বিশ্লেষণগুলি কীভাবে ব্যবসায়ের উন্নতি করতে পারে? - প্রযুক্তিগত পর্ব 2 ট্রান্সক্রিপ্ট

সম্পাদকের দ্রষ্টব্য: এটি আমাদের অতীত ওয়েবকাস্টগুলির একটির প্রতিলিপি। পরবর্তী পর্বটি দ্রুত হাজির হচ্ছে, নিবন্ধন করতে এখানে ক্লিক করুন।

এরিক কাভানাঘ: মহিলা ও ভদ্রলোকগণ, হ্যালো এবং টেকুইয়েসির দ্বিতীয় পর্বে আবারো স্বাগতম। হ্যাঁ, সত্যই, এখন সময় এসেছে বিজ্ঞ লোকদের পাওয়ার! আমাদের এই প্রচেষ্টায় সহায়তার জন্য আজ লাইনে সত্যিকারের স্মার্ট লোকদের একগুচ্ছ পেয়েছি। আমার নাম অবশ্যই এরিক কাভানাঘ। এই বাজ-বৃত্তাকার অধিবেশনের জন্য আমি আপনার হোস্ট, আপনার মডারেটর হব। ভাবেন, আমাদের এখানে প্রচুর সামগ্রী রয়েছে। ব্যবসায় আমাদের বেশ কিছু বড় নাম রয়েছে, যারা আমাদের মহাকাশে বিশ্লেষক হয়েছিলেন এবং সবচেয়ে আকর্ষণীয় বিক্রেতার মধ্যে চারজন রয়েছেন। সুতরাং আমরা আজ কলটিতে অনেক ভাল ক্রিয়া করব। এবং অবশ্যই, আপনি দর্শকদের মধ্যে প্রশ্ন জিজ্ঞাসা করতে গুরুত্বপূর্ণ ভূমিকা পালন করে।

তাই আবারও শোটি টেকুইয়েস এবং আজকের বিষয়টি "কীভাবে বিশ্লেষণকে ব্যবসায় উন্নত করতে পারে?" স্পষ্টতই, এটি একটি উত্তপ্ত বিষয় যেখানে এটি আপনি করতে পারেন এমন বিভিন্ন ধরণের বিশ্লেষণগুলি বোঝার চেষ্টা করতে চলেছে এবং কীভাবে এটি আপনার ক্রিয়াকলাপকে উন্নত করতে পারে কারণ দিনের শেষদিকে এটিই তাই।

সুতরাং আপনি নিজেকে শীর্ষে দেখতে পারেন, এটি সত্যই আপনার। জর্জ ম্যাসন বিশ্ববিদ্যালয়ের একজন ভাল বন্ধু ড। তিনি প্রচুর পরিমাণে অভিজ্ঞতার সাথে এই ডেটা বিজ্ঞানী, এই স্থান এবং ডেটা মাইনিং এবং বিগ ডেটা এবং সমস্ত ধরণের মজাদার জিনিসগুলির মধ্যে খুব গভীর দক্ষতা। এবং অবশ্যই, আমাদের ব্লুর গ্রুপের চিফ অ্যানালিস্ট রবিন ব্লুর, আমাদের নিজস্ব নিজস্ব। যিনি বহু বছর আগে একটি প্রকৃতি হিসাবে প্রশিক্ষিত হয়েছিল। এবং তিনি গত অর্ধ দশক ধরে পুরো পুরো ডেটা স্পেস এবং বিশ্লেষণী স্পেসের প্রতি সত্যই মনোনিবেশ করেছেন। আমরা প্রতি সেউ ব্লার গ্রুপ চালু করার প্রায় পাঁচ বছর হয়ে গেছে। আপনি মজা করার সময় তাই সময় উড়ে।

আমরা পেন্টাহোর প্রধান স্থপতি উইল গোরম্যানের কাছ থেকেও শুনতে যাচ্ছি; স্টিভ উইলকস, ওয়েবঅ্যাকশনের সিসিও; ফ্রাঙ্ক স্যান্ডার্স, মার্কলজিকের টেকনিক্যাল ডিরেক্টর; এবং ট্রেজার ডেটার ডিরেক্টর হান্না স্মল্ট্রি। সুতরাং আমি যেমন বলেছি, এটি অনেকগুলি বিষয়বস্তু।

তাহলে বিশ্লেষণগুলি কীভাবে আপনার ব্যবসাকে সহায়তা করতে পারে? ঠিক আছে, কীভাবে এটি আপনার ব্যবসাকে বেশ স্পষ্টভাবে সহায়তা করতে পারে না? বিশ্লেষণগুলি এমন জিনিসগুলি ব্যবহার করতে পারে যা আপনার সংস্থার উন্নতি করে ways

সুতরাং অপারেশন স্ট্রিমলাইন। এটি এমন একটি যা আপনি বিপণন বা উপার্জন বাড়ানো বা সুযোগগুলি চিহ্নিত করার মতো জিনিসগুলি সম্পর্কে তেমন কিছু শোনেন না। তবে আপনার ক্রিয়াকলাপকে সহজ করে তোলা হ'ল এটি হ'ল সত্যই শক্তিশালী জিনিস যা আপনি আপনার সংস্থার পক্ষে করতে পারেন কারণ আপনি এমন জায়গাগুলি সনাক্ত করতে পারেন যেখানে আপনি কোনও কিছু আউটসোর্স করতে পারেন বা উদাহরণস্বরূপ কোনও নির্দিষ্ট প্রক্রিয়াতে আপনি ডেটা যুক্ত করতে পারেন। এবং এটি কল করার জন্য কাউকে ফোন তুলতে বা ইমেল করার জন্য কাউকে ফোন না নেওয়ার মাধ্যমে এটিকে প্রবাহিত করতে পারে। এমন অনেকগুলি বিভিন্ন উপায় রয়েছে যা আপনি নিজের ক্রিয়াকলাপকে প্রবাহিত করতে পারেন। এবং এগুলি সবই আপনার ব্যয় হ্রাস করতে সহায়তা করে, তাই না? এটাই চাবি, এটি ব্যয়টি কমিয়ে আনে। তবে এটি আপনাকে আপনার গ্রাহকদের আরও ভালভাবে সেবা দেওয়ার অনুমতি দেয়।

এবং যদি আপনি কীভাবে অধৈর্য মানুষ হয়ে পড়েছেন সে সম্পর্কে যদি আপনি চিন্তা করেন এবং আমি প্রতিটি একদিন দেখতে পেলাম কীভাবে লোকেরা অনলাইনে ইন্টারেক্ট করে, এমনকি আমাদের শো, পরিষেবা সরবরাহকারীদের সাথেও আমরা কীভাবে ব্যবহার করি। লোকেরা যে ধৈর্য ধারণ করে, মনোযোগ দিনক্ষণ তা ততই কম। এবং এর অর্থ হ'ল আপনার সংগঠন হিসাবে আপনার গ্রাহকদের সন্তুষ্ট করতে সক্ষম হতে দ্রুত এবং দ্রুত সময়ের মধ্যে সাড়া দেওয়ার দরকার।

সুতরাং, উদাহরণস্বরূপ, যদি কেউ আপনার ওয়েবকাস্ট সাইটে থাকে বা কিছু খুঁজে পাওয়ার চেষ্টা করছে তবে তারা হতাশ হয়ে পড়ে এবং তারা চলে যায়, তবে, আপনি কেবল একজন গ্রাহককে হারিয়েছেন। এবং আপনি আপনার পণ্য বা পরিষেবাটির জন্য কত বেশি চার্জ করেন তার উপর নির্ভর করে এবং সম্ভবত এটি খুব বড় বিষয়। সুতরাং নীচের লাইনটি হ'ল ক্রিয়াকলাপটি চালানো অপারেশনগুলি, আমি মনে করি, বিশ্লেষণ প্রয়োগের জন্য হটেস্ট স্পেসগুলির মধ্যে একটি। এবং আপনি এটি সংখ্যাগুলি দেখে, ডেটা ক্রাঞ্চ করে, বের করে, উদাহরণস্বরূপ, "আরে, আমরা কেন আমাদের ওয়েবসাইটের এই পৃষ্ঠায় এত লোককে হারাচ্ছি?" "এই মুহুর্তে আমরা এই ফোন কলগুলির কিছু কেন পাচ্ছি?"

এবং আপনি যেমন ধরণের প্রতিক্রিয়া জানাতে পারেন তত বেশি সময়, আপনি পরিস্থিতি উপরে উঠে আসার এবং আরও দেরী হওয়ার আগে এটি সম্পর্কে কিছু করার আরও ভাল সম্ভাবনা রয়েছে। কারণ সেই সময়কার উইন্ডোটি যখন কেউ কোনও বিষয় নিয়ে বিরক্ত হয় তখন তারা অসন্তুষ্ট হয় বা তারা কিছু খুঁজে পাওয়ার চেষ্টা করে তবে তারা হতাশ হয়; আপনি তাদের কাছে পৌঁছানোর, তাদের দখল করার জন্য, সেই গ্রাহকের সাথে যোগাযোগ করার জন্য সুযোগের একটি উইন্ডো পেয়েছেন। এবং যদি আপনি সঠিক উপায়ে বা দুর্দান্ত গ্রাহকের ছবি দিয়ে সঠিকভাবে তা করেন - এই গ্রাহক কে, তাদের লাভ কী, তাদের পছন্দগুলি কী তা বোঝা - যদি আপনি সত্যিই এটির একটি হ্যান্ডেল পেতে পারেন তবে আপনি যাচ্ছেন আপনার গ্রাহকদের ধরে রাখা এবং নতুন গ্রাহকদের পাওয়ার একটি দুর্দান্ত কাজ। এবং এটাই সব কথা।

সুতরাং যে সঙ্গে, আমি এটি হস্তান্তর করতে যাচ্ছি, আসলে, আজ ডাকে আমাদের তথ্য বিজ্ঞানীদের এক কર્ક বোর্নে। লোকেরা, আজকাল তারা খুব বিরল। আমরা তাদের মধ্যে দু'জনকে কমপক্ষে কল পেয়েছি যাতে এটি বড় কথা। সেই সাথে, কર્ક, আমি বিশ্লেষণ এবং এটি কীভাবে ব্যবসায়কে সহায়তা করে সে সম্পর্কে কথা বলার জন্য এটি আপনার হাতে তুলে দেব। এটার জন্য যাও.

ডাঃ কার্ক বোর্ন: আচ্ছা, এরিক আপনাকে অনেক ধন্যবাদ। তুমি কি শুনতে পাচ্ছ?

এরিক: ঠিক আছে, এগিয়ে যাও।

ডঃ কির্ক: ঠিক আছে, ভাল আমি কেবল পাঁচ মিনিটের জন্য কথা বললে ভাগ করতে চাই এবং লোকেরা আমার দিকে হাত বাড়িয়ে দিচ্ছে। সুতরাং এরিক, যে আপনি এই বিষয়টির সাথে সত্যই আবদ্ধ হয়েছিলেন তার উদ্বোধনী মন্তব্য আমি পরের কয়েক মিনিটের মধ্যে সংক্ষেপে কথা বলতে যাচ্ছি যেখানে এটি সমর্থন করার সিদ্ধান্ত নেওয়ার সিদ্ধান্তের জন্য ডেটা এবং বিশ্লেষণের ব্যবহার big অপারেশনাল স্ট্রিমলাইনিং সম্পর্কে আপনি যে মন্তব্য করেছিলেন, আমার কাছে তা একরকম অপারেশনাল বিশ্লেষণের এই ধারণার মধ্যে পড়ে যা আপনি বিজ্ঞানের প্রয়োগ, ব্যবসা, একটি সাইবার সুরক্ষা এবং আইন প্রয়োগকারী এবং এবং বিশ্বজুড়ে প্রতিটি অ্যাপ্লিকেশন সম্পর্কে দেখতে পারেন and সরকার, স্বাস্থ্যসেবা। যে কোনও স্থানে আমাদের কাছে ডেটা প্রবাহ রয়েছে এবং আমরা সেই ডেটা স্ট্রিমে দেখি এমন ইভেন্ট এবং সতর্কতা এবং আচরণগুলির প্রতিক্রিয়াতে এক ধরণের প্রতিক্রিয়া বা সিদ্ধান্ত নিচ্ছি।

এবং তাই আমি আজ যে বিষয়গুলির বিষয়ে কথা বলতে চাই তার মধ্যে একটি হ'ল আপনি কীভাবে বড় ডেটা থেকে জ্ঞান এবং অন্তর্দৃষ্টিগুলি সরিয়ে নিচ্ছেন সেদিকে পৌঁছানোর জন্য যেখানে আমরা আসলে পদক্ষেপ নেওয়ার সিদ্ধান্ত নিতে পারি। এবং প্রায়শই আমরা অটোমেশন প্রসঙ্গে এটি সম্পর্কে কথা বলি। এবং আজ আমি লুপে মানব বিশ্লেষকের সাথে অটোমেশনটি মিশ্রিত করতে চাই। সুতরাং এর অর্থ হ'ল ব্যবসায়ের বিশ্লেষক এখানে বাজি, যোগ্যতা অর্জন, নির্দিষ্ট ক্রিয়া বা মেশিন লার্নিং বিধিগুলির যাবতীয় তথ্য যা আমরা তথ্য থেকে বের করি তার ক্ষেত্রে এখানে গুরুত্বপূর্ণ ভূমিকা পালন করে। তবে আমরা যদি এমন কোনও জায়গায় পৌঁছে যাই যেখানে আমরা যে ব্যবসায়িক বিধিগুলি উত্তোলন করেছি এবং আমাদের সতর্ক করার ব্যবস্থাগুলি বৈধ, তখন আমরা যথেষ্ট পরিমাণে নিশ্চিত হয়েছি তবে আমরা এটিকে একটি স্বয়ংক্রিয় প্রক্রিয়াতে পরিণত করতে পারি। আমরা আসলে সেই অপারেশনাল স্ট্রিমলাইনিং করি যা এরিকের কথা বলছিল।

সুতরাং আমি এখানে শব্দের উপর একটি সামান্য খেলা আছে তবে আমি আশা করি, এটি যদি আপনার পক্ষে কাজ করে তবে আমি ডি 2 ডি চ্যালেঞ্জ সম্পর্কে কথা বললাম। এবং ডি 2 ডি, কেবলমাত্র সমস্ত প্রসঙ্গে সিদ্ধান্তের তথ্য নয়, আমরা এই স্লাইডের নীচের অংশে এটি দেখছি আশা করি আপনি এটি দেখতে পাবেন, আবিষ্কারগুলি তৈরি করে আমাদের বিশ্লেষণের পাইপলাইনগুলি থেকে আয় ডলার বৃদ্ধি পাবে।

সুতরাং এই প্রসঙ্গে, আমার কাছে এখানে নিজের কাছে বিপণকের ভূমিকাটি এখন আমি এখন যা নিয়ে কাজ করি তা হ'ল; আপনি প্রথমে যা করতে চান তা হ'ল আপনার ডেটা বৈশিষ্ট্যযুক্ত করা, বৈশিষ্ট্যগুলি আহরণ করা, আপনার গ্রাহকদের বৈশিষ্ট্য বা এটি যে কোনও সত্তা যা আপনি নিজের জায়গাতে ট্র্যাক করছেন ract হতে পারে এটি স্বাস্থ্য বিশ্লেষণ পরিবেশে একজন রোগী। আপনি যদি কোনও সাইবার সুরক্ষা ইস্যুতে বাছাই করে থাকেন তবে এটি কোনও ওয়েব ব্যবহারকারী হতে পারে। তবে বৈশিষ্ট্যগুলি চিহ্নিত করুন এবং বৈশিষ্ট্যগুলি বের করুন এবং তারপরে সেই সত্তা সম্পর্কে সেই স্বতন্ত্র সম্পর্কে কিছু প্রসঙ্গ বের করুন। এবং তারপরে আপনি সেই টুকরোগুলি সংগ্রহ করেন যা আপনি সবে তৈরি করেছেন এবং সেগুলি কোনও ধরণের সংগ্রহের মধ্যে রেখেছেন যা থেকে আপনি মেশিন লার্নিং অ্যালগরিদম প্রয়োগ করতে পারেন।

আমি এটি এইভাবে বলার কারণটি হ'ল, কেবল এটি বলা যাক, আপনার বিমানবন্দরে একটি নজরদারি ক্যামেরা রয়েছে। ভিডিওটি নিজেই একটি বিশাল, বৃহত পরিমাণ এবং এটিও খুব অরক্ষিত। তবে আপনি ভিডিও নজরদারি, ফেসিয়াল বায়োমেট্রিক্স থেকে আহরণ করতে পারেন এবং নজরদারি ক্যামেরায় থাকা ব্যক্তিদের সনাক্ত করতে পারেন। সুতরাং উদাহরণস্বরূপ, বিমানবন্দরে, আপনি নির্দিষ্ট ব্যক্তিদের সনাক্ত করতে পারেন, আপনি বিমানবন্দর দিয়ে একাধিক নজরদারি ক্যামেরায় একই ব্যক্তিকে চিহ্নিত করে তাদের ট্র্যাক করতে পারেন। যাতে আপনি যে সত্যিকারের খনিজ এবং ট্র্যাকিংয়ের যে এক্সট্রাক্ট করা বায়োমেট্রিক বৈশিষ্ট্যগুলি সেগুলিই আসল বিশদ ভিডিও নয়। তবে একবার আপনার যদি এই এক্সট্রাকশনগুলি হয়ে যায় তবে আপনি নির্দিষ্ট ক্ষেত্রে কোনও পদক্ষেপ নেওয়া দরকার বা ভুলভাবে কিছু ঘটেছে বা আপনার কাছে অফার করার সুযোগ রয়েছে এমন কিছু বিষয়ে সিদ্ধান্ত নিতে আপনি মেশিন লার্নিং বিধি এবং বিশ্লেষণ প্রয়োগ করতে পারেন। উদাহরণস্বরূপ, যদি আপনার বিমানবন্দরে কোনও দোকান থাকে এবং আপনি যদি দেখেন যে গ্রাহক আপনার পথে আসছে এবং আপনি সেই গ্রাহক সম্পর্কে অন্যান্য তথ্য থেকে জানেন যে সম্ভবত তিনি শুল্কমুক্ত দোকানে জিনিস কিনতে আগ্রহী হন বা এরকম কিছু, এই প্রস্তাব করুন।

তাহলে আমি কী ধরণের জিনিসগুলি চরিত্রায়ন এবং সম্ভাব্যতার দ্বারা বোঝাতে চাইছি? বৈশিষ্ট্য দ্বারা আমি আবারও বলতে চাইছি, ডেটাতে বৈশিষ্ট্য এবং বৈশিষ্ট্যগুলি বের করা। এবং এটি হয় মেশিন দ্বারা উত্পাদিত হতে পারে, তারপরে এর অ্যালগরিদমগুলি আসলে নিষ্কাশন করতে পারে, উদাহরণস্বরূপ, ভিডিও বা সংবেদন বিশ্লেষণ থেকে বায়োমেট্রিক স্বাক্ষর। অনলাইন পর্যালোচনা বা সোশ্যাল মিডিয়ার মাধ্যমে আপনি গ্রাহকের অনুভূতিগুলি পেতে পারেন। এর মধ্যে কয়েকটি জিনিস মানব উত্পাদিত হতে পারে, যাতে মানুষ, ব্যবসায় বিশ্লেষক অতিরিক্ত বৈশিষ্ট্যগুলি বের করতে পারেন যা আমি পরবর্তী স্লাইডে দেখাব।

এর মধ্যে কিছু ভিড়ের ভিড় হতে পারে। এবং জনসমাগমের দ্বারা, আপনি সে সম্পর্কে ভাবতে পারেন এমন অনেকগুলি উপায় রয়েছে। তবে খুব সহজভাবে, উদাহরণস্বরূপ, আপনার ব্যবহারকারীরা আপনার ওয়েবসাইটে আসেন এবং তারা অনুসন্ধান শব্দ, কীওয়ার্ড এবং তারা একটি নির্দিষ্ট পৃষ্ঠায় এসে শেষ করে এবং সেই পৃষ্ঠায় সেখানে সময় কাটায়। তারা প্রকৃতপক্ষে, অন্ততপক্ষে, বুঝতে পারে যে তারা হয় সেই পৃষ্ঠার জিনিসগুলিতে দেখছেন, ব্রাউজ করছেন, ক্লিক করছেন। আপনাকে যা বলে তা হল যে তারা যে শব্দের প্রথম দিকে টাইপ করেছিল তা হ'ল সেই পৃষ্ঠাটির বর্ণনাকারী কারণ এটি গ্রাহককে সেই পৃষ্ঠায় অবতীর্ণ করেছিল যা তারা প্রত্যাশা করেছিল। এবং তাই আপনি সেই অতিরিক্ত টুকরো টুকরো তথ্য যোগ করতে পারেন, এটি হ'ল গ্রাহকরা যারা এই কীওয়ার্ডটি ব্যবহার করেন তারা আমাদের তথ্য আর্কিটেকচারের মধ্যে এই ওয়েবপৃষ্ঠাকে সেই স্থান হিসাবে চিহ্নিত করে যেখানে সেই শব্দটির সাথে মেলে এমন সামগ্রী।

এবং তাই ভিড়সোর্সিং হ'ল আরেকটি দিক যা কখনও কখনও লোকেরা ভুলে যায়, আপনার গ্রাহকদের ব্রেডক্র্যাম্বগুলি ট্র্যাক করে, তাই কথা বলতে; তারা অনলাইনে সম্পত্তি বা আসল সম্পত্তি হোক না কেন তারা তাদের জায়গাগুলি দিয়ে কীভাবে যায়। এবং তারপরে তারা সেই ধরণের পথটি ব্যবহার করে যে গ্রাহক যে বিষয়গুলি আমরা দেখছি সেগুলি সম্পর্কে অতিরিক্ত তথ্য গ্রহণ করে।

সুতরাং আমি বলতে চাই মানব-উত্পাদিত জিনিসগুলি, বা মেশিনটি উত্পন্ন, নির্দিষ্ট ডেটা গ্রানুলস বা সত্তাগুলি বর্ণিত বা ট্যাগ করার ক্ষেত্রে একটি প্রসঙ্গ রয়েছে। এই প্রতিষ্ঠানগুলি হাসপাতালের সেটিংয়ের রোগী, গ্রাহক বা যাই হোক না কেন। এবং তাই এখানে বিভিন্ন ধরণের ট্যাগিং এবং টীকাগুলি রয়েছে। এর কিছু তথ্য নিজেই। এটি হ'ল জিনিসগুলির মধ্যে একটি, কী ধরণের তথ্য, কী ধরণের তথ্য, কী কী বৈশিষ্ট্যগুলি, আকারগুলি, সম্ভবত টেক্সচার এবং নিদর্শনগুলি, অসাধারণ, অ-অসংলগ্ন আচরণ। এবং তারপরে কিছু শব্দার্থকগুলি বের করুন, এটি আমার জানা অন্যান্য জিনিসের সাথে কীভাবে সম্পর্কিত বা এই গ্রাহক ইলেক্ট্রনিক্স গ্রাহক। এই গ্রাহক একটি পোশাক গ্রাহক। অথবা এই গ্রাহক সঙ্গীত কিনতে পছন্দ করেন।

সুতরাং সে সম্পর্কে কিছু শব্দার্থক সনাক্তকরণ, সঙ্গীত পছন্দ করে এমন গ্রাহকরা বিনোদন পছন্দ করেন। হতে পারে আমরা তাদের অন্য কিছু বিনোদন সম্পত্তি সরবরাহ করতে পারি। সুতরাং শব্দার্থবিজ্ঞান এবং কিছু সূক্ষ্মতাও বুঝতে পেরেছি, যা মূলতঃ বলা হচ্ছে: এটি কোথা থেকে এসেছে, কে এই দাবিটি সরবরাহ করেছিল, কোন সময়, কোন তারিখের, কোন পরিস্থিতিতে?

সুতরাং একবার যখন আপনি সমস্ত টিকা এবং বৈশিষ্ট্যগুলি পেয়ে যান, তারপরে পরবর্তী পদক্ষেপটি যুক্ত করুন, যা প্রসঙ্গ, কার, কী, কখন, কোথায় এবং কেন এটির সাজান। ব্যবহারকারী কে? তারা যে চ্যানেলটি চালু করেছিল তা কী ছিল? তথ্য উত্স কি ছিল? এই বিশেষ তথ্য বা ডেটা পণ্যাদির মধ্যে আমরা কোন ধরণের পুনরায় ব্যবহারগুলি দেখেছি? এবং এটি কি, এটি এক ধরণের, ব্যবসায়িক প্রক্রিয়ার মান? এবং তারপরে এই জিনিসগুলি সংগ্রহ করুন এবং সেগুলি পরিচালনা করুন এবং বাস্তবে আপনি যদি সেভাবে ভাবতে চান তবে ডেটাবেস তৈরি করতে সহায়তা করুন। এগুলি অন্য ব্যবসায় বিশ্লেষকগণ দ্বারা বা একটি স্বয়ংক্রিয় প্রক্রিয়া দ্বারা অনুসন্ধানযোগ্য, পুনরায় ব্যবহারযোগ্য, যা পরের বার যখন এই বৈশিষ্ট্যগুলির সেটগুলি দেখি, সিস্টেম এই স্বয়ংক্রিয় পদক্ষেপ নিতে পারে Make এবং তাই আমরা সেই ধরণের অপারেশনাল বিশ্লেষণ দক্ষতায় পৌঁছে যাই, তবে আমরা যত বেশি দরকারী, ব্যাপক তথ্য সংগ্রহ করি এবং তারপরে এই ব্যবহারের ক্ষেত্রে এটি সংশোধন করি।

আমরা ব্যবসা করতে নামি। আমরা ডেটা বিশ্লেষণ করি do আমরা আকর্ষণীয় নিদর্শন, আশ্চর্য, অভিনব প্রত্যাশীদের, অসঙ্গতিগুলির সন্ধান করি। আমরা জনসংখ্যায় নতুন ক্লাস এবং বিভাগগুলি সন্ধান করি। আমরা বিভিন্ন সত্ত্বার মধ্যে সমিতি এবং সংযোগ এবং লিঙ্কগুলির সন্ধান করি। এবং তারপরে আমরা আমাদের আবিষ্কার, সিদ্ধান্ত এবং ডলার তৈরির প্রক্রিয়া চালাতে এগুলি ব্যবহার করি।

সুতরাং সেখানে আবার, এখানে আমরা আমার কাছে থাকা শেষ ডেটা স্লাইডটি পেয়েছি মূলত সংক্ষেপে, ব্যবসায় বিশ্লেষককে লুপে রেখে আবারও আপনি সেই মানুষটিকে বের করে নিচ্ছেন না এবং সেই মানুষটিকে সেখানে রাখাই সব গুরুত্বপূর্ণ।

সুতরাং এই বৈশিষ্ট্যগুলি, সেগুলি মেশিন বা মানব বিশ্লেষক বা এমনকি ভিড়সোর্সিং দ্বারা সরবরাহ করা। আমরা আমাদের মডেলগুলির জন্য আমাদের প্রশিক্ষণ সেটগুলিকে উন্নত করতে এবং আরও সঠিক ভবিষ্যদ্বাণীমূলক মডেলগুলি, কম ভ্রান্ত ইতিবাচক এবং নেতিবাচক, আরও দক্ষ আচরণ, আমাদের গ্রাহকদের বা আরও যেগুলির সাথে আরও দক্ষ হস্তক্ষেপগুলি নিয়ে শেষ করে আমরা সেই সামগ্রীর সংমিশ্রণটি প্রয়োগ করি।

সুতরাং, দিনের শেষে, আমরা সত্যিই কেবল মেশিন লার্নিং এবং বড় বড় ডেটাগুলিকে মানুষের জ্ঞানের এই শক্তির সাথে একত্রিত করছি, যেখানে এই ধরণের ট্যাগ টীকাটি টীকা আসে। এবং এটি ভিজ্যুয়ালাইজেশন এবং ভিজ্যুয়াল অ্যানালিটিকাস-প্রকারের মাধ্যমে নেতৃত্ব দিতে পারে সরঞ্জাম বা নিমজ্জনজনক ডেটা পরিবেশ বা ভিড়সোর্সিং। এবং, দিনের শেষে, এটি সত্যিই কী করছে তা হ'ল আমাদের আবিষ্কার, অন্তর্দৃষ্টি এবং ডি 2 ডি তৈরি করে। এবং সেগুলি আমার মন্তব্য, তাই শোনার জন্য আপনাকে ধন্যবাদ।

এরিক: আরে এটি দুর্দান্ত শোনায় এবং আমাকে এগিয়ে যেতে দিন এবং চাবিকাঠিগুলি ডঃ রবিন ব্লুরের হাতে দেওয়ার জন্য তাঁর দৃষ্টিভঙ্গিটিও জানাতে দিন। হ্যাঁ, আমি আপনাকে অপারেশন ধারণাটির প্রবাহিত করার বিষয়ে মন্তব্য শুনতে চাই এবং আপনি অপারেশনাল বিশ্লেষণের বিষয়ে কথা বলছেন। আমি মনে করি এটি একটি বড় অঞ্চল যা বেশ ভালভাবে অনুসন্ধান করা দরকার। এবং আমার ধারণা, রবিনের আগে খুব দ্রুত, আমি তোমাকে আবার ফিরিয়ে আনব, কર્ક। এটির প্রয়োজন নেই যে ঠিক আছে, সংস্থার বিভিন্ন খেলোয়াড়ের মধ্যে আপনার কিছু গুরুত্বপূর্ণ তাত্পর্যপূর্ণ সহযোগিতা আছে? আপনাকে অপারেশনের লোকদের সাথে কথা বলতে হবে; আপনি আপনার প্রযুক্তিগত লোক পেতে হবে। কখনও কখনও আপনি আপনার বিপণনের লোক বা আপনার ওয়েব ইন্টারফেসের লোকেরা পান। এগুলি সাধারণত বিভিন্ন গ্রুপ। কীভাবে প্রত্যেকে নিজের ত্বকে গেমটিতে রাখার জন্য আপনার কোনও সেরা অনুশীলন বা পরামর্শ রয়েছে?

ডাঃ কিরক: আচ্ছা, আমি মনে করি এটি সহযোগিতার ব্যবসায় সংস্কৃতি নিয়ে আসে। আসলে, আমি তিনটি সি এর বিশ্লেষণ সংস্কৃতি ধরণের সম্পর্কে কথা বলি। একটি হ'ল সৃজনশীলতা; অন্যটি কৌতূহল এবং তৃতীয়টি সহযোগিতা colla সুতরাং আপনি সৃজনশীল, গুরুতর লোক চান, তবে আপনাকে এই লোকদের সহযোগিতাও করতে হবে। এবং এটি সত্যিই উপরে থেকে শুরু হয়, এই সংস্কৃতিটি এমন লোকদের সাথে গড়ে তোলা উচিত যা ব্যবসায়ের সাধারণ লক্ষ্যগুলির জন্য খোলামেলাভাবে ভাগ করে নেওয়া এবং একসাথে কাজ করা উচিত।

এরিক: এগুলি সমস্ত কিছু বোধগম্য। এবং এটি ঘটানোর জন্য আপনাকে শীর্ষে সঠিক নেতৃত্ব পেতে হবে। সুতরাং আসুন এগিয়ে যান এবং এটি ড। ব্লুরের হাতে দিন। রবিন, মেঝে তোমার।

ডাঃ রবিন ব্লুর: ঠিক আছে। এরিকের জন্য আপনাকে ধন্যবাদ। ঠিক আছে, যেভাবে এই প্যানগুলি বেরিয়ে আসে, এই শোগুলি দেখায়, কারণ আমাদের দুটি বিশ্লেষক রয়েছেন; আমি বিশ্লেষকের উপস্থাপনাটি দেখতে পাচ্ছি যা অন্যান্য ছেলেরা না করে। আমি জানতাম কার্ক কী বলতে যাচ্ছিল এবং আমি কেবল একটি সম্পূর্ণ ভিন্ন কোণে চলে যাই যাতে আমরা খুব বেশি ওভারল্যাপ না যাই।

সুতরাং আমি এখানে যা সম্পর্কে কথা বলছি বা সে সম্পর্কে কথা বলতে চাইছি তা হ'ল ডেটা অ্যানালিস্টের বিপরীতে ব্যবসায়ের বিশ্লেষকের ভূমিকা। এবং যেভাবে আমি এটির বৈশিষ্ট্য দিচ্ছি, ভালভাবে, জিভ-ইন-গাল একটি নির্দিষ্ট পরিমাণে জেকিল এবং হাইড জিনিস। তাত্ত্বিকভাবে বিশেষত ডেটা বিজ্ঞানীরা হ'ল তাত্ত্বিকভাবে জানেন যে তারা কী করছে। যদিও ব্যবসায় বিশ্লেষকেরা তেমন নন, গণিতটি যেভাবে কাজ করে তা ঠিক আছে, কোনটি বিশ্বাস করা যায় এবং কোনটি বিশ্বাস করা যায় না।

সুতরাং আসুন আমরা নীচে নেমে আসি যে আমরা এটি করছি, কারণ হ'ল তথ্য বিশ্লেষণ হঠাৎ করে একটি বড় বিষয় হয়ে দাঁড়িয়েছে যে আমরা আসলে খুব বড় পরিমাণে ডেটা বিশ্লেষণ করতে পারি এবং প্রতিষ্ঠানের বাইরে থেকে ডেটা টেনে নিতে পারি; এটা কি দেয় যেভাবে আমি এটি দেখছি - এবং আমি মনে করি এটি কেবল একটি কেস হয়ে উঠছে তবে আমি অবশ্যই মনে করি এটি কেস - ডেটা বিশ্লেষণটি সত্যই ব্যবসায়িক গবেষণা ও উন্নয়ন is আপনি ডেটা বিশ্লেষণের মাধ্যমে আসলে যা করছেন তা হ'ল আপনি কোনও ব্যবসায়ের প্রক্রিয়াটি এক প্রকারের দিকে দেখছেন বা এটি কোনও গ্রাহকের সাথে মিথস্ক্রিয়া কিনা, এটি আপনার খুচরা অপারেশন যেভাবে, আপনি যেভাবে মোতায়েন করেছেন তার সাথে কিনা আপনার দোকান বিষয়টি আসলে কী তা বোঝায় না। আপনি একটি প্রদত্ত ব্যবসায়ের প্রক্রিয়াটি দেখছেন এবং আপনি এটি উন্নত করার চেষ্টা করছেন।

সফল গবেষণা এবং উন্নয়নের ফলাফল একটি পরিবর্তন প্রক্রিয়া। এবং আপনি চাইলে উত্পাদনটির কথা ভাবতে পারেন, এটির সাধারণ উদাহরণ হিসাবে। কারণ উত্পাদন ক্ষেত্রে, লোকেরা উত্পাদন প্রক্রিয়াটি চেষ্টা ও উন্নত করার জন্য সমস্ত কিছু সম্পর্কে তথ্য সংগ্রহ করে। তবে আমি মনে করি যা ঘটেছিল বা বড় ডেটাতে যা ঘটছে তা সবই এখন যে কোনও ধরণের যে কোনও ব্যবসায়ের ক্ষেত্রে যেভাবে যে কেউ ভাবতে পারে তা প্রয়োগ করা হচ্ছে। এত সুন্দর যে কোনও ব্যবসায়িক প্রক্রিয়া পরীক্ষার জন্য প্রস্তুত যদি আপনি এ সম্পর্কিত ডেটা সংগ্রহ করতে পারেন।

সুতরাং এটি একটি জিনিস। আপনি যদি চান, এটি তথ্য বিশ্লেষণ প্রশ্নে যাচ্ছে। ডেটা অ্যানালিটিক্স ব্যবসায়ের জন্য কী করতে পারে? ঠিক আছে, এটি ব্যবসায়ের সম্পূর্ণ পরিবর্তন করতে পারে।

এই নির্দিষ্ট চিত্রটি যা আমি কোনও গভীরতার সাথে বর্ণনা করতে যাচ্ছি না, তবে এটি একটি চিত্র যা আমরা এই বছরের প্রথম ছয় মাস ধরে গবেষণা প্রকল্পের চূড়ান্ত হিসাবে নিয়ে এসেছি। এটি একটি বড় ডেটা আর্কিটেকচারের উপস্থাপনের একটি উপায়। এবং পরবর্তী স্লাইডে যাওয়ার আগে বেশ কয়েকটি বিষয় যা আমি উল্লেখ করার মতো। এখানে দুটি তথ্য প্রবাহ রয়েছে। একটি হ'ল একটি রিয়েল-টাইম ডেটা স্ট্রিম, যা চিত্রের শীর্ষে বরাবর যায়। অন্যটি ধীরে ধীরে ডেটা স্ট্রিম যা ডায়াগ্রামের নীচে বরাবর যায়।

চিত্রের নীচে তাকান। আমরা ডেটা জলাধার হিসাবে হ্যাডোপ পেয়েছি। আমরা বিভিন্ন ডাটাবেস পেয়েছি। আমরা সেখানে সম্পূর্ণ ক্রিয়াকলাপের সাথে পুরো ক্রিয়াকলাপ পেয়েছি যার মধ্যে বেশিরভাগ বিশ্লেষণাত্মক ক্রিয়াকলাপ।

আমি এখানে যে বিন্দুটি তৈরি করছি এবং আমি এখানে কেবলমাত্র তৈরি করতে চাই তা হল প্রযুক্তিটি শক্ত hard এটা সহজ নয়। এটা সহজ না. এটি এমন কিছু নয় যাঁরা গেমটিতে নতুন তিনি আসলে একসাথে রাখতে পারেন। এটি মোটামুটি জটিল। এবং যদি আপনি এই সমস্ত প্রক্রিয়া জুড়ে নির্ভরযোগ্য বিশ্লেষণগুলি করার জন্য কোনও ব্যবসায়ের উপকরণ চালিয়ে যাচ্ছেন তবে এটি বিশেষভাবে দ্রুত ঘটবে এমন কিছু নয় not এটি মিশ্রণে যুক্ত করার জন্য প্রচুর প্রযুক্তি প্রয়োজন।

ঠিক আছে. ডেটা সায়েন্টিস্ট কী, এই প্রশ্নটি আমি ডেটা সায়েন্টিস্ট বলে দাবি করতে পারি কারণ কম্পিউটারে কম্পিউটারের প্রশিক্ষণ দেওয়ার আগে আমি আসলে পরিসংখ্যানগুলিতে প্রশিক্ষণ পেয়েছিলাম। এবং আমি একটি নির্দিষ্ট সময়ের জন্য একটি বাস্তব কাজ করেছি যাতে আমি জানি যে কোনও ব্যবসায়ের ব্যবস্থা কীভাবে হয়, পরিসংখ্যানগত বিশ্লেষণ, নিজে চালানোর জন্যও। এটি তুচ্ছ জিনিস নয়। এবং মানব ও প্রযুক্তি উভয় ক্ষেত্রেই জড়িত একটি দুর্দান্ত অভ্যাস রয়েছে।

সুতরাং "ডেটা বিজ্ঞানী কী, " প্রশ্ন জিজ্ঞাসার ক্ষেত্রে আমি ফ্র্যাঙ্কেনস্টাইন ছবিটি কেবল রেখেছি কারণ এটি এমন জিনিসগুলির সংমিশ্রণ যা একসাথে বুনতে হবে। জড়িত আছে প্রকল্প পরিচালনার। পরিসংখ্যানের মধ্যে গভীর বোঝাপড়া রয়েছে। ডোমেন ব্যবসায়ের দক্ষতা রয়েছে, যা অগত্যা তথ্য বিজ্ঞানীর চেয়ে ব্যবসায় বিশ্লেষকের বেশি সমস্যা। অভিজ্ঞতা আছে বা ডেটা আর্কিটেকচার বোঝার এবং ডেটা আর্কিটেক্ট তৈরি করতে সক্ষম হতে হবে এবং এতে সফটওয়্যার ইঞ্জিনিয়ারিং জড়িত রয়েছে। অন্য কথায়, এটি সম্ভবত একটি দল। এটি সম্ভবত কোনও ব্যক্তি নয়। এবং এর অর্থ হল যে এটি সম্ভবত এমন একটি বিভাগ যা সংঘবদ্ধ হওয়া দরকার এবং এর সংস্থাকে মোটামুটি বিস্তৃতভাবে চিন্তা করা দরকার।

মিশ্রণে ফেলে মেশিন লার্নিংয়ের সত্যতা। আমরা বলতে পারি না, মেশিন লার্নিং এই অর্থে নতুন নয় যে মেশিন লার্নিংয়ে ব্যবহৃত হয় এমন বেশিরভাগ পরিসংখ্যান কৌশল প্রায় দশক ধরে জানা ছিল। কয়েকটি নতুন জিনিস রয়েছে, আমি বলতে চাইছি নিউরাল নেটওয়ার্কগুলি তুলনামূলকভাবে নতুন, আমার মনে হয় তারা প্রায় 20 বছর বয়সী, তাই এর কয়েকটি অপেক্ষাকৃত নতুন। তবে মেশিন লার্নিংয়ের সমস্যাটি ছিল আমাদের কাছে আসলে এটি করার কম্পিউটার ক্ষমতা ছিল না। এবং অন্য কিছুর বাইরে যা ঘটেছিল তা হ'ল কম্পিউটার শক্তি এখন তার জায়গায়। এবং এর অর্থ হ'ল আমরা কীভাবে বলি, তথ্য বিজ্ঞানীরা মডেলিং পরিস্থিতি, ডেটা স্যাম্পলিং এবং তারপরে মার্শেলিংয়ের ক্ষেত্রে ডেটাগুলির গভীরতর বিশ্লেষণ তৈরি করার ক্ষেত্রে যা করেছিলেন তা একটি ভয়াবহ পরিমাণ। প্রকৃতপক্ষে, আমরা কিছু ক্ষেত্রে এটিতে কম্পিউটার শক্তি ফেলে দিতে পারি। কেবল মেশিন-লার্নিং অ্যালগরিদমগুলি চয়ন করুন, এটি ডেটাতে ফেলে দিন এবং দেখুন কী। এবং এটি এমন কিছু যা কোনও ব্যবসায় বিশ্লেষক করতে পারেন, তাই না? তবে ব্যবসায় বিশ্লেষককে তারা কী করছে তা বুঝতে হবে। আমি বলতে চাইছি, আমি মনে করি এটি অন্য যে কোনও কিছুর চেয়ে সত্যই সমস্যা।

ঠিক আছে, এটি কেবল অন্য কোনও উপায়ে এর তথ্য থেকে ব্যবসায় সম্পর্কে আরও জানতে। আইনস্টাইন তা বলেননি, আমি বলেছিলাম। আমি কেবল তার ছবি বিশ্বাসযোগ্যতার জন্য রেখেছি। তবে পরিস্থিতিটি প্রকৃতপক্ষে এমন একটি বিকাশ শুরু করছে যেখানে প্রযুক্তিটি সঠিকভাবে ব্যবহৃত হলে এবং গণিতটি যদি সঠিকভাবে ব্যবহৃত হয় তবে যে কোনও ব্যক্তি হিসাবে ব্যবসা পরিচালনা করতে সক্ষম হবে। আমরা এটি আইবিএম দিয়ে দেখেছি। প্রথমত, এটি দাবাতে সেরা ছেলেগুলিকে পরাজিত করতে পারে এবং তারপরে এটি জিওপার্ডির সেরা ছেলেদের পরাজিত করতে পারে; তবে শেষ পর্যন্ত আমরা একটি সংস্থা চালানোর ক্ষেত্রে সেরা ছেলেদের পরাজিত করতে সক্ষম হব। পরিসংখ্যান শেষ পর্যন্ত জয়লাভ করবে। এবং এটি কীভাবে ঘটবে তা দেখা মুশকিল, এটি এখনও ঘটেনি।

তাই আমি যা বলছি, এবং এটি আমার উপস্থাপনার একটি সম্পূর্ণ বার্তা, এটি এই ব্যবসায়ের দুটি বিষয়। প্রথমটি হল, আপনি কী প্রযুক্তিটি সঠিকভাবে পেতে পারেন? আপনি যে দলের পক্ষে প্রকৃতপক্ষে এটির সভাপতিত্ব করতে এবং ব্যবসায়ের সুবিধাগুলি অর্জন করতে সক্ষম হতে চলেছেন সেই প্রযুক্তিটির জন্য কী আপনি সেই প্রযুক্তি কাজ করতে পারবেন? এবং দ্বিতীয়ত, আপনি কি মানুষকে সঠিকভাবে পেতে পারেন? এবং এই দুটিই ইস্যু। এবং এগুলি এমন সমস্যা যা সময়ের মধ্যে নেই, তারা বলে যে এটি সমাধান হয়েছে।

ঠিক আছে এরিক, আমি এটি আপনার কাছে ফেরত দেব। অথবা আমার সম্ভবত এটি উইলে পাস করা উচিত।

এরিক: আসলে, হ্যাঁ আপনাকে ধন্যবাদ, উইল গোরম্যান হ্যাঁ, আপনি সেখানে যান, উইল। তো দেখা যাক। আমি আপনাকে ওয়েবেক্স এর চাবি দেব। তাহলে তুমি কী করছ? পেন্টাহো, স্পষ্টতই, আপনি ছেলেরা কিছু সময়ের জন্য রয়েছেন এবং ওপেন-সোর্স বিআইয়ের ধরণের জায়গা যেখানে আপনি শুরু করেছিলেন। তবে আপনি আগে যা পেয়েছিলেন তার চেয়ে অনেক বেশি পেয়েছেন, তাই বিশ্লেষণের জন্য এই দিনগুলিতে আপনি কী পেয়েছেন তা দেখুন।

উইল গোরম্যান: একেবারে। সবাই কেমন আছেন! আমার নাম উইল গোরম্যান। আমি পেন্টাহোর প্রধান স্থপতি। আপনারা যারা আমাদের কথা শুনে নি তাদের জন্য, আমি কেবল উল্লেখ করেছি পেন্টাহো একটি বড় ডেটা ইন্টিগ্রেশন এবং অ্যানালিটিক্স সংস্থা company আমরা দশ বছরে ব্যবসা করছি। আমাদের প্রযুক্তিগুলি ডেটা ইন্টিগ্রেশন এবং বিশ্লেষণের জন্য একটি ওপেন সোর্স প্ল্যাটফর্ম হিসাবে শুরু করে, হ্যাডোপ এবং নোএসকিউএল জাতীয় প্রযুক্তির সাথে নতুন প্রযুক্তি উদ্ভাবন করার আগেও এই প্রযুক্তিগুলির চারপাশে বিবর্তিত হয়েছে। ওপেন সোর্সকে ঘিরে আমাদের উদ্ভাবনের ফলে এখন আমাদের 1500 এরও বেশি বাণিজ্যিক গ্রাহক এবং আরও অনেক উত্পাদন অ্যাপয়েন্টমেন্ট রয়েছে।

আমাদের আর্কিটেকচারটি অত্যন্ত এম্বেডযোগ্য এবং এক্সটেনসিবল, উদ্দেশ্য-দ্বারা নির্মিত বিলম্বযোগ্য হিসাবে বিশেষত বড় ডেটা প্রযুক্তি খুব দ্রুত গতিতে বিকশিত হচ্ছে flex পেন্টাহো তিনটি প্রধান পণ্য ক্ষেত্রের প্রস্তাব দেয় যা বড় ডেটা অ্যানালিটিক্স ব্যবহারের ক্ষেত্রে সমাধানের জন্য একসাথে কাজ করে।

আমাদের আর্কিটেকচারের পরিমাণে প্রথম পণ্যটি হ'ল পেন্টাহো ডেটা ইন্টিগ্রেশন যা ডেটা টেকনোলজিস্ট এবং ডেটা ইঞ্জিনিয়ারদের দিকে গড়া। এই পণ্যটি ডেটা পাইপলাইনগুলি সংজ্ঞায়িত করার জন্য একটি ভিজ্যুয়াল, ড্রাগ এবং ড্রপ অভিজ্ঞতা প্রস্তাব করে এবং পাশাপাশি বড় ডেটা পরিবেশ এবং traditionalতিহ্যবাহী পরিবেশের মধ্যে ডেটা অর্কেস্ট্রেট করার জন্য প্রক্রিয়াগুলি। এই পণ্যটি একটি হালকা ওজনের, মেটাডেটাবেসস, ​​জাভাতে নির্মিত ডেটা-ইন্টিগ্রেশন প্ল্যাটফর্ম এবং ম্যাপ্রেডিউস বা ইয়ার্ন বা ঝড় এবং অন্যান্য অনেক ব্যাচ এবং রিয়েল-টাইম প্ল্যাটফর্মের মধ্যে প্রক্রিয়া হিসাবে স্থাপন করা যেতে পারে।

আমাদের দ্বিতীয় পণ্যের ক্ষেত্রটি চাক্ষুষ বিশ্লেষণের চারপাশে around এই প্রযুক্তির সাহায্যে সংস্থাগুলি এবং ওএমএস আধুনিক ব্রাউজারগুলি এবং ট্যাবলেটগুলি দ্বারা ব্যবসায় বিশ্লেষক এবং ব্যবসায়িক ব্যবহারকারীদের জন্য একটি সমৃদ্ধ ড্রাগ-এন্ড ড্রপ ভিজ্যুয়ালাইজেশন এবং বিশ্লেষণ অভিজ্ঞতা সরবরাহ করতে পারে, যাতে প্রতিবেদন এবং ড্যাশবোর্ডগুলির অ্যাডহক তৈরি করা যায়। পাশাপাশি পিক্সেল-নিখুঁত ড্যাশবোর্ডিং এবং প্রতিবেদনগুলির উপস্থাপনা।

আমাদের তৃতীয় পণ্য অঞ্চল ডেটা বিজ্ঞানী, মেশিন-লার্নিং অ্যালগরিদমগুলিকে লক্ষ্য করে ভবিষ্যদ্বাণীমূলক বিশ্লেষণকে কেন্দ্র করে। যেমন পূর্বে উল্লিখিত হয়েছে, নিউরাল নেটওয়ার্কগুলি এবং এর মতো, একটি ডেটা ট্রান্সফর্মেশন পরিবেশে সংহত করা যেতে পারে, যা তথ্য বিজ্ঞানীদের মডেলিং থেকে উত্পাদন পরিবেশে যেতে পারে, পূর্বাভাসের অ্যাক্সেস দেয় এবং এটি খুব দ্রুত তাত্ক্ষণিকভাবে ব্যবসায়িক প্রক্রিয়াগুলিকে প্রভাবিত করতে পারে।

এই সমস্ত পণ্য দৃly়ভাবে একক চৌকস অভিজ্ঞতায় একীভূত হয় এবং আমাদের এন্টারপ্রাইজ গ্রাহকদের তাদের ব্যবসায়ের সমস্যাগুলি সমাধান করার জন্য প্রয়োজনীয় নমনীয়তা দেয়। আমরা গতানুগতিক প্রযুক্তিতে বড় ডেটার একটি দ্রুত বিকশিত ল্যান্ডস্কেপ দেখতে পাচ্ছি। বড় ডেটা স্পেসে আমরা কয়েকটি সংস্থার কাছ থেকে শুনেছি যে EDW শেষের দিকে near আসলে, আমরা আমাদের এন্টারপ্রাইজ গ্রাহকদের মধ্যে যা দেখি তা হ'ল তাদের বিদ্যমান ব্যবসায় এবং আইটি প্রক্রিয়াগুলিতে বড় ডেটা প্রবর্তন করা উচিত এবং সেই প্রক্রিয়াগুলি প্রতিস্থাপন করা উচিত নয়।

এই সাধারণ চিত্রটি আর্কিটেকচারের সেই বিন্দুটি দেখায় যা আমরা প্রায়শই দেখি, যা ডেটা ইন্টিগ্রেশন এবং বিআই ব্যবহারের ক্ষেত্রে একটি প্রকারের EDW- স্থাপনার আর্কিটেকচার। এখন এই চিত্রটি বড় ডেটা আর্কিটেকচারে রবিনের স্লাইডের অনুরূপ, এটি রিয়েল-টাইম এবং historicalতিহাসিক ডেটা অন্তর্ভুক্ত করে। নতুন ডেটা উত্স এবং রিয়েল-টাইম প্রয়োজনীয়তা প্রকাশের সাথে সাথে আমরা সামগ্রিক আইটি স্থাপত্যের অতিরিক্ত অংশ হিসাবে বড় ডেটা দেখতে পাই। এই নতুন ডেটা উত্সগুলির মধ্যে রয়েছে মেশিন-উত্পাদিত ডেটা, কাঠামোগত ডেটা, স্ট্যান্ডার্ড ভলিউম এবং বেগ এবং বিভিন্ন প্রয়োজনীয়তা যা আমরা বড় ডেটাতে শুনে থাকি; তারা traditionalতিহ্যগত EDW প্রক্রিয়াগুলির সাথে খাপ খায় না। পেন্টাহো এই ডেটা ইনজেশন, ডেটা প্রসেসিং এবং ভিজ্যুয়ালাইজেশনকে সহজ করার পাশাপাশি গ্রাহকদের তাদের ডেটা পরিবেশের বিষয়ে পুরো দৃষ্টিভঙ্গি দেওয়ার জন্য dataতিহ্যবাহী উত্সগুলির সাথে এই ডেটা মিশ্রিত করতে হাদোপ এবং নোএসকিউএল এর সাথে ঘনিষ্ঠভাবে কাজ করে। আমরা এটি একটি নিয়ন্ত্রিত পদ্ধতিতে করি যাতে আইটি তাদের ব্যবসায়ের লাইনে একটি সম্পূর্ণ বিশ্লেষণ সমাধান দিতে পারে।

সমাপ্তিতে, আমি বড় ডেটা বিশ্লেষণ এবং একীকরণের চারপাশে আমাদের দর্শনকে হাইলাইট করতে চাই; আমরা বিশ্বাস করি যে এই প্রযুক্তিগুলি একক একীভূত আর্কিটেকচারের সাথে আরও ভালভাবে কাজ করছে, এমন অনেকগুলি ব্যবহারের কেস সক্ষম করে যা অন্যথায় সম্ভব হবে না। আমাদের গ্রাহকদের ডেটা পরিবেশগুলি কেবলমাত্র বড় ডেটা, হ্যাডোপ এবং নোএসকিউএল এর চেয়ে বেশি। যে কোনও ডেটা নিখরচায় খেলা। এবং বড় ডেটা উত্সগুলি উপলব্ধ হওয়া এবং ব্যবসায়ের মানকে প্রভাবিত করতে একত্রে কাজ করা দরকার।

পরিশেষে, আমরা বিশ্বাস করি যে উদ্যোগগুলিতে ডেটাগুলির মাধ্যমে খুব কার্যকরভাবে এই ব্যবসায়িক সমস্যাগুলি সমাধান করতে আইটি এবং ব্যবসায়ের লাইনগুলিকে বড় ডেটা বিশ্লেষণে নিয়ন্ত্রিত, মিশ্রিত পদ্ধতির সাথে একত্রে কাজ করা প্রয়োজন। ওয়েল, আপনাকে কথা বলার সময় দেওয়ার জন্য আপনাকে অনেক ধন্যবাদ, এরিক।

এরিক: আপনি বাজি ধরুন। না, এটা ভাল জিনিস। আমরা প্রশ্নোত্তর হিসাবে যেভাবে পেয়েছি আমি আপনার আর্কিটেকচারের সেই দিকে ফিরে যেতে চাই। সুতরাং আসুন বাকি উপস্থাপনা মাধ্যমে সরানো এবং তার জন্য আপনাকে অনেক ধন্যবাদ। আপনি ছেলেরা অবশ্যই কয়েক বছর ধরে দ্রুত এগিয়ে চলেছেন, আমাকে অবশ্যই এটি বলতে হবে।

সুতরাং স্টিভ, আমাকে এগিয়ে যেতে দিন এবং এটি আপনার হাতে দেব। এবং কেবল নিচের তীরটিতে সেখানে ক্লিক করুন এবং এটির জন্য যান। স্টিভ, আমি আপনাকে কীগুলি দিচ্ছি। স্টিভ উইলকস, আপনার কীবোর্ডের কেবলমাত্র নীচের দিকে তীরটি ক্লিক করুন।

স্টিভ উইলকস: আমরা সেখানে যাই।

এরিক: আপনি সেখানে যান।

স্টিভ: যদিও আপনি আমাকে দিয়েছেন এটি একটি দুর্দান্ত পরিচয়।

এরিক: হ্যাঁ

স্টিভ: সুতরাং আমি স্টিভ উইলকস। আমি ওয়েবএকশনে সিসিও। আমরা কেবল গত কয়েক বছর ধরে ছিলাম এবং তখন থেকেই আমরা অবশ্যই দ্রুত গতিতে চলেছি। WebAction একটি রিয়েল-টাইম বড় ডেটা বিশ্লেষণ প্ল্যাটফর্ম। এরিক আগে উল্লিখিত ছিল, ধরণের, বাস্তব সময়টি কতটা গুরুত্বপূর্ণ এবং আপনার অ্যাপ্লিকেশনগুলি কীভাবে আসবে। আমাদের প্ল্যাটফর্মটি রিয়েল-টাইম অ্যাপ্লিকেশনগুলি তৈরির জন্য ডিজাইন করা হয়েছে। এবং পরবর্তী প্রজন্মের ডেটা-চালিত অ্যাপ্লিকেশনগুলিকে সক্ষম করতে যা ক্রমে ক্রমে তৈরি করা যেতে পারে এবং সেই অ্যাপ্লিকেশনগুলি থেকে উত্পন্ন ডেটা থেকে লোকজনকে ড্যাশবোর্ড তৈরি করার অনুমতি দেওয়ার জন্য, কিন্তু রিয়েল টাইমকে কেন্দ্র করে।

আমাদের প্ল্যাটফর্মটি একটি সম্পূর্ণ শেষ থেকে শেষের প্ল্যাটফর্ম, যা ডেটা অর্জন, ডেটা প্রসেসিং থেকে শুরু করে ডেটা ভিজ্যুয়ালাইজেশন পর্যন্ত সমস্ত কিছু করে। এবং আমাদের এন্টারপ্রাইজের বিভিন্ন ধরণের একাধিক ব্যক্তিকে সত্যিকারের রিয়েল-টাইম অ্যাপ্লিকেশনগুলি তৈরি করতে একত্রে কাজ করতে সক্ষম করে, যাতে তাদের এন্টারপ্রাইজে ঘটে যাওয়া ঘটনাগুলির সাথে তাদের অন্তর্দৃষ্টি দেয়।

এবং এটি বেশিরভাগ লোকেরা বড় ডেটাতে যা দেখছে তার থেকে কিছুটা পৃথক, যাতে গত yearsতিহ্যবাহী পদ্ধতির - বেশ কয়েক বছর ধরে গতানুগতিক - বড় ডেটার সাথে প্রচলিত পদ্ধতিটি বিভিন্ন উত্সের পুরো গোছা থেকে এটিকে ক্যাপচার করতে পারে এবং তারপরে এটি একটি বড় জলাশয় বা হ্রদে বা যেটিকে আপনি কল করতে চান তাতে গাদা করুন। এবং তারপরে আপনার যখন কোনও প্রশ্ন চালানোর দরকার হয় তখন এটি প্রক্রিয়া করুন; বড় আকারের historicalতিহাসিক বিশ্লেষণ চালাতে বা এমনকি বিপুল পরিমাণে ডেটা অনুসন্ধানের জন্য অনুসন্ধান করা। এখন এটি নির্দিষ্ট ব্যবহারের ক্ষেত্রে কাজ করে। তবে আপনি যদি আপনার উদ্যোগে সক্রিয় হতে চান, আপনি যদি দিনের শেষে বা সপ্তাহের শেষের দিকে কোনও ভুল ধরণের ঘটেছিল তা খুঁজে বের করার পরিবর্তে আসলে কী হচ্ছে তা বলতে চান, তবে আপনাকে সত্যই সরানো দরকার বাস্তব সময়।

এবং এটি কিছু কাছাকাছি জিনিস পরিবর্তন করে। এটি প্রক্রিয়াটিকে মাঝখানে নিয়ে যায়। এত কার্যকরভাবে আপনি সেই সংখ্যক বিপুল পরিমাণে ডেটা স্ট্রিম গ্রহণ করছেন যা ক্রমাগত এন্টারপ্রাইজের অভ্যন্তরে উত্পন্ন হয় এবং আপনি এটি পাওয়ার সাথে সাথে এটি প্রক্রিয়াজাত করছেন। আপনি এটি পাওয়ার সাথে সাথে এটি প্রক্রিয়াজাতকরণ করার কারণে, আপনাকে সমস্ত কিছু সংরক্ষণ করতে হবে না। আপনি কেবল গুরুত্বপূর্ণ তথ্য বা আপনার মনে রাখা দরকার যেগুলি আসলে ঘটেছে তা সংরক্ষণ করতে পারেন। সুতরাং আপনি যদি রাস্তায় যানবাহনগুলির জিপিএস অবস্থানের সন্ধান করছেন, আপনি প্রতি সেকেন্ডে কোথায় আছেন তা সত্যই যত্নশীল না করে, প্রতি সেকেন্ডে কোথায় রয়েছে সেগুলি সংরক্ষণ করার দরকার নেই। আপনার শুধু যত্ন নেওয়া দরকার, তারা কি এই জায়গাটি ছেড়ে গেছে? তারা কি এই জায়গায় পৌঁছেছে? তারা কি ফ্রিওয়ে চালাচ্ছে, না?

সুতরাং এটি বিবেচনা করা সত্যিই গুরুত্বপূর্ণ যে যত বেশি এবং আরও ডেটা উত্পন্ন হয়, তারপরে তিনটি বনাম। বেগটি মূলত নির্ধারণ করে যে প্রতিদিন কতটা ডেটা উৎপন্ন করে। যত বেশি ডেটা তৈরি হয়েছে আপনাকে আরও বেশি সঞ্চয় করতে হবে। এবং আপনার যত বেশি সঞ্চয় করতে হবে, এটি প্রক্রিয়া করতে তত বেশি সময় নেয়। তবে আপনি এটি পাওয়ার সাথে সাথে যদি এটি প্রক্রিয়া করতে পারেন তবে আপনি একটি খুব বড় সুবিধা পান এবং আপনি তাতে প্রতিক্রিয়া জানাতে পারেন। আপনাকে বলা যেতে পারে যে পরে সেগুলি অনুসন্ধান করার চেয়ে জিনিসগুলি ঘটছে।

সুতরাং আমাদের প্ল্যাটফর্মটি অত্যন্ত স্কেলযোগ্য হতে নকশাকৃত। এটিতে তিনটি প্রধান টুকরা রয়েছে - অধিগ্রহণের টুকরা, প্রসেসিং টুকরা এবং তারপরে প্ল্যাটফর্মের বিতরণ ভিজ্যুয়ালাইজেশন টুকরা। অধিগ্রহণের দিকে, আমরা কেবল মেশিন দ্বারা উত্পাদিত লগ ডেটা যেমন ওয়েব লগ বা অ্যাপ্লিকেশনগুলিতে অন্য সমস্ত লগগুলি তৈরি করা হচ্ছে তার মতো দেখছি না। 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. ধন্যবাদ.

Eric: Yes, indeed. Great job. 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. এই নাও.

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. Okay?

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. Right?

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. ঠিক আছে. 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?" ঠিক আছে.

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. Right? 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. Okay?

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. And that's it.

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. You got it. দূরে নিতে.

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. No doubt about it. 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. That's a good point. 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.

Go ahead.

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. আপনি কি মনে করেন?

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. তোমাকে অনেক ধন্যবাদ. We'll catch you next time. বাই-বাই।