Od zamestnancov Techopedia, 25. augusta 2016
Jedlo s sebou: Hostiteľka Rebecca Jozwiak diskutuje o fenoméne vnorených analytikov a vedcov v oblasti občianskych údajov s Dr. Robinom Bloorom, Dezom Blanchfieldom a Davidom Sweenorom.
Na prezeranie videa sa musíte zaregistrovať pre túto udalosť. Zaregistrujte sa a pozrite si video.
Rebecca Jozwiak: Dámy a páni, ahoj a vitajte v Hot Technologies. Dnes je našou témou „Vložiť všade: Umožniť vedcovi údajov o občanoch“. Dopĺňam tvojho zvyčajného hostiteľa, toto je Rebecca Jozwiak, ktorá vyplňuje Erica Kavanagha. Áno, tento rok je horúci. Obzvlášť výraz „vedec údajov“ si zasluhuje veľkú pozornosť, aj keď sme ich zvykli nazývať nudnými menami ako „štatistik“ alebo „analytický expert“, do značnej miery sa zaoberajú rovnakým typom činností, ale dostali sexy nové meno a je to získať veľa pozornosti. Je veľmi žiaduce mať na pracovisku, prospešné pre organizáciu a každý to chce. Ale sú: 1) drahé, 2) ťažko dostupné. Viete, bolo to všade v správach o nedostatku zručností vedcov v oblasti údajov, áno, ale napriek tomu ponúkajú organizácii obrovskú hodnotu a ľudia sa do istej miery dožadujú, aby zistili, ako získať túto hodnotu bez toho, aby museli zahodiť desetník. prehovoriť.
Dobrou správou je, že vidíme nástroje a softvér vychádzajúci z tohto nedostatku. Máme automatizáciu, strojové učenie, vstavanú analytiku, o čom sa dnes budeme učiť, a je to niečo, čo vedie k tomuto novému termínu „občanský vedec údajov“ a čo to znamená? Nie, nie je to váš školený vedecký pracovník v oblasti údajov, môže to byť váš podnikový používateľ, váš odborník v oblasti BI, niekto z oblasti IT, niekto, kto má zázemie, ale nie nevyhnutne odbornosť. Čo však robí, tieto nástroje a softvér, je to, že poskytuje viac ľuďom prístup k týmto inteligentným riešeniam, aj keď nemusia poznať hĺbkové kódovanie. Pomáha to však celkovo zlepšovať výkon, keď každému poskytnete trochu lepšieho prístupu k analytickému mysleniu. Nemusíte mať školenie, aby ste mali taký druh zvedavosti, ktorý môže viesť k dobrým poznatkom pre vašu spoločnosť.
Diskutujeme o tom, že dnes s nami prezentuje náš vlastný Robin Bloor, hlavný analytik skupiny Bloor Group, jeden zo samotných nepolapiteľných vedcov údajov, ktorý zavolá Dez Blanchfield, a potom máme Davida Sweenora zo spoločnosti Dell Statistica. A s tým idem odovzdať Robinovi Bloorovi.
Robin Boor: Dobre, ďakujem za úvod. Trochu som o tom premýšľal v historickom kontexte. To, na čo sa tu skutočne pozeráme, je jeden z návrhov Leonarda da Vinciho pre nejaký klzák, ktorý si muž mohol položiť na chrbát. Neviem, či by to skutočne fungovalo. Musím povedať, že by som sa do toho nedostal. Avšak, da Vinci, vždy keď premýšľam o Da Vinci, myslím si, že je to jeden z najviac zvedavých a analytických ľudí, aký kedy existoval. A je celkom jasné, keď sa len pozriete na ten klzák, ktorý je navrhnutý na základe vtáčieho krídla a tak či onak tak či onak študoval lety vtákov, aby ich postavil.
Ak vezmeme historickú perspektívu - skutočne som to pozrel - analytika je možno najstaršou aplikáciou matematiky. Existujú sčítania, ktoré siahajú najmenej do babylonského obdobia. O tom vieme, pretože v zásade existujú klínové tablety, ktoré obsahujú podobné údaje. Nie je známe, či sa niečo vrátilo už skôr. Je zrejmé, že máte civilizáciu s veľkou populáciou ľudí, vyžaduje si to plánovanie a stojí za to vedieť, čo plánujete a aké sú požiadavky týchto ľudí.
A to je miesto, kde to začalo a je to aj miesto, kde začalo pracovať na počítačoch, pretože prvé počítače, skoré mechanické počítače boli vlastne. Myslím si, že prvým bolo sčítanie ľudu vytvorené spoločnosťou Hollerith, ktorá sa podľa mňa stala spoločnosťou IBM. To všetko sa pohlo vpred. Medzi 70. a súčasnosťou došlo k určitému medzičlánku, keď sa dá povedať, že existuje nespočetné množstvo ďalších aplikácií a analytík. Áno, prebiehala analytika - deje sa to vo veľkých organizáciách, najmä v bankách a poisťovniach, a v skutočnosti General Electric, telco a podobné veci -, ale v obchodnom styku sa vo všeobecnosti nevyužívala a teraz sa začína zvykať všeobecne business. A naozaj sa to zmenilo. Prvá vec, o ktorej som si myslel, že by som chcel upriamiť pozornosť, je dátová pyramída, ktorá sa mi obzvlášť páči. To znamená, že som jednu z týchto dvadsiatich rokov - aspoň pred dvadsiatimi rokmi - nakreslil, aby som sa pokúsil pochopiť, skutočne, v tom čase som sa snažil porozumieť BI a niektorým z prvých údajov o ťažbe údajov, ktoré sa práve robili. To, čo som tu definoval, je myšlienka údajov a príklady sú signály, merania, záznamy, udalosti, transakcie, výpočty, agregácie, jednotlivé informačné miesta. Možno ich považujete za molekuly informácií, ale sú to individuálne body. Akonáhle sa dostane do kontextu, stáva sa informáciou. Prepojené údaje, štruktúrované údaje, databázy, vizualizácia údajov, plotre, schemery a ontológie - všetky sa podľa môjho názoru považujú za informácie, pretože to, čo ste urobili, je zhromaždenie rôznych možností a vytvorenie niečoho oveľa viac ako dátového bodu, niečo, čo v skutočnosti má tvar, matematický tvar.
Nad tým máme vedomosti. Na základe preskúmania informácií sa môžeme dozvedieť, že existujú rôzne vzorce, a môžeme ich využiť prostredníctvom formulovania pravidiel, politík, usmernení, postupov a potom to nadobudne formu vedomostí. A skoro všetky počítačové programy, nech už robia čokoľvek, sú znalosťami druhu, pretože pracujú proti údajom a uplatňujú na ne pravidlá. Máme tieto tri vrstvy a medzi vrstvami stále rastie spresnenie. Na ľavej strane tohto diagramu sa zobrazujú nové údaje zadávajúce údaje, takže veľa z týchto vecí je statických. Údaje sa hromadia, hromadia sa informácie a potenciálne poznatky rastú. Na vrchole máme „Porozumenie“ a ja by som tvrdil, aj keď je to filozofický argument, že porozumenie spočíva iba v ľudských bytostiach. Ak sa mýlim, v určitom okamihu budeme všetci nahradení počítačmi. Ale namiesto rozpravy prejdem na ďalšiu snímku.
Keď som sa na to pozrel, zaujímavá vec, toto je niečo nové, bolo zaujímavé vyskúšať, čo vlastne analytika bola. Nakoniec som nakreslil rôzne diagramy a skončil tým, ktorý vyzeral takto: V skutočnosti som dospel k záveru, že v skutočnosti je vývoj analytiky skutočne iba vývojom softvéru s obrovským množstvom matematických vzorcov. Analytické skúmanie sa trochu líši od vývoja softvéru v tom zmysle, že by ste v skutočnosti zobrali mnoho rôznych modelov a preskúmali ich s cieľom získať nové poznatky o údajoch. Ale akonáhle ste ho vygenerovali, implementuje sa to buď v tom, čo považujem za podporu pasívneho rozhodovania, čo sú informácie, ktoré sa užívateľovi práve dostávajú; interaktívna podpora rozhodovania, ktorá je vecou ako OLAP, kde je užívateľovi poskytnutá štruktúrovaná množina údajov, ktoré môžu skúmať a dedukovať veci pre seba pomocou rôznych dostupných nástrojov. Mnoho vizualizácií je takto. A potom máme automatizáciu, ak dokážete zmeniť analytický pohľad, ktorý ste zhromaždili, na súbor pravidiel, ktoré je možné implementovať, nevyhnutne nepotrebujete, aby ste sa do toho zapojili. To je spôsob, akým som sa na to pozrel, keď som to všetko urobil. Začali sa mi objavovať rôzne veci. Akonáhle je oblasť činnosti, povedzme, akonáhle je doména údajov skutočne ťažená, dôkladne ťažená, dôkladne preskúmaná všetkými možnými smermi, nakoniec sa jednoducho stáva kryštalizovanou BI. Znalosť, ktorá sa vynára, sa stáva poznatkom, ktorý rôznych používateľov informuje rôznymi spôsobmi a, dúfajme, zvyšuje ich schopnosť skutočne vykonávať prácu, ktorú robia.
Jedna z vecí, ktoré som si všimol, som sa pozrel na prediktívnu analytiku asi päť rokov, ale prediktívna analytika sa stáva BI, v tom zmysle, že sa to len mení na užitočné informácie, ktoré sa majú odovzdávať ľuďom, a ako som už zdôraznil, K dispozícii je automatizované hlásenie BI, BI exploratívne, BI, veľmi rozdielne stupne a prediktívna analýza vlastne prebieha vo všetkých troch smeroch. A analytický proces, ako som zdôraznil, nie je taký odlišný od vývoja softvéru, iba od rôznych ľudí s mierne odlišnými zručnosťami. Predpokladám, že by som mal zdôrazniť, že zručnosti potrebné na to, aby vedec skutočne dobrý na to, aby získal údaje, trvá roky. Nie sú ľahko získateľní a nie je to veľa ľudí, ale je to preto, že zahŕňa porozumenie matematiky na veľmi sofistikovanej úrovni, aby sme vedeli, čo je platné a čo nie je platné. Vývoj Analytics, objav nových poznatkov, analytická implantácia, je to o tom, aby boli vedomosti funkčné. To je ten typ pozadia, ktorý vidím pre celú analytiku. Je to obrovská oblasť a je v nej veľa, veľa dimenzií, ale myslím si, že zovšeobecnenie sa vzťahuje na všetko.
Potom je tu narušenie podnikania, ako som už spomenul, existuje množstvo organizácií, farmaceutické spoločnosti sú ďalšie, ktoré majú vo svojej DNA analytiku. Ale existuje mnoho organizácií, ktoré to naozaj nemajú vo svojej DNA, a teraz majú schopnosti, teraz softvér a hardvér sú oveľa lacnejšie ako tomu bolo predtým, teraz ich majú možnosť využiť. Povedal by som niekoľko vecí. Prvá vec je, že analytika je, v mnohých prípadoch, výskum a vývoj. Možno len aplikujete analytiku na konkrétnu oblasť organizácie a môže sa zdať všedné, že nejakým spôsobom analyzujete zákaznícke objednávky z rôznych perspektív a spájate ich s inými údajmi. Analytika však v skutočnosti vytvára možnosť pozerať sa na organizáciu ako celok a do značnej miery analyzovať každú konkrétnu činnosť, ktorá prebieha v organizácii a v celom reťazci aktivít. Ale akonáhle sa skutočne presuniete do tejto oblasti, trvám na tom, že je to výskum a vývoj. A je tu otázka, ktorá ma niekoľkokrát položila, a to: „Koľko by mala spoločnosť utratiť za analytiku?“ A myslím si, že najlepším spôsobom, ako premyslieť poskytnutie odpovede na túto otázku, je myslieť na analytiku ako na výskum a vývoj. a opýtajte sa: „Koľko by ste investovali do výskumu a vývoja v oblasti efektívnosti podnikania?“
A podniky, ktoré nie sú s analytikmi, majú veľa vecí, ktoré nevedia. Po prvé, nevedia, ako to urobiť. Normálne, ak sa vlastne chystajú nejakým spôsobom prijať analytické postupy v rámci organizácie - vlastne do značnej miery nemajú inú možnosť, ako sa obrátiť na poradenskú službu, ktorá im v tom môže pomôcť, pretože pre väčšinu z nich by bolo nemožné alebo skutočne veľmi ťažké. firmy, aby skutočne najali vedca údajov, našli ho, zaplatili za neho a skutočne im dôverovali, aby urobili to, čo chcete. Veľmi ťažké. Väčšina podnikov nevie, ako najať alebo vzdelávať zamestnancov, aby skutočne vykonávali túto prácu, a dôvodom je jednoducho to, že ešte nie je v ich DNA, takže to nie je súčasťou ich prirodzených obchodných procesov. To sa premieta do nasledujúceho bodu. Nevedia, ako z neho urobiť obchodný proces. Najlepší spôsob, ako to urobiť, je mimochodom skopírovať, čo farmaceutické spoločnosti a poisťovacie spoločnosti, len sa pozrite, a niektoré spoločnosti v zdravotníckom centre, stačí sa pozrieť na spôsob, akým používajú analytiku a skopírovať ho. Pretože je to obchodný proces. Neviem, ako ho kontrolovať alebo auditovať. To naozaj, najmä teraz, keď obrovské množstvo softvérových spoločností vytvorilo produkty, ktoré automatizujú obrovské množstvo analytických metód. Význam auditu je dôležitý, ak máte na mieste konzultáciu alebo niekoho, komu možno dôverovať, aby pochopili, aké sú výsledky akéhokoľvek analytického výpočtu. Je to druh voľby, ktorú musíte urobiť, ale ak do nej vložíte skutočne výkonné analytické nástroje. do rúk ľudí, ktorí nerozumejú analytike, pravdepodobne skočia k záverom, ktoré nemusia byť správne. A ako som povedal, spoločnosti nevedia, ako na to rozpočet.
Toto sú chuti analytikov, len ich budem behať. Štatistická analytika a štatistické modelovanie sa výrazne líšia od prediktívnej analytiky, z ktorej väčšina mimochodom zodpovedá krivke. Strojové učenie sa líši od tých vecí, analytika ciest a časové rady, ktoré sa v podstate robia na stavových tokoch, sú opäť odlišné. Grafická analýza sa opäť líši a textová a sémantická analýza sa opäť líšia. Poukazuje to iba na to, že ide o veľmi multižánrovú vec. Nie je to tak, že nezačínate robiť analytiku, začnete sa zaoberať problémami, ktoré máte, a hľadáte rôzne nástroje a rôzne druhy analytík, ktoré im budú vyhovovať. A nakoniec sieť. Podľa vývoja hardvéru a softvéru je podľa môjho názoru analytika v plienkach. Ešte je toho veľa, ešte viac a uvidíme, že sa v nasledujúcich rokoch rozvinie. Myslím, že teraz môžem odovzdať loptu Dezovi.
Dez Blanchfield: Áno, hovorte o tvrdom čine, ktorý treba nasledovať, Robine. Túto tému navštívim krátko z jedného z mojich obľúbených uhlov, čo je uhol človeka. V našom každodennom živote sa odohráva toľko zmien. Jedným z najväčších porúch v našom každodennom živote, podľa môjho názoru, je len každodenná práca. Keď sa obrátime na prácu a pokúsim sa urobiť prácu, ktorú si najal, a na zvyšujúce sa očakávanie, že pôjdeš od bežného človeka k superhrdinu a množstvo informácií, ktoré tečú okolo organizácií a veľmi rýchlo, je to významná výzva a stále viac musíme ľuďom poskytovať lepšie a lepšie nástroje, aby sa dokázali vyrovnať s tokom vedomostí a informácií, a tak som si myslel, že by som sa k tomu mal pokúsiť z trochu zábavného uhla, Vždy mi však pripadá to, ako máme túto veľkú myseľ alebo flash davy a tak ďalej, ktoré nás vedú k tomu, o čom hovoríme ako o analytike, ale v skutočnosti hovoríme o sprístupňovaní informácií ľuďom a umožňuje im to interagovať a robiť to tak, že je to prirodzené a cíti sa normálne.
A v skutočnosti mi to pripomína video YouTube malého dieťaťa, malého dieťaťa, ktoré sedí na zemi a sedí tam, hrá sa s iPadom a máva okolo, zviera a stlačí a pohybuje sa z obrazov a hrá sa s obrazovkou, údaje tam. A potom rodič vezme iPad preč a dá detskému časopisu časopis, tlačený časopis. A toto dieťa pravdepodobne nemá viac ako dva roky. Dieťa sa začne pokúšať prejsť prstom po obrazovke časopisu a stlačiť a stlačiť a časopis neodpovedá. Dieťa zdvihne prst, pozrie sa naň a pomyslí si: „Hmm, nemyslím si, že môj prst pracuje, “ pichne sa do ruky a myslí si: „Nie, môj prst pracuje, cítim svoju ruku a to vyzerá dobre, “a krúti prstom, prst sa krčí a reaguje. Áno. Potom sa pokúsi znova komunikovať s časopisom, a nízko a hľa, neškrabne a nestlačí a neposunie. Potom zoberú časopis a odložia iPad naspäť do lona, a zrazu to funguje. A tak tu je dieťa, ktoré prišlo a bolo vyškolené na používanie analytického nástroja alebo nástroja na živé vysielanie na zábavu a nedokáže zistiť, ako by mal časopis fungovať a ako listovať stránkami.
A to je samo o sebe zaujímavý koncept. Ale keď premýšľam o znalostiach pohybujúcich sa okolo organizácií a o tom, ako toky údajov a spôsob, akým sa ľudia správajú, často premýšľam o tejto koncepcii toho, čo sa ľudia naučili byť flash mob, čo je udalosť, na ktorej a aké sociálne médiá to je ešte ľahšie urobiť, myšlienka ako taká ide na toto miesto v tomto okamihu a v deň a akciu, alebo sa video a naučiť sa tieto tance, alebo nosiť tento farebný klobúk a ukazovať na sever v jednu hodinu. A vystrčíte to z vašej siete a vždy celá záťaž ľudí, stovky z nich, sa objavia na rovnakom mieste v rovnakom čase a urobia to isté a je tu tento faktor wow, ako napríklad: „Svätá krava, to bolo naozaj pôsobivé! “Ale v skutočnosti je to skutočne jednoduchý nápad a jednoduchý koncept, ktorý sa práve vytlačí cez naše siete a dostaneme tento výsledok, ktorý je vizuálne ohromujúci a počuteľne pôsobivá. A keď premýšľate o organizácii, o tom, ako chceme, aby sa ľudia správali a ako chceme, aby sa zaoberali informačnými systémami a zákazníkmi, je to často také jednoduché, je to nápad alebo koncept alebo kultúrna alebo behaviorálna vlastnosť, ktorú sa snažíme absolvovať prostredníctvom a posilňovaním nástrojov a informácií.
A oporou všetkého je táto mantra, ktorú som mal viac ako dve a pol desaťročia, a to znamená, že ak vaši zamestnanci nemôžu nájsť to, čo potrebujú pre svoju prácu, či už ide o nástroje alebo informácie, vždy vymenia koleso. Takže teraz je to stále sa zvyšujúca výzva, kde máme veľa vedomostí a veľa informácií a vecí, ktoré sa pohybujú veľmi rýchlo, aby sme zastavili ľudí, ktorí znovu objavujú koleso. A keď premýšľame o našom pracovnom prostredí, vracajúc sa k ľudskému uhlu, ktorý je jedným z mojich obľúbených, bol som ohromený, keď sme boli prekvapení, že kóje neboli priaznivým prostredím na dosiahnutie dobrých výsledkov, alebo sme usporiadali veci takhle strašné obrázky tu, a to sa príliš nezmenilo, len spustil steny a nazval ich otvorenými pracovnými priestormi. Uprostred so žltou slučkou okolo nich sú dvaja ľudia, ktorí si vymieňajú vedomosti. A napriek tomu, ak sa pozriete na zvyšok miestnosti, všetci tam sedia a poslušne sa búchajú, čím ukladajú informácie na obrazovku. A častejšie ako nie, v skutočnosti si nevymieňajú vedomosti a údaje, a existuje mnoho dôvodov. Ale interakcia v strede podlahy vľavo tam v žltom kruhu, sú tam dvaja ľudia, ktorí tam chatujú, vymieňajú si vedomosti a pravdepodobne sa snažia nájsť niečo, pokúšajúc sa povedať: „Viete, kde je táto správa, kde ja nájdu tieto údaje, aký nástroj používam na to, aby som urobil túto vec? “A pravdepodobne to nefungovalo, takže nemajú nič a putovali po podlahe, porušili pravidlo kancelárskych priestorov skrine a robili to osobne.
A v kancelárii sme mali podobné prostredie, na ktoré sme si žartujúco pobavili, ale realita je taká, že sú dosť silné a efektívne. Jednou z mojich obľúbených je mobilná alebo fixná analytická platforma s názvom vodný chladič, kde sa ľudia dostanú hore a rozprávajú sa tam, vymieňajú si vedomosti a porovnávajú nápady a vykonávajú analýzu, keď stoja pri vodnom chladiči a vymieňajú si nápady. Keď premýšľate o nich, sú to veľmi silné koncepty. A ak ich dokážete preložiť do svojich systémov a nástrojov, získate úžasný výsledok. A máme najobľúbenejšie obľúbené položky, ktoré sú v podstate najsilnejším centrom distribúcie údajov v kancelárii, inak známe ako recepcia. A ak niečo nenájdete, kam idete? Dobre chodíte do prednej časti kancelárie a chodíte na recepciu a poviete: „Viete, kde x, y, z je?“ A odvážim sa niekoho povedať, že to neurobili aspoň raz v novom prácu alebo v určitom okamihu, keď jednoducho niečo nenájdu. A musíte sa opýtať sami seba, prečo tomu tak je? Malo by to byť niekde na intranete alebo nejakom nástroji alebo čomkoľvek. Malo by byť ľahké ho nájsť.
Pokiaľ ide o údaje a analytiku a nástroje, ktoré sme našim zamestnancom poskytli, aby vykonávali svoju prácu a spôsob, akým ľudia interagujú s úlohami, mám názor, že pred nedávnym vznikom analytických nástrojov a veľkých dátových platforiem alebo „spracovanie údajov“, ktoré nazývame aj starou školou, podávanie správ a zdieľanie znalostí nebolo ani zďaleka dynamické alebo kooperatívne alebo otvorené, a keď premýšľate o type systémov, s ktorými ľudia očakávajú prácu, mali sme klasiku, čo ľudia teraz volajú odkaz, ale realita je taká, že je to len dedičstvo, ktoré sa tu stalo, a stále je tu dnes, a preto to nie je skutočné dedičstvo. Tradičné personálne systémy a systémy ERP - riadenie ľudských zdrojov, plánovanie podnikových zdrojov, správa podnikových údajov a systémy, ktoré používame na správu informácií na riadenie spoločnosti. Je to vždy ticho. A od začiatku to sú jednoduché platformy, ako sú napríklad intranetové oddelenia, ktoré sa snažia komunikovať, kde sú veci a ako ich získať a ako interagovať so znalosťami v okolí. Toto objavíme na našom intranete. Je to len také dobré, ako ľudia, ktorí robia čas a úsilie, aby to tam dali, inak vám to len zostane v hlave. Alebo máte dáta umiestnené úplne dole na potravinovom reťazci, v podnikových sieťach SAN a vo všetkom medzi tým, takže siete úložného priestoru sú plné súborov a údajov, ale kto vie, kde ich nájsť.
Tieto uzavreté dátové platformy alebo uzavreté systémy sme častejšie stavali, takže ľudia sa vracali k podobným tabuľkám a PowerPoints, aby mohli informácie šíriť po celom svete. Podľa môjho názoru sa však nedávno udiala zaujímavá vec, a to, že mobilné zariadenia a internet vo všeobecnosti fungujú tak, že si myslia, že by veci mohli byť v skutočnosti lepšie. A predovšetkým v spotrebiteľskom priestore. Je zaujímavé, že v každodennom živote sme začali mať veci ako internetové bankovníctvo. Nemuseli sme fyzicky chodiť do skutočnej banky, aby sme s nimi mohli komunikovať, mohli sme to urobiť telefonicky. Pôvodne to bolo neohrabané, ale potom prišiel internet a my sme mali webovú stránku. Viete a koľkokrát ste v poslednej dobe vlastne boli vo svojej banke? Vlastne to nemôžem, o tom som hovoril druhý deň a vlastne si nepamätám, kedy som naposledy šiel do svojej banky, čo ma dosť šokovalo, myslel som si, že si to musím vybaviť, ale bolo to tak dlho Predtým si vlastne nemôžem spomenúť, keď som tam išiel. A tak teraz máme tieto prístroje v ruke vo forme mobilov a telefónov, tabletov a notebookov, máme siete a prístup k nástrojom a systémom a spotrebiteľskému priestoru sme sa dozvedeli, že veci môžu byť lepšie, ale pretože rýchlej zmeny v spotrebiteľskom priestore, ktorá bola letargickejšou a glaciálnou zmenou v podnikoch a prostrediach, sme túto zmenu neberú vždy do každodenného pracovného života.
A milujem strká zábavu tým, že nemôžete žiť dáta v streame na papieri. Na tomto obrázku je tu osoba sediaca pri pohľade na niektoré analytiky, ktoré sa vykonávajú, a je tu krásny graf, ktorý vytvoril niekto, komu je pravdepodobne vyplatené veľa peňazí ako štatistik alebo poistný matematik a oni tam sedia a snažia sa robiť analytika na papieri a strkanie na to. Ale tu je pre mňa desivá vec: Napríklad títo ľudia v tejto rokovacej sále a použijem to ako príklad, interagujú s údajmi, ktoré sú teraz historické. A je to také staré, od kedy bola táto vec vyrobená a potom vytlačená, takže možno je to týždenná správa. Teraz rozhodujú o nie príliš zlých údajoch, ale o starých údajoch, ktoré môžu byť vždy zlé údaje. Dnes sa rozhodujú na základe niečoho, čo je historické, čo je skutočne zlé miesto. Dokázali sme nahradiť túto tlačenú kópiu podobnou tabletom a telefónom, pretože sme v spotrebiteľskom priestore pracovali veľmi rýchlo a teraz sme pracovali v podnikovom priestore, že v reálnom čase sú informácie skutočnou hodnotou.
A v tom sa zlepšujeme. A to ma privádza k bodu, ktorý Robin uviedol skôr, to bol koncept vedca občianskych údajov a hnacou silou tohto konceptu. Podľa môjho názoru je občan v oblasti údajov občanom len obyčajný človek so správnymi nástrojmi a informáciami o tom, čo sa páči iPadu. Nemusia robiť matematiku, nemusia poznať algoritmy, nemusia vedieť, ako používať algoritmy a dáta pravidiel, jednoducho musia vedieť, ako používať rozhranie. A to ma privádza späť k môjmu úvodu a pojmu batoľa, ktorý tam sedí s iPadom oproti časopisu, oproti iPadu. Batoľa sa môže veľmi rýchlo, intuitívne naučiť, ako používať rozhranie iPadu na ponorenie sa do informácií a interakciu s nimi, aj keď možno hra alebo streamovanie médií alebo videa. Nemohla však získať rovnakú reakciu alebo interakciu z panela s časopismi a iba blikať stránku za stránkou, čo nie je príliš pútavé, najmä ak ste batoľa vyrastajúca s iPadmi. Ľudské bytosti sa vždy môžu veľmi rýchlo pozerať a učiť sa, ako riadiť nástroje a veci, ktoré im poskytneme, a ak im poskytneme rozhranie, ako sú mobilné zariadenia a najmä tablety a smartfóny s dostatočne veľkými obrazovkami, a najmä ak dokážete vzájomne spolupracovať. je v kontakte, s pohybmi prstov, zrazu dostanete tento koncept vedca občianskych údajov.
Niekto, kto dokáže aplikovať vedu o údajoch so správnymi nástrojmi, ale bez toho, aby musel vedieť, ako to urobiť. A podľa môjho názoru veľa z toho, ako som už povedal, bolo poháňané vplyvom spotrebiteľov, ktorý sa zmenil a zmenil na dopyt a podnikanie. Niekoľko skutočne rýchlych príkladov. My, mnohí z nás by sme začali robiť veci s našimi blogmi a webmi, ako napríklad vkladaním malých reklám alebo sledovaním sledovania a pohybu, používali sme nástroje ako Google Analytics a boli sme prebudení k tomu, že v našich blogoch a malých webových stránkach, mohli by sme tam vložiť malé kúsky kódu a spoločnosť Google by nám poskytla informácie v reálnom čase o tom, kto navštevuje web, kedy a kde a ako. A v reálnom čase sme skutočne videli ľudí, ako sa dostali na webovú stránku, prešli stránkami a potom zmizli. A bolo to docela úžasné. Milujem to stále, keď sa pokúšam vysvetliť ľuďom v reálnom čase analytiku, ktorú mi hlúpe, aby som im len ukázal web s pripojeným nástrojom Google Analytics a skutočne videl živú interakciu s ľuďmi, ktorí bijú na webové stránky, a opýtam sa ich: „Predstavte si, mali ste takéto informácie o svojej firme v reálnom čase. “
Zoberme si príklad pre maloobchod a možno aj pre farmaceutický priemysel. Myslím, že to nazývate obchod s drogami v Amerike, lekáreň, do ktorej chodíte a kupujete všetko od tabliet od hlavy až po slnečné krémy a klobúky. Pokus o spustenie tejto organizácie bez informácií v reálnom čase je strašidelný koncept, teraz vieme, čo vieme. Napríklad môžete zmerať pešiu premávku, môžete umiestniť zariadenia okolo obchodu s veselou tvárou na jednej strane obrazovky, pretože ste šťastní a nešťastnou červenou na pravej strane a niektorými rôznymi odtieňmi uprostred. A v týchto dňoch existuje platforma s názvom „Happy or Not“, v ktorej vchádzaš do obchodu a môžeš rútiť šťastnou tvárou alebo smutnou tvárou v závislosti od spätnej väzby od vašich živých zákazníkov. A to môže byť interaktívne v reálnom čase. Môžete získať živé dopytové ceny. Ak je tam veľa ľudí, môžete ceny trochu zvýšiť a môžete napríklad zistiť dostupnosť akcií a napríklad ľuďom povedať - napríklad letecké spoločnosti ľuďom povedia, koľko miest je teraz na webe k dispozícii, keď Rezervujete si let, nepridávate sa náhodne a dúfate, že sa môžete obrátiť a získať let. Živé údaje o ľudských zdrojoch vám umožňujú zistiť, kedy ľudia pracujú a pracujú mimo služby. Obstarávanie, ak ste v obstarávaní a máte živé údaje, môžete robiť veci, ako napríklad počkať jednu hodinu a zaistiť proti cene amerického dolára, aby ste si kúpili svoje ďalšie zásoby a nechali sa načítať veľa vecí.
Keď zobrazujem ľuďom Google Analytics a prenášam tento druh anekdoty, tento okamih Eureka, tento okamih „a-ha!“, Táto žiarovka zhasne v ich mysli ako „Hmm, vidím veľa miest, kde by som to mohol urobiť, Keby som mal len nástroje a keby som mal prístup k týmto vedomostiam. “A teraz to vidíme v sociálnych médiách. Každý, kto je dôvtipným používateľom sociálnych médií, okrem toho, že iba ukazuje svoje raňajky, má tendenciu pozerať sa na to, koľko ľudí má rád, koľko návštev dostáva a koľko priateľov dostáva, a robí to pomocou rád, povedzme, Twitter ako analytický nástroj. Ak chcete použiť tento nástroj, môžete ísť na Twitter.com, ale napíšete ho do bodky combo služby Google Twitter Analytics alebo kliknete na pravé horné tlačidlo a vyberiete ponuku a urobíte to. Získate tieto pekné živé grafy, ktoré vám povedia, koľko tweety, ktoré robíte sami a koľko interakcií s nimi. A analytika v reálnom čase iba na vašich osobných sociálnych médiách. Predstavte si, že sme mali radi služby Google Analytics a Facebook a LinkedIn a Twitter, štatistiky eBay prichádzajúce na vás, ale vo vašom pracovnom prostredí.
Teraz máme na dosah ruky živý druh webu a mobilných zariadení, stáva sa to konceptom moci. A to ma privádza k môjmu záveru, a to je to, že som vždy zistil, že organizácie, ktoré využívajú nástroje a technológie čoskoro, získajú takú významnú výhodu oproti svojim konkurentom, že konkurenti nikdy nemôžu dobehnúť. A teraz to vidíme v konflikte s vedcom občianskych údajov. Ak dokážeme zobrať ľudí so zručnosťami, vedomosťami, pre ktoré sme ich najali, a môžeme im poskytnúť správne nástroje, najmä schopnosť vidieť údaje v reálnom čase a objavovať údaje a vedieť, kde to je, bez toho, aby sme museli chodiť po skriniach. a položiť otázky nahlas, musieť ísť a stáť pri vodnom chladiči, aby urobili nejaké porovnávacie analýzy s ľuďmi alebo ísť a opýtať sa recepcie, kde je index. Ak to dokážu urobiť na dosah ruky a môžu si to vziať na schôdzku s nimi a sedieť v zasadacej miestnosti a listovať obrazovkami v reálnom čase a nie v tlačenej podobe, zrazu sme splnomocnili našich zamestnancov, ktorí nepotrebujú byť skutoční vedci údajov, ale skutočne využívať vedu údajov a prinášať úžasné výsledky pre organizácie. A myslím si, že tento bod zvratu, ktorý sme v skutočnosti prešli teraz, keď je spotrebiteľ tlačený do podnikania, je výzvou, ako tento podnik zabezpečíme, a to je téma, o ktorej dnes hovorím. A s tým idem zabaliť svoj kus a odovzdať, aby som počul, ako by sme to mohli vyriešiť. Dávid, k tebe.
David Sweenor: Dobre, veľmi pekne ďakujem chlapci a ďakujem Robin. Vieš, Robin, súhlasím s tvojím pôvodným hodnotením. Analytický proces sa v skutočnosti nelíši iba od vývoja softvéru. Myslím si, že výzva v organizácii je naozaj, viete, možno veci nie sú také dobre definované, možno je v nich exploratívna zložka a kreatívna súčasť. A Dez, vieš, súhlasím s vami, existuje veľa objavovania kolesa a viete, neexistuje organizácia, do ktorej dnes idem, pýtate sa, dobre, prečo to robíte týmto spôsobom? Prečo podnik funguje týmto spôsobom? A je ľahké sa pýtať a mnohokrát, keď ste v organizácii, je ťažké zmeniť. Milujem analógiu, konzumáciu vecí. A tak už keď idem na letisko a chcem zmeniť svoje miesto - robím to na svojom mobilnom telefóne. Nemusím ísť hore k agentovi pri stánku a pozerať sa, ako tento agent niečo zadáva na monochromatickom monitore na 15 minút, aby som zmenil priradenie môjho kresla. Radšej to robím na telefóne, a preto je to zaujímavý vývoj.
Dnes budeme trochu hovoriť o kolektívnej inteligencii. Pre tých, ktorí si to neuvedomujú, je Statistica špičkovou analytickou platformou, ktorá funguje už viac ako 30 rokov. Ak sa pozriete na ktorúkoľvek z publikácií v analytickom priemysle, vždy vychádza na špičke ako jeden z najintuitívnejších a najjednoduchšie použiteľných analytických softvérových balíkov. Posledných pár rokov sme preto pracovali na koncepcii nazývanej kolektívna inteligencia a posunuli sme ju na ďalšiu úroveň. Chcel som začať túto konverzáciu s: ako sa vo vašej organizácii vykonáva práca?
A tu sú dva obrázky. Ten naľavo je obrázok zo 60. rokov a svoju kariéru som nezačal v 60. rokoch, ale obrázok napravo je - v polovodičovej továrni som začal pracovať. A ja som pracoval v tej čiernej budove, čierna strecha hore vľavo hore. Ale vyrobili polovodičové materiály. Toto je nedávny obrázok zo služby Obrázky Google. Keď sa však vrátime k obrázku v 60. rokoch vľavo, je to veľmi zaujímavé. Máte týchto ľudí sedieť v rade, a oni vyrábajú, viete, integrované obvody a polovodiče. Existuje však štandardizácia, existuje štandardný spôsob, ako veci robiť, a bol tu dobre definovaný proces. Viete, možno preto, že všetci títo ľudia sedia v otvorenom prostredí, možno došlo k určitej spolupráci. Myslím si, že sme to trochu stratili v rámci vedomostnej pracovnej sily.
Keď som v tej budove v ľavom hornom rohu sedel, ak som s niekým chcel spolupracovať, nebolo to otvorené. Boli tam tieto kancelárie, možno niektorí z tímov boli vzdialení, alebo možno som musel chodiť cez tento areál; bolo to 25 minút chôdze a musel by som sa porozprávať s niekým v budove úplne vpravo. Myslím, že sme pri tom niečo stratili. A tak viete, mal som tú istú myšlienku, prečo ľudia - koľko ľudí stále objavuje koleso vo vašej organizácii? Myslím si, že viete, organizácie ako celok odviedli dobrú prácu v 90. a 2000. rokoch s CRM a skladovaním údajov av rozsahu BI. Z nejakého dôvodu analytika trochu zaostala. Do skladovania údajov a do štandardizácie a normalizácie vašich údajov, a to všetko a do CRM, došlo k významným investíciám, ale analytika z nejakého dôvodu zaostávala. A ja som zvedavý, prečo. Možno existuje kreatíva - možno nie je váš proces dobre definovaný, možno neviete, aké rozhodnutie alebo páku sa snažíte zmeniť, vo svojom podnikaní. Keď dnes chodíme do organizácií, veľa ľudí robí tabuľky veľmi ručne v tabuľkách.
A viete, dnes ráno som sa pozrel na stat, myslím, že 80, 90 percent tabuliek má chyby, a niektoré z nich môžu byť veľmi významné. Rovnako ako v prípade Whale, kde JPMorgan Chase stratil miliardy a miliardy dolárov v dôsledku tabulkových chýb. Takže mám predpoklad, že musí existovať lepší spôsob, ako veci dosiahnuť. A ako sme už spomenuli, máme týchto vedcov údajov. Títo chlapci sú drahí a ťažko sa nájdu. A niekedy sú trochu čudné kačky. Myslím si však, že viem, že keby som musel zhrnúť, čo je vedec údajov, pravdepodobne to niekto chápe. Myslím, že je to niekto, kto chápe matematiku, niekto, kto chápe problém. A naozaj, niekto, kto dokáže komunikovať výsledky. A ak ste vedec údajov, práve teraz máte veľké šťastie, pretože váš plat sa v posledných rokoch pravdepodobne zdvojnásobil.
Ale pravdu povedané, mnoho organizácií nemá týchto vedcov údajov, ale vaša organizácia má inteligentných ľudí. Máte organizáciu, máte veľa inteligentných ľudí a používajú tabuľky. Viete, štatistika a matematika nie sú ich prvoradou úlohou, ale používajú údaje, aby posúvali podnikanie vpred. Skutočne je výzvou, ktorej sa zaoberáme, to, ako sa máte, ak máte šťastie, že máte vedca údajov alebo štatistika alebo dva, ako ich môžete vziať a ako môžete zlepšiť spoluprácu medzi týmito ľuďmi a ďalšie osoby vo vašej organizácii? Ak sa pozrieme na štruktúru našej organizácie, začnem a pôjdem sprava doľava. A viem, že to je pozadu, ale máme tento rad podnikových používateľov.
Toto je väčšina vašej populácie pracujúcej s vedomosťami a pre týchto ľudí musíte vložiť analytiku do svojich obchodných aplikácií. Možno vidia analytický výstup na obrazovke call centra alebo podobne a hovorí im o najbližšej najlepšej ponuke, ktorá sa dá dať zákazníkovi. Možno je to spotrebiteľ alebo dodávateľ na webovom portáli a okamžite im dáva kredit alebo podobné veci. Ideou však je, že spotrebúvajú analytiku. Ak pôjdeme do stredu, sú to títo vedomostní pracovníci. Toto sú ľudia, ktorí dnes robia s tabuľkami veci, ale tabuľky sú náchylné na chyby a v určitom okamihu dôjdu plyny. Títo vedci v oblasti občianskych údajov, ako ich nazývame, viete, to, čo sa im snažíme urobiť, je skutočne zvýšenie úrovne automatizácie.
A analytikmi budete počuť, že 80 až 90 percent práce je v príprave dát a nie je to skutočná matematika, ale je to príprava údajov. Snažíme sa to zautomatizovať, či už to urobíte, a máme sprievodcov a šablóny a opakovane použiteľné veci a v skutočnosti nemusíte mať vedomosti o základnej infraštruktúre vo vašom prostredí. A potom, keď sa pozrieme na krajnú ľavicu, máme týchto vedcov údajov. A ako som už spomenul, je ich nedostatok. A to, čo sa snažíme urobiť, aby boli produktívnejšie, je umožniť im vytvárať veci, ktoré môžu títo vedci o občianskych údajoch urobiť. Premýšľajte o tom ako o bloku Lego, aby títo vedci mohli vytvoriť opakovane použiteľné aktívum, ktoré môže vedec údajov o občanoch použiť. Postavte to raz, takže nemusíme neustále objavovať koleso.
A potom sa títo ľudia môžu obávať, či dokážeme robiť veci v databáze a využívať existujúce investície do technológií, ktoré vaša spoločnosť uskutočnila. Vieš, v dnešnej dobe nemá zmysel premieňať si dáta do celého sveta. Ak sa pozrieme na Štatistiku, ako som už spomenul, ide o platformu, ktorá bola už dosť dlho. A je to veľmi inovatívny produkt. Miešanie údajov, neexistuje zdroj údajov, ku ktorému nemáme prístup. Máme všetky veci na zisťovanie a vizualizáciu údajov, ktoré by ste očakávali; môžeme to urobiť v reálnom čase. A pravdepodobne to má - myslím, že v softvérovom nástroji existuje viac ako 16 000 analytických funkcií, takže je to viac matematiky, ako som kedy mohol použiť alebo porozumieť, ale je to tam, ak ju potrebujete.
Máme schopnosť kombinovať obchodné pravidlá a analytické pracovné postupy, aby sme mohli skutočne podnikať. Prejdete ďalej, len tu je algoritmus, tu je pracovný postup, ale máte obchodné pravidlá, s ktorými sa vždy musíte vysporiadať. Vo vláde sme veľmi bezpečne. Sme zvyknutí na veľa farmaceutických klientov, v ktorých nám FDA dôveruje. Viete, iba dôkaz v pudingu, že máme kontroly a schopnosť auditu, aby ich akceptovali. A nakoniec, viete, sme otvorení, flexibilní a rozšíriteľní, takže musíte vytvoriť platformu, ktorá znamená, že chcete, aby vaši vedci údajov boli produktívni, chcete, aby vaši vedci s údajmi o občanoch boli produktívni, chcete byť schopní nasadiť tieto analytické výstupy pracovníkom vo vašej organizácii.
Ak sa na to pozrieme, tu je príklad niektorých vizualizácií. Ale byť schopní distribuovať svoj analytický výstup podnikovým používateľom, takže prvým príkladom vľavo je sieťový analytický diagram. A možno ste vyšetrovateľ podvodov a vy neviete, ako sa tieto spojenia vytvárajú, a to môžu byť ľudia, môžu to byť subjekty, môžu to byť zmluvy, všetko skutočne. Ale môžete s ňou manipulovať a komunikovať s ňou, aby ste skutočne porozumeli - ak ste vyšetrovateľ podvodov, porozumeli ste prioritnému zoznamu osôb, ktoré sa majú vyšetrovať, správne, pretože nemôžete hovoriť so všetkými, takže musíte uprednostniť.
Ak sa pozrieme na obrázok na pravej strane, jedná sa o skutočne zaujímavý problém s informačným panelom prediktívnej údržby. Možno ste vlastníkom letiska a máte tam tieto telesné skenery. Tieto telesné skenery, ak idete na letisko, tam sú niektoré komponenty, ktoré majú asi deväťmesačnú trvanlivosť. A tieto veci sú naozaj, naozaj drahé. Ak mám na svojom letisku viac vstupných bodov, viac skenerov, číslo jedna, chcem sa ubezpečiť, že som na každom bráne správne obsadený a pokiaľ ide o časti skenerov, nechcem si ich tiež objednať. skoro, a ja ich chcem mať skôr, ako sa rozpadne. Máme schopnosť, možno, ak vlastníte letisko, vedieť predvídať, kedy sa tieto veci zlomia, a predpovedať počet zamestnancov.
Ak sa pozrieme na pravú dolnú časť, je to tak, že ste vo výrobnom prostredí, jedná sa iba o grafické znázornenie výrobného postupu. A to je trochu ťažké vidieť, ale v týchto rôznych procesných sektoroch sú červené a zelené semafory, takže ak som technik, tak tam chodí veľmi sofistikovaná matematika, ale v tomto konkrétnom spracovateľskom sektore môžem prejsť a pozrieť sa na parametre a vstup, ktorý môže spôsobiť, že to bude mimo kontroly. Ak sa pozrieme na nášho vedca údajov o občanoch, naším cieľom je skutočne uľahčiť to vedcovi údajov o občanoch. Máme sprievodcov a šablóny a jednu vec, ktorá je podľa mňa skutočne zaujímavá, je, že máme tento automatizovaný uzol kontroly zdravotných údajov. A naozaj, čo to robí, má vstavané inteligentné telefóny.
Spomenul som prípravu údajov - vyžaduje to značné množstvo času, a to ako pri agregácii údajov, tak pri ich príprave. Ale predpokladajme, že mám svoje údaje, môžem ich spustiť cez tento uzol kontroly zdravotných údajov a skontroluje stálosť, riedkosť a odľahlé hodnoty a všetky tieto veci vyplní chýbajúce hodnoty a urobí veľa matematiky, ktorú nemám Nerozumiem, takže môžem buď prijať predvolené hodnoty, alebo ak som trochu múdrejší, môžem ich zmeniť. Ide však o to, že chceme tento proces automatizovať. Táto vec vykoná asi 15 rôznych kontrol a výsledkov vyčisteného súboru údajov. Robíme to preto, aby sme ľuďom uľahčili vytváranie týchto pracovných postupov.
To je miesto, kde hovoríme o spolupráci medzi vedcami údajov a vedcami údajov o občanoch. Ak sa pozrieme na tieto obrázky vpravo, vidíme tento postup prípravy údajov. A možno je to veľmi prepracované, možno je to tajná omáčka vašej spoločnosti, neviem, ale vieme, že niekto vo vašej organizácii má prístup k jednému alebo viacerým z týchto dátových síl, ktoré máme. Potrebujeme spôsob, ako číslo 1, chytiť ich a spojiť ich dohromady, a číslo dva, možno existuje špeciálne spracovanie, ktoré chceme urobiť, že je to mimo našej kontroly zdravotného stavu údajov, a to je tajná omáčka vašej spoločnosti. Tento pracovný postup môžem vytvoriť v našej organizácii a zbalí sa ako uzol. Vidíte šípku smerujúcu nadol, je to iba uzol a v organizácii môžeme mať sto týchto vecí. Ide o to, že máme ľudí, ktorí vedia niečo o určitom priestore, môžu vytvoriť pracovný tok a niekto iný to môže znova použiť. Snažíme sa minimalizovať obnovu kolesa.
A to isté môžeme urobiť aj s pracovnými postupmi analytického modelovania. V tomto prípade napravo, v tomto pracovnom postupe, možno existuje 15 rôznych algoritmov a chcem si vybrať ten najlepší pre danú úlohu. A nemusím chápať ako vedec v oblasti údajov o občanoch, čo sa tu deje v tomto pavučine, ale len sa zhroutí do uzla a možno tento uzol jednoducho povie: „Vypočítajte skóre úverového rizika.“ „Vypočítajte šancu infekcie miesta chirurgického zákroku, “čo máte. „Vypočítajte pravdepodobnosť, že niečo bude podvodnou transakciou.“ Ako vedec s údajmi o občanoch môžem použiť túto veľmi sofistikovanú matematiku, ktorú vytvoril niekto iný, možno jeden z týchto vedcov údajov vybudoval v mojej organizácii.
Z hľadiska údajov, viete, hovoril som s vedcami údajov, ktorí milujú písať kód, a hovoril som s vedcami údajov, ktorí nenávidia písať kód. A to je v poriadku, takže máme veľmi vizuálne grafické grafické rozhranie. Môžeme chytiť naše údaje, môžeme vykonať automatickú kontrolu stavu údajov a možno chcem napísať kód. Páči sa mi Python, páči sa mi R, ale myšlienka je, že títo vedci údajov majú nedostatok zdrojov a kód sa im páči v určitom jazyku. Nemáme osobitnú prednosť pre jazyk, v ktorom chcete kódovať, takže ak chcete robiť R, R; Ak chcete robiť Python, urobte Python. To je skvelé. Ak chcete roztrhnúť svoju analýzu na Azure, roztrhnite ju do cloudu. Cieľom je teda skutočne ponúknuť flexibilitu a možnosti, vďaka ktorým budú vaši vedci s údajmi čo najproduktívnejší.
Teraz vedci pracujú s údajmi, sú to celkom inteligentní ľudia, ale možno nie sú špecialisti na všetko a možno majú určité medzery v tom, čo môžu robiť. Ak sa pozriete do odvetvia, existuje tam množstvo rôznych analytických trhov. Toto je príklad, možno musím urobiť rozpoznávanie obrázkov a nemám takú zručnosť, dobre možno idem do Algoritmie a získam algoritmus na rozpoznávanie obrázkov. Možno idem do Apervity a získam veľmi špeciálny algoritmus zdravotnej starostlivosti. Možno by som chcel niečo použiť v knižnici strojového učenia Azure. Možno by som chcel niečo použiť v natívnej platforme Statistica.
Znovu tu ide o to, že chceme využiť globálnu analytickú komunitu. Pretože v rámci svojich štyroch stien nebudete mať všetky zručnosti, tak ako vytvoríme softvér - a to je to, čo robíme -, ktorý umožňuje vašim vedcom údajov používať algoritmy z rôznych trhov. Robíme to už dlho s R a Pythonom, ale rozširuje sa to aj na tieto trhy aplikácií, ktoré tam existujú. A to isté, čo tu vidíte na vrchole toho, používame H2O na Spark, takže tam je veľa analytických algoritmov. Nemusíte sa zameriavať na ich vytváranie od nuly, znova ich využite, ktorí žijú v komunite s otvoreným zdrojom, a my chceme, aby títo ľudia boli čo najproduktívnejší.
Ďalším krokom, po tom, čo máme vedcov s údajmi o občanoch a vedcov s údajmi, je naozaj ako propagujete a distribuujete tieto osvedčené postupy? V našom softvéri máme technológiu, ktorá vám umožňuje distribuovať analytiku kdekoľvek. A to je skôr pohľad na správu modelov, ale už nie som viazaný štyrmi stenami alebo konkrétnou inštaláciou v Tulse alebo na Taiwane či v Kalifornii, alebo čo máte. Toto je globálna platforma a máme veľa, veľa zákazníkov, ktorých nasadenie využíva vo viacerých lokalitách.
A naozaj sú kľúčové veci, ak robíte niečo na Taiwane a chcete ho zopakovať v Brazílii, je to skvelé. Choďte tam, uchopte opakovane použiteľné šablóny, uchopte požadované pracovné postupy. Toto sa snaží vytvoriť tieto štandardy a spoločný spôsob, ako robiť veci, takže nerobíme veci úplne inak. A ďalšou kľúčovou súčasťou tohto procesu je to, že chceme vziať matematiku tam, kde údaje žijú. Údaje nemusíte zamieňať, viete, v Kalifornii a Tulse, na Taiwane av Brazílii. Máme technológiu, ktorá nám umožňuje preniesť matematiku k údajom, a budeme mať ďalšie webové vysielanie Hot Technology na túto tému.
Túto architektúru nazývame a tu je ukážka architektúry Native Distributed Analytics Analytics. Kľúčovou myšlienkou je, že máme platformu Statistica a analytický pracovný tok môžem exportovať ako atóm. A mohol by som urobiť model alebo celý pracovný postup, takže na tom nezáleží. Môžem to však vytvoriť a exportovať ho v jazyku vhodnom pre cieľovú platformu. Na ľavej strane toho veľa ľudí robí, ale v zdrojovom systéme robia bodovanie. To je v poriadku, dokážeme urobiť bodovanie a dokážeme vytvoriť model v databáze, takže je to zaujímavé.
A potom na pravej strane máme Boomi. Toto je sprievodná technológia, so všetkými z nich pracujeme. Tieto pracovné postupy však môžeme zobrať a v zásade ich prepraviť kamkoľvek na svete. Čokoľvek, čo má IP adresu. A nemusím mať nainštalovanú Štatistiku vo verejnom alebo súkromnom cloude. Čokoľvek, čo môže spustiť JVM, môžeme spustiť tieto analytické pracovné postupy, pracovné postupy prípravy údajov alebo iba modely na ktorejkoľvek z týchto cieľových platforiem. Či už je to v mojom verejnom alebo súkromnom cloude, či už v mojom traktore, v aute, v mojom dome, v mojej žiarovke, v mojom internete vecí, máme technológiu, ktorá vám umožňuje prepravovať tieto pracovné toky kdekoľvek na svete.
Pozrime sa na to. Viete, máme podnikových používateľov, takže títo ľudia, máme technológiu, ktorá im umožňuje spotrebovávať výstup vo formáte, ktorý im vyhovuje. Máme vedcov s údajmi o občanoch a to, čo sa snažíme urobiť, je zlepšiť spoluprácu, urobiť z nich súčasť tímu, však? A tak chceme, aby ľudia prestali objavovať koleso. A máme týchto vedcov údajov, mohla by tam byť medzera v zručnostiach, ale môžu kódovať v jazyku, ktorý chcú, môžu ísť na analytické trhy a tam používať algoritmy. A tak s tým by ste si nemohli myslieť, že s tým je všetko úžasné? To je perfektné, to robíme. Budujeme opakovane použiteľné pracovné postupy, dávame ľuďom pokyny, dávame im bloky Lego, aby mohli stavať tieto mohutné hrady a všetko, čo chcú robiť. Aby sme to zhrnuli, máme platformu, ktorá posilňuje líniu podnikových používateľov, vedcov s údajmi o občanoch, vedcov s údajmi o programátoroch, ktoré máme - môžeme sa zaoberať akýmkoľvek prípadom použitia analytických prvkov na hrane IoT a umožňujeme tento pojem kolektívnej inteligencie. Preto si myslím, že to pravdepodobne otvoríme pre otázky.
Robin Bloor: Dobre. Myslím, že prvý - mám na mysli, aby som bol úprimný, myslím tým, že som bol predtým informovaný spoločnosťou Dell Statistica, a aby som bol úprimný, skutočne som celkom prekvapený vecami, ktoré som nevedel, že si prišiel na prezentáciu, A musím povedať, že jedna vec je to, že pre mňa bola v rámci zavádzania analytických služieb bugbear, je to, viete, získanie nástrojov, nie? Tam je strašne veľa nástrojov, sú tam open source nástroje, a tak ďalej a tak ďalej, a existuje mnoho, čo by som volal, semi-platformy. Ale myslím si, že rozdiel, ktorý máte, ma obzvlášť zaujal pri niektorých pracovných postupoch.
Rozdiel je však v tom, že sa vám zdá, že sa vám darí. Je to, že analytika je sofistikovaný obchodný proces, ktorý sa začína získaním údajov a potom prechádza celým radom krokov v závislosti od toho, ako sú údaje šupinaté, a potom sa môže rozvetviť v celej rade rôznych matematických útokov na dát. A potom sa výsledky objavia tak či onak a tie musia byť činy. Existuje obrovské množstvo analytických údajov, s ktorými som sa stretol a kde sa vykonalo veľa skvelej práce, ale nedá sa to urobiť. A zdá sa, že máte strašne veľa toho, čo sa vyžaduje. Neviem, aké komplexné je, ale je to oveľa komplexnejšie, ako som očakával. Som na to neuveriteľne ohromený.
Bol by som rád, keby ste sa vyjadrili k tabuľkám. Už ste niečo povedali, ale jedna z vecí, ktoré som si všimol, a ktorú som si všimol v priebehu rokov, ale je to stále viac a viac zrejmé, je to, že existuje strašne veľa tabuliek, ktoré sú tieňovými systémami, a naozaj si myslím, tabuľka, myslím, že to bol úžasný nástroj, keď bol predstavený a od tej doby to bolo úžasné mnohými rôznymi spôsobmi, ale je to zovšeobecnený nástroj, ktorý nie je skutočne vhodný na daný účel. V kontexte BI to určite nie je dobré a myslím si, že v analytickom kontexte je to hrozné. A ja som premýšľal, či by ste mali urobiť nejaký komentár, povedzme, príklady, kde viete, že Statistica prepláchla, nadmerne používa tabuľkový procesor alebo nejaký komentár, ktorý by ste chceli urobiť o tom?
David Sweenor: Áno, myslím si, že viete, pozrite sa na slávne tabuľkové chyby. Google alebo akýkoľvek vyhľadávací nástroj, ktorý používate, sa vráti s malým počtom výsledkov. Nemyslím si, že viete, nahradíme tabuľky. To nie je náš zámer, ale veľa organizácií, ku ktorým idem, existuje niekoľko týchto sprievodcov tabuľkami alebo ninjami alebo čokoľvek, čo im chcete volať, ale majú tieto veľmi sofistikované tabuľky a musíte premýšľať, čo sa stane, keď tieto ľudia vyhrávajú lotto a nevrátia sa? Snažíme sa teda, aby existovali tabuľky, aby sme ich mohli prehltnúť, ale myslím si, že to, čo sa snažíme urobiť, je vytvoriť vizuálnu reprezentáciu vášho pracovného postupu, aby ju bolo možné pochopiť a zdieľať s ostatnými ľuďmi., Tabuľky sú dosť ťažké, dosť ťažké ich zdieľať. Akonáhle mi odovzdáte tabuľku, zmenil som ju a teraz sme mimo synchronizácie a dostávame rôzne odpovede. To, čo sa snažíme urobiť, je dať okolo tohto zábradlia a urobiť veci trochu efektívnejšími. A tabuľky skutočne hrozné kombinujú viacero súborov údajov, viete? Tam padajú. Ale nebudeme ich nahrádzať, požívame ich a máme ľudí, ktorí sa začínajú posúvať, pretože ak máme uzol, ktorý hovorí „počítať riziko“, snaží sa to osoba, ktorá používa tabuľku. Takže sú preč.
Robin Bloor: Áno, povedal by som, že viete, z jedného z perspektív, že sa pozerám na veci, povedal by som, že tabuľky sú skvelé na vytváranie informácií. Sú dokonca skvelé na vytváranie ostrovov vedomostí, ale sú skutočne zlé na zdieľanie vedomostí. Nemajú na to žiadny mechanizmus a ak odovzdáte tabuľku niekomu, nie je to ako keby ste si ju mohli prečítať, ako by to bol článok, ktorý presne vysvetlil, čo robia. Len to tam nie je. Myslím si, že vieš, že na mňa najviac zapôsobila prezentácia a schopnosti Statistiky, zdá sa, že je neuveriteľne agnostická. Ale toto vlákno prechádza cez pracovný tok. Mám pravdu, keď predpokladám, že by ste sa mohli pozrieť na komplexný pracovný postup, od získavania údajov až po vkladanie výsledkov do konkrétnych aplikácií BI alebo dokonca na spúšťanie aplikácií?
David Sweenor: Áno, určite. A má takú komplexnú schopnosť a niektoré organizácie to využívajú úplne a ja nie som v ilúzii. Žiadna spoločnosť dnes nekupuje všetko od jedného dodávateľa. Máme mix. Niektorí ľudia používajú štatistiku pre všetko a iní ju používajú pre pracovné postupy modelovania, iní ju používajú pre pracovné postupy prípravy údajov. Niektorí ľudia to používajú na distribúciu stoviek technických správ inžinierom. A tak medzi tým máme všetko. A je to skutočne koniec-koniec a je to, viete, agnostická platforma v tom, že ak existujú algoritmy, ktoré chcete použiť v R alebo Pythone, Azure, Apervita, čokoľvek, ako viete, ich použite. Je to skvelé, produktívne, používajte to, čo viete, používajte to, čo vám vyhovuje, a máme mechanizmy na zabezpečenie toho, aby boli kontrolované a kontrolovateľné a všetko podobné.
Robin Bloor: Tento aspekt sa mi obzvlášť páči. Myslím tým, že neviem, či môžete hovoriť nad rámec toho, čo ste povedali k bohatstvu toho, čo je tam vonku. Myslím, že som sa na to pozrel, ale nepozrel som sa na to komplexne a určite je v našich knižniciach veľké množstvo knižníc Python, ale existuje niečo, čo by ste k tomuto obrázku mohli pridať? Pretože si myslím, že je to veľmi zaujímavá vec, viete, myšlienka, že by ste mali komponenty, ktoré boli dôveryhodné, pretože ste poznali rôznych ľudí, ktorí ich vytvorili, a rôznych ľudí, ktorí ich používali, ktoré si môžete stiahnuť. Viete, môžete obohatiť to, čo ste už o tom povedali?
David Sweenor: Áno, myslím, že niektoré z trhovísk s aplikáciami, viete, trh s algoritmami, ktoré sú tu. Napríklad, viete, Dr. John Cromwell z University of Iowa, vyvinul model, ktorý bude predpovedať, ktorý sa používa v reálnom čase, zatiaľ čo my pracujeme, a dá vám skóre, ak sa chystáte získať infekcia v mieste chirurgického zákroku. A ak je toto skóre dosť vysoké, urobia zásah priamo v operačnej sále. To je veľmi zaujímavé. Takže možno existuje ďalšia nemocnica, ktorá nie je tak veľká. Apervita je analytickým trhom aplikácií pre zdravie. Môžete nájsť jeden z mnohých týchto trhovísk s aplikáciami, môžete ho nájsť a znova ich použiť. Transakcia je medzi vami a kýmkoľvek, kto ju vlastní, ale môžete ju nájsť alebo môžete povedať: „Tu je to, čo potrebujem. “Myslím, že využíva túto globálnu komunitu, pretože každý je dnes špecialistom a vy nemôžete vedieť všetko. Myslím, že R a Python sú jedna vec, ale táto myšlienka: „Chcem robiť túto funkciu, dať tam nejakú špecializáciu na jedno z týchto trhovísk s aplikáciami a nechať niekoho, aby ju pre vás vyvinul.“ A môžu to speňažiť, myslím si to je veľmi zaujímavé a veľmi odlišné od čisto open source modelu.
Robin Bloor: Dobre. Každopádne odovzdám loptu Dezovi. Chceli by ste sa ponoriť, Dez?
Dez Blanchfield: Rozhodne a rád by som zostal na stole len na okamih, pretože si myslím, že zachytil správnu podstatu toho, o čom tu hovoríme. A urobil si poznámku, Robin, pokiaľ ide o prechod od druhu starých tabuliek v ich fyzickej podobe k elektronickej forme. Uskutočnili sme zaujímavú vec, keď viete, že keď tabuľky boli pôvodne vecou, boli to len hárky papiera s riadkami a stĺpcami a veci ste si písali manuálne, potom ste ich prepli a spočítali, buď tým, že urobíte je to z hlavy alebo s iným zariadením. Stále však máme príležitosť nechať chyby zasiahnuť chybami rukopisu alebo dyslexiou a teraz sme ich nahradili preklepmi. Riziko je, že pri tabuľkách je rizikový profil rýchlejší a väčší, myslím si však, že nástroje ako Štatistica invertujú pyramídu rizika.
Tento obrázok často kreslím na tabuľu mužskej figúrky na vrchu, ako jedna osoba, a potom ich zbierku dole, povedzme, predstavte si desať z nich na spodku tabule a nakreslím pyramída, kde bod pyramídy je na jedinej osobe a noha pyramídy je zbierka ľudí. Používam to na vizualizáciu myšlienky, že ak jedna osoba na vrchole urobí tabuľku, urobí chybu a zdieľa ju s desiatimi ľuďmi, a teraz máme desať kópií chyby. Buďte veľmi opatrní so svojimi makrami a buďte veľmi opatrní s programom Visual Basic, ak sa k tomu chcete posunúť. Pretože keď vytvárame elektronické nástroje, ako sú tabuľky, je to veľmi silné, ale tiež dobré a zlé.
Myslím si, že nástroje, ako je Štatistica, prinášajú schopnosť invertovať tento rizikový profil a to je to, že sa teraz môžete dostať do bodu, keď máte k dispozícii veľa nástrojov, ktoré sú jednotlivej osobe k dispozícii, a keď idú z množstva nástrojov v hornej časti pyramída a potom úplne dole, kde bod pyramídy, ktorá je teraz prevrátená, je skutočným nástrojom, ak máme tím ľudí, ktorí tieto nástroje a tieto algoritmy budujú. Vedec údajov nemusí byť špecialistom na regresnú analýzu svojich údajov. Možno budú môcť tento nástroj použiť, ale možno budete mať päť alebo šesť štatistikov a poistného matematika a vedca údajov a niektorých matematikov pracujúcich na tomto nástroji, tomto module, algoritme, tomto doplnku a podobne v tabuľkovom jazyku, takže Predstavte si, že každú publikovanú tabuľku, ktorú môžete použiť, napísali odborníci, ktorí testovali makrá, testovali Visual Basic, zabezpečili fungovanie algoritmov, takže keď ste ju dostali, mohli ste do nej len vložiť údaje, ale v skutočnosti ste ich nemohli rozbiť a preto bolo lepšie kontrolovať.
Myslím si, že to robí veľa analytických nástrojov. Hádam, že dospievam k bodu, že vidíte, že teraz v teréne vidíte prechod z tabuliek, ktoré by potenciálne mohli tlačiť chyby a chyby a riziká, do bodu, keď nástroje, ktoré s vami budujete, platformy, kde je zisťovanie údajov presné v reálnom čase a ľudia, ktorí zostavujú moduly a algoritmy, tento rizikový profil odstránia alebo znížia? Vidí to zákaznícky servis v pravom zmysle slova alebo si myslíte, že sa to len deje a oni si to neuvedomujú?
David Sweenor: Vieš, myslím, že existuje niekoľko spôsobov, ako na to odpovedať. Čo však vidíme, je v každej organizácii a spomenul som, že analytika si myslím, že možno zaostávala z hľadiska podnikových investícií, aké sme urobili pri skladovaní údajov a CRM. Ale to, čo vidíme, tak zmena organizácie vyžaduje veľa, aby sme prekonali túto organizačnú zotrvačnosť. Vidíme však to, že ľudia berú svoje tabuľky, berú svoje pracovné postupy a spomínal som bezpečnosť a správu: „No, možno mám tabuľku, “ „No, môžem to zamknúť a môžem to kontrolovať verziou.“ A vidíme veľa organizácií, možno tam len začínajú. A ak sa zmení, je tu pracovný postup a nakoniec skončím, ale číslo jedna, kto to zmenil? Prečo to zmenili. Keď to zmenili. A môžem tiež nastaviť pracovný postup tak, že nebudem uvádzať túto novú tabuľku do výroby, pokiaľ nebude overená a overená jednou, dvomi, tromi, avšak mnohými stranami, ktoré chcete definovať vo svojom pracovnom postupe. Myslím, že ľudia začínajú podnikať a organizácie tam začínajú podnikať kroky, ale pravdepodobne by som navrhol, že máme pred sebou ešte dlhú cestu.
Dez Blanchfield: A ja si myslím, že vzhľadom na to, že ste v budovaní bezpečnostných kontrol a riadenia tam, tak záťaž môže automaticky zmapovať to všetko a všetko až po hlavného rizikového úradníka, čo je teraz vec. Môžete začať kontrolovať, ako sa k týmto nástrojom a systémom pristupuje a kto s nimi robí, čo je veľmi silné. Myslím si, že ďalšie veci, ktoré z toho vyplývajú, sú, že typy nástrojov, ktoré mi poskytujete, požičiavajú ľudskému správaniu viac ako tradičné tabuľky, o ktorých hovoríme, že ak mám miestnosť plnú ľudí s rovnakým informačným panelom a prístupom k rovnakým údajom, ktoré môžu v skutočnosti získať iné zobrazenie, a v dôsledku toho získať mierne odlišné informácie o tých istých informáciách, ktoré vyhovujú ich potrebám, aby mohli spolupracovať. Potom máme ľudskejší pohľad a súčinnosť s podnikaním a procesom rozhodovania, na rozdiel od všetkých, ktorí idú na rovnaké stretnutie s rovnakým PowerPoint a vytlačia sa rovnaké tabuľky, všetky rovnaké pevné údaje.
Vidíte prechod v správaní a kultúre v organizáciách, ktoré sa teraz zaujímajú o vaše nástroje, keď vidia, že sa to deje, keď to nie je ako päť ľudí v miestnosti, ktorí sa pozerajú na tú istú tabuľku a snažia sa ju iba verbalizovať a robiť si poznámky, ale teraz vlastne interagujú s prístrojovými doskami a nástrojmi v reálnom čase, s vizualizáciou a analytikou na dosah ruky a získavajú úplne iný tok rozhovoru a interakcie, nielen pri stretnutiach, ale iba pri všeobecnej spolupráci v rámci organizácie? Pretože to dokážu v reálnom čase, pretože môžu klásť otázky a získať skutočnú odpoveď. Je to trend, ktorý práve vidíte, alebo sa to ešte nestalo?
David Sweenor: Nie, myslím, že to určite začalo touto cestou a myslím si, že veľmi zaujímavá vec je, viete, ak vezmeme napríklad príklad továrne. Možno niekto, kto vlastní konkrétny procesný sektor v rámci tejto továrne, chce nejakým spôsobom vyzerať a pracovať s týmito údajmi. A možno aj ja, s výhľadom na všetky procesy, možno tento na spodnej časti, možno sa na to chcem pozrieť všade. Myslím si, že to, čo vidíme, je číslo jedna, ľudia začínajú vo svojich organizáciách používať spoločnú skupinu vizualizácií alebo štandardných vizualizácií, ale sú tiež prispôsobené úlohe, v ktorej sú. Ak som procesný inžinier, možno je to úplne iný pohľad ako niekto, kto sa na to pozerá z pohľadu dodávateľského reťazca, a myslím si, že je to skvelé, pretože musí byť šité na mieru a musí sa pozerať cez šošovku, ktorú potrebujete na dokončenie svojej práce.
Dez Blanchfield: Myslím, že rozhodovací proces klesá, časovo a rýchlo, aby sa inteligentné a presné rozhodnutia tiež rýchlo zvyšovali, však? Pretože ak máte analytiku v reálnom čase, dashboardy v reálnom čase, ak máte na dosah ruky nástroje Statistica, nemusíte bežať po zemi, aby ste sa pýtali niekoho na niečo, máte to v tlačenej podobe. You can kind of collaborate, interact and actually make decisions on the fly and get that outcome immediately. Which I think some of the companies really haven't grasped yet, but when they do it's going to be this eureka moment that, yes, we can still stay in our cubicles and work at home, but we can interact and collaborate and those decisions we make as we collaborate turn into outcomes instantly. Look, I think it was fantastic to hear what you've got to say so far and I'm really looking forward to see where it goes. And I know we've got a lot of questions in the Q&A, so I'm going to run back to Rebecca to run through some of those so we can get to those as quickly as you can. Ďakujem mnohokrát.
Rebecca Jozwiak: Thanks Dez, and yeah Dave, we do have quite a few questions from the audience. And thanks Dez and Robin for your insights, too. I know this particular participant had to drop off right at the top of the hour, but she's kind of asking, do you see the information systems departments are kind of putting more priority on sophisticated data controls rather than kind of being comfortable in providing tools to the knowledge workers? I mean, is that – go ahead.
David Sweenor: Yeah, I think it depends on the organization. I think a bank, an insurance company, maybe they have different priorities and ways of doing things, versus a marketing organization. I guess I would have to say it just depends on the industry and function you're looking at. Different industries have different focuses and emphasis.
Rebecca Jozwiak: Okay good, that makes sense. And then another attendee wanted to know, what is the engine behind Statistica? Is it C++ or your own stuff?
David Sweenor: Well, I don't know if I can get that specific with it in that this has been around for 30 years and it was developed before my time but there's a core library of analytic algorithms that are Statistica algorithms that run. And you saw here that we also can run R, we can run Python, we can burst to Azure, we can run on Spark at H2O, so I guess I would have to answer that question in terms of, it's a variety of engines. And depending on which algorithm you pick, if it's a Statistica one it runs like this, if you pick one on H2O and Spark, it uses that, and so it's a variety of them.
Rebecca Jozwiak: Okay good. Another attendee kind of asked specifically pointing to this slide, wanting to know, kind of, how does the citizen data scientist know which reusable templates to use? And I guess I'll kind of make a broader question out of that. That, what are you seeing when line-of-business users or business analysts come in and they want to use these tools, how easy is it for them to pick up and go running?
David Sweenor: I guess I would answer that and if you can use, if you're familiar with Windows, this is a Windows-based platform, so I cut off the top of these screenshots, but it's got the Windows ribbon. But how do they know what workflow to use? It looks like the Windows Explorer, so there's a tree structure and you can configure it and set it up however your organization wants to set it up. But it could be, you would just have these folders and you'd put these reusable templates within these folders. And I think there's probably a nomenclature your company could adopt, say here's the “calculate risk profile, ” here's the “get data from these sources” and you name them whatever you want. It's just a free folder, you just drag the notes right out onto your canvas. So, pretty easy.
Rebecca Jozwiak: Okay good. Maybe a demo next time. Then another attendee kind of brings up, and it's what you and Robin and Dez were talking about as far as the inaccuracies, especially on a spreadsheet, but the garbage in/garbage out, and he sees it as being even more critical when it comes to analytics. Kind of mentioning that, you know, misuse of data can really lead to some unfortunate decisions. And he's wondering what your views are on the development of more failsafe algorithms, I guess for the, he uses the word, “overzealous” use of analytics. You know, somebody comes in, they get really excited, they want to do these advanced analytics, they want to run these advanced algorithms, but maybe they're not quite sure. So what do you do to kind of safeguard against that?
David Sweenor: Yeah, so I guess I'll answer this as best I can, but I think everything comes down to people, process and technology. We have technology that helps enable people and helps enable whatever process you want to put in within your organization. In the example of sending a coupon to somebody, maybe that's not as critical, and if it's digital it's really no cost, maybe there's one level of security controls and maybe we don't care. If I am predicting surgical site infections, maybe I want to be a little more careful about that. Or if I am predicting drug quality and safety and things like that, maybe I want to be a little more careful about that. You're right, garbage in/garbage out, so what we try to do is provide a platform that allows you to tailor it to whatever process your organization wants to adopt.
Rebecca Jozwiak: Okay good. I do have a few more questions, but I know we've gone quite a bit past the hour and I just want to tell our presenters, that was awesome. And we want to thank so much Dave Sweenor from Dell Statistica. Of course, Dr. Robin Bloor and Dez Blanchfield, thank you for being the analysts today. We are going to have another webcast next month with Dell Statistica. I know Dave kind of hinted about the topic. It will be about analytics at the edge, another fascinating topic, and I know that some very compelling use cases are going to be discussed on that webcast. If you liked what you saw today, come back for more next month. And with that, folks, I bid you farewell. Thanks so much. Zbohom.
