בינה מלאכותית בניתוח נתונים ואנליזה של תהליכי למידה 📉

כבר שנים שהאזורים העסקיים בארגונים מקבלים החלטות מבוססות נותנים (DDDM) למשל הצעות מוצרים מותאמות, ניתוח התנהגות משתמשים, מודלי חיזוי לאשראי ועוד המון שימושים. 
בינינו, למרות שתמיד רצינו להיות מבוססי נתונים די נתקענו בקירק פטריק רמה 2, בתחום הזה הבינה המלאכותית עשתה לתהליך ניתוח הנתונים והאנליזה של מחלקות למידה ארגונית, מה שהקורונה עשתה לתחום הלמידה הדיגיטילית. מאז הדמוקרטיזציה של הבינה הג׳נרטינית קיבלנו בעצם לצוות פיתוח הלמידה אנליסטית דיגיטלית (בשכר של 20$ לחודש).

אני אדבר מהכאב שלי, אני עובד בבנק גדול בישראל שהוא אחד המובילים בתחום הדאטה וניתוח הנתונים, אבל ברור שכאשר צריך להקצות משאבים פרויקטאליים מוגבלים ולשולחן של מקבלי ההחלטות מגיע פרויקט שפוגש לקוח לעומת פרויקט ניתוח נתוני הכשרה וההשפעה שלהם (שלא תמיד ניתן לקשור באופן ישיר) הם מקבלים את ההחלטה, הנכונה!, להשקיע את השקל השולי בתהליך שיפגוש לקוח, ישפר את השירות או יגידיל מכירות (גם אני הייתי מקבל את אותה ההחלטה כנראה).

הרצון שלנו הוא ליצור התערבויות למידה שמשפיעות על הביצועים העסקיים וכדי להבין את הבעיות אנחנו חייבים לנתח את המספרים ולראות מה הם מספרים לנו לדוגמא, האם יש פער בין אחוז הצעות כרטיסי האשראי, לבין אחוז הכרטיסים שבסוף מופעלים ונעשה בהם שימוש, איפה נמצא הפער הזה וממה הוא מושפע.

הרי בעולם עסקי שכולל יעדים ותחרות על הקשב של העובדות והעובדים, אין לנו זמן לנחש או לבזבז בתוכניות ארוכות שלא דוקרות את ה-pain points שהכי משפיע (יצא לי קצת צה״לי 😉) ואת זה עושים בשני שלבים:

1. ניתוח נתונים – כמה הזדמנויות מכירה יש לעובד, כמה מתוך ההזדמנויות הופכות להצעה, כמה מתוך ההצעות עוברות לשלב המכירה וכך הלאה, הבנתם את הקטע זה יכול להצביע למשל על בעיות ביכולות של עובדות ועובדים לסגור עסקאות, אבל זה יכול להצביע גם על בעיות בתהליך העבודה (לדוגמא, בקשות מתעכבות יותר מידי ונופלות) 
2. ניתוח הכשלים – החלק הזה מתבסס בעיקר מחקר איכותני, כולל שיחות עם בעלי העניין, בדיקה של שלבי תהליך העבודה וכשלים אפשריים, זיהוי היבטים תפיסתיים, התנהגותיים גורמים אנושיים אחרים.

איזה משימות אנחנו נותנים לאנליסט הדיגיטלי שלנו?

ניתוח נתונים עסקיים


קודם כל ברור שבארגון עסקי, ובבנק בפרט עובדים קשה כדי לנתוני את הנתונים העסקיים כדי לזהות הזדמנויות עסקיות, כשלים, ניתוח אקלים שיחות ועוד איספור נתונים שיסייעו לשפר את השירות ללקוח לייצר הזדמנויות עסקיות נוספות. הנתונים הללו הם חלק בלתי נפרד מתהליך העבודה שלנו שאנחנו יוזמים או מקבלים ביקוש לפרויקט חדש, אנחנו בודקים מה הנתונים מספרים לנו כדי לבדוק איפה יהיה הכי נכון להשקיע כדי להשפיע (כלומר, איפה אנחנו שמים את השקל השולי שלנו, הבנתם?)

ניתוח נתוני למידה ארגוניים


מחלקת הלמידה אחראית על שינויים תרבותיים שמשפיעים על העסק, בטח בעולם בו היכולות שאנחנו צריך לסגל לעצמנו משתנות ללא הפסקה. זה אומר שיש לנו תפקיד מכריע כפול, גם לתת מענה ליכולות הנדרשות בזמן אמת אבל גם להכין את ההון האנושי ליכולות שידרשו ממנו בטווח הבינוני-ארוך. תוכנית הלמידה של הארגון חייבים לחזק ערכים תרבותיים של אחריות אישית וניהולית על פיתוח מקצועי ואישי, אנחנו רוצים לראות שאנשים מקדמים ערכים של יזמות, סקנות, שיפור ולכן אנחנו מנטרים מדדי למידה שמצביעים על כך ומנתים אותם באמצעות בינה מלאכותית. למשל, כמה מהלמידה מונחית ארגון לעומת כמה מונחית שטח וכמה מהלמידה שמונחית שטח באה מהעובדים לעומת מנהלים ועוד מדדים התנהגותיים שקשורים בחניכה למידת עמיתים והמשקל שלהם בתרבות של הארגון.

ניתוח נתונים והשלמת תוכניות פיתוח למידה


כמי שאחראים על גיבוש והוצאה לפועל של תוכנית הלמידה הארגונית שכולל פיתוח של קורסים והכשרות, פיתוח מיקרו-למידה מקצועית כחלק משגרת העבודה חשוב לנו להוציא הכי הרבה מהתקציב שלנו לכן, אנחנו עוקבים בצורה מדויקת אחרי הפרויקטים שאנחנו מנהלים, כמה זמן לוקח מגיבוש היוזמה ללמד משהו ועד שזה פוגש לקוח, מדדי עלות תועלת (cost-benefit), חלוקת תקציבים ומדדים נוספים שעוזרים לנו לבדוק שאנחנו מוציאים לפעול את תוכנית הפיתוח שלנו בצורה טובה. בינה מלאכותית ג׳נרטיבית עוזרת לנו לייצר דשבורד ניהול תוכנית פיתוח בקלות בלי ליצור פרויקט טכנולוגי מורכב.

לסיכום

אלו רק 3 שימושים בסיסיים שאנחנו עושים היום ואני בטוח שככל שנלמד ונחזק את הממשק שלנו עם המכונות יהיו יישומים נוספים אבל אם הייתי רוצה למצות את הנקודה מהחלק הזה, מה שאני רוצה להגיד זה תחשבו מהן הבעיות שאתם מתמודדים איתם היום בענייני נתונים, עבורם אין לכם מענה ותעשו לזה outsource. תזכרו בינה מלאכותית ג׳נרטיבית מאפשרת לכל אחד מאיתנו להחזיק אנליסטית בצוות בתשלום קטן יחסית אז חבל לא להתייעץ איתה.

לפני שכל אנשי הסייבר ואבטחת המידע קופצים עליי חשוב כמובן לא לעבוד בסביבות שאינן מאושרות בארגון, לעבוד עם גרסאות שמאפשרות לא לשתף את המידע לצורך אימון המודלים, לנהל סיכונים ולבדוק איזה מידע הוא מידע רגיש ואיזה פחות ומאפשר להתייעץ עם מודל בינה מלאכותית, לשנות את המידע לפרטים פקטיביים במקרה הצורך ועוד פרקטיקות שאנחנו משתמשים בהן.