ביג דאטה או ביג חארטה?


מאז ומתמיד, עולם ה- IT נוהג להמציא ביטויים חדשים עם שמות מפוצצים. לעיתים מדובר ברעיונות ישנים שקיבלו מתיחת פנים ושם חדש וקליט ולעיתים באמת מדובר בחידושים מהפכניים.

בין הביטויים הללו ניתן למצוא:
מחסני נתונים (Data Warehouse) – אחסון נתונים דינאמי ממערכות מידע שונות בארגון)
(BI (Business Intelligent – קבלת החלטות עסקיות בהתבסס על מידע)
ביג דאטה (Big Data – אחסון, ניהול ואחזור של מידע עצום)
מערכות ניהול קמפיינים (Campaign Management)
Social CRM (מבוסס רשתות חברתיות) ועוד …

הטמעת כל אחת מהמערכות הללו בארגון לוקחת זמן רב ועולה המון כסף (עשרות עד מאות אלפי דולרים לכל אחת מהמערכות הללו).
אולם, לפחות בישראל הניסיון מראה כי הימצאותם של כלים טכנולוגיים עתירי יכולות ברשותם של ארגונים, אינה בהכרח ערובה להצלחה עסקית של אותם ארגונים, (ובמאמר מוסגר לאו דווקא משפרת את שביעות הרצון כתוצאה מהשירות הניתן לנו על ידי אותם ארגונים ואינה בהכרח מובילה לשיפור נאמנותנו). המציאות העגומה היא כי בישראל ניתן למצוא מעט מאוד דוגמאות לשימוש נכון ומוצלח באמת בכלים הללו. במקרה הטוב הארגונים לא מנצלים את הפוטנציאל הגלום בכלים אלו ובמקרה הגרוע הפרויקטים השאפתניים הללו נכשלים.
מדוע, ארגונים שברשותם כלים כל כך חזקים, אינם מצליחים להפיק תועלות משמעותיות מהשימוש בכלים אלו? איפה הכשל? התשובה מורכבת ממספר גורמים, מתוכם אדגיש שני “חשודים מידיים”:

  • ארגונים רבים חסרי הבנה בסיסית בתהליכים העסקיים: הנפשות הפועלות אינן מבינות כיצד לנהל דיאלוג הוליסטי אפקטיבי עם לקוחות הקצה, חסרי יכולת ניהולית להוציא אל הפועל תהליכים חוצי ארגון ואינם מסוגלים להפיק תועלות עסקיות מה-output של הכלים הטכנולוגיים הללו. חלק מזה אף קשור במאבק עתיק יומין בין חטיבות שונות בתוך הארגון – מערכות המידע והשיווק באשר לשאלה – בבעלותו ואחריותו של מי תהיה הובלת התהליכים.
  • במרבית הארגונים, המידע ממנו “ניזונות” המערכות הללו נשען על המערכות התפעוליות שהן מערכות הליבה, אשר המידע האצור בהן שגוי בדרגות שונות. התבססות על מידע שגוי, חלקי, מוטעה או חסר והצגתו כ”תורה מסיני” בדוחות, גרפים ו- dashboards אינה הופכת אותו לנכון! כלומר הארגון מקבל החלטות על סמך כלים אלה, אך הוא כנראה לא מקבל את ההחלטות הנכונות… איכות נתונים מקבלת מקום של כבוד כאחת מהסיבות המשמעותיות ביותר לכישלון פרויקטים בתחומים הללו.

בשורה התחתונה: מידע שגוי = הפסד כסף!
על פי מחקר של DWH Institute) TDWI) שפורסם לפני למעלה מעשור – טרום עידן התפוצצות המידע – בארה”ב בלבד נגרם הפסד שנתי של שש מאות מיליארד דולר בשנה, כתוצאה ממידע באיכות נמוכה או לא מדויק. הפסדים אלה תפחו בסדרי גודל מאז ועד היום! הערכות מהתקופה האחרונה מדברות על כלל אצבע המעריך כי 45%-15% מהעלויות התפעוליות של ארגונים מתבזבזת כתוצאה מבעיות של איכות נתונים.

מהן בעיות איכות נתונים?

בכל מערכת המאחסנת נתונים קיימות בעיות איכות נתונים… אבל כיצד הן נוצרות?

החיים הם דינאמיים ומשתנים מעת לעת. אנחנו מתבגרים, עוברים דירות וכתובות, מחליפים מספרי טלפון, מחליפים מקומות עבודה, רוכשים השכלה ומקצועות, אנחנו מתאהבים, מתחתנים ונולדים לנו ילדים. במרוצת הזמן אנחנו קונים מוצרים ומקבלים שירותים מגופים שונים: בהם חברות, עסקים ומוסדות. הנתונים אודותינו נאגרים בבסיסי הנתונים ומערכות המידע שלהם.
החדשות הרעות הן שהמידע הזה לאו דווקא מעודכן… לכאורה עניין של מה בכך. האמנם??
כתוצאה מאיכות נתונים ירודה, לכולנו, כלקוחות נגרם נזק, בזבוז זמן והפסד כספי מאחר ואותם ארגונים לא מצליחים להשיג אותנו בטלפון, בדואר הרגיל או הדוא”ל, או שאנו לא מקבלים את מה שמגיע לנו (הנחה, זכאות או הטבה), בגלל שהמידע אודותינו אינו מלא, אמין או מעודכן במערכות המידע של אותם ארגונים!

בעיות איכות נתונים הן רבות ומגוונות ונפוצות בנתוני הלקוחות, נתוני מוצרים ושירותים, נתונים כספיים, תפעוליים, שירותיים ועוד. למעשה, בכל מקום בו תימצא מערכת מידע, צפוי כי תימצאנה בעיות איכות נתונים…
בעיות איכות נתונים נוצרות ממגוון סיבות:

  • הזנת נתונים שאינם מתוקננים שתגרום לריבוי ערכים בעלי אותה משמעות ותוביל להצגת ערכים שגויים במערכות הנזכרות למעלה. לדוגמא: הזנת אותו ישוב עם מספר ערכים רב, או הזנת אותו מוצר עם ערכים שונים.
  • מידע שגוי כתוצאה מטעויות בהזנת נתונים. לדוגמא: הזנת פרטי לקוח עם מספר זהות שגוי ; מידע לא מאומת. לדוגמא: הזנת פרטי לקוח עם מספר זהות נכון ושם שגוי.
  • חישובים לא נכונים על נתוני לקוחות ושדות מחושבים. לדוגמא: חישוב זכאות חשבונאית ללקוח בהתבסס על גיל שגוי תגרע מהתנאים המגיעים ללקוח בהתבסס על גילו.
  • מידע שנפגם כתוצאה מהסבת מערכת מידע או ממיזוג נתונים שגוי ממערכות וגופים אחרים. לדוגמא: מידע שלא עבר בין מערכות מידע עקב אילוץ המערכת המקבלת, מידע שנקצץ כדי להתאימו למערכת המקבלת ועוד. ואלו הן רק חלק מבעיות איכות הנתונים

הממונה על שוק ההון ביטוח וחסכון במשרד האוצר, פרופסור עודד שריג, הוציא בזמנו חוזר לטיוב נתוני זכויות עמיתים והתקין תקנות ונהלים לאיתור עמיתים ומוטבים כולל איתור מנותקי קשר ודורש כעת מהגופים המנהלים את כספי הפנסיה וקרנות הנאמנות של כולנו, לטייב את נתוני העמיתים (כולנו…) וכותב להם כך: “…. בסיס נתונים שלם ואמין מהווה רכיב מרכזי ביכולת התפעול והניהול של גוף… בפרט, הסתמכות על מידע שאינו מאומת או אינו שלם עשויה להוביל לחוסר וודאות…” וממשיך:  “קיימת חשיבות רבה לכך שגוף… ינהל את המידע … בצורה שתאפשר להציגו באופן שלם ואמין”

כלומר, לארגונים עסקיים וללקוחות הפרטיים גם יחד קיים אינטרס מובהק לשיפור איכות הנתונים וטיובם!

איך מטפלים בבעיות איכות נתונים בארגונים?

השיטה הנפוצה והקלה ביותר היא … פשוט לא לטפל… כלומר ט.ל.ח – טעות לעולם חוזרת – שמונצחת והארגון חוזר עליה שוב ושוב. לדוגמא: להמשיך ולדוור לכתובות שגויות למרות שהארגון היה יכול (לו היה פועל נכון), לא לדוור לכתובות השגויות שוב ושוב. לעיתים במודע ארגונים לא מטפלים בבעיה כי אף אחד לא צועק. כלומר יעדיפו לטפל בבעיה כשהלקוח יתלונן על בעיה. אף מנמ”ר (מנהל מערכות מידע) לא אוהב שאומרים לו שהמידע הארגוני שעל איכותו הוא (כנראה) אחראי, שגוי …
ישנם ארגונים שהבינו את חשיבות העניין והתועלת הכלכלית המובטחת ומובילים פרויקטים לטיוב הנתונים, ממנים אנשים האחראים על תחום איכות הנתונים ומקיימים פעולות אקטיביות שתכליתן שיפור איכות המידע. בארגונים אחרים, מי שמעוררים את הצורך הם דווקא המשתמשים במידע (שיווק, מכירות).

פרויקט טיוב נתונים צריך לקחת בחשבון כי אין מדובר רק בתהליך טכני של טכנאות מידע, אלא בפרויקט שיש לו השפעה והשלכה כוללת על פעילות הארגון, ולכן חשוב לבחור ספק מנוסה המלווה את הלקוח ומייעץ לו לגבי ההשלכות הכרוכות בביצוע מהלך טיוב נתונים. בפרויקט כזה יהיו מעורבים בד”כ גורמים ממערכות מידע, מהמחלקה המשפטית, משירות לקוחות שיווק וכו’.

מקורות לקריאה נוספת:

מחקר TDWI
Big Data
Social CRM
Data Warehouse
חוזר הממונה לטיוב נתוני עמיתים
נוהל איתור עמיתים ומוטבים




יש לכם שאלה שקשורה למאמר?

לחצו כאן למעבר לדף יצירת הקשר

תוכן המאמר היה מעניין או עזר לכם? שתפו אותו