אראלה עמית, המכללה למינהל: "בשל הצפת הנתונים בארגון – כרייתם הכרחית ליצירת ערך עסקי"

"בשל הצפת הנתונים בארגון, כרייתם היא פעילות הכרחית לטובת חיזוי פעילויות עסקיות שנדרש לבצע, ולקבלת תובנות בעלות ערך עסקי", אמרה אראלה עמית, מנהלת אקדמית במחלקה לטכנולוגיות עסקיות במסלול האקדמי, המכללה למינהל. עמית הייתה בין דוברי מפגש פורום IBI מקבוצת אנשים ומחשבים, שנערך היום (ג') במלון ליאונרדו ברמת גן. את המפגש הנחה ד"ר לירן אדליסט, חבר ועדת ההיגוי של הפורום ומנכ"ל TOP IT, ונושאו היה BI אנליטי וכריית מידע.

כריית מידע, הסבירה עמית, אינה סטטיסטיקה. "כריית נתונים סובלת נתונים 'רועשים', היא משתמשת בשיטות של 'מכונה לומדת', משמע כזו המגיבה ומתפתחת תוך כדי לימוד עצמי". אבחנה נוספת, ציינה, היא ש-"כריית נתונים איננה דו"חות ולא OLAP, המשמשים לתחקור ואימות, כי אם חקירה וגילוי המייצרים היפותזות".

הסיבות לכריית נתונים, אמרה עמית, נובעות מהצורך לבצע ניבויים שונים באמצעות סיווג: למי הבנק יקצה מסגרת אשראי? מי מהחולים בבית החולים צפוי לקבל התקף לב? מי מהפושעים ישוב לבצע פעילות פלילית לאחר שחרורו ממאסר?

עמית הציגה מודל כריית נתונים שמופעל במכללה למינהל, שמטרתו לסייע בקבלת החלטות על קבלת תלמידים. בימים אלה, פירטה, נערך במכללה מחקר במטרה לקבוע את מידת ההצלחה של הסטודנטים בלימודים לפי נתוני קבלה מוקדמים, ואת מידת ההצלחה בהמשך, עד לסיום התואר.

היא הציגה את עבודת המחקר, הבנויה מאסופת מודלים, והציגה אחד מהם. מודל זה, ללמידת עצי החלטה, אמרה, בנוי מאלגוריתם, האוסף דוגמאות מסווגות ליצירת מודל הניבוי. "באלגוריתם נבנה 'עץ החלטה' המייצר מעבר לקבוצות חלקיות, הומוגניות ככל האפשר במונחי 'משתנה המטרה'. המודל מחלק את מרחב המקרים למעין תת-מרחבים בתוכם יש מקטעים הומוגניים, הוא מגלה אזורי הצלחה ואי הצלחה", פירטה עמית.

העץ נבנה, הסבירה, כך שבכל שלב ומצב נתון נבחר המשתנה הטוב יותר לפיצול נוסף ליצירת תתי-הקבוצות הבאות, "בסופו של התהליך, נותר אוסף חוקים המנבא את סיכויי ההצלחה".

עמית הזכירה גם את מודל רשתות הנוירונים, המקבל השראה מרשת הנוירונים שבמוח האנושי, בו פעולות ההחלטה מבוצעות. במוח, אמרה, יש מיליארדי נוירונים, שכל אחד מהם מצוי בקשרים עם אלפי נוירונים, כאשר הלמידה נעשית בחיזוק ובהחלשה כימית של הקשרים בין הנוירונים הללו.

"אנליסטים של כריית מידע", סיכמה עמית, "צריכים להכיר את התהליכים העסקיים ולהיות מומחים עסקיים ולהכיר את המודלים השונים של כריית נתונים. כיום עוסקים בתחום זה סטטיסטיקאים, וזו טעות: יש להכשיר דור של אנשי מקצוע שמצד אחד מכיר את המודלים של כריית נתונים ומנגד מבין לעומק את התהליכים העסקיים".

רמי גל, איש TOP IT, דיבר על מוכנות של ארגונים לחיקור מידע ולקידוח נתונים. לדבריו, "מרבית יישומי ה-BI מתרכזים בפועל בניתוח של 'מה קרה' למרות שהשפעת פעילות זו על הארגון היא קטנה. ניתוחי המידע נדרשים לשפר אותנו ולקדם את הארגון למקום חכם יותר. האזורים המשפיעים, שעשויים להוביל את הארגון קדימה הם ההערכות על העתיד".

הוא ציין בקצרה את המגמות העיקריות בעולם ה-BI: פתרונות שלובי מידע להמונים, שילוב ה-BI באזורים התפעוליים, ההכרה כי BI פיננסי הוא משפחה נפרדת ושימושים מתקדמים – כריית מידע, ניתוח צופה עתיד ולוחות דיווח. "נדרש לקיים תהליך מובנה בעת שקילה ובחינה של הטמעת פתרון BI", אמר גל, "יש להשוות בין כלים דומים, ההשוואה צריכה להיות פונקציונלית ולא טכנולוגית".

מוכנות הארגון ליישום BI, אמר גל, תלויה בכמה גורמים: הנהלה עסקית חזקה הנותנת חסות ("נדרש משתמש עסקי שלא ייעלם. אם אין חסות אין הצלחה"), הנעה עסקית ("נדרש חזון עם יכולת למממשו והוכחת החזר השקעה לפרויקט ה-BI"), יצירת שותפות בין ה-IT למשתמשים העסקיים ("צריך שיהיה תיאום ציפיות בין השניים, עם מענה מהיר לבקשות ולצרכים משתנים"), הובלת תרבות ניתוח מידע ("שקבלת ההחלטות תתבצע על בסיס עובדות ונתונים" ובדיקות ההיתכנות ("האם יש תשתיות יציבות ומתאימות, שהן זמינות, והאם יש נתונים תפעוליים איכותיים וזמינים").

"מוכנות הארגון היא קריטית להטמעה איכותית של פתרונות BI", סיכם גל, "על ארגונים להבין כי הערך המוסף יגיע להם מפעילות עסקית מבוססת תובנות".