Door Techopedia Staff, 29 november 2017
Takeaway: gastheer Eric Kavanagh bespreekt gegevens en analyses, evenals de rollen van chief data officer (CDO) en chief analytics officer (CAO) met Jen Underwood van Impact Analytix en Nick Jewell van Alteryx.
Eric Kavanagh: Dames en heren, hallo en weer welkom bij een zeer speciale editie van Hot Technologies. Mensen, dit is Eric Kavanagh, ik zal je gastheer zijn voor de show van vandaag, "The CxO Playbook: The Future of Data and Analytics." Ja, het is een vrij groot onderwerp, moet ik zeggen. In feite hebben we hier vandaag een beetje een recordbrekend publiek. We hebben vanmorgen ruim 540 mensen laten registreren voor de webcast. We doen het op een speciaal moment, zoals velen van jullie weten voor onze reguliere shows, we doen dit meestal om 4:00 Eastern, maar we wilden tegemoet komen aan de zeer speciale gast die vanuit de vijver aan het bellen was. Laat me vandaag meteen in de presentatie duiken.
Dus dit jaar is hot - het is in veel opzichten een zeer tumultueus jaar geweest, ik denk dat de cloud daar veel mee te maken heeft. De samenvloeiing van technologieën die we op de markt zien, is de belangrijkste drijfveer, en ik neem natuurlijk over SMAC zoals ze het noemen. We hebben het over SMAC: sociaal, mobiel, analyse, cloud - en al die dingen komen samen. Organisaties kunnen de manier waarop ze zaken doen echt veranderen. Er zijn meer kanalen voor het uitvoeren van uw bedrijfsactiviteiten, er moeten meer gegevens worden geanalyseerd. Het is echt een wilde wereld daar en we gaan het vandaag hebben over hoe dingen veranderen in de C-suite, dus de topmanagers, de topmensen in deze organisaties, nou die hele wereld is nu aan het veranderen en we zijn daarover gaan praten.
De jouwe staat echt bovenaan. We hebben Jen Underwood van Impact Analytix en Nick Jewell, de toonaangevende technologie-evangelist van Alteryx vandaag aan de lijn. Het is heel spannend spul. Ik heb gisteravond dit concept bedacht, mensen, en ik vind het echt een beetje interessant. Natuurlijk kennen we allemaal muzikale stoelen, het spel voor kinderen waar je al deze stoelen in een cirkel hebt, je begint de muziek, iedereen begint rond te lopen en een stoel wordt weggetrokken; wanneer de muziek stopt, moet iedereen klauteren om een stoel te krijgen, terwijl een persoon in die situatie in zijn stoel verliest. Het is een heel vreemd en meeslepend iets dat nu in de C-suite gebeurt, en als je dit hier ziet, heb je twee lege stoelen achterin. Meestal verdwijnt een stoel in muzikale stoelen, en wat we tegenwoordig zien, zijn er nog twee stoelen op C-niveau: de CAO en de CDO, chief analytics officer en chief data officer.
Beiden gaan er vandoor. Eerlijk gezegd gaat de chief data officer tegenwoordig echt van start als wildvuur, maar wat betekent dat? Het betekent iets heel belangrijks. Het betekent dat de kracht van data en analyse zo groot is dat boardrooms, of executive rooms, zou ik moeten zeggen, C-suites veranderen - ze voegen mensen toe aan de C-suite, hele nieuwe managers vullen enkele van deze nieuwe zetels in. Als je nadenkt over hoe moeilijk het is om de cultuur van een organisatie te veranderen, nou dat is een behoorlijk serieuze deal. Cultuur is heel moeilijk te veranderen, en typisch positieve verandering wordt bevorderd door goed management en goede ideeën en dat soort dingen. Als je nadenkt over de mogelijkheid die we nu hebben, door nieuwe leidinggevenden in de C-suite toe te voegen voor analyse en voor gegevens, is dat een heel groot probleem. Het spreekt de mogelijkheid aan voor organisaties om van baan te veranderen, en laten we eerlijk zijn, de grote, oude bedrijven moeten echt veranderen vanwege hoe de markt verandert.
Ik geef meestal voorbeelden van bijvoorbeeld Uber of Airbnb als organisaties die hele industrieën fundamenteel hebben verstoord, en dat gebeurt overal. Waar we het vandaag over hebben, is hoe uw organisatie zich kan aanpassen, hoe u mensen deze informatie, dit inzicht kunt gebruiken om uw bedrijfstraject te veranderen en succesvol te zijn in de informatie-economie.
Daarmee ga ik de sleutels van de WebEx overhandigen aan Jen Underwood, en dan gaat Nick Jewell ook meedoen; hij belt vanuit het VK. Bedankt aan jullie, en Jen daarmee, ik ga het aan jou overhandigen. Haal het weg.
Jen Underwood: Bedankt, Eric, klinkt geweldig. Goedemorgen iedereen. Vandaag gaan we het hebben over dit CxO-speelboek; het is de toekomst van data en analyse en ik ga er meteen in duiken. Eric heeft al goed gesproken over waarom dit zo belangrijk is. Onze sprekers vandaag, nogmaals, je hebt nog een dia met deze informatie gezien, maar je zult mezelf en Nick Jewell vandaag heel interactief met je in gesprek hebben in deze sessie. We gaan ons openen met een beschrijving van wat deze rollen zijn en de soorten dingen die ze op een missie moeten doen. We gaan kijken naar de analyse-industrie, de vooruitzichten in het algemeen en enkele van de uitdagingen waarmee deze mensen worden geconfronteerd. De dynamiek binnen organisaties vandaag als u zich voorbereidt op de toekomst, en dan gaan we het hebben over de volgende stappen en u begeleiden bij het plannen, als u enkele van deze rollen in uw organisatie gaat onderzoeken.
Over deze CxO gesproken, de CAO bijvoorbeeld, dat is de hoofdanalysator, dat is een functie voor senior managers die verantwoordelijk zijn voor de analyse van gegevens binnen de organisatie. De CAO rapporteert meestal aan een CEO en die snel opkomende positie zal cruciaal zijn wanneer u denkt aan de massa van transformatie en de digitale transformatie die we nu hebben in de manier waarop bedrijven hun zakelijke beslissingen nemen en nemen.
Als u denkt dat digitale transformatie en intelligentie de kern van de digitale transformatie zijn, is deze CAO een zeer strategische rol binnen een organisatie. Ze brengen niet alleen sterke data science terug naar werkelijke inzichten en die kennis, maar ze bezitten die resulterende ROI en impact, dus waar worden ze op gemeten? Hoe ze die ROI brengen met de gegevens die ze hebben en enkele van de onderste cijfers in een organisatie om gegevens strategisch te benutten. Die positie, samen met de CIO, de chief information officer, is bekend geworden vanwege de toename van technologie en digitale transformatie en de waarde van data.
Al jaren is data goud in deze specifieke wereld met inkomsten en intelligentie en het transformeren van deze informatie. Om deze proactieve acties te kunnen ondernemen en niet alleen per se achteruit te kijken. De twee posities zijn vergelijkbaar omdat ze allebei betrekking hebben op informatie, maar de CIO zal zich op zichzelf richten op infrastructuur waarbij een CAO zich richt op de infrastructuur die nodig is voor het analyseren van de informatie. De vergelijkbare positie is de CDO en u hoort veel meer, we horen waarschijnlijk iets meer over CDO dan u vandaag over CAO. De CDO richt zich meer op de gegevensverwerking en het onderhoud en die processen van governance gedurende de hele levenscyclus van gegevensbeheer.
Deze mensen zullen ook verantwoordelijk zijn voor het genereren van inkomsten en het verkrijgen van waarde uit gegevens en het werken gedurende de gehele looptijd van de levenscyclus van governance en beveiliging, over de hele periode, zou ik zeggen, van de levenscyclus. Dit zijn mensen die op zichzelf erg op elkaar zouden zijn afgestemd of verantwoordelijk zouden zijn voor het waarborgen van GDPR - en we zullen het hier even over hebben - de Europese wet voor gegevensbescherming, en ervoor zorgen dat dit soort dingen in hun organisaties worden behandeld. Nu krijgen we de structuur en de toekomst voor disruptieve dynamische data-intensieve rollen. Dit zijn het soort dingen waarvoor de CDO verantwoordelijk zal zijn en niet alleen zichzelf - ze zullen een cross-functioneel team bouwen, en ik heb enkele voorbeelden van enkele van de mensen die naar organisatiestructuur, van architecten en mensen uit de governance, en zelfs de analisten en de gegevenswetenschappers en ingenieurs in een organisatie kunnen hen aanspreken.
Als we verder gaan met de sectorvooruitzichten voor analyse, is dit een fenomenale - waarschijnlijk tien jaar, zelfs langere - rit in deze specifieke industrie. Het is constant gegroeid, erg opwindend, zelfs tijdens de marktcrash jaren geleden was er nog steeds veel vraag naar. Het is gewoon een prachtige plek geweest en als je naar de CIO-agenda van Gartner in 2017 kijkt, staan BI en analyse nog steeds in de top drie van ranglijsten van wat het belangrijkst is voor een organisatie, en als we naar de groei van softwaremarkten kijken, zijn we constant daar groei zien. Zolang ik in deze ruimte ben, is het altijd een hele mooie carrière geweest.
Als we naar dit digitale tijdperk en de transformatie kijken, is het voor mij heel, heel interessant, deze processen die we hebben, en vaak is het informatie verkrijgen en actie ondernemen vanuit processen of tijdens bedrijfsprocessen. Nu heeft Gartner tegen 2020 geschat dat informatie die u hebt gebruikt, opnieuw wordt uitgevonden, gedigitaliseerd of zelfs geëlimineerd. Tachtig procent van de bedrijfsprocessen en producten die we tien jaar geleden hadden, en we beginnen dat in te zien, toch? We beginnen te zien dat met Amazon-verzen misschien enkele van de grote dooswinkels, de Ubers, de Airbnbs - deze digitale modellen het proces verstoren en nu mensen op elkaar inwerken. Zelfs Black Friday - ik weet niet hoeveel mensen er echt naar een winkel zijn geweest - veel mensen kopen online, en hoe bereik je die klant? Daar is intelligentie voor nodig. Er is een heel andere manier voor nodig om de boodschap te communiceren en te personaliseren en die intelligentie te hebben om hen het juiste aanbod op het juiste moment te presenteren, en nu is het misschien met een klik op een knop. Het is zo gemakkelijk voor hen om uw online winkel te verlaten. De dingen veranderen echt in deze wereld, en ik denk dat Nick hier ook over wilde praten.
Nick Jewell: Ja, hallo allemaal, heel erg bedankt. Ik verontschuldig me bij voorbaat als er een lichte vertraging is op de audio die vanuit Londen binnenkomt, ik zal mijn best doen om niet over je te praten, Jen.
Je hebt absoluut gelijk, die eliminatie van verspilling, die heruitvinding als onderdeel van de digitale transformatie, komt vaak tot stand als organisaties overstappen van op maat gemaakte producten, misschien losgekoppelde applicaties en naar meer open en verbonden platforms. Wanneer uw proces digitaal is, wordt het een stuk eenvoudiger om de end-to-end reis van uw gegevens te zien. Verfijn uw stappen echt door gegevens te gebruiken om dat proces te optimaliseren.
Laten we een dia vooruit gaan, als we kunnen. Als het gaat om digitale transformatie, wat dit voor organisaties betekent, denk ik dat het opwindend of intimiderend is, afhankelijk van aan welke kant van het spectrum je zit. Bekijk de grafiek hier, die de levensduur van bedrijven laat zien en hoe verstorende invloeden de fortuinen van een organisatie beïnvloeden. Als je in de jaren twintig een bedrijf bent begonnen, heb je gemiddeld bijna 70 jaar voordat een ander bedrijf je ontwrichtte. Een vrij eenvoudig leven volgens de normen van vandaag, want vandaag heeft een bedrijf amper 15 jaar voordat verstoring zijn bestaan bedreigt. Er wordt voorspeld dat ongeveer 40 procent van de Fortune 500-bedrijven van vandaag, dus op de S&P 500, niet meer over 10 jaar zal bestaan. Tegen 2027 zal 75 procent van de S&P 500 worden vervangen, dus de halfwaardetijd waarmee organisaties vandaag worden geconfronteerd, voordat ze zich zorgen hoeven te maken over verstoring, wordt echt kleiner. Succesvolle bedrijven moeten die digitale innovatierace voor blijven.
Tegenwoordig twijfelt niemand echt aan de analyses. Het is het middelpunt, die digitale bedrijfstransformatie. Organisaties zetten digitale innovatie zelfs bovenaan in hun strategie. Die bedrijven, zij zijn de top vijf van meest waardevolle bedrijven ter wereld, die twee triljoen dollar aan marktwaarde vertegenwoordigen, Jen.
Jen Underwood: Ja, het is geweldig, echt waar. Het is echt aan het veranderen en snel. De andere dynamiek die we hebben en waar we het hier over hebben gehad, nu denk ik dat we het eindelijk zien en organisaties deze exponentiële groei van gegevensbronnen voelen, en het is niet eens alleen meer het analyseren van gegevens op gestructureerde gegevensbronnen. Nogmaals, we hebben het hier over, je hebt slechts een moment in sommige van deze digitale processen om een beslissing te nemen en deze dingen komen in JSON's van REST API's, we hebben het over ongestructureerde gegevens, of de logbestanden, er zijn allerlei van verschillende soorten gegevens, evenals de extreem constante groei.
Nick Jewell: Ja, Jen, dus zoals je al zei, verdrinken analytische leiders in een zee van gegevens. Het verkrijgen van het waardevolle inzicht, misschien met behulp van een combinatie van bestaande of nieuwe analytische technieken, is echt het einddoel, maar er is een eenvoudig en fundamenteel probleem waar veel organisaties waarmee we samenwerken, echt mee worden geconfronteerd. We hebben Harvard Business Review in opdracht gegeven, we hebben de enquête uitgevoerd en met gegevensanalisten en bedrijfsmanagers gesproken. Ze vroegen hoeveel gegevensbronnen ze in hun organisatie gebruiken om een beslissing te nemen, en het is vrij duidelijk dat er de afgelopen jaren een fundamentele verschuiving heeft plaatsgevonden. Vroeger mengde IT gegevens, duwde het naar het datawarehouse, maar ik denk dat ondanks al het uitstekende werk dat IT-groepen hebben gedaan, gecentraliseerd gegevensbeheer creëren, analisten nog steeds worden geconfronteerd met de taak om die specifieke analytische gegevensset te maken, maar ze moeten beantwoord een zakelijke vraag. In feite heeft slechts 6 procent al hun gegevens op één plek en de meeste analisten moeten gegevens halen uit vijf of meer bronnen - dingen zoals spreadsheets, cloud-applicaties, sociale media en natuurlijk, niet te vergeten dat datawarehouse.
Nu erkennen de meeste organisaties dit, maar waar de meeste organisaties niet mee te maken hebben, is het simpele feit dat dataprofessionals meer van hun tijd besteden aan het besturen en zoeken naar gegevens, dan dat ze daadwerkelijk waarde winnen. Dit zijn niet de spraakmakende strategische analytische problemen waarover de bedrijfsmedewerkers willen horen. Maar als het fundamentele probleem niet wordt aangepakt, wordt voorkomen dat organisaties echt waardegedreven inzichten bereiken. Jen?
Jen Underwood: Dat is interessant. Ik heb hier zeker verschillende studies over gezien en het is dit stuk hier, of het nu de 80 procent van de tijd is of triljoenen dollars die steeds opnieuw dezelfde gegevens repareren, zeer inefficiënt in een organisatie. Dit klopt, deze 37 en deze 23 procent is erg duur tijdverspilling. Ik vind het verbazingwekkend dat daar niet meer aandacht aan wordt besteed.
Kijkend naar enkele hiervan, wat ik de marktkrachten zou noemen, en vaak als ik het heb over trends in de industrie, hou ik ervan om de industrie te volgen en er constant op te letten. Het is belangrijk om te begrijpen wanneer iets meer is dan een trend, wanneer het echt een kracht zal zijn waar je op moet letten, en dit zijn de top drie op dit moment, krachten om op te letten. Het is deze snelle groei, nummer één is de snelle groei van niet-relationele databases. Ik noemde zojuist dit hele concept van niet veel tijd hebben om per se een JSON te moeten ondervragen, het zijn dit soort niet-relationele scenario's, die behoorlijk groeien - ik denk dat ik hier snel wat statistieken heb - snel.
Het andere is de voortdurende verschuiving naar de cloud. Voor de oproep had ik gezegd dat ik een wereldwijde productmanager was bij een van de grote technologiebedrijven en drie jaar geleden moeilijke gesprekken had met groepen die zeiden: “We zullen niets in de cloud plaatsen. We gaan niet naar de cloud. ”En het was heel interessant om een jaar later, twee jaar later groepen te zien, nu ik van dezelfde groepen hoor, dat iedereen een cloudplan heeft. Ik denk dat iedereen een extreem breed statement is, maar wat ik zou zeggen is, mensen die anti-cloud zijn geweest, de houding is zeker dramatisch veranderd, binnen een zeer korte periode, zelfs sinds ik met groepen over dit soort dingen.
Automatisering, dit is een gebied waar ik gefascineerd door ben en een gebied waar we zeker veel activiteit en geweldige activiteit zien. We praten over sommige van deze dingen met het hebben van deze verspilde tijd en inefficiënt gebruik van uw tijd. Automatisering is zeker een van de gebieden waar ik het meest enthousiast over ben als ik erover nadenk om waarde voor een organisatie te brengen.
De volgende dia waar ik het over ga hebben, dit is een studie van IDC, ze kijken naar de marktsegmenten en de groei en het is echt een prachtige manier om een impuls te geven aan wat er echt groeit, wat kopen je collega's? In wat voor soort dingen zijn ze niet meer geïnteresseerd? Dat soort dingen en het in hun strategie zetten.
De wereldwijde markt voor analytische software voor big data heeft volgens IDC 16 segmenten en in die segment-zin kijken we zelfs naar enkele naamsveranderingen. Er was een toevoeging van continue analysesoftware, cognitieve AI-softwareplatforms, zoeksystemen, dus er waren zelfs enkele nieuwe categorieën aan toegevoegd. Dit marktoverzicht omvat vrijwel de horizontale tools, voorverpakte applicaties, evenals enkele beslissingsondersteuning en beslissingsautomatisering. Nogmaals, dit zullen de soorten oplossingen zijn, als je denkt aan CDO, in een context van een CDO, hun portfolio die mogelijk wordt beheerd van gegevensintegratie tot analyse-visualisatie, machine learning en al deze soorten mogelijkheden die ze nodig hebben te hebben in het digitale tijdperk.
De wereldwijde markt zelf voor dit soort oplossingen groeide met 8, 5 procent in huidige valuta en de totale markt groeide volgens IDC met 9, 8 procent. Dit werd vergeleken met - je kijkt naar valutaschommelingen over een periode van een paar jaar en de mate van variatie is minimaal, maar die top drie segmenten die ik heb gemarkeerd, gewoon om je een gevoel te geven voor die niet-relationele analytische gegevensbronnen, 58 procent jaar-op-jaar groei, inhoudsanalyse en zoeksystemen waren 15 procent en sommige van de klantrelatie-applicaties, CRM-type dingen of de Salesforce Einstein, bijvoorbeeld, die groeien met meer dan 10 procent, ze zijn nu 12 procent. Ik denk dat Nick hier ook wat commentaar op wilde geven.
Nick Jewell: Bedankt, Jen. Het is een fantastische visual. Ik denk dat we bij Alteryx altijd hebben geloofd dat gegevensvoorbereiding en -menging altijd een kerncompetentie zou zijn van elk analysesysteem, maar het is echt de basis voor meer geavanceerde analyses. Laten we nu de afgelopen jaren over de industrie praten - deze was misschien een beetje overdreven gericht op enkele van de nieuwe interactieve visualisatiemogelijkheden. Ze zien er mooi uit omdat ze de betrokkenheid vergroten, ze zorgen voor inzicht, maar ze hebben ons niet echt verder gebracht dan beschrijvende analyses.
Maar ik neem aan dat mensen nu hun blik wat hoger leggen, dat organisaties die de bedrijfswaarden gaan begrijpen, zullen komen van die meer geavanceerde analyses die nu net hun weg vinden naar de mainstream. De vraag wordt, hoe, of meer specifiek, wie? Dit sprong naar analyses van hogere waarde; het werpt echt de kwestie van het tekort aan analytisch talent behoorlijk scherp op, vind je ook?
Jen Underwood: Absoluut, en ik had, denk ik dat ik net heb getweet, gisteravond een echt fascinerende opmerking gezien van de vice-president van Adobe: "Machine learning is tafelinzet geworden", waar mensen vroeger op hun hoede waren, nu is het geworden een behoefte en het is interessant. Kijkend naar dit en gewoon een klein beetje anders, per se. Veel mensen beginnen dit te zien als een snelgroeiend gebied met een niet-relationele analytische winkel en de cognitieve AI, deze machine learning, deze hoogwaardige analyses. Maar nog steeds aan het einde van de dag, op dit moment het grootste segment, dus waar de meeste aankopen vandaag gebeuren, zit nog steeds in deze basis, wat ik zou zeggen, de queryrapportage, een deel van de visuele analyse, en het groeit nog steeds en dat is nog steeds iets waarvan veel mensen aannemen dat je het al hebt - niet noodzakelijk. Het groeit nog steeds met 6, 6 procent per jaar.
Als een CDO - en ik ben dol op het tonen van deze dia - eigenlijk gewoon om te zeggen, wanneer je deze nieuwe rol binnenloopt of gegevens in een organisatie bekijkt, is het chaos en ik denk dat deze specifieke dia echt een goed gedaan - dit zijn alle mogelijke gebieden waarover u mogelijk gegevens hebt. Ze kunnen on-prem zijn, het kan in de cloud verblijven, het kan hybride zijn, het is overal en het is een grote overweldiging - nogmaals, het is een rol van het C-type nu binnen een organisatie, en het is geen eenvoudige taak of eenvoudige - in deze specifieke wereld om aan te nemen, is het soms behoorlijk overweldigend. Dit is de wereld waarin deze CDO moet navigeren, om te beheersen, wat ik zou zeggen, het maximaliseren van de waarde van gegevens.
Doorgaan met de uitdaging, het maximaliseren van de waarde van al die verschillende bronnen en wat we hebben zijn deze sluitende tijdvensters, met deze digitale processen of het inzicht tot actie is bijna afgelopen. Als je denkt aan misschien vijf jaar geleden, tien jaar geleden, zou het kunnen zijn dat je rapporten hebt dat je zou lopen om sommige beslissingen te nemen met inventaris of acties, die misschien wekelijks, maandelijks lopen, dan werden ze dagelijks of 's nachts, misschien is het per uur.
Wat we nu zien, zijn deze intelligente machine learning ingesloten kunstmatige intelligente kantoren, die ter plekke beslissingen nemen en corrigeren, dus zelfs dingen zoals het internet der dingen, IoT-embedded analyses aan de rand, deze systemen zijn slim en deze algoritmen kunnen stem af en wijzig enkele beslissingen die ze ter plekke nemen op het juiste moment. Het was heel interessant om deze specifieke dynamiek te zien met de digitale revoluties en deze contactpunten - hoewel ze zijn toegenomen, blijft de tijd tot actie afnemen en de technologie evolueert dan voor deze scenario's.
Nick Jewell: Ja, Jen, ik denk dat een van die meest interessante aspecten van hoe de levering van inzicht verandert, is waar de analyse naar de eindgebruiker komt. Vragen we gebruikers om in een dashboard te springen wanneer ze een kritische beslissing nemen, of zeggen we dat het inzicht, de op één na beste actie, direct beschikbaar is binnen het proces, in de flow, om dat concurrentievoordeel te stimuleren? En het analytische model waar we het over hebben, moet mogelijk zijn input halen uit een schat aan verschillende bronnen - traditionele datawarehouses, geolocaties, sociale media, sensoren, clickstream - al deze gegevens zijn van invloed op de beslissing en dat bruikbare resultaat .
Jen Underwood: Doorgaan met dit thema van uitdaging en verandering, wat we nu hebben, en de uitdagingen die de CEO moet omarmen en plannen om deze te overwinnen, is in wezen dat we te veel gegevens hebben om efficiënt te beheren en handmatig te analyseren. Er zijn lange vertragingen; we moeten deze vertragingen verkorten en we moeten een manier vinden om de waarde van de gegevens die we hebben te maximaliseren. Er is een tekort aan data science talent in de wereld om deze inzichten te dekken en wat we oceanen zouden noemen als data. Het goede nieuws is dat er vandaag een aantal prachtige innovaties plaatsvinden die op elk gebied hiervan helpen, en het wordt spannend om te zien wat, waar technologie ons naartoe gaat brengen, ons te helpen met deze uitdagingen.
Terwijl ik hiernaar bleef kijken, is er wat verwarring toen ik met klanten sprak of met groepen met behulp van sommige van deze tools. Sommige van de klassieke uitdagingen bestaan nog steeds, het wordt alleen maar een beetje meer verergerd met het proberen om gegevens te vinden om te analyseren. Sommige van de zoekhulpmiddelen, sommige van de catalogi die er zijn, helpen zeker dingen - nu vinden we welke catalogus wanneer moet worden gebruikt. Er zijn een paar verschillende catalogi, dus er zijn verschillende plaatsen waar u gegevens kunt opslaan en delen, dus het is een kwestie van proberen er een te vinden, misschien de catalogus waar we naar moeten kijken.
Het andere is gezamenlijk delen. We hebben het gehad over een van de onderzoeken uit die Harvard Business Review, hoeveel tijd wordt besteed, in feite niet-waardetoevoegende taken uitvoeren, tijd verspillen en hoe duur dat kan zijn. Als u gezamenlijk in staat bent om gemeenschappelijke gegevensbronnen te delen en te gebruiken, zijn de scripts al ontwikkeld, de logica is al aanwezig, u kunt ze effectief besturen, dus een evenwicht tussen governance en analytische behendigheid, dat is echt wat u wilt doen en navigeren door deze wereld van wat ik zou noemen, we hebben niche-tools, we hebben geautomatiseerde workflow-tools, we hebben klassieke Excel, de datacatalogi, self-service BI, data science-tools. Zoals die ene foto liet zien, zitten er heel veel tools en veel overlappingen tussen.
Nick Jewell: Ja, perfect, Jen, en ik denk dat het venster van inzicht, zoals je al zei, zeker kleiner wordt, maar de tijd die nodig is om modellen daadwerkelijk in te zetten, houdt niet bij. Voorspellende modelimplementatie blijft een grote uitdaging voor veel bedrijven. We hebben gesproken met Carl Rexer, de president van Rexer Analytics, en in Carl's data science-onderzoek uit 2017 ontdekte hij dat slechts 13 procent van de datawetenschappers zeggen dat hun modellen altijd worden ingezet en dat deze implementatieverhouding gewoon niet verbetert, dus we ga terug met elke vorige enquête. In feite gaan we terug naar 2009, toen de vraag voor het eerst werd gesteld, en we zien bijna identieke resultaten, dus we hebben een echt gat.
Jen Underwood: Als we kijken naar de volwassenheid van analyses, gaat deze snel vooruit. Nogmaals, twee, drie jaar geleden, waren we erg enthousiast om een visuele self-service analyse te hebben en uiteindelijk flexibel te zijn en BI naar de massa uit te breiden. Als ik massa's zeg, waarschijnlijk nog steeds hoofdgebruikers binnen een organisatie. Nu zien we optimalisatie, voorspellende analyse, diep leren, natuurlijke taal, vele andere technologieën die echt, omdat ze zijn ingebed in alledaagse processen, analyses echt naadloos naadloos voor de massa zullen democratiseren, zodat de echte massa binnen de bestaande bedrijfsprocessen die ze al hebben.
Nick Jewell: Ja, Jen, laten we een kort verhaal praten over die laatste categorie, als ik kan. De meeste luisteraars van vandaag zullen bekend zijn met de AlphaGo-software van Google DeepMind, die de afgelopen jaren enkele van de beste Go-spelers ter wereld versloeg. AlphaGo heeft het spel leren spelen door enorme hoeveelheden eerder opgenomen wedstrijden te bestuderen. Zozeer zelfs dat de commentatoren van het AlphaGo-toernooi beweerden dat de software in de stijl van een Japanse grootmeester speelde, geloof het of niet.
Maar in de afgelopen maand werd een bijna verbazingwekkender resultaat gemeld. Dit was AlphaGo Zero, diep leren, neuraal netwerk, gewapend met niet meer dan de eenvoudige regels van het spel en een geoptimaliseerde functie. Het heeft zichzelf geleerd om de sterkste Go-speler ter wereld te worden, zonder training onder supervisie, en het deed dit alles in ongeveer 40 dagen. Dit zogenaamde versterkingsleren, waarbij mensen de uitdaging definiëren, het diepe leersysteem laten verkennen, verbeteren, kan echt de grootste impact in de analytische ruimte tot nu toe opleveren. Dus, denk ik, blijf op de hoogte.
Jen Underwood: Ja, dat is echt interessant, dat heb je gezegd. Kun je je de uitsluitingen voorstellen? En dit is wat ik begin te zien. Echt, als ik het over automatisering heb, heel opwindend voor de oplossingen om slim genoeg te zijn om lucht te reinigen, automatisch van systemen te leren, plug and play en gewoon te weten wat te doen op basis van enkele eerdere beslissingen die zijn genomen of andere beslissingen die zijn gemaakt binnen de organisatie en die sommige van deze systemen, de ETL-systemen hebben beheerd en ervoor hebben gezorgd, en vroeger al piepers en telefoons hadden die me waarschuwden wanneer processen niet liepen, het is zo opwindend om te denken, "Wauw, nu is het slim genoeg om waarschijnlijk zichzelf te genezen."
Mijn man beheert een zelfherstellend rooster, we hebben zelfherstellende data-integratie, zelfherstellende analyses en waar het steeds beter wordt, is het echt opwindend. Als een CDO, wanneer je begint na te denken over mensen die technologie verwerken, gaan we kijken naar, op dit moment kijken we naar technologie, dan gaan we kijken naar mensen en hoe te benaderen het bouwen van je team en het bouwen van de vaardigheden. Als je naar het moderne analyseplatform kijkt, zal ik je meteen vertellen dat niet iedereen hier alles zal hebben, hoewel de grootste organisaties misschien al deze verschillende componenten hebben, sommige groepen hebben misschien slechts twee of drie kleine vakjes hier, dus ik wilde mensen hiermee niet overweldigen. Maar een modern BI-platform vereist niet noodzakelijkerwijs een IT-gebouwde, vooraf gedefinieerde semantische rapportagelaag.
De gebruikers en experts moeten echt gewoon de mogelijkheid krijgen om gegevens voor te bereiden op analytische snelheid en behendigheid, en als je nadenkt over de opkomst van wat we zouden zeggen door gebruikers en door experts geleide analyses, moeten experts van het onderwerp de behendigheid hebben, snel beslissingen nemen. We zien een toenemende acceptatie van wat we zouden zeggen, de tools voor het voorbereiden van persoonlijke gegevens, het ruziën van gegevens, de verrijking, de zuivering, de soorten activiteiten die Alteryx doet, evenals enkele van de activiteiten van het type datawetenschap die ze aanbieden als goed. De moderne voorbereidingsoplossing, ze bieden die intelligente, geautomatiseerde verbindingen, luchtresoluties, verschuiving van gegevens, wanneer je een grote gegevenspijplijn hebt, het is heel, heel cool. Dit is waarschijnlijk weer een van de gebieden waar ik van hou en die ik ook echt leuk vind om te testen in de industrie.
In tegenstelling tot de traditionele IT-geleide BI, richt IT zich tegenwoordig echt op het mogelijk maken van het bedrijf en je hebt mensen zoals de CDO's en het samenstellen of kiezen van de juiste oplossingen om deze gegevens te orkestreren, organiseren en verenigen en zorg er natuurlijk voor dat het geregeerd, toch? Eén ding is heel interessant voor mij en ik denk zeker dat we hieruit hebben afgeleid, maar ik denk niet dat we het gewoon meteen hebben gezegd, de dagen van een one-size-fits-all datawarehouse en dat is de uiteindelijk is alles voorbij. Data is overal, je moet maken - datameren zijn in beeld gekomen, er is streaming en live data, er zijn nu zoveel verschillende databronnen, het is echt meer op een case gebaseerd, "Wat heb je nodig?" "We moeten alles in een datawarehouse brengen." Ik weet het niet zeker, Nick, wilde je hier commentaar op geven? Ik kan het me niet herinneren.
Nick Jewell: Ik zal maar één ding zeggen en het is gewoon kijken naar de evolutie van de component. Wat experts vijf tot tien jaar geleden deden, is nu in handen van de gebruiker, dus de dingen aan de rechterkant daar zullen vaker voor gebruikers zijn in een code zonder slepen en neerzetten, zeer spoedig. Het zal sneller en sneller bewegen, dus houd dat in de gaten.
Jen Underwood: Ja, dat is echt een goed punt. Ik denk daar graag aan. De verschillende data science, het wordt eindelijk realiteit en de tools worden zo veel beter. Als we aan technologie denken, moeten we nu over de vaardigheden en de mensen beschikken en wat moeten we doen? Op dit moment de beste banen, waaronder titels als datawetenschappers, data-engineer en bedrijfsanalisten, maar wat we vinden is dat werkgevers het zelf erg moeilijk vinden om een match te maken. Zelfs in de data prep ruimte, zal ik zeggen: "Is het data prep, is het data ruzie, hoe noemen mensen het?" Het was erg interessant om te vinden.
Het bedrijf weet niet wat ze nodig hebben en er is een heel nieuw opkomend veld dat veel verschillende gebieden zal beslaan. Als je kijkt naar iedereen die nu een meester moet zijn van hun gegevens, bedrijfsanalyses, IT-projectmanagers, mijn man die een stroomnet beheert en een portfolio van projecten, moet hij dit kunnen analyseren. Het is niet alleen meer financiën en data-analyse, het is echt veel breder uitgebreid naar andere delen van de organisatie. Ik denk dat ik een studie heb gezien over hoeveel gegevensbronnen marketing gebruikt, en dat was overweldigend. Nogmaals, als je nadenkt over de studie die is uitgevoerd door Harvard Business Review, is het niet meer slechts één gegevensbron die mensen moeten samenvoegen en samenvoegen en inzicht krijgen, het zijn veel gegevensbronnen en daarvoor is vaardigheid vereist.
Als je hier in wezen naar het grotere plaatje kijkt, zullen de meeste nieuwe medewerkers in deze roze bubbel onderaan staan, wanneer je over deze bedrijfsanalisten praat met de data mining analisten, de HR-managers, dit gebied, gewoon reguliere rollen binnen de lijn van het gebruik van gegevens. De snelstgroeiende rollen zullen minder banen hebben, maar zeker wat we tegenwoordig het meest horen in de markt, de datawetenschapper en de data engineer. Als CDO kijken ze vooruit en je plant talent, je moet rekening houden met een deel van de automatisering van routinetaken en de soorten vaardigheden die strategischer zijn en nogmaals, waarde toevoegen met je organisatie, voor beide die in analyse ingeschakeld maar ook voor de data science en data engineer mensen daar. Bedenk hoe uw niet-geposte posities en zelfs een deel van de freelance-economie kunnen veranderen als u erover nadenkt om te concurreren voor de beste en slimste.
En denk altijd ook na over uw talentpijplijn, het helpen van kandidaten om door de markt te navigeren of op zoek naar dingen die misschien een beetje anders zijn en niet precies wat u wilt en het creëren van interne analysecursussen, die misschien niet echt de snelste, meest kosteneffectieve strategie om bij te blijven. Overweeg om te kijken naar mensen die zijn toegewijd aan training in deze of verschillende groepen, en ik geloof dat Alteryx een aanbevolen cursus heeft aan het einde van de sessie vandaag als een oproep tot actie, dat je voor sommige van deze dingen kunt profiteren en je team kunt helpen enkele bestaande bronnen die al beschikbaar zijn.
Nick Jewell: Absoluut. Er zijn zoveel manieren om die talentkloof te vullen zonder verstrikt te raken in een wapenwedloop. Een paar dia's terug, ik weet niet of je er een paar kunt omdraaien. Kaggle, de data science wedstrijdsite, ze hebben zojuist een enquête vrijgegeven met 17.000 antwoorden over de staat van de gegevenswetenschap en er was een heel interessante reactie van de enquête over de vaardigheden die mensen hadden, en de meerderheid van de respondenten had geen doctoraat, het is gewoon geen vereiste meer.
Het idee dat de analyse-experts van de volgende generatie, die grote bubbel die je zojuist hebt laten zien, de kennis kunnen opdoen die ze nodig hebben van cursussen in nano-opleidingen. Ze kunnen naar sites zoals Udacity gaan en ze kunnen deze kennis onmiddellijk inzetten, direct in de business, korte gerichte leveringscycli maken hen een directe bron van concurrentievoordeel voor hun bedrijven. Dus iets om op te letten, denk ik.
Jen Underwood: Nee, daar ben ik het mee eens. Zelfs als ik erover nadenk, is het zeker een lange weg afgelegd sinds ik een tweejarig programma bij UCSD heb gevolgd. Dit was terug in, denk ik, in 2009, het tijdsbestek van 2010 en er waren echt misschien een handvol in het land dat je toestond dat te doen. Er zijn nu over het algemeen veel meer opties, evenals gespecialiseerde programma's, of het nu via de leveranciers is, veel bronnen die vandaag beschikbaar zijn met lussen en al deze verschillende online bronnen, het is gewoon geweldig, het is echt de tijd. Tijd maken en dat budgetteren en plannen om bij te blijven. Wat wil je leren? En dan dat pad volgen dat je wilt leren.
Spreken over het kijken naar dit en het samenstellen van uw eigen plan van vaardigheden en van de prospect van een CDO, ervoor zorgen dat ze mensen hebben in de behandelde gebieden, van wat ik zou zeggen een competentiekader op zichzelf, kijken naar vaardigheden of kijken naar dingen zoals domeinkennis is nog steeds erg belangrijk, ook al kunnen deze oplossingen zichzelf trainen en zelf leren, het is echt een expert op het gebied van bedrijfsonderwerpen die ervoor zorgt en ervoor zorgt dat de resultaten kloppen.
Er is altijd iets en ik gebruik graag het voorbeeld van toen ik kritieke analyses deed voor een verzekeringsmaatschappij en een van de bevindingen dat de algoritmen hadden was om niemand uit New York in te huren. Nou, nee, we gaan niemand inhuren uit New York - we moesten uitvinden waarom het algoritme ons deze informatie gaf. Het was omdat de legale, een van de wetten was veranderd en dus hadden we veel churn in dat specifieke segment. Om dit te ontcijferen moest er een expert in bedrijfsonderwerpen worden betrokken, en ik zie dat niet veranderen, ik zie dat soort richtlijnen niet, ervoor zorgen dat de resultaten er nauwkeurig uitzien, er iets uitziet - het is nog steeds, er is iets waarvan wordt gezegd dat het de menselijke geest is, de schoonheid daarvan in combinatie met de kracht van de machine is echt waar we naartoe gaan.
De andere soorten dingen als je kijkt naar vaardigheden, visualisatie, het vertellen van een effectief verhaal in de gegevens, het vertellen van een effectief verhaal of het zelfs gaat om machine learning-output. Samenstellen en kijken naar de impact ervan, inzicht in de menselijke aard van besluitvorming, dat soort dingen zijn erg belangrijk, ongeacht de technologie. Bestuur is erg belangrijk, ethiek wordt steeds belangrijker. Er zijn sociale wetenschappers bij betrokken die dat begrijpen en ze zijn getraind om te kijken of er vooroordelen in uw gegevens zijn die u niet eens beseft of die niemand in de organisatie heeft die dat misschien niet eens herkent, zelfs niet bij de expert, met dat soort dingen.
En nogmaals, natuurlijk, het hebben van de infrastructuur voor engineering en de hardware en ervoor zorgen dat je kunt schalen en het is ontwikkeld en ervoor zorgen dat je de juiste cloudprovider gebruikt, misschien dat je niet bent opgesloten of dat je opties hebt om te verhuizen of dat u begrijpt de prijs van hoeveel dit u gaat kosten. Het zijn dit soort vaardigheden en als je dit bekijkt, zouden we het vaardigheden op verschillende gebieden noemen, of het nu gegevensgestuurde frontline-beslissers zijn - waar de meeste van deze rollen zullen zijn - helemaal tot die gegevensingenieurs en gegevenswetenschappers die masseren en werken in deze oceanen van gegevens. Dit zijn de soorten dingen waarvoor u een raamwerk wilt samenstellen.
Kijkend naar competentiekaders, kijk je naar een organisatie in het algemeen, je wilt competentie overwegen, niet alleen vaardigheden. Er zit een beetje nuance in de formulering als je dit bekijkt. Een competentiekader voor uw organisatie is een duidelijk signaal. Oorlogsbeleidsmakers, onderwijsaanbieders, terwijl vaardigheden zouden zijn, getypt onder R, je denkt aan dat soort dingen, je hebt een competente programmeur, maar je wilt meer willen dan alleen die vaardigheden. Wanneer je competentie begrijpt, wat een persoon moet kunnen en het kader moet begrijpen, dat is het belangrijkste, er is een beetje een nuance.
Terwijl u dit bouwt, wilt u een diagnose stellen van wat u capaciteiten zou noemen die een positieve impact op het bedrijf hebben en die gebieden met een hoog potentieel benadrukken, dus u geeft prioriteit aan de competenties die u in uw organisatie wilt verhogen en stem deze vervolgens opnieuw af op de bedrijfsdoelstellingen. De CDO die verantwoordelijk is voor het maximaliseren van de waarde van gegevens, zullen ze bekijken, en hun CAO, die analyses gaat gebruiken om de waarde van gegevens te maximaliseren. Ze zullen kijken naar die competenties en die verschillende gebieden, op het verleden rooster dat ik daar had, maar dan gaan ze ook kijken naar het hoge potentieel van personeel. U gaat dat met uw personeel voor gegevens- en analysewerk vergelijken en in hen investeren, hen leerkansen bieden en niet alleen training, in wezen real-world kansen die werken aan echte bedrijfsproblemen.
Er is niets beter - ook al ging ik een paar jaar naar school, pas toen ik enkele van deze algoritmen ging gebruiken of leerde over cheque-fraude, leerde over enkele van deze dingen waar ik nog nooit aan had gedacht, en jij begin samen te brengen in de echte wereld en dat is waar je echt leert. Mensen de kans geven om ervaring op te doen op deze gebieden. De bedrijven die het beste in staat zijn om sterke capaciteiten op te bouwen, die systematisch, objectieve beoordelingen identificeren en kijken waar de hiaten in mijn organisatie zijn voor het leren en een aantal meetwaarden voor doelen voor mensen opstellen, dat zijn degenen die in staat zullen zijn afleveren.
Als je eraan denkt om volwassenen te trainen, is het meestal een uitgehongerde tijd - we zijn allemaal uitgehongerd - maar kijken naar wat voor elk werkt. Ik heb persoonlijk boeken, dus als je vandaag naar mijn kantoor zou komen, zou je heel veel boeken zien, ook al houden veel mensen van video's. Het is dus een kwestie van uitzoeken, hoe iemand in uw organisatie graag wil leren - om hen te motiveren om te leren - maar ook om hen wat tijd te geven om dat te doen en een soort van doel - wat is een effectieve manier om dat te bereiken en meestal is dat gemengd, het is niet alleen, volg die cursus om dat vinkje op een scorekaart af te vinken, het is een combinatie van dat met een echt doelproject en wat heb je van dat project geleerd en wat wil je daarna doen? Wat is een stuk? Je team strekken of je team motiveren om verder te gaan.
Die leerdoelen, nogmaals, als je dat doet, zou het niet echt moeten zijn, het zou voor het bedrijf gemakkelijk moeten zijn, in wezen omdat die doelstellingen in lijn moeten zijn met de strategische zakelijke belangen. Dit zijn geweldige projecten. Het zijn experimentele projecten. Het zijn projecten die de naald naar voren brengen.
Nick, wilde je iets toevoegen? Ik weet het niet zeker.
Nick Jewell: Nee, ik ging in het volgende scherm in een case study, als dat OK is. Een beetje meer detail van een specifieke organisatie. Ik denk dat ze veel van wat je zegt in praktijk hebben gebracht, in realiteit. De Ford Motor Company vertrouwde decennia lang op data-analyse, net als veel andere bedrijven, maar deed dat in de zakken van het bedrijf, met waarschijnlijk heel weinig toezicht op de hele onderneming om consistentie en coördinatie te garanderen. Hun problemen waren waarschijnlijk redelijk typerend voor een organisatie van hun omvang, dus analyse-expertise bevatte - zoals we zeggen - binnen het budget, datamanagement en governancepraktijken waren inconsistent, zelfs tot het punt waar sommige bedrijfsonderdelen geen toegang hadden tot elementaire analyse-expertise.
Nogmaals, we hebben het vandaag gehad over veel verschillende soorten gegevensbronnen, ze hadden meer dan 4.600 gegevensbronnen. Dat betekende dat zelfs het beginnen van de reis en het vinden van de gegevens die ze nodig hadden een echte belemmering vormde voor analytisch inzicht. Ik zie dat je lacht, maar het is toch iets verschrikkelijks?
Jen Underwood: 4.600, oh mijn god, ja.
Nick Jewell: Ford vormde dus de wereldwijde eenheid voor inzichten en analyse en deze was gecentraliseerd - je kunt het een centre of excellence noemen - bestaande uit een team van datawetenschappers en analisten, georganiseerd om die analytische best practices te delen en geoptimaliseerde datagestuurde informatie te verspreiden gegevens maken in het hele bedrijf. De unit heeft de beste tools in zijn klasse geselecteerd, niet alleen op vermogen, maar ook op hun vermogen om goed samen te integreren, dus dat is heel belangrijk. De focus van hun democratisering lag eigenlijk op rapporten en beschrijvende analyses, voordat ze die piramide van behoeften opschoof waarover we hebben gesproken.
Democratie maakt van iemand niet zomaar een datawetenschapper; medewerkers moeten weten waar en wanneer ze hulp kunnen krijgen, en er is training, governance en methodes beschikbaar om hierbij te helpen. Het gaat ook niet alleen over training van tools, maar ook training in data science, om die vaardigheidskloof te overbruggen die we hebben genoemd. Dus, een echte use case bij Ford, het optimaliseren van een logistiek netwerk, dus betaalde Ford het juiste bedrag om materialen van punt A naar punt B te verplaatsen? Hun oude analyses wezen echt niet op bruikbare kansen; dit maakte hen zeer reactionair in de markt. Nu was veel complexiteit voor dat proces opgesloten in de hoofden van de analisten en zij bereikten een enorme doorbraak toen de zelfbedieningsworkflow daadwerkelijk werd herhaald met het bedrijf en de analytische experts bij elkaar zaten en zich op dezelfde locatie bevonden.
Dit heeft de analyse verplaatst van meerjarig naar driemaandelijks en zelfs naar bijna realtime, dus enorm, enorm voordeel voor het bedrijf. Die impact van selfservice-analyses op de bedrijfswaarde, er is geweest dat Ford snel bedrijfsbrede datagestuurde strategieën kan plannen en opstellen, om te reageren op opkomende trends, nieuwe services vorm te geven en in feite bedreigingen van de concurrentie af te wenden, zonder alleen in die achteruitkijkspiegel moeten kijken.
Als we nu even kijken hoe een andere klant de analyse echt heeft verplaatst van misschien een verticale prioriteit in een enkele divisie naar een horizontale streep over alle divisies, zullen we het hebben over Shell. Shell heeft een centre of excellence dat rapporteert aan de chief digital officer - dus er is nog een D voor ons CxO-playbook - verantwoordelijk voor digitale transformatie en duurzaamheid. Deze jongens begrepen dat hun omgeving uit meerdere lagen bestond en de technologiestapel, opslag, gegevensverwerking en alle beschikbare technologieën die jullie allemaal kennen. Dingen zoals SAP HANA, Databricks, Spark, en ze gebruikten public cloud om die juiste schaalvoordelen te bereiken.
Nu kozen ze Alteryx als een analyse-wrapper voor veel van hun R-code, waarmee technologieën zoals Spotfire, Power BI en meer werden gebruikt. Maar nu zien ze de acceptatie veel nauwer aansluiten bij gegevensverwerking en visualisatie. Jen, alleen maar terugkerend naar je dia met al die mogelijkheden, dit soort dingen verspreidt zich naarmate we meer analisten toegang geven. Weet je, ze waren enorm succesvol in het leveren van deze mogelijkheid en de COE, die nu toekomstige mogelijkheden willen bieden, een aantal van die diepgaande dingen waar we het over hadden - machine vision, natuurlijke taalverwerking - en de helft van hun missie is levering, de helft ervan gaat over het verklaren en katalyseren van deze ideeën in verschillende bedrijfseenheden. Het maakt deel uit van de reis; de COE kijkt altijd uit naar verschillende manieren om te communiceren met hun zakelijke doelgroep.
Aan de ene kant rekening houdend met de sceptici die zeggen: "Nou, deze zwarte doos zal nooit zo goed zijn als mijn analist", helemaal tot de fanboy of de liefhebber die overal verbanden ziet, misschien minder in de weg van causale relaties, maar je moet voorzichtig zijn aan beide kanten. Het is een fascinerend middenveld, wanneer je deze horizontale streep over een hele organisatie hebt, die hybride vaardigheden die nodig zijn om beide kanten van het spectrum te overtuigen.
Nick Jewell: OK, Jen, ben je daar?
Jen Underwood: Dat ben ik.
Nick Jewell: Ik denk dat wat we hier proberen te zeggen met dit citaat van Clayton Christensen is dat ik denk dat voor veel organisaties de analyse-agenda wordt verenigd om de digitale transformatie aan te sturen waar we het vandaag over hebben gehad, gaat een uitdaging zijn. Vaker wel dan niet vinden we analytische teams die beginnen met een zwakke hand. Proberen te innoveren met legacy holdovers van analytische processen, technologieën, teamstructuren en vasthouden aan deze relieken zal de grootste barrière vormen voor analytische afstemming en voor analytische innovatie. Heb je daar gedachten over, Jen?
Jen Underwood: Ik geniet van de gekozen foto. Ja, dat is voor mij zeker logisch. Je moet een aantal van deze nieuwe technologieën omarmen, bijvoorbeeld streaming in realtime. Je zult niet noodzakelijkerwijs in staat zijn om die realtime resultaten te krijgen als je JavaScript-verversingen per se in een browser moet doen met een oude erfenis - misschien is het een dashboard-app of dat soort dingen. Ja, je moet een aantal van deze nieuwe tools omarmen, en nogmaals, ik vind deze foto echt schattig, een foto zegt meer dan duizend woorden. De wagen en de buggy, je moet sommige van die oude technische benaderingen loslaten.
Nick Jewell: Absoluut. Dus als we naar de volgende dia gaan, denken we dat er een betere manier is. Ik denk allereerst dat ik iets gebruik dat lijkt op Google-achtig zoeken, om snel al uw gegevensactiva te vinden die het meest relevant zijn. Hun context begrijpen, afhankelijkheid begrijpen, rekening houden met heel eenvoudige dingen zoals zakelijke woordenlijsten geschreven door experts in uw gemeenschappen, in leven worden gehouden door al die tribale kennis van de hoofden van uw collega's.
Slim worden met data-ontdekking. Denk na over de mogelijkheid om gesprekken te voeren met rapporteigenaren en experts. Uploaden, doe een beetje Trip Advisor of Yelp, upload de activa die het meest nuttig zijn, certificeer de middelen die de organisatie het meest waardevol vindt en dan wordt dit allemaal teruggekoppeld naar de zoekresultaten en uiteindelijk naar de zoekresultaten, waardoor het beter wordt voor de volgende gebruiker. Zodra u vindt wat u zoekt, gaat u naar die snelle, codevrije, gebruiksvriendelijke voorbereidings- en analysefase om uw perfecte gegevensset te ontwikkelen, van waaruit herhaalbare processen kunnen worden gepubliceerd.
Terug naar ons automatiseringsgesprek, gebruiksvriendelijke apps bouwen. Wat nodig is om analytische modellen te bouwen. Over modellen gesproken, we hebben open-source technologieën zoals R gedurende een aantal jaren ondersteund, stelt ons in staat om een echt geavanceerde analytische capaciteit op te bouwen die beschrijvende, maar ook voorspellende, prescriptieve analyse omvat, in een eenvoudige, drag-and- laten vallen.
Nu, aan de rechterkant, krijgt u dat inzicht in interactieve visualisaties, modellen en scores die naar beneden worden geschoven in dataplatforms, of het meest recent, waardoor dat inzicht direct en direct beschikbaar is in een bedrijfsproces. Ik denk dat het deze reeks mogelijkheden op het hele platform is waarmee we in de Gartner Peer Insights Customer Choice Survey als Gold Award-winnaar kunnen worden erkend, wat een fantastische prestatie is. Ik raad je ten zeerste aan om de Gartner-site te bezoeken om meer te weten te komen en je eigen stemmen toe te voegen en je eigen commentaar toe te voegen.
Cool, dus, Jen, als we nog een dia overslaan - ik denk dat we tot slot nog een paar volgende stappen willen geven. Ga eerst naar Alteryx.com om een gratis exemplaar van onze meest recente onderzoeksopdracht te downloaden, gedaan in samenwerking met het International Institute of Analytics (IIA), over het wegnemen van analytische obstakels. Je kunt ook naar udacity.com/alteryx gaan voor meer informatie over hoe je je teams in staat kunt stellen om de volgende stap in hun reis te zetten, met die geavanceerde analytische nanograad en dan eindelijk Alteryx zelf te ervaren. Ga naar de startpagina, download een volledige evaluatie en ga aan de slag met de spanning van het oplossen.
Jen, naar jou toe. We hebben misschien wat tijd voor wat Q&A.
Eric Kavanagh: Ik bel gewoon heel snel. We hebben een paar vragen. Ik zal er eerst een naar jou gooien, Nick, en dan Jen, als je er commentaar op wilt geven, maar het is zeker meer toepasbaar op de EU en dat is de beruchte GDPR, de Global Data Protection Regulations. Welke invloed heeft dit op Alteryx en je stappenplan en waar zijn jullie op gericht?
Nick Jewell: Het is heel erg een boogieman, denk ik, dat is er nu. Veel mensen praten erover, veel mensen maken zich nogal zorgen, maar het is echt de eerste in een lange reeks voorschriften die in de wereld van data en analyse zal komen. Vanuit ons oogpunt gaat het echt om het begrijpen en classificeren van uw gegevens. Zorg ervoor dat je als CxO, van een bepaalde smaak, weet waar je assets zijn, je kent hun context en je weet dat je ze kunt vertrouwen als een eerste stap om gegevens alleen in een bredere context te beheren en beheren.
Eric Kavanagh: Ik denk dat ik je nog een vraag zal stellen voordat we Jen terugbrengen, Nick, en dat wil zeggen, de trainingsgegevens, als iemand vraagt dat hun gegevens uit je onderneming worden verwijderd, heeft dat niet alleen invloed op hun naam, adres enzovoort, niet alleen hun contactgegevens, maar ook, als een algoritme trainingsgegevens gebruikt die uw gegevens bevatten, wordt u verondersteld het algoritme opnieuw te trainen, niet waar?
Nick Jewell: Het is bijzonder complex. Ik denk dat het idee dat niet alleen databases een bron zijn van sommige van deze persoonlijk identificeerbare informatie, maar ook de analytische workflows, de apps, de visualisaties. Deze gegevens komen overal binnen een organisatie, dus met die context: absoluut essentieel.
Eric Kavanagh: En Jen, wat is jouw gedachte? Het is duidelijk dat het niet zo'n groot probleem is in de VS en we zien niet al te veel bedrijven zich er nu druk over maken, ook al is het hier technisch gezien wel van toepassing. Als een Amerikaans bedrijf gegevens heeft van een EU-burger, wat is uw mening dan over de betekenis van GDPR en hoe groot is de deal?
Jen Underwood: Nou, ik denk zeker dat het een verantwoorde behandeling van gegevens vereist. Ik heb hier een paar keer over geschreven en heb een aantal richtlijnen voor sommige van deze dingen. Ik vind de vraag die je stelde over algoritmen interessant. Zeker, sommige van de oplossingen waar ik vandaag naar kijk, sommige van hun productteams hebben functies ontworpen zodat u kunt zien hoe zij de beslissingen nemen en welke persoonlijke gegevens werden gebruikt om de uitkomst van dat algoritme te bepalen. We zien enkele gevolgen voor de productontwerpen hier in de Verenigde Staten.
Veel van de technologiebedrijven hebben hier zeer grote kantoren en ontwikkelteams hier in de Verenigde Staten en wereldwijd, dus we zien het bij de productontwikkeling. Ik zie dat meer datacatalogi worden geïnvesteerd. Meer initiatieven van overheden worden opgedreven zodat mensen het begrijpen, en zij begrijpen waar al die gegevens zich in de chaos bevinden. Proberen hun armen rond te krijgen, tenminste organiseren, het kunnen vinden en er iets mee kunnen doen.
Eric Kavanagh: Ik ga deze dia duwen waarover we eerder hebben gesproken en deze aan jou overgeven, Nick. Ik vind dit een fantastische dia omdat het voor mij echt spreekt tot de noodzaak van analyse. Wat vind je van deze veranderende dynamiek? Ik bedoel, het komt erop neer dat bedrijven wendbaar moeten zijn en ik zie analyse als leidend voor die kosten. Wat denk je?
Nick Jewell: Dit is fascinerend. Ik denk dat er altijd is - bedrijven en technologieën bestaan altijd in drie staten, dus het wordt oorlog, vrede of verwondering. De oorlog zal over dat zware niveau van concurrentie gaan. Wonder is alle geweldige nieuwe dingen die je bovenop een platform bouwt. Dan vrede voor de competitie en de oorlog begint opnieuw. Ik denk dat er altijd een gevecht gaande is.
Voor de oproep van vandaag hebben we het gehad over enkele van de andere conferentie- en kernnotities die tegenwoordig overal ter wereld plaatsvinden. Sommige van de grote cloudleveranciers hebben een punt bereikt waarop ze dit platform hebben opgebouwd en nu bouwen ze er prachtige nieuwe dingen bovenop. Bedrijven moeten dit nauwlettend in de gaten houden en ervoor zorgen dat ze met iets gaan dat een coherent platform heeft dat die waarde voor de toekomst zal leveren. Zij zullen degenen zijn die deze verstoring zullen overleven.
Eric Kavanagh: Ja, dat is een goed punt, en weet je, Jen, je hebt eerder, in feite voor de show, commentaar gegeven op cloudstrategie en hoe veel mensen die je kent in de industrie zeggen dat grote bedrijven, zelfs banken, hebben nu allemaal een cloudstrategie. Ik ben nogal verbaasd over hoe lang het heeft geduurd om dat uit te voeren, en ik denk dat sommigen van hen naar de AWS Reinvent-conferentie zijn gegaan en zich hebben gerealiseerd hoe enorm het is en trokken de conclusie dat de tijd is gekomen. Wat vindt u van het bewustzijn van grote bedrijfsleiders over de import van cloud en hoe dat hun planning verandert?
Jen Underwood: Als ik denk aan deze wereld van grootschalige gegevens, in staat zijn om het te beheren, denk ik dat er op sommige niveaus een zekere gemoedsrust is als een van de zeer grote bedrijven verantwoordelijkheid neemt voor enkele beveiligingsaspecten, dus er is enige gemoedsrust daar. Je weet dat er een beperkte schaal is met cloud.
Het andere is, en ik zag het, ik zat in een team dat een product in de cloud herontwikkelde en het was zeker een underdog-product en niemand besteedde er aandacht aan, en binnen twee jaar, vanwege wekelijkse releases en zelfs, Ik zou zeggen, het komt bijna op het punt van dagelijkse release in de cloud. Ik weet dat Amazon zegt dat ze meerdere keren per dag uitkomen. Wanneer je die bedreiging hebt, wanneer je concurrenten dagelijks kunnen vrijgeven en verbeteren, wat het ook is dat ze doen, tenminste in de software-industrie - en iedereen zit echt in de software-industrie wanneer je naar digitale transformatie begint te kijken - het is een heel andere balspel en iedereen kan een wolk en schaal vergroten en groot worden.
Nogmaals, het zullen de gegevens zijn die ze gebruiken die het verschil zullen maken en de intelligentie in hun algoritmen, en dat is waarom mensen het hebben over gegevens die de nieuwe olie zijn of gegevens die goud zijn. Als ik naar de cloud kijk, is het de game changer, het maakt echt een zeer, zeer snelle ontwikkeling en schaal mogelijk. Het is geweldig.
Eric Kavanagh: Ik breng je terug naar binnen, Nick, voor nog een vraag - we gaan hier even over als we kunnen om enkele van deze vragen te bespreken, maar, zoals ik me herinner, vijf en zes en misschien zelfs zeven jaar geleden was Alteryx echt een innovator in het benutten van gegevens van derden - dus het binnenhalen van gegevens uit bronnen zoals Experian of geospatiale gegevens. Ik denk dat dat waarschijnlijk een strategisch voordeel is, want dat soort dingen zit in het DNA bij Alteryx, toch? Naarmate bedrijven in de richting van de cloud gaan, denk ik dat jullie veel ervaring hebben met het overbruggen van die werelden. De werelden van on-prem verzen gegevens van derden en cloudgebaseerde gegevens, wat vindt u ervan?
Nick Jewell: Ja, absoluut. Ultieme connectiviteit zal zo'n power play zijn voor elk bedrijf dat in deze cloud-gebaseerde omgeving gaat werken. Maar ik zal zeggen, wanneer we het hebben over zoiets als infonomie, het idee dat informatie en gegevens als een pluspunt in uw bedrijf moeten worden beschouwd. Het grootste deel van de waarde die u gaat opleveren, is het nemen van externe gegevensbronnen, deze combineren en verrijken met uw interne bronnen, om meer waarde in het proces te creëren en er geld mee te verdienen. Het is absoluut cruciaal om gelijkmatig met interne en externe gegevens te werken.
Eric Kavanagh: Ja, dat is een goed punt. Ik denk dat deze hele wereld van hybride cloud moet blijven. Jen, ik ga dit gewoon aan je overgeven voor enkele slotopmerkingen, misschien. Voor mij, die strategische visie hebben en zich kunnen verenigen terwijl de nieuwe term gegevens over de bronnen beschrijft, zal dat in de toekomst een kritische succesfactor zijn, toch?
Jen Underwood: Nee, absoluut, en het is grappig, ik hoorde deze hybride, hybride, hybride. Je hoorde hierover en vier jaar geleden dacht je aan Hadoop, Hadoop en big data en toen begon je hybride te horen, hybride, dus zeker daar geweest, we zijn niet noodzakelijk, dit is het jaar van machine learning, geen. Ik bedoel, kunstmatige intelligentie, de machine learning heeft dit jaar het toneel genomen, maar om vandaag echt te functioneren in een organisatie die op weg is naar de cloud of die te maken heeft met al deze verschillende cloudgegevensbronnen, misschien is het Salesforce of Werkdag, al deze verschillende soorten bronnen die in de cloud leven, de enige manier om het aan te kunnen, is hybride te zijn. Je kunt onmogelijk overal gegevens kopiëren, dus je moet wel rechtstreeks verbinding kunnen maken en je moet een manier vinden om te werken met gegevens die overal staan, overal gegevens vinden, want dat is de realiteit van waar we ons bevinden nu.
Eric Kavanagh: Ik denk dat ik nalatig zou zijn als ik machine learning niet terug zou brengen in het gesprek, dus, Nick, ik zal het gewoon aan jou overgeven. Ik weet dat jullie daar nu op gefocust zijn - kun je praten over waar je machine learning ziet afstemmen op analyse en op het soort systemen dat we gebruiken om ons bedrijf en onze gegevens te begrijpen?
Nick Jewell: Ja, natuurlijk. Laten we daarom, heel kort, snel teruggaan naar onze vaardighedenkloof. Het idee dat we organisaties helemaal vol hebben met krachtige Excel-gebruikers. We hebben gegevenswetenschappers die doorkomen, maar niet in hetzelfde tempo groeien. Er is een enorme kloof tussen de twee. Denk na over waar machine learning tegenwoordig is. Hoeveel algoritmen hebben we op onze telefoon of op ons horloge die technieken voor machinaal leren bevatten? Het is een handelswaar, het is overal. We moeten deze hoofdgebruikers op de meest eenvoudige manier inschakelen om ervoor te zorgen dat de machine met succes in het hele bedrijf wordt toegepast.
Eric Kavanagh: Ik zal je misschien nog een laatste overgeven. Er komen hier een paar vragen binnen. Jen, ik zal je deze vragen. Een deelnemer becommentarieert dit hele concept van onbewaakt leren en het feit is dat je trainingsgegevens nodig hebt om dat soort dingen te doen en meestal dat trainingsgegevens specifiek voor het bedrijf moeten zijn. Hoewel er in industrieën veel correlaties zijn, zijn er veel manieren waarop organisaties vergelijkbaar zijn. Desalniettemin is elk bedrijf uniek, of dat nu zijn bedrijfsmodel is of zijn benadering van marketing of verkoop, of wat dan ook, productontwikkeling.
De vraag wordt of deze algoritmen gegevens van derden kunnen gebruiken voor training? Het lijkt me dat je altijd je eigen gegevens moet gebruiken om deze algoritmen te trainen, zelfs als die cyclustijd afloopt van zes maanden - wat in sommige gevallen het geval is geweest - tot 40 dagen of 20 dagen, ongeacht de geval kan zijn. Je moet echt je eigen gegevens gebruiken en ervoor zorgen dat gegevens vrij schoon zijn, toch?
Jen Underwood: Het is echt een mix. U wilt externe context hebben. Sterker nog, ik ben vandaag rug aan rug geboekt en mijn volgende webinar gaat over het voorbereiden en opschonen van gegevens, ironisch genoeg voor machine learning. Wat echt belangrijk is, is dat je een externe context samenstelt met je organisatie, en ik vind het geweldig dat je vroeg naar de voorbereiding en opschoning van gegevens, want eerlijk gezegd worden sommige van de tools erg, erg goed - ze kunnen sommige aspecten ervan aan, maar de menselijke geest, of in staat zijn om het probleem te ontcijferen en te kijken en ervoor te zorgen dat ze niet hebben weggelaten - zeggen dat we een soort van omissies hebben. De manier waarop u naar het probleem kijkt en de manier waarop u ervoor kiest om het probleem te ontwerpen dat u automatiseert of beslissingen die u automatiseert, dat is een kunst en ervoor zorgen dat het dat bedrijfsproces nauwkeurig weergeeft.
Terugkomend op mijn voorbeeld bij de verzekeringsmaatschappij, toen we churn aan het modelleren waren en wie we moesten inhuren om deze gesponsorde training te volgen om verzekeringen te verkopen; in het model zelf was niet het wettelijke klimaat, verschillende wetten voor verschillende staten. Er zal altijd een aspect zijn, waarbij je die externe gegevens moet hebben met je interne gegevens en, nogmaals, de menselijke geest. Er zullen daar verschillende componenten zijn.
Eric Kavanagh: Ik denk dat je hier een heel goed punt hebt genoemd. We blijven horen dat robots en machines en machine learning het overnemen. Voor mij is dit een zeer ontwrichtende trend - er is geen twijfel over mogelijk - maar ik zie nooit dat de behoefte aan mensen in de mix verdwijnt, vooral met analyses op gegevens, op bedrijfsgegevens.
Nick, nog een laatste vraag voor jou. Voor mij, hoe goed de algoritmen ook worden, je zult altijd mensen nodig hebben die controleren wat er gebeurt, zichzelf injecteren op de afgesproken tijdstippen en het grote beeld van wat er is echt synthetiseren. Ik denk niet dat een algoritme ooit in staat zal zijn om het grote geheel voor een Fortune 2000-bedrijf te synthetiseren, maar wat denk je?
Nick Jewell: Nou, laten we een volledig niet-Alteryx-voorbeeld nemen, laten we het hebben over Uber van vorig jaar. Uber, tijdens het terroristische incident in Australië, mensen die probeerden het gebied te ontvluchten, zetten ze plotseling hoge prijzen op, want dat is wat het algoritme zei te doen, enorme reputatieschade veroorzaakt. Onmiddellijk daarna implementeerden ze mensen en algoritmen die samenwerken. Elke keer dat dit zou gebeuren, moest een mens toezicht houden op het proces. Dat partnerschap van mens en algoritme, dat is de weg vooruit.
Eric Kavanagh: Wauw, dat is een geweldig voorbeeld, heel erg bedankt. Welnu, mensen, we hebben hier meer dan een uur doorgebrand op onze webcast. Heel groot dankzij Jen Underwood van Impact Analytics. Natuurlijk heel erg bedankt aan Nick Jewell en het Alteryx Team voor hun tijd en aandacht en aan jullie allemaal voor je tijd en aandacht. We waarderen deze geweldige vragen. We archiveren al deze webcasts om ze later te bekijken, deel ze gerust met je vrienden en collega's. Daarmee nemen we u vaarwel. Uitstekende webcast vandaag. Nogmaals heel erg bedankt, we zien je de volgende keer weer, mensen. Wees voorzichtig. Tot ziens.
