Upota analytiikka kaikkialle: mahdollistaa kansalaisdattatieteilijän

Tekijä Techopedia Staff, 25. elokuuta 2016

Takeaway: Isäntä Rebecca Jozwiak keskustelee sulautettujen analytiikkojen ilmiöstä ja kansalaisten tietojen tutkijoista tohtorien Robin Bloorin, Dez Blanchfieldin ja David Sweenorin kanssa.

Sinun on ilmoittautunut tapahtumaan nähdäksesi videon. Rekisteröidy nähdäksesi videon.

Rebecca Jozwiak: Hyvät naiset ja herrat, hei ja tervetuloa Hot Technologies -palveluun . ”Upota kaikkialle: Citizen Data Scientistin käyttöönotto” on tänään aiheemme. Täytän tavallisen isäntänne, tässä Rebecca Jozwiak täyttää Eric Kavanaghin. Kyllä, tämä vuosi on kuuma. Erityisesti termi "tietotekniikka" on saanut paljon huomiota, vaikka meillä on tapana kutsua heitä tylsiksi nimiksi kuten "tilastotieteilijä" tai "analytiikan asiantuntija", jotka käsittelevät melko paljon samantyyppisiä toimia, mutta sillä on uusi seksikäs nimi ja se on kerätä paljon huomiota. Heillä on erittäin toivottavaa, että heillä on työpaikalla hyötyä organisaatiolle, ja kaikki haluavat. Mutta ne ovat: 1) kalliita, 2) vaikea löytää. Tiedätte, se on ollut kaiken kaikkiaan uutisia tietotekijöiden taitovajeesta, kyllä, mutta silti ne tarjoavat valtavan arvon organisaatiolle ja ihmiset vaativat tavallaan selvittää, miten saada tämä arvo ilman, että tarvitset penniäkään. puhua.

Mutta hyvä uutinen on, että näemme työkaluja ja ohjelmistoja tulossa esiin, jotka kompensoivat tätä pulaa. Meillä on automaatio, koneoppiminen, sulautettu analytiikka, mistä me opimme tänään, ja se on sellainen syy tähän uuteen termiin, ”kansalaistietojen tutkija”, ja mitä se tarkoittaa? Ei, se ei ole koulutettu tietotieteilijä, se voi olla yrityksesi käyttäjä, BI-asiantuntija, joku tietotekniikasta, joku, jolla on tausta, mutta ehkä ei välttämättä asiantuntemus. Mutta mitä se tekee, nämä työkalut ja ohjelmistot, se antaa enemmän ihmisille pääsyn noihin älykkäisiin ratkaisuihin, vaikka he eivät ehkä tiedä syvää koodausta. Mutta se vain parantaa suorituskykyä yleisesti, kun annat kaikille hiukan enemmän pääsyä siihen analyyttiseen ajatukseen. Sinun ei tarvitse olla koulutusta välttämättä ollakseen sellaista uteliaisuutta, joka voi johtaa hyviin oivalluksiin yrityksellesi.

Keskustellessamme siitä, että tänään on oma Robin Bloor, Bloor-ryhmän pääanalyytikko, yksi vaikeimmista tietotieteilijöistä, Dez Blanchfield, joka soittaa, ja sitten meillä on David Sweenor (Dell Statistica), joka antaa meille tänään esityksen. Ja sen kanssa aion välittää sen Robin Bloorille.

Robin Boor: Okei, kiitos johdannosta. Ajattelin tätä jonkin verran historiallisessa yhteydessä. Se mitä katsomme täällä, on yksi Leonardo da Vinci -malleista eräänlaiselle purjelentokoneelle, jonka ihminen voisi laittaa selkäänsä. Minulla ei ole aavistustakaan, toimiiko se todella. En päästä siihen, minun on sanottava. Da Vinci, kun ajattelen da Vinciä, ajattelen häntä kuitenkin yhdeksi uteliaimmista ja analyyttisimmistä ihmisistä, joita koskaan on ollut. Ja on aivan selvää, jos tarkastellaan vain sitä purjelentoa, että se on suunniteltu linnun siiven perusteella, ja hän on tavalla tai toisella tutkinut lintujen lentoja rakentaakseen sitä.

Jos otamme historiallisen näkökulman - etsin sitä itse asiassa -, analytiikka on ehkä matematiikan vanhin sovellus. On olemassa väestönlaskentoja, jotka juontavat ainakin Babylonian aikoja. Tiedämme tästä, koska pohjimmiltaan on joitain cuneiform-tabletteja, joista on vastaavaa tietoa. Ei tiedetä, onko jotain mennyt takaisin aiemmin. Mutta itsestään selvä asia on se, että olet saanut sivilisaation, jolla on suuri joukko ihmisiä, se todella vaatii suunnittelua ja on syytä tietää, mitä suunnittelet ja mitkä ovat näiden ihmisten vaatimukset.

Ja se on sellainen missä se alkoi ja se on myös missä laskenta alkoi, koska varhaiset tietokoneet, varhaiset mekaaniset tietokoneet olivat tosiasiallisesti, mielestäni ensimmäinen oli Hollerithin luoma väestölaskenta, josta tuli IBM, uskon. Kaikki tämä on edennyt eteenpäin. Ehkä 1970-luvun ja nykypäivän välillä on ollut jonkinlainen välitaite, jossa on valtava määrä muita sovelluksia ja analytiikkaa, voisit sanoa, takapenkille. Kyllä, analysointia jatkettiin - se tapahtui suurissa organisaatioissa, etenkin pankeissa ja vakuutusyhtiöissä, ja tosiasiassa General Electricissä, telcoissa ja vastaavissa asioissa - mutta sitä ei yleensä käytetty koko liiketoiminnassa ja nyt se on alkanut tottua yleisesti kaikkialla liiketoimintaa. Ja se muutti pelin, todella. Ensimmäinen asia, johon ajattelin kiinnittää huomiota, on datapyramidi, josta pidän erityisesti. Tarkoitan, että olen vetänyt yhden näistä 20 vuotta sitten - ainakin 20 vuotta sitten - yrittää ymmärtää, todella yritin tuolloin yrittää ymmärtää BI: tä ja joitain varhaisista tietojen louhinnoista, joita parhaillaan tehtiin. Se mitä olen määritellyt tässä on datan idea ja esimerkkejä ovat signaalit, mittaukset, tallenteet, tapahtumat, tapahtumat, laskelmat, aggregaatiot, yksittäiset tietopisteet. Saatat ajatella niitä tiedon molekyyleinä, mutta ne ovat yksittäisiä kohtia. Siitä tulee tietoa heti, kun se saa kontekstin. Linkitetyt tiedot, jäsennellyt tiedot, tietokannat, datan visualisointi, piirturit, kaavoittajat ja ontologiat - ne kaikki ovat mielestäni informaatiota, koska tekemäsi on yhdistänyt paljon erilaisia ​​ja luonut jotain paljon enemmän kuin datapisteen, jotain, jolla on todella muoto, matemaattinen muoto.

Tämän lisäksi meillä on tietoa. Voimme tutkimalla tietoja saada selville, että malleja on erilaisia, ja voimme hyödyntää näitä malleja laatimalla sääntöjä, politiikkoja, ohjeita, menettelyjä, ja sitten se tulee tiedon muodossa. Ja melkein kaikki tietokoneohjelmat, riippumatta siitä, mitä he tekevät, ovat tietynlaista tietämystä, koska ne toimivat tietojen vastaisesti ja soveltavat niihin sääntöjä. Meillä on nämä kolme kerrosta, ja tasojen välillä on yhä enemmän hienostuneisuutta. Ja tämän kaavion vasemmalla puolella näkyy uusien tietojen syöttäminen, joten monet näistä asioista ovat staattisia. Tietoja kerääntyy, tietoja kerääntyy ja tieto kasvaa potentiaalisesti. Yläosassa meillä on "ymmärrys" ja haluaisin väittää, että vaikka filosofinen argumentti onkin, ymmärtäminen on vain ihmisissä. Jos olen väärässä siinä, niin me kaikki korvaamme tietokoneilla jossain vaiheessa. Keskustelujen sijasta siirryn seuraavaan diaan.

Kun katsoin tätä, mielenkiintoinen asia, tämä on jotain viimeaikaista, mielenkiintoinen asia oli yrittää selvittää mikä analytiikka todella oli. Ja lopulta piirtämällä erilaisia ​​kaavioita ja päätyen sellaiseen, joka näytti tältä, päätin johtopäätökseen, että tosiasiassa analytiikan kehittäminen on oikeastaan ​​vain ohjelmistokehitystä, jolla on hirveä määrä matemaattisia kaavoja. Analyyttinen etsintä eroaa hiukan ohjelmistokehityksestä siinä mielessä, että otat tosiasiassa monia, monia erilaisia ​​malleja ja tutkit niitä, jotta saataisiin uutta tietoa tiedoista. Mutta kun olet luonut sen, se pannaan täytäntöön joko siinä, mitä ajattelen passiivisena päätöksenteon tukena, joka on käyttäjän juuri kyllästynyt tieto; interaktiivinen päätöksenteon tuki, kuten OLAP, kuten käyttäjälle annetaan jäsennelty tietojoukko, jonka avulla hän voi tutkia ja päätellä asioita itse käytettävissä olevien työkalujen avulla. Paljon visualisointia on sellaista. Ja sitten meillä on automaatio, jos pystyt vain muuttamaan kokoamasi analyyttisen käsityksen joukko sääntöjä, jotka voidaan panna täytäntöön, sinun ei tarvitse välttämättä olla mukana ihmisessä. Se on sellainen tapa, jolla katsoin sitä, kun tein kaiken tämän. Ja minulle alkoi tapahtua erilaisia ​​asioita. Kun on sanottu, että kun toiminta-alue on tosiasiallisesti louhittu, se on kaivostettu perusteellisesti, tutkittu perusteellisesti kaikissa mahdollisissa suunnissa, lopulta siitä tulee vain kiteytetty BI. Keksitetystä tiedosta alkaa tulla tieto, joka tiedottaa erilaisille käyttäjille eri tavoin, ja lisää heidän kykyään, toivottavasti, tehdä tosiasiallisesti heidän tekemänsä työ.

Yksi niistä asioista, jotka olen huomannut ja olen tarkastellut ennustavaa analytiikkaa noin viiden vuoden ajan, mutta ennustavasta analysoinnista on tulossa BI, siinä mielessä, että se on muuttumassa vain hyödylliseksi tiedoksi ihmisille syötettäväksi ja kuten olen jo huomauttanut, Siellä on automatisoitu BI-raportointi, BI explorative, BI, sen hyvin erilaiset gradaatiot ja ennustava analytiikka todella tapahtuu kaikkiin kolmeen suuntaan. Eikä analyyttinen prosessi, kuten jo totesin, ole niin erilainen kuin ohjelmistokehitys, vain sen tekevät eri ihmiset, joilla on hieman erilaiset taidot. Luulen, että minun on korostettava, että todella hyvän tietotekijän tekemiseen vaadittavat taidot vievät vuosia hankkiakseen. Niitä ei ole helppo hankkia, eikä suuri joukko ihmisiä osaa tehdä sitä, mutta se johtuu siitä, että matematiikka on ymmärrettävä erittäin hienostuneella tasolla tietääkseen mikä pätevä ja mikä ei ole pätevä. Analyticsin kehitys, uuden tiedon löytäminen, analytiikan implantointi, kyse on tiedon käytöstä saattamisesta. Se on sellainen tausta, jonka näen koko analytiikassa. Se on valtava alue ja siihen liittyy monia, monia ulottuvuuksia, mutta mielestäni yleistyminen koskee kaikkea.

Sitten tapahtuu liiketoiminnan häiriö, kuten mainitsin, on olemassa useita organisaatioita, lääkeyritykset ovat toinen, joiden DNA: ssa on analytiikkaa. Mutta on monia organisaatioita, joilla ei todellakaan ole sitä DNA: ssaan, ja nyt heillä on kyky, nyt ohjelmistot ja laitteistot ovat paljon halvempia kuin ennen, nyt heillä on kyky hyödyntää sitä. Sanoisin useita asioita. Ensimmäinen asia on, että analytiikka on monissa tapauksissa T & K-toimintaa. Saatat vain soveltaa analytiikkaa organisaation tietylle alueelle ja saattaa tuntua arkipäivältä, että analysoit tavalla tai toisella asiakkaan tilauksia jälleen eri näkökulmista ja yhdistät sen muihin tietoihin. Mutta analytiikka todella antaa mahdollisuuden tarkastella organisaatiota kokonaisuutena ja analysoida melko paljon mitä tahansa organisaation sisällä tapahtuvaa toimintaa ja kokonaisia ​​toimintaketjuja. Mutta kun todella muutat alueelle, väittäisin, että se on tutkimus ja kehitys. Ja siellä on kysymys, jota minulta on kysytty muutama kerta, joka on ”Kuinka paljon yrityksen pitäisi kuluttaa analytiikkaan?” Ja mielestäni paras tapa miettiä vastauksen tarjoamista on ajatella analytiikkaa T&K: na, ja kysy vain: "No kuinka paljon kuluttaisit T & K-toimintaan liiketoiminnan tehokkuuden alalla?"

Ja yrityksissä, jotka eivät käytä analytiikkaa, on paljon asioita, joita he eivät tiedä. Ensinnäkin, he eivät tiedä miten se tehdään. Normaalisti, jos he todellakin menevät tavalla tai toisella hyväksymään analytiikan organisaatiossa - heillä ei todellakaan ole muuta vaihtoehtoa kuin mennä konsulttitoimistoon, joka voi auttaa heitä tekemään tätä, koska useimmille se olisi mahdotonta tai todella vaikeaa. yritykset palkkaamaan tosiasiallisesti tiedemiehen, etsimään yhden, maksamalla yhden ja tosiasiallisesti luottamalla heihin tekemään mitä haluat heidän tekevän. Hyvin vaikea. Suurin osa yrityksistä ei tiedä, kuinka palkata tai kouluttaa henkilöstöä tämän työn suorittamiseen, ja syy siihen on yksinkertaisesti se, että se ei ole vielä heidän DNA: ssaan, joten se ei kuulu heidän luonnollisiin liiketoimintaprosesseihinsa. Tämä tulee seuraavaan kohtaan. He eivät tiedä miten tehdä siitä liiketoimintaprosessi. Paras tapa tehdä se, muuten, on kopioida mitä lääkeyhtiöt ja vakuutusyhtiöt katsovat vain, ja jotkut terveydenhuoltokeskuksen yritykset katsovat vain tapaa, jolla he käyttävät analytiikkaa ja kopioida se. Koska se on liiketoimintaprosessi. En osaa valvoa sitä tai tarkastaa sitä. Se todella, varsinkin nyt, kun hirvittävä osa ohjelmistoyrityksiä on luonut tuotteita, jotka automatisoivat hirvittävän paljon analytiikkaa. Tarkastusta koskeva kohta on tärkeä, kun sinulla on konsulttia tai joku paikan päällä, johon voi luottaa ymmärtämään minkä tahansa analyyttisen laskelman tulokset, se on valinta, joka sinun on tehtävä, mutta jos laitat todella tehokkaita analyyttisiä työkaluja Niiden ihmisten käsissä, jotka eivät ymmärrä analytiikkaa oikein, he todennäköisesti hyppäävät johtopäätöksiin, jotka eivät välttämättä ole oikeita. Ja kuten sanoin, yritykset eivät tiedä, miten sitä budjetoida.

Nämä ovat analytiikan makuja, aion vain käydä niiden läpi. Tilastollinen analytiikka ja tilastollinen mallinnus eroavat huomattavasti ennustavasta analysoinnista, joista suurin osa muuttuu käyrään. Koneoppiminen on erilainen kuin ne asiat, polun analysointi ja aikasarjat, jotka tehdään periaatteessa tilavirroissa, ovat jälleen erilaisia. Graafinen analytiikka on jälleen erilainen, ja tekstianalyysit ja semanttiset analyysit ovat jälleen erilaisia. Tämä vain huomauttaa, että tämä on erittäin monityyppinen asia. Se ei ole, et aloita analysoinnin tekemistä, alat tutkia ongelmiasi ja etsit erilaisia ​​analytiikan työkaluja ja makuja, jotka sopivat niihin. Ja lopuksi nettoverkko. Laitteiden ja ohjelmistojen kehityksen takia analytiikka on mielestäni vasta alkupuolella. Siellä on vielä paljon, paljon enemmän, ja tulemme näkemään sen lähivuosina. Luulen voivani siirtää pallon Dezille.

Dez Blanchfield: Kyllä, puhu vaikeasta teosta, jota seurataan, Robin. Aion käydä tässä aiheesta lyhyesti yhdestä suosikkikulmastani, joka on ihmisen kulma. Arjessa tapahtuu niin paljon muutoksia. Yksi suurimmista häiriöistä nykypäivän elämässämme, mielestäni tällä hetkellä, on vain päivittäinen työ. Työhön kääntyminen ja yrittäminen tehdä työsi, jonka olet palkannut, ja kasvava odotus siitä, että siirryt jokapäiväisestä henkilöstä supersankariksi, ja tiedon määrä, joka virtaa organisaatioiden ympäri ja lähettää erittäin, hyvin nopeasti, se on merkittävä haaste ja yhä enemmän joudumme tarjoamaan ihmisille parempia ja parempia työkaluja, jotka yrittävät selviytyä tiedon ja tiedon kulusta, joten ajattelin yrittää tulla tähän pienestä hauskasta näkökulmasta . Mutta minusta on aina hämmästyttävää siitä, kuinka meillä on tämä korkea mieli tai flash-väkijoukot ja niin edelleen, jotka ajavat meitä kohti sitä, mistä me puhumme analyytikkona, mutta oikeastaan ​​mitä puhumme, on tietojen antaminen ihmisten saataville, ja antaa heidän olla vuorovaikutuksessa sen kanssa ja tehdä sen tavalla, että se on luonnollista ja tuntuu normaalilta.

Ja itse asiassa se muistuttaa minua YouTube-videosta, jossa nuori lapsi, pieni vauva istuu lattialla ja istuu siellä leikkien iPadilla. Se lepattaa ympäriinsä ja puristaa ja puristaa ja siirtää kuvia ja leikkiä näytöllä, siellä olevat tiedot. Ja sitten vanhempi vie iPadin pois ja laittaa lehden, painetun lehden lapsen syliin. Ja tämä lapsi on todennäköisesti enintään kaksi vuotta vanha. Lapsi alkaa yrittää pyyhkäistä lehden näytöllä ja puristaa ja puristaa, ja aikakauslehti ei vastaa. Lapset nostavat sormensa ylös ja katsovat sitä ja ajattelevat: "Hmm, en usko, että sormeni toimii", ja pistää itsensä käsivarteen ja ajattelee: "Ah ei, sormeni toimii, voin tuntea käteni ja että näyttää hyvältä ”, ja se rypistää sormea, ja sormi rypistää ja vastaa. Joo. Sitten se yrittää olla vuorovaikutuksessa lehden kanssa uudelleen, ja katso, ettei se purista ja purista ja vieritä. Sitten he vievät lehden pois ja laittavat iPadin takaisin syliinsä, ja yhtäkkiä asia toimii. Ja niin, tässä on vauva, joka on tullut mukaan ja koulutettu käyttämään analyyttistä työkalua tai suoratoistotyökalua viihdettä varten. Se ei voi selvittää, kuinka lehden pitäisi toimia ja kuinka kääntää sivuja.

Ja se on mielenkiintoinen käsite sinänsä. Mutta kun ajattelen tietoa, joka liikkuu organisaatioiden ympäri, ja tapaa, jolla tiedonkulku ja tapa, jolla ihmiset käyttäytyvät, ajattelen usein tätä käsitettä siitä, mitä ihmiset ovat oppineet olemaan flash-väkijoukko, joka on tapahtuma missä ja mikä sosiaalinen media tämä on vieläkin helpompaa tehdä, idea sinänsä, joka on mennä tähän paikkaan tällä hetkellä, päivämääränä ja toiminnana, tai videoida ja oppia nämä tanssit, tai käyttää tätä värillistä hattua ja osoittaa pohjoiseen kello yksi. Ja työnnät tämän verkon läpi, ja aina koko joukko ihmisiä, satoja heistä, tulee esiin samassa paikassa samaan aikaan tekemällä samaa ja siellä on tämä wow-tekijä, kuten "Pyhä lehmä, se oli todella vaikuttava! ”Mutta itse asiassa se on todella yksinkertainen idea, ja yksinkertainen konsepti vain työnnetään ulos verkkojemme läpi ja saamme tämän lopputuloksen, joka on visuaalisesti upea ja kuultavan vaikuttava asia. Ja kun ajatellaan organisaatiota, tapaa, jolla haluamme ihmisten käyttäytyvän ja miten haluamme heidän käyttäytyvän tietojärjestelmien ja asiakkaiden kanssa, se on usein niin yksinkertaista, se on idea tai konsepti tai kulttuurinen tai käyttäytymispiirte, jonka yritämme välittää työkalujen ja tietojen avulla.

Ja tukee kaikkea tätä mantraa, joka minulla on ollut yli kaksi ja puoli vuosikymmentä ja mikä tarkoittaa, että jos henkilöstösi ei löydä tarvitsemiaan työhönsä, olivatpa ne sitten työkaluja tai tietoja, he keksivät aina pyörän. Ja tämä on nyt yhä kasvava haaste, jossa meillä on paljon tietoa, paljon tietoa ja asioita, jotka liikkuvat nopeasti, että haluamme estää ihmisiä keksimästä pyörää. Ja kun ajattelemme työympäristöämme, palaamalla ihmisten näkökulmaan, mikä on yksi suosikeistani, hämmästyin, kun hämmästyimme siitä, etteivät kaapit ole suotuisat olosuhteet hyville tuloksille, tai rivistämme asiat näin kauheasti kuvia täällä, ja se ei ole muuttunut paljon, vain laski seinät ja kutsui niitä avoimiksi työtiloiksi. Mutta keskellä keltaisen silmukan ympärillä on kaksi ihmistä, jotka vaihtavat tietoa. Ja silti, jos tarkastellaan loppua huonetta, he kaikki istuvat siellä pakollisesti paukuttaen sinne, asettamalla tiedot näytölle. Ja useimmiten ei oikeasti vaihtamalla tietoja ja tietoja, ja siihen on useita syitä. Mutta vuorovaikutus lattian keskellä vasemmalla puolella keltaisessa ympyrässä, kaksi ihmistä keskustelee siellä, vaihtaa tietoa ja luultavasti yrittää löytää jotain, yrittää sanoa: “Tiedätkö missä tämä raportti on, missä minä Voinko löytää nämä tiedot, mitä työkalua käytän tässä asiassa? ”Eikä se todennäköisesti ole toiminut, joten heillä ei ole mitään, ja vaelsivat lattian yli, rikkoivat kabinetin toimistotilaa koskevan säännön ja tekivät sen henkilökohtaisesti.

Ja toimistomme ympärillä on ollut samanlaisia ​​ympäristöjä, joissa leikkiimme leikillään, mutta todellisuus on, että ne ovat varsin tehokkaita ja tehokkaita. Ja yksi suosikeistani on mobiili- tai kiinteä analytiikkaalusta, nimeltään vesijäähdytin, jossa ihmiset nousevat sinne ja chit-chat ympäriinsä ja vaihtavat tietoa ja vertailevat ideoita ja suorittavat analytiikkaa seisoen vesijäähdyttimessä vaihtamalla ideoita. Ne ovat erittäin voimakkaita käsitteitä, kun ajattelet niitä. Ja jos pystyt kääntämään ne järjestelmiin ja työkaluihin, saat hämmästyttävän tuloksen. Ja meillä on kaikkien aikojen suosikki, joka on pohjimmiltaan toimiston tehokkain tiedonjakelukeskus, joka tunnetaan muuten vastaanotosta. Ja jos et löydä jotain, minne menet? No, kävelet toimiston etuosaan ja menet vastaanottoon ja sanot: “Tiedätkö missä x, y, z on?” Ja uskallan ketään kertoa minulle, etteivät he ole tehneet sitä ainakin kerran uudessa työpaikka tai jossain vaiheessa, kun he vain eivät löydä jotain. Ja sinun täytyy kysyä itseltäsi, miksi he niin ovat? Sen pitäisi olla jossain intranetissä tai jollain työkalulla tai muulla. Sen pitäisi olla helppo löytää.

Joten tietojen ja analysoinnin sekä työkalujen suhteen, jotka olemme tarjonneet henkilöstölle tehtäväksi ja tapaan, jolla ihmiset ovat vuorovaikutuksessa työpaikkojen kanssa, olen sitä mieltä, että ennen analyysityökalujen ja suurten tietoalustojen äskettäistä syntymistä, tai "tietojenkäsittely", kuten sitä kutsutaan myös vanhassa koulussa, raportointi ja tiedon jakaminen eivät olleet kaukana dynaamisesta tai yhteistyöhakuisesta tai avoimesta, ja kun mietit minkä tyyppisiä järjestelmiä odotamme ihmisten tekevän työnsä, meillä oli klassinen, mikä ihmiset kutsuvat perintöä nyt, mutta tosiasia on, että vain vanha on saatu aikaan ja se on edelleen täällä tänään, eikä se siksi ole oikeasti perintöä. Mutta perinteiset HR-järjestelmät ja ERP-järjestelmät - henkilöstöhallinto, yrityksen resurssisuunnittelu, yritystietojen hallinta ja järjestelmät, joiden avulla hallitsemme tietoja yrityksen johtamiseksi. Se on aina poistettu. Ja ylhäältä päin, yksinkertaiset alustat, kuten osastojen intranetit, yrittävät kommunikoida missä asiat ovat ja miten ne saadaan ja miten olla vuorovaikutuksessa ympäröivän tiedon kanssa. Esitämme sen intranetissämme. Se on vain niin hyvä kuin ihmiset, jotka tekevät aikaa ja vaivaa sijoittaa se ylös, muuten se vain jää päähän. Tai sinulla on tietoja, jotka ovat koko ruokaketjun alareunassa, yrityksen SAN-sanoissa ja kaikessa niiden välillä, joten säilytysalueverkot ovat täynnä tiedostoja ja tietoja, mutta kuka tietää mistä ne löytyvät.

Useimmiten olemme rakentaneet nämä suljetut tietoalustat tai suljetut järjestelmät, ja niin ihmiset ovat palattu laskentataulukoiden ja PowerPointien kaltaisiin siirtääkseen tietoja ympäri paikkaa. Mutta mielessäni tapahtui viime aikoina mielenkiintoinen asia, ja mobiililaitteet ja Internet toimivat yleensä ajatuksena, että asiat voisivat olla paremmin. Ja pääasiassa kuluttajatiloissa. Ja on mielenkiintoista, että jokapäiväisessä elämässä meillä on ollut asioita kuten verkkopankkitoiminta. Meidän ei tarvinnut mennä tosiasiallisesti pankkiin olla fyysisesti vuorovaikutuksessa heidän kanssaan, voimme tehdä sen puhelimitse. Alun perin se oli hankala, mutta sitten internet tuli ympäri ja meillä oli verkkosivusto. Tiedätkö, ja kuinka monta kertaa olet tosiasiallisesti käynyt pankissasi viime aikoina? En todellakaan voi, minulla oli keskustelu tästä toisena päivänä, en todellakaan muista viimeistä kertaa, kun menin pankkiini, josta olin melko järkyttynyt, ajattelin, että minun pitäisi pystyä muistamaan tämä, mutta se oli niin pitkä En todellakaan muista, kuinka menin sinne. Ja niin meillä on nyt näitä laitteita kädessämme matkapuhelimien, puhelimien, tablet-laitteiden ja kannettavien tietokoneiden muodossa, meillä on verkot ja pääsy työkaluille ja järjestelmille, ja olemme oppineet, että asiat voivat olla parempia, mutta koska Kuluttajatilan nopeasta muutoksesta, joka on ollut rentouttavampaa ja jäisemää muutosta yrityksissä ja ympäristöissä, emme ole aina ottaneet muutosta päivittäiseen työelämään.

Rakastan hauskanpitoa siinä, että et voi lähettää suoratoistoa tietoja paperille. Tässä kuvassa täällä on henkilö, joka istuu katselemassa suoritettua analytiikkaa, ja siellä on kaunis kuvaaja, jonka on tuottanut joku, jolle todennäköisesti maksetaan paljon rahaa tilastoijana tai aktuaarina, ja he istuvat siellä yrittäen tehdä analysointi paperikopiosta ja sen piilottaminen. Mutta tässä on minulle pelottava asia: Esimerkiksi nämä tässä kokoushuoneessa olevat ihmiset, ja minä käytän tätä esimerkkinä, he ovat vuorovaikutuksessa tietojen kanssa, jotka ovat nyt historiallisia. Ja se on yhtä vanha siitä lähtien, kun asia valmistettiin ja sitten painettiin, joten ehkä se on viikkoa vanha raportti. Nyt he tekevät päätöksiä ei niinkään huonoista tiedoista kuin vanhoista tiedoista, jotka voivat aina olla huonoja tietoja. He tekevät päätöksen tänään perustuen johonkin historialliseen, mikä on todella huono paikka olla. Onnistuimme korvaamaan tuon kopion tablettien ja puhelimien kaltaisilla malleilla, koska työskentelimme hyvin nopeasti kuluttajatiloissa ja olemme nyt laatineet sen yritystilassa, että reaaliaika on oivalluksia, on reaaliaikainen arvo.

Ja me parannamme sitä. Ja se vie minut siihen pisteeseen, jonka Robin esitti aiemmin, se oli kansalaistietojen tutkijan käsite ja tämän ajatuksen ajaa. Minulle kansalaistietojen tutkija on vain tavallisia ihmisiä, joilla on oikeat työkalut ja tiedot iPadin kaltaisista. Heidän ei tarvitse tehdä matematiikkaa, heidän ei tarvitse tietää algoritmeja, heidän ei tarvitse osata soveltaa algoritmeja ja sääntötietoja, heidän täytyy vain osata käyttää käyttöliittymää. Ja se palauttaa minut esittelyyn ja käsityksen siitä, että lapsi istuu siellä istuen iPadilla versiolla aikakauslehden kanssa. Taaperoikäinen voi oppia nopeasti, intuitiivisesti käyttämään iPadin käyttöliittymää sukeltamaan tietoihin ja olla vuorovaikutuksessa sen kanssa, vaikkakin peli tai suoratoistomedia tai video. Mutta se ei saanut samaa vastausta tai vuorovaikutusta aikakauslehtipalkista ja vain vilkkuvasta sivusta sivulle, mikä ei ole kovin houkutteleva, varsinkin jos olet lapsi, joka on kasvanut iPadsilla. Ihmiset voivat aina etsiä ja oppia erittäin nopeasti ajamaan työkaluja ja asioita, jos vain tarjoamme ne ja jos tarjoamme heille käyttöliittymän, kuten mobiililaitteet ja erityisesti tabletit ja älypuhelimet, joilla on riittävän suuret näytöt, ja etenkin jos pystyt vuorovaikutuksessa ne kosketuksessa sormenliikkeillä, yhtäkkiä saat tämän käsityksen kansalaisuustietotieteestä.

Joku, joka osaa soveltaa tietojenkäsittelytiedettä oikeilla työkaluilla, mutta ilman, että hänen tarvitsee tosiasiassa osata tehdä se. Ja mielestäni paljon tästä, kuten totesin, ajoi kuluttajien vaikutusvalta, joka muutti ja muuttui kysynnäksi ja yritykseksi. Muutama todella nopea esimerkki. Me, monet meistä, ryhtyisimme tekemään asioita blogeissamme ja verkkosivuillamme, kuten laittaa pieniä mainoksia tai tarkastella seurantaa ja liikkumista, käytimme työkaluja, kuten Google Analytics, ja olimme herättäneet tosiasialle, että blogeissamme ja pienissä verkkosivustoissamme, voisimme laittaa pieniä bittiä koodia sinne ja Google antaisi meille reaaliaikaisen kuvan siitä, kuka vierailee verkkosivustolla, milloin ja missä ja miten. Ja reaaliajassa voimme tosiasiassa nähdä ihmisten osuvan verkkosivustoon, käydä sivujen läpi ja katoavat sitten. Ja se oli melko hämmästyttävää. Rakastan silti sen tekemistä, kun yritän selittää reaaliaikaista analytiikkaa ihmisille, tylsän sen vain, että näen heille verkkosivuston, johon on liitetty Google Analytics, ja näen tosiasiallisen vuorovaikutuksen ihmisten kanssa, jotka lyövät verkkosivustoja, ja kysyin heiltä: “Kuvittele, jos sinulla oli sellaisia ​​näkemyksiä yrityksestäsi reaaliajassa. ”

Ota esimerkki vähittäiskaupasta ja ehkä lääkkeistä. Luulen, että kutsut sitä Amerikassa sijaitsevaksi apteekiksi, apteekeksi, jossa kävelet ja ostaa kaikkea päänsärkytableteista aurinkovoiteisiin ja hattuihin. Yritetään johtaa tätä organisaatiota ilman reaaliaikaista tietoa on pelottava käsite, nyt tiedämme mitä tiedämme. Voit esimerkiksi mitata jalkaliikennettä, laittaa laitteita myymälän ympärille hymyilevillä kasvoilla näytön toisella puolella, koska olet onnellinen, ja onneton punainen oikealla reunassa ja eräitä erilaisia ​​sävyjä keskellä. Ja siellä on nykyään ”onnellinen tai ei” -alusta, jossa kävelet kauppaan ja voit räjähtää onnellisia tai surullisia kasvoja riippuen elävästä asiakassuhteestasi. Ja se voi olla vuorovaikutteista reaaliaikaisen kanssa. Voit saada reaaliaikaista kysyntälähtöistä hinnoittelua. Jos siellä on paljon ihmisiä, voit nostaa hintoja hiukan ylös, ja voit tehdä saatavuuden ja kertoa esimerkiksi ihmisille - esimerkiksi lentoyhtiöt kertovat ihmisille, kuinka monta paikkaa on nyt saatavana verkkosivustolla, kun Varaamalla lentoa, et vain soita satunnaisesti, ja toivon, että voit kääntyä takaisin ja saada lento. Live HR -tiedot, voit kertoa, milloin ihmiset kellovat ja kellovat. Hankinta, jos sinulla on hankintoja ja sinulla on reaaliaikaisia ​​tietoja, voit tehdä esimerkiksi odottaa tunnin ja suojautua Yhdysvaltain dollarin hintaan ostaaksesi seuraavan kuormavarastoasi ja saadaksesi kuorma-autoasioita esiin.

Kun näytän ihmisille Google Analyticsia ja välitän sellaista anekdoota, tätä eureka-hetkeä, tätä "a-ha!"-Hetkeä, tämä lamppu sammuu heidän mielessään, kuten: "Hmm, näen paljon paikkoja, joissa voisin tehdä sen . Jos vain minulla olisi välineitä ja jos vain minulla olisi pääsy siihen tietoon. ”Ja näemme tämän nyt sosiaalisessa mediassa. Jokainen, joka on taitava sosiaalisen median käyttäjä, ei vain näytä kuvia aamiaisestaan, pyrkii yleensä tutkimaan kuinka monta tykkää he saavat ja kuinka paljon liikennettä he saavat ja kuinka monta ystävää he saavat, ja he tekevät sen tykkää esimerkiksi Twitteristä analytiikkatyökaluna. Voit siirtyä Twitter.com -sovellukseen käyttämään työkalua, mutta kirjoittamalla Google Twitter Analytics dot com -sovellukseen tai napsauttamalla oikeassa yläkulmassa olevaa painiketta ja vetämällä valikko alas ja tekemällä se, saat nämä kauniit, elävät kuvaajat, jotka kertovat kuinka monta tweetit, jotka teet itse ja kuinka monta vuorovaikutusta heidän kanssaan. Ja reaaliaikainen analytiikka vain henkilökohtaisessa sosiaalisessa mediassasi. Kuvittele, jos meillä olisi Google Analyticsin, Facebookin, LinkedInin ja Twitterin kaltaisia ​​tykkää, eBay-tilastot tulevat sinulle, mutta työympäristössäsi.

Nyt meillä on reaaliaikainen verkko- ja mobiililaite sormenpäässä, siitä tulee tehokonsepti. Ja mikä vetää minut johtopäätökseeni, ja se on, että olen aina huomannut, että organisaatiot, jotka hyödyntävät työkaluja ja tekniikkaa aikaisin, ne saavat niin merkittävän edun kilpailijoihinsa nähden, että kilpailijat eivät todellakaan voi koskaan saada kiinni. Ja näemme sen nyt kansalaisten tietojen tutkijan ristiriidassa. Jos pystymme ottamaan ihmisiä, joilla on taitoja, tietoa, jonka heille palkkasimme, ja voimme tarjota heille oikeat työkalut, etenkin kyvyn nähdä reaaliaikaista tietoa ja löytää tietoja ja tietää missä se on, kävelemättä kabinioiden ympärillä. ja kysy kysymyksiä ääneen, joutumalla menemään seisomaan vedenjäähdyttimeen tekemään vertailevaa analyysiä ihmisten kanssa tai menemään ja kysymään vastaanotosta, missä hakemisto on. Jos he voivat tehdä sen hyppysissäsi ja he voivat viedä sen tapaamisiinsa heidän kanssaan ja istua neuvotteluhuoneessa, selaamalla näytöillä reaaliajassa paperikopion sijasta, yhtäkkiä olemme antaneet valtuudet henkilöstöllemme, joka ei tarvitse olla todellinen tietojen tutkijat, mutta tosiasiallisesti käyttää tietotekniikkaa ja saada uskomattomia tuloksia organisaatioille. Ja mielestäni tämä kärjessä, jonka olemme tosiasiallisesti ohittaneet nyt, kun kuluttaja saadaan yritystoimintaan, haasteena on, miten tarjoamme kyseisen yrityksen, ja se on tänään kaipaus tämän aiheen teema. Ja sen kanssa aion kietoa kappaleeni ja luovuttaa kuullakseni kuinka voimme ratkaista asian. David, sinulle.

David Sweenor: Hyvä on, kiitos paljon kaverit ja kiitos Robinille. Tiedätkö, Robin, olen samaa mieltä alkuperäisestä arviostasi. Analyyttinen prosessi, se ei eroa oikeastaan ​​kuin ohjelmistokehitys. Uskon, että organisaation sisäinen haaste on aivan oikeasti, tiedät, ehkä asiat eivät ole niin hyvin määriteltyjä, ehkä siihen on olemassa etsivä komponentti ja luova komponentti siihen. Ja Dez, tiedätte, olen samaa mieltä kanssanne, pyörän keksiminen on paljon, ja tiedätte, ettei ole organisaatiota, johon menen tänään, kysyttekö, miksi teet sen tällä tavalla? Miksi yritys toimii tällä tavalla? Ja se on helppo kyseenalaistaa, ja monta kertaa, kun olet organisaatiossa, on vaikea muuttaa. Rakastan analogiaa, asioiden kuluttamista. Eikä enää, kun menen lentokentälle ja haluan vaihtaa istuinta - teen sen matkapuhelimellani. Minun ei tarvitse mennä edustajalle boksilla ja katsoa, ​​että agentti kirjoittaa jotain yksivärisessä näytössä 15 minuutin ajan muuttaakseni istuintimääritystäni. Pidän parempana tehdä sen puhelimellani, joten se on mielenkiintoinen kehitys.

Tänään puhumme vähän kollektiivisesta tiedustelusta. Niille, jotka eivät ole tietoisia, Statistica on huipputasolla toimiva analytiikkaalusta, jonka toiminta on ollut jo yli 30 vuotta. Jos tarkastelet mitä tahansa analyytikkona toimivia julkaisuja, se tulee aina kärjessä yhdeksi intuitiivisimmista ja helppokäyttöisimmistä kehittyneistä analytiikkaohjelmistopaketeista. Joten olemme viettäneet muutaman viime vuoden ajan käsitteen nimeltä kollektiivinen älykkyys ja siirrymme sen seuraavalle tasolle. Halusin aloittaa tämän keskustelun: miten työ tehdään organisaatiossasi?

Ja täällä on kaksi kuvaa. Vasemmalla on kuva 1960-luvulta, enkä aloittanut urani 1960-luvulla, mutta oikealla oleva kuva on - se on puolijohdetehdas, jossa aloin työskennellä. Ja työskentelin siinä mustassa rakennuksessa, musta katto ylhäällä vasemmassa yläkulmassa. Mutta he tekivät puolijohdetavaroita. Tämä on Google Imagesin äskettäinen kuva. Mutta kun palaat takaisin vasemmanpuoleiseen 1960-luvun kuvaan, se on erittäin mielenkiintoinen. Nämä ihmiset istuvat rivillä, ja he tekevät, tiedätte, integroituja piirejä ja puolijohteita. Mutta on olemassa standardisointi, on standardi tapa tehdä asioita, ja prosessi oli hyvin määritelty. Tiedätte, koska ehkä kaikki nämä ihmiset istuvat avoimessa ympäristössä, kenties tapahtui jonkin verran yhteistyötä. Mielestäni olemme menettäneet hiukan siitä tietotyövoiman sisällä.

Istuessani tuossa rakennuksessa vasemmassa yläkulmassa, jos halusin tehdä yhteistyötä jonkun kanssa, se ei ollut avoin. Siellä oli näitä toimistoja, ehkä osa ryhmästä oli kaukana, tai ehkä minun piti vaeltaa tämän kampuksen yli; se oli 25 minuutin kävelymatka, ja minun piti mennä puhumaan oikealla reunassa olevan rakennuksen jonkun kanssa. Luulen, että menetimme jotain matkan varrella. Ja niin, tiedätte, minulla oli sama ajatus, miksi ihmiset - kuinka monta ihmistä keksivät pyörän uudelleen organisaatiossasi? Uskon, että organisaatiot kokonaisuutena tekivät hyvää työtä 1990- ja 2000-luvuilla CRM: n ja tietovarastoinnin, ja osin myös BI: n kanssa. Jostain syystä analytiikka on hiipunut hieman. Tietojen varastointiin, tietojen standardisointiin ja normalisointiin, ja kaikkiin tähän, sekä CRM: ään, tehtiin merkittäviä investointeja, mutta analytiikka on jostain syystä jäänyt jälkeen. Ja ihmettelen miksi. Ehkä siellä on luova - ehkä prosessiasi ei ole määritelty tarkalleen, ehkä et tiedä mitä päätöstä tai vipua yrität kääntää yrityksessäsi muuttamaan asioita. Kun siirrymme organisaatioihin tänään, monet ihmiset tekevät asioita hyvin manuaalisesti laskentataulukoissa.

Ja tiedätte, katsoin tänä aamuna tilastoa, luulen, että sen mukaan 80, 90 prosentilla laskentataulukoista on virheitä, ja jotkut niistä voivat olla erittäin merkittäviä. Kuten valaassa, jossa JPMorgan Chase menetti miljardeja ja miljardeja dollareita laskentataulukkovirheiden vuoksi. Joten minulla on lähtökohta, jonka mielestäni on oltava parempi tapa saada asiat hoidetuksi. Ja kuten mainitsimme, meillä on nämä tiedemiehet. Nämä kaverit ovat kalliita, ja heitä on vaikea löytää. Ja joskus he ovat vähän outoja ankkoja. Mutta luulen, että tiedät, jos minun piti tiivistää mitä tietotekijä on, luultavasti joku ymmärtää tiedot. Mielestäni joku ymmärtää matematiikan, joku ymmärtää ongelman. Ja oikeasti joku, joka osaa viestiä tuloksista. Ja jos olet datatieteilijä, olet erittäin onnekas heti nykyään, koska palkkasi on todennäköisesti kaksinkertaistunut viime vuosina.

Mutta totta puhuen, paljon organisaatioita, heillä ei ole näitä tietotekijöitä, mutta organisaatiossasi on älykkäitä ihmisiä. Sinulla on organisaatio, sinulla on paljon fiksuja ihmisiä, ja he käyttävät laskentataulukoita. Tiedät, että tilastot ja matematiikka eivät ole heidän päätehtäväänsä, mutta he käyttävät tietoja liiketoiminnan edistämiseen. Todellakin, haaste, johon vastaamme, on, kuinka otatte vastaan, jos sinulla on onneksi tietoteknikko tai tilastotieteilijä tai kaksi, kuinka voit ottaa heidät ja miten voit parantaa näiden ihmisten ja muut organisaatiosi henkilöt? Jos tarkastellaan organisaatiomme rakennetta, aion aloittaa ja menen oikealta vasemmalle. Ja tiedän, että tämä on taaksepäin, mutta meillä on tämä yrityskäyttäjä.

Tämä on suurin osa tietotyöläisten väestöstä, ja näille ihmisille sinun on upotettava analytiikka liiketoimintalinjasi sovelluksiin. Ehkä he näkevät analyyttisen tuloksen puhelinkeskuksen näytöllä tai jotain muuta, ja se kertoo heille seuraavan parhaan tarjouksen, jonka asiakas antaa. Ehkä se on kuluttaja tai toimittaja verkkoportaalissa, ja se antaa heille hyvityksen tai vastaavat. Mutta ajatuksena on, että he kuluttavat analytiikkaa. Jos siirrymme keskelle, nämä ovat näitä tietotyöntekijöitä. Nämä ovat ihmisiä, jotka tekevät asioita laskentataulukoiden kanssa tänään, mutta laskentataulukoissa on virheitä ja jossain vaiheessa niiden loppuu kaasu. Nämä kansalaisten tietojen tutkijat, kuten me kutsumme heitä, tiedätkö, mitä me yritämme tehdä heidän hyväkseen, on todella lisätä automaatiotasoa.

Ja kuulet analytiikan avulla, että 80-90 prosenttia työstä on datavalmistuskappaleessa, eikä se ole varsinainen matematiikka, mutta se on tietojenvalmistus. Yritämme automatisoida sen riippumatta siitä, teetkö sen, ja meillä on velhoja ja malleja ja uudelleen käytettäviä asioita, eikä sinun oikeastaan ​​tarvitse olla tietoa ympäristön taustalla olevasta infrastruktuurista. Ja jos katsomme vasemmalle, meillä on nämä tiedemiehet. Ja kuten mainitsin, heillä on pulaa. Ja mitä me yritämme tehdä heistä tuottavampia, on antaa heille mahdollisuus luoda asioita, joita nämä kansalaisten tietojen tutkijat voivat tehdä. Ajattele sitä kuin Lego-lohko, joten nämä tietotieteilijät voivat luoda uudelleenkäytettävän hyödykkeen, jota kansalaisdattatieteellinen voi käyttää. Rakenna se kerran, joten meidän ei tarvitse keksiä pyörää uudelleen.

Ja sitten nämä kaverit saattavat olla huolissaan siitä, pystymmekö tekemään asioita tietokannassa ja hyödyntämään yrityksesi nykyisiä teknologiainvestointeja. Tiedäthän, tällä hetkellä ei ole mitään järkeä sekoittaa tietoja eteenpäin ympäri maailmaa. Joten jos tarkastelemme Statisticaa, kuten mainitsin, se on alusta, joka on ollut olemassa jo kauan. Ja se on erittäin innovatiivinen tuote. Tietojen sekoittaminen, ei ole ollut tietolähdettä, jota emme pääse käyttämään. Meillä on kaikki tietojen löytämistä ja visualisointia koskevat asiat, joita voit odottaa; voimme tehdä sen reaaliajassa. Ja sillä todennäköisesti on - luulen, että ohjelmistotyökalussa on yli 16 000 analyyttistä toimintoa, joten se on enemmän matematiikkaa kuin minä koskaan voisin käyttää tai ymmärtää, mutta se on siellä, jos tarvitset sitä.

Meillä on kyky yhdistää sekä liikesäännöt että analyyttiset työnkulut todella tehdä liiketoimintaa koskeva päätös. Olet ylittämässä vain, tässä on algoritmi, tässä on työnkulku, mutta sinulla on yrityssääntöjä, jotka sinun on aina käsiteltävä. Olemme hallinnossa erittäin turvallisia. Meitä käytetään monissa lääkeasiakkaissa siinä mielessä, että FDA luottaa meihin. Tiedät vain, että vankilassa on todiste siitä, että meillä on valvonta- ja auditointimahdollisuus hyväksyä ne. Ja lopuksi, tiedätte, olemme avoimia, joustavia ja laajennettavia, joten sinun on luotava alusta, joka on se, että haluat, että tietosi tutkijat ovat tuottavia, haluat, että kansalaisten tiedot tutkijat ovat tuottavia, haluat pystyäsi ottaa käyttöön nämä analyyttiset tulokset organisaatiosi työntekijöille.

Jos tarkastelemme sitä, tässä on esimerkki joistakin visualisoinneista. Mutta koska voit jakaa analyyttisen tuotoksesi liiketoiminnan käyttäjille, niin ensimmäinen esimerkki vasemmalla on verkkoanalyyttinen kaavio. Ja ehkä olet petoksen tutkija, etkä tiedä kuinka nämä yhteydet luodaan. Ne voivat olla ihmisiä, nämä voivat olla kokonaisuuksia, nämä voivat olla sopimuksia, kaikkea oikeasti. Mutta voit manipuloida tätä hiirelläsi ja olla vuorovaikutuksessa sen kanssa ymmärtääksesi todella - jos olet petoksen tutkija, ymmärtää priorisoitu luettelo tutkittavaksi otettavista, oikein, koska et voi puhua kaikkien kanssa, joten sinulla on priorisoida.

Jos tarkastelemme oikealla puolella olevaa kuvaa ennakoivan kunnossapidon kojelautaan, tämä on todella mielenkiintoinen ongelma. Ehkä olet lentokentän omistaja ja sinulla on nämä vartioskannerit siellä. Nämä vartaloskannerit, jos menet lentokentälle, siellä on joitain komponentteja, joiden säilyvyys on noin yhdeksän kuukautta. Ja nämä asiat ovat todella, todella kalliita. Jos lentokentälläni on useita tulopisteitä, useita skannerit, numero yksi, haluan varmistaa, että minulla on asianmukainen henkilökunta jokaisessa portissa, ja skannerissa olevien osien osalta en halua tilata niitä myös aikaisin, ja haluan saada ne ennen kuin se hajoaa. Meillä on kyky pystyä ennustamaan, milloin nämä asiat rikkoutuvat, ja jos sinulla on lentokenttä, ennustamaan henkilöstömäärän.

Jos tarkastelemme oikeaa alakulmaa, tämä on, jos olet valmistusympäristössä, tämä on vain graafinen esitys valmistusvirrasta. Ja se on hiukan vaikea nähdä, mutta näillä eri prosessisektoreilla on punainen ja vihreä liikennevalo, ja joten jos olen insinööri, siellä käy erittäin hienostunutta matematiikkaa, mutta voin porata kyseisen prosessisektorin läpi ja katsoa parametrit ja syötteet, jotka saattavat aiheuttaa sen, että se ei ole hallinnassa. Jos katsomme kansalaisdattatieteilijämme, tavoitteemme on todella tehdä siitä helppo kansalaisdattatieteilijälle. Meillä on velhoja ja malleja, ja yksi asia on mielestäni todella mielenkiintoinen, onko meillä tämä automatisoitu tietojen terveystarkastussolmu. Ja todella mitä se tekee, siinä on sisäänrakennettu haju.

Mainitsin tietojen valmistelun - se vie huomattavasti aikaa, se on sekä tietojen yhdistämisessä että valmistelussa. Mutta oletetaan, että minulla on tietoni, voin suorittaa sen tämän tietojen terveystarkistussolmun kautta, ja se tarkistaa epävarmuuden, harventeen ja poikkeavuudet, ja kaikki nämä asiat täyttää puuttuvat arvot ja tekee paljon matematiikkaa, jota en En ymmärrä, joten voin joko hyväksyä oletusasetukset tai jos olen hieman taitavampi, voin muuttaa niitä. Mutta asia on, että haluamme automatisoida prosessin. Tämä asia tekee noin 15 erilaista tarkistusta ja tulosta puhdistetusta tietokokonaisuudesta. Mitä teemme, on tämän helpottaa ihmisten luomaan nämä työnkulut.

Tässä puhumme tietotieteilijöiden ja kansalaistietojen tutkijoiden yhteistyöstä. Jos tarkastelemme näitä kuvia oikealta, näemme tämän tietojen prep-työnkulun. Ja ehkä tämä on erittäin hienostunut, ehkä tämä on yrityksesi salainen kastike, en tiedä, mutta tiedämme, että joku organisaatiosi jäsenistä voi käyttää yhtä tai useampaa näistä meillä olevista tietosilloista. Tarvitsemme tavan numeroida numero yksi, tarttua niihin ja ommella ne yhteen ja numeroon toinen, ehkä meillä on erityinen käsittely, jonka haluamme tehdä, että se ei ole meidän tietoturvatarkistuksen alainen, ja se on yrityksesi salainen kastike. Voin luoda tämän työnkulun organisaatiossamme, ja se romahtaa solmuna. Näet nuolen osoittavan alaspäin, se on vain solmu, ja meillä voi olla sata näistä asioista organisaatiossa. Ajatuksena on, että meillä on ihmisiä, jotka tietävät jotain tietystä tilasta, he voivat luoda työnkulun ja joku muu voi käyttää sitä uudelleen. Yritämme minimoida pyörän keksiminen uudelleen.

Ja voimme tehdä saman asian analyyttisen mallinnuksen työnkuluilla. Oikeassa tapauksessa tässä työnkulussa on ehkä 15 erilaista algoritmia, ja haluan valita tehtävään parhaan. Ja minun ei tarvitse kansalaistietojen tutkijana ymmärtää, mitä siellä hämähäkkiverkossa tapahtuu, mutta se vain romahtaa solmuun ja ehkä kyseinen solmu sanoo yksinkertaisesti: "laske luottoriskipiste". "Laske mahdollisuus kirurgisen alueen infektiosta ”, mitä sinulla on. ”Laske todennäköisyys, että jotain on vilpillistä.” Kansalaisten tietoteknikkona voin käyttää tätä erittäin hienostunutta matematiikkaa, jonka joku muu on rakentanut. Ehkä yksi näistä tietotieteilijöistä on rakentanut organisaationi.

Tietotekniikan näkökulmasta tiedät, että olen puhunut tietotekijöiden kanssa, jotka rakastavat kirjoittaa koodia, ja olen puhunut tietojen tutkijoiden kanssa, jotka vihaavat kirjoittaa koodia. Ja se on hieno, joten meillä on erittäin visuaalinen, graafinen käyttöliittymä. Voimme napata tietomme, voimme tehdä automatisoidun tietojen terveystarkastuksen ja ehkä haluan kirjoittaa koodin. Pidän Pythonista, pidän R: stä, mutta ajatuksena on, että nämä tiedemiehet ovat pulassa ja pitävät koodista tietyllä kielellä. Meillä ei ole erityistä mieltymystä mihin kieleen haluat koodata, joten jos haluat tehdä R, tee R; Jos haluat tehdä Pythonin, tee Python. Sepä hienoa. Jos haluat pursottaa analyysisi Azureen, pursota analyysi pilveen. Joten tavoitteena on todella tarjota joustavuutta ja vaihtoehtoja, jotta tietotieteilijöistäsi saadaan mahdollisimman tuottavia.

Nyt tiedemiehet, he ovat melko älykkäitä ihmisiä, mutta ehkä he eivät ole kaiken asiantuntija ja ehkä heillä on joitain aukkoja siihen, mitä he voivat tehdä. Ja jos katsot toimialaan, siellä on olemassa paljon erilaisia ​​analyyttisiä markkinoita. Tämä on esimerkki siitä, että minun on ehkä tehtävä kuvan tunnistus ja minulla ei ole sitä taitoa. Ehkäpä menenkin Algorithmiaan ja saan kuvan tunnistusalgoritmin. Ehkä menen Apervitaan ja saan aivan erityisen terveydenhuollon algoritmin. Ehkä haluan käyttää jotain Azure-koneoppikirjastossa. Ehkä haluan käyttää jotain alkuperäisessä Statistica-alustassa.

Jälleen ideana on, että haluamme hyödyntää globaalia analytiikkayhteisöä. Koska sinulla ei ole kaikkia taitojasi neljään seinäänne, niin kuinka voimme luoda ohjelmistoja - ja tätä me myös teemmekin -, joiden avulla tietoteknikot voivat käyttää algoritmeja useilta kauppapaikoilta. Olemme tehneet sitä R: n ja Pythonin kanssa jo pitkään, mutta tämä laajenee näihin sovellusmarkkinoihin, joita siellä on. Ja samaa kuin näet tämän päällä, käytämme H2O: ta Sparkissa, joten siellä on paljon analyyttisiä algoritmeja. Sinun ei tarvitse keskittyä luomaan niitä tyhjästä, käytämme uudelleen niitä, jotka asuvat avoimen lähdekoodin yhteisössä, ja haluamme näiden ihmisten olevan mahdollisimman tuottavia.

Seuraava askel sen jälkeen, kun meillä on kansalaistietojen tutkijoita ja tietotieteilijöitämme, on oikeasti kuinka mainostaa ja levittää näitä parhaita käytäntöjä? Ohjelmistossamme on tekniikka, jonka avulla voit jakaa analytiikkaa missä tahansa. Ja tämä on enemmän mallinhallinnanäkymää, mutta minua ei enää sido neljä seinää tai tiettyä asennusta Tulsassa, Taiwanissa tai Kaliforniassa tai mitä sinä olet. Tämä on maailmanlaajuinen alusta, ja meillä on monia, monia asiakkaita, joita se käyttää useiden sivustojen käytössä.

Ja niin todella, tärkeimmät asiat ovat, jos teet jotain Taiwanissa ja haluat toistaa sen Brasiliassa, se on hienoa. Mene sinne, tartu uudelleen käytettäviin malleihin, napauta haluamasi työnkulut. Tällä yritetään luoda nämä standardit ja yleinen tapa tehdä asioita, joten emme tee asioita täysin eri tavoin kaikkialla. Ja tämän toinen avainkomponentti on todella haluamme viedä matematiikan siihen, missä data elää. Sinun ei tarvitse sekoittaa tietoja Kalifornian ja Tulsen, Taiwanin ja Brasilian välillä. Meillä on tekniikka, joka antaa meille mahdollisuuden ottaa matematiikka tietoihin, ja meillä tulee olemaan uusi kuuma tekniikka -lähetys aiheesta.

Mutta me kutsumme tätä arkkitehtuuria, ja tässä on salakuuntelu, Native Distributed Analytics -arkkitehtuuri. Keskeinen idea tässä on, että meillä on alusta, Statistica, ja voin viedä analyyttisen työnkulun atomina. Ja voisin tehdä mallin tai koko työnkulun, joten sillä ei ole väliä. Mutta voin luoda tämän ja viedä sen kohdealustalle sopivalla kielellä. Tämän vasemmalla puolella monet ihmiset tekevät tämän, mutta he tekevät pisteytystä lähdejärjestelmässä. Se on hieno, voimme tehdä pisteytys ja pystymme mallinrakentamista tietokantaan, joten se on mielenkiintoista.

Ja oikealla puolella meillä on Boomi. Tämä on seurateknologia, työskentelemme näiden kaikkien kanssa. Mutta voimme myös ottaa nämä työnkulut ja kuljettaa ne olennaisesti kaikkialle maailmaan. Kaikki, jolla on IP-osoite. Ja minulla ei tarvitse olla Statisticaa asennettuna julkiseen tai yksityiseen pilveen. Mitä tahansa, joka voi suorittaa JVM: n, voimme suorittaa näitä analyyttisiä työnkulkuja, datavalmistelujen työnkulkuja tai vain malleja millä tahansa näistä kohdealustoista. Olipa se julkisessa tai yksityisessä pilvessäni, traktorissani, autossani, kodissani, hehkulamppussani, esineiden Internetissä, meillä on tekniikka, jonka avulla voit kuljettaa näitä työnkulkuja kaikkialle maailmaan.

Katsotaanpa uudelleen. Tiedätkö, että meillä on ammattikäyttäjiä, joten nämä ihmiset, meillä on tekniikka, antavat heille mahdollisuuden kuluttaa tuotantoa heille sopivassa muodossa. Meillä on kansalaisdattatieteilijöitä, ja yritämme parantaa yhteistyötä, tehdä heistä osa joukkueesta, eikö niin? Ja niin haluamme, että ihmiset lopettavat pyörän keksimisen uudelleen. Ja meillä on näitä tietotieteilijöitä, siellä voi olla osaamisvaje, mutta he voivat koodata haluamallaan kielellä, he voivat mennä analyyttisille markkinoille ja käyttää siellä algoritmeja. Ja niin tämän kanssa, kuinka et voinut ajatella, että tässä kaikki on mahtavaa? Tämä on täydellistä, mitä me teemme. Rakennamme uudelleenkäytettäviä työnkulkuja, annamme ihmisille ohjeita, annamme heille Lego-lohkoja, jotta he voivat rakentaa nämä mahtavat linnat ja mitä he haluavat tehdä. Yhteenvetona voidaan todeta, että meillä on alusta, joka antaa liiketoimintakäyttäjille, kansalaistietojen tutkijoille ja ohjelmointitietojen tutkijoille mahdollisuuden - meillä on - voimme käsitellä mitä tahansa IoT: n reuna-analyysin käyttötapauksia ja sallimme tämän käsitteen kollektiivisesta tiedustelusta. Uskon, että avaamme sen todennäköisesti kysymyksille.

Robin Bloor: Hyvä on. Mielestäni ensimmäinen - tarkoitan, ollakseni rehellinen, tarkoitan, että Dell Statistica on jo neuvonut minua aiemmin, ja ollakseni rehellinen, olen itse asiassa melko yllättynyt asioista, joita en tiennyt, että esiititte esityksessä . Ja minun on sanottava, että yksi asia, se on jotain, joka on ollut minulle vianmääritystä ottaen käyttöön analytiikkaa, on se, että tiedätkö, että työkalujen hankkiminen ei ole niin, tiedätkö? Siellä on hirvittävän paljon työkaluja, on avoimen lähdekoodin työkaluja ja niin edelleen ja niin edelleen, ja siellä on useita, mitä kutsun, puolialustoja. Mutta mielestäni ero, joka sinulla on, olen erityisen vaikuttunut osaan työnkulusta.

Mutta ero on siinä, että näytät tarjoavan päästä loppuun. Se on kuin analytiikka on hienostunut liiketoimintaprosessi, joka alkaa tiedon hankkimisesta ja sitten se läpi kokonaisen sarjan vaiheita riippuen siitä, kuinka epätasainen data on, ja sitten se voi haaroittua kokonaisena sarjana erilaisia ​​matemaattisia hyökkäyksiä tiedot. Ja sitten tulokset nousevat tavalla tai toisella, ja niiden on oltava toimia. Siellä olen tavannut valtavan määrän analytiikkaa, jossa tehtiin paljon hienoa työtä, mutta sitä ei ole laittaa käyttämään. Ja sinulla näyttää olevan hirvittävän paljon tarvittavaa. En tiedä kuinka kattava se on, mutta se on paljon kattavampi kuin odotin. Olen siitä uskomattoman vaikuttunut.

Haluaisin sinun kommentoivan laskentataulukoita. Olet jo sanonut jotain, mutta yksi niistä asioista, jotka olen huomannut, ja olen todennut vuosien varrella, mutta se on vain tullut yhä ilmeisemmäksi, on, että siellä on hirveän paljon laskentataulukoita, jotka ovat varjojärjestelmiä, ja todellakin uskon laskentataulukko, tarkoitan, että se oli upea työkalu, kun se esiteltiin, ja se on ollut siitä lähtien upea monilla eri tavoilla, mutta se on yleinen työkalu, se ei oikeastaan ​​ole tarkoituksen mukainen. Se ei todellakaan ole kovin hyvä BI-kontekstissa, ja mielestäni se on kauheaa analytiikkakontekstissa. Ja ihmettelin, onko sinulla kommentteja, esimerkiksi, jos esimerkiksi Statistica on huuhtunut, laskentataulukkojen liiallinen käyttö tai kommentteja, joita haluat kommentoida?

David Sweenor: Joo, luulen, että tiedät, että voit mennä etsimään kuuluisia laskentataulukkovirheitä. Google tai mikä tahansa käyttämäsi hakukone palauttaa tuloksia. En usko, tiedämme, että me koskaan korvaamme laskentataulukot. Se ei ole meidän tarkoituksemme, mutta monissa organisaatioissa, joissa käyn, on muutama näistä laskentataulun velhoista tai ninjoista tai mistä tahansa haluat kutsua heitä, mutta heillä on nämä erittäin hienostuneet laskentataulukot ja sinun on mietittävä, mitä tapahtuu kun nämä ihmiset voittavat loton, eivätkä he tule takaisin? Joten mitä yritämme tehdä, tiedämme, että laskentataulukoita on olemassa, jotta voimme ne nauttia, mutta luulen, että yritämme kehittää visuaalisen esityksen työnkulustasi, jotta se voidaan ymmärtää ja jakaa muille ihmisille. . Laskentataulukoita on aika vaikea, melko vaikea jakaa. Ja heti kun välität laskentataulukon minulle, olen muuttanut sitä, ja nyt olemme poissa synkronoinnista ja saamme erilaisia ​​vastauksia. Pyrimme tekemään joitain suojakaiteita tämän ympärille ja tekemään asioista hieman tehokkaampia. Ja laskentataulukot ovat todella kauheita yhdistämällä useita tietojoukkoja yhteen, tiedätkö? He putoavat sinne. Mutta emme aio korvata niitä, me nautimme ne ja meillä on ihmisiä, jotka alkavat siirtyä, koska jos meillä on solmu, joka sanoo “laske riski”, sitä laskentataulukkoa käyttävä yrittää tehdä. Joten ne ovat poissa.

Robin Bloor: Kyllä, tarkoitan, sanoisin, että yhdestä näkökulmasta katsottuna asioihin sanoisin, että laskentataulukot ovat hienoja tiedon luomiseen. Ne ovat jopa loistavia tietosaarten luomiseen, mutta ovat todella huonoja tiedon jakamiseen. Heillä ei ole mekanismia tämän tekemiseen, ja jos välität laskentataulukon jollekin, se ei ole kuin voit lukea sitä, koska se on artikkeli, joka selitti tarkalleen mitä he tekevät. Se ei vain ole siellä. Mielestäni asia, joka vaikutti minua eniten esityksestä ja Statistican kyvyistä, näyttää olevan uskomattoman agnostinen. Mutta tämä säie käy läpi työnkulun. Olenko oikeassa olettaessani, että voisit tarkastella kokonaisvaltaista työnkulkua, tietäen, tiedonkeruusta aina tulosten upottamiseen tiettyihin BI-sovelluksiin tai jopa käynnissä oleviin sovelluksiin?

David Sweenor: Kyllä, ehdottomasti. Ja sillä on sellainen päästä päähän -ominaisuus, ja jotkut organisaatiot käyttävät sitä kokonaan, ja minulla ei ole illuusiota, mikään yritys ei nykyään osta mitään kaiken yhdeltä myyjältä. Meillä on sekoitus. Jotkut ihmiset käyttävät Statisticaa kaikkeen ja jotkut käyttävät sitä mallinnuksen työnkulkuihin, toiset käyttävät sitä dataprep-työnkulkuihin. Jotkut ihmiset jakavat sen satojen suunnitteluraporttien jakamiseen insinööreille. Ja niin meillä on kaikki väliin. Ja se on todella päästä päähän ja se on, tiedätte, agnostiikkaalusta, siinä tapauksessa, että jos on algoritmeja, joita haluat käyttää R: ssä tai Pythonissa, Azureissa, Apervitassa, mitä tahansa, tiedätte, käytä niitä. Se on hienoa, ole tuottava, käytä mitä tiedät, käytä mitä olet tyytyväinen, ja meillä on mekanismeja varmistaaksemme, että niitä hallitaan ja tarkastetaan ja kaikenlaisia ​​asioita.

Robin Bloor: Pidän siitä erityisesti siitä. Tarkoitan, en tiedä, voitko puhua sen lisäksi, mitä olet sanonut, runsaalle asialle. Tarkoitan, että olen katsellut tätä, mutta en ole tarkastellut sitä kokonaisvaltaisesti, ja kirjastoissamme on varmasti valtava määrä Python-kirjastoja, mutta onko jotain, mitä voit lisätä kuvaan? Koska mielestäni se on erittäin mielenkiintoinen asia, tiedätte, ajatuksen, että sinulla olisi luotettavia komponentteja, koska tiesit useita ihmisiä, jotka olivat ne luoneet, ja niitä käyttäviä ihmisiä, jotka voit ladata. Tiedätkö, voitko rikastuttaa sitä, mitä olet jo sanonut tästä?

David Sweenor: Joo, mielestäni jotkut sovellusmarkkinapaikoista, tiedätkö, algoritmimarkkinoista, jotka ovat siellä. Esimerkiksi, tiedätte, tohtori John Cromwell Iowan yliopistosta, hän on kehittänyt mallin, joka ennustaa, että sitä käytetään reaaliajassa, kun meitä käytetään, antaa sinulle pisteet, jos aiot saada leikkauskohdan infektio. Ja jos pisteet ovat riittävän korkeat, he ryhtyvät toimenpiteisiin heti leikkaussalissa. Se on erittäin mielenkiintoista. Joten ehkä on toinen sairaala, joka ei ole niin suuri. No, Apervita on terveyssovellusten markkinat analytiikkaan. Voit joko etsiä yhden monista näistä sovellusmarkkinoista, voit etsiä yhden ja käyttää niitä uudelleen, ja kauppa tapahtuu sinun ja sen omistajan välillä, mutta voit joko etsiä yhden tai sanoa: "Tässä on mitä tarvitsen. ”Mielestäni se hyödyntää sitä globaalia yhteisöä, koska kaikki ovat nykyään asiantuntijoita, etkä voi tietää kaikkea. Mielestäni R ja Python ovat yksi asia, mutta tämä ajatus "Haluan tehdä tämän toiminnon, laita spektri siellä yhdelle näistä sovellusmarkkinoista ja pyydä joku kehittämään sen sinulle." Ja he voivat ansaita rahaa, luulen se on erittäin mielenkiintoista ja hyvin erilaista kuin puhtaasti avoimen lähdekoodin malli.

Robin Bloor: Hyvä on. Joka tapauksessa, välitän pallon Dezille. Haluatko sukeltaa sisään, Dez?

Dez Blanchfield: Ehdottomasti ja haluaisin pysyä laskentataulukkotiedossa vain hetken, koska mielestäni se on tarttunut oikeaan ytimeen paljon siitä, mitä me täällä puhumme. Ja kommentoit, Robin, siirryttäessä vanhoista laskentataulukoista fyysisessä muodossaan sähköiseen muotoon. Meillä oli mielenkiintoinen asia, jossa, tiedätte, kun laskentataulukot olivat alun perin asia, ne olivat vain paperiarkkeja, joissa oli rivejä ja sarakkeita, ja kirjoittaisit asiat manuaalisesti, sitten voisit selvittää ne ja laskea ne joko tekemällä se pois pään yläosasta tai jonkin muun laitteen kanssa. Mutta meillä on silti mahdollisuus saada virheitä käsinkirjoitusvirheiden tai dysleksioiden takia, ja nyt olemme korvanneet ne kirjoitusvirheillä. Riskinä on, että laskentataulukoissa riskiprofiili on nopeampi ja suurempi, mutta mielestäni Statistican kaltaiset työkalut kääntävät riskipyramidin.

Piirrän tämän kuvan ihmisen taululle taulun yläosassa yhtenä ihmisenä ja sitten kokoelma niitä alareunassa, sanotaan, kuvittele kymmenen heistä taulun alaosaan, ja piirrän pyramidi, jossa pyramidin kohta on yksittäisessä henkilössä ja pyramidin jalka on ihmiskokoelma. Ja käytän tätä visualisoidaksesi ajatuksen, että jos yksi yläosassa oleva henkilö tekee laskentataulukon, tekee virheen ja jakaa sen kymmenen ihmisen kanssa, ja nyt meillä on kymmenen kopion virheestä. Ole varovainen makrojesi suhteen ja ole hyvin varovainen Visual Basicin kanssa, jos aiot siirtyä siihen. Koska rakentaessamme elektronisia työkaluja, kuten laskentataulukoita, se on erittäin tehokas, mutta se on myös tehokas hyvällä ja huonolla tavalla.

Mielestäni Statistican kaltaiset työkalut tarjoavat kyvyn kääntää kyseinen riskiprofiili, ja se on, että voit nyt päästä kohtaan, jossa sait paljon työkaluja, jotka ovat yksittäisen henkilön käytettävissä ja kun ne menevät monista työkaluista, jotka ovat yläosassa Pyramidi ja sitten alas sen pohjan kohdalle, jossa pyramidin kohta, joka nyt käännetään, on todellinen työkalu, jos meillä on joukko ihmisiä, jotka rakentavat näitä työkaluja ja algoritmeja. Ja tietotieteilijän ei tarvitse olla asiantuntija tietojensa regression analysoinnissa. He saattavat pystyä käyttämään työkalua, mutta sinulla voi olla viisi tai kuusi tilastotieteilijää ja vakuutusmatemaatikko sekä tietoteknikko ja jotkut matemaatikot, jotka työskentelevät kyseisellä työkalulla, kyseisellä moduulilla, algoritmilla, kyseisellä lisäosalla ja niin edelleen taulukkolaskennassa, joten Kuvittele, että jokainen julkaistu laskentataulukko, jota voit käyttää, ovat tosiasiallisesti kirjoittaneet asiantuntijoita, jotka testasivat makroja, testasivat Visual Basiciä, varmistivat algoritmien toimivuuden, joten kun sait sen, voit vain poputtaa tietoja siihen, mutta et pystynyt rikkoa sitä. ja siksi on ollut parempi hallita.

Mielestäni monet analytiikkatyökalut tekevät niin. Luulen, että tullen siihen kohtaan, näetkö nyt kentällä, näetkö siirtymisen laskentataulukoista, jotka saattavat potentia virheitä ja virheitä ja riskejä, pisteeseen, jossa työkalut, joita rakennat omalla nyt, kun tiedonhaku on oikein reaaliajassa ja moduulien ja algoritmien rakentajat poistavat tai vähentävät tätä riskiprofiilia? Näkevätkö asiakaspalvelut tämän todellisessa mielessä vai luuletko juuri tapahtuvan ja etteivät he ymmärrä sitä?

David Sweenor: Tiedätkö, mielestäni on muutama tapa vastata tähän. Mutta mitä me näemme, on, tiedätte, missä tahansa organisaatiossa, ja mainitsin, että analyysit ovat mielestäni ehkä jääneet yrityssijoitusten näkökulmasta, sellainen mitä teimme tietovarastoinnin ja CRM: n kanssa. Mutta mitä me näemme, niin organisaation muuttamiseen, organisaation inertian päästämiseen tarvitaan paljon. Mutta mitä näemme on, että ihmiset ottavat laskentataulukoitaan, ottavat työnkulut, ja mainitsin turvallisuuden ja hallinnan, ”No, ehkä minulla on laskentataulukko”, “No, voin lukita tämän ja voin hallita sitä version avulla.” Ja näemme paljon organisaatioita, ehkä ne vain alkavat siellä. Ja jos se muuttuu, siellä on työnkulku ja päädyn menemään, numero yksi kuitenkin, kuka muutti sen? Miksi he muuttivat sen. Kun he muuttivat sen. Ja voin myös perustaa työnkulun sellaiseksi, että en aio laittaa tätä uutta laskentataulukkoa tuotantoon, ellei sitä ole validoinut ja todennut yksi, kaksi, kolme, vaikka monet osapuolet haluat määritellä työnkulussa. Luulen, että ihmiset alkavat viedä, ja organisaatiot alkavat ottaa vauvavaiheita sinne, mutta ehdottaisin todennäköisesti, että meillä on vielä pitkä tie kuljettavanaan.

Dez Blanchfield: Tosiaankin ja mielestäni ottaen huomioon, että rakennat sekä turvallisuusvalvontaa että hallintoa siellä, niin työmäärä voi automaattisesti kartoittaa sen ja kaiken aina riskienhallinnasta vastaavalle päämiehelle, mikä on nyt asia. Voit alkaa hallita kuinka näihin työkaluihin ja järjestelmiin pääsee ja kuka tekee mitä heidän kanssaan, joten se on erittäin tehokasta. Mielestäni muut asiat, joita tässä tapahtuu, ovat, että tarjoamasi työkalut tyypit lainaavat enemmän ihmisten käyttäytymistä kuin perinteisiä laskentataulukoita, joista puhumme, jos minulla on huone, joka on täynnä ihmisiä samalla kojelaudalla ja samoilla tiedoilla, että he voivat tosiasiallisesti saada erilaisen kuvan ja saada näin ollen hieman erilaisia ​​näkemyksiä samasta tiedosta, joka vastaa heidän tarpeitaan, jotta he voivat tehdä yhteistyötä. Sitten meillä on inhimillisempi näkemys ja vuorovaikutus yrityksen ja päätöksentekoprosessin kanssa, toisin kuin se, että kaikki menemme samaan kokoukseen saman PowerPointin kanssa ja samat laskentataulukot tulostetaan, kaikki samat kiinteät tiedot.

Näetkö siirtymisen käyttäytymisessä ja kulttuurissa organisaatioissa, jotka käyttävät jonkin verran työkalujasi nyt, kun he näkevät sen tapahtuvan, missä ei ole kuin viisi huoneessa olevaa ihmistä, jotka katsovat samaa laskentataulukkoa yrittäen vain sanallistaa sen ja tehdä siihen muistiinpanoja, mutta nyt he ovat tosiasiassa vuorovaikutuksessa kojetaulujen ja työkalujen kanssa reaaliajassa, visualisoinnin ja analysoinnin ollessa käden ulottuvilla ja saavat täysin erilaisen vuorovaikutuksen keskusteluun ja vuorovaikutukseen, ei vain kokouksissa, vaan vain yleisessä yhteistyössä organisaation ympärillä? Koska he voivat tehdä sen reaaliaikaisesti, koska he voivat kysyä kysymyksiä ja saada todellisen vastauksen. Onko tämä trendi, jota näet tällä hetkellä, vai eikö se ole vielä tapahtunut?

David Sweenor: Ei, mielestäni se on ehdottomasti alkanut tällä tiellä, ja mielestäni erittäin mielenkiintoinen asia on, tiedämme, jos otamme esimerkiksi tehtaan. Ehkä joku, joka omistaa tietyn prosessisektorin kyseisessä tehtaassa, haluaa etsiä ja olla vuorovaikutuksessa näiden tietojen kanssa tietyllä tavalla. Ja ehkä minä, unohtaa kaikki prosessit, ehkä tämä pohjassa, ehkä haluan katsoa sitä kaiken läpi. Mielestäni se, mitä näemme, on numero yksi, ihmiset alkavat käyttää organisaatioissaan yleistä visualisointi- tai tavallisia visualisointeja, mutta se räätälöidään myös heidän rooliinsa. Jos olen prosessinsinööri, ehkä se on hyvin erilainen näkemys kuin joku, joka tarkastelee sitä toimitusketjun näkökulmasta, ja minusta se on hienoa, koska se on räätälöitävä ja sitä on tarkasteltava linssin läpi, jotta työsi saadaan aikaan.

Dez Blanchfield: Luulen, että päätöksentekoprosessi vähenee, ajallisesti ja nopeasti. Älykkäiden ja tarkkojen päätösten teko todella kasvaa myös nopeasti, eikö niin? Koska jos sinulla on reaaliaikaista analytiikkaa, reaaliaikaisia ​​kojetauluja, jos sinulla on Statistican työkaluja hyppysissäsi, sinun ei tarvitse ajaa lattian yli mennäksesi kysymään jollekulta jotain, olet saanut sen paperiversiona. Voit tavallaan tehdä yhteistyötä, olla vuorovaikutuksessa ja itse tehdä päätöksiä lennossa ja saada tuloksen heti. Joitakin mielestäni jotkut yritykset eivät todellakaan ole vielä ymmärtäneet, mutta kun he tekevät, tulee olemaan tämä eureka-hetki, että kyllä, voimme silti jäädä kabinetteihimme ja työskennellä kotona, mutta voimme olla vuorovaikutuksessa ja tehdä yhteistyötä ja nämä päätökset teemme yhteistyöstä muuttuessa tuloksiksi heti. Katso, mielestäni oli fantastista kuulla, mitä sinulla on toistaiseksi sanottava, ja odotan todella innolla nähdäkseni mihin se menee. Ja tiedän, että meillä on paljon kysymyksiä kysymyksissä ja vastauksissa, joten aion palata takaisin Rebeccaan suorittaakseni joitain niistä, jotta pääsemme niihin mahdollisimman nopeasti. Kiitos paljon.

Rebecca Jozwiak: Kiitos Dez ja joo Dave, meillä on melko vähän kysymyksiä yleisöltä. Ja kiitos myös Dezille ja Robinille oivalluksistasi. Tiedän, että kyseisen osallistujan piti poistua heti tunnin huipulla, mutta hän kysyy: näetkö tietojärjestelmäosastot tavallaan asettavan etusijalle hienostuneita tiedonhallintaa sen sijaan, että ne tarjoavat työkaluja tietotyöntekijät? Tarkoitan sitä - mene eteenpäin.

David Sweenor: Joo, mielestäni se riippuu organisaatiosta. Mielestäni pankilla, vakuutusyhtiöllä, ehkä heillä on erilaiset prioriteetit ja tapa tehdä asioita verrattuna markkinointiorganisaatioon. Luulen, että minun piti sanoa, että se riippuu vain tarkastelemastasi teollisuudesta ja toiminnasta. Eri toimialoilla on erilaiset painopisteet ja painopistealueet.

Rebecca Jozwiak: Okei hyvä, siinä on järkeä. Ja sitten toinen osallistuja halusi tietää, mikä on Statistican takana oleva moottori? Onko se C ++ vai omia juttujasi?

David Sweenor: No, en tiedä voinko saada siitä erityisen, sillä se on ollut olemassa jo 30 vuotta ja se kehitettiin ennen aikani, mutta siellä on ydinkirjasto analyyttisiä algoritmeja, jotka ovat käynnissä olevia Statistica-algoritmeja. Ja näit täällä, että voimme myös ajaa R: tä, pystymme ajamaan Pythonia, voimme räjähtää Azureen, voimme ajaa Sparkilla H2O: ssa, joten minun pitäisi vastata tähän kysymykseen, sillä se on monenlainen moottori. Ja valitsemastasi algoritmista riippuen, jos se on Statistica, se toimii tällä tavoin, jos valitset yhden H2O: lla ja Sparkilla, se käyttää sitä, ja niin, se on monta niistä.

Rebecca Jozwiak: Okei hyvä. Toinen osallistuja, jota kysyi erityisesti osoittamalla tähän diaan, haluaa tietää, millainen on, miten kansalaisten tietotekijä tietää, mitä uudelleen käytettäviä malleja käytetään? Ja kai luulen tehdä siitä laajemman kysymyksen. Että mitä näet, kun toimialakäyttäjät tai yritysanalyytikot tulevat sisään ja haluavat käyttää näitä työkaluja, kuinka helppoa heidän on noutaa ja käydä juoksemassa?

David Sweenor: Luulen, että vastaisin siihen, ja jos pystyt käyttämään, jos tunnet Windowsin, tämä on Windows-pohjainen alusta, joten katkaisin näiden näyttökuvien yläosan, mutta siinä on Windows-nauha. Mutta kuinka he tietävät mitä työnkulkua käytetään? Se näyttää Windowsin Resurssienhallinnalta, joten siellä on puurakenne, jonka avulla voit määrittää sen ja määrittää sen, vaikka organisaatiosi haluaa määrittää sen. Mutta se voi olla, sinulla olisi vain nämä kansiot ja laita nämä uudelleen käytettävät mallit näihin kansioihin. Ja luulen, että yrityksessäsi on luultavasti nimikkeistö, joka sanoo esimerkiksi “laske riskiprofiili”, tässä “hanki tiedot näistä lähteistä” ja nimeä heidät mitä haluat. Se on vain ilmainen kansio, vedä muistiinpanot suoraan kankaallesi. Joten aika helppoa.

Rebecca Jozwiak: Okei hyvä. Ehkä demo ensi kerralla. Sitten toinen osallistujalaji tuo esiin, ja siitä puhuttiin sinä, Robin ja Dez, epätäsmällisyyksistä, etenkin laskentataulukossa, mutta roskat sisään / jätteet, ja hän näkee sen olevan vielä kriittisempi, kun se tulee analytiikkaan. Tällainen mainitseminen siitä, että tiedoston väärinkäyttö voi todella johtaa epäonnistuneisiin päätöksiin. Ja hän ihmettelee, mitkä näkemyksesi ovat virheellisempien algoritmien kehittämisestä. Luulen, että hän käyttää sanaa, ”ylisuuri” analytiikan käyttö. Tiedätkö, että joku tulee sisään, he ovat todella innoissaan, haluavat tehdä näitä edistyneitä analytiikkoja, haluavat käyttää näitä edistyneitä algoritmeja, mutta ehkä he eivät ole aivan varmoja. Joten mitä teet suojataksesi sitä?

David Sweenor: Joo, joten luulen, että vastaan ​​tähän parhaalla mahdollisella tavalla, mutta mielestäni kaikki johtuu ihmisistä, prosesseista ja tekniikasta. Meillä on tekniikka, joka auttaa ihmisiä ja mikä tahansa prosessi, jonka haluat sisällyttää organisaatiosi. Esimerkissä kuponkikirjoituksen lähettäminen jollekin, ehkä se ei ole yhtä kriittinen, ja jos se on digitaalinen, se ei todellakaan ole kustannuksia, ehkä on olemassa yhden tason turvatarkastukset ja ehkä meistä ei välitä. Jos ennustan leikkauskohdan infektioita, haluan ehkä olla hieman varovaisempi tässä suhteessa. Tai jos ennustan huumeiden laatua, turvallisuutta ja vastaavia asioita, ehkä haluan olla hiukan varovaisempi asiaan. Olet oikeassa, jätteet sisään / jätteet pois, joten yritämme tarjota alustan, jonka avulla voit räätälöidä sen mihin tahansa prosessiin organisaatiosi haluaa siirtyä.

Rebecca Jozwiak: Okei hyvä. Minulla on vielä muutama kysymys, mutta tiedän, että olemme menneet melko vähän tunnin ohi ja haluan vain kertoa esittelijöillemme, että oli mahtavaa. Ja haluamme kiittää niin paljon Dave Sweenoria Dell Statistica -yrityksestä. Tietenkin, tohtori Robin Bloor ja Dez Blanchfield, kiitos siitä, että olette tänään analyytikoina. Meillä on uusi webcast-lähetys ensi kuussa Dell Statistican kanssa. Tiedän, että Dave vihjasi aiheesta. Kyse on analytiikasta reunalla, toisesta mielenkiintoisesta aiheesta, ja tiedän, että joistakin erittäin pakottavista käyttötapauksista keskustellaan kyseisessä webcast-lähetyksessä. Jos pidit siitä, mitä näit tänään, palaa lisää ensi kuussa. Ja sen kanssa, ihmiset, jätän jäähyväiset. Kiitos paljon. Hei hei.