Темпы и эволюция решений бизнес-аналитики означают, что то, что работает сегодня, может потребовать улучшения завтра. От обработки естественного языка до роста страхования данных мы опросили клиентов и сотрудников Tableau, чтобы определить 10 влиятельных тенденций в 2018 году. Независимо от того, являетесь ли вы специалистом в сфере данных, ИТ-специалистом или руководителем в BI компании, эти тенденции акцентируют стратегические приоритеты, которые могут помочь вашей организации выйти на новый уровень.
1. Не бойтесь искусственного интеллекта
Как машинное обучение поможет аналитику
Популярная культура подпитывает мрачный взгляд на то, что может сделать машинное обучение. Но в то время как исследования и технологии продолжают улучшаться, машинное обучение быстро становится ценным дополнением для аналитика. Фактически, машинное обучение является конечным помощником аналитика.
Представьте, что вам нужно быстро взглянуть на влияние изменения цены на данный продукт. Для этого вы будете использовать линейную регрессию для своих данных. До появления Excel, R или Tableau вы должны были делать это вручную, и процесс занимал часы. Благодаря машинному обучению вы можете увидеть объем потребления продукта в считанные минуты, если не секунды. Как аналитику, вам не нужно проходить через этот процесс, и вы можете перейти к следующему вопросу — были ли месяцы более высокого потребления из-за внешнего фактора, такого как праздник? Был ли новый релиз? Были ли новостные сообщения, влияющие на продажи или узнавание продукта? Вы не думаете о том, как бы вы хотели потратить больше времени на совершенствование регрессионной модели.
Существует два способа, с помощью которых машинное обучение может помочь аналитику. Во-первых, это эффективность. В приведенном выше примере аналитик не тратит драгоценное время на базовую математику. У аналитика теперь больше времени, чтобы подумать о бизнес-последствиях и о следующих логических шагах. Во-вторых, это помогает аналитику исследовать и оставаться в потоке анализа данных, потому что ему больше не нужно останавливаться и проверять числа. Вместо этого аналитик задает следующий вопрос. Инженер-программист Райан Аталла описывает эту ситуацию так: «Машинное обучение помогает вам смотреть под множеством камней, когда вам нужна помощь в получении ответа».
Способность машинного обучения помочь аналитику неоспорима, но важно признать, что оно должен быть принято, когда есть четко определенные результаты. «Машинное обучение не очень хорошо, когда ваши данные субъективны» — говорит Эндрю Виньо, менеджер по персоналу Tableau. Например, при проведении опроса для клиентов об удовлетворенности продукта машинное обучение не всегда может подобрать качественные слова.
Кроме того, аналитик должен понимать показатели успеха для данных, для того, чтобы работать с ними. Другими словами, входящая информация в машину не делает результаты значимыми. Только человек может понять, было ли применено правильное количество контекста, а это значит, что машинное обучение невозможно изолировать (без понимания модели и того, какие должны быть входы / выходы). Несмотря на то, что может возникнуть проблема с заменой, машинное обучение фактически перезагрузит аналитиков и сделает их более эффективными, точными и более эффективными для бизнеса. Вместо того чтобы бояться технологии машинного обучения, воспользуйтесь возможностями, которые она представляет.
IDC прогнозирует, что к 2020 году доходы от систем AI и машинного обучения составят 46 миллиардов долларов.
В 2020 году AI станет позитивным чистым мотиватором работы, создав 2,3 миллиона рабочих мест, исключив только 1,8 миллиона рабочих мест. (Gartner)
2. Влияние свободных искусств
Человеческое влияние свободных искусств в индустрии аналитики
Поскольку индустрия аналитики продолжает искать квалифицированных работников с данными, и организации стремятся повысить свою аналитическую команду, у нас должно быть много талантов под рукой. Мы знакомы с тем, как искусство и сторителлинг помогли оказать влияние на отрасль аналитики данных. Это не сюрприз. Интересным является то, как технические аспекты создания аналитического дашборда, ранее доступные только для ИТ и опытных пользователей, воспринимаются теперь пользователями, которые понимают искусство сторителлинга — навык, пришедший в основном из гуманитарных наук. Кроме того, организации уделяют больше внимания найму работников, которые могут использовать данные и идеи, чтобы влиять на изменения и управлять трансформацией посредством искусства и убеждений, не только разбирающихся в самой аналитике.
По мере того как технологические платформы становятся проще в использовании, внимание к техническим специальностям уменьшается. Каждый может играть с данными, и при этом особых технических навыков не требуется. Именно на этом этапе люди с более широкими навыками, в том числе со знанием гуманитарных наук, сталкиваются с трудностями, когда отрасли и организации испытывают нехватку работников данных. Поскольку все больше организаций сосредотачиваются на аналитике данных в качестве приоритета бизнеса, эти работники данных с гуманитарными знаниями дают компаниям понять, что расширение возможностей такого вида рабочей силы является конкурентным преимуществом.
Мы не только видим широкую базовую привлекательность, чтобы помочь нанять новое поколение работников с данными, мы также наблюдали несколько случаев, когда компаниями, основанных на технологиях, руководили или являлись основателями люди с гуманитарным образованием. Сюда входят основатели и руководители Slack, LinkedIn, PayPal, Pinterest и ряда других высокопроизводительных технологических компаний.
Одним из мощных примеров привлечения гуманитарных наук к преимущественно технологической компании является недавняя книга Скотта Хартли «the Fuzzy and the Techie». Nissan нанял антрополога Мелиссу Чефкин, чтобы возглавить исследование компании в области взаимодействия человека и машины, а именно взаимодействия между самоуправляемыми автомобилями и людьми. Технология, обеспечивающая самоуправление транспортным средствам, прошла долгий путь, но по-прежнему сталкивается с препятствиями, сохраняя смешанные человеко-машинные среды. Используя в качестве примера систему four-way stop, люди обычно анализируют ситуации в каждом конкретном случае, и этому невозможно научить машину. Чтобы помочь в борьбе с этим, Чефкин было поручено использовать свой антропологический фон для выявления закономерностей поведения людей, которые могут лучше научить эти самоуправляемые автомобили, образцами, и, в свою очередь, сообщать об этом людям, путешествующим в машине.
Поскольку аналитика развивается, чтобы содержать в себе больше искусства и меньше науки, основное внимание было сосредоточено на простом предоставлении данных для создания именно тех данных, которые неизбежно приводят к принятию решений. Организации охватывают данные в гораздо большем масштабе, чем когда-либо прежде, и естественная прогрессия означает больший акцент на сторителлинге и формировании данных. Золотой век сторителлинга выпал на нас, и где-то внутри вашей организации аналитик данных ждет, чтобы раскрыть ваше следующее важное понимание.
Выпускники гуманитарных специальностей находят работу на 10% быстрее, чем выпускники технических специальностей. (LinkedIn)
Одна треть всех руководителей Fortune 500 имеет степени гуманитарных наук. (Fast Company)
3. Перспектива NLP
Перспектива обработки естественного языка
В 2018-м году будет расти распространённость, сложность и повсеместность обработки естественного языка (NLP). Поскольку разработчики и инженеры продолжают совершенствовать свое понимание NLP, интеграция его в нереализованные области также будет расти. Растущая популярность Amazon Alexa, Google Home и Microsoft Cortana подпитывает ожидания людей, что они могут говорить со своим программным обеспечением, и оно поймет, что делать. Например, указав команду «Alexa, играй «Yellow Submarine», и вот песня уже звучит на вашей кухне во время обеда. Эта же концепция также применяется к данным, что облегчает каждому задавать вопросы и анализировать данные, которые у них есть.
Gartner прогнозирует к 2020 году, что 50 процентов аналитических запросов будут генерироваться посредством поиска, NLP или голоса. Это означает, что для генерального директора будет намного проще попросить его мобильное устройство рассказать ему: «Общий объем продаж по клиентам, которые купили основные товары в Нью-Йорке», затем отфильтровать «заказы за последние 30 дней», а затем выделить группу «отдел владельца проекта». Или директор школы вашего ребенка может спросить: «Каков средний балл студентов в этом году», затем отфильтровать «учеников 8-го класса» и группу по «предмету учителя». NLP предоставит людям возможность задавать более тонкие вопросы о данных и получать соответствующие ответы, которые приводят к улучшению повседневных идей и решений.
Одновременно разработчики и инженеры будут добиваться больших успехов в обучении и понимании того, как люди используют NLP. Они будут исследовать, как люди задают вопросы, начиная от однозначного вопроса («какой продукт имел наибольший объем продаж?») до исследования («Я не знаю, что мои данные могут мне рассказать — как работает мой отдел?»). Как отмечает Райан Аталла, инженер-программист Tableau, «это поведение очень связано с контекстом, в котором задается вопрос». Если конечный пользователь использует мобильный телефон, он с большей вероятностью задаст вопрос, который генерирует мгновенное решение, тогда как если они сидят за столом, глядя на дашборд, они, вероятно, хотят проанализировать глубже и изучить более глубокий вопрос.
Наибольшая ценность от аналитики будет получена за счет понимания разнообразных рабочих процессов, которые NLP может увеличить. Как говорит Видья Сетлур, инженер-программист Tableau, «Неоднозначность — это сложная проблема», поэтому понимание рабочих процессов становится более важным, чем ввод конкретного вопроса. Когда есть несколько способов задать один и тот же вопрос о данных (например, «Какой объем продаж был самым большим в этом квартале?» Или «У кого больше всего продаж в этом квартале?»), конечный пользователь не хочет думать о правильности вопроса, он просто хочет ответа. Следовательно, возможности будут возрастать не от размещения NLP в каждой ситуации, а в том, чтобы сделать его доступным в правильных рабочих процессах, чтобы он стал второй натуральной копией человека, использующего его.
К 2019 году 75% работников, чьи ежедневные задачи связаны с использованием корпоративных приложений, будут иметь доступ к интеллектуальным персональным помощникам для повышения их квалификации и опыта. (IDC)
К 2021 году более 50% предприятий будут тратить на ботов и создание чатботов за год больше, чем на развитие традиционных мобильных приложений. (Gartner)
4. Дебаты о Multi-Cloud
Если ваша организация изучает и оценивает стратегию с несколькими облаками в 2018 году, вы не одиноки.
Существует ряд организаций, которые переносят свои данные в облако и перемещают туда свои основные приложения», — говорит главный сотрудник по продуктам Франсуа Айенстат. Мы видим, что пользователи адаптируются к облаку намного быстрее, чем когда-либо.
Согласно недавнему исследованию Gartner, «стратегия мульти облака станет общей стратегией для 70-ти процентов предприятий к 2019 году, по сравнению с менее чем 10-ти процентами сегодня». Клиенты становятся все более чувствительными к тому, чтобы быть заблокированными в одном устаревшем программном решении, которое не соответствует их будущим потребностям. Тем не менее, переключение и миграции стали относительно проще с аналогичными API-интерфейсами и с использованием открытых стандартов, таких как Linux, Postgres, MySQL и других.
Вероятно, ваша организация также оценивает, как проектируются и запускаются центры обработки данных. Ваш ИТ-отдел оценивает хостинговые среды на основе рисков, сложности, скорости и стоимости всех факторов, которые увеличивают сложность поиска одного, единого решения для нужд вашей организации.
Оценка и внедрение среды с несколькими облаками может помочь определить, кто обеспечивает лучшую производительность и поддержку вашей ситуации. Согласно Boston Herald, GE переориентировала свою стратегию облачного хостинга на использование как Microsoft Azure, так и Amazon Web Services, с целью понять наиболее эффективную хостинговую среду и посмотреть, какой контракт обеспечивает самую низкую стоимость для своих клиентов.
Но мультиоблачная тенденция не приходит без здорового осознания достоинств и проблем перехода к этому типу среды. Хотя гибкость является плюсом, среда с несколькими облаками увеличивает накладные расходы за счет разделения рабочих нагрузок вашей организации на нескольких поставщиков. И среда с несколькими облаками вынуждает внутреннюю группу разработчиков изучать несколько платформ и внедрять дополнительные процессы управления в зависимости от условий, которые они должны поддерживать.
Кроме того, стратегия с несколькими облаками может потенциально снизить покупательную способность компании или организации. Если компания разделяет то, что они покупают у нескольких провайдеров, это повредит их скидкам на объем. Это создает модель, в которой компания покупает меньше по худшей цене.
Опросы и статистические данные, такие как Gartner, указывают на то, что внедрение нескольких облаков растет. Однако они не указывают, какая часть данных решений была принята. Во многих случаях с несколькими облаками организации используют одного поставщиках для большинства своих потребностей и очень мало для других. Но большинство из этих случаев использования приходится на внедрение второй облачной среды размещения в качестве резервной копии в случае некомпетентности или сбоя основной облачной среды размещения.
В то время как растет процент внедрения нескольких облаков в 2018 году, организациям придется маневрировать через нюанс оценки того, как их стратегия определяет, какая часть каждой облачной платформы была принята, внутреннее использование и требования к рабочей нагрузке и затраты на внедрение.
70% предприятий будут внедрять стратегию с несколькими облаками к 2019 году (Gartner)
74% финансовых директоров технологических компаний заявили, что облачные вычисления окажут самое заметное влияние на их бизнес в 2017 году. (Forbes)
5. Возвышение директоров по данным (CDO)
Данные и аналитика становятся основой для каждой организации. Это не подлежит обсуждению. По мере развития организаций они уделяют первоочередное внимание новому уровню стратегической направленности и подотчетности в отношении их аналитики.
Исторически сложилось так, что большинство усилий в области бизнес-аналитики были поручены директору по IT (CIO), который курировал стандартизацию, консолидацию и управление данными по всей организации, что требовало последовательной отчетности. Это поставило инициативы бизнес-аналитики (управление данными, построение аналитических моделей и т. д.) в конкуренцию с другими стратегическими инициативами (такими как ИТ-архитектура, системная безопасность или сетевая стратегия) в сфере компетенции CIO и часто препятствовало успеху и влиянию бизнес-аналитики.
В некоторых случаях разрыв между CIO и бизнесом формировался благодаря быстроте понимания и безопасности данных и управлению ими. Таким образом, чтобы получить эффективные данные из данных посредством инвестиций в аналитику, организации все чаще осознают необходимость подотчетности топ-менеджмента для создания культуры аналитики. Для растущего числа организаций ответ заключается в назначении директора по данным (CDO) или главного аналитика (CAO) для изменения бизнес-процессов, преодоления культурных барьеров и передачи ценности аналитики на всех уровнях организации. Это позволяет CIO более ориентированно смотреть на такие вещи, как безопасность данных.
Тот факт, что CDO и / или CAO назначаются и берут ответственность за влияние на бизнес и улучшенные результаты, также демонстрирует стратегическую ценность данных и аналитики в современных организациях. Теперь на уровне первых лиц компании существует активное обсуждение того, как развернуть стратегию аналитики. Вместо того чтобы ждать запросов на конкретный отчет, CDO спрашивают: «Как мы можем предвидеть или быстро адаптироваться к бизнес-запросам?»
Чтобы наилучшим образом помочь высокоэффективной команде в рамках этой позиции на уровне руководства, организации выделяют больше денег и ресурсов. По словам Gartner, 80 процентов крупных предприятий будут иметь офис CDO, полностью реализованный к 2020 году. В настоящее время среднее число сотрудников в офисе составляет 38, но 66 процентов опрошенных организаций ожидают, что выделенный бюджет для офиса будет расти.
Джош Паренто, директор по маркетинговой информации Tableau, отмечает, что роль CDO является «ориентированной на результат». Он утверждает, что «речь идет не только о помещении данных в хранилище данных, они должны определить, что такое использование, и убедиться, что получают ценность». Этот итоговый фокус имеет решающее значение, поскольку он согласуется с тремя основными целями в опросе CDO Gartner 2016 года, который включает в себя большую близость клиента, повышенное конкурентное преимущество и повышение эффективности.
Эти цели подпитывают такие компании, как Wells Fargo, IBM, Aetna и Ancestry для внедрения CDO с намерением перенести свою стратегию данных на следующий уровень, в результате чего роль Chief Data Officer станет основным элементом бизнеса в 2018 году.
К 2019 году 90% крупных компаний будут иметь CDO. (Gartner)
К 2020 году 50% ведущих организаций будут иметь CDO с уровнем влияния на стратегию и авторитетом, сравнимыми с CIO.
6. Управление посредством краудсорсинга
Будущее управления данными – краудсорсинг
Современная бизнес-аналитика продвигалась от изоляции данных и контента до расширения возможностей бизнес-пользователей во всем мире для использования надежных, управляемых и понятных данных. И поскольку люди учатся использовать данные в большем количестве ситуаций, их вклад в лучшие модели управления стал грандиозной силой внутри организаций.
Недостаточно сказать, что аналитика самообслуживания нарушила мир бизнес-аналитики. Парадигма переключилась на всех, у кого была возможность создавать аналитику, ведущую к заданию и ответу на критические вопросы в организации. Такое же вмешательство происходит с управлением. Поскольку аналитика самообслуживания расширяется, воронка ценных перспектив и информации начинает вдохновлять новые и инновационные способы внедрения управления.
Управление — это использование мудрости толпы, чтобы получить нужные данные от правильного человека, так же, как и заблокировать данные не от того человека.
Для бизнес-пользователя последняя ответственность, которую они хотят, — это безопасность данных. Правильная политика управления позволяет бизнес-пользователю задавать вопросы и получать ответы, позволяя им находить нужные данные в необходимый момент времени.
Бизнес-аналитика и стратегическая аналитика будут охватывать современную модель управления: IT-отделы и инженеры-разработчики данных будут изучать и готовить надежные источники данных, а при использовании самообслуживания конечные пользователи будут иметь возможность исследовать надежные и доверенные данные.
Процессы сверху вниз, направленные только на управление IT, будут отброшены в пользу совместного процесса разработки, сочетающего таланты IT и конечных пользователей. Вместе они идентифицируют данные, которые наиболее важны для управления и создания правил и процессов, которые максимизируют бизнес-ценность аналитики без ущерба для безопасности.
45% граждан считают, что менее половины своих отчетов содержат данные хорошего качества. (Collibra)
61% руководителей считают, что принятие решений собственными силами компании производится нечасто, или редко управляются данными. (PwC)
7. Страхование данных
Уязвимость приводит к росту страхования данных
Для многих компаний данные являются важным бизнес-активом. Но как вы оцениваете ценность этих данных? И что происходит, когда эти данные теряются или украдены? Как мы видели при недавних громких утечках данных, угроза для данных компании может быть разрушительной и может нанести непоправимый урон бренду.
Согласно исследованию Института Понэмона, проведенному в 2017 году, средняя стоимость нарушения данных оценивалась в 3,62 млн. долл. США.
Но могут ли компании делать все возможное для защиты и страхования своих данных? Одной из отраслей, быстро растущей в ответ на нарушения данных, является рынок страхования кибербезопасности. Эта отрасль продемонстрировала 30-процентный рост в годовом исчислении, а к 2020 году эта отрасль достигнет 5,6 млрд. долл. США в год. (AON)
Кибер- и страхование частной жизни покрывает ответственность бизнеса за нарушения данных, когда персональная информация клиента подвергается угрозе или украдена хакером.
Однако даже с ростом рынка и продолжающейся угрозой нарушения данных только 15 процентов компаний США имеют страховой полис, который охватывает нарушения данных и кибербезопасность. Кроме того, эти 15 процентов в основном состоят из крупных, устойчивых финансовых учреждений.
Необходимость в политике в отношении финансовых учреждений очевидна. Но тенденция будет расширяться и в других направлениях, потому что никто не застрахован от угрозы нарушения данных.
Дуг Лэни, аналитик Gartner недавно написал книгу под названием «Инфономика: как монетизировать, управлять и измерять информацию для конкурентного преимущества». Он дает различные модели того, как компании во всех отраслях промышленности могут анализировать ценность своих данных как в нефинансовых, так и в финансовых моделях.
Нефинансовые модели ориентированы на внутреннюю ценность, стоимость бизнеса и значение производительности данных. Эти значения могут измерять уникальность, точность, релевантность, внутреннюю эффективность и общее влияние на ее использование.
Финансовые модели фокусируются на стоимости, экономической ценности и рыночной стоимости данных. Эти значения могут измерять стоимость приобретения данных, администрирования данных внутри страны и стоимости продажи или лицензирования ваших данных.
То, что данные это товар означает, что их стоимость будет только возрастать и, в конечном счете, порождать новые вопросы и споры о том, как этот материал будет влиять на рост компании. И как любой продукт, что хорошего, если его можно воровать без последствий?
Средняя стоимость нарушения данных оценивалась в 3,62 млн. долл. США. (Ponemon)
Только 15% американских компаний имеют страховой полис специально для своих данных. (Ponemon)
8. Роль инженера данных
Повышенная значимость роли инженера данных
Вы не можете создать панель мониторинга, не создав диаграммы, чтобы понять историю, которую вы пытаетесь установить. Другой принцип, который вы, вероятно, знаете: у вас не может быть надежного источника данных, если вы не понимаете сначала тип данных, которые входят в систему, и откуда они получены.
Инженеры по данным будут продолжать оставаться неотъемлемой частью организации, чтобы использовать данные для принятия правильных решений в отношении своего бизнеса. В период с 2013 по 2015 год число инженеров данных выросло более чем в два раза. А по состоянию на октябрь 2017 года на сайте LinkedIn было более 2500 открытых позиций с «инженером данных» в названии, что свидетельствует о растущем и продолжающемся спросе на эту специальность.
Итак, какова эта роль и почему она так важна? Инженер данных отвечает за проектирование, создание и управление базами данных операций и аналитики бизнеса. Другими словами, они несут ответственность за извлечение данных из основополагающих систем бизнеса таким образом, чтобы их можно было использовать для создания идей и решений. По мере увеличения скорости передачи данных и емкости хранения данных становится все более критичным тот, кто обладает глубокими техническими знаниями о разных системах, архитектуре и способности понимать, что хочет или в чем нуждается бизнес.
Тем не менее, роль инженера данных требует уникального набора навыков. Им нужно понять бэкэнд, что содержится в данных и как он может обслуживать бизнес-пользователя. Инженер данных также должен разработать технические решения, позволяющие использовать данные.
По словам Майкла Эша, старшего рекрутера Tableau: «Я занимаюсь наймом технических специалистов более 17 лет. И неудивительно, что данные и емкость хранилища продолжают расти — я видел, как это произошло в результате смены парадигм из-за научно-технического прогресса. Данные всегда нуждаются в настройке. Компаниям необходимо подключиться к этому. Они должны погрузиться в конкретные данные для принятия бизнес-решений. Инженер данных определенно будет продолжать расти как роль».
Исследование, проведенное Gartner 2016 года, показало, что организации-респонденты теряют в среднем 9,7 млн. долл. США ежегодно в результате низкого качества данных.
Ученые-аналитики и аналитики данных могут потратить до 80% времени на очистку и подготовку данных. (TechRepublic)
9. Местоположение вещей
Местоположение вещей будет стимулировать инновации в сфере интернета вещей (IoT)
Недостаточно сказать, что распространение интернета вещей привело к монументальному росту числа подключенных устройств, которые мы видим в мире. Все эти устройства взаимодействуют друг с другом и получают данные, что делает их более связанными. Фактически, Gartner прогнозирует, что к 2020 году количество устройств IoT, доступных для потребителей, более чем удвоится (до 20,4 млрд. IoT-устройств).
Даже при таком росте варианты использования и реализации данных IoT не соответствовали одному и тому же желательному пути. У компаний есть опасения по поводу безопасности, но большинство из них не имеют необходимых организационных навыков или внутренней технической инфраструктуры с другими приложениями и платформами для поддержки данных IoT.
Одной из позитивных тенденций, которые мы наблюдаем, является использование и преимущества использования данных на основе местоположения с помощью устройств IoT. Эта подкатегория, называемая «местоположением вещей», обеспечивает IoT-устройства чувствительностью и передает их географическое положение. Зная, где находится устройство IoT, оно позволяет нам добавлять контекст, лучше понимать, что происходит, и то, что мы прогнозируем, произойдет в определенном месте.
Для компаний и организаций, стремящихся захватить этот сбор данных, мы видим, что используются разные технологии. Например, больницы, магазины и отели начали использовать технологию Bluetooth Low Energy (BLE) для внутренних служб определения местоположения, которые, как правило, затрудняют для GPS предоставление контекстного местоположения. Эта технология может использоваться для отслеживания конкретных активов, людей и даже взаимодействия с мобильными устройствами, такими как умные часы, чтобы обеспечить персонализированный опыт.
Поскольку это касается анализа данных, данные, основанные на местоположении, могут рассматриваться как входные данные. Если данные доступны, аналитики могут включить эту информацию в свой анализ, чтобы лучше понять, что происходит, где это происходит, и что они должны ожидать в контекстной области.
Количество конечных точек устройств IoT к 2020 году возрастёт до 30 млрд. (IDC)
Ожидается взрывной рост IoT, к концу 2020 года рынок превысит 5 миллиардов долларов. (Gartner)
10. Академические инвестиции
Университеты удваивают программы по науке о данных и аналитике
Университет штата Северная Каролина является родиной первой программы «Магистр научной аналитики». Эта программа проводится институте усовершенствованной аналитики (IAA) — центре данных, целью которого является «создание лучших специалистов в мире по аналитике — людей, которые освоили сложные методы и инструменты для крупномасштабного моделирования данных [и], у которых есть страсть для решения сложных проблем … ». Как первая в своем роде, государственная программа штата предвидела заметные инвестиции академических наук в учебную программу по науке и аналитике данных.
В начале этого года Калифорнийский университет в Сан-Диего запустил первый для своего учреждения бакалавриат по науке о данных. Они не останавились на достигнутом. Университет также планирует создать институт науки о данных. Следуя этому примеру, университеты Berkeley, Davis и Santa Cruz увеличили свои программы по науке о данных и аналитике для студентов, спрос которых превышает ожидания.
Согласно недавнему исследованию PwC, 69 процентов работодателей к 2021 году потребуют знания в области науки и аналитики данных от соискателей. В 2017 году Glassdoor также сообщил, что «наука о данных» второй год подряд является «лучшей работой».
По мере роста спроса со стороны работодателей необходимость заполнения воронки высококвалифицированных специалистов по данным становится все более актуальной. Но есть реальный разрыв. В том же отчете PwC говорится, что только 23 процента выпускников колледжей будут обладать необходимыми навыками для конкуренции на требуемом для работодателей уровне. Недавний опрос MIT показал, что 40% менеджеров испытывают трудности с наймом аналитических талантов.
Развитые навыки аналитики уже не являются необязательными; они являются необходимыми. В 2018 году будет более строгий подход к тому, чтобы ученики обладали навыками для присоединения к современной рабочей силе. И так как компании продолжают совершенствовать свои данные, чтобы извлечь максимальную пользу, спрос на высокопрофессиональную рабочую силу будет существовать и расти.
К 2021 году 69% работодателей будут требовать аналитическую науку в качестве критического навыка от кандидатов на работу. (PWC)
Недавний опрос MIT показал, что 40% менеджеров испытывают трудности с наймом аналитических талантов. (MIT)
Учебный центр по технологиям анализа данных и BI: расписание/запись на учебные курсы, тестирование разработчиков — https://education.biconsult.ru/
Присоединяйтесь к QUBIC – сообщество профессионалов в области BI! Наши страницы в соц.сетях – расписание учебных курсов, бесплатные учебные материалы, анонсы мероприятий: https://vk.com/club165575964 и https://www.facebook.com/qubicspb
Неофициальный форум разработчиков QlikView & Qlik Sense Russian forum
Канал на Youtube – много обучающих видео и записи вебинаров
Готовые решения “Конструктор финансовой отчетности” и “Анализ продаж”
RSS
18 марта 2019 
gromych 
Если в вашей аудитории нет страдающих от боязни пустоты, вам нужно воспользоваться белым пространством. Исследование художественного и субъективного восприятия показало, что пустое пространство облегчает распознавание информации, демонстрирует отсутствие информации и контекстуализирует данные, чтобы прояснить резкие отклонения и придать значение размерам элементов.
