Meda conference presentation, adir even

728 views
665 views

Published on

Published in: Education
0 Comments
0 Likes
Statistics
Notes
  • Be the first to comment

  • Be the first to like this

No Downloads
Views
Total views
728
On SlideShare
0
From Embeds
0
Number of Embeds
21
Actions
Shares
0
Downloads
3
Comments
0
Likes
0
Embeds 0
No embeds

No notes for slide

Meda conference presentation, adir even

  1. 1. ‫לחשוב מחוץ לקופסה, או בתוכה?‬ ‫שילוב מנגנוני המלצה במערכות בינה עסקית‬‫‪Ben Gurion University of the Negev‬‬ ‫ד"ר אדיר אבן‬ ‫המחלקה להנדסת תעשייה וניהול‬ ‫אוניברסיטת בן-גוריון בנגב‬
  2. 2. ‫רקע‬ ‫המחלקה להנדסת תעשיה וניהול‬ ‫אוניברסיטת בן גוריון בנגב‬ ‫• מוערכת כאחת המובילות בעולם‬ ‫• נוסדה ב-9691‬ ‫• 53 חברי סגל‬ ‫• כ-008 חברי סגל‬ ‫• כ-0021 סטודנטים‬ ‫• כ-000,02 סטודנטים ב-3 קמפוסים‬ ‫• רב-תחומית: ניהול הייצור, גורמי‬ ‫• בעלת קצב הגידול הגבוה בארץ‬ ‫אנוש, חקר ביצועים, מערכות מידע,‬ ‫במספר סטודנטים, קליטת סגל‬ ‫מערכות נבונות‬ ‫ופעילות מחקרית‬ ‫ד"ר אדיר אבן‬ ‫• חבר סגל במחלקה מאז פברואר, 8002‬ ‫• תחומי מחקר והוראה: בינה עסקית, מחסני נתונים,‬ ‫מערכות תומכות החלטה, ניהול איכות נתונים‬‫1102/3/1‬ ‫2‬
  3. 3. ‫מחקרי בינה עסקית‬ ‫•יצירת ערך עסקי וארגוני מהשימוש במערכות ‪BI‬‬ ‫•שיקולי עלות-תועלת בהשקעה בתשתיות ‪BI‬‬ ‫משתמש הקצה‬ ‫הארגון / עסק‬ ‫•התמודדות עם מרחב‬ ‫‪BI‬‬ ‫נתונים גדול ותהליכי‬ ‫החלטה מורכבים‬ ‫•עיצוב תשתיות נתונים‬ ‫•התאמת כלי ה-‪BI‬‬ ‫מערכות‬ ‫וטכנולוגיות ‪ BI‬חדשניות‬ ‫לצרכי המשתמש‬ ‫וטכנולוגיות מידע‬ ‫•כלים ומתודולוגיות לניהול‬ ‫איכות נתונים‬‫1102/3/1‬ ‫3‬
  4. 4. ‫התפוצצות נתונים‬ ‫בעיה כואבת‬ ‫שמן הסתם רק תלך‬ ‫ותחמיר בשנים הקרובות...‬‫1102/3/1‬ ‫4‬
  5. 5. ‫דוגמא:‬ ‫התפוצצות נתונים בתקשורת הסלולארית‬ ‫צפי לגידול של 36‪ x‬בכמות הנתונים ברשתות הסלולאריות בין 0102 ל-5102‬ ‫(תחזית של חברת ‪)Cisco‬‬‫1102/3/1‬ ‫5‬
  6. 6. ‫התפוצצות נתונים – היכן נעוצה הבעיה?‬ ‫כמות הנתונים העולמית צפויה‬ ‫לגדול למעל ‪ 30 Zb‬עד 0202‬ ‫• ‪1 Zb = 1021 Byte‬‬ ‫•מכפיל גודל של כ- 44‪ X‬ב-01 שנים‬ ‫מה המשמעות‬ ‫הצפי: מרבית הגידול תהיה‬ ‫לעולם ה - ‪? BI‬‬ ‫בנתונים מובנים‬ ‫•תקשורת סלולארית‬ ‫•מידע קליני‬ ‫•סחר אלקטרוני, ו- ‪Web Analytics‬‬ ‫•רשתות חברתיות, וכלי 0.2 ‪Web‬‬ ‫•‪RFID‬‬ ‫•‪ GPS‬ומדידות סביבה אחרות‬ ‫תחזית מ-9002 של ‪,J. Tucci‬‬ ‫•ועוד...‬ ‫מנכ"ל ‪EMC Corporation‬‬‫1102/3/1‬ ‫6‬
  7. 7. ‫התפוצצות הנתונים: המשמעות לעולם ה-‪BI‬‬ ‫השקעה גדלה בניהול נתונים‬ ‫קושי‬ ‫• רכישת נתונים‬ ‫הולך‬ ‫• טכנולוגיות אחסון‬ ‫וגובר‬ ‫• ניהול ותחזוקה‬ ‫להפיק‬ ‫• שיפור איכות‬ ‫התפוצצות‬ ‫תועלת‬ ‫הנתונים‬ ‫מהנתונים‬ ‫אתגרים משמעותיים לשימוש בנתונים‬ ‫• עליה ברמת התחכום‬ ‫ומכלי‬ ‫• עומס קוגניטיבי וויזואלי‬ ‫הבינה‬ ‫• צורך בתיעוד ופרשנות‬ ‫העסקית!‬ ‫• אוטומציה של תהליכי הניתוח‬ ‫ובכל זאת ... מאגרי הנתונים אוצרים בתוכם ידע בעל ערך עסקי קריטי !‬ ‫כיצד נוכל להמשיך ולהבטיח שימוש יעיל ואפקטיבי בהם, למרות התפוצצות הנתונים?‬‫1102/3/1‬ ‫7‬
  8. 8. ‫הגישה המוצעת:‬ ‫הערכת פוטנציאל התועלת ותעדוף‬ ‫האם כל הנתונים חשובים לנו באותה המידה?‬ ‫"לא כל הנתונים‬ ‫נוצרו שווים..."‬ ‫לנתונים מסוימים יש פוטנציאל תועלת רב יותר מאשר לאחרים!‬‫9002 ,2 .‪Dec‬‬ ‫8‬
  9. 9. ‫למה חשוב להעריך תועלת ולתעדף?‬ ‫מאמצי ניהול נתונים ממוקדים יותר‬ ‫•‬ ‫השקעה מושכלת בטכנולוגיות וכלים‬ ‫•‬ ‫עלות‬ ‫תעדוף‬ ‫__________________________‬ ‫גדלה‬ ‫חסכון בעלויות‬ ‫התפוצצות‬ ‫נתונים‬ ‫המלצות לשימוש מושכל ואפקטיבי‬ ‫•‬ ‫מיקוד תשומת הלב לפרטים החשובים‬ ‫•‬ ‫אתגרי‬ ‫תעדוף‬ ‫__________________________‬ ‫שימוש‬ ‫הגברת התועלת‬‫1102/3/1‬ ‫9‬
  10. 10. ‫שילוב מנגנוני המלצה בכלי בינה עסקית‬ ‫מנגנוני המלצה:‬ ‫•כלים ויזואליים, המכוונים את משתמש הקצה לשימוש ממוקד יותר בכלי ה-‪BI‬‬ ‫•הפניית תשומת לב המשתמש לנתונים חשובים, בעלי תועלת פוטנציאלית גבוהה‬ ‫•"ההגה בידי המשתמש" – המטרה היא להמליץ למשתמש, לא להחליט במקומו‬ ‫מנגנוני המלצה נפוצים מאוד כיום באתרי אינטרנט‬ ‫על סמך רכישותינו הקודמות‬ ‫על סמך חוות הדעת של אחרים‬‫1102/3/1‬ ‫01‬
  11. 11. ‫שילוב מנגנוני המלצה בכלי ‪OLAP‬‬ ‫כלי ‪ OLAP‬מאפשרים תחקור מקוון של נתונים:‬ ‫לקוחות‬ ‫• מה מסביר את הירידה המתמדת ברווחיות בארבע השנים האחרונות?‬ ‫• באילו פלחי שוק ומוצר כדאי להתמקד על מנת לשפר את הביצועים?‬ ‫נשמע פשוט?‬ ‫"קללת‬ ‫לא כל כך, אם...‬ ‫המימד"‬ ‫501 צירופים אפשריים‬ ‫יש לנו 000,001 לקוחות‬ ‫•‬ ‫ימי עסקים‬ ‫801צירופים אפשריים‬ ‫להם אנו מוכרים 0001 מוצרים‬ ‫•‬ ‫עובדים‬ ‫0101צירופים אפשריים‬ ‫ב- 001 סניפים‬ ‫•‬ ‫3101 צירופים אפשריים‬ ‫בעזרת 0001 עובדים‬ ‫•‬ ‫סניפים‬ ‫6101צירופים אפשריים‬ ‫על פני 0001 ימי עסקים‬ ‫•‬ ‫מוצרים‬ ‫וכן הלאה...‬ ‫ככל שמרחב הנתונים גדול יותר -‬ ‫כלומר, ככל שמספר המימדים, הקטגוריות, והצירופים רב יותר -‬ ‫קוביות ה-‪ OLAP‬הופכות למורכבות יותר, ולעיתים אף לבלתי שמישות !‬‫1102/3/1‬ ‫11‬
  12. 12. ‫שילוב מנגנוני המלצה בכלי ‪OLAP‬‬ ‫מנגנוני המלצה ככלי עזר ל"ניווט" בקוביות נתונים מורכבות‬ ‫• על פי אילו מימדים כדאי לפלח?‬ ‫‪OLAP‬‬ ‫מונחה‬ ‫• באילו קטגוריות מימד כדאי להתמקד?‬ ‫המלצות‬ ‫לבעלי תואר ראשון עם הכנסה‬ ‫גבוהה הגרים בדרום יש פוטנציאל‬ ‫קניה גבוה שעדיין לא מומש‬ ‫גבוהה‬ ‫בינונית‬ ‫נמוכה‬ ‫תואר‬ ‫תואר‬ ‫תיכונית‬ ‫מתקדם‬ ‫ראשון‬‫1102/3/1‬ ‫21‬
  13. 13. ‫שילוב מנגנוני המלצה בלוחות מחוונים‬ ‫את זה לא‬ ‫קל להבין...‬ ‫"מרוב מדדים לא‬ ‫רואים את היער"‬ ‫ארגונים רבים מנהלים "עצי מדדים"‬ ‫ובהם עשרות אם לא מאות מדדי‬ ‫ביצוע‬ ‫בסביבות בקרה תפעוליות - אנו‬ ‫מתמודדים לעיתים עם סדרי גודל‬ ‫של אלפי מדדים ...‬‫1102/3/1‬ ‫31‬
  14. 14. ‫שילוב מנגנוני המלצה בלוחות מחוונים‬ ‫מנגנוני המלצה ככלי עזר למיקוד ותעדוף מאמצים ארגוניים‬ ‫• אילו מדדים ראויים לתשומת לב גבוהה יותר?‬ ‫• אילו מדדים מצביעים על צורך בפעולה מיידית?‬ ‫לוח מחוונים דינאמי עם מנגנוני המלצה‬ ‫לוח מחוונים ללא מנגנוני המלצה‬ ‫•צמצום מספר המדדים המוצגים‬ ‫•הצגת כל המדדים‬ ‫•משקל גבוה למדדים הדורשים תשומת לב‬ ‫•ייצוג "דמוקרטי", משקל ויזואלי שווה לכולם‬‫•עדכון תקופתי, בהתאם לשינוי בערכי המדדים‬ ‫•בלתי משתנה עם הזמן‬‫1102/3/1‬ ‫41‬
  15. 15. ‫שאלת מיליון הדולר...‬ ‫משימה לא‬ ‫פשוטה ...‬ ‫כיצד נעריך את התועלת‬ ‫הפוטנציאלית של הנתונים?‬ ‫התועלת משתנה בזמן‬ ‫התועלת תלוית הקשר‬ ‫נתונים בעלי ערך נמוך בנקודת זמן‬ ‫נתונים חסרי ערך בהקשר עסקי אחד,‬ ‫כלשהי, עשויים להיות חשובים‬ ‫עשויים להיות בעלי ערך בהקשר‬ ‫מאוחר יותר‬ ‫עסקי אחר‬ ‫חישוב התועלת כרוך בקושי טכני‬ ‫התועלת תלויה במשאבים משלימים‬ ‫מרחבי ערכים גדולים ומורכבים,‬ ‫יכולת כלכלית לממש את התועלת,‬ ‫חוסר בנתונים מתאימים, עומס‬ ‫ו"הון אנושי" – ידע, מיומנות,‬ ‫חישובי ניכר‬ ‫תובנות, והבנה עסקית‬‫9002 ,2 .‪Dec‬‬ ‫51‬
  16. 16. ‫הערכת תועלת הנתונים ותעדוף –‬ ‫כיצד ניתן לעשות זאת?‬ ‫שיתוף תובנות עסקיות‬ ‫פרופיל משתמש ומשימה‬ ‫•תיעוד נתונים ומידע שהובילו‬ ‫•אילו נתונים נחוצים לביצוע מוצלח‬ ‫לתוצאות רצויות‬ ‫יותר של המשימה ?‬ ‫•שילוב כלי ניהול ידע, בלוגים,‬ ‫•אילו נתונים צפויים להביא תועלת‬ ‫רשתות חברתיות וכד‬ ‫רבה יותר למשתמש?‬ ‫מעקב אחר שימוש בנתונים‬ ‫ניתוח ו"כריית" הנתונים‬ ‫•באילו חתכי נתונים נעשה שימוש‬ ‫•האם ניתן לזהות בנתונים תבניות‬ ‫רב יותר, ובאילו פחות ?‬ ‫מעניינות ובלתי שגרתיות ?‬ ‫•אילו חתכי נתונים הובילו בפועל‬ ‫•שימוש בטכניקות אנליטיות‬ ‫להחלטות טובות יותר ?‬ ‫וסטטיסטיות מתקדמות‬ ‫61‬‫1102/3/1‬
  17. 17. ‫המלצות מבוססות על מעקב מונחה-ערך‬ ‫אחר שימוש בנתונים (*)‬ ‫הנחה: נתונים שנעשה בהם שימוש תדיר ותכוף יותר,‬ ‫הם בסבירות רבה בעלי ערך עסקי רב יותר‬ ‫דרך מקובלת למעקב אחר שימוש: פריסת שאילתות‬ ‫•ובהתאמה – "סימון" התאים בהם "נוגעת" כל שאילתא‬ ‫...‬ ‫...‬ ‫...‬ ‫...‬ ‫•‬ ‫… ‪SELECT‬‬ ‫...‬ ‫...‬ ‫...‬ ‫...‬ ‫מעקב שימוש‬ ‫•‬ ‫…‪SELECT‬‬ ‫...‬ ‫...‬ ‫...‬ ‫...‬ ‫מונחה‬ ‫•‬ ‫…‪SELECT‬‬ ‫...‬ ‫...‬ ‫...‬ ‫...‬ ‫תדירות‬ ‫•‬ ‫…‬ ‫...‬ ‫...‬ ‫...‬ ‫...‬ ‫...‬ ‫...‬ ‫...‬ ‫...‬ ‫היתרון: מיפוי נתונים שנעשה בהם‬ ‫החיסרון: "חפירה לאותה באר"‬ ‫שימוש תכוף יותר, לצורך תעדוף‬ ‫(*) מבוסס על עבודת המאסטר של יואב קולודנר, בוגר תואר שני במחלקה להנדסת תעו"נ‬‫1102/3/1‬ ‫המחקר נערך בתמיכה ובמימון של מעבדות המחקר של מיקרוסופט, ישראל‬ ‫71‬
  18. 18. ‫מעקב שימוש מונחה ערך‬ ‫נניח עתה שאנו יודעים לקשר שאילתות להחלטות שהתקבלו בעקבותיהן‬ ‫•ובהתאמה – ניתן משקל גבוה יותר לשאילתות שהובילו להחלטות טובות יותר‬ ‫משקל יחסי המשקף את‬ ‫...‬ ‫...‬ ‫...‬ ‫...‬ ‫איכות ההחלטה (01-0)‬ ‫...‬ ‫...‬ ‫...‬ ‫...‬ ‫•‬ ‫)2( ‪SELECT‬‬ ‫...‬ ‫...‬ ‫...‬ ‫...‬ ‫מעקב שימוש‬ ‫...‬ ‫...‬ ‫...‬ ‫...‬ ‫•‬ ‫)9( ‪SELECT‬‬ ‫מונחה ערך‬ ‫...‬ ‫...‬ ‫...‬ ‫...‬ ‫•‬ ‫)4( ‪SELECT‬‬ ‫...‬ ‫...‬ ‫...‬ ‫...‬ ‫•‬ ‫…‬ ‫היתרון:הדגשה מוגברת של נתונים‬ ‫שהובילו להחלטות עסקיות מוצלחות‬ ‫...‬ ‫...‬ ‫...‬ ‫...‬ ‫...‬ ‫...‬ ‫...‬ ‫...‬ ‫...‬ ‫...‬ ‫...‬ ‫...‬ ‫...‬ ‫...‬ ‫...‬ ‫...‬ ‫מפת שימוש שונה מהותית לעומת‬ ‫...‬ ‫...‬ ‫...‬ ‫...‬ ‫מעקב מונחה תדירות‬ ‫...‬ ‫...‬ ‫...‬ ‫...‬‫1102/3/1‬ ‫81‬
  19. 19. ‫ניסוי: האם מנגנוני ההמלצה אכן משפרים‬ ‫את קבלת ההחלטות?‬ ‫המשימה: "היו אתם מנהלי השיווק..."‬ ‫•ניתוח רכישות העבר של הלקוחות, למציאת פלחי שוק מבטיחים‬ ‫•תחקור נתונים בעזרת כלי ‪OLAP‬‬ ‫•002 נבחנים, סטודנטים במחלקה להנדסת תעו"נ‬ ‫+05‬ ‫+05‬ ‫05-53‬ ‫05-53‬ ‫53-81‬ ‫53-81‬ ‫מפגש ראשון: כלי ‪" OLAP‬סטנדרטי"‬ ‫•6 חזרות, כאשר בסיום כל חזרה ניתן ציון על איכות הביצוע‬ ‫•מעקב אחר השימוש בנתונים ובכלי‬ ‫•יצירת מפות שימוש בהתאם (מפת תדירות + מפת ערך)‬ ‫מפגש שני: כלי ‪ OLAP‬עם מנגנוני המלצה‬ ‫•קבוצה א: המלצות מבוססות על מפת תדירות השימוש‬ ‫•קבוצה ב: המלצות מבוססות על מפת ערך השימוש‬ ‫•קבוצת בקרה: המשך עבודה עם כלי "סטנדרטי" ללא המלצות‬‫1102/3/1‬ ‫91‬
  20. 20. ‫האם ההמלצות משפיעות על איכות ההחלטות?‬ ‫קבוצת בקרה – ללא המלצות:‬ ‫איכות‬ ‫ההחלטה‬ ‫•שיפור משמעותי בין המפגש‬ ‫הראשון למפגש השני‬ ‫•עקומת לימוד – התמקצעות‬ ‫בכלי, הנובעת מהתנסות חוזרת‬ ‫קבוצה א - המלצות מבוססות תדירות:‬ ‫•שיפור משמעותי‬ ‫•אבל – לא גבוה בהרבה‬ ‫מהשיפור של קבוצת הבקרה‬ ‫קבוצה ב - המלצות מבוססות ערך:‬ ‫•שיפור משמעותי‬ ‫•גבוה בהרבה מהשיפור של‬ ‫שתי הקבוצות האחרות‬ ‫מפגש ראשון‬ ‫מפגש שני‬‫1102/3/1‬ ‫02‬
  21. 21. ‫האם ההמלצות משפיעות על סגנון‬ ‫השימוש בכלי?‬ ‫"‪ :"Click Stream‬מעקב אחר‬ ‫קבוצת בקרה – ללא המלצות:‬ ‫עוצמת‬ ‫מספר פעולות הפילוח‬ ‫הניווט‬ ‫שהמשתמש ביצע בעזרת בכלי‬ ‫• ירידה משמעותית בעוצמת הניווט‬ ‫(מספר ה"קליקים")‬ ‫•התמקצעות בכלי, התנסות חוזרת‬ ‫קבוצה א - המלצות מבוססות תדירות:‬ ‫• ירידה משמעותית בעוצמת הניווט‬ ‫•ירידה חדה יותר לעומת קבוצת‬ ‫הבקרה‬ ‫קבוצה ב - המלצות מבוססות ערך:‬ ‫• ירידה משמעותית בעוצמת הניווט‬ ‫•ירידה חדה יותר לעומת שתי‬ ‫הקבוצות האחרות‬ ‫מפגש ראשון‬ ‫מפגש שני‬‫1102/3/1‬ ‫12‬
  22. 22. ‫פרוייקטי מחקר נוספים במחלקה‬ ‫תיעוד ושיתוף תובנות עסקיות‬ ‫•בניית תשתית ‪ Metadata‬לאגירת התובנות‬ ‫•שילוב התובנות בממשקי הקצה‬ ‫פרופיל משתמש ומשימה‬ ‫•מעקב וסגמנטציה, על פי מאפייני השימוש והנתונים הנצרכים‬ ‫•המלצות על סמך שימוש קודם ו/או דמיון למשתמשים אחרים‬ ‫ניתוח הנתונים‬ ‫•פיתוח מדדים לאפיון עניין ותועלת עסקית‬ ‫•שימוש בכריית נתונים לאפיון תופעות לא שגרתיות‬ ‫•ניתוח סדרות זמן לאיתור והצפת התנהגויות חריגות‬ ‫המחקרים מתבצעים ע"י סטודנטים לתואר שני ושלישי‬ ‫•‬ ‫מחקרים אינטר-דיסציפלינאריים, בהנחיה משותפת של חברי סגל מתחומי ידע שונים: בינה עסקית,‬ ‫•‬ ‫כריית נתונים, מכונות לומדות, סטטיסטיקה, ארגונומיה, ניהול ידע, וכלכלת מידע‬‫1102/3/1‬ ‫22‬
  23. 23. ‫צורות התקשרות אפשריות‬ ‫מימון שיתוף פעולה מחקרי‬ ‫•צוותי מחקר משותפים, בנושאים חשובים ומעניינים לארגון‬ ‫•תמיכה בעבודת מחקר הנעשית במסגרת תואר שני או שלישי‬ ‫הנחיית סטודנטים לתארים מתקדמים‬ ‫•תוך שמירה על משרה בהיקף חלקי בארגון‬ ‫פרויקטי גמר, לסטודנטים בשנה ד‬ ‫•פרויקטים ממוקדים, בעלי אופי יישומי‬‫1102/3/1‬ ‫32‬
  24. 24. ‫תודה‬ ‫ד"ר אדיר אבן (‪)adireven@bgu.ac.il‬‬ ‫המחלקה להנדסת תעשייה וניהול‬ ‫אוניברסיטת בן-גוריון בנגב‬‫1102/3/1‬ ‫42‬

×