Kuinka Analytics voi parantaa yritystä? - TechWise Episode 2 -kopio

Lähde: Flickr / James Royal-Lawson

Ottaa mukaan:

Isäntä Eric Kavanagh keskustelee analytiikan käytöstä liiketoiminnassa tietotekijöiden ja alan johtajien kanssa.

Toimittajat Huomaa: Tämä on kopio yhdestä aikaisemmasta verkkolähetyksestämme. Seuraava jakso on tulossa nopeasti, rekisteröi napsauttamalla tätä.


Eric Kavanagh: Hyvät naiset ja herrat, hei ja tervetuloa taas kerran TechWisen jaksoon 2. Kyllä, todellakin, on aika saada viisaita ihmisiä! Minulla on tänään joukko todella fiksuja ihmisiä, jotka auttavat meitä tässä pyrkimyksessä. Nimeni on tietysti Eric Kavanagh. Minä olen isäntäsi, moderaattorisi, tälle salamannopealle istunnolle. Meillä on täällä paljon sisältöä, ihmiset. Meillä on liiketoiminnassa joitain suuria nimiä, jotka ovat olleet analyytikkona avaruudessamme ja neljä mielenkiintoisinta myyjää.Joten meillä on tänään paljon hyviä toimia puhelun aikana. Ja tietysti teillä siellä yleisöllä on merkittävä rooli kysymysten esittämisessä.


Joten jälleen kerran näyttely on TechWise ja tänään aiheena on "Kuinka Analytics voi parantaa yritystä?" On selvää, että kyseessä on kuuma aihe, jossa se yrittää ymmärtää erilaisia ​​analytiikan muotoja, joita voit tehdä ja miten se voi parantaa toimintaasi, koska siinä on kyse päivän päätteeksi.

Joten voit nähdä itseni siellä ylhäällä, se on todella sinun. Dr. Kirk Borne, hyvä ystävä George Mason Universitystä. Hän on tietoteknikko, jolla on valtava kokemus, erittäin syvä asiantuntemus tässä tilassa ja tiedon louhinta sekä iso data ja kaikki sellainen hauska juttu. Ja tietysti, meillä on täällä Bloor-ryhmässä oma tohtori Robin Bloor, pääanalyytikko. Kuka opiskeli vakuutusmatemaatikkona monia, useita vuosia sitten. Ja hän on todella keskittynyt tähän suureen datatilaan ja analyyttiseen tilaan melko tarkoituksella viimeisen puolen vuosikymmenen ajan. On kulunut viisi vuotta siitä, kun perustimme Bloor-ryhmän sinänsä. Joten aika lentää, kun sinulla on hauskaa.

Kuulemme myös Pentahon pääarkkitehdilta Will Gormanilta; Steve Wilkes, WebAction-yksikön CCO; Frank Sanders, MarkLogicin tekninen johtaja; ja Hannah Smalltree, johtaja Treasure Datassa. Joten kuten olen sanonut, se on paljon sisältöä.

Joten miten analytiikka voi auttaa yritystäsi? No, kuinka anteeksi se auttaa yritystäsi, rehellisesti sanottuna? On monia tapoja, joilla analytiikkaa voidaan käyttää tekemään organisaatiota parantavia asioita.

Joten tehosta toimintaa. Se on se, josta et kuule niin paljon kuin mitä teet esimerkiksi markkinoinnista tai tulojen kasvattamisesta tai edes mahdollisuuksien tunnistamisesta. Mutta toimintojen virtaviivaistaminen on tämä, todella tehokas asia, jonka voit tehdä organisaatiollesi, koska voit tunnistaa paikat, joissa voit joko ulkoistaa jotain tai lisätä tietoja esimerkiksi tiettyyn prosessiin. Ja se voi virtaviivaistaa sitä edellyttämättä, että joku noutaa puhelimen soittaakseen tai joku soittaa. On niin monia eri tapoja, joilla voit virtaviivaistaa toimintaasi. Ja kaikki tämä todella auttaa alentamaan kustannuksia, eikö niin? Se on avain, se alentaa kustannuksia. Mutta se antaa sinun myös palvella paremmin asiakkaitasi.

Ja jos mietit kuinka kärsimättömistä ihmisistä on tullut, ja näen tämän joka päivä sen suhteen, miten ihmiset ovat vuorovaikutuksessa verkossa, jopa meidän show-palvelumme, käyttämiemme palveluntarjoajien kanssa. Ihmisten kärsivällisyys, huomioväli, lyhenee päivä päivältä. Ja mitä tämä tarkoittaa, että organisaation on vastattava nopeammin ja nopeammin voidaksesi tyydyttää asiakkaasi.

Joten esimerkiksi jos joku on Webcast-sivustossasi tai selailee yrittämässä löytää jotain, jos hän turhautuu ja lähtee, saatat olla, että olet juuri kadottanut asiakkaan. Ja riippuen siitä, kuinka paljon veloitat tuotteestasi tai palvelustasi, ja ehkä se on iso juttu. Joten lopullinen asia on, että toiminnan virtaviivaistaminen on mielestäni yksi kuumin alue analytiikan soveltamiseen. Ja teet sen tarkastelemalla numeroita, murskaamalla tietoja selvittämällä esimerkiksi "Hei, miksi me menetämme niin monet ihmiset verkkosivustomme tällä sivulla?" "Miksi saamme joitain näistä puheluista juuri nyt?"

Ja mitä reaaliaikaisemmin voit vastata tällaisiin asioihin, sitä paremmat mahdollisuudet päästä tilanteeseen ja tehdä jotain siitä ennen kuin on liian myöhäistä. Koska siellä on aikaikkuna, jolloin joku järkyttää jotain, on tyytymätön tai yrittää löytää jotain, mutta he ovat turhautuneita; saat siellä mahdollisuuden tavoittaa heidät, tarttua heihin, olla vuorovaikutuksessa asiakkaan kanssa. Ja jos teet sen oikealla tavalla oikeilla tiedoilla tai mukavalla asiakaskuvalla - ymmärrät kuka on tämä asiakas, mikä on heidän kannattavuus, mitkä ovat heidän mieltymyksensä - jos saat todella käsitellä asiaa, aiot tehdä hieno työ pitää kiinni asiakkaista ja saada uusia asiakkaita. Ja siitä se kaikki on kyse.

Joten sen kanssa aion luovuttaa sen tosiasiallisesti Kirk Bornelle, yhdelle tämän päivän puhelun datatutkijoillemme. Ja he ovat nykyään melko harvinaisia, ihmiset. Meillä on kaksi heistä ainakin puhelun aikana, joten se on iso juttu. Sen avulla, Kirk, aion antaa sen sinulle puhua analytiikasta ja kuinka se auttaa yritystä. Anna palaa.

Dr. Kirk Borne: No, kiitos paljon, Eric. Kuuletko minua?

Eric: Hyvä on, mene eteenpäin.

Dr. Kirk: Okei, hyvä. Haluan vain kertoa, jos puhun viisi minuuttia, ja ihmiset heiluttavat kättään minuun. Joten aloitushuomautus, Eric, jonka olet sitoutunut todella tähän aiheeseen, aion puhua lyhyesti muutaman minuutin sisällä siitä, mistä on kyse suurten tietojen ja analyysien käytöstä tietoihin tukemiseen liittyviin päätöksiin. Kommentti, jonka teit operatiivisesta virtaviivaistamisesta, kuuluu mielestäni tähän operatiivisen analytiikan käsitteeseen, jossa näet melkein jokaisessa sovelluksessa ympäri maailmaa, olipa kyse sitten tiedesovelluksesta, yrityksestä, tietoverkkoturvasta ja lainvalvonnasta ja hallitus, terveydenhuolto. Minkä tahansa määrän paikkoja, joissa meillä on datavirta ja teemme jonkinlaista vastausta tai päätöstä reagoidaksemme tapahtumiin ja hälytyksiin ja käyttäytymiseen, jotka näemme kyseisessä tietovirrassa.

Joten yksi niistä asioista, joista haluaisin puhua tänään, on eräänlainen kuinka poimit tietoa ja oivalluksia suurista tiedoista päästäksesi kohtaan, jossa voimme tosiasiassa tehdä päätöksiä toimia. Ja puhumme tästä usein automaatiojärjestelmässä. Ja tänään haluan sekoittaa automaation ihmisen analyytikon kanssa silmukkaan. Joten tällä tarkoitan, kun taas yritysanalyytikolla on tärkeä rooli vedonlyönnissä, karsinnassa, tiettyjen toimien validoinnissa tai koneoppimissäännöissä, jotka me poimimme tiedoista. Mutta jos pääsemme pisteeseen, jossa olemme melko varmoja luomistamme liiketoimintasäännöistä ja mekanismeista, joilla meitä hälytetään, voimme muuttaa tämän melko paljon automaattiseksi prosessiksi. Teemme todella sen operatiivisen virtaviivaistamisen, josta Eric puhui.

Joten minulla on vähän sanoja täällä, mutta toivon, että jos se toimii sinulle, puhuin D2D-haasteesta. Ja D2D, ei pelkästään päätöksenteko kaikissa haitoissa, vaan tarkastelemme tätä tämän dion alareunassa, jonka toivottavasti näet, tekemään löytöjä ja kasvattamaan tulorahoja analyysiputkistamme.

Joten tässä con, minulla on itse asiassa tämä markkinoijarooli itselleni täällä nyt, kun työskentelen sen kanssa ja niin; ensimmäinen asia, jonka haluat tehdä, on karakterisoida tietosi, poimia ominaisuudet, poimia asiakkaidesi ominaisuudet tai mikä tahansa kokonaisuus, jota seuraat tilaasi. Ehkä kyse on potilaasta terveysanalytiikkaympäristössä. Ehkä se on Web-käyttäjä, jos tarkastelet eräänlaista tietoturvaongelmaa. Mutta karakterisoi ja ota ominaisuudet ja ota sitten joitain huomiota siitä yksilöstä, kyseisestä kokonaisuudesta. Ja sitten koot äskettäin luomasi kappaleet ja laitat ne jonkinlaiseen kokoelmaan, josta voit sitten käyttää koneoppimisalgoritmeja.

Syy, miksi sanon sen näin, on, sanotaan vain, että sinulla on valvontakamera lentokentällä. Itse video on valtava, suuri määrä ja se on myös erittäin jäsentämätön. Mutta voit poimia videovalvonnasta, kasvojen biometrisistä tiedoista ja tunnistaa yksilöitä valvontakameroissa. Joten esimerkiksi lentokentällä voit tunnistaa tietyt henkilöt, voit seurata heitä lentokentän kautta tunnistamalla saman henkilön useilla valvontakameroilla. Siksi, että poimitut biometriset ominaisuudet, joita todella louhit ja seuraat, eivät ole varsinainen yksityiskohtainen video itsessään. Mutta kun olet saanut nämä otteet, voit käyttää koneoppimissääntöjä ja analysointia päättääksesi, onko sinun tehtävä toimenpide tietyssä tapauksessa vai tapahtuiko jotain väärin vai jotain, joka sinulla on mahdollisuus tehdä tarjous. Jos olet esimerkiksi, jos sinulla on kauppa lentokentällä ja näet kyseisen asiakkaan tulevan tiellesi, ja tiedät muut tiedot kyseisestä asiakkaasta, että ehkä hän oli todella kiinnostunut ostamaan tavaroita tullittomasta kaupasta tai jotain sellaista, tee tuo tarjous.

Joten millaisia ​​asioita tarkoittaisin karakterisoinnilla ja potentiaalisoinnilla? Karakterisoinnilla tarkoitan jälleen kerran ominaisuuksien ja ominaisuuksien poimimista tiedoista. Ja tämä voidaan joko koneella luoda, niin sen algoritmit voivat tosiasiassa poimia esimerkiksi biometriset allekirjoitukset video- tai tuntemusanalyysistä. Voit poimia asiakkaiden mielipiteet verkkoarvioiden tai sosiaalisen median kautta. Jotkut näistä asioista saattavat olla ihmisen luomia, joten yritys, analyytikko, voi poimia lisäominaisuuksia, jotka esitän seuraavassa diassa.

Jotkut näistä voivat olla yleislähteisiä. Ja joukkolähteiden avulla voit ajatella sitä paljon eri tavoilla. Mutta hyvin yksinkertaisesti, esimerkiksi, käyttäjät tulevat verkkosivustollesi ja lisäävät hakusanoja, avainsanoja, ja päätyvät tietylle sivulle ja käyttävät siellä tosiasiallisesti aikaa. Että he ainakin ymmärtävät, että he joko katselevat, selaavat ja napsauttavat sivun asioita. Se mitä sanoo sinulle on, että avainsana, jonka he kirjoittivat alussa, on kyseisen sivun kuvaus, koska se laski asiakkaan heille odotettavalle sivulle. Ja niin voit lisätä tuon lisätiedon, eli asiakkaat, jotka käyttävät tätä avainsanaa, tunnistivat tämän verkkosivun tietoarkkitehtuurissamme paikkana, jossa kyseinen avainsana vastaava sisältö.

Ja siten joukkoliikenteen hankinta on toinen näkökohta, jonka ihmiset joskus unohtaa, niin sanoakseni asiakkaiden leivänmurujen jäljittämistä; kuinka he liikkuvat tilansa kautta, onko kyse verkko- tai kiinteistöstä. Ja käytä sitten sellaista polkua, jota asiakas käyttää lisätietoina asioista, joita katsomme.

Joten haluan sanoa, että ihmisen luomilla asioilla, tai koneella luotuilla, päätyi huijaukseen tavallaan merkitsemään tai merkitsemään tietyt tietorakeet tai kokonaisuudet. Olipa kyseisistä yksiköistä potilaita sairaalassa, asiakkaita vai mitä tahansa. Ja niin on olemassa erityyppisiä merkintöjä ja merkintöjä. Jotkut siitä koskevat itse tietoja. Se on yksi niistä asioista, millaista tietoa, millaista tietoa on, mitä ominaisuuksia, muotoja, ehkä ureja ja kuvioita, poikkeavuuksia, ei-epänormaalia käyttäytymistä. Ja sitten poimia semantiikkaa, eli miten tämä liittyy muihin tuntemiini asioihin tai onko tämä asiakas elektroniikan asiakas. Tämä asiakas on vaatevaate-asiakas. Tai tämä asiakas haluaa ostaa musiikkia.

Joten tunnistaakseen jonkin verran semantiikkaa, nämä asiakkaat, jotka pitävät musiikista, pitävät yleensä viihdestä. Ehkä voisimme tarjota heille muita viihdekohteita. Joten ymmärrät semantiikan ja myös jonkin alkuperän, joka sanoo pohjimmiltaan: mistä tämä tuli, kuka antoi tämän väitteen, milloin, mihin aikaan, missä olosuhteissa?

Joten kun sinulla on kaikki nämä merkinnät ja luonnehdinnat, lisää siihen seuraava vaihe, joka on con, lajitella kuka, mitä, milloin, missä ja miksi siitä. Kuka on käyttäjä? Mikä kanava he olivat? Mikä oli tietolähde? Millaisia ​​uudelleenkäyttöjä olemme nähneet tässä tietyt tiedot tai datatuotteet? Ja mikä on eräänlainen arvo liiketoimintaprosessissa? Ja sitten kerätä nuo asiat ja hallita niitä, ja tosiasiallisesti auttaa luomaan tietokantaa, jos haluat ajatella sitä tällä tavalla. Tee niistä hakuja, uudelleenkäytettäviä muiden liiketoimintaanalyytikkojen tai automaattisen prosessin avulla, joka seuraavan kerran, kun näen nämä ominaisuusjoukot, järjestelmä voi toteuttaa tämän automaattisen toiminnan. Ja niin pääsemme sellaiseen operatiiviseen analyyttiseen tehokkuuteen, mutta mitä enemmän keräämme hyödyllistä, kattavaa tietoa ja sitten kuratoimme sitä näitä käyttötapauksia varten.

Aloitamme liiketoimintaa. Teemme data-analytiikkaa. Etsimme mielenkiintoisia malleja, yllätyksiä, uutuuden poikkeavuuksia, poikkeavuuksia. Etsimme uusia luokkia ja segmenttejä väestöstä. Etsimme assosiaatioita, korrelaatioita ja linkkejä eri yksiköiden välillä. Ja sitten käytämme kaikkea tätä ohjaamaan löytö-, päätöksenteko- ja dollarinvalmistusprosessiamme.

Joten taas, täällä meillä on viimeinen tietokanta, jonka minulla on, vain periaatteessa yhteenveto, pitäen yritysanalyytikon silmällä, taas et tarvitse uutta tätä ihmistä ja on tärkeätä pitää tämä ihminen siellä.

Joten nämä ominaisuudet, kaikki ne ovat koneiden tai ihmisanalyytikkojen tarjoamia tai jopa joukkotoiminnan tarjoamia. Sovellemme tätä asioiden yhdistelmää parantaaksemme mallejamme varten tarkoitettuja koulutuskokonaisuuksiamme ja saadaksemme tarkempia ennustemalleja, vähemmän vääriä positiivisia ja negatiivisia, tehokkaampaa käyttäytymistä, tehokkaampia interventioita asiakkaidemme kanssa tai kenen tahansa kanssa.

Joten päivän päätteeksi yhdistämme todella vain koneoppimista ja suurta dataa tähän ihmisen kognitiivisen voiman kanssa, missä tämäntyyppinen merkintämerkintökappale tulee. Ja se voi johtaa visualisointiin ja visuaaliseen analytiikkatyyppiin työkaluja tai syventäviä tietoympäristöjä tai joukkovaihtoa. Ja päivän päätteeksi se, mitä tämä todella tekee, tuottaa löytömme, oivalluksemme ja D2D: n. Ja nämä ovat kommenttini, joten kiitos kuuntelusta.

Eric: Hei, se kuulostaa hyvältä ja anna minun mennä eteenpäin ja luovuttaa avaimet tohtori Robin Bloorille antaakseen myös hänen näkemyksensä. Joo, haluaisin kuulla sinun kommentoivan tätä toimintakonseptin virtaviivaistamista ja puhut operatiivisesta analytiikasta. Mielestäni tämä on iso alue, jota on tutkittava melko perusteellisesti. Ja luulen, todella nopeasti ennen Robinia, palaan sinut takaisin sisään, Kirk. Se vaatii, että sinulla on melko merkittävää yhteistyötä yrityksen eri toimijoiden välillä, eikö niin? Sinun on puhuttava operaatioiden kanssa; sinun on hankittava tekniset ihmiset. Joskus saat markkinointisi tai verkkoliittymäsi ihmiset. Nämä ovat tyypillisesti erilaisia ​​ryhmiä. Onko sinulla parhaita käytäntöjä tai ehdotuksia siitä, kuinka saada jokainen laittamaan ihonsa peliin?

Dr. Kirk: No, mielestäni tämä liittyy yhteistyön yrityskulttuuriin. Itse asiassa puhun kolmesta C: n tyyppisestä analyysikulttuurista. Yksi on luovuus; toinen on uteliaisuus ja kolmas on yhteistyö. Joten haluat luovia, vakavia ihmisiä, mutta sinun on myös saatava nämä ihmiset tekemään yhteistyötä. Ja se todella alkaa ylhäältä, sellaisesta kulttuurin rakentamisesta ihmisille, joiden tulisi avoimesti jakaa ja työskennellä yhdessä yrityksen yhteisten tavoitteiden saavuttamiseksi.

Eric: Kaikella on järkeä. Ja sinun täytyy todella saada hyvä johtajuus huipulla, jotta se tapahtuisi. Joten mennään eteenpäin ja luovutetaan se tohtori Bloorille. Robin, lattia on sinun.

Dr. Robin Bloor: Okei. Kiitos johdannosta, Eric. Okei, tapa, jolla nämä pannuivat ulos, nämä osoittavat, koska meillä on kaksi analyytikkoa; Saan nähdä analyytikon esityksen, jota muut kaverit eivät tee. Tiesin mitä Kirk aikoo sanoa, ja menen vain täysin eri näkökulmaan, jotta emme mene liian paljon päällekkäisyyksiä.

Joten siitä, mistä puhun tai aion puhua täällä, on tietoanalyytikon rooli verrattuna yritysanalyytikon rooliin. Ja tapa, jolla luonnehdin sitä hyvin, kieli-poskelle jossain määrin, on tavallaan Jekyll- ja Hyde-asia. Ero on erityisesti tiedemiehet, ainakin teoriassa, tietävät mitä he tekevät. Vaikka yritysanalyytikot eivät ole niin, okei matematiikan toimintatapojen kanssa, mihin voi luottaa ja mitä ei voida luottaa.

Pidetään siis vain syy siihen, että teemme niin, syy siihen, että tietojen analysoinnista on yhtäkkiä tullut iso asia lukuun ottamatta sitä tosiasiaa, että voimme tosiasiallisesti analysoida erittäin suuria määriä tietoja ja vetää tietoja organisaation ulkopuolelta; onko se maksaa. Tapa, jolla tarkastelen tätä - ja mielestäni tästä on vain tulossa tapaus, mutta luulen ehdottomasti, että se on tapaus - tietojen analysointi on todella yritystoimintaa koskevaa tutkimusta ja kehitystä. Se, mitä tosiasiallisesti teet tietojen analysoinnilla, on se, että tarkastellaan liiketoimintaprosessia yhdellä tavalla tai onko kyse vuorovaikutuksesta asiakkaan kanssa, onko kyseessä jälleenmyyntitapahtumasi, tapa, jolla käytät kauppoihisi. Sillä ei ole väliä mikä asia on. Tarkastelet tiettyä liiketoimintaprosessia ja yrität parantaa sitä.

Menestyvän tutkimuksen ja kehityksen tulos on muutosprosessi. Ja voit ajatella valmistamista, jos haluat, tavalliseksi esimerkiksi tästä. Koska valmistuksessa ihmiset keräävät tietoa kaikesta yrittääkseen parantaa valmistusprosessia. Mutta luulen, että mitä tapahtui tai mitä tapahtuu isoilla tiedoilla, tämä kaikki on nyt sovellettu kaikenlaiseen liiketoimintaan millään tavalla, jota kuka tahansa voi ajatella. Joten kaikki liiketoimintaprosessit ovat siis tutkittavana, jos pystyt keräämään tietoja niistä.

Joten se on yksi asia. Jos haluat, niin kyse on tietojen analysoinnista. Mitä data-analytiikka voi tehdä yritykselle? No, se voi muuttaa yritystä kokonaan.

Tämä erityinen kaavio, jota en aio kuvata tarkemmin, mutta tämä on kaavio, jonka keksimme tämän vuoden kuuden ensimmäisen kuukauden aikana tekemämme tutkimushankkeen huipentumaksi. Tämä on tapa edustaa suurta dataarkkitehtuuria. Ja joukko asioita, jotka kannattaa tuoda esiin ennen kuin siirryn seuraavaan diaan. Täällä on kaksi tietovirtaa. Yksi on reaaliaikainen tietovirta, joka kulkee kaavion yläosassa. Toinen on hitaampi datavirta, joka kulkee kaavion alaosaa pitkin.

Katso kaavion alareunasta. Meillä on Hadoop tietovarasto. Meillä on erilaisia ​​tietokantoja. Meillä on siellä kokonainen tieto, ja siinä tapahtuu joukko aktiviteetteja, joista suurin osa on analyyttistä toimintaa.

Totean täällä ja ainoa asia, jonka todella haluan tuoda esiin, on, että tekniikka on kovaa. Se ei ole yksinkertaista. Se ei ole helppoa. Se ei ole jotain, joka kuka tahansa pelin uusi voi itse asiassa vain koota. Tämä on melko monimutkaista. Ja jos aiot instrumenttiida yritystä tekemään luotettavan analyysin kaikista näistä prosesseista, se ei ole jotain mitä tapahtuu erityisen nopeasti. Sekoitukseen tarvitaan paljon tekniikkaa.

Okei. Kysymykseen mikä on datatieteilijä, voisin väittää olevani tietoteknikko, koska olen oikeasti koulutettu tilastoihin, ennen kuin minua ei koskaan koulutettu tietojenkäsittelyyn. Ja tein vakuutusmatemaattista työtä tietyn ajan, joten tiedän tavan, jonka yritys järjestää, tilastollisen analyysin, myös itsensä johtamiseksi. Tämä ei ole triviaalia. Ja siellä on hirvittävän paljon parhaita käytäntöjä, jotka liittyvät sekä ihmisiin että tekniikkaan.

Joten esittäessään kysymyksen "mikä on datatieteilijä", olen laittanut Frankensteinin kuvan yksinkertaisesti siksi, että se on yhdistelmä asioita, jotka on neulottu yhteen. Projektinhallinta on mukana. Tilastoissa on syvää ymmärrystä. Toimialueyritysten asiantuntemusta on, joka on välttämättä enemmän liike-elämän analyytikon kuin tietotekijän ongelma. On kokemusta tai tarve ymmärtää tietoarkkitehtuuri ja pystyä rakentamaan tietoarkkitehti ja mukana on ohjelmistosuunnittelu. Toisin sanoen, se on todennäköisesti joukkue. Se ei luultavasti ole henkilö. Ja se tarkoittaa, että kyseessä on todennäköisesti osasto, jonka organisaatiota on ajateltava melko laajasti.

Heittämällä sekoitukseen koneoppimisen tosiasia. Emme voineet tehdä, tarkoitan, koneoppiminen ei ole uutta siinä mielessä, että suurin osa koneoppimisessa käytetyistä tilastollisista tekniikoista on ollut tiedossa jo vuosikymmenien ajan. On olemassa muutamia uusia asioita, tarkoitan, että hermostoverkot ovat suhteellisen uusia, mielestäni ne ovat vain noin 20 vuotta vanhoja, joten osa niistä on suhteellisen uusi. Koneoppimisessa ongelma oli kuitenkin se, että meillä ei oikeastaan ​​ollut tietokonevoimaa siihen. Ja mitä tapahtui, lukuun ottamatta mitään muuta, on se, että tietokoneen virta on nyt paikoillaan. Ja se tarkoittaa hirvittävää paljon siitä, mitä me, esimerkiksi tietoteknikot, olemme tehneet aiemmin mallinnettaessa tilanteita, näytteenottoa ja sitten lajittelua tietojen syvemmälle analysoimiseksi. Itse asiassa voimme vain heittää tietokoneen tehoa siihen joissakin tapauksissa. Valitse vain koneoppimisalgoritmit, heitä se tietoihin ja katso mitä tulee ulos. Ja se on asia, jonka yritysanalyytikko voi tehdä, eikö niin? Mutta yritysanalyytikon on ymmärrettävä, mitä he tekevät. Tarkoitan, että mielestäni asia on todellakin enemmän kuin mikään muu.

No, tämä on vain tietää enemmän liiketoimintaa sen tiedoista kuin millään muulla tavalla. Einstein ei sanonut sitä, sanoin sen. Laitoin hänen kuvansa uskottavuuteen. Mutta tosiasiassa alkaa kehittyä tilanne, jossa tekniikka, jos sitä käytetään oikein, ja matematiikka, jos sitä käytetään oikein, pystyvät johtamaan yritystä kuin mikä tahansa henkilö. Olemme seuranneet tätä IBM: n kanssa. Ensinnäkin se voisi voittaa parhaat shakit shakissa ja sitten se voittaa parhaat kaverit Jeopardyssa; mutta lopulta pystymme voittamaan parhaat kaverit yrityksen johtamisessa. Tilastot lopulta voittivat. Ja on vaikea nähdä, kuinka sitä ei tapahdu, sitä ei vain ole vielä tapahtunut.

Joten mitä sanon, ja tämä on eräänlainen koko esitykseni, nämä ovat kaksi yritystoimintaa. Ensimmäinen on, voitko saada tekniikan oikein? Voitko saada teknologian toimimaan joukkueelle, joka todella aikoo toimia sen johtajana ja saada hyötyä yritykselle? Ja sitten toiseksi, saatko ihmiset oikealle? Ja nämä molemmat ovat kysymyksiä. Ja ne ovat kysymyksiä, joita ei tällä hetkellä ole sanottu ratkaistavan.

Okei Eric, annan sen takaisin sinulle. Tai minun pitäisi ehkä välittää se Willille.

Eric: Oikeastaan, kyllä. Kiitos, Will Gorman. Kyllä, sinä menet, Will. Katsotaanpa niin. Annan sinulle avaimen WebExiin. Joten mitä olet menossa? Pentaho, tietysti, te, kaverit, olette olleet jo jonkin aikaa ja avoimen lähdekoodin BI: n kaltaisessa aloittelijassa. Mutta sait paljon enemmän kuin sinulla oli aiemmin, joten katsotaan, mitä sinulla on nykyään analytiikkaa varten.

Will Gorman: Ehdottomasti. Hei kaikki! Nimeni on Will Gorman. Olen Pentahon pääarkkitehti. Niille teistä, jotka eivät ole kuulleet meistä, mainitsin juuri, että Pentaho on iso tietojen integrointi- ja analytiikkayritys. Olemme toimineet kymmenen vuotta. Tuotteemme ovat kehittyneet rinnakkain suuren datayhteisön kanssa, aloittaen avoimen lähdekoodin tieto integraatio- ja analytiikkaalustana, innovaatioina Hadoopin ja NoSQL-tekniikan kaltaisella tekniikalla jo ennen kaupallisten yksiköiden muodostumista kyseisen tekniikan ympärille. Ja nyt meillä on yli 1500 kaupallista asiakasta ja monia muita tuotanto-tapaamisia avoimen lähdekoodin ympärillä tapahtuvan innovaatiomme seurauksena.

Arkkitehtuurimme on erittäin upotettavissa ja laajennettavissa, tarkoitukseen rakennettu joustavaksi, koska etenkin iso tietotekniikka kehittyy erittäin nopeasti. Pentaho tarjoaa kolme päätuotealuetta, jotka toimivat yhdessä suurten tietoanalyysien käyttötapausten ratkaisemiseksi.

Ensimmäinen tuote arkkitehtuurimme laajuudessa on Pentaho Data Integration, joka on suunnattu tietoteknikolle ja tietotekniikan suunnittelijoille. Tämä tuote tarjoaa visuaalisen, vetämällä ja pudottamalla -kokemuksen dataputkien ja prosessien määrittelemiseksi tietojen järjestämiseksi suurissa tietoympäristöissä ja myös perinteisissä ympäristöissä. Tämä tuote on Java: lle rakennettu kevyt metatietokanta, tietointegraatioalusta, jota voidaan käyttää prosessina MapReduce- tai YARN- tai Storm-ohjelmissa sekä monissa muissa erä- ja reaaliaikaisissa alustoissa.

Toinen tuotealueemme on visuaalisen analyysin ympärillä. Tällä tekniikalla organisaatiot ja OEM-valmistajat voivat tarjota rikas vetämällä ja pudottamalla visualisointi- ja analytiikkakokemuksen liike-elämän analyytikoille ja käyttäjille nykyaikaisilla selaimilla ja tablet-laitteilla, mikä mahdollistaa raporttien ja kojetaulujen tilapäisen luomisen. Sekä pikselitäydellisen kojelaudan ja raporttien esittely.

Kolmas tuotealueemme keskittyy ennustavaan analytiikkaan, joka on suunnattu tietotekijöille, koneoppimisalgoritmeille. Kuten aiemmin mainittiin, kuten hermoverkot ja vastaavat, ne voidaan sisällyttää tietojen muuntamisympäristöön, jolloin tiedemiehet voivat siirtyä mallinnuksesta tuotantoympäristöön, antaa pääsyn ennustaa ja mikä voi vaikuttaa liiketoimintaprosesseihin hyvin välittömästi, hyvin nopeasti.

Kaikki nämä tuotteet on integroitu tiukasti yhteen ketterään kokemukseen ja antavat yritysasiakkaillemme joustavuutta, jota he tarvitsevat liiketoimintaongelmiensa ratkaisemiseksi. Näemme nopeasti kehittyvän maastotiedon perinteisessä tekniikassa. Kaikki, mitä kuulemme joiltakin suurten datatilojen yrityksiltä, ​​että EDW on lähellä loppua. Itse asiassa se, mitä näemme yritysasiakkaissamme, on heidän tarvitse tuoda iso data olemassa oleviin liiketoiminta- ja IT-prosesseihin eikä korvata niitä.

Tämä yksinkertainen kaavio näyttää usein havaittavan arkkitehtuurin pisteen, joka on eräänlainen EDW-käyttöönottoarkkitehtuuri, jossa on tietojen integrointi ja BI-käyttötapaukset. Nyt tämä kaavio on samanlainen kuin Robinin dia iso dataarkkitehtuurissa, se sisältää reaaliaikaisen ja historiallisen datan. Kun uusia tietolähteitä ja reaaliaikaisia ​​vaatimuksia ilmenee, näemme isotiedot lisäosana yleistä IT-arkkitehtuuria. Nämä uudet tietolähteet sisältävät koneella tuotetun datan, jäsentämättömän datan, vakiona olevan äänenvoimakkuuden ja nopeuden sekä monenlaisia ​​vaatimuksia, joista kuulemme isoissa tiedoissa; ne eivät sovi perinteisiin EDW-prosesseihin. Pentaho tekee tiivistä yhteistyötä Hadoopin ja NoSQL: n kanssa yksinkertaistaakseen näiden tietojen käyttöä, tietojenkäsittelyä ja visualisointia sekä sekoittamalla näitä tietoja perinteisiin lähteisiin, jotta asiakkaat saavat täydellisen kuvan heidän tietoympäristöstään. Teemme tämän hallitusti, jotta IT voi tarjota täyden analytiikkaratkaisun heidän liiketoimintalinjalleen.

Lopuksi haluaisin korostaa filosofiamme, joka liittyy isojen tietojen analysointiin ja integraatioon; Uskomme, että nämä tekniikat toimivat paremmin yhdessä yhtenäisen arkkitehtuurin kanssa, mikä mahdollistaa useat käyttötapaukset, jotka muuten eivät olisi mahdollisia. Asiakkaidemme tietoympäristöt ovat muutakin kuin vain suurta dataa, Hadoop ja NoSQL. Kaikki tiedot ovat reilua peliä. Ja suurten tietolähteiden on oltava käytettävissä ja toimittava yhdessä vaikuttaakseen yrityksen arvoon.

Lopuksi uskomme, että näiden liiketoimintaongelmien ratkaisemiseksi yrityksissä erittäin tehokkaasti datan avulla IT: n ja toimialojen on työskenneltävä yhdessä hallitun, sekoitetun lähestymistavan avulla big data -analytiikkaan. No, kiitos paljon siitä, että annoit meille aikaa puhua, Eric.

Eric: Voit lyö vetoa. Ei, se on hyvää. Haluan palata takaisin arkkitehtuurisi sille puolelle, kun pääsemme kysymyksiin ja vastauksiin. Joten siirrytään läpi muun esityksen ja kiitos siitä paljon. Te kaverit ehdottomasti olette siirtyneet nopeasti parin viime vuoden aikana, minun on sanottava, että varmasti.

Joten Steve, anna minun mennä eteenpäin ja luovuttaa se sinulle. Napsauta vain alaspäin osoittavaa nuolta ja etsi se. Joten Steve, annan sinulle avaimet. Steve Wilkes, napsauta vain kaukana olevaa nuolta siellä näppäimistöllä.

Steve Wilkes: Siellä me menemme.

Eric: Mene sinä.

Steve: Tämä on hieno esittely, jonka olet kuitenkin antanut minulle.

Eric: Kyllä.

Steve: Joten olen Steve Wilkes. Olen CA WebActionissa. Olemme olleet olemassa vain parin viime vuoden ajan ja olemme ehdottomasti myös liikkuneet nopeasti siitä lähtien. WebAction on reaaliaikainen big data -analyysialusta. Eric mainitsi aiemmin, eräänlaisena, kuinka tärkeä reaaliaika on ja kuinka reaaliaikaiset sovelluksesi saavat. Alustamme on suunniteltu rakentamaan reaaliaikaisia ​​sovelluksia. Ja mahdollistaa seuraavan sukupolven tietopohjaisia ​​sovelluksia, joihin voidaan rakentaa asteittain, ja jotta ihmiset voivat rakentaa kojetauluja kyseisten sovellusten tuottamasta tiedosta, mutta keskittyen reaaliaikaan.

Alustamme on oikeastaan ​​täydellinen päästä päähän -alusta, joka tekee kaiken tiedonkeruusta, tietojenkäsittelystä aina tietojen visualisointiin asti. Ja antaa yrityksellemme useiden erityyppisten ihmisten mahdollisuuden työskennellä yhdessä luomaan todellisia reaaliaikaisia ​​sovelluksia, antaen heille käsityksen asioista, joita heidän yrityksessään tapahtuu, kuten ne tapahtuivat.

Ja tämä on hiukan erilainen kuin se, mitä useimmat ihmiset ovat nähneet isoissa tiedoissa, joten perinteisen lähestymistavan - no, perinteisen parin viime vuoden ajan - lähestymistapana big data on ollut kaapata se joukosta erilaisia ​​lähteitä ja kaada se sitten suureen säiliöön tai järveen tai mihin tahansa haluat kutsua sitä. Ja sitten käsittele se, kun joudut suorittamaan kyselyn siihen; suorittaa laajamittainen historiallinen analyysi tai jopa vain ad hoc -kysely suurille tietomäärille. Nyt se toimii tietyissä käyttötapauksissa. Mutta jos haluat olla aktiivinen yrityksessäsi, jos haluat tosiasiallisesti kertoa mitä tapahtuu sen sijaan, että saisit tietää, milloin jotain meni pieleen päivän lopussa tai viikon lopulla, sinun on todella muutettava reaaliajaan.

Ja se kääntää asiat vähän ympäri. Se siirtää käsittelyn keskelle. Niin tehokkaasti otat ne suuret tietomäärät, joita jatkuvasti syntyy yrityksessä, ja käsittelet niitä niin kuin saat. Ja koska käsittelet sitä niin kuin tarvitset, sinun ei tarvitse tallentaa kaikkea. Voit vain tallentaa tärkeät tiedot tai asiat, jotka sinun täytyy muistaa, että todella tapahtui. Joten jos seuraat tiellä liikkuvien ajoneuvojen GPS-sijaintia, et todella välitä siitä, missä ne ovat joka toinen, sinun ei tarvitse tallentaa, missä ne ovat joka toinen. Sinun täytyy vain välittää, ovatko he poistaneet tältä paikalta? Ovatko he saapuneet tähän paikkaan? Ovatko he ajaneet moottoritielle vai eivät?

Joten on todella tärkeää ottaa huomioon, että kun yhä enemmän tietoja syntyy, niin kolme Vs. Nopeus määrittelee periaatteessa kuinka paljon dataa syntyy päivittäin. Mitä enemmän tietoja syntyy, sitä enemmän sinun on tallennettava. Ja mitä enemmän sinun on tallennettava, sitä kauemmin käsittely kestää. Mutta jos pystyt käsittelemään sen niin kuin saat sen, niin saat todella suuren hyödyn ja voit reagoida siihen. Voit sanoa, että asiat tapahtuvat sen sijaan, että joudut etsimään niitä myöhemmin.

Joten alustamme on suunniteltu erittäin skaalautuvaksi. Sillä on kolme suurta kappaletta - hankintakappale, prosessointipaikka ja sitten alustan toimituksen visualisointipalat. Hankintapuolella emme tarkastele vain koneella tuotettuja lokitietoja, kuten Web-lokit tai sovellukset, joissa on kaikki muut luodut lokit. Voimme myös mennä sisään ja muuttaa tietojen talteenottoa tietokannoista. Joten se periaatteessa mahdollistaa, olemme nähneet ETL-puolen, joka esittelee, ja perinteisen ETL: n, sinun on suoritettava kyselyitä tietokantoja vastaan. Meille voidaan kertoa, kun asiat tapahtuvat tietokannassa. Muutamme sen ja vangitsemme sen ja vastaanottamme nuo tapahtumat. Ja sitten on selvästi sosiaalisia syötteitä ja reaaliaikaisia ​​laitteita koskevia tietoja, joita pumppataan sinulle TCP- tai ACDP-liitäntöjen kautta.

Tietoja on paljon eri tavoilla. Ja kun puhutaan äänenvoimakkuudesta ja nopeudesta, näemme tilavuuksia, jotka ovat miljardeja tapahtumia päivässä, eikö niin? Joten tulossa on suuria, suuria määriä tietoja, jotka on käsiteltävä.

Tämän käsittelee palvelimien klusteri. Kaikilla palvelimilla on sama arkkitehtuuri ja ne kaikki kykenevät suorittamaan samat asiat. Mutta voit määrittää heidät tekemään erilaisia ​​asioita. Ja palvelimilla on nopea kyselyjen käsittelykerros, jonka avulla voit tehdä reaaliaikaista analyyttistä tietoa, rikastuttaa tietoja, tehdä tapahtumien korrelaatiota, seurata asioita, jotka tapahtuvat aikaikkunoissa, tehdä ennustavia analyysit, jotka perustuvat malleihin, jotka näkyvät tiedoissa. Ja että tietoja voidaan sitten tallentaa moniin eri paikkoihin - perinteiseen RDBMS-järjestelmään, yritystietovarastoon, Hadoop-järjestelmään, suuriin tietoinfrastruktuureihin.

Ja samaa reaaliaikaista dataa voidaan käyttää myös reaaliaikaisten datavetoisten sovellusten käynnistämiseen. Näillä sovelluksilla voi olla reaaliaikainen näkymä tapahtumasta, ja ihmisiä voidaan myös hälyttää tärkeiden asioiden tapahtuessa. Joten sen sijaan, että joudut menemään sisään päivän päätteeksi ja saamaan selville, että jotain huonoa tapahtui aikaisemmin päivällä, voit saada hälytyksen siitä, kun havaitsemme sen, ja se menee suoraan sivulle, joka vetää alas saadaksesi selville mitä menossa.

Joten se muuttaa paradigmaa kokonaan, kun joudutaan analysoimaan tietoja tosiasian jälkeen, kun kerrotaan, kun mielenkiintoisia asioita tapahtuu. Ja alustaamme voidaan sitten käyttää datapohjaisten sovellusten rakentamiseen. Ja tässä todella keskitymme, rakentamalla näitä sovelluksia. Asiakkaille, asiakkaille, monien eri kumppaneiden kanssa osoittaaksesi todellista arvoa reaaliaikaisessa tietoanalyysissä. Joten antaa esimerkiksi ihmisille tai esimerkiksi sivustoja käyttäville yrityksille mahdollisuuden seurata asiakkaiden käyttöä ajan kuluessa ja varmistaa palvelun laadun saavuttamisen, havaita reaaliaikaisia ​​petoksia tai rahanpesua, havaita useita kirjautumisia tai hakkerointiyritykset ja sellaiset tietoturvatapahtumat, kuten esimerkiksi digisovittimien tai muiden laitteiden hallinta, ATM-koneet, jotka seuraavat niitä reaaliajassa vikojen, tapahtuneiden, mahdollisesti tapahtuvien vikojen varalta, tapahtuvat tulevaisuudessa ennustavan analyysin perusteella. Ja se juontaa juurensa toimintaan, jota Eric mainitsi aiemmin, jotta pystytään havaitsemaan, kun jotain tapahtuu, ja organisoimaan yrityksesi korjaamaan nämä asiat sen sijaan, että joudut soittamaan jollekin tosiasiallisesti tekemään jotain tosiasian jälkeen, mikä on paljon kalliimpaa.

Kuluttajaanalyysi on toinen pala, jonka avulla pystyt tietämään, kun asiakas tekee jotain, kun hän on vielä kaupassa. Johdolle lähetetyt tiedot, jotta voitaisiin reaaliajassa seurata resurssien käyttöä ja muuttaa tilannetta ja pystyä tietämään, milloin asiat epäonnistuvat paljon ajankohtaisemmalla tavalla.

Joten nämä ovat tuotteemme pähkinänkuoressa ja olen varma, että palaamme joihinkin näistä asioista Q&A -istunnossa. Kiitos.

Eric: Kyllä, todellakin. Hyvää työtä. Okei, hyvä. Ja nyt seuraava pysähdys salamakierroksellamme, meillä on Frank Sanders soittamassa MarkLogicista. Olen tuntenut näistä kavereista jo useita vuosia, erittäin, erittäin mielenkiintoisen tietokantatekniikan. Joten Frank, luovutan sen sinulle. Napsauta vain mitä tahansa sen kohtaa. Käytä näppäimistön alanuolta ja olet poissa kilpailuista. Ole hyvä.

Frank Sanders: Kiitos paljon, Eric. Joten kuten Eric mainitsi, olen MarkLogic-nimisen yrityksen kanssa. Ja mitä MarkLogic tekee, tarjoamme yritykselle NoSQL-tietokannan. Ja ehkä, kaikkein tärkein kyky, jonka tuomme pöytään, on kyky tosiasiallisesti tuoda nämä kaikki erilliset tietolähteet yhteen analysoidaksesi, etsiäksesi ja hyödyntääksesi tietoja järjestelmässä, joka on samanlainen kuin mitä olet tottunut perinteisiin relaatiojärjestelmiin, eikö niin?

Ja eräät keskeiset piirteet, jotka tuomme taulukkoon tältä osin, ovat kaikki yritystoiminnot, joita voit odottaa perinteisestä tietokannan hallintajärjestelmästä, tietoturvasi, HA, DR, varmuuskopioi varastossa, omaisuutesi liiketoimet. Sekä suunnittelu, jonka avulla voit skaalata joko pilvessä tai hyödykelaitteistossa, jotta pystyt käsittelemään niiden tietojen määrää ja nopeutta, jotka joudut käsittelemään tällaisen rakentamisen ja analysoinnin kannalta tietoa.

Ja ehkä, kaikkein tärkein kyky on se, että olemme skenaario agnostisia. Tämä tarkoittaa käytännössä sitä, että sinun ei tarvitse päättää, miltä tietosi näyttävät, kun aloitat sovellusten rakentamisen tai kun alat vetää näitä tietoja yhteen. Mutta ajan myötä voit sisällyttää uusia tietolähteitä, vetää lisätietoja ja käyttää sitten vipuvaikutusta ja kyselyä ja analysoida näitä tietoja samalla tavalla kuin mitä tekisit kaikessa, joka oli siellä suunnittelun aloittamishetkestä lähtien. Okei?

Joten miten teemme sen? Kuinka me todella annamme sinun ladata erityyppisiä tietoja, olivatpa ne sitten RDF-kolminkertaisia, paikkatietoja, ajallista tietoa, jäsenneltyä tietoa ja arvoja tai binaareja. Ja vastaus on, että olemme todella rakentaneet palvelimemme alusta alkaen sisällyttämään hakutekniikan, jonka avulla voit laittaa tietoja ja tiedot itse kuvataan, ja jonka avulla voit hakea, hakea ja etsiä tietoja riippumatta niiden lähteestä tai muodosta .

Ja mitä tämä tarkoittaa käytännössä, että - ja miksi tämä on tärkeää, kun teet analyysejä - onko analytiikka ja tieto tärkeimmät, kun se on asianmukaisesti valittu ja kohdennettu, eikö? Joten erittäin tärkeä keskeinen osa kaikenlaista analytiikkaa on haku, ja keskeinen osa on hakuanalytiikka. Sinulla ei todellakaan voi olla yhtä ilman toista ja saavuttaa onnistuneesti saavutuksesi. Oikea?

Ja aion puhua lyhyesti kolmesta ja puolesta erilaisesta käyttötapauksesta asiakkaille, joita meillä on tuotannossa ja jotka käyttävät MarkLogicia tällaisen analyysin luomiseen. Okei. Joten ensimmäinen tällainen asiakas on Fairfax County. Ja Fairfax County on itse asiassa rakentanut kaksi erillistä sovellusta. Yksi perustuu lupa- ja omaisuudenhoitoon. Ja toinen, joka on todennäköisesti hieman mielenkiintoisempi, on Fairfax Countyn poliisitapahtumasovellus. Poliisitapahtumasovellus todella tekee siitä, että se kerää tietoja, kuten poliisin raportit, kansalaisten raportit ja valitukset, twiitit, muut heillä olevat tiedot, kuten seksuaalirikolliset, ja mitä tahansa muuta tietoa, joka heillä on käytössään muista virastoista ja lähteistä. Sitten he antavat heidän visualisoida tämän ja esitellä tämän kansalaisille, jotta he voivat tehdä hakuja ja tarkastella erilaisia ​​rikollisuutta, poliisitoimintaa, kaikki yhden yhtenäisen geospatiaalisen hakemiston kautta, eikö niin? Joten voit kysyä esimerkiksi "mikä on rikollisuus viiden mailin sisällä" tai "mitkä rikokset tapahtuivat viiden mailin päässä sijaintistani?" Okei.

Toinen käyttäjä, joka meillä on, toinen asiakas, joka meillä on, on OECD. Miksi OECD on tärkeä tässä keskustelussa, koska kaiken muun lisäksi, jonka olemme antaneet Fairfax Countylle tiedonkeruun kannalta, eikö niin; kaikki tiedot, jotka saisit kaikista OECD: n jäsenmaista, joita ne raportoivat taloudellisesta näkökulmasta. Laitimme tosiasiallisesti tavoitteen poran. Joten voit nähdä vasemmalla puolella olemme ottamassa erityisesti Tanskan näkymää ja voit nähdä jonkin verran kukka terälehden, joka arvioi sitä eri akseleilla. Oikea? Ja siinä kaikki on hyvin. Mutta mitä OECD on tehnyt, he ovat menneet askeleen pidemmälle.

Näiden kauniiden visualisointien lisäksi ja kaiken tämän tiedon vetämisen avulla ne tosiasiassa antavat sinun luoda itse paremman elämän hakemistosi, oikea, jonka voit nähdä oikealla puolella. Joten mitä sinulla on, sinulla on joukko liukusäätimiä, jotka tosiasiallisesti antavat sinun tehdä esimerkiksi asumisen tärkeyttä tai tuloja, työpaikkoja, yhteisöä, koulutusta, ympäristöä, kansalaisyhteiskuntaa, terveyttä, tyytyväisyyttä, turvallisuutta ja työtäsi /elämän tasapaino. Ja dynaamisesti sen perusteella, kuinka tosiasiallisesti syötät näitä tietoja ja painotat näitä asioita, MarkLogic käyttää reaaliaikaista indeksointi- ja kyselyominaisuuttaan muuttaakseen sitten tapaa, jolla jokainen näistä maista sijoitetaan antamaan sinulle kuvan siitä, kuinka hyvin maan tai elämäntyylisi kartat tietyn maan kautta. Okei?

Ja viimeinen esimerkki, jonka aion jakaa, on MarkMail. Ja mitä MarkMail todella yrittää osoittaa, että pystymme tarjoamaan nämä ominaisuudet ja voit tehdä sellaista analyysiä paitsi strukturoidulle tiedolle tai tulevalle tiedolle, joka on numeerista, vaan itse asiassa löysämmin jäsennellylle, jäsentämättömälle tiedolle, eikö niin? Asiat kuten s. Ja mitä olemme nähneet täällä, vedämme tosiasiallisesti tietoja, kuten paikannus, er, yritys, pinot ja käsitteet, kuten Hadoop mainitaan konsensissa, ja sitten visualisoidaan se kartalle sekä tarkastellaan ketä nämä henkilöt ja mitä luettelo siitä, lähetetty ja päivämäärä. Tässä tarkastellaan asioita, jotka ovat perinteisesti jäsentymättömiä, jotka saattavat olla löysästi jäsenneltyjä, mutta pystyvät silti saamaan jonkin verran jäsennellyn analyysin kyseisestä tiedosta joutumatta menemään pitkälle kokeilemaan ja rakentamaan sitä tai käsittelemään sitä aika. Ja siinä se on.

Eric: Hei, okei hyvä. Ja meillä on vielä yksi. Meillä on Hannah Smalltree Treasure Data -yrityksestä, erittäin mielenkiintoisesta yrityksestä. Ja tämä on paljon hienoa sisältöä, ihmiset. Kiitos kaikille kaikille, että tuit niin hyviä dioja ja niin hyviä yksityiskohtia. Joten Hannah, annoin vain avaimet sinulle, napsauta minne tahansa ja käytä näppäimistön alanuolta. Tajusit sen. Ota se pois.

Hannah Smalltree: Kiitos paljon, Eric. Tämä on Hannah Smalltree Treasure Data -sivustolta. Olen ohjaaja Treasure Data -palvelun parissa, mutta minulla on aiemmin toimittajana toimittajana, mikä tarkoittaa, että arvostan kahta asiaa. Ensinnäkin, nämä voivat olla kauan käydä läpi monia erilaisia ​​tekniikan kuvauksia, ja se voi kuulostaa siltä, ​​että se toimii yhdessä, joten haluan todella keskittyä erottelijaamme. Ja reaalimaailman sovellukset ovat todella tärkeitä, joten arvostan sitä, että kaikki kollegani ovat olleet hienoja tarjota niitä.

Treasure Data on uudenlainen iso datapalvelu. Meitä toimitetaan kokonaan pilvellä ohjelmistona palveluna tai hallitun palvelumallina. Joten tohtori Bloorin näkökulmasta aiemmin, tämä tekniikka voi olla todella kova, ja käyttöönotto voi olla erittäin aikaa vievää. Treasure Data -sovelluksella voit saada kaikki nämä tyypit ominaisuudet, jotka saatat saada Hadoop-ympäristössä tai monimutkaisessa paikalla olevassa ympäristössä pilvessä nopeasti, mikä on todella hyödyllinen näille uusille isojen data-aloitteille.

Nyt puhumme palvelustamme muutamassa eri vaiheessa. Tarjoamme erittäin ainutlaatuisia keräysominaisuuksia virtaustietojen keräämiseen, erityisesti tapahtumadatan, muun tyyppisen reaaliaikaisen tiedon keräämiseen. Puhumme vähän enemmän noista tietotyypeistä. Se on palvelumme suuri erottaja. Kun joudut isoihin tietoihin tai jos olet jo siinä, tiedät, että näiden tietojen kerääminen ei ole triviaalia. Kun ajattelet autoa, jossa on 100 anturia, jotka keräävät dataa joka minuutti, jopa ne 100 sensoria, jotka tietävät kymmenen minuutin välein, se kasvaa todella nopeasti, kun alkaa kertoa antureillasi siellä olevien tuotteiden määrä ja siitä tulee nopeasti hyvin vaikea hallita. Joten puhumme miljoonien asiakkaiden kanssa, ja meillä on asiakkaita, joilla on miljardeja rivejä tietoja päivässä, kun he vievät meitä. Ja he tekevät sen vaihtoehtona yrittää hallita itseään monimutkaisessa Amazon-infrastruktuurissa tai jopa yrittää tuoda sen omaan ympäristöönsä.

Meillä on oma pilvien varastointiympäristö. Me hallitsemme sitä. Valvomme sitä. Meillä on joukko ihmisiä, jotka tekevät kaiken puolestasi. Ja niin data virtaa sisään, se menee hallittuun tallennusympäristöömme.

Sitten meillä on sulautetut kyselymoottorit, jotta analyytikosi voi mennä sisään ja suorittaa kyselyitä ja tehdä joitain ensimmäisiä tietojen etsintää ja tutkimusta tietojen suhteen. Meillä on nyt pari erilaista hakukonetta. Voit käyttää SQL-syntaksia, jonka analyytikot todennäköisesti tietävät ja rakastavat, tehdä perustietojen etsintää, tehdä joitakin monimutkaisempia analyysejä, jotka ovat käyttäjän määrittelemiä toimintoja, tai jopa tehdä niin yksinkertaisia ​​asioita kuin koota kyseiset tiedot ja tehdä siitä pienempiä, jotta voit tuoda sen olemassa olevaan tietovarastoympäristöösi.

Voit myös kytkeä nykyiset BI-työkalut, Tableau, on iso kumppanimme; mutta tosiasiassa suurin osa BI-, visualisointi- tai analytiikkatyökaluista voi muodostaa yhteyden alan standardin mukaisten JDBC- ja ODBC-ohjainten kautta. Joten se antaa sinulle tämän täydellisen joukon suuria dataominaisuuksia. Sinulla on oikeus viedä kyselyiden tulokset tai tietojoukot milloin tahansa ilmaiseksi, joten voit integroida tiedot helposti. Käsittele tätä tietojen jalostamona. Tykkään ajatella sitä enemmän jalostamona kuin järvänä, koska voit itse tehdä asioita sen kanssa. Voit käydä läpi, löytää arvokasta tietoa ja viedä sen sitten yrityksen prosesseihin.

Seuraavassa diassa puhutaan isojen tietojen kolmesta V: stä - jotkut sanovat neljä tai viisi. Asiakkaamme pyrkivät taistelemaan heille tulevan tiedon määrän ja nopeuden kanssa. Ja niin saadaksesi lisätietoja tietotyypeistä - Clickstream, Web-tukilokit, mobiilidata on meille suuri alue, mobiilisovelluslokit, räätälöityjen Web-sovellusten tai muiden sovellusten lokit, tapahtumalokit. Ja yhä enemmän meillä on paljon asiakkaita, jotka käsittelevät anturitietoja, siis puettavista laitteista, tuotteista, autoista ja muusta konetiedosta. Joten kun sanon big data, se on tyyppi big data, josta puhun.

Nyt muutama käyttötapaus on näkökulmasta sinulle - teemme yhteistyötä jälleenmyyjän, suuren jälleenmyyjän kanssa. Ne ovat hyvin tunnettuja Aasiassa. He laajenevat täällä Yhdysvalloissa. Alat nähdä kauppoja; niitä kutsutaan usein Aasian IKEA: ksi, niin, yksinkertainen muotoilu. Heillä on kanta-asiakassovellus ja verkkosivusto. Ja itse asiassa he pystyivät Treasure Data -sovelluksen avulla ottamaan tämän kanta-asiakassovelluksen käyttöön nopeasti. Asiakkaamme ovat nousussa ja käynnissä muutamassa päivässä tai viikossa ohjelmistomme ja palveluarkkitehtuurimme takia ja koska meillä on kaikki ihmiset tekevät kovaa työtä kulissien takana antaaksemme sinulle kaikki nämä ominaisuudet palveluna.

Joten he käyttävät palveluamme mobiilisovellusten analysointiin tarkastelemalla käyttäytymistä, mitä ihmiset napsauttavat mobiili-kanta-asiakassovelluksessaan. He tarkastelevat verkkosivustojen napsautuksia ja yhdistävät ne sähköisen kaupankäynnin ja POS-tietoihimme suunnitellaksesi tehokkaampia tarjouksia. He todella halusivat ajaa ihmiset kauppoihin, koska huomasivat, että ihmiset käyttävät kauppoihin menemään enemmän rahaa ja minä olen sellainen; poimiaksesi asioita, käytät enemmän rahaa.

Toinen käyttötapa, jota näemme digitaalisissa videopeleissä, uskomattoman ketteryyttä. He haluavat nähdä tarkalleen, mitä heidän pelissäan tapahtuu, ja tehdä muutoksia peliin jopa tunnin sisällä sen julkaisemisesta. Joten heille tämä reaaliaikainen näkymä on uskomattoman tärkeä. Olemme juuri julkaissut pelin, mutta huomasimme ensimmäisen tunnin aikana, että kaikki putoavat tasolta 2; miten aiomme muuttaa sen? He saattavat muuttaa sitä saman päivän aikana. Joten reaaliaika on erittäin tärkeää. He vievät meille miljardeja tapahtumalokit päivässä. Mutta se voi olla kaikenlainen mobiilisovellus, jossa haluat jonkinlaisen reaaliaikaisen kuvan siitä, kuinka joku käyttää sitä.

Ja lopuksi iso alue meille on tuotekäyttäytymisemme ja anturianalyysimme. Joten autoissa olevien anturitietojen kanssa, joka on muun tyyppisissä koneissa, apuohjelmissa, se on meille toinen alue, puettavissa laitteissa. Meillä on tutkimus- ja kehitysryhmiä, jotka haluavat nopeasti tietää, millainen muutos tuotteeseen vaikuttaa, tai ihmisiä, jotka ovat kiinnostuneita käyttäytymisestä siitä, kuinka ihmiset ovat vuorovaikutuksessa tuotteen kanssa. Ja meillä on paljon enemmän käyttötapauksia, joista tietysti olemme iloisia voidessamme kertoa teille.

Ja sitten lopuksi, vain osoittamalla sinulle, kuinka tämä sopii ympäristöösi, tarjoamme jälleen mahdollisuuden kerätä näitä tietoja. Meillä on erittäin ainutlaatuinen keräystekniikka. Joten taas, jos reaaliaikainen keräys on jotain sellaista, josta kamppailet tai jonka olet todennäköisesti kamppaileva, tutustu Treasure Data -palveluun. Olemme todella tehneet kykyjä streaming-tiedon keräämiseen. Voit myös ladata tietoja irtotavarana, tallentaa ne, analysoida niitä sulautettujen kyselymoottoriemme avulla ja sitten, kuten mainitsin, voit viedä sen suoraan tietovarastoon. Luulen, että Will mainitsi tarpeen lisätä iso data nykyisiin prosesseihisi. Joten älä mene ympäri tai luo uutta siiloa, mutta miten voit pienentää näitä tietoja ja siirtää ne sitten tietovarastoon ja yhdistää BI-, visualisointi- ja edistyneisiin analytiikkatyökaluihin.

Mutta ehkä avainkohdat, jotka haluan jättää teille, ovat se, että meitä hallinnoidaan, eli ohjelmistoa palveluna; se on erittäin kustannustehokas. Kuukausittainen tilauspalvelu, joka alkaa muutamasta tuhannesta dollarista kuukaudessa, ja saamme sinut toimintaan muutamassa päivässä tai viikossa. Joten vertaa sitä kuukausien kustannuksiin, jotka aiheutuvat oman infrastruktuurin rakentamisesta ja näiden ihmisten palkkaamisesta, löytämisestä ja viettämisestä koko ajan infrastruktuuriin. Jos kokeilet tai tarvitset jotain eilen, voit nousta ja ajaa todella nopeasti aarredatan avulla.

Ja osoitan vain verkkosivustollemme ja aloituspalvelumme. Jos olet käytännöllinen henkilö, joka haluaa pelata, tutustu aloituspalveluumme. Voit päästä, ei vaadi luottokorttia, vain nimi ja, ja voit pelata mallitietojemme kanssa, ladata omia tietojasi ja saada todella käsityksen siitä, mistä puhumme. Joten kiitos paljon. Tarkista myös verkkosivustomme. Meidät nimitettiin Big Data -yrityksen Gartner-myyjäksi tänä vuonna, erittäin ylpeä siitä. Ja voit myös saada ilmaisen kopion kyseisestä raportista verkkosivuiltamme samoin kuin monia muita analyytikoiden valkoisia kirjoja. Joten kiitos paljon.

Eric: Okei, kiitos paljon. Meillä on aikaa kysyämme täällä, ihmiset. Menemme myös vähän kauan, koska meillä on vielä joukko ihmisiä vielä linjalla täällä. Ja tiedän, että minulla on joitain kysymyksiä itse, joten anna minun mennä eteenpäin ja ottaa takaisin hallintaan ja kysyin sitten pari kysymystä. Robin ja Kirk, sukella vapaasti mielesi mukaan.

Joten anna minun mennä eteenpäin ja hypätä oikealle yhdelle näistä ensimmäisistä dioista, jotka tarkistin Pentaholta. Joten täällä rakastan tätä kehittyvää big data -arkkitehtuuria, voitteko puhua sellaisesta, kuinka on, että tällainen sopii yhteen yrityksessä? Koska tietysti siirryt jonkin verran suuriin organisaatioihin, jopa keskisuuriin yrityksiin, ja sinulla on ihmisiä, joilla on jo joitain näistä tavaroista; kuinka teet tämän kaiken yhdessä? Kuten miltä sovellus näyttää, jonka avulla voit ommella kaikki nämä asiat yhteen ja miltä käyttöliittymä näyttää?

Will: Suuri kysymys. Rajapinnat ovat erilaisia ​​riippuen mukana olevista henkilöistä. Mutta esimerkkinä haluamme kertoa tarinan - yksi paneeleista mainitsi tietojen jalostamon käytön tapauksen - näemme asiasta paljon.

Yksi asiakasesimerkkeistämme, joista puhumme, on Paytronix, jossa heillä on tuo perinteinen EDW data mart -ympäristö. He esittelevät myös Hadoopin, erityisesti Clouderan, ja heillä on erilaisia ​​käyttökokemuksia. Joten ensin on insinöörikokemus, joten miten koota nämä kaikki yhteen? Kuinka luot liiman Hadoop-ympäristön ja EDW: n välille?

Ja sitten sinulla on yrityskäyttäjäkokemus, josta puhumme, useita BI-työkaluja, eikö niin? Pentaholla on sulautettavissa oleva OEM BI -työkalu, mutta siellä on hienoja, kuten esimerkiksi Tableau ja Excel, joissa ihmiset haluavat tutkia tietoja. Mutta yleensä haluamme varmistaa, että tietoja hallitaan, eikö niin? Yksi keskusteluissa käytetyistä kysymyksistä, entä yhden version käyttökokemus, miten hallitset sitä ja ilman Pentaho-tiedonsiirtoon tarkoitettua tekniikkaa sekoittaaksesi tietoja keskenään, ei lasille, mutta IT-ympäristöissä. Joten se todella suojaa ja hallitsee tietoja ja antaa liiketoimintaanalyytikolle ja yrityskäyttäjille yhden kokemuksen.

Eric: Okei, hyvä. Se on hyvä vastaus vaikeaseen kysymykseen, rehellisesti sanottuna. Ja sallikaa minun kysyä kysymys jokaiselle esittelijälle ja sitten ehkä Robinille ja Kirkille, jos tekin haluatkin hypätä sisään. Joten haluaisin mennä eteenpäin ja työntää tämän diaa WebActioniin, joka on mielestäni todella erittäin mielenkiintoinen yritys. Oikeastaan ​​tiedän myös Sami Akbayn, joka on myös yksi perustajista. Muistan, että puhuin hänen kanssaan pari vuotta sitten ja sanoin: "Hei, mitä teet? Mitä olet tekemässä? Tiedän, että sinun on työskenneltävä jonkin verran." Ja tietysti hän oli. Hän työskenteli WebAction-palvelussa täällä olevien kansien alla.

Sinulle, Steve, tuli kysymys, joten jätän sen sinulle tietojen puhdistamisesta, eikö niin? Voitko puhua näistä reaaliaikaisen ominaisuuden komponenteista? Kuinka käsittelet esimerkiksi tietojen puhdistamista tai tietojen laatua tai miten se jopa toimii?

Steve: Joten se todella riippuu siitä, mistä sait syötteesi. Tyypillisesti, jos saat syötteitäsi tietokannasta muuttaessasi tietojen sieppausta, se taas riippuu siitä, miten tiedot on syötetty. Tietojen puhdistuksesta tulee todella ongelma, kun saat tietoja useista lähteistä tai ihmiset kirjoittavat niitä manuaalisesti tai jos sinulla on mielivaltaisia ​​ongelmia, jotka sinun on yritettävä vetää pois. Ja se voisi varmasti olla osa prosessia, vaikka tämä tyyppi ei yksinkertaisesti sovellu todelliseen, tavallaan nopeaan reaaliaikaiseen käsittelyyn. Tietojen puhdistus on tyypillisesti kallis prosessi.

Joten voi hyvinkin olla, että se voitaisiin tehdä tosiasian jälkeen myymäläsivustolla. Mutta toinen asia, jossa alusta on todella, todella hyvä, on korrelaatio, joten korrelaatio ja tiedon rikastaminen. Voit reaaliajassa korreloida saapuvat tiedot ja tarkistaa, vastaavatko ne tiettyä mallia vai vastaavatko ne tietoja, joita haetaan tietokannasta tai Hadoopista tai jostakin muusta myymälästä. Joten voit verrata sitä historiallisiin tietoihin, se on yksi asia, jonka voit tehdä.

Toinen asia, jonka voit tehdä, on lähtökohtaisesti analysoida kyseisiä tietoja ja tarkistaa, vastaavatko ne tyyppiä tiettyjä vaadittuja malleja. Ja se on jotain, jonka voit tehdä myös reaaliajassa. Mutta perinteinen tietojen puhdistus, jossa korjaat yritysten nimiä tai korjaat osoitteita ja kaikenlaisia ​​asioita, ne tulisi todennäköisesti tehdä lähteessä tai sellaisen tosiasian jälkeen, mikä on erittäin kallista ja rukoilet että he eivät tee niitä reaaliajassa.

Eric: Kyllä. Ja te kaverit yrität todella käsitellä asioiden reaaliaikaista luonnetta, mutta myös saada ihmiset ajoissa. Ja me puhuimme, aivan, mainitsin tunnin huipulla, tämän koko mahdollisuuksien ikkunan, ja olet todella kohdistanut tiettyihin sovelluksiin yrityksissä, joissa voit koota tietoja, jotka eivät kulje tavanomaista reittiä, mennä tälle vaihtoehtoiselle reitille ja tehdä niin niin alhaisella viiveellä, että pystyt pitämään asiakkaita. Voit esimerkiksi pitää ihmiset tyytyväisinä, ja on mielenkiintoista, kun puhuin pitkään Samin kanssa siitä mitä te teette, hän totesi todella hyvän asian. Hän sanoi, jos tarkastellaan paljon uusia Web-pohjaisia ​​sovelluksia; Katsotaanpa esimerkiksi Bitlyä tai joitain näistä muista sovelluksista; ne ovat hyvin erilaisia ​​kuin vanhat sovellukset, joita tarkastelimme esimerkiksi Microsoftilta, kuten Microsoft Word.

Käytän usein Microsoftia eräänlaisena piiskaavana poikana ja erityisesti Wordina puhuaksesi ohjelmistojen kehityksestä. Koska Microsoft Word aloitti tietysti tekstinkäsittelyohjelmana. Olen yksi niistä ihmisistä, jotka muistavat Word Perfect -sovelluksen. Rakastin sitä, että pystyin tekemään paljastusavaimet tai paljasuskoodin, pohjimmiltaan, missä voit nähdä varsinaisen koodin siellä. Voit puhdistaa jotain, jos luettelomerkki on väärä, voit puhdistaa sen. No, Word ei anna sinun tehdä sitä. Ja voin kertoa teille, että Word upottaa koodivirheen jokaiselle tekemällesi sivulle. Jos joku ei usko minua, siirry Microsoft Wordiin, kirjoita "Hello World" ja tee sitten "Vie nimellä" tai "Tallenna nimellä" .html. Avaa sitten asiakirja editorissa ja se on noin neljä sivua pitkä koodeja vain kahdelle sanalle.

Joten te kaverit, ajattelin, että se oli erittäin mielenkiintoinen, ja on aika puhua siitä. Ja tässä te keskitytte, oikein, sen tunnistamiseen, mitä voisit kutsua monen alustan tai yrityksen tai verkkotunnuksen väliseksi tilaisuudeksi vetää tietoja yhteen niin nopeasti, että voit muuttaa peliä, eikö niin?

Steve: Kyllä, ehdottomasti. Ja yksi avaimista, joista luulet joka tapauksessa kieltäytyneen, on, että haluatko todella tietää asioista, jotka tapahtuvat ennen kuin asiakkaasi tekevät tai ennen kuin ne todella muuttuvat, todella ongelmaksi. Esimerkiksi digisovittimet. Kaapelirasiat, ne lähettävät telemetriaa koko ajan, kuormien ja kuormien telemetriaa. Eikä vain tyyppinen laatikon terveys, vaan se on mitä katsot ja kaikki sellaiset asiat, eikö niin? Tyypillinen malli on, että odotat, kunnes laatikko epäonnistuu, ja sitten soitat kaapelitoimittajallesi ja he sanovat: "No, me saatamme sinuun joskus välillä marraskuusta kello 18.00–23.00." Se ei ole todella hyvä asiakaskokemus.

Mutta jos he pystyisivät analysoimaan kyseisen telemetrian reaaliajassa, niin he voisivat alkaa tehdä sellaisia ​​asioita kuin tiedämme, että nämä laatikot todennäköisesti epäonnistuvat seuraavan viikon historiallisissa malleissa. Siksi aiomme kaapelikorjaajamme kääntyä tämän henkilön taloon ennen kuin se epäonnistuu. Ja teemme sen meille sopivalla tavalla sen sijaan, että joudumme hänelle Santa Cruzista Sunnyvaleen. Ajoitamme kaiken mukavassa järjestyksessä, matkustavien myyntimallien jne. Avulla, jotta voimme optimoida liiketoimintamme. Ja niin asiakas on onnellinen, koska hänellä ei ole viallista kaapelirasiaa. Ja kaapelitoimittaja on onnellinen, koska he ovat juuri virtaviivaistaneet asioita eikä heidän tarvitse olla ihmisiä kaikkialla. Se on vain erittäin nopea esimerkki.Mutta on olemassa tonnia ja tonnia esimerkkejä, joissa tietäminen asioista niin kuin ne tapahtuvat, ennen kuin ne tapahtuvat, voi säästää yrityksille omaisuuden ja todella parantaa asiakassuhteitaan.

Eric: Kyllä, oikein. Ei epäilystäkään. Mennään eteenpäin ja siirrytään oikealle MarkLogic-sivulle. Kuten aiemmin mainitsin, olen tiennyt näistä kavereista jo jonkin aikaa ja siksi esitän teidät tähän, Frank. Te, kaverit, olit kaukana edellä koko suuren tietoliikenteen suhteen sovelluksesi rakentamisen kannalta, se on todella tietokanta. Mutta rakennat sen ja puhuit haun tärkeydestä.

Joten monet tilaa seuranneet ihmiset tietävät, että monet siellä olevista NoSQL-työkaluista pyrkivät nyt etsimään ominaisuuksia joko kolmansien osapuolien kautta vai yrittävätkö tehdä omat. Mutta se, että haku on jo upotettu siihen, niin sanotusti paistettu, on todella iso asia. Koska jos ajattelet asiaa, jos sinulla ei ole SQL: ää, niin miten menet sisään ja haet tietoja? Kuinka vetää siitä tietolähteestä? Ja vastaus on, että käytät yleensä hakua saadaksesi etsimät tiedot, eikö niin?

Joten uskon, että se on yksi tärkeimmistä erottelijoista, kun pojat pystyvät hakemaan tietoja kaikista näistä eri lähteistä ja tallentamaan tiedot ja todella helpottamaan tällaista hybridiympäristöä. Luulen, että hakukyky on iso juttu sinulle, eikö niin?

Frank: Kyllä, ehdottomasti. Itse asiassa se on ainoa tapa ratkaista ongelma johdonmukaisesti, kun et tiedä miltä kaikki tiedot näyttävät, eikö niin? Jos et voi kuvitella kaikkia mahdollisuuksia, niin ainoa tapa varmistaa, että löydät kaikki haluamasi tiedot, että pystyt paikantamaan ne johdonmukaisesti ja paikantamaan riippumatta siitä, miten kehität tietomalliasi ja tietojoukkojasi, on että annat ihmisille yleisiä työkaluja, joiden avulla he voivat kuulustella näitä tietoja. Ja helpoin, intuitiivisin tapa tehdä se on hakuparadigman kautta, eikö niin? Ja saman lähestymistavan avulla etsinnässä luimme käänteisen hakemiston. Sinulla on merkintöjä, joissa voit tosiasiallisesti tutkia niitä, ja sitten löytää tietueita ja asiakirjoja ja rivejä, jotka tosiasiallisesti sisältävät etsimäsi tiedot. Palauttaa ne sitten asiakkaalle ja antaa heidän käsitellä sitä haluamallaan tavalla.

Eric: Niin ja me puhuimme tästä paljon, mutta annat minulle todella hyvän mahdollisuuden syventää sitä - tämän yhtälön koko haku- ja löysipuoli. Mutta ennen kaikkea se on hauskaa. Kaikille, jotka pitävät siitä, tämä on hauska osa, eikö niin? Mutta yhtälön tai kolikon toinen puoli, minun pitäisi sanoa, on, että se todella on iteratiivinen prosessi. Ja sinun on voitava - tässä käytän joitain markkinointikieliä - keskustella tietojen kanssa, eikö niin? Toisin sanoen sinun on pystyttävä testaamaan hypoteesi, leikkimään sen kanssa ja näkemään kuinka se toimii. Ehkä sitä ei ole siellä, kokeile jotain muuta ja vaihda jatkuvasti asioita ja iteroi ja etsi ja tutkia ja ajattele vain juttuja. Ja se on prosessi. Ja jos sinulla on suuria esteitä, mikä tarkoittaa pitkiä viiveitä tai vaikeaa käyttöliittymää tai joudut menemään, kysy se; joka tappaa vain koko analyyttisen kokemuksen, eikö niin?

Joten on tärkeää, että meillä on tällainen joustavuus ja pystymme käyttämään hakuja. Ja pidän tavasta, jolla kuvasit sen täällä, koska jos etsimme erilaisten käsitteiden tai avainten ympärillä etsimistä, avainarvot ja ne ovat eri ulottuvuuksia. Haluat pystyä sekoittamaan ja sovittamaan nämä jutut, jotta analyytikko voi löytää hyödyllisiä juttuja, eikö niin?

Frank: Kyllä, ehdottomasti. Tarkoitan, että hierarkia on myös tärkeä asia, eikö niin? Joten kun lisäät jotain otsikkoa, oikeaa tai tiettyä termiä tai arvoa, voit itse osoittaa oikean. Joten jos etsit artikkelin otsikkoa, et saa kirjojen otsikoita, eikö niin? Tai et saa otsikoita blogiviestejä. Kyky erottaa ne toisistaan ​​ja tiedon hierarkian kautta on myös tärkeä.

Osoitit aiemmin kehitystä, ehdottomasti, eikö? Äärimmäisen arvokas on asiakkaidemme kyky hankkia uusia tietolähteitä muutamassa tunnissa, aloittaa työskentely heidän kanssaan, arvioida, ovatko ne hyödyllisiä tai jatkaa niiden integrointia tai jättää ne tienhaaraan. Kun vertaat sitä perinteisempiin sovelluskehitysmenetelmiin, joissa lopputuloksesi on, sinun on selvitettävä, mitä tietoja haluat nauttia, lähteä, selvittää, kuinka sovitat sen olemassa olevaan tietomalliin tai muuttaa sitä tietomallia sisällyttääksesi siihen ja aloittaa sitten kehityksen, eikö niin? Jos käännämme sen päähänsä ja sanomme vain tuovan sen meille, anna sinun aloittaa kehittäminen sen kanssa ja sitten myöhemmin päättää, haluatko pitää sen vai melkein heti, onko sillä arvoa vai ei.

Eric: Kyllä, se on todella hyvä asia. Se on hyvä pointti. Joten anna minun mennä eteenpäin ja tuoda täällä neljäs esittelijämme, Treasure Data. Rakastan näitä kavereita. En tiennyt niistä paljon, joten potkin itseäni. Sitten Hannah tuli luoksesi ja kertoi meille mitä he tekevät. Ja Hannah mainitsi, että hän oli mediahenkilö ja hän siirtyi pimeälle puolelle.

Hannah: Tein, sain virheen.

Eric: Se on kuitenkin hienoa, koska tiedät mitä pidämme mediamaailmassa. Joten on aina mukavaa, kun mediahenkilö siirtyy myyjän puolelle, koska ymmärrät, hei, tätä tavaraa ei ole niin helppo selittää ja verkkosivustolta voi olla vaikea selvittää, mitä tämä tuote tekee verrattuna siihen, mitä tuo tuote tekee. Ja se mitä te puhuitte, on todella mielenkiintoista. Nyt olet pilvihallintapalvelu. Joten kaikki tiedot, joita joku haluaa käyttää, lähettävät pilveesi, onko totta? Ja sitten ETL tai CDC, lisätietoja pilveen saakka, eikö se niin toimii?

Hannah: No, kyllä. Joten haluan tehdä tärkeän eron. Suurin osa tiedoista, iso tieto, jota asiakkaamme vievät meihin, on jo palomuurin ulkopuolella - mobiilitiedot, anturitiedot, jotka ovat tuotteissa. Ja niin meitä käytetään usein väliaikaisena lavastusalueena. Joten tietoja ei usein tule jonkun yrityksen palveluistamme niin paljon kuin se virtaa verkkosivustolta, mobiilisovellukselta, tuotteelta, jossa on paljon antureita - pilviympäristöömme.

Nyt jos haluat rikastuttaa sitä suurta tietoa ympäristössämme, voit ehdottomasti ladata joukko sovellustietoja tai joitain asiakastietoja rikastuttaaksesi tätä ja tehdäksesi enemmän analytiikkaa suoraan pilvessä. Mutta suuri osa arvostamme on kerätä tietoja, jotka ovat jo palomuurin ulkopuolella ja koota yhteen paikkaan. Joten vaikka aiot tuoda tällaisen palomuurin taakse ja tehdä enemmän edistyneempää analytiikkaa tai viedä sen nykyiseen BI- tai analytiikkaympäristöön, se on todella hyvä pysähdyskohta. Koska et halua tuoda miljardiriviä päivä tietovarastoon, se ei ole kustannustehokas. On jopa vaikeaa, jos aiot tallentaa sen jonnekin ja sitten erälatausta.

Joten olemme usein ensimmäinen kohta, jossa kerätään tietoja, jotka ovat jo palomuurin ulkopuolella.

Eric: Kyllä, se on myös todella hyvä asia. Koska monet yritykset ovat hermostuneita ottamaan asiakkailleen omistetut tiedot, asettamaan ne pilveen ja hallitsemaan koko prosessia.

Hannah: Kyllä.

Eric: Ja mitä puhut, on todella saada ihmisistä resurssi murskata ne raskaiden numeroiden, kuten ehdotat, kolmannen osapuolen tietojen, kuten mobiili- ja sosiaalitiedot ja kaikenlaiset hauskat asiat. Se on aika mielenkiintoista.

Hannah: Kyllä, ehdottomasti. Ja luultavasti he ovat hermostuneita tuotteista, koska tiedot ovat jo ulkopuolella. Ja niin, joo, ennen kuin viet sen, ja pidän todella siitä jalostamon termistä, kuten mainitsin, verrattuna järveen. Joten voit tehdä perusjalostamon? Ota hyvät asiat ulos ja vie ne sitten palomuurin taakse muihin järjestelmiin ja prosesseihin syvemmälle analysointia varten. Joten se on todellakin kaikkien tietotekijöiden tehtävä, reaaliaikainen tietotutkimus tästä uudesta suuresta datasta, joka on tulossa.

Eric: Kyllä, se on totta. No, anna minun mennä eteenpäin ja tuoda mukaan analyytikomme, ja palaamme tavallaan käänteisessä järjestyksessä. Aloitan kanssasi, Robin, aarteetietojen suhteen, ja sitten menemme Kirkin luokse joitain muita. Ja sitten takaisin Robinille ja takaisin Kirkille vain saadakseni lisää arviota tästä.

Ja tiedät tietojenkäsittelylaitoksen, Robin, josta Hannah puhuu täällä. Rakastan tätä käsitettä. Olen kuullut vain muutaman ihmisen puhuvan siitä niin, mutta luulen, että mainitsitte varmasti sen aiemmin. Ja se puhuu todella siihen, mitä tietosi tapahtuu. Koska tietenkin jalostamo, se pohjimmiltaan tislaa tavaraa juuritasolleen, jos ajatellaan öljynjalostamoita. Olen itse tutkinut tätä jonkin aikaa ja se on melko yksinkertaista, mutta siihen menevän tekniikan on oltava täsmälleen oikea tai et saa haluamiasi tavaroita. Joten mielestäni se on loistava analogia. Mitä mieltä olet tästä Treasure Data Cloud Service -konseptista, joka auttaa sinua vastaamaan joihinkin näistä hyvin erityisistä analyysitarpeista tarvitsematta tuoda tavaroita taloon?

Robin: No, tarkoitan tietysti olosuhteista riippuen kuinka mukavaa se on. Mutta kuka tahansa, joka on jo valmis prosessissa, aikoo jo viedä sinut pelin eteen, jos et ole itse saanut sitä. Tämä on ensimmäinen ottaminen jotain sellaista. Jos joku on koonnut jotain, he ovat tehneet sen, se on osoittautunut markkinoilla, ja siksi siinä on jonkinlainen arvo tosiasiallisesti, työ on jo mennyt siihen. Ja on myös hyvin yleinen tosiasia, että tietojen puhdistaminen tulee olemaan huomattavasti suurempi kysymys kuin koskaan ennen. Tarkoitan, siitä ei ole puhuttu, mielestäni joka tapauksessa siitä ei ole puhuttu niin paljon kuin sen pitäisi olla. Yksinkertaisesti lukuun ottamatta sitä, että tietojen koko on kasvanut, ja lähteiden määrä ja niiden monimuotoisuus on kasvanut melko huomattavasti. Ja datan luotettavuus sen suhteen, onko se puhdas, heidän on eriteltävä tiedot, kaikenlaiset asiat, jotka nousevat esiin vain tietojen hallinnassa.

Joten ennen kuin todella pääset tekemään siitä luotettavan analyysin, tiedät, jos tietosi ovat likaisia, tulokset vääristyvät jollain tavalla. Joten siihen on puututtava, josta on tiedettävä. Ja triangulaattori, joka tarjoaa mielestäni erittäin elinkelpoisen palvelun auttaakseen sitä.

Eric: Kyllä, todellakin. No, anna minun mennä eteenpäin ja tuoda Kirk takaisin täällä olevaan yhtälöön todellinen nopeasti. Halusin katsoa yhtä näistä muista dioista ja saada tavallaan kuvan mielestänne asioista, Kirk. Joten palataanpa sitten takaisin tähän MarkLogic-diaan. Ja muuten, Kirk toimitti linkin joihinkin luokkansa dioihin, jos et nähnyt sitä ihmisiin, koska se on erittäin mielenkiintoinen käsite. Ja mielestäni tämä on eräänlainen panimot mieleni takana, Kirk, kun puhuin tästä hetki sitten. Koko tämä kysymys, jonka yksi osallistujista esitti, miten etene löytää uusia luokkia. Rakastan tätä aihetta, koska se todella puhuu asioiden luokittelun vaikealta puolelta, koska minulla on aina ollut vaikea luokitella tavaroita. Tykkään "Voi jumala, voin sopia viiteen luokkaan, mihin voin laittaa sen?" Joten en vain halua luokitella mitään, eikö niin?

Ja siksi rakastan hakua, koska sinun ei tarvitse luokitella sitä, sinun ei tarvitse laittaa sitä kansioon. Etsi vain se ja löydät sen, jos osaat tehdä hakuja. Mutta jos yrität prosessoida segmentointia, koska se on pohjimmiltaan luokittelu, se on segmentointi; löytää uusia luokkia, se on eräänlainen mielenkiintoinen asia. Voitko puhua tavallisesti esimerkiksi etsinnän, semantiikan ja hierarkioiden voimalle, kuten Frank puhui suhteessa MarkLogiciin ja rooliin uusien luokkien löytämisessä, mitä mieltä olet siitä?

Kirk: Ensinnäkin sanoisin, että luet mieleni. Koska juuri sitä ajattelin kysymystä jo ennen kuin puhut, tämä koko semanttinen kappale, jonka MarkLogic esitteli. Ja jos tulet takaisin diaani, sinun ei tarvitse tehdä tätä, vaan takaisin diaan viisi, mitä esittelin tänään iltapäivällä; Puhuin tästä semantiikasta, että tiedot on kaapattava.

Joten tämä koko hakuidea, sinne menet. Uskon vakaasti siihen ja olen aina uskonut siihen, että isoilla tiedoilla, ota jonkin verran analogiaa Internetin kanssa, tarkoitan vain verkkoa, tarkoitan sitä, että maailman tietämys ja tiedot Web-selaimella ovat yksi asia. Mutta jotta se olisi haettavissa ja noudettavissa tehokkaasti, kuten yksi isoista hakukoneyrityksistä meille tarjoaa, siellä todellinen löytövoima on. Koska yhdistetään hakutermit, lajitellaan käyttäjän kiinnostuksen alueet tiettyyn datarakeeseen, tiettyyn verkkosivuun, jos haluat ajatella verkkoesimerkkiä tai tiettyä asiakirjaa, jos puhut asiakirjakirjastoista. Tai tietty asiakastyyppi segmentti, jos se on sinun tilaa.

Ja semantiikka antaa sinulle tällaisen tiedon kerrostuksen vain sananhaun päälle. Jos etsit tietyn tyyppisiä asioita, ymmärrä, että tällaisten asioiden luokan jäsenellä voi olla tietty suhde muihin asioihin. Sisällytä jopa tällainen suhdetieto ja se on luokkahierarkiatietoja löytääksesi asioita, jotka ovat samanlaisia ​​kuin etsit. Tai joskus jopa täysin vastapäätä etsimääsi, koska se antaa tavallaan sinulle eräänlaisen ymmärtämisen ytimen. No, luultavasti jotain, joka on tämän vastakohta.

Eric: Kyllä.

Kirk: Joten todella ymmärrä tämä. Näen jotain, joka on tämän vastakohta. Ja semanttinen kerros on arvokas komponentti, joka puuttuu usein, ja on nyt mielenkiintoista, että tämä ilmaantuisi tässä yhteydessä. Koska olen opettanut jatko-opintokurssia tietokannoista, tiedon louhimisesta, oppimisesta tiedoista, datatieteestä, mitä haluat kutsua siksi jo yli vuosikymmenen ajan; ja yksi yksikköni tällä lukukauden mittaisella kurssillani on semantiikkaa ja ontologiaa. Ja usein oppilaani katsovat minua, mitä tällä on tekemistä sen kanssa, mitä puhumme? Ja tietysti lopussa luulen, että ymmärrämme näiden tietojen asettamisen jonkinlaisiin tietojärjestelmiin. Joten juuri esimerkiksi etsin tietoa tietystä asiakaskäyttäytymisestä ymmärtäen, että tällainen käyttäytyminen tapahtuu, sitä ihmiset ostavat urheilutapahtumassa. Millaisia ​​tuotteita tarjoan asiakkailleni, kun huomaan heidän sosiaalisessa mediassaan - tai - että he sanovat olevansa menossa urheilutapahtumiin, kuten jalkapallo, pesäpallo, jääkiekko, maailmancup, olipa se mitä tahansa.

Okei, niin urheilutapahtuma. Joten he sanovat olevansa menossa, sanotaanpa, baseball-peliin. Okei, ymmärrän, että baseball on urheilutapahtuma. Ymmärrän, että se on yleensä sosiaalista ja sinä menet ihmisten kanssa. Ymmärrän, että se on yleensä ulkotilassa. Tarkoitan kaikkien näiden yhdistelmäominaisuuksien ymmärtämistä, joten se mahdollistaa osallistuvan asiakkaan eräänlaisen, tehokkaamman, erotettavan segmentoinnin ja henkilökohtaisen kokemuksen mukauttamisen, jonka annat heille, kun hän esimerkiksi vuorovaikutuksessa tilaa mobiilisovelluksen kautta stadionilla istuessaan.

Joten kaikki sellaiset asiat tuovat vain paljon enemmän voimaa ja löytöpotentiaalia tiedoille sellaisessa indeksointiideassa, että indeksoidaan datarakeita niiden semanttisen paikan ja tietotilan perusteella, on todella melko merkittävä. Ja olin todella vaikuttunut siitä, mikä tuli tänään esiin. Mielestäni puhuminen on eräänlainen perustavanlaatuinen asia.

Eric: Niin, se on totta. Se on erittäin tärkeä löytöprosessissa, se on erittäin tärkeä luokitteluprosessissa. Ja jos ajattelet sitä, Java toimii luokissa. Se on esinekeskeistä, luulen, enemmän tai vähemmän, voisit sanoa ohjelmoinnin muodon ja Java toimii luokissa. Joten jos suunnittelet itse ohjelmistoa, tämä koko konsepti yrittää löytää uusia luokkia on oikeastaan ​​aika tärkeä juttu toiminnallisuuden kannalta, jota yrität tarjota. Koska etenkin tässä uudessa villissä, epämääräisessä suurten tietojen maailmassa, jossa sinulla on niin paljon Java-ohjelmaa, että käytössäsi on niin paljon näitä erilaisia ​​sovelluksia, tiedät, että on 87 000 tai enemmän tapaa tehdä mitään tietokoneella, saada kaikenlaista bittiä toiminnallisuudesta tehty.

Yksi juoksevista vitseistäni, kun ihmiset sanovat: "Voi, voit rakentaa tietovaraston NoSQL: n avulla". Pidän ", voisit, kyllä, se on totta. Voit myös rakentaa tietovaraston Microsoft Wordin avulla." Se ei ole paras idea, se ei tule toimimaan kovin hyvin, mutta voit todella tehdä sen. Joten avain on, että sinun on löydettävä paras tapa tehdä jotain.

Mene eteenpäin.

Kirk: Annan vain vastata siihen. On mielenkiintoista, että mainitsit Java-luokan esimerkin, joka ei tullut mieleeni ennen kuin sanoit sen. Yksi Java-luokkien ja luokkien näkökulmista ja tällainen objektisuuntaus on, että on menetelmiä, jotka sitoutuvat tiettyihin luokkiin. Ja tämä on oikeastaan ​​sellainen tapa, jota yritin esittelissänne ja että kun ymmärrät joitain näistä datarakeista - nämä tietomuggetit, nämä tunnisteet, nämä merkinnät ja nämä semanttiset etiketit -, voit sitoa menetelmän siihen. Heillä on periaatteessa tämä reaktio tai tämä vastaus, ja ne antavat järjestelmällesi tällaisen automatisoidun, ennakoivan vastauksen tähän asiaan seuraavan kerran, kun näemme sen tietovirrassa.

Joten tuo käsitys sitovista toiminnoista ja menetelmistä tiettyyn luokkaan on todella yksi automatisoidun reaaliaikaisen analyysin voimista. Ja luulen, että osut jonkin verran.

Eric: Hyvä, hyvä, hyvä. No, tämä on hyvää. Joten katsotaanpa, haluan antaa sen takaisin sinulle ja tosiasiallisesti heittää yleisölle kysymyksen sinulle. Meillä on muutama niistä täällä. Ja ihmiset, meillä on kauan, koska haluamme saada joitain näistä hienoista käsitteistä näihin hyviin kysymyksiin.

Joten haluaisin esittää kysymyksen sinulle yhdestä yleisön lukumäärästä, joka sanoo: "En oikeastaan ​​näe, kuinka yritystiedustelu erottaa syyt ja seuraukset". Toisin sanoen, kun järjestelmät tekevät päätöksiä havaittavissa olevan tiedon perusteella, miten ne kehittävät uusia malleja oppiakseen enemmän maailmasta? Se on mielenkiintoinen asia, joten kuulen täältä syy-seuraus-korrelaation, perussyyanalyysin, ja se on eräs tällainen korkeamman tason analyysi, josta puhuitte, toisin kuin perinteinen BI, mikä on todella juuri sellainen raportointi ja sellainen ymmärtäminen, mitä tapahtui. Ja tietysti, koko suuntasi, katsoessasi vain dioasi täällä, liikkuu kohti ennustavaa kykyä tehdä näitä päätöksiä tai ainakin antaa näitä suosituksia, eikö niin? Joten ajatuksena on, että kaverit yrittävät palvella kaikkia tapahtumia ja ymmärrät, että avain, todellinen taikuus, on oikealla puolella olevassa analyyttisessä tavoitekomponentissa.

Tahto: Ehdottomasti.Mielestäni kyseinen kysymys on jonkin verran tulevaisuuden näkökulmasta siinä mielessä, että kuten aiemmin mainitsin, tietojenkäsittelytiede näki tiedonsiirtotieteen tietotekijän vaatimusten mukaisesti; jonkun olla melko haastava rooli. Heillä on oltava niin rikas tieto tilastoista ja tieteestä. Sinulla on oltava verkkotunnustieto, jotta matemaattista tietosi voidaan soveltaa verkkotunnuksiin. Joten mitä me näemme tänään, ei ole olemassa näitä valmiita ennakointityökaluja, joita yrityskäyttäjä voisi esimerkiksi kerätä Excelissä ja ennustaa automaattisesti tulevaisuuttaan, eikö niin?

Se vaatii tässä vaiheessa edistynyttä tietotekniikkaosaamista. Nyt joskus tulevaisuudessa voi olla, että jotkut näistä järjestelmistä, näistä skaalautumisjärjestelmistä muuttuvat tunteviksi ja alkavat tehdä villejä juttuja. Mutta sanoisin, että tässä vaiheessa sinulla on vielä oltava keskellä tietoteknikkoa jatkaaksesi mallien, ei näiden mallien, rakentamista. Nämä ennustavat mallit datan louhinnan ympärillä, ja tietotieteilijä on ne hyvin virittänyt ja rakennettu. Niitä ei luoda yksinään, jos tiedät mitä tarkoitan.

Eric: Kyllä, tarkalleen. Se on aivan oikein. Ja yksi linjoistani on "Koneet eivät valehtele, ainakaan vieläkään."

Will: Ei vielä, tarkalleen.

Eric: Luin artikkelin - minun on kirjoitettava tästä jotain - jokaisesta kokeilusta, joka tehtiin yliopistossa, jossa he sanoivat, että nämä tietokoneohjelmat oppivat valehdella, mutta minun täytyy kertoa teille, en todellakaan usko siihen . Tutkimme sitä, ihmiset.

Ja viimeisen kommentin vuoksi, niin Robin minä tuon sinut takaisin katsomaan tätä WebAction-alustaa, koska se on erittäin mielenkiintoinen. Rakastan koko tilan suhteen sitä, että saat erilaiset näkökulmat ja näkökulmat, joita eri toimittajat käyttävät palvelemaan erityisiä tarpeita. Rakastan tätä muotoa esityksessämme, koska meillä on neljä todella mielenkiintoista myyjää, jotka eivät suoraan sanoen todellakaan astu toistensa varpaisiin ollenkaan. Koska me kaikki teemme erilaisia ​​bittejä ja palasia samasta yleisestä tarpeesta, joka on analysoinnin käyttäminen, jotta asiat saadaan aikaan.

Mutta haluan vain saada näkökulmasi tähän erityiseen alustaan ​​ja niiden arkkitehtuuriin. Kuinka he tekevät asioita. Minusta se on aika vakuuttavaa. Mitä mieltä sinä olet?

Robin: No, tarkoitan, se viittaa datan suoratoiston erittäin nopeisiin tuloksiin, ja haun vuoksi sinun on arkkitehdittava sitä. Tarkoitan, et aio päästä eroon tekemästä mitään, amatööriä, koska meillä on kaikki sellaiset asiat. Kuulen tämän olevan erittäin mielenkiintoinen ja mielestäni yksi niistä asioista, jotka olemme nähneet aiemmin; Tarkoitan sitä mieltä, että sinä ja minä, leuamme on pudonnut yhä enemmän parin viime vuoden aikana, kun näimme yhä enemmän tavaroita, jotka olivat aivan kuin erittäin nopeita, poikkeuksellisen älykkäitä ja aika paljon ennennäkemättömiä.

Tämä on tietysti WebAction, niin sanotusti se ei ole ensimmäinen rodeo. On todella ollut, että siellä on otettu nimiä tietyssä määrin. Joten en näe, mutta meidän pitäisi olla yllättyneitä siitä, että arkkitehtuuri on melko vaihdettua, mutta se on varmasti.

Eric: No, minä sanon sinulle mitä, ihmiset. Palasimme täällä kiinteän 82 minuutin ajan. Tarkoitan kiitos kaikille ihmisille, jotka ovat kuunnelleet koko ajan. Jos sinulla on kysymyksiä, joihin ei vastattu, älä ole ujo, a todella sinun. Meillä pitäisi olla minusta makaa jonnekin. Ja iso, iso kiitos molemmille tänään esiintyjillemme, tohtori Kirk Bornelle ja tohtori Robin Bloorille.

Kirk, haluaisin tutkia tarkemmin joitain noista semanttisista juttuista kanssasi, ehkä tulevassa verkkolähetyksessä. Koska uskon, että olemme nyt aivan uuden ja mielenkiintoisen vaiheen alussa. Se mitä pystymme hyödyntämään monien ihmisten ideoiden avulla ja saamaan ne toteutumaan paljon helpommin, koska arvaa mitä, ohjelmisto tulee halvemmaksi, minun pitäisi sanoa. Se on entistä käyttökelpoisempaa ja saamme kaikki nämä tiedot kaikista näistä eri lähteistä. Ja mielestäni se tulee olemaan erittäin mielenkiintoinen ja kiehtova matka seuraavien vuosien aikana, kun todella pohdimme, mitä nämä asiat voivat tehdä ja miten se voi parantaa liiketoimintaamme.

Niin suuri kiitos myös Techopedialle ja tietysti sponsoreillemme - Pentaho, WebAction, MarkLogic ja Treasure Data. Ja ihmiset, vau, teemme sen loppuun, mutta kiitos paljon ajasta ja huomiosta. Otamme sinut vastaan ​​noin puolitoista kuukautta seuraavaan esitykseen. Ja tietenkin, tiedotushuone jatkuu; radio jatkaa; kaikki muut webcast-sarjamme jatkavat rokkaamista ja liikkumista. Kiitos paljon. Tapaamme sinut seuraavan kerran. Hei hei.