יש הייפ גדול מאוד סביב עולם הביג דאטה, ומחסור רב בנשות מקצוע היכולות להוציא תובנות מנתונים. מן הסתם - הדבר משפיע גם על השכר בתחום אשר נמצא בעלייה מתמדת. אנחנו מכירים הרבה נשים בעלות יכולות אנליטיות (ממדעי החברה, ביולוגיה, מדעי הרוח ועוד) אשר תוהות אם היו צריכות ללמוד משהו אחר, או לחלופין מתעניינות במעבר מתחום העיסוק הנוכחי שלהן לתחום קריירה שקשור יותר לדאטה. ניקח לצורך הדוגמא כלכלניות, אבל אפשר להשליך את הדברים שנאמר כאן לתחומים נוספים. מי שהולכת ללמוד כלכלה היא בעלת פרופיל דומה למי שהולכת ללמוד מדעי המחשב (מבחינת תנאי קבלה, אוריינטציה כמותית וכדומה) אבל למרות זאת קיימים הרבה פעמים פערי שכר בין התחומים. האמת היא שאין מה להתבאס כי התעשיה של ניתוח נתונים, שבה עובדות רבות מבוגרות מדעי המחשב, מאוד גדולה ויש מקום לעוד הרבה עשיה משמעותית ותרומה ייחודית דווקא לאלו שלא למדו מדעי הנתונים או מדעי המחשב בצורה מקצועית. מדעניות נתונים מסתכלות על מידול ומבצעות תחזיות תוך הסתכלות על נתוני עבר, אבל בהרבה מאוד מקרים יותר מעניין להבין מה הדאטה לא אומר לנו. בזה כלכלניות מאוד חזקות כי יש להן יכולת לחשוב בצורה מידולית ובצורה של הסקה סיבתית (להרצאה של רועי העוסקת באופן שבו כלכלניות יכולות לתרום לעולם הדאטה סיינס - לחצו כאן). עבודה כדאטה סיינטיסטית דורשת יכולות קידוד ברמה גבוהה, לעומת זאת כדי להיות אנליסטית מוצר מעולה מספיקים כלים טכניים בסיסיים, רקע סטטיסטי טוב ויכולות הסקה סיבתית. מהי הסקה סיבתית? סולם הסיבתיות של יהודה פרל, זוכה פרס טיורינג מסביר זאת יפה: רמה ראשונה - קורלציה או אסוציאציה. הרמה הבסיסית ביותר המאפשרת למצוא מתאמים על-ידי התבוננות במציאות. לדוגמא: בתקופות שבהן חברות משקיעות בתקציבי פרסום יש צמיחה בהכנסות. רמה שניה - סיבתיות (מדיניות) - ברמה זו נשאל לדוגמא: מה גרם לעליה במכירות? ונסיק שחברות משקיעות יותר בתקציבי פרסום כאשר הן מוציאות לשוק מוצר שהושקעו בו הרבה משאבים של זמן וכסף. מכאן שמוצר טוב הוא זה שגורם לצמיחה בהכנסות (נדון בכך בקורס האקונומטריקה של רועי בחינם בקישור). רמה שלישית - הבנת העולם לכדי הכללה ותוקף מעבר לסיטואציה הנחקרת. רמה זו תאפשר למשל להבין אילו סוגי מוצרים צריך לייצר ולהשקיע בפיתוח שלהם על מנת להגדיל את המכירות על בסיס תובנות ממוצרים קודמים שפותחו. חשוב להבין שעם דאטה בלבד לא ניתן לפתור את הבעיות הקשות באמת ולכן נשות מקצוע בעלות יכולות ניתוח מתקדמות יותר הן מצרך נדיר בשוק. אנחנו חושבים שבהרבה מקרים לא בהכרח צריך לזנוח את תחום העיסוק הנוכחי בשביל לעבוד עם דאטה. בתחום הכלכלה למשל קיים מחסור ביישום כלים של למידת מכונה. זאת לאור מספר גורמים כאשר המשמעותי שבהם הוא האימוץ הגובר של שיטות למידה סטטיסטיות אותן ניתן ליישם במגוון רחב של נושאים כלכליים כמו צמיחה כלכלית, ביצועי חברות וקביעת מדיניות. כלכלניות צריכות להכיר בהתקדמות הזו ולפתח טכניקות חדשות לשיפור הכישורים שלהן בתחום. רוצות להבין יותר טוב איך תוכלו לפתח את יכולות ניתוח הנתונים שלכם במסגרת העבודה הנוכחית שלכן? שימו לב לפינת ״הכה את המומחה״ בהמשך הניוזלטר שבה אנחנו עונים בדיוק על זה. בנוסף, אתן מוזמנות להציץ על ה-data science survival kit עם המלצות לקורסים ששווה לקחת כדי לשדרג את היכולות בתחום של ניתוח נתונים. אגב, אם אתן כלכלניות שכן שוקלות להיות דאטה סיינטיסטיות - הטיפ שלנו הוא ללמוד לעומק איך מטבעות קריפטו עובדים כי זה משלב הבנה של שלושה תחומים חשובים ורלוונטים - כלכלה, טכנולוגיה ודאטה. תוכלו לקרוא על כך יותר בניוזלטר הבא. שימו לב - בדברים שקראתן עכשיו קיימת פסקה שנכתבה על-ידי מנוע AI - חושבות שאתן יודעות מהי הפסקה? ענו על הסקר בקישור ותראו אם צדקתם! שלכם, רועי ששון ומירב מופז |
|
|
אם הניוזלטר נשמע לכם מעניין ואתם רוצים לתמוך בפרויקט שלנו העבירו את המייל לשלושה חברים! קיבלתם את המייל הזה מחבר/ה? הירשמו לניוזלטר בקישור |
|
|
הסופר-אפליקציות משתלטות על המזרח |
|
|
מה קרה? בארצות המזרח מתחזק הטרנד של סופר-אפליקציות שמרכזות מספר רב של שירותים באפליקציה אחת. הסופר-אפליקציות הראשונות החלו להתפתח בסין כאשר הבולטת שבהן היא WeChat ולה למעלה ממיליארד משתמשים. האפליקציה החלה כשירות מסרים כמו וואטסאפ ועם הזמן נוספו אליה שירותים כמעט בכל תחום כמו אפשרות לתשלומים דרך הנייד, הזמנת תור לרופא, הזמנת מקום למסעדות, יומן, אנשי קשר, ניווט, מזג אוויר, ניהול עסק ועוד (למטה שמנו תמונה של איך זה נראה). דוגמא עדכנית יותר היא חברת "גראב", סופר-אפליקציה מצליחה מסינגפור, שהודיעה כי תהפוך לחברה בורסאית באמצעות מיזוג עם חברת ספאק שישקף לה שווי של 39.6 מיליארד דולר. גראב החלה כאפליקציית שיתוף נסיעות והפכה לאחד מהסופר אפליקציות הבולטות בדרום מזרח אסיה, לאחר שהתרחבה גם לתחום המשלוחים ממסעדות ומרכולים וכן לתחום השירותים הפיננסיים (מעין שילוב של גט, וולט ואפליקצית תשלומים). חברות אלה מרחיבות את כמות השירותים שלהן כאסטרטגיה שבה שירות אחד מזין שירות אחר. |
|
|
מה אנחנו חושבים? העשור האחרון הראה שהמרחק בין חברות טכנולוגיה לחברות לא טכנולוגיות מיטשטש בזכות הנגשה של שירותי ענן וכלי למידת מכונה. היום כל אחד יכול לפתוח חברת ביג דאטה מהלפטופ שלו במאה דולר לחודש. באופן דומה, אנחנו רואים כי המרחק בין חברות פיננסיות לחברות לא פיננסיות הולך ומטשטש בזכות API שמאפשר לכל חברה לבנות כרטיס תשלומים אלקטרוני מבלי להסתבך עם רגולציה, עניינים משפטיים וטכנולוגיות סליקה מורכבות בגלל שכל השירותים האלה, כמו שירותי ענן, הם Off the shelf ומסופקים באמצעות APIs של חברות שמתמחות אך ורק בתת התחום הזה (לדוגמא - Fraud Detection, Compliance, וכולי). למעשה, כל העולם הכלכלי והפיננסי בנוי על דאטה ושימוש נכון בו. בנק למשל מייצר הכנסות כי הוא יודע למי לתת הלוואה ולמי לתת ריבית יותר גבוהה. בזכות דאטה ניתן להבין מה השירותים הפיננסים הטובים ביותר עבור הלקוחות, להעריך הסיכון שלהם, ולקחת את הלקוחות הטובים ביותר מחברות אחרות (לדוגמא - חברת SoFi התמחתה בעבר במתן הלוואות סטודנטים לבוגרי MBA מליגת הקיסוס בארה״ב בלבד). בנוסף - זה מאפשר להציע ללקוחות קיימים מוצרים פיננסים שעד היום הם לא יכלו לצרוך וגם להתאים את המוצרים האלה אישית ללקוחות לאור ההיכרות איתם דרך שירותים אחרים שהחברה מספקת. What's in it for me? לאור השינויים הטכנולוגים שקרו בשנים האחרונות למעשה כל חברה יכולה להיהפך לחברה שמספקת שירותים פיננסים. לדוגמא - אחוז ניכר מנהגי אובר מפסיקים לעבוד איתה או עובדים במקביל עם ליפט. הדבר מעלה לאובר את העלויות בצורה משמעותית. אם אובר יכולה להשתמש במידע שיש לה לגבי נהג, ולהציע לו שירותים פיננסיים כגון - ביטוח רכב או הצעת ליסינג לרכב - היא מקטינה את הסיכוי שהנהג יפסיק לעבוד. שירות אחד שהיא מספקת - מגדיל את הערך של שירות אחר שהיא מספקת. (סרטון מומלץ בנושא - בקישור. ואם אתם רוצים ללמוד עוד על פינטק ודאטה צפו בסדרת קורסים מומלצת של וורטון בקישור). בכל רגע נתון כניסתן של הסופר-אפליקציות גו-ג'ק, גראב ואחרות לשוק האינדונזי יצרו הזדמנות לגשת ל-83 מיליון אנשים שהינם חסרי גישה לשירותים פיננסים (כמעט שליש מהאוכלוסיה). בעוד שהבנקים המסורתיים נאבקים בגיוס לקוחות המפוזרים על אלפי איים, הסופר-אפליקציות מצאו את הפתרון לגייס את אותם אנשים ולהרוויח מזה הרבה כסף. |
|
|
דאטה קטן ודאטה גדול - סיפור ההצלחה של לגו |
|
|
מה קרה? בתחילת שנות ה-2000 לגו הייתה חברה מפסידה ועל סף פשיטת רגל. חלק מהגורמים לכך - התחרות הגוברת בתחום משחקי הבנייה (לגו איבדה את הפטנט שלה בשנות השמונים) והעיסוק ההולך וגובר של ילדים בעולם הדיגיטלי. הבחירה האסטרטגית שהביאה אותה למצב הזה התבססה על ניתוח שוק קלאסי של ביג דאטה, לפיה יש לפנות למיליניאלס באמצעים של פישוט הקוביות. בעקבות קריסת ההכנסות, לגו ניסתה לעשות משהו יוצא דופן - היא לקחה חוקר שיבין לעומק את הלקוחות והצרכים שלהם (״דאטה קטן״) משגרת יומם המדוייקת ועד מה יש להם בתוך המקרר ומאז היא למעלה. באופן מפתיע, דווקא היום בעיצומו של משבר הקורונה - לגו שברה את שיאי המכירות שלה. הרבה בזכות שינוי אסטרטגיה זה. מה אנחנו חושבים? המסר העיקרי מסיפור ההצלחה של לגו הוא הצורך בביצוע אינטגרציה עמוקה ובחיבור בין דאטה גדול (big data) לדאטה קטן (small data) תוך הסתמכות על נתונים חיצוניים ופנימיים לחברה (ראו תמונה שמדגימה את הרעיון למטה). לקריאה נוספת על איך חברה צריכה לבנות אסטרטגיית דאטה וניתוח נתונים ראויה על מנת להפיק את המיטב מהנתונים שלה ועל איך חברת לגו עשתה את זה כנסו לקישור. |
|
|
What's in it for me? שימוש בדאטה הגדול כולל ניתוח של מגמות ושימוש במידע על התנהגויות של הרבה משתמשים כדי לבצע הסקות סטטיסטיות ולנסח המלצות בהתאם. לעומת זאת, הדאטה הקטן מדבר על היכרות מעמיקה עם הלקוחות וכולל ניתוח של רגשות תוך ניסיון לפרש אותם בצורה איכותנית. מאחר וניתן לנתח דאטה איכותני בהרבה דרכים הדרך להחליט מהי הפרשנות הנכונה היא באמצעות בדיקת היפותזות שעולות מדאטה קטן (ראיונות עומק) באמצעות דאטה גדול, וההיפך. בכל רגע נתון מרטין לינדסטרום הוא המומחה שעזר ללגו לשנות את האסטרטגיה עם דאטה קטן. באמצעות שיטות אלה הוא גם הצליח להביא לגידול של 19% במכירות של מותג קפה כושל במהלך עונת החורף בפיליפינים. איך? הוא עבר לגור בבתים של אנשים בפיליפינים והבין שהצליל של הגשם בפרסומת ההוליוודית המושקעת של מותג הקפה לא היה דומה כלל לצליל הגשם שנשמע על גגוני הפח בפיליפינים ולכן הקמפיין נכשל בלעורר את הרגש הרצוי אצל הלקוחות. הוא הקליט את צליל הגשם האמיתי ואכן לאחר שהצליל שונה הקמפיין הצליח להביא לתוצאות הרבה יותר טובות בשוק הזה. |
|
|
מה קרה? מיקרוסופט הודיעה לאחרונה שהיא רוכשת את חברת ניואנס (Nuance) ב-19.7 מיליארד דולר. ניואנס היא חברה ותיקה וידועה המפתחת מוצרי זיהוי קולי ותמלול אוטומטי ונחשבת אחת מחלוצות תחום פיענוח הדיבור. הטכנולוגיות לזיהוי קולי שהיא פיתחה נחשבות איכותיות ומדויקות והיא מוכרת רשיונות לשימוש בהן לחברות וארגונים במגוון ענפים כמו פיננסים, בריאות, שירותי לקוחות, ממשל ועוד. מה אנחנו חושבים? ההחלטה על רכישת ניואנס על-ידי מייקרוסופט ועוד בסכום כל כך גדול יכולה להראות תמוהה ולעלות סימני שאלה. ניואנס היא לא השחקנית הכי חזקה בשוק - הביצועים שלה בשנים האחרונות היו פושרים וההכנסות השנתיות שלה נמצאות בדעיכה כבר כמה שנים ברציפות. לצד זאת, מיקרוסופט פיתחה לאורך השנים טכנולוגיות חזקות מאוד בתחום זיהוי הדיבור. מכאן שעולה השאלה - מה יוצא להם מזה? הרי יש מלא טכנולוגיות לזיהוי קולי שנמצאות בשוק וגם למייקרוסופט עצמה יש את המשאבים להמשיך ולפתח את היכולות הללו באופן עצמאי. הערך הכי גדול של חברת ניואנס הוא שהיא זיהתה את הצורך בטכנולוגיה בעולם הרפואי ועשתה את ההתאמה הסופית בין המוצר עצמו לצורך במוצר בשוק הבריאות, שוק שמייקרוסופט מגלה בו עניין רב. ניואנס גילתה יכולות מרשימות בתחום הבריאות ופיתחה למשל אפליקציה שמאפשרת לתעד באמצעות דיבור טבעי את פרטי הפגישה עם המטופל וכן מידע רפואי. ניואנס גם מאפשרת למלא פרטים רפואיים בתיק, לבצע פעולות ולשלוף מידע וכן לבצע חיפושים במאגרים רפואיים באמצעות הוראות קוליות וללא צורך בהקלדה. בארה"ב יותר מ-55% מהרופאים משתמשים במוצרים שלה וכן כ-77% מבתי החולים בארה"ב. בעצם הרכישה מייקרוסופט מקבלת לידה את כל 10,000 הלקוחות של ניואנס. What's in it for me? בהרבה סוגים של שווקים ומוצרים המון מתחרים פועלים ומפתחים את אותן טכנולוגיות ומשתמשים באותן שיטות כדי לעשות זאת. גוגל לא הייתה מנוע החיפוש הראשון, פייסבוק לא היו הרשת החברתית הראשונה ואפל לא המציאה את מסכי המגע. השאלה תמיד הייתה האינטגרציה וההתאמה לצורך הספציפי, ולא הטכנולוגיה. חישבו לדוגמא על הקינדל של אמאזון - שנה לפני הוצאת הקינדל יצא מכשיר כמעט זהה על ידי סוני (מפרט מאוד דומה), ועם זאת המכשיר של סוני נפל לתהום הנשייה. הסיבה היא שלאמזון הייתה את יכולת האינטגרציה עם חנות הספרים המקוונת. בכל רגע נתון לפי מייקרוסופט, גודל השוק הזמין עבורה בתחום הבריאות יהיה חצי טריליון דולר והשימוש בבינה מלאכותית לצורך פענוח מידע רפואי צפוי לספק את הצמיחה הכי גבוהה אי פעם בהכנסות שמגיעות מתשתיות תוכנה. |
|
|
האם הרופא שלך היה מסתמך על עצה מ-AI? |
|
|
מה קרה? אחת הבעיות הגדולות של AI ברפואה היא שרופאים לא סומכים על המלצות שניתנות על ידי מערכות בינה מלאכותית. במחקר שבוצע באוניברסיטת רגנסבורג שבגרמניה בשיתוף עם MIT נבדקה מידת האמון שרופאים נותנים למערכות בינה מלאכותית בהשוואה לעצות ממומחים אנושיים. לטובת המחקר נתנו לרופאים לאבחן תצלומי חזה כאשר לכל תצלום התלוותה עצה. כמו כן, נאמר לכל רופא האם העצה ניתנה על-ידי אלגוריתם או על-ידי מומחה. הרופאים דירגו את העצות שניתנו להם וכן רשמו את האבחנה שלהם עבור כל מקרה. התוצאות הראו שבאופן כללי, עצות שדורגו כלא טובות ברובן היו עצות שהרופאים האמינו שניתנו על-ידי AI. בנוסף, התוצאות הראו שהרופאים ביצעו אבחנה טובה יותר כאשר העצה הייתה טובה יותר ללא קשר למקור של אותה עצה. מה אנחנו חושבים? ההבנה של איך בני אדם משתמשים במערכות AI שנותנות ייעוץ וחיזוי תלוי במידת האמון שיש למשתמשים במערכת. זה רלוונטי ברפואה, ברכבים אוטונומיים ובתחומים נוספים. יש כל מיני דרכים לגרום לך לסמוך יותר על AI. בשירותי המלצות לדוגמא, האלגוריתם שחוזה על מה המשתמש ילחץ מעבה את התחזית שלו באמצעות אמצעי שכנוע שגורמים למשתמש לחשוב שהוא מבין את הסיבה להמלצה וכך יותר קל לו לקבל אותה ולסמוך על המערכת. אלגוריתמים להמלצות על סרטים למשל, אומרים למשתמש שגם חבר שלהם צפה בסרט ובכך גורמים לו לחשוב שזו הסיבה להמלצה למרות שזה לא בהכרח היה הדבר המרכזי שהביא ליצירת ההמלצה. כלומר, לאנשים יש היוריסטיקות מחשבתיות שאפשר ללמוד כדי להגביר את רמת האמון שלהם ביחס לטכנולוגיה. יהיה מעניין לראות אם דורות שגדלו עם טכנולוגיה יסכימו יותר להסתמך על רובוטים. כבר עכשיו ניתן לראות בענף הפינטק מגמה לפיה דור ה-Y מוכנים להסתמך על החלטות אוטומטיות להשקעה יותר מאחרים. מעניין אם ומתי זה יקרה בתחום הרפואי. What's in it for me? חשוב להבין מה העלות של טעות לעומת הרווח משימוש במערכות אוטומטיות. למשל ברכב אוטונומי ייתכנו מקרים של תאונות בגלל קריסת מערכת, אבל באופן כללי השימוש בטכנולוגיה חוסך הרבה תאונות כך שיכול להיות שבסך-הכל יהיו פחות תאונות. דבר נוסף שניתן ללמוד מהמקרה הוא שלא פחות חשוב מלייצר מוצר טוב זה שהמשתמשים ירצו להשתמש בו. לשם כך יש להקצות משאבים בביצוע של מחקר צרכנים ובשיפור הממשק על מנת שיעורר אמון בקרב משתמשיו. בכל רגע נתון נכון לרבעון האחרון של 2020 אושרו ב-FDA שישים וארבעה מכשירים רפואיים מבוססי AI כאשר מרביתם (30) קשורים ברדיולוגיה. למרות ההתפתחות הגדולה בתחום והמצאת מכשירים רפואיים טובים בתחום יש עוד כברת דרך לעבור על מנת להגביר את האמון בין המשתמשים לבין המוצר הסופי. |
|
|
אני עובד בחברת ביטוח ולאחרונה החלו להתקיים תהליכי ניתוח דאטה רחבים בחברה. אני מוצא את התחום מעניין ואני רוצה להתפתח בו. רציתי להתייעץ האם כדאי לעזוב את העבודה הנוכחית ולעשות תואר בדאטה סיינס כדי להתמקצע באמת בתחום או שיש פתרונות אחרים? באיזה מוסדות אתם ממליצים ללמוד? התשובה לשאלה מאוד תלויה בגיל שלך ובכמה אתה מחובר ואוהב את התחום של דאטה. אין טעם ללכת ולעזוב את העבודה הנוכחית לפני שאתה יודע מה זה אומר. כמו שאתה יודע לכתוב מיילים ולהכין מצגות רצוי שתרכוש כלים בסיסיים כדי לדעת להסתכל על דאטה. לכן בשלב זה אנחנו ממליצים להעמיק את הידע באמצעות הרבה מאוד קורסים ולנסות ליישם את הכלים הנלמדים בעבודה היומיומית עם הדאטה הקיים של החברה. לראייתנו לא חייבים לבחור בין להיות איש דאטה לבין להיות איש ביטוח - אתה יכול להיות איש ביטוח שמבין בדאטה. אנחנו ממליצים לצפות בהרצאה שמדברת בדיוק על זה בקישור. בנוסף אנחנו ממליצים על הקורס AI for everyone של אנדרו נג (מייסד קורסרה שהוזכר גם בגיליון הקודם) המעניק כלים גם לאנשים ללא כל רקע בתחום ליישם פתרונות להטמעת בינה מלאכותית בארגון ולהכיר את הטרמינולוגיה הרלוונטית. |
|
|
יש לכם שאלה עסקית מעניינת בנוגע לדאטה? בכל ניוזלטר נפרסם שאלות והתייעצויות שלכם - מלאו את הטופס ואנחנו מבטיחים לענות על השאלות שלכם |
|
|
מכירים מישהו שיכול להתעניין בנו? נשמח לשיתוף! הישארו מעודכנים והרשמו לניוזלטר בקישור |
|
|
בכל רגע נתון, בכל יום תובנה |
|
|
|
|
