הדרך לארגון אג'ילי, חווית משתמש עדכנית והגברת הכשירות הדיגיטלית (DQ) של הארגון ועובדיו, היא דרך רובוטים נוכחים (Attended RPA) אשר מאפשרים לאנשים לעשות את מה שהם הכי טובים בו ומשאירים את העבודה הטכנית לרובוטים.

כותב: גידי מאור, שותף בGIL-CSC ייעוץ אסטרטגי, BDO  בקצרה המידע הארגוני כיום גדל ומגיע ממגוון מקורות, מה שמייצר אתגרים חדשים ביכולת לנהל, לנתח ולמנף אותו, ומעלה את השאלה מה לעשות עם הררי המידע – הביג דאטה - המצטברים בארגון. בעקבות כך, החלו ארגונים שונים בעולם לגבש מהלכים להבניית המידע ובפרט, לגבש אסטרטגיית פעולה שתאפשר לרתום את המידע לצורכי פיתוח עסקי. על פי הערכות במספר ענפים, 10% עד 20% מהחברות כבר עושות שימוש מתוחכם בנתונים ונשענות על ניתוח ביג דאטה לקבלת החלטות, פיתוח מוצרים חדשים ויצירת הכנסות נוספות. השימושים הנפוצים ביותר הם ניתוח פעילות הלקוחות והסקת מסקנות אודות השירות או המכירות, לצד ניתוח למטרות התייעלות ומניעת הונאות. המגמה הנוכחית מצביעה על כך שהנטייה כיצד להשתמש במידע, מושפעת ממידת התחרות והרגולציה בסביבה בה פועל הארגון. התרחבות השימוש בביג דאטה (BIG DATA) כמנוע צמיחה עסקי , מובילה לכך שתהליכים אסטרטגיים דורשים יותר ויותר לקחת בחשבון את קיומו של המידע. בהתאם, עולה שיעור הארגונים שמדברים על גיבוש אסטרטגיית ביג דאטה כנגזרת אופרטיבית לאסטרטגיית החברה. ואכן, אסטרטגיית ביג דאטה מוצלחת דורשת שינוי ב-DNA הארגוני וצריכה להתייחס לגורמים שונים, בראשם: המרת היעדים האסטרטגיים ליוזמות ביג דאטה (Big Data Initiatives), זיהוי פערי מימוש ביחס למצב הארגון, תעדוף היוזמות על פי תרומה ויכולת מימוש, וכמובן תכנית ליישום בפועל. בעוד שאין תשובה ברורה לטיימינג הנכון לגיבוש אסטרטגיית ביג דאטה, מתבהרת התמונה כי מהלכים כאלו, מלאים או חלקיים, יכולים להביא לחיזוק היתרון התחרותי וליצירת מנועי צמיחה חדשים וגמישים יותר לשינויים.   הארגון בעידן נתוני העתק בעידן שבו היקפי המידע גדלים בקצב מסחרר, כל ארגון שואל עצמו מה לעשות עם הררי המידע המצטברים בו – מה שקרוי ביג דאטה (BIG DATA), או "נתוני עתק" בעברית צחה. המידע הארגוני לא רק גדל, הוא גם מגיע ממגוון מקורות שונים, כגון M2M ו-mobile devices - גורם המוסיף למורכבות ולקושי הכרוכים בהתמודדות ובארגון המידע. בעבר התרגלו הארגונים לטפל במידע שנוצר בעיקר בתוך הארגון, מבוסס על מערכות המידע הארגוניות וניתן לניתוח בקלות יחסית. הארגונים נהגו לנתח בעיקר מידע היסטורי והסיקו מסקנות שונות, לרבות ניסיונות לחזות פעילות של לקוחות וספקים. כיום, יותר ויותר מידע מגיע מרשתות חברתיות וטלפונים ניידים או נאסף במרחבי הרשת ומגיע בצורה מבוזרת; הוא מאוחסן במספר מקומות בארגון ומקשה מאוד על קבלת החלטות, ובעיקר על מינוף המידע בכדי לקדם את העסק. אנו רואים גם יותר ויותר שימושים העוסקים בניתוח והסקת מסקנות במידע המתקבל בזמן אמת, מתן מענה מידי לצרכים הנוצרים וניתוח למטרות חיזוי (predictive analysis). החברות המובילות כבר שם האתגרים המתוארים לעיל, הביאו לכך שארגונים שונים בעולם החלו לגבש מהלכים להבניית המידע, ובעיקר לגבש אסטרטגיית פעולה - כיצד להפוך את המידע לתורם לקבלת החלטות ומנוע לצמיחה. ההערכות כיום הן כי במספר ענפים, בהם פיננסים, טכנולוגיות ותקשורת, כ-10%-20% מהחברות כבר מבצעות שימוש חכם בנתוני עתק - ביג דאטה (BIG DATA) - בכדי לקבל החלטות, לפתח מוצרים חדשים ולייצר הכנסות נוספות. נתונים אלו נכונים למדינות המתקדמות בתחומן באירופה וארה"ב. ראוי לציין שכיום מרבית הארגונים עושים שימוש כלשהו במידע לצורךBI  (Business intelligence – "בינה עסקית") או ניתוחים שוטפים - אך רק מעטים מצליחים לנצל את המידע בצורה מתוחכמת יותר, כגון ייצור הכנסות ממוצרים חדשים או ביצוע מהלכי התייעלות מבוססי ניתוח ביג דאטה (BIG DATA). שימושים מתוחכמים נפוצים בקרב הארגונים העושים שימוש מתוחכם בניתוח ביג דאטה (BIG DATA), השימוש הנפוץ ביותר הוא לניתוח הפעילות של הלקוחות והסקת מסקנות הקשורות למכירות או שירות לקוחות. שימושים נפוצים נוספים הם ניתוח ביג דאטה למטרות התייעלות ומניעת הונאות. ארגונים בתחום הפיננסי, למשל, יכולים לזהות הרגלי שימוש בכרטיסי אשראי, על מנת לזהות את מאפייני הצריכה, ולספק הצעות ערך המותאמות אישית לכל משתמש; ארגונים יצרנים, יכולים לזהות פעילות חריגה בקווי הייצור, על מנת לחזות תקלות או פגיעה באיכות המוצרים, וליזום בהתאם מהלכי תחזוקה מונעת. ככלל, ניכרת מגמה שארגונים הנמצאים בסביבה תחרותית מתונה אך עם רגולציה גבוהה ייטו לפתח אסטרטגיות לשימוש במידע בעיקר למניעת הונאות וציות (למשל, בתי חולים); בעוד שארגונים הפועלים בסביבה תחרותית מאוד עם רגולציה מקלה יחסית, ייטו להשתמש במידע לפיתוח חווית הלקוח, מתן השירות ופיתוח מוצרים חדשים (למשל, חברות בתחום הקמעונאות). פיתוח עסקי באמצעות ביג דאטה (BIG DATA) עידן הביג דאטה (BIG DATA) מציב אתגרים רבים בשלבי התכנון האסטרטגי ופיתוח העסקים של החברה. כמויות המידע, ביזורו בארגון וזמינותו הופכים לנכס מהותי שרבים מהארגונים לא יודעים כיצד לנצל. תהליכים אסטרטגיים ידרשו יותר ויותר לקחת בחשבון את קיומו של המידע, הן בשלבי ניתוח החברה ויכולותיה, שלב הבנת הסביבה העסקית (למשל, ניתוח מידע המתקבל מרשתות חברתיות), והן בהחלטות עסקיות מהותיות, כמו פיתוח מוצרים ושירותים חדשים, הגדרת הבידול התחרותי ובחירת ההערכות העסקיות לשנים הבאות. יותר ויותר ארגונים מדברים כיום על גיבוש אסטרטגיית ביג דאטה שהינה הנגזרת האופרטיבית לאסטרטגיית החברה, ומגדירה את הערכות החברה למינוף המידע שברשותה ותמיכתו ביעדים האסטרטגיים (פיתוח מנועי צמיחה, התייעלות, שירות לקוחות ועוד) אסטרטגיית ביג דאטה מוצלחת אסטרטגיית ביג דאטה (BIG DATA) מוצלחת צריכה לקחת בחשבון גורמים כגון: המרת היעדים האסטרטגיים לרשימת יוזמות ביג דאטה (Big Data Initiatives) מיפוי תמונת המצב בארגון: נכסי הנתונים, אנשי מפתח בתהליך וכיו"ב זיהוי הפערים למימוש היוזמות (Initiatives) תעדוף היוזמות לפי תרומתן ((Benefits והיכולת ליישם אותן (Feasibility) בניית תכנית ליישום תוך שימת דגש על שלושה ממדים עיקריים - השלמת יכולות, גיבוש מדיניות, וניהול השינוי. ארגונים שואלים את עצמם מתי נכון לגבש אסטרטגיית ביג דאטה (BIG DATA), אולם על כך אין תשובה ברורה. ישנם ארגונים שיעדיפו להתחיל במימוש פשוט יחסית של ביג דאטה, לצורך מוניטיזציה של המידע הקיים או למהלך של התייעלות. אחרים יסברו כי נדרש מהלך מובנה יותר  וגיבוש אסטרטגיית ביג דאטה שלמה לפני שמתחילים לפעול. ככול שעובר הזמן מתבהרת יותר ויותר התמונה כי מהלכי אסטרטגיית ביג דאטה (BIG DATA STRATEGY), מלאים או חלקיים, יכולים להביא לחיזוק היתרון התחרותי של החברות, למצב עצמן כחדשניות, לייצר מנועי צמיחה חדשים ולהיערך מהר יותר ברמה התפעולית לשינויים בשוק. יישום מוצלח מחייב קביעת מטרות ברורות ושינוי ב-DNA הארגוני (מ-Data usage ל-  Data Driven Organization), אך זה שווה את זה. הביג דאטה כאן להישאר ומי שיקדים למנף את המידע ולגבש הערכות עסקית בצורה מושכלת - ישיג יתרון תחרותי על מתחריו; מאידך, ארגונים שלא יאמצו אסטרטגיה הכוללת ניהול ומינוף ביג דאטה (BIG DATA) יישארו מאחור.       צרו קשר עם המומחים שלנו>

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: חשיפת ידע חדש (Knowledge Discovery) – זיהוי תהליכים ותופעות שאנחנו לא מודעים להם. זיהוי דפוסים (Patterns Recognition) – איתור דפוסים ספציפיים (מוגדרים מראש) בתוך עולם הנתונים. חיזוי (Predictive Analysis) – מענה על השאלה "מה צפוי לקרות בעתיד?", בהינתן כל המידע שיש בידנו היום. 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 שלBain & 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: 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. הניתוח של המידע וחילוץ תובנות ממנו מתבסס על למידה סטטיסטית (או למידת מכונה) ולאו דווקא על תחקור נתונים "לינארי". מדע הנתונים מאפשר לנו ללמוד על מה שצפוי לקרות (בהינתן אוסף המידע שמצוי בידנו כיום) ולא רק להבין בדיעבד מה קרה לנו בארגון. מדע הנתונים מסייע לנו לחשוף קשרים, סיבות ומאפיינים (או דפוסים) של תופעות, שלא תמיד נוכל לראות במערכת BI "רגילה". 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

כותב: איתי חזן, Chief Data Officer, ויזה כאל  בקצרה את השיעור הראשון על בנייה נכונה של אסטרטגיית דאטה למדתי בשנת 1981, כאשר הפועל תל אביב לקחה אליפות . בשנים הבאות, לאורך הקריירה המקצועית שלי, הבנתי עד כמה משמעותי הפוטנציאל בהבנה ושימוש מיטבי במידע, והופתעתי לגלות על כמה גיבוש אסטרטגיית דאטה מוצלחת דומה לאסטרטגיה של קבוצת כדורגל מנצחת – גם אסטרטגיית דאטה בנויה משלושה רבדים סימביוטיים ובעלי תפקידים מובחנים, שכאשר יש איזון ביניהם מתקבלת אסטרטגיה מבודלת ומנצחת. חולית ההגנה: משילות דאטה (Data Governance) הגדרות "עשה ואל תעשה", פירוט מקורות המידע ואמינותם, אבטחת מידע וכדו'; גיבוש אמת ארגונית אחת וסיוע בעמידה בהוראות החוק והרגולציה. חוליית הקישור: מינוף דאטה (Data Leverage) מודלים מתקדמים, מערכי ניבוי מורכבים, דשבורדים ניהוליים לקבלת החלטות וכדו'; הנעת הארגון והביצועים העסקיים, שכלול ודיוק קבלת ההחלטות, ומקסום הערך העסקי מהדאטה. חוליית ההתקפה: מסחור דאטה (Data Monetization) פיתוח מוצרים מבוססי דאטה, שיתוף הדאטה הקיים עם גופים נוספים, מכירת תובנות וכדו'; פיתוח אפיקים עסקיים חדשים על בסיס דאטה קיים ועתידי. רובד זה הוא "הכוכב העולה" בניהול וניתוח הדאטה. חשוב להדגיש כי אסטרטגיית דאטה צריכה לבוא כנגזרת של אסטרטגיית החברה ואין נוסחה אחת לפתרונה - האסטרטגיה צריכה לשלב את שלושת הרבדים באופן מושכל התואם את ענף הפעילות, הוראות הרגולציה, ניהול הסיכונים והיעדים העסקיים של הארגון באופן ספציפי.   השיעור הראשון שלי על אסטרטגיית דאטה 16 במאי 1981, אצטדיון בלומפילד, יפו, הפועל תל אביב בכדורגל מארחת את מכבי פתח תקווה במחזור שלפני האחרון. אבא שלי, אני ועוד 20,000 צופים ממלאים את היציעים על מנת לעודד את הפועל תל אביב במשחק שאמור להבטיח את האליפות לעונת הכדורגל 1980/81, לאחר 12 שנים שחונות ללא תארים. מזג האוויר נפלא, הקהל כולו בהתרגשות, המון צעיפים, חולצות, בלונים, הצבע האדום שולט ביציעים. המון קריאות עידוד מכל עבר, "יאללה הפועל", "מ-ש-ה ס-י-נ-י" ו"מנצ'סטר באנגליה, הפועל בישראל – היידה הפועל". מי היה מאמין שאחד מהזיכרונות הראשונים שלי, יהפוך להיות השיעור הראשון שלי בחיים לבנייה נכונה של אסטרטגיית דאטה. המשחק מתחיל בסערה, האווירה המחשמלת נותנת את אותותיה, השחקנים באדום מזנקים על כל כדור, ואז מתחיל המהלך לו כולם ציפו. יעקב אקהויז, שחקן ההגנה של האדומים, מחלץ כדור נפלא ומעביר אותו לשחקן הקישור הצעיר והמחונן, משה סיני, שיהפוך בהמשך לאליל ילדותי. משה סיני עובר שחקן בקלילות, מעיף מבט חטוף לכיוון רחבת היריב ושולח כדור מדויק לכיוונו של שחקן ההתקפה, שבתאי לוי, שממשיך בבעיטה חזקה לפינת השער ו...ש-ע-ר !!!! 0:1 להפועל תל אביב. הקהל בעננים, הרעש מחריש אוזניים, האצטדיון רועד מעוצמת הקפיצות של האוהדים על הטריבונות הקרות והאפורות. המשחק מסתיים בניצחון משכנע, 1:5 להפועל תל אביב; זהו, אפשר להירגע, יש אליפות. הקהל פורץ למגרש, שובר את השערים, כמיטב המסורת, ועל הכתפיים של האוהדים בולט דוביד שווייצר, המאמן שעומד מאחורי הקבוצה המרגשת הזו, הפותחת עשור של תארים והצלחות. לגעת בדאטה אחרי השיעור הראשון שלי על אסטרטגיית דאטה ולמעשה לאורך כל הקריירה המקצועית שלי "נגעתי" בדאטה. בניית מודלים, דשבורדים, תחזיות, מדדים, אמת ארגונית ועוד, הפכו להיות שגרת יומי ועבודתי. דאטה הפך להיות המנוע שמרגש אותי כל בוקר מחדש, ונותן לי את היכולת לתרום, להשפיע ולהיות משמעותי בארגונים בהם עבדתי. עם השנים הבנתי שהדאטה נחלק לשני מימדים מרכזיים: הראשון בחלוקה שבין מידע פנימי למידע חיצוני, והשני בחלוקה שבין מידע מובנה לזה שאינו מובנה. ממחקר שבוצע אשתקד ע"י בית הספר למנהל עסקים הרווארד עולה כי ארגונים עושים שימוש רק בעשרים אחוזים מהמידע המובנה ואף פחות מאחד אחוז (!) מהמידע שאינו מובנה. המסקנה המתבקשת היא שקיים פוטנציאל משמעותי בהבנה ובשימוש מיטבי של סוגי המידע, ועלינו כמנהלים קיימת החובה להבין את סוגי הדאטה, על נגזרותיו, לרבות התועלות המופקות ממנו. כמו קבוצת כדורגל המפתח לבניית אסטרטגיית דאטה נכונה טמון בהבנה של סוגי המידע שעומדים כיום לרשות הארגון, בנגישות למידע חדש, בין אם פנימי או חיצוני, וביכולת להבנות מידע לא מובנה, כך שיוכל לשרת את היעדים האסטרטגיים של הארגון. ההבנה של מימדי המידע מאפשרת לנו לגבש את אסטרטגיית הדאטה של הארגון, כאשר גיבוש שכזה, לדעתי, דומה באופן מפתיע לאסטרטגיה של קבוצת כדורגל. כשניגשתי לגבש אסטרטגיית הדאטה לארגון בו אני עובד היום, ניסיתי "להיכנס" לראש של המאמן האגדי, דוביד שווייצר, ולהבין איך בנה קבוצה מנצחת. אסטרטגיית דאטה, בדיוק כמו קבוצת כדורגל, בנויה משלושה רבדים סימביוטיים: משילות הדאטה (Data Governance), מינוף הדאטה (Data Leverage) ומיסחור הדאטה (Data Monetization). ישנו תפקיד ברור לכל רובד כאשר איזון נכון ביניהם יוביל לאסטרטגיית דאטה ייחודית, מבודלת והכי חשוב מנצחת. משילות דאטה (Data Governance) משילות הדאטה (Data Governance) מתפקדת כחולית ההגנה של הארגון כאשר בין הרכיבים המרכזיים שבה, ניתן למצוא את הגדרות "עשה ואל תעשה" עם דאטה, פירוט מקורות המידע, מידת מהימנותם, האחראים על כל שדה מידע, הרשאות, אבטחת מידע ועוד. התפקיד המרכזי של רובד זה הוא לשמור על הארגון, הן פנימית והן חיצונית, כאשר שימוש מושכל ונכון ברכיבים אלו יסייע בגיבוש אמת ארגונית אחת לצרכים פנימיים ויסייע בעמידה בהוראות חוק ותקנות של הרגולטור הרלוונטי. חשוב להדגיש שקיימת שונות מהותית בין הרגולטורים השונים ולפיכך בעת בניית אסטרטגייתדאטה עלינו להתאים את מידת העשייה ברובד זה לאופי וענף הפעילות של החברה. מינוף דאטה (Data Leverage) מינוף דאטה (Data Leverage) כולל את מגוון השימושים שתפקידם להניע את הארגון, ההחלטות והביצועים העסקיים. רובד זה מהווה את חוליית הקישור בתוך אסטרטגיית הדאטה של הארגון ומורכב, בדרך כלל, משימוש במודלים מתקדמים, דשבורדים ניהוליים לתמיכה בקבלת החלטות, מערכי ניבוי מורכבים, סט מדדים ויעדים חוצי-ארגון, ועוד. לדעתי, כאשר מובילים אסטרטגיית דאטה מרבית המאמצים והמשאבים צריכים להיות מופנים לרובד זה, משום שחשוב להבין שהנהלות מעוניינות, קודם כל, לראות איך שימוש מושכל בדאטה "תורם לשורה התחתונה". פעולות אלו יקדמו החלטות עסקיות מדויקות ומהירות יותר, יובילו למיקוד בעיקר וימקסמו את הערך העסקי של הדאטה לקווי הפעילות הקיימים של החברה. מסחור דאטה (Data Monetization) מסחור דאטה (Data Monetization) הינו רובד צעיר יחסית ומהווה את הכוכב החדש של עולם הדאטה. רובד זה מהווה את חוליית ההתקפה של אסטרטגיית דאטה וכולל פיתוח מוצרים מבוססי דאטה, מכירה אפשרית של תובנות,  שיתוף גופים נוספים בדאטה הקיים ועוד. היכולת לייצר קו פעילות חדש לחברה מלהיבה הנהלות, בדיוק כמו שהכדורגלן הטוב ביותר בעולם, ליונל מסי, מלהיב כל אוהד כדורגל בעולם. יותר ויותר חברות מתחילות ליישם מהלכים ברובד זה ומשקיעות מאמצים על מנת לבחון התכנות בגיבוש ופיתוח קו עסקים חדש המבוסס על הדאטה הקיים והעתידי. נגזרת של אסטרטגיית החברה אסטרטגיית דאטה הינה נגזרת של התוכנית האסטרטגית של החברה ואמורה לשלב את שלושת הרבדים לעיל תוך שילוב מושכל של התאמות לענף הפעילות של החברה, הוראות הרגולציה, התיאבון לסיכון והיעדים העסקיים. אין אסטרטגיה "נכונה" ולא קיים "מתכון קשיח" להרכבת אסטרטגיה שכזו – כל חברה והמתכון שלה, כל ארגון והשאיפות שלו. יחד עם זאת, חשוב להעמיק בכל רובד ורובד, ולהבין את המשמעויות הנגזרות והוויתורים הנובעים מהתמקדות ברובד אחד על פני האחר. ולסיום, גם דאטה, כמו הכדורגל, הופך מודרני יותר ומשתנה לנגד עינינו. אם בעבר המיקוד ועיקר ההתרגשות היה בחוליית הקישור (Data Leverage) עם שחקנים כמו משה סיני, אורי מלמיליאן, אייל ברקוביץ', מישל פלטיני ודייגו ארמנדו מרדונה, הרי שכיום, עיקר ההתרגשות מגיעה דווקא מחוליית ההתקפה (Data Monetization) עם שחקנים כדוגמת ליונל מסי, כריסטיאנו רונאלדו, זלאטן איברהימוביץ', ניימאר ומוחמד סלאח.   צרו קשר עם המומחים שלנו >

כולנו שומעים השקם והערב על Big Data, אינטליגנציה מלכותית, טרנספורמציה דיגיטאלית, מודלים חכמים לקבלת החלטות, שיווק , מכירות, תפעול וכד'. ייתכן וגם נתקלנו מדי פעם במאמר או אמירה או מחקר הטוענים שארגונים בעלי יכולות גבוהות בתחום השימוש באנליטיקה מתקדמת הנם גם ארגונים בעלי יכולת תחרותית עדיפה בענף בו הם פועלים. כשאנו מסתכלים על חברות וארגונים מתקדמים וחכמים בסביבה הקרובה לנו, ייתכן ובמקרים רבים אנו גם רואים שארגונים אלה משקיעים מאמץ משמעותי בפיתוח ואימוץ גישות וטכנולוגיות חדשות כדי להיות חכמים יותר בשימוש בנתונים לטובת שיפור כושר התחרות והניהול שלהם (לדוגמא – הבנקים הגדולים בישראל שהקימו יחידות מו"פ גדולות בתחום ומשתפים פעולה על סטארטאפים). העובדות והמציאות סביבנו מוכיחות שבעידן הנוכחי הארגון לא יכול להרשות לעצמו להישאר מאחור כי הכל משתנה מסביב במהירות וחדשנות היא היום שם המשחק בכל תחומי הכלכלה.   איך מתחילים? האם יש לנו את הנתונים הנדרשים? האם הם זמינים ונגישים? האם אנחנו יודעים להגדיר שאלות עסקיות שניתן לפתח סביבן יכולות ופתרונות אנליטיים ? האם יש לנו את האנשים המתאימים? מה נדרש מהארגון כדי להיכנס לתחום? מה ניתן לצפות להשיג? כמה השקעה תידרש?   אם הארגון שואל את עצמו את השאלות הללו זהו סימן ש: הוא זיהה את הצורך האסטרטגי להשתנות ולהפוך ל Data Driven אי הוודאות וההתלבטויות סביב נקודת הכניסה והמחסור בידע פנימי וניסיון מתאים כנראה מרתיעים אותו מלעשות את הצעד הראשון.   במקרה הזה הארגון נמצא בנקודת הזמן המתאימה ביותר כדי להיכנס לתהליך של תכנון אסטרטגיית נתונים ואנליטיקה מתקדמת וגיבוש תכנית פעולה ל- Data Driven Transformation.      צור קשר עם המומחים שלנו

אילו אתגרים עסקיים, ניהוליים ותפעוליים אפשר לפתור באמצעות יישומי אנליטיקה מתקדמת? למי זה מתאים: כל ארגון אשר מתמודד עם סוגיות של מורכבות, אי וודאות, ריבוי של תהליכים, לקוחות, ספקים, שווקים וסביבת תחרות משתנים והשפעות חיצוניות שקשה להבין ולחזות. כלי ההחלטה הזמינים לארגון (בכל הרמות והפונקציות) אינם מספקים ו/או שההחלטות מתקבלות יותר על בסיס תחושות, אינטואיציות וניסיון ופחות על עובדות ומתודות החלטה סדורות. הארגון ומנהליו סקרנים ביחס  לחדשנות ומגלים פתיחות לשינויים.  ולבסוף, לארגון מערכות מידע שאוספות נתונים על הפעילות ברבדיה השונים (כגון מערכות CRM ומכירות, מערכות ERP והנהח"ש, רישום עסקות, ניהול מלאים וכד'), גם אם אין אינטגרציה מלאה בין מערכות אלה.   האתגרים שניתן לפתור באמצעות יישומי אנליטיקה מתקדמת מודלים אנליטיים מתקדמים לחיזוי וחילוץ ידע ממידע משמשים כיום ארגונים מכל הסוגים ולכל הפונקציות העסקיות והארגוניות. הנה כמה דוגמאות:   שיווק ומכירות מודלים אנליטיים ממומשים בתוך תהליכי מכירה בכדי לחולל המלצות באשר להצעות הרלוונטיות שכדאי להציע ללקוח (מה להציע, למי ומתי?). מודלים אנליטיים חוזים רגישות של לקוחות לשינויים במחירים בכדי לתת בידי הארגון כלי החלטה טובים יותר לתמחור מוצריו או שירותיו. מודלים אנליטיים לומדים מניסיונות מכירה בעבר את ומזהים פרמטרים בעלי השפעה משמעותית על סיכוי ההצלחה של מכירה  (למשל גילו שבנסיבות מסוימות מכירות במחצית השנייה של השבוע מגדילות את הסיכוי לבצע מכירה). סיווגים חכמים של לקוחות לקבוצות ואף לפרטים מאפשרים פרסונליזציה של הצעת הערך, ועוד.   גילוי הונאות וניהול סיכונים מודלים שממוקדים בזיהוי חריגה מדפיסים שכיחים של התנהגויות (של עובדים, לקוחות, ספקים, תנועות במערכות מידע, באתרי אינטרנט ועוד) מסייעים לארגונים לזהות מוקדם ואף להתריע מראש על סיכון לפעולות לא לגיטימיות והונאות. מודלים אחרים מאפשרים לייצר מרחב של סימולציות מבוססות למידה סטטיסטית בכדי לשפר את אמידת הסיכונים האמיתיים בפעילות הפיננסית של הארגון. שימוש שכיח נוסף הוא במודלים לדירוג סיכוני אשראי במסגרת תהליכי חיתום במוסדות פיננסיים וחברות אחרות שנותנות אשראי ללקוחות כחלק משמעותי במהלך העסקים הרגיל שלהם (למשל – חברות ליסינג לכלי רכב, חברות בנייה למסחר ולתעשייה ועוד).   שיפור התפעול בעולם התפעול והייצור מתרחב השימוש באנליטיקה מתקדמת למגוון גדול של סוגיות. למשל, איסוף מידע מחיישינים בפס הייצור על מנת לפתח מודלים שמנבאים תקלות ומאפשרים טיפול מונע בזמן (תחום שנקרא Predictive Maintenance). שימוש אחר בשיטות אנליטיות מאפשר לארגונים לזהות בצורה מהירה ויעילה אזורי חוסר יעילות בתהליכים בארגון ולאפשר כיוון אפקטיבי של מאמצי השיפור לטובת חיסכון העלויות והגדלת האפקטיביות התפעולית.   שימור לקוחות, שביעות רצון ומסע לקוח מודלים אנליטיים משולבים בשיטות איסוף מידע מלקוחות מסייעים לארגון לזהות  מוקדם איתותים לנטישת לקוחות. ניתוח של התנהגות לקוחות, דפוסי רכישה ומענה לסקרים מסייעים לזהות שינויים בסנטימנט של הלקוחות ביחס למוצרים, לשירותים ולמותג. איסוף מידע ואנליטיקה מתקדמת מסייעים לחברות לשפר את חווית הלקוח בעת האינטרציה עם הארגון , לזהות ולהתאים מסעות לקוח ייעודיים לפי צרכי לקוחות והעדפות משתנים וכד'.   משאבי אנוש איסוף וניתוח מידע ביחס לעובדים ולמועמדים לעבודה בארגון באמצעות מודלים מתקדמים מסייעים לארגונים לשפר את תהליך הגיוס (להפחית טעויות בגיוס משני הסוגים), לשמר עובדים קריטיים ולהתריע מראש מפני סיכוני עזיבה של אנשי מפתח, לשפר שיטות תגמול לטובת שיפור האפקטיביות של השפעת התגמול על הביצועים, לשפר את שיטות הערכת העובדים וסוגיות נוספות בתחום.    צור קשר עם המומחים שלנו

Data Science (מדע הנתונים) הנו תחום ידע וטכנולוגיה סטטיסטית המאפשר פיתוח של מודלים אנליטיים מתקדמים מבוססי אלגוריתמים וזאת לצורך למידה, חקירה, גילוי ידע, חשיפת דפוסים וחיזוי של תופעות ותהליכים בליבת העסקים, התפעול וקבלת ההחלטות בארגון. לצורך כך מדען הנתונים יסייע לארגון בזיהוי אתגרים ארגוניים ועסקיים, תרגומם לכדי שאלת מחקר מוגדרת היטב, יאתר מקורות מידע רלוונטיים, יטפל במידע ויבצע העשרה ממקורות נוספים, יבצע חישובים ויפעיל שיטות למידת מכונה עד לקבלת המודל המיטבי לשאלת המחקר שהוגדרה. שימוש בתוצרים של מודלים אנליטיים לצורך קבלת החלטות ופעולות בארגון ייתן לארגון, מנהליו ועובדיו כלים שאין ברשותו כיום, יפחית תלויות באנשי מפתח וידע ייחודי, יפחית השפעות של הטיות אנושיות וישפר קבלת החלטות תוך השגת שיתוף ושקיפות ארגונית. עולם מדע הנתונים ויישומיו הרבים הנו מחולל חדשנות מרכזי במרבית הארגונים והתעשיות בעולם אולם בקרב רבים חסרה הבנה של התחום והאפשרויות הגלומות בו עבור הארגון אותו הם מנהלים . מושגים רבים למעשה עוסקים מנקודות מבט שונות באותו רעיון – שימוש בנתונים ומידע בלתי מובנה לצורך חילוץ תובנות חדשות לארגון, לקבלת החלטות ולשימוש בתהליכים שונים. מושגים כגון Big Data, אינטליגנציה מלכותית (AI), למידת מכונה (Machine Learning) , למידה עמוקה (Deep Learning ) , חיזוי (Predictive Analytics), Data/Insight Driven Organization ועוד.   אין זה משנה מהו המושג בו משתמשים, הרעיון המרכזי הנו תמיד הצורך להפיק ידע חדש ומענה חדשני לסוגיות המאתגרות את הארגון וזאת בהתבסס על עובדות ומתודות סדורות לניתוח, עיבוד, הסקת מסקנות ויצירת "תוצרי מידע" (Data Products) שיקדמו וישפרו את יכולתו של הארגון להתמודד ולהוביל בעולם דיגיטאלי משתנה.