Από το προσωπικό της Techopedia, 25 Αυγούστου 2016
Takeaway: Η υποδοχή Rebecca Jozwiak συζητά το φαινόμενο των ενσωματωμένων αναλυτών και των επιστημόνων δεδομένων των πολιτών με τους Dr. Robin Bloor, Dez Blanchfield και David Sweenor.
Πρέπει να εγγραφείτε για αυτό το συμβάν για να δείτε το βίντεο. Εγγραφείτε για να δείτε το βίντεο.
Rebecca Jozwiak: Κυρίες και κύριοι, γεια σου και καλώς ήρθατε στην Hot Technologies. "Ενσωμάτωση παντού: Ενεργοποίηση του Citizen Data Scientist" είναι το θέμα μας σήμερα. Συμπληρώνομαι για τον συνηθισμένο σας οικοδεσπότη, αυτή είναι η Rebecca Jozwiak που συμπληρώνει τον Eric Kavanagh. Ναι, φέτος είναι ζεστό. Ιδιαίτερα ο όρος "επιστήμονας δεδομένων" έχει πάρει μεγάλη προσοχή, παρόλο που κάποτε ονομαζόμαστε βαρετά ονόματα όπως "statistician" ή "expert analytics", ασχολούμενα σχεδόν με τον ίδιο τύπο δραστηριοτήτων αλλά έχει ένα νέο σέξι όνομα και είναι συγκεντρώνοντας μεγάλη προσοχή. Είναι πολύ επιθυμητό να έχουν στο χώρο εργασίας, ωφέλιμη για την οργάνωση, και όλοι θέλουν ένα. Αλλά είναι: 1) ακριβό, 2) δύσκολο να βρεθεί. Ξέρετε, είναι όλα τα νέα σχετικά με την έλλειψη δεξιοτήτων επιστήμονα δεδομένων, ναι, αλλά εξακολουθούν να προσφέρουν τεράστια αξία στην οργάνωση και οι άνθρωποι είναι κάπως clamoring να καταλάβω πώς να πάρει αυτή την αξία χωρίς να χρειαστεί να ρίξετε το δεκάρα, έτσι ώστε να μιλώ.
Αλλά τα καλά νέα είναι ότι βλέπουμε τα εργαλεία και το λογισμικό που βγαίνουν ότι είναι το είδος της αποζημίωσης για την έλλειψη αυτή. Έχουμε αυτοματοποίηση, μηχανική μάθηση, ενσωματωμένα στοιχεία ανάλυσης, για τα οποία πρόκειται να μάθουμε σήμερα, και αυτό είναι το είδος που δόθηκε σε αυτό το νέο όρο, "ο επιστήμονας των δεδομένων των πολιτών", και τι σημαίνει αυτό; Όχι, δεν είναι ο εκπαιδευμένος σας επιστήμονας δεδομένων, θα μπορούσε να είναι ο επιχειρησιακός σας χρήστης, ο εμπειρογνώμονας BI σας, κάποιος από την πληροφορική, κάποιος που έχει το υπόβαθρο αλλά ίσως όχι απαραίτητα την τεχνογνωσία. Αλλά αυτό που κάνει, αυτά τα εργαλεία και το λογισμικό, δίνει σε περισσότερους ανθρώπους πρόσβαση σε αυτές τις έξυπνες λύσεις, παρόλο που ίσως δεν γνωρίζουν τη βαθιά κωδικοποίηση. Αλλά βοηθά απλώς στη βελτίωση της απόδοσης συνολικά όταν δίνετε σε όλους λίγο περισσότερη πρόσβαση σε αυτή την αναλυτική σκέψη. Δεν χρειάζεται να έχετε την κατάρτιση αναγκαστικά να έχει το είδος της περιέργειας που μπορεί να οδηγήσει σε καλές ιδέες για την επιχείρησή σας.
Συζητώντας ότι μαζί μας σήμερα είναι ο δικός μας Robin Bloor, επικεφαλής αναλυτής του ομίλου Bloor, ένας από τους πεπειραμένους επιστήμονες του ίδιου του κόσμου, ο Dez Blanchfield που καλεί και τότε έχουμε τον David Sweenor από την Dell Statistics, που θα μας παρουσιάσει σήμερα. Και με αυτό θα το περάσω στον Robin Bloor.
Robin Boor: Εντάξει, ευχαριστώ για την εισαγωγή. Κάπως το σκέφτηκα σε ένα ιστορικό πλαίσιο. Αυτό που πραγματικά εξετάζουμε εδώ είναι ένα από τα σχέδια του Λεονάρντο ντα Βίντσι για ένα είδος ανεμόπτερο που ένας άνθρωπος θα μπορούσε να βάλει στην πλάτη του. Δεν έχω ιδέα αν θα λειτουργούσε πραγματικά. Δεν θα έμπαινα σε αυτό, πρέπει να πω. Ωστόσο, ο ντα Βίντσι, όποτε σκέφτομαι για το da Vinci, τον θεωρώ ως έναν από τους πιο περιπετειώδεις και αναλυτικούς ανθρώπους που υπήρχαν ποτέ. Και είναι ξεκάθαρο αν κοιτάξετε απλά αυτό το ανεμόπτερο που σχεδιάστηκε με βάση την πτέρυγα ενός πουλιού και έχει με τον ένα ή τον άλλο τρόπο μελετήσει τις πτήσεις των πτηνών για να το κατασκευάσει.
Αν πάρουμε την ιστορική προοπτική - το έψαξα πραγματικά - τα αναλυτικά είναι ίσως η παλαιότερη εφαρμογή των μαθηματικών. Υπάρχουν απογραφές που χρονολογούνται τουλάχιστον από την εποχή της Βαβυλωνίας. Γνωρίζουμε γι 'αυτό γιατί υπάρχουν βασικά μερικές δισκοειδείς ταμπλέτες που έχουν τέτοια δεδομένα σε αυτά. Δεν είναι γνωστό αν υπήρχε κάτι που επιστράφηκε νωρίτερα. Αλλά το προφανές είναι ότι έχετε τον εαυτό σας έναν πολιτισμό με μεγάλο πληθυσμό ανθρώπων, απαιτεί προγραμματισμό και αξίζει να γνωρίζετε τι σχεδιάζετε και ποιες είναι οι απαιτήσεις αυτών των ανθρώπων.
Και αυτό είναι όπου ξεκίνησε και είναι επίσης όπου άρχισαν οι υπολογισμοί επειδή οι πρώτοι υπολογιστές, οι πρώτοι μηχανικοί υπολογιστές, ήταν στην πραγματικότητα, νομίζω ότι η πρώτη ήταν η απογραφή που δημιούργησε η Hollerith, η οποία έγινε IBM, πιστεύω. Όλα αυτά έχουν προχωρήσει. Υπήρξε κάποιο είδος παρεμβολής μεταξύ ίσως της δεκαετίας του 1970 και της σημερινής ημέρας, όπου υπάρχει ένας μεγάλος αριθμός άλλων εφαρμογών και ανάλυσης, θα μπορούσατε να πείτε, πήρε ένα πίσω κάθισμα. Ναι, συνέβαιναν αναλυτικά - συνέβαινε σε μεγάλους οργανισμούς, ιδιαίτερα σε τράπεζες και ασφαλιστικές εταιρείες, στην πραγματικότητα General Electric και telco και τέτοια πράγματα - αλλά δεν χρησιμοποιήθηκε γενικά σε όλες τις επιχειρήσεις και τώρα αρχίζει να χρησιμοποιείται γενικά επιχείρηση. Και άλλαξε το παιχνίδι, πραγματικά. Το πρώτο πράγμα που σκέφτηκα να επιστήσω την προσοχή είναι η πυραμίδα δεδομένων, την οποία μου αρέσει ιδιαίτερα. Αυτό είναι, εννοώ, επέστησα ένα από αυτά πριν από 20 χρόνια - τουλάχιστον πριν από είκοσι χρόνια - να προσπαθήσω να καταλάβω, πραγματικά, εκείνη την εποχή, προσπαθούσα να καταλάβω το BI και ορισμένες από τις πρώτες εξόρυξης δεδομένων που γινόταν. Αυτό που έχω ορίσει εδώ είναι η ιδέα των δεδομένων και τα παραδείγματα είναι σήματα, μετρήσεις, καταγραφές, γεγονότα, συναλλαγές, υπολογισμοί, συγκεντρωτικά, μεμονωμένα σημεία πληροφόρησης. Μπορεί να τους θεωρήσετε ως μόρια πληροφοριών, αλλά είναι μεμονωμένα σημεία. Γίνεται ενημέρωση μόλις γίνει το περιβάλλον. Συνδεδεμένα δεδομένα, δομημένα δεδομένα, βάσεις δεδομένων, απεικόνιση δεδομένων, σχεδιογράφοι, συγγραφείς και οντολογίες - όλοι πληρούν τις προϋποθέσεις μου ως πληροφορία γιατί αυτό που κάνατε είναι ότι συγκεντρώνουμε πολλή ποικιλία και δημιουργούμε κάτι πολύ περισσότερο από ένα σημείο δεδομένων, κάτι που έχει στην πραγματικότητα ένα σχήμα, ένα μαθηματικό σχήμα.
Πάνω από αυτό έχουμε γνώση. Μπορούμε, με την εξέταση των πληροφοριών, να μάθουμε ότι υπάρχουν διάφορα πρότυπα και μπορούμε να αξιοποιήσουμε αυτά τα πρότυπα με τη διαμόρφωση κανόνων, πολιτικών, κατευθυντήριων γραμμών, διαδικασιών και στη συνέχεια παίρνει τη μορφή της γνώσης. Και σχεδόν όλα τα προγράμματα ηλεκτρονικών υπολογιστών, ό, τι κι αν κάνουν, είναι γνώση ενός είδους, επειδή εργάζονται εναντίον δεδομένων και εφαρμόζουν κανόνες σε αυτούς. Έχουμε αυτά τα τρία στρώματα και υπάρχει μια αυξανόμενη τελειοποίηση που συνεχίζεται μεταξύ των στρωμάτων. Και στην αριστερή πλευρά αυτού του διαγράμματος εμφανίζονται νέα δεδομένα που εισέρχονται, έτσι πολλά από αυτά τα πράγματα είναι στατικά. Τα δεδομένα συσσωρεύονται, οι πληροφορίες συσσωρεύονται και η γνώση αυξάνεται. Στην κορυφή, έχουμε "Κατανόηση" και θα υποστήριζα, αν και είναι φιλοσοφικό επιχείρημα, ότι η κατανόηση κατοικεί μόνο στα ανθρώπινα όντα. Εάν κάνω λάθος γι 'αυτό, τότε όλοι θα αντικατασταθούν από υπολογιστές σε κάποιο χρονικό σημείο. Αλλά αντί να έχω τη συζήτηση, θα προχωρήσω στην επόμενη διαφάνεια.
Όταν το κοίταξα αυτό, το ενδιαφέρον, αυτό είναι κάτι πρόσφατο, το ενδιαφέρον ήταν να προσπαθήσω να καταλάβω ποια ήταν τα αναλυτικά στοιχεία. Και τελικά, σχεδιάζοντας διάφορα διαγράμματα και καταλήγοντας σε ένα που έμοιαζε με αυτό, κατέληξα στο συμπέρασμα, στην πραγματικότητα, η ανάπτυξη αναλύσεων είναι πραγματικά απλά ανάπτυξη λογισμικού με ένα φοβερό ποσό μαθηματικών τύπων. Η αναλυτική εξερεύνηση είναι λίγο διαφορετική από την ανάπτυξη λογισμικού με την έννοια ότι θα έπαιρνα πραγματικά πολλά, πολλά διαφορετικά μοντέλα και θα τα ερευνήσατε για να δημιουργήσουμε νέες γνώσεις σχετικά με τα δεδομένα. Αλλά από τη στιγμή που το δημιουργήσατε, εφαρμόζεται είτε σε αυτό που θεωρώ ως παθητική υποστήριξη αποφάσεων, η οποία είναι πληροφορίες που τρεφόταν μόνο σε έναν χρήστη? διαδραστική υποστήριξη αποφάσεων, η οποία είναι τα πράγματα όπως OLAP, όπου ο χρήστης λαμβάνει ένα δομημένο σύνολο δεδομένων που μπορούν να ερευνήσουν και να συμπεράνουν τα πράγματα για τον εαυτό τους χρησιμοποιώντας τα διάφορα διαθέσιμα εργαλεία. Πολλή απεικόνιση είναι έτσι. Και τότε έχουμε την αυτοματοποίηση αν μπορείτε απλά να μετατρέψετε κάποια αναλυτική γνώση που έχετε συγκεντρώσει σε ένα σύνολο κανόνων που μπορούν να εφαρμοστούν, δεν χρειάζεται απαραιτήτως ένας άνθρωπος να εμπλακεί. Αυτός είναι ο τρόπος που το κοίταξα όταν έκανα όλα αυτά. Και μου άρχισαν διάφορα πράγματα. Μόλις μια περιοχή δραστηριότητας, θα πρέπει να πούμε, μια φορά ένα πεδίο των δεδομένων είναι στην πραγματικότητα εξόρυξη, εξόρυξη εξαντλημένα, διερευνηθεί διεξοδικά σε κάθε δυνατή κατεύθυνση, τελικά μόλις αποκρυπτογραφείται BI. Η γνώση που εφευρέθηκε αρχίζει να γίνεται γνώση που ενημερώνει διάφορους χρήστες με διάφορους τρόπους και αυξάνει την ικανότητά τους, ελπίζουμε, να κάνει πραγματικά την δουλειά που κάνουν.
Ένα από τα πράγματα που διαπίστωσα και έχω εξετάσει τα προγνωστικά για περίπου πέντε χρόνια, αλλά τα προγνωστικά αναλύονται ως BI, υπό την έννοια ότι μετατρέπονται σε χρήσιμες πληροφορίες για να τροφοδοτήσουν τους ανθρώπους και όπως έχω ήδη επισημάνει, υπάρχουν αυτοματοποιημένες αναφορές BI, BI διερευνητική, BI, πολύ διαφορετικές διαβαθμίσεις και αναλυτικές προγνωστικές αναλύσεις πηγαίνουν πραγματικά και στις τρεις κατευθύνσεις. Και η αναλυτική διαδικασία, όπως επεσήμανα, δεν είναι τόσο διαφορετική από την ανάπτυξη λογισμικού, που γίνεται απλά από διαφορετικούς ανθρώπους με ελαφρώς διαφορετικές δεξιότητες. Υποθέτω ότι θα πρέπει να τονίσω ότι οι δεξιότητες που απαιτούνται για να γίνουν ένας πραγματικά καλός επιστήμονας δεδομένων χρειάζονται χρόνια για να αποκτήσουν. Δεν είναι εύκολα προσπελάσιμα και δεν μπορεί να το κάνει ένας μεγάλος αριθμός ανθρώπων, αλλά αυτό συμβαίνει επειδή περιλαμβάνει την κατανόηση των μαθηματικών σε ένα πολύ εξελιγμένο επίπεδο, προκειμένου να γνωρίζουμε τι ισχύει και τι δεν ισχύει. Οι εξελίξεις στο Analytics, η ανακάλυψη νέων γνώσεων, η εμφύτευση των αναλύσεων, είναι να κάνουμε τη γνώση λειτουργική. Αυτό είναι το είδος του σκηνικού που βλέπω σε όλη την ανάλυση. Είναι μια τεράστια περιοχή και υπάρχουν πολλές, πολλές διαστάσεις σε αυτήν, αλλά νομίζω ότι η γενίκευση ισχύει για όλα.
Στη συνέχεια υπάρχει η επιχειρηματική αναστάτωση, όπως ανέφερα ότι υπάρχουν αρκετοί οργανισμοί, οι φαρμακευτικές εταιρείες είναι ένα άλλο, που έχουν στο DNA τους έχουν αναλυτικά στοιχεία. Αλλά υπάρχουν πολλές οργανώσεις που πραγματικά δεν το έχουν στο DNA τους και τώρα έχουν τη δυνατότητα, τώρα το λογισμικό και το υλικό είναι πολύ πιο φθηνό από ό, τι ήταν, τώρα έχουν την δυνατότητα να το εκμεταλλευτούν. Θα έλεγα πολλά πράγματα. Το πρώτο είναι ότι τα αναλυτικά στοιχεία είναι, σε πολλές περιπτώσεις, έρευνα και ανάπτυξη. Μπορεί να εφαρμόζετε απλώς αναλυτικά στοιχεία σε μια συγκεκριμένη περιοχή του οργανισμού και μπορεί να σας φανεί περίεργο ότι με τον ένα ή τον άλλο τρόπο αναλύετε εκ νέου τις παραγγελίες των πελατών από διάφορες οπτικές γωνίες και συνδέεστε με άλλα δεδομένα. Όμως, τα αναλυτικά στοιχεία δημιουργούν την δυνατότητα να εξετάσουν τον οργανισμό στο σύνολό του και να αναλύσουν σε μεγάλο βαθμό οποιαδήποτε συγκεκριμένη δραστηριότητα που συμβαίνει στο πλαίσιο του οργανισμού και ολόκληρες αλυσίδες δραστηριοτήτων. Αλλά μόλις μετακινηθείτε στην περιοχή αυτή, θα έλεγα ότι είναι έρευνα και ανάπτυξη. Και υπάρχει μια ερώτηση που μου ζητήθηκε μερικές φορές, η οποία είναι: "Πόσο πρέπει να δαπανήσει μια εταιρεία για τα αναλυτικά στοιχεία"; Και νομίζω ότι ο καλύτερος τρόπος να σκεφτεί κανείς για την παροχή απάντησης σε αυτό είναι να σκεφτούμε τα αναλυτικά στοιχεία ως Ε & Α, και απλά ρωτήστε, "Πόσο θα ξοδέψατε στην Ε & Α στον τομέα της αποδοτικότητας της επιχείρησης;"
Και οι επιχειρήσεις που δεν διαθέτουν αναλυτικά στοιχεία, υπάρχουν πολλά πράγματα που δεν γνωρίζουν. Πρώτα απ 'όλα, δεν ξέρουν πώς να το κάνουν. Κανονικά, εάν στην πραγματικότητα πρόκειται να υιοθετήσουν αναλυτικά μέσα στην οργάνωση - στην πραγματικότητα δεν έχουν καμιά επιλογή παρά να πάνε σε μια συμβουλευτική εταιρεία που μπορεί να τους βοηθήσει να το κάνουν αυτό γιατί θα ήταν αδύνατο ή πραγματικά πολύ δύσκολο για τα περισσότερα επιχειρήσεις να μισθώσουν πραγματικά έναν επιστήμονα δεδομένων, να βρουν ένα, να πληρώνουν για ένα, και πραγματικά να τους εμπιστεύονται να κάνουν ό, τι θέλετε να κάνουν. Πολύ δύσκολο. Οι περισσότερες επιχειρήσεις δεν ξέρουν πώς να προσλαμβάνουν ή να εκπαιδεύουν το προσωπικό για να κάνουν αυτό το έργο και ο λόγος γι 'αυτό είναι απλώς ότι δεν είναι ακόμα στο DNA τους, οπότε δεν αποτελεί μέρος των φυσικών διαδικασιών τους. Αυτό τροφοδοτείται στο επόμενο σημείο. Δεν γνωρίζουν πώς να το κάνουν μια επιχειρηματική διαδικασία. Ο καλύτερος τρόπος για να γίνει αυτό, από την άλλη πλευρά, είναι να αντιγράψετε τις φαρμακευτικές εταιρείες και τις ασφαλιστικές εταιρείες, απλά κοιτάξτε και μερικές εταιρείες στο κέντρο υγείας, απλά να δούμε πώς χρησιμοποιούν τα αναλυτικά στοιχεία και να τα αντιγράψουν. Επειδή πρόκειται για επιχειρηματική διαδικασία. Δεν ξέρω πώς να το αστυνομία ή να το ελέγξω. Αυτό πραγματικά, ειδικά τώρα που μια άφθονη πολλές εταιρείες λογισμικού έχουν δημιουργήσει προϊόντα που αυτοματοποιούν ένα πάρα πολύ αναλυτικά. Το σημείο για τον έλεγχο είναι σημαντικό, όταν έχετε συμβουλευτικό προσωπικό ή κάποιον στο χώρο που μπορεί να είναι αξιόπιστη η κατανόηση των αποτελεσμάτων οποιουδήποτε αναλυτικού υπολογισμού, αυτό είναι ένα είδος επιλογής που πρέπει να κάνετε, αλλά αν θέσετε πραγματικά ισχυρά αναλυτικά εργαλεία τα χέρια ανθρώπων που δεν κατανοούν σωστά τα αναλυτικά στοιχεία, είναι πιθανό να μεταβούν σε συμπεράσματα που ίσως δεν είναι σωστά. Και όπως είπα, οι εταιρείες δεν ξέρουν πώς να προϋπολογιστούν γι 'αυτό.
Αυτές είναι οι γεύσεις των αναλυτικών, θα τα δοκιμάσω απλά. Οι στατιστικές αναλύσεις και η στατιστική μοντελοποίηση διαφέρουν σημαντικά από τα προβλεπτικά στοιχεία ανάλυσης, τα περισσότερα από τα οποία είναι από την καμπύλη. Η μηχανική μάθηση είναι διαφορετική από εκείνα τα πράγματα, οι αναλύσεις πορείας και οι χρονολογικές σειρές, οι οποίες βασικά γίνονται στις ροές κατάστασης, είναι και πάλι διαφορετικές. Οι αναλύσεις γραφημάτων είναι και πάλι διαφορετικές και οι αναλύσεις κειμένου και οι σημασιολογικές αναλύσεις είναι και πάλι διαφορετικές. Αυτό δείχνει απλώς ότι πρόκειται για ένα πολύ πολυ-είδος πράγμα. Δεν είναι, δεν ξεκινάτε να κάνετε τα αναλυτικά, αρχίζετε να εξετάζετε τα προβλήματα που έχετε και αναζητήστε τα διάφορα εργαλεία και διάφορες γεύσεις αναλυτικών που ταιριάζουν σε αυτά. Και τέλος, το καθαρό καθαρό. Λόγω της εξέλιξης του υλικού και του λογισμικού, κατά τη γνώμη μου τα αναλυτικά στοιχεία είναι στα αρχικά στάδια. Υπάρχουν πολλά, πολλά ακόμα που έρχονται και θα τα δούμε να ξεδιπλώνεται τα επόμενα χρόνια. Νομίζω ότι μπορώ να περάσω τη μπάλα στο Dez τώρα.
Dez Blanchfield: Ναι, μιλάμε για μια σκληρή πράξη που πρέπει να ακολουθήσουμε, Robin. Πρόκειται να επισκεφθώ σύντομα αυτό το θέμα από μία από τις αγαπημένες μου γωνίες, που είναι η γωνία του ανθρώπου. Υπάρχουν πολλές αλλαγές που συμβαίνουν στην καθημερινότητά μας. Μία από τις μεγαλύτερες διαταραχές στην καθημερινότητά μας, κατά την άποψή μου, είναι απλώς καθημερινή εργασία. Ανατρέχοντας στη δουλειά και προσπαθώντας να εκτελέσετε τη δουλειά που έχετε προσλάβει και την αυξανόμενη προσδοκία ότι θα πάτε από ένα καθημερινό άτομο σε έναν υπερήρωα και το ποσό των πληροφοριών που κυκλοφορούν γύρω από τους οργανισμούς και εκπέμπουν πολύ, είναι μια σημαντική πρόκληση και όλο και περισσότερο πρέπει να παρέχουμε καλύτερα και καλύτερα εργαλεία στους ανθρώπους για να προσπαθήσουμε να αντιμετωπίσουμε τη ροή των γνώσεων και των πληροφοριών και έτσι σκέφτηκα ότι θα προσπαθούσα να έρθω σε αυτό από μια μικρή διασκεδαστική γωνία . Όμως, πάντα με εντυπωσιάζει πώς έχουμε αυτό το υψηλό μυαλό ή φαντάζοντας mobs και ούτω καθεξής, που μας οδηγούν σε αυτά που μιλάμε ως αναλυτικά, αλλά πραγματικά αυτό που μιλάμε για να κάνουμε τις πληροφορίες να είναι διαθέσιμες στους ανθρώπους, και επιτρέποντάς τους να αλληλεπιδράσουν με αυτό και να το κάνουν με τέτοιο τρόπο ώστε να είναι φυσικό και να αισθάνεται φυσιολογικό.
Και μάλιστα, μου θυμίζει βίντεο από ένα παιδί μικρού παιδιού, μικρό παιδί, που κάθεται στο πάτωμα και κάθεται εκεί παίζοντας με ένα iPad και κουνιέται γύρω και παγιδεύει και σπρώχνει και κινεί τις εικόνες και παίζει με την οθόνη, τα δεδομένα εκεί. Και στη συνέχεια ο γονέας παίρνει το iPad μακριά και βάζει ένα περιοδικό, ένα τυπωμένο περιοδικό στην αγκαλιά του παιδιού. Και αυτό το παιδί είναι πιθανώς όχι περισσότερο από δύο ετών. Το παιδί αρχίζει να δοκιμάζει και να τσαλακώνει με την οθόνη του περιοδικού, πιέζοντας και συμπιέζοντας και το περιοδικό δεν ανταποκρίνεται. Το παιδί σηκώνει το δάχτυλό του και το κοιτάζει και σκέφτεται: "Χμμ, δεν σκέφτομαι ότι το δάχτυλό μου δουλεύει", και σπρώχνει τον εαυτό του στο βραχίονα και σκέφτεται: "Αχ όχι, το δάχτυλό μου δουλεύω μπορώ να νιώσω το χέρι μου και αυτό φαίνεται καλό "και σπρώχνει το δάχτυλο και το δάχτυλο συρρέει και αποκρίνεται. Ναί. Στη συνέχεια, προσπαθεί να αλληλεπιδράσει με το περιοδικό ξανά, και χαμηλό και βλέπει ότι δεν τσίμπημα και συμπίεση και κύλιση. Στη συνέχεια, παίρνουν το περιοδικό μακριά και βάζουν το iPad πίσω στην αγκαλιά του, και ξαφνικά το πράγμα λειτουργεί. Και εδώ είναι ένα μωρό που έχει έρθει μαζί και έχει εκπαιδευτεί να χρησιμοποιεί ένα αναλυτικό εργαλείο ή ένα εργαλείο ζωντανής ροής για ψυχαγωγία και δεν μπορεί να καταλάβει πώς πρέπει να λειτουργεί ένα περιοδικό και πώς να αναστροφή σελίδων.
Και αυτό είναι μια ενδιαφέρουσα ιδέα από μόνη της. Αλλά όταν σκέφτομαι τη γνώση που κινείται γύρω από τις οργανώσεις και τον τρόπο με τον οποίο ρέουν τα δεδομένα και τον τρόπο με τον οποίο συμπεριφέρονται οι άνθρωποι, συχνά σκέφτομαι αυτή την έννοια του τι έμαθαν οι άνθρωποι να είναι ένα flash mob, το οποίο είναι ένα γεγονός και ποια κοινωνικά μέσα αυτό είναι ακόμα πιο εύκολο να γίνει, μια ιδέα σαν αυτή που πηγαίνει σε αυτό το μέρος αυτή τη στιγμή και την ημερομηνία και τη δράση ή το βίντεο και να μάθεις αυτούς τους χορούς ή να φορέσεις αυτό το χρωματιστό καπέλο και να το βρεις βόρεια σε μία ώρα. Και το απομακρύνετε από το δίκτυό σας και πάντα ένα πλήρες φορτίο ανθρώπων, εκατοντάδες από αυτούς, εμφανίζονται στο ίδιο μέρος ταυτόχρονα και κάνουν το ίδιο πράγμα και υπάρχει αυτός ο παράγοντας wow, όπως: "Ιερή αγελάδα, που ήταν πραγματικά εντυπωσιακό! "Αλλά στην πραγματικότητα είναι μια πολύ απλή ιδέα και μια απλή ιδέα απλώς βγαίνει από τα δίκτυά μας και παίρνουμε αυτό το αποτέλεσμα που είναι ένα εντυπωσιακό και ακουστικά εντυπωσιακό. Και όταν σκεφτόμαστε έναν οργανισμό, τον τρόπο που θέλουμε να συμπεριφέρονται οι άνθρωποι και τον τρόπο με τον οποίο θέλουμε να ασχοληθούν με συστήματα πληροφοριών και πελάτες, είναι συχνά τόσο απλή, είναι μια ιδέα ή μια έννοια ή ένα πολιτισμικό ή συμπεριφοριστικό γνώρισμα που προσπαθούμε να περάσουμε μέσω και με ενδυνάμωση με εργαλεία και πληροφορίες.
Και υποστηρίζοντας όλο αυτό το μάντρα που είχα εδώ και πάνω από δυόμισι δεκαετίες και αν το προσωπικό σας δεν μπορεί να βρει αυτό που χρειάζεται για να κάνει τη δουλειά του, είτε πρόκειται για εργαλεία είτε για πληροφορίες, πάντα θα ανακαλύψουν τον τροχό. Και έτσι αυτό είναι μια ολοένα αυξανόμενη πρόκληση τώρα, πού έχουμε πολλές γνώσεις και πολλές πληροφορίες και τα πράγματα κινούνται πολύ γρήγορα, ότι θέλουμε να σταματήσουμε τους ανθρώπους να ανακαλύψουν τον τροχό. Και όταν σκεφτόμαστε το εργασιακό μας περιβάλλον, επιστρέφοντας στην λαϊκή γωνία, που είναι ένα από τα αγαπημένα μου, ήμουν έκπληκτος όταν εκπλήστουμε ότι οι θάλαμοι δεν ήταν ένα ευνοϊκό περιβάλλον για καλές εκβάσεις ή εμείς παρατάξαμε τα πράγματα όπως αυτό το τρομακτικό εικόνες εδώ, και δεν έχει αλλάξει πολύ, απλά μείωσε τους τοίχους και τους κάλεσε να ανοίξουν χώρους εργασίας. Αλλά στη μέση με τον κίτρινο βρόχο γύρω τους, υπάρχουν δύο άνθρωποι που ανταλλάσσουν γνώση. Και όμως, αν κοιτάξετε το υπόλοιπο δωμάτιο, όλοι κάθονται εκεί, υποτιμητικά χτυπώντας εκεί, τοποθετώντας πληροφορίες σε μια οθόνη. Και συχνότερα, δεν ανταλλάσσουν πραγματικά γνώσεις και δεδομένα, και υπάρχουν αρκετοί λόγοι για αυτό. Αλλά η αλληλεπίδραση στη μέση του δαπέδου στα αριστερά εκεί στον κίτρινο κύκλο, υπάρχουν δύο άνθρωποι που κουβεντιάζουν εκεί, αλλάζουν τη γνώση και ίσως προσπαθούν να βρουν κάτι, προσπαθώντας να πουν: «Ξέρεις πού είναι αυτή η έκθεση; μπορεί να βρει αυτά τα δεδομένα, ποιο εργαλείο μπορώ να χρησιμοποιήσω για να κάνω αυτό το πράγμα; "Και πιθανότατα δεν λειτούργησε έτσι δεν έχουν τίποτα και περιπλανιόταν στο πάτωμα, έσπασαν τον κανόνα του χώρου γραφείων και το έκαναν αυτοπροσώπως.
Και είχαμε παρόμοια περιβάλλοντα γύρω από το γραφείο που γελάσαμε αστεία, αλλά η πραγματικότητα είναι ότι είναι αρκετά ισχυρά και αποτελεσματικά. Και ένα από τα αγαπημένα μου είναι η κινητή ή σταθερή πλατφόρμα ανάλυσης που ονομάζεται ψύκτης νερού, όπου οι άνθρωποι φτάνουν εκεί και chat-chat γύρω από εκεί και ανταλλάσσουν γνώση, συγκρίνουν τις ιδέες και εκτελούν αναλυτικά ενώ στέκονται στο ψυγείο νερού, ανταλλάσσοντας ιδέες. Είναι πολύ ισχυρές έννοιες όταν το σκέφτεστε. Και αν μπορείτε να τα μεταφράσετε στα συστήματά σας και τα εργαλεία σας, έχετε ένα εκπληκτικό αποτέλεσμα. Και έχουμε το φαβορί όλων των εποχών, το οποίο είναι ουσιαστικά ο πιο ισχυρός κόμβος διανομής δεδομένων του γραφείου, γνωστός και ως ρεσεψιόν. Και αν δεν μπορείτε να βρείτε κάτι, πού πηγαίνετε; Καλά περπατάτε στο μπροστινό μέρος του γραφείου και πηγαίνετε στη ρεσεψιόν και πείτε: "Ξέρετε πού είναι το x, y, z;" Και τολμούν να πει κανείς ότι δεν το έχουν κάνει τουλάχιστον μία φορά σε μια νέα δουλειά ή σε κάποια χρονική στιγμή, όταν απλά δεν μπορούν να βρουν κάτι. Και πρέπει να ρωτήσετε τον εαυτό σας, γιατί συμβαίνει αυτό; Θα πρέπει να είναι κάπου στο intranet ή κάποιο εργαλείο ή οτιδήποτε άλλο. Θα πρέπει να είναι εύκολο να το βρείτε.
Και λοιπόν, όταν πρόκειται για δεδομένα και αναλυτικά στοιχεία και για τα εργαλεία που έχουμε παράσχει στο προσωπικό μας για να κάνουν τη δουλειά τους και τον τρόπο με τον οποίο οι άνθρωποι αλληλεπιδρούν με τις δουλειές μου, έχω την άποψη ότι πριν από την πρόσφατη εμφάνιση εργαλείων ανάλυσης και μεγάλων πλατφορμών δεδομένων, ή "επεξεργασία δεδομένων", όπως το αποκαλούν παλιό σχολείο, η αναφορά και η ανταλλαγή γνώσεων απέχει πολύ από τη δυναμική ή τη συνεργασία ή ανοιχτή και όταν σκεφτόμαστε το είδος των συστημάτων που αναμένουμε από τους ανθρώπους να κάνουν τις δουλειές τους, είχαμε κλασικά, οι άνθρωποι κληρονομούν τώρα την κληρονομιά, αλλά η πραγματικότητα είναι ότι είναι μόνο η κληρονομιά που έχει πάρει και είναι ακόμα εδώ σήμερα, και ως εκ τούτου δεν είναι πραγματικά κληρονομιά. Αλλά τα παραδοσιακά συστήματα HR και τα συστήματα ERP - διαχείριση ανθρώπινου δυναμικού, προγραμματισμός επιχειρηματικών πόρων, διαχείριση εταιρικών δεδομένων και συστήματα που χρησιμοποιούμε για τη διαχείριση των πληροφοριών για τη λειτουργία μιας εταιρείας. Είναι πάντα πλεγμένο. Και από την κορυφή, απλές πλατφόρμες όπως τα intranets των διαμερισμάτων, προσπαθώντας να επικοινωνήσουν όπου είναι τα πράγματα και πώς να τα αποκτήσουν και πώς να αλληλεπιδρούν με τις γνώσεις γύρω από τον τόπο. Το αναδυόμαστε στο intranet. Είναι μόνο τόσο καλό όσο οι άνθρωποι που κάνουν το χρόνο και την προσπάθεια να το βάλουν εκεί επάνω, αλλιώς απλά μένει στο κεφάλι σου. Ή έχετε δεδομένα που κάθεται στο κάτω μέρος της τροφικής αλυσίδας, στα εταιρικά δίκτυα SAN και στα πάντα, έτσι ώστε τα δίκτυα αποθήκευσης να είναι γεμάτα αρχεία και δεδομένα, αλλά ποιος ξέρει πού να τα βρει.
Πολύ συχνά, έχουμε δημιουργήσει αυτές τις κλειστές πλατφόρμες δεδομένων ή κλειστά συστήματα και έτσι οι άνθρωποι έχουν επανέλθει σε όμοιους υπολογιστικά φύλλα και PowerPoints για να μεταδώσουν πληροφορίες γύρω από τον τόπο. Αλλά υπήρξε ένα ενδιαφέρον πράγμα που έλαβε χώρα πρόσφατα, κατά τη γνώμη μου, και αυτό ήταν ότι οι κινητές συσκευές και το διαδίκτυο γενικά εργάζονται σε τέτοιο τρόπο ώστε να είναι πραγματικά καλύτερα. Και κυρίως στον καταναλωτικό χώρο. Και είναι ενδιαφέρον το γεγονός ότι η καθημερινή ζωή άρχισε να έχει πράγματα όπως η τραπεζική μέσω Διαδικτύου. Δεν είχαμε να πάμε σε μια πραγματικά τράπεζα να αλληλεπιδράσει φυσικά μαζί τους, μπορούσαμε να το κάνουμε τηλεφωνικά. Αρχικά αυτό ήταν παχουλό, αλλά στη συνέχεια το διαδίκτυο ήρθε γύρω και είχαμε μια ιστοσελίδα. Ξέρεις και πόσες φορές είσαι στην τράπεζά σου τελευταία; Πραγματικά δεν μπορώ, είχα μια συζήτηση για το θέμα την άλλη μέρα, και δεν μπορώ να θυμηθώ την τελευταία φορά που πήγα στην τράπεζά μου, το οποίο ήμουν αρκετά σοκαρισμένος, σκέφτηκα ότι πρέπει να είμαι σε θέση να το θυμηθώ αυτό, αλλά ήταν τόσο μακρύς Πριν δεν μπορώ να θυμηθώ όταν πήγα εκεί. Και έτσι έχουμε τώρα αυτά τα gadgets στο χέρι μας με τη μορφή κινητών τηλεφώνων, τηλεφώνων, tablet και φορητών υπολογιστών, έχουμε δίκτυα και πρόσβαση σε εργαλεία και συστήματα και τον καταναλωτικό χώρο που έχουμε μάθει ότι τα πράγματα μπορούν να είναι καλύτερα, αλλά επειδή της ταχείας αλλαγής στον χώρο των καταναλωτών, η οποία υπήρξε πιο λήθαργος και παγετός στις επιχειρήσεις και τα περιβάλλοντα, δεν πήραμε πάντα αυτή την αλλαγή στην καθημερινή επαγγελματική ζωή.
Και μου αρέσει να διασκεδάζω με το γεγονός ότι δεν μπορείτε να ζωντανά δεδομένα ροής σε έντυπη μορφή. Σε αυτήν την εικόνα εδώ υπάρχει ένα άτομο που κάθεται κοιτάζοντας κάποια αναλυτικά που έχουν εκτελεστεί, και υπάρχει ένα όμορφο γράφημα που έχει παραχθεί από κάποιον που πιθανώς πληρώνεται πολλά χρήματα ως στατιστικός ή αναλογιστής και κάθεται εκεί προσπαθώντας να το κάνει αναλύσεις σε έντυπη μορφή και σπρώχνοντας το. Αλλά εδώ είναι το τρομακτικό πράγμα για μένα: Αυτοί οι άνθρωποι σε αυτή την αίθουσα συσκέψεων, για παράδειγμα, και θα το χρησιμοποιήσω ως παράδειγμα, αλληλεπιδρούν με δεδομένα που είναι πλέον ιστορικά. Και είναι τόσο παλιό από πότε παράχθηκε αυτό το πράγμα και στη συνέχεια εκτυπώθηκε, οπότε ίσως είναι μια εβδομαδιαία αναφορά. Τώρα παίρνουν αποφάσεις για όχι τόσο κακά δεδομένα, αλλά παλιά δεδομένα, τα οποία μπορεί να είναι κακά δεδομένα. Κάνουν σήμερα μια απόφαση με βάση κάτι ιστορικό, το οποίο είναι πραγματικά κακό. Καταφέραμε να αντικαταστήσουμε το έντυπο με χαρτιά και τηλέφωνα, διότι επεξεργαστήκαμε πολύ γρήγορα στο χώρο των καταναλωτών και τώρα το επεξεργαστήκαμε στο χώρο της επιχείρησης, ότι ο πραγματικός χρόνος είναι οι πληροφορίες είναι αξία σε πραγματικό χρόνο.
Και είμαστε όλο και καλύτεροι σε αυτό. Και με φέρνει στο σημείο που ο Ρόμπιν έθεσε νωρίτερα, αυτή ήταν η έννοια του επιστήμονα δεδομένων των πολιτών και η κίνηση αυτής της έννοιας. Για μένα, ένας πολίτης επιστήμονας δεδομένων είναι απλώς τακτικοί άνθρωποι με τα κατάλληλα εργαλεία και πληροφορίες για όσους αγαπούν ένα iPad. Δεν χρειάζεται να κάνουν τα μαθηματικά, δεν χρειάζεται να γνωρίζουν τους αλγόριθμους, δεν χρειάζεται να ξέρουν πώς να εφαρμόζουν τους αλγόριθμους και να ελέγχουν δεδομένα, απλά πρέπει να ξέρουν πώς να χρησιμοποιούν τη διεπαφή. Και αυτό με φέρνει πίσω στην εισαγωγή μου και την έννοια του μικρού παιδιού που κάθεται εκεί με ένα iPad έναντι ενός περιοδικού, έναντι ενός iPad. Το νήπιο μπορεί πολύ γρήγορα, διαισθητικά να μάθει πώς να χρησιμοποιήσει τη διεπαφή ενός iPad για να βουτήξει σε πληροφορίες και να αλληλεπιδράσει με αυτό, αν και ίσως ένα παιχνίδι ή streaming media ή ένα βίντεο. Αλλά δεν θα μπορούσε να πάρει την ίδια απάντηση ή αλληλεπίδραση από μια μπάρα περιοδικών και μόλις αναβοσβήνει σελίδα μετά τη σελίδα, η οποία δεν είναι πολύ ενδιαφέρουσα, ειδικά αν είστε ένα μικρό παιδί που μεγαλώνει με iPads. Πάντα, τα ανθρώπινα όντα μπορούν να δουν και να μάθουν πολύ γρήγορα πώς να οδηγούν τα εργαλεία και τα πράγματα, αν τα παρέχουμε μόνος τους, και αν τους παρέχουμε μια διεπαφή όπως οι κινητές συσκευές και ιδιαίτερα τα tablet και τα smartphones με μεγάλες οθόνες και ιδιαίτερα αν μπορείτε να αλληλεπιδράσετε αυτά με την αφή, με κινήσεις των δακτύλων, ξαφνικά παίρνετε αυτή την έννοια ενός πολιτικού επιστήμονα δεδομένων.
Κάποιος που μπορεί να εφαρμόσει την επιστήμη των δεδομένων με τα σωστά εργαλεία, αλλά χωρίς να χρειάζεται να ξέρει πώς να το κάνει. Και κατά τη γνώμη μου, πολλά από αυτά, όπως είπα, οδήγησαν στην επιρροή των καταναλωτών, που μετακινήθηκαν και μετατράπηκαν σε ζήτηση και επιχειρηματικότητα. Δύο πολύ γρήγορα παραδείγματα. Εμείς, πολλοί από εμάς θα αρχίσαμε να κάνουμε τα πράγματα με τα blogs και τους ιστοτόπους μας, όπως να βάλουμε μικρές διαφημίσεις ή να παρακολουθούμε την παρακολούθηση και την κίνηση, χρησιμοποιήσαμε εργαλεία όπως το Google Analytics και ξυπνήσαμε στο γεγονός ότι στα blogs και τους μικρούς μας ιστότοπους, θα μπορούσαμε να βάλουμε λίγα κομμάτια κώδικα εκεί και η Google θα μας έδινε πληροφορίες σε πραγματικό χρόνο σχετικά με το ποιος επισκέπτεται τον ιστότοπο, πότε και πώς και πώς. Και σε πραγματικό χρόνο θα μπορούσαμε πραγματικά να δούμε ανθρώπους να χτυπήσουν την ιστοσελίδα, να περάσουν από τις σελίδες και στη συνέχεια να εξαφανιστούν. Και ήταν πολύ εκπληκτικό. Αγαπώ ακόμα να το κάνω, όταν προσπαθώ να εξηγήσω σε πραγματικό χρόνο αναλύσεις σε ανθρώπους που το έχω ξεσηκώσει απλά να τους δείξω έναν ιστότοπο με το Google Analytics συνδεδεμένο και να βλέπω την πραγματική αλληλεπίδραση με τους ανθρώπους που χτυπούν τους ιστότοπους και να τους ρωτάνε: είχατε αυτές τις πληροφορίες σχετικά με την επιχείρησή σας σε πραγματικό χρόνο. "
Πάρτε ένα παράδειγμα λιανικής πώλησης και ίσως ένα φαρμακευτικό, νομίζω ότι το ονομάζετε φαρμακείο στην Αμερική, ένα φαρμακείο όπου περπατάτε και αγοράζετε τα πάντα, από δισκία κεφαλαλγίας έως αντιηλιακές κρέμες και καπέλα. Προσπαθώντας να τρέξει αυτή την οργάνωση χωρίς πληροφορίες σε πραγματικό χρόνο είναι μια τρομακτική ιδέα τώρα ξέρουμε τι γνωρίζουμε. Για παράδειγμα, μπορείτε να μετρήσετε την κυκλοφορία των ποδιών, μπορείτε να τοποθετήσετε συσκευές γύρω από το κατάστημα με ένα χαμόγελο πρόσωπο σε μια πλευρά της οθόνης επειδή είστε χαρούμενοι και ένα δυστυχισμένο κόκκινο στα δεξιά και μερικές διαφορετικές αποχρώσεις στη μέση. Και υπάρχει μια πλατφόρμα που ονομάζεται "Happy or Not" αυτές τις μέρες, όπου περπατάτε σε ένα κατάστημα και μπορείτε να χτυπήσετε ένα ευτυχισμένο πρόσωπο ή ένα θλιβερό πρόσωπο, ανάλογα με τα ζωντανά σχόλια των πελατών σας. Και αυτό μπορεί να είναι αλληλεπιδραστικό με πραγματικό χρόνο. Μπορείτε να λάβετε live τιμολόγηση βάσει ζήτησης. Εάν υπάρχουν πολλοί άνθρωποι εκεί, μπορείτε να οδηγήσετε τις τιμές σε λίγο, και μπορείτε να κάνετε τη διαθεσιμότητα των αποθεμάτων και να πείτε στους ανθρώπους, για παράδειγμα - οι αεροπορικές εταιρείες, για παράδειγμα, θα πουν στους ανθρώπους πόσα καθίσματα είναι διαθέσιμα τώρα στην ιστοσελίδα όταν «Κρατώντας μια πτήση, δεν πληρώνετε μόνο τυχαία και ελπίζετε ότι μπορείτε να εμφανιστείτε και να πάρετε μια πτήση. Στοιχεία ζωντανού HR, μπορείτε να πείτε πότε τα άτομα χρονομετρηθούν και χρονομετρηθούν. Προμήθεια, αν έχετε προμήθειες και έχετε ζωντανά δεδομένα, θα μπορούσατε να κάνετε πράγματα όπως να περιμένετε μια ώρα και να αντισταθμίσετε την τιμή του δολαρίου ΗΠΑ για να αγοράσετε το επόμενο φορτίο αποθεμάτων σας και να έχετε ένα φορτίο φορτίων.
Όταν παρουσιάζω στους ανθρώπους το Google Analytics και αναμεταδίδω αυτό το είδος ανέκδοτου, αυτή τη στιγμή του eureka, αυτήν τη στιγμή, αυτή η λάμπα σβήνει στο μυαλό της όπως: "Χμμ, μπορώ να δω πολλά μέρη όπου θα μπορούσα να κάνω αυτό . Αν είχα μόνο τα εργαλεία και μόνο αν είχα πρόσβαση σε αυτή τη γνώση. "Και βλέπουμε αυτό τώρα στα κοινωνικά μέσα ενημέρωσης. Όποιος είναι ένας καταλαβαίνως χρήστης των κοινωνικών μέσων εκτός από το να δείχνει απλώς εικόνες από το πρωινό τους, τείνει να κοιτάξει πόσα άτομα τους αρέσουν και πόση κυκλοφορία παίρνουν και πόσοι φίλοι παίρνουν και το κάνουν με την όπως το Twitter ως εργαλείο ανάλυσης. Μπορείτε να μεταβείτε στο Twitter.com για να χρησιμοποιήσετε το εργαλείο, αλλά πληκτρολογείτε στο Google Twitter Analytics dot com ή κάντε κλικ στο επάνω δεξί κουμπί και τραβήξτε το μενού και κάντε το, παίρνετε αυτά τα όμορφα ζωντανά γραφήματα που σας λένε πόσα tweets που κάνετε εσείς και πόσες αλληλεπιδράσεις μαζί τους. Και σε πραγματικό χρόνο αναλύσεις μόνο στα προσωπικά σας κοινωνικά μέσα. Φανταστείτε αν είχαμε όπως το Google Analytics και το Facebook και το LinkedIn και το Twitter, τα στατιστικά στοιχεία του eBay έρχονται σε εσάς, αλλά στο περιβάλλον εργασίας σας.
Τώρα έχουμε τα live web και κινητά στα χέρια μας, γίνεται μια έννοια εξουσίας. Και έτσι με καταλήγει στο συμπέρασμά μου και αυτό είναι ότι έχω διαπιστώσει ότι οι οργανώσεις που εκμεταλλεύονται τα εργαλεία και την τεχνολογία νωρίς, κερδίζουν ένα τόσο σημαντικό πλεονέκτημα έναντι των ανταγωνιστών τους, που οι ανταγωνιστές δεν μπορούν ποτέ να καλύψουν. Και το βλέπουμε τώρα με τη σύγκρουση των επιστημόνων δεδομένων των πολιτών. Εάν μπορούμε να προσλάβουμε τα άτομα με τις δεξιότητες, τη γνώση που τους προσλαμβάνουμε και μπορούμε να τους προσφέρουμε τα κατάλληλα εργαλεία, ιδιαίτερα την ικανότητα να βλέπουμε τα δεδομένα σε πραγματικό χρόνο και να ανακαλύπτουμε τα δεδομένα και να γνωρίζουμε πού βρίσκονται χωρίς να περπατάμε γύρω από τους θαλάμους και να κάνετε ερωτήσεις έξω δυνατά, πρέπει να πάτε και να σταθείτε στο ψυγείο νερού για να κάνετε κάποια συγκριτική ανάλυση με τους ανθρώπους ή να πάτε και να ζητήσετε από τη ρεσεψιόν όπου βρίσκεται ο δείκτης. Εάν μπορούν να το κάνουν αυτό με τα χέρια τους και μπορούν να το πάρουν στις συναντήσεις τους μαζί τους και να καθίσουν σε αίθουσα συνεδριάσεων που περνάει μέσα από οθόνες σε πραγματικό χρόνο και όχι σε έντυπη μορφή, ξαφνικά έχουμε εξουσιοδοτήσει το προσωπικό μας που δεν χρειάζεται να είναι πραγματικό οι επιστήμονες των δεδομένων, αλλά στην πραγματικότητα να χρησιμοποιούν την επιστήμη των δεδομένων και να οδηγούν εκπληκτικά αποτελέσματα για τις οργανώσεις. Και νομίζω ότι αυτό το σημείο ανατροπής που περάσαμε τώρα όπου ο καταναλωτής οδηγείται στην επιχείρηση, η πρόκληση είναι πώς θα προσφέρουμε αυτήν την επιχείρηση και αυτό είναι το θέμα που υποθέτω από τη σημερινή συζήτηση. Και με αυτό, θα ολοκληρώσω το κομμάτι μου και θα παραδώσω για να ακούσω πώς θα μπορούσαμε να λύσουμε αυτό. Δαβίδ, σε σένα.
David Sweenor: Εντάξει, ευχαριστώ πολύ παιδιά και σας ευχαριστώ Robin. Ξέρετε, Robin, συμφωνώ με την αρχική εκτίμησή σας. Αναλυτική διαδικασία, δεν διαφέρει πραγματικά από την ανάπτυξη λογισμικού. Νομίζω ότι η πρόκληση μέσα σε έναν οργανισμό είναι απλά πραγματικά, ξέρετε, ίσως τα πράγματα δεν είναι τόσο καλά καθορισμένα, ίσως υπάρχει μια διερευνητική συνιστώσα σε αυτό και ένα δημιουργικό συστατικό σε αυτό. Και ο Ζις, ξέρετε, συμφωνώ μαζί σας, υπάρχει πολύς καιρός να ανακαλύψουμε τον τροχό και ξέρετε ότι δεν υπάρχει οργανισμός στην οποία θα πάω σήμερα, αμφισβητείτε, λοιπόν, γιατί το κάνετε με αυτόν τον τρόπο; Γιατί η επιχείρηση λειτουργεί με αυτόν τον τρόπο; Και είναι εύκολο να αμφισβητηθεί και πολλές φορές όταν είστε μέσα σε έναν οργανισμό, είναι δύσκολο να αλλάξετε. Λατρεύω την αναλογία, την κατανάλωση των πραγμάτων. Και έτσι δεν είναι πλέον όταν πάω στο αεροδρόμιο και θέλω να αλλάξω το κάθισμά μου - το κάνω στο κινητό μου τηλέφωνο. Δεν χρειάζεται να ανέβω στον πράκτορα στο περίπτερο και να παρακολουθήσω ότι ο πράκτορας έβαλε κάτι σε μια μονόχρωμη οθόνη για 15 λεπτά για να αλλάξει την ανάθεση της θέσης μου. Προτιμώ ακριβώς να το κάνω στο τηλέφωνό μου και έτσι είναι μια ενδιαφέρουσα εξέλιξη.
Σήμερα, θα μιλήσουμε λίγο για τη συλλογική νοημοσύνη. Για όσους δεν γνωρίζουν, η στατιστική είναι μια κορυφαία πλατφόρμα ανάλυσης, που βρίσκεται εδώ και πάνω από 30 χρόνια. Αν κοιτάξετε κάποια από τις εκδόσεις εκεί έξω στον κλάδο των αναλυτών, πάντα εμφανίζεται στην κορυφή ως ένα από τα πιο έξυπνα και εύκολο στη χρήση προηγμένο πακέτο λογισμικού ανάλυσης. Έτσι λοιπόν, έχουμε περάσει τα τελευταία χρόνια σε μια έννοια που ονομάζεται συλλογική νοημοσύνη και την πάμε στο επόμενο επίπεδο. Ήθελα να αρχίσω αυτή τη συζήτηση με: πώς λειτουργεί η εργασία στον οργανισμό σας;
Και υπάρχουν δύο εικόνες εδώ. Το ένα στα αριστερά είναι μια εικόνα από τη δεκαετία του 1960 και δεν ξεκίνησα τη σταδιοδρομία μου στη δεκαετία του 1960, αλλά η εικόνα στα δεξιά είναι - είναι εργοστάσιο ημιαγωγών όπου άρχισα να δουλεύω. Και εργάστηκα σε αυτό το μαύρο κτίριο, με μαύρη στέγη πάνω αριστερά. Αλλά έκαναν υλικό ημιαγωγών. Αυτή είναι μια πρόσφατη εικόνα από το Google Images. Αλλά όταν επιστρέψετε στην εικόνα της δεκαετίας του 1960 στα αριστερά, είναι πολύ ενδιαφέρον. Έχετε αυτούς τους ανθρώπους να κάθονται σε μια γραμμή, και κάνουν, ξέρετε, ολοκληρωμένα κυκλώματα και ημιαγωγούς. Αλλά υπάρχει μια τυποποίηση, υπάρχει ένας τυποποιημένος τρόπος για να γίνουν τα πράγματα, και υπήρξε μια καλά καθορισμένη διαδικασία. Ξέρετε, ίσως επειδή όλοι αυτοί οι άνθρωποι κάθονται σε ένα ανοιχτό περιβάλλον, ίσως υπήρξε κάποια συνεργασία. Νομίζω ότι έχουμε χάσει λίγα από αυτά μέσα στο εργατικό δυναμικό της γνώσης.
Όταν καθόμουν στο κτίριο που βρίσκεται στην πάνω αριστερή πλευρά, αν ήθελα να συνεργαστώ με κάποιον, δεν ήταν ανοιχτό. Υπήρχαν αυτά τα γραφεία, ίσως κάποια από την ομάδα ήταν απομακρυσμένη, ή ίσως έπρεπε να περάσω σε αυτή την πανεπιστημιούπολη. ήταν 25 λεπτά με τα πόδια και θα έπρεπε να μιλήσω με κάποιον στο κτίριο στην άκρα δεξιά. Νομίζω ότι χάσαμε κάτι στο δρόμο. Και έτσι, ξέρετε, είχα την ίδια σκέψη, γιατί οι άνθρωποι - πόσοι άνθρωποι συνεχίζουν να ανακαλύπτουν τον τροχό μέσα στην οργάνωσή σας; Πιστεύω, ξέρετε, οι οργανώσεις στο σύνολό τους είχαν καλή δουλειά στη δεκαετία του 1990 και του 2000 με το CRM και την αποθήκευση δεδομένων, και σε ένα βαθμό το BI. Για κάποιο λόγο, τα αναλυτικά στοιχεία έχουν καθυστερήσει λίγο. Υπήρξαν σημαντικές επενδύσεις στην αποθήκευση δεδομένων, την τυποποίηση και την ομαλοποίηση των δεδομένων σας και όλα αυτά και του CRM, αλλά τα αναλυτικά στοιχεία έχουν καθυστερήσει για κάποιο λόγο. Και αναρωτιέμαι γιατί. Ίσως υπάρχει ένα δημιουργικό - ίσως η διαδικασία σας δεν είναι καλά καθορισμένη, ίσως δεν ξέρετε ποια απόφαση ή μοχλό προσπαθείτε να μετατρέψετε, ξέρετε, στην επιχείρησή σας για να αλλάξετε τα πράγματα. Όταν πηγαίνουμε σε οργανισμούς σήμερα, υπάρχουν πολλοί άνθρωποι που κάνουν τα πράγματα πολύ χειροκίνητα σε υπολογιστικά φύλλα.
Και ξέρετε, κοίταξα ένα stat σήμερα το πρωί, νομίζω ότι είπε 80, 90 τοις εκατό των υπολογιστικών φύλλων έχουν λάθη, και μερικά από αυτά μπορούν να είναι πολύ σημαντικά. Όπως και εκείνη στη φάλαινα, όπου η JPMorgan Chase έχασε δισεκατομμύρια και δισεκατομμύρια δολάρια λόγω σφαλμάτων υπολογιστικού φύλλου. Επομένως, έχω την προϋπόθεση ότι νομίζω ότι πρέπει να υπάρξει ένας καλύτερος τρόπος για να γίνουν τα πράγματα. Και όπως αναφέραμε, έχουμε αυτούς τους επιστήμονες δεδομένων. Αυτοί οι τύποι είναι ακριβοί και είναι δύσκολο να βρεθούν. Και μερικές φορές είναι λίγο περίεργη πάπια. Αλλά νομίζω, ξέρετε, αν έπρεπε να συνοψίσω τι είναι ο επιστήμονας δεδομένων, είναι πιθανώς κάποιος που καταλαβαίνει τα δεδομένα. Νομίζω ότι είναι κάποιος που καταλαβαίνει το μαθηματικό, κάποιον που καταλαβαίνει το πρόβλημα. Και πραγματικά, κάποιος που μπορεί να επικοινωνήσει τα αποτελέσματα. Και αν είστε επιστήμονας δεδομένων, είστε πολύ τυχεροί αυτή τη στιγμή, γιατί ο μισθός σας έχει διπλασιαστεί πιθανότατα τα τελευταία χρόνια.
Αλλά η αλήθεια πρέπει να ειπωθεί, πολλές οργανώσεις, δεν έχουν αυτούς τους επιστήμονες δεδομένων, αλλά η οργάνωσή σας έχει έξυπνους ανθρώπους. Έχετε μια οργάνωση, έχετε πολλούς έξυπους ανθρώπους και χρησιμοποιούν υπολογιστικά φύλλα. Ξέρετε, οι στατιστικές και τα μαθηματικά δεν είναι η κύρια εργασία τους, αλλά χρησιμοποιούν δεδομένα για να οδηγήσουν την επιχείρηση προς τα εμπρός. Αληθινά, η πρόκληση που αντιμετωπίζουμε είναι, πώς παίρνετε, εάν είστε τυχεροί που έχετε έναν επιστήμονα δεδομένων ή έναν στατιστικολόγο ή δύο, πώς μπορείτε να τα πάρετε και πώς μπορείτε να βελτιώσετε τη συνεργασία μεταξύ αυτών των ανθρώπων και του άλλα άτομα μέσα στον οργανισμό σας; Αν κοιτάξουμε το είδος της δομής της οργάνωσής μας, θα ξεκινήσω και θα πάω από δεξιά προς τα αριστερά. Και ξέρω ότι αυτό είναι προς τα πίσω, αλλά έχουμε αυτή τη γραμμή των χρηστών των επιχειρήσεων.
Αυτό είναι το μεγαλύτερο μέρος του πληθυσμού των εργαζομένων σας και για αυτούς τους ανθρώπους, πρέπει να ενσωματώσετε τα αναλυτικά στοιχεία στη σειρά επιχειρηματικών εφαρμογών σας. Ίσως βλέπουν την αναλυτική έξοδο σε μια οθόνη τηλεφωνικού κέντρου ή κάτι τέτοιο και τους λέει την επόμενη καλύτερη προσφορά που δίνουν στον πελάτη. Ίσως είναι ένας καταναλωτής ή προμηθευτής σε μια δικτυακή πύλη, και αμέσως τους δίνει πίστωση, ή κάτι τέτοιο. Αλλά η ιδέα είναι ότι καταναλώνουν αναλυτικά. Αν πάμε στη μέση, αυτοί είναι αυτοί οι εργάτες της γνώσης. Αυτοί είναι οι άνθρωποι που κάνουν τα πράγματα με τα υπολογιστικά φύλλα σήμερα, αλλά τα λογιστικά φύλλα είναι επιρρεπή σε σφάλματα και σε κάποιο σημείο εξαντλούνται το αέριο. Αυτοί οι επιστήμονες των δεδομένων των πολιτών, όπως τους αποκαλούμε, ξέρετε, αυτό που προσπαθούμε να κάνουμε για αυτούς είναι να αυξήσουμε πραγματικά το επίπεδο αυτοματοποίησης.
Και ακούτε με τα αναλυτικά στοιχεία ότι το 80 έως 90 τοις εκατό της εργασίας είναι στο κομμάτι prep prep, και δεν είναι τα πραγματικά μαθηματικά, αλλά είναι τα δεδομένα προετοιμασίας. Προσπαθούμε να το αυτοματοποιήσουμε, αν το κάνετε αυτό, έχουμε οδηγούς και πρότυπα και επαναχρησιμοποιούμενα πράγματα και δεν χρειάζεται να γνωρίζετε πραγματικά την υποκείμενη υποδομή στο περιβάλλον σας. Και τότε, αν κοιτάξουμε την άπω αριστερά, έχουμε αυτούς τους επιστήμονες δεδομένων. Και όπως ανέφερα, είναι περιορισμένες. Και αυτό που προσπαθούμε να κάνουμε για να τους κάνουμε πιο παραγωγικούς, είναι να τους επιτρέψουμε να δημιουργήσουν τα πράγματα που μπορούν να κάνουν αυτοί οι επιστήμονες των δεδομένων των πολιτών. Σκεφτείτε το ως ένα μπλοκ Lego, έτσι ώστε αυτοί οι επιστήμονες δεδομένων μπορούν να δημιουργήσουν ένα επαναχρησιμοποιήσιμο στοιχείο που μπορεί να χρησιμοποιήσει ένας επιστήμονας δεδομένων των πολιτών. Κατασκευάστε το μία φορά, οπότε δεν χρειάζεται να συνεχίζουμε να ανακαλύπτουμε τον τροχό.
Και στη συνέχεια, αυτοί οι τύποι μπορεί να ανησυχούν για το αν μπορούμε να κάνουμε πράγματα σε βάση δεδομένων και να αξιοποιήσουμε τις υπάρχουσες επενδύσεις τεχνολογίας που έχει κάνει η εταιρεία σας. Ξέρετε, δεν έχει νόημα σε αυτή τη μέρα και την εποχή να ανακατέψετε δεδομένα προς και από όλα σε όλο τον κόσμο. Επομένως, αν κοιτάξουμε την Statistica, όπως ανέφερα, είναι μια πλατφόρμα που έχει περάσει εδώ και πολύ καιρό. Και είναι ένα πολύ καινοτόμο προϊόν. Ανάμειξη δεδομένων, δεν υπήρξε πηγή δεδομένων την οποία δεν μπορούμε να έχουμε πρόσβαση. Έχουμε όλα τα στοιχεία ανακάλυψης και απεικόνισης δεδομένων που θα περιμένατε. μπορούμε να το κάνουμε σε πραγματικό χρόνο. Και πιθανότατα έχει - νομίζω ότι υπάρχουν πάνω από 16.000 αναλυτικές λειτουργίες στο εργαλείο λογισμικού, έτσι ώστε να είναι πιο μαθηματικά από ό, τι θα μπορούσα να χρησιμοποιήσω ή να καταλάβω, αλλά είναι εκεί αν το χρειάζεσαι.
Έχουμε τη δυνατότητα να συνδυάσουμε τόσο επιχειρηματικούς κανόνες όσο και αναλυτικές ροές εργασίας για να κάνουμε πραγματικά μια επιχειρηματική απόφαση. Πηγαίνετε πέρα απλά, εδώ είναι ένας αλγόριθμος, εδώ είναι μια ροή εργασίας, αλλά έχετε επιχειρηματικούς κανόνες που πρέπει πάντα να αντιμετωπίσετε. Είμαστε πολύ ασφαλείς στη διακυβέρνηση. Χρησιμοποιούμε πολλούς φαρμακευτικούς πελάτες, διότι το FDA μας εμπιστεύεται. Ξέρετε, απλά απόδειξη στο πουτίγκα ότι έχουμε τους ελέγχους και την ικανότητα ελέγχου να γίνει δεκτή από αυτούς. Και τελικά, ξέρετε, είμαστε ανοιχτοί και ευέλικτοι και επεκτάσιμοι, έτσι πρέπει να δημιουργήσετε μια πλατφόρμα που είναι ότι θέλετε οι επιστήμονες δεδομένων σας να είναι παραγωγικοί, θέλετε οι επιστήμονες δεδομένων των πολιτών σας να είναι παραγωγικοί, θέλετε να είστε σε θέση για την ανάπτυξη αυτών των αναλυτικών αποτελεσμάτων στους εργαζομένους του οργανισμού σας.
Εάν ρίξουμε μια ματιά σε αυτό, εδώ είναι ένα παράδειγμα μερικών από τις απεικονίσεις. Αλλά είναι σε θέση να διανείμει την αναλυτική παραγωγή σας στους χρήστες των γραμμών της επιχείρησης, έτσι ώστε το πρώτο παράδειγμα στα αριστερά να είναι ένα αναλυτικό διάγραμμα δικτύου. Και ίσως είστε ερευνητής απάτης, και δεν ξέρετε πώς αυτές οι συνδέσεις γίνονται, και αυτοί μπορεί να είναι άνθρωποι, αυτοί μπορεί να είναι οντότητες, αυτές μπορεί να είναι συμβάσεις, τίποτα πραγματικά. Αλλά μπορείτε να το χειριστείτε με το ποντίκι σας και να αλληλεπιδράσετε με αυτό για να καταλάβετε πραγματικά - αν είστε ερευνητής απάτης, να καταλάβετε έναν κατάλογο προτεραιοτήτων για το ποιος να διερευνήσει, σωστά, επειδή δεν μπορείτε να μιλήσετε σε όλους, έτσι έχετε να δοθεί προτεραιότητα.
Αν κοιτάξουμε την εικόνα στη δεξιά πλευρά εκεί, για ένα πίνακα ελέγχου πρόβλεψης, αυτό είναι ένα πολύ ενδιαφέρον πρόβλημα. Ίσως είστε ιδιοκτήτης ενός αεροδρομίου και έχετε αυτούς τους σαρωτές σώματος εκεί. Αυτοί οι ανιχνευτές σώματος, αν πάτε σε ένα αεροδρόμιο, υπάρχουν κάποιες συνιστώσες εκεί που έχουν περίπου εννέα μήνες ζωής στο ράφι. Και αυτά τα πράγματα είναι πραγματικά, πραγματικά ακριβό. Εάν έχω πολλαπλά σημεία εισόδου, πολλαπλούς σαρωτές στο αεροδρόμιο μου, νούμερο ένα θέλω να σιγουρευτώ ότι είμαι στελεχωμένος κατάλληλα σε κάθε μία από τις πύλες, και για τα μέρη που βρίσκονται στους σαρωτές, δεν θέλω να τα παραγγείλω επίσης νωρίς, και θέλω να τα έχουν πριν χαλάσουν. Έχουμε την ικανότητα, ίσως αν διαθέτετε ένα αεροδρόμιο, να μπορέσουμε να προβλέψουμε πότε θα σπάσουν αυτά τα πράγματα και θα προβλέψουν επίπεδα προσωπικού.
Αν κοιτάξουμε το κάτω δεξιά, αυτό συμβαίνει αν βρίσκεστε σε ένα περιβάλλον παραγωγής, είναι μόνο μια γραφική αναπαράσταση της ροής παραγωγής. Και είναι ελαφρώς δύσκολο να το δεις, αλλά υπάρχουν κόκκινα και πράσινα φανάρια σε αυτούς τους διάφορους τομείς της διαδικασίας, κι έτσι αν είμαι μηχανικός, υπάρχουν πολύ εξελιγμένα μαθηματικά, αλλά μπορώ να ασχοληθώ με τον συγκεκριμένο τομέα της διαδικασίας και να κοιτάξω τις παραμέτρους και τις εισροές που ίσως αναγκάζουν αυτό να είναι εκτός ελέγχου. Αν κοιτάξουμε τον επιστήμονα δεδομένων των πολιτών μας, ο στόχος μας είναι πραγματικά να διευκολύνουμε τον επιστήμονα των δεδομένων των πολιτών. Έχουμε οδηγούς και πρότυπα και ένα πράγμα που νομίζω ότι είναι πραγματικά ενδιαφέρον, είναι ότι διαθέτουμε αυτόν τον αυτοματοποιημένο κόμβο ελέγχου υγείας. Και πραγματικά αυτό που κάνει αυτό, έχει ενσωματωμένο smarts.
Ανέφερα τα δεδομένα prep - παίρνει ένα σημαντικό χρονικό διάστημα, αυτό συμβαίνει τόσο στην συγκέντρωση δεδομένων όσο και στην προετοιμασία της. Αλλά ας υποθέσουμε ότι έχω τα δεδομένα μου, μπορώ να τα τρέξω μέσω αυτού του κόμβου ελέγχου υγείας δεδομένων και ελέγχει για invariance, και sparseness, και outsliers, και όλα αυτά τα πράγματα, γεμίζει τις ελλείπουσες αξίες και κάνει πολλά μαθηματικά εγώ don δεν καταλαβαίνω, έτσι μπορώ είτε να αποδεχτώ τις προεπιλογές, είτε αν είμαι λίγο πιο έξυπνος, μπορώ να τους αλλάξω. Αλλά το θέμα είναι ότι θέλουμε να αυτοματοποιήσουμε αυτή τη διαδικασία. Αυτό το πράγμα κάνει περίπου 15 διαφορετικούς ελέγχους και αποτελέσματα σε ένα καθαρό σύνολο δεδομένων. Αυτό που κάνουμε είναι να διευκολύνουμε τους ανθρώπους να δημιουργούν αυτές τις ροές εργασίας.
Αυτό είναι όπου μιλάμε για τη συνεργασία μεταξύ των επιστημόνων δεδομένων και των επιστημόνων δεδομένων των πολιτών. Αν κοιτάξουμε αυτές τις εικόνες στα δεξιά, βλέπουμε αυτή τη ροή εργασίας των δεδομένων. Και ίσως αυτό είναι πολύ εξελιγμένο, ίσως αυτή είναι η μυστική σάλτσα της εταιρείας σας, δεν ξέρω, αλλά ξέρουμε ότι κάποιος μέσα στην εταιρεία σας μπορεί να έχει πρόσβαση σε ένα ή περισσότερα από αυτά τα σιλό δεδομένων που έχουμε. Χρειαζόμαστε έναν τρόπο να τον αρπάξουμε και να τις συρράψουμε μαζί και τον δεύτερο, ίσως υπάρχει ειδική επεξεργασία που θέλουμε να κάνουμε, ότι είναι πέρα από τον έλεγχο της υγείας των δεδομένων μας και αυτή είναι η μυστική σάλτσα της εταιρείας σας. Μπορώ να δημιουργήσω αυτή τη ροή εργασίας μέσα στην οργάνωσή μας και καταρρέει ως κόμβος. Βλέπετε το βέλος που δείχνει προς τα κάτω, είναι απλά ένας κόμβος και μπορούμε να έχουμε εκατό από αυτά τα πράγματα μέσα σε έναν οργανισμό. Η ιδέα είναι ότι έχουμε ανθρώπους που γνωρίζουν κάτι για ένα συγκεκριμένο χώρο, μπορούν να δημιουργήσουν μια ροή εργασίας και κάποιος άλλος μπορεί να επαναχρησιμοποιήσει αυτό. Προσπαθούμε να ελαχιστοποιήσουμε την επανεφεύρεση του τροχού.
Και μπορούμε να κάνουμε το ίδιο πράγμα με τις ροές εργασίας αναλυτικής μοντελοποίησης. Στην περίπτωση αυτή στα δεξιά, αυτή η ροή εργασίας, ίσως υπάρχουν 15 διαφορετικοί αλγόριθμοι και θέλω να διαλέξω το καλύτερο για την εργασία. Και δεν χρειάζεται να καταλαβαίνω ως επιστήμονας δεδομένων των πολιτών τι συμβαίνει σε εκείνο το αράχνης που χτυπά εκεί, αλλά απλώς καταρρέει σε έναν κόμβο και ίσως αυτός ο κόμβος λέει απλώς "υπολογίστε το σκορ πιστωτικού κινδύνου." "Υπολογίστε την πιθανότητα μιας λοίμωξης από τη χειρουργική περιοχή ", τι έχετε. "Υπολογίστε την πιθανότητα κάτι να είναι δόλια συναλλαγή." Ως επιστήμονας δεδομένων πολιτών, μπορώ να χρησιμοποιήσω αυτά τα πολύ εξελιγμένα μαθηματικά που έχει κατασκευάσει κάποιος άλλος, ίσως ένας από αυτούς τους επιστήμονες δεδομένων έχει χτίσει μέσα στην οργάνωσή μου.
Από την άποψη της επιστήμης των δεδομένων, ξέρετε, μίλησα με επιστήμονες δεδομένων που αγαπούν να γράφουν κώδικα και μίλησα με επιστήμονες δεδομένων που μισούν να γράψουν κώδικα. Και αυτό είναι εντάξει, έτσι έχουμε ένα πολύ οπτικό, γραφικό περιβάλλον εργασίας χρήστη. Μπορούμε να αρπάξουμε τα δεδομένα μας, μπορούμε να κάνουμε τον αυτοματοποιημένο έλεγχο των δεδομένων μας και ίσως θέλω να γράψω κώδικα. Μου αρέσει η Python, μου αρέσει το R, αλλά η ιδέα είναι, αυτοί οι επιστήμονες δεδομένων, είναι ελλιπείς και τους αρέσει ο κώδικας σε μια συγκεκριμένη γλώσσα. Δεν έχουμε ιδιαίτερη προτίμηση σε ποια γλώσσα θέλετε να κωδικοποιήσετε, οπότε αν θέλετε να κάνετε R, κάντε R; αν θέλετε να κάνετε Python, κάντε Python. Αυτό είναι υπέροχο. Αν θέλετε να ρίξετε τα αναλυτικά σας στο Azure, ρίξτε τα αναλυτικά σας στο νέφος. Και έτσι ο στόχος εδώ είναι πραγματικά να προσφέρουμε ευελιξία και επιλογές για να κάνετε τους επιστήμονες δεδομένων σας τόσο παραγωγικοί όσο μπορούν.
Τώρα οι επιστήμονες δεδομένων, είναι πολύ έξυπνοι άνθρωποι, αλλά ίσως δεν είναι ειδικοί σε όλα, και ίσως υπάρχουν κάποια κενά σε αυτό που μπορούν να κάνουν. Και αν κοιτάξετε έξω στη βιομηχανία, υπάρχουν πολλές διαφορετικές αναλυτικές αγορές που υπάρχουν εκεί. Αυτό είναι ένα παράδειγμα, ίσως πρέπει να κάνω αναγνώριση εικόνας και δεν έχω αυτή την ικανότητα, και ίσως να βγώ στην Αλγοριθμία και να βρω έναν αλγόριθμο αναγνώρισης εικόνας. Ίσως να βγω έξω στην Apervita και να πάρω έναν πολύ ιδιαίτερο αλγόριθμο υγειονομικής περίθαλψης. Ίσως θέλω να χρησιμοποιήσω κάτι στη βιβλιοθήκη Azure για την εκμάθηση μηχανών. Ίσως θέλω να χρησιμοποιήσω κάτι στην μητρική πλατφόρμα Statistica.
Και πάλι, η ιδέα εδώ είναι ότι θέλουμε να αξιοποιήσουμε την παγκόσμια κοινότητα αναλυτών. Επειδή δεν θα έχετε όλες τις ικανότητες μέσα στους τέσσερις τοίχους σας, πώς μπορούμε να δημιουργήσουμε λογισμικό - και αυτό κάνουμε - που επιτρέπει στους επιστήμονες δεδομένων σας να χρησιμοποιούν αλγόριθμους από διάφορες αγορές. Το έχουμε κάνει με την R και την Python εδώ και πολύ καιρό, αλλά αυτό επεκτείνεται σε αυτές τις αγορές app που υπάρχουν εκεί. Και το ίδιο βλέπετε εδώ στην κορυφή, χρησιμοποιούμε H2O για το Spark, έτσι υπάρχουν πολλοί αναλυτικοί αλγόριθμοι εκεί. Δεν χρειάζεται να επικεντρωθείτε στη δημιουργία αυτών από την αρχή, ας επαναχρησιμοποιήσουμε αυτούς που ζουν στην κοινότητα ανοιχτού κώδικα και θέλουμε οι άνθρωποι αυτοί να είναι όσο το δυνατόν πιο παραγωγικοί.
Το επόμενο βήμα, αφού έχουμε τους επιστήμονες δεδομένων των πολιτών μας και τους επιστήμονες δεδομένων μας, είναι πραγματικά πώς προωθείτε και διανέμετε αυτές τις βέλτιστες πρακτικές; Διαθέτουμε τεχνολογία στο λογισμικό μας που σας επιτρέπει να διανέμετε τα αναλυτικά στοιχεία οπουδήποτε. Και αυτό είναι περισσότερο από μια άποψη διαχείρισης μοντέλο, αλλά δεν είμαι πλέον δεσμεύεται από τους τέσσερις τοίχους ή μια συγκεκριμένη εγκατάσταση στο Tulsa ή την Ταϊβάν ή την Καλιφόρνια, ή τι έχετε. Πρόκειται για μια παγκόσμια πλατφόρμα και έχουμε πολλούς, πολλούς πελάτες που αναπτύσσονται στη χρήση της από πολλούς ιστότοπους.
Και έτσι πραγματικά, τα βασικά πράγματα είναι, αν κάνετε κάτι στην Ταϊβάν και θέλετε να το αναπαραγάγετε στη Βραζιλία, αυτό είναι υπέροχο. Πηγαίνετε εκεί, αρπάξτε τα επαναχρησιμοποιήσιμα πρότυπα, αρπάξτε τις ροές εργασιών που θέλετε. Αυτό προσπαθεί να δημιουργήσει αυτά τα πρότυπα και τον κοινό τρόπο να κάνει πράγματα, οπότε δεν κάνουμε πράγματα εντελώς διαφορετικά παντού. Και η άλλη βασική συνιστώσα αυτού, είναι πραγματικά να θέλουμε να πάρουμε τα μαθηματικά όπου ζουν τα δεδομένα. Δεν χρειάζεται να ανακατέψετε δεδομένα μεταξύ, ξέρεις, της Καλιφόρνιας και της Τούλσα και της Ταϊβάν και της Βραζιλίας. Έχουμε τεχνολογία που μας επιτρέπει να πάρουμε τα μαθηματικά στα δεδομένα και θα έχουμε μια άλλη εκπομπή μέσω τεχνολογίας Hot Technology για αυτό το θέμα.
Αλλά ονομάζουμε αυτή την αρχιτεκτονική, και εδώ είναι μια κρυμμένη ματιά, Αρχιτεκτονική Native Distributed Analytics. Η βασική ιδέα πίσω από αυτό είναι ότι διαθέτουμε μια πλατφόρμα, τη στατιστική, και μπορώ να εξάγω μια αναλυτική ροή εργασίας ως άτομο. Και θα μπορούσα να κάνω ένα μοντέλο, ή μια ολόκληρη ροή εργασίας, έτσι δεν πειράζει. Αλλά μπορώ να το δημιουργήσω και να το εξάγω σε γλώσσα κατάλληλη για την πλατφόρμα στόχο. Στην αριστερή πλευρά, πολλοί άνθρωποι το κάνουν, αλλά κάνουν βαθμολόγηση στο σύστημα πηγής. Αυτό είναι καλύτερο, μπορούμε να κάνουμε σκορ και μπορούμε να κάνουμε το κτίριο μοντέλων σε βάση δεδομένων, γι 'αυτό είναι ενδιαφέρον.
Και στη συνέχεια στη δεξιά πλευρά, έχουμε τον Boomi. Αυτή είναι μια τεχνολογία σύντροφος, εργαζόμαστε με όλα αυτά. Μπορούμε όμως να λάβουμε αυτές τις ροές εργασίας και να τις μεταφέρουμε οπουδήποτε στον κόσμο. Οτιδήποτε έχει μια διεύθυνση IP. Και δεν χρειάζεται να έχει εγκατεστημένο ένα στατιστικό στοιχείο στο δημόσιο ή ιδιωτικό σύννεφο. Οτιδήποτε μπορεί να εκτελέσει μια JVM, μπορούμε να εκτελέσουμε αυτές τις ροές εργασίας αναλυτικής ροής, τις ροές εργασίας των δεδομένων prep ή απλά μοντέλα σε οποιαδήποτε από αυτές τις πλατφόρμες προορισμού. Είτε είναι στο δημόσιο είτε στο ιδιωτικό μου σύννεφο, είτε είναι στο τρακτέρ μου, το αυτοκίνητό μου, το σπίτι μου, η λάμπα μου, το διαδίκτυο των πραγμάτων μου, έχουμε τεχνολογία που σας επιτρέπει να μεταφέρετε αυτές τις ροές εργασίας οπουδήποτε στον κόσμο.
Ας αξιολογήσουμε. Ξέρετε, έχουμε μια γραμμή επιχειρηματικών χρηστών, έτσι ώστε αυτοί οι άνθρωποι, έχουμε την τεχνολογία που τους επιτρέπει να καταναλώνουν παραγωγή σε μια μορφή που είναι άνετα με. Έχουμε πολίτες επιστήμονες δεδομένων, και αυτό που προσπαθούμε να κάνουμε είναι να βελτιώσουμε τη συνεργασία, να τους κάνουμε μέρος μιας ομάδας, σωστά; Και έτσι θέλουμε οι άνθρωποι να σταματήσουν να ανακαλύπτουν τον τροχό. Και έχουμε αυτούς τους επιστήμονες δεδομένων, μπορεί να υπάρχει ένα χάσμα δεξιοτήτων εκεί, αλλά μπορούν να κωδικοποιήσουν σε μια γλώσσα που θέλουν, μπορούν να πάνε στις αναλυτικές αγορές και να χρησιμοποιήσουν αλγορίθμους εκεί. Και έτσι με αυτό, πώς δεν θα μπορούσατε να σκεφτείτε ότι όλα είναι φοβερά με αυτό; Αυτό είναι τέλειο, αυτό κάνουμε. Χτίζουμε επαναχρησιμοποιήσιμες ροές εργασίας, δίνουμε οδηγίες στους ανθρώπους, τους δίνουμε τα μπλοκ του Lego, έτσι ώστε να μπορούν να χτίσουν αυτά τα ισχυρά κάστρα και ό, τι θέλουν να κάνουν. Για να το συνοψίσουμε, έχουμε μια πλατφόρμα που εξουσιοδοτεί τη γραμμή των χρηστών των επιχειρήσεων, των επιστημόνων δεδομένων των πολιτών, των επιστημόνων προγραμματιστών δεδομένων, έχουμε - μπορούμε να απευθυνθούμε σε κάθε περίπτωση αναλυτικής χρήσης ακροδεκτών IoT και δίνουμε τη δυνατότητα αυτής της έννοιας συλλογικής νοημοσύνης. Με αυτό, νομίζω ότι πιθανώς θα το ανοίξουμε για ερωτήσεις.
Ρομπίν Μπλορ: Εντάξει. Νομίζω ότι η πρώτη - εννοώ, για να είμαι ειλικρινής, εννοώ ότι έχω ενημερωθεί από την Dell Statistics πριν και για να είμαι ειλικρινής είμαι πολύ έκπληκτος πραγματικά για τα πράγματα που δεν ήξερα ότι ήσασταν στην παρουσίαση . Και πρέπει να πω ότι το ένα πράγμα, είναι κάτι που ήταν για μένα ένα bugbear μέσα στην υιοθέτηση των analytics, είναι ότι, ξέρετε, να πάρει τα εργαλεία δεν είναι αυτό, ξέρεις; Υπάρχει ένα πάρα πολλά εργαλεία εκεί έξω, υπάρχουν εργαλεία ανοιχτού κώδικα και ούτω καθεξής και ούτω καθεξής, και υπάρχουν διάφορα, όσα θα έλεγα, ημι-πλατφόρμες. Αλλά νομίζω ότι η διαφορά που έχετε, ήμουν ιδιαίτερα εντυπωσιασμένος με κάποια από τη ροή εργασίας.
Αλλά η διαφορά είναι ότι φαίνεται να παρέχει τέλος προς το τέλος. Είναι σαν το analytics να είναι μια εξελιγμένη επιχειρηματική διαδικασία που αρχίζει με την απόκτηση δεδομένων και στη συνέχεια περνάει μια ολόκληρη σειρά βημάτων, ανάλογα με το πόσο λεπτό είναι τα δεδομένα, και στη συνέχεια μπορεί να διακλαδωθεί σε μια ολόκληρη σειρά διαφορετικών μαθηματικών επιθέσεων στο δεδομένα. Και τότε τα αποτελέσματα εμφανίζονται με τον ένα ή τον άλλο τρόπο και αυτά πρέπει να είναι δράσεις. Υπάρχει ένα τεράστιο ποσό των αναλυτικών στοιχείων που έχω συναντήσει όπου έγινε πολύ μεγάλη δουλειά αλλά δεν υπάρχει τίποτα να το θέσω σε δράση. Και φαίνεται ότι έχετε πάρα πολλά από αυτά που απαιτούνται. Δεν ξέρω πόσο περιεκτικό είναι, αλλά είναι πολύ πιο περιεκτικό από όσο περίμενα. Είμαι απίστευτα εντυπωσιασμένος με αυτό.
Θα ήθελα να σχολιάσετε τα υπολογιστικά φύλλα. Έχετε ήδη πει κάτι, αλλά ένα από τα πράγματα που έχω σημειώσει, και το έχω διαπιστώσει όλα αυτά τα χρόνια, αλλά γίνεται ολοένα και πιο προφανές, είναι ότι υπάρχουν πάρα πολλά υπολογιστικά φύλλα που είναι συστήματα σκιάς και πραγματικά νομίζω το λογιστικό φύλλο, εννοώ, ήταν ένα θαυμάσιο εργαλείο όταν εισήχθη και ήταν υπέροχο από τότε και με πολλούς διαφορετικούς τρόπους, αλλά είναι ένα γενικευμένο εργαλείο, δεν είναι πραγματικά κατάλληλο για το σκοπό. Σίγουρα δεν είναι πολύ καλό στο περιβάλλον BI και νομίζω ότι είναι απαίσιο στο πλαίσιο της ανάλυσης. Και αναρωτήθηκα αν είχατε κάποιο σχόλιο για να φτιάξετε, ας πούμε, παραδείγματα στα οποία, ξέρετε, τα στατιστικά στοιχεία έχουν ξεπλυθεί, υπάρχει υπερβολική χρήση υπολογιστικών φύλλων ή οποιοδήποτε σχόλιο θέλετε να κάνετε σχετικά με αυτό;
David Sweenor: Ναι, νομίζω ότι, ξέρετε, μπορείτε να πάτε να αναζητήσετε διάσημα λάθη υπολογιστικών φύλλων. Η Google ή οποιαδήποτε μηχανή αναζήτησης χρησιμοποιείτε θα επανέλθει με μια πολυάριθμη απόδοση. Δεν νομίζω ότι ξέρουμε ότι θα αντικαταστήσουμε ποτέ τα υπολογιστικά φύλλα. Αυτό δεν είναι η πρόθεσή μας, αλλά πολλές οργανώσεις στις οποίες πηγαίνω, υπάρχουν μερικοί από αυτούς τους οδηγούς υπολογιστικών φύλλων ή νίντζα ή ό, τι θέλετε να τους ονομάσετε, αλλά έχουν αυτά τα πολύ εξελιγμένα υπολογιστικά φύλλα και πρέπει να σκεφτείτε τι συμβαίνει όταν αυτά οι άνθρωποι κερδίζουν το lotto και δεν επιστρέφουν; Και αυτό που προσπαθούμε να κάνουμε είναι ότι γνωρίζουμε ότι θα υπάρχουν υπολογιστικά φύλλα για να μπορούμε να τα καταναλώσουμε, αλλά νομίζω ότι προσπαθούμε να αναπτύξουμε μια οπτική αναπαράσταση της ροής εργασίας σας ώστε να κατανοηθεί και να μοιραστεί με άλλους ανθρώπους . Τα υπολογιστικά φύλλα είναι αρκετά σκληρά, αρκετά δύσκολο να μοιραστούν. Και μόλις μεταφέρετε το υπολογιστικό φύλλο σε μένα, το έχω αλλάξει και τώρα είμαστε εκτός συγχρονισμού και παίρνουμε διαφορετικές απαντήσεις. Αυτό που προσπαθούμε να κάνουμε είναι να τοποθετήσουμε κάποιες κιγκλιδώματα γύρω από αυτό και να κάνουμε τα πράγματα λίγο πιο αποτελεσματικά. Και τα λογιστικά φύλλα είναι πραγματικά τρομερά, συνδυάζοντας πολλαπλά σύνολα δεδομένων, γνωρίζετε; Πτώνονται εκεί. Αλλά δεν πρόκειται να τα αντικαταστήσουμε, τα καταναλώνουμε και έχουμε ανθρώπους που αρχίζουν να αλλάζουν, επειδή αν έχουμε έναν κόμβο που λέει "υπολογίστε τον κίνδυνο", αυτό προσπαθεί να κάνει το άτομο που χρησιμοποιεί το υπολογιστικό φύλλο. Έτσι, αυτοί έχουν φύγει.
Robin Bloor: Ναι, θέλω να πω, ξέρετε, από μια από τις προοπτικές που βλέπω τα πράγματα, θα έλεγα ότι τα λογιστικά φύλλα είναι εξαιρετικά χρήσιμα για τη δημιουργία πληροφοριών. Είναι πολύ ωραίο για τη δημιουργία νησιών γνώσης, αλλά είναι πολύ κακό για τη διάδοση της γνώσης. Δεν έχουν κανένα μηχανισμό για να το κάνουν αυτό, και αν περάσετε ένα υπολογιστικό φύλλο σε κάποιον, δεν είναι όπως μπορείτε να το διαβάσετε σαν ένα άρθρο που εξηγεί ακριβώς τι κάνουν. Δεν είναι απλά εκεί. Νομίζω ότι το πράγμα που με εντυπωσίασε περισσότερο για την παρουσίαση και τις δυνατότητες της Στατιστικής φαίνεται να είναι απίστευτα αγνωστικισμένο. Αλλά έχει αυτό το νήμα τρέχει μέσα από τη ροή εργασίας. Έχω δικαίωμα να υποθέσω ότι θα μπορούσατε να εξετάσετε μια ροή εργασίας από άκρο σε άκρο σε όλη την κατεύθυνση, από την απόκτηση δεδομένων μέχρι την ενσωμάτωση αποτελεσμάτων σε συγκεκριμένες εφαρμογές BI ή ακόμα και σε εφαρμογές;
David Sweenor: Ναι, απολύτως. Και έχει αυτή τη δυνατότητα από άκρη σε άκρη και μερικοί οργανισμοί το χρησιμοποιούν εξ ολοκλήρου, και δεν έχω καμία αυταπάτη ότι κάποια εταιρεία αυτές τις μέρες αγοράζει τα πάντα από έναν πωλητή. Έχουμε ένα μίγμα. Μερικοί άνθρωποι χρησιμοποιούν το στατιστικό σύστημα για τα πάντα και μερικοί άνθρωποι το χρησιμοποιούν για τις ροές εργασίας μοντελοποίησης, μερικοί άνθρωποι το χρησιμοποιούν για τις ροές εργασίας των δεδομένων prep. Μερικοί άνθρωποι το χρησιμοποιούν για να διανείμουν εκατοντάδες αναφορές μηχανικής στους μηχανικούς. Και έτσι έχουμε τα πάντα στο μεταξύ. Και είναι πραγματικά από άκρη σε άκρη και είναι, ξέρετε, μια αγνωστικη πλατφόρμα, επειδή αν υπάρχουν αλγόριθμοι που θέλετε να χρησιμοποιήσετε σε R ή Python, Azure, Apervita, ό, τι γνωρίζετε, χρησιμοποιήστε αυτές. Αυτό είναι σπουδαίο, είναι παραγωγικό, χρησιμοποιήστε αυτό που γνωρίζετε, χρησιμοποιήστε ό, τι είστε άνετοι και έχουμε μηχανισμούς για να βεβαιωθούμε ότι αυτές είναι ελεγχόμενες και ελεγχόμενες και όλα αυτά τα πράγματα.
Robin Bloor: Μου αρέσει ιδιαίτερα η πτυχή του. Θέλω να πω, δεν ξέρω αν μπορείτε να μιλήσετε πέρα από αυτό που είπατε στον πλούτο του τι είναι εκεί έξω. Θέλω να πω, το έχω εξετάσει, αλλά δεν το έχω εξετάσει με ολοκληρωμένο τρόπο και σίγουρα υπάρχει μια τεράστια ποσότητα βιβλιοθηκών Python στις βιβλιοθήκες μας, αλλά υπάρχει κάτι που μπορείτε να προσθέσετε σε αυτήν την εικόνα; Επειδή νομίζω ότι αυτό είναι ένα πολύ ενδιαφέρον πράγμα, ξέρετε, την ιδέα ότι θα έχετε εξαρτήματα που είναι αξιόπιστα, επειδή γνωρίζατε διάφορους ανθρώπους που τους δημιούργησαν και διάφορους ανθρώπους που τους χρησιμοποιούσαν για να κατεβάσετε. Ξέρεις, μπορείς να εμπλουτίσεις τι έχεις πει για αυτό;
David Sweenor: Ναι, νομίζω ότι μερικές από τις αγορές εφαρμογών, ξέρετε, οι αγορές αλγορίθμων που είναι εκεί έξω. Για παράδειγμα, γνωρίζετε, ο Δρ. John Cromwell στο Πανεπιστήμιο της Αϊόβα, έχει αναπτύξει ένα μοντέλο που θα προβλέψει, το οποίο χρησιμοποιείται σε πραγματικό χρόνο ενώ λειτουργούμε, θα σας δώσουν μια βαθμολογία εάν πρόκειται να πάρετε χειρουργική λοίμωξη. Και αν αυτό το σκορ είναι αρκετά υψηλό, θα πάρουν μια παρέμβαση δεξιά στο χειρουργείο. Αυτό είναι πολύ ενδιαφέρον. Έτσι ίσως υπάρχει ένα άλλο νοσοκομείο που δεν είναι τόσο μεγάλο. Λοιπόν, το Apervita είναι μια αγορά εφαρμογών υγείας για αναλυτικά στοιχεία. Μπορείτε είτε να βρείτε ένα σε πολλές από αυτές τις αγορές εφαρμογών, μπορείτε να βρείτε ένα και να τις επαναχρησιμοποιήσετε και η συναλλαγή είναι μεταξύ εσάς και όποιος κατέχει αυτό, αλλά μπορείτε είτε να πάτε να βρείτε ένα είτε μπορείτε να πείτε, "Εδώ είναι αυτό που χρειάζομαι ". Νομίζω ότι αξιοποιεί αυτήν την παγκόσμια κοινότητα, επειδή όλοι είναι ειδικοί αυτές τις μέρες και δεν μπορείτε να ξέρετε τα πάντα. Νομίζω ότι η R και η Python είναι ένα πράγμα, αλλά αυτή η ιδέα, "θέλω να κάνω αυτή τη λειτουργία, βάλω ένα spec εκεί έξω σε έναν από αυτούς τους χώρους αγοράς app και να έχει κάποιος να το αναπτύξει για σένα." Και μπορούν να κερδηθούν αυτό, νομίζω αυτό είναι πολύ ενδιαφέρον και πολύ διαφορετικό από το καθαρά μοντέλο ανοιχτής πηγής.
Robin Bloor: Εντάξει. Εν πάση περιπτώσει, θα περάσω τη μπάλα στην Dez. Θα θέλατε να βουτήξετε, Dez;
Dez Blanchfield: Απόλυτα και θα ήθελα να παραμείνω στο λογιστικό φύλλο μόνο για μια στιγμή, επειδή νομίζω ότι έχει καταγράψει το σωστό νόημα για πολλά από αυτά που μιλάμε εδώ. Και κάνατε ένα σχόλιο, τον Robin, σχετικά με τη μετάβαση από το είδος των παλιών υπολογιστικών φύλλων στη φυσική μορφή τους σε ηλεκτρονική μορφή. Είχαμε ένα ενδιαφέρον πράγμα να συμβαίνει όπου, όταν ξέρετε, όταν τα λογιστικά φύλλα ήταν αρχικά ένα πράγμα, ήταν απλά φύλλα χαρτιού με σειρές και στήλες και θα γράφετε χειροκίνητα τα πράγματα κάτω, τότε θα μπορούσατε να τα εξάγετε και να τα υπολογίζετε είτε κάνοντας από την κορυφή του κεφαλιού σας ή με κάποια άλλη συσκευή. Αλλά εξακολουθούμε να έχουμε την ευκαιρία να παρουσιάσουμε λάθη με λάθη χειρόγραφου ή δυσλεξία και τώρα το αντικαταστήσαμε με τυπογραφικά λάθη. Ο κίνδυνος είναι ότι με τα λογιστικά φύλλα το προφίλ κινδύνου είναι ταχύτερο και μεγαλύτερο, αλλά νομίζω ότι τα εργαλεία όπως το στατιστικό ανατρέπουν την πυραμίδα κινδύνου.
Συχνά ζωγραφίζω αυτή την εικόνα σε έναν πίνακα για έναν άνθρωπο με ραβδί στην κορυφή ως ένα άτομο και έπειτα μια συλλογή από αυτά κάτω από το κάτω μέρος, ας πούμε, φανταστείτε δέκα από αυτά στο κάτω μέρος αυτού του πίνακα και ζωγραφίζω πυραμίδα όπου το σημείο της πυραμίδας στο μοναδικό άτομο και οι πόλοι της πυραμίδας είναι η συλλογή των ανθρώπων. Και χρησιμοποιώ αυτό για να απεικονίσει την ιδέα ότι αν ένα άτομο στην κορυφή κάνει ένα υπολογιστικό φύλλο κάνει ένα λάθος και το μοιράζεται με δέκα άτομα, και τώρα έχουμε δέκα αντίγραφα του λάθους. Να είστε πολύ προσεκτικοί με τις μακροεντολές σας και να είστε πολύ προσεκτικοί με τη Visual Basic, αν πρόκειται να μετακινηθείτε σε αυτό. Διότι όταν δημιουργούμε ηλεκτρονικά εργαλεία όπως τα λογιστικά φύλλα, είναι πολύ ισχυρό, αλλά είναι επίσης ισχυρό με καλό και κακό τρόπο.
Νομίζω ότι εργαλεία όπως η στατιστική φέρνουν την ικανότητα να αντιστρέψουν αυτό το προφίλ κινδύνου και ότι είναι ότι τώρα μπορείτε να φτάσετε στο σημείο όπου έχετε πολλά εργαλεία που είναι διαθέσιμα στο άτομο και καθώς πηγαίνουν από πολλά εργαλεία στην κορυφή την πυραμίδα και έπειτα προς τα κάτω στον πυθμένα όπου το σημείο της πυραμίδας τώρα είναι ανεστραμμένο είναι το πραγματικό εργαλείο, αν έχουμε μια ομάδα ανθρώπων που χτίζουν αυτά τα εργαλεία και αυτούς τους αλγορίθμους. Και ο επιστήμονας δεδομένων δεν χρειάζεται να είναι ειδικός στην regressional analytics στα δεδομένα του. Μπορεί να είναι σε θέση να χρησιμοποιήσουν το εργαλείο, αλλά μπορεί να έχετε πέντε ή έξι στατιστικολόγους και έναν αναλογιστή και έναν επιστήμονα δεδομένων και μερικούς μαθηματικούς που εργάζονται σε αυτό το εργαλείο, αυτή την ενότητα, αυτόν τον αλγόριθμο, αυτό το plug-in και έτσι στο λογιστικό φύλλο, Φανταστείτε ότι κάθε υπολογιστικό φύλλο που δημοσιεύσατε ότι θα μπορούσατε να χρησιμοποιήσετε γράφτηκαν από ειδικούς που εξέτασαν τις μακροεντολές, εξέτασαν τη Visual Basic, σιγουρευτούσαν ότι οι αλγόριθμοι λειτουργούσαν, οπότε όταν το πήρατε θα μπορούσατε να ανοίξετε δεδομένα σε αυτό, αλλά δεν θα μπορούσατε να το σπάσετε και ως εκ τούτου ήταν καλύτερα να ελέγχονται.
Νομίζω ότι πολλά από τα εργαλεία ανάλυσης κάνουν αυτό. Υποθέτω ότι έρχομαι στο σημείο αυτό, βλέπετε ότι στο πεδίο τώρα, βλέπετε τη μετάβαση από υπολογιστικά φύλλα που θα μπορούσαν ενδεχομένως να προωθήσουν σφάλματα και λάθη και να διακινδυνεύσουν, στο σημείο όπου τα εργαλεία που χτίζετε με το δικό σας πλατφόρμες τώρα, με την ανακάλυψη δεδομένων να είναι ακριβής σε πραγματικό χρόνο και οι άνθρωποι που χτίζουν τις ενότητες και τους αλγόριθμους καταργούν ή μειώνουν αυτό το προφίλ κινδύνου; Η εξυπηρέτηση πελατών βλέπει ότι με μια πραγματική έννοια ή νομίζετε ότι συμβαίνει ακριβώς και δεν το συνειδητοποιούν;
David Sweenor: Ξέρετε, νομίζω ότι υπάρχουν δύο τρόποι για να απαντήσετε σε αυτό. Αλλά αυτό που βλέπουμε είναι, ξέρετε, σε οποιαδήποτε οργάνωση και ανέφερα ότι οι αναλυτές πιστεύω ότι ίσως υστερούσαν από μια εταιρική επενδυτική προοπτική, όπως κάναμε με την αποθήκευση δεδομένων και το CRM. Αλλά αυτό που βλέπουμε, χρειάζεται να αλλάξουμε έναν οργανισμό για να ξεπεράσουμε αυτή την οργανωτική αδράνεια. Αλλά αυτό που βλέπουμε είναι ότι οι άνθρωποι παίρνουν τα υπολογιστικά φύλλα τους, παίρνουν τις ροές εργασίας τους και ανέφερα την ασφάλεια και τη διακυβέρνηση: "Λοιπόν, ίσως έχω ένα λογιστικό φύλλο", "Μπορώ να το κλειδώσω και να το ελέγξω". βλέπουμε πολλούς οργανισμούς, ίσως αρχίζουν απλά εκεί. Και αν αλλάξει, υπάρχει μια ροή εργασίας και καταλήγω να πάω, νούμερο ένα, όμως, που το άλλαξε; Γιατί το άλλαξαν. Όταν το άλλαξαν. Και μπορώ επίσης να δημιουργήσω μια ροή εργασίας έτσι ώστε να μην βάλω αυτό το νέο υπολογιστικό φύλλο στην παραγωγή εκτός αν είναι επικυρωμένο και επαληθευμένο από ένα, δύο, τρία, όμως πολλά κόμματα που θέλετε να ορίσετε στη δουλειά σας. Νομίζω ότι οι άνθρωποι αρχίζουν να παίρνουν, και οι οργανώσεις αρχίζουν να παίρνουν μωρά βήματα εκεί, αλλά θα πρότεινα ίσως να έχουμε πολύ δρόμο να προχωρήσουμε.
Dez Blanchfield: Πράγματι και νομίζω ότι δεδομένου ότι χτίζετε τόσο τους ελέγχους ασφαλείας όσο και τη διακυβέρνηση εκεί, τότε ο φόρτος εργασίας μπορεί αυτόματα να χαρτογραφήσει αυτό και όλα όλος ο τρόπος μέχρι τον κύριο υπεύθυνο κινδύνου, ο οποίος είναι τώρα ένα πράγμα. Μπορείτε να αρχίσετε να ελέγχετε πώς αυτά τα εργαλεία και τα συστήματα είναι προσβάσιμα και ποιος κάνει τι συμβαίνει μαζί τους, γι 'αυτό είναι πολύ ισχυρό. Νομίζω ότι τα άλλα πράγματα που έρχονται σε αυτό είναι ότι τα είδη των εργαλείων που παρέχετε, για μένα, προσδίδουν στην ανθρώπινη συμπεριφορά περισσότερο από τα παραδοσιακά υπολογιστικά φύλλα για τα οποία μιλάμε, ότι εάν έχω ένα δωμάτιο γεμάτο ανθρώπους με τον ίδιο πίνακα οργάνων και πρόσβαση στα ίδια δεδομένα, ώστε να μπορούν να αποκτήσουν διαφορετική άποψη και ως εκ τούτου να αποκτήσουν ελαφρώς διαφορετικές ιδέες από τις ίδιες πληροφορίες που ταιριάζουν στις ανάγκες τους ώστε να μπορούν να συνεργαστούν. Στη συνέχεια, έχουμε μια πιο ανθρώπινη άποψη και αλληλεπίδραση με την επιχείρηση και τη διαδικασία λήψης αποφάσεων, σε αντίθεση με όλους όσους πηγαίνουν στην ίδια συνάντηση με το ίδιο PowerPoint, και τα ίδια φύλλα εκτύπωσης εκτυπώνονται, όλα τα ίδια σταθερά δεδομένα.
Βλέπετε μια μετάβαση στη συμπεριφορά και την κουλτούρα σε οργανισμούς που κάποιοι παίρνουν τα εργαλεία σας τώρα όπου βλέπουν ότι συμβαίνουν, όπου δεν είναι σαν πέντε άτομα στο δωμάτιο κοιτάζοντας το ίδιο λογιστικό φύλλο προσπαθώντας απλώς να το οροθετήσουν και να σημειώσουν, αλλά τώρα αλληλεπιδρούν πραγματικά με τα dashboards και τα εργαλεία σε πραγματικό χρόνο, με απεικόνιση και ανάλυση στα χέρια τους και παίρνουν μια τελείως διαφορετική ροή στη συζήτηση και την αλληλεπίδραση όχι μόνο στις συναντήσεις αλλά μόνο στη γενική συνεργασία γύρω από τον οργανισμό; Επειδή μπορούν να το κάνουν πραγματικό χρόνο, επειδή μπορούν να θέσουν τις ερωτήσεις και να πάρουν μια πραγματική απάντηση. Είναι αυτή η τάση που βλέπετε αυτή τη στιγμή ή δεν έχει συμβεί κάτι τέτοιο ακόμα;
David Sweenor: Όχι, νομίζω ότι σίγουρα ξεκίνησε αυτή η πορεία και νομίζω ότι το πολύ ενδιαφέρον είναι, ξέρετε, αν πάρουμε το παράδειγμα ενός εργοστασίου, για παράδειγμα. Ίσως κάποιος που κατέχει έναν συγκεκριμένο τομέα επεξεργασίας στο εργοστάσιο αυτό, θέλει να κοιτάξει και να αλληλεπιδράσει με αυτά τα δεδομένα με έναν συγκεκριμένο τρόπο. Και ίσως εγώ, παραβλέποντας όλες τις διαδικασίες, ίσως αυτό στο κάτω μέρος, ίσως θέλω να το δω σε όλα. Νομίζω ότι αυτό που βλέπουμε είναι, πρώτον, ότι οι άνθρωποι αρχίζουν να χρησιμοποιούν ένα κοινό σύνολο απεικονίσεων ή τυποποιημένων απεικονίσεων μέσα στις οργανώσεις τους, αλλά είναι επίσης προσαρμοσμένες στο ρόλο που διαδραματίζουν. Εάν είμαι μηχανικός διαδικασίας, ίσως αυτή είναι μια πολύ διαφορετική άποψη από κάποιον που την κοιτάζει από την πλευρά της εφοδιαστικής αλυσίδας και νομίζω ότι είναι υπέροχο γιατί πρέπει να προσαρμοστεί και πρέπει να εξεταστεί μέσω του φακού που χρειάζεστε για να ολοκληρώσετε τη δουλειά σας.
Dez Blanchfield: Υποθέτω ότι η διαδικασία λήψης αποφάσεων έρχεται κάτω, με το χρονοδιάγραμμα και την ταχύτητα, ώστε πραγματικά να γίνουν έξυπνες και ακριβείς αποφάσεις γρήγορα, έτσι δεν είναι; Επειδή εάν έχετε αναλυτικά στοιχεία σε πραγματικό χρόνο, πίνακες ελέγχου σε πραγματικό χρόνο, αν έχετε στα χέρια σας τα εργαλεία στατιστικής, δεν χρειάζεται να τρέχετε στο πάτωμα για να πάτε και να ζητήσετε από κάποιον κάτι, το έχετε σε έντυπη μορφή. Μπορείτε να συνεργάζεστε, να αλληλεπιδράτε και πραγματικά να παίρνετε αποφάσεις μιλάτε και να λαμβάνετε αυτό το αποτέλεσμα αμέσως. Ποια νομίζω ότι ορισμένες από τις εταιρείες δεν έχουν καταλάβει ακόμα, αλλά όταν το κάνουν αυτό θα είναι αυτή η στιγμή του eureka ότι, ναι, μπορούμε ακόμα να παραμείνουμε στους χώρους μας και να δουλέψουμε στο σπίτι, αλλά μπορούμε να αλληλεπιδράσουμε και να συνεργαστούμε και αυτές οι αποφάσεις που κάνουμε όσο συνεργάζουμε μετατρέπονται άμεσα σε αποτελέσματα. Κοιτάξτε, νομίζω ότι ήταν φανταστικό να ακούσετε τι έχετε να πείτε μέχρι τώρα και ανυπομονώ πραγματικά να δούμε πού πηγαίνει. Και ξέρω ότι έχουμε πολλές ερωτήσεις στο Q & A, οπότε θα πάω πίσω στη Rebecca για να περάσω από κάποιες από αυτές, ώστε να μπορέσουμε να φτάσουμε σε αυτούς όσο πιο γρήγορα μπορείτε. Ευχαριστώ πολύ.
Rebecca Jozwiak: Ευχαριστώ Dez, και ναι Dave, έχουμε αρκετά ερωτήματα από το κοινό. Και χάρη Dez και Robin για τις ιδέες σας, επίσης. Ξέρω ότι ο συγκεκριμένος συμμετέχων έπρεπε να αποχωρήσει από την κορυφή της ώρας, αλλά το είδος του ζητάει, βλέπετε ότι τα τμήματα των πληροφοριακών συστημάτων είναι σε θέση να δίνουν μεγαλύτερη προτεραιότητα σε εξελιγμένους ελέγχους δεδομένων αντί να είναι άνετοι στην παροχή εργαλείων οι εργαζόμενοι της γνώσης; Θέλω να πω, είναι ότι - προχωρήστε.
David Sweenor: Ναι, νομίζω ότι εξαρτάται από την οργάνωση. Νομίζω ότι μια τράπεζα, μια ασφαλιστική εταιρεία, ίσως έχουν διαφορετικές προτεραιότητες και τρόπους να κάνουν τα πράγματα, σε σχέση με μια οργάνωση μάρκετινγκ. Υποθέτω ότι θα έπρεπε να πω ότι απλώς εξαρτάται από τη βιομηχανία και τη λειτουργία που εξετάζετε. Διαφορετικές βιομηχανίες έχουν διαφορετική εστίαση και έμφαση.
Rebecca Jozwiak: Εντάξει καλά, αυτό είναι λογικό. Και τότε ένας άλλος συμμετέχοντας ήθελε να μάθει, ποια είναι η μηχανή πίσω από τη Στατιστική; Είναι το C ++ ή το δικό σας υλικό;
David Sweenor: Λοιπόν, δεν ξέρω αν μπορώ να πάρω αυτό το συγκεκριμένο με το ότι αυτό ήταν εδώ για 30 χρόνια και αναπτύχθηκε πριν από το χρόνο μου, αλλά υπάρχει μια βασική βιβλιοθήκη αναλυτικών αλγορίθμων που είναι στατιστικοί αλγόριθμοι που τρέχουν. Και είδατε ότι μπορούμε επίσης να τρέξουμε το R, μπορούμε να τρέξουμε Python, μπορούμε να ξεσπάσουμε στο Azure, μπορούμε να τρέξουμε στο Spark στο H2O, γι 'αυτό θα έπρεπε να απαντήσω σε αυτό το ερώτημα από την άποψη, είναι μια ποικιλία κινητήρων. Και ανάλογα με τον αλγόριθμο που επιλέγετε, αν είναι στατιστικά ένα που τρέχει έτσι, αν επιλέξετε ένα για το H2O και το Spark, το χρησιμοποιεί και έτσι είναι μια ποικιλία από αυτά.
Rebecca Jozwiak: Εντάξει καλά. Ένας άλλος συμμετέχοντας ζήτησε συγκεκριμένα να δείξει αυτή τη διαφάνεια, θέλοντας να ξέρει, είδος, πώς ο επιστήμονας δεδομένων των πολιτών γνωρίζει ποια επαναχρησιμοποιήσιμα πρότυπα να χρησιμοποιήσουν; Και υποθέτω ότι θα κάνω μια ευρύτερη ερώτηση από αυτό. Αυτό, τι βλέπετε όταν έρχονται οι χρήστες των επιχειρήσεων ή οι επιχειρηματικοί αναλυτές και θέλουν να χρησιμοποιήσουν αυτά τα εργαλεία, πόσο εύκολο είναι να πάρουν και να τρέξουν;
David Sweenor: Υποθέτω ότι θα απαντήσω σε αυτό και αν μπορείτε να χρησιμοποιήσετε, αν είστε εξοικειωμένοι με τα Windows, αυτή είναι μια πλατφόρμα που βασίζεται στα Windows, οπότε έκοψα την κορυφή αυτών των στιγμιότυπων οθόνης, αλλά έχει την κορδέλα των Windows. Αλλά πώς ξέρουν ποια ροή εργασίας θα χρησιμοποιήσει; Μοιάζει με την Εξερεύνηση των Windows, οπότε υπάρχει μια δομή δέντρου και μπορείτε να την διαμορφώσετε και να την ρυθμίσετε, ωστόσο ο οργανισμός σας θέλει να την ρυθμίσει. Αλλά θα μπορούσε να είναι, θα έχετε ακριβώς αυτούς τους φακέλους και θα θέσατε αυτά τα επαναχρησιμοποιήσιμα πρότυπα μέσα σε αυτούς τους φακέλους. Και νομίζω ότι πιθανότατα υπάρχει μια ονοματολογία που θα μπορούσε να υιοθετήσει η εταιρεία σας, λέγοντας εδώ είναι το "υπολογισμό του προφίλ κινδύνου", εδώ είναι το "λάβετε δεδομένα από αυτές τις πηγές" και τα ονομάζετε ό, τι θέλετε. Είναι απλά ένας ελεύθερος φάκελος, απλά σύρετε τις σημειώσεις πάνω στον καμβά σας. Έτσι, πολύ εύκολο.
Rebecca Jozwiak: Εντάξει καλά. Ίσως μια επίδειξη την επόμενη φορά. Έπειτα ένας άλλος παρευρισκόμενος φέρνει και αυτό που εσείς και ο Robin και ο Dez μιλούσατε για τις ανακρίβειες, ειδικά σε ένα υπολογιστικό φύλλο, αλλά για τα σκουπίδια / απορρίμματα και το θεωρεί ακόμα πιο κρίσιμο όταν έρχεται σε αναλυτικά στοιχεία. Αναφέρουμε ότι, όπως γνωρίζετε, η κατάχρηση δεδομένων μπορεί πραγματικά να οδηγήσει σε κάποιες ατυχείς αποφάσεις. Και αναρωτιέται ποιες είναι οι απόψεις σας για την ανάπτυξη αλλοιωμένων αλγορίθμων, υποθέτω ότι χρησιμοποιεί τη λέξη "υπερβολική" χρήση αναλυτικών στοιχείων. Ξέρεις, κάποιος μπαίνει, παίρνει πραγματικά ενθουσιασμένος, θέλει να κάνει αυτά τα προηγμένα αναλύματα, θέλει να τρέξει αυτούς τους προηγμένους αλγόριθμους, αλλά ίσως δεν είναι σίγουροι. Τι κάνετε λοιπόν σε κάποιο είδος προστασίας από αυτό;
David Sweenor: Ναι, έτσι υποθέτω ότι θα απαντήσω σε αυτό όσο καλύτερα μπορώ, αλλά νομίζω ότι όλα έρχονται κάτω από τους ανθρώπους, τις διαδικασίες και την τεχνολογία. Διαθέτουμε τεχνολογία που βοηθάει τους ανθρώπους και βοηθά στην ενεργοποίηση οποιασδήποτε διαδικασίας που θέλετε να ενσωματώσετε στον οργανισμό σας. Στο παράδειγμα της αποστολής κουπονιού σε κάποιον, ίσως αυτό δεν είναι τόσο κρίσιμο, και αν είναι ψηφιακό δεν είναι πραγματικά κόστος, ίσως υπάρχει ένα επίπεδο ελέγχου ασφαλείας και ίσως δεν μας νοιάζει. Αν προβλέπω τις λοιμώξεις από τη χειρουργική επέμβαση, ίσως θα ήθελα να είμαι λίγο πιο προσεκτικός σε αυτό. Ή αν προβλέπω την ποιότητα και την ασφάλεια των ναρκωτικών και τέτοια πράγματα, ίσως θα ήθελα να είμαι λίγο πιο προσεκτικός σε αυτό. Έχετε δίκιο, σκουπίδια σε σκουπίδια / σκουπίδια, οπότε αυτό που προσπαθούμε να κάνουμε είναι να παρέχουμε μια πλατφόρμα που σας επιτρέπει να την προσαρμόζετε σε οποιαδήποτε διαδικασία επιθυμεί να υιοθετήσει ο οργανισμός σας.
Rebecca Jozwiak: Εντάξει καλά. Έχω μερικές ακόμη ερωτήσεις, αλλά ξέρω ότι έχουμε περάσει πολύ λίγο από την ώρα και θέλω απλώς να πω στους παρουσιαστές μας, αυτό ήταν τρομερό. Και θέλουμε να ευχαριστήσουμε τόσο πολύ τον Dave Sweenor από την Dell Statistics. Φυσικά, ο Δρ Robin Bloor και ο Dez Blanchfield, σας ευχαριστώ που είστε σήμερα οι αναλυτές. Θα κάνουμε άλλη μια μετάδοση μέσω web τον επόμενο μήνα με την Dell Statistics. Ξέρω ότι ο Dave έλεγε το θέμα. Πρόκειται για αναλυτικά στην άκρη, ένα άλλο συναρπαστικό θέμα και γνωρίζω ότι ορισμένες πολύ χρήσιμες περιπτώσεις χρήσης πρόκειται να συζητηθούν σε αυτή την εκπομπή. Αν σας άρεσε αυτό που είδατε σήμερα, επιστρέψτε για τον επόμενο μήνα. Και με αυτό, παιδιά, σας αποχαιρετώ. Ευχαριστώ πολύ. Αντίο.
