Big Data בחלקים קטנים פרק ב': המידע הלא מובנה
טור שני בסדרה: הפעם נצלול אל תחום המידע הלא מובנה וננסה לקרוא את המידע המגיע ממקורות המנסים לעזור לנו לקבל תשובות על שאלות כמו: מה יש לנו? מה אנו יודעים? מה נאמר? מה נמצא? מה קיים?
בטור הקודם עסקנו במידע המובנה שקיים בארגון.אותו מידע כללי או אישי שניתן לשליפה בנקל. הזכרנו שבמידע הזה עוסקים רוב חלקי הארגון דנים בו מנתחים אותו בשוטף ומקבלים החלטות לפיו.
הפעם נתקדם למימד יותר מורכב בעולם המידע. חייבים לזכור שמטרתנו ברורה בשלב הזה ואנו עוסקים בצעד הראשון בעולם ה-Big Data, שמהותו העשרת מקורות המידע, כולל אגירת מידע בעל ערך שיוכל בניתוח נכון להביא לתובנות ולידע עסקי.
לכן, מעבר למידע המובנה, הקיים בחזקת הארגון, יש להכיר גם את המידע הלא מובנה, The Unstructured Data. עדיין מדובר במידע כללי או אישי, אך כזה שלא ניתן לשליפה בנקל אלא מצריך עיבודים, חקירה ולמידה. כאן הדברים כבר אינם אוטומטיים בלבד אלא מצריכים מיפוי תשתית בחינה ותעדוף.
משמע, מדובר במידע שקיים בארגון, אך לא עצמו, ללא מניפולציה וניתוח, אין משמעות רבה והוא מצריך שילוב של כלי ותהליכי ניתוח על מנת למנף את אותו מידע לידע בעל ערך. לדוגמה: ניתוח מילים שאומרים לקוחות בעזרת כלי ניתוח קולי או ניתוח מילים שתועדו בגין שיחות עם לקוחות בעזרת כלי ניתוח טקסט. למעשה בחלק הזה מתבצעת פעילות חשובה ביותר לכל ארגון.
חישבו על זה: לקוח אמר משהו בפגישה שקיים בסניף או בשיחה עם מוקד. הוא, כלקוח, מסר מידע, העלה צורך, נתן משוב על שירות, ביקש שינוי. הוא העביר מידע. הוא הוקלט ביודעין או שעובד רשם את הדברים. הארגון מחזיק במידע הזה ויכול למנף אותו ולהפיק ממנו תובנות בעלות ערך עסקי רב.
המידע הנאגר בשלב הזה עובר תהליכים של ניתוח ובהתאם לאלגוריתמים מתוחכמים ובעזרת כלים רלבנטיים מופקים ומקוטלגים מאותו מידע בודד מספר תוצאות משמעותיות יותר. אותו מידע בודד הופך למעשה למידע עם משמעות. אותו נתון מובנה הופך למידע לא מובנה שנוצר במניפולציה. נוצר מידע חדש. המידע מעובד.
תחת הגדרת עולם המידע שנוצר מעיבוד וניתוח ניתן לכלול גם ניתוח התנהגות לקוח בערוצים דיגיטליים כמו ניטור פעילות באינטרנט או במובייל, דפוסי גלישה והקלקות ועוד.
לשם המחשה, אביא מקרה מעולם הפיננסים: לקוח מגיע לפגישה עם בנקאי ובזמן הפגישה שעוסקת במצב החשבון באופן כללי מציין הלקוח שבעוד כחודשיים הוא צפוי להוצאה גדולה ולכן הוא בודק אופציות גם בבנק שלו וגם בבנק אחר בו הוא מנהל חשבון מקביל.
הלקוח שלנו עדיין לא מעוניין להחליט כיוון שההוצאה עוד רחוקה מבחינתו הבנקאי מתעד את הנאמר במערכת. בארגון שלא מתנהל עם תשתית ותפיסה של Big Data, כל מה שיש לנו כאן זה סוג של מידע מובנה בלבד מבחינתו: פרטי לקוח ותוכן פגישה. אולם אם אנו עוסקים בארגון שערוך להרחבת מקורות המידע שלו הרי שבעזרת כלי של ניתוח טקסט אותו ארגון יפיק מאותה פגישה מידע לא מובנה בעל ערך. הלקוח למעשה נידב מידע חשוב לארגון: הוא מנהל חשבון בבנק אחר ולכן יש לסמן זאת ולהציע ללקוח הצעות ערך מתאימות ובמקביל הלקוח לפני הוצאה גדולה ויש לסמן זאת ולמנף מולו הצעת ערך ברגע שיתאים לו בעוד כחודשיים. הקטלוג הזה מבוצע על ידי מערכת ניתוח טקסט שלמעשה ממנפת מידע לא מובנה ולא שגרתי לתובנות עסקיות.
למעשה, יצירת עולם של מקורות מידע מובנה ולא מובנה שבה עסקנו בשני הטורים האחרונים מיקדה אותנו בעיקר בתשובות לשאלת ה-What: מה יש לנו? מה אנו יודעים? מה נאמר? מה נמצא? מה קיים?
השלב הבא הינו השלב שבו על ארגון צריך לשאול את עצמו מה עושים עם כל המידע שנאגר? לאן לוקחים אותו מכאן? למעשה, זהו השלב שבו מעורבים כבר מודלים של סגמנטציה שמפלחים את סוגי הלקוחות ועונים על השאלות When Why Who דרך מודלים של חיזוי וניבוי שמנסים ליצור דפוסי פעילות מהמידע ולנבא באמצעותם את הפעולה הבאה שיעשה הצרכן או את המוצר הבא שהוא ירכוש וכולם עונים להגדרת מודלים של Prediction.
בטור הבא נבחן שאלה עקרונית ואסטרטגית יותר בעולם ה-Big Data: האם תוכנות ואפליקציות שרצות אוטומטית יכולות לעשות הכל במקום אנליסטים וחשיבה לוגית אנושית?
עד אז, בהצלחה בהרחבת מקורות המידע שלכם.
הכותב הינו סגן וממלא מקום ראש החטיבה הבנקאית וראש אגף הפיתוח העסקי והדיגיטל בבנק לאומי.
מעניין ובהחלט ממחיש את ערך המידע. אני מקוה שעוד הרבה ארגונים יבינו ומהר כי חייבים להתנסות ולמצות את המידע הקים ברשותם או שיכול להיות קים עבורם די בקלות.