על ידי צוות Techopedia, 29 בנובמבר 2017
Takeaway: המארח אריק קוואנה דן בנתונים ואנליטיקה, כמו גם בתפקידי קצין הנתונים הראשי (CDO) וקצין האנליטיקה הראשי (CAO) עם ג'ן אנדרווד מ- Impact Analytix וניק ג'ואל מאלטריקס.
אריק קוואנה: גבירותיי ורבותיי, שלום וברוך שובכם למהדורה מיוחדת מאוד של הוט טכנולוגיות. חבר'ה, זה אריק קוואנה, אני אהיה המארח שלך לתכנית של היום, "ספר המשחקים של CxO: העתיד של נתונים ואנליטיקס." כן, זה נושא די גדול, אני חייב לומר. למען האמת, יש לנו כאן המון שובר שיאים. היו לנו מעל 540 אנשים שנרשמים הבוקר לשידור האינטרנט. אנו עושים זאת בשעה מיוחדת, כפי שרבים מכם יודעים לתערוכות הרגילות שלנו, אנו בדרך כלל עושים זאת בשעה 4:00 מזרחי, אך רצינו להכיל את האורח המיוחד ביותר המתקשר מרחבי הבריכה. תן לי לצלול ישר למצגת היום.
אז השנה היא חמה - זו הייתה שנה סוערת מאוד במובנים רבים, אני חושבת שהענן קשור לזה הרבה. המפגש בין טכנולוגיות שאנו עדים להן בשוק הוא הנהג העיקרי, ואני לוקח כמובן את ה SMAC כפי שהם מכנים זאת. אנחנו מדברים SMAC: חברתית, ניידת, אנליטיקה, ענן - וכל הדברים האלה באים יחד. ארגונים יכולים באמת לשנות את הדרך בה הם עושים עסקים. יש יותר ערוצים לביצוע הפעולות העסקיות שלך, יש יותר נתונים לניתוח. זה עולם פרוע באמת ואנחנו הולכים לדבר היום על איך דברים משתנים בסוויטת C, אז המנהלים, האנשים המובילים בארגונים האלה, ובכן כל העולם כולו משתנה עכשיו ואנחנו הולך לדבר על זה.
יש באמת שלך בראש. יש לנו את ג'ן אנדרווד מאימפקט אנליטיקס וניק ג'ואל, המוביל הטכנולוגי הראשי מאלתריקס היום. זה דברים מאוד מרגשים. גיליתי את הרעיון הזה אמש, אנשים, ואני חושב שזה ממש מעניין. כמובן שכולנו מכירים כסאות מוזיקליים, המשחק לילדים בו יש לך את כל הכיסאות האלה במעגל, אתה מתחיל את המוזיקה, כולם מתחילים להסתובב וכיסא אחד נשלף משם; כשהמוזיקה עוצרת כל אחד צריך לטרוף כדי להשיג כיסא בזמן שאדם אחד מפסיד בכיסאו במצב הזה. זה דבר מוזר ומשכנע מאוד שקורה ממש עכשיו בסוויטת C, ואם אתה מבחין בתמונה הזו ממש כאן, יש לך שני כסאות ריקים מאחור. בדרך כלל, כיסא נעלם בכיסאות מוזיקליים, ומה שאנחנו רואים בימינו, האם יש שני כיסאות נוספים ברמה C: CAO ו- CDO, קצין אנליטיקס ראשי וקצין נתונים ראשי.
שניהם ממריאים. למען האמת, קצין הנתונים הראשי באמת ממריא כמו אש בשדה קוצים בימינו, אבל מה זה אומר? זה אומר משהו מאוד משמעותי. זה אומר שכוחם של נתונים ואנליטיקה הוא כה משמעותי עד שאולמות דירקטוריון, או חדרי מנהלים, אני צריך לומר, סוויטות C משתנות - הם מכניסים אנשים לסוויטת C, מנהלים חדשים לגמרי ממלאים חלק מהמושבים החדשים האלה. אם אתה חושב על כמה קשה לשנות את התרבות של ארגון, ובכן מדובר בעסקה די רצינית. תרבות היא דבר שקשה מאוד לשנות, ובדרך כלל שינוי חיובי מטופח באמצעות ניהול טוב ורעיונות טובים וסוג כזה. אם אתה חושב על ההזדמנות שיש לנו כרגע, על ידי הוספת מנהלים חדשים בסוויטת C לניתוח ולנתונים, זה עניין גדול באמת. זה מדבר להזדמנות של ארגונים לשנות מסלול, ובואו נודה בזה, החברות הגדולות והוותיקות באמת צריכות לשנות בגלל האופן בו השוק משתנה.
אני בדרך כלל נותן דוגמאות ל- Uber, למשל, או Airbnb כארגונים ששיבשו את הענפים השלמים ביסודה, וזה קורה בכל מקום. על מה נדבר היום הוא האופן בו הארגון שלך יכול להסתגל, איך אתה שם בחוץ יכול להשתמש במידע הזה, בתובנה הזו, כדי לשנות את מסלול העסק שלך ולהצליח בכלכלת המידע.
עם זה, אני הולך למסור את מפתחות ה- WebEx לג'ן אנדרווד ואז גם ניק ג'ואל הולך לפלוט; הוא מתקשר מבריטניה בזכות שניכם וג'ן, עם זה, אני הולך למסור לך את זה. קח את זה מפה.
ג'ן אנדרווד: תודה, אריק, נשמע נהדר. בוקר טוב לכולם. היום נדבר על ספר ההשמעה הזה ב- CxO; זה העתיד של נתונים ואנליטיקה ואני הולך לצלול בדיוק פנימה. אריק כבר עשה עבודה יפה לדבר על הסיבה שזה כל כך חשוב. הדוברים שלנו היום, שוב, ראית שקופית נוספת עם המידע הזה, אבל תצטרך את עצמי ואת ניק ג'ואל לשוחח איתך באופן אינטראקטיבי בפגישה זו היום. אנו הולכים להיפתח בתיאור מהם התפקידים הללו וסוגי הדברים שהם במשימה לבצע. אנו נבחן את ענף האנליטיקס, את התחזית באופן כללי וכמה מהאתגרים שעומדים בפני אנשים אלה. הדינמיקה בארגונים כיום כשאתה מתכונן לעתיד ואז אנו נדבר על הצעדים הבאים וניתן לך הנחיות לתכנון, אם אתה מתכוון לבחון כמה מהתפקידים הללו בארגון שלך.
אם מדברים על ה- CxO הזה, CAO למשל, זה קצין האנליטיקה הראשי, זה תואר תפקיד עבור מנהלים בכירים שאחראים על ניתוח נתונים בארגון. CAO בדרך כלל ידווח למנכ"ל ושהתפקיד המתהווה במהירות יהיה חשוב, כשאתה חושב על מסת הטרנספורמציה והטרנספורמציה הדיגיטלית שיש לנו כרגע באופן בו חברות מקבלות ולקבל את ההחלטות העסקיות שלהן.
אם אתה חושב על השינוי הדיגיטלי והאינטליגנציה שהם הליבה של הטרנספורמציה הדיגיטלית, CAO זה תפקיד אסטרטגי מאוד בארגון. הם לא רק מחזירים את מדעי הנתונים החזקים לתובנות וידע זה, אלא הם מחזיקים בהחזר ה- ROI וההשפעה הנובעים מכך, אז על מה הם נמדדים? כיצד הם מביאים את ההחזר על ההשקעה הזה עם הנתונים שיש להם וכמה מהמספרים בשורה התחתונה בארגון לצורך מינוף נתונים אסטרטגית. עמדה זו, יחד עם ה- CIO, קצין המידע הראשי, עלתה לגדולה בגלל עליית הטכנולוגיה והטרנספורמציה הדיגיטלית וערך הנתונים.
במשך שנים, נתונים זהובים בעולם הספציפי הזה עם מונטיזציה ואינטליגנציה והפיכת מידע זה. להיות מסוגלים לנקוט בפעולות יזומות אלה ולא רק להסתכל לאחור, כשלעצמן. שתי העמדות דומות בכך שתיהן עוסקות במידע, אולם המנכ"ל, כשלעצמו, יתמקד בתשתיות בהן מתמחה רשות הסוכנות האמריקאית בתשתיות הדרושות לניתוח המידע. העמדה הדומה היא ה- CDO ואתה שומע הרבה יותר, אנו בטח שומעים קצת יותר על CDO מאשר לך לגבי CAO היום. ה- CDO מתמקד יותר בעיבוד הנתונים ובתחזוקה ובתהליכי הממשל לאורך כל מחזור החיים של ניהול הנתונים.
אנשים אלה יהיו אחראים גם לייצור רווחים של נתונים ולקבלת ערך מהנתונים ולעבוד לאורך כל בגרות מחזור החיים של הממשל והביטחון, לכל אורך המחזור, אני אומר, של מחזור החיים. אלה אנשים שעשויים להיות מאוד מכוונים, כשלעצמם, או אחראים לוודא כי ה- GDPR - ונדבר עליהם מעט - החוק להגנת המידע האירופי, שמוודא כי אותם סוגים של דברים מכוסים בארגונים שלהם. כעת אנו מקבלים את המבנה והעתיד לתפקידים עתירי נתונים דינמיים. אלה סוגים של דברים עליהם CDO יהיה אחראי ולא רק לעצמם - הם יבנו צוות חוצה תפקודים, ויש לי כמה דוגמאות לכמה מהאנשים שהיו מתגלגלים עד לכשעצמו, מבנה ארגוני, מאדריכלים ואנשי ממשל, ואפילו האנליסטים והמדענים והמהנדסים הנתונים בארגון עשויים להיפגש אליהם.
בהמשך לנקודת המבט של התעשייה בתחום האנליטיקס הייתה זו נסיעה פנומנלית - ככל הנראה עשר שנים, ואפילו ארוכה יותר - בענף מסוים זה. זה נמצא בצמיחה מתמדת, מרגש מאוד, אפילו בזמן התרסקות השוק לפני שנים הוא עדיין היה ביקוש גבוה. זה פשוט היה מקום נפלא ואם אתה מסתכל על סדר היום של ה- GIO מגרטנר בשנת 2017, BI ואנליטיקס עדיין נמצאים בשלושת הדירוגים המובילים של מה שהכי חשוב לארגון, ומסתכלים על צמיחת שוקי התוכנה, אנחנו כל הזמן לראות שם צמיחה. כל עוד הייתי במרחב הזה, זו תמיד הייתה קריירה ממש בהירה.
כשאנחנו מסתכלים על העידן הדיגיטלי הזה ועל השינוי, מה שמאוד מעניין אותי, זה התהליכים האלה שיש לנו, ולעתים קרובות זה מקבל מידע ונקוט פעולה מתהליכים או במהלך תהליכים עסקיים. כעת, העריך גרטנר עד 2020, מידע בו השתמשת יומצא מחדש, דיגיטלי או אפילו יבטל. שמונים אחוז מהתהליכים העסקיים והמוצרים שהיו לנו מלפני עשר שנים, ואנחנו מתחילים לראות את זה, נכון? אנו מתחילים לראות שעם פסוקים של אמזון, אולי כמה מחנויות הקופסא הגדולות, האוברס, ה- Airbnbs - המודלים הדיגיטליים האלה משבשים את התהליך וכעת אנשים מתקשרים עם זה. אפילו בלאק פריידי - אני לא יודע כמה אנשים באמת הלכו לחנות - הרבה אנשים קונים ברשת, ואיך מגיעים ללקוח הזה? לשם כך צריך אינטליגנציה. דרושה דרך שונה מאוד של אינטראקציה והתאמה אישית של המסר והבעלת אותה אינטליגנציה כדי להציג להם את ההצעה הנכונה בזמן הנכון, ועכשיו זה אולי בלחיצת כפתור. כל כך קל להם לעזוב את החנות המקוונת שלך. הדברים ממש משתנים בעולם הזה, ולדעתי ניק רצה לשוחח גם על זה.
ניק ג'וול: כן, שלום לכולם, תודה רבה. אני אתנצל מראש אם יש עיכוב קל בשמע שמגיע מלונדון, אני אעשה כמיטב יכולתי לא לדבר איתך, ג'ן.
אתה צודק לחלוטין, חיסול הפסולת, ההמצאה המחודשת כחלק מהטרנספורמציה הדיגיטלית, נוצרת לעתים קרובות כאשר ארגונים עוברים ממוצרים מותאמים אישית, אולי יישומים מנותקים ולפלטפורמות פתוחות ומחוברות יותר. כאשר התהליך שלך הוא דיגיטלי, זה יהיה הרבה יותר קל לראות את המסע מקצה לקצה של הנתונים שלך. צמצם את הצעדים שאתה נוקט באמת על ידי שימוש בנתונים כדי לייעל את התהליך.
בואו נעביר קדימה שקופית, אם נוכל. כשמדובר בטרנספורמציה דיגיטלית, מה זה אומר לארגונים, אני מניח שזה מרגש או מאיים, תלוי באיזה צד של הספקטרום אתה יושב. התבונן בתרשים כאן, מראה את אורך החיים של החברות וכיצד משפיעות ההפרעות משפיעות על הונו של הארגון. אם הקמת חברה בשנות העשרים, יש לך כמעט 70 שנה בממוצע, לפני שחברה אחרת שיבשה אותך. חיים די קלים בסטנדרטים של ימינו, מכיוון שכיום, לחברה בקושי יש 15 שנה עד ששיבוש מאיים על קיומה. זה צופה שכ- 40 אחוז מחברות Fortune 500 של ימינו, כך ב- S&P 500, כבר לא יהיו קיימות בעוד 10 שנים. עד שנת 2027 75 אחוז מ- S&P 500 עומדים להיות מוחלפים, ולכן מחצית החיים שאליהם מתמודדים הארגונים כיום, לפני שהם צריכים לדאוג מהפרעה, ממש מצטמצם. חברות מצליחות צריכות להקדים את אותו מירוץ חדשנות דיגיטלי.
כיום, אף אחד לא באמת מטיל ספק באנליטיקה. זה המרכזי, אותה טרנספורמציה עסקית דיגיטלית. למעשה, ארגונים מעמידים את החדשנות הדיגיטלית בראש האסטרטגיה שלהם. החברות הללו, הן חמש החברות החשובות ביותר בעולם, המייצגות שני טריליון דולר בשווי שוק, ג'ן.
ג'ן אנדרווד: כן, זה מדהים, זה באמת. זה באמת משתנה, ומהיר. הדינמיקה האחרת שיש לנו ודיברנו על זה, עכשיו אני חושבת שאנחנו סוף סוף רואים את זה וארגונים חשים את הצמיחה המעריכית הזו של מקורות נתונים, וזה אפילו לא רק מנתח נתונים על מקורות נתונים מובנים. שוב, אנחנו מדברים על זה, יש לך רק רגע בכמה מהתהליכים הדיגיטליים האלה לקבל החלטה והדברים האלה מגיעים ב- JSONs מממשקי API של REST, אנחנו מדברים על נתונים לא מובנים, בין אם קבצי היומן, יש כל מיני של סוגים שונים של נתונים, כמו גם צמיחה מתמדת קיצונית.
ניק ג'וול: כן, ג'ן, אז כפי שציינת, מנהיגים אנליטיים טובעים בתוך ים של נתונים. ההגעה לתובנה בעלת ערך גבוה, אולי באמצעות תערובת של טכניקות אנליטיות קיימות או חדשות, היא באמת מטרת הסיום, אבל יש בעיה פשוטה ועקרונית שאיתם ארגונים רבים שאנחנו עובדים איתם הם באמת מתמודדים. הזמנו את הרווארד ביזנס סקירה, עשינו את הסקר, בשיחה עם אנליסטים ומנהלי עסקים. הם שאלו כמה מקורות נתונים הם משתמשים בארגון שלהם כדי לקבל החלטה, וזה די ברור, חלה שינוי מהותי רק בשנים האחרונות. זה נהג לשלב נתונים, לדחוף אותם למחסן הנתונים, אבל אני מניח שלמרות כל העבודות המצוינות שקבוצות ה- IT ביצעו, ביצירת ניהול נתונים ריכוזי, אנליסטים עדיין מתמודדים עם המשימה ליצור מערך נתונים אנליטי ספציפי, אך הם צריכים לענות על שאלה עסקית. למעשה, רק 6 אחוזים קיבלו את כל הנתונים שלהם במקום אחד, ורוב האנליסטים צריכים למשוך נתונים מחמישה מקורות ומעלה - דברים כמו גיליונות אלקטרוניים, יישומי ענן, מדיה חברתית וכמובן, לא לשכוח את מחסן הנתונים ההוא.
כעת, מרבית הארגונים מכירים בכך, אך מה שרוב הארגונים לא מתמודדים איתם הוא העובדה הפשוטה שאנשי נתונים מבלים יותר מזמנם בממשל וחיפוש נתונים, מאשר הם למעשה מוציאים ערך. אלה אינן הבעיות האנליטיות האסטרטגיות בעלות הפרופיל הגבוה שעליו רוצים להנהלים העסקיים לשמוע. אך אי התייחסות לנושא הבסיסי אכן מונעת מארגונים להשיג תובנות מונחות ערך. ג'ן?
ג'ן אנדרווד: זה מעניין. בהחלט ראיתי מחקרים שונים בנושא וזה הקטע הזה כאן, בין אם זה 80 אחוז מהזמן או טריליוני דולרים שמתקנים מחדש את אותם נתונים שוב ושוב, בצורה לא יעילה מאוד בארגון. זה אכן מסתכם, 37 אלה 23 אחוז זה בזבוז זמן יקר מאוד. מדהים בעיניי שלא ניתן יותר תשומת לב לזה.
במבט על כמה מאלה, מה שהייתי קורא לכוחות השוק, והרבה פעמים כשאני מדבר על מגמות התעשייה, אני אוהב לעקוב אחר הענף ולשמור עליו דופק מתמיד. חשוב להבין מתי משהו יותר ממגמה, כאשר זה באמת יהיה כוח שאתה צריך לשים לב אליו, ואלו הם שלושת המובילים ברגע זה, כוחות לשים לב אליהם. זוהי צמיחה מהירה זו, מספר אחת היא צמיחה מהירה של מסדי נתונים שאינם קשורים. אני רק ציינתי את כל המושג הזה של לא היה לי הרבה זמן לחקור, כשלעצמו, JSON, אלה סוגים של תרחישים לא קשורים, שצומחים למדי - אני חושב שיש לי סטטיסטיקות ברגע אחד כאן - במהירות.
הדבר האחר הוא המעבר המתמשך לענן. לפני השיחה שציינתי הייתי מנהל מוצר עולמי באחת מחברות הטכנולוגיה הגדולות וניהלתי שיחות קשות לפני שלוש שנים עם קבוצות שאמרו, "לא נניח שום דבר בענן. לא נעבור לענן. "וזה היה מאוד מעניין לראות קבוצות שנה לאחר מכן, שנתיים אחר כך, עכשיו אני שומע מאותן קבוצות, שלכולם יש תוכנית ענן. אני חושב שכולם מהווים קיצוניות של הצהרת מברשת רחבה מאוד, אבל מה שהייתי אומר זה, אנשים שהיו אנטי-ענן, בוודאי שהגישה השתנתה בצורה דרמטית, תוך פרק זמן קצר מאוד, אפילו מאז שדיברתי עם קבוצות ברחבי העולם דברים מסוג זה.
אוטומציה, זה תחום שמקסים אותי ותחום שאנחנו בהחלט רואים בו הרבה פעילות ופעילות נהדרת. אנחנו מדברים על כמה מהדברים האלה עם זמן מבוזבז ושימוש לא יעיל בזמנכם. אוטומציה היא ללא ספק אחד התחומים שאני הכי מתלהבת מהם כשאני חושבת להביא ערך לארגון.
השקופית הבאה עליה אדבר, זה מחקר של המרכז הבינתחומי, הם מסתכלים על פלחי השוק והצמיחה וזו באמת דרך נפלאה להפעיל דופק על מה שבאמת צומח, מה קונים עמיתים שלך? באילו סוגים הם כבר לא מעוניינים? סוגים אלה של דברים ומכניסים לאסטרטגיה שלהם.
בשוק התוכנות האנליטיות ביג נתונים גדולים יש, על פי IDC, 16 מגזרים ובמובן המקטע הזה אנו בודקים אפילו כמה שינויי שם. הייתה תוספת של תוכנות אנליטיות רצופות, פלטפורמות תוכנה AI קוגניטיביות, מערכות חיפוש, כך שהיו כמה קטגוריות חדשות שאף נוספו לכאן. סקירת שוק זו מקיפה די הרבה את הכלים האופקיים, יישומים ארוזים מראש כמו גם תמיכה מסוימת בהחלטות ומקרי שימוש באוטומציה. שוב, זה הולך להיות סוגי הפתרונות, כשחושבים על CDO, מכניסים את ההקשר של CDO, את תיק העבודות שלהם שעשוי לנהל משילוב נתונים להמחשת ניתוח, למידת מכונות וכל סוגי היכולות האלה שהם צריכים. שיהיה בעידן הדיגיטלי.
השוק העולמי עצמו עבור פתרונות מסוג זה צמח 8.5 אחוזים במונחי מטבע שוטף והשוק הכולל צמח 9.8 אחוזים על פי IDC. זה הושווה ל - אתה מסתכל על תנודות מטבע במשך תקופה של שנתיים ומידת השונות היא מינימלית, אבל אותם שלושת המגזרים המובילים שהדגשתי, רק כדי לתת לך תחושה עבור אותם מקורות נתונים אנליטיים שאינם קשורים, 58 אחוזים צמיחה משנה לשנה, ניתוח תוכן ומערכות חיפוש היו 15 אחוז וכמה מיישומי קשרי לקוחות, דברים מסוג CRM או מכירות איינשטיין, למשל, אלה צומחים יותר מעשרה אחוזים, הם 12 אחוזים ברגע זה. אני חושב שניק רצה להוסיף גם פרשנות על זה.
ניק ג'ואל: תודה ג'ן. זה חזותי פנטסטי. אני חושב שבאלטריקס תמיד האמנו כי הכנת נתונים ושילובם יהיו תמיד יכולת ליבה של כל מערכת אנליטית, אבל זה באמת הבסיס לכל ניתוח מתקדם יותר. כעת, במשך השנים האחרונות, בואו נדבר על הענף - יתכן שהיה מעט ממוקד בכמה מיכולות ההדמיה האינטראקטיבית החדשות. הם נראים יפה כי הם מגבירים את המעורבות, הם מניעים תובנה, אך הם לא ממש העבירו אותנו מעבר לניתוח תיאורי.
אבל, אני מניח שעכשיו שאנשים מפנים את דרכם מעט גבוהה יותר, ארגונים שמתחילים להבין את הערכים העסקיים יגיעו מאותם ניתוחים מתוחכמים יותר שעכשיו עושים את דרכם למיינסטרים. השאלה שם הופכת, איך, או ליתר דיוק, למי? זה קפץ לניתוחי ערך גבוה יותר; זה באמת זורק את סוגיית המחסור בכישרון אנליטי להקלה די חדה, האם אתה מסכים?
ג'ן אנדרווד: בהחלט, והייתי, אני חושב שרק ציוצצתי, ראיתי אתמול תגובה ממש מרתקת מסמנכ"ל אדובי באומרו "למידת מכונה הפכה להימורים בטבלה", שם אנשים היו בעבר זהירים, עכשיו זה הפך להיות צורך וזה מעניין. מסתכל על זה ופשוט זווית קצת אחרת קטנה אחרת, כשלעצמה. הרבה אנשים, אנחנו מתחילים לראות את זה כאזור צמיחה גבוה עם חנות אנליטית שאינה קשרית וה- AI הקוגניטיבי, למידת מכונות אלה, ניתוחים בעלי ערך גבוה. אבל עדיין בסופו של יום, כרגע הקטע הגדול ביותר, כך שאיפה שרוב הרכישות מתרחשות כיום, הוא עדיין בסיסי זה, מה שהייתי אומר, דיווח על השאילתה, חלק מהניתוח הוויזואלי, והוא עדיין צומח וזה משהו שהרבה אנשים מניחים שכבר יש לך את זה - לאו דווקא. זה עדיין צומח 6.6 אחוזים בכל שנה.
בתור CDO - ואני אוהב להציג את השקופית הזו - בעיקרון רק לומר, כשאתה נכנס לתפקיד החדש הזה או שאתה מסתכל על נתונים בארגון, זה כאוס, ואני חושב שהשקף הספציפי הזה באמת עושה עבודה נחמדה של - אלה כל התחומים הפוטנציאליים השונים שיש לך נתונים. הם עשויים להיות במקום, זה יכול להישאר בענן, יכול להיות שהוא היברידי, זה בכל מקום וזה מדהים גדול - שוב, זה תפקיד מסוג C עכשיו בארגון, וזו לא משימה פשוטה או פשוטה - בעולם הספציפי הזה שיש לקחת עליו, זה די מדהים לפעמים. זה העולם ש- CDO זה צריך לנווט, בכדי להיות מסוגל לשלוט במה שאני אומר, למקסם את ערך הנתונים.
להמשיך באתגר, למקסם את הערך של כל אותם מקורות שונים ומה שיש לנו זה חלונות הזמן הסגורים האלה, עם התהליכים הדיגיטליים האלה או שהתובנה לפעולה הולכת ונסגרת. אם אתה חושב על אולי לפני חמש שנים, לפני עשר שנים, ייתכן שיהיו לך דוחות שהיית רץ לקבל כמה החלטות עם מלאי או פעולות, אלה עשויים להופיע שבועי, חודשי, ואז הם הפכו ליומיומיים או לילה, אולי זה לפי שעה.
כעת, מה שאנחנו רואים הם הלמידה המכונה האינטליגנטית המובנית במשרדים אינטליגנטיים מלאכותיים, מקבלת החלטות ותיקונים במקום, כך שאפילו דברים כמו האינטרנט של הדברים, אנליטיקה משובצת IoT בקצה, המערכות הללו חכמות והאלגוריתמים האלה יכולים לכוונן את עצמך ולשנות כמה מההחלטות שהם מקבלים במקום בזמן הנכון. היה מאוד מעניין לראות את הדינמיקה הספציפית הזו עם המהפכות הדיגיטליות ונקודות המגע הללו - למרות שהן גדלו, הזמן לפעולה ממשיך לרדת והטכנולוגיה מתפתחת לתרחישים אלה.
ניק ג'ואל: כן, ג'ן, אני חושב שאחד ההיבטים המעניינים ביותר באופן העברת המובנה משתנה, הוא המקום בו הניתוח מגיע למשתמש הקצה. האם אנו מבקשים מהמשתמשים לקפוץ ללוח מחוונים כאשר הם מקבלים החלטה קריטית, או שאנו אומרים כי התובנה, הפעולה הבאה הטובה ביותר, זמינה ישירות בתהליך, בזרימה, על מנת להניע את אותו יתרון תחרותי? והמודל האנליטי שעליו אנו מדברים עשוי להזדקק כדי לקבל את תשומותיו משלל מקורות שונים - מחסני נתונים מסורתיים, מיקומים גיאוגרפיים, מדיה חברתית, חיישנים, קליקים, כל הנתונים הללו משפיעים על ההחלטה ועל התוצאה האפשרית. .
ג'ן אנדרווד: המשך בנושא זה של אתגר ושינוי, מה שיש לנו כרגע והאתגרים שהמנכ"ל צריך לאמץ ולתכנן דרך לכבוש אותם, הוא בעצם שיש לנו יותר מדי נתונים לניהול ובניתוח ידני של יעילות. יש עיכובים ארוכים; עלינו לקצר את העיכובים הללו ואנחנו צריכים למצוא דרך למקסם את ערך הנתונים שיש לנו. יש מחסור בכישרון מדעי הנתונים בעולם וכדי לכסות את התובנות הללו ואת מה שאנו מכנים אוקיינוסים כנתונים. החדשות הטובות הן שיש כמה חידושים נפלאים שקורים לעזור בכל תחום זה כיום, וזה מתחיל לראות מה, לאן הטכנולוגיה הולכת לקחת אותנו, לעזור לנו עם האתגרים האלה.
כשהמשכתי להסתכל על זה, יש מעט בלבול כשדיברתי עם לקוחות או שדיברתי עם קבוצות באמצעות כמה מהכלים האלה. כמה מהאתגרים הקלאסיים קיימים כיום, זה רק מחמיר מעט יותר עם ניסיון למצוא נתונים לניתוח. חלק מכלי החיפוש, חלק מהקטלוגים שם בהחלט עוזרים לדברים - מה שאנחנו מוצאים זה באיזה קטלוג להשתמש מתי. יש כמה קטלוגים שונים, כך שיש מקומות שונים שאתה יכול לאחסן ולשתף נתונים, אז זה עניין של לנסות למצוא אחד, אולי הקטלוג שאנחנו צריכים לחפש בו.
הדבר האחר הוא שיתוף שיתופי. דיברנו על אחד המחקרים מאותה סקירה של הרווארד ביזנס, כמה זמן מבלה, בעיקרון ביצוע משימות שאינן מוסיפות ערך, בזבוז זמן וכמה יקר זה יכול להיות. אם אתה יכול לשתף פעולה במקורות נתונים נפוצים בשיתוף פעולה, הסקריפטים כבר פותחו, ההיגיון כבר קיים שם, אתה יכול לשלוט בהם ביעילות, אז איזון ממשל עם זריזות אנליטית, זה באמת מה שאתה רוצה לשאוף לעשות ולנווט בעולם הזה של מה שהייתי קורא לו, יש לנו את כלי הנישה, יש לנו כלי זרימת עבודה אוטומטיים, יש לנו אקסל קלאסי, קטלוגים של נתונים, BI בשירות עצמי, כלים למדעי נתונים. כפי שהראתה תמונה אחת, ישנם כלים רבים, רבים והרבה חפיפה ביניהם.
ניק ג'וול: כן, מושלם, ג'ן, ואני חושב שחלון התובנה, כפי שציינת, הוא בהחלט מתכווץ, אבל הזמן שלוקח לפרוס מודלים בפועל לא עומד בקצב. פריסת מודל חזוי ממשיכה להיות אתגר גדול עבור חברות רבות. דיברנו עם קרל רקסר שהוא נשיא רקסר אנליטיקס, ובסקר מדעי הנתונים של קארל 2017 הוא מצא שרק 13 אחוז מדעני הנתונים אומרים שהמודלים שלהם תמיד נפרסים, ויחס הפריסה הזה פשוט לא משתפר, אז אנחנו חזור עם כל סקר קודם. למעשה, בחזרה לשנת 2009, אז נשאלה השאלה לראשונה, ואנחנו רואים תוצאות כמעט זהות, כך שיש לנו פער אמיתי.
ג'ן אנדרווד: כאשר אנו בוחנים את הבשלות האנליטית, הוא מתקדם במהירות. שוב, לפני שנתיים-שלוש התרגשנו מאוד מניתוח בשירות עצמי ויזואלי ולבסוף להיות גמישים ולהרחיב את ה- BI להמונים, כשלעצמם. כשאני אומר המונים, כנראה שעדיין משתמשים במשתמשים בארגון. כעת אנו רואים אופטימיזציה, ניתוח חזוי, למידה עמוקה, שפה טבעית, טכנולוגיות רבות אחרות שבאמת, כפי שהן מוטמעות בתהליכים יומיומיים, בסופו של דבר דמוקרטיזציה של אנליטיות בצורה חלקה מאוד עבור ההמונים, עבור ההמונים האמיתיים שישמשו בתוך תהליכים עסקיים קיימים שיש להם כבר.
ניק ג'ואל: כן, ג'ן, בואו נדבר סיפור מהיר סביב הקטגוריה האחרונה הזו, אם אוכל. רוב המאזינים לשיחה היום הולכים להכיר את תוכנת ה- AlphaGo של Google DeepMind, והביסה כמה משחקני ה- Go הטובים ביותר בעולם במהלך השנים האחרונות. AlphaGo למדה לשחק את המשחק על ידי לימוד נפחים אדירים של משחקים שהוקלטו בעבר. עד כדי כך שפרשני טורניר ה- AlphaGo טענו שהתוכנה משוחקת בסגנון גרנד מאסטר יפני, תאמינו או לא.
אולם במהלך החודש האחרון דווח על תוצאה מדהימה כמעט יותר. זה היה AlphaGo Zero, למידה עמוקה, רשת עצבית, חמושה בלא יותר מחוקי המשחק הפשוטים ופונקציה מיטבית. זה לימד את עצמו להפוך לשחקן ה- Go החזק ביותר בעולם, ללא אימונים מפוקחים, והוא עשה את כל זה בסביבות 40 יום. לימוד תגבור זה שנקרא, בו בני האדם מגדירים את האתגר, מאפשרים למערכת הלמידה העמוקה לחקור, להשתפר, באמת יכולים להניב את ההשפעה הגדולה ביותר במרחב האנליטי עד כה. אז, אני מניח, הישאר מעודכן.
ג'ן אנדרווד: כן, זה באמת מעניין שהזכרת את זה. אתה יכול לדמיין את ההכללות? וזה מה שאני מתחיל לראות. באמת, כשאני מדבר על אוטומציה, מרגש מאוד שהפתרונות יהיו חכמים מספיק לאוויר נקי, ללמוד ממערכות באופן אוטומטי, לחבר ולהפעיל ופשוט לדעת מה לעשות הלאה על סמך כמה מההחלטות שהיו בעבר או החלטות אחרות שנעשו בתוך הארגון וניהלו חלק מהמערכות האלה, מערכות ה- ETL ודאגו להן, והיו דרך חזרה ביומונים וטלפונים שקראו לי התראות כשהתהליכים לא פעלו, זה כל כך מרגש לחשוב, "וואו, עכשיו זה מספיק חכם כדי כנראה לרפא עצמי."
בעלי מנהל רשת לריפוי עצמי, יהיה לנו שילוב נתונים של ריפוי עצמי, ניתוחים לריפוי עצמי ואיפה שזה משתפר ומשתפר, זה ממש מרגש. כ CDO, כשאתה מתחיל לחשוב על טכנולוגיית תהליכים של אנשים, אנו הולכים להסתכל, כרגע אנו מסתכלים על טכנולוגיה, ואז אנו הולכים להסתכל על אנשים ואיך לגשת לבניית הצוות שלך ולבנות היכולות. אם אתה מסתכל על פלטפורמת האנליטיקס המודרנית, אני אגיד לך מייד, לא לכולם יש כאן הכל, למרות שהארגונים הגדולים ביותר עשויים לכלול את כל המרכיבים השונים האלה, כשלעצמם, בחלק מהקבוצות יש רק שתיים או שלוש תיבות קטנות כאן, אז לא רציתי להציף אנשים עם זה. אך פלטפורמת BI מודרנית אינה דורשת בהכרח שכבה סמנטית לבניית IT, מוגדרת מראש.
על המשתמשים והמומחים באמת להיות מוסמכים רק להכין נתונים למהירות וזריזות אנליטית, ואם אתם חושבים על עליית מה שאנו אומרים על ידי אנליטיקה על ידי משתמשים ומומחים, לאפשר למומחי הנושא להיות זריזות, הם צריכים לקבל החלטות מהירות. אנו רואים אימוץ מוגבר של מה שהיינו אומרים, כלי הכנת הנתונים האישיים, התנצלות הנתונים, העשרה, טיהור, סוגי הפעילויות שעושה אלטריקס וכן חלק מפעילויות מסוג מדעי הנתונים שהם מציעים נו. פיתרון ההכנה המודרני, הם מציעים חיבורים אוטומטיים, אוטומטיים, רזולוציות אוויר, העברת נתונים, כשיש לך צינור נתונים גדולים זה מגניב מאוד. זה כנראה, שוב, אחד התחומים שאני אוהבת ומאוד נהנים לבחון גם בענף.
שלא כמו ה- BI המסורתי המנוהל על ידי ה- IT, ה- IT כיום מתמקד באמת בהפעלת העסק ויש לך אנשים כמו CDOs, או להרכיב או לבחור את הפתרונות הנכונים לתזמור, לארגן ולאחד נתונים אלה ולוודא, כמובן, שזה נשלט, נכון? דבר אחד מאוד מעניין אותי ובטח שלדעתי הסקנו את זה, אבל אני לא חושב שסתם אמרנו את זה, הימים של מחסן נתונים בגודל אחד שמתאים לכל גודל וזו היותו סוף-כולם להיות-כולם, בוודאי נגמרו. נתונים נמצאים בכל מקום, אתה צריך לעשות - אגמי נתונים נכנסו לתמונה, יש סטרימינג ונתונים חיים, יש כל כך הרבה מקורות נתונים שונים, והם באמת שימושיים יותר לפי מקרה, "מה אתה צריך?" "עלינו להכניס הכל למחסן נתונים." אני לא בטוח, ניק, רצית להגיב על זה? אני לא זוכר.
ניק ג'וול: אני רק אגיד דבר אחד וזה פשוט, צפה בהתפתחות של הרכיב. מה שעשו מומחים לפני חמש עד עשר שנים, נמצא כעת בידי המשתמש, כך שהדברים בצד ימין שם הולכים להיות נפוצים יותר עבור המשתמש בצורה חופשית מגרירה ושחרור, בקצרה מאוד. זה יעבור מהר יותר ויותר, אז פשוט פיקח על זה.
ג'ן אנדרווד: כן, זו נקודה ממש טובה. אני אוהבת לחשוב על זה. מדעי הנתונים השונים, סוף סוף זה הופך למציאות והכלים משתפרים כל כך. חושבים על טכנולוגיה, עכשיו עלינו להיות בעלי הכישורים והאנשים ומה עלינו לעשות? כרגע המשרות הטובות ביותר, הן כוללות כותרות כמו מדעני נתונים, מהנדס נתונים ואנליסטים עסקיים, ובכל זאת, מה שאנחנו מוצאים זה שמעסיקים עצמם מתקשים מאוד להתאים. אפילו במרחב הכנת הנתונים אני אגיד, "האם זה הכנת נתונים, האם זה נתונים מתפתלים, איזה מונחים אנשים מכנים זאת?" היה מעניין מאוד למצוא.
העסק לא יודע מה הם צריכים ויש את כל התחומים החדשים המתעוררים זה שישתרע על תחומים רבים ושונים. אם אתה מסתכל על כולם עכשיו צריך להיות אדון בנתונים שלהם, ניתוחים עסקיים, מנהלי פרויקטים בתחום ה- IT, בעלי שמנהל רשת חשמל ותיק פרויקטים, הוא צריך להיות מסוגל לנתח את זה. זה לא סתם מימון וניתוח הנתונים, הוא באמת מורחב הרבה יותר לתחומים אחרים בארגון. אני חושב שראיתי מחקר על כמה מקורות נתונים משתמשים בשיווק, וזה היה מהמם. שוב, כשאתה חושב על המחקר שנעשה על ידי הרווארד ביזנס סקירה, זה כבר לא רק מקור נתונים אחד שאנשים צריכים להתמזג ולהתמזג ולמצוא תובנה ממנו, זה מקורות נתונים רבים ונדרש מיומנות לעשות זאת.
כשמסתכלים למעשה על התמונה הגדולה יותר כאן, רוב העובדים החדשים יהיו בבועה הוורודה הזו לכיוון התחתית, כשאתם מדברים על האנליסטים העסקיים האלה לאנליסטים של כריית נתונים, מנהלי משאבי אנוש, התחום הזה, רק תפקידים קבועים בתור. של עסק באמצעות נתונים. התפקידים הצומחים במהירות יהיו פחות משרות, אבל בהחלט מה שאנחנו שומעים עליו הכי הרבה כיום בשוק, מדען הנתונים ומהנדס הנתונים. כ CDO, הם מסתכלים קדימה ואתם מתכננים כישרון, עליכם לקחת חלק באוטומציה של משימות שגרתיות וסוגי המיומנויות שיהיו אסטרטגיים יותר, ושוב, להוסיף ערך עם הארגון שלכם, לשניהם אלה באנליטיקה מופעלים אך גם עבור אנשי מדעי הנתונים ומהנדסי הנתונים שם. שקול כיצד העמדות שלך שלא פורסמו ואפילו חלק מכלכלת הפרילנסרים עשויות להשתנות כשאתה חושב על זה כדי להתמודד על הטובים והמבריקים ביותר.
ותחשבו תמיד על צנרת הכישרון שלכם, עזרו למועמדים לנווט בשוק או לחפש דברים שעשויים להיות קצת אחרים ולא בדיוק מה שאתם רוצים וליצור קורסים אנליטיים פנים, שאולי לא יהיו הכי מהירים ביותר, אסטרטגיה חסכונית בשבילך להמשיך. שקול להסתכל על אנשים המוקדשים לאימונים בקבוצות זו או בקבוצות שונות, ואני מאמין שלאלתריקס יש קורס מומלץ בסוף המפגש היום כקריאה לפעולה, שתוכל למנף חלק מהדברים האלה ולעזור לצוות שלך למנף חלק מהמשאבים הקיימים שכבר זמינים.
ניק ג'ואל: בהחלט. יש כל כך הרבה דרכים למלא את פער הכישרונות הזה מבלי להיקלע למירוץ חימוש. זוג שקופיות אחורה, אני לא יודע אם אתה מסוגל להחליף שם זוג. קגל, אתר תחרות מדעי הנתונים, הם פשוט פרסמו סקר עם 17, 000 תגובות סביב מצב מדעי הנתונים והיה תגובה ממש מעניינת מהסקר סביב המיומנויות שהיו לאנשים, ולרוב הנשאלים לא היה תואר שלישי, זה פשוט לא תנאי מוקדם יותר.
הרעיון שמומחי האנליטיקה של הדור הבא, אותה בועה גדולה שרק הראתם, הם יכולים להשיג את הידע שהם צריכים מקורסי ננו תואר. הם יכולים להגיע לאתרים כמו Udacity והם יכולים לפרוס את הידע הזה באופן מיידי, ישירות בעסק, מחזורי משלוח קצרים וממוקדים הופכים אותם למקור מיידי להתקדם תחרותי עבור החברות שלהם. אז משהו להיזהר, אני חושב.
ג'ן אנדרווד: לא, אני מסכים. גם אם אני חושב על זה, זה בהחלט עבר דרך ארוכה מאז שלקחתי תוכנית לשנתיים ב- UCSD. נדמה לי שזה היה בשנת 2009, 2010, ובמקום היה אולי קומץ במדינה שאפשר לך לעשות זאת. יש בדרך כלל הרבה יותר אפשרויות עכשיו, כמו גם תוכניות ייעודיות, בין אם זה דרך הספקים, הרבה משאבים שקיימים היום עם לולאות וכל המשאבים המקוונים השונים האלה, זה פשוט מדהים, זה באמת הזמן. הפוך זמן ותקצוב את זה ותזמן את עצמך להמשיך. מה אתה רוצה ללמוד? ואז ללכת בדרך הזו שאתה רוצה ללמוד.
אם מדברים על התבוננות בזה ומרכיבים את תוכנית המיומנויות שלך משלך פוטנציאל של CDO, וודא שיש אנשים באיזורים מכוסים, ממה שהייתי אומר מסגרת יכולת כשלעצמה, מסתכל על כישורים או מסתכל על דברים כמו ידע בתחום. זה עדיין ממש מפתח, למרות שהפתרונות הללו יכולים להתאמן וללמוד עצמי, זה באמת מומחה לנושאים עסקיים שינחה וידאג שהתוצאות יהיו הגיוניות.
תמיד יש משהו ואני אוהב להשתמש בדוגמה של כשעשיתי ניתוחים ביקורתיים עבור חברת ביטוח ואחד הממצאים שהיו לאלגוריתמים זה לא להעסיק מישהו מניו יורק. ובכן, לא, אנחנו לא מתכוונים להעסיק אף אחד מניו יורק - היינו צריכים לגלות מדוע האלגוריתם העביר לנו את המידע הזה. זה בגלל שהחוקיים, אחד החוקים השתנה ולכן היה לנו הרבה זבובים בקטע הספציפי הזה. היה צריך להביא מומחה לנושאים עסקיים כדי לפענח את זה, ואני לא רואה את זה שמשתנה, אני לא רואה סוג כזה שמנחה אותו, מוודא שהתוצאות נראות מדויקות, האם משהו לא מכבה - זה עדיין יש משהו שאמור להיות המוח האנושי, היופי שבשילוב עם הכוח של המכונה, הוא באמת לאן אנו הולכים.
שאר סוגי הדברים כשאתה מסתכל על כישורים, ויזואליזציה, מספר סיפור יעיל בנתונים, מספר סיפור יעיל אם זה אפילו תפוקת למידת מכונה. ההרכב יחד והתבוננות מהי ההשפעה שהוא עושה, הבנת האופי האנושי של קבלת ההחלטות, אותם סוגים של דברים חשובים מאוד ללא קשר לטכנולוגיה. ממשל הוא ממש חשוב, האתיקה הופכת חשובה יותר ויותר. כאשר מדענים חברתיים מעורבים, הם מבינים שהם מאומנים לבדוק אם יש הטיות בנתונים שלך שאתה אפילו לא מבין או שאין מישהו בארגון שאולי אפילו לא מכיר בכך, אפילו מביא אותם למומחה, שיש סוגים כאלה של דברים.
ושוב, כמובן שיש לך את התשתית להנדסה והחומרה ולוודא שאתה יכול להתאים את גודל זה לפיתוח, ולוודא שאתה משתמש בספק הענן הנכון, אולי שאתה לא נעול או שיש לך אפשרויות לעבור או אתה מבין את התמחור של כמה אלה יעלו לך. אלו סוגים של מיומנויות וכשמסתכלים על זה, היינו קוראים לזה מיומנויות לפי תחומים שונים, בין אם זה מקבלי החלטות מונעים נתונים - היכן שרוב התפקידים האלה יהיו - כל הדרך לאותם מהנדסי נתונים ומדעני נתונים, להיות מעסה ולעבוד באוקיינוסים אלה של נתונים. אלה סוגים של דברים שתרצו להרכיב בהם מסגרת.
כשמסתכלים על מסגרות כישורים, מסתכלים על ארגון באופן כללי, רוצים לשקול כישורים ולא רק כישורים. יש שם מעט ניואנסים בניסוח כשאתה מסתכל על זה. מסגרת כשירות לארגון שלך היא איתות ברור. מקבלי מדיניות מלחמה, ספקי חינוך, בעוד שמאפשר לומר על כישורים, הקלידו תחת R, אתה חושב על סוגים כאלה של דברים, יש לך קידוד מוסמך, אבל אתה רוצה שתהיה לך יותר מסתם הכישורים האלה. כשמבינים יכולת, מה שאדם צריך להיות מסוגל להבין ולהבין את המסגרת, זה החשוב, יש שם קצת ניואנס.
כשאתה בונה את זה, אתה רוצה לאבחן מה היית מכנה יכולות שיש להן השפעה חיובית על העסק ולהדגיש את התחומים הפוטנציאליים הגבוהים האלה, אז אתה בסדר העדיפויות מהי הכישורים שאתה רוצה להעלות בארגון שלך ואז יישר את אלה שוב עם היעדים העסקיים. ה- CDO שאחראי למקסם את ערך הנתונים, הם יסתכלו עליהם, וה CAO שלהם, זה הולך להשתמש בניתוח כדי למקסם את ערך הנתונים. הם יסתכלו על יכולות אלה ועל אותם תחומים שונים, על רשת העבר שהייתה לי שם, אבל אז הם גם יתבוננו בפוטנציאל הגבוה של הצוות. אתה הולך להפנות את זה עם הצוות שלך לעבודה בנתונים וניתוח ולהשקיע בהם, לספק להם הזדמנויות למידה ולא רק הכשרה, בעצם הזדמנויות בעולם האמיתי העובדים על בעיות עסקיות אמיתיות.
אין דבר טוב יותר - למרות שלמדתי כמה שנים לבית הספר, זה לא היה לפני שהלכתי ליישם חלק מהאלגוריתמים האלה או למדתי על הונאות צ'קים, למדתי על כמה מהדברים האלה שמעולם לא חשבתי עליהם, ואתה התחל להרכיב את העולם האמיתי וכאן אתה באמת לומד. לתת לאנשים את ההזדמנות להשיג את הניסיון בתחומים אלה. החברות שהכי מסוגלות לבנות יכולות חזקות, שמזהות באופן שיטתי, הערכות אובייקטיביות ומסתכלות היכן הם הפערים בארגון שלי למידה והצבת מדדים למטרות לאנשים, אלה שהולכים להיות מסוגלים להעביר, לספק.
כשחושבים על אימון מבוגרים, שוב, בדרך כלל זה זמן מורעב - כולנו מורעבים כל הזמן - אבל מסתכלים מה עובד עבור כל אחד. באופן אישי יש לי ספרים, כך שאם היית נכנס למשרדי היום היית רואה טונות של ספרים, למרות שהרבה אנשים כמו סרטונים. אז זה עניין של לברר, איך מישהו בארגון שלך אוהב ללמוד - להניע אותו ללמוד - אבל גם לספק להם קצת זמן לעשות את זה ומטרה של סוג כלשהו - מה יעיל להגיע לזה ובדרך כלל זה מעורבב, זה לא סתם, קח את הקורס הזה כדי לבדוק את הסימון הזה בכרטיס ציון, כשלעצמו, זה מיזוג זה עם פרויקט יעד אמיתי ומה למדת מהפרויקט הזה ומה אתה רוצה לעשות הלאה? מה מתיחה? למתוח את הצוות שלך או להניע את הצוות שלך להמשיך את זה הלאה.
יעדי הלמידה האלה, שוב, אם אתה עושה את זה, זה לא אמור להיות, זה צריך להיות קל לעסק בעיקרו מכיוון שיעדים אלה צריכים להתיישר עם האינטרסים העסקיים האסטרטגיים. אלה פרויקטים נהדרים. הם פרויקטים ניסיוניים. הם פרויקטים שיזיזו את המחט קדימה.
ניק, רצית להוסיף משהו? אני לא בטוח.
ניק ג'וול: לא, התכוונתי לקפוץ למחקר מקרה, אם זה בסדר, על המסך הבא. קצת יותר פירוט של ארגון ספציפי. אני מניח שהם הכניסו הרבה ממה שאתה אומר לפועל, למציאות. חברת המנועים של פורד הסתמכה על ניתוח נתונים במשך עשרות שנים, ממש כמו חברות רבות, אך היא עשתה זאת בכיסי העסק, ככל הנראה עם מעט מאוד פיקוח על התאגיד כולו כדי להבטיח עקביות ותיאום. הבעיות שלהם היו ככל הנראה אופייניות למדי לארגון בקנה המידה שלהם, ולכן מומחיות אנליטיקה הכילה - כאמור - בתוך כיסים, נהלי ניהול נתונים וממשל לא היו עקביים, אפילו עד כדי כמה יחידות עסקיות חסרות גישה למומחיות בסיסית באנליטיקה.
שוב, דיברנו היום על המון סוגים שונים של מקורות נתונים, היו להם מעל 4, 600 מקורות נתונים. פירוש הדבר שאפילו התחלת המסע ומציאת הנתונים שהם היו זקוקים הייתה מכשול אמיתי לתובנה אנליטית. אני רואה שאתה צוחק, אבל זה דבר נורא, נכון?
ג'ן אנדרווד: 4, 600 אה, אלוהים אדירים, כן.
ניק ג'וול: אז, פורד הקימה את יחידת התובנות והאנליטיקה העולמית וזה היה ריכוזי - אפשר לקרוא לזה מרכז מצוינות - המורכב מצוות מדעני נתונים ואנליסטים, שאורגן לחלוק את הנוהג הטוב ביותר האנליטי ולעזור להפיץ אופטימיזציה מבוססת נתונים ביצוע נתונים בכל העסק. היחידה בחרה בכלים הטובים ביותר בכיתה, לא רק ביכולת אלא גם ביכולתם להשתלב היטב יחד, כך שזה די חשוב. מוקד הדמוקרטיזציה שלהם היה למעשה סביב דיווחים ואנליטיקה תיאורית, לפני שהעלו את אותה פירמידה של צרכים עליהם דיברנו.
כעת, דמוקרטיזציה לא הופכת מישהו רק למדען נתונים בן לילה; הצוות צריך לדעת מתי והיכן ניתן לקבל עזרה ויש הכשרה, ממשל, מתודולוגיות העומדות לרשות כל זה. כמו כן, לא מדובר רק באימוני כלים, אלא גם באימוני מדעי נתונים, כדי לגשר על פער הכישורים שציינו. אז מקרה של שימוש אמיתי בפורד, מיטוב רשת לוגיסטית, אז האם פורד שילמה את הסכום הנכון כדי להעביר חומרים מנקודה A לנקודה B? ניתוחים מדור קודם הם לא הדגישו הזדמנויות ניתנות לפעולה; זה גרם להם להיות מאוד ריאקציוניים בשוק. כעת, המורכבות הרבה בתהליך זה ננעלה בתוך ראשי האנליסטים והם עשו פריצת דרך אדירה כאשר זרימת העבודה בשירות עצמי אומתה עם העסק, והמומחים האנליטיים התיישבו יחד וממוקמים יחד.
זה העביר את הניתוח מ רב שנתית לרבעון ואפילו למטה בזמן אמת, כה תועלת אדירה וענקית לעסק. ההשפעה הזו של ניתוחים בשירות עצמי על הערך העסקי, הייתה שפורד יכולה לתכנן ולהקים במהירות אסטרטגיות מונעות נתונים כלל-ארגוניות, להגיב לטרנדים המתעוררים, לעזור לעצב שירותים חדשים ובעצם לסלק את האיומים מהתחרות, בלי רק צריך להסתכל במראה האחורית.
כעת, אם נסתכל לרגע על איך לקוח אחר באמת העביר ניתוחים מאולי עדיפות אנכית בחטיבה יחידה של המשרד ללהיות פס אופקי בכל החטיבות, נדבר על Shell. מעטפת מנהלת מרכז מצוינות המדווח לקצין הדיגיטלי הראשי - כך שיש עוד D לספר ההשמעה שלנו ב- CxO - האחראי על טרנספורמציה דיגיטלית וקיימות. החבר'ה האלה, הם הבינו שהסביבה שלהם מכילה כמה שכבות ואת מחסנית הטכנולוגיה, האחסון, עיבוד הנתונים והכול הציג טכנולוגיות שכולן תכירו. דברים כמו SAP HANA, Databricks, Spark והם מינופו את הענן הציבורי כדי להגיע לאותם יתרונות גודל.
כעת, הם בחרו באלטריקס כעטיפה אנליטית עבור חלק גדול מקוד ה- R שלהם, תוך שהם נכנסים לטכנולוגיות כמו Spotfire, Power BI ועוד. אך כעת הם רואים כי האימוץ מתקשר הרבה יותר מקרוב לעיבוד נתונים והדמיה. ג'ן, פשוט מתקשר חזרה לשקופית שלך עם כל היכולות האלה, דבר מסוג זה מתפשט כשאנחנו מתחילים לאפשר לאנליסטים נוספים גישה. אתה יודע, הם הצליחו מאוד לספק את היכולת הזו ואת ה- COE, מחפשים לספק יכולות עתידיות עכשיו, חלק מאותם דברים שלומדים עמוקים שדיברנו עליהם - חזון מכונה, עיבוד שפה טבעית - וחצי מהייעוד שלהם הוא מסירה, חצי מזה עוסק בהסבר וזרז רעיונות אלה על פני יחידות עסקיות. זה חלק מהמסע; ה- COE בוחן תמיד בדרכים שונות לתקשר עם הקהל העסקי שלהם.
אם לוקחים בחשבון מצד אחד את הספקנים שאומרים, "ובכן, הקופסה השחורה הזו לעולם לא תהיה טובה כמו האנליטיקאי שלי", כל הדרך אל המעריצה או המתלהב שרואה מתאם בכל מקום, אולי פחות בדרך של קשרים סיבתיים, אבל אתה צריך להיות זהיר משני הצדדים. זה קרקע אמצעית מרתקת, כשיש לך פס אופקי זה ברחבי ארגון שלם, מערך המיומנויות ההיברידי הזה הדרוש כדי לשכנע את שני צידי הספקטרום.
ניק ג'ודל: אוקיי, ג'ן, אתה שם?
ג'ן אנדרווד: אני.
ניק ג'ואל: אני מניח שמה שאנחנו מנסים לומר כאן עם הציטוט הזה של קלייטון כריסטנסן הוא שעבור ארגונים רבים, אני מניח, איחוד סדר היום האנליטי כדי להניע את השינוי הדיגיטלי עליו דיברנו היום, הולך להיות אתגר. לעתים קרובות יותר מאשר לא, אנו מוצאים צוותים אנליטיים שמתחילים ביד חלשה. הניסיון לחדש עם אחזקות מדור קודם של תהליכים אנליטיים, טכנולוגיות, מבני צוות והיצמדות לשרידים אלה הולך להיות החסם הגדול ביותר ליישור אנליטי ולחדשנות אנליטית. יש לך מחשבות על זה, ג'ן?
ג'ן אנדרווד: אני נהנה מהתמונה שנבחרה. כן, בהחלט נראה לי הרבה הגיוני. עליכם לאמץ כמה מהטכנולוגיות החדשות הללו, למשל, להזרים בזמן אמת. אתה לא בהכרח תוכל להשיג את התוצאות בזמן אמת אם אתה צריך לבצע רענון JavaScript בדפדפן, כשלעצמו, עם מורשת ישנה - אולי זו אפליקציית לוח מחוונים או סוגים כאלה של דברים. כן, אתם כן צריכים להתחבק עם כמה מהכלים החדשים האלה, ושוב, אני חושב שהתמונה הזו ממש חמודה, תמונה אומרת אלף מילים. העגלה והכרכרה, אתה צריך להרפות מכמה מהגישות הטכנולוגיות הוותיקות האלה.
ניק ג'ואל: בהחלט. לכן, אם נעבור לשקופית הבאה, אנו חושבים שיש דרך טובה יותר. אני מניח שקודם כל, להשתמש במשהו הדומה לחיפוש דמוי גוגל, כדי למצוא במהירות את כל נכסי הנתונים הרלוונטיים ביותר שלך. הבנת ההקשר שלהם, הבנת תלות, פקטורציה בדברים פשוטים באמת כמו מילוני מונחים עסקיים שנכתבו על ידי מומחים בקהילות שלך, נשמרים בחיים על ידי כל הידע השבטי הזה של ראשי עמיתים לעבודה.
מתחכם עם גילוי נתונים. חשוב על היכולת לנהל שיחות עם בעלי דוחות ומומחים. העלאה, עשה קצת מ- Trip Advisor או Yelp, העלה את הנכסים המועילים ביותר, תאשר את אלה שהארגון חושב שהם בעלי ערך רב ואז כל זה נכנס לתוצאות החיפוש ובסופו של דבר לדירוג החיפוש, מה שהופך אותו לטוב יותר המשתמש הבא. ברגע שתמצא את מה שאתה מחפש, עובר לאותו שלב מהיר, ללא קוד, ידידותי למשתמש, הכנה וניתוח כדי לפתח את מערך הנתונים המושלם שלך, ממנו ניתן לפרסם תהליכים שניתנים לחזרה.
בחזרה לשיחת האוטומציה שלנו, בניית אפליקציות ידידותיות למשתמש. כל מה שצריך כדי לבנות מודלים אנליטיים. אם כבר מדברים על דגמים, אנו תומכים בטכנולוגיות קוד פתוח כמו R במשך מספר שנים, מאפשרים לנו לבנות יכולת אנליטית מתקדמת באמת המכסה ניתוח תיאורי אך גם מנבא, בפשטות, גרור-ו- דרך טיפה.
כעת, לצד הימני, למעשה תוציא את התובנה הזו לגבי הדמיות, מודלים וניקוד אינטראקטיביים שנדחפים למטה בפלטפורמות הנתונים, או לאחרונה, הופכים את התובנה הזו לזמינה באופן מיידי וישירות בתהליך עסקי. אני חושב שמגוון היכולות הזה על פני כל הפלטפורמה הוא זה שמאפשר להכיר אותנו כזוכה פרס הזהב בסקר בחירות הלקוחות של Gartner Peer Insights השנה, וזה הישג פנטסטי. אני ממליץ בחום לבקר באתר גרטנר כדי לגלות עוד ולהוסיף הצבעות משלך ולהוסיף פרשנות משלך.
מגניב, אז, ג'ן, אם נדלג קדימה על שקופית אחת נוספת - אני משער שנסיים, אני רוצה לתת לך את כל הצעדים הבאים. ראשית, אנא בקר באתר Alteryx.com כדי להוריד עותק חינם של תקציר המחקר האחרון שלנו, שנעשה בתיאום עם המכון הבינלאומי לאנליטיקס (IIA), סביב פירוק מכשולים אנליטיים. תוכלו גם לבקר ב- udacity.com/alteryx כדי ללמוד עוד כיצד לאפשר לצוותים שלכם, לעשות את הצעד הבא במסעם, עם אותו ננו-תואר אנליטי מתקדם ואז סוף סוף לחוות את Alteryx בעצמכם. בקר בדף הבית, הורד הערכה מלאה הכוללת והצטרף לסיבוב עם הריגוש של הפיתרון.
ג'ן, אליך. יתכן שיהיה לנו קצת זמן לשאלות ותשובות.
אריק קוואנה: אני פשוט אצרף מהר מאוד. יש לנו כמה שאלות. אני אזרוק אליך תחילה ניק אחד, ואז ג'ן, אם אתה רוצה להגיב על זה, אבל אין ספק שיש לזה יותר תחולה על האיחוד האירופי וזה ה- GDPR הידוע לשמצה, התקנות להגנת המידע העולמית. איך זה משפיע על אלטריקס ועל מפת הדרכים שלך ועל מה אתם מתמקדים?
ניק ג'ודל: זה מאוד בוגימן, אני מניח שהוא נמצא שם עכשיו. הרבה אנשים מדברים על זה, הרבה אנשים מודאגים למדי, אבל זה באמת רק הראשון בסדרה ארוכה של תקנות שהולכות להיכנס לעולם הנתונים והאנליטיקה. באמת, מבחינתנו, מדובר בהבנה וסיווג הנתונים שלך. וודא כי בתור CxO, מכל טעם מסוים, אתה יודע היכן הנכסים שלך, אתה מכיר את ההקשר שלהם ואתה יודע שאתה יכול לסמוך עליהם כצעד ראשון לממש פשוט ולנהל נתונים בהקשר רחב יותר.
אריק קוואנה: אני מניח שאעביר לך עוד שאלה לפני שנחזיר את ג'ן, ניק, וזה נתוני ההדרכה, אם מישהו יבקש שהנתונים שלהם יוסרו מהעסק שלך, זה לא משפיע רק על שמו, כתובת וכדומה, לא רק את פרטי הקשר שלהם, אלא גם, אם אלגוריתם משתמש בנתוני הדרכה הכוללים את הנתונים שלך, אתה אמור לעשות הכשרה חוזרת באלגוריתם, נכון?
ניק ג'ואל: זה מורכב במיוחד. אני חושב שהרעיון שלא רק מאגרי מידע הם מקור לחלק מהמידע המאפשר זיהוי אישי, אלא גם זרימות העבודה האנליטיות, האפליקציות, ההמחשות. נתונים אלה מגיעים לכל מקום עם ארגון, ולכן הקשר זה: חיוני לחלוטין.
אריק קוונהאג: וג'ן, מה דעתך? ברור שזה לא כל כך גדול בעסקה בארה"ב ואנחנו לא רואים יותר מדי חברות שמתעצבנות על זה עכשיו, למרות שטכנית זה חל כאן. אם לחברה אמריקאית יש נתונים של אזרח האיחוד האירופי, מה דעתך על משמעות ה- GDPR וכמה מדובר בעסקה?
ג'ן אנדרווד: ובכן, אני בהחלט חושב שזה דורש טיפול אחראי בנתונים. כתבתי על זה כמה פעמים ויש לי כמה הנחיות לגבי כמה מהדברים האלה. אני חושב שהשאלה ששאלת לגבי אלגוריתמים מעניינת. בהחלט, חלק מהפתרונות בהם אני מסתכל היום, חלק מצוותי המוצרים שלהם עיצבו תכונות כך שתוכלו לראות כיצד הם מקבלים את ההחלטות ואילו נתונים אישיים שימשו בכדי להכריע את התוצאה של אותו אלגוריתם. אנו רואים השפעות מסוימות על עיצובי המוצר כאן בארצות הברית.
להרבה מחברות הטכנולוגיה יש משרדים גדולים מאוד כאן וצוותי פיתוח כאן בארצות הברית כמו גם ברחבי העולם, ולכן אנו רואים את זה על פיתוח המוצר. אני רואה יותר קטלוגים של נתונים שהושקעו בהם. יוזמות נוספות של ממשלות מסתובבות כך שאנשים יבינו, והם יבינו איפה כל הנתונים האלה נמצאים בכאוס. מנסים לעקוף את זרועותיהם לפחות לארגן אותו, להיות מסוגלים למצוא אותו ולעשות איתו משהו.
אריק קוואנה: אני הולך לדחוף את השקופית הזו שעליה דיברנו קודם ולהעביר לך את זה, ניק. אני חושב שזו שקופית פנטסטית מכיוון שלדעתי זה באמת מדבר למיידיות של צורך באנליטיקה. מה אתה חושב על הדינמיקה המשתנה הזו? כלומר, בשורה התחתונה חברות צריכות להיות זריזות ואני רואה באנליטיקס מוביל את החיוב הזה. מה אתה חושב?
ניק ג'ואל: זה מרתק. אני חושב שתמיד - חברות וטכנולוגיות קיימות תמיד בשלוש מדינות, כך שזה יהיה מלחמה, שלום או פליאה. המלחמה עומדת להיות בערך אותה תחרות כבדה. פלא זה כל הדברים החדשים והגדולים שאתה בונה על גבי פלטפורמה. ואז השלום לפני התחרות והמלחמה מתחילה שוב. אני חושב שתמיד הקרב הזה מתרחש.
לפני השיחה של היום דיברנו על כמה מהועידות האחרות ותווי המפתח שמתרחשים היום ברחבי העולם. כמה מספקי הענן הגדולים, הם הגיעו לנקודה בה הם בנו את הפלטפורמה הזו ועכשיו הם בונים מעליה דברים חדשים ונפלאים. חברות צריכות לפקוח מקרוב על זה ולוודא שהן עובדות עם משהו שיש לו פלטפורמה קוהרנטית שתביא ערך זה לעתיד. הם יהיו אלה שיצליחו לשרוד את ההפרעה הזו.
אריק קוואנה: כן, זו נקודה טובה, ואתה יודע, ג'ן, אתה הגבת קודם, למעשה לפני התוכנית, על אסטרטגיית ענן וכמה שהרבה אנשים שאתה מכיר בענף אומרים שחברות גדולות, אפילו בנקים, לכולם כעת אסטרטגיית ענן. הייתי קצת מופתע כמה זמן לקח לזה להתממש, ואני מניח שאולי חלקם הלכו לוועידת הרוונט של AWS והבנתי כמה זה מסיבי והסיקתי את המסקנה שהגיע הזמן. מה אתה חושב על המודעות בקרב מנהלי עסקים גדולים לגבי ייבוא ענן וכיצד זה משנה את התכנון שלהם?
ג'ן אנדרווד: כשאני חושב על העולם הזה של נתונים בהיקף מאסיבי, היכולת לנהל אותו, אני חושב שבמישורים מסוימים יש קצת שקט נפשי בכך שאחת מהחברות הגדולות מאוד תיקח אחריות לכמה מההיבטים הביטחוניים, אז יש קצת שקט נפשי שם. אתה יודע שיש סולם מוגבל עם ענן.
הדבר הנוסף הוא, וראיתי את זה, הייתי בצוות שפיתח מחדש מוצר בענן וזה ללא ספק מוצר אנדרדוג ואף אחד לא שם לב אליו, ותוך שנתיים, בגלל מהדורות שבועיות ואפילו, הייתי אומר, זה כמעט עד כדי שחרור יומי בענן. אני יודע שאמזון אומרת שהם משחררים מספר פעמים ביום. כשיש לך את האיום הזה, כאשר המתחרים שלך יכולים לשחרר ולהשתפר מדי יום, מה שזה לא יהיה שהם עושים, לפחות בתעשיית התוכנה - וכולם באמת בענף התוכנה כשאתה מתחיל להסתכל על טרנספורמציה דיגיטלית - זה אחר לגמרי משחק הכדור וכל אחד יכול להסתובב בענן ובקנה מידה ולהיות גדול.
שוב, זה יהיה הנתונים שהם ממנפים, שעומדים לעשות את ההבדל והאינטליגנציה באלגוריתמים שלהם, וזו הסיבה שאנשים מדברים על כך שהנתונים הם השמן החדש או שהנתונים הם זהב. כשאני מסתכל על ענן, זה מחליף המשחק, זה באמת מאפשר התפתחות וקנה מידה מאוד מאוד מהיר. זה מדהים.
אריק קוונהאג: אני אחזיר אותך, ניק, לשאלה נוספת - נלך לכאן רק דקה אם נוכל להגיע לכמה מהשאלות האלה, אבל כזכור, חמש ושש ואולי אפילו שבע לפני שנים, אלטריקס היה באמת חדשן במינוף נתונים של צד שלישי - כך שהביא נתונים ממקורות כמו Experian, למשל, או נתונים גיאוגרפיים. אני חושב שזה כנראה יתרון אסטרטגי מכיוון שדבר כזה נמצא ב- DNA באלטריקס, נכון? כשחברות מתקדמות לכיוון הענן, אני חושב שלכם יש ניסיון רב ביכולת לגשר על העולמות האלה. עולמות הנתונים המקדימים של פסוקים של צד שלישי וענן, מה אתה חושב?
ניק ג'וול: כן, בהחלט. קישוריות אולטימטיבית הולכת להיות משחק כוח כזה לכל חברה שתעבוד בסביבה מבוססת ענן זו. אבל אני אגיד, כשאנחנו מדברים על משהו כמו אינפונומיה, הרעיון שמידע ונתונים צריכים להיחשב כנכס בחברה שלך. רוב הערך שאתה הולך להביא הוא לקיחת מקורות נתונים חיצוניים, מיזוג אותם והעשרתם במקורות הפנימיים שלך, ליצירת רווחים נוספים בתהליך. זה קריטי לחלוטין לעבוד עם נתונים פנימיים וחיצוניים באותה מידה.
אריק קוואנה: כן, זו נקודה טובה. אני חושב שכל העולם של הענן ההיברידי כאן כדי להישאר. ג'ן, אני פשוט אעביר לך את זה לכמה הערות סגורות, אולי. בעיניי, ההשקפה האסטרטגית הזו והיכולת להתאחד כמונח החדש הוא תיאור נתונים על פני המקורות, זה יהיה גורם הצלחה קריטי בעתיד, נכון?
ג'ן אנדרווד: לא, בהחלט, וזה מצחיק, שמעתי את הכלאיים ההיברידיים. שמעתם על זה ולפני ארבע שנים אתם חושבים על Hadoop, Hadoop ו- Big Data ואז התחלתם לשמוע היברידית, היברידית, אז בהחלט הייתם שם, אנחנו לא בהכרח, זו השנה של למידת מכונה, בר אף אחד. זאת אומרת, בינה מלאכותית, למידת המכונות עלתה לשלב השנה, אבל כדי באמת לתפקד בארגון כיום זה בדרך לענן או שצריך להתמודד עם כל מקורות הנתונים השונים בענן, אולי זה Salesforce או יום עבודה, כל סוגי המקורות השונים האלה שחיים בענן, הדרך היחידה להתמודד איתו היא להיות היברידית. אינך יכול להעתיק נתונים בכל מקום, לכן אתה צריך להיות מסוגל להתחבר ישירות ואתה צריך למצוא דרך לעבוד עם נתונים הממוקמים בכל מקום, למצוא נתונים בכל מקום, כי זו המציאות של המקום בו אנו צודקים עכשיו.
אריק קוואנה: אני חושב שאשמח אם לא הייתי מחזיר למידה של מכונה לשיחה, ניק, אני פשוט אעביר לך את זה. אני יודע שאתה מתמקד בזה עכשיו - האם אתה יכול לדבר על היכן אתה רואה למידת מכונה מתיישרת עם אנליטיקה ועם סוג המערכות בהן אנו משתמשים בכדי להבין את העסק שלנו ואת הנתונים שלנו?
ניק ג'וול: כן, בטח. אז, בקצרה מאוד, בואו ונחזור במהירות לפער הכישורים שלנו. הרעיון שיש לנו ארגונים מלאים לחלוטין עם משתמשי Excel. יש לנו מדענים שעוברים נתונים, אך לא צומחים באותו קצב. יש פער מאסיבי בין השניים. חשוב על היכן נמצא למידת מכונה כיום. כמה אלגוריתמים יש לנו בטלפון או בשעון שלנו המשלבים טכניקות למידת מכונה? זה מצרך, זה בכל מקום. עלינו לאפשר למשתמשי כוח אלה בצורה הפשוטה ביותר להבטיח שהמחשב מיושם בהצלחה בכל העסק.
אריק קוואנה: אולי אזרוק אליך אחד אחרון, אולי. יש לנו כמה שאלות שנכנסות מאוחר, הנה. ג'ן, אני אבקש ממך את זה. משתתף מעיר על כל המושג הזה של למידה ללא פיקוח והעובדה שאתה צריך נתוני הדרכה כדי לעשות את הדברים האלה ובדרך כלל נתוני ההדרכה צריכים להיות ספציפיים לחברה. למרות שבתעשיות יש המון מתאם, יש הרבה דרכים בהן ארגונים דומים. עם זאת, כל חברה היא ייחודית, בין אם זה יהיה המודל העסקי שלה או הגישה שלה לשיווק או מכירות, או לא משנה מה יהיה, פיתוח מוצרים.
נשאלת השאלה האם האלגוריתמים הללו יוכלו להשתמש בנתוני צד ג 'לצורך אימונים? נראה לי שתמיד תצטרך להשתמש בנתונים שלך בכדי לאמן את האלגוריתמים האלה, אפילו אם זמן המחזור הזה קורס ממחצית השישה חודשים - מה שקרה במקרים מסוימים - עד 40 יום או 20 יום, יהיה אשר יהיה מקרה יכול להיות. אתה באמת צריך להשתמש בנתונים משלך ועליך לוודא שהנתונים די נקיים, נכון?
ג'ן אנדרווד: זה באמת תערובת. אתה רוצה להיות בעל הקשר חיצוני. למעשה, אני מזמין היום גב אל גב והסמינר הבא שלי מדבר על הכנת וניקוי נתונים, למרבה האירוניה ללימוד מכונה. מה שבאמת המפתח הוא שאתה מחבר הקשר חיצוני עם הארגון שלך, ואני אוהב ששאלת לגבי הכנת הנתונים והטיהור, כי בכנות, חלק מהכלים משתלמים מאוד - הם יכולים להתמודד עם כמה היבטים של זה, אבל המוח האנושי, או היכולת לפענח את הבעיה ולהסתכל ולוודא שהם לא הושמטו - אומרים שיש לנו איזושהי הטיה של השמטה. האופן בו אתה בוחן את הבעיה ואת האופן בו אתה בוחר לעצב את הבעיה שאתה מבצע אוטומציה או החלטות שאתה מבצע אוטומציה, יש בזה אומנות ולוודא שהיא משקפת במדויק את התהליך העסקי הזה.
חוזר לדוגמה שלי עם חברת הביטוח, כשדגמנו דוגמה ומי לשכור כדי לעבור הכשרה ממומנת זו למכירת ביטוח; במודל עצמו לא היה האקלים החוקי, חוקים שונים למדינות שונות. תמיד יהיה היבט כלשהו, שבו תצטרך לקבל את הנתונים החיצוניים האלה עם הנתונים הפנימיים שלך, ושוב, המוח האנושי. יהיו שם רכיבים שונים.
אריק קוואנה: אני חושב שהעלית כאן נקודה ממש טובה. אנו ממשיכים לשמוע על השתלטות על רובוטים ומכונות ולמידת מכונה. בעיניי זו מגמה משבשת מאוד - אין ספק בכך - אבל אני אף פעם לא רואה את הצורך בבני אדם בתמהיל שיעלם, במיוחד עם ניתוח נתונים על נתונים, על נתונים ארגוניים.
ניק, שאלה אחרונה אחת בשבילך. בעיניי, לא משנה כמה טובות האלגוריתמים משיגים, אתה תמיד צריך שאנשים יעקבו אחר מה שקורה, יזריקו לעצמם בשעות שנקבעו ובאמת יסכימו את התמונה הגדולה של מה שיש שם. אני לא חושב שאף אלגוריתם כלשהו יצליח לסנתז את התמונה הגדולה עבור חברת Fortune 2000, אבל מה אתה חושב?
ניק ג'וול: טוב, בוא ניקח דוגמא לגמרי לא אלטריקס, בוא נדבר על Uber מהשנה שעברה. אובר, במהלך אירוע הטרור שהתרחש באוסטרליה, אנשים שניסו לברוח מהאזור, הם פתאום עשו תמחור גל, כי זה מה שהאלגוריתם אמר לעשות, גרמו נזק רב למוניטין. מיד לאחר מכן הם יישמו בני אדם ואלגוריתמים העובדים יחד. בכל פעם שזה היה עומד לקרות, אדם היה צריך לפקח על התהליך. השותפות ההיא של האדם והאלגוריתם, זו הדרך קדימה.
אריק קוואנה: וואו, זו דוגמא נהדרת, תודה רבה. ובכן, חברים, שרפנו יותר משעה כאן בשידור האינטרנט שלנו. תודה גדולה מאוד לג'ן אנדרווד מ- Impact Analytics. כמובן תודה גדולה לניק ג'ואל ולצוות אלטריקס על זמנם ותשומת הלב ולכולכם על זמנכם ותשומת ליבכם. אנו מעריכים את השאלות הנהדרות הללו. אנו מבצעים ארכיון של כל שידורי האינטרנט לצפייה מאוחרת יותר, אל תהסס לשתף אותם עם חבריך ועמיתיך. עם זה, ניפרד ממך. שידור אינטרנט מעולה היום. תודה רבה שוב, אנו נתעדכן בפעם הבאה, חברים. שמור על עצמך. ביי ביי.
