A Techopedia munkatársai, 2016. augusztus 25
Elvihető: Rebecca Jozwiak házigazda dr. Robin Bloorral, Dez Blanchfieldrel és David Sweenorral tárgyalja a beágyazott elemzés jelenségét és az állampolgári adatok tudósát.
A videó megtekintéséhez regisztrálnia kell erre az eseményre. Regisztráljon a videó megtekintéséhez.
Rebecca Jozwiak: Hölgyeim és uraim, üdvözlet és üdvözlet a Hot Technologies oldalán. „Beágyazás mindenhol: A Citizen Data Scientist engedélyezése” a mai téma. A szokásos házigazdámmal töltenek be, ez Rebecca Jozwiak Eric Kavanagh-nak. Igen, ez az év forró. Különösen az „adattudós” kifejezés kapott nagy figyelmet, még akkor is, ha olyan unalmas neveknek neveztük őket, mint például „statisztikus” vagy „elemző szakértő”, akik nagyjából hasonló típusú tevékenységekkel foglalkoztak, de szexi új névvel és sok figyelmet szentel. Nagyon kívánatos, hogy munkahelyük legyen, előnyös a szervezet számára, és mindenki azt akarja. De ezek: 1) drága, 2) nehéz megtalálni. Tudod, már az egész hír az adattudósok készséghiányáról van, igen, de ennek ellenére óriási értéket képviselnek a szervezet számára, és az emberek valamiféle szorgalommal járnak, hogy kitalálják, hogyan szerezzék meg ezt az értéket anélkül, hogy le kellene dobniuk a dollárt. beszél.
De a jó hír az, hogy olyan eszközöket és szoftvereket látunk megjelenni, amelyek kompenzálják ezt a hiányt. Van automatizálás, gépi tanulás, beágyazott elemzés, erről tanulunk majd ma, és ez az oka ennek az új kifejezésnek, a „polgári adattudós” kifejezésnek, és mit jelent ez? Nem, ez nem a képzett adattudós, hanem az üzleti felhasználó, a BI-szakértő, az informatika valaki, a háttérrel rendelkező személy, de talán nem feltétlenül a kompetencia. De mit csinál, ezek az eszközök és a szoftver, az az, hogy több ember számára hozzáférést biztosít az intelligens megoldásokhoz, annak ellenére, hogy nem ismerik a mély kódolást. De csak javítja a teljesítményt, ha mindenkinek kissé nagyobb hozzáférést biztosít az elemző gondolatokhoz. Nem szükséges a képzés, hogy olyan kíváncsisággal rendelkezzen, amely jó betekintést nyújthat a vállalatához.
Megvitatva, hogy ma velünk áll a saját Robin Bloor, a Bloor Csoport fő elemzője, maga az egyik megkísérelhetetlen adattudós, Dez Blanchfield, aki felhívja, majd David Sweenor, a Dell Statistica, a mai napig tart előadást. És ezzel átadom Robin Bloornak.
Robin Boor: Oké, köszönöm a bevezetést. Valahogy ezt gondoltam egy történelmi összefüggésben. Amit valójában itt nézünk, az az egyik Leonardo da Vinci terve, amely egyfajta vitorlázórepüléket tervez, amelyet az ember a hátára tehet. Fogalmam sincs, hogy valóban működni fog-e. Nem szabad belemennem, el kell mondanom. Da Vinci azonban, amikor a da Vinci-re gondolok, úgy gondolom, mint az egyik legkívánatosabb és elemzőbb emberre, aki valaha létezett. És teljesen egyértelmű, ha csak arra a vitorlázóra nézzük, hogy azt egy madár szárnyának alapján tervezték, és egy vagy másik módon megvizsgálta a madarak repülését annak felépítése érdekében.
Ha a történelmi perspektívát vesszük - valójában ezt felnéztem -, akkor az elemzés talán a matematika legrégebbi alkalmazása. Vannak olyan népszámlálások, amelyek legalább babiloni időkig nyúlnak vissza. Erről tudunk, mert alapvetően vannak olyan apró tabletták, amelyekről ilyen adatok vannak. Nem tudjuk, volt-e valami, ami visszatért korábban. De nyilvánvaló az, hogy magának a civilizációnak a nagy népességgel rendelkezik, valójában tervezést igényel, és érdemes tudni, hogy mit tervez és mi az ezeknek az embereknek a követelményei.
És ez az a pont, ahol kezdődött, és ott is, ahol a számítástechnika kezdődött, mert a korai számítógépek, a korai mechanikus számítógépek valójában voltak, azt hiszem, hogy az első volt a Hollerith által készített népszámlálás, amely szerintem IBM lett, azt hiszem. Mindez tovább haladt. Volt valamiféle közjáték az 1970-es évek és a mai nap között, ahol számos más alkalmazás és elemzés, mondhatnánk, hátsó helyet foglaltak el. Igen, folyt az elemzés - ez történt nagy szervezetekben, különösen bankokban és biztosítótársaságokban, és valójában a General Electricben, a telcoban és hasonló dolgokban -, de ezt általában nem használták az üzleti életben, és most már az egész üzleti. És ez tényleg megváltoztatta a játékot. Az első dolog, amire gondoltam, hogy felhívom a figyelmet, az adatpiramis, amelyet különösen szeretek. Ez azt jelenti, hogy húsz évvel ezelőtt - legalább 20 évvel ezelőtt - felhívtam ezek egyikét, hogy megpróbáljam megérteni, valójában abban az időben a BI-t és a korai adatbányászat néhány próbálkozását próbáltam megérteni. Amit itt definiáltam, az adat gondolata, és a példák a jelek, mérések, felvételek, események, tranzakciók, számítások, összesítések, egyedi információs pontok. Gondolhat rájuk mint információmolekulákra, de ők egyedi pontok. Információvá válik, amint összefüggést kap. Összekapcsolt adatok, strukturált adatok, adatbázisok, az adatok megjelenítése, plotterek, sémarendezők és ontológiák - véleményem szerint mindegyik információnak minősül, mivel az, amit tettél, sokféle változatosságot tartalmaz, és sokkal többet hoz létre, mint egy adatpontot, valami, amelynek valójában van alakja, matematikai alakja.
Ezen felül tudásunk van. Információk vizsgálatával megtanulhatjuk, hogy különféle minták léteznek, és kihasználhatjuk ezeket a mintákat szabályok, irányelvek, iránymutatások, eljárások megfogalmazásával, és ez akkor tudás formáját öltheti. És nagyjából az összes számítógépi program, bármit is csinál, valamiféle tudás, mert az adatokkal szemben dolgoznak és szabályokat alkalmaznak rájuk. Ez a három réteg megvan, és egyre növekszik a finomítás a rétegek között. És ennek a diagramnak a bal oldalán az új adatok bevitele látható, tehát ezeknek a dolgoknak nagy része statikus. Az adatok halmozódnak, az információk felhalmozódnak, és a tudás potenciálisan növekszik. A tetején van „megértésünk”, és fenntartanom, bár ez filozófiai érv, hogy a megértés csak az emberekben rejlik. Ha tévedek ebben, akkor mindannyian egy bizonyos időpontban mindegyikét felváltják a számítógépek. De a vita helyett a következő diára megyek.
Amikor ezt megnéztem, az érdekes dolog, ez valami újabb, az volt az érdekes, hogy megpróbáltam kitalálni, mi az elemzés valójában. És végül különféle diagramok rajzolásával és egy ilyen jellegű kép befejezésével arra a következtetésre jutottam, hogy az analitika fejlesztése valójában csak szoftverfejlesztés, borzasztó mennyiségű matematikai képlettel. Az analitikus feltárás kissé különbözik a szoftverfejlesztéstől abban az értelemben, hogy valójában sok-sok különféle modellt felvesz és megvizsgál majd őket az adatokkal kapcsolatos új ismeretek generálása érdekében. De miután elkészítette, az végrehajtható vagy abban, amit úgy gondolok, mint passzív döntéstámogatásra, azaz az információra, amelyet csak a felhasználó táplál meg; interaktív döntéstámogatás, amely olyan dolgok, mint például az OLAP, ahol a felhasználónak strukturált adatkészlet adódik, amelyet a rendelkezésre álló különféle eszközök segítségével megvizsgálhatnak és magukhoz vezethetnek. Sok vizualizáció ilyen. És akkor automatizálásunk van, ha egyszerűen átválthat valamilyen elemzési betekintést az összegyűjtött szabályokba, amelyeket végre lehet hajtani, és nem feltétlenül szükséges ember bevonása. Így néztem rá, amikor mindezt megtettem. És számomra különféle dolgok fordultak elő. Ha egyszer egy tevékenységi terület van, akkor azt kell mondanunk, ha egyszer egy adattartományt ténylegesen bányászunk, alaposan bányászunk, alaposan feltárjuk minden lehetséges irányba, végül csak kikristályosodottvá válik. A feltalált tudás olyan tudássá válik, amely különféle módon tájékoztatja a különböző felhasználókat, és remélhetőleg növeli képességüket arra, hogy ténylegesen elvégezzék az általuk elvégzett munkát.
Az egyik dolog, amelyet észrevettem és körülbelül öt éven keresztül megvizsgáltam a prediktív elemzést, de a prediktív analitika BI-jé válik abban az értelemben, hogy ez csak hasznos információvá válik az emberek táplálkozásáért, és amint arra már rámutattam, van automatizált BI jelentéstétel, BI felfedező, BI, nagyon különböző fokozatai, és a prediktív elemzés valójában mindhárom irányba megy. És az elemzési folyamat, amint rámutattam, nem olyan különbözik a szoftverfejlesztéstől, csak különféle emberek végzik, kissé eltérő képességekkel. Azt hiszem, hangsúlyoznom kell, hogy egy igazán jó adattudós tudósításához szükséges készségek évekig szükségesek ahhoz, hogy megszerezzék. Nem könnyű megszerezni őket, és nem sok ember képes rá, de ez azért van, mert magában foglalja a matematika megértését nagyon kifinomult szinten annak érdekében, hogy megismerjük, mi érvényes és mi nem érvényes. Az analitikai fejlesztések, az új ismeretek felfedezése, az analitikai implantáció, az a tudás működőképessé tétele. Ez az a háttér, amelyet az elemzés egészére nézek. Ez egy hatalmas terület, és sok-sok dimenzióval rendelkezik, de szerintem az általánosítás mindenre vonatkozik.
Aztán ott van az üzleti zavar, amint említettem, számos szervezet létezik, a gyógyszeripari társaságok is egyek, amelyek DNS-ében analitikai adatok vannak. De sok szervezet nem rendelkezik a DNS-ével, és most megvan a képessége, most a szoftver és a hardver sokkal olcsóbb, mint régen, most már képesek kihasználni azt. Azt mondanám, hogy sok dolgot. Az első dolog az, hogy az elemzés sok esetben K + F. Lehet, hogy csak az elemzést alkalmazza a szervezet egy meghatározott területére, és hétköznapinak tűnik, hogy úgy vagy úgy elemzi az ügyfelek megrendeléseit, hogy különböző szempontból ismét összekapcsolódik más adatokkal. De az elemzés valójában lehetőséget teremt arra, hogy a szervezet egészére nézze, és nagyjából elemezze az adott tevékenységet, amely a szervezeten belül zajlik, és az egész tevékenységi láncot. De ha ténylegesen beköltözik ebbe a területbe, azt állítom, hogy ez kutatás és fejlesztés. És van egy kérdés, amelyet már néhányszor feltettem: „Mennyit kellene költenie egy vállalatnak az analitikának?”, És azt hiszem, hogy a legjobb módja annak, hogy erre a válaszra gondoljunk, ha az analitikát mint kutatást és fejlesztést gondoljuk, és kérdezze meg: "Nos, mennyit költne a K + F-re az üzleti hatékonyság területén?"
És azoknak a vállalkozásoknak, amelyek nem foglalkoznak az elemzéssel, sok olyan dolog van, amelyeket nem tudnak. Először is, nem tudják, hogyan kell csinálni. Általában, ha ténylegesen egy vagy másik módon alkalmaznak analitikát a szervezeten belül - valójában nagyjából nincs más választásuk, mint egy tanácsadást igénybe venni, amely segítheti őket abban, mert a legtöbb számára lehetetlen vagy nagyon nehéz. a vállalkozások számára, hogy ténylegesen felvegyenek tudományos tudósokat, megtalálják őket, fizetnek értük, és valójában bíznak benne, hogy megteszik azt, amit akarnak. Nagyon nehéz. A legtöbb vállalkozás nem ismeri a személyzet felvételét vagy képzését, hogy valóban elvégezze ezt a munkát. Ennek oka egyszerűen az, hogy még nem szerepel a DNS-ben, tehát nem része a természetes üzleti folyamatoknak. Ez bekerül a következő pontba. Nem tudják, hogyan lehet üzleti folyamattá tenni. Egyébként a legjobb módszer erre az, ha lemásoljuk azokat a gyógyszeripari és biztosítótársaságokat, amelyeket nézzünk, és az egészségügyi központ néhány társaságát, csak nézzük meg, hogyan használják az analitikát, és lemásolják. Mert ez üzleti folyamat. Nem tudom, hogyan kell rendőrizni vagy ellenőrizni. Valójában, főleg most, amikor egy szörnyű sok szoftvercég készített termékeket, amelyek automatizálják a szörnyű sok elemzést. Az ellenőrzés kérdése akkor fontos, ha tanácsadói tanácsadással vagy olyan személyekkel rendelkezik a helyszínen, akikben megbízható megérteni bármilyen analitikai számítás eredményét, ezt kell választania, de ha valóban hatékony elemző eszközöket helyez be olyan emberek kezébe, akik nem értik megfelelően az elemzést, valószínűleg olyan következtetésekre ugornak, amelyek valószínűleg nem helytállóak. És amint mondtam, a cégek nem tudják, hogyan kell ezt költségvetni.
Ezek az analitika ízei, csak átvágom rajtuk. A statisztikai elemzés és a statisztikai modellezés jelentősen különbözik a prediktív elemzéstől, amely egyébként a görbe illesztése. A gépi tanulás különbözik azoktól a dolgoktól, az útanalitika és az idősorok, amelyeket alapvetően az állapotfolyamokon végeznek, ismét eltérnek. A grafikus elemzés ismét különbözik, a szöveges elemzés és a szemantikai elemzés ismét eltérő. Ez csak rámutat arra, hogy ez nagyon több műfajú dolog. Nem az, hogy nem kezd el elemzést végezni, hanem elkezdi vizsgálni a felmerült problémákat, és megkeresi a különféle eszközöket és különféle ízeket az elemzéshez, amelyek ezeknek megfelelnek. És végül a nettó háló. A hardver és a szoftver fejlődése miatt véleményem szerint az elemzés még gyerekcipőben áll. Még sok minden vár még, és látni fogjuk azt az elkövetkező években. Azt hiszem, tovább tudom adni a labdát Deznek.
Dez Blanchfield: Igen, beszélj egy követendő kemény cselekedetről, Robin. Röviden meglátogatom ezt a témát az egyik kedvenc szögből, azaz az emberi szögből. Olyan sok változás történik a mindennapi életünkben. Napi életünk egyik legnagyobb zavara, véleményem szerint jelenleg csak a mindennapi munka. Dolgozik fel, és megpróbálja elvégezni azt a munkát, amelyet elvégzett, és az egyre növekvő elvárás, hogy mindennapi embertől szuperhősré válj, és az információmennyiség, amely a szervezetek körül áramlik és nagyon-nagyon gyorsan sugárzik, jelentős kihívás, és egyre inkább jobb és jobb eszközöket kell biztosítani az embereknek, hogy megkíséreljék megbirkózni a tudás és az információ áramlásával, ezért gondoltam, hogy megpróbálom ezt megtenni egy kissé szórakoztató szögből. . De mindig felmerül az a kérdés, hogy miként készítettük el ezt a nagyszerű elme- vagy flash-mob-ot és így tovább, amelyek valamilyen módon arra ösztönöznek minket, amit elemzőként beszélünk, de valójában amiről beszélünk, az információ hozzáférhetővé tétele az emberek számára, és lehetővé téve számukra, hogy kölcsönhatásba lépjenek vele, és oly módon tegyék meg, hogy ez természetes és normálisnak tűnik.
És valójában ez egy YouTube-videóra emlékeztet, amelyben egy kisgyermek, kicsi csecsemő ül a földön, és ott ül, és egy iPad-rel játszik, és körülötte botlik, megcsípte és megszorította, mozgatja a képeket és a képernyőn játszik, az ott található adatok. Aztán a szülő elveszi az iPad-t, és magazinot, nyomtatott magazint helyez a gyermek ölébe. És ez a gyermek valószínűleg legfeljebb két éves. A gyerek elkezdi próbálni elcsúszni a magazin képernyőjén, csipet és szorítani, és a magazin nem válaszol. A gyerek felemeli az ujját, és ránéz, és azt gondolja: „Hmm, nem hiszem, hogy az ujjam működik”, és belekarol a karjába, és azt gondolja: „Ó, nem, az ujjam működik. jól néz ki ”, és ráncolja az ujját, az ujj pedig ráncol és reagál. Igen. Ezután megpróbálja újra kapcsolatba lépni a magazingal, és alacsonyan áll, és íme, nem csipet, nem szorít és görget. Aztán elhozzák a magazint, és visszahelyezik az iPad-t az ölébe, és hirtelen a helyzet működik. Tehát itt van egy csecsemő, akit eljöttek, és arra tanítottak, hogy egy szórakoztató elemző vagy élő streaming eszközt használjon, és nem tudja kitalálni, hogyan kell működni egy magazinnak, és hogyan kell az oldalakat megfordítani.
És ez önmagában egy érdekes koncepció. De amikor arra gondolok, hogy a tudás miként mozog a szervezetek környékén, hogyan alakul az adatáramlás és hogyan viselkednek az emberek, gyakran arra gondolok, hogy ezt az elképzelést mi az ember megtanulta flash mob-ként, ami egy esemény, ahol a szociális média ezt még könnyebb megtenni, egy ötletet mint ilyenkor menni erre a helyre ebben az időben, dátumon és akción, vagy videofilmet készíteni és megtanulni ezeket a táncokat, vagy viselni ezt a színes kalapot, és egy órakor északra mutatni. És ezt kihúzza a hálózatán keresztül, és mindig egy egész ember, több száz ember, ugyanabban a helyen jelenik meg ugyanabban az időben, és ugyanazt csinálják, és ott van ez a wow faktor, például: “Szent tehén, ez volt az igazán lenyűgöző! ”De valójában ez egy nagyon egyszerű ötlet, és egy egyszerű koncepció, amelyet csak kihúznak hálózatainkon, és ezt az eredményt kapjuk, ami vizuálisan lenyűgöző és hallhatóan lenyűgöző dolog. És amikor egy szervezetre gondol, az emberek viselkedésének módjára, valamint arra, hogy miként akarjuk őket kezelni az információs rendszerekkel és az ügyfelekkel, ez gyakran olyan egyszerű, ez egy ötlet vagy koncepció, kulturális vagy magatartási vonás, amelyet megpróbálunk átadni. eszközökön és információkon keresztül, és képessé teheti őket.
És alátámasztja mindazt a mantrát, amely már két és fél évtizeden keresztül volt, vagyis ha az alkalmazottak nem találják meg a munkájukhoz szükséges eszközöket vagy információkat, akkor mindig feltalálják a kereket. És tehát ez egyre növekvő kihívás most, ahol rengeteg tudás, sok információ és a dolgok nagyon gyorsan mozognak, hogy meg akarjuk állítani az embereket, hogy újra feltalálják a kereket. És amikor gondolkodunk a munkakörnyezetünkről, és visszatérünk az emberek szemszögébe, ami az egyik kedvencem, megdöbbent, amikor meglepődtünk, hogy a kabinok nem elősegítik a környezetet a jó eredmények elérése érdekében, vagy úgy rendezzük össze a dolgokat, mint ez a szörnyű. képek itt, és ez nem sokat változott, csak leengedte a falakat, és nyitott munkaterületeknek hívta őket. De közepén, körülöttük lévő sárga hurokkal, két ember cserél egymással tudást. És mégis, ha a szoba többi részét nézi, akkor mindannyian ott ülnek, kötelességtudóan elvágva, és információt helyeznek el a képernyőn. És gyakran nem igazán cserélnek tudást és adatokat, és ennek számos oka van. De az interakció a padló közepén, bal oldalon, a sárga körben, ott két ember beszélget, ott kicserélik a tudást, és valószínűleg megpróbálnak találni valamit, és megpróbálják mondani: „Tudod, hol van ez a jelentés, hol Megtalálhatom ezeket az adatokat, milyen szerszámmal tudom használni ezt a dolgot? ”És valószínűleg nem működött, így nincs nekik semmi, és a földszinten sétáltak, megsértették a kabin irodaterületét, és személyesen megtettek.
És hasonló környezetünk volt az irodánkban, ahol viccelődve szórakoztunk, de a valóság az, hogy meglehetősen erős és hatékony. És az egyik kedvencem a vízhűtésnek nevezett mobil vagy rögzített elemzési platform, ahol az emberek felállnak, és ott csevegnek, cserefüzetben cserélnek tudást, összehasonlítják ötleteiket és elemzéseket végeznek, miközben a vízhűtőn állnak, ötleteket cserélnek. Nagyon erőteljes fogalmak, ha gondolsz rájuk. És ha le tudja fordítani őket a rendszerekre és az eszközökre, akkor elképesztő eredményt érhet el. És megvan minden idők kedvence, amely lényegében az iroda legerősebb adatátviteli csomópontja, más néven recepció. És ha nem talál valamit, hová mész? Nos, sétálsz az iroda elejére, elmennél a recepcióra, és azt mondod: „Tudod, hol van x, y, z?” És merem senkinek mondani, hogy legalább egyszer még nem tették meg egy új munkára vagy egy pillanatra, amikor csak nem találnak valamit. És meg kell kérdeznie magától, miért van ez az eset? Valahol az intraneten kell lennie, vagy valamilyen eszköznek, vagy bármi másnak. Könnyűnek kell lennie.
És amikor az adatok és az elemzés, valamint az eszközök, amelyeket biztosítottunk munkatársaink számára, hogy elvégezzék munkájukat és azt, hogy az emberek miként működnek együtt a munkával, véleményem szerint az elemző eszközök és a nagy adatplatformok közelmúltbeli megjelenése előtt, vagy az „adatfeldolgozás”, valamint a régi iskolában is nevezik, a jelentéskészítés és az ismeretek megosztása messze nem volt dinamikus vagy együttműködő vagy nyitott, és amikor arra gondolsz, milyen típusú rendszerekre számítunk az emberek munkájához, akkor klasszikus voltunk, az emberek ma már örökségnek hívják, de a valóság az, hogy csak örökség vált be, és ma is itt van, ezért nem igazán örökség. De a hagyományos HR rendszerek és ERP rendszerek - emberi erőforrás menedzsment, vállalati erőforrás tervezés, vállalati adatkezelés és olyan rendszerek, amelyeket az információk kezelésére használunk egy vállalat vezetésére. Mindig megsérül. És a legfelső szintből az olyan egyszerű platformok, mint a megyei intranet, amelyek megpróbálják kommunikálni, hol vannak a dolgok, hogyan lehet hozzájuk jutni, és hogyan lehet kölcsönhatásba lépni a hely ismereteivel. Ezt felbukkanjuk az intraneten. Csak annyira jó, mint az embereknek, akik időt és erőfeszítést tesznek arra, hogy odaadják, különben csak a fejedben maradnak. Vagy az adatok teljes egészében az élelmiszerlánc alján ülnek, a vállalati SAN-oknál és minden közöttük, tehát a tárolóhálózatok tele vannak fájlokkal és adatokkal, de ki tudja, hol található.
Leggyakrabban ezeket a zárt adatplatformokat vagy zárt rendszereket építettük fel, és így az emberek visszatértek a táblázatok és a PowerPoints kedvelt információi átadására a hely körül. De volt egy érdekes dolog, ami a közelmúltban történt, véleményem szerint, és ez az volt, hogy a mobil eszközök és az internet általában úgy működnek, hogy a dolgok valójában jobbak lehetnek. És túlnyomórészt a fogyasztói téren. És érdekes dolog, hogy a mindennapi életben olyan dolgok kezdődtek el, mint például az internetes banki szolgáltatások. Nem kellett fizikailag egy tényleges bankba mennünk, hogy kapcsolatba léphessünk velük, telefonon is megcsinálhattuk. Eredetileg nehézkes volt, de aztán megjelent az internet, és volt egy weboldalunk. Tudod, és hányszor voltál a bankjában az utóbbi időben? Valójában nem tudok, másnap beszélgettem erről a kérdésről, és valójában nem emlékszem arra, hogy utoljára mikor ment a bankomba, ahol meglehetősen sokkolt voltam, azt gondoltam, hogy képesnek kell lennem arra, hogy visszaemlékezzem, de olyan hosszú volt már nem emlékszem, mikor mentem oda. Tehát most már a kezünkben vannak ezek a modulok mobilok és telefonok, táblagépek és laptopok formájában, hálózatokkal, eszközökhöz és rendszerekhez való hozzáféréssel, valamint a fogyasztói térrel megtanultuk, hogy a dolgok jobb is lehetnek, A fogyasztói tér gyors változása miatt, amely letargikusabb és jeges változás volt a vállalkozáson és a környezeten belül, ezt a változást nem mindig vettük figyelembe a mindennapi munka életében.
És szeretem a szórakozást azzal a ténnyel, hogy nem lehet élőben közvetíteni az adatokat a papírmásoláshoz. Ebben a képen itt ül egy személy, aki nézi az elvégzett elemzéseket, és van egy gyönyörű grafikon, amelyet valaki készített, akinek valószínűleg sok pénzt fizetnek statisztikusként vagy aktuáriumként, és ott ül elemzés a nyomtatott papírról, és rábukkanás. De itt van nekem félelmetes dolog: Például ezek a találkozóhelyi emberek, és ezt példaként használom, és most már történelmi adatokkal működnek együtt. És olyan régi, mint amikor ezt a dolgot elkészítették, majd kinyomtatották, tehát talán ez egy heti jelentés. Most már nem annyira rossz adatokkal, hanem régi adatokkal hoznak döntéseket, amelyek minden esetben rossz adatok lehetnek. Ma döntéseket hoznak valami történelmi alapon, amely valóban rossz hely lehet. Ezt a papírmásolatot sikerült lecserélnünk a táblagépekre és a telefonokra, mert nagyon gyorsan dolgoztunk ki a fogyasztói térben, és most már kidolgoztuk azt a vállalati térben, hogy a valós idő a betekintés, a valós idejű érték.
És egyre jobban vagyunk abban. És rávilágít arra a pontra, amelyet Robin korábban felvetett, ez volt a polgári adattudós fogalma és ennek a koncepciónak a mozgatórugója. Számomra az állampolgári adattudós csak rendszeres ember, aki rendelkezik a megfelelő eszközökkel és információkkal az iPad kedvéért. Nem kell matematikát elvégezniük, nem kell ismerniük az algoritmusokat, nem kell tudniuk az algoritmusok alkalmazását és a szabályadatokat, csak tudniuk kell, hogyan kell használni a felületet. És ez visszavezet a bevezetésemhöz és az ott ülő kisgyermek fogalmához, szemben az iPad-rel szemben a magazinmal, szemben az iPad-del. A kisgyermek nagyon gyorsan, intuitív módon megtanulhatja, hogyan kell egy iPad felületét felhasználni az információkba merülésre és a velük való interakcióra, bár lehet, hogy játék, streaming média vagy videó. Ugyanazt a választ vagy interakciót nem kapta meg a magazin sávja, csak az oldal villogása oldalán, ami nem igazán vonzó, főleg ha kisgyermek vagy, aki az iPadson nőtt fel. Mindvégig az emberek nagyon gyorsan megnézhetik és megtanulhatják, hogyan kell vezetni az eszközöket és dolgokat, ha csak mi biztosítjuk őket, és ha olyan felülettel látjuk el őket, mint például mobil eszközök és különösen táblagépek és okostelefonok, amelyek elég nagy képernyővel rendelkeznek, és különösen akkor, ha kölcsönhatásba léphetnek egymással. őket érintéssel, ujjmozgásokkal, hirtelen megkapja ezt a polgári adattudós fogalmát.
Valaki, aki képes alkalmazni az adattudományt a megfelelő eszközökkel, de valójában nem kell tudnia, hogyan kell csinálni. És véleményem szerint ennek nagy részét, amint mondtam, a fogyasztói befolyás vezette, amely átalakult és átalakult keresletre és vállalkozásra. Néhány igazán gyors példa. Mi, sokan, elkezdenénk dolgunk a blogjainkkal és a weboldalainkkal, például kis hirdetéseket tehetnénk fel, vagy nyomon követhetnénk és mozghatnánk, olyan eszközöket használhattunk, mint a Google Analytics, és felébresztettünk arra a tényre, hogy blogjainkban és kis webhelyeinkben, kis bitjeket helyezhetünk oda, és a Google valós idejű betekintést nyújt bennünket arról, hogy kik látogatják meg a weboldalt, hol, hol és hogyan. És valós időben láthattuk, hogy az emberek elérik a weboldalt, átmennek az oldalakon, majd eltűnnek. És nagyon meglepő volt. Szeretem ezt még mindig csinálni, amikor megpróbálom magyarázni az embereknek a valós idejű elemzéseket, elmerültem azzal, hogy csak azt mutatom meg nekik egy webhelyet, amelybe be van dugva a Google Analytics, és valójában látom az élő interakciót az emberekkel, akik webhelyeket csapnak fel, és azt kérdezem tőle: ilyen valós idejű betekintést kapott a vállalkozásodba. ”
Vegyünk például egy kiskereskedelmi példát, és talán egy gyógyszert is, azt hiszem, Amerikában gyógyszertárnak hívják, egy gyógyszertárnak, ahol bemegyek és mindent megvásárolnak, a fejfájás tablettáktól kezdve a napfényig és a kalapokig. Ijesztő fogalom az, hogy megpróbáljuk ezt a szervezetet valós idejű információk nélkül működtetni. Most már tudjuk, amit tudunk. Például mérheti a gyalogos forgalmat, a képernyő egyik oldalán mosolygós arccal elhelyezheti az eszközöket az üzlet körül, mert boldog vagy, jobboldalt pedig boldogtalan piros, és közepén néhány különböző árnyalatú. És manapság létezik egy „Boldog vagy nem” nevű platform, ahol bemész egy üzletbe, és boldog vagy szomorú arcot csaphat be, az ügyfelek élő véleményétől függően. És ez interaktív lehet valós időben. Élő kereslet-alapú árakat kaphat. Ha sok ember tartózkodik ott, akkor kissé megemelheti az árakat, és megteheti a készlet-rendelkezésre állást, és megmondhatja például az embereknek - például a légitársaságok megmondják az embereknek, hogy hány ülőhely van a weboldalon, amikor Ön Repülőjegyet foglalva nemcsak véletlenszerűen tárcsázza, és remélheti, hogy megfordulhat, és megszerezheti a járatát. Élő HR-adatok, meg tudja mondani, mikor vannak az emberek órák és órák. Beszerzés, ha beszerzési folyamatban van, és élő adatai vannak, megteheti például egy órát, és fedezheti az amerikai dollár árát, hogy megvásárolja a következő raktárkészletét, és teherautó-rakományt készítsen.
Amikor megmutatom az embereknek a Google Analytics szolgáltatást, és átadom egy ilyen anekdotát, ezt az eureka pillanatot, ezt az "a-ha!" Pillanatot, ez a villanykörte kialszik az agyukban, mint például: "Hmm, látom sok olyan helyet, ahol ezt megtehetem. . Ha csak én rendelkezem volna az eszközökkel, és ha csak tudnék hozzáférni ehhez a tudáshoz. ”És ezt most láthatjuk a közösségi médiában. Bárki, aki hozzáértő szociális médiafelhasználó, nem csupán a reggeli képeinek megmutatása, hajlamos arra nézni, hogy hány kedvelőt szerez, hány forgalmat szerez és hány barátot szerez, és ezt a szereti, mondjuk, a Twitter-et, mint elemző eszközt. Mehet a Twitter.com oldalra az eszköz használatához, de beírja a Google Twitter Analytics dot com webhelyet, vagy kattint a jobb felső gombra, húzza le a menüt, és megteszi. Ezeket a csinos, élő grafikákat kapja, amelyek megmutatják, hány csipog, amit csinálsz magaddal, és hány interakciót velük. És valós idejű elemzés csak a személyes közösségi médián. Képzelje el, ha rendelkeznénk a Google Analytics, a Facebook, a LinkedIn és a Twitter kedvelőivel, az eBay-statisztika önre mutat, de a munkakörnyezetében.
Most már kéznél van az élő webes és mobil fajta, ez hatalmi koncepcióvá válik. Tehát ez vonja le a következtetésemet, és ez az, hogy mindig azt tapasztaltam, hogy azok a szervezetek, amelyek korán használják az eszközöket és a technológiát, olyan jelentős előnyt szereznek versenytársaikkal szemben, hogy a versenytársak valójában soha nem tudnak felzárkózni. És ezt most látjuk a polgári adatok tudósának konfliktusával. Ha képességeinket, tudást tudunk felvenni azokra a tudásokra, amelyekre felkértük őket, és a megfelelő eszközöket adhatjuk számukra, különösen a valós idejű adatok megtekintésének, az adatok felfedezésének és a tartózkodási hely megismerésének képességét anélkül, hogy sétálnánk a kabinokban. és kérdéseket tegyen fel hangosan, menjen és álljon a vízhűtőnél, hogy összehasonlító elemzéseket végezzen az emberekkel, vagy menjen, és kérje a recepciót, ahol az index található. Ha meg tudják csinálni ezt kéznél, és el tudják vinni velük tartott találkozóikba, és ülhetnek egy tanácsteremben, valós időben képernyőkön átpörgetve, nem pedig a papírmásolásból, hirtelen felhatalmaztunk munkatársainkat, akiknek nem kell ténylegesnek lenniük adattudósok, hanem az adattudomány tényleges felhasználása és a szervezetek elképesztő eredményeinek elérése érdekében. És azt hiszem, hogy ezt a csúcspontot, amelyet valójában átlépünk, amikor a fogyasztót vállalkozásba ösztönzik, a kihívás az, hogy hogyan biztosítjuk ezt a vállalkozást, és azt hiszem, ez a téma a mai vita során. És ezzel megteszem a darabomat, és átadom, hogy meghalljam, hogyan lehetne ezt megoldani. David, neked.
David Sweenor: Rendben, köszönöm szépen srácok és köszönöm Robinnak. Tudod, Robin, egyetértek az eredeti értékeléssel. Az analitikai folyamat valójában nem különbözik a szoftverfejlesztéstől. Úgy gondolom, hogy egy szervezeten belüli kihívás valóban valóban, tudod, a dolgok valószínűleg nincsenek pontosan definiálva, talán van egy felderítő elem és egy kreatív alkotóelem. És Dez, tudod, egyetértek veled, nagyon sok a kerék feltalálása, és tudod, nincs olyan szervezet, amelybe ma bemenek, kérdésed van, miért csinálod ilyen módon? Miért működik ez az üzlet? És könnyen megkérdőjelezhető, és sokszor, amikor egy szervezeten belül vagy, nehéz megváltoztatni. Szeretem az analógiát, a dolgok fogyaszthatóságát. És így már nem, amikor a repülőtérre megyek és meg akarom változtatni a székhelyem - ezt a mobiltelefonomon csinálom. Nem kell felmennem az ügynöknél a fülkében, és figyelni, hogy az ügynök 15 percig írjon be valamit egy monokróm monitorba, hogy megváltoztassam az üléskiosztást. Én inkább telefonon csinálom, és így érdekes fejlesztés.
Ma egy kicsit beszélünk a kollektív intelligenciáról. Azok számára, akik nem tudják, a Statistica olyan élvonalbeli elemzési platform, amely több mint 30 éve működik. Ha megnézi az elemző iparág bármelyik kiadványát, akkor ez mindig az egyik leg intuitívabb és legkönnyebben használható fejlett elemző szoftvercsomagként jelenik meg. Tehát az elmúlt években egy kollektív intelligencia elnevezésű koncepció kidolgozására töltöttük, és továbbvisszük a következő szintre. A következő beszélgetéssel szerettem volna elkezdeni: hogyan történik a munka a szervezetedben?
És itt van két kép. A bal oldalon az 1960-as évek képe látható, és nem az 1960-as években kezdtem el karrierem, de a jobb oldali kép az - ez egy félvezető gyár, ahol elkezdtem dolgozni. És abban a fekete épületben dolgoztam, mellettem a bal felső sarokban volt a fekete tető. De félvezető dolgokat készítettek. Ez a Google Képek legújabb képe. De ha visszatérünk a bal oldali 1960-as évek képéhez, ez nagyon érdekes. Ha ezek az emberek sorban ülnek, és tudod, integrált áramköreket és félvezetőket készítenek. De van egy szabványosítás, van egy standard módszer a dolgok elvégzésére, és volt egy jól meghatározott folyamat. Tudod, mivel ezek az emberek mind nyitott környezetben ülnek, talán volt valami együttműködés. Úgy gondolom, hogy egy kicsit elveszítettük ezt a tudásmunkában.
Amikor ültem az épületben, a bal felső sarokban, ha valakivel együtt szerettem volna együttműködni, az nem volt nyitva. Voltak ezek az irodák, lehet, hogy a csapat egy része távol volt, vagy talán át kellett mennem ezen a campuson; 25 perc séta volt, és beszélnem kellett valakivel a jobb szélén lévő épületben. Azt hiszem, elveszítettünk valamit az út mentén. Tehát, tudod, ugyanaz a gondolat gondoltam: miért tesznek az emberek - hány ember találja fel újra a kereket a szervezetén belül? Azt hiszem, tudod, hogy a szervezetek egésze jó munkát végzett az 1990-es és 2000-es években a CRM és az adattárolás, valamint bizonyos mértékben a BI fejlesztésével. Az elemzés valamilyen oknál fogva kissé elmaradt. Jelentős beruházások történtek az adattárolás, az adatok szabványosítása és normalizálása, és mindez, valamint a CRM, de az elemzés valamilyen okból elmaradt. És kíváncsi vagyok, miért. Lehet, hogy van egy kreatív - talán a folyamata nincs pontosan definiálva, talán nem tudja, hogy milyen döntéssel vagy eszközzel próbálkozik megfordulni az üzleti vállalkozásában, hogy változtasson. Amikor ma bekerülünk a szervezetekbe, nagyon sok ember nagyon egyszerűen kezdi a dolgokat a táblázatokban.
És tudod, ma reggel néztem egy statust, azt hiszem, hogy a táblázatok 80, 90% -ánál vannak hibák, és ezek közül néhány nagyon jelentős lehet. Mint a bálnában, ahol a JPMorgan Chase milliárd és milliárd dollárt veszített el táblázatkezelési hibák miatt. Tehát megvan az a feltételezés, hogy szerintem jobb megoldást kell találni a dolgok elkészítésére. És amint említettük, rendelkeznek ezekkel az adattudósokkal. Ezek a srácok drágák, és nehéz megtalálni őket. És néha furcsa kacsa. De azt hiszem, tudod, ha össze kellene foglalnom, mi az adattudós, akkor valószínűleg valaki megérti az adatokat. Azt hiszem, hogy valaki megérti a matematikát, valaki megérti a problémát. És valóban olyan, aki kommunikálni tudja az eredményeket. És ha adattudós vagy, akkor manapság nagyon szerencsés vagy, mert a fizetése valószínűleg megduplázódott az elmúlt években.
De az igazat megvallva, sok szervezet, nincsenek ezek az adattudósok, ám a szervezetedben okos emberek vannak. Van szervezete, nagyon sok okos ember, és táblázatokat használnak. Tudod, a statisztika és a matematika nem az elsődleges feladat, de az adatok felhasználásával haladnak előre az üzleti életben. Valójában az a kihívás, amelyet megválaszolunk, az, hogy hogyan fogadja el, ha szerencséje van adattudós vagy statisztikus vagy két ember számára, hogyan tudja megszerezni őket, és hogyan javíthatja az emberek és az emberek közötti együttműködést más személyek a szervezeten belül? Ha megnézzük, hogy milyen a szervezet felépítése, akkor elkezdek, és jobbról balra megyek. És tudom, hogy ez visszafelé halad, de megvan az üzleti vonalunk.
Ez a tudásalapú munkavállalók többsége, és ezen emberek számára be kell ágyaznia az elemzést az üzleti alkalmazásaiba. Lehet, hogy elemző eredményeket látnak a call center képernyőjén, vagy valami, és ez mondja nekik, hogy a következő legjobb ajánlatot kínálják az ügyfeleknek. Lehet, hogy egy fogyasztó vagy beszállító egy webportálon, és azonnali hitelt ad nekik, vagy ilyesmi. De az ötlet az, hogy elemzéseket fogyasztanak. Ha közelebb megyünk, akkor ezek a tudásmunkások. Ezek az emberek ma csinálnak dolgokat a táblázatokkal, de a táblázatok hibára hajlamosak, és bizonyos pontokban kifogynak a gáz. Ezek az állampolgári adattudósok, amint hívjuk őket, tudod, amit meg akarunk tenni nekik, az valóban növeli az automatizálás szintjét.
És az elemzéssel azt hallja, hogy a munka 80–90 százaléka az adatkészítési darabban van, és ez nem a tényleges matematika, hanem az adatprep. Megpróbáljuk automatizálni, függetlenül attól, hogy megteszük-e, és vannak varázslóink, sablonjaink és újrafelhasználható dolgunk, és nem igazán kell tudnia a környezeted mögött álló infrastruktúrát. És ha balra nézzünk, akkor rendelkezünk ezekkel az adattudósokkal. És amint említettem, ezek hiányoznak. És amit megpróbálunk csinálni, hogy eredményesebbé váljanak, az lehetővé teszi számukra, hogy olyan dolgokat készítsenek, amelyeket ezek a polgári adatok tudósok megtehetnek. Gondolj úgy, mint egy Lego blokkra, így ezek az adattudósok létrehozhatnak egy újrafelhasználható eszközt, amelyet egy állampolgári adattudós tud használni. Készítse el egyszer, így nem kell tovább feltalálnunk a kereket.
És emellett ezek a srácok is attól tarthatnak, hogy meg tudjuk-e csinálni az adatbázisban dolgokat, és kihasználhatjuk a vállalat meglévő technológiai beruházásait. Tudod, manapság nincs értelme az adatoknak a világ minden tájáról cserélésére. Tehát ha a Statistica-ra nézzük, amint azt már említettem, ez egy olyan platform, amely már régóta működik. És ez egy nagyon innovatív termék. Adatok keverése, nem volt olyan adatforrás, amelyhez nem tudnánk hozzáférni. Minden olyan adatmegkeresési és megjelenítési dolog van, amire számíthat; meg tudjuk csinálni valós időben. És valószínűleg van - azt hiszem, több mint 16 000 elemző funkció van a szoftver eszközben, tehát ez több matematika, mint amit valaha tudtam volna használni vagy megérteni, de ott van, ha szüksége van rá.
Képesek vagyunk kombinálni az üzleti szabályokat és az analitikus munkafolyamatokat, hogy valóban üzleti döntést hozzunk. Ön csak túlmutat, itt van egy algoritmus, itt egy munkafolyamat, de vannak üzleti szabályai, amelyekkel mindig szembe kell néznie. Nagyon biztonságban vagyunk a kormányzásban. Nagyon sok gyógyszeripari ügyféllel használunk minket, mivel az FDA bíz meg bennünk. Tudod, csak annak bizonyítása a pudingban, hogy megvan az ellenőrzés és az ellenőrzési képesség, amelyet elfogadhatnak. És végül, tudod, nyitottak, rugalmasak és kibővíthetőek vagyunk, ezért létre kell hoznia egy olyan platformot, amely azt jelenti, hogy azt akarja, hogy az adattudósok termelékenyek legyenek, azt akarja, hogy az állampolgári adatok tudósai termelékenyek legyenek, ezeket az analitikus eredményeket a szervezeten belüli munkavállalóknak telepítheti.
Ha megnézzük, íme néhány példa néhány megjelenítésre. De mivel el tudjuk osztani az analitikai eredményeit üzleti vonalú felhasználók számára, tehát az első példa a bal oldalon, ez egy hálózati elemzési diagram. És valószínűleg csalás kivizsgálója vagy, és nem tudja, hogyan történik ezek a kapcsolatok, és ezek lehetnek emberek, ezek lehetnek entitások, ezek lehetnek szerződések, bármi igazából is. De manipulálhatja ezt az egérrel, és interakcióba léphet vele annak érdekében, hogy valóban megértse - ha csalás kivizsgálója, akkor megérti a fontossági sorrendjét azon személyek számára, akiknek ki kell nyomozniuk, igaz, mert nem beszélhetsz mindenkivel, így van előtérbe helyez.
Ha a jobb oldali képet nézzük meg, egy előrejelző karbantartási műszerfalhoz, ez egy igazán érdekes probléma. Lehet, hogy egy repülőtér tulajdonosa, és ott vannak ezek a testolvasók. Ezek a testolvasók, ha repülőtérre mennek, vannak olyan alkatrészek, amelyek kb. Kilenc hónapos tárolási idővel rendelkeznek. És ezek a dolgok valóban, nagyon drágák. Ha több belépési pontommal, több szkennerrel rendelkezik a repülőtéren, az első számú, azt szeretném ellenőrizni, hogy minden kapunál megfelelő személyzettel rendelkezik-e, és a szkennerekben lévő alkatrészekre nem akarom őket megrendelni korán, és szeretném megszerezni őket, mielőtt összeomlik. Lehetőségünk van arra, hogy esetleg, ha Önnek repülőtere van, megjósolni tudjuk, mikor törnek ezek a dolgok, és megjósolhatjuk a személyzet szintjét.
Ha a jobb alsó sarkot nézzük, akkor ez akkor áll fenn, ha gyártási környezetben tartózkodik, ez csak a gyártási folyamat grafikus ábrázolása. És kissé nehéz látni, de vörös és zöld lámpák vannak ezeken a különféle folyamatszakaszokon, tehát ha mérnök vagyok, ott nagyon kifinomult matematika folyik benne, de be tudok fúrni az adott folyamatszakaszba, és a paramétereket és azokat a bemeneteket, amelyek valószínűleg kivonják az ellenőrzést. Ha az állampolgársággal foglalkozó adattudósunkat vizsgáljuk, akkor a célunk valóban az, hogy megkönnyítsük a polgári adatok tudósát. Van varázslók és sablonok, és egy dolog, ami szerintem nagyon érdekes, az, hogy van ez az automatikus adat-ellenőrző csomópont. És valójában, amit ez csinál, beépített szaga van.
Megemlítettem az adatok előkészítését - jelentős időt vesz igénybe, mind az adatok összesítésében, mind az előkészítésében. De tegyük fel, hogy vannak adataim, ezen az állapot-ellenőrző csomóponton keresztül tudom futtatni, és ellenőrzi az invarianciát, a ritkaságot és az outliereket, és mindezekkel kitölti a hiányzó értékeket, és sok matematikát végez. Nem értem, tehát vagy elfogadhatom az alapértelmezéseket, vagy ha kicsit okosabb vagyok, megváltoztathatom azokat. De a lényeg az, hogy automatizálni akarjuk ezt a folyamatot. Ez a dolog körülbelül 15 különböző ellenőrzést és eredményt eredményez egy tisztított adatkészletnél. Amit mi csinálunk, megkönnyítjük az emberek számára ezeket a munkafolyamatokat.
Itt beszélünk az adattudósok és az állampolgári adattudósok közötti együttműködésről. Ha ezeket a képeket jobbra nézzük, látjuk ezt az adat előkészítési munkafolyamatot. És ez talán nagyon kifinomult, talán ez a vállalat titkos szósza, nem tudom, de tudjuk, hogy valamelyik szervezetén belül valaki hozzáférhet ezeknek az adat-silóknak, amelyek rendelkeznek velünk. Szükségünk van módjára az elsőként, megragadva és összefűzve őket, és a másodikként. Talán van olyan speciális feldolgozás, amelyet meg akarunk csinálni, hogy túlmutat az adat-egészségügyi ellenőrzésen, és ez a vállalat titkos mártása. Tudom létrehozni ezt a munkafolyamatot a szervezetünkön belül, és csomópontként összeomlik. Látja, hogy a nyíl lefelé mutat, ez csak egy csomópont, és ezek közül száz lehet egy szervezetben. Az ötlet az, hogy vannak olyan emberek, akik tudnak valamit egy bizonyos térről, létrehozhatnak munkafolyamatot, és valaki más is felhasználhatja azt. Megpróbáljuk minimalizálni a kerék újrahasznosítását.
És ugyanezt tehetjük az analitikus modellezési munkafolyamatokkal is. A jobb oldalon ez a munkafolyamat talán 15 különféle algoritmust tartalmaz, és ki akarom választani a legjobbat a feladathoz. És nem kell állampolgárságú adattudósként megértenem, hogy mi történik abban a pókháló-rendetlenségben, hanem csak összeomlik egy csomóponttá, és talán ez a csomópont egyszerűen azt mondja: „számolja ki a hitelkockázati pontszámot”. egy műtéti fertőzés ", mi van veled. „Számítsd ki annak valószínűségét, hogy valami csaló tranzakciók lesznek.” Polgári adattudósként ezt a nagyon kifinomult matematikát használhatom, amelyet valaki más épít, esetleg az egyik ilyen tudós építette a szervezetemben.
Adattudományi szempontból tudod, beszéltem olyan adattudósokkal, akik szeretnek kódot írni, és olyan adattudósokkal beszéltem, akik utálják írni kódot. És ez rendben van, tehát nagyon vizuális, grafikus felhasználói felületünk van. Megragadhatjuk adatainkat, elvégezhetjük az automatikus adat-állapotfelmérést, és talán szeretnék kódot írni. Szeretem a Python-ot, szeretem az R-et, de az ötlet az, hogy ezek az adattudósok hiányoznak, és szereti a kódot egy adott nyelven. Nem különösebben preferáljuk azt a nyelvet, amelyet kódolni szeretnénk, tehát ha R-t akar tenni, akkor végezzen R-t; Ha Python-ot akarsz csinálni, csináld a Python-ot. Nagyszerű. Ha az Analytics elemzést az Azure-ba szeretné tölteni, akkor töltse fel az elemzést a felhőbe. Tehát az a cél, hogy valóban rugalmasságot és lehetőségeket kínáljunk az adattudósok minél hatékonyabbá tételére.
Az adattudósok szerint elég okos emberek, de talán nem mindenben vannak szakember, és talán vannak hiányosságok abban, amit tehetnek. És ha az iparágon kívül néz ki, akkor nagyon sok különböző elemző piac működik. Ez egy példa arra, hogy valószínűleg el kell végeznem a képfelismerést, és nincs ilyen képességem. Nos, talán kimegyek az algoritmusba, és képfelismerő algoritmust szerezek. Lehet, hogy kimegyek az Apervitához, és kapok egy nagyon különleges egészségügyi algoritmust. Talán szeretnék valamit használni az Azure gépi tanulási könyvtárban. Talán szeretnék használni valamit a natív Statistica platformon.
Itt is az a gondolat, hogy fel akarjuk használni a globális elemző közösséget. Mivel nem lesz minden képessége a négy falán belül, akkor hogyan tudunk szoftvert létrehozni - és ezt csináljuk -, amely lehetővé teszi az adattudósok számára, hogy algoritmusokat használhassanak különféle piacokról. R-vel és Python-nal már régóta csináljuk, de ez kiterjeszti ezeket az ott elérhető alkalmazáspiacokra. És ugyanazt, amit itt látsz, a H2O-t használjuk a Spark-on, tehát nagyon sok analitikus algoritmus van ott. Nem kell arra koncentrálnia, hogy ezeket a semmiből hozzon létre. Használjuk újra azokat, amelyek a nyílt forráskódú közösségben élnek, és azt akarjuk, hogy ezek az emberek a lehető legtermékenyebbek legyenek.
A következő lépés, miután megkaptuk az állampolgársággal foglalkozó tudósokat és adattudósokat, valójában hogyan mozdítja elő és terjeszti ezeket a legjobb gyakorlatokat? Szoftverünkben olyan technológiánk van, amely lehetővé teszi az elemzés terjesztését bárhol. És ez inkább modellkezelő nézet, de már nem vagyok kötve a négy falnak vagy a Tulsa-ban, Tajvanon vagy Kaliforniában található konkrét telepítésnek, vagy mi van velük. Ez egy globális platform, és sok-sok ügyfelünk van, akiket több helyszínen használnak.
És valóban a legfontosabb dolgok az, ha ha Tajvanon csinálsz valamit, és Brazíliában szeretném megismételni, akkor ez remek. Menj be, ragadja meg az újrafelhasználható sablonokat, ragadja meg a kívánt munkafolyamatokat. Ezzel megpróbáljuk megteremteni ezeket a szabványokat és a dolgok általános módját, tehát nem mindenhol dolgozunk teljesen másképp. És ennek másik kulcsfontosságú eleme valóban az, hogy azt a matematikát akarjuk elvégezni, ahol az adatok élnek. Nem kell az adatokat keverni, tudod, Kalifornia és Tulsa, Tajvan és Brazília között. Van olyan technológiánk, amely lehetővé teszi számunkra, hogy felvegyük a matematikai adatokat, és lesz egy másik Hot Technology webes közvetítés erről a témáról.
De ezt az architektúrát nevezzük, és itt egy alagúszó, natív elosztott elemzési architektúra. Ennek legfontosabb gondolata az, hogy van egy platformunk, a Statistica, és atomként exportálhatom az elemző munkafolyamatot. És meg tudtam csinálni egy modellt, vagy egy teljes munkafolyamatot, tehát ez nem számít. De tudom létrehozni és exportálni a célplatformnak megfelelő nyelven. Ennek bal oldalán nagyon sok ember csinálja, de a forrásrendszerben pontozást végeznek. Nagyszerű, tudunk pontozást végezni és modellépítést végezhetünk az adatbázisban, tehát ez érdekes.
És akkor a jobb oldalon van Boomi. Ez egy társ technológia, ezekkel együtt dolgozunk. De ezeket a munkafolyamatokat is átvehetjük, és lényegében bárhová eljuttathatjuk a világ bármely pontjára. Bármi, ami rendelkezik IP-címmel. És nem kell, hogy a Statistica telepítve legyen a nyilvános vagy a magán felhőben. Bármi, ami JVM-et képes futtatni, futtathatjuk ezeket az analitikus munkafolyamatokat, az adat előkészítési munkafolyamatokat vagy csak a célplatformok bármelyikét. Függetlenül attól, hogy a nyilvános vagy a privát felhőmben van-e, vagy a traktoromban, az autómban, az otthonomban, a villanykörteben, a dolgok internetében, olyan technológiánkkal rendelkezik, amely lehetővé teszi, hogy ezeket a munkafolyamatokat bárhol a világon átvihesse.
Nézzük át. Tudod, üzleti vonalunk van, tehát ezek az emberek, technológiánkkal lehetővé teszik számukra, hogy megfelelő formátumban fogyaszthassák az outputot. Van állampolgársággal foglalkozó tudósunk, és megpróbáljuk javítani az együttműködést, hogy részese legyen egy csapatnak, igaz? És ezért azt akarjuk, hogy az emberek ne állítsák fel újra a kereket. És rendelkezünk ezekkel az adattudósokkal, ott hiányozhat a készségekben, de kódolhatnak egy kívánt nyelven, menhetnek az analitikai piacokra és ott használhatnak algoritmusokat. És tehát ezzel miért nem gondolja, hogy ezzel minden fantasztikus? Ez tökéletes, ezt csináljuk. Újrahasznosítható munkafolyamatokat építünk, utasításokat adunk az embereknek, adunk nekik a Lego tömböket, hogy felépítsék ezeket a hatalmas kastélyokat és bármit, amit akarnak. Összefoglalva: van egy olyan platformunk, amely felhatalmazza az üzleti felhasználók, az állampolgári adattudósok, a programozással foglalkozó tudósok vonalát, és rendelkezünk velük - bármilyen tárgyak internete elemének elemzési felhasználási esetével foglalkozhatunk, és lehetővé tesszük ezt a kollektív intelligencia fogalmát. Ezzel azt hiszem, valószínűleg kérdéseket nyitunk meg.
Robin Bloor: Jól van. Azt hiszem, az első - úgy értem, hogy őszinte legyek, úgy értem, hogy a Dell Statistica korábban már tájékoztatta őket, és hogy őszinte legyek, valójában nagyon meglepett vagyok azokon a dolgokon, amelyeket nem tudtam, hogy előadtatok a bemutatón . És el kell mondanom, hogy az egyik dolog, ami számomra hibát okozott az analitika bevezetésében, az, hogy tudod, az eszközök megszerzése nem igaz? Rendkívül sok eszköz van odakint, vannak nyílt forráskódú eszközök és így tovább és így tovább, és különféle, úgynevezett félplatformok találhatók. De azt hiszem, hogy a különbség van, különösen lenyűgözött a munkafolyamat egy része.
De a különbség az, hogy úgy tűnik, hogy végeredményes. Olyan, mint az analitika egy kifinomult üzleti folyamat, amely az adatgyűjtéssel kezdődik, majd egy egész sorozaton megy keresztül, attól függően, hogy milyen adatok pelyhesek, majd azután a matematikai támadások egész sorában kibontakozhat a adat. És akkor az eredmények egy vagy más módon jelennek meg, és ezeknek cselekedeteknek kell lenniük. Óriási mennyiségű elemzést találtam, ahol rengeteg nagy munkát végeztem el, de nincs akció. És úgy tűnik, hogy borzasztóan sok minden van benne, amire szükség van. Nem tudom, mennyire átfogó, de sokkal átfogóbb, mint amire számítottam. Hihetetlenül lenyűgözte ezt.
Szeretném, ha kommentálna a táblázatokat. Már mondtál valamit, de az egyik dolog, amelyet megjegyeztem, és amelyet az évek során megfigyeltem, de ez csak egyre nyilvánvalóbbá válik, hogy borzasztóan sok olyan táblázat található, amely árnyékrendszer, és valóban azt hiszem a táblázat, értem, egy csodálatos eszköz volt, amikor bevezették, és azóta is csodálatos, sokféle módon, de ez egy általánosított eszköz, nem igazán felel meg a célnak. Ez természetesen nem túl jó a BI kontextusban, és szerintem szörnyű az analitikai kontextusban. És azon gondolkoztam, vajon van-e valamilyen megjegyzésed, mondjuk olyan példákkal kapcsolatban, amelyekben Ön tudja, hogy a Statistica kiszabadult, a táblázat túlzott mértékű használata, vagy bármilyen megjegyzést szeretne hozzá fűzni?
David Sweenor: Igen, azt hiszem, tudod, hogy kereshet híres táblázati hibákat. A Google vagy bármilyen más keresőmotor sok eredményt fog hozni. Nem hiszem, hogy tudod, valaha kicseréljük a táblázatokat. Ez nem a szándékunk, de nagyon sok olyan szervezetnél, ahol elmentem, létezik néhány ilyen táblázatkezelő varázsló vagy nindzsás, vagy bármi más, amit hívni szeretne, de vannak ezek a nagyon kifinomult táblázatok, és gondolkodnod kell, mi történik, amikor ezek az emberek nyerik a lottót, és nem térnek vissza? Tehát amit próbálunk csinálni, tudjuk, hogy léteznek táblázatok, hogy be tudjuk őket nyelni, de azt hiszem, hogy megpróbáljuk kidolgozni a munkafolyamat vizuális ábrázolását, hogy ez megérthető legyen és megosztható másokkal . A táblázatok meglehetősen nehézek, meglehetősen nehéz megosztani. És amint átadta nekem a táblázatát, megváltoztattam azt, és most már nincs szinkronban, és különböző válaszokat kapunk. Amit próbálunk tenni, az az, hogy néhány védőkorlátot helyezünk körül, és egy kicsit hatékonyabbá teszik a dolgokat. És a táblázatok valóban szörnyűek, ha több adatkészletet kombinálnak, tudod? Leesnek oda. De nem fogjuk kicserélni őket, lenyeljük őket, és vannak olyan emberek, akik elkezdenek eltolódni, mert ha van egy csomópont, amely azt mondja: „kiszámoljuk a kockázatot”, akkor ezt próbálja megtenni a táblázatot használó személy. Tehát ezek eltűntek.
Robin Bloor: Igen, úgy értem, azt mondanám, hogy az egyik szempontból, amikor a dolgokat nézem, azt mondanám, hogy a táblázatok nagyszerűek az információk létrehozására. Még kiválóan alkalmasak a tudás szigeteinek létrehozására, de nagyon rosszak az ismeretek megosztására. Nekik nincs mechanizmusuk ennek elvégzésére, és ha átad egy táblát valakinek, nem olyan, mintha el tudja olvasni, mint egy cikk, amely pontosan elmagyarázta, mit csinál. Csak nincs ott. Úgy gondolom, hogy tudod, a dolog, amely leginkább lenyűgözött a bemutatóval és a Statistica képességeivel kapcsolatban, hihetetlenül agnosztikusnak tűnik. De megkapja ezt a szálat a munkafolyamaton. Jól gondolom, hogy a végpontok közötti munkafolyamatot átnézheti, tudod, az adatgyűjtéstől egészen az eredmények beágyazásáig bizonyos BI alkalmazásokban vagy akár futó alkalmazásokban is?
David Sweenor: Igen, teljesen. És megvan annak a végponttól-végig képessége, és egyes szervezetek ezt teljes egészében használják, és én semmilyen illúzióban vagyok, hogy manapság egyetlen cég sem mindent vásárol egy szállítótól. Van egy keverékünk. Vannak, akik mindent használnak a Statisticához, mások modellezési munkafolyamatokhoz, mások az adatprep munkafolyamatokhoz. Egyesek azt használják, hogy több száz mérnöki jelentést terjesszenek a mérnökök számára. És tehát mindent megtalálunk a kettőnk között. És ez valóban végponttól kezdve, és ez egy, tudod, egy diagnosztikai platform, abban az esetben, ha vannak olyan algoritmusok, amelyeket használni szeretne R vagy Python, Azure, Apervita alkalmazásban, bármi, tudod, ezeket használja. Nagyszerű, légy produktív, használd amit tudsz, használd azt, ami jól érzi magát, és rendelkezünk olyan mechanizmusokkal, amelyek biztosítják, hogy ezek ellenőrizhetőek és ellenőrizhetőek legyenek.
Robin Bloor: Különösen tetszik ez a szempont. Úgy értem, nem tudom, hogy beszélhet-e túl azon, amit elmondtál, azon a sok gazdagságon, ami odakint van. Úgy értem, ezt megnéztem, de nem vizsgáltam átfogóan, és természetesen hatalmas mennyiségű Python könyvtár található a könyvtárainkban, de van-e valami, amit hozzá lehet adni ehhez a képhez? Mivel azt hiszem, ez egy nagyon érdekes dolog, tudod, az az elképzelés, hogy megbízható komponensekkel rendelkezne, mert ismerte azokat a különféle embereket, akik létrehozták őket, és azokat az embereket, akik használják őket, amelyeket letölthet. Tudod, gazdagíthatja-e azt, amit erről már mondott?
David Sweenor: Igen, azt hiszem, néhány alkalmazáspiac, tudod, az ott működő algoritmuspiacok. Például, tudod, Dr. John Cromwell az Iowai Egyetemen, kifejlesztett egy modellt, amely előrejelzi, hogy valós időben használják, amíg működünk, és pontszámot fog kapni, ha kapsz egy műtéti fertőzés. És ha ez a pont elég magas, akkor közvetlenül a műtőben fognak beavatkozni. Nagyon érdekes. Tehát talán van egy másik kórház, amely nem olyan nagy. Nos, az Apervita egy egészségügyi alkalmazás-piac az elemzéshez. Vagy kereshet egyet ezekben az alkalmazások piacán, megkeresheti és újra felhasználhatja őket, és a tranzakció közted és bárki között van, ám kereshet egyet, vagy mondhatja: „Itt van amire szükségem van. ”Azt hiszem, kihasználja ezt a globális közösséget, mert manapság mindenki szakember, és nem tud mindent. Úgy gondolom, hogy az R és a Python egy dolog, de ez a gondolat: “Szeretném megtenni ezt a funkciót, tedd ki egy specifikációt az egyik ilyen alkalmazáspiacra, és kérjem meg valakit, aki fejleszti ki neked.” ez nagyon érdekes és nagyon különbözik a pusztán a nyílt forráskódú modelltől.
Robin Bloor: Rendben. Egyébként átadom a labdát Deznek. Szeretne belemerülni, Dez?
Dez Blanchfield: Abszolút, és csak egy pillanatra szeretnék maradni a táblázatkezelő kérdésén, mert szerintem sok mindennek a lényegét megfogta, amiről itt beszélünk. Megjegyzést fűzött, Robin, a régi táblázatok fizikai formájából az elektronikus formába való átmenetre vonatkozóan. Érdekes dolog történt abban a helyzetben, ahol, tudod, amikor a táblázatok eredetileg csak papírlapok voltak, sorokkal és oszlopokkal, és manuálisan leírták a dolgokat, akkor átvizsgálhatják és kiszámíthatják őket, akár le a fej tetejéről, vagy valamilyen más eszközzel. De továbbra is fennáll annak a lehetősége, hogy a hibák beszivárogjanak a kézírásbeli hibákkal vagy a diszlexiával, és most helyettük helyesírási hibákat alkalmaztunk. A kockázat az, hogy táblázatokkal a kockázati profil gyorsabb és nagyobb, de úgy gondolom, hogy az olyan eszközök, mint például a Statistica megfordítják a kockázati piramisot.
Gyakran rajzolom ezt a képet egy ember tetején lévő pálcikaember faliújságra, mint egy személy, majd az alján levő gyűjteményt, mondjuk, képzeljünk el tízöt a faliújság alján, és rajzolok egy piramis, ahol a piramis pontja az egyednél van, és a piramis lába az emberek gyűjteménye. És ezt arra az elképzelésre használom, hogy ha egy ember tetején egy táblázatot készít, akkor hibát követ el, és megosztja azt tíz emberrel, és most tíz példányunk van a hibáról. Legyen nagyon óvatos a makrókkal, és legyen nagyon óvatos a Visual Basic programmal, ha ehhez költözik. Mert amikor olyan elektronikus eszközöket építünk, mint a táblázatok, ez nagyon erős, de jó és rossz módon is nagy teljesítményű.
Úgy gondolom, hogy az olyan eszközök, mint a Statistica, képesek megfordítani ezt a kockázati profilt, vagyis most eljuthat arra a pontra, ahol rengeteg olyan eszköz áll rendelkezésére, amelyek az egyén számára elérhetőek, és mivel sok eszközből származnak a tetején. a piramison, majd egészen az aljáig, ahol a pillanat átfordításának pontja a tényleges eszköz, ha van olyan csapatunk emberekkel, akik ezeket az eszközöket és az algoritmusokat készítik. És az adattudósnak nem kell szakembernek lennie az adatok regressziós elemzésében. Lehetséges, hogy használhatják az eszközt, de lehet, hogy öt vagy hat statisztikus és egy biztosításmatematikus és egy adattudós, valamint néhány matematikus dolgozik azon az eszközön, a modulon, az algoritmuson, a beépülő modulon és így tovább a táblázatkezelőben, tehát képzelje el, hogy minden közzétett táblázatot, amelyet használhat, valójában szakemberek írták, akik tesztelték a makrókat, tesztelték a Visual Basic-et, megbizonyosodtak arról, hogy az algoritmusok működnek, tehát amikor megszerezte, akkor csak adatokat helyezhet bele, de valójában nem tudta megtörni. és ezért jobb volt irányítani.
Azt hiszem, hogy sok elemző eszköz csinálja ezt. Azt hiszem, arra a pontra jutunk, hogy látod ezt a mezőben, vagy látsz egy átmenetet a táblázatoktól, amelyek potenciálisan előidézhetik a hibákat és hibákat, valamint kockázatot, arra a pontra, ahol az eszközök, amelyeket építesz a Mostantól a platformokon az adatok felfedezése valós időben pontos, és a modulokat és algoritmusokat építő emberek eltávolítják vagy csökkentik ezt a kockázati profilt? Az ügyfélszolgálat ezt valódi értelemben látja, vagy úgy gondolja, hogy ez csak történik, és nem veszik észre?
David Sweenor: Tudod, azt hiszem, van néhány módszer erre a válaszra. De amit látunk, az az, hogy tudod, bármely szervezetben, és megemlítettem, hogy az elemzés, szerintem, valószínűleg elmaradt a vállalati befektetési perspektíva szempontjából, hasonlóan ahhoz, amit az adattárolás és a CRM esetében tettünk. De amit látunk, sokat vesz igénybe egy szervezet megváltoztatása, hogy legyőzzük ezt a szervezeti tehetetlenséget. De amit látunk, az emberek elveszik a táblázatokat, átveszik a munkafolyamatokat, és megemlítettem a biztonságot és az irányítást: „Nos, talán van egy táblázatom”, „Nos, le tudom zárni ezt, és verzióval ellenőrizni tudom.” És sok szervezetet látunk, talán csak ott indulnak. És ha megváltozik, akkor van egy munkafolyamat, és végül is folytatom, bár az első számú, ki változtatta meg? Miért változtatta meg? Amikor megváltoztatták. Azt is beállíthatom egy olyan munkafolyamatot, hogy nem fogom ezt az új táblázatot termelésbe helyezni, kivéve, ha azt egy, kettő, három hitelesíti és ellenőrzi, bármennyire is meghatározza a munkafolyamatban szereplő sok fél. Úgy gondolom, hogy az emberek elkezdenek lépéseket tenni, és a szervezetek elkezdenek ott cselekedni, de valószínűleg azt javasolnám, hogy még hosszú utat kell megtennünk.
Dez Blanchfield: Valóban, és azt hiszem, hogy figyelembe véve mind a biztonsági ellenőrzéseket, mind az irányítást az ön területén, akkor a munkaterhelés automatikusan képes feltérképezni ezt és mindent egészen a kockázatért felelős vezetőhöz, ami most már dolog. Elkezdheti ellenőrizni, hogy ezekhez az eszközökhöz és rendszerekhez miként férnek hozzá, és ki mit csinál velük, tehát ez nagyon erős. Úgy gondolom, hogy a másik dolog, ami ebbe belekerül, az az, hogy az Ön által megadott típusú eszközök jobban kölcsönöznek az emberi viselkedésnek, mint a hagyományos táblázatoknak, amelyekről beszélünk, abban az esetben, ha van egy szobám tele emberekkel ugyanazzal a műszerfalon és ugyanazon adatokhoz való hozzáféréssel, így valójában eltérő képet kaphatnak, és ennek eredményeként ugyanannak az információnak a kissé eltérő betekintése származhat, amely megfelel az igényeiknek, így együttműködve. Ekkor humánusabb szemlélettel és interakcióval látjuk el az üzletet és a döntéshozatali folyamatot, szemben azzal, hogy mindenki ugyanazon a találkozón jár ugyanazon PowerPoint programmal, és ugyanazok a táblázatok kerülnek kinyomtatva, ugyanaz a rögzített adat.
Lát-e átalakulást a viselkedésben és a kultúrában azokban a szervezetekben, amelyek valamilyen módon veszik igénybe az eszközöket, ahol látják, hogy ez zajlik, ahol nem úgy van, mintha a teremben öt ember ugyanazt a táblázatot nézi, és megpróbálná csak azt verbalizálni, és jegyzeteket tenni rajta, de most valós időben kölcsönhatásba lépnek az irányítópultokkal és az eszközökkel, kéznél vannak a vizualizációval és az elemzéssel, és teljesen más irányt kapnak a beszélgetés és az interakció területén, nem csak üléseken, hanem csak a szervezet körüli általános együttműködésen? Mert valós időben meg tudják csinálni, mert feltehetik a kérdéseket és valódi választ kaphatnak. Ez egy tendencia, amelyet jelenleg lát, vagy még nem történt meg még?
David Sweenor: Nem, azt hiszem, határozottan megkezdték ezt az utat, és azt hiszem, hogy nagyon érdekes dolog, tudjuk, ha például egy gyár példáját vesszük. Lehet, hogy valaki, aki egy adott folyamatszektort birtokol az adott gyárban, meg akarja nézni és bizonyos módon kapcsolatba lépni ezekkel az adatokkal. És talán én, figyelmen kívül hagyva az összes folyamatot, talán ezt az alján, talán mindent át akarok nézni. Úgy gondolom, hogy az első számú, amit látunk, az emberek egyre inkább használnak egy általános képi megjelenítést vagy szokásos képi megjelenítést a szervezetükön belül, de ez is igazodik az általuk betöltött szerephez. Ha folyamatmérnök vagyok, akkor talán ez egészen más nézet, mint valaki, aki az ellátási lánc szempontjából nézi, és szerintem ez nagyszerű, mert testreszabottnak kell lennie, és a lencsén keresztül kell megnéznie, hogy munkája elvégzendő.
Dez Blanchfield: Azt hiszem, a döntéshozatal folyamata lecsökken, időigényes és gyors, hogy az intelligens és pontos döntések meghozatala is gyorsan növekszik, nemde? Mert ha van valós idejű elemzés, valós idejű műszerfal, ha kéznél van a Statistica eszközökkel, akkor nem kell futtatnia a padlót, hogy valakivel valamit kérdezzen, megvan nyomtatott példányban. Bármilyen módon együttműködhet, kölcsönhatásba léphet és ténylegesen döntéseket hozhat menet közben, és azonnal elérheti ezt az eredményt. Amit azt hiszem, hogy néhány vállalat valóban még nem értette meg, de amikor ez megtörténik, akkor ez az eureka pillanat lesz, hogy igen, továbbra is a kabinokban maradhatunk és otthon dolgozhatunk, de kölcsönhatásba léphetünk és együttműködhetünk, és ezek a döntések az együttműködés során azonnali eredményekké válik. Nézd, szerintem fantasztikus volt hallani, amit eddig mondani kellett, és nagyon várom, hogy hol megy. És tudom, hogy nagyon sok kérdésünk van a kérdéseire és válaszaira, tehát visszamegyek Rebecca-ba, hogy átvágjam néhányat, hogy minél gyorsabban hozzájussunk hozzájuk. Nagyon szépen köszönjük.
Rebecca Jozwiak: Köszönöm Dez-nek és igen Dave-nek, nagyon sok kérdésünk van a közönség részéről. És köszönöm Deznek és Robinnak a betekintést is. Tudom, hogy ennek a résztvevőnek közvetlenül az óra tetején kellett lemondnia, de azt kérdezi: látod-e az információs rendszerek részlegei inkább a kifinomult adatkezelést, mint a kényelmesebb eszközöket. a tudásmunkások? Úgy értem, hogy ez - menj tovább.
David Sweenor: Igen, szerintem ez a szervezettől függ. Azt hiszem, hogy egy banknak, egy biztosítótársaságnak lehet, hogy más prioritásokkal és módszerekkel rendelkeznek, mint a marketingszervezet. Azt hiszem, mondanom kellene, hogy az éppen az iparágtól és a függvénytől függ, amelyet keres. A különböző iparágak eltérő fókuszban és hangsúlyban vannak.
Rebecca Jozwiak: Oké, jó, van értelme. Aztán egy másik résztvevő meg akarta tudni, mi a motor mögött a Statistica? C ++, vagy a saját dolgaid?
David Sweenor: Nos, nem tudom, hogy tudok-e ilyen konkrét képet szerezni azzal, hogy ez körülbelül 30 éve zajlott, és azt az én időm előtt fejlesztették ki, de van egy elemző algoritmusok központi könyvtára, azaz a Statistica algoritmusok, amelyek futnak. És látta, hogy itt is futtathatjuk az R-t, futtathatjuk a Python-ot, felrobbanhatunk az Azure-ba, futtathatjuk a Spark-ot a H2O-n, tehát azt hiszem, erre a kérdésre meg kellene válaszolnom, hogy ez különféle motorok. És attól függően, hogy melyik algoritmust választja, ha ez egy Statistica, akkor így fut, ha egyet választ a H2O-n és a Spark-on, akkor ezt használja, és így sokféle.
Rebecca Jozwiak: Oké, jó. Egy másik résztvevőt kérdezett, aki kifejezetten mutat rá erre a diára, és szeretné tudni, hogy milyen a polgári adattudós tudni, hogy melyik újrafelhasználható sablonokat kell használni? És azt hiszem, ebből szélesebb kérdést teszek fel. Ez az, amit lát, amikor üzletági felhasználók vagy üzleti elemzők érkeznek, és használni akarják ezeket az eszközöket, milyen könnyű nekik felvenni és futni?
David Sweenor: Azt hiszem, erre válaszolok, és ha tudod használni, ha ismeri a Windows-t, ez egy Windows-alapú platform, tehát levágtam a képernyőképeket, de megvan a Windows szalag. De honnan tudják, hogy milyen munkafolyamatot kell használni? Úgy néz ki, mint a Windows Intéző, tehát van egy faszerkezet, amelyet konfigurálhat és beállíthat, de a szervezet beállítani akarja. De lehet, hogy csak rendelkezne ezekkel a mappákkal, és ezeket az újrafelhasználható sablonokat beillesztené ezekbe a mappákba. És azt hiszem, valószínűleg létezik egy nómenklatúra, amelyet a vállalat elfogadhat, mondjuk, itt van a „kockázati profil kiszámítása”, itt van „az adatok letöltése ezekből a forrásokból”, és elnevezheti őket, amit csak akar. Ez csak egy ingyenes mappa, csak húzza ki a jegyzeteket közvetlenül a vászonra. Szóval, nagyon könnyű.
Rebecca Jozwiak: Oké, jó. Talán egy bemutató legközelebb. Aztán egy másik résztvevő fajta jelentkezik, és erről beszéltek Ön és Robin és Dez a pontatlanságokról, főleg egy táblázatról, de a szemét be / ki a szemetről, és látja, hogy még kritikusabbnak találja, amikor az elemzéshez. Az a fajta megemlítés, hogy tudod, az adatokkal való visszaélés valójában néhány szerencsétlen döntést hozhat. És kíváncsi, mi a véleménye a további biztonságos algoritmusok kidolgozásáról, azt hiszem, az analitikák „túlzott” felhasználásának szót használja. Tudod, hogy valaki bejön, nagyon izgatottan akarja, elvégzi ezeket a fejlett elemzéseket, el akarja futtatni ezeket a fejlett algoritmusokat, de talán nem egészen biztos benne. Szóval mit csinálsz egy ilyen védelem ellen?
David Sweenor: Igen, úgy gondolom, hogy a lehető legjobban válaszolok erre, de azt hiszem, hogy minden az emberekre, a folyamatokra és a technológiára vonatkozik. Van olyan technológiánk, amely elősegíti az emberek képességeit, és lehetővé teszi bármilyen folyamat bekapcsolását, amelyet be akar léptetni a szervezetébe. Például, ha kupont küldünk valakinek, akkor ez talán nem olyan kritikus, és ha digitális, akkor valóban nem kerül költség, lehet, hogy van egy biztonsági szint, és talán nem érdekel. Ha előrejelzem a műtéti fertőzéseket, akkor talán kissé óvatosabb szeretnék lenni ezzel. Vagy ha előrejelzem a gyógyszer minőségét és biztonságát, és ehhez hasonló dolgokat, akkor talán kicsit óvatosabb akarok lenni ebben. Igazad van, a szemetet be / ki a hulladékba, tehát azt próbáljuk elérni, hogy olyan platformot hozzunk létre, amely lehetővé teszi, hogy testreszabhassa azt a folyamatot, amelyet a szervezet alkalmazni akar.
Rebecca Jozwiak: Oké, jó. Van még néhány kérdésem, de tudom, hogy már elég sokáig elmúltunk az óránál, és csak azt akarom mondani előadóinknak, hogy félelmetes volt. És nagyon szeretnénk köszönetet mondani Dave Sweenornak a Dell Statistica-tól. Természetesen Dr. Robin Bloor és Dez Blanchfield köszönöm, hogy ma az elemzők voltak. A következő hónapban újabb adás lesz a Dell Statistica-val. Tudom, hogy Dave utalt a témára. A szélső elemzésről szól, egy másik lenyűgöző téma, és tudom, hogy néhány nagyon kényszerítő felhasználási esetet megvitatnak ezen a webes adáson. Ha tetszett az, amit ma látott, gyere vissza a következő hónapra. És ezzel, emberek, búcsút mondok neked. Köszönöm szépen. Viszlát.
