[MELHORES] Forrester vs Gartner em plataformas de Data Science e Machine Learning

Fonte: Semantix

Em março de 2017, a empresa líder de analistas Forrester lançou seu “Forrester Wave™”: um relatório sobre Predictive Analytics e soluções de Machine Learning do primeiro trimestre de 2017, escrito por Mike Gualtieri.
Predictive Analytics e Machine Learning estão entre as tecnologias mais importantes, e a Forrester prevê uma taxa de crescimento anual composta de 15% (CAGR) para o mercado PAML até 2021.
O relatório examina e avalia 14 empresas em termos de estratégia, oferta atual e presença no mercado.

Os líderes

  • O SAS reimagina seu portfólio de Data Science e unifica suas soluções no SAS Visual Suite. Ele reúne a preparação de dados de classe mundial, visualização, análise de dados, construção de modelos e implantação de modelo.
  • A IBM adora open source. O SPSS ainda é o núcleo da plataforma de ciência de dados da IBM, que também lançou o SystemML, a partir de seus investimentos no Spark Technology Center, e introduziu a Data Science Experience para codificadores de ciência dos dados.
  • A SAP desenha uma linha direta de modelos preditivos para aplicativos de negócios. A SAP oferece ferramentas abrangentes de ciência de dados para construir modelos, mas também é a maior empresa de aplicativos corporativos do planeta.
  • Angoss está pronto para ser a sua principal solução. Angoss Knowledge SEEKER é um must-have para equipes de ciência de dados que desejam usar ferramentas visuais bonitas e abrangentes para criar árvores de decisão e estratégia.
  • RapidMiner envolve amplitude e profundidade em uma bela embalagem. RapidMiner investiu fortemente para renovar sua interface visual, tornando-se o mais conciso e fluido que vimos nesta avaliação.
  • A comunidade de open source da KNIME paga dividendos na produtividade. KNIME não é uma grande empresa, mas tem uma grande comunidade de colaboradores que continuamente empurram a plataforma com recursos como bioinformática e processamento de imagem.
  • A FICO torna as decisões empresariais mais inteligentes com os modelos. A extensa experiência do mundo real da FICO levou a uma solução que se concentra nas necessidades dos principais cientistas de dados, bem como dos cientistas de dados de base em uma grande organização.

Fortes Executantes

  • O H2O.ai é mais conhecido por desenvolver algoritmos de Machine Learning, agrupados em cluster já em 2011, quando Big Data os exigiam mas ninguém mais os possuía. H2O também oferece Sparkling Water para criar, gerenciar e executar fluxos de trabalho no Apache Spark e Steam para implantar modelos.
  • A Microsoft oferece a Microsoft R para cientistas de dados que desejam codificar na linguagem de programação R, suportada por algoritmos de distribuições agrupadas. Ela também oferece Azure Machine Learning para cientistas de dados que querem uma ferramenta de desenvolvimento visual mais tradicional.
  • A ferramenta visual Alpine Data fornece engenheiros de dados, cientistas de dados e partes interessadas de negócios com as capacidades que precisam para dividir e conquistar o trabalho de construção de modelos.
  • Dataiku (nome inspirado pelo haiku japonês) oferece uma plataforma de ciência de dados que permite que os codificadores usem um notebook quando precisam, mas usem ferramentas visuais para criar fluxos de trabalho quando a produtividade é superior.
  • A Statistica foi fundada em 1984, como Statsoft, e adquirida pela Dell em 2014. Agora faz parte do recém-lançado Quest Software.

Competidores

  • O Domino Data Labs deseja que os codificadores colaborem em código aberto. A solução visa empacotar as ferramentas e bibliotecas de codificação de open source mais populares e fornecer uma interface unificadora para equipes de codificadores de ciência de dados.
  • A Salford Systems reúne precisão e automação pela implementação de métodos específicos, incluindo CART, MARS, Random Forests e TreeNet.
Como o ranking mudou em comparação com o relatório de 2015?

Os destaques são:

  • Líderes remanescentes: SAS, IBM, SAP
  • De fortes executantes em 2015 para líderes em 2017: RapidMiner, KNIME, Angoss, FICO
  • Fortes executantes remanescentes: Microsoft (ganhou em oferta), Alpine Data, Statistica/Quest (perdeu em estratégia)
  • Novas adições em 2017: Domino Data Labs, Dataiku, H20.ai, Salford Systems
  • Caiu em 2017: Alteryx, Predixion Software, Oracle
Como a avaliação Forrester se compara ao Quadrante Mágico do Gartner 2017 para plataformas de Data Science?
Gartner e Forrester usam metodologias diferentes, mas em ambos os casos, quanto mais o círculo representa uma empresa do canto inferior esquerdo do diagrama, melhor. Nós medimos essa distância para cada empresa e normalizamos de modo que a maior distância é 95 e a menor é 5.
As empresas que não estão presentes no gráfico Gartner ou Forrester obtiveram índices negativos.


 tamanho do círculo corresponde ao tamanho estimado do fornecedor, a cor é o rótulo Forrester e a forma (o preenchimento do círculo) é o rótulo Gartner.
No total, existem 17 empresas: 13 que aparecem em ambos, 3 apenas no Gartner (abreviado como G), e uma apenas em Forrester (abreviado como F).
Observamos vários grupos:
  • Fortes líderes: SAS, IBM, RapidMiner e KNIME são classificados como líderes tanto pela Gartner quanto pela Forrester.
  • Líderes: Angoss, SAP e FICO são líderes para F, mas apenas Nicho/Visionaries para G.
  • Fortes competidores: H2O.ai, Microsoft e Statistica/Quest são fortes executantes para F, e Visionary/Challenger para G
  • Competidores: Alpine Data, Domino, Dataiku: Strong Performers/Contenders em F, Visionaries em G.
  • Participantes: Salford Systems, Teradata, Alteryx, MathWorks: apenas em um ranking.
Compatilhe no Google Plus

Sobre Grimaldo Oliveira

Mestre pela Universidade do Estado da Bahia (UNEB) no Curso de Mestrado Profissional Gestão e Tecnologias Aplicadas à Educação (GESTEC) com o projeto “GESMOODLE – Ferramenta de acompanhamento do aluno de graduação, no ambiente virtual de aprendizagem(MOODLE), no contexto da UNEB“. Possui também Especialização em Análise de Sistemas pela Faculdade Visconde de Cairu e Bacharelado em Estatística pela Universidade Federal da Bahia. Atua profissionalmente como consultor há mais de 15 anos nas áreas de Data Warehouse, Mineração de Dados, Ferramentas de Tomada de Decisão e Estatística. Atualmente é editor do blog BI com Vatapá. Livro: BI COMO DEVE SER - www.bicomodeveser.com.br

0 comentários: