<
יום ראשון , ינואר 21 2018
מבזקים
דף הבית > תוכנות > BIG DATA & BI Analytics > שולחן עגול: אנליטיקה וחוכמת המידע

שולחן עגול: אנליטיקה וחוכמת המידע

 

שולחן עגול אנליטיקה דצמבר 2017

שולחן עגול אנליטיקה דצמבר 2017

משתתפים:

  •  מוטי סדובסקי, מנכ"ל ובעלים DCS: חברת DCS עוסקת בייעוץ אסטרטגי ב – IT. הפוקוס המרכזי שלנו זה הנושא של big Data analytics ששם גם רוב  הידע והיכולת שאנחנו מביאים.
  • מיכאל אסולין, CTO, רובין: רובין הינו סטארט אפ ישראלי עטור פרסים, המציע לראשונה פתרון מהפכני, יעיל ופשוט, המבוסס על אלגוריתם ייחודי, לתכנון, ניהול ושדרוג כספי הפנסיה, הביטוח והחיסכון.
  • צחי פרנקוביץ', אחראי תחום אנליטיקה, BDO: מנהל תחום Data science בקבוצת הייעוץ של BDO. BDO מסייעת לארגונים בגיבוש אסטרטגיית Big Data ואנליטיקס ובייעוץ ופיתוח פתרונות אנליטיים מתקדמים באמצעות למידת מכונה, AI וסטטיסטיקה.
  • עומר אפרת, דירקטור פייבר: דירקטור מוצר בכיר בחברת פייבר. פייבר היא חברת מוניטיזציה לאפליקציות מובייל ואנחנו עוסקים בפרסום במובייל. לחברה יש מעל מיליארד משתמשים פעילים בחודש ברחבי העולם.
  • דיויד אזולאי, מנהל פריסייל פוג'יטסו: מנהל הפריסייל של פוגיטסו בישראל. פוגיטסו היא חברת ענק יפנית, חברת ה-ICT הרביעית בגודלה בעולם. הנציגות הישראלית נפתחה לפני כשנה.
  • עוז לוי, CTO Matrix BI :  חברת בת של מטריקס שעוסקת בתחום BI , big data  ו – advanced analytics.   אני CTO של החברה ומוביל טכנולוגי של תחום ה -big data.
  • רביד שמואלי, מנמ"ר רמ"י: רשות מקרקעי ישראל, הגוף הממשלתי המופקד על ניהול המקרקעין הלאומי (כ-93% מהקרקע בישראל).  אנחנו עושים שימושים רבים בעולמות ה – BI והאנליטיקה, בהקשרים של ניהול הקרקעות ובדגש לנושא הדיור.
  • אביגדור ברכיה, סמנכ"ל קווליטסט: קווליטסט היא חברת הבדיקות וה- Business Assurance הגדולה בישראל ובעולם. אנו מונים כ 3000 בודקים המתכננים ומפתחים פתרונות מותאמים למגוון תחומים ולחברות
  • אורן בניסטי, מנהל באינטל: אני שייך ל – Data center group. התפקיד הראשי שלי זה director of new services. אנחנו מסתכלים על נושאים חדשים שאפשר ליישם בעזרת טכנולוגיה. נושאי big data, artificial intelligence  זה אחד הנושאים הכי אסטרטגיים היום באינטל.
  • בוריס דהב, יועץ טכנולוגי אורקל ישראל: אני יועץ טכנולוגי ו – cloud architect,עוסק בעיקר בתחום של אנליטיקה, big data, כלי BI.
  • סטפן טבקארו, מנהל פיתוח עסקי בתחום ביג דאטה ואנליטיקס באורקל ישראל: כחלק מהפעילות העסקית בתחום זה אנו אחראים להביא את החדשנות ושימושי ביג דאטה ואנליטיקס מלקוחות בעולם ובארץ.
  • דר' שוקי אידן, ,CDS אקטיביו מקבוצת יעל: אני chief Data Scientist של חברת אקיטיביו. אנחנו חברה של כ – 130 יועצים ומומחים בתחום ה –  BI, Big Data ובינה מלאכותית (AI). אני מוביל את ההתמחות בחדשנות בתחומי הבניה המלאכותית ולמידת מכונה (Machine Learning) בחברה.
  • גלעד פדרמן, Noviopus: אני היזם והמנכ"ל של Noviopus, חברת סטארט אפ שפיתחה מערכת חכמה למיון וגיוס עובדים, העושה שימוש בביג דאטה וב- BI.
  • ערן אלראי, מנכ"ל Software AG Israel :  החברה רכשה את חברת SPL. החברה ממוקדת בטרנספורמציה דיגיטלית של מערכות עסקיות קריטיות בארגוני אנטרפרייז, אינטגרציה של מערך הליבה IOT ואנליטיקה
  • IT מגזין: מאיר עשת מנהל המגזין. יהודה אלידע עורך.

מאיר עשת: האם עולם הענן עשה טוב לאנליטיקה במובן זה שהיום בענני ה-SaaS ישנם יישומי אפליקציות אנליטיקה רבות ולמשתמשים הרבה יותר נגיש וקל להשתמש בהן. (הערה: לצורכי הדיון ולמען הפשטות, המושג אנליטיקה מקפל בחובו מונחים כמו: BI, BIG DATA ואנליטיקה.)

מוטי סדובסקי, DCS:     בהחלט כן. בעיני הענן הוא enabler שמאפשר למנמ"ר ולארגון גמישות תפעולית , מהירות תגובה ושימוש יעיל ומותאם ביישומי האנליטיקה. אבל הנקודה המרכזית בבואו של כל ארגון לבחון את אפשרויות השימוש באנליטיקה אצלו, היא שאלות המחקר. כלומר: מה הוא רוצה לחקור ולהשיג באמצעות האנליטיקה. צריך ניסיון והבנה כאשר מנווטים את  הדיון עם הארגון בבירור שאלות המחקר שלו. צריך לזקק תובנות ברורות מחד ומאידך לא להיתפס לפתרונות קלים. רק אחרי שמבררים באופן יסודי את שאלות המחקר של הארגון ואת המידע המתאים למענה על שאלות אלו, אפשר להציע לו לבחון השימוש בפלטפורמת ענן או יישום מקומי, אבל לא לפני כן.

בוריס דהב, אורקל

סטפן טבקארו, אורקל

עוז לוי, Matrix BI :  אני אומר שהענן בהחלט טוב אבל תלוי למי. כלומר, כאשר עובדים בסביבה מוטת רגולציה כפי שלמשל ראינו בפרויקט בארגון בריאות גדול בו המשימה הייתה העלאת מידע רפואי לענן של AWS, הייתה עבודה רבה בהקשר להיבטי רגולציה וכלל גם טיפול במידע פרטני לפציינטים. במצב כזה בו גם הרגולטור צריך להתגבש ולשדרג את גבולות הרגולציה שתאפשר מצד אחד עבודה בענן שהיא הרבה יותר מהירה ואפשרויות השינוי מעניקות גמישות רבה יותר, ומאידך לא להתפשר על עקרונות רגולטורים מהותיים, אז כן ענן מתאים ונכון, אבל בנקודת זמן זו עדיין לא לכולם.

בוריס דהב, אורקל ישראל: חשוב לזכור שעבודה בענן מצמצמת משמעותית את כמות המשאבים שהארגון מקצה בהתקנות, בתחזוקה, שדרוג גרסאות מהיר הרבה יותר, וכד'. אז כאשר אני צריך להרים קלסתר של big data בתשתית מקומית on prem זה הרבה יותר מסורבל וצורך משאבים מאשר ביצוע בענן. אני כספק שעובד מול לקוח שרוב פעילותו בענן יכול להציע בזכות זאת שילוב פתרונות BI עם אלמנטים של artificial intelligence  ו/או machine learning. זה יעשה בהרבה יותר קלות ומהירות לעומת ביצוע דברים אלה בתשתית מקומית של הארגון.

מאיר עשת:       רגע. אבל אתמול בדיון על הענן דיבר הקולגה שלך והוא אמר, "כן יש ונדור לוק בענן".  זאת אומרת אתה בא ואומר, אני יושב עם לקוח מסוים מציע לו אנליטיקה מכל סוג שהוא, אז כאשר הוא שוקל לעבור ענן או לפצל לשני עננים ישנה פה  בעיה, בעיית מעבר בין עננים המוצעים ע"י ספקים שונים.

עוז לוי, Matrix BI : יש חברות שמטפלות בזה. כלומר מאפשרות עבודה על  Multi Cloud. בנוסף, יש לזכור שונדור לוק אינו בהכרח דבר רע, הערך האמיתי של הענן הוא במתן שירותי SaaS ו PaaS שלרוב ינעלו אותך אצל ספק אחד אבל בתמורה לחסכון אדיר בכסף ומשאבים.

בוריס דהב, אורקל ישראל:  אנחנו ספציפית  משתדלים להימנע מונדור לוק במובן הזה שאנחנו מאפשר עבודה על אותו מוצר במקביל גם און פרמיס וגם בענן.  כך שלקוח יכול בקלות לעבור מאחד לשני.

מאיר עשת:       כן אבל מה קורה אם הוא רוצה לעבור ל – AWS לדוגמא?

בוריס דהב, אורקל ישראל: תראה, אנחנו מציעים תמיד אפשרות של מעבר/חזרה ל-on prem. אפשרי גם תהליך מעבר. יש סוג מסוים של ונדור לוק. זה לא שונה מהמצב המוכר בon-prem. נניח שאתה רוצה לעבור מבסיס נתונים של מיקרוסופט לזה של אורקל אז יש תהליך שצריך לעבור. זה לא דומה להדלקת מתג חשמל בחדר הסמוך שאתה יודע שהכול יעבוד חלק ו- seamless. יש כאן תהליך העברה.

צחי פרנקוביץ', מנהל תחום Data Science בקבוצת הייעוץ שלBDO. לשעבר חבר הנהלה וראש החטיבה למידע וסטטיסטיקה בבנק ישראל. לפרנקוביץ' קריירה ארוכה בתפקידי ניהול והובלה מקצועית בתחומי הבנקאות והפיננסים, סטטיסטיקה ואנליטיקת נתונים. החל את הקריירה המקצועית והניהולית שלו בבנק הפועלים, בתפקידי ליבה בנקאיים וכן היה ממובילי הקמת מערך המידע הניהולי של הבנק, ובתפקידו כחבר הנהלה וראש החטיבה למידע וסטטיסטיקה בבנק ישראל כיהן במשך כעשור עד 2015. משנת 2015 פרנקוביץ' עוסק בליווי ארגונים וחברות סטרטאפ מכל ענפי המשק בתחומי האנליטיקה המתקדמת

צחי פרנקוביץ', מנהל תחום Data Science בקבוצת הייעוץ שלBDO. לשעבר חבר הנהלה וראש החטיבה למידע וסטטיסטיקה בבנק ישראל. לפרנקוביץ' קריירה ארוכה בתפקידי ניהול והובלה מקצועית בתחומי הבנקאות והפיננסים, סטטיסטיקה ואנליטיקת נתונים. החל את הקריירה המקצועית והניהולית שלו בבנק הפועלים, בתפקידי ליבה בנקאיים וכן היה ממובילי הקמת מערך המידע הניהולי של הבנק, ובתפקידו כחבר הנהלה וראש החטיבה למידע וסטטיסטיקה בבנק ישראל כיהן במשך כעשור עד 2015. משנת 2015 פרנקוביץ' עוסק בליווי ארגונים וחברות סטרטאפ מכל ענפי המשק בתחומי האנליטיקה המתקדמת

מיכאל אסולין, רובין: אני רואה את הדברים מזווית ראיה של סטארט-אפ וכאן המצב הוא "ענן חובה" אין דרך אחרת להגדיר ולתאר זאת. מהירות הביצוע המאפשר time to market הינו פרמטר חובה אצלנו כמו גם גמישות התפעול ויכולות העיבוד בצמיחה. התשובה ברורה וחד משמעית – ענן.

מאיר עשת:       צחי, לכם יש מבט על כחברת ייעוץ מוכרת ופרוסה היטב במשק, ספר לנו מהתובנות שלכם.

צחי פרנקוביץ', BDO:     אני רוצה לגעת במה שנאמר קודם והוא: למה הארגון שואל את שאלות המחקר? מבחינתנו זה קשור לאסטרטגית הארגון. בתפיסה שלנו וגם בהתנסות האישית שלי כחבר הנהלת בנק ישראל בשעתו. הכניסה לעולם האנליטיקה תעשה דרך האסטרטגיה של הארגון והיעדים העסקיים, הניהוליים והתפעוליים הנגזרים ממנה ולאו דווקא דרך זווית הטכנולוגית. ראינו בארגונים רבים שהם אינם יודעים לשאול את השאלות או לעיתים שואלים שאלות לא נכונות ולא מדויקות ואז כמובן האנליטיקה לא תקדם את הארגון, ותוצאותיה יגרמו יותר לתסכול מאשר לקידום העסק ומטרותיו. לכן השיח חשוב שיתחיל ברמה האסטרטגית. אנחנו רואים יותר ויותר ארגונים שמתחילים מהנקודה הזו ומנסים לברר עם עצמם: מה אנחנו צריכים לשאול, איך נתעדף יוזמות חדשות בתחום הדאטה והאנליטיקס, אילו יכולות ומשאבים נדרשים ומה הטכנולוגיה התומכת? בחו"ל מקובל לראות ב CDO (chief Data officer) מוביל של תהליך כזה בארגונים, בארץ זה פחות נפוץ עדיין. כלומר: בירור שאלות האסטרטגיה ותובנות מתבקשות מהאנליטיקה קודם לשאלות הטכנולוגיות; כן או לא ענן.

ערן אלראי, Software AG

ערן אלראי, Software AG

ערן אלראי, Software AG: כמובן שחיפוש מענה לשאלות השאלות הנכונות היא זו שתביא להשגת האסטרטגיה העסקית, אולם מהן השאלות הנכונות? בעולם ה-Big Data והתחרות האינסופית – אינטואיציה כבר לא יכולה להיות הכלי היחיד שעומד לרשותנו. לראשונה בעולם יכולים ארגונים – בזמן אמת – להבין את העבר ולצפות את העתיד לטובת האצת הפעילות העסקית והשגת יעדי הארגון. אנו מציעים יכולות ייחודיות ביותר ללקוחות שבאמת רוצים לדעת את האמת "מתחת לפני הקרקע" – Process Intelligence  או Process Mining . לאותם לקוחות שחשוב להם לחקור את ה"למה" ולא רק "לעשות וי". פתרונות אלו מאפשרים לארגון לבחון את התהליך העסקי כפי שהתבצע בפועל מתחילתו ועד סופו ובכך מאפשר רציפות באשר לבחינת התהליך, שיפורו ואיתור הסיכונים וצווארי הבקבוק. התהליכים העסקים בארגון ממומשים באמצעות מספר רב של מערכות –  כגון: מערכות ניהול תיקי לקוחות, מערכות לעיבוד נתונים, מערכות פיננסיות ומערכות ליבה נוספות. אינטגרציה ואיסוף המידע מכלל המערכות המשתתפות בתהליך, מאפשר צפייה בתהליך השלם מנקודת מבט עסקית, ויוצר בסיס לדיון ושפה תהליכית אחידה בנוגע להשפעת גורמים שונים על התהליך והשינויים הנדרשים בו לשם האצת פעילות הארגון.

מאיר עשת: בהקשר לזה.  כשהלכתי ללמוד תואר שני במנהל עסקים התלבטתי בין מימון לשיווק.  כל מיני אנשים אמרו לי עזוב שיווק, את זה תלמד על הדרך  , אז הלכתי למימון. עכשיו נחזור למנהלי השיווק. אתמול הם החליטו מה"בטן" נקרא לזה.  היום אתה בא עם אנליטיקה לסוגיה השונים אבל  היא הרבה יותר  מתקדמת מכל gut feeling של כל מנהל שיווק. אז יכול להיות שחלקם  מתנגד. כי בעצם מחר כל ילד בארגון, כל איש מכירות, כל זוטר שיווק   שנוגע בדשבורד  יודע שיווק, וסמנכ"ל שיווק פתאום אינו האורים והתומים.

דר' שוקי אידן, אקטיביו מקבוצת יעל: נכון, אבל יותר מזה – בעולמות שאני פועל בהם הציפיה היא שהאנליטיקה תהיה חלק אינטגרלי מהיישום וזאת בנוסף לאוטומציה של פעולות הנגזרות ממנה. רוב היישומים המפותחים כיום מכילים דשבורדים כמובן מאליו. אף אחד לא מצפה שיסתיים עוד עדכון במחסן הנתונים על מנת לקבל תובנות על ביצועי האפליקציה. במצב שכזה, יש אנשים שצופים בדשבורדים שמספקת האפליקציה ומקבלים תובנות ורעיונות לפעולה, כולל סימולציות על אפקט הפעולות האפשריות. אבל יש גם ציפייה שדברים שעולים מהנתונים יגרמו לפעולות תיקון ואופטימיזציה ללא התערבות יד אדם. לדוגמא: הלקוח רוכש פחות מזון תינוקות ורוכש אבקת כביסה, מאחורי הקלעים מתבצעות פעולות אוטומטית, כגון תזמון משלוח קופונים מתאימים שיביאו את הלקוח לחנות בעוד כחודש על מנת שירכוש עוד אבקת כביסה ויותר חיתולים. אף אחד לא מעוניין היום במערכות אנליטיקה ללא דשבורד ברור שיראה לו מה ואיך זה יקרה. איסוף הנתונים המסיבי, ריבוי המגעים עם משתמשי הקצה וההבנה שיש שונות ונדרשת בפרסונליזציה, גורמות לכך שלמנהלי הארגון יש יכולת לקבל רק החלטות "גדולות". מרגע זה ואילך מתפצל הביצוע הטקטי ויעשה במערכות בצורה מסונכרנת, אוטומטית ובחוג סגור ככל האפשר, על מנת לאפשר למידת מכונה ואופטימיזציה.

nuyh xsucxeh

מוטי סדובסקי, DCS

מוטי סדובסקי, DCS:     מאיר אתה הגדרת את זה בצורה מאוד יפה, כי ארגון שלא יהיה Data driven – לא יוכל להתקיים ולהצליח עסקית. אם אנשים ימשיכו לעבוד לפי "תחושות בטן" הארגון יקבל החלטות פשוט גרועות. לכן אם בעל תפקיד כלשהו בארגון בנה את היכולת לקבל החלטה על סמך מידע  בארגון, הוא באמת הופך להיות בעל תפקיד הרבה יותר חשוב מאחר שיכול להיות גבוה ממנו בהיררכיה הארגונית. אנחנו עדיין נתקלים בארגונים גדולים רבים, שלא רק כשהם מקבלים החלטות לפי "תחושות בטן", אלא הם מפחדים לשתף מידע כי אז הם חוששים לאובדן הכוח  שלהם בארגון. מנמ"רים רבים מפחדים מעצם השינוי. כניסה לעולם האנליטיקה היא שינוי האומר שהארגון חושב מידע, מקבל החלטות על סמך מידע, ויכול אף להיכנס לתחומי עסקים חדשים בצורה איכותית שתישא פירות עסקיים.

אורן בניסטי, אינטל: אינטל מסתכלת על הדברים ב – 4 רמות.  רמה ראשונה זה הניהול,  שנייה זה האנליטיקה, שלב שלישי זה החיזוי. לראות לאן הארגון הולך, והשלב האחרון הוא אופטימיזציה, כלומר איך ליצור התאמה אופטימלית בין הארגון ומוצריו. האנליטיקה יוצרת ומחברת מידע לידע. על סמך דוחות העבר אתה יודע מה קרה. אבל השלב הבא הוא חיזוי לאן  נגיע. לזהות טרנדים ואז לעשות אופטימיזציה שבעצם אומרת: מוצר שלא מתאים לארגון, נוריד אותו מהמדף ולחילופין, מוצרים אחרים צריכים לקבל תעדוף בשיווק וכד'.

ערן אלראי, Software AG: עכשיו זהו הזמן לקבל החלטות עסקיות בזמן אמת. עברו הימים שארגון יכול היה להרשות לעצמו לדוש בנתוני העבר. החשיפה העצומה של כולנו ברשתות החברתיות השונות מחייבת כל ארגון לנתח את המצב ולהגיב בזמן אמת עם הצעות ערך מותאמות פרסונלית לכל לקוח ולקוח. הנהלות הארגונים מחוייבות לספק פתרון עוד לפני שנוצרה בעיה. ובדיוק עבור זה צריך אנליטיקה ובזמן אמת בלבד! כל ארגון כיום נדרש לפעילויות סיכול ומניעה המותאמים לביזנס שלו, כגון: סיכול ומניעה של נטישת לקוחות, סיכול ומניעה של הפסד עסקאות. לדוגמא: בנק יכול לנטר לקוחה אשר עתידה להשתחרר לה תוכנית חיסכון – ולהציע לה אפשרויות השקעה רלוונטיות לפי תחומי העניין שגילתה ברשתות החברתיות וזאת עוד בטרם החיסכון השתחרר – ובכך להיות פרואקטיבי ומותאם אישית לצרכיה עוד בטרם התחילה לעשות סקר שוק ולבחון את המתחרים. כולנו יודעים עד כמה רושם ראשוני הוא חשוב ועד כמה קשה לגייס מחדש לקוח שעומדות בפניו אופציות נוספות והוא שוקל לנטוש אותנו. כולנו חשופים כיום לעולם הרשתות החברתיות, לאפשרויות הבלתי מוגבלות של אפליקציות עסקיות, אפליקציות לשעות פנאי, חידושים טכנולוגיים שמחברים את כולנו לכל דבר, בכל מקום ובכל זמן. ההנהלות של הארגונים שלנו מחפשות את הדרך הנכונה להשאת הערך העסקי של הארגון, הדרך הנכונה לשמירת הלקוחות שלנו מרוצים והדרך המיטבית לגייס לקוחות חדשים. הלחצים להגיע לשוק עם פתרון חדשני מהר יותר קורצים לכולנו. לשם כך עלינו לגייס לטובת הארגון פתרונות של אנליטיקה בזמן אמת, של בינה מלאכותית ושל למידת מכונה – אשר תתמוכנה בהנהלות הארגונים לזהות נכון את צרכי הלקוחות, לשפר את השירות השרות ולספק ערכים מוספים פרסונליים. (Apama Streaming Analytics, Zementis – Artificial Intelligence & Machine Learning) CONNECTIVITY – החיבוריות של הכול לכול וכולם אל כולם מזמנת עמה אתגרים חדשות לבקרים. פלטפורמת Software AG Cumulocity IoT הינה החדשנות הטכנולוגית המאפשרת למנף את החיבוריות הזו לתועלות  עסקיות.  הפלטפורמה מאפשרת לחבר בין מכשירים וסנסורים שונים, לנהל אותם, לאסוף מידע ולאחסן אותו, והחשוב ביותר – לבצע אנליטיקה של כל המידע העצום הזה הזורם לתוך ארגוננו בזמן אמת ולבצע ויזואליזציה של מידע זה. כל אלו יספקו להנהלות ולבעלי המניות המלצות לקבלת החלטות עסקיות שתומכות באסטרטגיית הארגון.

דוד אזולאי, פוג'יטסו

דוד אזולאי, פוג'יטסו

אביגדור ברכיה, קווליטסט: מניסיוננו הרב בבדיקות ארגוני SMB, עבודה בענן אפשרה להם להיכנס לעולמות האנליטיקה בצורה מיטבית וללא השקעות שאינן תפורות לכיסיהם הקטנים ממילא. בנוסף, הענן מאפשר להם לעבוד מול מרכזי בדיקות IT במקומות זולים יחסית כגון הודו ורומניה שם זמינות כוח האדם מאפשרת time to market יעיל וזריז וזה פרמטר מאוד משמעותי עבורם.

דיויד אזולאי, פוג'יטסו: אנחנו פוגשים הרבה לקוחות וחשוב לנו במיוחד זה להבין את הלקוח ואת צרכיו. אז כפי שנאמר לענן יתרונות רבים והוא מתאים ללא מעט חברות. יחד עם זאת עדיין ישנם גופים לא מעטים שנמצאים ב on prem וזה גם מה שמתאים להם. אז בהחלט ישנם מצבים שאנחנו מסייעים להם להישאר במערכות אלה או ביצירת מערכת ענן היברידית המאפשרת להם ליהנות משני העולמות.

מאיר עשת: עומר, אתם עושים אנליטיקה בעיקר במובייל, נכון?

עומר אפרת, פייבר: אנחנו משרתים לקוחות ומשתמשים במובייל. האנליטיקה שלנו משרתת  ארגונים וחברות כמו CNN וחדשות ABC. אתייחס למה שנאמר קודם על כך שענן הוא enabler. מנקודת מבטי, המצב הזה קיים בעיקר בארגונים בגודל וברמה שלenterprises   או בנקים, שם הענן באמת מקל על עבודת ה-IT . לעומת זאת, בעולם ה-SMB אין חברה ללא ענן וזה ברור כמו להגיד שמים הם רטובים – כלומר, ברור שעובדים בענן. אין שום אפשרות מעשית לטפל בפיק צריכה של פי עשרים מהרגיל, שתוך שעות יורד לאחד חלקי אותו הפיק אם אינך פועל בענן.

סטפן טבאקרו, אורקל

בוריס דהב, אורקל

דיויד אזולאי, פוג'יטסו: השוק שלך הוא ישראלי?

עומר אפרת, פייבר: לא, הוא לא ישראלי.

דיויד אזולאי, פוג'יטסו: אוקי, יפה.

סטפן טבקארו, אורקל ישראל,: כמובן שהענן הוא enabler משמעותי לעולם האנליטיקה. אתייחס לנקודה כיצד להביא את הארגון לכך שעליו להיות data driven.  אנחנו נתקלים לא אחת במצב בו פרויקט נופל בין כיסאות המנמ"ר וה-CDO (Chief Digital Officer). בארגונים רבים זיהינו שהפונקציה החסרה בקידום הארגון לתחום החדשנות הינה פונקציית   chief innovation officer. זהו אותו מחולל חדשנות המצופה להיות בכל ארגון השואף ומתמודד עם אתגרי חדשנות. הוא הפונקציונר שמגשר בין המנמ"ר ל CDO. עצם קיומם של התפקידים הללו בארגון הבונים אסטרטגיה משלב החדשנות, ניהול הדאטה והגידיטל לצד ניהול מערכות המידע הופכים את הארגון ל-Data Driven.  חשוב לזכור שאיש האנליטיקה הקלאסי לא תמיד ערוך להתמודד עם כלי ה-AI  ו – machine learning שהם אינהרנטים באנליטיקה כיום כבר אצלנו באורקל ולכן האנליסט בארגון צריך לבצע מחקר מעמיק יותר החל משלב איסוף המידע ממשתמשי ה-Business לצד השיווק, מכירות וכו' בכלים אחרים חדשים יותר מאלו שהורגלו אליהם כגון R (ניתוח סטטיסטי) לתחקור באמצעות Phyton לצד הכלים הקיימים. באורקל אנו מנגישים את הענן הציבורי ללקוחות בארץ גם במודל היברידי שנקרא Cloud @ Customer בתחום ביג דאטה ואנליטיקס באותו מודל צריכה כמו בענן הציבורי מאחורי ה-FW של הלקוח כדי לעמוד בדרישות הרגולציה ואבטחת המידע המחמירות עם עמידה בתקנים כגון: ISO27001.

מיכאל אסולין, רובין

מיכאל אסולין, רובין

מאיר עשת:       מיכאל, אתם עוסקים בנושאי פנסיה וביטוח? זה מגזר שמתעסק המון באקטואריה. גם בגמל ופנסיה יש הרבה סטטיסטיקה. נראה שאנשי השיווק בתחום צריכים להיות מרוצים מכניסת אנליטיקה לביזנס לא?

מיכאל אסולין, רובין: נכון.  אנחנו חברה המטפלת ברכישת לקוחות B2C לעולמות הביטוח והפנסיה ולכן אנחנו עוסקים במשפכי המרה (המרת סקרנים ומתעניינים בשירות והבאתם לרכישה). אז אכן בתחילת דרכנו כל אחד הביא את תחושת הבטן שלו והניסיון לגבי מה נכון לעשות. אבל, מהר מאוד הבנו ששם המשחק הוא אנליטיקה מתקדמת. לא כזו שניתן לקנות מספק זה או אחר, אלא זו שמתפתחת על בסיס ה- use case שלנו ומאפשר לטייב את המודלים ואת האלגוריתמיקה תוך כדי תנועה ובצמוד להתרחשויות ונתוני אמת. בפועל, אנחנו מודדים ומשווים תוצאות ברמה יומיומית, מתקנים ומשפרים את המודלים כל הזמן ומעדכנים בהתאם את ה -Road Map של האפליקציה. בצורה כזו אנו מביאים ערך מוסף ללקוחותינו. מעבר לשיווק, האלגוריתם שלנו המנתח מספר רב של פרמטרים מתבסס על סטטיסטיקות ועל מאגר הנתונים שלנו במטרה לשפר את מנגנון ההשוואה וההמלצות שלנו.

מאיר עשת :       בסוף אנחנו נדע אפילו מה יש לנו בפנסיה.

מיכאל אסולין, רובין: נכון ויותר מכך, אנחנו משתמשים בהרבה סטטיסטיקה למדוד תשואות עבר אך גם תעדוף פרמטרים מסויימים שאנחנו חושבים שיש להם השפעה על ביצועים עתידיים כך שתוכל אפילו לקבל המלצות מותאמות אישית.

מאיר עשת:       שוקי, רציתי לשאול אותך: אתם עוסקים בריטייל. נניח שאני רשת מרכולים תואמת רמי לוי. מה אתה מציע לי?

ד"ר שוקי אידן, אקטיוויו קבוצת יעל

ד"ר שוקי אידן, אקטיוויו קבוצת יעל

דר' שוקי אידן, אקטיביו מקבוצת יעל: רמי לוי ימכור עוף בשקל והכול בסדר, (בצחוק). וברצינות. בשונה ממגזרי השירותים, כגון בנקאות וטלקום, עולם הריטייל הוא די אנונימי – כלומר אין הרבה נתוני דמוגרפיים ואישיים של הלקוח אם בכלל, אבל מסד הנתונים של כול רשת חנויות כולל הרבה נתונים לגבי התנהגות הלקוחות. מתי הוא ביקר, באיזה קטגוריות קנה, מה בדיוק קנה, מה תדירות הקנייה של מוצר צריכה מסוים, ועוד הרבה דברים שאפשר להסיק מהקניה כגון: גילאי בני הבית, רגישות למחיר, נטייה למבצעים, העדפת מותגים מסוימים וכיו"ב. אם לקוח קונה אבקת כביסה של מותג מסוים מידי חודש, אוכל לחזות בדיוק די טוב מתי יצטרך לחדש את המלאי ואז אוכל לדאוג להוציא לו קופון הטבה של המותג שהוא אוהב ברגע הנכון, על מנת שגם את הרכישה הבאה תתבצע אצלי ולא אצל המתחרה. וזה עובד! רוב הקמעונאים המסורתיים חוששים כיום מכניסת ענקי האונליין לשוק המקומי כמו אמזון ועלי בבא. הענקים הללו בנו את עצמם באמצעות לוגיסטיקה מעולה אבל בעיקר בזכות ניתוח התנהגות לקוחות שאותה תיארתי. אצל הקמעונאים המסורתיים נפל האסימון רק בשנים האחרונות, כשהבינו שצריך לעבור ממיקוד מוצר למיקוד לקוח. בנוסף לחלק מהקניות שבורחות לאונליין הקמעונאים המסורתיים גם חוששים לאבד את תקציבי השיווק שהם מקבלים מהספקים. מה נשמע יותר טוב – שלט על מדף בסופר מסוים או קופון ממוקד בפייסבוק? כולנו יודעים שהפרסום עובר לרשת ורוב המפרסמים יעדיפו את פייסבוק. זה כבר פגע במדיה המסורתית ועכשיו יכול לפגוע בקמעונאים. אבל לא הכל שחור, גם כשכולם מדברים על אמזון ועלי אקספרס, עדיין 90% מהקניות מבוצעות בחנויות פיזיות. הבאזז של האון ליין הדחיק את זה! כשהפרסום עובר לרשת והתוצאה, או הקניה, מתבצעת בחנות הפיזית, יש לנו "שבר" בתהליך השיווק והמכירה. למשל ספק, כגון קוקה קולה, משלם לגוגל או פייסבוק על פרסום אבל אין לו שום מושג מה זה עשה למותג שלו, כי הקניה ושינוי התנהגות הלקוח לאורך זמן קורים בחנויות הפיזיות. המשוב היחידי שהמפרסם יקבל הוא מספר הפעמים שהפרסום הוצג. זה לא הרבה יותר מדיד מפרסום בטלוויזיה או בעיתון! וכשלא יכולים למדוד אין דרך ברורה לבקרה והשתפרות. זאת אחת הסיבות שאמזון השקיעה כ 18 מיליארד דולר לאחרונה ברכישת רשת המזון whole foods. גם ענקי אונליין אחרים, כמו עלי בבא, נכנסים יותר ויותר לעולמות הפיזיים. לקמעונאים האמיצים יש פה הזדמנות לנסות ולהתחרות בענקי הפרסום ולתת שירותי פרסום מדידים באמצעות פלטפורמות פרסום שמוזנות בנתוני הקופות שלהם כמשוב. זה נשמע יומרני אבל רוב רשתות הקמעונאות הגדולות בחו"ל נכנסות לתחום הפרסום והאנליטיקה ממש ברגעים אלה.

מאיר עשת:       באיזה מידה אנליטיקה תדע לחזות בעולם הריטייל שאם אוריד את מחירו של העוף ב-5 ₪ לק"ג, אז המכירות יגדלו בכך וכך?

דר' שוקי אידן, אקטיביו מקבוצת יעל: מודלים של גמישות צריכה בתלות במחיר הם חלק מפתרונות אנליטיים ממוקדי מוצר, בני יותר מעשור. כפי שציינתי, מיקוד הקמעונאים כיום עובר יותר ויותר ללקוחות ולקיום מערכת יחסים איתם גם מחוץ לחנות. לכן בהקשר של דוגמת העוף, השאיפה תהיה לזהות מי הם בכלל הלקוחות שכדאי לשווק להם עוף? איזה עוף (רגיל?, גלאט? אורגני?…)? איזה חלק של העוף? באיזה מחיר? איזו כמות? באיזה ערוץ? מתי? וכיו"ב. השימוש באנליטיקה ופעולה אוטומטית המתייחסת להרגלי הצריכה של הלקוחות והמטרות שיש לגבי כל לקוח הן הטקטיקה המיושמת או אמורה להיות מיושמת ביום יום. טקטיקת מחיר, כמו מבצע העוף בשקל, מטרתה היא יותר תדמיתית ומיועדת לערוצי מדיה כמו טלוויזיה. השנה, דרך אגב, תהיה השנה הראשונה שבה הפרסום העולמי בדיגיטל יעבור בהיקפו את הפרסום בטלוויזיה. והמגמה הזאת מתחזקת. מפרסום המונים כדוגמת עוף בשקל לפרסום דיגיטלי ממוקד ואישי.

עוז לוי, מטריקס BI

עוז לוי, מטריקס BI

מוטי סדובסקי, DCS:    כן. החיזוי נותן לארגון היום מענה ל- 3 נקודות מרכזיות: אחד הוא אומר מה ההסתברות שמשהו יקרה. שמאיר יקנה או שמישהו יעשה וכד'. החיזוי אומר לארגון מה הערך הכספי שזה יביא, כי הערך יכול להיות שלילי או חיובי. תלוי איך אתה בונה את מערך השיווק והמכירות ובעצם את הארגון כולו. והחיזוי גם יאמר לארגון כמה פעמים תופעה מסוימת צפויה להתרחש, או לחלק מידע לקבוצות – Classes.

עוז לוי, Matrix BI : בעבר הובלתי פיתוח של מוצרי אנליטיקה בחברה גדולה שסיפקה מוצרים לתחום ה Retail. בזמנו ועוד לפני 10 שנים עשינו דברים דומים: market basket analysis ודברים כמו אופטימיזציה של מיקומי מוצרים על מדפים וכו׳. כדיי לעשות זאת יצרנו כלים שיצרו סגמנטים על קבוצות אוכלוסיה בעלות מאפיינים דומים. היום מגמות האנליטיקה המתקדמת הן לא לעבוד על קבוצות צרכניות (סגמנטים לפי שיוך צרכני כל שהוא ודפוסי צריכה אגרגטיביים) אלא לטפל בכל צרכן אינדיוידואלי לגופו, או ליתר דיוק לצריכתו כלומר אדם הוא סגמנט בפני עצמו. אז אם באמצעות ניתוח הרגלי קניות של מאיר ושל מוטי גילית כי שניהם מושפעים ממחיר הקפה ואיתם יחד עוד קבוצה גדולה, אז אשקול מה לעשות עבורם בעניין הקפה. יתכן שכרגע זו קבוצה ה"קפה" אד הוק, אבל יתכן שתוך זמן קצר ישתנה הרכבה הפרסונלי, כי חלק שינו הרגלים ועלית על זה בהמשך הדרך. כלומר התאמת המבצע היא כיום לאדם-צרכן ולאו דווקא לקבוצה צרכנית.

מאיר עשת:       רביד, איפה רמ"י נכנס לכל הסיפור של אנליטיקה?

רביד שמואלי, רמ"י: סביב השולחן יש ניסיון מצטבר רב מאוד, ברשותכם אשלים את צד הלקוח או המנמ"ר. קצת רקע היסטורי, פירמידת DIKW (Data, Information, Knowledge, Wisdom), לקח לעולם הנתונים עשרות שנים להתפתח למידע ומשם התפתח יחסית מהר לידע ואח"כ לחכמה/תבונה (של היחיד ושל ההמון). גם בעולם האנליטיקה קיים מדרג והתקדמה מזו שנקראה תיאורית (Descriptive) ואח"כ אבחנתית (Diagnostic) למה שעלה כאן תחזיתית (Predictive) וכיום כבר מדברים על הנחייתית (Prescriptive). אנחנו לאט לאט מבינים עד כמה משמעותי המעבר מנתונים לחכמה, עד כמה עמוק המעבר מתיאור להנחיה ואיזה פוטנציאל יש למעבר מהבנה לראיית הנולד. כעת ברצוני להציג בפניכם מיזם ממשלתי בין-משרדי, מוצלח מאוד המנצל את מדעי המחשב, כלים אנליטיים וגם את סביבת הענן, לטובת סיוע בטיפול במשבר הדיור הקשה בישראל. למרות מה שאמר עוז ידידי על קשיי העבודה בממשלה, אכן זה מורכב אבל אפשרי ומתקיים בעולמות שונים כגון בריאות, חינוך, מיסים וניהול מקרקעין/דיור.

עוז לוי, Matrix BI :       בהחלט נכון.

רביד שמואלי, רמ"י

רביד שמואלי, רמ"י

רביד שמואלי, רמ"י: השר משה כחלון לאחר הבחירות האחרונות ועל-מנת להיות אפקטיבי ככל הניתן בטיפול במשבר הדיור הקשה בישראל, השכיל לחבר תחת תחומי אחריותו את הגורמים הממשלתיים המשתתפים בשרשרת היצור של הדיור. בשרשרת זו ניתן למנות את מנהל התכנון, משרד הבינוי והשיכון, רשות מקרקעי ישראל, משרד האוצר וכמובן מטה הדיור הלאומי. כולם נותבו לעבודה משותפת על מנת לקדם פתרונות למשבר הדיור הקשה בארץ. על פי מחקר בנק ישראל מהשנים האחרונות לקח בארץ 13-15 שנה מרגע החלטה על תחילת תכנון דיור ועד למסירת המפתח. במדינות העולם המתקדם זה לוקח 2-8 שנים, ובעצם המטרה היא להקטין בירוקרטיה ולייעל תהליכי הממשלה לקיצור משמעותי של פרק הזמן מההחלטה ועד המימוש. כדי לקדם מטרה זו יש להכיר את השרשרת, ולבחון איך ניתן לצמצם כל חוליה בנפרד וכן את הממשקים בין כל חוליה וחוליה. הטכנולוגיה נרתמה לעניין, חיברנו את כל הגופים לבסיס נתונים אחיד, כן גובשה שפת נתונים אחידה. המערכת נקראת מימ"ד – מרכז מידע לאומי לדיור. מערכת המימ"ד שואבת נתונים בזמן אמיתי ממערכות הלגאסי התפעוליות של כל גוף ומאפשרת להציג למקבלי ההחלטות ולכל הגופים בו-זמנית, באופן מספרי טבלאי וכן במפה גיאוגרפית, תמונה מלאה של מלאי יחידות הדיור בישראל על-פני שלבי התכנון השונים (הכנה, הפקדה, תוקף וכו'), שלבי הפיתוח והשיווק. מציגה את החסמים ואת הגורמים האחראים/מסייעים להתרת החסמים ואת תכניות השיווק. בכל דיון שיווקי קרקעות אצל השר בהשתתפות ראש מטה הדיור ומנכ"לי הגופים מוקרנת המערכת על המסך המרכזי וכולם דנים באותם נתונים ובאותה שפה. בין הטכנולוגיות המשתתפות בפתרון ניתן למנות את SAP, ענן MS Azure, GIS Esri, BI QlikView. יתרונות השימוש בענן ביישום, היו בדומה למה שהוזכר בדיון כמו זריזות וסקאלביליות, אך גם זה שלא היה צריך לייצר לגופים המעורבים חיבור והרשאה לרשתות רגישות של רמ"י (בהיבטים לאומניים ופליליים), אלא לסביבה חיצונית משותפת נייטרלית ומאובטחת (לאחר שנתקבלו חוות הדעת החיוביות הנדרשות מהגופים המוסמכים). האתגר הטכנולוגי היה גדול אך לא פחות ממנו היה האתגר האנושי שת"פי בין הגופים וזה המקום להודות לשותפים ממנהל התכנון, משרד הבינוי והשיכון, המרכז למיפוי ישראל ומשרד האוצר / מטה הדיור על ההירתמות ועל התוצאה שבהחלט משמשת כלי עזר עיקרי תומך לעזר לקובעי המדיניות בניהול משבר הדיור הלאומי. ובאלגוריה: אם חלון הרכב הקרוי דיור, היה שחור ואטום, אזי מערכת המימד מסייעת לנגב את השמשה הקדמית. המשך טבעי של המערכת היה החצנה של המידע לציבור במסגרת מיזם DATAGOV בשת"פ עם רשות התקשוב הממשלתי וזה כבר קורה בימים אלה וכך כל יזם, חוקר או סטארט-אפיסט יכול לפתח אפליקציות ולבצע אנליטיקות על הנתונים. כמובן יחד עם כל מה שנעשה, יש עוד הרבה מה לעשות.

גלעד פדרמן, נובי אופוס

גלעד פדרמן, נובי אופוס

מאיר עשת:       אני בטוח שיש פה מספיק חברים שישמחו לעזור לכם. ברשותכם אעבור לעולם אחר המוכר לכם היטב. מגזר ההייטק כולו וה-IT בפרט סובלים ממחסור חמור בכ"א מקצועי ואיכותי. ויושב כאן גלעד פדרמן, מייסד חברת Noviopus העוסקת בדיוק בתחום זה. אז גלעד מה לכם ב- HR ולאנליטיקה?

גלעד פדרמן, Noviopus: עולם ה- HR שונה מהריטייל הנדל"ן וכד' בכך שמקור המידע והנתונים הוא בד"כ קובץ וורד עם סיפור חיו המקצועיים של המועמד. בעוד שבעולמות האחרים, הנתונים בעיקרון זמינים לטיפול ב- BI וב- BIG DATA, הרי שבעולמנו זה לא כך וצריך ל"תרגם" את הנתונים הנמצאים באותו קובץ הוורד לעולמות ה- BI וה-BIG DATA. יותר מכך, מדובר ברמת פרסונליזציה מקסימלית. הרי התאמת עובד מתבצעת על פי נתוניו האישיים ולכן צריך להיות מודע לכך היטב, ולהיות זהירים בהפעלת אנליטיקות, על מנת לא ליצור מסך אגרגטיבי על אישיותו ומאפייניו הספציפיים של המועמד. התאמת מועמד כוללת פרמטרים חברתיים ותרבותיים רבים נוספים והרבה מעבר למובן מאליו (רמת שכר, תפקיד, ניסיון וכד'). התאימות בין המועמד למקום העבודה המוצע אמורה לקחת בחשבון גם את אורח החיים שלו  והרגליו. אדם צריך להתאים למקום עבודתו בצורה מיטבית. אחרי הכול הוא מבלה שם 50% – 70% מזמנו הפעיל.

מוטי סדובסקי, DCS:     יש כיום כלי חיזוי באנליטיקה שיודעים לתת ניבוי בעל שיעורי הצלחה גבוהים על יכולתו של אדם להצליח בתפקיד בעבודתו (התאמה לתפקיד), בלימודים באוניברסיטה וכד' וזאת על סמך אוסף תוצאות ביצוע תרגילים ומבדקים. לדוגמא: אם מועמד לתפקיד נכשל בתרגיל מסוים, דווקא זה מנבא מתאם טוב להצלחה בתפקיד אליו הוא מיועד. אתגר מרכזי של עולם ה-HR בתחום האנליטיקה הינו המחסור העצום באנליטיקנים מקצועיים. קיימת כיום בארגונים מגבלה משמעותית של כוח אדם מקצועי לניתוח מידע, המשליכה על יכולות הארגונים לבנות ולהטמיע מודלים אנליטיים יציבים ואיכותיים. פירושו של מחסור זה הינו אי יכולת למצות ערך המידע ושיפור היכולות עסקיות. קיימים סטארט-אפים ישראליים אשר פיתחו מערכת תוכנה לבניית מודלים אנליטיים איכותיים באמצעות מחשב העושים שימוש בכלי אינטליגנציה מלאכותית (AI) ו- Machine Learning . כלומר שימוש בתוכנה המאפשרת לארגון לבנות מודל אנליטי איכותי ויציב המתאים לצרכיו וזאת ללא צורך באנליסט (חיצוני או פנימי) שעלותו יקרה וקשה למוצאו.

מאיר עשת:       יפה, הרמת לי להנחתה  לנושא הבא. השימוש בטכנולוגיות AI ו-machine learning צפוי לגדול בשנים הקרובות ויש האומרים שתהליכים רבים באנליטיקה יעשו באופן אוטומטי וללא התערבות אנושית, המערכת הממוחשבת תייצר סדרת הנחיות לפעולה שתופעלנה באופן אוטומטי וללא צורך בהחלטת גורם שיווקי. מגמה זו מעוררת את השאלה: האם כתוצאה ממגמה זו צפויים אנשי השיווק להתנגד להטמעת מערכות כאלה שבעצם "ייתרו אותם מתפקידם" , לפחות באופן חלקי.

אורן בניסטי, אינטל

אורן בניסטי, אינטל

ערן אלראי, Software AG:  לדעתי אין מקום לחששותיהם של העובדים לעבודתם .שימוש בבינה מלאכותית ולמידת מכונה הינם שילוב בין הביזנס לבין ה-IT, שילוב בין ה-IoT לבין ה-IT, כמו גם שילוב הכל עם רצפות הייצור במפעלים, המחסנים בשרשרת האספקה של היצרנים ועוד. ברגע שהארגונים יקבלו "תמונה רחבה וחכמה" יותר בזכות שילוב בין אנליטיקה לבין תגובה אוטומטית של רובוטים – יופנו משאבי כוח האדם בכל היחידות העסקיות כגון: בשיווק, ב-IT, במוקדי השירות ועוד – להגברת יעילותם בתחומי התמחותם השונים. כלומר, המומחים יתפנו לחשיבה יצירתית עסקית בהתבסס על תובנות האנליטיקה והבינה המלאכותית. אני אף מעריך שהשינוי בהגדרות התפקיד והוספת הנופך העסקי והמתקדם – יכול לעניין עובדים רבים ולאתגר אותם לקידום בארגונים.

אורן בניסטי, אינטל: אוקי, יש לי דוגמא מצויינת לשאלתך. לכולנו יש טלפון נייד. חברות הסלולאר יודעות היכן אני נמצא ומה סדר היום שלי (היומן..) ולכן בשעה היעודה אחרי צהריים טרם כניסה לווייז המכשיר כבר שואל אותי האם אני חוזר הבייתה. עכשיו דמיינו אגרגט נתוני תחבורה של אנשים רבים, הרי אפשר להציע אותו למכירה למשל לחברת אוטובוסים או מוניות או משרד התחבורה על מנת שיתכננו קו תחבורה. שימוש כזה בנתונים אלה יחליף שיטות תכנון ישנות יותר , יהיה יעיל ומדויק יותר.

עוז לוי, Matrix BI : ישנם תחומים חשובים שכבר עושים שימוש אמיתי בטכנולוגיות האלה ואנחנו שם. לדוגמא: כמה אנשים עוברים ליד שלט חוצות, או מודלים תכנון קו תחבורה ציבורית. אלו דברים קלים יחסית. אבל, ישנם דברים בעייתיים יותר ברמה העקרונית אסטרטגית. למשל: כיצד אנו מתכננים ומפעילים מודלים שה- error cost שלהם גבוה ועלול לגרום נזקי רכוש ו/או גוף כבדים. דוגמאות: המלצת "מכונה" למכור את יתרות המט"ח שלך. בדיעבד, הפסדת ואז נשאלת השאלה האם תוכל לתבוע את מפעילי האנליטיקה שהמליצה למכור. דוגמא אחרת: המלצת מכונה לרופא להפנות פציינט לבדיקה מסוימת. בדיעבד התברר כי היה אמור להישלח לבדיקה אחרת לגמרי והמודל יצר אצל הרופא הטיה בטיפול. אז, האם המכונה, מפתחיה, ומפעילה או הרופא הינם ברי תביעה במקרה זה? ובכן אלה שאלות קשות ומורכבות ולמיטב הבנתי טרם נמצא להן פתרון סביר, ולכן אני אומר שבאותם מצבים בהם יש error cost משמעותי, יש לנו עוד כברת דרך משמעותית לעשות עד שמערכות כאלה יעבדו ללא התערבות אנושית.

מאיר עשת:       שאלה עוז: האם אתה רואה מצב שלפיו דירקטוריון של ארגון פונה לסמנכ"ל שיווק ואומר לו: הייתה לך המלצת אנליטיקה לפעול בצורה מסוימת. פעלת אחרת. בוא תסביר לנו מדוע לא קבלת את ההמלצה ופעלת כפי שפעלת ?

עוז לוי, Matrix BI : בהחלט כן.

מוטי סדובסקי, DCS:     זוהי בהחלט סיטואציה שיכולה לקרות בארגונים, והשאלה היא כמה "מקשיבים" להתרעה של מערכת אנליטית ממוחשבת. האם בארגונים דוגמת טבע ואחרים, כאשר המערכת הפיננסית מתריעה על משבר מתקרב האם מישהו בחן את הנתונים ועשה בהם שימוש בתהליך קבלת ההחלטות ?

מאיר עשת: וזה עוד קרה אצל חברה מתקדמת, בעלת משאבים שיודעת הרבה. כלומר, יתכן שזה עדיין מוקדם מידי אבל זה יקרה מתי שהוא בעתיד.

צחי פרנקוביץ', BDO :

צחי פרנקוביץ', BDO :רוב הפתרונות שאנו רואים היום הם תולדה של חקר השאלות המענינות את הארגון

שוקי אידן, אקטיביו מקבוצת יעל: אני חושב שצריך להבחין ולהבדיל בין החלטות אסטרטגיות וניהוליות המבוססות בחלקן על נתונים שאינם נמצאים במערכות לבין החלטות תפעוליות הניתנות לאוטומציה. ברמה האסטרטגית ישנם פרמטרים חיצוניים בלתי תלויים ובלתי קשורים שאינם ניתנים לחיזוי ו/או לכימות סטטיסטי, למשל מבצע מפתיע של מתחרה, שינוי בשערי המטבע עקב אסון טבע במזרח אסיה, או לחילופין מצב בטחוני בדרום הארץ. אינך יכול לחזות דברים כאלה. כאן נצטרך אנשים שיחליטו ויגיבו לאירועים במידת הצורך. אבל תגובות תפעוליות מבוססות נתוני הארגון או מחוצה לו, "החלטות מדידות" יכולות וצריכות להתבצע באופן אוטומטי ככל האפשר. אין סיבה שלא. אנחנו עדיין מוצאים אנשי שיווק שמתנגדים למדידה ואוטומציה בשיווק, אבל גם למהפכה התעשייתית לפני 200 שנה היו מתנגדים. במקום לראות בתהליך האוטומציה סכנה לאיבוד תפקיד והחלפת כ"א במכונה, תהיינה יותר סיטואציות של שינוי תפקידים בארגון ואפיונם מחדש לאור השינויים. המגמה היא להעצים את האדם ולא להחליף אותו. נכון שהרכב האוטונומי יוריד את הביקוש לנהגי מוניות, אבל מצד שני הצפי זה פחות מכוניות, פחות זיהום, ופחות תאונות ונפגעים. כדוגמא אחרת; אם שיפור שירות בזמינות ויעילות יכול לבוא מכך שמוקדי שירות "יעסיקו" בוטים במקום אנשים, אז מדוע לא? יצטרכו להכשיר את האנשים לתפקידים אחרים, ויהיו כאלה, ככל שנתקדם יפתחו תפקידים חדשים שלא היו אתמול.

צחי פרנקוביץ', BDO:     מניסיוני כשהתחלתי להיכנס לנושא לפני 10 שנים היה איזה שהוא hype בנושא והייתה תחושה שהכול הולך להיות אוטומטי. זורקים ים של נתונים , מוציאים out of the blue תובנות מערבבים הכול יחד והוקוס פוקוס יש פתרון. לדעתי אנחנו עדיין רחוקים מאוד משם. רוב הפתרונות שאנו רואים היום הם תולדה של חקר השאלות המעניינות את הארגון. המצב שבו אלגוריתם יחפש באופן שרירותי ומופשט תובנות אינו קיים, למרות שבהחלט יתכן שזה יקרה (רואים ניצנים של זה). אבל כרגע עדיין יש ליצור שאלות מכוונות, כאלה שאנחנו יודעים לשאול.  בהקשר זה חשוב לציין שיש כיום מחסור אדיר ב-data scientist  בעולם ובארה"ב בפרט. הייתי מעורב בסטארט-אפ שמפתח תהליך אוטומציה בנושא ה- data scientist  כדי לאפשר להעסיק אנשים פחות מיומנים בתחום ולקצר את הדרך להשגת תוצאות.

ערן אלראי, Software AG: בשווקים של ימינו, חברות פיננסיות זקוקות לפלטפורמת מעקב שוק כדי לזהות במהירות דפוסי התנהגות ולנקוט פעולה בזמן אמת לתנודות שקורות בשוק המסחר ולהימנע מחריגה מכללי הרגולטור.  Apama – Market Surveillance  פיתרון זה פותח והינו פעיל בעולם האלגו-טריידינג שבו אנליטיקה מעמיקה בזמן אמת – הינה ליבת העסק. פתרון מעקב השוק משלב ניתוח של נתונים בזמן אמת וניתוח של נתונים היסטוריים כדי לאתר ניצול לרעה של השוק, מניפולציה, הלבנת כספים, הונאות ואלגוריתמים סוררים בין סוגי הנכסים והשווקים. פתרון זה מאפשר יצירת תהליכים חוזרים, תוך למידה עצמאית של המערכת שמתאימה את עצמה באופן דינמי לאורך זמן.

עומר אפרתי, פייבר

עומר אפרתי, פייבר

סטפן טבקארו, אורקל ישראל: בהקשר לשאלת השיווק שנשאלה ניתן לראות מגמה שפורסמה בדוח האחרון של KPMG בדוח האחרון ל-CEO השנה שמסביר שהעניין של טכנולוגיה משבשתDisruptive technology) ) הינה בעצם הזדמנות ליצירת חדשנות והבאת שינוי לקידום העסק. כדי להגיע לשם צריך לגייס הון אנושי מתאים ואיכותי שייקח ownership על יישום החדשנות. זה לבד עדיין לא מספיק, אלא צריך מחויבות אמת של אותו כ"א שגויס וגם מחויבות המנכ"ל לדרך ולתהליך לימוד מתמשך מכלל השדרה הניהולית במוד של continues learning מתפתח.

עומר אפרת, פייבר: כפי שאמרו קודמי, זה לא תהליך אוטומטי שמתרחש פתאום והחלטות הארגון לא מופעלות ע"י טייס אוטומטי. אנחנו כן רואים תהליך מהיר יחסית של קומודוטיזציה כולל machine learning & deep learning שבו מקצרים זמנים ומשפרים תפוקות. היום data scientist אחד יכול לעשות את עבודתם של 5-6 מהנדסים וכך זה קורה אצלנו בחברה.

מאיר עשת:       אז מזה אני מסיק שמחר אולי מכונה תחליף את ה –  5 Data scientist ?

עומר אפרת, פייבר:        אני  מקווה.  חשוב לומר: המטרה אינה לצמצם כוח אדם, אלא להגיע רחוק יותר בביצועים. כלומר, עם אותה כמות אנשים אגיע רחוק יותר מאשר אני מגיע היום. משמעות הדבר היא, שחברות קטנות תוכלנה להתחרות בגדולות עם הרבה פחות משאבים.

מיכאל אסולין, רובין: אני בהחלט מתחבר למה שנאמר כאן. עדיין אין מצב של מתן המלצות אוטומטיות בלבד. כלומר: לתת לתהליכי AI בפרט הmachine learning לייצר באפן אוטומטי החלטות ברמת סיכון מסוים כמו למשל להעביר מבוטח עם כיסוי ביטוחי מורכב לקופה אחרת. זה עדיין לא קורה. אבל זה אפשרי במידה מסוימת ובהתחשב בסוג המוצר כפי שאנחנו עושים כשמגדרים את תוצאות האלגוריתם שלנו וה-Machine Learning  בפרמטרים וחוקים מוגדרים מראש. בסוף התהליך תהיה המלצה מותאמת אישית, אבל חשוב לזכור שהחלק האסטרטגי בתהליך יקרה כתוצאה מהחלטת אדם.

לסיכום

ערן אלראי, Software AG: בשורה העליונה כמו גם בשורה התחתונה, הצלחה נמדדת במדדים עסקיים. אין משמעות להצלחה טכנולוגית אם היא לא מביאה בעקבותיה יתרונות ממשיים לארגון וממצבת אותו נכון בשוק התחרותי. על האנליטיקה, בין אם הינה בענן, On Prem או היברידית – עליה לספק תועלות עסקיות ברורות ומדידות להנהלות הארגון ולהצעידו ראשון בשוק התחרות. זאת ניתן לבצע אך ורק באמצעות נתוני זמן אמת, מכל מכשיר ועבור כל היבט עסקי ותפעולי. הפלטפורמה העסקית הדיגיטלית האינטגרטיבית של Software AG, תומכת בעבודת ההנהלה. היא מחליפה את האינטואיציה והאימפרוביזציה בתהליכי ניהול רציונליים, מבוססי נתונים, מתועדים כמותית וניתנים לניתוח ולימוד.

גלעד פדרמן, נובי אופוס: עולם ה- HR צועד לכיוון האנליטיקה, וישתמש בה, תוך כדי מתן דגש לפרסונאליזציה, בדומה להתאמת כפפה ליד.

דר' שוקי אידן, אקטיביו מקבוצת יעל: אני אסכם בכך שהדבר הגדול שקורה מבחינתי היא פריצת הדרך בממשק האדם-מכונה. בעזרת טכנולוגיות של למידה עמוקה מחשב יכול כיום לראות, לקרוא, לשמוע ולדבר. זה מרתק ומרגש מישהו כמוני שעוסק בתחום כבר 30 שנה אבל מעבר לכך זאת הזמנות אדירה למינוף חיינו ועבודתנו ע"י זמינות המחשב. אם נחזור לשיחה המעניינת שניהלנו פה על אנליטיקה, לא יהיה צורך לשבת ימים מול דוח ולנתח אותו. המחשב יוכל להתריע בפנינו כשיש משהו מעניין. בנוסף המחשב הופך נגיש לכל, גם לתינוק שלא יודע לכתוב או אפילו להקיש. אפשר לשוחח.

סטפן טבקארו, אורקל ישראל: שתי פונקציות מרכזיות בארגון: Business analyst והשנייה: Data scientist קשורות זו בזו כך שהאנליסט בעצם צריך לחבר את הדרישות העסקיות ולאסוף את הנתונים הרלבנטיים מכלל הגורמים העסקיים בארגון ומעבר מתחקור סטאטיסטי לתחקור הדאטה, בניית תובנות ו-Story telling לשדרה הניהולית לבין מדען הנתונים שיוודא האם בדאטה יש מידע מעניין שכדאי שאנליסט יבדוק, יבנה את האלגוריתם החכם ויפיק את התובנות מכול המידע הזה על מנת ליצור יכולת חיזוי מדויק לארגון. הדבר דומה לסיטואציית זמר המבצע את השיר ומלחין אותו שהינו האנליסט, וכותב מילות השיר שהינו מדען הנתונים. אם מבצעים את האינטגרציה של שתי הפונקציות הללו תהיה יכולת להגיע למה שאנו קוראים customer 360 view  בו נוכל לראות את המידע מכלל מקורות הקיימים והחדשים במקום מרכזי שכולם יבינו ויראו את אותה התמונה על הלקוח, הארגון וכו'.

בוריס דהב, אורקל ישראל: נושא ראשון: היום כל אפליקציית SaaS משולבת AI לא משנה לאיזה סקטור או מטרת ניתוח, זה רכיב אינטגרלי. ואנחנו כספק ענן, שהוא ללא ספק enabler של אנליטיקה מספקים זאת. נושא שני: בשוק קיים המחסור העצום ב-data scientist, כדי לאפשר לקהל רחב יותר יכולות מתקדמות, אנחנו משלבים data mining + machine learning פשוטים וניתנים להרחבה למשתמש במערכות הBI שלנו. אילו מאפשרים גם לאדם שהוא פחות מיומן לשלב מודלים מתקדמים באמצעות שימוש במודלים מוכנים בפייטון וR או להוסיף חדשים. התפוקה שלו דומה כבר לזו של אנליסט מתקדם. תהליך כזה מאפשר לארגון להצמיח data scientist  שמבינים בצד העסקי מתוך הארגון במקום לחפש כאילו בחוץ. וזה כיום "מצרך" נדיר מאוד.

אביגדור ברכיה, קוואליטסט

אביגדור ברכיה, קווליטסט

אורן בניסטי, אינטל: אני מציע את הכותרת: "אינטל: שוק הבינה המלאכותית מוערך ב – 220 מיליארד דולר בשנת 2021". אינטל מגדירה עצמה כחברת נתונים. אנחנו אוספים נתונים ממוצרי הקצה (למשל מוצרי IoT), מוודאים שניתן להעבירם ברשתות תקשורת, מעבדים אותם במרכז ומייצרים תשתית איכותית לפעילות האנליטיקה.   התהליך הזה בתוך אינטל נקרא virtuous  cycle of growth. כלומר מעגל שבו יש לנו מוצרי קצה, תקשורת שמעבירה את הנתונים, Data center מקבלים החלטות מקבלים חיזוי ובעצם משפיעים שוב פעם על מוצרי הקצה. והדבר הזה מייצר עוד נתונים ומייצר עוד אנליטיקה ועל – ידי זה אנחנו מגיעים לאופטימיזציה של תהליכים.

אביגדור ברכיה, קווליטסט:  בעולם בדיקות תוכנה ואבטחת איכות שבו קווליטסט היא גורם מוביל ומשפיע, ובעקבות מחסור משמעותי בישראל של data scientist, הבנו שאנחנו צריכים לעשות שינוי והתאמה כדי לתת מענה לצורכי השוק ודרישות הלקוחות. הבדיקות והתהליכים שלנו על תפעול מאגרי המידע ואופן ביצוע האנליטיקות נעשות מורכבות יותר, והלקוח מצפה מאתנו שהבודק מטעמנו יעשה לו בדיקות וניתוחים ברמת ידע של data scientist. לכן, עשינו התאמות וביצענו הכשרות למהנדסי הבדיקות שלנו הן ברמת פיתוח כלים פנימיים וכלים שקיימים היום בשוק, הכנסת יכולת פיתוח כגון פייתון ושילוב של אוטומציה כדי לתת מענה מקצועי ואיכותי, עקב הביקוש ההולך וגדל  בתחום והמחסור ב-data scientists  הבנו שיש צורך לפעילות  כזו בתצורת Off Shore, ולכן העברנו את הפעילויות האלה למרכזי ה-Off Shore שלנו ברומניה והודו, וזאת כדי לתת מענה לTime to market- כפי שהלקוחות שלנו מצפים מאתנו.

רביד שמואלי, רמ"י: עולם האנליטיקה התפתח ופותח בפנינו הרבה אפשרויות כפי שדברנו עליהם, ומאידך גם הרבה סיכונים. יתכן שכבר בעתיד הלא רחוק, באמצעות הפעלת אנליטיקות מתקדמות משולבות AI, ML וכד' נקבל בלוגים "מוטי" שלטון, או להיפך. האפשרות האוטומטית להשפיע על כמויות אנשים ועל מערכות פוליטיות ושלטוניות תלך ותתעצם ואף תתחכם ואלה סיכונים לא מבוטלים. דברנו  על הניסיון הרב שנצבר בקרב משתתפי הדיון כאן. אז אפשר לקחת צבר ניסיון כזה וליישם אותו גם במדיניות הדיור, לדוגמה הפעלת כלים להשפעה על דעת קהל בבחירת אזורים לדיור המתאימים לתכניות הפיתוח של הממשלה ולהשקעות שבוצעו בפיתוח תשתיות ולמדיניות 'פיזור האוכלוסין'. זהו עולם חדש הממחיש את עוצמת החוכמה, התובנה וראיית הנולד כפי שהוזכרו קודם. הטכנולוגיה מתקדמת וכנראה בלתי ניתנת לעצירה אבל חשוב שנשכיל להפעיל אותה לעשיית הטוב.

עוז לוי, Matrix BI : אנחנו נמצאים בתקופה מאוד דינמית בתחום האנליטיקה. ארגוני אנטרפרייז במיוחד טרם הגיעו לבשלות בתחום זה ויש להם עוד הרבה לעבור ולהתקדם להשגת תובנות ותפעול אנליטיקה חכמה וטובה יותר. אנו ב-Matrix bi מחזיקים קבוצה גדולה מאוד של מומחים התחום ובעקבות זאת גם מזהים את החוסר בכ"א מקצועי ואיכותי בתחומי ה Big Data וה-Data science ומפעילים הכשרות מקצועיות לבוגרי מדעים מדויקים שמעוניינים להיכנס לתחום.

דיויד אזולאי, פוג'יטסו:    מה שחשוב בפרויקט אנליטיקה, זה להרים פתרון מהיר וקל ליישום time to market וללוות את הלקוח באופן צמוד, יד ביד.

עומר אפרת, פייבר:  בזכות מהפכת האנליטיקה יכולות חברות קטנות להתבלט, לבדל עצמן בשירותים ייחודיים ולהתחרות בהצלחה במונופולים וגופי הענק בתחום המדיה והרשתות החברתיות.

צחי פרנקוביץ', BDO:     החוכמה מתחילה באומנות של לחבר בעיה עם שימוש חכם ורעיונות יצירתיים במידע – data art and science

מיכאל אסולין, רובין: אצלנו כמו ברוב הסטארט-אפים BI ו-AI זה חלק מה-DNA שלנו. על מנת לשפר ביצועי מוצר אצל הלקוח אנחנו מפעילים את כל המרכיבים האלה עם האלגוריתמיקה שפתחנו. התעצמות יכולות ושימושי הענן יאפשרו לנו להתחרות בצורה מיטבית מול המתחרים הגדולים, בגלל כוח המחשוב, הגמישות ומגוון השירותים הזמינים בענן.

מוטי סדובסקי, DCS: יש לי שלוש תובנות מרכזיות על סמך ניסיוני ופרויקטים בהם לקחתי חלק בנושא BigData Analytics: 1. איכות נתונים – לפני שמדברים על שאלות מחקר ולפני שמכוונים לטכנולוגיות רלבנטיות, חשוב להתייחס ולברר את איכות נתוני הארגון. בחלק גדול מהארגונים איכות הנתונים ירודה ואז צריך לעשות תהליכי ניקוי והשלמה שונים ולטייב את איכות המידע. 2. אנשים – לאנשים יש פחד מהנושא היות והם חוששים שיישום מערכת אנליטית וקבלת החלטות המבוסס על מידע ייקח מהם את כוחם הארגוני וכתוצאה מכך יחול פיחות במעמדם. 3. מנהלים ופוליטיקה ארגונית – מנהלים לא תמיד מוכנים לשינוי ולא מבינים את כוחה של הטכנולוגיה והמידע לסייע להם בקבלת החלטות איכותיות.  לחלופין מנמ"רים כמובילי הטכנולוגיה בארגון לא תמיד מכינים את המנהלים העסקיים לעידן הטרנספורמציה הדיגיטלית, והם אינם באמת מבינים את היכולות הגלומות בו לביצוע שינוי עסקי.

יהודה אלידע:    פעם היה עולם  נאיבי וכולם האמינו שעם AI מצליחים לעשות אנליזה לכל דבר מההתחלה עד הסוף.  וזה כמובן נכשל. זה נכשל משום שהמודל הפסיכולוגי או הנוירולוגי שהניח שהבעיות  של ה –  AI  הן ליניאריות. היה מוטעה. העלייה מחדש של AI  שרואים ב – 10 שנים האחרונות, נובעת מתובנות חדשות בתחום חקר המוח. אנחנו מתחילים להבין כיצד המוח מצליח בדרך כלל, לקבל החלטות נכונות  למרות כל הבעיות שהוא נתקל בהן, באותה מידה כמו מערכת מחשב.  וכאשר מצליחים להעתיק את אחת מהאסטרטגיות של קבלת החלטות בתנאי אי – ודאות שהמוח עושה כל הזמן, יש לנו פתרון AI קטן. לא אוניברסלי. אף אחד כבר לא משלה את עצמו  שיש מערכת AI אוניברסאלית, שאם תזרוק לה בעיה תקבל מהצד השני תשובה. זה לא הולך לעבוד כמו מתמטיקה.

 

 

 

 

 

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 בשלוש שנים האחרונות.
נגישות