ملاحظة المحرر: هذا هو نسخة من واحد من البث الشبكي الماضي. الحلقة القادمة ستظهر بسرعة ، انقر هنا للتسجيل.
إريك كافانا: سيداتي وسادتي ، مرحبًا بكم مرة أخرى في الحلقة 2 من TechWise. نعم ، في الواقع ، لقد حان الوقت للحصول على حكماء! لدي مجموعة من الأشخاص الأذكياء حقًا على الخط اليوم لمساعدتنا في هذا المسعى. اسمي إريك كافانا ، بالطبع. سوف أكون مضيفك ، وسيطك ، في هذه الجلسة الصاعقة. لدينا الكثير من المحتوى هنا ، الناس. لدينا بعض الأسماء الكبيرة في العمل ، والذين كانوا محللين في مجالنا وأربعة من البائعين الأكثر إثارة للاهتمام. لذلك سنقوم بالكثير من العمل الجيد على المكالمة اليوم. وبالطبع ، أنت هناك في الجمهور تلعب دورًا مهمًا في طرح الأسئلة.
مرة أخرى ، المعرض هو TechWise والموضوع اليوم هو "كيف يمكن للتحليلات تحسين الأعمال؟" من الواضح ، إنه موضوع ساخن حيث سيحاول فهم الأنواع المختلفة من التحليلات التي يمكنك القيام بها وكيف يمكن تحسين العمليات الخاصة بك لأن هذا هو كل شيء في نهاية اليوم.
لذلك يمكنك أن ترى نفسي هناك في الأعلى ، هذا حقًا لك. الدكتور كيرك بورني ، صديق جيد من جامعة جورج ميسون. إنه عالم بيانات يتمتع بخبرة هائلة وخبرة عميقة للغاية في هذا المجال واستخراج البيانات والبيانات الضخمة وكل هذا النوع من الأشياء الممتعة. وبالطبع ، لدينا الدكتور روبن بلور ، كبير المحللين هنا في مجموعة بلور. الذين تدربوا على الخبير الاكتواري منذ عدة سنوات. لقد كان يركز حقًا على مساحة البيانات الكبيرة بأكملها والمساحة التحليلية باهتمام شديد خلال نصف العقد الماضي. لقد مرت خمس سنوات تقريبا منذ أن أطلقنا مجموعة Bloor في حد ذاتها. لذلك يحلق الوقت عندما تستمتع.
سنسمع أيضًا من ويل جورمان ، كبير مهندسي بنتاهو ؛ ستيف ويلكس ، CCO of WebAction ؛ فرانك ساندرز ، المدير الفني في MarkLogic ؛ وهانا سمولتري ، مديرة بيانات الكنز. هكذا قلت ، هذا الكثير من المحتوى.
فكيف يمكن للتحليلات مساعدة عملك؟ حسنًا ، كيف لا يمكن أن يساعد عملك بصراحة تامة؟ هناك كل أنواع الطرق التي يمكن من خلالها استخدام التحليلات للقيام بأشياء تعمل على تحسين مؤسستك.
حتى تبسيط العمليات. هذا شيء لا تسمع عنه بقدر ما تسمع عن أشياء مثل التسويق أو زيادة الإيرادات أو حتى تحديد الفرص. لكن تبسيط عملياتك هو هذا الشيء القوي حقًا الذي يمكنك القيام به لمؤسستك لأنه يمكنك تحديد الأماكن التي يمكنك من خلالها الاستعانة بمصادر خارجية أو يمكنك إضافة بيانات إلى عملية معينة ، على سبيل المثال. وقد يؤدي ذلك إلى تبسيطه من خلال عدم مطالبة شخص ما بالتقاط الهاتف للاتصال أو إرسال بريد إلكتروني إلى شخص ما. هناك العديد من الطرق المختلفة التي يمكنك من خلالها تبسيط عملياتك. وكل هذا يساعد حقًا على خفض الكلفة ، أليس كذلك؟ هذا هو المفتاح ، فهو يخفض التكلفة. ولكنه يسمح لك أيضًا بتقديم خدمة أفضل لعملائك.
وإذا كنت تفكر في مدى صبر الناس ، فقد رأيت هذا كل يوم من حيث كيفية تفاعل الناس عبر الإنترنت ، حتى مع عروضنا ومقدمي الخدمات الذين نستخدمهم. إن صبر الناس ، فترة الانتباه ، يصبح أقصر وأقصر يوما بعد يوم. وما يعنيه ذلك هو أنك تحتاج ، كمؤسسة ، إلى الرد في فترات زمنية أسرع وأسرع حتى تتمكن من إرضاء عملائك.
لذلك ، على سبيل المثال ، إذا كان هناك شخص ما على موقع الويب الخاص بك على الإنترنت أو يتجول في محاولة للعثور على شيء ما ، وإذا أصابهم الإحباط وغادروا ، فقد تكون قد فقدت للتو عميلًا. واعتمادًا على المبلغ الذي تتقاضاه مقابل منتجك أو خدمتك ، وربما تكون هذه مشكلة كبيرة. خلاصة القول هي أن تبسيط العمليات ، على ما أعتقد ، هو واحد من أهم المساحات لتطبيق التحليلات. ويمكنك القيام بذلك من خلال النظر إلى الأرقام ، عن طريق انتزاع البيانات ، من خلال معرفة ، على سبيل المثال ، "مهلا ، لماذا نفقد الكثير من الناس على هذه الصفحة من موقعنا على الإنترنت؟" "لماذا نحصل على بعض هذه المكالمات الهاتفية الآن؟"
وكلما زاد الوقت الحقيقي الذي يمكنك فيه الاستجابة لهذا النوع من الأشياء ، كانت هناك فرص أفضل لتتمكن من الاستفادة من الموقف وفعل شيء حيال ذلك قبل فوات الأوان. نظرًا لوجود تلك النافذة الزمنية التي ينزعج فيها شخص ما بشأن شيء ما ، فهو غير راضٍ أو يحاول العثور على شيء لكنه محبط ؛ لديك فرصة سانحة للتواصل معهم ، للاستيلاء عليهم ، للتفاعل مع هذا العميل. وإذا قمت بذلك بالطريقة الصحيحة باستخدام البيانات الصحيحة أو صورة لطيفة للعميل - فهم من هو هذا العميل ، وما هي ربحيته ، وما هي تفضيلاته - إذا كنت تستطيع حقًا التعامل معها ، فسوف تفعل وظيفة رائعة في التمسك بعملائك والحصول على عملاء جدد. وهذا ما يدور حوله.
لذلك ، سأسلمها ، في الواقع ، إلى كيرك بورني ، أحد علماء البيانات لدينا على المكالمة اليوم. وهم نادرون جداً هذه الأيام ، أيها الناس. لقد حصل اثنان منهم على الأقل على المكالمة ، وهذا أمر كبير. مع ذلك ، كيرك ، سأقوم بتسليمها إليك للحديث عن التحليلات وكيف أنها تساعد الأعمال. أذهب خلفها.
دكتور كيرك بورن: حسنًا ، شكرًا جزيلًا ، يا إريك. أيمكنك سماعي؟
إريك: هذا جيد ، تابع.
دكتور كيرك: حسنًا ، جيد. أريد فقط أن أشارك إذا تحدثت لمدة خمس دقائق ، وكان الناس يلوحون بأيدي. إذن الملاحظات الافتتاحية ، أيريك ، التي ربطتها حقًا بهذا الموضوع سوف أتحدث عنها لفترة وجيزة في الدقائق القليلة المقبلة وهو هذا الاستخدام للبيانات والتحليلات الضخمة للبيانات إلى قرارات الدعم ، هناك. إن التعليق الذي أدليت به حول التبسيط التشغيلي ، بالنسبة لي ، يندرج ضمن مفهوم التحليلات التشغيلية هذا والذي يمكنك أن ترى فيه في كل تطبيق على مستوى العالم سواء كان تطبيقًا علميًا أو شركة أو أمنًا إلكترونيًا أو تطبيقًا للقانون الحكومة والرعاية الصحية. أي عدد من الأماكن التي لدينا فيها دفق من البيانات ونقوم بعمل نوع من الاستجابة أو القرار كرد فعل للأحداث والتنبيهات والسلوكيات التي نراها في دفق البيانات هذا.
وهكذا فإن أحد الأشياء التي أود التحدث عنها اليوم هو كيف تستخرج المعرفة والرؤى من البيانات الضخمة من أجل الوصول إلى تلك النقطة حيث يمكننا في الواقع اتخاذ قرارات لاتخاذ إجراءات. وكثيرا ما نتحدث عن هذا في سياق الأتمتة. واليوم أريد مزج الأتمتة مع المحلل البشري في الحلقة. لذلك أقصد بذلك أن محلل الأعمال يلعب دورًا مهمًا هنا من حيث المراهنة أو التأهيل أو التحقق من صحة إجراءات محددة أو قواعد تعلم الآلة التي نستخلصها من البيانات. ولكن إذا وصلنا إلى نقطة اقتنعنا فيها تمامًا بقواعد العمل التي استخرجناها وآليات تنبيهنا صالحة ، فيمكننا حينئذٍ تحويل هذا الأمر إلى عملية تلقائية. نحن في الواقع نفعل ذلك التبسيط التشغيلي الذي كان يتحدث عنه إريك.
لذلك لدي القليل من اللعب على الكلمات هنا ، لكنني آمل ، إذا كان الأمر يعمل من أجلك ، تحدثت عن تحدي D2D. و D2D ، وليس فقط بيانات القرارات في جميع السياقات ، نحن ننظر إلى هذا في الجزء السفلي من هذه الشريحة ، نأمل أن تتمكن من رؤيتها ، وجعل الاكتشافات وزيادة إيرادات الدولارات من خطوط أنابيب التحليلات الخاصة بنا.
في هذا السياق ، لدي بالفعل دور المسوق لنفسي هنا الآن الذي أعمل معه وهو: أول شيء تريد القيام به هو توصيف بياناتك أو استخراج الميزات أو استخراج خصائص عملائك أو أي كيان تقوم بتتبعه في مساحتك. ربما يكون المريض في بيئة التحليلات الصحية. ربما يكون مستخدم ويب إذا كنت تبحث عن مشكلة أمنية عبر الإنترنت. لكن قم بتمييز واستخراج الخصائص ثم استخراج بعض السياق حول هذا الفرد ، حول هذا الكيان. ثم تقوم بتجميع تلك القطع التي أنشأتها للتو ووضعها في مجموعة من الأنواع يمكنك من خلالها تطبيق خوارزميات التعلم الآلي.
السبب في أنني أقول ذلك بهذه الطريقة ، دعنا نقول فقط ، لديك كاميرا مراقبة في المطار. الفيديو بحد ذاته ضخم ، وهو كبير الحجم وغير منظم أيضًا. ولكن يمكنك استخراج من المراقبة بالفيديو ، القياسات الحيوية للوجه وتحديد الأفراد في كاميرات المراقبة. على سبيل المثال ، في المطار ، يمكنك تحديد أفراد محددين ، ويمكنك تتبعهم من خلال المطار عن طريق تحديد هوية الشخص نفسه في كاميرات مراقبة متعددة. وبذلك ، فإن الميزات البيومترية المستخرجة التي تستخرجها وتتعقبها حقًا ليست الفيديو التفصيلي الفعلي بحد ذاته. ولكن بمجرد حصولك على هذه الاستخراجات ، يمكنك تطبيق قواعد التعلم الآلي والتحليلات لاتخاذ قرارات بشأن ما إذا كنت بحاجة إلى اتخاذ إجراء في حالة معينة أو حدث شيء غير صحيح أو شيء لديك فرصة لتقديم عرض. إذا كنت ، على سبيل المثال ، إذا كان لديك متجر في المطار ورأيت أن الزبون يقترب من طريقك وأنت تعرف من معلومات أخرى عن ذلك العميل ، فربما يكون مهتمًا حقًا بشراء أشياء من المتجر المعفي من الرسوم الجمركية أو شيء من هذا القبيل ، تقديم هذا العرض.
فما نوع الأشياء التي أقصدها بالتوصيف والإمكانيات؟ يعني التوصيف ، مرة أخرى ، استخراج الميزات والخصائص في البيانات. ويمكن أن يتم إنشاء هذا الجهاز ، ثم يمكن لخوارزمياته بالفعل استخراج التواقيع الحيوية من تحليل الفيديو أو المشاعر على سبيل المثال. يمكنك استخراج معنويات العميل من خلال المراجعات عبر الإنترنت أو وسائل التواصل الاجتماعي. قد تكون بعض هذه الأشياء من صنع الإنسان ، بحيث يمكن للإنسان ، وهو محلل الأعمال ، استخراج ميزات إضافية سأعرضها في الشريحة التالية.
بعض هذه يمكن التعهيد الجماعي. ومن خلال التعهيد الجماعي ، هناك الكثير من الطرق المختلفة التي يمكنك من خلالها التفكير في ذلك. ولكن ببساطة شديدة ، على سبيل المثال ، يأتي المستخدمون إلى موقع الويب الخاص بك ويقومون بوضع كلمات البحث والكلمات الرئيسية ، وينتهي بهم الأمر في صفحة معينة ويقضون وقتًا هناك في هذه الصفحة. أنهم في الواقع ، على الأقل ، يدركون أنهم إما يستعرضون أو يتصفحون أو ينقرون على أشياء في تلك الصفحة. ما يقوله لك هو أن الكلمة التي كتبتها في البداية هي واصف تلك الصفحة لأنها هبطت على الصفحة التي كانوا يتوقعونها. وبالتالي يمكنك إضافة تلك المعلومات الإضافية ، أي أن العملاء الذين يستخدمون هذه الكلمة الرئيسية قد حددوا بالفعل صفحة الويب هذه داخل بنية المعلومات الخاصة بنا باعتبارها المكان الذي يطابق فيه هذا المحتوى هذه الكلمة الرئيسية.
وبالتالي فإن التعهيد الجماعي هو جانب آخر ينسى الناس في بعض الأحيان ، وهو نوع من تتبع فتات عملائك ، إذا جاز التعبير ؛ كيف ينتقلون عبر مساحتهم ، سواء كانت خاصية عبر الإنترنت أو خاصية حقيقية. ثم استخدم هذا النوع من المسار الذي يتبعه ، حيث يأخذ العميل معلومات إضافية حول الأشياء التي ننظر إليها.
لذلك أريد أن أقول أن الأشياء التي ينتجها الإنسان ، أو الجهاز الذي تم إنشاؤه ، انتهى به الأمر إلى سياق يشبه حبيبات أو كيانات بيانات محددة أو يضع علامات عليها. سواء كانت هذه الكيانات من المرضى في المستشفيات ، والعملاء أو أيا كان. وبالتالي هناك أنواع مختلفة من العلامات والشروح. بعض ذلك يتعلق بالبيانات نفسها. هذا هو أحد الأشياء ، ونوع المعلومات ، ونوع المعلومات ، وما هي الميزات ، والأشكال ، وربما القوام والأنماط ، والشذوذ ، والسلوكيات غير الشاذة. ثم استخرج بعض الدلالات ، أي كيف يرتبط هذا بأشياء أخرى أعرفها ، أو أن هذا العميل هو عميل للإلكترونيات. هذا العميل هو عميل للملابس. أو يحب هذا العميل شراء الموسيقى.
لذلك تحديد بعض الدلالات حول ذلك ، هؤلاء العملاء الذين يحبون الموسيقى يميلون إلى مثل الترفيه. ربما يمكننا أن نقدم لهم بعض الممتلكات الترفيهية الأخرى. إذاً فهم الدلالات وأيضًا بعض الأصل ، الذي يقول بشكل أساسي: من أين جاء هذا ، من الذي قدم هذا التأكيد ، في أي وقت ، في أي تاريخ ، تحت أي ظرف من الظروف؟
لذلك بمجرد الحصول على كل هذه التعليقات التوضيحية والتوصيفات ، أضف إلى ذلك ثم الخطوة التالية ، وهي السياق ، ونوع من ، وماذا ومتى وأين ولماذا. من هو المستخدم؟ ما هي القناة التي جاءوا بها؟ ما هو مصدر المعلومات؟ ما نوع عمليات إعادة الاستخدام التي رأيناها في هذا الجزء المعين من المعلومات أو منتج البيانات؟ وما هي القيمة في العملية التجارية؟ ثم جمع تلك الأشياء وإدارتها ، وساعد في الواقع في إنشاء قاعدة بيانات ، إذا كنت تريد التفكير في الأمر بهذه الطريقة. اجعلها قابلة للبحث ، يمكن إعادة استخدامها ، من قبل محللي الأعمال الآخرين أو من خلال عملية تلقائية ، في المرة القادمة التي أرى فيها مجموعات الميزات هذه ، يمكن للنظام اتخاذ هذا الإجراء التلقائي. وهكذا نصل إلى هذا النوع من الكفاءة التحليلية التشغيلية ، ولكن كلما جمعنا معلومات مفيدة وشاملة ، ثم قمنا برعاية هذه الحالات الاستخدام.
نصل الى العمل. نحن نفعل تحليلات البيانات. نحن نبحث عن أنماط مثيرة للاهتمام ، مفاجآت ، القيم المتطرفة الجدة ، الشذوذ. نحن نبحث عن فئات وشرائح جديدة من السكان. نحن نبحث عن الجمعيات والعلاقات والروابط بين الكيانات المختلفة. ثم نستخدم كل ذلك لدفع عملية الاكتشاف والقرار وصنع الدولار.
هناك مرة أخرى ، هنا حصلنا على آخر شريحة بيانات لدي تلخيصها بشكل أساسي ، مع إبقاء محلل الأعمال في الحلقة ، ومرة أخرى ، أنت لا تستخرج هذا الإنسان ومن المهم أن تحافظ على وجود ذلك الإنسان هناك.
لذلك هذه الميزات ، يتم توفيرها جميعًا بواسطة آلات أو محللين بشريين أو حتى التعهيد الجماعي. نحن نطبق هذه المجموعة من الأشياء لتحسين مجموعاتنا التدريبية لنماذجنا وينتهي الأمر بنماذج تنبؤية أكثر دقة ، وإيجابيات وسلبيات أقل كاذبة ، وسلوك أكثر كفاءة ، وتدخلات أكثر فاعلية مع عملائنا أو مع أي شخص آخر.
لذلك ، في نهاية اليوم ، نحن فقط نجمع بين التعلم الآلي والبيانات الضخمة مع قوة الإدراك البشري ، حيث يأتي هذا النوع من قطعة التعليق التوضيحي. ويمكن أن يؤدي ذلك إلى التصور والتحليل المرئي. أدوات أو بيئات البيانات غامرة أو التعهيد الجماعي. وفي نهاية المطاف ، ما يفعله هذا حقًا هو توليد اكتشافنا ورؤيتنا و D2D. وتلك هي تعليقاتي ، شكرًا لك على الاستماع.
إريك: يا هذا رائعًا ودعني أستمر في تسليم المفاتيح إلى الدكتور روبن بلور لإعطاء وجهة نظره أيضًا. نعم ، أود أن أسمعك تعلق على هذا التبسيط لمفهوم العمليات وأنت تتحدث عن التحليلات التشغيلية. أعتقد أن هذا مجال كبير يحتاج إلى استكشاف شامل تمامًا. وأعتقد ، سريع حقيقي قبل روبن ، سأعيدك ، كيرك. هل يتطلب الأمر وجود تعاون كبير بين مختلف اللاعبين في الشركة ، أليس كذلك؟ يجب عليك التحدث إلى عمليات الناس. عليك أن تحصل على الكوادر الفنية الخاصة بك. في بعض الأحيان تحصل على أشخاص التسويق الخاصة بك أو الناس واجهة الويب الخاصة بك. هذه هي عادة مجموعات مختلفة. هل لديك أفضل الممارسات أو الاقتراحات حول كيفية جعل الجميع يضعون بشرتهم في اللعبة؟
دكتور كيرك: حسنًا ، أعتقد أن هذا يأتي مع ثقافة العمل التعاونية. في الحقيقة ، أنا أتحدث عن ثلاثة أنواع من ثقافة التحليلات. واحد هو الإبداع. آخر هو الفضول والثالث هو التعاون. لذا ، فأنت تريد أشخاصًا مبدعين وجديين ، ولكن عليك أيضًا أن تجعل هؤلاء الأشخاص يتعاونون. وهي تبدأ فعلاً من الأعلى ، هذا النوع من بناء تلك الثقافة مع أشخاص يجب عليهم المشاركة والعمل بشكل صريح لتحقيق الأهداف المشتركة للشركة.
إريك: كل ذلك منطقي. وعليك حقًا أن تحصل على قيادة جيدة في القمة لتحقيق ذلك. لذلك دعونا نمضي قدمًا ونسلمها للدكتور بلور. روبن ، الكلمة لك.
د. روبن بلور: حسنًا. شكرا على هذه المقدمة ، اريك. حسنًا ، هذه الطريقة التي يظهر بها هؤلاء ، تظهر ، لأن لدينا اثنين من المحللين ؛ أود أن أرى عرض المحلل الذي لم يفعله الآخرون. كنت أعرف ما كان كيرك سيقوله وأذهب إلى زاوية مختلفة تمامًا حتى لا نتداخل كثيرًا.
لذا فإن ما أتحدث عنه بالفعل أو أنوي التحدث عنه هنا هو دور محلل البيانات مقابل دور محلل الأعمال. والطريقة التي أتصف بها ، حسناً ، اللسان في الخد إلى حد ما ، هي نوع من جيكيل وهايد. الفرق في كون علماء البيانات على وجه التحديد ، من الناحية النظرية على الأقل ، يعرفون ما يفعلونه. في حين أن محللي الأعمال ليسوا كذلك ، حسناً بالطريقة التي تعمل بها الرياضيات ، وما يمكن الوثوق به وما لا يمكن الوثوق به.
لذلك دعونا ننتقل إلى سبب قيامنا بذلك ، والسبب في أن تحليل البيانات أصبح فجأة أمرًا كبيرًا بصرف النظر عن حقيقة أنه يمكننا بالفعل تحليل كميات كبيرة جدًا من البيانات وسحب البيانات من خارج المؤسسة ؛ هل هو يدفع. الطريقة التي أنظر فيها إلى هذا - وأعتقد أن هذا فقط أصبح مجرد حالة ولكني أعتقد بالتأكيد أنها حالة - تحليل البيانات هو حقًا بحث وتطوير. ما تفعله بالفعل بطريقة أو بأخرى مع تحليل البيانات هو أنك تنظر إلى عملية تجارية من نوع ما أو ما إذا كان هذا هو التفاعل مع عميل ، سواء كان ذلك بالطريقة التي تتم بها عملية البيع بالتجزئة ، أو الطريقة التي تنشر بها المتاجر الخاصة بك. لا يهم حقا ما هي القضية. أنت تبحث في عملية تجارية معينة وتحاول تحسينها.
نتائج البحث والتطوير الناجحة هي عملية التغيير. ويمكنك التفكير في التصنيع ، إذا أردت ، كمثال معتاد على ذلك. لأنه في التصنيع ، يجمع الناس معلومات حول كل شيء لمحاولة تحسين عملية التصنيع. لكنني أعتقد أن ما حدث أو ما يحدث في البيانات الضخمة هو أن كل هذا يتم تطبيقه الآن على جميع الأعمال التجارية من أي نوع وبأي طريقة يمكن لأي شخص التفكير فيها. إلى حد كبير أي عملية تجارية متروكة للفحص إذا كان يمكنك جمع البيانات عنها.
هذا شيء واحد. إذا كنت ترغب في ذلك ، فهذا يحدث في مسألة تحليل البيانات. ماذا يمكن أن تفعل تحليلات البيانات لرجال الأعمال؟ حسنا ، يمكن أن تغير العمل تماما.
هذا الرسم التخطيطي المحدد الذي لن أصفه بأي عمق ، لكن هذا رسم تخطيطي توصلنا إليه باعتباره ذروة المشروع البحثي الذي قمنا به للأشهر الستة الأولى من هذا العام. هذه طريقة لتمثيل بنية بيانات كبيرة. وهناك عدد من الأشياء التي تستحق الإشارة قبل الانتقال إلى الشريحة التالية. هناك نوعان من تدفق البيانات هنا. واحد هو دفق البيانات في الوقت الحقيقي ، والذي يمتد على طول الجزء العلوي من الرسم البياني. الآخر هو دفق بيانات أبطأ يمتد أسفل الرسم التخطيطي.
انظر إلى أسفل المخطط. لدينا Hadoop كمستودع بيانات. لدينا قواعد بيانات مختلفة. لدينا بيانات كاملة هناك مع مجموعة كاملة من الأنشطة التي تحدث فيها ، ومعظمها نشاط تحليلي.
النقطة التي أثيرها هنا والنقطة الوحيدة التي أريد حقاً توضيحها هنا هي أن التكنولوجيا صعبة. انها ليست بسيطة. انها ليست سهلة. إنه ليس شيئًا يمكن لأي شخص جديد في اللعبة أن يجمعه معًا. هذا معقد إلى حد ما. وإذا كنت ستقوم بعمل تجاري للقيام بتحليلات يمكن الاعتماد عليها في جميع هذه العمليات ، فهذا ليس شيئًا سيحدث بسرعة على وجه التحديد. سيتطلب الأمر إضافة الكثير من التكنولوجيا إلى هذا المزيج.
حسنا. السؤال ما هو عالم البيانات ، يمكنني الادعاء بأنني عالم بيانات لأنني تدربت بالفعل على الإحصاء قبل أن أتدرب في مجال الحوسبة. لقد قمت بعمل اكتواري لفترة من الزمن ، لذلك أعرف الطريقة التي ينظم بها النشاط التجاري ، التحليل الإحصائي ، من أجل إدارة نفسه. هذا ليس شيئًا تافهًا. وهناك الكثير من الممارسات الفظيعة التي تشمل كلا من الجانب الإنساني وعلى الجانب التكنولوجي.
لذلك في طرح سؤال "ما هو عالم البيانات ،" لقد وضعت الموافقة المسبقة عن علم فرانكشتاين ببساطة لأنه مزيج من الأشياء التي يجب أن محبوك معا. هناك إدارة المشاريع المعنية. هناك فهم عميق في الإحصاءات. هناك خبرة في مجال الأعمال ، والتي تعد مشكلة محلل أعمال أكثر من مشكلة عالم البيانات بالضرورة. هناك خبرة أو الحاجة إلى فهم بنية البيانات والقدرة على بناء مهندس البيانات وهناك هندسة البرمجيات المعنية. بمعنى آخر ، ربما يكون فريقًا. ربما ليس الفرد. وهذا يعني أنه من المحتمل أن يكون قسمًا يحتاج إلى تنظيم وأن تنظيمه يحتاج إلى التفكير فيه على نطاق واسع.
رمي في مزيج حقيقة التعلم الآلي. أعني أننا لا نستطيع أن نفعل ذلك ، فالتعلم الآلي ليس بالأمر الجديد بمعنى أن معظم التقنيات الإحصائية المستخدمة في التعلم الآلي كانت معروفة منذ عقود. هناك بعض الأشياء الجديدة ، أعني أن الشبكات العصبية جديدة نسبيًا ، وأعتقد أن عمرها 20 عامًا فقط ، لذا فإن بعضها جديد نسبيًا. لكن مشكلة التعلم الآلي كانت أننا لا نملك بالفعل قوة الكمبيوتر للقيام بذلك. وما حدث ، بصرف النظر عن أي شيء آخر ، هو أن طاقة الكمبيوتر أصبحت جاهزة الآن. وهذا يعني الكثير من الأعمال الفظيعة التي قمنا بها ، كما يقول ، علماء البيانات من قبل فيما يتعلق بنماذج النمذجة ، وأخذ عينات البيانات ، ثم تنظيم ذلك من أجل إنتاج تحليل أعمق للبيانات. في الواقع ، يمكننا فقط إلقاء طاقة الكمبيوتر عليه في بعض الحالات. ما عليك سوى اختيار خوارزميات التعلم الآلي ورميها على البيانات ومعرفة ما يخرج منها. وهذا شيء يستطيع المحلل التجاري القيام به ، أليس كذلك؟ لكن يحتاج محلل الأعمال إلى فهم ما يفعلونه. أعني ، أعتقد أن هذه هي القضية حقًا ، أكثر من أي شيء آخر.
حسنًا ، هذا فقط لمعرفة المزيد عن الأعمال من بياناتها أكثر من أي وسيلة أخرى. لم يقل أينشتاين ذلك. أنا فقط وضعت صورته للمصداقية. لكن الوضع بدأ يتطور فعليًا ، حيث تكون التكنولوجيا ، إذا ما استخدمت بشكل صحيح ، والرياضيات ، إذا تم استخدامها بشكل صحيح ، قادرة على إدارة عمل تجاري كفرد. لقد شاهدنا هذا مع IBM. بادئ ذي بدء ، يمكن أن يفوز على أفضل اللاعبين في لعبة الشطرنج ، ومن ثم يمكنه التغلب على أفضل اللاعبين في Jeopardy ؛ لكن في النهاية سنكون قادرين على التغلب على أفضل اللاعبين في إدارة الشركة. ستنتصر الإحصاءات في النهاية. ومن الصعب أن نرى كيف لن يحدث ذلك ، إنه لم يحدث بعد.
لذلك ما أقوله ، وهذا نوع من رسالة كاملة من العرض التقديمي ، هو هاتين المسألتين من الأعمال. أول واحد هو ، هل يمكنك الحصول على التكنولوجيا الصحيحة؟ يمكنك جعل التكنولوجيا تعمل للفريق الذي سيكون في الواقع قادرة على ترأسها والحصول على فوائد لرجال الأعمال؟ وثانياً ، هل تستطيع أن تصحح الناس؟ وكلاهما من القضايا. وهي قضايا لم يتم حلها ، حتى هذه المرحلة الزمنية.
حسناً إريك ، سأعيدها إليك. أو ربما يجب أن أنقلها إلى الإرادة.
إريك: في الواقع ، نعم. شكرا لك ، ويل جورمان. نعم ، هناك تذهب ، ويل. لذلك دعونا نرى. اسمحوا لي أن أقدم لك مفتاح WebEx. إذن ما الذي حصل؟ من الواضح أن Pentaho ، يا رفاق ، كانوا موجودين لفترة من الوقت ونوع BI مفتوح المصدر من حيث بدأت. لكنك حصلت على أكثر مما اعتدت عليه ، لذلك دعونا نرى ما حصلت عليه هذه الأيام للتحليلات.
ويل جورمان: بالتأكيد. أهلا بالجميع! اسمي ويل جورمان. أنا كبير المهندسين المعماريين في Pentaho. لأولئك منكم الذين لم يسمعوا منا ، لقد ذكرت للتو Pentaho هي شركة كبيرة لتحليل البيانات والتكامل. لقد كنا في الأعمال التجارية لمدة عشر سنوات. تطورت منتجاتنا جنبًا إلى جنب مع مجتمع البيانات الكبير ، حيث بدأت كمنصة مفتوحة المصدر لتكامل البيانات والتحليلات ، والابتكار باستخدام تقنية مثل Hadoop و NoSQL حتى قبل تشكيل كيانات تجارية حول هذه التكنولوجيا. والآن لدينا أكثر من 1500 عميل تجاري والعديد من مواعيد الإنتاج كنتيجة لابتكارنا حول المصادر المفتوحة.
الهندسة المعمارية لدينا قابلة للتجسيد وقابلة للتوسعة بشكل كبير ، مصممة خصيصًا لتكون مرنًا حيث تتطور تقنية البيانات الكبيرة بشكل خاص بوتيرة سريعة جدًا. يقدم Pentaho ثلاثة مجالات إنتاج رئيسية هي أن تعمل معًا لمعالجة حالات استخدام تحليلات البيانات الكبيرة.
المنتج الأول في مدى بنيتنا هو Pentaho Data Integration والذي يتجه نحو فنيي البيانات ومهندسي البيانات. يوفر هذا المنتج تجربة مرئي وسحب وإفلات لتحديد خطوط أنابيب البيانات وعمليات تنظيم البيانات داخل بيئات البيانات الكبيرة والبيئات التقليدية أيضًا. هذا المنتج عبارة عن نظام أساسي خفيف الوزن وقاعدة بيانات وتكامل للبيانات مبني على Java ويمكن نشره كعملية داخل MapReduce أو YARN أو Storm والعديد من الأنظمة الأساسية الأخرى في الوقت الفعلي.
منطقة منتجاتنا الثانية هي حول التحليلات البصرية. من خلال هذه التكنولوجيا ، يمكن للمؤسسات ومصنّعي المعدات الأصلية توفير تجربة غنية في التصور والتحليلات لمحللي الأعمال ومستخدمي الأعمال بواسطة المستعرضات والأجهزة اللوحية الحديثة ، مما يتيح إنشاء تقارير ولوحات معلومات مخصصة. بالإضافة إلى عرض لوحة القيادة وتقارير بكسل مثالية.
يركز مجال منتجاتنا الثالث على التحليلات التنبؤية التي تستهدف علماء البيانات ، خوارزميات التعلم الآلي. كما ذكرنا من قبل ، مثل الشبكات العصبية وما إلى ذلك ، يمكن دمجها في بيئة تحويل البيانات ، مما يسمح لعلماء البيانات بالانتقال من النمذجة إلى بيئة الإنتاج ، مما يتيح الوصول إلى التنبؤ ، وقد يؤثر ذلك على العمليات التجارية على الفور وبسرعة كبيرة.
يتم دمج جميع هذه المنتجات بإحكام في تجربة واحدة رشيقة ومنح عملاء المؤسسة لدينا المرونة التي يحتاجونها لمعالجة مشاكل أعمالهم. نحن نشهد مشهدًا سريع التطور للبيانات الضخمة في التقنيات التقليدية. كل ما نسمعه من بعض الشركات في مساحة البيانات الكبيرة أن EDW يقترب من نهايته. في الواقع ، إن ما نراه في عملاء مؤسستنا هو أنهم بحاجة إلى إدخال بيانات كبيرة في عمليات الأعمال وتكنولوجيا المعلومات الحالية وليس استبدال تلك العمليات.
يوضح هذا المخطط البسيط النقطة في الهندسة المعمارية التي نراها غالبًا ، وهي نوع من بنية نشر EDW مع تكامل البيانات وحالات استخدام BI. يشبه هذا المخطط الآن شريحة روبن على بنية البيانات الضخمة ، فهو يشتمل على بيانات تاريخية وتاريخية. مع ظهور مصادر جديدة للبيانات ومتطلبات في الوقت الفعلي ، نرى البيانات الضخمة كجزء إضافي من البنية الكلية لتكنولوجيا المعلومات. تتضمن مصادر البيانات الجديدة هذه البيانات التي تم إنشاؤها بواسطة الآلة ، والبيانات غير المهيكلة ، والحجم القياسي والسرعة ومتطلبات متنوعة نسمع عنها في البيانات الضخمة ؛ أنها لا تنسجم مع عمليات EDW التقليدية. تعمل Pentaho عن كثب مع Hadoop و NoSQL لتبسيط استيعاب هذه البيانات ومعالجتها وتصورها وكذلك مزج هذه البيانات مع المصادر التقليدية لمنح العملاء رؤية كاملة في بيئة البيانات الخاصة بهم. نقوم بذلك بطريقة محكومة بحيث يمكن لتقنية المعلومات تقديم حل تحليلات كامل لقطاع أعمالهم.
في الختام ، أود أن أبرز فلسفتنا حول تحليلات البيانات الضخمة والتكامل ؛ نعتقد أن هذه التقنيات تعمل معًا بشكل أفضل مع بنية موحدة واحدة ، مما يتيح عددًا من حالات الاستخدام التي قد لا تكون ممكنة. تعد بيئات بيانات عملائنا أكثر من مجرد بيانات كبيرة ، Hadoop و NoSQL. أي بيانات هي لعبة عادلة. يجب أن تكون مصادر البيانات الضخمة متوفرة وتعمل معًا للتأثير على قيمة الأعمال.
أخيرًا ، نعتقد أنه من أجل حل هذه المشكلات التجارية في المؤسسات بفعالية كبيرة من خلال البيانات ، تحتاج تكنولوجيا المعلومات وخطوط العمل إلى العمل معًا على نهج مخلوط محكوم لتحليلات البيانات الضخمة. شكراً جزيلاً لك على إتاحة وقت للحديث يا إريك.
إريك: أنت تراهن. لا ، هذه أشياء جيدة. أريد أن أعود إلى هذا الجانب من الهندسة المعمارية الخاصة بك ونحن نصل إلى أسئلة وأجوبة. لذلك دعونا نتحرك خلال بقية العرض ونشكرك جزيل الشكر على ذلك. بالتأكيد يا رفاق تحركت بسرعة خلال العامين الأخيرين ، يجب أن أقول ذلك بالتأكيد.
لذا ستيف ، اسمح لي بالمضي قدما وتسليمها لك. وفقط انقر فوق السهم لأسفل وانتقل إليه. ستيف ، أنا أعطيك المفاتيح. ستيف ويلكس ، فقط اضغط على ذلك السهم لأسفل الموجود على لوحة المفاتيح.
ستيف ويلكس: هناك نذهب.
إريك: ها أنت ذا.
ستيف: هذا مقدمة رائعة قدمتموها لي.
اريك: نعم.
ستيف: لذلك أنا ستيف ويلكس. أنا مدير العمليات في WebAction. لقد كنا في الجوار خلال العامين الأخيرين وبالتأكيد كنا نتحرك بسرعة ، منذ ذلك الحين. WebAction عبارة عن منصة تحليل بيانات كبيرة في الوقت الفعلي. ذكر إريك في وقت سابق نوعًا ما مدى أهمية الوقت الحقيقي ومدى الوقت الحقيقي الذي تحصل عليه تطبيقاتك. تم تصميم منصتنا لبناء تطبيقات في الوقت الحقيقي. ولتمكين الجيل التالي من التطبيقات التي تعتمد على البيانات والتي يمكن بناؤها بشكل تدريجي وتتيح للناس إنشاء لوحات معلومات من البيانات التي تم إنشاؤها من تلك التطبيقات ، مع التركيز على الوقت الفعلي.
نظامنا الأساسي هو في الواقع نظام أساسي متكامل ، يقوم بكل شيء بدءًا من الحصول على البيانات ، ومعالجة البيانات ، وصولاً إلى عرض البيانات. وتمكّن أنواعًا مختلفة من الأشخاص داخل مؤسستنا من العمل معًا لإنشاء تطبيقات حقيقية في الوقت الحقيقي ، مما يمنحهم نظرة ثاقبة على الأشياء التي تحدث في مشروعهم عند حدوثها.
وهذا يختلف قليلاً عن ما يراه معظم الناس في البيانات الضخمة ، بحيث كان النهج التقليدي - حسناً ، التقليدي في العامين الأخيرين - مع البيانات الضخمة هو الاستيلاء عليها من مجموعة كاملة من المصادر المختلفة و ثم قم بتكديسها في خزان كبير أو بحيرة أو أي شيء تريد تسميته. ثم قم بمعالجته عندما تحتاج إلى تشغيل استعلام عليه ؛ لتشغيل تحليل تاريخي واسع النطاق أو حتى مجرد الاستعلام المخصص لكميات كبيرة من البيانات. الآن هذا يعمل لحالات استخدام معينة. ولكن إذا كنت تريد أن تكون استباقيًا في مؤسستك ، إذا كنت تريد أن يتم إخبارك فعليًا بما يحدث بدلاً من اكتشاف وقت حدوث شيء ما في نهاية اليوم أو نهاية الأسبوع ، فأنت بحاجة فعلاً إلى التحرك في الوقت الحقيقي.
وهذا يغير الأشياء قليلاً. يتحرك المعالجة إلى الوسط. لذا ، فأنت تقوم بفعالية بتدفقات البيانات الكبيرة هذه التي يتم إنشاؤها باستمرار داخل المؤسسة وتقوم بمعالجتها كما تحصل عليها. ولأنك تقوم بمعالجتها أثناء الحصول عليها ، فلا يتعين عليك تخزين كل شيء. يمكنك فقط تخزين المعلومات المهمة أو الأشياء التي تحتاج إلى تذكرها التي حدثت بالفعل. لذلك إذا كنت تتتبع موقع GPS للمركبات التي تسير على الطريق ، فأنت لا تهتم حقًا بمكان وجودها في كل ثانية ، ولا تحتاج إلى تخزين أماكنها في كل ثانية. تحتاج فقط إلى الرعاية ، هل غادروا هذا المكان؟ هل وصلوا إلى هذا المكان؟ هل قادوا ، أم لا ، الطريق السريع؟
لذلك من المهم حقًا التفكير في أنه كلما تم إنشاء المزيد والمزيد من البيانات ، فإن البيانات الثلاثة تحدد السرعة بشكل أساسي مقدار البيانات التي يتم إنشاؤها كل يوم. لمزيد من البيانات التي تم إنشاؤها كلما زاد تخزينك. وكلما زاد تخزينك ، كلما طالت المعالجة. ولكن إذا كان بإمكانك معالجته كما تحصل عليه ، فستحصل على فائدة كبيرة حقًا ويمكنك الرد على ذلك. يمكن إخبارك أن الأمور تحدث بدلاً من البحث عنها لاحقًا.
لذلك تم تصميم منصة لدينا لتكون قابلة للتطوير للغاية. إنه يحتوي على ثلاث قطع رئيسية - قطعة الاستحواذ ، قطعة المعالجة ، ثم قطع التصور التسليم للمنصة. على جانب الاستحواذ ، لا ننظر فقط في بيانات السجل التي يتم إنشاؤها بواسطة الجهاز مثل سجلات الويب أو التطبيقات التي تحتوي على جميع السجلات الأخرى التي يتم إنشاؤها. 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. شكرا لكم.
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. ها أنت ذا.
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. حق؟
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. حسنا. 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?" حسنا.
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. حق؟ 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. خذه بعيدا.
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.
إنطلق.
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. ماذا تعتقد؟
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. شكرا جزيلا لك. We'll catch you next time. مع السلامة.
