Von Techopedia Staff, 25. August 2016
Takeaway: Gastgeberin Rebecca Jozwiak diskutiert mit Dr. Robin Bloor, Dez Blanchfield und David Sweenor das Phänomen eingebetteter Analytik und Citizen Data Scientists.
Sie müssen sich für diese Veranstaltung registrieren, um das Video anzuzeigen. Registrieren Sie sich, um das Video zu sehen.
Rebecca Jozwiak: Sehr geehrte Damen und Herren, hallo und herzlich willkommen bei Hot Technologies. „Überall einbinden: Citizen Data Scientist aktivieren“ ist heute unser Thema. Ich trete für Ihren üblichen Gastgeber ein, das ist Rebecca Jozwiak, die für Eric Kavanagh einspringt. Ja, dieses Jahr ist heiß. Insbesondere der Begriff „Data Scientist“ hat viel Aufmerksamkeit auf sich gezogen, obwohl wir ihn langweilige Namen wie „Statistiker“ oder „Analytikexperte“ nannten. Er befasst sich ziemlich genau mit der gleichen Art von Aktivitäten, hat aber einen sexy neuen Namen und es ist viel Aufmerksamkeit verdienen. Es ist sehr wünschenswert, sie am Arbeitsplatz zu haben, was für die Organisation von Vorteil ist, und jeder möchte sie. Aber sie sind: 1) teuer, 2) schwer zu finden. Wissen Sie, es ist alles in den Nachrichten über den Fachkräftemangel bei Datenwissenschaftlern gewesen, ja, aber sie bieten der Organisation immer noch einen enormen Wert, und die Leute verlangen nach Möglichkeiten, diesen Wert zu erzielen, ohne den Cent fallen zu lassen sprechen.
Die gute Nachricht ist jedoch, dass Tools und Software herauskommen, die diesen Mangel irgendwie ausgleichen. Wir haben Automatisierung, maschinelles Lernen, eingebettete Analytik, worüber wir heute lernen werden, und so entstand dieser neue Begriff, "der Citizen Data Scientist", und was bedeutet das? Nein, es ist nicht Ihr ausgebildeter Datenwissenschaftler, es könnte Ihr Geschäftsbenutzer sein, Ihr BI-Experte, jemand aus der IT, jemand, der den Hintergrund hat, aber möglicherweise nicht unbedingt das Fachwissen. Mit diesen Tools und der Software erhalten jedoch mehr Benutzer Zugriff auf diese intelligenten Lösungen, auch wenn sie die Tiefencodierung möglicherweise nicht kennen. Aber es hilft nur, die Leistung insgesamt zu verbessern, wenn Sie allen ein wenig mehr Zugang zu diesem analytischen Gedanken verschaffen. Sie müssen nicht unbedingt geschult sein, um die Art von Neugier zu haben, die zu guten Einsichten für Ihr Unternehmen führen kann.
Wenn wir heute darüber sprechen, dass unser eigener Robin Bloor, Chefanalyst der Bloor-Gruppe, einer der schwer fassbaren Datenwissenschaftler ist, der von Dez Blanchfield hinzugezogen wird, und wir dann David Sweenor von Dell Statistica haben, werden wir heute eine Präsentation halten. Und damit übergebe ich es Robin Bloor.
Robin Boor: Okay, danke für diese Einführung. Ich habe darüber in einem historischen Kontext nachgedacht. Was wir hier sehen, ist einer von Leonardo da Vincis Entwürfen für eine Art Segelflugzeug, das ein Mann auf den Rücken legen könnte. Ich habe keine Ahnung, ob es tatsächlich funktionieren würde. Ich würde nicht darauf eingehen, muss ich sagen. Da Vinci, wenn ich an Da Vinci denke, dann halte ich ihn für einen der neugierigsten und analytischsten Menschen, die es je gab. Und es ist ziemlich klar, wenn man sich diesen Schirm anschaut, dass er auf der Basis eines Vogelflügels entworfen wurde und auf die eine oder andere Weise die Flüge von Vögeln studiert hat, um sie zu bauen.
Wenn wir die historische Perspektive einnehmen - ich habe das tatsächlich nachgeschlagen -, ist Analytik vielleicht die älteste Anwendung der Mathematik. Es gibt Volkszählungen, die zumindest aus babylonischer Zeit stammen. Wir wissen davon, weil es im Grunde genommen einige Keilschrifttafeln gibt, auf denen solche Daten gespeichert sind. Es ist nicht bekannt, ob es etwas gab, das früher zurückging. Aber das Offensichtliche ist, dass Sie eine Zivilisation mit einer großen Anzahl von Menschen haben, die tatsächlich Planung erfordert und es lohnt sich zu wissen, was Sie planen und welche Bedürfnisse diese Menschen tatsächlich haben.
Und hier hat es angefangen, und dort hat auch das Rechnen begonnen, denn die frühen Computer, die frühen mechanischen Computer, waren, glaube ich, die erste Volkszählung, die von Hollerith erstellt wurde und zu IBM wurde. All dies hat sich weiterentwickelt. Zwischen den 1970er Jahren und der heutigen Zeit gab es eine Art Zwischenspiel, in dem eine Vielzahl anderer Anwendungen und Analysen, sozusagen, in den Hintergrund getreten sind. Ja, es gab Analysen - sie fanden in großen Unternehmen statt, insbesondere in Banken und Versicherungsunternehmen, und tatsächlich in General Electric und im Telekommunikationssektor und in ähnlichen Bereichen -, aber sie wurden im Allgemeinen nicht im gesamten Unternehmen eingesetzt, und jetzt fangen sie an, im Allgemeinen eingesetzt zu werden Geschäft. Und es hat das Spiel wirklich verändert. Das erste, worauf ich aufmerksam machen wollte, war die Datenpyramide, die mir besonders gut gefällt. Das ist, ich meine, ich habe vor 20 Jahren - vor mindestens 20 Jahren - eine dieser Zeichnungen angefertigt, um zu versuchen, zu verstehen, was BI und einige der frühen Data Mining-Aktivitäten zu dieser Zeit tatsächlich waren. Was ich hier definiert habe, ist die Idee von Daten und die Beispiele sind Signale, Messungen, Aufzeichnungen, Ereignisse, Transaktionen, Berechnungen, Aggregationen, einzelne Informationspunkte. Man könnte sie als Informationsmoleküle betrachten, aber sie sind einzelne Punkte. Es wird zu Information, sobald es Kontext erhält. Verknüpfte Daten, strukturierte Daten, Datenbanken, Visualisierung von Daten, Plotter, Schemata und Ontologien - all diese Informationen werden in meinen Augen als Informationen angesehen, da Sie viel Abwechslung zusammenfassen und viel mehr als nur einen Datenpunkt erstellen. etwas, das tatsächlich eine Form hat, eine mathematische Form.
Darüber haben wir Wissen. Durch die Untersuchung von Informationen können wir lernen, dass es verschiedene Muster gibt, und wir können diese Muster nutzen, indem wir Regeln, Richtlinien, Richtlinien und Verfahren formulieren, und dann nimmt es die Form von Wissen an. Und so ziemlich alle Computerprogramme, egal was sie tun, sind Wissen einer Art, weil sie gegen Daten arbeiten und Regeln auf sie anwenden. Wir haben diese drei Ebenen und es gibt eine zunehmende Verfeinerung, die zwischen den Ebenen stattfindet. Auf der linken Seite dieses Diagramms sehen Sie, wie neue Daten eingegeben werden. Viele dieser Dinge sind also statisch. Die Daten häufen sich, Informationen häufen sich und das Wissen wächst potenziell. Oben haben wir „Verstehen“ und ich würde behaupten, obwohl es ein philosophisches Argument ist, dass das Verstehen nur beim Menschen liegt. Wenn ich mich irre, werden wir alle irgendwann durch Computer ersetzt. Aber anstatt die Debatte zu führen, gehe ich zur nächsten Folie.
Als ich mir das Interessante ansah, war es etwas Neues, das Interessante, herauszufinden, was Analytics eigentlich ist. Und als ich schließlich verschiedene Diagramme zeichnete und eines davon sah, kam ich zu dem Schluss, dass Analytics Development eigentlich nur Softwareentwicklung mit einer Unmenge mathematischer Formeln ist. Die analytische Untersuchung unterscheidet sich ein wenig von der Softwareentwicklung in dem Sinne, dass Sie tatsächlich viele, viele verschiedene Modelle verwenden und untersuchen, um neues Wissen über Daten zu generieren. Sobald Sie es erstellt haben, wird es entweder in der meiner Meinung nach passiven Entscheidungsunterstützung implementiert, dh in Informationen, die nur einem Benutzer zur Verfügung stehen. Interaktive Entscheidungsunterstützung, wie z. B. OLAP, bei der dem Benutzer ein strukturierter Datensatz zur Verfügung gestellt wird, mit dem er mithilfe der verschiedenen verfügbaren Tools die Dinge untersuchen und für sich selbst ableiten kann. So viel Visualisierung. Und dann haben wir Automatisierung, wenn Sie nur einige analytische Erkenntnisse, die Sie gesammelt haben, in einen Satz von Regeln umwandeln können, die implementiert werden können, brauchen Sie nicht unbedingt einen Menschen, um beteiligt zu sein. So habe ich es gesehen, als ich das alles gemacht habe. Und mir kamen verschiedene Dinge in den Sinn. Sobald ein Tätigkeitsbereich, werden wir sagen, sobald eine Domäne von Daten tatsächlich abgebaut, gründlich abgebaut, gründlich durch alle möglichen Richtungen erkundet wird, wird sie schließlich einfach zu kristallisiertem BI. Das erfundene Wissen wird zu einem Wissen, das verschiedene Benutzer auf unterschiedliche Weise informiert und ihre Fähigkeit erhöht, hoffentlich die von ihnen geleistete Arbeit tatsächlich zu erledigen.
Eines der Dinge, die mir aufgefallen sind und die ich mir seit ungefähr fünf Jahren mit Predictive Analytics befasst habe, aber die Predictive Analytics entwickelt sich zu BI, in dem Sinne, dass sie nur zu nützlichen Informationen für die Menschen werden. Es gibt automatisiertes BI-Reporting, BI-Explorative, BI, sehr unterschiedliche Abstufungen und Predictive Analytics geht tatsächlich in alle drei Richtungen. Und der Analyseprozess unterscheidet sich, wie ich bereits betont habe, nicht wesentlich von der Softwareentwicklung, sondern wird nur von unterschiedlichen Personen mit geringfügig unterschiedlichen Fähigkeiten durchgeführt. Ich sollte wohl betonen, dass es Jahre dauert, bis ein wirklich guter Datenwissenschaftler über die erforderlichen Fähigkeiten verfügt. Sie sind nicht leicht zu erwerben und nicht viele Menschen können es tun, aber das liegt daran, dass man die Mathematik auf einem sehr hoch entwickelten Niveau versteht, um zu wissen, was gültig ist und was nicht. Analytics-Entwicklungen, Entdeckung neuen Wissens, Analytics-Implantation, es geht darum, das Wissen betriebsbereit zu machen. Das ist der Hintergrund, den ich für die gesamte Analytik sehe. Es ist ein riesiges Gebiet und es gibt viele, viele Dimensionen, aber ich denke, dass Verallgemeinerung auf alles zutrifft.
Dann gibt es die Geschäftsstörung, wie ich bereits erwähnte, gibt es eine Reihe von Organisationen, Pharmaunternehmen sind andere, die in ihrer DNA Analytik haben. Aber es gibt viele Organisationen, die es wirklich nicht in ihrer DNA haben, und jetzt haben sie die Fähigkeit, jetzt ist die Software und die Hardware viel billiger als früher, jetzt haben sie die Fähigkeit, es auszunutzen. Ich würde eine Reihe von Dingen sagen. Das Erste ist, dass Analytik in vielen Fällen F & E ist. Möglicherweise wenden Sie Analytics nur auf einen bestimmten Bereich des Unternehmens an, und es scheint banal, dass Sie auf die eine oder andere Weise die Kundenaufträge noch einmal aus verschiedenen Perspektiven analysieren und sie mit anderen Daten verknüpfen. Die Analyse bietet jedoch die Möglichkeit, die Organisation als Ganzes zu betrachten und eine bestimmte Aktivität innerhalb der Organisation sowie ganze Aktivitätsketten zu analysieren. Aber wenn Sie einmal in dieses Gebiet gezogen sind, würde ich behaupten, dass es Forschung und Entwicklung ist. Und es gibt eine Frage, die mir ein paarmal gestellt wurde: „Wie viel sollte ein Unternehmen für Analysen ausgeben?“. Und ich denke, der beste Weg, eine Antwort darauf zu finden, ist, Analytik als F & E zu betrachten und fragen Sie einfach: „Wie viel würden Sie für F & E im Bereich der Effizienz des Geschäfts ausgeben?“
Und die Unternehmen, die sich nicht mit Analytik beschäftigen, kennen viele Dinge nicht. Erstens wissen sie nicht, wie es geht. Normalerweise haben sie, wenn sie tatsächlich auf die eine oder andere Art und Weise Analysen innerhalb des Unternehmens durchführen, praktisch keine andere Wahl, als sich an ein Beratungsunternehmen zu wenden, das ihnen dabei helfen kann, da dies für die meisten unmöglich oder wirklich sehr schwierig wäre Unternehmen, die tatsächlich einen Datenwissenschaftler einstellen, einen finden, für einen bezahlen und ihnen vertrauen, dass sie das tun, was sie tun sollen. Sehr schwierig. Die meisten Unternehmen wissen nicht, wie sie Mitarbeiter einstellen oder schulen sollen, um diese Arbeit tatsächlich zu erledigen, und der Grund dafür ist einfach, dass es noch nicht in ihrer DNA enthalten ist, sodass es nicht Teil ihrer natürlichen Geschäftsprozesse ist. Dies führt zum nächsten Punkt. Sie wissen nicht, wie sie daraus einen Geschäftsprozess machen sollen. Der beste Weg, das zu tun, ist übrigens, zu kopieren, was Pharmaunternehmen und Versicherungsunternehmen gerade sehen, und einige Unternehmen im Gesundheitszentrum schauen sich nur an, wie sie Analytics verwenden und kopieren. Weil es ein Geschäftsprozess ist. Ich weiß nicht, wie ich es überwachen oder auditieren soll. Das ist wirklich so, besonders jetzt, wo eine Menge Software-Unternehmen Produkte entwickelt haben, die eine Menge Analysen automatisieren. Der Punkt über die Prüfung ist wichtig, wenn Sie ein Beratungsunternehmen oder jemanden vor Ort haben, dem Sie vertrauen können, um zu verstehen, was die Ergebnisse einer analytischen Berechnung sind. Dies ist eine Art Wahl, die Sie treffen müssen, aber wenn Sie wirklich leistungsstarke analytische Tools einsetzen In den Händen von Menschen, die Analytics nicht richtig verstehen, werden sie wahrscheinlich zu Schlussfolgerungen gelangen, die möglicherweise nicht korrekt sind. Und wie gesagt, Unternehmen wissen nicht, wie sie dafür budgetieren sollen.
Dies sind Aromen der Analytik, ich werde sie nur durchgehen. Die statistische Analyse und statistische Modellierung unterscheidet sich erheblich von der prädiktiven Analyse, von der die meisten übrigens kurvenanpassend sind. Maschinelles Lernen unterscheidet sich von jenen Dingen, Pfadanalysen und Zeitreihen, die im Wesentlichen für Statusströme durchgeführt werden, sind wiederum unterschiedlich. Die Graphanalyse ist wieder anders, und die Textanalyse und die semantische Analyse sind wieder anders. Dies ist nur ein Hinweis darauf, dass dies eine sehr genreübergreifende Sache ist. Es ist nicht so, dass Sie nicht mit der Analyse beginnen, sondern sich mit den auftretenden Problemen befassen und nach den verschiedenen Tools und Analysevarianten suchen, die zu diesen passen. Und schließlich das Netznetz. Aufgrund der Entwicklung von Hardware und Software steckt Analytics meiner Meinung nach in den Kinderschuhen. Es steht noch viel, viel mehr bevor und wir werden sehen, wie es sich in den kommenden Jahren entwickelt. Ich glaube, ich kann den Ball jetzt an Dez weitergeben.
Dez Blanchfield: Ja, sprechen Sie über eine schwierige Handlung, Robin. Ich werde dieses Thema kurz aus einem meiner Lieblingswinkel betrachten, nämlich dem des Menschen. Es gibt so viele Veränderungen in unserem täglichen Leben. Eine der größten Störungen in unserem täglichen Leben ist meiner Ansicht nach nur die tägliche Arbeit. An die Arbeit gehen und versuchen, die Arbeit zu erledigen, für die Sie eingestellt wurden, und die wachsende Erwartung, dass Sie von einem normalen Menschen zu einem Superhelden werden, und die Menge an Informationen, die in Organisationen fließen und sehr, sehr schnell verbreitet werden. Es ist eine bedeutende Herausforderung, und wir müssen den Menschen immer bessere Werkzeuge zur Verfügung stellen, um mit dem Wissens- und Informationsfluss fertig zu werden. Deshalb dachte ich, ich würde versuchen, dies von einem spaßigen Standpunkt aus zu betrachten . Aber es fällt mir immer auf, wie wir diese hohen Gedanken oder Flashmobs usw. haben, die uns zu dem treiben, was wir als Analytik bezeichnen, aber im Grunde geht es darum, Informationen den Menschen zur Verfügung zu stellen und Erlauben Sie ihnen, mit ihm zu interagieren und es so zu tun, dass es natürlich ist und sich normal anfühlt.
Tatsächlich erinnert es mich an ein YouTube-Video eines kleinen Kindes, eines kleinen Babys, das auf dem Boden sitzt und dort mit einem iPad spielt. Es flattert herum und kneift und drückt und bewegt die Bilder heraus und spielt mit dem Bildschirm. die Daten dort. Und dann nimmt der Elternteil das iPad weg und legt eine Zeitschrift, eine gedruckte Zeitschrift, auf den Schoß des Kindes. Und dieses Kind ist wahrscheinlich nicht älter als zwei Jahre. Das Kind versucht, mit dem Bildschirm des Magazins zu wischen, kneift und drückt und das Magazin reagiert nicht. Das Kind hebt seinen Finger und schaut es an und denkt: "Hmm, ich glaube nicht, dass mein Finger funktioniert." Es steckt sich in den Arm und denkt: "Ah nein, mein Finger funktioniert. Ich kann meinen Arm fühlen und das." sieht gut aus “, und es zappelt mit dem Finger, und der Finger zappelt und reagiert. Ja. Dann versucht es erneut, mit dem Magazin zu interagieren, und siehe da, es drückt und drückt nicht und scrollt nicht. Dann nehmen sie das Magazin weg und legen das iPad wieder in den Schoß, und auf einmal funktioniert es. Und so ist hier ein Baby, das mitgekommen ist und für die Verwendung eines Analysetools oder eines Live-Streaming-Tools zur Unterhaltung geschult wurde. Es kann nicht herausfinden, wie ein Magazin funktionieren soll und wie man Seiten umblättert.
Und das ist ein interessantes Konzept für sich. Aber wenn ich über Wissen nachdenke, das sich in Organisationen bewegt, über die Art und Weise, wie Daten fließen und wie sich Menschen verhalten, denke ich oft darüber nach, was Menschen gelernt haben, ein Flash-Mob zu sein, was ein Ereignis ist, wo und welche sozialen Medien es machen Dies ist noch einfacher zu tun, eine Idee als solche, die zu dieser Zeit und zu diesem Datum und dieser Aktion an diesen Ort geht, oder ein Video, um diese Tänze zu lernen, oder diesen bunten Hut zu tragen und um ein Uhr nach Norden zu zeigen. Und Sie drücken dies durch Ihr Netzwerk aus, und immer tauchen eine ganze Menge Leute, Hunderte von ihnen, zur selben Zeit am selben Ort auf, und es gibt diesen Wow-Faktor, wie „Holy Cow, das war es Wirklich beeindruckend! “Aber tatsächlich ist es eine wirklich einfache Idee und ein einfaches Konzept, das gerade durch unsere Netzwerke verbreitet wird. Wir erhalten dieses Ergebnis, das visuell atemberaubend und hörbar beeindruckend ist. Und wenn Sie an eine Organisation denken, wie wir wollen, dass sich Menschen verhalten und wie wir mit Informationssystemen und Kunden umgehen, ist es oft so einfach, dass wir versuchen, eine Idee oder ein Konzept oder ein kulturelles oder Verhaltensmerkmal zu vermitteln durch und befähigen mit Werkzeugen und Informationen.
Und das alles untermauert dieses Mantra, das ich seit über zweieinhalb Jahrzehnten habe. Wenn Ihre Mitarbeiter nicht finden können, was sie für ihre Arbeit benötigen, seien es Werkzeuge oder Informationen, werden sie das Rad immer wieder neu erfinden. Dies ist eine stetig wachsende Herausforderung. Wir haben viele Kenntnisse, viele Informationen und Dinge, die sich sehr schnell bewegen. Wir möchten verhindern, dass Menschen das Rad neu erfinden. Und wenn wir über unser Arbeitsumfeld nachdenken, das zu meinen Favoriten gehört, war ich erstaunt, als wir uns wunderten, dass Kabinen kein günstiges Umfeld für gute Ergebnisse waren, oder wir stellten so schreckliche Dinge auf Bilder hier, und es hat sich nicht viel geändert, haben nur die Wände abgesenkt und sie als offene Arbeitsräume bezeichnet. Aber in der Mitte mit der gelben Schleife tauschen zwei Personen Wissen aus. Und doch, wenn Sie sich den Rest des Raumes ansehen, sitzen sie alle da und hämmern pflichtbewusst dort herum, um Informationen auf einen Bildschirm zu bringen. Und meistens nicht wirklich Wissen und Daten auszutauschen, und dafür gibt es eine Reihe von Gründen. Aber bei der Interaktion in der Mitte des Stockwerks links im gelben Kreis unterhalten sich zwei Leute, tauschen Wissen aus und versuchen wahrscheinlich, etwas zu finden. Sie versuchen zu sagen: „Wissen Sie, wo dieser Bericht ist, wo ich bin? Kann ich diese Daten finden, welches Tool verwende ich, um diese Sache zu erledigen? “Und es hat wahrscheinlich nicht funktioniert, also haben sie nichts und sind über den Boden gewandert, haben die Regel von Büroräumen in Kabinen verletzt und haben es persönlich getan.
Und wir hatten ähnliche Umgebungen im Büro, in denen wir uns scherzhaft lustig gemacht haben, aber in Wirklichkeit sind sie ziemlich leistungsfähig und effektiv. Und einer meiner Favoriten ist die mobile oder stationäre Analyseplattform namens Wasserkühler, auf der die Leute aufstehen, sich unterhalten und Wissen austauschen, Ideen vergleichen und Analysen durchführen, während sie am Wasserkühler stehen und Ideen austauschen. Sie sind sehr mächtige Konzepte, wenn man an sie denkt. Und wenn Sie sie in Ihre Systeme und Tools übersetzen können, erhalten Sie ein erstaunliches Ergebnis. Und wir haben den absoluten Favoriten, der im Grunde das leistungsstärkste Datenverteilungszentrum des Büros ist, das auch als Rezeption bekannt ist. Und wenn Sie etwas nicht finden können, wohin gehen Sie? Nun, Sie gehen zur Vorderseite des Büros, gehen zur Rezeption und sagen: "Wissen Sie, wo x, y, z ist?" Und ich wage es, mir zu sagen, dass sie das nicht mindestens einmal in einem neuen getan haben Arbeit oder zu einem Zeitpunkt, an dem sie einfach nichts finden können. Und du musst dich fragen, warum das so ist? Es sollte sich irgendwo im Intranet oder in einem Tool befinden. Es sollte leicht zu finden sein.
Wenn es also um Daten und Analysen sowie die Tools geht, die wir unseren Mitarbeitern zur Verfügung gestellt haben, um ihre Arbeit zu erledigen, und um die Art und Weise, wie Menschen mit Jobs interagieren, bin ich der Ansicht, dass es vor kurzem Analysetools und Big-Data-Plattformen gab oder auch „Datenverarbeitung“ in der alten Schule genannt, waren Berichterstellung und Wissensaustausch alles andere als dynamisch oder kollaborativ oder offen, und wenn Sie über die Art von Systemen nachdenken, mit denen die Leute ihre Arbeit erledigen sollen, hatten wir klassische, was Die Leute nennen das Vermächtnis jetzt, aber die Realität ist, dass es nur Vermächtnis ist, das weitergeht und es ist immer noch hier und deshalb ist es nicht wirklich Vermächtnis. Aber traditionelle HR-Systeme und ERP-Systeme - Personalmanagement, Unternehmensressourcenplanung, Unternehmensdatenmanagement und Systeme, mit denen wir die Informationen für die Führung eines Unternehmens verwalten. Es ist ausnahmslos albern. Und von Anfang an einfache Plattformen wie Intranets von Abteilungen, die versuchen zu kommunizieren, wo sich Dinge befinden und wie man sie erhält und wie man mit dem Wissen um den Ort interagiert. Wir rufen das in unserem Intranet auf. Es ist nur so gut wie die Leute, die sich Zeit und Mühe geben, um das zu tun, sonst bleibt es nur in deinem Kopf. Oder Sie haben Daten ganz unten in der Lebensmittelkette, in den Unternehmens-SANs und in allen dazwischen liegenden Bereichen. Die Speichernetzwerke sind also voll mit Dateien und Daten, aber wer weiß, wo sie zu finden sind.
In den meisten Fällen haben wir diese geschlossenen Datenplattformen oder geschlossenen Systeme erstellt, und so haben die Benutzer auf Tabellenkalkulationen und PowerPoints zurückgegriffen, um Informationen über den Ort weiterzugeben. Aber es gab in letzter Zeit etwas Interessantes, und das war, dass mobile Geräte und das Internet im Allgemeinen so funktionieren, dass die Idee besteht, dass die Dinge tatsächlich besser sein könnten. Und vorwiegend im Consumer-Bereich. Und es ist eine interessante Sache, dass wir im Alltag angefangen haben, Dinge wie Internetbanking zu haben. Wir mussten nicht physisch zu einer Bank, um mit ihnen zu interagieren, wir konnten es per Telefon tun. Ursprünglich war das klobig, aber dann kam das Internet und wir hatten eine Website. Wissen Sie, und wie oft waren Sie in letzter Zeit tatsächlich bei Ihrer Bank? Ich kann es tatsächlich nicht, ich hatte neulich ein Gespräch darüber, und ich kann mich nicht erinnern, wann ich das letzte Mal zu meiner Bank gegangen bin, was mich ziemlich schockierte. Ich dachte, ich könnte mich daran erinnern, aber es war so lang Ich kann mich eigentlich nicht erinnern, wann ich dorthin gegangen bin. Und so haben wir diese Geräte jetzt in Form von Handys und Telefonen, Tablets und Laptops in der Hand, wir haben Netzwerke und Zugang zu Tools und Systemen und wir haben gelernt, dass die Dinge besser sein können, aber weil Angesichts des raschen Wandels im Verbraucherbereich, der innerhalb von Unternehmen und Umgebungen träge und eisig geworden ist, haben wir diesen Wandel nicht immer auf den Arbeitsalltag übertragen.
Und ich mag es, mich über die Tatsache lustig zu machen, dass Sie keine Live-Streams zum Ausdrucken erstellen können. In diesem Bild hier sitzt eine Person und betrachtet eine Analyse, die durchgeführt wurde, und es gibt eine schöne Grafik, die von jemandem erstellt wurde, der wahrscheinlich als Statistiker oder Aktuar eine Menge Geld verdient hat, und der dort sitzt und versucht, dies zu tun Analytics auf Papier und stocherte darin herum. Aber für mich ist das Erschreckende: Diese Personen in diesem Besprechungsraum, und ich werde dies als Beispiel nehmen, interagieren mit Daten, die jetzt historisch sind. Und es ist so alt wie zu dem Zeitpunkt, als das Ding produziert und dann gedruckt wurde. Vielleicht ist es ein einwöchiger Bericht. Jetzt treffen sie Entscheidungen über weniger schlechte Daten als über alte Daten, die immer schlechte Daten sein können. Sie treffen heute eine Entscheidung auf der Grundlage von etwas Historischem, was wirklich schlecht ist. Wir haben es geschafft, diese Hardcopy durch Tablets und Telefone zu ersetzen, da wir im Consumer-Bereich sehr schnell gearbeitet haben, und jetzt haben wir im Enterprise-Bereich herausgefunden, dass Echtzeit Erkenntnisse sind, Echtzeit-Wert.
Und dabei werden wir immer besser. Und es bringt mich zu dem Punkt, den Robin früher angesprochen hat, nämlich das Konzept des Citizen Data Scientist und der Antrieb dieses Konzepts. Ein Citizen Data Scientist ist für mich nur ein gewöhnlicher Mensch mit den richtigen Tools und Informationen wie bei einem iPad. Sie müssen nicht mathematisch arbeiten, sie müssen die Algorithmen nicht kennen, sie müssen nicht wissen, wie sie die Algorithmen und Regeldaten anwenden, sie müssen nur wissen, wie sie die Schnittstelle verwenden. Und das bringt mich zurück zu meiner Einführung und dem Konzept, dass das Kleinkind mit einem iPad im Vergleich zu einem Magazin im Vergleich zu einem iPad sitzt. Das Kleinkind kann sehr schnell und intuitiv lernen, wie man die Oberfläche eines iPads verwendet, um in Informationen einzutauchen und mit diesen zu interagieren, auch wenn es sich um ein Spiel, ein Streaming-Medium oder ein Video handelt. Aber es konnte nicht die gleiche Reaktion oder Interaktion von einer Magazin-Leiste erhalten werden und blitzte Seite für Seite, was nicht sehr ansprechend ist, insbesondere wenn Sie ein Kind sind, das mit iPads aufgewachsen ist. Menschen können immer sehr schnell schauen und lernen, wie sie Werkzeuge und Dinge bedienen können, wenn wir sie nur zur Verfügung stellen und wenn wir ihnen eine Schnittstelle wie mobile Geräte, insbesondere Tablets und Smartphones mit ausreichend großen Bildschirmen, und insbesondere wenn Sie interagieren können Wenn man sie mit den Fingerbewegungen berührt, bekommt man plötzlich das Konzept eines Citizen Data Scientists.
Jemand, der Data Science mit den richtigen Tools anwenden kann, aber nicht wissen muss, wie es geht. Und in meinem Kopf war vieles davon, wie ich sagte, vom Einfluss der Verbraucher getrieben, der sich in Nachfrage und Unternehmertum verwandelte. Ein paar wirklich schnelle Beispiele. Wir, viele von uns, haben angefangen, Dinge mit unseren Blogs und Websites zu tun, z. B. kleine Anzeigen zu schalten oder uns mit Tracking und Bewegung zu befassen. Wir haben Tools wie Google Analytics verwendet und wurden von der Tatsache geweckt, dass in unseren Blogs und kleinen Websites Wir könnten dort kleine Codestücke einfügen und Google würde uns in Echtzeit Einblicke geben, wer die Website besucht, wann und wo und wie. Und in Echtzeit konnten wir tatsächlich sehen, wie Leute auf die Website kamen, die Seiten durchgingen und dann verschwanden. Und es war ziemlich erstaunlich. Ich mache das immer noch sehr gerne, wenn ich versuche, den Leuten Echtzeitanalysen zu erklären. Ich mache es bloß so, dass ich ihnen eine Website mit Google Analytics-Plug-in zeige und tatsächlich die Live-Interaktion mit Leuten sehe, die Websites besuchen, und frage sie: „Stellen Sie sich vor, ob Sie hatten solche Einblicke in Ihr Unternehmen in Echtzeit. “
Nehmen Sie ein Beispiel aus dem Einzelhandel und vielleicht ein Arzneimittel, ich glaube, Sie nennen es eine Drogerie in Amerika, eine Apotheke, in der Sie alles kaufen, von Kopfschmerztabletten bis hin zu Sonnencreme und Hüten. Der Versuch, diese Organisation ohne Echtzeitinformationen zu betreiben, ist ein beängstigendes Konzept. Jetzt wissen wir, was wir wissen. Zum Beispiel können Sie den Fußgängerverkehr messen, Geräte mit einem Smiley auf einer Seite des Bildschirms im Geschäft platzieren, weil Sie glücklich sind, und ein unglückliches Rot ganz rechts und verschiedene Schattierungen in der Mitte. Und es gibt heutzutage eine Plattform namens „Happy or Not“, auf der Sie einen Laden betreten und ein glückliches oder ein trauriges Gesicht bekommen können, abhängig von Ihrem Live-Kundenfeedback. Und das kann interaktiv mit Echtzeit sein. Sie können nachfrageorientierte Preise in Echtzeit erhalten. Wenn es dort viele Leute gibt, können Sie die Preise ein wenig erhöhen und die Verfügbarkeit der Lagerbestände erhöhen und den Leuten zum Beispiel mitteilen - Fluggesellschaften zum Beispiel teilen den Leuten mit, wie viele Plätze jetzt auf der Website verfügbar sind, wenn Sie dies tun Wenn Sie einen Flug buchen, wählen Sie sich nicht einfach nach dem Zufallsprinzip ein und hoffen, dass Sie auftauchen und einen Flug buchen können. Live-HR-Daten können Sie erkennen, wann Personen ein- und ausstempeln. Beschaffung: Wenn Sie sich in der Beschaffung befinden und über Live-Daten verfügen, können Sie beispielsweise eine Stunde warten und sich gegen den US-Dollar-Preis absichern, um Ihre nächste Ladung Aktien zu kaufen und eine Lastwagenladung mit Dingen auftauchen zu lassen.
Wenn ich Leuten Google Analytics zeige und diese Art von Anekdote wiedergebe, diesen Eureka-Moment, diesen „a-ha!“ - Moment, geht diese Glühbirne in ihren Gedanken aus wie: „Hmm, ich kann viele Orte sehen, an denen ich das tun könnte . Wenn ich nur die Werkzeuge hätte und wenn ich nur Zugang zu diesem Wissen hätte. “Und das sehen wir jetzt in den sozialen Medien. Jeder, der ein erfahrener Social-Media-Nutzer ist, der nicht nur Bilder seines Frühstücks zeigt, neigt dazu, sich anzusehen, wie viele Likes er bekommt und wie viel Verkehr er bekommt und wie viele Freunde er bekommt, und das tun sie mit der wie zum Beispiel Twitter als Analysetool. Sie können zu Twitter.com gehen, um das Tool zu verwenden, aber Sie geben in Google Twitter Analytics dot com ein, oder Sie klicken auf die obere rechte Schaltfläche und rufen das Menü auf. Dann erhalten Sie diese hübschen Live-Grafiken, die Ihnen die Anzahl mitteilen Tweets, die du selbst machst und wie viele Interaktionen mit ihnen. Und Echtzeitanalysen nur in Ihren persönlichen sozialen Medien. Stellen Sie sich vor, wir hätten Google Analytics und Facebook sowie LinkedIn und Twitter, eBay-Statistiken kommen auf Sie zu, aber in Ihrer Arbeitsumgebung.
Jetzt haben wir die Live-Art von Web und Mobile zur Hand, es wird ein Power-Konzept. Das zieht mich zu meiner Schlussfolgerung, und das ist, dass Unternehmen, die frühzeitig auf Tools und Technologien zurückgreifen, einen so erheblichen Vorteil gegenüber ihren Konkurrenten erzielen, dass Konkurrenten möglicherweise nie aufholen. Und das sehen wir jetzt im Konflikt mit Citizen Data Scientist. Wenn wir Menschen mit den Fähigkeiten, dem Wissen, für das wir sie eingestellt haben, mitnehmen und ihnen die richtigen Tools zur Verfügung stellen können, insbesondere die Möglichkeit, Echtzeitdaten zu sehen, Daten zu ermitteln und zu erkennen, wo sie sich gerade befinden, ohne die Kabinen zu durchlaufen und laut Fragen stellen, sich an den Wasserkühler stellen müssen, um mit Menschen vergleichende Analysen durchzuführen, oder an die Rezeption gehen und fragen, wo sich der Index befindet. Wenn sie das an ihren Fingerspitzen tun können und sie es zu ihren Besprechungen mitnehmen und in einem Sitzungssaal sitzen können, der in Echtzeit durch Bildschirme blättert, statt in Papierform, haben wir plötzlich unsere Mitarbeiter befähigt, die nicht wirklich sein müssen Datenwissenschaftler, aber um tatsächlich Datenwissenschaft zu nutzen und erstaunliche Ergebnisse für Organisationen zu erzielen. Und ich denke, dieser Wendepunkt, den wir jetzt tatsächlich überschritten haben, wo der Verbraucher in die Wirtschaft getrieben wird, ist die Herausforderung, wie wir diese Wirtschaft erbringen, und das ist das Thema, das ich in der heutigen Diskussion schätze. Und damit werde ich mein Stück einpacken und übergeben, um zu hören, wie wir das lösen könnten. David, rüber zu dir.
David Sweenor: Also gut, vielen Dank, Leute, und vielen Dank, Robin. Weißt du, Robin, ich stimme deiner ursprünglichen Einschätzung zu. Der analytische Prozess unterscheidet sich nicht wirklich von der Softwareentwicklung. Ich denke, die Herausforderung in einer Organisation ist wirklich, vielleicht sind die Dinge nicht so genau definiert, vielleicht gibt es eine Sondierungskomponente und eine kreative Komponente. Und Dez, weißt du, ich stimme dir zu, es gibt eine Menge Neuerfindungen des Rades, und du weißt, es gibt keine Organisation, in die ich heute gehe, du fragst dich, warum machst du das so? Warum läuft das Geschäft so? Und es ist leicht zu hinterfragen, und oft ist es schwierig, Änderungen vorzunehmen, wenn Sie sich in einem Unternehmen befinden. Ich liebe die Analogie, die Konsumierung der Dinge. Also nicht mehr, wenn ich zum Flughafen gehe und meinen Platz wechseln möchte - ich mache das auf meinem Handy. Ich muss nicht zum Agenten am Stand gehen und beobachten, wie dieser 15 Minuten lang etwas auf einem monochromen Monitor eingibt, um meine Sitzplatzzuweisung zu ändern. Ich bevorzuge es einfach, es auf meinem Handy zu machen, und so ist es eine interessante Entwicklung.
Heute werden wir ein wenig über kollektive Intelligenz sprechen. Für diejenigen, die sich nicht bewusst sind, ist Statistica eine führende Analyseplattform, die es schon seit über 30 Jahren gibt. Wenn Sie sich eine der Veröffentlichungen der Analystenbranche ansehen, wird diese stets als eines der intuitivsten und benutzerfreundlichsten Softwarepakete für erweiterte Analysen ausgezeichnet. Wir haben in den letzten Jahren an einem Konzept namens kollektive Intelligenz gearbeitet und bringen es auf die nächste Ebene. Ich wollte dieses Gespräch beginnen mit: Wie wird in Ihrer Organisation gearbeitet?
Und hier sind zwei Bilder. Das Bild links ist ein Bild aus den 1960er Jahren, und ich habe meine Karriere nicht in den 1960er Jahren begonnen, aber das Bild rechts ist - das ist eine Halbleiterfabrik, in der ich angefangen habe zu arbeiten. Und ich habe in diesem schwarzen Gebäude gearbeitet, auf dem schwarzen Dach oben links. Aber sie haben Halbleitermaterial hergestellt. Dies ist ein aktuelles Bild von Google Images. Wenn Sie jedoch auf das linke Bild der 1960er Jahre zurückblicken, ist es sehr interessant. Sie haben diese Leute in einer Reihe und sie machen, wissen Sie, integrierte Schaltkreise und Halbleiter. Aber es gibt eine Standardisierung, es gibt eine Standardmethode, und es gab einen genau definierten Prozess. Wissen Sie, vielleicht gab es eine Zusammenarbeit, weil diese Leute alle in einer offenen Umgebung sitzen. Ich denke, wir haben ein bisschen davon in der Wissensarbeitsgruppe verloren.
Als ich in dem Gebäude oben links saß und mit jemandem zusammenarbeiten wollte, war es nicht offen. Es gab diese Büros, vielleicht war ein Teil des Teams abgelegen, oder vielleicht musste ich über diesen Campus wandern; Es war ein 25-minütiger Spaziergang, und ich musste mit jemandem im Gebäude ganz rechts sprechen. Ich denke, wir haben auf dem Weg etwas verloren. Wissen Sie, ich hatte den gleichen Gedanken: Warum machen Menschen - wie viele Menschen erfinden das Rad in Ihrer Organisation immer wieder neu? Ich glaube, Sie wissen, dass Unternehmen in den 90er und 2000er Jahren mit CRM und Data Warehousing und in gewissem Maße BI gute Arbeit geleistet haben. Aus irgendeinem Grund ist die Analyse etwas zurückgeblieben. Es wurden erhebliche Investitionen in Data Warehousing sowie in die Standardisierung und Normalisierung Ihrer Daten und all dies sowie in CRM getätigt, aber die Analyse ist aus irgendeinem Grund zurückgeblieben. Und ich frage mich warum. Vielleicht gibt es ein Motiv - vielleicht ist Ihr Prozess nicht genau definiert, vielleicht wissen Sie nicht, welche Entscheidung oder welchen Hebel Sie in Ihrem Unternehmen einsetzen, um Dinge zu ändern. Wenn wir heute in Organisationen einsteigen, tun viele Leute Dinge sehr manuell in Tabellenkalkulationen.
Und wissen Sie, ich habe mir heute Morgen eine Statistik angesehen. Ich glaube, 80, 90 Prozent der Tabellenkalkulationen weisen Fehler auf, und einige davon können sehr bedeutend sein. Wie in Whale, wo JPMorgan Chase Milliarden und Abermilliarden Dollar aufgrund von Tabellenkalkulationsfehlern verloren hat. Ich habe also die Prämisse, dass es einen besseren Weg geben muss, um Dinge zu erledigen. Und wie bereits erwähnt, haben wir diese Datenwissenschaftler. Diese Typen sind teuer und schwer zu finden. Und manchmal sind sie eine seltsame Ente. Aber ich denke, wenn ich zusammenfassen müsste, was ein Datenwissenschaftler ist, dann ist es wahrscheinlich jemand, der die Daten versteht. Ich denke, es ist jemand, der die Mathematik versteht, jemand, der das Problem versteht. Und wirklich jemand, der die Ergebnisse mitteilen kann. Und wenn Sie ein Datenwissenschaftler sind, haben Sie heutzutage großes Glück, weil sich Ihr Gehalt in den letzten Jahren wahrscheinlich verdoppelt hat.
Aber um ehrlich zu sein, viele Organisationen haben diese Datenwissenschaftler nicht, aber Ihre Organisation hat kluge Leute. Sie haben eine Organisation, Sie haben viele kluge Leute und sie verwenden Tabellenkalkulationen. Sie wissen, Statistik und Mathematik sind nicht ihre Hauptaufgabe, aber sie nutzen Daten, um das Geschäft voranzutreiben. Wirklich, die Herausforderung, der wir uns stellen, ist, wie nehmen Sie es an, wenn Sie Glück haben, einen Datenwissenschaftler oder einen Statistiker oder zwei zu haben, wie können Sie sie annehmen und wie können Sie die Zusammenarbeit zwischen diesen Leuten und den anderen verbessern andere Personen in Ihrer Organisation? Wenn wir uns ansehen, wie unsere Organisation aufgebaut ist, fange ich an und gehe von rechts nach links. Und ich weiß, dass dies rückwärts ist, aber wir haben diese Branche Benutzer.
Dies ist der größte Teil Ihrer Wissensarbeiterpopulation, und für diese Personen müssen Sie Analysen in Ihre Geschäftsanwendungen einbetten. Vielleicht sehen sie eine analytische Ausgabe auf einem Call-Center-Bildschirm oder so etwas, und es zeigt ihnen das nächstbeste Angebot an, das sie einem Kunden geben können. Vielleicht ist es ein Verbraucher oder Anbieter auf einem Webportal, und es gibt ihnen sofort Kredit oder ähnliches. Die Idee ist jedoch, dass sie Analysen verbrauchen. Wenn wir in die Mitte gehen, sind dies diese Wissensarbeiter. Dies sind die Leute, die heute Dinge mit den Tabellenkalkulationen machen, aber Tabellenkalkulationen sind fehleranfällig und irgendwann geht ihnen das Benzin aus. Diese Citizen Data Scientists, wie wir sie nennen, versuchen wirklich, den Automatisierungsgrad zu erhöhen.
Und Sie hören bei der Analyse, dass 80 bis 90 Prozent der Arbeit in der Datenvorbereitung enthalten sind und es sich nicht um die eigentliche Mathematik, sondern um die Datenvorbereitung handelt. Wir versuchen, dies zu automatisieren, unabhängig davon, ob Sie dies tun, und wir verfügen über Assistenten, Vorlagen und wiederverwendbare Elemente. Außerdem müssen Sie nicht wirklich über Kenntnisse der zugrunde liegenden Infrastruktur in Ihrer Umgebung verfügen. Und wenn wir dann ganz links schauen, haben wir diese Datenwissenschaftler. Und wie ich schon sagte, sind sie Mangelware. Und wir versuchen, sie produktiver zu machen, indem wir ihnen erlauben, Dinge zu schaffen, die diese Bürgerdatenwissenschaftler tun können. Stellen Sie es sich wie einen Lego-Block vor, damit diese Datenwissenschaftler ein wiederverwendbares Asset erstellen können, das ein Bürgerdatenwissenschaftler verwenden kann. Bauen Sie es einmal, damit wir das Rad nicht immer wieder neu erfinden müssen.
Und dann sind diese Leute vielleicht besorgt, ob wir die Dinge in der Datenbank erledigen und die vorhandenen Technologieinvestitionen, die Ihr Unternehmen getätigt hat, nutzen können. Wissen Sie, es macht heutzutage keinen Sinn, Daten auf der ganzen Welt hin und her zu mischen. Wenn wir uns also Statistica ansehen, wie ich bereits erwähnte, handelt es sich um eine Plattform, die es schon lange gibt. Und es ist ein sehr innovatives Produkt. Beim Mischen von Daten ist keine Datenquelle vorhanden, auf die wir nicht zugreifen können. Wir haben alle Datenerkennungs- und Visualisierungsfunktionen, die Sie erwarten. Wir können es in Echtzeit tun. Wahrscheinlich gibt es mehr als 16.000 analytische Funktionen im Software-Tool. Das ist also mehr Mathematik, als ich jemals verwenden oder verstehen könnte, aber es ist da, wenn Sie es brauchen.
Wir können sowohl Geschäftsregeln als auch analytische Workflows kombinieren, um wirklich eine Geschäftsentscheidung zu treffen. Hier ist ein Algorithmus, ein Workflow, aber Sie haben Geschäftsregeln, mit denen Sie sich immer auseinandersetzen müssen. Wir sind in der Verwaltung sehr sicher. Wir werden in vielen pharmazeutischen Kunden eingesetzt, da die FDA uns vertraut. Sie wissen, nur der Beweis im Pudding, dass wir die Kontrolle und Audit-Fähigkeit haben, von ihnen akzeptiert zu werden. Wissen Sie, wir sind offen, flexibel und erweiterbar. Sie müssen also eine Plattform schaffen, auf der Ihre Data Scientists produktiv sein, Ihre Citizen Data Scientists produktiv sein und in der Lage sein sollen Bereitstellung dieser analytischen Ausgabe für die Mitarbeiter in Ihrer Organisation.
Wenn wir es uns ansehen, sehen Sie hier ein Beispiel für einige der Visualisierungen. Da Sie jedoch Ihre Analyseergebnisse an Branchenbenutzer verteilen können, ist das erste Beispiel links ein Netzwerkanalysediagramm. Und vielleicht sind Sie ein Betrugsermittler, und Sie wissen nicht, wie diese Verbindungen hergestellt werden, und das können Menschen sein, das können Wesen sein, das können Verträge sein, wirklich alles. Aber Sie können dies mit Ihrer Maus manipulieren und damit interagieren, um wirklich zu verstehen - wenn Sie ein Betrugsermittler sind, um eine priorisierte Liste der zu untersuchenden Personen zu verstehen, richtig, weil Sie nicht mit jedem sprechen können, also haben Sie zu priorisieren.
Wenn wir uns das Bild auf der rechten Seite für ein Dashboard für vorausschauende Wartung ansehen, ist dies ein wirklich interessantes Problem. Vielleicht besitzen Sie einen Flughafen und haben diese Körperscanner drin. Wenn Sie zu einem Flughafen gehen, sind in diesen Körperscannern einige Komponenten mit einer Haltbarkeit von etwa neun Monaten enthalten. Und diese Dinge sind wirklich sehr, sehr teuer. Wenn ich mehrere Einstiegspunkte, mehrere Scanner auf meinem Flughafen und die Nummer eins habe, möchte ich sicherstellen, dass ich an jedem der Tore angemessen besetzt bin, und für die Teile, die in den Scannern enthalten sind, möchte ich sie nicht mitbestellen früh, und ich möchte sie haben, bevor es zusammenbricht. Wir haben die Möglichkeit, wenn Sie einen Flughafen besitzen, vorherzusagen, wann diese Dinge kaputt gehen und wie hoch der Personalbestand ist.
Wenn wir uns rechts unten ansehen, ist dies, wenn Sie sich in einer Fertigungsumgebung befinden, nur eine grafische Darstellung des Fertigungsflusses. Es ist etwas schwer zu erkennen, aber in diesen verschiedenen Prozesssektoren gibt es rote und grüne Ampeln. Wenn ich Ingenieur bin, gibt es eine sehr ausgefeilte Mathematik, aber ich kann einen Drilldown in diesen bestimmten Prozesssektor durchführen und nachsehen die Parameter und die Eingabe, die möglicherweise dazu führen, dass das außer Kontrolle gerät. Wenn wir uns unseren Citizen Data Scientist ansehen, ist es unser Ziel, es dem Citizen Data Scientist wirklich einfach zu machen. Wir haben Assistenten und Vorlagen, und eine Sache, die ich wirklich interessant finde, ist, dass wir diesen Knoten für die automatisierte Datenintegritätsprüfung haben. Und wirklich, was dies tut, hat es eingebaute Smarts.
Ich erwähnte die Datenvorbereitung - es dauert sehr lange, sowohl bei der Datenaggregation als auch bei der Vorbereitung. Aber nehmen wir an, ich habe meine Daten, ich kann sie über diesen Knoten für die Datenintegritätsprüfung ausführen, und sie prüft auf Invarianz, Spärlichkeit und Ausreißer, und all diese Dinge, füllen fehlende Werte aus und machen eine Menge Mathe, die ich anziehe verstehe nicht, also kann ich entweder die Standardeinstellungen akzeptieren oder, wenn ich etwas schlauer bin, sie ändern. Der Punkt ist jedoch, dass wir diesen Prozess automatisieren möchten. Dieses Ding führt ungefähr 15 verschiedene Überprüfungen und Ergebnisse an einem bereinigten Datensatz durch. Wir machen es den Menschen leichter, diese Workflows zu erstellen.
Hier geht es um die Zusammenarbeit zwischen Data Scientists und Citizen Data Scientists. Wenn wir uns diese Bilder rechts ansehen, sehen wir diesen Datenvorbereitungs-Workflow. Und vielleicht ist dies sehr raffiniert, vielleicht ist dies die geheime Soße Ihres Unternehmens, ich weiß es nicht, aber wir wissen, dass jemand in Ihrer Organisation auf eines oder mehrere dieser Datensilos zugreifen kann, die wir haben. Wir müssen einen Weg finden, Nummer eins, sie zu ergreifen und zusammenzufügen, und Nummer zwei, vielleicht wollen wir eine spezielle Verarbeitung durchführen, die über unseren Daten-Health-Check hinausgeht und die geheime Sauce Ihres Unternehmens ist. Ich kann diesen Workflow in unserer Organisation erstellen und er wird als Knoten ausgeblendet. Sie sehen, dass der Pfeil nach unten zeigt, es ist nur ein Knoten, und wir können hundert dieser Dinge in einer Organisation haben. Die Idee ist, dass wir Leute haben, die etwas über einen bestimmten Raum wissen, sie können einen Workflow erstellen und jemand anderes kann das wiederverwenden. Wir versuchen, die Neuerfindung des Rades zu minimieren.
Dasselbe können wir mit analytischen Modellierungsworkflows tun. In diesem Fall auf der rechten Seite, in diesem Workflow, gibt es vielleicht 15 verschiedene Algorithmen, und ich möchte die beste für die Aufgabe auswählen. Und ich muss als Citizen Data Scientist nicht verstehen, was in diesem Spinnennetz-Durcheinander dort oben vor sich geht, aber es bricht einfach zu einem Knoten zusammen, und dieser Knoten sagt möglicherweise einfach: „Kreditrisikobewertung berechnen.“ „Berechnen Sie die Chance einer Infektion der Operationsstelle ", was haben Sie. „Berechnen Sie die Wahrscheinlichkeit, dass es sich bei einer Transaktion um eine betrügerische Transaktion handelt.“ Als Citizen Data Scientist kann ich diese hochentwickelte Mathematik verwenden, die jemand anderes entwickelt hat. Vielleicht hat einer dieser Data Scientists in meiner Organisation eine solche entwickelt.
Aus datenwissenschaftlicher Sicht habe ich mit Datenwissenschaftlern gesprochen, die es lieben, Code zu schreiben, und ich habe mit Datenwissenschaftlern gesprochen, die es hassen, Code zu schreiben. Und das ist in Ordnung, so haben wir eine sehr visuelle, grafische Benutzeroberfläche. Wir können unsere Daten abrufen, wir können unsere automatische Datenintegritätsprüfung durchführen, und vielleicht möchte ich Code schreiben. Ich mag Python, ich mag R, aber die Idee ist, diese Datenwissenschaftler sind Mangelware und sie mögen den Code in einer bestimmten Sprache. Wir bevorzugen nicht besonders, in welcher Sprache Sie codieren möchten. Wenn Sie also R tun möchten, tun Sie R; Wenn Sie Python machen wollen, machen Sie Python. Das ist großartig. Wenn Sie Ihre Analysen in Azure platzen möchten, platzen Sie Ihre Analysen in die Cloud. Das Ziel hierbei ist es, Flexibilität und Optionen zu bieten, um Ihre Data Scientists so produktiv wie möglich zu machen.
Jetzt sind Data Scientists ziemlich kluge Leute, aber vielleicht sind sie nicht auf alles spezialisiert, und vielleicht gibt es einige Lücken in dem, was sie tun können. Und wenn Sie sich in der Branche umsehen, gibt es viele verschiedene analytische Marktplätze. Dies ist ein Beispiel dafür, dass ich möglicherweise eine Bilderkennung durchführen muss und diese Fähigkeit nicht habe. Vielleicht gehe ich zu Algorithmia und besorge mir einen Bilderkennungsalgorithmus. Vielleicht gehe ich nach Apervita und besorge mir einen ganz besonderen Algorithmus für die Gesundheitsfürsorge. Vielleicht möchte ich etwas in der Azure-Bibliothek für maschinelles Lernen verwenden. Vielleicht möchte ich etwas in der nativen Statistica-Plattform verwenden.
Auch hier geht es darum, die globale Analytics-Community zu nutzen. Da Sie nicht alle Fähigkeiten in Ihren vier Wänden haben werden, wie können wir also Software erstellen - und genau das tun wir -, mit der Ihre Datenwissenschaftler Algorithmen von einer Vielzahl von Marktplätzen verwenden können. Wir haben es schon lange mit R und Python gemacht, aber das erweitert es auf diese App-Marktplätze, die es gibt. Und wie Sie auch hier oben sehen, verwenden wir H2O on Spark, also gibt es dort viele analytische Algorithmen. Sie müssen sich nicht darauf konzentrieren, diese von Grund auf neu zu erstellen, sondern die in der Open-Source-Community vorhandenen wiederverwenden. Wir möchten, dass diese Mitarbeiter so produktiv wie möglich sind.
Der nächste Schritt, nachdem wir unsere Citizen Data Scientists und Data Scientists haben, ist, wie fördern und verbreiten Sie diese Best Practices wirklich? Unsere Software enthält eine Technologie, mit der Sie Analysen überall verteilen können. Und dies ist eher eine Modell-Management-Sichtweise, aber ich bin nicht länger an die vier Wände oder eine bestimmte Installation in Tulsa oder Taiwan oder Kalifornien gebunden, oder was hast du? Dies ist eine globale Plattform, und wir haben viele, viele Kunden, die sie an mehreren Standorten einsetzen.
Die wichtigsten Dinge sind: Wenn Sie in Taiwan etwas tun und es in Brasilien wiederholen möchten, ist das großartig. Holen Sie sich die wiederverwendbaren Vorlagen und die gewünschten Workflows. Dies ist der Versuch, diese Standards und die übliche Art, Dinge zu tun, zu schaffen, damit wir nicht überall völlig andere Dinge tun. Und die andere Schlüsselkomponente dabei ist, dass wir die Mathematik wirklich dahin bringen wollen, wo die Daten leben. Sie müssen keine Daten zwischen Kalifornien, Tulsa, Taiwan und Brasilien mischen. Wir haben eine Technologie, die es uns ermöglicht, die Mathematik auf die Daten zu übertragen, und wir werden einen weiteren Hot Technology-Webcast zu diesem Thema haben.
Wir bezeichnen diese Architektur jedoch als Native Distributed Analytics Architecture. Die Schlüsselidee dahinter ist, dass wir eine Plattform haben, Statistica, und ich einen analytischen Workflow als Atom exportieren kann. Und ich könnte ein Modell oder einen gesamten Arbeitsablauf erstellen, das spielt also keine Rolle. Ich kann dies jedoch erstellen und in einer Sprache exportieren, die für die Zielplattform geeignet ist. Auf der linken Seite tun dies viele Leute, aber sie zählen im Quellsystem. Das ist in Ordnung, wir können Scoring machen und wir können Modelbuilding in der Datenbank machen, also ist das interessant.
Und dann auf der rechten Seite haben wir Boomi. Dies ist eine Begleittechnologie, mit der wir zusammenarbeiten. Aber wir können diese Workflows auch nutzen und sie praktisch überall auf der Welt transportieren. Alles, was eine IP-Adresse hat. Außerdem muss kein Statistica in der öffentlichen oder privaten Cloud installiert sein. Alles, was eine JVM ausführen kann, können wir diese Analyse-Workflows, Datenvorbereitungs-Workflows oder nur Modelle auf einer dieser Zielplattformen ausführen. Ob in meiner öffentlichen oder privaten Cloud, ob in meinem Traktor, meinem Auto, meinem Zuhause, meiner Glühbirne oder meinem Internet der Dinge - wir verfügen über Technologien, mit denen Sie diese Workflows überall auf der Welt transportieren können.
Lassen Sie uns einen Rückblick geben. Wissen Sie, wir haben eine Reihe von Geschäftsbenutzern. Wir haben also Technologien, mit denen diese Benutzer die Ausgabe in einem Format verarbeiten können, mit dem sie zufrieden sind. Wir haben Citizen Data Scientists, und wir versuchen, die Zusammenarbeit zu verbessern, sie zu einem Teil eines Teams zu machen, oder? Wir möchten, dass die Leute aufhören, das Rad neu zu erfinden. Und wir haben diese Datenwissenschaftler, es könnte eine Qualifikationslücke geben, aber sie können in einer Sprache codieren, die sie wollen, sie können zu den analytischen Marktplätzen gehen und dort Algorithmen verwenden. Und so, wie konnte man nicht denken, dass damit alles fantastisch ist? Das ist perfekt, das machen wir. Wir bauen wiederverwendbare Workflows, wir geben den Leuten Anweisungen, wir geben ihnen die Lego-Blöcke, damit sie diese mächtigen Burgen bauen können und was immer sie wollen. Zusammenfassend lässt sich sagen, dass wir eine Plattform haben, die Fachanwendern, Citizen Data Scientists und Programmer Data Scientists die Möglichkeit gibt - wir können jede Art von Anwendungsfall für IoT Edge Analytics ansprechen und diesen Begriff der kollektiven Intelligenz aktivieren. Damit werden wir es wahrscheinlich für Fragen öffnen.
Robin Bloor: Na gut. Ich denke die erste - ich meine, um ehrlich zu sein, ich meine, ich bin zuvor von Dell Statistica unterrichtet worden, und ehrlich gesagt bin ich ziemlich überrascht über die Dinge, von denen ich nicht wusste, dass Sie sie in der Präsentation angesprochen haben . Und ich muss sagen, dass die eine Sache, es ist etwas, das für mich ein Problem bei der Einführung von Analytics war, ist, dass ich die Tools bekommen habe, nicht wahr? Es gibt eine Menge Tools, Open-Source-Tools und so weiter, und es gibt verschiedene, wie ich es nennen würde, Semi-Plattformen. Aber ich denke, der Unterschied, den Sie haben, hat mich besonders beeindruckt.
Aber der Unterschied ist, dass Sie anscheinend ein Ende zu Ende bieten. Es ist, als ob Analytics ein hoch entwickelter Geschäftsprozess ist, der mit der Erfassung von Daten beginnt und dann eine ganze Reihe von Schritten durchläuft, je nachdem, wie flockig die Daten sind Daten. Und dann entstehen auf die eine oder andere Weise Ergebnisse, und das müssen Aktionen sein. Es gibt eine enorme Menge an Analysen, auf die ich gestoßen bin, bei denen eine Menge großartiger Arbeit geleistet wurde, die aber nicht umgesetzt werden kann. Und Sie scheinen eine Menge zu haben, was benötigt wird. Ich weiß nicht, wie umfassend es ist, aber es ist viel umfassender als ich erwartet hatte. Das beeindruckt mich unglaublich.
Ich möchte, dass Sie sich zu Tabellenkalkulationen äußern. Sie haben bereits etwas gesagt, aber eines der Dinge, die ich im Laufe der Jahre festgestellt habe, ist, dass es sehr viele Tabellen gibt, die Schattensysteme sind, und ich denke wirklich Ich meine, die Tabellenkalkulation war ein wundervolles Werkzeug, als sie eingeführt wurde, und es war auf viele verschiedene Arten wundervoll, aber es ist ein verallgemeinertes Werkzeug, es ist nicht wirklich zweckmäßig. Im BI-Kontext ist es sicherlich nicht sehr gut und ich finde es im Analytics-Kontext schrecklich. Und ich habe mich gefragt, ob Sie Anmerkungen zu machen hatten, zum Beispiel zu Beispielen, bei denen Statistica ausgelöscht wurde, zu viele Tabellenkalkulationen verwendet wurden oder zu irgendwelchen Anmerkungen, die Sie dazu machen möchten.
David Sweenor: Ja, ich denke, Sie können berühmte Tabellenkalkulationsfehler nachschlagen. Google oder eine andere von Ihnen verwendete Suchmaschine liefert eine Vielzahl von Ergebnissen. Ich glaube nicht, dass wir Tabellenkalkulationen jemals ersetzen werden. Das ist nicht unsere Absicht, aber viele Organisationen, zu denen ich gehe, es gibt ein paar dieser Tabellenkalkulationsassistenten oder Ninjas oder wie auch immer Sie sie nennen möchten, aber sie haben diese sehr ausgeklügelten Tabellenkalkulationen und Sie müssen überlegen, was passiert, wenn diese Menschen gewinnen das Lotto und kommen nicht zurück? Wir versuchen also, Tabellenkalkulationen zu erstellen, damit wir diese aufnehmen können. Ich denke, wir versuchen jedoch, eine visuelle Darstellung Ihres Workflows zu entwickeln, damit er verstanden und mit anderen geteilt werden kann . Tabellenkalkulationen sind ziemlich schwer, ziemlich schwer zu teilen. Und sobald Sie Ihre Tabelle an mich weitergeben, habe ich sie geändert. Jetzt sind wir nicht mehr synchron und erhalten unterschiedliche Antworten. Was wir versuchen, ist, ein paar Leitplanken zu setzen und die Dinge ein bisschen effizienter zu machen. Und Tabellenkalkulationen sind wirklich schrecklich, wenn es darum geht, mehrere Datensätze miteinander zu kombinieren, wissen Sie? Sie fallen dort runter. Aber wir werden sie nicht ersetzen, wir nehmen sie auf und wir haben Leute, die anfangen sich zu verändern, denn wenn wir einen Knoten haben, der "Risiko berechnen" sagt, ist es das, was die Person, die die Tabelle verwendet, versucht. Die sind also weg.
Robin Bloor: Ja, ich meine, ich würde sagen, aus einer der Perspektiven, die ich auf Dinge sehe, würde ich sagen, dass Tabellenkalkulationen großartig sind, um Informationen zu erstellen. Sie eignen sich sogar hervorragend, um Wissensinseln zu schaffen, aber sie sind wirklich schlecht, um Wissen zu teilen. Sie haben überhaupt keinen Mechanismus, um das zu tun, und wenn Sie eine Tabelle an jemanden weitergeben, können Sie sie nicht so lesen, als wäre es ein Artikel, der genau erklärt, was sie tun. Es ist einfach nicht da. Ich denke, das, was mich an der Präsentation und den Fähigkeiten von Statistica am meisten beeindruckt hat, scheint unglaublich agnostisch zu sein. Aber dieser Thread zieht sich durch den Workflow. Bin ich zu Recht davon ausgegangen, dass Sie einen durchgängigen Workflow von der Datenerfassung bis zur Einbettung der Ergebnisse in bestimmte BI-Anwendungen oder sogar in laufende Anwendungen betrachten können?
David Sweenor: Ja, absolut. Und es hat diese End-to-End-Fähigkeit, und einige Unternehmen nutzen sie vollständig, und ich habe keine Illusion, dass ein Unternehmen heutzutage alles von einem einzigen Anbieter kauft. Wir haben eine Mischung. Einige Leute verwenden Statistica für alles und andere für die Modellierungsworkflows, andere für die Datenvorbereitungsworkflows. Einige Leute verwenden es, um Hunderte von technischen Berichten an Ingenieure zu verteilen. Und so haben wir alles dazwischen. Und es ist wirklich Ende-zu-Ende, und es ist insofern eine agnostische Plattform, als wenn es Algorithmen gibt, die Sie in R oder Python, Azure, Apervita verwenden möchten, was auch immer Sie wissen, verwenden Sie diese. Das ist großartig, sei produktiv, nutze was du weißt, nutze was du magst und wir haben Mechanismen, um sicherzustellen, dass diese kontrolliert und überprüfbar sind und all diese Dinge.
Robin Bloor: Mir gefällt dieser Aspekt besonders gut. Ich meine, ich weiß nicht, ob Sie über das, was Sie gesagt haben, hinaus zu dem Reichtum dessen sprechen können, was da draußen ist. Ich meine, ich habe mir das angeschaut, aber ich habe es nicht umfassend angeschaut und es gibt sicherlich eine Unmenge von Python-Bibliotheken in unseren Bibliotheken, aber gibt es irgendetwas, das Sie zu diesem Bild hinzufügen können? Weil ich das für eine sehr interessante Sache halte, wissen Sie, die Idee, dass Sie Komponenten haben, die vertrauenswürdig sind, weil Sie verschiedene Leute kannten, die sie erstellt hatten, und verschiedene Leute, die sie verwendeten und die Sie herunterladen konnten. Wissen Sie, können Sie das, was Sie darüber bereits gesagt haben, bereichern?
David Sweenor: Ja, ich denke einige der App-Marktplätze, die Algorithmus-Marktplätze, die es gibt. Zum Beispiel, Dr. John Cromwell von der Universität von Iowa, hat er ein Modell entwickelt, das vorhersagt, dass in Echtzeit verwendet wird, während wir operiert werden Infektion der Operationsstelle. Und wenn diese Punktzahl hoch genug ist, werden sie direkt im Operationssaal eingreifen. Das ist sehr interessant. Vielleicht gibt es ein anderes Krankenhaus, das nicht so groß ist. Nun, Apervita ist ein Gesundheits-App-Marktplatz für Analytics. Sie können entweder einen auf vielen dieser App-Marktplätze finden, Sie können einen finden und wiederverwenden, und die Transaktion findet zwischen Ihnen und demjenigen statt, dem das gehört, aber Sie können entweder einen finden oder Sie können sagen: „Hier ist was ich brauche. “Ich denke, es nutzt die globale Gemeinschaft, weil heutzutage jeder ein Spezialist ist und man nicht alles wissen kann. Ich denke, R und Python sind eine Sache, aber diese Idee: „Ich möchte diese Funktion ausführen, eine Spezifikation auf einem dieser App-Marktplätze veröffentlichen und sie von jemandem für Sie entwickeln lassen.“ Und das können sie monetarisieren, denke ich Das ist sehr interessant und sehr anders als das reine Open-Source-Modell.
Robin Bloor: Alles klar. Wie auch immer, ich werde den Ball an Dez weitergeben. Möchten Sie eintauchen, Dez?
Dez Blanchfield: Auf jeden Fall, und ich würde gerne einen Moment in der Tabellenkalkulation bleiben, weil ich denke, dass sie den Kern vieler Dinge erfasst hat, über die wir hier sprechen. Und Sie haben eine Bemerkung gemacht, Robin, in Bezug auf den Übergang von der Art der alten Tabellenkalkulation in ihrer physischen Form zur elektronischen Form. Wir hatten eine interessante Veranstaltung, bei der es sich, wenn Tabellenkalkulationen ursprünglich nur um Blätter mit Zeilen und Spalten handelten, um manuelle Aufzeichnungen handelte. Dann mussten Sie sie entweder durcharbeiten oder berechnen es von oben oder mit einem anderen Gerät. Aber wir haben immer noch die Möglichkeit, Fehler bei Handschriftsfehlern oder Legasthenie zu machen, und jetzt haben wir sie durch Tippfehler ersetzt. Das Risiko besteht darin, dass bei Tabellenkalkulationen das Risikoprofil schneller und größer ist, aber ich denke, dass die Tools wie Statistica die Risikopyramide invertieren.
Ich male dieses Bild oft als eine Person auf eine Tafel mit einer menschlichen Strichmännchen am oberen Rand und stelle mir dann zehn davon am unteren Rand dieser Tafel vor, und ich male eine Pyramide, wo die Spitze der Pyramide bei der einzelnen Person und der Fuß der Pyramide die Ansammlung von Menschen ist. Und ich benutze dies, um die Idee zu visualisieren, dass eine Person an der Spitze einer Tabelle einen Fehler macht und ihn mit zehn Personen teilt. Jetzt haben wir zehn Kopien des Fehlers. Gehen Sie mit Ihren Makros sehr vorsichtig um und gehen Sie mit Visual Basic sehr vorsichtig um, wenn Sie dazu übergehen. Denn wenn wir elektronische Tools wie Tabellenkalkulationen erstellen, ist dies sehr leistungsfähig, aber auch in einer guten und einer schlechten Weise.
Ich denke, dass Tools wie Statistica die Möglichkeit bieten, dieses Risikoprofil umzukehren, und das heißt, dass Sie jetzt an den Punkt gelangen, an dem Sie viele Tools haben, die der einzelnen Person zur Verfügung stehen, und da sie von vielen Tools am oberen Rand ausgehen die Pyramide und dann ganz nach unten, wo der Punkt der Pyramide, der gerade invertiert wird, das eigentliche Werkzeug ist, wenn wir ein Team von Leuten haben, die diese Werkzeuge und diese Algorithmen bauen. Und der Datenwissenschaftler muss kein Spezialist für Regressionsanalysen seiner Daten sein. Vielleicht können sie das Tool verwenden, aber vielleicht haben Sie fünf oder sechs Statistiker und einen Aktuar und einen Datenwissenschaftler sowie einige Mathematiker, die an dem Tool, dem Modul, dem Algorithmus, dem Plug-In und so weiter im Spreadsheet-Sprachgebrauch arbeiten Stellen Sie sich vor, dass jedes veröffentlichte Arbeitsblatt, das Sie verwenden könnten, von Spezialisten geschrieben wurde, die die Makros und Visual Basic getestet haben und sicherstellten, dass die Algorithmen funktionieren. Wenn Sie es erhalten haben, können Sie einfach Daten hineinpoppen, aber Sie können es nicht wirklich brechen und deshalb ist es besser zu kontrollieren.
Ich denke, dass viele Analysetools dies tun. Ich schätze, Sie sehen den Übergang von Tabellenkalkulationen, die potenziell zu Fehlern und Fehlern und Risiken führen können, zu dem Punkt, an dem die Tools, die Sie mit Ihrem System erstellen, eingesetzt werden Plattformen, bei denen die Datenermittlung in Echtzeit genau ist und die Leute, die die Module und Algorithmen erstellen, dieses Risikoprofil entfernen oder reduzieren? Sieht der Kundenservice das wirklich so oder glauben Sie, dass das gerade passiert und dass er es nicht merkt?
David Sweenor: Weißt du, ich denke, es gibt ein paar Möglichkeiten, dies zu beantworten. Aber wir sehen, wie Sie wissen, in jedem Unternehmen, und ich erwähnte, dass die Analyse aus Sicht der Unternehmensinvestitionen, wie wir sie mit Data Warehousing und CRM gemacht haben, möglicherweise hinterherhinkt. Aber was wir sehen, es braucht viel, um eine Organisation zu verändern, um diese organisatorische Trägheit zu überwinden. Wir sehen jedoch, dass Mitarbeiter ihre Tabellenkalkulationen und Arbeitsabläufe übernehmen und ich erwähnte die Sicherheits- und Governance-Aspekte: „Vielleicht habe ich eine Tabelle.“ „Nun, ich kann diese sperren und ich kann sie versionieren.“ Und Wir sehen viele Organisationen, vielleicht fangen sie erst dort an. Und wenn es sich geändert hat, gibt es einen Workflow, und am Ende bin ich dabei, Nummer eins, wer hat ihn geändert? Warum sie es geändert haben. Als sie es änderten. Außerdem kann ich einen Workflow so einrichten, dass ich diese neue Tabelle erst dann in Betrieb nehme, wenn sie von einer, zwei, drei, unabhängig davon, wie viele Parteien Sie in Ihrem Workflow definieren möchten, validiert und verifiziert wurde. Ich denke, die Leute fangen an, etwas zu unternehmen, und Organisationen fangen an, dort kleine Schritte zu unternehmen, aber ich würde wahrscheinlich vorschlagen, dass wir noch einen weiten Weg vor uns haben.
Dez Blanchfield: In der Tat, und ich denke, wenn Sie sowohl die Sicherheitskontrollen als auch die Governance dort einbauen, kann die Arbeitsbelastung dies und alles automatisch bis zum Chief Risk Officer abbilden, was jetzt eine Sache ist. Sie können steuern, wie auf diese Tools und Systeme zugegriffen wird und wer was mit ihnen macht. Das ist also sehr mächtig. Ich denke, die anderen Dinge, die dazu führen, sind, dass die Arten von Tools, die Sie mir zur Verfügung stellen, mehr für menschliches Verhalten als für die traditionellen Tabellen, über die wir sprechen, geeignet sind, wenn ich einen Raum voller Menschen habe mit demselben Dashboard und Zugriff auf dieselben Daten, sodass sie tatsächlich eine andere Ansicht erhalten und infolgedessen aus denselben Informationen leicht unterschiedliche Erkenntnisse erhalten können, die ihren Anforderungen entsprechen, damit sie zusammenarbeiten können. Wir haben dann eine menschlichere Sichtweise und Interaktion mit dem Unternehmen und dem Entscheidungsprozess, anstatt alle mit demselben PowerPoint an einem Meeting teilzunehmen und dieselben Tabellenkalkulationen auszudrucken, alle dieselben festen Daten.
Sehen Sie einen Wandel im Verhalten und in der Kultur in Organisationen, die Ihre Tools jetzt sozusagen dort einsetzen, wo sie dies sehen, wo es nicht so ist, als würden fünf Personen im Raum dieselbe Tabelle betrachten und versuchen, sie nur zu verbalisieren und sich Notizen zu machen Aber jetzt interagieren sie tatsächlich in Echtzeit mit den Dashboards und den Tools, wobei Visualisierung und Analyse immer zur Hand sind und die Konversation und die Interaktion nicht nur in Besprechungen, sondern auch in der allgemeinen Zusammenarbeit innerhalb des Unternehmens auf eine völlig andere Art und Weise erfolgen. Weil sie es in Echtzeit können, weil sie die Fragen stellen und eine echte Antwort bekommen können. Ist das ein Trend, den Sie gerade sehen, oder ist das noch nicht ganz passiert?
David Sweenor: Nein, ich denke, es hat definitiv diesen Weg eingeschlagen, und ich denke, das sehr interessante ist, wissen Sie, wenn wir zum Beispiel das Beispiel einer Fabrik nehmen. Vielleicht möchte jemand, der einen bestimmten Prozesssektor innerhalb dieser Fabrik besitzt, diese Daten auf eine bestimmte Art und Weise betrachten und damit interagieren. Und vielleicht überblicke ich alle Prozesse, vielleicht die unten, vielleicht möchte ich sie über alles hinweg betrachten. Ich denke, was wir sehen, ist, Nummer eins, dass die Leute beginnen, eine Reihe von Visualisierungen oder Standardvisualisierungen in ihren Organisationen zu verwenden, aber es ist auch auf die Rolle zugeschnitten, in der sie tätig sind. Wenn ich ein Prozessingenieur bin, vielleicht Das ist eine ganz andere Sichtweise als jemand, der es aus Sicht der Lieferkette betrachtet, und ich finde das großartig, weil es maßgeschneidert sein muss und durch die Linse betrachtet werden muss, die Sie benötigen, um Ihre Arbeit zu erledigen.
Dez Blanchfield: Ich denke, der Entscheidungsprozess läuft zeitlich und zeitlich schnell ab, um tatsächlich kluge und genaue Entscheidungen zu treffen, nimmt auch rapide zu, nicht wahr? Denn wenn Sie Echtzeitanalysen und Echtzeit-Dashboards haben und die Statistica-Tools zur Hand haben, müssen Sie nicht über den Boden rennen, um jemanden nach etwas zu fragen. Sie haben es auf Papier. Sie können zusammenarbeiten, interagieren und spontane Entscheidungen treffen, um dieses Ergebnis sofort zu erzielen. Ich denke, einige der Unternehmen haben es noch nicht begriffen, aber wenn sie es tun, wird es ein eureka-Moment sein, in dem wir immer noch in unseren Kabinen bleiben und zu Hause arbeiten können, aber wir können interagieren und zusammenarbeiten und diese Entscheidungen treffen Wir machen, während wir zusammenarbeiten, sofort zu Ergebnissen. Schau, ich finde es fantastisch zu hören, was du bisher zu sagen hast und ich freue mich wirklich darauf zu sehen, wohin es geht. Und ich weiß, dass wir eine Menge Fragen im Q & A haben, also werde ich zu Rebecca zurückkehren, um einige davon durchzugehen, damit wir so schnell wie möglich zu ihnen kommen können. Vielen Dank.
Rebecca Jozwiak: Danke Dez, und ja, Dave, wir haben einige Fragen vom Publikum. Und danke Dez und Robin auch für deine Einsichten. Ich weiß, dass diese bestimmte Teilnehmerin genau zu Beginn der Stunde vorbeikommen musste, aber sie fragt, sehen Sie, dass die Abteilungen für Informationssysteme ausgefeilteren Datenkontrollen mehr Priorität einräumen als der Gewohnheit, Tools zur Verfügung zu stellen die Wissensarbeiter? Ich meine, ist das - mach weiter.
David Sweenor: Ja, ich denke, das hängt von der Organisation ab. Ich denke, eine Bank, eine Versicherungsgesellschaft hat vielleicht andere Prioritäten und Vorgehensweisen als eine Marketingorganisation. Ich denke, ich muss sagen, dass es nur von der Branche und der Funktion abhängt, die Sie betrachten. Unterschiedliche Branchen haben unterschiedliche Schwerpunkte.
Rebecca Jozwiak: Okay gut, das macht Sinn. Und dann wollte ein anderer Teilnehmer wissen, was ist der Motor hinter Statistica? Ist es C ++ oder deine eigenen Sachen?
David Sweenor: Nun, ich weiß nicht, ob ich das konkret machen kann, weil es das schon seit 30 Jahren gibt und es vor meiner Zeit entwickelt wurde, aber es gibt eine Kernbibliothek von analytischen Algorithmen, die Statistica-Algorithmen sind, die ausgeführt werden. Und Sie haben hier gesehen, dass wir auch R, Python, Azure und Spark bei H2O ausführen können. Ich denke, dass ich diese Frage in Bezug auf die verschiedenen Engines beantworten muss. Und je nachdem, welchen Algorithmus Sie auswählen, wenn es sich um einen Statistica-Algorithmus handelt, der wie folgt ausgeführt wird: Wenn Sie einen Algorithmus für H2O und Spark auswählen, wird dieser verwendet, und daher gibt es eine Vielzahl von Algorithmen.
Rebecca Jozwiak: Okay, gut. Ein anderer Teilnehmer fragte, ob er speziell auf diese Folie zeigen wolle, und wollte wissen, woher der Bürgerdatenwissenschaftler wisse, welche wiederverwendbaren Vorlagen zu verwenden seien. Und ich denke, ich werde das irgendwie zu einer umfassenderen Frage machen. Was sehen Sie, wenn Branchenanwender oder Geschäftsanalysten diese Tools verwenden möchten? Wie einfach ist es für sie, sie zu finden und in Betrieb zu nehmen?
David Sweenor: Wenn Sie mit Windows vertraut sind, ist dies eine Windows-basierte Plattform. Daher habe ich die Oberseite dieser Screenshots abgeschnitten, aber die Windows-Multifunktionsleiste ist vorhanden. Aber woher wissen sie, welchen Workflow sie verwenden sollen? Es sieht aus wie im Windows Explorer, daher gibt es eine Baumstruktur, die Sie konfigurieren und einrichten können, wie auch immer Ihre Organisation es einrichten möchte. Es könnte aber auch sein, dass Sie nur diese Ordner haben und diese wiederverwendbaren Vorlagen in diese Ordner einfügen. Und ich denke, es gibt wahrscheinlich eine Nomenklatur, die Ihr Unternehmen übernehmen könnte, sagen wir, hier ist das "Risikoprofil berechnen", hier ist das "Daten aus diesen Quellen abrufen" und Sie benennen sie, was Sie wollen. Es ist nur ein kostenloser Ordner, Sie ziehen die Notizen einfach direkt auf Ihre Leinwand. Also ziemlich einfach.
Rebecca Jozwiak: Okay, gut. Vielleicht eine Demo beim nächsten Mal. Dann bringt eine andere Art von Teilnehmer es auf den Punkt, worüber Sie und Robin und Dez gesprochen haben, was die Ungenauigkeiten betrifft, insbesondere in einer Kalkulationstabelle, aber das Ein- und Auslagern von Müll und er sieht es als noch kritischer an, wenn es darum geht zur Analytik. Wenn Sie das erwähnen, kann der Missbrauch von Daten wirklich zu unglücklichen Entscheidungen führen. Und er fragt sich, was Ihre Ansichten zur Entwicklung von ausfallsichereren Algorithmen sind. Ich denke, er verwendet das Wort „übereifriger“ Einsatz von Analytik. Weißt du, jemand kommt herein, sie werden sehr aufgeregt, sie wollen diese fortgeschrittenen Analysen durchführen, sie wollen diese fortgeschrittenen Algorithmen ausführen, aber vielleicht sind sie sich nicht ganz sicher. Was tun Sie also, um sich davor abzusichern?
David Sweenor: Ja, ich schätze, ich werde das so gut wie möglich beantworten, aber ich denke, es kommt auf die Menschen, die Prozesse und die Technologie an. Wir verfügen über eine Technologie, mit der Menschen und alle Prozesse, die Sie in Ihr Unternehmen einbinden möchten, unterstützt werden. In dem Beispiel, in dem ein Gutschein an jemanden gesendet wird, ist das vielleicht nicht so wichtig, und wenn es digital ist, sind die Kosten wirklich gleich hoch, vielleicht gibt es eine Ebene von Sicherheitskontrollen, und vielleicht ist es uns egal. Wenn ich Infektionen der Operationsstelle vorhersage, möchte ich vielleicht etwas vorsichtiger sein. Oder wenn ich die Qualität und Sicherheit von Medikamenten und ähnliches vorhersage, möchte ich vielleicht etwas vorsichtiger sein. Sie haben Recht, Müll rein / Müll raus. Wir versuchen also, eine Plattform bereitzustellen, die es Ihnen ermöglicht, sie an jeden Prozess anzupassen, den Ihr Unternehmen übernehmen möchte.
Rebecca Jozwiak: Okay, gut. Ich habe noch ein paar Fragen, aber ich weiß, dass wir die Stunde ziemlich hinter uns haben und ich möchte unseren Moderatoren nur sagen, dass das großartig war. Und wir möchten uns ganz herzlich bei Dave Sweenor von Dell Statistica bedanken. Natürlich, Dr. Robin Bloor und Dez Blanchfield, vielen Dank, dass Sie heute die Analysten sind. Wir werden nächsten Monat einen weiteren Webcast mit Dell Statistica haben. Ich weiß, dass Dave irgendwie auf das Thema hingewiesen hat. Es wird um die Analytik am Rande gehen, ein weiteres faszinierendes Thema, und ich weiß, dass in diesem Webcast einige sehr überzeugende Anwendungsfälle diskutiert werden. Wenn Ihnen das, was Sie heute gesehen haben, gefallen hat, kommen Sie nächsten Monat wieder. Und damit verabschiede ich mich von Ihnen. Vielen Dank. Tschüss.
