Dataanalysbutik Sisu presenterade idag ett Smart Waterfall Charts-verktyg som automatiskt visualiserar sökresultat för användare av sin plattform.

Sisu-plattformen skannar scheman, datatyper, kardinalitet och andra relaterade attribut för datamängder oavsett den fysiska platsen. Den omvandlar sedan informationen automatiskt till ett index som kan efterfrågas med naturligt språk. Utmaningen har varit att, innan nu, någon fortfarande behövde manuellt massera resultaten av dessa frågor för att visualisera dem för användare via en instrumentpanel.

Verktyget Smart Waterfall Charts automatiserar nu visualiseringen av frågor som lanseras via sin sökmotor, säger Sisu vd Peter Bailis. Tidigare skulle analytiker ha spenderat timmar på att skapa visualiseringar av resultaten av datafrågor, noterade han. "Det är den sista milen av processen," sa han.

Det tillvägagångssättet gör det möjligt att visualisera frågor om enorma mängder data via en sökmotor som använder sökordsanalys och andra datavetenskapliga tekniker, med hjälp av maskininlärningsalgoritmer och statistisk analys för att visa attribut och relationer, sa Bailis.

Sisu är inte den första plattformen som använder sökmotorer för att söka efter data, men Bailis sa att den på ett unikt sätt kan analysera enorma mängder olika typer av data i stor skala på grund av hur den indexerar data. Snarare än att kräva att all data flyttas till en enda datasjö eller lager, sa Bailis att det ofta är mer praktiskt att indexera data vart de än finns än att göra besväret med att flytta det.

Affärsanalytiker kan också nu, till exempel, inte bara lättare ta upp vad som händer, utan också urskilja varför det händer eftersom plattformen automatiskt lyfter fram de senaste ändringarna av relaterade datamängder i realtid, noterade Bailis. Det är avgörande eftersom analytiker inte alltid är tillräckligt nära verksamheten för att veta vilka frågor som bör lanseras över uppsättningar av data som vid första anblicken kanske inte verkar vara relaterade.

En uppgradering från kalkylblad

Det finns naturligtvis ingen brist på verktyg för att analysera data. Problemet har alltid varit möjligheten att få fram handlingsbar intelligens kontra en rapport som identifierar trender långt efter att det är för sent för att ha en inverkan på resultatet. I avsaknad av analyser som är omedelbart relevanta kommer företagsledare helt enkelt fortsätta att förlita sig på maginstinkt kontra faktiska fakta.

Leverantörer av analysapplikationer har försökt övertyga företag att ge upp att förlita sig på kalkylblad för att analysera data under mer än två decennier nu, med begränsad framgång. Men när analysapplikationer börjar dra nytta av maskininlärningsalgoritmer och andra former av statistisk analysfunktioner, kan insikter som härrör från enorma mängder som kan dyka upp inom en modern analysplattform antingen inte dyka upp eller inte enkelt replikeras i en kalkylbladsapplikation.

Ännu värre är att kalkylarksapplikationen vanligtvis inte granskas för noggrannhet, och om personen som skapade applikationen lämnar företaget finns det ofta ingen dokumentation tillgänglig som beskriver hur den applikationen fungerar, än mindre räcker för att klara en efterlevnadsrevision.

Det är nu bara en tidsfråga innan organisationer som använder avancerade analysapplikationer konsekvent fattar bättre affärsbeslut snabbare. Däremot kommer organisationer som främst förlitar sig på en blandning av maginstinkt och kalkylbladsdata som är svåra att visualisera eller förstå sig på att hamna längre efter.

Vi vet ännu inte vilka analysplattformar som i slutändan kommer att råda i detta trånga utrymme. Många branschenheter använder idag flera analysapplikationer med lite eller inget stöd från centrala team. Men på längre sikt kommer företag så småningom att standardisera på ett fåtal analysplattformar, om inte annat för att minska licenskostnaderna.