzētu darboties un kā pārvērst lapas.
Un tas pats par sevi ir interesants jēdziens. Bet, domājot par zināšanām, kas pārvietojas pa organizācijām, kā arī par to, kā notiek datu plūsma un veids, kā cilvēki uzvedas, es bieži domāju par šo koncepciju par to, ko cilvēki ir iemācījušies kļūt par zibspuldzi, kas ir notikums, kur un kuru veido sociālie mediji to ir vēl vieglāk izdarīt, ideja kā tāda, kas šajā laikā, datumā un darbībā ir doties uz šo vietu, vai arī noskatīties šo video un iemācīties šīs dejas, vai arī nēsāt šo krāsaino cepuri un pulksten vienu rādīt uz ziemeļiem. Un jūs to izstumjat caur savu tīklu, un vienmēr vesela slodze cilvēku, simtiem no viņiem, parādās vienā un tajā pašā vietā vienlaikus un dara to pašu, un tur ir šis wow faktors, piemēram, “Svētā govs, tas bija tiešām iespaidīgi! ”Bet patiesībā tā ir patiešām vienkārša ideja un vienkārša koncepcija, kas vienkārši tiek izstumta caur mūsu tīkliem, un mēs iegūstam šo rezultātu, kas ir vizuāli satriecoši un dzirdami iespaidīgi. Un, domājot par organizāciju, veidu, kā mēs vēlamies cilvēku uzvedību, un veidu, kā mēs vēlamies, lai viņi rīkotos ar informācijas sistēmām un klientiem, tas bieži vien ir tik vienkārši, tā ir ideja vai koncepcija, vai kultūras vai uzvedības iezīme, kuru mēs cenšamies nodot izmantojot instrumentus un informāciju, un dot viņiem iespēju.
Un visa šī mantru, kas man ir bijusi vairāk nekā divarpus gadu desmitus, pamatā ir tas, ka, ja jūsu darbinieki nevar atrast nepieciešamo darbu veikšanai, neatkarīgi no tā, vai tas ir rīki vai informācija, vienmēr viņi izgudros riteni. Un tas ir arvien pieaugošs izaicinājums tagad, kad mēs esam ieguvuši daudz zināšanu, daudz informācijas un lietu, kas ļoti ātri virzās uz priekšu, ka mēs vēlamies apturēt cilvēkus no jauna izgudrot riteni. Un, domājot par savu darba vidi, atgriežoties pie cilvēku redzesloka, kas ir viens no maniem iecienītākajiem, es biju pārsteigts, kad mēs bijām pārsteigti, ka kabīnes nebija labvēlīga vide labiem rezultātiem vai arī mēs salikām lietas šādi kā šausminoši bildes šeit, un tas nav daudz mainījies, vienkārši nolaida sienas un sauc tās par atvērtām darba vietām. Bet pa vidu ar dzelteno cilpu ap tām ir divi cilvēki, kas apmainās ar zināšanām. Un tomēr, ja paskatās uz pārējo istabu, viņi visi tur sēž, apzināti pļāpādami, ievietojot informāciju ekrānā. Biežāk nekā nav, apmainoties ar zināšanām un datiem, un tam ir dažādi iemesli. Bet, kad notiek mijiedarbība grīdas vidū pa kreisi, dzeltenajā lokā, tur divi čatā dodas, apmainās ar zināšanām un, iespējams, mēģina kaut ko atrast, mēģinot pateikt: “Vai jūs zināt, kur ir šis ziņojums, kur es Var atrast šos datus, kādu rīku es izmantoju, lai izdarītu šo lietu? ”Un tas, iespējams, nedarbojās, tāpēc viņiem nekas nebija pieejams, un klīstot pa grīdu, pārkāpa kabīnes biroja telpu likumu un to darīja personīgi.
Un mums apkārt birojā ir bijusi līdzīga vide, kurā mēs jokojot jokojam, taču patiesībā viņi ir diezgan jaudīgi un efektīvi. Un viens no maniem favorītiem ir mobilā vai fiksētā analīzes platforma, ko sauc par ūdens dzesētāju, kur cilvēki tur pieceļas un čatā čatā apmainās ar zināšanām, salīdzina idejas un veic analītiku, stāvot pie ūdens dzesētāja, apmainās ar idejām. Tie ir ļoti spēcīgi jēdzieni, kad domājat par tiem. Un, ja jūs varat tos tulkot savās sistēmās un rīkos, jūs iegūsit pārsteidzošu rezultātu. Un mums ir visu laiku favorīts, kas būtībā ir biroja visspēcīgākais datu izplatīšanas centrs, kas citādi tiek dēvēts par reģistratūru. Un, ja jūs kaut ko nevarat atrast, kur jūs dodaties? Jūs ejat uz biroja priekšpusi un ejat uz reģistratūru un sakāt: “Vai jūs zināt, kur ir x, y, z?” Un es uzdrošinos kādam pateikt, ka viņi vismaz vienu reizi to nav izdarījuši jaunā darbu vai vienā brīdī, kad viņi vienkārši kaut ko nevar atrast. Un jums ir jājautā sev, kāpēc viņi tā ir? Tam vajadzētu atrasties kaut kur iekštīklā vai kādā rīkā, vai neatkarīgi no tā. Tam vajadzētu būt viegli atrodamam.
Un tāpēc, kad runa ir par datiem un analītiku, kā arī par rīkiem, kurus mēs saviem darbiniekiem esam nodrošinājuši, lai viņi varētu veikt savu darbu un veidu, kā cilvēki mijiedarbojas ar darbiem, man ir viedoklis, ka pirms nesenajiem analītisko rīku un lielo datu platformu parādīšanās , vai arī “datu apstrāde”, kā arī to dēvē vecajā skolā, atskaišu sagatavošana un zināšanu apmaiņa nebija tālu no dinamiskas, sadarbības vai atklātas, un, domājot par to, kāda veida sistēmām mēs sagaidām, ka cilvēki darīs savu darbu, mums bija klasiskā cilvēki mūs dēvē par mantojumu tagad, bet realitāte ir tāda, ka ir iegūts tikai mantojums, kas joprojām atrodas šeit, un tāpēc tas nav īsts mantojums. Bet tradicionālās HR sistēmas un ERP sistēmas - cilvēkresursu vadība, uzņēmuma resursu plānošana, uzņēmuma datu pārvaldība un sistēmas, kuras mēs izmantojam, lai pārvaldītu informāciju, lai vadītu uzņēmumu. Tas vienmēr tiek slīdēts.Un, sākot ar augšējo galu, vienkāršas platformas, piemēram, departamentu iekšējie tīkli, mēģina sazināties, kur atrodas lietas un kā tās iegūt, kā arī mijiedarboties ar zināšanām visā vietā. Mēs to parādām mūsu iekštīklā. Tas ir tikai tik labi, cik cilvēki, kas pieliek laiku un pūles, lai to tur ievietotu, pretējā gadījumā tas vienkārši paliek jūsu galvā. Vai arī jums ir dati, kas atrodas līdz galam pārtikas ķēdes apakšā, korporatīvajās SAN un viscaur, kas atrodas starp tiem, tāpēc glabāšanas zonas tīkli ir pilni ar failiem un datiem, bet kas zina, kur tos atrast.
Biežāk nekā nav, mēs esam izveidojuši šīs slēgtās datu platformas vai slēgtās sistēmas, un tāpēc cilvēki ir atgriezušies pie iecienītākajām izklājlapām un PowerPoints, lai apmainītos ar informāciju visā vietā. Bet, manuprāt, nesen notika kāda interesanta lieta, un tas bija tas, ka mobilās ierīces un internets kopumā darbojas ar domu, ka lietas patiesībā varētu būt labākas. Un galvenokārt patērētāja telpā. Un tas ir interesanti, ka ikdienas dzīvē mums sāka parādīties tādas lietas kā internetbanka. Mums nebija fiziski jādodas uz faktiski banku, lai mijiedarbotos ar viņiem, mēs to varējām izdarīt pa tālruni. Sākotnēji tas bija neveikls, bet tad parādījās internets, un mums bija vietne. Jūs zināt, un cik reizes jūs pēdējā laikā faktiski esat bijis bankā? Patiesībā es to nevaru, jau otro dienu man bija par to saruna, un es faktiski neatceros, kad pēdējo reizi devos uz savu banku, kuru biju diezgan šokā, es domāju, ka man jāspēj to atcerēties, bet tas bija tik ilgs atpakaļ es faktiski neatceros, kad tur devos. Tātad mums tagad ir rokā šie sīkrīki mobilo un tālruņu, planšetdatoru un klēpjdatoru veidā, mēs esam ieguvuši tīklus un piekļuvi rīkiem un sistēmām, kā arī patērētāja telpu, kurā esam iemācījušies, ka lietas var būt labāk, bet tāpēc, ka Tā kā strauji mainījās patērētāju telpa, kas ir daudz letarģiskākas un ledāju pārmaiņas uzņēmumā un vidē, mēs ne vienmēr esam pieņēmuši šīs izmaiņas ikdienas darba dzīvē.
Un man ļoti patīk izklaidēties par to, ka jūs nevarat tiešraidē straumēt datus drukātā veidā. Šajā attēlā redzams, ka sēž cilvēks, kurš skatās kādu veiktu analītiku, un ir skaists grafiks, kuru ir izveidojis kāds, kuram, iespējams, ir samaksāts daudz naudas kā statistiķim vai aktuāram, un viņi tur sēž, cenšoties to izdarīt. analītiska informācija par drukātu kopiju un tās izlikšana. Bet šeit ir biedējoši: piemēram, šie cilvēki šajā sanāksmju telpā, un es to izmantošu kā piemēru, viņi mijiedarbojas ar datiem, kas tagad ir vēsturiski. Un tas ir tikpat vecs kopš brīža, kad šī lieta tika izgatavota un pēc tam rediģēta, tāpēc varbūt tas ir nedēļu vecs ziņojums. Tagad viņi pieņem lēmumus ne tikai par sliktiem datiem, bet ar veciem datiem, kas vienmēr var būt slikti dati. Viņi šodien pieņem lēmumu, pamatojoties uz kaut ko vēsturisku, kas ir patiešām slikta vieta, kur atrasties. Mums izdevās aizstāt šo drukāto versiju ar planšetdatoriem un tālruņiem, jo mēs ļoti ātri strādājām pie patērētāja telpas, un tagad mēs to esam izstrādājuši uzņēmuma telpā, ka reālais laiks ir ieskats ir reālā laika vērtība.
Un mums tas kļūst arvien labāk. Un tas noved pie tā, ka Robins izvirzīja jau iepriekš, tas bija pilsoņu datu zinātnieka jēdziens un šīs koncepcijas virzītājspēks. Manuprāt, pilsoņu datu zinātnieks ir vienkārši regulāri cilvēki, kuriem ir piemēroti rīki un informācija par iPad. Viņiem nav jādara matemātika, viņiem nav jāzina algoritmi, viņiem nav jāzina, kā pielietot algoritmus un kārtulas datus, viņiem vienkārši jāzina, kā izmantot saskarni. Un tas atgriežas pie mana iepazīstināšanas un mazuļa koncepta, kurš tur sēž ar iPad, salīdzinot ar žurnālu, salīdzinot ar iPad. Toddler var ļoti ātri, intuitīvi iemācīties izmantot iPad interfeisu, lai ienirt informācijā un mijiedarboties ar to, kaut arī varbūt spēle vai straumējošs multivide vai video. Bet no žurnālu joslas un tikai mirgojošas lapas pēc lapas nevar saņemt tādu pašu reakciju vai mijiedarbību, kas nav īpaši saistoši, it īpaši, ja jūs esat mazulis, kurš ir audzis ar iPad. Vienmēr cilvēki var ļoti ātri meklēt un iemācīties vadīt rīkus un lietas, kuras mēs vienkārši nodrošinām un ja mēs tām nodrošinām tādu saskarni kā mobilās ierīces un it īpaši planšetdatorus un viedtālruņus ar pietiekami lieliem ekrāniem, un it īpaši, ja jūs varat mijiedarboties. pēkšņi jūs iegūstat šo pilsoņu datu zinātnieka jēdzienu.
Kāds, kurš var izmantot datu zinātni, izmantojot pareizos rīkus, bet faktiski nav jāzina, kā to izdarīt. Un, manuprāt, to daudz, kā jau teicu, virzīja patērētāju ietekme, kas pārcēlās un pārveidojās par pieprasījumu un uzņēmējdarbību. Pāris patiešām ātri piemēri. Mēs, daudzi no mums, sāktu nodarboties ar saviem emuāriem un vietnēm, piemēram, ievietot mazās reklāmās vai aplūkot izsekošanu un pārvietošanos, mēs izmantojām tādus rīkus kā Google Analytics, un mēs bijām pamodināti, ka savos emuāros un mazajās vietnēs , mēs tur varētu ievietot nedaudz koda bitu, un Google sniegtu mums reāllaika ieskatu par to, kurš, kad un kur apmeklē vietni. Un reālā laikā mēs faktiski varētu redzēt, kā cilvēki nokļūst vietnē, iziet cauri lapām un pēc tam pazūd. Un tas bija diezgan pārsteidzoši. Es to joprojām mīlu darīt, mēģinot izskaidrot reāllaika analītiku cilvēkiem, es to mēdzu vienkārši parādīt viņiem vietni, kurā ir pievienots Google Analytics, un patiesībā redzu tiešo mijiedarbību ar cilvēkiem, kas sit vietnēs, un jautāju viņiem: “Iedomājieties, ja jums bija šāda veida ieskats jūsu biznesā reālā laikā. ”
Ņemiet mazumtirdzniecības piemēru un varbūt farmāciju, es domāju, ka jūs to saucat par Amerikas zāļu veikalu, aptieku, kurā ieejat un pērkat visu, sākot no galvassāpju tabletēm un beidzot ar saules krēmu un cepurēm. Mēģināt vadīt šo organizāciju bez reālā laika informācijas ir biedējošs jēdziens, tagad mēs zinām, ko zinām. Piemēram, jūs varat izmērīt satiksmi kājām, varat izvietot ierīces ap veikalu ar smaidošu seju vienā ekrāna pusē, jo esat laimīgs, un neapmierināts sarkans labajā labajā pusē un daži dažādi toņi pa vidu. Mūsdienās ir izveidota platforma ar nosaukumu “Laimīgs vai nē”, kurā ieejat veikalā un varat sasit laimīgu vai skumju seju atkarībā no jūsu tiešajām klientu uzskatiem. Un tas var būt interaktīvs ar reālo laiku. Jūs varat saņemt uz pieprasījumu balstītu cenu noteikšanu. Ja tur ir daudz cilvēku, jūs varat nedaudz paaugstināt cenas, kā arī veikt krājumu pieejamību un, piemēram, pateikt cilvēkiem - piemēram, aviokompānijas cilvēkiem paziņos, cik vietas tagad ir pieejams vietnē, kad jūs Rezervējot lidojumu, jūs ne tikai nejauši piezvanāt un cerat, ka varēsit atgriezties un saņemt lidojumu. Aktīvi HR dati, jūs varat pateikt, kad cilvēki pulksteņus ieslēdz un pārtrauc. Iepirkums: ja jūs veicat iepirkumu un esat ieguvis tiešos datus, varat veikt tādas darbības kā stundu gaidīt un riskēt ar ASV dolāra cenu, lai nopirktu nākamo krājumu un parādītu kravas kravas.
Kad es rādu cilvēkiem Google Analytics un pārnesu šāda veida anekdoti, šo eureka mirkli, šo “a-ha!” Mirkli, šī spuldzīte izdziest viņiem prātā, piemēram: “Hmm, es redzu daudz vietas, kur es to varētu izdarīt. . Ja man būtu tikai rīki un ja man būtu piekļuve šīm zināšanām. ”Un mēs to tagad redzam sociālajos medijos. Ikviens, kas ir lietpratīgs sociālo mediju lietotājs, nevis tikai rāda savu brokastu attēlus, mēdz aplūkot, cik daudz patīk un cik daudz trafika viņi saņem, un cik daudz draugu viņi iegūst, un viņi to dara ar patīk, piemēram, kā analītiskais rīks. Varat doties uz .com, lai izmantotu šo rīku, bet, ierakstot Google Analytics dot com vai noklikšķinot uz augšējās labās pogas, izvēlni nolaižot un to izdarot, tiek parādīti šie glīti, dzīvi grafiki, kas norāda, cik tweets jūs darāt pats un cik daudz mijiedarbības ar viņiem notiek. Un reāllaika analītika tikai jūsu personīgajos sociālajos medijos. Iedomājieties, ja mums patiktu Google Analytics un LinkedIn, un eBay statistika nāk pie jums, bet jūsu darba vidē.
Tagad mums ir pieejams tieša veida tīmeklis un mobilais tālrunis, un tas kļūst par enerģijas jēdzienu. Un tas ļauj man izdarīt secinājumus, un tas ir tas, ka vienmēr esmu secinājis, ka organizācijas, kuras priekšlaicīgi izmanto instrumentus un tehnoloģijas, tās iegūst tik ievērojamas priekšrocības salīdzinājumā ar konkurentiem, ka konkurenti faktiski nekad nevar panākt. Un mēs to redzam tagad ar pilsoņu datu zinātnieka konfliktu. Ja mēs varam piesaistīt cilvēkus ar prasmēm, zināšanām, kādus mēs viņiem nolēmām, un mēs varam dot viņiem pareizos rīkus, īpaši spēju redzēt reāllaika datus un atklāt datus un zināt, kur tas atrodas, nestaigājot pa kabinetiem un uzdodiet jautājumus skaļi, dodoties un stāvam pie ūdens dzesētāja, lai veiktu salīdzinošu analīzi ar cilvēkiem, vai arī jautājiet reģistratūrai, kur ir indekss. Ja viņi to var izdarīt pa rokai un var aizvest uz tikšanos ar viņiem un sēdēt sēžu zālē, reāllaikā švīkājot caur ekrāniem, nevis drukājot, pēkšņi mēs esam pilnvarojuši darbiniekus, kuriem nav jābūt faktiskiem. datu zinātniekiem, bet faktiski izmantot datu zinātni un radīt pārsteidzošus rezultātus organizācijām. Un es domāju, ka šis pavērsiens, kuru mēs patiesībā esam pagājuši, kad patērētājs tiek virzīts uzņēmējdarbībā, ir izaicinājums tam, kā mēs nodrošinām šo uzņēmumu, un tā ir tēma, par kuru, manuprāt, šodienas diskusijās. Un līdz ar to es gatavošos ietīt savu darbu un nodot, lai dzirdētu, kā mēs to varētu atrisināt. Dāvids, tev pāri.
Deivids Šmēdors: Labi, labi, paldies tik daudz puišiem, un paldies Robinam. Jūs zināt, Robin, es piekrītu jūsu sākotnējam vērtējumam. Analītiskais process faktiski neatšķiras no programmatūras izstrādes. Es domāju, ka izaicinājums organizācijā ir patiešām tiešām, jūs zināt, varbūt lietas nav tik labi definētas, iespējams, ka tai ir kāds izpētes elements un radošs komponents. Un Dez, jūs zināt, es jums piekrītu, ka ir daudz jāizgudro ritenis, un jūs zināt, ka nav organizācijas, kurā es šodien ietu, jūs apšaubāt, kāpēc jūs to darāt šādā veidā? Kāpēc bizness notiek šādā veidā? Tas ir viegli apšaubāms, un daudzas reizes, kad atrodaties organizācijā, ir grūti mainīt. Man patīk analoģija, lietu patērēšana. Un tā vairs nav, kad dodos uz lidostu un gribu mainīt savu vietu - es to daru savā mobilajā telefonā. Man nav jādodas pie aģenta pie kabīnes un 15 minūtes jānoskatās, kā aģents melnbaltajā monitorā kaut ko ievada, lai mainītu manas vietas piešķiršanu. Es labprātāk to daru pa tālruni, un tāpēc tā ir interesanta attīstība.
Šodien mēs mazliet runāsim par kolektīvo inteliģenci. Tiem, kuri nezina, Statistica ir progresīvas analīzes platforma, kas darbojas jau vairāk nekā 30 gadus. Apskatot kādu no analītiķu nozares publikācijām, tā vienmēr ir viena no vis intuitīvākajām un ērti lietojamajām uzlabotās analītikas programmatūras pakotnēm. Tāpēc mēs pēdējos gadus esam pavadījuši, izstrādājot koncepciju, ko sauc par kolektīvo intelektu, un mēs to pārceļam uz nākamo līmeni. Es gribēju sākt šo sarunu ar: kā jūsu organizācijā tiek paveikts darbs?
Un šeit ir divi attēli. Kreisajā pusē ir 1960. gadu attēls, un 60. gados es neuzsāku savu karjeru, bet labajā pusē ir attēls - tā ir pusvadītāju rūpnīca, kurā es sāku strādāt. Un es strādāju tajā melnajā ēkā, melnā jumta augšējā kreisajā stūrī. Bet viņi izgatavoja pusvadītāju lietas. Šis ir nesenais Google attēlu attēls. Bet, atgriežoties pie 1960. gadu attēla kreisajā pusē, tas ir ļoti interesanti. Jums šie cilvēki sēž rindā, un viņi, jūs zināt, veido integrētās shēmas un pusvadītājus. Bet ir standartizācija, ir standarta veids, kā rīkoties, un tur bija precīzi noteikts process. Jūs zināt, iespējams, tā kā visi šie cilvēki sēž atklātā vidē, varbūt bija kāda sadarbība. Es domāju, ka zināšanu darbaspēkā mēs to esam mazliet zaudējuši.
Kad es sēdēju ēkas augšējā kreisajā stūrī, ja es gribēju sadarboties ar kādu, tā nebija atvērta. Tur bija šie biroji, iespējams, daļa komandas bija attālināti, vai varbūt man nācās pārcelties pāri šai pilsētiņai; tā bija 25 minūšu pastaiga, un man vajadzēja iet sarunāties ar kādu ēku labajā malā. Es domāju, ka mēs kaut ko pazaudējām pa ceļam. Un tāpēc, jūs zināt, man bija tāda pati doma, kāpēc cilvēki - cik daudz cilvēku jūsu organizācijā atkārtoti izgudro riteni? Es domāju, ka, jūs zināt, visas organizācijas 1990. un 2000. gados paveica labu darbu ar CRM un datu glabāšanu, kā arī zināmā mērā BI. Kādu iemeslu dēļ analītika ir nedaudz atpalikusi. Tika veikti ievērojami ieguldījumi datu glabāšanā, kā arī jūsu datu standartizēšanā un normalizēšanā, un tas viss, un CRM, bet analītika kaut kādu iemeslu dēļ ir atpalikusi. Un es domāju, kāpēc. Varbūt ir kāds radošs - varbūt jūsu process nav precīzi definēts, varbūt jūs nezināt, kādu lēmumu vai sviru jūs mēģināt pagriezt, jūs zināt, savā biznesā, lai mainītu lietas. Ja mēs šodien ieejam organizācijās, tad ļoti daudz cilvēku izklājlapās ļoti manuāli rīkojas.
Un jūs zināt, es šorīt apskatīju statūtu, es domāju, ka 80, 90 procentos izklājlapu ir kļūdas, un dažas no tām var būt ļoti nozīmīgas. Līdzīgi kā Vaļā, kur JPMorgan Chase izklājlapu kļūdu dēļ zaudēja miljardus un miljardus dolāru. Tāpēc man ir priekšstats, ka ir jābūt labākam paņēmienam. Un kā mēs minējām, mums ir šie datu zinātnieki. Šie puiši ir dārgi, un tos ir grūti atrast. Un dažreiz viņi ir mazliet nepāra pīle. Bet es domāju, ka, jūs zināt, ja man būtu jāapkopo datu zinātnieks, iespējams, tas ir kāds, kurš saprot datus. Es domāju, ka tas ir kāds, kurš saprot matemātiku, kāds, kurš saprot problēmu. Un tiešām, kāds, kurš var paziņot rezultātus. Un, ja jūs esat datu zinātnieks, tad šajās dienās jums ir ļoti paveicies, jo jūsu alga, iespējams, pēdējos gados ir dubultojusies.
Bet patiesību sakot, daudz organizāciju, viņiem nav šo datu zinātnieku, bet jūsu organizācijā ir gudri cilvēki. Jums ir organizācija, jums ir daudz gudru cilvēku, un viņi izmanto izklājlapas. Jūs zināt, ka statistika un matemātika nav viņu pamatdarbs, taču viņi izmanto datus biznesa virzīšanai. Patiešām, mūsu izaicinājums ir, kā jūs uzņematies, ja jums paveicas, ka jums ir datu zinātnieks vai statistiķis, vai divi, kā jūs tos varat pieņemt un kā jūs varat uzlabot sadarbību starp šiem ļaudīm un citas personas jūsu organizācijā? Ja apskatīsim veidu, kā mūsu struktūra ir uzbūvēta, es sākšu un došos no labās uz kreiso pusi. Un es zinu, ka tas ir atpakaļ, bet mums ir šī biznesa lietotāju līnija.
Šī ir lielākā daļa jūsu zināšanu darbinieku, un šiem ļaudīm savā biznesa lietojumprogrammā ir jāiekļauj analītika. Varbūt viņi sarunu centra ekrānā redz kādu analītisku rezultātu, un tas viņiem saka nākamo labāko piedāvājumu, ko dot klientam. Varbūt tas ir patērētājs vai piegādātājs tīmekļa portālā, un tas viņiem uzreiz piešķir kredītu vai tamlīdzīgas lietas. Bet ideja ir tāda, ka viņi patērē analītiku. Ja mēs ejam pa vidu, tie ir šie zināšanu darbinieki. Šie ir cilvēki, kas šodien veic darījumus ar izklājlapām, taču izklājlapas ir pakļautas kļūdām un kādā brīdī tām trūkst gāzes. Šie pilsoņu datu zinātnieki, kā mēs viņus saucam, jūs zināt, tas, ko mēs cenšamies darīt viņu labā, patiešām palielina automatizācijas līmeni.
Izmantojot analītiku, jūs dzirdat, ka 80 līdz 90 procenti darba ir datu sagatavošanas daļā, un tā nav faktiskā matemātika, bet tieši datu sagatavošana. Mēs cenšamies to automatizēt neatkarīgi no tā, vai jūs to darāt, un mums ir vedņi un veidnes un atkārtoti lietojamas lietas, un jums patiesībā nav jāzina par jūsu apkārtējās vides infrastruktūru. Un tad, ja mēs skatāmies uz kreiso malu, mums ir šie datu zinātnieki. Un tāpat kā es minēju, to trūkst. Un tas, ko mēs cenšamies darīt, lai padarītu tos produktīvākus, ir ļaut viņiem radīt lietas, ko šie pilsoņu datu zinātnieki var darīt. Padomājiet par to kā par Lego bloku, tāpēc šie datu zinātnieki var izveidot atkārtoti lietojamu aktīvu, ko pilsoņu datu zinātnieks var izmantot. Veidojiet to vienu reizi, tāpēc mums nav no jauna jāizgudro ritenis.
Tad arī šie puiši var uztraukties, vai mēs varam darīt lietas datu bāzē un izmantot esošās investīcijas tehnoloģijās, kuras jūsu uzņēmums ir veicis. Jūs zināt, ka mūsdienās nav jēgas sajaukt datus visā pasaulē. Tātad, ja mēs skatāmies uz Statistica, kā es minēju, tā ir platforma, kas darbojas jau diezgan ilgu laiku. Un tas ir ļoti inovatīvs produkts. Datu sajaukšana, nav bijis datu avotu, kam mēs nevarētu piekļūt. Mums ir visas datu atklāšanas un vizualizācijas lietas, kuras jūs varētu gaidīt; mēs to varam izdarīt reālajā laikā. Un tas droši vien ir - es domāju, ka programmatūras rīkā ir vairāk nekā 16 000 analītisko funkciju, tātad matemātikas ir vairāk nekā es jebkad varētu izmantot vai saprast, bet tas ir tur, ja jums tas ir nepieciešams.
Mums ir iespēja apvienot gan biznesa noteikumus, gan analītiskās darbplūsmas, lai patiešām pieņemtu lēmumu par uzņēmējdarbību. Jūs pārsniedzat tikai to, šeit ir algoritms, šeit ir aprakstīta darbplūsma, taču jums ir biznesa noteikumi, kas jums vienmēr ir jāievēro. Mēs esam ļoti droši pārvaldībā. Mūs izmanto daudzos farmācijas klientos, jo FDA mums uzticas. Jūs zināt, tikai pierādījums pudiņā, ka mums ir kontroles un revīzijas iespējas, lai viņi tos pieņemtu. Un, visbeidzot, jūs zināt, mēs esam atvērti, elastīgi un paplašināmi, tāpēc jums ir jāizveido tāda platforma, ka jūs vēlaties, lai jūsu datu zinātnieki būtu produktīvi, jūs vēlaties, lai jūsu pilsoņu datu zinātnieki būtu produktīvi, jūs vēlaties, lai varētu izmantot šo analītisko rezultātu darbiniekiem jūsu organizācijā.
Ja to aplūkosim, šeit ir parādīts dažu vizualizāciju piemērs. Bet tāpēc, ka mēs varam izplatīt savu analītisko rezultātu biznesa līnijas lietotājiem, tāpēc pirmais piemērs kreisajā pusē ir tīkla analītiskā diagramma. Varbūt jūs esat krāpšanas izmeklētājs, un jūs nezināt, kā šie savienojumi tiek izveidoti, un tie var būt cilvēki, tie var būt subjekti, tie var būt līgumi, viss, kas patiešām ir. Bet ar to var manipulēt ar peli un ar to mijiedarboties, lai tiešām saprastu - ja esat krāpšanas izmeklētājs, lai saprastu prioritāru sarakstu ar personām, kurām jāmeklē izmeklēšana, vai ne, jo jūs nevarat runāt ar visiem, tāpēc jums ir noteikt prioritāti.
Ja mēs skatāmies uz attēlu labajā pusē, lai iegūtu paredzamās tehniskās apkopes informācijas paneli, tā ir patiešām interesanta problēma. Varbūt jūs esat lidostas īpašnieks, un jums ir šie ķermeņa skeneri. Šie ķermeņa skeneri, ja jūs dodaties uz lidostu, tur ir daži komponenti, kuru derīguma termiņš ir aptuveni deviņi mēneši. Un šīs lietas ir tiešām, tiešām dārgas. Ja manā lidostā ir vairāki ieejas punkti, vairāki skeneri, numur viens es vēlos pārliecināties, vai man ir atbilstoši darbinieki ar visiem vārtiem, un es negribu pasūtīt arī tos komponentus, kas atrodas skeneros. agri, un es vēlos, lai viņi būtu, pirms tas sabojājas. Mēs, iespējams, ja jums pieder lidosta, mēs varam paredzēt, kad šīs lietas pārtrūks, un paredzēt personāla līmeni.
Ja mēs skatāmies uz apakšējo labo pusi, tas ir, ja atrodaties ražošanas vidē, tas ir tikai grafisks ražošanas plūsmas attēlojums. Tas ir nedaudz grūti pamanāms, taču šajos dažādajos procesu sektoros ir sarkans un zaļš luksofors, un tāpēc, ja es esmu inženieris, tur notiek ļoti sarežģīta matemātika, taču es varu iedziļināties šajā konkrētajā procesa nozarē un aplūkot parametrus un ievadi, kas, iespējams, izraisa tā nekontrolēšanu. Ja paskatāmies uz mūsu pilsoņu datu zinātnieku, mūsu mērķis patiešām ir padarīt to vieglu pilsoņu datu zinātniekam. Mums ir vedņi un veidnes, un viena lieta, manuprāt, ir patiešām interesanta, vai mums ir šis automatizētais datu veselības pārbaudes mezgls. Un tiešām, ko tas dara, tam ir iebūvēti smuki.
Es pieminēju datu sagatavošanu - tas prasa daudz laika, gan datu apkopošanā, gan sagatavošanā. Bet pieņemsim, ka man ir mani dati, es to varu palaist caur šo datu veselības pārbaudes mezglu, un tas pārbauda invarianci, retumu un novirzes, un visas šīs lietas aizpilda trūkstošās vērtības un to ļoti daudz matemātikā Es nesaprotu, tāpēc es vai nu varu pieņemt noklusējumus, vai arī, ja esmu mazliet gudrāks, es tos varu mainīt. Bet jēga ir tāda, ka mēs vēlamies šo procesu automatizēt. Šī lieta veic apmēram 15 dažādas pārbaudes un iznākumus tīrā datu kopā. Tas, ko mēs darām, atvieglo cilvēkiem šo darba plūsmu izveidi.
Šeit mēs runājam par datu zinātnieku un pilsoņu datu zinātnieku sadarbību. Ja mēs skatāmies uz šiem attēliem labajā pusē, mēs redzam šo datu sagatavošanas darbplūsmu. Un varbūt tas ir ļoti sarežģīti, varbūt šī ir jūsu uzņēmuma slepenā mērce, es nezinu, bet mēs zinām, ka kāds no jūsu organizācijas pārstāvjiem var piekļūt vienam vai vairākiem no šiem datu tvertnēm, kas mums ir. Mums ir nepieciešams veids, kā numur viens, tos satvert un salīmēt kopā, un numur divi, varbūt ir kāda īpaša apstrāde, ko mēs vēlamies darīt, ka tas ir ārpus mūsu datu veselības pārbaudes un tā ir jūsu uzņēmuma slepenā mērce. Es varu izveidot šo darbplūsmu mūsu organizācijā, un tā sabrūk kā mezgls. Jūs redzat bultiņu vērstu uz leju, tas ir tikai mezgls, un mums organizācijā var būt simts šādu lietu. Ideja ir tāda, ka mums ir cilvēki, kas kaut ko zina par noteiktu telpu, viņi var izveidot darbplūsmu, un kāds cits to var izmantot atkārtoti. Mēs cenšamies samazināt riteņa izgudrošanu līdz minimumam.
Un to pašu mēs varam darīt arī ar analītiskās modelēšanas darbplūsmām. Šajā gadījumā labajā pusē šī darbplūsma, iespējams, ir 15 dažādi algoritmi, un es vēlos izvēlēties uzdevumam labāko. Un man kā pilsoņu datu zinātniekam nav jāsaprot, kas notiek tajā zirnekļa tīkla sajukumā, bet tas vienkārši sabrūk mezglā, un varbūt šis mezgls vienkārši saka: “aprēķini kredītriska rezultātu”. “Aprēķini iespēju infekcijas vietas ķirurģiskā vietā, ”kas jums ir. “Aprēķiniet varbūtību, ka kaut kas būs krāpniecisks darījums.” Kā pilsoņu datu zinātnieks es varu izmantot šo ļoti sarežģīto matemātiku, ko ir izveidojis kāds cits, varbūt kāds no šiem datu zinātniekiem ir izveidojies manā organizācijā.
No datu zinātnes viedokļa, jūs zināt, esmu runājis ar datu zinātniekiem, kuriem patīk rakstīt kodu, un esmu runājis ar datu zinātniekiem, kuri ienīst koda rakstīšanu. Un tas ir labi, tāpēc mums ir ļoti vizuāla, grafiska lietotāja saskarne. Mēs varam satvert mūsu datus, mēs varam veikt mūsu automātisko datu veselības pārbaudi, un varbūt es gribu uzrakstīt kodu. Man patīk Python, man patīk R, bet ideja ir tāda, ka šie datu zinātnieki viņiem ir nepietiekami, un viņiem patīk kods noteiktā valodā. Mums nav īpaši vēlama valoda, kurā vēlaties kodēt, tāpēc, ja vēlaties veikt R, dariet R; ja vēlaties darīt Python, dariet Python. Tas ir lieliski. Ja vēlaties izkliedēt savu analītiku Azure, pārsūtiet to uz mākoni. Un tāpēc mērķis šeit patiešām ir piedāvāt elastīgumu un iespējas, lai jūsu datu zinātnieki būtu pēc iespējas produktīvāki.
Tagad datu zinātnieki ir diezgan gudri cilvēki, bet varbūt viņi nav speciālists visā, un varbūt ir kādas nepilnības, ko viņi var darīt. Un, ja jūs skatāties šajā nozarē, tur pastāv daudz dažādu analītisko tirgu. Šis ir piemērs, varbūt man ir jādara attēlu atpazīšana, un man šīs prasmes nav, labi, ka varbūt es dodos uz algoritmu un iegūstu attēla atpazīšanas algoritmu. Varbūt es dodos uz Apervita un iegūstu ļoti īpašu veselības aprūpes algoritmu. Varbūt es gribu kaut ko izmantot Azure mašīnmācīšanās bibliotēkā. Varbūt es vēlos kaut ko izmantot dzimtajā Statistica platformā.
Atkal ir ideja, ka mēs vēlamies izmantot globālās analītikas kopienu. Tā kā jums nebūs visu četru sienu prasmju, tad kā mēs varam izveidot programmatūru - un to mēs arī darām -, kas ļauj jūsu datu zinātniekiem izmantot algoritmus no dažādām tirdzniecības vietām. Mēs to jau sen darām ar R un Python, taču tas tiek attiecināts arī uz šiem tur esošajiem lietotņu tirgiem. Un to pašu, ko redzat šeit, mēs Spark lietojam H2O, tāpēc tur ir daudz analītisko algoritmu. Jums nav jākoncentrējas uz to izveidi no nulles, atkārtoti izmantosim tos, kas dzīvo atvērtā koda kopienā, un mēs vēlamies, lai šie cilvēki būtu pēc iespējas produktīvāki.
Nākamais solis pēc tam, kad mums ir mūsu pilsoņu datu zinātnieki un mūsu datu zinātnieki, patiešām ir tas, kā jūs veicat un izplatāt šo labāko praksi? Mūsu programmatūrā ir tehnoloģija, kas ļauj izplatīt analītiku jebkur. Un tas vairāk attiecas uz modeļa pārvaldības viedokli, bet mani vairs nesaista četras sienas vai īpaša instalācija Tulsa, Taivāna vai Kalifornija, vai tas, kas jums ir. Šī ir globāla platforma, un mums ir daudz, daudz klientu, kurus tā izmanto vairākās vietnēs.
Un tā, tiešām, galvenās lietas ir lieliski, ja kaut ko darāt Taivānā un vēlaties to atkārtot Brazīlijā. Ienāciet tur, paķeriet atkārtoti lietojamas veidnes, satveriet vajadzīgās darbplūsmas. Tas mēģina radīt šos standartus un parasto darbību veidu, tāpēc mēs visur nedarām pilnīgi atšķirīgas lietas. Otra šī procesa galvenā sastāvdaļa ir tā, ka mēs vēlamies pievērsties datiem, kur atrodas dati. Jums nav jāmaina dati starp, jūs zināt, Kaliforniju un Tulsa un Taivānu un Brazīliju. Mums ir tehnoloģija, kas ļauj izzināt datus, un mums būs vēl viena karsto tehnoloģiju tīmekļa pārraide par šo tēmu.
Bet mēs to saucam par šo arhitektūru, un šeit ir redzams ielūgums - vietējās izplatītās Analytics arhitektūra. Šīs idejas galvenā ideja ir tāda, ka mums ir platforma Statistica, un es varu eksportēt analītisko darbplūsmu kā atomu. Un es varētu veikt modeli vai visu darbplūsmu, tāpēc tam nav nozīmes. Bet es to varu izveidot un eksportēt mērķa platformai atbilstošā valodā. Kreisajā pusē to dara daudzi cilvēki, bet avotu sistēmā viņi vērtē punktu skaitu. Tas ir labi, mēs varam vērtēt un veidot datu bāzes modeļa veidošanu, lai tas būtu interesanti.
Un tad labajā pusē mums ir Boomi. Šī ir pavadošā tehnoloģija, mēs strādājam ar visiem šiem. Bet mēs varam arī izmantot šīs darbplūsmas un būtībā transportēt tās uz jebkuru pasaules vietu. Jebkas, kam ir IP adrese. Un man nav jābūt Statistica instalētai publiskajā vai privātajā mākonī. Jebkurš, kas var darbināt JVM, mēs varam palaist šīs analītiskās darbplūsmas, datu sagatavošanas darbplūsmas vai vienkārši modeļus uz jebkuras no šīm mērķa platformām. Neatkarīgi no tā, vai tas atrodas manā publiskajā vai privātajā mākonī, neatkarīgi no tā, vai tas atrodas manā traktorā, manā automašīnā, manās mājās, manā spuldzē, manā lietu internetā, mums ir tehnoloģija, kas ļauj pārvadāt šīs darbplūsmas jebkur pasaulē.
Pārskatīsim. Jūs zināt, ka mums ir biznesa līderi, tāpēc šie cilvēki, mums ir tehnoloģija, ļauj viņiem patērēt produkciju sev tīkamā formātā. Mums ir pilsoņu datu zinātnieki, un mēs cenšamies uzlabot sadarbību, padarīt viņus par komandu, vai ne? Un tāpēc mēs vēlamies, lai cilvēki pārstātu izgudrot riteni. Un mums ir šie datu zinātnieki, tur varētu būt nepilnības prasmēs, bet viņi var kodēt valodā, kuru viņi vēlas, viņi var apmeklēt analītiskos tirgus laukumus un tur izmantot algoritmus. Un kā ar šo, kā jūs nevarējāt domāt, ka ar to viss ir satriecoši? Tas ir ideāli, to mēs arī darām. Mēs veidojam atkārtoti izmantojamas darbplūsmas, mēs cilvēkiem dodam instrukcijas, mēs dodam viņiem Lego blokus, lai viņi varētu būvēt šīs varenās pilis un visu, ko viņi vēlas darīt. Apkopojot, mums ir platforma, kas dod iespēju biznesa lietotājiem, pilsoņu datu zinātniekiem, programmētāju datu zinātniekiem, mums ir - mēs varam pievērsties jebkura veida IoT malas analītikas lietojuma gadījumiem, un mēs šo jēdzienu iespējot kolektīvajai izlūkošanai. Ar to es domāju, ka mēs to droši vien varēsim atvērt jautājumiem.
Robins Bloors: Nu labi. Es domāju, ka pirmais - es domāju, godīgi sakot, es domāju, ka mani jau iepriekš ir informējis Dell Statistica, un, godīgi sakot, es patiesībā esmu diezgan pārsteigts par lietām, kuras es nezināju, ka jūs uzaicinājāt prezentācijā . Un man jāsaka, ka, pirmkārt, tas ir kaut kas, kas man ir sagādājis neveiksmi, pieņemot analītiku, vai tas ir tas, ka, jūs zināt, rīku iegūšana nav tā, jūs zināt? Tur ir šausmīgi daudz rīku, ir atvērtā pirmkoda rīki utt. Un tā tālāk, un tur ir dažādi, es saucu, pusplatformas. Bet es domāju, ka atšķirība, kas jums ir, mani sevišķi pārsteidza ar daļu no darbplūsmas.
Bet atšķirība ir tā, ka jūs, šķiet, sniedzat galu galā. Tas ir tāpat kā analītika ir sarežģīts biznesa process, kas sākas ar datu iegūšanu un pēc tam tiek veikts veselā virknē darbību, atkarībā no tā, cik nepatīkami ir dati, un pēc tam tas var sadalīties virknē dažādu matemātisku uzbrukumu. dati. Un tad tādā vai citādā veidā parādās rezultāti, un tiem ir jābūt rīcībai. Man ir nācies sastapties ar milzīgu daudzumu analītikas, kur tika paveikts daudz lielisku darbu, bet tas netiek darīts. Un jums šķiet, ka jums ir šausmīgi daudz nepieciešamo. Es nezinu, cik tas ir visaptverošs, bet tas ir daudz visaptverošāks, nekā es gaidīju. Esmu par to neticami pārsteigts.
Es vēlētos, lai jūs komentētu izklājlapas. Jūs jau kaut ko esat teicis, bet viena no lietām, ko es atzīmēju un ko esmu atzīmējis gadu gaitā, bet tas vienkārši kļūst arvien acīmredzamāks, ir tas, ka ir šausmīgi daudz izklājlapu, kas ir ēnu sistēmas, un es tiešām domāju izklājlapu, es domāju, tas bija brīnišķīgs rīks, kad to ieviesa, un kopš tā laika ir bijis brīnišķīgs daudzos dažādos veidos, bet tas ir vispārināts rīks, tas nav īsti piemērots mērķim. Tas, protams, nav pārāk labs BI con, un es domāju, ka analytics con tas ir šausmīgi. Un es prātoju, vai jums ir kāds komentārs, teiksim, par piemēriem, kur, jūs zināt, Statistica ir izsīcis, pārmērīga izklājlapu izmantošana vai kāds komentārs, ko jūs par to vēlaties izteikt?
Deivids Šmēdors: Jā, es domāju, ka jūs zināt, ka varat meklēt slavenās izklājlapu kļūdas. Google vai jebkura cita jūsu izmantotā meklētājprogramma atgriezīsies ar rezultātu litaniju. Es nedomāju, ka, jūs zināt, mēs kādreiz nomainīsim izklājlapas. Tas nav mūsu nodoms, bet daudzās organizācijās, kurās es apmeklēju, ir pāris no šiem izklājlapu burvjiem vai nindzjām vai neatkarīgi no tā, ko vēlaties viņus saukt, taču viņiem ir šīs ļoti sarežģītās izklājlapas, un jums ir jādomā, kas notiek, kad šie cilvēki uzvar lotto, un viņi neatgriežas? Un tāpēc mēs cenšamies darīt, mēs zinām, ka izklājlapas pastāvēs, lai mēs tās varētu norīt, taču es domāju, ka tas, ko mēs cenšamies, ir izveidot jūsu darbplūsmas vizuālu atveidojumu, lai to varētu saprast un dalīties ar citiem cilvēkiem . Izklājlapas ir diezgan grūti, diezgan grūti kopīgot. Un, tiklīdz esat pārsūtījis man savu izklājlapu, es to esmu mainījis, un tagad mēs vairs neesam sinhronizēti un mēs saņemam dažādas atbildes. Tas, ko mēs cenšamies darīt, ir ap to izveidot dažus aizsargmargas un padarīt lietas mazliet efektīvākas. Un izklājlapas ir patiešām briesmīgas, apvienojot vairākas datu kopas kopā, jūs zināt? Viņi tur nokrīt. Bet mēs tos neaizvietosim, mēs tos norīkosim, un mums ir cilvēki, kuri sāk mainīt, jo, ja mums ir mezgls, kas saka “aprēķināt risku”, to mēģina darīt persona, kas izmanto izklājlapu. Tātad to vairs nav.
Robins Bloors: Jā, es domāju, es teiktu, ka, zinot, no viena viedokļa, ka es skatos uz lietām, es teiktu, ka izklājlapas ir lieliskas informācijas radīšanai. Viņi ir pat lieliski zināšanu salu radīšanai, bet ir ļoti slikti zināšanu apmaiņai. Viņiem nav nekāda veida mehānisma, kā to izdarīt, un, ja jūs kādai nododat izklājlapu, tas nav tāds, ka jūs varat to izlasīt, piemēram, raksts, kurā precīzi paskaidrots, ko viņi dara. Tā vienkārši nav. Es domāju, ka, jūs zināt, lieta, kas mani visvairāk iespaidoja par prezentāciju un par Statistica iespējām, šķiet, ka tā ir neticami agnostiska. Bet tas ir ieguvis šo pavedienu, izmantojot to darbplūsmu. Vai man ir taisnība, pieņemot, ka jūs, iespējams, varētu aplūkot visaptverošu darbplūsmu, sākot no datu iegūšanas līdz pat rezultātu iegulšanai konkrētās BI lietojumprogrammās vai pat lietojumprogrammās?
Deivids Šmēdors: Jā, absolūti. Un tam patiešām ir visaptveroša spēja, un dažas organizācijas to pilnībā izmanto, un man nav nekādu ilūziju, vai mūsdienās kāds uzņēmums pērk visu no viena pārdevēja. Mums ir sajaukums. Daži cilvēki izmanto Statistica visu, un daži cilvēki to izmanto darbplūsmu modelēšanai, daži cilvēki izmanto datu sagatavošanas darbplūsmām. Daži cilvēki to izmanto, lai izplatītu simtiem inženieru pārskatu. Un tātad mums viss ir pa vidu. Un tas tiešām ir tiešs, un, jūs zināt, tā ir agnostiska platforma, ja ir algoritmi, kurus vēlaties izmantot R vai Python, Azure, Apervita, neatkarīgi no tā, vai jūs zināt, tos izmantojiet. Tas ir lieliski, esiet produktīvs, izmantojiet to, ko zināt, izmantojiet to, kas jums patīk, un mums ir mehānismi, lai pārliecinātos, ka tie tiek kontrolēti un dzirdami, un tas viss.
Robins Bloors: Īpaši man patīk šis tā aspekts. Es domāju, es nezinu, vai jūs varat runāt plašāk par to, ko esat teicis, ar to, kas tur ir. Es domāju, es to apskatīju, bet es to neesmu apskatījis visaptveroši, un noteikti mūsu bibliotēkās ir ļoti daudz Python bibliotēku, bet vai ir kaut kas, ko jūs varat pievienot šim attēlam? Tā kā, manuprāt, tā ir ļoti interesanta lieta, jūs zināt, ideja, ka jums būtu uzticami komponenti, jo jūs zinājāt dažādus cilvēkus, kuri tos ir radījuši, un dažādus cilvēkus, kuri tos izmanto, un jūs tos varētu lejupielādēt. Ziniet, vai jūs varat bagātināt to, ko jūs jau esat teicis par to?
Deivids Šmēdors: Jā, es domāju, ka daži no lietotņu tirgotavām, jūs zināt, algoritmu tirgus laukumiem, kas tur atrodas. Piemēram, jūs zināt, doktors Džons Kromvels no Aiovas Universitātes, viņš ir izstrādājis modeli, kas paredzēs, ka tas tiks izmantots reālajā laikā, kamēr mēs darbosimies, lai jūs iegūtu rezultātu, ja jūs iegūsit infekcija ķirurģiskā vietā. Un, ja rezultāts ir pietiekami augsts, viņi iejauksies tieši operāciju zālē. Tas ir ļoti interesanti. Varbūt ir kāda cita slimnīca, kas nav tik liela. Apervita ir veselības lietotņu tirgus analītikai. Vairāki no šiem lietotņu tirgotavām varat vienu meklēt, varat meklēt un atkārtoti izmantot, un darījums notiek starp jums un to, kam tas pieder, taču varat arī meklēt, vai varat pateikt: “ kas man vajadzīgs. ”Es domāju, ka tas izmanto šo globālo sabiedrību, jo mūsdienās visi ir speciālisti, un jūs nezināt visu. Es domāju, ka R un Python ir viena lieta, bet šī ideja “Es gribu veikt šo funkciju, ielieciet specifikāciju tur, vienā no šīm lietotņu tirgus vietām, un lūdziet, lai kāds jums to izstrādā.” Un viņi, manuprāt, var to nopelnīt. tas ir ļoti interesanti un ļoti atšķirīgi nekā tikai atvērtā koda modelis.
Robins Bloors: Viss kārtībā. Jebkurā gadījumā es nodošu bumbu Dez. Vai jūs vēlētos ienirt, Dez?
Dez Blanchfield: Absolūti, un es gribētu tikai uz brīdi pievērsties izklājlapu lietai, jo es domāju, ka tā ir atspoguļojusi pareizo būtību daudzām lietām, par kurām mēs šeit runājam. Un jūs, Robin, jūs komentējāt pāreju no veco izklājlapu veida to fiziskajā formā uz elektronisko. Mums bija interesanta lieta, kur, jūs zināt, kad sākotnēji izklājlapas bija tikai papīra lapas ar rindām un kolonnām un jūs manuāli pierakstījāt lietas, tad jūs to pārbaudīsit un aprēķināsit, veicot kādu darbību to pie galvas augšdaļas vai ar kādu citu ierīci. Bet mums joprojām ir iespēja pieļaut kļūdas, kas saistītas ar rokraksta kļūdām vai disleksiju, un tagad mēs tās esam aizstājuši ar typos. Risks ir tāds, ka ar izklājlapām riska profils ir ātrāks un lielāks, bet es domāju, ka tādi rīki kā Statistica apvērš riska piramīdu.
Es bieži zīmēju šo attēlu uz tāfeles ar cilvēka nūjas figūru augšpusē, kā viens cilvēks, un pēc tam to kolekciju apakšā, teiksim, iedomājieties desmit no tām tāfeles apakšā, un es uzzīmēju piramīda, kur piramīdas punkts atrodas pie vienas personas, un piramīdas pamatne ir cilvēku kolekcija. Un es to izmantoju, lai vizualizētu domu, ka, ja viens augšpusē esošs cilvēks izdara izklājlapu, tas kļūdās un dalās tajā ar desmit cilvēkiem, un tagad mums ir desmit kļūdas eksemplāri. Esiet ļoti uzmanīgs ar makro un ļoti uzmanīgs ar Visual Basic, ja jūs gatavojaties pāriet uz to. Jo, kad mēs veidojam elektroniskus rīkus, piemēram, izklājlapas, tas ir ļoti jaudīgs, bet arī labs un slikts.
Es domāju, ka tādi rīki kā Statistica rada spēju apgriezt šo riska profilu, un tas ir, ka tagad jūs varat nokļūt līdz vietai, kur ieguvāt daudz rīku, kas ir pieejami konkrētai personai, un kad tie aiziet no daudziem instrumentiem augšpusē. piramīdā un pēc tam līdz pašam apakšējam punktam, kur tagad tiek apgriezts piramīdas punkts, ir faktiskais rīks, ja mums ir cilvēku komanda, kas veido šos rīkus un šos algoritmus. Un datu zinātniekam nav jābūt speciālistam viņu datu regresijas analītikā. Viņi, iespējams, varētu izmantot šo rīku, bet jums var būt pieci vai seši statistiķi un aktuārs, kā arī datu zinātnieks un daži matemātiķi, kas strādā ar šo rīku, to moduli, šo algoritmu, šo spraudni un tā tālāk izklājlapas tekstā, tāpēc iedomājieties, ka katru publicēto izklājlapu, kuru jūs varētu izmantot, faktiski ir uzrakstījuši speciālisti, kuri pārbaudīja makro, pārbaudīja Visual Basic, pārliecinājās, ka algoritmi darbojas, tāpēc, kad esat to ieguvis, jūs varat tajā vienkārši ievietot datus, bet jūs to faktiski nevarējāt sagraut un tāpēc labāk kontrolēt.
Es domāju, ka daudzi analītikas rīki to dara. Domāju, ka tas ir tas, vai jūs redzat, ka tagad atrodaties laukā, vai jūs redzat pāreju no izklājlapām, kas potenciāli varētu izraisīt kļūdas un kļūdas un risku, līdz vietai, kur rīki, kurus jūs veidojat ar savu tagad, kad datu atklāšana ir precīza reālā laikā, un cilvēki, kas veido moduļus un algoritmus, noņem vai samazina šo riska profilu? Vai klientu apkalpošana to redz reālā nozīmē, vai jūs domājat, ka tas vienkārši notiek, un viņi to neapzinās?
Deivids Šmēdors: Jūs zināt, es domāju, ka ir pāris veidi, kā uz to atbildēt. Bet tas, ko mēs redzam, ir, jūs zināt, jebkurā organizācijā, un es minēju, ka analītika, manuprāt, varbūt ir atpalikusi no korporatīvo ieguldījumu perspektīvas, tāda veida, kādu mēs darījām ar datu glabāšanu un CRM. Bet tas, ko mēs redzam, tāpēc ir nepieciešams daudz, lai mainītu organizāciju un pārvarētu šo organizācijas inerci. Bet tas, ko mēs redzam, ir tas, ka cilvēki ņem izklājlapas, ņem viņu darbplūsmas, un es pieminēju drošību un pārvaldību: “Nu, iespējams, man ir izklājlapa”, “Nu, es varu to nobloķēt, un es varu versiju to kontrolēt.” Un mēs redzam daudz organizāciju, varbūt tās tikai tur sākas. Un, ja tas tiek mainīts, notiek darbplūsma, un es galu galā dodos uz priekšu, tomēr numur viens, kurš to mainīja? Kāpēc viņi to mainīja. Kad viņi to mainīja. Un es varu arī iestatīt tādu darbplūsmu, lai es šo jauno izklājlapu neveidotu ražošanā, ja vien to nav apstiprinājusi un verificējusi viena, divas, trīs, lai arī daudzas puses jūs vēlaties definēt savā darbplūsmā. Es domāju, ka cilvēki sāk rīkoties, un organizācijas tur sāk spert mazuļus, taču es droši vien ieteiktu, ka mums ir tāls ceļš ejams.
Dez Blanchfield: Patiešām, un es domāju, ka, ņemot vērā jūs gan drošības kontrolē, gan tur esošajā pārvaldībā, darba slodze to automātiski var noteikt līdz pat galvenajam riska inspektoram, kas tagad ir lieta. Varat sākt kontrolēt, kā tiek piekļūst šiem rīkiem un sistēmām, un kas ar viņiem to dara, lai tas būtu ļoti jaudīgi. Es domāju, ka citas lietas, kas šajā sakarā rodas, ir tas, ka mani piedāvātie rīku veidi vairāk attiecas uz cilvēku izturēšanos, nevis uz tradicionālajām izklājlapām, par kurām mēs runājam, ja man ir telpa, kurā ir pilns ar cilvēkiem ar vienu un to pašu informācijas paneli un piekļuvi tiem pašiem datiem, no kuriem viņi faktiski var iegūt atšķirīgu skatu un rezultātā no tās pašas informācijas iegūt nedaudz atšķirīgu ieskatu, kas ir piemērots viņu vajadzībām, lai viņi varētu sadarboties. Pēc tam mums ir cilvēciskāks skatījums un mijiedarbība ar uzņēmējdarbību un lēmumu pieņemšanas procesu, nevis visi dodas uz vienu un to pašu tikšanos ar to pašu PowerPoint un tām pašām fiksētajām izklājlapām, kurām ir visi tie paši fiksētie dati.
Vai jūs redzat pāreju uzvedībā un kultūrā organizācijās, kuras, piemēram, tagad izmanto jūsu rīkus, kur viņi redz, ka notiek, kur nav tā, kā pieci cilvēki istabā skatās to pašu izklājlapu, mēģinot to vienkārši verbalizēt un pierakstīt par to , bet tagad viņi faktiski mijiedarbojas ar informācijas paneļiem un rīkiem reālā laikā, ar vizualizāciju un analītiku pa rokai un iegūst pilnīgi atšķirīgu sarunu un mijiedarbības plūsmu ne tikai sapulcēs, bet arī tikai vispārējā sadarbībā visā organizācijā? Tāpēc, ka viņi to var izdarīt reālā laikā, jo viņi var uzdot jautājumus un saņemt īstu atbildi. Vai tā ir tendence, kuru jūs šobrīd redzat, vai arī tā vēl nav notikusi?
Deivids Šmēdors: Nē, es domāju, ka tas noteikti ir sācies šajā virzienā, un, manuprāt, ļoti interesanta lieta ir, ja mēs, piemēram, ņemsim rūpnīcu. Varbūt kādam, kam pieder noteikta procesa nozare tajā rūpnīcā, viņš vēlas meklēt un noteiktā veidā sadarboties ar šiem datiem. Un varbūt es, apskatot visus procesus, varbūt šis ir apakšā, varbūt es gribu to apskatīt visā. Es domāju, ka tas, ko mēs redzam, ir pirmais numurs, cilvēki savās organizācijās sāk izmantot kopēju vizualizāciju vai standarta vizualizāciju kopumu, bet tas ir arī pielāgots lomai, kurā viņi atrodas. Ja es esmu procesu inženieris, varbūt tas ir pavisam cits skats nekā tam, kurš to aplūko no piegādes ķēdes perspektīvas, un es domāju, ka tas ir lieliski, jo tas ir jāpielāgo un tas ir jāaplūko caur objektīvu, kas jums nepieciešams, lai paveiktu savu darbu.
Dez Blanchfield: Es domāju, ka lēmumu pieņemšanas process samazinās, laikietilpīgi un ātri, lai ātri pieņemtu pārdomātus un precīzus lēmumus, arī strauji pieaug, vai ne? Tā kā, ja jums ir reāllaika analītika, reāllaika informācijas paneļi, ja jums ir statistikas rīki, kas atrodas pa rokai, jums nav jāskrien pāri grīdai, lai dotos un kādam kaut ko pajautātu, tas jums ir papīra formātā. Jūs varat sadarboties, mijiedarboties un faktiski pieņemt lēmumus lidojuma laikā un nekavējoties iegūt šādu iznākumu. Ko es domāju, ka daži no uzņēmumiem vēl nav to satvēruši, bet, kad viņi to darīs, būs šis eureka brīdis, ka, jā, mēs joprojām varam palikt savās kabīnēs un strādāt mājās, bet mēs varam mijiedarboties un sadarboties, un šie lēmumi mēs sadarbojamies nekavējoties pārvērtāmies par rezultātiem. Skatieties, es domāju, ka bija fantastiski dzirdēt to, kas jums ir pateikts līdz šim, un es ļoti ceru redzēt, kur tas iet. Un es zinu, ka mums ir daudz jautājumu un atbilžu, tāpēc es došos atpakaļ uz Rebeku, lai apskatītu dažus no tiem, lai mēs pēc iespējas ātrāk tiktu pie tiem. Liels paldies.
Rebeka Jozwiak: Paldies Dez un jā, Deivs, mums ir diezgan daudz jautājumu no auditorijas. Un paldies Dez un Robin arī par jūsu atziņām. Es zinu, ka šim konkrētajam dalībniekam vajadzēja pamest stundu tieši virsotnē, taču viņa jautā: vai jūs redzat, ka informācijas sistēmu departamenti drīzāk piešķir prioritāti sarežģītām datu vadībām, nevis tiem, kas ir ērti, nodrošinot instrumentus zināšanu darbinieki? Es domāju, vai tas ir - dodieties uz priekšu.
Deivids Šmēdors: Jā, es domāju, ka tas ir atkarīgs no organizācijas. Es domāju, ka bankai, apdrošināšanas sabiedrībai, iespējams, viņiem ir atšķirīgas prioritātes un rīcības veidi, salīdzinot ar mārketinga organizāciju. Es domāju, ka man būtu jāsaka, ka tas ir atkarīgs tikai no jūsu rūpniecības nozares un funkcijām. Dažādām nozarēm ir atšķirīgi fokusi un uzsvars.
Rebeka Jozwiak: Labi, ka tam ir jēga. Tad vēl kāds klātesošais vēlējās uzzināt, kāds ir dzinējspēks aiz Statistica? Vai tas ir C ++ vai jūsu pašu sīkumi?
Deivids Šmēdors: Es nezinu, vai es varu to panākt tik specifiski, ka tas ir noticis jau 30 gadus un tas tika izstrādāts pirms mana laika, taču tur ir galvenā analītisko algoritmu bibliotēka, kas ir Statistica algoritmi. Un jūs šeit redzējāt, ka mēs varam arī vadīt R, mēs varam palaist Python, mēs varam eksplodēt uz Azure, mēs varam darboties ar Spark pie H2O, tāpēc es domāju, ka man uz šo jautājumu būtu jāatbild, tā runājot, ka tas ir dažādu motoru veids. Un atkarībā no tā, kuru algoritmu jūs izvēlaties, ja tas ir Statistica, tas darbojas šādi, ja jūs izvēlaties vienu no H2O un Spark, tas to izmanto, un tas nozīmē, ka tas ir daudzveidīgs.
Rebeka Jozwiak: OK labi. Cits dalībnieks, uz kuru jautāja, norādot uz šo slaidu, gribēja zināt, kāda ir informācija, kā pilsoņu datu zinātnieks zina, kuras atkārtoti izmantojamās veidnes izmantot? Un es domāju, ka no tā es izvirzīšu plašāku jautājumu. Ko jūs redzat, kad ienāk biznesa līnijas lietotāji vai biznesa analītiķi un viņi vēlas izmantot šos rīkus, cik viegli viņiem ir paņemt un sākt darboties?
Deivids Šmēdors: Es domāju, ka es uz to atbildētu, un, ja jūs varat izmantot, ja esat pazīstams ar Windows, tā ir uz Windows balstīta platforma, tāpēc es nogriezu šo ekrānuzņēmumu augšdaļu, bet tam ir Windows lente. Bet kā viņi zina, kādu darbplūsmu izmantot? Tas izskatās pēc operētājsistēmas Windows Explorer, tāpēc ir koka struktūra, un jūs to varat konfigurēt un iestatīt, lai arī kāda jūsu organizācija to vēlas. Bet tas varētu būt, jums vienkārši būtu šīs mapes un šajās mapēs būtu ievietotas šīs atkārtoti lietojamās veidnes. Un es domāju, ka, iespējams, ir nomenklatūra, ko jūsu uzņēmums varētu pieņemt, teiksim, šeit ir “aprēķināt riska profilu”, šeit ir “iegūt datus no šiem avotiem”, un jūs tos nosaucat, ja vēlaties. Tā ir tikai bezmaksas mape, jūs vienkārši velciet piezīmes tieši uz audekla. Tātad, diezgan viegli.
Rebeka Jozwiak: OK labi. Varbūt nākamreiz demonstrācija. Tad tiek parādīts cits apmeklētāju veids, un tas ir tas, par ko jūs ar Robinu un Dezu runājāt par neprecizitātēm, it īpaši izklājlapā, bet atkritumu ievešanu / izmešanu, un viņš to uzskata par vēl kritiskāku, kad runa ir uz analītiku. Veida pieminēšana, ka, jūs zināt, datu ļaunprātīga izmantošana patiešām var izraisīt dažus neveiksmīgus lēmumus. Un viņam rodas jautājums, kāds ir jūsu viedoklis par drošāku algoritmu izstrādi, domājams, ka viņš lieto vārdu “pārmērīgi liela” analītikas izmantošana. Jūs zināt, kāds ierodas, viņi patiešām satraucas, viņi vēlas veikt šo uzlaboto analītiku, viņi vēlas palaist šos uzlabotos algoritmus, bet varbūt viņi nav pārliecināti. Ko jūs darāt, lai aizsargātu pret to?
Deivids Šmēdors: Jā, tāpēc es domāju, ka uz to atbildēšu pēc iespējas labāk, bet es domāju, ka viss ir atkarīgs no cilvēkiem, procesiem un tehnoloģijām. Mums ir tehnoloģija, kas palīdz iespējot cilvēkus un ļauj iespējot jebkuru procesu, kuru vēlaties ieviest jūsu organizācijā. Kupona pievienošanas kādam piemērā varbūt tas nav tik kritiski, un, ja tas ir digitālais, tas tiešām nav jāmaksā, varbūt ir viens drošības kontroles līmenis un varbūt mums ir vienalga. Ja es prognozēju infekcijas vietas ķirurģijā, varbūt es vēlos būt mazliet uzmanīgāks par to. Vai arī, ja es prognozēju narkotiku kvalitāti un drošību, kā arī tādas lietas, varbūt es vēlos par to izturēties nedaudz rūpīgāk. Jums ir taisnība, atkritumu savākšana / izvešana, tāpēc mēs cenšamies nodrošināt platformu, kas ļauj to pielāgot jebkuram procesam, ko jūsu organizācija vēlas izmantot.
Rebeka Jozwiak: OK labi. Man ir vēl daži jautājumi, bet es zinu, ka mēs jau esam pagājuši diezgan tālu stundas garumā, un es tikai gribu pateikt mūsu vadītājiem, ka bija satriecoši. Un mēs vēlamies pateikties tik daudz Dave Sweenor no Dell Statistica. Protams, Dr Robin Bloor un Dez Blanchfield, paldies, ka šodien esat analītiķi. Nākammēnes būs paredzēta vēl viena interneta pārraide ar Dell Statistica. Es zinu, ka Deivs ir devis mājienu par šo tēmu. Runa būs par analītiku malā, vēl vienu aizraujošu tēmu, un es zinu, ka daži ļoti pārliecinoši lietošanas gadījumi tiks apspriesti šajā tīmekļa pārraidē. Ja jums patika tas, ko redzējāt šodien, atgriezieties vēl vairāk nākamajā mēnesī. Ar to, ļaudis, es atvados. Liels paldies. Labdien!