linkdin
קרן עמר ספטמבר 15, 2022

ML – Just Do IT

אנו עוברים תקופה הזויה, מאתגרת אך גם מאוד מעניינת. ועדיין, כולם מבינים שחייבים להתייעל, ומהר. אין ספק שמונחים כמו Machine Learning ו-Data Driven Organization נשמעים מכל פינה וארגונים רבים מחפשים להתייעל ולהפוך דאטה לתובנות מניעות לפעולה. אך מנגד, תחושת חוסר הודאות המביאה עמה, ובצדק, את הצורך לחסוך בעלויות ובזמן, היא שעוצרת בעדנו מליישם פרויקטים טכנולוגיים משמעותיים בארגון.

ובכן, בניגוד למה שרבים נוטים לחשוב, אפשר ליישם פרויקט ML (למידת מכונה) באופן ממוקד ומהיר. בוובינר של STKI בשיתוף Red Hat העולמית הצגנו סיפור לקוח שלנו. קרן עמר, EVP BI & Development באברא, סיפרה איך יישמנו ML כהתנסות קטנה בארגון, אשר הביאה ערך עסקי משמעותי:

נפגשנו עם גוף IT בארגון גדול, אשר מנהל בו-זמנית עשרות פרויקטים ומוצא את עצמו לאורך כל חיי הפרויקט מתמודד עם בלת”מים, כשפתאום צריך צוות מסוים, בזמן מסוים, בהיקף מסוים, והדברים לא ברורים מההתחלה. מה שקורה הוא שהפרויקטים אורכים הרבה יותר זמן, יש המון רעשי רקע וכתוצאה מכך הצוותים הרוחביים מרגישים מותקפים – שביעות הרצון מהם נמוכה, הם אינם מצליחים להיות זמינים, והחוויה הכללית עבור כולם היא מאוד שלילית.

הפתרון של אברא: בואו נעזור למנהל הפרויקט לתכנן את המשאבים והצוותים בצורה טובה ומדויקת יותר- את מי צריך וכמה צריך.

בנינו תהליך מאוד קצר ומהיר שבו בשלב הראשון דייקנו את השאלה העסקית, בחנו מה הסיכונים וקבענו איך מגדירים הצלחה. לאחר מכן עברנו לשלב בדיקת איכות הנתונים והתחלנו להריץ מודלים סטטיסטיים ראשוניים, תוך שילוב מידע ממקורות חיצוניים. כאשר גיבשנו את המודל, ביצענו תיקוף מול פרויקטי עבר אליהם התייחסנו כחדשים – בדקנו האם התוצאה שקיבלנו במודל תואמת את המציאות שאכן קרתה בפועל באותם פרויקטים. ולבסוף הגענו כמובן לשלב ה-Deployment של המודל בתהליכי העבודה התפעוליים של הארגון.

כל התהליך מקצה לקצה ארך כ-3 שבועות בלבד!

והתוצאות: חזינו עבור כל פרויקט מיהם הצוותים המתאימים ומה כמות הימים הנדרשת למימוש, כך שניצול משאבי ה-IT השתפר ב-70%! למעשה המודל אפשר למנהל הפרויקט לעמוד בלוחות הזמנים, תוך שהצוות מצליח לטפל בבלת”מים שקורים תוך כדי ביצוע הפרויקט.

ואפשר לחשוב על עוד שלל שאלות עסקיות ותפעוליות עליהן ניתן ליישם מודלים של למידת מכונה. הנה כמה דוגמאות:

  • חיזוי איכות ספקים (לו”ז ואיכות)
  • חיזוי צפי לפריטים לאורך שרשרת אספקה
  • חיזוי עזיבת כוח אדם (טאלנטים)
  • איך מקטינים חריגות בפיתוח
  • איך מעלים אחוזי זכייה במכרזים והצעות
  • חיזוי נטישת לקוחות

לסיכום, כדי ליישם ML בתהליכים עסקיים או תפעוליים בארגון אין צורך להמתין לפרויקט גדול או להשקיע משאבים ועלויות משמעותיות. אנחנו באורנביט כאן כדי להגיד ולהראות, שאפשר גם בקטן, ועדיין לקבל ערך גדול!

אז אם יש תהליך עסקי ו/או תפעולי שתרצו לייעל במהירות, אם בא לכם לקפוץ לבריכה ולהתנסות ב-ML , אם אתם רוצים הוכחה “בשטח” (PR) שתקל על קבלת החלטות לפרויקט גדול בהמשך או שאתם פשוט טובעים בנתונים ובמיוחד עכשיו רוצים להפוך אותם במהירות לתובנות –

אנחנו כאן כדי להציע לכם יישום ממוקד, יעיל, ומביא ערך!