כולם מדברים על Big Data מרבית הארגונים העסקיים כבר מבינים, ששימוש ב-Big Data יכול להביא להם ערך רב.
כולם מדברים על Big Data. מרבית הארגונים העסקיים כבר מבינים, ששימוש ב-Big Data יכול להביא להם ערך רב. ממחקר של Gartner מ-2013 עולה, כי 73% מהחברות הגדילו את השקעותיהן ב-Big Data & Analytics. מצד שני, כ-60% מהחברות מרגישות, כי אין להן את הכישורים המספיקים הנדרשים בכדי להפיק ערך עסקי רב מ-Big Data. למעשה, מרבית הארגונים הם עשירים בנתונים ובמידע אך עניים בתובנות. במילים אחרות, הם טובעים במידע. הסיבה המרכזית לכך, הינה שמנהלים רבים אינם מבינים, שבכדי להפיק ערך עסקי מ-Big Data, הארגון חייב להיות ארגון מונחה מידע.
ארגון מונחה מידע (Data Driven Enterprise) הוא ארגון שיודע לאסוף את המידע הנכון ולעשות בו שימוש לצורך הפקת ערך עסקי. כמובן שזוהי הגדרה כללית מאוד שאיננה מספקת, אולם היא כן נותנת וקטור מחשבתי מסוים, והיא מאפשרת להבין מה הם עקרונות האתגר שלנו ומה הם עקרונות הפתרון. בכדי להבהיר את עקרונות אלה, מאמר זה מביא לכם את סיפורו של כריס.
כריס, הוא מנהל בכיר בחטיבה לשיווק ממוקד לקוח באחת מחברות המדיה הדיגיטלית הגדולות בקנדה. כריס נכנס לאחרונה לפאניקה ממספר סיבות: כריס צריך להפיק תובנות לגבי 12 מיליון משתמשים שלו, יש לו 120 מיליון רשומות שמתעדכנות מדי יום, הוא מקבל מדי יום הרבה מאוד לוגים עם מידע לא מובנה מרשתות חברתיות וכל אחד מהקבצים שהוא עובד עליהם הינו עצום בגודלו. בנוסף לכך, כריס שמע מספר משפטים שנגעו לליבו: "עובדות לא מפסיקות להתקיים אם מתעלמים מהן", "אם אתה רוצה לבנות את הארגון של המחר – השתמש בכלים של המחר" ו"בלי אנליטיקה על Big Data, חברות הן עיוורות וחרשות, תוהות ברחבי הרשת כמו צבאים בכביש מהיר". משפטים אלו, הבהירו לו כי הוא חייב לעשות שינוי. הוא בעיקר הבין כי הוא לא יודע להתמודד לבדו עם האתגר שניצב מולו.
בכדי להתמודד עם האתגר, החליט כריס להבין את עקרונות האתגר, עקרונות הפתרון והאפשרויות ליישם את הפתרון. בבדי להבין את עקרונות האתגר, השתמש כריס במודל 4 השכבות לניתוח ארגוני. בשלב הראשון, הגדיר כריס את יעדי הארגון (כ-1.5 מיליארד דולר במכירות עבור החטיבה). לאחר מכן, הגדיר כריס את תהליכי העבודה והכלים שתומכים בהשגת ערך עסקי זה. בשלב הבא, בחן כריס איזה מידע בארגון מסייע לו בהנעת תהליכים אלה (מידע מובנה ולא מובנה). בשלב האחרון, זיהה ומיפה כריס את התשתיות הטכנולוגיות שתומכות בהחזקת מידע זה ובשימוש בו. כעת, ניסה כריס לזהות, כיצד יוכל הארגון להשתמש בטכנולוגיות ושיטות של Big Data להפיק תובנות מיותר מידע, באופן מהיר יותר ובכך להגדיל את הערך העסקי שלו. בתום תהליך זה, הבין כריס את עקרונות האתגר שניצב בפניו. בשלב הבא, הביא כריס יועץ של חברת אנליטיקה מתקדמת, בכדי להבין מה העקרונות הנדרשים לצורך התמודדות עם האתגר.
בתהליך זיהוי עקרונות הפתרון, הבין כריס, כי בכדי להפיק ערך עסקי בעידן ה-Big Data, הוא חייב להפוך את הארגון לארגון מונחה מידע. בכדי להפוך את הארגון לכזה, נדרש כריס לשנות 3 מרכיבים מרכזיים בארגון: יכולות הארגון לבצע אנליטיקה, יכולות הארגון לרכז את כל המאמץ האנליטי במקום אחד ויכולות טכנולוגיות שיתמכו ביכולת הארגון לבצע אנליטיקה. לאחר ש-3 מרכיבים אלה יושלמו, יוכל כריס להתחיל להטמיע כלי Big Data בארגון, כחלק מהמפעל האנליטי שלו.
.png)
תמונה 1- מרכיבי הפתרון לצורך מימוש Big Data
מרכיב I, הינו היכולת לבצע אנליטיקה בכמה שיותר חלקים בארגון. בכדי "לבצע אנליטיקה" נדרש הארגון להטמיע את כלל "מחזור החיים האנליטי" (תמונה 1). משמעות מימושו של "מחזור החיים האנליטי" בארגון הינו:
גישה לנתונים– היכולת לגשת לכמה שיותר נתונים ממגוון רחב של מקומות ולעבד את כל סוגי המידע בכל אותם מקומות.
צפייה בנתונים ותחקורם– היכולת לגשת לכמות נתונים גדולה, לעבד אותה מהר ולהפיק ממנה תובנות תיאוריות.
ניתוח נתונים– היכולת לבצע חיזוי, אופטימיזציה, כריית מידע ועוד על גבי המידע שמגיע מהמקוורות השונים.
פיתוח ויישום מודלים– היכולת לפתח וליישם מודלים אוטומטיים וידניים, שיאפשרו להוציא תובנות לגבי המידע.
דיווח והצגה – היכולת לדווח את תוצאות האנליטיקה ולהציגם ברחבי הארגון בצורה אפקטיבית, שמאפשרת למשתמש הקצה גם לשנות את המידע. למעשה, ברגע ש"מחזור החיים האנליטי" מוטמע ברחבי הארגון, ניתן כעת לעבור למרכיב העקרון הבא.
.png)
תמונה 2 - מחזור החיים האנליטי - אופן מימוש האנליטיקה בארגון
מרכיב II, הינו היכולת להביא אנשים שמבינים באנליטיקה, ולייצר גורם אחד בארגון שרואה את כל תמונת המצב האנליטית הארגונית. אותו גורם או אותו גוף הוא "מדען הנתונים הראשי" או "גוף האנליטיקה הארגוני הראשי". גוף זה צריך לנסות ולהחיל את כל כלל מחזור החיים האנליטי, בכמה שיותר מקומות בארגון, תוך כדי הסתכלות על היכולות האנליטיות, הטכנולוגיה שמאפשרת את היכולות האנליטיות ועל הידע העסקי. מאמר זה לא ייכנס ליכולותיו של גוף זה, אבל הוא כן ידגיש את ההכרחיות של גוף זה כחלק מהפתרון, ואת ההבנה כי מדען הנתונים הראשי הארגוני איננו דומה באופיו ותפקידו ל-CIO הארגוני.
מרכיב III של הפתרון הינו הטכנולוגיה. למעשה, ארגון אשר רוצה לקיים את "מחזור החיים האנליטי" באופן האפקטיבי ביותר, חייב להביא את כלל היכולות הטכנולוגיות אשר תומכות במחזור זה. לדוגמא, בשלב הגישה לנתונים, נדרשת היכולת לגשת למספר מקורות מידע, היכולת לעבוד עם טכנולוגיות Big Data, היכולת לבצע תהליכי טיוב נתונים והיכולת לעבד מידע מובנה, חצי מובנה ובלתי מובנה. בשלב יתר היכולות הטכנולוגיות הנדרשות בכל אחד מהשלבים, מופיעות בדיאגרמה הבאה.
תמונה 3 - היכולות הטכנולוגיות הנדרשות לקיום מחזור החיים האנליטי
ברגע שמומשו 3 מרכיבי הפתרון (אנליטיקה, ידע עסקי\אנשים וטכנולוגיה), ניתן כעת להפיק ערך עסקי מ-Big Data בארגון. התמונה הבאה מתארת את המצב הנוכחי של ארגונו של כריס. במצב הנוכחי, כלל המידע התפעולי של הארגון נכנס למחסן הנתונים, והמשתמשים לוקחים "חתיכות" ממחסן נתונים זה ומבצעים עליהם BI ואנליטיקה.
בפני כריס, עומדות 3 אלטרנטיבות למימוש Big Data בארגון. האלטרנטיבה הראשונה, משתמשת ב-Big Data כתוספת למחסן הנתונים הארגוני ותומכת בו. כלומר המידע המובנה ממשיך להיאסף ולהיות מנותח באמצעות מחסן הנתונים, והמידע החצי מובנה והלא מובנה נאסף באמצעות מסגרת ה-Big Data (במקרה הזה Hadoop - מסגרת תוכנה open source, אשר מאפשרת אחסון ועיבוד של כמויות מידע גדולות, על גבי חומרה זולה יחסית, כדוגמא), ומנותח שם.
האלטרנטיבה השנייה העומדת בפני כריס, הינה להשתמש ב-Big Data כבסיס ל-BI ולאנליטיקה. כלומר, תהליכי זרימת הנתונים למחסן הנתונים נשארים זהים למצב הנוכחי, רק שכעת חלק מהמידע מועבר ממחסן הנתונים לתוך ה-Hadoop, ומנותח על גבי ה-Hadoop.
האלטרנטיבה השלישית העומדת בפני כריס, הינה לקחת את מערכת ה-Hadoop ולהשתמש בה כ-Data Lake ממנו יישאב כל המידע לצרכי האנליטיקה וה-BI. אלטרנטיבה זו תאפשר לאסוף כמויות אדירות של מידע במחיר זול, ולאחר מכן תיתן לארגון את היכולת לנתח כמויות גדולות של מידע שכבר קיים במערכות הארגון.
מכיוון שכריס הוא בחור שמרן יחסית, הוא בחר באלטרנטיבה הראשונה, והקים את ה-Big Data כתוספת למחסן הנתונים הארגוני. מצד אחד, פתרון זה אפשר לכריס להפיק ערך עם המידע החצי מובנה והלא מובנה שהגיע לפתחו של הארגון. מצד שני, הפתרון לא דרש מכריס משאבים בלתי נדלים בכדי להטמיע אותו. פרויקט מימוש הפתרון כלל בתוכו מספר פעולות: הבאת יועצים חיצוניים להטמעת מסגרת Hadoop, הבאת מדעני נתונים מתאימים (Data Scientists), שינוי תהליכי העבודה הקיימים בארגון, הכנת אנשי ה-IT של הארגון למהלך וכמובן הבאת יכולות טכנולוגיות שיתמכו ב"מחזור החיים האנליטי" מעל ה-Hadoop.
העברת הארגון לשימוש ביכולות Big Data הסתיימה בהצלחה בלתי מבוטלת. אולם, בתום המעבר, כאשר כריס החל להפיק ערך עסקי ממסגרת ה-Big Data שלו, הוא גם הבין, כי שינוי זה הינו רק הצעד הראשון. בכדי להישאר לפני הארגונים המתחרים, עליו להמשיך לנסות להפיק עוד ועוד ערך מהמידע, תוך השקעת משאבים לא מבוטלים בטכנולוגיות, שיטות עבודה ואנשים.
