יום חמישי , ספטמבר 21 2017
מבזקים
דף הבית > תוכנות > BIG DATA & BI Analytics > דיון שולחן עגול: האם אנליטיקה יכולה לשנות תבניות חשיבה עסקית כדי לשפר ביצועים?

דיון שולחן עגול: האם אנליטיקה יכולה לשנות תבניות חשיבה עסקית כדי לשפר ביצועים?

 

 p1530196

יהודה אלידע (מנחה): הדיון שלנו היום ממוקד ביכולת, בהבטחה ובתסכולים של פרדיגמת "ביזנס אנליטיקס", כלומר בניסיון לשפר את תהליכי קבלת החלטות בניהול עסקי על סמך ניתוח מתמטי אובייקטיבי של עובדות מדודות כמותית. לא תחושות בטן, לא זיכרונות מבית אבא, ולא כל הדברים האחרים שעושים מנהיגים. למנהיגים מותר להיות לא אנליטיים, כי יש להם תחליף מפוקפק בשם כריזמה. אבל למנהל שרוצה לגמור את הרבעון ברווח, כדאי שיהיה Mindset אנליטי. זאת לפחות האמונה של מי שמתייחס לניהול כמקצוע של מומחים. במסגרת זו, ביג דאטה לטעמי היא טכנולוגיה שמנסה להוסיף למתודה הקלאסית את הדבר הלא ברור הזה, הלא מובנה, שכולנו יודעים, אינטואיטיבית. ישנם דברים שאנחנו יודעים כי הם נכונים או לא נכונים, בלי אנליטיקה מחושבת, ולגביהם, בדרך כלל, אנחנו גם לא טועים. בחיי היומיום לפחות, רוב האנשים עושים החלטות "אינטואיטיביות", במירכאות או שלא במירכאות, מבלי לעשות שגיאות של "אוטיסטים". זה נובע מכך, שמאז שנולדנו עד היום הזה, מערכות הקלט החושי שלנו נמצאות בהפגזה מתמדת של עובדות. ואיכשהו ברמה התת הכרתית אנחנו מעבדים את הנתונים, וקולטים בלי להקדיש לכך מחשבה שנייה, שזו תובנה נכונה וזו לא; החיים האמתיים מתנהלים כך, בחיים לא קורים דברים כאלה. זאת נקודת המוצא לדיון שלנו. אני הייתי שמח שתשימו לב שעבור רוב הקוראים שלנו, המילה "ביג דאטה" נשמעת כמו פרדוקס. אנחנו רוצים שהקורא יקרא את כל המאמר הזה, ולכן נתרחק מטרמינולוגיה מקצועית, פרטים טכניים ורעיונות שעדיין אין לגביהם קונצנזוס. ונתחיל עם הדבר הכי קשה, לעשות תחזיות.

ירון הירשזון, שותף ומנכ"ל משותף של חברת ליבי טכנולוגיות תוכנה (Libi Software Technology)

ירון הירשזון, שותף ומנכ"ל משותף של חברת ליבי טכנולוגיות תוכנה (Libi Software Technology)

ירון הירשזון:  סטטיסטית, בדקתי את זה, 73 אחוז ממנהלי החברות מקבלים החלטות על פי תחושות בטן…

יהודה אלידע: זה אומר, ש-27 אחוז כן מתייחסים לאנליטיקה?

ירון הירשזון:  בדיוק. ודרך אגב, 93 אחוז ממנהלי הכספים, עושים את התקציבים שלהם על עמודי אקסל, שזה סיפור עוד יותר תמוה. מה זה BI? אנו בודקים מה עשינו ואיך, האם התוצאה טובה או לא, ולנסות להבין איך אפשר לשפר כדי שבעתיד נקבל תוצאות טובות יותר. זאת אומרת יש לנו איזשהו צפי למה שיקרה בעתיד. הקטע של הביג דאטה, אני חושב שהוא טיפה שונה ממה שתיארת אותו, כי כשאתה חוקר כמויות מידע גדולות באמת כדי לחפש טרנדים, אתה לא מחפש נקודות ספציפיות. אתה מחפש כיוונים. זו המטרה של הביג דאטה. האמת, 

שבינתיים זה פחות או יותר כמו סקס בגיל 16. כולם מדברים על זה, מעט מאוד עושים את זה, ואלה שעושים את זה עושים את זה בינוני…

צבי ברונר משמש כסמנכ"ל טכנולוגיות ו-CTO של קבוצת מלם-תים.

צבי ברונר משמש כסמנכ"ל טכנולוגיות ו-CTO של קבוצת מלם-תים.

צבי ברונר: האמת היא שכמו בכל טכנולוגיה, לאחר אנו נמצאים בשלב שהטכנולוגיה של ביג-דאטה הבשילה.  ישנם כלים ויש כבר ידע נרחב בטכנולוגיה.  עכשיו הגיע השלב לחפש שימוש ותועלת לטכנולוגיה זו.  אני חייב לציין שישנם כבר מגוון יישומים המפיקים ערך מטכנולוגיות ביג דאטה.

יהודה אלידע: אבל מי שכן עושה רץ לספר לחבר'ה…

ירון הירשזון:  נכון. ויש מי שרק מספר.

גבי סיבוני: אני מבקש לדבר על קבלת ההחלטות במרחב הביטחוני. ואני רוצה להדגיש שהכלים של ביג דאטה נמצאים בשימוש גם מחוץ למתחם העסקים. לדוגמה, בניסיונות לאתר מפגעים בודדים, לזהות ולהתביית על אינדיקטורים משמעותיים בתוך ים עצום של מידע, נדרש שימוש בכלי אנליטיקה לאיתור התנהלות שמחריגה אנשים המשויכים לקבוצת סיכון והעמקת תהליך מחקר עד שהסימנים מצביעים על בהסתברות גבוהה לפיגוע ונדרשת פעולת סיכול לדוגמה: לעצור את המפגע הפוטנציאלי. זה אזור שהוא רובו ככולו במרחב האנליטיקה, והשימוש בכלים שלו קריטי לעולם הביטחוני.

יהודה אלידע: זאת אומרת, אתה מדבר על פרופיילינג (Profiling) שבחלק מהארצות נחשב לבלתי קביל פוליטית.

 ד״ר אל״מ (מיל.) גבי סיבוני מנהל תכנית צבא ואסטרטגיה ותכנית בטחון סייבר במכון למחקרי בטחון לאומי.


ד״ר אל״מ (מיל.) גבי סיבוני מנהל תכנית צבא ואסטרטגיה ותכנית בטחון סייבר במכון למחקרי בטחון לאומי.

יובל לביא: בעולם של האנליטיקאים זה נקרא קלסיפיקיישן. אתה לוקח משהו ואומר, על פי מאפייניו הוא שייך לקבוצה הזאת ולא הזאת.

גבי סיבוני: אני רק רוצה להשלים את העניין. אתה נכנס להגדרות הקבוצה ואז מסתכלים עליך יותר עמוק, מחפשים אינדיקטורים נוספים שהם אופייניים לתת-קבוצה יותר ממוקדת, וככה מעלים אותך לדרגה סכנה מידית מזוהה. זה יכול להיות גם קשור לעולם הפיזי, למשל, באיזה מסגד אתה מתפלל ומי האימאם במסגד הזה? בסופו של דבר הכול צריך להיות מנותח במערכת אנליטית.

יובל לביא: הפרופיילינג הוא, מבחינתי, שריד של העולם הישן. מישהו יצר פרופיל מדומיין, ומחפש לראות מי בעולם האמיתי מתאים לפרופיל. היום, במתודות של ביג דאטה, אין פרופיל, יש תבניות שהנתונים מושכים אליהן תשומת לב.

גבי סיבוני: אם אתה רוצה להיות יעיל, ומחפש אינדיקטורים לזיהוי מחבלים, כדאי שתאסוף אותם על האוכלוסייה שאתה חושב שיש סיכוי גדול של מחבלים, גם אם זה אומר שנקודת המוצא אינה נטולת דעות קדומות.

איתן יהודה: היום, רשתות וסנסורים המשובצים בעולם Internet of Things, מייצרים כמויות ענק של מידע. השאלה, איפה מעבדים אותן, באיזו עוצמות מחשוב, ובאיזה כלי תוכנה. לצורך העניין, אמשיך את הדוגמה הביטחונית. כיום משתמשים בטכנולוגיה לטובת שיפור הבטיחות והביטחון לתושבים תוך ביצוע אנלטיקה בזמן אמת , למה שאנו קוראים היום smart city אנו מבצעים היתוך של מידע שמגיע ממקורות שונים ומציגים אותו בתוכנת שליטה ובקרה שתותקן בחמ"ל של הערים החכמות שיוקמו, האנליטיקה שמתבצעת מאפשרת לדוגמא זיהוי פנים , צילום של לוחיות רישוי של מכוניות , שילוב של מידע שמגיע מרשתות ציבוריות ועוד .

אופיר אייזיק: בעוד שבינה עסקית (BI) מסייעת למקבלי החלטות להבין מה קרה ולבסס החלטות על מידע תפעולי, מערכות אנליטיקה מנסות לזהות מגמות ולנתח אותן ולחזות מה יקרה. אנו מסתייעים באנליטיקה כדי לענות על שאלות שאנו אינטואיטיבית ככל הנראה נסיק תשובות שגויות או לא מדויקות. משום שאנו טעונים במכלול תפיסות שהתגבשו בנו לאורך חיינו. המערכת האנליטית מאידך,  אינה תלויה באותם עכבות ולא מפעילה אינטואיציה, היא תפעיל מודלים סטטיסטים ייחודיים ותזהה דפוסים מדויקים שאנו וודאי היינו מתעלמים מהם או דוחים בביטול. כך למשל: בבואנו לקבוע פרופיל לקוחות

איתן יהודה, CTO אזור E-Med בהיטאצ'י דאטה סיסטמס

איתן יהודה, CTO אזור E-Med בהיטאצ'י דאטה סיסטמס

לקמפיין למוצר מסוים, אנו אינטואיטיבית נבחר לפנות לאוכלוסיית הנשים בחתך גילאים מסוים. המערכת מאידך, תמליץ לפנות לאוכלוסייה מעורבת (גברים ונשים) מחתך גילאים שונה – והיא תעשה זאת בצורה מדויקת על בסיס המידע ההיסטורי הנגיש לה. האתגר עם מערכות אנליטיות הוא הצורך בשילוב יכולות מורכב כדי להפיק מהן את התוצרים הרצויים. בארה"ב מכנים את התפקיד הזה Data Scientist"" מדובר על פונקציה המשלבת 3 יכולות עיקריות: ידע  סטטיסטי מתמאטי ברמה אקדמית, ידע  בקוד מחשב ובסיסי נתונים והבנה עמוקה של עסקי החברה. מחקרים חוזים שבארה"ב בלבד יהיו חסרים למעלה מ- 180,000 משרות Data Scientist עד 2020. על מנת להתמודד עם האתגר הזה פיתחנו ב- QlikView Israel פתרון שמנגיש את היכולות הסטטיסטיות המורכבות הללו באופן פשוט ומהיר למשתמש העסקי והלקוחות מרוצים מהתוצרים. בנושא BIG DATA, אנו מוצאים שהרבה פעמים מתייחסים אליו רק בקשר למידע ממקור חיצוני שלא קיים בארגון – אך בפועל מידע רב (Big Data) שאינו נאסף למחסני הנתונים, הוא מפוזר בין איי מידע שלא מדברים אחד עם השני. היכולת לחבר אותם ולנתח אותם בפלטפורמה אחת, כדי לקבל החלטות על בסיס המידע המאוחד הזה, הופך את ה- Big Data לגורם משמעותי בפתרון האנליטי ועשוי לאפשר לארגון לקבל החלטות על בסיס מידע בעל השפעה שלא נלקחה בחשבון (מסיבות אינטואיטיביות).                                                                                                                                                                   

אופיר אייזיק – סמנכ"ל מכירות קליק וויו ישראל

אופיר אייזיק – סמנכ"ל מכירות קליק וויו ישראל

יהודה אלידע: אבל יש דבר שהוא יותר מהותי, כי כשאנחנו לא משתמשים באינטואיציה, ואנחנו לפעמים מקלקלים, בגלל שיש לנו הרבה פעמים אינטואיציות טובות. אם אתה רואה באמצע יום קיץ בדיזנגוף או בקניון מלחה, מישהו הולך לבוש מעיל חורף, אתה דואג עוד לפני שאתה מחשב את ההסתברות שזה סתם חריג תמים. שום מערכת אנליטית לא תחבר את הדברים האלה, אלא אם כן יעמדו לשירותה מקורות טריוויה לכאורה, כמו איך היה לבוש כל אחד מהמתאבדים שהתרסקו בעבר. הבעיה היא שאנחנו לא יודעים לשאול את השאלה מראש.

גל ענבר: עבודה עם רובוטים גורמת לי לפחות להבין כמה אנחנו צריכים להיות צנועים, מבחינת איפה אנחנו נמצאים טכנולוגית ביחס להיותנו אורגניזמים שהברירה הטבעית ציידה אותנו בכל כך הרבה סנסורים – עיניים, אוזניים, אצבעות ושפתיים, טעם וריח, תחושות מגע וחום, על פני העור ובתוך הגוף. וכשה-IoT ייתן את כל הסנסורים שאתם מדברים עליהם, יהיה לכם זרם כזה של דאטה, שתאלצו לסמוך על חוקים סטטיסטיים כתחליף לאנליזה מפורטת. כי אם לפני כל אירוע טרור שדיברתם עליו ירשם וקטור של 300 אלף נתונים, כי יש מספיק מצלמות ומספיק חיישנים מסביב, בטוח שהמערכת תמצא משהו לדווח עליו. במקום אנליטיקה ממוקדת יהיו לנו אינסוף אזעקות שווא. וזה מה שקורה היום בעולם של הרובוטים. פעולות פשוטות אותן אתם עושים אינטואיטיבית כבני אדם, והרובוטים מסתבכים בהן. וגם באנליטיקה יש עוד כל כך הרבה לעשות, בכל התחומים. יש אנליטיקה מצוינת לפרופיילינג, ויש אופטימליות לניתוח סגמנטים. גם הטכנולוגיה שאנחנו נורא מתפעלים ממנה היום, רחוקה מאוד מכוח העיבוד שיש לנו כבני אדם. לפחות ב-5-10 שנים הקרובות נצטרך להמשיך להכניס היגיון אנושי לתוך עומק הדברים, לפני שנשתחרר מהצורך לעשות את האנליטיקה בכוח המוח.

גל ענבר, Icobot

גל ענבר, Icobot

אודי ויזנר: יש שני מושגים שכולנו נוטים לבלבל ביניהם בהמון תחומים, יעילות מול תועלת, Efficiency מול Effectiveness. כולנו מאוד עסוקים בשיפור היעילות, ה-Efficiency, של ביג דאטה, ולא תמיד שואלים מה התועלת, Effectiveness,  שמופקת מזה. צריך להגדיר מראש מה רוצים מהפתרון ולא רק איך ליישם אותו. אנחנו בעידן של הצפת מידע, אפשר לאסוף המון נתונים, מאינסוף סנסורים, כשבסופו של דבר מקבל ההחלטות שואל מה אני בעצם עושה עם זה? אותם 70 ומשהו אחוז של מנהלים שלא מתייחסים לאנליטיקה, פשוט לא מבינים שהם חייבים את זה וגם אם נציף להם את התובנות הם כנראה לא יעשו עם זה שום דבר , לכן חובה להגדיר מראש את המטרות העסקיות של תהליך ניתוח המידע….

יהודה אלידע: כי הם למדו מניסיון שב-IT יש רק כלל אחד: Garbage In, Garbage Out. הם מאמינים שאם תאסוף הרבה Garbage בקלט גם ב-Output יהיה לך הרבה זבל.. 

אודי ויזנר , מנכ"ל חטיבת התוכנה בחב' אפקון בקרה ואוטומציה מקבוצת אפקון.

אודי ויזנר , מנכ"ל חטיבת התוכנה בחב' אפקון בקרה ואוטומציה מקבוצת אפקון.

אודי ויזנר: ראשית, צריך לבוא בראש פתוח, להיות מוכן לכך שייתכן  ותקבל לא את התוצאות שחשבת לקבל, ולהתחייב לפעול לפיהן – אחרת בשביל מה בכלל ההשקעה… אם ניתחת מידע ובסוף אתה לא פועל עסקית לפי התובנות האנליטיות אז בשביל מה לעשות את כל זה. הדבר השני הוא לבדוק האם הטיפול בעקבות ניתוח המידע מביא אותך לשיפור ה-Effectiveness בתהליכים, או לפחות התייעלות. אל תשכח לרתום את הביג דאטה בצורה זאת או אחרת למהלכים העסקיים, אחרת זה פול גז בניוטרל. השוק היום נמצא איפשהו בשלב הזה.

יובל לביא: אני חושב שה-Hype של ביג דאטה עבר, ירד מהשיא שלו מלפני שנתיים-שלוש, שאז אף אחד לא באמת הבין מה זה אמור לפתור. לביג דאטה יש הגדרה מאוד ברורה, אלה שלושת ה-V הידועים: Velocity, Variety ו-Volume, ובעברית: לצרוך נתונים מגוונים, מהר ובכמויות. אם יש לך את שלושת המרכיבים, יש לך ביג דאטה, ואם אין לך, אין לך ביג דאטה, ביג דאטה זה לא בסיס נתונים מאוד גדול! יכול להיות לך מערכת עם 100 מגה שהיא ביג דאטה, ולעומתה מערכת עם 40 טרה שאיננה ביג דאטה.

 יובל לביא סגן נשיא שירותים מקצועיים ותמיכה בחברת מג'יק תעשיות תוכנה

יובל לביא סגן נשיא שירותים מקצועיים ותמיכה בחברת מג'יק תעשיות תוכנה

יהודה אלידע: אני חושב שהמונח הזה הומצא בעיקר בשביל לשבור כל מיני פילטרים ששמנו בעבר על כניסת דאטה. אז, לפני שנתון הפך להיות דאטה, שאלנו: האם הוא מובנה היטב, הוא כתוב בפורמט נכון, הוא נוצר במערכת שבדקנו את אמינותה, מתי ואצל מי הוא עבר סינון ובדיקת נכונות. היום מתודת ביג דאטה אומרת, בסדר, לא צריך לעבוד כל כך קשה. כל החיים מתנהלים בלי פילטרים כאלה, אז גם מערכת אנליטיקה – בתנאי שנבנה אותה נכון – יכולה לעבוד ללא פילטרים. זה לא יהיה מושלם, אבל שום דבר לא מושלם, במיוחד לאור העובדה שאין לנו תחליפים לביג דאטה.

אדר שומרון: פשוט אין לנו סיכוי להתמודד עם פילטרים בנפחי הצפת המידע ובקצבי הזרימה האלה, ולכן צריך תפיסה אחרת וטכנולוגיות אחרות…

משה ידגר: אנחנו בדן אנד ברדסטריט אוספים ביג דאטה כבר 175 שנה. לא קראו לזה כך בעבר, אבל זה מה שאנחנו עושים כדי להשיג בידול תחרותי בתחום הייעוץ העסקי. יש לא פחות מ-250 מיליון חברות בעולם ומיליון וחצי ישויות עסקיות בישראל שאנחנו אוספים עליהן מידע באופן שוטף. המשימה שלנו היא לזהות  את האינדיקטורים שינבאו התפתחויות עתידיות שליליות או חיוביות, יש עשרות אינדיקטורים כאלה. אם בעבר למדנו לזהות אינדיקטורים שקשורים להתנהגות פיננסית, היום אנחנו כבר מזהים אינדיקטורים שקשורים, גם, להתנהגות במדיה חברתית. למשל, מי ומתי מעדכן את הפייסבוק שלו והאם הוא שינה את קצב העדכון , ומה אפשר ללמוד מכך. אנחנו גם משתמשים בביג דאטה לבנית כלים שמאפשרים להשיג יתרונות ולחפש הזדמנויות עסקיות, למשל לנתח את השווקים  ולמצוא לקוחות רלוונטיים.

משה ידגר סמנכ"ל טכנולוגיות, דן אנד ברדסטריט ישראל

משה ידגר סמנכ"ל טכנולוגיות, דן אנד ברדסטריט ישראל

יהודה אלידע: אתה מצפה שהאינדיקטורים שלך יצאו מהאנליזה, ולא האנליזה מהאינדיקטור?

משה ידגר: האינדיקטורים יוצאים כתבניות בולטות מתוך מודלים סטטיסטיים שרצים כל הזמן על המידע. היום אנחנו עובדים עם הרבה יותר אינדיקטורים מאשר בעבר, פשוט בגלל שיש הרבה יותר מידע. לא חסר דאטה, האתגר שלנו מניתוח ביג דאטה ללא אנליסט בשר ודם הוא מהימנות המידע, קיים חשש שמודל יחבר נתונים על חברה לא נכונה. למשל, המערכת תנסה להפיק תובנה על חברת טבע תעשיות פרמצבטיות כאשר המידע רלוונטי בעצם לחברת טבע נעליים – רק בגלל שבשני המקרים בטקסט הייתה רשומה המילה טבע.   החוכמה היא איך לברור מהמידע מידע איכותי ומהימן באופן ממוכן ולהעביר לעבודה אנושית מידע שמצריך טיוב, בלי להטביע את התהליך בביצה של עבודה ידנית.

צבי ברונר: אני רוצה לחזור לחיזוי, פרדיקשן, ולמה אני חושב שחזון הביג דאטה לא מת. יותר ויותר ארגונים מקבלים החלטות בעזרת מחקרים על מידע היסטורי, מידע על השוק, תנאי סביבה, מתחרים,  ועוד מגוון רחב של פריטי מידע שעוברים הצלבה, אימות וקורלציה.  כאשר קיים מאגר מידע רציני אשר משקף את ה"עסק", ניתן להיעזר בתובנות המופקות מהמידע ולהשליך על העתיד. .  לדוגמה, בחנות הירקות ההיפותטית שנחשבת לעסק "LOW TECH  ",  כדי לעשות חיזוי דרישת לקוחות  "מתגלגל" המתעדכן בכל רגע שהקופה מצלצלת, או שהסיטונאי שלך מדווח על מחסור כזה או אחר בשל מזג האוויר. אם אתה רוצה לא להישאר עם עגבניות ביום שישי אחה"צ אבל גם שלא יחסרו מלפפונים על המדפים דקה קודם סגירת החנות, אתה חייב לדעת מה מכרת כל שעה. ואם אתה לא רוצה להפסיד עליך לדעת מה היה המחיר של כל ירק שמכרת, מה המחיר של מוצר משלים (עגבניות ומלפפונים הולכים ביחד…), מה צריך להיות המחיר של מוצר תחליפי (…אפשר לנפח את הסלט עם חסה), ואני יכול להמשיך עם מיליון פרמטרים. ואז, אם יש לך את כל המידע הזה והחלטת לשמור אותו לנצח, תוכל, על ידי ניסוי וטעייה לעשות חיזוי 

איתן צויג, סמנכ"ל מיה מחשבים

איתן צויג, סמנכ"ל מיה מחשבים

על סמך תצפיות חלקיות ותרחישים סביבתיים כגון מזג אוויר, מועד בשנה וכו'. בקיצור, ביג דאטה חי ונושם וגדל.

יהודה אלידע: אני שמח לשמוע, אני אוהב אותו.

איתן צוויג: במדע הסטטיסטיקה לא התחדש הרבה, כפי שהתחדשה הטכנולוגיה האנליטית בשנים האחרונות. יש תעשיות שלמות שחיות על אנליטיקה, כמו המגזר הפיננסי, שאנחנו עובדים איתן בכלים סטטיסטיים כבר עשרות שנים. ברצוני להסב תשומת לב דווקא לתעשייה שהייתה שמרנית יחסית בעבר ועכשיו צומחת מהעולם האנליטי ומתחברת לביג דאטה: זה העולם של הרפואה והבריאות. מודלים שחוזים, למשל, הידרדרות במצב הרפואי של חולה קיימים כבר הרבה שנים. אבל אם פעם לקחנו מידע שנאסף מכל מיני מסדי נתונים, ובנינו על פיו מודל לחיזוי התדרדרות רפואית ביחס למצבו של חולה ספציפי, היום אנחנו יודעים איך, לטובת הקהילה, נחסוך כסף. כי בן אדם חולה עולה לקהילה הרבה יותר מבן אדם בריא ולכן קריטי שנדע להוציא בתבונה את הכסף הזה.  איפה נכנס לתמונה הרפואית הביג דאטה? היום אפשר להתחבר לסנסורים שקיימים בשירותי הבריאות בקהילה, בבית החולים ואפילו בבית החולה, לאסוף המון מידע, ולבנות מודלים שיחזו את ההתדרדרות הרפואית. במקום שהאחות תלך כל שעה לפציינט ששוכב בהתאוששות, ותבדוק מה הלחץ דם ופרמטרים פיזיולוגיים אחרים כדי לקרוא לרופא, הסנסורים שמחוברים לגוף שלו יוזנו למערכת, וממקומה בעמדה של האחות, וביג דאטה ידליק התראה: החולה הזה הולך לחטוף בעוד רבע שעה עוד התקף לב – והרופא יקבל זימון לחדר הצנתור ישירות לסמארטפון שלו.

איתן יהודה: העולם הרפואי זה קלאסי לעולם של הסנסורים. כל הנושא של המחשוב הלביש, הסנסורים על גוף החולה שמזינים את האנליטיקה בזמן אמת, כבר התחיל להניע מהפכה ברפואה.

ירון הירשזון:  מכל בתי החולים בעולם, מה שמאפשר לרופא שבודק פציינט, לבדוק לפי התסמינים שלו, לעשות דיאגנוזה, זה ביג דאטה. וכך הוא גם מקבל משוב, האם הדיאגנוזה נכונה או לא.

נמרוד מילוא:  אף אחד לא אמר שביג דאטה נעלם, רק הבאזז השתנה. הפנים שלו השתנו קצת יותר לכיוון של האנליזה. תמיד רצינו לעשות את אנליזה אוטומטית, לדוגמה, שהמערכת תשאל את השאלות. עכשיו אנחנו מבינים שלשאול את

ד"ר נמרוד מילוא, מדען מידע בכיר בחברת Dell Technologies.

ד"ר נמרוד מילוא, מדען מידע בכיר בחברת Dell Technologies.

השאלה זה אפילו לא החלק הקשה, אלא איך אתה שואל את השאלה. אפשר לשאול את אותה שאלה בכמה דרכים שונות, שיובילו למצבים שונים לחלוטין. אם אשאל אותה בצורה ברורה לחלוטין, כנראה שהמנוע האנליטי, עם האנשים שצריכים לאסוף את הנתונים, יוכל להביא לי את התשובה הנכונה. בוודאי אם השאלה נוצרה מחיבור של איי מידע בלתי קשורים. אם מישהו בא ומציע, בואו נתחיל להסתכל בפייסבוק, נאסוף את האינדיקטורים שיגידו לנו האם אדם מסוים מתנהג שונה או באופן המקובל בקהילה שלו, זה לא דבר טריוויאלי, גם אם לא העברנו את האחריות למכונה. תזכרו, כל הסנסורים, כל איסופי הפרטים, כל הפרופילים וכל הדעות הקדומות שהבאנו – הם שהובילו אותנו לאיפה שאנחנו עכשיו. צריך לכבד את החריגים, ולדעת לשכוח אותם קצת. לאט-לאט לשכוח את הדעות הקדומות, אחרי שגמרנו להשתמש בעובדות. וגם לזכור, שזה שיש לנו הרבה דאטה, לא אומר שיש לנו סיגנל ברור. יכול להיות שיש לנו בעיקר הרבה רעש ולא סיגנל ברור. אתה צריך להיזהר ממה שנראה כאינדיקטור, ובעצם מסמן מצב קיצון לא רלוונטי.

גבי סיבוני: אני רוצה להתייחס להערה שנאמרה כאן בנוגע לעולם הפרופיילינג. אני לא רוצה להגן על זה באופן גורף, רק אומר שלעת הזאת קשה לראות איך מונעים את זה בהקשר של לחימה בטרור. כי אם אתה יודע שעיקר האיום מגיע מקבוצה אתנית מסוימת, אז כדאי שתשקיע את המשאבים המוגבלים שלך בקבוצה הזאת. אל תגיד, מעכשיו אני אוסף מידע גם על האסקימוסים בקנדה, כי אולי גם אצלם אמצא איזה מפגע. אתה צריך להשתמש במידע המבדל אנשים בקבוצות סיכון מאלה שאינם, אם אתה רוצה להיות אפקטיבי. דבר שני, יש עולם תוכן שלם שעקרונית יותר קל לניתוח באמצעות אנליטיקה, זהו עולם אבטחת הסייבר, כי בו אין בעיה של סנסורים. אתה יכול לעשות אנליזה על מידע שרץ ברשת ומכשירי קצה, קיימות טכנולוגיות ישראליות יפות מאוד שמתפתחות בעניין הזה, שיודעות להשתמש בכמויות אדירות של מידע, ממגוון סנסורים, כדי לזהות התנהגות אנומלית, ולחזות מגמות שיכולות להתפתח לקראת אפשרות שיקרה משהו עתידי או לזהות אירוע קיים. קיימים אתגרים בהקשר הזה בייחוד בשאלה כיצד אתה קולט מידע מודיעיני לתוך מערכות כאלה? או כיצד אתה משלב בתמונת הסייבר מידע ממרחב הביטחון הפיזי? איך אתה קולט את כל ספקטרום האיומים במערכות ביג דאטה? יש אתגרים, אבל זה עולם די תחום, ובו יכול להיות יתרון גדול מאוד למערכות אנליטיקה.

רונן מאירי, מייסד ו- CTO בחברת DMWay Analytics,

רונן מאירי, מייסד ו- CTO בחברת DMWay Analytics,

רונן מאירי: היום, רוב העסקים מבינים שתחום האנליטיקה לצורך תחזיות, Predictive Analytics למשל, הוא משנה חוקי משחק. יש בו ערך אסטרטגי ממשי, וחברות שישכילו לשלוט בטכנולוגיה הזו יצליחו יותר אחרות. בהקשר הזה, ביג דאטה היא רק פלטפורמה לאיסוף נתונים, לא יותר מזה, שלא יכולה להחליף את האנליטיקן. כי בכל בעיה בתחום האנליטיקה אין תחליף לאינטליגנציה האנושית. האינטליגנציה האנושית היא שמספקת הבנה עמוקה בתחום המסוים שאתה עובד אותו. עליה אתה סומך שתנסח את הבעיות בצורה נכונה, שמבטיחה שתקבל תובנות עליהן תוכל  לבצע אנליזה משמעותית. כאנליסט אתה חייב שיהיו לך הידע וההבנה בתחום הדאטה, הנתונים שאספו עבורך מערכות הביג דאטה למיניהן. נכון, יום יש מערכות שירות עצמי, שיכולות להביא לך את החלק האנליטי בקופסה סגורה. ולא בהכרח תזדקק לאנליסט כדי לייצר היום מודל Predictive Analytics. למעשה, זה לא יותר מסובך מלעבוד באקסל.

יובל לביא: זה נהפך להיות קומודיטי.

יהודה אלידע: אם אתה אומר קומודיטי, ואם אני מבין אותך נכון, זה אומר שלא משנה באיזה מערכת תשתמש, תקבל את אותה תוצאה? כמו שלא משנה איזה שק תפוחי אדמה תקנה בשוק הסחורות של שיקגו, תקבל אותו הדבר? אחרת זה לא קומודיטי. עגבניות הן קומודיטי, סמארטפונים הם לא.

אדר שומרון: BIyond מבצעת הרבה עבודות אסטרטגיה ופרוייקטים בתחומי BI ו-Big Data Analytics . מהניסיון שלנו – אנחנו רואים כמה תופעות:  אנליטיקה הולכת ונהיית יותר ויותר ניתוח בזמן אמת, ולכן עליה להיות פחות ופחות תלויה במשתמשים אנושיים. בכמויות ובקצבי הדאטה שדיברנו עליהם, המשתמש האנושי יכול רק לתקוע את התהליך. יש לו  יכולת מוגבלת לנתח את כמויות המידע האלה, ובוודאי שהוא לא מסוגל לנתח אותן בזמן אמת.   אני אומר שלעצם ההאצה של האנליטיקה יש ערך בפני עצמה. מהירות תגובה זריזה היא מכפיל כוח משמעותי ליכולות ה-BI המסורתיות.

יהודה אלידע: אתה אומר, שהמהירות לפעמים חשובה יותר מהדיוק?

אדר שומרון: לא בדיוק מה שאמרתי. אני אומר שכאשר האימפקט של האנליזה מגיע יותר מהר, יש לכך ערך בפני עצמו. הערך של התובנה משמעותי  יותר בהשוואה למצב בו  משתמש אנושי שמתקשה להתמודד עם הנפחים היה מגיע לאותה תובנה באיחור. המהירות מאפשרת לתובנה להיות יותר Actionable .

יהודה אלידע: כלומר, המחיר של זריזות הוא דיוק.

אדר שומרון: לא תמיד, לפעמים הפוך. לפעמים, האלגוריתמים שמסוגלים לתת לך את התשובה מיידית הם גם יותר מדויקים, וגם מתייחסים למידע יותר טרי שהוא יותר רלוונטי.

רונן מאירי: רק מילה אחת לגבי זמן אמת. צריך להפריד בין שני דברים: האחד, לייצר מודל חיזוי המתייחס לנתונים שנאספים בזמן אמת, והשני זה היכולת להשתמש במודל כדי לקבל החלטות בזמן אמת. ניתוח ההסתברויות נעשה ברקע offline ומודל החיזוי המתמטי יכול לקבל החלטה על בסיס נתונים שנאספו באותו רגע ממש.

יובל לביא:  הביג דאטה, מחויב בכדי להניע את תהליך הלימוד בזמן אמת. כי בסופו של דבר, הביג דאטה מהווה חלק מתהליך הפיתוח של המודל, שנעשה בנפרד מהאתגר התפעולי המידי. התפיסה שלי אומרת, שהגדולים – גוגל ואמזון וכל אלה – בסוף ימכרו לנו מודלים שעברו מסחור, כמוצר אותו נוכל ליישם בכול מערכת שנבנה כולל על הטלפון הסלולארי בלי להריץ ביג דאטה בכל שאלה.

אדר שומרון: התופעה הנוספת שרציתי לדבר עליה היא החיבור בין ביג דאטה ל-BI, כי בעצם יש קצת ערבוביה בין הדברים האלה. ה-BI לא מת – אלא בדיוק להיפך! כל אותם מקורות ביג דאטה חדשים, סנסורים וכדומה, הם עוד מקורות נתונים כדי לעשות   BI יותר חכם ולהפיק יותר ערך עסקי מהמידע. כלומר, בהרבה מקרים  עדיין יהיה משתמש אנושי   שינתח את המידע. בעיניי, אין סתירה בין אלגוריתמים שמנתחים נתונים לעומק, בזמן אמת, לבין משתמש אנושי שמנתח את המידע המעובד חלקית, בכלי BI מתקדמים כמו טאבלו. אלה שני שימושים במידע שמשלימים האחד את השני בראייה העסקית הארגונית.

איך לעשות Analytics Data נכון ?

מאת: אדר שומרון

אדר שומרון' מנכ"ל חברת BIyond (ביונד)

אדר שומרון' מנכ"ל חברת BIyond (ביונד)

הכלכלה הדיגיטלית מייצרת עוד ועוד דאטה ומציבה בפני ארגונים אתגר ענק אבל גם הזדמנויות אדירות. החברות הגדולות רואות היום את הערך המוסף שהן יכולות להשיג מאיסוף ומניתוח כמויות גדולות של דאטה, באופן עמוק, ובקצב מהיר יותר מאשר בעבר והן מאמצות טכנולוגיות ביג דאטה, מתוך הכרה כי תובנות המבוססות על אלגוריתמים של Data Science ו-Machine Learning הן בעלות ערך עסקי גבוה, ויניבו יתרון תחרותי אסטרטגי משמעותי. טכנולוגיות מתקדמות אלו מאפשרות להגיב לנתונים בצורה מהירה יותר – עד כדי זמן אמת – ולהפיק מהם תובנות שהן Actionable (מניעות לפעולה), ולא רק מאפשרות מדידה ואופטימיזציה בדיעבד. אבל איך עושים זאת נכון? להלן כמה המלצות, מהניסיון שצברנו ב-BIyond:

  1. איסוף ה-Data: ארגונים נוטים לאסוף הכל – גם מכיוון שיותר קל לאסוף הרבה מידע מאשר לנתח אותו וגם מתוך הנחה שלא ניתן לצפות איזה מידע יידרש בעתיד. מצד שני, איסוף בלתי יעיל עולה הרבה כסף ומסרבל את תהליך הפקת התובנות מהמידע. נסו לעבוד עם Small Data ולא עם Big Data – התמקדו במה שבאמת הכרחי לבעיה העסקית איתה אתם מתמודדים. נסו לתכנן קדימה עד כמה שניתן, וכך תפיקו מהמידע ערך רב יותר, בפחות זמן וכסף.
  2. מיקוד עיסקי: נסו לשים את האצבע על מספר מצומצם של בעיות עסקיות (Business Cases), מוגדרות היטב ואותן תתרגמו ל-ROI. בחרו 2, 3 בעיות עסקיות לא מורכבות מדי שמביאות ערך אמיתי ובצעו פיילוט ממוקד לבחינת טכנולוגיות שיכולות לפתור בעיות אלו.
  3. שימוש ב-Cloud: השימוש בשירותי ענן זול ומקנה גמישות רבה ותמיכה בגידול או בכיווץ של דאטה, מעכשיו לעכשיו. עבודה בענן גם מאפשרת לבחון טכנולוגיות בצורה מהירה מבלי להתחייב לרכישת ציוד מיותר. בחרו ספק ענן אמין שמתאים לגודל ולצרכים שלכם, הכירו היטב את השירותים אותם הוא מציע בתחום הדאטה והאנליטיקה ומנפו אותם לצרכים שלכם.
  4. איכות ה- Data: כדי להגיע לתובנות איכותיות מהמידע, יש להשקיע מחשבה באיסוף של מידע איכותי ובשמירה על איכות זו. הטמיעו תרבות ארגונית מבוססת דאטה והשקיעו תשומת לב ומשאבים בפתרון איכותי לאיסוף נתונים, טיובם ועיבודם. גם אם נדמה לכם שזה לא קריטי בתחילת הדרך – בעתיד תיווכחו אחרת.
  5. מורכבות המידע: הכלכלה הדיגיטלית מציבה אתגרים חדשים ורבים בפני ארגונים. בעידן של רשתות חברתיות ושימוש נרחב במובייל, נפחי המידע וקצב ייצור המידע גדלים משמעותית ובמקביל נדרש טיפול במידע בלתי מובנה. היעזרו במומחים על מנת לבחור בטכנולוגיות Big Data (כגון: Hadoop, Cassandra, Spark, ElasticSearch וכד') המתאימות בדיוק לצרכים העיסקיים שלכם, למשל: איסוף וניתוח מידע מסוגים שונים והפעלת אלגוריתמים חכמים.
  6. אל תמציאו את הגלגל: חשוב להבין שכיום השוק מוצף בטכנולוגיות מוכחות וגם בטכנולוגיות חדשות שטרם הגיעו לבשלות. התרכזו בפיתוח תחומי הליבה שלכם והשתמשו ביועצים ובמומחים בתחום ה- Data שיסייעו לכם לעשות את הצעדים הראשונים בתחום.

הכותב הוא המנכ"ל והבעלים של חברת BIyond, המתמחה בעולמות ה- BI, Big Data Analytics ו-Data Science, ומסייעת לחברות להפיק יותר ערך עסקי מה-Data שלהן

מוטי סדובסקי

מוטי סדובסקי

מוטי סדובסקי: אני רציתי להעיר שני דברים: אחד, הסיפור האנליטי לא מתחיל בביג דאטה, אלא בבירור שאלת המחקר הארגונית. לדעת מה השאלות העסקיות שהארגון שואל לפני שנתחיל לחשוב איך מוצאים מענה. השלב הבא הוא גם לא בדיוק דוגמא של ביג דאטה. לשאול, מה מקורות המידע שלי ומה המידע שאני צריך למצוא בהם כדי לענות על אותה שאלת מחקר? רק אחר כך אתה יכול להכניס את הכול למנוע טחינת הנתונים שקוראים לו ביג דאטה, ולהפעיל את הכלים האנליטיים, שלדעתך נותנים סיכוי למצוא תשובות לשאלות המחקר שאתה רוצה לפתור. אני עכשיו מייעץ באיזשהו ארגון מאוד גדול ומאוד טכנולוגי, שביקש ממני שאתייחס לנושא של ביג דאטה ואמליץ מה לעשות עם הדבר הזה, אם בכלל. הסברתי מה אפשר לעשות משילוב של טקסט, וידיאו תרשימים וקלט מסנסורים, ומכל שאר האלמנטים שנמצאים כבר היום שם, ורק צריך לדעת לאסוף אותם. אמרו לי, אוקי, תגדיר לנו איזה מידע אנחנו צריכים להביא לסיפור הזה. עזוב את הטכנולוגיה. קודם כל תגרום לארגון שלנו להתחיל לשאול את השאלות הרלוונטיות, כי זה בעצם המפתח לסיפור.

 עוד התייחסות לנושא הזמנים. ברור שככל שהזמן הוא יותר קרוב לאמיתי, המצב יותר טוב. אבל יש הרבה פעמים שאתה לא צריכים זמן אמת ממש. די אם מה שפעם היינו מקבלים בימים או בשבועות, נקבל היום בשעות, ומה שקיבלנו בשעות עכשיו אנחנו מקבלים בדקות. חשוב להיות כל הזמן במגמה של שיפור הזמנים, כי הלקוח רוצה לענות על יותר שאלות בגבולות זמן נתון ובפחות כסף. וככל שהמערכות יותר קריטיות כך אתם רוצים לקצר את לוח הזמנים ולהגיע לתוצאות יותר מהירות ובפחות עלויות. ובשביל למהר אתה מנקה את הנתונים במקום להכניס הכול למכונה האנליטית. אתן לכם דוגמה. ללקוח שלי הביא לניתוח 100 אלף מסמכים, פרויקט רציני מאוד, אך מתוכם התברר ש-93 אלף היו "לייקים" לעמוד הפייסבוק, ורק השאר היו מסמכים עם תוכן משמעותי.

גיל זעירא סמנכ"ל פתרונות בינה עסקית (BI) באדוונטק טכנולוגיות.

גיל זעירא סמנכ"ל פתרונות בינה עסקית (BI) באדוונטק טכנולוגיות.

ירון הירשזון:  תגובה קצרה. אמרו כאן שביג דאטה זה רק איסוף מידע, כן? ממש לא! היום, כלים של ביג דאטה מייצרים את השאלות, שתיאורטית אפשר למצוא להן תשובה, ואתה בוחר מתוך השאלות את מה שמעניין אותך.

גיל זעירא: גם אם המנהלים הבכירים מקבלים חלק מההחלטות על בסיס אינטואיציה, ואלה מסוג הדברים שבאמת מנהיגים נוהגים לעשות, ברוב הארגונים בהם אנו נמצאים במחיצת ההנהלות, ואנחנו נמצאים בהרבה מאוד ארגונים, בדרך כלל ההחלטות מבוססות על המידע שהמנהלים צריכים, והאינטואיציה איננה מתעתעת. יש להם אינדיקטורים שמצביעים על כיוונים, ומאחר ומסת האינדיקטורים הולכת וגדלה, נדרש ביג דאטה, והם מוכנים להטמיע את הטכנולוגיה הזו. רובם, מודעים לערך של טכנולוגיות שהולכות ומתקדמות, ומצפים לקבל כלים שהולכים ומתקדמים. אני מייצג את חברת SAP, ומה שאנחנו מיישמים עבור הלקוחות הן סוויטות ERP+BI שלוקחות את כל הידע של מעל 30 שנה, אחרי שכבר אלפי אנשים ששאלו את השאלות העסקיות, ומביאות בתוך המערכת את הניתוחים והחיזויים שניתן לעשות על בסיס האינפורמציה שנאגרת בעסק שלכם. אם אתם לוקחים את כל החבילה הזאת ומצרפים לה את כל המתודות המומלצות (Best Practices), יש סיכוי גבוה יותר שנתקרב למערכת אנליטית מתקדמת שמזהה בזמן אמת מגמות ומתריעה בהתאם. זה לא יביא לקבלת ההחלטה במקום המשתמשים, אבל זה כנראה הכי קרוב. יש כאן שילוב של BI רטרוספקטיבי עם יכולת של פרדיקציה, ביצועי זמן אמת של מחסני נתונים In Memory עם מאפיינים של ביג דאטה, וגם יכולת לקחת מידע מכל העולם ו Internet of Things (IOT), נתונים שלא היו זמינים עד היום בגלל פרטיות ואחרים שבגלל שמירה על מידע עדיין לא זמינים, ולהכניס הכול לאותה מכונה. עדיין, המכונה לא יודעת לזהות אירועים ב-100 אחוז ואיך להתמודד עם חריגים, כי האנליזה היא מבוססת על שיטות סטטיסטיות.

עדיין המחשב הכי טוב בעולם של אי-ודאות הוא המוח האנושי. כל הפרקטיקה והתיאוריה הן לא יותר מניסיון לחקות אותו, וזה תהליך מתמשך שבו משתלבים שיפורים בטכנולוגיות, בכלי ובשיטות העבודה. אני באמת מאמין, לאור זה שאני גם בא מהתחום האנליטי ברמה התיאורטית, שיום אחד יגיעו למשהו שהוא דומה לחזון של מערכת אנליטית שתציע למשתמש מה לבצע ללא הנחות יסוד שהוגדרו מראש. אבל היום יש עוד כברת דרך לעבור.

תומר שטיינברג, SAP ישראל

תומר שטיינברג, SAP ישראל

אודי ויזנר: שאלו פה, איך נוצר הפער הגדול בין הפוטנציאל התיאורטי למימוש בעולם המעשי, בין חלוצים בשימוש באנליטיקה כמו ebay, אמזון ודומיהן, לבין העולם המסורתי יותר? לדעתי זהו בדיוק המקום בו אנליטיקה על תשתית ביג דאטה יכולה לסגור את הפערים האלו. יש עולמות תוכן שנשארו הרבה מאחור, ולאו דווקא מקושי לעשות אנליטיקה, או ממחסור בסנסורים, אלא מחוסר מתודולוגיה של יישום. בואו ניקח דוגמה מעולם של Smart city. כולם מדברים על העיר החכמה, על לשים סנסורים על כל דבר, בסוף זה נגמר ב-100 מצלמות, שאף אחד לא מסתכל עליהן למעט אבטחה שוטפת.

יהודה אלידע: כן מסתכלים. אף אחד כבר לא מעז לעצור במקום חניה של ראש העיר…

אודי ויזנר: בחזון מדברים על נושאים חשובים, על איכות אוויר ומים, איכות חיים וזרימת תנועה, בילויים, ניתוח מאפיינים וחיבור למדיה חברתית, ומיליון ואחד יישומים… וכמו שאמרת .. נשארנו עם בדיחה. לכן, ופה אני מסכים עם מה שמוטי אמר, צריך לשאוף ביישום הפרויקט להגיע לכך, שאנו סומכים על המערכת האנליטית לפעולה כמעט אוטומטית. כי אם כל הזמן יצטרך להיות Man In The Loop, אנליסט מאד חכם שיישב ויסתכל על הנתונים, לא נצליח להביא את הביצועים לרמות הדרושות.  מכאן שצריך להגיע למצב שבו אנו אוספים את הביג דאטה, בוחרים מה להוציא ממנה, מושיבים על זה אנליסט שאפשר לסמוך עליו מספיק, ולוקחים צ'אנס שמעבר לניתוח הוא ייזום את הפעולות הנכונות הנגזרות מהניתוח, ומשם זה צריך להיות מיושם כתהליך, רצוי אוטומטי. Smart city, IoT, כל העולמות שכל הזמן כולם מדברים עליהם, אלו טכנולוגיות, לא פתרונות. האחראי על יישום הנושא, למשל בפרויקט Smart city, צריך לעשות עם התובנות פעולה ממשית. אם זה מים, חשמל, תאורה, תנועה , בילויים ועוד, בין אם פיתוח יכולות ושירותים חדשים ובין אם חיסכון והתייעלות בשירותים קיימים.

מוטי סדובסקי: גם את הטייס האוטומטי מפעיל טייס.

אודי ויזנר: בסופו של דבר, צריכים לנטר ולנתח המון נתונים, להפיק מהם תובנות, ובאופן אוטומטי לחבר לתובנות תגובות ופעולות הולמות, אחרת הכול "אוויר חם", דיבורים. האתגר שלנו, בעיניי, היא השגת יכולת לסגור את הפער לעומת הזינוק של אמזון ודומיה, שכרגע פשוט משיגים את שאר העולם בעשור לפחות.

תומר שטיינברג: גם אני רוצה להתייחס לנקודה של אוטומציה. לנו ב-SAP, ניסיון של 15 שנה ב-Predictive Analytics, כי אנחנו עושים אוטומציה, אחרי החשיבה של אותו אנליסט שצריך להגדיר את המודל. ודווקא בנקודה זו אנו רואים הרבה מאוד לקוחות שעוצרים, בגלל האוטומציה, למרות שכך אנחנו חוסכים הרבה מאוד זמן, וכך נספיק לייצר הרבה יותר מודלים, יותר Tailor Made ויותר מתאימים לרמה של מוצר בחנות.

אופיר אייזיק:  או קטגוריית מוצרים או מודל ברמת החנות. אנחנו רואים את זה הרבה בעולמות של קמעונאות, במוצרי צריכה, בשירותים פיננסיים בוודאי, ועוד – בעולמות רבים כמו תפעול אבל בעיקר בעולם של שיווק. היום הדברים האלה מונגשים לאנליסט, אפילו למשתמש העסקי, על מנת לייצר את המודלים לפי הצורך. כי בניגוד ל-Data Scientist, שיש אולי אחד כזה בארגון, וקשה למקבל ההחלטות להפעיל אותו בזמן הדרוש, כי הוא עסוק בדברים אחרים, מנהלי המחלקות שמחים להשתמש בכלי שירות עצמי. SAP משלבת היום את הפתרון הזה בפתרונות שלנו, לדוגמה בפלטפורמת ה-Hybris Marketing המספקת מבט יחיד ועשיר על הצרכן ומאפשרת לחזות את התנהגותו ולהתאים בכך את הפעילות מול הלקוח באופן אישי. בארצות הברית, למשל, מדברים על חוסר של Data Scientists במספרים של למעלה מ-180 אלף עובדים ב-3 שנים הקרובות! צריך להבין, אנחנו מדברים על מקצוען שיש לו ידע סטטיסטי-מתמטי ברמה אקדמית, ידע בפיתוח קוד תוכנה והבנה עסקית ממש עמוקה. למעט מאוד אנשים בעולם שיש את החוט המשולש הזה. להביא אותם לארגון זה מאוד יקר, וגם כשהם נמצאים בארגון הם לא תמיד מצליחים. האתגר, וכאן אני מתחבר גם למה שמוטי אמר מקודם, כולם מחפשים פתרונות זולים ומהירים. כולם רוצים הכול כמה שיותר מהר, ואנחנו מחפשים. יותר נכון, הלקוח מחפש שאנחנו נספק לו תובנות, שמגיעות לו כמקבל ההחלטות העסקי, לא האנליסט ולא הדאטה סיינטיסט. הוא רוצה להיות מסוגל לקבל בעצמו את ההחלטה, אחרי שנצליח לגשר בין אותם עולמות מורכבים, לתמצת ידע שנאסף במשך עשרות שנים ולהביא אותו לאחרון האנשים בקו החזית אל פני הלקוח. היום, ההחלטה להקצות אשראי נמצאת אצל הטלפן ב-CRM, פקיד הדלפק שרואה את הלקוח בסניף, או סוכן הביטוח שיכול לקבל את החלטה עבור חברת הביטוח הגדולה מידי לגלגל כל פוליסה עד לחתם בסניף הראשי. ואנחנו רוצים לתת לכל בעל תפקיד יכולת לקבל את ההחלטה על בסיס חלקי מידע קטנים שננגיש לו לסגירת העסקה.

p1530183גל ענבר: אחד הדברים שבגללם רובוטיקה לא נכנסה לכל רוחב העולם זה, שלכל פעולה של דאטה אנליסט צריכה להצטרף הפמליה. שני מנתחים ושלושה אנשי מחשוב, נושא הכלים ונערת המים. אחד הדברים המדהימים שקורה לאחרונה, ואתם אולי עוד לא רואים את זה, מגיע מהעולם של רובוטיקה. קונספט שנקרא "רובוטיקה שיתופית". הטלפון הזה, אף אחד פה לא עבר עליו הסמכה, שום קורס באקסל של טלפוניה, איך להפעיל אייפון, ועדיין, כולנו מסתדרים איתו. הוא כל כך אינטואיטיבי שכל אחד, אם ישאלו אותו על פיצ'ר שאינו לא מכיר, ידע איך להיכנס ולחפש אותו, ובהמשך להפעיל אותו. היום, הרובוטים החדשים שיוצאים מקווי היצור, וזה מדהים, הם רובוטים שאין להם מתכנתים. חלק אחד זה דיבור, חלק שני מתבטא בהזזת גפיים, שלישי זה לראות דברים, הרובוטים לומדים בעצמם ולא צריך לתכנת אותם. מתחילים ליישם כל הדברים האלה גם בעולם התוכן האנליטי, אם כי אני עוד לא רואה את עולם הביג דאטה והאנליטיקה בכלל מתקרב ליעד מבחינת הכלים שלו. הכלים הזמינים ללימוד עצמי לא מתאימים אפילו לתלמיד בית ספר, או לחנווני השכונתי.

גבי סיבוני: אני מתחבר לאתגר הזה, כי מה שעשה אקסל, לעזור לנו לחשב, צריך לפתח לו תואם לעולם של יכולת ניתוח. אקסל זה אינטואיטיבי, כל ילד יודע איך לשחק באקסל ברמה כזאת או אחרת, אז גם ה-BI צריך מעטפת אינטואיטיבית.

יהודה אלידע: הבעיה של מרבית היכולות האנליטיות הלא מאוד בסיסיות, היא שלא מאמינים לתוצאה. ועל ביג דאטה אין בכלל מה לדבר. אפילו השם נשמע חשוד.

p1530275יובל לביא:  חד משמעית. לפני יותר מ 20 שנה שהייתי מסתכל על חקר תאונות אוויר, לנתח גורמים ולזהות תבניות. אחת הסיבות לתאונות אוויר, למשל, היא טייס שנכנס לוורטיגו, הוא לא יודע בדיוק איפה זה למעלה ואיפה למטה. המכשירים אומרים לו, אתה הפוך, והוא מתעקש, מה פתאום? אני רואה את הכוכבים, שהם באמת החזרי אור מהגלים, מושך את הסטיק ויורד לתוך הים.

יהודה אלידע: וזה טייס, עם רפלקסים בריאים ושלימדו אותו לטוס על מכשירים. עכשיו תשים בקוקפיט מנכ"ל שלימדו אותו למרפק את דרכו לצמרת איך הוא יאמין לתובנות לא מתאימות לדעות הקדומות שלו?

גבי סיבוני: הסברת למה קשה לבלוע את הצפרדע, למה אי אפשר לעשות את הקפיצה מהיום למחר. OK. כל מה שטענתי הוא, שיש למצוא את הדרך להנגיש את המתודה לכולנו. חלקנו מומחים, אחרים לא מומחים, וגם אני לא מומחה בעולם האנליטי. אבל אני רוצה לדעת להשתמש בכלים ואם הם לא מונגשים אזי אין סיכוי שאתקרב לנושא כלל.

רונן מאירי: יש פה איזושהי טעות קונספטואלית, שכשבאים ואומרים, "רוצים להנגיש", וחושבים להנגיש לכל בעל תפקיד בארגון ולכל טלפן במוקד. גם באקסל לא כולם מתמצאים. קחו ארגון כלשהו, לא כל האנשים במשרד יודעים להפעיל אקסל, וחלקם יודעים רק ברמה הכי בסיסית, פחות או יותר, לעצב טבלה. אני חושב שתוכלו לזהות בארגונים את "גיבורי הנתונים", Data Heroes, האנשים שמבינים איך באמצעות הנתונים במחסן והידע האישי שיש להם על הבעיה הספציפית שבאחריותם, שהם יכולים לייצר פתרונות הרבה יותר טובים באמצעות אנליטיקה. אתן לכם דוגמה שאמר לי לקוח בארצות הברית: "כולם מבינים שהיום התחום של Predictive Analytics הולך לשנות את האסטרטגיה של החברה. אי אפשר לתת מענה כל התהליכים האנליטיים שחשובים לאסטרטגיה רק באמצעות הדאטה סיינטיסט. פשוט אין לו מספיק זמן. השלב הסופי של האינטראקציה שלך תאלץ לעשות עם מנהלי העסקים, כי הם המשתמשים p1530212הסופיים שלך". הוכחנו להם שהפתרון "האוטומטי" יכול לייצר מודל חיזוי "של חובבנים", שאינו נופל ברמתו ממודל חיזוי שיעשה דאטה סיינטיסט. כמובן, בהנחה שיש להם איזשהו מומחה עסקי שמבין את הבעיה מנקודת השקפה תפעולית, והוא יכול להגדיר את הדאטה הרלוונטית.

יהודה אלידע: כלומר, הוא לא אנליטיקן, אבל הוא מבין מה הוא צריך לבדוק כדי להבין מה חווה הארגון.

רונן מאירי: זה קיים בארגון בהרבה מאוד רמות, בהרבה מאוד מחלקות. אתה יכול לבוא ולהנגיש היום את המודלים הכי מתקדמים, לשים אותם לשימוש עצמי ברמה המחלקתית, ועם זה לעשות Scale Up כאשר יש לך משאבי מומחה אנליזה.

איתן צוויג:  זה לא ריאלי. בארגון רציני יש דאטה סיינטיסט, שבאחריותו המודל שעל פיו העסק מתנהל. את המודל הזה יפעיל מישהו במחלקה העסקית הרלוונטית וימצה אותו בצורה יותר קלה, אבל אף אחד לא ישאיר את האחריות בנושא קריטי כל כך למי שלא מומחה. תחפש אוטומציה בתהליכי נתינת האשראי. כולנו מתעסקים בזה היום, לחלק כסף אוטומטית בלי להפסיד.

נמרוד מילוא:  אני לגמרי מסכים עם האמירה, שהמפתח לאנליזה אפקטיבית הוא שאילת שאלות רלוונטיות. המודל העסקי שלנו, הוא Data Science as a Service, ארגונית אנחנו שייכים למחלקת IT, ואנחנו עובדים בעיקר עם יחידות עסקיות בארגון, אבל גם עם לקוחות חיצוניים. גילינו שהחלק הכי חשוב בפאזל הוא שלב שאילת השאלות ובחינתן מול הנתונים. התברר שזה משחק פינג-פונג. לשחק פינג-פונג מול מקבלי ההחלטות ומומחי הדאטה ביחד, משום שאנחנו p1530229חייבים אותם בתוך התהליך. לגבי העניין הזה של ההנגשה. קיימות דרגות שונות של הנגשה אך למרות שכבודה במקומו מונח, היא טובה בעיקר לדברים שלא יבדילו את החברות בשלב השאלה הזהה. במענה לדברים המסובכים, להסתברויות הקשות, שאנחנו חיים איתן בעולם הזה. כל מודל חיזוי בסיסי שניקח יתן לנו תוחלת כישלון של דיסק קשיח עם כ-99.9999 אחוזי אמינות בכל יום נתון. נפלא, נתון מעולה. אבל כשתשים אותו על מכונה בפועל, על מוצר של מיליון וחצי דולר, זה לא יעבוד טוב. למה? כי הוא חוזה שאף אחד מהדיסקים לא יכשל. הוא אומר לך על הכול על הסתברות – אבל לא כלום על מניעת כשלים. ההנגשה הזאת טובה, ונכון שהיא מביאה את האנליטיקה להמון משתמשים, אבל הכי טוב, שהיא שגרירה של רצון טוב. בזכותה יותר אנשים יאמינו ל-Predictive Modeling. וזה דבר חשוב. אבל זה לא ייעצר כאן, כי אחרי השגת היעד הזה נצטרך לראות איך אנחנו נותנים ערך מוסף חדש. וקיים החוסר במומחים. אנחנו חיים את המחסור בצוות האנליסטים. לעשות גיוס בשבילנו קשה ברמה מטורפת. או שמוצאים אנשים ממש טובים בעניין של הביזנס, או שאנחנו מוצאים אנשים ממש טובים בסטטיסטיקה. קשה למצוא אנשים שטובים בשני העולמות.

צבי ברונר: יש כמה דברים שלא עלו פה בדיון עדיין: א. המקום של דאטה לא מובנה. אולי תגידו שזה לא רלוונטי, אבל זה תחום שגדל וימשיך לגדול. בארץ יש לנו בעיה קטנה עם השפה שלנו. לדוגמה, , ספרות וספרות, נעל ונעל. זו, לכאורה, אותה מילה ובקונטקסט אחר יש לה משמעות שונה לחלוטין. אולי זו השפה, לא רק כלים, אבל זה תחום סופר חשוב, שמאפשר לנו להפיק תובנות ממגוון מקורות. דוגמה מהעולם הדיאגנוסטי, יש סטארט-אפ ישראלי שמחפש בצילומי רנטגן, כדי לחזות אם לאדם ספציפי יתפתח אוסטופורוזיס עוד 20 שנה! זה גם ביג דאטה, סטטיסטיקה של מאות אלפי צילומים, וגם שימוש בדאטה לא מובנה – מידע של תמונה. זו גם דוגמה טובה של ערך אדיר בתחום הזה. מוצרים מתפתחים כאן בקצב מרשים, וצריך לשים לב למוצרים האלה, לא רק למוצרים המבוססים.

p1530169רונן מאירי: מתחוללת מהפכה שאנחנו עדיין לא מבינים אותה. היכולת של ארגונים להגדיר יעד מבוסס חישוב Predictive Analytics לכל פעולה שהם עושים כדי להיות בקשר יותר טוב עם הלקוחות, מובילה למהפכה שלדעתי, עדיין לא מבינים את גודלה. מה שעדיין עוצר אותה הוא הצורך בדאטה סיינטיסט, למרות שהדאטה סיינטיסט חושש שהאוטומציה תיקח לו את העבודה, תמיד ידרשו עוד דאטה סיינטיסט ותמיד יהיה מחסור. 

גבי סיבוני: כפי שציין פה עמיתי בהקשר של הדאטה סיינטיסט, צריך להבין שזו המציאות. יש ג'ובים לאנליסטים ויש דברים שכל אחד צריך לדעת לעשות. דוגמת האקסל הייתה כזאת: כולם יודעים להפעיל אקסל באופן בסיסי, אבל לצורך פעולות מתוחכמות במיוחד נדרשים כבר מומחים יותר רציניים. וככה גם בעולם האנליטי, המומחים תמיד יידרשו, אבל האוטומציה כל הזמן תזיז את האנושות קדימה לשימוש קל יותר.  אביא דוגמה מתלמיד צעיר בקורס פיזיקה 1 באוניברסיטה ששומע את הפרופסור מדבר על משוואות דיפרנציאליות, ואז שולף במפתיע: "היה בבית הספר שלי ילד שנעשה כדורגלן, לא למד חשבון ופיזיקה, ותראו איך הוא מצליח לפתור משוואה דיפרנציאלית במהירות, בלי נייר ועיפרון. איך אני יודע שהוא פתר את המשוואה? כי הוא נגח בכדור שעף אליו והכניס אותו לפינת הקורות." לפעמים, המשוואות הן השפה המגושמת והן שמפריעות לפתור את הבעיה בצורה אינטואיטיבית, לנגוח בכדור בלי לחשוב בכלל. לשם אנחנו צריכים להגיע.

מוטי סדובסקי: לסיום, אני רוצה לשתף בניסיון שיש לי בפרויקטים של ביג דאטה. עד כה לא נתקלתי שחסר כלי לענות על איזשהו צורך. לכל שלב בעבודה יש למעשה יותר מכלי אחד, וביותר מארגז כלים של חברה אחת. שלושת הדברים שבהם אני נתקלתי כאתגרים, במשמעות החיובית, הם:

  1. אנשים. כשאתה בא לאנשים ואומר, רגע, בואו נתחיל לעבוד אחרת, קודם כל הם חושבים איך להעיף אותך מהחדר. היכולת ליצור שינוי באנשים הוא אתגר מאוד גדול.
  2. האתגר השני הוא מידע לקוי. 50 אחוז מעבודת הפרויקט, אני אומר את זה כחוק אצבע, מתבזבזת על שיפור וניפוי המידע הלקוי. ריפוי המידע החסר, הלא זמין, הקובץ עם השגיאות, לנקות את הרישומים, לסדר את המחסן, זה המון עבודה. עברית קשה שפה, זה מה שתמיד אמרנו בפרויקטים, וזה מחמיר כשאנחנו הולכים לתחום של אנליטיקה. כי לא סתם טחנת זבל, אם זבל נכנס, אז יוצא זבל בריבוע.
  3. הנושא השלישי, לדעתי, פחות מאתגר, אבל אנשים מעלים אותו כאתגר וזה נושא הסודיות, מה קורה לעולם האבטחה כאשר הביג דאטה מתחיל לנבור במחסנים. לדעתי, ברגע שהביזנס מוביל משהו, יכול להיות שהסודיות תיפגם בצורה מסוימת. אם אנחנו רוצים למצוא מחבלים, אז מישהו צריך לבדוק את הפרופיל שלנו. היום הביזנס די מנצח בתחום הזה את הנושא של פרטיות, כי הפרט בעצם רוצה שירות יותר טוב.

מאיר עשת: כאן מסתיים זמננו, והכנסת האורחים היפה שקיבלנו ממשרד פרסי צדוק קוצ'יק טריואקס. בשם קוראי המגזין שוב תודה רבה לכולם, ונתראה מעל דפי גיליון ספטמבר של IT מגזין.

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.