חיזוי מבוסס מידע הינו המפתח לקבלת החלטות ולהצלחה בכל ארגון. כולם מדברים על Big Data Analytics כעל הפתרון הארגוני הנכון בהפקת ערך מנתונים בעולם הדיגיטלי וקבלת החלטות איכותיות, ואכן נכון הדבר
פורסם: 28.2.18 צילום: יח"צ
בפרויקטים שכאלו, אכן מדובר בשילוב מוצרים לבניית פתרון אינטגרטיבי המתאים לצרכי הארגון. בנוסף, יש לתכנן ולנהל היטב את הפרויקט ולהתחיל מהגדרת "שאלות המחקר" הארגוניות, זיהוי מקורות המידע ואיכותו, בחינת תהליכי העבודה שיתמכו במערכת, ומהו השינוי שיעברו משתמשי המערכת.
לפרויקט Big Data Analytics צריך להיערך ארגונית, "לחשוב בגדול", ולנהל נכון את השלבים השונים. מומלץ במקביל "לחשיבה בגדול" על הפרויקט, גם להתחיל בצעדים קטנים שיתנו תפוקות מידיות (Think big, Start small).
לדוגמא- חיזוי של (Prediction) אנליטי, כנושא בו ניתן להתחיל בביצוע בצעדים קטנים ומהירים וכשלב ראשון של פרויקט ה- Big Data Analytics הארגוני.
מהו חיזוי אנליטי – Predictive Analytics
חיזוי אנליטי מתבסס על "שאלות מחקר" החשובות לארגון, ומיועדות לענות על:
- מה ההסתברות "ששאלת המחקר" אכן תתרחש.
- כמה פעמים "שאלת המחקר" אכן תיקרה.
- מהו הערך העיסקי לארגון בהתממשותה של "שאלת המחקר".
ניקח כדוגמא את הנושא של התאמת אנשי מקצוע לתפקיד.
השאלות תהינה מה ההסתברות שהאדם יצליח בתפקיד המיועד לו? מה הסיכוי שהמועמד יעבור בהצלחה את הקורס? מה יהיה המחיר של אי ההצלחה (בתפקיד או בקורס), וכו'.
חיזוי איכותי ויציב לאורך זמן יש לבנות באמצעות תוכנות סטטיסטיות "לכריית נתונים" (כלי Data Mining) המאפשרים בניית מודל חיזוי המבוסס על מידע הקיים בארגון או מחוצה לו. אם נשתמש בדוגמא הקודמת אזי נלמד מאנשים שעברו בהצלחה קורס או התאימו לתפקיד מהן התכונות הנדרשות מהם להצלחה, ועפ"י מידע היסטורי זה ניבחן מה ההסתברות שמועמד המגיע לקורס או תפקיד אכן יצליח בו.
התוכנות לבניית מודלים לחיזוי מסוגלות לעבוד על כמויות גדולות מאוד של נתונים, ולמצוא קשרים מורכבים שהעין האנושית לא רואה, וכל זאת במהירות רבה ביותר.
דוגמאות לשאלות מחקר בתחום החיזוי
- ההסתברות לביצוע מכירה – מה הסיכוי שאם נציע לאדם מוצר כלשהו, הוא באמת ירכוש אותו. ארגונים המבצעים מכירה באמצעות Call Center לדוגמא, מבקשים להגדיל את סיכויי המכירה, ולכן מתוך מגוון המוצרים של החברה עליהם להציע ללקוח הפוטנציאלי כבר במשפט הראשון את המוצר המתאים לו ביותר, ושיעורר את סקרנותו. הדבר נכון גם בסידור המוצרים בחנות או בחלון הראווה.
- התאמה לתפקיד – מה הסיכוי שמועמד לתפקיד (או לקורס) אכן יתאים לתפקיד ויצליח בו. מודל החיזוי עשוי עפ"י פרופיל המועמד מחד, והמידע ההיסטורי הרב האגור בו מאידך, להציג את רשימת התפקידים המתאימים למועמד, כשהם ממוינים לפי המתאים ביותר ועד הפחות מתאים.
- סיכויי נטישה – מודל חיזוי המסביר את ההסתברות לנטישה של אדם את החברה ממנה הוא מקבל שירות או את התפקיד אותו הוא מבצע. מה ההסתברות שסטודנט או קורסיסט ייטוש את הלימודים באמצע.
- החזר הלוואה – מה ההסתברות שאדם יחזיר את ההלוואה הניתנת לו.
- חיזוי תקלות – מה ההסתברות שתתרחש תקלה בקו הייצור או במכונה או בכלי רכב, וזאת עפ"י ניתוח נתונים שונים הקשורים בתפעול קו הייצור או המכונה כגון עליה בטמפרטורת שמן המנוע, רעש מיוחד, וכו'.
כיצד בונים מודלים לחיזוי
ההתחלה הינה כמו תמיד "בשאלות המחקר" הארגוניות.
ברגע שהארגון מבין את השאלות עליהן הוא מבקש למצוא תשובה, צריך לבחון את הנתונים העומדים לרשותו כבסיס לבניית מודל החיזוי המתאים, ולבנות מודל חיזוי באמצעות כלי "כריית מידע". בשוק קיימות מספר חברות המוכרות תוכנות של "כריית נתונים", וקיימות גם תוכנות "קוד פתוח" (Open Source) כגון "R" הפופולרית.
תהליך בניית מודל חיזוי יציב ואיכותי מתבצע בדר"כ ע"י סטטיסטיקאי או "מדען נתונים" (Data Scientist). קיימים בשוק מוצרי תוכנה חדשניים המאפשרים אוטומטיזציה של בניית המודלים לחיזוי וקיצור ניכר הן של לוח הזמנים לפיתוח המודל והן של עלויות הפיתוח.
* הכותב מוטי סדובסקי הינו חבר נשיאות הלשכה לטכנולוגיות המידע. בוגר ממר"ם, מומחה מידע ומנהל חברה לייעוץ אסטרטגי ופרויקטים בהייטק. DCS – Data Consulting Services
מגזין "סטטוס" מופק ע"י: 
Tags: אסטרטגיה חדשנות טכנולוגיה מעבר לדיגיטל תרבות ארגונית תשואה
