linkdin
אברא 31/12/2020

8 המגמות הבולטות ששנת 2021 תביא לתחום הבינה העסקית

הרבה השתנה מאז שנת 1989, בה היועץ הווארד דרזנר הציע להשתמש במושג “בינה עסקית” (BI), כדי לתאר את כלל האסטרטגיות, הטכניקות וכלי ניתוח הנתונים, המסייעים בתהליכי קבלת החלטות עסקיות. הכלים והשיטות כיום מגוונים ועוצמתיים יותר לאין שיעור. עם זאת, הפער בתחום הבינה העסקית בין שנת 1989 לשנת 2020 לא נבע מהתפתחות כלי הניתוח; עיקר ההתפתחות בתחום התרחשה בציר הנגישות – האפשרות לנתח כמות גדולה של מידע נעשתה נגישה יותר עם הזמן:

יותר אנשים, יכולים לגשת לנתונים מיותר מקורות מידע, ולהפיק מהם תובנות בעלות ערך עסקי, עבור מגוון רחב יותר של מטרות.

במאמר זה יוצגו שמונה מגמות שהאיצו את תהליך הנגשת המידע, וצפויות להתחזק בשנת 2021.

  1. ניתוח מוגבר (Augmented Analytics)

ניתוח מוגבר – השימוש בלמידת מכונה (ML) ועיבוד שפה טבעית (NLP) להעצמת ניתוח ושיתוף נתונים – הוגדר על ידי מספר חוקרי בינה עסקית כאחד הטרנדים החזקים של 2020. אחד מאותם חוקרים הוא גדעון גרטנר, שטבע את המונח “Augmented Analytics” בשנת 2017. הרעיון הכללי מאחורי ניתוח מוגבר הוא פישוט תהליכי הניתוח. תוכנות לניתוח מוגבר בוררות את התבן הרב מתוך תבואת הנתונים ומאפשרות:

א. גישה ישירה למידע מסונן,

ב. זיהוי מגמות חריגות או בעלות ערך עסקי.

כפועל יוצא ממחשוב החלק הראשוני והגס של מיון המידע, אנשי עסקים ללא רקע במדעי הנתונים יכולים להפיק תובנות ממסדי נתונים כבדים.

  1. כלי ניתוח משובצים (Embedded Analytics)

בדומה לניתוח מוגבר, ניתוחים משובצים נותנים למשתמשי הקצה יותר כוח. כאשר הם רואים  לוח בקרת נתונים, הם רוצים לקבל את האפשרות “לשחק” עם הנתונים – לקבץ, למיין, לסנן ולהציג את המידע באופנים שונים – בלחיצת כפתור; וחברות רוצות לתת את היכולות הללו לעובדים וללקוחות שלהן, כדי לעזור להם לקבל החלטות טובות יותר. עם זאת, יצירת לוחות־בקרה אינטראקטיביים ופונקציות ניתוח מתקדמות, מורכבת יותר מיצירת טבלה או תרשים שאינם משתנים בהתאם לנתונים החדשים שמתקבלים ולדרישות התצוגה האישיות של המשתמשים.

תוכנות ניתוח משובצות מפחיתות את עומס העבודה על צוותי ניתוח המידע (אנליטיקס), ובכך מאפשרות למשתמשי הקצה גישה מהירה למידע המבוקש, ללא פגיעה בפניות והקשב של אנשי ניתוח המידע בעבודתם העיקרית, המאפשרת גדילה של הארגון והרחבה של תחומי פעילותו. אנליסטים ומהנדסים לא צריכים להטריח את עצמם ביצירת מידור ואבטחה ואפילו לא בכתיבת קוד ובניית ספריות, כאשר הם משתמשים בכלי ניתוח משובצים; תוכנות ההדמייה והבקרה משובצות במערכות הארגון הקיימות, ומונעות עבודה כפולה על התשתיות.

  1. הדמיית־נתונים שמספרת סיפור

איך ליצור סיפור משמעותי ומשכנע מתוך הנתונים היבשים? איכות הנתונים ודיוק המודל (model accuracy) חשובים, אך אינם מספיקים. כדי לאפשר קבלת החלטות המבוססות על מידע, צריך להציג אותו כך שיספר סיפור. מומחים להדמיית־נתונים מונים ארבעה מרכיבים המאפשרים הפיכת מידע לסיפור משכנע:

  1. הקשר. על־מנת לחבר את השומעים לסיפור ולנקודות החשובות בו, צריך להבהיר להם באיזה הקשר הוא מסופר.
  2. התאמת כלי־ההדמיה. הקלות שבה אפשר לייצר הדמיות מרהיבות, גורמת לאנשים לטעות ולבחור בכלי הדמיה מרשימים, במקום בכלים המאפשרים להעביר את המסרים הרצויים בדיוק ובבהירות. אל תפלו בפח. בחרו באפשרות המתאימה ביותר להמחשת הסיפור , גם אם היא לא יוצרת רושם בפני עצמה.
  3. חיבור כלי ההדמיה לתמונה הגדולה. אל תניחו שאנשים מבינים מדוע הצגתם את הגרף או הטבלה. מומלץ להוסיף הסבר כתוב לצד העזר החזותי, כדי למנוע מצב שבו אתם היחידים שמבינים בשביל מה יצרתם אותו.
  4. הנעה לפעולה. בתום הצגת הנתונים, הבהירו לשומעים מה לדעתכם צריך להיעשות על-סמך הנתונים שהוצגו.
  5. ניהול איכות הנתונים

ניהול איכות הנתונים נעשה מורכב יותר, משום שהדרכים בהן עסקים מייצרים, מעבדים ומשתמשים במידע השתנו. בדו”ח “Trends in Data Management” של “CompTIA” שהתפרסם בפברואר (2020), צוין כי שיעור החברות המרוצות מניהול המידע שלהן, ירד מ-31% בשנת 2015 ל-25% בשנת 2019.

  1. תוכנות חיזוי והנחיה מבוססות נתונים

חיזוי מבוסס נתונים, הוא אחד מכלי ניתוח הנתונים המתקדמים ביותר. הוא מוגדר כשימוש בנתוני העבר וההווה, כדי לנבא התנהגויות, פעולות או מגמות. כלי החיזוי נוצרו בעקבות פיתוח המערכות לניהול ביג-דאטה; ככל שארגונים צברו נתונים במסות גדולות יותר, ובמגוון רחב יותר של תחומים – גדלו הדרישה וההיתכנות לכלים המסייעים בזיקוק המידע לתובנות ולתחזיות שימושיות. תוכנות לחיזוי מבוסס נתונים, יוצרות מודלים המושתתים על:

  1. טכניקות ניתוח סטטיסטיות
  2. אלגוריתמים ללמידת מכונה אוטומטית
  3. ושאילתות אנליטיות.

כאשר מיישמים את המודלים על מערכי הנתונים המתאימים, המערכת מחשבת את הסיכוי שמאורע מסוים יקרה.

תוכנות הנחיה מבוססות נתונים משתמשות בטכניקות דומות ובמערכי נתונים שעשויים להיות זהים, אך מספקות מענה שונה: תוכנות החיזוי מחשבות את סבירות האירועים אם הנתונים לא ישתנו; לעומתן, תוכנות ההנחיה מציגות את התוצאות הטובות ביותר והפתרונות העוצמתיים ביותר שאפשר להשיג עם נתוני הפתיחה הידועים. כלומר, הן מזהות אילו נתונים כדאי לשנות. זאת הסיבה לשמן – תוכנות הנחיה (Prescriptive Analytics Tools). הן מציגות הנחיות לקבלת התוצאות המבוקשות.

  1. היפר-אוטומציה והעברת משימות לרובוטים (RPA)

היפר־אוטומציה היא אוטומציה של קבלת החלטות מסוימות. אחת הדרכים לבצע היפר-אוטומציה, היא להשתמש בתוכנות המאפשרות  גם לעובדים ללא רקע בתכנות, להפסיק לבצע משימות חזרתיות, וליצור רובוט שיעשה את המשימה במקומם. (דמיינו חתימה אוטומטית בסוף המייל – רק עם משימות שדורשות הרבה יותר זמן, תחכום ומאמץ.)

  1. שימוש בבינה מלאכותית לשיפור הבינה העסקית (BI & AI)

אנליסטים עסקיים, מדעני נתונים ומהנדסים חוקרים את אפשרויות השימוש באלגוריתמים של בינה מלאכותית כדי לייעל את ניתוח הנתונים שלהם. חלקם משתמשים במערכות בינה עסקית מוכנות מראש וכלי ניתוח ראשוני; אחרים מציעים כלים מתקדמים יותר, כמו כתיבת תוכנה בשפות כמו R ו-Python ליצירת מודלים לחיזוי הבנויים לפי מידות העסק וצרכיו.

בינה עסקית ובינה מלאכותית נראות במבט שטחי כתחומים זרים. זאת משום שבינה עסקית, מטבעה, מתמקדת באירועי העבר, בעוד בינה מלאכותית מוכוונת עתיד. בנוסף, הניתוח הסטטיסטי העומד בבסיס הבינה העסקית הוא גנרי ופשוט, במיוחד בהשוואה לבינה המלאכותית שהיא מלאכת־מחשבת. עם זאת, אורנביט מובילה בישראל את השילוב בין התחומים כדי למקסם את הערך ללקוחות שלנו, שבתהליך ההטמעה מופתעים מהדיוק ומהמגוון של התובנות שניתן להפיק. כיום מתחזקת ההבנה שהשילוב בין התחומים הכרחי לניתוח נתונים שניתן לגזור ממנו בבטחה החלטות עסקיות נבונות.

  1. בינה עסקית בנייד

תקוות גדולות נתלו בהנגשת תוכנות בינה עסקית לטלפונים חכמים. במציאות, הקשיים בהעברת תוכן המיועד למחשב אל הנייד, הנובעים בין היתר מהפער בגודל המסך, הופכים את הכלים הנגישים לנייד למוצר נפרד, המבוסס על שיטות הדמיה שונות וחוויית משתמש שונה.

 

קישור למאמר המקורי