הקרב על הדאטה

עידן ה-IoT שהביא עימו אינספור מכשירים חכמים ומקושרים, מייצר אינספור נתונים זמינים השווים את משקלם בזהב עבור החברות שמבינות את ערכם. בעולם החדש הזה, מוצעות שלל הזדמנויות לחברות המעוניינות לשפר את שירות הלקוחות שלהן ולפתח מודלים עסקיים חדשים, תוך התבססות על טכנולוגיות ביג דאטה וכריית מידע

מהפיכת המכשירים החכמים, מה שמכונה האינטרנט של הדברים (IoT), נמצאת היום בשיא תנופתה. המכשירים החכמים נמצאים היום בכל מקום ותופסים נתח יותר ויותר משמעותי בחיינו. הם יודעים לדווח חזרה על אופן השימוש בהם ועל הבעיות שבהן הם נתקלים, ומייצרים מבול של נתונים. שפע הנתונים הזמין והזורם מהמכשירים המחוברים עשוי להיות שווה את משקלו בזהב, במיוחד כאשר הוא נוחת בידיהן של חברות המבינות את ערכו. עולם חדש פותח את שעריו, ומציע הזדמנויות לחברות המעוניינות לשפר את שירות הלקוחות שלהן ולפתח מודלים עסקיים חדשים תוך התבססות על טכנולוגיות ביג דאטה וכריית מידע. העתיד של ה-IoT והערך האמיתי שלו, טמונים בנתונים שהוא מייצר. את הקופה יגרוף מי שישכיל לאסוף הנתונים, לנתח אותם ולבסס את הפיתוח, אם של המוצרים ואם של השירותים, על הנתונים עצמם.

האפשרות להפוך לחברה מבוססת נתונים (data-driven enterprise) מפתה מאוד נוכח ההחזר הצפוי על ההשקעה (ROI) כתוצאה מאופטימיזציה של מוצרים, עלויות תפעול נמוכות, שיפור שירות הלקוחות וכיוצא בזה.

הצעד הראשון בדרך להשגת מטרה זו הוא לתכנן ולבנות מפעל מידע אפקטיבי המסוגל לגדול במהירות ולהתאים את עצמו לאתגרי העתיד. החוקים פשוטים: יכולת לעכל (ולבלוע) מסות של זרמי נתונים, לאחסן  אותם תוך כדי תנועה, ולאפשר ל-data scientists לתשאל ולתחקר את החומרים, ובעיקר, לחשוב על השאלות הנכונות.  שלב זה בתהליך הינו סבוך ודורש מיומנות גבוהה מאוד של מומחים טכנולוגיים (data engineers, data architects) בליווי צמוד של אנשי ה- business אשר מבינים ומובילים את הכיוונים האסטרטגיים.

הצעד השני הוא להגדיר דרך לחלץ דפוסים ומשמעויות מכמויות המידע העצומות שנאספו לצורך ייעול קבלת ההחלטות. ההשוואה בין כל דרכי הניתוח של נתונים עשויה להיות משימה מייגעת, אך באופן כללי, ניתן לחלק את עולם האנליטיקות לשלושה סוגים עיקריים:

תיאורי (Descriptive) – שימוש באיסוף, צבירה וכרייה של נתונים לקבלת תובנות על אירועים בעבר או בהווה. לרוב, תהליך זה מאפשר לנתח בדיעבד אירועים סינגולאריים, להרחיב את הראייה ולנסות לבצע קורלציות “בעין” בין אירועים עוקבים. בעזרת כלים מסוג זה, קשה מאוד להגיע לתובנות עמוקות כלפי תהליכים, או למצוא תבניות ודפוסי פעילות. סוג זה של אנליטיקות הינו מצד אחד הפשוט ביותר (כי בעיקר מערב ויזואליציות ואגרגציות נתונים טריוויאליות) אך מצד שני מהווה את הקפיצה המשמעותית שחברה מסחרית (שאינה מוּנעת נתונים) יכולה לעשות. זו הפעם הראשונה שהחלטות (טקטיות בשלב הראשון) יתקבלו על סמך נתונים – שרלטנות, אגדות אורבניות ודעות רווחות אינן שיקול יותר.

חזוי (Predictive) – למידה והסקת מסקנות מנתונים היסטוריים ובניית מודלים סטטיסטיים רלוונטיים להפקת תובנות לעתיד. עולם ה- predictive analytics מסתמך על אלגוריתמים לומדים (machine learning algorithms) אשר “מתאמנים” על נתונים ויודעים להוציא דפוסי התנהגות החבויים בנתונים. המכונות מגיעות למסקנות מסוימות אשר ניתן להשליך על הנתונים הבאים: לדוגמא, אלגוריתם די פשוט מסוגל “להתבונן” בתמונה ולהחליט האם יש בה חפץ מסוג א’ או לא (בעיית קלסיפיקציה). אם נעשה עוד צעד קטן, המכונה גם תדע להתריע בטווח זמן מידי אם במקום עצמים מסוג א’ מופיעים מסוג אחר (בפס יצור, למשל). כאן, כבר לא מדובר רק בהבנה רטרואקטיבית של מה שקרה, אלא מניעת הבעיה ברגע הופעתה. דוגמא אחרת יכולה להגיע מתחום המכירות. בעזרת נתוני שוק, אוכלוסייה, מכירות עבר ועלויות ניתן לתת פרדיקציה של כמה יימכר מוצר מסוים בהינתן אותם פרמטרים.

הנחייתי (Prescriptive) – בניית סדרת טכניקות המנסה לכמת את השלכותיהן של החלטות עתידיות, ולהציג המלצות תוך התבססות על תחזיות. תהליך זה לא רק מתיימר לצפות מה יקרה ומתי, אך גם מה היא הסיבה. בשם כך, השאלות המתבקשות בתהליך הינן “איך ניתן לקבל תועלת ממאורע X” ו- “מה ייגרם בהינתן החלטה Y”. אנליטיקה הנחייתית מאפשרת לנצל הזדמנות עסקית עתידית או לחילופין להתמודד עם סיכון קַרְב ולנהל אותו מבעוד מועד. בהינתן חוקים עסקיים מוגדרים מראש וקבלת נתונים שותפת, המכונה תדע גם להראות בכל נקודת החלטה האם אנחנו בכיוון הרצוי או לא. דוגמאות בולטות של שימוש בטכניקות אלה הן: החלטה על מיקומן של אסדות נפט או קביעת מחיר למוצר עתידי.

ישנם תחומים רבים שבהם יכולה אנליזה של נתונים להוות מקפצה למימוש יעדי החברה הודות ליכולתה לאסוף, לנתח ולהפיק דוחות על האופן שבו עושים לקוחות שימוש במכשיר/אפליקציה.

יכולת זו עשויה לסייע בהפקת תובנות ברות ביצוע:

• מעבר למוצרים הממוקדים בצרכן (Consumer-centric). חברות יכולות לתת למוצריהן ערך מוסף אם ישכילו להבין את צרכי הצרכן ואת השימוש שהוא עושה במוצר בפועל. תובנות אלה יאפשרו להן לתכנן ולעצב מוצרים שימושיים יותר ולהימנע מפיתוח מוצרים מיותרים, לא אטרקטיביים או מסורבלים.

• הטמעה אפקטיבית של תחזוקה יזומה (Proactive Maintenance). חברות יכולות ללמוד על בעיות ישירות מהמוצרים, וכך לגלות, לאבחן ולתקן תקלות מרחוק מיד עם התרחשותן או עוד טרם קרו. בעזרת למידת מכונה (machine learning), ניתן היום לזהות סימנים מעידים מורכבים לפני התרחשות התקלה. יכולות מסוג זה מאפשרות להוריד את זמן ההשבתה של המכונה ובכך לצמצם את מספר התביעות והטענות התפעוליות כלפי היצרן, ולשפר את שביעות  רצונם של הלקוחות.

• שילוב עם ספקי נתונים חיצוניים. באמצעות אימוץ פרוטוקולים סטנדרטיים ותבניות נתונים, יכולות חברות לשלב נתונים חיצוניים שיסייעו להן לפתח שירותים מדויקים יותר. כך למשל, יכולה חברת אבטחה ביתית המעוניינת למכור חיישנים המתריעים מפני שבירת חלונות אך אינם מייצרים התרעות שווא במזג אוויר קשה, לשלב בנתוני החיישנים תחזיות מזג אוויר, או אפילו נתוני זמן אמת של אירועים מטאורולוגיים. בדרך זו יכולות חברות המייצרות מכשירים חכמים להתחייב לאספקת שירות מדויק ואיכותי יותר.
  לחברות אין סיבה לחשוש משילוב ה- data שלהן עם מקורות חיצוניים ואף יש להן אינטרס מובהק לשתף את הנתונים שלהן לצורך מסחרי (Data Monetization), כל עוד נשמרים חוקי הפרטיות. לדוגמא, מכון מחקר רפואי קנה את כל דגימות קצב הלב שחברת שעונים חכמים שמרה למשך שנים מלקוחותיה העוסקים בספורט (בצורה אנונימית כמובן).
• שימוש באנליזות ניבוי (Predictive analytics) ומניעת בעיות עוד לפני התרחשותן. ישנה חשיבות רבה ללמידה של חברות את הנתונים ההסטוריים שלהן/ ישנה חשיבות רבה שחברה תדע ללמוד מהנתונים ההיסטוריים שלה.

הדרך האפקטיבית ביותר לעשות זאת היא לאסוף נתונים משמעותיים בנוגע לבעיה ספציפית, ובסיועם של אנליטיקאים מיומנים, לבנות מודלים  לומדים שידעו לחזות התנהגות עתידית. מודלים סטטיסטיים מסוג זה יכולים למשל לייעל את עבודתם של טכנאי שירות על-ידי תכנון מסלולי ביקור על בסיס חלוקה גיאוגרפית של האזורים שבהם צפוי השירות להידרש. בצד המסחרי, תחזיות המבוססות על נתונים צרכניים מאפשרות לייעל קמפיינים שיווקיים על-ידי מיקוד טוב יותר של קהלים, למשל באמצעות סיווג הצרכים על פי מין, סוג שימוש, מיקום גיאוגרפי או אפילו מאפיינים דמוגרפיים. תהליכים מסוג זה עשויים לתת את המענה האסטרטגי הטוב ביותר לנטישת לקוחות הואיל והם מאפשרים לשים לב לאי-שביעות רצון של לקוח עוד לפני נטישתו (תחום ה- customer churn).

מהנסיון המצטבר אצלנו בחברת אסנס (Essence) גילינו כבר מזמן שהטכנולוגיה עובדת בצורה היעילה ביותר כשהיא “שקופה”. כלומר, כשאנחנו לא מרגישים בנוכחותה. וזו בדיוק הגישה שחברות צריכות לאמץ: לקחת את הטכנולוגיה החדשנית ביותר ולרתום אותה כמענה לצרכים קיימים של משתמשים בתחומי חיים שונים. לא תזיק, כמובן, האמונה בבניית עתיד שבו הטכנולוגיה היא הרחבה חלקה ושקופה של חייהם של אנשים. הטכנולוגיות החיבוריות של 360º המאופשרות על-ידי ה- IoT, בשילוב חדשנות פורצת דרך, פתרונות ומוצרים איכותיים ואמינים נועדו להעצים את המודלים העסקיים של השותפים והלקוחות של החברה.

הפלטפורמות של אסנס, העושות שימוש בחדשנות וביכולות הטמונות בתחום המסעיר והעכשווי של ״האינטרנט של הדברים״ מספקות פתרון מלא, מקצה לקצה, וכוללות את כל המרכיבים המאפשרים לספקי שירותים השונים להיכנס לשווקים חדשים ולהגדיל את הכנסותיהם. השימוש בארכיטקטורה מבוססת ענן ובאפליקציות מובייל, מקלות על הצרכן הסופי בשימוש בפתרונות שמציעה החברה ועל החיבור הנכון שלו לפתרון הספציפי עבורו. ספקי השירות מהצד השני נהנים מאפשרות להציע ללקוחותיהם שירותים בעלי ערך המבטיחים נאמנות לטווח הארוך כמו גם שירותים שיועילו להם (predictive maintenance). ספקי השירותים השונים, בתחום הבית החכם וה-IoT, מתחילים להבין את הכוח השיווקי הטמון בניתוח הנתונים הרבים שנאספים בעקבות השימושים שעושים הצרכנים במוצריהם. הם יכולים להשתמש בנתונים בעצמם לטובת שירותי תחזוקה מונעת ושירותים אחרים,כמו גם לנצלם לטובת הצעה של מערכות משלימות, או יישומים מקושרים אחרים.

אנו  מנסים ביום יום לייצר ערך אמיתי מנתוני IoT. אנחנו מחברים מכשירים לאינטרנט, אוספים את הנתונים שלהם, בונים מודלים המניבים תובנות עסקיות, ובתוך כך מאפשרים לחברות להפוך להיות מוכוונות נתונים.

כל פעולה של מכשיר מחובר מייצרת מידע חדש שניתן להעביר, ללעוס, לגרוס ולנתח. בסופו של דבר, המסקנות שהתקבלו בעזרת תהליכים אלו יובילו להחלטות שניתן להטמיע וליישם. כל פיסת מידע כזו יכולה לקחת חלק בתהליך אסטרטגי חדש וליצור תובנות עסקיות בעלות משמעות. כיום אנו נמצאים על סף עידן של טכנולוגיה חדשה, איש עדיין לא יודע מה יהיו המודלים העסקיים המנצחים, אבל אין ספק ״שהחברות שישרדו וישגשגו הן אלה המתייחסות לנתונים כאל ערך אסטרטגי״ – ברנרד מאר.

• הכותב, גבריאל בן אלי,הוא דירקטורBig Data   ואנליטיקות בחברת אסנס, אשר לוקחת את הטכנולוגיות  החדשניות ביותר בתחום  ה״אינטרנט של הדברים״ ( IoT) ורותמת אותן כמענה לצרכים קיימים של משתמשים בתחומי חיים שונים.