Meda conference presentation, adir even
Upcoming SlideShare
Loading in...5
×
 

Meda conference presentation, adir even

on

  • 763 views

 

Statistics

Views

Total Views
763
Views on SlideShare
743
Embed Views
20

Actions

Likes
0
Downloads
0
Comments
0

1 Embed 20

http://www.meda-conferences.com 20

Accessibility

Categories

Upload Details

Uploaded via as Adobe PDF

Usage Rights

© All Rights Reserved

Report content

Flagged as inappropriate Flag as inappropriate
Flag as inappropriate

Select your reason for flagging this presentation as inappropriate.

Cancel
  • Full Name Full Name Comment goes here.
    Are you sure you want to
    Your message goes here
    Processing…
Post Comment
Edit your comment

Meda conference presentation, adir even Meda conference presentation, adir even Presentation Transcript

  • ‫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
  • ‫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
  • ‫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
  • ‫התפוצצות נתונים‬ ‫בעיה כואבת‬ ‫שמן הסתם רק תלך‬ ‫ותחמיר בשנים הקרובות...‬‫1102/3/1‬ ‫4‬
  • ‫דוגמא:‬ ‫התפוצצות נתונים בתקשורת הסלולארית‬ ‫צפי לגידול של 36‪ x‬בכמות הנתונים ברשתות הסלולאריות בין 0102 ל-5102‬ ‫(תחזית של חברת ‪)Cisco‬‬‫1102/3/1‬ ‫5‬
  • ‫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
  • ‫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
  • ‫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
  • ‫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
  • ‫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
  • ‫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
  • ‫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
  • ‫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
  • ‫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
  • ‫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
  • ‫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
  • ‫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
  • ‫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
  • ‫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
  • ‫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
  • ‫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
  • ‫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
  • ‫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
  • ‫תודה‬ ‫ד"ר אדיר אבן (‪)adireven@bgu.ac.il‬‬ ‫המחלקה להנדסת תעשייה וניהול‬ ‫אוניברסיטת בן-גוריון בנגב‬‫1102/3/1‬ ‫42‬