Персоналом Техопедии, 29 ноября 2017 г.
Вывод: ведущий Эрик Кавана обсуждает данные и аналитику, а также роли главного директора по данным (CDO) и главного аналитического директора (CAO) с Джен Андервуд из Impact Analytix и Ником Джуэллом из Alteryx.
Эрик Кавана: Дамы и господа, здравствуйте и еще раз добро пожаловать в очень специальное издание Hot Technologies. Ребята, это Эрик Кавана, я буду вашим организатором сегодняшнего шоу «The CxO Playbook: будущее данных и аналитики». Да, я должен сказать, что это довольно большая тема. На самом деле, сегодня у нас есть немного рекордной толпы. Сегодня утром на веб-трансляцию зарегистрировалось более 540 человек. Мы делаем это в особенное время, как многие из вас знают для наших регулярных шоу, мы обычно делаем это в 4:00 по восточному поясу, но мы хотели принять особого гостя, заходящего со всего пруда. Позвольте мне погрузиться прямо в презентацию сегодня.
Так что этот год жаркий - во многих отношениях он был очень бурным, и я думаю, что облако во многом с этим связано. Слияние технологий, которые мы наблюдаем на рынке, является основным фактором, и я, конечно, говорю о SMAC, как они его называют. Мы говорим о SMAC: социальные, мобильные, аналитические, облачные - и все это вместе. Организации могут реально изменить способ ведения бизнеса. Есть больше каналов для выполнения ваших бизнес-операций, есть больше данных для анализа. Это действительно дикий мир, и сегодня мы будем говорить о том, как все меняется в C Suite, поэтому руководители, топ-менеджеры этих организаций, хорошо, что весь мир меняется прямо сейчас, и мы собираюсь поговорить об этом.
Ты действительно наверху. У нас есть Джен Андервуд из Impact Analytix и Ник Джуэлл, ведущий евангелист по технологиям из Alteryx. Это очень захватывающая штука. Я придумал эту концепцию вчера вечером, ребята, и я думаю, что это действительно довольно интересно. Конечно, мы все знаем музыкальные стулья, игру для детей, где у вас есть все эти стулья по кругу, вы начинаете музыку, все начинают ходить и один стул отодвигается; когда музыка прекращается, все должны карабкаться, чтобы получить стул, в то время как один человек проигрывает в своем кресле в этой ситуации. Это очень странная и неотразимая вещь, происходящая прямо сейчас в C Suite, и если вы заметите на этом изображении прямо здесь, у вас есть два пустых стула сзади. Как правило, стул исчезает в музыкальных креслах, и сегодня мы видим, что на уровне C есть еще два кресла: CAO и CDO, директор по аналитике и директор по данным.
Они оба взлетают. Честно говоря, директор по сбору данных действительно взлетает как лесной пожар в эти дни, но что это значит? Это означает что-то очень важное. Это означает, что мощь данных и аналитики настолько значительна, что залы заседаний или комнаты для руководителей, я должен сказать, меняются, комплекты C - они добавляют людей в комплект C, целые новые руководители занимают некоторые из этих новых мест. Если вы думаете о том, как трудно изменить культуру организации, то это довольно серьезное дело. Культуру очень трудно изменить, и, как правило, позитивные изменения достигаются благодаря хорошему управлению, хорошим идеям и тому подобному. Если вы думаете о возможности, которая у нас есть сейчас, путем добавления новых руководителей в пакет C для аналитики и данных, это действительно большое дело. Это говорит о возможности для организаций изменить траекторию, и давайте посмотрим правде в глаза, большие, старые компании действительно должны измениться из-за того, как меняется рынок.
Я обычно привожу примеры Uber, например, или Airbnb как организации, которая в корне разрушила целые отрасли, и это происходит везде. Сегодня мы поговорим о том, как ваша организация может адаптироваться, как вы, люди, можете использовать эту информацию, это понимание, чтобы изменить траекторию вашего бизнеса и добиться успеха в информационной экономике.
После этого я передам ключи от WebEx Джен Андервуд, а затем Ник Джуэлл тоже включится; Он звонит из Великобритании. Спасибо вам обоим, и Джен, я передам это вам. Унеси это.
Джен Андервуд: Спасибо, Эрик, звучит великолепно. Доброе утро всем. Сегодня мы поговорим об этом CxO playbook; это будущее данных и аналитики, и я собираюсь погрузиться в них. Эрик уже неплохо рассказал о том, почему это так важно. Наши сегодняшние докладчики, опять же, вы видели еще один слайд с этой информацией, но вы и я и Ник Джуэлл будете общаться с вами очень интерактивно на сегодняшнем заседании. Мы собираемся начать с описания того, что представляют собой эти роли и какие вещи они должны выполнять. Мы рассмотрим аналитическую отрасль, перспективы в целом и некоторые проблемы, с которыми столкнутся эти люди. Динамика внутри организаций сегодня, когда вы готовитесь к будущему, а затем мы поговорим о следующих шагах и дадим вам рекомендации по планированию, если вы собираетесь исследовать некоторые из этих ролей в вашей организации.
Говоря об этом CxO, например, CAO, это главный аналитик, это должность старшего звена, отвечающего за анализ данных в организации. CAO обычно отчитывается перед генеральным директором, и эта быстро меняющаяся позиция будет иметь решающее значение, когда вы будете думать о той массе трансформации и ее цифровой трансформации, которую мы сейчас имеем в том, как компании принимают и принимают свои бизнес-решения.
Если вы думаете, что цифровое преобразование и интеллект являются ядром цифрового преобразования, эта CAO играет очень стратегическую роль в организации. Они не только возвращают сильную науку о данных к фактическим представлениям и этим знаниям, но и владеют этим результатом окупаемости и воздействия, так на чем они измеряются? Как они приносят эту рентабельность вместе с имеющимися у них данными и некоторыми итоговыми показателями по всей организации для стратегического использования данных. Эта должность вместе с ИТ-директором, главным информационным директором, заняла важное место в связи с ростом технологий и цифровых преобразований и ценности данных.
В течение многих лет данные являются золотом в этом конкретном мире с монетизацией и интеллектом и преобразования этой информации. Чтобы иметь возможность предпринимать эти активные действия, а не просто смотреть назад, как таковой. Эти две позиции схожи в том, что они обе имеют дело с информацией, но ИТ-директор, по сути, будет сосредоточен на инфраструктуре, где САО сосредоточен на инфраструктуре, необходимой для анализа информации. Сходная позиция - CDO, и вы слышите гораздо больше, мы, вероятно, слышим немного больше о CDO, чем вы сегодня о CAO. CDO больше фокусируется на обработке данных и обслуживании, а также на этих процессах управления на протяжении всего жизненного цикла управления данными.
Эти люди также будут нести ответственность за монетизацию данных и извлечение выгоды из данных, а также за проработку жизненных циклов управления и безопасности на всем протяжении, я бы сказал, жизненного цикла. Это люди, которые сами по себе очень настроены или несут ответственность за то, чтобы убедиться, что GDPR - и мы немного поговорим - о Европейском законе о защите данных, обеспечивающем охват этих типов в своих организациях. Теперь у нас есть структура и будущее для деструктивных динамических ролей с интенсивным использованием данных. Это типы вещей, за которые будет нести ответственность CDO, а не только они сами - они будут создавать многофункциональную команду, и у меня есть несколько примеров некоторых людей, которые, по сути, собрались бы в организационная структура, от архитекторов и управляющих, и даже от аналитиков, ученых и инженеров, работающих в области данных, может свалиться на них.
Если перейти к перспективам аналитики в отрасли, то это была феноменальная, вероятно, десятилетняя и даже более длительная поездка в этой конкретной отрасли. Он постоянно растет, очень волнительно, даже во время краха рынка несколько лет назад он все еще пользовался высоким спросом. Это было просто замечательное место, и если вы посмотрите на программу ИТ-директоров Gartner в 2017 году, бизнес-аналитика и аналитика по-прежнему входят в тройку лидеров в рейтинге того, что является наиболее важным для организации, и с учетом роста рынков программного обеспечения, мы постоянно видя рост там. Пока я был в этом пространстве, это всегда была действительно яркая карьера.
Когда мы смотрим на эту цифровую эру и ее трансформацию, меня очень и очень интересуют те процессы, которые у нас есть, и часто они получают информацию и принимают меры от процессов или во время бизнес-процессов. Теперь, по оценкам Gartner, к 2020 году информация, которую вы использовали, будет заново изобретена, оцифрована или даже удалена. Восемьдесят процентов бизнес-процессов и продуктов, которые были у нас десять лет назад, и мы начинаем это видеть, верно? Мы начинаем видеть, что со стихами Amazon, возможно, некоторые из больших коробочных магазинов, Ubers, Airbnbs - эти цифровые модели разрушают процесс, и теперь люди взаимодействуют. Даже Черная пятница - я не знаю, сколько людей действительно ходили в магазин - многие люди покупают онлайн, и как вы достигли этого покупателя? Требуется разум, чтобы сделать это. Требуется совсем другой способ взаимодействия и персонализации сообщения и наличия этого интеллекта, чтобы представить им правильное предложение в нужное время, и теперь, возможно, это происходит одним нажатием кнопки. Им так легко покинуть ваш интернет-магазин. В этом мире все действительно меняется, и я думаю, что Ник тоже хотел поговорить об этом.
Ник Джуэлл: Да, всем привет, большое спасибо. Я заранее извинюсь, если будет небольшая задержка при поступлении звука из Лондона, я сделаю все возможное, чтобы не говорить с тобой, Джен.
Вы абсолютно правы в том, что устранение потерь, это переосмысление как часть цифрового преобразования часто происходит по мере того, как организации переходят от специализированных продуктов, возможно, отсоединенных приложений, к более открытым и подключенным платформам. Когда ваш процесс будет цифровым, вам будет намного легче увидеть сквозной путь ваших данных. Действительно уточните шаги, которые вы делаете, используя данные для оптимизации этого процесса.
Давайте двигаться вперед слайд, если мы можем. Когда дело доходит до цифровой трансформации, то, что это означает для организаций, я думаю, это может быть захватывающим или пугающим, в зависимости от того, на какой стороне спектра вы сидите. Взгляните на график, показывающий продолжительность жизни компаний и то, как разрушительные воздействия влияют на состояние организации. Если вы основали компанию в 1920-х годах, у вас в среднем почти 70 лет, прежде чем другая компания вас разрушит. Довольно легкая жизнь по сегодняшним меркам, потому что сегодня компании едва хватает 15 лет, пока разрушение не угрожает ее существованию. По прогнозам, около 40 процентов сегодняшних компаний из списка Fortune 500, то есть по S & P 500, больше не будут существовать через 10 лет. К 2027 году 75 процентов S & P 500 будут заменены, поэтому период полураспада, с которым сталкиваются организации сегодня, прежде чем беспокоиться о сбоях, действительно сокращается. Успешные компании должны оставаться впереди этой гонки цифровых инноваций.
Сегодня никто не ставит под сомнение аналитику. Это центральная часть, эта цифровая трансформация бизнеса. Фактически, организации ставят цифровые инновации прямо во главе своей стратегии. Эти компании, они входят в пятерку самых ценных компаний в мире, представляя рыночную стоимость в два триллиона долларов, Джен.
Джен Андервуд: Да, это удивительно, это действительно так. Это действительно меняется и быстро. Другая динамика, которая у нас есть, и мы говорили об этом, теперь я думаю, что мы наконец видим это, и организации ощущают этот экспоненциальный рост источников данных, и это уже не просто анализ данных на структурированных источниках данных. Опять же, мы говорим о том, что у некоторых из этих цифровых процессов только есть момент, чтобы принять решение, и эти вещи приходят в JSON из REST API, мы говорим о неструктурированных данных, будь то файлы журналов, есть все виды различных типов данных, а также экстремальный постоянный рост.
Ник Джуэлл: Да, Джен, как вы отметили, аналитические лидеры тонут в море данных. Достижение ценного понимания, возможно, с использованием сочетания существующих или новых аналитических методов, на самом деле является конечной целью, но есть простая и фундаментальная проблема, с которой многие организации, с которыми мы работаем, действительно сталкиваются. Мы заказали Harvard Business Review, провели опрос, пообщались с аналитиками данных и бизнес-менеджерами. Они спросили, сколько источников данных они используют в своей организации, чтобы принять решение, и совершенно ясно, что за последние несколько лет произошел фундаментальный сдвиг. ИТ-специалисты обычно смешивали данные, передавали их в хранилище данных, но, полагаю, несмотря на всю отличную работу, проделанную ИТ-группами по созданию централизованного управления данными, аналитики по-прежнему сталкиваются с задачей создания этого конкретного набора аналитических данных, но им необходимо ответить на деловой вопрос. Фактически, только 6 процентов собрали все свои данные в одном месте, и большинство аналитиков вынуждены извлекать данные из пяти или более источников - таких как электронные таблицы, облачные приложения, социальные сети и, конечно, не забывая об этом хранилище данных.
Сейчас большинство организаций признают это, но большинство организаций не имеют дело с тем, что профессионалы в области данных тратят больше времени на управление и поиск данных, чем на фактическое извлечение прибыли. Это не важные стратегические аналитические проблемы, о которых хотят слышать руководители компаний. Но если не решить фундаментальную проблему, это действительно помешает организациям достичь понимания, основанного на ценностях. Джен?
Джен Андервуд: Это интересно. Я определенно видел различные исследования по этому вопросу, и именно эта часть здесь, будь то 80 процентов времени или триллионы долларов, которые снова и снова исправляют одни и те же данные, очень неэффективно в организации. Это добавляет, эти 37 и эти 23 процента - очень дорогая трата времени. Мне удивительно, что этому больше не уделяется внимания.
Глядя на некоторые из них, то, что я бы назвал рыночными силами, и много раз, когда я говорю о тенденциях в отрасли, мне нравится следить за отраслью и держать ее под постоянным контролем. Важно понимать, когда что-то больше, чем тренд, когда это действительно будет сила, на которую нужно обратить внимание, и это три главные силы, на которые стоит обратить внимание. Именно этот быстрый рост, номер один - быстрый рост нереляционных баз данных. Я только что упомянул всю эту концепцию, заключающуюся в том, что у меня не так много времени для того, чтобы запросить, по сути, JSON, именно этот тип нереляционных сценариев довольно быстро растет - я думаю, что у меня есть некоторая статистика в данный момент - быстро.
Другое дело - продолжающийся переход к облаку. До звонка, о котором я упоминал, я был менеджером по продукту по всему миру в одной из крупных технологических компаний, и три года назад у меня были трудные разговоры с группами, которые говорили: «Мы ничего не будем помещать в облако. Мы не будем переходить в облако ». И было очень интересно видеть группы год спустя, два года спустя, теперь я слышу от тех же групп, что у каждого есть облачный план. Я думаю, что все это очень экстремальное утверждение, но я бы сказал, что люди, которые были против облаков, безусловно, изменили отношение резко за очень короткий промежуток времени, даже после того, как я говорил с группами по всему миру о эти типы вещей.
Автоматизация, это область, которой я был очарован, и область, в которой мы, безусловно, наблюдаем большую активность и большую активность. Мы говорим о некоторых из этих вещей с потерей этого времени и неэффективным использованием вашего времени. Автоматизация, безусловно, является одной из областей, которые меня больше всего волнуют, когда я думаю о том, чтобы привнести ценность в организацию.
Следующий слайд, о котором я собираюсь рассказать, это исследование IDC, они смотрят на сегменты рынка и рост, и это действительно замечательный способ узнать, что на самом деле растет, что покупают ваши коллеги? Какие вещи им больше не интересны? Такие вещи и вкладывают в свою стратегию.
Мировой рынок программного обеспечения для анализа больших данных, согласно IDC, насчитывает 16 сегментов, и в этом смысле мы рассматриваем даже некоторые изменения имени. Было добавлено непрерывное аналитическое программное обеспечение, программные платформы для когнитивного ИИ, поисковые системы, поэтому здесь были добавлены некоторые новые категории. Этот обзор рынка охватывает в значительной степени горизонтальные инструменты, предварительно упакованные приложения, а также некоторые варианты поддержки принятия решений и автоматизации принятия решений. Опять же, это будут типы решений, когда вы будете думать о CDO, вставляя в контекст CDO, их портфель, который может управлять от интеграции данных до визуализации анализа, машинного обучения и всех этих типов возможностей, которые им необходимы. иметь в цифровую эпоху.
По данным IDC, мировой рынок этих решений вырос на 8, 5 процента, а общий рынок вырос на 9, 8 процента. Это сравнивалось с - вы смотрите на колебания валют за период в пару лет и степень вариации минимальна, но те три верхних сегмента, которые я выделил, просто чтобы дать вам представление об этих нереляционных источниках аналитических данных, 58 процентов годовой рост, контент-анализ и поисковые системы составили 15 процентов, а некоторые из приложений для взаимоотношений с клиентами, типа CRM или Salesforce Einstein, например, выросли более чем на 10 процентов, сейчас они составляют 12 процентов. Я думаю, что Ник хотел добавить комментарий к этому.
Ник Джуэлл: Спасибо, Джен. Это фантастический образ. Я думаю, что в Alteryx мы всегда верили, что подготовка и смешивание данных всегда будут основной компетенцией, я думаю, любой аналитической системы, но это действительно основа для любой более продвинутой аналитики. Теперь, в течение последних нескольких лет, давайте поговорим об отрасли - возможно, она была слишком переориентирована на некоторые из новых возможностей интерактивной визуализации. Они выглядят красиво, потому что они увеличивают вовлеченность, они способствуют пониманию, но они действительно не двигали нас за пределы описательной аналитики.
Но, я думаю, теперь, когда люди смотрят немного выше, организации, начинающие понимать бизнес-ценности, прибудут из более сложной аналитики, которая только сейчас пробивается в мейнстрим. Возникает вопрос: как, а точнее, кто? Это перешло к более высокой стоимости аналитики; это действительно бросает проблему нехватки аналитических талантов в довольно резкое облегчение, вы согласитесь?
Джен Андервуд: Абсолютно, и я, я думаю, я только что написала в Твиттере, вчера вечером я увидела действительно увлекательный комментарий от вице-президента Adobe, который сказал: «Машинное обучение стало настольными ставками», где люди раньше были настороже, теперь это стало необходимость и это интересно. Глядя на это и просто чуть-чуть другой угол, как таковой. Многие, мы начинаем видеть это как область быстрого роста с нереляционным аналитическим хранилищем и когнитивным ИИ, этим машинным обучением, этой высокоценной аналитикой. Но все же в конце дня, сейчас самый большой сегмент, так что там, где большинство покупок происходит сегодня, все еще находится в этом базовом, что я бы сказал, отчете о запросах, некотором визуальном анализе, и он все еще растет, и это что-то, что многие люди предполагают, что у вас уже есть - не обязательно. Он по-прежнему растет на 6, 6 процента каждый год.
Как CDO - и я люблю показывать этот слайд - просто хочу сказать, что когда вы входите в эту новую роль или просматриваете данные в организации, это хаос, и я думаю, что этот конкретный слайд действительно Хорошая работа - это все различные потенциальные области, которые вы можете иметь данные. Они могут быть локальными, они могут находиться в облаке, они могут быть гибридными, они повсюду, и это огромная нагрузка - опять же, сейчас это роль типа C-уровня внутри организации, и это не простая задача или простая - в этом конкретном мире время от времени бывает достаточно ошеломляющим. Это мир, в котором нужно управлять этим CDO, чтобы справиться с тем, что я бы сказал, максимизируя ценность данных.
Продолжая решать эту задачу, максимизировать ценность всех этих различных источников и то, что у нас есть, это закрывающиеся окна времени, с этими цифровыми процессами, или понимание действий закрывается. Если вы подумаете, может быть, пять лет назад, десять лет назад, возможно, у вас будут отчеты, которые вы будете запускать, чтобы принимать какие-то решения с помощью инвентаря или действий, которые могут выполняться еженедельно, ежемесячно, затем они стали ежедневными или ночными, возможно, это ежечасно.
Теперь мы видим эти интеллектуальные офисы со встроенным интеллектуальным машинным обучением, принимающие решения и исправления на месте, поэтому даже такие вещи, как интернет вещей, встроенная IoT-аналитика на грани, эти системы интеллектуальны, и эти алгоритмы могут самостоятельно настраивать и изменять некоторые решения, которые они принимают на месте в нужное время. Было очень интересно наблюдать эту конкретную динамику с цифровыми революциями и этими точками соприкосновения - даже несмотря на то, что они увеличились, время на действия продолжает сокращаться, а затем технология развивается для этих сценариев.
Ник Джуэлл: Да, Джен, я думаю, что один из самых интересных аспектов того, как меняется понимание, - это когда аналитика приходит к конечному пользователю. Мы просим пользователей подключиться к информационной панели, когда они принимают критическое решение, или мы говорим, что понимание, следующее наилучшее действие, доступно непосредственно в процессе, в потоке, чтобы использовать это конкурентное преимущество? И аналитическая модель, о которой мы говорим, может нуждаться в своих данных из множества различных источников - традиционных хранилищ данных, геолокации, социальных сетей, датчиков, потока кликов - все эти данные имеют отношение к решению и этому действенному результату.,
Джен Андервуд: Продолжая эту тему испытаний и перемен, то, что у нас есть сейчас, и задач, которые должен решить генеральный директор, и спланировать способ их преодоления, по сути, у нас слишком много данных для эффективного управления и анализа вручную. Там долгие задержки; нам нужно сократить эти задержки, и нам нужно найти способ максимизировать ценность данных, которые мы имеем. В мире ощущается нехватка талантливых специалистов по науке о данных, чтобы охватить эти идеи и то, что мы бы назвали океанами как данными. Хорошая новость заключается в том, что есть некоторые замечательные нововведения, которые могут помочь в каждой области этого сегодня, и это становится захватывающим, когда мы видим, что, куда технологии нас приведут, помогут нам в решении этих проблем.
Поскольку я продолжал смотреть на это, возникла путаница, когда я разговаривал с клиентами или с группами, использующими некоторые из этих инструментов. Некоторые классические проблемы все еще существуют и сегодня, они только усугубляются попытками найти данные для анализа. Некоторые из инструментов поиска, некоторые из каталогов там, безусловно, помогают - теперь мы находим, какой каталог использовать когда. Есть пара разных каталогов, так что есть разные места, где вы можете хранить данные и обмениваться ими, поэтому стоит попытаться найти один, может быть, каталог, который мы должны искать.
Другое дело совместное использование. Мы поговорили об одном из исследований из этого Harvard Business Review, о том, сколько времени тратится, в основном на выполнение задач без добавленной стоимости, тратя время и насколько это может быть дорого. Если вы можете совместно использовать и использовать общие источники данных, сценарии уже разработаны, логика уже есть, вы можете эффективно управлять ими, поэтому балансирование управления с гибкостью аналитики - это действительно то, к чему вы хотите стремиться и ориентироваться в этом мире, который я бы назвал, у нас есть нишевые инструменты, у нас есть автоматизированные инструменты рабочего процесса, у нас есть классический Excel, каталоги данных, самообслуживание BI, инструменты для анализа данных. Как показала эта одна картинка, между ними много, много инструментов и множество совпадений.
Ник Джуэлл: Да, отлично, Джен, и я думаю, что окно понимания, как вы упомянули, совершенно определенно сокращается, но время, необходимое для фактического развертывания моделей, не идет в ногу. Развертывание прогнозируемой модели продолжает оставаться серьезной проблемой для многих компаний. Мы разговаривали с Карлом Рексером, президентом Rexer Analytics, и в ходе опроса, проведенного компанией Carl в 2017 году, он обнаружил, что только 13 процентов ученых-данных утверждают, что их модели всегда развертываются, и этот коэффициент развертывания просто не улучшается, поэтому мы вернуться к каждому предыдущему опросу. Фактически, возвращаясь к 2009 году, когда вопрос был задан впервые, и мы видим почти идентичные результаты, поэтому у нас есть реальный разрыв.
Джен Андервуд: Когда мы смотрим на зрелость аналитики, она быстро прогрессирует. Опять же, два, три года назад мы были очень рады провести визуальный анализ самообслуживания и, наконец, проявили гибкость и расширили BI в массы. Когда я говорю массы, вероятно, все еще опытные пользователи в организации. Теперь мы видим оптимизацию, прогностическую аналитику, глубокое обучение, естественный язык и многие другие технологии, которые действительно, поскольку они встроены в повседневные процессы, в конечном итоге действительно демократизируют аналитику очень легко для масс, для истинных масс, которые можно использовать в существующие бизнес-процессы, которые у них уже есть.
Ник Джуэлл: Да, Джен, давайте поговорим короткую историю об этой последней категории, если смогу. Сегодня большинство слушателей будут знакомы с программным обеспечением AlphaGo от Google DeepMind, которое побеждает одних из лучших в мире игроков в го за последние пару лет. AlphaGo научился играть в игру, изучая огромные объемы ранее записанных матчей. Настолько, что комментаторы турнира AlphaGo утверждали, что программное обеспечение играло в стиле японского гроссмейстера, хотите верьте, хотите нет.
Но за последний месяц сообщалось о более удивительном результате. Это был AlphaGo Zero, глубоко обученный, нейронная сеть, вооруженная не более чем простыми правилами игры и оптимизированной функцией. Он научил себя становиться сильнейшим игроком в Го в мире, не тренируясь под присмотром, и сделал все это примерно за 40 дней. Это так называемое обучение с подкреплением, когда люди определяют задачи, позволяют системе глубокого обучения исследовать, совершенствовать, действительно может оказать наибольшее влияние в аналитическом пространстве. Так что, думаю, следите за обновлениями.
Джен Андервуд: Да, это действительно интересно, что вы упомянули об этом. Можете ли вы представить исключения? И это то, что я начинаю видеть. Действительно, когда я говорю об автоматизации, очень интересно, когда решения достаточно умны, чтобы чистить воздух, автоматически учиться у систем, подключать и играть и просто знать, что делать дальше, основываясь на некоторых прошлых решениях или других решениях. которые были сделаны внутри организации и управляли некоторыми из этих систем, системами ETL и заботились о них, и когда-то в те времена, когда звуковые сигналы и телефоны звонили мне с предупреждениями, когда процессы не работали, это так интересно думать, «Ого, теперь он достаточно умен, чтобы, вероятно, лечить себя».
Мой муж управляет сетью самовосстановления, у нас будет интеграция данных самовосстановления, аналитика самовосстановления, и где она становится все лучше и лучше, это действительно захватывающе. Как CDO, когда вы начнете думать о технологиях обработки людей, мы рассмотрим, прямо сейчас мы рассмотрим технологии, затем мы посмотрим на людей и как подойти к созданию вашей команды и созданию навыки. Если вы посмотрите на современную аналитическую платформу, я сразу скажу, что не у всех здесь будет все, хотя у крупнейших организаций могут быть все эти разные компоненты, по сути, в некоторых группах может быть только два или три маленьких блока. здесь, так что я не хотел поражать людей этим. Но современная платформа BI не обязательно требует IT-сборки, предопределенного семантического уровня отчетности.
Пользователи и эксперты должны просто иметь возможность просто подготавливать данные для аналитической скорости и гибкости, и если вы думаете о росте того, что мы бы сказали, аналитика под руководством пользователя и экспертов, позволяющая экспертам в данной области иметь гибкость, им нужно принимать быстрые решения. Мы наблюдаем все более широкое внедрение того, что мы бы сказали, инструментов подготовки персональных данных, обработки данных, обогащения, очистки, видов деятельности, которые выполняет Alteryx, а также некоторых видов деятельности, связанных с наукой о данных, которые они предлагают как Что ж. Современное решение для подготовки, они предлагают интеллектуальные, автоматизированные соединения, разрешения по воздуху, смещение данных, когда у вас большой поток данных, это очень, очень круто. Это, вероятно, опять же, одна из областей, которые я люблю и действительно люблю тестировать в отрасли.
В отличие от традиционной бизнес-аналитики, основанной на ИТ, сегодня ИТ-отдел действительно нацелен на создание возможностей для бизнеса, и у вас есть такие люди, как CDO, которые собирают или выбирают правильные решения для организации, организации и унификации этих данных и, конечно же, обеспечивают правила, верно? Одна вещь, которая очень интересна для меня, и, конечно, я думаю, что мы пришли к этому выводу, но я не думаю, что мы просто прямо сказали об этом, дни универсального хранилища данных и того, что конец-все-все, конечно, закончились. Данные повсюду, вы должны их создать - озера данных вошли в картину, есть потоковые и живые данные, сейчас так много разных источников данных, это действительно больше основанный на прецедентах «Что вам нужно?», Стихи это «Мы должны собрать все в хранилище данных». Я не уверен, Ник, вы хотели прокомментировать это? Я не помню.
Ник Джуэлл: Я просто скажу одну вещь, и это просто, следите за развитием компонента. То, что эксперты делали пять-десять лет назад, теперь находится в руках пользователя, поэтому правые вещи будут более распространенными для пользователя в форме без перетаскивания кода, очень, очень скоро Он будет двигаться все быстрее и быстрее, так что просто следите за этим.
Джен Андервуд: Да, это действительно хорошая мысль. Я люблю думать об этом. Другая наука о данных, наконец, становится реальностью, и инструменты становятся намного лучше. Думая о технологиях, теперь нам нужны навыки и люди, и что нам нужно делать? На данный момент это лучшие работы, среди них такие звания, как ученые-данные, инженеры-данные и бизнес-аналитики, но мы обнаруживаем, что самим работодателям действительно сложно найти подходящее место. Даже в области подготовки данных я скажу: «Это подготовка данных, это разбор данных, какие термины люди называют?» Было очень интересно найти.
Бизнес не знает, что ему нужно, и есть эта новая область, которая будет охватывать множество различных областей. Если вы посмотрите на всех, теперь нужно быть хозяином своих данных, бизнес-аналитикой, менеджерами ИТ-проектов, моим мужем, который управляет энергосистемой и портфелем проектов, он должен уметь анализировать это. Это больше не только финансы и анализ данных, но и более широкий охват других областей организации. Я думаю, что я видел исследование о том, сколько источников данных использует маркетинг, и это было ошеломляющим. Опять же, когда вы думаете об исследовании, которое было проведено Harvard Business Review, людям больше не просто один источник данных, которые нужно объединять и объединять, чтобы находить понимание, это множество источников данных, и для этого требуется умение.
Если вы посмотрите на более широкую картину здесь, большинство новых сотрудников будут находиться в этом розовом пузыре в самом низу, когда вы будете говорить об этих бизнес-аналитиках с аналитиками интеллектуального анализа данных, менеджерами по персоналу в этой области, просто с обычными ролями в очереди. бизнеса с использованием данных. У самых быстрорастущих ролей будет меньше рабочих мест, но, безусловно, то, что мы слышим больше всего на рынке сегодня, ученый по данным и инженер по данным. Как CDO, они смотрят в будущее, а вы планируете талант, вам нужно учитывать некоторые аспекты автоматизации рутинных задач и типы навыков, которые будут более стратегическими, и, опять же, повысить ценность вашей организации для обеих сторон. те, кто в аналитике включен, но также и для специалистов по науке и данным. Подумайте, как могут измениться ваши неопубликованные позиции и даже некоторая внештатная экономика, когда вы думаете об этом, чтобы конкурировать за лучших и самых ярких.
И всегда думайте о своем таланте, помогайте кандидатам ориентироваться на рынке или ищите вещи, которые могут немного отличаться и не совсем то, что вам нужно, и создавайте собственные курсы аналитики, которые, возможно, не самые быстрые, самые экономически эффективная стратегия для вас, чтобы идти в ногу. Подумайте о том, чтобы взглянуть на людей, которые посвящены обучению в этой или других группах, и я считаю, что Alteryx предлагает рекомендованный курс в конце сегодняшней сессии в качестве призыва к действию, что вы можете использовать некоторые из этих вещей и помочь своей команде. некоторые из существующих ресурсов, которые уже доступны.
Ник Джуэлл: Абсолютно. Существует так много способов восполнить этот пробел в талантах, не оказавшись в гонке вооружений. Пара слайдов назад, я не знаю, сможете ли вы перевернуть пару там. Kaggle, сайт соревнований по науке о данных, они только что выпустили опрос с 17 000 ответов о состоянии науки о данных, и было получено действительно интересное мнение о том, какими навыками обладают люди, а большинство респондентов не имеют докторской степени. Это просто не является обязательным условием.
Идея о том, что эксперты по аналитике следующего поколения, тот самый главный пузырь, который вы только что продемонстрировали, могут получить знания, которые им нужны, на курсах по нанотехнологиям. Они могут посещать такие сайты, как Udacity, и могут сразу же использовать эти знания непосредственно в бизнесе, поскольку короткие циклы доставки делают их непосредственным источником конкурентного продвижения для их компаний. Так что, на мой взгляд, стоит обратить внимание
Джен Андервуд: Нет, я согласна. Даже если я подумаю об этом, это определенно прошло долгий путь с тех пор, как я поступил на двухгодичную программу в UCSD. Я думаю, это было еще в 2009, 2010 году, и в стране, возможно, действительно была кучка, которая позволила вам это сделать. Сейчас, как правило, гораздо больше вариантов, а также специализированных программ, будь то через поставщиков, много ресурсов, доступных сегодня с циклами, и все эти различные онлайн-ресурсы, это просто потрясающе, это действительно время. Выделение времени и бюджета на это и планирование себя, чтобы не отставать. Что вы хотите узнать? И затем следуя по тому пути, который вы хотите изучить.
Говоря о рассмотрении этого вопроса и составлении вашего собственного плана навыков и с точки зрения CDO, о том, чтобы у них были люди в охватываемых областях, исходя из того, что я бы сказал, как таковой в структуре компетенций, рассматривая навыки или рассматривая такие вещи, как знание предметной области по-прежнему действительно важно, хотя эти решения могут самообучаться и самообучаться, это действительно эксперт по бизнес-тематике, который будет направлять и следить за тем, чтобы результаты имели смысл.
Всегда есть что-то, и мне нравится использовать пример, когда я занимался критической аналитикой для страховой компании, и одним из выводов, что алгоритмы были не нанимать никого из Нью-Йорка. Ну, нет, мы не собираемся никого нанимать из Нью-Йорка - нам нужно было выяснить, почему алгоритм дал нам эту информацию. Это было из-за того, что закон, один из законов изменился, и поэтому у нас был большой отток в этом конкретном сегменте. Для расшифровки этого нужно было привлечь эксперта по бизнес-тематике, и я не вижу, чтобы это изменилось, я не вижу такого рода ориентира, чтобы убедиться, что результаты выглядят точными, что-то не так - все равно Есть нечто, о чем говорят, что человеческий разум, красота этого в сочетании с мощью машины, действительно, куда мы идем.
Другие виды вещей, когда вы смотрите на навыки, визуализация, рассказывание эффективной истории в данных, рассказывание эффективной истории о том, является ли это даже результатом машинного обучения. Собирая воедино и рассматривая, какое влияние это оказывает, понимая человеческую природу принятия решений, эти типы вещей очень важны независимо от технологии. Управление действительно важно, этика становится все более и более важной. Вовлечение социологов, которые понимают, и они обучены смотреть, есть ли в ваших данных предубеждения, о которых вы даже не подозреваете или в вашей организации нет никого, кто мог бы даже не признать это, даже привлекая их к эксперту имея такие вещи.
И опять же, конечно, имея инфраструктуру для проектирования и аппаратного обеспечения и обеспечивая масштабируемость, а также разработку и уверенность в том, что вы используете правильного облачного провайдера, возможно, вы не заблокированы или у вас есть варианты для перемещения или что Вы понимаете, сколько это будет стоить. Именно эти типы навыков, и когда вы смотрите на это, мы бы назвали их навыками в разных областях, будь то основанные на данных лица, принимающие решения - где большинство этих ролей будут находиться - вплоть до тех инженеров данных и ученых, которые будут быть массирующим и работающим в этих океанах данных. Это те вещи, для которых вы захотите собрать основу.
Глядя на рамки компетенций, вы смотрите на организацию в целом, вы хотите рассмотреть компетенцию, а не только навыки. Там есть небольшой нюанс в формулировке, когда вы смотрите на это. Система компетенций для вашей организации является четким сигналом. Лица, формирующие военную политику, работники образования, хотя, скажем, навыки, набранные R, вы думаете о таких вещах, у вас есть компетентный программист, но вы хотите иметь больше, чем просто эти навыки. Когда вы понимаете компетенцию, то, что человек должен уметь и понимать структуру, это важно, там есть небольшой нюанс.
По мере того, как вы это создаете, вы хотите диагностировать то, что вы бы назвали возможностями, которые действительно оказывают положительное влияние на бизнес, и выделить те области с высоким потенциалом, поэтому вы расставляете приоритеты в отношении тех компетенций, которые вы хотите повысить в своей организации, и затем приведите их в соответствие с бизнес-целями. CDO, который отвечает за максимизацию ценности данных, и их CAO, которые собираются использовать аналитику для максимизации ценности данных. Они посмотрят на те компетенции и те разные области, на прошлую сетку, которая была у меня там, но затем они также рассмотрят высокий потенциал персонала. Вы будете делать перекрестные ссылки на то, что ваши сотрудники работают с данными и аналитикой и вкладывают в них средства, предоставляют им возможности для обучения, а не просто обучение, по сути, реальные возможности для решения реальных бизнес-задач.
Нет ничего лучше - хотя я и ходил в школу пару лет, только когда я пошел и применил некоторые из этих алгоритмов или узнал о мошенничестве с чеками, узнал о некоторых вещах, о которых я никогда раньше не думал, и вы начать собираться в реальном мире, и это то, где вы действительно учитесь. Предоставление людям этой возможности получить опыт в этих областях. Компании, которые лучше всего способны создавать сильные возможности, которые систематически выявляют, объективно оценивают и смотрят, где существуют пробелы в моей организации для обучения и устанавливают некоторые метрики для целей для людей, - это те, которые будут в состоянии доставлять.
Когда вы думаете об обучении взрослых, опять же, обычно это голодное время - мы все голодны - но смотрим, что работает для каждого. У меня лично есть книги, поэтому, если бы вы пришли сегодня в мой офис, вы бы увидели тонны книг, хотя многие люди любят видео. Поэтому нужно выяснить, как кому-то в вашей организации нравится учиться - мотивировать его учиться - но также дать им некоторое время для этого и достичь какой-то цели - что является эффективным для достижения этого, и обычно это смешанный, это не просто, пройти этот курс, чтобы пометить эту отметку на оценочной карте, как таковой, он смешивает это с реальным проектом цели и что вы узнали из этого проекта и что вы хотите делать дальше? Что натянуто? Растянуть свою команду или мотивировать свою команду, чтобы идти дальше.
Эти цели обучения, опять же, если вы делаете это, это не должно быть на самом деле, это должно быть легко для бизнеса, потому что эти цели должны соответствовать стратегическим бизнес-интересам. Это отличные проекты. Это экспериментальные проекты. Это проекты, которые будут двигаться вперед.
Ник, ты хотел что-нибудь добавить? Я не уверен.
Ник Джуэлл: Нет, я собирался перейти к изучению конкретного случая, если это нормально, на следующем экране. Немного подробнее о конкретной организации. Я думаю, они воплотили многое из того, что вы говорите, в реальность, в реальность. Ford Motor Company десятилетиями полагался на анализ данных, как и многие компании, но делал это в карманах бизнеса, вероятно, с очень небольшим надзором во всей корпорации для обеспечения согласованности и координации. Их проблемы, вероятно, были довольно типичными для организации такого масштаба, поэтому аналитические знания содержали, как мы говорим, в карманах, что методы управления данными и управления несовместимы даже до такой степени, что некоторые бизнес-подразделения не имели доступа к базовым аналитическим знаниям.
Опять же, мы сегодня говорили о множестве различных типов источников данных, у них было более 4600 источников данных. Это означало, что даже начало путешествия и поиск необходимых им данных были настоящим препятствием для аналитического понимания. Я вижу, ты смеешься, но это ужасно, верно?
Джен Андервуд: 4600, о боже, да.
Ник Джуэлл: Итак, Ford сформировал глобальное подразделение аналитики и анализа, и оно было централизованным - вы можете назвать его центром передового опыта - состоящим из команды исследователей и аналитиков данных, организованной для обмена передовой аналитической практикой и содействия распространению оптимизированных данных. создание данных по всему бизнесу. Подразделение выбрало лучшие в своем классе инструменты не только по возможностям, но и по их способности хорошо интегрироваться друг с другом, так что это очень важно. Центр их демократизации был на самом деле вокруг отчетов и описательной аналитики, прежде чем перейти к той пирамиде потребностей, о которой мы говорили.
Теперь демократизация не просто делает кого-то ученым за одну ночь; персонал должен знать, когда и где можно получить помощь, и для этого есть возможность обучения, управления, методологии. Кроме того, речь идет не только об обучении инструментам, но и обучению науке о данных, чтобы преодолеть тот пробел в навыках, о котором мы говорили. Таким образом, это был реальный пример использования в Ford, оптимизирующий логистическую сеть, поэтому заплатил ли Ford нужную сумму, чтобы переместить материалы из пункта A в пункт B? Их унаследованная аналитика действительно не выдвигала на первый план возможности для действий; это сделало их очень реакционными на рынке. Теперь много сложностей для этого процесса было скрыто в головах аналитиков, и они совершили огромный прорыв, когда рабочий процесс самообслуживания был фактически повторен с бизнесом, и эксперты-аналитики сидели вместе и находились в одном месте.
Это перенесло анализ с многолетнего на квартальный и даже почти в реальном времени, что принесло огромную пользу бизнесу. Это влияние аналитики самообслуживания на ценность для бизнеса заключается в том, что Ford может быстро планировать и разрабатывать общеорганизационные стратегии, основанные на данных, реагировать на возникающие тенденции, помогать формировать новые услуги и в основном предотвращать угрозы от конкурентов без приходится смотреть в зеркало заднего вида.
Теперь, если мы посмотрим на то, как другой клиент действительно перевел аналитику с, возможно, вертикального приоритета в одном подразделении фирмы на горизонтальную полосу во всех подразделениях, мы поговорим о Shell. Shell управляет центром передового опыта, который подотчетен главному цифровому директору - так что есть еще один D для нашей книги о CxO - отвечающий за цифровую трансформацию и устойчивость. Эти ребята поняли, что их среда состоит из нескольких уровней: технологический стек, хранилище, обработка данных и все это включает в себя технологии, с которыми вы все знакомы. Такие вещи, как SAP HANA, Databricks, Spark, и они использовали публичное облако для достижения правильной экономии за счет масштаба.
Теперь они выбрали Alteryx в качестве аналитической оболочки для большого количества своего R-кода, применяя такие технологии, как Spotfire, Power BI и другие. Но теперь они видят, что внедрение более тесно связано с обработкой и визуализацией данных. Джен, просто возвращаясь к вашему слайду со всеми этими возможностями, такие вещи распространяются по мере того, как мы начинаем предоставлять доступ большему количеству аналитиков. Вы знаете, они были чрезвычайно успешны в предоставлении этой возможности, и COE, стремясь предоставить будущие возможности сейчас, некоторые из тех предметов глубокого изучения, о которых мы говорили - машинное зрение, обработка естественного языка - и половина их миссии - это доставка, половина этого о том, чтобы объяснить и стимулировать эти идеи в разных подразделениях. Это часть путешествия; СЕ всегда ищет разные способы общения со своей деловой аудиторией.
Принимая во внимание, с одной стороны, скептики, которые говорят: «Ну, этот черный ящик никогда не будет так же хорош, как мой аналитик», вплоть до фаната или энтузиаста, который везде видит корреляции, возможно, меньше в причинно-следственных отношениях Но нужно быть осторожным с обеих сторон. Это захватывающая золотая середина, когда у вас есть эта горизонтальная полоса по всей организации, этот гибридный набор навыков, необходимый для убеждения обеих сторон спектра.
Ник Джуэлл: Хорошо, Джен, ты здесь?
Джен Андервуд: я.
Ник Джуэлл: Я предполагаю, что мы пытаемся сказать здесь с помощью этой цитаты Клейтона Кристенсена, что для многих организаций, я думаю, объединение аналитической повестки дня для того, чтобы стимулировать цифровую трансформацию, о которой мы говорили сегодня, собирается быть проблемой. Чаще всего мы находим аналитические команды, начинающие со слабой руки. Попытка вводить новшества с помощью унаследованных аналитических процессов, технологий, структур команды и удержания этих реликвий станет самым большим барьером для аналитического выравнивания и для аналитических инноваций. У тебя есть мысли по этому поводу, Джен?
Джен Андервуд: Мне нравится выбранная картина. Да, конечно, имеет большой смысл для меня. Вы должны использовать некоторые из этих новых технологий, например потоковую передачу в режиме реального времени. Вы не обязательно сможете получить эти результаты в режиме реального времени, если вам придется обновлять JavaScript в браузере, как таковом, со старым наследием - может быть, это приложение для панели инструментов или тому подобное. Да, вам нужно использовать некоторые из этих новых инструментов, и опять же, я думаю, что эта картинка действительно милая, картина говорит тысячу слов. Тележка и багги, вы должны отпустить некоторые из тех старых технических подходов.
Ник Джуэлл: Абсолютно. Итак, если мы перейдем к следующему слайду, мы подумаем, что есть лучший путь. Я думаю, прежде всего, используя что-то, похожее на Google-подобный поиск, чтобы быстро найти все ваши активы данных, которые наиболее актуальны. Понимание их контекста, понимание зависимости, факторинг в таких простых вещах, как бизнес-глоссарии, написанные экспертами в ваших сообществах, поддерживаются всеми этими племенными знаниями глав ваших коллег.
Умничать с обнаружением данных. Подумайте о возможности вести беседы с владельцами отчетов и экспертами. Загрузка, сделайте немного Trip Advisor или Yelp, загрузите ресурсы, которые наиболее полезны, сертифицируйте те, которые организация считает наиболее ценными, а затем все эти данные возвращаются в результаты поиска и, в конечном итоге, в рейтинг поиска, улучшая его для следующий пользователь. Как только вы найдете то, что ищете, переходите к быстрой, свободной от кода, удобной для пользователя фазе подготовки и анализа, чтобы разработать идеальный набор данных, из которого можно публиковать повторяемые процессы.
Вернуться к нашему разговору по автоматизации, создание удобных приложений. Все, что нужно для построения аналитических моделей. Говоря о моделях, мы уже несколько лет поддерживаем такие технологии с открытым исходным кодом, как R, что позволяет нам создавать действительно передовые аналитические возможности, которые охватывают описательную, но в то же время и прогнозирующую аналитику, в виде простого перетаскивания. бросьте путь.
Теперь перейдем к правой части, фактически получая это представление об интерактивных визуализациях, моделях и скоринге, выталкиваемых на платформы данных, или совсем недавно, делая это понимание доступным мгновенно и непосредственно в рамках бизнес-процесса. Я думаю, что именно этот диапазон возможностей для всей платформы позволил нам быть признанным победителем Золотой награды в этом году, проведенном Gartner Peer Insights Customer Choice, что является фантастическим достижением. Я настоятельно рекомендую вам посетить сайт Gartner, чтобы узнать больше и добавить свои собственные голоса и добавить свой собственный комментарий.
Круто, Джен, если мы пропустим еще один слайд - думаю, когда мы закончим, я бы хотел дать вам несколько следующих шагов. Прежде всего, пожалуйста, посетите Alteryx.com, чтобы загрузить бесплатную копию нашего самого последнего исследования, выполненного в координации с Международным институтом аналитики (IIA) о преодолении аналитических препятствий. Вы также можете посетить сайт udacity.com/alteryx, чтобы узнать больше о том, как дать вашим командам возможность сделать следующий шаг в своем путешествии с этой расширенной аналитической нано-степенью, а затем, наконец, испытать Alteryx для себя. Посетите домашнюю страницу, загрузите полнофункциональную оценку и получите удовольствие от решения.
Джен, к тебе. У нас может быть немного времени на некоторые вопросы и ответы.
Эрик Кавана: Я просто позвоню очень быстро. У нас есть пара вопросов. Я полагаю, сначала вам, Ник, а затем Джен, одну, если вы хотите это прокомментировать, но она, безусловно, более применима к ЕС, и это печально известный GDPR, Глобальные правила защиты данных. Как это влияет на Alteryx и вашу дорожную карту и на чем вы, ребята, сосредоточены?
Ник Джуэлл: Это очень бугимэн, я думаю, это прямо сейчас. Многие люди говорят об этом, многие очень обеспокоены, но на самом деле это всего лишь первое из длинной серии правил, которые появятся в мире данных и аналитики. На самом деле, с нашей точки зрения, речь идет о понимании и классификации ваших данных. Будучи уверенным в качестве CxO любого конкретного вида, вы знаете, где находятся ваши активы, знаете их контекст и знаете, что можете доверять им как первый шаг к реальному управлению и управлению данными в более широком контексте.
Эрик Кавана: Думаю, я передам вам еще один вопрос, прежде чем мы вернем Джен, Ник, и это данные обучения, если кто-то попросит удалить их данные из вашего предприятия, это повлияет не только на их имя, адреса и т. д., не только их контактную информацию, но также, если алгоритм использует данные обучения, которые включают ваши данные, вы должны переподготовить алгоритм, не так ли?
Ник Джуэлл: Это особенно сложно. Я думаю, что идея заключается не только в том, что базы данных являются источником этой личной информации, но также в аналитических рабочих процессах, приложениях, визуализациях. Эти данные распространяются повсюду в организации, поэтому наличие такого контекста абсолютно необходимо.
Эрик Кавана: И Джен, что ты думаешь? Очевидно, что это не такая уж большая сделка в США, и мы не видим, чтобы слишком много компаний беспокоились об этом сейчас, хотя технически это применимо и здесь. Если у американской компании есть данные о гражданине ЕС, как вы оцениваете значение GDPR и насколько велика эта сделка?
Джен Андервуд: Ну, я, конечно, думаю, что это требует ответственной обработки данных. Я писал об этом несколько раз и у меня есть некоторые рекомендации по некоторым из этих вещей. Я думаю, что вопрос, который вы задали об алгоритмах, интересен. Конечно, некоторые решения, которые я рассматриваю сегодня, некоторые из их групп разработчиков разработали функции, чтобы вы могли видеть, как они принимают решения и какие личные данные использовались для определения результата этого алгоритма. Мы видим некоторое влияние на дизайн продукта здесь, в Соединенных Штатах.
У многих технологических компаний есть очень большие офисы здесь и команды разработчиков здесь в Штатах и во всем мире, поэтому мы видим это в разработке продукта. Я вижу, как вкладывается все больше каталогов данных. Внедряется все больше правительственных инициатив, чтобы люди понимали и понимали, где все эти данные находятся в хаосе. Попытка обнять, по крайней мере, организовать это, быть в состоянии найти это и сделать что-то с этим.
Эрик Кавана: Я собираюсь нажать этот слайд, о котором мы говорили ранее, и передать это вам, Ник. Я думаю, что это фантастический слайд, потому что, на мой взгляд, он действительно говорит о неотложности потребности в аналитике. Что вы думаете об этой изменяющейся динамике? Я имею в виду, что суть в том, что компании должны быть гибкими, и я считаю, что аналитика играет ведущую роль. Как вы думаете?
Ник Джуэлл: Это увлекательно. Я думаю, что всегда - компании и технологии всегда существуют в трех государствах, так что это будет война, мир или чудо. Война будет о таком тяжелом уровне конкуренции. Wonder - это все замечательные новинки, которые вы создаете на платформе. Тогда мир перед соревнованиями и война начинается снова. Я думаю, что всегда происходит эта битва.
Перед сегодняшним звонком мы говорили о некоторых других конференциях и ключевых заметках, которые происходят по всему миру сегодня. Некоторые крупные поставщики облачных услуг достигли того момента, когда создали эту платформу, и теперь они создают новые замечательные вещи на ее основе. Компании должны очень внимательно следить за этим и быть уверенными в том, что они идут с чем-то, что имеет согласованную платформу, которая обеспечит эту ценность в будущем. Они будут теми, кто переживет это разрушение.
Эрик Кавана: Да, это хороший момент, и вы знаете, Джен, вы уже говорили, фактически, до шоу, об облачной стратегии и о том, как многие люди, которых вы знаете в отрасли, говорят, что крупные компании, даже банки, у всех теперь есть облачная стратегия. Я был немного удивлен тем, сколько времени понадобилось для того, чтобы это осуществилось, и я думаю, что, возможно, некоторые из них отправились на конференцию по переосмыслению AWS и поняли, насколько она масштабна, и пришли к выводу, что время пришло. Что вы думаете об осведомленности руководителей крупных компаний об импорте облачных вычислений и о том, как это меняет их планирование?
Джен Андервуд: Когда я думаю об этом мире крупномасштабных данных, имея возможность управлять ими, я думаю, что на некоторых уровнях есть некоторое спокойствие, когда одна из очень крупных фирм берет на себя ответственность за некоторые аспекты безопасности, поэтому есть немного спокойствия там. Вы знаете, что есть немного ограниченного масштаба с облаком.
Другое дело, и я видел это, я был в команде, которая занималась разработкой продукта в облаке, и это был, безусловно, продукт с минимальными затратами, и никто не обращал на него внимания, и в течение двух лет из-за еженедельных выпусков и даже, Я бы сказал, это почти на грани ежедневного выпуска в облаке. Я знаю, что Amazon говорит, что они выпускают несколько раз в день. Когда у вас есть такая угроза, когда ваши конкуренты могут выпускать и улучшать ежедневно, чем бы они ни занимались, по крайней мере, в индустрии программного обеспечения - и все действительно в индустрии программного обеспечения, когда вы начинаете смотреть на цифровую трансформацию - это совсем другое игра в мяч и любой может раскрутить облако и масштабироваться и становиться большими.
Опять же, это будут данные, которые они используют, которые будут иметь значение и интеллект в их алгоритмах, и именно поэтому люди говорят о том, что данные - это новая нефть, или данные - золото. Когда я смотрю на облако, оно меняет правила игры, оно действительно обеспечивает очень, очень быстрое развитие и масштабирование. Это удивительно
Эрик Кавана: Я отведу вас, Ник, еще на один вопрос - мы пойдем здесь на минутку, если сможем ответить на некоторые из этих вопросов, но, насколько я помню, пять и шесть, а может быть, даже семь Несколько лет назад Alteryx был действительно новатором в использовании сторонних данных - таким образом, вводя данные из источников, таких как Experian, например, или геопространственных данных. Я думаю, что это, вероятно, стратегическое преимущество, потому что такие вещи есть в ДНК в Alteryx, верно? По мере того, как компании движутся к облаку, я думаю, что у вас, ребята, есть большой опыт в том, чтобы соединить эти миры Миры on-prem стихов сторонних и облачных данных, что вы думаете?
Ник Джуэлл: Да, абсолютно. Окончательное подключение станет такой мощной игрой для любой компании, которая будет работать в этой облачной среде. Но я скажу, когда мы говорим о чем-то вроде инфономики, идея о том, что информация и данные должны рассматриваться как актив в вашей компании. Большая часть ценности, которую вы собираетесь принести, - это брать внешние источники данных, смешивать их и обогащать своими внутренними источниками, чтобы создавать и монетизировать большую ценность в процессе. Очень важно одинаково работать с внутренними и внешними данными.
Эрик Кавана: Да, это хороший момент. Я думаю, что весь этот мир гибридных облаков здесь, чтобы остаться. Джен, я просто передам это тебе для некоторых заключительных комментариев, возможно. Для меня, имея такой стратегический взгляд и способность объединяться, поскольку новый термин описывает данные из разных источников, это будет решающим фактором успеха в будущем, верно?
Джен Андервуд: Нет, конечно, и это забавно, я слышала этот гибрид, гибрид, гибрид. Вы слышали об этом, и четыре года назад вы подумали о Hadoop, Hadoop и больших данных, а затем вы начали слышать гибрид, гибрид, поэтому, конечно, были там, мы не обязательно, это год машинного обучения, не говоря уже о. Я имею в виду искусственный интеллект, машинное обучение вышло на сцену в этом году, но для того, чтобы по-настоящему функционировать в организации, которая сегодня находится на пути к облаку или имеет дело со всеми этими различными источниками облачных данных, может быть, это Salesforce или Рабочий день, все эти разные типы источников, которые живут в облаке, единственный способ справиться с этим - быть гибридным. Вы не можете копировать данные повсюду, поэтому вам нужно иметь возможность прямого подключения, и вам нужно найти способ работать с данными, расположенными повсюду, найти данные повсюду, потому что это реальность того, где мы находимся справа сейчас.
Эрик Кавана: Думаю, было бы упущением, если бы я не привел в разговор машинное обучение, так что, Ник, я просто передам это тебе. Я знаю, что вы, ребята, сейчас сосредоточены на этом - можете ли вы поговорить о том, где вы видите машинное обучение, совпадающее с аналитикой, и с типом систем, которые мы используем для понимания нашего бизнеса и наших данных?
Ник Джуэлл: Да, конечно. Итак, очень кратко, давайте просто быстро вернемся к нашему разрыву в навыках. Идея, что у нас есть организации, абсолютно переполнены опытными пользователями Excel. У нас есть специалисты по данным, но они не растут с той же скоростью. Существует огромный разрыв между ними. Подумайте, где сегодня находится машинное обучение. Сколько алгоритмов у нас на телефоне или часах, которые включают в себя методы машинного обучения? Это товар, он везде. Мы должны предоставить этим опытным пользователям самый простой способ убедиться, что машина успешно применяется в бизнесе.
Эрик Кавана: Возможно, я передам тебе еще один. У нас есть пара вопросов, приходящих поздно, здесь. Джен, я спрошу тебя об этом. Участник комментирует всю эту концепцию обучения без учителя, и тот факт, что вам нужны данные обучения, чтобы выполнять эту работу, и обычно эти данные обучения должны быть специфическими для компании. Несмотря на то, что в отраслях существует множество взаимосвязей, существует множество способов, с помощью которых организации могут быть похожими. Тем не менее, каждая компания уникальна, будь то ее бизнес-модель или ее подход к маркетингу или продажам, или, в любом случае, разработка продукта.
Возникает вопрос, смогут ли эти алгоритмы использовать сторонние данные для обучения? Мне кажется, что вы всегда будете нуждаться в использовании своих собственных данных для обучения этим алгоритмам, даже если это время цикла сокращается с шести месяцев - что имело место в некоторых случаях - до 40 дней или 20 дней, независимо от того, дело может быть. Вы действительно должны использовать свои собственные данные, и вы должны убедиться, что данные довольно чистые, верно?
Джен Андервуд: Это действительно смесь. Вы будете хотеть иметь внешний контекст. На самом деле, я забронировал сегодня спина к спине, и мой следующий вебинар рассказывает о подготовке и очистке данных, по иронии судьбы для машинного обучения. Что действительно важно, так это то, что вы создаете внешний контекст с вашей организацией, и мне нравится, что вы спрашивали о подготовке и очистке данных, потому что, честно говоря, некоторые инструменты становятся очень, очень хорошими - они могут справиться с некоторыми аспектами, но человеческий разум или способность расшифровать проблему, посмотреть и убедиться, что они не опущены - скажем, что у нас есть какая-то предвзятость. То, как вы смотрите на проблему, и то, как вы выбираете проектирование проблемы, которую вы автоматизируете, или решений, которые вы автоматизируете, - это искусство, и нужно убедиться, что оно точно отражает этот бизнес-процесс.
Возвращаясь к моему примеру со страховой компанией, когда мы моделировали отток и кого нанимали, чтобы пройти этот спонсируемый тренинг по продаже страховки; в самой модели не было правового климата, разные законы для разных государств. Всегда будет какой-то аспект, когда вам понадобятся эти внешние данные с вашими внутренними данными и, опять же, с человеческим разумом. Там будут разные компоненты.
Эрик Кавана: Я думаю, что вы подняли здесь действительно хороший вопрос. Мы постоянно слышим о роботах, машинах и машинном обучении. Для меня это очень разрушительная тенденция - в этом нет никаких сомнений - но я никогда не вижу необходимости в том, чтобы люди уходили, особенно с аналитикой данных, на данных предприятия.
Ник, последний вопрос для тебя. Для меня, независимо от того, насколько хороши алгоритмы, вам всегда будут нужны люди, которые следят за тем, что происходит, вводят себя в назначенное время и действительно синтезируют общую картину того, что происходит. Я не думаю, что какой-либо алгоритм когда-либо сможет синтезировать общую картину для компании из списка Fortune 2000, но что вы думаете?
Ник Джуэлл: Ну, давайте возьмем совершенно не Alteryx пример, давайте поговорим об Uber с прошлого года. Убер, во время террористического инцидента в Австралии, люди, пытавшиеся бежать из этого района, внезапно повысили цены, потому что это, как сказал алгоритм, нанесло огромный ущерб репутации. Сразу после этого они внедрили людей и алгоритмы, работающие вместе. В любое время, когда это должно было случиться, человек должен был наблюдать за процессом. Это партнерство человека и алгоритма, это путь вперед.
Эрик Кавана: Вау, это отличный пример, большое спасибо. Ну, ребята, мы прожили больше часа здесь в нашей веб-трансляции. Большое спасибо Джен Андервуд из Impact Analytics. Конечно, большое спасибо Нику Джуэллу и команде Alteryx за их время и внимание, а также всем вам за ваше время и внимание. Мы ценим эти замечательные вопросы. Мы архивируем все эти веб-трансляции для последующего просмотра, не стесняйтесь делиться ими с друзьями и коллегами. С этим мы прощаемся с вами. Отличная трансляция сегодня. Большое спасибо еще раз, мы встретимся с вами в следующий раз, ребята. Береги себя. Пока-пока.
