עסקים רבים אוספים היום נתונים כמעט בלי להתאמץ: מכירות בקופה, לידים ב-CRM, כניסות לאתר ופתיחות של ניוזלטר. הקבצים מצטברים, הדוחות נשלחים מדי חודש, ובכל זאת ההחלטות הגדולות מתקבלות פעמים רבות כמו קודם, לפי ניסיון, תחושה או מי שמשכנע יותר בישיבה. הנתונים קיימים, אבל אינם באמת חלק מהדיון.
הפער בין להחזיק נתונים לבין להשתמש בהם אינו נובע בהכרח מחוסר בטכנולוגיה. לא פעם הוא נובע מהנחות על נתונים שנשמעות הגיוניות ומתבררות כשגויות. חלקן גורמות לארגונים לאסוף יותר מדי, חלקן לסמוך יותר מדי, חלקן לוותר מראש, וחלקן להמתין לכלי שיפתור הכול לבד. זיהוי של ההנחות האלה הוא צעד ראשון לשינוי האופן שבו הארגון עובד עם המידע שלו.
״ככל שיש יותר נתונים, יודעים יותר״
יותר נתונים יכולים דווקא להקשות על הקריאה. מקור חדש מוסיף בדרך כלל שדות, פורמטים והגדרות, ובלי שאלה שמכוונת את העבודה קל לטבוע בפרטים שלא מובילים לשום מקום. ארגון ששומר כל הקלקה וכל שדה במשך שנים לא בהכרח יודע יותר על הלקוחות שלו מארגון ששומר כמה מדדים שנבחרו בקפידה. ריבוי מקורות גם מגדיל את הסיכוי שאותו נתון יופיע בכמה גרסאות שונות.
לאיסוף יש גם מחיר. אחסון, תחזוקה ושמירה על איכות הנתונים דורשים עבודה שוטפת, ואיסוף של מידע אישי מעלה שאלות של פרטיות. חוק הגנת הפרטיות ותיקוניו קובעים חובות לגבי איסוף של מידע אישי, השימוש בו ואבטחתו, ולכן צבירה של נתונים רק ליתר ביטחון עלולה שלא להתיישב עם הדין והרגולציה.
שאלה מועילה לפני שמוסיפים מקור חדש היא איזו החלטה הנתון הזה ישרת. אם אין תשובה ברורה, ייתכן שאין סיבה לאסוף אותו, או שאפשר לדחות את האיסוף עד שהשאלה תעלה. כך נשאר מקום לנתונים שמשמשים את העבודה בפועל, והמערכות לא מתמלאות בשדות שאף אחד אינו בודק.
הצעד שהופך נתונים גולמיים למשהו שאפשר לפעול לפיו אינו איסוף נוסף, אלא עבודה על מה שכבר קיים. תהליך של ניתוח נתונים כולל ניקוי של הנתונים, הצלבה בין מקורות וחיפוש תשובות לשאלות עסקיות מוגדרות. כך מספרים מפוזרים מתחברים לתמונה שאפשר להציג בישיבה ולהחליט לפיה. בלי השלב הזה, גם כמות גדולה של דאטה נשארת בעיקר עלות.
״הנתונים מדברים בעד עצמם״
נתונים עונים בעיקר על שאלות שמישהו שאל. אותה טבלת מכירות יכולה להסביר ירידה בהכנסות, דפוס עונתי או השפעה של קמפיין, תלוי במה שמחפשים בה. בלי שאלה ברורה, העבודה על הנתונים הופכת לדפדוף, ודפדוף לא מוביל בדרך כלל להחלטה. ניסוח של השאלה לפני שפותחים את הקובץ חוסך זמן, ומבהיר גם אילו נתונים חסרים.
מלכודת נפוצה היא לבלבל בין מתאם לסיבתיות, בין דברים שקרו יחד לבין דברים שגרמו זה לזה. המכירות עלו בחודש שבו רץ קמפיין, אבל ייתכן שהסיבה היא העונה, בעיית מלאי אצל מתחרה או שינוי מחיר. המספרים עצמם אינם מבחינים בין האפשרויות, ולכן לפני שמסיקים מסקנה מועיל לשאול אילו הסברים אחרים עשויים להתאים לאותה תמונה, ומי בארגון מכיר את מה שקרה בשטח באותה תקופה.
גם הקשר חסר משנה את התמונה. מספר לקוחות חדשים שנראה מרשים בפני עצמו יכול להתברר כנמוך מול החודש הקודם, מול אותה תקופה אשתקד או מול היעד שנקבע. מספר בלי השוואה אומר מעט, ונתון שעולה לדיון מועיל יותר כשהוא מגיע יחד עם נקודת הייחוס שלו.
״מה שמוצג יפה כבר נותח״
ויזואליזציה הופכת נתונים לנגישים, ודשבורד טוב חוסך שעות של חיפוש בקבצים. אבל מסך מלא בגרפים הוא תצוגה של נתונים, ולא הסבר שלהם. הוא מראה מה קרה, בעוד שהשאלה למה זה קרה ומה עושים עכשיו עדיין דורשת מישהו שיסתכל, ישווה וישאל. דשבורד שאף אחד לא שואל עליו שאלות הופך מהר לתמונה קבועה על הקיר.
העיצוב עצמו יכול גם להטעות. בתרשים עמודות, ציר שאינו מתחיל באפס מגדיל שינוי קטן, ממוצע מסתיר הבדלים בין סניפים, ותרשים עוגה עם פרוסות רבות מטשטש את מה שחשוב. תצוגה חזותית עוזרת כשהיא בנויה סביב שאלה, ומבלבלת כשהיא בנויה סביב כל מה שאפשר להציג.
גם מספר המדדים על המסך משנה. התחושה שככל שמוצגים יותר KPI יש יותר שליטה מובילה לעיתים לתוצאה ההפוכה: אף מדד לא מקבל תשומת לב אמיתית. כמה מדדים שקשורים ישירות להחלטות שמתקבלות בפועל אומרים בדרך כלל יותר מעשרות מדדים שמוצגים בשביל השלמות.
״זה מתאים רק לחברות גדולות״
המונח ביג דאטה יצר רושם שעבודה עם נתונים דורשת כמויות עצומות ומערכות יקרות. בפועל, גם עסק קטן מחזיק מידע בעל ערך בכלים שהוא משתמש בהם כל יום, וחלק מהשאלות שלו אפשר לבדוק באמצעים צנועים, לפעמים באקסל. גם נתונים שנאספים לצורכי הנהלת חשבונות או שירות לקוחות יכולים לספר הרבה על העסק, כשמסתכלים עליהם מזווית אחרת.
כמה מקורות מידע שקיימים בעסקים קטנים רבים:
חשבוניות ספקים: אילו הוצאות גדלו, ומול אילו ספקים המחירים השתנו לאורך השנה.
יומן תורים או הזמנות: אילו ימים ושעות עמוסים, ואילו נשארים ריקים באופן קבוע.
החזרות וביטולים: אילו מוצרים חוזרים, ומה הסיבות שהלקוחות מציינים כשהם מחזירים אותם.
פניות שירות: שאלות שחוזרות על עצמן ומרמזות על בעיה במוצר או בהסבר עליו.
אקסל הוא נקודת פתיחה נוחה לבדיקות כאלה, אבל יש לו גבולות. כשהקבצים מתרבים, עוברים בין אנשים ומתעדכנים ידנית, קשה לדעת איזו גרסה נכונה, ושינוי בהגדרה עלול לדרוש עבודה מחדש. בשלב הזה מתעורר בדרך כלל הצורך בדרך מסודרת יותר לרכז את המידע.
ההבדל בין עסק קטן לארגון גדול הוא בהיקף ובכלים, ולא בעיקרון. נקודת פתיחה מעשית היא שאלה אחת, שניים או שלושה מקורות וכמה שבועות של מעקב, ומשם אפשר להרחיב לפי מה שמתברר כשימושי.
״בינה מלאכותית תעשה את זה במקומנו״
בינה מלאכותית ולמידת מכונה פותחות אפשרויות חדשות: חיזוי של ביקוש וזיהוי של חריגות. חלק מהכלים מאפשרים לשאול שאלה במילים רגילות ולקבל בתגובה גרף או טבלה. בינה מלאכותית לעסקים נעשית בהדרגה נגישה יותר, וכלים שהיו שמורים לחברות גדולות מגיעים גם לארגונים קטנים יותר.
אבל כלים כאלה נשענים על הנתונים שהם מקבלים. נתונים חסרים, כפולים או לא אחידים עלולים להוביל לתשובות שגויות שמוצגות בביטחון רב. טיוב נתונים נשאר תנאי מוקדם, והטכנולוגיה החדשה אינה מבטלת אותו.
מישהו גם צריך לשפוט את התוצאה: האם התחזית סבירה, האם היא מתיישבת עם מה שקורה בשטח ומהן המגבלות שלה. כלים כאלה יכולים לקצר עבודה רבה, אבל האחריות להחלטה נשארת אצל האנשים שמקבלים אותה.
יש גם שאלה של אבטחה. הזנה של נתוני לקוחות לכלים חיצוניים, בלי לבדוק איפה הם נשמרים ומי יכול לגשת אליהם, עלולה לחשוף מידע רגיש. לפני שמחברים כלי כזה לנתוני הארגון, כדאי לבדוק את תנאי השימוש ואת ההגדרות שלו מול מי שאחראי על אבטחת המידע.
״מספיק לבחור את המערכת הנכונה״
רכישה של מערכת BI נתפסת לפעמים כסוף התהליך. בפועל היא נקודת ההתחלה: בלי הגדרות מוסכמות, אחריות ברורה ואנשים שמשתמשים במערכת, גם כלי מתקדם לא ישנה הרבה בעבודה.
הרבה תלוי באנשים. דאטה אנליסט, או מנהל עסקי שלמד לשאול שאלות עסקיות מדויקות, מביאים את החיבור בין הידע על העסק לבין היכולת לעבוד עם הנתונים. השילוב הזה הוא לא פעם מה שקובע אם המערכת תשפיע על העבודה או רק תתווסף אליה. יש ארגונים קטנים שבהם התפקיד הזה מתמלא בידי מנהלת הכספים או מנהל התפעול, ולא בידי איש מקצוע ייעודי.
הטמעה הדרגתית מצמצמת את הסיכון. מתחילים בתחום אחד, למשל מכירות, מוודאים שההגדרות נכונות ושהמשתמשים אכן פותחים את המערכת, ורק אחר כך מרחיבים לתחומים נוספים. כך טעויות נוטות להתגלות מוקדם, כשעדיין קל לתקן אותן.
ולבסוף, הרגל. קבלת החלטות שנשענת על נתונים נבנית משגרה שבה מספרים עולים בישיבות, החלטות מתועדות מול מדדים, ובדיעבד בודקים אם התוצאה התאימה לציפייה. ארגון שמתרגל את זה לאורך זמן לומד לשאול טוב יותר, ומפיק יותר מהכלים שכבר יש לו.
לסיכום
הפער בין לאסוף נתונים לבין להשתמש בהם נשען לא פעם על הנחות שנשמעות הגיוניות: שיותר זה טוב יותר, שהמספרים מסבירים את עצמם, שתצוגה יפה היא ניתוח, שזה רק לחברות גדולות, שבינה מלאכותית תחליף את השיפוט או שמערכת אחת תפתור הכול. שאלות ברורות, אחריות מוגדרת והרגל של דיון שנשען על מספרים הם מה שמאפשר לנתונים להשפיע על ההחלטות. אפשר להתחיל בקטן, עם שאלה אחת ומקורות מעטים, ולהרחיב מתוך מה שמתברר כמועיל.
