Financial Technologies

Data Science ‹ Financial Technologies › 0 6 2021 כלכליסט המחלקה המסחרית - תוכן שיווקי / אוקטובר החברה הזו עומדים שני אנשים עם מאחורי ניסיון עצום בתחום הדאטה. אבל כשפוגשים את אייל בירן ודנה פרידמן, השותפים המייסדים, השאלה Data הראשונה המתבקשת היא לגבי שם החברה - . פרידמן מסבירה: "כשיצאנו לדרך, השוק Tapas היה רגיל לכך שפרויקטים של דאטה הם גדולים, כבדים ומורכבים. אבל אנחנו יודעים שאפשר למצוא גם פתרונות קטנים ואיכותיים, טאפאסים כאלה, שמאפשרים לארגון לבצע קפיצות מדרגה גם בלי להתחייב לתהליך של שנים ארוכות". מתמחה ביישום פרויקטי Data Tapas בהתאם לשמה, עבור חברות ML דאטה מהירים וממוקדים, כולל מודלי וארגונים במגוון של ענפים, כולל ענף הפיננסים, בו צברו בירן ופרידמן ניסיון מקצועי וניהולי עשיר. ● ● ● כיצד אתם יודעים להתאים לארגון פתרון דאטה רלוונטי? "אנחנו מאוד פרקטיים, כי אנחנו באים עם בירן: We have ניסיון ניהולי ומעשי בעולמות הדאטה. . אנחנו שותפים למסע הדאטה ובאים לזהות been there בעיות בפעילות הדאטה של הארגון ולעזור לו לפתור אותן, כמו כן לזהות הזדמנויות ולהוביל למינוף היתרונות הלא ממומשים של הארגון בעולם הדאטה. אנחנו מפתחים ומיישמים AI וה- ML "למשל, בעולמות ה- מגוון של מודלי חיזוי וניבוי שבעברנו העסקי עבדנו איתם והפקנו מהם הצלחות, כגון מודלים למניעת נטישה ושימור לקוחות, למכירת המוצר הבא, לחיזוי והתאמה בין נציג שירות ללקוח, לחיזוי סיכויי ההצלחה לעסקה או לניבוי הפוטנציאל העסקי העתידי של לקוח. אלו מודלים שללא ספק יוצרים שוברי שוויון עבור ארגונים". פרידמן מוסיפה: "הרגע הקריטי מבחינתנו בפיצוח מודל חיזוי וניבוי רלוונטי לחברה הוא הדיון הראשוני עם הסמנכ"ל העסקי וסמנכ"ל הטכנולוגיות, בו אנחנו ממקדים אותם בהבנת הצורך. מה בדיוק הם מנסים להשיג עסקית? מה הקושי לממש את היעד כיום בלי מודל חיזוי? מה האתגרים הטכניים? אם הם לא מצליחים לשים את האצבע על השאלה העסקית והיעד להצלחה, אנחנו לא יוצאים לדרך. אנחנו לא מאמינים בלרוץ ולעשות מודל חיזוי לשם הניסוי או החדשנות. מודל חיזוי צריך לקדם ביצועים עסקיים. סמנכ"לים חייבים להגדיר מה הם מנסים לשפר - ואנחנו נעזור להם במימוש!". ● ● ● מהי המתודולוגיה שלכם בפיתוח ויישום של מודל ?) ML חיזוי וניבוי מבוסס למידת מכונה ( "כאמור, אנחנו מתחילים מדיון ופיצוח עסקי. זה בירן: שלב שיכול להימשך גם מספר מפגשים, עד ש'רואים את האור' ויש שאלה עסקית ומדדים רלוונטיים. לאחר Data Tapas מכן מתחיל שלב האפיון העסקי. צוות של בהובלה שלנו לומד את הענף והחברה, מנתח את העולם העסקי, מנטר את מקורות המידע ומגוון מרכיבי הדאטה (מדען DS ומגבש תפישה לפיתוח המודל. לאחר מכן מידע) בכיר מקדם את שלבי הכנת המידע ועיבודו. זה שלב טכני קריטי. בשלב הזה נבדקים איכות הדאטה, טיובו, זמינותו והרעננות שלו". "זה השלב בו לנו יש יתרון ברור על פני כל פרידמן: סגורים ML מוצר סגור שמוכרים כיום בשוק. מוצרי לרוב פותחו בתנאי מעבדה והם נכשלים בשלב של חיבור לדאטה אמיתי, שלא נבנה בדיוק בהתאם למבנה של המערכת הסגורה או מכיל מגוון וסוגים שונים של מידע וכן הלאה. השלב הטכני הזה לרוב יפיל את סיכויי ההצלחה של מוצר סגור, ואילו העבודה שלנו שמותאמת לכל חברה וחברה מבטיחה סיכויי הצלחה גבוהים הרבה יותר בהמשך הפיתוח". "אחת הבעיות המרכזיות של ארגונים פיננסיים בירן: ואחרים היא שהם מנסים לקצר את הדרך, מתרשמים ממצגות מכירה צבעוניות וקונים מוצר סגור – אך מגלים שאין להם יכולת להתחבר אליו או לעבוד איתו עצמאית, כך שהם תלויים בספק בכל שינוי שהם רוצים לעשות במוצר כדי להתאים אותו לצרכים שלהם. כך המוצר נהפך לא רלוונטי עבורם". "לאחר ההתאמההמדויקת פרידמן: והכנת הדאטה, השלבים הבאים עוסקים בניתוח עסקי מעמיק, חקר ) והצפת תובנות שאנו BI נתונים ( מזהים בדאטה. לאחר קבלת משוב מהחברה אנו עוברים לשלב פיתוח המודל ושיפורו בתנועה, כולל שלבי אימון ודיוק. שלבים אלה פותחים בפני המשתמשים העסקיים שמולנו עולם שלם של תובנות ולמידה מממצאי פיתוח המודל. בשלב הסופי רוב העבודה היא מול הגורמים הטכנולוגיים בארגון, עם ליווי צמוד שלנו. לאחר תהליך של כמה חודשים, הארגון מקבל מודל עובד, מדויק ואיכותי, עם גמישות לשינויים והרחבות עתידיות – ובעיקר, מודל שמותאם באמת לצרכים העסקיים ויכול לשרת אותו בשיפור ביצועים מיידי". ● ● ● מהן לדעתכם המגמות המרכזיות בעולם הדאטה, שישפיעו גם על הארגונים המשתמשים בפתרונות דאטה וגם על החברות שמייצרות אותם? "בהיבט התשתית, למשל, יותר ויותר ארגונים פרידמן: - בריכת נתונים Data Lake מקדמים תפישה של הקמת לצורכי אנליזה ודאטה סיינס. כיום התפישה היא שבגלל המעבר לדיגיטל והמידע הרב שקיים בשיחות, בגלישת לקוח באתרים, נכסים דיגיטליים ואפליקציות, יש המון דאטה שאינו מובנה ומצריך תשתית ערוכה להיקפים גדולים וגמישות תחקור". "באותו הקשר, גובר הביקוש למדעני מידע. כיום, בירן: ארגונים רבים מתחילים את הדרך בזהירות, כשהם עושים באמצעותנו. גיוס ישיר Data Science מיקור חוץ לשירותי כרוך בעלויות גבוהות, והארגונים Data Scientists של הללו גם עוד לא יודעים כיצד לעבוד עם אותם עובדים בתחום שהוא חדש ומתפתח עבורם. אנחנו מציעים להם לעבוד עם אנשים שלנו שנה או שנתיים, כשבהמשך הם יכולים לקלוט אותם. כך למעשה גם הארגון וגם Win הארגון מתאימים את עצמם ונוצרת סיטואציה של - . אנחנו רואים את עצמנו כשחקן מרכזי בשוק הזה, Win כשהמטרה היא לעזור לארגונים לנצח בתחרות העסקית". "ארגונים חייבים להתקדם או שאין להם , AI ו- ML לשלבים של בתחרות העסקית" סיכוי מוכיחה שארגון שרוצה לנהל, לייעל ולגזור תובנות Data Tapas חברת מהמידע העסקי שלו, כבר לא חייב להיכנס לפרויקט ארוך ויקר או להסתפק במוצר מדף שאינו מותאם לצרכים שלו. "אפשר להגיע לקפיצת מדרגה עסקית בתוך חודשים ספורים", מעידים מייסדי החברה Data Tapas תעודת זהות | 2016 שנת הקמה: | אייל בירן ודנה פרידמן מנכ"לים ובעלים משותפים: | דאטה ודיגיטל תחום פעילות: www.data-tapas.com | נס ציונה מיקום משרדים: | 15 מספר עובדים: דנה פרידמן ואייל בירן, דאטה טאפאס צילום: ליאת מנדל לעסקים