מאמר מאת אופיר ויינרמן, מנהל דאטה ואנליטיקה עסקית ב- Qlik Israel
צופים בנטפליקס? אז וודאי יצא לכם להשתמש בשירות ההמלצות של החברה ולצפות בסדרות או סרטים שלא חיפשתם, אלא הומלצו לכם ע"י המערכת. היכולת הזו של נטקפליקס וחברות אחרות מבוססת על רכיבי מכונה לומדת – Machine Learning המוטמעים באתריהן וקובעים במובנים רבים אילו תכנים נצרוך, בהסתמך על היסטוריית הגלישה שלנו, העדפות דומות של מנויים נוספים בשירות ועוד. המטרה לקדם תוכן שמעניין אתכם ומותאם לכם אישית .
אופיר ויינרמן, מנהל דאטה ואנליטיקה עסקית ב-Qlik Israel מרחיב על יכולות המכונה הלומדת, על הסיכונים ועל היתרונות.
שוקלים לאמץ כלב? ההמלצות בדרך אליכם
כבר כיום מוטמעים רכיבים של מכונה לומדת על גבי פלטפורמות שהציבור הרחב משתמש בהן. ניתן לחלק אותן לשלושה שימושים. השימוש הראשון הוא קידום תוכן דומה לתכנים שצרכנו באינטרנט. אנו יכולים לפגוש אותו באתרי התוכן והחדשות הגדולים. לדוגמא: אם גלשנו וקראנו תוכן על בעלי חיים באתר מסוים, בפעם הבאה שניכנס לאותו אתר, יוצגו לנו המלצות על תוכן דומה. (דוגמא לספק תוכן כזה הוא חברת "טאבולה"). ההמלצות הללו מבוססות על ההעדפות של הגולש ועל הקליקים שהוא ביצע באתר, קרי, על היסטוריית הגלישה שלו ("קוקיז"), כדי להמליץ לו על מה לקרוא בכניסות הנוספות שלו לאתר.
השימוש השני ב- ML מיוחס אף הוא להרגלי הצריכה, אך מבוסס על חישובים סטטיסטיים של סלי קנייה. לדוגמא: אם ביום אחד סניף של רשת קפה מכר 100 כוסות קפה, ועל פי ניסיון העבר, ב- 30 מהמקרים נמכר יחד עם הקפה גם קרואסון שקדים וב-20 מהמקרים נמכר בורקס גבינה, הרי שעל סמך נתונים אלו, המערכת תמליץ ללקוח מה לקנות ואף תבנה עבורו מבצעים מותאמים על סמך העדפותיהם של לקוחות עם מאפיינים דומים. מודל זה נקראBasket Analysis .
השימוש השלישי, שהוא גם המתקדם ביותר, משלב בין השימוש השני – ניתוח סל קנייה של הצרכן, לבין גורם נוסף: מאפייני הלקוח – כך שאם עסק מנהל מועדון לקוחות, הרי שכבר מראש הוא יכול להסתמך על מידע דמוגרפי מאבחן כגון: גיל, מגדר ושכונת מגורים, על מנת לכלול את הלקוח בקבוצה מסוימת של אנשים. על סמך הרכישות של קבוצה זו הוא יכול להעריך מה הלקוח יקנה. לדוגמה: אם גבר בן 45 מרעננה קונה מכנסי ג'ינס של "אמריקן איגל" וחולצת פולו, ניתן יהיה להציע לגברים דומים במאפייניהם מבצעים התואמים את הרגלי הצריכה של הקבוצה אליה הם משתייכים. נושא זה כבר מיושם ברשתות קמעונאיות שונות, בהן רשתות המזון הגדולות.
איסוף דאטה ככלי להגדלת סל הקניות
כפי שניתן להבין, הטכנולוגיה כבר קיימת, אך האתגר המרכזי הוא בגיבוש הדאטה, שכן לא על כל לקוח יש מאגר נתונים המאפשר לאפיין את ציבור הקונים שלו. עם זאת ישנן שיטות "לדוג" את הדאטה, למשל באמצעות שליחת שאלון סקר שביעות רצון לשיפור השירות, שמטרתו בין היתר היא איסוף דאטה באמצעות מענה לשאלות שלא בהכרח קשורות לשירות, אלא למאפיינים דמוגרפיים של הרוכש.
בדרך זו ניתן לבנות את פרופיל הלקוח, ובהמשך להציע לו את המוצרים ואת השירותים שיצטרך, ובכך להגדיל את הפעילות העסקית. נוסף לכך, ישנן מספר חברות אשר עוסקות במיפוי דמוגרפי ומציעות דאטה עם מאפיינים דמוגרפיים, כך שניתן להתממשק אליהן כספק דאטה חיצוני ולהשלים את המידע על הלקוחות. חברות גדולות במשק כדוגמת FOX כבר נעזרות במאגרים אלו על מנת לבצע מחקרי שוק ולהחליט מה יהיה המיקום המיטבי של הסניפים השונים, זאת על סמך תנועות הלקוחות במרחב (קניון או ברחבי העיר) והרגלי הצריכה שלהם. הסגמנטציה הזאת מאפשרת לבנות את הקופון בצורה הנכונה ולמקסם את המכירה.
כיצד ניתן להוזיל את עלות הפיתוח ?
כיום ישנן שתי דרכים עיקריות לבצע פיתוח. הראשונה ע"י מפתחי Data science והשנייה באמצעות כלי אוטומציה, אשר מפשטים את הפיתוח בצורה משמעותית.
כחלק מהמגמה העולמית Qlik הטעימה לתוך הפלטפורמה שלה כלי אוטומציה חדשני אשר מאפשר לשלב בין הדאטה הקיים במערכת ה- BI ישירות לתוך כלי ה- ML. פתרונות האוטומציה מייתרים את הצורך בכתיבת קודים ארוכים בפייתון ומאפשרים ביצוע ניתוחים מורכבים, שבעבר בוצעו ע"י מדעני נתונים. פתרונות אלו כוללים כלים אלגוריתמים וניתוחים פנימיים המאפשרים את הניתוחים המורכבים, וכן הגעה לתשובות ותובנות מהירות יותר. נוסף לכך, הכלים הטכנולוגיים הללו מאפשרים לייעל את עלויות כוח האדם ומורידים את מורכבות הניתוח עבור רוב האוכלוסייה.
חשוב לציין, שישנם מקרים אשר כלי האוטומציה לא נועדו לתת להם מענה ולמקרים אלו מפתחי ה-Data science יתנו מענה. בשנים הקרובות נראה מגמה של התמקצעות אנליסטים בכלי ה- AUTOML כחלק מהכשרה הבסיסית שלהם. אם בעבר אנליסט היה נדרש להתמקצע רק על אקסל ו- SQL, כבר היום ניתן לראות שפייתון התווסף לרשימה ובעתיד הקרוב לעין גם כלי ה AUTOML יהיו חלק מדרישות התפקיד בלא מעט ארגונים גדולים.
תחום המכונה הלומדת חדש יחסית בישראל, מה המצב בעולם?
מחקרים שהתפרסמו בשנים האחרונות , חלקם במגזין "פורבס" מציגים כי ארגונים בארה"ב שיישמו רכיבי מכונה לומדת בתוך המערכות שלהם, העלו את הכנסותיהם בכ- 50%. בארה"ב, אחוז החדירה של Machine learning עומד על כ- 15%. בארץ עדיין חוששים משימוש בטכנולוגיה, עקב העלויות הגבוהות של פרויקטים מסוג זה. חשוב לציין, שהטכנולוגיה מאפשרת לצמצם את הסיכונים ולהעריך מבעוד מועד, בפרק זמן של ימים בודדים, את סיכוי ההצלחה של כל פרויקט ובכך מייצרת וודאות באשר לכדאיות ההשקעה בפרויקט. אנו מבצעים זאת באמצעות הרצה מדגמית של נתונים בדאטה, כך שאם נצפה סיגנל בדאטה, שלמעשה אומר שהמודל יכול לבצע חיזוי נתונים מעל הסתברות שאנחנו מגדירים (לרוב באזור ה- 70%), אנחנו יודעים שניתן וכדאי להתחיל לעבוד על הפרויקט. מה זו אותה הסתברות של 70%? אם ניקח לדוגמא מודל שאמור לחזות רכישת מוצר מסוים, המשמעות היא שמכל עשרה אנשים שהמודל בדק, עבור שבעה אנשים מתוך העשרה הוא הצליח לבצע חיזוי מדויק. כך אנו מעריכים את סיכוי ההצלחה ויכולים להתקדם להטמעה שתסייע לפעילות העסקית.
האם אפשר לצפות כל מקרה?
יש מקרים שבהם התנהגות הצרכנים היא רנדומלית ולא רציונאלית ומשמעות הדבר שלא ניתן למצוא תבנית רכישות. לדוגמה: בעבר ביצעו בדיקת דמה על אחת מרשתות חנויות הנוחות בארץ. המודל לא מצא סיגנל לרכישת המוצרים שרצו לקדם, והבינו במהרה שאין טעם להתקדם עם הפרויקט. כיום קל לנו להגדיר על סמך הניסיון המצטבר בשוק, אילו פרויקטים עשויים להיות בעלי פוטנציאל ואילו לא. אנחנו יכולים לסייע לחברות לצאת לדרך עם מודל שייתן להן ערך, למנוע מהן הוצאות מיותרות, ולהתבסס כל העת על מודל הערכת סיכונים שאנו בונים, שיאפשר לעצור בזמן את הפיתוח אם מתגלה שלא קיימים מאפייני חיזוי מובהקים.
לסיכום, כלי המכונה הלומדת וה- AutoML מאפשרים לבצע ניתוחים מורכבים ולקצר את משך זמן פיתוח של כלי הניתוח, באופן משמעותי, בזכות השימוש בספריות אוטומציה שחוסכות כתיבת שורות קוד ארוכות וספריות בפייתון. התעשייה מעריכה, שאלו הם כלי העתיד בתחום – ממש בדומה לצ'ט GPT שחיבר את האוכלוסייה למכונה הלומדת.
על Qlik:
Qlik מהווה שחקן מרכזי במהפכת הדאטה ובפרט בהיבטים של מכונה לומדת ותשמח לייעץ ללקוחות על הכלים המומלצים ופרויקטים לביצוע ומהם הסיכונים האפשריים בכל פרויקט
How Netflix’s Recommendations System Works
How Machine Learning Will Transform Your Industry (forbes.com)
