Av Techopedia Staff, 29. november 2017
Takeaway: Vert Eric Kavanagh diskuterer data og analyse, samt rollene som sjefdateansvarlig (CDO) og sjefanalytiker (CAO) med Jen Underwood fra Impact Analytix og Nick Jewell fra Alteryx.
Eric Kavanagh: Mine damer og herrer, hei og velkommen igjen til en veldig spesiell utgave av Hot Technologies. Folkens, dette er Eric Kavanagh, jeg vil være vertskapet for dagens show, "The CxO Playbook: The Future of Data and Analytics." Ja, det er et ganske stort tema, må jeg si. Vi har faktisk et lite rekordstort publikum her i dag. Vi hadde over 540 personer påmeldt til webcasten i morges. Vi gjør det på en spesiell tid, som mange av dere vet for våre vanlige forestillinger, vi gjør dette vanligvis klokken 04 øst, men vi ønsket å imøtekomme den helt spesielle gjesten som ringer inn fra hele dammen. La meg dykke rett inn i presentasjonen i dag.
Så dette året er varmt - det har vært et veldig tumultøst år på mange måter, jeg tror skyen har mye å gjøre med det. Sammensmeltningen av teknologier som vi er vitne til i markedet er den viktigste driveren, og jeg tar selvfølgelig beskjed om SMAC som de kaller det. Vi snakker SMAC: sosial, mobil, analyser, sky - og alt det der kommer sammen. Organisasjoner kan virkelig endre måten de gjør forretninger på. Det er flere kanaler for å utføre forretningsdriften, det er flere data som skal analyseres. Det er en virkelig vill verden der ute, og vi kommer til å snakke i dag om hvordan ting endrer seg i C-suiten, så toppsjefene, toppfolket i disse organisasjonene, vel at hele verden endrer seg akkurat nå, og vi kommer til å snakke om det.
Der er virkelig din på toppen. Vi har Jen Underwood fra Impact Analytix og Nick Jewell, den ledende teknologevangelisten fra Alteryx på linjen i dag. Det er veldig spennende greier. Jeg kom på dette konseptet i går, folkens, og jeg synes det er veldig interessant. Selvfølgelig kjenner vi alle musikalske stoler, spillet for barna der du har alle disse stolene i en sirkel, du starter musikken, alle begynner å gå rundt og en stol blir trukket bort; Når musikken stopper, må alle krympe seg for å få en stol mens en person mister seg i stolen i den situasjonen. Det er en veldig merkelig og overbevisende ting som skjer akkurat nå i C-suiten, og hvis du legger merke til i dette bildet her, har du to tomme stoler på baksiden. Vanligvis forsvinner en stol i musikalske stoler, og det vi ser i disse dager, er det at det er to stoler til på C-nivå: CAO og CDO, sjef for analyseanalyse og sjef for dataansvarlig.
Begge to tar av. Helt ærlig tar dataovervakten virkelig fart som en brann i disse dager, men hva betyr det? Det betyr noe veldig viktig. Det betyr at kraften i data og analyse er så betydelig at styrerom, eller eksekutivlokaler, jeg burde si, C-suiter endrer seg - de legger til folk i C-suiten, helt nye ledere fyller ut noen av disse nye setene. Hvis du tenker på hvor vanskelig det er å endre kulturen i en organisasjon, er det vel en ganske alvorlig avtale. Kultur er en veldig vanskelig ting å endre, og typisk blir positive forandringer fremmet gjennom god ledelse og gode ideer og den slags. Hvis du tenker på muligheten vi har akkurat nå, ved å legge til nye ledere i C-pakken for analyse og for data, er det en veldig stor avtale. Det taler for organisasjonenes mulighet til å endre bane, og la oss innse det, de store, gamle selskapene trenger virkelig å endre på grunn av hvordan markedsplassen endrer seg.
Jeg gir vanligvis eksempler på Uber, for eksempel, eller Airbnb som organisasjoner som grunnleggende har forstyrret hele næringer, og det skjer overalt. Det vi skal snakke om i dag, er hvordan organisasjonen din kan tilpasse seg, hvordan dere der ute kan bruke denne informasjonen, denne innsikten, for å endre virksomhetens bane og for å lykkes i informasjonsøkonomien.
Med det skal jeg overlevere nøklene til WebEx til Jen Underwood, og så kommer Nick Jewell til å kime inn også; han ringer inn fra Storbritannia. Takk til dere begge, og Jen, med det, skal jeg overlevere det til dere. Ta den bort.
Jen Underwood: Takk, Eric, høres bra ut. God morgen alle sammen. I dag skal vi snakke om denne CxO-lekeboken; det er fremtiden for data og analyse, og jeg kommer til å dykke rett i. Eric gjorde allerede en fin jobb med å snakke om hvorfor dette er så viktig. Foredragsholderne våre i dag, igjen, har du sett et nytt lysbilde med denne informasjonen, men du og jeg og Nick Jewell skal snakke veldig interaktivt med deg i denne økten i dag. Vi kommer til å åpne opp med å beskrive hva disse rollene er og hva slags ting de er på oppdrag å gjøre. Vi kommer til å se på analysebransjen, utsiktene generelt og noen av utfordringene disse menneskene kommer til å møte. Dynamikken i organisasjoner i dag når du forbereder deg på fremtiden, og så skal vi snakke om de neste trinnene og gi deg veiledning for planlegging, hvis du skal utforske noen av disse rollene i organisasjonen din.
Når vi snakker om dette CxO, CAO, for eksempel, det er sjef for analytikere, det er en stillingstittel for toppledere som er ansvarlige for analyse av data i organisasjonen. CAO vil vanligvis rapportere til en administrerende direktør og at den raskt fremvoksende stillingen vil være sentralt når du tenker på transformasjonsmassen og dens digitale transformasjon som vi har akkurat nå på den måten som selskaper tar og tar sine forretningsavgjørelser.
Hvis du tenker på at digital transformasjon og intelligens er kjernen i den digitale transformasjonen, er denne CAO en veldig strategisk rolle i en organisasjon. De bringer ikke bare sterk datavitenskap tilbake til faktisk innsikt og kunnskap, men de eier den resulterende avkastningen og effekten, så hva måles de på? Hvordan de bringer avkastningen med dataene de har, og noen av de viktigste linjenumrene i en organisasjon for å utnytte data strategisk. Denne posisjonen, sammen med CIO, sjef for informasjonssjefen, har økt til prominent på grunn av økningen i teknologi og digital transformasjon og verdien av data.
I mange år nå er data gull i denne spesielle verden med inntektsgenerering og intelligens og transformering av denne informasjonen. Å kunne ta disse proaktive handlingene og ikke bare alltid se bakover, i seg selv. De to stillingene er like på at de begge omhandler informasjon, men CIO, per se, vil fokusere på infrastruktur der en CAO fokuserer på infrastrukturen som er nødvendig for å analysere informasjonen. Den lignende stillingen er CDO, og du hører mye mer, vi hører sannsynligvis litt mer om CDO enn du gjør om CAO i dag. CDO fokuserer mer på databehandlingen og vedlikeholdet og prosessene for styring gjennom hele datahåndteringens livssyklus.
Disse menneskene kommer også til å være ansvarlig for å tjene penger på data og få verdi fra data og jobbe på tvers av løpetiden av styrings- og sikkerhetslivssyklusene, over hele livssyklusen, vil jeg si. Dette er folk som vil være veldig harmoniske, i seg selv eller ansvarlige for å sørge for at GDPR - og vi vil snakke om litt - den europeiske databeskyttelsesloven, og sørge for at disse typene ting blir dekket i organisasjonene deres. Nå får vi strukturen og fremtiden for forstyrrende dynamiske datakrevende roller. Dette er de typene ting CDO vil være ansvarlig for og ikke bare seg selv - de skal bygge et tverrfunksjonelt team, og jeg har noen eksempler på noen av de menneskene som vil rulle opp til per se, i en organisasjonsstruktur, fra arkitekter og styringspersoner, og til og med analytikere og dataforskere og ingeniører i en organisasjon kan komme til å rulle opp til dem.
For å komme videre inn i bransjens utsikter for analyse, har dette vært en fenomenal - sannsynligvis ti år, enda lenger - tur i denne bransjen. Det har vært kontinuerlig voksende, veldig spennende, selv under markedsstyrten for mange år siden var det fortsatt etterspurt. Det har bare vært et fantastisk sted, og hvis du ser på CIO-agendaen fra Gartner i 2017, er BI og analytics fremdeles innenfor de tre beste rangeringene av det som er viktigst for en organisasjon, og ser på veksten av programvaremarkeder, er vi stadig å se vekst der. Så lenge jeg har vært i dette rommet, har det alltid vært en veldig lys karriere.
Når vi ser på denne digitale epoken og transformasjonen, er det veldig, veldig interessant for meg, disse prosessene som vi har, og ofte er det å få informasjon og ta grep fra prosesser eller under forretningsprosesser. Nå har Gartner anslått innen 2020, informasjon som du har brukt vil bli oppfunnet, digitalisert eller til og med eliminert. Åtti prosent av forretningsprosessene og produktene vi hadde fra for ti år siden, og det begynner vi å se, ikke sant? Vi begynner å se at med Amazon-vers kanskje noen av de store boksebutikkene, Ubers, Airbnbs - disse digitale modellene forstyrrer prosessen, og nå samhandler folk. Til og med Black Friday - jeg vet ikke hvor mange som virkelig gikk til en butikk - mange mennesker kjøper på nettet, og hvordan når du den kunden? Det krever intelligens for å gjøre det. Det tar en veldig annen måte å samhandle og tilpasse meldingen og ha den intelligensen for å presentere det rette tilbudet til rett tid, og nå er det kanskje med et enkelt klikk på en knapp. Det er så lett for dem å forlate nettbutikken din. Ting forandrer seg virkelig i denne verdenen, og jeg tror Nick ønsket å chatte om dette også.
Nick Jewell: Ja, hei alle sammen, tusen takk. Jeg vil be om unnskyldning på forhånd hvis det kommer en liten forsinkelse på lyden som kommer inn fra London, jeg vil gjøre mitt beste for ikke å snakke om deg, Jen.
Du har helt rett, at eliminering av avfall, den gjenoppfinnelsen som en del av den digitale transformasjonen, ofte skjer når organisasjoner flytter fra skreddersydde produkter, kanskje frakoblede applikasjoner og til mer åpne og tilkoblede plattformer. Når prosessen din er digital, blir det mye enklere å se ende-til-ende ferden til dataene dine. Avgrens virkelig trinnene du tar, ved å bruke data for å optimalisere prosessen.
La oss komme frem et lysbilde hvis vi kan. Når det gjelder digital transformasjon, hva det betyr for organisasjoner, antar jeg at det er spennende eller skremmende, avhengig av hvilken side av spekteret du sitter på. Ta en titt på diagrammet her, og viser levetiden til selskaper og hvordan forstyrrende påvirkninger påvirker en organisasjons formue. Hvis du startet et selskap på 1920-tallet, har du nesten 70 år i gjennomsnitt, før et annet selskap forstyrret deg. Et ganske enkelt liv etter dagens standarder, for i dag fikk et selskap knapt 15 år til forstyrrelse truer eksistensen. Det er spådd at rundt 40 prosent av dagens Fortune 500-selskaper, så på S&P 500, ikke lenger vil eksistere om ti år. I 2027 kommer 75 prosent av S&P 500 til å bli erstattet, så halveringstiden som organisasjonene står overfor i dag, før de trenger å bekymre seg for forstyrrelser, er virkelig skrumpende. Vellykkede selskaper må ligge foran det digitale innovasjonsløpet.
I dag er det ingen som stiller spørsmål ved analysen. Det er midtpunktet, den digitale forretningsforvandlingen. Faktisk setter organisasjoner digital innovasjon helt i spissen for strategien sin. Disse selskapene, de er de fem mest verdifulle selskapene i verden, og representerer to billioner dollar i markedsverdi, Jen.
Jen Underwood: Ja, det er utrolig, det er det. Det er virkelig i endring, og raskt. Den andre dynamikken som vi har og vi har snakket om dette, nå tror jeg at vi endelig ser det og organisasjoner føler denne eksponentielle veksten av datakilder, og det er ikke engang bare å analysere data på strukturerte datakilder lenger. Igjen, vi snakker om, du har bare et øyeblikk i noen av disse digitale prosessene for å ta en beslutning, og disse tingene kommer i JSON fra REST APIer, vi snakker om ustrukturerte data, enten loggfilene, det er alle slags av forskjellige typer data, så vel som den ekstreme konstante veksten.
Nick Jewell: Ja, Jen, så som du påpekte, analytiske ledere drukner i et hav av data. Å komme til innsikten med høy verdi, kanskje bruke en blanding av eksisterende eller nye analyseteknikker, er virkelig sluttmålet, men det er et enkelt og grunnleggende problem som mange organisasjoner vi jobber med, de virkelig står overfor. Vi bestilte Harvard Business Review, vi gjorde undersøkelsen og snakket med dataanalytikere og forretningsførere. De spurte hvor mange datakilder de bruker i organisasjonen sin for å ta en beslutning, og det er ganske tydelig, det har skjedd et grunnleggende skifte de siste årene. Det pleide å blande data, skyve det til datavarehuset, men jeg antar at til tross for alt det utmerkede arbeidet som IT-grupper har gjort, og som oppretter sentralisert datastyring, blir analytikere fremdeles møtt med oppgaven å lage det spesifikke analytiske datasettet, men de trenger å svare på et forretningsspørsmål. Faktisk er det bare 6 prosent som har fått alle dataene sine ett sted, og flertallet av analytikere må hente data fra fem eller flere kilder - ting som regneark, skyapplikasjoner, sosiale medier og selvfølgelig ikke å glemme det datavarehuset.
Nå erkjenner de fleste organisasjoner dette, men det de fleste organisasjoner ikke har å gjøre med, er det enkle faktum at datapersonell bruker mer av tiden sin på å regjere og søke etter data, enn de faktisk bruker utvinning av verdi. Dette er ikke de høyprofilerte strategiske analytiske problemene forretningsadministratorene ønsker å høre om. Men å ikke ta opp det grunnleggende problemet kommer til å hindre at organisasjoner virkelig oppnår verdidrevet innsikt. Jen?
Jen Underwood: Det er interessant. Jeg har definitivt sett forskjellige studier på dette, og det er dette stykke her, enten det er 80 prosent av tiden eller billioner dollar som fikser de samme dataene om og om igjen, veldig ineffektivt i en organisasjon. Dette legger opp, disse 37 og disse 23 prosentene er veldig kostbart avfall. Det er utrolig for meg at det ikke blir mer oppmerksomhet rundt det.
Ser jeg på noen av disse, hva jeg vil kalle markedskreftene, og mange ganger når jeg snakker om bransjens trender, elsker jeg å følge bransjen og holde en konstant puls på den. Det er viktig å forstå når noe er mer enn en trend, når det virkelig vil være en styrke du må ta hensyn til, og dette er de tre beste nå, krefter å ta hensyn til. Det er denne raske veksten, nummer én er rask vekst av ikke-relasjonelle databaser. Jeg nevnte hele konseptet om ikke å ha mye tid til å måtte spørre, i seg selv, en JSON, det er denne typen ikke-relasjonelle scenarier, som vokser ganske - jeg tror jeg har litt statistikk i et øyeblikk her - raskt.
Den andre tingen er det pågående skiftet til skyen. Før samtalen jeg nevnte var jeg en verdensomspennende produktsjef hos et av de store teknologifirmaene og hadde vanskelige samtaler for tre år siden med grupper som sa: ”Vi vil ikke legge noe i skyen. Vi vil ikke flytte til skyen. ”Og det har vært veldig interessant å se grupper et år senere, to år senere, nå hører jeg fra de samme gruppene, at alle har en skyplan. Jeg synes alle er en veldig bred pensel uttalelse ekstrem, men det jeg vil si er, folk som har vært anti-sky, absolutt holdningen har endret seg dramatisk, i løpet av en veldig kort periode, selv siden jeg snakket med grupper over hele verden om denne typen ting.
Automasjon, dette er et område som jeg har vært fascinert av, og et område som vi absolutt ser mye aktivitet og flott aktivitet. Vi snakker om noen av disse tingene med å ha denne bortkastede tiden og ineffektiv bruk av tiden din. Automatisering er absolutt et av områdene jeg er mest spent på når jeg tenker å gi verdi til en organisasjon.
Neste lysbilde jeg skal snakke om, dette er en studie fra IDC, de ser på markedssegmentene og veksten, og det er virkelig en fantastisk måte å ta en puls på hva som virkelig vokser, hva kjøper jevnaldrene dine? Hvilke typer ting er de ikke interessert i lenger? Disse typene ting og sette inn strategien deres.
Det verdensomspennende markedet for stordataanalytisk programvare har ifølge IDC 16 segmenter og i den segmentforstand ser vi på til og med noen navneforandringer. Det var et tillegg av kontinuerlig analytisk programvare, kognitive AI-programvareplattformer, søkesystemer, så det var noen nye kategorier til og med lagt til her. Denne markedsoversikten omfatter ganske mye de horisontale verktøyene, ferdigpakkede applikasjoner, samt noe beslutningsstøtte og beslutningsautomatisering av brukssaker. Igjen, dette kommer til å være de typene løsninger, når du tenker på CDO, sette i en kontekst av en CDO, deres portefølje som kan administrere fra dataintegrasjon til analysevisualisering, maskinlæring og alle disse typer funksjoner de trenger å ha i den digitale epoken.
Selve det verdensomspennende markedet for disse typer løsninger vokste med 8, 5 prosent i gjeldende valutamål, og det totale markedet vokste i henhold til IDC 9, 8 prosent. Dette ble sammenlignet med - du ser på valutasvingninger over et par års periode, og variasjonsgraden er minimal, men de tre øverste segmentene som jeg fremhevet, bare for å gi deg en følelse av de ikke-relasjonelle analytiske datakildene, 58 prosent vekst fra år til år, innholdsanalyse og søkesystemer var 15 prosent, og noen av kundeforholdene, CRM-ting eller Salesforce Einstein, for eksempel vokser de over 10 prosent, de er 12 prosent akkurat nå. Jeg tror Nick ønsket å legge til litt kommentarer også til denne.
Nick Jewell: Takk, Jen. Det er et fantastisk visuelt. Jeg tror at hos Alteryx har vi alltid trodd at forberedelse og blanding av data alltid vil være en kjernekompetanse for et hvilket som helst analytisk system, men det er virkelig grunnlaget for all mer avansert analyse. La oss snakke om bransjen, de siste årene. Det kan ha vært litt for fokusert på noen av de nye interaktive visualiseringsfunksjonene. De ser vakre ut fordi de øker engasjementet, de driver innsikt, men de flyttet oss egentlig ikke utover beskrivende analyser.
Men jeg antar at nå som folk setter sine synspunkter litt høyere, vil organisasjoner som begynner å forstå forretningsverdiene komme fra de mer sofistikerte analysene som akkurat nå tar seg inn i mainstream. Spørsmålet der blir, hvordan, eller mer spesifikt, hvem? Dette hoppet til analyse av høyere verdi; det er virkelig å kaste spørsmålet om analytisk talentmangel til ganske skarp lettelse, vil du være enig?
Jen Underwood: Absolutt, og jeg hadde, jeg tror jeg bare tweetet, jeg så en virkelig fascinerende kommentar i går kveld fra visepresidenten for Adobe og sa: "Maskinlæring har blitt tabellinnsatser, " der folk pleide å være på vakt, nå har det blitt et behov, og det er interessant. Ser på dette og bare en bitteliten annen liten annen vinkel, per se. Mange mennesker, vi begynner å se dette som et område med høy vekst med en ikke-relasjonell analytisk butikk og den kognitive AI, disse maskinlæringene, disse analysene av høy verdi. Men fremdeles på slutten av dagen, akkurat nå er det største segmentet, så hvor de fleste kjøp skjer i dag, fremdeles i dette grunnleggende, hva jeg vil si, rapportering av spørsmål, noe av den visuelle analysen, og den vokser fremdeles og det er noe mange antar at du allerede har det - ikke nødvendigvis. Det vokser fremdeles 6, 6 prosent hvert år.
Som en CDO - og jeg elsker å vise dette lysbildet - i utgangspunktet bare for å si at når du går inn i denne nye rollen eller når du ser på data i en organisasjon, er det kaos, og jeg tror at akkurat dette lysbildet virkelig gjør en fin jobb med - dette er alle de forskjellige potensielle områdene du kan ha data. De kan være på stedet, det kan være i skyen, det kan være hybrid, det er overalt og det er en stor overveldende - igjen, det er en rolle på C-nivå nå i en organisasjon, og det er ikke en enkel oppgave eller enkel - I denne spesielle verden å ta på seg, er det til tider ganske overveldende. Dette er den verden som denne CDO trenger for å navigere, for å kunne mestre, hva jeg vil si, for å maksimere verdien av data.
Fortsetter utfordringen, maksimerer verdien av alle de forskjellige kildene og hva vi har er disse lukkende tidene med disse digitale prosessene eller innsikten til handling lukkes. Hvis du tenker på for kanskje fem år siden, for ti år siden, kan det være at du vil ha rapporter om at du ville løpe for å ta noen beslutninger med varelager eller handlinger, de kan løpe ukentlig, månedlig, så ble de daglig eller over natten, kanskje hver time.
Nå, det vi ser er disse intelligente maskinlæringen innebygde kunstige intelligente kontorer, tar beslutninger og korreksjoner på stedet, så selv ting som internett, IoT-innebygd analyse i kanten, disse systemene er smarte og disse algoritmene kan selvstemme og endre noen av beslutningene de tar på stedet til rett tid. Det har vært veldig interessant å se denne dynamikken med de digitale revolusjonene og disse berøringspunktene - selv om de har økt, fortsetter tiden til handling å avta og teknologien utvikler seg nå for disse scenariene.
Nick Jewell: Ja, Jen, jeg tror at en av de mest interessante aspektene ved hvordan innsikten leveres, er hvor analysen kommer til sluttbrukeren. Ber vi brukerne om å hoppe inn i et dashbord når de tar en kritisk beslutning, eller sier vi at innsikten, den neste beste handlingen, er tilgjengelig direkte i prosessen, i strømmen, for å drive det konkurransefortrinnet? Og den analytiske modellen som vi snakker om, kan trenge å hente innspill fra et vell av forskjellige kilder - tradisjonelle datavarehus, geolokasjoner, sosiale medier, sensorer, klikkstrøm - alle disse dataene har betydning for beslutningen og det handlingsrike resultatet .
Jen Underwood: Å fortsette med dette temaet utfordring og endring, det vi har akkurat nå, og utfordringene administrerende direktør trenger å omfavne og planlegge en måte å erobre disse, er egentlig at vi har for mye data til å effektivt administrere og manuelt analysere. Det er lange forsinkelser; vi må forkorte disse forsinkelsene, og vi må finne en måte å maksimere verdien på dataene vi har. Det er mangel på datavitenskapstalent i verden og for å dekke denne innsikten og det vi vil kalle hav som data. Den gode nyheten er at det er noen fantastiske nyvinninger som skjer for å hjelpe på alle områder av dette i dag, og det begynner å bli spennende med å se hva teknologien tar oss for å hjelpe oss med disse utfordringene.
Da jeg fortsatte å se på dette, er det litt forvirring da jeg snakket med kundene, eller jeg snakket med grupper som brukte noen av disse verktøyene. Noen av de klassiske utfordringene eksisterer fortsatt i dag, det blir bare litt mer forverret med å prøve å finne data å analysere. Noen av søkeverktøyene, noen av katalogene der ute hjelper absolutt ting - nå finner vi ut hvilken katalog vi skal bruke når. Det er et par forskjellige kataloger, så det er forskjellige steder du kan lagre og dele data, så det gjelder å prøve å finne ut en, kanskje katalogen vi burde se på.
Den andre tingen er samarbeid. Vi snakket om en av studiene fra Harvard Business Review, hvor mye tid som brukes, i utgangspunktet å gjøre ikke-verdiøkende oppgaver, kaste bort tid og hvor dyrt det kan være. Hvis du er i stand til å dele og bruke vanlige datakilder, skriptene er allerede utviklet, logikken allerede er der, kan du styre dem effektivt, så balansere styring med analytisk smidighet, det er virkelig det du vil streve med å gjøre og navigerer i denne verdenen av det jeg vil kalle, vi har nisjeverktøyene, vi har automatiserte arbeidsflytverktøy, vi har klassiske Excel, datakatalogene, selvbetjenings BI, data science verktøy. Som det bildet viste, er det mange, mange verktøy og mye overlapp mellom dem.
Nick Jewell: Ja, perfekt, Jen, og jeg tror innsiktsvinduet, som du nevnte, det definitivt krymper, men tiden det tar å faktisk distribuere modeller holder ikke følge. Prediktiv modellutplassering fortsetter å være en stor utfordring for mange selskaper. Vi har snakket med Carl Rexer som er president for Rexer Analytics, og i Karls datavitenskapelige undersøkelse i 2017, fant han ut at bare 13 prosent av dataforskere sier at modellene deres alltid blir distribuert, og at dette distribusjonsforholdet bare ikke forbedres, så vi gå tilbake med hver forrige undersøkelse. Faktisk, tilbake til 2009, da spørsmålet første ble stilt, og vi ser nesten identiske resultater, så vi har et virkelig gap.
Jen Underwood: Når vi ser på analytisk modenhet, utvikler den seg raskt. Igjen, for to, tre år siden, var vi veldig glade for å ha visuell selvbetjeningsanalyse og til slutt være fleksible og utvide BI til massene, per se. Når jeg sier masser, er det sannsynligvis fortsatt strømbrukere i en organisasjon. Nå ser vi optimalisering, prediktiv analyse, dyp læring, naturlig språk, mange andre teknologier som virkelig, når de er innebygd i hverdagslige prosesser, til slutt virkelig vil demokratisere analysen veldig sømløst for massene, for de sanne massene å bruke i eksisterende forretningsprosesser som de allerede har.
Nick Jewell: Ja, Jen, la oss snakke en kjapp historie rundt den siste kategorien, hvis jeg kan. De fleste lyttere på samtalen i dag kommer til å bli kjent med Google DeepMinds AlphaGo-programvare, og beseiret noen av de beste Go-spillerne i verden de siste par årene. AlphaGo lærte å spille spillet ved å studere enorme mengder tidligere innspilte kamper. Så mye at kommentatorene til AlphaGo-turneringen hevdet at programvaren som ble spilt i stil med en japansk stormester, tro det eller ei.
Men den siste måneden ble det rapportert om et nesten mer forbløffende resultat. Dette var AlphaGo Zero, dyp læring, nevralt nettverk, bevæpnet med ikke mer enn de enkle spillereglene og en optimalisert funksjon. Det lærte seg å bli den sterkeste Go-spilleren i verden, uten trening under veiledning, og det gjorde alt dette på rundt 40 dager. Denne såkalte forsterkningsopplæringen, der mennesker definerer utfordringen, lar det dype læringssystemet utforske, forbedre, virkelig kunne gi den største effekten i det analytiske rommet ennå. Så jeg antar, vær innstilt.
Jen Underwood: Ja, det er virkelig interessant du nevnte det. Kan du forestille deg unntakene? Og det er dette jeg begynner å se. Når jeg snakker om automatisering, veldig spennende for løsningene å være smarte nok til å rense luft, å lære av systemer automatisk, plug and play og bare vite hva jeg skal gjøre videre basert på noen av de tidligere beslutningene som har vært eller andre beslutninger. som har blitt laget i organisasjonen og som har administrert noen av disse systemene, ETL-systemene og tatt vare på dem, og hadde langt tilbake i løpet av dagen piper og telefoner som ringte meg med varsler når prosesser ikke kjørte, det er så spennende å tenke, "Wow, nå er det smart nok til å sannsynligvis selge seg selv."
Mannen min klarer et selvhelbredende rutenett, vi vil ha data om integrering av selvhelbredende data, selvhelbredende analyser og hvor det blir bedre og bedre, det er virkelig spennende. Som CDO, når du begynner å tenke på mennesker prosessteknologi, skal vi ta en titt på, akkurat nå ser vi på teknologi, så skal vi se på mennesker og hvordan du kan tilnærme oss å bygge teamet ditt og bygge ferdighetene. Hvis du ser på moderne analyseplattform, vil jeg si det med en gang, ikke alle kommer til å ha alt her, selv om de største organisasjonene kan ha alle disse forskjellige komponentene, i seg selv, noen grupper kan bare ha to eller tre små bokser her, så jeg ville ikke overvelde folk med dette. Men en moderne BI-plattform krever ikke nødvendigvis et IT-bygg, forhåndsdefinert semantisk rapporteringslag.
Brukerne og ekspertene bør egentlig bare få fullmakt til å bare forberede data for analytisk hastighet og smidighet, og hvis du tenker på økningen av det vi vil si bruker- og ekspertledet analyse, og la fageksperter ha smidigheten, må de ta raske avgjørelser. Vi ser en økt adopsjon av hva vi vil si, verktøyene for forberedelse av personopplysninger, krangling av data, berikelse, rensing, aktivitetstypene som Alteryx gjør, samt noen av de datavitenskapstypeaktivitetene de tilbyr som vi vil. Den moderne forberedelsesløsningen, de tilbyr intelligente, automatiserte sammenføyninger, luftoppløsninger, forskyvning av data, når du har big data-rørledning er det veldig, veldig kult. Dette er sannsynligvis, igjen, et av områdene som jeg elsker og virkelig liker å teste også i bransjen.
I motsetning til den tradisjonelle IT-ledede BI, fokuserer IT i dag virkelig på å aktivere virksomheten, og du har folk som CDO-er og setter sammen eller velger de riktige løsningene for å orkestrere, organisere og forene disse dataene og sørge for at det selvfølgelig er styrt, ikke sant? En ting som er veldig interessant for meg, og absolutt tror jeg at vi har konkludert med dette, men jeg tror ikke vi bare har sagt det, dagene til et datavarehus i en størrelse og passer til det end-all be-all, er absolutt over. Data er overalt, du trenger å lage - datasjøer har kommet inn i bildet, det er streaming og live data, det er så mange forskjellige datakilder nå, det er egentlig mer bruk av en sakbasert, "Hva trenger du?" Vers dette "Vi må få alt inn i et datavarehus." Jeg er ikke sikker, Nick, ville du kommentere dette? Jeg husker ikke.
Nick Jewell: Jeg skal bare si en ting, og det er bare å se på utviklingen av komponenten. Det ekspertene gjorde for fem til ti år siden, er nå i hendene på brukeren, så tingene på høyre side der, kommer til å være mer utbredt for brukeren i en dra-og-slipp-kodefri form veldig, ganske kort tid. Den vil bevege seg raskere og raskere, så bare hold øye med det.
Jen Underwood: Ja, det er virkelig bra poeng. Jeg elsker å tenke på det. De forskjellige dataene vitenskapen, endelig blir det en realitet og verktøyene blir så mye bedre. Tenker vi på teknologi, nå må vi ha ferdighetene og menneskene, og hva trenger vi å gjøre? Akkurat nå er de beste jobbene, de inkluderer titler som dataforskere, dataingeniør og forretningsanalytikere, men det vi finner er at arbeidsgivere selv synes det er veldig tøft å slå seg sammen. Selv på data prep-plassen, vil jeg si: "Er det prep, data er krangel, hvilke vilkår kaller folk det?" Det har vært veldig interessant å finne.
Virksomheten vet ikke hva de trenger, og det er dette helt nye nye feltet som vil spenne over mange forskjellige områder. Hvis du ser på alle som nå må være en mester i sine data, forretningsanalyse, IT-prosjektledere, mannen min som administrerer et strømnett og en portefølje av prosjekter, må han kunne analysere dette. Det er ikke bare økonomi og dataanalysen lenger, den er virkelig utvidet mye bredere til andre områder i organisasjonen. Jeg tror jeg så en studie om hvor mange datakilder markedsføring bruker, og det var overveldende. Igjen, når du tenker på studien som ble gjort av Harvard Business Review, er det ikke bare en datakilde lenger at folk må mase og slå sammen og finne et innblikk i, det er mange datakilder og det krever ferdighet å gjøre det.
Når du ser på det større bildet her, vil de fleste nyansatte være i denne rosa bobla mot bunnen, når du snakker om disse forretningsanalytikerne til data mining analytikere, HR-sjefene, dette området, bare vanlige roller innenfor linjen av virksomhet ved bruk av data. De raskest voksende rollene vil ha mindre jobber, men absolutt hva vi hører om mest i markedet i dag, dataforskeren og dataingeniøren. Som CDO ser de fremover og planlegger talent, du må ta del i noen av automatisering av rutineoppgaver og hvilke typer ferdigheter som vil være mer strategiske, og igjen, gi verdi med organisasjonen din, for begge deler de i analytics aktivert, men også for datavitenskapen og dataingeniøren folk der. Tenk på hvordan dine uposterte posisjoner og til og med noe av frilansøkonomien kan endre seg når du tenker på det for å konkurrere om de beste og lyseste.
Og tenk alltid på talentpipelinjen din, hjelp kandidater med å navigere i markedet eller se etter ting som kan være litt annerledes og ikke akkurat hva du vil og lage interne analysekurs, som kanskje ikke er de raskeste, mest kostnadseffektiv strategi for deg å følge med. Vurder å se på folk som er dedikert til å trene på denne eller forskjellige grupper, og jeg tror Alteryx har et anbefalt kurs på slutten av økten i dag som en oppfordring til handling, som du kan utnytte for noen av disse tingene og hjelpe teamet ditt å utnytte noen av de eksisterende ressursene som allerede er tilgjengelige.
Nick Jewell: Absolutt. Det er så mange måter å fylle det talentgapet på uten å bli fanget opp i et våpenløp. Et par sklir tilbake, jeg vet ikke om du klarer å snu et par der. Kaggle, datavitenskapens konkurranseside, de ga nettopp ut en undersøkelse med 17 000 svar rundt staten for datavitenskap, og det var en veldig interessant respons fra undersøkelsen rundt ferdighetene folk hadde, og flertallet av respondentene hadde ikke en doktorgrad, det er bare ikke en forutsetning lenger.
Ideen om at neste generasjons analyseeksperter, den store bobla du nettopp viste, de kan få kunnskapen de trenger fra nano-gradskurs. De kan gå til nettsteder som Udacity, og de kan distribuere denne kunnskapen umiddelbart, direkte i virksomheten, og kortfokuserte leveringssykluser gjør dem til en umiddelbar kilde til konkurransedyktige fremskritt for selskapene. Så noe å passe på, tror jeg.
Jen Underwood: Nei, jeg er enig. Selv om jeg tenker på det, er det helt sikkert kommet langt siden jeg tok et toårig program på UCSD. Dette var tilbake i, tror jeg, i tidsrammen for 2009 i 2010, og det var virkelig en håndfull i landet som tillot deg å gjøre det. Det er generelt mange flere alternativer nå, i tillegg til spesialiserte programmer, enten det er gjennom leverandørene, mange ressurser tilgjengelig i dag med løkker og alle disse forskjellige online ressursene, det er bare fantastisk, det er virkelig tiden. Få tid til å budsjettere og planlegge å følge med. Hva er det du vil lære? Og deretter følge den stien du vil lære.
Snakker om å se på dette og sette sammen din egen ferdighetsplan og fra en CDOs potensielle, og sørge for at de har folk i områder som er dekket, fra det jeg vil si en kompetanseramme i seg selv, se på ferdigheter eller se på ting som domenekunnskap er fremdeles veldig viktig, selv om disse løsningene kan trene og lære selv, er det virkelig en ekspert på forretningsområder som vil veilede og sørge for at resultatene gir mening.
Det er alltid noe, og jeg liker å bruke eksemplet på når jeg foretok kritisk analyse for et forsikringsselskap, og et av funnene som algoritmene hadde, var ikke å ansette noen fra New York. Vel, nei, vi har ikke tenkt å ansette noen fra New York - vi måtte finne ut hvorfor algoritmen ga oss denne informasjonen. Det var fordi det juridiske, en av lovene hadde endret seg, og derfor hadde vi mye kvis i det aktuelle segmentet. En virksomhetsfaglig ekspert trengte å bli hentet inn for å tyde det, og jeg ser ikke at det endrer seg, jeg ser ikke den slags lede det, sørge for at resultatene ser nøyaktige ut, ser noe av - det er fremdeles, det er noe som sies å være det menneskelige sinnet, skjønnheten i det kombinert med maskinens kraft, er virkelig dit vi skal.
De andre typene ting når du ser på ferdigheter, visualisering, fortelle en effektiv historie i dataene, fortelle en effektiv historie om det til og med er maskinlæring. Disse tingene er veldig viktige uavhengig av teknologi når de setter sammen og ser på hva det er for virkningen det gjør, forståelse av den menneskelige karakteren av beslutninger. Styring er virkelig viktig, etikk blir mer og mer viktig. Å ha samfunnsvitere involvert, som forstår og at de er opplært til å se på om det er skjevheter i dataene dine som du ikke engang er klar over eller ikke har noen i organisasjonen som kanskje ikke engang anerkjenner det, selv om du får dem inn i ekspert, har de slags ting.
Og igjen, selvfølgelig å ha infrastrukturen for prosjektering og maskinvare og sørge for at du kan skalere og den er utviklet og sørge for at du bruker riktig skyleverandør, kanskje at du ikke er innelåst eller at du har muligheter til å flytte eller at du forstår prisene på hvor mye disse kommer til å koste deg. Det er denne typen ferdigheter, og når du ser på dette, vil vi kalle det ferdigheter etter forskjellige områder, enten det er datadrevne beslutningstakere i frontlinjen - hvor de fleste av disse rollene vil være - helt til de datatekniker og dataforskere som vil være masserer og jobber i disse havene av data. Dette er typen ting du vil sette sammen et rammeverk for.
Ser du på kompetanserammer, ser du på en organisasjon generelt, du vil vurdere kompetanse, ikke bare ferdigheter. Det er en liten nyanse der i ordlyden når du ser på dette. Et kompetanse rammeverk for din organisasjon er et tydelig signal. Mens politiske beslutningstakere, utdanningsleverandører, mens ferdigheter kan sies, skrives under R, tenker du på de typer ting, har du en kompetent koder, men du vil ønske å ha mer enn bare ferdighetene. Når du forstår kompetanse, hva en person må kunne og forstå rammene, det er det viktige, det er litt av en nyanse der.
Når du bygger dette, vil du diagnostisere hva du vil kalle kapasiteter som har en positiv innvirkning på virksomheten og fremhever de områdene med høyt potensial, så du prioriterer hvilke kompetanser du vil heve i organisasjonen din og deretter justere dem igjen, med forretningsmessige mål. CDO som er ansvarlig for å maksimere verdien av data, de vil se på, og deres CAO, som kommer til å bruke analyse for å maksimere verdien av data. De vil se på kompetansen og de forskjellige områdene, på det tidligere rutenettet som jeg hadde der, men så kommer de også til å se på det høye potensialet for ansatte. Du kommer til å henvise til det med de ansatte for data- og analysearbeid og investere i dem, gi dem læringsmuligheter og ikke bare opplæring, i hovedsak muligheter i den virkelige verden som arbeider med reelle forretningsproblemer.
Det er ikke noe bedre - selv om jeg gikk på skole i et par år, var det ikke før jeg gikk og brukte noen av disse algoritmene eller lært om sjekkbedrageri, lært om noen av disse tingene jeg aldri hadde tenkt på før, og du begynn å sette sammen i den virkelige verden, og det er der du virkelig lærer. Å gi folk den muligheten til å få erfaring på disse områdene. Bedriftene som er best i stand til å bygge sterke evner, som systematisk identifiserer, objektive vurderinger og ser på hvor er hullene i organisasjonen min for å lære og sette noen beregninger for mål for folk, det er de som skal kunne å levere.
Når du tenker på å trene voksne, igjen, er det vanligvis en tid sultet - vi er alle tid sulte - men ser på hva som fungerer for hver enkelt. Jeg har personlig bøker, så hvis du skulle komme inn på kontoret mitt i dag, ville du sett mange bøker, selv om mange mennesker liker videoer. Så det er et spørsmål om å finne ut, hvordan liker noen i organisasjonen din å lære - å motivere dem til å lære - men også gi dem litt tid til å gjøre det og målet om en slags - hva er effektivt å nå det og vanligvis er det blandet, det er ikke bare, ta det kurset for å sjekke det merket på et poengkort, per se, det blander det med ekte målprosjekt og hva lærte du av det prosjektet og hva vil du gjøre videre? Hva er en strekning? Strekker teamet ditt eller motiverer teamet ditt til å ta det videre.
Disse læringsmålene, igjen, hvis du gjør det, burde det ikke være, det skal være enkelt for virksomheten, i hovedsak fordi disse målene skal være i samsvar med de strategiske forretningsinteressene. Dette er flotte prosjekter. Det er eksperimentelle prosjekter. Det er prosjekter som vil føre nålen fremover.
Nick, ville du legge til noe? Jeg er ikke sikker.
Nick Jewell: Nei, jeg hadde tenkt å hoppe inn i en casestudie, hvis det er OK, på neste skjermbilde. Litt mer detalj om en spesifikk organisasjon. Jeg antar at de har brukt mye av det du sier ut i livet, til virkeligheten. Ford Motor Company stolte på dataanalyse i flere tiår, akkurat som mange selskaper, men det gjorde det i lommene på virksomheten, med sannsynligvis veldig lite tilsyn over hele selskapet for å sikre konsistens og koordinering. Problemene deres var sannsynligvis ganske typiske for en organisering av skalaen deres, så analytisk ekspertise inneholdt - som vi sier - i lommer, datahåndtering og styringspraksis var inkonsekvent, til og med til et punkt der noen forretningsenheter manglet tilgang til grunnleggende analytisk ekspertise.
Igjen, vi har snakket i dag om mange forskjellige typer datakilder, de hadde over 4600 datakilder. Det betydde at selv å starte reisen og finne dataene de trengte var en virkelig hindring for analytisk innsikt. Jeg ser at du ler, men det er en forferdelig ting, ikke sant?
Jen Underwood: 4.600, herregud, ja.
Nick Jewell: Så Ford dannet den globale innsikten og analyseenheten, og dette ble sentralisert - du kan kalle det et senter for dyktighet - bestående av team av dataforskere og analytikere, organisert for å dele den analytiske beste praksis og bidra til å spre optimalisert datadrevet dataføring på tvers av virksomheten. Enheten valgte de beste verktøyene i klassen, ikke bare med tanke på evnen, men også på deres evne til å integrere godt sammen, så det er ganske viktig. Fokus for deres demokratisering var faktisk rundt rapporter og beskrivende analyser, før de rykket opp den pyramiden av behov som vi har snakket om.
Nå gjør ikke demokratisering noen bare en dataforsker over natten; personalet trenger å vite når og hvor de kan få hjelp, og det er opplæring, styring, metoder som er tilgjengelige for å hjelpe med alt dette. Det handler ikke bare om verktøytrening, men også datavitenskapstrening, for å bygge bro over det ferdighetsgapet vi har nevnt. Så, en virkelig brukssak hos Ford, som optimaliserte et logistikknettverk, så betalte Ford det riktige beløpet for å flytte materialer fra punkt A til punkt B? Legacy analytics deres fremhevet virkelig ikke mulige muligheter; Dette gjorde dem veldig reaksjonære i markedet. Nå var mye kompleksitet for den prosessen låst inne i analytikernes hoder, og de gjorde et enormt gjennombrudd da arbeidsflyten med selvbetjening faktisk ble iterert med virksomheten, og analyseekspertene satt sammen og ble samlokalisert.
Dette flyttet analysen fra flerårig til kvartalsvis, og til og med ned til nær sanntid, så stor, enorm fordel for virksomheten. Fordelen med selvbetjeningsanalyse på forretningsverdien, det har vært at Ford raskt kan planlegge og etablere datadrevne strategier for hele virksomheten, for å svare på nye trender, bidra til å forme nye tjenester og i utgangspunktet avverge trusler fra konkurransen, uten bare å måtte se i det bakspeilet.
Hvis vi nå ser et øyeblikk på hvordan en annen kunde virkelig har flyttet analyser fra kanskje en vertikal prioritering i en enkelt avdeling av firmaet til å være en horisontal stripe på tvers av alle divisjoner, snakker vi om Shell. Shell driver et senter for dyktighet som rapporterer til den øverste digitale offiseren - så det er en annen D for vår CxO-spillbok - ansvarlig for digital transformasjon og bærekraft. Disse karene forsto de at miljøet deres inneholdt flere lag og teknologibunken, lagring, databehandling og det hele inneholdt teknologier som du alle vil være kjent med. Ting som SAP HANA, Databricks, Spark og de utnyttet offentlig sky for å nå de rette stordriftsfordelene.
Nå valgte de Alteryx som analytisk innpakning for mye av R-koden, og leverte inn teknologier som Spotfire, Power BI og mer. Men nå ser de at adopsjonen knytter seg mye tettere til databehandling og visualisering. Jen, bare ringer tilbake til lysbildet med alle disse mulighetene, denne typen ting sprer seg når vi begynner å gjøre det mulig for flere analytikere å ha tilgang. Du vet, de var enormt vellykkede med å levere denne evnen og COE, og ønsket å levere fremtidige evner nå, noen av de dype læringene vi snakket om - maskinsyn, naturlig språkbehandling - og halvparten av oppgaven deres er levering, halvparten av det handler om å forklare og katalysere disse ideene på tvers av forretningsenheter. Det er en del av reisen; COE er alltid på utkikk etter forskjellige måter å kommunisere med sin forretningsgruppe.
Når man på en side tar hensyn til skeptikerne som sier: "Vel, denne sorte boksen vil aldri være like god som analytikeren min", helt til fanboy eller entusiast som ser sammenhenger overalt, kanskje mindre i veien for årsakssammenhenger, men du må være forsiktig på begge sider. Det er en fascinerende midtbane, når du har denne horisontale stripen over en hel organisasjon, det hybridferdighetssettet som er nødvendig for å overtale begge sider av spekteret.
Nick Jewell: OK, Jen, er du der?
Jen Underwood: Jeg er det.
Nick Jewell: Jeg antar at det vi prøver å si her med dette sitatet fra Clayton Christensen, er at for mange organisasjoner, antar jeg, å forene den analytiske agendaen for å drive den digitale transformasjonen som vi har snakket om i dag, kommer til å være en utfordring. Oftere enn ikke finner vi analytiske team som starter med en svak hånd. Å forsøke å innovere med arv fra analytiske prosesser, teknologier, teamstrukturer og holde på disse relikviene, vil være den største barrieren for analytisk justering og for analytisk innovasjon. Har du noen tanker om det, Jen?
Jen Underwood: Jeg liker bildet som ble valgt. Ja, gir absolutt mye mening for meg. Du må omfavne noen av disse nye teknologiene, for eksempel streaming i sanntid. Du kommer ikke nødvendigvis til å kunne oppnå disse sanntidsresultatene hvis du må gjøre JavaScript-oppdateringer i en nettleser, per se, med en gammel arv - kanskje er det en dashbord-app eller slike ting. Ja, du trenger å omfavne noen av disse nye verktøyene, og igjen, jeg synes dette bildet er veldig søtt, et bilde sier tusen ord. Vogna og buggy, du må gi slipp på noen av de gamle teknologiske tilnærmingene.
Nick Jewell: Absolutt. Så hvis vi går videre til neste lysbilde, tror vi det er en bedre måte. Jeg antar først og fremst å bruke noe som tilsvarer Google-lignende søk, for å raskt finne alle dataene dine som er mest relevante. Forstå deres kontekst, forstå avhengighet, innarbeide virkelig enkle ting som forretningsordliste forfattere av eksperter i lokalsamfunnene dine, som holdes i live av all den stammekunnskapen til dine kollegers hoder.
Blir smart med dataoppdagelse. Tenk på evnen til å føre samtaler med rapporteiere og eksperter. Last opp, gjør litt av Trip Advisor eller Yelp, last opp eiendelene som er mest nyttige, sertifiser de organisasjonen mener er mest verdifulle og deretter fôrer alt dette tilbake til søkeresultatene og til slutt søkerangeringene, og gjør det bedre for neste bruker. Når du har funnet det du leter etter, går du inn i den raske, kodefrie, brukervennlige, forberedelses- og analysefasen for å utvikle det perfekte datasettet, som du kan publisere repeterbare prosesser fra.
Tilbake til automatiseringssamtalen vår, og bygg opp brukervennlige apper. Uansett hva som skal til for å bygge analytiske modeller. Når vi snakker om modeller, har vi støttet åpen kildekode-teknologier som R i en årrekke, og gjør det mulig for oss å bygge opp en virkelig avansert analytisk evne som dekker beskrivende, men også prediktiv, reseptbelagte analyser, i en enkel dra-og- slipp måte.
Nå, over til høyre, faktisk å få den innsikten ut i interaktive visualiseringer, modeller og score som blir dyttet ned i dataplattformene, eller senest, og gjøre den innsikten tilgjengelig umiddelbart og direkte i en forretningsprosess. Jeg tror det er dette spekteret av muligheter over hele plattformen som lar oss bli anerkjent som Gold Award-vinneren i årets Gartner Peer Insights Customer Choice Survey, som er en fantastisk prestasjon. Jeg anbefaler på det sterkeste at du besøker Gartner-siden for å finne ut mer, legge til dine egne stemmer og legge til din egen kommentar.
Kult, så, Jen, hvis vi hopper frem et lysbilde til - jeg antar at når vi konkluderer, vil jeg gjerne gi deg alle de neste trinnene. Først av alt, vennligst besøk Alteryx.com for å laste ned en gratis kopi av vår siste forskningsoppgave, gjort i koordinering med International Institute of Analytics (IIA), rundt bryte ned analytiske hindringer. Du kan også besøke udacity.com/alteryx for å lære mer om hvordan du kan aktivere teamene dine, ta det neste trinnet på reisen, med den avanserte nano-graden for analyser og så til slutt oppleve Alteryx for deg selv. Besøk hjemmesiden, last ned en fullstendig evaluering og kom ombord med spenningen med å løse.
Jen, over til deg. Vi kan ha litt tid til litt spørsmål og svar.
Eric Kavanagh: Jeg skal bare kaste meg raskt inn. Vi har et par spørsmål. Jeg vil kanskje kaste en over til deg først, Nick, og deretter Jen, hvis du vil kommentere det, men det har absolutt større anvendbarhet for EU, og det er den beryktede GDPR, Global Data Protection Regulations. Hvordan påvirker det Alteryx og veikartet ditt og hva dere er fokusert på?
Nick Jewell: Det er veldig boogieman, antar jeg, det er der akkurat nå. Mange som snakker om det, mange mennesker ganske bekymret, men det er egentlig bare den første i en lang rekke forskrifter som kommer til å komme inn i data- og analyseverdenen. Fra vårt synspunkt handler det egentlig om å forstå og klassifisere dataene dine. Sørg for at som en CxO, av en hvilken som helst spesiell smak, du vet hvor eiendelene dine er, du kjenner konteksten deres, og du vet at du kan stole på dem som et første skritt for å virkelig bare styre og administrere data i en større sammenheng.
Eric Kavanagh: Jeg vil nok kaste et nytt spørsmål til deg før vi tar med Jen tilbake, Nick, og det er treningsdataene, hvis noen ber om at dataene deres blir fjernet fra bedriften din, påvirker ikke bare navnet deres, adresse og så videre, ikke bare deres kontaktinformasjon, men også, hvis en algoritme bruker treningsdata som inkluderer dataene dine, skal du omskolere algoritmen, er det ikke riktig?
Nick Jewell: Det er spesielt sammensatt. Jeg tror at ideen om at ikke bare databaser er en kilde til noe av denne personlig identifiserbare informasjonen, men også de analytiske arbeidsflytene, appene, visualiseringene. Disse dataene kommer overalt med en organisasjon, så å ha den konteksten: helt avgjørende.
Eric Kavanagh: Og Jen, hva er tanken din? Det er klart det ikke er så stor avtale i USA, og vi ser ikke for mange selskaper som kjemper over det nå, selv om det teknisk sett gjelder her. Hvis et amerikansk selskap har data fra en EU-borger, hva tar du da på betydningen av GDPR og hvor stor avtale er det?
Jen Underwood: Vel, jeg tror absolutt at det krever ansvarlig behandling av data. Jeg har skrevet om dette noen ganger og har noen retningslinjer for noen av disse tingene. Jeg synes spørsmålet du stilte om algoritmer er interessant. Visstnok har noen av løsningene jeg ser på i dag, noen av produktgruppene deres designet funksjoner slik at du kan se hvordan de tar beslutningene og hvilke personopplysninger som ble brukt for å bestemme resultatet av den algoritmen. Vi ser noen innvirkning på produktdesignene her i USA.
Mange av teknologiselskapene har veldig store kontorer her og utviklingsteam her i USA så vel som over hele verden, så vi ser det på produktutviklingen. Jeg ser at flere datakataloger blir investert i. Flere regjeringers initiativer blir spunnet opp slik at folk forstår, og de forstår hvor alle disse dataene er i kaoset. Prøver å få armene rundt i det minste å organisere det, kunne finne det og gjøre noe med det.
Eric Kavanagh: Jeg kommer til å presse dette lysbildet som vi snakket om tidligere, og kaste dette over til deg, Nick. Jeg synes dette er et fantastisk lysbilde fordi det for meg virkelig taler til umiddelbarheten av et behov for analyse. Hva synes du om denne dynamiske endringen? Jeg mener, poenget er at selskaper må være smidige, og jeg ser på analytikere som ledelsen av denne kostnaden. Hva tror du?
Nick Jewell: Dette er fascinerende. Jeg tror det alltid er - selskaper og teknologier finnes alltid i tre stater, så det blir enten krig, fred eller undring. Krigen kommer til å handle om det tunge konkurransenivået. Wonder er alle de flotte nye tingene du bygger på toppen av en plattform. Deretter fred før konkurransen og krigen starter igjen. Jeg tror det alltid er denne kampen.
Før dagens samtale snakket vi om noen av de andre konferansen og nøkkelnotatene som skjer over hele verden i dag. Noen av de store skyleverandørene, de har nådd et punkt der de har bygget opp denne plattformen, og nå bygger de fantastiske nye ting på toppen av det. Bedrifter må følge nøye med på dette og sørge for at de går med noe som har en sammenhengende plattform som vil levere den verdien for fremtiden. De kommer til å være de som kommer til å overleve denne forstyrrelsen.
Eric Kavanagh: Ja, det er et godt poeng, og du vet, Jen, du kommenterte tidligere, faktisk før showet, om skystrategi og hvor mange mennesker du kjenner i bransjen sier at store selskaper, til og med banker, alle har nå en skystrategi. Jeg har blitt litt overrasket over hvor lang tid det har tatt før det oppsto, og jeg antar kanskje at noen av dem gikk til AWS Reinvent-konferansen og innså hvor massiv det er og trakk konklusjonen at tiden er inne. Hva synes du om bevisstheten blant ledere i store bedrifter om import av sky og hvordan det endrer planleggingen?
Jen Underwood: Når jeg tenker på denne verdenen med massiv skala og å kunne håndtere dem, tror jeg på noen nivåer det er litt trygghet med å få et av de veldig store firmaene til å ta ansvar for noen av sikkerhetsaspektene, så det er litt trygghet der. Du vet at det er en begrenset skala med sky.
Den andre tingen er, og jeg så det, jeg var i et team som omutviklet et produkt i skyen, og det var absolutt et underdog-produkt, og ingen var oppmerksom på det, og i løpet av to år, på grunn av ukentlige utgivelser og til og med, Jeg vil si, det er nesten til poenget med daglig utgivelse i skyen. Jeg vet at Amazon sier at de slipper flere ganger per dag. Når du har den trusselen, når konkurrentene dine kan frigjøre og forbedre seg hver dag, uansett hva det er som de gjør, i det minste i programvareindustrien - og alle virkelig er i programvareindustrien når du begynner å se på digital transformasjon - er det en helt annen ballgame og hvem som helst kan spinne opp en sky og skalere og bli stor.
Igjen, det kommer til å være dataene de utnytter, og som vil utgjøre en forskjell og intelligens i algoritmene deres, og det er derfor folk snakker om at data er den nye oljen eller at data er gull. Når jeg ser på sky, er det spillbytteren, det muliggjør virkelig veldig, veldig rask utvikling og skala. Det er fantastisk.
Eric Kavanagh: Jeg vil ta deg tilbake, Nick, for et annet spørsmål - vi drar bare et minutt langt her hvis vi kan komme til noen av disse spørsmålene, men som jeg husker, fem og seks og kanskje til og med syv for år siden var Alteryx virkelig en innovatør når det gjaldt å utnytte tredjepartsdata - så å hente inn data fra kilder som Experian, for eksempel, eller geospatiale data. Jeg tenker at det sannsynligvis er en strategisk fordel fordi den typen er i DNA hos Alteryx, ikke sant? Når selskaper beveger seg mot sky, tror jeg dere har mye erfaring med å kunne bygge bro over disse verdenene. Verdenene til versene fra tredjepart og skybasert data, hva tror du?
Nick Jewell: Ja, absolutt. Ultimate tilkobling kommer til å bli et så kraftfullt spill for ethvert selskap som kommer til å jobbe i dette skybaserte miljøet. Men jeg vil si at når vi snakker om noe som infonomi, kan ideen om at informasjon og data anses som et aktivum i selskapet ditt. Det meste av verdien du kommer til å ta inn er å ta eksterne datakilder, blande dem og berike dem med dine interne kilder, for å skape og tjene penger på mer verdi i prosessen. Det er helt avgjørende å jobbe med interne og eksterne data likt.
Eric Kavanagh: Ja, det er et godt poeng. Jeg tror at hele denne verdenen av hybridsky er her for å bli. Jen, jeg vil bare kaste dette til deg for noen avsluttende kommentarer, kanskje. For meg, å ha det strategiske synet og å kunne forene seg som det nye begrepet og beskriver data på tvers av kildene, vil det være en kritisk suksessfaktor fremover, ikke sant?
Jen Underwood: Nei, absolutt, og det er morsomt, jeg hørte denne hybrid, hybrid, hybrid. Du hørte om dette, og for fire år siden tenker du på Hadoop, Hadoop og big data, og så begynte du å høre hybrid, hybrid, så absolutt vært der, vi er ikke nødvendigvis, dette er året for maskinlæring, ingen. Jeg mener, kunstig intelligens, maskinlæringen har tatt scenen i år, men for virkelig å fungere i en organisasjon i dag som er på vei til skyen eller som har å gjøre med alle disse forskjellige skydatakildene, kanskje er det Salesforce eller Arbeidsdag, alle disse forskjellige kildetypene som lever i skyen, den eneste måten du kan takle det på er å være hybrid. Du kan umulig kopiere data overalt, så du trenger å være i stand til å koble deg direkte sammen, og du trenger å finne en måte å jobbe med data plassert overalt, finne data overalt, fordi det er realiteten der vi har rett nå.
Eric Kavanagh: Jeg tror jeg ville være remiss hvis jeg ikke ville bringe maskinlæring tilbake i samtalen, så Nick, jeg vil bare kaste det over til deg. Jeg vet at dere er fokusert på det nå - kan dere snakke om hvor dere ser maskinlæring på linje med analyser og med typen systemer vi bruker for å forstå vår virksomhet og våre data?
Nick Jewell: Ja, visst. Så, veldig kort, la oss bare fort gå tilbake til ferdighetsgapet vårt. Ideen om at vi har organisasjoner som er helt fulle av Excel-brukere. Vi har dataforskere som kommer gjennom, men ikke vokser i samme takt. Det er et enormt gap mellom de to. Tenk på hvor maskinlæring er i dag. Hvor mange algoritmer har vi på telefonen eller klokken vår som inneholder maskinlæringsteknikker? Det er en vare, det er overalt. Vi må aktivere disse strømbrukerne på en enklest mulig måte for å sikre at maskinen brukes vellykket på tvers av virksomheten.
Eric Kavanagh: Jeg vil kanskje kaste en siste over til deg, kanskje. Vi har et par spørsmål som kommer sent inn her. Jen, jeg vil spørre deg denne. En deltaker kommenterer hele konseptet med uovervåket læring, og faktum er at du trenger treningsdata for å gjøre det og typisk at treningsdata må være spesifikke for selskapet. Selv om det i mange bransjer er mange korrelasjoner, er det mange måter organisasjoner er like på. Ikke desto mindre er hvert selskap unikt, enten det er forretningsmodell eller tilnærming til markedsføring eller salg, eller uansett produktutvikling.
Spørsmålet blir, vil disse algoritmene kunne bruke tredjepartsdata til trening? Det virker som om du alltid vil trenge å bruke dine egne data for å trene disse algoritmene, selv om den syklustiden kollapser fra seks måneder - noe som har vært tilfelle i noen tilfeller - ned til 40 dager eller 20 dager, uansett hva saken kan være. Du må virkelig bruke dine egne data, og du må sørge for at dataene er ganske rene, ikke sant?
Jen Underwood: Det er virkelig en blanding. Du kommer til å ønske å ha ekstern kontekst. Faktisk er jeg booket i dag rygg mot rygg, og det neste webinaret mitt snakker om å forberede og rense data, ironisk nok for maskinlæring. Det som virkelig er sentralt, er at du setter sammen ekstern kontekst med organisasjonen din, og jeg elsker at du spurte om dataforberedelse og rensing, fordi ærlig talt, noen av verktøyene blir veldig, veldig gode - de kan håndtere noen aspekter av det, men menneskesinnet, eller å kunne tyde problemet og se og sørge for at de ikke har utelatt - si at vi har en slags unnlatelsesskjevhet. Måten du ser på problemet og måten du velger å utforme problemet du automatiserer eller beslutningene du automatiserer, er det en kunst å sørge for at det gjenspeiler den forretningsprosessen nøyaktig.
Å gå tilbake til mitt eksempel med forsikringsselskapet, da vi modellerte churn og hvem vi skulle ansette for å gå gjennom denne sponsede opplæringen for å selge forsikring; i selve modellen var ikke det juridiske klimaet, forskjellige lover for forskjellige stater. Det kommer alltid til å være et aspekt, der du må ha den eksterne dataen med dine interne data og, igjen, det menneskelige sinnet. Det kommer til å være forskjellige komponenter der.
Eric Kavanagh: Jeg tror du har brakt opp et veldig bra poeng her. Vi hører stadig om roboter og maskiner og maskinlæring som tar over. For meg er dette en veldig forstyrrende trend - det er det ingen tvil om - men jeg ser ikke noensinne behovet for at mennesker i blandingen vil forsvinne, spesielt med analyse av data, på bedriftsdata.
Nick, et siste spørsmål for deg. For meg, uansett hvor bra algoritmene blir, vil du alltid trenge at folk overvåker hva som skjer, injiserer seg til bestemte tider og virkelig syntetiserer det store bildet av det som er der ute. Jeg tror ikke noen algoritme noen gang vil være i stand til å syntetisere det store bildet for et Fortune 2000-selskap, men hva tror du?
Nick Jewell: Vel, la oss ta et helt ikke-Alteryx eksempel, la oss snakke om Uber fra i fjor. Uber, under terrorhendelsen i Australia, mennesker som prøvde å flykte fra området, plutselig satte de pris på overspenning, fordi det er det algoritmen sa å gjøre, forårsaket enorme omdømme skade. Umiddelbart etter det implementerte de mennesker og algoritmer som samarbeidet. Når dette var i ferd med å skje, måtte et menneske ha tilsyn med prosessen. Dette partnerskapet mellom menneske og algoritme, det er veien videre.
Eric Kavanagh: Wow, det er et flott eksempel, tusen takk. Vel, folkens, vi har brent gjennom mer enn en time her på webcasten vår. Veldig stor takk til Jen Underwood fra Impact Analytics. Selvfølgelig stor takk til Nick Jewell og Alteryx-teamet for deres tid og oppmerksomhet og til dere alle for deres tid og oppmerksomhet. Vi setter pris på disse flotte spørsmålene. Vi arkiverer alle disse webcastene for senere visning, del dem gjerne med dine venner og kolleger. Med det tar vi farvel. Utmerket webcast i dag. Tusen takk igjen, vi får tak i deg neste gang, folkens. Ha det fint. Ha det.
