Business Intelligence: למה אף אחד לא מחייך?
רק לפני שנתיים-שלוש, נדמה היה שהושג קונצנזוס. מומחי ה-IT וחכמי הניהול, האסטרטגים של ספקי הפתרונות והאנליסטים של צד הביקוש, כולם הסכימו כי "BI זה הדבר הגדול הבא". הפלטפורמה הארגונית האולטימטיבית, שתוביל את מהפכת "האוטומציה החכמה" כפי שהדואר האלקטרוני הוביל את התקשורת העסקית, מהטלפון הקולי ומכתבי הנייר למסך ה-PC והטלפון החכם.
גם העובדה, שכל החברות הדומיננטיות בצד הספקים - יבמ, SAP, אורקל ומיקרוסופט - השקיעו מיליארדים בפיתוח וברכישה של הטכנולוגיות, סימנה לכאורה שהפעם זה לא סתם Hype. היום הקביעות האלה נראות קצת פחות וודאיות. התעשייה לא התגבשה סביב מודל עבודה אחד, יותר לקוחות פוטנציאליים מצהירים בברור שהם לא אוהבים את מה שמציעים להם, ובשורות הספקים רבה המבוכה.
הדינוזאורים מנסים ללמוד לרקוד
אפילו הדינוזאורים מנסים ללמוד לרקוד, בתקווה להפיג את הפחדים של מגזר העסקים הקטנים, SMB. אך בזמן שהחברות הגדולות, שמוצריהן נקלטו לבטח בליבת ה-IT הארגוני, מנסות לפתח גרסאות Light (או Express) של התוכנה, האנליסטים מזהים מגמה מתחזקת של "מרד המנהלים". יותר ויותר מנהלים ברובד הביניים, שאמורים להשתמש בשירות ה-BI הארגוני לצורך קבלת החלטות מושכלות, מגיעים למסקנה, שבקונספציה הנוכחית אין סיכוי שהוא יספק בעתיד הקרוב את הערך שנקרא "זריזות", Agility. גם מחלקות המחשבים היעילות ביותר לא מסוגלות להגיב לדרישות של הביזנס בזמן "כמעט אמיתי", וגם התוכנות הידידותיות ביותר לא מצליחות לגשר על הפער הטכנולוגי שמונע ממנהלים אלה לשרת את עצמם. הבעיה היא קונספטואלית. קיים פער בתבניות החשיבה בין אנליסטים, האמונים על הפשטה וניתוח כמותי, לבין מנהלים שממשיכים להאמין לרחשי הלב ובטוחים שאינטואיטיביות היא הוכחה לנכונות התובנות שלהם.
העזה מול אנליזה
פסיכולוגים ארגוניים יכולים להרצות לכם במשך שעות על הבדלי האישיות, בין מי שהולך ללמוד סטטיסטיקה או חקר ביצועים לבין מי שפורץ דרך לצמרת הניהול בזכות אישיות חזקה, כריזמה ומנהיגות. האחרונים מבססים את סמכותם על אמונה חסרת פקפוק ביכולתם המולדת להבין טוב יותר - ובהעזתם להגיע להחלטות חותכות בסיטואציות מעורפלות, המשאירות את הטיפוסים האינטלקטואליים יותר מתלבטים ומהססים. ועכשיו דורשים ממפתחי הפתרונות, כולם "גבוהי מצח" ובעלי נטייה מולדת לספקנות, לספק לאגו-מניאקים כלים לחיזוק השכנוע העצמי. קצת אבסורדי, לא?
בעולם האנליטי רווחת אמרה המיוחסת לפילוסוף ציני מהמעמיקים לחשוב: "לכל בעיה קשה ומאתגרת יש פתרון פשוט, מובן לכל, חד-משמעי - ומוטעה לחלוטין". במדעים המדויקים לומדים שתובנות אבסטרקטיות הן הדבק שמחבר תוצאות ניסיוניות למודל מגובש, אבל אי אפשר להדביק חורים של בורות והשערות שלא עמדו במבחן הניסוי גם בדבק החזק ביותר. גם התיאורטיקנים של תורת הניהול מנסים לעצב את תבניות החשיבה של מקבלי החלטות סביב המרכזיות של עובדות, אך משום מה, זה פחות מצליח.
ריבוע הקסם
את המצב העכשווי בשוק תוכנות ה-BI מיפו עורכי הדו"ח השנתי של גרטנר שהתפרסם בינואר 2011 (Magic Quarter for Business Intelligence Platforms) בתבנית המוכרת של מרחב ספקים המחולק לארבעה רבעונים, כמו מישור X-Y קרטזי, כאשר הציר האופקי מביע את "החזון" (Vision) והציר האנכי את "היכולת" (Ability to Deliver) של כל שחקן בזירה.
שני מאפיינים מעניינים מושכים את תשומת הלב בהצגה הזאת:
- המון שחקנים חדשים מנסים את כוחם בתחרות. הדומיננטיות של חצי תריסר דינוזאורים אגרסיביים לא מרתיעה חברות קטנות וזריזות מלנסות את כוחן בהפקת מודלים חדשים של פתרונות BI, בחלקן לגומחות שוק ספציפיות וברובן במטרה למשוך את מגזר ה-SMB להשתתף בחגיגה.
- כמעט כל החברות מוצאות את עצמן באחד משני רבעונים:
• הימני העליון, בו תמצאו את החברות הגדולות, שמסוגלות לספק פלטפורמה עשירה, לתמוך בה ולדחוף אותה בשוק, ושבניגוד לסטיגמה לא חסרות דבר בקטע של חזון.
• הרביע השמאלי התחתון, בו מצטופפות רוב השאר, חברות קטנות עם אמביציות מוגבלות, שמעדיפות ישימות קלה על חזון מרהיב, ומחיר נמוך על שליטה בשוק.
זה פיזור מאוד לא רגיל בגרפים מסוג זה והוא מעיד על פיצול מהותי של צד הלקוחות:
• מצד אחד הארגונים הגדולים, ה-Enterprises, בהם מחלקת ה-IT קובעת סטנדרטים, בוחרת ומיישמת פתרונות "חוצי ארגון" ומנסה להכתיב תהליכי עבודה המבוססים על תשתית מידע מאוחדת. במקומות אלה שולטים הפתרונות המערכתיים המסיביים של ה"דינוזאורים", שמעוצבים כ"פלטפורמות" ונזקקים להשלמות שה-IT מפתח במיוחד לכל צורך עסקי.
• בצד השני תמצאו חברות קטנות וארגונים בינוניים, שנאבקים בטכנולוגיה ובדיקטטורה של ה-IT. במגזר הזה המנמ"ר נחשב לכל היותר ל"מנהל רשת" משודרג ומקבלי ההחלטות העסקיות בקושי מקשיבים לו כאשר הם מחפשים פתרון לבעיה לוחצת. הם לא מודאגים מהנושאים של האחדת תשתיות מידע, מתעלמים מהצורך בסטנדרטים ולא מצפים לתחכום מעמיק חדור. די להם בתשובות זריזות לשאלות "אד הוק", כך שהם ירכיבו בעצמם את הפאזל, יסמנו ידנית את התובנות הנחשפות בתמונה, ויפיצו את התוצאה בדו"ח מקורי שלהם.
מי באמת מאמין למכונה?
המומחים קוראים לפתרונות מהסוג השני תוכנות "גילוי נתונים", Data Discovery. הן לא מסוגלות לגלות פנינים באפר - אך גם לא נזקקות למחסני נתונים (Data Warehouses) כדי להביא תועלת. הן לא נועדו לחיפוש עיוור אחרי מגמות שאף אחד לא נתן את ליבו להתפתחותן, אלא לספק סימוכין לתובנות שצצו במוחו של מחבר הדו"ח ועכשיו נשאר לו רק למלא את המספרים במודל הרעיוני שלו.
החולשה של גישה זו מזמינה ביקורת נוקבת: "אתם מחפשים את המטבע מתחת לפנס", "הנתונים נבחרו כדי להתאים למודל - במקום ההיפך", "זו לא תוכנה לתמיכה עובדתית בתהליך קבלת החלטות - זו תוכנה לתמיכה מורלית במקבל ההחלטות". הכל נכון, אך יש לקחת גם את הביקורת עם קמצוץ מלח ספקני. איזה ארגון יכול להרשות לעצמו, באמת, לפעול על בסיס "תובנות מכונה"? ב-80 אחוז מהמקרים, אם לא יותר, הניתוח המתוחכם ביותר יביא לאותה תשובה שהחוקר כמעט בטוח בנכונותה מראש. אז מה רע ב-Data Discovery?
גילוי מידע הוא פעילות שאנו עושים כל הזמן, בין אם מודעים לתווית החדשה שלו ובין אם לא. גם לצורך כתיבת מאמר זה עסקתי במשך שעות בחיפוש, סינון, מיון, חיבור, עריכה וסיכום נתונים ממקורות שונים. האם התהליך קבע מראש את תוצאות הניתוח? אני לא חושב כך. הדוח של גרטנר הגיע אלי כברק ביום בהיר, מספק ציר חדש סביבו חגו הנתונים האחרים וקיבלו מראה חדש. עוד לא נוצרה תוכנת BI, שמסוגלת לבצע את התרגיל המחשבתי הזה, וכנראה שגם לא צריך כזאת. המוח שלנו אינו משתקף בארכיטקטורת הסיליקון של המחשבים ובמחסני הנתונים של ה-BI ולכן לא סביר שהוא ישתכנע ממסכת טיעונים שנוצרה במוח האלקטרוני.
לא לפילוסופים בלבד
הערת אגב: המסקנה הנ"ל נוגעת בשאלות מהותיות של התחום הפילוסופי שנקרא "אפיסטמולוגיה". מה פירוש הדבר "לדעת"? מה באמת אנו יודעים כעובדה ומתי הידיעה שלנו אינה יותר ממודעות לקיומה של "שמועה" או "אמונה"? מה נחשב כ"הוכחה", שקבלתה על ידי בן אדם הגיוני אינה מוטלת בספק, ומתי זו רק דעה סובייקטיבית? למה מה שנראה לי כמסקנה לוגית אמור להתקבל גם אצלכם כתוצאה בלתי נמנעת של הטיעון שהצגתי? המחקר בפסיכולוגיה קוגניטיבית חשף את המנגנון "האמפטי" שממלא תפקיד מפתח ביצירת הבנה והסכמה. כאשר אנו מקבלים הסבר מאדם שאינו נתפס כאויב, פנים-אל-פנים ובריכוז הקשבה, מה שמשכנע אותנו הוא "הרזוננס הקוגניטיבי", התהודה בין שני מנגנוני המחשבה, שמחליפים ביניהם הסכמות כמו האנרגיה האקוסטית המוחלפת בין שני קולנים (Tuning Forks) המכוונים לאותו תדר.
הדובר והמקשיב מתקשרים ביניהם לא רק בערוץ השמע להעברת מידע בצורה מודעת, אלא גם בערוץ תת-הכרתי "הצובע" את המילים בערכים אמוציונאליים ("שפת הגוף"). המערכת האמפטית משכנעת אותנו שהמילים ששמענו הן גם המילים שהיינו חושבים לו התעמקנו כמו הדובר בחקר השאלה. זה הבסיס הביולוגי למכלול התהליכים שנקרא "לימוד" ואת שורשיו אפשר למצוא באבולוציה של יצורים חברתיים זמן רב לפני שנאמרה המילה הראשונה על ידי אם לילדתה. לכן אנשים מוכנים להאמין לכל שטות שנאמרת על ידי מישהו שניחן ב"כריזמה", אבל לא יתייחסו ברצינות לאפשרות של "אינטליגנציה מלאכותית" - גם כאשר זו תוכנה בשם Watson (ממעבדות הלשון של IBM) המנצחת כל מתחרה אנושי במשחק הידע Jeopardy (המתנהל בנוסח: "זו התשובה - מה השאלה?").
עם זאת, אין ספק שלתפיסה הקלאסית של BI יש תפקיד מפתח בהחדרת "תבונה" לתהליכים עסקיים. בעבר התהליכים שנהנו מהתפוקות של המערכת היו אלה שעוסקים בקבלת החלטות אסטרטגיות. החלטות אלה מחייבות שיקול דעת ולכן זמן אמת אינו דרישה מהותית. הן מתקבלות בצמרת הניהול וכן אפשר להשאיר את פרוצדורת הפקת התובנות לטיפולם של מומחים-אנליסטים. ובכל מקרה צוות ההנהלה עתיד להתווכח על המשמעויות, הסיכויים והסיכונים של מה שמוצג לפניהם כ"תובנה עסקית".
השרתים לא מפסיקים לחפור
בתחום הסחר האלקטרוני, Amazon.Com היא דוגמת מופת לשימוש מושכל בתובנות מכונה. באתר הזה הוחלפו הזבנים בפרוצדורות BI אוטומטיות, שלא מפסיקות "לחפור" סביב הגולש ולגלות לו מוצרים שאמורים לפתות אותו. העסק עובד טוב כל כך משום שמלכתחילה עוצבו מערכות ה-IT לנהל את החנות הווירטואלית בצורה "אוטונומית", ללא מעורבות אדם אלא במקרים חריגים לחלוטין. לשם כך הוקמה תשתית נתונים אחודה, כל המערכות מדברות שפה אחת וחולקות גרסה יחידה של מאגר הנתונים, תכונה המאפשרת לייצר למיליוני גולשים חוויית קנייה אישית ומפתה. לדוגמה, כדי להציג את הדף "לקוחות שהתעניינו במוצר זה התעניינו גם במוצרים הבאים..." אין למחולל הדפים של Amazon כל קושי באיסוף המידע ממערכות שונות. הכל נמצא באותו מחסן נתונים וטכניקה פשוטה של Mashup מספיקה כדי לאכלס את הדף במידע ממקורות מגוונים.
גישת ה-Data Discovery אהובה על המשתמשים לא רק בשל הפשטות והמחיר הנמוך. היא גם מספקת את הסחורה המובטחת ולא מבטיחה דברים שאי אפשר לממשם ללא תשתיות מידע כבדות, שהקמתן דורשת הרבה זמן, כוח אדם וכסף. היתרון המשמעותי ביותר נובע מוויתור על הפרק הפרובלמטי ביותר בפרויקט הכנת "מחסן נתונים", הנקרא בפי המקצוענים ETL. ראשי התיבות מייצגים שלושה שלבים בעיבוד המידע הגולמי לפני שהוא נעשה שמיש במסדי נתונים טבלאיים:
• Extract. לחלץ את המידע מתוך המקורות הקיימים. לשם כך נדרשת יכולת סמנטית לגלות נתון על פי ערכו ללא הסתמכות של "תגי תיאור" דוגמת HTML.
• Translate. הנתונים המגיעים ממקורות שונים נזקקים לתרגום אוטומטי לשפה אחידה, כך שלכל ישות (Entity) נוצרת זהות (Identity) קונסיסטנטית ומיוחסים מאפיינים (Attributes) המובנים באותה משמעות, בכל הקשר ועל ידי כל כלי הניתוח וההצגה.
• Load. לאחר שיצרנו רשומות נקיות מסימני שאלה וסתירות פנימיות צריך להכניס את הנתונים למסדים המתאימים, ממוינים על פי האינדקסים הרלוונטיים. רק אחרי ששלב זה הושלם ניתן להתחיל לחפש תשובות במחסן הנתונים על ידי הצלבה של טבלאות, גזירה ויצירת אובייקטים רב-ממדיים.
ללמד את ה-IT לקח
מהתיאור הנ"ל אפשר להבין מה מכביד על ה-BI המסורתי. לפני שאפילו מתחילים בעבודה ממש צריך להשקיע טונות של מחשבה בתכנון מדוקדק, שיבטיח מחסן נתונים העונה לצורכי כל המשתמשים בהווה ובעתיד. זה מהלך המבוצע על ידי אנשי ה-IT, בדרך כלל בליווי יועצים חיצוניים, אך כל המנהלים העסקיים נדרשים לתת לו יד. עבור רבים מהם זו הזדמנות "ללמד את ה-IT לקח" ולהראות "לאינטליגנטים" שהם לא מבינים כלום בעסקים. וכאשר היועץ מעז להתעלם מההתנגדויות של דווקאי עיקש במיוחד - הוא מספק בזאת את התירוץ המושלם מדוע הפתרון לא יכנס לשימוש במחלקה שהנודניק ממונה עליה.
לאחר שהוסכם על ארכיטקטורת מחסן הנתונים מתחיל משחק "פרה עיוורת" במרדף אחרי נתונים אמינים. שלב "השבחת הנתונים" הוא אולי המתסכל ביותר בכל הפרויקט, והחלק המנוגד ביותר לתרבות העבודה בישראל. אנחנו לא אוהבים להתעסק "בקטנות", לרדוף שגיאות אנוש, לתקן טעויות שרק למחשבים אכפת מהן, ולבדוק מה עוד יכול להפריע למכונה לעבוד עם הזבל הגולמי שהאכלנו אותה. לאמיצים שממשיכים הדרך רק נעשית תלולה וממוקשת יותר. שלב ה-Translate הוא אינטנסיבי בדרישות כוח אדם, משום שהטעויות אותן עלינו לסנן נוצרו משגיאות תרגום אוטומטי.
מי שהגיע לשלב ה-Load כבר רואה את האור בקצה המנהרה. מכאן והלאה האתגר עובר לפיתוח היישומים שעושים שימוש במחסן הנתונים. בחבילות הקרויות "פלטפורמות" קיים עושר מדהים של כלים ומתודות ניתוח, שניתן להשתמש בהם כמעט ללא כתיבת קוד. תוכנות "הלחנה" (Composition) יוצרות סביבת פיתוח יישומים "ויזואלית" בה העכבר, ולא המקלדת, ממלא תפקיד מרכזי. פתרון נוצר על ידי "גרירה" של הטבלאות הרלוונטיות, תיאור גרפי של תהליך העבודה, שיבוץ פונקציות אנליטיות בצמתים הנכונים ובחירת מטפורות לתצוגה. אך זו תהייה נאיביות להאמין שכל עובד משרד מסוגל למצוא את דרכו בלי סיוע צמוד של מומחה BI.
לא מוציאים את האדם מה-Loop
לעומת זאת, השימוש בפתרונות Data Discovery אינו מניח דבר על קיום מכנה משותף לשוני או מהותי בין מקורות המידע. האיסוף נעשה אוטומטית, אך רוב השלבים הבאים בתהליך האינטגרציה נזקקים למעורבות ולכושר השיפוט של עורך הדו"ח. הוא יקבע מה החלקים הרלוונטיים, איך למזג אותם עם נתונים שנקצרו ממסמכים אחרים, איך לזהות סתירות ולסלק שגיאות וכדומה. התוכנות בסך הכל מספקות לו כלי עבודה יעילים אבל לא חוסכות ממנו לעבור את שלב "השבחת הנתונים", ואת התוצאה הוא שולח למסד הנתונים הפרטי שלו, לא למחסן הכללי. לא מעניין אותו אם השיטה שהוא בחר לניתוח עונה לקריטריונים של מנהל ה-IT או לטעמו של האנליסט הבכיר של החברה. וזה גם לא חשוב. משום שהוא בסך הכל מנסה לחבר דו"ח משכנע, שיתמוך בתובנות שהוא כבר גיבש לעצמו, ועכשיו עליו להעבירן כהחלטות הנהלה.
תפיסת ה-Data Discovery מקבלת חיזוקים משתי מגמות פופולריות בשנים האחרונות. יצירה ושיתוף תכנים בסגנון Web 2.0 ומחשוב ענן. מעצם העובדה שהמתודה מתבססת יותר על שיפוט ערכי-סובייקטיבי ולא על אנליזה נומרית-אובייקטיבית, נפתחת הדלת לשיתופי פעולה והחלפת דעות בתוך המסגרת המחקרית. לדוגמה, צוות מולטי-דיסציפלינרי יכול לחלק בין חבריו את הטיפול באספקטים שונים של תוכנית אסטרטגית, כאשר כל אחד לחוד עוסק בגילוי, איסוף, ריכוז ומיצוי מידע בתחום שתחת אחריותו. במקביל, אנשי הצוות מעבירים מאחד לשני תוצאות ביניים, הנחות עבודה, הצעות והסתייגויות, שיכנסו ל-Mashup הסופי ויצרו שלם הגדול מסכום חלקיו.
להרים את הראש לענן
תהליך עבודה כמתואר לעיל יפיק תועלת מרבית משימוש בפלטפורמת שירות ענן, הזמינה כפתרון SaaS. מעצם העובדה שהתהליך כולו מבוצע ללא שיתוף ה-IT, אלא כיוזמה מחלקתית-עסקית, נובע שלא כדאי להשקיע ברכישת היישום והתקנתו. צריך לזכור שמדובר בטכנולוגיה לא בשלה, שעוד עוברת שינויים בקצב מואץ, ובמיוחד לא גובשה מתודה סטנדרטית להטמעה בתהליכי עבודה מקובלים. לא כדאי להיתקע עם פתרון שלא מתפתח בכיוון שהעסק היה רוצה לראות ומוטב לשמור על הגמישות של רכישת שירות מקוון On Demand. ואכן, עבור מגזר ה-SMB לפחות, מסתמנת העדפה לפתרונות BI "קלים", מבוססי Data Discovery, הנגישים כ-SaaS בענן המחשוב המתפתח מעל ראשינו.
