Oleh Staf Techopedia, 25 Agustus 2016
Takeaway: Host Rebecca Jozwiak membahas fenomena analitik tertanam dan ilmuwan data warga dengan Dr. Robin Bloor, Dez Blanchfield dan David Sweenor.
Anda harus mendaftar untuk acara ini untuk melihat video. Daftar untuk melihat videonya.
Rebecca Jozwiak: Hadirin sekalian, halo dan selamat datang di Hot Technologies. "Tanamkan Di Mana Saja: Mengaktifkan Ilmuwan Data Warga" adalah topik kami hari ini. Saya mengisi untuk tuan rumah biasa Anda, ini Rebecca Jozwiak mengisi untuk Eric Kavanagh. Ya, tahun ini panas. Khususnya istilah "ilmuwan data" telah mendapatkan banyak perhatian meskipun kami dulu menyebut mereka nama-nama yang membosankan seperti "ahli statistik" atau "ahli analisis, " cukup banyak menangani jenis kegiatan yang sama tetapi ada nama baru yang seksi dan itu mengumpulkan banyak perhatian. Mereka sangat diinginkan untuk memiliki di tempat kerja, bermanfaat bagi organisasi, dan semua orang menginginkannya. Tetapi mereka adalah: 1) mahal, 2) sulit ditemukan. Anda tahu, sudah ada di seluruh berita tentang kekurangan keterampilan data ilmuwan, ya, tapi tetap saja mereka menawarkan nilai yang luar biasa bagi organisasi dan orang-orang agak tergesa-gesa mencari cara untuk mendapatkan nilai itu tanpa harus melepaskan uang receh, jadi untuk berbicara.
Tetapi kabar baiknya adalah kita melihat alat dan perangkat lunak keluar yang semacam kompensasi untuk kekurangan itu. Kami memiliki otomatisasi, pembelajaran mesin, analisis tertanam, yang akan kami pelajari hari ini, dan ini memunculkan istilah baru ini, "ilmuwan data warga, " dan apa artinya itu? Tidak, ini bukan ilmuwan data terlatih Anda, bisa saja pengguna bisnis Anda, pakar BI Anda, seseorang dari IT, seseorang yang memang memiliki latar belakang tetapi mungkin belum tentu ahli. Tetapi apa yang dilakukannya, alat-alat ini dan perangkat lunaknya, adalah memberi lebih banyak orang akses ke solusi cerdas itu meskipun mereka mungkin tidak mengetahui pengkodean yang mendalam. Tetapi itu hanya membantu meningkatkan kinerja secara keseluruhan ketika Anda memberi semua orang sedikit lebih banyak akses ke pemikiran analitis itu. Anda tidak harus mengikuti pelatihan untuk memiliki tipe rasa ingin tahu yang dapat menghasilkan wawasan yang baik untuk perusahaan Anda.
Membahas bahwa bersama kami hari ini adalah Robin Bloor kami sendiri, kepala analis di Bloor Group, salah satu ilmuwan data yang sulit dipahami sendiri, Dez Blanchfield memanggil, dan kemudian kami memiliki David Sweenor dari Dell Statistica yang akan memberikan presentasi kepada kami hari ini. Dan dengan itu saya akan memberikannya kepada Robin Bloor.
Robin Boor: Oke, terima kasih untuk perkenalan itu. Saya agak memikirkan hal ini dalam konteks sejarah. Apa yang sebenarnya kita lihat di sini adalah salah satu desain Leonardo da Vinci untuk jenis peluncur yang bisa diletakkan seorang pria di punggungnya. Saya tidak tahu apakah itu akan berhasil. Saya tidak akan membahasnya, harus saya katakan. Namun, da Vinci, setiap kali saya berpikir tentang da Vinci, saya menganggapnya sebagai salah satu orang yang paling ingin tahu dan analitis yang pernah ada. Dan cukup jelas jika Anda hanya melihat peluncur itu yang dirancang atas dasar sayap burung dan ia dengan satu atau lain cara mempelajari penerbangan burung untuk membuatnya.
Jika kita mengambil perspektif historis - saya benar-benar melihat ini - analitik mungkin merupakan aplikasi matematika tertua. Ada sensus yang berasal dari zaman Babilonia. Kami tahu tentang ini karena pada dasarnya ada beberapa tablet paku yang memiliki data seperti itu pada mereka. Tidak diketahui apakah ada sesuatu yang kembali lebih awal. Tetapi yang jelas adalah Anda memiliki peradaban dengan populasi besar orang, itu sebenarnya membutuhkan perencanaan dan ada baiknya mengetahui apa yang Anda rencanakan dan apa persyaratan orang-orang itu sebenarnya.
Dan di situlah awal mulanya dan juga di mana komputasi dimulai karena komputer awal, komputer mekanik awal, sebenarnya, saya pikir yang pertama adalah sensus yang dibuat oleh Hollerith, yang menjadi IBM, saya percaya. Semua ini telah bergerak maju. Ada semacam jeda antara mungkin tahun 1970-an dan hari ini, di mana ada sejumlah besar aplikasi dan analitik lainnya, bisa dibilang, mengambil kursi belakang. Ya, ada analisis yang terjadi - itu terjadi di organisasi besar, terutama bank dan perusahaan asuransi, dan sebenarnya General Electric dan telekomunikasi dan hal-hal seperti itu - tetapi itu tidak umum digunakan di seluruh bisnis dan sekarang mulai digunakan secara umum di seluruh bisnis. Dan itu mengubah permainan, sungguh. Hal pertama yang saya pikir saya akan menarik perhatian adalah piramida data, yang sangat saya sukai. Maksud saya, saya menggambar ini 20 tahun yang lalu - setidaknya 20 tahun yang lalu - untuk mencoba dan memahami, sungguh, pada saat itu, saya sedang mencoba memahami BI dan beberapa penambangan data awal yang sedang dilakukan. Apa yang saya definisikan di sini adalah gagasan tentang data dan contohnya adalah sinyal, pengukuran, rekaman, peristiwa, transaksi, perhitungan, agregasi, titik informasi individu. Anda mungkin menganggapnya sebagai molekul informasi, tetapi itu adalah poin individual. Ini menjadi informasi begitu mendapat konteks. Data yang ditautkan, data terstruktur, basis data, visualisasi data, komplotan, perencana, dan ontologi - semuanya memenuhi syarat dalam pikiran saya sebagai informasi karena apa yang telah Anda lakukan adalah mengumpulkan banyak variasi bersama-sama dan menciptakan sesuatu yang lebih dari sekadar titik data, sesuatu yang sebenarnya memiliki bentuk, bentuk matematika.
Di atas itu kita memiliki pengetahuan. Kita dapat, dengan memeriksa informasi, kita dapat belajar bahwa ada berbagai pola dan kita dapat memanfaatkan pola-pola itu dengan merumuskan aturan, kebijakan, pedoman, prosedur, dan kemudian mengambil bentuk pengetahuan. Dan hampir semua program komputer, apa pun yang mereka lakukan, adalah sejenis pengetahuan, karena mereka bekerja melawan data dan menerapkan aturan kepada mereka. Kami memiliki tiga lapisan ini dan ada peningkatan yang terjadi di antara lapisan. Dan di sebelah kiri diagram ini Anda diperlihatkan data baru masuk, jadi banyak dari hal-hal ini bersifat statis. Data terakumulasi, informasi terakumulasi dan pengetahuan berpotensi tumbuh. Di atas, kita memiliki "Memahami" dan saya akan mempertahankan, meskipun itu adalah argumen filosofis, bahwa pemahaman hanya berada di dalam manusia. Jika saya salah tentang itu, maka kita semua akan digantikan oleh komputer pada suatu saat. Tapi daripada berdebat, saya akan melanjutkan ke slide berikutnya.
Ketika saya melihat ini, hal yang menarik, ini adalah sesuatu yang baru, hal yang menarik adalah mencoba dan mencari tahu apa sebenarnya analitik itu. Dan akhirnya dengan menggambar berbagai diagram dan berakhir dengan yang tampak seperti ini, saya sampai pada kesimpulan, pada kenyataannya, pengembangan analitik benar-benar hanya pengembangan perangkat lunak dengan sejumlah besar rumus matematika. Eksplorasi analitik sedikit berbeda dengan pengembangan perangkat lunak dalam arti bahwa Anda benar-benar akan mengambil banyak, banyak model yang berbeda dan menyelidikinya untuk menghasilkan pengetahuan baru tentang data. Tapi begitu Anda membuatnya, itu akan diimplementasikan baik dalam apa yang saya anggap sebagai dukungan keputusan pasif, yaitu informasi yang hanya diberikan kepada pengguna; dukungan keputusan interaktif, yang merupakan hal-hal seperti OLAP, di mana pengguna diberikan satu set data terstruktur yang mereka dapat selidiki dan menyimpulkan hal-hal untuk diri mereka sendiri dengan menggunakan berbagai alat yang tersedia. Banyak visualisasi seperti itu. Dan kemudian kita memiliki otomatisasi jika Anda dapat mengubah beberapa wawasan analitis yang telah Anda kumpulkan menjadi seperangkat aturan yang dapat diterapkan, Anda tidak perlu melibatkan manusia untuk terlibat. Itulah cara saya memandangnya ketika saya melakukan semua itu. Dan berbagai hal mulai terjadi pada saya. Begitu suatu bidang kegiatan, harus kita katakan, begitu suatu domain data benar-benar ditambang, ditambang secara menyeluruh, dieksplorasi secara menyeluruh melalui setiap arah yang mungkin, pada akhirnya itu hanya menjadi BI yang mengkristal. Pengetahuan yang ditemukan mulai menjadi pengetahuan yang menginformasikan berbagai pengguna dengan berbagai cara, dan meningkatkan kemampuan mereka, semoga, untuk benar-benar melakukan pekerjaan yang mereka lakukan.
Salah satu hal yang saya perhatikan dan saya telah melihat analitik prediktif selama sekitar lima tahun, tetapi analitik prediktif menjadi BI, dalam arti bahwa itu hanya berubah menjadi informasi yang berguna untuk memberi makan kepada orang-orang dan seperti yang telah saya tunjukkan, ada pelaporan BI otomatis, BI eksploratif, BI, gradasi yang sangat berbeda, dan analitik prediktif benar-benar berjalan di ketiga arah. Dan proses analitis seperti yang saya tunjukkan tidak berbeda dengan pengembangan perangkat lunak, hanya dilakukan oleh orang yang berbeda dengan keterampilan yang sedikit berbeda. Saya kira saya harus menekankan bahwa keterampilan yang dibutuhkan untuk membuat data ilmuwan yang benar-benar baik memerlukan waktu bertahun-tahun untuk diperoleh. Mereka tidak mudah diperoleh dan tidak banyak orang dapat melakukannya, tetapi itu karena itu melibatkan pemahaman matematika pada tingkat yang sangat canggih untuk mengetahui apa yang valid dan apa yang tidak valid. Perkembangan Analytics, penemuan pengetahuan baru, implantasi analitik, ini tentang membuat pengetahuan operasional. Itulah jenis latar belakang yang saya lihat untuk seluruh analitik. Ini adalah area yang sangat luas dan ada banyak dimensi untuk itu, tapi saya pikir generalisasi berlaku untuk semuanya.
Lalu ada gangguan bisnis, seperti yang saya sebutkan ada sejumlah organisasi, perusahaan farmasi adalah satu lagi, yang dalam DNA mereka punya analitik. Tetapi ada banyak organisasi yang benar-benar tidak memilikinya dalam DNA mereka, dan sekarang mereka memiliki kemampuan, sekarang perangkat lunak dan perangkat kerasnya jauh lebih murah daripada sebelumnya, sekarang mereka memiliki kemampuan untuk mengeksploitasinya. Saya akan mengatakan beberapa hal. Hal pertama adalah analitik, dalam banyak kasus itu adalah R&D. Anda mungkin hanya menerapkan analisis pada area spesifik organisasi dan mungkin tampak biasa bahwa Anda dengan satu atau lain cara menganalisis pesanan pelanggan dari berbagai sudut pandang, menggabungkannya dengan data lain. Tetapi analitik sebenarnya menciptakan kemungkinan untuk melihat organisasi secara keseluruhan dan untuk menganalisis aktivitas tertentu yang terjadi di dalam organisasi dan seluruh rantai kegiatan. Tapi begitu Anda benar-benar pindah ke daerah itu, saya akan mempertahankan bahwa itu adalah penelitian dan pengembangan. Dan ada pertanyaan yang telah saya tanyakan beberapa kali, yaitu, “Berapa banyak yang harus dikeluarkan perusahaan untuk analitik?” Dan saya pikir cara terbaik untuk berpikir tentang memberikan jawaban adalah dengan memikirkan analitik sebagai R&D, dan tanyakan saja, "Berapa banyak yang akan Anda belanjakan untuk R&D di bidang efisiensi bisnis?"
Dan bisnis yang tidak menggunakan analitik, ada banyak hal yang tidak mereka ketahui. Pertama-tama, mereka tidak tahu bagaimana melakukannya. Biasanya jika mereka benar-benar pergi ke satu atau lain cara mengadopsi analitik dalam organisasi - mereka benar-benar tidak punya pilihan selain pergi ke konsultasi yang dapat membantu mereka dalam melakukan itu karena, itu tidak mungkin atau benar-benar sangat sulit bagi sebagian besar bisnis untuk benar-benar mempekerjakan ilmuwan data, menemukan satu, membayar untuk satu, dan benar-benar mempercayai mereka untuk melakukan apa yang Anda inginkan. Sangat sulit. Sebagian besar bisnis tidak tahu bagaimana merekrut atau mendidik staf untuk benar-benar melakukan pekerjaan ini, dan alasannya adalah karena belum ada dalam DNA mereka, jadi itu bukan bagian dari proses bisnis alami mereka. Ini memberi makan ke titik berikutnya. Mereka tidak tahu bagaimana membuatnya menjadi proses bisnis. Cara terbaik untuk melakukan itu, dengan cara, adalah menyalin apa perusahaan farmasi dan perusahaan asuransi, lihat saja, dan beberapa perusahaan di pusat perawatan kesehatan, lihat saja cara mereka menggunakan analitik dan menyalinnya. Karena itu adalah proses bisnis. Tidak tahu cara mengawasi atau mengauditnya. Itu benar-benar, terutama sekarang karena banyak sekali perusahaan perangkat lunak telah menciptakan produk yang mengotomatiskan banyak sekali analitik. Poin penting tentang audit adalah penting, ketika Anda memiliki konsultan atau seseorang di situs yang dapat dipercaya untuk memahami apa hasil dari perhitungan analitis, itu adalah jenis pilihan yang harus Anda buat, tetapi jika Anda memasukkan alat analitis yang sangat kuat ke dalam di tangan orang-orang yang tidak memahami analitik dengan baik, mereka cenderung melompat ke kesimpulan yang mungkin tidak benar. Dan seperti yang saya katakan, perusahaan tidak tahu bagaimana membuat anggaran untuk itu.
Ini adalah rasa analitik, saya akan membahasnya. Analitik statistik dan pemodelan statistik secara signifikan berbeda dengan analitik prediktif, yang sebagian besar omong-omong. Pembelajaran mesin berbeda dengan hal-hal itu, analisis jalur dan deret waktu, yang pada dasarnya dilakukan pada aliran status berbeda lagi. Analisis grafik berbeda lagi, dan analisis teks serta analisis semantik berbeda lagi. Ini hanya menunjukkan bahwa ini adalah hal yang sangat multi-genre. Bukan, Anda tidak mulai melakukan analisis, Anda mulai melihat masalah yang Anda miliki dan mencari berbagai alat dan berbagai rasa analitik yang sesuai dengan masalah tersebut. Dan akhirnya, jaring bersih. Karena evolusi perangkat keras dan perangkat lunak, menurut saya analitik masih dalam tahap awal. Masih banyak lagi yang akan datang dan kita akan melihatnya terbuka di tahun-tahun mendatang. Saya pikir saya bisa mengoper bola ke Dez sekarang.
Dez Blanchfield: Ya, bicara tentang tindakan sulit yang harus diikuti, Robin. Saya akan mengunjungi topik ini secara singkat dari salah satu sudut favorit saya, yang merupakan sudut pandang manusia. Ada begitu banyak perubahan yang terjadi dalam kehidupan kita sehari-hari. Salah satu gangguan terbesar dalam kehidupan kita sehari-hari, yang saat ini menurut saya, hanyalah pekerjaan sehari-hari. Muncul untuk bekerja dan berusaha melakukan pekerjaan yang Anda pekerjakan, dan semakin banyak harapan bahwa Anda akan beralih dari orang biasa menjadi pahlawan super dan jumlah informasi yang mengalir di sekitar organisasi dan memancarkan dengan sangat, sangat cepat, ini adalah tantangan yang signifikan dan semakin banyak kita harus menyediakan alat yang lebih baik dan lebih baik kepada orang-orang untuk mencoba dan mengatasi arus pengetahuan dan informasi dan jadi saya pikir saya akan mencoba dan datang pada ini dari sedikit dari sudut yang menyenangkan . Tapi, itu selalu mengejutkan saya bagaimana kita memiliki pikiran yang tinggi atau flash mob dan sebagainya, yang semacam mendorong kita menuju apa yang kita bicarakan sebagai analitik tetapi sebenarnya yang kita bicarakan adalah membuat informasi tersedia untuk orang-orang, dan memungkinkan mereka untuk berinteraksi dengannya dan melakukannya sedemikian rupa sehingga wajar dan terasa normal.
Dan faktanya, ini mengingatkan saya pada video YouTube tentang seorang anak kecil, bayi kecil, yang duduk di lantai dan duduk di sana bermain dengan iPad dan itu mengepak-ngepak dan menjepit dan meremas dan memindahkan gambar dan bermain dengan layar, data di sana. Dan kemudian orang tua mengambil iPad dan meletakkan majalah, majalah cetak di pangkuan anak. Dan anak ini mungkin berusia tidak lebih dari dua tahun. Anak itu mulai mencoba dan menggesek dengan layar majalah, dan mencubit dan menekan dan majalah tidak merespons. Anak itu mengangkat jarinya ke atas dan memandangnya dan berpikir, “Hmm, kurasa jari saya tidak bekerja, ” dan itu menusuk sendiri di lengan dan berpikir, “Ah tidak, jari saya bekerja, saya bisa merasakan lengan saya dan itu terlihat bagus, ”dan jari itu menggeliat, dan jari itu menggeliat dan merespons. Iya. Kemudian ia mencoba berinteraksi dengan majalah lagi, dan rendah dan lihatlah itu tidak terjepit dan terjepit dan gulir. Kemudian mereka mengambil majalah itu dan meletakkan iPad kembali di pangkuannya, dan tiba-tiba semuanya berhasil. Dan inilah bayi yang datang dan dilatih untuk menggunakan alat analitik atau alat streaming langsung untuk hiburan dan tidak bisa mengetahui bagaimana majalah harus bekerja dan bagaimana membalik halaman.
Dan itu konsep yang menarik. Tetapi ketika saya berpikir tentang pengetahuan yang bergerak di sekitar organisasi, dan cara data mengalir dan cara orang berperilaku, saya sering berpikir tentang konsep ini tentang apa yang orang pelajari sebagai flash mob, yang merupakan peristiwa di mana, dan apa yang dibuat oleh media sosial ini bahkan lebih mudah dilakukan, sebuah gagasan yang pergi ke tempat ini pada waktu dan tanggal dan aksi ini, atau video dan pelajari tarian-tarian ini, atau kenakan topi berwarna ini dan arahkan ke utara pada pukul satu. Dan Anda mendorong ini keluar melalui jaringan Anda, dan selalu banyak orang, ratusan dari mereka, muncul di tempat yang sama pada saat yang sama melakukan hal yang sama dan ada faktor wow ini, ini seperti, “Sapi suci, itu adalah benar-benar mengesankan! ”Tetapi sebenarnya itu adalah ide yang sangat sederhana, dan konsep sederhana baru saja didorong keluar melalui jaringan kami dan kami mendapatkan hasil ini yang merupakan hal yang menakjubkan secara visual dan sangat mengesankan. Dan ketika Anda berpikir tentang suatu organisasi, cara kita ingin orang berperilaku dan cara kita ingin mereka berurusan dengan sistem informasi dan pelanggan, sering kali sesederhana itu, itu adalah ide atau konsep atau sifat budaya atau perilaku yang kita coba lewati melalui dan memberdayakan dengan alat dan informasi.
Dan yang menopang semua itu adalah mantra yang saya miliki selama lebih dari dua setengah dekade dan itu adalah, jika staf Anda tidak dapat menemukan apa yang mereka butuhkan untuk melakukan pekerjaan mereka, baik itu alat atau informasi, selalu mereka akan menemukan kembali roda. Dan jadi ini adalah tantangan yang semakin meningkat sekarang, di mana kita punya banyak pengetahuan dan banyak informasi dan hal-hal yang bergerak sangat cepat, bahwa kita ingin menghentikan orang-orang menciptakan kembali roda. Dan ketika kita berpikir tentang lingkungan kerja kita, kembali ke sudut pandang orang, yang merupakan salah satu favorit saya, saya kagum ketika kami terkejut bahwa bilik bukanlah lingkungan yang kondusif untuk hasil yang baik, atau kami berbaris seperti ini mengerikan gambar di sini, dan itu tidak banyak berubah, hanya menurunkan dinding dan menyebutnya ruang kerja terbuka. Tetapi di tengah-tengah dengan lingkaran kuning di sekitar mereka, ada dua orang bertukar pengetahuan. Namun, jika Anda melihat seluruh ruangan, mereka semua duduk di sana dengan patuh membenturkannya ke sana, memasukkan informasi ke layar. Dan lebih sering daripada tidak, tidak benar-benar bertukar pengetahuan dan data, dan ada berbagai alasan untuk itu. Tetapi interaksi di tengah lantai di sebelah kiri di dalam lingkaran kuning, ada dua orang mengobrol di sana, bertukar pengetahuan, dan mungkin mencoba menemukan sesuatu, mencoba mengatakan, "Apakah Anda tahu di mana laporan ini, di mana saya dapat menemukan data ini, alat apa yang saya gunakan untuk melakukan hal ini? ”Dan itu mungkin tidak berhasil sehingga mereka tidak mendapatkan apa-apa, dan berkeliaran di lantai, melanggar aturan ruang kantor bilik dan melakukannya sendiri.
Dan kami memiliki lingkungan serupa di sekitar kantor yang dengan bercanda kami bercanda, tetapi kenyataannya adalah mereka cukup kuat dan efektif. Dan salah satu favorit saya adalah platform analitik seluler atau tetap yang disebut pendingin air, di mana orang-orang naik ke sana dan mengobrol di sana-sini dan bertukar pengetahuan, dan membandingkan gagasan dan melakukan analisis sambil berdiri di pendingin air, bertukar ide. Mereka adalah konsep yang sangat kuat ketika Anda memikirkannya. Dan jika Anda bisa menerjemahkannya ke sistem dan alat Anda, Anda mendapatkan hasil yang luar biasa. Dan kami memiliki favorit sepanjang masa, yang pada dasarnya adalah pusat distribusi data paling kuat di kantor, atau dikenal sebagai meja resepsionis. Dan jika Anda tidak dapat menemukan sesuatu, ke mana Anda pergi? Nah Anda berjalan ke depan kantor dan Anda pergi ke resepsi dan berkata, "Apakah Anda tahu di mana x, y, z adalah?" Dan saya berani siapa pun mengatakan kepada saya bahwa mereka tidak melakukan itu setidaknya sekali dalam baru pekerjaan atau pada satu titik ketika mereka tidak dapat menemukan sesuatu. Dan Anda harus bertanya pada diri sendiri, mengapa begitu? Itu harus di suatu tempat di intranet atau alat atau apa pun. Seharusnya mudah ditemukan.
Dan ketika datang ke data dan analitik dan alat yang kami berikan kepada staf kami untuk melakukan pekerjaan mereka dan cara manusia berinteraksi dengan pekerjaan, saya mendapatkan pandangan bahwa sebelum kemunculan alat analitik dan platform big data baru-baru ini, atau "pemrosesan data" juga menyebutnya di sekolah lama, pelaporan dan berbagi pengetahuan jauh dari dinamis atau kolaboratif atau terbuka, dan ketika Anda berpikir tentang jenis sistem yang kami harapkan orang lakukan dengan pekerjaan mereka, kami memiliki sistem klasik, apa orang-orang menyebut warisan sekarang, tetapi kenyataannya adalah hanya warisanlah yang ada dan masih ada sampai sekarang, dan karena itu itu bukan warisan. Tetapi sistem SDM tradisional dan sistem ERP - manajemen sumber daya manusia, perencanaan sumber daya perusahaan, manajemen data perusahaan, dan sistem yang kami gunakan untuk mengelola informasi untuk menjalankan perusahaan. Itu selalu sunyi. Dan dari ujung atas, platform sederhana seperti intranet departemen, mencoba untuk berkomunikasi di mana benda berada dan bagaimana mendapatkannya dan bagaimana berinteraksi dengan pengetahuan di sekitar tempat itu. Kami memunculkannya di intranet kami. Ini sama baiknya dengan orang-orang yang meluangkan waktu dan upaya untuk meletakkannya di atas sana, jika tidak, itu hanya akan tertinggal di kepala Anda. Atau Anda memiliki data yang berada di bagian bawah rantai makanan, di SAN perusahaan dan semua yang ada di dalamnya, jadi jaringan area penyimpanan penuh dengan file dan data, tetapi siapa yang tahu di mana menemukannya.
Lebih sering daripada tidak, kami telah membangun platform data tertutup ini atau sistem tertutup, sehingga orang-orang kembali ke suka spreadsheet dan PowerPoint untuk menyampaikan informasi di sekitar tempat itu. Tetapi ada hal menarik yang terjadi baru-baru ini, dalam benak saya, dan itu adalah bahwa perangkat seluler dan internet pada umumnya berfungsi sedemikian rupa sehingga gagasan bahwa segala sesuatunya sebenarnya bisa lebih baik. Dan terutama di ruang konsumen. Dan itu hal yang menarik bahwa kehidupan sehari-hari kita mulai memiliki hal-hal seperti internet banking. Kami tidak harus pergi ke bank yang sebenarnya secara fisik untuk berinteraksi dengan mereka, kami bisa melakukannya melalui telepon. Awalnya itu kikuk tapi kemudian internet muncul dan kami memiliki situs web. Anda tahu, dan berapa kali Anda benar-benar mengunjungi bank Anda akhir-akhir ini? Saya sebenarnya tidak bisa, saya berbicara tentang hal ini beberapa hari yang lalu, dan saya benar-benar tidak ingat kapan terakhir kali saya pergi ke bank saya, yang saya sangat kaget, saya pikir saya harus dapat mengingat ini, tapi itu sudah lama sekali lalu saya sebenarnya tidak ingat ketika saya pergi ke sana. Jadi sekarang kita memiliki gadget di tangan kita dalam bentuk ponsel dan telepon, tablet dan laptop, kita punya jaringan dan akses ke alat dan sistem, dan ruang konsumen kita telah belajar bahwa segala sesuatu bisa lebih baik, tetapi karena dari perubahan cepat dalam ruang konsumen yang telah menjadi lebih lesu dan perubahan glasial di dalam perusahaan dan lingkungan, kami tidak selalu mengambil perubahan itu ke kehidupan kerja sehari-hari.
Dan saya suka mengolok-olok fakta bahwa Anda tidak dapat hidup streaming data ke hardcopy. Dalam gambar ini di sini ada orang yang duduk melihat beberapa analitik yang telah dilakukan, dan ada grafik indah yang diproduksi oleh seseorang yang mungkin dibayar banyak uang sebagai ahli statistik atau aktuaris, dan mereka duduk di sana mencoba melakukan analitik pada hardcopy dan menyodoknya. Tapi inilah hal yang menakutkan bagi saya: Orang-orang di ruang rapat ini, misalnya, dan saya akan menggunakan ini sebagai contoh, mereka berinteraksi dengan data yang sekarang bersejarah. Dan itu sama tuanya sejak saat benda itu diproduksi dan kemudian dicetak, jadi mungkin itu adalah laporan yang berumur seminggu. Sekarang mereka membuat keputusan tidak hanya data yang buruk tetapi data lama, yang selalu bisa menjadi data yang buruk. Mereka membuat keputusan hari ini berdasarkan pada sesuatu yang historis, yang merupakan tempat yang sangat buruk. Kami berhasil mengganti hardcopy itu dengan tablet dan ponsel karena kami bekerja sangat cepat di ruang konsumen, dan sekarang kami telah mengerjakannya di ruang perusahaan, bahwa wawasan waktu nyata adalah nilai waktu nyata.
Dan kita semakin baik dalam hal itu. Dan itu membawa saya pada poin yang diangkat oleh Robin sebelumnya, yaitu konsep ilmuwan data warga dan dorongan konsep ini. Bagi saya, seorang ilmuwan data warga hanya orang biasa dengan alat yang tepat dan informasi tentang orang-orang seperti iPad. Mereka tidak harus melakukan perhitungan matematika, mereka tidak perlu tahu algoritme, mereka tidak harus tahu cara menerapkan algoritma dan data aturan, mereka hanya perlu tahu cara menggunakan antarmuka. Dan itu membawa saya kembali ke pengantar dan konsep balita yang duduk di sana dengan iPad versus majalah, versus iPad. Balita dapat dengan cepat, secara intuitif mempelajari cara menggunakan antarmuka iPad untuk menyelami informasi dan berinteraksi dengannya, meskipun mungkin permainan atau media streaming atau video. Tapi itu tidak bisa mendapatkan respons atau interaksi yang sama dari bilah majalah dan hanya mem-flash halaman demi halaman, yang tidak terlalu menarik, terutama jika Anda seorang balita yang dibesarkan dengan iPad. Manusia selalu dapat melihat dan belajar dengan sangat cepat cara mengemudikan alat dan hal-hal yang jika kita berikan, dan jika kita menyediakannya dengan antarmuka seperti perangkat seluler dan khususnya tablet dan smartphone dengan layar yang cukup besar, dan terutama jika Anda dapat berinteraksi mereka bersentuhan, dengan gerakan jari, tiba-tiba Anda mendapatkan konsep ilmuwan data warga negara ini.
Seseorang yang bisa menerapkan ilmu data dengan alat yang tepat, tetapi tanpa benar-benar harus tahu cara melakukannya. Dan dalam pikiran saya banyak dari ini, seperti yang saya katakan, didorong oleh pengaruh konsumen, yang bergerak dan berubah menjadi permintaan dan perusahaan. Beberapa contoh sangat cepat. Kami, banyak dari kita akan mulai melakukan hal-hal dengan blog dan situs web kami, seperti memasang iklan kecil atau melihat pelacakan dan pergerakan, kami menggunakan alat-alat seperti Google Analytics dan kami terbangun dengan kenyataan bahwa di blog dan situs web kecil kami, kami dapat menaruh sedikit kode di sana dan Google akan memberi kami wawasan waktu nyata mengenai siapa yang mengunjungi situs web, kapan dan di mana dan bagaimana. Dan secara real time kita benar-benar bisa melihat orang-orang membentur situs web, membuka halaman-halamannya dan kemudian menghilang. Dan itu sangat mencengangkan. Saya senang masih melakukan itu, ketika saya mencoba menjelaskan analitik waktu-nyata kepada orang-orang, saya membuatnya bodoh hanya dengan menunjukkan kepada mereka sebuah situs web dengan Google Analytics terhubung, dan benar-benar melihat interaksi langsung dengan orang-orang yang memukul situs web dan bertanya kepada mereka, "Bayangkan jika Anda memiliki wawasan seperti itu dalam bisnis Anda secara real time. "
Ambil contoh eceran, dan mungkin farmasi, saya pikir Anda menyebutnya toko obat di Amerika, apotek tempat Anda berjalan dan membeli semuanya mulai dari tablet sakit kepala hingga krim matahari dan topi. Mencoba menjalankan organisasi itu tanpa informasi waktu nyata adalah konsep yang menakutkan sekarang kita tahu apa yang kita ketahui. Misalnya, Anda dapat mengukur lalu lintas pejalan kaki, Anda dapat meletakkan perangkat di sekitar toko dengan wajah tersenyum di satu sisi layar karena Anda bahagia, dan merah yang tidak bahagia di paling kanan dan beberapa warna berbeda di tengah. Dan ada platform yang disebut "Happy or Not" hari ini, di mana Anda berjalan ke toko dan Anda dapat menggedor wajah bahagia atau wajah sedih, tergantung pada umpan balik sentimen pelanggan langsung Anda. Dan itu bisa interaktif dengan waktu nyata. Anda bisa mendapatkan harga berdasarkan permintaan langsung. Jika ada banyak orang di sana, Anda dapat menaikkan harga sedikit, dan Anda dapat melakukan ketersediaan stok dan memberi tahu orang, misalnya - maskapai penerbangan, misalnya, akan memberi tahu orang-orang berapa banyak kursi yang tersedia sekarang di situs web saat Anda Sedang memesan penerbangan, Anda tidak hanya menelepon secara acak dan berharap Anda bisa muncul dan mendapatkan penerbangan. Data SDM langsung, Anda bisa tahu kapan orang-orang sedang hidup dan mati. Pengadaan, jika Anda dalam pengadaan dan Anda memiliki data langsung, Anda bisa melakukan hal-hal seperti menunggu selama satu jam dan melakukan lindung nilai terhadap harga dolar AS untuk membeli muatan stok Anda berikutnya dan memiliki satu truk penuh barang muncul.
Ketika saya menunjukkan kepada orang-orang Google Analytics dan saya menyampaikan anekdot semacam itu, momen eureka ini, momen "a-ha!" Ini, bola lampu ini berbunyi di benak mereka seperti, "Hmm, saya bisa melihat banyak tempat di mana saya bisa melakukan itu . Kalau saja saya memiliki alat dan jika saya memiliki akses ke pengetahuan itu. ”Dan kita melihat ini sekarang di media sosial. Siapa pun yang pengguna media sosial yang cerdas selain hanya menunjukkan gambar sarapan mereka, cenderung melihat berapa banyak suka yang mereka dapatkan dan berapa banyak lalu lintas yang mereka dapatkan dan berapa banyak teman yang mereka dapatkan, dan mereka melakukannya dengan suka, katakanlah, Twitter sebagai alat analisis. Anda dapat pergi ke Twitter.com untuk menggunakan alat ini, tetapi Anda mengetik ke Google Twitter Analytics dot com, atau klik tombol kanan atas dan tarik ke bawah menu dan lakukan, Anda mendapatkan grafik yang cantik dan hidup ini yang memberi tahu Anda berapa banyak tweet yang Anda lakukan sendiri dan berapa banyak interaksi dengan mereka. Dan analisis waktu nyata hanya di media sosial pribadi Anda. Bayangkan jika kita memiliki suka Google Analytics dan Facebook dan LinkedIn dan Twitter, statistik eBay datang pada Anda, tetapi di lingkungan kerja Anda.
Sekarang kami memiliki jenis web dan seluler langsung di ujung jari kami, itu menjadi konsep kekuatan. Dan itu menarik saya pada kesimpulan saya, dan itulah yang selalu saya temukan bahwa organisasi yang memanfaatkan alat dan teknologi sejak dini, mereka memperoleh keuntungan yang begitu besar dibandingkan pesaing mereka sehingga pesaing mungkin sebenarnya tidak pernah bisa mengejar ketinggalan. Dan kita melihat itu sekarang dengan konflik ilmuwan data warga. Jika kita bisa mengambil orang dengan keterampilan, pengetahuan yang kita sewa untuk mereka, dan kita bisa memberi mereka alat yang tepat, terutama kemampuan untuk melihat data real-time dan menemukan data dan tahu di mana itu tanpa harus berjalan di sekitar bilik dan ajukan pertanyaan dengan keras, harus pergi dan berdiri di pendingin air untuk melakukan beberapa analisis komparatif dengan orang-orang atau pergi dan tanyakan pada penerima di mana indeks berada. Jika mereka dapat melakukan itu di ujung jari mereka dan mereka dapat membawanya ke pertemuan mereka dengan mereka dan duduk di ruang rapat membolak-balik layar secara real time daripada hardcopy, tiba-tiba kami telah memberdayakan staf kami yang tidak perlu menjadi aktual ilmuwan data, tetapi untuk benar-benar menggunakan ilmu data dan mendorong hasil yang luar biasa untuk organisasi. Dan saya pikir titik kritis ini sebenarnya telah kita lewati sekarang di mana konsumen didorong ke perusahaan, tantangannya adalah bagaimana kita menyediakan perusahaan itu, dan itulah tema yang saya kira dari diskusi hari ini. Dan dengan itu, saya akan membungkus bagian saya dan menyerahkannya untuk mendengar bagaimana kita bisa menyelesaikannya. David, ke arahmu.
David Sweenor: Baiklah, terima kasih banyak kawan, dan terima kasih Robin. Anda tahu, Robin, saya setuju dengan penilaian awal Anda. Proses analitik, sebenarnya tidak berbeda dengan pengembangan perangkat lunak. Saya pikir tantangan dalam sebuah organisasi benar-benar, Anda tahu, mungkin hal-hal yang tidak didefinisikan dengan baik, mungkin ada komponen eksplorasi untuk itu, dan komponen kreatif untuk itu. Dan Dez, Anda tahu, saya setuju dengan Anda, ada banyak penemuan kembali roda, dan Anda tahu, tidak ada organisasi yang saya masuki hari ini, Anda bertanya, yah, mengapa Anda melakukannya dengan cara ini? Mengapa bisnis berjalan seperti ini? Dan itu mudah untuk ditanyakan, dan sering kali ketika Anda berada dalam suatu organisasi, sulit untuk berubah. Saya suka analogi, konsumerisasi hal. Dan tidak lagi ketika saya pergi ke bandara dan ingin mengubah tempat duduk saya - saya melakukannya di ponsel saya. Saya tidak harus pergi ke agen di stan, dan menonton agen mengetik sesuatu di monitor monokrom selama 15 menit untuk mengubah tugas kursi saya. Saya lebih suka melakukannya di ponsel saya, jadi ini perkembangan yang menarik.
Hari ini, kita akan berbicara sedikit tentang kecerdasan kolektif. Bagi mereka yang tidak sadar, Statistica adalah platform analitik terdepan, yang telah ada selama lebih dari 30 tahun. Jika Anda melihat salah satu publikasi di luar sana di industri analis, ia selalu keluar sebagai salah satu paket perangkat lunak analitik canggih yang paling intuitif dan mudah digunakan. Jadi kami telah menghabiskan beberapa tahun terakhir bekerja pada konsep yang disebut kecerdasan kolektif, dan kami membawanya ke tingkat berikutnya. Saya ingin memulai percakapan ini dengan: bagaimana pekerjaan dilakukan di organisasi Anda?
Dan ada dua gambar di sini. Yang di sebelah kiri adalah gambar dari tahun 1960-an, dan saya tidak memulai karir saya di tahun 1960-an, tetapi gambar di sebelah kanan adalah - itu pabrik semikonduktor tempat saya mulai bekerja. Dan saya bekerja di gedung hitam itu, atap hitam di kiri atas. Tapi mereka membuat barang semikonduktor. Ini adalah gambar terbaru dari Gambar Google. Tetapi ketika Anda kembali ke gambar 1960-an di sebelah kiri, itu sangat menarik. Anda membuat orang-orang ini duduk dalam barisan, dan mereka membuat, Anda tahu, sirkuit dan semikonduktor terintegrasi. Tetapi ada standarisasi, ada cara standar untuk melakukan sesuatu, dan ada proses yang jelas. Anda tahu, mungkin karena orang-orang ini semua duduk di lingkungan terbuka, mungkin ada kolaborasi. Saya pikir kami telah kehilangan sedikit dari itu dalam tenaga kerja pengetahuan.
Ketika saya duduk di gedung di kiri atas, jika saya ingin berkolaborasi dengan seseorang, itu tidak terbuka. Ada kantor-kantor ini, mungkin beberapa tim jauh, atau mungkin saya harus berjalan melintasi kampus ini; itu berjalan 25 menit, dan saya harus berbicara dengan seseorang di gedung di paling kanan. Saya pikir kita kehilangan sesuatu di sepanjang jalan. Jadi, Anda tahu, saya memiliki pemikiran yang sama, mengapa orang - berapa banyak orang yang terus menciptakan roda di dalam organisasi Anda? Saya pikir, Anda tahu, organisasi secara keseluruhan melakukan pekerjaan dengan baik pada 1990-an dan 2000-an dengan CRM dan pergudangan data, dan sampai batas tertentu BI. Untuk beberapa alasan, analitiknya sedikit tertinggal. Ada investasi yang signifikan dalam pergudangan data, dan standarisasi, serta menormalkan data Anda, dan semua ini, dan CRM, tetapi analitik tertinggal karena beberapa alasan. Dan saya bertanya-tanya mengapa. Mungkin ada yang kreatif - mungkin proses Anda tidak terdefinisi dengan baik, mungkin Anda tidak tahu keputusan atau tuas apa yang ingin Anda ubah, Anda tahu, dalam bisnis Anda untuk mengubah keadaan. Ketika kita masuk ke organisasi hari ini, ada banyak orang melakukan hal-hal yang sangat manual di spreadsheet.
Dan Anda tahu, saya melihat stat pagi ini, saya pikir katanya 80, 90 persen dari spreadsheet memiliki kesalahan, dan beberapa di antaranya bisa sangat signifikan. Seperti yang ada di Paus, di mana JPMorgan Chase kehilangan miliaran dan miliaran dolar karena kesalahan spreadsheet. Jadi saya punya premis, saya pikir, harus ada cara yang lebih baik untuk menyelesaikan sesuatu. Dan seperti yang kami sebutkan, kami memiliki ilmuwan data ini. Orang-orang ini mahal, dan mereka sulit ditemukan. Dan terkadang mereka sedikit bebek aneh. Tapi saya pikir, Anda tahu, jika saya harus meringkas apa itu ilmuwan data, itu mungkin seseorang yang memahami data tersebut. Saya pikir itu adalah seseorang yang mengerti matematika, seseorang yang mengerti masalahnya. Dan sungguh, seseorang yang bisa mengkomunikasikan hasilnya. Dan jika Anda seorang ilmuwan data, Anda sangat beruntung saat ini, karena gaji Anda mungkin telah berlipat ganda dalam beberapa tahun terakhir.
Tapi sejujurnya, banyak organisasi, mereka tidak memiliki data ilmuwan ini, tetapi organisasi Anda memang memiliki orang-orang pintar. Anda memiliki organisasi, Anda memiliki banyak orang pintar, dan mereka menggunakan spreadsheet. Anda tahu, statistik dan matematika bukanlah pekerjaan utama mereka, tetapi mereka menggunakan data untuk mendorong bisnis ke depan. Sungguh, tantangan yang kami bahas adalah, bagaimana Anda mengambil, jika Anda beruntung memiliki seorang ilmuwan data atau satu atau dua ahli statistik, bagaimana Anda dapat mengambilnya, dan bagaimana Anda dapat meningkatkan kolaborasi antara orang-orang dan orang lain dalam organisasi Anda? Jika kita melihat bagaimana struktur organisasi kita, saya akan mulai, dan saya akan pergi dari kanan ke kiri. Dan saya tahu ini mundur, tetapi kami memiliki lini pengguna bisnis ini.
Ini adalah bagian terbesar dari populasi pekerja berpengetahuan Anda, dan untuk orang-orang ini, Anda perlu menanamkan analitik di lini aplikasi bisnis Anda. Mungkin mereka melihat hasil analitik pada layar pusat panggilan atau sesuatu, dan memberi tahu mereka tawaran terbaik berikutnya untuk diberikan kepada pelanggan. Mungkin itu konsumen atau pemasok di portal web, dan itu langsung memberi mereka kredit, atau hal-hal seperti itu. Tapi idenya adalah, mereka mengonsumsi analitik. Jika kita pergi ke tengah, ini adalah pekerja pengetahuan ini. Ini adalah orang-orang yang melakukan hal-hal dengan spreadsheet hari ini, tetapi spreadsheet rawan kesalahan dan pada beberapa titik mereka kehabisan bensin. Para ilmuwan data warga ini, seperti kami menyebutnya, Anda tahu, apa yang kami coba lakukan untuk mereka adalah benar-benar meningkatkan tingkat otomatisasi.
Dan Anda mendengar dengan analitik bahwa 80 hingga 90 persen pekerjaan ada di bagian persiapan data, dan itu bukan matematika yang sebenarnya, tetapi persiapan data. Kami mencoba mengotomatisasi itu, apakah Anda melakukan itu, dan kami memiliki penyihir dan templat dan hal-hal yang dapat digunakan kembali, dan Anda tidak benar-benar harus memiliki pengetahuan tentang infrastruktur yang mendasarinya di lingkungan Anda. Dan kemudian jika kita melihat paling kiri, kita memiliki ilmuwan data ini. Dan seperti yang saya sebutkan, mereka kekurangan pasokan. Dan apa yang kami coba lakukan untuk membuat mereka lebih produktif, adalah memungkinkan mereka untuk menciptakan hal-hal yang dapat dilakukan oleh para ilmuwan data warga ini. Anggap saja seperti blok Lego, sehingga para ilmuwan data ini dapat membuat aset yang dapat digunakan kembali yang dapat digunakan oleh ilmuwan data warga negara. Bangun sekali, jadi kita tidak harus terus menciptakan kembali roda.
Dan kemudian, orang-orang ini mungkin khawatir jika kita dapat melakukan hal-hal dalam database, dan memanfaatkan investasi teknologi yang ada yang telah dibuat oleh perusahaan Anda. Anda tahu, tidak masuk akal di zaman sekarang untuk mengacak data ke sana kemari di seluruh dunia. Jadi jika kita melihat Statistica, seperti yang saya sebutkan, itu adalah platform yang sudah ada sejak lama. Dan itu adalah produk yang sangat inovatif. Pencampuran data, belum ada sumber data yang tidak dapat kami akses. Kami memiliki semua penemuan data dan hal-hal visualisasi yang Anda harapkan; kita bisa melakukannya secara real time. Dan mungkin memiliki - Saya pikir ada lebih dari 16.000 fungsi analitis dalam alat perangkat lunak, jadi itu lebih banyak matematika daripada yang pernah saya dapat gunakan atau mengerti, tetapi ada di sana jika Anda membutuhkannya.
Kami memiliki kemampuan untuk menggabungkan aturan bisnis dan alur kerja analitik untuk benar-benar membuat keputusan bisnis. Anda melampaui hanya, inilah algoritme, inilah alur kerja, tetapi Anda memiliki aturan bisnis yang harus selalu Anda tangani. Kami sangat aman dalam pemerintahan. Kami digunakan di banyak klien farmasi, karena FDA mempercayai kami. Anda tahu, hanya bukti dalam puding bahwa kita memiliki kontrol dan kemampuan audit untuk diterima oleh mereka. Dan terakhir, Anda tahu, kami terbuka dan fleksibel dan dapat dikembangkan, jadi Anda perlu membuat platform, Anda ingin para ilmuwan data Anda menjadi produktif, Anda ingin ilmuwan data warga negara Anda menjadi produktif, Anda ingin dapat untuk menggunakan hasil analitik ini kepada para pekerja di dalam organisasi Anda.
Jika kita melihatnya, inilah contoh dari beberapa visualisasi. Tetapi bisa mendistribusikan output analitik Anda ke pengguna lini bisnis, jadi contoh pertama di sebelah kiri, itu adalah diagram analitik jaringan. Dan mungkin Anda adalah penyelidik penipuan, dan Anda tidak tahu bagaimana koneksi ini dibuat, dan ini bisa menjadi orang, ini bisa menjadi entitas, ini bisa menjadi kontrak, apa pun sebenarnya. Tetapi Anda dapat memanipulasi ini dengan mouse Anda, dan berinteraksi dengannya untuk benar-benar mengerti - jika Anda seorang penyelidik penipuan, untuk memahami daftar prioritas siapa yang akan diselidiki, benar, karena Anda tidak dapat berbicara dengan semua orang, jadi Anda harus memprioritaskan.
Jika kita melihat gambar di sebelah kanan sana, untuk dasbor pemeliharaan prediktif, ini adalah masalah yang sangat menarik. Mungkin Anda adalah pemilik bandara, dan Anda memiliki pemindai tubuh di sana. Scanner tubuh ini, jika Anda pergi ke bandara, ada beberapa komponen di sana yang memiliki masa simpan sekitar sembilan bulan. Dan hal-hal ini sangat, sangat mahal. Jika saya memiliki beberapa titik masuk, banyak pemindai di bandara saya, nomor satu yang ingin saya pastikan saya memiliki staf yang tepat di setiap gerbang, dan untuk bagian-bagian yang ada dalam pemindai, saya tidak ingin memesannya juga awal, dan saya ingin memilikinya sebelum rusak. Kami memiliki kemampuan, mungkin jika Anda memiliki bandara, untuk dapat memprediksi kapan hal-hal ini akan merusak dan memprediksi tingkat kepegawaian.
Jika kita melihat bagian kanan bawah, ini adalah jika Anda berada di lingkungan manufaktur, ini hanyalah representasi grafis dari aliran manufaktur. Dan ini agak sulit dilihat, tetapi ada lampu lalu lintas merah dan hijau di berbagai sektor proses ini, dan jadi jika saya seorang insinyur, ada matematika yang sangat canggih di sana, tapi saya bisa menelusuri di sektor proses tertentu dan melihat parameter, dan masukan itu, mungkin menyebabkan itu menjadi di luar kendali. Jika kita melihat ilmuwan data warga negara kita, tujuan kita sebenarnya adalah untuk memudahkan ilmuwan data warga negara. Kami memiliki penyihir dan templat, dan satu hal yang menurut saya sangat menarik, adalah kami memiliki simpul pemeriksaan kesehatan data otomatis ini. Dan sungguh apa ini, ia memiliki kecerdasan bawaan.
Saya menyebutkan persiapan data - dibutuhkan banyak waktu, baik dalam agregasi data dan menyiapkannya. Tetapi mari kita asumsikan bahwa saya memiliki data saya, saya dapat menjalankannya melalui simpul pemeriksaan kesehatan data ini, dan memeriksa invarian, dan sparseness, dan outlier, dan semua hal ini, ia mengisi nilai-nilai yang hilang dan ia mengerjakan banyak matematika. tidak mengerti, jadi saya bisa menerima default, atau jika saya sedikit lebih pintar, saya bisa mengubahnya. Tapi intinya, kami ingin mengotomatiskan proses itu. Hal ini melakukan sekitar 15 pemeriksaan dan hasil yang berbeda pada set data yang dibersihkan. Apa yang kami lakukan adalah mempermudah orang untuk membuat alur kerja ini.
Di sinilah kita berbicara tentang kolaborasi antara ilmuwan data dan ilmuwan data warga. Jika kita melihat gambar-gambar ini di sebelah kanan, kita melihat alur kerja persiapan data ini. Dan mungkin ini sangat canggih, mungkin ini adalah saus rahasia perusahaan Anda, saya tidak tahu, tetapi kami tahu seseorang dalam organisasi Anda dapat mengakses satu atau lebih dari silo data yang kami miliki ini. Kami membutuhkan cara untuk, nomor satu, ambil dan jahit bersama, dan nomor dua, mungkin ada proses khusus yang ingin kami lakukan, itu di luar pemeriksaan kesehatan data kami, dan itu adalah saus rahasia perusahaan Anda. Saya dapat membuat alur kerja ini dalam organisasi kami, dan itu runtuh sebagai simpul. Anda melihat panah menunjuk ke bawah, itu hanya sebuah simpul, dan kita dapat memiliki seratus hal ini dalam suatu organisasi. Idenya adalah, kita memiliki orang yang mengetahui sesuatu tentang ruang tertentu, mereka dapat membuat alur kerja, dan orang lain dapat menggunakannya kembali. Kami berusaha meminimalkan reinvention of the wheel.
Dan kita dapat melakukan hal yang sama dengan alur kerja pemodelan analitik. Dalam hal ini di sebelah kanan, alur kerja ini, mungkin ada 15 algoritma berbeda, dan saya ingin memilih yang terbaik untuk tugas tersebut. Dan saya tidak perlu memahami sebagai ilmuwan data warga negara apa yang terjadi dalam jaring laba-laba di sana, tetapi itu hanya runtuh menjadi sebuah simpul, dan mungkin simpul itu hanya mengatakan, "hitung skor risiko kredit." infeksi situs bedah, "apa pun yang Anda. "Hitung kemungkinan sesuatu menjadi transaksi penipuan." Sebagai ilmuwan data warga negara, saya dapat menggunakan matematika yang sangat canggih ini yang telah dibuat oleh orang lain, mungkin salah satu dari data ini yang telah dibangun oleh ilmuwan di dalam organisasi saya.
Dari perspektif ilmu data, Anda tahu, saya sudah bicara dengan ilmuwan data yang suka menulis kode, dan saya sudah bicara dengan ilmuwan data yang tidak suka menulis kode. Dan itu bagus, jadi kami memiliki antarmuka pengguna yang sangat visual dan grafis. Kami dapat mengambil data kami, kami dapat melakukan pemeriksaan kesehatan data otomatis, dan mungkin saya ingin menulis kode. Saya suka Python, saya suka R, tetapi idenya adalah, para ilmuwan data ini, mereka kekurangan pasokan, dan mereka suka kode dalam bahasa tertentu. Kami tidak memiliki preferensi untuk bahasa apa yang ingin Anda kode, jadi jika Anda ingin melakukan R, lakukan R; jika Anda ingin melakukan Python, lakukan Python. Itu keren. Jika Anda ingin menjabarkan analitik Anda ke Azure, hancurkan analitik Anda ke cloud. Dan tujuannya di sini adalah untuk menawarkan fleksibilitas dan opsi untuk membuat para ilmuwan data Anda seproduktif mungkin.
Sekarang para ilmuwan data, mereka adalah orang-orang yang cukup pintar, tetapi mungkin mereka bukan spesialis dalam segala hal, dan mungkin ada beberapa celah dalam apa yang dapat mereka lakukan. Dan jika Anda melihat keluar dalam industri, ada banyak pasar analitik berbeda yang ada di sana. Ini adalah contoh, mungkin saya perlu melakukan pengenalan gambar dan saya tidak memiliki keterampilan itu, mungkin saya pergi ke Algorithmia dan mendapatkan algoritma pengenalan gambar. Mungkin saya pergi ke Apervita dan mendapatkan algoritma perawatan kesehatan yang sangat istimewa. Mungkin saya ingin menggunakan sesuatu di perpustakaan pembelajaran mesin Azure. Mungkin saya ingin menggunakan sesuatu di platform Statistica asli.
Sekali lagi, idenya di sini adalah kami ingin memanfaatkan komunitas analitik global. Karena Anda tidak akan memiliki semua keterampilan dalam empat dinding Anda, jadi bagaimana kami dapat membuat perangkat lunak - dan inilah yang kami lakukan - yang memungkinkan para ilmuwan data Anda untuk menggunakan algoritma dari berbagai pasar. Kami sudah melakukannya dengan R dan Python untuk waktu yang lama, tetapi ini memperluas itu ke pasar aplikasi yang ada di luar sana. Dan hal yang sama Anda lihat di sini di atas ini, kami menggunakan H2O pada Spark, jadi ada banyak algoritma analitik di sana. Anda tidak harus fokus membuat ini dari awal, mari kita gunakan kembali ini yang hidup di komunitas open source, dan kami ingin orang-orang ini menjadi seproduktif mungkin.
Langkah selanjutnya, setelah kita memiliki ilmuwan data warga negara dan ilmuwan data kita, adalah bagaimana Anda mempromosikan dan mendistribusikan praktik terbaik ini? Kami memiliki teknologi dalam perangkat lunak kami yang memungkinkan Anda mendistribusikan analitik di mana saja. Dan ini lebih merupakan pandangan manajemen model, tetapi saya tidak lagi terikat oleh empat dinding atau instalasi khusus di Tulsa atau Taiwan atau California, atau apa pun yang Anda miliki. Ini adalah platform global, dan kami memiliki banyak pelanggan yang digunakan oleh beberapa situs.
Dan sungguh, hal-hal kuncinya adalah, jika Anda melakukan sesuatu di Taiwan dan Anda ingin meniru di Brasil, itu hebat. Masuk ke sana, ambil templat yang dapat digunakan kembali, ambil alur kerja yang Anda inginkan. Ini berusaha untuk menciptakan standar-standar itu, dan cara umum melakukan sesuatu, jadi kita tidak melakukan hal-hal yang sama sekali berbeda di mana-mana. Dan komponen kunci lainnya dari ini, adalah kita benar-benar ingin mengambil matematika ke tempat data tinggal. Anda tidak perlu mengacak data antara, Anda tahu, California dan Tulsa dan Taiwan dan Brasil. Kami memiliki teknologi yang memungkinkan kami mengambil data matematika, dan kami akan memiliki webcast Teknologi Panas lainnya tentang hal itu.
Namun kami menyebut arsitektur ini, dan inilah intipnya, Arsitektur Analisis Terdistribusi Asli. Gagasan utama di balik ini adalah kami memiliki platform, Statistica, dan saya dapat mengekspor alur kerja analitik sebagai atom. Dan saya bisa membuat model, atau seluruh alur kerja, jadi itu tidak masalah. Tetapi saya dapat membuat ini, dan mengekspornya dalam bahasa yang sesuai dengan platform target. Di sisi kiri ini, banyak orang melakukan ini, tetapi mereka mencetak gol dalam sistem sumber. Tidak apa-apa, kita bisa melakukan scoring dan kita bisa membuat model dalam database, jadi itu menarik.
Dan kemudian di sisi kanan, kita memiliki Boomi. Ini adalah teknologi pendamping, kami bekerja dengan semua ini. Tapi kita juga bisa mengambil alur kerja ini, dan pada dasarnya mengangkutnya ke mana saja di dunia. Apa pun yang memiliki alamat IP. Dan saya tidak perlu memiliki Statistica yang diinstal di cloud publik atau pribadi. Apa pun yang dapat menjalankan JVM, kita dapat menjalankan alur kerja analitik ini, alur kerja persiapan data, atau hanya model pada salah satu platform target ini. Apakah itu di cloud publik atau pribadi saya, apakah itu di traktor saya, mobil saya, rumah saya, bola lampu saya, internet saya, kami memiliki teknologi yang memungkinkan Anda untuk mengangkut alur kerja itu ke mana saja di dunia.
Mari kita ulas. Anda tahu, kami memiliki lini pengguna bisnis, jadi orang-orang ini, kami memiliki teknologi memungkinkan mereka untuk mengkonsumsi output dalam format yang mereka sukai. Kami memiliki ilmuwan data warga, dan apa yang kami coba lakukan adalah meningkatkan kolaborasi, menjadikannya bagian dari tim, bukan? Jadi kami ingin orang berhenti menciptakan kembali roda. Dan kami memiliki ilmuwan data ini, mungkin ada kesenjangan keterampilan di sana, tetapi mereka dapat membuat kode dalam bahasa yang mereka inginkan, mereka dapat pergi ke pasar analitik dan menggunakan algoritma di sana. Maka dengan ini, bagaimana mungkin Anda tidak berpikir bahwa semuanya baik-baik saja dengan ini? Ini sempurna, inilah yang kami lakukan. Kami sedang membangun alur kerja yang dapat digunakan kembali, kami memberikan instruksi kepada orang-orang, kami memberi mereka blok Lego sehingga mereka dapat membangun kastil yang perkasa ini dan apa pun yang mereka ingin lakukan. Singkatnya, kami memiliki platform yang memberdayakan lini pengguna bisnis, ilmuwan data warga, ilmuwan data programmer, kami miliki - kami dapat mengatasi segala jenis penggunaan analitik IoT edge, dan kami mengaktifkan gagasan tentang kecerdasan kolektif ini. Dengan itu, saya pikir kita mungkin akan membukanya untuk pertanyaan.
Robin Bloor: Baiklah oke. Saya pikir yang pertama - maksud saya, sejujurnya, maksud saya saya pernah diberi pengarahan oleh Dell Statistica sebelumnya, dan jujur saja saya sebenarnya cukup terkejut dengan hal-hal yang saya tidak tahu yang Anda kemukakan dalam presentasi . Dan saya harus mengatakan bahwa satu hal, itu adalah sesuatu yang menjadi momok bagi saya dalam adopsi analitik, apakah itu, Anda tahu, mendapatkan alat bukan? Ada banyak sekali alat di luar sana, ada alat sumber terbuka, dan seterusnya dan seterusnya, dan ada berbagai, apa yang saya sebut, semi-platform. Tapi saya pikir perbedaan yang Anda miliki, saya sangat terkesan dengan beberapa alur kerja.
Namun bedanya adalah Anda sepertinya memberikan ujung ke ujung. Ini seperti analitik adalah proses bisnis canggih yang dimulai dengan perolehan data dan kemudian melewati serangkaian langkah, tergantung pada seberapa serpihan datanya, dan kemudian dapat berkembang dalam serangkaian serangan matematika yang berbeda di data. Dan kemudian hasilnya muncul dengan satu dan lain cara dan itu perlu tindakan. Ada sejumlah besar analitik yang saya temui di mana banyak pekerjaan besar dilakukan tetapi tidak ada tindakan. Dan Anda tampaknya memiliki banyak hal yang diperlukan. Saya tidak tahu seberapa komprehensif itu, tetapi jauh lebih komprehensif dari yang saya harapkan. Saya sangat terkesan dengan itu.
Saya ingin Anda mengomentari spreadsheet. Anda sudah mengatakan sesuatu, tetapi salah satu hal yang saya catat, dan saya perhatikan selama bertahun-tahun, tetapi itu menjadi semakin jelas, adalah bahwa ada banyak sekali spreadsheet yang merupakan sistem bayangan dan sungguh saya pikir spreadsheet, maksud saya, itu adalah alat yang luar biasa ketika diperkenalkan dan sudah luar biasa sejak itu dalam banyak cara yang berbeda, tapi itu alat yang digeneralisasi, itu tidak benar-benar cocok untuk tujuan. Tentu saja tidak terlalu baik dalam konteks BI dan saya pikir itu buruk dalam konteks analitik. Dan saya bertanya-tanya apakah Anda memiliki beberapa komentar untuk dibuat, katakanlah, contoh di mana, Anda tahu, Statistica telah memerah, penggunaan spreadsheet yang berlebihan, atau komentar yang ingin Anda sampaikan tentang hal itu?
David Sweenor: Ya saya pikir, Anda tahu, Anda bisa mencari kesalahan spreadsheet yang terkenal. Google atau mesin pencari apa pun yang Anda gunakan akan kembali dengan litani hasil. Saya tidak berpikir, Anda tahu, kami akan pernah mengganti spreadsheet. Itu bukan niat kami, tetapi banyak organisasi yang saya kunjungi, ada beberapa penyihir atau ninja spreadsheet ini atau apa pun yang Anda ingin menyebutnya, tetapi mereka memiliki spreadsheet yang sangat canggih ini dan Anda harus berpikir, apa yang terjadi ketika ini orang memenangkan lotre dan mereka tidak kembali? Jadi yang kami coba lakukan adalah, kami tahu spreadsheet akan ada sehingga kami bisa mencernanya, tapi saya pikir apa yang kami coba lakukan adalah mengembangkan representasi visual dari alur kerja Anda sehingga dapat dipahami dan dibagikan dengan orang lain . Spreadsheet cukup sulit, cukup sulit untuk dibagikan. Dan segera setelah Anda membagikan spreadsheet kepada saya, saya telah mengubahnya, dan sekarang kami tidak sinkron dan kami mendapatkan jawaban yang berbeda. Apa yang kami coba lakukan adalah menempatkan beberapa pagar pembatas di sekitar ini dan membuat segalanya sedikit lebih efisien. Dan spreadsheet benar-benar mengerikan dalam menggabungkan beberapa set data bersama, Anda tahu? Mereka jatuh di sana. Tetapi kami tidak akan menggantinya, kami menelannya dan kami memang memiliki orang yang mulai bergeser karena jika kami memiliki simpul yang mengatakan "hitung risiko" itulah yang coba dilakukan oleh orang yang menggunakan spreadsheet. Jadi itu hilang.
Robin Bloor: Ya, maksud saya, saya akan mengatakan itu, Anda tahu, dari salah satu perspektif yang saya lihat, saya akan mengatakan bahwa spreadsheet bagus untuk membuat informasi. Mereka bahkan hebat untuk menciptakan pulau pengetahuan, tetapi mereka benar-benar buruk untuk berbagi pengetahuan. Mereka tidak memiliki mekanisme untuk melakukan hal itu, dan jika Anda memberikan spreadsheet kepada seseorang, itu tidak seperti Anda dapat membacanya seperti itu adalah artikel yang menjelaskan dengan tepat apa yang mereka lakukan. Itu tidak ada. Saya pikir, Anda tahu, hal yang paling mengesankan saya tentang presentasi dan tentang kemampuan Statistica, tampaknya sangat agnostik. Tapi ada utas ini yang menjalankan alur kerjanya. Apakah saya benar dengan asumsi bahwa Anda bisa melihat alur kerja ujung ke ujung langsung di, Anda tahu, mulai dari akuisisi data hingga menanamkan hasil dalam aplikasi BI tertentu atau bahkan menjalankan aplikasi?
David Sweenor: Ya, tentu saja. Dan memang memiliki kemampuan end-to-end dan beberapa organisasi menggunakannya sepenuhnya, dan saya tidak punya ilusi apakah perusahaan mana pun saat ini membeli semuanya dari satu vendor. Kami memiliki campuran. Beberapa orang menggunakan Statistica untuk semuanya dan beberapa orang menggunakannya untuk alur kerja pemodelan, beberapa orang menggunakannya untuk alur kerja persiapan data. Beberapa orang menggunakannya untuk mendistribusikan ratusan laporan teknik kepada para insinyur. Dan jadi kita memiliki segalanya di antaranya. Dan itu benar-benar ujung ke ujung dan itu, Anda tahu, platform agnostik, dalam hal itu jika ada algoritma yang ingin Anda gunakan dalam R atau Python, Azure, Apervita, apa pun, Anda tahu, gunakan itu. Itu luar biasa, jadilah produktif, gunakan apa yang Anda ketahui, gunakan apa yang Anda sukai dan kami memiliki mekanisme untuk memastikan semuanya terkontrol dan diaudit dan semua hal semacam itu.
Robin Bloor: Saya sangat suka aspek itu. Maksud saya, saya tidak tahu apakah Anda bisa berbicara melebihi apa yang Anda katakan tentang kekayaan apa yang ada di luar sana. Maksud saya, saya telah melihat ini tetapi saya belum melihatnya secara komprehensif dan tentu saja ada banyak sekali pustaka Python di perpustakaan kami, tetapi adakah yang bisa Anda tambahkan ke gambar itu? Karena saya pikir itu hal yang sangat menarik, Anda tahu, gagasan bahwa Anda akan memiliki komponen yang dapat dipercaya, karena Anda tahu berbagai orang yang telah menciptakan mereka dan berbagai orang yang menggunakan mereka yang dapat Anda unduh. Anda tahu, bisakah Anda memperkaya apa yang sudah Anda katakan tentang itu?
David Sweenor: Ya, saya pikir beberapa pasar aplikasi, Anda tahu, pasar algoritma yang ada di luar sana. Sebagai contoh, Anda tahu, Dr. John Cromwell di University of Iowa, ia mengembangkan model yang akan memprediksi, yang digunakan secara real time ketika kami sedang dioperasikan, akan memberi Anda skor jika Anda ingin mendapatkan infeksi bagian tubuh setelah pembedahan. Dan jika skor itu cukup tinggi, mereka akan mengambil intervensi tepat di ruang operasi. Itu sangat menarik. Jadi mungkin ada rumah sakit lain yang tidak sebesar ini. Nah, Apervita adalah pasar aplikasi kesehatan untuk analitik. Anda dapat menemukan satu di banyak pasar aplikasi ini, Anda dapat menemukan satu dan menggunakannya kembali, dan transaksinya adalah antara Anda dan siapa pun yang memiliki itu, tetapi Anda dapat pergi mencari satu atau Anda dapat berkata, “Inilah apa yang saya butuhkan. ”Saya pikir ini memanfaatkan komunitas global itu karena semua orang adalah spesialis akhir-akhir ini, dan Anda tidak dapat mengetahui segalanya. Saya pikir R dan Python adalah satu hal tetapi gagasan ini, "Saya ingin melakukan fungsi ini, meletakkan spek di luar sana di salah satu tempat pasar aplikasi ini dan meminta seseorang mengembangkannya untuk Anda." Dan mereka dapat menguangkannya, saya pikir itu sangat menarik dan sangat berbeda dari model open source.
Robin Bloor: Baiklah. Ngomong-ngomong, aku akan mengoper bola ke Dez. Apakah Anda ingin menyelam, Dez?
Dez Blanchfield: Tentu saja dan saya ingin tetap pada spreadsheet sebentar karena saya pikir itu telah menangkap inti yang tepat dari banyak hal yang kita bicarakan di sini. Dan Anda berkomentar, Robin, sehubungan dengan transisi dari semacam spreadsheet lama dalam bentuk fisik ke bentuk elektronik. Kami memiliki hal yang menarik terjadi di mana, Anda tahu, ketika spreadsheet pada awalnya merupakan benda, mereka hanya selembar kertas dengan baris dan kolom dan Anda akan menuliskannya secara manual, maka Anda akan menyalakan dan menghitungnya, baik dengan melakukan itu dari atas kepala Anda atau dengan perangkat lain. Tapi kami masih memiliki kesempatan untuk memiliki kesalahan masuk dengan kesalahan tulisan tangan atau disleksia, dan sekarang kami telah menggantinya dengan kesalahan ketik. Risikonya adalah bahwa dengan spreadsheet profil risiko lebih cepat dan lebih besar, tapi saya pikir alat seperti Statistica membalikkan piramida risiko.
Saya sering menggambar gambar ini di papan tulis dari sosok manusia di atas, sebagai satu orang, dan kemudian koleksi mereka di bagian bawah, katakanlah, bayangkan sepuluh dari mereka di bagian bawah papan tulis itu, dan saya menggambar piramida di mana titik piramida ada di satu orang dan kaki piramida adalah koleksi orang. Dan saya menggunakan ini untuk memvisualisasikan ide bahwa jika satu orang di atas melakukan spreadsheet membuat kesalahan dan membagikannya kepada sepuluh orang, dan sekarang kami punya sepuluh salinan kesalahan. Berhati-hatilah dengan makro Anda dan hati-hati dengan Visual Basic Anda jika Anda akan pindah ke sana. Karena ketika kita membangun alat elektronik seperti spreadsheet, itu sangat kuat, tetapi juga kuat dalam cara yang baik dan buruk.
Saya pikir alat seperti Statistica menghasilkan kemampuan untuk membalikkan profil risiko itu dan sekarang Anda dapat sampai pada titik di mana Anda mendapatkan banyak alat yang tersedia untuk masing-masing orang dan saat mereka menggunakan banyak alat di bagian atas piramida dan kemudian turun ke bagian paling bawah di mana titik piramida sekarang terbalik adalah alat yang sebenarnya, jika kita punya tim orang yang membangun alat-alat dan algoritma tersebut. Dan ilmuwan data tidak perlu menjadi spesialis dalam analisis penyesalan pada data mereka. Mereka mungkin dapat menggunakan alat, tetapi Anda mungkin memiliki lima atau enam ahli statistik dan aktuaris dan ilmuwan data dan beberapa ahli matematika yang bekerja pada alat itu, modul itu, algoritma itu, plug-in dan sebagainya dalam bahasa spreadsheet, jadi bayangkan bahwa setiap spreadsheet yang diterbitkan yang dapat Anda gunakan sebenarnya ditulis oleh spesialis yang menguji makro, menguji Visual Basic, memastikan algoritme berfungsi, jadi ketika Anda mendapatkannya, Anda bisa memasukkan data ke dalamnya, tetapi Anda tidak bisa benar-benar memecahkannya dan karena itu lebih baik dikendalikan.
Saya pikir banyak alat analitik melakukan itu. Saya kira sampai pada titik itu, apakah Anda melihat bahwa di lapangan sekarang, apakah Anda melihat transisi dari spreadsheet yang berpotensi mendorong kesalahan dan kesalahan dan risiko, ke titik di mana alat yang Anda bangun dengan Anda platform sekarang, dengan penemuan data yang akurat secara real time dan orang-orang yang membangun modul dan algoritma menghapus atau mengurangi profil risiko itu? Apakah layanan pelanggan melihat itu dalam arti sebenarnya atau apakah Anda pikir itu hanya terjadi dan mereka tidak menyadarinya?
David Sweenor: Anda tahu, saya pikir ada beberapa cara untuk menjawab ini. Tapi yang kami lihat adalah, Anda tahu, di organisasi mana pun, dan saya menyebutkan bahwa analitik yang saya pikir mungkin tertinggal dari perspektif investasi perusahaan, seperti yang kami lakukan dengan pergudangan data dan CRM. Tapi apa yang kami lihat, jadi, butuh banyak untuk mengubah organisasi, untuk mengatasi kelembaman organisasi itu. Tapi yang kami lihat adalah orang-orang mengambil spreadsheet mereka, mengambil alur kerja mereka, dan saya menyebutkan keamanan dan tata kelola, "Yah, mungkin saya punya spreadsheet, " "Yah, saya bisa mengunci ini dan saya bisa mengendalikan versi." kami melihat banyak organisasi, mungkin mereka baru mulai dari sana. Dan jika itu berubah, ada alur kerja dan saya akhirnya pergi, nomor satu, siapa yang mengubahnya? Mengapa mereka mengubahnya. Ketika mereka mengubahnya. Dan saya juga dapat mengatur alur kerja sehingga saya tidak akan membuat spreadsheet baru ini menjadi produksi kecuali itu divalidasi dan diverifikasi oleh satu, dua, tiga, namun banyak pihak yang ingin Anda tetapkan dalam alur kerja Anda. Saya pikir orang-orang mulai mengambil, dan organisasi-organisasi mulai mengambil langkah kecil di sana, tetapi saya mungkin akan menyarankan kita masih memiliki jalan panjang.
Dez Blanchfield: Memang dan saya pikir mengingat Anda membangun kontrol keamanan dan tata kelola di sana, maka beban kerja dapat secara otomatis memetakan itu dan semuanya sampai ke chief risk officer, yang sekarang menjadi masalah. Anda dapat mulai mengontrol bagaimana alat dan sistem itu diakses dan siapa yang melakukan apa dengan mereka, jadi itu sangat kuat. Saya pikir hal-hal lain yang muncul dalam hal ini adalah bahwa jenis alat yang Anda berikan, bagi saya, meminjamkan kepada perilaku manusia lebih dari pada spreadsheet tradisional yang sedang kita bicarakan, yaitu jika saya mempunyai ruangan yang penuh dengan orang. dengan dashboard yang sama dan akses ke data yang sama sehingga mereka benar-benar bisa mendapatkan pandangan yang berbeda dan, sebagai hasilnya, mendapatkan wawasan yang sedikit berbeda dari informasi yang sama, yang sesuai dengan kebutuhan mereka sehingga mereka dapat berkolaborasi. Kami kemudian memiliki pandangan dan interaksi yang lebih manusiawi dengan bisnis dan proses pengambilan keputusan, sebagai lawan dari semua pergi ke pertemuan yang sama dengan PowerPoint yang sama, dan lembar kerja yang sama dicetak, semua data tetap yang sama.
Apakah Anda melihat transisi dalam perilaku dan budaya dalam organisasi yang mengambil alat Anda sekarang di mana mereka melihat hal itu terjadi, di mana tidak seperti lima orang di ruangan itu yang melihat spreadsheet yang sama mencoba untuk hanya mengucapkannya secara verbal dan membuat catatan tentang itu, tapi sekarang mereka benar-benar berinteraksi dengan dasbor dan alat secara real time, dengan visualisasi dan analitik di ujung jari mereka dan mendapatkan aliran yang sama sekali berbeda pada percakapan dan interaksi, bukan hanya dalam rapat tetapi hanya kolaborasi umum di sekitar organisasi? Karena mereka dapat melakukannya secara real time, karena mereka dapat mengajukan pertanyaan dan mendapatkan jawaban yang nyata. Apakah itu tren yang Anda lihat saat ini atau belum terjadi?
David Sweenor: Tidak, saya pikir sudah pasti memulai jalan itu dan saya pikir hal yang sangat menarik adalah, Anda tahu, jika kita mengambil contoh sebuah pabrik, misalnya. Mungkin seseorang yang memiliki sektor proses tertentu dalam pabrik itu ingin melihat dan berinteraksi dengan data ini dengan cara tertentu. Dan mungkin saya, mengabaikan semua proses, mungkin yang ini di bagian bawah, mungkin saya ingin melihatnya di semua hal. Saya pikir apa yang kami lihat adalah, nomor satu, orang-orang mulai menggunakan serangkaian visualisasi atau visualisasi standar dalam organisasi mereka, tetapi itu juga disesuaikan dengan peran mereka. Jika saya seorang insinyur proses, mungkin itu pandangan yang sangat berbeda dari seseorang yang melihatnya dari perspektif rantai pasokan, dan saya pikir itu hebat karena harus disesuaikan dan harus dilihat melalui lensa yang Anda butuhkan untuk menyelesaikan pekerjaan Anda.
Dez Blanchfield: Saya kira proses pengambilan keputusan menurun, berdasarkan waktu dan kecepatan, untuk benar-benar membuat keputusan yang cerdas dan akurat juga meningkat dengan cepat, bukan? Karena jika Anda memiliki analitik waktu-nyata, dasbor waktu-nyata, jika Anda memiliki alat Statistika di ujung jari Anda, Anda tidak perlu berlari melintasi lantai untuk bertanya dan menanyakan sesuatu kepada seseorang, Anda sudah mendapatkannya dalam bentuk cetak. Anda dapat berkolaborasi, berinteraksi, dan benar-benar membuat keputusan saat itu juga dan segera mendapatkan hasilnya. Yang saya pikir beberapa perusahaan benar-benar belum memahami, tetapi ketika mereka melakukannya akan menjadi momen eureka ini, ya, kita masih bisa tetap di bilik kami dan bekerja di rumah, tetapi kita dapat berinteraksi dan berkolaborasi dan keputusan-keputusan itu kami membuat saat kami berkolaborasi berubah menjadi hasil secara instan. Dengar, saya pikir itu luar biasa untuk mendengar apa yang Anda katakan sejauh ini dan saya benar-benar menantikan untuk melihat ke mana ia pergi. Dan saya tahu kita punya banyak pertanyaan di T&J, jadi saya akan berlari kembali ke Rebecca untuk membahas beberapa dari mereka sehingga kita bisa mendapatkan itu secepat mungkin. Terima kasih banyak.
Rebecca Jozwiak: Terima kasih Dez, dan ya Dave, kami punya beberapa pertanyaan dari para hadirin. Dan terima kasih Dez dan Robin atas wawasan Anda juga. Saya tahu peserta khusus ini harus mengantar tepat di atas jam, tapi dia agak bertanya, apakah Anda melihat departemen sistem informasi agak lebih memprioritaskan kontrol data yang canggih daripada jenis merasa nyaman dalam menyediakan alat untuk pekerja pengetahuan? Maksud saya, apakah itu - silakan saja.
David Sweenor: Ya, saya pikir itu tergantung pada organisasi. Saya pikir bank, perusahaan asuransi, mungkin mereka memiliki prioritas dan cara berbeda dalam melakukan sesuatu, dibandingkan dengan organisasi pemasaran. Saya kira saya harus mengatakan itu hanya tergantung pada industri dan fungsi yang Anda lihat. Industri yang berbeda memiliki fokus dan penekanan yang berbeda.
Rebecca Jozwiak: Oke bagus, itu masuk akal. Dan kemudian peserta lain ingin tahu, apa mesin di balik Statistica? Apakah itu C ++ atau barang Anda sendiri?
David Sweenor: Ya, saya tidak tahu apakah saya bisa mendapatkan yang spesifik dengannya karena ini sudah ada selama 30 tahun dan sudah dikembangkan sebelum waktu saya, tetapi ada perpustakaan inti dari algoritma analitik yang merupakan algoritma Statistika yang dijalankan. Dan Anda lihat di sini bahwa kita juga dapat menjalankan R, kita dapat menjalankan Python, kita dapat meledak ke Azure, kita dapat berjalan pada Spark di H2O, jadi saya kira saya harus menjawab pertanyaan itu dalam hal, ini adalah berbagai mesin. Dan tergantung pada algoritme yang Anda pilih, jika Statistika yang dijalankan seperti ini, jika Anda memilih yang menggunakan H2O dan Spark, ia menggunakan itu, dan karenanya beragam.
Rebecca Jozwiak: Oke bagus. Peserta lain jenis bertanya secara khusus menunjuk ke slide ini, ingin tahu, jenis, bagaimana ilmuwan data warga tahu templat yang dapat digunakan kembali untuk digunakan? Dan saya kira saya akan membuat pertanyaan yang lebih luas dari itu. Itu, apa yang Anda lihat ketika pengguna lini bisnis atau analis bisnis masuk dan mereka ingin menggunakan alat-alat ini, seberapa mudah bagi mereka untuk mengambil dan menjalankannya?
David Sweenor: Saya kira saya akan menjawab itu dan jika Anda dapat menggunakan, jika Anda terbiasa dengan Windows, ini adalah platform berbasis Windows, jadi saya memotong bagian atas tangkapan layar ini, tetapi ia memiliki pita Windows. Tetapi bagaimana mereka tahu alur kerja apa yang digunakan? Sepertinya Windows Explorer, jadi ada struktur pohon dan Anda dapat mengonfigurasinya dan mengaturnya namun organisasi Anda ingin mengaturnya. Tapi bisa jadi, Anda hanya akan memiliki folder ini dan Anda akan meletakkan template yang dapat digunakan kembali ini dalam folder ini. Dan saya pikir mungkin ada nomenklatur yang dapat diadopsi oleh perusahaan Anda, katakanlah di sini adalah "hitung profil risiko, " inilah "dapatkan data dari sumber-sumber ini" dan beri nama apa pun yang Anda inginkan. Ini hanya folder gratis, Anda cukup menarik catatan ke kanvas Anda. Jadi, cukup mudah.
Rebecca Jozwiak: Oke bagus. Mungkin demo lain kali. Kemudian peserta lain muncul, dan itulah yang Anda dan Robin dan Dez bicarakan sejauh ketidakakuratan, terutama pada spreadsheet, tetapi sampah di / sampah keluar, dan dia melihatnya sebagai lebih kritis ketika datang untuk analytics. Agak menyebutkan bahwa, Anda tahu, penyalahgunaan data dapat benar-benar menyebabkan beberapa keputusan yang tidak menguntungkan. Dan dia bertanya-tanya apa pandangan Anda tentang pengembangan lebih banyak algoritma yang gagal, saya kira untuk itu, ia menggunakan kata, "terlalu bersemangat" menggunakan analitik. Anda tahu, seseorang masuk, mereka sangat bersemangat, mereka ingin melakukan analisis lanjutan ini, mereka ingin menjalankan algoritma canggih ini, tetapi mungkin mereka tidak begitu yakin. Jadi apa yang Anda lakukan untuk berjaga-jaga terhadap itu?
David Sweenor: Ya, jadi saya kira saya akan menjawab ini sebaik mungkin, tapi saya pikir semuanya tergantung pada orang, proses dan teknologi. Kami memiliki teknologi yang membantu memungkinkan orang dan membantu mengaktifkan proses apa pun yang ingin Anda masukkan ke dalam organisasi Anda. Dalam contoh mengirim kupon kepada seseorang, mungkin itu tidak sepenting itu, dan jika digital itu benar-benar tanpa biaya, mungkin ada satu tingkat kontrol keamanan dan mungkin kita tidak peduli. Jika saya memprediksi infeksi situs bedah, mungkin saya ingin sedikit lebih berhati-hati tentang hal itu. Atau jika saya memprediksi kualitas dan keamanan obat-obatan dan hal-hal seperti itu, mungkin saya ingin sedikit lebih berhati-hati tentang itu. Anda benar, sampah masuk / buang keluar, jadi yang kami coba lakukan adalah menyediakan platform yang memungkinkan Anda menyesuaikannya dengan proses apa pun yang ingin diterapkan organisasi Anda.
Rebecca Jozwiak: Oke bagus. Saya memang memiliki beberapa pertanyaan lagi, tetapi saya tahu kami telah melewati beberapa jam dan saya hanya ingin memberi tahu presenter kami, itu luar biasa. Dan kami ingin mengucapkan terima kasih banyak kepada Dave Sweenor dari Dell Statistica. Tentu saja, Dr. Robin Bloor dan Dez Blanchfield, terima kasih telah menjadi analis hari ini. Kami akan memiliki webcast lain bulan depan dengan Dell Statistica. Saya tahu Dave semacam mengisyaratkan tentang topik itu. Ini akan membahas analitik, topik menarik lainnya, dan saya tahu beberapa kasus penggunaan yang sangat menarik akan dibahas di webcast itu. Jika Anda menyukai apa yang Anda lihat hari ini, kembali lagi bulan depan. Dan dengan itu, teman-teman, saya mengucapkan selamat tinggal. Terima kasih banyak. Sampai jumpa.
