Sa pamamagitan ng Techopedia Staff, Nobyembre 29, 2017
Takeaway: Tatalakayin ni Host Eric Kavanagh ang data at analytics, pati na rin ang mga tungkulin ng punong opisyal ng data (CDO) at punong opisyal ng analytics (CAO) kasama sina Jen Underwood ng Impact Analytix at Nick Jewell ng Alteryx.
Eric Kavanagh: Mga kababaihan at mga ginoo, kumusta at maligayang pagdating muli sa isang napaka-espesyal na edisyon ng Hot Technologies. Mga tao, ito ay si Eric Kavanagh, magiging host ako para sa palabas ngayon, "Ang CxO Playbook: Ang Hinaharap ng Data at Analytics." Oo, ito ay isang medyo malaking paksa, kailangan kong sabihin. Sa katunayan, mayroon kaming kaunting isang record-breaking na karamihan sa mga tao dito ngayon. Mayroon kaming higit sa 540 na mga tao ang nagparehistro para sa webcast kaninang umaga. Ginagawa namin ito sa isang espesyal na oras, tulad ng alam ng marami sa aming mga regular na palabas, karaniwang ginagawa namin ito sa 4:00 Eastern, ngunit nais naming mapaunlakan ang napaka espesyal na panauhin na tumatawag mula sa buong lawa. Hayaan akong sumisid mismo sa pagtatanghal ngayon.
Kaya mainit ang taong ito - naging isang napakagulong taon sa maraming paraan, sa palagay ko ang ulap ay may kinalaman sa iyon. Ang pagkakaugnay ng mga teknolohiya na nasasaksihan namin sa pamilihan ay ang pangunahing driver, at tinitiyak ko ang tungkol sa SMAC habang tinawag nila ito. Pinag-uusapan namin ang SMAC: panlipunan, mobile, analytics, ulap - at lahat ng bagay na iyon ay magkakasama. Maaaring baguhin talaga ng mga samahan ang paraan ng kanilang negosyo. Marami pang mga channel para sa pagpapatupad ng iyong mga operasyon sa negosyo, mayroong mas maraming data na masuri. Ito ay isang tunay na ligaw na mundo sa labas at pag-uusapan natin ngayon tungkol sa kung paano nagbabago ang mga bagay sa C suite, kaya't ang punong ehekutibo, ang nangungunang mga tao sa mga samahang ito, mabuti na ang buong mundo ay nagbabago ngayon at kami ay pagpunta sa pag-uusapan tungkol doon.
Nariyan ang tunay na nasa itaas. Mayroon kaming Jen Underwood mula sa Impact Analytix at Nick Jewell, ang nangungunang teknolohiya ng ebanghelista mula sa Alteryx sa linya ngayon. Ito ay napaka-kapana-panabik na bagay. Naranasan ko ang konseptong ito kagabi, mga tao, at sa palagay ko ito ay talagang uri ng kawili-wili. Siyempre, alam nating lahat ang mga upuang pang-musika, ang laro para sa mga bata kung saan mayroon kang lahat ng mga upuang ito sa isang bilog, sinimulan mo ang musika, nagsisimula ang lahat sa paglalakad at isang upuan ay hinila; kapag tumitigil ang musika sa bawat tao ay kailangang mag-scramble upang makakuha ng isang upuan habang ang isang tao ay nawawala sa kanilang upuan sa sitwasyong iyon. Ito ay isang napaka-kakaiba at nakakahimok na bagay na nangyayari ngayon sa C suite, at kung napansin mo sa imaheng ito mismo, nakakuha ka ng dalawang walang laman na upuan sa likuran. Karaniwan, ang isang upuan ay nawawala sa mga upuan sa musikal, at kung ano ang nakikita natin sa mga araw na ito, ay mayroong dalawang higit pang mga upuan sa antas ng C: ang CAO at ang CDO, punong opisyal ng analytics at punong opisyal ng data.
Pareho silang umaalis. Talagang ang punong opisyal ng data ay talagang nag-aalis tulad ng apoy sa mga araw na ito, ngunit ano ang ibig sabihin nito? Nangangahulugan ito ng isang bagay na napaka makabuluhan. Nangangahulugan ito na ang lakas ng data at analytics ay napakahalaga na ang mga silid-tulugan, o mga silid ng ehekutibo na dapat kong sabihin, ang mga C suite ay nagbabago - nagdaragdag sila ng mga tao sa C suite, ang buong bagong mga executive ay pinupuno ang ilan sa mga bagong upuan. Kung iisipin mo kung gaano kahirap baguhin ang kultura ng isang samahan, mabuti na medyo seryosong pakikitungo. Ang kultura ay isang napakahirap na bagay upang baguhin, at karaniwang positibong pagbabago ay pinalaki sa pamamagitan ng mahusay na pamamahala at mabuting ideya at ganoong uri ng bagay. Kung iisipin mo ang tungkol sa pagkakataong mayroon kami ngayon, sa pamamagitan ng pagdaragdag ng mga bagong executive sa C suite para sa analytics at para sa data, talagang malaki ang pakikitungo nito. Pinag-uusapan nito ang pagkakataon para sa mga organisasyon na baguhin ang tilapon, at hayaan natin ito, ang malaki, mga lumang kumpanya ay talagang kailangang magbago dahil sa kung paano nagbabago ang pamilihan.
Karaniwan akong nagbibigay ng mga halimbawa ng Uber, halimbawa, o Airbnb bilang mga organisasyon na sadyang nasira ang buong industriya, at nangyayari ito kahit saan. Ang tatalakayin namin ngayon ay kung paano maiangkop ng iyong samahan, kung paano mo maiisip ang mga tao, maaaring magamit ang impormasyong ito, ang pananaw na ito, upang mabago ang iyong tilapon sa negosyo at maging matagumpay sa ekonomiya ng impormasyon.
Gamit nito, ibibigay ko ang mga susi ng WebEx kay Jen Underwood, at pagkatapos ay si Nick Jewell ay pupunta din sa chime; tumatawag siya mula sa UK Salamat sa inyong dalawa, at Jen, kasama iyon, ihahatid ko ito sa iyo. Kunin mo na.
Jen Underwood: Salamat, Eric, mahusay ang tunog. Magandang umaga sa lahat. Ngayon ay pag-uusapan natin ang tungkol sa CxO playbook na ito; ito ay ang hinaharap ng data at analytics at ako ay sumisid mismo. Nagawa na ni Eric ang isang magandang trabaho sa pakikipag-usap tungkol sa kung bakit ito napakahalaga. Ang aming mga tagapagsalita ngayon, muli, nakakita ka ng isa pang slide kasama ang impormasyong ito, ngunit magkakaroon ka ng aking sarili at si Nick Jewell na nakikipag-usap sa iyo nang napaka-interactive sa session na ito ngayon. Kami ay magbubukas sa paglalarawan kung ano ang mga papel na ito at ang mga uri ng mga bagay na kanilang gagawin sa isang misyon. Susubukan naming tingnan ang industriya ng analytics, ang pananaw sa pangkalahatan at ilan sa mga hamon na haharapin ng mga tao na ito. Ang mga dinamika sa loob ng mga samahan ngayon habang naghahanda ka para sa hinaharap, at pagkatapos ay pag-uusapan natin ang mga susunod na hakbang at bibigyan ka ng gabay sa pagpaplano, kung pupunta kang galugarin ang ilang mga papel na ito sa iyong samahan.
Ang pakikipag-usap tungkol sa CxO na ito, ang CAO halimbawa, iyon ang punong opisyal ng analytics, iyon ang pamagat ng trabaho para sa mga senior manager na responsable para sa pagsusuri ng data sa loob ng samahan. Karaniwang mag-uulat ang CAO sa isang CEO at ang mabilis na umuusbong na posisyon ay magiging mahalaga, kapag iniisip mo ang tungkol sa masa ng pagbabagong-anyo at ang digital na pagbabagong-anyo na nagkakaroon tayo ngayon sa paraan ng paggawa ng mga kumpanya at gawin ang kanilang mga desisyon sa negosyo.
Kung iniisip mo ang tungkol sa digital na pagbabagong-anyo at katalinuhan na naging pangunahing bahagi ng digital na pagbabagong-anyo, ang CAO ay isang napaka-istratehikong papel sa loob ng isang organisasyon. Hindi lamang nila ibabalik ang malakas na agham ng data sa mga aktwal na pananaw at kaalamang iyon, ngunit nagmamay-ari sila na nagreresulta sa ROI at epekto, kaya ano ang sinusukat nila? Paano nila dinala ang ROI na iyon ng data na mayroon sila at ilan sa mga numero ng ilalim-linya sa isang organisasyon para sa estratehikong pag-agaw ng data. Ang posisyon na iyon, kasama ang CIO, ang punong opisyal ng impormasyon ng impormasyon, ay tumaas sa katanyagan dahil sa pagtaas ng teknolohiya at digital na pagbabagong-anyo at ang halaga ng data.
Sa loob ng maraming taon, ang data ay ginto sa partikular na mundo na may monetization at intelligence at pagbabago ng impormasyong ito. Upang magawa ang mga aktibong kilos na ito at hindi lamang palaging naghahanap ng paatras, bawat se. Ang dalawang posisyon ay magkapareho sa pareho silang nakitungo sa impormasyon, ngunit ang CIO, per se, ay tututok sa imprastruktura kung saan nakatuon ang isang CAO sa imprastruktura na kinakailangan para sa pagsusuri ng impormasyon. Ang katulad na posisyon ay ang CDO at marami kang naririnig, marahil marinig namin ang higit pa tungkol sa CDO kaysa sa iyong ginagawa tungkol sa CAO ngayon. Mas nakatuon ang CDO sa pagproseso ng data at pagpapanatili at mga proseso ng pamamahala sa buong buong siklo ng buhay ng pamamahala ng data.
Ang mga taong ito ay magiging responsable para sa pag-monetize ng data at pagkuha ng halaga mula sa data at nagtatrabaho sa buong kapanahunan ng mga pamamahala at mga siklo ng buhay ng seguridad, sa buong buong tagal, sasabihin ko, ng siklo ng buhay. Ito ang mga tao na magiging napaka-tono, bawat se, o may pananagutan sa pagtiyak na GDPR - at pag-uusapan natin nang kaunti - ang European Data Protection Act, tinitiyak na ang mga uri ng mga bagay ay nasasakop sa kanilang mga samahan. Ngayon, nakakakuha kami ng istraktura at hinaharap para sa nakakagambalang mga dinamikong papel na masinsinang data. Ito ang mga uri ng mga bagay na responsable sa CDO at hindi lamang sa kanilang sarili - magtatayo sila ng isang cross-functional team, at mayroon akong ilang mga halimbawa ng ilan sa mga tao na mag-roll up sa, bawat se, sa isang istraktura ng samahan, mula sa mga arkitekto at mga pamamahala ng mga tao, at maging ang mga analyst at ang mga datos na siyentipiko at mga inhinyero sa isang samahan ay maaaring gumulong sa kanila.
Ang paglipat pa sa pananaw sa industriya para sa analytics, ito ay isang kahanga-hanga - marahil sampung taon, kahit na mas matagal - sumakay sa partikular na industriya. Patuloy itong lumalagong, kapana-panabik, kahit na sa pag-crash ng merkado ng mga taon na ang nakakaraan ay nasa mataas na demand pa ito. Ito ay naging isang kamangha-manghang lugar at kung titingnan mo ang agenda ng CIO mula sa Gartner noong 2017, ang BI at analytics ay nasa loob pa rin ng tatlong nangungunang ranggo ng kung ano ang pinakamahalaga sa isang samahan, at tinitingnan ang paglago ng mga merkado ng software, patuloy kami. nakakakita ng paglago doon. Para kasing nasa loob ako ng puwang na ito, palaging ito ay isang talagang maliwanag na karera.
Kung titingnan natin ang panahong ito ng digital at ang pagbabagong-anyo, kung ano talaga, napaka-kawili-wili sa akin, ang mga prosesong ito ay mayroon tayo, at madalas na nakakakuha ng impormasyon at kumilos mula sa mga proseso o sa panahon ng mga proseso ng negosyo. Ngayon, tinantya ni Gartner ng 2020, ang impormasyon na iyong ginamit ay muling mai-imbensyon, digitalized o maalis din. Walong porsyento ng mga proseso ng negosyo at mga produkto na mayroon kami mula sa sampung taon na ang nakakaraan, at nagsisimula kaming makita iyon, di ba? Nagsisimula kaming makita na sa mga taludtod ng Amazon marahil ang ilan sa mga malalaking tindahan ng kahon, ang Uber, ang Airbnbs - ang mga digital na modelo ay nakakagambala sa proseso at ngayon ay nakikipag-ugnayan ang mga tao. Kahit na Black Friday - Hindi ko alam kung gaano karaming mga tao ang napunta sa isang tindahan - maraming mga tao ang bumibili online, at paano mo maaabot ang customer na iyon? Kinakailangan ang katalinuhan upang gawin iyon. Ito ay nangangailangan ng ibang kakaibang paraan ng pakikipag-ugnay at pag-personalize ng mensahe at pagkakaroon ng katalinuhang iyon upang maipakita sa kanila ang tamang alok sa tamang oras, at ngayon marahil ito ay nasa isang pag-click ng isang pindutan. Napakadali para sa kanila na umalis sa iyong online na tindahan. Ang mga bagay ay talagang nagbabago sa mundong ito, at sa palagay ko gusto rin ni Nick na mag-chat tungkol dito.
Nick Jewell: Oo, hello sa lahat, maraming salamat. Humihingi ako ng paumanhin nang maaga kung may kaunting pagkaantala sa audio na papasok mula sa London, gagawin ko ang aking makakaya na huwag pag-usapan ka, Jen.
Talagang tama ka, ang pag-aalis ng basura, na ang pag-iimbensyong bilang bahagi ng digital na pagbabagong-anyo, ay madalas na nagmumula habang lumilipat ang mga organisasyon mula sa mga produktong bespoke, marahil na-disconnect ang mga aplikasyon at sa mas bukas at konektado na mga platform. Kapag ang iyong proseso ay digital, magiging mas madali upang makita ang end-to-end na paglalakbay ng iyong data. Talagang pinuhin ang mga hakbang na gagawin mo, sa pamamagitan ng paggamit ng data upang mai-optimize ang proseso na iyon.
Isulong natin ang isang slide, kung magagawa natin. Pagdating sa digital na pagbabagong-anyo, kung ano ang ibig sabihin ng mga organisasyon, sa palagay ko ay kapana-panabik o nakakatakot, depende sa kung aling bahagi ng spectrum na nakaupo ka. Tingnan ang tsart dito, na ipinapakita ang haba ng buhay ng mga kumpanya at kung paano nakakaapekto ang mga nakaka-impluwensya na impluwensya sa mga kapalaran ng isang organisasyon. Kung sinimulan mo ang isang kumpanya noong 1920s, halos 70 taon ka nang average, bago ka nakakagambala sa ibang kumpanya. Isang medyo madaling buhay sa pamamagitan ng mga pamantayan ngayon, dahil ngayon, ang isang kumpanya ay halos nakuha ng 15 taon hanggang sa pagbabanta ay nagbabanta sa pagkakaroon nito. Ito ay hinuhulaan na sa paligid ng 40 porsyento ng Fortune 500 kumpanya ngayon, kaya sa S&P 500, hindi na maiiral sa loob ng 10 taon. Sa pamamagitan ng 2027, 75 porsyento ng S&P 500 ay papalitan, kaya ang kalahating buhay na kinakaharap ng mga samahan ngayon, bago mag-alala tungkol sa pagkagambala, ay talagang pag-urong. Ang mga matagumpay na kumpanya ay kailangang manatiling nangunguna sa lahi ng digital na makabago.
Ngayon, wala talagang tanong sa analytics. Ito ang sentro, ang digital na pagbabago ng negosyo. Sa katunayan, inilalagay ng mga samahan ang digital na pagbabago sa pinuno ng kanilang diskarte. Ang mga kumpanyang iyon, sila ang nangungunang limang pinakamahalagang kumpanya sa mundo, na kumakatawan sa dalawang trilyong dolyar sa halaga ng merkado, si Jen.
Jen Underwood: Oo, kamangha-manghang, ito talaga. Nagbabago talaga ito, at mabilis. Ang iba pang mga dinamikong mayroon tayo at pinag-uusapan natin ito, ngayon sa palagay ko ay sa wakas nakikita natin ito at naramdaman ng mga organisasyon na ito ang paglaki ng mga mapagkukunan ng data, at hindi lamang ito pagsusuri ng mga data sa mga nakaayos na mapagkukunan ng data. Muli, pinag-uusapan namin, mayroon ka lamang sandali sa ilang mga digital na proseso upang makagawa ng isang pagpapasya at ang mga bagay na ito ay darating sa JSONs mula sa REST APIs, pinag-uusapan namin ang tungkol sa hindi nakaayos na data, maging ang mga file ng log, mayroong lahat ng mga uri ng iba't ibang uri ng data, pati na rin ang matinding patuloy na paglaki.
Nick Jewell: Oo, Jen, tulad ng itinuro mo, mga pinuno ng analytic na nalulunod sa isang dagat ng data. Pagdating sa mataas na halaga ng pananaw, marahil gamit ang isang timpla ng umiiral o bagong mga pamamaraan ng analytic, ay talagang ang layunin ng pagtatapos, ngunit mayroong isang simple at pangunahing problema na maraming mga samahan na pinagtatrabahuhan namin, talagang nakaharap sila. Inatasan namin ang Review ng Negosyo sa Harvard, ginawa namin ang survey, nakikipag-usap sa mga analyst ng data at mga tagapamahala ng negosyo. Tinanong nila kung gaano karaming mga mapagkukunan ng data na ginagamit nila sa kanilang samahan upang makagawa ng isang pagpapasya, at medyo maliwanag, nagkaroon ng isang pangunahing pagbabago sa mga nakaraang taon. Ginamit ng IT ang timpla ng data, itulak ito sa bodega ng data, ngunit sa palagay ko sa kabila ng lahat ng mahusay na gawain na ginawa ng mga grupo ng IT, na lumilikha ng sentralisadong pamamahala ng data, ang mga analyst ay nahaharap pa rin sa gawain ng paglikha ng tiyak na set ng data ng analitiko, ngunit kailangan nilang sagutin ang isang tanong sa negosyo. Sa katunayan, 6 porsyento lamang ang nakakuha ng lahat ng kanilang data sa isang lugar, at ang karamihan ng mga analyst ay kailangang hilahin ang data mula sa lima o higit pang mga mapagkukunan - mga bagay tulad ng mga spreadsheet, cloud application, social media at siyempre, hindi nakakalimutan ang bodega ng data.
Ngayon, kinikilala ito ng karamihan sa mga samahan, ngunit kung ano ang hindi pakikitungo ng karamihan sa mga samahan ay ang simpleng katotohanan na ang mga propesyonal sa data ay gumugol ng higit sa kanilang oras sa pamamahala at paghahanap ng data, kaysa sa aktwal na pagkuha ng halaga. Ang mga ito ay hindi ang mga high-profile strategic analytic problem na nais marinig ng mga exec ng negosyo. Ngunit ang hindi pagtugon sa pangunahing isyu ay mapipigilan ang mga organisasyon, talaga, mula sa pagkamit ng mga pananaw na hinihimok ng halaga. Jen?
Jen Underwood: kawili-wili iyon. Tiyak na nakakita ako ng iba't ibang mga pag-aaral tungkol dito at ito ay ang piraso dito, kung ito ay ang 80 porsiyento ng oras o trilyon na dolyar na muling pag-aayos ng parehong data nang paulit-ulit, napaka hindi mabisa sa isang samahan. Ito ay nagdaragdag, ang mga 37 at 23 porsyento na ito ay napakamahal na pag-aaksaya ng oras. Nakapagtataka sa akin na mas maraming pansin ang hindi binabayaran doon.
Kung titingnan ang ilan sa mga ito, kung ano ang tatawagin ko ang mga puwersa ng pamilihan, at maraming beses kapag pinag-uusapan ko ang mga uso sa industriya, gustung-gusto kong sundin ang industriya at pinapanatili ang isang palaging pulso dito. Mahalagang maunawaan kung ang isang bagay ay higit pa sa isang kalakaran, kung kailan talaga magiging isang puwersa na kailangan mong bigyang pansin, at ito ang nangungunang tatlong ngayon, mga pwersa na bigyang pansin. Ito ang mabilis na paglaki na ito, ang numero uno ay mabilis na paglaki ng mga di-kaugnayang mga database. Nabanggit ko lang ang buong konsepto na ito ng hindi pagkakaroon ng maraming oras sa pagkakaroon ng query, bawat se, isang JSON, ito ang mga ganitong uri ng mga di-relasyong senaryo, na lumalagong - sa palagay ko may ilang stats ako sa isang sandali dito - mabilis.
Ang iba pang bagay ay ang patuloy na paglilipat sa ulap. Bago ang tawag na nabanggit ko ay isang tagapamahala ng produkto sa buong mundo sa isa sa mga malalaking kumpanya ng tech at nahihirapang pag-uusap tatlong taon na ang nakalilipas sa mga grupo na nagsasabing, "Hindi kami maglalagay ng kahit anong bagay sa ulap. Hindi kami lilipat sa ulap. "At, napakahusay na nakakakita ng mga grupo sa isang taon mamaya, makalipas ang dalawang taon, ngayon naririnig ko mula sa parehong mga grupo, na ang bawat isa ay may plano sa ulap. Sa palagay ko ang lahat ay isang malawak na pahayag na malubhang pahayag, ngunit ang sasabihin ko ay, ang mga tao na naging anti-ulap, tiyak na ang saloobin ay nagbago nang malaki, sa loob ng isang napakaikling panahon, kahit na mula nang nakikipag-usap ako sa mga grupo sa buong mundo ang mga ganitong uri ng mga bagay.
Ang automation, ito ay isang lugar na nabighani ko at isang lugar na tiyak na nakakakita tayo ng maraming aktibidad at mahusay na aktibidad. Pinag-uusapan namin ang tungkol sa ilan sa mga bagay na ito sa pagkakaroon ng nasayang na oras at hindi maayos na paggamit ng iyong oras. Ang automation ay tiyak na isa sa mga lugar na ikinatutuwa ko kapag naiisip ko ang pagdadala ng halaga sa isang samahan.
Ang susunod na slide na pag-uusapan ko, ito ay isang pag-aaral ng IDC, tiningnan nila ang mga segment ng merkado at ang paglaki at ito ay talagang isang magandang paraan upang kumuha ng pulso sa kung ano ang talagang lumalaki, ano ang iyong mga kapantay na binili? Anong mga uri ng mga bagay ang hindi na nila interesado? Ang mga uri ng mga bagay at paglalagay sa kanilang diskarte.
Ang buong mundo malaking data analytic software market ay, ayon sa IDC, 16 na mga segment at sa segment na kahulugan na tinitingnan namin kahit na ang ilang mga pagbabago sa pangalan. Mayroong isang pagdaragdag ng patuloy na analytic software, cognitive AI software platform, mga sistema ng paghahanap, kaya mayroong ilang mga bagong kategorya kahit na idinagdag dito. Ang pangkalahatang-ideya ng merkado ay sumasaklaw sa halos lahat ng mga pahalang na tool, prepackaged na aplikasyon pati na rin ang ilang suporta sa desisyon at mga kaso ng paggamit ng automating. Muli, ito ay magiging mga uri ng mga solusyon, kapag iniisip mo ang tungkol sa CDO, na naglalagay sa isang konteksto ng isang CDO, ang kanilang portfolio na maaaring pamamahala mula sa pagsasama ng data hanggang sa pag-aaral ng pag-aaral, pag-aaral ng makina at lahat ng mga uri ng mga kakayahan na kailangan nila magkaroon sa digital na panahon.
Ang pandaigdigang merkado mismo para sa mga ganitong uri ng solusyon ay lumago ng 8.5 porsyento sa mga kasalukuyang termino ng pera at ang pangkalahatang merkado ay lumago ng 9.8 porsyento ayon sa IDC. Ito ay inihambing sa - tiningnan mo ang pagbabagu-bago ng pera sa loob ng isang taon na taon at ang antas ng pagkakaiba-iba ay minimal, ngunit ang mga nangungunang tatlong mga segment na aking na-highlight, para lamang mabigyan ka ng pakiramdam para sa mga hindi mapag-ugnay na mga mapagkukunan ng data na analisa, 58 porsiyento taon-higit na paglago, pagsusuri ng nilalaman at mga sistema ng paghahanap ay 15 porsyento at ang ilan sa mga aplikasyon ng ugnayan sa customer, mga uri ng CRM o ang Salesforce Einstein, halimbawa, ang mga ito ay lumalaki ng higit sa 10 porsyento, sila ay 12 porsiyento ngayon. Sa palagay ko nais ni Nick na magdagdag ng ilang komentaryo pati na rin sa isang ito.
Nick Jewell: Salamat, Jen. Ito ay isang kamangha-manghang visual. Sa palagay ko sa Alteryx palagi kaming naniniwala na ang paghahanda ng data at timpla ay palaging magiging isang pangunahing kakayahan, sa palagay ko, ng anumang analytic system, ngunit ito talaga ang pundasyon para sa anumang mas advanced na analytics. Ngayon, sa mga nakaraang taon, pag-usapan natin ang industriya - maaaring medyo na-focus sa ilan sa mga bagong interactive na kakayahan sa visualization. Maganda ang hitsura nila dahil nadaragdagan nila ang pakikipag-ugnay, nagtutulak sila ng pananaw, ngunit hindi nila talaga kami inilipat sa kabila ng naglalarawang analytics.
Ngunit, sa tingin ko ngayon na ang mga tao ay nagtatakda ng kanilang mga tanawin ng medyo mas mataas, ang mga samahan na nagsisimulang maunawaan ang mga halaga ng negosyo ay magmumula sa mga mas sopistikadong analytics na ngayon ay nagsisimula pa lamang sa pangunahing. Ang tanong doon ay nagiging, paano, o mas partikular, sino? Tumalon ito sa mas mataas na halaga ng analytics; talagang ibinabato ang isyu ng kakulangan sa analytic talent sa medyo matalim na ginhawa, sasang-ayon ka ba?
Jen Underwood: Ganap, at mayroon ako, sa palagay ko nag-tweet lang ako, nakakita ako ng isang talagang kamangha-manghang puna kagabi mula sa bise presidente ng Adobe na nagsasabi, "Ang pag-aaral ng makina ay naging mga pusta sa talahanayan, " kung saan ang mga tao ay naging maingat, ngayon ito ay naging isang pangangailangan at ito ay kawili-wili. Tinitingnan ito at isang maliit na maliit na iba pang maliit na magkakaibang anggulo, bawat se. Ang isang pulutong ng mga tao, nagsisimula kaming makita ito bilang isang lugar na may mataas na pag-unlad na may isang hindi pamanggit na tindahan ng analytic at ang nagbibigay-malay na AI, ang mga pag-aaral ng machine na ito, ang mga high-halaga na analytics na ito. Ngunit pa rin sa pagtatapos ng araw, ngayon ang pinakamalaking bahagi, kaya kung saan ang karamihan sa mga pagbili ay nangyayari ngayon, ay mayroon pa ring pangunahing ito, ang sasabihin ko, ang pag-uulat ng query, ang ilan sa visual analysis, at lumalaki pa at isang bagay na ipinapalagay ng maraming tao na mayroon ka nito - hindi kinakailangan. Lumalaki pa rin ang 6.6 porsyento bawat taon.
Bilang isang CDO - at gustung-gusto kong ipakita ang slide na ito - karaniwang sabihin lang, kapag naglalakad ka sa bagong papel na ito o naghahanap ka ng data sa isang samahan, ito ay kaguluhan, at sa palagay ko na ang partikular na slide na ito ay talagang gumagawa ng isang magandang trabaho ng - ito ang lahat ng iba't ibang mga potensyal na lugar na maaaring mayroon ka ng data. Maaaring nasa premyo sila, maaari itong manirahan sa ulap, maaaring ito ay mestiso, nasa lahat ng dako at ito ay isang napakalaki - muli, ito ay isang uri ng uri ng C-level na ngayon sa loob ng isang samahan, at hindi ito isang simpleng gawain o simple - sa partikular na mundong ito na magaganap, medyo napakalaki ng mga oras. Ito ang mundo na kinakailangang mag-navigate ang CDO na ito, upang makapag-master, kung ano ang sasabihin ko, na-maximize ang halaga ng data.
Pagpapatuloy sa hamon, pag-maximize ang halaga ng lahat ng iba't ibang mga mapagkukunan at kung ano ang mayroon kami ay ang mga pagsasara na mga bintana ng oras, kasama ang mga digital na proseso o ang pananaw sa pagkilos ay pagsasara. Kung iisipin mo na siguro limang taon na ang nakalilipas, sampung taon na ang nakakaraan, maaaring mayroon kang mga ulat na tatakbo ka upang makagawa ng ilang mga pagpapasya na may imbentaryo o pagkilos, maaaring tumakbo ang lingguhan, buwanang, pagkatapos ay naging araw-araw o magdamag, siguro oras-oras.
Ngayon, ang nakikita natin ay ang mga matalinong pag-aaral ng machine na naka-embed na artipisyal na tanggapan, na gumagawa ng mga pagpapasya at pagwawasto sa lugar, kaya kahit ang mga bagay tulad ng internet ng mga bagay, ang IoT-embed na analytics sa gilid, ang mga system ay matalino at ang mga algorithm na ito ay maaaring pag-tune ng sarili at baguhin ang ilan sa mga pagpapasyang ginagawa nila sa lugar sa tamang oras. Ito ay napaka-kagiliw-giliw na makita ang partikular na dinamikong ito sa mga digital na rebolusyon at mga touch point na ito - kahit na nadagdagan na nila, ang oras upang kumilos ay patuloy na bumababa at ang teknolohiya pagkatapos ay umuusbong para sa mga sitwasyong ito.
Nick Jewell: Oo, Jen, sa palagay ko ang isa sa mga pinaka-kagiliw-giliw na aspeto kung paano nagbabago ang paghahatid ng pananaw, kung saan dumating ang analytics sa end user. Hinihiling ba namin ang mga gumagamit na tumalon sa isang dashboard kapag gumawa sila ng isang kritikal na desisyon, o sinasabi ba natin na ang pananaw, ang susunod na pinakamahusay na pagkilos, ay magagamit nang direkta sa loob ng proseso, sa daloy, upang himukin ang mapagkumpitensyang kalamangan? At ang modelo ng analytic na pinag-uusapan natin ay maaaring kumuha ng mga input mula sa isang kayamanan ng iba't ibang mga mapagkukunan - tradisyunal na mga bodega ng data, geolocations, social media, sensor, clickstream - ang lahat ng data na ito ay may kaugnayan sa desisyon at na maaaring kumilos .
Jen Underwood: Ang pagpapatuloy sa temang ito ng hamon at pagbabago, kung ano ang mayroon tayo ngayon, at ang mga hamon na kailangan ng CEO upang yakapin at magplano ng isang paraan upang mapaglabanan ito, ay mahalagang nakuha namin ang masyadong maraming data upang mahusay na pamahalaan at manu-mano ang pag-aralan. Mayroong mahabang pagkaantala; kailangan nating paikliin ang mga pagkaantala na ito at kailangan nating maghanap ng isang paraan upang ma-maximize ang halaga ng data na mayroon tayo. May kakulangan ng talento sa agham ng data sa buong mundo at upang masakop ang mga pananaw na ito at kung ano ang tatawagin natin na mga karagatan bilang data. Ang mabuting balita ay, mayroong ilang mga kamangha-manghang mga makabagong ideya na nangyayari upang makatulong sa bawat lugar nito ngayon, at nakakakuha ng kapanapanabik na makita kung ano, kung saan dadalhin tayo ng teknolohiya, upang matulungan kami sa mga hamong ito.
Habang patuloy kong tinitingnan ito, medyo may pagkalito habang nakikipag-usap ako sa mga customer o nakikipag-usap ako sa mga pangkat na gumagamit ng ilan sa mga tool na ito. Ang ilan sa mga klasikong hamon ay umiiral pa rin ngayon, nakakakuha lamang ng isang maliit na pinalaki sa pagsubok na makahanap ng data upang pag-aralan. Ang ilan sa mga tool sa paghahanap, ang ilan sa mga katalogo sa labas ay tiyak na tumutulong sa mga bagay - ngayon kung ano ang aming nahanap ay aling katalogo ang gagamitin kung kailan. Mayroong iba't ibang mga katalogo, kaya mayroong iba't ibang mga lugar na maaari mong maiimbak at ibahagi ang data, kaya mahalaga na subukang malaman ang isa, marahil ang katalogo na dapat nating hinahanap.
Ang iba pang bagay ay sama-samang pagbabahagi. Napag-usapan namin ang tungkol sa isa sa mga pag-aaral mula sa Harvard Business Review, kung gaano karaming oras ang ginugol, karaniwang gumagawa ng mga di-halaga-add na mga gawain, pag-aaksaya ng oras at kung gaano kahalaga ang maaaring mangyari. Kung nakikipagtulungan ka na maaaring magbahagi at gumamit ng mga karaniwang mapagkukunan ng data, nabuo na ang mga script, ang logic ay mayroon na, maaari mong pamamahala ng mga ito nang epektibo, kaya ang pagbabalanse ng pamamahala sa liksi ng analytics, iyon talaga ang nais mong pagsisikap na gawin at mag-navigate sa mundong ito ng kung ano ang tatawagin ko, mayroon kaming mga angkop na tool, mayroon kaming awtomatikong mga tool sa daloy ng trabaho, mayroon kaming mga klasikong Excel, mga katalogo ng data, self-service BI, mga tool sa agham ng data. Tulad ng ipinakita ng isang larawan, maraming, maraming mga tool at maraming mga overlay sa pagitan nila.
Nick Jewell: Oo, perpekto, Jen, at sa palagay ko ang window ng kaunawaan, tulad ng iyong nabanggit, ito ay talagang tiyak na pag-urong, ngunit ang oras na kinakailangan upang aktwal na mag-deploy ng mga modelo ay hindi pinapanatili. Ang pagdedeklarang modelo ng paglawak ay patuloy na isang pangunahing hamon para sa maraming mga kumpanya. Nakikipag-usap kami kay Carl Rexer kung sino ang Pangulo ng Rexer Analytics, at sa survey na data sa agham ng data ni Carl, natagpuan niya na 13 porsyento lamang ng mga siyentipiko ng data ang nagsasabi na ang kanilang mga modelo ay laging naka-deploy, at ang ratio ng paglawak na ito ay hindi lamang nagpapabuti, kaya kami bumalik sa bawat nakaraang survey. Sa katunayan, bumalik sa 2009, nang unang tinanong ang tanong, at nakikita namin ang halos magkaparehong mga resulta, kaya nakuha namin ang isang tunay na agwat.
Jen Underwood: Kung titingnan namin ang pagkahinog sa analytics, mabilis itong umuusbong. Muli, dalawa, tatlong taon na ang nakalilipas, labis kaming nasasabik na magkaroon ng pagsusuri sa paglilingkod sa self-service at sa wakas ay nababaluktot at nagpapalawak ng BI sa masa, bawat se. Kapag sinabi kong masa, marahil mayroon pa ring mga gumagamit ng kapangyarihan sa loob ng isang samahan. Ngayon nakikita natin ang pag-optimize, mahuhulaan na analytics, malalim na pag-aaral, natural na wika, maraming iba pang mga teknolohiya na talaga, dahil naka-embed sila sa pang-araw-araw na mga proseso, sa wakas ay tunay na i-democratize ang analytics nang walang putol para sa masa, para sa totoong masa na gagamitin sa loob ng umiiral na mga proseso ng negosyo na mayroon na sila.
Nick Jewell: Oo, Jen, pag-usapan natin ang isang mabilis na kwento sa huling kategorya na iyon, kung kaya ko. Karamihan sa mga tagapakinig sa tawag ngayon ay magiging pamilyar sa software ng GoogleGoMind's AlphaGo software, natalo ang ilan sa mga pinakamahusay na manlalaro ng Go sa buong mundo sa huling ilang taon. Natuto ang AlphaGo na maglaro ng laro sa pamamagitan ng pag-aaral ng napakalaking dami ng dati nang naitala na mga tugma. Sa gayon kaya't ang mga komentarista ng paligsahan ng AlphaGo ay inaangkin na ang software ay nilalaro sa estilo ng isang Japanese Grand Master, maniwala ito o hindi.
Ngunit, sa huling bahagi ng buwan, isang halos mas nakakagulat na resulta ang iniulat. Ito ay ang AlphaGo Zero, malalim na pag-aaral, neural network, armado na walang higit sa mga simpleng patakaran ng laro at isang na-optimize na function. Itinuro nito ang sarili upang maging pinakamalakas na Go player sa buong mundo, na walang pagsasanay sa pagsasanay, at ginawa nito ang lahat sa loob ng 40 araw. Ang tinatawag na pag-aaral ng pampalakas, kung saan tinukoy ng mga tao ang hamon, hayaan ang malalim na sistema ng pag-aaral na galugarin, pagbutihin, ay maaaring magbunga pa ng pinakamalaking epekto sa analytic space. Kaya, sa palagay ko, manatiling nakatutok.
Jen Underwood: Oo, talagang kawili-wili na nabanggit mo iyon. Maaari mo bang isipin ang mga pagbubukod? At ito ang sinisimulan kong makita. Talagang, kapag pinag-uusapan ko ang tungkol sa automation, talagang kapana-panabik para sa mga solusyon upang maging matalino upang malinis ang hangin, upang malaman mula sa mga system nang awtomatiko, plug at maglaro at alam lamang kung ano ang gagawin susunod batay sa ilan sa mga nakaraang desisyon na naging o iba pang mga pagpapasya na ginawa sa loob ng samahan at pagkakaroon ng pinamamahalaan ang ilan sa mga sistemang ito, ang mga sistema ng ETL at nag-alaga sa kanila, at nakabalik sa araw ng mga beeper at telepono na tumatawag sa akin nang may mga alerto kapag ang mga proseso ay hindi tumatakbo, napakasigla na isipin, "Wow, ngayon ay matalino na marahil na pagalingin ang sarili."
Ang aking asawa ay namamahala sa isang grid ng pagpapagaling sa sarili, magkakaroon kami ng pagsasama-sama ng data sa pagpapagaling sa sarili, analytics ng pagpapagaling sa sarili at kung saan ito ay nakakakuha ng mas mahusay at mas mahusay, talagang kapana-panabik. Bilang isang CDO, kapag nagsisimula kang mag-isip tungkol sa teknolohiya ng mga taong nagpoproseso, titingnan namin, ngayon ay tinitingnan namin ang teknolohiya, pagkatapos ay titingnan namin ang mga tao at kung paano lumapit sa pagbuo ng iyong koponan at pagbuo ang mga kasanayan. Kung titingnan mo ang modernong platform ng analytics, sasabihin ko sa iyo kaagad, hindi lahat ay magkakaroon ng lahat dito, kahit na ang pinakamalaking organisasyon ay maaaring magkaroon ng lahat ng magkakaibang mga sangkap na ito, bawat se, ang ilang mga grupo ay maaaring magkaroon lamang ng dalawa o tatlong maliit na kahon dito, kaya hindi ko nais na malampasan ang mga tao. Ngunit ang isang modernong platform ng BI ay hindi nangangailangan ng kinakailangang isang IT build, paunang natukoy na pag-uulat ng semantiko layer.
Ang mga gumagamit at dalubhasa ay dapat na talagang bigyan ng lakas upang maghanda lamang ng data para sa bilis ng pagsusuri at liksi, at kung sa tingin mo tungkol sa pagtaas ng kung ano ang sasabihin natin sa gumagamit at analyt na pinangunahan ng dalubhasa, hayaan ang paksa ng mga eksperto ay may liksi, kailangan nilang gumawa ng mabilis na mga pagpapasya. Nakakakita kami ng isang pagtaas ng kung ano ang sasabihin namin, ang mga personal na tool sa paghahanda ng data, ang data wrangling, pagpapayaman, paglilinis, ang mga uri ng mga aktibidad na ginagawa ng Alteryx pati na rin ang ilan sa mga aktibidad na uri ng data na iniaalok nila bilang mabuti. Ang modernong solusyon sa paghahanda, inaalok nila ang matalino, awtomatikong sumali, mga resolusyon ng hangin, paglilipat ng data, kapag mayroon kang malaking data pipeline, napaka-cool. Ito ay marahil, muli, isa sa mga lugar na gusto ko at talagang nasisiyahan sa pagsubok pati na rin sa industriya.
Hindi tulad ng tradisyunal na pinamunuan ng IT na pinangunahan ng IT, ang IT ngayon ay talagang nakatuon sa pagpapagana ng negosyo at nagkakaroon ka ng mga tao tulad ng mga CDO at pinagsama-sama o pagpili ng tamang mga solusyon sa orkestra, ayusin at pag-isahin ang data na ito at siguraduhin, siyempre, ito ay pinamamahalaan, di ba? Isang bagay na napaka-kagiliw-giliw sa akin at tiyak na sa palagay ko ay inilihim namin ito, ngunit hindi sa palagay ko diretso lang ang sinabi namin, ang mga araw ng isang sukat na akma-lahat ng bodega ng data at ang pagiging end-all be-all, tiyak na tapos na. Ang data ay nasa lahat ng dako, kailangan mong gawin - ang mga data lawa ay nakuha sa larawan, mayroong streaming at live na data, maraming iba't ibang mga mapagkukunan ng data ngayon, ito ay talagang higit sa isang gamit na batay sa kaso, "Ano ang kailangan mo?" "Kailangan nating ipasok ang lahat sa isang bodega ng data." Hindi ako sigurado, Nick, nais mong magkomento sa isang ito? Hindi ko naaalala.
Nick Jewell: Sasabihin ko lang ang isang bagay at ito lang, panoorin ang ebolusyon ng sangkap. Ano ang ginawa ng mga eksperto lima hanggang sampung taon na ang nakalilipas, ngayon ay nasa kamay ng gumagamit, kaya ang mga bagay sa kanang bahagi, ay magiging mas laganap para sa gumagamit sa isang drag-and-drop code-free form na napaka, napakadali. Ito ay gumagalaw nang mas mabilis at mas mabilis, kaya't panatilihin lamang.
Jen Underwood: Oo, magandang punto iyon. Mahilig ako mag-isip tungkol doon. Ang iba't ibang mga agham ng data, sa wakas ay naging isang katotohanan at ang mga tool ay nakakakuha ng mas mahusay. Pag-iisip tungkol sa teknolohiya, ngayon kailangan nating magkaroon ng mga kasanayan at mamamayan at ano ang kailangan nating gawin? Sa ngayon ang pinakamahusay na mga trabaho, kasama nila ang mga pamagat tulad ng data siyentipiko, data engineer at analyst ng negosyo, subalit ang napag-alaman namin na ang mga amo mismo ang makahanap nito na talagang matigas na makagawa ng isang tugma. Kahit na sa puwang ng prep prep, sasabihin ko, "Ito ba ay prep prep ng data, ang data ba ay nakakagulat, anong mga termino ang tawag sa mga tao?" Ito ay napaka-kagiliw-giliw na makahanap.
Ang negosyo ay hindi alam kung ano ang kailangan nila at mayroong ang bagong bagong umuusbong na patlang na sumasaklaw sa maraming iba't ibang mga lugar. Kung titingnan mo ang lahat ngayon ay kailangang maging master ng kanilang data, analytics ng negosyo, mga tagapamahala ng proyekto ng IT, ang aking asawa na namamahala ng isang power grid at isang portfolio ng mga proyekto, kailangan niyang mag-aralan ito. Ito ay hindi lamang pananalapi at ang pagsusuri ng data ngayon, lalo itong pinalawak, sa iba pang mga lugar ng samahan. Sa palagay ko nakita ko ang isang pag-aaral tungkol sa kung gaano karaming mga mapagkukunan ng data na ginagamit sa marketing, at labis na labis ito. Muli, kapag iniisip mo ang tungkol sa pag-aaral na ginawa ng Harvard Business Review, hindi lamang isang mapagkukunan ng data na ang mga tao ay kailangang mash at magkasama at makahanap ng isang pananaw mula sa, maraming mga mapagkukunan ng data at nangangailangan ng kasanayan na gawin iyon.
Kung titingnan mo ang mas malaking larawan dito, ang karamihan sa mga bagong hires ay magiging sa kulay rosas na bubble na ito patungo sa ilalim, kapag pinag-uusapan mo ang mga negosyanteng ito sa mga analyst ng data ng pagmimina, ang mga tagapamahala ng HR, sa lugar na ito, regular na mga tungkulin lamang sa loob ng linya ng negosyo gamit ang data. Ang pinakamabilis na lumalagong mga tungkulin ay magkakaroon ng mas kaunting mga trabaho, ngunit tiyak na naririnig natin ang tungkol sa karamihan sa merkado ngayon, ang data scientist at ang data engineer. Bilang isang CDO, naghahanap sila ng maaga at nagpaplano ka ng talento, kailangan mong salikin ang ilan sa mga automation ng mga gawain na gawain at ang mga uri ng mga kasanayan na magiging mas madiskarteng, at muli, magdagdag ng halaga sa iyong samahan, para sa pareho ang mga nasa analytics pinagana ngunit para din sa data science at data engineer folks doon. Isaalang-alang kung paano maaaring magbago ang iyong mga pinakapiling posisyon at kahit na ang ilan sa ekonomiya ng freelance kapag iniisip mo na upang makipagkumpetensya para sa pinakamahusay at pinakamaliwanag.
At, palaging isipin ang tungkol sa iyong talento sa talento din, na tumutulong sa mga kandidato na mag-navigate sa merkado o naghahanap ng mga bagay na maaaring medyo naiiba at hindi eksakto kung ano ang gusto mo at paglikha ng mga in-house na mga kurso sa analytics, na maaaring hindi talaga ang pinakamabilis, karamihan magastos na diskarte para sa iyo upang mapanatili. Isaalang-alang ang pagtingin sa mga tao na nakatuon sa pagsasanay sa ito o iba't ibang mga pangkat, at naniniwala ako na ang Alteryx ay may inirerekomenda na kurso sa pagtatapos ng sesyon ngayon bilang isang tawag sa pagkilos, na maaari mong pagkilos para sa ilan sa mga bagay na ito at tulungan ang iyong pag-leverage ng koponan ilan sa mga umiiral na mapagkukunan na magagamit na.
Nick Jewell: Ganap. Maraming mga paraan ng pagpuno ng puwang ng talento nang hindi nakuha sa isang lahi ng armas. Ilang mga slide pabalik, hindi ko alam kung magagawa mong i-flip ang ilang doon. Kaggle, ang data ng kumpetisyon sa agham ng data, naglabas lamang sila ng isang survey na may 17, 000 mga tugon sa paligid ng estado ng data ng agham at mayroong isang talagang kawili-wiling tugon mula sa survey sa paligid ng mga kasanayan na mayroon ang mga tao, at ang karamihan ng mga sumasagot ay walang PhD, hindi lamang ito kinakailangan.
Ang ideya na ang mga eksperto sa susunod na henerasyon na analytics, na pangunahing bubble na ipinakita mo lamang, maaari silang makakuha ng kaalaman na kailangan nila mula sa mga kurso sa nano-degree. Maaari silang pumunta sa mga site tulad ng Udacity at maaari nilang ma-deploy agad ang kaalamang ito, nang direkta sa negosyo, ang mga nakaiksing maiksing na nakatuon ay nagbibigay sa kanila ng agarang mapagkukunan ng mapagkumpitensya na advance para sa kanilang mga kumpanya. Kaya't isang bagay na dapat bantayan, sa palagay ko.
Jen Underwood: Hindi, sumasang-ayon ako. Kahit na iniisip ko ito, tiyak na darating ito mula nang kumuha ako ng dalawang taong programa sa UCSD. Nababalik ito, sa palagay ko, noong 2009, 2010 ng oras ng oras at mayroon talagang isang dakot sa bansa na nagpapahintulot sa iyo na gawin iyon. Maraming mga pagpipilian ngayon, pati na rin ang mga dalubhasang programa, kung sa pamamagitan ng mga nagtitinda, maraming mapagkukunan na magagamit ngayon na may mga loop at lahat ng iba't ibang mga mapagkukunang online, ito ay kamangha-manghang, ito talaga ang oras. Ang paggawa ng oras at pagbabadyet na at pag-iskedyul ng iyong sarili upang mapanatili. Ano ang gusto mong malaman? At pagkatapos ay sumusunod sa landas na nais mong malaman.
Pinag-uusapan ang pagtingin sa ito at pinagsama ang iyong sariling plano ng mga kasanayan at mula sa isang prospect ng CDO, tinitiyak na mayroon silang mga tao sa mga lugar na sakop, mula sa kung ano ang sasabihin ko sa isang balangkas ng kompetensya sa bawat se, pagtingin sa mga kasanayan o pagtingin sa mga bagay tulad ng kaalaman sa domain ay talagang susi, kahit na ang mga solusyon na ito ay maaaring magsanay sa sarili at matuto ng sarili, ito ay talagang isang eksperto sa paksa ng negosyo na gagabay at tiyakin na ang mga resulta ay may katuturan.
Mayroong palaging isang bagay at nais kong gamitin ang halimbawa ng kung kailan ako gumagawa ng kritikal na analytics para sa isang kumpanya ng seguro at isa sa mga natuklasan na ang algorithm ay hindi umupa ng sinuman mula sa New York. Buweno, hindi, hindi kami tutuloy sa pag-upa ng sinuman mula sa New York - kailangan naming malaman kung bakit binigyan kami ng algorithm ng impormasyong ito. Ito ay dahil ang ligal, ang isa sa mga batas ay nagbago at kaya nagkakaroon kami ng maraming churn sa partikular na segment. Ang isang dalubhasa sa paksa ng negosyo ay kinakailangang dalhin upang tukuyin na, at hindi ko nakikita na nagbabago, hindi ko nakikita ang uri ng paggabay nito, tinitiyak na ang mga resulta ay mukhang tumpak, may isang bagay na nakikita - ito ay pa rin, mayroong isang bagay na sinabi na isip ng tao, ang kagandahan ng pinagsama sa lakas ng makina, ay talagang pupunta tayo.
Ang iba pang mga uri ng mga bagay kapag tinitingnan mo ang mga kasanayan, paggunita, na nagsasabi ng isang epektibong kuwento sa data, na nagsasabi ng isang mabisang kwento sa kung ito man ay output ng pag-aaral ng makina. Ang pagsasama-sama at tinitingnan kung ano ang epekto nito, pag-unawa sa likas na katangian ng paggawa ng desisyon, ang mga uri ng mga bagay ay napakahalaga anuman ang teknolohiya. Mahalaga ang pamamahala, ang etika ay nagiging mas mahalaga. Ang pagkakaroon ng mga sosyal na siyentipiko, nauunawaan at sinanay silang tingnan kung mayroong mga bias sa iyong data na hindi mo napagtanto o wala kang sinuman sa samahan na kahit na hindi mo alam iyon, kahit na ang pagdadala sa kanila sa dalubhasa, pagkakaroon ng mga uri ng mga bagay.
At muli, siyempre ang pagkakaroon ng imprastraktura para sa engineering at ang hardware at tiyakin na maaari mong sukatan at binuo ito at tiyaking gumagamit ka ng tamang provider ng ulap, marahil na hindi ka nakakandado o mayroon kang mga pagpipilian upang ilipat o nauunawaan mo ang pagpepresyo sa kung magkano ang pupunta sa iyo. Ito ang mga uri ng mga kasanayan at kapag tiningnan mo ito, tatawagin namin ito ng mga kasanayan sa iba't ibang mga lugar, kung ang mga tagagawa ng pasya na pinanghimok ng data - kung saan ang karamihan sa mga tungkulin na ito - lahat ng paraan sa mga inhinyero ng data at mga siyentipiko ng data na maging masahe at nagtatrabaho sa mga karagatan ng data. Ito ang mga uri ng mga bagay na nais mong magkasama sa isang balangkas para sa.
Sa pagtingin sa mga frameworks na may kakayahan, titingnan mo ang isang samahan sa pangkalahatan, nais mong isaalang-alang ang kakayahan, hindi lamang ang mga kasanayan. Mayroong isang maliit na nuance doon sa mga salita habang tinitingnan mo ito. Ang isang balangkas ng kakayahan para sa iyong samahan ay isang malinaw na signal. Ang mga tagagawa ng patakaran sa digmaan, tagapagbigay ng edukasyon, habang ang mga kasanayan ay sasabihin, na-type sa ilalim ng R, iniisip mo ang mga uri ng mga bagay na iyon, mayroon kang isang karampatang coder, ngunit nais mong magkaroon ng higit pa sa mga kasanayang iyon. Kapag nauunawaan mo ang kakayahang umangkop, kung ano ang dapat na maiintindihan at maunawaan ng isang tao ang balangkas, iyon ang mahalaga, mayroong kaunting kabuluhan doon.
Habang binubuo mo ito, nais mong suriin kung ano ang tatawagin mong mga kapasidad na may positibong epekto sa negosyo at i-highlight ang mga mataas na potensyal na lugar, kaya't inuunahin mo kung ano ang mga kakayahan na nais mong itaas sa iyong samahan at pagkatapos ay ihanay ang mga muli, sa mga layunin ng negosyo. Ang CDO na responsable para sa pag-maximize ang halaga ng data, titingnan nila, at ang kanilang CAO, gagamitin ito ng analytics upang ma-maximize ang halaga ng data. Titingnan nila ang mga kakayahang iyon at ang iba't ibang mga lugar, sa nakaraang grid na mayroon ako doon, ngunit pagkatapos ay makikita din nila ang mataas na potensyal ng mga kawani. Pupunta ka sa cross-reference na sa iyong mga kawani para sa data at analytics na gumana at mamuhunan sa mga ito, magbigay sa kanila ng mga pagkakataon sa pag-aaral at hindi lamang pagsasanay, mahalagang mga pagkakataon sa real-mundo na nagtatrabaho sa mga problema sa negosyo.
Wala nang mas mahusay - kahit na nagpunta ako sa paaralan nang ilang taon, hindi hanggang sa nagpunta ako at inilapat ang ilan sa mga algorithm na ito o natutunan ang tungkol sa panloloko, natutunan ang tungkol sa ilan sa mga bagay na hindi ko naisip kailanman, at ikaw simulan ang pagsasama-sama sa totoong mundo at iyon ay kung saan mo talaga natutunan. Ang pagbibigay sa mga tao ng pagkakataong makamit ang karanasan sa mga lugar na ito. Ang mga kumpanyang pinakamahusay na makakagawa ng malakas na kakayahan, na sistematikong nagpapakilala, mga pagtatasa ng layunin at pagtingin kung nasaan ang mga gaps sa loob ng aking samahan para sa pag-aaral at paglalagay ng ilang mga sukatan para sa mga layunin para sa mga tao, iyon ang mga magagawang upang maghatid.
Kung iisipin mo ang tungkol sa pagsasanay sa mga may sapat na gulang, muli, kadalasan ito ay oras na gutom - lahat tayo ay gutom - ngunit tinitingnan kung ano ang gumagana para sa bawat isa. Ako ay personal na may mga libro, kaya kung pupunta ka sa aking tanggapan ngayon, makakakita ka ng maraming mga libro, kahit maraming mga tao tulad ng mga video. Kaya't ito ay isang bagay ng pag-alamin, paano ang isang tao sa iyong samahan na nais matuto - upang mag-udyok sa kanila na matuto - ngunit nagbibigay din sa kanila ng ilang oras upang gawin iyon at layunin ng ilang uri ng - kung ano ang isang mabisang makamit upang maabot iyon at karaniwang iyan pinaghalo, hindi lang ito, gawin ang kursong iyon upang suriin ang marka sa isang marka ng card, bawat se, pagsasama nito na may tunay na proyekto ng layunin at ano ang natutunan mo sa proyekto na iyon at ano ang nais mong gawin sa susunod? Ano ang kahabaan? Pag-uunat ng iyong koponan o pag-uudyok sa iyong koponan na gawin itong karagdagang.
Ang mga layunin ng pag-aaral, muli, kung ginagawa mo iyan, hindi talaga dapat, dapat itong maging madali para sa negosyo nang mahalagang dahil ang mga layunin ay dapat na nakahanay sa mga madiskarteng interes ng negosyo. Ito ang mga mahusay na proyekto. Eksperto silang mga proyekto. Ang mga ito ay mga proyekto na ilipat ang karayom ​​pasulong.
Nick, may gusto ka bang magdagdag? Hindi ako sigurado.
Nick Jewell: Hindi, pupunta ako sa isang pag-aaral ng kaso, kung OK lang iyon, sa susunod na screen. Medyo mas detalyado ng isang tiyak na samahan. Sa palagay ko marami silang inilalagay sa pagsasanay, sa katotohanan. Ang Ford Motor Company ay umasa sa pagsusuri ng data sa loob ng mga dekada, tulad ng maraming mga kumpanya, ngunit ginawa ito sa mga bulsa ng negosyo, na marahil napakaliit na pangangasiwa sa buong korporasyon upang matiyak ang pagiging pare-pareho at koordinasyon. Ang kanilang mga problema ay marahil medyo pangkaraniwan para sa isang samahan ng kanilang sukat, kaya naglalaman ang kadalubhasaan sa analytics - tulad ng sinasabi namin - sa loob ng bulsa, ang pamamahala ng data at mga gawi sa pamamahala ay hindi pantay, kahit na sa punto kung saan ang ilang mga yunit ng negosyo ay kulang sa pag-access sa pangunahing kadalubhasaan sa analytics.
Muli, napag-usapan namin ngayon ang tungkol sa maraming iba't ibang mga uri ng mga mapagkukunan ng data, mayroon silang higit sa 4, 600 mapagkukunan ng data. Nangangahulugan ito kahit na simulan ang paglalakbay at paghahanap ng data na kailangan nila ay isang tunay na pagpahamak sa anunsyo ng pagsusuri. Nakikita kong tumatawa ka, ngunit isang kakila-kilabot na bagay, di ba?
Jen Underwood: 4, 600, oh my gosh, oo.
Nick Jewell: Kaya, nabuo ng Ford ang pandaigdigang pananaw at yunit ng analytics at ito ay sentralisado - maaari mo itong tawaging isang sentro ng kahusayan - na binubuo ng pangkat ng mga siyentipiko at analyst ng data, na inayos upang ibahagi ang analitang pinakamahusay na kasanayan at makakatulong sa pagkalat ng na-optimize na data-driven data paggawa sa buong negosyo. Napili ng yunit ang pinakamahusay na mga kasangkapan sa klase, hindi lamang sa kakayahan ngunit din sa kanilang kakayahang pagsamahin nang magkasama, kaya't napakahalaga. Ang pokus ng kanilang democratization ay talagang nasa paligid ng mga ulat at naglalarawang analytics, bago ilipat ang pyramid ng mga pangangailangan na napag-usapan natin.
Ngayon, ang demokratisasyon ay hindi lamang gumawa ng isang tao sa isang siyentipiko ng data sa magdamag; kailangang malaman ng kawani kung kailan at saan makakakuha ng tulong, at mayroong pagsasanay, pamamahala, mga pamamaraan na magagamit upang makatulong sa lahat ng ito. Gayundin, hindi lamang ito tungkol sa pagsasanay sa tool, kundi pati na rin ang pagsasanay sa agham ng data, upang tulay ang mga puwang na kasanayan na nabanggit namin. Kaya, isang kaso ng paggamit sa real-mundo sa Ford, na-optimize ang isang network ng logistik, kaya binayaran ba ng Ford ang tamang halaga upang ilipat ang mga materyales mula sa punto A hanggang point B? Ang kanilang mga legacy analytics ay hindi talaga i-highlight ang mga maaaring kumilos na pagkakataon; nagawa nilang maging reaksyonaryo sa merkado. Ngayon, maraming pagiging kumplikado para sa prosesong iyon ay naka-lock ang layo sa loob ng mga ulo ng mga analista at gumawa sila ng isang napakalaking pambihirang tagumpay kapag ang self-service workflow ay talagang napapabagsak sa negosyo, at ang mga eksperto sa analytic na nakaupo nang magkasama at nakatagpo.
Inilipat nito ang pagsusuri mula sa multiyear hanggang quarterly, at kahit na sa malapit-real-time, napakalaki, malaking pakinabang sa negosyo. Iyon ang epekto ng self-service analytics sa halaga ng negosyo, nariyan na mabilis na planuhin ng Ford at maitaguyod ang mga estratehiya na pinadalhan ng data, upang tumugon sa mga umuusbong na mga uso, makakatulong sa paghubog ng mga bagong serbisyo, at talaga na huminto sa mga banta mula sa kompetisyon, nang kinakailangang tumingin sa salamin na rearview.
Ngayon, kung titingnan namin sandali sa kung paano ang isa pang customer ay talagang inilipat ang mga analytics mula sa marahil isang patayong priyoridad sa isang solong dibisyon ng firm upang maging isang pahalang na guhit sa lahat ng mga dibisyon, tatalakayin namin ang tungkol sa Shell. Ang Shell ay nagpapatakbo ng isang sentro ng kahusayan na nag-ulat sa punong opisyal ng digital - kaya mayroong isa pang D para sa aming playbook ng CxO - responsable para sa digital na pagbabago at pagpapanatili. Ang mga taong ito, naiintindihan nila na ang kanilang kapaligiran ay naglalaman ng ilang mga layer at ang teknolohiya stack, imbakan, pagproseso ng data at lahat ng ito ay nagtatampok ng mga teknolohiya na makikilala mo ang lahat. Ang mga bagay tulad ng SAP HANA, Databricks, Spark, at sila ay nag-lever ng public cloud upang maabot ang mga tamang ekonomiya ng scale.
Ngayon, pinili nila ang Alteryx bilang isang analytics wrapper para sa marami sa kanilang R code, pagpapakain sa mga teknolohiya tulad ng Spotfire, Power BI at marami pa. Ngunit ngayon nakikita nila ang pag-aampon na tinali nang mas malapit sa pagproseso ng data at paggunita. Si Jen, tumatawag lamang sa iyong slide ng lahat ng mga kakayahan na ito, kumakalat ang ganitong uri ng pagsisimula upang paganahin ang higit pang mga analyst na magkaroon ng access. Alam mo, matagumpay silang nagtagumpay sa paghahatid ng kakayahang ito at ng COE, naghahanap upang maihatid ang mga kakayahan sa hinaharap ngayon, ang ilan sa mga malalim na bagay na natutunan namin - ang pangitain ng makina, pagproseso ng natural na wika - at ang kalahati ng kanilang misyon ay paghahatid, kalahati nito ay tungkol sa pagpapaliwanag at pag-catalyzing sa mga ideyang ito sa mga unit ng negosyo. Ito ay bahagi ng paglalakbay; palaging tinitingnan ng COE ang iba't ibang paraan upang makipag-usap sa kanilang mga tagapakinig sa negosyo.
Isinasaalang-alang sa isang panig ang mga nag-aalinlangan na nagsasabing, "Well, ang itim na kahon na ito ay hindi magiging kasing ganda ng aking analista, " hanggang sa fanboy o ang mahilig na nakakakita ng mga ugnayan sa lahat ng dako, marahil mas kaunti sa paraan ng mga kaugnay na relasyon, ngunit kailangan mong maging maingat sa magkabilang panig. Ito ay isang kamangha-manghang gitnang lupa, kapag mayroon kang pahalang na guhit na ito sa isang buong samahan, ang hybrid na set ng kasanayan na kinakailangan upang akitin ang magkabilang panig ng spectrum.
Nick Jewell: OK, Jen, nandiyan ka ba?
Jen Underwood: Ako.
Nick Jewell: Sa palagay ko kung ano ang sinusubukan naming sabihin dito kasama ang quote na Clayton Christensen na para sa maraming mga organisasyon, sa palagay ko, pinagsama ang agenda ng analytics upang himukin ang pagbabagong digital na pinag-uusapan natin ngayon, ay pupunta sa maging isang hamon. Mas madalas kaysa sa hindi, nakita namin ang mga koponan ng analitiko na nagsisimula sa isang mahina na kamay. Ang pagtatangka upang makabago sa mga may hawak ng legacy ng mga proseso ng analytic, mga teknolohiya, mga istruktura ng koponan at pagpapanatili sa mga relikasyong ito ay magiging pinakamalaking hadlang para sa analytic alignment at para sa analytic na pagbabago. Mayroon ka bang iniisip na, Jen?
Jen Underwood: Nasisiyahan ako sa larawan na napili. Oo, tiyak na nakakaintindi sa akin. Kailangan mong yakapin ang ilan sa mga bagong teknolohiya, halimbawa, streaming sa real time. Hindi mo kinakailangang makuha ang mga real-time na resulta kung kailangan mong gawin ang pag-refresh ng JavaScript sa isang browser, bawat se, na may isang lumang pamana - marahil ito ay isang dashboard app o mga uri ng mga bagay. Oo, kailangan mong yakapin ang ilan sa mga bagong tool, at muli, sa palagay ko ang larawang ito ay talagang maganda, ang isang larawan ay nagsasabing isang libong mga salita. Ang cart at maraming surot, kailangan mong bitawan ang ilan sa mga lumang teknolohiyang iyon.
Nick Jewell: Ganap. Kaya, kung lumipat tayo sa susunod na slide, sa palagay namin ay may isang mas mahusay na paraan. Sa tingin ko una sa lahat, gamit ang isang bagay na katulad sa paghahanap tulad ng Google, upang mabilis na mahanap ang lahat ng iyong mga ari-arian ng data na pinaka may kaugnayan. Ang pag-unawa sa kanilang konteksto, pag-unawa sa pag-unawa, pag-unawa sa mga totoong simpleng bagay tulad ng mga glossary ng negosyo na isinulat ng mga eksperto sa iyong mga komunidad, na pinanatiling buhay ng lahat ng kaalamang panlipi ng mga pinuno ng iyong mga katrabaho.
Pagkuha ng matalino sa pagtuklas ng data. Mag-isip tungkol sa kakayahang magawa ang mga pag-uusap sa mga may-ari ng ulat at eksperto. Pag-upload, gumawa ng kaunting Trip Advisor o Yelp, pag-upload ng mga ari-arian na pinaka-kapaki-pakinabang, na nagpapatunay sa mga inaakala ng samahan na pinakamahalaga at pagkatapos ang lahat ng pagpapakain na ito ay bumalik sa mga resulta ng paghahanap at sa huli ang mga ranggo sa paghahanap, ginagawang mas mahusay para sa ang susunod na gumagamit. Kapag nahanap mo ang iyong hinahanap, lumilipat sa mabilis, walang code na code, friendly na gumagamit, yugto ng paghahanda at pagsusuri upang mabuo ang iyong perpektong set ng data, mula kung saan mai-publish ang mga paulit-ulit na proseso.
Bumalik sa aming pag-uusap sa automation, pagbuo ng mga app na madaling gamitin. Anuman ang kinakailangan upang makabuo ng mga modelo ng analytical. Ang pagsasalita ng mga modelo, sinuportahan namin ang mga bukas na mapagkukunan na teknolohiya tulad ng R sa loob ng isang taon, ay nagbibigay-daan sa amin na bumuo ng isang tunay na advanced na kakayahang analitiko na sumasaklaw sa deskriptibo, ngunit din mapaghula, preskriptibong analytics, sa isang simple, drag-and- patak ng paraan.
Ngayon, hanggang sa kanang bahagi, na talagang nakakakuha ng pananaw na iyon sa mga interactive na visualization, mga modelo at pagmamarka na itinulak sa loob ng mga platform ng data, o pinakabagong, ginagawa ang magagamit na pananaw na agad at direkta sa isang proseso ng negosyo. Sa palagay ko ito ang saklaw ng mga kakayahan sa buong buong platform na pinapayagan kaming kilalanin bilang nagwagi ng Gold Award sa Gartner Peer Insights Customer Choice Survey, na isang kamangha-manghang nagawa. Lubhang inirerekumenda kong bisitahin ang site ng Gartner upang malaman ang higit pa at magdagdag ng iyong sariling mga boto at idagdag ang iyong sariling komentaryo.
Ang cool, kaya, Jen, kung laktawan namin ang isa pang slide - Sa palagay ko sa pagtatapos namin, nais kong bigyan ka ng lahat ng susunod na mga hakbang. Una sa lahat, mangyaring bisitahin ang Alteryx.com upang mag-download ng isang komplimentaryong kopya ng aming pinakahuling maikling pananaliksik, na ginawa sa koordinasyon sa International Institute of Analytics (IIA), sa paligid ng pagsira sa mga hadlang ng analitiko. Maaari mo ring bisitahin ang udacity.com/alteryx upang malaman ang higit pa tungkol sa kung paano paganahin ang iyong mga koponan, na gawin ang susunod na hakbang sa kanilang paglalakbay, kasama ang advanced na analytics nano-degree at pagkatapos ay makaranas ng Alteryx para sa iyong sarili. Bisitahin ang homepage, mag-download ng isang ganap na itinampok na pagsusuri at makarating sa thrill ng paglutas.
Jen, sa iyo. Maaaring magkaroon kami ng ilang oras para sa ilang Q&A.
Eric Kavanagh: Mabilis lang akong mag-chime sa mabilis. Mayroon kaming ilang mga katanungan. Itatapon ko ang isa, sa palagay ko, higit sa iyo muna, Nick, at pagkatapos ay si Jen, kung nais mong magkomento tungkol dito, ngunit tiyak na mayroon itong higit na kakayahang magamit sa EU at iyon ang nakakahawang GDPR, ang Global Data Protection Regulation. Paano nakakaapekto ang Alteryx at ang iyong roadmap at kung ano ang nakatuon sa iyo?
Nick Jewell: Sobrang boogieman, sa palagay ko, nasa labas na ngayon. Ang isang pulutong ng mga tao na pinag-uusapan, maraming mga tao ay nag-aalala, ngunit ito talaga ang una sa isang mahabang serye ng mga regulasyon na pupunta sa mundo ng data at analytics. Talagang, mula sa aming pananaw, ito ay tungkol sa pag-unawa at pag-uuri ng iyong data. Ang pagtiyak bilang isang CxO, ng anumang partikular na lasa, alam mo kung nasaan ang iyong mga ari-arian, alam mo ang kanilang konteksto at alam mong mapagkakatiwalaan mo sila bilang isang unang hakbang upang talagang pamamahala at pamamahala ng data sa isang mas malawak na konteksto.
Eric Kavanagh: Sa palagay ko ay ibabato ko sa iyo ang isa pang katanungan bago namin ibalik sa loob si Nick, Nick, at iyon ay, ang data ng pagsasanay, kung may humiling na alisin ang kanilang data sa iyong negosyo, na ang mga epekto ay hindi lamang ang kanilang pangalan, address at iba pa, hindi lamang ang kanilang impormasyon sa pakikipag-ugnay, ngunit din, kung ang isang algorithm ay gumagamit ng data ng pagsasanay na kasama ang iyong data, dapat mong pigilan ang algorithm, hindi ba?
Nick Jewell: Ito ay partikular na kumplikado. Sa palagay ko, ang ideya na hindi lamang mga database bilang isang mapagkukunan ng ilan sa mga personal na makikilalang impormasyon na ito, kundi pati na rin ang mga analytic workflows, ang mga app, ang mga visualization. Ang data na ito ay nakakakuha ng kahit saan sa isang samahan, kaya ang pagkakaroon ng konteksto na iyon: ganap na mahalaga.
Eric Kavanagh: At Jen, ano ang naiisip mo? Malinaw na, hindi ito malaki sa isang pakikitungo sa US at hindi namin nakikita ang napakaraming mga kumpanya na nababagabag sa ngayon, kahit na sa teknolohiyang inilalapat dito. Kung ang isang kumpanya ng US ay may data ng isang mamamayan ng EU, ano ang iyong dapat makuha sa GDPR at kung gaano ito kalaki?
Jen Underwood: Well, tiyak na sa palagay ko ay nangangailangan ito ng responsableng paggamot ng data. Ilang beses ko na itong isinulat at may ilang patnubay sa ilan sa mga bagay na ito. Sa palagay ko ang tanong na tinanong mo tungkol sa mga algorithm ay kawili-wili. Tiyak, ang ilan sa mga solusyon na tinitingnan ko ngayon, ang ilan sa kanilang mga koponan ng produkto ay nagdisenyo ng mga tampok upang makita mo kung paano nila ginagawa ang mga pagpapasya at kung anong personal na data ang ginamit upang magpasya ang kinalabasan ng algorithm na iyon. Nakakakita kami ng ilang mga epekto sa mga disenyo ng produkto dito sa Estados Unidos.
Ang isang pulutong ng mga kumpanya ng teknolohiya ay may napakalaking mga tanggapan dito at mga koponan ng pag-unlad dito sa Unidos pati na rin sa buong mundo, kaya nakikita natin ito sa pagbuo ng produkto. Nakakakita ako ng higit pang mga katalogo ng data na namuhunan sa mas maraming mga inisyatibo ng mga gobyerno na nai-spun up upang maunawaan ng mga tao, at naiintindihan nila kung saan ang lahat ng data na iyon ay nasa kaguluhan. Sinusubukang upang makakuha ng kanilang mga bisig ng hindi bababa sa pag-aayos nito, na mahanap ito at gumawa ng isang bagay dito.
Eric Kavanagh: Itutulak ko ang slide na napag-usapan namin kanina at itapon ito sa iyo, Nick. Sa palagay ko ito ay isang kamangha-manghang slide dahil, sa akin, talagang nakikipag-usap ito sa kaagad ng isang pangangailangan para sa analytics. Ano sa palagay mo ang tungkol sa pagbabago ng pabago-bago? Ibig kong sabihin, ang ilalim na linya ay ang mga kumpanya ay dapat na maliksi at nakikita ko ang mga analytics bilang nangungunang singil. Ano sa tingin mo?
Nick Jewell: Ito ay kaakit-akit. Sa palagay ko laging mayroong - ang mga kumpanya at teknolohiya ay laging umiiral sa tatlong estado, kaya't alinman sa magiging digmaan, kapayapaan o pagtataka. Ang digmaan ay magiging tungkol sa mabigat na antas ng kumpetisyon. Ang Wonder ay ang lahat ng mga magagandang bagong bagay na itinatayo mo sa tuktok ng isang platform. Pagkatapos ay kapayapaan bago ang kumpetisyon at ang digmaan ay nagsisimula muli. Sa palagay ko laging may labanan na ito.
Bago ang tawag ngayon, napag-usapan namin ang ilan sa iba pang kumperensya at mga pangunahing tala na nangyayari sa buong mundo ngayon. Ang ilan sa mga malalaking vendor ng ulap, naabot na nila ang isang punto kung saan napatayo nila ang platform na ito at ngayon nagtatayo sila ng magagandang bagong bagay sa tuktok nito. Ang mga kumpanya ay dapat na bantayan ito at tiyakin na sila ay pupunta sa isang bagay na may magkakaugnay na platform na maihahatid ang halagang iyon para sa hinaharap. Ang mga ito ay ang magiging mga makakaligtas sa pagkagambala na ito.
Eric Kavanagh: Oo, magandang punto iyon, at alam mo, Jen, nagkomento ka nang mas maaga, sa katunayan bago ang palabas, tungkol sa diskarte sa ulap at kung gaano karaming mga tao ang alam mo sa industriya ay nagsasabi na ang mga malalaking kumpanya, kahit na mga bangko, ang lahat ngayon ay may diskarte sa ulap. Naging ako ay nagulat sa kung gaano katagal na naisagawa iyon, at sa palagay ko marahil ang ilan sa kanila ay nagpunta sa AWS Reinvent Conference at napagtanto kung gaano kalaki ito at iginuhit ang konklusyon na dumating na ang oras. Ano sa palagay mo ang tungkol sa kamalayan sa mga malalaking ehekutibo sa negosyo tungkol sa pag-import ng ulap at kung paano binabago ang kanilang plano?
Jen Underwood: Kapag iniisip ko ang mundong ito ng napakalaking sukat na data, na mapamamahalaan ito, sa palagay ko sa ilang mga antas mayroong ilang kapayapaan ng pag-iisip sa pagkakaroon ng isa sa napakalaking mga kumpanya na responsibilidad para sa ilan sa mga aspeto ng seguridad, kaya mayroong ilang kapayapaan ng isip doon. Alam mo na mayroong ilang limitadong sukat na may ulap.
Ang iba pang bagay ay, at nakita ko ito, ako ay nasa isang koponan na nagbago ng isang produkto sa ulap at tiyak na isang underdog na produkto at walang nagbigay ng pansin dito, at sa loob ng dalawang taon, dahil sa lingguhang paglabas at kahit na, Gusto ko sabihin, ito ay halos sa punto ng araw-araw na paglabas sa ulap. Alam ko na sinasabi ng Amazon na naglalabas sila ng maraming beses bawat araw. Kapag mayroon kang banta na iyon, kapag ang iyong mga kakumpitensya ay maaaring magpakawala at pagbutihin araw-araw, anuman ang ginagawa nila, hindi bababa sa industriya ng software - at talagang lahat sa industriya ng software kapag sinimulan mo ang pagtingin sa digital na pagbabagong-anyo - ito ay isang buong iba pang ballgame at kahit sino ay maaaring iikot ang isang ulap at sukat at maging malaki.
Muli, ito ay magiging data na sila ay nag-a-access na gagawing pagkakaiba-iba at katalinuhan sa kanilang mga algorithm, at iyon ang dahilan kung bakit pinag-uusapan ng mga tao ang tungkol sa data bilang bagong langis o data na ginto. Kapag tiningnan ko ang ulap, ito ang laro tagapagpalit, talagang nagbibigay-daan ito sa napakadali, napakabilis na pag-unlad at sukat. Ang galing.
Eric Kavanagh: Ibabalik kita, Nick, para sa isa pang katanungan - pupunta kami ng isang minuto lamang ang haba kung maaari nating makuha ang ilan sa mga katanungang ito, ngunit, bilang naalala ko, lima at anim at marahil kahit pito mga taon na ang nakalilipas, si Alteryx ay talagang isang makabagong tagabago sa pag-agaw ng data ng third-party - kaya nagdadala ng data mula sa mga mapagkukunan tulad ng Experian, halimbawa, o data ng geospatial. Iniisip ko na marahil isang estratehikong kalamangan dahil ang ganoong uri ng bagay ay nasa DNA sa Alteryx, di ba? Habang ang mga kumpanya ay lumilipat patungo sa ulap, sa palagay ko ay marami kang karanasan sa pagiging tulay ng mga mundong iyon. Ang mga mundo ng mga on-prem na mga talata third-party at data na batay sa ulap, ano sa palagay mo?
Nick Jewell: Oo, talagang. Ang panghuli pagkakakonekta ay magiging tulad ng isang play ng kuryente sa anumang kumpanya na magiging nagtatrabaho sa kapaligiran na nakabase sa cloud. Ngunit sasabihin ko, kapag pinag-uusapan natin ang tungkol sa isang bagay tulad ng infonomics, ang ideya na ang impormasyon at data ay dapat isaalang-alang na isang asset sa iyong kumpanya. Karamihan sa halaga na iyong dadalhin ay ang pagkuha ng mga panlabas na mapagkukunan ng data, paghalo sa mga ito at pagyamanin ang mga ito gamit ang iyong panloob na mapagkukunan, upang lumikha at gawing pera ang higit na halaga sa proseso. Ito ay ganap na kritikal upang gumana nang pantay-pantay at panlabas na pantay.
Eric Kavanagh: Oo, magandang punto iyon. Sa palagay ko ang buong mundo ng hybrid cloud ay narito upang manatili. Jen, isusuko ko lang ito sa iyo para sa ilang mga pagsasara ng mga puna, marahil. Para sa akin, ang pagkakaroon ng estratehikong pananaw na iyon at ang pag-iisa na ang bagong termino ay naglalarawan ng data sa mga mapagkukunan, na magiging isang kritikal na kadahilanan ng tagumpay pasulong, di ba?
Jen Underwood: Hindi, talagang, at nakakatawa, naririnig ko ang mestiso, mestiso, mestiso. Narinig mo ang tungkol dito at apat na taon na ang nakakalipas na iniisip mo ang tungkol sa Hadoop, Hadoop at malaking data at pagkatapos ay nagsimula kang makarinig ng hybrid, mestiso, kaya tiyak na nandoon, hindi kami kinakailangan, ito ang taon ng pag-aaral ng machine, bar wala. Ibig kong sabihin, artipisyal na intelihensiya, ang pag-aaral ng makina ay nagsagawa ng entablado sa taong ito, ngunit upang talagang gumana sa isang samahan ngayon na papunta sa ulap o may pakikitungo sa lahat ng iba't ibang mga mapagkukunan ng data ng ulap, marahil ito ay Salesforce o Workday, ang lahat ng mga iba't ibang uri ng mga mapagkukunan na nakatira sa ulap, ang tanging paraan upang mahawakan mo ito ay maging mestiso. Hindi mo maaaring kopyahin ang data sa lahat ng dako, kaya kailangan mong direktang kumonekta at kailangan mong makahanap ng isang paraan upang magtrabaho kasama ang data na matatagpuan sa lahat ng dako, makahanap ng data sa lahat ng dako, sapagkat iyon ang katotohanan ng kung saan kami nasa kanan ngayon.
Eric Kavanagh: Sa palagay ko ay malilimutan ako kung hindi ko ibabalik ang pag-aaral ng makina sa pag-uusap, kaya, Nick, itatapon ko ito sa iyo. Alam ko na ang mga tao ay nakatuon sa ngayon - maaari mo bang uri ng pag-uusap tungkol sa kung saan nakikita mo ang pag-aaral ng machine na nakahanay sa analytics at sa uri ng mga system na ginagamit namin upang maunawaan ang aming negosyo at aming data?
Nick Jewell: Oo, sigurado. Kaya, napakadali, kung gayon, mabilis na bumalik sa ating puwang sa kasanayan. Ang ideya na mayroon kaming mga ganap na chock-full na may mga gumagamit ng Excel. Mayroon kaming data na mga siyentipiko na dumadaan, ngunit hindi lumalaki sa parehong rate. Mayroong isang malaking puwang sa pagitan ng dalawa. Mag-isip tungkol sa kung saan ang pag-aaral ng makina ngayon. Gaano karaming mga algorithm ang mayroon sa aming telepono o sa aming relo na isinasama ang mga diskarte sa pag-aaral ng machine? Ito ay isang kalakal, nasa lahat ng dako. Kailangan naming paganahin ang mga gumagamit ng kapangyarihan na ito sa pinakasimpleng posibleng paraan upang matiyak na matagumpay na mailapat ang makina sa buong negosyo.
Eric Kavanagh: Itatapon ko sa iyo ang isa sa iyo, marahil. Mayroon kaming ilang mga katanungan na dumating sa huli, dito. Jen, hihilingin ko sa iyo ang isang ito. Ang isang dadalo ay nagkomento sa buong konsepto ng hindi sinusuportahang pag-aaral at ang katotohanan ay kailangan mo ng data ng pagsasanay upang gawin ang mga bagay na iyon at karaniwang ang data ng pagsasanay ay kailangang maging tiyak sa kumpanya. Kahit na sa mga industriya mayroong maraming mga ugnayan, maraming paraan kung saan magkakatulad ang mga samahan. Gayunpaman, ang bawat kumpanya ay natatangi, maging modelo ng negosyo o ang diskarte nito sa marketing o benta, o kung anuman ang kaso, pag-unlad ng produkto.
Ang tanong ay, magagamit ba ang mga algorithm na ito ng data ng third-party para sa pagsasanay? Mukhang sa palagi mong kailangan mong gumamit ng iyong sariling data upang sanayin ang mga algorithm na ito, kahit na ang oras ng pag-ikot na iyon ay bumagsak mula sa anim na buwan - na kung saan ay nangyari sa ilang mga kaso - hanggang sa 40 araw o 20 araw, anuman ang kaso pwede. Kailangan mong gumamit ng iyong sariling data at kailangan mong tiyakin na ang data ay medyo malinis, di ba?
Jen Underwood: Ito talaga ang timpla. Gusto mong magkaroon ng panlabas na konteksto. Sa katunayan, nai-book na ako ngayon pabalik at ang aking susunod na webinar ay pinag-uusapan ang paghahanda at paglilinis ng data, ironically para sa pag-aaral ng makina. Ano ang talagang susi ay pinagsama mo ang panlabas na konteksto sa iyong samahan, at mahal ko na tinanong mo ang tungkol sa data prep at paglilinis, dahil sa totoo lang, ang ilan sa mga tool ay nakakakuha ng napakahusay, napakahusay - maaari nilang hawakan ang ilang mga aspeto nito, ngunit ang pag-iisip ng tao, o kakayahang alamin ang problema at tingnan at tiyakin na hindi nila tinanggal ang - sabihin na mayroon kaming ilang uri ng pagkabulgar. Ang paraan na tinitingnan mo ang problema at ang paraan na pinili mo upang idisenyo ang problema na ikaw ay awtomatiko o mga pagpapasya na iyong automating, mayroong isang sining na iyon at tiyakin na tumpak na sumasalamin ang proseso ng negosyo.
Bumalik sa aking halimbawa sa kumpanya ng seguro, nang kami ay nagmomolde ng churn at kung sino ang mag-upa upang dumaan sa naka-sponsor na pagsasanay na ito upang magbenta ng seguro; sa modelo mismo ay hindi ligal na klima, iba't ibang mga batas para sa iba't ibang estado. Mayroong palaging magiging ilang aspeto, kung saan kakailanganin mong magkaroon ng panlabas na data gamit ang iyong panloob na data at, muli, ang pag-iisip ng tao. Mayroong magkakaibang mga sangkap doon.
Eric Kavanagh: Sa palagay ko nagdala ka ng isang magandang punto dito. Patuloy kaming nakikinig tungkol sa mga robot at machine at pagkuha ng pag-aaral ng machine. Para sa akin, ito ay isang napaka-nakakagambala na kalakaran - walang duda tungkol dito - ngunit hindi ko kailanman nakikita ang pangangailangan para sa mga tao sa halo na lalayo, lalo na sa analytics sa data, sa data ng negosyo.
Nick, isang panghuling tanong para sa iyo. Para sa akin, kahit gaano kagaling makuha ang mga algorithm, palaging kailangan mo ng pagsubaybay sa mga tao kung ano ang nangyayari, iniksyon ang kanilang sarili sa mga itinalagang oras at talagang synthesizing ang malaking larawan ng kung ano ang nasa labas. Hindi sa palagay ko ang anumang algorithm ay kailanman magagawang upang synthesize ang malaking larawan para sa isang kumpanya ng Fortune 2000, ngunit ano sa palagay mo?
Nick Jewell: Well, kumuha tayo ng isang ganap na di-Alteryx halimbawa, pag-usapan natin ang tungkol kay Uber mula noong nakaraang taon. Si Uber, sa panahon ng insidente ng terorista sa Australia, ang mga tao na nagsisikap na tumakas mula sa lugar, bigla silang sumulud sa pag-akyat sa pagpepresyo, 'dahil iyon ang sinabi ng algorithm na gawin, ay nagdulot ng malaking pinsala sa reputasyon. Kaagad pagkatapos nito, ipinatupad nila ang mga tao at algorithm na nagtutulungan. Anumang oras na ito ay mangyayari, ang isang tao ay kailangang magkaroon ng pangangasiwa sa proseso. Ang pakikipagsosyo ng tao at algorithm, iyon ang paraan pasulong.
Eric Kavanagh: Wow, magandang halimbawa iyan, maraming salamat. Well, mga tao, nasunog namin ang higit sa isang oras dito sa aming webcast. Napakalaking pasasalamat kay Jen Underwood ng Epekto ng Analytics. Siyempre malaking salamat sa Nick Jewell at ang Alteryx Team para sa kanilang oras at atensyon at sa lahat sa iyo para sa iyong oras at atensyon. Pinahahalagahan namin ang mga mahusay na katanungan. Ginagawa namin ang pag-archive ng lahat ng mga webcasts na ito para sa pagtingin sa ibang pagkakataon, huwag mag-atubiling ibahagi ang mga ito sa iyong mga kaibigan at kasamahan. Gamit nito, magpa-bid kami sa iyo ng paalam. Napakahusay na webcast ngayon. Maraming salamat ulit, aabutan ka namin sa susunod, mga tao. Ingat. Paalam.
