Por Techopedia Staff, 29 de novembro de 2017
Resumo: O anfitrião Eric Kavanagh discute dados e análises, bem como as funções de diretor de dados (CDO) e diretor de análises (CAO) com Jen Underwood, do Impact Analytix, e Nick Jewell, da Alteryx.
Eric Kavanagh: Senhoras e Senhores Deputados, olá e bem-vindos de volta a uma edição muito especial da Hot Technologies. Gente, esse é Eric Kavanagh, serei o apresentador do programa de hoje, “O CxO Playbook: O Futuro dos Dados e da Análise.” Sim, é um tópico muito grande, devo dizer. De fato, hoje temos um público recorde aqui. Mais de 540 pessoas se inscreveram no webcast esta manhã. Estamos fazendo isso em um momento especial, como muitos de vocês sabem para os nossos shows regulares, normalmente fazemos isso às 16h do leste, mas queríamos acomodar o convidado muito especial que chamava do outro lado da lagoa. Deixe-me mergulhar direto na apresentação hoje.
Portanto, este ano é quente - foi um ano muito tumultuado de várias maneiras, acho que a nuvem tem muito a ver com isso. A confluência de tecnologias que estamos testemunhando no mercado é o principal fator, e eu estou aceitando o SMAC, como eles chamam. Estamos falando de SMAC: social, móvel, análise, nuvem - e tudo isso se junta. As organizações podem realmente mudar a maneira como fazem negócios. Existem mais canais para executar suas operações comerciais, há mais dados a serem analisados. É um mundo realmente selvagem lá fora, e falaremos hoje sobre como as coisas estão mudando na suíte C, de modo que os executivos, as principais pessoas dessas organizações, bem, que todo o mundo está mudando agora e estamos vai falar sobre isso.
Existe o seu verdadeiramente no topo. Hoje temos Jen Underwood, da Impact Analytix, e Nick Jewell, o evangelista líder em tecnologia da Alteryx. É uma coisa muito emocionante. Eu inventei esse conceito ontem à noite, pessoal, e acho que é realmente interessante. É claro que todos conhecemos cadeiras musicais, o jogo para crianças onde você tem todas essas cadeiras em círculo, você começa a música, todo mundo começa a andar e uma cadeira é puxada; quando a música para, todo mundo tem que se esforçar para pegar uma cadeira, enquanto uma pessoa perde na cadeira nessa situação. É uma coisa muito estranha e convincente acontecendo agora na suíte C, e se você notar nesta imagem aqui, você tem duas cadeiras vazias atrás. Normalmente, uma cadeira desaparece em cadeiras musicais, e o que estamos vendo hoje em dia é que há mais duas cadeiras no nível C: o CAO e o CDO, diretor de análise e diretor de dados.
Ambos estão decolando. Francamente, o diretor de dados está decolando como um incêndio nos dias de hoje, mas o que isso significa? Significa algo muito significativo. Isso significa que o poder dos dados e das análises é tão significativo que as salas de diretoria, ou salas executivas, devo dizer, as suítes C estão mudando - elas estão adicionando pessoas à suíte C, novos executivos estão preenchendo alguns desses novos assentos. Se você pensa em como é difícil mudar a cultura de uma organização, é um negócio muito sério. A cultura é uma coisa muito difícil de mudar, e geralmente as mudanças positivas são promovidas por meio de uma boa administração, boas idéias e esse tipo de coisa. Se você pensar na oportunidade que temos agora, adicionando novos executivos no pacote C para análise e dados, isso é realmente um grande negócio. É uma oportunidade para as organizações mudarem de trajetória e, convenhamos, as grandes e antigas empresas realmente precisam mudar devido à forma como o mercado está mudando.
Geralmente dou exemplos de Uber, por exemplo, ou Airbnb como organizações que perturbaram fundamentalmente setores inteiros, e isso está acontecendo em todos os lugares. O que falaremos hoje é como a sua organização pode se adaptar, como as pessoas por aí podem usar essas informações, esse insight, para mudar sua trajetória de negócios e ter sucesso na economia da informação.
Com isso, vou entregar as chaves do WebEx para Jen Underwood, e então Nick Jewell também irá gritar; ele está ligando do Reino Unido. Graças a vocês dois, e Jen, com isso, vou entregar a vocês. Leve embora.
Jen Underwood: Obrigado, Eric, parece ótimo. Bom Dia a todos. Hoje vamos falar sobre este manual de instruções CxO; é o futuro dos dados e das análises e eu vou me aprofundar. Eric já fez um bom trabalho falando sobre por que isso é tão importante. Nossos oradores hoje, novamente, você viu outro slide com essas informações, mas você e Nick Jewell conversando com você de maneira muito interativa nesta sessão de hoje. Vamos começar descrevendo quais são esses papéis e os tipos de coisas que eles têm a missão de fazer. Vamos olhar para o setor de análise, as perspectivas em geral e alguns dos desafios que essas pessoas enfrentarão. A dinâmica dentro das organizações hoje, enquanto você se prepara para o futuro, e falaremos sobre as próximas etapas e forneceremos orientações para o planejamento, se você estiver explorando algumas dessas funções em sua organização.
Falando sobre esse CxO, o CAO, por exemplo, esse é o diretor de análise, esse é um cargo para os gerentes seniores responsáveis pela análise de dados na organização. O CAO normalmente se reportará a um CEO e essa posição emergente rapidamente será crucial, quando você pensar sobre a massa de transformação e sua transformação digital que estamos tendo agora no modo como as empresas tomam e tomam suas decisões de negócios.
Se você pensa que a transformação digital e a inteligência são o núcleo da transformação digital, este CAO é um papel muito estratégico dentro de uma organização. Eles não apenas trazem a ciência de dados forte de volta aos insights reais e a esse conhecimento, mas também possuem o ROI e o impacto resultantes; portanto, em que são medidos? Como eles estão trazendo esse ROI com os dados que eles têm e alguns dos números finais em uma organização para alavancar os dados estrategicamente. Essa posição, juntamente com o CIO, o diretor de informações, ganhou destaque devido ao aumento da tecnologia e da transformação digital e do valor dos dados.
Há anos, os dados são de ouro neste mundo em particular, com monetização e inteligência e transformando essas informações. Ser capaz de tomar essas ações proativas e nem sempre estar olhando para trás, por si só. As duas posições são semelhantes, pois ambas lidam com informações, mas o CIO, por si só, se concentrará na infraestrutura onde um CAO se concentra na infraestrutura necessária para a análise das informações. A posição semelhante é o CDO e você ouve muito mais, provavelmente ouvimos um pouco mais sobre o CDO do que sobre o CAO hoje. O CDO se concentra mais no processamento de dados e na manutenção e nos processos de governança ao longo de todo o ciclo de vida do gerenciamento de dados.
Essas pessoas também serão responsáveis por monetizar dados e obter valor a partir dos dados e trabalhar em toda a maturidade dos ciclos de vida de governança e segurança, em todo o período, eu diria, do ciclo de vida. São pessoas que estão em sintonia, por si só, ou são responsáveis por garantir que o GDPR - e falaremos daqui a pouco - da European Data Protection Act, garantindo que esses tipos de coisas sejam abordados em suas organizações. Agora, estamos obtendo a estrutura e o futuro para funções dinâmicas disruptivas e intensivas em dados. Esses são os tipos de coisas pelas quais o CDO será responsável e não apenas eles mesmos - eles formarão uma equipe multifuncional, e eu tenho alguns exemplos de algumas das pessoas que acumulariam, por si só, um estrutura organizacional, de arquitetos e pessoas de governança, e até mesmo os analistas e os cientistas e engenheiros de dados de uma organização podem fazer a rolagem até eles.
Indo mais longe nas perspectivas da indústria para análises, esse foi um passeio fenomenal - provavelmente dez anos, ainda mais - nesse setor em particular. Tem crescido constantemente, é muito empolgante, mesmo durante a crise do mercado anos atrás, ainda era muito procurada. Foi um lugar maravilhoso e, se você observar a agenda de CIOs do Gartner em 2017, o BI e o analytics ainda estão entre os três principais rankings do que é mais importante para uma organização e, olhando para o crescimento dos mercados de software, estamos constantemente vendo crescimento lá. Desde que eu estive neste espaço, sempre foi uma carreira realmente brilhante.
Quando olhamos para esta era digital e a transformação, o que é muito, muito interessante para mim, são esses processos que temos e, muitas vezes, obtemos informações e agimos de processos ou durante processos de negócios. Agora, o Gartner estimou até 2020 que as informações que você usou serão reinventadas, digitalizadas ou mesmo eliminadas. Oitenta por cento dos processos e produtos de negócios que tínhamos há dez anos e estamos começando a ver isso, certo? Estamos começando a ver que, com os versos da Amazon, talvez algumas das grandes lojas, os Ubers, os Airbnbs - esses modelos digitais estão atrapalhando o processo e agora as pessoas estão interagindo. Até a Black Friday - não sei quantas pessoas realmente foram a uma loja - muitas estão comprando on-line e como você alcança esse cliente? É preciso inteligência para fazer isso. É preciso uma maneira muito diferente de interagir e personalizar a mensagem e ter essa inteligência para apresentar a oferta certa na hora certa, e agora talvez seja com o clique de um botão. É muito fácil para eles sair da sua loja online. As coisas estão realmente mudando neste mundo, e acho que Nick também queria conversar sobre isso.
Nick Jewell: Sim, oi pessoal, muito obrigado. Pedirei desculpas antecipadamente se houver um pequeno atraso no áudio vindo de Londres, farei o possível para não falar sobre você, Jen.
Você está absolutamente certo, que a eliminação de desperdícios, a reinvenção como parte da transformação digital, geralmente ocorre quando as organizações passam de produtos sob medida, talvez aplicativos desconectados, para plataformas mais abertas e conectadas. Quando seu processo é digital, será muito mais fácil ver a jornada de ponta a ponta dos seus dados. Realmente refine as etapas que você executa, usando dados para otimizar esse processo.
Vamos avançar um slide, se pudermos. Quando se trata de transformação digital, o que isso significa para as organizações, acho que é emocionante ou intimidante, dependendo do lado do espectro em que você está. Dê uma olhada no gráfico aqui, mostrando a vida útil das empresas e como influências perturbadoras afetam a sorte de uma organização. Se você iniciou uma empresa na década de 1920, tem quase 70 anos, em média, antes que outra empresa o interrompa. Uma vida bastante fácil para os padrões de hoje, porque hoje uma empresa mal tem 15 anos até que a interrupção ameace sua existência. Prevê-se que cerca de 40% das empresas da Fortune 500 de hoje, assim como o S&P 500, não existirão mais em 10 anos. Até 2027, 75% do S&P 500 serão substituídos; portanto, a meia-vida que as organizações enfrentam hoje, antes de se preocupar com a interrupção, está realmente diminuindo. As empresas de sucesso precisam ficar à frente dessa corrida pela inovação digital.
Hoje, ninguém realmente questiona a análise. É a peça central, a transformação digital dos negócios. De fato, as organizações estão colocando a inovação digital no topo de sua estratégia. Essas empresas são as cinco principais empresas mais valiosas do mundo, representando dois trilhões de dólares em valor de mercado, Jen.
Jen Underwood: Sim, é incrível, é mesmo. Realmente está mudando e rápido. A outra dinâmica que temos e falamos sobre isso, agora acho que finalmente estamos vendo e as organizações estão sentindo esse crescimento exponencial de fontes de dados, e não é mais apenas apenas analisar dados em fontes de dados estruturadas. Mais uma vez, estamos falando, você só tem um momento em alguns desses processos digitais para tomar uma decisão e essas coisas estão chegando em JSONs das APIs REST, estamos falando de dados não estruturados, sejam os arquivos de log, todos os tipos de diferentes tipos de dados, bem como o crescimento constante extremo.
Nick Jewell: Sim, Jen, como você apontou, líderes analíticos se afogando em um mar de dados. Chegar ao insight de alto valor, talvez usando uma combinação de técnicas analíticas novas ou existentes, é realmente o objetivo final, mas há um problema simples e fundamental com o qual muitas organizações com as quais trabalhamos estão enfrentando. Comissionamos a Harvard Business Review, fizemos a pesquisa, conversando com analistas de dados e gerentes de negócios. Eles perguntaram quantas fontes de dados eles usam em sua organização para tomar uma decisão, e é bem claro que houve uma mudança fundamental nos últimos anos. A TI costumava misturar dados, enviá-los para o data warehouse, mas acho que, apesar de todo o excelente trabalho que os grupos de TI fizeram, criando um gerenciamento centralizado de dados, os analistas ainda enfrentam a tarefa de criar esse conjunto de dados analíticos específicos, mas precisam responda a uma pergunta comercial. De fato, apenas 6% obtêm todos os dados em um único local, e a maioria dos analistas precisa extrair dados de cinco ou mais fontes - como planilhas, aplicativos em nuvem, mídias sociais e, é claro, sem esquecer o data warehouse.
Agora, a maioria das organizações reconhece isso, mas o que a maioria das organizações não está lidando é o simples fato de os profissionais de dados estarem gastando mais tempo controlando e pesquisando dados do que realmente na extração de valor. Esses não são os problemas analíticos estratégicos de alto nível que os executivos de negócios desejam ouvir. Mas não abordar a questão fundamental vai impedir as organizações, realmente, de obter insights orientados por valor. Jen?
Jen Underwood: Isso é interessante. Definitivamente, vi diferentes estudos sobre isso e é esse artigo aqui, seja em 80% do tempo ou em trilhões de dólares, corrigindo os mesmos dados repetidamente, de maneira muito ineficiente em uma organização. Isso somados, esses 37 e 23% são desperdícios de tempo muito caros. É incrível para mim que mais atenção não seja dada a isso.
Olhando para algumas delas, o que eu chamaria de forças de mercado, e muitas vezes quando falo sobre as tendências do setor, adoro seguir o setor e manter um pulso constante nele. É importante entender quando algo é mais do que uma tendência, quando realmente será uma força que você precisa prestar atenção, e essas são as três principais no momento, forças para prestar atenção. É esse crescimento rápido, o número um é o crescimento rápido de bancos de dados não relacionais. Acabei de mencionar todo esse conceito de não ter muito tempo para consultar, por si só, um JSON, são esses tipos de cenários não relacionais, que estão crescendo bastante - acho que tenho algumas estatísticas daqui a pouco - rapidamente.
A outra coisa é a mudança contínua para a nuvem. Antes da ligação mencionada, eu era gerente mundial de produtos em uma das grandes empresas de tecnologia e mantive conversas difíceis há três anos com grupos dizendo: “Não colocaremos nada na nuvem. Não vamos mudar para a nuvem. ”E tem sido muito interessante ver grupos um ano depois, dois anos depois, agora estou ouvindo dos mesmos grupos, que todo mundo tem um plano de nuvem. Eu acho que todo mundo é uma afirmação muito ampla, mas o que eu diria é que pessoas que são anti-nuvem, certamente a atitude mudou drasticamente, dentro de um período muito curto de tempo, desde que eu estava conversando com grupos em todo o mundo sobre esses tipos de coisas.
Automação, essa é uma área pela qual me fascinam e que certamente estamos vendo muita atividade e muita atividade. Falamos sobre algumas dessas coisas com o desperdício de tempo e o uso ineficiente do seu tempo. A automação é certamente uma das áreas que mais me empolga quando penso em agregar valor a uma organização.
O próximo slide, sobre o qual falaremos, trata-se de um estudo da IDC, eles analisam os segmentos de mercado e o crescimento e é realmente uma maneira maravilhosa de avaliar o que realmente está crescendo, o que seus colegas estão comprando? Em que tipos de coisas eles não estão mais interessados? Esses tipos de coisas e colocando em sua estratégia.
O mercado mundial de software analítico de big data tem, de acordo com a IDC, 16 segmentos e, nesse sentido, estamos vendo algumas mudanças de nome. Houve um acréscimo de software analítico contínuo, plataformas de software cognitivo de IA, sistemas de pesquisa, portanto, houve algumas novas categorias incluídas aqui. Essa visão geral do mercado abrange praticamente as ferramentas horizontais, aplicativos pré-empacotados, bem como alguns casos de uso de suporte e automação de decisão. Novamente, esses serão os tipos de soluções, quando você pensa em CDO, colocando em um contexto de CDO, seu portfólio que pode estar gerenciando da integração de dados à visualização de análise, aprendizado de máquina e todos esses tipos de recursos de que precisam ter na era digital.
O mercado mundial em si para esses tipos de soluções cresceu 8, 5% em moeda corrente e o mercado geral cresceu 9, 8%, de acordo com a IDC. Isso foi comparado a - você observa as flutuações da moeda em um período de dois anos e o grau de variação é mínimo, mas os três principais segmentos que destaquei, apenas para dar uma idéia dessas fontes de dados analíticos não relacionais, 58% o crescimento ano a ano, a análise de conteúdo e os sistemas de pesquisa foram de 15% e alguns dos aplicativos de relacionamento com clientes, coisas do tipo CRM ou o Salesforce Einstein, por exemplo, estão crescendo mais de 10%, são 12% no momento. Eu acho que Nick queria adicionar alguns comentários também neste.
Nick Jewell: Obrigado, Jen. É um visual fantástico. Acho que na Alteryx sempre acreditamos que a preparação e a mistura de dados sempre seriam uma competência essencial, eu acho, de qualquer sistema analítico, mas é realmente a base para qualquer análise mais avançada. Agora, nos últimos anos, vamos falar sobre o setor - pode ter sido um pouco focado demais em alguns dos novos recursos de visualização interativa. Elas ficam lindas porque aumentam o engajamento, geram insights, mas na verdade não nos levaram além da análise descritiva.
Mas, acho que agora que as pessoas estão mirando um pouco mais, as organizações que começam a entender os valores de negócios virão dessas análises mais sofisticadas que agora estão entrando no mainstream. A questão torna-se, como ou mais especificamente, quem? Isso saltou para análises de maior valor; está realmente colocando a questão da falta de talento analítico em um alívio bastante agudo, você concorda?
Jen Underwood: Absolutamente, e eu acho que acabei de twittar, vi um comentário realmente fascinante ontem à noite do vice-presidente da Adobe, dizendo: "O aprendizado de máquina se tornou uma aposta na mesa", onde as pessoas costumavam ser cautelosas, agora se tornaram uma necessidade e é interessante. Olhando para isso e apenas um pequeno outro ângulo diferente, por si só. Muitas pessoas, estamos começando a ver isso como uma área de alto crescimento, com uma loja analítica não relacional e a IA cognitiva, esse aprendizado de máquina, essa análise de alto valor. Mas ainda no final do dia, no momento, o maior segmento, então, onde a maioria das compras está acontecendo hoje, ainda está neste básico, o que eu diria, nos relatórios de consulta, em algumas análises visuais, e ainda está crescendo e é isso algo que muita gente supõe que você já tenha - não necessariamente. Ainda está crescendo 6, 6% a cada ano.
Como CDO - e eu adoro mostrar esse slide - basicamente, apenas para dizer, quando você está entrando nessa nova função ou pesquisando dados em uma organização, é um caos, e acho que esse slide em particular realmente bom trabalho - essas são todas as diferentes áreas em potencial das quais você pode ter dados. Eles podem estar no local, podem residir na nuvem, podem ser híbridos, estão em toda parte e são uma grande surpresa - novamente, é uma função do tipo C agora dentro de uma organização, e não é uma tarefa simples ou simples. - neste mundo em particular, às vezes é bastante esmagador. É neste mundo que este CDO precisa navegar, para poder dominar o que eu diria, maximizando o valor dos dados.
Continuando no desafio, maximizando o valor de todas essas fontes diferentes e o que estamos tendo são essas janelas de tempo que se fecham, com esses processos digitais ou o insight para a ação está se fechando. Se você pensar em talvez cinco anos atrás, dez anos atrás, pode ser que você tenha relatórios que executaria para tomar algumas decisões com inventário ou ações, que podem ser executadas semanalmente, mensalmente, depois se tornarem diárias ou da noite para o dia, talvez seja de hora em hora.
Agora, o que estamos vendo são esses escritórios inteligentes artificiais incorporados de aprendizado de máquina inteligente, tomando decisões e correções no local; portanto, mesmo coisas como a Internet das coisas, análises integradas à IoT na extremidade, esses sistemas são inteligentes e esses algoritmos podem auto-ajuste e altere algumas das decisões que estão tomando no local no momento certo. Tem sido muito interessante ver essa dinâmica em particular com as revoluções digitais e esses pontos de contato - apesar de terem aumentado, o tempo de ação continua diminuindo e a tecnologia está evoluindo para esses cenários.
Nick Jewell: Sim, Jen, acho que um dos aspectos mais interessantes de como a entrega de informações está mudando é onde as análises chegam ao usuário final. Estamos pedindo aos usuários que pulem para um painel quando tomam uma decisão crítica ou estamos dizendo que o insight, a próxima melhor ação, está disponível diretamente dentro do processo, no fluxo, para obter essa vantagem competitiva? E o modelo analítico de que estamos falando pode precisar receber informações de diversas fontes - data warehouses tradicionais, geolocalizações, mídias sociais, sensores, fluxo de cliques - todos esses dados influenciam a decisão e esse resultado acionável .
Jen Underwood: Continuando com esse tema de desafio e mudança, o que temos agora e os desafios que o CEO precisa abraçar e planejar uma maneira de conquistá-los, é essencialmente que temos muitos dados para gerenciar e analisar manualmente com eficiência. Há longos atrasos; precisamos reduzir esses atrasos e precisamos encontrar uma maneira de maximizar o valor dos dados que temos. Há uma escassez de talentos em ciência de dados no mundo e para cobrir essas idéias e o que chamaríamos de oceanos como dados. A boa notícia é que existem algumas inovações maravilhosas que estão acontecendo para ajudar em todas as áreas disso hoje, e está ficando empolgante ver o que, para onde a tecnologia nos levará, para nos ajudar com esses desafios.
Enquanto eu continuava a analisar isso, havia um pouco de confusão ao conversar com clientes ou com grupos usando algumas dessas ferramentas. Alguns dos desafios clássicos ainda existem hoje, está ficando cada vez mais exacerbado ao tentar encontrar dados para analisar. Algumas das ferramentas de pesquisa, alguns dos catálogos por aí certamente estão ajudando - agora o que descobrimos é qual catálogo usar quando. Existem alguns catálogos diferentes, então existem lugares diferentes nos quais você pode armazenar e compartilhar dados, por isso é importante tentar descobrir um, talvez o catálogo em que devemos procurar.
A outra coisa é compartilhar de forma colaborativa. Conversamos sobre um dos estudos da Harvard Business Review, quanto tempo é gasto, basicamente executando tarefas sem valor agregado, perdendo tempo e o quanto isso pode ser caro. Se você puder colaborar para compartilhar e usar fontes de dados comuns, os scripts já foram desenvolvidos, a lógica já existe, você pode controlá-los de maneira eficaz, equilibrando a governança com a agilidade da análise, é exatamente isso que você deseja fazer e navegue neste mundo com o que eu chamaria, temos as ferramentas de nicho, ferramentas de fluxo de trabalho automatizadas, Excel clássico, catálogos de dados, BI de autoatendimento, ferramentas de ciência de dados. Como mostra a foto, há muitas, muitas ferramentas e muitas sobreposições entre elas.
Nick Jewell: Sim, perfeito, Jen, e acho que a janela de insight, como você mencionou, está definitivamente diminuindo, mas o tempo necessário para realmente implantar modelos não está acompanhando. A implantação preditiva de modelos continua sendo um grande desafio para muitas empresas. Conversamos com Carl Rexer, presidente da Rexer Analytics, e, na pesquisa de ciência de dados de Carl em 2017, ele descobriu que apenas 13% dos cientistas de dados dizem que seus modelos sempre são implantados, e essa taxa de implantação simplesmente não está melhorando. volte com cada pesquisa anterior. De fato, voltando a 2009, quando a pergunta foi feita pela primeira vez, e vemos resultados quase idênticos, então temos uma lacuna real.
Jen Underwood: Quando olhamos para a maturidade da análise, ela está progredindo rapidamente. Novamente, dois, três anos atrás, estávamos muito entusiasmados por ter uma análise visual de autoatendimento e, finalmente, sermos flexíveis e expandirmos o BI para as massas, por si só. Quando digo massas, provavelmente ainda usuários avançados dentro de uma organização. Agora, estamos vendo otimização, análise preditiva, aprendizado profundo, linguagem natural, muitas outras tecnologias que, na verdade, incorporadas aos processos cotidianos, finalmente democratizam verdadeiramente a análise de maneira muito transparente para as massas, para as massas verdadeiras usarem dentro do processo. processos de negócios existentes que eles já possuem.
Nick Jewell: Sim, Jen, vamos contar uma história rápida sobre essa última categoria, se eu puder. A maioria dos ouvintes hoje em dia vai se familiarizar com o software AlphaGo do Google DeepMind, derrotou alguns dos melhores jogadores de Go do mundo nos últimos dois anos. AlphaGo aprendeu a jogar estudando enormes volumes de partidas gravadas anteriormente. Tanto que os comentaristas do torneio AlphaGo alegaram que o software jogava no estilo de um grão-mestre japonês, acredite ou não.
Mas, no último mês, um resultado quase mais surpreendente foi relatado. Esse foi o AlphaGo Zero, aprendizado profundo, rede neural, armado com não mais do que as regras simples do jogo e uma função otimizada. Ele aprendeu a se tornar o jogador Go mais forte do mundo, sem treinamento supervisionado, e fez tudo isso em cerca de 40 dias. Esse chamado aprendizado por reforço, onde os seres humanos definem o desafio, permitem que o sistema de aprendizado profundo explore, melhore, realmente poderia produzir o maior impacto no espaço analítico ainda. Então, eu acho, fique atento.
Jen Underwood: Sim, é realmente interessante você mencionar isso. Você pode imaginar as exclusões? E é isso que estou começando a ver. Realmente, quando falo sobre automação, é muito empolgante que as soluções sejam inteligentes o suficiente para limpar o ar, aprendam com os sistemas automaticamente, plug and play e apenas saibam o que fazer a seguir com base em algumas das decisões anteriores que foram ou outras decisões que foram criados dentro da organização e que gerenciaram alguns desses sistemas, os sistemas ETL e cuidaram deles, e que, há tempos, bipers e telefones me chamavam com alertas quando os processos não estavam em execução, é muito emocionante pensar, "Uau, agora é inteligente o suficiente para provavelmente se auto-curar."
Meu marido gerencia uma grade de recuperação automática, teremos integração de dados de recuperação automática, análises de recuperação automática e, onde fica cada vez melhor, é realmente emocionante. Como CDO, quando você começa a pensar na tecnologia de processo de pessoas, vamos dar uma olhada, agora estamos olhando para a tecnologia, depois vamos olhar para as pessoas e como abordar a criação de sua equipe e o desenvolvimento as habilidades. Se você olhar para a moderna plataforma de análise, direi imediatamente, nem todo mundo terá tudo aqui, embora as maiores organizações possam ter todos esses componentes diferentes, por si só, alguns grupos podem ter apenas duas ou três caixinhas aqui, então eu não queria sobrecarregar as pessoas com isso. Mas uma plataforma de BI moderna não requer necessariamente uma construção sem TI, camada semântica de relatórios predefinida.
Os usuários e especialistas realmente devem ter apenas o poder de preparar dados para agilidade e velocidade analíticas, e se você pensar no aumento do que diríamos análises analíticas conduzidas por usuários e especialistas, deixando que os especialistas no assunto tenham agilidade, eles precisam tomar decisões rápidas. Estamos vendo uma adoção cada vez maior do que diríamos, as ferramentas de preparação de dados pessoais, a disputa de dados, o enriquecimento, a limpeza, os tipos de atividades que a Alteryx realiza, bem como algumas das atividades de tipo de ciência de dados que eles oferecem como bem. A solução de preparação moderna, eles oferecem junções inteligentes e automatizadas, resoluções de ar, troca de dados; quando você tem um pipeline de big data, é muito, muito legal. Esta é provavelmente, novamente, uma das áreas que eu amo e realmente gosto de testar também na indústria.
Diferentemente do BI tradicional liderado por TI, hoje a TI está realmente focada em viabilizar os negócios e você tem pessoas como os CDOs e reúne ou escolhe as soluções certas para orquestrar, organizar e unificar esses dados e garantir, é claro, que seja governado, certo? Uma coisa que é muito interessante para mim e certamente acho que deduzimos isso, mas acho que não acabamos de dizer isso, nos dias de um data warehouse de tamanho único e sendo esse o fim-tudo-tudo-tudo, certamente acabou. Os dados estão em toda parte, você precisa criar - os lagos de dados entraram em cena, há streaming e dados ao vivo, agora existem tantas fontes de dados diferentes, é realmente mais um caso de uso baseado em "O que você precisa?" "Temos que colocar tudo em um data warehouse." Não tenho certeza, Nick, você gostaria de comentar sobre este? Não me lembro.
Nick Jewell: Vou apenas dizer uma coisa e é só, assistir a evolução do componente. O que os especialistas fizeram há cinco ou dez anos agora está nas mãos do usuário. Portanto, as coisas do lado direito serão mais prevalentes para o usuário de uma forma livre de código de arrastar e soltar, Muito em breve. Ele se moverá cada vez mais rápido, então fique de olho nisso.
Jen Underwood: Sim, isso é realmente um bom argumento. Eu amo pensar sobre isso. A diferente ciência de dados está finalmente se tornando realidade e as ferramentas estão ficando muito melhores. Pensando em tecnologia, agora precisamos ter as habilidades e as pessoas e o que precisamos fazer? No momento, os melhores trabalhos incluem títulos como cientistas de dados, engenheiro de dados e analistas de negócios, mas o que descobrimos é que os próprios empregadores acham realmente difícil fazer uma correspondência. Mesmo no espaço de preparação de dados, direi: “É preparação de dados, disputa de dados, que termos as pessoas chamam?” Tem sido muito interessante encontrar.
Os negócios não sabem o que precisam e existe todo esse novo campo emergente que abrange várias áreas diferentes. Se você olhar para todo mundo agora precisa dominar seus dados, análise de negócios, gerentes de projeto de TI, meu marido que gerencia uma rede de energia e um portfólio de projetos, ele precisa ser capaz de analisar isso. Não se trata apenas de finanças e análise de dados, é realmente expandido muito mais para outras áreas da organização. Acho que vi um estudo sobre quantas fontes de dados o marketing usa, e foi esmagador. Novamente, quando você pensa sobre o estudo realizado pela Harvard Business Review, não é mais apenas uma fonte de dados que as pessoas precisam reunir e mesclar e encontrar uma visão, são muitas fontes de dados e é necessário ter habilidade para fazer isso.
Quando você olha essencialmente para o quadro geral aqui, a maioria das novas contratações estará nessa bolha rosa na parte inferior. Quando você fala desses analistas de negócios com os analistas de mineração de dados, os gerentes de RH, essa área, apenas as funções regulares na linha de negócios usando dados. As funções de crescimento mais rápido terão menos empregos, mas certamente o que mais ouvimos no mercado hoje, o cientista de dados e o engenheiro de dados. Como CDO, eles estão olhando para o futuro e você está planejando talentos. É necessário levar em consideração parte da automação de tarefas rotineiras e os tipos de habilidades que serão mais estratégicos e, novamente, agregar valor à sua organização, para ambos. os analíticos ativados, mas também para os cientistas de dados e engenheiros de dados de lá. Considere como suas posições não publicadas e até mesmo parte da economia freelancer podem mudar quando você pensa sobre isso para competir pelos melhores e mais brilhantes.
E sempre pense também no seu canal de talentos, ajudando os candidatos a navegar no mercado ou procurando coisas que podem ser um pouco diferentes e não exatamente o que você deseja e criando cursos internos de análise, que podem não ser realmente os mais rápidos, estratégia econômica para você acompanhar. Considere olhar para as pessoas dedicadas ao treinamento neste ou em grupos diferentes, e acredito que a Alteryx tenha um curso recomendado no final da sessão hoje como um plano de ação, que você pode aproveitar para algumas dessas coisas e ajudar sua equipe a aproveitar alguns dos recursos existentes que já estão disponíveis.
Nick Jewell: Absolutamente. Existem muitas maneiras de preencher essa lacuna de talentos sem ser pego em uma corrida armamentista. Alguns slides atrás, eu não sei se você consegue virar um par lá. Kaggle, o site da competição em ciência de dados, eles acabaram de lançar uma pesquisa com 17.000 respostas em todo o estado da ciência de dados e houve uma resposta realmente interessante da pesquisa sobre as habilidades que as pessoas tinham, e a maioria dos entrevistados não tinha doutorado., não é mais um pré-requisito.
A idéia de que os especialistas em análise de última geração, a grande bolha que você acabou de mostrar, podem obter o conhecimento necessário em cursos de nano-graduação. Eles podem acessar sites como o Udacity e podem implantar esse conhecimento imediatamente, diretamente nos negócios, com ciclos de entrega focados em curto prazo, tornando-os uma fonte imediata de avanço competitivo para suas empresas. Então, algo a observar, eu acho.
Jen Underwood: Não, eu concordo. Mesmo se eu pensar sobre isso, certamente percorreu um longo caminho desde que fiz um programa de dois anos na UCSD. Acho que isso foi no período de 2009 e 2010, e houve realmente um punhado no país que permitiu que você fizesse isso. Geralmente, existem muitas mais opções agora, bem como programas especializados, seja através dos fornecedores, muitos recursos disponíveis hoje com loops e todos esses diferentes recursos online, é simplesmente incrível, é realmente a hora. Economizando tempo e orçando isso e agendando-se para acompanhar. O que você quer aprender? E depois seguindo o caminho que você deseja aprender.
Falando sobre olhar para isso e montar seu próprio plano de habilidades e do prospect de um CDO, garantir que eles tenham pessoas nas áreas cobertas, pelo que eu diria uma estrutura de competência em si, olhar habilidades ou olhar coisas como conhecimento de domínio ainda é realmente essencial, mesmo que essas soluções possam se auto-treinar e aprender, é realmente um especialista no assunto de negócios que orientará e garantirá que os resultados façam sentido.
Sempre há algo e eu gosto de usar o exemplo de quando eu fazia análises críticas para uma companhia de seguros e uma das descobertas que os algoritmos tiveram foi a de não contratar ninguém de Nova York. Bem, não, não vamos contratar ninguém de Nova York - tivemos que descobrir por que o algoritmo estava nos fornecendo essa informação. Era porque o legal, uma das leis havia mudado e, por isso, estávamos tendo muita rotatividade nesse segmento em particular. Um especialista no assunto de negócios precisava ser chamado para decifrar isso, e eu não vejo essa mudança, não vejo esse tipo de guia, certificando-se de que os resultados pareçam precisos, algo pareça errado - ainda é, há algo que se diz ser a mente humana, a beleza disso combinada com o poder da máquina, é realmente para onde estamos indo.
Os outros tipos de coisas quando você está analisando habilidades, visualização, contando uma história eficaz nos dados, contando uma história eficaz para saber se é mesmo uma saída de aprendizado de máquina. Juntando e analisando qual é o impacto que isso causa, entendendo a natureza humana da tomada de decisões, esses tipos de coisas são muito importantes, independentemente da tecnologia. A governança é realmente importante, a ética está se tornando cada vez mais importante. Ter cientistas sociais envolvidos, que entendem e são treinados para verificar se há vieses em seus dados que você nem percebe ou não tem ninguém na organização que nem reconheça isso, até mesmo trazendo-os para o especialista, tendo esses tipos de coisas.
E, novamente, é claro que você tem a infraestrutura de engenharia e o hardware, certificando-se de que pode ser dimensionado e desenvolvido e certificando-se de usar o provedor de nuvem certo, talvez você não esteja bloqueado ou tenha opções para mover ou você entende o preço de quanto isso vai custar. São esses tipos de habilidades e, quando você olha para isso, nós as chamaríamos de habilidades em diferentes áreas, sejam os tomadores de decisão da linha de frente orientados a dados - onde estará a maioria dessas funções - até os engenheiros de dados e cientistas de dados que irão estar massageando e trabalhando nesses oceanos de dados. Esses são os tipos de coisas para as quais você deseja montar uma estrutura.
Olhando para estruturas de competência, você olha para uma organização em geral, deseja considerar competência, não apenas habilidades. Há uma pequena nuance no texto enquanto você olha para isso. Uma estrutura de competências para sua organização é um sinal claro. Os formuladores de políticas de guerra, os provedores de educação, embora digam as habilidades, digitados em R, você pensa sobre esses tipos de coisas, tem um codificador competente, mas deseja ter mais do que apenas essas habilidades. Quando você entende competência, o que uma pessoa deve ser capaz e entende a estrutura, isso é importante, há um pouco de nuance lá.
Ao criar isso, você deseja diagnosticar o que você chamaria de capacidades que tenham um impacto positivo nos negócios e destacar essas áreas de alto potencial. Portanto, priorize quais são as competências que deseja elevar em sua organização e alinhe-os novamente, com os objetivos de negócios. O CDO responsável por maximizar o valor dos dados, eles examinarão e seu CAO, que usará análises para maximizar o valor dos dados. Eles analisam essas competências e as diferentes áreas, na grade do passado que eu tinha lá, mas também analisam o alto potencial da equipe. Você fará uma referência cruzada com a sua equipe para trabalhar com dados e análises e investir neles, oferecendo-lhes oportunidades de aprendizado e não apenas treinamento, essencialmente oportunidades do mundo real trabalhando em problemas reais de negócios.
Não há nada melhor - mesmo que eu tenha estudado por alguns anos, não foi até eu aplicar alguns desses algoritmos ou aprender sobre fraudes com cheques, aprender sobre algumas dessas coisas que nunca havia pensado antes, e você comece a se reunir no mundo real e é aí que você realmente aprende. Proporcionar às pessoas a oportunidade de adquirir experiência nessas áreas. As empresas que são mais capazes de criar capacidades fortes, que sistematicamente identificam avaliações objetivas e analisam onde estão as lacunas dentro da minha organização para aprender e colocar algumas métricas em vigor para metas para as pessoas, essas são as que serão capazes entregar.
Quando você pensa em treinar adultos, novamente, geralmente é um período de fome - estamos todos com fome -, mas observando o que funciona para cada um. Pessoalmente, tenho livros; portanto, se você fosse ao meu escritório hoje, veria muitos livros, mesmo que muitas pessoas gostem de vídeos. Portanto, é uma questão de descobrir como alguém na sua organização gosta de aprender - para motivá-lo a aprender - mas também dando-lhes tempo para fazer isso e objetivo de algum tipo de - o que é eficaz para alcançar isso e geralmente é misturado, não é apenas, seguir esse curso para marcar essa marca em um cartão de pontuação, por si só, é misturar isso com o projeto de meta real e o que você aprendeu desse projeto e o que deseja fazer a seguir? O que é um alongamento? Esticar sua equipe ou motivá-la a ir além.
Esses objetivos de aprendizado, novamente, se você estiver fazendo isso, realmente não deveria ser, deve ser fácil para os negócios, essencialmente porque esses objetivos devem se alinhar aos interesses estratégicos dos negócios. São ótimos projetos. São projetos experimentais. São projetos que avançam a agulha.
Nick, você quer adicionar alguma coisa? Não tenho certeza.
Nick Jewell: Não, eu entraria em um estudo de caso, se estiver tudo bem, na próxima tela. Um pouco mais detalhadamente de uma organização específica. Eu acho que eles colocaram muito do que você está dizendo em prática, em realidade. A Ford Motor Company confiou na análise de dados por décadas, assim como muitas empresas, mas o fez nos bolsos dos negócios, com provavelmente muito pouca supervisão em toda a corporação para garantir consistência e coordenação. Seus problemas eram provavelmente bastante típicos para uma organização de sua escala; portanto, a experiência em análise continha - como dizemos - dentro dos bolsos, práticas de gerenciamento de dados e governança sendo inconsistentes, até o ponto em que algumas unidades de negócios não tinham acesso a conhecimentos básicos de análise.
Novamente, falamos hoje sobre vários tipos diferentes de fontes de dados, eles tinham mais de 4.600 fontes de dados. Isso significava que começar a jornada e encontrar os dados de que eles precisavam era um impedimento real para o insight analítico. Eu vejo que você está rindo, mas é uma coisa terrível, certo?
Jen Underwood: 4.600, oh meu Deus, sim.
Nick Jewell: Então, a Ford formou a unidade global de insights e análises e isso foi centralizado - você pode chamá-lo de um centro de excelência - composto por uma equipe de cientistas e analistas de dados, organizados para compartilhar as melhores práticas analíticas e ajudar a espalhar dados otimizados criação de dados em toda a empresa. A unidade selecionou as melhores ferramentas da categoria, não apenas na capacidade, mas também na capacidade de integrar-se bem, o que é bastante importante. O foco de sua democratização era, na verdade, sobre relatórios e análises descritivas, antes de avançar para a pirâmide de necessidades de que falamos.
Agora, a democratização não apenas torna alguém um cientista de dados da noite para o dia; a equipe precisa saber quando e onde obter ajuda, e há treinamento, governança, metodologias disponíveis para ajudar com tudo isso. Além disso, não se trata apenas de treinamento de ferramentas, mas também de ciência de dados, para preencher essa lacuna de habilidades que mencionamos. Então, um caso de uso da Ford no mundo real, otimizando uma rede de logística, a Ford estava pagando a quantia certa para mover os materiais do ponto A ao ponto B? A análise legada deles realmente não destacou oportunidades acionáveis; isso os tornou muito reacionários no mercado. Agora, muita complexidade desse processo estava trancada nas cabeças dos analistas e eles fizeram uma enorme inovação quando o fluxo de trabalho de autoatendimento foi realmente iterado com os negócios, e os especialistas em análise sentaram-se juntos e foram colocados juntos.
Isso mudou a análise de plurianual para trimestral, e até para quase em tempo real, um benefício enorme para os negócios. Com esse impacto da análise de autoatendimento no valor dos negócios, a Ford pode planejar e estabelecer rapidamente estratégias corporativas baseadas em dados, para responder às tendências emergentes, ajudar a moldar novos serviços e, basicamente, evitar ameaças da concorrência, sem apenas ter que olhar naquele espelho retrovisor.
Agora, se dermos uma olhada por um momento em como outro cliente realmente mudou a análise, talvez de uma prioridade vertical em uma única divisão da empresa para uma faixa horizontal em todas as divisões, falaremos sobre a Shell. A Shell administra um centro de excelência que se reporta ao diretor digital - portanto, há outro D para nosso manual de instruções CxO - responsável pela transformação e sustentabilidade digital. Eles entenderam que o ambiente deles continha várias camadas e a pilha de tecnologias, armazenamento, processamento de dados e todas elas apresentavam tecnologias com as quais todos vocês estão familiarizados. Coisas como SAP HANA, Databricks, Spark e eles aproveitaram a nuvem pública para alcançar as economias de escala certas.
Agora, eles selecionaram o Alteryx como um invólucro de análise para grande parte do seu código R, alimentando tecnologias como Spotfire, Power BI e muito mais. Mas agora eles veem a adoção muito mais próxima do processamento e da visualização de dados. Jen, voltando ao slide de todos esses recursos, esse tipo de coisa se espalha quando começamos a permitir que mais analistas tenham acesso. Você sabe, eles tiveram um enorme sucesso em fornecer esse recurso e o COE, procurando oferecer recursos futuros agora, algumas dessas coisas de aprendizado profundo sobre as quais falamos - visão de máquina, processamento de linguagem natural - e metade de sua missão é entregar, metade disso é explicar e catalisar essas idéias nas unidades de negócios. Faz parte da jornada; o COE está sempre buscando maneiras diferentes de se comunicar com seu público empresarial.
Levando em conta, de um lado, os céticos que dizem: "Bem, essa caixa preta nunca será tão boa quanto meu analista", até o fanboy ou o entusiasta que vê correlações em todos os lugares, talvez menos em termos de relações causais, mas você precisa ter cuidado dos dois lados. É um meio termo fascinante, quando você tem essa faixa horizontal em toda a organização, esse conjunto de habilidades híbridas necessárias para persuadir os dois lados do espectro.
Nick Jewell: OK, Jen, você está aí?
Jen Underwood: Eu sou.
Nick Jewell: Eu acho que o que estamos tentando dizer aqui com essa citação de Clayton Christensen é que, para muitas organizações, eu acho, unificando a agenda de análise para impulsionar a transformação digital sobre a qual estamos falando hoje, vai ser um desafio. Na maioria das vezes, encontramos equipes analíticas começando com uma mão fraca. Tentar inovar com remanescentes herdados de processos analíticos, tecnologias, estruturas de equipe e manter essas relíquias será a maior barreira para o alinhamento analítico e a inovação analítica. Você tem alguma opinião sobre isso, Jen?
Jen Underwood: Gosto da foto que foi escolhida. Sim, certamente faz muito sentido para mim. Você precisa adotar algumas dessas novas tecnologias, por exemplo, transmitindo em tempo real. Você não será necessariamente capaz de obter esses resultados em tempo real se precisar atualizar o JavaScript em um navegador, por si só, com um antigo legado - talvez seja um aplicativo de painel ou esses tipos de coisas. Sim, você precisa abraçar algumas dessas novas ferramentas e, novamente, acho que essa imagem é realmente fofa, uma imagem que diz mais que mil palavras. O carrinho e o carrinho, você tem que deixar de lado algumas dessas antigas abordagens tecnológicas.
Nick Jewell: Absolutamente. Portanto, se passarmos para o próximo slide, achamos que há uma maneira melhor. Acho que, em primeiro lugar, usando algo semelhante à pesquisa do Google, para encontrar rapidamente todos os seus ativos de dados mais relevantes. Compreendendo seu contexto, compreendendo dependência, levando em consideração coisas realmente simples, como glossários de negócios criados por especialistas em suas comunidades, mantidos vivos por todo esse conhecimento tribal dos chefes de seus colegas de trabalho.
Ficando esperto com a descoberta de dados. Pense na capacidade de manter conversas com proprietários e especialistas de relatórios. Fazendo o upload, faça um pouco do Trip Advisor ou Yelp, fazendo o upload dos ativos mais úteis, certificando aqueles que a organização considera mais valiosos e depois tudo isso retornando aos resultados da pesquisa e, finalmente, às classificações da pesquisa, melhorando o próximo usuário. Depois de encontrar o que procura, passe para a fase de preparação e análise rápida, sem código, fácil de usar, para desenvolver seu conjunto de dados perfeito, a partir do qual publicar processos repetíveis.
De volta à nossa conversa sobre automação, desenvolvendo aplicativos fáceis de usar. Tudo o que for necessário para construir modelos analíticos. Por falar em modelos, apoiamos tecnologias de código aberto como o R há vários anos, nos permite desenvolver um recurso analítico realmente avançado que abrange análises descritivas, mas também preditivas, prescritivas, de uma maneira simples: arrastar e soltar soltar caminho.
Agora, para o lado direito, na verdade, esse conhecimento sobre visualizações interativas, modelos e pontuação é empurrado para dentro das plataformas de dados ou, mais recentemente, disponibilizando esse conhecimento instantânea e diretamente em um processo de negócios. Eu acho que é essa variedade de recursos em toda a plataforma que nos permitiu ser reconhecidos como vencedores do Gold Award na Pesquisa de Escolha do Cliente do Gartner Peer Insights deste ano, que é uma conquista fantástica. Eu recomendo fortemente que você visite o site da Gartner para saber mais e adicionar seus próprios votos e seus próprios comentários.
Legal, Jen, se pularmos mais um slide - acho que, ao concluir, gostaria de dar a você todos os próximos passos. Antes de tudo, visite Alteryx.com para fazer o download de uma cópia gratuita de nosso resumo de pesquisa mais recente, feito em coordenação com o Instituto Internacional de Análise (IIA), para solucionar os obstáculos analíticos. Você também pode visitar udacity.com/alteryx para saber mais sobre como habilitar suas equipes, dar o próximo passo em sua jornada, com esse nano-grau de análise avançada e, finalmente, experimentar o Alteryx por si mesmo. Visite a página inicial, faça o download de uma avaliação completa e participe da emoção de resolver.
Jen, até você. Podemos ter algum tempo para algumas perguntas e respostas.
Eric Kavanagh: Eu vou gritar bem rápido. Nós temos algumas perguntas. Acho que jogarei uma sobre você primeiro, Nick e depois Jen, se você quiser comentar, mas certamente tem mais aplicabilidade na UE e esse é o infame GDPR, o Global Data Protection Regulations. Como isso está afetando o Alteryx e seu roteiro e em que vocês estão focados?
Nick Jewell: Acho que é um bicho-papão, está lá fora agora. Muita gente falando sobre isso, muita gente bastante preocupada, mas é realmente apenas o primeiro de uma longa série de regulamentações que entrarão no mundo dos dados e análises. Realmente, do nosso ponto de vista, trata-se de entender e classificar seus dados. Certificando-se de CxO, de qualquer sabor específico, você sabe onde estão seus ativos, conhece o contexto deles e sabe que pode confiar neles como um primeiro passo para realmente apenas governar e gerenciar dados em um contexto mais amplo.
Eric Kavanagh: Acho que vou lhe fazer outra pergunta antes de trazer Jen de volta, Nick, ou seja, os dados de treinamento, se alguém solicitar que os dados sejam removidos da empresa, isso afeta não apenas o nome, endereço e assim por diante, não apenas as informações de contato, mas também, se um algoritmo usa dados de treinamento que incluem seus dados, você deve treinar novamente o algoritmo, não é?
Nick Jewell: É particularmente complexo. Eu acho que a ideia de que não apenas os bancos de dados sejam uma fonte de algumas dessas informações pessoalmente identificáveis, mas também os fluxos de trabalho analíticos, os aplicativos e as visualizações. Esses dados chegam a toda parte com uma organização, portanto, tendo esse contexto: absolutamente vital.
Eric Kavanagh: E Jen, qual é o seu pensamento? Obviamente, não é grande coisa nos EUA e não vemos muitas empresas preocupadas com isso agora, mesmo que tecnicamente se aplique aqui. Se uma empresa dos EUA tem dados de um cidadão da UE, qual a sua opinião sobre o significado do RGPD e qual o tamanho do negócio?
Jen Underwood: Bem, certamente acho que requer tratamento responsável dos dados. Eu escrevi sobre isso algumas vezes e tenho algumas diretrizes sobre algumas dessas coisas. Eu acho que a pergunta que você fez sobre algoritmos é interessante. Certamente, algumas das soluções que estou vendo hoje, algumas de suas equipes de produtos projetaram recursos para que você possa ver como estão tomando as decisões e quais dados pessoais foram usados para decidir o resultado desse algoritmo. Estamos vendo alguns impactos nos designs dos produtos aqui nos Estados Unidos.
Muitas empresas de tecnologia têm escritórios muito grandes aqui e equipes de desenvolvimento aqui nos Estados Unidos e no mundo todo, por isso estamos vendo isso no desenvolvimento de produtos. Estou vendo mais catálogos de dados sendo investidos. Mais iniciativas de governos sendo implementadas para que as pessoas entendam e entendam onde estão todos esses dados no caos. Tentando abraçar pelo menos organizá-lo, ser capaz de encontrá-lo e fazer algo com ele.
Eric Kavanagh: Vou empurrar este slide sobre o qual falamos anteriormente e entregar isso a você, Nick. Eu acho que esse é um slide fantástico porque, para mim, realmente fala do imediatismo de uma necessidade de análise. O que você acha dessa dinâmica de mudança? Quero dizer, o ponto principal é que as empresas devem ser ágeis e considero a análise a principal responsável. O que você acha?
Nick Jewell: Isso é fascinante. Eu acho que sempre há - empresas e tecnologias sempre existem em três estados, então será guerra, paz ou admiração. A guerra será sobre esse nível pesado de competição. Wonder é todo o grande material novo que você constrói sobre uma plataforma. Então a paz antes da competição e a guerra começa novamente. Eu acho que sempre há essa batalha acontecendo.
Antes da teleconferência de hoje, falamos sobre algumas das outras conferências e principais notas que estão ocorrendo hoje em todo o mundo. Alguns dos grandes fornecedores de nuvem chegaram a um ponto em que construíram essa plataforma e agora estão construindo coisas novas maravilhosas sobre ela. As empresas precisam ficar de olho nisso e garantir que estejam seguindo algo que tenha uma plataforma coerente que traga esse valor para o futuro. Eles serão os únicos que sobreviverão a essa perturbação.
Eric Kavanagh: Sim, esse é um bom ponto, e você sabe, Jen, você comentou anteriormente, de fato antes do show, sobre estratégia em nuvem e como muitas pessoas que você conhece na indústria estão dizendo que grandes empresas, até bancos, agora todos têm uma estratégia de nuvem. Fiquei meio surpreso com o tempo que levou para isso se materializar, e acho que talvez alguns deles tenham ido à AWS Reinvent Conference e tenham percebido o quão grande é e tiraram a conclusão de que chegou a hora. O que você acha da conscientização dos executivos de grandes empresas sobre a importação da nuvem e como isso está mudando seu planejamento?
Jen Underwood: Quando penso neste mundo de dados em grande escala, sendo capaz de gerenciá-lo, acho que em alguns níveis há alguma tranqüilidade em ter uma das grandes empresas assumindo a responsabilidade por alguns dos aspectos de segurança, então há alguma paz de espírito lá. Você sabe que há uma escala limitada com a nuvem.
A outra coisa é que, eu vi, estava em uma equipe que reconstruiu um produto na nuvem e certamente era um produto fraco e ninguém prestou atenção a ele, e em dois anos, por causa de lançamentos semanais e até, Eu diria que é quase o ponto da liberação diária na nuvem. Eu sei que a Amazon diz que eles lançam várias vezes por dia. Quando você tem essa ameaça, quando seus concorrentes podem liberar e melhorar diariamente, o que quer que eles estejam fazendo, pelo menos na indústria de software - e todo mundo está realmente na indústria de software quando você começa a analisar a transformação digital - é outra coisa. jogo de bola e qualquer um pode girar uma nuvem e escalar e se tornar grande.
Novamente, serão os dados que eles estão aproveitando que farão a diferença e a inteligência em seus algoritmos, e é por isso que as pessoas estão falando sobre os dados serem o novo petróleo ou os dados em ouro. Quando olho para a nuvem, é o divisor de águas, realmente permite um desenvolvimento e escala muito, muito rápidos. É incrível.
Eric Kavanagh: Eu trago você de volta, Nick, para outra pergunta - vamos demorar um minuto aqui, se pudermos chegar a algumas dessas perguntas, mas, se bem me lembro, cinco e seis e talvez até sete anos atrás, a Alteryx era realmente inovadora ao alavancar dados de terceiros - trazendo dados de fontes como Experian, por exemplo, ou dados geoespaciais. Acho que essa é provavelmente uma vantagem estratégica, porque esse tipo de coisa está no DNA da Alteryx, certo? À medida que as empresas avançam em direção à nuvem, acho que vocês têm muita experiência em ser capaz de atravessar esses mundos. O mundo dos versos no local de dados de terceiros e baseados na nuvem, o que você acha?
Nick Jewell: Sim, com certeza. A conectividade final será uma jogada de força para qualquer empresa que trabalhará nesse ambiente baseado em nuvem. Mas direi que, quando falamos de algo como infonomia, a ideia de que informações e dados devem ser considerados um ativo em sua empresa. A maior parte do valor que você vai trazer é pegar fontes de dados externas, misturá-las e enriquecê-las com suas fontes internas, para criar e monetizar mais valor no processo. É absolutamente crítico trabalhar com dados internos e externos igualmente.
Eric Kavanagh: Sim, esse é um bom argumento. Eu acho que todo esse mundo de nuvem híbrida chegou para ficar. Jen, eu vou passar isso para você para alguns comentários finais, talvez. Para mim, ter essa visão estratégica e ser capaz de se unificar, pois o novo termo descreve os dados entre as fontes, será um fator crítico de sucesso daqui para frente, certo?
Jen Underwood: Não, absolutamente, e é engraçado, eu estava ouvindo esse híbrido, híbrido, híbrido. Você ouviu falar sobre isso e, há quatro anos, pensa no Hadoop, no Hadoop e no big data e depois começou a ouvir híbrido, híbrido, certamente já esteve lá, não estamos necessariamente, este é o ano do aprendizado de máquina, sem exceção. Quero dizer, inteligência artificial, o aprendizado de máquina subiu ao palco este ano, mas para realmente funcionar em uma organização hoje que está a caminho da nuvem ou que precisa lidar com todas essas diferentes fontes de dados em nuvem, talvez seja o Salesforce ou Dia útil, todos esses tipos diferentes de fontes que vivem na nuvem, a única maneira de lidar com isso é ser híbrido. Você não pode copiar dados em qualquer lugar; portanto, você precisa se conectar diretamente e precisa encontrar uma maneira de trabalhar com dados localizados em todos os lugares, encontrar dados em qualquer lugar, porque essa é a realidade de onde estamos certos. agora.
Eric Kavanagh: Eu acho que seria negligente se eu não trouxesse de volta o aprendizado de máquina para a conversa, então, Nick, eu apenas o entregarei a você. Sei que vocês estão focados nisso agora - você pode falar sobre onde vê o aprendizado de máquina alinhado com a análise e com o tipo de sistemas que usamos para entender nossos negócios e nossos dados?
Nick Jewell: Sim, claro. Então, muito brevemente, vamos voltar rapidamente à nossa lacuna de habilidades. A idéia de que temos organizações absolutamente cheias de usuários avançados do Excel. Temos cientistas de dados chegando, mas não crescendo na mesma proporção. Há uma enorme lacuna entre os dois. Pense em onde está o aprendizado de máquina hoje. Quantos algoritmos temos em nosso telefone ou relógio que incorporam técnicas de aprendizado de máquina? É uma mercadoria, está em toda parte. Precisamos habilitar esses usuários avançados da maneira mais simples possível para garantir que a máquina seja aplicada com sucesso nos negócios.
Eric Kavanagh: Talvez eu jogue uma última sobre você. Temos algumas perguntas chegando tarde, aqui. Jen, eu vou te perguntar essa. Um participante está comentando todo esse conceito de aprendizado não supervisionado e o fato é que você precisa de dados de treinamento para fazer essas coisas e, normalmente, esses dados de treinamento precisam ser específicos da empresa. Embora nos setores existam muitas correlações, existem muitas maneiras pelas quais as organizações são semelhantes. No entanto, toda empresa é única, seja esse o modelo de negócios ou a abordagem de marketing ou vendas, ou qualquer que seja o caso, o desenvolvimento de produtos.
A questão é: esses algoritmos serão capazes de usar dados de terceiros para treinamento? Parece-me que você sempre precisará usar seus próprios dados para treinar esses algoritmos, mesmo que esse tempo de ciclo diminua de seis meses - o que tem sido o caso em alguns casos - de 40 dias ou 20 dias, qualquer que seja o caso pode ser. Você realmente precisa usar seus próprios dados e ter certeza de que os dados estão bem limpos, certo?
Jen Underwood: É realmente uma mistura. Você vai querer ter um contexto externo. De fato, hoje estou reservado de costas e meu próximo seminário on-line é sobre preparação e limpeza de dados, ironicamente para aprendizado de máquina. O que é realmente importante é que você esteja montando um contexto externo com sua organização, e eu amo que você tenha perguntado sobre a preparação e limpeza de dados, porque honestamente, algumas das ferramentas estão ficando muito, muito boas - elas podem lidar com alguns aspectos dela, mas a mente humana, ou ser capaz de decifrar o problema e procurar e certificar-se de que não o tenham omitido - diga que temos algum tipo de viés de omissão. A maneira como você está analisando o problema e a maneira como escolhe projetar o problema que está automatizando ou as decisões que está automatizando, há uma arte nisso e garante que ele reflita com precisão esse processo de negócios.
Voltando ao meu exemplo com a companhia de seguros, quando estávamos modelando o churn e quem contratar para passar por esse treinamento patrocinado para vender seguros; no modelo em si não era o clima legal, leis diferentes para estados diferentes. Sempre haverá algum aspecto, no qual você precisará ter esses dados externos com seus dados internos e, novamente, com a mente humana. Haverá diferentes componentes lá.
Eric Kavanagh: Eu acho que você trouxe um ponto muito bom aqui. Continuamos ouvindo sobre robôs e máquinas e o aprendizado de máquinas assumindo o controle. Para mim, essa é uma tendência muito perturbadora - não há dúvida -, mas nunca vejo a necessidade de seres humanos na mistura desaparecer, especialmente com análises de dados, dados corporativos.
Nick, uma pergunta final para você. Para mim, não importa quão bons sejam os algoritmos, você sempre precisará de pessoas monitorando o que está acontecendo, injetando-se nos horários determinados e realmente sintetizando o panorama geral do que está por aí. Acho que nenhum algoritmo será capaz de sintetizar o panorama geral de uma empresa da Fortune 2000, mas o que você acha?
Nick Jewell: Bem, vamos dar um exemplo completamente diferente do Alteryx, vamos falar sobre o Uber do ano passado. O Uber, durante o incidente terrorista na Austrália, as pessoas que tentam fugir da área, repentinamente aumentaram os preços, porque é isso que o algoritmo disse para fazer, causou enormes danos à reputação. Imediatamente depois disso, eles implementaram seres humanos e algoritmos trabalhando juntos. Sempre que isso estava prestes a acontecer, um humano precisava supervisionar o processo. Essa parceria entre humano e algoritmo, esse é o caminho a seguir.
Eric Kavanagh: Uau, esse é um ótimo exemplo, muito obrigado. Bem, pessoal, passamos mais de uma hora aqui no nosso webcast. Muito obrigado a Jen Underwood, da Impact Analytics. É claro, muito obrigado a Nick Jewell e à Alteryx Team por seu tempo e atenção e a todos vocês por seu tempo e atenção. Agradecemos essas ótimas perguntas. Arquivamos todos esses webcasts para visualização posterior, fique à vontade para compartilhá-los com seus amigos e colegas. Com isso, despediremos você. Excelente webcast hoje. Muito obrigado novamente, nos encontraremos da próxima vez, pessoal. Cuidar. Tchau tchau.
