ניו-טק מגזין | פברואר 2018

IoT מוסף מיוחד

ESSENCE PRODUCTS

«

מיקומן של אסדות נפט או קביעת מחיר למוצר עתידי. ישנם תחומים רבים שבהם יכולה אנליזה של נתונים להוות מקפצה למימוש יעדי החברה הודות ליכולתה לאסוף, לנתח ולהפיק דוחות על האופן שבו עושים לקוחות שימוש במכשיר/אפליקציה. יכולת זו עשויה לסייע בהפקת תובנות ברות ביצוע: מעבר למוצרים הממוקדים בצרכן • חברות יכולות .) Consumer - centric ( לתת למוצריהן ערך מוסף אם ישכילו להבין את צרכי הצרכן ואת השימוש שהוא עושה במוצר בפועל. תובנות אלה יאפשרו להן לתכנן ולעצב מוצרים שימושיים יותר ולהימנע מפיתוח מוצרים מיותרים, לא אטרקטיביים או מסורבלים. הטמעה אפקטיבית של תחזוקה • .)Proactive Maintenance( יזומה חברות יכולות ללמוד על בעיות ישירות מהמוצרים, וכך לגלות, לאבחן ולתקן תקלות מרחוק מיד עם התרחשותן או עוד טרם קרו. בעזרת למידת ), ניתן היום machine learning מכונה ( לזהות סימנים מעידים מורכבים לפני התרחשות התקלה. יכולות מסוג זה מאפשרות להוריד את זמן ההשבתה של המכונה ובכך לצמצם את מספר התביעות והטענות התפעוליות כלפי היצרן, ולשפר את שביעות רצונם של

ניתן להשליך על הנתונים הבאים: לדוגמא, אלגוריתם די פשוט מסוגל "להתבונן" בתמונה ולהחליט האם יש בה חפץ מסוג א' או לא (בעיית קלסיפיקציה). אם נעשה עוד צעד קטן, המכונה גם תדע להתריע בטווח זמן מידי אם במקום עצמים מסוג א' מופיעים מסוג אחר (בפס יצור, למשל). כאן, כבר לא מדובר רק בהבנה רטרואקטיבית של מה שקרה, אלא מניעת הבעיה ברגע הופעתה. דוגמא אחרת יכולה להגיע מתחום המכירות. בעזרת נתוני שוק, אוכלוסייה, מכירות עבר ועלויות ניתן לתת פרדיקציה של כמה יימכר מוצר מסוים בהינתן אותם פרמטרים. - בניית סדרת )Prescriptive( הנחייתי טכניקות המנסה לכמת את השלכותיהן של החלטות עתידיות, ולהציג המלצות תוך התבססות על תחזיות. תהליך זה לא רק מתיימר לצפות מה יקרה ומתי, אך גם מה היא הסיבה. בשם כך, השאלות המתבקשות בתהליך הינן "איך ניתן לקבל " ו-"מה ייגרם בהינתן X תועלת ממאורע ". אנליטיקה הנחייתית מאפשרת Y החלטה לנצל הזדמנות עסקית עתידית או לחילופין להתמודד עם סיכון קַרְב ולנהל אותו מבעוד מועד. בהינתן חוקים עסקיים מוגדרים מראש וקבלת נתונים שותפת, המכונה תדע גם להראות בכל נקודת החלטה האם אנחנו בכיוון הרצוי או לא. דוגמאות בולטות של שימוש בטכניקות אלה הן: החלטה על

עשויה להיות משימה מייגעת, אך באופן כללי, ניתן לחלק את עולם האנליטיקות לשלושה סוגים עיקריים: - שימוש באיסוף, ) Descriptive תיאורי ( צבירה וכרייה של נתונים לקבלת תובנות על אירועים בעבר או בהווה. לרוב, תהליך זה מאפשר לנתח בדיעבד אירועים סינגולאריים, להרחיב את הראייה ולנסות לבצע קורלציות "בעין" בין אירועים עוקבים. בעזרת כלים מסוג זה, קשה מאוד להגיע לתובנות עמוקות כלפי תהליכים, או למצוא תבניות ודפוסי פעילות. סוג זה של אנליטיקות הינו מצד אחד הפשוט ביותר (כי בעיקר מערב ויזואליציות ואגרגציות נתונים טריוויאליות) אך מצד שני מהווה את הקפיצה המשמעותית שחברה מסחרית (שאינה מוּנעת נתונים) יכולה לעשות. זו הפעם הראשונה שהחלטות (טקטיות בשלב הראשון) יתקבלו על סמך נתונים – שרלטנות, אגדות אורבניות ודעות רווחות אינן שיקול יותר. - למידה והסקת )Predictive( חזוי מסקנות מנתונים היסטוריים ובניית מודלים סטטיסטיים רלוונטיים להפקת predictive תובנות לעתיד. עולם ה- מסתמך על אלגוריתמים analytics ) machine learning algorithms לומדים ( אשר "מתאמנים" על נתונים ויודעים להוציא דפוסי התנהגות החבויים בנתונים. המכונות מגיעות למסקנות מסוימות אשר

45 l New-Tech Magazine