כך תהפכו לגיבורי העל של הדאטה

כך תהפכו לגיבורי העל של הדאטה

05/08/2018 מאת: ארז בן-משה ויעל קנדר

10 עצות שיהפכו את הדאטה שלך מנתונים יבשים לצעדים פרקטיים בדרך לשיפור העסק

1. הגדרת האתגר העסקי

If you do not know how to ask the right question, you discover nothing.

W. Edwards Deming

חשבו על תכנית העבודה שלכם לשנה הבאה ועל התכנית האסטרטגית לשנים הקרובות. עם איזה אתגרים עסקיים מתמודד הארגון שלכם? לא חייבים להתחכם עם האתגרים, אפשר להתחיל מהאתגרים השכיחים: איך להגדיל את ערך הלקוח? איך להגדיל מכירות? איך לשפר את יחסי ההמרה ועוד. ישנם הרבה אתגרים ולכן כדאי לבחור את הבוערים ביותר ואת אלו שאינם רחוקים מדי, כדי שנוכל להוכיח את היתרונות של שימוש בדאטה (מה שנקרא Low hanging fruit).

2. קביעת מדדים

“Measurement is fabulous. Unless you’re busy measuring what’s easy to measure as opposed to what’s important.”

— Seth Godin

בסוף התהליך, איך נדע אם הצלחנו לענות על האתגר העסקי? על פי המדדים שנקבע בתחילת התהליך כדי לבדוק את השיפור. המדדים צריכים למדוד את ההשפעה הישירה על העסק (הגברת מכר או התייעלות). מומלץ להוסיף טוויסט קטן בעלילה ולבחור גם קבוצת ביקורת שעליה לא נפעיל את דרכי הפעולה החדשות, כדי שנוכל להשוות בין דרך הפעולה החדשה לאילו שהשתמשנו בהן עד כה. הגדרנו וחידדנו את האתגר העסקי, קבענו את המדדים ועכשיו זה הזמן של איש השיווק לחזור לשוטף, ולתת לאנליסט להתחיל לעבוד.

3. איסוף דאטה מהערוצים

“Data is like garbage. You’d better know what you are going to do with it before you collect it.”

— Mark Twain

דאטה קיים בהרבה מחלקות בארגון וגם על הרבה מחשבים מקומיים, בפורמטים שונים ומשונים ובשיטות איסוף שונות. ברוב המקרים תגלו שיש לכם יותר דאטה ממה שחשבתם. האתגר הראשון יהיה איסוף הדאטה מהמקורות השונים. האם יש צורך לאסוף את כל הדאטה? ממש לא! נאסוף את הדאטה הרלוונטי לאתגר אותו אנחנו רוצים לפתור מהשלב הראשון, זוכרים? אבל נשמור על ראש פתוח, כי בעולמות של דאטה אנחנו רוצים לחבר דאטה דאטה מהרבה מקורות (break the silos To), כמו למשל נתוני מכירות עם נתונים משירות לקוחות ועם קבצי אקסל שנאגרו בשנה האחרונה בעמודי נחיתה שונים.

4. הכנת הדאטה לניתוח (Data Preprocessing)

“I kind of have to be a master of cleaning, extracting and trusting my data before I do anything with it.”

— Scott Nicholson

עכשיו הגענו לחלק המעניין (בעיקר, את ארז כ- Data Scientist, אתם לא חייבים להתרגש). בשלב זה, אנחנו מתחילים מטיוב נתונים ומשתמשים בכלים אוטומטיים שפיתחנו שיודעים לתקן כתובות, אימיילים וטלפונים כדי שנוכל לחבר דאטה ממקורות שונים. בנוסף, בשלב זה ננקה את הדאטה, נבנה משתנים חדשים ונסדר את הכל כך שאפשר יהיה לעבד את הדאטה יקר הערך שלנו.

5. הבנת הדאטה (Data Exploration)

“Data will talk to you if you’re willing to listen.”

Jim Bergeson —

השלב הראשון בעיבוד הדאטה הוא שלב האנליזה. אנחנו בודקים ממוצעים, התפלגויות, חיתוכים שונים, מגמות, מסקנות ותובנות ראשוניות. התוצר יהיה מצגת פוקחת עיניים המספרת את הסיפור של מה שקרה ומסבירה מה קורה. תוצר אפשרי נוסף וקצת יותר מתקדם, הוא דשבורד שמחובר לדאטה, מתעדכן אוטומטית ומאפשר להפיק תובנות חדשות בכל פעם כשהנתונים מתעדכנים.

6. הסקת מסקנות לצורך בקרה וקבלת החלטות

“Data by itself is useless. Data is only useful when if you apply it.”

Todd Park —

כאן נבחנות יכולות צוות האנליזה להתרומם מעל המספרים ולהביא תובנות משמעותיות, רלוונטיות ומחוברות לאתגר העסקי באופן שוטף. אין טעם להשקיע באנליזה אם לא תזקקו את המסקנות לכדי פעולות. הרעיון הוא שבכל חודש תשבו ותחשבו מה אתם צריכים להפסיק לעשות, מה אתם צריכים לעשות אחרת ואיזה דברים חדשים עליכם לעשות.

הרבה ארגונים, עוצרים בשלב זה ומתרגלים שימוש בדאטה שמגיע ממקורות שונים לתוך דו”חות או דשבורד שמאפשר נגישות לדאטה לגורמים השונים בארגון. זה שלב אבולוציוני של ארגון עד שהוא בשל להמשיך למצות את הערך הטמון בדאטה באמצעות כלים מתוחכמים יותר. צריך להבין שעד כה ענינו רק על שתי שאלות: מה קרה, ולמה זה קרה.

7. בניית מודל חיזוי/ קלסיפיקציה/ זיהוי תבניות (Predictive Analytics)

“Every part of your business will change based on what I consider predictive analytics of the future.”

Ginni Rometty —

ואם קודם היה מרגש, כאן מגיעים לחלק המעניין באמת. הדאטה שאספנו והדאטה שממשיך לזרום, יכול ללמד אותנו לא רק על מה שקרה אלא גם על מה שיקרה באמצעות שימוש באלגוריתמים של Machine learning ובניית מודלים של Predictive Analytics. תהליך הבנייה של מודל הוא תהליך איטרטיבי שבו אנחנו משתמשים בדאטה כדי לאמן מודל ומשפרים את יכולות החיזוי שלו תוך בדיקה והרצה מחודשת. התהליך הזה מתבצע עד שאנחנו מגיעים ליכולות חיזוי מקסימלית.

8. שיפור וכיוונון המודל

“Do it. Try it. Fix it.”

Sam Walton —

אחרי שיש לנו מודל צריך קצת לשחק איתו בשביל לראות איך משיגים את התוצאות הטובות ביותר. הבדיקה של יכולות המודל היא חלק אינהרנטי מתהליך הבנייה והאימון של המודל על הדאטה. בקשו מה-Data Scientist להוכיח לכם שהמודל עובד ויביא שיפור בתוצאות לפני שמטמיעים אותו במערכת. אפשר לחשב מראש את יכולת השיפור, לפני שמטמיעים את המודל.

9. יישום ומדידת השיפור (Next best action, פרסונליזציה)

“Predicting rain doesn’t count. Building arks does.”

Warren Buffett —

יש לנו מודל טוב שיודע מה להתאים לכל לקוח? אנחנו מרוצים מהתוצאות, אז בואו ניישם אותו בשטח וניתן למודל להחליט אוטומטית מה הכי מתאים לכל לקוח כדי להגדיל את יחס ההמרה ולהגדיל את המכירות. אנחנו עוברים מחיזוי לפעולה שמתבססת על החיזוי.

10. הטמעת “תרבות דאטה” כדרך עבודה קבועה בארגון (Start over with the next challenge)

“Process is sexy, it is now the new black”

Lisa Arthur —

זוכרים שהתחלנו מהאתגר העסקי? אז בחירה נכונה של האתגר העסקי, הנגשת הדאטה הרלוונטי לקבלת החלטות בתוך הארגון ושימוש בדאטה כדי לפתח מודלים שיודעים להחליט במקומנו, ייצרו ארגון שמחובר ומונע מדאטה. מה שמייצר ארגון בעל יתרון תחרותי משמעותי. ועכשיו, אנחנו יכולים לבחור את האתגר הבא ולעשות זאת שוב מההתחלה כי כמו שאמרו כבר לפנינו: תהליכים זה ה-דבר ואת ה4 P’s כבר מזמן החליפו ל: People, Processes, Performance and Profit.

וציטוט אחרון לדרך:

“If it scares you, it might be a good thing to try.”

Seth Godin —

בהצלחה!

ארז בן-משה, Data science and Analytics Lead ויעל קנדר, Data and CX Partner, חברת !2Do

שינוי גודל גופנים
ניגודיות