נתונים מוצלחים בארגונים מוצלחים

כאן נכנס עולם הנתונים. שהרי מצד אחד ישנם כמות נתונים מדהימה:
חברת פורבס טוענת שכל תושבי העולם מייצרים 2.5 קווינטיליון של DATA בכל יום! (18 אפסים אחרי הספרה הראשונה).

אחוז גבוה מאד של הנתונים נוצרים בתוך ארגונים והשאלות הגדולות הן:

– מה באמת עושים איתם?

– האם ניתן לנהל אותם?

– האם הנתונים הללו יכולים להועיל לנו?

בשנים האחרונות החלו מנהלים להבין את הצורך בשימוש בתהליכי ניתוח הנתונים והמידע.
פתרונות ארגוניים המבוססים על ניתוח מדויק של כמויות הנתונים העצומות הנמצאים בארגון יכול לאפשר לא רק לדייק את הפתרון ללקוח לאחר שהוא כבר דרש אותו, אלא לנבא את הצורך המתפתח , להבין את הפתרון העתידי שהלקוח יצטרך בשלב הבא וכבר להתחיל ליצור פתרון יצירתי שיבשיל בדיוק בזמן הנדרש…בעתיד.
המשמעות האמיתית של יכולת שכזו היא: הובלת שוק, שיבוש הפתרונות של המתחרים, התייעלות משמעותית של תהליכי הפיתוח. 

על פי הסטטיסטיקות: ב 92.3% מן הארגונים בארצות הברית מחזיקים בבסיסי נתונים למטרת אחסון מידע על לקוחות או לקוחות פוטנציאליים של החברה שלהם.
90.7% מן המפרסמים והמשווקים בארה"ב עוסקים בפילוח נתונים כדי לטרגט טוב יותר את הלקוחות ואת התוכן השיווקי. מעל 50% הצליחו להשיג התקדמות.

תחום "ניתוח נתונים ומידע (Data & Information Analysis) "הינו נגזרת של "מדע הנתונים (Data Science).
זהו תחום העוסק באיסוף, ניהול וניתוח של כמויות ענק של נתונים לכדי תובנות הנותנות ערך ללקוח.

התהליכים מבוססים על שיטות ייחודיות ומתקדמות של איסוף, אחסון, ניקוי, מיון, עיבוד, אינטגרציה וניתוח של הנתונים והמידע לצורך הסקת מסקנות, מתן חלופות לקבלת החלטות וביצוען.
התובנות מבוססות הנתונים (Data Driven) והמידע מסייעות לקידום מחקרים אקדמיים, שיטות מסחר, מודלים של בריאות דיגיטלית ומודלים עסקיים חדשניים.

אז איך נכון לנהל פרויקטי ניתוח מדע בארגון?

ראשית יש צורך לבצע הרחבה של מקורות המידע וליצור תהליך איסוף שיטתי.
התהליך כולל: שימוש נרחב בנתונים הנמצאים במערכות המידע בארגון, נתונים הנמצאים בדוחות של העובדים, מידע המצוי ברשתות חברתיות של ועל הארגון, מידע המצוי במאגרי מידע באינטרנט על הארגון, לקוחותיו והשוק בו הוא נמצא.

שנית, יש צורך לבחון הכנסת בעלי מקצוע ושימוש באלגורתמים מותאמים לניתוח כל סוגי הנתונים ומקורות המידע הכולל מידע כמותי מובנה (Structured) ומידע איכותני ואנושי לא מובנה (Unstructured).
לשמחתנו, ההתפתחויות הטכנולוגיות החדשות שיפרו את כלי עיבוד וניתוח המידע והנתונים. בין כלים אלה נכללים כלי ניתוח סטטיסטיים, ניתוח מקבילי של ,Big Data אלגוריתמים ללמידת מכונה ובינה מלאכותית בלמידת עומק בתצורת רשתות נוירונים, המאפשרים ניבוי של מגמות ותהליכים עתידיים, ראיית מכונה וניתוח שפה.

לאחר מכן, יש צורך ליצור  "סביבה חכמה המבינה את חשיבותו של המידע, את הצורך לאסוף, לנתח נתונים וליצור תובנות מועילות במהירות ובהתאמה. 

בשלב הבא יש שתי אפשרויות: אפשר לשאול שאלות עסקיות ולחפש את הפתרון בנתונים, אך לא פחות מכך, אפשר להתחיל תקף את הנתונים, "לשחק" עם מתאמים ושונויות ולפתע לגלות מגמה, שיטה, אפשרות חדשה להסביר את המציאות.
לדוגמא: אם הארגון רוצה להגיע לקהלים חדשים, נבדוק האם הנתונים מלמדים על קהל יעד חבוי שלא ראינו עד כה. ואפשר גם לנבור בנתונים ולגלות מגמה מעניינת המלמדת על סוג מסוים של לקוח שאנחנו מתעלמים ממנו והוא זה שנותן את הרווח הגדול. 

תהליך זה נקרא שיווק מונע נתונים (Data Driven Marketing) והוא בנוי משימוש בנתונים לגיבוש תובנות, החלטות ופתרונות המותאמות להעדפות העתידיות של קהל היעד.

חברת אמזון גילתה באמצעות ניתוח נתונים מתמשך, שדווקא לקוחות שהזמינו מוצרים נדירים ביותר שלא היו על המדף באופן קבוע, היו מוכנים לחכות הרבה זמן ולשלם יותר. החברה החליטה שהיא מתמקדת בלקוחות אלו (לקוחות הנחשבים כ "זנב ארוך" לפי המודל של אנדרסון), ומוכנה להחזיק על המדפים שלה מוצרים נדירים הנראים לכאורה כלא ריווחים וכמייצרים עלויות אחסון גבוהות, כדי שניתן יהיה להיענות לצרכי לקוחות אלו. התוצאה הייתה מדהימה. בניגוד לכל הגיון שיווקי ותפעולי, הלקוחות האלו העלו את רמת הרווחיות של החברה בצורה דרסטית. חברת אמזון הצליחה לא רק לשנות את המודל העסקי של עצמה תוך כדי התבססות על ניתוח נתונים קבוע, אלא אף משבשת באופן קבוע ומתמשך את שיטות המכירה והשילוח של מוצרים ללקוח, לכל המתחרים בסקטור הקמעונאות. 

דוגמאות נוספות הם: אפליקציית K, אשר מאפשרת קבלת המלצות ומידע רפואי המתבסס על מילוני ביקורים אצל רופאים' ואפליקציית המגן אשר פותחה לאחרונה בעקבות משבר הקורונה עובדת על הצלבות נתונים ממאגרי נתונים של משרדים שונים. 

לסיכום, ניתן לומר שהתמודדות אפקטיבית של ארגונים עם שינויים ושיבושים בסביבת העסקים שלהם מחייבת אותם לתהליך של Data driven – תהליך קבלת החלטות מושכל ומהיר המבוסס על איסוף, עיבוד וניתוח שיטתי של נתונים שממילא קיימים בארגון ומצטברים כל הזמן.
תובנות המבוססות על נתונים אלו יכולים לאפשר לארגון לא רק להגיב אלא גם לנבא צרכים עתידיים וליצור חדשנות יישומית פרודוקטיבית שאף תשבש למתחרים את המודל העסקי שלהם.