תגית: Analytics

ניתוח נתונים, מידע ומה שביניהם – המדריך המלא

Author: moransinay2103@gmail.com

כדי להתמודד עם מסות נתונים מגוונות, ארגונים משקיעים בפתרונות BI ו-AI מהדור החדש. ניתוח הנתונים משלב שיטות כמותיות (רגרסיה, חיזוי) ושיטות איכותניות (סקרים) להצגת תמונה מלאה. השיטות העיקריות הן תיאורי, מבחין, חיזוי אנליטי ומרשם לפעולה. המטרה היא להפוך נתונים גולמיים לתובנות עסקיות מוצגות באמצעות הדמיה ויזואלית (דשבורדים אינטראקטיביים), המאפשרת חקירה חופשית ללא תלות באנליסטים.

אם בעבר הגעה לתובנות עסקיות נעשתה במהירות יחסית והתבססה בעיקר על ניתוח נתונים באמצעות קובצי Excel, הרי שהיום המצב שונה. בשנים האחרונות עם התפתחות המדיה ויכולת מתקדמת להעברת מידע במהירות, ארגונים רבים נאלצים להתמודד עם מסות של נתונים המגיעים בתבניות שונות ובסוגים שונים של קבצים, ולכן תהליך איסוף הנתונים, ארגונם, ניתוחם והעברתם לכלים גרפיים דורש משאבים רבים. ארגונים מוצאים עצמם משקיעים תשומות רבות ליצירת הידע, ולכן הם פונים לפתרונות בינה מלאכותית מתקדמים, מהדור החדש.

פתרונות בינה מלאכותית מתקדמים מוטמעים בארגונים בסדר גודל בינוני ומעלה. ארגונים שמתמודדים עם מסה גדולה מאוד של מידע ונתונים, מקצים משאבים לתמיכה במערכת BI במטרה להבטיח את תקינות הנתונים המועברים למערכת, את הקשרם ואת איכות התשובות לשאלות עסקיות רווחות כמו: ניתוחי שוק ומתחרים, ביקורות לקוחות, ניתוח יעילות של מערכי השירות, ניתוח תהליכי מכירה, מחקרי מוצר ושיפור היכולות החזותיות של כלי זה, לצורך הסקת מסקנות והגעה לתובנות עסקיות מעשיות. בדרך זו הארגון מבסס את תהליכי קבלת ההחלטות על מידע מגוון, שנאסף מאינספור מקורות, ממוין, מנותח ומוצג בכלים חזותיים מתקדמים.

צרו איתנו קשר כדי ללמוד על פלטפורמת מערכת ה BI שלנו לניתוח מידע והצגת נתונים.

גישות ושיטות לניתוח נתונים

הגישה המנחה לניתוח מידע במערכות מתקדמות מאפשרת למשתמש הקצה לשאול שאלות עסקיות מכל כיוון חקירה אפשרי ולקבל תוצאות של נתונים הקשורים במישרין או בעקיפין אל השאלה העסקית. קיימות מספר שיטות לניתוח נתונים: ניתוח נתונים כמותי, ניתוח נתונים איכותני, ניתוחי רגרסיה, ניתוח תיאורי, ניתוח מבחין, חיזוי אנליטי ומרשם לפעולה.

ניתוח נתונים כמותי

ניתוח זה מתמקד בכל ערך הניתן למדידה – כלומר בערך מספרי – כמו דרגה, עלות, אורך, משקל, גיל, ציון, מדד וכן הלאה, כאשר השימוש בנתונים אלו ממוקד לחישובי יחס, ונתונים אלו יוצגו בדרך כלל באמצעות גרפים ותרשימים, וינותחו בכלים סטטיסטיים. שיטה זו מתבססת על גישה בלתי-תלויה בחוקר, ולכן כל תופעה ניתנת למדידה באמצעות מודלים מתחום תורת המספרים, החשבון האינטגרלי והדיפרנציאלי, וכפי שצוין ניתוחים סטטיסטיים והסתברותיים של קיבוץ ידע למטרת חיזוי דפוסים או תופעות. יש להדגיש כי המחקר הכמותי מותנה במסה של נתונים, כלומר אם ישנן מעט תצפיות לא ניתן יהיה להפעיל מודלים מתמטיים כדי לנתח אותם, ולכן המחקר ייעשה בשיטות איכותניות.

עם זאת, כאשר נצברים די נתונים, ניתן לשבץ את הנתונים במודלים סטטיסטיים ולהסיק מסקנות כמותיות לדוגמה: כמות מכירות בחודש אחד בשנה לעומת החודש המקביל אליו בשנה הקודמת. באמצעות המחקר הכמותי ניתן לבצע התאמות בין תופעות, להשוות בין קבוצות ולהשוות בין משתנה בלתי תלוי לבין משתנה תלוי. בדרך זו ניתן לענות על שאלות שונות כגון האם סוג התאורה באולם התצוגה השפיע על הגידול המכירות?

ניתוח נתונים איכותני

המחקר האיכותני הוא מחקר מערכי, אשר מתבסס על תצפיות, תוצאות סקרים, שאלונים וחוות דעת כדי לבחון אמיתות שונות. לדוגמה: כיצד מצב נתון אחד מתפרש אצל גורמים שונים, כיצד לקוחות תופסים את העסק, אילו ערכים מזוהים עם המותג ועם הארגון. המחקר האיכותני משלים את המחקר הכמותי ואף עלול להצביע על בעייתיות מובנית בתוך המחקר הכמותי (שמבוסס על נתונים גולמיים).

המחקר האיכותני מתאים גם כאשר אין מספיק נתונים שניתן להציב במודלים סטטיסטיים, ומתאים במקרים בהם מעוניינים להעמיק את הידע על המשתנים השונים שהביאו לתופעה מסוימת מעבר להבנת המגמה שהובילה אליה. לא פעם המחקר האיכותני ישמש כמחקר מקדים למחקר הכמותי, במטרה להגדיר את המשתנים שירכיבו את המחקר הכמותי או לחילופין כדי להרחיב את המשמעויות "הנסתרות" בתוך הנתונים הכמותיים ואת הקשרם. מערכות בינה מלאכותית מהדור החדש משלבות בין שיטות מחקר כמותיות לבין שיטות מחקר איכותיות, במטרה להציג נתונים המקושרים לשאלה העסקית במישרין ובעקיפין. בדרך זו האדם שמתחקר את המידע מקבל תמונת מצב שלמה יותר ביחס לנתון גולמי מספרי.

ניתוח רגרסיה

ניתוח רגרסיה תורם להערכת קשרים בין משתנים שונים. ניתוח המידע מבוצע באמצעות הצבת נתונים במודלים סטטיסטיים, כאשר אחד (או יותר) מהמשתנים הוא המשתנה התלוי (המוסבר) ואילו אחד (או יותר) מהמשתנים הוא המשתנה הבלתי-תלוי (המסביר או המנבא). המשתנה המסביר הוא המשתנה הקבוע, והמודל בוחן כיצד מגיבים המשתנים הבלתי תלויים אליו. יחד עם זאת, ניתוח רגרסיה הוא ניתוח מידע שנע על רצף ולכן לא ניתן להסביר באמצעותו את הסיבה שהובילה לתוצאה. כי לעיתים השינוי בערכו של המשתנה הבלתי-תלוי לא בהכרח גורם לשינוי בערכו של המשתנה התלוי. במילים אחרות באמצעות מודל זה ניתן ללמוד איך מדד מסוים משפיע על הביצועים.

מערכות מידע המבוססות על עקרון "המכונה הלומדת" פועלות על בסיס מודלים של רגרסיה המורכבת ממספר גורמים משתנים במטרה להציג תוצאות מדויקות יותר בהקשרים נכונים לשאלה, ולכן ככל שעובר הזמן לא רק שהמכונה לומדת להציג את מה שמצופה אלא מציגה את הנתונים במהירות גבוהה יותר.

ניתוח תיאורי

ניתוח תיאורי מבוצע בעיקר על נתוני העבר של המדדים העסקיים במטרה להבין מגמות עכשוויות. לדוגמה: הפקת דו"ח העוסק במאפיינים דמוגרפיים של לקוחות, תחומי עניין או התנהגות צרכנים בהתאם למדדי המכירות או לנתונים הכספיים. לא פעם הניתוח יכול להסיק מסקנות גם מנתונים שמקורם ברשתות החברתיות. לדוגמה: לאילו פוסטים הלקוחות סימנו "אהבתי", הסקת נתונים מתוך החשבונות הנמצאים במעקב על ידם ברשת "האינסטגרם" או מהפוסטים שהם בעצמם מעלים בכל רשת אחרת.

בניתוח תיאורי המערכת לא מנסה להבין את הקשר בין הסיבה לתוצאה אלא משווה בין מדדים ומסכמת אותם בכלי מדידה או הערכה שונים כמו טבלאות, גרפים, תרשימים וכן הלאה. באופן כללי, השימוש בסטטיסטיקה תיאורית נעשה להשגת שתי מטרות: האחת לספק מידע בסיסי על משתנים שונים במערך הנתונים והשנייה להדגיש את הקשרים האפשריים בין משתנים.

חברות מיישמות את הניתוח התיאורי לצורך מעקב אחר פעולות יומיומיות, לדוגמה: הפקת דוחות למעקב אחר שינויים במצבת המלאי, דוחות לבחינת יעילות רצפת הייצור (זרימת העבודה בקווים) , מעקב אחר היקף המכירות ואחר כמות ההכנסות. כל אלו הן דוגמאות לניתוח מידע תיאורי. דוגמאות אחרות עוסקות במדדי KPI ומדדים למדידת ביצועים.

ניתוח מבחין

נועד לקבוע מדוע אירוע כלשהו התרחש. רק כאשר לא ניתן היה להסביר אירוע באמצעות הניתוח התיאורי ,המערכת תעבור לבצע ניתוח מבחין. הנה מספר דוגמאות לשימוש בשיטת ניתוח מידע זו:

בחינת רמת הביקוש בשוק – נניח וישנה חברה שמספקת ארוחות צהריים למספר חברות. במסגרת השירות היא אוספת מידע על מאפייני הצרכנים כמו: כתובת, מגדר, גיל ועוד. עם הזמן החברה מזהה דפוס רכישה קבוע שבו נשים בעשור החמישי לחייהם מעדיפות לרכוש לפחות ארבע פעמים בשבוע ארוחות טבעוניות. בשלב הבא אני מנסה להבין מה הוביל את המגמה, האם משום שישנם מחקרים שתזונה טבעונית מטיבה עם נשים אלו? האם משום שנשים אלו מתגוררות ליד אזורים כפריים אז הן נוטות לתזונה מן הטבע? וכן הלאה. לאחר התעמקות בסוגי הניתוח השונים החברה יכולה לזהות אם מדובר על מגמה קבועה או מגמה חולפת וכך לתכנן את קווי הייצור והמפרט שהיא מציעה.
מניעה מקדימה של בעיות טכנולוגיות – מערכות מידע רבות פועלות כשברקע ישנה תוכנה "שרצה" ומבצעת פעולות. לא פעם תוכנות אלו "נופלות" ומתקילות את המערכת. כיום ניתן למנוע תקלות אלו באמצעות ניתוח מידע אבחנתי, שיודע לזהות מבעוד מועד את הכשלים (בעזרת זיהוי מאפיינים של בעיות ידועות ועריכת סריקה כדי לקבוע את הגורם לבעיה) ומציאת פתרונות מבעוד מועד לכשלים אלו.
שיפור התרבות הארגונית – מאגרי מידע פנים ארגוניים הם משאבים יקרי ערך המאפשרים למחלקת משאבי האנוש לבצע ניתוח אבחנתי על סמך סקרים אנונימיים ושאלונים העוסקים ברווחת חייהם של עובדי החברה. כך הם יכולים להסיק מהי סביבת העבודה המיטבית ביותר עבורם, מה משמח אותם, מה מעורר את ההנעה הפנימית שלהם וכן הלאה. ניתוח מידע מאפשר להגיע לתובנות חדשות ולנתב את התרבות הארגונית למקום שמעלה את רמת שביעות הרצון, רמת הבטיחות ואת תחושת ההזדהות עם הארגון ולצמצם תופעות בלתי רצויות.

חיזוי אנליטי

היכולת לחזות אם אירועים שקרו בעבר צפויים לקרות גם בעתיד. הניתוח נעשה באמצעות מיפוי של גורמים המשפיעים על המודל, אם בעבר רק החברות הגדולות והעשירות יכלו להרשות לעצמן לבצע ניתוח מידע אנליטי, הרי שהיום גם חברות בסדר גודל בינוני ומעלה, שעובדות באמצעות מערכות בינה מלאכותית מהסוג החדש, יכולות לבצע חיזוי אנליטי ברמה גבוהה. מערכות מידע מהסוג החדש יכולות להתמודד עם אינספור נתונים שמגיעים ממקורות רבים במהירות רבה, המערכת מנתחת את הנתונים באמצעות מודלים סטטיסטיים ומתמטיים. באמצעות החיזוי האנליטי עסקים יכולים לחזות הישנות של אירועים שונים החל משינויים במזג האוויר ואירועים בריאותיים ועד לעניינים פנים-עסקיים כמו ניתוח מידע על התנהגות צרכנים ומאפייני צריכה.

מרשם לפעולה

זהו השלב האחרון והמתקדם ביותר בניתוח הנתונים. מרשם לפעולה אוגד נתונים שנאספו באמצעות ניתוח החיזוי, ניתוח המבחן והניתוח התאורי ומציע תוכניות פעולה – ונותן מענה לשאלות אלו: מה צריך לעשות? כיצד ניתן להשפיע על העתיד באמצעות המשאבים העומדים לרשות הארגון? באיזו פעולה יש לנקוט כדי להשיג את התוצאה הרצויה? כאשר התשובות לשאלות אלו מומחשות בכלים ויזואליים כמו גרפים, תרחישים, מנועי המלצות, רשתות עיצוביות ומתאפשרים באמצעות תהליך של עיבוד אירועים מורכבים.

היכולת לחזות תומכת בתהליך קבלת החלטות יעיל יותר בענייני תמחור, איתור הזדמנויות עסקיות, ניהול ותחזוקה של תשומות ארגוניות, הערכת סיכונים (סוג ניתוח נתונים זה הכרחי לחברות ביטוח/אשראי לצורך תמחור) ושיפור רמת השירות (ניתוח זה נמצא בשימוש רווח בארגונים בריאותיים מרחבי העולם).

כיצד מתבצע תהליך ניתוח נתונים

הגדרת הבעיה

זהו השלב הראשוני והחשוב ביותר לתהליך ניתוח הנתונים, ובשונה מהשלבים הבאים, שלב זה אינו מצריך כל ידע טכנולוגי אלא ידע עסקי נרחב אודות השוק, המתחרים, התעשייה, תהליכי עבודה פנים ארגוניים, התנהגות צרכנים, הבנת המטרות הארגוניות, היכרות עם התרבות הארגונית והיכרות עם תהליכי קבלת ההחלטות בארגון. לדוגמה: חברה יצרנית מתקשה לעמוד בביקוש העולה למוצריה, ולכן מאבדת נתח שוק נכבד.

אנליסט הנתונים נדרש במקרה זה להבין את הגורמים לבעיה. האם ישנו כשל בתרבות הארגונית ובתהליכי שרשרת האספקה (לדוגמה: מחלקת המכירות לא מתקשרת עם מחלקת הייצור, או שמחלקת השיווק מקדמת מוצרים, שכרגע לא ניתן לייצר משום שאין מלאי של חומרי גלם או חלקי חילוף). בשלב הבא, האנליסט בוחן האם אפשר לראות מגמתיות כלשהי בהרגלי הצריכה של הלקוחות (רכישות עונתיות, רכישות של פריטים משלימים וכן הלאה). לאחר מכן אנליסט הנתונים צריך להבין איפה המידע "נתקע", למי הוא לא מגיע, ואילו פעולות יש לבצע כדי לתקן את המצב. את החקירה הנרחבת הוא מבצע באמצעות תשאול עובדים מכל דרג, סקרים ובחינת נתוני העבר.

איסוף נתונים

ארגונים ניזונים מאינספור מקורות מידע – חלקם פנימיים כמו תיקיות, מסמכים, קבצי שמע, וידאו, תמונות וטקסט, קובצי EXCEL, תכתובת דואר אלקטרוניות, מערכות פנים ארגוניות (CRM, ERP, HR, ייצור וכן הלאה) וחלקן חוץ ארגוניות – פורטלים, אתר האינטרנט של החברה, רשתות חברתיות, מסעות פרסום וכן הלאה. מידע זה נגיש וזמין וניתן לאיסוף מתוך מסד הנתונים הארגוני, הענן והאינטרנט.

האיסוף יכול להיעשות בשתי דרכים – אם בארגון ישנה מערכת בינה מלאכותית מתקדמת, הרי שכל המידע כבר מנותב ומנותח ולכן כל שנדרש הוא להפיק דוחות, אך אם המידע לא מאורגן, אפשר יהיה לאסוף אותו ממקורות זמינים ועוד בשלב האיסוף ניתן יהיה לסנן, למיין ולבחון תרחישים שונים באמצעות שימוש בפקודות משפת ה-SQL – בעיקר כאשר מקור הנתונים הוא פנים ארגוני – ושימוש בקובצים מסוג Json ובאמצעות שפת התכנות Python שמתאימה למערכות BIG DATA, כאשר מקור הנתונים הוא חוץ ארגוני.

סינון נתונים

שלב סינון הנתונים מיועד "לברור את המוץ מן התבן" ובמילים אחרות לנקות שגיאות מנתוני Raw Data (נתונים גולמיים), להשלים דאטה חסר, לתקן נתונים בהתאם לתבניות שהוגדרו (למשל תאריכים בפורמט מסוים) התאמת נתונים למבנה השדות במאגרי מידע (אורך, סוג שדה: לדוגמה אם יש נתון שמורכב מאותיות וממספרים, ובדאטה בייס זהו נתון מספרי בלבד, אז יש לתקן אותו). כאשר תוצר שלב הסינון הוא קובץ נתונים נקי משגיאות ומותאם להגדרות. התהליך נעשה באמצעות שתי שפות תכנות: SQL ו-Python וכן באמצעות כתיבת פקודות בתוכנת ה-Excel.

ניתוח הנתונים

ניתוח נתונים מבוצע במספר כלים שנקבעים בהתאם למספר מאפיינים: גודל הקובץ שיש לנתח, סוג הנתונים שנאספו ואופן הצגת הנתונים – האם על בסיס לוח מחוונים (דשבורד) שמציע כלי סינון וחקירה או באמצעות דוח משאילתה.

ניתוח נתונים באמצעות תוכנת Excel – כל עוד מדובר בקובץ שמכיל נתונים המוצגים באמצעות טבלה, היקף הנתונים הוא בגדר הסביר והתוצר המבוקש הוא דוח שאילתה, אז תוכנת ה-Excel תוכל לתת מענה בסיסי לצורך. אפשר להיעזר בטבלאות ציר (Pivot) ובפקודות נוספות המאפשרות ניתוח מורחב יותר.
ניתוח נתונים באמצעות כלי ה-BI – כאשר מדובר על מסות של נתונים, אשר יוצגו בדשבורד אינטראקטיבי הרי שלשם כך ישנם את כלי ה-BI הידועים והמוכרים – פלטפורמות מתקדמות, אשר מעבדות ומנתחות מידע במהירות. היתרון המעשי בכלים אלו הוא שכל שלבי הניתוח יכולים להיעשות בקלות יחסית. לדוגמה, ניתן בלחיצת כפתור לייבא נתונים מקבצים שונים וממגוון מקורות מידע (פנים וחוץ ארגוניים), כלים אלו מאפשרים לבנות מודל של נתונים התואם את השאלה העסקית. כמו כן אנליסט מידע יכול לבנות דשבורדים להצגת הנתונים לאחר הניתוח במגוון רחב של גרפיקות, תרשימים, גרפים, טבלאות ועוד.
את כלי ה-BI ניתן להפעיל גם בסביבת הענן, לבנות באמצעותו דוחות בהתאמה אישית ולשלוח לגורמים פנים וחוץ ארגוניים בהתאם לרמת האבטחה והרשאות הצפיה שלהם. לרוב כלים אלו משמשים את הארגון לביצוע ניתוח נתונים באופן שגרתי ויומיומי. נוסף לכך גורמים שונים מתוך הארגון שאינם בקיאים בעבודה עם מערכות BI (אנשי שיווק, מכירה, ייצור, מחסנים, דרגי הנהלה) מפיקים תובנות נרחבות וחוקרים את הדאטה ממש כמו אנליסטים מומחים.
ניתוח נתונים עם שפת Python – מתאים במקרים בהם יש די מאגרי מידע לחקירה.

פירוש התוצאות

התוצאות הסופיות שהתקבלו נסמכות על השאלה העסקית. אם התוצאות מוצגות בדו"ח סטטי, הרי שהוא מוגבל להגדרות שנקבעו מראש. אך אם התוצאות מוצגות באמצעות לוח מחוונים אינטראקטיבי, המשתמש יכול לחקור את הדאטה לעומק, להרחיב את השאלה העסקית ולהגיע לתובנות נרחבות יותר.

לדוגמה: מנהל המכירות של רשת בתי מרקחת גדולה רוצה לדעת כמה משחות שיניים נמכרו בחודש מסוים, היכן נמכרו יותר משחות ומה מותג המשחות האהוד ביותר על הצרכנים. פלטפורמת ה-BI תציג את כמות משחות השיניים שנמכרה, הסניפים בהם נמכרו משחות השיניים, המותגים שנמכרו (מסודרים בהתאם להיקף המכירות) ונוסף לכך באיזו אריזה נמכרו משחות אלו ( המידע הנוסף הוא מידע המקושר במאגרי מידע) בדרך זו ניתן להגיע לתובנות, להצליב מידע ולבחון אותו מכל כיוון והיבט ללא הגבלת שאילתה.

הדמיית נתונים

חקירה חופשית של מאגרי מידע מתאפשרת רק כאשר הנתונים מוצגים על בסיס לוח מחוונים/דשבורד אינטראקטיבי. לוח המחוונים נחלק למספר מסכים – המסך הראשי המציג את המידע הנחוץ ביותר למשתמש במגוון כלים גרפיים כמו טבלאות חום, מדרג של צבעים, גרפים צפים (לדוגמה הצגת מדדים או שינוי במגמה) טבלאות, תרשימי זרימה, "עוגות" ועוד. בדרך זו המשתמש יכול לצפות בנתונים רבים בזמן קצר ולזכור אותם היטב (המוח האנושי נוטה לזכור פי 80% מסר חזותי לעומת מסר מילולי). הנתונים "קופצים" לעין ומאפשרים להגיע למסקנות ולתובנות מהירות.

המסך השני – הוא מסך החקירה, במסך זה המשתמש יכול להקליד כל ערך שיבחר בשורת החיפוש (ממש בדומה למנועי חיפוש אינטרנטיים) ולקבל תוצאות המקושרות בדאטה בייס לאותו הערך. באמצעות הקלקה על הערך הוא יוכל לצפות בתוצאות נוספות ולהרחיב את החקירה ללא תלות בשאילתה או באנשי הפיתוח.

ישנם מסכים נוספים למנהלים המרכזים נתונים ממבט "על" לדוגמה: KPI's ארגוניים, עשרת המוצרים הנמכרים בארגון, עשרת המוכרנים הנמכרים ביותר, עשרת הסניפים הרווחיים ביותר, עשרת קווי הייצור המהירים ביותר וכן הלאה. כאמור רק באמצעות הדמיית הנתונים בכלים ויזואליים ניתן להגיע ליכולות מתקדמות אלו ולשנות לחלוטין את הדרך שבה הארגון מחליט החלטות.

אז למה עדיף ב Qlik

Qlik מציעה את פלטפורמת Qlik Sense מערכת ה-BI והאנליטיקה המובילה, אשר משלבת בין ניתוח מידע באמצעות פטנט ייחודי "המנוע האסוציאטיבי" לבין יכולות מתקדמות להצגת נתונים. המנוע האסוציאטיבי אוסף מידע מאינספור מקורות פנים וחוץ ארגוניים, מעבד, מסנן, ממיין, מקשר נתונים גולמיים בתוך בסיס הנתונים ומציג תוצאות נרחבות המעודדות חקירה פעילה.

בדרך זו משתמש ששואל שאלה עסקית יוכל לצפות בכל נתון המקושר לשאלה זו בקשר ישיר ובקשר עקיף – כאשר נתונים בקשר ישיר מוצגים בגוון לבן ונתונים בקשר עקיף מוצגים במסך אפור. הוא יכול ללחוץ על כל נתון והמערכת תציג נתונים נוספים המקושרים אליו. בשונה ממערכות BI שפועלות כמחוללי דוחות – במערכת Qlik Sense המשתמש יכול לחקור את הדאטה ללא הגבלת שאילתה ולהגיע לתובנות מרחיקות לכת בזמן קצר, להפיק ולבנות דוחות בעצמו, להפיץ את הדוחות בהתאמה לקהל היעד וליהנות מיכולות תצוגה אינטראקטיבית ועשירה.

מה זה מערכת מידע גיאוגרפית (GIS)?

Author: moransinay2103@gmail.com

ערכת מידע גיאוגרפית (Information System Geographic -GIS) מאפשרת לחקור את המרחב הפיזי באמצעות תצוגה של נתונים על גבי מפות במספר שכבות מידע. המערכת פועלת באמצעות תוכנה ובשני כיוונים – הראשון – קליטה וארגון של מידע וביצוע בקרת איכות והשני – שליפת נתונים ופילוח מידע גיאוגרפי. באופן זה משתמשים יכולים להתייעץ בנושאים הממוקדים לטוואי שטח מסוים ולבסס את החלטתם על נתונים מרובדים המתייחסים לאותו טוואי שטח. כך למשל – כאשר מעוניינים לבחון את הסיבות להתרחשות של אירוע או תופעה נעזרים במימד המרחב וצופים בתצוגה של נתונים החלים על מאפיינים שונים כמו דרכי גישה, פילוח אוכלוסייה, חישובי מרחקים ומאפיינים מדידים נוספים שמאפשרים את הרחבת נקודת המבט על המצב.

השימוש במערכת GIS נפוץ מאוד בקרב מתכנני ערים אשר ממפים את הקרקע ומעוניינים לנתח את מערכות התחבורה ואת השינוי בהרכב האוכלוסייה, וכן בקרב עיריות, רשויות מקומיות ומוסדות ממשלתיים המעוניינים בבחינת נושאים אקולוגיים, בניהול תשתיות תקשורת לצורך אופטימיזציה של תהליכים, בנושאי הידרולוגיה לחישוב נפחי ספיקת מי גשם ושילוב של מודלים עם ניתוחים אטמוספריים, ניהול נכסים וכן לשם השגת הבנה עמוקה יותר בנושאי דמוגרפיה ומאפיינים של התנהגות במרחב.

מה זה בסיס נתונים גיאוגרפי?

בסיס נתונים גיאוגרפי כולל מידע המתייחס לממד המרחב וניתן לחלק לשכבות – מקווי מים, תשתיות מים, תוכניות מתאר, רשתות חשמל, צמחייה, תחבורה ותוכניות מיפוי עירוניות וכן מידע אלפאנומרי (כלומר מידע טקסטואלי) שמקורו בטבלאות לדוגמה: מדגמי אוכלוסין, פריסה של תשתיות, רשימה של אדמות מנוצלות וכן הלאה שמטרתן להוסיף משמעות לוגית למיקום או לנקודה הנחקרת במרחב. בחלק ממערכות GIS המידע הגיאוגרפי נאגר בבסיס נתונים אחד ואילו המידע האלפאנומרי נאגר בבסיס אחר. ישנן מערכות שמבוססות על בסיס נתונים אחיד שתומך במידע גיאוגרפי ובמידע שמקורו טבלאי.

צרו איתנו קשר לשמוע עוד על Qlik Geo Analytics הרכיב הגיאוגרפי המתקדם של Qlik

כיצד מאחסנים נתונים גיאוגרפיים?

קיימות שתי שיטות לאחסון נתונים גיאוגרפיים:

בצורה של קבצים בפורמטים קבועים – זוהי שיטה שרווחת זמן רב ומבוססת על אחסון נתונים בקבצים בפורמט DGN או SHP עבור נתונים ווקטורים שונים כמו פוליגון או נקודה ופורמט: SID ו- TIF לנתונים וויזואליים כמו מפות סרוקות או תמונות.
בצורה של בסיס נתונים יחסי (SQL ,Oracle ועוד) בעזרת רכיב תוכנה ייחודי – שיטה המאפשרת לנהל את המידע בבסיס אחד ולקצר את משך זמן ההפצה של הנתונים. לשיטה זו יש יתרון מרכזי בו כלל המידע מאורגן בבסיס הנתונים האירגוני, כאשר בשיטה זו הוא נקרא בסיס נתונים מרחבי.

מה הן שכבות גיאוגרפיות?

התשתית למערכת מידע גיאוגרפית ישראלית מבוססת על רשת אשר מנוהלת ומתוחזקת במרכז למיפוי ישראל. תשתית זו משמשת את הממשלה, את הרשויות המקומיות ומוסדות ציבור אשר הקימו מערכת מידע גיאוגרפית נפרדת משלהם.

הנה מספר דוגמאות לשכבות גיאוגרפיות:

אדמות מינהל מקרקעי ישראל (רמ"י) – מידע אודות היקף הניצול של אדמות אלו, מידע על שימושים שונים בקרקע, פריסת בתי ספר, פריסת בתי אבות, תיחום מוקדי תעסוקה, שכבה המפרטת את גבולות המדינה באוויר, בים וביבשה, גבולות מטרופוליניים וגבולות ישובים, מידע ופירוט על תוכניות מתאר ברמות שונות – ארציות, מחוזיות ועירוניות.
מידע על מפקדי אוכלוסין שמנוהלים על ידי הלשכה המרכזית לסטטיסטיקה – אוכלוסייה, מין, גיל, דת, נישואין וילודה, מוצא, מוגבלויות, השכלה, שייכות לכוח העבודה האזרחי, שעות עבודה ואמצעי הגעה למקום העבודה, משלחי יד, ענפי תעסוקה, משקי בית, שימוש במוצרים, מידע על בני 65 ומעלה.
תחבורה – רשימת צמתים, פריסת מסילות ותחנות רכבת, פריסת אבני דרך,
מוקדי חירום – פריסת תחנות מד"א, תחנות משטרה, תחנות כיבוי אש, פריסת ברזי כיבוי במרחב, פריסת דפיברילטורים ועוד.
רשימת ישובים ורחובות, שכונות ושכונות בישובים ערביים, מבנים וכתובות ממפקד האוכלוסין
תשתיות – פריסה של קווי מתח, קווי תקשורת, סיבים אופטיים, אנטנות סלולאריות, קווי מים וביוב, קווי חשמל, תחנות

מידע ווקטורי

מידע ווקטורי מחולק לנקודות, קווים ופוליגונים בשכבות השונות של המידע, כאשר כל ישות (נקודה, קו או פוליגון) מהווה שורה בבסיס הנתונים. נקודה הוא כל עצם שקבוע בקרקע כמו באר, עמוד חשמל, קו טלפון, אנטנה ועוד. קו – הוא זה שניתן לשרטט בקו את תנועתו – גדרות, אמות מים, מסילות, טרסות, סוללות עפר, שוניות, שבילים (שביל אופניים, שביל להולכי רגל, שביל רחב, רחב מתון וצר, שביל חתחתים, שפיל משופע) דרכים (דרכי עפר, דרכים משניות) כבישים ופוליגון – חל על גבולות והבחנות בין אזורים שונים – למשל אזורים בנויים, אזורים לא מיושבים, גבולות בין ערים, מדינות, תחומי שיפוט ועוד. את המידע הווקטורי נהוג לשלב עם מידע ראסטרי ולהוסיף מימד של עומק לנתונים.

מידע ראסטרי

מידע אלפאנומרי נותן משמעות ועומק למידע הווקטורי, אבל פועל באופן שונה כיוון שהוא מיוצג באמצעות תמונה המורכבת מפיקסלים שמשקפים עוצמה של תופעה (קו ביוב שעולה על גדותיו לדוגמה). מספר התושבים בשטח בנוי, זמן סלילה של כביש או בנייה של מבנה, אחוז הצפיפות באזור מגורים מסוים, אחוז השימוש בקווי מים, ביוב וחשמל, קיבולת וניצולת של כבישים, דרכים ומבנים ציבוריים, כמות הפשיעה בשכונה מסוימת, פילוח אוכלוסין בהתאמה לרחובות וכן הלאה.

רשויות מקומיות, ממשלות, מתכנני ערים וגופים מוסדיים מבצעים שימוש במידע ראסטרי במטרה לייעל את אופן חלוקת המשאבים. הם עשויים להחליט להקים גן חדש בעקבות גידול שחל בילודה בשכונה מסוימת או לחילופין הם יכולים לעבות כוחות שיטור ולהוסיף עמודי תאורה במקומות שבהם אחוזי הפשיעה גבוהים. נוסף לכך ניתן לשלב מידע ממספר שכבות מידע לדוגמה כמה כבישים נסללו בשלושים השנים האחרונות ביחס לאחוז הגידול באוכלוסייה.

מערכת ניהול גיאוגרפי בתוך מערכות מידע ארגוניות

מערכת מידע ארגונית GIS מתממשקת למערכות ארגוניות רבות ביניהן CRM ו-ERP ומאפשרת להיעזר במידע גיאוגרפי שזמין ומתעדכן בזמן אמת לתהליכי קבלת החלטות. המערכת משתלבת בארגון בשתי דרכים: כנדבך נוסף למערכות המידע הארגוניות וכרכיב בתוך פלטפורמת ה-BI. במקרה הראשון המערכת מבוססת על מסד נתונים נפרד שיש לשלב במסד הנתונים הארגוני, במטרה להבטיח שליפה וטעינה מהירה של מידע. אם מדובר על מערכת מידע גיאוגרפי אשר משולבת בתוך מסד נתונים יחסי, שהוא למעשה גם מסד נתונים מרחבי, כל שנדרש הוא להגדיר אילו נתונים יקבלו ייצוג גיאוגרפי כך שניתן יהיה להציג אותם במערכת.

באמצעות מערכת מידע גיאוגרפית GIS ניתן לקדם תהליכי קבלת החלטות, להביא לייעול תפעולי, לקצר תורים ולשפר את רמת השירות במובנים רבים כמו: חישוב מסלול נסיעה מיטבי לשליח, הקצאת כוח אדם לסניפים עמוסים והעברת כוח אדם מסניפים לא עמוסים, העברת סניפים מאזורים בהם הארנונה יקרה ולא משתלמת בהשוואה לפדיון הסניף, הקצאת תקציבים לאזורים בהם מתרחשים אירועי בטיחות רבים, מציאת פלחי שוק חדשים בהתאמה להרגלי צריכה – כאשר כל המידע הדרוש מגיע מתוך טבלאות המשויכות למערכת הגיאוגרפית לרבות מידע על כבישים, מסלולים, פריסת תחנות, צמתים, נתונים סטטיסטיים מהלשכה המרכזית לסטטיסטיקה, מיקום של עצמים במרחב, גבולות בין ערים ומדינות ועוד.

אילו ארגונים משתמשים במערכת מידע גיאוגרפית

מערכת מידע גיאוגרפית משמשת ארגונים מובילים מרחבי העולם אשר פעילותם מאופיינת בפריסה רחבה של סניפים ומתן שירות לאינספור לקוחות. הנה רשימה של חמישה ארגונים מובילים שעושים שימוש נרחב במערכת GIS במטרה לייעל את השירות ולשפר את הביצועים העסקיים:

Walgreens – רשת בתי המרקחת הגדולה ביותר בארצות הברית מפעילה כ-7,500 סניפי בית מרקחת בכל 50 המדינות, כאשר 2,000 סנפים פתוחים במתכונת של 24/7. החברה נעזרת במערכת מידע גיאוגרפית במטרה להבין טוב יותר את קהל הלקוחות שלהם ובפרט את הצרכים שלהם ואת הסיבות שמביאות אותם לרכוש מהם שוב ושוב. באמצעות המערכת הם בוחנים את תמהיל המוצרים בכל סניף וסניף ודואגים לצייד את הסניף מבעוד מועד במוצרים שונים, על פי תחזית צריכה עתידית. המילים מושרשת עמוק בלבבות האנשים ומעבירות רגשות עזים.

ארגון הבריאות העולמי – WHO – מבצע שימוש מעניין ביותר במערכת ה-GIS ומיישם באמצעותה אמות מידה ותקינה ההולמות את הגדרותיו – כך למשל הוא ממפה אזורים לשיפור פריסת שירותי החירום, הוא קובע אם אזור מונגש באופן ראוי ואף מוצא את הסיבות למחלות חדשות באמצעות בחינה של מספר מגמות בראייה רוחבית ובשילוב כלי ניתוח נתונים נוספים.

Wendy's – רשת ההמבורגרים השלישית בגודלה בעולם מחזיקה במעל ל-6,700 מסעדות ומפעילה את מערכת ה-GIS לצורך פילוח אוכלוסייה המאופיינת בשונות דמוגרפית גבוהה ולצורך הרכבת תמהיל מוצרים העונה לצורכי האוכלוסייה בכל סניף וסניף.

שירות הפארק הלאומי האמריקאי – הוא גוף ארגוני שמטרתו לשמור על משאבי הטבע, התרבות והערכים של מערכת הפארק הלאומי לדורות הקיימים ולדורות הבאים. הארגון נעזר במערכת מידע גיאוגרפית GIS למטרות מחקריות, לצורך התייעלות תפעולית וכן לצורך ניהול הנכסים ותיאום השימוש בהם.

מערכת ניהול גיאוגרפי במגזר העסקי

מערכת ניהול גיאוגרפי נמצאת בשימוש עסקי רחב ותורמת לתהליכי קבלת החלטות בדבר התרחבות עסקית, ניתוח הכנסות מסוגים שונים, איתור פלחי שוק חדשים, טיוב קווי חלוקה ושיפור השירות ללקוח הקצה. הנה מספר דוגמאות לשימושים רווחים במערכת:

הקמת סניפים חדשים – איתור המיקום המיטבי ביותר בהתאם לפילוח האוכלוסייה המקומית, היקף התחבורה הציבורית באזור, תוכניות בינוי עתידיות, שצפויות לשנות את המארג הקיים והרגלי הצריכה של התושבים, כאשר כלל המידע מגיע מתוך טבלאות סטטיסטיות ומחולק לשכבות.

הרכבת תמהיל מוצרים בסניף מסוים – בהתאם למאפיינים הדמוגרפיים באזור, הרגלי הצריכה, מגמות עתידיות שצפויות להשפיע על הרגלי הצריכה וכן הלאה. כך שכל סניף משקף באופן המיטבי ביותר את צורכי תושבי המקום גם אם קיימת ביניהם שונות גבוהה.

טיוב קווי חלוקה – תכנון קו החלוקה החסכוני, הבטיחותי והנוח ביותר בהתאמה לסוג רכב ולנהג וכן למאפיינים נוספים.

ניטור הכנסות מאזורים שונים – הבנת תמהיל ההכנסות באמצעות שילוב של נתונים דמוגרפיים הנוגעים לסוג האוכלוסייה ולהרגלי הצריכה המאפיינים אותה, איתור המוצרים הריווחיים ביותר ובחינת מיקומם בתוך הסניף.

שמירה על רמות מלאי תקינות – כיום ניתן להיעזר במערכות GIS שמנטרות עומסים, כמו כן ניתן לקבל התראות כאשר המלאי מגיע אל טווח הביטחון וכן להעביר מלאי בין סניפים באופן היעיל והחסכוני ביותר.

תיאום חדרי ישיבות וניצול מיטבי של שטח נדל"ן – מערכת ה-GIS מאפשרת לנתח מידע גם בתוך מבנים. ניתן לדעת אם חדר ישיבות מסוים מנוצל באופן מיטבי, להבין לאילו חדרים יש ביקוש גבוה ביותר ולבצע התאמות – באופן זה ניתן להביא להתייעלות תפעולית, לשיפור השירות ולחסכון כספי.

GeoAnalytics Connector של Qlik (הרכיב הגיאוגרפי של Qlik)

הרכיב הגיאוגרפי של Qlik משולב בתוך פלטפורמת ה-BI המתקדמת Qlik Sense ומאפשר לנתח מידע על בסיס מפות וליצור שכבות חישוב חדשות. הרכיב משולב בתוך מסד הנתונים היחסי-מרחבי ומתבסס על סוגים שונים של מידע בהלימה לעשייה היומיומית. כך למשל ניתן לחשב באמצעות הגאואנליטיקס מרחקי הליכה או נסיעה בין נקודות שונות, לזהות את הנקודה הקרובה ביותר מתוך קבוצת נקודות, לחשב מסלולי נסיעה קצרים או מהירים, ליצור שכבות של שטח בהתבסס על מספר נקודות ולהיעזר ביכולות חישוביות נוספות המבוססות על שכבת שטח, נקודה, מפת חום, קווים מנקודות שונות ועוד. הרכיב תומך בקריאת קבצים בפורמט Shape File ובתצורות נוספות של מידע גיאוגרפי. התקנת הרכיב נעשית על שרת ה- Qlik Sense וכמו כן ניתן להתקין אותו על השרת המקומי ולבצע חישובי מרחק במצב לא מקוון.

האם הדשבורד מת?

Author: moransinay2103@gmail.com

המאמר מציג את GeoAnalytics, תוסף מתקדם ל-Qlik, המאפשר לחקור נתונים עסקיים באמצעות מפה רב-שכבתית. התוסף מחבר בין ניתוח BI למימד המרחבי, ומאפשר לבחון את השפעת המיקום על ביצועי הארגון (למשל, עלויות שילוח או פיזור לקוחות). התוסף מחליף מערכות GIS נפרדות, מציג ניתוחים גיאוגרפיים מתקדמים (כמו חישובי מרחק) ומסייע לארגונים ממשלתיים, רשתות קמעונאות ועוד, לקבל תובנות חדשניות על בסיס נתוני מיקום.

ג'יימס פישר, מנהל מוצר ב- Qlik, נדרש לענות על שאלה זו (האם הדשבורד מת?) וכך הוא ענה:
"יש הרבה דיבורים בימים אלה על כך שהדשבורדים (לוחות המחוונים) הינה נחלת העבר. אחרי הכל, מאוד פשוט להציג מדדים והדמיות בדשבורד. זה משהו שכולם יכולים לעשות, נכון? אם כל מה שאתה צריך לעשות זה ניטור מדדים, אז נסכים: הדשבורד מת במידה רבה. אנו יכולים לספק לך את נקודות הנתונים הייחודיות לך בכל מקום, לעקוב אחר מה שאתה מתעניין בו, להתריע בפניך על שינויים ולקבל החלטות בהתאם.

אבל, יש הבדל גדול בין ניטור מדדים פשוט לניתוח ותיחקור מעמיק, הנתמך על ידי אפליקציית ניתוח עשירה ואינטראקטיבית. הצורך להטיל ספק בנתונים שלך כדי לחשוף תובנות המודיעות על אסטרטגיה וכיוון עתידיים עדיין חי. וזה דורש יותר מסתם לוח מחוונים סטטי.
ב- Qlik יש לנו את הדשבורדים (לוחות המחוונים) מהטובים ביותר בעולם. לוחות המחוונים שלנו הם לא רק תצוגות סטטיות של תוכן עם סינון מוגבל, אלא הם יישומי אנליטיקה עשירים המספקים אינטראקטיביות ללא תחרות ויכולת תיחקור. הם מאפשרים לאנשים לבצע סגמנטציות, לבחור מה להציג, ולראות את ההשפעות של בחירות אלה בכל מקום. הם חושפים את כל ההקשרים בנתונים שלך, כולל מה שקשור ולא קשור לבחירות שלך. אתה יכול לחפש בכל הנתונים שלך כדי לחדד את ההקשר. אתה יכול לראות את כל הנתונים שלך בכל עת, בכל מקורות הנתונים שלך, מרמת המאקרו הגבוהה ביותר ועד לרמת המיקרו וירידה לפרטי פרטים ברמת העסקה. החישובים מתעדכנים מהר יותר משתוכל לחשוב, לא משנה אילו בחירות אתה מבצע, עד כמה הנתונים מורכבים או כמה משתמשים יש.

היכנסו ללמוד כיצד לאפיין דשבורד ניהולי.

אז למה זה משנה? כי כך מתגלים פרטים ותשובות על שאלות שלא חשבתם לשאול. כאשר משתמש עסקי מסתכל על לדשבורד ויזואלי, בדרך כלל יש לו יותר שאלות מתשובות. על מנת לקבל החלטה מושכלת, עליהם לשאול ולענות על שאלות המשך. הם צריכים לבצע תיחקור ותשאול, לבצע הערכות ואז שוב לתשאל – עד שהתובנה הנכונה תיחשף ותובן במלואה. לעומת זאת, תצוגה צרה וחסרת הקשר בדרך כלל לא תספק את אותה איכות הפלט. תהליך זה ייחודי לכל משתמש ולקו החשיבה שלו. וזה לא צריך להיות מוגבל רק למומחי נתונים ואנליסטים שיכולים לבנות ויזואליזציות ושאילתות.
המנוע האסוציאטיבי הייחודי שלנו הוא שגורם לקסם לקרות. החידושים הטכנולוגיים כוללים אינדקס ואחסון בינארי דחוסים, מסקנות לוגיות וחישוב דינמי בעל ביצועים גבוהים, כולם נועדו לתמוך בחיפושים וחיפושים לא לינאריים, ללא צורות ללא מגבלות של ארכיטקטורות המבוססות על שאילתות. והכי חשוב, כל זה קורה מתחת מאחורי הקלעים – בדיוק כמו מכונית ספורט בעלת ביצועים גבוהים, אתה יכול להרגיש את ההבדל כאשר אתה נוסע בה.

כעת, עם AI ושפה טבעית, הרמנו שוב את הרף. המנוע האסוציאטיבי שלנו עובד יחד עם יכולות קוגניטיביות מתקדמות כדי לספק כוח אנליטי ברמה הבאה, בצורות חדשות, על פני מגוון רחב של חוויות משתמש. משתמשים יכולים ליצור מיידית ויזואליזציות חדשות וניתוחים מתקדמים בתוך לוח המחוונים באמצעות חיפוש בשפה טבעית. הם יכולים להניע את תהליך החקירה האינטראקטיבית, תוך שימוש בניתוח שיחות מלא בכל לוח המחוונים שלהם. הם יכולים ליצור התראות נתונים מתוחכמות לתובנה מיידית כאשר הנתונים משתנים. בנוסף, הם יכולים לשלב נתונים גרפיים ויישומים בעזרת סיוע של AI."

מערכות BI בתקופות של אי ודאות

Author: moransinay2103@gmail.com

מאת דן סומר מנהל בכיר בחברת Qlik העולמית

משבר הקורונה שינה מן הקצה אל הקצה את ההתנהלות היום יומית של עסקים ושל הפרט. רבים החלו לעבוד מהבית, מערך הזמנות האונליין גדל, קיימת נטייה לצמצם כל מגע אנושי מחשש להדבקה; שבאה לידי ביטוי גם בדחייה של קניות או יציאות, אשר לא ניתן לבצע בצורה מקוונת. כאשר מכפילים התנהגות זאת במיליארדים- הרי שאין מנוס מלקבוע, שהשוק השתנה וממשיך להשתנות, ולכן עסקים צריכים למצוא כלים טכנולוגיים, שייסעו להם לנתח את המציאות החדשה ולמנף את הנתונים, המצויים בידיהם.

אז מה השתנה בעצם?

התנהגות הציבור השתנתה תדיר, ובצורה דרמטית, ועם עד שנת 2019 רק 4% מהציבור הישראלי בלבד עבד מהבית, הרי שהמצב שונה לחלוטין וגם אוכלוסיות, שלא ניתן היה לתאר שיעבדו מהבית כמו מורים למשל – עושים זאת. עד לא מזמן כלכלנים החזיקו בהשערה כי אירוע מסוג "ברבור שחור" (אירוע נדיר, שלא ניתן לניבוי) או משבר הכלכלי שעתיד לבוא, יזניק את החברות הדיגיטליות, וכמו שהדברים התפתחו בשנה האחרונה, נראה שהתיאוריה שלהם מתממשת, הלכה למעשה. כעת עולה השאלה, מי ישרוד?

האם חברות בעלות מאזן כספי איתן?
האם חברות שאימצו מערכות דיגיטליות הנוגעות למודל העסקי?
האם חברות, המסתגלות במהירות לשינויים?

חברות מהדור הקודם עשויות להשיב לשאלה הראשונה בחיוב, סטרטאפים חדשניים ייטו להשיב לחיוב לשאלה השנייה והשלישית. אך כל עוד המשבר נמשך ומנהל את סדר היום הציבורי, אין מנוס מלהשיב לשלושת השאלות בחיוב כדי לשרוד את המציאות הבלתי צפויה והנדירה הזאת גם במונחים של המאה ה-21 והדבר נכון לכלל תחומי הפעילות בתעשייה הישראלית והעולמית.

צרו איתנו קשר ללמוד איך מערכות ה BI המתקדמות של Qlik יכולות לעזור ארגון שלכם

כיצד מערכות טכנולוגיות ארגוניות יודעות להתמודד עם המשבר העולמי?

כיום אנו רואים יותר ויותר ארגונים המאיצים את המעבר לשירותי SaaS, ענן ושירות מקוון, וזאת כיוון שעליהם להתמודד עם מסדי נתונים עצומים, המתעדכנים באופן תדיר, הם נוטים לחפש פתרונות המאפשרים להם לפעול בעצמאות, להטמיע מערכות במהירות ולעבוד על בסיס מודל או מנוע עוצמתי, המאפשר להתמודד במהירות וביעילות עם נתונים, לסנן, למיין ולנתח. המגמה ההולכת וגוברת מצביעה על נטייה לבחור במערכות נתונים, שלא רק "מטפלות" בדאטה" אלא מציגות אותה באופן מושך בצורה של תובנות, המחלוקות על פני גרפים, צבעים מדורגים, סמלילים ותצוגה מותאמת אישית.

אם נסתכל אחורה אל המשבר האחרון ב-2008 הרי שהארגונים, שצלחו את משבר 2008 אימצו כלים טכנולוגיים, שאפשרו להם לקיים שיחות ועידה אינטרנטיות, לשלב עבודה בין צוותים שונים מעבר לים ולטפל בסוגיות אבטחת מידע. ארגונים אלו היו בין הראשונים, שאימצו את מערכות ה Business Intelligence (BI), אשר היוו סנוניות ראשונות לאחד מהשווקים הצומחים ביותר בעשור האחרון. כלכלנים מעריכים שגם במשבר זה מערכות ה-BI יהוו מרכיב טכנולוגי משמעותי בניהול הפעילות העסקית אך בשונה משני העשורים הקודמים הרי שהפעם עסקים יתקשרו בפרויקטים קצרי טווח, ממוקדים ומהירים ליישום וזאת על מנת למצוא דרכים יצירתיות למצוא שווקים חדשים ולייצר ערך ללקוחותיהם.

כיצד השתנה הביקוש של השוק למערכות ניתוח נתונים במהלך השנה החולפת?

ההשפעה של covid-19 באה לידי ביטוי בצבר של נתונים, שנתפשים כחיוניים הן להנהגה והן למקבלי ההחלטות בארגונים. סגרים נפתחים ונסגרים בהתאם להערכה עתידית, אלו החלטות הרות גורל המשפיעות על נדבכים רחבים במשק וכולן מבוססות על ניתוח נתונים, למידה של נתוני העבר, סטטיסטיקה ויכולת איסוף מידע בזריזות וביעילות.

בסקר שנערך אשתקד בארצות הברית נמצא כי 53% מהמצביעים סבורים כי פלטפורמות לניתוח נתונים ביניהן מערכות בינה מלאכותית, מחשוב ללא שרתים ומערכות לומדות יהיו בעלי פוטנציאל ההצמחה הגבוה ביותר לארגונים. "משבר הקורונה משנה את התנהגותם של אנשים, אך חשיבות ניתוח הנתונים אינה משתנה, ולכן קיימת סברה, שבישיבת התקציב הבאה, הארגונים יעדיפו להשקיע במערכות לניתוח נתונים על פני השקעות חיוניות פחות לקריאת המציאות החדשה.

לסיכומו של עניין, אנו מתקרבים לשנה של משבר, ששינה את העולם מקצה לקצה, את אופן העבודה, האופן בו מתייחסים לנתונים והתדירות בה נעזרים בהם על מנת לקבל החלטות. זריזות וחדשנות יהיו מנת חלקם של ארגונים בשנים הקרובות אלו יבואו לידי ביטוי במערכי שילוח, המבוססים על מטוסים זעירים ללא טייס, הדפסות תלת ממד אישיות, מציאות וירטואלית במקום העבודה, תיירות וירטואלית, מוניות אוטונומיות וכן הלאה, כל אלו יבוססו על טכנולוגיות של ניתוח נתונים, הנתמכות AI , בעננים מבוזרים IoT ופיתוחים חדשניים נוספים. חברות, שיצליחו לשמור על איתנות פיננסית, גמישות תפעולית ויכולת אימוץ מהירה של פתרונות טכנולוגיים מבוססי בינה מלאכותית ומכונה לומדת, יוכלו לצלוח את המשבר.

השאילתה מניבה נתונים ללא ערך עסקי – תחשבו בינה רבודה (Augmented Intelligence)

Author: moransinay2103@gmail.com

מאת אליף טוטוק (Elif Tutuk) סגנית הנשיא לחדשנות ועיצוב בחברת Qlik העולמית.

מערכות BI מהדור השלישי (בינה רבודה – Augmented Intelligence) מספקות דמוקרטיזציה של נתונים, ומאפשרות לכל משתמש לנתח מידע ולהגיע לתובנות עסקיות משמעותיות. בניגוד לדורות קודמים, הדור הנוכחי משלב מנוע עוצמתי לעיבוד Big Data ואנליטיקה רבודה, המשלבים בין החשיבה האנושית לבין יכולות למידת מכונה. פלטפורמה איכותית צריכה להיות גמישה ובעלת יכולת טכנולוגית גבוהה כדי להפיק ערך אמיתי ולפתור בעיות עסקיות מורכבות.

מזה זמן מה שישנו שיח ער בנוגע למערכות בינה רבודה (Augmented Intelligence) חדשות, שמאפשרות לחקור את הדאטה על בסיס דשבורד, מנגישות את הנתונים באינספור גרפיקות המקלות על קריאת המידע ומאפשרות למנהלים להגיע לתובנות עסקיות חכמות על סמך הדאטה.

כיצד תוכלו להשיג ערך אמיתי מבינה מלאכותית ? רק דרך מערכות BI מהדור השלישי. מהן? כיצד ניתן להפוך נתונים עם ערך לנתונים שנותנים ערך ועל מה לשים דגש בבחירת הפלטפורמה לארגון? התשובות כאן במאמר.

מהן מערכות BI מהדור השלישי?

שיעור ההוצאות העולמי בשנת 2022 על מערכות בינה קוגניטיבית ומערכות בינה רבודה (Augmented Intelligence) צפוי להגיע ל77.6 מיליארד דולר, כפול מהתחזית לשנת 2019 שעמדה על 35.8 מיליארד דולר. (על פי תחזית ההוצאות העולמית של ארגון IDC). בימים אלו אנחנו נכנסים לדור השלישי של מערכות BI והשוק נדרש לתשובות מהותיות בנוגע לערך שניתן להפיק מהן.

במערכות BI מהדור השלישי – כל אחד יכול לנתח ולנהל נתונים

אי אז בשנות ה-90 כשהופצו מערכות ה-BI הראשונות רק מנתחי נתונים מיומנים מאוד יכלו לנהל אותן. הגישה לנתונים הוגבלה והדיווחים הופקו באיטיות, על תחזיות לא ניתן היה כלל לחלום – המערכת הייתה לא יותר מאוסף של דוחות. הדור השני של מערכות ה-BI הרחיב את גישת ניתוח הנתונים לקהל חדש – קהל המשתמשים ומונחים חדשים כמו Self-Service ("שירות-עצמי") ו"משחק עם נתונים" הטיבו לתאר את אופן השימוש במערכת. אך חרף תמורות חיוביות אלו, כל עוד קבלת החלטות על סמך נתונים לא הוטמעה בתרבות ארגונית, השימוש במערכות אלו הצטמצם לרמת המחלקה.

מערכות הדור השלישי שהן מערכות בינה רבודה (Augmented Intelligence) מתקנות את "איי-המידע" שנוצרו בתוך הארגון ויוצרות קשרים בין נתונים שונים במטרה לאתר מגמות ולהגיע לתובנות, שנסתרו מן העין עד כה – זוהי דמוקרטיזציה אמיתית של נתונים בה כל אחד יכול לבצע שימוש בכל נתון (שאליו הוא חשוף בהתאם להגדרת תפקידו) ולהגיע למסקנות מרחיקות לכת, שישפיעו על הצעד העסקי הבא. אף על פי שדמוקרטיזציה של נתונים היא צעד מבטיח ביותר, אין די בה כדי לספק את התמורות העסקיות ולממש את היכולות הגלומות במערכות מהדור החדש.

אם גם אתם רוצים ללמוד עוד על מערכות בינה רבודה של Qlik צרו איתנו קשר

אז מה כן?

רק מנוע רב עוצמה בעל יכולות לעיבוד ולניתוח מהיר, למסה אדירה של נתונים המופנים אליו מאינספור מקורות, יספק את התשתית המתאימה לביצוע ניתוח מעמיק ולהגעה לתובנות מרחיקות לכת המבוססות לא פעם על שיתוף פעולה בין-ארגוני ועל אנליטיקה רבודה (Augmented Analytics). בהקשר זה יש לציין שעם הזמן המכונה אכן לומדת את דפוסי השימוש של האדם ומציגה למשתמש נתונים בהתאם לשאלות או לכיוונים אותם הוא מבקש לחקור' אך רק השילוב בין האדם למכונה מאפשר להשיג את המטרה ולבצע שימוש בעל ערך בנתונים. כך למשל – המכונה מציגה לאדם את כל ההקשרים סביב הנושא שהוא חוקר, אך רק האדם הוא זה שמקדם את החקירה על ידי בחירת ערכים בשדה והעלאת שאלות נוספות שמקדמות את החקירה בכל כיוון שיבחר.

בינה עסקית היא החיבור בין האדם למכונה

מטרתנו ב-Qlik ישראל היא לסייע לאנשים לקבל החלטות חכמות יותר באמצעות בינה רבודה (Augmented Intelligence) ולספק סביבת עבודה המאפשרת לחקור את מסד הנתונים מכל כיוון אפשרי ללא הגבלת שאילתות או מסגרות אנליטיות המוכתבות באמצעות מכונות. זהו הערך האמיתי ש-Qlik מספקת דרך פלטפורמת ניתוח הנתונים, אשר משתנה ומתהווה ללא הרף דרך תקשורת' בין שיתוף פעולה ויחסי גומלין בין משתמשים שונים ומכונה הלומדת את מאפייני החיפוש ומשפרת את התוצאות בכל עת.

זהו "המרכיב הסודי" מכפיל הכוח שבאמצעותו ניתן לפתור בעיות עסקיות מורכבות, אשר הופך בינה עסקית לבינה רבודה (Augmented Intelligence) שנותנת ערך עסקי – וכמו ששום מחשב לא יכול לחבר סונטה בדומה למוח האנושי ושום אדם לא יכול להחליף מזראטי כך גם אף מערכת מידע לא תפעל באופן עצמוני לחלוטין ותחליף את הידע, הניסיון והחשיבה האנושית. רק הכרת יכולת המכונה ועבודה נכונה עמה בעזרת הדרכה, התמדה והטמעת תרבות ארגונית המבוססת קבלת החלטות על סמך דאטה, יניעו לערך עסקי מובהק בו השלם עולה על סך חלקיו.

כיצד לבחור בפלטפורמת BI מהדור השלישי?

בבחירת פלטפורמת אנליטיקה רבודה (augmented analytics) המתאימה לארגון חשוב לבחון ולשים את הדגש על הנושאים הבאים:

פתרון שיקיף את כלל צרכי הארגון לרבות מתן מענה למספר עולמות תוכן, תצוגה חזותית, מתן המלצות הניתנות להסבר, שילוב הפתרון כחלק מהתרבות הארגונית ומתן הדרכה המסייעת למשתמשים להפיק את המרב מן המערכת.
גמישות – האם הפלטפורמה פתוחה להרחבה? מהם שלבי ההטמעה של המערכת?
יכולת טכנולוגית – יכולת המערכת להתמודד עם היקף נרחב של נתונים, מגבלות טכניות וכן הלאה.

הגישה הייחודית של Qlik למערכות בינה עסקית

ב- Qlik אנחנו משלבים בין המנוע האסוציאטיבי הייחודי שלנו לבין מנוע קוגניטיבי אשר "לומד" את פעולות המשתמשים, מטייב את תוצאות החיפוש ובכך מביא לתובנות נסתרות. החקירה בפלטפורמת בינה רבודה (Augmented Intelligence) נעשית באופן חופשי ומשולבת בחוויה חזותית המאפשרת לעצב את הדשבורדים בהתאמה לצרכים, להוסיף מגוון גרפיקות המקלות על קריאת המידע כמו גרפים, טבלאות, מפות, תרשימים והדגשות ולהפיץ את המידע בקלות במגוון דרכים – הן על ידי יצירת מצגות והן על ידי דואר אלקטרוני או מסרונים.

המנוע האסוציאטיבי של Qlik מנהל את ההקשרים בכל שלבי חקירת המידע ומבצע הפרדה בין נתונים מקושרים לנתונים שאינם מקושרים לערך החיפוש – שתי פעולות אלו מבטיחות שהתובנות שניתן להפיק ממערכת אנליטיקה רבודה (augmented analytics) מבוססות על הקשרים רבי-עוצמה. כיום אין שום תחליף לקטלוג על פי הקשרים יחד עם ביצוע ניתוח נתונים וזוהי הבשורה החדשנית ביותר שיש למערכות בינה רבודה (Augmented Intelligence) מהדור השלישי – גישה שמתאימה לארגונים בכל סדר גודל, אשר מעוניינים להטמיע תרבות ארגונית המבססת את קבלת ההחלטות על סמך דאטה.

לפרטים נוספים ולהתייעצות בהתאמת פלטפורמת ה-BI הנכונה ביותר לארגון, צרו קשר

איך לאפיין דשבורד ניהולי?

Author: moransinay2103@gmail.com

לוח מחוונים (ידוע גם בשם דשבורד ניהולי) הוא מסך, דשבורד או גיליון המציג נתונים ארגוניים בתצוגה חזותית ובמגוון רחב של אובייקטים. לוחות המחוונים מרכיבים את מערכת ה-BI ונבדלים זה מזה במטרה ובמהות השימוש. המסכים נחלקים לשלושה סוגים מרכזיים –

דשבורד ניהולי – זהו מסך הכניסה למערכת ה – BI ומטרתו לספק מידע כללי למנהלים. הוא מהווה "דשבורד הבית" של החברה, אשר מיועד להציג את המידע החשוב ביותר ב"מבט על".
דשבורדים אנליטיים – מטרתם לספק סביבה לחקירה מעמיקה על נתוני הארגון.
גיליונות – מאפשרים להפיק דו"חות מובנים או דינאמיים על פי בחירת המשתמש.

כמו כן ניתן לעצב דשבורד ניהולי ולשמור על עיצוב.

מה מטרות הדשבורד?

דשבורד ניהולי אשר מיועד להציג את המידע החשוב ב"מבט-על" – בהתאמה לקהל היעד – ולהוות שער לתחקור ראשוני "שטוח" (ללא סינון מידע), אמור להיות גמיש לתפעול וניתן לשינוי בהתאם לצרכים המקצועיים של כל משתמש ומשתמש, כך למשל ניתן להשמיט עצמים שאינם נדרשים לתחקור הראשוני ולהדגיש עצמים אחרים כמו מדדים חשובים או התקדמות יעדים. כמו כן ניתן לעצב דשבורד ניהולי ולשמור על עיצוב דשבורד BI ביחס למסכים הנוספים במערכת באמצעות הוספת לוגו או שימוש בגווני הלוגו לעיצוב הנראות ולהדגשת האחידות.הודות לשותפים שלנו, אתה יכול למצוא עניבות מקוונות שיתאימו לכל העדפה ותקציב, מתקציב ועד לדגמים סופר מסוגננים מהשורה הראשונה.

אילו סוגים שונים של מידע דשבורדים מספקים?

נתוני מכירות על פני ציר הזמן ובהשוואה לנתוני העבר (יום או חודש בשנה קודמת).
דאטה בייס על "עשרת הגדולים" – פריטים מובילים, ספקים מובילים, לקוחות מובילים, אנשי מכירות וכן הלאה בהתאמה לעולם התוכן.
ניתוח וניטור מקורות תנועה לאתרי אינטרנט.
מעקב אחר שינויים במחירי סחורות בעולם על פני ציר זמן.
שינויים במחירי מניות ומדדים בבורסות שונות ברחבי העולם על פני ציר זמן.

אילו סוגים של דשבורדים קיימים?

ישנם שלושה סוגים שונים של מסכי נתונים:

דשבורד אינפורמטיבי (Informational Dashboard)

הדשבורד האינפורמטיבי נועד לייעד את משתמשי המערכת בדבר אפשרויות ומגמות שונות, שעולות מתוך הנתונים – כך למשל לרכז את המידע אודות הלקוחות עם פוטנציאל המכירה הגבוה ביותר, או את כל המידע על הפריטים הנמכרים ביותר במערכת, המוכרנים המובילים, הסניפים הרווחיים, קווי החלוקה היעילים, פילוח מסעות פרסום בערוצים השונים ואפשרות לביצוע השוואה בין עצמים שונים במערכת. גם המסך האינפורמטיבי ניתן לתחקור "שטוח" ללא סינון של מידע או ביצוע פעולות שמשפיעות על הנתונים, אך כאמור מטרתו היא בראש ובראשונה לספק תמונת מצב כללית על הארגון ולהציף נתונים באמצעות גרפיקות שונות, צבעים, מפות ואינספור עצמים ויכולות הקיימות במערכת ה-BI של Qlik

<<< ליחצו כאן כדי ליצור איתנו קשר וללמוד כיצד עובדים הדשבורדים המתקדמים של Qlik >>>

דשבורד אנליטי (Analytical Dashboard)

הדשבורד האנליטי הוא המסך בו מתבצע התחקור הלכה למעשה, המידע המוצג בו מפורט לפרטי פרטים, כאשר כל הקלקה על עצם במסך מובילה למידע נוסף המקושר אליו בדאטה בייס. כדי לאפשר חקירה מעמיקה המעודדת שאילת שאלות נוספות ומובילה למסקנות חדשניות חשוב להבין תחילה כיצד המסך מורכב. מערכת ה-BI מורכבת משני צדדים – הצד החזותי שהוא למעשה סביבת החקירה של המשתמש והצד ה"הנחבא" שהוא למעשה דאטה בייס ובו אוסף של טבלאות, שמחוברות זו לזו. המידע מוצג בצד הקדמי של המערכת בתצורות שונות לרבות גרפים, באר צ'אט, כתר, אובייקטים של KPI, מפות וכן הלאה. כאמור המסך האנליטי מפורט ומספק פרטים רבים על כל נושא ארגוני לדוגמה: בחקירת החנויות – יוצג מידע הנוגע לביצועים של חנות אחת אל מול הרשת כולה, עמידה ביעדים של כל חנות וחנות, פילוח דמוגרפי, מידע על משמרות המוכרנים, הוצאות, תצוגת פריסת החנויות על גבי מפה וכן הלאה.

דשבורד אסטרטגי (Strategic Dashboard)

הדשבורד האסטרטגי פעמים רבות מכונה גם דשבורד מנהלים כיוון שהמסך מיועד לצוות הניהולי בארגון ומטרתו לספק מידע השוואתי על ביצועי העסק בנקודות זמן שונות ותחזיות לעתיד. דשבורד מנהלים זה מאפשר לבצע חיתוכים שונים בגמישות רבה אך איזו מתעדכן בזמן אמת. מטרתו המרכזית הוא להצביע על מגמות, לראות את המידע מ"מבט על" ולהבין תופעות. אפיון של דשבורד ניהולי נעשה בהלימה לצרכים העסקיים והמידע המוצג מותאם לקהל היעד: כך למשל למנהלי המכירות יוצגו מדדי המכירות, עמידה ביעדים ונתונים מובילים אחרים על מוכרנים, ביצועי סניפים ותנועת לקוחות ואילו למנהל הכספים יוצג בדשבורד מנהלים מידע על חשבונות הבנק הפעילים ביותר, חשבוניות, ספקים וכן הלאה. בהיבט הנראות הדשבורד הניהולי הוא מסך מוביל במערכת ה-BI הארגונית וככזה הוא שומר על אחידות סגנונית עם סמלים חזותיים בארגון כמו לוגו ובחירה של גוונים.

אז איך מאפיינים דשבורד?

שלב ראשון: הבנת צרכי המשתמש

משתמשים רבים המעוניינים ליישם מערכת BI בארגון או בעסק עשויים לדעת מהם מדדי ה-KPI שנחוצים להם. יחד עם זאת רק לאחר התבוננות מעמיקה בסדר יום העבודה ובעשייה השוטפת ניתן לגבש רשימה מקיפה של צרכים עסקיים, שניתן לגלם בתוך המערכת. יש לציין בהקשר זה שברוב המקרים איש הקשר הארגוני לא בהכרח יהיה המשתמש הסופי של המערכת, לעיתים מדובר על מנהל מחלקה או מנהל מתחום מערכות המידע אשר מכורך הנסיבות מוגבל ביכולת שלו לשקף באופן מיטבי את שיטות העבודה והפעולות הפרטניות שנעשות כדי להניע תהליכים.

ולכן הדרך הטובה ביותר ליצור מסמך דרישות מקיף המבוסס על הבנה מרבית של הצרכים והדרישות היא להעמיק אל תוך ההיררכיה הארגונית ולתשאל את אנשי המקצוע בפועל מספר שאלות על סדר היום, התפקיד בחברה, דרישות מקצועיות, פעולות שמגדירות אותו כעובד שמבצע את תפקידו בהצלחה, מדוע הוא מבצע פעולות מסוימות ולא פעולות אחרות, אילו כלים או נתונים חסרים לו לביצוע התפקיד, האם הוא מקבל החלטות על סמך מידע ואילו סוגי החלטות הוא מקבל. כמו כן. חשוב לבחון אל מול המנהלים מה הציפיות שיש מהעובד בקצה, באילו נתונים עליו להתמקד כדי לבצע את עבודתו ומה הציפיות ממנו. על הדשא, ילדים צוחקים ומשחקים, מלאי אנרגיה.

שלב שני: הבנה והתאמת המערכת למשתמש

מדדי הארגון אינם עומדים בפני עצמם אלא מקיימים קשרי גומלין בין מאפיינים שונים בארגון ונגזרים זה מזה. כדי להציג אותם כהלכה יש להבין את החישובים העומדים מאחוריהם. כך למשל מנהל הקמפיינים רוצה לדעת את יחסי ההמרה של מסע הפרסום ולשם כך עליו לקבל מידע בנוגע לכמות ההקלקות. כך גם נכון הדבר לגבי מנהל החנות שרוצה לדעת מה הרווח היומי – לשם כך יש להבין את היחס בין הכנסות והוצאות (עלויות תפעול).

בדרך זו ניתן לגלם את צרכי הלקוח – לקבל החלטות על סמך דאטה ושבחירה של עצם במערכת תוביל למידע הנחוץ בהקשר המתאים. כאשר המידע מוצג בהלימה לתהליכי העבודה ומבנה הנתונים בבסיס הנתונים תומך את דרישת המשתמש ביישום, קל יותר להבין את ההקשרים ולבצע שימוש יום יומי במערכת.

שלב שלישי: הגדרת יעדים

הגדרת היעדים מבוססת על האפיון הראשוני וכוללת את רשימת העצמים בדשבורד, המדדים והממדים שנמצאים בהלימה מלאה לתהליכי העבודה. בשלב הזה בוחנים יחד עם הלקוח ממה יהיו מורכבים עולמות התוכן שהוא רוצה להציג ולנתח. ניתן להיעזר בדוגמאות שונות להרחבת האפשרויות ולשלב אותן בדרישות האפיון. לאחר מכן יוצרים מערכת בגרסת דמה, שמשקפת באופן הקרוב ביותר את התוצר הסופי שיפותח עבור הלקוח ומהווה כלי מהותי לתיאום הציפיות בשלב האפיון. בגרסת הדמה ניתן יהיה לבחון את סינון המידע, סוג העצמים בכל דשבורד, אילו מטבעות יוצגו במערכת, מה תהיה שפת המערכת, אילו מסכים ירכיבו את המערכת ומה המטרה של כל דשבורד ודשבורד.

עיצוב הדשבורד

דשבורד BI הוא "שולחן העבודה" ולמעשה הסביבה המרכזית בה המשתמש צופה בנתונים, מבצע חקירה ראשונית ומעמיקה, מפיק דוחות ולבסוף מקבל החלטות המשפיעות על הפעילות העסקית. עיצוב דשבורד BI הוא מרכיב משמעותי בהצלחת פרויקט ה-BI ובשנים האחרונות יותר ויותר מפתחים מאמצים גישות השומרות על פשטות באופן את תצוגת הנתונים הנחוצה למשתמש ושימוש בעצמים שונים המקלים על זכירת מידע. הנה כמה מאפיינים המגדרים עיצוב דשבורד BI מוצלח:

<<< ליחצו כאן כדי ליצור איתנו קשר וללמוד על הדשבורדים המעוצבים של Qlik >>>

יצירת סביבת עבודה נגישה ונעימה לעין – עיצוב דשבורד BI נקי, מדויק ומתומצת, חף מאינפו-גרפיקות המכבידות על העין, מקל על ההתמצאות במסך ושומר על היגיון בסידור הנתונים. הדבר יעודד שימוש נרחב במערכת וישיג את מטרתו. שמירה על ארגון המידע שיקל על השימוש במוצר, מסכים המציגים רק את המידע הנחוץ למשתמש.
עדכונים בזמן אמת – מעודדים את השימוש השוטף במערכת ומקלים על קבלת עדכונים ממגוון רחב של מקורות. כך למשל ניתן לממשק למערכת תיבות הודעות מרשתות חברתיות (ולייתר את הצורך להתחבר לרשתות שונות ולעבוד מחוץ למערכת) ניתן לבצע מעקב על גבי מפה לקווי שילוח ומשלוחים, ניתן לעקוב אחר שינויים שבוצעו במסמכי Google Docs וכן הלאה.
מתן עדיפות למסרים חזותיים – לדוגמה שימוש בסמלילים המציינים את מזג האוויר, שימוש במוטיבים מעולמות ה-UI, הקפדה על בחירת הגוונים, עיצוב דשבורד באמצעות יצירת פרשנות עיצובית מגווני הלוגו של הארגון ושימוש בהם באזורים שונים במסך ובפרט שימוש בצבע כדי לעורר תגובה רגשית ולהפוך את השימוש השיטתי לשימוש חוויתי.
רספונסיביות – רספונסיביות הינה יכולת התגובה של המערכת לכל מסך באשר הוא – התאמת התוכן לגודל של מחשב נייח או נייד, מסך טאבלט ומסך סמארטפון. כך שאם המשתמש רוצה לחקור עניין מסוים, לבחון נתון, מפה או גרף הוא יכול לעשות זאת מכל מכשיר. הרספונסיביות מעודדת להשתמש במערכת באופן שוטף וקבוע.
המחשה חזותית של מידע באמצעות מגוון רחב של גרפיקות במטרה להפוך מידע מילולי למיצג חזותי שנקלט טוב יותר בעין האנושית. בין הגרפיקות השונות ניתן למצוא:

תרשימי עוגה (Pie Charts)

תרשימי עוגה ידועים גם בשם דיאגרמת עוגה או פאי בדומה לצורתם המעגלית שמחולקת לגזרות ("פרוסות עוגה"), המתארות חלקים שונים בעלי שונות כמותית-יחסית מתוך השלם, כלומר ככל שהגזרה גדולה יותר כך היא מייצגת חלק גדול יותר מתוך השלם . באמצעות התרשים ניתן להשוות בין חלק אחד המרכיב את השלם לבין השלם כולו. דוגמאות לתרשימי עוגה רווחים במערכות -BI : מה היקף ההכנסה של לקוח מסוים ביחס לכלל ההכנסות, מה היקף ההכנסות של חנויות מסוימות ביחס לרשת, מה היקף ההוצאות על נסיעות במונית מסך כלל ההוצאות על הסעות עובדים, מה היקף ההכנסות משוקולד לבן ביחס לכלל ההכנסות מקטגוריית השוקולדים וכן הלאה. יעילות תצוגת המידע בגרף עוגה עולה כאשר ישנם עד חמישה פלחים שמרכיבים את השלם.

עמודות (Bar Charts)

גרף עמודות (ידוע גם כגרף מוטות או גרף מקלות) משמש לתצוגה של נתונים מספריים בצורה גרפית. הגרף מורכב משני צירים – ציר אנכי וציר אופקי, כאשר הציר האנכי מציין הצטברות/ היקף גידול או היקף דעיכה ואילו הציר האופקי מציין את הנתון הנמדד. לדוגמה: כאשר מעוניינים לבחון את היקף הוצאות החשמל השנתי, הרי שהציר האנכי יציין את טווחי סכומים ( 0,500,1000,1500) ואילו הציר האופקי יציין את בכל עמודה את חודש ההוצאה. ניתן לבצע השוואות על פני אותו גרף (השוואה לשנה קודמת למשל) ואף לבצע תת-חלוקה נוספת באמצעות חלוקת כל עמודה ועמודה לחלקים שונים וצביעתם בגוונים שונים.

גרפים

הגרפים בדשבורד מנהלים מספקים תצוגה חזותית למידע כמותי ומקלים על ההשוואה בין פריטי מידע שונים בהתייחסות ליחידות מידה. באמצעות הגרפים המשתמש יוכל לזהות בקלות ובמהירות קשרים בין נתונים שונים ולאתר מגמות וחריגות. בגרפים עתירי נתונים נהוג להיעזר במערכת צירים תלת-ממדית אך הגרפים הרווחים ביותר הם דו-ממדים והם מורכבים מציר אופקי ומציר אנכי. הציר האופקי מציין את הנתון עליו נשאלת השאלה והציר האנכי משקף את הצטברות הנתון בצורה לינארית. כאמור מלבד גרף עמודות ניתן להציג נתונים גם בדיאגרמת עוגה, גרף רציף וגרף נרות יפניים.

גרפים ללא קנה מידה

בדשבורד מנהלים מוצגים גרפים קטנים, ללא מערכת צירים שמטרתם להציג כיוון אודות התפתחות של מגמות (אם ערך נמצא בכיוון עליה או ירידה וכן להבליט נתון מסוים). גרף זה חוסך במקום במסך, מדגיש את מה שחשוב למשתמש – למשל כמות הכנסות יומית, היקף מכירות תקופתי, שיעור באחוזים עד להשגת יעד מסוים. את הגרפים ללא קנה מידה ממקמים בדרך כלל בסמיכות למדד ה-KPI ובראש המסך. נהוג ליצור הבחנה בין המדדים השונים באמצעות צבע.

לוחות תוצאות (Scorecards)

לוח בקרה לתוצאות או טבלת תוצאות הוא גרף נוסף, שמציג נתונים מצטברים הנוגעים לתוצאה של פעולה מסוימת. השימוש בגרף זה רווח במגוון יישומים עסקיים, ביניהם אתרים למסחר בבורסה, תוצאות של ענפים ספורטיביים וכן הלאה. בגרף מצוין שם המוצר, הקבוצה, השחקן או ישות אחרת במערכת, התוצאה האחרונה שהביא (למשל מחיר הקניה או המכירה של מניה, תוצאה ספורטיבית, כמות מכירות יומית – אם מדובר על לוח תוצאות שעוקב אחר המכירות) ובעמודה נוספת מצוינת המגמה. האם חלה עליה או ירידה בתוצאה בהשוואה לתקופה קודמת. בשורה התחתונה של הגרף מופיעים סיכומים למשל מהו סך המחזור או מה היקף המכירות המצטבר וכמה תנועות הצטברו בתקופה הנמדדת.

חווית משתמש

מערכת ה-BI משמשת ככלי לחקירת נתונים במטרה להגיע להחלטות עסקיות. מחד ניתן לעבוד עם המערכת בתצורה טבלאית לחלוטין, לעייף את העין ולהביא לכך שהמשתמש מאבד עניין ומנגד אפשר לשפר את חווית החקירה העסקית עם מגוון רחב של מיצגים חזותיים אותם העין האנושית קולטת וזוכרת טוב יותר ממסרים מילוליים או מספריים. עיצוב דשבורד BI כולל מיצגים חזותיים אשר באים לידי ביטוי בתרשימים, גרפים, תמונות, סמלילים, גוונים, סרטונים, אנימציות, איורים, מפות ותמונות בדשבורד מנהלים ובכל מסך אחר במערכת. יחד עם זאת כאשר מאפיינים חווית משתמש יש לשים את הדגש על ארגון נכון של המידע, שכן עודף של אינפו-גרפיקות, מסרים קופצים ותנועה בדשבורד BI עלול ליצור עומס מחשבתי ולגרום לרתיעה אך היצמדות ליחס "הזהב" (עיקרון המגיע מעולם העיצוב) יסייע בשמירה על דשבורד BI מרווח, "נקי" לעין ומזמין. בהקשר של מסכי BI ובלוח בקרה –האיכות עולה על הכמות ולכן העצמים שיבחרו למסך יכילו את המידע העדכני והרלוונטי ביותר, שנוגע במישרין למהות התפקיד של משתמש המערכת ושיעודד אותה להתמיד בחקירה.

פילטור וסינון

מערכת ה-BI כוללת מסנן מידע מובנה (פעולת הפילטור) שמציג מידע בחיתוכים שונים במטרה לסייע בתהליכי קבלת החלטות. הסינון המתאפשר במערכת הוא אינסופי וניתן באמצעותו לחתוך כל מידע, גורם, תכונה או סממן בתצורות שונות וכך להגיע להבנה טובה יותר של הקשרים בין הנתונים השונים. יש לציין שמסך הבית – דשבורד מנהלים – מאפשר חקירה ראשונית בלבד ויכולת הסינון מיוחסת למסכים האנליטיים ולמסכי הדוחות.

במוצרי Qlik בחירה בערך מסוים בשדה תציג בפני המשתמש את המידע המקושר אליו באופן ישיר וגם את המידע המקושר אליו באופן עקיף. לדוגמה: רשימת המוכרנים המובילים במחוז מסוים תציג גם את רשימת המוכרנים המובילים במחוז אחר וגם את רשימת המוכרנים שביצעו את מספר העסקאות המועט ביותר במחוז. לחיצה על שם של מוכרן תחשוף את כלל העסקאות שביצע בתקופת חיתוך המידע ולחיצה על מוצר שמכר תחשוף את רשימת המוכרים הנוספים שמכרו את אותו מוצר ואף למי הוא נמכר. הסינון מתאפשר ברמות עמוקות יותר ובכך מקדם את החקירה בעזרת חשיפה של הקשרים נוספים בתוך הדאטה.

מערכת הסינון נגזרת מטבלאות האקסל שמהן נמשך המידע ומכילה את העמודות שניתן לסנן (שם, גיל, סוג מוצר, מדינה, תאריכים וכן הלאה). כמו כן המערכת פועלת במסכי הדוחות ומאפשרת לבצע חיתוכים בתוך סטטיסטיקות ולהציג היבטים מסוימים בתוך הדוח עצמו (למשל חיתוך על פי קבוצת גיל, קטגוריות מוצרים או תכונות אחרות). בדרך כלל הפילטור ימוקם בחלקו העליון של המסך ויפתח מסך חיפוש נוסף (ממש כפי שרואים במעבדי תמלילים מודרניים) ניתן יהיה לאפס את הפילטור בלחיצת כפתור וללחוץ על סגירת חלון הפילטור כדי לפנות מקום במסך.

בניית דשבורד ניהולי ב – Qlik

חברת Qlik Israel הנציגות הרשמית של Qlik העולמית מציעה מספר מערכות BI המותאמות לשימושים שונים. מוצרי Qlik מבוססים על פלטפורמה אינטרנטית הכוללת מסכים שונים לרבות לוח בקרה המתעדכן בתדירות גבוהה, שמאחוריה עומד מנוע אסוציאטיבי מוגן בפטנט אשר מושך מידע ממספר אינסופי של מקורות, מסנן ומעבד אותו ושולח אותו בהקשר המתאים אל מסכי העבודה. בדרך זו ניתן להבטיח מהירות ושמירה על עדכונים גבוהים של הדאטה בייס.

נוסף לכל במערכת המידע של – Qlik ישנו רכיב Self Service מובנה המקל על מהלך החקירה ומאפשר לחקור את הדאטה מכל כיוון אפשרי ללא הגבלת שאילתה. מסכי המערכת ניתנים אף הם לעיצוב ולתכנון עצמי בידי המשתמש וכוללים ממשק אינפו-גרפיקה מתקדם המקל על קריאת המידע, הפקת דוחות, בנייה של דוחות דינאמיים מתוך מסכת הנתונים במערכת ואף בנייה של מצגות (ממשק ה-STORY) באמצעות צילום מסכים מהמערכת.

מערכת פילטור מתקדמת מאפשרת לחקור את הנתונים בקלות ובמהירות ולגלות תובנות נסתרות בתוך הדאטה ביעילות ולהגיע למסקנות חדשניות המבוססות על הקשרים בין נתונים שונים. עם מערכת ה-BI של Qlik חקירת מידע עסקי הופכת לחוויה חזותית עשירה ומסקרנת המעודדת את השימוש השוטף במערכת ומובילה את תהליכי קבלת ההחלטות בארגון.

לרשות עסקים בסדר גודל בינוני ומעלה המעוניינים לשלב את מערכת ה-BI של Qlik בארגון אנחנו מעמידים צוות מיומן לאפיון המערכת, פיתוח, הטמעה, הדרכה וליווי המשתמשים לאורך השימוש במערכת.

כותבת המאמר עדי עזרא, מנהלת פרויקטים ב Qlik ישראל

כיצד לאפיין נכון את מערכת ה-BI שלכם וטיפים שימנעו מכם טעויות נפוצות

Author: moransinay2103@gmail.com

Qlik היא מובילה עולמית באינטגרציית נתונים, אנליטיקה ו-AI, והכריזה על השקת פתרונות האנליטיקה וה-AI שלה על גבי אזור הענן של AWS ישראל (תל אביב). מהלך זה נועד לסייע לארגונים בישראל להוביל חדשנות מבוססת דאטה ו-AI באופן מאובטח. ההשקה מספקת תשתית מקומית המאפשרת עיבוד נתונים בתוך גבולות המדינה, עמידה בדרישות רגולציה מחמירות ותמיכה מלאה בריבונות נתונים. זה חיוני למגזרים רגישים כגון הציבורי, הפיננסי והבריאות, ומבטיח ביצועים גבוהים ואבטחת מידע.

מערכת ה-BI היא כלי ניהולי לקבלת החלטות, בעל מנוע עוצמתי המרכז מידע ממקורות שונים ומציג אותו באמצעות תרשימים, גרפים וטבלאות:

הוא הופך מידע לידע
בעל יכולת ספיקת נתונים גבוהה המאפשרת חקירה חופשית ללא כל תלות בצוותי פיתוח
מאפשר לגלות מגמות "נסתרות" בתוך רשומות מקושרות (ועל כל זה יורחב בהמשך)

לפניכם מספר נקודות עיקריות, שיסייעו בבואכם לבצע אפיון למערכת ה-BI הארגונית.

אפיון כלי – BI

בשונה ממערכות ERP מובנות, הן מבחינת המסכים, השדות והכפתורים והן מבחינת תהליכי העבודה, פלטפורמת ה-BI (בינה עסקית) של Qlik חולקת מבנה רעיוני המזכיר פלטפורמות של אתרי אינטרנט כיוון שהיא נגישה, גמישה ומאפשרת מגוון ויצירתיות. יחד עם זאת יתרונה הגדול הוא גם חסרונה, כיוון שמצב זה מזמן את ה"סכנות" הבאות:

היא עלולה לייצר את הרושם שהמערכת צריכה להיות "גדולה" והדבר יהווה מכשול לעסקים או ארגונים שאינם בקיאים בעבודה עם מערכות BI או לא נעזרים בטכנולוגיה באופן שוטף.
הסיבה השנייה היא התכנון והתהליך – על אף היכולות האינסופיות של המערכת, הדרך הנכונה ליישם אותה היא להתחיל בקטן בהיבט המסחרי וברמת הפיתוח ולהמשיך בתהליך בהתאם לקצב והשינויים בצמיחה העסקית.
סוד ההצלחה של מערכת ה-BI הוא בתכנון האיכותי, שבא לידי ביטוי בבהירות ובמתן מענה לפערים העסקיים.

במה שונה אפיון המערכת מפיתוח המערכת?

אפיון המערכת מבוסס על ניתוח מעמיק של הדרישות העסקיות לרבות:

הגדרת נושאים, היקף ועומק נדרש ע"פ היחידה העסקית (הלקוח), ריכוז מקורות מידע
הגדרת טבלאות לרבות קשרים לוגיים
הגדרת ישויות ואת קשריהן הלוגיים
הגדרת שדות

הרעיון העומד מאחורי כל אלו הוא ליצור את המודל שעליו מתבסס הדאטה ומעליו לבנות שכבה נוספת שהיא הצגת הנתונים באופן וויזואלי שיהווה "חלון הראווה של הנתונים", שערכו ומהותו באים לידי ביטוי בתכנון שנעשה "מאחורי הקלעים" .

דוגמאות לאפיון מוצלח של מערכת BI – Best Practice

אפיון מוצלח מונע סימני שאלה, מייצר סימני קריאה ומאפשר את המשך התהליך. על מנת לאפיין בצורה מיטבית מערכת BI יש להכין את הדברים הבאים:

מסמך מקיף, תכליתי, חד משמעי, ושאינו נתון לפרשנות. המסמך מאפשר את תחילת בניית המערכת ומגדיר מורכבויות בשפה בהירה, לרבות התייחסות לבסיסי הנתונים של הארגון, לקשרים בין נתונים אלו ולהיבטים הטכניים של השדות והטבלאות.
התייחסות מפורטת לכלל הצרכים העסקיים.
מסמך ייחוס מחייב, המפרט את תכולת העבודה ועל פיו יחושבו שעות העבודה לחיוב.
נספחים טכניים מפורטים יכולים להיות מצורפים בסוף המסמך.

צרו איתנו קשר וביחד נוכל לאפיין את מערכת ה bi האידיאלית לעסק שלכם

שיטת העבודה

שיטת העבודה מבוססת על פורמט אחיד המפרט את הסעיפים הכלולים באפיון ולא פחות חשוב – את מה שלא כלול באפיון, וזאת על מנת למנוע אי הבנות וסימני שאלה. לדוגמה:
בשלב הראשון של הפרויקט לא ניתנת התייחסות לאפיון הרשאות, אך אין זה אומר, שבשלבים מתקדמים יותר יוחלט לאפיין את עניין ההרשאות. גרסאות מסמכי האפיון מגדירות את מהות השינוי, התיקונים והתוספות, כך שבתוצאה הסופית הן המאפיין והן הנהלת הארגון מבינים את תכולת העבודה ואת תצורת המערכת אותה הם מקבלים.

כמה זמן נדרש לאפיון מערכת?

התשובה לשאלה טמונה במורכבות המערכת. ישנן מערכות פשוטות יחסית שניתן לאפיינן תוך ימים ספורים, וישנן מערכות מורכבות בארגונים עתירי ידע ומרובי משתמשים, שעבורן נדרשים תהליכי אפיון ארוכים ומספר גרסאות לכל אפיון. ככל שהתהליך איטרטיבי (לולאתי) יותר – משך זמן האפיון מתארך. גם התקציב משפיע על משך זמן האפיון, אך הגורם המשמעותי ביותר להתייעלות הוא היכולת של הלקוח להגדיר את צרכיו, עולמות התוכן שהוא רוצה לתחזק ואת הפערים, שעליהם הוא מעוניין לתת מענה.

אילו פרטים מוגדרים באפיון?

לכל ארגון יש צרכים ייחודיים, שמתורגמים לרמת השורה הבודדת ומוגדרים במסמך האפיון לרבות:

לוגיקות ייחודיות
מטבעות
שפת המערכת
התקופה אשר עליה יודגמו הנתונים

כאשר נקודת ההנחה הבסיסית היא שהמערכת משמשת כתחנת עבודה One-Stop Shop ובמסמך האפיון מפורטות העלויות הנלוות (ETL) לרבות חיבור למקורות מידע חיצוניים ברשת, למשל חיבור לשערי מטבע ממקור ספציפי ומוגדר ברמת התקופה וסוג המטבע, או חיבור למערכות SAP, הכולל עלות נוספת המשולמת ל- SAP.

אילו הכנות נדרשות לתהליך אפיון מערכת ה-BI?

מערכת BI איכותית מצביעה על התאמה בין נתוני המקור לנתונים שנטענו במערכת. במסמך האפיון מצוינת תדירות טעינת הנתונים ומהו פרק הזמן שאלו עוברים ריענון. פעמים רבות, טרם תהליך האפיון נגלים פערים גדולים בין הערכת הארגון ביחס לאיכות נתוניו לבין המציאות בפועל. לדוגמה: מודל המזין נתונים של מספר חברות בקבוצה עשוי להציג בדו"ח פערים המסתכמים במיליונים רק כיוון שבסיס הנתונים (Data Base) מלכתחילה לא היה מעודכן. חשוב לזכור, שמערכת הבינה העסקית משרתת את הארגונים, והמכונה, בשונה מהזמנת נתונים ידנית בקובץ אקסל, לא טועה. אפיון מיטבי של מערכת ה-BI מסייע להימנע מבעיות אלו. יחד עם זאת, כדי להשיג רמת אמינות גבוהה, נדרש לטייב את הנתונים.

כיצד מאשרים את האפיון הסופי?

חשוב לציין שמסמך האפיון הוא דו צדדי וניתן לתקן אותו. המסמך מיועד ללקוח ושייך ללקוח ומהווה את בסיס העבודה להמשך תהליך בניית המערכת והפיתוח. לעיתים, בסיום האפיון נקבעת ישיבת הקראה, שמטרתה להסביר את המסמך, לתקן את הפרטים ולבהר את מה שעשוי להתפרש באופן דו משמעי.

לסיכומו של עניין עיקר האפיון בנוי מארבע הנקודות הבאות:

דרישות עסקיות – צרכי הארגון והפערים הקיימים ביחס למצב הרצוי.
מקורות המידע – אשר משפיעים ישירות על המידע שניתן להפיק.
ממדים – האופן בו יבוצע קיבוץ המידע וחיפוש המתמקד בעולם התוכן, שמעניין את הארגון.
מדדים – מתוכם ניתן לזקק את ה – Key Performance Indicator (רווחיות, הכנסות ותקציבים = KPI)

ייחודיות פתרון ה-BI של Qlik

מערכת ה-BI של Qlik מאפשרת לקבל תמונת מצב עמוקה על המידע הארגוני באמצעותה ניתן לחקור את הדאטה במגוון תצורות ולהבין לא רק את מה שקורה בפועל אלא גם את מה שלא קורה ורצוי שיקרה. לדוגמה: להבין מדוע מוכרים מוצר מסוים ובנוסף להבין מה לא נמכר, מי לא מכר ומהם מאפייני הלקוחות, שלא רכשו את המוצר. היכולת הזאת מתאפשרת הודות למנוע האסוציאטיבי (פטנט רשום) המציג לא רק את המידע עליו נשאלה השאלה אלא גם את הנתונים הקשורים אליה. הנה שתי דוגמאות שממחישות את אופן הפעולה של מנוע זה:

הדוגמה הראשונה סוקרת פעילות בשנה קלנדרית אחת, אך המנוע האסוציאטיבי מציג את יתר השנים (כנתון הצבוע באפור). דוגמה נוספת עוסקת בחקירה של מכלול לקוחות. אם מכירה בוצעה לאוכלוסייה של 98 לקוחות מתוך 100 הלקוחות של הארגון, אזי המערכת תציג את כל 100 הלקוחות, כאשר השורות המיוחסות לשני הלקוחות הנותרים צבועות בגוון אפור.

לפרטים נוספים צרו קשר tel:+97233763533

כותב המאמר: ניר רוזן, מנהל קבוצה ב – Qlik Israel

מה זה בינה עסקית (BI) ואיך היא עובדת?

Author: moransinay2103@gmail.com

ידע הוא כח וכשזה מוצג בעיתוי המתאים ובמקום הנכון הוא משנה את פני התמונה כולה. בעידן תחרותי רווי במידע, בו הלקוחות כמעט ולא מגלים נאמנות למותגים ותרים אחר ההצעות המתאימות ביותר, הן בהיבט המחיר והן בהיבט ההיצע, עסקים נדרשים למצוא פתרונות שייסעו להם לא רק לדייק את תהליכי העבודה אלא גם להדק את התקשורת עם הלקוח ולהציע לו את ההצעה המתאימה והנכונה לצרכים שלו בעיתוי המתאים, במיקום המתאים, תוך יצירת מעטפת תומכת תהליכי מכירה. לשם כך הם בוחרים לאמץ טכנולוגיות חדשות, שיסייעו בניטור המידע הרב המציף ומקיף את הארגון ובהצגתו לאיש המקצוע המתאים ביותר, במקום ובזמן הנכון. כלי BI מוצלחים במיוחד, מפשטים תהליכים, מקלים על איתור המידע המקצועי, משדרגים את מערך קבלת ההחלטות בשדרה הניהולית וקלים לאימוץ על ידי משתמשים ותיקים וחדשים כאחד.

מהי מערכת BI ארגונית? מאילו מקורות היא ניזונה? אילו מטרות היא באה להשיג וכיצד ניתן להתמודד באמצעותה עם היקף נרחב של נתונים? על התשובות לשאלות אלו ואחרות נענה לכם כאן.

אז מה זה BI?

מערכת BI – בינה עסקית – היא מערכת המשלבת בין יכולות המכונה לתובנה אנושית. המערכת בנויה על בסיס מנוע רב עוצמה, השואב מידע ממקורות שונים, ביניהם מקורות פנים ארגוניים, כמו מערכות לניהול משאבי הארגון ומערכות לניהול קשרי לקוחות ומקורות חוץ ארגוניים כמו סניפים וחנויות, פורטלים, אתרי אינטרנט, לוחות מכירה, אתרים של גופים רשמיים ומוסדות מדינה, רשתות חברתיות ועוד. את הנתונים שהמנוע אסף ממקורות שונים שהוגדרו לו מראש, הוא מציג באמצעות טבלאות, גרפים, תרשימים וכלים חזותיים בדשבורדים מובנים. בשלב הזה המשתמש יכול לתחקר את המידע הנאגר בשתי דרכים – על ידי בחירה בין שאילתות מובנות במערכת (זוהי השיטה הנהוגה במערכות BI מהדור הישן) או עלי ידי חקירה חופשית של הדאטה באמצעות שאילת שאלות כללית והקלקה על אובייקטים במסך (השיטה המאפיינת את מערכות ה-BI מהדור החדש).המשתמש יכול לייצא את הדאטה המוצג לפניו לטבלאות, גרפים, קבצי אקסל, קבצי power point ולהיעזר בו על מנת לתמוך בתהליך קבלת ההחלטות המקצועי. יחד עם זאת, כוחו המרכזי של כלי ה-BI בא לידי ביטוי בכך שהמידע המוצג למשתמשי המערכת הוא גם המידע העדכני ביותר, שאף מתעדכן בזמן אמת. למידע זה ניתן להתחבר מכל מכשיר בעל חיבור אינטרנטי באמצעות סיסמה אישית. ארגונים מבצעים שימוש במידע זה כדי לשכלל וליעל תהליכים מקצועיים ולשפר את ביצועיהם העסקיים.

הגדרת מטרות למערכת BI

מערכת ה-BI חולשת על כל תחום ארגוני, החל ממעקב אחרי עמידה ביעדי המכירה וכלה במעקב אחר ניהול המלאי. על אף שכלי ה-BI נשענים על פלטפורמה זהה, הם מיושמים ומוגדרים בהתאמה לצרכים ולמאפיינים הייחודיים של כל ארגון וארגון ונותנים מענה לפערים פונקציונאליים הקיימים במערכות הארגוניות כמו למשל: הצגה היסטורית של מידע, הפקת דוחות כספיים רב מטבעיים ורב חשבונאיים, מעקב אחר פניות פתוחות במערכת בחלוקה לשלבי הטיפול השונים, הקצאת משימות לאנשי מקצוע, מדידת יעילות של מהלכים עסקיים ולמעשה מתן מענה מלא לכל צורך ארגוני בריכוז מידע ובפיזור הערפל סביב תחום פנימי או חיצוני לארגון.

כדי לפשט את העניין הנה דוגמה למערכת BI העוסקת בניהול מספר רב של סעיפי תקציבי הפרסום. מערכת זו מושכת נתונים מכלל האמצעים בהם הארגון משקיע משאבים לפרסום: רדיו, טלוויזיה, מנועי חיפוש, רשתות חברתיות, עיתונות כתובה, שלטי חוצות וכדומה. המידע מוצג באמצעות דשבורד הבנוי מטבלה המרכזת את התקציבים, היעדים והביצועים, באופן זה הארגון למעשה מבין היכן הוא משקיע את כספו ומה האפיק שמניב לו את ההשקעה הטובה ביותר. כיוון שכל המידע מרוכז בטבלה ונצבע בהתאם להגדרות השונות, קל יותר לאתר מגמות וחריגות, להעביר תקציבים לאפיקים מניבים ולחקור לעומק את הסיבות להצלחה של מסע שיווקי אחד על פני מסע שיווקי אחר. מסך BI זה הופך למעשה ללב העבודה ומרכז קבלת ההחלטות הארגוני המבוסס על ידע אמיתי, מדוד ומהימן, המסייע לארגון לנתב את משאביו לאפיקים מניבים יותר ובכך לשפר את ביצועיו העסקיים.

<<< לחצו כאן וצרו איתנו קשר ללמוד על מערכות ה BI של Qlik >>>

דוחות ה-BI

אכן נהוג לכנות את מערכת ה-BI כמערכת דוחות, אך כינוי זה מתאים יותר למערכות הדור הישן, מערכות "שטוחות" המבוססות על שאילתות מובנות מראש, המושכות מידע מטבלאות במסד הנתונים (Data Base). מערכות אלו הן למעשה לא יותר ממערכות קלט-פלט ואין ביכולתן להעצים את יכולתו של המנהל לקבל החלטות טובות יותר או להתחקות אחר מגמות המתרחשות "בין השורות". לעומתן, מערכות ה-BI מהדור החדש מאפשרות חקירה של הדאטה בזמן אמת על גבי הדשבורד עצמו, ללא כל תלות באנשי פיתוח ואף ללא כל תלות במבנה המידע המוצג. וזאת באמצעות לחיצה על ערכים העולים בחיפוש, וביצוע drill down, המאפשר לאתר מגמות גם במידע המקושר למידע עליו בוצעה השאילתה מלכתחילה. מערכות אלו מזכירות יותר פלטפורמות חיפוש במנועי חיפוש, הן מבחינת התצוגה והן מבחינת רמת השימוש והחופש הרב, שהן מאפשרות. באמצעותן כמובן ניתן להפיק דוחות בכל פורמט ואף להפיק תרשימי זרימה, המתעדים את תהליך קבלת ההחלטות של המשתמש. בנוסף, לרשות המשתמשים עומדים מגוון עזרי תצוגה, המאפשרים לו להדגיש נקודות מסוימות ואף לבנות דוחות בהתאם למידע ייחודי אותו הוא מבקש לחקור. כלי מעניין נוסף, שנמצא במערכות אלו נקרא story ותפקידו לאפשר למשתמש לצלם מסכים מתוך המערכת ולהפוך אותן למצגת, אותה ניתן לעדכן בזמן אמת ולהיעזר בה בכל עת כשנדרש להציג את הנתונים העסקיים.

איך מקורות קלט עובדים?

מקורות הקלט במערכות ה-BI הם כל אותם מקורות מידע פנים ארגוניים וחוץ ארגוניים המזינים את המערכת במידע המתעדכן בכל עת למעשה. על מקורות מידע אלו מבוססים הדוחות הארגוניים ומתעדכנות הטבלאות בדשבורד.

אלו מקורות מזינים את מערכת ה-BI ?

גיליונות Excel פנים ארגוניים – המרכזים מידע בצורה טבלאית כמו חשבונות, מלאי, הזמנות רכש, הזמנות עבודה, עבודות פתוחות וכדומה.
Web ומסדי נתונים – לרבות מסדי נתונים פנים ארגוניים הכוללים נתוני עובדים, מלאי, רכש, הזמנות ייצור, משלוחים וכן מסדי נתונים חוץ ארגוניים כמו שערי מטבע, מזג אוויר, מצב התנועה ולמעשה כל מידע, המשפיע על תהליך קבלת ההחלטות הארגוני. יש לציין, שכאן היכולות הן אינסופיות, וניתן לעדכן מידע מכל מקור ב-WEB בהתאם לדרישות הארגוניות.
קבצים – לרבות נהלי עבודה, הגדרות יעדים ומטרות.
תיקיות – מידע פנימי, שעד כה היה ניתן לשתף רק באמצעות תיקייה שיתופית ברשת הפנים ארגונית.
מחסן נתונים – אשר ניזון ממערכות המידע הארגוניות לרבות מערכת ERP ומערכת CRM , כאשר הנתונים עוברים סוג של טיוב, המאפשר להציג אותם בכל פורמט ללא כל תלות בתוכנה מקשרת, מערכת ה-BI מעבדת את המידע ומסכמת אותו בהתאם להגדרות.
מחסן נתונים תפעולי – מבטיח, שהמידע המוצג במערכת ה-BI מעודכן לזמן אמת או קרוב ביותר לזמן זה- גם כן בהתאם להגדרות המערכת בשלב האפיון.

היכנסו ללמוד על קליקסנס>>>

הפקת תוצרים של מערכות BI

מערכת ה-BI, קליקסנס לדוגמא, מציגה נתונים במגוון דרכים, ביניהן על בסיס דשבורד (לוח מחוונים) מובנה, דוחות מובנים, דוחות אד הוק ודיווחים אנליטיים.

דשבורד מובנה – מאפשר לתמצת את המידע ולהציגו בהתאמה אישית לכל משתמש. הדשבורדים מצוידים במגוון תוספי תצוגה, המאפשרים להדגיש מידע מסוים באזורים שונים במסך- בהתאם לבחירה של המשתמש, הן בצורה טבלאית והן בצורה של הגדלת נתונים. ניתן לעבוד עם מספר דשבורדים במקביל ומומלץ למקדם לנושאים מקצועיים הדורשים פעולות למשל רשימה של הזמנות פתוחות, מקרים שנמצאים בטיפול, באיחור, קצב מכירות ועמידה ביעדים וכדומה.
דוחות מובנים – דוחות שהוגדרו מראש הן בהיבט התצוגה והן בהיבט מועד ההפקה, אלו יכולים להיות דוחות מחזוריים או דוחות שמופקים בעת דרישה. מבנה הדו"ח מורכב מטבלה, תרשים, גרף או הדגשה של מידע- בהתאם לדרישות ולצרכים העסקיים.
דוחות אד-הוק – רווחים במערכות -BI מהדור החדש, המאפשרים חקירה חופשית של הדאטה על בסיס הדשבורד. דוחות אלו ניתנים להפקה על ידי המשתמשים, הבוחרים את השדות, אופן התצוגה והפורמט בהם יוצגו.
דיווחים אנליטיים – ממש בדומה ל"הודעות דחיפה" או דיווחים חדשותיים, גם כאן קיימת יכולת במערכת ה-BI ליצור הודעות "פוש" לעדכונים, שהוגדרו מראש- למשל : חריגות מתקציב, מכירה של מוצר מסוים, הגעה ל"קו התחתון" של המלאי. ניתן להגדיר את סוגי ההודעות, תדירותן והמקור אליו יישלחו בשלב אפיון המערכת.

היכנסו ללמוד על דאטה אנליסט כאן>>>

ביג דאטה ו-BI מה הקשר?

ארגונים בצמיחה וארגונים גדולים בכלל נדרשים להתמודד עם היקפים נרחבים של מידע, מידע זה רק הולך ומתעצם ועלול מחד "להכביד" על העסק ולהאט את ביצועי טעינת המידע במערכות ומנגד "להתפספס" ולא להילקח בחשבון בתהליך קבלת ההחלטות. זוהי הסיבה המרכזית, שמערכות ה-BI מאופיינות במנגנון מובנה, הנועד לטפל בנתונים הן ברמת האיסוף הגולמית והן ברמת סיכום הנתונים והצגתו בדוחות. למערכות ה-BI החדשות והמתקדמות יש את היכולת המובנית להתמודד עם היקפי המידע העצומים וזאת לעומת מערכות ה-BI המסורתיות, שדורשות הכנה ובניה מחודשת של שאילתות כדי להציג את המידע המתאים, המאפשר לזהות קשרים בין נתונים ודפוסים נסתרים בין קשרים אלו. זה גם למעשה ההבדל המרכזי ההופך את כלי ה-BI לכלי עזר ניהולי מהותי ומהימן, העונה על צרכים עסקיים אקטואליים ודינמיים. איסוף המידע על ידי כלי ה-BI המתקדמים מבוסס מוצר הנקרא BIG DATA ורווח בקרב חברות התוכנה. המוצר מאפשר להשיג את האיכויות הבאות:

התמודדות עם היקפי מידע נרחבים ברמת Peta Bytes ו–Tera Bytes
איתור מידע ממגוון רחב של פורמטים והצגתו ללא כל תלות בתוכנות חיצוניות
איסוף ממידע הנמצא במיקומים גיאוגרפיים שונים
מיפוי מידע על בסיס אלגוריתם

ל-BIG DATA יש מגוון מודלים ביניהם עיבוד מידע במספר מעבדים וריכוז מידע מזיכרונות מחשב מובנים.

איסוף ועיבוד נתונים ממקורות שונים

מודל רווח ויעיל מאוד, המאפשר לאסוף מקורות מידע ולמפות אותם עלפי סוגים-מידע הקשור לצריכה, ייצור, איכות וניהול. הנה מספר דוגמאות הממחישות את הנושא:

מידע הקשור לייצור – יגיע מקבצים בתוך המערכת שהמידע מהם מרוכז בצורה טבלאית, בסיסי נתונים, שאינם מבוססי טבלאות No-sql, מערכות ה-ERP וה-CRM הארגוניות, תוכנות כשירות המבוססות על SAAS ותוכנות המבוססות על גלי רדיו RFID.
איסוף מידע ממקורות המשמשים כמאגרי מידע, רשתות, אינטגרציות.
תוסף BIG DATA.
הפעלת אלגוריתמים המבצעים ניתוחי BIG DATA, כריית מידע מבסיסי נתונים, הצלבתם והסקת מסקנות בנוגע לדפוסים, צבירת מידע והסבת מידע.

כאמור במודל זה משתמשות רוב חברות התוכנה המפתחות את מערכת ה-BI ובפרט מערכות ה-BI המתקדמות ביותר, ההופכות את מערכת ה-BI הישנה, שנתפסה כמחולל דוחות קלאסי לכלי רב עוצמה תומך קבלת החלטות, המאפשר להצביע על מגמות, לגלות מידע הנסתר בדאטה ולחקור את הדאטה על בסיס המודל, שנבנה בהתאם למאפייני הארגון.

לקריאה מורחבת על ביג דאטה (BIG DATA) היכנסו>>>

שימוש בבסיס נתונים אחיד

מודל נוסף ורווח הוא שימוש בבסיס נתונים אחיד, אשר משמש למעשה כ"מחסן" נתונים (ולכן הוא נקרא גם Data Warehouse מחסן נתונים) באמצעות מודל זה ניתן לשפר באופן משמעותי את זמן ריצת המערכת על השאילתות, המודל מיושם בדרך כלל כאשר המידע "נמשך" מבסיסי נתונים הבנויים על טבלאות בעלוות מאפיינים ייחודיים, למשל חשבונות בנק, שמות של פריטים, שמות של עובדים וכדומה, כאשר באמצעות הקלקת ערך מסוים כמו מספר זיהוי ניתן יהיה לשלוף את כל המידע המקושר אליו (בסיסי נתונים אלו נקראים RDMBS) . במודל זה, המידע מאוחסן ומעובד בו זמנית במנגנונים מקבילים ונפרדים המבוססים על זיכרונות חיצוניים וזאת במטרה לשמור על הנתונים בשלמותם וליצור קישורים נוספים ברמות שונות לכל נתון. השימוש בבסיס נתונים זה מתאים לחברות אשראי, הייטק, בנקים, חברות יצרניות ולמעשה כל ארגון המיישם, בנוסף למערכת BI , מערכת ERP ונדרש להתמודד עם היקפים נרחבים של מידע.

שימוש בזיכרון מחשב

מודל לניהול בסיסי נתונים, השם דגש על מהירות עיבוד הנתונים, המתאפשרת באמצעות שימוש בזיכרון המחשב – RAM. ההנחה בבסיס המודל היא, שניתן לגשת לכל מידע מקושר באופן ישיר באמצעות "קיצור דרך" המובנה ביכולת המעבד. כלומר, ניתן לגשת לכל תא בזיכרון בהתאם לכתובתו. במודל זה ניתן לקבל ניתוח מידע מתקדם, תחזיות, עיבוד מידע, חיפוש על פי מילה, עיבוד מידע לגרפים. מודל זה תומך בתעבורת מידע עד Peta Bytes תוך שמירה על מהירות עיבוד המידע (לעיתים תוצאת השאילתה חוזרת תוך פחות משניה) . יש לציין, שאחסון המידע בזיכרון RAM יקר יותר מאחסון המידע בזיכרון חיצוני כמו באמצעות דיסקים במודל RDMBS וזהו שיקול שיש לקחת בחשבון בעת יישום מערכת ה-BI.

תשתיות ואינטגרציות נפוצות למערכת BI

מערכת ה-BI מתממשקת לשתי תשתיות אחרות המאפשרות את רציפות השימוש בה מכל מקום בעולם עם חיבור לרשת האינטרנט ומכל נקודת זמן. תשתיות אלו הן הענן המבוסס על אפליקציות SAAS וכן חיבור מוצפן למכשירי מובייל, סמארטפונים, מסופונים, טאבלטים, המאפשרים שליחה של הודעות עדכון בדחיפה מתוך מערכות ה-BI בהתאם לדרישות וההגדרות הארגוניות.

אינטגרציה בין מערכות ענן ו-BI

מערכות BI על ענן הן עניין רווח בקרב ארגונים המתמודדים עם היקפים נרחבים של מידע, שמגיע בין היתר, גם ממקורות ציבוריים וממערכות public cloud . מידע זה משמעותי לתהליך קבלת ההחלטות הארגוני ומאפשר לחבר את הארגון לספקים, לקוחות, שותפים ולמעשה לכל גוף המספק מידע עסקי (למשל מערכת הבורסה, שערי מטבע, מיזוג אוויר, מפות וכדומה). כלי ה-BI המופעלים בענן הם למעשה אפליקציות SAAS המהוות פלטפורמה בפני עצמה, הניתנת לפיתוח. יש לציין שמרבית החידושים בתחום מפותחים קודם לכן על בסיס הענן. לשימוש בענן יתרונות רבים: הוא מאפשר גמישות תפעולית הן בהיבט התשלום והן בהיבט היקף השימוש (רישיונות ומשתמשים פעילים). בנוסף, קיימים יתרונות טכנולוגיים הבאים לידי ביטוי בנגישות למקורות איסוף נתונים כמו NOSQL, וכן יתרונות אבטחתיים, הנשענים על מאמציהם של חברות הענן לספק גישה בטוחה ומוצפנת ולהגן על המידע הארגוני מפני וירוסים וזליגות. כיום ניתן לשלב פתרונות היברידיים, המאפשרים להישאר בתשתית הארגונית ולבצע את כלל הפיתוחים החדשים על תשתית הענן.

אינטגרציה בין מכשירי מובייל ו-BI

השימוש בפלאפונים צובר תאוצה ולא בכדי. יותר ויותר משתמשים מעדיפים לבצע פעולות, שעד כה ביצעו במחשבי ה-PC דרך המכשיר הנייד. גישה זו לא פוסחת על עולם העבודה ומגבירה את הדרישה לפתרונות BI מתקדמים המתממשקים למכשירי המובייל השונים לרבות טלפונים חכמים, טאבלטים ומסופונים, המאפשרים להתחבר אל המידע הארגוני, להעלאות דשבורדים במסכי הסמארטפון ולהתעדכן בטבלאות, רשימות ומשימות מכל מקום בו יש חיבור אינטרנטי ומכל מכשיר. היבט נוסף של ממשקים למובייל בא לידי ביטוי בהודעות טקסט בדחיפה. במקרה זה, ניתן להגדיר מראש, אילו עדכונים קריטיים יועברו לאנשי מפתח בארגון על מנת "להיות עם היד על הדופק" ולהקדים מהלכים עסקיים, כך ניתן להגדיר חריגות תקציביות או ירידה בנפח המלאי, שליחת הודעות בתזמונים קבועים בנוגע לביצועים עסקיים נבחרים וכדומה.

אינטגרציה בין מערכות BI וכלים אחרים

ממשקי מערכות ה-BI לא מסתיימים במובייל ובענן אלא ממשיכים הלאה אל עבר כלים אינטרנטיים, כך שכיום ניתן להעביר מידע ולהפיק דוחות ממערכות ה-BI ואף להזין את מערכות ה-BI ממידע הקיים בפלטפורמות אינטרנטיות כמו ה-Google Sheets .

מה הדבר נותן?

ראשית, חיבור למקור ידע רב עוצמה, המאפשר להזין את המערכת במידע הקריטי לתפקוד היום יומי ולתהליכי קבלת ההחלטות ושנית, נגישות גבוהה לנתונים וייצואם למקורות חוץ ארגוניים ללא כל סיכון לזליגה של מידע או חדירה של גורמים זרים אל מערכות הארגון. בנוסף, את המידע ניתן לסנן ולהתאים בהתאם לתמונת מצב ספציפית אותה רוצים להציג, ניתן לשתף תיקיות ואף למשוך מידע מתוך התיקיות אל דשבורד ה-BI הארגוני. למי מתאים ממשק זה? לכל מי שעובד עם גורמים חיצוניים, שאין כל טעם שתהיה להם נגישות למערכות הארגון, אך עבודתם משמעותית לעמידה ביעדים ובמדדי השירות ללקוחות הקצה של הארגון. האפשרות למשיכת המידע המוזן בטבלאות מקל על תהליכי העבודה, חוסך בזמן, ושומר על עדכניות המידע.

<<< צרו איתנו קשר לללמוד על מערכות ה BI המתקדמות של Qlik >>>

מערכות BI לטווח ארוך או טווח קצר

תפיסת הפיתוח של מערכות ה-BI הארגוניות מתייחסת למרכיב הזמן.

בעוד מערכות BI לטווח הארוך יכולות לתת מענה למספר רב של שנים ולרוץ על נתונים מפרקי זמן נרחבים, מערכות ה-BI לטווח הקצר נועדו לתת מענה לשימוש מובחן או לשמש לשנים ספורות (שנתיים- שלוש שנים), ההבדלים בין מערכות אלו באים לידי ביטוי במשאבים המושקעים בהן.

מערכות BI לטווח הארוך

אלו מערכות BI מסוגים שונים, חלקן מבוססות BIG DATA ומחסני נתונים וחלקן אופרטיביות. נקודת המוצא הבסיסית מאחורי פיתוח מערכות אלו היא שהן משמשות לטווח הארוך ובדרך כלל מתאימות ל ארגונים עם מספר רב של חברות, שאותן הם מנהלים, ולכן הם זקוקים למערכת BI המאפשרת לייצר דיווחים תקופתיים לאורך שנים כמו דוחות רווח והפסד, דוחות מאזן, חריגות תקציביות וכדומה. מאפיין נוסף של מערכות BI לטווח הארוך הוא היכולת לבצע ניתוח נתונים מורכב במטרה להתחקות אחר מחזוריות ולזהות מגמות. יש לציין, שניתן לפתח מערכות אלו בשלבים ולאורך זמן. הארגונים שבדרך כלל בוחרים במערכות BI לטווח הארוך הם: חברות אשראי, בנקים, חברות יצרניות, מפעלים, חברות ייבוא בעלי היקפי סחר נרחבים, תעשיות, ארגונים ממשלתיים וכיוצא בזה.

מערכות BI לטווח הקצר

כשמן כן הן, מערכות המשמשות לשנים ספורות, והשימוש בהן נעשה לצורך מטרה מסוימת. המערכת מפותחת על ידי מספר מצומצם יחסית של שלבים, עם מעט רכיבים או תוך איחוד בין רכיבים שונים, והפיתוח מאופיין בשלושה שלבים:

תכנון – הכולל איסוף נתונים, תחקור בנוגע לצרכי הארגון וגיבוש מסמך האפיון הבסיסי.
פיתוח – בהתאמה לתוכנית האפיון, כולל סבבי בדיקות וסבבי תיקונים. יש לציין שכל שינוי באפיון הבסיסי עשוי להאריך את שלב הפיתוח.
השמה – שלב בדיקות המערכת בסביבות דמה, ביצוע הדרכות למשתמשים, הטמעת הפתרון בארגון ותפעולו.

השימוש המרכזי שנעשה במערכות BI לטווח הקצר מתמקד בעיקר במתן עדכונים, מערכות אלו אינן משמשות לניתוח נתונים או לחקירת הדאטה בחופשיות על בסיס הדשבורד וכאמור השימוש בהן מיועד למספר מצומצם של שנים או לחילופין יישום של פונקציונאליות מצומצמת.

לסיכום, בינה עסקית מסייעת לעסקים מכל גודל לנהל את המידע הארגוני ולבצע בו שימוש המועיל לתהליך קבלת ההחלטות. בתחום קיימים שני סוגים מרכזיים של פתרונות – הראשון, פתרון המבוסס על תפיסת מערכות ה-BI הישנות, ששימשו בעיקר כמחוללי דוחות ומתן עדכונים שוטפים והשני, פתרון אינטגרטיבי והיברידי המתממשק לאינספור מקורות מידע, פנים וחוץ ארגוניים, מוצג על גבי דשבורד מובנה, מבוסס על המודל העסקי ומאפשר חקירה חופשית לחלוטין של הדאטה הארגונית במטרה להגיע לתובנות, לשכלל את תהליכי קבלת ההחלטות ולייעל תהליכים ארגוניים. מערכות BI שהצליחו להוכיח את יעילותן לאורך שנים הן המערכות, שהותאמו לארגון "ככפפה", נתנו מענה לפערים המרכזיים בו, נמצאו כקלות לאימוץ והתאמה לצרכים המקצועיים, כך שצוותי העבודה בארגון בוחרים לבצע בהן שימוש יום יומי ולתת אמון במידע המוצג לפניהם.

המנוע האסוציאטיבי של Qlik – דוגמאות ושימושים רווחים בסביבה העסקית

Author: moransinay2103@gmail.com

המנוע האסוציאטיבי של Qlik הוא כלי עסקי המאפשר ליצור הקשרים בין ערכים שונים ב-DATA, לחשוף מידע שאינו ידוע לשואל, להוביל לחקירה מעמיקה ושונה, להישען על מידע רחב ולהגיע לתובנות. מה הרציונל העומד מאחורי הפיתוח וכיצד השימוש בו תורם לשיפור הביצועים העסקיים?

לוגיקת הבסיס העומדת מאחורי המנוע האסוציאטיבי

על מנת להסביר את הלוגיקה העומדת מאחורי המנוע האסוציאטיבי נעזר בדוגמה הבאה:
בננה יכולה להיות בצבע ירוק או צהוב ותפוז יכול להיות בצבע כתום או ירוק. אם אלחץ על הביטוי "ירוק" אקבל בננה או תפוז
אם אלחץ על הביטוי "צהוב" אקבל רק בננה
ואם אלחץ על הביטוי "כתום" אקבל רק תפוז
זוהי לוגיקת הבסיס. המנוע האסוציאטיבי מפשט את הלוגיקה ע"י צביעה של שדות הבחירה לשלושה צבעים (ירוק, לבן, אפור) ומציג את כל האפשרויות בעלות קשר לוגי – צבע ופרי .

ולכן אם אבחר ב"כתום" אראה שאני מקבל אפשרות לבחירת תפוז בלבד, אם אבחר ב"צהוב" אראה שאני מקבל אפשרות לבחירת בננה בלבד. אבל אם אבחר ב"ירוק", אקבל אפשרות לבחירת המשך של בננה או תפוז.

אם נשליך זאת לעולם העסקי אז בהתנהלות של נתונים חוצי ארגון כאשר הקשרים בין הנתונים מבוססי לוגיקה עסקית, המנוע האסוציאטיבי חושף קשר, שהשואל אינו בהכרח מודע אליו, שנוצר בין ערכים שונים בדאטה בעשרות שדות ממגוון מקורות מידע והמידע המתקבל מעורר אסוציאציות שמעודדות שאילת שאלות נוספות המקדמות את היכולת לתחקר את המידע בשלמותו.

כיצד הלוגיקה הזאת באה לידי ביטוי בסביבה העסקית?

המנוע האסוציאטיבי המוטמע ב – Qlik Sense (קליק סנס) מייצר תקשורת חזותית של הלוגיקה העסקית בארגון המתבססת על הלוגיקה הטבלאית הרווחת במערכות ליבה ומערכות תפעוליות נוספות לצד נתונים נוספים כגון Excel, כך שהטכנולוגיה העוצמתית שמאחוריו משקפת את הקישורים הבסיסיים בין הטבלאות ומצרפת לדאטה נתונים ממקורות אחרים כמו מערכת ייצור, טבלת יעדים, מערכת לדיווח שעות ועוד לתקשורת עם הנתונים לצרכים העסקיים של הארגון.
איחוד הנתונים מאפשר לראות את ההתנהלות העסקית ב 360 מעלות ולחשוף תובנות שלא ניתן לראות אותן בקישור לוגי פשוט, להסיק מסקנות ולשפר את הביצועים השוטפים.

תחקור הדאטה במנוע האסוציאטיבי

תחקור דאטה ברוב מערכות ה BI (בינה עסקית) מבוסס על תשובות לשאלות מוגדרות Query Base , איסוף של תשובות והסקה מתוכן עבור שאלות נוספות. כך למשל אם מנהל מכירות מעוניין לדעת מי מצוותו מכר מוצר מסוים ומי לא מכר יהיה עליו להפיק שתי שאילתות.
במנוע האסוציאטיבי החקירה נעשית באופן שונה, כיוון שזו מבוססת על מידע המקושר לערך עליו שואלים, כך שאם מנהל המכירות שאל לגבי מכירה של מוצר מסוים בחודש מסוים הוא יקבל באותה לחיצה תשובה גם את אנשי המכירות שמכרו את המוצר וגם מי שלא. התחקור עם המנוע האסוציאטיבי מייתר את הצורך בחיבור בין תשובות המגיעות מהשאילתות כיוון שכאשר שואלים שאלה אז מתקבלת תשובה הכוללת את כל הגורמים הנמצאים בדאטה.

השלכותיו של המנוע האסוציאטיבי

התחקור האסוציאטיבי נוגע בכל העולמות העסקיים ומאפשר לשפר מדדים רבים בביצועי הארגון. הנה כמה דוגמאות רווחות "מהשטח".

מכירות – המנוע האסוציאטיבי מציג מידע הנע מסיבה לתוצאה ועושה זאת גם בכיוון תנועה הפוך מהתוצאה לסיבה – במטרה להגיע לתובנות שלמות. כך שמנהל המכירות יוכל לבצע מעקב אחר ביצועי אנשי המכירות, יומן הפגישות שלהם, הדיווחים השוטפים, עולם השיווק המקיף אותם, ההנחות שהם מציעים, אולם הוא יוכל להבין את הסיבות והגורמים שהביאו לכך שחלק מהמוכרנים הציעו הנחות גבוהות (באמצעות חיתוך פשוט עלפי אחוזים).

ייצור – חיבור המידע הוא ברירת המחדל של המערכת ולכן כל ערך שנלחץ עליו יציג מידע נוסף, שמקושר אליו בזכות הפעילות העסקית. כך למשל לחיצה על "אצוות ייצור" תציג את הלקוחות, ההזמנות והמלאי הקיים מהאצווה כך שניתן לדעת מתי היא נוצרה, מי מכר ממנה, מי רכש אותה והאם היא קיימת במלאי. המידע המתקבל מאפשר לקצר תהליכים הדורשים recall ותורם לשיפור משמעותי של רמת השירות.

המנוע האסוציאטיבי עונה על שני צרכים עסקיים מהותיים: הראשון, הוא מציג את המידע שלגביו בוצעה השאילתה והשני ,הוא מציג את הסיבות שהביאו לתוצאה מסוימת. הנה דוגמה נוספת מעולם הייצור הממחישה את הנושא: שאלת התחקור מנסה לבחון את הסיבות שמשפיעות על תפוקה הנמוכה מ-80% עבור מכונה מסוימת. ברגע שאתחקר את המודל עם השאילתה: "תפוקה פחות משמונים אחוז".
יוצגו בפני נתונים נרחבים, שייסייעו להגיע אל האמת מאחורי הדאטה. כך למשל ניתן לדעת האם בכל משמרת נעשה שימוש במכונה, אילו חומרי גלם הוקצו לייצור, השוואה בין תפוקת מכונה זו לבין תפוקת מכונות אחרות שלהן הוקצו חומרי גלם אחרים וכן הלאה.

מלאי – המידע מוצג באופן אינטואיטיבי ושלם במערכת ולכן לחיצת כפתור על אזור מסוים תציג מידע נוסף הקשור לאזור זה. הנה דוגמה הממחישה את הנושא. מנהל המחסן מעוניין לתחקר מיקום ואיתור בתוך מחסן מסוים.
כאשר הוא לוחץ על אזור זה הוא נחשף לתמונה שלמה הכוללת את רשימת הפריטים המאוחסנים כעת ורשימת הפריטים שטרם אוחסנו, רשימת הפריטים שאוחסנו בעבר, רשימת המלקטים ורשימת המלקטים שטרם ליקטו, רשימת מיקומים נוספים בהם מצויים הפריטים וכן הלאה.

פיננסי – המנוע האסוציאטיבי הוא מוצר עסקי המאפשר להגיע לתובנות עסקיות בארגון והוא מתאים גם למחקר המאפשר להגיע לתובנות פיננסיות ולהביא לחסכונות תפעוליים.
הנה דוגמה מעניינת הממחישה את הנושא. כדי לאמוד אודות רווחיות של יחידות עסקיות ולהסביר מדוע חלק מהן נהנות מרווחיות גבוהה ניתן להפיק שאילתה עם ערכים שונים כמו: לקוחות, מכירות, הוצאות שוטפות, הוצאות אישיות לעובדים והוצאות ממוצעות מחלקתיות (למשל הוצאות דלק חודשיות לעובד) כך ניתן לגלות את הסיפור המסתתר מאחורי הדאטה ולהבין היכן יש הוצאות עודפות וכיצד ניתן להביא לחיסכון בהוצאות אלו.

HR – האמת נמצאת "בשטח" והמנוע האסוציאטיבי הנמצא בבסיס המערכת מאפשר להגיע למידע באמצעות חקירה דו כיוונית. הנה דוגמה הממחישה חקירה הנוגעת לסוגיות של פרישת עובדים.

בשאילתה הראשונה ניתן להתרשם היכן התרחש אחוז העזיבות הגבוה ביותר ומהן הסיבות לעזיבות.
בשאילתה השנייה ניתן לפתח את החקירה על ידי בחירה בסניפים בהם נרשמה פרישה באחוז גבוה, כך ניתן להתרשם מהמגמות: האם היו משמרות רבות? האם העובדים שפרשו הועסקו במשמרות מסוימות? האם העזיבה נוצרה בעקבות מבנה המשמרת? האם יש סניפים עם משמרות דומות יותר?
בשלב השלישי השאילתה מתמקדת בסוג המשמרת, בבחירת הסניף הרלוונטי בו נרשמו עיקר הפרישות ובביצוע השוואה.
באופן זה ניתן לבודד את הסיבה המרכזית לפרישה ואף לחפש סיבות נוספות שהביאו לתוצאה כמו: מנהל, חברי משמרת, אירועים שחזרו על עצמם במשמרות ועוד. רק תחקור המאפשר תנועה על ציר "הלוך וחזור" תורם לגילוי או בידוד הסיבה שהביאה למגמת הפרישה.

כיצד לעבוד עם המנוע האסוציאטיבי?

ההדרכה לעבודה עם המנוע האסוציאטיבי היא פשוטה ואינטואיטיבית ונעשית כחלק מההדרכה על השימוש בפתרון כך שלמעשה המשתמשים יכולים כבר בשלב הראשוני לבחון את הבעיות היום יומיות והפתרונות שיכולים לסייע לשיפור התוצאות העסקיות בפועל. גם עובדים שאינם מנוסים עם כלי תחקור במערכות Businesses Intelligence יכולים למצות את המירב מן המערכת, להעמיק במחקר ולהגיע לתובנות ישימות בביטחון.

לסיכומו של עניין, לב ליבו של המנוע האסוציאטיבי מבוסס על הרעיון שבעולם העסקי יש השלכות רבות, שהקשר ביניהן רחב מסיבה-תוצאה, שכן לתוצאה אחת בעולם העסקי יכולות להיות סיבות רבות. פריצת דרך עסקית נעשית כאשר נחשפים למידע לא ידוע ולאו דווקא למידע גלוי.
לפרטים נוספים והתנסות עם המנוע האסוציאטיבי, צרו קשר

שיקולים שיש לקחת בחשבון, כשבוחרים פתרון BI

Author: moransinay2103@gmail.com

מערכות בינה עסקיות (BI – Business Intelligence) מסייעות לארגונים להפיק תובנות עסקיות ותועלות מהנתונים המוצגים בפניהם, בין אם מדובר על מידע היסטורי ו/או עכשווי ובין אם מדובר על תחזיות עתידיות.
בנוסף, מערכת הבינה העסקית מסייעת לארגון לנהל את הידע שצבר באמצעות הפקת דוחות וארגון הנתונים בגרפים וטבלאות. בשנים האחרונות עם הכניסה לעידן הביג דאטה מערכות ה – BI הפכו לרלוונטיות מתמיד לא רק בקרב הארגונים הגדולים אלא גם בקרב ארגונים בגודל בינוני וארגונים קטנים.
להלן סקירת השיקולים המרכזיים בבחירת מערכת BI ארגונית.

שיקולים טכנולוגיים

מההיבט הטכנולוגי פתרון ה-BI אמור לספק את המענה המלא לכל התרחישים העסקיים. אך על מנת לבחור בפתרון המתאים ביותר לצרכי העסק חשוב להבין את היכולות הטכנולוגיות של הכלי, התמודדות עם מסדי נתונים נרחבים ומה כוללת חבילת השירות.

הכרת היכולת הטכנולוגית – וכיצד זו עונה על הדרישות יום יומיות להגעה אל תובנות באמצעות Self Service, הפקת דוחות, שאילת שאלות פתוחות, חקירת דאטה איכותית, ניתוח מקצועי ועוד.

רכיב ETL – מערכת BI הכוללת רכיב זה תציג מידע רוחבי הנלקח מתוךמערכות לניהול משאבים פנים ארגוניים כמו SAP, אורקל, פריוריטי ועוד וכן ממקורות מידע חוץ ארגוניים כמו פורטלים, רשתות חברתיות ואתרי אינטרנט המספקים נתוניים סטטיסטיים, נתוני מזג אוויר, שערי מט"ח וכדומה. שילוב מקורות מידע אלו בדשבורד אחד יאפשר לחשוף מגמות ונתונים "נסתרים" ולקבל החלטות המבוססות על מידע מהימן.

התמודדות עם מסדי נתונים גדולים (ביג דאטה) המושג BIG DATA כבר חצה את הקווים ולמעשה הפך להיות רלוונטי גם בקרב ארגונים בגודל בינוני וארגונים קטנים, שכן גם חברות טכנולוגיות, ובפרט סטארט-אפים קטנים ידרשו לתת מענה לצורך זה בעוד שנים ספורות. בהיבט זה חשוב לבחון האם החברה מציעה פתרון המתייחס לטכנולוגיות שכרגע לא ניתן לאמץ אל הארגון כמו מערכת BI על ענן.

חבילת השירות– מערכת ה – BI הארגונית נועדה לתת מענה לטווח הארוך ולכן חשוב לבחון מראש מה כוללת הצעת המחיר, האם הפתרון המוצע כולל שירותי אבטחה, רישיונות והרשאות או שנדרש להוסיף סכום כספי נוסף כדי לקבל את כל אלו. בנוסף, חשוב לבחון את רמת הזמינות והתמיכה אותה תקבלו.

לחצו כאן כדי ליצור איתנו קשר ולשמוע על פתרונות ה BI המתקדמים ש Qlik יכולה להציע לכם

שיקולים עסקיים

שיקולים עסקיים משלימים את היכולות הטכנולוגיות וכוללים שירותי תמיכה, משאבים ארגוניים להטמעת השינוי, הדרכה והטמעה והאיתנות הפיננסית של נותן השירות.

שירותי תמיכה – ולא רק מהיבט המענה המהיר לטיפול בתקלות אלא מגמישות השותף העסקי לקיצורטווחי העבודה על הפרויקטים ולטיפול מהיר בפערים שנתגלו במודל. מומלץ גם לבדוק את נושא ה – SLA לפניות וטיפול בתקלות.

שירות המותאם לשוק הישראלי – מומלץ לבחון אם החברה מעמידה שירות תמיכה בשפה העברית בהתאם לשעות העבודה של השוק הישראלי, וזאת על מנת להימנע מההמתנה לשירותי התמיכה מצוות הנמצא בחו"ל בשעות "הפוכות" ובשפה זרה.

ליווי מקצועי והדרכה – התועלת הרבה שניתן להפיק ממערכת ה – BI הארגונית מתחילה לאחר תהליך ההתקנה והחיבור למסד הנתונים ועיקרה בה לידי ביטוי ביכולת המשתמשים להפיק מהכלי תובנות ולקדם באמצעותו את הפעילות העסקית (Self Service). יכולת התחקור היא מיומנות שניתנת ללמידה על ידי הדרכה תוך התמקדות באוריינות מידע, ביצוע מיפוי על פי רמת ניתוח הנתונים של כל עובד ועובד ושכלול יכולות התחקור האישיות, כך שבהמשך יוכל כל עובד לבצע אנליזת נתונים למידע המוצג בארבעה ממדים ולהגיע לתובנות מהירות.

הכרת השותף העסקי – מההיבט של הניסיון העסקי ובפרט ניסיון העבודה המעשי עם השוק הישראלי. יש להבין שנוכחות דיגיטלית רחבת היקף יכולה להצביע על ניסיון עולמי אך לא בהכרח על ניסיון רחב בעבודה עם חברות ישראליות. חברת Qlik Israel נוכחת בקרב 1400 חברות ישראליות בכל ענפי המשק, כך שניתן להסתמך על המלצות עדכניות ולקבל מידע נוסף על תהליך העבודה המשותף לחיוב ולשלילה.

איתנות פיננסית – פרויקט BI אורך זמן רב ודורש מימון לאורך שלביו השונים. ההתקשרות עם חברת BI יציבה תבטיח הזרמת תקציבים לפרויקט בשני היבטים: בגישור על פערים הנובעים מעיתוי קבלת התשלום, וברמת התמיכה שבאה לידי ביטוי בהמשך העסקת צוותי היישום וההדרכה.

משאבים ארגוניים – שיקול עסקי נוסף וחשוב הוא היכולת לממש את השינוי הארגוני וזה בא לידי ביטוי בהבנת הצרכים המיידיים והצרכים העתידיים ובהיקף המשאבים שניתן יהיה להעמיד כארגון על מנת לשלב את הפתרון בפעילות היום יומית.

שיקולי הדרכה והטמעה – פתרון טכנולוגי איכותי ככל שיהיה, לא יהיה שלם ללא היכולת להטמיע אותו בשגרה הארגונית. אנשי ההטמעה נדרשים למספר יכולות: יכולת בן אישית, יכולת הדרכה, התמחות בתחומים עסקיים מגוונים כמו מכירות, כספים, ממשקים למערכת ה – SAP הארגונית וממשקים למערכות שאינן עסקיות. צוותי הטמעה בעלי התמחות ייחודית מעניקים ערך מוסף לתהליך שבא לידי ביטוי בהבנה עסקית רחבה וחיבור הפתרון "לשטח".

הבנה עסקית

ככלל, פתרון BI איכותי מצליח להתעלות על נקודת המבט המיידית ולענות על צרכים נוספים, שאינם ניתנים לזיהוי בשלב המיידי. לכן גם במקרה זה מומלץ להתקשר עם ספק BI אשר מציע, מלבד טכנולוגיה גם הבנה עסקית וניסיון באיתור צרכים נוספים ופתרונות עוד בשלבים הראשונים של הפרויקט.

שכלול מיומנויות עסקיות – לבסוף המטרה המרכזית שבגינה חברות בוחרות לשלב פתרונות BI נובעת מהצורך להשיג שליטה טובה יותר על המידע העסקי ולשפר ביצועים עסקיים באמצעות נתונים. כלי BI האוסף מידע ממגוון מקורות ומציג אותם בדשבורד המותאם לצרכים הארגוניים יסייע לדייק את מדדי הרווחיות, לנהל לידים, להפיק הצעות מותאמות ללקוחות ולקבל החלטות עסקיות על סמך ניתוח איכותי ורחב כך שהערך העסקי מתורגם במיידיות לערך ששווה כסף.

כותב המאמר הינו אופיר אייזיק, סמנכ"ל המכירות של Qlik Israel