टेकवे: होस्ट एरिक कवानाग यांनी इकर्सन ग्रुपच्या वेन एकर्सन आणि अ‍ॅलटेरिक्सचे जोश हॉवर्ड यांच्याशी व्यवसाय आणि आयटीमधील सहकार्याबद्दल चर्चा केली.
आपण सध्या लॉग इन केलेले नाही. कृपया व्हिडिओ पाहण्यासाठी लॉग-इन किंवा साइन-अप करा.
एरिक कवानाग: ठीक आहे, स्त्रिया आणि सज्जनांनो, येथे हॉट टेक्नॉलॉजीजसह एरिक कवानाग. आमच्याकडे जोश हॉवर्ड आणि वेन एकर्सन आहे. आमच्याकडे नुकतीच एक मजा आली आहे ऑडिओ इश्यु क्रॅश झाले आणि तेथेच बर्न झाले, परंतु आम्ही परत डायल केले आणि सर्व काही रॉक आणि रोलिंग आहे.
तर, वेन एकर्सन मी बर्‍याच वर्षांपासून ओळखत आहे. ते एक्कर्सन ग्रुपचे मुख्य सल्लागार आहेत. आणि जोश हॉवर्ड मी बर्‍याच काळासाठी देखील ओळखतो. तो अ‍ॅल्टेरिक्स मधील नवीन उत्पादनांचा संचालक आहे. ही मुले खरोखरच, त्यांच्या क्षेत्रात खरोखरच उत्कृष्ट आहेत आणि व्यवसाय आणि आयटीमुळे चांगले संबंध कसे वाढवता येतील आणि खरोखर सहयोग व काही गोष्टी पूर्ण करून घ्याव्यात याविषयी ते बर्‍याच कल्पना सामायिक करीत आहेत.
तर, मी पुढची स्लाइड ढकलून व्हेनला देणार आहे. तर, काय चालले आहे याबद्दल मला थोडा सांगा.
वेन एकर्सन: नक्की, एरिक. इथे यायला आणि या विषयाबद्दल बोलणे मला आनंददायक आहे. मी बर्‍याच दिवसांपासून स्टेट्समध्ये होतो आणि व्यवसाय आणि आयटीमधील दरी मी पाहिली आहे आणि त्यापैकी बरेच काही त्यांचे लक्ष आणि त्यांचे ध्येय यांच्यामुळे होते ज्यासाठी त्यांना काम दिले आहे. आपण म्हणू शकाल की हा एक प्रकारचा नैसर्गिक आखात आहे, किंवा व्यवसाय आणि आयटीमधील अंतर आहे, परंतु यामुळे काही हानिकारक परिणाम उद्भवतात.आपणास माहित आहे की आयटी दीर्घकालीन विचार करण्यासाठी, सिस्टम आणि अनुप्रयोग तयार करण्यासाठी नियुक्त केली गेली आहे, जे कायमस्वरूपी असे उपाय आहेत जे प्रमाणित, पुनर्वापराचे उच्च स्तर आणि स्केलेबिलिटी, सुरक्षा, उपलब्धता आणि विश्वासार्हता प्रदान करतात. खूप पुराणमतवादी, हळू चालणारी मानसिकता. दुसरीकडे, व्यवसाय ग्राहकांच्या गरजा भागविण्यावर केंद्रित आहे, परस्परसंवादाचा बिंदू आहे, अधिक अल्प-मुदतीवर केंद्रित आहे, प्रोत्साहन देईल - आणि मासिक किंवा तिमाही आधारावर त्याचा नाश होऊ शकतो. त्यांचे लक्ष गती, चपळता आणि अनुकूलता आहे. तर, या दोन गटांमध्ये भांडण असावे किंवा असू नये यात आश्चर्य नाही.
पुढील स्लाइड म्हणून, हा एक प्रकारचा संवाद आहे ज्यास मी कधीकधी अशा संस्थांमध्ये ऐकतो जेथे मी सल्लामसलत करण्यास जातो आणि जिथे असे वाटते की मी विवाह सल्लागाराची भूमिका साकारत आहे, या दोन्ही बाजूंना एकमेकांकडे कसे वळवण्याचा प्रयत्न करीत आहे, एकमेकांना आणि त्यांच्या भूमिकेस मान्यता देतो व्यवसाय तंत्रज्ञान सोल्यूशन्स वितरित करताना. व्यवसायाने आयटीचा विचार अगदी मंद, महाग असा होतो आणि त्यांना पाहिजे ते कधी देऊ शकत नाही, जेव्हा ते हव्या असतात तेव्हा त्यांना कसे पाहिजे असतात. आयटी व्यवसायात नेहमीच आपली वैशिष्ट्ये बदलत आणि नवीन वैशिष्ट्ये जोडत असल्याचे पाहत असते. मग या सर्व गोष्टी थोड्या काळासाठी हलवतात, कधीही मोठे चित्र दिसत नाही. या घर्षणासह परिणाम बहुधा प्रासंगिक वापर केला जातो. तेथे कार्यकारी व्यवस्थापक म्हणतील, “तुम्हाला काय माहित आहे? फक्त विसरा. मला माहित आहे की मला आवश्यक असलेला डेटा मिळणार नाही, म्हणून मी त्याशिवाय करतो. ”ते खूपच भयानक आहे. डेटाचा उर्जा वापरणारे म्हणेल, "फक्त मला डेटाचा डंप द्या आणि मला त्रास देऊ नका." आणि बीयू नेते, जर त्यांना खरोखर माहिती हवी असेल तर त्यांना फक्त त्यांचे स्वतःचे बजेट मिळेल, स्वतःचे लोक जोडावे आणि त्यांची स्वतःची साधने खरेदी करा. आयटी म्हणतो, “ठीक आहे, ठीक आहे. पण आपणास माहित आहे, हे चांगले ठेवण्यासाठी प्रयत्न करीत आहात नशीब, कारण अखेरीस ते खंडित होईल. ”आणि ते होईल. हे एकतर तोडेल कारण कोणीही ते वापरत नाही, कारण ते योग्यरित्या डिझाइन केलेले नाही, किंवा ते तुटेल कारण प्रत्येकजण ते वापरत आहे, आणि आपल्याकडे जमिनीवर तांत्रिक तज्ञ पुरेसे नाहीत, ते मोजण्यासाठी पुरेसे स्रोत नाहीत. किंवा त्यांचे तज्ञ निघतात आणि ते कोरडे व कोरडे असतात. पुढील स्लाइड
एरिक कवानाग: हे मतदान आहे, म्हणून फोन कॉलर प्रत्यक्षात मतदान करण्यास भाग पाडू शकेल. एक सेकंद धरा. म्हणून मी आत्ता हे मतदान उघडत आहे, आशा आहे की आपण आपल्या स्क्रीनवर एक पॉप-अप पहाल. आपण तसे न केल्यास, सहसा ते तळाशी कुठेतरी दिसून येईल. आणि पुढे जा. यावर आपले उत्तर ऐकण्यास आम्ही उत्सुक आहोत.
ठीक आहे, मला काही लोकांना कॉल करण्यात आला आहे जे आता आम्हाला काही अभिप्राय देतात. तर, आम्ही विचारत आहोत: आपल्या संस्थेमध्ये आयटी सह व्यवसायाची कोणती डिग्री जुळली आहे? तर, आम्हाला आता उत्तर देणार्‍या लोकांना एक समूह मिळाला आहे. खूप खूप धन्यवाद तर आपण खूप उच्च, नक्कीच, उच्च, मध्यम, निम्न, खूप कमी आहात. प्रामाणिक रहा, आम्ही हे आपल्या कार्यसंघाच्या इतर सदस्यांसह सामायिक करणार नाही. आपण आम्हाला आपला प्रतिसाद द्यावा अशी आमची इच्छा आहे. ठीक आहे, मला आम्हाला आणखी काही सेकंद द्या आणि आम्ही हे करत असताना, कदाचित जोश, या प्रश्नाचे उत्तर देणार्‍या लोकांना मदत करण्यासाठी खरोखरच आपल्यास लवकरात लवकर आणेल. होय, मला सहकार्याची ही प्रक्रिया आवडते. म्हणजे, आम्ही बर्‍याच वर्षांपासून व्यवसाय / आयटी विभाजनाबद्दल बोललो आहोत. मला वाटते ते बदलत आहे. मला वाटते की डेव्हॉप्स, व्यवसायासह अधिक जवळून कार्य करीत डेव्हॉप्समुळे हे अंशतः बदलत आहे. या प्रकारामुळे आयटी बाजूला काही प्रमाणात उष्णता पसरते, परंतु मला असे वाटते की मेघामुळे हे देखील बदलत आहे, अगदी स्पष्टपणे, कारण कदाचित लोक त्यांच्या कामाच्या ठिकाणी काय करतात याबद्दल अधिक जाणकार बनत आहेत. परंतु, आयटी / व्यवसायाच्या विभाजनाच्या क्रमवारीनुसार आपले काय मत आहे?
जोश हॉवर्ड: होय, आपल्याला माहिती आहे, हा एक मनोरंजक विषय आहे आणि तो असा आहे की आम्ही येथे नक्कीच एका सेकंदात प्रवेश करू, परंतु आपल्याला माहित आहे की, मला वाटते की व्यवसायाला खरोखर आयटीच्या हातात भाग पाडले गेले आहे. ते बरोबर आहे, म्हणूनच, तुम्हाला माहिती आहे की अनेक वर्षांपासून प्रत्येक गोष्ट आयटीच्या नेतृत्वात होती आणि आम्ही हे पाहिले आहे की व्यवसायाद्वारे विकत घेतल्या गेलेल्या प्रत्येक गोष्टीचे आयटी-नेतृत्व करण्यापासून ते मागे वळायला लागले. आणि मला वाटते की आम्ही काही केंद्रीकरण पाहू लागलो आहोत. मला वाटते, आपल्याला माहित आहे की आपण अधिक संस्था, उत्कृष्ट दर्जाची केंद्रे, अधिक आणि अधिक व्यवसाय-बुद्धिमत्ता असलेल्या कंपन्या पाहणे प्रारंभ करीत आहात, तसेच केंद्रे देखील स्थापन केली जात आहेत हे पाहत आहात, आणि म्हणूनच हे आपल्याला माहिती नाही किंवा व्यवसाय. आम्ही दोन संस्थांचे अधिक चांगले विवाह पहात आहोत आणि या दोन्ही संस्थांमध्ये वास्तव्य असलेली ही उत्कृष्ट केंद्रे स्थापन केलेली आपण पाहत आहोत आणि त्यांच्याकडे आयटी आणि व्यवसाय दोघेही टेबलवर बसून जेवणाची व्यवस्था करतात. आम्हाला अन्य व्यवसायाची उद्दीष्टे निवडण्याची आवश्यकता आहे आणि म्हणूनच मला असे वाटते की गेल्या काही वर्षांमध्ये किंवा त्याहूनही अधिक काळ बर्‍यापैकी सकारात्मक वाटणारी ही एक प्रवृत्ती आहे. आणि मला वाटतं की आपण जे पहात आहोत त्याचा हा भाग आहे.
एरिक कवानाग: मी तुमच्याकडे टाकत आहे असा दोष मला देऊ शकत नाही आणि मी त्याचा परिणाम वाचून दाखवीन. आपल्या ब्राउझरच्या आधारावर, आपण परिणाम आधीपासूनच पाहू शकता, परंतु फक्त ते आपल्याला देण्याकरिता: अर्थात, "आयटी बरोबर व्यवसाय कोणत्या डिग्रीशी संबंधित आहे?" खूप उच्च म्हणजे 7 टक्के, उच्चला 8 टक्के, मध्यम मिळाले. बहुसंख्य, ते 29 टक्के आहे, कमी 10 टक्के आहे आणि अगदी कमी आहे 0 टक्के. हे मुळात एकूणच आहे, जेणेकरून आपण पहात असलेले बहुतेक लोक 73 said पैकी २१ जणांनी मध्यम असल्याचे म्हटले आहे. Of 73 पैकी high जण उच्च म्हणाले, पाच जण खूप उच्च म्हणाले, आणि मग आपल्याकडे संपूर्ण लोक आहेत ज्यांनी नुकतेच केले नाही उत्तर नाही, परंतु बहुतेक, 73 73 पैकी, 43 जणांनी प्रतिसाद दिला नाही, परंतु मी आपल्या वेळेचे कौतुक करतो. आणि त्यासह मला ही पुढील स्लाइड पुश करायची आहे. आणि माझा विश्वास आहे, जोश, तू जरा बोलणार आहेस.
जोश हॉवर्ड: होय, आणि म्हणूनच, तुम्हाला माहिती आहे की, मी ज्या प्रकारात जात होतो त्या प्रकारात आम्ही गेल्या पाच वर्षांत किंवा दहा वर्षांपूर्वीही बरेच बदल पाहिले आहेत. आणि तो खरोखर वन्य पश्चिम असायचा, आणि मग मी असा विचार करीत आहे की येथे कदाचित अशी काही लोकं आहेत की त्यांना वाटते की त्यांच्या संघटनेत तो वन्य पश्चिम आहे, परंतु तिथे असे होते की जेथे सर्व काही पूर्णपणे बंद होते आणि कठोर होते, आणि एका केंद्रीकृत आयटी चमूच्या माध्यमातून सर्व काही भाग पाडले गेले आणि बीआय वितरित केले गेले. परंतु समस्या अशी होती की व्यवसाय वापरकर्ते ते वापरत नाहीत. त्यांना आवश्यक ते परिणाम कधीच मिळाले नाहीत. ते करू शकत नव्हते, आपल्याला आवश्यक आहे त्याप्रमाणे डेटा एकत्रित करू शकत नाही आणि म्हणूनच आपण पाहिले, संस्था बर्‍याच प्रकरणांमध्ये बीआय प्रथा सोडून देते. त्यांना अपेक्षित वापर होत नव्हता, आणि आपल्याला माहिती आहे हे समजण्यासारखे आहे कारण वापरकर्त्यांकडे त्यांना वापरण्यास सुलभ साधने पाहिजे होती जेथे ते घेऊ शकतात, आपल्याला माहिती आहे, डेटा स्रोत आहेत आणि त्यांचे स्वत: चे काही एकत्रिकरण कार्य करू शकतात.
परंतु त्यांच्यासाठी आयटीची वाट पाहण्याची त्यांची इच्छा नव्हती. आणि म्हणून आम्ही जे पाहिले ते होते, आपण या सर्व व्यवसाय संघांना जाऊ दिले आणि त्यांचे स्वत: चे परवाना, त्यांची स्वतःची व्हिज्युअलायझेशन साधने खरेदी केली आणि त्यांच्या सावली आयटी मित्रांनी डेटा मार्ट स्थापित केला आणि ते बंद झाले. परंतु यामुळे संपूर्ण नवीन समस्या निर्माण झाल्या. होय, व्यवसाय लवचिकता आणि चपळता मिळविण्यात सक्षम झाला आणि काही परिणामांची त्यांना आवश्यकतेने वेगवान आवश्यकता होती, परंतु तरीही आयटी सोडली, तुम्हाला माहित आहे की, “आम्ही हे कसे नियंत्रित करू? आम्ही हे कसे मोजू? "
कारण काय घडत आहे ते, हे डेटा मार्ट तयार करीत होते. त्यांनी बर्‍याच अहवाल आणि व्हिज्युअलायझेशन कार्यान्वित करणे सुरू केले होते, त्यानंतर ते निराकरण करण्यासाठी फक्त आयटीकडे परत जातील आणि म्हणून ते मोजण्यासारखे नाही. तो बरा नव्हता, आणि म्हणूनच या काही समस्या होती. परंतु व्यवसायादरम्यान, टू ऑफ-वॉर असण्याची गरज नाही, कोणाला वापराची सुलभता हवी आहे आणि आयटी, ज्याने यावर शासन चालवायचे आहे. प्रत्येकास एकाच पृष्ठावर आणणे आणि त्याच दिशेने खेचणे हे खरोखर आहे. मला असे वाटते की खरोखरच एक, एक उत्तम-जातीचा दृष्टीकोन आहे जो दोन्ही वापरकर्त्यांच्या गरजा भागवू शकतो. स्लाइड.
एरिक कवानाग: ठीक आहे. तिथे तुम्ही जा.
जोश हॉवर्ड: होय, धन्यवाद. आणि म्हणून आम्ही ज्या पद्धतीने teryलटेरिक्सकडे पहात आहोत तोच आम्ही याला विश्लेषक प्रशासनाच्या दृष्टिकोनातून पहात आहोत. आणि म्हणूनच तुम्हाला माहिती आहे की मी येथे “डेटा गव्हर्नन्स” हा शब्द वापरत नाही कारण मला असे वाटते की डेटा गव्हर्नन्स ही एक अशी चौकट आहे ज्यामध्ये बर्‍याच गोष्टींचा समावेश आहे, परंतु खरोखर फक्त या तीन प्रमुख बाबींवर लक्ष केंद्रित कसे डेटा व्यवस्थापित केले जात आहेत, त्यात प्रवेश कसा केला जात आहे आणि आम्ही तो कसा सुरक्षित ठेवत आहोत.
प्रथम, डेटा व्यवस्थापन बाजूला, आपण स्वयं-सेवा साधने सक्षम करण्याच्या शोधात असताना आपण हे सुनिश्चित करू इच्छित आहात की त्या वापरकर्त्यांकडे त्यांना आवश्यक असलेल्या सर्व भिन्न डेटा स्त्रोतांमध्ये प्रवेश आहे. आणि म्हणूनच, हा एक समस्या आहे जी आम्ही मायक्रोस्ट्रॅटी आणि कॉग्नोस आणि ओबी सारख्या पारंपारिक बीआय साधनांसह पाहिली होती, आपल्याला माहिती आहे की ते फक्त एका केंद्रीकृत डेटा वेअरहाऊसमध्ये टॅप करीत होते, परंतु त्या व्यावसायिक वापरकर्त्यांना खरोखर हा डेटा घ्यायचा होता आणि अतिरिक्त परिणाम मिळविण्यासाठी त्यास अन्य डेटा स्रोतांमध्ये मिश्रण करा.
मला म्हणायचे आहे, तर आपणास हे निश्चित करायचे आहे की ते त्या भिन्न डेटा स्रोतांकडे थेट आहेत, ते परस्पर किंवा संबंध नसलेले असले तरीही, आणि ते डेटा अशा प्रकारे करतात की डेटा निरर्थक होणार नाही. आणि म्हणूनच, आपण हे निश्चित करू इच्छित आहात की आपण मेमरी तंत्रज्ञानाचा वापर करीत आहात जेणेकरून आपण त्या संघीय डेटा स्रोतांमध्ये टॅप करीत आहात आणि त्या डेटाची संस्थेमध्ये अन्यत्र नक्कल करीत नाही, कारण यामुळे केवळ समस्यांचा संपूर्ण संच होतो.
आणि नंतर आपण सुनिश्चित करू इच्छित आहात की आपण डेटा प्रवेशयोग्यता आणि डेटा सुरक्षितता यासारख्या गोष्टी पहात आहात, डेटा एनक्रिप्ट केले जात आहे हे सुनिश्चित करून, आपल्याला त्या ठिकाणी योग्य परवानग्या आणि अधिकृतता मिळाल्या आहेत याची खात्री करुन घ्या. आणि आम्ही शिफारस करतो ती म्हणजे आपल्या आयटी कार्यसंघाने आधीपासून तयार केलेल्या सिस्टमचा वापर करा म्हणजे अ‍ॅक्टिव्ह डिरेक्टरी आणि विंडोज प्रमाणीकरण यासारख्या गोष्टी. त्या प्रमाणीकरणातून अनुप्रयोगापर्यंत संपूर्णपणे जाऊ शकणार्‍या अशा सिस्टममध्ये टॅप करणे आणि त्या मार्गाने आपण हे सुनिश्चित करू शकता की योग्य वापरकर्त्यांना योग्य डेटामध्ये प्रवेश मिळत आहे.
हे खरोखर नियंत्रण स्थितीपासून सक्षमतेच्या स्थितीकडे जाणे आणि संरक्षकांसह असे करण्याबद्दल आहे. म्हणूनच, आपल्यास माहिती आहे, रेलिंगचे विश्लेषक, जिथे आयटी सर्व साधने यशस्वी होण्यास देत आहे, परंतु ते सातत्याने आहेत याची खात्री करूनही हे विश्वसनीय आहेत आणि ते त्या ठिकाणी योग्य परवानग्या घेत आहेत. , आणि त्या वापरकर्त्यांना फक्त योग्य डेटामध्ये प्रवेश असल्याचे सुनिश्चित करणे. पुढील स्लाइड
एरिक कवानाग: ठीक आहे, डॉ. वेन.
वेन एकर्सन: होय, तर ही माझी स्लाइड आहे. हे केवळ स्व-सेवेचे परिमाण दर्शविते, ज्याविषयी जोश बोलत होते. आजकाल हा व्यवसायातील मागणीचा व्यवसाय आहे, परंतु आयटी सामग्री वितरीत करण्यासाठी जोश म्हणाल्याप्रमाणे त्यांना थांबण्याची इच्छा नाही आणि आयटी हे सर्व करत असे. ते आर्किटेक्चर तयार करतात आणि पायाभूत सुविधा व्यवस्थापित करतात आणि साधने निवडतात आणि अनुप्रयोग, अहवाल, डॅशबोर्ड तयार करतात आणि बहुतेक वापरकर्त्यांसाठी हे कार्य करत नाहीत. आणि आता आम्ही सेल्फ सेवेच्या जवळ आहोत. आम्हाला सेल्फ-सर्व्हिस रिपोर्टिंग, सेल्फ-सर्व्हिस डॅशबोर्ड्स मिळाले आहेत, ज्यास मी कॉल करतो, सेल्फ-सर्व्हिस व्हिज्युअल डिस्कवरी. आम्हाला सेल्फ-सर्व्हिस डेटा एकत्रीकरण किंवा डेटा तयारी मिळाली आहे. आम्हाला स्वयं-सेवा प्रगत विश्लेषणे मिळाली आहेत, जिथे काही डेटा शास्त्रज्ञ आहेत. म्हणून आम्ही या सर्व क्षमता लोकांसाठी, व्यवसायिक लोकांसाठी उपलब्ध आहोत याचा विचार करीत आहोत, जे स्वतः कार्य करण्याकडे इच्छुक आहेत.
पुढील स्लाइड आम्हाला आपल्याला कळवण्यासाठी एरिक येथे काहीसा प्रतिसाद मिळत आहे. तर, आपणास माहित आहे की पृष्ठभागावर सेल्फ-सर्व्हिस व्यवसाय आणि आयटी विभाग या दोघांसाठी एक विजय-विजय दिसत आहे. वापरकर्त्यांना हवे तेव्हा त्यांना हवे ते मिळते, ते कसे हवे. आयटी डिपार्टमेंटमध्ये वापरकर्त्यांचे प्रकार येतात, ते काम बंद करुन घेतात, आणि ते अप्रत्यक्षपणे वस्तू वितरीत करतात, परंतु एकतर मार्ग ... बर्‍याच परिस्थितींमध्ये सेल्फ-सर्व्हिसमध्ये काही लक्षणीय डाउनसाइड्स असतात ज्याबद्दल आपण सावधगिरी बाळगली पाहिजे. आणि जोश यापैकी काही डाउनसाइड्सवर काही उपाय देत होते.
पुढील स्लाइडवर जा, एरिक, आणि आम्ही फक्त त्या संघटनांची स्व-सेवा ही शक्तीच्या एका समुद्राच्या भरतीच्या लाटाप्रमाणेच पाहू, जे नक्कल, परस्पर विरोधी आहेत. आणि हे त्या बिंदूपर्यंत पोहोचते जिथे कोणीही त्यांच्या स्वतःच्या अहवालांशिवाय इतर कोणाच्या अहवालावर विश्वास ठेवत नाही, ही चांगली स्थिती नाही. आपण हे देखील प्रारंभ करू शकत नाही त्यापेक्षा वाईट आहे असे म्हणू शकता. मुळात आपल्याकडे अशी एक आर्किटेक्चर आहे ज्यामध्ये सावली रिपोर्टिंग सिस्टम, डेटा अर्कचा समावेश आहे, जे शेवटी खर्च आणि ओव्हरहेड आणि रिडंडंसी आणि डुप्लिकेशन वाढवते आणि परिणामी, संस्थेमध्ये धोका वाढवते. तर, स्व-सेवा ही अशा मानकांविषयी आहे जिथे प्रशासन खरोखर फक्त टॉवर ऑफ बॅबेल असते. प्रत्येकजण संप्रेषण करीत आहे, परंतु कोणीही ऐकत नाही. पुढील स्लाइड
एरिक कवानाग: ते एक उत्तम कोट आहे, मला ते आवडते. “प्रत्येकजण संप्रेषण करीत आहेत, पण कोणीही ऐकत नाही.” मला असे वाटते की काही ठिकाणी याबद्दलचे योग आहे. आता, तू इथे जा.
वेन एकर्सन: तर, आपणास माहित आहे की, त्यावरील उपायही मला मिळतील, परंतु बर्‍याच व्यवसायांचे मत आहे की आयटीपासून मुक्तता मिळविणे हे सेल्फ-सर्व्हिसचा हेतू आहे. बरं, व्यवसायात बर्‍यापैकी प्रतिकूल गोष्टी आहेत आणि त्यातील ही एक आहे. सेवेचा उद्देश आयटीला समीकरणापुरती मर्यादीत ठेवणे नव्हे तर त्याबरोबर अधिकाधिक सहकार्य वाढविणे हा होता. स्व-सेवेची आणखी एक विडंबना जी मी येथे ठेवत नाही ती म्हणजे सेल्फ-सेवेस समर्थन देण्यासाठी बरेच प्रमाणित करणे आवश्यक आहे. हे अशा प्रकारचे आहे, रस्त्यावरुन चालवण्याचा विचार करा, बरोबर? आम्हाला बरेच नियम पाळले पाहिजेत. प्रत्येकजण
स्वयंचलित आवाज: कॉन्फरन्स रेकॉर्डिंग थांबले आहे.
एरिक कवानाग: त्याबद्दल काळजी करू नका. तो फक्त बॅकअप आहे पुढे जात रहा.
वेन एकर्सन: ठीक आहे. म्हणूनच, आणि आयटी खरोखर एक गट आहे ज्यास ती मानक एकत्र ठेवण्याची आवश्यकता आहे. आणि एकदा ती मानकं जागृत झाली आणि स्विकारली गेली आणि स्वीकारली गेली, तर चंद्र बाहेर येईपर्यंत आपण स्वयंसेवा करू शकतो. पुढील स्लाइड
एरिक कवानाग: मला वाटते आम्ही परत जोशकडे परतलो.
जोश हॉवर्ड: बरोबर, होय, आणि मी बर्‍याच गोष्टींशी सहमत आहे, वेन, आपण म्हणत होता. परंतु गोष्ट अशी आहे की जर आपल्याला डेटामधून अधिक मूल्य मिळवायचे असेल तर पुन्हा, आम्हाला आयटीवर नियंत्रण ठेवणे आणि सक्षम करण्याच्या व्यवसायात जाणे भाग पडले आहे. तर याचा अर्थ असा की वापरकर्त्यांना केवळ आयटीच नव्हे तर स्वत: च्या विश्लेषण साधनांसह सक्षम बनविणे. याचा अर्थ असा नाही की आपणास त्यांना राज्याच्या किल्ल्या द्याव्या लागतील. आपण विद्यमान असलेल्या इतर रेलिंगांसह हे करू शकता. सध्या अस्तित्त्वात असलेल्या प्रणालींचा लाभ घ्या, आपली अधिकृतता साधने, Directक्टिव्ह डिरेक्टरी, आपल्या परवानग्यांचा फायदा घ्या आणि हे सुनिश्चित करत आहे की, कोणीतरी ज्याला पाहिजे नाही त्यास डेटा देत नाही. आणि म्हणूनच, या सर्व गोष्टी करून आपण त्या विश्लेषकांना अधिक मूल्य देण्यास सक्षम बनवित आहात आणि ते शासन करण्याच्या मार्गाने करीत आहात.
पुढील स्लाइड पण वास्तविकता अशी आहे की विश्लेषक डेटा पाहण्याची, त्यात फेरफार करणार्‍या विविध मार्गांनी विविध प्रकारची माहिती ठेवण्यास सक्षम नसतो. आणि म्हणूनच, एवढेच नाही तर आपल्याकडे त्या विनंत्यांकडे जाण्यासाठीही वेळ नाही. वारसा प्रणाली, धबधबा प्रक्रिया. आपण फक्त एक टेबल जोडण्यासाठी ईटीएल प्रक्रिया पाहिल्यास, हे आपल्याला ठाऊक असेल, काही प्रकरणांमध्ये काही महिने नसेल तर. आणि म्हणूनच, आपण त्या व्यवसायाच्या बदलांसह चालू ठेवण्यास सक्षम होऊ इच्छित आहात.
आपण खरं तर विश्लेषणाची संस्कृती तयार करू इच्छित असल्यास आपण त्या वापरकर्त्यांना ते करण्यास सक्षम केले पाहिजे. आणि एकदा आपण असे केल्यावर फायदे खरोखर आश्चर्यकारक होऊ शकतात. तुम्हाला माहिती आहे, जेव्हा आम्ही प्रथम पाच / दहा वर्षांपूर्वी, व्यवसाय बुद्धिमत्ता प्रकल्पांबद्दल बोलण्यास सुरुवात केली, तेव्हा मला असे म्हणायचे होते की बहुधा सर्व बीआय प्रकल्पांपैकी 70-80 टक्के अपयशी ठरतील. आणि आता असे नाही. जेव्हा आपण व्यवसायाच्या वापरकर्त्यांना योग्य साधनांसह सशस्त्र करता तेव्हा आम्ही काही प्रचंड परिणाम आणि प्रचंड मूल्य पाहत आहोत आणि म्हणूनच स्वयंसेवा साधने एखाद्या संस्थेद्वारे जंगलातील अग्निसारखी पसरत आहेत. हे आपण पहात असलेल्या यशामुळेच आहे.
आणि मला एक वापर प्रकरण सापडले आहे ज्याबद्दल मी येथे एक मिनिटातच बोलतो, परंतु आपल्याला माहित आहे की आमच्याकडे स्वयंसेवेचे विश्लेषण आणि मोजमाप करणारे असंख्य हजारो वापरकर्ते आहेत. आणि हे वापरकर्ते वेगाने अंतर्दृष्टी वितरीत करीत आहेत, ते नवीन उत्पादने तयार करीत आहेत आणि स्पर्धेच्या पुढे रहाण्यासाठी ते व्यवसायातील परिस्थितीत अधिक वेगाने बदलत असल्याची प्रतिक्रिया देत आहेत.
तुम्हाला माहिती आहे, दुसरी गोष्ट म्हणजे, तुम्हाला माहिती आहे, डेटा वापरण्यापूर्वी ते कमी वेळ आणि विश्लेषण करण्यात अधिक वेळ घालवत आहेत. हे त्यातले आणखी एक घटक आहे, आणि मला येथे सीएनएकडून एक उदाहरण मिळाले आहे ज्यात त्यांच्याकडे अनेक विश्लेषक होते ज्यात वेळखाऊ दृष्टिकोन बाळगतात, जे आठवडे किंवा महिने घेत होते आणि आता ते काही मिनिटांपर्यंत खाली जात आहेत. हे अतिशयोक्तीशिवाय आहे. आमच्याकडे ही ग्राहकांची ही उदाहरणे अक्षरशः आहेत आणि ही खरोखरच एक विजय-विजय परिस्थिती आहे. विश्लेषक आनंदी आहेत की त्यांच्याकडे ते नसतात, आपल्याला माहिती आहे की ते त्यांच्या डेटाकडे वेगवान मिळवित आहेत. हे आनंदी आहे, कारण आपल्याला माहिती आहे की ते कारभाराबद्दल भांडणे न घालता त्यांच्या धोरणात्मक उपक्रमांवर लक्ष केंद्रित करू शकतात आणि शेवटी कार्यकारी संघ आनंदी असतात कारण शेवटी त्यांना विश्लेषक संस्कृती तयार करण्यासाठी व्यवसाय आणि आयटी संघ एकत्र काम करत आहेत. परत तुझ्या कडे.
एरिक कवानाग: ठीक. आमच्याकडे आणखी एक मतदान झाले, जेणेकरून आपण तेथे निकाल प्रेक्षकांमधून पाहण्यास सक्षम असावे. आम्ही ते आधीपासूनच आपल्या मतदान पॅनेलमध्ये पाहिले पाहिजे, परंतु प्रश्न असा होता की “आपल्या संस्थेने स्व-सेवेचे आश्वासन प्राप्त केले आहे?” मी तुम्हाला सांगू शकतो की उत्तर देणा a्यांचा उत्साहवर्धक आहे, “नाही.”
मला वाटते की आपण उद्योगात जेथे आहोत त्याबद्दल बोललो आहे, परंतु मला वाटते की आपण तेथे खरोखरच काही चांगले गुण बनविले आहेत, जोश, अर्थातच व्हेन ज्या काही मानकांवर चर्चा करीत होते त्याप्रमाणे स्व-सेवा सक्षम करणे देखील आवश्यक आहे. आपल्याला कारभाराची निर्मिती करण्याची परवानगी द्या. आम्ही बोललो होतो तोच रेलिंग म्हणजे बरोबर? गव्हर्नन्स पॉलिसी वितरण प्रणालीमध्ये टप्प्याटप्प्याने येऊ शकते आणि विश्लेषकांना स्व-सेवा देण्याचे सामर्थ्य देताना आपण प्रत्यक्षात शासन प्राप्त करता तेव्हा हेच होते. हे बरोबर आहे, जोश?
जोश हॉवर्ड: होय, हे अगदी बरोबर आहे.
एरिक कवानाग: होय, म्हणूनच प्रतिसादक
वेन एकर्सन: तर, एरिक, ते परिणाम मनोरंजक आहेत, आपल्याला माहिती आहे. मी म्हणेन की हे एकतर आयटीच्या नियंत्रणाखाली आहे, वापरकर्त्यांना सेल्फ-सर्व्हिस मिळत नाही आणि जेव्हा त्यांना आवश्यक असेल तेव्हा त्यांना पाहिजे ते मिळत नाही, किंवा आपल्याला माहिती आहे, त्यांच्याकडे स्वयं-सेवा आहे. आणि दोघेही वाईट आहेत. तर, स्व-सेवेद्वारे सुईला प्रत्यक्षात जाणे कठीण आहे, शासित वातावरण असले पाहिजे जे वापरकर्त्यांना आवश्यक अंतर्दृष्टी मिळविण्यासाठी आवश्यक असलेली कार्यक्षमता आणि कार्यक्षमता प्रदान करते आणि त्यांना आवश्यक कृती करण्यास मदत करते. हे कठोर, कठोर आहे, परंतु, आपल्याला माहित आहे-
वेन एकर्सन: Ouआपल्यास आता माहित आहे, अ‍ॅलटेरिक्स, खूप शक्तिशाली साधने, खूप शक्तिशाली अशा साधनांसह. तर, आपल्यात आता क्षमता आहेः
एरिक कवानाग: आणि आपल्याकडे सोनिकबरोबरचा कच्चा सौदा थोडासा कमी झाल्यामुळे आपल्याकडे अनेक कारणे आहेत, म्हणून फक्त मूलभूत ऑडिओ पहा. मला जरासे आश्चर्य वाटले आणि मला वाटते की ही खरोखरच अ‍ॅलट्रेक्ससाठी चांगली बातमी आहे कारण त्यांच्याकडे स्वयंसेवा सक्षम करण्याचा एक उपाय आहे. कारण वेगवेगळ्या साधनांसह अनेक गोष्टी करण्याच्या जुन्या पद्धतीमध्ये, उदाहरणार्थ, बरेच इंटिग्रेशन पॉईंट्स असलेले लोक अनेक प्रकारची धावपळ करीत असतात, फक्त यथार्थ स्थिती कायम ठेवण्याचा प्रयत्न करतात आणि मला वाटते की हे खरोखरच एक आव्हान आहे.
आमच्या ग्राहकांपैकी एकाची काही आठवड्यांपूर्वी एक टिप्पणी होती जी माझ्या कानात वाजत आहे तेव्हापासून जेव्हा त्याने “निकडचा अत्याचार” सांगितला आणि त्यावरून कित्येक संस्थांवर वर्चस्व मिळू शकेल आणि बदल कसा रोखता येईल. आपण नेहमीच तातडीचे राज्य आहात, आपण नेहमीच कार्य करणे आवश्यक असलेल्या गोष्टी करण्याच्या प्रयत्नात आहात. आणि हे मुळात आपल्याला नवीन गोष्टी करण्यापासून प्रतिबंधित करते.
एका विशिष्ट टप्प्यावर आपल्याला संगीत थांबवावे लागेल, एक खुर्ची निघून जाईल हे ओळखा, परंतु उर्वरित खुर्च्यांना टेबलवर बसण्याची गरज आहे आणि आम्ही एकत्र काम करेपर्यंत काही सहयोग टॉस करणे सुरू केले पाहिजे. पण मी हे संपूर्ण चित्र कसे पाहतो ते या प्रकारचे आहे. तर होय, सहसा उत्तरे 43 43 पैकी २ were होती, म्हणाली, “नाही,” people 43 पैकी people जण म्हणाले, “होय,” आणि of 43 पैकी people लोक म्हणाले, “खात्री नाही” परंतु people 38 जणांनी किंवा उत्तर दिले नाही. पण ते खूप छान आहे, "नाही." त्यासह, मला केस स्टडीमध्ये उतरायचे आहे.
जोश, मी ते परत तुझ्याकडे देईन. घेऊन जा.
जोश हॉवर्ड: होय, आणि म्हणून मी याबद्दल बोललो, तुम्हाला माहित आहे की व्यवसाय आणि आयटीमधील हे सहयोग आहे. मला खरोखरच असे वाटते की आम्ही काही मोठे बदल पाहिले आहेत आणि अधिकाधिक संस्था या दिशेने वाटचाल करीत आहेत, स्वयंसेवा सक्षम करतात आणि मी ज्या परिणामांविषयी बोलत होतो त्या पहात आहेत. आणि फोर्ड हे त्याचे एक उत्तम उदाहरण आहे. फोर्ड अर्थातच अनेक दशके डेटा आणि analyनालिटिक्स वापरत होता, परंतु बर्‍याच संस्थांप्रमाणेच हे खरोखर संस्थेच्या खिशातच केले गेले होते. सुसंगतता आणि समन्वयासाठी थोडेसे निरीक्षण केले गेले आणि आपल्याला माहिती आहे की त्यांच्याकडे डेटा गव्हर्नन्स पद्धती देखील विसंगत होत्या.
आणि म्हणून त्यांच्यात एक प्रचंड समस्या होती; त्यांच्याकडे 4,600 पेक्षा जास्त डेटा स्रोत होते आणि म्हणूनच आपण फोर्ड सारख्या कंपनीच्या आकारात हे करण्याचे आव्हान कल्पना करू शकता. आणि म्हणूनच त्यांनी दोन वर्षांपूर्वी परत जाऊन, ग्लोबल डेटा इनसाइट्स आणि ticsनालिटिक्स युनिटची स्थापना केली, जे एका केंद्रीकृत उत्कृष्टतेचे केंद्र आहे, जे तुम्हाला माहित आहे, डेटा वर्कर्स, म्हणून डेटा विश्लेषक, डेटा क्रमवारी वैज्ञानिक
आपण या सीओईबद्दल बरेच विचार करू शकता जसे की मानव संसाधन विभाग किंवा संपूर्ण संस्थेस सेवा देणारा वित्त विभाग. हेच करण्यासाठी नवीन टीम तयार केली गेली आणि म्हणूनच ते त्यांच्या स्वत: च्या उच्च-प्राथमिकता आव्हानांना ओळखण्यात आणि त्यानुसार कार्य करण्यास सक्षम आहेत आणि वेगवेगळ्या समस्या असलेल्या समस्यांना तोंड देणार्‍या भिन्न व्यवसाय युनिटसह कार्य करतात. परंतु संपूर्ण कल्पना अशी होती की त्यांना त्या व्यवसायाच्या आव्हानावर लक्ष केंद्रित करण्यासाठी आणि त्या व्यवसायाच्या गरजा पूर्ण करण्यासाठी त्या संभाषणात लक्ष केंद्रित करावे आणि ते बदल करायचे आहेत. आणि आपल्याला माहिती आहे की, त्यांनी काही वर्षांपूर्वी एका डेटा विश्लेषक आणि एक अ‍ॅलट्रेक्स परवाना आणि टेबल आणि क्लीकव्यू यांचे संयोजन सुरू केले आहे.
आता, त्यांनी गेल्या दोन वर्षांत आता अ‍ॅलटेरिक्सला 1,200 डेटा शास्त्रज्ञांकडे आणले आहे आणि ते अधिक कामगार घेत आहेत. आणि म्हणूनच, हे त्यांच्या संस्थेमध्ये घडले आहे आणि ते सोडवत आहेत अशी प्रकरणे अविश्वसनीय आहेत हे पाहणे खरोखर आश्चर्यकारक आहे. ते त्यांच्या NASCAR शर्यतीपर्यंत संपूर्ण मॅन्युफॅक्चरिंग लाइन समस्येचे निराकरण करण्यासाठी Alteryx वापरत आहेत, म्हणूनच त्यांनी वाहन चालवित असलेले काही परिणाम पाहणे खरोखर आकर्षक आहे. आणि आपल्याला माहिती आहे की काय मनोरंजक आहे ते आपल्याला माहितीच आहे, यातील काही वापर प्रकरणे, एकल वापर प्रकरणे कोट्यवधी डॉलर्सची बचत करीत आहेत आणि म्हणून त्यांचे समर्थन करणे सोपे आहे. आणि हे फक्त एक वापर प्रकरण आहे आणि शेकडो वेगवेगळ्या व्यवसाय प्रकरणांमध्ये आणि त्या 1,200 डेटा विश्लेषक आणि डेटा वैज्ञानिकांमध्ये हे अक्षरशः वापरले जात आहे. तर, अभूतपूर्व परिणाम आणि आम्ही फोर्डबरोबरच्या भागीदारीमुळे खरोखर खूश आहोत.
वेन एकर्सन: ठीक आहे, ही माझी स्लाइड आहे. तर, आपणास माहित आहे की मी सेल्फ-सर्व्हिस ticsनालिटिक्सवर एक वर्ग शिकवितो, आणि हा एक सारांश आहे, एक अत्यंत उच्च-स्तराचा सारांश, जे मी श्रोत्यांसाठी टेबलवर आणतो त्या उपायांचा. आणि मी हे पटकन स्पष्ट करण्याचा प्रयत्न करेन. तुम्हाला माहिती आहे, मी स्वत: ची सेवा पाहतो, एक आहे, कोणीही स्वत: ची सेवा देत नाही. प्रत्येकाची संस्थेमध्ये स्वयंसेवेची व्याख्या वेगळी असते, म्हणून मुख्य कार्यकारी अधिकारी म्हणून स्वयंसेवा म्हणजे डेटा सायंटिस्टची स्वयंसेवा नक्कीच नाही. परंतु सर्वसाधारणपणे, वापरकर्त्यांचे दोन वर्ग आहेत. प्रथम श्रेणी, आपल्याला माहिती आहे, अधिक प्रासंगिक वापरकर्ते, कार्यकारी व्यवस्थापक, फ्रंटलाइन कामगार निळ्या रंगात टॉप-डाऊन जगात आहेत.
आणि आपल्याला माहिती आहे की मी त्यांना "डेटा ग्राहक" किंवा "डेटा एक्सप्लोरर" म्हणतो आणि ते बरेच विचार करतात, आपण जाणता, अहवाल आणि डॅशबोर्ड्स, आशा आहे की परस्परांशी संवाद साधणारे लोक त्यांच्यासाठी तयार झाले, एकतर आयटी किंवा त्यांच्या सहकार्याने आणि वापरणारे की आहे म्हणून. एक्सप्लोरर त्या गोष्टी उघडण्यास आणि त्या ठिकाणी संपादित करण्याचा विचार करतात परंतु त्यांना कागदाच्या रिकाम्या कागदावरुन प्रारंभ करायला नकोच. त्यांना असे करण्याचा कोणताही मार्ग नाही. विश्लेषकांना आवश्यक ते दिले नाही. तळाशी जगातील लोक हेच करतात, डेटा शास्त्रज्ञ आणि डेटा विश्लेषक, ज्यांच्याकडे या व्यतिरिक्त, डेटा विश्लेषक स्प्रेडशीटसह कार्य करतात, डेटाबेसमध्ये प्रवेश करतात. आणि डेटा शास्त्रज्ञांनी डेटा माइन वर्कबेंचसह अधिक खेचले आहेत. जी स्वयं-सेवा साधने बाहेर आली आहेत त्यांनी या तळागाळातील कर्मचा .्यांना खरोखर सक्षम केले आहे. यापूर्वी कधीही करता येण्यापेक्षा हे अधिक उत्पादनक्षम असेल. ते केवळ आपल्यास माहित आहेत, त्यांचे स्वत: चे अहवाल आणि डॅशबोर्ड करू शकत नाहीत, ते त्यांचा स्वत: चा डेटा मिळवू शकतात, मिश्रण करू शकतात, एकत्र जुळवू शकतात इत्यादी. मी प्रत्यक्षात पाहिले आहे की या त्रिमूर्तीची साधने बाहेर आली आहेत आणि तळागाळातील जग आयात करतात. डेटा कॅटलॉग जेणेकरून ते डेटा शोधू शकतील एकतर पूर्वतयारी साधने जेणेकरून ते एकत्र जुळतील आणि डेटा व्हिज्युअलायझेशन साधने जेणेकरून ते त्यांचे विश्लेषण, दृश्यमान आणि सामायिक करू शकतील. मला वाटतं की आपण ते साधन सेट एक झाल्याचे आपल्याला दिसेल आणि मला वाटतं की अ‍ॅलट्रेक्स ते करण्याच्या मार्गावर आहे.
म्हणून मी या तळाशी असलेल्या जगाला “वास्तविक सेल्फ-सर्व्हिस” म्हणतो, तर टॉप-डाऊन वर्ल्ड मी त्याला अधिक “चांदी-सेवा” म्हणतो कारण आम्ही चांदीच्या ताटात माहिती देण्याचे प्रकार करतो. हे काही प्रमाणात पूर्व पॅकेज केले गेले आहे. तरीही परस्परसंवादी, अद्याप संपादन करण्यायोग्य आहेत परंतु एखाद्याने याचा विचार केला पाहिजे की हे लोक कोण आहेत आणि याचा त्यांच्या विशिष्ट गरजा पूर्ण करण्यासाठी टेलर तयार करतात. आपल्याला मिळालेल्या टॉप-डाऊन जगात आपण पाहू शकता, अधिक वजन कर्तव्य केंद्रीकृत गट, डेटा गव्हर्नन्स कमिटी, जी आपल्याला माहिती आहे, ती डेटा साइट्स आणि अहवालावर ठेवते. आणि डेटा वेअरहाउसिंग कार्यसंघ जो निर्णय घेण्याकरिता डेटा समाकलित करण्याचा प्रयत्न करतो. ही एक अधिक पारंपारिक आयटी-देणारं केंद्रीकृत टॉप-डाऊन गव्हर्नन्स प्रक्रिया आहे. १० टक्क्यांपेक्षा २० टक्के, संघटनेच्या २० टक्के लोकांसारख्या तळाशी असलेल्या जगात, तळागाळातील लोकांकडून प्रत्यक्षात डेटा सेट तयार करून, त्यांच्याकडे पाहण्याद्वारे, त्यांच्यावर टिप्पणी देऊन, त्या डेटा सेटला टॅग करून प्रशासन मिळवत आहे - मूलभूतपणे ग्राउंड अपपासून डेटाचे सामायिक मध्यम तयार करणे. आपणास कॅटलॉग आणि डेटा बाजारपेठ मिळत आहे आणि संस्थेला या दोन्ही जगाची आवश्यकता आहे. खरं तर, ते एकमेकांना खातात, अगदी समक्रमित, ते एकाच नाण्याच्या दोन बाजू आहेत. आपल्याकडे प्रत्येक विभागात विश्लेषक नसल्यास ऑपरेशन्स अयशस्वी, विपणन, वित्त. आपल्याला व्यवसाय चालविण्याची आवश्यकता असलेल्या सर्व प्रकारचे अंतर्दृष्टी आपण गमावत आहात कारण ते अशा प्रश्नांची उत्तरे तयार करीत आहेत जे लोक आधीचे दिवस काय आहेत हे त्यांना समजू शकले नाहीत. आणि निश्चितपणे ते करू शकत नाही किंवा विकसक ते अहवाल किंवा डॅशबोर्ड तयार करू शकले नाहीत. म्हणून ते आवश्यकतेची पुढील लहर आणि पॅकेज अप करुन टॉप-डाऊन जगात ठेवल्या जाणार्‍या पुढील अंतर्दृष्टीची लाट सबमिट करण्याचा प्रकार आहेत.
आता समस्या अशी आहे जेव्हा जेव्हा तळ-अप जग टॉप-डाऊन जगात अहवाल प्रसिद्ध करते ज्याचे प्रमाणपत्र केलेले किंवा प्रशासित केले गेले नाही आणि आपल्याला विरोधी अहवाल, डुप्लिकेट्स आणि अशा गोष्टी मिळतात. म्हणूनच, माझ्या जगात या दोन जगांमधील डेटा गव्हर्नन्स होण्यास मदत होते आणि हे ठीक आहे, जर एखाद्या डेटा विश्लेषकांनी सुरुवात केली आणि नवीन अंतर्दृष्टी आणली आणि अहवाल तयार केला तर. लोकांना हे आवडते आणि मगच तुम्हाला माहिती आहे की त्यांना हा अहवाल प्रकाशित करणे आणि सामायिक करणे आवश्यक आहे, कदाचित संपूर्णपणे संपूर्ण एंटरप्राइझमध्ये, डेटा गव्हर्नन्सद्वारे त्याचा आढावा घेण्याची गरज आहे आणि आशेने अतिशय त्वरेने याची खात्री करुन घेणे आवश्यक आहे. मानके. हे एका मानक प्लॅटफॉर्मवर लिहिण्याची आवश्यकता असू शकते, मानक एंटरप्राइझ रेपॉजिटरीमध्ये नवीन डेटा जोडण्याची आवश्यकता असू शकते. आणि आत्ता आपण जे पहात आहोत ते म्हणजे अ‍ॅलटेरिक्स सारखी साधने ही जाहिरात प्रक्रियेस समर्थन देण्यासाठी आवश्यक वर्कफ्लो एम्बेड करीत आहेत जिथे आम्ही वॉटरमार्क किंवा एंटरप्राइझ-कॅलिबर सर्टिफाइड रिपोर्ट किंवा डेटा सेट म्हणून स्केल प्राप्त करण्यासाठी लोकप्रिय झालेल्या अहवालात प्रचार करत आहोत. . तर, आढावा प्रक्रियेच्या रूपात हे थोडक्यात डेटा गव्हर्नन्स स्टेटचे वजन होते. विकास कार्यसंघांसह उत्पादन हँडऑफ असू शकते आणि तेथे बीआय साधने, विश्लेषक साधने किंवा ते कार्यप्रवाह आत तयार केलेल्या परवानग्या आणि प्रशासन असू शकतात. पुढील स्लाइड
एरिक कवानाग: ठीक आहे, मला वाटते की आम्ही याकडे परत जोशकडे आलो आहोत.
जोश हॉवर्ड: होय, आणि म्हणूनच, आपल्याला माहिती आहे, जेव्हा आपण या वेगवेगळ्या साधनांमधून हलविण्याबद्दल बोललो, आणि मला माझ्या स्वत: मध्ये काय सापडले, आपल्याला माहित आहे, संशोधन असे आहे की बहुतेक विश्लेषक 10 ते 12 वेगवेगळ्या साधनांचा वापर करत आहेत. त्यांचे विश्लेषण कार्य पूर्ण करा. आणि आपल्याला माहिती आहे की डेटा शोधण्यासाठी ते डेटा कॅटलिग सोल्यूशन वापरत असतील, ते कदाचित डेटा प्रेप सोल्यूशन वापरत असतील, ते कदाचित डेटा व्हिज्युअलायझेशन साधन, प्रगत विश्लेषणासाठी काहीतरी, भविष्यवाणी विश्लेषणे आणि डेटा विज्ञान साधने उपयोजित करण्यासाठी वापरत असतील. आणि ते व्यवस्थापित करत आहे. आणि आम्हाला खरोखर वाटते की हे एकाच व्यासपीठाद्वारे दिले जावे आणि आम्हाला वाटते की तिथेच उद्योग चालू आहे. आणि म्हणूनच, बहुतेक लोकांना डेटा प्रीप आणि मिश्रित क्षमता आणि सर्व प्रकारची मेजवानी आणि पॉवर बीआय सारख्या घट्ट एकत्रिकरणाबद्दलच्या सर्व युक्त्या माहित असतात.
परंतु, आपल्याला माहिती आहे की आम्ही केवळ डेटा प्रेप टूलपेक्षा बरेच काही करतो. आम्ही त्या डेटा विश्लेषक आणि नागरिक डेटा वैज्ञानिकांसाठी खरोखरच एंड-टू-एंड प्लॅटफॉर्म आहोत, जो डेटा शोधून काढण्याची क्षमता प्रदान करतो, तो तयार करतो, त्याचे मिश्रण करतो, त्याचे विश्लेषण करतो आणि पुनरावृत्ती करण्यायोग्य मार्गाने आणि पुनरावृत्ती करण्यायोग्य वर्कफ्लोमध्ये करतो. आणि नंतर त्या मालमत्ता तैनात करा आणि त्या प्रमाणात प्रमाणात सामायिक करा आणि म्हणूनच अ‍ॅलट्रिक्सच्या बाबतीत हेच आहे. आणि आम्हाला एक अद्भुत समुदाय मिळाला ज्याच्या पाठीशी आपला पाठलाग केलेला समुदाय आहे, जो आपल्याला माहित आहे, केवळ आपल्या विशिष्ट समुदायापेक्षा. यात स्वयंसेवा प्रशिक्षण क्षेत्रे आहेत, त्यास मंच आणि उत्तम सराव आहेत आणि आमच्याकडे खरोखरच तेथील वापरकर्त्यांचा एक ख्रिश्चन समुदाय आहे जे एकमेकांना समर्थन देतात. आणि याविषयी मोठी गोष्ट म्हणजे आपण अ‍ॅलटेरिक्स सारखी साधने वापरत असताना, या प्रकारचे समुदाय खरोखरच शिकण्याची वक्र कमी करतात, म्हणून आपण या नवीन साधन संचावर वेगवान बनण्यास सक्षम आहात. जरी ते खरोखर वापरण्यास सुलभ असले तरीही त्यांना बरीच कोडिंगची आवश्यकता नाही आणि ते वापरण्यास सुलभ आहेत आणि उठणे आणि वेगाने धावणे आवश्यक आहे, परंतु तरीही त्या समुदायाकडे ती शिकण्याची वक्रता कमी करणे खरोखरच अनमोल आहे.
आणि म्हणून आपण तोडून तोडून टाकलेला मार्ग म्हणजे चार क्षेत्र. प्रथम ते खरोखरच शोध आणि सामायिक करण्याच्या आसपास आहे, जेणेकरून आपण आपला डेटा प्रीपेड आणि मिश्रित करण्यापूर्वी आपण तो शोधण्यात सक्षम झाला आहात. आणि हेच कारण आहे की आमच्या व्यासपीठाचा पहिला भाग तो शोध आणि सामायिकरण घटक आहे जो आम्ही आपल्या संस्थेचे आदिवासी ज्ञान घेण्यासाठी वापरतो. तर हे मूलतः डेटा कॅटलिग सोल्यूशन आहे जे क्युरेट केलेले आणि नियंत्रित डेटा सेट सामायिक करण्यासाठी वापरले जाते. हे वापरकर्त्यांना ते वापरण्यास सुलभ Google सारख्या शोध वैशिष्ट्यामध्ये शोधत असलेला डेटा शोधू देते आणि डेटा सेट्सवर सहयोग करण्यासाठी सामाजिक वैशिष्ट्ये देखील प्रदान करतो आणि मालमत्तेच्या डेटा वंशामध्ये आपल्यास ड्रिल करू देतो, त्यास प्रमाणित करतो मालमत्ता आणि वॉटरमार्क आणि सेल्फ-सर्व्हिस ticsनालिटिक्ससाठी हे खरोखर महत्वाचे आहे कारण एक आहे, बहुतेक लोक डेटा शोधण्यात बराच वेळ घालवत असतात - ते शोधण्यासाठी कुठे जायचे हे देखील त्यांना माहिती नसते. आणि मग त्यांना अहवाल सापडला तर आपणास माहित आहे की ते प्रमाणित आहे हे कसे समजेल, हा विश्वास आहे? म्हणून जेव्हा आपण याबद्दल बोलतांना, डेटा गव्हर्नन्स गेटवे असल्याने, मला खरोखरच अ‍ॅलट्रेक्स सारखी साधने दिसली की ती प्रवेशद्वार बनते, जेव्हा आपण आपला शोध घेता तेव्हा आपण स्वयंचलितपणे आणि दृष्टीक्षेपात पाहू शकता की त्या डेटाचा मालक कोण आहे, त्या डेटाचे वंशाचे काय आहे, कसे आहे तयार केले गेले होते, जर ते प्रमाणित केले असेल तर आणि त्यात प्रवेश कसा मिळवावा आणि आपणास यात प्रवेश नसेल तर आपण गप्पा वैशिष्ट्यांचा वापर करुन तुम्हाला माहिती असेल की तुम्ही त्या प्रवेशासाठी विनंती करु शकता. हे त्या विशिष्ट व्यक्तीसाठी एक आहे आणि म्हणूनच या घटकांचा भरपूर उत्पादन करण्याचा हा खरोखर एक चांगला मार्ग आहे. पुढील स्लाइड
पुढील तुकडा म्हणजे हे प्रीपे आणि मिश्रण, ज्यासाठी आम्ही सुप्रसिद्ध आहोत आणि म्हणूनच, आम्ही अधिक प्रगत विश्लेषणेसाठी ऑन-रँप म्हणून प्रीप आणि मिश्रण खरोखर पाहतो. एसक्यूएल किंवा कोणत्याही प्रकारचा कोड न लिहिता, आपण आपल्या सर्व भिन्न डेटामध्ये प्रवेश करण्यास सक्षम आहात, क्वेरी करा - आपल्याला माहित आहे की तो संरचित डेटा आहे, अराजकित डेटा आहे, क्लाउड डेटा आहे - आणि मेमरीमध्ये सर्वकाही सहजपणे समाकलित केले आहे, त्यास आकार देतात, शुद्ध करा , विश्लेषणासाठी आपला डेटा सज्ज होण्यासाठी हे प्रोफाइल. आपण तृतीय-पक्ष डेटा सेटसह समृद्ध देखील करू शकता. म्हणूनच, जर तुम्हाला ड्राइव्ह-टाइम विश्लेषणामध्ये, स्थानिक विश्लेषणांमध्ये स्वारस्य असेल तर टॉमटॉम सारख्या कंपन्यांसह आमच्याकडे खरोखर चांगली भागीदारी आहे. आम्ही घरगुती डेटा किंवा व्यवसाय डेटासाठी तज्ञांशी अगदी जवळून कार्य करतो. तर अकस्मातच, केवळ आपला पूर्वग्रह किंवा कदाचित ढगात मिळालेला डेटाच घेऊ शकत नाही तर आपण या तृतीय-पक्षाच्या स्रोतांनी समृद्ध करू शकता आणि काही आकर्षक विश्लेषणासह खरोखर पुढे येऊ शकता. पुढील स्लाइड
तिसरा तुकडा म्हणजे हे विश्लेषण आणि मॉडेल घटक. म्हणून मी नमूद केले की अल्टेरेक्स कोड मुक्त होता. बरं, तेही कोड अनुकूल आहे. आणि म्हणूनच आम्ही different० हून अधिक भिन्न भविष्यवाणी विश्लेषणे साधने ऑफर करतो, म्हणून जेव्हा आपण अधिक प्रगत विश्लेषणे करण्यास तयार असाल, तेव्हा आपण कोडींगशिवाय आर आणि पायथन आणि स्पार्क-आधारित साधने वापरू शकता किंवा आपण स्वतः वापरू शकता आणि आपली स्वतःची सानुकूल तयार करू शकता. संकुल म्हणून जर आपल्याकडे एखादा डेटा विज्ञान टीम आला असेल जो आर आणि पायथन किंवा स्काला किंवा इतर काही लिहित असेल तर आपण त्या कोडचा उपयोग करू शकता, आपले स्वतःचे पॅकेजेस तयार करू शकता आणि त्या साधनातून त्याचा फायदा घेऊ शकता. आणि पुन्हा, मला असे वाटते की सेल्फ-सर्व्हिस ticsनालिटिक्सचे वास्तविक मूल्य आहे आणि हेच आहे जिथे आपण उद्योगाला रूपांतरित करण्यास मदत करू इच्छित आहात, आपल्याला माहित आहे, पारंपारिक डेटा विश्लेषक आणि डेटा कर्मचार्‍यांना यात माहिती आहे, नागरिक माहिती वैज्ञानिक आणि खरोखर वापरण्यास सुलभ साधनांसह डेटा विज्ञान कार्य करत आहे. स्लाइड.
ठीक आहे, आणि शेवटी आम्हाला शेवटच्या काही स्विचेस मिळाल्या आहेत, जे प्रगत विश्लेषणेचे शेवटचे मैल आहे. तर आपण ज्या ठिकाणी आपण डेटा सायन्सचे कार्य करीत आहात आणि आपण आपले मॉडेल्स तयार करीत असल्यास, आपण पुढे येत असलेले आव्हान आहे, “ठीक आहे, मी ती मॉडेल्स कशी तयार करू? मी त्यांना कसे व्यवस्थापित करू? मी त्यांना अद्ययावत कसे ठेऊ? ”आणि येथेच आमची उपयोजन क्षमता येते. आणि म्हणूनच आम्ही ज्या ग्राहकांशी बोललो आहोत अशा आमच्या संशोधनानुसार 50० टक्क्यांहून कमी मॉडेल्स कधीच ते उत्पादन बनवतात. . म्हणून आपण ही सर्व मॉडेल तयार करण्यासाठी या डेटा वैज्ञानिकांना नियुक्त केले आहे, परंतु ते कधीही ते उत्पादन तयार करत नाहीत. आणि म्हणूनच आम्ही एक निराकरण तयार केले आहे जे आपणास आपले मॉडेल्स तयार करण्यात मदत करेल आणि त्यानंतर रिस्टल एपीआय वापरणार्‍या रिअल टाइममध्ये तैनात करा.
आणि म्हणूनच आपण ती मॉडेल्स मिळविण्यास सक्षम आहात आणि त्यांना थेट वेब अनुप्रयोग आणि मोबाइल अनुप्रयोगांमध्ये जलद आणि सुलभतेत ठेवू शकता, कारण पारंपारिक पद्धती कार्य करत नाहीत. ही एक लांब, काढलेली प्रक्रिया आहे. हे मॉडेल उपयोजित करण्यास 12 ते 20 आठवडे कोठेही लागू शकेल आणि बर्‍याचदा यासाठी $ 250,000 पेक्षा जास्त खर्च करावा लागेल. आणि मग आपण त्यांना अद्ययावत कसे करता याबद्दल आपल्याला काळजी वाटली. म्हणून पुन्हा, आम्ही ही संपूर्ण प्रक्रिया स्वयंचलित करण्याचे आणि मध्यस्थ बर्‍याच चरणांचे मार्ग शोधत आहोत. आणि म्हणूनच, खरोखर कोड न फेकता, कारण सध्या काय घडत आहे याची पारंपारिक प्रक्रिया आपल्याकडे एक डेटा वैज्ञानिक आहे जो त्याचे मॉडेल बनवित आहे, आणि त्यांनी त्यास तैनात केले आहे, आणि त्यांनी ते कुंपण घालून एका वेब विकसकाकडे फेकले आहे सर्व आर आणि पायथन कोड घ्या, त्यास एखाद्या वेब अनुप्रयोग किंवा मोबाइल अनुप्रयोगामध्ये पुन्हा लिहा आणि पुन्हा, त्यास बराच वेळ लागतो.
आणि म्हणूनच, कुणीतरी करण्याच्या कुंपणावरील आता तेथे फेकण्याचा कोड नाही. आम्ही ती प्रक्रिया स्वयंचलित केली आहे आणि त्या प्रमाणात प्रमाणात व्यवस्थापित करण्याचा एक मार्ग आहे. आणि म्हणूनच डेटा विश्लेषणासाठी शेवट-टू-एंड सेल्फ-सर्व्हिस प्लॅटफॉर्मचा विचार केला तर ही खरोखरच चार क्षेत्रे आहेत जी आम्ही पाहतो. आणि म्हणूनच, हे आपल्याला माहिती आहे, सहजतेने डेटा शोधणे आणि सामायिक करणे, प्रीपे करणे आणि मिश्रण करणे, प्रगत analyनालिटिक्स करणे आणि त्यानंतर त्यास मोठ्या प्रमाणात तैनात करणे आणि व्यवस्थापित करण्याचा मार्ग आहे. पुढे जा. तर अ‍ॅलटेरिक्सद्वारे आपण विश्लेषक कारभाराबद्दल बोलू शकू आणि आपला डेटा सुरक्षित असलेल्या मार्गाने अनलॉक करण्यास सक्षम आहात आणि आपले सर्व विश्लेषण करण्यासाठी कोड-मुक्त आणि कोड-अनुकूल दोन्ही मार्ग प्रदान करतो, तर आपण डेटाबेस विश्लेषक आहेत ज्यांना अर्थशास्त्र माहित नाही, डेटाबेस क्वेरी करण्यासाठी एसक्यूएल भाषा आहेत, आपण त्यांचे ड्रॅग-अँड-ड्रॉप साधन वापरू शकता जे त्यांचे विश्लेषण करण्यासाठी स्मृतीत हा सर्व डेटा खेचते.
मग त्याच टोकनवर, जर आपल्याकडे आर आणि पायथन वापरणारे डेटा वैज्ञानिक आहेत, तर ते कोड-फ्रेंडली मार्गाने teryलटेरिक्ससारखे साधन वापरू शकतात - आणि आम्ही आमच्या ग्राहकांसह पाहिलेले परिणाम प्रचंड आहेत कारण आम्ही आपण घेऊ शकता अशा पुनरावृत्ती करण्यायोग्य वर्कफ्लोज प्रदान करण्यात सक्षम, कार्ये घेतलेली, आपल्याला माहित आहेत, आठवडे किंवा महिने आणि शब्दशः ते मिनिटांवर खाली आणून, अतिशयोक्तीशिवाय. आमच्या वेबसाइटवर आम्हाला अनेक केस स्टडीज मिळाले आहेत जिथे आपण त्याबद्दल आणि आम्ही पहात असलेल्या काही वेळेच्या बचतींबद्दल अधिक जाणून घेऊ शकता. परंतु, आपणास माहित आहे की, हे आपल्या आयटी संस्थेसह कार्य करीत आहे कारण ते स्केलेबल आहे आणि मी त्याबद्दल बोलत असलेल्या सायलो तोडल्या आहेत आणि त्या शासन पद्धतीने केल्या आहेत. आणि खरोखरच teryल्टेरिक्स एंड-टू-एंड प्लॅटफॉर्म हेच आहे आणि आम्ही वेगळे कसे आहोत.
एरिक कवानाग: ठीक. त्या सर्व चांगल्या गोष्टी आहेत. मला असे म्हणायचे आहे, वेन, मला वाटते की आपण खरोखरच या डेटा गव्हर्नन्स गेटवेसह काहीतरी वर आहात, मला वाटते, आपण त्याचे वर्णन कसे केले. कारण आम्ही सध्या या खरोखरच मनोरंजक जगात आहोत ज्यात डेटा वेअरहाऊस, जी आता चार दशकांकरिता विश्वासार्ह स्त्रोत आहेत, काळासह पाळण्यास आणि भिन्न भिन्न डेटा स्रोत आणि डेटा प्रकारांमध्ये ठेवण्यास खरोखर सक्षम नाहीत. डेटा वेअरहाउसचा विचार करण्याची ही एक बरीच कडक प्रणाली आहे आणि म्हणूनच मी येथे जे वितरित करीत आहे ते पाहतो आहे आपण विश्लेषक परिपक्वताच्या पुढील टप्प्यावर कॉल करू शकता कारण ते आपल्याला हे सर्व भिन्न स्त्रोत वापरण्याची परवानगी देत आहेत, परंतु कारण त्यांच्याकडे आहे डेटा गव्हर्नमेंट पॉलिसीसह हे मार्शलिंग एरिया, आता आपल्याला खरोखरच दोन्ही जगातील सर्वोत्कृष्ट माहिती मिळेल जिथे आपल्याकडे बरेच भिन्न डेटा सेट असू शकतात, परंतु आपल्याकडे शासन आहे आणि आपण सर्व प्रकारच्या माहिती आणि सेवा सर्व प्रकारच्या भिन्न विश्लेषकांसाठी देखील वापरू शकता. व्यवसाय जगात काय चालले आहे याबद्दल त्यांचे भिन्न दृष्टीकोन मिळवा. परंतु मी हे एंटरप्राइझसाठी विश्लेषकांच्या उत्क्रांतीमधील ब significant्यापैकी महत्त्वपूर्ण पाऊल म्हणून पाहतो, परंतु आपले मत काय आहे?
वेन एकर्सन: नाही, अगदी. डेटा वेअरहाऊसेस, सत्याच्या एकाच आवृत्तीची रेपॉजिटरीज जसे आहेत आणि मला वाटते की त्याकडे दुर्लक्ष केले गेले, आपल्याला माहिती आहे, संघटनात्मक गतिमान आणि लोक ज्या भूमिका बजावतात त्या. आणि बीआय किंवा विश्लेषणेची ही दोन जगं, जसे की आपण त्यांना कॉल करता.आणि बर्‍याच कंपन्यांमध्ये ते विपरित दिशेने जात आहेत आणि ते एकमेकांशी बोलत नाहीत, एकमेकांवर विश्वास ठेवत नाहीत, परंतु खरोखर ते अतिशय समवयस्क आहेत, आणि आपल्याला फक्त ते एकमेकांना ओळखले पाहिजे. आणि एकत्र काम. आणि अ‍ॅलट्रॅक्स सारखी साधने जी डेटाशब्द क्षमतांच्या डेटाशैलीद्वारे कारभाराला सामिल करतात, जिथे कारभारी डेटा सेट व्यवस्थापित करू शकतात आणि त्यांना प्रमाणित आणि वॉटरमार्क करू शकतात, जे मी माझ्या वर्गामध्ये काही वर्षांपासून बोलत आहे. बर्‍याच कंपन्या करत आहेत, परंतु त्यास इतका ट्रॅक्शन मिळाला आहे आणि आता मी हे सर्वत्र ऐकत आहे.
आणि म्हणूनच या दोन जगांना एकत्रित करण्याचा मार्ग कारण, आपल्याला माहिती आहे की आपल्याकडे केक आहे आणि आपण ते देखील खात आहात. आपण उर्जा वापरकर्त्यांना जे करण्याची आवश्यकता आहे ते करू देऊ शकता. मागणीनुसार नवीन अंतर्दृष्टी मिळवा आणि नंतर आपल्याला माहिती आहे परंतु आपण ते नियंत्रणाबाहेर न ठेवता. टॉवर ऑफ बॅबेल तयार करण्यापासून आपण असे काही मानक ठेवले ज्यात काही कारभाराची आवश्यकता असते. आणि खरोखर ध्येय म्हणजे प्रशासनाची संस्कृती निर्माण करणे जिथे लोकांना शासन प्रक्रियेतून जायचे आहे. त्यांचे अहवाल / डेटा सेटचे पुनरावलोकन व्हावे अशी त्यांची इच्छा आहे जेणेकरून त्यांचा अधिक प्रमाणात वापर केला जाईल. हेच ध्येय आहे आणि या नवीन जगात खरोखरच ही नवीन भूमिका आहे. मी नेहमी म्हणतो की त्यांची भूमिका हुकूमशाही नव्हे तर सोयीची आहे. आणि बर्‍याच आयटी व्यावसायिकांसाठी ही एक मोठी मझल शिफ्ट आहे ज्यांना व्यवसायासाठी सर्वकाही करणार्‍या सामायिक सेवेत सवय लावली आहे. आता व्यवसाय स्वत: साठी करीत आहे, आणि जोडीने म्हटल्याप्रमाणे, हे फक्त माणसे असण्याची गरज आहे, जोशांनी ते संरक्षक ठेवून ठेवले.
एरिक कवानाग: होय, मला वाटतं की रेलिंग ही महत्त्वाची आहेत कारण ते विश्लेषकांच्या वेगवेगळ्या गोष्टी करतात, पण त्यांचा माग काढू शकत नाहीत. आणि जर मला समजले असेल-
वेन एकर्सन: नक्की.
एरिक कवानाग: तू बरोबर, जोशी
जोश हॉवर्ड: नक्की.
एरिक कवानाग: होय, आपण याबद्दल बोलत होता, बर्‍याच वर्षांपूर्वी मी actuallyल्टेरॅक्स म्हटले जाण्यापूर्वी आतापासून मी प्रत्यक्षात आलट्रिक्सचा मागोवा घेत आहे - मला वाटते की याला एसआरसी किंवा त्या धर्तीच्या बाजूने काहीतरी म्हटले गेले होते - आणि वॉल-मार्ट पहिला ग्राहक होता. आणि व्यवसायिक प्रक्रिया आणि वर्कफ्लो खरोखरच समजून घेण्याची क्षमता होती तेव्हा आपण परत आलेल्या गोष्टींबद्दल खरोखर छान गोष्टींपैकी एक. आणि जर आपल्याकडे वर्कफ्लो आणि व्यवसाय प्रक्रियेबद्दल दृढ ज्ञान असेल तर आपण बर्‍याच वेगवेगळ्या गोष्टी करू शकता. सर्वप्रथम, आपण बाह्य माहितीसह वापरकर्त्यास उपलब्ध असलेल्या पर्यायांवर क्लाउड न केल्यास आपण बरेच कार्यक्षम वापरकर्ता इंटरफेस वितरित करू शकता. दोन, आपण चोक बिंदू किंवा नियंत्रण बिंदू कोठे आहेत हे समजून घेण्यासाठी प्रक्रियेस सुव्यवस्थित देखील करू शकता. आणि मला वाटतं की कदाचित teryल्टेरिक्स हे अत्यंत शासन-अनुकूल, परंतु वापरकर्ता-अनुकूल प्रकारचे वातावरण वितरीत करण्यात सक्षम आहे की सर्व प्रकारच्या भिन्न माहिती संच आणि विश्लेषणात्मक वापर प्रकरणे सक्षम करते या जादूचा भाग आहे. आपण त्याशी सहमत आहात?
जोश हॉवर्ड: होय, मला म्हणायचे आहे की हे आहे, आपल्याला माहित आहे, मी इच्छितो, एरिक, आणि यापैकी बरीच साधने या प्रकारच्या साधने व्यवसाय वापरकर्त्यांच्या हाती ठेवत आहेत आणि त्यांना त्यांचे कार्य व्यवसाय-मैत्रीपूर्ण मार्गाने करण्याचा मार्ग देतात जे सोपे आहे. वापरा आणि ते अनुकूल आहे म्हणजे, जर आपण डेटा गव्हर्नन्ससारख्या गोष्टीबद्दल विचार केला तर आम्ही दोन दशकांपासून डेटा गव्हर्नन्सबद्दल बोलत आहोत, आणि आयपी स्टोरेज म्हणून आम्ही यास व्यवसायाकडे आणण्याचा प्रयत्न केला आहे आणि तो कधीच स्वीकारला जात नाही, कधीच मिळत नाही. कोणत्याही प्रकारचे कर्षण, कारण ते व्यावसायिक वापरकर्त्यांसाठी तयार केलेले नाही, बरोबर? हे आयटी-नेतृत्त्वात आहे, आयटी-चालित आहे आणि ते आयटीसाठी कार्य करते, परंतु हे त्या व्यवसाय वापरकर्त्यांसाठी कार्य करत नाही. आणि म्हणूनच, आम्ही तीच पद्धती घेऊ इच्छितो परंतु त्या व्यवसाय-अनुकूल टूलसेटवर लागू करू इच्छित आहोत आणि डेटा कॅटलिग सोल्यूशन आणि मेटाडेटा व्यवस्थापनासह आमचा हा दृष्टीकोन आहे.
आपल्याला माहित आहे की जेव्हा मी व्यवसाय वापरकर्त्याशी बोलतो तेव्हा मी कधीकधी अर्थविषयक डेटा लेयरबद्दल बोलत नाही आणि आम्ही मेटाडेटा व्यवस्थापित करण्यास कशी मदत करीत आहोत याबद्दल बोलत नाही. परंतु, आपल्याला माहिती आहे, शेवटच्या काळात हेच ते करत आहे, त्या प्रकारच्या गोष्टी बर्‍याच काळापासून आयटीमध्ये आहेत, परंतु व्यवसाय वापरकर्त्यासाठी, डेटा वेगवान कसा शोधायचा, आपले कार्य कसे करावे या सर्व गोष्टी आहेत. वेगवान आणि माहिती वापरण्यास सुलभ इंटरफेसमध्ये पुरविणे ज्याचा त्यांना उपयोग करण्यास सवय आहे, अगदी त्यांच्या ग्राहकांच्या जीवनाप्रमाणेच? त्यांना Google सारखा शोध इंटरफेस हवा आहे, त्यांना एक सामाजिक सहयोग घटक हवा आहे जेथे ते त्या डेटामधील सायलोस तोडण्यासाठी आणि त्या आदिवासींचे ज्ञान आत्मसात करण्यासाठी त्या संस्थेतील अन्य वापरकर्त्यांसह नेटवर्क करू शकतात. आणि म्हणूनच आम्ही व्यवसायासह कसे कार्य करतो याचा वेगळा दृष्टिकोन घेत आहोत, परंतु ते आयटी-अनुकूल देखील आहे.
एरिक कवानाग: हं, आणि मला एक चांगला प्रश्न आला-
वेन एकर्सन: आपल्याला दुसरी गोष्ट माहित आहे - जोश, ज्याने आपल्या सादरीकरणात मला धडक दिली, आम्ही आता प्लॅटफॉर्मच्या युगात आहोत. मला वाटते की आपण साधनांच्या वयानंतर गेले आहोत आणि ते ठीक आहे, परंतु प्लॅटफॉर्म, बरोबर? आणि म्हणूनच, मी २०-काही विचित्र वर्षांपासून बीआय कव्हर करीत आहे, आणि बीआय स्पेसमध्ये आम्ही साधनांमधून विश्लेषक प्लॅटफॉर्मवर गेलो आहोत, जेथे आपल्याला माहित आहे की, प्रत्येक उत्पादनासाठी प्रत्येक उत्पादनासाठी विश्लेषणेची प्रत्येक पद्धत आवश्यकपणे ठेवली जाते. , बरोबर? सामान्य आर्किटेक्चर आणि सेल्फ-सर्व्हिसेसवरील अहवालांपासून ते भविष्यवाणीपर्यंत. आम्ही डेटा असेंब्लीच्या बाजूला किंवा डेटा एकत्रिकरण बाजूला देखील ही गोष्ट पहात आहोत, जिथे कोणीतरी हे प्लॅटफॉर्म एकत्र जोडत आहेत जे डेटा अंतर्भूत करतात, ते जोडतात, कॅटलॉग करतात, दुरुस्त करतात, रुपांतर करतात आणि वापरकर्त्यांना डाउनलोड आणि विश्लेषण करण्यासाठी उपलब्ध करतात. आणि आता, आपण काय करीत आहात, अनेक मार्गांनी पुढचे पाऊल उचलून ते दोन प्लॅटफॉर्म एकामध्ये एकत्रित करीत आहे, म्हणूनच हे एकत्रित विश्लेषण आणि डेटा प्लॅटफॉर्म आहे, जे आपल्याला माहिती आहे. हे भविष्य आहे: अभिसरण आपल्या प्लॅटफॉर्ममध्ये मला केवळ एकच गोष्ट दिसत नाही ती म्हणजे आपली मूलभूत अहवाल देणे आणि डॅशबोर्ड साधने किंवा क्षमता, परंतु कदाचित ती कदाचित आपल्या विश्लेषणात्मक मोड्यूलमध्ये अंतर्भूत असेल.
जोश हॉवर्ड: होय, आम्ही बॅचचा अहवाल खूप चांगल्या प्रकारे देतो. आम्हाला तिथे एक अतिशय मजबूत उपाय मिळाला आहे, परंतु आपण डॅशबोर्ड्सच्या आसपासच्या बिंदूवर विजय मिळविला आणि ही आमच्यासाठी वाढीची संधी आहे. आमचे नेहमीच पारंपारिकरित्या झांकी, पॉवर बीआय आणि क्लीक यांच्याबरोबर खरोखर चांगली भागीदारी होती, परंतु आम्ही तसे करत राहू. परंतु आपण जे शोधत आहोत ते आमचे विश्लेषक, आपले ग्राहक आहेत, त्यांना ‘वर्कफ्लोच्या समाप्तीपर्यंत आणि त्या सायकलचा निकाल पाहण्यापर्यंत थांबायचे नाही, ठीक आहे का? रिअल टाइममध्ये ते काम करीत असतानाच त्यांना ते परिणाम पहायचे आहेत आणि आपण खरोखरच तीच दिशा दाखवत आहोत आणि आम्ही आपल्याला इनलाइन व्हिज्युलिटिक्स म्हणून काय लेबलिंग करीत आहोत हे आम्हाला माहित आहे जेणेकरून आपण आपला डेटा कार्य करीत असताना पहात आहात. आणि आपण त्यावर पुनरावृत्ती करू शकता आणि रिअल टाइममध्ये शेवटपर्यंत प्रतीक्षा करण्याऐवजी आणि व्हिज्युअलायझेशन टूल किंवा डॅशबोर्डवर ते परिणाम पाहण्यासाठी प्रकाशित करण्याऐवजी पाहू शकता. आणि म्हणूनच, आपला अंतर्दृष्टी मिळविण्यासाठी मागे व मागे संतुलन साधण्याची आवश्यकता दूर करते.
वेन एकर्सन: होय, बरं, याचा अर्थ खूप होतो. आणि आपण लोक आता सहजतेने ओळखले जातात. आपणास माहित आहे की आपण प्रसिद्धी आणि दैव वाढीसाठी कंपनी झांकी वापरत आहात. आपण त्यांच्या बरोबरच तिथे आहात आणि या रूपांतरित व्यासपीठाच्या जागेत कोणत्याने पुढाकार घेणे चांगले आहे कारण आपण विश्लेषणे आणि डेटा व्यवस्थापन या दोहोंमध्ये आपला पाय मिळवला आहे. तर, आपण पुढील काही वर्षात आपण कसे भाड्याने देता हे पहाण्यासाठी आम्ही बीटा चाचणी करीत आहोत.
जोश हॉवर्ड: होय, आणि आपल्याला माहिती आहे, मला वाटते की हे मनोरंजक आहे, आणि मला या जागेचा एक भाग बनून आनंद झाला आहे, आणि हे पाहणे, एक आढावा घेणे, आपल्याला माहिती आहे, डेटा इंटिग्रेशनची जागा, व्यवसायातील बुद्धिमत्ता स्थान आणि प्रगत ticsनालिटिक्सची जागा आणि ती एकत्रित केलेली खरोखर पहा. आणि तुम्हाला माहिती आहे, मला असे वाटते की अ‍ॅलट्रेक्ससारखे प्लॅटफॉर्म त्या व्यवसाय वापरकर्त्यांपैकी बर्‍याच जणांना उत्कृष्ट मदत करतील आणि त्या वापरकर्त्यांना त्यांच्या डेटामध्ये प्रवेश मिळवून देतील आणि ते विश्लेषण करतील, तुम्हाला माहिती आहे आणि त्या अंतर्दृष्टी जलद आणि सुलभपणे मिळवा.
एरिक कवानाग: हो हे सर्व येथे आहे आणि मी तुमच्याशी सहमत आहे, वेन, की तो खरोखर कसा खरा ठरतो आणि मला वाटते, हो प्रेक्षक सदस्याकडून येथे एक प्रश्न आहे. हे संभाषणासाठी खूपच जर्मन आहे. हे डेटाऑप बद्दल आहे. आपल्यापैकी जे या पदाशी परिचित नाहीत-
जोश हॉवर्ड: पुढील स्लाइड
एरिक कवानाग: हे गेल्या नऊ महिन्यांत खरोखरच दृढ आहे. त्याची सुरुवात एक किंवा दोन विक्रेत्यांसह झाली, नंतर तीन आणि चार, त्यानंतर पाच आणि सहा आणि आता बरेच लोक डेटाऑपबद्दल बोलत आहेत. हीच मुळात देवऑपची डेटा व्यवस्थापन बाजू आहे. तर आम्ही काय पहात आहोत हे आपल्या आयुष्याच्या चक्रात फिरत असताना कोणती साधने आणि कोणती तंत्रज्ञान डेटाला स्पर्श करीत आहेत हे समजून घेण्यासाठी खरोखर प्रयत्न करण्यावर बरेच लक्ष केंद्रित केले आहे आणि यामुळे आपल्या विश्लेषक दृश्यावर कसा परिणाम होतो. आणि मला असे वाटते की अ‍ॅलटेरिक्स प्रत्यक्षात एक प्रकारचा डेटाऑपची मुदत होण्यापूर्वी या प्लॅटफॉर्मच्या दृष्टिकोनावर लक्ष केंद्रित करून डेटाऑप्सची समस्या सोडवते. पण मी ती तुमच्यावर टाकत आहे, प्रथम जोश, आणि नंतर तू, वेन, भाष्य करण्यासाठी. जोश, तुला काय वाटते?
जोश हॉवर्ड: होय, मला वाटतं ही एक विकसित स्थान आहे. आपणास माहित आहे की आम्ही डेटा अज्ञेयवादी असण्याचा प्रयत्न करतो आणि म्हणून डेटामध्ये प्रवेश करण्यास सक्षम आहोत - ते आपल्या फायरवॉलमध्ये असो किंवा नसलेले डेटा, संरचित डेटा - म्हणूनच आम्हाला माहित आहे की हे सतत बदलत जाईल, आपल्याला माहित आहे, आणि मला खात्री आहे की वेनही या गोष्टीशी सहमत असेल आणि एरिक. जर आपण परत गेलात तर तुम्हाला या जागेत 10, 15 वर्षे माहिती असतील, म्हणजे, तेथे मोजकेच डेटाबेस होते. आम्ही आता सुमारे 400 हून अधिक भिन्न डेटाबेस प्रकारांवर आहोत. आणि म्हणूनच, आम्ही यापुढे कधीही चालत नाही. आणि म्हणूनच, एखादी संस्था अंगिकारण्यासाठी नेहमीच काहीतरी नवीन आणि चमकदार असतं. आणि म्हणूनच, आम्ही फक्त अज्ञेयवादी बनू इच्छित आहोत आणि आपल्या संस्थेमध्ये आपल्याकडे आधीपासून असलेल्या कोणत्याही गोष्टीमध्ये अखंडपणे समाकलित होण्यासाठी आमचे मुक्त तंत्रज्ञान आणि एपीआय वापरू इच्छित आहोत. आणि डेटाऑप बाजूला असलेला दुसरा भाग देखील पहा की जास्तीत जास्त वर्कलोड क्लाउडकडे ढकलले गेले आहेत आणि नवीन क्लाउड तंत्रज्ञान आणि मशीन-शिक्षण तंत्रज्ञान आपल्याला खरोखर या नवीन प्रतिमानात ढकलत आहेत, आणि मला वाटते की तिथेच आहे, आपणास माहित आहे की डेटाऑप्स जात आहेत. आणि आम्ही त्या जागेत बर्‍याच रोचक गोष्टी घडत आहोत.
वेन एकर्सन: होय, मला वाटते की आम्ही डेटाऑप्ससाठी वापरत असलेली आणखी एक संज्ञा “डेटा पाइपलाइन” किंवा “डेटा सप्लाय चेन” आहे आणि आम्हाला बर्‍याच कंपन्या बाहेर येताना दिसतात, विशेषत: मोठ्या डेटा वर्ल्डमध्ये. आपण ते वर्कलोड व्यवस्थापित करू शकता आणि डेटा स्वॅम्प बनण्यापासून डेटा लेक्स ठेवू शकता. होय, आणि मी हे मान्य करतो की त्यापैकी बरेच काही आता मेघ मध्ये देखील जात आहे.
एरिक कवानाग: बरं, आणि तुम्हाला माहितीच आहे, म्हणून अ‍ॅलटेरिक्सने दोन अधिग्रहण केले. मागील दोन-दोन वर्षांत तुम्हाला याबद्दल बोलायचे आहे काय हे मला माहित नाही, मला असे वाटते, जोश, आणि डेटा इन्जेस्टिंगच्या संदर्भात आणि त्यातील काही अर्थपूर्ण सामग्रीच्या संदर्भात हे प्लॅटफॉर्म खरोखरच बाहेर पडले. आणि आता आपल्याकडे खरोखरच हा शेवट-टू-एंड सोल्यूशन आहे जो विश्लेषकांना यावर राज्य करण्यास सक्षम करतो. मी इतर कोणासही ओळखत नाही ज्याने याकडे बरेच लक्ष दिले आहे आणि दृष्टिकोन घेतला आहे आणि मला वाटते की हे आपल्या अर्ध्या भागावर खूप हुशार होते. पण तुम्हाला त्याबद्दल थोड्या वेळासाठी बोलायचे आहे काय?
जोश हॉवर्ड: हो नक्की. आणि म्हणूनच, अ‍ॅलटेरिक्सला ते खूप मोठे वर्ष राहिले. आपणास माहित आहे की आम्ही या वर्षाच्या सुरूवातीस सार्वजनिक केले, आणि आम्ही दोन प्रमुख अधिग्रहणे केली ज्या आम्हाला मदत करतात, आपल्याला माहित आहे की अशा प्रकारचे आमचे व्यासपीठ संपेल. आणि म्हणून, प्रथम, तो खरोखर डेटा कॅटलिगिंग तुकडा होता. पुन्हा, आपल्याला माहिती आहे की आम्हाला जे दिसते ते आम्हाला त्या संस्थांना त्या डेटावर शासन करण्यास मदत करू इच्छित आहे. आणि म्हणूनच आम्ही सेमांटा नावाची डेटा गव्हर्नन्स कंपनी विकत घेतली आणि ती आमची डेटा कॅटलिग सोल्यूशन बनली आहे आणि आम्ही संपूर्ण व्यासपीठावर काय तयार केले आहे. कारण आम्ही पुन्हा, शासन स्व-सेवेसाठी आणि स्वयं-सेवा सक्षम करण्यासाठी एक महत्वाचा घटक असल्याचे पाहतो. आणि म्हणूनच पुन्हा याने आम्हाला त्या सर्व गोष्टी दिल्या, मेटाडेटा व्यवस्थापन, डेटा कॅटलिग क्षमता. आणि आम्ही जे काही केले ते म्हणजे आमच्या संपूर्ण व्यासपीठासह हे वापरण्यास सुलभ आणि अतिशय मैत्रीपूर्ण, समाकलित करण्यासाठी आम्ही त्यावर एक इंटरफेस तयार केला आहे.
आम्ही बनवलेली दुसरी कंपनी ब्रुकलिन, न्यूयॉर्कमधील एका डेटा सायन्स कंपनीची होती आणि ती आमच्या मशीन-लर्निंग क्षमता तसेच मॉडेल मॅनेजमेन्ट पीस तयार करण्यासाठी केली गेली. आणि म्हणूनच, मी आधी काय सांगितले आहे ते असे होते की आमच्याकडे बरेच प्लॅटफॉर्म वापरणारे आणि बरेच महत्त्वाचे डेटा सायन्स कार्य करत असलेले वैज्ञानिक आहेत. तथापि, शेवटल्या मैलांपर्यंत ती मॉडेल्स मिळवणे खूप आव्हानात्मक होते. आणि म्हणूनच मी नमूद केले की, आपल्याला हे माहित असते की, ते 12 ते 20 आठवडे सहसा घेतात, त्यापैकी काही मॉडेल तयार करण्यासाठी $ 250,000 आवश्यक असतात. आणि मग, आपण या सर्व मॉडेल्सची अद्ययावत तारीख कशी ठेवता आणि ठेवता? ते मॉडेल कसे शिकतील? आणि आपण त्या मॉडेल्सना कसे प्रशिक्षण देता? आणि म्हणूनच, ही उपयोजन क्षमता देखील एक मोठी समस्या आहे. आणि म्हणूनच, डेटा सायन्स साइड आणि डेटा गव्हर्नमेंट साइड असलेल्या या दोन तंत्रज्ञानाने हे आव्हान सोडविण्यासाठी, आमच्या व्यासपीठावर आणि संघटनांकडे आणण्याचा प्रयत्न करीत आहोत आणि आम्ही काय करण्याचा प्रयत्न करीत आहोत.
एरिक कवानाग: होय, आणि मला आनंद होत आहे की आपण तेथे तो फेकून दिला कारण आमच्याकडे प्रेक्षकांकडून फक्त मशीन शिक्षण आणि एआय बद्दल प्रश्न होता. आणि, वेन, कदाचित मी हे आपल्याकडे वास्तविक द्रुतगतीने टाकत आहे. माझ्या मते, मशीन शिक्षणामध्ये बर्‍याच वर्षांपासून आम्ही संघर्ष करीत असलेल्या बर्‍याच समस्यांचे खरोखरच अनुकूलन करण्याची क्षमता आहे - डेटा गुणवत्तेसारख्या गोष्टी, उदाहरणार्थ विश्लेषकांवरील भीड आणि त्या शोधात मदत करणे यासारख्या गोष्टी समीकरण, बरोबर? कारण यापैकी काही अल्गोरिदम जे विशेषतः शिकत राहतात ते खरोखरच स्वत: वर जाऊ शकतात आणि त्या वापरकर्त्यासाठी काही मनोरंजक गोष्टी शोधू शकतात. कारण सर्वसाधारणपणे विश्लेषकांसमोर आव्हानांपैकी एक म्हणजे प्रत्येक विश्लेषक स्वतःचे पूर्वग्रह ठरवतो, जगाचा स्वतःचा दृष्टिकोन. हे कधीकधी बदलणे बर्‍यापैकी अवघड असू शकते आणि म्हणूनच भविष्यात मी मशीन शिक्षण आणि ए.आय. साठी बर्‍याच संभाव्य गोष्टी पहात आहे. तुला काय वाटत?
वेन एकर्सन: नाही, पूर्णपणे आणि फक्त मूलभूत नियम. त्या गोष्टी एकत्रितपणे या सेल्फ-सर्व्हिस टूल्सची सुलभता आणतील आणि त्यांचा वापर सुलभ करेल. आपणास माहित आहेच की, इतर अहवालासाठी शिफारसी करण्यापासून डेटा पाहण्यापर्यंत, मॉडेलचे समायोजन करण्यापर्यंत सर्व काही डेटा प्रिप टूलमध्ये शांत सहसंबंध आहे. आपणास माहित आहे की आपल्याकडे यापूर्वीच झोक्याचे रुपांतर होते जसे आपण प्रदर्शित करू इच्छित असलेल्या डेटा सेटसाठी योग्य व्हिज्युअलायझेशनचा शोध लावला. तर हे सर्व या साधनांना अधिक सामर्थ्यवान बनवते, स्व-सेवेस अधिक बडबड करते आणि वापरकर्त्यांना अंतर्दृष्टी आणि डेटा वेगाने वेगाने डेटा वापरण्यात मदत करते.
एरिक कवानाग: होय, आणि आपल्याला माहितीच आहे की एंटरप्राइझ सॉफ्टवेअरच्या जगात अर्थातच तेथे खूप छान सामग्री चालू आहे, परंतु तंत्रज्ञान तयार करण्यासाठी नेहमीच वेळ लागतो. अर्थात स्पष्टपणे आपण जाऊन वस्तू मिळवू शकता, जसे अ‍ॅल्टेरिक्सने केले आहे. परंतु जेव्हा आपल्याकडे एखाद्या जागेचा अनुभव असतो तेव्हा आपल्याला माहित असते की एक जुनी अभिव्यक्ती आहे: अनुभवाला पर्याय नाही. गोष्टी अधिक चांगल्या पद्धतीने कसे करावे हे आपल्याला माहिती आहे आणि मला असे वाटते की अल्टेरेक्सच्या बर्‍याच वर्षापूर्वीच्या यशाची एक कळा ही आहे की बर्‍याच वर्षांपूर्वी तृतीय-पक्षाचा डेटा वापरण्याच्या संपूर्ण प्रक्रियेवर अल्टेरेक्स खरोखरच होता. मला नक्की किती काळ ते आठवत नाही, परंतु सहा किंवा सात वर्षांपूर्वी मला म्हणायचे आहे की teryलट्रेक्सने क्रेडिट कंपन्यांसारख्या कंपन्यांमधून डेटा बाहेर घेण्याची आणि हस्तगत करण्याची क्षमता आधीच तयार केली आहे, उदाहरणार्थ, भौगोलिक स्थान डेटा किंवा कोणत्याही संख्येने तृतीय-पक्षाची डेटा सिस्टम. आणि मला वाटते की हीच गोष्ट म्हणजे आज आपण ज्याला डेटा ब्लेंडिंग म्हणतो त्या दृष्टीने परिपक्व होताना दिसतो, कारण आपल्याकडे ती संज्ञा देखील नव्हती.
पण, जोश, मी ते परत तुझ्याकडे फेकीन. आणि मला असे वाटते की त्या डेटा मिश्रित संकल्पनेच्या भोवतालच्या अल्टेरेक्स प्लॅटफॉर्ममध्ये भरपूर संतृप्ति आणि अनुभव आला आहे, जो आता अंतर्ग्रहण, मशीन-लर्निंग, डेटा कॅटलिगद्वारे, इत्यादीद्वारे वाढविला गेला आहे. मला असे वाटते की म्हणूनच आज आपण अलर्टॅक्स पाहतो. तुला काय वाटत?
जोश हॉवर्ड: हो, म्हणजे, गरज ही सर्व शोधांची आई आहे, बरोबर? आणि म्हणूनच, आपल्याला माहिती आहे की हे आमचे ग्राहक होते, हे आपल्याला माहिती आहे, आम्ही, आपल्याला माहित आहे, मूलतः स्थानिक विश्लेषण करीत होते आणि खरोखरच आम्ही कसे प्रारंभ केले, अवकाशाचे विश्लेषण करीत होते. आणि आपल्याला माहिती आहे, टॉमटॉम सारखा डेटा घेण्यासह आणि ड्राइव्ह-टाइम एनालिसिस करणे, आपण एक्सपर्शियन कडील होम डेटासह, तो डेटा अपलोड, आपल्याला माहिती, पाहू शकता. आम्ही खरोखरच तेच सुरु केले होते आणि जे आम्हाला आढळले तेच आमच्या ग्राहकांना तो सर्व डेटा एकत्रित करण्यासाठी एक व्यासपीठ आवश्यक आहे. आणि आम्ही त्यांना साधने दिली तर ते छानच ठरणार नाही. आणि म्हणूनच, ते खरोखरच अल्टेरेक्सची प्रेरणा होती.
आणि आपणास माहित आहे की गेल्या काही वर्षांमध्ये आम्हाला काय आढळले आहे हे आपल्याला माहिती आहे की डेटा प्रेप ही खरोखरच आपल्या विश्लेषणात्मक प्रवासाची पहिली पायरी आहे. तर तुम्हाला माहिती आहे की डेटा सायंटिस्टचा of० टक्के वेळ लागतो, तुम्हाला माहिती आहे की भविष्यवाणी करणारे विश्लेषण आणि डाटा सायन्सचे काम करणे डेटा प्रेप वर्क करण्यासाठी प्रत्यक्षात खर्च केले जाते आणि २० टक्के पेक्षा कमी प्रत्यक्षात विश्लेषण करतात आणि म्हणूनच आम्ही प्रयत्न करीत आहोत मात. आणि म्हणूनच, डेटा प्रेप ही आपल्या विश्लेषणात्मक प्रवासाची पहिली पायरी आहे. म्हणून आपण कोणत्याही प्रकारचे अहवाल देणे, प्रगत अहवाल देणे, भविष्य सांगणारी विश्लेषणे, संज्ञानात्मक विश्लेषणे पर्यंत सर्व काही करण्यापूर्वी, आपण अद्याप डेटामध्ये प्रवेश करू शकता, तरीही आपण ते तयार आणि मिश्रित केले आणि त्यास एकत्र खेचले. आणि हेच आम्ही या प्लॅटफॉर्मवर सोडवित आहोत. आणि त्या वापरकर्त्यांना कोड-मुक्त आणि कोड-अनुकूल मार्गाने सर्व गोष्टी करण्यास सक्षम बनविणे.
एरिक कवानाग: हं आणि मलाही ती संकल्पना खूप आवडली आहे: कोड-फ्री आणि कोड-अनुकूल. कारण आपल्याकडे बरेच कोड जॉकी आहेत, जे प्रचंड मूल्य जोडू शकतात, परंतु असे बरेच व्यवसाय वापरकर्ते आहेत जे कोडद्वारे स्पष्टपणे बंद केले आहेत. त्यापासून ते घाबरतात आणि त्यांना दोष कोण देईल? तर, वेन, मला वाटते की हे देखील एक छान वैशिष्ट्य आहे, एक छान दृष्टिकोन आहे. तेथे कोड-मुक्त आणि कोड-अनुकूल आहे, बरोबर?
वेन एकर्सन: अरे, अगदी. होय, हेच आहे की आपण अधिकाधिक लोकांना सेल्फ सेवेमध्ये आणता.
एरिक कवानाग: हं आणि स्वत: ची सेवा ही पुढची एक मोठी पायरी आहे आणि आज आपण ज्याविषयी चर्चा केली त्याबद्दल मला खरोखरच आवड आहे, म्हणूनच आपल्या प्रक्रियेद्वारे आपले विचार, आपले कार्य वाहते, आपले डेटा जीवन चक्र इत्यादीबद्दल खरोखर हे कसे होते. आणि त्या धोरणांना व्यासपीठावर बेकिंग करा, आपल्या मतानुसार, वेन, मानकीकरणाच्या आसपास काही समस्या आहेत, आपण थोडी लवचिकता गमावाल पण एकदा लोकांना वेड लागण्याच्या पद्धती समजल्या की आपण त्या प्रक्रियेचा खरोखरच मेंढपाळ घालता. -उपयोगकर्ते समजतात की त्यांना आता पाहिजे ते मिळू शकते. त्यांना आयटीवर थांबायची गरज नाही आणि यामुळे आयटी आणि व्यवसायातील लोक एकत्र कसे काम करतात याचा प्रकार बदलतो, मला वाटते खूप सकारात्मक मार्गाने, कारण आता आयटी सक्षमता म्हणून काम करू शकते, त्यांना द्वारपाल असण्याची गरज नाही तंत्रज्ञानावर ते जेवढे पूर्वी वापरत असत. आपल्याकडे काही मानक असल्यास, तितकेसे समर्थन नाही. तर आपण अधिक सहकार्यास प्रोत्साहित करता कारण तेच संपूर्ण लक्ष्य आहे, बरोबर?
म्हणून प्रथम जोशकडून आणि नंतर कदाचित वेनकडून टिप्पण्या बंद केल्याबद्दल.
जोश हॉवर्ड: नाही, मी म्हणालो, तुम्हाला माहित आहे, तुम्ही म्हणालेल्या सर्व गोष्टींशी मी सहमत आहे. आपणास माहित आहे की आम्ही यशस्वी होण्यासाठी आवश्यक ती साधने आयटी आणि व्यावसायिक वापरकर्त्यांना दिली. हे महत्वाचे आहे.तर, आम्हाला वाटते की अहवाल तयार करण्याच्या व्यवसायात आयटी असू नये. हे त्या व्यवसाय वापरकर्त्याकडे सोडले पाहिजे ज्याच्याकडे त्या व्यवसायाची माहिती आहे आणि त्यांनी वापरत असलेल्या डेटाचा डेटा आहे, परंतु हे नियमित पद्धतीने करा, तसेच आयटीसाठीही काम करणार आहे असे काहीतरी.
एरिक कवानाग: ठीक आहे, वेनकडून टिप्पण्या बंद करत आहेत.
वेन एकर्सन: होय, स्व-सेवा सुलभ करणे आणि खरोखरच शासनाच्या संस्कृतीचे विजेते बनणे आणि त्यांच्या फायद्यासाठी आणि संस्थेच्या फायद्यासाठी वापरकर्त्यांना त्यांचे स्वत: चे उत्पादन चालवायचे आहे या उद्देशाने आयटीची भूमिका बदलली आहे. म्हणजे, आयटीची भूमिका आहे - मला माहिती आहे की मला वाईट वाटते, कारण कधीकधी त्यांना तेथे जावे लागते आणि ते तयार करावे लागते, विशेषत: कायदेशीर आणि मानव संसाधनसारख्या व्यवसायात भाग घेणे, मी त्यापैकी काहीही करणार नाही. आणि निश्चितपणे आपल्याला क्रॉस-फंक्शनल एंटरप्राइझ असे काहीतरी हवे असेल तर आयटीशिवाय दुसरे कोण तयार करणार आहे? पण सर्वसाधारणपणे, होय, या सेवेच्या जगात भरभराटीसाठी आयटीला बदलले पाहिजे. त्याऐवजी त्यांना अधिक सहाय्यक भूमिकेत यावे लागेल.
जोश हॉवर्ड: होय, आणि मी असे मानतो की उत्क्रांतीच्या केंद्रांसह पुढील उत्क्रांतीसह आणि जिथे हे प्रकल्प आयटी किंवा व्यवसायाद्वारे चालत नाहीत, तर त्याऐवजी केंद्रीकृत संस्था आहेत. आपणास माहित आहे की, मुख्य डेटा अधिकारी आणि अशा प्रकारच्या प्रकल्पांमध्ये वाढ होत असल्याचे आपण पहात आहोत, जेथे त्या दोघांचा कारभाराचा दृष्टीकोन तसेच व्यवसायाचा दृष्टीकोन आहे. मला वाटते की तो डेटा आणि विश्लेषक संस्कृती तयार करण्यासाठी एक सर्वोत्कृष्ट परिस्थिती आहे आणि त्यातून काय घडेल हे पाहून मी उत्साही आहे.
एरिक कवानाग: होय, आमच्याकडे चॅटरूममध्ये येणा attend्या उपस्थितांकडून काही मिनिटांच्या काही टिप्पण्या आणि प्रश्नोत्तर देखील होते. मला ही टिप्पणी आवडली: आऊटपुट चालवतात, स्वयं-सेवा अहवाल योग्य आहे याबद्दल संदिग्धता नाही.
जोश हॉवर्ड: हो
एरिक कवानाग: होय, ही चांगली सामग्री आहे. हे सर्व सहकार्याबद्दल आहे, हे सर्व एकत्र काम करण्याबद्दल आहे आणि जोश, आपण देखील नमूद केले आहे की वापरकर्त्यांनी एकमेकांशी बोलण्याचे महत्त्व आणि त्याच गोष्टीवर अ‍ॅलट्रिक्स देखील केंद्रित आहे.
म्हणून, लोकांनो, आम्ही येथे थोडा लांब गेलो, परंतु आम्ही थोडासा उशीरा प्रारंभ केला, म्हणून आज मी आपला सर्व वेळ आणि लक्ष दिल्याबद्दल धन्यवाद देतो. आम्ही या सर्व वेबकास्टचे संग्रहण करतो, म्हणून आपल्या सहका with्यांसह मोकळ्या मनाने सामायिक करा.
आणि त्यासह आम्ही आपणास निरोप देऊ. व्हेनचे पुन्हा आभार आणि अर्थातच अ‍ॅलटेरिक्सकडून जोशचे आभार. लोकांनो, आम्ही पुढच्या वेळी आपल्याशी बोलू. काळजी घ्या. बाय-बाय.