작성자 : Techopedia Staff, 2017 년 11 월 29 일
테이크 아웃 : 호스트 Eric Kavanagh는 데이터 및 분석뿐만 아니라 Impact Analytix의 Jen Underwood 및 Alteryx의 Nick Jewell과 함께 CDO (Chief Data Officer) 및 CAO (Chief Analytics Officer)의 역할에 대해 설명합니다.
에릭 카바나 흐 (Eric Kavanagh) : 신사 숙녀 여러분 안녕하세요, 다시 한 번 특별판 핫 테크놀로지에 오신 것을 환영합니다. 여러분, 저는 Eric Kavanagh입니다. 오늘 공연의“CxO Playbook : The Future of Data and Analytics”의 호스트가 되겠습니다. 예, 매우 큰 주제입니다. 실제로, 우리는 오늘 여기에 약간의 기록적인 군중을 가지고 있습니다. 오늘 아침 웹 캐스트에 540 명이 넘는 사람들이 등록했습니다. 우리는 정기적 인 쇼를 위해 많은 사람들이 알고 있듯이 특별한 시간에 그것을하고 있습니다. 우리는 일반적으로 4:00 Eastern에서 이것을하지만, 연못 건너편에서 전화하는 매우 특별한 손님을 수용하고 싶었습니다. 오늘 프레젠테이션으로 바로 뛰어들겠습니다.
올해는 덥습니다 – 여러 가지면에서 매우 혼란스러운 해였습니다. 클라우드는 그와 많은 관련이 있다고 생각합니다. 시장에서 우리가 목격하고있는 기술의 합류가 주요 원동력이며, SMAC가이를 부르는 과정에 대해 당연히 취하고 있습니다. 소셜, 모바일, 분석, 클라우드 등 SMAC에 대해 이야기하고 있습니다. 조직은 비즈니스 수행 방식을 실제로 변경할 수 있습니다. 비즈니스 운영을위한 더 많은 채널이 있으며 분석 할 데이터가 더 많습니다. 그것은 정말 거친 세상입니다. 우리는 오늘 C 스위트에서 상황이 어떻게 변하고 있는지, 그래서 최고 경영자, 이 조직의 최고 사람들, 그리고 전 세계가 지금 변화하고 있고 그것에 대해 이야기 할 것입니다.
당신이 정말로 정상에 있습니다. 우리는 현재 Impact Analytix의 Jen Underwood와 Alteryx의 선임 기술 전도사 인 Nick Jewell을 보유하고 있습니다. 매우 흥미로운 것들입니다. 나는 지난 밤에이 개념을 생각해 냈습니다. 정말 흥미 롭습니다. 물론, 우리는 모두 뮤지컬 의자를 알고 있습니다.이 의자를 모두 모아 놓은 아이들을위한 게임, 음악을 시작하고 모두가 걸어 다니기 시작하고 의자 하나를 빼냅니다. 음악이 멈 추면 의자에 앉기 위해 모든 사람이 출동해야하고 그 상황에서 한 사람이 의자에서 잃어 버립니다. C 스위트에서 지금 일어나고있는 것은 매우 이상하고 설득력있는 일이며, 이 이미지에서 바로 여기에 두 개의 빈 의자가 있습니다. 일반적으로 의자는 뮤지컬 의자에서 사라지고 요즘 C 레벨에는 CAO와 CDO, 최고 분석 책임자 및 최고 데이터 책임자라는 두 개의 의자가 더 있습니다.
둘 다 이륙하고 있습니다. 솔직히 최고 데이터 책임자 (Chief Data Officer)는 요즘 산불처럼 일어나고 있지만 그 의미는 무엇입니까? 그것은 매우 중요한 것을 의미합니다. 데이터 및 분석의 힘이 매우 중요하다는 것은 회의실이나 임원실이 C 스위트 룸이 바뀌고 있다고 말합니다. 사람들이 C 스위트 룸에 사람들을 추가하고 완전히 새로운 임원들이이 새로운 자리를 채우고 있습니다. 조직의 문화를 바꾸는 것이 얼마나 어려운지 생각해 보면 꽤 심각한 문제입니다. 문화는 변화하기가 매우 어렵고 일반적으로 좋은 관리와 좋은 아이디어, 그런 종류의 것들을 통해 긍정적 인 변화가 촉진됩니다. C 제품군에 새로운 임원을 추가하여 분석 및 데이터를 추가함으로써 지금 우리가 누릴 수있는 기회에 대해 생각한다면 정말 큰 문제입니다. 조직이 궤적을 바꿀 수있는 기회에 대해 이야기하고, 시장이 변화하는 방식으로 인해 크고 오래된 회사가 실제로 변화를 가져와야합니다.
나는 일반적으로 Uber의 예를 들거나, 에어 비앤비는 전체 산업을 근본적으로 방해 한 조직으로서 에어 비앤비와 같은 곳에서 발생합니다. 오늘 논의 할 내용은 조직이 적응할 수있는 방법, 이 정보를 활용하는 방법, 이 통찰력, 비즈니스 궤적 변경 및 정보 경제에서의 성공에 대한 것입니다.
이를 통해 WebEx의 키를 Jen Underwood에게 넘겨 주겠습니다. 그리고 Nick Jewell도 함께 소리를냅니다. 영국에서 전화를 걸고 있습니다. 감사합니다. Jen과 함께 감사합니다. 멀리 가져.
Jen Underwood : 감사합니다, Eric. 모두 안녕하십니까. 오늘 우리는이 CxO 플레이 북에 대해 이야기 할 것입니다; 에릭은 데이터와 분석의 미래이며 바로 뛰어 들게 될 것입니다. Eric은 이미 이것이 왜 중요한지에 대해 이야기하는 훌륭한 일을했습니다. 오늘 우리의 연사들도이 정보가 담긴 또 다른 슬라이드를 보았지만 오늘이 세션에서 나 자신과 Nick Jewell이 대화식으로 대화하게 될 것입니다. 우리는 이러한 역할이 무엇인지, 그리고 그들이해야 할 임무의 유형을 설명 할 것입니다. 우리는 분석 산업, 일반적인 전망 및 이러한 사람들이 직면하게 될 몇 가지 과제를 살펴볼 것입니다. 미래를 준비하고있는 오늘날의 조직 내 역학은 조직에서 이러한 역할 중 일부를 탐색 할 경우 다음 단계에 대해 이야기하고 계획을위한 지침을 제공 할 것입니다.
예를 들어, 최고 분석 책임자 인 CO 인이 CxO에 대해 이야기하는 것은 조직 내 데이터 분석을 담당하는 고위 관리자의 직책입니다. CAO는 일반적으로 CEO에게보고하며, 기업이 비즈니스 결정을 내리고 내리는 방식에있어 현재 많은 변화와 디지털 혁신에 대해 생각할 때 빠르게 등장하는 위치는 중추적 역할을합니다.
디지털 혁신과 인텔리전스가 디지털 혁신의 핵심이라고 생각하면이 CAO는 조직 내에서 매우 전략적인 역할입니다. 그들은 강력한 데이터 과학을 실제 통찰력과 지식으로 되돌려 놓을뿐만 아니라 결과 ROI와 영향을 소유하고 있습니다. 데이터를 전략적으로 활용하기 위해 조직 전체에서 보유하고있는 데이터와 일부 수익으로 ROI를 실현하는 방법 최고 정보 책임자 (CIO)와 함께 CIO와 함께이 위치는 기술 및 디지털 혁신의 증가와 데이터의 가치로 인해 눈에 띄게 상승했습니다.
수년 동안, 이 특정 세계에서 수익 창출 및 인텔리전스가 제공되는이 데이터는 황금입니다. 항상 능동적으로 행동하는 것이 아니라 항상 능동적 인 행동을 취할 수있는 것. 두 위치는 모두 정보를 다루는 점에서 비슷하지만 CIO 자체는 CAO가 정보 분석에 필요한 인프라에 중점을 둔 인프라에 중점을 둘 것입니다. 비슷한 입장은 CDO이고 여러분은 훨씬 더 많이들을 것입니다. 아마도 오늘날 CAO보다 CDO에 대해 조금 더들을 것입니다. CDO는 데이터 관리의 전체 수명주기 동안 데이터 처리 및 유지 관리 및 관리 프로세스에 더 중점을 둡니다.
이 사람들은 또한 데이터 수익 창출과 데이터의 가치 획득, 수명주기 전반에 걸친 거버넌스 및 보안 수명주기의 성숙도에 걸쳐 책임을 져야합니다. 이들은 유럽 연합 데이터 보호법 (Global Data Protection Act)에 대해 GDPR을 보장 할 책임이 있거나 그 자체로 매우 조율되거나 그 책임이있는 사람들이며, 이러한 유형의 것들이 조직에 포함되도록 보장합니다. 이제 우리는 파괴적인 동적 데이터 집약적 역할을위한 구조와 미래를 얻고 있습니다. 이것들은 CDO가 스스로 책임을지는 것이 아니라 여러 기능을 가진 팀을 구성 할 것입니다. 그리고 그 자체로 롤업 할 사람들의 예가 있습니다. 건축가 및 거버넌스 담당자, 조직의 분석가 및 데이터 과학자 및 엔지니어의 조직 구조도 롤업 할 수 있습니다.
분석에 대한 업계 전망으로 나아가면서, 이 특정 산업에서는 아마도 10 년, 그보다 더 긴 기간이 소요되었습니다. 그것은 몇 년 전 시장 충돌 중에도 여전히 수요가 높았지만 끊임없이 성장하고 매우 흥미 진진했습니다. 2017 년 Gartner의 CIO 아젠다를 살펴보면 BI와 분석은 여전히 조직에서 가장 중요한 것 중 3 위 안에 들며 소프트웨어 시장의 성장을 바라보고 있습니다. 거기에서 성장을보고 있습니다. 내가이 공간에 있었던 한, 그것은 항상 정말 밝은 경력이었습니다.
우리가이 디지털 시대와 변화를 살펴보면 매우 흥미로운 것은 우리가 가진 프로세스이며, 종종 프로세스에서 또는 비즈니스 프로세스에서 정보를 얻고 조치를 취하는 것입니다. 이제 Gartner는 2020 년까지 귀하가 사용한 정보가 재개발, 디지털화 또는 제거 될 것으로 추정합니다. 10 년 전부터 있었던 비즈니스 프로세스 및 제품의 80 %가이를보기 시작했습니다. 우리는 아마존 구절에서 큰 박스 상점, Uber, 에어 비앤비 중 일부를 볼 수 있습니다. 이러한 디지털 모델은 프로세스를 방해하고 사람들이 상호 작용하고 있습니다. 심지어 검은 금요일조차 – 얼마나 많은 사람들이 실제로 한 매장에 갔는지 모르겠습니다. 많은 사람들이 온라인으로 구매하고 있으며 어떻게 그 고객에게 도달합니까? 이를 위해서는 지능이 필요합니다. 메시지를 상호 작용하고 개인화하고 적시에 적절한 제안을 제시하기 위해 그 지능을 갖는 매우 다른 방법이 필요합니다. 이제는 버튼 클릭만으로 가능합니다. 온라인 상점을 떠나기가 매우 쉽습니다. 이 세상의 상황은 정말 변하고 있습니다. Nick도 이것에 대해 이야기하고 싶었습니다.
Nick Jewell : 예, 안녕하세요. 대단히 감사합니다. 런던에서 들어오는 오디오에 약간의 지연이 있으면 미리 사과하겠습니다. Jen은 말하지 않기 위해 최선을 다하겠습니다.
조직이 맞춤형 제품, 응용 프로그램 연결이 끊어진 응용 프로그램 및 더 개방적이고 연결된 플랫폼으로 이동함에 따라 디지털 변환의 일환으로 낭비를 제거하고 낭비를 제거하는 것이 옳습니다. 프로세스가 디지털 인 경우 데이터의 엔드 투 엔드 여행을 훨씬 쉽게 볼 수 있습니다. 데이터를 사용하여 해당 프로세스를 최적화하여 취한 단계를 실제로 개선하십시오.
가능한 경우 슬라이드를 앞으로 이동합시다. 조직이 의미하는 디지털 혁신의 경우, 스펙트럼의 어느쪽에 있는지에 따라 흥미 롭거나 위협적 일 것입니다. 회사의 수명과 파괴적인 영향이 조직의 재산에 어떤 영향을 미치는지 보여주는 차트를 여기에서 살펴보십시오. 1920 년대에 회사를 시작한 경우, 다른 회사가 당신을 방해하기 전에 평균 70 년이 걸렸습니다. 오늘날의 표준에 따르면 아주 쉬운 삶입니다. 오늘날 기업은 혼란이 존재하기까지 15 년이 걸리지 않았기 때문입니다. 오늘날 Fortune 500 대 기업 중 약 40 %가 S & P 500에서 10 년 내에 더 이상 존재하지 않을 것으로 예상됩니다. 2027 년까지 S & P 500의 75 %가 교체 될 예정이므로 현재 조직이 직면 한 반감기는 중단에 대해 걱정하기 전에 실제로 줄어들고 있습니다. 성공적인 기업은 디지털 혁신 경쟁에서 앞서 나가야합니다.
오늘날 아무도 실제로 분석에 의문을 제기하지 않습니다. 디지털 비즈니스 혁신의 중심입니다. 실제로 조직은 전략의 선두에 디지털 혁신을 적용하고 있습니다. 이 회사는 세계에서 가장 가치있는 5 대 기업으로 시장 가치가 2 조 달러에 달하는 Jen입니다.
젠 언더우드 : 예, 정말 놀랍습니다. 정말 빠르게 변하고 있습니다. 우리가 가지고 있고 다른 것에 대해 이야기하고있는 또 다른 역 동성, 이제 우리는 마침내 그것을보고 있다고 생각합니다. 그리고 조직은 데이터 소스의 기하 급수적 인 증가를 느끼고 있으며 더 이상 구조화 된 데이터 소스의 데이터를 분석하는 것만이 아닙니다. 다시 한 번 말씀 드리지만, 일부 디지털 프로세스에서는 결정을 내릴 순간이 있으며 REST API에서 JSON으로 제공되며 구조화되지 않은 데이터, 로그 파일 여부에 관계없이 모든 종류가 있습니다. 서로 다른 유형의 데이터와 극도로 지속적인 성장.
Nick Jewell : 예, Jen, 지적한 바와 같이 분석 리더는 데이터의 바다에서 익사합니다. 기존 분석 기법이나 새로운 분석 기법을 혼합하여 사용하는 고 가치 통찰력을 얻는 것이 실제로 최종 목표이지만, 많은 조직이 우리가 직면하고있는 단순하고 근본적인 문제가 있습니다. 우리는 하버드 비즈니스 리뷰 (Harvard Business Review)를 의뢰했고, 데이터 분석가 및 비즈니스 관리자와 이야기하면서 설문 조사를 실시했습니다. 그들은 의사 결정을 위해 조직에서 사용하는 데이터 소스 수를 물었고, 지난 몇 년 동안 근본적인 변화가 있었음을 분명히 알 수 있습니다. IT는 데이터를 혼합하고 데이터웨어 하우스로 푸시하는 데 사용되었지만 IT 그룹이 수행 한 모든 훌륭한 작업에도 불구하고 중앙 집중식 데이터 관리를 만들었음에도 불구하고 분석가는 여전히 특정 분석 데이터 세트를 만드는 작업에 직면하고 있지만 비즈니스 질문에 대답하십시오. 실제로 6 %만이 모든 데이터를 한곳에 모았으며 대부분의 분석가는 스프레드 시트, 클라우드 애플리케이션, 소셜 미디어 등 데이터 소스를 잊지 않고 5 개 이상의 소스에서 데이터를 가져와야합니다.
이제는 대부분의 조직이이를 인식하지만 대부분의 조직이 처리하지 않는 것은 데이터 전문가가 실제로 가치를 추출하는 것보다 데이터를 관리하고 검색하는 데 더 많은 시간을 소비한다는 사실입니다. 이것은 경영진이 듣고 싶어하는 중요한 전략적 분석 문제가 아닙니다. 그러나 근본적인 문제를 해결하지 않으면 조직이 실제로 가치 중심 통찰력을 얻지 못하게됩니다. 젠?
젠 언더우드 : 흥미 롭습니다. 나는 이것에 대해 다른 연구를 보았으며, 여기 에서이 부분은 시간의 80 % 또는 수십억 달러가 동일한 데이터를 반복해서 다시 수정하는 조직이든 매우 비효율적입니다. 이로 인해 37 세가되고 23 %가 시간이 많이 소요됩니다. 더 많은 관심을 기울이지 않는 것이 놀랍습니다.
이 중 일부, 내가 시장의 힘이라고 부르는 것, 그리고 업계 동향에 대해 이야기 할 때를 자주 보면서, 나는 업계를 따르고 끊임없이 맥박을 유지하는 것을 좋아합니다. 어떤 것이 트렌드 이상일 때, 실제로주의를 기울여야 할 힘이 될 때를 이해하는 것이 중요하며, 이것이 지금 주목할 세 가지 힘입니다. 이 비약적인 성장은 비 관계형 데이터베이스의 빠른 성장입니다. 방금 JSON을 쿼리 할 때 시간이 많이 걸리지 않는다는이 개념을 모두 언급했습니다. 이러한 유형의 비 관계형 시나리오는 상당히 커지고 있습니다. 여기에 몇 가지 통계가 있습니다.
다른 하나는 클라우드로의 지속적인 전환입니다. 전화를하기 전에 저는 대기업 중 한 곳의 세계적인 제품 관리자였으며 3 년 전에는 그룹에 대해“우리는 클라우드에 아무것도 넣지 않을 것입니다. 우리는 클라우드로 이동하지 않을 것입니다.”그리고 1 년 후, 2 년 후 그룹을 보는 것이 매우 흥미로 웠습니다. 이제는 같은 그룹으로부터 모든 사람들이 클라우드 계획을 가지고 있다는 소식을 듣고 있습니다. 나는 모든 사람들이 매우 광범위한 솔직한 진술이라고 생각하지만, 내가 말하고 싶은 것은, 안티 클라우드 인 사람들은 전 세계 그룹과 이야기를 나눈 후에도 매우 짧은 시간 내에 태도가 극적으로 바뀌 었다는 것입니다 이런 종류의 것들.
자동화, 이것은 내가 매료 된 영역이며 우리가 확실히 많은 활동과 큰 활동을보고있는 영역입니다. 시간을 낭비하고 시간을 비효율적으로 사용함으로써 이러한 것들에 대해 이야기합니다. 자동화는 조직에 가치를 가져다 줄 때 가장 흥분되는 부분 중 하나입니다.
다음에 설명 할 슬라이드는 IDC의 연구입니다. 이들은 시장 부문과 성장을 살펴보고 실제로 성장하고있는 것을 파악할 수있는 훌륭한 방법입니다. 동료들은 무엇을 구매하고 있습니까? 더 이상 관심이없는 것은 무엇입니까? 그런 종류의 것들과 그들의 전략에 넣어.
IDC에 따르면 전 세계 빅 데이터 분석 소프트웨어 시장은 16 개 세그먼트로 구성되어 있으며이 세그먼트 의미에서 일부 이름 변경도 검토 중입니다. 지속적인 분석 소프트웨어, 인지 AI 소프트웨어 플랫폼, 검색 시스템이 추가되었으므로 여기에 몇 가지 새로운 범주가 추가되었습니다. 이 시장 개요에는 거의 수평 도구, 사전 패키지 된 응용 프로그램 및 일부 의사 결정 지원 및 의사 결정 자동화 사용 사례가 포함됩니다. 다시 말하지만 이것은 CDO에 대해 생각할 때 데이터 통합에서 분석 시각화, 머신 러닝 및 필요한 모든 유형의 기능에 이르기까지 CDO의 컨텍스트를 고려하여 CDO에 대해 생각할 때 솔루션 유형이 될 것입니다. 디지털 시대에
IDC에 따르면 이러한 유형의 솔루션에 대한 전세계 시장 자체는 현재 통화 기준으로 8.5 % 성장했으며 전체 시장은 9.8 % 성장했습니다. 이것은 2 년 동안의 통화 변동을 보았고 변동 정도는 미미하지만 내가 강조한 상위 3 개 세그먼트는 비 관계형 분석 데이터 소스에 대한 느낌을주기 위해 58 %입니다. 전년 대비 성장률, 컨텐츠 분석 및 검색 시스템은 15 %였으며 일부 고객 관계 응용 프로그램, CRM 유형 또는 Salesforce Einstein과 같은 일부는 10 % 이상 성장하고 있으며 현재 12 %입니다. 나는 Nick이 이것에 대한 논평을 추가하기를 원했다고 생각합니다.
Nick Jewell : 감사합니다. Jen. 환상적인 비주얼입니다. 필자는 Alteryx에서 데이터 준비 및 혼합이 항상 모든 분석 시스템의 핵심 역량이 될 것이라고 믿었지만 더 고급 분석의 기반이라고 생각합니다. 지난 몇 년간 업계에 대해 이야기 해 봅시다. 새로운 대화 형 시각화 기능 중 일부에 약간 집중되어 있었을 것입니다. 참여도를 높이고 통찰력을 유도하기 때문에 아름답게 보이지만 실제로는 설명적인 분석을 넘어서는 것은 아닙니다.
그러나 이제는 사람들이 시력을 조금 더 높이고 비즈니스 가치를 이해하기 시작한 조직은 이제 막 주류로 나아가는 정교한 분석에서 나올 것입니다. 문제는, 어떻게, 보다 구체적으로, 누가? 이는 더 높은 가치의 분석으로 넘어갔습니다. 실제로 분석 인재 부족 문제를 상당히 예리한 구제로 던지고 있습니다. 동의하십니까?
젠 언더우드 (Jen Underwood) : 어젯밤 어도비 부사장으로부터“기계 학습은 테이블 스테이크가되었습니다. 필요하고 흥미 롭습니다. 이것과 다른 작은 다른 각도를 봅니다. 많은 사람들이 우리는 이것을 비 관계형 분석 저장소와인지 AI, 머신 러닝, 고 가치 분석을 갖춘 고성장 영역으로보기 시작했습니다. 그러나 여전히 하루가 끝날 무렵 현재 가장 많은 구매가 진행되고있는 지금 가장 큰 세그먼트는 여전히이 기본, 쿼리보고, 시각적 분석 중 일부에 있으며 여전히 성장하고 있습니다. 많은 사람들이 이미 가지고 있다고 가정합니다. 반드시 그런 것은 아닙니다. 매년 6.6 % 씩 증가하고 있습니다.
CDO로서 – 저는이 슬라이드를 보여주는 것을 좋아합니다 – 기본적으로 말하자면, 이 새로운 역할을 수행하거나 조직의 데이터를 살펴보면 혼란스럽고이 슬라이드는 실제로 훌륭합니다 – 데이터가있는 다른 모든 잠재적 영역입니다. 온 프레미스 일 수도 있고 클라우드에있을 수도 있고 하이브리드 일 수도 있고 어디에서나 매우 압도적 일 수도 있습니다. 다시 말하지만 조직 내에서 C 레벨 유형의 역할이며 간단한 작업이나 단순하지 않습니다. –이 특별한 세상에서, 때로는 압도적입니다. 이것이 바로이 CDO가 데이터 가치를 극대화하면서 탐색하고 숙달 할 수있는 세상입니다.
도전 과제를 계속하면서 모든 다른 출처의 가치를 극대화하고 우리가 가진 것은 이러한 디지털 프로세스 또는 행동에 대한 통찰력으로 마감하는 시간 창입니다. 5 년 전, 10 년 전을 생각하면 인벤토리 나 작업으로 결정을 내리 겠다는보고를 받았을 수 있습니다. 매주, 매월 실행될 수도 있고 매일 또는 밤에 실행되었을 수도 있습니다. 매시간.
현재 우리가보고있는 것은 인공 지능 인공 지능 사무실이 내장 된 현장에서 의사 결정과 수정을 수행하는 것입니다. 따라서 사물 인터넷, 사물 인터넷 (IoT-embedded) 분석, 이 시스템은 스마트하고 알고리즘이 가능합니다. 적절한 시점에 적절한 결정을 내릴 수 있습니다. 디지털 혁명과 이러한 접점을 통해 이러한 역 동성을 보는 것은 매우 흥미로 웠습니다. 비록 증가하더라도 조치 시간이 계속 줄어들고 기술은 이러한 시나리오에서 발전하고 있습니다.
Nick Jewell : 예. Jen, 통찰력 전달 방식의 변화에 대한 가장 흥미로운 측면 중 하나는 분석이 최종 사용자에게 도달하는 지점이라고 생각합니다. 중요한 결정을 내릴 때 사용자에게 대시 보드로 뛰어 들도록 요청하고 있습니까? 아니면 경쟁 우위를 이끌어 내기 위해 프로세스 내에서 흐름 내에서 다음 최상의 조치 인 통찰력을 바로 사용할 수 있다고 말하고 있습니까? 우리가 이야기하고있는 분석 모델은 전통적인 데이터웨어 하우스, 지리적 위치, 소셜 미디어, 센서, 클릭 스트림 등 다양한 소스에서 입력을 가져와야 할 수도 있습니다.이 모든 데이터는 결정과 실행 가능한 결과와 관련이 있습니다. .
Jen Underwood : 현재 도전과 변화라는 주제와 CEO가이를 극복하는 방법을 수용하고 계획하는 데 필요한 과제는 계속해서 효율적으로 관리하고 수동으로 분석하기에는 너무 많은 데이터가 있다는 것입니다. 긴 지연이 있습니다. 이러한 지연 시간을 단축해야하며 보유한 데이터의 가치를 극대화 할 수있는 방법을 찾아야합니다. 세계에는 데이터 과학 인재가 부족하고 이러한 통찰력과 해양을 데이터라고 부르는 내용을 다룰 수 있습니다. 다행 인 것은 오늘날이 분야의 모든 분야에서 도움이 될 놀라운 혁신이 있으며 기술이 우리를 어디로 데려 갈 것인지, 이러한 과제를 해결하기 위해 무엇을 할 수 있는지를 보는 데 흥미로워지고 있다는 것입니다.
이 내용을 계속 보면서 고객과 대화하거나 이러한 도구 중 일부를 사용하여 그룹과 대화 할 때 약간의 혼란이 있습니다. 오늘날에도 여전히 존재하는 몇 가지 고전적인 과제는 분석 할 데이터를 찾으려고 노력하면서 점점 더 악화되고 있습니다. 일부 검색 도구, 일부 카탈로그에는 확실히 도움이되는 것들이 있습니다. 이제 우리가 찾는 것은 언제 사용할 카탈로그입니다. 두 개의 서로 다른 카탈로그가 있으므로 데이터를 저장하고 공유 할 수있는 다른 장소가 있으므로 하나를 찾으려고 노력해야합니다. 카탈로그를 살펴보아야 할 수도 있습니다.
다른 것은 공동으로 공유하는 것입니다. 우리는 하버드 비즈니스 리뷰 (Harvard Business Review)의 연구 중 하나에 대해 이야기했으며, 시간이 얼마나 걸리는지, 기본적으로 부가가치가없는 작업을 수행하고, 시간을 낭비하고 얼마나 비쌀 수 있는지에 대해 이야기했습니다. 공동 작업으로 공통 데이터 소스를 공유하고 사용할 수 있고 스크립트가 이미 개발되어 있고 로직이 이미 포함되어 있으므로 효과적으로 관리 할 수 있으므로 거버넌스와 분석 민첩성 간의 균형을 맞추기 위해 노력하고 있습니다. 내가 부르는이 세상을 탐색하고, 틈새 도구, 자동화 된 워크 플로우 도구, 클래식 Excel, 데이터 카탈로그, 셀프 서비스 BI, 데이터 과학 도구가 있습니다. 한 사진에서 알 수 있듯이 도구에는 여러 가지 도구와 겹치는 부분이 많이 있습니다.
Nick Jewell : 예, 완벽합니다. Jen, 저는 통찰력의 창을 언급했듯이 가장 확실하게 축소되고 있지만 실제로 모델을 배포하는 데 걸리는 시간은 유지되지 않습니다. 예측 가능한 모델 배포는 많은 회사에서 계속 중요한 과제입니다. 우리는 Rexer Analytics의 사장 인 Carl Rexer와 이야기를 나 Carl으며 Carl의 2017 년 데이터 과학 설문 조사에서 데이터 과학자 중 13 %만이 모델이 항상 배치되고 있으며이 배치 비율이 개선되지 않는다고 답했습니다. 각각의 이전 설문 조사로 돌아갑니다. 실제로 2009 년으로 돌아가서 질문을 처음 받았을 때 거의 동일한 결과를 볼 수 있으므로 실제 격차가 생겼습니다.
Jen Underwood : 분석 성숙도를 살펴보면 빠르게 발전하고 있습니다. 다시 2 년, 3 년 전, 우리는 시각적 셀프 서비스 분석을하고 마침내 유연하고 BI를 대중으로 확장하게되어 매우 기뻤습니다. 내가 대중에게 말할 때 아마도 조직 내에서 여전히 파워 유저 일 것입니다. 이제 우리는 최적화, 예측 분석, 딥 러닝, 자연어, 실제로 일상적인 프로세스에 임베드되어 실제로 대중이 실제로 사용할 수 있도록 대중에게 매우 원활하게 분석을 민주화 할 수있는 다른 많은 기술을보고 있습니다. 기존 비즈니스 프로세스가 이미 있습니다.
Nick Jewell : 그래, Jen. 가능하다면 마지막 범주에 대한 간단한 이야기를하자. 현재 통화중인 대부분의 청취자는 Google DeepMind의 AlphaGo 소프트웨어에 익숙해 져 지난 몇 년 동안 세계 최고의 Go 플레이어 중 일부를 물리 쳤습니다. AlphaGo는 이전에 기록 된 수많은 경기를 연구함으로써 게임을 배웠습니다. AlphaGo 토너먼트의 논평자들은이 소프트웨어가 일본 그랜드 마스터 스타일로 연주되었다고 주장했다.
그러나 지난 달 동안 거의 더 놀라운 결과가보고되었습니다. 이것은 알파 고 제로, 딥 러닝, 신경망으로, 단순한 게임 규칙과 최적화 된 기능만으로 무장했습니다. 지도 훈련없이 세계에서 가장 강력한 바둑 선수가되는 법을 배웠으며, 40 일 만에이 모든 것을 해냈습니다. 인간이 도전을 정의하고 딥 러닝 시스템을 탐색하고 개선하게하는 소위 강화 학습은 실제로 분석 공간에 가장 큰 영향을 줄 수 있습니다. 따라서 계속 지켜봐 주시기 바랍니다.
젠 언더우드 : 네, 당신이 언급 한 것이 정말 흥미 롭습니다. 제외를 상상할 수 있습니까? 이것이 제가보기 시작한 것입니다. 실제로 자동화에 대해 이야기 할 때, 공기를 깨끗하게 청소하고, 시스템에서 자동으로 배우고, 플러그 앤 플레이하고, 과거에 내려 왔던 결정 중 일부 또는 다른 결정에 따라 다음에 수행 할 작업을 알기에 충분히 똑똑한 솔루션에 매우 흥미 롭습니다. 조직 내에서 만들어졌으며 이러한 시스템 중 일부인 ETL 시스템을 관리하고 관리했으며, 프로세스가 실행되지 않을 때 경고음으로 전화를 걸었던 비 퍼와 전화는 하루를 되돌려 놓았습니다. "와우, 이제 자기 치유가 가능할 정도로 똑똑합니다."
제 남편은자가 치유 그리드를 관리하고자가 치유 데이터 통합, 자가 치유 분석 및 더 나은 곳, 정말 흥미로운 곳이 있습니다. CDO로서 사람들 프로세스 기술에 대해 생각하기 시작할 때, 우리는 지금 살펴볼 것입니다. 지금 우리는 기술을보고 있습니다. 그런 다음 우리는 사람들을 볼 것입니다. 기술. 현대의 분석 플랫폼을 살펴보면 모든 사람들이 여기에 모든 것을 가지고 있지는 않지만 모든 조직이 모든 구성 요소를 가질 수는 있지만 일부 그룹에는 2 ~ 3 개의 작은 상자 만있을 수 있습니다 여기에 사람들을 압도하고 싶지 않았습니다. 그러나 최신 BI 플랫폼에는 반드시 IT 빌드, 사전 정의 된보고 의미 계층이 필요하지 않습니다.
사용자와 전문가는 분석 속도와 민첩성을 위해 데이터를 준비하기 만하면됩니다. 사용자와 전문가가 주도하는 분석의 증가에 대해 생각할 경우 주제 전문가가 민첩성을 갖도록해야합니다. 빠른 결정을 내립니다. 개인 데이터 준비 도구, 데이터 조정, 강화, 정리, Alteryx가 수행하는 활동 유형 및 이들이 제공하는 일부 데이터 과학 유형 활동에 대한 채택이 증가하고 있습니다. 잘. 현대적인 준비 솔루션은 지능적이고 자동화 된 조인, 대기 분해능, 데이터 이동을 제공합니다. 빅 데이터 파이프 라인이 있으면 매우 멋집니다. 이것은 아마도 업계에서도 테스트를 좋아하고 실제로 즐기는 분야 중 하나 일 것입니다.
기존의 IT 주도 BI와 달리 오늘날의 IT는 비즈니스 활성화에 집중하고 있으며 CDO와 같은 사람들을 보유하고 있으며이 데이터를 조정, 구성 및 통합 할 수있는 올바른 솔루션을 모으거나 올바른 솔루션을 선택하고 있습니다. 지배? 나에게 매우 흥미로운 점 중 하나는 확실히 우리가 이것을 유추했다고 생각하지만, 우리가 한 가지 크기의 모든 데이터웨어 하우스의 시대와 결국 모든 것이 끝났습니다. 데이터 레이크가 등장하고, 스트리밍 및 라이브 데이터가 있으며, 데이터 소스가 너무나 많으며, 실제로 사용 사례를 기반으로 한 "필요한 것은 무엇입니까?" "모든 데이터를 데이터웨어 하우스로 가져와야합니다."확실하지 않습니다. Nick, 이것에 대해 언급하고 싶습니까? 기억 나지 않습니다.
Nick Jewell : 한 가지만 말하고 구성 요소의 진화를 지켜보십시오. 5 ~ 10 년 전에 전문가가 수행 한 작업은 이제 사용자의 손에 달려 있습니다. 따라서 오른쪽에있는 것은 드래그 앤 드롭 코드가없는 형태로 사용자에게 더 널리 퍼질 것입니다. 아주 빨리. 더 빠르고 더 빠르게 움직일 것입니다.
젠 언더우드 : 예, 정말 좋은 지적입니다. 나는 그것에 대해 생각하는 것을 좋아합니다. 다른 데이터 과학은 마침내 현실이되고 있으며 도구는 훨씬 나아지고 있습니다. 기술에 대해 생각할 때 이제 기술과 인력이 필요하며 무엇을해야합니까? 현재 최고의 직업에는 데이터 과학자, 데이터 엔지니어 및 비즈니스 분석가와 같은 직책이 포함되어 있지만 우리가 찾는 것은 고용주 자신이 실제로 일치하기가 어렵다는 것입니다. 데이터 준비 공간에서도 "데이터 준비, 데이터 조정, 사람들이 어떤 용어를 부릅니까?"라고 말할 것입니다.
비즈니스는 그들이 무엇을 필요로하는지 알지 못하고 여러 분야에 걸쳐이 새로운 분야가 새로 생겨났습니다. 모든 사람이 이제 데이터 그리드, 비즈니스 분석, IT 프로젝트 관리자, 전력망 및 프로젝트 포트폴리오를 관리하는 남편이되어야한다면이를 분석 할 수 있어야합니다. 더 이상 재무 및 데이터 분석이 아니라 조직의 다른 영역으로 훨씬 넓어졌습니다. 마케팅에 사용되는 데이터 소스의 수에 대한 연구를 보았고 압도적이었습니다. 다시 말하지만, Harvard Business Review가 수행 한 연구에 대해 생각할 때 사람들이 더 이상 하나의 데이터 소스가 아니라 서로 통합하고 통찰력을 찾아야하는 것은 데이터 소스가 많기 때문에이를 위해서는 기술이 필요합니다.
본질적으로 더 큰 그림을 볼 때, 대부분의 신입 사원은 아래쪽으로 향한 분홍색 거품이 될 것입니다. 이러한 비즈니스 분석가에 대해 데이터 마이닝 분석가, HR 관리자, 이 영역에 대해 이야기 할 때 라인 내의 정규 역할 데이터를 사용한 비즈니스 가장 빠르게 성장하는 역할은 직업이 적을 것이지만 오늘날 시장에서 가장 많이 듣는 데이터 과학자와 데이터 엔지니어는 분명합니다. CDO는 미래를 예측하고 인재를 계획하고 있으므로 일상적인 작업의 자동화와보다 전략적인 기술 유형을 고려하고 조직에 가치를 더해야합니다. 분석이 가능하지만 데이터 과학 및 데이터 엔지니어에게도 유용합니다. 게시되지 않은 직위와 프리랜서 경제의 일부가 최고와 밝은 경쟁을 위해 생각할 때 어떻게 변할 수 있는지 고려하십시오.
또한 인재 파이프 라인에 대해서도 항상 생각하면서 후보자가 시장을 탐색하거나 자신이 원하는 것과 다를 수도 있고 정확하지 않을 수도있는 사물을 찾거나 사내 분석 과정을 만드는 데 도움이됩니다. 비용 효율적인 전략을 유지하십시오. 이 그룹 또는 다른 그룹에 대한 교육을 전담하는 사람들을 살펴보십시오. Alteryx는 오늘 세션이 끝날 무렵에 행동을 촉구하기 위해 추천 코스를 추천합니다. 이러한 것들 중 일부를 활용하고 팀이 활용할 수 있도록 도와주세요 이미 사용 가능한 기존 리소스 중 일부
Nick Jewell : 물론입니다. 무기 경쟁에 얽매이지 않고 재능 격차를 메우는 방법은 너무 많습니다. 슬라이드 몇 개를 다시 보니, 거기에서 커플을 뒤집을 수 있는지 모르겠습니다. 데이터 과학 경쟁 사이트 인 Kaggle은 방금 데이터 과학 상태에 대한 17, 000 건의 응답으로 설문 조사를 발표했으며 사람들의 기술에 대한 설문 조사에서 실제로 흥미로운 응답이 있었으며 대다수의 응답자에게는 박사 학위가 없었습니다. 더 이상 전제 조건이 아닙니다.
차세대 분석 전문가, 방금 보여준 주요 버블은 나노 학위 과정에서 필요한 지식을 얻을 수 있습니다. Udacity와 같은 사이트를 방문 할 수 있으며 비즈니스에 직접이 지식을 즉시 배포 할 수 있습니다. 짧은 초점을 맞춘 배송주기는 회사의 경쟁 우위를 즉시 제공합니다. 조심해야 할 것이 있다고 생각합니다.
젠 언더우드 : 아니요, 동의합니다. 제가 생각하더라도 UCSD에서 2 년 과정을 밟은 이후 분명히 먼 길을 왔습니다. 이것은 2009 년, 2010 년으로 돌아 왔고 실제로 그렇게 할 수있는 소수의 국가가 있었을 것입니다. 일반적으로 공급 업체를 통해, 현재 루프를 통해 사용할 수있는 많은 리소스 및 다양한 온라인 리소스를 포함하여 전문화 된 프로그램뿐만 아니라 현재 더 많은 옵션이 있습니다. 정말 놀라운 시간입니다. 시간과 예산을 세우고 일정을 잡으십시오. 배우고 싶은 것이 무엇입니까? 그리고 배우고 싶은 길을 따라 가십시오.
이것에 대해보고 자신의 기술 계획과 CDO의 전망에 대해 이야기하면서, 내가 역량 프레임 워크라고 말한 것, 기술을 보거나 도메인 지식과 같은 것을 바라 보는 분야에서 사람들이 있는지 확인 이러한 솔루션은 자체 학습 및 자체 학습이 가능하지만 실제로 결과를 이해하고 확인하는 것은 비즈니스 주제 전문가입니다.
항상 무언가가 있으며 보험 회사에 대한 중요한 분석을 수행했을 때의 예와 알고리즘이 뉴욕에서 다른 사람을 고용하지 않은 결과 중 하나를 사용하고 싶습니다. 글쎄요, 우리는 뉴욕에서 어떤 사람도 고용하지 않을 것입니다. 우리는 왜 알고리즘이 우리에게이 정보를 제공하는지 알아 내야했습니다. 법률, 법률 중 하나가 변경 되었기 때문에 특정 세그먼트에서 많은 변화가 있었기 때문입니다. 비즈니스 주제 전문가가 해독해야 할 필요성이 있었고, 나는 변화가 보이지 않는다. 나는 그런 종류의지도를 보지 못하고 결과가 정확하고, 무언가가 겉보기에 있는지 확인하지 않았다. 인간의 마음, 기계의 힘과 결합 된 아름다움의 아름다움은 실제로 우리가 가고있는 곳입니다.
기술, 시각화, 데이터의 효과적인 이야기, 기계 학습 결과인지에 대한 효과적인 이야기를 할 때 다른 유형의 것들. 의사 결정의 인간 본질을 이해하고 그 영향이 무엇인지 살펴보고 이러한 유형의 기술은 기술에 관계없이 매우 중요합니다. 거버넌스는 정말 중요하며 윤리는 점점 더 중요 해지고 있습니다. 사회 과학자가 참여하고 이해하고 이해하지 못하며 데이터에 편견이 있는지 또는 조직에 인식하지 못하는 사람이 없거나 심지어 전문가로 데려 오는 편견이 없는지 살펴 보도록 훈련받습니다. 그런 종류의 것들을 가지고 있습니다.
물론 엔지니어링 및 하드웨어를위한 인프라를 보유하고 확장 및 확장이 가능한지 확인하고 올바른 클라우드 제공 업체를 사용하고 있는지 확인하십시오. 비용이 얼마나 드는지에 대한 가격을 이해합니다. 이러한 유형의 기술이며, 이를 살펴보면 데이터 중심의 일선 의사 결정자 (이러한 역할의 대부분이 될 곳)는 데이터 엔지니어와 데이터 과학자에게 모든 방법으로 기술 할 것입니다. 이 데이터 바다에서 마사지하고 일하고 있습니다. 이것들은 프레임 워크를 구성하고자하는 것들의 유형입니다.
역량 프레임 워크를 살펴보면 일반적으로 조직을보고 기술 만이 아니라 역량을 고려하려고합니다. 당신이 이것을 보면서 단어에 약간의 뉘앙스가 있습니다. 조직의 역량 프레임 워크는 분명한 신호입니다. 전쟁 정책 입안자, 교육 제공 업체, 기술은 R 아래에 입력되지만 이러한 유형에 대해 생각하고 유능한 코더가 있지만 그 기술 이상의 것을 원합니다. 역량을 이해하면 사람이 프레임 워크를 이해하고 이해할 수 있어야하는 것이 중요합니다. 중요한 것은 약간의 뉘앙스가 있습니다.
이를 구축하면서 비즈니스에 긍정적 인 영향을 미치는 기능을 진단하고 잠재력이 높은 영역을 강조하여 조직에서 향상시키고 자하는 역량이 무엇인지 우선 순위를 정하려고합니다. 그런 다음 비즈니스 목표에 맞게 다시 조정하십시오. 데이터의 가치를 극대화하고, 살펴보고, CAO는 데이터의 가치를 극대화하기 위해 분석을 사용하는 CDO를 책임지는 CDO입니다. 그들은 내가 가지고 있었던 과거의 그리드에서 그 역량과 다른 영역을 살펴볼 것입니다. 그러나 그들은 또한 직원의 높은 잠재력을 살펴볼 것입니다. 데이터 및 분석 업무를 담당하는 직원들과 상호 참조하고 투자하여 실제 비즈니스 문제에 대한 실질적인 실제 기회를 교육뿐만 아니라 학습 기회를 제공하십시오.
더 좋은 것은 없습니다 – 몇 년 동안 학교에 갔다하더라도, 이 알고리즘 중 일부를 적용하거나 수표 사기에 대해 배우고, 전에는 전혀 생각해 보지 못한 것들에 대해 배웠기 전까지는 그렇지 않았습니다. 현실 세계에서 모이기 시작하면 바로 여기서 배울 수 있습니다. 사람들에게 이러한 영역에서 경험을 얻을 수있는 기회를 제공합니다. 강력한 기능을 구축하고, 체계적으로 식별하고, 객관적인 평가를하고, 조직 내에서 사람들을위한 목표를위한 몇 가지 메트릭을 배우고 배치하기위한 격차가 어디인지 파악하는 강력한 기능을 구축 할 수있는 회사는 가능한 것입니다 전달하기.
성인 훈련에 대해 다시 생각해 보면 보통 굶주린 시간입니다. 우리는 항상 굶주 렸습니다. 저는 개인적으로 책을 가지고 있기 때문에 오늘 사무실에 오면 비디오와 같은 많은 사람들이 있지만 많은 책을 보게 될 것입니다. 따라서 발견하는 것은 조직의 누군가가 배우기를 좋아하는 방법을 배우고 동기를 부여하는 것뿐만 아니라 그러한 목표와 목표를 달성 할 시간을 제공하는 것입니다. 블렌드 된 것은 단지 그 과정을 수반하는 것이 아니라 스코어 카드에서 해당 마크를 확인하는 것입니다. 그 자체로 실제 목표 프로젝트와 그 프로젝트를 배웠으며 그 프로젝트에서 무엇을 배웠으며 다음에 무엇을 하시겠습니까? 스트레칭이란 무엇입니까? 팀을 확장하거나 팀을 자극하여 더 발전 시키십시오.
이러한 학습 목표, 다시 말하지만, 그렇게한다면 실제로는 안됩니다. 본질적으로 비즈니스가 쉬워야합니다. 그 목표는 전략적 비즈니스 관심사와 일치해야하기 때문입니다. 이들은 훌륭한 프로젝트입니다. 그들은 실험적인 프로젝트입니다. 그들은 바늘을 앞으로 움직일 프로젝트입니다.
닉, 뭔가 추가하고 싶니? 잘 모르겠습니다.
Nick Jewell : 아니요, 다음 화면에서 사례 연구로 넘어가겠습니다. 특정 조직에 대해 좀 더 자세히 설명합니다. 나는 그들이 당신이 말하고있는 많은 것을 실제로, 현실에 넣었다고 생각합니다. Ford Motor Company는 많은 회사와 마찬가지로 수십 년 동안 데이터 분석에 의존했지만 일관성과 조정을 보장하기 위해 회사 전체에 대한 감독이 거의 없었던 비즈니스 영역에서도 그렇게했습니다. 이러한 문제는 규모가 큰 조직에있어 상당히 일반적인 것일 수 있으므로 분석 전문 지식에는 포켓, 데이터 관리 및 거버넌스 관행에 일관성이 없으며 일부 사업부에서는 기본 분석 전문 지식에 액세스 할 수없는 시점까지 포함되어 있습니다.
오늘도 우리는 다양한 유형의 데이터 소스에 대해 이야기했습니다. 데이터 소스는 4, 600 개가 넘습니다. 그것은 심지어 여정을 시작하고 그들이 필요로하는 데이터를 찾는 것이 분석적 통찰에 대한 실질적인 장애라는 것을 의미했습니다. 나는 당신이 웃고있는 것을 보았지만 끔찍한 일입니다.
젠 언더우드 : 4, 600, 오 마이 갓.
Nick Jewell : Ford는 글로벌 통찰력 및 분석 단위를 구성했으며 이것이 중앙 집중화되었습니다. 데이터 과학자 및 분석가 팀으로 구성된 우수 센터라고 할 수 있습니다. 분석 모범 사례를 공유하고 최적화 된 데이터 중심의 확산을 지원하도록 구성되었습니다. 비즈니스 전반에 걸친 데이터 작성. 이 부서는 기능뿐만 아니라 함께 잘 통합 할 수있는 기능에서도 동급 최고의 툴을 선택 했으므로 매우 중요합니다. 민주화의 초점은 실제로 우리가 이야기 한 피라미드를 옮기기 전에 실제로 보고서와 기술 분석에 초점을 두었습니다.
이제 민주화는 누군가를 밤새 데이터 과학자로 만들지 않습니다. 직원은 언제 어디서 도움을 받아야하는지 알아야하며, 이 모든 것을 도울 수있는 훈련, 거버넌스, 방법론이 있습니다. 또한 우리가 언급 한 기술 격차를 해소하기위한 도구 교육뿐만 아니라 데이터 과학 교육도 중요합니다. 그렇다면 물류 네트워크를 최적화하는 포드의 실제 사용 사례는 재료를 지점 A에서 지점 B로 옮기는 데 적절한 금액을 지불 했습니까? 그들의 레거시 분석은 실제로 실행 가능한 기회를 강조하지 않았습니다. 이것은 시장에서 매우 반동적이었습니다. 이제는 해당 프로세스에 대한 많은 복잡성이 분석가의 머리 속에 숨겨져 있으며, 셀프 서비스 워크 플로가 실제로 비즈니스와 반복되고 분석 전문가가 함께 앉아서 함께 위치 할 때 큰 돌파구를 마련했습니다.
이로 인해 분석이 다년에서 분기로, 심지어 거의 실시간으로 진행되어 비즈니스에 큰 혜택을 가져 왔습니다. 셀프 서비스 분석이 비즈니스 가치에 미치는 영향으로 포드는 전사적 인 데이터 중심 전략을 신속하게 계획 및 수립하고, 새로운 트렌드에 대응하고, 새로운 서비스를 형성하며, 기본적으로 경쟁에서 위협을 제거 할 수있었습니다. 백미러를 봐야합니다
이제 다른 고객이 회사의 단일 부서에서 수직 우선 순위에서 모든 부서의 가로 줄무늬로 분석을 실제로 이동시킨 방법을 살펴보면 Shell에 대해 이야기하겠습니다. Shell은 최고 디지털 책임자에게보고하는 우수성 센터를 운영하므로 CxO 플레이 북에 대한 또 다른 D가 있으며 디지털 혁신과 지속 가능성을 책임지고 있습니다. 이들은 환경에 여러 계층이 포함되어 있으며 기술 스택, 스토리지, 데이터 처리 및 모두에게 친숙한 기술이 모두 포함되어 있음을 이해했습니다. SAP HANA, Databricks, Spark 등은 퍼블릭 클라우드를 활용하여 적절한 규모의 경제에 도달했습니다.
이제 그들은 Alteryx를 많은 R 코드에 대한 분석 래퍼로 선택하여 Spotfire, Power BI 등과 같은 기술에 공급했습니다. 그러나 이제는 데이터 처리 및 시각화와 채택이 훨씬 더 밀접하게 연결되는 것을 볼 수 있습니다. Jen, 모든 기능을 슬라이드로 다시 불러 오면 더 많은 분석가가 액세스 할 수있게되면서 이러한 종류의 기능이 확산됩니다. 아시다시피, 그들은이 기능과 COE를 제공하는 데 큰 성공을 거두었으며 지금은 미래의 기능을 제공하고자합니다. 머신 비전, 자연어 처리 등 우리가 이야기 한 딥 러닝 중 일부는 그 절반이 전달입니다. 사업부 전체에서 이러한 아이디어를 설명하고 촉진하는 것에 관한 것입니다. 그것은 여행의 일부입니다. COE는 항상 비즈니스 청중과 의사 소통하는 다양한 방법을 모색하고 있습니다.
한쪽면에서“글쎄, 이 블랙 박스는 내 분석가만큼 좋지 않을 것입니다.”라고 말하는 회의론자들을 고려할 때, 팬보이 또는 모든 곳에서 상관 관계를 보는 열광 자에게, 인과 관계의 방식이 적을 것입니다. 하지만 양쪽을 조심해야합니다. 조직 전체에 가로 줄무늬가 있으면 스펙트럼의 양면을 설득하는 데 필요한 하이브리드 기술 세트가 매력적인 중간 단계입니다.
Nick Jewell : 그래, 젠, 거기있어?
젠 언더우드 : 저는
Nick Jewell : 이 Clayton Christensen의 인용문으로 우리가 여기서 말하려는 것은 많은 조직에서 오늘날 우리가 이야기하고있는 디지털 혁신을 추진하기 위해 분석 의제를 통합한다는 것입니다. 도전하라. 더 자주, 우리는 약한 손으로 시작하는 분석 팀을 찾습니다. 분석 프로세스, 기술, 팀 구조의 레거시 인수를 통해 혁신을 시도하고 이러한 유물을 보유하는 것은 분석 조정 및 분석 혁신을위한 가장 큰 장애물이 될 것입니다. 젠장?
젠 언더우드 (Jen Underwood) : 선택한 사진이 마음에 들었습니다 . 그렇습니다. 예를 들어 실시간 스트리밍과 같은 이러한 새로운 기술 중 일부를 수용해야합니다. 브라우저에서 JavaScript를 새로 고쳐야하는 경우 기존 레거시를 사용하여 JavaScript 새로 고침을 수행해야하는 경우 반드시 실시간 결과를 얻을 수있는 것은 아닙니다. 아마도 대시 보드 앱이거나 이러한 유형의 것들 일 수 있습니다. 그렇습니다. 당신은이 새로운 도구들 중 일부를 수용해야합니다. 그리고 다시, 저는이 사진이 정말 귀엽다고 생각합니다. 카트와 버기, 당신은 그 오래된 기술 접근법 중 일부를 놓아야합니다.
Nick Jewell : 물론입니다. 다음 슬라이드로 넘어 가면 더 좋은 방법이 있다고 생각합니다. 우선 Google과 유사한 검색을 사용하여 가장 관련성이 높은 모든 데이터 자산을 신속하게 찾을 수 있습니다. 자신의 상황을 이해하고, 의존성을 이해하고, 지역 사회의 전문가가 작성한 비즈니스 용어집과 같은 단순한 것을 고려하여 동료 책임자에 대한 부족 지식을 모두 유지합니다.
데이터 검색으로 똑똑해집니다. 보고서 소유자 및 전문가와 대화 할 수있는 능력에 대해 생각해보십시오. 업로드하면 Trip Advisor 또는 Yelp를 조금만 사용하여 가장 유용한 자산을 업로드하고 조직에서 가장 가치가 있다고 생각하는 자산을 인증 한 다음이 모든 것이 검색 결과와 궁극적으로 검색 순위에 반영되므로 다음 사용자. 원하는 것을 찾으면 빠르고 코드가없고 사용자 친화적 인 준비 및 분석 단계로 이동하여 반복 가능한 프로세스를 게시 할 수있는 완벽한 데이터 세트를 개발하십시오.
자동화 대화로 돌아가서 사용자 친화적 인 앱을 구축하십시오. 분석 모델을 구축하는 데 필요한 모든 것. 모델에 관해, 우리는 수년 동안 R과 같은 오픈 소스 기술을 지원해 왔으며, 단순하지만 드래그 앤 드롭 방식으로 서술 적이지만 예측적인 규범 적 분석을 다루는 진정한 고급 분석 기능을 구축 할 수 있습니다. 드롭 방식.
이제 오른쪽으로 넘어 가면 실제로 대화 형 시각화, 모델 및 스코어링에 대한 통찰력을 데이터 플랫폼 내에서 또는 가장 최근에 푸시하여 비즈니스 프로세스 내에서 즉각적이고 직접 통찰력을 얻을 수 있습니다. 올해 Gartner Peer Insights 고객 초이스 설문 조사에서 금상을 수상한 것은 전체 플랫폼에 걸친이 기능의 범위라고 생각합니다. 이는 환상적인 성과입니다. Gartner 사이트를 방문하여 자세한 내용을 확인하고 자신의 투표를 추가하고 자신의 논평을 추가하는 것이 좋습니다.
멋지다. Jen, 슬라이드 하나를 더 건너 뛰면 결론을 내릴 때 다음 단계를 모두 설명하고 싶다. 우선, Alteryx.com을 방문하여 분석 장애를 해결하기 위해 IIA (International Institute of Analytics)와 협력하여 수행 한 최신 연구 요약 자료를 무료로 다운로드하십시오. 또한 udacity.com/alteryx를 방문하여 팀을 활성화하는 방법에 대한 자세한 내용을 알아보고, 고급 분석 나노 학위를 통해 여정의 다음 단계를 밟은 후 Alteryx를 직접 경험할 수 있습니다. 홈페이지를 방문하여 모든 기능을 갖춘 평가판을 다운로드 한 후 스릴 넘치는 해결을 받으십시오.
젠, 끝났어 Q & A에 시간이 좀 걸릴 수 있습니다.
에릭 카바나 흐 : 정말 빨리 차임하겠습니다. 몇 가지 질문이 있습니다. 난 당신이 그것에 대해 의견을 남기고 싶다면, 먼저 Nick에게, 그리고 Jen에게 당신에게 한 가지를 던질 것입니다.하지만 그것에 대해 의견을 말하고 싶다면 확실히 EU에 더 많은 적용 가능성이 있으며 그것은 악명 높은 GDPR 인 글로벌 데이터 보호 규정입니다. 이것이 Alteryx와 로드맵에 어떤 영향을 미치며 여러분의 목표는 무엇입니까?
Nick Jewell : 그것은 바로 부기맨이라고 생각합니다. 많은 사람들이 그것에 대해 이야기하고 많은 사람들이 상당히 걱정하지만 실제로 데이터 및 분석 세계에 적용될 긴 일련의 규정 중 첫 번째 일뿐입니다. 실제로 우리의 관점에서 볼 때 데이터를 이해하고 분류하는 것입니다. 특정 취향의 CxO로 확인하면 자산의 위치를 파악하고 해당 컨텍스트를 알 수 있으며 더 넓은 컨텍스트에서 데이터를 실제로 관리하고 관리하기위한 첫 단계로 자산을 신뢰할 수 있습니다.
Eric Kavanagh : Jen을 다시 Nick에게 데려 오기 전에 또 다른 질문을 던질 것 같습니다. 즉, 교육 데이터입니다. 누군가 데이터를 기업에서 제거하도록 요청하면 이름뿐만 아니라 연락처 정보뿐만 아니라 알고리즘이 데이터가 포함 된 학습 데이터를 사용하는 경우 알고리즘을 다시 학습해야합니까?
Nick Jewell : 특히 복잡합니다. 데이터베이스는 이러한 개인 식별 정보 중 일부일뿐 아니라 분석 워크 플로우, 앱, 시각화의 원천이된다는 생각입니다. 이 데이터는 조직 어디에서나 사용할 수 있으므로 절대적으로 중요합니다.
에릭 카바나 흐 : 그리고 젠, 당신의 생각은 어떻습니까? 분명히 미국에서는 그다지 큰 거래가 아니며 기술적으로 적용 되더라도 너무 많은 회사가 지금 당황하지는 않습니다. 미국 회사에 EU 시민에 대한 데이터가있는 경우 GDPR의 중요성에 대해 어떻게 생각하십니까?
Jen Underwood : 글쎄, 확실히 책임감있는 데이터 처리가 필요하다고 생각합니다. 나는 이것에 대해 몇 번 썼고 이것들에 대한 몇 가지 지침을 가지고 있습니다. 알고리즘에 관한 질문은 흥미 롭습니다. 확실히, 제가 오늘보고있는 일부 솔루션, 일부 제품 팀은 결정을 내리는 방법과 해당 알고리즘의 결과를 결정하는 데 사용 된 개인 데이터를 확인할 수있는 기능을 설계했습니다. 미국의 제품 디자인에 영향을 미치고 있습니다.
많은 기술 회사가 미국과 전세계에 대규모 사무실을두고 있으며 여기에는 개발 팀이 있으므로 제품 개발에서 볼 수 있습니다. 더 많은 데이터 카탈로그에 투자하고 있습니다. 더 많은 정부의 이니셔티브가 시작되어 사람들이 이해할 수 있고 모든 데이터가 혼란에 빠진 부분을 이해합니다. 팔을 최소한 정리하고 주변을 찾고 무언가를 할 수 있도록 노력합니다.
에릭 카바나 흐 : 이전에 이야기했던이 슬라이드를 밀어서 닉에게 넘겨 줄 것입니다. 필자는 이것이 분석의 필요성에 대한 즉각적인 언급을하기 때문에 환상적인 슬라이드라고 생각합니다. 이 역동적 인 변화에 대해 어떻게 생각하십니까? 결론은 기업이 민첩해야한다는 것입니다. 분석이 그 주도권을 이끌고 있습니다. 어떻게 생각해?
Nick Jewell : 정말 흥미 롭습니다. 항상 존재한다고 생각합니다. 회사와 기술은 항상 3 개 주에 존재하므로 전쟁, 평화 또는 경이로움이 될 것입니다. 전쟁은 그처럼 치열한 경쟁에 관한 것입니다. Wonder는 플랫폼을 기반으로 구축 한 모든 새로운 기능입니다. 그런 다음 경쟁 전에 평화와 전쟁이 다시 시작됩니다. 나는 항상이 전투가 진행되고 있다고 생각합니다.
오늘의 전화를 받기 전에, 우리는 오늘 전 세계에서 진행되고있는 다른 회의와 주요 내용에 대해 이야기했습니다. 일부 대형 클라우드 공급 업체는이 플랫폼을 구축 한 시점에 이르렀으며 이제는 그 위에 멋진 새 것을 구축하고 있습니다. 기업은이를 면밀히 주시하고 미래를 위해 그 가치를 제공 할 수있는 일관된 플랫폼을 갖춘 제품을 사용하고 있는지 확인해야합니다. 그들은이 혼란에서 살아남을 것입니다.
Eric Kavanagh : 네, 좋은 지적입니다. Jen은 실제로 쇼 전에 클라우드 전략에 대해 언급했으며 업계에서 아는 많은 사람들이 어떻게 대기업, 심지어 은행, 모두 클라우드 전략이 있습니다. 나는 그것이 구체화되는 데 얼마나 오래 걸 렸는지 놀랐습니다. 아마도 그들 중 일부가 AWS Reinvent Conference에 가서 얼마나 큰지 깨달았을 때가 왔다는 결론을 얻었습니다. 클라우드 가져 오기에 대한 대기업 경영진의 인식과 계획 변경에 대해 어떻게 생각하십니까?
젠 언더우드 (Jen Underwood) : 대규모 데이터의 세계에 대해 생각할 때이를 관리 할 수 있다면, 어느 정도 규모의 대기업 중 한 곳이 일부 보안 측면에 대한 책임을지는 것에 대해 어느 정도 안심할 수 있다고 생각합니다. 거기에 약간의 마음의 평화. 클라우드에는 규모가 제한되어 있다는 것을 알고 있습니다.
다른 점은 클라우드에서 제품을 다시 개발 한 팀에 속해 있었으며 확실히 약한 제품이었고 아무도주의를 기울이지 않았으며, 매주 릴리스 및 심지어는 클라우드에서 매일 릴리스되는 시점에 가깝습니다. 아마존은 하루에 여러 번 릴리스한다고 말합니다. 이러한 위협이 발생하면 경쟁 업체가 매일 소프트웨어를 개발하고, 디지털 혁신을 시작할 때 모든 사람이 소프트웨어 산업에 종사하고있는 것이 무엇이든 관계없이 매일 출시 및 개선 할 수있는 것은 완전히 다른 것입니다. 볼 게임과 누구나 구름을 펼치고 규모를 확장 할 수 있습니다.
다시 말하지만, 그들이 활용하는 데이터는 알고리즘의 차이와 지능을 만들 것입니다. 그래서 사람들은 새로운 석유 또는 데이터가 금이라는 데이터에 대해 이야기하고 있습니다. 클라우드를 살펴보면 게임 체인저이기 때문에 매우 빠른 개발과 확장이 가능합니다. 놀랍다.
에릭 카바나 흐 : 닉, 다른 질문으로 다시 데려다 드릴 것입니다.이 질문들 중 일부에 도달 할 수 있다면 여기까지 잠시만 갈 것입니다. 몇 년 전 Alteryx는 타사 데이터를 활용하는 혁신 가로 Experian과 같은 소스 또는 지리 공간 데이터 등의 데이터를 가져 왔습니다. Alteryx의 DNA에 이런 종류의 것이 있기 때문에 아마도 전략적 이점이라고 생각합니다. 회사가 클라우드로 전환함에 따라 여러분은 이러한 세계를 연결하는 데 많은 경험이 있다고 생각합니다. 온-프레미스 세계는 타사 및 클라우드 기반 데이터를 구합니다. 어떻게 생각하십니까?
Nick Jewell : 네, 물론입니다. 궁극적 인 연결성은이 클라우드 기반 환경에서 작업 할 모든 회사에게 강력한 힘이 될 것입니다. 그러나 Infonomics와 같은 것에 대해 이야기 할 때, 정보와 데이터가 회사의 자산으로 간주되어야한다는 생각입니다. 가져올 가치의 대부분은 외부 데이터 소스를 가져 와서 혼합하고 내부 소스로 보강하여 프로세스에서 더 많은 가치를 창출하고 수익을 창출하는 것입니다. 내부 및 외부 데이터를 동일하게 사용하는 것이 절대적으로 중요합니다.
에릭 카바나 : 네, 좋은 지적입니다. 하이브리드 클라우드의이 세상이 여기에 있다고 생각합니다. 젠, 나는이 말을 아마도 당신에게 넘겨 줄 것입니다. 전략적 관점을 갖고 새로운 용어가 소스 전체의 데이터를 설명 할 때 통일 할 수 있다는 것은 앞으로 중요한 결정 요소가 될 것입니다.
젠 언더우드 (Jen Underwood) : 아니요. 물론, 이 하이브리드, 하이브리드, 하이브리드를 들었습니다. 당신은 이것에 대해 들었고 4 년 전에 Hadoop, Hadoop 및 빅 데이터에 대해 생각한 다음 하이브리드, 하이브리드를 듣기 시작했습니다. 확실히 거기에있었습니다. 반드시 그럴 필요는 없습니다. 올해는 기계 학습의 해입니다. 인공 지능, 머신 러닝은 올해 무대에 올랐지 만 오늘날 클라우드로 향하고 있거나 다른 모든 클라우드 데이터 소스를 처리해야하는 조직에서 실제로 작동하려면 Salesforce 또는 클라우드에 존재하는 이러한 모든 유형의 소스는 업무 일에 처리 할 수있는 유일한 방법은 하이브리드입니다. 어느 곳에서나 데이터를 복사 할 수 없으므로 직접 연결할 수 있어야하며 어디에서나 데이터를 처리하고 어디에서나 데이터를 찾을 수있는 방법을 찾아야합니다. 지금.
에릭 카바나 흐 : 기계 학습을 대화로 다시 가져 오지 않으면 해임 될 것 같아, 닉, 난 그냥 너에게 넘겨 줄거야. 나는 여러분들이 지금 그 일에 집중하고 있다는 것을 알고 있습니다. 머신 러닝이 분석과 비즈니스 및 데이터를 이해하는 데 사용하는 시스템과 일치하는 것을 어디에서 볼 수 있습니까?
Nick Jewell : 물론 이죠 . 그러므로 아주 간단히, 우리의 기술 격차로 빨리 돌아가 봅시다. 우리가 조직에 강력한 Excel 사용자들로 가득 찬 아이디어가 있습니다. 우리는 데이터 과학자들을 겪었지만 같은 속도로 성장하지는 않았습니다. 둘 사이에는 큰 차이가 있습니다. 오늘날 머신 러닝이 어디에 있는지 생각해보십시오. 휴대 전화 나 시계에 머신 러닝 기술을 통합 한 알고리즘은 몇 개입니까? 그것은 상품이며, 어디에나 있습니다. 우리는이 고급 사용자가 가장 간단한 방법으로 시스템을 비즈니스 전반에 성공적으로 적용 할 수 있도록해야합니다.
에릭 카바나 흐 : 마지막 것 하나를 너에게 던질 것이다. 여기 늦게 몇 가지 질문이 있습니다. 젠, 부탁 할게 참석자는 감독되지 않은 학습이라는이 전체 개념에 대해 언급하고 있으며 사실이를 수행하려면 교육 데이터가 필요하며 일반적으로 교육 데이터는 회사에 고유해야합니다. 산업 분야에는 많은 상관 관계가 있지만 조직이 유사한 여러 가지 방법이 있습니다. 그럼에도 불구하고 모든 회사는 비즈니스 모델이든 마케팅이나 영업에 대한 접근 방식이든, 또는 제품 개발과 상관없이 독특합니다.
문제는 이러한 알고리즘이 타사 데이터를 교육에 사용할 수 있는가하는 것입니다. 사이클 시간이 6 개월 (경우에 따라 경우에 따라)에서 40 일 또는 20 일로 줄어든 경우에도 알고리즘을 학습하기 위해 항상 자신의 데이터를 사용해야 할 것 같습니다. 경우가 있습니다. 당신은 정말로 당신 자신의 데이터를 사용해야하고, 데이터가 꽤 깨끗해야합니까?
젠 언더우드 : 정말 조화를 이룹니다. 외부 상황을 원할 것입니다. 사실, 나는 오늘 연속으로 예약되었으며 다음 웹 세미나는 기계 학습을 위해 아이러니하게 데이터를 준비하고 정리하는 것에 대해 이야기하고 있습니다. 실제로 중요한 것은 조직과 외부 컨텍스트를 구성하는 것입니다. 솔직히 말하면 일부 도구는 매우 훌륭 해져서 데이터의 일부 측면을 처리 할 수 있기 때문에 데이터 준비 및 정리에 대해 문의 한 것이 좋습니다. 인간의 마음, 또는 문제를 해독하고 그것들이 생략되지 않았는지 확인하고 확인할 수있는 것 – 우리는 일종의 생략 편견이 있다고 말하십시오. 문제를보고있는 방식과 자동화하고있는 문제 또는 자동화하려는 의사 결정을 디자인하기 위해 선택하는 방식에는 이에 대한 기술이 있으며 해당 비즈니스 프로세스를 정확하게 반영해야합니다.
우리가 이탈을 모델링하고 보험을 판매하기 위해이 후원 된 교육을 받기 위해 고용 할 사람을 보험 회사와 함께 다시 한 번 생각해보십시오. 모델 자체는 법적인 기후가 아니고 주마다 다른 법이 아니 었습니다. 내부 데이터와 인간의 마음으로 외부 데이터를 가져와야 할 부분이 항상 있습니다. 다른 구성 요소가있을 것입니다.
에릭 카바나 흐 : 당신이 여기에 정말 좋은 지적을했다고 생각합니다. 우리는 로봇과 기계, 기계 학습에 대한 소식을 계속 듣고 있습니다. 나에게 이것은 매우 파괴적인 추세입니다. 의심 할 여지가 없지만, 특히 데이터에 대한 분석, 엔터프라이즈 데이터에 대한 혼합 분석에서 인간의 필요성이 사라지는 것을 보지 못했습니다.
닉, 마지막 질문 하나 나에게 알고리즘이 아무리 훌륭하더라도 항상 무슨 일이 일어나고 있는지 모니터링하고 지정된 시간에 자신을 주입하고 실제로 존재하는 것의 큰 그림을 합성하는 사람들이 필요합니다. 어떤 알고리즘도 Fortune 2000 회사의 큰 그림을 합성 할 수 있다고 생각하지 않지만 어떻게 생각하십니까?
Nick Jewell : 알테 릭스가 아닌 예를 들어 보자. 작년부터 Uber에 대해 이야기 해 보자. 동네 짱, 호주에서 테러 사건이 발생하는 동안, 사람들은 그 지역에서 도망치려 고 시도하면서 갑자기 알고리즘이 말한 것과 같은 엄청난 가격의 피해를 입혔습니다. 그 직후 그들은 인간과 알고리즘이 함께 작동하도록 구현했습니다. 이런 일이 일어날 때마다 인간은 그 과정을 감독해야했습니다. 인간과 알고리즘의 파트너십은 앞으로 나아갈 길입니다.
Eric Kavanagh : 와, 정말 좋은 예입니다. 정말 감사합니다. 여러분, 웹 캐스트에서 한 시간 이상을 불태 웠습니다. Impact Analytics의 Jen Underwood에게 감사드립니다. 시간과 관심을 가져 주신 Nick Jewell과 Alteryx 팀, 시간과 관심을 가져 주신 모든 분들께 감사드립니다. 이 위대한 질문에 감사드립니다. 나중에 볼 수 있도록 모든 웹 캐스트를 보관하고 친구 나 동료와 자유롭게 공유하십시오. 그것으로 우리는 작별 인사를 할 것입니다. 오늘 훌륭한 웹 캐스트. 다시 한 번 감사드립니다. 다음에 다시 '겠습니다. 조심해 안녕.
