top of page

פורטל ידע

האם אתם פותרים את הבעיה הנכונה?


מאת: ניר מקובר | יו"ר מרכז המצוינות Data & AI ומנהל מערך הטכנולוגיות, המידע והחדשנות בחטיבת המרכזים הרפואיים הממשלתיים במשרד הבריאות

24.9.2024


 


ארגונים משקיעים סכומי עתק בתחום ה-BI וה-AI במטרה למקסם את תהליכי קבלת ההחלטות ולהפיק תובנות מועילות מהמידע.


עם זאת, למרות השקעות אלו ולמרות הניסיון האדיר שנצבר ב-20 השנים האחרונות, צריך להודות באמת: לא פעם התוצאות אינן עומדות בציפיות. במקרים רבים ה-ROI (החזר השקעה) נמוך, ופתרונות ה-Data שנבנו בקפידה הופכים פעמים רבות ל"פילים לבנים" – משאבים עצומים שלא מנוצלים בצורה יעילה או אינם מספקים את המענה הנדרש.

הסיבה המרכזית אינה נעוצה בטכנולוגיה עצמה, אלא בכך שאנחנו לעיתים קרובות רצים לפתרונות מבלי להבין לעומק את הבעיה האמיתית שאנחנו מנסים לפתור.

היעדר הגדרה מדויקת וברורה של הבעיה, מוביל לתכנון שגוי של הפתרונות, עובדה שמונעת מהשקעות בתחום ה- Data לספק את ההבטחות שלו, ואף עלול להוביל לכך שתקציבים יופנו לפתרונות חלופיים.

זה היה יכול להיות מתסכל אם אי אפשר היה לפתור את זה, אבל הבשורות הטובות הן שזה אפשרי וזה אפילו לא מורכב. ויתרה מכך, חשוב להזכיר ולהדגיש: הפתרון הנכון לבעיה הנכונה היא פיצוח ארגוני שיכול להניב לארגון ערך אדיר.


החשיבות בזיהוי הבעיה הנכונה והסיכונים באי זיהוי שלהן


זה נשמע בנאלי ומובן מאליו אבל שיחות תסכול עם מגוון רחב מאד של ארגונים ושיחות עומק עם מנהלי Data, הולידו את התזכורת המתבקשת: מחשבה מעמיקה כבר בשלבים הראשונים של זיהוי הבעיה עצמה, היא תנאי הכרחי להצלחה.

אם לא מזהים את הבעיה בצורה מדויקת, ייתכן שנפתח פתרון מצוין לבעיה הלא נכונה.

השאלה החשובה ביותר בתחילת כל פרויקט היא: "האם אנחנו פותרים את הבעיה הנכונה?" השלב הראשון של שהייה באזור הבעיה (problem space) לפני שמתחילים בבניית פתרונות, הוא קריטי, שכן בעיה שמוגדרת היטב היא כבר חצי מהפתרון.

פתרונות שמתבססים על הנחות שגויות לגבי הבעיה אינם מסוגלים לענות על הצרכים האמיתיים של הארגון. כאשר הבעיה אינה מוגדרת נכון, גם אם הפתרון שנבנה הוא מהמתקדמים ביותר בהיבט הטכנולוגי, הוא יספק מידע שאינו רלוונטי, יגיע בתזמון לא נכון או יפספס תובנות קריטיות. במקרים כאלו, המשתמשים עלולים לאבד אמון ולהעדיף פתרונות אלטרנטיביים.


כאשר לא מזהים את הבעיה הנכונה, לתוצאות עלולות להיות השלכות משמעותיות:

  • בזבוז משאבים: השקעות גדולות בזמן ובכסף יוקדשו לפתרונות שאין להם תרומה ממשית, דבר שמוביל להפסדים כספיים ותסכול בקרב צוותים ומשתמשים.

  • אובדן אמון: כאשר הפתרון אינו עונה על הצרכים, העובדים והמנהלים יפסיקו להסתמך על הפתרונות שנבנו, והארגון יאבד את אחד הכלים המרכזיים שלו לניהול נכון וליצירת ערך.

  • הפניית תקציבים לחלופות: כאשר פתרונות ה- Data אינם ממלא את ייעודם, הארגון עלול לחפש פתרונות אחרים שיתפסו כיותר אפקטיביים, למרות שאין בכך צורך אם הייתה מוגדרת הבעיה בצורה נכונה.


ההמלצה: אימוץ מתודולוגיית ניהול מוצר לצוותי BI פנימיים 


זיהוי הבעיה האמיתית מתחיל בשימוש בכלים מתודולוגיים כגון:

  • 5 למה (5 Whys): שיטה זו עוזרת לחקור את שורש הבעיה על ידי שאלת "למה" חמש פעמים, בכל פעם על התשובה שניתנה לשאלה הקודמת. תהליך זה מסייע לחדור עמוק יותר אל הסיבה הבסיסית לבעיה.

  • תרשים עצמות דג (Fishbone Diagram): כלי זה עוזר למפות בצורה חזותית את הגורמים האפשריים לבעיה. הוא מאפשר לקבץ גורמים שונים ולנתח כיצד כל אחד מהם משפיע על הבעיה.

  • מיפוי תהליכים (Process Mapping): יצירת מפה ויזואלית של תהליך עבודה לזיהוי נקודות חולשה או חוסר יעילות בתהליך.

  • סיורי גמבה (Gemba Walks): סיור בשטח כדי להבין באופן ישיר את הבעיות שנוצרות בתהליך הייצור או השירות, כפי שהן מתרחשות בפועל. ועוד

אחת הגישות היעילות ביותר לזיהוי הבעיה הנכונה שהתפתחו מאד בשנים האחרונות היא אימוץ מתודולוגיית ניהול מוצר (Product Management), כזאת שמותאמת לצוותי Data פנימיים בארגון.

ניהול מוצר ממקד את המאמצים בזיהוי מדויק של הבעיה על ידי עבודה ישירה עם המשתמשים ועם בעלי העניין. בשלב ראשון, מתבצע תהליך חקירה ואפיון מעמיק של הבעיה והדרישות, לפני שמתחילים בעיצוב הפתרון.


כלים מתוך מתודולוגיית ניהול מוצר שיכולים לשפר את תהליך זיהוי הבעיות כוללים:


  • מחקר משתמשים וראיונות עם בעלי עניין: להבין מה הכאבים האמיתיים שלהם, ומה הם צריכים מה- Data.

  • מפות מסע לקוח (Customer Journey Maps): יצירת מפה של תהליך העבודה של המשתמשים עם המערכת על מנת לזהות נקודות כאב וצווארי בקבוק.

  • "כיצד נוכל" ("How might we?): שיטה המעודדת חשיבה יצירתית בה מנסחים שאלות פתוחות המתחילות ב"כיצד נוכל", כדי לעודד דיון, דיוק של בעיות ושיתוף רעיונות לפתרונות.

  • מטריצות ערך לעומת קושי (Value vs. Complexity Matrix): כלי עזר להערכת הרווח הפוטנציאלי מפתרון בעיה מסוימת לעומת הקושי ביישומה.


מעבר לכך, מתודולוגיית ניהול מוצר מחייבת תהליך מובנה של פיתוח פתרונות, תוך כדי בדיקה מתמדת של המוצר ושל התאמתו לבעיה שהוא אמור לפתור. גישה זו מאפשרת לצוותי ה- Data:

  1. להבין לעומק את הצרכים האמיתיים של הארגון: ניתוח מקיף של הדרישות ושל הבעיות המרכזיות מאפשר לפתח פתרונות מותאמים אישית שבאמת מוסיפים ערך.

  2. למנוע בזבוז של משאבים: כאשר יודעים בדיוק מה הבעיה, קל יותר לבחור את הטכנולוגיה הנכונה ולפתח פתרונות שמתמקדים בפתרון האתגרים הקריטיים.

  3. לשפר את חוויית המשתמש: ניהול מוצר מעודד שיפור מתמיד ומאפשר להטמיע שינויים ותגובות בזמן אמת לפי פידבק מהמשתמשים.


על מנת למנוע את האכזבה המוכרת של "פילים לבנים" בתחום ה- Data, חשוב שארגונים ישלבו את עקרונות ניהול המוצר בעבודה השוטפת שלהם ויתמקדו בהבנת הבעיה בצורה מעמיקה. כך, ניתן יהיה להבטיח שההשקעה תעמוד בציפיות ותשיג את ה-ROI המיוחל.


Comments


bottom of page