"הדיגיטל אינו מספיק – נדרש גם טיפול ב-Big Data"

"המסע הדיגיטלי אותו עוברים ארגונים פיננסיים אינו מספיק. לצד מסע זה, נדרש טיפול מעמיק ב-Big Data, על מנת להתייחס לכל לקוח בנקאי כ-VIP, ולהציע לו הצעות ערך מותאמות אישית", כך אמר אבי כוכבא, משנה למנכ"ל בנק הפועלים ומנהל חטיבת החדשנות בבנק.

כוכבא דיבר בפתח כנס BIG Data The Next Generation. הכנס, בהפקת אנשים ומחשבים, נערך אמש (ב') במרכז החדשנות של הבנק בתל אביב. את הכנס הנחה נעם זיגרסון, מוביל המידע והאנליטיקה בבנק.

צילום ועריכת וידיאו: דותן גור

לדברי כוכבא, "שואלים אותנו לא מעט, 'מה הסיפור הזה, של Big Data ומידע חכם?' הסיפור שלנו יחסית פשוט. אנו מבינים שאין שני לקוחות זהים. בעבר נהגנו לעשות פילוח של לקוחות. לקחנו את 2.6 מיליון הלקוחות וסיווגנו אותם בחמישה פלחים. אבל זה כבר לא רלוונטי כיום. היחס לכל לקוח כיום צריך להיות יחס של VIP, ולכן נדרש לעשות פילוח פר לקוח".

נעם זיגרסון, מוביל המידע והאנליטיקה בבנק הפועלים. צילום: אביב גוטליב, בנק הפועלים

"דיגיטל נטו כבר לא מספיק", אמר כוכבא, המשנה למנכ"ל בנק הפועלים, "אנו צופים מצב עתידי, בו כאשר לקוחות בעתיד ירצו להחליף את כלי הרכב שלהם, שהם יפנו וישאלו אותנו. כמעט כל פעולה שאנו עושים בחיים – תלויה בכסף. אנו רוצים לומר ללקוחותינו באופן פרואקטיבי 'אל תחליף מכונית השנה – עשה זאת בשנה הבאה'. על בסיס הדטה נוכל לתת מענה פרוטאקטיבי, שאותו הם מצפים לקבל".

לדברי כוכבא, "שאלו את עצמכם האם אתם מודעים למצב הפיננסי שלכם, מה קורה עם הפנסיות והקרנות שלכם. האיש הממוצע ברחוב לא יידע להשיב. הם מקווים שמישהו, שם בבנק – יידע. הכל בסוף מתורגם למצבים פיננסיים, אנו רוצים לתת ללקוחות יכולת להחליט החלטות פרואקטיביות, מבוססות נתונים מנותחים".

"לא מספיק דיגיטל", סיכם כוכבא, "טובה האפליקציה ככל שתהיה – היא אינה מספיקה. פה נכנסים הנתונים בצורה מאד מרכזית, והטיפול בהם והניתוח שלהם הם שיניבו לבנק יכולת להציע ללקוחות ערכים מוספים".

ד"ר אלי דוד, CTO של הסטארט-אפ המימד החמישי. צילום: אביב גוטליב, בנק הפועלים

ד"ר אלי דוד, CTO של הסטארט-אפ המימד החמישי, דיבר על מהפכת ה-Deep Learning. להגדרתו, "Deep Learning זה היכולת של מדעי המחשב להגיע הכי קרוב ליכולות של המוח שלנו. המוח האנושי הוא רשת נוירונים. למקבילה המחשובית הזו הגענו כבר בשנות ה-70' של המאה הקודמת. כעת הצלחנו לבנות רשתות עם 20-30, ולעתים מאות רבות של שכבות. זה קרה בשל שיפור באלגוריתמים".

"הסיבה השניה, היא היכולת של מהירות העיבוד של החומרה. מה שלקח בעבר שלושה חודשים קורה כיום בתוך יממה. לימוד מעמיק הוא אחד התחומים בתוך לימוד מכונה, אבל בעל הבדל תפיסתי גדול".

הוא הציג את החברה, שפיתחה מודל של לימוד מעמיק עבור מידע בלתי מובנה, לטובת ניטור אנומליות, ועוד.

לימוד מעמיק, סיכם ד"ר דוד, "הוא התחום בעל השיפור השנתי הכי מהיר בין הטכנולוגיות של לימוד מכונה. ברוב המקרים לא צריך לעשות לימוד מעמיק. הוא מועיל רק בהצטברות של שלושה תנאים: כשהשיטות המסורתיות לא עובדות; כשיש כמויות אדירות של נתונים וכשהנתונים הם מורכבים. רק אז לימוד מעמיק יביא ערך ושיפור משמעותי".