บทวิเคราะห์ Gartner 2016 Magic Quadrant for Advanced Analytics Platforms: gainers and losers

ในทุกๆปี Gartner จะมีการจัดอันดับ Magic Quadrant ของ Product ต่างๆในด้าน Advanced Analytics Platforms และในปีนี้ก็ได้มีการรายงานข้อมูลออกมาเป็นที่เรียบร้อยนะครับ และก็เป็นธรรมเนียมของเวป kdnuggets.com และผู้ก่อตั้ง Gregory Piatetsky ที่จะมาพูดคุยถึงแนวโน้นของ Software แต่ละตัว โดย Gregory จะนำ Magic Quadrant ในแต่ละปีมาวิเคราะห์ดูว่า แต่ละ Software ได้มีการพัฒนาไปถึงไหน ย้ายจากจุดไหนไปจุดไหนบ้าง และในปีนี้ก็เช่นเดียวกันครับ ได้มีการนำ Gartner Magic Quadrant ปี 2015 และ 2016 มาทำการวิเคราะห์แนวโน้มในแต่ละ Software ครับ

สำหรับองค์กรที่ต้องการรายงานฉบับเต็ม สามารถ Download ได้ที่ –> https://rapidminer.com/resource/leader-gartner-magic-quadrant-advanced-analytics/

 

ข้อสังเกตจากรายงานของ Gartner และ การวิเคราะห์ของ Gregory Piatetsky แห่ง KDnuggets

จะเห็นได้ว่า ทุกๆ Product จะเห็นว่า มีการเน้นอยู่ 2 เรื่อง คือ

1. เน้นในเรื่องความสามารถในการทำ Predictive Analytics ทั้ง Text mining, Machine Learning หรือการนำ AI เขามาเป็นส่วนหนี่งของ Product เพราะการมี Features ในการวิเคราะห์ได้หลากหลายและซับซ้อนมากขึ้นนี้จะช่วยให้ Data Scientist สามารถประยุกต์ใช้กับปัญหาในองค์กรที่มีเพิ่มมากขึ้นได้เรื่อยๆ และในบางครั้งการ Automate และ Reuse ก็เป็นสิ่งสำคัญในการประหยัดเวลาพัฒนา Analytics Model และรองรับการเติบโตขององค์กรได้อีกด้วย
2. เน้นเรื่อง Ease of Use ของแต่ละ Product เพราะในอนาคต การใช้งานและการพัฒนา Analytic Model ได้ง่ายจะเป็นส่วนสำคัญที่ให้ Data Science Team ค้นหา Insight ได้เร็วกว่าคู่แข่ง และทำให้เกิดประโยชน์กับองค์กรได้รวดเร็วและมีประสิทธิภาพมากที่สุด

สำหรับองค์กรที่สนใจจะนำ Advanced Analytics มาใช้ในองค์กร นอกจากจะต้องทำความเข้าใจแนวโน้มของตลาด และบริษัทที่เป็น Leader, Challenger และ Visionaries แล้ว ยังมีส่วนต่างๆ ที่ต้องคำนีงถีงอีกมากมายเช่น

1. ปัญหาที่มีอยู่ในองค์กร จะสามารถแก้ได้จาก
   1. ข้อมูลที่มีอยู่ เพื่อนำมาใช้ในการทำ Advanced Analytics
   2. ข้อมูลที่จะนำเข้ามาใหม่ๆ และ Technology สำหรับการเก็บ (Big) data
2. ระบบที่มีอยู่ปัจจุบัน
   1. สามารถเชื่อต่อกับระบบอื่นๆ ได้หรือไม่
   2. สามารถเชื่อมต่อกับ Technology ใหม่ๆ ได้หรือไม่
3. ทรัพยากรภายในองค์กร
   1. จะมีการเพิ่มศักยภาพให้กับทรับยากรในองค์กรอย่างไร
   2. จะมีการจ้าง Data Scientist หรือจะพัฒนาสร้างทีม Data Science ได้อย่างไร

 

ในกลุ่ม Data Science Thailand ได้มีการจัดตั้ง Data Sci Lab, Thailand เพื่อทดสอบ Technology และ software ต่างๆ เพื่อ Data Science ทีม ถ้าสนใจ สามารถติดต่อได้ ที่ Komes@datascienceth.com

แปลและเรียบเรียงโดย ทีมงาน Data Science Thailand

 

เกี่ยวกับ Data Science Thailand

Data Science Thailand เป็นแหล่งรวมข้อมูล Data Science เพื่อการพัฒนา Data Science ในประเทศไทย

ทางทีมงานยังได้จัดตั้ง Data Sci Lab, Thailand เพื่อให้บริการด้านงานวิจัย ให้คำปรีกษา และ จัดอบรม ที่เกี่ยวกับ Data Science โดยใน Lab ของเราจะแบ่งงานเป็นสามส่วนคือ (1) การเรียนรู้และพัฒนาเทคโยโลยีที่เกี่ยวกับ Big Data (2) การทำ Data mining ซิ่งรวมถีง Predictive Analytics และ (3) การทำ Data Visualization สนใจติดต่อได้ที่ komes@datascienceth.com

https://www.facebook.com/DataScienceTh
http://datascienceth.com/