{25} {26} {29} {30} {27} {28}
מייסדים: זוהר ברונפמן ונועם ברזיס
משקיעים: Capital S, דל, GGV
שנת הקמה: 2018 עובדים: 130 גיוסי הון: 116 מיליון דולר
סטארט-אפים ישראלים רבים עוסקים בפיתוח כלים שאמורים לסייע לארגונים להשתמש בלמידת מכונה (Machine learning: ML) ולתעל את המידע שצברו לאורך השנים ליצירת תחזיות שישפרו מכירות, ישמרו לקוחות ויגבירו יעילות. הרוב המכריע של הסטארט-אפים הישראלים האלו מציעים פתרון נקודתי לשלב אחד בתהליך, כמו ארגון המידע לפני שהוא נכנס למודל, אימון המודל או ניטור שלו לאורך זמן. אלא שפקאן (Pecan AI) מספקת פתרון מקצה לקצה לכל השלבים הללו בחבילה אחת. ולא רק זה: פקאן מבטיחה גם לאפשר לאנליסטים בצוותים העסקיים להתמודד לבד עם התהליך כולו, ללא צורך לגייס מדעני נתונים יקרים לטובת העניין.
התוכנה של פקאן, ששייכת לקטגוריה שנקראת Auto ML, מפשטת את השימוש בלמידת מכונה באמצעות ספרייה של מודלים מוכנים מראש שנמצאים בה. המודלים מאפשרים לחזות התנהגות לקוחות, כמו איזה לקוח עומד לנטוש וכדאי לנסות ליזום איתו אינטרקציה מונעת, או לחלופין למי כדאי להציע מבצע כי יש סיכוי שיקנה. כל מה שהמשתמש של פקאן צריך, זה לבחור את השאלה שמעניינת אותו מתוך הספרייה ולעקוב אחרי הוראות המערכת.
פקאן הוקמה ב-2018 על ידי זוהר ברונפמן (מנכ"ל) ונועם ברזיס (סמנכ"ל טכנולוגיות), שניהם דוקטורים לקוגניציה חישובית באוניברסיטת תל אביב שנטשו יחד את האקדמיה לטובת היזמות. מאז הקמתה, גייסה פקאן 116 מיליון דולר והיא מעסיקה כיום 130 עובדים. בין לקוחותיה נמנים תאגיד הפארמה ג'ונסון אנד ג'ונסון, חברת הביטוח הקנדית CAA והפניקס הישראלית. "בשנתיים החולפות צמחנו פי שלושה בהכנסות מדי שנה והשנה צמחנו פי שניים, מה שהביא אותנו להכנסות משמעותיות של מיליוני דולרים", אומר ברונפמן, אך לא מפרט מעבר.
האנליסטים העסקיים, קהל היעד שאליו פונה פקאן, כבר משתמשים בתוכנות בינה עסקית כמו QlikSense ו-Tableau, בעזרתן אפשר לקבל פילוח של הלקוחות שנטשו לפי מין או אזור מגורים לדוגמה. השימוש בלמידת מכונה מאפשר להם לעלות מדרגה ולא רק לפלח מי הלקוחות שנטשו, אלא גם לנבא מי עומד לנטוש בעתיד. "בינה עסקית היא תהליך לבחינת היפותזות שמעלה האנליסט ביחס לעבר. התשובות שהבינה העסקית נותנת הן תמיד ברמת הקבוצה, כמו האם גברים לבנים מצטרפים יותר או פחות לשירות", מחדד ברונפמן. "לעומת זאת, למידת מכונה נותנת תחזית עתידית ברמת הלקוח הבודד כאשר הלוגיקה שהנחתה את התחזית לא שקופה וקשה להסבר".
מומחי למידת מכונה אוהבים לומר שסוד ההצלחה שלה לא טמון במודל טוב, אלא קודם כל בשימוש במאגר נתונים חזק. כאן בעצם נמצאת ליבת התוכנה של פקאן, שמכוונת את המשתמש אילו מאגרי נתונים להזין למערכת ומנקה, מסדרת ומחברת ביניהם באופן אוטומטי. "צריך למשל לצרף יחד את טבלת הלקוחות וטבלת העסקאות ולעשות את זה בצורה שתתאים למודל", מסביר ברזיס. "במקרים אחרים צריך להזין למודל נתונים נוספים שלא קיימים, למשל כמה פעולות ביצע הלקוח בתקופת זמן נתונה, ולכן פקאן תסכום אוטומטית ותכניס גם את המשתנה הזה לנתונים".
נגד הגישה של Auto ML נשמעו לאורך השנים גם לא מעט ביקורות, החל מטענה שאיכות התוצאות לא גבוהה מספיק ועד לחוסר גמישות לשחק עם המודלים. כנראה שמדען נתונים מנוסה לא היה נתפס כשהוא משתמש בפקאן או בכל פתרון Auto ML מוכן מהמדף ומבחינת ברונפמן וברזיס זה ממש בסדר. הם פונים לארגונים שאינם יכולים לשכור מדעני נתונים או לצוותים בתוך החברה שלא יקבלו הקצאה של מדענים כאלו אף פעם, אבל עדיין רוצים ליהנות מהתועלות העסקיות של למידת מכונה.
"חברה אחת רצתה לבדוק לאיזה מלקוחות העבר שלה כדאי להציג פרסומות. המודל שלנו חילק עבורם את לקוחות העבר לאלו שבשום מקרה לא יחזרו לחברה ולאלו שיחזרו בכל מקרה, שתי קבוצות שאין טעם לכוון אליהם פרסומות. הקבוצה השלישית הייתה של מי שאולי יחזרו ובהם שווה להשקיע יותר כסף. בסופו של דבר המודל צמצם את הוצאות השיווק של החברה ב-3-4 מיליון דולר ועדיין הגדיל ב-7% את הלקוחות החוזרים", אומר ברונפמן.
בשוק קיימים שפע של פתרונות Auto ML, כמו של דאטה רובוט האמריקאית שגייסה עד היום כמיליארד דולר. אולם ברונפמן וברזיס אומרים שרוב הפתרונות בשוק פונים למדעני נתונים שיודעים לתכנת, בעוד שאצלם אין צורך בידע כזה. מקור לתחרות ישירה יותר עבור פקאן הוא הסטארט-אפ הישראלי נוגטה (Noogata), שגייס 28 מיליון דולר, ומציע גם הוא תוכנה שאינה מחייבת כתיבת קוד. תחרות נוספת מגיעה מתוכנות הבינה העסקית כמו QlikSense, שמוסיפות לעצמן פונקציות של למידת מכונה.
עם זאת, מבחינת מייסדי פקאן, האתגר הגדול ביותר שלהם הוא לא התחרות, אלא חינוך השוק: "צוותים עסקיים מבינים שלמידת מכונה זה חשוב, אבל לא יודעים שהם יכולים להשתמש בלמידת המכונה בעצמם", הם אומרים.