Співробітники компанії «Техопедія», 25 серпня 2016 року
Винос: Ведуча Ребекка Йозв'як обговорює явище вбудованої аналітики та науковців із даних про громадян з докторами Робіном Блором, Дезом Бланчфілдом та Девідом Свіндором.
Ви повинні зареєструватися для цієї події, щоб переглянути відео. Зареєструйтесь, щоб переглянути відео.
Ребекка Йозвяк: Пані та панове, привіт, ласкаво просимо до Hot Technologies. "Вклади всюди: включення даних про громадянських даних" - наша тема сьогодні. Я заповнюю свого звичайного господаря, це Ребекка Йозвяк, що заповнює Еріка Кавана. Так, цей рік гарячий. Зокрема, термін "вчений з даними" привертає багато уваги, хоча ми звикли називати їх нудними іменами на кшталт "статистик" або "експерт з аналітики", в значній мірі займаючись одним і тим же видом діяльності, але це нове сексуальне ім'я, і це залучаючи багато уваги. Їх дуже бажано мати на робочому місці, корисних для організації, і кожен хоче цього. Але вони: 1) дорогі, 2) важко знайти. Ви знаєте, так багато інформації про дефіцит навичок науковця даних, але все-таки вони пропонують величезну цінність для організації, і люди начебто вимагають, щоб розібратися, як отримати цю цінність, не впадаючи ні на копійку, щоб говорити.
Але гарна новина полягає в тому, що ми бачимо, як з'являються інструменти та програмне забезпечення, які компенсують цей дефіцит. У нас є автоматизація, машинне навчання, вбудована аналітика, про що ми сьогодні будемо вчитися, і це свого роду породжує цей новий термін «науковець про дані громадян», і що це означає? Ні, це не ваш підготовлений учений даних, це може бути ваш бізнес-бізнес, ваш експерт з біологічних питань, хтось із ІТ, хтось, хто має досвід, але, можливо, не обов'язково. Але те, що це робить, ці інструменти та програмне забезпечення, чи дає їм більше людей доступ до цих розумних рішень, хоча вони можуть не знати глибокого кодування. Але це просто допомагає покращити ефективність роботи в цілому, коли ви надаєте кожному трохи більше доступу до цієї аналітичної думки. Вам не потрібно проводити навчання обов'язково, щоб мати тип цікавості, який може призвести до хорошої розуміння вашої компанії.
Обговорюючи, що сьогодні з нами - наш власний Робін Блор, головний аналітик групи Bloor, один із невловимих науковців даних, закликає Дез Бланчфілд, і тоді у нас є Девід Сіундор з Dell Statistica. І з цим я збираюся передати це Робіну Блору.
Робін Бор: Добре, дякую за вступ. Я щось про це думав в історичному контексті. Те, що ми насправді дивимося тут, - це одна з конструкцій Леонардо да Вінчі для свого роду планера, який людина може поставити на спину. Я поняття не маю, чи справді це спрацює. Я б не вдавався в це, мушу сказати. Однак, да Вінчі, коли я думаю про да Вінчі, я вважаю його одним із найбільш допитливих та аналітичних людей, що коли-небудь існували. І цілком зрозуміло, якщо ви просто подивитесь на цей планер, що він сконструйований на основі пташиного крила, і він так чи інакше вивчив польоти птахів, щоб його побудувати.
Якщо взяти історичну перспективу - я насправді це підняв - аналітика - це, мабуть, найдавніше застосування математики. Існують переписи, що сягають принаймні до вавилонських часів. Ми знаємо про це, оскільки в основному є кілька клинописних планшетів, на яких є такі дані. Невідомо, чи було щось, що повернулося раніше. Але очевидно, що ти маєш собі цивілізацію з великою сукупністю людей, вона насправді вимагає планування, і варто знати, що ти плануєш і які вимоги цих людей насправді є.
І це там, де це почалося, і там, де почалися обчислення, тому що ранні комп'ютери, ранні механічні комп'ютери, насправді були, я думаю, що першим був перепис, створений Голлерітом, який став IBM, я вважаю. Все це рухалося вперед. Існувало якесь перерва між, можливо, 1970-х і сьогоднішнім днем, де існує велика кількість інших програм і аналітики, можна сказати, заднім місцем. Так, тривала аналітика - це відбувалося у великих організаціях, зокрема в банках та страхових компаніях, і насправді General Electric і telco тощо. Але це взагалі не використовувалося в бізнесі, і зараз воно починає загалом звикати бізнес. І це змінило гру, дійсно. Перше, на що я подумав би звернути увагу - це піраміда даних, що мені особливо подобається. Це, я маю на увазі, я намалював один із цих 20 років тому - принаймні 20 років тому - щоб спробувати і зрозуміти, справді, у той час я намагався зрозуміти BI та деякі ранні видобування даних, що робилося. Я тут визначив ідею даних і приклади - це сигнали, вимірювання, записи, події, транзакції, обчислення, агрегації, окремі точки інформації. Ви можете вважати їх молекулами інформації, але це окремі точки. Він стає інформацією, як тільки отримує контекст. Пов'язані дані, структуровані дані, бази даних, візуалізація даних, плотери, схеми та онтології - всі вони вважаються моєю думкою як інформація, тому що те, що ви зробили, - це сукупність різноманітності разом і створило щось набагато більше, ніж точку даних, щось, що насправді має форму, математичну форму.
Над цим ми маємо знання. Ми можемо, вивчивши інформацію, дізнатися, що існують різні шаблони, і ми можемо використовувати ці зразки, формулюючи правила, політику, вказівки, процедури, і тоді вона набуває форми знань. І майже всі комп'ютерні програми, що б вони не робили, - це знання, тому що вони працюють проти даних і застосовують до них правила. У нас є ці три шари, і все більше вдосконалення відбувається між шарами. І ліворуч на цій діаграмі вам показано введення нових даних, тому багато з них є статичними. Дані накопичуються, інформація накопичується і знання потенційно зростають. На вершині у нас є «Розуміння», і я б заперечував, хоча це філософський аргумент, що розуміння існує лише у людей. Якщо я помиляюся з цього приводу, то нас всі будуть замінені комп’ютерами в якийсь момент часу. Але замість того, щоб вести дискусію, я перейду до наступного слайду.
Коли я подивився на це, цікаве, це щось недавнє, цікаве було спробувати і зрозуміти, що таке аналітика насправді. І врешті-решт, склавши різні діаграми і закінчившись такою, яка виглядала так, я дійшов висновку, що насправді розробка аналітики - це справді лише розробка програмного забезпечення з величезною кількістю математичних формул. Аналітичне дослідження дещо відрізняється від розробки програмного забезпечення в тому сенсі, що ви насправді б взяли багато, багато різних моделей та досліджували їх з метою отримання нових знань про дані. Але після того, як ви його створили, він буде реалізований або в тому, що я вважаю підтримкою пасивного рішення, а саме інформацією, щойно подається користувачеві; інтерактивна підтримка рішень, яка є на зразок OLAP, коли користувачеві надається структурований набір даних, який він може досліджувати та виводити речі для себе за допомогою різних доступних інструментів. Дуже багато візуалізації. І тоді у нас є автоматизація, якщо ви можете просто перетворити деякий аналітичний огляд, який ви зібрали, у набір правил, які можна реалізувати, вам не обов’язково потрібно брати участь у людській істоті. Ось так я і дивився на це, коли робив усе це. І різні речі почали траплятися зі мною. Якщо ми скажемо, область діяльності, якщо ми скажемо, колись область даних фактично видобувається, ретельно видобувається, ретельно досліджується в усіх можливих напрямках, з часом вона просто стає кристалізованою BI. Винайдені знання починають ставати знаннями, які інформують різних користувачів різними способами, і збільшують їхню здатність, сподіваємось, насправді виконувати роботу, яку вони роблять.
Одне з речей, які я помітив, і я продивлявся прогностичну аналітику близько п’яти років, але прогностична аналітика стає BI, в тому сенсі, що вона просто перетворюється на корисну інформацію для годування людьми, і, як я вже зазначав, є автоматизована звітність щодо BI, BI explorative, BI, дуже різні її градації та прогнозована аналітика насправді відбувається у всіх трьох напрямках. А аналітичний процес, як я зазначав, не так відрізняється від розробки програмного забезпечення, що робиться лише різними людьми з трохи іншими навичками. Думаю, я повинен підкреслити, що навичкам, необхідним для того, щоб зробити вченого справді хорошим, потрібні роки, щоб придбати. Їх не легко здобути, і не велика кількість людей може це зробити, але це пов'язано з розумінням математики на дуже складному рівні, щоб знати, що справедливо, а що не вірно. Розробки в аналітиці, відкриття нових знань, імплантація аналітики, мова йде про те, щоб зробити знання операційними. Ось такий фон, який я бачу перед усією аналітикою. Це величезна територія, і для цього є багато, багато вимірів, але я думаю, що узагальнення стосується всього.
Тоді є бізнес-зриви, як я вже згадував, існує ряд організацій, фармацевтична компанія - ще одна, яка має у своїй ДНК свою аналітику. Але є багато організацій, які насправді цього не мають у своїй ДНК, і тепер вони мають цю здатність, зараз програмне забезпечення та обладнання набагато дешевше, ніж раніше, тепер вони мають можливість експлуатувати це. Я б сказав кілька речей. Перше, що аналітика - це в багатьох випадках науково-дослідна робота. Можливо, ви просто застосовуєте аналітику до певної сфери організації, і може здатися, що ви так чи інакше аналізуєте замовлення клієнтів ще раз з різних точок зору, з'єднуючи його з іншими даними. Але аналітика фактично створює можливість поглянути на організацію в цілому і в значній мірі проаналізувати будь-яку конкретну діяльність, що відбувається в рамках організації та цілих ланцюжків діяльності. Але як тільки ви насправді переїдете в цю область, я б зазначив, що це дослідження та розробки. І є питання, яке мені задавали кілька разів, а саме: «Скільки компанія повинна витратити на аналітику?» І я думаю, що найкращим способом задуматися над наданням відповіді на це є мислення аналітики як науково-дослідної роботи, і просто запитайте: "Ну скільки б ви витратили на НДДКР у сфері ефективності бізнесу?"
А у підприємств, які не займаються аналітикою, є багато речей, які вони не знають. Перш за все, вони не знають, як це зробити. Зазвичай, якщо вони насправді збираються в тій чи іншій мірі прийняти аналітику в організації - вони насправді не мають іншого вибору, окрім як звернутися до консультації, яка може допомогти їм у цьому, тому що для більшості це буде неможливо чи справді дуже важко. компанії фактично наймають науковця даних, знайшовши одного, оплативши його і фактично довіряючи їм робити те, що ви хочете. Дуже важко. Більшість підприємств не знають, як найняти чи навчати персоналу, щоб насправді виконувати цю роботу, і причина цього полягає лише в тому, що він ще не в їх ДНК, тому це не є частиною їх природних бізнес-процесів. Це переходить у наступний момент. Вони не знають, як зробити це бізнес-процесом. Найкращий спосіб зробити це, до речі, - скопіювати те, що фармацевтичні компанії та страхові компанії, просто дивіться, а деякі компанії в медичному центрі, просто дивіться на те, як вони використовують аналітику, і копіюють її. Тому що це бізнес-процес. Не знаєте, як це поліція чи аудит. Це дійсно, особливо зараз, коли дуже багато програмних компаній створили продукти, які автоматизують надзвичайно багато аналітики. Суть щодо аудиту є важливою, коли у вас є консультація або хтось на сайті, якому можна довіряти, щоб зрозуміти, які результати будь-якого аналітичного розрахунку, це такий вибір, який ви повинні зробити, але якщо ви використовуєте дійсно потужні аналітичні інструменти руки людей, які неправильно розуміють аналітику, вони, швидше за все, перейдуть до висновків, які можуть бути невірними. І як я вже сказав, компанії не знають, як на це сплатити бюджет.
Це аромати аналітики, я просто пробіжу їх. Статистична аналітика та статистичне моделювання суттєво відрізняється від прогностичної аналітики, більшість з яких, до речі, є кривопридатною. Машинне навчання відрізняється від тих речей, аналітика шляхів та часові ряди, які в основному проводяться в потоках статусу, знову відрізняються. Графічна аналітика знову відрізняється, а текстова та семантична аналітика знову відрізняються. Це лише вказує на те, що це дуже багатожанрова річ. Це не так, ви не починаєте займатися аналітикою, ви починаєте дивитися на проблеми, які у вас є, і шукаєте різноманітні інструменти та різні аромати аналітики, які їм підійдуть. І нарешті, чиста сітка. Через еволюцію апаратних та програмних засобів, на мою думку, аналітика знаходиться в зародковому стані. Попереду ще багато, ще багато, і ми побачимо, що це відкриється в найближчі роки. Я думаю, що зараз можу передати м'яч Дезу.
Дез Бланчфілд: Так, поговоримо про жорсткий вчинок, який слід виконати, Робін. Я збираюся коротко відвідати цю тему з одного з моїх улюблених ракурсів - кута людини. У нашому повсякденному житті відбувається так багато змін. На мою думку, одна з найбільших перебоїв у нашому щоденному житті - це щоденна робота. Повернення до роботи та намагання виконувати ту роботу, яку ви найняли, і зростаюче очікування, що ви збираєтеся перейти від повсякденної людини до супергероя, та кількість інформації, яка обтікається організаціями та випромінює дуже, дуже швидко, це суттєвий виклик, і все більше і більше нам потрібно надавати кращі та кращі інструменти людям, щоб спробувати впоратися з потоком знань та інформації, тому я подумав, що я спробую підійти до цього з невеликого кутового куточка . Але мене завжди вражає те, як у нас є цей високий розум чи флешмоби тощо, які наче підштовхують нас до того, про що ми говоримо, як аналітика, але насправді те, про що ми говоримо, - це надання інформації доступною для людей, і дозволяючи їм взаємодіяти з цим і робити це таким чином, щоб це було природно і він почувався нормальним.
Насправді це нагадує мені відео YouTube про маленьку дитину, маленьку дитину, яка сидить на підлозі, і вона сидить, граючи з iPad, і вона махає навколо, затискає, стискає і переміщує зображення та грає з екраном, дані там. А потім батько забирає iPad і кладе на колінах дитини журнал, друкований журнал. І цій дитині, мабуть, не більше двох років. Дитина починає пробувати пальцем по екрану журналу, щипати і стискати, а журнал не відповідає. Дитина піднімає палець вгору, дивиться на нього і думає: «Гм, я не думаю, що палець працює», і він тисне в руку і думає: «А ні, палець працює, я можу відчути свою руку і це виглядає добре ", і він викручує палець, а палець викручується і відповідає. Так. Потім він намагається знову взаємодіяти з журналом, і низько, і ось він не щипає і не стискає і не прокручує. Потім вони беруть журнал і ставлять iPad назад на колінах, і раптом річ спрацює. І ось ось дитина, яка прийшла разом і навчилася використовувати аналітичний інструмент або інструмент прямого трансляції для розваг, і він не може розробити, як повинен працювати журнал і як гортати сторінки.
І це сама по собі цікава концепція. Але коли я думаю про знання, що рухаються навколо організацій, і про те, як передаються дані, і про те, як люди поводяться, я часто замислююся над цією концепцією того, що люди навчилися бути флешмобом, що це подія, де і які соціальні медіа роблять це ще простіше зробити, ідея як така - зайти в це місце в цей час, в дату і в дію, або зняти відео та вивчити ці танці, або одягнути цей кольоровий капелюх і вказувати північ на одну годину. І ти проштовхуєш це через свою мережу, і незмінно цілий набір людей, сотні яких, з’являються в тому ж самому місці, одночасно роблять те саме, і є цей вау-фактор, як-от «Свята корова, це було насправді вражаюча! "Але насправді це дуже проста ідея, і проста концепція просто висувається через наші мережі, і ми отримуємо цей результат, який є візуально приголомшливою і чутно вражаючою річчю. І коли ви думаєте про організацію, про те, як ми хочемо, щоб люди поводилися, і те, як ми хочемо, щоб вони мали справу з інформаційними системами та клієнтами, це часто так просто, це ідея чи концепція, або культурна чи поведінкова риса, яку ми намагаємося передати за допомогою інструментів та інформації та розширення можливостей.
І що лежить в основі всього цього мантри, яку я маю протягом двох з половиною десятиліть, і це означає, що якщо ваш персонал не зможе знайти те, що потрібно, щоб зробити свою роботу, будь то інструменти чи інформація, вони завжди будуть винаходити колесо. І тому це зараз все більша проблема, де ми маємо багато знань, багато інформації та речей, які рухаються дуже швидко, що ми хочемо зупинити людей, які винаходять колесо. І коли ми думаємо про наше робоче середовище, повертаючись до кута людей, який є одним з моїх улюблених, я був вражений, коли ми здивувались, що кабіни не є сприятливим середовищем для хороших результатів, або ми вишикували речі на зразок цього жахливого картинки тут, і це не сильно змінилося, просто опустило стіни і назвало їх відкритими робочими місцями. Але посередині з жовтою петлею навколо них двоє людей, що обмінюються знаннями. І все ж, якщо ви подивитеся на іншу частину кімнати, вони всі сидять там, слухняно стукаючи туди, викладаючи інформацію на екран. І частіше за все, не дуже обмінюючись знаннями та даними, і для цього є цілий ряд причин. Але взаємодія посеред підлоги ліворуч у жовтому колі, там двоє людей базікають, обмінюються знаннями і, напевно, намагаються щось знайти, намагаючись сказати: "Чи знаєте ви, де цей звіт, де я я можу знайти ці дані. Який інструмент я використовую для цього? "І, мабуть, він не працював, тому у них нічого не було, і бродив по підлозі, порушив правило кабінетного приміщення та зробив це особисто.
І у нас було подібне середовище по всьому офісу, в якому нас жартівливо веселилися, але реальність така, що вони досить потужні та ефективні. І одне з моїх улюблених - це мобільна платформа чи платформа для постійної аналітики, яка називається водяний кулер, де люди піднімаються туди і спілкуються там, обмінюються знаннями, порівнюють ідеї та виконують аналітику, стоячи біля кулера для води, обмінюючись ідеями. Вони дуже потужні поняття, коли ти думаєш про них. І якщо ви зможете перекласти їх у ваші системи та інструменти, ви отримаєте дивовижний результат. І у нас є улюблений фахівець, який є найпотужнішим центром розподілу даних офісу, інакше відомим як приймальня. А якщо ви щось не можете знайти, куди ви їдете? Ну, ти йдеш до передньої частини офісу і йдеш на прийом і кажеш: "Чи знаєш ти, де х, у, з?" І я смію когось сказати, що вони цього не робили хоча б раз у новому робота або в один момент часу, коли вони просто щось не можуть знайти. І ви повинні запитати себе, чому це так? Це повинно бути десь на інтрамережі чи якомусь інструменті чи будь-якому іншому Це слід легко знайти.
І тому, що стосується даних та аналітики, а також інструментів, які ми надали нашому персоналу для виконання своєї роботи та взаємодії людей із робочими місцями, я зрозумів, що до недавнього появи інструментів аналітики та великих платформ даних або «обробка даних», як це називають у старій школі, звітування та обмін знаннями було далеко не динамічним, не спільним чи відкритим, і коли ви думаєте про тип систем, з якими ми очікуємо, що люди будуть виконувати свою роботу, у нас було класичне, що люди називають спадщину зараз, але реальність така, що це лише спадщина, яка є, і вона є ще сьогодні, і тому це насправді не спадщина. Але традиційні системи управління персоналом та ERP-системи - управління людськими ресурсами, планування ресурсів підприємства, управління даними підприємства та системи, які ми використовуємо для управління інформацією для управління компанією. Це незмінно осідає. А найпростіші платформи, такі як відомчі інтранети, намагаються повідомити, де є речі, і як їх дістати та як взаємодіяти зі знаннями навколо місця. Ми з'являємо це у нашій інтранети. Це так само добре, як і люди, які вкладають час і зусилля, щоб поставити це там, інакше це просто залишиться в голові. Або у вас є дані, які сидять увесь час у нижній частині ланцюга харчування, у корпоративних SAN і все між ними, тож це мережі зберігання рясніють файлами та даними, але хто знає, де їх знайти.
Частіше за все ми створили ці закриті платформи даних або закриті системи, і тому люди повернулися до подібних таблиць та PowerPoints, щоб передавати інформацію про місце. Але в моїй думці нещодавно відбулася цікава річ, і це те, що мобільні пристрої та Інтернет взагалі працюють таким чином, що ідея може бути краще. І переважно у споживчому просторі. І цікаво, що у повсякденному житті у нас почалися такі речі, як Інтернет-банкінг. Нам не довелося фізично йти до банку, щоб взаємодіяти з ними, ми могли це зробити по телефону. Спочатку це було незграбно, але тоді Інтернет з'явився, і у нас був веб-сайт. Ви знаєте, і скільки разів ви насправді були у своєму банку останнім часом? Я насправді не можу, я мав розмову про це днями, і я насправді не можу згадати востаннє, коли я пішов до свого банку, від чого я був дуже шокований, я думав, що я маю змогу згадати це, але це було так довго тому я насправді не пам'ятаю, коли їздив туди. І тому у нас зараз ці пристосування у руці у вигляді мобільних телефонів, телефонів, планшетів та ноутбуків, у нас є мережі та доступ до інструментів та систем, і споживчий простір ми дізналися, що все може бути краще, але тому про швидку зміну споживчого простору, яка була більш млявою та льодовиковою зміною всередині підприємства та навколишнього середовища, ми не завжди сприймали ці зміни у повсякденному робочому житті.
І мені подобається весело бавитись через те, що ви не можете передати потокові дані на копіювання. На цьому зображенні тут є людина, яка сидить, дивлячись на якусь аналітику, яка виконується, і є прекрасний графік, який створив хтось, кому, ймовірно, платять багато грошей як статистик чи актуар, і вони сидять там, намагаючись зробити аналітики на паперовій копії та на неї клацати. Але ось для мене страхітлива річ: наприклад, ці люди в цій кімнаті для нарад, і я використаю це як приклад, вони взаємодіють із даними, які тепер є історичними. І це так само давно, коли ця річ була виготовлена та потім надрукована, тому, можливо, це звіт про тиждень. Тепер вони приймають рішення не стільки поганих даних, скільки старих даних, які незмінно можуть бути поганими даними. Сьогодні вони приймають рішення на основі того, що є історичним, і це справді погано. Нам вдалося замінити цю паперову копію на зразок планшетів та телефонів, тому що ми дуже швидко відпрацювали в споживчому просторі, і тепер ми це опрацювали в просторі підприємства, що реальний час - це розуміння - це значення в реальному часі.
І нам стає все краще і краще. І це доводить мене до того, що Робін піднімався раніше, це була концепція вченого з даних про громадянина і привід цієї концепції. Для мене, громадянин-науковець - це просто звичайні люди з правильними інструментами та інформацією про вподобання iPad. Вони не повинні робити математику, вони не повинні знати алгоритми, вони не повинні знати, як застосовувати алгоритми та правила даних, вони просто повинні знати, як користуватися інтерфейсом. І це повертає мене до мого знайомства та концепції малюка, який сидить там із iPad проти журналу проти iPad. Малюк може дуже швидко, інтуїтивно навчитися використовувати інтерфейс iPad для занурення в інформацію та взаємодії з нею, хоча це може бути гра чи потокове медіа чи відео. Але він не міг отримати таку ж відповідь або взаємодію з журнального рядка та просто миготіння сторінки за сторінкою, що не дуже привабливо, особливо якщо ти малюк, який виріс із iPad. Незмінно люди можуть дуже швидко шукати та навчитися керувати інструментами та речами, що, якщо ми просто їх надаємо, і якщо ми надаємо їм інтерфейс, як мобільні пристрої, зокрема планшети та смартфони з досить великими екранами, особливо, якщо ви можете взаємодіяти їх на дотик, рухами пальцями, раптом ви отримуєте це поняття даних про громадянина.
Хтось, хто може застосувати науку про дані за допомогою правильних інструментів, але насправді не знає, як це зробити. І в моїй думці багато цього, як я вже казав, було спричинене впливом споживачів, що перейшло і перетворилося на попит і підприємство. Кілька справді швидких прикладів. Ми, багато хто з нас, почали би займатися своїми блогами та веб-сайтами, наприклад, розміщувати невеликі реклами чи дивитися на відстеження та рух, ми використовували такі інструменти, як Google Analytics, і нас розбудили до того, що у наших блогах та маленьких веб-сайтах, ми можемо помістити туди невеликі шматочки коду, і Google дасть нам можливість в реальному часі зрозуміти, хто відвідує веб-сайт, коли і де і як. І в реальному часі ми могли насправді бачити, як люди потрапляють на веб-сайт, переглядають сторінки та зникають. І це було досить дивовижно. Мені все одно подобається це робити, коли я намагаюся пояснити аналітику в реальному часі людям, я придумую це просто показуючи їм веб-сайт із підключеним Google Analytics і насправді бачу живу взаємодію з людьми, які потрапляють на веб-сайти, і запитують їх: у вас були такі розуміння вашого бізнесу в режимі реального часу ».
Візьмемо приклад роздрібної торгівлі, а може бути і фармацевтичний, я думаю, ви називаєте це аптекою в Америці, аптекою, де ви заходите і купуєте все, від таблеток від головного болю, до сонцезахисного крему та шапочки. Спроба запустити цю організацію без інформації в реальному часі - страшна концепція, тепер ми знаємо, що знаємо. Наприклад, ви можете виміряти рух пішки, ви можете розмістити пристрої навколо магазину з усміхненим обличчям на одній стороні екрану, тому що ви щасливі, і нещасний червоний внизу праворуч і кілька різних відтінків посередині. У наші дні є платформа під назвою "Щаслива чи ні", де ви заходите в магазин, і ви можете баламутити щасливе або сумне обличчя, залежно від відгуків про настрої клієнтів. І це може бути інтерактивним у режимі реального часу. Ви можете отримати цінові ціни, орієнтовані на попит. Якщо там багато людей, ви можете трохи знизити ціни, і ви можете зробити доступність акцій і сказати людям, наприклад - авіакомпанії, наприклад, скажуть людям, скільки місць доступно зараз на веб-сайті, коли ви Забронювавши рейс, ви не просто випадковим чином набираєтесь та сподіваєтесь, що зможете з’явитися та отримати рейс. Дані про HR-ефір, які ви можете дізнатися, коли люди працюють та закінчуються. Закупівлі, якщо ви займаєтеся закупівлями, і у вас є дані в реальному часі, ви можете зробити такі речі, як чекати годину і захиститись від ціни долара США, щоб придбати наступний вантаж запасів і підняти вантажівку речей.
Коли я показую людям Google Analytics і передаю такий анекдот, цей момент Юріка, цей «а-ха!» Момент, ця лампочка згасає в їх думці на кшталт: «Гм, я бачу багато місць, де я могла це зробити . Якби я мав інструменти і якби я мав доступ до цих знань ". І це ми зараз бачимо в соціальних мережах. Кожен, хто є кмітливим користувачем соціальних мереж, окрім того, що показує фотографії свого сніданку, схильний дивитись, скільки лайків вони отримують і скільки трафіку вони отримують і скільки друзів вони отримують, і вони роблять це за допомогою подобається, скажімо, Twitter як інструмент аналітики. Ви можете перейти на Twitter.com, щоб скористатися інструментом, але ви вводите крапку в Google Twitter Analytics, або натисніть верхню праву кнопку та витягніть меню та виконайте це, ви отримаєте ці симпатичні, живі графіки, які показують, скільки твіти ти робиш сам і скільки взаємодій з ними. І в реальному часі аналітика лише у ваших особистих соціальних мережах. Уявіть, якби у нас були подібні Google Analytics і Facebook, LinkedIn та Twitter, статистика eBay приходить до вас, але у вашому робочому середовищі.
Тепер у нас під рукою є живий різновид Інтернету та мобільних пристроїв, це стає концепцією харчування. І так це підштовхує мене до мого висновку, і це те, що незмінно я виявив, що організації, які рано використовують інструменти та технології, вони отримують настільки значну перевагу перед своїми конкурентами, що конкуренти, можливо, ніколи не наздоганяють. І ми зараз спостерігаємо це з конфліктом даних про вченого. Якщо ми можемо взяти людей з навичками, знаннями, для яких ми їх найняли, і ми можемо дати їм правильні інструменти, зокрема можливість бачити дані в реальному часі та виявляти дані та знати, де це, не гуляючи по кабінах і задавати питання вголос, потрібно їхати і стояти біля водяного кулера, щоб зробити порівняльну аналітику з людьми або піти і запитати прийом, де індекс. Якщо вони можуть зробити це під рукою, і вони зможуть взяти це на свої зустрічі з ними і сидіти в залі засідань, перегортаючи екрани в режимі реального часу, а не на паперовій копії, раптом ми наділили своїх співробітників, які не потребують фактичного науковці даних, але насправді використовувати науку про дані та досягти приголомшливих результатів для організацій. І я думаю, що цей підсумковий момент ми пережили зараз, коли споживача запускають у підприємство, виклик полягає в тому, як ми надаємо це підприємство, і це тема, яку я здогадуюсь сьогоднішньої дискусією. І з цим я збираюся завернути свою частину і передати, щоб почути, як ми можемо це вирішити. Девід, до тебе.
Девід Сіундор: Гаразд, спасибі, спасибі, хлопці, і дякую Робін. Ви знаєте, Робін, я згоден з вашою оригінальною оцінкою. Аналітичний процес, він нічим не відрізняється від розробки програмного забезпечення. Я думаю, що завдання в організації просто справді, ви знаєте, можливо, справи не настільки чітко визначені, можливо, в ньому є дослідницький компонент і творчий компонент. І Дез, ти знаєш, я згоден з тобою, багато колесо вигадує колесо, і ти знаєш, не існує організації, в яку я вступаю сьогодні, ви питаєте, ну чому ви це робите саме так? Чому бізнес працює таким чином? І це легко сумніватися, і багато разів, коли ти знаходишся в організації, важко змінити. Я люблю аналогію, споживачу речей. І тому більше, коли я йду в аеропорт і хочу змінити своє місце - я це роблю на своєму мобільному телефоні. Мені не потрібно підніматися до агента біля кабінки, і спостерігати за тим, як агент набирає щось на монохромному моніторі протягом 15 хвилин, щоб змінити призначення місця. Я просто вважаю за краще це робити на своєму телефоні, і тому це цікава подія.
Сьогодні ми трохи поговоримо про колективний інтелект. Для тих, хто не знає, Statistica - це провідна платформа аналітики, про яку існує вже понад 30 років. Якщо ви подивитесь на будь-яку з публікацій у галузі аналітики, вона завжди виходить на перше місце як одна з найінтуїтивніших та зручних у використанні сучасних програмних пакетів аналітики. Таким чином, ми провели останні кілька років, працюючи над концепцією, що називається колективним інтелектом, і переносимо її на наступний рівень. Я хотів розпочати цю розмову з того: як працює робота у вашій організації?
І тут є два зображення. Ліворуч - це зображення з 1960-х, і я не починав свою кар’єру в 1960-х, але зображення праворуч - це завод напівпровідників, де я почав працювати. І я працював у цій чорній будівлі, з чорної даху вгорі зліва. Але вони робили напівпровідникові речі. Це нещодавнє зображення з Google Images. Але коли ви повернетесь до зображення 1960-х років зліва, це дуже цікаво. У вас ці люди сидять в лінії, і вони роблять, знаєте, інтегральні схеми та напівпровідники. Але є стандартизація, є стандартний спосіб робити речі, і був чітко визначений процес. Ви знаєте, можливо, оскільки ці люди сидять у відкритому середовищі, можливо, була якась співпраця. Я думаю, що ми трохи втратили це в робочій силі знань.
Коли я сидів у цій будівлі в лівій верхній частині, якщо я хотів співпрацювати з кимось, це не було відкрито. Були ці офіси, можливо, якась команда була віддаленою, або, можливо, мені довелося подорожувати через цей кампус; це було 25 хвилин ходьби, і я повинен був би поговорити з кимось у будівлі в крайньому правому куті. Я думаю, що ми щось втратили на шляху. І так, знаєте, у мене була така ж думка, чому люди - скільки людей продовжують винаходити колесо у вашій організації? Я думаю, ви знаєте, організації в цілому зробили гарну роботу в 1990-х і 2000-х роках з управлінням CRM та зберіганням даних, а також з певною мірою BI. Чомусь аналітика дещо відстала. Були значні інвестиції у зберігання даних, стандартизацію та нормалізацію ваших даних, і все це, і CRM, але аналітика чомусь відставала. І мені цікаво, чому. Можливо, є творчий потенціал - можливо, ваш процес недостатньо чітко визначений, можливо, ви не знаєте, яке рішення чи важіль ви намагаєтесь перетворити у своєму бізнесі, щоб змінити щось. Коли ми сьогодні вступаємо в організації, дуже багато людей роблять речі дуже вручну в електронних таблицях.
І знаєте, я дивився на статистику сьогодні вранці, я думаю, що в ній сказано, що 80, 90 відсотків електронних таблиць мають помилки, і деякі з них можуть бути дуже істотними. Як і той, що знаходиться в Whale, де JPMorgan Chase втратив мільярди та мільярди доларів через помилки електронних таблиць. Тож у мене є передумова, на який я думаю, повинен бути кращий спосіб зробити це. І як ми вже згадували, ми маємо ці дані вчені. Ці хлопці дорогі, і їх важко знайти. А іноді вони трохи дивна качка. Але я думаю, ви знаєте, якби мені довелося підвести підсумки, що таке науковець, це, мабуть, хтось розуміє ці дані. Я думаю, це хтось, хто розуміє математику, хтось, хто розуміє проблему. І справді, хтось, хто може донести результати. І якщо ви є науковцем даних, вам зараз дуже пощастило, адже за останні кілька років ваша зарплата, мабуть, подвоїлася.
Але правду кажучи, багато організацій, у них немає даних вчених, але у вашої організації є розумні люди. У вас є організація, у вас багато розумних людей, і вони використовують електронні таблиці. Ви знаєте, статистика та математика не є їх основною роботою, але вони використовують дані для просування бізнесу вперед. Дійсно, проблема, яку ми вирішуємо, полягає в тому, як ви приймаєте, якщо вам пощастило мати науковця даних або статистику чи двох, як ви можете їх прийняти, і як ви можете покращити співпрацю між цими людьми та інших осіб у вашій організації? Якщо ми поглянемо на те, як структурована наша організація, я почну, і я буду йти справа наліво. І я знаю, що це відстало, але у нас є бізнес-користувачів.
Це основна частина вашої групи знань, і для цих людей вам потрібно вкласти аналітику у свій бізнес-додатки. Можливо, вони бачать аналітичний вихід на екрані центру дзвінків або щось подібне, і це говорить їм про наступну найкращу пропозицію, яку можна надати клієнту. Можливо, це споживач або постачальник на веб-порталі, і він миттєво дає їм кредит, або подібні речі. Але ідея полягає в тому, що вони споживають аналітику. Якщо ми перейдемо до середини, це ці працівники знань. Це люди, які сьогодні працюють із електронними таблицями, але електронні таблиці є схильними до помилок, і в якийсь момент у них закінчується газ. Ці науковці даних громадян, як ми їх називаємо, ви знаєте, що ми намагаємось зробити для них, це дійсно підвищити рівень автоматизації.
І ви чуєте з аналітикою, що від 80 до 90 відсотків роботи - це підготовка даних, і це не власне математика, але це підготовка даних. Ми намагаємося це автоматизувати, чи це ви робите, і у нас є майстри, шаблони та речі для багаторазового використання, і вам не потрібно мати знання про базову інфраструктуру у вашому оточенні. І тоді, якщо ми подивимося вліво зліва, ми маємо ці дані вчені. І як я вже згадував, їх не вистачає. І те, що ми намагаємось зробити, щоб зробити їх більш продуктивними, - це дозволити їм створювати речі, які можуть зробити ці вчені з даних громадян. Подумайте про це як блок Lego, тому ці науковці можуть створити багаторазовий актив, який може використовувати громадянин-науковець. Створіть його один раз, тому нам не доведеться продовжувати винаходити колесо.
І тоді також ці хлопці можуть переживати, чи зможемо ми робити щось у базі даних та використовувати існуючі інвестиції в технології, які зробила ваша компанія. Знаєте, в цей день і вік не має сенсу переміщувати дані туди-сюди по всьому світу. Тож якщо ми подивимось на Statistica, як я вже згадував, це платформа, яка існує вже досить давно. І це дуже інноваційний продукт. Змішування даних, не було джерела даних, до якого ми не можемо отримати доступ. У нас є всі речі з виявлення та візуалізації даних, яких ви могли б очікувати; ми можемо це зробити в режимі реального часу. І це, мабуть, так - я думаю, що в програмному інструменті є понад 16 000 аналітичних функцій, тож це більше математики, ніж я коли-небудь міг би використати чи зрозуміти, але це є, якщо вам це потрібно.
Ми маємо можливість поєднувати як бізнес-правила, так і аналітичні робочі процеси, щоб дійсно прийняти бізнес-рішення. Ви виходите за рамки просто, ось алгоритм, ось робочий процес, але у вас є ділові правила, з якими завжди доводиться стикатися. Ми дуже безпечні в управлінні. Ми використовуємось у багатьох фармацевтичних клієнтів, оскільки FDA нам довіряє. Ви знаєте, просто доказ у пудингу про те, що ми маємо можливості контролю та аудиту, щоб ми їх приймали. І, нарешті, ви знаєте, що ми відкриті, гнучкі та розширювані, тому вам потрібно створити платформу, яка полягає в тому, що ви хочете, щоб ваші науковці з даних були продуктивними, ви хочете, щоб ваші громадяни з даних даних були продуктивними, ви хочете мати можливість розгорнути цей аналітичний результат працівникам вашої організації.
Якщо ми поглянемо на це, ось приклад деяких візуалізацій. Але можливість розподілити свій аналітичний результат серед користувачів бізнесу, тому перший приклад зліва - це мережева аналітична схема. І, можливо, ви слідчий шахрайства, і не знаєте, як ці зв’язки зроблені, і це можуть бути люди, це можуть бути суб'єкти, це можуть бути договори, що-небудь справді. Але ви можете маніпулювати цим мишею та взаємодіяти з ним, щоб дійсно зрозуміти - якщо ви слідчий шахрайства, зрозуміти пріоритетний список того, хто слід розслідувати, правильно, тому що ви не можете спілкуватися з усіма, тому у вас є визначити пріоритет.
Якщо ми подивимось на зображення праворуч там, то для інформаційної панелі прогнозування обслуговування це справді цікава проблема. Можливо, ви власник аеропорту, і у вас є ці сканери для тіла. Ці сканери для тіла, якщо ви їдете в аеропорт, там є деякі компоненти, які мають дев'ять місяців термін зберігання. І ці речі дійсно, дуже дорогі. Якщо в моєму аеропорту є кілька точок входу, кілька сканерів, номер один, я хочу переконатися, що я працюю належним чином на кожному з воріт, а для частин, які знаходяться в сканерах, я також не хочу їх замовляти рано, і я хочу їх мати до того, як він руйнується. У нас є можливість, можливо, якщо ви володієте аеропортом, щоб можна було передбачити, коли ці речі порушаться, і прогнозувати рівень штатного розпису.
Якщо ми подивимось праворуч внизу, це якщо ви знаходитесь у виробничому середовищі, це лише графічне зображення виробничого потоку. І це трохи важко помітити, але червоні та зелені світлофори на цих різних секторах процесів, і тому, якщо я інженер, там іде дуже складна математика, але я можу детально ознайомитися з цим процесом і подивитися на параметри та вхідні дані, які, можливо, виходять з-під контролю. Якщо ми подивимось на нашого вченого-громадянина, наша мета дійсно полягає в тому, щоб зробити його полегшеним для вченого-громадянина. У нас є майстри та шаблони, і одне, на мою думку, є дійсно цікавим, чи є у нас цей автоматизований вузол перевірки здоров’я даних. І справді, що це робить, він має вбудовані смарт-машини.
Я згадав про підготовку даних - це займає значну кількість часу, це і в збиранні даних, і в їх підготовці. Але припустимо, що у мене є свої дані, я можу запустити їх через цей вузол перевірки здоров’я даних, і він перевіряє на інваріантність, розрідженість та пережитки, і всі ці речі заповнюють пропущені значення, і це робить багато математики, яку я не знаю Не розумію, тож я можу або прийняти стандартні настройки, або якщо я трохи розумніший, я можу їх змінити. Але справа в тому, що ми хочемо автоматизувати цей процес. Ця річ робить приблизно 15 різних перевірок та результатів на очищеному наборі даних. Що ми робимо, це полегшує людям створення цих робочих процесів.
Тут ми говоримо про співпрацю між науковцями даних та вченими з даних громадян. Якщо ми подивимось на ці зображення праворуч, ми побачимо, як цей процес підготовки даних підготовлений. І, можливо, це дуже складно, можливо, це таємний соус вашої компанії, я не знаю, але ми знаємо, що хтось у вашій організації може отримати доступ до одного або декількох цих силосних даних, які ми маємо. Нам потрібен спосіб, номер один, схопити їх і зшити їх разом, і номер два, можливо, є спеціальна обробка, яку ми хочемо зробити, щоб це було не за нашим контролем даних про дані, і це секретний соус вашої компанії. Я можу створити цей робочий процес у нашій організації, і він руйнується як вузол. Ви бачите стрілку вниз, це лише вузол, і ми можемо мати сто таких речей в організації. Ідея полягає в тому, що у нас є люди, які знають щось про певний простір, вони можуть створити робочий процес, а хтось ще може використати це повторно. Ми намагаємося мінімізувати відновлення колеса.
І ми можемо зробити те ж саме з аналітичним моделюванням робочих процесів. У цьому випадку праворуч, це робочий процес, можливо, є 15 різних алгоритмів, і я хочу вибрати найкращий для виконання завдання. І я не повинен розуміти, як вчений-громадянин, що відбувається в тому павутинному безладі, але він просто руйнується у вузол, і, можливо, цей вузол просто каже: "обчисли бал кредитного ризику". "Обчисли шанс. інфекції місця хірургічного втручання ", що у вас є. "Обчисліть ймовірність того, що щось стане шахрайською транзакцією". Як вчений-громадянин, я можу використовувати цю дуже складну математику, яку побудував хтось інший, можливо, хтось із цих науковців даних створив у моїй організації.
З точки зору науки про дані, ви знаєте, я спілкувався з науковцями, які люблять писати код, і я спілкувався з науковцями, які ненавидять писати код. І це добре, тому у нас дуже візуальний, графічний інтерфейс користувача. Ми можемо захопити наші дані, ми можемо зробити нашу автоматизовану перевірку стану здоров’я даних, і, можливо, я хочу написати код. Мені подобається Python, мені подобається R, але ідея полягає в тому, що ці дані вчені їм не вистачають, і їм подобається код на певній мові. Ми особливо не надаємо перевагу тому, якою мовою ви хочете ввести код, тому якщо ви хочете зробити R, зробіть R; якщо ви хочете зробити Python, зробіть Python. Це чудово. Якщо ви хочете розбити свою аналітику на Azure, розведіть її в хмарі. І тому мета тут - справді запропонувати гнучкість та варіанти, щоб зробити ваші науковці такими ж продуктивними, наскільки вони можуть бути.
Зараз учені даних, вони досить розумні люди, але, можливо, вони не є фахівцем у всьому, і, можливо, є деякі прогалини в тому, що вони можуть зробити. І якщо ви дивитесь на галузь, існує багато різних аналітичних ринків. Це приклад, можливо, мені потрібно зробити розпізнавання зображень, і я не маю такої навички, ну, можливо, я переходжу до «Алгоритмія» і отримую алгоритм розпізнавання зображень. Можливо, я виходжу до Apervita і отримую дуже особливий алгоритм охорони здоров’я. Можливо, я хочу щось використати в бібліотеці машинного навчання Azure. Можливо, я хочу щось використовувати у рідній платформі Statistica.
Знову ж таки, ідея полягає в тому, що ми хочемо використовувати світову аналітичну спільноту. Оскільки ви не будете володіти всіма навичками у своїх чотирьох стінах, то як ми можемо створити програмне забезпечення - і це те, що ми робимо - це дозволяє вашим науковцям даних використовувати алгоритми з різних ринкових місць. Ми робимо це з R і Python давно, але це поширюється на ці ринки додатків, які існують там. І те саме, що ви бачите тут, у верхній частині цього, ми використовуємо H2O на Spark, тому там багато аналітичних алгоритмів. Вам не потрібно зосереджуватися на створенні їх з нуля, давайте повторно використовувати їх, які живуть у спільноті з відкритим кодом, і ми хочемо, щоб ці люди були максимально продуктивними.
Наступним кроком, після того, як ми отримаємо наших науковців із даних про громадянина та наших науковців, насправді, як ви просуваєте та поширюєте ці найкращі практики? У нашому програмному забезпеченні є технології, які дозволяють розповсюджувати аналітику в будь-якому місці. І це більше з точки зору управління моделлю, але мене більше не прив'язують чотири стіни або конкретна установка в Tulsa, Тайвані чи Каліфорнії, або що у вас є. Це глобальна платформа, і у нас є багато-багато клієнтів, які розгорнуті в її використанні на декількох сайтах.
І так насправді, ключові речі, якщо ви щось робите на Тайвані і хочете повторити це в Бразилії, це чудово. Зайдіть туди, захопіть шаблони для багаторазового використання, захопіть робочі процеси, які ви хочете. Це намагається створити ці стандарти і загальний спосіб робити речі, тому ми не робимо речі абсолютно по-різному скрізь. І другий ключовий компонент цього - насправді ми хочемо взяти математику до того, де живуть дані. Вам не доведеться перемішувати дані між, знаєте, Каліфорнією та Тулсою, Тайваном та Бразилією. У нас є технології, які дозволяють нам віднести математику до даних, і ми матимемо ще одну веб-трансляцію Hot Technology з цього приводу.
Але ми називаємо цю архітектуру, і ось кращий погляд, Native Distributed Analytics Architecture. Основна ідея цього полягає в тому, що у нас є платформа, Statistica, і я можу експортувати аналітичний робочий процес як атом. І я можу зробити модель, або цілий робочий процес, так що це не має значення. Але я можу створити це та експортувати його мовою, відповідною до цільової платформи. З лівого боку це робить багато людей, але вони роблять рахунок у вихідній системі. Це добре, ми можемо робити озброєння, і ми можемо робити модель моделювання в базі даних, так що це цікаво.
А потім з правого боку, у нас бумі. Це супутня технологія, ми працюємо з усім цим. Але ми також можемо скористатися цими робочими потоками і по суті транспортувати їх у будь-яку точку світу. Все, що має IP-адресу. І мені не доведеться встановлювати Statistica на загальнодоступній або приватній хмарі. Все, що може запустити JVM, ми можемо запускати ці аналітичні робочі процеси, робочі потоки підготовки даних або просто моделі на будь-якій з цих цільових платформ. Будь то в моїй державній чи приватній хмарі, чи то в моєму тракторі, моїй машині, вдома, у моїй лампочці, в моєму Інтернеті речей, у нас є технологія, яка дозволяє перевозити ці робочі процеси в будь-яку точку світу.
Давайте розглянемо. Ви знаєте, у нас є ділові користувачі, тому ці люди, у нас є технологія, дозволяють їм споживати вихід у форматі, який їм комфортний. У нас є науковці з даних про громадян, і те, що ми намагаємось зробити це - покращити співпрацю, зробити їх частиною команди, правда? І тому ми хочемо, щоб люди перестали винаходити колесо. І у нас є ці науковці, там може бути розрив кваліфікації, але вони можуть кодувати потрібною мовою, вони можуть зайти на аналітичні ринки та використовувати там алгоритми. І так з цим, як ти не міг подумати, що з цим все приголомшливо? Це ідеально, це ми робимо. Ми будуємо багаторазові робочі процеси, ми даємо інструкції людям, ми даємо їм блоки Lego, щоб вони могли будувати ці могутні замки і все, що вони хочуть робити. Підводячи підсумок, у нас є платформа, яка надає розширення можливостей ділових користувачів, учених даних про громадян, науковців даних програмістів. Ми можемо звернутися до будь-яких випадків використання прикладної аналітики IoT, і ми вмикаємо це поняття колективного інтелекту. З цим я думаю, що ми, мабуть, відкриємо це для запитань.
Робін Блор: Ну добре. Я думаю, що перше - я маю на увазі, чесно кажучи, я маю на увазі, що мене раніше ознайомив Dell Statistica, і якщо чесно, я насправді дуже здивований тим, що я не знав, що ви підняли на презентації . І я мушу сказати, що одна річ, це щось, що було для мене клопотом в процесі прийняття аналітики, це те, що, знаєте, отримання інструментів це не так, ви знаєте? Там дуже багато інструментів, є інструменти з відкритим кодом, і так далі, і так далі, і є різні, як я б назвав, напівплатформи. Але я думаю, що різниця, яку ти маєш, мене особливо вразила частина робочого процесу.
Але різниця полягає в тому, що ти, здається, забезпечує кінець до кінця. Це схоже на те, що аналітика - це складний бізнес-процес, який починається з отримання даних, а потім він проходить цілу низку кроків, залежно від того, наскільки нечіткі дані, а потім він може розгалужуватися на цілу низку різних математичних атак на дані. І тоді в тій чи іншій мірі з’являються результати, і вони повинні бути діями. Я натрапив на величезну кількість аналітики, де було зроблено велику роботу, але немає жодної дії. І у вас, здається, є дуже багато того, що потрібно. Я не знаю, наскільки це всеохоплююче, але це спосіб всебічніший, ніж я очікував. Я неймовірно вражений цим.
Я хотів би, щоб ви коментували електронні таблиці. Ви вже щось говорили, але одна з речей, яку я зазначив, і я зазначив протягом багатьох років, але це стає все більш очевидним, це те, що існує дуже багато електронних таблиць, які є тіньовими системами, і я дійсно думаю Я маю на увазі електронну таблицю, це був чудовий інструмент, коли вона була представлена, і вона була чудовою з тих пір, як багато різних способів, але це узагальнений інструмент, він не дуже підходить за призначенням. Це, звичайно, не дуже добре в контексті BI, і я думаю, що це жахливо в аналітичному контексті. І мені було цікаво, чи є у вас якісь коментарі щодо, скажімо, прикладів, де, знаєте, Statistica розмилася, надмірне використання електронних таблиць чи будь-який коментар, який ви хочете зробити з цього приводу?
Девід Сіундор: Так, я думаю, що ви знаєте, що ви можете шукати відомі помилки в електронній таблиці. Google або будь-яка пошукова система, яку ви використовуєте, повернеться з цілою літературою результатів. Я не думаю, що ви знаєте, ми коли-небудь замінимо електронні таблиці. Це не наш намір, але дуже багато організацій, до яких я заходжу, є кілька таких майстрів електронних таблиць або ніндзя або як би ви їх хотіли назвати, але у них є ці дуже складні електронні таблиці, і ви повинні думати, що станеться, коли ці люди виграють у лото і вони не повертаються? І тому, що ми намагаємось зробити, це те, що ми знаємо, що електронні таблиці будуть існувати, щоб ми могли їх сприймати, але я думаю, що ми намагаємось зробити це візуальне уявлення про ваш робочий процес, щоб його можна було зрозуміти та поділитися з іншими людьми. . Електронні таблиці досить важкі, їх досить важко ділити. І як тільки ви передасте мені свою електронну таблицю, я змінив її, і тепер ми не синхронізуємось, і ми отримуємо різні відповіді. Те, що ми намагаємось зробити, - це поставити деякі огорожі навколо цього і зробити речі трохи ефективнішими. А електронні таблиці дійсно жахливі при поєднанні кількох наборів даних разом, знаєте? Вони там падають. Але ми не збираємось їх замінювати, ми їх поглинаємо, і у нас є люди, які починають змінюватись, тому що якщо у нас є вузол, який говорить "обчислити ризик", це намагається зробити людина, що використовує електронну таблицю. Тож тих уже немає.
Робін Блор: Так, я маю на увазі, я б сказав, що, знаєте, з однієї точки зору, на яку я дивлюся, я б сказав, що електронні таблиці чудово підходять для створення інформації. Вони навіть чудові для створення островів знань, але вони дуже погані для обміну знаннями. У них немає механізму цього робити, і якщо ви передаєте електронну таблицю комусь, це не так, як ви можете її прочитати, як це стаття, яка пояснила, що саме вони роблять. Просто його немає. Я думаю, ви знаєте, те, що мене найбільше вразило у презентації та про можливості Statistica, здається неймовірно агностичним. Але ця нитка проходить через її робочий процес. Чи правильно я припускаю, що ви можете переглядати робочий процес від кінця до кінця, начебто, від збирання даних аж до вбудовування результатів у конкретні BI-програми чи навіть запущені програми?
Девід Сіундор: Так, абсолютно. І у нього є така спроможність, і деякі організації цілком використовують це, і я не маю жодної ілюзії, чи жодна компанія в наші дні купує все у одного постачальника. У нас суміш. Деякі користуються Statistica для всього, а деякі використовують його для моделювання робочих процесів, деякі використовують його для робочих процесів підготовки даних. Деякі люди використовують його для розповсюдження сотні інженерних звітів інженерам. І тому у нас все між собою. І це справді цілком і до кінця, і це, ви знаєте, агностична платформа, в тому випадку, якщо є алгоритми, які ви хочете використовувати в R або Python, Azure, Apervita, будь-які, ви знаєте, їх використовувати. Це чудово, будьте продуктивними, використовуйте те, що знаєте, використовуйте те, що вам зручно, і у нас є механізми, щоб переконатися, що вони є контрольованими та перевіреними, і всі подібні речі.
Робін Блор: Особливо мені подобається цей аспект цього. Я маю на увазі, я не знаю, чи зможете ви говорити понад те, що ви сказали, про багатство того, що там. Я маю на увазі, що я розглядав це, але не розглядав це всебічно, і, безумовно, є величезна кількість бібліотек Python в наших бібліотеках, але чи можна щось додати до цієї картини? Тому що я думаю, що це дуже цікава річ, ідея про те, що у вас були компоненти, які були б надійними, адже ви знали різних людей, які їх створили, та різних людей, які ними користувались, які ви можете завантажити. Знаєте, чи можете ви збагатити те, що ви вже сказали про це?
Девід Сіундор: Так, я думаю, що деякі ринки додатків, ви знаєте, це алгоритми, що існують там. Наприклад, ви знаєте, доктор Джон Кромвелл з Університету Айови, він розробив модель, яка передбачить, яка використовується в режимі реального часу, поки ми працюємо, дасть вам оцінку, якщо ви збираєтеся отримати хірургічна інфекція місця. І якщо цей бал досить високий, вони вступлять прямо в операційній. Це дуже цікаво. Тож, можливо, є ще одна лікарня, яка не така велика. Що ж, Apervita - це ринок додатків для здоров'я для аналітики. Ви можете або знайти її на багатьох цих ринках додатків, ви можете знайти її та повторно використовувати їх, і транзакція відбувається між вами та тим, хто їй належить, але ви можете або знайти її, або ви можете сказати: "Ось що мені потрібно ». Я думаю, що це використовує цю глобальну спільноту, оскільки всі сьогодні є фахівцем, і ти не можеш усе знати. Я думаю, що R і Python - це одне, але ця ідея: "Я хочу виконати цю функцію, поставити там специфікацію на одному з цих ринків додатків і запропонувати комусь розробити це для вас". І вони можуть це монетизувати, я думаю це дуже цікаво і сильно відрізняється від чисто відкритої моделі.
Робін Блор: Гаразд. У будь-якому випадку я передаю м'яч Дезу. Хочеш зануритися, Дез?
Дез Бланчфілд: Абсолютно, і я хотів би залишитися на електронній таблиці на мить, тому що я думаю, що вона захопила правильну суть багато того, про що ми тут говоримо. І ти зробив коментар, Робін, щодо переходу від роду старих електронних таблиць у їх фізичній формі до електронної форми. У нас була цікава річ, де, коли ви знаєте, коли спочатку електронні таблиці були річчю, вони були просто аркушами паперу з рядками та стовпцями, і ви вручну записували речі, то ви зможете перерахувати їх та обчислити їх, виконавши це вгорі голови або за допомогою іншого пристрою. Але ми все ще маємо можливість помилки стикатися з помилками рукописного тексту або дислексією, і тепер ми замінили це на друкарські помилки. Ризик полягає в тому, що за допомогою електронних таблиць профіль ризику стає швидшим і більшим, але я думаю, що такі інструменти, як Statistica, перетворюють піраміду ризику.
Я часто малюю цю картину на дошці фігури людини, що тримається вгорі, як одна людина, а потім їх колекція внизу, скажімо так, уявіть їх десять у нижній частині цієї дошки, і я малюю піраміда, де точка піраміди у самої людини та підніжжя піраміди - це колекція людей. І я використовую це для візуалізації думки, що якщо одна людина вгорі робить електронну таблицю, робить помилку і ділиться нею з десятьма людьми, а тепер у нас є десять примірників помилки. Будьте дуже обережні до своїх макросів і будьте дуже обережні зі своїм Visual Basic, якщо ви збираєтеся перейти до цього. Тому що, коли ми створюємо електронні інструменти, такі як електронні таблиці, це дуже потужно, але це також добре і в поганому плані.
Я думаю, що такі інструменти, як Statistica, створюють можливість інвертувати цей профіль ризику, і це те, що тепер ви можете дійти до того, що у вас є багато інструментів, доступних для окремої людини, і коли вони переходять від безлічі інструментів у верхній частині піраміда, а потім до самого низу, де точка перевернутої піраміди є фактичним інструментом, якщо у нас є команда людей, які будують ці інструменти та ці алгоритми. І вченим-даним не потрібно бути фахівцем з регресійної аналітики своїх даних. Вони можуть бути в змозі використовувати цей інструмент, але у вас можуть бути п'ять-шість статистиків, актуар і науковець даних та деякі математики, які працюють над цим інструментом, цей модуль, цей алгоритм, цей плагін і так далі в електронному вигляді, так уявіть, що кожна опублікована електронна таблиця, яку ви можете використовувати, була насправді написана спеціалістами, які тестували макроси, перевіряли Visual Basic, переконувались, що алгоритми працюють, тож коли ви їх отримали, ви могли просто виводити на нього дані, але насправді ви не могли їх зламати і тому краще контролювати.
Я думаю, що багато інструментів аналітики роблять це. Я думаю, підходячи до того, що ви бачите, що зараз у полі, чи бачите ви перехід від електронних таблиць, який потенційно може призвести до помилок, помилок та ризику, до того, коли інструменти, які ви створюєте разом із вашими платформи зараз, коли виявлення даних точно в режимі реального часу, і люди, які будують модулі та алгоритми, видаляють чи зменшують цей профіль ризику? Ви бачите службу клієнтів у реальному розумінні чи вважаєте, що це просто відбувається, і вони цього не усвідомлюють?
Девід Сіундор: Ви знаєте, я думаю, що є кілька способів відповісти на це. Але те, що ми бачимо, - це, ви знаєте, в будь-якій організації, і я згадував, що аналітика, на мою думку, може відставати з точки зору корпоративних інвестицій, такого, як ми робили зі зберіганням даних та управлінням CRM. Але те, що ми бачимо, значить, потрібно змінити організацію, щоб перейняти цю організаційну інерцію. Але ми бачимо, як люди беруть свої електронні таблиці, беруть їх робочі процеси, і я згадав про безпеку та управління: "Ну, можливо, у мене є електронна таблиця", "Ну, я можу заблокувати це, і я можу контролювати версію". І ми бачимо дуже багато організацій, можливо, вони просто починаються там. І якщо це змінено, є робочий процес, і я закінчую роботу, хоча номер 1, хто змінив його? Чому вони її змінили. Коли вони його змінили. І я також можу налаштувати робочий процес таким чином, що я не збираюся вводити цю нову електронну таблицю у виробництво, якщо вона не буде перевірена і перевірена однією, двома, трьома, однак безліч сторін, які ви хочете визначити у своєму робочому процесі. Я думаю, що люди починають робити, і організації починають робити кроки дитини, але, напевно, я б запропонував нам пройти довгий шлях.
Дез Бланчфілд: Дійсно, і я думаю, що якщо ви будуєте і контроль безпеки, і управління, там робоче навантаження може автоматично відображати це і все, аж до головного директора з ризику, який зараз є річчю. Ви можете почати контролювати, як до них звертаються інструменти та системи, і хто що з ними робить, тому це дуже потужно. Я думаю, що інші речі в цьому полягають у тому, що типи інструментів, які ви надаєте, для мене надають людській поведінці більше, ніж традиційним електронним таблицям, про які ми говоримо, в тому, що якщо у мене є кімната, повна людей з однаковою інформаційною панеллю та доступом до тих самих даних, що вони насправді можуть отримати інший вигляд і, як результат, отримати трохи іншу інформацію з тієї ж інформації, що відповідає їх потребам, щоб вони могли співпрацювати. Тоді ми маємо більш людський погляд і взаємодію з бізнесом і процесом прийняття рішень, на відміну від того, щоб усі збиралися на одній зустрічі з тією ж PowerPoint, і роздруковані ті ж електронні таблиці, все ті ж фіксовані дані.
Чи бачите ви перехід у поведінці та культурі в організаціях, які ніби беруться за ваші інструменти зараз там, де вони бачать, що відбувається, де не так, як п’ять людей у кімнаті дивляться на ту саму електронну таблицю, що намагається просто вербалізувати її та робити на ній нотатки., але тепер вони реально взаємодіють з інформаційними панелями та інструментами в режимі реального часу, з візуалізацією та аналітикою під рукою і отримують зовсім інший потік для розмови та взаємодії не лише на зустрічах, а просто на загальну співпрацю навколо організації? Тому що вони можуть це робити в режимі реального часу, тому що можуть задати питання та отримати реальну відповідь. Це тенденція, яку ви зараз бачите, чи це ще не зовсім сталося?
Девід Сіундор: Ні, я думаю, що це безумовно почалося на цьому шляху, і я думаю, що дуже цікава річ, ви знаєте, якщо ми, наприклад, беремо приклад фабрики. Можливо, хтось, хто володіє певним сектором технологічних процесів на цій фабриці, захоче певним чином переглянути та взаємодіяти з цими даними. І, може, я, не зважаючи на всі процеси, можливо, цей внизу, можливо, я хочу все це переглянути. Я думаю, що ми бачимо, це номер один, люди починають використовувати загальний набір візуалізацій або стандартних візуалізацій у своїх організаціях, але це також підбирається під роль, яку вони виконують. Якщо я інженер з процесів, можливо це зовсім інший погляд, ніж той, хто дивиться на це з точки зору ланцюжка поставок, і я думаю, що це чудово, тому що його треба підганяти, і на нього треба дивитись через об'єктив, який вам потрібен, щоб виконати свою роботу.
Дез Бланчфілд: Я думаю, що процес прийняття рішень припадає на час, швидкість і швидкість, щоб фактично приймати розумні і точні рішення теж швидко збільшується, чи не так? Тому що якщо у вас є аналітика в режимі реального часу, інформаційні панелі в реальному часі, якщо у вас під рукою є інструменти Statistica, вам не доведеться бігати по підлозі, щоб піти і запитати когось про щось, у вас це є у друкованому вигляді. Ви можете якось співпрацювати, взаємодіяти та фактично приймати рішення з льоту і отримувати такий результат негайно. Я думаю, що деякі компанії насправді ще не зрозуміли, але коли вони це зроблять, це буде цей момент eureka, що так, ми все ще можемо залишатися в наших кабінах і працювати вдома, але ми можемо взаємодіяти і співпрацювати з тими рішеннями ми робимо, коли ми співпрацюємо, миттєво перетворюємось на результати. Подивіться, я думаю, що було чудово почути те, що ти маєш сказати поки що, і я дуже з нетерпінням чекаю, куди це піде. І я знаю, що у нас багато питань у питаннях і запитань, тому я збираюся бігти назад до Ребекки, щоб пройти деякі з них, щоб ми могли дістатись до них якнайшвидше. Велике спасибі.
Ребекка Йозвяк: Дякую Дез, і так, Дейв, у нас є досить багато запитань від аудиторії. І дякую Дез та Робіну також за вашу думку. Я знаю, що цьому конкретному учаснику довелося відмовитися вгорі години, але вона наче запитує, чи бачите ви, що відділи інформаційних систем начебто надають більше пріоритету на складний контроль даних, а не на те, щоб бути зручним у наданні інструментів для знаючі працівники? Я маю на увазі, це - продовжувати.
Девід Сіундор: Так, я думаю, це залежить від організації. Я думаю, що у банку, страхової компанії, можливо, вони мають різні пріоритети та способи здійснення дій, порівняно з маркетинговою організацією. Я думаю, я б сказав, що це просто залежить від галузі та функції, яку ви шукаєте. Різні галузі мають різні фокуси та акценти.
Ребекка Йозвяк: Добре, це має сенс. А потім ще один учасник хотів дізнатися, що за двигун позаду Statistica? Це C ++ чи ваші власні речі?
Девід Свінор: Ну, я не знаю, чи можу я досягти цього конкретного, оскільки це було вже 30 років, і це було розроблено до мого часу, але є основна бібліотека аналітичних алгоритмів, які працюють алгоритмами Statistica. І ви тут побачили, що ми також можемо запустити R, ми можемо запустити Python, ми можемо лопнути до Azure, ми можемо бігти на Spark на H2O, тому я думаю, мені доведеться відповісти на це питання з точки зору, це різні двигуни. І залежно від того, який алгоритм ви вибираєте, якщо це Statistica, він працює так, якщо ви вибираєте його на H2O та Spark, він використовує це, і тому це їх різноманітність.
Ребекка Йозвяк: Добре добре. Інший вид учасника запитував конкретно, вказуючи на цей слайд, бажаючи дізнатися, як саме, як дізнається вчений з даними громадянина, які шаблони для багаторазового використання використовувати? І я гадаю, що я з цього виду поставлю ширше питання. Що ви бачите, коли приходять користувачі бізнесу або бізнес-аналітики і хочуть користуватися цими інструментами, наскільки легко їм забрати та продовжити роботу?
Девід Сіундор: Я думаю, я відповів би на це, і якщо ви можете скористатися, якщо ви знайомі з Windows, це платформа на базі Windows, тому я відрізав верхню частину цих знімків екрана, але у неї є стрічка Windows. Але як вони знати, який робочий процес використовувати? Він схожий на Провідник Windows, тому існує структура дерева, і ви можете налаштувати її та налаштувати, однак ваша організація хоче її встановити. Але це може бути, ви просто мали б ці папки, і ви помістили б шаблони для багаторазового використання у ці папки. І я думаю, що, мабуть, існує номенклатура, яку ваша компанія може прийняти, скажімо, ось "розрахунок профілю ризику", ось "отримати дані з цих джерел", і ви називаєте їх все, що завгодно. Це просто безкоштовна папка, ви просто перетягуєте нотатки прямо на своє полотно. Отже, досить легко.
Ребекка Йозвяк: Добре добре. Можливо, демонстрація наступного разу. Потім виховується інший вид відвідувачів, і це те, про що ви з Робіном та Дезом говорили, що стосується неточностей, особливо на електронній таблиці, але сміття в / сміття виходить, і він вважає це ще більш критичним, коли мова йде про до аналітики. Зауважте, що неправильне використання даних дійсно може призвести до деяких нещасних рішень. І йому цікаво, які ваші погляди на розробку більш безпечних алгоритмів, я думаю, для цього він використовує слово "надмірне" використання аналітики. Ви знаєте, хтось приходить, вони дуже хвилюються, вони хочуть робити цю розширену аналітику, вони хочуть запустити ці вдосконалені алгоритми, але, можливо, вони не зовсім впевнені. Отже, що ви робите для захисту від цього?
Девід Сіундор: Так, я думаю, я відповім на це якнайкраще, але думаю, що все зводиться до людей, процесів та технологій. У нас є технологія, яка допомагає людям увімкнути, а також увімкнути будь-який процес, який ви хочете ввести в свою організацію. У прикладі надсилання купона комусь, можливо, це не так важливо, і якщо це цифровий, це дійсно не коштує, можливо, є один рівень контролю безпеки і, можливо, нас не хвилює. Якщо я прогнозую хірургічні інфекції на місці, можливо, я хочу бути трохи уважнішими щодо цього. Або якщо я прогнозую якість та безпеку наркотиків та подібні речі, можливо, я хочу бути трохи уважнішими до цього. Ви маєте рацію, сміття в / сміття, тому ми намагаємось зробити платформу, яка дозволяє адаптувати його до того процесу, який ваша організація хоче прийняти.
Ребекка Йозвяк: Добре добре. У мене є ще кілька запитань, але я знаю, що ми пройшли трохи минулу годину, і я просто хочу сказати нашим присутнім, що це було приголомшливо. І ми хочемо так подякувати Дейву Сіундору від Dell Statistica. Звичайно, доктор Робін Блор та Дез Бланчфілд, дякую вам за те, що ви сьогодні аналітики. У наступному місяці у нас буде ще одна трансляція з Dell Statistica. Я знаю, що Дейв натякнув на цю тему. Йдеться про аналітику на межі, ще одну захоплюючу тему, і я знаю, що в цій трансляції будуть обговорюватися деякі дуже переконливі випадки використання. Якщо вам сподобалось те, що ви побачили сьогодні, поверніться ще на наступний місяць. І з цим, люди, я прощаю вас. Дуже дякую. Бувай.
