Big Data בחלקים קטנים – חלק אחרון: עושים אופטימיזציה
בטורים הקודמים הרחבנו את מקורות המידע, אספנו מידע מובנה והעשרנו אותו במידע לא מובנה, והפעלנו על כל אלו מודלים של סגמנטציה או מודלים של חיזוי וניבוי ● הפעם נדבר על מהלך המציאה עצמו: כיצד להגיע לתועלת גדולה יותר בפחות משאבים למימושה
למושג אופטימיזציה קיימת הגדרת וויקיפדיה מאד ברורה : "אופטימיזציה הינה מציאת מינימום או מקסימום לפונקציה תחת אילוצים נתונים". גם בעולם ה-Big Data נמצא את ההגדרה הזו כמתאימה . אכן לא חד ערכית בהקשר של מקסימום מתמטי אבל בהחלט מתוך רצון לתת מענה למגוון של חוקים ואילוצים עסקיים.
אם בטורים הקודמים הרחבנו את מקורות המידע , אספנו מידע מובנה והעשרנו אותו במידע לא מובנה והפעלנו על כל אלו מודלים של סגמנטציה או מודלים של חיזוי וניבוי, הרי שבסופו של דבר ביצענו את כל זה כדי להגיע לתובנות בעולם העסקי לגבי איזו פעולה או איזה מוצר חדש להציע לצרכן הממוצע.
אז מה יצא לנו מזה עד כאן? למעשה, קיבלנו היצע של הצעות שיווקיות ברמת הלקוח הבודד או ברמה של קבוצת לקוחות. האם עתה אנו יכולים פשוט לשווק הצעות אלו ולהגיש אותן לצרכנים באינטרנט או בביקורם הבא בסניף? בעולם ללא מגבלות ייתכן והתשובה הייתה חיובית. אולם במציאות היומיומית של ארגון עסקי ישנם אילוצים נוספים שיש לקחת בחשבון וביניהם :
– כמה הצעות יכול נציג מכירות להציע בכלל בשעה?
– אם פרטי צרכן עולים כרלבנטיים ל 2 הצעות איזו הצעה עדיף להציע לו?
– באיזה ערוץ עדיף להציג לצרכן את ההצעה? למשל לקוח שאינו גולש באינטרנט לשם מה לפרסם עבורו ההצעה שם?
– מה הפוטנציאל העסקי מהמכירה ? האם המוצר המוצע גם מתועדף מבחינת אסטרטגיית המכירות של הארגון?
– למשך כמה זמן להציג ההצעה ללקוח?
– מהי מגבלת ויכולת מוקד המכירות לדוגמא להוציא שיחות מכירה מבוססות הצעות המכר ביום נתון?
אלה רק מקצת מהאפשרויות והדוגמאות לחוקים עסקיים או תכנוני משאבים שצריכים להילקח בחשבון כאשר אנו מנהלים מערכת אופטימלית להצעות שיווקיות מבוססת Big Data.
כדי להתמודד עם אילוצים אלה, ארגון שמייצב לעצמו תפיסת עולם עסקית לניהול Big Data אפקטיבי חייב להחזיק גם בכלי שמבצע אופטימיזציה. כלי שיהיה מסוגל לעבוד בהיקפים גדולים של מידע ולהכיל ולשקלל חוקים ומגבלות עסקיות משתנות ודינמיות יחד עם פרמטרים אחרים, ולעשות זאת על מנת להגיש תוכנית שיווקית-עסקית אופטימלית למגוון ההצעות וההמלצות.
זוכרים את ההגדרה שהתחלנו איתה? "אופטימיזציה הינה מציאת מינימום או מקסימום לפונקציה תחת אילוצים נתונים". כאמור, מהלך המציאה עצמו הוא מיכוני-אוטומטי. המינימום יכול להיות מינימום משאבים להפעלת הקמפיין השיווקי, או המקסימום יכול להיות מקסימום רווחיות או תועלת, בהתאם להצעות העסקיות המתועדפות להגשה. האופטימום יהיה תוצר של תעדוף בין כל הפרמטרים והחוקים האפשריים כפי שיגדירו ה-Data Scientists באלגוריתם של כלי האופטמיזציה.
לגבי השיקולים בבחירת הכלי – הרי שאלה ינועו, כפי שתואר בטור השני בסדרה לגבי בחירת כלי למודליזציה בין מספר קטגוריות או אפשרויות:
– עוצמות הכלי והספק ומידת ההובלה שלהם בעולם ה-Big Data.
– ניסיון הספק בהטמעת כלים דומים בארגונים דומים בענף.
– יכולות ופונקציונאליות של הכלי עצמו.
– רמת האינטגרציה הנדרשת בתוך הארגון.
– רמת וחווית השימוש בכלי מצד ה-Data Scientists.
– יכולת הפקת נתונים ושינוי פרמטרים והגדרות.
– דו"חות התמיכה המופקים ואיכותם.
– סוגיית מחיר העסקה ובחינת עלות-תועלת כלכלית.
למעשה, אם עולם ה-Big Data נבחן בין שני מימדים של רמת השקעת משאבים וערך עסקי לפעילות, אזי יישום של כלי אופטימיזציה הוא כמו לזוז בין עקומות, ולא רק על העקומה. משמע, בגין אותו אילוץ של משאבים או בגין אותה הצעת ערך תופק בסביבת אופטימיזציה תועלת גדולה יותר בפחות משאבים למימושה. מכאן שאופטימיזציה מאפשרת למקסם ערך בעולם של מגבלות – Less is more.
אחת הסוגיות המעניינות הקשורות לעולם האופטימיזציה היא הדילמה של ארגונים האם לכלול ביישומי ה-Big Data העסקיים גם פונקציונאליות של Real Time, משמע – שינויי חוקיות ותוצרים בשוטף ברגע אמת און ליין, או שמא להסתפק במהלכי עדכון בתדירות נמוכה יותר.
אסיים בתקווה שתמצאו את המקסימום שלכם במהרה.
תגובות
(0)