השילוב של חדשנות ואנליטיקה: האם אנחנו עושים את זה נכון?
ישנם שלושה מאפיינים קריטיים בשילוב של חדשנות ואנליטיקה, הדרושים כדי לייצר ערך עסקי באופן יעיל וכלכלי
יותר ויותר CIO's ו-CDO's מוצאים עצמםמתלבטים מהי הדרך האופטימלית להביא את החדשנות הטכנולוגית לארגונם בתחום האנליטיקה, כדי להפיק ערך מיטבי. הם נדרשים לספק לארגון שירותי אנליטיקה, לעיתים מורכבים ביותר, שחיוניים לתפקודו של הארגון. שירותים אלה משרתים בדרך כלל דרגים שונים בארגון, החל מדרגי התפעול ועד לדרגי ההנהלה הבכירה, למשל: משיוך המוצר המתאים ללקוח בעת ביצוע הקנייה ממש, ועד לניתוח רחב לצורך חיזוי רמת ההכנסה באפיקים שונים. במקביל, על מנהלים אלה להניע את החדשנות בארגון על ידי ניתוח אפקטיבי יותר של הנתונים הנצברים בו ככל שהחוק מתיר זאת, וחיזוי מדויק יותר של הצפוי. זאת תוך שמירה על רמת הוצאות סבירה, ולעתים אף תוך הפחתת הוצאות.
הדרישות הללו הן לעתים בסתירה זו לזו. לפיכך, על מנהלים אלה לעצב מתווה פעולה בארגון, בהתחשב בהן. זוהי משימת הקצאה אופטימלית של משאבים תחת אילוצים, אך כאלה שלא תמיד ניתן לכמת. לא זו בלבד, אלא שעל המנהלים לעקוב באופן שוטף על ביצוע המתווה לנוכח דרישות משתנות, ולערוך בו שינויים בהתאם לדינמיקה העיסקית. זו מטלה הדורשת תשומת לב ומשאבי ניהול שוטפים, ובפרט בסביבה עסקית תזזיתית.
נפרט יותר את מרכיבי מערכות האנליטיקה שעל מנהלים אלה לקשר ביניהם:
העולם המסורתי יותר כולל את מחסני הנתונים ואת כלי ה-BI הנסמכים עליהם. העולם המודרני יותר כולל את מחסני הנתונים הלוגיים, את מאגרי ה-Data Lake, את מאגרי ה-Streaming, ואת עולם ה-Generative AI. במסגרת ה-AI עלינו להתייחס בעיקר ללמידת מכונה, ללמידה עמוקה, למודלים מסוג Large Language Models) LLM), וכדומה.
חלק מהפתרונות בעולמות ה-Data הם במערכות ענן, מה שעלול להכביד על היכולת לנצל את מערכות האנליטיקה הפועלות On Prem, ולחייב ביצוע של "קפיצת בנג'י" לעולם הענן. יכול להיות שקפיצה כזו תתאים לארגון שעושה את צעדיו הראשונים בתחום האנליטיקה, אך כנראה שתתאים פחות לכזה שיש לו כבר נכסי אנליטיקה On Prem בעלי ערך.
מתעוררת השאלה מה צריך להיות אופי הפתרון אשר יכול לסייע ל-CIO ול-CDO להתמודד בהצלחה עם אתגר זה. ראשית, חייבת להימצא בפתרון זה היכולת לשלב בין העולמות המסורתי והחדש של האנליטיקה, באותה המערכת. על המערכת להיות גם מחסן נתונים פיזי, גם מאגר Lake, לאפשר בנייה של מחסן נתונים לוגי, ולאפשר עבודה בתצורת Streaming. במקביל, על המערכת לאפשר הפעלת פונקציות AI על אותה תשתית הנתונים. כך על המערכת לאפשר שימוש גם בפונקציות מתקדמות כדוגמת Reduced LLM, שמאפשרות ליהנות מעולמות ה-AI לא רק בתצורות ענק הפועלות ב-Data Centers גדולים ביותר, אלא גם במסגרת הארגון הבודד.
שנית, על המערכת לכלול תהליכים מובנים של פיתוח, בדיקה והעברה לייצור של חדשנות. ידוע שרעיונות חדשים יש למכביר, אך לעיתים קרובות קיים קושי לממש אותם, ובפרט בפרקי זמן קצרים. כ-65% מהמודלים שמפותחים לחיזוי אינם מיושמים בייצור. ובהתייחס לאלה שכן מיושמים: פרק הזמן שחולף מפיתוח מודל ועד ליישומו בפועל הוא בממוצע כ-5 חודשים. מערכת המאפשרת שימוש בכלים מתאימים, כדי ליישם תהליך מובנה ליישום חדשנות באנליטיקה, כגון: Model OPS, תאפשר להתגבר על קשיים אלה במידה רבה מאוד, בקלות, ביעילות וב-Time-to-Market קצר.
שלישית, על המערכת לאפשר שילוב של החדשנות עם הנכסים הטכנולוגיים של הארגון הקיימים ב-On Prem, באמצעות ארכיטקטורה היברידית, המשלבת ענן ו-On Prem. בארכיטקטורה כזו ניתן לנתח נתונים המאוחסנים בהתקנים זולים בענן, יחד עם נתונים המאוחסנים On Prem, על מנת לקבל תמונה שלמה, ללא הצורך לשנע נתונים ולבצע עליהם טרנספורמציה לצורך ביצוע האנליטיקה.
הפתרונות החדשים של Teradata מאגדים את כל שלושת המאפיינים הללו יחד. Teradata מיישמת חדשנות טכנולוגית בעננים ציבוריים, בתהליכים מובנים, במהירות, תוך שימוש בכלי AI מתקדמים. זאת תוך השתלבות ב-אקוסיסטם של ספק הענן הציבורי, יחד עם כלים נוספים, ותוך שילוב של נכסי הארגון אשר מצויים גם במערכות ה-On Prem. בהסתכלות נכונה, אלה הם פתרונות יעילים וכלכליים, הזוכים לדירוג גבוה.
- למידע נוסף, ניתן לפנות לטל נועם
- 050-8234085
- tal@ncr.co.il
השילוב של חדשנות ואנליטיקה: האם אנחנו עושים את זה נכון?
ישנם שלושה מאפיינים קריטיים בשילוב של חדשנות ואנליטיקה, הדרושים כדי לייצר ערך עסקי באופן יעיל וכלכלי
יותר ויותר CIO's ו-CDO's מוצאים עצמםמתלבטים מהי הדרך האופטימלית להביא את החדשנות הטכנולוגית לארגונם בתחום האנליטיקה, כדי להפיק ערך מיטבי. הם נדרשים לספק לארגון שירותי אנליטיקה, לעיתים מורכבים ביותר, שחיוניים לתפקודו של הארגון. שירותים אלה משרתים בדרך כלל דרגים שונים בארגון, החל מדרגי התפעול ועד לדרגי ההנהלה הבכירה, למשל: משיוך המוצר המתאים ללקוח בעת ביצוע הקנייה ממש, ועד לניתוח רחב לצורך חיזוי רמת ההכנסה באפיקים שונים. במקביל, על מנהלים אלה להניע את החדשנות בארגון על ידי ניתוח אפקטיבי יותר של הנתונים הנצברים בו ככל שהחוק מתיר זאת, וחיזוי מדויק יותר של הצפוי. זאת תוך שמירה על רמת הוצאות סבירה, ולעתים אף תוך הפחתת הוצאות.
הדרישות הללו הן לעתים בסתירה זו לזו. לפיכך, על מנהלים אלה לעצב מתווה פעולה בארגון, בהתחשב בהן. זוהי משימת הקצאה אופטימלית של משאבים תחת אילוצים, אך כאלה שלא תמיד ניתן לכמת. לא זו בלבד, אלא שעל המנהלים לעקוב באופן שוטף על ביצוע המתווה לנוכח דרישות משתנות, ולערוך בו שינויים בהתאם לדינמיקה העיסקית. זו מטלה הדורשת תשומת לב ומשאבי ניהול שוטפים, ובפרט בסביבה עסקית תזזיתית.
נפרט יותר את מרכיבי מערכות האנליטיקה שעל מנהלים אלה לקשר ביניהם:
העולם המסורתי יותר כולל את מחסני הנתונים ואת כלי ה-BI הנסמכים עליהם. העולם המודרני יותר כולל את מחסני הנתונים הלוגיים, את מאגרי ה-Data Lake, את מאגרי ה-Streaming, ואת עולם ה-Generative AI. במסגרת ה-AI עלינו להתייחס בעיקר ללמידת מכונה, ללמידה עמוקה, למודלים מסוג Large Language Models) LLM), וכדומה.
חלק מהפתרונות בעולמות ה-Data הם במערכות ענן, מה שעלול להכביד על היכולת לנצל את מערכות האנליטיקה הפועלות On Prem, ולחייב ביצוע של "קפיצת בנג'י" לעולם הענן. יכול להיות שקפיצה כזו תתאים לארגון שעושה את צעדיו הראשונים בתחום האנליטיקה, אך כנראה שתתאים פחות לכזה שיש לו כבר נכסי אנליטיקה On Prem בעלי ערך.
מתעוררת השאלה מה צריך להיות אופי הפתרון אשר יכול לסייע ל-CIO ול-CDO להתמודד בהצלחה עם אתגר זה. ראשית, חייבת להימצא בפתרון זה היכולת לשלב בין העולמות המסורתי והחדש של האנליטיקה, באותה המערכת. על המערכת להיות גם מחסן נתונים פיזי, גם מאגר Lake, לאפשר בנייה של מחסן נתונים לוגי, ולאפשר עבודה בתצורת Streaming. במקביל, על המערכת לאפשר הפעלת פונקציות AI על אותה תשתית הנתונים. כך על המערכת לאפשר שימוש גם בפונקציות מתקדמות כדוגמת Reduced LLM, שמאפשרות ליהנות מעולמות ה-AI לא רק בתצורות ענק הפועלות ב-Data Centers גדולים ביותר, אלא גם במסגרת הארגון הבודד.
שנית, על המערכת לכלול תהליכים מובנים של פיתוח, בדיקה והעברה לייצור של חדשנות. ידוע שרעיונות חדשים יש למכביר, אך לעיתים קרובות קיים קושי לממש אותם, ובפרט בפרקי זמן קצרים. כ-65% מהמודלים שמפותחים לחיזוי אינם מיושמים בייצור. ובהתייחס לאלה שכן מיושמים: פרק הזמן שחולף מפיתוח מודל ועד ליישומו בפועל הוא בממוצע כ-5 חודשים. מערכת המאפשרת שימוש בכלים מתאימים, כדי ליישם תהליך מובנה ליישום חדשנות באנליטיקה, כגון: Model OPS, תאפשר להתגבר על קשיים אלה במידה רבה מאוד, בקלות, ביעילות וב-Time-to-Market קצר.
שלישית, על המערכת לאפשר שילוב של החדשנות עם הנכסים הטכנולוגיים של הארגון הקיימים ב-On Prem, באמצעות ארכיטקטורה היברידית, המשלבת ענן ו-On Prem. בארכיטקטורה כזו ניתן לנתח נתונים המאוחסנים בהתקנים זולים בענן, יחד עם נתונים המאוחסנים On Prem, על מנת לקבל תמונה שלמה, ללא הצורך לשנע נתונים ולבצע עליהם טרנספורמציה לצורך ביצוע האנליטיקה.
הפתרונות החדשים של Teradata מאגדים את כל שלושת המאפיינים הללו יחד. Teradata מיישמת חדשנות טכנולוגית בעננים ציבוריים, בתהליכים מובנים, במהירות, תוך שימוש בכלי AI מתקדמים. זאת תוך השתלבות ב-אקוסיסטם של ספק הענן הציבורי, יחד עם כלים נוספים, ותוך שילוב של נכסי הארגון אשר מצויים גם במערכות ה-On Prem. בהסתכלות נכונה, אלה הם פתרונות יעילים וכלכליים, הזוכים לדירוג גבוה.
- למידע נוסף, ניתן לפנות לטל נועם
- 050-8234085
- tal@ncr.co.il
