प्रिडिक्टिव डेटा माइनिंग उपभोक्ताओं के ऑनलाइन व्यवहार का पूर्वानुमान लगाने में मदद कर सकता है (पॉडकास्ट)

Brains Byte Back पॉडकास्ट की आज की कड़ी में, हम डॉटडाटा में मार्केटिंग के वाइस प्रेसिडेंट वाल्टर पालिस्का से बात करते हैं, जो एक कंपनी है जो एआई और मशीन लर्निंग के उपयोग को आसान बनाकर संगठनों के लिए तेजी से अपने डेटा की शक्ति का लाभ उठाना आसान बनाती है। अद्वितीय, और उपयोग में आसान उपकरण।

इस कड़ी में, हम चर्चा करते हैं कि कंपनी की शुरुआत कैसे हुई, इसका विकास कैसे हुआ, और यह वर्तमान में क्या समाधान पेश करती है। हम भविष्यवाणी डेटा खनन का भी पता लगाते हैं और भविष्य के व्यवहार या परिणामों के बारे में सटीक भविष्यवाणी करने के लिए व्यवसायों को ऐतिहासिक डेटा का लाभ उठाने में कैसे मदद करते हैं।

प्लिस्का विपणन के उदाहरण पर यह तर्क देते हुए आकर्षित करता है कि एक कंपनी वैयक्तिकृत लक्ष्यीकरण के लिए वेबसाइट पर आगंतुकों के व्यवहार की भविष्यवाणी करने के लिए भविष्य कहनेवाला डेटा खनन का उपयोग कर सकती है।

इसके अतिरिक्त, कंपनी के सीईओ और संस्थापक, रियोही फुजीमाकी ने देखा कि कैसे डॉटडाटा की स्थापना हुई, पलिस्का ने साझा किया कि डेटा वैज्ञानिकों की उनकी टीम फीचर इंजीनियरिंग प्रक्रिया पर काफी समय खर्च करेगी।

चूंकि यह डेटा विज्ञान प्रक्रिया का सबसे अधिक समय लेने वाला और मैन्युअल हिस्सा था, फुजीमाकी ने इस समस्या को हल करने के लिए स्वचालन का उपयोग करने का निर्णय लिया, इस प्रकार डॉटडाटा का जन्म हुआ।

पलिस्का यह भी साझा करता है कि कैसे कंपनी ग्राहकों को डेटा विज्ञान परियोजनाओं पर समय और लागत बचाने में मदद करती है, गैर-डेटा वैज्ञानिकों के लिए डेटा विज्ञान का लोकतंत्रीकरण करती है, और मशीन लर्निंग मॉडल की सटीकता और गति में सुधार करती है।

उनका तर्क है कि ये कुछ ऐसे तरीके हैं जिनसे डॉटडाटा खुद को प्रतिस्पर्धा से अलग करता है। लेकिन पलिस्का की वकालत है कि सबसे बड़े विभेदकों में से एक डॉटडाटा का मुख्य इंजन है, जो फीचर इंजीनियरिंग प्रक्रिया को स्वचालित करता है।

प्रभावी मशीन-लर्निंग मॉडल के निर्माण में फीचर इंजीनियरिंग एक महत्वपूर्ण कदम है, लेकिन यह एक जटिल प्रक्रिया भी है जो बहुत समय लेने वाली हो सकती है। आम तौर पर, डेटा वैज्ञानिक फीचर टेबल बनाने में महीनों का समय लगाते हैं, जिसे बाद में मशीन लर्निंग एल्गोरिदम में मैन्युअल रूप से दर्ज किया जाएगा।

हालाँकि, dotData इस प्रक्रिया को स्वचालित करता है, विभिन्न तालिकाओं के बीच कनेक्शन की पहचान करता है और फीचर टेबल स्वचालित रूप से बनाता है। पलिस्का के अनुसार, यह दृष्टिकोण डॉटडाटा को सबसे अलग दिखने की अनुमति देता है और यह प्रमुख कारणों में से एक है कि कंपनी ने बाजार में इतनी उच्च स्तर की सफलता क्यों हासिल की है।

पॉडकास्ट वीडियो देखें

आप Spotify , Anchor , Apple पॉडकास्ट , ब्रेकर ,Google पॉडकास्ट , स्टिचर , ओवरकास्ट , लिसन नोट्स , पॉडबीन और रेडियो पब्लिक पर सुन सकते हैं।

वैकल्पिक रूप से, आप नीचे एक प्रतिलेख पा सकते हैं:

वाल्टर: मेरा नाम वाल्टर वाल्टर पलिस्का है। मैं डॉटडाटा के लिए मार्केटिंग का वीपी हूं। मैं 2019 के मई से डॉटडाटा के साथ हूं। तो अब लगभग चार साल हो गए हैं। और dotData एक अग्रणी प्रदाता या डेटा विज्ञान स्वचालन समाधान है, हम मोटे तौर पर उन ग्राहकों के प्रकारों से बात कर रहे हैं जिन्हें हम लक्षित करते हैं, मुख्य रूप से बड़े संगठनों में अनुभवी असाइन की गई टीमें जो अपने काम के फीचर इंजीनियरिंग भाग को स्वचालित करना चाहती हैं। और दूसरी ऐसी कंपनियाँ हैं जो पूर्वानुमानित विश्लेषिकी की दुनिया में और डेटा विज्ञान की दुनिया में अभी शुरुआत कर रही हैं, और मशीन लर्निंग मॉडल और डेटा के निर्माण की प्रक्रिया में गैर-डेटा वैज्ञानिकों को आज़माने और सशक्त बनाने के लिए ऑटोमेशन समाधानों की तलाश कर रही हैं। पूर्वानुमानित विश्लेषण करने के लिए एकीकृत विज्ञान प्रक्रियाएं।

सैम: बहुत बढ़िया, शानदार। खैर, आज मेरे साथ जुड़ने के लिए बहुत-बहुत धन्यवाद। आपको यहां पाकर खुशी हो रही है। और मैं वास्तव में यह जानने के लिए उत्सुक हूं कि डॉटडाटा कब और कैसे बंद करें?

वाल्टर: हाँ, इतना बढ़िया सवाल। तो वास्तव में, डॉटडाटा कहानी काफी पीछे जाती है। डॉटडाटा के सीईओ और संस्थापक रियोही फुजीमाकी जापान में एनईसी के पूर्व कर्मचारी हैं। तो वह वास्तव में एक एनईसी फेलो रिसर्च फेलो के रूप में जाने जाते थे। अब, कंपनी के इतिहास में इतने अधिक लोग नहीं रहे हैं, और वह देखते हैं कि काफी पुरानी कंपनी 100 वर्षों से भी अधिक समय से चली आ रही है। और मैं सटीक संख्या भूल गया, मैं आपसे झूठ नहीं बोलना चाहता। लेकिन मुझे पता है कि, आप जानते हैं, कंपनी के इतिहास में बहुत कम NEC रिसर्च फेलो हुए हैं, वह कंपनी के इतिहास में अब तक के सबसे कम उम्र के व्यक्ति थे। और वह उनकी डेटा साइंस टीम का हिस्सा था, और बहुत अधिक ट्रेंड डेटा, सेवाओं के दृष्टिकोण से उनका डेटा साइंस संगठन, ठीक है। इसलिए वे खातों में जाकर परियोजना आधारित कार्य करेंगे। और डॉटडाटा के पीछे विचार वास्तव में उत्पन्न हुआ। एनईसी के साथ अपने अनुभव के दौरान, एक चीज जिसे वह लगातार नोटिस करते रहे, वह यह थी कि डेटा की उनकी टीम, वैज्ञानिक हमेशा डेटा विज्ञान प्रक्रिया के विशिष्ट भागों पर अत्यधिक समय खर्च करते थे। और यहाँ तकनीकी मातम में थोड़ा सा हो रही है। लेकिन फीचर इंजीनियरिंग के रूप में जानी जाने वाली विशेषता का एक हिस्सा है, जो वास्तव में प्रक्रिया के सबसे मैन्युअल भाग में सबसे अधिक समय लेने वाला है। और वह देखता रहा कि वे वास्तव में फीचर इंजीनियरिंग प्रक्रिया पर महीनों खर्च कर रहे होंगे। और वे अभी भी उस बिंदु पर होंगे जहां उन्होंने अभी तक किसी भी मशीन लर्निंग एल्गोरिदम के साथ यह पता लगाने के लिए नहीं खेला था कि मॉडल कैसा दिखना चाहिए। और आप जानते हैं, यह स्पष्ट रूप से एक अहा क्षण है, किसी बिंदु पर जो आपको बताता है कि वहां कुछ है। तो यहाँ एक आवश्यकता है, वहाँ स्वचालन शायद उस समस्या को हल कर सकता है। और यहीं से कंपनी में डॉटडाटा के पीछे के विचार की स्थापना 2018 में एनईसी कॉर्पोरेशन से स्पिन ऑफ के रूप में हुई थी। जापान में, और इसलिए मूल रूप से जापान में पैदा हुआ, लेकिन पूरी तरह से मुख्यालय नौ, संयुक्त राज्य अमेरिका, हमारे पास हमारे सभी मुख्यालय हैं, यदि स्टाफ और सुंदर वितरित कंपनी है। हम दुनिया भर में हैं हमारे पास यूरोप में लोग हैं, हमारे पास जापान में लोग हैं, संयुक्त राज्य अमेरिका में लोग हैं। और यही हमें वहां लाता है जहां हम आज हैं।

सैम: बहुत बढ़िया। यह एक शानदार सफलता की कहानी है। और मैं यह जानने के लिए भी बहुत उत्सुक हूं कि डॉटडाटा नाम के पीछे की कहानी क्या है क्योंकि हमारे श्रोताओं के लिए, यह डॉट डॉट की तरह लिखा गया है, लेकिन एक लोअरकेस डी के साथ, और उसके ठीक बाद कैपिटल डी वाला डेटा। वह कहां से आया?

वाल्टर: बढ़िया सवाल। तो डॉटडाटा नाम के पीछे मूल प्रेरणा वास्तव में से आती है, आप जानते हैं, विचारों में से एक वे लोगों का समूह था जिसके साथ एक कंपनी खिलवाड़ कर रही थी, आप जानते हैं, हम इस तरह की बात कर रहे हैं, शायद जब यह विचार था पहली बार 2016 2017 के आसपास लात मारी गई थी। इसलिए दुनिया में डेटा और डेटा की मात्रा के बारे में बहुत सारी बातचीत चल रही थी और दुनिया भर में दैनिक आधार पर कितना डेटा उत्पन्न हो रहा था। और यह उन पर हावी हो गया, आप जानते हैं, इंटरनेट के पिछले पुनरावृत्ति, इसलिए बोलने के लिए, 1990 और 2000 के दशक में। सभी डॉटनेट के बारे में थे। सही? और नेटवर्क, और उन्होंने सोचा, ठीक है, दुनिया का अगला पुनरावृत्ति वास्तव में डेटा के बारे में होने जा रहा है। तो वह डेटा, तो इसके बजाय.net डॉट डेटा। तो यह डॉटडाटा नाम के पीछे का मूल उद्देश्य था।

सैम: ठीक है, हाँ, यह बहुत अधिक स्पष्टता के साथ समझ में आता है। ये ध्यान रखते हुए। मैं भी वास्तव में इसके डीडी, डॉट डेटा के अनुप्रास से प्यार करता हूं, जब आप कहते हैं तो यह वास्तव में एक अच्छी आवाज है

वाल्टर: हाँ, यह एक यादगार नाम है, और इसे चिन्हित करना आसान है।

सैम: हाँ, हाँ, मैं पूरी तरह से समझ गया। और मैं यह भी जानना चाहता हूं, जैसे, पिछले साल नवंबर में, डॉटडाटा में आप लोगों ने प्रेडिक्टिव डेटा माइनिंग क्या है? जाहिर है, मैं अत्यधिक सलाह दूंगा कि श्रोता इसे देखें। लेकिन जब आप यहां हैं, तो क्या आप हमें भविष्यवाणी डेटा खनन के बारे में एक संक्षिप्त अवलोकन दे सकते हैं?

वाल्टर: ज़रूर, बिल्कुल। तो जाहिर है, आप जानते हैं, दर्शकों के दृष्टिकोण से, जो लोग इससे परिचित नहीं हैं, आप जानते हैं, आपने इसके बारे में अलग-अलग शब्दावली में सुना होगा, जिसे भविष्य कहनेवाला विश्लेषिकी, भविष्य कहनेवाला डेटा खनन डेटा खनन के रूप में संदर्भित किया जा सकता है। , तकनीकी रूप से, वे बिल्कुल समान नहीं हैं, यदि आप वास्तव में बाल विभाजित करना चाहते हैं, लेकिन आप जानते हैं, एक व्यापक दर्शकों की तरह, भविष्य कहनेवाला डेटा खनन और भविष्य कहनेवाला विश्लेषण वास्तव में ऐतिहासिक डेटा का लाभ उठाने के बारे में है जो आपके संगठन में है . आप जानते हैं, उदाहरण के लिए, मार्केटिंग में एक अच्छा उपयोग मामला हो सकता है, हो सकता है कि आप शॉपिंग कार्ट के लिए अपनी वेबसाइट पर आगंतुकों के व्यवहार की भविष्यवाणी करना चाहें, है ना? और आपके पास इसके बारे में ऐतिहासिक डेटा है, आप जानते हैं, वे कौन से कार्य हैं जो कुछ लोग किसी विशिष्ट उत्पाद को खरीदने से पहले करते हैं। और आप उस डेटा का उपयोग करना चाहते हैं, आप उस डेटा को माइन करना चाहते हैं, और बहुत विशिष्ट तकनीकों और एल्गोरिदम का उपयोग करते हैं, जैसे और आप जानते हैं, ट्री एनालिसिस या रूल इंडक्शन, क्लस्टरिंग, आउटलाइयर डिटेक्शन और अन्य प्रकार की डेटा माइनिंग तकनीकों की पहचान करने के लिए पैटर्न, निर्धारित करें, आप जानते हैं, अंतर्दृष्टि पर जाएँ, भविष्य कहनेवाला विश्लेषण का हिस्सा, उन अंतर्दृष्टि का निर्माण करें। मशीन लर्निंग की दुनिया में इन्हें कभी-कभी सुविधाओं के रूप में भी संदर्भित किया जाता है, लेकिन उन जानकारियों का पता लगाएं जो आपको बताती हैं कि ठीक है, ऐसा ही होता है। हर बार जब कोई हमारे पास मौजूद उदाहरण में कोई विशेष उत्पाद खरीदता है, और फिर इसे एक कदम आगे ले जाता है और कहता है, ठीक है, अब मैं कुछ मशीन लर्निंग एल्गोरिदम का उपयोग करके किसी उत्पाद को खरीदने की संभावना का अनुमान लगाने की कोशिश कर सकता हूं, जब वे कुछ विशिष्ट लेते हैं कार्रवाई। एक बाज़ारिया के रूप में आपके लिए महत्वपूर्ण कारण यह है कि मैंने अभी जो उदाहरण दिया है, अगर मैं एक निश्चित डिग्री सटीकता के साथ भविष्यवाणी कर सकता हूं, तो क्या होगा जब कोई व्यक्ति कुछ विशिष्ट कार्य करता है, मैं लोगों को उन कार्यों की ओर ले जा सकता हूं, अब मैं कर सकता हूं मेरे मार्केटिंग अभियानों को अनुकूलित करने के लिए उस जानकारी का लाभ उठाएं। तो यह प्रेडिक्टिव डेटा माइनिंग संक्षेप में है, यह बहुत जल्दी जटिल हो जाता है, इसके बारे में बात करने के लिए और भी बहुत कुछ है। इसलिए मैंने आपको शाब्दिक रूप से मार्केटिंग के लोगों का 32वां संस्करण दिया है, हमारी वेबसाइट पर बहुत अधिक जानकारी उपलब्ध है, और हम किसी ऐसे व्यक्ति से मिलकर खुश हैं जो स्पष्ट रूप से इसके बारे में अधिक जानना चाहता है। हम इसके बारे में जितना संभव हो सके बाजार को शिक्षित करने के लिए बहुत उत्सुक हैं।

सैम: हाँ, मैं सोच सकता हूँ कि यह बहुत जल्दी बहुत जटिल हो सकता है। तो मैं वास्तव में सराहना करता हूं कि आप हमें वह संक्षिप्त विवरण दे रहे हैं। और मुझे लगता है कि आपने एक बहुत ही जटिल विषय प्रतीत होने वाले सारांश का अच्छा काम किया है। अब, मैं यह भी जानना चाहता हूं कि क्या अन्य कंपनियां भी इस स्थान का संचालन कर रही हैं? और यदि ऐसा है, जैसे, dotData पर आप लोग खुद को प्रतिस्पर्धा से कैसे अलग करते हैं?

वाल्टर: बढ़िया सवाल। तो संक्षिप्त उत्तर है हां, निश्चित रूप से, बहुत सी अन्य कंपनियां हैं जो इस स्थान पर काम करती हैं। और, आप जानते हैं, यह कहने के बाद, मशीन लर्निंग स्लैश प्रेडिक्टिव एनालिटिक्स स्पेस के बारे में एक बात जो शायद एक सच्चाई है, वह यह है कि यह विकसित हो रहा है और अविश्वसनीय रूप से तेज गति से बदल रहा है। इसलिए यदि आप तीन, चार साल पहले कंपनियों की स्थिति को देखते हैं, जब मैं पहली बार dotData में शामिल हुआ था, बनाम कैसे वही कंपनियां आज खुद को स्थापित कर रही हैं, आज उनके उत्पाद कैसे बनाए जाते हैं, आज वे कहां करते हैं, मौलिक रूप से अलग बातचीत . और यह वास्तव में काफी हद तक इस बात से प्रेरित है कि बाजार कितनी तेजी से विकसित हो रहा है। हालांकि, उस सब के माध्यम से, उस डेटा के लिए एक बड़ा अंतर वास्तव में dotData के मुख्य इंजन और dotData के काम करने के तरीके पर आता है। तो एक चीज जो मैंने नहीं की है, जिसके बारे में हमने बात नहीं की है, और फिर, यह इस बातचीत की थोड़ी तकनीकी गहराई प्राप्त करता है, लेकिन यह महत्वपूर्ण है कि भविष्य कहनेवाला विश्लेषण की दुनिया में, ठीक है, जब आप जाते हैं और अपने भविष्य कहनेवाला मॉडल बनाने के लिए इन मशीन लर्निंग एल्गोरिदम का उपयोग करें, ये मशीन लर्निंग एल्गोरिदम जैसे फ्लैट टेबल, अनिवार्य रूप से, वे खुश नहीं हैं। इसलिए यदि आप जानते हैं कि यदि आप नहीं जानते हैं कि आप एंटरप्राइज़ डेटा के बारे में कितना जानते हैं, लेकिन विशेष रूप से एंटरप्राइज़ डेटा की दुनिया में, यदि आप Salesforce.com जैसी किसी चीज़ के बारे में सोचते हैं, उदाहरण के लिए, Salesforce.com के उपयोगकर्ता के रूप में, तो मैं बस एक लीड स्क्रीन देखें और इसमें लीड की जानकारी है। और मेरी गतिविधियों के रूप में मेरी अगुवाई के खिलाफ, यह सब एक ही स्थान पर है। लेकिन अगर मैं उस पर से पर्दा हटा दूं, और हिम्मत के नीचे देखूं, तो बोलने के लिए, यह सिस्टम कैसे संचालित होता है, यह मूल रूप से एक रिलेशनल डेटाबेस कहलाता है। तो वे सभी क्षेत्र जो मैं देख रहा हूँ उनमें से कई वास्तव में विक्रेता के विभिन्न भागों में वितरित विभिन्न तालिकाओं के भाग हैं, वे सभी एक साथ जुड़े हुए हैं। ठीक है, मशीन लर्निंग एल्गोरिदम उन चीजों को पसंद नहीं करते हैं, मशीन लर्निंग एल्गोरिदम, जैसे फ्लैट टेबल, मशीन लर्निंग एल्गोरिदम, जैसे सीएसवी की तरह दिखने वाली चीजें स्प्रेडशीट की तरह दिखती हैं। इसलिए मशीन लर्निंग का एक बड़ा हिस्सा फीचर इंजीनियरिंग कहलाता है, जो अनिवार्य रूप से इन जटिल रिलेशनल डेटा टेबल को लेने की एक प्रक्रिया है, जो आपके मशीन लर्निंग एल्गोरिदम के लिए समझ में आने वाले पैटर्न का पता लगाती है और इन फ्लैट टेबल को अनिवार्य रूप से बनाती है, जिसे आपको फिर करना होगा मशीन लर्निंग एल्गोरिदम में फीड करें। डॉटडाटा के लिए सबसे बड़ा अंतर यह है कि हम उस हिस्से को स्वचालित रूप से करते हैं। यह परंपरागत रूप से एक बहुत ही हाथ की प्रक्रिया है। यदि मैं उस समय पर वापस जाऊं जब आपने मुझसे इस बारे में सबसे पहला प्रश्न पूछा था, तो आप जानते हैं कि उस डेटा की उत्पत्ति कैसे हुई। वह अहा क्षण था जो हमारे सीईओ देख रहे थे इन डेटा में वैज्ञानिकों ने इन फीचर टेबलों के निर्माण पर सचमुच महीने बिताए हैं कि उन्हें मशीन लर्निंग एल्गोरिदम में मैन्युअल रूप से डालना होगा। और यह महसूस करते हुए कि एक बेहतर तरीका होना चाहिए, हमें एक ऐसी प्रणाली बनाने में सक्षम होना चाहिए जो स्वचालित रूप से इन तालिकाओं के बीच के कनेक्शनों को स्वचालित रूप से उन पैटर्नों की पहचान करेगी जो प्रासंगिक और उद्देश्यपूर्ण हैं, और स्वचालित रूप से इन फीचर तालिकाओं का निर्माण करें। तो यह अब तक का हमारा सबसे बड़ा अंतर है। और आज, हम वास्तव में बाजार में एकमात्र ऐसी कंपनी हैं जो यह कार्यक्षमता प्रदान करती है।

सैम: ठीक है, यह समझ में आता है। हाँ। और मैं हमेशा इस तथ्य से प्यार करता हूं कि जब भी मैं लोगों का साक्षात्कार करता हूं, तो हमेशा ऐसा लगता है कि इन सभी कंपनियों के आधार पर मैं किसी प्रकार का अहा क्षण है, जिसके साथ मैं बात करता हूं। और यह वास्तव में है, यह मेरे काम का एक बहुत ही मजेदार हिस्सा है जो उस कोर ड्राइव पर जा रहा है, मुझे लगता है, ताकि यह पूरी तरह से समझ में आए। और मैं यह जानने के लिए उत्सुक हूं कि dotData पर आप लोगों के लिए क्षितिज पर आगे क्या है?

वाल्टर : तो मुझे लगता है, आप जानते हैं, कुछ दृष्टिकोणों से, ठीक है। एक, स्पष्ट रूप से, एक व्यवसाय विकास के रूप में हमारे लिए सबसे बड़ा रुचि का क्षेत्र है। और वास्तव में, एक चीज जो हम सोचते हैं, विशेष रूप से इस समय हो रही आर्थिक अनिश्चितता को देखते हुए, डेटा जैसी प्रणालियां वास्तव में संगठनों के लिए और भी अधिक फायदेमंद हो जाती हैं। आप जानते हैं, जब पैसा निवेश में जाता था, पूंजी बहुत अधिक थी, और संगठनों को कर्मचारियों की संख्या के बारे में चिंता करने की ज़रूरत नहीं थी और चिंता करने की ज़रूरत नहीं थी, आप जानते हैं, आप समस्या को हल करने के लिए बस किराए पर ले सकते हैं, है ना? आपको चीजों को तेजी से करने की जरूरत है, आप अधिक डेटा वैज्ञानिकों को नियुक्त करते हैं, आपको उत्पादों को तेजी से बनाने की जरूरत है, आपने अधिक डेटा इंजीनियरों को काम पर रखा है, और इसी तरह। ठीक है, अर्थव्यवस्था जो कर रही है वह अभी कर रही है, हम वास्तव में मांग में वृद्धि देख रहे हैं, हम वास्तव में अधिक कंपनियों को यह कहते हुए देख रहे हैं, मेरे पास अपनी टीम का विस्तार करने की क्षमता नहीं है, मेरे पास अनुमति नहीं है , इसलिए वित्तीय रूप से बोलने के लिए, 1015 20 और डेटा वैज्ञानिकों को जाने और किराए पर लेने के लिए। तो मैं अपनी मौजूदा टीम को और अधिक उत्पादक कैसे बनाऊं? और यहीं पर डॉटडाटा उनकी बहुत मदद कर सकता है। इसलिए हम अल्पावधि में बहुत अवसर देखते हैं, साथ ही उस दृष्टिकोण से दीर्घावधि भी। और जाहिर है, हमारे पास बहुत सारे विचार हैं और उत्पाद के नजरिए से बहुत सारी नई चीजें आ रही हैं, जिनमें से अधिकांश के बारे में मैं वास्तव में अभी बात नहीं कर सकता, लेकिन कुछ बहुत ही रोमांचक चीजें जो दूसरे में आ रही हैं इस वर्ष की आधी अवधि में, यह उत्पाद की क्षमताओं में विस्तार करना जारी रखेगा और हमें कुछ ऐसे नए क्षेत्रों में भी ले जाएगा जहां हम पहले नहीं गए थे।

सैम: शानदार। ठीक है, ऐसा लगता है कि आप लोगों के पास बहुत कुछ चल रहा है। और मैं आपको इसके लिए शुभकामनाएं देता हूं। और अगर लोग सुन रहे हैं, और वे आपके साथ, व्यक्तिगत रूप से, वाल्टर या डॉटडाटा को बनाए रखने में रुचि रखते हैं, तो वे ऐसा करने के लिए कहां जा सकते हैं?

वाल्टर: बढ़िया सवाल। ताकि dotData सबसे आसान हो, बस dotdata.com पर जाएँ। मुझसे व्यक्तिगत रूप से जुड़ने के लिए, आप मुझे नेतृत्व पृष्ठ पर पा सकते हैं। यदि आप हमारे बारे में पृष्ठ पर जाते हैं और फिर नेतृत्व करते हैं, तो आप मेरी तस्वीर मेरी जीवनी देखेंगे, और आप सीधे मेरी लिंक्डइन प्रोफ़ाइल पर क्लिक कर सकते हैं, या मेरी लिंक्डइन प्रोफ़ाइल काफी सरल है। बस https://www.linkedin.com/in/walterpaliska/ मेरे लिंक्डइन प्रोफाइल पर जाएं और मुझसे संपर्क करें।

सैम : बहुत बढ़िया। खैर, हम इस एपिसोड के विवरण में लिंक भी शामिल करेंगे, ताकि श्रोता वहां जा सकें। लेकिन अन्यथा, वाल्टर, आज मेरे साथ जुड़ने के लिए बहुत-बहुत धन्यवाद।

वाल्टर: अवसर के लिए बहुत-बहुत धन्यवाद, और आपके सभी श्रोताओं को धन्यवाद।

इस लेख की मुख्य छवि हैकरनून केएआई इमेज जेनरेटर द्वारा "रात के समय एक इंटरनेट कैफे में कंप्यूटर पर लोग" संकेत के माध्यम से तैयार की गई थी।