Cum pot analiza îmbunătăți afacerile? - transcriere tehnologic episodul 2

Nota editorului: Aceasta este o transcriere a unuia dintre transmisiile noastre web anterioare. Următorul episod se apropie rapid, faceți clic aici pentru a vă înregistra.

Eric Kavanagh: Doamnelor și domnilor, salut și bineveniți din nou la episodul 2 din TechWise. Da, într-adevăr, este timpul să obțineți oameni înțelepți! Am o mulțime de oameni cu adevărat deștepți pe linia de azi pentru a ne ajuta în acest demers. Numele meu este Eric Kavanagh, desigur. Voi fi gazda ta, moderatorul tău, pentru această sesiune rotundă de fulgere. Avem mult conținut aici, oameni buni. Avem câteva nume mari în afacere, care au fost analiști în spațiul nostru și patru dintre cei mai interesanți furnizori. Așadar, vom face o acțiune foarte bună cu privire la apel astăzi. Și, desigur, tu în audiență joci un rol semnificativ în a pune întrebări.

Așadar, încă o dată, emisiunea este TechWise, iar subiectul de astăzi este „Cum poate Analytics îmbunătăți afacerile?” Evident, este un subiect fierbinte în care va încerca să înțelegeți diferitele tipuri de analize pe care le puteți face și cum pot să vă îmbunătățiți operațiunile, deoarece despre asta este vorba la sfârșitul zilei.

Așa că te poți vedea acolo sus, acesta este cu adevărat al tău. Dr. Kirk Borne, un bun prieten de la Universitatea George Mason. Este un om de știință de date cu o experiență imensă, o expertiză foarte profundă în acest spațiu și extragerea de date și date mari și tot felul de lucruri distractive. Și, desigur, avem chiar propriul nostru doctor, Robin Bloor, analist șef aici, la Bloor Group. Care s-a antrenat ca actuar cu mulți ani în urmă. Și a fost într-adevăr concentrat pe acest spațiu de date mare și spațiul analitic destul de intens în ultima jumătate de deceniu. Au trecut cinci ani de când am lansat Grupul Bloor per se. Deci timpul zboară când te distrezi.

De asemenea, vom auzi de la Will Gorman, Arhitectul șef al Pentaho; Steve Wilkes, CCO al WebAction; Frank Sanders, director tehnic la MarkLogic; și Hannah Smalltree, director la Treasure Data. Așa cum am spus, asta este mult conținut.

Deci, cum pot analiticile să vă ajute afacerea? Ei bine, cum nu vă poate ajuta afacerea, sincer? Există tot felul de modalități prin care analizele pot fi utilizate pentru a face lucruri care vă îmbunătățesc organizația.

Prin urmare, eficientizați operațiunile. Aceasta este una despre care nu auziți la fel de multe despre lucrurile despre marketing, creșterea veniturilor sau chiar identificarea oportunităților. Dar eficientizarea operațiunilor dvs. este acest lucru cu adevărat puternic, pe care îl puteți face pentru organizația dvs., deoarece puteți identifica locuri unde puteți externaliza ceva sau puteți adăuga date la un anumit proces, de exemplu. Și asta îl poate eficientiza prin a nu solicita pe cineva să ridice telefonul sau să sune cineva. Există atât de multe moduri diferite de a vă putea eficientiza operațiunile. Și toate acestea ajută cu adevărat la reducerea costurilor, nu? Aceasta este cheia, reduce costurile. Dar vă permite, de asemenea, să vă serviți mai bine clienții.

Și dacă vă gândiți la modul în care au devenit oamenii nerăbdători și văd asta în fiecare zi în ceea ce privește modul în care oamenii interacționează online, chiar și cu spectacolele noastre, furnizorii de servicii pe care îi folosim. Răbdarea pe care o au oamenii, durata atenției, devine din ce în ce mai scurtă pe zi. Și ceea ce înseamnă că este necesar ca, în calitate de organizație, să răspundeți în perioade de timp mai rapide și mai rapide pentru a vă putea satisface clienții.

Așadar, de exemplu, dacă cineva se află pe site-ul tău webcast sau răsfoiește încerca să găsească ceva, dacă se frustrează și pleacă, ei bine, s-ar putea să fi pierdut un client. Și depinde de cât de mult percepeți pentru produsul sau serviciul dvs. și poate asta este o afacere mare. Așadar, linia de jos este că operațiunile de eficientizare, cred, este unul dintre cele mai tari spații pentru aplicarea analizelor. Și faceți acest lucru uitându-vă la numere, scrâșnind datele, dând seama, de exemplu, „Hei, de ce pierdem atât de mulți oameni pe această pagină a site-ului nostru web?” "De ce primim unele dintre aceste apeluri telefonice chiar acum?"

Și cu cât veți putea să răspundeți mai mult la acest tip de chestii, cu atât aveți șanse mai mari să treceți deasupra situației și să faceți ceva în acest sens înainte de a fi prea târziu. Deoarece există acea fereastră de timp în care cineva se supără de ceva, este nemulțumit sau încearcă să găsească ceva, dar este frustrat; aveți o fereastră de oportunitate acolo pentru a ajunge la ei, a-i apuca, a interacționa cu acel client. Și dacă faceți acest lucru în mod corespunzător cu datele corecte sau cu o imagine bună a clientului - să înțelegeți cine este acest client, care este profitabilitatea lor, care sunt preferințele lor - dacă puteți într-adevăr să vă ocupați de asta, veți face o minunată muncă de a ține clienții și de a obține noi clienți. Și despre asta este vorba.

Așa că, cu asta, o voi înmâna, de fapt, lui Kirk Borne, unul dintre oamenii de știință ai datelor noastre la apelul de astăzi. Și sunt destul de rare în aceste zile, oameni buni. Avem doi dintre ei cel puțin la apel, deci este mare lucru. Cu asta, Kirk, o să vă predau pentru a vorbi despre analize și despre modul în care ajută afacerea. Du-te.

Dr. Kirk Borne: Mulțumesc foarte mult, Eric. Mă puteți auzi?

Eric: E bine, mergi mai departe.

Dr. Kirk: Bine, bine. Vreau doar să împărtășesc dacă vorbesc timp de cinci minute și oamenii își flutură mâinile la mine. Așa că observația de deschidere, Eric, ați spus că v-ați legat cu adevărat de acest subiect despre care voi vorbi pe scurt în următoarele câteva minute despre care este această utilizare a datelor mari și a analitice pentru ca datele să fie acceptate. Comentariul pe care l-ați făcut despre eficientizarea operațională, pentru mine, se încadrează în acest concept de analiză operațională în care puteți vedea aproape în fiecare aplicație din lume, fie că este o aplicație științifică, o afacere, o securitate cibernetică și aplicarea legilor și guvern, asistență medicală. Orice număr de locuri în care avem un flux de date și luăm un fel de răspuns sau decizie în reacție la evenimente, alerte și comportamente pe care le vedem în acel flux de date.

Și, astfel, unul dintre lucrurile despre care aș vrea să vorbesc astăzi este felul în care extrageți cunoștințele și perspectivele din datele mari pentru a ajunge la acel punct în care putem efectiv lua decizii pentru a lua măsuri. Și frecvent vorbim despre asta într-un context de automatizare. Și astăzi vreau să îmbin automatizarea cu analistul uman din buclă. Prin urmare, mă refer la faptul că analistul de afaceri joacă un rol important aici în ceea ce privește pariurile, calificarea, validarea acțiunilor specifice sau a regulilor de învățare automată pe care le extragem din date. Dar dacă ajungem într-un punct în care suntem destul de convinși că regulile de afaceri pe care le-am extras și mecanismele de alertare sunt valabile, putem transforma acest lucru într-un proces automat. De fapt, facem acea operație de eficientizare despre care vorbea Eric.

Așa că am un mic joc despre cuvinte aici, dar sper că, dacă funcționează pentru tine, am vorbit despre provocarea D2D. Și D2D, nu doar datele care sunt deciziile în toate contextele, ne uităm la acest lucru în partea de jos a acestei diapozitive, sperăm că o puteți vedea, făcând descoperiri și crescând venituri de dolari din conductele noastre de analiză.

Așadar, în acest context, am de fapt acest rol de marketer pentru mine aici, acum, când lucrez și acesta este; primul lucru pe care doriți să îl faceți este să vă caracterizați datele, să extrageți caracteristicile, să extrageți caracteristicile clienților dvs. sau orice entitate pe care o urmăriți în spațiul dvs. Poate este un pacient într-un mediu de analiză a sănătății. Poate este un utilizator Web dacă te uiți la un fel de problemă de securitate cibernetică. Dar caracterizați și extrageți caracteristici și apoi extrageți un context despre acea persoană, despre acea entitate. Și apoi adunați acele piese pe care tocmai le-ați creat și le puneți într-un fel de colecție din care puteți aplica apoi algoritmi de învățare automată.

Motivul pentru care o spun în acest fel este că, să spunem, aveți o cameră de supraveghere la un aeroport. Videoclipul în sine este un volum enorm, mare și este, de asemenea, foarte nestructurat. Dar puteți extrage din supraveghere video, biometrie facială și identifica persoanele din camerele de supraveghere. Deci, de exemplu, într-un aeroport, puteți identifica persoane specifice, le puteți urmări prin aeroport, identificând încrucișarea aceluiași individ în mai multe camere de supraveghere. În așa fel încât caracteristicile biometrice extrase pe care le extrageți și să le urmăriți nu sunt videoclipurile detaliate în sine. Dar, odată ce aveți aceste extrageri, puteți aplica reguli și analize de învățare automată pentru a lua decizii cu privire la faptul dacă trebuie să întreprindeți o acțiune într-un anumit caz sau ceva întâmplat incorect sau ceva care aveți posibilitatea de a face o ofertă. Dacă sunteți, de exemplu, dacă aveți un magazin în aeroport și vedeți că clientul vă vine în cale și știți din alte informații despre clientul respectiv, poate că a fost foarte interesat să cumpere lucruri din magazinul fără taxe vamale sau ceva de genul acesta, face acea ofertă.

Deci ce fel de lucruri aș însemna prin caracterizare și potențializare? Prin caracterizare mă refer, din nou, la extragerea caracteristicilor și a caracteristicilor din date. Și aceasta poate fi generată automat, apoi algoritmii săi pot extrage, de exemplu, semnături biometrice din analiza video sau a sentimentelor. Puteți extrage sentimentele clienților prin recenzii online sau pe social media. Unele dintre aceste lucruri pot fi generate de oameni, astfel încât ființa umană, analistul de afaceri, poate extrage funcții suplimentare pe care le voi arăta în diapozitivul următor.

Unele dintre acestea pot fi abordate cu multitudine. Și prin crowdsourced, există o mulțime de moduri diferite în care vă puteți gândi. Dar foarte simplu, de exemplu, utilizatorii dvs. vin pe site-ul dvs. web și introduc cuvinte cheie, cuvinte cheie, iar acestea ajung pe o anumită pagină și petrec de fapt timp pe pagina respectivă. Că, de fapt, măcar înțeleg că vizionează, navighează, fac clic pe lucrurile din acea pagină. Ceea ce vă spune este faptul că cuvântul cheie pe care l-au introdus la început este descriptorul acestei pagini, deoarece a aterizat clientul pe pagina pe care o anticipau. Și, astfel, puteți adăuga acea informație suplimentară, adică clienții care folosesc acest cuvânt cheie, au identificat de fapt această pagină web în arhitectura noastră informațională ca locul unde acel conținut se potrivește cu acel cuvânt cheie.

Așadar, crowdsourcing-ul este un alt aspect pe care uneori oamenii îl uită, acela de a urmări pesmetele clienților, ca să zic așa; cum se deplasează prin spațiul lor, indiferent dacă este vorba despre o proprietate online sau o proprietate reală. Și apoi folosiți acest fel de drum pe care clientul îl ia ca informații suplimentare despre lucrurile pe care le privim.

Așadar, vreau să spun lucruri generate de oameni, sau mașini generate, au sfârșit să aibă un context în felul în care să adnoteze sau să eticheteze granule sau entități specifice de date. Indiferent dacă aceste entități sunt pacienți într-un cadru de spital, clienți sau orice altceva. Astfel, există diferite tipuri de etichetare și adnotări. O parte din aceasta este despre datele în sine. Acesta este unul dintre lucruri, ce tip de informație, ce fel de informații, care sunt caracteristicile, formele, poate texturile și tiparele, anomalia, comportamentele care nu sunt anomalie. Și apoi extrageți câteva semantice, adică, cum se referă asta la alte lucruri pe care le știu, sau acest client este client de electronică. Acest client este un client de îmbrăcăminte. Sau acestui client îi place să cumpere muzică.

Deci, identificând unele semantice despre asta, acești clienți cărora le place muzica tind să le placă divertismentul. Poate le-am putea oferi alte proprietăți de divertisment. Așadar, înțelegerea semanticii și, de asemenea, o oarecare proveniență, care se spune practic: de unde a venit acest lucru, cine a furnizat această afirmație, la ce oră, la ce dată, în ce circumstanță?

Deci, odată ce aveți toate aceste adnotări și caracterizări, adăugați la pasul următor, care este contextul, felul de cine, ce, când, unde și de ce. Cine este utilizatorul? Care a fost canalul în care au intrat? Care a fost sursa informației? Ce fel de reutilizări am văzut în această informație sau produs special? Și care este valoarea ei în procesul de afaceri? Și apoi colectați acele lucruri și gestionați-le și ajutați de fapt la crearea bazei de date, dacă doriți să vă gândiți la asta. Faceți-le căutabile, reutilizabile, de către alți analiști de afaceri sau printr-un proces automat care, data viitoare când văd aceste seturi de funcții, sistemul poate lua această acțiune automată. Și astfel ajungem la acest tip de eficiență analitică operațională, dar cu cât colectăm informații utile, cuprinzătoare și apoi le curatăm pentru aceste cazuri de utilizare.

Ajungem la afaceri. Facem analiza datelor. Căutăm modele interesante, surprize, contururi inedite, anomalii. Căutăm noi clase și segmente în populație. Căutăm asocieri și corelații și legături între diferitele entități. Și apoi folosim toate acestea pentru a conduce descoperirea, decizia și procesul de luare a dolarului.

Așadar, din nou, aici am obținut ultima diapozitivă pe care o am, este doar o rezumare fundamentală, menținerea analistului de afaceri în buclă, din nou, nu extrageți acel om și este foarte important să îl mențineți acolo.

Deci, aceste caracteristici, toate sunt furnizate de mașini sau analiști umani sau chiar crowdsourcing. Aplicăm acea combinație de lucruri pentru a îmbunătăți seturile noastre de pregătire pentru modelele noastre și să încheiem cu modele predictive mai precise, mai puține false pozitive și negative, un comportament mai eficient, intervenții mai eficiente cu clienții noștri sau cu oricine.

Deci, la sfârșitul zilei, combinăm doar învățarea mașină și datele mari cu această putere a cunoașterii umane, de unde vine acel fel de piesă de adnotare de etichetare. Și asta poate conduce prin vizualizare și analiză vizuală de tip. instrumente sau medii de date imersive sau crowdsourcing. Și, la sfârșitul zilei, ceea ce face cu adevărat este generarea descoperirii noastre, a perspectivelor și a D2D. Și acestea sunt comentariile mele, așa că vă mulțumesc că ați ascultat.

Eric: Hei, sună minunat și lasă-mă să merg înainte și să predau cheile dr. Robin Bloor pentru a-i oferi și perspectiva lui. Da, îmi place să vă aud comentarii despre conceptul de simplificare a operațiunilor și vorbiți despre analiza operațională. Cred că este o zonă mare care trebuie explorată destul de amănunțit. Și cred că, repede înainte de Robin, te voi aduce înapoi, Kirk. Este necesar să aveți o colaborare destul de semnificativă între diverși jucători din companie, nu? Trebuie să vorbiți cu oamenii operațiuni; trebuie să-i aduci pe oamenii tăi tehnici. Uneori, primiți oameni de marketing sau oameni de interfață web. Acestea sunt de obicei grupuri diferite. Aveți cele mai bune practici sau sugestii despre cum să-i determinați pe toți să își pună pielea în joc?

Dr. Kirk: Ei bine, cred că asta vine cu cultura de colaborare a afacerilor. De fapt, vorbesc despre cele trei tipuri de cultură ale analiticii. Una este creativitatea; alta este curiozitatea, iar a treia este colaborarea. Așadar, vrei oameni creativi, serioși, dar trebuie să-i determini pe acești oameni să colaboreze. Și începe cu adevărat din partea de sus, acel tip de construire a acestei culturi cu oameni care ar trebui să împărtășească în mod deschis și să lucreze împreună pentru atingerea obiectivelor comune ale afacerii.

Eric: Totul are sens. Și chiar trebuie să obțineți o conducere bună în vârf pentru a face acest lucru. Așa că hai să mergem mai departe și să-l predăm dr. Bloor. Robin, podeaua este a ta.

Dr. Robin Bloor: Bine. Mulțumesc pentru această informație, Eric. Bine, modul în care acestea ies, acestea arată, pentru că avem doi analiști; Văd prezentarea analistului pe care ceilalți tipi nu o fac. Știam ce avea să spună Kirk și mă duc doar la un unghi complet diferit, pentru a nu ne suprapune prea mult.

Deci, despre ce vorbesc sau intenționez să vorbesc aici, este rolul analistului de date versus rolul analistului de afaceri. Și modul în care îl caracterizez, bine, cu limbă în obraz într-o anumită măsură, este un fel de lucru Jekyll și Hyde. Diferența fiind, în special, oamenii de știință de date, cel puțin teoretic, știu ce fac. În timp ce analiștii de afaceri nu sunt așa, în regulă modul în care funcționează matematica, ce poate fi de încredere și ce nu poate fi de încredere.

Așadar, să trecem doar la motivul pentru care facem acest lucru, motivul pentru care analiza datelor a devenit brusc o mare parte, în afară de faptul că putem analiza, de fapt, cantități foarte mari de date și tragem date din afara organizației; plătește Modul în care privesc acest lucru - și cred că acesta devine doar un caz, dar cred că este un caz - analiza datelor este într-adevăr R&D de afaceri. Ceea ce faci de fapt într-un fel sau altul cu analiza datelor este că te uiți la un proces de afaceri într-un fel sau dacă acesta este interacțiunea cu un client, fie că este cu modul în care operațiunea dvs. de vânzare cu amănuntul, modul în care îl desfășurați magazinele tale. Nu contează cu adevărat care este problema. Te uiți la un proces de afaceri dat și încerci să-l îmbunătățești.

Rezultatul unei cercetări și dezvoltări reușite este un proces de schimbare. Și vă puteți gândi la fabricație, dacă doriți, ca un exemplu obișnuit în acest sens. Pentru că, în producție, oamenii adună informații despre tot, pentru a încerca și îmbunătăți procesul de fabricație. Dar cred că ceea ce s-a întâmplat sau ceea ce se întâmplă la date mari, toate acestea se aplică acum tuturor afacerilor de orice fel, în orice fel la care oricine se poate gândi. Așa că aproape orice proces de afaceri este examinat dacă puteți aduna date despre acesta.

Deci este un lucru. Dacă doriți, asta se pune la analiza datelor. Ce pot face analizele de date pentru afaceri? Ei bine, poate schimba afacerea complet.

Această diagramă particulară, pe care nu o voi descrie în profunzime, dar aceasta este o diagramă cu care am ajuns ca punctul culminant al proiectului de cercetare pe care l-am făcut în primele șase luni ale acestui an. Acesta este un mod de a reprezenta o arhitectură de date mari. Și o serie de lucruri demne de subliniat înainte de a trece la diapozitivul următor. Există două fluxuri de date aici. Unul este un flux de date în timp real, care merge de-a lungul vârfului diagramei. Celălalt este un flux de date mai lent care merge de-a lungul părții inferioare a diagramei.

Uită-te la partea de jos a diagramei. Avem Hadoop ca rezervor de date. Avem diverse baze de date. Avem acolo o întreagă informație cu o mulțime de activități care se întâmplă pe ea, cea mai mare parte fiind o activitate analitică.

Ideea pe care o fac aici și singurul punct pe care vreau să-l fac aici este că tehnologia este grea. Nu este simplu. Nu e usor. Nu este ceva ce oricine este nou în joc poate doar să pună cap la cap. Acest lucru este destul de complex. Și dacă veți instrumenta o afacere pentru a face analize de încredere în toate aceste procese, atunci nu este ceva ce se va întâmpla în mod special rapid. Va avea nevoie de multă tehnologie pentru a fi adăugată la mix.

Bine. Întrebarea care este un om de știință de date, aș putea pretinde că sunt un om de date, deoarece am fost instruit de fapt în statistici înainte să fiu vreodată instruit în calcul. Și am făcut o lucrare actuarială o perioadă de timp, așa că știu modul în care se organizează o afacere, analiză statistică, de asemenea, pentru a se conduce. Nu este un lucru banal. Și există o mulțime de bune practici implicate atât din partea umană, cât și din partea tehnologiei.

Așadar, punând întrebarea „ce este un om de știință de date”, am pus poza Frankenstein doar pentru că este o combinație de lucruri care trebuie tricotate. Există managementul de proiect implicat. În statistică există o înțelegere profundă. Există expertiză în domeniul domeniului, ceea ce reprezintă mai degrabă o problemă a unui analist de afaceri decât a oamenilor de știință de date. Există experiență sau nevoia de a înțelege arhitectura de date și de a putea construi arhitect de date și există o inginerie software implicată. Cu alte cuvinte, este probabil o echipă. Probabil nu este un individ. Și asta înseamnă că este probabil un departament care trebuie organizat și organizația sa trebuie gândită destul de extins.

Aruncând în amestec amestecul de învățare automată. Nu am putut face, vreau să spun, învățarea automată nu este nouă în sensul că cele mai multe dintre tehnicile statistice utilizate în învățarea mașinii sunt cunoscute de zeci de ani. Există câteva lucruri noi, vreau să spun că rețelele neuronale sunt relativ noi, cred că au doar 20 de ani, deci unele dintre ele sunt relativ noi. Dar problema cu învățarea mașinii a fost că de fapt nu aveam puterea computerului să o facem. Și ceea ce s-a întâmplat, în afară de orice altceva, este că curentul computerului este acum în vigoare. Și asta înseamnă o mulțime groaznică din ceea ce noi, spunem, oamenii de știință de date am făcut anterior în ceea ce privește situațiile de modelare, prelevarea de date și apoi să trimitem asta pentru a produce o analiză mai profundă a datelor. De fapt, în unele cazuri putem arunca doar puterea computerului. Alegeți algoritmi de învățare automată, aruncați-l la date și vedeți ce iese. Și asta este un lucru pe care un analist de afaceri îl poate face, nu? Dar analistul de afaceri trebuie să înțeleagă ce fac. Adică, cred că asta este problema cu adevărat, mai mult decât orice.

Ei bine, aceasta este doar pentru a ști mai multe despre afaceri din datele sale decât prin orice alte mijloace. Einstein nu a spus asta, am spus asta. Tocmai i-am pus poza pentru credibilitate. Dar situația care începe să se dezvolte este una în care tehnologia, dacă este folosită corect, iar matematica, dacă este folosită corect, va putea conduce o afacere ca orice individ. Am urmărit acest lucru cu IBM. În primul rând, i-ar putea bate pe cei mai buni tipi la șah, iar apoi i-ar putea învinge pe cei mai buni tipi de la Jeopardy; dar până la urmă vom putea să îi batem pe cei mai buni tipi la conducerea unei companii. Statisticile vor triumfa în cele din urmă. Și este greu să vezi cum nu se va întâmpla asta, pur și simplu nu s-a întâmplat încă.

Deci, ceea ce spun și acesta este un fel de mesaj complet al prezentării mele, sunt aceste două probleme ale afacerii. Primul este: puteți obține tehnologia corect? Puteți face ca tehnologia să funcționeze pentru echipa care, de fapt, va putea să o prezideze și să obțină beneficii pentru afacere? Și, în al doilea rând, puteți să-i aduceți pe oameni bine? Și ambele sunt probleme. Și sunt probleme care, până acum, nu sunt rezolvate.

Bine Eric, îți voi transmite-o. Sau ar trebui să-l transmit lui Will.

Eric: De fapt, da. Mulțumesc, Will Gorman. Da, acolo te duci, Will. Deci, să vedem. Permiteți-mi să vă dau cheia pentru WebEx. Deci, ce ai de gând? Pentaho, desigur, voi sunteți de ceva vreme și de tipul open source de BI de unde ați început. Dar ai mai mult decât ai avut, așa că hai să vedem ce ai obținut în aceste zile pentru analize.

Will Gorman: Absolut. Buna tuturor! Numele meu este Will Gorman. Sunt arhitectul șef la Pentaho. Pentru aceia dintre voi care nu au auzit despre noi, am menționat doar că Pentaho este o companie de integrare și analiză a datelor mari. Suntem în afaceri de zece ani. Produsele noastre au evoluat cot la cot cu marea comunitate de date, începând ca o platformă open-source pentru integrarea și analiza datelor, inovând cu tehnologie precum Hadoop și NoSQL, chiar înainte ca entitățile comerciale formate în jurul acestor tehnologii. Și acum avem peste 1500 de clienți comerciali și multe alte programări de producție, ca urmare a inovației noastre în jurul surselor deschise.

Arhitectura noastră este extrem de încorporabilă și extensibilă, creată special pentru a fi flexibilă, deoarece tehnologia de date mari, în special evoluează într-un ritm foarte rapid. Pentaho oferă trei domenii principale ale produsului, care colaborează pentru a aborda cazurile de utilizare a analizelor de date mari.

Primul produs din arhitectura noastră este Pentaho Data Integration, care este orientat către tehnologul de date și ingineri de date. Acest produs oferă o experiență vizuală, drag and drop pentru definirea conductelor de date și a proceselor pentru orchestrarea datelor în medii de date mari și în medii tradiționale. Acest produs este o platformă ușoară, de metadatabase, de integrare a datelor construită pe Java și poate fi implementată ca un proces în MapReduce sau YARN sau Storm și multe alte platforme de lot și în timp real.

A doua noastră zonă de produse este în jurul analizelor vizuale. Cu această tehnologie, organizațiile și OEM-urile pot oferi o bogată experiență de vizualizare și analiză drag-and-drop pentru analiștii și utilizatorii de afaceri de către browserele și tabletele moderne, permițând crearea ad-hoc de rapoarte și tablouri de bord. La fel ca prezentarea tabloului de bord și rapoartelor perfecte pentru pixeli.

A treia noastră zonă de produse se concentrează pe analize predictive destinate oamenilor de știință de date, algoritmilor de învățare automată. Așa cum am menționat anterior, cum ar fi rețelele neuronale și altele, pot fi încorporate într-un mediu de transformare a datelor, permițând oamenilor de știință de date să treacă de la modelare la mediul de producție, oferind acces la previziune și care ar putea afecta procesele de afaceri foarte imediat, foarte repede.

Toate aceste produse sunt strâns integrate într-o singură experiență agilă și oferă clienților întreprinderii noastre flexibilitatea de care au nevoie pentru a rezolva problemele lor de afaceri. Vedem un peisaj în evoluție rapidă a datelor mari din tehnologiile tradiționale. Tot ceea ce auzim de la unele companii din spațiul mare de date că EDW este aproape de sfârșit. De fapt, ceea ce vedem în clienții noștri din întreprindere este faptul că aceștia trebuie să introducă date mari în procesele de afaceri și IT existente și să nu înlocuiască procesele respective.

Această diagramă simplă arată punctul de arhitectură pe care îl vedem des, care este un tip de arhitectură de implementare EDW cu integrare de date și cazuri de utilizare a BI. Acum această diagramă este similară cu diapozitivul lui Robin privind arhitectura de date mari, încorporează date istorice în timp real. Pe măsură ce apar noi surse de date și cerințe în timp real, vedem datele mari ca o parte suplimentară a arhitecturii IT generale. Aceste noi surse de date includ date generate de mașini, date nestructurate, volumul standard și viteza și varietatea cerințelor despre care auzim în datele mari; ele nu se încadrează în procesele EDW tradiționale. Pentaho lucrează îndeaproape cu Hadoop și NoSQL pentru a simplifica ingestia, procesarea datelor și vizualizarea acestor date, precum și amestecarea acestor date cu surse tradiționale pentru a oferi clienților o vedere completă asupra mediului de date. Facem acest lucru într-o manieră guvernată, astfel încât IT-ul să poată oferi o soluție de analiză completă liniei lor de afaceri.

În încheiere, aș dori să subliniez filozofia noastră în ceea ce privește analiza și integrarea datelor mari; credem că aceste tehnologii lucrează mai bine împreună cu o arhitectură unificată unică, permițând o serie de cazuri de utilizare care altfel nu ar fi posibile. Mediile de date ale clienților noștri sunt mai mult decât simple date, Hadoop și NoSQL. Orice date este un joc corect. Și sursele mari de date trebuie să fie disponibile și să lucreze împreună pentru a afecta valoarea afacerii.

În cele din urmă, considerăm că pentru a rezolva aceste probleme de afaceri în întreprinderi foarte eficient prin date, IT și linii de activitate trebuie să lucreze împreună pe o abordare guvernată, combinată, a analizelor de date mari. Mulțumesc foarte mult că ne-ați dat timpul să vorbim, Eric.

Eric: Pariați. Nu, astea sunt lucruri bune. Vreau să mă întorc la acea parte a arhitecturii tale, pe măsură ce ajungem la întrebări. Așadar, să trecem prin restul prezentării și vă mulțumim foarte mult pentru asta. Voi, cu siguranță, v-ați mișcat rapid în ultimii doi ani, trebuie să spun asta cu siguranță.

Așadar, Steve, dă-mi voie să merg mai departe și ți-o predau. Și trebuie doar să faceți clic acolo pe săgeata în jos și mergeți pentru ea. Deci Steve, îți dau cheile. Steve Wilkes, faceți clic pe săgeata cea mai îndepărtată de pe tastatură.

Steve Wilkes: Acolo mergem.

Eric: Acolo te duci.

Steve: Totuși, mi-ai oferit o prezentare minunată.

Eric: Da.

Steve: Deci sunt Steve Wilkes. Sunt CCO la WebAction. Suntem în jur doar în ultimii doi ani și cu siguranță ne-am mișcat repede, de atunci. WebAction este o platformă în timp real de analiză a datelor mari. Eric a menționat mai devreme, un fel de, cât de important este timpul real și cât de real sunt aplicațiile dvs. în timp real. Platforma noastră este proiectată pentru a construi aplicații în timp real. Și pentru a activa următoarea generație de aplicații bazate pe date care pot fi construite incremental pe și pentru a permite oamenilor să construiască tablouri de bord din datele generate din acele aplicații, dar care să se concentreze pe timp real.

Platforma noastră este de fapt o platformă end-to-end, care face totul, de la achiziția de date, procesarea datelor, până la vizualizarea datelor. Și permite mai multor tipuri diferite de persoane din cadrul întreprinderii noastre să lucreze împreună pentru a crea aplicații adevărate în timp real, oferindu-le informații despre lucrurile care se întâmplă în întreprinderea lor așa cum s-au întâmplat.

Și acest lucru este puțin diferit de ceea ce au văzut majoritatea oamenilor în date mari, astfel încât abordarea tradițională - bine, tradițională în ultimii doi ani - abordarea cu date mari a fost să o surprindă dintr-o mulțime de surse diferite și apoi îngrămădindu-l într-un rezervor mare sau lac sau orice vrei să-l numim. Și apoi procesați-o atunci când trebuie să rulați o interogare pe ea; să efectueze analize istorice la scară largă sau chiar interogarea ad-hoc a unor cantități mari de date. Acum funcționează pentru anumite cazuri de utilizare. Dar dacă doriți să fiți proactiv în întreprinderea dvs., dacă doriți să vi se spună de fapt ce se întâmplă, mai degrabă decât să aflați când ceva a mers greșit spre sfârșitul zilei sau spre sfârșitul săptămânii, atunci chiar trebuie să vă mutați la timp real.

Și asta schimbă puțin lucrurile. Mută ​​procesarea la mijloc. Deci, efectiv luați aceste fluxuri de cantități mari de date care sunt generate continuu în cadrul întreprinderii și le prelucrați pe măsură ce le obțineți. Și pentru că îl prelucrați pe măsură ce îl obțineți, nu trebuie să stocați totul. Puteți stoca doar informațiile importante sau lucrurile de care trebuie să vă amintiți că s-au întâmplat de fapt. Deci, dacă urmăriți locația GPS a vehiculelor care se deplasează pe drum, nu vă pasă cu adevărat unde sunt în fiecare secundă, nu trebuie să stocați unde sunt în fiecare secundă. Trebuie doar să vă pese, au părăsit acest loc? Au ajuns în acest loc? Au condus, sau nu, autostrada?

Așadar, este foarte important să luăm în considerare că pe măsură ce sunt generate tot mai multe date, atunci cele trei Vs. Velocitatea determină practic cât de multe date generează în fiecare zi. Cu cât sunt generate mai multe date, cu atât trebuie să stocați mai multe. Și cu cât trebuie să stocați mai mult, cu atât va dura mai mult pentru procesare. Dar dacă îl puteți procesa așa cum îl obțineți, atunci obțineți un beneficiu foarte mare și puteți reacționa la acest lucru. Vi se poate spune că lucrurile se întâmplă mai degrabă decât să le căutăm mai târziu.

Deci platforma noastră este proiectată pentru a fi extrem de scalabilă. Are trei piese majore - piesa de achiziție, piesa de prelucrare și apoi piesele de vizualizare a livrării platformei. În ceea ce privește achiziția, nu ne uităm doar la datele de jurnal generate de mașini, cum ar fi jurnalele web sau aplicațiile care au toate celelalte jurnale care sunt generate. We can also go in and do change data capture from databases. So that basically enables us to, we've seen the ETL side that Will presented and traditional ETL you have to run queries against the databases. We can be told when things happen in the database. We change it and we capture it and receive those events. And then there's obviously the social feeds and live device data that's being pumped to you over TCP or ACDP sockets.

There's tons of different ways of getting data. And talking of volume and velocity, we're seeing volumes that are billions of events per day, right? So it's large, large amounts of data that is coming in and needs to be processed.

That is processed by a cluster of our servers. The servers all have the same architecture and are all capable of doing the same things. But you can configure them to, sort of, do different things. And within the servers we have a high-speed query processing layer that enables you to do some real-time analytics on the data, to do enrichments of the data, to do event correlation, to track things happening within time windows, to do predictive analytics based on patterns that are being seen in the data. And that data can then be stored in a variety places - the traditional RDBMS, enterprise data warehouse, Hadoop, big data infrastructure.

And the same live data can also be used to power real-time data-driven apps. Those apps can have a real-time view of what's going on and people can also be alerted when important things happen. So rather than having to go in at the end of the day and find out that something bad really happened earlier on the day, you could be alerted about it the second we spot it and it goes straight to the page draw down to find out what's going on.

So it changes the paradigm completely from having to analyze data after the fact to being told when interesting things are happening. And our platform can then be used to build data-driven applications. And this is really where we're focusing, is building out these applications. For customers, with customers, with a variety of different partners to show true value in real-time data analysis. So that allows people that, or companies that do site applications, for example, to be able track customer usage over time and ensure that the quality of service is being met, to spot real-time fraud or money laundering, to spot multiple logins or hack attempts and those kind of security events, to manage things like set-top boxes or other devices, ATM machines to monitor them in real time for faults, failures that have happened, could happen, will happen in the future based on predictive analysis. And that goes back to the point of streamlining operations that Eric mentioned earlier, to be able to spot when something's going to happen and organize your business to fix those things rather than having to call someone out to actually do something after the fact, which is a lot more expensive.

Consumer analytics is another piece to be able to know when a customer is doing something while they're still there in your store. Data sent to management to be able to in real time monitor resource usage and change where things are running and to be able to know about when things are going to fail in a much more timely fashion.

So that's our products in a nutshell and I'm sure we'll come back to some of these things in the Q&A session. Mulțumesc.

Eric: Yes, indeed. Buna treaba. Okay good. And now next stop in our lightning round, we've got Frank Sanders calling in from MarkLogic. I've known about these guys for a number of years, a very, very interesting database technology. So Frank, I'm turning it over to you. Just click anywhere in that. Use the down arrow on your keyboard and you're off to the races. Acolo te duci.

Frank Sanders: Thank you very much, Eric. So as Eric mentioned, I'm with a company called MarkLogic. And what MarkLogic does is we provide an enterprise NoSQL database. And perhaps, the most important capability that we bring to the table with regards to that is the ability to actually bring all of these disparate sources of information together in order to analyze, search and utilize that information in a system similar to what you're used to with traditional relational systems, right?

And some of the key features that we bring to the table in that regard are all of the enterprise features that you'd expect from a traditional database management system, your security, your HA, your DR, your backup are in store, your asset transactions. As well as the design that allows you to scale out either on the cloud or in the commodity hardware so that you can handle the volume and the velocity of the information that you're going to have to handle in order to build and analyze this sort of information.

And perhaps, the most important capability is that fact that we're scheme agnostic. What that means, practically, is that you don't have to decide what your data is going to look like when you start building your applications or when you start pulling those informations together. But over time, you can incorporate new data sources, pull additional information in and then use leverage and query and analyze that information just as you would with anything that was there from the time that you started the design. Bine?

So how do we do that? How do we actually enable you to load different sorts of information, whether it be text, RDF triples, geospatial data, temporal data, structured data and values, or binaries. And the answer is that we've actually built our server from the ground up to incorporate search technology which allows you to put information in and that information self describes and it allows you to query, retrieve and search that information regardless of its source or format.

And what that means practically is that - and why this is important when you're doing analysis - is that analytics and information is most important ones when it's properly contextualized and targeted, right? So a very important key part of any sort of analytics is search, and the key part is search analytics. You can't really have one without the other and successfully achieve what you set out to achieve. Dreapta?

And I'm going to talk briefly about three and a half different use cases of customers that we have at production that are using MarkLogic to power this sort of analytics. Bine. So the first such customer is Fairfax County. And Fairfax County has actually built two separate applications. One is based around permitting and property management. And the other, which is probably a bit more interesting, is the Fairfax County police events application. What the police events application actually does is it pulls information together like police reports, citizen reports and complaints, Tweets, other information they have such as sex offenders and whatever other information that they have access to from other agencies and sources. Then they allow them to visualize that and present this to the citizens so they can do searches and look at various crime activity, police activity, all through one unified geospatial index, right? So you can ask questions like, "what is the crime rate within five miles" or "what crimes occurred within five miles of my location?" Bine.

Another user that we've got, another customer that we have is OECD. Why OECD is important to this conversation is because in addition to everything that we've enabled for Fairfax County in terms of pulling together information, right; all the information that you would get from all various countries that are members of the OECD that they report on from an economic perspective. We actually laid a target drill into that, right. So you can see on the left-hand side we're taking the view of Denmark specifically and you can kind of see a flower petal above it that rates it on different axes. Dreapta? And that's all well and good. But what the OECD has done is they've gone a step further.

In addition to these beautiful visualizations and pulling all these information together, they're actually allowing you in real time to create your own better life index, right, which you can see on the right-hand side. So what you have there is you have a set of sliders that actually allow you to do things like rank how important housing is to you or income, jobs, community, education, environment, civic engagement, health, life satisfaction, safety and your work/life balance. And dynamically based on how you are actually inputting that information and weighting those things, MarkLogic's using its real-time indexing capability and query capability to actually then change how each and every one of these countries is ranked to give you an idea of how well your country or your lifestyle maps through a given country. Bine?

And the final example that I'm going to share is MarkMail. And what MarkMail really tries to demonstrate is that we can provide these capabilities and you can do the sort of analysis not only on structured information or information that's coming in that's numerical but actually on more loosely structured, unstructured information, right? Things like emails. And what we've seen here is we're actually pulling information like geolocation, sender, company, stacks and concepts like Hadoop being mentioned within the context of an email and then visualizing it on the map as well as looking at who those individuals and what list across that, a sent and a date. This where you're looking at things that are traditionally not structured, that may be loosely structured, but are still able to derive some structured analysis from that information without having to go to a great length to actually try and structure it or process it at a time. Si asta e.

Eric: Hey, okay good. And we got one more. We've got Hannah Smalltree from Treasure Data, a very interesting company. And this is a lot of great content, folks. Thank you so much for all of you for bringing such good slides and such good detail. So Hannah, I just gave the keys to you, click anywhere and use the down arrow on your keyboard. Ai inteles. Ia-o de aici.

Hannah Smalltree: Thank you so much, Eric. This is Hannah Smalltree from Treasure Data. I'm a director with Treasure Data but I have a past as a tech journalist, which means that I appreciate two things. First of all, these can be long to sit through a lot of different descriptions of technology, and it can all sound like it runs together so I really want to focus on our differentiator. And the real-world applications are really important so I appreciate that all of my peers have been great about providing those.

Treasure Data is a new kind of big data service. We're delivered entirely on the cloud in a software as a service or managed-service model. So to Dr. Bloor's point earlier, this technology can be really hard and it can be very time consuming to get up and running. With Treasure Data, you can get all of these kinds of capabilities that you might get in a Hadoop environment or a complicated on-premise environment in the cloud very quickly, which is really helpful for these new big data initiatives.

Now we talk about our service in a few different phases. We offer some very unique collection capabilities for collecting streaming data so particularly event data, other kinds of real-time data. We'll talk a little bit more about those data types. That is a big differentiator for our service. As you get into big data or if you are already in it then you know that collecting this data is not trivial. When you think about a car with 100 sensors sending data every minute, even those 100 sensors sending data every ten minutes, that adds up really quickly as you start to multiply the amount of products that you have out there with sensors and it quickly becomes very difficult to manage. So we are talking with customers who have millions, we have customers who have billions of rows of data a day that they're sending us. And they're doing that as an alternative to try and to manage that themselves in a complicated Amazon infrastructure or even try to bring it into their own environment.

We have our own cloud storage environment. We manage it. We monitor it. We have a team of people that's doing all that tuning for you. And so the data flows in, it goes into our managed storage environment.

Then we have embedded query engines so that your analyst can go in and run queries and do some initial data discovery and exploration against the data. We have a couple of different query engines for it actually now. You can use SQL syntax, which your analysts probably know and love, to do some basic data discovery, to do some more complex analytics that are user-defined functions or even to do things as simple as aggregate that data and make it smaller so that you can bring it into your existing data warehouse environment.

You can also connect your existing BI tools, your Tableau, is a big partner of ours; but really most BIs, visualization or analytics tools can connect via our industry standard JDBC and ODBC drivers. So it gives you this complete set of big data capabilities. You're allowed to export your queries results or data sets anytime for free, so you can easily integrate that data. Treat this as a data refinery. I like to think of it more as a refinery than a lake because you can actually do stuff with it. You can go through, find the valuable information and then bring it into your enterprise processes.

The next slide, we talk about the three Vs of big data - some people say four or five. Our customers tend to struggle with the volume and velocity of the data coming at them. And so to get specific about the data types - Clickstream, Web access logs, mobile data is a big area for us, mobile application logs, application logs from custom Web apps or other applications, event logs. And increasingly, we have a lot of customers dealing with sensor data, so from wearable devices, from products, from automotive, and other types of machine data. So when I say big data, that's the type of big data that I'm talking about.

Now, a few use cases in perspective for you - we work with a retailer, a large retailer. They are very well known in Asia. They're expanding here in the US. You'll start to see stores; they're often called Asian IKEA, so, simple design. They have a loyalty app and a website. And in fact, using Treasure Data, they were able to deploy that loyalty app very quickly. Our customers get up and running within days or weeks because of our software and our service architecture and because we have all of the people doing all of that hard work behind the scenes to give you all of those capabilities as a service.

So they use our service for mobile application analytics looking at the behavior, what people are clicking on in their mobile loyalty application. They look at the website clicks and they combine that with our e-commerce and POS data to design more efficient promotions. They actually wanted to drive people into stores because they found that people, when they go into stores spend more money and I'm like that; to pick up things, you spend more money.

Another use case that we're seeing in digital video games, incredible agility. They want to see exactly what is happening in their game, and make changes to that game even within hours of its release. So for them, that real-time view is incredibly important. We just released a game but we noticed in the first hour that everyone is dropping off at Level 2; how are we going to change that? They might change that within the same day. So real time is very important. They're sending us billions of event logs per day. But that could be any kind of mobile application where you want some kind of real-time view into how somebody's using that.

And finally, a big area for us is our product behavior and sensor analytics. So with sensor data that's in cars, that's in other kinds of machines, utilities, that's another area for us, in wearable devices. We have research and development teams that want to quickly know what the impact of a change to a product is or people interested in the behavior of how people are interacting with the product. And we have a lot more use cases which, of course, we're happy to share with you.

And then finally, just show you how this can fit into your environment, we offer again the capability to collect that data. We have very unique collection technology. So again, if real-time collection is something that you're struggling with or you anticipate struggling with, please come look at the Treasure Data service. We have really made capabilities for collecting streaming data. You can also bulk load your data, store it, analyze it with our embedded query engines and then, as I mentioned, you can export it right to your data warehouse. I think Will mentioned the need to introduce big data into your existing processes. So not go around or create a new silo, but how do you make that data smaller and then move it into your data warehouse and you can connect to your BI, visualization and advanced analytics tools.

But perhaps, the key points I want to leave you with are that we are managed service, that's software as a service; it's very cost effective. A monthly subscription service starting at a few thousand dollars a month and we'll get you up and running in a matter of days or weeks. So compare that with the cost of months and months of building your own infrastructure and hiring those people and finding it and spending all that time on infrastructure. If you're experimenting or if you need something yesterday, you can get up and running really quickly with Treasure Data.

And I'm just pointing you to our website and to our starter service. If you're a hands-on person who likes to play, please check out our starter service. You can get on, no credit card required, just name and email, and you can play with our sample data, load up your own data and really get a sense of what we're talking about. So thanks so much. Also, check our website. We were named the Gartner Cool Vendor in Big Data this year, very proud of that. And you can also get a copy of that report for free on our website as well as many other analyst white papers. So thanks so much.

Eric: Okay, thank you very much. We've got some time for questions here, folks. We'll go a little bit long too because we've got a bunch of folks still on the line here. And I know I've got some questions myself, so let me go ahead and take back control and then I'm going to ask a couple of questions. Robin and Kirk, feel free to dive in as you see fit.

So let me go ahead and jump right to one of these first slides that I checked out from Pentaho. So here, I love this evolving big data architecture, can you kind of talk about how it is that this kind of fits together at a company? Because obviously, you go into some fairly large organization, even a mid-size company, and you're going to have some people who already have some of this stuff; how do you piece this all together? Like what does the application look like that helps you stitch all this stuff together and then what does the interface look like?

Will: Great question. The interfaces are a variety depending on the personas involved. But as an example, we like to tell the story of - one of the panelists mentioned the data refinery use case - we see that a lot in customers.

One of our customer examples that we talk about is Paytronix, where they have that traditional EDW data mart environment. They are also introducing Hadoop, Cloudera in particular, and with various user experiences in that. So first there's an engineering experience, so how do you wire all these things up together? How do you create the glue between the Hadoop environment and EDW?

And then you have the business user experience which we talked about, a number of BI tools out there, right? Pentaho has a more embeddable OEM BI tool but there are great ones out there like Tableau and Excel, for instance, where folks want to explore the data. But usually, we want to make sure that the data is governed, right? One of the questions in the discussions, what about single-version experience, how do you manage that, and without the technology like Pentaho data integration to blend that data together not on the glass but in the IT environments. So it really protects and governs the data and allows for a single experience for the business analyst and business users.

Eric: Okay, good. That's a good answer to a difficult question, quite frankly. And let me just ask the question to each of the presenters and then maybe Robin and Kirk if you guys want to jump in too. So I'd like to go ahead and push this slide for WebAction which I do think is really a very interesting company. Actually, I know Sami Akbay who is one of the co-founders, as well. I remember talking to him a couple years ago and saying, "Hey man, what are you doing? What are you up to? I know you've got to be working on something." And of course, he was. He was working on WebAction, under the covers here.

A question came in for you, Steve, so I'll throw it over to you, of data cleansing, right? Can you talk about these components of this real-time capability? How do you deal with issues like data cleansing or data quality or how does that even work?

Steve: So it really depends on where you're getting your feeds from. Typically, if you're getting your feeds from a database as you change data capture then, again, it depends there on how the data was entered. Data cleansing really becomes a problem when you're getting your data from multiple sources or people are entering it manually or you kind of have arbitrary texts that you have to try and pull things out of. And that could certainly be part of the process, although that type simply doesn't lend itself to true, kind of, high-speed real-time processing. Data cleansing, typically, is an expensive process.

So it may well be that that could be done after the fact in the store site. But the other thing that the platform is really, really good at is correlation, so in correlation and enrichment of data. You can, in real time, correlate the incoming data and check to see whether it matches a certain pattern or it matches data that's being retrieved from a database or Hadoop or some other store. So you can correlate it with historical data, is one thing you could do.

The other thing that you can do is basically do analysis on that data and see whether it kind of matches certain required patterns. And that's something that you can also do in real time. But the traditional kind of data cleansing, where you're correcting company names or you're correcting addresses and all those types of things, those should probably be done in the source or kind of after the fact, which is very expensive and you pray that they won't do those in real time.

Eric: Yeah. And you guys are really trying to address the, of course, the real-time nature of things but also get the people in time. And we talked about, right, I mentioned at the top of the hour, this whole window of opportunity and you're really targeting specific applications at companies where you can pull together data not going the usual route, going this alternate route and do so in such a low latency that you can keep customers. For example, you can keep people satisfied and it's interesting, when I talked to Sami at length about what you guys are doing, he made a really good point. He said, if you look at a lot of the new Web-based applications; let's look at things like Twitter, Bitly or some of these other apps; they're very different than the old applications that we looked at from, say, Microsoft like Microsoft Word.

I often use Microsoft as sort of a whipping boy and specifically Word to talk about the evolution of software. Because Microsoft Word started out as, of course, a word processing program. I'm one of those people who remember Word Perfect. I loved being able to do the reveal keys or the reveal code, basically, which is where you could see the actual code in there. You could clean something up if your bulleted list was wrong, you can clean it up. Well, Word doesn't let you do that. And I can tell you that Word embeds a mountain of code inside every page that you do. If anyone doesn't believe me, then go to Microsoft Word, type "Hello World" and then do "Export as" or "Save as" .html. Then open that document in a text editor and that will be about four pages long of codes just for two words.

So you guys, I thought it was very interesting and it's time we talked about that. And that's where you guys focus on, right, is identifying what you might call cross-platform or cross-enterprise or cross-domain opportunities to pull data together in such quick time that you can change the game, right?

Steve: Yeah, absolutely. And one of the keys that, I think, you did elude to, anyway, is you really want to know about things happening before your customers do or before they really, really become a problem. As an example are the set-top boxes. Cable boxes, they emit telemetry all the time, loads and loads of telemetry. And not just kind of the health of the box but it's what you're watching and all that kind of stuff, right? The typical pattern is you wait till the box fails and then you call your cable provider and they'll say, "Well, we will get to you sometime between the hours of 6am and 11pm in the entire month of November." That isn't a really good customer experience.

But if they could analyze that telemetry in real time then they could start to do things like that we know these boxes are likely to fail in the next week based historical patterns. Therefore we'll schedule our cable repair guy to turn up at this person's house prior to it failing. And we'll do that in a way that suits us rather than having to send him from Santa Cruz up to Sunnyvale. We'll schedule everything in a nice order, traveling salesman pattern, etc., so that we can optimize our business. And so the customer is happy because they don't have a failing cable box. And the cable provider is happy because they have just streamlined things and they don't have to send people all over the place. That's just a very quick example. But there are tons and tons of examples where knowing about things as they happen, before they happen, can save companies a fortune and really, really improve their customer relations.

Eric: Yeah, right. Nu există nici o îndoială. Let's go ahead and move right on to MarkLogic. As I mentioned before, I've known about these guys for quite some time and so I'll bring you into this, Frank. You guys were far ahead of the whole big data movement in terms of building out your application, it's really database. But building it out and you talked about the importance of search.

So a lot of people who followed the space know that a lot of the NoSQL tools out there are now bolting on search capabilities whether through third parties or they try to do their own. But to have that search already embedded in that, baked-in so to speak, really is a big deal. Because if you think about it, if you don't have SQL, well then how do you go in and search the data? How do you pull from that data resource? And the answer is to typically use search to get to the data that you're looking for, right?

So I think that's one of the key differentiators for you guys aside being able to pull data from all these different sources and store that data and really facilitate this sort of hybrid environment. I'm thinking that search capability is a big deal for you, right?

Frank: Yeah, absolutely. In fact, that's the only way to solve the problem consistently when you don't know what all the data is going to look like, right? If you cannot possibly imagine all the possibilities then the only way to make sure that you can locate all the information that you want, that you can locate it consistently and you can locate it regardless of how you evolve your data model and your data sets is to make sure you give people generic tools that allow them to interrogate that data. And the easiest, most intuitive way to do that is through a search paradigm, right? And through the same approach in search takes where we created an inverted index. You have entries where you can actually look into those and then find records and documents and rows that actually contain the information you're looking for to then return it to the customer and allow them to process it as they see fit.

Eric: Yeah and we talked about this a lot, but you're giving me a really good opportunity to kind of dig into it - the whole search and discovery side of this equation. But first of all, it's a lot of fun. For anyone who likes that stuff, this is the fun part, right? But the other side of the equation or the other side of the coin, I should say, is that it really is an iterative process. And you got to be able to - here I'll be using some of the marketing language - have that conversation with the data, right? In other words, you need to be able to test the hypothesis, play around with it and see how that works. Maybe that's not there, test something else and constantly change things and iterate and search and research and just think about stuff. And that's a process. And if you have big hurdles, meaning long latencies or a difficult user interface or you got to go ask IT; that just kills the whole analytical experience, right?

So it's important to have this kind of flexibility and to be able to use searches. And I like the way that you depicted it here because if we're looking at searching around different, sort of, concepts or keys, if you will, key values and they're different dimensions. You want to be able to mix and match that stuff in order to enable your analyst to find useful stuff, right?

Frank: Yeah, absolutely. I mean, hierarchy is an important thing as well, right? So that when you include something like a title, right, or a specific term or value, that you can actually point to the correct one. So if you're looking for a title of an article, you're not getting titles of books, right? Or you're not getting titles of blog posts. The ability to distinguish between those and through the hierarchy of the information is important as well.

You pointed out earlier the development, absolutely, right? The ability for our customers to actually pull in new data sources in a matter of hours, start to work with them, evaluate whether or not they're useful and then either continue to integrate them or leave them by the wayside is extremely valuable. When you compare it to a more traditional application development approach where what you end up doing is you have to figure out what data you want to ingest, source the data, figure out how you're going to fit it in your existing data model or model that in, change that data model to incorporate it and then actually begin the development, right? Where we kind of turn that on our head and say just bring it to us, allow you to start doing the development with it and then decide later whether or not you want to keep it or almost immediately whether or not it's of value.

Eric: Yeah, it's a really good point. E o idee buna. So let me go ahead and bring in our fourth presenter here, Treasure Data. I love these guys. I didn't know much about them so I'm kind of kicking myself. And then Hannah came to us and told us what they were doing. And Hannah mentioned, she was a media person and she went over to the dark side.

Hannah: I did, I defected.

Eric: That's okay, though, because you know what we like in the media world. So it's always nice when a media person goes over to the vendor side because you understand, hey, this stuff is not that easy to articulate and it can be difficult to ascertain from a website exactly what this product does versus what that product does. And what you guys are talking about is really quite interesting. Now, you are a cloud-managed service. So any data that someone wants to use they upload to your cloud, is that right? And then you will ETL or CDC, additional data up to the cloud, is that how that works?

Hannah: Well, yeah. So let me make an important distinction. Most of the data, the big data, that our customers are sending us is already outside the firewall - mobile data, sensor data that's in products. And so we're often used as an interim staging area. So data is not often coming from somebody's enterprise into our service so much as it's flowing from a website, a mobile application, a product with lots of sensors in it - into our cloud environment.

Now if you'd like to enrich that big data in our environment, you can definitely bulk upload some application data or some customer data to enrich that and do more of the analytics directly in the cloud. But a lot of our value is around collecting that data that's already outside the firewall, bringing together into one place. So even if you do intend to bring this up sort of behind your firewall and do more of your advanced analytics or bring it into your existing BI or analytics environment, it's a really good staging point. Because you don't want to bring a billion rows of day into your data warehouse, it's not cost effective. It's even difficult if you're planning to store that somewhere and then batch upload.

So we're often the first point where data is getting collected that's already outside firewall.

Eric: Yeah, that's a really good point, too. Because a lot of companies are going to be nervous about taking their proprietary customer data, putting it up in the cloud and to manage the whole process.

Hannah: Yeah.

Eric: And what you're talking about is really getting people a resource for crunching those heavy duty numbers of, as you suggest, data that's third party like mobile data and the social data and all that kind of fun stuff. That's pretty interesting.

Hannah: Yeah, absolutely. And probably they are nervous about the products because the data are already outside. And so yeah, before bringing it in, and I really like that refinery term, as I mentioned, versus the lake. So can you do some basic refinery? Get the good stuff out and then bring it behind the firewall into your other systems and processes for deeper analysis. So it's really all data scientists can do, real-time data exploration of this new big data that's flowing in.

Eric: Yeah, that's right. Well, let me go ahead and bring in our analysts and we'll kind of go back in reverse order. I'll start with you, Robin, with respect to Treasure Data and then we'll go to Kirk for some of the others. And then back to Robin and back to Kirk just to kind of get some more assessment of this.

And you know the data refinery, Robin, that Hannah is talking about here. I love that concept. I've heard only a few people talking about it that way but I do think that you certainly mentioned that before. And it really does speak to what is actually happening to your data. Because, of course, a refinery, it basically distills stuff down to its root level, if you think about oil refineries. I actually studied this for a while and it's pretty basic, but the engineering that goes into it needs to be exactly correct or you don't get the stuff that you want. So I think it's a great analogy. What do you think about this whole concept of the Treasure Data Cloud Service helping you tackle some of those very specific analytical needs without having to bring stuff in-house?

Robin: Well, I mean, obviously depending on the circumstances to how convenient that is. But anybody that's actually got already made process is already going to put you ahead of the game if you haven't got one yourself. This is the first takeaway for something like that. If somebody assembled something, they've done it, it's proven in the marketplace and therefore there's some kind of value in effect, well, the work is already gone into it. And there's also the very general fact that refining of data is going to be a much bigger issue than it ever was before. I mean, it is not talked about, in my opinion anyway, it's not talked about as much as it should be. Simply apart from the fact that size of the data has grown and the number of sources and the variety of those sources has grown quite considerably. And the reliability of the data in terms of whether it's clean, they need to disambiguate the data, all sorts of issues that rise just in terms of the governance of the data.

So before you actually get around to being able to do reliable analysis on it, you know, if your data's dirty, then your results will be skewed in some way or another. So that is something that has to be addressed, that has to be known about. And the triangulator of providing, as far as I can see, a very viable service to assist in that.

Eric: Yes, indeed. Well, let me go ahead and bring Kirk back into the equation here just real quickly. I wanted to take a look at one of these other slides and just kind of get your impression of things, Kirk. So maybe let's go back to this MarkLogic slide. And by the way, Kirk provided the link, if you didn't see it folks, to some of his class discovery slides because that's a very interesting concept. And I think this is kind of brewing at the back of my mind, Kirk, as I was talking about this a moment ago. This whole question that one of the attendees posed about how do you go about finding new classes. I love this topic because it really does speak to the sort of, the difficult side of categorizing things because I've always had a hard time categorizing stuff. I'm like, "Oh, god, I can fit in five categories, where do I put it?" So I just don't want to categorize anything, right?

And that's why I love search, because you don't have to categorize it, you don't have to put it in the folder. Just search for it and you'll find it if you know how to search. But if you're in that process of trying to segment, because that's basically what categorization is, it's segmenting; finding new classes, that's kind of an interesting thing. Can you kind of speak to the power of search and semantics and hierarchies, for example, as Frank was talking about with respect to MarkLogic and the role that plays in finding new classes, what do you think about that?

Kirk: Well, first of all, I'd say you are reading my mind. Because that was what I was thinking of a question even before you were talking, this whole semantic piece here that MarkLogic presented. And if you come back to my slide, you don't have to do this, but back on the slide five on what I presented this afternoon; I talked about this semantics that the data needs to be captured.

So this whole idea of search, there you go. I firmly believe in that and I've always believed in that with big data, sort of take the analogy of Internet, I mean, just the Web, I mean having the world knowledge and information and data on a Web browser is one thing. But to have it searchable and retrievable efficiently as one of the big search engine companies provide for us, then that's where the real power of discovery is. Because connecting the search terms, sort of the user interests areas to the particular data granule, the particular webpage, if you want to think the Web example or the particular document if you're talking about document library. Or a particular customer type of segment if that's your space.

And semantics gives you that sort of knowledge layering on top of just a word search. If you're searching for a particular type of thing, understanding that a member of a class of such things can have a certain relationship to other things. Even include that sort of relationship information and that's a class hierarchy information to find things that are similar to what you're looking for. Or sometimes even the exact opposite of what you're looking for, because that in a way gives you sort of additional core of understanding. Well, probably something that's opposite of this.

Eric: Yeah.

Kirk: So actually understand this. I can see something that's opposite of this. And so the semantic layer is a valuable component that's frequently missing and it's interesting now that this would come up here in this context. Because I've taught a graduate course in database, data mining, learning from data, data science, whatever you want to call it for over a decade; and one of my units in this semester-long course is on semantics and ontology. And frequently my students would look at me like, what does this have to do with what we're talking about? And of course at the end, I think we do understand that putting that data in some kind of a knowledge framework. So that, just for example, I'm looking for information about a particular customer behavior, understanding that that behavior occurs, that's what the people buy at a sporting event. What kind of products do I offer to my customers when I notice on their social media - on Twitter or Facebook - that they say they're going to a sporting event like football, baseball, hockey, World Cup, whatever it might be.

Okay, so sporting event. So they say they're going to, let's say, a baseball game. Okay, I understand that baseball is a sporting event. I understand that's usually a social and you go with people. I understand that it's usually in an outdoor space. I mean, understanding all those contextual features, it enables sort of, more powerful, sort of, segmentation of the customer involved and your sort of personalization of the experience that you're giving them when, for example, they're interacting with your space through a mobile app while they're sitting in a stadium.

So all that kind of stuff just brings so much more power and discovery potential to the data in that sort of indexing idea of indexing data granules by their semantic place and the knowledge space is really pretty significant. And I was really impressed that came out today. I think it's sort of a fundamental thing to talk.

Eric: Yeah, it sure is. It's very important in the discovery process, it's very important in the classification process. And if you think about it, Java works in classes. It's an object oriented, I guess, more or less, you could say form of programming and Java works in classes. So if you're actually designing software, this whole concept of trying to find new classes is actually pretty important stuff in terms of the functionality you're trying to deliver. Because especially in this new wild, wooly world of big data where you have so much Java out there running so many of these different applications, you know there are 87, 000 ways or more to get anything done with a computer, to get any kind of bit of functionality done.

One of my running jokes when people say, "Oh, you can build a data warehouse using NoSQL." I'm like, "well, you could, yeah, that's true. You could also build a data warehouse using Microsoft Word." It's not the best idea, it's not going to perform very well but you can actually do it. So the key is you have to find the best way to do something.

Dați-i drumul.

Kirk: Let me just respond to that. It's interesting you mentioned the Java class example which didn't come into my mind until you said it. One of the aspects of Java and classes and that sort of object orientation is that there are methods that bind to specific classes. And this is really the sort of a message that I was trying to send in my presentation and that once you understand some of these data granules - these knowledge nuggets, these tags, these annotations and these semantic labels - then you can bind a method to that. They basically have this reaction or this response and have your system provide this sort of automated, proactive response to this thing the next time that we see it in the data stream.

So that concept of binding actions and methods to specific class is really one of the powers of automated real-time analytics. And I think that you sort of hit on something.

Eric: Good, good, good. Well, this is good stuff. So let's see, Will, I want to hand it back to you and actually throw a question to you from the audience. We got a few of those in here too. And folks, we're going long because we want to get some of these great concepts in these good questions.

So let me throw a question over to you from one of the audience numbers who's saying, "I'm not really seeing how business intelligence is distinguishing cause and effect." In other words, as the systems are making decisions based on observable information, how do they develop new models to learn more about the world? It's an interesting point so I'm hearing a cause-and-effect correlation here, root cause analysis, and that's some of that sort of higher-end stuff in the analytics that you guys talk about as opposed to traditional BI, which is really just kind of reporting and kind of understanding what happened. And of course, your whole direction, just looking at your slide here, is moving toward that predictive capability toward making those decisions or at least making those recommendations, right? So the idea is that you guys are trying to service the whole range of what's going on and you're understanding that the key, the real magic, is in the analytical goal component there on the right.

Will: Absolutely. I think that question is somewhat peering into the future, in the sense that data science, as I mentioned before, we saw the slide with the requirements of the data scientist; it's a pretty challenging role for someone to be in. They have to have that rich knowledge of statistics and science. You need to have the domain knowledge to apply your mathematical knowledge to the domains. So what we're seeing today is there aren't these out-of-the-box predictive tools that a business user, like, could pull up in Excel and automatically predict their future, right?

It does require that advanced knowledge in technology at this stage. Now someday in the future, it may be that some of these systems, these scale-out systems become sentient and start doing some wild stuff. But I would say at this stage, you still have to have a data scientist in the middle to continue to build models, not these models. These predictive models around data mining and such are highly tuned in and built by the data scientist. They're not generated on their own, if you know what I mean.

Eric: Yeah, exactly. That's exactly right. And one of my lines is "Machines don't lie, at least not yet."

Will: Not yet, exactly.

Eric: I did read an article - I have to write something about this - about some experiment that was done at a university where they said that these computer programs learned to lie, but I got to tell you, I don't really believe it. We'll do some research on that, folks.

And for the last comment, so Robin I'll bring you back in to take a look at this WebAction platform, because this is very interesting. This is what I love about a whole space is that you get such different perspectives and different angles taken by the various vendors to serve very specific needs. And I love this format for our show because we got four really interesting vendors that are, frankly, not really stepping on each others' toes at all. Because we're all doing different bits and pieces of the same overall need which is to use analytics, to get stuff done.

But I just want to get your perspective on this specific platform and their architecture. How they're going about doing things. I find it pretty compelling. Tu ce crezi?

Robin: Well, I mean, it's pointed at extremely fast results from streaming data and as search, you have to architect for that. I mean, you're not going to get away with doing anything, amateurish, as we got any of that stuff. I hear this is extremely interesting and I think that one of the things that we witnessed over the past; I mean I think you and I, our jaw has been dropping more and more over the past couple of years as we saw more and more stuff emerge that was just like extraordinarily fast, extraordinarily smart and pretty much unprecedented.

This is obviously, WebAction, this isn't its first rodeo, so to speak. It's actually it's been out there taking names to a certain extent. So I don't see but supposed we should be surprised that the architecture is fairly switched but it surely is.

Eric: Well, I'll tell you what, folks. We burned through a solid 82 minutes here. I mean, thank you to all those folks who have been listening the whole time. If you have any questions that were not answered, don't be shy, send an email to yours truly. We should have an email from me lying around somewhere. And a big, big thank you to both our presenters today, to Dr. Kirk Borne and to Dr. Robin Bloor.

Kirk, I'd like to further explore some of that semantic stuff with you, perhaps in a future webcast. Because I do think that we're at the beginning of a very new and interesting stage now. What we're going to be able to leverage a lot of the ideas that the people have and make them happen much more easily because, guess what, the software is getting less expensive, I should say. It's getting more usable and we're just getting all this data from all these different sources. And I think it's going to be a very interesting and fascinating journey over the next few years as we really dig into what this stuff can do and how can it improve our businesses.

So big thank you to Techopedia as well and, of course, to our sponsors - Pentaho, WebAction, MarkLogic and Treasure Data. And folks, wow, with that we're going to conclude, but thank you so much for your time and attention. We'll catch you in about a month and a half for the next show. And of course, the briefing room keeps on going; radio keeps on going; all our other webcast series keep on rocking and rolling, folks. Mulțumesc mult. We'll catch you next time. Pa! Pa.