Винос: Ведучий Ерік Кавана обговорює дані та аналітику, а також ролі головного офіцера з даних (CDO) та головного офіцера з аналітики (CAO) з Джен Андервуд із Impact Analytix та Ніком Дживеллом з Alteryx.
Ерік Кавана: Шановні панове, привіт, вітайте ще раз у дуже спеціальному виданні Hot Technologies. Люди, це Ерік Кавана, я буду вашим ведучим на сьогоднішньому шоу "Playbook CxO: Майбутнє даних та аналітики". Так, я мушу сказати, що це досить велика тема. Насправді у нас сьогодні є дещо рекордний натовп. Сьогодні вранці у нас було зареєстровано понад 540 людей. Ми робимо це в особливий час, як багато хто з вас знає на наших регулярних шоу, як правило, це робимо о 4:00 східної, але ми хотіли прийняти дуже спеціального гостя, який закликає з усієї ставки. Дозвольте мені заглибитися прямо до презентації сьогодні.
Отож, цей рік гарячий - це був дуже бурхливий рік у багатьох аспектах, я думаю, що хмара має багато спільного з цим. Злиття технологій, про які ми спостерігаємо на ринку, є головним рушієм, і я звичайно сприймаю SMAC так, як вони його називають. Ми говоримо про SMAC: соціальний, мобільний, аналітичний, хмарний - і все те, що відбувається разом. Організації дійсно можуть змінити спосіб ведення бізнесу. Є більше каналів для здійснення ваших бізнес-операцій, більше даних, які потрібно проаналізувати. Це дійсно дикий світ там, і ми сьогодні будемо говорити про те, як все змінюється в С-наборі, тож головні керівники, провідні люди в цих організаціях. Ну, весь світ зараз змінюється, і ми поговоримо про це.
Насправді ваша справді. Сьогодні у нас є Джен Андервуд від Impact Analytix та Нік Джевелл, провідний євангеліст із технології Alteryx. Це дуже захоплюючі речі. Я придумав цю концепцію вчора ввечері, люди, і я думаю, що це справді цікаво. Звичайно, ми всі знаємо музичні стільці, гра для дітей, де у вас всі ці стільці по колу, ви запускаєте музику, всі починають ходити і один стілець відтягується; коли музика зупиняється, всі повинні вилазити, щоб отримати стілець, а одна людина втрачає своє крісло в цій ситуації. Це дуже дивна і переконлива річ, що відбувається саме зараз в С-наборі, і якщо ви помітили на цьому зображенні прямо тут, у вас є два порожніх стільця ззаду. Зазвичай стіл зникає у музичних кріслах, і що ми бачимо в ці дні, чи є ще два крісла на рівні С: CAO та CDO, головний аналітик і головний офіцер даних.
Обоє злітають. Відверто кажучи, головний офіцер даних справді знімає, як пожежа, але що це означає? Це означає щось дуже значне. Це означає, що потужність даних та аналітики настільки значна, що зал залів або виконавчих кімнат, я повинен сказати, набір С змінюється - вони додають людей до набору С, цілі нові керівники заповнюють деякі з цих нових місць. Якщо ви думаєте про те, як важко змінити культуру організації, то це досить серйозна справа. Культуру дуже важко змінити, і, як правило, позитивні зміни формуються завдяки хорошому управлінню та хорошим ідеям та подібній речі. Якщо ви задумаєтесь про можливість, яку ми маємо зараз, додавши нових керівників у набір C для аналітики та даних, це справді велика справа. Це говорить про можливість для організацій змінити траєкторію, і погляньмо, великі, старі компанії дійсно потребують змін через те, як змінюється ринок.
Я, як правило, навожу приклади Uber, наприклад, або Airbnb як організації, яка кардинально порушила цілі галузі, і це відбувається скрізь. Ми сьогодні поговоримо про те, як ваша організація може адаптуватися, як ви там можете користуватися цією інформацією, цим розумінням, щоб змінити свою бізнес-траєкторію та досягти успіху в інформаційній економіці.
З цим я передам ключі WebEx Джен Андервуд, а потім Нік Джевелл також задзвенить; він дзвонить з Великобританії. Дякую вам обом, і Джен, з цим я передам вам це. Відняти її.
Джен Андервуд: Дякую, Еріку, чудово звучить. Доброго ранку усім. Сьогодні ми поговоримо про цю програму CxO playbook; це майбутнє даних та аналітики, і я збираюсь зануритися прямо. Ерік вже добре працював, розмовляючи про те, чому це так важливо. Сьогодні наші доповідачі знову побачили ще один слайд із цією інформацією, але ви будете з ним і Ніком Jewell дуже інтерактивно спілкуватися з вами сьогодні на цьому сеансі. Ми хочемо розкрити опис того, що це за ролі та типи речей, які вони виконують у місії. Ми розглянемо аналітичну галузь, перспективи загалом та деякі проблеми, з якими стикаються люди. Динаміка в організаціях сьогодні, коли ви готуєтесь до майбутнього, а потім ми поговоримо про наступні кроки та дамо вам рекомендації щодо планування, якщо ви будете вивчати деякі з цих ролей у вашій організації.
Якщо говорити про цей CxO, CAO, наприклад, головний аналітик, це посадова посада для вищих керівників, відповідальних за аналіз даних в організації. CAO зазвичай звітує перед генеральним директором, і ця позиція, що швидко розвивається, буде ключовою, коли ви думаєте про масу трансформацій та її цифрову трансформацію, яку ми зараз маємо, як компанії приймають та приймають свої бізнес-рішення.
Якщо ви думаєте про те, що цифрове перетворення та інтелект є основою цифрової трансформації, цей САО є дуже стратегічною роллю в організації. Вони не тільки повертають сильну науку про дані до фактичних уявлень і цих знань, але й володіють цією рентабельністю та впливом, і на чому вони вимірюються? Як вони передають цю рентабельність із отриманими даними та деякими підсумковими номерами в організації для стратегічного використання даних. Ця посада, разом із керівником відділу інформації, керівником інформаційного управління, зросла на чільне місце завдяки зростанню технологій та цифрової трансформації та цінності даних.
Протягом багатьох років у цьому конкретному світі дані є золотом завдяки монетизації та інтелекту та трансформації цієї інформації. Вміти вживати цих ініціативних дій, а не завжди завжди озиратися назад, як таке. Дві позиції схожі тим, що обидва вони мають справу з інформацією, але CIO, сам по собі, буде зосереджений на інфраструктурі, де КАО зосереджується на інфраструктурі, необхідній для аналізу інформації. Аналогічна позиція є CDO, і ви чуєте набагато більше, ми, мабуть, чуємо трохи більше про CDO, ніж ви про CAO сьогодні. CDO більше зосереджується на обробці даних та підтримці, а також на тих процесах управління протягом усього життєвого циклу управління даними.
Ці люди також нестимуть відповідальність за монетизацію даних та отримання цінності за дані, а також працюватимуть через зрілість життєвих циклів управління та безпеки протягом усього періоду, я б сказав, життєвого циклу. Це люди, які самі по собі або дуже відповідальні за те, щоб GDPR - і ми трохи поговоримо про це - Європейський закон про захист даних, гарантуючи, що ці речі охоплені в їхніх організаціях. Тепер ми отримуємо структуру та майбутнє для руйнівних динамічних ролей, що вимагають великих даних. Це такі типи речей, за які буде відповідати CDO, а не лише вони самі - вони будуватимуть міжфункціональну команду, і я маю приклади деяких людей, які б з’їжджалися на самі по собі в організаційна структура - від архітекторів та керівників, і навіть аналітиків та науковців даних та інженерів в організації може зійти до них.
Просуваючись далі до галузевих перспектив аналітики, це явище було феноменальним - можливо, десятирічним, навіть довшим - їздом у цій галузі. Він постійно зростає, дуже захоплюючий, навіть під час краху ринку років тому він все ще користувався великим попитом. Це просто чудове місце, і якщо ви подивитесь на порядок денний CIO від Gartner у 2017 році, BI та аналітика все ще входять до першої трійки рейтингів найважливіших для організації, і дивлячись на зростання ринків програмного забезпечення, ми постійно спостерігаючи зростання там. Поки я був у цьому просторі, це завжди була дуже яскрава кар'єра.
Коли ми дивимося на цю цифрову епоху та трансформацію, що мені дуже, дуже цікаво, є ці процеси, які ми маємо, і часто це отримання інформації та вживання заходів з процесів чи під час бізнес-процесів. Тепер Gartner підрахував, що до 2020 року інформація, яку ви використовували, буде перероблена, оцифрована або навіть усунена. Вісімдесят відсотків бізнес-процесів і продуктів, які ми мали десять років тому, і ми починаємо це бачити, правда? Ми починаємо бачити, що з віршами Amazon, можливо, деякі з великих магазинів коробки, Ubers, Airbnbs - ці цифрові моделі порушують процес, і тепер люди взаємодіють. Навіть Чорна п’ятниця - я не знаю, скільки людей насправді зайшло до магазину - багато людей купують в Інтернеті, і як ви звертаєтесь до цього замовника? Для цього потрібен інтелект. Це дуже інший спосіб взаємодії та персоналізації та інтелекту, щоб представити їм правильну пропозицію в потрібний час, а тепер, можливо, це лише одним натисканням кнопки. Їм так просто вийти з вашого інтернет-магазину. У цьому світі все дійсно змінюється, і я думаю, що Нік хотів поговорити і про це.
Нік Jewell: Так, привіт усім, дуже дякую Прошу вибачення заздалегідь, якщо є невелика затримка аудіо, що надходить з Лондона, я зроблю все можливе, щоб не говорити над вами, Джен.
Ви абсолютно праві, що усунення відходів, переосмислення як частина цифрової трансформації, часто відбувається, коли організації переходять від замовлених продуктів, можливо, відключених програм і на більш відкриті та пов'язані платформи. Коли ваш процес цифровий, побачити всю інформацію в кінці буде набагато простіше. Дійсно уточнити кроки, які ви робите, використовуючи дані для оптимізації цього процесу.
Перейдемо слайд вперед, якщо можемо. Що стосується цифрової трансформації, що це означає для організацій, я думаю, це захоплююче чи залякує, залежно від того, на якій стороні спектру ви сидите. Погляньте на діаграму тут, яка показує тривалість життя компаній та як руйнівний вплив впливає на статки організації. Якщо ви створили компанію в 1920-х, у вас в середньому майже 70 років, перш ніж інша компанія вас зірвала. Досить легке життя за сьогоднішніми мірками, адже сьогодні компанія ледве отримала 15 років, поки зрив не загрожує її існуванню. Прогнозується, що приблизно 40 відсотків сьогоднішніх компаній Fortune 500, тобто S&P 500, вже не існуватимуть через 10 років. До 2027 року 75 відсотків S&P 500 буде замінено, тож період напіввиведення, з яким стикаються організації сьогодні, перш ніж турбуватися про зриви, справді скорочується. Успішним компаніям потрібно випереджати цю гонку цифрових інновацій.
Сьогодні насправді ніхто не ставить під сумнів аналітику. Це головне місце, це цифрове перетворення бізнесу. Насправді організації ставлять цифрові інновації прямо на чолі своєї стратегії. Ці компанії, вони - п’ятірка найцінніших компаній у світі, що представляє ринкову вартість двох трильйонів доларів, Джен.
Джен Андервуд: Так, дивно, це насправді. Це дійсно змінюється, і швидко. Інша динаміка, яку ми маємо, і ми говорили про це, зараз я думаю, що ми нарешті це бачимо, і організації відчувають це експоненціальне зростання джерел даних, і навіть не просто аналізують дані про структуровані джерела даних. Знову ж таки, ми говоримо про те, що у вас є лише хвилина в деяких із цих цифрових процесів, щоб прийняти рішення, і ці речі надходять у JSON з REST API, ми говоримо про неструктуровані дані, чи файли журналів, чи є всілякі різних типів даних, а також надзвичайно постійне зростання.
Нік Jewell: Так, Джен, як ви вже вказали, аналітичні лідери тонуть у морі даних. Дійти до високоцінного розуміння, можливо, використання суміші існуючих чи нових аналітичних методів - це справді кінцева мета, але існує проста і основоположна проблема, з якою багато організацій, з якими ми працюємо, з ними справді стикаються. Ми замовили Harvard Business Review, ми провели опитування, поспілкувавшись з аналітиками даних та бізнес-менеджерами. Вони запитали, скільки джерел даних вони використовують у своїй організації для прийняття рішення, і це цілком зрозуміло, що за останні кілька років відбувся кардинальний зрух. ІТ використовували для поєднання даних, передачі їх до сховища даних, але, мабуть, незважаючи на всю чудову роботу, яку виконали ІТ-групи, створюючи централізоване управління даними, аналітики все ще стикаються із завданням створити конкретний набір аналітичних даних, але їм потрібно відповісти на бізнес-питання. Насправді лише 6 відсотків отримали всі свої дані в одному місці, і більшості аналітиків доводиться витягувати дані з п’яти і більше джерел - такі речі, як електронні таблиці, хмарні програми, соціальні медіа і, звичайно, не забуваючи про це сховище даних.
Зараз більшість організацій це визнає, але чим більшість організацій не займається, це простий факт, що фахівці з даних витрачають більше часу на управління та пошук даних, ніж вони насправді отримують цінність. Це не важливі стратегічні аналітичні проблеми, про які хочуть почути виконавці бізнесу. Але якщо не вирішити фундаментальне питання, це заважає організаціям реально досягти розуміння цінностей. Джен?
Джен Андервуд: Це цікаво. Я напевно бачив різні дослідження з цього приводу, і саме ця деталь тут, будь то 80 відсотків часу або трильйони доларів, які знову і знову фіксують ті самі дані, дуже неефективно в організації. Це і сумить, і ці 37, і ці 23 відсотки - це дуже дорога трата часу. Мені дивно, що на це не приділяється більше уваги.
Дивлячись на деякі з них, які я б назвав ринковими силами, і багато разів, коли я говорю про тенденції галузі, я люблю слідкувати за галуззю і постійно тримати її. Важливо зрозуміти, коли щось є більше, ніж тенденція, коли це дійсно буде силою, на яку потрібно звернути увагу, а це трійка найкращих зараз, змусити звернути увагу. Це швидке зростання, номер один - швидке зростання нереляційних баз даних. Я щойно згадував всю цю концепцію того, що не маю багато часу на запити, як такому, JSON, саме такі типи нереляційних сценаріїв досить швидко зростають - я думаю, що у мене є якась статистика за мить тут - швидко.
Інша річ - постійний перехід до хмари. До дзвінка, про який я згадував, я був менеджером із продуктів по всьому світу в одній з великих технологічних фірм і три роки тому мав важкі розмови з групами, які говорили: "Ми нічого не покладемо в хмару. Ми не рухатимемося до хмари ». І було дуже цікаво бачити групи через рік, через два роки, тепер я чую від тих самих груп, що всі мають хмарний план. Я думаю, що всі дуже екстремальні твердження, але, що я б сказав, це люди, які були анти хмарними, безумовно, ставлення кардинально змінилося за дуже короткий проміжок часу, навіть з того часу, як я говорив з групами по всьому світу про ці речі.
Автоматизація - це сфера, якою я захоплювався, і область, на якій ми, звичайно, спостерігаємо багато активності та великої активності. Ми говоримо про деякі з цих речей, маючи цей витрачений час і неефективне використання свого часу. Автоматизація - це, безумовно, одна із сфер, яка мене найбільше хвилює, коли я думаю про те, щоб принести цінність організації.
Наступний слайд, про який я розповім, це дослідження IDC, вони розглядають сегменти ринку та зростання, і це справді чудовий спосіб зробити пульс у тому, що насправді росте, що купують ваші колеги? Які типи речей їх уже не цікавлять? Ці типи речей і вкладання їх стратегії.
За інформацією IDC, світовий ринок програмного забезпечення для великих даних має 16 сегментів, і в цьому сенсі ми спостерігаємо навіть деякі зміни імен. Було додано безперервне аналітичне програмне забезпечення, когнітивні платформи програмного забезпечення AI, пошукові системи, тому сюди навіть додалися нові категорії. Цей огляд ринку охоплює в значній мірі горизонтальні інструменти, попередньо упаковані програми, а також певну підтримку рішень та автоматизацію прийняття рішень. Знову ж таки, це будуть типи рішень, коли ви думаєте про CDO, вводячи конвенцію CDO, їх портфоліо, яке може управляти від інтеграції даних до візуалізації аналізу, машинного навчання та всіх цих типів можливостей, які їм потрібні мати в цифрову епоху.
Сам світовий ринок подібних рішень виріс на 8,5% у поточному валютному виразі, а загальний ринок зріс на 9,8% за даними IDC. Це порівнювали з - ви дивитесь на коливання валют за пару років, а ступінь коливання мінімальний, але ті три найкращі сегменти, які я виділив, просто щоб ви відчули ці нереляційні аналітичні джерела даних, 58 відсотків Річний річний ріст, контент-аналіз та пошукові системи склали 15 відсотків, а деякі додатки щодо стосунків із клієнтами, речі CRM або Salesforce Einstein, наприклад, зростають понад 10 відсотків, зараз вони складають 12 відсотків. Я думаю, що Нік хотів додати коментар і до цього.
Нік Jewell: Дякую, Джен. Це фантастичне візуальне зображення. Я думаю, що в Alteryx ми завжди вважали, що підготовка та змішування даних завжди буде основою компетенції будь-якої аналітичної системи, але це справді основа для будь-якої більш просунутої аналітики. Тепер, протягом останніх кількох років, поговоримо про галузь - можливо, вона була трохи переорієнтована на деякі нові можливості інтерактивної візуалізації. Вони виглядають красиво, оскільки збільшують зацікавленість, розуміють, але нас насправді вони не вивели за рамки описової аналітики.
Але, мабуть, тепер, коли люди прицілюються трохи вище, організації, які починають розуміти ділові цінності, вийдуть з тієї більш досконалої аналітики, яка тільки зараз пробивається в мейнстрім. Тут виникає питання, як, а точніше, хто? Це перейшло до більш високої вартості аналітики; Ви погоджуєтесь із тим, що проблема дефіциту аналітичних талантів стає досить гострою?
Джен Андервуд: Абсолютно, і я мав, я думаю, що щойно написав твіт, я побачив по-справжньому захоплюючий коментар від віце-президента Adobe, який сказав: "Машинне навчання стало ставкою на стіл", де люди раніше насторожено ставились, тепер це стає потребою і це цікаво. Дивлячись на це і просто на крихітний інший кут іншого кута. Дуже багато людей, ми починаємо сприймати це як сферу високого зростання з нереляційною аналітичною сховищем та когнітивним інтелектуальним інструментом, цим машинним навчанням, цією високоцінною аналітикою. Але все-таки на кінець дня, зараз найбільший сегмент, тож там, де сьогодні відбувається більшість покупок, все ще є цей основний, що я б сказав, звіт про запити, деякий візуальний аналіз, і він все ще зростає, і це щось багато людей припускає, що у вас це вже є - не обов’язково. Він все ще зростає 6,6 відсотка щороку.
Як CDO - і я люблю показувати цей слайд - в основному просто кажучи, коли ви вступаєте в цю нову роль або переглядаєте дані в організації, це хаос, і я думаю, що саме цей слайд дійсно робить приємна робота - це всі різні потенційні сфери, про які ви можете мати дані. Вони можуть бути готовими, він може перебувати в хмарі, він може бути гібридним, він є скрізь, і це велике переважне - знову ж таки, це роль типу C зараз у межах організації, і це не просте завдання чи просто - у цьому конкретному світі, який потрібно взяти на себе, це часом дуже непосильно. Це світ, по якому цей CDO повинен орієнтуватися, щоб мати можливість освоїти, що я б сказав, максимізувавши значення даних.
Продовжуючи виклик, максимізуючи цінність усіх цих різних джерел і що ми маємо, це ці завершальні вікна часу, коли ці цифрові процеси або розуміння дій є закритим. Якщо ви думаєте про це, можливо, п’ять років тому, десять років тому, можливо, у вас будуть повідомлення про те, що ви будете працювати, щоб приймати якісь рішення з інвентарем або діями, вони можуть працювати щотижня, щомісяця, тоді вони стають щоденними або протягом ночі, можливо, це щогодини.
Тепер ми бачимо, як ці розумні машинні навчання вбудовують штучні інтелектуальні кабінети, приймають рішення та виправлення на місці, тож навіть такі речі, як Інтернет речей, вбудована в IoT аналітика на межі, ці системи розумні, і ці алгоритми можуть самонастроїтись та змінити деякі рішення, які вони приймають на місці в потрібний час. Було дуже цікаво бачити цю динаміку з цифровими оборотами та цими сенсорними точками - хоча вони збільшуються, час на дії постійно зменшується, і технологія розвивається для цих сценаріїв.
Нік Jewell: Так, Джен, я думаю, що один із найцікавіших аспектів того, як змінюється уявлення, - це те, де аналітика надходить до кінцевого споживача. Ми просимо користувачів стрибнути на інформаційну панель, коли вони приймають критичне рішення, або ми говоримо, що розуміння, наступна найкраща дія, доступна безпосередньо в процесі, в потоці, щоб досягти цієї конкурентної переваги? І аналітична модель, про яку ми говоримо, може потребувати використання своїх джерел із безлічі різних джерел - традиційних сховищ даних, геолокацій, соціальних медіа, датчиків, потік кліків - всі ці дані мають відношення до рішення та цього дієвого результату .
Джен Андервуд: Продовжуючи цю тему викликів та змін, що ми маємо зараз, і проблеми, які повинен прийняти генеральний директор, і спланувати спосіб їх перемоги, - це, по суті, у нас є занадто багато даних для ефективного управління та аналізу вручну. Тривалі затримки; нам потрібно скоротити ці затримки, і нам потрібно знайти спосіб максимального значення даних, які ми маємо. У світі не вистачає талантів у галузі наукових даних і для висвітлення цих розумінь і того, що ми би назвали океанами як даними. Хороша новина полягає в тому, що сьогодні в будь-якій області цього питання є чудові нововведення, і це стає захоплюючим, коли ми бачимо, що, де технологія нас бере, допоможе нам у вирішенні цих проблем.
Коли я продовжував розглядати це, то, коли я розмовляв із клієнтами чи спілкувався з групами, використовуючи деякі з цих інструментів, виникає певна сум'яття. Деякі з класичних викликів існують і сьогодні, він просто загострюється, намагаючись знайти дані для аналізу. Деякі інструменти пошуку, деякі каталоги там, безумовно, допомагають. Зараз ми знаходимо, який каталог використовувати, коли. Є кілька різних каталогів, тож є різні місця, де ви можете зберігати та обмінюватися даними, тож варто спробувати знайти один, можливо каталог, який ми повинні шукати.
Інша справа - спільний обмін. Ми говорили про одне з досліджень з Гарвардського огляду бізнесу про те, скільки часу витрачається, в основному виконуючи завдання без додавання вартості, витрачаючи час і наскільки це може бути дорого. Якщо ви можете спільно використовувати та використовувати спільні джерела даних, сценарії вже розроблені, логіка вже є, ви можете ними ефективно керувати, тому врівноважуючи управління керуванням аналітикою, це дійсно те, до чого ви хочете прагнути. і орієнтуватися в цьому світі того, що я б назвав, у нас є інструменти ніші, у нас є автоматизовані інструменти робочого процесу, у нас є класичний Excel, каталоги даних, BI з самообслуговуванням, засоби інформатизації. Як показала одна картина, між ними є багато, багато інструментів і безліч перекриттів.
Нік Jewell: Так, ідеально, Джен, і я думаю, що, як ви згадали, вікно прозріння, воно, безумовно, скорочується, але час, необхідний для фактичного розгортання моделей, не йде в ногу. Розробка прогнозних моделей продовжує залишатися головним завданням для багатьох компаній.Ми говорили з Карлом Рексером, який є президентом Rexer Analytics, і в опитуванні даних Карла за 2017 рік він виявив, що лише 13 відсотків науковців даних кажуть, що їхні моделі завжди розгортаються, і цей коефіцієнт розгортання просто не покращується, тому ми повернутися з кожним попереднім опитуванням. Насправді, повертаючись до 2009 року, коли вперше було поставлено запитання, і ми бачимо майже однакові результати, тому у нас справжній розрив.
Джен Андервуд: Коли ми дивимося на зрілість аналітики, вона швидко прогресує. Знову ж таки, два, три роки тому ми були дуже раді візуальному аналізу самообслуговування і, нарешті, бути гнучким та розширювати BI на масу, як такому. Коли я кажу, що, мабуть, все ще живуть користувачі в організації. Зараз ми бачимо оптимізацію, прогностичну аналітику, глибоке вивчення, природну мову, багато інших технологій, які справді, будучи вбудованими в повсякденні процеси, нарешті по-справжньому демократизують аналітику дуже плавно для мас, для використання справжніх мас у межах існуючі бізнес-процеси, які вони вже є.
Нік Jewell: Так, Джен, давайте поговоримо коротку історію про цю останню категорію, якщо я можу. Більшість слухачів, які сьогодні беруть участь у виклику, ознайомляться із програмним забезпеченням AlphaGo Google DeepMind, яке перемогло деяких найкращих гравців Go у світі за останні пару років. AlphaGo навчився грати в гру, вивчаючи величезні обсяги раніше записаних матчів. Настільки, що коментатори турніру AlphaGo стверджували, що програмне забезпечення грав у стилі японського гранд-майстра, вірите чи ні.
Але за останній місяць було зареєстровано майже дивовижніший результат. Це був AlphaGo Zero, глибоке навчання, нейронна мережа, озброєна не більш простими правилами гри та оптимізованою функцією. Це навчило себе стати найсильнішим гравцем Go у світі, не маючи під керівництвом тренувань, і все це зробило приблизно за 40 днів. Це так зване підкріплення навчання, де люди визначають виклик, нехай система глибокого навчання досліджує, вдосконалює, справді може дати найбільший вплив у аналітичному просторі поки. Отже, я думаю, слідкуйте за цим.
Джен Андервуд: Так, це дуже цікаво, ви це згадали. Ви можете уявити виключення? І це я починаю бачити. Дійсно, коли я говорю про автоматизацію, дуже цікаво, щоб рішення були досить розумними, щоб очищати повітря, навчатися в системах автоматично, підключатись і грати і просто знати, що робити далі, грунтуючись на деяких минулих рішеннях чи інших рішеннях які були створені в рамках організації та керували деякими з цих систем, системами ETL і опікувались ними, і вони мали дорогу назад у той час, коли бджоли та телефони телефонували мені з оповіщеннями, коли процеси не запускалися, так цікаво думати, "Ого, зараз це досить розумно, щоб, ймовірно, самолікуватися".
Мій чоловік керує сіткою самолікування, ми матимемо інтеграцію даних про самолікування, аналітику самолікування, і там, де все краще і краще, це дуже цікаво. Як CDO, коли ви починаєте думати про те, що люди обробляють технологію, ми збираємось розглянути, зараз ми дивимось на технології, потім ми будемо дивитися на людей і як підійти до створення вашої команди та будівництва навички. Якщо ви подивитесь на сучасну платформу аналітики, я вам скажу відразу, не всі будуть мати тут все, хоча у найбільших організацій можуть бути всі ці різні компоненти, як правило, деякі групи можуть мати лише дві-три маленькі скриньки тут, тож я не хотів перевантажувати людей цим. Але сучасна BI-платформа не вимагає обов’язково побудови ІТ, заздалегідь визначеного семантичного рівня звітування.
Користувачі та експерти повинні просто мати повноваження просто готувати дані для аналітичної швидкості та спритності, і якщо ви думаєте про зростання того, що ми би сказали, аналітики під керівництвом користувачів та експертів, дозволяючи спеціалістам, що займаються питаннями, спритність, вони повинні приймати швидкі рішення. Ми спостерігаємо посилене прийняття того, що ми би сказали, інструментів підготовки персональних даних, суперечливості даних, збагачення, очищення, видів діяльності, які проводить Alteryx, а також деяких видів діяльності з наукових даних, які вони пропонують як Ну. Сучасне рішення для підготовки, вони пропонують інтелектуальні автоматизовані з'єднання, роздільну здатність повітря, переміщення даних, коли у вас є великий конвеєр даних, це дуже, дуже круто. Це, мабуть, знову ж таки, одна з областей, яку я люблю і дуже люблю тестування, а також у галузі.
На відміну від традиційного BI під керівництвом ІТ, сьогодні ІТ справді зосереджується на активізації бізнесу, а у вас такі люди, як CDO, і збирають разом або вибирають правильні рішення для оркестрування, впорядковують та уніфікують ці дані та переконайтеся, звичайно, що це керується, правда? Одна річ, яка мені дуже цікава, і, звичайно, я думаю, що ми це зробили, але я не думаю, що ми просто сказали це, дні єдиного розміру сховища даних, і це те, що кінець-все бути-все, безумовно, закінчився. Дані є скрізь, що вам потрібно зробити - озера даних з’явилися на знімку, є потокові та живі дані, зараз так багато різних джерел даних, це справді більше корисного на основі випадку, «що вам потрібно?» Вірші це "Треба все отримати в сховище даних". Я не впевнений, Нік, ти хотів прокоментувати це? Я не пригадую.
Нік Jewell: Я просто скажу одне, і це просто, спостерігайте за розвитком компонента. Те, що робили експерти п’ять-десять років тому, зараз перебуває в руках користувача, тому речі, розташовані праворуч там, стануть більш поширеними для користувачів у формі без перетягування коду, зовсім скоро. Він буде рухатися все швидше і швидше, тому просто слідкуйте за цим.
Джен Андервуд: Так, це дуже добре. Я люблю про це думати. Різна наука даних, вона нарешті стає реальністю, а інструменти стають набагато кращими. Думаючи про технології, зараз нам потрібно мати навички та людей, і що нам потрібно робити? Зараз найкращі роботи, вони включають в себе такі назви, як науковці даних, інженер даних та бізнес-аналітики, але все, що ми знаходимо, - це те, що роботодавцям самим складно зробити відповідність. Навіть у просторі підготовки даних я скажу: "Це підготовка даних, чи це суперечки даних, які терміни люди називають?" Це було дуже цікаво знайти.
Бізнес не знає, що їм потрібно, і є це все нове поле, що охоплює багато різних областей. Якщо ви дивитесь на всіх, хто зараз повинен бути майстром своїх даних, бізнес-аналітикою, менеджерами ІТ-проектів, моїм чоловіком, який керує електромережею та портфелем проектів, він повинен мати змогу проаналізувати це. Це вже не просто фінанси та аналіз даних, а й значно ширше, в інші сфери організації. Я думаю, я побачив дослідження про те, скільки використовує маркетинг джерел даних, і це було непосильне. Знову ж таки, коли ви замислюєтесь над дослідженням, проведеним Harvard Business Review, люди вже не просто одне джерело даних, яке люди повинні збивати і зливати разом і знаходити розуміння, це багато джерел даних, і для цього потрібна навичка.
Якщо ви дивитесь на більш масштабну картину тут, то більшість нових наймань буде в цій рожевій міхурці до самого низу, коли ви говорите про цих бізнес-аналітиків аналітикам з видобутку даних, менеджерам з персоналу, цій галузі, а саме регулярними ролями в лінії бізнесу з використанням даних. Найшвидше зростаючі ролі матимуть менше робочих місць, але, безумовно, те, про що ми чуємо найбільше на ринку сьогодні, науковець даних та інженер даних. Як CDO, вони дивляться вперед, і ви плануєте талант, вам потрібно врахувати деяку частину автоматизації рутинних завдань і типів навичок, які будуть більш стратегічними, і знову ж таки, додайте цінності вашій організації для обох ті, що ввімкнули аналітику, але також і для наукових даних та людей, які працюють в інженері даних. Подумайте, як можуть змінитися ваші неопубліковані посади та навіть частина позаштатної економіки, коли ви думаєте про те, щоб змагатися за найкращих та найяскравіших.
І завжди подумайте і про свій талант талантів, допомагаючи кандидатам орієнтуватися на ринку або шукати речі, які можуть бути трохи іншими, а не зовсім тими, які ви хочете, і створюючи внутрішні курси аналітики, які, можливо, не є найшвидшими, більшість економічно вигідна стратегія, щоб ви не відставали. Розгляньте, як дивитись на людей, які присвячені тренуванню в цій чи різних групах, і я вважаю, що Alteryx сьогодні в кінці сеансу має рекомендований курс, як заклик до дії, що ви можете використовувати деякі з цих речей і допомагати вашій команді використовувати деякі наявні ресурси, які вже є.
Нік Jewell: Абсолютно. Існує так багато способів заповнити цю прогалину талантів, не потрапляючи в гонку озброєнь. Пару слайдів назад, я не знаю, чи зможете ви перевернути пару туди. Kaggle, сайт змагань з наукових даних, вони щойно опублікували опитування із 17000 відповідей про стан наукових даних, і було справді цікаве відповідь опитування щодо навичок, які мали люди, і більшість респондентів не мали доктора наук , це просто вже не обов’язкова умова.
Ідея про те, що експерти з аналітики наступного покоління, той головний міхур, який ви тільки що демонстрували, вони можуть отримати необхідні знання з курсів нано-ступеня. Вони можуть перейти на сайти, такі як Udacity, і вони можуть негайно розгорнути ці знання безпосередньо в бізнесі, короткочасні цикли доставки роблять їх безпосереднім джерелом просування конкуренції для їхніх компаній. Отже, на що слід пильнувати, я думаю.
Джен Андервуд: Ні, я згоден. Навіть якщо я подумаю над цим, це, безумовно, пройде довгий шлях, оскільки я взяв дворічну програму в UCSD. Думаю, це було ще в 2009, 2010 роках, і в країні насправді було небагато, що дозволило вам це зробити. Зараз узагалі існує багато інших варіантів, а також спеціалізовані програми, будь то через постачальників, багато ресурсів, доступних сьогодні з циклами, і всі ці різні Інтернет-ресурси, це просто дивовижно, насправді саме час. Заробляйте час і складіть бюджет, і плануйте, щоб не відставати. Чого ви хочете навчитися? А потім слідуючи тому шляху, який ви хочете вивчити.
Якщо говорити про це і скласти свій власний план навичок та з перспективою CDO, переконавшись, що вони мають людей у охоплених районах, з того, що я б сказав, рамки компетенції як такого, дивлячись на навички чи дивлячись на речі, такі як знання домену Це все ще дуже важливо, хоча ці рішення можуть самостійно навчатись та самостійно навчатись, це справді фахівець з ділових питань, який керуватиме та переконається, що результати мають сенс.
Завжди є щось, і мені подобається використовувати приклад, коли я робив критичну аналітику для страхової компанії, і одним із висновків, що алгоритми були не наймати когось із Нью-Йорка. Ну, ні, ми не збираємося наймати нікого з Нью-Йорка - нам довелося з’ясувати, чому алгоритм надає нам цю інформацію. Це було тому, що законодавчий, один із законів змінився, і тому у нас було дуже чітко в цьому сегменті. Для розшифровки цього потрібно було залучити експерта з питань ділових питань, і я не бачу, що це змінюється, я не бачу такого керівництва, щоб переконатися, що результати виглядають точно, чи щось відхилиться - все одно , там є щось, про що говорить людський розум, краса того, що поєднується з силою машини, насправді куди йдемо.
Інші типи речей, коли ви дивитесь на навички, візуалізацію, розповідаєте ефективну історію в даних, розповідаєте ефективну історію, чи це навіть машинне навчання. Збираючись разом і дивлячись на те, який вплив він робить, розуміючи людську природу прийняття рішень, ці речі дуже важливі незалежно від технології. Управління дійсно важливо, етика стає все більш важливою. Залучивши соціологів, які розуміють, і вони навчені дивитись, чи є упередження у ваших даних, які ви навіть не усвідомлюєте чи у вас немає в організації когось, хто може навіть не визнати цього, навіть привертаючи їх до експерта , маючи такі речі.
І знову ж таки, звичайно, що ви маєте інфраструктуру для інженерії та обладнання та переконайтеся, що ви можете масштабувати та розвивати, і переконайтеся, що використовуєте правильний постачальник хмар, можливо, ви не заблоковані або у вас є варіанти переміщення чи іншого Ви розумієте, наскільки ці кошти вам коштуватимуть. Це такі типи навичок, і коли ви дивитесь на це, ми би називали це вміннями в різних областях, будь то керовані даними керівники фронтових рішень - де буде виконуватися більшість цих ролей - аж до тих інженерів даних і науковців, які будуть бути масовим і працювати в цих океанах даних. Це типи речей, для яких ви хочете скласти рамку.
Дивлячись на рамки компетентності, ви дивитесь на організацію взагалі, ви хочете враховувати компетентність, а не лише навички. Тут є невеликий нюанс у формулюванні, як ви це дивитесь. Рамка компетентності для вашої організації - це чіткий сигнал. Політики, що займаються військовою політикою, освітяни, хоча навички, як би сказати, були набрані під R, ви думаєте про такі речі, у вас є компетентний кодер, але ви хочете хотіти мати більше, ніж просто ці навички. Коли ви розумієте компетентність, те, що людина повинна вміти і розуміти рамки, це важливо, там є трохи нюансу.
Коли ви будуєте це, ви хочете поставити діагноз, який би ви назвали потенціал, який має позитивний вплив на бізнес, і виділити ті сфери з високим потенціалом, тому ви надаєте пріоритет, які компетенції ви хочете підвищити у своїй організації та потім знову їх узгоджуйте з цілями бізнесу. CDO, який відповідає за максимальне значення даних, вони переглянуть, і їх CAO, які використовуватимуть аналітику для максимізації значення даних. Вони будуть дивитись на ці компетенції та ті різні сфери, на минулій сітці, яку я там мав, але потім вони також будуть шукати високий потенціал персоналу. Ви переймете, що зі своїми співробітниками, які працюють з даними та аналітиками, і інвестуйте в них, надайте їм можливості для навчання, а не просто навчання, по суті, реальні можливості, що працюють над реальними бізнес-проблемами.
Немає нічого кращого - хоча я пару років ходив до школи, це було, поки я не пішов і застосував деякі з цих алгоритмів і не дізнався про шахрайство з перевіркою, дізнався про деякі з цих речей, про які я раніше не думав, і ти почніть збиратися разом у реальному світі, і саме там ви дійсно навчаєтесь. Надання людям можливості отримати досвід у цих сферах. Компанії, які найкраще здатні створити потужні можливості, які систематично визначають, об'єктивні оцінки та дивляться, де є прогалини в моїй організації щодо навчання та встановлення певних показників для цілей для людей, це ті, які збираються мати можливість доставити.
Якщо ви думаєте про підготовку дорослих, то, як правило, це час голодував - ми весь час голодували, - але дивимось, що працює для кожного. У мене особисто є книги, тож якби ви сьогодні завітали до мого кабінету, ви побачили б багато книг, хоча багато людей люблять відео. Тож справа в тому, щоб з’ясувати, як хтось у вашій організації любить вчитися - мотивувати їх до навчання, - а також надаючи їм певний час для цього і якусь мету - що таке ефективне для досягнення цього, і зазвичай це змішаний, це не просто, пройдіть цей курс, щоб перевірити цю позначку на картці рахунків, сама по собі, це суміш того, що з реальним цільовим проектом і що ви дізналися з цього проекту, і що ви хочете зробити далі? Що таке розтяжка? Розтягування вашої команди або мотивація вашої команди взяти її далі.
Ці цілі навчання, знову ж таки, якщо ви це робите, насправді це не повинно бути, для бізнесу це повинно бути легко, оскільки ці цілі повинні відповідати стратегічним інтересам бізнесу. Це чудові проекти. Вони експериментальні проекти. Це проекти, які рухатимуть голку вперед.
Нік, ти хотів щось додати? Я не впевнений.
Нік Jewell: Ні, я збирався перейти до прикладу, якщо це нормально, на наступному екрані. Трохи детальніше конкретної організації. Я здогадуюсь, вони реалізували багато того, що ви говорите, на практиці. Компанія "Форд Мотор" протягом десятиліть покладалася на аналіз даних, як і багато компаній, але це робила в кишенях бізнесу, мабуть, дуже мало контролюючи всю корпорацію, щоб забезпечити послідовність та координацію. Їх проблеми, ймовірно, були досить типовими для організації їх масштабу, тому аналітична експертиза містила - як ми говоримо - всередині кишень, керування даними та практики управління невідповідними, навіть до того моменту, коли деяким бізнес-підрозділам бракувало доступу до базової експертизи аналітики.
Знову ж таки, ми сьогодні говорили про безліч різних типів джерел даних, у них було понад 4600 джерел даних. Це означало, що навіть почати подорож і знайти потрібні їм дані було справжньою перешкодою для аналітичного розуміння. Я бачу, що ти смієшся, але це жахливо, правда?
Джен Андервуд: 4600, о боже, так.
Нік Jewell: Таким чином, Форд сформував глобальну одиницю розуміння та аналітики, і це було централізовано - можна назвати це центром досконалості - що складається з команди науковців та аналітиків, організованих для обміну найкращими аналітичними практиками та сприяння поширенню оптимізованих даних, керованих даними бізнес. Підрозділ вибрав найкращі в своєму класі інструменти не тільки за можливостями, але і за їх здатністю добре інтегруватися разом, так що це дуже важливо. Демократизація їхньої уваги була фактично навколо звітів та описової аналітики, перш ніж рухатись до тієї піраміди потреб, про яку ми говорили.
Тепер демократизація не просто робить когось науковцем за ніч; персонал повинен знати, коли і де отримати допомогу, і є навчання, управління, методики, які допоможуть у всьому цьому. Крім того, мова йде не лише про інструментальну підготовку, а й про наукову підготовку даних, щоб подолати той розрив у навичках, про який ми згадували. Отож, випадок використання у реальному світі у Ford, оптимізуючи логістичну мережу, тож Ford сплачував потрібну суму за переміщення матеріалів з точки А в точку В? Їх спадщина аналітика дійсно не виділяла можливих можливостей; це зробило їх дуже реакційними на ринку. Зараз велика кількість складних для цього процесу була замкнена в головах аналітиків, і вони зробили величезний прорив, коли робочий процес самообслуговування був фактично перерваний з бізнесом, а експерти-аналітики сиділи разом і знаходилися спільно.
Це перемістило аналіз з багаторічного на квартальний і навіть вниз до майже реального часу, настільки величезну, величезну користь для бізнесу. Такий вплив аналітики самообслуговування на цінність бізнесу полягає в тому, що Ford може швидко планувати та встановлювати стратегії, орієнтовані на корпоративну передачу даних, реагувати на новітні тенденції, допомагати формувати нові сервіси і, в основному, уникати загроз від конкуренції, не тільки треба дивитися в це дзеркало заднього виду.
Тепер, якщо ми подивимось на мить, як інший клієнт дійсно перемістив аналітику з, можливо, вертикального пріоритету в одному підрозділі фірми до горизонтальної смуги у всіх підрозділах, ми поговоримо про Shell. Shell працює в центрі передового досвіду, який повідомляє головного директора з цифрових технологій - тож є ще один D для нашої книги про CxO - який відповідає за цифрову трансформацію та стабільність. Хлопці, вони зрозуміли, що їхнє середовище містить декілька шарів, технологічний стек, зберігання, обробка даних, і всі вони містять технології, які ви всі будете знайомі. Такі речі, як SAP HANA, Databricks, Spark, і вони використовували публічну хмару, щоб досягти правильної економії масштабу.
Тепер вони вибрали Alteryx як обгортку для аналітики для багатьох своїх кодів R, використовуючи такі технології, як Spotfire, Power BI та багато іншого. Але тепер вони бачать, що прийняття набагато тісніше пов'язується з обробкою та візуалізацією даних. Джен, щойно повертаючись до ваших слайдів усіх цих можливостей, така річ поширюється, коли ми починаємо надавати більше доступу до аналітиків. Ви знаєте, вони досягли величезної успішності в наданні цієї можливості та РЄ, прагнучи забезпечити майбутні можливості зараз, деякі з цих глибоких навчальних речей, про які ми говорили - машинне бачення, обробка природних мов - і половина їх місії - це доставка, половина - йдеться про пояснення та каталізацію цих ідей у бізнес-підрозділах. Це частина подорожі; РЄ завжди розглядає різні способи спілкування зі своєю діловою аудиторією.
Беручи до уваги з одного боку скептиків, які кажуть: "Ну, ця чорна скринька ніколи не буде такою доброю, як мій аналітик", аж до фанбоя чи ентузіаста, який усюди бачить кореляції, можливо, менше на шляху причинно-наслідкових відносин , але потрібно бути обережними з обох сторін. Це захоплююче середнє місце, коли ви маєте цю горизонтальну смугу по всій організації, той гібридний набір навичок, який необхідний для переконання обох сторін спектру.
Нік Jewell: Добре, Джен, ти там?
Джен Андервуд: Мені.
Нік Jewell: Я думаю, що ми намагаємось сказати тут цитатою Клейтона Крістенсена, що для багатьох організацій, я думаю, об’єднання порядку денного аналітики для того, щоб рухати цифрову трансформацію, про яку ми говорили сьогодні, стане проблемою. . Найчастіше ми знаходимо аналітичні команди, починаючи зі слабкої руки. Спроба впроваджувати інновації із застарілими захопленнями аналітичних процесів, технологій, командних структур та дотримуватися цих реліквій стане найбільшою перешкодою для аналітичного узгодження та для аналітичних інновацій. У вас є думки з цього приводу, Джен?
Джен Андервуд: Мені подобається обрана обрана картина. Так, безумовно, має для мене багато сенсу. Ви повинні прийняти деякі з цих нових технологій, наприклад, потокове передавання в режимі реального часу. Ви не обов’язково зможете отримувати ці результати в реальному часі, якщо вам доведеться робити оновлення JavaScript у веб-переглядачі, як і раніше, зі старовинною спадщиною - можливо, це додаток на панелі інструментів або подібні речі. Так, вам потрібно використати деякі з цих нових інструментів, і знову ж таки, я думаю, що ця картина справді мила, картинка говорить тисячу слів. Візок і баггі, ви повинні відпустити деякі з тих старих технологічних підходів.
Нік Jewell: Абсолютно. Отже, якщо ми перейдемо на наступний слайд, ми вважаємо, що є кращий шлях. Напевно, перш за все, використовуючи щось, що схоже на пошук, схожий на Google, швидко знайти всі ваші ресурси даних, які є найбільш релевантними. Розуміння їх кон-ференції, розуміння залежності, фактор у дійсно простих речах, таких як ділові словники, авторами яких є фахівці у ваших громадах, зберігаються в живих завдяки усім цим племінним знанням керівників ваших колег.
Розумність із відкриттям даних. Подумайте про можливість ведення розмов з власниками звітів та експертами. Завантажуючи, виконайте трохи Trip Advisor або Yelp, завантажуйте найкорисніші ресурси, засвідчуючи те, що організація вважає найціннішим, а потім все це повертається в результати пошуку і в кінцевому рахунку в пошукові рейтинги, що робить його кращим для наступний користувач. Як тільки ви знайдете те, що шукаєте, переходите до того швидкого, без коду, зручного для користувачів етапу підготовки та аналізу, щоб розробити свій ідеальний набір даних, з якого публікувати повторювані процеси.
Поверніться до нашої розмови про автоматизацію, створивши зручні для користувача програми. Все, що потрібно для побудови аналітичних моделей. Говорячи про моделі, ми підтримували технології з відкритим кодом, такі як R, протягом ряду років, що дозволяє нам створити реально розширену аналітичну здатність, яка охоплює описову, але також прогностичну, наказову аналітику, у простому, перетягуванні та, краплинний шлях.
Тепер, переходячи до правого боку, насправді отримує це розуміння інтерактивних візуалізацій, моделей та балів, що просуваються всередину платформ даних або останнім часом, роблячи це розуміння доступним миттєво та безпосередньо в бізнес-процесі. Я думаю, що саме цей діапазон можливостей на всій платформі дозволив нам бути визнаним переможцем Золотої нагороди в цьогорічному опитуванні вибору клієнтів Gartner Peer Insights, що є фантастичним досягненням. Я настійно рекомендую відвідати сайт Gartner, щоб дізнатися більше та додати свої голоси та додати свій власний коментар.
Класно, так, Джен, якщо ми пропустимо ще один слайд вперед - я думаю, як ми зробимо висновок, я хотів би зробити вам усі наступні кроки. Перш за все, завітайте на сайт Alteryx.com, щоб завантажити безкоштовну копію нашого останнього навчального опису, зробленого за погодженням з Міжнародним інститутом аналітики (IIA), щодо розбиття аналітичних перешкод. Ви також можете відвідати udacity.com/alteryx, щоб дізнатися більше про те, як увімкнути свої команди, зробити наступний крок у їхній подорожі за допомогою цієї передової аналітики нано-ступеня, а потім, нарешті, випробувати Alteryx для себе. Зайдіть на домашню сторінку, завантажте повнофункціональну оцінку та ввімкніть хвилювання рішення.
Джен, до тебе. Ми можемо мати час для запитань та запитань.
Ерік Кавана: Я просто подзвоню по-справжньому швидко. У нас є пара питань. Я нагадаю вам, спочатку Нік, а потім Джен, якщо ви хочете прокоментувати це, але це, безумовно, більше застосовно до ЄС, і це сумнозвісний GDPR, Глобальний регламент захисту даних. Як це впливає на Alteryx та вашу дорожню карту і на чому ви зосереджені?
Нік Jewell: Думаю, це дуже бугіман, я думаю, це зараз там. Дуже багато людей говорять про це, багато людей дуже хвилюються, але це справді лише перша в довгій серії регламентів, які прийдуть у світ даних та аналітики. Дійсно, з нашої точки зору, мова йде про розуміння та класифікацію ваших даних. Будучи впевненим, що як CxO, будь-якого конкретного аромату, ви знаєте, де є ваші активи, ви знаєте їх конфесій, і ви знаєте, що можете довіряти їм як перший крок до дійсного просто керування та управління даними в більш широкому контері.
Ерік Кавана: Я думаю, я передам вам ще одне питання до того, як ми повернемо Джен, Нік, і це дані про навчання, якщо хтось просить видалити їх дані з вашого підприємства, це вплине не лише на їх ім’я, адресу тощо. далі, не лише їх контактну інформацію, але також, якщо алгоритм використовує навчальні дані, що включають ваші дані, ви повинні перевчити алгоритм, чи не так?
Нік Jewell: Це особливо складно. Я думаю, що ідея про те, що не тільки бази даних є джерелом певної цієї особистої інформації, але й аналітичні робочі процеси, програми, візуалізації. Ці дані отримують скрізь в організації, тому маючи це суперечки: абсолютно життєво важливі.
Ерік Кавана: А Джен, що ти думаєш? Очевидно, що це не така велика угода в США, і зараз ми не бачимо, що надто багато компаній, які б’ються через це, навіть якщо технічно це застосовується тут. Якщо американська компанія має дані про громадянина ЄС, що ви розумієте про значення GDPR та наскільки це велика угода?
Джен Андервуд: Ну, я, звичайно, думаю, що це вимагає відповідальної обробки даних. Я писав про це кілька разів і маю деякі рекомендації щодо деяких цих речей. Я думаю, питання, яке ви задали про алгоритми, цікаве. Звичайно, деякі рішення, на які я зараз розглядаю, деякі їхні групи продуктів розробили функції, щоб ви могли бачити, як вони приймають рішення та які особисті дані використовувались для вирішення результатів цього алгоритму. Ми спостерігаємо деякі наслідки в дизайні виробів тут, у Сполучених Штатах.
Багато технологічних компаній мають тут дуже великі офіси та команди розробників тут, як у Штатах, так і в усьому світі, тому ми бачимо це на розробці продукту. Я бачу, що в них вкладається більше каталогів даних. Більше ініціатив урядів розкручується, щоб люди розуміли, і вони розуміють, де всі ці дані в хаосі. Намагаючись обійняти їх, принаймні, організуючи це, зумівши його знайти і зробити щось із цим.
Ерік Кавана: Я підсуну цей слайд, про який ми говорили раніше, і передамо це вам, Нік. Я думаю, що це фантастичний слайд, тому що, на мене, це справді говорить про безпосередність потреби в аналітиці. Що ви думаєте про цю мінливу динаміку? Я маю на увазі, суть полягає в тому, що компанії повинні бути спритними, і я бачу аналітику як провідну позицію. Що ти думаєш?
Нік Jewell: Це захоплююче. Я думаю, що завжди є - компанії та технології завжди існують у трьох штатах, тож це буде війна, мир чи диво. Війна буде йти про той важкий рівень конкуренції.Чудо - це все нові чудові речі, які ви будуєте на платформі. Потім мир перед змаганнями і війна починається знову. Я думаю, що завжди триває ця битва.
До сьогоднішнього дзвінка ми розповідали про деякі інші конференції та ключові нотатки, які сьогодні проходять по всьому світу. Деякі з великих постачальників хмар, вони дійшли до того, як вони створили цю платформу, і тепер вони створюють чудові нові речі на її вершині. Компанії повинні по-справжньому пильно стежити за цим і переконуватись у тому, що вони працюють із тим, що має цілісну платформу, яка надасть цю цінність у майбутньому. Вони переживуть цей зрив.
Ерік Кавана: Так, це хороший момент, і ви знаєте, Джен, ви коментували раніше, насправді перед шоу, про хмарну стратегію і про те, як багато хто з людей, яких ви знаєте в галузі, говорять про те, що зараз великі компанії, навіть банки. хмарна стратегія. Я був якось здивований, скільки часу знадобилося, щоб це здійснилося, і, мабуть, хтось із них поїхав на конференцію AWS Reinvent і зрозумів, наскільки це масштабно, і зробив висновок, що прийшов час. Що ви думаєте про обізнаність керівників великих підприємств про імпорт хмари та як це змінює їхнє планування?
Джен Андервуд: Коли я думаю про цей світ масових даних, маючи можливість ним керувати, я думаю, що на деяких рівнях існує певний спокій, коли одна з дуже великих фірм несе відповідальність за деякі аспекти безпеки, тому є спокій розум там. Ви знаєте, що з хмарою є обмежений масштаб.
Інша справа, і я це бачив, я був у команді, яка переробляла продукт у хмарі, і це, безумовно, недоотриманий продукт, і ніхто не звертав на нього уваги, і протягом двох років через щотижневі випуски і навіть, Я б сказав, це майже до суті щоденного випуску у хмарі. Я знаю, що Amazon каже, що вони випускають кілька разів на день. Коли у вас є така загроза, коли ваші конкуренти можуть випускати та вдосконалювати щоденно, що б там не робили, принаймні в індустрії програмного забезпечення - а всі справді в індустрії програмного забезпечення, коли ви починаєте дивитися на цифрову трансформацію - це зовсім інше м'яч з м'ячем і будь-хто може розкрутити хмару і масштаб і стати великим.
Знову-таки, це будуть дані, які вони використовують, і це буде змінювати інтелект та їх інтелект в алгоритмах, і саме тому люди говорять про те, що дані є новим маслом або дані, що є золотом. Коли я дивлюсь на хмару, це зміна ігор, вона дійсно дозволяє дуже, дуже швидко розвиватись і масштабувати. Це дивовижно.
Ерік Кавана: Я поверну вас, Нік, з ще одним питанням - ми підемо тут лише на хвилину, якщо зможемо дійти до деяких із цих питань, але, як я пам’ятаю, п'ять і шість, а може, навіть сім років тому, Alteryx справді був новатором у використанні сторонніх даних - таким чином, приводячи дані з таких джерел, як Experian, наприклад, або геопросторових даних. Я думаю, що це, мабуть, стратегічна перевага, тому що така річ є в ДНК в Alteryx, правда? По мірі того, як компанії рухаються до хмари, я думаю, що ви, хлопці, маєте багато досвіду в змозі подолати ці світи. Як ви гадаєте, світи суперечливих віршів сторонніх та хмарних даних, як ви думаєте?
Нік Jewell: Так, абсолютно. Кінцева підключеність стане такою силою для будь-якої компанії, яка буде працювати в цьому хмарному середовищі. Але я скажу, коли ми говоримо про щось на зразок інфономіки, ідею про те, що інформацію та дані слід вважати надбанням вашої компанії. Більшість цінностей, які ви збираєтеся вносити, - це отримання зовнішніх джерел даних, їх змішування та збагачення своїми внутрішніми джерелами, щоб створити та монетизувати більше цінності в процесі. Дуже важливо однаково працювати з внутрішніми та зовнішніми даними.
Ерік Кавана: Так, це хороший момент. Я думаю, весь цей гібридний хмара тут залишився. Джен, я просто збираюся передати це вам за кілька заключних коментарів. Для мене, маючи такий стратегічний погляд і вміючи уніфікувати, як новий термін описує дані в різних джерелах, це стане критичним фактором успіху, чи не так?
Джен Андервуд: Ні, абсолютно, і це смішно, я чув цей гібрид, гібрид, гібрид. Ви чули про це, і чотири роки тому ви думали про Hadoop, Hadoop та великі дані, а потім почали чути гібрид, гібрид, так що, безумовно, там було, нам це необов'язково, це рік машинного навчання. Я маю на увазі штучний інтелект, цього року машинне навчання вийшло на сцену, але для того, щоб реально функціонувати в організації, яка сьогодні на шляху до хмари, або яка має справу з усіма цими різними хмарними джерелами даних, можливо, це Salesforce або Робочий день, усі ці різні типи джерел, які живуть у хмарі, єдиний спосіб, коли ви можете це впоратися, - це бути гібридом. Ви не можете скопіювати дані скрізь, тому вам потрібно мати можливість прямого підключення, і вам потрібно знайти спосіб працювати з даними, що знаходяться скрізь, знаходити дані скрізь, тому що це реальність того, де ми праві зараз.
Ерік Кавана: Я думаю, що мене відпустять, якби я не повернув машинне навчання до розмови, тож, Нік, я просто передам це тобі. Я знаю, що ви, люди, зараз зосереджені на цьому - чи можете ви поговорити про те, де ви бачите машинне навчання, що погоджується з аналітикою та з тими системами, які ми використовуємо для розуміння нашого бізнесу та наших даних?
Нік Jewell: Так, звичайно. Тож, коротко, тоді давайте швидко повернемося до нашого розриву у вміннях. Ідея про те, що у нас організації абсолютно наповнені потужністю користувачів Excel. У нас з’являються дані вчених, але вони не ростуть однаковою швидкістю. Між цими двома є великий розрив. Подумайте, де сьогодні машинне навчання. Скільки алгоритмів у нас на телефоні чи на годиннику, які містять методи машинного навчання? Це товар, він є скрізь. Нам потрібно дозволити цим споживачам живлення найпростішим можливим способом переконатися, що машина успішно застосовується в бізнесі.
Ерік Кавана: Можливо, я перекину тобі останнє. У нас є кілька запитань, які надходять пізно, тут. Джен, я тебе попрошу. Учасник коментує всю цю концепцію непідконтрольного навчання, і факт полягає в тому, що для цього вам потрібні дані про навчання і, як правило, дані про навчання повинні бути специфічними для компанії. Незважаючи на те, що в галузях існує багато кореляцій, існує багато способів, в яких організації схожі. Тим не менш, кожна компанія є унікальною, будь то її бізнес-модель чи її підхід до маркетингу чи продажу, або будь-який випадок, розробка товару.
Постає питання, чи зможуть ці алгоритми використовувати сторонні дані для навчання? Мені здається, вам завжди потрібно буде використовувати власні дані для підготовки цих алгоритмів, навіть якщо цей цикл скорочується від шести місяців - що було в деяких випадках - до 40 днів або 20 днів, незалежно від випадок може бути. Вам справді потрібно використовувати власні дані, і ви повинні переконатися, що дані досить чисті, правда?
Джен Андервуд: Це дійсно суміш. Ви хочете мати зовнішню змову. Насправді я сьогодні заброньований назад до спини, і наступний мій вебінар розповідає про підготовку та очищення даних, як не дивно, для машинного навчання. Насправді ключовим є те, що ви збираєте зовнішню згоду з вашою організацією, і мені подобається, що ви запитали про підготовку та очищення даних, бо, чесно кажучи, деякі інструменти отримують дуже і дуже добре - вони можуть впоратися з деякими аспектами, але людський розум або здатність розшифрувати проблему, подивитися і переконатися, що вони не були опущені - кажіть, що ми маємо якусь упередженість упущення. Те, як ви дивитесь на проблему та як ви вирішили розробити проблему, яку ви автоматизуєте, або рішення, які ви автоматизуєте, є для цього мистецтвом і переконайтеся, що воно точно відображає цей бізнес-процес.
Повернувшись до мого прикладу зі страховою компанією, коли ми моделювали хліб і кого взяти на роботу, щоб пройти цей спонсорський тренінг з продажу страхування; в самій моделі не було правового клімату, різних законів для різних держав. Завжди буде якийсь аспект, де вам доведеться мати ті зовнішні дані зі своїми внутрішніми даними і, знову ж таки, людським розумом. Там будуть різні компоненти.
Ерік Кавана: Думаю, ти тут поставив справді хороший момент. Ми постійно чуємо про роботи та машини та машинне навчання. Для мене це дуже руйнівна тенденція - у цьому немає жодних сумнівів, - але я ніколи не бачу потреби в людях у суміші, особливо з аналітикою даних, щодо даних підприємств.
Нік, одне останнє питання до тебе. Для мене, незалежно від того, наскільки хороші алгоритми отримують, вам завжди будуть потрібні люди, які слідкують за тим, що відбувається, вводять себе в призначений час і справді синтезують загальну картину того, що там. Я не думаю, що жоден алгоритм ніколи не зможе синтезувати загальну картину для компанії Fortune 2000, але як ви думаєте?
Нік Jewell: Що ж, давайте візьмемо абсолютно нелітературний приклад, поговоримо про Uber минулого року. Убер під час терористичного інциденту в Австралії, коли люди намагаються втекти з цього району, вони несподівано ввели цінові ціни, тому що алгоритм наніс величезний збиток репутації. Відразу після цього вони впровадили люди та алгоритми спільної роботи. Щоразу, коли це мало відбуватися, людині доводилося контролювати процес. Це партнерство людини і алгоритму, це шлях вперед.
Ерік Кавана: Вау, це чудовий приклад, дуже дякую Ну, люди, ми прогоріли тут більше години на нашому веб-трансляції. Дуже велике спасибі Джен Андервуд із Impact Analytics. Звичайно, велика подяка Ніку Джерелу та команді Alteryx за їх час та увагу та всім вам за ваш час та увагу. Ми цінуємо ці чудові питання. Ми архівуємо всі ці веб-трансляції для подальшого перегляду, не соромтеся поділитися ними з друзями та колегами. З цим ми прощаємося з вами. Відмінна веб-трансляція сьогодні. Дякую ще раз, ми наступного разу наздоженемо вас, люди. Піклуватися. Бувай.