האלכימיה של דאטה מבוססת על איסוף וריענון נתונים תמידי, באופן נרחב, שמטרתו למצוא מתאם ולהסיק מסקנות הניתנות לפעולה. שיטה זו מתפתחת כבר מספר שנים אך רק עם הלחצים האדירים בעקבות ה-COVID-19, גישה זו הפכה נפוצה בעסקים. חברות מצאו את עצמן מתמודדות בבת אחת עם תנודתיות אדירה בדינמיקת העבודה (למשל בשל גידול מאסיבי בעבודה מרחוק), רמות המעורבות והשינוי אצל לקוחות, נסיבות פוליטיות, שרשראות אספקה בינלאומיות ועוד. ענקית הייעוץ האסטרטגי בוסטון קונסולטינג גרום BCG מציינת את התועלות וההתפתחויות האחרונות בתחום מרתק זה.
לפני המגזר העסקי, מעניין להתבונן באחת הדוגמאות החזקות לערך של אלכימיה של נתונים הקשורה ישירות ל- COVID-19 - ויכולתה של חברת BlueDot הקנדית לחזות את ההתפרצות כמעט לפני כל אחד אחר. BlueDot, שנוסדה ב-2013 כדי להתריע בפני ממשלות ועסקים על התפרצויות אפשריות של מחלות זיהומיות, אספה ללא הרף את הנתונים העדכניים ביותר ממגוון רחב של מקורות: מדיה ב-67 שפות, דיווחים על מחלות בעלי חיים וצמחים, בלוגים, סטטיסטיקות כרטוס של חברות תעופה ומדיה חברתית. היא עיבדה את כל הנתונים האלה באמצעות אלגוריתמים של למידת מכונה שהצליחו לייצר מתאם ולקלוט דפוסים שאילולא הם היה בלתי אפשרי לראות. כאשר האלגוריתמים של BlueDot הצביעו על דפוסי פעילות חריגים בווהאן, סין, המערכת הביאה אותם באופן אוטומטי לתשומת לבם של האפידמיולוגים של החברה. ב-31 בדצמבר 2019 - שבוע לפני הדו"ח הרשמי הראשון של ארגון הבריאות העולמי - פרסמה החברה אזהרה בנוגע לנגיף COVID-19 והשפעתו הפוטנציאלית. במהלך השנה, החברה המשיכה לחזות נכון את התפשטות המגפה ואף חזתה את ההתפרצות המהירה שלה במקומות כמו הודו וברזיל, חודשים לפני שהמקרים החדשים ומקרי המוות בפועל החלו לטפס.
היכולת לבנות עסק על מידע מקדים מסוג זה נתפסה בעבר כבלתי רגילה, ומיוחסת לגאונות האנושית. כעת, חברות במגוון רחב של תעשיות יכולות לפרוס יכולת דומה, לאתר קורלציות יוצאות דופן ולפעול על פיהן באופן מיידי. האלכימיה של נתונים הופכת להיות חלק מהותי מהשריר החדש של הארגונים.
מה מכילה האלכימיה?
ב- BCG מציינים כי למרות שהשינוי עדיין לא ניכר בקנה מידה רחב, הוא כבר נראה בתוך חברות רבות. את הפרקטיקה של אלכימיית הנתונים ניתן לסכם במשוואה פשוטה עם שני מרכיבים עיקריים:
היסוד הראשון הוא אלגוריתם הבינה המלאכותית - המפרט הרשמי של הבעיה שהאלגוריתם פותר לטיוב קבלת ההחלטות. האלגוריתם עשוי לשלב טכניקות שונות של הנדסת תוכנה, כגון תכנות בשפה טבעית על מנת לטפל בסוגים שונים של נתונים גולמיים המוזנים למערכת.
הרכיב השני הוא הנתונים עצמם. הארגון אוסף כמה שיותר נתונים לניתוח, ללא קשר לאיכות או לתועלת הנתפסת שלהם וללא תבנית. במקום זאת, הנתונים צריכים להיות גולמיים (כלומר מנותחים ללא כל בחירה או עיבוד מראש), רחבים (ממגוון רחב והולך של מקורות) ורעננים (מעודכנים ללא הרף).
גישה זו לאיסוף נתונים חשובה ביותר משום שהיא מונעת הטיה אנושית ותפיסה מוקדמת. מכיוון שאף אחד לא יודע מהיכן יגיעו אותם אותות חלשים של אירועים ותובנות משמעותיים, אין דבר כזה נתונים חסרי תועלת.
את חשיבות איסוף המידע הגולמי ניתן ללמוד למשל מיצרנית הגלידות בן אנד ג'רי, שבשנת 2015 הקימה את יוניליוור, מערכת שיווק מבוססת AI כדי לעקוב אחר כל אזכור לגלידה בתרבות פופולרית או באינטרנט. החיפוש נראה מפוקפק ולא ממוקד, עד שהחברה מצאה למעלה מ- 50 שירים פופולריים עם מילים המתייחסות ל"גלידה לארוחת בוקר". מכאן עלה רעיון שאף אחד לא זיהה לפני כן עם שוק בעל פוטנציאל. על פי דיווח באתר השיווק Campaign, סטן סטאננתן, מנהל התובנות של יוניליוור, ציין כי בן אנד ג'ריס השתמשה בתובנה זו כדי להציג מערך ארוחת בוקר משלה לפני כולם: "שנתיים בהמשך הדרך וגם המתחרים שלנו עושים את אותו הדבר".
ציפייה לסיכון והזדמנות
כבר עכשיו, הגישה המלאה של אלכימיית הנתונים בנוגע לקבלת החלטות הופכת לדרך חיים בחברות רבות. הכוח לחזות שינויים עתידיים בתוך מערבולות, ולנצל הזדמנויות שאחרת לא היו נראות, הוא גדול מדי מכדי להתעלם ממנו והוא הכרחי כדי שמנהיגים עסקיים יוכלו לקבל החלטות אסטרטגיות במהירות רבה יותר עם דיוק גדול יותר, אומרים ב- BCG.
חלק מהעסקים גילו, דווקא בעקבות התפרצות נגיף הקורונה, כי יכולות אלכימיות, כולל אלה שכבר פותחו כמה שנים קודם לכן, היו קריטיות לשרידות והעניקו להם רמות חשובות של חוסן.
דוגמא לכך היא מערכת ניתוח התחזיות שבריטיש איירווייז בנתה עם מכון אלן טיורינג (הארגון הלאומי למדעי הנתונים בבריטניה). כאשר COVID-19 התפרץ, חברת התעופה כבר הייתה מוכנה לאחד המשברים הקיומיים הפתאומיים ביותר שחווה התעשייה כולה. לא רק שחברות התעופה איבדו 75% מהנוסעים שלהן בין לילה, ללא מושג ברור מתי הלקוחות יחזרו, אלא שהשיטות הקיימות לתזמון טיסות הפכו במהירות למיושנות.
במציאות הנוכחית, הנוסעים מתאימים את תוכניותיהם כל הזמן, הגבולות נפתחים ונסגרים, וכללי הריחוק החברתי ומדיניות הסגרים ממשיכים להשתנות כל העת ללא אזהרה. באמצעות "חיזוי דינמי", כפי שמכנה מכון טיורינג את אלכימיית הנתונים, בריטיש איירווייז יכולה לנתב מחדש את טיסותיה ולהתאים את מחירי הכרטיסים שלה, לא רק עבור בקשות הנסיעה הקיימות של הלקוחות אלא גם עבור הסתברויות הנובעות מאירועי חדשות, תגובות לשינויי מחירים קודמים ומגוון רחב של נתונים.
צורות דומות של אלכימיית נתונים סייעו לתעשיות רבות אחרות. חברות הביטוח השתמשו בשיטות אלה כדי להעריך את סיכוני הכיסוי עבור חברות קטנות ובינוניות (SMEs). לאחר ש-COVID-19 התפרץ, מדדי ביצועי העבר של המבטחים כבר לא היו אינדיקטורים מדויקים. מותגי יוקרה השתמשו בתרחישים המבוססים על שיטות אלכימיה של נתונים כדי לנהל את המלאי הגלובלי שלהם, תוך לקיחה בחשבון שגורמים כאלה לכאורה לא קשורים כמו חיפושים מקוונים שנערכו במזרח אסיה. חברות לוגיסטיקה השתמשו באלכימיה של נתונים כדי לפתח גמישות גבוהה יותר בשרשראות אספקה, תכונה חיונית בעולם שבו איומים על תעריפים וחסמים מסחריים נפוצים הרבה יותר. בכל המקרים הללו, ועוד רבים אחרים, האלגוריתמים זיהו ופעלו באופן שגרתי על אף סיכונים והזדמנויות שמקבלי ההחלטות האנושיים היו כנראה מפספסים.
כיצד המנהלים יכולים לעשות את המעבר?
ב-BCG מנתחים את השינויים שמנהיגים עסקיים נדרשים להם בכדי לעשות את המעבר:
בסביבות עסקיות יציבות וצפויות למדי, כריית נתונים מהדור הקודם ("כריית זהב"), הייתה מספקת למרות המגבלות הטבועות בה. מקבלי ההחלטות של החברה ידעו איזה מידע הם מחפשים ותכננו את הזמן הדרוש כדי למצוא ולחדד את הנתונים. מכיוון שמגוון הנתיבים האסטרטגיים הפוטנציאליים קדימה היה מוגבל, מנהיגים עסקיים לא דאגו לגבי מה שהם לא חיפשו. במקום זאת, הם בחרו לנתח את גושי המידע שנראו רלוונטיים ביותר לבעיות הקריטיות שאיתרו.
כך כיום, בעידן סוער יותר זה, חברות רבות החלו להשתמש בבינה מלאכותית ובביג דאטה כדי לייעל את התהליכים. מכיוון שלוקח זמן לבחור מקורות, כריית נתונים מייצרת תוצאות לאט יותר מאלכימיה של נתונים. (ראו מיצג 2). יתר על כן, כריית זהב מעבדת מבחר מוגבל של נתונים הנוטים מטבעם להטיה, בשל האופן שבו הוא נבחר, דבר המספק לכריית זהב יכולת חיזוי נמוכה יחסית.
שילוב של בינה מלאכותית וגישת כריית הזהב מטפל בחששות אלה במידה מסוימת. לדוגמה, כאשר עסקי הקונדיטוריה הגלובליים של Mars שיתפו פעולה עם מרכז החדשנות Tmall (חטיבת מחקר השוק של ה-e-tailer הסינית Tmall), Mars השתמשה בגישה התומכת ב-AI כדי לנתח נתונים שנרכשו מ-500 מיליון המשתמשים של Tmall בסין, מתוך כוונה להפחית את הסיכון לכשלים בפיתוח מוצרים. אבל, ניתוח של מידע היסטורי על רכישת חטיפים התריע בפני מארס על מגמות בהעדפות הצרכנים המקומיות הביא לכך שהחברה הביאה לשוק את ממתק הסניקרס החריף שהפך ללהיט מיידי. השקה זו הייתה הצלחה, אך גם היא ייצגה שיפור מוגבל בהשוואה להזדמנויות הגדולות יותר שהחברה הייתה יכולה לאתר אם היא הייתה חורגת מכריית נתונים ליישום מלא של אלכימיה של נתונים.
אפילו כאשר יש שימוש בבינה מלאכותית, רוב מקבלי ההחלטות העסקיים עדיין מסתמכים על גישת כריית הזהב, אך בעידן ה-COVID-19 של תנודתיות מוגברת, שיטה זו היא פחות ופחות בת קיימא. במילים פשוטות, קבלת החלטות המבוססת על ניסיון - הסתמכות על נתוני עבר (כגון קמפיינים פרסומיים בהובלת בני אדם או למידת מכונה שהוכשרה על-ידי מערכת נתונים קודמת)- מיושנת כעת. לחברות עדיף לעסוק באלכימיה של נתונים, ובהתחשב ברמת אי הוודאות והבלתי צפויות של העולם של היום, אלכימיה צפויה להיות פרקטיקה לשנים רבות.
בסין, למשל, Ant Financial (חברה בת של עליבאבא) בחרה בגישת האלכימיה בהענקת הלוואות לעסקים קטנים סיניים. החברה פיתחה אלגוריתם המספק החלטה עבור כל בקשה שגרתית להלוואה, כולל שיעור הריבית המוצע. האלגוריתם מזקק את עצמו ללא הרף, תוך הסתמכות על זרם קבוע של נתונים חדשים, עם מיליארדי תשומות פעילות מלמעלה מ-3,000 מקורות פעילות ברחבי המערכת העצומה של עליבאבא, כולל פלטפורמות מסחר אלקטרוני פופולריות.
Ant Financial אימצה גם את אלכימיה של נתונים כלוגיקת הליבה של המודל העסקי שלה ומקור היתרון התחרותי שלה. על ידי קידום מודל 3-1-0 שלה ישירות ללקוחות (3 דקות כדי למלא את היישום, 1 שנייה כדי לקבל תשובה וקבלת כספים מיידית עם אפס התערבות אנושית), החברה הגיעה לנקודה שבה היא מעניקה הלוואות עבור יותר מ 50% מכל SMEs הסיני.
אם Ant הייתה נוקטת בגישה מסורתית יותר של כריית זהב, היא הייתה מבססת את ההחלטות לגבי מתן ההלוואות על ניתוח (על ידי בני אדם, תוכנה או למידת מכונה) של אישורי העבר והתחזיות העסקיות החזויות עבור כל מועמד. ניתוח זה לא יהיה אמין, בשל קצב וגודל השינוי בפעילות העסקית כיום, במיוחד בעולם של COVID-19. שכן ביצועי העבר אינם מנבאים מצבים פיננסיים עתידיים.
הבינה המלאכותית תחליף את האדם? לא כל כך מהר
כאשר AI נכנס לתמונה, חששות מתעוררים לעתים קרובות לגבי ההשלכות של הטכנולוגיה על אנשים והמקום שלהם בחברות. ב- BCG ממפים ארבעה תפקידים קריטיים עבור אנשים: בניית המערכת האקולוגית של הנתונים, עיצוב האלגוריתם והתהליך סביבו, ניטור סלקטיבי של התפוקה וניהול חריגים.
אדריכלי הדאטה - ראשית, לאנשים יש תפקיד בסיסי בבניית המערכת האקולוגית הדיגיטלית כדי לאסוף כמה שיותר נתונים. הם היוצרים של הארכיטקטורה שמבטיחה זרימה מתמדת של נתונים טריים ממגוון המקורות הרחב ביותר האפשרי, כולל מגוון רחב של מקורות חיצוניים: נתונים נגישים לציבור מחיפושים באינטרנט, מסדי נתונים הניתנים לרכישה, שיתוף נתונים עם חברות אחרות בתוך אקוסיסטם במידת האפשר. המערכת כולל מקורות פנימיים, ששוחים יחד באגם הנתונים של החברה לצד נתונים חיצוניים.
מעצבי אלגוריתמים ותהליכים - הכישורים של מומחי בינה מלאכותית, שכבר מבוקשים מאוד בשוק העבודה, רלוונטיים במיוחד לאלכימיה של נתונים. העיצוב של האלגוריתם הוא המפתח להצלחה. וזה רק חלק אחד מתהליכי קבלת החלטות רחבים יותר שחייבים להיות מוגדרים מחדש. רק למומחים אנושיים מיומנים, עם יכולות טכניות העומדות לרשותם, יש את הידע והיצירתיות לעצב וליישם מערכת אלכימית.
זקיפים - החברות המרוויחות הכי הרבה מבינה מלאכותית הן אלה שבהן בני אדם ומכונות לומדים אחד את השני. זו הייתה המסקנה העיקרית של הרחבת ההשפעה של AI עם למידה ארגונית- המחקר השנתי לשנת 2020 של פרויקט המחקר והמחקר הגלובלי של BCG-MIT לבינה מלאכותית. ומכאן הצורך ב"זקיפים": מדעני נתונים אשר ממשיכים לשים לב לאלגוריתמים על מנת לחקור הטיות חשודות ולבצע התאמות בעת הצורך. לדוגמה, זקיפים עשויים לזהות מקרים שבהם האלגוריתם מפיק באופן עקבי פלטים בעלי רמת דיוק נמוכה או כאשר אין בו תובנה לגבי ההקשר המתאים.
מנהלים יוצאי דופן - חלק מהמנהלים חוששים שאלכימיה של נתונים תאלץ אותם לוותר על השליטה בהחלטותיהם. למעשה, ההפך הוא הנכון. אלכימיה של נתונים משחררת את תשומת ליבם להחלטות הדורשות יותר חשיבה ועומק. האלגוריתם עושה את כל הבחירות השגרתיות, אבל בכל פעם שהוא מסמן משהו (כמו רמת ביטחון נמוכה בתוצאה או החלטה עם השלכות אסטרטגיות עיקריות), מנהלים אנושיים צריכים להתערב.
להיות אלכימאי
בשנים הבאות, רמת אי הוודאות והבלתי צפיות בסביבה העסקית לא צפויה לרדת. אלכימיה של נתונים אינה מגמה קצרת מועד, ומכיוון שהיא מאפשרת החלטות מהירות יותר, פרטניות ומדויקות יותר, היא חייבת להוביל לשינויים קבועים במנגנוני קבלת ההחלטות - הן עבור חברות קיימות והן עבור הילידות הדיגיטליות החדשות של השנים האחרונות.
אז איפה כדאי להתחיל?
ראשית בזיהוי החלטות חשובות שבהן רמת הדיוק ירדה לאחרונה, בשל המהירות ועוצמת הגודל חסרי התקדים של השינוי. זהו אינדיקטור מפתח לכך ששינוי מבוסס אלכימיה של נתונים יהיה בעל ערך. במידה ונראה שאין לארגון את כל האלמנטים ביד על מנת לקבל החלטה, זהו דגל אדום נוסף. ויש לזכור: אם מזהים צורך כזה, סביר להניח שגם המתחרים יעשו זאת ומכיוון שאלכימיה של נתונים יכולה להפוך למקור ליתרון תחרותי, דחוף לפעול לפני שאר השחקנים בסביבה.