Oleh Staf Techopedia, 29 November 2017
Takeaway: Host Eric Kavanagh membahas data dan analitik, serta peran chief data officer (CDO) dan chief analytics officer (CAO) dengan Jen Underwood dari Impact Analytix dan Nick Jewell dari Alteryx.
Eric Kavanagh: Hadirin sekalian, halo dan selamat datang kembali ke edisi khusus Hot Technologies. Teman-teman, ini Eric Kavanagh, saya akan menjadi pembawa acara Anda hari ini, “The CxO Playbook: Masa Depan Data dan Analisis.” Ya, ini adalah topik yang cukup besar, harus saya katakan. Faktanya, kita punya sedikit kerumunan pemecah rekor di sini hari ini. Kami memiliki lebih dari 540 orang yang mendaftar untuk siaran web pagi ini. Kami melakukannya pada waktu khusus, karena banyak dari Anda tahu untuk pertunjukan reguler kami, kami biasanya melakukan ini pada 4:00 Timur, tetapi kami ingin mengakomodasi tamu yang sangat istimewa yang menelepon dari seberang kolam. Biarkan saya terjun langsung ke presentasi hari ini.
Jadi tahun ini panas - ini adalah tahun yang sangat kacau dalam banyak hal, saya pikir cloud ada hubungannya dengan itu. Pertemuan teknologi yang kita saksikan di pasar adalah pendorong utama, dan saya mengambil tentu saja tentang SMAC sebagaimana mereka menyebutnya. Kita berbicara tentang SMAC: sosial, seluler, analitik, cloud - dan semua itu menyatu. Organisasi benar-benar dapat mengubah cara mereka melakukan bisnis. Ada lebih banyak saluran untuk menjalankan operasi bisnis Anda, ada lebih banyak data untuk dianalisis. Ini adalah dunia yang sangat liar di luar sana dan kita akan berbicara hari ini tentang bagaimana hal-hal berubah dalam C suite, jadi kepala eksekutif, orang-orang top di organisasi ini, baik bahwa seluruh dunia berubah sekarang dan kami akan membicarakan hal itu.
Ada milikmu benar-benar di atas. Kami memiliki Jen Underwood dari Impact Analytix dan Nick Jewell, penginjil teknologi utama dari Alteryx di telepon hari ini. Ini hal yang sangat menarik. Saya datang dengan konsep ini tadi malam, teman-teman, dan saya pikir itu sangat menarik. Tentu saja, kita semua tahu kursi musik, permainan untuk anak-anak di mana Anda memiliki semua kursi ini dalam lingkaran, Anda memulai musik, semua orang mulai berjalan di sekitar dan satu kursi ditarik menjauh; ketika musik berhenti semua orang harus berjuang untuk mendapatkan kursi sementara satu orang kalah di kursi mereka dalam situasi itu. Ini adalah hal yang sangat aneh dan menarik terjadi sekarang di C suite, dan jika Anda perhatikan di gambar ini di sini, Anda punya dua kursi kosong di belakang. Biasanya, kursi menghilang di kursi musik, dan apa yang kita lihat hari ini, adalah ada dua kursi lagi di level C: CAO dan CDO, chief analytics officer dan chief data officer.
Keduanya lepas landas. Terus terang kepala petugas data benar-benar lepas landas seperti api hari ini, tetapi apa artinya itu? Itu berarti sesuatu yang sangat penting. Ini berarti bahwa kekuatan data dan analitik sangat signifikan sehingga ruang dewan, atau ruang eksekutif saya harus mengatakan, suite C berubah - mereka menambahkan orang ke dalam suite C, eksekutif baru keseluruhan mengisi beberapa kursi baru ini. Jika Anda berpikir tentang betapa sulitnya mengubah budaya suatu organisasi, itu kesepakatan yang cukup serius. Budaya adalah hal yang sangat sulit untuk diubah, dan biasanya perubahan positif dipupuk melalui manajemen yang baik dan ide-ide bagus dan hal-hal semacam itu. Jika Anda berpikir tentang peluang yang kita miliki saat ini, dengan menambahkan eksekutif baru di C suite untuk analisis dan untuk data, itu adalah masalah yang sangat besar. Ini berbicara tentang peluang bagi organisasi untuk mengubah lintasan, dan mari kita hadapi itu, perusahaan besar dan tua benar-benar perlu berubah karena bagaimana pasar berubah.
Saya biasanya memberikan contoh Uber, misalnya, atau Airbnb sebagai organisasi yang secara fundamental mengganggu seluruh industri, dan itu terjadi di mana-mana. Apa yang akan kita bicarakan hari ini adalah bagaimana organisasi Anda dapat beradaptasi, bagaimana Anda di luar sana dapat menggunakan informasi ini, wawasan ini, untuk mengubah lintasan bisnis Anda dan menjadi sukses dalam ekonomi informasi.
Dengan itu, saya akan menyerahkan kunci-kunci WebEx ke Jen Underwood, dan kemudian Nick Jewell akan berpadu juga; dia menelepon dari Inggris. Terima kasih untuk kalian berdua, dan Jen, dengan itu, aku akan menyerahkannya padamu. Bawa pergi.
Jen Underwood: Terima kasih, Eric, kedengarannya bagus. Selamat pagi semuanya. Hari ini kita akan berbicara tentang buku pedoman CxO ini; ini adalah masa depan data dan analitik dan saya akan terjun langsung. Eric sudah melakukan pekerjaan yang bagus untuk membicarakan mengapa ini sangat penting. Pembicara kami hari ini, lagi-lagi, Anda telah melihat slide lain dengan informasi ini, tetapi Anda dan Nick Jewell akan berbicara dengan Anda dengan sangat interaktif dalam sesi ini hari ini. Kita akan membuka diri dengan menjelaskan apa peran-peran ini dan jenis-jenis hal yang sedang mereka lakukan. Kita akan melihat industri analitik, pandangan umum dan beberapa tantangan yang akan dihadapi orang-orang ini. Dinamika dalam organisasi saat ini ketika Anda sedang mempersiapkan masa depan, dan kemudian kita akan berbicara tentang langkah-langkah selanjutnya dan memberi Anda panduan untuk perencanaan, jika Anda akan menjelajahi beberapa peran ini dalam organisasi Anda.
Berbicara tentang CxO ini, CAO misalnya, itu adalah chief analytics officer, itu adalah jabatan untuk manajer senior yang bertanggung jawab untuk analisis data dalam organisasi. CAO biasanya akan melapor kepada CEO dan bahwa posisi yang muncul dengan cepat akan menjadi sangat penting, ketika Anda berpikir tentang massa transformasi dan transformasi digitalnya yang kita miliki sekarang dalam cara perusahaan membuat dan mengambil keputusan bisnis mereka.
Jika Anda berpikir tentang transformasi digital dan kecerdasan sebagai inti dari transformasi digital, CAO ini adalah peran yang sangat strategis dalam suatu organisasi. Mereka tidak hanya membawa ilmu data yang kuat kembali ke wawasan aktual dan pengetahuan itu, tetapi mereka memiliki ROI dan dampak yang dihasilkan, jadi apa yang mereka ukur? Bagaimana mereka membawa ROI itu dengan data yang mereka miliki dan beberapa angka bottom-line di seluruh organisasi untuk memanfaatkan data secara strategis. Posisi itu, bersama dengan CIO, chief information officer, telah menjadi terkenal karena peningkatan teknologi dan transformasi digital dan nilai data.
Selama bertahun-tahun sekarang, data adalah emas di dunia khusus ini dengan monetisasi dan kecerdasan dan mengubah informasi ini. Untuk dapat mengambil tindakan proaktif ini dan tidak selalu selalu melihat ke belakang, per se. Kedua posisi itu sama dalam hal keduanya berhubungan dengan informasi, tetapi CIO, pada dasarnya, akan fokus pada infrastruktur di mana CAO berfokus pada infrastruktur yang diperlukan untuk menganalisis informasi. Posisi yang sama adalah CDO dan Anda mendengar lebih banyak, kami mungkin mendengar sedikit lebih banyak tentang CDO daripada Anda tentang CAO hari ini. CDO lebih berfokus pada pemrosesan data dan pemeliharaan serta proses tata kelola tersebut di seluruh siklus hidup manajemen data.
Orang-orang ini juga akan bertanggung jawab untuk memonetisasi data dan mendapatkan nilai dari data dan bekerja sepanjang kematangan tata kelola dan siklus kehidupan keamanan, di seluruh rentang, saya akan katakan, dari siklus hidup. Ini adalah orang-orang yang akan sangat selaras, per se, atau bertanggung jawab untuk memastikan GDPR - dan kami akan berbicara sedikit - Undang-Undang Perlindungan Data Eropa, memastikan bahwa hal-hal semacam itu tercakup dalam organisasi mereka. Sekarang, kita mendapatkan struktur dan masa depan untuk peran dinamis data intensif yang mengganggu. Ini adalah jenis-jenis hal yang menjadi tanggung jawab CDO dan bukan hanya diri mereka sendiri - mereka akan membangun tim lintas fungsi, dan saya memiliki beberapa contoh beberapa orang yang akan bergabung dengan, per se, dalam sebuah struktur organisasi, dari arsitek dan orang-orang pemerintahan, dan bahkan analis dan ilmuwan data dan insinyur dalam suatu organisasi dapat menggulung mereka.
Bergerak lebih jauh ke prospek industri untuk analitik, ini telah menjadi perjalanan yang fenomenal - mungkin sepuluh tahun, bahkan lebih lama - dalam industri khusus ini. Ini telah terus tumbuh, sangat menarik, bahkan selama jatuhnya pasar tahun lalu itu masih diminati. Itu hanya tempat yang indah dan jika Anda melihat agenda CIO dari Gartner pada 2017, BI dan analitik masih berada dalam peringkat tiga teratas dari apa yang paling penting bagi suatu organisasi, dan melihat pertumbuhan pasar perangkat lunak, kami terus-menerus melihat pertumbuhan di sana. Selama saya berada di ruang ini, itu selalu merupakan karir yang sangat cerah.
Ketika kita melihat era digital dan transformasi ini, yang sangat, sangat menarik bagi saya, adalah proses-proses yang kita miliki ini, dan sering kali mendapatkan informasi dan mengambil tindakan dari proses atau selama proses bisnis. Sekarang, Gartner memperkirakan pada tahun 2020, informasi yang telah Anda gunakan akan ditemukan kembali, digitalisasi atau bahkan dihilangkan. Delapan puluh persen dari proses bisnis dan produk yang kami miliki dari sepuluh tahun yang lalu, dan kami mulai melihatnya, bukan? Kita mulai melihat bahwa dengan ayat-ayat Amazon mungkin beberapa toko kotak besar, Ubers, Airbnbs - model-model digital ini mengganggu proses dan sekarang orang-orang berinteraksi. Bahkan Black Friday - Saya tidak tahu berapa banyak orang yang benar-benar pergi ke toko - banyak orang membeli secara online, dan bagaimana Anda menjangkau pelanggan itu? Dibutuhkan kecerdasan untuk melakukan itu. Dibutuhkan cara yang sangat berbeda untuk berinteraksi dan mempersonalisasi pesan dan memiliki kecerdasan untuk menyajikan kepada mereka penawaran yang tepat pada waktu yang tepat, dan sekarang mungkin itu hanya dengan satu klik tombol. Sangat mudah bagi mereka untuk meninggalkan toko online Anda. Banyak hal berubah di dunia ini, dan saya pikir Nick juga ingin mengobrol tentang hal ini.
Nick Jewell: Ya, hai semuanya, terima kasih banyak. Saya akan minta maaf sebelumnya jika ada sedikit keterlambatan pada audio yang datang dari London, saya akan melakukan yang terbaik untuk tidak membicarakan Anda, Jen.
Anda benar sekali, penghapusan limbah, penemuan kembali itu sebagai bagian dari transformasi digital, sering terjadi ketika organisasi berpindah dari produk yang dipesan lebih dahulu, mungkin aplikasi yang terputus dan ke platform yang lebih terbuka dan terhubung. Ketika proses Anda digital, akan jauh lebih mudah untuk melihat perjalanan data Anda dari ujung ke ujung. Sempurnakan langkah-langkah yang Anda ambil, dengan menggunakan data untuk mengoptimalkan proses itu.
Mari kita lanjutkan slide, jika kita bisa. Ketika datang ke transformasi digital, apa artinya bagi organisasi, saya kira itu menarik atau mengintimidasi, tergantung pada sisi mana dari spektrum yang Anda duduki. Lihatlah grafik di sini, yang menunjukkan umur perusahaan dan bagaimana pengaruh-pengaruh yang mengganggu mempengaruhi kekayaan organisasi. Jika Anda memulai sebuah perusahaan di tahun 1920-an, Anda memiliki rata-rata hampir 70 tahun, sebelum perusahaan lain mengganggu Anda. Kehidupan yang cukup mudah menurut standar saat ini, karena hari ini, sebuah perusahaan hampir tidak punya waktu 15 tahun sampai gangguan mengancam keberadaannya. Diperkirakan sekitar 40 persen dari perusahaan Fortune 500 saat ini, sehingga pada S&P 500, tidak akan ada lagi dalam waktu 10 tahun. Pada tahun 2027, 75 persen S&P 500 akan diganti, sehingga waktu paruh yang dihadapi organisasi hari ini, sebelum harus khawatir tentang gangguan, benar-benar menyusut. Perusahaan yang sukses harus tetap unggul dalam perlombaan inovasi digital itu.
Saat ini, tidak ada yang benar-benar mempertanyakan analitiknya. Ini inti dari transformasi bisnis digital itu. Bahkan, organisasi menempatkan inovasi digital tepat di kepala strategi mereka. Perusahaan-perusahaan itu, mereka adalah lima perusahaan paling berharga di dunia, mewakili nilai pasar dua triliun dolar, Jen.
Jen Underwood: Ya, ini luar biasa, sungguh. Ini benar-benar berubah, dan cepat. Dinamika lain yang kita miliki dan kita sudah membicarakan ini, sekarang saya pikir kita akhirnya melihatnya dan organisasi merasakan pertumbuhan eksponensial dari sumber data, dan bahkan bukan hanya menganalisis data pada sumber data terstruktur lagi. Sekali lagi, kita berbicara tentang, Anda hanya memiliki momen dalam beberapa proses digital ini untuk membuat keputusan dan hal-hal ini datang dalam JSON dari REST API, kita sedang berbicara tentang data yang tidak terstruktur, apakah file log, ada segala macam dari berbagai jenis data, serta pertumbuhan konstan yang ekstrem.
Nick Jewell: Ya, Jen, seperti yang Anda tunjukkan, para pemimpin analitik tenggelam dalam lautan data. Mendapatkan wawasan bernilai tinggi, mungkin menggunakan campuran teknik analitik yang ada atau yang baru, benar-benar tujuan akhir, tetapi ada masalah sederhana dan mendasar yang banyak dihadapi oleh organisasi, yang mereka hadapi. Kami menugaskan Harvard Business Review, kami melakukan survei, berbicara dengan analis data dan manajer bisnis. Mereka bertanya berapa banyak sumber data yang mereka gunakan dalam organisasi mereka untuk membuat keputusan, dan cukup jelas, ada perubahan mendasar hanya dalam beberapa tahun terakhir. TI digunakan untuk menggabungkan data, mendorongnya ke gudang data, tapi saya kira terlepas dari semua pekerjaan luar biasa yang telah dilakukan kelompok TI, menciptakan manajemen data terpusat, analis masih dihadapkan dengan tugas untuk menciptakan kumpulan data analitik tertentu, tetapi mereka perlu jawab pertanyaan bisnis. Faktanya, hanya 6 persen yang memiliki semua data mereka di satu tempat, dan mayoritas analis harus menarik data dari lima sumber atau lebih - hal-hal seperti spreadsheet, aplikasi cloud, media sosial dan tentu saja, tidak melupakan gudang data itu.
Sekarang, sebagian besar organisasi mengenali hal ini, tetapi apa yang kebanyakan organisasi tidak hadapi adalah fakta sederhana bahwa para profesional data menghabiskan lebih banyak waktu mereka untuk mengatur dan mencari data, daripada mereka yang sebenarnya mengekstraksi nilai. Ini bukan masalah analitik strategis profil tinggi yang ingin didengar eksekutif bisnis. Tetapi tidak mengatasi masalah mendasar akan mencegah organisasi, benar-benar, untuk mencapai wawasan yang didorong oleh nilai. Jen?
Jen Underwood: Itu menarik. Saya sudah pasti melihat studi yang berbeda tentang ini dan ini adalah bagian ini, apakah itu 80 persen waktu atau triliunan dolar memperbaiki kembali data yang sama berulang-ulang, sangat tidak efisien dalam suatu organisasi. Ini bertambah, 37 ini dan 23 persen ini sangat membuang-buang waktu. Sungguh menakjubkan bagi saya bahwa lebih banyak perhatian tidak dibayarkan untuk itu.
Melihat beberapa di antaranya, apa yang saya sebut kekuatan pasar, dan sering kali saya berbicara tentang tren industri, saya suka mengikuti industri ini dan terus-menerus mempertahankannya. Sangat penting untuk memahami kapan sesuatu lebih dari sekedar tren, ketika itu benar-benar akan menjadi kekuatan yang perlu Anda perhatikan, dan ini adalah tiga teratas saat ini, kekuatan yang harus diperhatikan. Ini pertumbuhan yang cepat ini, nomor satu adalah pertumbuhan cepat dari basis data non-relasional. Saya baru saja menyebutkan seluruh konsep ini karena tidak punya banyak waktu untuk bertanya, per se, JSON, ini adalah jenis skenario non-relasional, yang sedang tumbuh cukup - saya pikir saya punya beberapa statistik di sini - cepat.
Hal lainnya adalah pergeseran yang berkelanjutan ke cloud. Sebelum panggilan yang saya sebutkan saya adalah manajer produk di seluruh dunia di salah satu perusahaan teknologi besar dan memiliki percakapan yang sulit tiga tahun lalu dengan kelompok-kelompok yang mengatakan, “Kami tidak akan memasukkan apa pun di awan. Kami tidak akan pindah ke cloud. ”Dan, sangat menarik melihat grup setahun kemudian, dua tahun kemudian, sekarang saya mendengar dari grup yang sama, bahwa setiap orang memiliki rencana cloud. Saya pikir semua orang adalah pernyataan ekstrim yang sangat luas, tetapi apa yang akan saya katakan adalah, orang-orang yang anti-cloud, tentu saja sikapnya telah berubah secara dramatis, dalam waktu yang sangat singkat, bahkan sejak saya berbicara dengan kelompok di seluruh dunia tentang hal-hal semacam ini.
Otomasi, ini adalah area yang membuat saya terpesona dan area yang tentu saja kami saksikan banyak aktivitas dan aktivitas hebat. Kami membicarakan beberapa hal dengan membuang waktu dan penggunaan waktu Anda yang tidak efisien. Otomasi tentu saja merupakan salah satu bidang yang paling saya sukai ketika saya berpikir tentang membawa nilai bagi suatu organisasi.
Slide berikutnya yang akan saya bicarakan, ini adalah studi oleh IDC, mereka melihat segmen pasar dan pertumbuhan dan itu benar-benar cara yang bagus untuk mengambil denyut nadi pada apa yang benar-benar tumbuh, apa yang dibeli rekan-rekan Anda? Apa jenis hal yang tidak mereka sukai lagi? Jenis-jenis hal dan menempatkan ke dalam strategi mereka.
Menurut IDC, pasar perangkat lunak analitik data besar di seluruh dunia memiliki 16 segmen dan bahkan dalam arti segmen kita sedang melihat beberapa perubahan nama. Ada tambahan perangkat lunak analitik terus menerus, platform perangkat lunak AI kognitif, sistem pencarian, sehingga ada beberapa kategori baru yang ditambahkan di sini. Tinjauan pasar ini mencakup hampir semua alat horisontal, aplikasi yang dikemas sebelumnya serta beberapa dukungan keputusan dan otomatisasi kasus penggunaan. Sekali lagi, ini akan menjadi jenis solusi, ketika Anda berpikir tentang CDO, menempatkan dalam konteks CDO, portofolio mereka yang mungkin mengelola dari integrasi data hingga analisis visualisasi, pembelajaran mesin dan semua jenis kemampuan yang mereka butuhkan miliki di era digital.
Pasar dunia sendiri untuk jenis solusi ini tumbuh 8, 5 persen dalam mata uang saat ini dan pasar keseluruhan tumbuh 9, 8 persen menurut IDC. Ini dibandingkan dengan - Anda melihat fluktuasi mata uang selama periode beberapa tahun dan tingkat variasinya minimal, tetapi tiga segmen teratas yang saya soroti, hanya untuk memberi Anda perasaan terhadap sumber data analitik non-relasional, 58 persen pertumbuhan tahun-ke-tahun, analisis konten dan sistem pencarian adalah 15 persen dan beberapa aplikasi hubungan pelanggan, hal-hal tipe CRM atau Salesforce Einstein, misalnya, mereka tumbuh lebih dari 10 persen, mereka 12 persen sekarang. Saya pikir Nick ingin menambahkan beberapa komentar juga untuk yang satu ini.
Nick Jewell: Terima kasih, Jen. Visual yang fantastis. Saya pikir di Alteryx kami selalu percaya bahwa persiapan dan pencampuran data akan selalu menjadi kompetensi inti, saya kira, dari sistem analitik apa pun, tetapi itu benar-benar fondasi bagi analitik yang lebih maju. Sekarang, selama beberapa tahun terakhir, mari kita bicara tentang industri - mungkin agak terlalu fokus pada beberapa kemampuan visualisasi interaktif baru. Mereka terlihat cantik karena mereka meningkatkan keterlibatan, mereka mendorong wawasan, tetapi mereka tidak benar-benar menggerakkan kita melampaui analitik deskriptif.
Tapi, saya kira sekarang bahwa orang-orang menetapkan pandangan mereka sedikit lebih tinggi, organisasi mulai memahami nilai-nilai bisnis akan datang dari analitik yang lebih canggih yang baru saja masuk ke arus utama. Pertanyaannya menjadi, bagaimana, atau lebih spesifik, siapa? Ini melonjak ke analisis bernilai lebih tinggi; itu benar-benar membuang masalah kekurangan bakat analitik menjadi bantuan yang cukup tajam, apakah Anda setuju?
Jen Underwood: Tentu saja, dan saya pernah, saya pikir saya baru saja mentweet, saya melihat komentar yang sangat menarik tadi malam dari wakil presiden Adobe mengatakan, "Pembelajaran mesin telah menjadi taruhan meja, " di mana orang-orang dulu waspada, sekarang menjadi suatu kebutuhan dan itu menarik. Melihat ini dan hanya sudut kecil yang berbeda, per se. Banyak orang, kita mulai melihat ini sebagai area pertumbuhan tinggi dengan toko analitik non-relasional dan AI kognitif, pembelajaran mesin ini, analitik bernilai tinggi ini. Tetapi masih pada akhirnya, sekarang segmen terbesar, jadi di mana sebagian besar pembelian terjadi hari ini, masih dalam dasar ini, apa yang akan saya katakan, pelaporan kueri, beberapa analisis visual, dan itu masih terus berkembang dan itulah sesuatu yang banyak orang anggap sudah memilikinya - belum tentu. Masih tumbuh 6, 6 persen setiap tahun.
Sebagai CDO - dan saya suka menunjukkan slide ini - pada dasarnya hanya untuk mengatakan, ketika Anda berjalan ke peran baru ini atau Anda sedang mencari data di suatu organisasi, itu kacau, dan saya pikir slide khusus ini benar-benar melakukan pekerjaan bagus - ini semua area potensial berbeda yang mungkin Anda miliki datanya. Mereka mungkin ada di tempat, mungkin berada di awan, mungkin hybrid, ada di mana-mana dan itu sangat besar - sekali lagi, ini adalah peran tipe C-level sekarang dalam organisasi, dan itu bukan tugas yang sederhana atau sederhana - di dunia khusus ini untuk menghadapi, itu cukup luar biasa di kali. Inilah dunia yang harus dinavigasi oleh CDO ini, untuk dapat dikuasai, apa yang akan saya katakan, memaksimalkan nilai data.
Melanjutkan tantangan, memaksimalkan nilai dari semua sumber yang berbeda dan apa yang kita miliki adalah waktu penutupan ini, dengan proses digital ini atau wawasan untuk bertindak semakin dekat. Jika Anda berpikir tentang mungkin lima tahun yang lalu, sepuluh tahun yang lalu, mungkin Anda akan memiliki laporan bahwa Anda akan berlari untuk membuat beberapa keputusan dengan inventaris atau tindakan, yang mungkin berjalan mingguan, bulanan, kemudian menjadi harian atau semalam, mungkin itu per jam.
Sekarang, apa yang kami lihat adalah pembelajaran mesin cerdas ini menggunakan kantor kecerdasan buatan, membuat keputusan dan koreksi di tempat, bahkan hal-hal seperti internet, analitik yang tertanam IoT di ujungnya, sistem ini cerdas dan algoritma ini dapat mengatur sendiri dan mengubah beberapa keputusan yang mereka buat di tempat pada saat yang tepat. Sangat menarik untuk melihat dinamika khusus ini dengan revolusi digital dan titik-titik sentuh ini - meskipun mereka telah meningkat, waktu untuk bertindak terus menurun dan teknologi kemudian berkembang untuk skenario ini.
Nick Jewell: Ya, Jen, saya pikir salah satu aspek yang paling menarik tentang bagaimana penyampaian wawasan berubah, adalah tempat analitik sampai kepada pengguna akhir. Apakah kita meminta pengguna untuk melompat ke dashboard ketika mereka membuat keputusan kritis, atau kita mengatakan bahwa wawasan, tindakan terbaik berikutnya, tersedia langsung dalam proses, dalam alur, untuk mendorong keunggulan kompetitif itu? Dan model analitik yang sedang kita bicarakan mungkin perlu mengambil input dari banyak sumber yang berbeda - gudang data tradisional, geolokasi, media sosial, sensor, clickstream - semua data ini memiliki pengaruh pada keputusan dan hasil yang dapat ditindaklanjuti .
Jen Underwood: Melanjutkan tema tantangan dan perubahan ini, apa yang kita miliki sekarang, dan tantangan yang perlu dihadapi oleh CEO dan merencanakan cara untuk menaklukkan ini, pada dasarnya kita memiliki terlalu banyak data untuk dikelola secara efisien dan dianalisis secara manual. Ada penundaan lama; kita perlu mempersingkat keterlambatan ini dan kita perlu menemukan cara untuk memaksimalkan nilai data yang kita miliki. Ada kekurangan bakat ilmu data di dunia dan untuk menutupi wawasan ini dan apa yang kita sebut lautan sebagai data. Berita baiknya adalah, ada beberapa inovasi luar biasa yang terjadi untuk membantu di setiap bidang saat ini, dan semakin menarik melihat apa, ke mana teknologi akan membawa kita, untuk membantu kita menghadapi tantangan ini.
Ketika saya terus melihat ini, ada sedikit kebingungan ketika saya berbicara dengan pelanggan atau saya berbicara dengan kelompok menggunakan beberapa alat ini. Beberapa tantangan klasik masih ada sampai sekarang, hanya saja semakin diperburuk dengan mencoba mencari data untuk dianalisis. Beberapa alat pencarian, beberapa katalog di luar sana pasti membantu - sekarang yang kami temukan adalah katalog mana yang akan digunakan. Ada beberapa katalog yang berbeda, jadi ada tempat berbeda yang dapat Anda simpan dan bagikan data, jadi cobalah mencari tahu, mungkin katalog yang harus kita cari.
Hal lainnya adalah berbagi secara kolaboratif. Kami berbicara tentang salah satu studi dari Harvard Business Review, berapa banyak waktu yang dihabiskan, pada dasarnya melakukan tugas-tugas yang tidak bernilai tambah, membuang-buang waktu dan seberapa mahal itu bisa terjadi. Jika Anda secara kolaboratif dapat berbagi dan menggunakan sumber data umum, skrip telah dikembangkan, logikanya sudah ada di sana, Anda dapat mengaturnya secara efektif, sehingga menyeimbangkan tata kelola dengan kelincahan analitik, itulah yang sebenarnya ingin Anda lakukan. dan menavigasi dunia ini dari apa yang saya sebut, kami memiliki alat niche, kami memiliki alat alur kerja otomatis, kami memiliki Excel klasik, katalog data, BI swalayan, alat ilmu data. Seperti yang ditunjukkan oleh satu gambar itu, ada banyak, banyak alat dan banyak tumpang tindih di antara mereka.
Nick Jewell: Ya, sempurna, Jen, dan saya pikir jendela wawasan, seperti yang Anda sebutkan, sudah pasti menyusut, tetapi waktu yang diperlukan untuk benar-benar menggunakan model tidak mengikuti. Pemasangan model prediktif terus menjadi tantangan utama bagi banyak perusahaan. Kami telah berbicara dengan Carl Rexer yang merupakan Presiden Rexer Analytics, dan dalam survei ilmu data Carl 2017, ia menemukan bahwa hanya 13 persen ilmuwan data yang mengatakan bahwa model mereka selalu dikerahkan, dan rasio penyebaran ini tidak membaik, jadi kami kembali dengan setiap survei sebelumnya. Bahkan, kembali ke 2009, ketika pertanyaan pertama kali diajukan, dan kami melihat hasil yang hampir sama, jadi kami punya celah nyata.
Jen Underwood: Ketika kita melihat kematangan analitik, kemajuannya cepat. Sekali lagi, dua, tiga tahun yang lalu, kami sangat bersemangat untuk memiliki analisis layanan mandiri visual dan akhirnya menjadi fleksibel dan memperluas BI ke massa, per se. Ketika saya katakan massa, mungkin masih memberdayakan pengguna dalam suatu organisasi. Sekarang kita melihat optimisasi, analitik prediktif, pembelajaran mendalam, bahasa alami, banyak teknologi lain yang benar-benar, ketika mereka dimasukkan ke dalam proses sehari-hari, akhirnya akan benar-benar mendemokratisasikan analitik dengan sangat mulus bagi massa, untuk massa sejati untuk digunakan dalam proses bisnis yang sudah ada yang mereka miliki.
Nick Jewell: Ya, Jen, mari kita bicara cerita singkat tentang kategori terakhir itu, jika saya bisa. Sebagian besar pendengar yang dipanggil hari ini akan terbiasa dengan perangkat lunak Google DeepMind's AlphaGo, mengalahkan beberapa pemain Go terbaik di dunia selama beberapa tahun terakhir. AlphaGo belajar memainkan game dengan mempelajari volume besar dari pertandingan yang direkam sebelumnya. Sedemikian rupa sehingga para komentator turnamen AlphaGo mengklaim bahwa perangkat lunak itu dimainkan dengan gaya Grand Master Jepang, percaya atau tidak.
Tapi, selama sebulan terakhir, hasil yang hampir mengejutkan dilaporkan. Ini adalah AlphaGo Zero, pembelajaran mendalam, jaringan saraf, dipersenjatai dengan tidak lebih dari aturan sederhana permainan dan fungsi yang dioptimalkan. Ia belajar sendiri untuk menjadi pemain Go terkuat di dunia, tanpa pelatihan yang diawasi, dan melakukan semua ini dalam waktu sekitar 40 hari. Pembelajaran penguatan ini, di mana manusia mendefinisikan tantangan, membiarkan sistem pembelajaran yang dalam mengeksplorasi, meningkatkan, benar-benar dapat menghasilkan dampak terbesar dalam ruang analitik. Jadi, kurasa, tetap disini.
Jen Underwood: Ya, itu benar-benar menarik Anda sebutkan itu. Bisakah Anda bayangkan pengecualiannya? Dan inilah yang mulai saya lihat. Sungguh, ketika saya berbicara tentang otomatisasi, sangat menarik untuk solusi menjadi cukup pintar untuk membersihkan udara, untuk belajar dari sistem secara otomatis, plug and play dan hanya tahu apa yang harus dilakukan selanjutnya berdasarkan pada beberapa keputusan masa lalu yang telah atau keputusan lain yang telah dibuat dalam organisasi dan telah mengelola beberapa sistem ini, sistem ETL dan merawatnya, dan memiliki jalan kembali pada hari itu, penyeranta dan telepon memanggil saya dengan peringatan ketika proses tidak berjalan, sangat menarik untuk berpikir, "Wow, sekarang cukup pintar untuk menyembuhkan diri sendiri."
Suami saya mengelola kotak penyembuhan sendiri, kami akan memiliki integrasi data penyembuhan diri sendiri, analitik penyembuhan diri dan di mana itu menjadi lebih baik dan lebih baik, itu benar-benar menarik. Sebagai CDO, ketika Anda mulai berpikir tentang teknologi proses orang, kita akan melihat, sekarang kita sedang melihat teknologi, maka kita akan melihat orang-orang dan bagaimana cara pendekatan membangun tim Anda dan membangun keterampilan. Jika Anda melihat platform analitik modern, saya akan segera memberi tahu Anda, tidak semua orang akan memiliki semuanya di sini, meskipun organisasi terbesar mungkin memiliki semua komponen yang berbeda ini, per se, beberapa kelompok mungkin hanya memiliki dua atau tiga kotak kecil di sini, jadi saya tidak ingin membebani orang dengan ini. Tetapi platform BI modern tidak perlu selalu membangun TI, lapisan semantik pelaporan yang telah ditentukan sebelumnya.
Para pengguna dan para ahli harus benar-benar hanya diberdayakan untuk hanya menyiapkan data untuk kecepatan dan kelincahan analitis, dan jika Anda berpikir tentang bangkitnya apa yang akan kita katakan analitik yang dipimpin pengguna dan pakar, membiarkan kelincahan para ahli subjek memiliki kelincahan, mereka perlu membuat keputusan cepat. Kita melihat peningkatan adopsi dari apa yang akan kita katakan, alat persiapan data pribadi, perselisihan data, pengayaan, pembersihan, jenis kegiatan yang dilakukan Alteryx serta beberapa aktivitas tipe ilmu data yang mereka tawarkan sebagai baik. Solusi persiapan modern, mereka menawarkan sambungan cerdas, otomatis, resolusi udara, pergeseran data, ketika Anda memiliki pipa data besar itu sangat, sangat keren. Ini mungkin, sekali lagi, salah satu bidang yang saya sukai dan sangat menikmati pengujian di industri ini.
Tidak seperti BI yang dipimpin oleh TI tradisional, TI saat ini benar-benar berfokus pada memungkinkan bisnis dan Anda memiliki orang-orang seperti CDO dan menyusun atau memilih solusi yang tepat untuk mengatur, mengatur dan menyatukan data ini dan memastikan, tentu saja, itu diatur, kan? Satu hal yang sangat menarik bagi saya dan tentu saja saya pikir kami telah menyimpulkan hal ini, tetapi saya tidak berpikir kami baru saja mengatakannya, hari-hari gudang data satu-ukuran-cocok untuk semua dan yang menjadi akhir-semua-semua, sudah pasti berakhir. Data ada di mana-mana, Anda perlu membuat - danau data telah muncul, ada streaming dan data langsung, ada begitu banyak sumber data sekarang, ini benar-benar lebih dari kasus penggunaan, "Apa yang Anda butuhkan?" "Kita harus memasukkan semuanya ke dalam gudang data." Aku tidak yakin, Nick, apakah Anda ingin mengomentari yang ini? Saya tidak ingat.
Nick Jewell: Saya hanya akan mengatakan satu hal dan itu saja, perhatikan evolusi komponennya. Apa yang dilakukan para ahli lima hingga sepuluh tahun yang lalu, kini ada di tangan pengguna, sehingga hal-hal di sisi kanan sana, akan lebih lazim bagi pengguna dalam bentuk bebas-seret dan jatuhkan kode, dalam waktu dekat. Ini akan bergerak lebih cepat dan lebih cepat, jadi awasi saja itu.
Jen Underwood: Ya, itu poin yang sangat bagus. Saya suka memikirkan hal itu. Ilmu data yang berbeda, akhirnya menjadi kenyataan dan alat menjadi jauh lebih baik. Berpikir tentang teknologi, sekarang kita perlu memiliki keterampilan dan orang-orang dan apa yang perlu kita lakukan? Saat ini pekerjaan terbaik, mereka termasuk judul seperti ilmuwan data, insinyur data dan analis bisnis, namun yang kami temukan adalah bahwa pengusaha sendiri merasa sangat sulit untuk membuat pertandingan. Bahkan di ruang persiapan data, saya akan mengatakan, "Apakah ini persiapan data, apakah ini perselisihan data, istilah apa yang orang menyebutnya?" Sangat menarik untuk ditemukan.
Bisnis tidak tahu apa yang mereka butuhkan dan ada bidang baru yang muncul ini yang akan menjangkau berbagai bidang. Jika Anda melihat semua orang sekarang perlu menguasai data mereka, analisis bisnis, manajer proyek TI, suami saya yang mengelola jaringan listrik dan portofolio proyek, ia harus dapat menganalisis ini. Bukan hanya keuangan dan analisis data lagi, itu benar-benar berkembang lebih luas, ke area lain dari organisasi. Saya pikir saya melihat sebuah penelitian tentang berapa banyak sumber data yang digunakan pemasaran, dan itu luar biasa. Sekali lagi, ketika Anda berpikir tentang studi yang dilakukan oleh Harvard Business Review, bukan hanya satu sumber data lagi yang harus disatukan orang dan digabungkan bersama untuk menemukan wawasan, banyak sumber data dan dibutuhkan keterampilan untuk melakukannya.
Ketika Anda melihat pada dasarnya gambaran yang lebih besar di sini, sebagian besar karyawan baru akan berada di gelembung merah muda ini ke arah bawah, ketika Anda berbicara tentang analis bisnis ini dengan analis penambangan data, manajer SDM, area ini, hanya peran reguler di dalam garis bisnis menggunakan data. Peran yang paling cepat berkembang akan memiliki lebih sedikit pekerjaan, tetapi tentu saja apa yang paling banyak kita dengar di pasar saat ini, ilmuwan data dan insinyur data. Sebagai CDO, mereka melihat ke depan dan Anda merencanakan talenta, Anda perlu mempertimbangkan beberapa otomatisasi tugas rutin dan jenis keterampilan yang akan lebih strategis, dan sekali lagi, menambah nilai dengan organisasi Anda, untuk keduanya mereka yang di analytics diaktifkan tetapi juga untuk ilmu data dan orang-orang insinyur data di sana. Pertimbangkan bagaimana posisi Anda yang belum diposkan dan bahkan beberapa ekonomi freelance dapat berubah ketika Anda memikirkannya untuk bersaing untuk yang terbaik dan tercerdas.
Dan, selalu berpikir tentang saluran bakat Anda juga, membantu kandidat menavigasi pasar atau mencari hal-hal yang mungkin sedikit berbeda dan tidak persis seperti yang Anda inginkan dan membuat kursus analisis internal, yang mungkin bukan yang tercepat, paling strategi hemat biaya bagi Anda untuk mengikutinya. Pertimbangkan untuk melihat orang-orang yang berdedikasi untuk melatih tentang ini atau kelompok yang berbeda, dan saya percaya Alteryx memiliki kursus yang direkomendasikan di akhir sesi hari ini sebagai ajakan untuk bertindak, bahwa Anda dapat memanfaatkan beberapa hal ini dan membantu tim Anda memanfaatkan beberapa sumber daya yang ada yang sudah tersedia.
Nick Jewell: Tentu saja. Ada begitu banyak cara untuk mengisi celah bakat itu tanpa terjebak dalam perlombaan senjata. Beberapa slide kembali, saya tidak tahu apakah Anda dapat membalikkan pasangan di sana. Kaggle, situs kompetisi sains data, mereka baru saja merilis survei dengan 17.000 tanggapan di sekitar keadaan sains data dan ada tanggapan yang sangat menarik dari survei di sekitar keterampilan yang dimiliki orang, dan mayoritas responden tidak memiliki gelar PhD, itu bukan prasyarat lagi.
Gagasan bahwa para ahli analisis generasi mendatang, bahwa gelembung besar yang baru saja Anda tunjukkan, mereka dapat memperoleh pengetahuan yang mereka butuhkan dari kursus tingkat nano. Mereka dapat pergi ke situs-situs seperti Udacity dan mereka dapat menyebarkan pengetahuan ini segera, langsung dalam bisnis, siklus pengiriman yang berfokus pendek menjadikan mereka sumber langsung kemajuan kompetitif bagi perusahaan mereka. Jadi sesuatu yang harus diwaspadai, saya pikir.
Jen Underwood: Tidak, saya setuju. Bahkan jika saya berpikir tentang hal itu, itu pasti datang jauh sejak saya mengambil program dua tahun di UCSD. Ini kembali, saya pikir, pada periode 2009, 2010 dan benar-benar mungkin ada beberapa di negara ini yang memungkinkan Anda untuk melakukan itu. Secara umum ada lebih banyak pilihan sekarang, serta program khusus, apakah itu melalui vendor, banyak sumber daya yang tersedia saat ini dengan loop dan semua sumber daya online yang berbeda ini, sungguh menakjubkan, ini benar-benar waktunya. Buat waktu dan anggarankan itu dan jadwalkan diri Anda untuk mengikuti. Apa yang ingin kamu pelajari? Dan kemudian mengikuti jalan yang ingin Anda pelajari.
Berbicara tentang melihat ini dan menyusun rencana keterampilan Anda sendiri dan dari calon CDO, memastikan bahwa mereka memiliki orang-orang di bidang yang dicakup, dari apa yang saya katakan kerangka kerja kompetensi per se, melihat keterampilan atau melihat hal-hal seperti pengetahuan domain masih sangat penting, meskipun solusi ini dapat melatih sendiri dan belajar sendiri, itu benar-benar ahli materi pelajaran bisnis yang akan memandu dan memastikan bahwa hasilnya masuk akal.
Selalu ada sesuatu dan saya suka menggunakan contoh ketika saya melakukan analisis kritis untuk perusahaan asuransi dan salah satu temuan bahwa algoritma tidak mempekerjakan orang dari New York. Ya, tidak, kami tidak akan mempekerjakan siapa pun dari New York - kami harus mencari tahu mengapa algoritma memberi kami informasi ini. Itu karena hukum, salah satu hukum telah berubah dan jadi kami memiliki banyak churn di segmen tertentu. Seorang ahli materi pelajaran bisnis perlu dibawa untuk menguraikan itu, dan saya tidak melihat perubahan itu, saya tidak melihat pedoman semacam itu, memastikan bahwa hasilnya terlihat akurat, apakah ada sesuatu yang terlihat - itu masih, ada sesuatu yang dikatakan sebagai pikiran manusia, keindahan yang dikombinasikan dengan kekuatan mesin, benar-benar ke mana kita pergi.
Jenis-jenis hal lain ketika Anda melihat keterampilan, visualisasi, menceritakan kisah yang efektif dalam data, menceritakan kisah yang efektif apakah itu bahkan hasil pembelajaran mesin. Menyatukan dan melihat apa dampaknya, memahami sifat manusia dari pengambilan keputusan, hal-hal semacam itu sangat penting terlepas dari teknologi. Pemerintahan sangat penting, etika menjadi semakin penting. Dengan melibatkan ilmuwan sosial, yang mengerti dan mereka dilatih untuk melihat apakah ada bias dalam data Anda yang Anda bahkan tidak sadari atau tidak memiliki siapa pun dalam organisasi yang bahkan mungkin tidak mengenalinya, bahkan membawanya ke ahli, Memiliki jenis-jenis hal.
Dan lagi, tentu saja memiliki infrastruktur untuk rekayasa dan perangkat keras dan memastikan Anda dapat meningkatkan skala dan itu dikembangkan dan memastikan Anda menggunakan penyedia cloud yang tepat, mungkin Anda tidak terkunci di dalam atau bahwa Anda memiliki opsi untuk pindah atau yang Anda memahami harga berapa biaya ini. Ini adalah jenis ketrampilan ini dan ketika Anda melihatnya, kami akan menyebutnya ketrampilan oleh bidang yang berbeda, apakah itu pembuat keputusan garis depan yang digerakkan oleh data - di mana sebagian besar peran ini akan berada - sampai ke para insinyur data dan ilmuwan data yang akan memijat dan bekerja di lautan data ini. Ini adalah jenis hal yang Anda ingin menyusun kerangka kerja untuk.
Melihat kerangka kompetensi, Anda melihat organisasi secara umum, Anda ingin mempertimbangkan kompetensi, bukan hanya keterampilan. Ada sedikit nuansa di sana di kata-kata saat Anda melihat ini. Kerangka kerja kompetensi untuk organisasi Anda adalah sinyal yang jelas. Pembuat kebijakan perang, penyedia pendidikan, sementara keterampilan akan dikatakan, diketik di bawah R, Anda berpikir tentang hal-hal semacam itu, Anda memiliki pembuat kode yang kompeten, tetapi Anda ingin ingin memiliki lebih dari sekadar keterampilan itu. Ketika Anda memahami kompetensi, apa yang harus mampu dilakukan seseorang dan memahami kerangka kerjanya, itulah yang penting, ada sedikit nuansa di sana.
Ketika Anda sedang membangun ini, Anda ingin mendiagnosis apa yang Anda sebut kapasitas yang memiliki dampak positif pada bisnis dan menyoroti bidang-bidang berpotensi tinggi, sehingga Anda memprioritaskan kompetensi apa yang ingin Anda tingkatkan dalam organisasi Anda dan kemudian sejajarkan lagi, dengan tujuan bisnis. CDO yang bertanggung jawab untuk memaksimalkan nilai data, mereka akan melihat, dan CAO mereka, yang akan menggunakan analitik untuk memaksimalkan nilai data. Mereka akan melihat kompetensi-kompetensi itu dan bidang-bidang yang berbeda itu, pada jaringan masa lalu yang saya miliki di sana, tetapi kemudian mereka juga akan melihat potensi staf yang tinggi. Anda akan referensi silang dengan staf Anda untuk data dan analisis bekerja dan berinvestasi di dalamnya, memberikan mereka kesempatan belajar dan bukan hanya pelatihan, pada dasarnya peluang dunia nyata bekerja pada masalah bisnis nyata.
Tidak ada yang lebih baik - meskipun saya pergi ke sekolah selama beberapa tahun, tidak sampai saya pergi dan menerapkan beberapa algoritma ini atau belajar tentang penipuan penipuan, belajar tentang beberapa hal yang tidak pernah saya pikirkan sebelumnya, dan Anda mulai menyatukan di dunia nyata dan di situlah Anda benar-benar belajar. Memberi orang-orang kesempatan untuk mendapatkan pengalaman di bidang ini. Perusahaan-perusahaan yang paling mampu membangun kemampuan yang kuat, yang mengidentifikasi secara sistematis, penilaian obyektif dan melihat di mana ada celah dalam organisasi saya untuk belajar dan menempatkan beberapa metrik di tempat untuk tujuan untuk orang-orang, mereka adalah orang-orang yang akan dapat mengantarkan.
Ketika Anda berpikir tentang melatih orang dewasa, sekali lagi, biasanya ini adalah waktu yang kelaparan - kita semua waktu kelaparan - tetapi melihat apa yang berhasil untuk masing-masing. Saya pribadi punya buku, jadi jika Anda datang ke kantor saya hari ini, Anda akan melihat banyak buku, meskipun banyak orang suka video. Jadi itu masalah mencari tahu, bagaimana seseorang di organisasi Anda suka belajar - memotivasi mereka untuk belajar - tetapi juga memberi mereka waktu untuk melakukan itu dan tujuan semacam - apa yang efektif untuk mencapai itu dan biasanya itu dicampur, bukan hanya, mengambil kursus untuk memeriksa tanda itu pada kartu skor, per se, itu menyatu dengan proyek tujuan nyata dan apa yang Anda pelajari dari proyek itu dan apa yang ingin Anda lakukan selanjutnya? Apa itu peregangan? Meregangkan tim Anda atau memotivasi tim Anda untuk melangkah lebih jauh.
Tujuan pembelajaran itu, sekali lagi, jika Anda melakukan itu, itu seharusnya tidak benar-benar, itu harus mudah bagi bisnis pada dasarnya karena tujuan-tujuan itu harus selaras dengan kepentingan bisnis strategis. Ini adalah proyek hebat. Itu proyek eksperimental. Mereka adalah proyek yang akan menggerakkan jarum ke depan.
Nick, apakah Anda ingin menambahkan sesuatu? Saya tidak yakin.
Nick Jewell: Tidak, saya akan terjun ke studi kasus, jika tidak apa-apa, di layar berikutnya. Sedikit lebih detail dari organisasi tertentu. Saya kira mereka sudah banyak mempraktikkan apa yang Anda katakan, menjadi kenyataan. Ford Motor Company mengandalkan analisis data selama beberapa dekade, seperti halnya banyak perusahaan, tetapi ia melakukannya dalam kantong bisnis, dengan pengawasan yang mungkin sangat sedikit di seluruh perusahaan untuk memastikan konsistensi dan koordinasi. Masalah mereka mungkin cukup khas untuk organisasi dengan skala mereka, sehingga keahlian analitik yang terkandung - seperti yang kita katakan - di dalam saku, manajemen data, dan praktik tata kelola menjadi tidak konsisten, bahkan ke titik di mana beberapa unit bisnis tidak memiliki akses ke keahlian analitik dasar.
Sekali lagi, kita telah berbicara hari ini tentang banyak jenis sumber data yang berbeda, mereka memiliki lebih dari 4.600 sumber data. Itu berarti bahkan memulai perjalanan dan menemukan data yang mereka butuhkan adalah hambatan nyata bagi wawasan analitis. Saya melihat Anda tertawa, tetapi itu hal yang mengerikan, bukan?
Jen Underwood: 4.600, ya ampun, ya.
Nick Jewell: Jadi, Ford membentuk unit wawasan dan analisis global dan ini dipusatkan - Anda dapat menyebutnya pusat keunggulan - yang terdiri dari tim ilmuwan dan analis data, yang diorganisir untuk membagikan praktik terbaik analitis dan membantu menyebarkan data yang dioptimalkan dengan didorong oleh data pembuatan data di seluruh bisnis. Unit ini memilih alat terbaik di kelasnya, tidak hanya pada kemampuan tetapi juga pada kemampuan mereka untuk berintegrasi dengan baik, jadi itu cukup penting. Fokus demokratisasi mereka sebenarnya adalah seputar laporan dan analisis deskriptif, sebelum menaikkan piramida kebutuhan yang telah kita bicarakan.
Sekarang, demokratisasi tidak hanya membuat seseorang menjadi ilmuwan data dalam semalam; staf perlu tahu kapan dan di mana mendapatkan bantuan, dan ada pelatihan, tata kelola, metodologi yang tersedia untuk membantu semua ini. Juga, ini bukan hanya tentang pelatihan alat, tetapi juga pelatihan ilmu data, untuk menjembatani kesenjangan keterampilan yang telah kami sebutkan. Jadi, kasus penggunaan dunia nyata di Ford, mengoptimalkan jaringan logistik, jadi apakah Ford membayar jumlah yang tepat untuk memindahkan material dari titik A ke titik B? Analisis warisan mereka benar-benar tidak menyoroti peluang yang dapat ditindaklanjuti; ini membuat mereka sangat reaksioner di pasar. Sekarang, banyak kerumitan untuk proses itu terkunci di dalam kepala analis dan mereka membuat terobosan besar ketika alur kerja swalayan benar-benar diulangi dengan bisnis, dan para ahli analitik duduk bersama dan berada di lokasi yang sama.
Ini memindahkan analisis dari multi-tahun ke triwulanan, dan bahkan turun ke waktu nyata, manfaat yang sangat besar bagi bisnis. Dampak analitik swalayan pada nilai bisnis, telah ada bahwa Ford dapat dengan cepat merencanakan dan membangun strategi berbasis data perusahaan, untuk menanggapi tren yang muncul, membantu membentuk layanan baru, dan pada dasarnya mencegah ancaman dari kompetisi, tanpa hanya harus melihat di kaca spion itu.
Sekarang, jika kita melihat sejenak bagaimana pelanggan lain benar-benar memindahkan analitik dari mungkin prioritas vertikal dalam satu divisi perusahaan menjadi garis horizontal di semua divisi, kita akan berbicara tentang Shell. Shell menjalankan pusat keunggulan yang melapor ke chief digital officer - jadi ada D lain untuk playbook CxO kami - yang bertanggung jawab untuk transformasi digital dan keberlanjutan. Orang-orang ini, mereka mengerti bahwa lingkungan mereka mengandung beberapa lapisan dan tumpukan teknologi, penyimpanan, pemrosesan data, dan semuanya fitur teknologi yang Anda semua akan kenal. Hal-hal seperti SAP HANA, Databricks, Spark, dan mereka memanfaatkan cloud publik untuk mencapai skala ekonomi yang tepat.
Sekarang, mereka memilih Alteryx sebagai pembungkus analitik untuk banyak kode R mereka, memasukkan teknologi seperti Spotfire, Power BI dan banyak lagi. Tetapi sekarang mereka melihat adopsi mengikat lebih dekat dengan pemrosesan data dan visualisasi. Jen, hanya memanggil kembali ke slide Anda dari semua kemampuan itu, hal semacam ini menyebar ketika kami mulai memungkinkan lebih banyak analis untuk memiliki akses. Anda tahu, mereka sangat sukses dalam memberikan kemampuan ini dan COE, mencari untuk memberikan kemampuan masa depan sekarang, beberapa dari hal-hal pembelajaran mendalam yang kita bicarakan - visi mesin, pemrosesan bahasa alami - dan setengah dari misi mereka adalah pengiriman, setengahnya adalah tentang menjelaskan dan mengatalisasi ide-ide ini di seluruh unit bisnis. Itu bagian dari perjalanan; COE selalu mencari cara berbeda untuk berkomunikasi dengan audiens bisnis mereka.
Mempertimbangkan skeptis yang mengatakan, "Ya, kotak hitam ini tidak akan sebagus analis saya, " sampai ke fanboy atau penggila yang melihat korelasi di mana-mana, mungkin kurang dalam hal hubungan sebab akibat, tetapi Anda harus berhati-hati di kedua sisi. Ini adalah jalan tengah yang menarik, ketika Anda memiliki garis horizontal di seluruh organisasi, bahwa rangkaian keterampilan hibrida yang diperlukan untuk membujuk kedua sisi spektrum.
Nick Jewell: OK, Jen, apakah Anda di sana?
Jen Underwood: Saya.
Nick Jewell: Saya kira apa yang ingin kami katakan di sini dengan kutipan Clayton Christensen ini adalah bahwa bagi banyak organisasi, saya kira, menyatukan agenda analisis untuk mendorong transformasi digital yang telah kita bicarakan hari ini, akan menjadi tantangan. Lebih sering daripada tidak, kami menemukan tim analitik dimulai dengan tangan yang lemah. Mencoba untuk berinovasi dengan peninggalan lama dari proses analitik, teknologi, struktur tim dan berpegang pada peninggalan ini akan menjadi penghalang terbesar untuk penyelarasan analitik dan untuk inovasi analitik. Apakah Anda punya pemikiran tentang itu, Jen?
Jen Underwood: Saya menikmati gambar yang dipilih. Ya, tentu sangat masuk akal bagi saya. Anda harus merangkul beberapa teknologi baru ini, misalnya, streaming secara real time. Anda tidak harus dapat memperoleh hasil waktu-nyata jika Anda harus melakukan penyegaran JavaScript di peramban, misalnya, dengan warisan lama - mungkin itu adalah aplikasi dasbor atau hal-hal semacam itu. Ya, Anda harus merangkul beberapa alat baru ini, dan sekali lagi, saya pikir gambar ini benar-benar lucu, sebuah gambar mengatakan ribuan kata. Troli dan kereta, Anda harus melepaskan beberapa pendekatan teknologi lama.
Nick Jewell: Tentu saja. Jadi, jika kita pindah ke slide berikutnya, kami pikir ada cara yang lebih baik. Saya kira pertama-tama, menggunakan sesuatu yang mirip dengan pencarian mirip Google, untuk dengan cepat menemukan semua aset data Anda yang paling relevan. Memahami konteks mereka, memahami ketergantungan, memfaktorkan hal-hal yang sangat sederhana seperti glosarium bisnis yang ditulis oleh para ahli di komunitas Anda, tetap hidup dengan semua pengetahuan kesukuan dari kepala rekan kerja Anda.
Menjadi pintar dengan penemuan data. Pikirkan tentang kemampuan untuk melakukan percakapan dengan pemilik laporan dan pakar. Mengunggah, melakukan sedikit Trip Advisor atau Yelp, mengunggah aset yang paling berguna, mensertifikasi aset yang menurut organisasi paling berharga dan kemudian semua ini memberi makan kembali ke hasil pencarian dan akhirnya peringkat pencarian, menjadikannya lebih baik untuk pengguna selanjutnya. Setelah Anda menemukan apa yang Anda cari, pindah ke fase persiapan, analisis yang cepat, bebas-pengguna, ramah dan untuk mengembangkan set data sempurna Anda, dari mana untuk mempublikasikan proses berulang.
Kembali ke percakapan otomatisasi kami, buat aplikasi yang ramah pengguna. Apa pun yang diperlukan untuk membangun model analitis. Berbicara tentang model, kami telah mendukung teknologi open-source seperti R selama beberapa tahun, memungkinkan kami untuk membangun kemampuan analitik yang benar-benar canggih yang mencakup analitik deskriptif, tetapi juga prediktif, dalam analisis yang sederhana, seret-dan- jatuhkan jalan.
Sekarang, ke sisi kanan, benar-benar mendapatkan wawasan itu ke dalam visualisasi interaktif, model dan penilaian didorong ke dalam platform data, atau yang terbaru, membuat wawasan itu tersedia secara instan dan langsung dalam proses bisnis. Saya pikir ini adalah serangkaian kemampuan di seluruh platform yang memungkinkan kita untuk diakui sebagai pemenang Penghargaan Emas dalam Survei Pilihan Pelanggan Gartner Peer Insights tahun ini, yang merupakan pencapaian luar biasa. Saya sangat menyarankan Anda mengunjungi situs Gartner untuk mencari tahu lebih banyak dan menambahkan suara Anda sendiri dan menambahkan komentar Anda sendiri.
Keren, jadi, Jen, jika kita lewati satu slide lagi - saya kira saat kita menyimpulkan, saya ingin memberi Anda semua beberapa langkah selanjutnya. Pertama-tama, silakan kunjungi Alteryx.com untuk mengunduh salinan ringkasan penelitian terbaru kami, yang dikoordinasikan dengan International Institute of Analytics (IIA), untuk memecahkan masalah analitik. Anda juga dapat mengunjungi udacity.com/alteryx untuk mempelajari lebih lanjut tentang cara mengaktifkan tim Anda, untuk mengambil langkah berikutnya dalam perjalanan mereka, dengan analitik tingkat lanjut nano dan akhirnya mengalami Alteryx sendiri. Kunjungi beranda, unduh evaluasi berfitur lengkap dan mulai bergabung dengan sensasi penyelesaiannya.
Jen, ke arahmu. Kita mungkin punya waktu untuk tanya jawab.
Eric Kavanagh: Saya hanya akan berpadu dengan sangat cepat. Kami punya beberapa pertanyaan. Saya akan melemparkan satu, saya kira, kepada Anda terlebih dahulu, Nick, dan kemudian Jen, jika Anda ingin mengomentarinya, tetapi tentu saja memiliki lebih banyak penerapan ke Uni Eropa dan itu adalah GDPR yang terkenal, Peraturan Perlindungan Data Global. Bagaimana hal itu memengaruhi Alteryx dan peta jalan Anda serta apa yang Anda fokuskan?
Nick Jewell: Sangat banyak tukang, saya kira, itu ada di luar sana sekarang. Banyak orang membicarakannya, banyak orang cukup khawatir, tetapi ini benar-benar hanya yang pertama dari serangkaian peraturan panjang yang akan masuk ke dunia data dan analitik. Sungguh, dari sudut pandang kami, ini tentang memahami dan mengklasifikasikan data Anda. Memastikan sebagai CxO, dengan rasa tertentu, Anda tahu di mana aset Anda berada, Anda tahu konteksnya dan Anda tahu Anda bisa mempercayai mereka sebagai langkah pertama untuk benar-benar hanya mengatur dan mengelola data dalam konteks yang lebih luas.
Eric Kavanagh: Saya kira saya akan mengajukan pertanyaan lain kepada Anda sebelum kami membawa Jen kembali, Nick, dan itu adalah, data pelatihan, jika seseorang meminta agar data mereka dihapus dari perusahaan Anda, itu berpengaruh bukan hanya nama mereka, alamat dan sebagainya, tidak hanya informasi kontak mereka, tetapi juga, jika suatu algoritma menggunakan data pelatihan yang mencakup data Anda, Anda seharusnya melatih ulang algoritma, bukankah itu benar?
Nick Jewell: Ini sangat kompleks. Saya pikir gagasan bahwa tidak hanya database sebagai sumber dari beberapa informasi yang dapat diidentifikasi secara pribadi ini, tetapi juga alur kerja analitik, aplikasi, visualisasi. Data ini ada di mana-mana dengan sebuah organisasi, sehingga memiliki konteks itu: sangat vital.
Eric Kavanagh: Dan Jen, apa pendapat Anda? Jelas, ini bukan masalah besar di AS dan kami tidak melihat terlalu banyak perusahaan resah sekarang, meskipun secara teknis itu berlaku di sini. Jika sebuah perusahaan AS memiliki data warga negara Uni Eropa, apa pendapat Anda tentang pentingnya GDPR dan seberapa besar kesepakatannya?
Jen Underwood: Ya, saya pikir itu membutuhkan penanganan data yang bertanggung jawab. Saya telah menulis tentang ini beberapa kali dan memiliki beberapa pedoman tentang beberapa hal ini. Saya pikir pertanyaan yang Anda tanyakan tentang algoritma menarik. Tentu saja, beberapa solusi yang saya lihat hari ini, beberapa tim produk mereka telah merancang fitur sehingga Anda dapat melihat bagaimana mereka membuat keputusan dan data pribadi apa yang digunakan untuk memutuskan hasil dari algoritma itu. Kami melihat beberapa dampak dalam desain produk di Amerika Serikat.
Banyak perusahaan teknologi memiliki kantor yang sangat besar di sini dan tim pengembangan di Amerika Serikat maupun di seluruh dunia, jadi kami melihatnya pada pengembangan produk. Saya melihat lebih banyak katalog data yang diinvestasikan. Lebih banyak inisiatif pemerintah yang diputar sehingga orang mengerti, dan mereka memahami di mana semua data itu berada dalam kekacauan. Mencoba merangkul mereka setidaknya mengaturnya, dapat menemukannya dan melakukan sesuatu dengannya.
Eric Kavanagh: Saya akan mendorong slide ini yang telah kita bicarakan sebelumnya dan melemparkan ini kepada Anda, Nick. Saya pikir ini adalah slide yang fantastis karena, bagi saya, itu benar-benar berbicara tentang perlunya analitik. Apa pendapat Anda tentang dinamika yang berubah ini? Maksud saya, intinya adalah bahwa perusahaan harus gesit dan saya melihat analitik memimpin muatan itu. Bagaimana menurut anda?
Nick Jewell: Ini menarik. Saya pikir selalu ada - perusahaan dan teknologi selalu ada di tiga negara, jadi itu akan menjadi perang, perdamaian atau keajaiban. Perang akan menjadi tentang tingkat persaingan yang berat. Keajaiban adalah semua hal baru yang Anda buat di atas platform. Lalu damai sebelum kompetisi dan perang dimulai lagi. Saya pikir selalu ada pertempuran ini berlangsung.
Sebelum panggilan hari ini, kami berbicara tentang beberapa konferensi dan catatan penting lainnya yang terjadi di seluruh dunia saat ini. Beberapa vendor cloud besar, mereka telah mencapai titik di mana mereka membangun platform ini dan sekarang mereka sedang membangun hal-hal baru yang hebat di atasnya. Perusahaan harus benar-benar memperhatikan hal ini dan memastikan mereka pergi dengan sesuatu yang memiliki platform yang koheren yang akan memberikan nilai itu untuk masa depan. Mereka akan menjadi orang-orang yang akan selamat dari gangguan ini.
Eric Kavanagh: Ya, itu poin yang bagus, dan Anda tahu, Jen, Anda berkomentar sebelumnya, bahkan sebelum pertunjukan, tentang strategi cloud dan berapa banyak orang yang Anda kenal di industri mengatakan bahwa perusahaan besar, bahkan bank, semua sekarang memiliki strategi cloud. Saya agak terkejut dengan berapa lama waktu yang dibutuhkan untuk mewujudkannya, dan saya kira mungkin beberapa dari mereka pergi ke Konferensi Reinvent AWS dan menyadari betapa masifnya itu dan menarik kesimpulan bahwa waktunya telah tiba. Apa pendapat Anda tentang kesadaran di kalangan eksekutif bisnis besar tentang impor cloud dan bagaimana hal itu mengubah perencanaan mereka?
Jen Underwood: Ketika saya berpikir tentang dunia data berskala besar ini, dapat mengelolanya, saya pikir pada beberapa tingkatan ada beberapa ketenangan pikiran dengan memiliki salah satu perusahaan yang sangat besar mengambil tanggung jawab untuk beberapa aspek keamanan, jadi ada ketenangan pikiran di sana. Anda tahu ada skala terbatas dengan cloud.
Hal lainnya adalah, dan saya melihatnya, saya berada di sebuah tim yang mengembangkan kembali suatu produk di cloud dan itu jelas merupakan produk yang tidak diunggulkan dan tidak ada yang memperhatikannya, dan dalam waktu dua tahun, karena rilis mingguan dan bahkan, Saya akan mengatakan, itu hampir sampai ke titik rilis harian di cloud. Saya tahu bahwa Amazon mengatakan bahwa mereka merilis beberapa kali per hari. Ketika Anda memiliki ancaman itu, ketika pesaing Anda dapat merilis dan meningkatkan setiap hari, apa pun yang mereka lakukan, setidaknya di industri perangkat lunak - dan semua orang benar-benar di industri perangkat lunak ketika Anda mulai melihat transformasi digital - itu adalah hal lain. ballgame dan siapa pun dapat memunculkan awan dan skala dan menjadi besar.
Sekali lagi, itu akan menjadi data yang mereka manfaatkan yang akan membuat perbedaan dan kecerdasan dalam algoritma mereka, dan itulah sebabnya orang-orang berbicara tentang data menjadi minyak baru atau data menjadi emas. Ketika saya melihat cloud, itu adalah game changer, itu benar-benar memungkinkan pengembangan dan skala yang sangat, sangat cepat. Luar biasa.
Eric Kavanagh: Saya akan membawa Anda kembali, Nick, untuk pertanyaan lain - kita akan pergi sebentar ke sini jika kita bisa membahas beberapa pertanyaan ini, tetapi, seingat saya, lima dan enam dan mungkin bahkan tujuh tahun lalu, Alteryx benar-benar seorang inovator dalam meningkatkan data pihak ketiga - jadi membawa data dari sumber-sumber seperti Experian, misalnya, atau data geospasial. Saya pikir itu mungkin keuntungan strategis karena hal semacam itu ada dalam DNA di Alteryx, kan? Ketika perusahaan bergerak menuju cloud, saya pikir kalian memiliki banyak pengalaman untuk bisa menjembatani dunia-dunia itu. Dunia data pihak ketiga dan berbasis cloud ayat di atas, bagaimana menurut Anda?
Nick Jewell: Ya, tentu saja. Konektivitas utama akan menjadi permainan yang sangat kuat bagi perusahaan mana pun yang akan bekerja di lingkungan berbasis cloud ini. Tetapi saya akan mengatakan, ketika kita berbicara tentang sesuatu seperti infonomi, gagasan bahwa informasi dan data harus dianggap sebagai aset di perusahaan Anda. Sebagian besar nilai yang akan Anda bawa adalah mengambil sumber data eksternal, memadukannya dan memperkaya mereka dengan sumber internal Anda, untuk menciptakan dan menghasilkan uang lebih banyak nilai dalam proses tersebut. Sangat penting untuk bekerja dengan data internal dan eksternal secara merata.
Eric Kavanagh: Ya, itu poin yang bagus. Saya pikir seluruh dunia cloud hybrid ini akan tetap ada. Jen, aku hanya akan memberikan ini padamu untuk beberapa komentar penutup, mungkin. Bagi saya, memiliki pandangan strategis dan mampu menyatukan karena istilah baru menggambarkan data di seluruh sumber, itu akan menjadi faktor penentu keberhasilan di masa depan, bukan?
Jen Underwood: Tidak, tentu saja, dan itu lucu, saya mendengar hibrida ini, hibrida, hibrida. Anda mendengar tentang ini dan empat tahun yang lalu Anda berpikir tentang Hadoop, Hadoop dan data besar dan kemudian Anda mulai mendengar hibrida, hibrida, jadi sudah pasti ada di sana, kami belum tentu, ini adalah tahun pembelajaran mesin, tidak ada satupun. Maksudku, kecerdasan buatan, pembelajaran mesin telah mengambil panggung tahun ini, tetapi untuk benar-benar berfungsi dalam organisasi saat ini yang sedang dalam perjalanan ke cloud atau yang harus berurusan dengan semua sumber data cloud yang berbeda ini, mungkin Salesforce atau Hari kerja, semua jenis sumber berbeda yang hidup di cloud, satu-satunya cara Anda dapat mengatasinya adalah menjadi hibrida. Anda tidak dapat menyalin data di mana-mana, jadi Anda harus dapat terhubung langsung dan Anda perlu menemukan cara untuk bekerja dengan data yang berlokasi di mana-mana, menemukan data di mana-mana, karena itu adalah kenyataan di mana kami berada di tempat yang tepat. sekarang.
Eric Kavanagh: Saya pikir saya akan lalai jika saya tidak membawa kembali pembelajaran mesin ke dalam percakapan, jadi, Nick, saya hanya akan melemparkannya kepada Anda. Saya tahu bahwa Anda berfokus pada hal itu sekarang - dapatkah Anda berbicara tentang di mana Anda melihat pembelajaran mesin menyelaraskan dengan analitik dan dengan jenis sistem yang kami gunakan untuk memahami bisnis kami dan data kami?
Nick Jewell: Ya, tentu. Jadi, secara singkat, mari kita cepat kembali ke celah keterampilan kita. Gagasan bahwa kita memiliki organisasi yang benar-benar penuh dengan pengguna Excel yang kuat. Kami memiliki data yang didapat para ilmuwan, tetapi tidak tumbuh pada tingkat yang sama. Ada kesenjangan besar antara keduanya. Pikirkan di mana pembelajaran mesin hari ini. Berapa banyak algoritme yang kami miliki di ponsel atau arloji kami yang menggabungkan teknik pembelajaran mesin? Itu adalah komoditas, ada di mana-mana. Kita perlu mengaktifkan pengguna daya ini dengan cara yang sesederhana mungkin untuk memastikan mesin diterapkan dengan sukses di seluruh bisnis.
Eric Kavanagh: Saya akan melemparkan yang terakhir kepada Anda, mungkin. Kami punya beberapa pertanyaan datang terlambat, di sini. Jen, aku akan bertanya yang ini. Seorang peserta mengomentari seluruh konsep pembelajaran tanpa pengawasan ini dan faktanya Anda benar-benar membutuhkan data pelatihan untuk melakukan hal-hal itu dan biasanya bahwa data pelatihan perlu spesifik untuk perusahaan. Meskipun dalam industri ada banyak korelasi, ada banyak cara di mana organisasi serupa. Meskipun demikian, setiap perusahaan adalah unik, apakah itu model bisnisnya atau pendekatannya terhadap pemasaran atau penjualan, atau apa pun masalahnya, pengembangan produk.
Pertanyaannya menjadi, apakah algoritma ini dapat menggunakan data pihak ketiga untuk pelatihan? Menurut saya, Anda akan selalu perlu menggunakan data Anda sendiri untuk melatih algoritma ini, bahkan jika waktu siklus itu runtuh dari enam bulan - yang telah menjadi kasus dalam beberapa kasus - hingga 40 hari atau 20 hari, apa pun yang terjadi. kasus mungkin. Anda benar-benar harus menggunakan data Anda sendiri dan Anda harus memastikan bahwa data itu cukup bersih, bukan?
Jen Underwood: Ini benar-benar campuran. Anda akan ingin memiliki konteks eksternal. Bahkan, saya memesan hari ini kembali ke belakang dan webinar saya berikutnya berbicara tentang mempersiapkan dan membersihkan data, ironisnya untuk pembelajaran mesin. Apa yang benar-benar kuncinya adalah Anda menyusun konteks eksternal dengan organisasi Anda, dan saya senang Anda bertanya tentang persiapan dan pembersihan data, karena jujur, beberapa alat menjadi sangat, sangat bagus - mereka dapat menangani beberapa aspeknya, tetapi pikiran manusia, atau mampu menguraikan masalah dan melihat dan memastikan bahwa mereka belum dihilangkan - katakan bahwa kita memiliki semacam bias kelalaian. Cara Anda melihat masalah dan cara Anda memilih untuk merancang masalah yang Anda otomatisasi atau keputusan yang Anda otomatisasi, ada seni untuk itu dan memastikan bahwa itu secara akurat mencerminkan proses bisnis itu.
Kembali ke contoh saya dengan perusahaan asuransi, ketika kami menjadi model churn dan siapa yang akan dipekerjakan untuk mengikuti pelatihan yang disponsori ini untuk menjual asuransi; dalam model itu sendiri bukan iklim hukum, undang-undang yang berbeda untuk negara bagian yang berbeda. Akan selalu ada beberapa aspek, di mana Anda harus memiliki data eksternal dengan data internal Anda dan, sekali lagi, pikiran manusia. Akan ada komponen yang berbeda di sana.
Eric Kavanagh: Saya pikir Anda menyampaikan poin yang sangat bagus di sini. Kami terus mendengar tentang robot, mesin, dan pembelajaran mesin yang mengambil alih. Bagi saya, ini adalah tren yang sangat mengganggu - tidak ada keraguan tentang itu - tapi saya tidak pernah melihat kebutuhan manusia dalam campuran akan hilang, terutama dengan analisis pada data, pada data perusahaan.
Nick, satu pertanyaan terakhir untukmu. Bagi saya, tidak peduli seberapa bagus algoritme yang didapat, Anda akan selalu membutuhkan orang untuk memantau apa yang terjadi, menyuntikkan diri mereka pada waktu yang ditentukan dan benar-benar mensintesis gambaran besar dari apa yang ada di luar sana. Saya tidak berpikir algoritma apa pun akan dapat mensintesis gambaran besar untuk perusahaan Fortune 2000, tetapi bagaimana menurut Anda?
Nick Jewell: Baiklah, mari kita ambil contoh yang sepenuhnya non-Alteryx, mari kita bicara tentang Uber dari tahun lalu. Uber, selama insiden teroris di Australia, orang-orang yang berusaha melarikan diri dari daerah itu, tiba-tiba mereka menaikkan harga, 'karena itulah yang dikatakan algoritma, menyebabkan kerusakan reputasi yang sangat besar. Segera setelah itu, mereka mengimplementasikan manusia dan algoritma bekerja bersama. Kapan saja ini akan terjadi, manusia harus memiliki pengawasan terhadap proses tersebut. Kemitraan manusia dan algoritma itu, itulah jalan ke depan.
Eric Kavanagh: Wow, itu contoh yang bagus, terima kasih banyak. Baiklah, teman-teman, kami telah menghabiskan lebih dari satu jam di sini di webcast kami. Terima kasih banyak untuk Jen Underwood dari Impact Analytics. Tentu saja terima kasih banyak kepada Nick Jewell dan Tim Alteryx untuk waktu dan perhatian mereka dan untuk Anda semua atas waktu dan perhatian Anda. Kami menghargai pertanyaan-pertanyaan hebat ini. Kami mengarsipkan semua siaran web ini untuk ditonton nanti, silakan bagikan dengan teman dan kolega Anda. Dengan itu, kami akan mengucapkan selamat tinggal. Webcast luar biasa hari ini. Terima kasih banyak lagi, kami akan menyusul Anda lain kali, kawan. Hati hati. Sampai jumpa.
