תובנות ולקחים משנה אחרת

אין ספק שזו הייתה שנה מאתגרת . פעם אמרו שהקבוע היחיד זה השינוי . על השנה הזו ניתן לומר שהקבוע היחיד שהיה בה זו אי הוודאות. אי וודאות בריאותית , אי וודאות פוליטית ובעיקר אי וודאות עסקית .

אבל עם כל הקושי והאתגרים זו היתה גם שנה של חישול ושל פיתוח יכולות . קמעונאים שלא חשבו ליישם יכולות דיגיטליות הפכו בתוך שבועות לאשפי אי קומרס , בתי עסק שמעולם לא חשבו על הפצה על ידי שליחות יצרו את היכולת הזו מהיום למחר , חברות הרחיבו את היצע המוצרים שלהם והוסיפו פתרונות של bundling ושילוב מוצרים משלימים , וגל ה D2C שטף את הארץ.

והיה תהליך נוסף שעבר על הארגונים הגדולים יותר . השנה יותר מבשנים קודמות המירוץ לפיתוח ויישום יכולות דאטה מתקדמות תפס תאוצה וקיבל רוח גבית מהקורונה. הסיבות לכך מגוונות אז ישבנו וריכזנו לעצמנו ועבורכם מספר מגמות דאטה שהתעצמו השנה דווקא בעידן של אי וודאות או יותר נכון בזכותה :

1. איתור פוטנציאל עסקי בדאטה הקיים . מנהלים מבינים שבעידן של צמצום משאבים ובחינת אפקטיביות מהלכים שיווקיים תחת זכוכית מגדלת התהליך הנכון לביצוע הינו מקסום ערך מדאטה קיים . איתור הזדמנויות בקרב סגמנטים וקהלים שטרם מיצינו. קידום מהלכים של data mining

2. שימוש בשירותים של אנליסטים ו data scientists . במישור הזה התרחשו מספר תהליכים . הראשון שחרור של אנליסטים מיחידות אנליזה גדולות וניסיון להפוך עבודת הצוותים ליעילה יותר . במקביל עליה בביקוש של חברות ויחידות שאין להן אנליסטים כדי להוציא לפועל מהלכי אנליזה וניתוח (ולממש את סעיף 1 ) . כך יצא שההיצע פגש את הביקוש. לשוק נפלטו אנליסטים מצוינים שהיו זנב לאריות ביחידותיהם והם הפכו במהרה למובילים בארגונים שעד הקורונה לא השכילו להתחמש בכח אנליטי מספק.

3. כהמשך ישיר למגמה בסעיף 2 הלכה והתרחבה השנה מגמת שכירת שירותי אנליזה ב outsourcing . אנחנו מסבירים את התופעה כאקט של זהירות. כאמור בסעיף 2 החברות והארגונים שגייסו אנליסטים הם כאלו שלא הפעילו כח אנליטי עד החודשים האחרונים. הצורך העסקי והדחף למיצוי פוטנציאל הניע אותם לבקש ולצרף אנליסטים ודאטה סיינטיסטים אולם אי הבהירות לגבי הדרך בה מפעילים כח כזה ואי הוודאות לגבי הערך המוסף שיתקבל בתהליך הביאו את אותם ארגונים לנקוט במשנה זהירות ולגייס אנליסטים במודל של outsourcing . מודל שמאפשר להם גמישות ואי מחויבות של יחסי עובד מעביד יחד עם למידה ואימון ומירווח זמן בו הם יכולים לקלוט את האנליסט לאחר שנה או שנה וחצי בבטחון מבחינתם שהעסקה כדאית להם

4. צמצום התלות בעבודה on prem . מודל העבודה מרחוק כאשר ברוב השנה למעלה מ 50% מכח העבודה חייב להשאר בבית ולא יכול להגיע למשרדים חייב ארגונים להקצות גם לאנליסטים ודאטה סיינטיסטים גישה מרחוק לנתונים כולל יכולות ניתוח ועיבוד ואנליזה ולא רק צפייה. הגמישות בגישה הזו פתחה אפשרויות לשילוב כוח אנליטי בעת בניית ופיתוח מודלים / יכולת חניכה והכוונה לאנליסטים צעירים על ידי צוות בכיר יותר וחסכון בזמן של פיתוח אימון והשבחת תוצרי data science

5. על אותו גל של סעיף 4 חברות רכבו גם לכיוון של הרחבת סוגי מאגרי הדאטה שברשותם . מגמה זו מומשה על ידי הוספת שכבות דאטה (data lakes ) מבוססות יכולות התרחבות כולל הוספת כמויות דאטה רחבות היקף (volume ) דרך הקמת שכבות דאטה בענן עם יכולות גישה מהירה לצורך תחקור וניתוח ואפשרות תחקור ב sql (velocity) ועד ייעוד של שכבות דאטה לצרכים ספציפיים לשימוש דאטה סיינטיסטים שצריכים מגוון של מקורות דאטה זמינים (variety ) . כך למשל פורחת המגמה של הקמת שכבת דאטה ייעודית לעולם הדיגיטלית ב data lakes זמינים לצד מאגרי המידע המסורתיים ) DWH )

6. היחס הישר בין אי הוודאות לערעור הבטחון בתזרים ההכנסות השוטף הביאו בשנה האחרונה יותר ויותר ארגונים להאצה של בחינת יכולות הרחבת מקורות הכנסה נוספים. הרחבה שכזו מתחילה בלמידה של הדאטה הקיים והבנת הערך המוסף הגלום בו שיכול לעניין שותפים או צד ג . המטרה לנסות ולהבין האם הדאטה מגלם בתוכו סטטיסטיקות או מגמות ותובנות (לא פרסונליות) שיעזרו לצד ג לשפר ביצועים והוא מוכן לשלם על כך . כמובן שהאתגר לא פשוט וכולל היבטים משפטיים / מסחריים / טכנולוגיים ועדיין עצם הבחינה ואיתור הפוטנציאל פתח אופקי חשיבה לא סטנדרטיים בארגונים רבים השנה

נסכם כפי שפתחנו. אין ספק שזו היתה שנה מאתגרת . אין ספק שכולנו מחכים כבר לבשורת הצלחת החיסונים וחזרה לשגרה . יחד עם זאת דווקא בעת הזו של אי וודאות הוכח מעבר לכל ספק שדאטה בשימוש נכון יכול לספק יציבות . יש מי שיחכה לניסים ולסוף הסגרים ויטמון את הראש בחול . ויש מי שינצל את תקופת הדמדומים הזו וימנף את הנכסים שיש לו ובעיקר את הדאטה שלו . לנו ברור מי מהם יוביל כשהסערה תחלוף.

שיחת קפה וירטואלית על Data Science בעידן הקורונה

אחד הטרנדים החמים בעולם הדאטה בעידן covid19 הוא שירות של Data Science מרחוק. במסגרת השירות ארגונים יכולים לקבל מודלי חיזוי מבוססי למידת מכונה (ML) שמפותחים על ידי מיטב אנשי המקצוע בטווח זמן מהיר ובתהליך שמאפשר יעילות ואפקטיביות כלכלית ועסקית. אז ישבנו לשיחת קפה וירטואלית עם גל חג'ג' שהוא Data Scientist בכיר ב Data Tapas ושוחחנו על יתרונות השירות החדשני לארגונים . תהנו.

מהו תפקידו של ה- Data Scientist בארגון? במה תפקיד זה שונה מתפקיד של Data Analyst ?

אין כיום הגדרה אחידה מהו תפקידו של DS ומשימותיו עשויות להשתנות בהתאם לארגון אליו הוא שייך ובהתאם לצורך העסקי.

ל-DS יכולות מתקדמות לניתוח נתונים והוא משתמש בכלים סטטיסטיים ושיטות למידת מכונה (Machine Learning) לפתרון אתגרים עסקיים מגוונים: חיזוי אירועים עתידיים על סמך ההhסטוריה (השלמת תהליך רכישה / לחיצה על פרסומת / הסתברות לנטישת לקוח וכו'), יצירת סגמנטציה ללקוחות (רווחיים, בעלי פוטנציאל צמיחה, בעלי נטייה לנטוש), בניית מערכות המלצה (Next Best Offer, מוצרים משלימים), אוטומציית תהליכים עסקיים (תמחור דינאמי, התאמת קמפיינים ללקוח) ועוד.

אם נפשט, כישורי DS מתחלקים ל-3 תחומים עיקריים:

• מתמטיקה וסטטיסטיקה - הבנה של המתמטיקה העומדת מאחורי האלגוריתמים כדי לפתור בעיות לפתח מודלים מותאמים לצרכי הפרויקט.

• תכנות - ידע רחב בשפות תכנות רלוונטיות לניתוח נתונים. משלב האיסוף ממערכות המידע (SQL), דרך העיבוד ועד פיתוח המודלים (R / Python) והטמעת המוצר.

• עסקי - יכולת להבין את אתגרי וצרכי הארגון, להמיר את השאלות העסקיות לשאלות "דאטה" שניתן לפתור באמצעות שימוש בנתונים ולהסביר לבעלי העניין את תוצרי המודל בעזרת כלי ויזואליזציה ודוחות (PowerBI / Tableau) שאלות כמו כיצד התקבלה החלטה, אילו שינויים יקדמו את המוצר ליעדים.

תפקיד DA לתרגם מידע לידע. תפקידו לאחזר ולאסוף נתונים, לזהות מגמות ודפוסים, להבין את הסיפור שמאחורי המספרים ועל בסיס זה לענות על שאלות עסקיות ולחלץ מידע בעל משמעות.

בלא מעט מהמקרים קיים שיתוף פעולה הדוק בין DA ו- DS בעבודתם השוטפת, הראשון אוסף ומייצר פאנל נתונים בהתאם לצרכי הפרויקט והאחרון משתמש בתוצר כבסיס לבניית המודל הסטטיסטי להשגת המטרה.

מתי ארגון יכול לזהות שהוא בשל וזקוק לעבודה עם Data Scientist?

ליבת העיסוק של DS היא לעזור לעסק לשפר את המוצר והשירות שהוא מעניק ע"י קבלת החלטות מבוססי נתונים. המודולים והתוצרים שמפתח ה-DS הם בסה"כ כלים כדי להגיע למטרה הזו.

במידה ואין לארגון תשתית אגירת מידע, היסטוריית נתונים רחבה (Event Logs) או יכולות BI לשליפת וניתוח נתונים, כנראה שהוא נמצא בתחילת דרכו במעבר לארגון Data Driven ובשלב זה לא יהיה ערך מוסף לגייס Data Scientist על פני Data Analyst או Data Engineer.

לעומת זאת, אם לארגון יש בסיס נתונים מסודר וקיימים מדדי ביצועים מוגדרים (KPI), Data Scientist בהחלט יוכל להשתלב ולקחת אותו צעד קדימה בתחום ניתוח הנתונים ושיפור המדדים ע"י שילוב מודלים מתקדמים לשיפור המוצר ולהתנהלות מול לקוחות פוטנציאליים וקיימים.

אם בעבר כח עיבוד חזק היווה תנאי סף נוסף לשילוב data science בארגון, היום ניתן להשתמש בשירותי ענן במחירים נוחים מאוד למשימות ה"כבדות" ובסופו של יום לחסוך מהארגון את עלויות רכישת הציוד ואחזקתו.

שילוב תוצרי Data Science הופך לסטנדרט החדש בכל הארגונים (גדולים וקטנים כאחד) ככלי לשיפור המוצר ויצירת ערך מוסף על פני המתחרים. חברות שלא יתאימו את עצמם ויצטרפו למהפכת המידע ימצאו את עצמן עם מוצר מיושן וגנרי בהשוואה למתחרים ישירים.

מה האתגרים בעבודתו של ה- Data Scientist ועם מי הממשקים המרכזיים שלו?

בכל אחד משלבי עבודה של פרויקט קיימים אתגריים איתם יש להתמודד:

• ניסוח בעיה ומדדי הצלחה - האתגר הראשון ש-Data Scientist יתקל בו בפרויקט חדש הוא תרגום של הבעיה העסקית שהציגו אנשי המוצר או בעלי העניין לכזו שניתן לפתור ע"י נתונים והגדרת מדדים ברורים לבחינת ביצועי המודל בסוף תהליך הפיתוח.

• איסוף מידע - לרוב, הנתונים הקיימים במערכות המידע דורש עיבוד רב, טיפול בנתונים חסרים וכפילויות, הבנת הקשרים בין הטבלאות השונות ואת זמני ריענון הנתונים. בשלב זה תהיה עבודה צמודה של Data Scientist עם DBA או גורם מוסמך אחר שמכיר את מערכות המידע בארגון.

• מידול הנתונים - לאחר שגובשה המטרה, יש לפתח את המודל המתאים ביותר לבעיה, כזה שיציג תוצאות טובות לצד זמני ריצה העומדים ביעדים שהוגדרו. זהו תהליך מאין מחקרי שהתוצאה בסוף לא ידועה בתחילתו, שכן יש לבחון שיטות רבות לפני שבוחרים את זו שנותנת את המענה המתאים ביותר.

• הטמעת התוצר - בתום תהליך הפיתוח ולאחר הוכחת יכולת, הארגון צריך לקלוט את המערכת לייצור. התהליך מבוצע בצמוד לאנשי DevOps ולעיתים נתקל בקשיים בשל גרסאות שונות, שפות שונות וכו'. במרבית המקרים הפתרון הוא הקמת סביבה עצמאית שניתן לשלב בייצור ע"י Docker Container.

תאר בבקשה תהליך של בניית מודל חיזוי וניבוי

תהליך העבודה דומה ברוב הפרויקטים וכולל את השלבים הבאים:

• למידת המצב הקיים - קיום פגישות עם אנשי המפתח הרלוונטיים בארגון כדי להבין את עולם התוכן, מטרת הפרויקט והמידע הזמין.

• אינטגרציה למידע - אפיון פאנל הנתונים שיעשה בו שימוש ואיסוף הנתונים הרלוונטיים ממערכות המידע לבנייתו.

• ניתוח הנתונים במטרה לזהות דפוסי התנהגות, קורלציות ואנומליות ((EDA (Exploratory Data Analysis) שעשויות לפגוע בהמשך בביצועי המודל.

• הרחבת בסיס המידע (Feature Engineering) - יצירת משתנים מחושבים חדשים על בסיס המידע הגולמי שנאסף לצד שילוב מידע חיצוני לארגון שעשוי לתרום לתחזית (משבר כלכלי, מועדי ישראל וכו').

• עיבוד הנתונים (Data Preparation) - בשלב זה יטופלו כל החריגות שהתגלו בשלבים הקודמים (נתונים חסרים, אנומליות, כפילויות), והנתונים יעובדו לכדי מידע שמכונה תדע לעבד בצורה יעילה (המרת טקסט לערכים מספריים, התמודדות עם נציגות נמוכה של משתנה המטרה).

• מידול הנתונים - אימון מודל מבוסס ML לחיזוי משתנה המטרה שהוגדר (הסתברות למכירה / נטישה / הונאה וכו').

• הצגת התוצרים והטמעה - בתום פיתוח המודל, תוצרי העבודה מוצגים ליוזמי הפרוייקט ואנשי מפתח נוספים בארגון לאישור לפני הטמעה במערכות הייצור.

מהי סביבת העבודה הטכנולוגית המומלצת עבור Data Scientist ?

כל פרויקט מתחיל באחזור נתונים ממערכות המידע של הארגון, לרוב ע"י שימוש בשפת SQL.

על אף ששפת הפיתוח R היא שפה שמראש פותחה באקדמיה לצרכי מחקר, עיבוד נתונים ומידול, אני אישית מעדיף לעבוד בסביבת Python שהיא השפה הפופולארית יותר בקרב מדעני הנתונים כיום בעיקר בשל הגמישות שהיא מאפשרת. ניתוח נתונים זה קצה הקרחון ב Ecosystem-וביכולות של Python. זו שפה מודולארית המאפשרת לייבא (ולכתוב) ספריות משנה כחבילות קוד מוכנות לשימוש ועדיין לאפשר את הגמישות להתאמה של הקוד לצרכים הייחודיים שלך כמתכנת ולמשימה שאתה ניגש לבצע. חבילות פופולאריות לעיבוד נתונים ופיתוח מודלים מתקדמים מבוססי Machine Learning ו-Deep Learning כוללות את: pandas, scikit-learn, Keras, TensorFlow והן מותאמות להמטעה ישירה במערכת הייצור לאחר השלמת תהליך הפיתוח.

עיקר הפיתוח מתבצע בפלטפורמת JupyterLab (מקומית או בענן) ככלי נוח למחקר של בסיס הנתונים ופיתוח המודלים.

אילו מגמות ניתן לזהות לאחרונה בתחום ?

בשנים האחרונות אנו עדים לתאוצה במהפכת המידע. ניתן לראות זאת גם במוסדות חינוך ובאוניברסיטאות שזיהו את הביקוש ומציעות כיום מסלולי לימוד ייעודיים בתחום מדעי הנתונים וכן במגזר העסקי שזיהה את הפוטנציאל לצמיחה שהתחום מביא עימו ואימץ שירותים ומוצרים מבוססי בינה מלאכותית.

בתקופה האחרונה חל שינוי נוסף בשוק התעסוקה הישראלי ובכלל - ארגונים רבים הבינו (בלית ברירה אמנם) את יתרונות שבעבודה מרחוק. שימוש בכלים לשליטה מרחוק, שימוש בענן ופגישות בזום הפכו לסטנדרט החדש לאחר שהוכיחו את יעילותם ושאינם פוגעים בפרודוקטיביות העובדים. המצב החדש הביא עימו גם הזדמנויות: עבור העובדים נפתחו אופציות תעסוקה נוספות משום שכעת קירבה פיזית למשרדי החברה כבר לא תנאי מגביל. אצל המעסיקים, מלבד אפשרויות הגיוס שגדלו אף הן, מקורח הנסיבות הם נאלצו להתאים את עצמם תשתיתית ולא פחות חשוב - את התרבות הארגונית למאה ה-21 - הרשאות לגישה מרחוק, עבודה בענן ופגישות דיגיטליות.

אנו חווים את השינויים גם בתחום הדאטה - קל מתמיד לקבל שירותי Data Science חיצוניים. חומות ההגנה של אבטחת מידע שהיו מפילות פרוייקטים בארגונים הפכו לגמישות יותר וכיום קל ובטוח לגשת מרחוק לנתונים של ארגונים (ענן / כספת) ולספק שירותי data science מרחוק באופן מלא, משליפת הנתונים ואז הטמעת מוצר מוגמר.

מהו מודל ה Data Science as a service לאלו ארגונים היית ממליץ לבחון אותו?

הקמת צוות של data scientists יכולה להיות משימה מורכבת ויקרה (איתור וגיוס, הכשרה, ניהול ובקרה, ליווי מקצועי) ועשויים לחלוף חודשים ארוכים עד הוא יוכל לספק תוצר ברמת יצור. מודל DSAAS בא בדיוק לגשר על הפער הזה. עפ"י מתודולוגיית המודל, לפרויקט יוקצה צוות מקצועי בהתאם למורכבותו (לעיתים שילוב של Data Analyst ו-Data Scientist ולעיתים Full Stack Data Scientist שמוביל תוצר מקצה לקצה). הצוות המוקצה הינו מיומן ובעל ניסיון תואם לתחום העיסוק של הארגון ולעיתים אף ביצע פרויקט דומה בעבר, כך שתהליך הלמידה מהיר וקיימת שפה משותפת כבר מהשלבים הראשונים, ללא חבלי לידה וללא חששות מקצועיות.

המודל רלוונטי במיוחד לארגונים שלראשונה רוצים להטמיע יכולות Data Science במוצרים שלהם, אם זה לבדיקת היתכנות לפני הרחבת העיסוק בתחום או לטובת השלמת מספר פרויקטים מצומצם.

מודל DSAAS דוגל בשקיפות ואנו מספקים לארגון לצד התוצר הסופי את המחקר שנעשה לתחקור הנתונים ואת הקוד שנכתב לפיתוח המודל. מידע זה יוכל לשמש בעתיד את הארגון להמשך ניתוחים עצמאיים ואף ישמש את הצוות האורגני העתידי של Data Science לכשיקום.

לסיום איך אתה רואה את עולם ה Data Science בשוק המקומי בעוד כ 3 שנים?

תחום ה-Data Science לא נח לרגע וכל העולם צועד לכיוון ה-Data Driven. המידע זמין וקל לאיסוף, וחברות שלא ידעו להשתמש בו פשוט יישארו מאחור או ייעלמו. אני מאמין שבשנים הקרובות גם ארגונים שמידע לא היה ליבת העיסוק שלהם יבינו את חשיבות איסוף וניהול המידע וכמות הדאטה שתצטבר תגדל משמעותית. כבר היום חברות ענק מבינות זאת ומפתחות אמצעים לעיבוד נתוני עתק (לדוגמא פיתוחי GPU / TPU בחברת Nvidia) וניכנס רשמית לעולם ה-Big Data. כמובן שיותר דאטה פותח הזדמנויות חדשות ושיטות מתקדמות שעל אף ביצועים יוצאי דופן לא יכלו להיות מיושמות בעיקר בגלל כמות מידע דל כדוגמת Deep Learning.

גל חג'ג' Data Scientist בכיר בData Tapas בעל ניסיון עשיר בהקמה, ניהול ותכנון מערך ופרויקטים של Data science ואנליזה מתקדמת, מעל 8 שנות ניסיון בעולם הדאטה ואנליזה ובפרט Machine Learning ,Big Data ו-Data Science.

בעל ניסיון תעסוקתי שנרכש מתפקידים מבוססי דאטה ובינה עסקית במגוון תחומים וענפים.

על תוצאה חיובית של הקורונה שאותה דווקא תרצו לקבל

התאמות. Adjustments. חכמים כבר אמרו שבעידן הנוכחי הדבר הכי קבוע זה השינוי. והנה באה הקורונה ולקחה את ההגדרה הזו לקצה. ב Extreme .

אז אכן יש לנו המון דברים רעים להגיד על הוירוס המתעתע אבל הטור הזה לא יעסוק בהם. הטור הזה יעסוק בתופעת לוואי חיובית ומשמעותית מאד שצמחה מתוך המשבר ומתוך הכאוס.

אבל לפני שנתמקד בתופעה בואו נחזור אחורה בזמן. כמה ? מעט. לפברואר 2020. שמונה חודשים בערך לאחור. כבר אז היה ברור שאחד התחומים שיוצר בידול בין חברות שהן Data Driven לבין חברות שמפגרות מאחור זהו תחום ה data Science. החלוקה בשוק היתה ברורה: מצד אחד חברות שתקועות בעידן ה BI ושליפת הדוחות ועוסקות כל היום בניתוח תוצאות עבר . כמה מכרנו ? מי קנה? כמה הרווחנו? כמה הוצאנו? ארגונים כאלו שחיים ב Delay. ומהצד השני של המתרס חברות מתקדמות שמאופיינות בהנהלות פורצות דרך שכבר הבינו שמינוף דאטה נותן יתרון משמעותי והחלו להניע את הארגון לכיוון של Data Mining ו Machine Learning.

החברות המתקדמות הרחיבו את צוותי האנליזה שלהם , שילבו אנליסטים, אנליסטיות וגם Data Scientists והחלו לפתח מודלי חיזוי וניבוי ולעסוק לא רק בתוצאות העבר אלא לחזות תוצאות עתידיות : מה נכון למכור ? למי ? כמה? כיצד? מתי?

ברם, עם כל הרצון הטוב החברות שרצו להתקדם בעולם ה Data Science נתקלו לרוב במספר אתגרים משמעותיים:

1. הגבלת הגישה לדאטה רק בתוך גבולות הארגון ובשרתים פנימיים בלבד

2. איתור הון אנושי מתאים

3. גיוס Data Scientists שעלותם לרוב יקרה

4. טווח הזמן שלקח לפרויקט ML להתקדם עקב הערכות טכנית ותפעולית מורכבת

ואז הגיעה הקורונה. מלכת הוירוסים . אימת הרשאות השימוש. הסיוט של כל Data Center מקומי והנינג'ה של הגישה מרחוק....

אז כן חזרנו בזמן. אנחנו שוב כאן באוקטובר 2020. הצורך של ארגונים להתקדם בעולם הדאטה נשאר ואף התגבר. ההבנה ששליפת דוחות זה נחמד אבל חיזוי קדימה זה הכרח כבר מתפשטת בארגונים . הרצון להתקדם משלב ה BI לשלב ה ML בוער בכל ארגון חפץ חיים. ועכשיו זה גם אפשרי .

למה? בזכות הקורונה. כמו במטה קסמים ארגונים שלא ידעו שיכולת שיחת ועידה קיימת עד לפני הקורונה כבר לא זוכרים כיצד נראית ישיבה פיזית. ארגונים שבהם אבטחת מידע חסמה כל אפשרות להעביר מידע בכספת מאובטחת הבינו שבלי הרשאות מרחוק הם לא יוכלו להתקיים יותר. ארגונים שידעו רק לאפשר עבודה On Premise הפכו תוך שבועות לשליטי הענן . וכך גם קרה בעולם ה Data Science.

ב Data Tapas קלטנו את השינויים מאד מהר ולכן התאמנו במיידית שירות חדש לארגונים - שירות של מודלי חיזוי וניבוי . מהירים איכותיים ומקצועיים. אבל ... מרחוק.

כן כן. קראתם נכון. היום אתם כבר לא חייבים לדחות את החזון להתקדם לעולם ה ML רק לימים לאחר שימצא חיסון לקורונה. אתם לא צריכים לחכות לאפשרות של חזרה לעבודה פיזית במשרדים כדי שתוכלו לקבל מודל חיזוי מבוסס ML ורץ על הדאטה שלכם .

היום אתם יכולים פשוט לאפשר לנו לגשת לדאטה שלכם מרחוק או להעביר לנו את סט הנתונים בכספת , להגדיר את השאלה העסקית שאתם רוצים לשאול ולקבל מאתנו במהירות מודל חיזוי וניבוי כתוצר של עבודת Data Scientists מעולים ומקצועיים שתפור בדיוק למידותיכם ובטווח זמן שפוי מהיר ובדרך הכי פרקטית שאתם יכולים לדמיין :

כבר לא צריך מקום פיזי והתארגנות תפעולית מורכבת

כבר לא צריך תקציבי ענק לפרויקטים ארוכי טווח

כבר לא צריך לפרסם , לאתר, לראיין, לסנן, להכשיר ולנהל data Scientist רק בשביל מודל חיזוי אחד בודד

כבר לא צריך להיות ארגון גדול ומתקדם בשביל להנות מיכולות ML ובשביל להתקדם בעולם הדאטה

כמו שאנחנו אוהבים לראות את הדברים פשוט גם בעולם ה Data Sceince אפשר עכשיו יותר מתמיד פשוט לעשות - Start Small Think Big

הקורונה בסוף תעלם או שהעולם יתחסן אבל לפחות את היתרונות של התקופה הזו אתם חייבים למנף כבר עכשיו. ללא תלות וללא עיכוב.

דברו אתנו על הצורך שלכם בעולם המודלים היום , תנו לנו הרשאה וגישה מחר ותקבלו מודל מנצח גמיש מקצועי ומהיר עוד לפני שיסתיים הגל השלישי (חמסה שלא יגיע...)

אז למה אתם מחכים ? אתם רוצים לקדם מודלי חיזוי ? לקביעת זום הכנסו לכאן