יום שישי , יולי 21 2017
מבזקים
דף הבית > כתבות IT מגזין > שולחן עגול: BI תובנות עולם המחר

שולחן עגול: BI תובנות עולם המחר

P1460487

  • רקע לדיון
אודי דקל (מנחה): אנחנו הולכים לדון בנושא של בניית הידע הארגוני והפקת תובנות, וכידוע לכולנו, ידע הוא כוח. בניית ידע כזה מתחילה מאיסוף מידע רלבנטי, וזו בפני עצמה סוגיה כבדה, מה רלבנטי ואיך נמשוך את המידע הרלבנטי ולא נאסוף הכול. המעבר מרמת המידע לידע הוא משמעותי וכולל בתוכו תובנות ארגוניות ועסקיות הממצות ומחדדות מתוך המידע הרלבנטי שנאסף תמציות נתונים בעלות הקשרים ורלבנטיות ארגונית המשמשות את הארגון בתהליך קבלת ההחלטות שלו והופכות לחלק מהתודעה הארגונית. דוגמא טובה הניתנת בהקשר של איסוף נתונים עצום BIG DATA)) וניתוחם, מתייחסת לנאומי הנשיא אובמה. בעודו מדבר, אנליסטים מנתחים את האימפקט של דבריו ברשתות החברתיות ומידעים אותו תוך כדי הנאום מה נקלט היטב, מה אהבו ומה פחות, וזאת לאפשר לו למקד נאום בנקודות "טובות וחזקות" ולהתרחק מנקודות "בעייתיות וחלשות"
אודי דקל מ"מ ראש המכון למחקרי ביטחון לאומי (INSS)

אודי דקל מ"מ ראש המכון למחקרי ביטחון לאומי (INSS)

 אורית גולדמן: אנחנו במכון המחקר של כללית יודעים שאין משמעות ותועלת להפקת ידע, אלא אם כן מיישמים את הידע הזה. למשל, אנחנו בונים מודלים לחיזוי מחלות שונות למטרת פעילות מניעתית, צוברים נתונים, מנתחים אותם מול המודל, מקבלים היזון חוזר ובאופן כזה מיישמים את תובנות המידע והידע שהופקו בתהליך. פיתחנו כך מודל לניבוי סרטן המעי ואנחנו מפתחים עכשיו מודל לניבוי סרטן הריאות. לאור זאת אני בהחלט מתחברת לדברים שאמרת בפתיחה.

מוטי סדובסקי:שמעתי הגדרה ולפיה: לשמור מידע במערכת זול יותר מאשר להחליט מה להוציא. כלומר, "ארגז החול" ה BIG DATA מאפשר לנו היום להכניס ולשמור הרבה מאוד נתונים. כאשר יש לנו כלים להפיק תובנות ממידע שנכנס פנימה יש לנו "פיתוי" להכניס כמה שיותר נתונים. נתונים (Data) בתוספת ההקשרים העסקיים, יצרו מידע – Information. למידע נוסיף תובנות עסקיות קונקרטיות ואז נקבל ידע אישי וארגוני. ידע כזה הוא כוח –  היכולת לקבל ערך מוסף כלומר לחבר אחד ועוד אחד ולקבל שלוש. הרבה ארגונים מתקשים לטפס למדרגת הידע, היות ועל מנת להגיע אליה צריך בן השאר להציב את שאלות המחקר הארגוניות הרלבנטיות.

אודי דקל:  מוטי, אז אם הבנתי אותך נכון, אתה אומר: יש בריכת נתונים ובה כל המידע ועכשיו לכל סיטואצייה או מטרה מוגדרת צריך לפתח מתודולוגיית חילוץ ?

מוטי סדובסקי: אכן כך. תראו, קיימת יכולת קליטת מידע בכמויות ומהירות מדהימות. צריך לאפשר לכל משתמש לקחת את הנתונים הרלוונטיים עבורו ולהציבם מול "שאלת המחקר" שלו. למשל אם אתה מנהל רשת מחשבים גדולה ותרצה לבדוק איזה רכיב בה התקלקל, זו שאלה שדומה עקרונית ל; איזה אלמנט ברשת שלך יש בו קוד זדוני המצביע על פריצת סייבר.  כלומר, המידע שנצבר וסוג השאלה שנשאלה מפעילים את אותו תהליך, ונותנים לכל ארגון את התובנות הרלבנטיות עבורו. שאלת המחקר יוצרת את הפלט ותקבע את התהליך האנליטי כולו.

אורית גולדמן:  הכלים הם אותם כלים. באחת החברות הסלולאריות  פיתחתי מודל נטישת לקוחות, באחד הבנקים זה היה מודל לקוחות רווחיים לבנק, ובקופת חולים זה מודל לחיזוי מחלות.

אודי דקל: אספר לכם סיפור. עוד מתקופת היותי במודיעין, הגיע אלינו פרופ' אמריקאי, כלכלן שבקש לחקור משוואות לחקר טעמי צרכנים. הוא פתח תוכנה ואליה הזין כמויות גדולות של טקסטים של מאמרים רפואיים משנות ה-30 עד ה- 50. הוא גילה להפתעתו כי לפי ניתוח התוכנה שהשוותה את כל המשותף במאמרים שפורסמו, ניתן היה למצוא פיתרון למחלות 20 שנה מוקדם יותר ממה שנמצא בפועל. מסקנתו והצעתו הייתה: תשתמשו בזה ככלי אוטומטי. ואכן כיום עושים זאת ביחס לטקסטים ברשתות חברתיות למשל. אבל צריך גם לדעת ולהיזהר. בשעתו, במודיעין ניסינו להשתמש בתוכנה על כמות גדולה של מסמכים רגישים ולהשוות ביניהם, ונמצא שהמשותף היה כתובת המדפיס שלהם.

אורית גולדמן ראש תחום כריית נתונים (Data Mining) במכון כללית למחקר

אורית גולדמן ראש תחום כריית נתונים (Data Mining) במכון כללית למחקר

אורית גולדמן: ההבדל בין סטטיסטיקה מסורתית ובין כריית נתונים הוא שבסטטיסטיקה אתה יודע מה אתה שואל, יש לך שאלה מסוימת ואתה יודע מה אתה מחפש. בעוד שבכריית  נתונים אתה בעצם  לא יודע ונותן לתובנות לצוץ. למשל, שמעתי שבעקבות ההוריקן האחרון בארה"ב התברר כי קנו הרבה ריבה! בעקבות תובנה כזו הספקים מגדילים את מלאי הריבות במדפי הסופרים לפני סופות. כלומר, יש המון תובנות שלא היית יודע לשאול אותן בכלל, וזאת החוכמה. אלגוריתמים של DATA MINING מציפים לך תובנות שלא חשבת עליהן מלכתחילה.

עומרי קוהל: אני בא מהעולם הפרקטי של מכירת מוצרים שבעולם קוראים להם BI  ורוצה לענות  על שתי שאלות – שאלה אחת היא איך אוספים את המידע? איפה הוא נמצא ואיך שולפים אותו? והשאלה השנייה היא האם המידע הזה מאפשר לנו לעשות משהו בתוך הארגון שלנו? לגבי השאלה הראשונה, זהו אתגר גדול ביותר בארגוני ה ENTERPRISE שבהם יש הרבה מאוד מחלקות,  חטיבות, תתי חטיבות ותתי מחלקות.  כל גוף כזה לוקח את הנתונים שנראים לו כרגע וזורק אותם פנימה לבריכה הגדולה. ואחד האתגרים הגדולים  זה בעצם, איך הארגון כארגון, לומד ולוקח ברמת הארגון את כל המידע הזה, ולא כל חטיבה באופן עצמאי. במקום לייצר מידע שהוא מחלקתי, איים של מידע (SILOS), יש לייצר ארגון אחד שלומד. אנו רואים בשנים האחרונות מגמה של סינרגיה של מקורות השימוש בארגון. דובר פה הרבה על תובנות ואני רוצה לדבר על מעבר מ INSIGHT ל IMPACT, כלומר השפעה. כיצד התובנות משפיעות על הארגון, כיצד מגדילים את ה ROI שלו. בשלב הראשון צרכני ה BI צריכים להפנים איך הם לוקחים את בריכת הנתונים הענקית ומלבישים עליה פלטפורמה אחת שמאפשרת לכולם לדבר.  בשלב השני, אחרי ששלפנו הנתונים והבנו אותם, יש לשקול מהם הכלים המאפשרים  לנו להשפיע באמצעות התובנות שנלמדו על ה ROI.     הכלי המשפיע ביותר הוא ה-  PREDICTIVEPRESPRICTIVE. זהו  כלי BI שיודע לתת לארגון מרשם לאיזה מוצר למכור, לאיזו טריטוריה לשווק, אלה הנחות שיש להניח כאשר נאבקים בתחרות וכד'. זהו אחד האתגרים ששוק ה BI מתמודד איתו. כלי BI מסורתיים בארגונים שנשענו על אנליסטים הולכים ומשתנים ומחפשים דרכים להגיע אל המשתמשים, אלה שהגיעו ממחלקות הארגון ולא מעולמות התחקור. מקבלי החלטות במחלקות הם אלה שיכולים להשפיע על הארגון  באופן יותר משמעותי.

אודי דקל: עומרי, דברת על בריכת מידע בארגון שהיא בעצם מאגר נתונים מובנה.אותי מעניין מאגר הנתונים הבלתי מובנה. לא נתונים שהוספנו כי חיפשנו, אלא אותם דברים שלא חשבנו עליהם קודם. אותם דברים שפעם אנשים יצירתיים במיוחד הביאו ולא ניתוח סטטיסטי, מה שנקרא "ידיעת הזהב".

אדר שומרון: אני מתחבר למה שעומרי אמר בקשר ל IMPACT. כדי שידע יהפוך לבר השפעה, הוא צריך להניע לפעולה (ACTIONABLE). אלמנט חשוב בעולם  ה- BIG DATA קשור למהירות (VELOCITY).  שלושה תחומים מעורבים כאן:  תחום ה-DATA

אדר שומרון מנכ"ל חברת BIyond (ביונד)

אדר שומרון מנכ"ל חברת BIyond (ביונד)

SCIENCE אשר מספק תובנות בזמן אמת. יש חברות טכנולוגיה אשר על בסיס מודלים ואלגוריתמים  מפתחות מוצרי מידע. למשל עולם הסייבר ניזון מתובנות בזמן אמת. התחום השני הוא "כלים במשקל קל" (LIGHT WEIGHT). מדובר בכלים ידידותיים, למשתמש שאינו אנליסט, המאפשרים לו להגיע בקלות ובמהירות לתובנות הנחוצות.  התחום השלישי הוא אג'יליות  או במילים אחרות גמישות אסטרטגית. כוחו של מחסן הנתונים המסורתי הולך ופוחת כאשר מחליפים אותו היום מודלים של שיתוף נתונים. המגמה היא לבנות מרכולי נתונים ( DATA MARTS ) כתשתית מידע שעליה ירוצו ניתוחים עסקיים. אג'יליות מסוג זה נחוצה היום, לא רק בקרב חברות טכנולוגיה אלא בכל המגזרים.

טובית לייבה: אומרים שבשנתיים האחרונות לבדן, כמות המידע שנאגרה גדולה יותר מכמות המידע שנאגרה משחר קיום ההיסטוריה, ואכן כמות המידע הולכת ותופחת בכל ארגון. כל ארגון מתאים זאת לצרכיו ויכולותיו. ארגונים רבים עדיין בחיתולי הנושא, הרבה רוצים להיכנס לתחום ה BIG DATA ולאגור נתונים ופשוט לזרוק אותם פנימה וכפי שמוטי אמר, הם מכניסים אותם ולא מוציאים. כי זה בעצם השלב הקשה: איך מוציאים אותם בצורה נבונה. במערכות BI הקלאסיות היו מקבלים דוחות. אבל דוחות קלאסיים מתאימים למידע מובנה ומסודר. היום, תחקור המידע שונה, הוא יותר חקירה וגילוי, היות ולעיתים אין לך את השאלות. אתה בודק קורלציות במידע. מה מתקשר, מה מציף את מה וכד'. ולכן חשוב לא רק לאגור בשרתי BIG DATA את רוב המידע הארגוני. בשלב זה הננו לפני המהפך של אופן קריאת וכריית המידע ( Data on Read ). כבר היום יש לנו באורקל את הטכנולוגיות המסוגלות לאפשר למשתמש ללא מומחיות לעבוד ישירות על הBIG DATA , לצרף מקורות נוספים, להבין, לטייב ולנתח אותם תוך קישור מקורות מגוונים יחד.  הטכנולוגיה מתפתחת בקצב מדהים. לאחר שהמשתמש מטייב את הנתונים שבמאגרי הBIG DATA , גם כלי BI קלאסיים, יכולים לעבוד היטב מול נתונים אלה .קשה לעבוד לפי תחושות בטן כיום. כמויות הנתונים עצומות וההקשרים פעמים רבות אינם טריוויאליים.

אדר שומרון:  אכן יש לנו BIG DATA אבל לא תמיד הארגון יודע מה לעשות איתו. למרות שברשות הארגון כמות עצומה של מידע, של חומרה, תוכנה וגם של אנשים וכל אלו יכולים לחבור על מנת לפתור את ה- BUSINESS CASE, לעיתים הקושי הוא בהגדרה ראשונית ומדויקת  של ה-BUSINESS CASEשתניב בהמשך ערך עסקי ותועלת.

אודי דקל:  אנשים מחפשים פרוצדורות מוכרות קבועות ומובנות. אבל אנחנו חושבים שלו בנינו לעצמנו מלכתחילה חשיבה מעמיקה ומחקרית היינו מגיעים לתוצאה מהר יותר. אבל, היות ויש לנו בסיס נתונים אנחנו קודם ניגשים אליו ולא עוצרים את עצמנו לשאול: בעצם, מה אני מחפש? מניסיוני בתכנון אסטרטגי בצבא, שאלנו קודם כל, מהי שאלת המחקר או במונח צבאי יותר, מה הבעיה האסטרטגית?  והשאלה השנייה הייתה: מהי המתודה באמצעותה אנו הולכים למצוא פיתרון לבעיה. ואגב, לכל בעיה צריך לפתח כלים ייחודיים ואין כלים מהמדף. המסקנות מניסיון רב שנים היו: כשעבדנו בצורה הארוכה הזאת, התהליך היה בסופו של יום יותר קצר, היות וכאשר הלכנו לפרוצדורות אוטומטיות, נתקענו והלכנו הלוך ושוב.

אורית גולדמן: בעולם הבריאות והרפואה בכללית אנחנו מדברים על מחסן נתונים ענקי. מדובר בנתונים שכוללים גם מרפאות קהילה וגם 14 בתי חולים – זה באמת BIG DATA.   זה מחסן שמביא נתונים מעולמות שונים שמתחברים לאמת עסקית אחת ושפה אחת.  המערכות לפני כן לא דברו זו עם זו. היום הכול מחובר וזה לא רק הגודל  זה המון דברים נוספים. זה בעצם מחסן נתונים מורכב הכולל: נתונים מובנים, לא-מובנים, הדמיות ותמונות, קובצי קול, ובעצם מכיל הכול. הבעיה כמובן היא איך להוציא נתונים בצורה חכמה היות ואחרת יתקבל מידע חסר משמעות.

עומרי קוהל:  מידע הינו קומודיטי כיום. חלקו מובנה וחלקו בלתי מובנה. גם את הבלתי מובנה צריך לארוז איך שהוא, אחרת הוא אינו נגיש. גם תמונות CT בטכנולוגיות IMAGING ניתן להכניס לטבלה מובנית עם מאפיינים ברורים כגון: גיל, שלב בחיים, סוג צילום, גודל איבר מצולם, גודל כתם ועוד ועוד. ויזואליזציה של מידע הינה מגמה נוספת שגוברת כיום. בסופו של יום, מישהו יחליט איך מכניסים את התמונה למאגר ואיך לאפיין את התמונה. מי שעשה זאת כבר, קבע איך שמים את המידע במערך מובנה. האתגר המרכזי של ה- BI כיום, לדעתי, הוא איך ליצר כלי מתאים לכל משתמש בארגון. הרי כיום כולם עושים שימוש כזה או אחר בכלים סטטיסטיים, בחיזוי או בכריית נתונים, באקסלים וכד'.

עמרי קוהל, בין מייסדי ומנכ"ל חברת פירמיד אנליטיקס

עמרי קוהל, בין מייסדי ומנכ"ל חברת פירמיד אנליטיקס

מוטי סדובסקי: לדעתי כיום הבעיה אינה טכנולוגיה. לדוגמא טיפול בטקסט שהוזכר קודם. יש כיום הרבה כלי ניתוח טקסט ובשפות שונות שלוקחים טקסט חופשי ומוציאים אותו בסוף מטובלה (מלשון טבלה)ואת נתוני  הטבלה אנו כבר יודעים לנתח ולהפיק מהם תובנות. המידע שנוצר במאגר ה- Bigdataלא רק מטובלה (מלשון טבלה) אלא מייצר מפת קשרים  ואנו יודעים לתת לו תובנות ולנתח אותו מהר. גם בנושא תמונות יש לנו תובנות רבות. בוידיאו מתחילים לראות טכנולוגיות ותובנות.      הבעיה אינה בטכנולוגיה. לא בתהליכי קלט, טיוב מידע, מאגרים או כלים. החוכמה היא בעצם לתת לכל בעיה את הפיתרון המתאים לה. ברגע שנתת פיתרון כזה, היכולת לגרום לאנשים שעבדו עד כה עם תהליך עבודה אינטואיטיבי מהבטן, לעבור לתהליך עבודה מונחה מערכת ומונחה מידע הינו קשה במיוחד.  הקושי המרכזי הינו באנשים וביישום תהליך עבודה חדש מונחה מידע. הייתי מעורב ביישום שהיה בעייתי בהטמעתו וכלל שני קשיים מרכזיים: הראשון, שהתגברנו עליו, טיוב מידע שלקח לצוות הפרויקט כ- 60% מהזמן. פיתוח התהליך לקח כ-  10% מהזמן ו- 30% מהזמן לקח לצוות להטמיע וללוות את המשתמשים בתהליך העבודה החדש.

עומרי קוהל:  אני מתחבר למה שאתה אומר. יש להפריד בין העולם של חדשנות טכנולוגית לחדשנות פונקציונאלית.  טכנולוגית אנחנו מתקדמים מאוד. אפשר להביא מידע מוידיאו, דיבור, תמונות, פייסבוק, מיילים ועוד. המגבלה היא פונקציונאלית. כלומר: למרות שהמוח שלנו מתוחכם וניתן להגדירו כ- learning Machine המתקדם ביותר שיודע לעשות הכול מכל, יש לו מגבלת כמות ידע בר עיבוד ויכולת סינון "רעשים". לפיכך, החדשנות הפונקציונאלית היא זו שתאפשר לארגונים לעשות ניצול אמיתי של המידע וליצור בהם IMPACT . בריאות היא דוגמא טובה. פה מרגישים את ה- IMPACT בצורה דרמטית. היכולת לאתר מחלות לפני שפרצו ולהביא תרופות מתאימות, זה יפה. ובהקשר זה IOT עומד לשחק תפקיד דרמטי בעולם האבחון בכלל.

אורית גולדמן:    אני חושבת שכולנו נסכים שהאנליטיקה המתקדמת ביותר שתהיה, לעולם לא תהווה תחליף להבנה העמוקה של הBUSINESS- והבנת הנתונים והמשמעות של כל נתון, והיא רק כלי קבלת החלטות שיעזור לאדם להחליט.למרות שמכון המחקר מעסיק חוקרים מדיסציפלינות שונות שמבינים את משמעויות המודלים והשפעת הנתונים, עדיין בסופו של יום יחליט הרופא. אתייחס לדוגמא שנתתי בתחילת הדיון; מודל חיזוי מחלות. מתוך פרופיל חולים אנו לומדים מי צפוי להיות חולה.         נניח שמחלה נמצאת בשכיחות של 1% מהאוכלוסייה וזו אגב מחלה "נפוצה", היות וסרטן לדוגמא הינו בשכיחות  נמוכה יותר.  נניח שבניתי מודל מתקדם שנותן לאותה מחלה,  שכיחות של 10% מאוכלוסיית הפרופיל, כלומר איתרתי רמת סיכון גבוהה יותר באוכלוסיית המודל , אבל עדיין 90% הם ללא סיכון. לרופא יש את התיק הרפואי ותובנות שלא כולן נמצאות במודל ובמכונה. המודל מפיק קבוצות בסיכון כהמלצה, אך החלטות רפואיות יקבעו על ידי רופא.

עומרי קוהל:  לדעתי התהליך של לסמוך על מכונה ולא רק על אדם, הינו אבולוציוני. לפני 50 שנה לא סמכו על צילומי רנטגן. אם אינטואיטיבית לא הרגישו שיש שבר אז לא קבלו את ממצאי השבר שנצפו בצילום. תזכרו שלוקח הרבה יותר זמן למשתמשים לאמץ טכנולוגיה מאשר לחדש ולשפר אותה. המכונה תחליף אותנו בדברים רבים בקבלת ההחלטות. לא תמיד אנו מאמינים לאדם "המחליט" למשל גם אם רואה החשבון שלי יאמר לי בסוף שנה כי עלי לשלם למס הכנסה 50 אלף ₪, לא אאמין לו ואבדוק זאת שוב ושוב.

אודי דקל:   אז אתה אומר ככה; בוא ניקח את ההחלטות שלנו, נדרג אותן לפי החלטות שאנחנו יכולים לסמוך על המכונה שתיתן את ההחלטה ואז שהיא תנהל לנו את החיים האלה באופן אוטומטי. לעומת ההחלטות שאנו נחליט בעצמנו, מהסוג שאנחנו מרגישים שאין לנו עדיין תשובות אוטומטיות להחלטות האלה. לימודים בבית ספר כיום אינם מובילים את הילדים לסקרנות וחקרנות אלא מביאים מתכוני אינסטנט. קחו לדוגמא את הויקיפדיה שזו לדעתי רעה חולה היות והיא רדודה ושטחית וככל שהיא "ידע המונים" היא רדודה ולא בהכרח אמינה.

אדר שומרון: חברים הזכירו קודם את ה"אינטרנט של הדברים" (IoT). יש עולמות טכנולוגיים של מסחר יומי באינטרנט ושל פרסום באינטרנט, המבוססים על בורסות MACHINE TO MACHINE. כולם עובדים בקצבים של REAL TIME. זה באמת העולם של BIG DATA ANALYTICS. אם יכניסו לתהליך כזה כוח אדם אנושי הוא בהכרח יהווה צוואר בקבוק. כל זה תלוי בסוג ההחלטות שיש לקבל,  אם מדובר בחיים או מוות אז כדאי לערב גם אנשים. אני מזכיר שגם  במטוס מלבד הטייס, יש גם טייס אוטומטי ולפעמים אחד עושה OVERRIDE לשני ב- REAL TIME, אחרת המטוס יתרסק. בשורה התחתונה כל העניין תלוי בסוג ההחלטות, יש הרבה תחומים שבפירוש לא צריך עבורם אנשים.

עומרי קוהל:  זו דוגמא מעולה, 80-90% מהמסחר בנכסים פיננסיים מתבצע היום באמצעות מכונות שמעבירות האחת מהשנייה. לא שואלים אותי האם כדאי לי, משום שבזמן שהרמתי את הטלפון כבר ביצעו לי מעל הראש את כל הטרנזקציות והפסדתי את העסקה.

טובית לייב מנהלת תחום ה- Business Analytics באורקל ישראל

טובית לייב מנהלת תחום ה- Business Analytics באורקל ישראל

מוטי סדובסקי: אני חושב שהיישום של BIG DATA ANALYTICS  לא יגרום להחלפת האדם במכונה אלא יאפשר לנו להסיט את מרכז הכובד לנושאים בהם יהיה לנו ערך מוסף גבוה יותר . המכונות החכמות יפנו לנו זמן בדברים בסיסיים ויאפשרו לנו להתמקד בדברים אחרים. אני מוכרח לספר כאן משהו מעורר מחשבה. הנושא של המכונית האוטונומית. היום כבר יש הרבה חברות שיוצאות עם מכונית כזאת וזה אוטוטו יגיע לשוק. ואתה שואל בסוף שאלה; המכונית נוסעת ויודעת שעומדת להיות התנגשות חזיתית שבה אתה תיפגע, או לחלופין, היא תסובב לך את ההגה ותעלה על 2 ילדים במדרכה.  עכשיו, הדילמה הזאת היא דילמה מאוד מורכבת, ומי שבסוף ייתן לה את התשובה זה התכניתן שיושב בVW או בשברולט. העניין הוא, שכשאתה קונה אוטו אתה רוצה לדעת מהן הספציפיקציות שהתכניתן קבע והאם האוטו האוטונומי  יגן עליך או על הילדים במדרכה. זו גם שאלה מוסרית- משפטית ואנחנו מגיעים פה לדילמות מוסריות הקשורות במידע, ושלא היינו חשופים להן קודם. הרי לא מעניינת אותנו נסיעה שגרתית. אנחנו בסופו של דבר מחפשים לא את, השגרתי. אנחנו מחפשים את היוצא דופן, את החריג. והמערכות מאפשרות להציף לנו את המוץ מהבר כדי שאנחנו נוכל להתעסק רק עם הבר  וליצור ממנו ערך לעצמנו או לארגון.

עומרי קוהל: אבל תשמע, אם לוקחים את הדוגמא שלך אז המכונית או התוכנה צריכה לקבל החלטה האם להתנגש ברכב ממול או לעלות על המדרכה ולפגוע בשני ילדים. אתה כנהג תקבל החלטה  שהיא אולי  מוסרית ואולי אינטואיטיבית באותו רגע.  אך, דווקא המערכת, אם היא תדע להסתכל סביב, תוכל להתמודד עם שיקולים  רציונאליים ולהגיד: יש פה שני ילדים –  אחד בן כך וכך ואחד בן כך וכך ולעומת זאת פה יש 3 מבוגרים בני כך וכך שיש להם משפחה וילדים והם מפרנסים, והסיכוי שהילדים ייפגעו בפגיעה הוא כזה וכזה. לשם זה הולך.

טובית לייבה: אנחנו רואים היום שהתפיסה השתנתה. אם בעבר מי שהיה דוחף את מערכת הBI  הבינה העסקית בתוך הארגון זה היה צוות הIT או מחלקת ה BI בתוך הארגון, היום הבקשה הזאת, הצורך הזה, מגיע מהכיוון העסקי. ואם הIT לא מספק את הצורך הזה בצורה מתאימה,  אז תפקיד צוות ה BI הוא לתת פתרון אחוד או אחיד לארגון, ולספק אותו בצורה מספיק מהירה לאותה מחלקה כדי שלא תלך ותרעה בשדות זרים. כלומר, שלא יהיו לנו איים של מידע בתוך הארגון וכל מחלקה תבחר בעצם איזה כלי היא צריכה ובאיזה רכיב או פתרון היא רוצה להשתמש. אנחנו רואים את זה היום. אחת הסיבות העיקריות לכך היא שגם המשתמשים שלנו נהיים צעירים יותר, מודרניים יותר, רוצים הרבה שימוש ב SELF SERVICE, בדיקה עצמית. בוחנים בעצמם, רואים כלים באינטרנט, מורידים את הכלי הזה. פותחים את ההוא. מפתחים,  כותבים שפות. רואים איך זה נראה במגוון כלים וכל מיני רכיבים שונים.  זה מה שקורה היום. לכן מערכת הBI החדשה שלנו משלבת יכולות של Meta Data ומיפוי ארגוני מעמיק עם יכולות דינמיות של Self Service אינטואיטיבי ופשוט, ושילוב מידע מקומי של המשתמש.

מוטי סדובסקי, מומחה מידע, ניתוח תהליכים ארגוניים

מוטי סדובסקי, מומחה מידע, ניתוח תהליכים ארגוניים

אדר שומרון:  יש פונקציות חדשות ומקצועות חדשים כמו DATA SCIENTIST או CHIEF DATA OFFICER. גם בתחום השיווק – מקצועות כמו MARKETING TECHNOLOGY. זאת אומרת בגופי ה-  MARKETING ב- BUSINESS יש אנשים שזה התפקיד שלהם. הם מבינים שכל העולם של ה- BIG DATA טומן בחובו הבטחה גדולה, בעיקר לגופי השיווק  בארגון. מקצועות אלה מצריכים  אנשים עם רקע טכנולוגי, שיידעו להפעיל את הכלים האלה  כחלק מה- BUSINESS. המקצועות החדשים הללו מתחברים ישירות לנושא האג'יליות עליו דיברתי קודם. אנליסטים  ב- MARKETING  פעילים כבר שנים בארגונים רבים, אולם הטרנד הנוכחי מדבר על אנשי שיווק ו- BUSINESS שמשתמשים בטכנולוגיה על מנת להפיק ממנה ערך עסקי. החידוש הוא בכך שיש להם את הכלים לעשות זאת באופן עצמאי מבלי להיות תלויים ב- IT.  בעיני, ה- IT היום צריך לייצר את תשתית המידע עבור משתמשי ה- BUSINESS, לקבוע את הסטנדרטים ולסייע בבחירת הטכנולוגיות המתאימות ואני רואה כיצד התהליך הזה מתרחש כבר בארגונים רבים. בשלב הבא, יש לתת חופש ל- BUSINESS להשתמש בטכנולוגיות אלה ולרוץ איתן בכיוונים שמתאימים לו. לדעתי בזה נמדדת איכות  פתרון המידע, כי אחרת אתה קושר את ה- BUSINESS לרצפה.

עומרי קוהל:  זה מאוד נכון. אנחנו בפירמיד אנליטיקס מודדים כהצלחה של הטמעה בתוך ארגון את  ה- USER ADDOPTION וה- USAGE. כמה USERים בסופו של דבר הטמיעו את המערכת אצלם בפלטפורמה וכמה הם משתמשים בה. ואפשר לראות זאת מאוד יפה שבארגונים שלקחו החלטה, שאסטרטגיית המידע שלהם היא מצד אחד פתוחה לכולם וכולם יכולים להיכנס לבריכה הזאת שהוזכרה בהתחלה.

אודי דקל: האם האנשים בארגון מוכנים גם לכך שהמיילים האישיים שלהם יהיו חלק  מבסיס הידע שמשותף לכולם? למשל;הרבה שנים אני ואתה מנהלים בינינו איזשהו שיח באמצעות המייל, נוצר ידע בשיח הזה בינינו. האם זה רק ביני ובינך או עכשיו  כל הארגון שותף?

עומרי קוהל: אז קודם כל אני חושב שהיום בארגוני ENTERPRISE גדולים  המידע שאתה מעביר בדומיין של הארגון שייך לארגון. גם אם כתוב שם שיחות אישיות אז אתה צריך לקחת את זה בחשבון.

אודי דקל:  כמו הילרי קלינטון עם הסיפור  .

עומרי קוהל: אז אני חושב שבסופו של דבר המידע הזה (המיילים) בקונטקסט הזה שייך לארגון. אבל לחזור בחזרה לצד של ה-USER ADDOPTION וUSAGE, בסופו של דבר הכלים צריכים להיות כאלה שהם מספיק יודעים להתאים את עצמם למשתמש ולסוגי המשתמשים השונים. ולסוגי השאלות שהמשתמשים השונים רוצים לשאול את המערכת. ואיזה סוג של מידע בסופו של דבר נאגר עבורם. ופה פרויקטים של BI  ברמת התשתית הם מאוד קריטיים לרמת הUSER ADDOPTION-. ככל שהתשתית נבנית בצורה יעילה יותר חכמה יותר בנויה בצורה כזאת שכל אחד יכול לשלוף את המקורות שרלוונטיים אליו, רמת האימוץ של הארגון והשימושיות של כלים והפתרונות תהיה הרבה יותר גבוהה. P1460581

אורית גולדמן: דיברנו קודם על חלוקת הזמן, ועל כך שלמרות כל הכלים המתקדמים, 50 אחוז מהזמן מוקדש לטיוב הנתונים. אני יכולה לדבר על תהליכי DATA MINING או תהליכים אנליטיים כאלה ש- 80 אחוז מהם זה רק ה-PREPARATION  של ה-DATA  , הבנת ה- BUSINESS וטיוב הנתונים, רק 10 אחוז זה פיתוח המודלים עצמם ועוד 10 אחוז מוקדש להערכת המודל ויישומו.

עומרי קוהל: בשנים האחרונות אנו רואים מגמה הנקראת Data Mashup . פירושה עירוב נתונים ממקורות שונים לצורך יצירת מאגר נתונים. כלומר גם מידע עצמי, גם מקורות אנונימיים וגם גוגל אנליטיקס, כולם אפשריים לשימוש ב"דייסת המידע" שנוצרת.  גישה זו בעצם אינה מתמקדת בטיוב המידע, אלא בהנגשת פתרונות וכלים שמטרתם לאפשר למשתמש, לא להגביל עצמו. יחד עם זאת, באותה נשימה בה אנו רוצים לקבוע מסגרות לאבטחת המידע ו/או נדידתו מתוך הארגון והחוצה, נרצה להעניק למשתמש את מירב הגמישות בבחירת המידע שהוא רוצה ומאיזה סוג שהוא רוצה, מובנה או בלתי מובנה.

אורית גולדמן: לגישתי קיימת חשיבות רבה בהבנת משמעותו של כל נתון ולא רק בטיוב הנתונים. הרי בסופו של יום, אנו רוצים ליצור תובנות משמעותיות. אם הנתונים אינם מהימנים ו/או אינם שלמים אזי נגיע לתובנות לא נכונות.

עומרי קוהל:  בכלי כמו  PYRAMID ANALYTICS ניתן לראות שזה פחות חשוב איזה מידע צף, אך חשוב איך ניתן לשלוף אותו.

אודי דקל: לקראת סיום, דברנו על נתונים, מידע, ידע ותובנות. האם בעקבות הדיון מישהו כאן קלט איזה שהיא תובנה חדשה? אתן לכם דוגמא: אני מקבל ביום 500 מיילים עם פיסות מידע. אין סיכוי בעולם שאעבור על כולן היות ואין לי מספיק זמן לכך. אז נניח שיש מערכת אוטומטית שקבעתי המתעדפת לי את המידע וממיינת אותו כך שאצטרך לקרוא רק 50 מתוך ה 500. כך בעצם פיניתי אז זמני לעשיית דברים אחרים, נוספים.

אורית גולדמן: היות ואתה מתעדף ומשקלל את המיילים אז מה הסיכון בכך שלא תקרא את 450 המיילים האחרים? זה בדיוק מתחבר למה שאמרתי מבחינת איכות הנתונים ומשמעותם לצורך הפקת תובנות נכונות. P1460551לדוגמא, אם אפתח מודל חיזוי לשיווק ממוקד לצורך דיוור ישיר, אזי במקרה הגרוע שלחתי 2,000 מיילים סתם ולא הצלחתי לקבל תגובות. אבל כאשר אני עוסקת בחיזוי מחלות, אם הודעתי לאנשים שהם בעלי פוטנציאל גבוה לחלות במחלה בעייתית, זה כבר כמובן סיפור אחר לגמרי.

עומרי קוהל: אני ברמה האישית הפנמתי תובנה שאנחנו על סיפה של מהפכת מידע, למרות שחשבנו שהתחלנו בזאת כבר לפני 100 שנה. איננו יודעים היום לאן זה יגיע, אך להערכתי זה יגיע רחוק מאוד והרבה יותר ממה שחושבים.

מוטי סדובסקי:  אני מאמין בתהליכי עבודה ארגוניים נכונים. דובר על ה Data Mashup דובר על האג'יליות, כלומר הכלת הפן האנושי והצרכים המיוחדים של המשתמש למערכת ה BI יהיו חשובים ביותר ויתפסו מקום מרכזי במודלים והפתרונות שייווצרו. עולם   ה IOT אליו אנו הולכים, מהווה סמן בתחילת מהפיכה הן בהיקף הנתונים והמידע, סוגיו השונים ותהליכים אחרים שיטפלו בו.

אדר שומרון: אני רוצה לחזור ולחדד את נושא המהירות (VELOCITY) בתחום ה- BIG DATA והאג'יליות הארגונית. מכונות יכולות לקבל החלטות בנושאים שאולי אינם הרי גורל אבל, בהחלט ישפרו משמעותית את איכות חיינו. דברנו על מסחר יומי בני"ע, על פרסום באינטרנט ומדידתו וכמובן על  IOT . כל אלה מחזקים את העובדה שקצב התפתחות הטכנולוגיה מאוד מהיר, והיכולת לקבלת החלטות עסקיות מהירות, היא קריטית. במצבים רבים כאלה, יכולות מכונות לקבל החלטות מהירות יותר מאיתנו האנשים, ולפנות את הזמן של המשתמשים לסוגי החלטות אחרות המחייבות את מעורבותם.

אודי דקל:  ברור הרי שהטכנולוגיה מקדימה אותנו את ההתנהלות האנושית. אבל לדעתי אנשים יבלמו אותה ולא יתנו לה לרוץ קדימה ולקבל את רוב ההחלטות. חשוב לנו מאוד שתהיה לנו אפשרות הבחירה. אנחנו אוהבים לעבור את חוויית הבחירה. אגב, הרי הדור הצעיר יותר אדפטיבי ומסתגל, בעוד הדור המבוגר יותר שמרני ומן הסתם יפעיל מנגנוני רגולציה וחוק שיבלמו ויגבילו את ריצת הטכנולוגיה.

עומרי קוהל:  משפט הסיכום שלי יהיה: It's ALL ABOUT THE USRES. זה הכול עלינו, זה הכול המשתמשים. לגבי המידע שנאסוף נצטרך למצוא את הכלים שמאפשרים למשתמש גם לעשות איזושהי אדפטציה ולהיות מסוגל לאסוף את כל המידע הזה, להבין אותו, להשתמש בו, להפנים אותו, לייצא אותו אל תוך הארגון שלו ולהביא ערך לארגון שבו הכלי הזה נמצא.

טובית לייבה: תובנת הסיכום שלי אכן דומה לתובנה שהציג עומרי. בסופו של יום, יש אדם מאחורי הקלעים והוא המפעיל או המחליט איזה מכונה או טכנולוגיה להפעיל. זו אחת הסיבות שאנו מרבים להשתמש בכלי ויזואליזציה על מנת שהמשתמש ירבה לבצע החלטות לפי תחושת הבטן שלו. אכן המכונה תנחה ותדריך, אך בסופו של עניין משתמש הקצה הוא זה שיקבע ויחליט. ולכן הוא צריך את הכלים המתאימים לניתוח. כלי הניתוח מחויבי המציאות היות וכמו שנאמר פשוט אי אפשר לקרוא 500 מיילים ויש צורך ב"משפך חכם" שיצמצם את מספרם ל 50. עכשיו זה נראה, שהאנשים העומדים מאחורי פיתוח הפתרונות, הולכים לכיוון "שירות עצמי" . לא משנה גודלו של מאגר הנתונים ולא איכותו, בסופו של דבר המשתמש רוצה את היכולות לעצמו. הוא רוצה להפעיל אותן.

Submit

 

אודות מערכת ITNEWS מאיר עשת

מנהל/עורך אתר ITNEWS. בוגר כלכלה ומנה"ס באונ' בן גוריון ו- MBA בירושליים. בעבר: כהן כיועץ כלכלי מטעם המדינה בהולנד ובהודו. היה סמנכ"ל שיווק בברדר, משנה למנכ"ל בסטארטאפ TVNGO, מנהל IT מגזין של גלובס בשנתיים האחרונות.