टेकवे: होस्ट एरिक कवनाघ डेटा आणि विश्लेषणे, तसेच मुख्य डेटा अधिकारी (सीडीओ) आणि मुख्य विश्लेषक अधिकारी (सीएओ) च्या भूमिका जॅन अंडरवुड ऑफ इम्पेक्ट tiनालिटिक्स आणि निक ज्वेल ऑफ अ‍ॅल्टेरिक्स यांच्या भूमिकेबद्दल चर्चा करतात.
एरिक कवानाग: स्त्रिया व सज्जनो, नमस्कार आणि पुन्हा एकदा हॉट टेक्नॉलॉजीजच्या विशेष आवृत्तीत आपले स्वागत आहे. लोकांनो, हा एरिक कवानाग आहे, “आजच्या कार्यक्रमासाठी मी तुमचा यजमान होईन,“ द सीएक्सओ प्लेबुक: डेटा अँड अ‍ॅनालिटिक्सचे भविष्य. ”होय, मला म्हणायचे आहे की हा एक खूप मोठा विषय आहे. खरं तर, आम्हाला आज येथे एक रेकॉर्ड ब्रेक गर्दी मिळाली आहे. आज सकाळी आमच्याकडे 540 पेक्षा जास्त लोकांनी वेबकास्टसाठी नोंदणी केली आहे. आम्ही हे एका विशेष वेळी करत आहोत, आपल्यापैकी बर्‍याचजणांना आमच्या नियमित कार्यक्रमांसाठी माहित असते, आम्ही सामान्यत: हे पूर्वेकडील 4:00 वाजता करतो, परंतु आम्हाला तलावाच्या पलिकडे जाणा very्या अतिथींना सामावून घ्यायचे होते. आज मी सादरीकरणात योग्य गोती मारूया.
हे वर्ष खूप गरम आहे - हे अनेक प्रकारे खूप त्रासदायक वर्ष होते, मला असे वाटते की ढगाचा त्याच्याशी खूप संबंध आहे. मार्केटप्लेसमध्ये आम्ही ज्या तंत्रज्ञानाचा संगम करीत आहोत त्याचा संगम हा मुख्य ड्रायव्हर आहे आणि मी एसएमएसी म्हणतात तेव्हाच त्याबद्दल बोलतो. आम्ही एसएमएसी बोलत आहोत: सामाजिक, मोबाइल, ticsनालिटिक्स, क्लाऊड - आणि त्या सर्व गोष्टी एकत्र येतात. संस्था त्यांचे व्यवसाय करण्याचा मार्ग खरोखर बदलू शकतात. आपल्या व्यवसाय ऑपरेशनसाठी आणखी चॅनेल आहेत, विश्लेषित करण्यासाठी आणखी डेटा आहे. हे खरोखर एक रानटी जग आहे आणि आम्ही आज सी स्वीटमध्ये गोष्टी कशा बदलत आहेत त्याबद्दल बोलत आहोत, म्हणून मुख्य कार्यकारी अधिकारी, या संस्थांमधील वरचे लोक, सध्या संपूर्ण जग बदलत आहे आणि आपण त्याबद्दल बोलणे
खरोखर खरोखर शीर्षस्थानी आहे. आमच्याकडे आज इफेक्ट tiनालिटिक्सचे जेन अंडरवुड आणि निक ज्वेल आहेत, Alल्टेरेक्सकडून आघाडीवर तंत्रज्ञान लेखक आघाडीवर आहेत. ही खूप रोमांचक सामग्री आहे. मी काल रात्री ही संकल्पना घेऊन आलो, लोकांनो, आणि मला वाटते की ही खरोखर एक प्रकारची रोचक आहे. अर्थात, आपल्या सर्वांना संगीताच्या खुर्च्या माहित आहेत, मुलांसाठी खेळ जेथे आपल्याकडे या सर्व खुर्च्या मंडळात आहेत, आपण संगीत सुरू करता, प्रत्येकजण फिरणे सुरू करतो आणि एक खुर्ची खेचली जाते; जेव्हा संगीत थांबते तेव्हा प्रत्येकाला खुर्ची मिळविण्यासाठी ओरडणे आवश्यक असते तर त्या परिस्थितीत एक व्यक्ती आपल्या खुर्चीत गमावल्यास. सी स्वीटमध्ये आत्ता ही एक अतिशय विचित्र आणि आकर्षक गोष्ट घडली आहे आणि जर आपणास या प्रतिमेत येथे लक्षात आले तर आपल्याला मागे दोन रिकाम्या खुर्च्या मिळाल्या आहेत. थोडक्यात, एक खुर्ची संगीताच्या खुर्च्यांमध्ये अदृश्य होते आणि आजकाल आपण जे पहात आहोत त्या सी स्तरावर आणखी दोन खुर्च्या आहेतः सीएओ आणि सीडीओ, मुख्य विश्लेषक अधिकारी आणि मुख्य डेटा अधिकारी.
ते दोघेही टेक ऑफ करत आहेत. खरे सांगायचे तर मुख्य डेटा अधिकारी हे खरोखर वन्य अग्निसारखा बंद आहे, पण याचा अर्थ काय? याचा अर्थ असा की काहीतरी अतिशय लक्षणीय आहे. याचा अर्थ असा आहे की डेटा आणि विश्लेषणाची शक्ती इतकी महत्त्वपूर्ण आहे की बोर्डरूम, किंवा कार्यकारी खोल्या ज्या मी म्हणाव्यात, सी स्वीट्स बदलत आहेत - ते लोकांना सी सूटमध्ये जोडत आहेत, संपूर्ण नवीन अधिकारी यापैकी काही नवीन जागा भरत आहेत. एखाद्या संस्थेची संस्कृती बदलणे किती कठीण आहे याबद्दल आपण जर विचार केला तर ते एक अतिशय गंभीर सौदा आहे. संस्कृती ही बदलण्याची खूप कठीण गोष्ट आहे आणि चांगले व्यवस्थापन आणि चांगल्या कल्पना आणि त्या प्रकारच्या गोष्टीद्वारे सकारात्मक बदल घडविला जातो. विश्लेषणासाठी आणि डेटासाठी सी सुटमध्ये नवीन कार्यकारी अधिकारी जोडून आमच्याकडे आत्ता आपल्याकडे असलेल्या संधीबद्दल आपण विचार करत असाल तर ही खरोखर मोठी गोष्ट आहे. हे संघटनांना मार्ग बदलण्याची संधी सांगते आणि त्याचा सामना करू या, मोठ्या, जुन्या कंपन्यांना खरोखर बदलण्याची आवश्यकता आहे कारण बाजारपेठ कसे बदलत आहे.
मी सामान्यत: उबरची उदाहरणे देतो, उदाहरणार्थ, किंवा एअरबीएनबी अशी संस्था ज्याने संपूर्ण उद्योग विस्कळीत केले आहेत आणि सर्वत्र हे घडत आहे. आपण आज ज्या गोष्टींबद्दल बोलणार आहोत ती म्हणजे आपली संस्था कशी जुळवून घेऊ शकते, आपण तेथील लोकांना कसे माहिती देऊ शकता, ही अंतर्दृष्टी आपल्या व्यवसायाचा मार्ग बदलण्यासाठी आणि माहितीच्या अर्थव्यवस्थेत यशस्वी होण्यासाठी आहे.
त्यासह, मी वेबएक्सच्या किल्ली जेन अंडरवूडकडे सुपूर्द करणार आहे, आणि मग निक जेवेल देखील झपाट्याने चालणार आहे; तो अमेरिकेतून कॉल करीत आहे. तुमच्या दोघांचे आणि जेनचे आभार, मी ते तुमच्या स्वाधीन करणार आहे. घेऊन जा.
जेन अंडरवुड: धन्यवाद, एरिक छान वाटले. सर्वांना सुप्रभात. आज आम्ही या सीएक्सओ प्लेबुकबद्दल बोलणार आहोत; हे डेटा आणि विश्लेषणाचे भविष्य आहे आणि मी त्यामध्ये डुबकी मारणार आहे. हे इतके महत्त्वाचे का आहे याबद्दल बोलण्याचे काम एरिकने आधीच केले आहे. आमचे स्पीकर्स, आज, आपणास या माहितीसह दुसरी स्लाइड पाहिली आहे, परंतु या सत्रात आपण स्वत: आणि निक जेवेलने आपल्याशी संवाद साधत आहात. या भूमिका काय आहेत आणि त्या करण्याच्या मोहिमेवर असलेल्या गोष्टी कोणत्या प्रकारचे आहेत याचे वर्णन देऊन आम्ही उघडत आहोत. आम्ही industryनालिटिक्स उद्योग, सर्वसाधारणपणे दृष्टीकोन आणि या लोकांना तोंड देत असलेल्या काही आव्हानांकडे पाहत आहोत. आपण भविष्यासाठी तयारी करीत असताना आज संघटनांमधील गतिशीलता आणि नंतर आपण पुढील संस्थांबद्दल बोलू आणि आपल्याला आपल्या संस्थेतील या भूमिकांपैकी काही भूमिकांचा शोध घेणार असाल तर आपल्याला नियोजनासाठी मार्गदर्शन करणार आहोत.
या सीएक्सओबद्दल बोलणे, उदाहरणार्थ सीएओ, हे मुख्य विश्लेषक अधिकारी आहेत, जे वरिष्ठ व्यवस्थापकांसाठी नोकरीचे शीर्षक आहे जे संस्थेमधील डेटा विश्लेषणासाठी जबाबदार आहेत. कंपन्या ज्या प्रकारे त्यांच्या व्यवसायाचे निर्णय घेतात व घेतात त्या मार्गाने आपल्याकडे सध्या होत असलेल्या परिवर्तनाच्या वस्तुमान आणि त्याच्या डिजिटल परिवर्तनाबद्दल जेव्हा आपण विचार करता तेव्हा सीएओ सहसा सीईओला अहवाल देईल आणि ही वेगवान-उदयोन्मुख स्थिती निर्णायक असेल.
जर आपण डिजिटल ट्रान्सफॉर्मेशन आणि बुद्धिमत्ता हा डिजिटल ट्रान्सफॉर्मेशनचा मुख्य भाग असल्याबद्दल विचार करत असाल तर, सीएओ ही संस्थेमध्ये एक अतिशय सामरिक भूमिका आहे. ते केवळ वास्तविक अंतर्दृष्टी आणि त्या ज्ञानाकडे परत मजबूत डेटा विज्ञान आणत नाहीत, परंतु परिणामी आरओआय आणि परिणाम त्यांच्या मालकीचे आहेत, मग त्यांचे काय मोजले जाते? ते डेटा असलेल्या डेटासह आणि ते धोरणात्मक दृष्टिकोनातून डेटाच्या फायद्यासाठी संघटनेत काही तळाशी ओळ संख्या घेऊन ते कसे आणत आहेत. तंत्रज्ञान आणि डिजिटल रूपांतरण आणि डेटाचे मूल्य वाढत असल्यामुळे मुख्य माहिती अधिकारी सीआयओ यांच्यासह ते स्थान अधिक प्रसिद्ध झाले आहे.
आता कित्येक वर्षांपासून कमाई आणि बुद्धिमत्ता आणि या माहितीचे रूपांतरण यासह या विशिष्ट जगात डेटा सोने आहे. या सक्रिय कृती करण्यास सक्षम होण्यासाठी आणि नेहमीच मागे न पाहता, प्रति सेकंद. दोन पदे समान आहेत ज्यात ते दोघेही माहितीचा सौदा करतात, परंतु सीआयओ, प्रति सीआयओ माहितीच्या विश्लेषणासाठी आवश्यक असलेल्या पायाभूत सुविधांवर लक्ष केंद्रित करेल.अशीच स्थिती सीडीओ आहे आणि आपण बरेच काही ऐकू शकता, आज आपण सीएओबद्दल जे काही करता त्यापेक्षा आम्ही कदाचित सीडीओबद्दल थोडे अधिक ऐकतो. सीडीओ डेटा प्रक्रियेच्या संपूर्ण आयुष्यात डेटा प्रक्रिया आणि देखभाल आणि त्या कारभारावर अधिक लक्ष केंद्रित करते.
हे लोक डेटा कमाई करण्यासाठी आणि डेटामधून मूल्य मिळविण्यास आणि संपूर्ण आयुष्यामधील प्रशासन आणि सुरक्षा जीवन चक्रांच्या परिपक्वतावर कार्य करण्यासाठी जबाबदार असतील. ही अशी लोकं आहेत जी जीडीपीआर निश्चित करण्यासाठी जबाबदार असतील किंवा आम्ही याची खात्री करुन घेत आहोत - आणि आम्ही थोड्या थोड्या थोड्या वेळापूर्वी याबद्दल बोलू - युरोपियन डेटा प्रोटेक्शन Actक्ट, त्या प्रकारच्या गोष्टी त्यांच्या संस्थांमध्ये समाविष्ट केल्या आहेत याची खात्री करुन. आता, आम्ही व्यत्यय आणणार्‍या गतिशील डेटा-केंद्रित-भूमिकांसाठी रचना आणि भविष्य प्राप्त करीत आहोत. सीडीओ स्वतःच नव्हे तर स्वत: साठीच जबाबदार असतील अशा गोष्टींचे हे प्रकार आहेत - ते एक क्रॉस-फंक्शनल टीम तयार करणार आहेत, आणि माझ्याकडे काही लोकांची काही उदाहरणे आहेत जी प्रतिसे आर्किटेक्ट आणि गव्हर्नन्सच्या लोकांकडून संघटनात्मक रचना, आणि विश्लेषक आणि एखाद्या संस्थेतील डेटा वैज्ञानिक आणि अभियंतादेखील त्यांच्यापर्यंत येऊ शकतात.
विश्लेषणासाठी उद्योगाच्या दृष्टीकोनातून पुढे जाणे ही एक विलक्षण गोष्ट आहे - बहुधा दहा वर्षापेक्षा जास्त काळ - या विशिष्ट उद्योगात जा. ब constantly्याच वर्षापूर्वी झालेल्या बाजारपेठ क्रॅश दरम्यानही हे सतत वाढत आहे, अत्यंत उत्साहवर्धक आहे, अजूनही त्याला जास्त मागणी आहे. हे फक्त एक आश्चर्यकारक स्थान आहे आणि जर आपण २०१ in मध्ये गार्टनरकडून सीआयओचा अजेंडा पाहिला तर, बीआय आणि anनालिटिक्स अजूनही एखाद्या संस्थेसाठी सर्वात महत्त्वाच्या गोष्टीच्या पहिल्या तीन क्रमवारीत आहेत आणि सॉफ्टवेअर बाजाराच्या विकासाकडे पाहत असल्यास, आम्ही सतत आहोत तेथे वाढ पाहून. जोपर्यंत मी या जागेत होतो, तोपर्यंत खरोखरच एक चमकदार कारकीर्द आहे.
जेव्हा आपण या डिजिटल युगाकडे आणि परिवर्तनाकडे पाहतो तेव्हा आपल्याकडे असलेल्या या कार्यपद्धती काय असतात आणि बर्‍याचदा प्रक्रियेद्वारे किंवा व्यवसाय प्रक्रियेदरम्यान माहिती मिळवतात आणि कारवाई करतात. आता, गार्टनरने 2020 पर्यंत अंदाज लावला आहे की, आपण वापरलेली माहिती पुन्हा तयार केली जाईल, डिजिटल केली जाईल किंवा काढली जाईल. दहा वर्षांपूर्वी आमच्याकडे असलेली 80 टक्के व्यवसाय प्रक्रिया आणि उत्पादने आणि आम्ही ती पाहण्यास सुरूवात केली आहे ना? आम्ही हे पाहण्यास सुरवात करीत आहोत की Amazonमेझॉन श्लोकांसह कदाचित काही मोठे बॉक्स स्टोअर्स, उबर्स, एअरबीन्स - हे डिजिटल मॉडेल प्रक्रियेत अडथळा आणत आहेत आणि आता लोक संवाद साधत आहेत. जरी ब्लॅक फ्राइडे - मला माहित नाही की खरोखर किती लोक स्टोअरमध्ये गेले आहेत - बरेच लोक ऑनलाईन खरेदी करीत आहेत आणि आपण त्या ग्राहकापर्यंत कसे पोहोचता? हे करण्यासाठी बुद्धिमत्ता आवश्यक आहे. त्यांना योग्य वेळी योग्य ऑफर सादर करण्याची बुद्धिमत्ता असूनही संवाद साधण्याचा आणि वैयक्तिकृत करण्याचा हा एक वेगळा मार्ग आहे आणि आता कदाचित ते एका बटणावर क्लिक करेल. त्यांना आपले ऑनलाइन स्टोअर सोडणे इतके सोपे आहे. या जगात गोष्टी खरोखर बदलत आहेत आणि मला वाटतं की निक यांनाही याविषयी गप्पा मारण्याची इच्छा होती.
निक ज्वेल: होय, नमस्कार प्रत्येका, खूप खूप आभार. लंडनहून येणा the्या ऑडिओवर थोडा उशीर झाल्यास मी अगोदरच माफी मागतो, जेन, मी तुझ्यावर बोलू नये म्हणून प्रयत्न करेन.
आपण अगदी बरोबर आहात, कचरा निर्मूलन, डिजिटल परिवर्तनाचा एक भाग म्हणून त्या पुनर्वसनामुळे बर्‍याचदा संस्था बेस्पोक उत्पादनांमधून, कदाचित डिस्कनेक्ट केलेले अनुप्रयोग आणि अधिक मोकळ्या आणि कनेक्ट प्लॅटफॉर्ममध्ये जातात. जेव्हा आपली प्रक्रिया डिजिटल असते तेव्हा आपल्या डेटाचा शेवट-शेवटचा प्रवास पाहणे खूप सोपे होते. त्या प्रक्रियेस अनुकूल करण्यासाठी डेटा वापरुन आपण घेतलेल्या चरणांची खरोखरच परिष्कृत करा.
जर शक्य असेल तर स्लाइड पुढे जाऊया. जेव्हा जेव्हा डिजिटल ट्रान्सफॉर्मेशनची कल्पना येते, त्या संस्थेसाठी काय अर्थ आहे, असा अंदाज आहे की आपण ज्या स्पेक्ट्रमवर बसला आहात त्याच्या आधारावर एकतर रोमांचक किंवा धमकावणारा आहे. कंपन्यांचा आयुष्यक्रम आणि एखाद्या विघटनकारी प्रभावाचा परिणाम एखाद्या संस्थेच्या नशिबांवर कसा होतो हे दर्शविणारे येथे चार्टवर एक नजर टाका. जर आपण 1920 च्या दशकात एखादी कंपनी सुरू केली असेल तर दुसर्या कंपनीने आपल्याला अडथळा आणण्यापूर्वी आपल्याकडे सरासरी अंदाजे 70 वर्षे असतील. आजच्या मानकांनुसार एक सुलभ जीवन, कारण आज कंपनीला अवघ्या 15 वर्षांची व्यत्यय अस्तित्त्वात येईपर्यंत अस्तित्त्वात नाही. असा अंदाज आहे की आजच्या फॉर्च्युन 500 कंपन्यांपैकी सुमारे 40 टक्के कंपन्या, एस अँड पी 500 वर, यापुढे 10 वर्षात अस्तित्त्वात नाहीत. 2027 पर्यंत एस &न्ड पी 500 पैकी 75 टक्के जागा बदलली जातील, त्यामुळे व्यवसायाची चिंता करण्यापूर्वी संघटनांनी आज घेतलेले अर्धे आयुष्य खरोखरच संकुचित होत आहे. यशस्वी कंपन्यांना त्या डिजिटल इनोव्हेशन शर्यतीपुढे पुढे रहाणे आवश्यक आहे.
आज विश्लेषकांवर खरोखरच कोणीही प्रश्न विचारत नाही. हे डिजिटल व्यवसायाचे रूपांतर आहे. खरं तर, संघटना त्यांच्या रणनीतीच्या शीर्षस्थानी डिजिटल इनोव्हेशन ठेवत आहेत. त्या कंपन्या, ते जगातील पहिल्या पाच सर्वात मौल्यवान कंपन्या आहेत, जे जेन या दोन बाजारपेठेतील मूल्यांचे प्रतिनिधित्व करतात.
जेन अंडरवुड: होय, ते खरोखरच आश्चर्यकारक आहे. हे खरोखर बदलत आहे आणि वेगवान आहे. आमच्याकडे असलेले इतर डायनॅमिक आणि आम्ही याबद्दल बोलत आहोत, आता मला वाटते की आम्ही शेवटी ते पहात आहोत आणि संस्थांना डेटा स्रोतांची ही वाढीची भावना जाणवत आहे आणि हे केवळ संरचित डेटा स्रोतावरील डेटाचे विश्लेषण करत नाही. पुन्हा, आम्ही याबद्दल बोलत आहोत, आपल्याकडे निर्णय घेण्यासाठी यापैकी काही डिजिटल प्रक्रियेत फक्त एक क्षण आहे आणि या गोष्टी आरईएसटी एपीआय मधून जेएसओएनमध्ये येत आहेत, आम्ही असंरचित डेटाविषयी बोलत आहोत, लॉग फाइल्स आहेत की नाही, सर्व प्रकारच्या आहेत विविध प्रकारचे डेटा तसेच अत्यंत निरंतर वाढ.
निक ज्वेल: होय, जेन, म्हणून जसे आपण निदर्शनास आणता, विश्लेषक नेते डेटाच्या समुद्रात बुडतात. उच्च-मूल्याचे अंतर्दृष्टी मिळविणे, कदाचित विद्यमान किंवा नवीन विश्लेषक तंत्रांचे मिश्रण वापरणे खरोखर अंतिम लक्ष्य आहे, परंतु एक साधी आणि मूलभूत समस्या आहे ज्यासह आपण बर्‍याच संस्थांशी कार्य करीत आहोत, त्यांना खरोखर सामना करावा लागतो. आम्ही डेटा विश्लेषक आणि व्यवसाय व्यवस्थापकांशी बोलताना आम्ही सर्वेक्षण केले. त्यांनी त्यांच्या संस्थेत निर्णय घेण्यासाठी किती डेटा स्रोत वापरल्या हे विचारले आणि हे अगदी स्पष्ट आहे की गेल्या काही वर्षांत मूलभूत बदल झाला आहे. आयटी डेटा एकत्रित करण्यासाठी वापरत असे, डेटा वेअरहाऊसवर ढकलले, परंतु मी अंदाज करतो की आयटी गटांनी केलेली उत्कृष्ट कार्ये असूनही, केंद्रीकृत डेटा व्यवस्थापन तयार केले, विश्लेषक अजूनही विशिष्ट विश्लेषणात्मक डेटा सेट तयार करण्याचे काम करीत आहेत, परंतु त्यांना आवश्यक आहे व्यवसायाच्या प्रश्नाचे उत्तर द्या. खरं तर, फक्त 6 टक्के लोकांना त्यांचा सर्व डेटा एकाच ठिकाणी मिळाला आहे आणि बहुतेक विश्लेषकांना पाच किंवा अधिक स्त्रोतांकडून डेटा काढावा लागेल - स्प्रेडशीट, क्लाउड applicationsप्लिकेशन्स, सोशल मीडिया आणि अर्थातच, डेटा वेअरहाऊस विसरत नाहीत.
आता, बर्‍याच संस्था हे ओळखतात, परंतु बहुतेक संस्था ज्या गोष्टींबरोबर व्यवहार करत नाहीत ते म्हणजे वास्तविक मूल्य काढण्यापेक्षा डेटा व्यावसायिक त्यांचा डेटा चालविण्यास आणि शोधण्यात जास्त वेळ घालवतात ही साधी वस्तुस्थिती आहे. व्यवसायाद्वारे अंमलात येऊ इच्छित असलेल्या ही उच्च-कार्यनीतिक रणनीतिकात्मक समस्या नाहीत. परंतु मूलभूत समस्येकडे लक्ष न देणे म्हणजे संघटनांना, खरोखरच मूल्य-अंतर्दृष्टी प्राप्त करण्यापासून प्रतिबंधित करते. जेन?
जेन अंडरवुड: ते मनोरंजक आहे. याबद्दल मी नक्कीच वेगवेगळे अभ्यास पाहिले आहेत आणि हा भाग हा येथे आहे, जरी तो काळातील percent० टक्के आहे किंवा कोट्यवधी डॉलर्सने पुन्हा त्याच डेटाचे पुन्हा निराकरण केले आहे, अगदी संस्थेत अगदी अकार्यक्षमतेने. हे add this आणि हे २ percent टक्के वेळेचा अपव्यय आहे. हे माझ्यासाठी आश्चर्यकारक आहे की त्याकडे जास्त लक्ष दिले जात नाही.
यातील काही बाबींकडे दुर्लक्ष करून, मी काय म्हणतो की मी बाजाराला सामोरे जाईन आणि बर्‍याच वेळा जेव्हा मी उद्योगाच्या ट्रेंडबद्दल बोलतो, मला इंडस्ट्रीचे अनुसरण करणे आणि त्यावर सतत नाडी ठेवणे मला आवडते. एखाद्या ट्रेंडपेक्षा काहीतरी अधिक केव्हा आहे हे समजून घेणे महत्वाचे आहे, जेव्हा आपण खरोखर एक शक्ती बनणार आहे ज्यावर आपण लक्ष देणे आवश्यक आहे, आणि या आत्ता अव्वल तीन आहेत, ज्याकडे लक्ष देणे आवश्यक आहे. ही वेगवान वाढ आहे, प्रथम क्रमांकाचा नॉन-रिलेशनल डेटाबेसची वेगवान वाढ होय. मी फक्त एक JSON, क्वेरी करण्यास जास्त वेळ न घेण्याच्या या संपूर्ण संकल्पनेचा उल्लेख केला आहे, हा या प्रकारच्या नॉन-रिलेशनल परिदृश्यांचा प्रकार आहे जो ब growing्यापैकी वाढत आहे - मला असे वाटते की एका क्षणात माझ्याकडे येथे काही आकडे आहेत - वेगाने.
दुसरी गोष्ट म्हणजे मेघकडे चालू असलेली बदल. कॉल करण्यापूर्वी मी उल्लेख केला होता त्यापूर्वी मी एका मोठ्या टेक फर्ममध्ये जगभरातील उत्पादन व्यवस्थापक होतो आणि तीन वर्षांपूर्वी “आम्ही ढगात काहीही ठेवणार नाही” असे म्हटलेल्या गटांशी कठीण संभाषणे झाली. आम्ही ढगात जात नाही. ”आणि, दोन वर्षांनंतर, दोन वर्षांनंतर, हे गट पाहणे फारच मनोरंजक आहे, आता प्रत्येकाकडे क्लाऊड प्लॅन असल्याचे मी ऐकत आहे. मला वाटते प्रत्येकाचे ब्रॉड ब्रश विधान अत्यंत कठोर आहे, परंतु मी काय म्हणेन की, ढगविरोधी असलेल्या लोकांची मनोवृत्ती निश्चितच खूप कमी कालावधीत बदलली आहे, अगदी जगभरातील गटांशी मी बोलत असतानासुद्धा. या प्रकारच्या गोष्टी.
ऑटोमेशन, हे असे एक क्षेत्र आहे ज्याचा मला मोह झाला आहे आणि एक क्षेत्र ज्याला आपण नक्कीच बर्‍याच क्रियाकलाप आणि उत्कृष्ट क्रियाकलाप पहात आहोत. या वाया घालविलेल्या वेळेचा आणि आपल्या वेळेचा अयोग्य वापर केल्याबद्दल आम्ही यापैकी काही गोष्टींबद्दल बोलतो. जेव्हा मी एखाद्या संस्थेला मूल्य देण्याच्या विचारात असतो तेव्हा त्या क्षेत्रामध्ये स्वयंचलितपणे निश्चितच उत्साही असतो.
पुढील स्लाइड मी याबद्दल बोलणार आहे, आयडीसी चा हा अभ्यास आहे, ते बाजाराचे विभाग आणि वाढ पाहतात आणि खरोखर काय वाढत आहे यावर नाडी घेण्याचा खरोखर एक अद्भुत मार्ग आहे, आपले मित्र काय खरेदी करतात? त्यांना कोणत्या प्रकारच्या गोष्टींमध्ये यापुढे रस नाही? त्या प्रकारच्या गोष्टी आणि त्यांची रणनीती बनविणे.
आयडीसीनुसार जगभरातील बिग डेटा ticनालिलिटिका सॉफ्टवेअर मार्केटमध्ये 16 विभाग आहेत आणि त्या विभागातील अर्थाने आम्ही काही नावे बदल पहात आहोत. सतत विश्लेषक सॉफ्टवेअर, संज्ञानात्मक एआय सॉफ्टवेअर प्लॅटफॉर्म, शोध प्रणाली, यासह येथे काही नवीन श्रेणी जोडल्या गेल्या. हे बाजार विहंगावलोकन आडवे साधने, प्रीपेगेड अनुप्रयोग तसेच काही निर्णय समर्थन आणि निर्णय स्वयंचलित वापर प्रकरणांचा समावेश करते. पुन्हा, हा सोल्यूशनचा प्रकार असेल, जेव्हा आपण सीडीओबद्दल विचार करता, सीडीओची कॉन ठेवता, त्यांचा पोर्टफोलिओ जो डेटा इंटिग्रेशनपासून विश्लेषण व्हिज्युअलायझेशन, मशीन लर्निंग आणि अशा प्रकारच्या सर्व प्रकारच्या क्षमतांमध्ये व्यवस्थापित करतो. डिजिटल युग असणे
आयडीसीच्या म्हणण्यानुसार जगभरातील बाजारपेठेत सध्याच्या चलनाच्या बाबतीत 8.5 टक्के वाढ झाली आहे. एकूण बाजारपेठ 9.8 टक्क्यांनी वाढली आहे. याची तुलना केली गेली - दोन वर्षांच्या कालावधीत तुम्ही चलन चढ-उतार पहाल आणि रूपांतर कमीतकमी कमी आहे, परंतु मी त्या ठळक तीन प्रमुख विभागांना अधोरेखित केले, फक्त त्या संबंध नसलेल्या विश्लेषक डेटा स्त्रोतांसाठी भावना देण्यासाठी, 58 टक्के वर्षानुवर्षे वाढ, सामग्री विश्लेषण आणि शोध प्रणाली 15 टक्के आणि ग्राहक संबंध अनुप्रयोग, सीआरएम-प्रकारच्या गोष्टी किंवा सेल्सफोर्स आइनस्टाईन, उदाहरणार्थ, त्या 10 टक्क्यांहून अधिक वाढत आहेत, ते आत्ता 12 टक्के आहेत. मला असे वाटते की निकला यावर एक टिप्पणी देखील जोडायची होती.
निक ज्वेल: धन्यवाद, जेन. हे एक विलक्षण दृश्य आहे. मला वाटते की अ‍ॅलटेरिक्समध्ये आम्ही नेहमीच विश्वास ठेवतो की डेटा तयार करणे आणि मिश्रण करणे ही कोणत्याही विश्लेषक प्रणालीची नेहमीच एक मूलभूत क्षमता असेल, परंतु हे खरोखर कोणत्याही अधिक प्रगत विश्लेषणासाठी पाया आहे. आता, गेल्या काही वर्षांपासून, आपण उद्योगाबद्दल चर्चा करू या - कदाचित काही नवीन परस्परसंवादी दृश्यात्मक क्षमतांवर थोडा जास्त लक्ष केंद्रित केले असेल. ते सुंदर दिसतात कारण त्यांनी प्रतिबद्धता वाढविली आहे, अंतर्दृष्टी चालविली आहे, परंतु त्यांनी खरोखरच वर्णनात्मक विश्लेषणाच्या पलीकडे आम्हाला हलवले नाही.
पण, आता मला वाटते की लोक त्यांची दृष्टी थोडी जास्त सेट करीत आहेत, व्यवसायाची मूल्ये समजून घेण्यास सुरूवात करणार्‍या संघटना अशा अत्याधुनिक विश्लेषणेतून येणार आहेत जे आता मुख्य प्रवाहात प्रवेश करत आहेत. तिथे प्रश्न उद्भवतो, कसे, किंवा अधिक विशिष्टपणे, कोण? याने उच्च-मूल्याच्या विश्लेषणावर उडी घेतली; विश्लेषणात्मक प्रतिभेच्या कमतरतेचा मुद्दा खरोखर तीक्ष्ण आरामात टाकत आहे, आपण सहमत आहात?
जेन अंडरवुड: अगदी, आणि मला वाटते, मी नुकतेच ट्वीट केले आहे, काल रात्री मी अ‍ॅडोबच्या उपराष्ट्रपतींकडून खरोखरच एक आकर्षक टिप्पणी पाहिली, “मशीन लर्निंग ही टेबलची पध्दत बनली आहे,” असे लोक वाटले होते, आता ही गरज बनली आहे आणि हे मजेदार आहे. हे आणि फक्त एक लहान इतर लहान वेगळ्या कोनात पहात आहात. बरेच लोक, आम्ही यास उच्च-वाढीव क्षेत्र म्हणून नॉन-रिलेशनल ticनालिटिक्स स्टोअर आणि संज्ञानात्मक एआय, या मशीन शिक्षण, या उच्च-मूल्यांचे विश्लेषणे म्हणून पहायला सुरवात करीत आहोत. परंतु अद्याप दिवसाच्या शेवटी, सध्या सर्वात मोठा विभाग, ज्यामुळे आज बहुतेक खरेदी चालू आहेत, अजूनही या मूलभूत मध्ये आहे, मी काय म्हणेन, क्वेरी रिपोर्टिंग, व्हिज्युअल विश्लेषणापैकी काही, आणि ते अजूनही वाढत आहे आणि तेच आहे बरेच लोक तुमच्याकडे आधीच असे गृहित धरु शकतात - आवश्यक नाही. हे अजूनही दर वर्षी 6.6 टक्के वाढत आहे.
सीडीओ म्हणून - आणि मला ही स्लाइड दर्शविणे आवडते - मुळात असे म्हणायचे की जेव्हा आपण या नवीन भूमिकेत प्रवेश करत असता किंवा आपण एखाद्या संस्थेतील डेटा पहात असता तेव्हा ते अनागोंदी होते आणि मला वाटते की ही विशिष्ट स्लाइड खरोखरच एक करते छान काम - ही सर्व भिन्न संभाव्य क्षेत्रे आहेत जी आपल्याकडे डेटा असू शकतात. ते प्री-प्रीम असू शकतात, ते ढगात राहू शकतात, हे संकरित असू शकते, हे सर्वत्र आहे आणि ते खूपच जबरदस्त आहे - पुन्हा, ही आता संघटनेत सी-स्तरीय प्रकारची भूमिका आहे, आणि ही काही साधी किंवा साधी गोष्ट नाही. - या विशिष्ट जगात काही वेळा हे खूपच जबरदस्त आहे. हे असे जग आहे जे या सीडीओला नेव्हिगेट करणे आवश्यक आहे, मास्टर करण्यास सक्षम होण्यासाठी, मी काय म्हणेन, डेटाचे मूल्य वाढवितो.
या डिजिटल प्रक्रियेद्वारे किंवा कृतीची अंतर्दृष्टी बंद होत असताना, या सर्व भिन्न स्त्रोतांचे मूल्य वाढवितो आणि आपल्याकडे असलेले हे सतत चालू असलेल्या आव्हानांना पुढे ठेवत असतात. जर आपण कदाचित पाच वर्षांपूर्वी, दहा वर्षांपूर्वी विचार केला असेल तर आपण कदाचित यादी किंवा कृती घेऊन काही निर्णय घेण्यास भाग पाडल्याच्या वृत्तान्त आहेत, कदाचित ते साप्ताहिक, मासिक चालतील, तर ते दररोज किंवा रात्रभर बनले असतील कदाचित ताशी
आता आपण जे पाहत आहोत ते इंटेलिजेंट मशीन लर्निंग एम्बेडेड कृत्रिम बुद्धिमत्ता कार्यालये आहेत, निर्णय घेत आहेत आणि घटनास्थळी दुरुस्त्या करतात, म्हणूनच गोष्टींची इंटरनेट, काठावर असलेल्या आयओटी-एम्बेड केलेल्या विश्लेषणे या प्रणाली स्मार्ट आहेत आणि ही अल्गोरिदम करू शकतात सेल्फ-ट्यून करा आणि ते योग्य वेळी स्पॉटवर घेत असलेले काही निर्णय बदला. हे डिजिटल क्रांतिकारणे आणि या टच पॉइंट्ससह हे विशिष्ट गतीशील असलेले पाहणे फारच मनोरंजक आहे - जरी ते वाढले असले तरीही, कृती करण्याची वेळ कमी होत आहे आणि त्यानंतर या तंत्रज्ञानासाठी तंत्रज्ञान विकसित होत आहे.
निक ज्वेल: होय, जेन, अंतर्दृष्टीची वितरण कशी बदलत आहे यापैकी सर्वात मनोरंजक पैलूंपैकी एक आहे, जेथे विश्लेषक अंतिम वापरकर्त्याकडे येते. आम्ही जेव्हा एखादा गंभीर निर्णय घेतो तेव्हा आम्ही डॅशबोर्डवर जाण्यास सांगत आहोत, किंवा आम्ही असे म्हणत आहोत की त्या स्पर्धात्मक फायद्यासाठी, अंतर्दृष्टी, पुढील सर्वोत्तम क्रिया, थेट प्रक्रियेमध्येच उपलब्ध आहे? आणि आम्ही ज्या विश्लेषक मॉडेलबद्दल बोलत आहोत, त्याचे विविध स्रोत - पारंपारिक डेटा गोदामे, भौगोलिक स्थान, सोशल मीडिया, सेन्सर्स, क्लिकस्ट्रीम या सर्व गोष्टींकडून त्याचा आढावा घेण्याची आवश्यकता असू शकते - या सर्व डेटाचा निर्णयावर परिणाम होतो आणि त्यायोगे परिणामकारक परिणाम .
जेन अंडरवुड: आव्हान आणि बदल या थीमवर सुरू ठेवणे, आपल्याकडे सध्या काय आहे आणि मुख्य कार्यकारी अधिकारी यांनी आव्हाने स्वीकारणे आवश्यक आहे आणि यावर विजय मिळविण्याच्या मार्गाची आखणी करणे आवश्यक आहे जे कार्यक्षमतेने व्यवस्थापित करण्यासाठी आणि व्यक्तिचलितपणे विश्लेषित करण्यासाठी आपल्याकडे बराच डेटा आहे. लांब विलंब आहे; आम्हाला हे विलंब कमी करण्याची आवश्यकता आहे आणि आपल्याकडे असलेल्या डेटाचे मूल्य वाढविण्यासाठी आम्हाला एक मार्ग शोधण्याची आवश्यकता आहे. जगात डेटा सायन्स टॅलेन्टची कमतरता आहे आणि या अंतर्दृष्टी आणि आपण महासागराला डेटा म्हणून काय म्हणतो ते कव्हर करते. चांगली बातमी अशी आहे की आजच्या प्रत्येक क्षेत्रात मदत करण्यासाठी काही विस्मयकारक नावीन्यपूर्ण गोष्टी घडत आहेत आणि या आव्हानांना मदत करण्यासाठी तंत्रज्ञान आपल्याला कोणत्या ठिकाणी नेणार आहे हे पाहणे आश्चर्यकारक आहे.
मी हे पहात असतानाच, मी ग्राहकांशी बोललो तेव्हा किंवा यापैकी काही साधनांचा वापर करून गटांशी बोललो तेव्हा थोडा गोंधळ उडाला. काही क्लासिक आव्हाने आजही अस्तित्वात आहेत, विश्लेषणासाठी डेटा शोधण्याचा प्रयत्न करीत ते थोडे अधिकच तीव्र झाले आहे. काही शोध साधने, तेथील काही कॅटलॉग निश्चितपणे मदत करणार्‍या गोष्टी आहेत - आता आम्हाला शोधत आहे की केव्हा कॅटलॉग वापरायचे. तेथे काही भिन्न कॅटलॉग आहेत, म्हणून तेथे भिन्न ठिकाणे आहेत जी आपण डेटा संचयित करू आणि सामायिक करू शकता, म्हणून आम्ही शोधत असलेल्या कॅटलॉगला शोधण्याचा प्रयत्न करणे आवश्यक आहे.
दुसरी गोष्ट सहयोगाने सामायिक केली जात आहे. आम्ही त्या हार्वर्ड बिझिनेस रीव्ह्यू मधील एका अभ्यासाबद्दल बोललो, किती वेळ घालवला, मुळात नॉन-व्हॅल्यू-addडची कामे करणे, वेळ वाया घालवणे आणि ते किती महाग असू शकते. आपण सामान्य डेटा स्रोत सामायिक करण्यास आणि वापरण्यास सहकार्याने सक्षम असल्यास, लिपी आधीच विकसित केली गेली आहे, तर्कशास्त्र आधीच तेथे आहे, आपण त्यांना प्रभावीपणे शासन करू शकता, म्हणून विश्लेषणाच्या चपळाईने कारभाराचा समतोल साधू शकता, हेच आपण करण्याचा प्रयत्न करू इच्छित आहात आणि मी म्हणतो त्या जगावर नॅव्हिगेट करा, आमच्याकडे कोनाडी साधने आहेत, आमच्याकडे स्वयंचलित वर्कफ्लो साधने आहेत, आमच्याकडे क्लासिक एक्सेल आहे, डेटा कॅटलॉग आहेत, सेल्फ-सर्व्हिस बीआय आहेत, डेटा सायन्स टूल्स आहेत. एका चित्राने दाखवल्याप्रमाणे, त्यांच्या दरम्यान बरीच साधने आणि बरीच ओव्हरलॅप आहेत.
निक ज्वेल: होय, परिपूर्ण, जेन आणि मला वाटते की अंतर्दृष्टीची विंडो, जसे आपण नमूद केले आहे, ही खरोखरच संकोच होत आहे, परंतु प्रत्यक्षात मॉडेल तैनात करण्यास लागणारा वेळ कायम राहात नाही. अंदाजपत्रक मॉडेल तैनात करणे हे बर्‍याच कंपन्यांसाठी एक मोठे आव्हान आहे. आम्ही कार्ल रेकरशी बोलत आहोत जो रेक्सर ticsनालिटिक्सचे अध्यक्ष आहे, आणि कार्लच्या २०१ data च्या डेटा विज्ञान सर्वेक्षणात, त्यांना आढळले की केवळ १ percent टक्के डेटा शास्त्रज्ञ म्हणतात की त्यांचे मॉडेल्स नेहमी तैनात असतात, आणि हे तैनात करण्याचे प्रमाण सुधारत नाही, म्हणून आम्ही मागील प्रत्येक सर्वेक्षणात परत जा. खरं तर, २०० to मध्ये परत जाताना, जेव्हा प्रथम प्रश्न विचारला गेला आणि आम्हाला जवळपास एकसारखे परिणाम दिसू लागले, म्हणून आम्हाला वास्तविक अंतर सापडले.
जेन अंडरवुड: जेव्हा आपण विश्लेषण परिपक्वता पाहतो तेव्हा ती वेगाने प्रगती करत आहे. पुन्हा, दोन, तीन वर्षांपूर्वी, आम्ही व्हिज्युअल सेल्फ-सर्व्हिस विश्लेषण केल्यामुळे आणि शेवटी लवचिक आणि बीआय जनतेपर्यंत विस्तारित झाल्याबद्दल आम्हाला खूप आनंद झाला. जेव्हा मी जनतेला म्हणतो, बहुधा अजूनही संस्थेत वापरकर्त्यांची शक्ती असते. आता आम्ही ऑप्टिमायझेशन, भविष्यसूचक विश्लेषणे, सखोल शिक्षण, नैसर्गिक भाषा, इतर अनेक तंत्रज्ञान पहात आहोत जे खरोखरच दररोजच्या प्रक्रियेत अंतर्भूत आहेत, अखेरीस खरोखर जनतेसाठी, खर्‍या जनतेसाठी वापरण्यासाठी विश्लेषकांचे लोकशाहीकरण खरोखर अखंडपणे करेल त्यांच्याकडे आधीपासून असलेल्या विद्यमान व्यवसाय प्रक्रिया
निक ज्वेल: हं, जेन, मी करू शकलो तर शेवटच्या श्रेणीबद्दल एक द्रुत कहाणी बोलू या. आज कॉलवर असलेले बरेच श्रोते Google दीपमाईंडच्या अल्फागो सॉफ्टवेअरशी परिचित असतील, गेल्या काही वर्षांत जगातील काही सर्वोत्कृष्ट गो खेळाडूंचा पराभव केला. पूर्वीच्या रेकॉर्ड केलेल्या सामन्यांच्या प्रचंड खंडांचा अभ्यास करून अल्फागो गेम खेळण्यास शिकला. इतके की अल्फागो टूर्नामेंटच्या भाष्यकर्त्यांनी असा दावा केला की सॉफ्टवेअर जपानी ग्रँड मास्टरच्या शैलीत खेळले आहे, त्यावर विश्वास ठेवा किंवा नाही.
पण, गेल्या महिन्यात, जवळजवळ अधिक आश्चर्यकारक निकाल नोंदविला गेला. हा अल्फागो शून्य, खोल शिक्षण, मज्जासंस्था नेटवर्क, गेमच्या सोप्या नियमांशिवाय आणि ऑप्टिमाइझ्ड फंक्शनपेक्षा अधिक सशस्त्र होता. हे कोणतेही प्रशिक्षित प्रशिक्षण न घेता स्वत: ला जगातील सर्वात मजबूत गो खेळाडू होण्यासाठी शिकवले आणि सुमारे 40 दिवसांत हे सर्व केले. हे तथाकथित मजबुतीकरण शिक्षण, जेथे मानवांनी आव्हान परिभाषित केले आहे, खोल शिक्षण प्रणाली एक्सप्लोर करू द्या, सुधारू द्या, खरोखर विश्लेषक जागेत अद्याप सर्वात मोठा परिणाम होऊ शकेल. तर, माझ्या मते, रहा.
जेन अंडरवुड: होय, हे खरोखर उल्लेखनीय आहे की आपण त्याचा उल्लेख केला आहे. आपण वगळण्याची कल्पना करू शकता? आणि हेच मी पाहण्यास सुरूवात करीत आहे. खरोखर, जेव्हा मी ऑटोमेशनबद्दल बोलतो, तेव्हा हवा स्वच्छ करण्याच्या उपायांसाठी स्मार्ट, स्वयंचलितपणे आपोआप शिकणे, प्लग करणे आणि प्ले करणे आणि मागील काही निर्णय घेतलेल्या किंवा इतर निर्णयांच्या आधारे पुढील काय करावे हे माहित असणे आवश्यक आहे. जे संस्थेमध्ये तयार केले गेले आहे आणि यापैकी काही प्रणाली, ईटीएल प्रणाली व्यवस्थापित केल्या आहेत आणि त्यांची काळजी घेतली आहे, आणि प्रक्रिया चालू नसताना मला दिवसभर बीपर आणि फोनद्वारे सतर्कतेसह कॉल केले होते, विचार करणे इतके आश्चर्यकारक आहे, "व्वा, आता हे स्वत: ची बरे होण्यासाठी पुरेसे स्मार्ट आहे."
माझे पती एक स्वत: ची उपचार करणारी ग्रीड व्यवस्थापित करतात, आमच्याकडे स्वत: ची उपचारांचा डेटा एकत्रीकरण, स्वत: ची उपचार करणारी विश्लेषणे आणि जिथे हे चांगले आणि चांगले होते तिथे खरोखर रोमांचक आहे. सीडीओ म्हणून जेव्हा आपण लोक तंत्रज्ञानावर प्रक्रिया करण्याबद्दल विचार करण्यास प्रारंभ करता, तेव्हा आम्ही तंत्रज्ञानाकडे पहात आहोत, मग आपण लोकांकडे कसे आहोत आणि आपला कार्यसंघ आणि इमारत कशी बनवावी याकडे लक्ष देऊ. कौशल्ये. जर आपण आधुनिक platformनालिटिक्स प्लॅटफॉर्मकडे पाहिले तर मी लगेचच सांगेन, प्रत्येकाकडे सर्व काही येथे असणार नाही, जरी सर्वात मोठ्या संस्थांमध्ये हे सर्व भिन्न घटक असू शकतात, तथापि, काही गटांमध्ये फक्त दोन किंवा तीन लहान बॉक्स असू शकतात येथे आहे, म्हणून मला यासह लोकांना अभिभूत करू इच्छित नाही. परंतु आधुनिक बीआय प्लॅटफॉर्मला आयटी बिल्डची आवश्यकता नसते, पूर्वनिर्धारित रिपोर्टिंग सिमेंटिक लेअर.
वापरकर्त्यांनी आणि तज्ञांना फक्त विश्लेषणात्मक गती आणि चपळतेसाठी डेटा तयार करण्यास सशक्त केले पाहिजे आणि आपण विषय आणि तज्ज्ञांच्या नेतृत्वात विश्लेषकांच्या चपळाईला धरुन आपण काय म्हणू शकतो याचा विचार केल्यास, त्यांना आवश्यक आहे द्रुत निर्णय घ्या. आम्ही काय म्हणेन त्याचा वैयक्तिक वापर, वैयक्तिक डेटा तयार करण्याचे साधन, डेटाचे विघटन, संवर्धन, शुद्धीकरण, अ‍ॅलट्रॅक्स करीत असलेल्या क्रियाकलापांचे प्रकार तसेच काही विज्ञान-विज्ञान क्रियाकलाप जसे ते देऊ करतात अशा गोष्टींचा आम्ही स्वीकारत आहोत. चांगले. आधुनिक तयारीचे समाधान, ते आपल्याकडे मोठी डेटा पाइपलाइन असते तेव्हा अतिशय मस्त, बुद्धिमान, स्वयंचलित सामील होते, हवेचे रिझोल्यूशन, डेटा बदलणे, देतात. हे कदाचित, पुन्हा, मला आवडते अशा क्षेत्रांपैकी एक आहे आणि उद्योगात चाचणीचा आनंद घेत आहे.
पारंपारिक आयटी-नेतृत्वाखालील बीआयच्या विपरीत, आयटी आज खरोखर व्यवसाय सक्षम करण्यावर लक्ष केंद्रित करीत आहे आणि आपल्याकडे सीडीओसारखे लोक येत आहेत आणि एकत्रितपणे किंवा ऑर्केस्ट्रेटसाठी योग्य उपाय निवडत आहेत, हा डेटा आयोजित आणि एकत्रित करतात आणि निश्चितपणे खात्री आहे की, ते आहे शासित, बरोबर? माझ्यासाठी एक गोष्ट अतिशय मनोरंजक आहे आणि मला खात्री आहे की आम्ही याचा अनुमान लावला आहे, परंतु मला असे वाटत नाही की आम्ही फक्त हे स्पष्टपणे सांगितले आहे, एक आकारात फिट-सर्व डेटा वेअरहाऊसचे दिवस शेवटी सर्व असू, नक्कीच संपले आहेत. डेटा सर्वत्र आहे, आपल्याला तयार करणे आवश्यक आहे - डेटा तलाव चित्रात आले आहेत, प्रवाह आहे आणि थेट डेटा आहे, आता बरेच भिन्न डेटा स्रोत आहेत, हे खरोखर केस-बेस्ड आहे, “आपल्याला कशाची आवश्यकता आहे?” या वचनात “आम्हाला डेटा वेअरहाऊसमध्ये सर्व काही मिळवायचे आहे.” मला खात्री नाही, निक, तुला यावर टिप्पणी द्यायची आहे का? मला आठवत नाही.
निक ज्वेल: मी फक्त एक गोष्ट सांगेन आणि ते फक्त आहे, घटकाची उत्क्रांती पहा. पाच ते दहा वर्षांपूर्वी तज्ञांनी जे केले ते आता वापरकर्त्याच्या हाती आहे, म्हणून तिथे उजव्या बाजूला असलेल्या गोष्टी वापरकर्त्यासाठी ड्रॅग-अँड-ड्रॉप कोड-फ्री फॉर्ममध्ये अधिक प्रचलित होणार आहेत, लवकरच हे वेगवान आणि वेगवान होईल, म्हणूनच त्यावर लक्ष ठेवा.
जेन अंडरवुड: होय, तो खरोखर चांगला मुद्दा आहे. मला त्याबद्दल विचार करायला आवडेल. भिन्न डेटा विज्ञान, हे शेवटी एक वास्तव बनत आहे आणि साधने बरेच चांगले होत आहेत. तंत्रज्ञानाचा विचार करता, आता आपल्याकडे कौशल्य आणि लोक असणे आवश्यक आहे आणि आपल्याला काय करण्याची आवश्यकता आहे? आत्ता सर्वोत्कृष्ट नोकरी, त्यात डेटा वैज्ञानिक, डेटा अभियंता आणि व्यवसाय विश्लेषक यासारखे शीर्षक आहेत, परंतु आम्हाला जे शोधत आहे ते म्हणजे मालकांना स्वतःला सामना करणे खरोखर कठीण वाटले. अगदी डेटा प्रेप स्पेसमध्येही मी असे म्हणेन की, “हा डेटा प्रीप आहे का, हा डेटा फिरत आहे, लोक त्याला कोणत्या अटी म्हणतात?” हे शोधणे फारच रंजक आहे.
व्यवसायाला त्यांना कशाची आवश्यकता आहे हे माहित नाही आणि हे संपूर्ण नवीन उदयोन्मुख फील्ड आहे जे बर्‍याच वेगवेगळ्या क्षेत्रांमध्ये विस्तारेल. जर आपण आता प्रत्येकाला त्यांच्या डेटा, व्यवसाय विश्लेषणे, आयटी प्रोजेक्ट मॅनेजर्स, पॉवर ग्रिडचे व्यवस्थापन आणि प्रकल्पांचे एक पोर्टफोलिओ व्यवस्थापित करणारे माझे पती आवश्यक आहेत तर हे विश्लेषित करण्यास सक्षम असणे आवश्यक आहे. हे केवळ वित्तपुरवठा आणि डेटा विश्लेषण इतकेच नाही, तर त्या संस्थेच्या इतर क्षेत्रात खरोखर विस्तृत आहे. मला वाटते की मी किती डेटा स्त्रोत विपणन वापरते याबद्दल अभ्यास पाहिले आणि ते जबरदस्त होते. पुन्हा, जेव्हा आपण हार्वर्ड बिझिनेस रिव्युद्वारे केलेल्या अभ्यासाबद्दल विचार करता, तेव्हा हा डेटा डेटा स्त्रोत नसतो की लोकांना मॅश करून एकत्र विलीन करावे लागेल आणि त्यापासून अंतर्दृष्टी मिळवावी लागेल, हे बरेच डेटा स्रोत आहेत आणि असे करण्यासाठी कौशल्य आवश्यक आहे.
जेव्हा आपण मूलत: मोठे चित्र येथे पाहता तेव्हा बहुतेक नवीन भाड्याने तळाशी असलेल्या या गुलाबी बबलमध्ये जेव्हा आपण डेटा खाण विश्लेषक, एचआर व्यवस्थापक, या क्षेत्राशी या क्षेत्रातील फक्त नियमित भूमिका घेतो तेव्हा या व्यवसाय विश्लेषकांबद्दल बोलता. डेटा वापरुन व्यवसायाचा. सर्वात वेगाने वाढणार्‍या भूमिकांमध्ये कमी नोकर्या असतील, परंतु आज आपण ज्या गोष्टी बाजारपेठेत सर्वात जास्त ऐकत आहात ते डेटा वैज्ञानिक आणि डेटा अभियंता आहेत. सीडीओ म्हणून, ते पहात आहेत आणि आपण प्रतिभेची आखणी करीत आहात, आपल्याला काही कार्ये स्वयंचलित करणे आणि कौशल्य कोणत्या प्रकारचे अधिक मोक्याचा असेल यावर घटक बनविणे आवश्यक आहे आणि पुन्हा, आपल्या संस्थेसह या दोन्हीसाठी मूल्य जोडा जे विश्लेषणे सक्षम आहेत परंतु डेटा विज्ञान आणि डेटा अभियंता लोकांसाठी देखील आहेत. जेव्हा आपण सर्वोत्कृष्ट आणि प्रतिभावान स्पर्धेत उतरण्यासाठी विचार करता तेव्हा आपली अनपोस्ट केलेली स्थिती आणि अगदी काही स्वतंत्र अर्थव्यवस्था कशी बदलू शकते याचा विचार करा.
आणि नेहमीच आपल्या टॅलेंट पाइपलाइनबद्दल देखील विचार करा, बाजाराला नेव्हिगेट करण्यासाठी उमेदवारांना मदत करणे किंवा आपल्याला थोडेसे वेगळे वाटेल अशा गोष्टी शोधत रहा आणि घरातील विश्लेषणाचे कोर्स तयार करा जे कदाचित सर्वात वेगवान, सर्वात जास्त असू शकत नाही आपल्यासाठी सुरू ठेवण्यासाठी स्वस्त-प्रभावी धोरण या किंवा भिन्न गटांवर प्रशिक्षण देण्यासाठी समर्पित लोकांना पहाण्याचा विचार करा आणि माझा विश्वास आहे की आज सत्राच्या शेवटी अ‍ॅलट्रेक्सने शिफारस केलेल्या अभ्यासक्रमाची अंमलबजावणी केली आहे की आपण यापैकी काही गोष्टींसाठी फायदा घेऊ शकता आणि आपल्या कार्यसंघांना फायदा करण्यास मदत करू शकता आधीपासूनच उपलब्ध असलेली काही विद्यमान संसाधने.
निक ज्वेल: अगदी. शस्त्राच्या शर्यतीत अडकून न पडता प्रतिभा अंतर भरुन ठेवण्याचे बरेच मार्ग आहेत. परत स्लाइड्सची दोन जोड, आपण तिथे काही फ्लिप करण्यास सक्षम असल्यास मला माहित नाही. कागगल, डेटा विज्ञान स्पर्धा साइट, त्यांनी नुकतेच डेटा सायन्सच्या राज्याभोवती असलेल्या 17,000 प्रतिसादांसह एक सर्वेक्षण सोडला आणि लोकांच्या कौशल्यांच्या आसपास केलेल्या सर्वेक्षणातून खरोखरच एक रंजक प्रतिसाद मिळाला आणि बहुसंख्य उत्तरस्थांना पीएचडी नव्हती , ही आता पूर्वीची पूर्व शर्ती नाही.
पुढील पिढीचे विश्लेषक तज्ञ, आपण नुकतेच दर्शवित असलेला मोठा बबल, नॅनो-पदवी अभ्यासक्रमांमधून त्यांना आवश्यक ज्ञान प्राप्त करू शकतात. ते उदॅडिटीसारख्या साइटवर जाऊ शकतात आणि हे ज्ञान त्वरित तैनात करू शकतात, थेट व्यवसायात, अल्प-केंद्रित डिलिव्हरी चक्र त्यांना त्यांच्या कंपन्यांसाठी स्पर्धात्मक आगाऊ त्वरित स्रोत बनवते. म्हणून काहीतरी लक्षपूर्वक पाहावे, मला वाटते.
जेन अंडरवुड: नाही, मी सहमत आहे. जरी मी त्याबद्दल विचार केला तरीही, मी यूसीएसडी येथे दोन वर्षाचा कार्यक्रम घेतल्यामुळे नक्कीच बराच पल्ला गाठायचा आहे. हे परत आले, मला वाटते, २००,, २०१० चा टाइमफ्रेम आणि देशात असे काही मुळी मुळे होते ज्याने तुम्हाला असे करण्याची परवानगी दिली. आता सामान्यपणे बरेच अधिक पर्याय आहेत, तसेच वैशिष्ट्यीकृत प्रोग्राम, जरी ते विक्रेत्यांमार्फत आहेत की नाही, लूप्ससह आणि आज या सर्व भिन्न ऑनलाइन संसाधनांसह बरेच स्त्रोत उपलब्ध आहेत, हे आश्चर्यकारक आहे, ही खरोखरच वेळ आहे. वेळ काढणे आणि ते बजेट करणे आणि चालू ठेवण्यासाठी स्वतःचे वेळापत्रक. तुम्हाला काय शिकायचे आहे? आणि मग आपण शिकू इच्छित त्या मार्गाचा अनुसरण करा.
हे पाहण्याबद्दल आणि आपल्या स्वतःच्या कौशल्यांबद्दलची योजना एकत्रित ठेवण्याबद्दल आणि सीडीओच्या संभाव्यतेकडे लक्ष देऊन, मी कशाप्रकारे सक्षम असलेल्या चौकटीत म्हणतो, त्यावरून कौशल्ये पाहताना किंवा डोमेन ज्ञानासारख्या गोष्टींकडे पाहत असलेल्या क्षेत्रांमध्ये त्यांचे लोक आहेत याची खात्री करुन घेणे. अद्याप खरोखर की आहे, जरी ही निराकरणे स्वत: ची ट्रेन आणि स्वत: ची शिकू शकतात, तरीही हे खरोखर एक व्यवसाय विषय तज्ञ आहे जे मार्गदर्शन करेल आणि सुनिश्चित करेल की परिणामांना अर्थ प्राप्त होईल.
तेथे नेहमीच काहीतरी असते आणि मी विमा कंपनीसाठी समालोचक विश्लेषण करीत असताना आणि अल्गोरिदममध्ये सापडलेला एक शोध न्यू यॉर्कमधील कोणालाही कामावर न घेण्याचा होता. बरं, नाही, आम्ही न्यूयॉर्कमधील कोणालाही नोकरीवर घेणार नाही - अल्गोरिदम आम्हाला ही माहिती का देत आहे हे आम्हाला शोधायला हवे. कारण कायदेशीर, एक कायदा बदलला होता आणि म्हणून त्या विशिष्ट विभागात आमच्याकडे बरेच मंथन होते. हे समजून घेण्यासाठी एका व्यवसायातील विषयातील तज्ञ आणण्याची गरज होती आणि हे बदलताना मला दिसत नाही, असे मार्गदर्शन करतांना दिसत नाही, परिणाम अचूक दिसतात याची खात्री करून घेतो, काहीतरी निष्फळ होते - हे अद्याप आहे , मानवी मनाचे काहीतरी आहे असे म्हणतात, यंत्राच्या सामर्थ्याने एकत्रित केलेले सौंदर्य, खरोखर आपण जिथे जात आहोत तिथे आहे.
जेव्हा आपण कौशल्य, व्हिज्युअलायझेशन, डेटामधील प्रभावी कथा सांगत असताना, मशीन मशीन आउटपुट आहे की नाही हे प्रभावी कथा सांगत असताना इतर प्रकारच्या गोष्टी. एकत्र ठेवणे आणि त्याचा काय परिणाम होतो हे पाहणे, निर्णय घेण्याचे मानवी स्वभाव समजून घेणे, तंत्रज्ञानाची पर्वा न करता अशा प्रकारच्या गोष्टी फार महत्वाच्या आहेत. शासन करणे खरोखर महत्वाचे आहे, नीतिशास्त्र अधिकाधिक महत्त्वपूर्ण होत चालले आहे. सामाजिक वैज्ञानिक सामील आहेत, हे समजून घ्यावे आणि आपल्या डेटामध्ये बाईसेस आहेत की नाही हे पाहण्याचे प्रशिक्षण दिले आहे जे आपल्याला माहितही नाही किंवा संस्थेत असे कोणीही नाही जे कदाचित त्यास ओळखू शकणार नाही, अगदी त्यांना तज्ञात आणून देईल , अशा प्रकारच्या गोष्टी येत आहेत.
आणि पुन्हा, अर्थातच अभियांत्रिकी आणि हार्डवेअरची पायाभूत सुविधा आहेत आणि आपण मोजमाप करू शकता याची खात्री करुन आणि ते विकसित केले आहे आणि आपण योग्य क्लाउड प्रदाता वापरत असल्याचे सुनिश्चित करीत आहे, कदाचित आपण लॉक केलेले नाही किंवा आपल्याकडे हलविण्याचे पर्याय आहेत किंवा ते आपल्याला किती किंमत मोजावी लागेल याची किंमत आपल्याला समजते. हे या प्रकारचे कौशल्य आहे आणि जेव्हा आपण याकडे लक्ष द्याल तेव्हा आम्ही त्यास वेगवेगळ्या क्षेत्रांद्वारे कौशल्या म्हणू, मग ते डेटा-आधारित फ्रंटलाइन निर्णय घेणारे असो - यापैकी बहुतेक भूमिका या डेटा-अभियंते आणि डेटा शास्त्रज्ञांपर्यंत पोहोचतील या महासागरांमध्ये डेटा मालिश आणि कार्य करीत रहा. हे अशा प्रकारच्या गोष्टी आहेत ज्यासाठी आपण फ्रेमवर्क एकत्र ठेवू इच्छित आहात.
सक्षमतेच्या चौकटीकडे पहात आपण सर्वसाधारणपणे एखाद्या संस्थेकडे पाहता, आपल्याला केवळ कौशल्यांचाच नव्हे तर कर्तृत्वाचा विचार करायचा असतो. आपण हे पहात असताना शब्दात थोडासा त्रास होतो. आपल्या संस्थेसाठी एक सक्षमता फ्रेमवर्क एक स्पष्ट संकेत आहे. युद्ध धोरण तयार करणारे, शिक्षण देणारे, जेव्हा कौशल्य म्हटलेले असेल, आर अंतर्गत टाइप केले असेल, तेव्हा आपण त्या प्रकारच्या गोष्टींबद्दल विचार करता, आपल्याकडे एक सक्षम कोडर आहे, परंतु आपल्याला त्या कौशल्यांपेक्षा अधिक कौशल्य हवे आहे. जेव्हा आपण कार्यक्षमता समजता, तेव्हा एखाद्या व्यक्तीने चौकटीत काय सक्षम केले पाहिजे आणि ते समजून घेतले पाहिजे, हे महत्वाचे आहे, तेथे थोडासा उपद्रव आहे.
आपण हे तयार करीत असताना, आपल्याला व्यवसायावर सकारात्मक प्रभाव पडत असलेल्या क्षमतांना काय म्हणायचे आहे हे निदान करायचे आहे आणि त्या उच्च-संभाव्य क्षेत्राला ठळक करणे आवश्यक आहे, जेणेकरून आपण आपल्या संस्थेमध्ये उन्नत होऊ इच्छित असलेल्या दक्षता कोणत्या आहेत यावर प्राधान्य देत आहात आणि तर व्यवसायाच्या उद्दीष्टांसह त्या पुन्हा संरेखित करा. डेटाचे मूल्य वाढविण्यासाठी जबाबदार असलेले सीडीओ, ते पाहतील आणि त्यांचे सीएओ, जे डेटाचे मूल्य वाढविण्यासाठी विश्लेषण वापरणार आहेत. माझ्याकडे असलेल्या मागील ग्रीडवर ते त्यातील क्षमता आणि ती भिन्न क्षेत्रे पाहतील परंतु नंतर ते कर्मचार्‍यांच्या उच्च संभाव्यतेकडे देखील पाहतील. आपण डेटा आणि workनालिटिक्सच्या कामासाठी आपल्या कर्मचार्‍यांसह आणि त्यात गुंतवणूकीचा संदर्भ देत आहात, त्यांना फक्त प्रशिक्षणच नाही तर वास्तविक व्यवसायातील समस्यांवर कार्य करणारी वास्तविक संधी उपलब्ध करुन देण्याची संधी उपलब्ध करुन द्या.
यापेक्षा आणखी चांगले काहीही नाही - जरी मी काही वर्षे शाळेत गेलो, परंतु मी यापैकी काही अल्गोरिदम लागू केल्याशिवाय किंवा धनादेशाबद्दलच्या फसवणूकीबद्दल शिकलो नाही, अशा गोष्टींपैकी मी यापूर्वी कधीही विचार केला नव्हता आणि आपण वास्तविक जगात एकत्र येणे सुरू करा आणि तेच आपण खरोखर शिकता. लोकांना या क्षेत्रात अनुभव मिळवण्याची संधी देणे. ज्या कंपन्या सशक्त क्षमता तयार करण्यास सक्षम आहेत, ज्या पद्धतशीरपणे ओळखतात, उद्दीष्ट आकलन करतात आणि माझ्या संस्थेत लोकांना शिकण्यासाठी काही मॅट्रिक्स शिकण्याची आणि त्या स्थानासाठी असलेल्या अंतरांबद्दल शोधत आहेत, त्या सक्षम कंपन्या सक्षम होणार आहेत. वितरित करण्यासाठी.
जेव्हा आपण प्रौढांना प्रशिक्षण देण्याचा विचार करता तेव्हा पुन्हा, सहसा हा उपासमारीचा काळ असतो - आम्ही सर्व वेळ उपाशी राहतो - परंतु प्रत्येकासाठी काय कार्य करते ते पहात आहोत. माझ्याकडे वैयक्तिकरित्या पुस्तके आहेत, म्हणून जर तुम्ही आज माझ्या ऑफिसमध्ये आलात तर तुम्हाला बर्‍याचशा व्हिडिओ पाहिल्या गेल्या तरी पुष्कळ पुस्तके तुम्हाला दिसतील. तर हे जाणून घेण्याची बाब आहे की आपल्या संस्थेत एखादी व्यक्ती शिकण्यास कशी आवडते - त्यांना शिकण्यास प्रवृत्त करते - परंतु त्या करण्यासाठी काही वेळ प्रदान करते आणि काही प्रकारचे लक्ष्य - त्यापर्यंत पोहोचण्यासाठी काय प्रभावी आहे आणि सहसा तेच मिश्रित, हे फक्त नाही, स्कोअर कार्डवरील मार्क ऑफ तपासण्यासाठी त्या अभ्यासक्रमाचा अभ्यास करा, उदाहरणार्थ, वास्तविक गोल प्रकल्पासह हे मिश्रण आहे आणि आपण त्या प्रकल्पातून काय शिकलात आणि आपल्याला पुढे काय करायचे आहे? स्ट्रेच म्हणजे काय? आपल्या कार्यसंघास ताणून घेणे किंवा आपल्या कार्यसंघास त्यास पुढे नेण्यास प्रवृत्त करणे.
ते शिकण्याचे उद्दीष्ट पुन्हा, जर आपण ते करत असाल तर खरंच तसे होऊ नये, ते व्यवसायासाठी मूलत: सोपे असले पाहिजे कारण त्या उद्दीष्टे सामरिक व्यवसाय हितसंबंधाने संरेखित केल्या पाहिजेत. हे महान प्रकल्प आहेत. ते प्रयोगात्मक प्रकल्प आहेत. ते प्रकल्प आहेत जे सुई पुढे हलवेल.
निक, तुला काही जोडायचे आहे का? मला खात्री नाही
निक ज्वेल: नाही, मी पुढील स्क्रीनवर केस स्टडीमध्ये उडी मारणार आहे, ते ठीक असल्यास,. विशिष्ट संस्थेचे थोडे अधिक तपशील. मला अंदाज आहे की त्यांनी आपण जे काही बोलता ते प्रत्यक्षात आणले. फोर्ड मोटर कंपनी अनेक कंपन्यांप्रमाणेच अनेक दशकांपर्यंत डेटा विश्लेषणावर अवलंबून राहिली, परंतु सुसंगतता आणि समन्वय सुनिश्चित करण्यासाठी संपूर्ण महामंडळावर कदाचित अगदी कमी देखरेखीसह व्यवसायाच्या खिशात असे केले. त्यांच्या समस्या बहुधा त्यांच्या प्रमाणातील संस्थेसाठी अगदी वैशिष्ट्यपूर्ण होत्या, म्हणून विश्लेषक तज्ञाचा समावेश आहे - जसे आम्ही म्हणतो - खिशात डेटा मॅनेजमेन्ट आणि गव्हर्नन्स पद्धती विसंगत असतात, अगदी अगदी अशा ठिकाणी की काही व्यवसायिक घटकांना मूलभूत विश्लेषणाची कौशल्य नसते.
पुन्हा आम्ही आज बर्‍याच प्रकारच्या विविध प्रकारच्या डेटा स्रोतांबद्दल बोललो आहोत, त्यांच्याकडे 4,600 पेक्षा जास्त डेटा स्त्रोत आहेत. याचा अर्थ असा की प्रवास सुरू करणे आणि आवश्यक डेटा शोधणे ही विश्लेषणात्मक अंतर्दृष्टीसाठी खरोखर अडथळा आहे. मी पाहतोय की तुम्ही हसत आहात, पण ही एक भयानक गोष्ट आहे, बरोबर?
जेन अंडरवुड: 4,600, अरे माझ्या अरे, हो.
निक ज्वेल: तर, फोर्डने जागतिक अंतर्दृष्टी आणि विश्लेषक युनिट तयार केले आणि हे केंद्रीकृत केले गेले - आपण त्यास उत्क्रांतीचे केंद्र म्हणू शकता - डेटा वैज्ञानिक आणि विश्लेषकांच्या टीमचा समावेश आहे जे विश्लेषणात्मक सर्वोत्तम सराव सामायिक करण्यासाठी आयोजित केले गेले आहे आणि ऑप्टिमाइझ्ड डेटा-आधारित डेटा बनविण्यास मदत करते व्यवसाय. युनिटने केवळ योग्यतेवरच नव्हे तर एकत्रितपणे एकत्रित करण्याच्या त्यांच्या क्षमतेवर देखील उत्कृष्ट श्रेणीतील साधने निवडली, जेणेकरून ते खूप महत्वाचे आहे. त्यांच्या लोकशाहीकरणाचा फोकस प्रत्यक्षात अहवाल आणि वर्णनात्मक विश्लेषणेभोवती होता, त्याबद्दल आम्ही बोललो आहोत त्या पिरामिडच्या आधी.
आता, लोकशाहीकरण फक्त एका रात्रीत एखाद्याला डेटा वैज्ञानिक बनवित नाही; कर्मचार्‍यांना मदत कधी व कोठे मिळवायची हे माहित असणे आवश्यक आहे आणि या सर्वांसाठी मदतीसाठी प्रशिक्षण, शासन, पद्धती उपलब्ध आहेत. तसेच, आम्ही उल्लेख केलेल्या कौशल्यातील अंतर कमी करण्यासाठी हे केवळ साधन प्रशिक्षणाबद्दलच नाही तर डेटा विज्ञान प्रशिक्षण देखील आहे. तर, फोर्ड येथे एक वास्तविक-जगातील वापर प्रकरण, लॉजिस्टिक्स नेटवर्कला अनुकूल बनविते, तर फोर्ड बिंदू ए पासून बिंदू बी पर्यंत जाण्यासाठी साहित्य योग्य रकमेची भरपाई करीत होता? त्यांच्या वारसा विश्लेषणाने खरोखरच कृतीयोग्य संधींना हायलाइट केलेले नाही; यामुळे त्यांना बाजारात खूप प्रतिक्रियात्मकता आली.आता, विश्लेषकांच्या डोक्यात त्या प्रक्रियेसाठी बरीच गुंतागुंत निर्माण झाली आहे आणि जेव्हा सेल्फ-सर्व्हिस वर्कफ्लो प्रत्यक्षात व्यवसायासह पुनरावृत्ती झाली तेव्हा आणि विश्लेषक तज्ञ एकत्र बसून सह-स्थित आहेत.
यामुळे विश्लेषणास बहु वर्षापासून तिमाहीपर्यंत हलविण्यात आले आणि अगदी खाली-वास्तविक-वेळेपर्यंत, व्यवसायाला इतका मोठा आणि मोठा फायदा झाला. सेल्फ-सर्व्हिस businessनालिटिक्सचा त्या व्यवसायाच्या मूल्यावर होणारा परिणाम, असे होत आहे की फोर्ड त्वरीत कॉर्पोरेट-व्यापी डेटा-आधारित रणनीती आखू शकेल आणि उदयोन्मुख ट्रेंडला प्रतिसाद देऊ शकेल, नवीन सेवांना आकार देईल आणि मुळात स्पर्धेच्या धोक्यांपासून मुक्त होऊ शकेल. त्या रीअरव्यू मिररमध्ये पहात आहोत.
आता, जर एखाद्या क्षणाकडे एका गोष्टीवर नजर टाकली की दुसर्या ग्राहकाने कदाचित फर्मच्या एका विभागातील उभ्या प्राधान्यापासून सर्व विभागांमधील आडव्या पट्ट्याकडे कसे वळले असेल तर आपण शेलबद्दल चर्चा करू. शेल हे उत्कृष्टतेचे एक केंद्र चालवते जे मुख्य डिजिटल अधिका into्याकडे नोंदवते - म्हणून आमच्या सीएक्सओ प्लेबुकसाठी आणखी एक डी आहे - डिजिटल परिवर्तन आणि टिकाव यासाठी जबाबदार. हे लोक, त्यांना समजले की त्यांच्या वातावरणात अनेक स्तर आहेत आणि तंत्रज्ञान स्टॅक, स्टोरेज, डेटा प्रोसेसिंग आणि यात सर्व वैशिष्ट्यीकृत तंत्रज्ञान आहेत ज्या आपण परिचित व्हाल. एसएपी हाना, डेटाबे्रिक्स, स्पार्क यासारख्या गोष्टी आणि त्या अचूक अर्थव्यवस्थेपर्यंत पोहोचण्यासाठी त्यांनी सार्वजनिक मेघाचा फायदा उठविला.
आता, त्यांनी स्पॉटफायर, पॉवर बीआय आणि बरेच काही सारख्या तंत्रज्ञानामध्ये फीडिंग करुन, बर्‍याच आर कोडसाठी अ‍ॅनालिटिक्स रॅपर म्हणून अल्टेरेक्सची निवड केली. परंतु आता त्यांना डेटा प्रोसेसिंग आणि व्हिज्युअलायझेशनसह दत्तक अधिक जवळून पाहिले गेले आहे. जेन, नुकतीच आपल्या त्या सर्व क्षमतांच्या स्लाइडवर परत बोलणे, आम्ही अधिक विश्लेषकांना प्रवेश मिळविण्यास सक्षम होऊ लागल्यावर या प्रकारची गोष्ट पसरते. आपणास माहित आहे की ही क्षमता आणि सीओई वितरित करण्यात ते मोठ्या प्रमाणात यशस्वी झाले होते, आता भविष्यातील क्षमता वितरित करण्याच्या विचारात आहेत, आपण ज्या खोलवर शिकलेल्या गोष्टींबद्दल बोललो आहोत - मशीन व्हिजन, नैसर्गिक भाषा प्रक्रिया - आणि त्यांचे अर्धे काम म्हणजे वितरण, त्यातील निम्मे या युनिट्सच्या व्यवसाय युनिटमध्ये या कल्पनांचे स्पष्टीकरण आणि उत्प्रेरक करण्याबद्दल आहे. हा प्रवासाचा एक भाग आहे; सीओई त्यांच्या व्यवसाय प्रेक्षकांशी संवाद साधण्यासाठी निरनिराळ्या मार्गांचा शोध घेत असतो.
एका बाजूने संशयास्पद लोक विचारात घेतात जे म्हणतात, “बरं, हा ब्लॅक बॉक्स माझ्या विश्लेषकांसारखा कधीच चांगला होणार नाही,” फॅनबॉय किंवा सर्वत्र सहसंबंध पाहणार्‍या उत्साही व्यक्तीपर्यंत, कदाचित कार्यकारणांच्या मार्गाने कमी असेल , परंतु आपल्याला दोन्ही बाजूंनी सावधगिरी बाळगणे आवश्यक आहे. आपल्याकडे संपूर्ण संस्थेमध्ये ही क्षैतिज पट्टी असते तेव्हा स्पेक्ट्रमच्या दोन्ही बाजूंना खात्री पटविणे आवश्यक असते अशा संकरित कौशल्याचा सेट हा एक आकर्षक मध्यम मैदान आहे.
निक ज्वेल: ठीक आहे, जेन, तू तिथे आहेस का?
जेन अंडरवुड: मी आहे.
निक ज्वेल: मला वाटते की या क्लेटोन क्रिस्टनसेन कोटात आम्ही काय म्हणण्याचा प्रयत्न करीत आहोत ते असे आहे की बहुतेक संघटनांसाठी, मी अंदाज करतो की, आज आपण ज्या डिजिटल ट्रान्सफॉर्मेशनविषयी बोलत आहोत त्या विश्लेषणासाठी विश्लेषणाच्या अजेंड्यास एकरुप करणे एक आव्हान असेल. . बर्‍याच वेळा असे नाही, आम्ही विश्लेषक कार्यसंघ कमकुवत हातांनी सुरू करताना आढळतो. विश्लेषणात्मक प्रक्रिया, तंत्रज्ञान, कार्यसंघ संरचना आणि त्यांचे अवशेष ठेवून घेतलेल्या विश्लेषणाच्या संरेखन आणि विश्लेषणात्मक नवनिर्मितीसाठी सर्वात मोठा अडथळा ठरणार आहे. तुला यावर काही विचार आहेत का, जेन?
जेन अंडरवुड: मी निवडलेल्या चित्राचा आनंद घेतो. होय, मला नक्कीच खूप अर्थ प्राप्त होतो. आपल्याला यापैकी काही नवीन तंत्रज्ञान स्वीकारणे आवश्यक आहे, उदाहरणार्थ, रिअल टाइममध्ये प्रवाहित करणे. आपण जुन्या वारसासह, ब्राउझरमध्ये प्रति सेकंद जावास्क्रिप्ट रीफ्रेश करणे आवश्यक असल्यास - ते कदाचित रिअल-टाइम परिणाम मिळविण्यास सक्षम नसतात - कदाचित ते डॅशबोर्ड अ‍ॅप किंवा त्या प्रकारच्या गोष्टी असू शकतात. होय, आपणास यापैकी काही नवीन साधनांचा आलिंगन घेण्याची आवश्यकता आहे आणि पुन्हा मला असे वाटते की हे चित्र खरोखर गोंडस आहे, चित्र एक हजार शब्द म्हणतो. कार्ट आणि बग्गी, आपण त्यापैकी काही जुन्या तंत्रज्ञानाकडे जाऊ शकता.
निक ज्वेल: अगदी. तर, जर आपण पुढील स्लाइडवर गेलो तर आम्हाला असे वाटते की आणखी एक चांगला मार्ग आहे. माझ्यामते सर्वप्रथम, सर्वात संबंधित असलेल्या आपल्या सर्व डेटा मालमत्ता द्रुतपणे शोधण्यासाठी Google सारख्या शोधासारखे काहीतरी वापरुन. त्यांची फसवणूक समजून घेणे, अवलंबित्व समजून घेणे, आपल्या समाजातील तज्ज्ञांनी लिहिलेल्या व्यवसायाच्या शब्दकोषांसारख्या खरोखर सोप्या गोष्टींमध्ये तथ्य ठेवणे, आपल्या सहका of्यांच्या प्रमुखांच्या त्या आदिवासी ज्ञानाने जिवंत ठेवले.
डेटा शोधासह स्मार्ट मिळवित आहे. अहवाल मालक आणि तज्ञ यांच्याशी संभाषणे ठेवण्याच्या क्षमतेबद्दल विचार करा. ट्रिप अ‍ॅडव्हायझर किंवा येल्प थोड्या प्रमाणात अपलोड करणे, सर्वात उपयुक्त असलेली मालमत्ता अपलोड करणे, संस्थेला वाटते की त्यांना सर्वात मौल्यवान वाटले आहे हे प्रमाणित करणे आणि नंतर हे सर्व खाद्य शोध परिणामांमध्ये आणि शेवटी शोध क्रमवारीत परत आणणे, यासाठी अधिक चांगले करते. पुढील वापरकर्ता एकदा आपण शोधत आहात तेवढ्या वेगाने, कोड-मुक्त, वापरकर्त्यासाठी अनुकूल, तयारी आणि विश्लेषणाच्या टप्प्यात आपला अचूक डेटा सेट विकसित करण्यासाठी, ज्यातून पुनरावृत्ती करण्यायोग्य प्रक्रिया प्रकाशित कराव्या लागतील.
आमच्या ऑटोमेशन संभाषणात परत, वापरकर्ता-अनुकूल अ‍ॅप्स तयार करीत आहोत. विश्लेषक मॉडेल तयार करण्यासाठी जे काही आवश्यक आहे. मॉडेल्सबद्दल बोलतांना, आम्ही बर्‍याच वर्षांपासून आर सारख्या मुक्त-स्त्रोत तंत्रज्ञानाचे समर्थन केले आहे, आम्हाला एका साध्या, ड्रॅग-अँड- मध्ये वर्णनात्मक, परंतु भाकित, प्रिस्क्रिप्टिव्ह ticsनालिटिक्स समाविष्ट करणारे खरोखर प्रगत विश्लेषणात्मक क्षमता तयार करण्याची अनुमती देते. ड्रॉप वे
आता, उजवीकडील बाजूस, प्रत्यक्षात इंटरॅक्टिव्ह व्हिज्युअलायझेशन, मॉडेल्स आणि स्कोअरिंगचा डेटा प्लॅटफॉर्मवर खाली ढकलण्यामुळे किंवा अगदी अलीकडेच, अंतर्दृष्टी त्वरित आणि थेट व्यवसाय प्रक्रियेमध्ये उपलब्ध करुन दिली जाते. मला वाटते की या संपूर्ण व्यासपीठावरच्या क्षमतेची ही श्रेणी आहे जी आम्हाला या वर्षाच्या गार्टनर पीअर इनसाइट्स ग्राहक पसंती सर्वेक्षणात सुवर्ण पुरस्कार विजेते म्हणून ओळखण्याची परवानगी दिली आहे, ही एक आश्चर्यकारक कामगिरी आहे. अधिक शोधण्यासाठी आणि आपली स्वतःची मते जोडा आणि स्वतःची भाष्य जोडा यासाठी तुम्ही गार्टनर साइटला भेट द्या अशी मी जोरदार शिफारस करतो.
छान, तर, जेन, जर आपण आणखी एक स्लाइड सोडली तर - माझा अंदाज आहे की आम्ही निष्कर्ष घेतल्यान, मी तुम्हाला पुढील काही चरण देऊ इच्छितो. सर्वप्रथम, विश्लेषक अडथळे दूर करण्याच्या उद्देशाने आंतरराष्ट्रीय विश्लेषक संस्थेच्या (आयआयए) च्या समन्वयाने केलेल्या आमच्या अलिकडील संशोधनाच्या संक्षिप्त प्रति डाउनलोड करण्यासाठी कृपया अ‍ॅलटेरिक्स.कॉमला भेट द्या. आपल्या कार्यसंघांना सक्षम कसे करावे याविषयी अधिक जाणून घेण्यासाठी आपण त्या प्रगत विश्लेषणाच्या नॅनो-डिग्रीसह, पुढच्या टप्प्यात जाण्यासाठी आणि नंतर स्वत: साठी अ‍ॅलटेरिक्सचा अनुभव घेण्यासाठी आपण udacity.com/alteryx ला भेट देखील देऊ शकता. मुख्यपृष्ठास भेट द्या, संपूर्ण वैशिष्ट्यीकृत मूल्यांकन डाउनलोड करा आणि निराकरण करण्याच्या थरारसह ऑनबोर्ड मिळवा.
जेन, तुला आमच्याकडे काही प्रश्नोत्तरांसाठी थोडा वेळ असू शकेल.
एरिक कवानाग: मी खरोखर द्रुतपणे झपाटतो. आमच्याकडे दोन प्रश्न आहेत. आपण यावर टिप्पणी देऊ इच्छित असल्यास मी आधी माझ्याकडे, निक आणि नंतर जेनला फेकून देईन, परंतु त्यास ईयूकडे निश्चितपणे अधिक लागूत्व आहे आणि ती आहे ग्लोबल डेटा प्रोटेक्शन रेग्युलेशन्स कुप्रसिद्ध जीडीपीआर. हे teryल्टेरॅक्स आणि आपल्या रोडमॅपवर कसा परिणाम करीत आहे आणि आपण काय लक्ष देत आहात?
निक ज्वेल: मला वाटते, हे आत्ताच संपले आहे. बरेच लोक याबद्दल बोलत आहेत, बरेच लोक काळजीत आहेत, परंतु डेटा आणि अ‍ॅनालिटिक्सच्या जगात येणार्‍या नियमांच्या दीर्घ मालिकेमध्ये हे खरोखरच पहिले आहे. खरोखर, आमच्या दृष्टीकोनातून, हे आपला डेटा समजून घेण्यास आणि वर्गीकरण करण्याबद्दल आहे. कोणत्याही विशिष्ट चवचा सीएक्सओ म्हणून आपली खात्री आहे की आपली मालमत्ता कोठे आहे हे आपल्याला ठाऊक आहे, आपल्याला त्यांची फसवणूक माहित आहे आणि आपल्याला माहित आहे की आपण फक्त एका विस्तृत कॉनमध्ये डेटा शासित आणि व्यवस्थापित करण्यासाठी प्रथम चरण म्हणून त्यांच्यावर विश्वास ठेवू शकता.
एरिक कवानाग: माझ्या अंदाजानुसार आम्ही निकला जेनला परत आणण्यापूर्वी मी आणखी एक प्रश्न तुमच्याकडे टाकतो आणि ती म्हणजे प्रशिक्षण डेटा, जर एखाद्याने आपला डेटा आपल्या एंटरप्राइझमधून काढून टाकण्याची विनंती केली तर त्याचे नाव, पत्ता वगैरे काही नाही. पुढे, फक्त त्यांची संपर्क माहितीच नाही, परंतु अल्गोरिदमने जर आपला डेटा समाविष्टीत असलेला प्रशिक्षण डेटा वापरला तर आपण अल्गोरिदम पुन्हा प्रशिक्षित करायचा आहे, ते बरोबर नाही का?
निक ज्वेल: हे विशेषतः क्लिष्ट आहे. मला असे वाटते की केवळ वैयक्तिकृतपणे ओळखण्यायोग्य माहितीचा स्त्रोत म्हणून डेटाबेसच नव्हे तर विश्लेषक कार्यप्रवाह, अ‍ॅप्स आणि व्हिज्युअलायझेशन देखील आहेत. हा डेटा संस्थेसह सर्वत्र मिळतो, म्हणून तो असला की: अगदी महत्वाचा आहे.
एरिक कवानाग: आणि जेन, तुमचा विचार काय आहे? अर्थात, अमेरिकेत हा करार इतका मोठा नाही आणि तांत्रिकदृष्ट्या तो येथे लागू असला तरीही आपल्यावर बर्‍याच कंपन्या सध्या भांडताना दिसत नाहीत. जर अमेरिकन कंपनीकडे ईयू नागरिकाचा डेटा असेल तर आपण जीडीपीआरचे महत्त्व काय मानता आणि ते किती मोठे करार आहे?
जेन अंडरवुड: बरं, मला खात्री आहे की त्यासाठी डेटाच्या जबाबदार उपचारांची आवश्यकता आहे. मी याबद्दल काही वेळा लिहिले आहे आणि या काही गोष्टींबद्दल काही मार्गदर्शकतत्त्वे आहेत. मला असे वाटते की आपण अल्गोरिदमबद्दल विचारलेला प्रश्न मनोरंजक आहे. नक्कीच, आज मी ज्या निराकरणाकडे पहात आहे त्यातील काही उत्पादने त्यांच्या कार्यसंघांनी तयार केली आहेत जेणेकरुन ते पाहू शकतात की ते निर्णय कसे घेत आहेत आणि त्या अल्गोरिदमच्या परिणामासाठी कोणता वैयक्तिक डेटा वापरला गेला. आम्ही येथे अमेरिकेत उत्पादनाच्या डिझाईन्सवर काही परिणाम पाहात आहोत.
बर्‍याच तंत्रज्ञान कंपन्यांकडे येथे खूप मोठी कार्यालये आहेत आणि येथे राज्ये तसेच जगभरात विकास कार्यसंघ आहेत, म्हणून आम्ही ते उत्पादन विकासावर पहात आहोत. मी अधिक डेटा कॅटलॉगमध्ये गुंतवणूक करताना पहात आहे. अधिक सरकारांचे पुढाकार पुढे चालू आहे जेणेकरून लोकांना कळू शकेल आणि ते सर्व डेटा गोंधळात कोठे आहे हे त्यांना समजले. कमीतकमी ते आयोजित करून, त्यास शोधण्यात आणि त्यासह काहीतरी करण्यास सक्षम असल्याचे सुमारे त्यांचे हात घेण्याचा प्रयत्न करीत आहेत.
एरिक कवानाग: आम्ही आधी ज्या स्लाइड बद्दल बोललो होतो त्यास मी पुढे ढकलणार आहे आणि निक, हे तुमच्यापर्यंत पोचवीन. मला वाटते की ही एक विलक्षण स्लाइड आहे कारण माझ्यामते ती खरोखरच विश्लेषकांच्या गरजेच्या निकडशी बोलली आहे. या बदलत्या डायनॅमिकबद्दल आपले काय मत आहे? म्हणजे, सर्वात शेवटची ओळ म्हणजे कंपन्या चपळ असणे आवश्यक आहे आणि मी विश्लेषकांना त्या शुल्कासाठी अग्रगण्य म्हणून पाहिले आहे. तुला काय वाटत?
निक ज्वेल: हे आकर्षक आहे. मला असे वाटते की नेहमीच असतात - कंपन्या आणि तंत्रज्ञान नेहमी तीन राज्यात अस्तित्वात असते, म्हणूनच ते युद्ध किंवा शांतता किंवा आश्चर्य असणार आहे. युद्ध त्या भारी पातळीवरील स्पर्धेबाबत असणार आहे. आश्चर्य आपण प्लॅटफॉर्मच्या शीर्षस्थानी तयार केलेल्या सर्व नवीन नवीन सामग्री आहेत. मग स्पर्धा होण्यापूर्वी शांतता आणि युद्ध पुन्हा सुरू होते. मला वाटते की ही लढाई नेहमीच चालू असते.
आजचा कॉल होण्यापूर्वी आम्ही आज जगभरात असलेल्या काही इतर परिषद आणि महत्त्वाच्या नोट्संबद्दल बोललो. काही मोठे मेघ विक्रेते, ते अशा ठिकाणी पोहचले आहेत जिथे त्यांनी हे व्यासपीठ तयार केले आहे आणि आता त्या शीर्षस्थानी ते अद्भुत नवीन गोष्टी तयार करीत आहेत. कंपन्यांना या गोष्टीवर बारीक लक्ष ठेवले पाहिजे आणि भविष्यात ते मूल्य वितरित करणारे सुसंगत व्यासपीठ असलेल्या एखाद्या गोष्टीसह ते जात आहेत हे सुनिश्चित केले पाहिजे. या व्यत्ययापासून ते जिवंत राहणार आहेत.
एरिक कवानाग: होय, तो एक चांगला मुद्दा आहे आणि आपल्याला माहिती आहे, जेन, आपण यापूर्वी टिप्पणी देण्यापूर्वी, प्रत्यक्षात मेघाच्या धोरणाविषयी आणि आपल्याला उद्योगात माहित असलेले बरेच लोक असे म्हणत होते की मोठ्या कंपन्या, अगदी बँका, आता सर्व काही एक मेघ धोरण. ते प्रत्यक्षात येण्यास किती वेळ लागला याबद्दल मी एक प्रकारचे आश्चर्यचकित झालो आहे आणि मला वाटते की कदाचित त्यांच्यापैकी काहींनी एडब्ल्यूएस रीइव्हेंट कॉन्फरन्समध्ये गेले आणि ते किती भव्य आहे हे समजले आणि वेळ आली आहे असा निष्कर्ष काढला. क्लाउडच्या आयातीविषयी मोठ्या व्यवसाय अधिका among्यांमध्ये जागरूकता आणि त्यांचे नियोजन कसे बदलत आहे याबद्दल आपले काय मत आहे?
जेन अंडरवुड: जेव्हा मी या मोठ्या प्रमाणावर डेटा असलेल्या जगाबद्दल विचार करतो, ते व्यवस्थापित करण्यास सक्षम होतो तेव्हा मला वाटते की बर्‍याच मोठ्या कंपन्यांपैकी काही सुरक्षा बाबींची जबाबदारी घेतात तेव्हा काही प्रमाणात मनाची शांती होते, म्हणून तेथे शांतता आहे तेथे विचार. आपणास माहित आहे की ढगासह काही मर्यादित प्रमाणात आहे.
दुसरी गोष्ट म्हणजे, आणि मी ते पाहिले, मी एका कार्यसंघावर होतो ज्याने क्लाऊडमध्ये एखाद्या उत्पादनाचा पुनर्विकास केला आणि तो नक्कीच एक उपग्रह उत्पादन होता आणि कोणीही त्याकडे लक्ष दिले नाही, आणि दोन वर्षांच्या आत, साप्ताहिक रीलिझमुळे आणि अगदी, मी म्हणेन, हे ढगात दररोज सोडण्याच्या अगदी जवळजवळ आहे. मला माहित आहे की Amazonमेझॉन म्हणतो की ते दिवसातून अनेक वेळा रिलीझ करतात. जेव्हा आपल्याला धोका असतो, जेव्हा आपले प्रतिस्पर्धी दररोज रिलीझ आणि सुधारू शकतात, ते जे काही करत आहेत ते किमान सॉफ्टवेअर उद्योगात - आणि जेव्हा आपण डिजिटल ट्रान्सफॉर्मेशनकडे पाहण्यास सुरवात करता तेव्हा प्रत्येकजण खरोखरच सॉफ्टवेअर उद्योगात असतो - हे पूर्णपणे इतर आहे बॉल गेम आणि कुणीही ढग आणि स्केल वाढवू शकतो आणि मोठा होऊ शकतो.
पुन्हा, ते त्यांच्या अल्गोरिदममधील फरक आणि बुद्धिमत्ता निर्माण करण्यासाठी वापरत असलेला डेटा वापरत आहेत आणि म्हणूनच लोक नवीन तेल किंवा डेटा सोन्याचे असल्याची चर्चा करीत आहेत. जेव्हा मी ढगाकडे पाहतो, तो गेम बदलणारा असतो, तो खरोखरच अतिशय जलद विकास आणि स्केल सक्षम करतो. हे आश्चर्यकारक आहे.
एरिक कवानाग: दुसर्या प्रश्नासाठी निक, मी तुला परत आणीन - यापैकी काही प्रश्नांची उत्तरे द्यायला लागल्यास आम्ही येथे फक्त एक मिनिट पुढे जाऊ, पण मला आठवते, पाच आणि सहा आणि कदाचित सात वर्षांपूर्वी देखील, तृतीय-पक्षाच्या डेटाचा फायदा उठविण्यात अलर्टॅक्स खरोखरच एक नाविन्यपूर्ण होता - म्हणून एक्सपेरियनसारख्या स्रोतांकडून डेटा आणत, उदाहरणार्थ, किंवा भौगोलिक डेटा. मी असा विचार करीत आहे की कदाचित हा एक रणनीतिक फायदा आहे कारण त्या प्रकारची गोष्ट teryलट्रिक्सच्या डीएनएमध्ये आहे, बरोबर? कंपन्या ढगाकडे वाटचाल करीत असताना, मला वाटतं की आपणास त्या जगाचा सामना करण्यास सक्षम असणे खूप अनुभव आहे. ऑन-प्रीम श्लोक जगातील तृतीय-पक्ष आणि क्लाउड-आधारित डेटा, आपले मत काय आहे?
निक ज्वेल: होय, अगदी. अल्टिमेट कनेक्टिव्हिटी ही अशा क्लाउड-आधारित वातावरणामध्ये कार्यरत असलेल्या कोणत्याही कंपनीसाठी एक पॉवर प्ले असणार आहे. परंतु मी म्हणेन की जेव्हा आपण इन्फोनोमिक्ससारख्या कशाबद्दल बोलतो, तेव्हा माहिती आणि डेटा आपल्या कंपनीतील एक मालमत्ता मानला जावा ही कल्पना. प्रक्रियेमध्ये अधिक मूल्य तयार करण्यासाठी आणि कमाई करण्यासाठी आपण बहुतेक मूल्य आणत आहात बाह्य डेटा स्त्रोत घेणे, त्यांचे मिश्रण करणे आणि त्यांना आपल्या अंतर्गत स्त्रोतांनी समृद्ध करणे. अंतर्गत आणि बाह्य डेटा समानप्रकारे कार्य करणे पूर्णपणे कठीण आहे.
एरिक कवानाग: होय, तो चांगला मुद्दा आहे. मला वाटते की हे सर्व संकरित ढग जगण्यासाठी आहे. जेन, मी काही बंद टिप्पण्यांसाठी हे तुमच्याकडे टाकत आहे, कदाचित. माझ्या दृष्टीने ते धोरणात्मक दृष्टिकोन असणे आणि नवीन टर्म म्हणून एकत्रित करण्यास सक्षम असणे हे संपूर्ण स्त्रोतांमधील डेटाचे वर्णन करीत आहे, तेच एक यशस्वी यशाचे घटक पुढे जात आहे, बरोबर?
जेन अंडरवुड: नाही, पूर्णपणे आणि हे गमतीशीर आहे, मी हे संकरित, संकरित, संकरित ऐकत आहे. आपण याबद्दल ऐकले आहे आणि चार वर्षांपूर्वी आपण हडूप, हडूप आणि मोठ्या डेटाबद्दल विचार करता आणि नंतर आपण संकरीत, संकर ऐकण्यास सुरवात केली, म्हणून तेथे नक्कीच तेथे आहात, आम्ही हे आवश्यक नाही, हे मशीन शिक्षण वर्ष आहे, बार कोणीही नाही. म्हणजे कृत्रिम बुद्धिमत्ता, यंदा मशीन लर्निंगने यावर्षी टप्पा धरला आहे, परंतु आज एखाद्या संस्थेमध्ये खरोखर कार्य करण्यासाठी ते ढगाकडे जाण्याच्या मार्गावर आहे किंवा त्या सर्व भिन्न क्लाउड डेटा स्रोतांचा सामना करावा लागेल, कदाचित ते सेल्सफोर्स आहे किंवा वर्कडे, ढगात राहणारे हे सर्व भिन्न प्रकारचे स्त्रोत, आपण हे हाताळण्याचा एकमेव मार्ग म्हणजे संकरित आहे. आपण शक्यतो सर्वत्र डेटा कॉपी करू शकत नाही, म्हणून आपल्याला थेट कनेक्ट करण्यात सक्षम असणे आवश्यक आहे आणि आपल्याला कोठेही स्थित असलेल्या डेटासह कार्य करण्याचा मार्ग शोधण्याची आवश्यकता आहे, सर्वत्र डेटा शोधणे आवश्यक आहे कारण आपण जिथे आहोत तिथेच हे वास्तव आहे आता
एरिक कवानाग: मला असे वाटते की मी संभाषणात मशीन मशीन परत आणले नाही तर मी विश्रांती घेईन, म्हणून निक, मी ते फक्त तुझ्याकडे देईन. मला माहित आहे की आपण लोक आता यावर लक्ष केंद्रित करीत आहात - आपण जिथे आपण मशीन लर्निंगला विश्लेषणेसह संरेखित करीत आहात आणि आपला व्यवसाय आणि आपला डेटा समजण्यासाठी आम्ही कोणत्या प्रकारच्या प्रणाली वापरत आहोत याबद्दल आपण बोलू शकता?
निक ज्वेल: हो नक्की. तर, अगदी थोडक्यात, तर लवकरच आपल्या कौशल्यांच्या अंतरांवर परत जाऊया. आम्हाला कल्पना आहे की आमच्याकडे उर्जा एक्सेल वापरकर्त्यांसह संस्था पूर्णपणे चॉक-फुल आहेत. आमच्याकडे डेटा वैज्ञानिक आला आहे, परंतु त्याच दराने वाढत नाही. या दोघांमध्ये प्रचंड अंतर आहे. आज मशीन शिक्षण कुठे आहे याचा विचार करा. आमच्याकडे आमच्या फोनवर किंवा आमच्या घड्याळावर मशीनचे शिक्षण तंत्र समाविष्ट असलेल्या किती अल्गोरिदम आहेत? ही एक वस्तू आहे, ती सर्वत्र आहे. संपूर्ण व्यवसायात मशीन यशस्वीरित्या लागू केली गेली आहे हे सुनिश्चित करण्यासाठी आम्हाला या उर्जा वापरकर्त्यांना सर्वात सोप्या मार्गाने सक्षम करणे आवश्यक आहे.
एरिक कवानाग: मी कदाचित शेवटचा एखादा माणूस तुमच्याकडे टाकतो. आम्हाला येथे उशिरा दोन प्रश्न पडले. जेन, मी हे विचारतो. एखादा उपस्पर्धी अप्रभावी शिक्षणाच्या या संपूर्ण संकल्पनेवर भाष्य करतो आणि खरं म्हणजे आपल्याला ती सामग्री करण्यासाठी प्रशिक्षण डेटा आवश्यक आहे आणि सामान्यत: प्रशिक्षण डेटा कंपनीसाठी विशिष्ट असणे आवश्यक आहे. जरी उद्योगांमध्ये परस्परसंबंध बरेच आहेत, असे बरेच मार्ग आहेत ज्यात संस्था समान आहेत. तथापि, प्रत्येक कंपनी अनन्य आहे, मग ती त्याचे व्यवसाय मॉडेल असो किंवा विपणन किंवा विक्रीकडे त्याचा दृष्टिकोन असो किंवा उत्पादन काहीही असू दे.
प्रश्न उद्भवतो की हे अल्गोरिदम प्रशिक्षणासाठी तृतीय-पक्षाचा डेटा वापरण्यास सक्षम असतील काय? मला असे वाटते की या अल्गोरिदमांना प्रशिक्षित करण्यासाठी आपल्या स्वतःचा डेटा वापरण्याची आपल्याला नेहमीच आवश्यकता असेल, जरी ते चक्र वेळ सहा महिन्यांपासून कोसळत असेल - जे काही बाबतीत घडले आहे - 40 दिवस किंवा 20 दिवसांपर्यंत, जे काही असेल केस असू शकते. आपल्याला खरोखर आपला स्वत: चा डेटा वापरावा लागेल आणि आपल्याला खात्री आहे की डेटा खूपच स्वच्छ आहे, बरोबर?
जेन अंडरवुड: हे खरोखर एक मिश्रण आहे. आपण बाह्य कॉन घेऊ इच्छित आहात. खरं तर, मी आज परत टू बॅक बुक केले आहे आणि माझा पुढील वेबिनार मशीन शिक्षणाकरिता उपरोधिकपणे डेटा तयार करणे आणि साफ करणे याबद्दल बोलत आहे. खरोखर महत्त्वाचे म्हणजे आपण आपल्या संस्थेसह बाह्य कॉन एकत्र ठेवत आहात, आणि मला आवडते की आपण डेटा प्रीपे आणि साफसफाईबद्दल विचारले, कारण प्रामाणिकपणे, काही साधने फारच चांगली मिळत आहेत - परंतु त्यातील काही बाबी हाताळू शकतात, परंतु मानवी मन, किंवा समस्येचे स्पष्टीकरण करण्यास सक्षम आहे आणि हे पाहण्याची आणि ते सोडले गेले नाहीत याची खात्री करुन घेण्यास सक्षम आहेत - असे म्हणा की आमच्याकडे काही प्रकारचे दुर्लक्ष आहे.आपण ज्या प्रकारे समस्येकडे पहात आहात आणि आपण स्वयंचलित करीत आहात त्या समस्येचे डिझाइन निवडण्याचे मार्ग किंवा आपण स्वयंचलित करत असल्याचा निर्णय घेण्याची एक मार्ग आहे, त्यायोगे एक कला आहे आणि ती त्या व्यवसाय प्रक्रियेचे अचूक प्रतिबिंबित करते.
विमा कंपनीसमवेत माझ्या उदाहरणाकडे परत जाताना, जेव्हा आम्ही मंथन मॉडेलिंग करीत होतो आणि विमा विक्रीसाठी या प्रायोजित प्रशिक्षणातून कोणाची नेमणूक करावी लागते; मॉडेलमध्ये स्वतःच कायदेशीर हवामान नव्हते, वेगवेगळ्या राज्यांसाठी वेगवेगळे कायदे. तेथे नेहमीच काही पैलू असतात, जिथे आपल्याकडे बाह्य डेटा आपल्या अंतर्गत डेटासह असतो आणि पुन्हा मानवी मनासह असतो. तिथे वेगवेगळे घटक होणार आहेत.
एरिक कवानाग: मला वाटते की आपण येथे खरोखर चांगला मुद्दा आणला आहे. आम्ही रोबोट्स आणि मशीन्स आणि मशीन शिक्षण घेतल्याबद्दल ऐकत आहोत. माझ्यासाठी, हा एक अतिशय विघटनकारी ट्रेंड आहे - याबद्दल काहीही शंका नाही - परंतु एंटरप्राइझ डेटावर, विशेषत: डेटावरील विश्लेषणेसह, मिश्रणामध्ये मानव जात नाही.
निक, आपल्यासाठी एक अंतिम प्रश्न. माझ्यासाठी, अल्गोरिदम किती चांगले मिळतात तरीही, आपण नेहमी काय घडत आहे याचे निरीक्षण करणे आवश्यक आहे, नियोजित वेळी स्वत: ला इंजेक्शन देऊन आणि तिथे काय आहे त्याचे खरोखर मोठे चित्र एकत्रित केले पाहिजे. मला असे वाटत नाही की कोणत्याही अल्गोरिदम कधीही फॉच्र्युन 2000 कंपनीसाठी मोठे चित्र संश्लेषित करण्यास सक्षम असेल, परंतु आपणास काय वाटते?
निक ज्वेल: बरं, एक पूर्णपणे नॉन-अ‍ॅलटेरिक्स घेऊ, आपण गेल्या वर्षापासून उबरबद्दल चर्चा करूया. उबेर, ऑस्ट्रेलियात झालेल्या दहशतवादी घटनेदरम्यान लोकांनी तेथून पळून जाण्याचा प्रयत्न केला तेव्हा त्यांनी अचानक वाढीव किंमत मोजावी लावली, ‘त्या कारणामुळे अल्गोरिदम म्हणतो त्यामुळं प्रचंड प्रतिष्ठित नुकसान झालं. त्यानंतर लगेचच त्यांनी मानव आणि अल्गोरिदम एकत्र काम केले. ज्यावेळेस हे घडणार होते त्या वेळी मनुष्याने प्रक्रियेचे निरीक्षण केले पाहिजे. मानवी आणि अल्गोरिदमची ती भागीदारी, तीच पुढे जाण्याचा मार्ग आहे.
एरिक कवानाग: व्वा, हे एक उत्तम उदाहरण आहे, त्याबद्दल मनापासून आभार. लोकांनो, आम्ही येथे आमच्या वेबकास्टवर एका तासापेक्षा जास्त काळ जळत आहोत. प्रभाव विश्लेषणाच्या जेन अंडरवुडचे खूप मोठे आभार. त्यांचा वेळ आणि लक्ष दिल्याबद्दल निक जेवेल आणि Alलटेरिक्स टीमचे नक्कीच खूप आभार आणि आपणा सर्वांना आपला वेळ आणि लक्ष दिल्याबद्दल. आम्ही या महान प्रश्नांची प्रशंसा करतो. आम्ही नंतर हे पाहण्यासाठी या सर्व वेबकास्ट्यांचे संग्रहण करतो, आपल्या मित्रांसह आणि सहका with्यांसह मोकळ्या मनाने सामायिक करा. त्यासह आम्ही तुम्हाला निरोप देऊ. आज उत्कृष्ट वेबकास्ट. धन्यवाद, पुन्हा धन्यवाद, पुढच्या वेळी आम्ही आपल्यास भेट देऊ. काळजी घ्या. बाय बाय.