לפני שלוש שנים באחד מימי העיון בכנס Info, שמארגנת חברת טלדן מידי שנה, שאלה אותי מנהלת מרכז הדרכה ביישומי מחשב ושיווק דיגיטלי במה אני עוסקת, ועניתי "אנליסטית של מודיעין תחרותי". היא אמרה: "את בטח כל היום אוספת ביג דאטה". לא הבנתי היתה זו שאלה או עובדה ועניתי "לא בדיוק", אבל בדיוק התחילה ההרצאה הבאה והשיחה נקטעה.
היא הזכירה לי את הסטטוס המפורסם של פרופ' דן אריאלי:
בתוכנית הכנס השנה צדה את עיני כותרת הרצאה מסקרנת "מביג דאטה לסמול דאטה: על תפקידם של ציידי המידע". מיהם ציידי המידע ואיך זה קשור למודיעין תחרותי? את הביטוי הזה שמעתי לראשונה בהרצאה מרתקת של שרי קורן גור ושחר קורן, מחברת FYI, בכנס Info2018. שחר ושרי הסכימו לשתף איתי את תוכן ההרצאה שלהם בכתיבת הפוסט.
אז למה לי ביג דאטה עכשיו?
ביג דאטה מאפשר לאתר תבניות ולזקק תובנות באמצעים טכנולוגיים מכמויות עצומות של מידע ממקורות שונים. רוב הצרכנים של ביג דאטה הם תאגידים, בנקים וארגונים. הנתונים הם עצומים ומגוונים, מדיווחי תנועה ועד הורדות מוזיקה, מתיקים רפואיים ועד סטאטוסים ברשתות החברתיות. טכנולוגיות ביג דאטה נחשבות הדרך היעילה ביותר לאגור ולנתח את הנתונים הללו ולייצר איתם ערך עבור חברות וארגונים.
הטכנולוגיה הזו יצרה תפקיד חדש: ציידי מידע או ציידי נתונים, באנגלית Data Hunters. ציידי המידע הוא מונח מתחום קרנות הגידור והשקעות פיננסים בארצות הברית. הכלכלנים בחליפות שמו לב שהמידע שברשותם אינו מספק כדי ליצור יתרון יחסי. עבורם, טכנולוגיה האוספת מידע מתצלומי לווין, כלי מדיה חברתיים, נתוני מזג אויר, מיקום, תשלומים בכרטיסי אשראי ומחירים במקומות שונים בעולם, היו סוג חדש של מידע. המידע הזה היה הגביע הקדוש, וציידי המידע הם אלה שסיפקו את הסחורה.
ביג דאטה, אלגוריתם חכם וכלי חישוב עצומים מעניקים למכונה יתרון על האדם בניתוח כמויות מידע. תשאלו את ג'ף בזוס, ככה הוא בנה את אימפריית אמזון. אבל, לפעמים, הטכנולוגיה אינה מספיקה, והכמות אינה תמיד שווה לאיכות.
כאן, נכנס לתמונה Small Data.
Big Data vs. Small Data
מכירים את הרגע הזה שאנחנו מרגישים את הפה יבש, או פתאום בא לנו משהו קר, מתוק, מנחם אבל לא ברור לנו בדיוק מה זה? אנחנו ניגשים למקרר ופותחים את הדלת, מריצים מבט מלמעלה למטה, מחפשים, לא מוצאים שוב דבר וסוגרים את הדלת? אחרי כמה דקות חוזרים למקרר, פותחים דלת, העיניים נודדות מלמעלה מטה ושוב, סוגרים את הדלת. ואין לנו באמת מושג למה.
או העובדה שבזמן שאנחנו מדברים בטלפון (כן, זה עוד קורה לפעמים, גם בעידן הוואטס-אפ) במרחב הציבורי אנחנו חגים במעגל בלי לשים לב, אולי כדי ליצור את המרחב הפרטי?
כל פעולה שאנחנו עושים, באופן מודע או לא מודע, כוללת אוסף רמזים שמאפשרים תובנה עלינו ועל הרצונות או המשאלות שלנו. מרטין לינדסטרום, מחבר הספר Small Data אומר שלאיסוף הרמזים האלה כל שנדרש הם אינטואיציה, מפתחות וראש פתוח, והדברים הקטנים האלה יכולים לפתוח לנו דלת שתוביל לתובנה גדולה.
הגישה הזו, איסוף רמזים מהסביבה ופענוחם, היא גם תהליך עבודתם של אנשי מודיעין תחרותי ומידענים חוקרים. כמו ציידי המידע, אנשי מודיעין תחרותי צריכים לנטר באופן קבוע את מקורות המידע הייחודיים ולאתר את הצמתים שעשויים לרמז על שינוי בכיוון מגמה או אירועים אחרים בשוק, ובהקשר הפיננסי – לפני הדיווחים הרשמיים. לאחר שבנו את בסיס המידע, הם נדרשים לברור את המוץ מן התבן ולהפיק תובנות שעשויות לשנות את כללי המשחק או דרכי פעולה של הנהלת החברה או הלקוח. כאן נדרשת היכולת לפזר את רעשי הרקע, לזהות חריגות מהתבנית המוכרת, ולהציע פרשנות ומשמעות, מתוך ההקשר.
בהרצאה שלהם, שחר ושרי הציגו דוגמאות מעבודות מחקר ומודיעין תחרותי שערכו עבור לקוחותיהם, בהן נקטו גישה דומה לזו של לינדסטרום. את הדוגמאות איני יכולה לפרט, מפאת הסודיות המסחרית.
הספר של לינדסטרום כל כך סיקרן אותי שמיד אחרי ההרצאה קניתי את הגרסה הדיגיטלית. את הטיסה לוורשה בסוף השבוע לאחר הכנס ביליתי עם הקינדל שלי ולינדסטרום. בפרק האחרון בספר שלו, לינדסטרום משתף את הקוראים בסודות המקצועיים שלו וכאן אני מביאה רק את הרעיונות הבולטים ביותר. אני ממליצה לקרוא את הספר במלואו. ואם לא בא לכם לקרוא ספר שלם, אתם יכולים לצפות בראיון קצר בו לינדסטרום מסביר את הרעיון המרכזי בארבע דקות בלבד.
השלב הראשון, אומר לינדסטרום, הוא להסיר כל מסנן שעשוי להפריע מלהבחין באמת מה מתרחש, לבסס נקודות התבוננות הן ברמת המיקרו והן ברמת המאקרו. התהליך הזה קשור לפרספקטיבה הנדרשת כדי לראות תמונה אמיתית. הספר המקומי או הברמן בפאב השכונתי יהיו מקור מצוין להבין מה אנשים באזור חושבים. הם גם אלה שידעו המומחים המקומיים שאיתם כדאי לדבר. השלב השני הוא חיפוש אחר רמזים והוא מציע להימנע משיפוטיות ולהתרכז בהתבוננות. כאן חשוב מאוד לזהות את החלקים החסרים, כי הם אלה שעשויים להיות המפתח להבנת התמונה.
בשלב השלישי המיקוד צריך להיות בבחינת כל הרמזים וניסיון לאתר דמיון, האם כל הרמזים מובילים לכיוון מסוים? בהקבלה למודיעין התחרותי כאן אנו מבצעים הערכה של המידע שאספנו. לינדסטרום מסביר שהחלק הזה כולל ניסיון להתבונן במידע מבעד לעיני האחר. המחקר שלו הוא שיווקי אבל זה נכון גם לניסיון להתבונן במידע במשקפי הלקוח או המתחרה, הספק או היועץ שאיתו משוחחים ומנסים לקבל מידע חדש. זאת, הוא כותב, משימה שאינה פשוטה וקלה.
השלבים הבאים כוללים ניסיון לפענח שינויים בתבנית ולזהות מהו הצורך שלא נענה אצל הלקוח. אנחנו לא עוסקים כאן בשיווק, אלא בהבנת האירועים בסביבה העסקית והחלק הזה של לינדסטרום מקביל לניסיון של איש המודיעין התחרותי להבין מה יהיה הצעד הבא של המתחרה, או מה סביר שיתרחש בהתאם למה שכבר ידוע ומה שאין לגביו נתונים או מידע.
אני תמיד שמחה לפגוש קולגות שמאמינים בפעילות לגיטימית ושהערך שאנו מביאים הוא ביכולת לתת פרשנות ולנתח מתוך ההקשר. הגעתי להרצאה של שחר ושרי מעט באיחור, לא שמעתי את ההקדמה, ובאיזשהו רגע אפילו תהיתי בקול האם יש כאן בשורה חדשה. בשיחה שלי איתם לאחר ההרצאה הבנתי שבעצם אנחנו פועלים באותם כלים ומדברים באותה שפה.
תשומת לב והתבוננות
לינדסטרום טוען, ואני מסכימה איתו, שביג דאטה אינו מאפשר לנו להבין את הסיבתיות או ההקשר, ולכן הוא מעדיף לשם כך את גישת Small Data. בדומה ללינדסטרום, אנשי המודיעין התחרותי מחפשים אחר תבניות, הקבלות ומתאם, וגם אחר מקומות או נקודות בהן יש חוסר איזון או הגזמה. החריגה מהתבנית המוכרת היא זו שעשויה להיות איתות ראשון על שינוי בסביבה העסקית. הפערים יכולים להיות ההזדמנות העסקית הבאה.
פרופ' אורן עציוני, חוקר בינה מלאכותית אומר שמודלים ממוחשבים אינם מסוגלים עדיין, להסיק מסקנות משני משפטים או להבין רעיונות מרומזים. כאשר אנחנו קוראים פסקה, ההבנה שלנו את הטקסט, והיכולת שלנו להתייחס לתוכן המופיע בה, וגם למה שנעדר ממנה, מבוססת במידה רבה מאוד על מה שאנחנו יודעים על עולם התוכן. זו ההשלכה שהמוח האנושי עורך באופן טבעי ולא מודע, בלי שנקדיש לכך ולו רגע אחד.
אם נקביל את זה לעבודתו של חוקר המודיעין התחרותי, כאשר הוא קורא או מקבל לידיו ידיעה חדשה בעולם התוכן שאותו חוקר, הוא שופט אותה בעזרת מה שלמד עד כה, וגם לפי מה שלא נאמר בה. באופן לא מודע הוא משליך עליה את כל מה שהוא כבר יודע, ומעריך את משמעותה. את ההשלכה הזו, אלגוריתם ומערכת ביג דאטה, חכמים ככל שיהיה, אינם יכולים לבצע היום.
Small data היא מהפכה שמבוססת התבוננות, איסוף רמזים ופענוחם. ההמצאות החשובות ביותר בהיסטוריה נולדו בעזרת תשומת לב והתבוננות, תוך ניסיון להבין את הסיטואציה. בתהליך הזה, בני האדם ולא המכונה, הם אלה שיכולים לצקת את המשמעות ולתת הסבר לחידות מורכבות.
השאלה היא מתי, ואם בכלל, המכונה תוכל לבסס הכרה ותודעה דומה לבני אנוש ולהתחרות בהם.
