Av Techopedia Staff, 29 november 2017
Takeaway: Värd Eric Kavanagh diskuterar data och analyser samt rollerna som Chief Data Officer (CDO) och Chief Analytics Officer (CAO) med Jen Underwood från Impact Analytix och Nick Jewell från Alteryx.
Eric Kavanagh: Mina damer och herrar, hej och välkomna återigen till en mycket speciell upplaga av Hot Technologies. Folk, det här är Eric Kavanagh, jag kommer att vara din värd för dagens show, "CxO Playbook: The Future of Data and Analytics." Ja, det är ett ganska stort ämne, jag måste säga. I själva verket har vi lite rekordmassa här i dag. Vi hade över 540 personer som registrerade sig för webbsändningen i morse. Vi gör det vid en speciell tid, som många av er vet för våra ordinarie utställningar, vi gör det vanligtvis klockan 4 östra, men vi ville hysa den mycket speciella gäst som ringer in från hela dammet. Låt mig dyka in i presentationen idag.
Så det här året är varmt - det har varit ett väldigt tumult år på många sätt, jag tror att molnet har mycket att göra med det. Sammanflödet av teknologier som vi bevittnar på marknaden är den viktigaste drivkraften, och jag tar naturligtvis mycket om SMAC som de kallar det. Vi pratar SMAC: socialt, mobilt, analytiskt, moln - och allt det där kommer samman. Organisationer kan verkligen ändra hur de gör affärer. Det finns fler kanaler för att utföra din affärsverksamhet, det finns mer data som ska analyseras. Det är en riktigt vild värld där ute och vi kommer att prata idag om hur saker och ting förändras i C-sviten, så cheferna, de bästa människorna i dessa organisationer, ja att hela världen förändras just nu och vi kommer att prata om det.
Det är ditt verkligen i toppen. Vi har Jen Underwood från Impact Analytix och Nick Jewell, den ledande teknikevangelisten från Alteryx på linjen idag. Det är väldigt spännande grejer. Jag kom på detta koncept i går kväll, folk, och jag tycker att det verkligen är ganska intressant. Naturligtvis känner vi alla musikaliska stolar, spelet för barn där du har alla dessa stolar i en cirkel, du startar musiken, alla börjar gå runt och en stol dras bort; när musiken stannar måste alla klättra för att få en stol medan en person förlorar i sin stol i den situationen. Det är en mycket konstig och övertygande sak som händer just nu i C-sviten, och om du märker i den här bilden här, har du två tomma stolar i ryggen. Vanligtvis försvinner en stol i musikstolar, och vad vi ser i dag, är det att det finns ytterligare två stolar på C-nivå: CAO och CDO, chef för analysanalys och chef för datatjänsteman.
Båda tar fart. Ärligt talat börjar datatjänstemannen verkligen starta som en löpeld i dag, men vad betyder det? Det betyder något väldigt viktigt. Det betyder att kraften i data och analys är så betydelsefull att styrelserum eller verkställande rum skulle jag säga, C-sviter förändras - de lägger till folk i C-sviten, helt nya chefer fyller ut några av dessa nya platser. Om du tänker på hur svårt det är att förändra en organisations kultur är det en ganska allvarlig affär. Kultur är en mycket svår sak att förändra, och vanligtvis främjas positiv förändring genom god förvaltning och goda idéer och den typen. Om du tänker på möjligheten som vi har just nu, genom att lägga till nya chefer i C-sviten för analys och för data, är det en riktigt stor sak. Det talar för organisationernas möjlighet att ändra bana, och låt oss inse det, de stora, gamla företagen behöver verkligen förändras på grund av hur marknaden förändras.
Jag brukar ge exempel på Uber, till exempel, eller Airbnb som organisationer som i grunden har stört hela branscher, och det händer överallt. Det vi kommer att prata om idag är hur din organisation kan anpassa sig, hur ni där ute kan använda den här informationen, denna insikt, för att ändra din affärsplan och för att lyckas i informationsekonomin.
Med det kommer jag att överlämna nycklarna till WebEx till Jen Underwood, och sedan kommer Nick Jewell också att chimma in; han ringer in från Storbritannien Tack vare er båda och Jen, med det kommer jag att dela det till er. Ta bort det.
Jen Underwood: Tack, Eric, låter bra. God morgon allihopa. Idag ska vi prata om denna CxO-spellista; det är framtiden för data och analyser och jag kommer att dyka rätt i. Eric gjorde redan ett trevligt jobb med att prata om varför detta är så viktigt. Våra talare idag, igen, har du sett en annan bild med denna information, men du och jag och Nick Jewell ska prata mycket interaktivt med dig i den här sessionen idag. Vi kommer att öppna med att beskriva vad dessa roller är och vilka typer av saker de är på uppdrag att göra. Vi kommer att titta på analysbranschen, utsikterna i allmänhet och några av de utmaningar som dessa människor kommer att möta. Dynamiken inom organisationer idag när du förbereder dig för framtiden, och sedan ska vi prata om nästa steg och ge dig vägledning för planering, om du ska utforska några av dessa roller i din organisation.
Att prata om detta CxO, till exempel CAO, det är den viktigaste analysanalysen, det är en jobbtitel för ledande befattningshavare som ansvarar för analys av data inom organisationen. CAO kommer vanligtvis att rapportera till en verkställande direktör och att den snabbt växande positionen kommer att vara avgörande när du tänker på massan av transformation och dess digitala transformation som vi har just nu på det sätt som företag fattar och fattar sina affärsbeslut.
Om du tänker på att digital transformation och intelligens är den kärnan i den digitala transformationen, är denna CAO en mycket strategisk roll inom en organisation. De ger inte bara stark datavetenskap tillbaka till faktiska insikter och den kunskapen, utan de äger den resulterande ROI och påverkan, så vad mäts de på? Hur de tar med sig avkastningen med de uppgifter de har och några av siffrorna i en organisation för att kunna utnyttja data strategiskt. Denna position, tillsammans med CIO, chef för informationschef, har ökat framträdande på grund av ökningen i teknik och digital transformation och värdet av data.
I flera år nu är data guld i just denna värld med intäktsgenerering och intelligens och omvandling av denna information. Att kunna vidta dessa proaktiva åtgärder och inte bara alltid se bakåt i sig. De två positionerna är likartade på det att de båda handlar om information, men CIO, i sig, kommer att fokusera på infrastruktur där en CAO fokuserar på den infrastruktur som behövs för att analysera informationen. Den liknande positionen är CDO och du hör mycket mer, vi hör förmodligen lite mer om CDO än du gör om CAO idag. CDO fokuserar mer på databehandlingen och underhållet och de processer för styrning under hela datahanteringens livscykel.
Dessa människor kommer också att vara ansvariga för att tjäna pengar på data och få värde från data och arbeta över mognaden för förvaltnings- och säkerhetslivscykler, i hela livslängden, skulle jag säga, om livscykeln. Det här är folk som skulle vara väldigt anpassade, i sig eller ansvariga för att se till att GDPR - och vi kommer att prata om lite - den europeiska lagen om dataskydd, och se till att dessa typer av saker täcks i deras organisationer. Nu får vi strukturen och framtiden för störande dynamiska datakrävande roller. Detta är de typer av saker som CDO kommer att ansvara för och inte bara sig själva - de kommer att bygga ett tvärfunktionellt team, och jag har några exempel på några av de människor som skulle rulla upp till, i sig, i en organisationsstruktur, från arkitekter och ledningsgrupper, och till och med analytiker och datavetare och ingenjörer i en organisation kan rulla upp till dem.
Att gå vidare in i branschens utsikter för analyser har varit en fenomenal - troligen tioårig, ännu längre - resa inom just den här branschen. Det har ständigt ökat, väldigt spännande, även under marknadskraschen för många år sedan var det fortfarande efterfrågat. Det har bara varit ett underbart ställe och om du tittar på CIO-agendan från Gartner 2017 är BI och analytics fortfarande inom de tre bästa rankningarna i vad som är viktigast för en organisation, och tittar på tillväxten av mjukvarumarknader, vi är ständigt se tillväxt där. Så länge jag har varit i detta utrymme har det alltid varit en riktigt ljus karriär.
När vi tittar på denna digitala era och omvandlingen, vad som är mycket, mycket intressant för mig, är dessa processer som vi har, och ofta är det att få information och vidta åtgärder från processer eller under affärsprocesser. Nu har Gartner uppskattat år 2020, information som du har använt kommer att uppfinnas, digitaliseras eller till och med elimineras. Åttio procent av affärsprocesser och produkter som vi hade från tio år sedan, och det börjar vi se, eller hur? Vi börjar se att med Amazon-verser kanske några av de stora boxbutikerna, Ubers, Airbnbs - dessa digitala modeller stör processen och nu interagerar folk. Till och med Black Friday - jag vet inte hur många människor som verkligen gick till en butik - många människor köper online, och hur når du den kunden? Det kräver intelligens för att göra det. Det kräver ett helt annat sätt att interagera och anpassa meddelandet och ha den intelligensen för att presentera dem rätt erbjudande vid rätt tidpunkt, och nu kanske det är med ett klick på en knapp. Det är så lätt för dem att lämna din webbutik. Saker förändras verkligen i denna värld, och jag tror att Nick ville prata om det också.
Nick Jewell: Ja hej alla, tack så mycket. Jag ber om ursäkt i förväg om det är en liten försening på ljudet som kommer in från London, jag ska göra mitt bästa för att inte prata med dig, Jen.
Du har helt rätt, att eliminering av avfall, den återuppfinning som en del av den digitala omvandlingen, ofta kommer när organisationer flyttar från skräddarsydda produkter, kanske frånkopplade applikationer och till mer öppna och anslutna plattformar. När din process är digital kommer det att bli mycket lättare att se din data-till-slut-resa. Förfina verkligen de steg du tar genom att använda data för att optimera processen.
Låt oss gå framåt en bild om vi kan. När det gäller digital transformation, vad det betyder för organisationer antar jag antingen att det är spännande eller skrämmande, beroende på vilken sida av spektrumet du sitter på. Ta en titt på diagrammet här och visar företagens livslängd och hur störande påverkan påverkar en organisations förmögenhet. Om du startade ett företag på 1920-talet har du nästan 70 år i genomsnitt innan ett annat företag stör dig. Ett ganska enkelt liv enligt dagens standard, för idag fick ett företag knappt 15 år tills störningar hotar dess existens. Det förutsägs att cirka 40 procent av dagens Fortune 500-företag, så på S&P 500, inte längre kommer att existera om tio år. År 2027 kommer 75 procent av S&P 500 att ersättas, så halveringstiden som organisationerna står inför idag, innan de behöver oroa sig för störningar, verkligen minskar. Framgångsrika företag måste ligga före det digitala innovationsloppet.
I dag ifrågasätter ingen verkligen analysen. Det är mittpunkten, den digitala affärstransformationen. Faktum är att organisationer sätter digital innovation i spetsen för sin strategi. Dessa företag, de är de fem mest värdefulla företagen i världen, vilket representerar två biljoner dollar i marknadsvärde, Jen.
Jen Underwood: Ja, det är fantastiskt, det är det verkligen. Det förändras verkligen och snabbt. Den andra dynamiken som vi har och vi har pratat om här, nu tror jag att vi äntligen ser det och organisationer känner denna exponentiella tillväxt av datakällor, och det är inte ens bara analysera data på strukturerade datakällor längre. Återigen, vi pratar om, du har bara ett ögonblick i några av dessa digitala processer för att fatta ett beslut och dessa saker kommer i JSON från REST-API: er, vi pratar om ostrukturerad data, vare sig loggfilerna, det finns alla slags av olika typer av data, liksom den extrema konstant tillväxten.
Nick Jewell: Ja, Jen, så som du påpekade, analytiska ledare drunknar i ett hav av data. Att ta sig till den högvärda insikten, kanske använda en blandning av befintliga eller nya analystekniker, är verkligen slutmålet, men det finns ett enkelt och grundläggande problem som många organisationer vi arbetar med står verkligen inför. Vi beställde Harvard Business Review, vi gjorde undersökningen och pratade med dataanalytiker och affärschefer. De frågade hur många datakällor de använder i sin organisation för att fatta ett beslut, och det är ganska tydligt, det har skett en grundläggande förändring under de senaste åren. IT brukade blanda data, skjuta det till datalageret, men jag antar att trots allt utmärkt arbete som IT-grupper har gjort, skapar centraliserad datahantering, står analytiker fortfarande inför uppgiften att skapa den specifika analytiska datauppsättningen, men de måste svara på en affärsfråga. Faktum är att bara 6 procent har fått all sin information på ett ställe, och majoriteten av analytikerna måste hämta data från fem eller fler källor - saker som kalkylark, molnapplikationer, sociala medier och naturligtvis inte att glömma det datalageret.
Nu känner de flesta organisationer till detta, men vad de flesta organisationer inte har att göra med är det enkla faktumet att datapersonal lägger mer av sin tid på att reglera och söka efter data än vad de faktiskt tar ut värde. Det här är inte de högprofilerade strategiska analytiska problemen som företagsledarna vill höra om. Men att inte ta itu med den grundläggande frågan kommer att förhindra att organisationer verkligen uppnår värderingsinriktad insikt. Jen?
Jen Underwood: Det är intressant. Jag har definitivt sett olika studier på detta och det är det här här, oavsett om det är 80 procent av tiden eller biljoner dollar som fixar samma data om och om igen, väldigt ineffektivt i en organisation. Detta lägger till, dessa 37 och dessa 23 procent är mycket dyrt slöseri med tid. Det är fantastiskt för mig att mer uppmärksamhet inte ägnas åt det.
När jag tittar på några av dessa, vad jag skulle kalla marknadskrafterna, och många gånger när jag pratar om industrins trender, älskar jag att följa branschen och hålla en konstant puls på den. Det är viktigt att förstå när något är mer än en trend, när det verkligen kommer att bli en kraft som du måste vara uppmärksam på, och dessa är de tre bästa just nu, krafter att uppmärksamma. Det är denna snabba tillväxt, nummer ett är snabb tillväxt av icke-relationella databaser. Jag nämnde bara hela detta koncept att inte ha mycket tid att behöva fråga, i sig, en JSON, det är den här typen av icke-relationella scenarier, som växer ganska - jag tror att jag har lite statistik i ett ögonblick här - snabbt.
Den andra saken är den pågående övergången till molnet. Innan samtalet jag nämnde var jag en världsomspännande produktchef på ett av de stora teknikföretagen och hade svåra samtal för tre år sedan med grupper som sa: ”Vi kommer inte att sätta något i molnet. Vi kommer inte att flytta till molnet. ”Och det har varit väldigt intressant att se grupper ett år senare, två år senare, nu hör jag från samma grupper, att alla har en molnplan. Jag tror att alla är ett mycket brett uttalande extremt, men vad jag skulle säga är att folk som har varit anti-moln, säkert attityden har förändrats dramatiskt, inom en mycket kort tid, även sedan jag pratade med grupper över hela världen om dessa typer av saker.
Automation, detta är ett område som jag har varit fascinerad av och ett område som vi verkligen ser mycket aktivitet och bra aktivitet. Vi pratar om några av dessa saker med att ha denna bortkastade tid och ineffektiv användning av din tid. Automation är verkligen ett av de områden som jag är mest upphetsad när jag funderar på att skapa värde till en organisation.
Nästa bild jag ska prata om, det här är en studie av IDC, de tittar på marknadssegmenten och tillväxten och det är verkligen ett underbart sätt att ta en puls på vad som verkligen växer, vad köper dina kamrater? Vilka typer av saker är de inte intresserade av längre? Dessa typer av saker och sätta i sin strategi.
Den världsomspännande marknaden för stordataanalys för mjukvaran har enligt IDC 16 segment och i det segmentet avser vi till och med några namnändringar. Det fanns ett tillägg av kontinuerlig analytisk mjukvara, kognitiva AI-programvaruplattformar, sökningssystem, så det fanns några nya kategorier till och med lagt till här. Denna marknadsöversikt omfattar i stort sett de horisontella verktygen, förpackade applikationer samt viss beslutsstöd och beslutsautomatisering av användningsfall. Återigen kommer detta att vara de typer av lösningar, när du tänker på CDO, sätta i ett sammanhang av en CDO, deras portfölj som kan hantera från dataintegration till analysvisualisering, maskininlärning och alla dessa typer av funktioner som de behöver att ha i den digitala eran.
Själva världsmarknaden för dessa typer av lösningar växte med 8, 5 procent i nuvarande valutaterminer och den totala marknaden växte 9, 8 procent enligt IDC. Detta jämfördes med - du tittar på valutafluktuationer under en parårsperiod och variationen är minimal, men de tre bästa segmenten som jag lyfte fram, bara för att ge dig en känsla för de icke-relationella analytiska datakällorna, 58 procent tillväxt från år till år, innehållsanalys och sökningssystem var 15 procent och vissa av kundrelationsapplikationerna, saker av CRM-typ eller Salesforce Einstein, till exempel växer de över 10 procent, de är 12 procent just nu. Jag tror att Nick ville lägga till lite kommentarer också till den här.
Nick Jewell: Tack, Jen. Det är ett fantastiskt visuellt. Jag tror att på Alteryx har vi alltid trott att dataförberedelse och blandning alltid skulle vara en kärnkompetens för alla analytiska system, men det är verkligen grunden för mer avancerad analys. Nu, under de senaste åren, låt oss prata om branschen - det kan ha varit lite överfokuserat på några av de nya interaktiva visualiseringsfunktionerna. De ser vackra ut eftersom de ökar engagemanget, de driver insikt, men de rörde oss inte riktigt bortom beskrivande analyser.
Men jag antar att nu när folk sätter sina synpunkter lite högre kommer organisationer som börjar förstå affärsvärden komma från de mer sofistikerade analyser som just nu tar sig in i mainstream. Frågan där blir hur, eller mer specifikt vem? Detta hoppade till högre värde analys; det är verkligen kasta frågan om analytisk talangbrist i ganska skarp lättnad, skulle du hålla med?
Jen Underwood: Absolut, och jag hade, jag tror att jag bara tweetade, jag såg en riktigt fascinerande kommentar i går kväll från vice presidenten för Adobe som sa: "Maskininlärning har blivit tabellinsatser", där folk brukade vara försiktiga, nu har det blivit ett behov och det är intressant. Titta på detta och bara en liten annan liten annan vinkel, i sig. Många människor, vi börjar se detta som ett område med hög tillväxt med en icke-relationell analytisk butik och den kognitiva AI, dessa maskininlärningar, dessa analyser med högt värde. Men fortfarande i slutet av dagen, just nu är det största segmentet, så där de flesta inköp händer idag, är fortfarande i denna grundläggande, vad jag skulle säga, frågan rapportering, en del av den visuella analysen, och det växer fortfarande och det är något många antar att du redan har det - inte nödvändigtvis. Det växer fortfarande 6, 6 procent varje år.
Som CDO - och jag älskar att visa den här bilden - i princip bara för att säga, när du går in i den här nya rollen eller om du tittar över data i en organisation, är det kaos, och jag tror att den här bilden verkligen gör en trevligt jobb med - det är alla de olika potentiella områden som du kan ha data. De kan vara i början, det kan finnas i molnet, det kan vara hybrid, det är överallt och det är en stor överväldigande - igen, det är en roll på C-nivå nu inom en organisation, och det är inte en enkel uppgift eller enkel - I just den här världen att ta på sig är det ibland överväldigande. Detta är den värld som denna CDO behöver för att navigera, för att kunna behärska vad jag skulle säga och maximera värdet på data.
Fortsätter utmaningen, maximerar värdet på alla de olika källorna och vad vi har är dessa stängande tidsfönster, med dessa digitala processer eller insikten till handling stängs. Om du tänker på kanske för fem år sedan, för tio år sedan, kan det hända att du skulle ha rapporter om att du skulle ta några beslut med inventering eller åtgärder, de kan köra varje vecka, varje månad, då blev de dagligen eller över natten, kanske det är varje timme.
Nu, det vi ser är dessa intelligenta maskininlärning inbäddade konstgjorda intelligenta kontor, fattar beslut och korrigeringar på plats, så även saker som tingenes internet, IoT-inbäddade analyser i kanten, dessa system är smarta och dessa algoritmer kan självjustera och ändra några av de beslut som de fattar på plats vid rätt tidpunkt. Det har varit väldigt intressant att se denna dynamik med de digitala revolutionerna och dessa beröringspunkter - även om de har ökat, fortsätter tiden att agera minska och tekniken utvecklas sedan för dessa scenarier.
Nick Jewell: Ja, Jen, jag tror att en av de mest intressanta aspekterna av hur leveransen av insikt förändras, är där analysen kommer till slutanvändaren. Ber vi användarna att hoppa in i en instrumentbräda när de fattar ett kritiskt beslut, eller säger vi att insikten, den näst bästa handlingen, är tillgänglig direkt i processen, i flödet för att driva den konkurrensfördelen? Och den analytiska modellen som vi pratar om kan behöva ta sina insatser från en mängd olika källor - traditionella datalager, geolokationer, sociala medier, sensorer, klickström - all denna information har betydelse för beslutet och det handlingsbara resultatet .
Jen Underwood: Att fortsätta med detta tema av utmaning och förändring, vad vi har just nu, och de utmaningar som VD måste ta till sig och planera ett sätt att erövra dessa, är i huvudsak att vi har för mycket data för att effektivt hantera och manuellt analysera. Det finns långa förseningar; vi måste förkorta dessa förseningar och vi måste hitta ett sätt att maximera värdet på de data vi har. Det finns en brist på datavetenskapens talang i världen och för att täcka dessa insikter och vad vi skulle kalla hav som data. Den goda nyheten är att det finns några underbara innovationer som händer för att hjälpa till på alla områden i detta idag, och det blir spännande att se vad tekniken kommer att ta oss för att hjälpa oss med dessa utmaningar.
När jag fortsatte att titta på detta finns det lite förvirring när jag pratade med kunder eller jag pratade med grupper med hjälp av några av dessa verktyg. Några av de klassiska utmaningarna finns fortfarande idag, det blir bara lite mer förvärrat av att försöka hitta data att analysera. Några av sökverktygen, några av katalogerna där ute hjälper verkligen saker - nu hittar vi vilken katalog vi ska använda när. Det finns ett par olika kataloger, så det finns olika platser som du kan lagra och dela data, så det gäller att försöka ta reda på en, kanske katalogen vi borde titta på.
Den andra saken är att dela med varandra. Vi pratade om en av studierna från Harvard Business Review, hur mycket tid som spenderas, i princip att göra icke-mervärde uppgifter, slösa tid och hur dyrt det kan vara. Om du tillsammans kan dela och använda vanliga datakällor har skripten redan utvecklats, logiken finns redan där, du kan styra dem effektivt, så att balansera styrning med analytisk agility, det är verkligen vad du vill sträva efter att göra och navigera i denna värld av vad jag skulle kalla, vi har nischverktygen, vi har automatiserade arbetsflödesverktyg, vi har klassiska Excel, datakatalogerna, självbetjänings-BI, datavetenskapliga verktyg. Som en bild visade finns det många, många verktyg och massor av överlappningar mellan dem.
Nick Jewell: Ja, perfekt, Jen, och jag tror att insiktsfönstret, som ni nämnde, definitivt krymper, men tiden det tar att faktiskt distribuera modeller håller inte upp. Förutsägbar modellinstallation fortsätter att vara en stor utmaning för många företag. Vi har pratat med Carl Rexer som är presidenten för Rexer Analytics, och i Karls undersökning för datavetenskap 2017 fann han att endast 13 procent av datavetarna säger att deras modeller alltid distribueras, och detta distributionsförhållande förbättras bara inte, så vi gå tillbaka med varje föregående undersökning. I själva verket, tillbaka till 2009, när frågan först ställdes, och vi ser nästan identiska resultat, så vi har ett verkligt gap.
Jen Underwood: När vi ser på analytisk mognad utvecklas den snabbt. Återigen, för två, tre år sedan, var vi mycket glada över att ha en visuell självbetjäningsanalys och äntligen vara flexibla och utvidga BI till massorna, i sig. När jag säger massor, driver antagligen fortfarande användare i en organisation. Nu ser vi optimering, prediktiv analys, djup inlärning, naturligt språk, många andra tekniker som verkligen, när de är inbäddade i vardagliga processer, äntligen verkligen demokratiserar analysen mycket sömlöst för massorna, för de sanna massorna att använda inom befintliga affärsprocesser som de redan har.
Nick Jewell: Ja, Jen, låt oss prata en snabb historia om den sista kategorin, om jag kan. De flesta lyssnare på samtalet idag kommer att känna till Google DeepMinds AlphaGo-programvara, som besegrade några av de bästa Go-spelarna i världen under de senaste åren. AlphaGo lärde sig spela spelet genom att studera enorma volymer tidigare inspelade matcher. Så mycket att kommentatorerna till AlphaGo-turneringen hävdade att programvaran spelades i stil med en japansk stormästare, tro det eller inte.
Men under den sista månaden rapporterades ett nästan mer förvånande resultat. Detta var AlphaGo Zero, djup inlärning, neuralt nätverk, beväpnat med inte mer än de enkla spelreglerna och en optimerad funktion. Det lärde sig att bli den starkaste Go-spelaren i världen, utan träning under övervakning, och det gjorde allt detta på cirka 40 dagar. Detta så kallade förstärkningslärande, där människor definierar utmaningen, låter det djupa inlärningssystemet utforska, förbättra, kan verkligen ge den största effekten i det analytiska utrymmet ännu. Så antar jag att hålla mig uppdaterad.
Jen Underwood: Ja, det är verkligen intressant att du nämnde det. Kan du föreställa dig undantagen? Och det här är vad jag börjar se. Verkligen, när jag pratar om automatisering, väldigt spännande för lösningarna att vara tillräckligt smarta för ren luft, att lära av system automatiskt, plug and play och bara vet vad jag ska göra nästa baserat på några av de tidigare beslut som har varit eller andra beslut som har gjorts inom organisationen och har hanterat några av dessa system, ETL-systemen och tagit hand om dem, och hade långt tillbaka på dagen pip och telefoner som ringde mig med varningar när processer inte kördes, det är så spännande att tänka, "Wow, nu är det smart nog för att förmodligen själv läka."
Min man hanterar ett självhelande rutnät, vi kommer att ha självhelande dataintegration, analyser för självhelande och där det blir bättre och bättre är det riktigt spännande. Som CDO, när du börjar tänka på människors processteknik, kommer vi att ta en titt på, just nu tittar vi på teknik, sedan ska vi titta på människor och hur man kan närma dig att bygga ditt team och bygga färdigheterna. Om du tittar på modern analysplattform, säger jag dig direkt, inte alla kommer att ha allt här, även om de största organisationerna kan ha alla dessa olika komponenter, i sig kan vissa grupper bara ha två eller tre små lådor här, så jag ville inte överväldiga folk med detta. Men en modern BI-plattform kräver inte nödvändigtvis ett IT-byggande, fördefinierat semantiskt lager.
Användarna och experterna bör egentligen bara ha befogenhet att bara förbereda data för analytisk hastighet och smidighet, och om du tänker på ökningen av vad vi skulle säga användar- och expertledd analys, låta ämnets experter ha smidigheten, måste de fatta snabba beslut. Vi ser ett ökat antagande av vad vi skulle säga, verktygen för att förbereda personuppgifter, datakraven, berikningen, rensningen, de typer av aktiviteter som Alteryx gör samt några av de datavetenskapliga aktiviteter som de erbjuder som väl. Den moderna förberedelselösningen, de erbjuder så intelligenta, automatiserade sammanfogningar, luftupplösningar, förskjutning av data, när du har big data-pipeline är det väldigt, väldigt coolt. Detta är förmodligen, återigen, ett av de områden som jag älskar och verkligen tycker om att testa i branschen.
Till skillnad från den traditionella IT-ledda BI fokuserar IT idag verkligen på att möjliggöra verksamheten och du har folk som CDO: er och sätter ihop eller väljer rätt lösningar för att orkestrera, organisera och förena dessa data och se till att det naturligtvis är styrs, eller hur? En sak som är väldigt intressant för mig och verkligen tror jag att vi har slutsats till detta, men jag tror inte att vi bara har sagt det, dagarna för ett datalager i en storlek som passar alla och att det är end-all be-all, är säkert över. Data finns överallt, du måste skapa - dataljöer har kommit in i bilden, det finns strömmande och livedata, det finns så många olika datakällor nu, det är verkligen mer användbart ärende-baserat, "Vad behöver du?" Verser detta ”Vi måste få allt in i ett datalager.” Jag är inte säker, Nick, ville du kommentera den här? Jag minns inte.
Nick Jewell: Jag ska bara säga en sak och det är bara, se utvecklingen av komponenten. Vad experter gjorde för fem till tio år sedan, är nu i användarens händer, så sakerna på höger sida där kommer att bli vanligare för användaren i en drag-and-drop-kodfri form mycket, mycket kort. Det kommer att gå snabbare och snabbare, så bara hålla ett öga på det.
Jen Underwood: Ja, det är riktigt bra poäng. Jag älskar att tänka på det. Olika datavetenskap, det blir äntligen en verklighet och verktygen blir så mycket bättre. Tänker vi på teknik, nu måste vi ha färdigheter och människor och vad behöver vi göra? Just nu är de bästa jobben, de innehåller titlar som datavetare, datatekniker och affärsanalytiker, men vad vi hittar är att arbetsgivarna själva tycker det är riktigt tufft att matcha. Till och med på data prep-utrymmet kommer jag att säga, "Är det data prep, är det data krånglar, vilka termer kallar folk det?" Det har varit väldigt intressant att hitta.
Verksamheten vet inte vad de behöver och det finns detta helt nya växande fält som kommer att omfatta många olika områden. Om du tittar på alla som nu måste vara en mästare i sina data, affärsanalys, IT-projektledare, min man som hanterar ett elnät och en portfölj av projekt, måste han kunna analysera detta. Det är inte bara ekonomi och dataanalysen längre, det utvidgas verkligen mycket bredare till andra områden i organisationen. Jag tror att jag såg en studie om hur många datakällor marknadsföring använder, och det var överväldigande. Återigen, när du tänker på studien som gjordes av Harvard Business Review, är det inte bara en datakälla längre som människor måste mosa och smälta samman och hitta en inblick i, det är många datakällor och det krävs skicklighet att göra det.
När du tittar på i huvudsak den större bilden här, kommer de flesta nyanställda att vara i denna rosa bubbla i botten, när du pratar om dessa affärsanalytiker till data mining analytiker, HR-chefer, detta område, bara vanliga roller inom raden av företag som använder data. De snabbast växande rollerna kommer att ha mindre jobb, men säkert vad vi hör mest om på marknaden idag, datavetare och datatekniker. Som CDO tittar de framåt och planerar du talanger, måste du ta del av en del av automatiseringen av rutinuppgifter och de typer av färdigheter som kommer att vara mer strategiska, och återigen lägga till värde med din organisation, för båda de i analytics aktiverade men också för datavetenskapen och datatekniker som är där. Tänk på hur dina oposterade positioner och till och med en del av frilansekonomin kan förändras när du tänker på det för att tävla om de bästa och ljusaste.
Och tänk alltid på din talangs pipeline också, hjälpa kandidaterna att navigera på marknaden eller leta efter saker som kan vara lite annorlunda och inte exakt vad du vill och skapa interna analyskurser, som kanske inte är de snabbaste, mest kostnadseffektiv strategi för att hålla dig uppe. Överväg att titta på människor som är dedikerade till utbildning i denna eller olika grupper, och jag tror att Alteryx har en rekommenderad kurs i slutet av sessionen idag som en uppmaning till handling, som du kan utnyttja för några av dessa saker och hjälpa ditt team att utnyttja några av de befintliga resurserna som redan finns.
Nick Jewell: Absolut. Det finns så många sätt att fylla det talanggapet utan att fastna i ett vapenkapplöpning. Par glider tillbaka, jag vet inte om du kan vända ett par där. Kaggle, datavetenskapens tävlingssajt, de släppte just en undersökning med 17 000 svar kring tillståndet för datavetenskap och det fanns ett riktigt intressant svar från undersökningen kring de färdigheter som människor hade, och majoriteten av de svarande hade ingen doktor, det är bara inte en förutsättning längre.
Tanken att nästa generations analyssexperter, den stora bubblan du bara visade, de kan få den kunskap de behöver från nano-gradskurser. De kan gå till sajter som Udacity och de kan distribuera denna kunskap omedelbart, direkt i branschen, kortfokuserade leveranscykler gör dem till en omedelbar källa till konkurrenskraftiga framsteg för sina företag. Så något att se upp för, tror jag.
Jen Underwood: Nej, jag håller med. Även om jag tänker på det har det verkligen kommit långt sedan jag tog ett tvåårigt program på UCSD. Det här var tillbaka, tror jag, år 2009, 2010 och det fanns verkligen en handfull i landet som gjorde det möjligt för dig. Det finns i allmänhet många fler alternativ nu, såväl som specialiserade program, oavsett om det är via leverantörerna, massor av resurser som finns tillgängliga idag med slingor och alla dessa olika online-resurser, det är bara fantastiskt, det är verkligen tiden. Få tid och budgetera det och schemalägga dig själv för att hålla jämna steg. Vad är det du vill lära dig? Och sedan följa den väg du vill lära dig.
Prata om att titta på detta och sätta ihop din egen färdighetsplan och från en CDO: s potentiella, se till att de har folk i områden som omfattas, från vad jag skulle säga ett kompetensram i sig, titta på färdigheter eller titta på saker som domänkunskap är fortfarande verkligen nyckeln, även om dessa lösningar kan självutbilda och lära sig själv, är det verkligen en expert för affärsämnen som kommer att vägleda och se till att resultaten är vettiga.
Det finns alltid något och jag gillar att använda exemplet när jag gjorde kritisk analys för ett försäkringsbolag och ett av resultaten som algoritmerna hade var att inte anställa någon från New York. Tja, nej, vi kommer inte att anställa någon från New York - vi var tvungna att ta reda på varför algoritmen gav oss denna information. Det berodde på att det lagliga, en av lagarna hade förändrats och så vi hade mycket kärnor i det specifika segmentet. En expert på affärsmaterial behövde föras in för att dechiffrera det, och jag ser inte att det förändras, jag ser inte den typen av vägledande det, se till att resultaten ser exakta ut, ser något av - det är fortfarande, det finns något som sägs vara det mänskliga sinnet, det vackra i kombination med maskinens kraft är verkligen dit vi ska.
De andra typerna av saker när du tittar på färdigheter, visualisering, berättar en effektiv historia i datan, berättar en effektiv historia om det till och med är maskinutbildning. Att sätta ihop och titta på vilken inverkan det gör, förstå den mänskliga karaktären av beslutsfattande, dessa typer av saker är mycket viktiga oavsett teknik. Styrning är verkligen viktigt, etik blir allt viktigare. Att ha samhällsvetenskapsmän involverade, som förstår och de är utbildade att titta på om det finns fördomar i dina data som du inte ens inser eller inte har någon i organisationen som kanske inte ens känner igen det, till och med att föra in dem i experten, att ha sådana saker.
Och igen, naturligtvis att ha infrastrukturen för konstruktion och hårdvara och se till att du kan skala och den är utvecklad och se till att du använder rätt molnleverantör, kanske att du inte är inlåst eller att du har alternativ att flytta eller att du förstår prissättningen på hur mycket dessa kommer att kosta dig. Det är den här typen av färdigheter och när du tittar på detta skulle vi kalla det färdigheter av olika områden, oavsett om det är datadrivna beslutsfattare i frontlinjen - där de flesta av dessa roller kommer att vara - ända till de datatekniker och datavetare som kommer att vara massera och arbeta i dessa hav av data. Detta är de typer av saker som du vill sätta ihop en ram för.
Ser man på kompetensramar, man ser på en organisation i allmänhet, man vill överväga kompetens, inte bara färdigheter. Det finns en liten nyans i formuleringen när du tittar på det här. En kompetensram för din organisation är en tydlig signal. Krigspolitiska beslutsfattare, utbildningsleverantörer, medan färdigheter skulle kunna sägas, skrivs under R, du tänker på dessa typer av saker, du har en kompetent kodare, men du vill ha mer än bara dessa färdigheter. När du förstår kompetens, vad en person måste kunna och förstå ramverket, det är det viktiga, det finns lite nyans där.
När du bygger detta vill du diagnostisera vad du kan kalla kapaciteter som har en positiv inverkan på verksamheten och belyser de områden med hög potential, så du prioriterar vilka kompetenser du vill höja i din organisation och anpassa dem sedan igen med affärsmålen. CDO som är ansvarig för att maximera värdet på data, de kommer att titta på, och deras CAO, som kommer att använda analytics för att maximera värdet på data. De kommer att titta på dessa kompetenser och de olika områdena på det tidigare rutnätet som jag hade där, men då kommer de också att titta på personalens höga potential. Du kommer att hänvisa till detta med din personal för data- och analysarbete och investera i dem, ge dem inlärningsmöjligheter och inte bara utbildning, i huvudsak verkliga möjligheter som arbetar med verkliga affärsproblem.
Det finns inget bättre - även om jag gick i skolan i ett par år var det inte förrän jag gick och använde några av dessa algoritmer eller lärde mig om checkbedrägerier, lärde mig om några av dessa saker jag aldrig tänkt på tidigare, och du börja samla i den verkliga världen och det är där du verkligen lär dig. Ge människor möjligheten att få erfarenhet inom dessa områden. De företag som är bäst kapabla att bygga starka förmågor, som systematiskt identifierar, objektiva bedömningar och tittar på var är bristerna i min organisation för att lära och sätta upp vissa mätvärden för mål för folk, det är de som kommer att kunna att leverera.
När du funderar på att utbilda vuxna, är det vanligtvis en tid svält - vi är alla tid svulta - men tittar på vad som fungerar för var och en. Jag har personligen böcker, så om du skulle komma in på mitt kontor idag skulle du se massor av böcker, även om många människor gillar videor. Så det handlar om att ta reda på, hur gillar någon i din organisation att lära sig - att motivera dem till att lära sig - men också ge dem lite tid att göra det och målet med någon form av - vad är effektivt för att nå det och vanligtvis är det blandat, det är inte bara, ta den kursen för att kontrollera det märket på ett poängkort, i sig, det blandar det med verkliga målprojekt och vad lärde du dig från det projektet och vad vill du göra nästa? Vad är en sträcka? Sträck ditt team eller motivera ditt team att ta det vidare.
Dessa inlärningsmål, om du gör det borde det inte vara, det borde vara lätt för företaget i huvudsak eftersom dessa mål borde anpassa sig till de strategiska affärsintressen. Det här är fantastiska projekt. Det är experimentella projekt. Det är projekt som kommer att flytta nålen framåt.
Nick, ville du lägga till något? Jag är inte säker.
Nick Jewell: Nej, jag skulle hoppa in i en fallstudie, om det är OK, på nästa skärm. Lite mer detalj om en specifik organisation. Jag antar att de har lagt mycket av det du säger i praktiken, i verkligheten. Ford Motor Company förlitade sig på dataanalys i årtionden, precis som många företag, men det gjorde det i fickorna på verksamheten, med förmodligen väldigt lite tillsyn över hela företaget för att säkerställa konsekvens och samordning. Deras problem var förmodligen ganska typiska för en organisation av deras skala, så analytisk expertis innehöll - som vi säger - inom fickorna, datahantering och styrningspraxis var inkonsekvent, till och med till den punkt där vissa affärsenheter saknade tillgång till grundläggande analytisk expertis.
Återigen har vi pratat idag om många olika typer av datakällor, de hade över 4600 datakällor. Det innebar att till och med att starta resan och hitta de data som de behövde var ett verkligt hinder för analytisk insikt. Jag ser att du skrattar, men det är en hemsk sak, eller hur?
Jen Underwood: 4.600, oh my gosh, ja.
Nick Jewell: Så Ford bildade den globala insikten och analysenheten och detta var centraliserat - du kan kalla det ett centrum för excellens - bestående av ett team av datavetare och analytiker, organiserade för att dela den analytiska bästa praxis och hjälpa till att sprida optimerad datadriven dataföretag i hela verksamheten. Enheten valde de bästa verktygen i klassen, inte bara på förmåga utan också på deras förmåga att integrera väl tillsammans, så det är ganska viktigt. Fokus för deras demokratisering var faktiskt kring rapporter och beskrivande analyser, innan de flyttade upp den pyramiden av behov som vi har pratat om.
Nu gör demokratisering inte bara någon till datavetare över en natt; personal behöver veta när och var de kan få hjälp, och det finns utbildning, styrning, metoder som finns tillgängliga för att hjälpa till med allt detta. Det handlar inte bara om verktygsutbildning, utan även datavetenskaplig utbildning, för att överbrygga den kompetensgap som vi har nämnt. Så, ett verkligt användningsfall vid Ford, optimerar ett logistiknätverk, så betalade Ford rätt belopp för att flytta material från punkt A till punkt B? Deras äldre analys visade verkligen inte möjliga möjligheter; detta gjorde dem mycket reaktionära på marknaden. Nu var mycket komplexitet för den processen låst in i analytikernas huvuden och de gjorde ett enormt genombrott när det självbetjäningsbara arbetsflödet faktiskt upprepades med verksamheten och analytiska experter som satt ner tillsammans och var samlokaliserade.
Detta flyttade analysen från flerår till kvartalsvis, och till och med till nästan realtid, så enorm, enorm fördel för verksamheten. Den inverkan av självbetjäningsanalys på affärsvärde, det har varit att Ford snabbt kan planera och etablera företagsomfattande datadrivna strategier, att svara på nya trender, hjälpa till att forma nya tjänster och i princip avskaffa hot från konkurrensen, utan bara måste titta i den bakspegeln.
Om vi nu tittar ett ögonblick på hur en annan kund verkligen har flyttat analys från kanske en vertikal prioritering i en enda division i företaget till att vara en horisontell rand över alla divisioner, kommer vi att prata om Shell. Shell driver ett centrum för spetskompetens som rapporterar till den högsta digitala officer - så det finns en annan D för vår CxO-spellista - ansvarig för digital transformation och hållbarhet. Dessa killar, de förstod att deras miljö innehöll flera lager och teknikbunken, lagring, databehandling och allt innehöll teknologier som du alla känner till. Saker som SAP HANA, Databricks, Spark och de utnyttjade det allmänna molnet för att nå de rätt stordriftsfördelarna.
Nu valde de Alteryx som ett analytiskt omslag för en hel del av deras R-kod och matade in i teknologier som Spotfire, Power BI och mer. Men nu ser de att antagandet binder sig mycket närmare vid databehandling och visualisering. Jen, bara ringer tillbaka till din bild med alla dessa funktioner, den här typen av saker sprids när vi börjar göra det möjligt för fler analytiker att få tillgång. Du visste, de var oerhört framgångsrika när det gäller att leverera denna kapacitet och COE, de ville leverera framtida kapaciteter nu, några av dessa djupa inlärningssaker vi pratade om - maskinvision, bearbetning av naturligt språk - och hälften av deras uppdrag är leverans, hälften av det handlar om att förklara och katalysera dessa idéer över olika affärsenheter. Det är en del av resan; COE letar alltid efter olika sätt att kommunicera med sin affärsgrupp.
Med hänsyn till på ena sidan skeptikerna som säger: "Tja, den här svarta ramen kommer aldrig att vara lika bra som min analytiker", hela vägen till fanboy eller entusiasten som ser korrelationer överallt, kanske mindre i vägen för kausala förhållanden, men du måste vara försiktig på båda sidor. Det är en fascinerande mellangrund, när du har denna horisontella rand över en hel organisation, den hybridkompetensuppsättningen som behövs för att övertyga båda sidor av spektrumet.
Nick Jewell: OK, Jen, är du där?
Jen Underwood: Jag är det.
Nick Jewell: Jag antar att det vi försöker säga här med detta citat från Clayton Christensen är att för många organisationer antar jag att förena analysagendan för att driva den digitala omvandlingen som vi har pratat om idag kommer att vara en utmaning. Oftare än inte hittar vi analytiska team som börjar med en svag hand. Att försöka förnya sig med gamla erfarenheter av analytiska processer, teknologier, teamstrukturer och hålla fast vid dessa reliker kommer att bli den största barriären för analytisk anpassning och för analytisk innovation. Har du några tankar om det, Jen?
Jen Underwood: Jag tycker om den bild som valts. Ja, det är verkligen mycket meningsfullt för mig. Du måste omfamna några av dessa nya tekniker, till exempel streaming i realtid. Du kommer inte nödvändigtvis att kunna få dessa realtidsresultat om du måste göra JavaScript-uppdateringar i en webbläsare i sig, med en gammal arv - kanske är det en instrumentpanel-app eller sådana saker. Ja, du behöver omfamna några av dessa nya verktyg, och igen, jag tycker att den här bilden är riktigt söt, en bild säger tusen ord. Vagnen och vagnen, du måste släppa några av de gamla tekniska metoderna.
Nick Jewell: Absolut. Så om vi går vidare till nästa bild, tror vi att det finns ett bättre sätt. Jag antar att jag först och främst använder något som är relaterat till Google-liknande sökning för att snabbt hitta alla dina datatillgångar som är mest relevanta. Att förstå deras sammanhang, förstå beroende, ta hänsyn till riktigt enkla saker som affärsordlistor författade av experter i dina samhällen, hålls vid liv av all den stamkännedom för dina kollegas chefer.
Blir smart med upptäckt av data. Tänk på förmågan att hålla samtal med rapportägare och experter. Ladda upp, göra lite Trip Advisor eller Yelp, ladda upp tillgångarna som är mest användbara, bekräfta de som organisationen tycker är mest värdefulla och sedan allt detta matas in i sökresultaten och i slutändan sökresultat, vilket gör det bättre för nästa användare. När du väl hittat det du letar efter flyttar du in i den snabba, kodfria, användarvänliga, förberedande och analysfasen för att utveckla din perfekta datamängd, från vilken du kan publicera repeterbara processer.
Tillbaka till vårt automatiseringssamtal och bygga upp användarvänliga appar. Vad som behövs för att bygga analytiska modeller. På tal om modeller har vi stött öppen källkodsteknologi som R under flera år, gör det möjligt för oss att bygga upp en riktigt avancerad analytisk kapacitet som täcker beskrivande, men också förutsägbar, föreskrivande analyser, i en enkel, dra-och- släpp sätt.
Nu, till höger sida, faktiskt få den insikten om interaktiva visualiseringar, modeller och poäng som skjuts ner i dataplattformar, eller senast, vilket gör den insikten tillgänglig direkt och direkt inom en affärsprocess. Jag tror att det är detta kapacitetsutbud på hela plattformen som gör att vi kan erkännas som Gold Award-vinnaren i årets Gartner Peer Insights Customer Choice Survey, vilket är en fantastisk prestation. Jag rekommenderar starkt att du besöker Gartner-webbplatsen för att ta reda på mer, lägga till dina egna röster och lägga till din egen kommentar.
Cool, så, Jen, om vi hoppar fram ytterligare en bild - jag antar att när vi avslutar skulle jag vilja ge er alla några nästa steg. Först av allt, besök Alteryx.com för att ladda ner en gratis kopia av vår senaste forskningsöversikt, gjord i samordning med International Institute of Analytics (IIA), kring att bryta ned analytiska hinder. Du kan också besöka udacity.com/alteryx för att lära dig mer om hur du aktiverar dina team, ta nästa steg i sin resa, med den avancerade nano-graden för analys och sedan slutligen uppleva Alteryx själv. Besök hemsidan, ladda ner en fullständig utvärdering och gå ombord med spänningen att lösa.
Jen, över till dig. Vi kan ha lite tid till några frågor och svar.
Eric Kavanagh: Jag ska bara lägga in riktigt snabbt. Vi har ett par frågor. Jag kommer antingen att kasta en till dig först, Nick och sedan Jen, om du vill kommentera det, men det har säkert mer tillämpbarhet för EU och det är den beryktade GDPR, Global Data Protection Regulations. Hur påverkar det Alteryx och din färdplan och vad ni är fokuserade på?
Nick Jewell: Det är mycket boogieman, antar jag, det är där ute just nu. Många människor pratar om det, många människor ganska oroliga, men det är egentligen bara det första i en lång serie förordningar som kommer att komma in i data- och analysvärlden. Från vår synvinkel handlar det verkligen om att förstå och klassificera dina data. Försäkra dig om att du är en CxO för någon speciell smak, du vet var dina tillgångar är, du känner till deras sammanhang och du vet att du kan lita på dem som ett första steg för att verkligen bara styra och hantera data i ett större sammanhang.
Eric Kavanagh: Jag antar att jag kommer att kasta en ny fråga till dig innan vi tar tillbaka Jen tillbaka, Nick, och det är träningsdata, om någon begär att deras data tas bort från ditt företag, det påverkar inte bara deras namn, adress och så vidare, inte bara deras kontaktinformation, utan också, om en algoritm använder träningsdata som inkluderar dina data, ska du göra om algoritmen, är det inte rätt?
Nick Jewell: Det är särskilt komplicerat. Jag tror att idén att inte bara databaser är en källa till en del av denna personligt identifierbara information utan också de analytiska arbetsflödena, apparna, visualiseringarna. Dessa data kommer överallt med en organisation, så att ha det sammanhanget: absolut nödvändigt.
Eric Kavanagh: Och Jen, vad är din tanke? Det är uppenbart att det inte är så stort i USA och vi ser inte för många företag kämpa över det nu, även om det tekniskt gäller det här. Om ett amerikanskt företag har uppgifter om en EU-medborgare, vad tar du då på betydelsen av GDPR och hur stor är det?
Jen Underwood: Jag tror verkligen att det kräver ansvarsfull behandling av data. Jag har skrivit om detta några gånger och har några riktlinjer för några av dessa saker. Jag tycker att frågan som du ställde om algoritmer är intressant. Visst, några av de lösningar som jag tittar på idag, några av deras produktteam har utformat funktioner så att du kan se hur de fattar besluten och vilka personuppgifter som användes för att avgöra resultatet av den algoritmen. Vi ser några effekter på produktdesignen här i USA.
Många av teknologiföretagen har mycket stora kontor här och utvecklingsteam här i staterna såväl som över hela världen, så vi ser det på produktutvecklingen. Jag ser fler datakataloger investeras i. Fler regeringarnas initiativ spinnas upp så att folk förstår och de förstår var all den informationen finns i kaoset. Försöker få sina armar åtminstone organisera det, kunna hitta det och göra något med det.
Eric Kavanagh: Jag kommer att driva den här bilden som vi talade om tidigare och kasta den till dig, Nick. Jag tycker att det här är en fantastisk bild eftersom det för mig verkligen talar för omedelbarheten av ett behov av analys. Vad tycker du om den här förändrade dynamiken? Jag menar, i första hand är att företag måste vara smidiga och jag ser analytik som ledande av den avgift. Vad tror du?
Nick Jewell: Det här är fascinerande. Jag tror att det alltid finns - företag och teknik finns alltid i tre stater, så det kommer antingen att vara krig, fred eller undring. Kriget kommer att handla om den tunga konkurrensnivån. Wonder är alla fantastiska nya saker du bygger på en plattform. Sedan fred innan tävlingen och kriget börjar igen. Jag tror att det alltid finns den här striden.
Innan dagens samtal talade vi om några av de andra konferensen och nyckelanteckningar som pågår runt om i världen idag. Några av de stora molnleverantörerna, de har nått en punkt där de har byggt upp denna plattform och nu bygger de underbara nya saker ovanpå den. Företag måste hålla ett riktigt nära öga på detta och se till att de går med något som har en sammanhängande plattform som kommer att leverera det värdet för framtiden. De kommer att vara de som kommer att överleva denna störning.
Eric Kavanagh: Ja, det är en bra poäng, och du vet, Jen, du kommenterade tidigare, faktiskt före showen, om molnstrategi och hur många människor du känner i branschen säger att stora företag, till och med banker, alla har nu en molnstrategi. Jag har varit förvånad över hur lång tid det har tagit för det att realiseras, och jag antar kanske att några av dem gick till AWS Reinvent-konferensen och insåg hur massiv den är och drog slutsatsen att tiden är inne. Vad tycker du om medvetenheten bland stora företagsledare om import av moln och hur det förändrar deras planering?
Jen Underwood: När jag tänker på den här världen med massiv data, att kunna hantera den, tror jag på vissa nivåer det finns viss sinnesfrid med att ett av de mycket stora företagen tar ansvar för några av säkerhetsaspekterna, så det finns lite lugn där. Du vet att det finns en begränsad skala med moln.
Den andra saken är, och jag såg det, jag var i ett team som omutvecklade en produkt i molnet och det var verkligen en underdog-produkt och ingen ägde någon uppmärksamhet åt den, och inom två år, på grund av veckoplanseringar och till och med, Jag skulle säga, det är nästan till den dagliga frisläppandet i molnet. Jag vet att Amazon säger att de släpper flera gånger per dag. När du har det hotet, när dina konkurrenter kan släppa och förbättra varje dag, vad det än är som de gör, åtminstone inom mjukvaruindustrin - och alla verkligen är i mjukvaruindustrin när du börjar titta på digital transformation - det är en helt annan bollspel och vem som helst kan snurra upp ett moln och skala och bli stort.
Återigen kommer det att vara de data som de utnyttjar som kommer att göra skillnaden och intelligensen i deras algoritmer, och det är därför folk pratar om att data är den nya oljan eller data som är guld. När jag tittar på molnet är det spelbytaren, det möjliggör verkligen mycket, mycket snabb utveckling och skala. Det är fantastiskt.
Eric Kavanagh: Jag tar med dig tillbaka, Nick, för en annan fråga - vi går bara en minut lång här om vi kan komma till några av dessa frågor, men, som jag minns, fem och sex och kanske till och med sju för år sedan var Alteryx verkligen en innovatör när det gäller att utnyttja data från tredje part - så att hämta in data från källor som Experian, till exempel, eller geospatial data. Jag tänker att det förmodligen är en strategisk fördel eftersom den typen är i DNA på Alteryx, eller hur? När företag går mot molnet tror jag att ni har mycket erfarenhet av att kunna överbrygga dessa världar. Världen av on-prem verser från tredje part och molnbaserad data, vad tycker du?
Nick Jewell: Ja, absolut. Den ultimata anslutningen kommer att bli ett så kraftfullt spel för alla företag som kommer att arbeta i denna molnbaserade miljö. Men jag kommer att säga, när vi pratar om något som infonomi, idén att information och data bör betraktas som en tillgång i ditt företag. Det mesta av värdet som du kommer att få in är att ta externa datakällor, blanda dem och berika dem med dina interna källor för att skapa och tjäna pengar på mer värde i processen. Det är absolut viktigt att arbeta med interna och externa data lika.
Eric Kavanagh: Ja, det är en bra poäng. Jag tror att hela världen av hybridmoln är här för att stanna. Jen, jag tänker bara kasta detta till dig för några avslutande kommentarer, kanske. För mig, att ha den strategiska uppfattningen och kunna förena sig som den nya termen och beskriver data över källorna, kommer det att bli en kritisk framgångsfaktor framöver, eller hur?
Jen Underwood: Nej, absolut, och det är roligt, jag hörde den här hybrid, hybrid, hybrid. Du hörde om detta och för fyra år sedan tänker du på Hadoop, Hadoop och big data och sedan började du höra hybrid, hybrid, så säkert varit där, vi är inte nödvändigtvis, det här är året för maskininlärning, bar ingen. Jag menar, konstgjord intelligens, maskininlärningen har tagit scenen i år, men för att verkligen fungera i en organisation idag som är på väg till molnet eller som har att göra med alla dessa olika molndatakällor, kanske det är Salesforce eller Arbetsdag, alla dessa olika typer av källor som lever i molnet, det enda sättet du kan hantera det är att vara hybrid. Du kan omöjligt kopiera data överallt, så du behöver kunna direkt ansluta och du behöver hitta ett sätt att arbeta med data som finns överallt, hitta data överallt, för det är verkligheten där vi har rätt nu.
Eric Kavanagh: Jag tror att jag skulle bli försenad om jag inte fick tillbaka maskininlärning i konversationen, så Nick, jag ska bara kasta det till dig. Jag vet att ni är fokuserade på det nu - kan ni prata om var ni ser maskininlärning i linje med analyser och med den typ av system som vi använder för att förstå vår verksamhet och våra data?
Nick Jewell: Ja, säkert. Så mycket kort, då, låt oss bara snabbt gå tillbaka till vår kompetensgap. Tanken på att vi har organisationer som är helt fyllda med Excel-användare. Vi har datavetare som kommer igenom, men växer inte i samma takt. Det finns ett enormt gap mellan de två. Tänk på var maskininlärning är idag. Hur många algoritmer har vi på vår telefon eller vår klocka som innehåller teknik för maskininlärning? Det är en vara, det är överallt. Vi måste aktivera dessa kraftanvändare på det enklaste sättet för att se till att maskinen tillämpas framgångsrikt inom hela verksamheten.
Eric Kavanagh: Jag kanske kastar en sista till dig, kanske. Vi har ett par frågor som kommer in sent här. Jen, jag ber dig den här. En deltagare kommenterar hela detta koncept med undervisning utan tillsyn och faktum är att du behöver utbildningsdata för att göra det och att träningsdata vanligtvis måste vara specifika för företaget. Även om det finns massor av korrelationer inom branscher finns det många sätt på vilket organisationer liknar. Icke desto mindre är varje företag unikt, vare sig det är sin affärsmodell eller sin strategi för marknadsföring eller försäljning, eller vad som än är fallet, produktutveckling.
Frågan blir, kommer dessa algoritmer att kunna använda tredjepartsdata för utbildning? Det verkar för mig att du alltid kommer att behöva använda dina egna data för att träna dessa algoritmer, även om den cykeltiden kollapsar från sex månader - vilket har varit fallet i vissa fall - ner till 40 dagar eller 20 dagar, oavsett vad fall kan vara. Du måste verkligen använda dina egna data och du måste se till att data är ganska rena, eller hur?
Jen Underwood: Det är verkligen en blandning. Du kommer att vilja ha extern kontext. I själva verket är jag bokad idag rygg mot rygg och mitt nästa webinar pratar om att förbereda och rensa data, ironiskt nog för maskininlärning. Vad som verkligen är nyckeln är att du sätter ihop externt sammanhang med din organisation, och jag älskar att du frågade om förberedelser och rengöring av data, för ärligt talat blir några av verktygen mycket, mycket bra - de kan hantera vissa aspekter av det, men det mänskliga sinnet, eller att kunna dechiffrera problemet och se och se till att de inte har utelämnats - säg att vi har någon form av utelämningsförspänning. Det sätt du tittar på problemet och hur du väljer att utforma problemet som du automatiserar eller beslut som du automatiserar, det finns en konst till det och se till att det korrekt återspeglar den affärsprocessen.
Återgår till mitt exempel med försäkringsbolaget, när vi modellerade churn och vem att hyra för att gå igenom denna sponsrade utbildning för att sälja försäkringar; i själva modellen var inte det lagliga klimatet, olika lagar för olika stater. Det kommer alltid att vara någon aspekt, där du måste ha den externa informationen med dina interna data och, återigen, det mänskliga sinnet. Det kommer att finnas olika komponenter där.
Eric Kavanagh: Jag tror att du tog upp en riktigt bra poäng här. Vi fortsätter att höra om robotar och maskiner och maskininlärning tar över. För mig är detta en mycket störande trend - det råder ingen tvekan om det - men jag ser inte någonsin behovet av att människor i blandningen försvinner, särskilt med analys av data, på företagsdata.
Nick, en sista fråga för dig. Oavsett hur bra algoritmerna blir för dig kommer du alltid att behöva människor övervaka vad som händer, injicera sig själva vid bestämda tidpunkter och verkligen syntetisera den stora bilden av vad som finns där ute. Jag tror inte att någon algoritm någonsin kommer att kunna syntetisera den stora bilden för ett Fortune 2000-företag, men vad tror du?
Nick Jewell: Låt oss ta ett helt icke-Alteryx-exempel, låt oss prata om Uber från förra året. Uber, under terrorhändelsen över i Australien, människor som försökte fly från området, de plötsligt lägger på en kraftig prissättning, för det är vad algoritmen sade att orsaka, orsakade enorma renomméskador. Omedelbart efter det implementerade de människor och algoritmer som arbetade tillsammans. När som helst detta skulle hända, en människa var tvungen att ha övervakning av processen. Det partnerskapet mellan mänsklig och algoritm, det är vägen framåt.
Eric Kavanagh: Wow, det är ett bra exempel, tack så mycket. Tja, folkens, vi har bränt igenom mer än en timme här på vår webcast. Mycket stort tack till Jen Underwood från Impact Analytics. Naturligtvis stort tack till Nick Jewell och Alteryx-teamet för deras tid och uppmärksamhet och till er alla för er tid och uppmärksamhet. Vi uppskattar dessa fantastiska frågor. Vi arkiverar alla dessa webbsändningar för senare visning, dela dem gärna med dina vänner och kollegor. Med det säger vi dig farväl. Utmärkt webcast idag. Tack så mycket igen, vi kommer att komma ikapp dig nästa gång, folkens. Ta hand om dig. Hejdå.
