איך תלמדו להפסיק לדאוג ולאהוב Machine Learning
הדמוקרטיזציה של למידת מכונה (Machine Learning) כבר כאן. הכי יקר זה לא לעשות כלום.
מאת: גיל נזרי
האם היית רוצה לחזות?
מי מלקוחותיך ירכוש את המוצרים שלך ומי מהם סביר שינטוש? לאילו מבקרים באתר האינטרנט של החברה כדאי להציע? מה להציע להם? ובאיזה סכום? מיהם העובדים בעלי הסבירות הגבוהה ביותר לסיים בהצלחה את קורס המנהלים ומי מהם מתאים לתוכנית הכשרה אחרת? מהו הסיכוי של המבוטח לסיים את תקופת הביטוח ללא תביעה? ואם חלילה תהיה תביעה מהו הסכום החזוי שלה? איזו מכונה צפויה להיות האפקטיבית ביותר ברצפת הייצור ומי מהמכונות סביר שתעצור עקב תקלה ומתי? ואולי, מהו ערך הלקוח הצפוי בעוד שלוש שנים של כל אחד מהלקוחות שהצטרפו אליך בחצי שנה האחרונה?
ברור שכן, ואילו התשובה לכל אחת מהשאלות הייתה זמינה לך בזמן הנכון, יכולת קבלת ההחלטות שלך הייתה טובה ומדויקת הרבה יותר.
זה לא מדע בדיוני ואין המדובר בכדור בדולח חדיש אשר מספק הצצה לעתיד. זהו תחום לימוד המכונה (Machine Learning או בקיצור ML) אשר רותם את עולם המדע הסטטיסטי היישומי יחד עם המידע שנצבר בארגון ומאפשר בניית מודל אשר חוזה, על בסיס נתוני העבר, את הסבירות להישנות של אירועים היסטוריים ו/או חישוב של ערך עתידי צפוי של נתונים עסקיים. יכולת חיזוי זו נותנת בידי יחידות הארגון השונות (שיווק/מכירות/כספים/תפעול/כ”א) יתרון עסקי משמעותי. תהליכי העבודה הקיימים משתפרים והופכים להיות מבוססי ידע וחלקם אף הופכים לאוטומטיים. היתרונות להם ניתן לצפות מהתהליך הם: האצה של זמן התגובה, שיפור של רמת הדיוק והרחבה משמעותית של יכולת הטיפול באירועים חדשים וזאת ללא כל תוספת בכ”א וללא העלויות אשר כרוכות בכך.
לדוגמה: בחברה להלוואות מסורתית ישנו תהליך אישור הלוואה בו כל בקשה להלוואה עוברת לידי מחלקת החיתום אשר בודקת ונותנת ציון ללווה לגבי יכולתו לעמוד בתנאי ההלוואה ומודדת את הסיכון הכרוך בכך. תהליך זה אורך בין כמה שעות למספר ימים תלוי בכמות ההלוואות הממתינות לאישור. תלות ישירה זו במספר מומחי החיתום המועסקים בחברה יוצרת הגבלה מאוד ברורה לגבי כמות הבקשות להלוואה בהם ניתן לטפל בזמן נתון. יש לה גם השפעה ישירה על תקורת ההלוואה ועל הרווחיות שלה. החלופה: מעבר לחיתום אוטומטי המתבסס על מודל לחיזוי אשר “מקבל החלטה” לגבי אישור\דחיית הבקשה בהתאם לצפי של יכולת הלווה הפוטנציאלי לעמוד בתנאי ההלוואה וציון משוכלל של הסיכון הכרוך במתן ההלוואה הזו. אוטומציה של התהליך מאפשרת לחברת ההלוואות לתת מענה לבקשת הלוואה בתוך שבריר שנייה ועקב כך להגדיל את יכולת החברה לטפל באלפי בקשות להלוואה מדי יום ללא מגע יד אדם, בעלות נמוכה יותר ובסיכון מופחת.
בארגונים אשר מיישמים למידת מכונה ניתן לראות כי עובדים ומנהלים מוצאים לה יישומים חדשים ומועילים לארגון מידי יום ולמעשה מטייבים את פעילות הארגון באופן שוטף. למרות זאת, היכולת לייצר ולתחזק מודלים מבוססי ML מופקדת בידי קבוצה קטנה מאוד של “מומחים לדבר” הנקראים מדעני מידע Data Scientists. תהליך פיתוח המודלים המסורתי ע”י מדעני נתונים הנו ארוך ולעתים מסורבל דבר היוצר לחץ על המחלקה המצומצמת ממילא הזו ומגביל את יכולת החברה לעשות שינוי משמעותי חוצה ארגון אשר מבוסס על למידת מכונה.
מבחינה עסקית זוהי טעות של ממש, ובטווח הארוך זה לא בר קיימא. מחלקת מדעני הנתונים בארגון מסוגלת לתת מענה חלקי לדרישה ההולכת וגוברת למודלים, דבר היוצר תסכול הן בקרב עובדי המחלקה ובעיקר אצל המשתמשים העסקיים השונים. הלכה למעשה, בהרבה תחומים בהם לא נעשה שימוש בלמידת מכונה, הולך כסף לאיבוד וחבל.
יש פתרון: למידת מכונה – ML לכולם. הדור הבא של כלים ופלטפורמות לאוטומציה של לימוד מכונה כבר כאן. אנחנו בעיצומה של דמוקרטיזציה לתחום אשר מפשטת אותו ומנגישה אותו לכלל מנהלי הידע\אנשי הבינה העסקית והאנליסטים אשר עובדים בארגון. הנגשה זו של יכולת החיזוי בידי עשרות ומאות העובדים הקיימים מאפשרת לארגון למקסם את התועלות העסקיות והרווח הטמון בלמידת המכונה. בנוסף הכלי מסיר את סף הכניסה הגבוה ויקר לתחום בעבור חברות קטנות ובינוניות ומאפשר להן להתחרות כשוות בין שווים מול ענקי השוק וכן לתת בידם יכולת לספק מענה זריז ומיידי לצורכי השוק הדינמיים. עולם החיזוי האנליטי: נגיש, מהיר יותר, מדויק יותר וזול יותר – לכולם.
הגישה השמרנית של פיתוח מודלים בידי מדעני נתונים בלבד, יצרה תפיסת מציאות שגויה של עולם קשה ובלתי מושג. ההפך הוא הנכון. מדען הנתונים (במידה ונדרש כזה) הוא החוליה האחרונה ולא בהכרח החשובה ביותר בתהליך. אנחנו חיים בסביבה תחרותית אשר משתנה באופן דינמי וקיצור מהירות התגובה לשינויים אלו מהווה יתרון עסקי. לפיכך כל מי שמתכנן תהליכים ארוכים ויקרים עלול להיקלע לכך שהתהליך ייעצר בשל חוסר רלוונטיות, או אי כדאיות כלכלית או חוסר יכולת להביא תוצאות בזמן.
לפני שיוצאים לדרך חייבים לבחור בקפידה את השותפ/ים המתאימים למסע הזה, ראשית בתוך הארגון. לימוד מכונה איננו טכנולוגיה, הוא גם לא מוצר, ייעוץ או תשתית IT . לימוד מכונה חייב להיות מתורגם ליכולת עסקית. ולכן הטיפ החשוב ביותר שלי אליכם הוא לאתר את הגורם העסקי בארגון שיש לו אתגר\צורך מוגדר וברור על מנת שייתן את ברכתו וחסותו לתהליך. מודלים שייבנו ללא “אבא עסקי” ארגוני יגנזו אחר כבוד ורק ירחיקו את הארגון מהתחום.
דוגמה לבחירה נכונה של בעיה עסקית – חברת תקשורת ידועה התמודדת עם בעיית קריאות סרק לטכנאי. לקוחות אשר פונים למחלקת השירות בשל תקלה חמורה ונקבע מועד ביקור של טכנאי בבית הלקוח. לאחר ביקור הטכנאי, התברר שהיה ניתן לפתור את הבעיה טלפונית. נשמע פשוט, אך בעיה זו עלתה לחברה מספר מיליוני שקלים בשנה. בניית מודל לחיזוי מבוסס למידת מכונה אפשרה זיהוי של קריאות הסרק, וטיפול מהיר בהם הפחית את התופעה בעשרות אחוזים.
דוגמה נוספת – בחברה של משחוק (Gaming) הצורך היה לחזות את ערך הלקוח העתידי בסמוך להפקדה הראשונית של דמי המשחק על ידו. המודל אפשר למעשה מדרוג של הלקוחות לפי הערך הצפוי העתידי שלהם. יכולת שכזו מאפשרת לחברה להשקיע את משאבי השיווק שלה באופן ממוקד יותר ומותאם לכל לקוח. דבר אשר מגדיל משמעותית את הרווחיות ואת החזר ההשקעה על הוצאות השיווק.
חיזוי אנליטי חייב להיות נגיש לכל אחד מכם וזה בידכם. חדשנות מתחילה בעשיית דברים אחרת ממה שעשינו אותם בעבר.
הכותב הוא מנכ”ל חברת DMway, המפתחת פלטפורמה לאוטומציה והנגשה של מודלים מבוססי לימוד מכונה. לאתר החברה