פינג פונג בעולם ה-Big Data

המשתתפים:
דנה פרידמן, ראש ענף BI ופיתוח מודלים בבנק לאומי.
אייל בירן, סגן וממלא מקום ראש החטיבה הבנקאית בבנק לאומי.

אייל, מוכן? אני מגישה כדור ראשון. נתחיל קל: אנליסט או Data Scientist?

אנליסט עוסק בחיתוכי מידע והגשת עובדות מספריות. Data Scientist עוסק בתחקור עומק הסקת מסקנות וגילוי עולמות חדשים על בסיס המידע המובנה. לא סתם מדובר באחת המשרות הנחשקות בשוק העבודה העולמי, עם עתיד ואופק משרה מתגמל. לכן, אני בוודאות בוחר ב-Data Scientist.

מגיש: דש בורדים מרוכזים במטה או Self Service BI?

Self Service BI, ללא ספק. המגמות המקובלות בעולם הדטה כיום הן העברת סמכות ואחריות למשתמשי הקצה. הפחתת התלות של איש המכירות והשירות בשירותי התחקור של מרכז דטה במטה ומתן אפשרות לשליטה עצמית בייצור גרפים התחלתיים, טבלאות השוואה וכיוצא בזה.

מגישה : אנליזה ומידענות או Machine Learning?

אין פה תחליפים. האחד תלוי בשני. אין משהו שווה ערך ליכולת האנליטית האנושית. ניסיון ושיקול דעת הם גורמי מפתח בקבלת ההחלטות הנכונה מתוצרי המידע, אולם היקפי המידע העצומים ומהירות התגובה מחייבים תעדוף תוצרים בעזרת Machine Learning.

מוכנה? מודלי חיזוי סטטיסטיים או טריגרים עסקיים?

זה תלוי בשאלה העסקית. אם אתה מחפש ערך של כן או לא, ניישם רגרסיה לוגיסטית. האם לקוח ינטוש או לא כמודל חיזוי זה דוגמה לכך. אבל אם אתה מחפש ציון, ערך, מספר או תלות בין משתנים, ניישם רגרסיה לינארית. למשל, ערך לקוח עתידי בעוד שלוש שנים. האופציה הכי טובה היא לשלב בין חוק עסקי למודל סטטיסטי, וכך לשפר חיזוי וניבוי.

מחזירה ומגישה: ניתוח טקסט או ניתוח קולי?

אהבתי את התשובה עם התלויות. גם כאן תלוי מה מחפשים. ניתוח קולי ישמש יותר לתובנות של תחושות, זיהוי, שביעות רצון או איתור סיטואציות. ניתוח טקסט ישמש יותר לתובנות בהקשרים. חיזוי נטישה, חיזוי רכישה או ניבוי עתידי. לדוגמה, ניתוח לא מובנה של כל הלקוחות שציינו רכישת דירה כאירוע קרוב בחייהם יכול לשמש להמלצות עבור חברות ביטוח, בנקים למשכנתאות, חברות אשראי ועוד.

מתקדמים, מגבירים קצב. מגיש: מידע מובנה או לא מובנה?

שניהם. חייבים. זהו העולם החדש. עד היום ארגונים הסיקו מסקנות ממידע מובנה – כל המידע שבעצם קיים ברשותם, נתוני לקוחות ופעילותם הרגילה. בעולם של Big Data מתקדם עוסקים בתחקור של מידע לא מובנה: אמירות, תיעוד ידני של סיכומי פגישות, סטטוסים במדיה חברתית, דפוסי גלישה, דפוסי צרכנות, סגנונות חיים… – כל אלה יחד עם מידע מובנה מביאים לתובנות בסגנון 1+1 שווים יותר מ-2.

הנה הגשה מתוחכמת: רכישת רכיבי אנליזה מספקים שונים או סוויטה שלמה מאותו ספק?

שאלה מורכבת. יש הגיון באסטרטגיה אחידה של אותה מערכת על רכיביה, אבל אליה וקוץ בה: אין כיום ספק אחד שמוביל בכל מרכיבי עולם ה-Big Data. אסטרטגיה שלמה כוללת אין ספור כלים ומגוון מוצרים: כלי איסוף מידע, כלי ניטור, מודלים, מערכות קמפיינים, מנועי אופטימיזציה, כלי אחסון, מנועי הפצה, כלי זמן אמת, פלטפורמות הנגשת מידע ושיקוף ביצועים, ועוד. בכל תחום נמצא ספק אחר שמוביל. יתרונות של אחד הינם חולשה של אחר וההיפך. חובה לשלוט באפשרויות ולהתייחס למה רוצים ליצור, מה כבר קיים בארגון, למשמעויות ההטמעה ולרמת האינטגרציה. כך כל אחד יתפור לעצמו חליפת מערכות Big Data מתאימה ואפקטיבית.

מגיש חד לפינה. כדור מהיר: ב-2015 יחלוף טרנד ה-Big Data או שהתופעה תתעצם?

התשובה ברורה. ב-2015 נראה הרחבת תחומי פעילות, הוספת כלים ויצירת עוד מודלים. עולם השירותים סביבנו, בעידן הלקוח הדיגיטלי, האינטרנט של הדברים ופלטפורמת הענן, הולך ומתרחב. המעטפת הזו יוצרת מידע שחייב להיות מתורגם לתובנות עסקיות. אין ספק, אנחנו בתחילת הדרך ומי שלא יהיה שם – לא יהיה קיים.