כלי AI לניתוח נתונים מבטיחים דבר פשוט: שואלים שאלה בעברית ומקבלים תשובה, בלי נוסחאות ובלי לחכות לאנליסט. ההבטחה אמיתית. אבל היא מסתירה שאלה חשובה יותר מ"איזה כלי הכי חכם": על אילו נתונים הכלי עונה, ומי הגדיר לו מה המספרים אומרים. המאמר הזה נכתב למנהלים שמתכוונים לקבל החלטות לפי התשובות, ולא למי שמנתח קובץ לתרגיל.
מה זה ניתוח נתונים עם AI
ניתוח נתונים עם AI הוא מצב שבו שואלים שאלה בשפה רגילה, ומודל שפה מתרגם אותה לחישוב על הנתונים ומחזיר מספר, טבלה או גרף. במקום לבנות טבלת פיבוט או לכתוב שאילתה, כותבים "מה היו המכירות לפי סניף ברבעון האחרון".
דבר אחד כדאי להבין כבר בהתחלה: המודל לא יודע את המספרים שלכם. הוא מחשב על מה שנתנו לו, ומשלים בעצמו את מה שלא אמרו לו. לכן שלושה כלים שנראים דומים על המסך יכולים לתת שלוש תשובות שונות לאותה שאלה. ההבדל נמצא במה שמאחורי הצ'אט.
במה AI טוב בניתוח נתונים, ובמה פחות
AI טוב במה שלוקח לאדם זמן, ופחות טוב במה שדורש היכרות עם העסק. כדאי לדעת את הגבול הזה לפני שבוחרים כלי.
במה הוא טוב. לתרגם שאלה לחישוב. לחתוך את אותם נתונים בעשר דרכים בתוך דקות. לסכם טבלה ארוכה לשלושה משפטים. למצוא את השורה שחורגת מכל השאר.
במה פחות. לדעת מה חסר בנתונים. לשפוט אם מספר הגיוני בעסק שלכם. ולהסביר סיבה עד הסוף. הוא יכול להראות שהרווח ירד בגלל מוצר מסוים אצל לקוח מסוים. למה הלקוח קיבל את ההנחה יודע רק מי שנתן אותה.
לכן תשובה של AI היא התחלה של בירור, ולא הסוף שלו. היא מקצרת את הדרך לשאלה הנכונה, ומשאירה את השיפוט אצלכם.
שלוש דרכים לנתח נתונים עם AI
יש שלוש דרכים עיקריות: להעלות קובץ לעוזר AI כללי, להשתמש ביכולות ה-AI שבתוך כלי BI, או לעבוד עם מערכת שמחוברת למערכות העסק ועונה מנתונים חיים.
| קובץ בעוזר AI כללי | AI בתוך כלי BI | מערכת שמחוברת למערכות העסק | |
|---|---|---|---|
| מאיפה הנתונים | קובץ שייצאתם והעליתם | מודל הנתונים שנבנה בכלי | חיבור שוטף ל-ERP, לקופות, לשכר ולקבצים |
| עדכניות | נכון ליום הייצוא | לפי קצב הרענון של המודל | מסתנכרן באופן שוטף |
| מי מגדיר את המדדים | אתם, בכל שיחה מחדש | מי שבנה את המודל | מוגדרים פעם אחת, בהטמעה |
| שאלה שחוצה מערכות | רק אם חיברתם את הקבצים ביד | רק אם המערכות כבר במודל | כן, כשהמערכות מחוברות |
| מה צריך כדי להתחיל | רישיון וקובץ | כלי BI פעיל ומי שמתחזק אותו | שלב הטמעה |
| מתאים ל | בדיקה חד פעמית | ארגון שכבר השקיע ב-BI | שאלות שוטפות בארגון בלי אנליסט |
קובץ בעוזר AI כללי
זו הדרך המהירה ביותר להתחיל, והיא מצוינת לשאלה חד פעמית. מייצאים קובץ מה-ERP או מהקופה, מעלים אותו לעוזר, ושואלים. לסכם קובץ הזמנות, למצוא את עשרים הלקוחות הגדולים, להציג מגמה בגרף, לנקות רשימה מבולגנת.
המגבלות נובעות מהקובץ, ולא מהעוזר. הקובץ הוא צילום של רגע אחד. יש בו נתונים ממערכת אחת. אין בו הגדרות: העוזר לא יודע ששורת הסיכום בתחתית אינה לקוח, או שזיכוי הוא מכירה במינוס. ובשבוע הבא צריך לייצא, להעלות ולהסביר הכול מחדש. על מה שאפשר להוציא מה-ERP עצמו לפני שמייצאים כתבנו במאמר על מחולל הדוחות.
AI בתוך כלי BI
כאן ה-AI עונה מתוך מודל נתונים מסודר, וזה היתרון הגדול של הדרך הזאת. כלי BI, כמו Power BI, Tableau או Qlik, מציגים דשבורדים מעל מודל שמישהו בנה. בשנים האחרונות נוספה לרבים מכלי ה-BI שכבת AI: שאלה בשפה חופשית, הסבר לשינוי במדד, סיכום של מסך.
ההגדרות וההרשאות כבר קיימות, ולכן התשובות עקביות עם הדשבורדים. החיסרון הוא החיסרון המוכר של BI: מישהו צריך לבנות את המודל ולתחזק אותו, והשאלה יכולה לגעת רק במה שכבר נמצא בו. שאלה על מערכת שלא חוברה חוזרת למי שבנה.
לארגון שיש לו צוות BI ומודל טוב, זה צעד טבעי. לארגון בלי אנליסט זה לא פותר את הבעיה הבסיסית: אין מי שיבנה את המודל. על מה שנדרש כדי לבנות את השכבה הזאת כתבנו במדריך לבניית דשבורד.
מערכת שמחוברת למערכות העסק
הדרך השלישית הופכת את הסדר: קודם מחברים ומגדירים, ורק אחר כך שואלים. מחברים את המערכות עצמן, ה-ERP, הקופות, השכר והקבצים, וקובעים פעם אחת מה כל מדד אומר. התשובה מגיעה מנתונים שמתעדכנים באופן שוטף. שאלה שחוצה מערכות, כמו עלות שכר מול מכירות לפי סניף, היא שאלה רגילה.
המחיר הוא שלב ההטמעה. מישהו צריך לחבר, להגדיר ולאמת מול מספרים שאתם מכירים. מערכת כזו טובה בדיוק כמו ההטמעה שלה, ולכן כדאי לשאול מי עושה אותה ואיך בודקים אותה.
מה יכול להשתבש
ארבעה דברים משתבשים שוב ושוב: מספר שגוי שנאמר בביטחון, הגדרה שלא תואמת לכספים, נתונים ישנים, ומידע שיוצא מהחברה.
מספר שגוי, בביטחון מלא. מודל שפה לא נוטה לומר "אני לא יודע". כשחסר לו מידע, הוא משלים. הוא יסכם עמודה יחד עם שורת הסיכום שלה, יספור זיכויים כמכירות, או יחבר מחירים עם מע"מ למחירים בלי מע"מ. התשובה תיראה בדיוק כמו תשובה נכונה: מנוסחת היטב, עם טבלה ועם הסבר.
הגדרות שלא תואמות לכספים. מכירות הן הזמנות, חשבוניות או תקבולים? לפני הנחות או אחריהן? רווח גולמי כולל הובלה? אם הכלי בוחר לבד, תקבלו מספר שלא תואם לדוח של הנהלת החשבונות. מאותו רגע הדיון הוא על המספר ולא על העסק, והאמון בכלי נעלם. וכשכל מנהל מעלה קובץ משלו ומגדיר לבד, מסתובבות בארגון כמה גרסאות של אותו מספר.
ייצוא ישן. קובץ שייצאתם ביום ראשון, ושואלים עליו ביום חמישי, עונה על יום ראשון. זה נשמע מובן מאליו, עד שמישהו מקבל החלטת רכש לפי מלאי של השבוע שעבר.
נתונים שיוצאים מהחברה. קובץ עם שמות לקוחות, מחירונים או נתוני שכר, שמועלה לחשבון פרטי של עובד, יצא מהארגון בלי שמישהו אישר. לפני שמעלים כדאי לדעת איפה הנתונים נשמרים, מי יכול לגשת אליהם, האם הם משמשים לאימון מודלים, האם אפשר למחוק אותם, והאם יש הרשאות לפי תפקיד. ולא פחות חשוב: מי בארגון אחראי לדעת את התשובות.
מה לבדוק לפני שסומכים על תשובה
לפני שפועלים לפי מספר שהגיע מ-AI בודקים חמישה דברים: שהוא תואם למספר ידוע, מאיפה הוא הגיע, איך הוגדר המדד, לאיזה תאריך הנתונים, והאם התשובה חוזרת על עצמה. הבדיקות נכונות לכל אחת משלוש הדרכים.
- מתחילים משאלה שאתם יודעים את התשובה עליה. למשל המכירות של חודש שהכספים כבר סגרו. אם המספר לא תואם, עוצרים ומבררים למה, לפני כל שאלה אחרת.
- מבקשים לראות מאיפה המספר. אילו טבלאות, אילו שורות, איזה חישוב. כלי שלא יכול להראות איך הגיע לתשובה אינו כלי שמקבלים לפיו החלטות.
- שואלים איך הוגדר המדד. "מה כללת במכירות?" היא שאלה לגיטימית. התשובה צריכה להיות זהה להגדרה של הכספים.
- בודקים לאיזה תאריך הנתונים. ומתי התעדכנו בפעם האחרונה.
- שואלים שוב, בניסוח אחר. אם שתי התשובות שונות, לפחות אחת מהן ניחוש.
ועוד כלל פשוט: בודקים שהחלקים מסתכמים לשלם. סך המכירות לפי לקוח צריך להיות שווה לסך המכירות הכולל. אם לא, משהו נספר פעמיים או נשמט.
איך מחליטים איזו דרך מתאימה
הבחירה תלויה בשלושה דברים: כמה פעמים השאלה תחזור, כמה מערכות היא חוצה, והאם יש אצלכם מי שיתחזק מודל נתונים.
- שאלה חד פעמית, קובץ אחד, מידע לא רגיש: עוזר AI כללי מספיק. אל תסבכו.
- יש אצלכם צוות BI ומודל נתונים טוב: שכבת ה-AI של כלי ה-BI היא המשך טבעי.
- הרבה מערכות, אין אנליסט, והשאלות משתנות כל שבוע: מערכת שמחוברת למקורות עצמם.
בכל מקרה, הכלי אינו ההחלטה הראשונה. לפניו שואלים איזו החלטה רוצים לקבל טוב יותר. על זה כתבנו במאמר על בינה מלאכותית לעסקים.
חמש שאלות לשאול ספק
לפני שבוחרים מערכת AI לניתוח נתונים שואלים את הספק חמש שאלות: על החיבור למערכות, על הגדרת המדדים, על מה שקורה כשחסר מידע, על אבטחת הנתונים ועל התחזוקה. מצפים לתשובות קונקרטיות.
- לאילו מערכות אתם מתחברים, ובאיזו תדירות הנתונים מתעדכנים?
- מי מגדיר את המדדים, ואיך מאמתים אותם מול הדוחות של הכספים?
- מה המערכת עושה כשאין לה מספיק מידע כדי לענות? התשובה הנכונה: היא אומרת את זה.
- איפה הנתונים נשמרים, מי רואה מה, והאם הם משמשים לאימון מודלים?
- מה קורה כשמוסיפים סניף, מוצר או מערכת? מי מעדכן, וכמה זמן זה לוקח.
השאלה השנייה היא החשובה מכולן. ספק שמתקשה לענות עליה ימכור לכם צ'אט נוח על מספרים שאי אפשר לסמוך עליהם.
איפה Figureit נכנסת
Figureit היא הדרך השלישית: מערכת AI מבוססת דאטה ליעילות עסקית, שמחברת את ה-ERP, הקופות, השכר והקבצים למקום אחד ועונה בעברית, עם טבלאות וגרפים. את ההקמה, המידול והאימות עושה הצוות שלנו, והמערכת לומדת את המדדים ואת ההגדרות שלכם, כך שלא צריך צוות דאטה. הנתונים מוצפנים ומבודדים לכל ארגון, וכל משתמש רואה רק את מה שהתפקיד שלו מתיר. הפירוט נמצא בעמוד האבטחה, ועל התהליך עצמו אפשר לקרוא בעמוד איך Figureit עובדת.
המערכת מציפה ועונה. את ההחלטות מקבלים אתם.