למידת מכונה ו-Data Science לעסקים מודלים שעובדים על הנתונים שלכם

מודל שפה כמו ChatGPT מנסח טקסט ועונה על שאלות, וסוכן AI בנוי עליו כדי לנהל שיחה ולבצע פעולות. למידת מכונה במובן של השירות הזה עוסקת בשאלה אחרת: לחזות מספר או לסווג רשומה על בסיס הנתונים ההיסטוריים של העסק — כמה יחידות יימכרו בשבוע הבא, איזה ליד יסגור, איזו תנועה חריגה. מודלים כאלה בדרך כלל קטנים יותר, זולים יותר להפעלה וקלים יותר לבדיקה, כי אפשר להשוות כל תחזית למה שקרה בפועל. בפרויקטים רבים משלבים את שני הסוגים.

תלוי בשאלה. לחיזוי מכירות צריך היסטוריה של הזמנות או מכירות לפי תאריך ומוצר, רצוי שנתיים ומעלה כדי לראות עונתיות וחגים. לדירוג לידים צריך לידים מהעבר עם תוצאה ידועה — נסגר או לא. לסיווג מסמכים צריך דוגמאות שכבר סווגו ידנית. הנתונים לא חייבים להיות מסודרים: ייצוא מה-CRM, מהחנות או מגיליון אקסל מספיק לבדיקה הראשונה. מה שבאמת חוסם הוא נתון שלא נשמר בכלל, למשל סיבת ביטול שאף אחד לא מתעד. במקרה כזה בדיקת הנתונים מסתיימת בהמלצה מה להתחיל לאסוף.

לא תמיד, ואנחנו אומרים את זה בבדיקת הנתונים. אם יש לכם מאה לקוחות ומוצר אחד, דשבורד טוב וכמה חוקים פשוטים ייתנו כמעט את כל הערך. למידת מכונה מתחילה להשתלם כשיש הרבה החלטות חוזרות על הרבה פריטים — מאות מוצרים במלאי, אלפי לידים בשנה, זרם קבוע של מסמכים — ואדם לא מספיק לבחון כל אחד מהם. גם אז מתחילים בשאלה אחת עם מדד ברור, ולא בפלטפורמה. לעיתים קרובות השלב הראשון והמשתלם ביותר הוא דווקא צינור נתונים ודשבורד, והמודל מגיע אחריו.

בודקים אותו על נתונים שהוא לא ראה. בהוכחת ההיתכנות שומרים בצד תקופה אחרונה, למשל שלושת החודשים האחרונים, מאמנים על מה שלפניה ומשווים את התחזיות למה שקרה בפועל. אותה השוואה נעשית גם לשיטה שעובדת אצלכם היום, כך שרואים פער אמיתי ולא אחוז דיוק מנותק מהקשר. אחרי ההשקה הבדיקה ממשיכה: כל תחזית נרשמת ומושווית לתוצאה, ודוח תקופתי מראה אם הדיוק נשמר. כשהוא יורד, למשל אחרי שינוי מחירים או קהל חדש, מאמנים מחדש על הנתונים העדכניים.

תיקון 13 לחוק הגנת הפרטיות הרחיב את החובות של עסקים שמחזיקים מידע אישי, ולכן פרטיות היא חלק מהאפיון ולא נספח. בפועל אנחנו עובדים לפי עקרון של מינימום מידע: מודל לחיזוי מכירות לא צריך שמות וטלפונים, ומזהים מוחלפים בקודים לפני שהנתונים יוצאים מהמערכת שלכם. הנתונים נשמרים בסביבה שאתם שולטים בה, הגישה מתועדת, ובסוף הפרויקט מוחקים עותקי עבודה. איננו נותנים ייעוץ משפטי; אם המאגר שלכם מחייב בדיקה של יועץ פרטיות, נכין עבורו תיאור מדויק של מה נאסף, איפה נשמר ולמה.

מודל שרץ בתוך המערכות שלכם, ולא קובץ שנשאר אצלנו. בדרך כלל זה כולל את צינור הנתונים שמזין אותו, את הקוד של המודל ושל האימון מחדש, חיבור למקום שבו התחזית משמשת — CRM, מערכת מלאי, חנות או דשבורד — ומסמך שמסביר אילו נתונים נכנסים, מה יוצא ואיך קוראים את התוצאה. מקבלים גם דוח של הוכחת ההיתכנות עם ההשוואה לקו הבסיס. הקוד והמודל שייכים לכם. אחרי ההשקה אפשר להשאיר אצלנו את הניטור והאימון מחדש, או לקבל הדרכה ולהפעיל לבד.