מאמרים:

ביג דאטה ומדע הנתונים בארגון: מה, למה ואיך?

27 מאי 2018

בקצרה

ביג דאטה ואנליטיקה מתקדמת מייצרות הזדמנויות חדשות לכל סוגי הארגונים. מחקר שערכה חברת Bain & Company אף מצא כי חברות שאימצו מדע הנתונים כמקור לחדשנות עסקית וארגונית, הצליחו להגיע לצמיחה גבוהה יותר בשווי השוק שלהן לעומת חברות מובילות מתחומן באותה התקופה. אך לצד היתרון הברור באימוץ אסטרטגיית ביג דאטה וניתוח נתונים מתקדם – ברור גם האיום על מי שיתמהמה בכך.

אחת הדרכים הנפוצות ביותר לשימוש בנתונים לצורך קבלת החלטות עסקיות, היא ה-(BI- Business Intelligence). אולם גישת ה-BI לניתוח הנתונים היא בעיקרה גישת "מלמעלה למטה" הנשענת על הנחות יסוד מקדימות. מדע הנתונים משלים את ה-BI, בעצם כך שגישתו לפתרון בעיות שונה במספר רבדים חשובים, בראשם למידה על המציאות מתוך הנתונים וללא הנחות יסוד מגבילות ("מלמטה למעלה") ולמידה על מה שצפוי לקרות בעתיד (ולא רק הסקת מסקנות בדיעבד).

מעבר לכך, גישות מדע הנתונים ואסטרטגיות ביג דאטה מספקות מענה ל-4 סוגים עיקריים של שאלות עסקיות חשובות:

  1. חשיפת ידע חדש (Knowledge Discovery) – זיהוי תהליכים ותופעות שאנחנו לא מודעים להם.
  2. זיהוי דפוסים (Patterns Recognition) – איתור דפוסים ספציפיים (מוגדרים מראש) בתוך עולם הנתונים.
  3. חיזוי (Predictive Analysis) – מענה על השאלה "מה צפוי לקרות בעתיד?", בהינתן כל המידע שיש בידנו היום.
  4. מרשם לפעולה (Prescriptive Analysis) - תשובה לשאלה: באיזו פעולה X עליי לנקוט בכדי להשיג את תוצאה Y; איך אנחנו יכולים להשפיע על העתיד באמצעות סט המנופים המצויים בידנו?

עם התפשטות השימוש בניתוח ביג דאטה ושיטות אנליטיות מתקדמות בארגונים, אנו הולכים ומוצאים פתרונות למגוון הולך וגדל של סוגיות עסקיות, ארגוניות וניהוליות, כאשר באופן טבעי נמצאים השימושים הראשונים בעולם הלקוח – שיווק ומכירות; אך לא רק.

ההזדמנויות, כמו גם האיום התחרותי, מבהירים כי השאלה העיקרית היא לא האם הארגון צריך להיכנס לעולם של ניתוח נתונים מתקדם או ביג דאטה - אלא מתי ואיך; כאשר התשובה לשאלה זו צריכה להתייחס ל-4 מאפיינים עיקריים: מורכבות עולם הלקוחות/המוצרים/התהליכים; הסביבה התחרותית או רמת התחרות; מידת אי הוודאות; ורמת הדינמיות או מהירות השינויים בסביבה בה פועל הארגון.  

 

הפוטנציאל באסטרטגיית ביג דאטה

ביג דאטה ואנליטיקה מתקדמת מייצרות הזדמנויות חדשות לכל סוגי הארגונים, אולם רק חלק קטן מהארגונים הללו מצליחים למצות את הפוטנציאל הזה במלואו. הסיבה העיקרית לכך היא  הקושי לשלב את האנשים המתאימים, הכלים, הטכנולוגיות, הנתונים והמיקוד הארגוני הנדרשים. לפיכך, על הארגון לאמץ גישה אסטרטגית ולא רק טכנולוגית לתחום.

אבל מהו אותו פוטנציאל? מחקר שערכה חברתBain & Company  מצא שחברות שאימצו אנליטיקה כמקור לחדשנות עסקית וארגונית, הגדילו את שווי השוק שלהם בשנים 2013 עד 2017 הרבה יותר מחברות מובילות מתחרות בתחום (ראו איור 1).

האיום בהתמהמהות

איך השיגו אותן חברות יתרון על פני המתחרות? באמצעות שיפור היעילות התפעולית, שיפור בחוויית הלקוח ויצירת שינוי מהותי במודל העסקי - בהתבסס על ביג דאטה ואנליטיקה מתקדמת.

המחקר של Bain & Company, כמו רבים אחרים הדומים לו, מבהיר לנו שה-Up Side האפשרי מאימוץ אסטרטגיית ביג דאטה מבוססת אנליטיקה מתקדמת הינו ברור ומוחשי - אבל כך גם האיום על מי שמתמהמה בכניסה לעולם זה. דחיית הדיון וההחלטה על מעבר של הארגון לתפיסה של Data Driven ושימוש מתקדם בנתונים בכל אחד מערוצי הפעולה, עלול להסתיים בהימצאותנו בנחיתות אסטרטגית אל מול המתחרים - שהקדימו למנף את נכסי המידע לשיפור תהליכי השיווק, התפעול, קבלת ההחלטות והניהול בחברה.

בין מדע נתונים לבין BI וניתוח מידע

טכנולוגיות (BI- Business Intelligence) הנן אחת הדרכים הנפוצות ביותר כדי להשתמש בנתונים (בעיקר נתונים מובנים ממערכות המידע של הארגון) לצורך הסקת מסקנות וקבלת החלטות עסקיות. עולם ה-BI מתבסס על ארגון מערכי נתונים ארגוניים בתוך מחסני נתונים, תחקורם והצגתם באופן שמאפשר הבנה של מה שהתרחש בארגון. זאת, בהתבסס על תפיסות מקדימות של אופן פעולת הארגון ודרכי הניתוח הנדרשות לו (לדוגמא – ניתוח רווחיות או מכירות לפי קווי מוצרים, ערוצי שיווק ומכירה, מרכזי רווח, אשכולות של לקוחות וכד'). לפיכך, גישת ה-BI לאנליטיקה של נתונים הנה בעיקרה גישה של Top – Down (מלמעלה למטה), בשונה מגישת מדע הנתונים והניתוח המתקדם של ביג דאטה.

הבדלים חשובים בגישה לפתרון בעיות

ביג דאטה ומדע הנתונים שונים מעולם ה-BI בגישתם לפתרון בעיות, בכמה רבדים חשובים:

  1. הלמידה של הפתרון מתבססת על גישה שהיא במהותה מלמטה למעלה – למידה מתוך הנתונים על המציאות, ללא הנחות יסוד מגבילות באשר לאופן ההתנהגות הצפוי של העולם.
  2. הניתוח של המידע וחילוץ תובנות ממנו מתבסס על למידה סטטיסטית (או למידת מכונה) ולאו דווקא על תחקור נתונים "לינארי".
  3. מדע הנתונים מאפשר לנו ללמוד על מה שצפוי לקרות (בהינתן אוסף המידע שמצוי בידנו כיום) ולא רק להבין בדיעבד מה קרה לנו בארגון.
  4. מדע הנתונים מסייע לנו לחשוף קשרים, סיבות ומאפיינים (או דפוסים) של תופעות, שלא תמיד נוכל לראות במערכת BI "רגילה".
  5. מדע הנתונים מאפשר לנו לבצע ניסויים וסימולציות שמלמדים אותנו על אופן ההתרחשות של תהליכים ועל גורמי סיבה–תוצאה ובכך לתת בידנו "מרשם" טוב יותר באשר לדרך שבה החלטות שניקח עשויות להשפיע על התוצאות שנקבל.

יחד עם זאת, חשוב לזכור שמדע הנתונים, או השימוש המחוכם בניתוחי ביג דאטה, אינו מבטל את הצורך במערכת BI - אלא משלים את היכולות של הארגון לקבל החלטות מבוססת עובדות, בהמשך שרשרת הערך של המידע.

השאלות המרכזיות שמדע הנתונים פותר

ככלל, ניתן לסווג את השאלות שניתן להן מענה באמצעות גישות של ביג דאטה ומדע הנתונים ל-4 סוגים עיקריים:

חשיפת ידע חדש (Knowledge Discovery)

בכל מערך נתונים עשויים להיחבא תהליכים ותופעות שאנו לא מודעים להם. תהליך הגילוי של מידע מסוג זה נקרא "חשיפת ידע". לדוגמא, גילוי קשרים בלתי ידועים בתנועות בין חשבונות, באמצעות ניתוח ביג דאטה גרפי; או גילוי קשרים חזקים בין תהליכים שלכאורה לא אמור להיות בניהם קשר (דוגמא אפשרית - שינוי בהעדפות רכישה של מוצרים בהתאם לתנאי מזג אוויר). התכונות שנגלה באמצעות שיטה זו צריכות להיות תכונות לא ידועות שחבויות בנתונים, אשר חשיפתן הנה בעלת ערך לארגון והן ניתנות להבנה - ולפיכך ניתנות גם לתרגום לפעולה.

זיהוי דפוסים (Patterns Recognition)

זיהוי דפוסים הנו תהליך דומה לתהליך של חשיפת ידע חדש, כאשר השינוי העיקרי הוא בכך שבמקרה זה אנחנו מחפשים דפוסים ספציפיים בתוך עולם הנתונים (בעוד שבחשיפת ידע אנחנו במצב שניתן להגדיר כ"ירייה באפילה").

למשל – חיפוש תכונות שמבדלות קבוצות מסוימות של לקוחות ביחס לקבוצות אחרות, זיהוי מחזוריות ואמידת עוצמתה בתנאי רקע שונים, זיהוי תהליכים חריגים ועוד.

חיזוי (Predictive Analysis)

המשימה החשובה ביותר עבור רוב הארגונים (והמאתגרת ביותר עבור מדען נתונים או אנליסט ביג דאטה) תהיה במענה לשאלה הבאה: בהינתן כל המידע שיש בידנו היום, מה צפוי לקרות בעתיד?

למשל: בהינתן המידע שיש לנו על שוק המניות היום – מה יקרה למדד המניות ב-10 הימים הבאים? בהינתן זמן האספקה והמחירים שאנו נציע, מה הסיכויים שנזכה במכרז? אילו הנחות או מבצעים יגרמו ללקוחות להגדיל את סל הקניות השבועי אצלנו ואת הרווחיות שלנו מהם? בהינתן כל המידע על הלקוח עד לזמן t מה הסיכויים שהלקוח ינטוש אותנו לטובת המתחרים בזמן t+1? וכדומה. 

מרשם לפעולה (Prescriptive Analysis)

בגישה זו אנו מתבקשים לספק למקבל ההחלטות תשובה לשאלה הבאה: באיזו פעולה X עליי לנקוט בכדי להשיג את התוצאה Y. כלומר, ניתוח ביג דאטה במטרה לאתר "מנופי מידע" שיסייעו לנו להשפיע על העתיד ולהשיג תוצאות רצויות. דילמות מסוג זה דומות לבעיות של חיזוי אבל שונות מהן בעיקר בכך שהן לא מתמקדות בשאלה מה יקרה בעתיד בהינתן סט של נתונים ידועים היום - אלא בשאלה איך אנחנו יכולים להשפיע על העתיד באמצעות סט המנופים המצויים בידנו?

לדוגמא – אם במודל של חיזוי נשאל "מה הסתברות של לקוח לנטוש אותנו בתוך X שבועות?" במודל של מרשם נשאל את השאלה "אילו פעולות עשויות להפחית את ההסתברות של לקוח לנטוש אותנו בתוך X שבועות?".

יישומים אפליקטיביים של מדע הנתונים

עם התפשטות השימוש בשיטות אנליטיות מתקדמות בארגונים, אנו הולכים ומוצאים פתרונות למגוון הולך וגדל של סוגיות עסקיות, ארגוניות וניהוליות.

באופן טבעי, השימושים הראשונים בניתוח ביג דאטה מתקדם נמצאים בעולם הלקוח – שיווק ומכירות; בעולם הפיננסי נפוצים גם שימושים בתחום גילוי הונאות וסיכונים; בעולם המכירות וההפצה ננסה לשפר ניהול שרשרות אספקה וניהול מלאי; בתעשיות ותהליכי ייצור נשתמש במידע מחיישנים ורכיבי IOT כדי לחזות ולמנוע תקלות ולתזמן פעולות תחזוקה; בעולם משאבי אנוש נשתמש במידע כדי לשפר תהליכי גיוס, תגמול והערכת עובדים ושימור אנשי מפתח, וכן הלאה.

האם מדע הנתונים מתאים לארגון שלי?

כפי שראינו, שימושים מתקדמים במידע (מובנה ושאינו מובנה – פנימי או חיצוני לארגון) נמצאים בכל תחומי הפעולה של ארגונים. ההזדמנויות שמדע הנתונים ואסטרטגיות ביג דאטה פותחים לארגון, ואף יותר מכך האיום שעלול להתפתח בשל העובדה שמתחרה שלנו הקדים להיכנס לתחום לפנינו - מחייבים כל ארגון לפחות להתחיל בבחינה מעמיקה של צעידה אל תוך עולם זה. השאלה העיקרית איננה האם נצטרך להיכנס לתחום - אלא מתי ואיך; והדחיפות הולכת ועולה בשל המעבר המהיר של ארגונים לעולם הדיגיטלי.

"נייר הלקמוס" להחלטה צריך להתייחס לארבעה מאפיינים עיקריים:

מורכבות – האם עולם הלקוחות/המוצרים/התהליכים שלנו הוא עולם מורכב? אם כן, בהחלט ייתכן ששימוש מתקדם בנתוני החברה ומידע חיצוני משלים עשוי לסייע לנו במענה מהיר, מדויק, רלוונטי ואיכותי יותר לדילמות העסקיות, התפעוליות או הניהוליות עמן אנו נדרשים להתמודד.

תחרות – האם אנו פועלים בסביבה תחרותית, מול מתחרים דומיננטיים, לקוחות חכמים, ספקים יצירתיים ושוק עבודה תוסס? אם כן, בהחלט ייתכן ששימוש מתקדם במידע ושילוב אסטרטגיית ביג דאטה הם המפתח ליצירה או שמירה על יתרון תחרותי.

אי-וודאות – האם אנו מתקשים לקבל החלטות בשל תנאי אי-וודאות בסביבה בה אנו פועלים? האם גורמים שאינם בשליטתנו וקשה לנו לחזות עלולים לשבש את התכניות העסקיות שלנו? אם כן, בהחלט ייתכן ששימוש מתודולוגי בגישות אנליטיות וחקר ביג דאטה ייתנו בידנו כלים טובים יותר ומדויקים יותר לקבלת החלטות בתנאי אי-וודאות.

דינאמיות – האם אנו פועלים בסביבה של שינויים מהירים? אם כן, שימוש במדע הנתונים עשוי לתת בידנו כלים טובים יותר לקבל החלטות מהירות ולהתאים את האסטרטגיה והפעולות שלנו לסביבה המשתנה.

 

צרו קשר עם המומחים שלנו >>


*המאמר מבוסס על הרצאה מכנס Becoming Big in Data, 20 מרץ 2018, BDO ישראל