חלק א’

פוסט זה הנו חלק ממאמר מקיף שמתאר את תופעת הביג דאטה, ההזדמנויות העסקיות, האתגרים ואסטרטגיית המימוש. ויש גם בשורה עתיקה: “לחשוב בגדול, להתחיל בקטן”, תוך הגדרת ה – Business Case העסקי.

בחלק הראשון, לפני שנשבית שמחות, נתרכז בהזדמנויות ונספר סיפורי גבורה (case studies).

1. כמה גדול?

כתבות בנושאי ביג דאטה מתחילות בדרך כלל בסטטיסטיקות מסחררות על כמות המידע הנוצר בעולם ועל כמה מהר אנחנו מכפילים את הכמויות. להלן כמה מספרים:

bigdata1

מקור: mushroom networks

2. וזה עוד לא הכל.

ביג דאטה אינו רק כמות (Volume). הוא מקיף סוגים רבים של מידע (Variety): תכנים חברתיים, דפוסי שימוש בדפי אינטרנט, תוצאות חיפוש במנועי חיפוש, אותות שימוש בטלפון סלולארי, תנועות שימוש בכרטיסי אשראי, טרנזאקציות ביטוח, סטטיסטיקות ביקורים בבתי חולים, מידע על התחבורה בכבישים, מידע מחיישנים רפואיים ועוד. בנוסף למידע הרב שנוצר ע”י אנשים, יותר ממחצית המידע הזמין כביג דאטה הוא מידע אוטומטי שמתעד שימוש שלנו באינטרנט או בסנסורים שונים (מכונה Shadow Data או Dark Data).

לפי גרטנר, Social Content שנוצר ע”י גולשים ברשת הוא התורם העיקרי למידע חדש בארגונים ויגיע לסך 20% חדירה בארגונים. בעוד שכיום, עדיין רוב סוגי המידע הם טקסטואליים, מתחזקת המגמה של ייצור קבצי וידאו לתיעוד תכנים חברתיים. בנוסף: מתרחב מנעד המכשירים שמייצרים תכנים כלשהם (טלויזיות, צמידים רפואיים, חיישני תנועה ועוד). למעשה, לרוב פריטי המידע המיוצרים כיום מצטרפות תכונות גיאוגרפיות (Location) שמעצימות את ההזדמנויות הגלומות בניתוח (Analytics).

לפי חטיבת הסטטיסטיקה של האו”ם, בשנת 2020 יהיו בעולם 50 מיליארד “מכשירים” (Internet of Things) שמחוברים ומייצרים אותות מידע תדיר. זרם בלתי פוסק של מידע (Velocity).

3. אז מה?

לפי אותו דו”ח של האו”ם, כרגע השימוש בביג דאטה מתרכז בשני תחומים עיקריים: בתעשיות ביטחוניות (למשל כיפת ברזל) ושימושים מסחריים בארגונים. למרות ש 70% מהמידע נוצר ע”י אנשים אינדיויואליים, 85% ממנו כבר מטופל או נמצא באחריות של ארגונים.

הארגונים מתחילים להבין שהיצע המידע הזמין בעולם מסביבנו הוא אינסופי בכמות ובמגוון, ומשכר בפוטנציאל שלו. קיימת תחושה של רחש אינסופי, שאנחנו – כנראה – חייבים להקשיב לו. למה?

כי זה משפר את יכולת החיזוי, לצורך קבלת החלטות. קחו לדוגמא שימושי חיזוי הונאה (fraud) או קביעת סיכוני אשראי (credit scoring). המודלים הקלאסיים משתמשים ב 10 – 15 פרמטרים לחיזוי אך ברור שככל שנכניס באופן מושכל למשוואה פרמטרים רבים יותר, כך כנראה נוכל לדייק יותר בחיזוי. חברת ZestFinance, חברה טכנולוגית בתחום חישוב סיכוני האשראי שנבחרה לאחת החברות החדשניות בתחום, פיתחה מודל סיכון שמשלב ניתוח מידע מבוסס ביג דאטה עם Machine Learning. החברה מספקת חיזוי עם אחוזי דיוק משופרים דרמטית, בארבעים אחוז, לעומת הסטנדרט בתעשייה. החברה מאפשרת מתן הלוואות לאוכלוסיות שעד כה לא קיבלו אשראי, בהתבסס על המודלים המסורתיים ומגדילה משמעותית את רווחי הלווים.

דוגמא ותיקה יותר: חברת Tesco ידועה באסטרטגיית ההשקעה שלה בטכנולוגיה. המנכ”ל בשנים 1992 – 2011 כינה את החברה Data-Driven Retail והאמין שזאת הסיבה ששווי השוק שלה זינק בשנות כהונתו מ – 4.7 מיליארד ליש”ט, ל – 29.2 מיליארד. בין השאר, בוצעו אף השקעות ורכישות של חברות טכנולוגיות מידע. אחד מהחידושים הרבים שהוכנסו בתקופה זו היה הכנסת מצלמות אינטרנטיות בסניפים שמתריעות על מחסור בפירות וירקות. זה חלק מהביג דאטה שמנהל הארגון.

ביג דאטה מאפשר לארגון להכיר טוב יותר את הלקוחות ולייצר Customer Engagement. חברת נוקיה הקימה מערך ביג דאטה כדי להבין את חוויית המשתמש בטלפונים ובשירותים מונחי מיקום. החברה בונה מפות חיזוי של תעבורת הטלפונים כדי למפות אזורי עניין של לקוחות ולשפר את חויית המשתמש שלהם.

אבל ביג דאטה הוא לא ערובה מספקת להצלחה. אחת הדוגמאות הבולטות לתלאות ניתוח מידע לקוחות הנה דוגמא של ענקית הקמעונאות Target שניסתה לפתח מודל חיזוי לזיהוי נשים בהריון, כדי להקדים ולהשפיע על לקוחות כאלה לפתח הרגלי קנייה של מוצרי הריון ותינוקות. המודלים התבססו על מידע רב שנצבר בחברה במשך עשרות שנים על הלקוחות – תלונות, רכישות, ניצול קופונים ועוד. האלגירותמים השתמשו במחקר סטטיסטי של הרגלים (Habits) שפותח באוניבסיטאות מובילות בעולם, כדי לזהות על סמך ההרגלים הידועים ל – Target את עובדת היות הנשים בהריון. המודל נחל בהתחלה כשלון חרוץ שהתבטא בתלונות נזעמות של הורים שבנותיהן קיבלו קופונים לויטמינים בהריון.

בנוסף לניתוחי ההתנהגות הישירה של הלקוח עם הארגון, ניתוח אירועי שירות ומכירה, ארגונים מכירים בצורך להבין מה הלקוחות חושבים עליהם ולהגיב פרואקטיבית, גם אם באופן עקיף. אבל יותר מכך, הביג דאטה מאפשר לאתר את הלקוחות המשפיעים ברשתות החברתיות ולתעל את ההשפעה שלהם להשפעה רחבה וחיובית של קהל גדול יותר. קחו לדוגמא את חברת Schedulicity שמספקת אפליקציה מקוונת לניהול לוחות זמנים. בעלת מכון יופי השתמשה באפליקציה וזימנה באמצעותה אירוע מכירות ללקוחות המכון. במהלך השימוש, בעלת המכון הגיבה חיובית ברשתות החברתיות בשבח האפליקציה והשירות. החברה איתרה את בעלת המכון – באמצעות ניתוח מילות מפתח בפייסבוק ובטוויטר – יצרה עימה קשר ונתנה לה אייפד להעניק כמתנה באירוע. בחודש שלאחר מכן נוצרו דיונים רבים בפייסבוק ובטוויטר של בעלת המכון והיא הפכה לשגרירה חברתית של האפליקציה – במתן המלצות ותמיכה ללקוחות האפליקציה. בחברה מתייחסים אליה כאבן הדרך בגילוי פוטנציאל ה – Super Users ומעריכים שהפעילות שיצרה ברשת תרמה רבות למיתוג חיובי של החברה.

ישנם גם שימושים נוספים: שינוי הרגלי צריכה ואפשרויות חדשות למכירת שירות ללקוחות. למשל ERP – Electronic Road Pricing – דוגמת כביש הנתיב המהיר באיילון, שנמצא בשימוש נרחב במספר מדינות ומשתמש במידע אודות תנועת כלי הרכב כדי לחשב דינאמית את מחיר הנסיעה במודל היצע וביקוש. סנגפור מדווחת על ירידה דרמטית בתנועת כלי הרכב בשעות העומס ועל עלייה בשיתוף נוסעים ברכבים פרטיים.

לפי הדו”ח של האו”ם, השימושים המסחריים הנפוצים ביותר בארגונים הנם:

  • זיהוי סיכונים והונאה
  • קביעת פרופילי לקוח
  • צמצום הוצאות רפואיות
  • שינוי בהרגלי התיירות והצריכה

אימוץ הביג דאטה משתנה בין תעשיות שונות, כמתואר במפת חום הבאה:

bigdata2

מקור: גרטנר, יולי 2012

4. לסיכום (ביניים)

הביג דאטה משול כיום למהפכת המחשוב האישי, האינטרנט או התקשורת. הוא הפך למיינסטרים בתעשיות ספורות (למשל תיירות) אבל נמצא בתחילת דרכו בתעשיות אחרות. כמו במהפכות אחרות, ארגונים מבינים שעליהם להיות נוכחים, לפני המתחרים. אבל, כגודל ההזדמנות, כך גודל הסיכון בהתבדרות ביישום. משמעויות הביג דאטה בארגון כוללות התאמה של מערכות המחשוב, שילוב Data Scientists, ומעבר לתרבות ארגונית של Data Driven Organizations. על כך, ועל אופן הכניסה לנושא – אסטרטגיית הביג דאטה – בפוסט הבא.

כתבה: פלורה לוין