Af Techopedia Staff, 29. november 2017
Takeaway: Værten Eric Kavanagh diskuterer data og analyse samt roller som Chief Data Officer (CDO) og Chief Analytics Officer (CAO) med Jen Underwood fra Impact Analytix og Nick Jewell fra Alteryx.
Eric Kavanagh: Mine damer og herrer, hej og velkommen igen til en meget speciel udgave af Hot Technologies. Folkens, dette er Eric Kavanagh, jeg vil være din vært for dagens show, “The CxO Playbook: The Future of Data and Analytics.” Ja, det er et ret stort emne, må jeg sige. Faktisk har vi lidt af et rekordstort publikum her i dag. Vi havde over 540 personer tilmeldt sig webcast i morges. Vi gør det på et specielt tidspunkt, som mange af jer ved vores regelmæssige shows, vi gør typisk disse kl. 4 øst for øst, men vi ønskede at imødekomme den meget specielle gæst, der ringer ind over hele dammen. Lad mig dykke lige ind i præsentationen i dag.
Så dette år er varmt - det har været et meget tumult år på mange måder, jeg synes skyen har meget at gøre med det. Sammenløbet af teknologier, som vi er vidne til på markedet, er den vigtigste drivkraft, og jeg tager selvfølgelig noget om SMAC, som de kalder det. Vi taler SMAC: social, mobil, analytics, cloud - og alt det der kommer sammen. Organisationer kan virkelig ændre den måde, de gør forretninger på. Der er flere kanaler til udførelse af din forretningsdrift, der er flere data, der skal analyseres. Det er en rigtig vild verden derude, og vi skal tale i dag om, hvordan tingene ændrer sig i C-pakken, så de øverste ledere, de øverste mennesker i disse organisationer, ja, at hele verden ændrer sig lige nu, og vi er vil tale om det.
Der er din virkelig øverst. Vi har Jen Underwood fra Impact Analytix og Nick Jewell, den førende teknologievangelist fra Alteryx på linjen i dag. Det er meget spændende ting. Jeg kom med dette koncept i går aftes, folkens, og jeg synes, det er virkelig slags interessant. Selvfølgelig kender vi alle musikalske stole, spillet for børn, hvor du har alle disse stole i en cirkel, du starter musikken, alle begynder at gå rundt og en stol trækkes væk; når musikken stopper, er alle nødt til at krydre for at få en stol, mens en person mister sin stol i denne situation. Det er en meget mærkelig og overbevisende ting, der sker lige nu i C-pakken, og hvis du bemærker på dette billede lige her, har du to tomme stole bagpå. En stol forsvinder typisk i musikstole, og hvad vi ser i disse dage, er der, at der er to flere stole på C-niveauet: CAO og CDO, chef for analytikeren og chefdatadirektøren.
Begge to begynder. Helt ærligt tager chefdatamyndigheden virkelig af som en ildsted i disse dage, men hvad betyder det? Det betyder noget meget vigtigt. Det betyder, at kraften i data og analyse er så betydningsfuld, at bestyrelseslokaler eller eksekutivlokaler, jeg skal sige, C-suiter ændrer sig - de tilføjer folk til C-pakken, helt nye ledere udfylder nogle af disse nye pladser. Hvis du tænker over, hvor svært det er at ændre kulturen i en organisation, så er det en temmelig seriøs aftale. Kultur er en meget hård ting at ændre, og typisk fremmes positive ændringer gennem god ledelse og gode ideer og den slags ting. Hvis du tænker på den mulighed, vi har lige nu, ved at tilføje nye ledere i C-pakken til analyse og til data, er det en rigtig big deal. Det taler til organisationernes mulighed for at ændre bane, og lad os indse det, de store, gamle virksomheder har virkelig brug for at ændre sig på grund af, hvordan markedet forandrer sig.
Jeg giver som regel eksempler på Uber, for eksempel, eller Airbnb som organisationer, der grundlæggende har forstyrret hele industrier, og det sker overalt. Det, vi skal tale om i dag, er, hvordan din organisation kan tilpasse sig, hvordan du folk derude kan bruge disse oplysninger, denne indsigt, til at ændre din forretningsbane og for at få succes i informationsøkonomien.
Med det overleverer jeg nøglerne til WebEx til Jen Underwood, og så kommer Nick Jewell også til at chime ind; han kalder ind fra Storbritannien Tak til jer begge, og Jen, med det, vil jeg give det ud til jer. Tage det væk.
Jen Underwood: Tak, Eric, lyder godt. Godmorgen allesammen. I dag skal vi tale om denne CxO-playbook; det er fremtiden for data og analyse, og jeg vil dykke lige ind. Eric gjorde allerede et pænt arbejde med at tale om, hvorfor det er så vigtigt. Vores talere i dag, igen, har du set et andet lysbillede med disse oplysninger, men du vil få mig selv og Nick Jewell til at tale meget interaktivt med dig i denne session i dag. Vi åbner op med at beskrive, hvad disse roller er, og hvilke typer ting, de er på en mission. Vi vil se på analysebranchen, udsigterne generelt og nogle af de udfordringer, disse mennesker vil komme til at stå overfor. Dynamikken inden for organisationer i dag, når du forbereder dig på fremtiden, og så skal vi tale om de næste trin og give dig vejledning til planlægning, hvis du skal udforske nogle af disse roller i din organisation.
Når vi taler om denne CxO, CAO, for eksempel, det er den chef, der er analytiker, det er en jobtitel for seniorledere, der er ansvarlige for analyse af data i organisationen. CAO vil normalt rapportere til en administrerende direktør, og at den hurtigt voksende position vil være en central rolle, når du tænker på transformationsmassen og dens digitale transformation, som vi lige nu har på den måde, som virksomhederne træffer og træffer deres forretningsbeslutninger.
Hvis du tænker på, at digital transformation og intelligens er kernen i den digitale transformation, er denne CAO en meget strategisk rolle i en organisation. De bringer ikke kun stærk datavidenskab tilbage til faktisk indsigt og den viden, men de ejer den deraf følgende ROI og indvirkning, så hvad måles de på? Hvordan de bringer denne ROI med de data, de har, og nogle af de nederste linjenumre på tværs af en organisation til at udnytte data strategisk. Denne holdning sammen med CIO, den vigtigste informationschef, er steget fremad på grund af stigningen i teknologi og digital transformation og værdien af data.
I årevis er data guld i denne særlige verden med monetisering og intelligens og transformering af denne information. At være i stand til at tage disse proaktive handlinger og ikke bare altid se bagud i sig selv. De to positioner er ens, idet de begge beskæftiger sig med information, men CIO vil i sig selv fokusere på infrastruktur, hvor en CAO fokuserer på den infrastruktur, der er nødvendig for at analysere informationen. Den lignende position er CDO, og du hører meget mere, vi hører sandsynligvis lidt mere om CDO end du gør om CAO i dag. CDO fokuserer mere på databehandling og vedligeholdelse og disse processer med regeringsførelse gennem hele datahåndteringens livscyklus.
Disse folk vil også være ansvarlige for at tjene penge på data og få værdi af data og arbejde på tværs af løbetiden for styrings- og sikkerhedslivscyklusserne, på tværs af hele levetiden, vil jeg sige, af livscyklussen. Dette er folk, der ville være meget i harmoni, i sig selv eller ansvarlige for at sikre, at GDPR - og vi vil tale om lidt - den europæiske databeskyttelseslov, der sørger for, at disse typer ting er dækket i deres organisationer. Nu får vi strukturen og fremtiden for forstyrrende dynamiske datakrævende roller. Dette er de typer af ting, som CDO vil være ansvarlig for og ikke bare sig selv - de vil opbygge et tværfunktionelt team, og jeg har nogle eksempler på nogle af de mennesker, der vil rulle op til i sig selv i en organisationsstruktur, fra arkitekter og ledelsesmedlemmer, og endda analytikere og datavidenskabsmænd og ingeniører i en organisation kan rulle op til dem.
Når vi bevæger os videre ind i brancheudsigterne for analyse, har dette været en fænomenal - sandsynligvis ti-årig, endnu længere - tur i netop denne industri. Det har været konstant voksende, meget spændende, selv under markedskrakket for mange år siden var det stadig i stor efterspørgsel. Det har lige været et vidunderligt sted, og hvis man ser på CIO-dagsordenen fra Gartner i 2017, er BI og analytics stadig inden for de tre bedste placeringer af det, der er mest vigtigt for en organisation, og ser på væksten i softwaremarkeder, er vi konstant ser vækst der. Så længe jeg har været i dette rum, har det altid været en virkelig lys karriere.
Når vi ser på denne digitale æra og transformationen, hvad der er meget, meget interessant for mig, er disse processer, som vi har, og ofte er det at få information og tage handling fra processer eller under forretningsprocesser. Nu har Gartner anslået i 2020, at oplysninger, som du har brugt, vil blive genopfundet, digitaliseret eller endda elimineret. Otte procent af de forretningsprocesser og produkter, vi havde fra for ti år siden, og det begynder vi at se, ikke? Vi begynder at se, at med Amazon-vers måske nogle af de store kassebutikker, Ubers, Airbnbs - disse digitale modeller forstyrrer processen, og nu interagerer folk. Selv Black Friday - jeg ved ikke, hvor mange mennesker der virkelig gik til en butik - mange mennesker køber online, og hvordan når du den kunde? Det kræver intelligens at gøre det. Det kræver en meget anden måde at interagere og personalisere beskeden og have den intelligens til at præsentere dem det rigtige tilbud på det rigtige tidspunkt, og nu er det måske med et enkelt klik på en knap. Det er så let for dem at forlade din online butik. Ting forandrer sig virkelig i denne verden, og jeg tror, at Nick også ville chatte om dette.
Nick Jewell: Ja, hej alle sammen, tak meget. Jeg vil undskylde på forhånd, hvis der er en lille forsinkelse på lyden, der kommer ind fra London, jeg gør mit bedste for ikke at tale om dig, Jen.
Du har helt ret, at eliminering af affald, den genopfindelse som en del af den digitale transformation, ofte sker, når organisationer flytter fra skræddersyede produkter, måske frakoblede applikationer og til mere åbne og tilsluttede platforme. Når din proces er digital, bliver det meget lettere at se ende-til-ende-rejsen for dine data. Forfining virkelig de trin, du tager, ved at bruge data til at optimere denne proces.
Lad os komme fremad et lysbillede, hvis vi kan. Når det kommer til digital transformation, hvad det betyder for organisationer, antager jeg, at det enten er spændende eller skræmmende, afhængigt af hvilken side af spektret, du sidder på. Se på diagrammet her, der viser virksomhedernes levetid, og hvordan forstyrrende påvirkninger påvirker en organisations formuer. Hvis du startede et firma i 1920'erne, har du næsten 70 år i gennemsnit, før et andet firma forstyrrede dig. Et temmelig let liv efter dagens standarder, for i dag fik et firma næppe 15 år, indtil forstyrrelse truer dens eksistens. Det er forudsagt, at omkring 40 procent af dagens Fortune 500-virksomheder, så på S&P 500, ikke længere vil eksistere om 10 år. I 2027 vil 75 procent af S&P 500 blive udskiftet, så halveringstiden, som organisationerne står overfor i dag, inden de skal bekymre sig om forstyrrelser, er virkelig ved at falde. Succesrige virksomheder er nødt til at ligge foran det digitale innovationsløb.
I dag er der ingen, der virkelig sætter spørgsmålstegn ved analysen. Det er midtpunktet, den digitale forretningstransformation. Faktisk sætter organisationer digital innovation lige i spidsen for deres strategi. Disse virksomheder, de er de fem mest værdifulde virksomheder i verden, der repræsenterer to billioner dollars i markedsværdi, Jen.
Jen Underwood: Ja, det er fantastisk, det er det virkelig. Det ændrer virkelig og hurtigt. Den anden dynamik, som vi har, og vi har talt om dette, nu tror jeg, at vi endelig ser det, og organisationer føler denne eksponentielle vækst af datakilder, og det er ikke engang bare at analysere data om strukturerede datakilder længere. Igen, vi snakker om, du har kun et øjeblik i nogle af disse digitale processer til at tage en beslutning, og disse ting kommer i JSONs fra REST API'er, vi taler om ustrukturerede data, hvad enten logfilerne er, der er alle mulige af forskellige typer data såvel som den ekstreme konstante vækst.
Nick Jewell: Ja, Jen, så som du påpegede, at analytiske ledere drukner i et hav af data. At komme til den højværdige indsigt, måske ved hjælp af en blanding af eksisterende eller nye analyseteknikker, er virkelig slutmålet, men der er et enkelt og grundlæggende problem, som mange organisationer, vi arbejder med, de virkelig står overfor. Vi bestilte Harvard Business Review, vi gennemførte undersøgelsen og talte med dataanalytikere og forretningsførere. De spurgte, hvor mange datakilder de bruger i deres organisation til at tage en beslutning, og det er temmelig klart, der er sket et grundlæggende skift i de sidste par år. IT plejede at blande data, skubbe dem til datavarehuset, men jeg gætte på trods af alt det fremragende arbejde, som IT-grupper har udført, skabende centraliseret datastyring, står analytikere stadig over for at skabe det specifikke analytiske datasæt, men de er nødt til at besvare et forretningsspørgsmål. Faktisk har kun 6 procent fået alle deres data et sted, og flertallet af analytikere er nødt til at hente data fra fem eller flere kilder - ting som regneark, cloud-applikationer, sociale medier og naturligvis ikke at glemme det datavarehus.
Nu kender de fleste organisationer dette, men hvad de fleste organisationer ikke har at gøre med, er den enkle kendsgerning, at dataprofessionelle bruger mere af deres tid på at regere og søge efter data, end de rent faktisk udvinder værdi. Dette er ikke de høje profilerede strategiske analytiske problemer, som forretningsdirektørerne ønsker at høre om. Men ikke at tackle det grundlæggende spørgsmål vil forhindre, at organisationer virkelig opnår værdidrevet indsigt. Jen?
Jen Underwood: Det er interessant. Jeg har bestemt set forskellige undersøgelser af dette, og det er dette stykke her, uanset om det er 80 procent af tiden eller billioner af dollars, der re-fixer de samme data igen og igen, meget ineffektivt i en organisation. Dette tilføjer, disse 37 og disse 23 procent er meget dyre spild af tid. Det er forbløffende for mig, at der ikke bliver mere opmærksom på det.
Ser jeg på nogle af disse, hvad jeg vil kalde markedskræfterne, og mange gange, når jeg taler om branchens tendenser, elsker jeg at følge branchen og holde en konstant puls på den. Det er vigtigt at forstå, når noget er mere end en tendens, når det virkelig vil være en styrke, som du er nødt til at være opmærksom på, og disse er de tre bedste lige nu, kræfter til at være opmærksomme på. Det er denne hurtige vækst, nummer et er hurtig vækst af ikke-relationelle databaser. Jeg nævnte netop hele dette begreb om ikke at have meget tid til at skulle spørge i sig selv, en JSON, det er denne type ikke-relationelle scenarier, der vokser ret - jeg tror, jeg har nogle statistikker i et øjeblik her - hurtigt.
Den anden ting er det løbende skift til skyen. Før opkaldet havde jeg nævnt var jeg en verdensomspændende produktchef hos et af de store tech-firmaer og havde vanskelige samtaler for tre år siden med grupper, der sagde: ”Vi vil ikke lægge noget i skyen. Vi flytter ikke til skyen. ”Og det har været meget interessant at se grupper et år senere, to år senere, nu hører jeg fra de samme grupper, at alle har en skyplan. Jeg synes, alle er en meget bred børste-erklæring ekstrem, men hvad jeg vil sige er, folk der har været anti-sky, bestemt har holdningen ændret sig dramatisk inden for en meget kort periode, selv da jeg talte med grupper over hele verden om disse typer ting.
Automation, dette er et område, som jeg har været fascineret af, og et område, som vi bestemt ser en masse aktivitet og stor aktivitet. Vi taler om nogle af disse ting med at have denne spildte tid og ineffektiv brug af din tid. Automation er bestemt et af de områder, som jeg er mest begejstret for, når jeg tænker på at skabe værdi til en organisation.
Det næste lysbillede, jeg skal tale om, dette er en undersøgelse fra IDC, de ser på markedssegmenterne og væksten, og det er virkelig en vidunderlig måde at tage en puls på, hvad der virkelig vokser, hvad køber dine kolleger? Hvilke typer ting er de ikke interesseret i mere? Disse typer ting og sætte deres strategi i brug.
Det verdensomspændende marked for big data-analytisk software har ifølge IDC 16 segmenter, og i den segmentforstand ser vi på endda nogle navneændringer. Der var en tilføjelse af kontinuerlig analytisk software, kognitive AI-softwareplatforme, søgesystemer, så der var endda nogle nye kategorier tilføjet her. Denne markedsoversigt omfatter stort set de horisontale værktøjer, forpakkede applikationer samt en vis beslutningsstøtte og beslutning om automatisering af brugssager. Igen, dette vil være de typer af løsninger, når du tænker på CDO, sætter i en kontekst af en CDO, deres portefølje, der muligvis styrer fra dataintegration til analysevisualisering, maskinlæring og alle disse typer funktioner, som de har brug for at have i den digitale æra.
Selve det verdensomspændende marked for disse typer af løsninger voksede 8, 5 procent i nuværende valutamæssige vilkår, og det samlede marked voksede 9, 8 procent ifølge IDC. Dette blev sammenlignet med - du ser på valutasvingninger over et par års periode, og variationen er minimal, men de tre øverste segmenter, som jeg fremhævede, bare for at give dig en følelse af de ikke-relationelle analytiske datakilder, 58 procent vækst fra år til år, indholdsanalyse og søgesystemer var 15 procent, og nogle af kundeforholdet applikationer, CRM-ting eller Salesforce Einstein, for eksempel vokser disse over 10 procent, de er 12 procent lige nu. Jeg tror, at Nick også ønsket at tilføje nogle kommentarer til denne.
Nick Jewell: Tak, Jen. Det er en fantastisk visuel. Jeg tror, hos Alteryx har vi altid troet, at forberedelse af data og blanding altid ville være en kernekompetence for ethvert analytisk system, men det er virkelig grundlaget for enhver mere avanceret analyse. Lad os nu tale om branchen i de sidste par år - det har måske været lidt overfokuseret på nogle af de nye interaktive visualiseringsfunktioner. De ser smukke ud, fordi de øger engagementet, de skaber indsigt, men de flyttede os ikke rigtig ud over beskrivende analyser.
Men jeg gætter nu på, at folk sætter deres seværdigheder lidt højere, og organisationer, der begynder at forstå forretningsværdierne, kommer fra de mere sofistikerede analyser, der lige nu er ved at gå vej ind i mainstream. Spørgsmålet der bliver, hvordan, eller mere specifikt, hvem? Dette sprang til analyse af højere værdi; det kaster virkelig spørgsmålet om analytisk talentmangel til temmelig skarp lettelse, ville du være enig?
Jen Underwood: Absolut, og jeg havde, jeg tror, jeg lige tweetede, jeg så en virkelig fascinerende kommentar i går aftes fra vicepræsidenten for Adobe, der sagde: ”Maskinlæring er blevet bordindsatser”, hvor folk plejede at være på vagt, nu er det blevet et behov, og det er interessant. Ser man på dette og bare en lille anden lille anden vinkel i sig selv. En masse mennesker, vi begynder at se dette som et højvækstområde med en ikke-relationel analytisk butik og den kognitive AI, disse maskinlæring, disse analyser af høj værdi. Men stadig i slutningen af dagen, lige nu det største segment, så hvor de fleste køb sker i dag, er stadig i dette grundlæggende, hvad jeg vil sige, forespørgselsrapporteringen, noget af den visuelle analyse, og det vokser stadig, og det er noget mange antager, at du allerede har det - ikke nødvendigvis. Det vokser stadig 6, 6 procent hvert år.
Som CDO - og jeg elsker at vise dette lysbillede - dybest set bare for at sige, når du går ind i denne nye rolle eller kigger på tværs af data i en organisation, er det kaos, og jeg tror, at netop dette lysbillede virkelig gør en flot job - dette er alle de forskellige potentielle områder, som du muligvis har data. De kan være på forhånd, det kan opholde sig i skyen, det kan være hybrid, det er overalt, og det er en stor overvældende - igen, det er en rolle på C-niveau nu i en organisation, og det er ikke en enkel opgave eller enkel - I denne særlige verden at tage på er det til tider ganske overvældende. Dette er den verden, som denne CDO har brug for at navigere for at kunne mestre, hvad jeg ville sige, for at maksimere værdien af data.
Hvis vi fortsætter med udfordringen, maksimerer værdien af alle de forskellige kilder, og hvad vi har, er disse lukke vinduer af tid, med disse digitale processer eller indsigten til handling lukker. Hvis du tænker over for måske fem år siden, for ti år siden, kan det være, at du har rapporter om, at du ville løbe for at tage nogle beslutninger med opgørelse eller handlinger, disse kan løbe ugentligt, månedligt, så blev de dagligt eller natten over, måske er det hver time.
Det, vi ser nu, er disse intelligente maskinlæringsindbyggede kunstige intelligente kontorer, der træffer beslutninger og korrektioner på stedet, så selv tingene på Internettet, IoT-indlejret analyse ved kanten, disse systemer er smarte, og disse algoritmer kan selvindstille og ændre nogle af de beslutninger, de træffer på stedet til det rigtige tidspunkt. Det har været meget interessant at se denne særlige dynamik med de digitale omdrejninger og disse berøringspunkter - selvom de er steget, reducerer tiden til handling fortsat, og teknologien udvikler sig i disse scenarier.
Nick Jewell: Ja, Jen, jeg synes, en af de mest interessante aspekter af, hvordan levering af indsigt ændrer sig, er hvor analyserne ankommer til slutbrugeren. Beder vi brugerne om at hoppe ind i et instrumentbræt, når de træffer en kritisk beslutning, eller siger vi, at indsigten, den næste bedste handling, er tilgængelig direkte inden for processen, i strømmen, for at skabe den konkurrencefordel? Og den analytiske model, som vi taler om, kan muligvis være nødt til at tage sine input fra et væld af forskellige kilder - traditionelle datalager, geolokationer, sociale medier, sensorer, klikstrøm - alle disse data har betydning for beslutningen og det handlingsmæssige resultat .
Jen Underwood: At fortsætte med dette tema med udfordring og forandring, hvad vi har lige nu, og de udfordringer, som administrerende direktør har brug for at omfavne og planlægge en måde at erobre disse på, er i det væsentlige, at vi har for mange data til effektivt at styre og manuelt analysere. Der er lange forsinkelser; vi er nødt til at forkorte disse forsinkelser, og vi er nødt til at finde en måde at maksimere værdien af de data, vi har. Der er mangel på datavidstalent i verden og til at dække disse indsigter, og hvad vi vil kalde hav som data. Den gode nyhed er, at der er nogle vidunderlige innovationer, der sker for at hjælpe på alle områder af dette i dag, og det bliver spændende at se hvad, hvor teknologi vil tage os, for at hjælpe os med disse udfordringer.
Da jeg fortsatte med at se på dette, er der en smule forvirring, da jeg talte med kunder, eller jeg talte med grupper ved hjælp af nogle af disse værktøjer. Nogle af de klassiske udfordringer eksisterer stadig i dag, det bliver bare lidt mere forværret med at prøve at finde data til analyse. Nogle af søgeværktøjerne, nogle af katalogerne derude hjælper bestemt ting - det, vi finder nu, er det katalog, vi skal bruge når. Der er et par forskellige kataloger, så der er forskellige steder, som du kan gemme og dele data, så det er spørgsmål om at prøve at finde ud af et, måske det katalog, vi burde se i.
Den anden ting er samarbejdsdeling. Vi talte om en af undersøgelserne fra Harvard Business Review, hvor meget tid der bruges, dybest set ved at udføre opgaver, der ikke tilføjer værdi, spilder tid og hvor dyrt det kan være. Hvis du i samarbejde er i stand til at dele og bruge almindelige datakilder, er scripterne allerede blevet udviklet, logikken er allerede derinde, du kan styre dem effektivt, så balancering af styring med analytisk agility, det er virkelig det, du vil stræbe efter at gøre og navigere i denne verden, hvad jeg ville kalde, vi har nicheværktøjer, vi har automatiserede arbejdsgange, vi har klassiske Excel, datakatalogerne, BI-service til selvbetjening, data-videnskabsværktøjer. Som det ene billede viste, er der mange, mange værktøjer og masser af overlapninger imellem dem.
Nick Jewell: Ja, perfekt, Jen, og jeg tror, at indsigtsvinduet, som du nævnte, det helt sikkert krymper, men den tid det tager at faktisk implementere modeller holder ikke op. Forudsigelig implementering af modeller er fortsat en stor udfordring for mange virksomheder. Vi har talt med Carl Rexer, der er præsident for Rexer Analytics, og i Carl's 2017-videnskabelige dataundersøgelse fandt han, at kun 13 procent af datavidenskabsmænd siger, at deres modeller altid bliver implementeret, og dette implementeringsforhold forbedrer sig bare ikke, så vi gå tilbage med hver forrige undersøgelse. Faktisk går jeg tilbage til 2009, da spørgsmålet først blev stillet, og vi ser næsten identiske resultater, så vi har et rigtigt hul.
Jen Underwood: Når vi ser på analytisk modenhed, skrider det hurtigt frem. Igen, for to, tre år siden, var vi meget glade for at have en visuel selvbetjeningsanalyse og endelig være fleksible og udvide BI til masserne, i sig selv. Når jeg siger masser, er det sandsynligvis stadig brugere inden for en organisation. Nu ser vi optimering, forudsigelig analyse, dyb læring, naturligt sprog, mange andre teknologier, som virkelig, når de er indlejret i hverdagsprocesser, til sidst virkelig demokratiserer analytics meget problemfrit for masserne, for de rigtige masser at bruge inden for eksisterende forretningsprocesser, som de allerede har.
Nick Jewell: Ja, Jen, lad os tale en hurtig historie omkring den sidste kategori, hvis jeg kan. De fleste lyttere på opkaldet i dag vil blive fortrolige med Google DeepMinds AlphaGo-software, som besejrede nogle af de bedste Go-spillere i verden i de sidste par år. AlphaGo lærte at spille spillet ved at studere enorme mængder af tidligere indspillede kampe. Så meget, at kommentatorerne til AlphaGo-turneringen hævdede, at softwaren blev spillet i stil med en japansk stormester, tro det eller ej.
Men den sidste måned blev der rapporteret om et næsten mere forbløffende resultat. Dette var AlphaGo Zero, dyb læring, neuralt netværk, bevæbnet med ikke mere end de enkle spilleregler og en optimeret funktion. Det lærte sig selv at blive den stærkeste Go-spiller i verden uden træning under opsyn, og det gjorde alt dette på omkring 40 dage. Denne såkaldte forstærkningslæring, hvor mennesker definerer udfordringen, lader det dybe læringssystem undersøge, forbedre, virkelig kunne give den største indflydelse i det analytiske rum endnu. Så jeg gæt, hold dig tunet.
Jen Underwood: Ja, det er virkelig interessant, at du nævnte det. Kan du forestille dig undtagelserne? Og det er det, jeg begynder at se. Virkelig, når jeg taler om automatisering, meget spændende for løsningerne til at være smarte nok til at rense luft, at lære af systemer automatisk, plug and play og bare vide, hvad jeg skal gøre næste baseret på nogle af de tidligere beslutninger, der har været eller andre beslutninger der er lavet inden for organisationen og har administreret nogle af disse systemer, ETL-systemerne og taget sig af dem, og havde langt tilbage i dagen bipere og telefoner, der ringer til mig med advarsler, når processer ikke kørte, det er så spændende at tænke, ”Wow, nu er det smart nok til sandsynligvis at blive helbredt.”
Min mand administrerer et selvhelbredende gitter, vi har selvhelbredende dataintegration, analyse af selvhelende og hvor det bliver bedre og bedre, er det virkelig spændende. Som CDO, når du begynder at tænke på mennesker processeteknologi, vil vi kigge på, lige nu ser vi på teknologi, så skal vi se på mennesker, og hvordan man nærmer os at opbygge dit team og bygge færdighederne. Hvis du ser på moderne analyseplatform, vil jeg fortælle dig med det samme, ikke alle vil have alt her, selvom de største organisationer muligvis har alle disse forskellige komponenter, i sig selv, nogle grupper har måske kun to eller tre små bokse herinde, så jeg ikke ville overvælde folk med dette. Men en moderne BI-platform kræver ikke nødvendigvis et it-build, foruddefineret semantisk rapporteringslag.
Brugerne og eksperterne skulle virkelig bare have beføjelse til blot at forberede data til analytisk hastighed og smidighed, og hvis du tænker på stigningen i det, vi siger bruger- og ekspertledet analyse, så lade emnets eksperter have agility, er de nødt til at træffe hurtige beslutninger. Vi ser en øget vedtagelse af, hvad vi ville sige, værktøjer til forberedelse af personoplysninger, krangel om data, berigelse, renselse, aktiviteter, som Alteryx udfører, samt nogle af de data-videnskabstypeaktiviteter, de tilbyder godt. De tilbyder den moderne forberedelsesløsning, at intelligente, automatiserede sammenføjninger, luftopløsninger, forskydning af data, når du har big data-rørledning, det er meget, meget cool. Dette er sandsynligvis igen et af de områder, som jeg elsker og virkelig nyder at teste i branchen.
I modsætning til den traditionelle IT-ledede BI, fokuserer IT i dag virkelig på at aktivere virksomheden, og du har folk som CDO'er og sammensætter eller vælger de rigtige løsninger til at orkestrere, organisere og forene disse data og selvfølgelig sørge for, at det er styret, ikke? En ting, der er meget interessant for mig, og bestemt synes jeg, vi har fundet ud af dette, men jeg tror ikke, at vi lige lige har sagt det, dagene i et datalager i en størrelse, der passer til alle, og at det er end-all be-all, er bestemt forbi. Data er overalt, du er nødt til at lave - datasøer er kommet ind i billedet, der er streaming og live data, der er så mange forskellige datakilder nu, det er virkelig mere et brug af casebaserede, "Hvad har du brug for?" Vers dette ”Vi er nødt til at få alt ind i et datavarehus.” Jeg er ikke sikker, Nick, ville du kommentere denne? Jeg kan ikke huske det.
Nick Jewell: Jeg skal bare sige en ting, og det er bare, se udviklingen af komponenten. Hvad eksperter gjorde for fem til ti år siden, er nu i brugerens hænder, så tingene på højre side der, vil være mere udbredt for brugeren i en træk-og-slip-kode-fri form meget, meget kort tid. Det bevæger sig hurtigere og hurtigere, så bare hold øje med det.
Jen Underwood: Ja, det er virkelig godt punkt. Jeg elsker at tænke over det. De forskellige datavidenskaber, det bliver endelig en realitet, og værktøjerne bliver så meget bedre. Når vi tænker på teknologi, skal vi nu have færdighederne og menneskene, og hvad skal vi gøre? Lige nu er de bedste job, de inkluderer titler som dataforskere, dataingeniør og forretningsanalytikere, men det, vi finder, er, at arbejdsgivere selv synes det er virkelig svært at lave en kamp. Selv i data prep-pladsen vil jeg sige, “Er det prep, der er data, krænker det, hvilke udtryk kalder folk det?” Det har været meget interessant at finde.
Virksomheden ved ikke, hvad de har brug for, og der er hele dette nye nye felt, der spænder over mange forskellige områder. Hvis du ser på alle, der nu skal være en mester i deres data, forretningsanalyse, it-projektledere, min mand, der administrerer et strømnet og en portefølje af projekter, skal han være i stand til at analysere dette. Det er ikke kun finans og dataanalysen længere, det er virkelig udvidet meget bredere til andre områder af organisationen. Jeg tror, jeg så en undersøgelse af, hvor mange datakilder marketing bruger, og det var overvældende. Igen, når du tænker på undersøgelsen, der blev udført af Harvard Business Review, er det ikke kun en datakilde længere, at folk er nødt til at slå sammen og fusionere sammen og finde en indsigt fra, det er mange datakilder, og det kræver dygtighed at gøre det.
Når du i det væsentlige ser på det større billede her, vil de fleste nyansatte være i denne lyserøde boble mod bunden, når du taler om disse forretningsanalytikere til data mining analytikere, HR-cheferne, dette område, bare regelmæssige roller inden for linjen af forretninger ved hjælp af data. De hurtigst voksende roller vil have mindre job, men bestemt hvad vi hører mest om på markedet i dag, dataforskeren og dataingeniøren. Som CDO ser de fremad, og planlægger du talent, skal du tage del i nogle af automatiseringen af rutineopgaver og de typer færdigheder, der vil være mere strategiske, og igen tilføje værdi med din organisation, både for dem i analytics aktiveret, men også for data science og data engineer folk der. Overvej hvordan dine upostede positioner og endda nogle af freelance-økonomien kan ændre sig, når du tænker over det for at konkurrere om de bedste og lyseste.
Og altid altid tænke på din talentpipeline, hjælpe kandidater med at navigere i markedet eller kigge efter ting, der måske er lidt anderledes og ikke nøjagtigt hvad du vil og skabe interne analysekurser, som måske ikke virkelig er de hurtigste, mest omkostningseffektiv strategi for dig at følge med. Overvej at se på folk, der er dedikeret til træning i denne eller forskellige grupper, og jeg mener, at Alteryx har et anbefalet kursus i slutningen af sessionen i dag som en opfordring til handling, som du kan udnytte til nogle af disse ting og hjælpe dit team med at udnytte nogle af de eksisterende ressourcer, der allerede er tilgængelige.
Nick Jewell: Absolut. Der er så mange måder at udfylde dette talentgap uden at blive fanget i et våbenløb. Et par glider tilbage, jeg ved ikke, om du er i stand til at vende et par der. Kaggle, datavidenskonkurrencewebstedet, de har netop frigivet en undersøgelse med 17.000 svar omkring status for datavidenskab, og der var et virkelig interessant svar fra undersøgelsen omkring de færdigheder, som folk havde, og flertallet af respondenterne havde ikke en ph.d., det er bare ikke en forudsætning længere.
Ideen om, at næste generations analyseeksperter, den store boble, du lige viste, de kan få den viden, de har brug for fra nano-gradskurser. De kan gå til websteder som Udacity, og de kan implementere denne viden straks, direkte i branchen, og kortfokuserede leveringscyklusser gør dem til en øjeblikkelig kilde til konkurrencedygtige forskud for deres virksomheder. Så noget at passe på, tror jeg.
Jen Underwood: Nej, jeg er enig. Selv hvis jeg tænker over det, er det bestemt kommet langt, siden jeg tog et to-årigt program på UCSD. Dette var tilbage i, tror jeg, i tidsrammen for 2009 i 2010, og der var virkelig måske en håndfuld i landet, der gjorde det muligt for dig. Der er generelt mange flere muligheder nu såvel som specialiserede programmer, hvad enten det er gennem leverandørerne, masser af ressourcer, der er tilgængelige i dag med loops og alle disse forskellige online ressourcer, det er bare fantastisk, det er virkelig tiden. Lav tid og budgetterer det, og planlæg dig selv at følge med. Hvad er det, du vil lære? Og følg derefter den sti, du vil lære.
Taler om at se på dette og sammensætte din egen plan for færdigheder og fra en CDO's potentielle, og sørge for, at de har folk i områder, der er dækket, fra hvad jeg vil sige en kompetenceramme i sig selv, se på færdigheder eller se på ting som domæne viden er stadig virkelig nøglen, selvom disse løsninger kan selvtræne og selvlære, er det virkelig en forretningsemneekspert, der vil guide og sikre, at resultaterne giver mening.
Der er altid noget, og jeg kan godt lide at bruge eksemplet på, da jeg lavede kritiske analyser for et forsikringsselskab, og et af de fund, som algoritmerne havde, var ikke at ansætte nogen fra New York. Nå, nej, vi vil ikke ansætte nogen fra New York - vi var nødt til at finde ud af, hvorfor algoritmen gav os disse oplysninger. Det var fordi den lovlige, en af lovene var ændret, og derfor havde vi en masse kerne i det særlige segment. Det var nødvendigt at indføre en ekspert på forretningsemner for at dechiffrere det, og jeg ser ikke, at ændring, jeg ser ikke den slags vejlede det, sørge for, at resultaterne ser nøjagtige ud, ser noget ud - det er stadig, der er noget, der siges at være det menneskelige sind, skønheden i det kombineret med maskinens kraft er virkelig, hvor vi henvender os.
De andre typer ting, når du ser på færdigheder, visualisering, fortæller en effektiv historie i dataene, fortæller en effektiv historie, om det endda er maskinlæringsudbytte. At sammensætte og se på, hvad det er virkningen, det har, forståelse af den menneskelige karakter af beslutningstagning, disse typer ting er meget vigtige uanset teknologi. Regeringsførelse er virkelig vigtig, etik bliver mere og mere vigtig. Når du er involveret i samfundsvidenskab, forstår de dem, og de bliver uddannet til at se på, om der er skævheder i dine data, som du ikke engang er klar over eller ikke har nogen i organisationen, som måske ikke engang anerkender det, endda bringer dem ind i eksperten, at have de slags ting.
Og igen, selvfølgelig med infrastrukturen til konstruktion og hardware og sørge for at du kan skalere, og den er udviklet og sørge for at du bruger den rigtige skyudbyder, måske at du ikke er låst inde, eller at du har muligheder for at flytte eller at du forstår prisfastsættelsen for, hvor meget disse vil koste dig. Det er disse typer færdigheder, og når man ser på dette, vil vi kalde det færdigheder efter forskellige områder, uanset om det er datadrevne frontline beslutningstagere - hvor de fleste af disse roller vil være - helt til de dataingeniører og dataforskere, der vil være masserer og arbejder i disse data med oceaner. Dette er de typer ting, som du vil sammensætte en ramme for.
Ser man på kompetencerammer, ser man på en organisation generelt, man vil overveje kompetence, ikke kun færdigheder. Der er en lille nuance der i ordlyden, når du ser på dette. En kompetenceramme for din organisation er et klart signal. Krigspolitiske beslutningstagere, uddannelsesudbydere, mens færdighederne ville være sagt, indtastet under R, tænker du på de typer ting, du har en kompetent koder, men du vil gerne have mere end bare disse færdigheder. Når du forstår kompetence, hvad en person skal være i stand til og forstå rammerne, det er det vigtige, der er lidt af en nuance der.
Når du bygger dette, vil du diagnosticere, hvad du vil kalde kapaciteter, der har en positiv indvirkning på virksomheden og fremhæve disse områder med højt potentiale, så du prioriterer, hvad er de kompetencer, du vil hæve i din organisation og derefter justere dem igen med de forretningsmæssige mål. Den CDO, der er ansvarlig for at maksimere værdien af data, de vil se på, og deres CAO, der vil bruge analyser til at maksimere værdien af data. De vil se på disse kompetencer og disse forskellige områder på det tidligere net, som jeg havde der, men så vil de også se på det store personale. Du vil henvise til det med dine medarbejdere til data- og analysearbejde og investere i dem, give dem læringsmuligheder og ikke kun træning, i det væsentlige muligheder i den virkelige verden, der arbejder med reelle forretningsproblemer.
Der er ikke noget bedre - selvom jeg gik i skole i et par år, var det ikke, før jeg gik og anvendte nogle af disse algoritmer eller lærte om kontrolbedrageri, lærte om nogle af disse ting, som jeg aldrig havde tænkt på før, og du begynde at sammensætte i den virkelige verden, og det er her, du virkelig lærer. At give folk denne mulighed for at få erfaringerne på disse områder. De virksomheder, der bedst er i stand til at opbygge stærke kapaciteter, der systematisk identificerer, objektive vurderinger og ser på, hvor er hullerne i min organisation til at lære og sætte nogle målinger på plads for mål for folk, det er dem, der vil være i stand til at levere.
Når du tænker på at træne voksne, igen, er det normalt en tid sulten - vi er alle tid sulte - men ser på hvad der fungerer for hver enkelt. Jeg har personligt bøger, så hvis du skulle komme ind på mit kontor i dag, ville du se mange bøger, selvom masser af mennesker kunne lide videoer. Så det er et spørgsmål om at finde ud af, hvordan kan nogen i din organisation lide at lære - at motivere dem til at lære - men også give dem lidt tid til at gøre det og målet med en slags - hvad er en effektiv måde at nå det på og som regel er det blandet, det er ikke bare, tag dette kursus for at tjekke det markering på et scorekort, i sig selv, det blander det med ægte målprojekt, og hvad lærte du af det projekt, og hvad vil du gøre næste? Hvad er en strækning? Stræk dit team eller motiver dit team til at tage det videre.
Disse læringsmål, igen, hvis du gør det, skulle det ikke rigtig være, det skal være let for virksomheden i det væsentlige, fordi disse mål skal være i overensstemmelse med de strategiske forretningsinteresser. Dette er gode projekter. Det er eksperimentelle projekter. Det er projekter, der vil bevæge nålen fremad.
Nick, ville du tilføje noget? Jeg er ikke sikker.
Nick Jewell: Nej, jeg skulle springe ind i en case study, hvis det er OK, på den næste skærm. Lidt mere detaljeret information om en bestemt organisation. Jeg antager, at de har brugt en masse af det, du siger, i praksis, til virkeligheden. Ford Motor Company støttede sig til dataanalyse i årtier, ligesom mange virksomheder, men det gjorde det i lommerne i virksomheden med sandsynligvis meget lidt tilsyn i hele virksomheden for at sikre konsistens og koordinering. Deres problemer var sandsynligvis temmelig typiske for en organisering af deres skala, så analytisk ekspertise indeholdt - som vi siger - inden for lommer, dataadministration og ledelsespraksis var inkonsekvent, selv til det punkt, hvor nogle forretningsenheder manglede adgang til grundlæggende analytisk ekspertise.
Igen, vi har talt i dag om masser af forskellige typer datakilder, de havde over 4.600 datakilder. Det betød, at selv start af rejsen og at finde de data, de havde brug for, var en reel hindring for analytisk indsigt. Jeg ser, du griner, men det er en forfærdelig ting, ikke?
Jen Underwood: 4.600, oh my gosh, yeah.
Nick Jewell: Ford dannede den globale indsigt og analyseenhed, og dette blev centraliseret - du kan kalde det et center for ekspertise - bestående af et team af datavidenskabsmænd og -analytikere, organiseret for at dele denne analytiske bedste praksis og hjælpe med at sprede optimeret datadrevet dataindsamling på tværs af virksomheden. Enheden valgte de bedste i klassen værktøjer, ikke kun på evnen, men også på deres evne til at integrere godt sammen, så det er ganske vigtigt. Fokus for deres demokratisering var faktisk omkring rapporter og beskrivende analyser, før de rykkede op til den pyramide af behov, som vi har talt om.
Nu gør demokratisering ikke bare nogen til dataforsker natten over; personale har brug for at vide, hvornår og hvor de kan få hjælp, og der er uddannelse, regeringsførelse, metoder til rådighed for at hjælpe med alt dette. Det handler heller ikke kun om værktøjsuddannelse, men også datavidenskabelig uddannelse, for at bygge bro over det kompetencegap, som vi har nævnt. Så en virkelig brugssag i Ford, der optimerer et logistiknetværk, så betalte Ford det rigtige beløb for at flytte materialer fra punkt A til punkt B? Deres arveanalyse fremhævede virkelig ikke anvendelige muligheder; dette gjorde dem meget reaktionære på markedet. Nu blev en masse kompleksitet for den proces låst inde i analytikernes hoveder, og de gjorde et enormt gennembrud, da den selvbetjenings-workflow faktisk blev itereret med virksomheden, og de analytiske eksperter, der sad sammen og blev samlokaliseret.
Dette flyttede analysen fra flerårig til kvartalsvis og endda ned til næsten realtid, så enorm, enorm fordel for virksomheden. Denne indflydelse af selvbetjeningsanalyse på forretningsværdi, der har været, at Ford hurtigt kan planlægge og etablere virksomhedsdrevne datadrevne strategier, til at reagere på nye tendenser, hjælpe med at forme nye tjenester og dybest set forhindre trusler fra konkurrencen uden blot at skulle kigge i det bagspejle.
Hvis vi nu ser et øjeblik på, hvordan en anden kunde virkelig har flyttet analyser fra måske en lodret prioritering i en enkelt afdeling af firmaet til at være en vandret stribe på tværs af alle divisioner, vil vi tale om Shell. Shell driver et center for ekspertise, der rapporterer til den største digitale officer - så der er endnu en D til vores CxO-playbook - der er ansvarlig for digital transformation og bæredygtighed. Disse fyre, de forstod, at deres miljø indeholdt flere lag og teknologibunken, opbevaring, databehandling og det hele indeholdt teknologier, som du alle vil være bekendt med. Ting som SAP HANA, Databricks, Spark og de udnyttede offentlig sky for at nå de rette stordriftsfordele.
Nu valgte de Alteryx som en analytisk indpakning til en masse af deres R-kode, idet de tilføjede teknologier som Spotfire, Power BI og mere. Men nu ser de vedtagelsen binde meget tættere sammen med databehandling og visualisering. Jen, bare ringer tilbage til dit lysbillede af alle disse muligheder, denne slags ting spreder sig, når vi begynder at gøre det muligt for flere analytikere at have adgang. De ved, de var enormt vellykkede med at levere denne kapacitet og COE, og var på udkig efter at levere fremtidige kapaciteter nu, nogle af disse dybe lærings ting vi talte om - maskinsyn, naturlig sprogbehandling - og halvdelen af deres mission er levering, halvdelen af det handler om at forklare og katalysere disse ideer på tværs af forretningsenheder. Det er en del af rejsen; COE er altid på udkig efter forskellige måder at kommunikere med deres erhvervspublikum på.
Når man på den ene side tager højde for skeptikerne, der siger: ”Nå, denne sorte kasse vil aldrig være så god som min analytiker, ” helt igennem til fanboy eller entusiast, der ser sammenhænge overalt, måske mindre i vejen for årsagsforhold, men du skal være forsigtig på begge sider. Det er en fascinerende mellemgrund, når du har denne vandrette stribe over en hel organisation, det hybridfærdigheds sæt, der er nødvendigt for at overtale begge sider af spektret.
Nick Jewell: OK, Jen, er du der?
Jen Underwood: Det er jeg.
Nick Jewell: Jeg gætter på, hvad vi forsøger at sige her med dette citat fra Clayton Christensen, at for mange organisationer antager jeg, at det at forene den analytiske dagsorden for at drive den digitale transformation, som vi har talt om i dag, vil være en udfordring. Oftere end ikke finder vi analytiske teams, der starter med en svag hånd. Forsøg på at innovere med ældre holdovers af analytiske processer, teknologier, teamstrukturer og holde fast ved disse relikvier vil være den største barriere for analytisk tilpasning og for analytisk innovation. Har du nogen tanker om det, Jen?
Jen Underwood: Jeg nyder det billede, der blev valgt. Ja, det giver bestemt meget mening for mig. Du er nødt til at omfavne nogle af disse nye teknologier, f.eks. Streaming i realtid. Du vil ikke nødvendigvis være i stand til at få disse realtidsresultater, hvis du er nødt til at lave JavaScript-opdateringer i en browser i sig selv med en gammel arv - måske er det en dashboard-app eller de slags ting. Ja, du behøver at omfavne nogle af disse nye værktøjer, og igen, jeg synes, dette billede er virkelig sødt, et billede siger tusind ord. Vognen og buggy, du skal give slip på nogle af de gamle teknologiske tilgange.
Nick Jewell: Absolut. Så hvis vi går videre til det næste lysbillede, tror vi, at der er en bedre måde. Jeg gætte først og fremmest ved at bruge noget, der svarer til Google-lignende søgning, til hurtigt at finde alle dine dataaktiver, der er mest relevante. At forstå deres kontekst, forstå afhængighed, indarbejde i virkelig enkle ting som forretningsordlister, der er skrevet af eksperter i dine samfund, holdes i live af al den stammekendskab til lederne af dine kolleger.
Bliv smart med dataopdagelse. Tænk på evnen til at føre samtaler med rapportejere og eksperter. Upload, lav en smule Trip Advisor eller Yelp, uploade de aktiver, der er mest nyttige, bekræfte dem, som organisationen mener er mest værdifulde, og derefter fylder alt dette tilbage i søgeresultaterne og i sidste ende søgerangeringer, hvilket gør det bedre for den næste bruger. Når du først har fundet det, du leder efter, flytter du ind i den hurtige, kodefrie, brugervenlige, forberedelses- og analysefase for at udvikle dit perfekte datasæt, hvorfra du kan publicere gentagne processer.
Tilbage til vores automatiseringssamtale, opbygning af brugervenlige apps. Uanset hvad der er nødvendigt for at opbygge analytiske modeller. Når vi taler om modeller, har vi understøttet open source-teknologier som R i en årrække, gør det muligt for os at opbygge en virkelig avanceret analytisk kapacitet, der dækker beskrivende, men også forudsigende, foreskrivende analyser i en enkel, træk-og- slip måde.
Nu, over til højre side, faktisk få den indsigt ud i interaktive visualiseringer, modeller og scoringer, der bliver skubbet ned i dataplatformer, eller senest for at gøre denne indsigt tilgængelig øjeblikkeligt og direkte inden for en forretningsproces. Jeg tror, det er denne række muligheder på tværs af hele platformen, der giver os mulighed for at blive anerkendt som Gold Award-vinderen i dette års Gartner Peer Insights Customer Choice Survey, som er en fantastisk præstation. Jeg anbefaler stærkt, at du besøger Gartner-webstedet for at finde ud af mere, tilføje dine egne stemmer og tilføje din egen kommentar.
Cool, så, Jen, hvis vi springer frem et dias mere - antager jeg, at når vi konkluderer, vil jeg gerne give dig alle de næste trin. Først og fremmest skal du besøge Alteryx.com for at downloade en gratis kopi af vores seneste forskningskort, udført i koordinering med International Institute of Analytics (IIA), omkring nedbryde analytiske hindringer. Du kan også besøge udacity.com/alteryx for at lære mere om, hvordan du aktiverer dine teams, at tage det næste skridt i deres rejse med den avancerede nano-grad af analyse og derefter endelig opleve Alteryx for dig selv. Besøg hjemmesiden, download en fuldt udstyret evaluering og kom ombord med spændingen ved at løse.
Jen, over til dig. Vi har måske tid til nogle spørgsmål og spørgsmål.
Eric Kavanagh: Jeg kommer bare hurtigt ind. Vi har et par spørgsmål. Jeg vil antage, at jeg først kaster en, Nick, og derefter Jen, hvis du vil kommentere det, men det har bestemt mere anvendelse på EU, og det er den berygtede GDPR, de globale databeskyttelsesforordninger. Hvordan påvirker det Alteryx og din køreplan, og hvad jer er fokuseret på?
Nick Jewell: Det er meget en boogieman, antager jeg, det er derude lige nu. En masse mennesker, der taler om det, mange mennesker ganske bekymrede, men det er virkelig bare den første i en lang række regler, der kommer til data- og analyseverdenen. Fra vores synspunkt handler det virkelig om at forstå og klassificere dine data. Sørg for at være en CxO af enhver særlig smag, du ved, hvor dine aktiver er, du kender deres kontekst, og du ved, at du kan stole på dem som et første skridt til virkelig bare at styre og styre data i en bredere sammenhæng.
Eric Kavanagh: Jeg antager, at jeg vil kaste et andet spørgsmål til dig, før vi bringer Jen tilbage, Nick, og det er træningsdataene, hvis nogen anmoder om, at deres data fjernes fra din virksomhed, der ikke påvirker deres navn, adresse osv., ikke kun deres kontaktoplysninger, men også, hvis en algoritme bruger træningsdata, der inkluderer dine data, skal du omskolere algoritmen, er det ikke rigtigt?
Nick Jewell: Det er særlig kompliceret. Jeg tror, at ideen om, at ikke kun databaser er en kilde til nogle af disse personligt identificerbare oplysninger, men også de analytiske arbejdsgange, apps, visualiseringer. Disse data kommer overalt med en organisation, så de har den kontekst: absolut vigtig.
Eric Kavanagh: Og Jen, hvad er din tanke? Det er klart, det er ikke så stort aftale i USA, og vi ser ikke for mange virksomheder kæmpe over det nu, selvom det teknisk set gælder her. Hvis et amerikansk firma har data fra en EU-borger, hvad tager du da ved betydningen af GDPR, og hvor stor er det?
Jen Underwood: Nå, jeg synes bestemt, at det kræver ansvarlig behandling af data. Jeg har skrevet om dette et par gange og har nogle retningslinjer for nogle af disse ting. Jeg synes, det spørgsmål, som du stillede om algoritmer, er interessant. Nogle af de løsninger, jeg ser på i dag, nogle af deres produktteams har bestemt designet funktioner, så du kan se, hvordan de tager beslutningerne, og hvilke personlige data, der blev brugt til at afgøre resultatet af den algoritme. Vi ser nogle virkninger på produktdesignene her i USA.
Mange af teknologiselskaberne har meget store kontorer her og udviklingshold her i både USA og verden, så vi ser det på produktudviklingen. Jeg ser, at flere datakataloger bliver investeret i. Flere regeringers initiativer bliver spundet op, så folk forstår, og de forstår, hvor alle disse data er i kaoset. Forsøger at få deres arme rundt i det mindste organisere det, være i stand til at finde det og gøre noget med det.
Eric Kavanagh: Jeg vil skubbe på dette lysbillede, som vi har talt om tidligere, og kaste dette over til dig, Nick. Jeg synes, dette er et fantastisk lysbillede, fordi det for mig virkelig taler til umiddelbarheden af et behov for analyse. Hvad synes du om denne skiftende dynamik? Jeg mener, bundlinjen er, at virksomheder skal være smidige, og jeg ser analytics som førende for denne afgift. Hvad synes du?
Nick Jewell: Dette er fascinerende. Jeg tror, at der altid er - virksomheder og teknologier findes altid i tre stater, så det vil enten være krig, fred eller undring. Krigen kommer til at handle om det tunge konkurrenceniveau. Wonder er alle de store nye ting, du bygger oven på en platform. Derefter fred inden konkurrencen og krigen starter igen. Jeg tror, at der altid er denne kamp, der foregår.
Før dagens opkald talte vi om nogle af de andre konferencer og nøglenotater, der foregår i hele verden i dag. Nogle af de store skyleverandører, de har nået et punkt, hvor de har opbygget denne platform, og nu bygger de vidunderlige nye ting ovenpå. Virksomheder skal holde øje med dette og sørge for, at de går med noget, der har en sammenhængende platform, der leverer denne værdi for fremtiden. Det bliver dem, der overlever denne forstyrrelse.
Eric Kavanagh: Ja, det er et godt punkt, og du ved, Jen, du kommenterede tidligere, faktisk før showet, om skystrategi, og hvor mange af de mennesker, du kender i branchen, siger, at store virksomheder, endda banker, alle har nu en skystrategi. Jeg har været lidt overrasket over, hvor lang tid det har taget for det at realisere sig, og jeg gætte måske, at nogle af dem gik til AWS Reinvent-konference og indså, hvor massiv det er, og trak konklusionen om, at tiden er inde. Hvad synes du om bevidstheden blandt store forretningsførere om importen af sky, og hvordan det ændrer deres planlægning?
Jen Underwood: Når jeg tænker på denne verden af massiv skala og ved at være i stand til at styre dem, tror jeg på nogle niveauer, der er noget ro i sindet med at have et af de meget store firmaer til at tage ansvar for nogle af sikkerhedsaspekterne, så der er lidt ro i sindet der. Du ved, at der er en begrænset skala med sky.
Den anden ting er, og jeg så det, jeg var i et team, der ombyggede et produkt i skyen, og det var bestemt et underdog-produkt, og ingen var opmærksomme på det, og inden for to år på grund af ugentlige udgivelser og endda, Jeg vil sige, det er næsten til det punkt, at den daglige frigørelse i skyen. Jeg ved, at Amazon siger, at de frigiver flere gange om dagen. Når du har den trussel, når dine konkurrenter kan frigive og forbedre dagligt, uanset hvad det er, de laver, i det mindste i softwareindustrien - og alle virkelig er i softwareindustrien, når du begynder at se på digital transformation - er det en helt anden ballgame og hvem som helst kan snurre en sky og skalere og blive store.
Igen, det vil være de data, de udnytter, der vil gøre forskellen og intelligensen i deres algoritmer, og det er derfor, folk snakker om, at data er den nye olie eller data, der er guld. Når jeg ser på sky, er det spiludskifteren, det muliggør virkelig meget, meget hurtig udvikling og skala. Det er fantastisk.
Eric Kavanagh: Jeg bringer dig tilbage, Nick, med et andet spørgsmål - vi går bare et minut langt her, hvis vi kan komme til nogle af disse spørgsmål, men som jeg husker, fem og seks og måske endda syv for år siden var Alteryx virkelig en innovatør i at udnytte data fra tredjepart - så indhentning af data fra kilder som f.eks. Experian eller geospatiale data. Jeg tror, det er sandsynligvis en strategisk fordel, fordi den slags ting er i DNA'et hos Alteryx, ikke? Når virksomheder bevæger sig mod sky, tror jeg, I fyre har en masse erfaring med at kunne bygge bro over disse verdener. Verdenerne af on-prem vers fra tredjeparts- og skybaserede data, hvad synes du?
Nick Jewell: Ja, absolut. Den ultimative forbindelse bliver et magtspil for ethvert firma, der vil arbejde i dette skybaserede miljø. Men jeg vil sige, når vi taler om noget som infonomi, tanken om, at information og data skal betragtes som et aktiv i din virksomhed. Det meste af den værdi, du vil indbringe, er at tage eksterne datakilder, blande dem og berige dem med dine interne kilder for at skabe og tjene penge på mere værdi i processen. Det er absolut kritisk at arbejde ens med eksterne og eksterne data.
Eric Kavanagh: Ja, det er et godt punkt. Jeg tror, at hele denne hybrid-sky er her for at blive. Jen, jeg vil bare smide dette over til dig for nogle afsluttende kommentarer, måske. For mig at have det strategiske syn og være i stand til at forene sig som det nye udtryk beskriver data på tværs af kilderne, det vil være en kritisk succesfaktor fremad, ikke?
Jen Underwood: Nej, absolut ikke, og det er sjovt, jeg hørte denne hybrid, hybrid, hybrid. Du hørte om dette, og for fire år siden tænker du på Hadoop, Hadoop og big data, og så begyndte du at høre hybrid, hybrid, så bestemt var der, vi er ikke nødvendigvis, dette er året for maskinlæring, ingen bar. Jeg mener, kunstig intelligens, maskinlæringen har taget scenen i år, men for virkelig at fungere i en organisation i dag, der er på vej til skyen, eller som har at gøre med alle disse forskellige cloud-datakilder, måske er det Salesforce eller Arbejdsdag, alle disse forskellige typer kilder, der lever i skyen, er den eneste måde du kan håndtere den på at være hybrid. Du kan umuligt kopiere data overalt, så du behøver at være i stand til direkte at oprette forbindelse, og du behøver at finde en måde at arbejde med data placeret overalt, finde data overalt, fordi det er virkeligheden, hvor vi har ret nu.
Eric Kavanagh: Jeg tror, jeg ville være forladt, hvis jeg ikke bragte maskinlæring tilbage i samtalen, så Nick, jeg vil bare smide det over til dig. Jeg ved, at I er fokuseret på det nu - kan du tale om, hvor du ser maskinlæring på linje med analyser og med den slags systemer, vi bruger til at forstå vores forretning og vores data?
Nick Jewell: Ja, sikker. Så meget kort, lad os så hurtigt gå tilbage til vores kvalifikationsgap. Ideen om, at vi har organisationer, der er helt fyldige med Excel-brugere. Vi har dataforskere der kommer igennem, men ikke vokser i samme takt. Der er et massivt mellemrum mellem de to. Tænk over hvor maskinlæring er i dag. Hvor mange algoritmer har vi på vores telefon eller vores ur, der inkorporerer maskinindlæringsteknikker? Det er en vare, det er overalt. Vi er nødt til at aktivere disse strømbrugere på den mest enkle måde at sikre, at maskinen anvendes korrekt på tværs af virksomheden.
Eric Kavanagh: Jeg kaster måske en sidste til dig. Vi har et par spørgsmål, der kommer sent her. Jen, jeg vil bede dig om denne. En deltager kommenterer hele dette koncept med uovervåget læring, og faktum er, at du har brug for træningsdata for at gøre det, og at træningsdata typisk skal være specifikke for virksomheden. Selvom der er masser af korrelationer i brancher, er der mange måder, hvorpå organisationer ligner hinanden. Ikke desto mindre er enhver virksomhed unik, uanset om det er dens forretningsmodel eller dens tilgang til markedsføring eller salg, eller hvad det måtte være, produktudvikling.
Spørgsmålet bliver, vil disse algoritmer være i stand til at bruge tredjepartsdata til træning? Det ser ud til, at du altid bliver nødt til at bruge dine egne data til at træne disse algoritmer, selvom denne cyklustid kollapser fra seks måneder - hvilket har været tilfældet i nogle tilfælde - ned til 40 dage eller 20 dage, uanset hvad sag kan være. Du skal virkelig bruge dine egne data, og du skal sikre dig, at dataene er temmelig rene, ikke?
Jen Underwood: Det er virkelig en blanding. Du vil have en ekstern kontekst. Faktisk er jeg booket i dag back to back, og mit næste webinar taler om at forberede og rense data, ironisk nok til maskinlæring. Det, der virkelig er nøglen, er, at du samler ekstern kontekst med din organisation, og jeg elsker, at du spurgte om forberedelse og rensning af data, fordi ærligt talt, nogle af værktøjerne bliver meget, meget gode - de kan håndtere nogle aspekter af det, men det menneskelige sind, eller at være i stand til at dechiffrere problemet og se og sørge for, at de ikke er udeladt - siger, at vi har en slags undladelsesfordeling. Den måde, du ser på problemet og den måde, du vælger at designe det problem på, som du automatiserer, eller beslutninger, som du automatiserer, er der en kunst til, og sørger for, at det nøjagtigt afspejler den forretningsproces.
At gå tilbage til mit eksempel med forsikringsselskabet, da vi modellerede churn, og hvem der skulle ansætte for at gennemgå denne sponsorerede uddannelse til at sælge forsikring; i selve modellen var det ikke det juridiske klima, forskellige love for forskellige stater. Der vil altid være et aspekt, hvor du bliver nødt til at have de eksterne data med dine interne data og igen det menneskelige sind. Der vil være forskellige komponenter der.
Eric Kavanagh: Jeg synes, du har taget et rigtig godt punkt her. Vi hører fortsat om robotter og maskiner og maskinlæring, der overtager. For mig er dette en meget forstyrrende tendens - der er ingen tvivl om det - men jeg ser aldrig behovet for, at mennesker i blandingen forsvinder, især med analyse af data, på virksomhedsdata.
Nick, et sidste spørgsmål til dig. For mig, uanset hvor god algoritmerne bliver, har du altid brug for folk, der overvåger, hvad der sker, injicerer sig selv på de aftalte tidspunkter og virkelig syntetiserer det store billede af, hvad der er derude. Jeg tror ikke, nogen algoritme nogensinde vil være i stand til at syntetisere det store billede for et Fortune 2000-firma, men hvad synes du?
Nick Jewell: Lad os tage et fuldstændigt ikke-Alteryx eksempel, lad os tale om Uber fra sidste år. Uber, under terrorhændelsen i Australien, mennesker, der forsøgte at flygte fra området, de pludselig anlagde overspændingspriser, fordi det er, hvad algoritmen sagde at gøre, forårsagede enorme omdømme skader. Umiddelbart derefter implementerede de mennesker og algoritmer, der arbejdede sammen. Når som helst dette var ved at ske, et menneske måtte have tilsyn med processen. Dette partnerskab mellem menneske og algoritme, det er vejen frem.
Eric Kavanagh: Wow, det er et godt eksempel, tak så meget. Vi har brændt mere end en times tid her på vores webcast. Meget stor tak til Jen Underwood fra Impact Analytics. Selvfølgelig stor tak til Nick Jewell og Alteryx-teamet for deres tid og opmærksomhed og til jer alle for jeres tid og opmærksomhed. Vi sætter pris på disse store spørgsmål. Vi arkiverer alle disse webcasts til senere visning, del dem gjerne med dine venner og kolleger. Med det giver vi dig farvel. Fremragende webcast i dag. Tak så meget igen, vi får fat på dig næste gang, folkens. Pas på. Hej hej.
