of x

Analytics 2014

Published on June 2016 | Categories: Documents | Downloads: 17 | Comments: 0
317 views

Analytics 2014

Comments

Content

Moshav Bnei Zion P.O.Box 151, 60910 Israel Tel. 972-9-7907000 Fax. 972-97442444

‫עגול‬-‫סיכום מפגש שולחן‬
Analytics – ‫אנליטיקה‬

‫מנחה‬
‫עינת שמעוני‬

1

‫‪Moshav Bnei Zion P.O.Box 151, 60910 Israel Tel. 972-9-7907000 Fax. 972-97442444‬‬

‫לקוחות נכבדים שלום‪,‬‬
‫תודה על השתתפותכם במפגש שולחן עגול ‪ Round Table‬בנושא אנליטיקה ‪.Analytics -‬‬
‫בתחילת המפגש הוצגו כמה שקפים על ידי ‪ ,STKI‬הסוקרים את המגמות העיקריות בתחום‪ .‬בין השאר‪ ,‬דובר‬
‫על מודל הבשלות של תחום האנליטיקה‪ ,‬המתאר היכן רוב הארגונים בישראל נמצאים כיום‪ ,‬ולאן פניהם‬
‫מועדות בתחום זה בשנים הקרובות‪.‬‬
‫באבולוציה של ‪/ BI‬אנליטיקה‪ ,‬רוב הארגונים מספרים על תחושת "רוויה" מתחום ה‪ BI-DW‬המסורתי‪ .‬מנהלי ‪BI‬‬
‫בשנה האחרונה התעסקו בשיפור יוזמות ה ‪ BI‬בכמה היבטים‪ ,‬בעיקר יישום יותר מודלים של ‪Self service‬‬
‫(מצב בו משתמשים מפתחים בעצמם דוחות ואף מודלים‪ ,‬לעומת מצב בו ה ‪ IT‬הוא מפתח הדוחות העיקרי)‪,‬‬
‫וכן מעבר לגישת ה‪( Discoveries-‬לעומת ‪ .)Queries‬אולם הקפיצה העיקרית עליה מדברים מנהלי ‪ BI‬בשנים‬
‫הקרובות היא הקפיצה לתחומים היותר אנליטיים‪ ,‬לספק יכולות תחקור יותר עמוקות‪ ,‬הכוללות אלמנטים של‬
‫חיזוי‪ ,‬מגמות‪ ,‬חריגות‪ ,‬אופטימיזציות וכד'‪ .‬כמו כן‪ ,‬יש לציין כי מדובר על אנליטיקה שונה מזו שהכרנו לפני‬
‫כמה שנים במוב ן של הגבולות שלה‪ .‬מדובר על ניתוח כל סוג של מידע‪ ,‬מובנה וכן בלתי מובנה‪ ,‬נפחים שאינם‬
‫מוגבלים תיאורטית‪ ,‬ויכולות תחקור חדשות (לדוגמה‪ ,‬אנליטיקה "אוטומטית" שמספרת לנו מה קורה בנתונים‬
‫שלנו)‪.‬‬

‫בהמשך‪ ,‬בשולחן העגול נערך דיון פתוח בין משתתפי המפגש – רובם מנהלי ‪ BI‬בארגוני ‪ ,Enterprise‬ומקבלי‬
‫החלטות שונים‪ ,‬בסקטורים שונים‪ .‬ארגונים סיפרו היכן הם נמצאים כיום בתחום זה‪ ,‬מהן התכניות שלהם‬
‫בהמשך‪ ,‬התלבטויות וסוגיות‪ ,‬וחלקו תובנות על התחום‪.‬‬

‫‪2‬‬

‫‪Moshav Bnei Zion P.O.Box 151, 60910 Israel Tel. 972-9-7907000 Fax. 972-97442444‬‬

‫בין הסוגיות שעלו בדיון‪:‬‬
‫‪‬‬

‫סוגיית ה"אמת המרכזית האחת" בארגון – כיצד מוודאים שתישמר‪ ,‬למרות כל ההתפתחויות‬
‫הטכנולוגיות וסוגיית ה ‪?Self service‬‬

‫‪‬‬

‫האם ארגונים בשלים ליישום מודלים סטטיסטיים‪ ,‬חיזוי וכד'?‬

‫‪‬‬

‫‪ Big data‬עלה כתשתית מאפשרת בדיון (רוב הארגונים התייחסו אליו כאמצעי‪ ,‬ולא כמטרה)‪.‬‬

‫‪‬‬

‫האם יש עדיין טעם ליישם "קוביות"‪ ,‬או שהתשתיות האנליטיות החדשות‪ ,‬מבוססות ‪,in memory‬‬
‫מייתרות נושא ותיק זה?‬

‫מצ"ב סיכום עיקרי הדברים שעלו במהלך המפגש‪ .‬במפגש עלו נושאים מהותיים שתומצתו בסיכום כפי שעלו‪.‬‬
‫אין בסיכום זה המלצה גורפת ללקוחות אלא מתן פרספקטיבה והצגה של ההתלבטויות שעלו במפגש‪ ,‬כלומר‬
‫"מהשטח"‪.‬‬
‫קריאה מהנה‪,‬‬
‫בברכה‪ ,‬עינת שמעוני‪.‬‬

‫‪3‬‬

‫‪Moshav Bnei Zion P.O.Box 151, 60910 Israel Tel. 972-9-7907000 Fax. 972-97442444‬‬

‫תוכן עניינים‬
‫הגיע הזמן לאנליטיקה! ‪5 ............... ................................ ................................ ................................‬‬
‫משתמשים שונים – צרכים שונים ‪5 .................................. ................................ ................................‬‬
‫איך מתחילים? הגישה המסודרת אל מול הגישה הניסיונית ‪5 ................................ ................................‬‬
‫איום על "אמת אחת" ‪6 .................. ................................ ................................ ................................‬‬
‫כלים טכנולוגיים ‪6 ........................ ................................ ................................ ................................‬‬
‫נספח – תגובות ספקים ויועצים לסיכום המפגש‪7 .............. ................................ ................................ :‬‬

‫‪4‬‬

‫‪Moshav Bnei Zion P.O.Box 151, 60910 Israel Tel. 972-9-7907000 Fax. 972-97442444‬‬

‫הגיע הזמן לאנליטיקה!‬
‫משתתפי המפגש בהחלט ציינו כי הם מרגישים שה‪ BI-‬המסורתי וה‪ DW-‬הקלאסי מתקרבים למיצוי‪ .‬הם‬
‫מרגישים שתוך שנה‪-‬שנתיים זה כבר לא יספיק והם יידרשו לתת תובנות מסוג חדש לארגון‪ ,‬כאלו הנשענות‬
‫על כלים יותר אנליטיים‪ ,‬ניתוח סוגים חדשים של נתונים‪ ,‬וכן הכללת נושא החיזוי – ‪,Predictive analysis‬‬
‫כאשר ברקע – טכנולוגיות ביג דאטה מאפשרות הרחבת היריעה של האנליטיקה הקלאסית כפי שרובנו‬
‫מכירים אותה‪ ,‬ומאפשרות ניתוח מסה גדולה של נתונים‪ ,‬מגוון רחב של סוגי נתונים ועוד‪.‬בין היוזמות‬
‫שארגונים תיארו אשר הם רואים בהם ערך רב‪ ,‬והיו רוצים ליישם בארגונם‪:‬‬
‫‪‬‬

‫תמלול השיחות הטלפוניות במוקד השירות‪ ,‬ניתוח שיחות אלה להוצאת לידים‪ ,‬זיהוי לקוחות בסיכון‬
‫נטישה ועוד‪.‬‬

‫‪‬‬

‫ניתוח טקסט – חילוץ ישויות וקשרים בין ישויות (על גבי מסמכים‪ ,‬מיילים)‬

‫‪‬‬

‫עולמות אנליטיים "קלאסיים" כמו סגמנטציה‪ ,‬חיזוי נטישה‪ ,‬חיזוי הכנסות מול הוצאות‪ – Collection ,‬רמת‬
‫ודאות להגעה אל הכסף‪ ,‬סיכוני אשראי‪ ,‬חישוב עושר פיננסי ללקוח‬

‫ארגונים סיפרו על יוזמות שונות שניסו להתניע בארגון בנושא האנליטיקה‪ .‬בין היוזמות שתוארו ‪ -‬ניסיון לניתוח‬
‫שיחות טלפוניות במוקד השירות – סופר על ניסיון שלא הצליח‪ ,‬בגלל חוסר בשלות התחום ותמיכה לא מספיק‬
‫טובה בעברית‪.‬‬

‫משתמשים שונים – צרכים שונים‬
‫ברור שלא כל משתמשי הארגון ישתמשו ביכולות אנליטיות‪ .‬קיים צורך למפות סוגי משתמשים שונים כאשר‬
‫תהיה אולי סביבה ארגונית אחת לנתונים‪ ,‬אך כל אחד יעשה בה את השימוש שלו‪ .‬לדוגמה‪ ,‬אחת מחברות‬
‫הביטוח תיארו את האקטואריה ואנליסטים כמשתמשים פוטנציאלים של סביבות אנליטיות מבוססות ‪in-‬‬
‫‪( memory‬אותם אקטוארים משתמשים בכלי סטטיסטיקה וכריית נתונים כיום‪ ,‬אך באופן נקודתי ולוקאלי – על‬
‫המחשב שלהם ולא בהיקף ‪.)Enterprise‬‬
‫בצד השני‪ ,‬יש ארגונים בהם רוב המשתמשים עדיין ב ‪ Mindset‬של דוחות ארוזים בקופסה‪ .‬המשתמשים לא‬
‫מבקשים בכלל ‪ Self-service‬ולא ברור מי (אם בכלל) ישתמש בכלים כאלה‪ ,‬אם הארגון יספק אותם‪.‬‬

‫איך מתחילים? הגישה המסודרת אל מול הגישה הניסיונית‬
‫רוב משתתפי המפגש‪ ,‬כאמור‪ ,‬ציינו כי ברצונם להיכנס לעולם האנליטי‪ ,‬חלקם גם ציינו מפורשות את תחום‬
‫הביג דאטה כתחום שברור שצריך להתחיל לבדוק אותו כיום‪ ,‬אולם רובם ככולם מתקשים לאתר את‬
‫"הפרויקט" שיצדיק כניסה לתחומים אלה‪ .‬כלומר‪ ,‬אין כאן מצב בו מגיע משתמש עסקי עם צורך ו ‪Business‬‬
‫‪ Case‬ברור‪ ,‬אלא המצב הוא שמנהלי ‪ BI‬מרגישים שיש כאן קפיצה טכנולוגית שיכולה לספק לארגון תועלות‬
‫חדשות שהוא אינו מכיר‪ ,‬אך כיצד להתחיל להתניע מהלך כזה? לאיזה צורך עסקי כדאי "להתחבר"? כבר‬
‫‪5‬‬

‫‪Moshav Bnei Zion P.O.Box 151, 60910 Israel Tel. 972-9-7907000 Fax. 972-97442444‬‬

‫ברור להרבה ארגונים שלא כדאי לשבת ולחכות שיגיע מנהל עסקי עם רעיון מגובש‪ ,‬אלא צריך להבהיר לארגון‬
‫מה הוא יכול לעשות עם כלים אלה‪.‬‬
‫גישה אחרת‪ ,‬שאחד המשתתפים תיאר במפגש‪ ,‬היא הגישה הנסיונית‪ .‬פשוט להתחיל "לשחק" עם התחום‪.‬‬
‫באחד הארגונים תואר מצב בו מסת הנתונים הייתה גדולה מדי‪ ,‬ולכן התחילו להוריד ‪ Hadoop‬ולהתנסות‪,‬‬
‫הקימו מערכות מעל‪ ,‬עשו שימוש בכלים ‪ /‬יוזמות קוד פתוח כדוגמת ‪ MongoDB‬ו ‪ ,Couchbase‬הכשירו אנשים‬
‫פנימית‪ ,‬וככל שנחשפו לזה בארגון‪" ,‬עם האוכל בא התיאבון" והם התחילו לקבל דרישות‪ .‬בשכבה האנליטית‪,‬‬
‫חוקרי ‪ ,data scientists‬מוכווני משימות‪ :‬מקבלים בעיה‪ ,‬מפתחים מודל‪ ,‬מכניסים בתוך אפליקציה וממשיכים‬
‫הלאה‪ .‬אותו נציג הביע אמון רב בכלי קוד פתוח ככלים העיקריים כיום בתחום זה‪ ,‬יותר מכלי ה ‪Enterprise‬‬
‫בצורה משמעותית‪ Cloudera .‬ו ‪ MAPR‬מתקדמים יותר ויותר לכיוון סוויטה שלמה שעושה הכל – האדופ‪,‬‬
‫אנליטיקה‪ ,‬ויזואליזציה‪ ...‬כיום קיימת סביבת ‪ ,Hadoop Sandbox‬אשר חיה לצד ה‪ DW-‬המסורתי‪.‬‬

‫איום על "אמת אחת"‬
‫הגישות האנליטיות החדשות‪ ,‬וגם סביבות ה‪ BI-‬החדשות‪ ,‬מאיימות על הסטטוס‪-‬קוו של שמירת ‪"Single‬‬
‫‪ "Version of the Truth‬שמנהלי ‪ BI‬כ"כ התאמצו להגיע אליו‪ .‬גישת ‪ Self service‬מייצרת "איים" של מידע‪,‬‬
‫ופרשנויות שונות של נתונים‪ .‬אנליסטים ‪ /‬משתמשים שונים מייצרים בעצמם מודלים ולכן מגיעים לתוצאות‬
‫עסקיות שונות‪ .‬ניסיונות שארגונים תארו על מנת להתגבר על אתגר זה‪:‬‬
‫‪‬‬

‫בשכבה האנליטית‪ ,‬ארגון פיננסי בנה מנגנון לאנליסט שיושב במחלקה העסקית‪ ,‬שעובד מול מסד נתונים‬
‫גדול של ה ‪ DW‬שלהם – כשאותו אנליסט רוצה להפוך מודל חכם שהוא בנה‪ ,‬למשהו "תפעולי" שה‪IT-‬‬
‫יארוז‪ ,‬אשר ירוץ כל הזמן‪ ,‬יש מנגנון שהוא עובר ומגיע ל ‪( IT‬עוטפים אותו‪ ,‬כולל תמיכה בהרשאות)‪.‬‬

‫‪‬‬

‫בשכבה של ה‪ ,BI-‬בתחום ‪ self service BI‬מגמה שהטמיעו די חזק – ב ‪ IT‬מייצרים שכבות סמנטיות‪,‬‬
‫עוטפים אפליקציות ומנגישים את המידע למשתמשים החכמים ‪ /‬אנליסטים‪.‬‬

‫‪‬‬

‫ארגונים גם דיברו על הגדרת מילון נתונים כדרך להתמודדות עם הביזור הטבעי שמתרחש כעת בעולם ה‪-‬‬
‫‪ – DW‬הגדרת מילון נתונים על כל טבלה וכל שדה‪ .‬מטפל גם בנושא המשמעות של נתון‪.‬‬

‫‪‬‬

‫יצירת "קהילת ‪ "BI‬בארגון שנפגשת מדי פעם‪ ,‬עושים כנסים והדרכות כיצד נכון להשתמש‪.‬‬

‫כלים טכנולוגיים‬
‫בין היתר‪ ,‬כלים טכנולוגים מעניינים שהוזכרו (זוהי כמובן לא רשימת כלים מלאה)‪ ,‬לא כולם מוכרים בישראל‪,‬‬
‫וחלקם בקוד פתוח‪:‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬

‫כלי בשם ‪ – WEKA‬כלי קוד פתוח ל ‪ ,machine learning‬בונה מודל חיזוי‪ ,classification ,‬קלסטרינג‪,‬‬
‫רשתות בייסיאניות‬
‫לצד השימוש בכלי ‪ ,SPSS ,SAS‬הוזכר גם מעט שימוש בכלי ‪ .R‬הוזכר גם כלי קוד פתוח שנקרא ‪PSPP‬‬
‫(שלא במקרה מזכיר את ‪)SPSS‬‬
‫‪ KNIME‬כלי ‪ ETL‬קוד פתוח בעולם הביג דאטה‪ ,‬גוררים ריבועים ומושכים חצים (ריבועים חכמים‬
‫שעושים קלסיפיקציה וקלסטרינג)‬
‫‪6‬‬

‫‪Moshav Bnei Zion P.O.Box 151, 60910 Israel Tel. 972-9-7907000 Fax. 972-97442444‬‬

‫נספח – תגובות ספקים ויועצים לסיכום המפגש‪:‬‬
‫תגובת חברת מטריקס‪:‬‬
‫‪ SAP‬מספקת בשנים האחרונות פתרונות אנליטיקה מלאים המכסים כל צרכי האנליטיקה של הארגונים‪ ,‬החל מ‬
‫‪ Enterprise BI‬באמצעות סוויטת ה‪ BI -‬של ‪ ,SAP Business Objects‬פתרונות ה‪SAP Lumira Self Service BI-‬‬
‫ופתרונות האנליטיקה המתקדמת ‪.SAP Predictive analysis‬‬
‫פתרון ‪ SAP Lumira‬נועד לאפשר ‪ Self Service BI‬באופן שמאפשר יצירת "רשת של אמת"‪ ,‬ע"י יצירת‬
‫הניתוחים על בסיס עולמות והעשרתם במגוון נתונים רחב‪ ,‬החל מגיליונות נתונים‪ ,‬קבצים‪ ,‬בסיסי נתונים‬
‫אחרים‪ ,‬אפליקציות ענן ושירותי רשת‪ .‬הפתרון הינו פתרון קל לשימוש ואינטואיטיבי המאפשר זריזות ארגונית‬
‫תוך כדי שמירה על בטחון במידה ועל השכבה הסמנטית הקיימת בתשתיות ה‪ .IT-‬גישה חדשנית זו מהווה‬
‫יתרון מהותי מול גישות ה‪ Self ServiceBI-‬בשנים האחרונות‪.‬‬
‫‪ SAP Predictive analysis‬הינו פתרון כריית מידע המבוסס על רכישת חברת ‪ KXEN‬בשנת ‪ .2113‬פתרון זה‬
‫הינו פתרון קל לשימוש‪ ,‬מהיר‪ ,‬בעל ‪ Time to market‬הקצר בעשרות אחוזים לעומת שימוש בכלי‬
‫‪ Opensource‬או כלי כריית המידע המסורתיים בשוק‪ .‬הפתרון הינו פתרון אשר מאפשר לאנליסט פשוט שאינו‬
‫בעל ידע סטטיסטי מקיף לבנות מודלי חיזוי‪ ,‬קליסיפיקציה‪ ,‬מנגנוני המלצה וכדומה במהירות ובקלות רבה ללא‬
‫כל תלות במקור המידע‪ .‬הפתרון מיושם אצל מאות לקוחות בעולם במגוון תעשיות ולמעשה מגשר על הפערים‬
‫הקיימים בין רמת הידע הנדרשת עבור מדען מידע לעומת האנליסט העסקי שיכול להפעיל את הפתרון של‬
‫‪.SAP‬‬
‫איש הקשר ‪ :‬בעז גודוביץ ‪ ,‬מנהל מוצר ‪[email protected] , sap business objetcs‬‬

‫‪7‬‬

‫‪Moshav Bnei Zion P.O.Box 151, 60910 Israel Tel. 972-9-7907000 Fax. 972-97442444‬‬

‫תגובת חברת אמת מחשוב‪:‬‬
‫ארגונים רבים מוצאים ש‪ ,Splunk-‬מוצר לניתוח מידע ‪ ,IT‬מאפשר מענה מהיר וסקאלאבילי לאתגרי אנליטיקה‬
‫רבים‪ .‬מלבד מערכת הפעלה‪ ,‬אין צורך בתשתיות תוכנה נוספות‪ .‬המוצר כולל את כל הרכיבים הדרושים ‪-‬‬
‫ניהול מלא של מחזור החיים של מידע לאנליטיקה‪ ,‬מנוע תשאול וחיפוש‪ ,‬תשתית וויזואליציה מתקדמת ולאלו‬
‫המיישמים אנליטיקה בזמן אמת ‪ -‬מנגנוני תגובה לאירועים חריגים‪.‬‬
‫מול מערכות מבוססות ‪ ,RDBMS‬יישום ‪ Splunk‬לאנליטיקה מאפשר לדלג על שלבי ניתוח המידע ויישום‬
‫‪ .ETL‬מול יישומים מבוססי ‪ ,Hadoop‬הטמעת ‪ Splunk‬מהירה לאין שיעור וכוללת‪ ,‬במוצר אחד‪ ,‬את כל‬
‫הנדרש כדי לאפשר תחקור ע"י מדעני המידע בארגון‪.‬‬
‫באמצעות ‪ Spunk‬ניתן לתחקר כמויות מידע עצומות באמצעות שפת חיפוש עשירה הכוללת יכולות‬
‫סטטיסטיות נרחבות‪ .‬מתוך שפת החיפוש ניתן במידת הצורך להפעיל תוכניות ‪ R‬או מודולי הרחבה שונים‬
‫(כגון ‪ -‬הרחבות ל‪ ,Learning Machine-‬חיפושים צולבים במאגרי מידע מקומיים או מרוחקים ועוד)‪.‬‬
‫עם כניסת מקורות מידע בקצב גבוה כמו יישומי אינטרנט מבוססי ענן‪ ,‬יישומים להתקנים ניידים‪ ,‬ו‪Internet--‬‬
‫‪ ,of-Things‬מערכות אנליטיות צריכות להתמודד עם שינוי מהיר במידע‪ ,‬בנפחים ובתובנות הנדרשות‬
‫מהמידע‪ Splunk .‬מאפשר ההתמודדות זריזה ואפקטיבית עם שינויים כאלו מעצם היותו מוצר דינאמי (ללא‬
‫אכיפת סכימה‪ ,‬שליפת שדות בזמן חיפוש בלבד) ובעל יכולת גידול בנפח וביצועים באמצעות תוספת שרתים‬
‫בלבד תוך כדי פעולה‪ .‬תכונות אלו הופכות את ‪ Splunk‬למוצר אנליטיקה בעל מוכנות גבוהה מאוד לעתיד‬
‫והגנה משמעותית על ההשקעה‪.‬‬
‫איש הקשר‪ :‬אלי קפלן‪154-5771116 ,[email protected] ,‬‬

‫‪8‬‬

‫‪Moshav Bnei Zion P.O.Box 151, 60910 Israel Tel. 972-9-7907000 Fax. 972-97442444‬‬

‫תגובת חברת ‪:IBM‬‬
‫בעקבות שינויים מהותיים ודינמיים המתרחשים כיום בסביבה החיצונית והפנימית בארגונים‪ ,‬נדרשים מנמ"רים ומנהלי ‪BI‬‬
‫בארגונים לתת ערך מוסף עסקי‪-‬אנליטי ליחידות העסקיות השונות‪ .‬למעשה‪ ,‬נוצר מתח בין חדשנות ויצירתיות מול‬
‫תפעול ואופרציה של מערכות אנליטיות קיימות‪ .‬מעניין לציין‪ ,‬לדוגמא‪ ,‬כי פתרונות מתקדמים‪ ,‬כגון פתרון ניהול הונאות‬
‫(‪ )Counter Fraud Solution‬המוצג בהמשך‪ ,‬משלבים כלי אנליטיקה מתקדמת מהעולם ה"חדש" ומהעולם ה"ישן"‪,‬‬
‫בצורה אינטגרטיבית ‪ -‬על‪-‬מנת לתת מענה ורטיקלי מתקדם בתחום‪ .‬בנוסף לכך עולה השאלה הארכיטקטונית – כיצד‬
‫לבחור כלים שבסופו של דבר יאפשרו‪:‬‬
‫‪ ‬ניהול ארגוני בסטנדרטים הנדרשים (למשל‪ :‬אבטחה‪ ,‬ניהול‪ ,‬אינטגרציה)‬
‫‪ ‬תהליכי עבודה וניתוח שוטפים (למשל‪ :‬דוחות‪ ,‬נגישות עצמית לניתוח אד‪-‬הוק‪ ,‬לוח מחוונים ניהולי)‬
‫‪ ‬תהליכי ניתוח וחקר יצירתיים עבור ‪ Data Scientists‬ויכולת הטמעה שלהם בתהליכים שוטפים בארגון (למשל‪:‬‬
‫ניתוח מידע לא מובנה‪)Cognitive Analytics , Learning, Machine ,R ,Visual Analytics ,‬‬
‫יבמ תומכת בארגונים בכל רמה נדרשת על מנת לספק את הערכים הנדרשים לארגון‪ ,‬למנמ"ר ולמנהל ה ‪:BI‬‬
‫‪ ‬יחידת שירותי יעוץ עסקי ‪ Global Business Services (GBS) -‬לייעוץ ויישום פרויקטים מתקדמים‬
‫‪ ‬כלי תוכנה אינטגרטיביים מהמובילים בעולם‪ ,‬על‪-‬מנת לספק פתרונות המותאמים לצרכים הנזכרים לעיל‬
‫‪ ‬תשתיות ענן מתקדמות ביותר המאפשרות את ניהול פתרונות ה‪ BI -‬והאנליטיקה המתקדמת על ענן מחשוב או‬
‫כ‪.SaaS -‬‬
‫יחידת שירותי הייעוץ העסקיים של יבמ‬
‫יחידה זו מיישמת פרויקטים רבים בארץ בצד האנליטי הארגוני‪ ,‬ביניהם פרויקטים מתקדמים ביותר הכוללים ניתוח מידע‬
‫לא מובנה‪ ,‬ניתוח טקסט בעברית ובשפות נוספות‪Machine Learning, Visual Analytics, Cognitive Computing ,‬‬
‫ועוד‪ .‬היא מציגה הוכחת ערך משמעותי וייחודי לפרויקטים בעלי המאפיינים החדשים (‪Visual ,Text Analytics‬‬
‫‪ Analytics‬וכו') עבור הארגונים בהם היא פועלת‪ .‬לקוחות יכולים למנף את הניסיון והמומחים של יבמ מחו"ל‪ ,‬מעבדת‬
‫המחקר בחיפה (השנייה בגודלה מחוץ לארה"ב)‪ ,‬מעבדת התוכנה בישראל וצוות מומחים מקומי בעל הצלחות מוכחות‪,‬‬
‫שילווה את הלקוח בדרך להצלחה עסקית מהותית (דוגמאות יינתנו לפי בקשה)‪.‬‬
‫בתחום התוכנה‬
‫יבמ השקיעה מיליארדים רבים בשנים האחרונות ברכישה ופיתוח של כלי אנליטיקה מתקדמת‪.‬‬
‫להלן שימושים שונים של רכיבי תוכנה של יבמ הממחישים את היכולות השונות המוצגות בארכיטקטורה הכללית‪:‬‬
‫‪‬‬

‫‪‬‬

‫‪‬‬

‫‪‬‬
‫‪‬‬

‫™ ‪ - InfoSphere Streams‬תוכנה מעולם ה ‪ Real Time Analytics‬המאפשרת ניתוח של מידע מובנה‬
‫ולא מובנה בזמן אמת בפלטפורמה סקלבילית‪ ,‬לינארית לא מוגבלת‪ .‬בנוסף התוכנה כוללת ‪Toolkits‬‬
‫לעולמות תוכן שונים וכן אינטגרציה מלאה עם סביבת יבמ (למשל‪ ,‬אינטגרציה מלאה עם ‪SPSS‬‬
‫‪)Cognos ,BigInsights ,Moduler‬‬
‫‪ – InfoSphere BigInsights‬תוכנה מבוססת ‪ Apache Hadoop‬המשויכת לרכיב ‪Data Exploration‬‬
‫‪ Archive‬בארכיטקטורה‪ ,‬הכוללת רכיבים ושיפורים רבים שאינם חלק מה ‪ Hadoop‬הסטנדרטי‪ ,‬כגון‪ :‬מנוע‬
‫ניתוח טקסט‪ ,‬מנוע ‪ ,Machine Learning‬ממשק ‪ BigSQL‬לגישה סטנדרטית ב‪ SQL -‬למידע‪ .‬לתוכנה‪,‬‬
‫קישוריות מלאה וסטנדרטית עם כלי יבמ האחרים בתחום האנליטיקה‪ ,‬כגון‪SPSS, Cognos, :‬‬
‫‪ Streams‬ועוד‪.‬‬
‫‪ - Probabilistic Matching Engine-PME‬הינו רכיב המאפשר אינטגרציה מעניינת וייחודית של תוכנה‬
‫מעולם ה‪ ,MDM -‬המורץ מעל גבי סביבת ‪ Hadoop‬של יבמ ומאפשר יצירת רשומת לקוח אחודה על בסיס‬
‫מודלים הסתברותיים שהוכחו‪ ,‬כטובים מאוד בעולם איחוד מידע מרשתות חברתיות שונות וכן איחוד מידע‬
‫חיצוני ופנים ארגוני‬
‫‪ – InfoSphere Watson Explorer‬תוכנת אינדוקס וחיפוש ארגוני המתאימה למידע מובנה ולא מובנה גם‬
‫בסביבת ‪ ,Hadoop‬גם בסביבת אפליקציות ארגוניות וגם למידע חיצוני בארגון‬
‫‪ – SPSS Moduler‬מודול מתקדם ליצירת מודלים שיכולים להשתלב גם בריצה בזמן אמת ב‪,Streams -‬‬
‫גם בכלים כגון ‪ Unica‬וגם בצורה עצמאית על שרת אנליטי יעודי‬
‫משפחת מוצרי ‪ SPSS‬השלמה נותנת מענה רחב ומקיף לכל נושא ה ‪( Data Mining‬גם מעל ‪)Hadoop‬‬

‫‪9‬‬

‫‪Moshav Bnei Zion P.O.Box 151, 60910 Israel Tel. 972-9-7907000 Fax. 972-97442444‬‬

‫קרי‪ ,‬ניתוח מידע מובנה ובלי מובנה (‪ )Text Analytics‬באמצעות מגוון רחב ועשיר של מודלים אנליטיים‬
‫ללמידה מבוקרת ובלתי מבוקרת‪ .‬משפחת ‪ SPSS‬מנגישה את נושא ה‪ Data Mining-‬לאנליסט העסקי‬
‫באמצעות ממשק משתמש ידידותי ואינה מחייבת כתיבת קוד‬
‫‪ - Information Catalogue ‬מאפשר למשתמשים לחפש‪ /‬לאתר נכסי מידע בקטלוג ארגוני (ריחוף מעל‬
‫פריט המידע ע"מ לקבל קונטקסט ומשמעות‪ ,‬בחירה במידע הדרוש ויצירת ‪ Data Collection‬המכיל פריטי‬
‫מידע רצויים המתאימים לו‪ ,‬ומשם אינטגרציה של הנתונים‪ ,‬בקליק‪ ,‬במיקום חדש ‪ -‬בין שהוא במחסן‬
‫הנתונים‪ ,‬תחת ‪ Hadoop‬או בענן)‬
‫‪ ‬ישנם מספר כלים ופתרונות לעולם ה‪ Big Data and Smarter Analytics -‬אשר יכולים לספק תובנות‬
‫והזדמנויות עסקיות מסוגי מקורות המידע השונים ומהותם‪ ,‬תוך התחשבות במימד הזמן‪ ,‬המקור ונפחי‬
‫המידע ההולכים וגלים‪ ,‬לדוגמא‪:‬‬
‫‪ – ICA- IBM Content Analytics‬סוויטה מלאה לניתוח תוכן וטקסטים הכוללת ממשק משתמש נח ונעים‬
‫להפקת תובנות חדשות עבור הארגון‬
‫‪ – i2 ‬כלי מחקרי מודיעיני שמאפשר יכולות ניתוח גרפיות מרשימות (‪ )Visual Analytics‬למציאת קשרים‬
‫(‪ )Link Analysis‬ועוד‪.‬‬
‫‪ ‬והרשימה עוד ארוכה אך לא נרחיב כאן‪...‬‬
‫כדאי לציין‪ ,‬שיבמ מציעה כיום גם הצעת רישוי ייחודית‪ ,Forward looking BI :‬המאפשרת לבצע ניתוח נתונים‪,‬‬
‫פרדיקציה ותכנון מעל דו"חות ‪ Cognos‬באמצעות פתרון המשלב כלי ‪ ,SPSS ,Cognos‬ו‪ TM1 -‬ברישוי אטרקטיבי אחד‪.‬‬
‫את כל היישומים האנליטיים‪ ,‬או את חלקם‪ ,‬יכולים ארגונים לפתח בענן‪ .‬ליבמ פתרונות מהמתקדמים והמובילים ביותר‬
‫בעולם בנושא זה‪:‬‬
‫‪ - SoftLayer‬מאפשרת הקמת אפליקציות ושירותים על ענן‪ ,‬אבל מאפשרת בנוסף יכולת הפרדת שרתים פיזיים‪,‬‬
‫עד כדי הקמת שרתים בתוך הסביבה הארגונית של הלקוח כחלק מהענן (הצעה ייחודית ליבמ)‪ .‬בצורה זו‪ ,‬ניתן‬
‫ליהנות מתשתיות ענן מבלי "להוציא" את המידע הארגוני מחוץ לתחומי הארגון‬
‫‪ - IBM BlueMix‬פלטפורמה של שירותי ענן המאפשרים הקמה של יישומים‪ ,‬במהירות הבזק‪ ,‬תוך שימוש ברכיבים‬
‫מתוך קטלוג רחב היקף‪ .‬בין היתר‪ ,‬ניתן למצוא שירותים (‪ )Services‬מתחום האנליטיקה והניתוח‪ ,‬בקטלוג המוכן‬
‫ליישום‪.‬‬
‫דוגמא מעניינת מהתחום‪ ,‬כאמור לעיל‪ ,‬הינה פתרון ‪ Counter Fraud‬של יבמ‪ .‬הפתרון משלב מגוון כלי טכנולוגיים ב‬
‫‪ bundle‬עסקי אחד במחיר תחרותי המאפשר לכל ארגון להטמיע מערכת ניהול הונאות מהמתקדמות בעולם במהירות‬
‫וביעילות‪ .‬חלק מהכלים המשולבים בפתרון הנם‪:‬‬
‫‪IBM Content Analytics (ICA) ‬‬
‫‪IBM Advanced Case Management (ACM) ‬‬
‫‪i2 Enterprise Analytics Platform (i2 IAP) ‬‬
‫‪FileNet ™ ‬‬
‫‪InfoSphere Streams™ ‬‬
‫‪InfoSphere BigInsights ‬‬
‫‪ ‬משפחת מוצרי ‪Cognos‬‬
‫‪ ‬משפחת מוצרי ‪SPSS‬‬
‫יישום הפתרון מבוצע באמצעות צוותים משולבים‪ :‬מומחי תוכן מחו"ל בעלי ניסיון בעבודה עם המערכות בארגונים גדולים‬
‫בעולם וצוות הייעוץ וההטמעה המקומי בחטיבת השירותים של יבמ ישראל‪.‬‬
‫אנשי קשר‪:‬‬
‫דוד בר –‬

‫מנהל תחום ‪Strategy & Analytics, GBS‬‬
‫דוא"ל‪ ,[email protected] :‬טל‪050-9165375 :.‬‬

‫מיכל שני‪-‬פלר –‬

‫מומחה מכירות בתחום ‪Business Analytics‬‬
‫דוא"ל‪ ,[email protected] :‬טל‪050-505369178 :.‬‬

‫איילת יוסף‬

‫מומחה מכירות בתחום ‪Business Analytics‬‬
‫דוא"ל‪ , [email protected] :‬טל‪050-2330623 :.‬‬

‫‪11‬‬

‫‪Moshav Bnei Zion P.O.Box 151, 60910 Israel Tel. 972-9-7907000 Fax. 972-97442444‬‬

‫תגובת חברת מיה מחשבים‪:‬‬
‫נשמע כי ארגונים רבים מתחילים להבין את הצורך בחיזוי אנליטי‪ ,‬ואת החשיבות של ללמוד מהמידע‬
‫ההיסטורי הקיים בארגון על שצופן העתיד‪ .‬אנו מבקשים לחלק את התייחסותנו ל‪ 3 -‬חלקים מרכזיים‪:‬‬
‫הצורך הארגוני‪:‬‬
‫א‪.‬‬
‫הארגונים מבינים את כוחו של המידע ומתחילים להבין את השלב הבא של ה‪ BI -‬שהוא השלב האנליטי‪-‬‬
‫חיזויי‪ .‬נוצר הכרח בפעילות פרו‪-‬אקטיבית בכל פן עסקי‪ ,‬אם בשיווק‪ ,‬בכספים‪ ,‬כוח אדם‪ ,‬לוגיסטיקה ועוד‪.‬‬
‫אנליטיקה מאפשרת למנף את תוצרי כלי ה ‪ BI‬על ידי הבנה של השאלות העסקיות *הנכונות* שיש‬
‫לשאלות‪ .‬מנהלים מתחילים לדרוש מאנשי המידע לקבל כלים לחיזוי וניתוח מידע‪.‬‬
‫בארגונים מתחילות להיעשות שתי פעולות הכנה מרכזיות‪ :‬האחד‪ ,‬טיפול באיחוד ואיכות המידע – שלב‬
‫בסיסי והכרחי בדרך לניתוח וחיזוי נכון (יכולות ‪ DQ ,ETL‬וכו)‪ .‬השני‪ ,‬מינוי מומחים שיהיו ה‪Data -‬‬
‫‪ Scientists‬של ארגון ויוכלו לשלב ידע סטטיסטי עם הבנת היכולות הטכנולוגיות וכמובן הבנת הפן העסקי‬
‫של הארגון ומהו המידע העסקי של הארגון (ספציפי לכל ארגון)‪.‬‬
‫טכנולוגיה וכלים‪:‬‬
‫ב‪.‬‬
‫כדי ליישם את "האמת הארגונית האחת" תוך שילוב עם כלי חיזוי‪ ,‬יש לעשות שימוש בכלים טכנולוגיים‬
‫רבים‪ ,‬שרק השימוש בהם יאפשר להשיג יעדים אלו‪ .‬להלן רשימה של כלים ויכולות מרכזיים והכרחיים‪:‬‬
‫‪ ‬יישום הפתרון באמצעות שילוב של כלי חיזוי שונים שיתנו יחד את הפתרון השלם (כלי אופטימיזציה‪,‬‬
‫ניתוח ‪ ,forecasting ,Mining‬תמחור‪ ,‬סיכונים‪ ,‬ניהול קמפיינים וכו')‪.‬‬
‫‪ ‬שילוב של כלי ‪ Self Service‬עם כלים למקצועי חיזוי וסטטיסטיקאים‬
‫‪ – Bigdata ‬עבודה עם בסיסי נתונים המאפשרים לטפל בכמות אדירה של נתונים‪ ,‬מידע מסוגים‬
‫שונים‪ ,‬מידע איכותי‪ ,‬ובמהירות‪ .‬יכולת עבודה עם כלים דוגמת ‪ Hadoop‬בסיסי נתונים ‪NoSQL‬‬
‫ובקיצור – כל בסיס נתונים‪.‬‬
‫‪ ‬עבודה ‪( In-Memory‬על גריד של שרתים ולא בשרת בודד) ויכולת לנתח במהירות רבה כמויות‬
‫אדירות של מידע‪.‬‬
‫‪ ‬כלי ‪ BI‬מתקדמים המשולבים בכלי ‪ Office‬ומחשבים ניידים וטלפונים‪.‬‬
‫ג‪.‬‬

‫דוגמאות לישומים ופתרונות אנליטיקה הנפוצים כיום הם‪:‬‬
‫ניתוח ערוצי דיגיטל – חווית לקוח והעצמת ערך הלקוח לארגון‬
‫‪.1‬‬
‫ניתוח רשתות חברתיות‬
‫‪.2‬‬
‫‪Sentiment analysis‬‬
‫‪.3‬‬
‫כריית מידע של נתונים טקסטואליים‬
‫‪.4‬‬
‫אופטימיזצית תהליכים – פעילויות שיווקיות‪ ,‬תהליכי גבייה‪ ,‬מלאים ועוד‬
‫‪.5‬‬
‫חיזוי ביקושים‬
‫‪.6‬‬
‫סיכונים‬
‫‪.7‬‬
‫‪ .8‬תמחור‬
‫‪ .9‬אופטימיזצית מלאי ורכש‬
‫‪ .11‬סייבר אנליטי‬

‫חברת ‪ ,SAS‬עפ"י גרטנר‪ ,‬עושה למעלה מ‪ 36% -‬מהאנליטיקה בעולם‪ .‬ככזו‪ ,‬לחברה מגוון רחב ביותר של‬
‫מוצרים בתחומי‪ ,Data Management :‬אנליטיקה‪ .BI ,‬מוצרים ‪ SAS‬פועלים על כל מערכות ההפעלה מ‪-‬‬
‫‪ MF‬ועד ‪ ,PC‬ועל כל בסיסי הנתונים הקיימים בשוק‪ .‬כמו כן‪ ,‬מוצרי החברה פועלים בטכנולוגיה ייחודית של‬
‫‪ SAS‬בשם ‪ High Performance Analytics‬ותומכים בסביבת ‪ BigData‬ו‪ In Memory -‬המאפשרים טיפול‬
‫בכמויות מידע ענקיות ובמהירות רבה‪.‬‬
‫על בסיס המוצרים הנ"ל ותשתיות ה‪ High Performance Analytics -‬נבנו פתרונות הכוללים ‪Best‬‬
‫‪ Practices‬למגזרים השונים (ביטוח‪ ,‬בנקאות‪ ,‬ממשלה‪ ,‬בריאות וכו')‪ SAS.‬מיוצגת בישראל ע"י מיה מחשבים‬
‫ולה כ‪ 71 -‬עובדים‪ ,‬מעל ‪ 51‬נמצאים אצל לקוחות כיועצים – מומחים‪.‬‬
‫איש קשר‪ :‬מוטי סדובסקי‪ ,‬מיה מחשבים‪ .‬טל‪ ,054-3385118 :‬אימייל‪[email protected] :‬‬

‫‪11‬‬

‫‪Moshav Bnei Zion P.O.Box 151, 60910 Israel Tel. 972-9-7907000 Fax. 972-97442444‬‬

‫תגובת חברת ‪:HP‬‬
‫יותר ויותר ארגונים היום מבינים שהכלים המסורתיים בסביבת מחסן הנתונים נכונים לצרכים הסטטיים של‬
‫הארגון‪ ,‬ומאוד מוגבלים ביכולת שלהם לתת מענה ל‪:‬‬
‫‬‫‬‫‬‫‪-‬‬

‫ניתוח עמוק של המידע‬
‫התמודדות עם צורכי ניתוח ואופטימיזציה בזמן אמת‬
‫יכולת לייצר עניין אצל לקוחות דרך הבנת הפרופיל מתוך ניתוח כמויות מידע היסטורי גדולות‬
‫ועוד‬

‫חברות טכנולוגיה רבות בארץ כבר מבינות את היתרון שבשימוש בכלי קיבול אנליטי כמו ורטיקה ומטמיעות‬
‫אותו כחלק מהסביבה שלהן‪ ,‬בין אם לצורכי ניתוח אנליטיים לאנליסטים בארגון ובין אם כחלק ממוצר כולל‬
‫אשר נבנה עבור לקוחות של החברה (‪.)OEM‬‬
‫מי שמימש פתרון זה מימש קפיצה אדירה וקיבל למשל שיפר ביצועים שבין פי ‪ 51‬לפי ‪ 1111‬ואף יותר מכך‪.‬‬
‫עצם העובדה שורטיקה הינו פתרון מבוסס ‪ SQL‬סטנדרטי‪ ,‬עם זמן קצר ביותר למימוש ההטמעה‪ ,‬הופכת את‬
‫ההחזר על ההשקעה למהיר מאוד ועלות בעלות כוללת נמוכה מאוד‪.‬‬
‫מרגע שהארגון נחשף ליכולות‪ ,‬מתנסה בביצועים תוך הוכחת יכולת קצרה‪ ,‬מתקבלת ההבנה שהשינוי הינו‬
‫הכרחי לצורך היכולת לשמור על היתרון הטכנולוגי וההובלה העסקית‪.‬‬
‫איש קשר‪:‬‬
‫ליאור צברי‪ ,‬מנהל תחום ‪ VERTICA‬ב‪ .HP -‬טל‪152-4840891 :‬‬

‫‪12‬‬

‫‪Moshav Bnei Zion P.O.Box 151, 60910 Israel Tel. 972-9-7907000 Fax. 972-97442444‬‬

‫תגובת חברת חילן‪ – S.P. Data ,‬מוצר ‪:Portrait Miner‬‬
‫אמר פעם משהו חכם ש"תשובה משוערת לבעיה הנכונה שווה הרבה יותר מתשובה מדויקת לבעיה‬
‫משוערת"‪ ,‬זה חלק מהרציונל והרעיון של המוצר שנקרא ‪ portrait miner‬שהגיע לשוק הישראלי‪.‬‬
‫איך לתת לאנאליסט לנסות ולהגיע לתשובה משוערת הכי קרוב שאפשר בעזרת כלים שיהיו מצד אחד מאוד‬
‫חזקים מבחינה סטטיסטית‪ ,‬אבל יתמכו גם ביכולות ויזואליות חזקות וגם ביכולות של האנאליסט להיות עצמאי‬
‫ולהתעסק לבד עם מאות מיליוני רשומות שיכולות להגיע ממגוון רחב של מקורות מידע‪.‬‬
‫תוכנת ה ‪ portrait miner‬שמה דגש על השילוב בין אינטואיציה שנדרשת מאנאליסט בכל זמן התחקור לבין‬
‫אלגוריתם סטטיסטי חזק‪ ,‬מתוך רצון לעזור לאנאליסט מצד אחד להכיר את המידע יותר טוב ולנתח אותו‪ ,‬אבל‬
‫גם לתת לו את האפשרות לענות על שאלות יותר מורכבות שדורשות פעולות סטטיסטיות כדי לענות עליהן‪.‬‬
‫התפיסה המרכזית היא שאנאליסט מנהל סוג של דו שיחה עם נתונים‪ ,‬וישנן פעמים בהן השאלות שהוא שואל‬
‫פשוטות ויש צורך לראות את התשובה שלהן על בסיס יכולות ויזואליות ייחודיות‪ ,‬וישנם מקרים בהם השאלות‬
‫מורכבות ואז יש צורך להריץ אלגוריתם סטטיסטי שיכוון את האנאליסט בהמשך הדרך‪.‬‬
‫הדבר נכון גם לגבי ניתוח של הנתונים וגם לגבי בניית מודל חיזוי או כל מודל סטטיסטי אחר שבו הוא נדרש‬
‫לבדוק את מהימנות החיזוי בכלים מהירים וויזואליים‪.‬‬
‫השילוב החזק בין היכולות הוויזואליות לבין הפשטות והאלגוריתם הסטטיסטי הם אלו שהופכים את ה‬
‫‪ Portrait Miner‬לאחד הכלים המובילים היום בעולם לניתוח וחיזוי של התנהגות לקוחות‪.‬‬
‫כבר כיום יש למוצר מאות לקוחות מרוצים בעולם בקרב בנקים‪ ,‬חברות ביטוח‪ ,‬חברות טלקום ועוד‪ .‬לקוחות‬
‫אלה נהנים מערכים מוספים כדוגמת הורדת אחוז הנוטשים‪ ,‬ניתוח סיכונים‪ ,‬ניתוח סל מוצרים‪ ,‬המלצה למוצר‬
‫הבא ועוד‪ ,‬אשר בסופו של יום מתבטאים ביכולת לחסוך בהוצאות או במקרים אחרים להגדיל את ההכנסות‪,‬‬
‫מה שמביא בסופו של יום לגידול ברווח‪.‬‬
‫להלן ריכוז חלק מהיכולות המרכזיות של המוצר שללא ספק הולכת לעשות מפכה בשוק הישראלי שכבר‬
‫הרבה שנים צמא ומחכה לפתרון מהסוג הזה בעולם שהולך והופך יותר תחרותי לצד הרצון להתאים לכל צרכן‬
‫את הפתרון שלו‪.‬‬
‫תוכנת ה ‪ portrait miner‬מיוצגת בארץ ע"י חברת ‪( S.P Data‬מקבוצת חילן)‪.‬‬
‫איש קשר‪ :‬מי שמוביל את הפעילות הוא יוגב פלד‪ :‬ממייסדי חברת ‪ QlikView Israel‬ומי שמוביל את נושא‬
‫החדשנות בחברת ‪ .S.P Data‬טל‪ ,154-7569714 :‬אימייל‪[email protected] :‬‬

‫‪13‬‬

Sponsor Documents

Hide

Forgot your password?

Or register your new account on INBA.INFO

Hide

Lost your password? Please enter your email address. You will receive a link to create a new password.

Back to log-in

Close