הדרך למימוש חזון Employee Empowerment

Once upon a time…

כשמדובר על מערכות טכנולוגיות לניהול משאבי אנוש, מערכות HR דור א' אשר יושמו בארגונים לפני מספר שנים, לרוב במסגרת פרויקט ה ERP הארגוני, נבנו כ"תשתית" שאמורה להכיל את נתוני העובדים בארגון, מיקומם באגפים, תפקידם, מיקומם ההיררכי וניהול תיק העובד.

במקביל, יושמו "איים" שונים שמטפלים בנושאי גיוס, למידה, ניהול ביצועים ועוד. התוצאה (שניתן לראות אותה כיום בארגונים רבים) נראית בערך כך:

1

מקור: Josh Bersin – Deloitte

כתוצאה מאותם איים, למנהלי/ות HR כיום אין יכולת לקבל תמונה אחידה וברורה של העובדים בארגון. מנהלי HR ו Talent עמם אנו מדברים משוועים ל"מבט עובד 360". כמו כן, אין יכולת לחבר את יוזמות ה HR לדרישות העסקיות, והפער בין השירותים המסופקים לעובדים לבין הציפיות שלהם הולך וגדל.

And then came Talent Management

כבר לפני 10 שנים ספקים שונים בתחומי ה Talent (גיוס/למידה/ניהול ביצועים/פיתוח כישורים ועוד) הבינו כי ארגונים רוצים תמונה אינטגרטיבית והחלו לרכוש ספקים אחרים. לאט לאט הושלם פורטפוליו המוצרים והתחלנו לראות "סוויטות" של ניהול ה Talent שמנהלות את כל מחזור החיים של עובד בארגון Hire-to-Retire.

2

ואז גם ספקיות האפליקציות הגדולות חשו את הטרנד ורכשו סוויטות Talent. בתוך כ 5 שנים בלבד ראינו רשימת רכישות מרשימה – שהיא תמיד הסמן החזק ביותר למגמה…

3

טרנד חזק לסוויטות Talent = טרנד חזק לענן

אנו בהחלט מרגישים שארגונים מעדיפים אימוץ של סוויטות בעולם הטלנט, גם אם בשלב זה כל מה שנדרש הוא להחליף את מערכת הלגסי לניהול הדרכת העובדים, מתוך ראייה אסטרטגית של החלפה אפשרית עתידית של שאר המערכות או חלקן. אולם חשוב לדעת שאותן סוויטות Talent חיות ככלל בענן. טכנולוגיות משאבי אנוש HR & Talent suites מאוד אימצו את מודל הענן ולרוב הארגונים זה דווקא מתאים. יהיו כמובן ארגונים עם דרישות רגולציות שמחייבות השארת נתונים העובדים בגבולות המדינה או הפעלת יכולות של הצפנה וערבול נתונים.

אנו רואים מגמת אימוץ סוויטות ה Talent גם בישראל, עם יוזמות בדרך ויוזמות שכבר החלו.

לרוב, המודולים אותם יישמו ראשונים יהיו LMS – למידה, ולעתים הערכת ביצועים (דווקא מערכות גיוס הן עדיין מערכות בהם יש יותר נטייה לאמץ מערכות לוקליות מתמחות, אולי בגלל שיקולי תמיכה בעברית שהנה הרבה יותר מורכבת בתחום הגיוס בשל הצורך לבצע ניתוח שפה ומלים בקורות החיים).

From Talent to People

על פי Bersin, למרות שאנחנו בישראל רק מתחילים לאמץ סוויטות Talent לאחרונה, ה"דבר הבא" כבר בדרך: People Management. לאחר שיש לנו את התמונה השלמה של ה Talent הארגוני, אנחנו משפרים את היכולת שלנו להעמיק את ההתייחסות שלנו לעובדים כ… אנשים 😊 למקסם את חוויית העובד, להשקיע ביצירת employee engagement, לרתום את העובדים למטרות הארגוניות, לייצר הזדהות ומוטיבציה ועוד.

10

מקור: Josh Bersin – Deloitte

אין ספק שכל אלה הן מטרות שמאז ומתמיד היו קיימות, אולם ממש כשם שהטכנולוגיה שינתה לחלוטין את עולם השיווק, כך היא גם משפיעה מהותית על עולם משאבי האנוש ומאפשרת לנו לראות את העובדים ברזולוציה הרבה יותר גבוהה, להבין מי הם, מה יותר עובד בשבילם, מה הם עושים כרגע, ואיזה ערך ניתן לספק להם.

ניהול חוויית העובד

ארגונים רבים עסוקים כיום במיקסום חויית הלקוח, בהגדרת פרסונות וסגמנטים שמייצגים לקוחות, יצירת מסעות לקוח מותאמות פרסונה, בסדנאות design thinking שמנסות לייצר אמפתיה עם צרכי הלקוחות, להיכנס ל"ראש שלהם" ולהבין איזה ערך הם מחפשים, ועוד.

4

מצד אחד, כל מחקר או סקר בתחום מלמד שיש בעיה חמורה של חוסר הזדהות של העובדים עם מטרות הארגון, חוסר מוטיבציה, שחיקה, ואחוז engagement נמוך בכ 70% מהארגונים!

יש גם מספיק מחקרים שחקרו והוכיחו את הקשר בין עובדים שאינם מזוהים עם מטרות הארגון (ולהיפך) ותוצאותיו העסקיות:

5

 

ניהול חוויית העובד מתחילה במיפוי המשימות שהעובד (לא הארגון) רוצה להשלים, הערכים שהוא/היא מחפשים בכל נקודת זמן, והסתכלות אמפתית שבוחנת את התהליך מצד אותו העובד. לצורך זה צמחו שיטות בעולם ה Customer Experience שניתן לעשות בהן שימוש לעולם העובדים ממש באותו האופן: שלב המחקר בו אנחנו עושים שימוש בנתונים שיש לנו, רעיונות/תשאול של עובדים, דרך הגדרת פרסונות שמראות גרסה "ויזואלית" של העובד ואיפיון התנהגותי, וכלה ב"ציור" מוחשי של הדרך אותה העובד עובר – מעין איפיון על של החוייה כפי שמשתקפת מהעיניים שלו.

כאן אנחנו מעוניינים להגדיר מסע שלוקח בחשבון את אותן משימות, העדפות, צורת עבודה, ולייצר תהליך מותאם, שיספק לאותו עובד/ת ערך בנקודות המגע.

מסע זה יצטרך להיבחן מחדש כל הזמן אולם ככל שסביבת העבודה הופכת להיות יותר ויותר דיגיטלית, כך היכולת שלנו להבין מהי חויית הלקוח בפועל, וכיצד ניתן לשפרה, תעלה משמעותית.

מכיוון שתחום זה עשוי להיראות מעט over-whelming בתחילה (מיפוי כל סוגי הפרסונות של כל העובדים שלנו, ויצירת מסע מותאם אישית לכל אחד?!?) אנו מציעים בחירת פרסונה אחת או לחלופין "מקטע" ספציפי במסע עובד אחד (לדוגמה, בקשת חופשה, לקיחת קורס…) ומקסום מקטע זה, בחינת התוצאות, כימות הערך, ולהמשיך הלאה.

יש כאן בעיה – כלומר, הזדמנות!

לפונקציית ה-HR בארגון יש הזדמנות מאוד גדולה להפוך להיות חלק גדול ממאמץ השינוי הארגוני שמתרחש כעת בכל כך הרבה רבדים. ה"טרנספורמציות" השונות שמתרחשות כרגע בתחומים רבים בארגון – בין אם זה בתחום חוויית הלקוח, יצירת תרבות של חדשנות, הפיכת הארגון ליותר מונע-נתונים (Data Driven) ועוד, אין ספק שמשאבי אנוש חייבים להתחבר למטרות עסקיות אלה, ולראות כיצד הם מסייעים ומשפיעים ישירות (ואף לכמת השפעה זו!) על מה שמעניין את הארגון בימים אלה.

בערך בשלב זה של השיחה, תעלה השאלה: אבל איך מוכיחים השפעה של גיוס עובדים, ניהול חוויית העובד, ניהול ה talent הארגוני וכו', על התוצאות העסקיות של הארגון?

התשובה היא שניתן, וזה כנראה גם לא מאוד מורכב. מספיק להסתכל על השינוי שנעשה בשנים האחרונות בפונקציית השיווק שהפכה מ"בלתי מדידה בעליל" לכל כך מדידה ומוטת ROI. השקיפות הזו נתנה הרבה כוח לעולם השיווק שגדל ומתרחב כיום לעולם חויית הלקוח, ואנחנו חושבים שהיא עשויה לעשות משהו דומה גם בעולם משאבי האנוש.

הזדמנות משמעותית שיושבת על השולחן כרגע הוא הצורך של ארגונים ב Skills חדשים שיאפשרו להם לצמוח (ולעתים גם לשרוד) בשנים הבאות – כמו לדוגמה, אנשי T (שמתמחים במקצוע מסוים אך יודעים לעסוק בעוד הרבה עולמות תוכן אחרים), וכן ביצירת שיטות עבודה חדשות, שיתופיות הרבה יותר ששואבות השראה מעולם ה-Agile. שיטות שמייצרות צוותי עבודה מולטי-דיסציפלינאריים, בין אם מדובר על עולם התוכן השיווקי, או הטכנולוגי, או המוצרי או כל אלה ביחד.

איפה פונקציית ה-HR במאמץ זה? כיצד היא מסייעת לארגונים לייצר את אותה יכולת ארגונית?

 6

7

אז מה עושים כדי לקשר יוזמות HR/Talent עם האתגרים העסקיים של הארגון?

כאן אנחנו מסתמכים על השימוש בעולם הנתונים והאנליטיקה. KPMG הגדירו תהליך שהם קראו לו בשם Evidence-based HR והוא נראה כך:

8

כלומר, Evidence-based HR עושה שימוש בדאטה, אנליטיקה ומחקר על מנת להבין את הקשר בין יוזמות ניהול ההון האנושי, לבין תוצאות עסקיות (כמו ביצועים פיננסים, שביעות רצון לקוחות, איכות וכו').

Data-Driven HR

כבר שוחחנו רבות על תחום ה Data-Driven שנוגע בכל רובד אפשרי בארגונים כיום. גם בתחום משאבי אנוש, אנו חושבים שיותר ויותר פעילויות (לא רק "החלטות" אלא הפעולות בפועל) יתבססו על תובנות, שנשענות על נתונים.

אולם המאמץ להגיע לאותו חזון של Data-driven HR הוא גדול, בעיקר בגלל שכיום כמעט אין כלום. אנחנו צריכים קודם כל לטפל בשכבת הדאטה – האם יש לנו את כל הנתונים, באופן שיאפשר לנו לבצע ניתוח ומחקר? האם יש לנו תמונת עובד 360? צריך לזכור גם שאנו צריכים נתוני ביצועים עסקיים הרלוונטיים להשערה שאנחנו מנסים להוכיח. אם אנו רוצים להדגים שאופן ההכשרה של עובדים משפיע מהותית על שביעות רצון הלקוחות, אנחנו צריכים נתוני שביעות רצון לקוחות. כלומר, יש צורך להרחיב את מעגל הנתונים מעבר לנתוני ה-HR, שגם הם עצמם לרוב לא מאורגנים ומטוייבים.

גם בגזרת האנליזה וביצוע המחקר אנחנו לרוב מתחילים משלב די בסיסי. ישנם ארגונים בהם קיימת פונקציה של אנליסט/ית לעולם משאבי אנוש, אולם זה עדיין לא דבר נפוץ. גם אם ישנה כזו פונקציה, לרוב היא פונקציה של אנליסט/ית BI, שעוסק בשאלה "מה קרה בעבר?". אם אנחנו רוצים לעסוק בתחזיות ומגמות, אנחנו צריכים לגייס או להכשיר אנליסטים שמכירים את עולם המודלים אנליטיים ו- predictive analysis. כלומר, יש כאן אבולוציה של יכולות בחקר הנתונים, כאשר השאיפה צריכה תמיד להיות להתקדם צעד אחד קדימה (ולא לקפוץ משלב 0 לשלב 4, לדוגמה).

9

לסיכום:

הדרך למימוש חזון העצמת העובדים מתחילה ביצירת פלטפורמה תומכת להמשך הדרך ויצירת הסתכלות אחידה על העובדים, דרך התחברות ליוזמות העסקיות המהותיות בארגון ובניית תכנית מתאימה, כולל היבטי People Analytics ויוזמות הממחישות את הקשר בין מאמץ ה HR ואותן יוזמות עסקיות, יצירת סביבות עבודה מותאמות לעובדים הנשענות על מסעות עובדים, ובחינה מתמדת של הערכים הניתנים לעובדים בכל נקודות המגע.

עבור פונקציית ה-HR, זוהי תקופה מלאת הזדמנויות להוכחת ערך ולהתגייסות לשינויים ארגוניים משמעותיים.

מודעות פרסומת
הדרך למימוש חזון Employee Empowerment

הענן פה – אז מה עושים?

בסקירה הקודמת בנושא זה הבענו את הדעה שפונקציונליות עסקית מהותית תתבצע בענן הציבורי, מה שלא מותיר לארגונים ברירה או בחירה אם כן או לא להיות בענן. הסיבה העיקרית לכך היא שהספקים הבולטים מציעים פונקציונליות מתקדמת רק בענן. ספקים רבים מציעים את המוצרים\שירותים שלהם רק בענן ואחרים מציעים גרסאות on premise מצומצמות לעומת הגרסאות בענן.

אין בכך להביע דעה אם הדבר הוא "טוב" או "רע". זאת פשוט המציאות. כעת נשאלת השאלה כיצד ארגונים צריכים להתכונן לסיטואציה חדשה זו. ננסה לתאר מספר סוגיות שמחייבות תשומת לב ברמת ה- CIO וברמת הארגון כולו:

הטמעת תמידית של תהליכים עסקיים ומערכות המידע התומכות בהם

רובם המכריע של הפתרונות המוצעים בענן מבוססים על ארכיטקטורה של multi-tenant והמשמעות היא שכל המשתמשים בעולם נמצאים באותו בסיס של קוד ומסד נתונים ולכן כאשר מתבצע שדרוג – הוא מתבצע לכל המשתמשים בעולם באותו זמן ולא ניתן לדחות שדרוג זה. רוב יצרני הפתרונות בענן מבצעים שדרוג פעמיים בשנה והמשמעות היא שארגונים צריכים (תלוי בגודל השינוי של הגרסה החדשה לעומת הגרסה הישנה) לבצע הטמעה של הגרסה החדשה של המערכת, כולל שינוי של תהליכים עסקיים המתבקשים משינויי המערכת. זאת לעומת המצב הקודם שבו שינויים (אמנם גדולים יותר) היו מתרחשים רק פעם במספר שנים. לפיכך, מאמץ ההטמעה הארגוני אמור לגדול, כאשר הטמעת מערכות הופכת להיות פעולה שהיא יותר on going ולא פעולה שמתרחשת פעם במספר שנים. הגורמים העסקיים צריכים לקבל את העובדה שתהליכים העסקיים משתנים\מתפתחים כל הזמן.

מעבר מ- CAPEX ל- OPEX

צריך להבין שהענן הוא 'שירות', ללקוח אין בעלות על הענן אפילו אם מבצע עסקה ארוכת טווח. לפיכך מדובר בהוצאה שוטפת הנרשמת ב- OPEX. זאת לעומת התוכנה שמותקנת בארגון – שהיא בבעלות הלקוח והסכום ששימש לרכישה מופיע בתקציב ההשקעות הארגוני CAPEX. התוכנה בבעלות הארגון הוא נכס שמופיע כחלק מנכסי הארגון במאזן ומופחת עם השנים. בארגונים מסחריים רבים ישנה העדפה ל- CAPEX לעומת ה- OPEX ומשום כך יחסי ה- CAPEX \OPEX משפיעים על מדד חשבונאי EBITDA- רווח לפני ריבית, מיסים, הפחתות ופחת (כלומר הפחת אינו חלק ממדד זה). במסגרת המעבר לענן הגורמים הפיננסיים (CFO, חשבות, קשרי בורסה וכד') יצטרכו "לעכל" את העובדה שהתמונה הפיננסית של הארגונים השתנתה ויצטרכו להסביר זאת לגורמים הרלוונטיים, כגון המשקיעים בבורסה.

סייבר ורגולציה בקצב מואץ

המעבר לענן מהווה כר פעילות חדש לפושעי הסייבר וחושף את הארגון לסיכונים חדשים. טכנולוגיית הענן מתעדכנת אף היא כל הזמן, הן בממד הפונקציונלי והן מבחינת הגנות הסייבר המוטמעות בטכנולוגיות הענן. במקביל, וכתוצאה מכך, הגורמים הרגולטורים מעדכנים כל הזמן את ההנחיות שלהם לגבי הענן – ויצרני הענן משפרים עמדות כתוצאה מדרישות רגולציה, לקוחות והתפתחויות טכנולוגיות. הארגון לא רק חייב לעקוב אחר הוראות הרגולטור ולהטמיע אותן במערכות הפנימיות. הוא גם חייב לעקוב אחרי הסטטוס של יצרן הענן – באילו רגולציות הוא עומד? איזה תקנים הוא קיבל או נשללו ממנו? המשמעות הארגונית היא שתהליכי העבודה הקשורים להגנת סייבר ולעמידה ברגולציה צריכים לקבל "זריקת מרץ" ולפעול באופן זריז יותר.

מבנה ארגוני חדש ושדרוג תהליכי תפעול ללא דריסת ה"ישן"

במאמר הקודם כבר דיברנו על כך שהענן מחייב התארגנות שונה ובניית תהליכים חדשים בין הגורמים הבאים: תפעול תשתיות, רגולציה, רכש ,מטה ה- IT (העוקב אחרי התקציבים ומתעדף משאבים) ואבטחת מידע\סייבר. במאמר גם הזכרנו כלים אשר באים לתת מענה לסוגיות אלו – תחום ה- cloud management platforms. הפעם נשים את הדגש על שילוב הישן עם החדש. לארגונים יש נטייה לבנות צוות ענן המופרד מהצוותים הקיימים בארגון. למרות היתרון במיקוד ובמקצועיות מדובר על מהלך שגוי, מכיוון שבניית צוות נפרד אשר מטפל בענן גורם ליצירת שני מחנות בארגון "ישן" מול "חדש", דבר שמהווה מתכון לכישלון בטווח הארוך. הדרך המומלצת היא לשלב את החדש בתוך הישן – במידת האפשר. כלומר, לדוגמא, צוות הסיסטם יטפל בשרתים בענן וגם בשרתים on prem. צוות ה- DBA יטפל בנתונים גם בענן וגם ב- on prem וכד'. רק האזורים שלא קיימים כלל בסביבת ה- on prem צריכים להיות מטופלים על ידי צוות הענן – דברים כמו ניהול הקשר מול ספק הענן בהקשר של תקציבים, מידת השימוש וכד'.

עד כאן להפעם.

בהמשך נדון באזורים נוספים בהם נדרשת התייחסות מיוחדת של ה- CIO לענן, וביניהם שדרוג טכנולוגיות ותהליכי הפיתוח, תפיסת קישוריות חדשה שתתמוך בדרישות הענן, אנונימיזציה של נתונים ועוד.

הענן פה – אז מה עושים?

ענן: תמצות המגמות ומצב השוק בישראל

לאחרונה אנחנו מקבלים שאלות רבות מארגונים מוסדיים על הענן הציבורי. נראה שאחוז הפעילות בענן הציבורי יגבר באופן מהותי בשנים הקרובות. הסיבות לכך (חשיבות בסדר יורד):

  1. Cloud First/ Cloud Only: ככל שעובר הזמן ישנה יותר ויותר פונקציונליות עסקית מתקדמת אשר קיימת אך ורק בענן. (כמעט) כל האפליקציות החדשניות העסקיות המפותחות כעת נמצאות בענן. לגבי אותם פתרונות להם קיימים גם גרסאות ענן וגם גרסאות on premise, על פי תמונת המצב שנמצאת בידינו כעת, החברות מפתחות ומקדמות את גרסאות הענן יותר ויותר לעומת גרסאות ה- on premise אשר "קופאות על שמריהם" ובמקרים הפחות טובים מפסיקות להיתמך. משמעות ניתוח זה היא שארגון אשר ירצה להמשיך ולהשתמש בפונקציונליות עסקית מתקדמת יהיה חייב לעבור לענן באותו האזור ולכן במובנים רבים, בגלל שיקול זה, הענן הוא לא אופציונלי אלא בגדר הכרח. כלל הארגונים המתקדמים יהיו, בדרך כזו או אחרת, בענן.
  2. הענן מספק גמישות ועדכניות טכנולוגית משופרת בעשרות מונים על הגמישות והעדכניות הקיימת בארגוני ה- IT ואף המתקדמים ביותר. כל היכולות הטכנולוגיות החדשניות נמצאות בענן וניתן להתחיל להשתמש בהן על ידי "לחיצה על קליק" (כמעט…). לעומת ארגון מסורתי אשר רוצה להשתמש ביכולות חדשניות: תחילה, עליו לרכוש את הטכנולוגיה החדשה, לאחר מכן להתקין אותה, להטמיע, לתפעל אותה (עדכוני גרסאות וכד'). ולכן ארגונים אשר שואפים להשתמש בטכנולוגיות החדשניות ביותר באופן מהיר עושים זאת באמצעות הענן. אגב, אלטרנטיבה מסוימת לזריזות הטכנולוגית המתקבלת בענן היא הקוד הפתוח שגם הוא מאפשר זריזות גבוהה עקב האפשרות להשתמש ולנסות בפונקציונליות חדשה באופן נוח (ללא רכישה). עם זאת, תפעול הקוד הפתוח (התקנה, קינפוג, עדכון גרסאות וכד') יותר מורכב בסביבת קוד פתוח ב- on prem מאשר בענן ועלול להיות גם יותר מורכב משימוש במוצרים מסחריים.
  3. עלויות באופן כללי ויכולת גידול\קיטון בפרט. ישנם מספר לא מבוטל של מקרים שבהם הענן יכול לספק שירותים זולים משמעותית מאשר הארגון המסורתי. עם זאת, יש גם מקרים שבהם הענן לא ייתן שירות זול יותר מאשר הארגון המסורתי.

לסיכום, כל עוד תימשך המגמה של "יותר ויותר פונקציונליות עסקית אשר קיימת רק בענן" – ארגונים יהיו מחויבים להשתמש בענן, אפילו אם לא יעשו זאת בשמחה מרובה. הרי במערכת היחסים "ספק – לקוח" בענן, הלקוחות מאבדים חלק מכוחם היחסי והספקים מתחזקים. זאת מכיוון שביישומי on prem מסורתיים הלקוח הוא הבעלים של התכנה ויכול באופן תאורטי (וגם מעשי) להחליט שהוא מפסיק את ההתקשרות ונשאר בגרסה הנוכחית שלו של התכנה. דבר זה לא קיים בענן ולכן יכולת התמרון של הלקוח למול הספק נמוכה באופן משמעותי. למרות שיקול זה, לארגוני ה- IT אין נכון להיום ברירה והם חייבים להיכנס לענן כי הספקים פשוט אינם מאפשרים להם להתקדם בסביבת ה- on prem. לגבי אותם ארגונים אשר באופן מסורתי לא מחוברים לאינטרנט או מפוקחים באופן משמעותי על יד הרגולציה, קיימים גם פתרונות לגבי מידע רגיש שלא יכול לצאת מתוך הארגון. מעבר לפתרונות ההצפנה השונים (שמירת המפתחות בתוך הארגון או בענן) ישנם גם פתרונות של tokenization שמשמעותם היא שהמידע הרגיש נשמר בתוך הארגון ב-DBMS\טבלה ומה שיוצא החוצה הוא "מספר סידורי" בתוך הטבלה. ולכן גם אם פתרונות ההצפנה נפרצים, התוקף יגלה בסך הכל את המספר הסידורי בטבלה ולא את הנתון הרגיש (שנמצא רק בתוך הארגון).

לגבי שוק הענן ישנם מספר ספקים גדולים בתחום ועוד הרבה ספקים קטנים חלקם מקומיים. שלושת הספקים המובילים בעולם הנם מיקרוסופט (Azure), אמזון (AWS), וגוגל (GCP).

המוביל ביניהם הוא Amazon – AWS. AWS היו הראשונים בתחום של IaaS ו- PaaS, הם הגדולים בתחום מבחינת הכנסות מספר שירותים ומבחינת היצירתיות בתחום. לדוגמה, AWS היו הראשונים שיצאו עם שירות serverless (בשם Lambda). מהות השירות (אשר כעת קיים גם ב- Azure וב- GCP) הוא קוד שמחכה ל- trigger כלשהו ומתבצע כאשר ה- trigger מתקיים. התשלום מתבצע לפי מספר הפעמים שהקוד רץ (ולא מחייב שימוש ותשלום לפי שרת). דוגמה נוספת למובילות של AWS היא העובדה שכל הפתרונות החיצוניים אשר מבצעים אופטימיזציה של עלויות ענן (כלומר מסתכלים על השימוש בענן וממליצים המלצות כגון "במקום 5 שרתים גדולים כדאי לעבור ל-20 שרתים קטנים") יודעים לעבוד מעל AWS אבל לא תמיד על שאר העננים. כלומר, AWS הוא המוביל.

Azure של מיקרוסופט גם הוא נחשב בין המובילים בתחום עקב ההשקעות הגדולות של מיקרוסופט בתחום (שאגב תומכת ביישום כל הטכנולוגיות בענן שלה כמו לינוקס ולא רק ב- windows) וגם עקב הנוחות של ארגונים להשתמש בסביבה המוכרת להם – לדוגמה שכפול של Active directory מתוך הארגון ל- Azure מתבצע באופן שהוא seamless. אגב, מיקרוסופט הוציאו לאחרונה פתרון חדשני AzureStack שהוא יישום חלק מיכולות הענן הציבורי Azure בתוך הארגון על ידי מכונה שמתנהגת כמו Azure הציבורי. פתרון זה יכול להקל מאוד על מעבר ארגונים לענן.

GCP של google גם הוא בין השלישייה המובילה. תוך ניצול היתרון הטכנולוגי של גוגל בתחומים רבים (לדוגמה רשת פרטית שמחברת בין המרכזים של גוגל -כך משיגים מהירות רבה יותר), ויכולות טכנולוגיות אחרות. GCP נחשבת בהחלט בין אחת המובילות אך מידת הבשלות שלה לעבודה מול enterprises בישראל עדיין לא מלאה בשלב זה.

עננים בולטים נוספים מעבר לשלישייה הפותחת הנם הענן של אורקל והענן של IBM. אורקל משקיעה רבות בענן שלה, רוכשת חברות רבות, הן חברות SaaS והן חברות המספקות טכנולוגיות ענן אחרות (לדוגמה רכישת ravello הישראלית). מן הסתם לאורקל יתרון בהרצה של טכנולוגיות מסורתיות כמו oracle dbms , יתרון בהפעלת bare metal ועוד. IBM בצעו רכישה של softlayer אחד העננים המתקדמים שכלל יכולת ייחודית של bare metal (הקמה ושימוש בשרתים פיזיים ולא רק וירטואליים). וכמו אורקל גם היא מאפשרת חיבור מתקדם בין מה שרץ בתוך הארגון לבין מה שרץ בענן הציבורי.

גם לספקי הענן המקומיים יש מקום. יתרונם של הספקים המקומיים הוא הן בהיבטי רגולציה (נמצאים בישראל) והן בהיבט של letancy ועלויות רשת. הספקים בישראל הנם טריפל סי, בזק בינלאומי, Med1, טלדור, one1 בינת ועוד.

להערכת STKI ארגונים לא יתרכזו בענן אחד אלא ישתמשו במקביל במספר עננים – כל אחד לפי היכולות הטכניות שלו, עלויות  ולפי פרמטרים נוספים (לדוגמה, דרישות רגולציה, היכרות מנהל הפרויקט עם טכנולוגית ענן מסוימת ומידת הדחיפות לסיום הפרויקט).

מעבר של ארגון לענן אינו טריוויאלי. מעבר לסוגיות של רגולציה, ישנן גם סוגיות תפעוליות רבות אשר ארגון נתקל בהם בפעם הראשונה. לדוגמה, ארגון תקצב פרויקט ב- 10K ₪ לשימוש בענן לחצי שנה. מסתבר שהפרויקט סיים את התקציב תוך חודש וחצי וכעת יש לקבל החלטות באופן מהיר מה עושים בכדי לא לפגוע בלקוחות שמשתמשים בפרויקט. מדובר על החלטות שונות ובקצב מהיר יותר ממה שהיו רגילים. דוגמה נוספת: ענן שינה את תנאי השימוש שבו וכעת ישנה שאלה משפטית רגולטיבית האם ניתן להמשיך ולהשתמש בענן באותו אופן.

כלומר הענן מחייב התארגנות שונה ובניית תהליכים חדשים בין הגורמים הבאים:

  1. תפעול תשתיות
  2. רגולציה
  3. רכש
  4. מטה (העוקב אחרי התקציבים)
  5. אבטחת מידע\סייבר

ישנם גם כלים אשר באים לתת מענה לסוגיות אלו. מדובר על תחום cloud management platforms עם יצרנים כמו rightscale scalr cliickR (cisco) cloudform redhat ועוד. אנחנו ממליצים לארגון ללמוד סוגיות אלו (וכמו כן, לא לבצע רכש של כלים כאלה כעת).

לסיכום, הענן כאן והוא בהחלט תופס תאוצה. ארגונים צריכים להשקיע את המשאבים בכדי לפחות לטעום מן הענן כך שיהיו מוכנים לפרויקטים גדולים ומהותיים בענן.

ענן: תמצות המגמות ומצב השוק בישראל

ניהול חדשנות על ידי Design thinking

The future cannot be analyzed, it must be designed" – Edward de Bono"

העולם העסקי נכבש לאחרונה, על ידי המושג Design thinking. לא מדובר בעיצוב תעשייתי של המשרדים החדשים, אלא ביישום עקרונות עיצוב על האופן בו אנשים עובדים היום.

גישה חדשה זו היא במידה רבה תגובה לשינוי מתמיד ולמורכבות הגוברת של הטכנולוגיה בחיים שלנו. עסקים מודרניים מתמודדים עם אתגרים מגוונים: תוכנה עומדת בלב של כל מוצר ושירות, כל תהליך עסקי מעוצב מחדש על מנת להפוך לאינטואיטיבי ופשוט לצרכן. בנוסף, אנו ממציאים מחדש תעשיות שלמות. לא מדובר עוד בפיתוח אפליקציית מובייל, אלא בבניית תפיסה חדשה לגבי מתן שירותים ממשלתיים או אספקת שירותי בריאות בדרך קלה, חכמה, כזו שחוסכת זמן ואינטראקטיבית. בעולם המשתנה בקצב אקספוננציאלי, אין תשובה אחת נכונה, הדרך יחידה לשרוד הנה לחשוב על מספר דרכים להתקדם בו-זמנית, להתנסות בהן תוך הימנעות מעלויות השקעה כבדות, להניח לאלה שעבדו פחות טוב, ולפתח את אלה שהוכיחו את עצמן כתורמות לארגון וללקוחותיו.

Design thinking מוכרת בעיקר כמסגרת מתודולוגית עבור ניהול החדשנות, אך היא באה לנער את כל התחום של התכנון העסקי באשר הוא. עקרונות של חשיבה עיצובית באו לתת מענה לתכנית ארגונית מסורתית, אשר נפרסת על מאות דפים (יש מי שהצליחו לסיים לקרוא אותה?!), ונכתבת במהלך 4-8 חודשים בממוצע (ברגע שנכתבה – חייבים לשכתב ולהתאים למציאות העסקית החדשה).

תכנית אסטרטגית לינארית, אשר כולה בנויה ממחקר ממושך, סיבה ותוצאה והמלצות קשיחות, לא מתאימה יותר למציאות ארגונית שהיא כאוטית, דורשת רעיונות 'מחוץ לקופסא', ופתרונות מהירים.

DT

Design-centric organization מסייע לאנשים להביא רעיונות על פי העקרונות הבאים:

אמפתיה:

דגש על חווית הלקוח, במיוחד על חוויות רגשיות, כדי לבנות אמפתיה עם הלקוח. הארגון מעודד את העובדים להתבונן בהתנהגות הצרכנים ולנסות להבין מה אנשים רוצים וצריכים. מדובר בתובנות שקשה להביע בשפה כמותית. ארגונים המאמצים design thinking משתמשים בשפה רגשית לתיאור מוצרים והבנת צרכי לקוח (מילים המביעות תשוקות, שאיפות, מעורבות וניסיון). יחד עם הבנת דרישות המוצר החדש או שיפור השירות, הם מנסים להבין איזו תגובה רגשית מעוררת הצעת הערך שלהם אצל הלקוחות.

בתרבות ארגונית אשר שמה דגש על חוויית הלקוח, נקודות המגע עם הלקוחות נבנות ומעוצבות מנקודת המבט של הלקוחות ולא משיקולי התייעלות תפעולית.

הגדרת בעיה

"אם היה לי רק שעה לפתור בעיה, הייתי מבלה שלוש רבעי שעה בניסיון להגדיר מהי הבעיה", אמר ראש המחלקה להנדסת תעשייה של אוניברסיטת ייל. בין אם זה נכון או לא, מאוד חשוב לנסח את השאלה הנכונה עליה צריך לענות.

רעיונות

לאחר הניסיון לראות את המציאות דרך העיניים של הלקוחות והגדרת הבעיה, מגיע הזמן לזרוק רעיונות. כמה שיותר רעיונות. המטרה של השלב הזה הנה לתת לדמיון להשתולל ולמצוא רעיונות יצירתיים, מבלי להשקיע יותר מדי מחשבה בכמה הרעיונות הללו טובים או ישימים. זה הזמן לערבב את התובנות עם האינטואיציה, לשחק, לחלום ולחזות, ובמאמץ משותף לנסות להגיע לתחומים חדשים של פתרון הבעיה. בעידן של מורכבות ואי וודאות עסקית וטכנולוגית בו אנו חיים חשיבה יצירתית לא מוגבלת היא הדרך היחידה, כנראה, להשיג פתרונות חדשניים לפני המתחרים. ואם מספר רעיונות לא יהיו מספיק מוצלחים, לא נורא! לא השקענו בהם חודשים של מחקר וכתיבה וסוללת יועצים יקרים.

קבלת החלטות – HiPPO VS Geek

ארגון תלוי בקבלת החלטות, כיצד לבצע את העבודה ומה חשוב לעשות בשלב הבא, בכל יום ובכל רמה – אסטרטגית וטקטית. כאשר אנו מסתכלים כיצד ארגונים מקבלים החלטות (לאיזה שוק להיכנס, באיזה פלח לקוחות להתמקד, מהי האסטרטגיה השיווקית וכדומה) אנחנו מתבססים על ניתוח נתונים ומחקרי שוק, אבל ברגע מסוים מישהו חייב לקחת החלטה "מהבטן". ההחלטה הזאת היא בדרך כלל החלטת ה –HiPPO – Highest paid person's opinion. בכל חברה יש את אותו האדם בעל המוניטין המרשים ביותר, בעל הטייטל הארוך ביותר, עם המשכורת הגבוהה ביותר, שבסופו של דבר, לאחר איסוף מידע, ניתוח נתונים ויועצים, יהיה זה שיחליט. אנו מקבלים את החלטת ה HiPPO והדבר מקובל על כולם.

את החלטת ה HiPPO באה להחליף החלטת ה-Geek , אותה אנו מנסים לנקות מכל השפעה של דעה קדומה ושיפוטיות, מבוססת על עדויות ונתמכת על נתוני אמת מהשטח. ואם תחושת הבטן שלי שונה מתוצאה המתקבלת על בסיס ניתוח נתוני אמת, כדאי לוותר עליה.

בניית אב טיפוס

לבניית ה prototype כדאי לאמץ את שני העקרונות הבאים:

  1. MVPMinimal Viable Product. פיתוח מהיר של מוצרי אב טיפוס יכול לעבוד אך ורק אם דוגלים בהבנה של מהו הפיצ'ר הקטן והרזה ביותר שיכול לספק ערך חיוני ללקוח. לא מערכת חלומותינו, לא "אם כבר, אז כבר", אלא מוצר מינימלי בעל ערך ברור. היתרון של בניית Minimal Viable Product טמון ביכולת לפתח מוצר תוך מספר שבועות, ולספק ללקוח פיצ'ר חיוני, גם אם קטן.
  2. לבנות -> לבדוק -> לבנות מחדש. מכיוון שמדובר בבניית אב טיפוס בלבד, ארגון יפתח מספר מוצרים קטנים כאלה במקביל, והם יובילו, בסופו של דבר, למוצר הסופי או המערכת. ארגונים יתפתחו, יבדקו וישפרו את הפתרונות החדשים המון פעמים לפני שיגיעו למוצר הסופי. לפי שיטה זו ארגון לומד גם מהכישלון. למעשה, מוצרים חדשניים אמתיים שהצליחו להשפיע באופן מהותי או לשנות לגמרי את המציאות שלנו נעשו לכאלה בעזרת תהליך מתמשך של בנייה, בדיקות, כישלון, ועיצוב מחדש.

לסיכום

הדרך הטובה ביותר להבין Design thinking היא להתנסות בה. כדאי להתחיל בפרויקטים חדשים ובניית roadmap למוצר, אך גם פרויקטים גדולים וחוצי ארגון ותכנית אסטרטגית. Design thinking היא בעיקר בנייה ועשייה – אז גשו לעבודה!

 

 

ניהול חדשנות על ידי Design thinking

מגמות בעיצוב חווית הלקוח – CX Design

כלכלת תשומת הלב, ערך, התפתחויות בתחומי UX, CX ומה שביניהם

בעידן בו אנחנו כל כך מתאמצים לחסוך ללקוחות שלנו זמן, מסתבר שזה לא מספיק. לא רק הזמן הפך להיות מצרך נדיר אלא גם הקשב ותשומת הלב שלנו. תחשבו על זה, אנחנו מוקפים במידע, מולטיטאסקינג הפך להיות מצב תמידי, ותשומת הלב אותה אנחנו מוכנים להקדיש לכל דבר הולכת ומתקצרת.

אנשים בעצם מבקשים מאתנו לא רק לחסוך להם זמן אלא גם לחסוך להם תשומת לב.

זמן שבזבזנו ללקוחות שלנו כיום הוא כבר בגדר בלתי נסלח. בקרוב מאוד לקוחות כבר לא יסלחו לנו בקלות על בזבוז הקשב ותשומת הלב שלהם (לחשוב על דברים, להחליט, לבחון, לבדוק, להרהר…) מה שהופך להיות מצרך נדיר יותר ויותר. ארגונים צריכים לשאוף ליצור חוויות שמצמצמות את תשומת הלב שלקוחות צריכים להקדיש (המאמץ/מחיר) למינימום ההכרחי. כמו כן, להשיג את תשומת הלב של אנשים הופכת להיות משימה לא פשוטה והמלחמה על הקשב רק תלך ותגבר.

אם כן, ארגונים ניצבים בפני שתי החלטות:

  1. איך הם יוצרים חוויות שהבן תשומת הלב של הלקוח מצטמצמת למינימום ההכרחי?
  2. ומה הם עושים עם תשומת הלב של אנשים ברגע שהם השיגו אותה?

 כיצד עומדים בקצב שינוי הציפיות?

התרגלנו לחשוב שהצרכנים הם הקובעים, הם רצים כמו מטורפים ומעלים לנו כל הזמן את רף הציפיות, ואנחנו – הארגונים – רודפים אחריהם ומנסים להדביק את קצב הציפיות הבלתי אפשרי. אבל האמת היא שיש לנו הרבה יותר השפעה ממה שאנחנו נוטים לחשוב. הציפיות של צרכנים מחר תיקבע על ידי החדשנות העסקית של היום, אותה חדשנות עסקית שאנחנו בעצמנו יוצרים.

אם נייצר חוייה שמרגישה טבעית, משתלבת היטב במשימות היומיומיות של הלקוח, מטפלת בכאב/משהו שדורש את זמנו/ה את תשומת לבו/ה ומעלימה את אותו הכאב, אנו בעצמנו נייצר לאותו לקוח ציפייה חדשה.

את אותה הציפייה הוא ישליך כלפי הארגון שלנו, וגם כלפי ארגון מתחרה שלנו, ונותני שירותים אחרים בכלל. אז החדשנות העסקית שלנו, הארגונים, משפיעה ישירות על אותן ציפיות וברגע שיש ציפייה, אסור להפר אותה.

מחקר מעולה של חברת Trendswatching מקבץ את המגמות המשפיעות ביותר על סוגי הערכים שצרכנים מעריכים:

  1. Ubitech: לעתים מכונה גם Ubiquitous technology, ומתייחס לזמינות הרחבה של טכנולוגיה בכל מקום וזמן שיוצרת ציפייה לצרוך שירותים דיגיטליים בכל מקום ובכל זמן
  2. Ephemeral: ביטוי המבטא ייחוס של תוחלת חיים נמוכה במיוחד, במקרה זה לזמן וליכולת שלנו לספק תשומת לב לדברים. תוחלת החיים של תשומת הלב שלנו הולכת ופוחתת, אנחנו מוקפים בגירויים ותפוקת העבודה שלנו הולכת ועולה, כך גם הציפייה ההולכת וגוברת שלנו לצרוך שירותים יעילים שלא מבזבזים לנו זמו ותשומת לב
  3. Helpful: הדרישה לשירות יעיל ונוח במיוחד
  4. Human Brands: החיפוש אחר מותגים יותר אותנטיים ואנושיים. אנשים מעוניינים לדבר עם אנשים ולא עם "חברות" ו"מותגים". הערוצים והממשקים השיחתיים עונים על צורך אמתי (בהנחה שהם עובדים כראוי).
  5. Playsumers: החיפוש האינסופי, שאינו קשור לגיל, אחר כיף. הסובלנות לטפסים מייגעים ותהליכים בירוקרטיים משמימים הולכת ונעלמת. תהליכים רבים יכולים לקבל ממד משחקי (לעתים אפילו כיפי) וציפייה זו תלך ותגדל ככל שחברות מעצבות חוויות יותר קלילות ומשחקיות.

 ה-Pango Moment שלי

כמעט בכל מצגת בה אני מדברת על מסעות לקוח, כשאני מגיעה לנושא Magic/Micro moments, אותן תחנות במסע הלקוח שמספקות ערך בנקודת מגע, אני אוהבת לתת את הדוגמה של פנגו. פנגו עבורי זה ה Magic Moments הקלאסי: ההודעה הפרואקטיבית כשאני נכנסת לחניון, שמאפשרת לי ללחוץ ופשוט לצאת מהחניון ללא צורך לדאוג למעבר במכונת התשלום. זה Magic moment קלאסי כי הוא חסך לי כסף, התעסקות ותשומת לב. מישהו דאג להחליק עבורי את התהליך: ערך אמתי.

אבל מה קורה כשיש ציפייה, והיא לא מתממשת? בכמה פעמים שמשום מה המג'יק מומנט של פנגו לא עבד – התשלום לא נקלט, והייתי צריכה ללכת למכונה בכל זאת לשלם? החוויה הייתה מאוד שלילית עד כדי מתסכלת, פשוט כי הציפיות שלי היו במקום אחר, והן לא מומשו. ממש Frustration moment.

אבל מי בכלל העלה לי את רמת הציפיות? החדשנות שפנגו עצמה יצרה, ומרגע זה הם חייבים לכל הפחות לעמוד בה, אם לא לעבור אותה. נכון, זה לא כל כך הוגן, אבל זה העולם התזזיתי בו ארגונים חיים וצריכים לפעול.

העסק לא פשוט שכן לא רק אותו הארגון בעצמו יוצר את רמת הציפיות של הלקוחות שלנו, אלא גם המתחרים שלו, וגם ארגונים נותני שירות שהם כלל לא המתחרים שלו, בתוך כך גם "היפים והמגניבים" שנולדו דיגיטליים ועובדים בחויית לקוח 24/7 (אמזון, פייסבוק, אלפא/גוגל, נטפליקס, סטארבקס וכד').

התשלום העיקרי שלנו, כאנשים פרטיים ולקוחות, הוא הקשב ותשומת הלב. מי שיצליח לחסוך לנו מהמשאב היקר הזה, יזכה להערכה שתתוגמל בערך לקוח גבוה.

 דוגמאות נוספות ליוזמות שמנסות לחסוך לאנשים בקשב, בתשומת לב ובזמן:

  • טכנולוגיה חכמה שמתווספת לצמיגי מכוניות ומבצעת בדיקות תחזוקה, מעקב, בטיחות, לחץ, טמפרטורה, בלאי, שירות מיקור חוץ לחשיבה, דאגה, ולפעמים גם רגשות אשם. כי מי רוצה לזכור לעצור ולבדוק לחץ צמיגים?
  • Digit– סטארטאפ בתחום הפינטק שחוסך ללקוחות כסף למטרה מסוימת מבלי "להתעסק" בזה. הלקוח מגדיר (באמצעות imoji כמובן 😊) את המטרה לשמה הוא/היא רוצים לחסוך – דירה/חופשה/מכונית, והאפליקציה מעבירה סכומי כסף קטנים לצורך חיסכון למטרה זו ומספקת חיווי בכל נקודת זמן על מצב החיסכון.
  • ה Shop bot של eBay שמתחפש לסטייליסט שלומד את ההעדפות שלנו (איזה סלבריטי לדעתך מתלבש יפה?) ודואג לעדכן אותנו במבצעים על מוצרים שיקלעו לטעם שאנחנו מחפשים.
  • הבוט של L’oreal (Beauty Gifter) עוזר באיתור המתנה המתאימה על ידי מספר שאלות בירור לנותן/ת המתנה ולנמען/ת.
  • אלכסה של אמזון שלומדת מגמות אפנה וגם את מבנה הגוף שלנו, לוקחת צילומי סלפי שלנו בעצמה (שחלילה לא נצטרך להתעסק עם המצלמה), ומספקת עצות סטיילינג שמתייחסות למה שאנחנו לובשים כרגע.
  • רשתות קניות שמציעות לא רק לשלוח לנו את המוצרים עד דלת הבית, אלא גם לסדר אותם עבורנו בתוך הבית כשאנחנו לא נמצאים (חיבור עסקי בין רשת השיווק לספק הבית החכם).
  • חוויית קניה בסגנון Amazon-Go שמאפשרות להיכנס לחנות, לבחור מוצרים ולצאת כשענייני התשלום מסתדרים ברקע.

עוד דרך להסתכל על עיקרון החיסכון בתשומת לב היא על הערוצים בהם הלקוחות בוחרים לעשות שימוש. הערוצים בהם אנשים יבחרו הם לא בהכרח הטובים או הפונקציונאליים ביותר, הם הטבעיים ביותר. השימוש בטכנולוגיות של Voice מרגישות מאוד טבעי (כשהן עובדות היטב ) ולכן הן הופכות להיות ערוץ כ"כ משמעותי. כל ערוץ שייכנס לחיינו וירגיש טבעי, עד כדי חלק מאתנו (wearables, augmented reality, virtual reality, virtual assistants), יתקבל באהדה על ידי לקוחות ברגע שהטכנולוגיה תבשיל. למה זה קורה? כי זה צורך פחות תשומת לב מהלקוח, חוסך לו/לה קשב וזה ערך אמתי.

 מספר דרכים בהן אפשר "לחסוך תשומת לב":

  1. מיקור חוץ להחלטות

החיים שלנו מורכבים מהרבה מיקרו-החלטות במהלך היום, לאט לאט חברות מבצעות חלק מההחלטות האלה עבורנו ומספקות לנו 'החלטות אוטומטיות' שנשענות על אינטליגנציה חבויה ומתן המלצות פעולה.. ואנחנו אוהבים את זה מאוד, כי זה חוסך לנו תשומת לב.

  1. קיצור ו-“hacking” של מסע הלקוח

ישנם ארגונים שמשקיעים הרבה מאמץ בבחינה מתמדת של מסע הלקוח ושואלות את עצמן איך הן מקצרות את המסע ואולי אפילו משנות אותו לחלוטין. צריך גם לזכור שהגדרת "מסע הלקוח" היא החלק המשמעותי כאן. אם נרחיב את המסע ונסתכל עליו כאוסף המשימות בחיי הלקוח (בהקשר לתחום בו אנו פועלים) ונחבר אותן לרצף מסוים, נבין שגבולות מסע הלקוח הרבה יותר רחבים מהגבולות ה"מקובלים" (דוגמאות ל hacking כאלה: איקאה שמסייעת ללקוחותיה למסור/למכור את רהיטיהם הקיימים כדי לפנות לעצמם מקום לחדשים; או הדוגמאות הרבות של חברות תעופה שהבינו שללקוחותיהם יש אוסף משימות בבואם לתכנן חופשה שכולל הרבה יותר מאשר "הזמנת טיסה" או חברות יצרניות המזון שמנסות לסייע לנו כיום במתכונים שלנו, ניהול המזווה שלנו, ניהול רשימות קניות; או רשתות קניות (Wallmart היא הדוגמה העדכנית יותר) שמציעות לסדר את מוצרי הקניות שלנו עבורנו בבית כשאנחנו לא נמצאים.  אין ספק, אנחנו חיים בעידן "מפנק".

  1. תמיכה באתגר המולטיטאסקינג

למה שלא אנצל את זמן הנהיגה שלי כדי להאזין לפודקאסט שמלמד מה זה בלוקצ'יין (ואולי סופסוף אצליח להבין את זה לעומק, אחרי שגלית הסבירה לי כבר עשרות פעמים) או מספר לי על תולדות האמנות המודרנית? ארגונים שיצליחו לעזור לאנשים לחיות במצב של מולטיטאסקינג יתחברו לצורך וכאב אמיתי (שלצערי כנראה לא הולך להיעלם בקרוב). לראיה, ספרי eBooks מדשדשים לעומת audio books ופודאקסטים שהופכים להיות יותר מבוקשים. עכשיו נותר רק לעשות fast forward לעידן המכוניות האוטונומיות ולהתחיל לדמיין אילו דברים נספיק לעשות בדרך לעבודה.

אבל עם ההזדמנות מגיעה גם האחריות

אנחנו כאנשים מאוד מעוניינים בחיסכון בתשומת לב. אנחנו הרי חולמים להיות העובד המצטיין, החבר הלא-מזניח, ההורה המושלם, בן-הזוג האידיאלי וכל זאת בלי לוותר על פיתוח ולמידה עצמית. אבל זה קצת מאתגר לעשות הכל ביחד. תמורת זה אנחנו מוכנים להקריב כנראה לא מעט דאטה, רק בשביל שנוכל להספיק יותר בפחות ולהעניק את תשומת הלב שלנו לדברים שיותר חשובים לנו.

בשביל זה צריך לייצר Trust. אנחנו צריכים להאמין שישתמשו במידע שלנו בהגינות ולא יפרו את תנאי האמון בינינו לבין נותן השירות שלנו. יש כאן אחריות גדולה מצד נותני השירות (להלן "אוספי הדאטה"). עם הדאטה מגיעה העצמה להשתמש בנתונים להרבה מטרות, שמול חלקן יהיה קשה לארגון לעמוד.

בנוסף, ככל שאנו עושים יותר שימוש בדאטה ונשענים יותר ויותר על Data Science ליצירת חוויות פרסונליות, מתחוור הצורך באנליטיקה התנהגותית ופסיכולוגית. כשפייסבוק רק התחילה עם יצירת הוידיאו הפרסונלי שלה שמורכב מתמונות אישיות, היא לא התחשבה בתמונות שאנשים אולי לא ירצו לראות (כמו בן זוג ממנ/ה נפרדו לדוגמה, או תמונות שמזכירות לנו אירוע טראומתי); וכש-Chase החלה לשלוח ללקוחותיה SMSים עם מידע אודות הטרנזאקציות הפיננסיות שלהם (ללא קבלת הסכמתם או אפשרות לעשות Opt-Out) היא נקנסה בסנטימנט גרוע ובקנס כספי משמעותי. וכמובן ישנה הדוגמה המפורסמת של Target שטרגטה בחוסר רגישות הורים-לעתיד באותו סיפור מפורסם שהתפוצץ.

עם הדאטה וההזדמנות ליצירת חוויות חיוביות, מגיעה גם אחריות לעשות שימוש ראוי בדאטה, תוך שמירה (וזה כבר wishfull thinking שלי) על שקיפות וקבלת הסכמה מאנשים לאופן השימוש במידע שאנו אוספים עליהם.

 מ-UX ל-CX: כיצד עקרונות ה-UX משתנים בהתאם לעולם ה-CX?

מי אחראי על עיצוב חווית הלקוח? ומה בין UX ל-CX?

תחום הUX (User Experience) מתמקד בחוויית השימושיות באתר/אפליקציה/מוצר דיגיטלי. התחום כולל מחקר, עיצוב ויזואלי, עיצוב אינטראקציות, בחינת שימושיות וכן פיתוח פרוטוטייפים / קידוד.

יש נטייה להכליל את ה-UX תחת תחום ה-CX. ההגדרה של CX היא רחבה בהרבה מזו של UX, ההגדרה שלנו שלנו ל-CX היא מכלול נקודות המגע של הארגון עם הלקוח (פיזיות/דיגיטליות, אונליין/אופליין, ישירות/עקיפות) וסכום הערכים המתקבלים בכל נקודת מגע כזו. התחום כולל פרקטיקה של עיצוב מסעות לקוח, קביעת אסטרטגיה תוך חיבור ליעדים העסקיים, יצירת פרסונות (פרקטיקה המגיעה מעולם ה-UX) ועוד.

אם כן, למה דווקא תחום ה-UX סולל לנו את הדרך לCX? מדוע UX הפכה להיות פונקציה כ"כ הכרחית לכל מי שנכנס לעולם עיצוב חויית הלקוח? הארגונים המתקדמים ביצירת מסעות לקוח מלמדים אותנו שמסע לקוח הוא שווה ערך ל"מוצר" (לא "רעיון" שנשאר תלוי בדמות post-it notes על הקיר), וככזה – ניהול חויית הלקוח מיתרגמת למשהו מאוד דומה לניהול חוויית משתמש בעולם המוצרים הדיגיטליים, לכן הרבה משיטות העבודה של מומחי UX מושאלת ומוצאת דרכה גם לפרופסיית ה-CX.

אנלוגיה נהדרת של Scott Brinker שמסתכל על CX בעולם השיווק כעל UX בעולם המוצר:

CX UX

 

מה ההבדל בין CX ל UX?

מקור: http://blog.usabilla.com/ux-vs-cx-which-is-more-important/
CX UX2

 

מחקר של CapGemini מגדיר מחדש את תחום ה UX הדיגיטלי כ CE – Collaborative Exchange (עקרון הערך ההדדי של הארגון והלקוח שנוצר באינטראקציות שכוללות שיתוף או מידע, או שניהם).

Conversational UX

כשמדברים על מגמות בעולם ה-UX אי אפשר שלא לדבר על מגמת הממשק השיחתי, שהיווה את הטרנד העיקרי במהלך השנה האחרונה בעולם. לא מדובר רק בהייפ הChatbots נקודתית, אלא על כלל נושא ה"שיחתיות" ועיצוב חוייה בערוצים בעלי מימד טבעי ושיחתי. ממשקים שיחתיים – conversational interfaces, יהפכו להיות נוכחים למעשה בכל ערוץ. כל ממשק עמו הלקוח ייפגש יספק סוג של שיחה, יותר ויותר אותן שיחות ייעשו באופן אוטומטי (בהמשך אולי אוטונומי) כאשר הלקוח ישוחח עם Smart Agent שמייצג את הארגון שלנו. אם עד היום, השימוש בערוצים הדיגיטליים השונים (שהוא למעשה "שיחה" בפני עצמה) התבצעה באמצעות כפתורים ודפים, החוויה תהפוך ליותר שיחתית, כי זה מה שטבעי לנו כאנשים.

הממשקים השיחתיים האוטומטיים – ה Chatbots – הם רק סממן ראשון של המגמה, שעוברים כעת מממד ה messaging לממד הקול – voice. ככל הנראה אנחנו הולכים לכיוון מודל דומה לזה של :WeChat פלטפורמה שמאפשרת תקשורת, מסחר, שיתוף, ביצוע פעולות כמו תשלום וזימון תורים וכד', באמצעות "שיחות" ו Mini-apps שרצות תוך כדי קיום אותן השיחות.

אנשי ה-UX מתחילים להתמחות בערוץ/ממשק זה, תוך התייחסות לאלמנטים התרבותיים הפסיכולוגיים והרגשיים. לבוט יש "דמות" והוא/היא מעין פרסונה עם תכונות שצריכות לייצג את תכונות הארגון שלנו, אופן וסגנון הדיבור של הבוט צריך לשקף את הערכים של הארגון, וצריך ללמד מכונות אלה שיחות אנושיות עם כללי המשחק התרבותיים והמקובלים, כדי לייצר חווייה טובה, וזה משחק חדש לגמרי.

האם מעצבי UX עשו את המעבר ממסכים וכפתורים לשיחה?

אין ספק שממשקים וערוצים חדשים אלה מאתגרים את קהילת ה-UX ודורשים מהם התמחויות חדשות. ממשקים קוליים מחייבים הבנה והתייחסות לאופן שבו אנשים אומרים דברים, אינטונציה, גיל, סגנון, תרבות, זמן; מציאות וירטואלית מחייבת הבנה של האופן בו אנשים זזים, שפת גוף, אישיות, יציבה וכד'.

אנחנו נכנסים לעידן בו "מכונות" ישוחחו עם אנשים בקצב הולך וגובר, ואנשים מצפים ממכונות לתקשר איתם באופן טבעי. אם נסתכל על יישום בוטים כיום, אף אחד לא לימד את הבוטים לתקשר עם אנשים מבחינה אנושית. אנחנו צריכים לאמן אותם לזהות מתי הלקוח כועס, מתי שמח וכיצד להגיב לכל סיטואציה.

זה לא שמחקר אתנוגרפי והבנה פסיכולוגית לא היו חלק מעולם ה-UX עד עכשיו, אבל החשיבות שלהם הולכת ועולה דווקא ככל שאנחנו נכנסים לאוטומטיזציה ורובוטיקה. אנו צופים עלייה בשימוש בשירותי פסיכולוגים, סוציולוגים, אנתרופולוגים ומומחים נוספים שיסייעו להם לעצב חוויות חדשות אלה (אפשר לקבל הרחבה על הנושא בסקירת המגמות בעולם ה UX ב2017 של UxDesign).

אתגר נוסף של עולם ה-UX יהיה עיצוב חוויות "מפורקות/מופרדות" (Fragmented experiences) במגוון ערוצים, שירגישו מחוברות? לדוגמה, הזמנתי טייק אווי בפקודה קולית באמצעות Google Home, קיבלתי זמן הגעה משוער ב Apple Watch שלי, והוספתי פריט נוסף להזמנה שלי באמצעות בוט במסנג'ר. הרבה יותר חשוב להתרכז במעבר מנקודת מגע אחת לשנייה, מאשר באותה נקודת מגע כ"אי בודד".

אתגר ה Omni Channels ויצירת מה שאנחנו אוהבים לקרוא Frictionless experiences כל הזמן גדל ככל שאנחנו נכנסים ליותר ויותר ערוצים דיגיטליים. הפתרון יגיע רק מעיצוב פשוט ככל האפשר של החוייה מנקודת המבט של הלקוח. מה מס' האינטראקציות ההכרחיות המינימליות כדי לבצע את המשימה (של הלקוח, כמובן)? מה יגזול מינימום תשומת לב מאותו הלקוח? הכלים והטכניקות שעומדים לרשותנו: מפות מסע לקוח (ארגונים רבים נכנסים לפלטפורמות Automation, בהן מפות מסע לקוח מהוות רכיב/מודול), וכלים אנליטיים שיסייעו לנו לגזור תובנות חדשות לגבי אותן התנהגויות, העדפות, ולבצע ניסויים ואופטימיזציות באופן שוטף.

המעבר לטכנולוגיה בעולם ה-UX

נקודה שעולה כל הזמן בהקשר של UX, הוא באשר לגבולות התפקיד של מומחי UX. האם הם צריכים לעסוק בהכל, החל ממחקר ועד לכתיבת קוד? האם הם בכלל צריכים לעסוק בטכנולוגיה? האם מעצבי UX צריכים לקודד? האם הם צריכים לייצר פרוטוטייפים בעצמם? מאמר של UXDesign טוען שהגדרות התפקיד יצטמצמו ויתמקדו בתפקידים כגון "מומחי UX ספציפית לממשקים קוליים" או מומחי UX ל- Virtual Reality. מנגד, יצמח צורך באנשים שיקשרו את הכל יחד, סוג של "אינטגרטורים".

האוטומציה בתחום ה-UX מתרחשת כל הזמן. כלים חדשניים מספקים אפשרות לייצר במהירות פרוטוטייפים, תוך יצירת סביבת עבודה קולבורטיבית שמחברת את חברי הצוות יחד. דוגמה לכלים כאלו: Figma, Subform.

לסיכום, האתגר לייצר חוויות לקוח טובות הוא אתגר משמעותי שצריך להיערך אליו באופן שוטף. צריך לייצר מנגנונים (ארגוניים, טכנולוגיים ותהליכיים) שיאפשרו לעמוד בקצב השינויים הגבוה באופן שוטף, לייצר התנסויות ובחינות של שיפורים במסעות הלקוח (למידה אדפטיבית) כדי להפחית את הזמן ותשומת הלב הדרושים מהלקוח ככל שהטכנולוגיה מאפשרת לנו. יש בו הזדמנות גדולה ויש בו גם סיכון גדול, בשנים הקרובות ככל שניכנס לערוצים יותר דיגיטליים ויותר טבעיים/ Immersive, נאסוף יותר מידע התנהגותי ומידע רך על אנשים שמעוניינים שנחסוך להם זמן ונאפשר להם להסיט את תשומת הלב שלהם לדברים החשובים להם ביותר.

מגמות בעיצוב חווית הלקוח – CX Design

האבולוציה של אנליטיקה בארגון

Data is the new Oil

כך לפחות נהוג להגיד. Data הפכה להיות שיחת היום בקרב הנהלות ארגונים, והנושא מתחיל לקבל את החשיבות הראויה לו כ Enabler של מהלכים עסקיים, כאמצעי לעמידה ברגולציות מחייבות, וגם כתחום משמעותי לצורך הישרדות בשנים הקרובות.

חברות כיום מוערכות כלכלית יותר ויותר על סמך הדאטה שברשותן, וגם על סמך הדאטה הפונטנציאלי שעשוי להיות ברשותן (המנגנונים שהן מצליחות לייצר ולקלוט דאטה/ "קולטני מידע") ועל סמך היכולת שלהן להעשיר ולנהל את הנתונים שבבעלותן.

אולם ככל שארגונים אוגרים ואוספים יותר ויותר דאטה, וככל שיכולות איסוף, אחסון, עיבוד וניהול הדאטה (Big Data) משתכללות, מתבהרת גם ההבנה שאיסוף דאטה זהו רק תנאי הבסיס.

Data Driven Businesses

ארגונים שואפים להפוך ולהיות Data-Driven, מה זה בדיוק אומר?

Data -> Insights -> Action

  1. DATA: להיות מסוגלים לנהל היטב דאטה, לאסוף, לאגור, לחבר תשתיות נתונים שונות, להעשיר את הדאטה כל הזמן ולייצר שכבת דאטה אמינה, מנוהלת, עם מעטפת של Data Governance.
  2. INSIGHTS: לייצר תובנות על סמך אותה שכבת דאטה, יצירת מודלים אנליטיים ואלגוריתמים על ידי אנליסטים ו Data Scientists תוך שימוש בכלי אנליטיקה ואנליטיקה מתקדמת.
  3. ACTION: אין ספק שזהו השלב המאתגר והחמקמק ביותר. לייצר מנגנונים תפעוליים שיאפשרו לארגון לפעול כל הזמן על סמך אותן תובנות (ולא על סמך "תחושת בטן" לדוגמה), כל יום ובכל נקודת החלטה.

1

לכולנו ברור שאנחנו לא ממצים את פוטנציאל הדאטה במובן של ההחלטות והפעולות שאנו נוקטים, אשר אינן מתבססות על דאטה אלא יותר על רגשות, כוח האינרציה (כך פועלים בארגון שלנו), העדפות פרסונליות ועוד. אבל עד כמה אנחנו לא מספיק פועלים על סמך הדאטה ש*פוטנציאלית* יכול היה להוות הבסיס לפעולה? על פי מחקר של חברת Pivotal, רק כ-0.5% מהData בעולם הנו Operationalized Data! הפוטנציאל הוא כמעט אינסופי (כמות הדאטה הפוטנציאלית היא כמעט אינסופית, והאופן בו נוכל להסתמך על דאטה בקבלת החלטות תלוי בעיקר בדמיון שלנו, ביצירתיות המחשבתית, ובהבנה כיצד דאטה ותובנות יכולים להשפיע בארגון שלנו).

AI, AI, AI! מה הייתה השאלה?

למרות שהמונח AI הפך להיות המונח השיווקי החם ביותר כיום (מחליף את המונח ביג דאטה שעד לא מזמן כיכב בראש מצעד הבאזוורדים), טכנולוגיות בינה מלאכותית (AI) ומחשוב קוגניטיבי הן תוצאה של התפתחות אבולוציונית רבת שנים ולא מהפכה שהתרחשה רק בשנים האחרונות. אולם כן ישנה הרגשה שטכנולוגיות AI הגיעו לנקודת ציון משמעותית לאחרונה, בשל צירוף של שתי תופעות טכנולוגיות:

  • זמינות גבוהה של כמויות נתונים משמעותיות (Data Sets גדולים) שהפכו להיות זמינים לנו רק לאחרונה. קיומם של Data Sets עצומים הנו תנאי בסיס להתקדמות משמעותית בתחום.
  • יכולות עיבוד וכוח חישובי זמין וזול יחסית

AI הנו מונח רחב וגמיש מאוד, תחתיו נכנסים עוד הרבה תתי-תחומים, חלקם קיבלו דחיפה משמעותית וזכו לפריצות דרך של ממש לאחרונה, כמו תחום העיבוד החזותי, עיבוד שפה ועוד.

2

בתוך עולם ה-AI טכנולוגיות מבוססות רשתות נוירונים, ובמיוחד תחום ה-Deep Learning-  DL, מהווה התחום הצומח ביותר עם אחוזי גידול של 200-300% בקצב האימוץ על ידי Data Scientists. על פי סקר של KD Nuggets, ב 2016, 18% מ Data Scientists כבר עשו שימוש ב DL לפחות בפרויקט עובד אחד. על פי תחזית גרטנר, עד 2018 אצל כ-80% מה Data Scienists בעולם, השימוש ב Deep Learning יהפוך להיות עוד כלי סטנדרטי בארגז הכלים שלהם.

היכן אנו מצויים ברצף ההתפתחות האבולוציונית של עולם האנליטיקה?

כבר ברור כי שלב ה"BI הקלאסי" מוצה ברוב הארגונים בתעשיות השונות, ובתחומים השונים בארגון (פיננסים, שיווק, לוגיסטיקה, תפעול, משאבי אנוש – התחום האחרון שנכנס לנושא רק לאחרונה), כלומר, אנו לרוב כן יכולים לשאול "מה קרה בעבר"? ולקבל תשובה טובה. רובנו גם התקדמנו ליכולת לבצע Analysis, חיתוכים והתסכלות מעמיקה על הנתונים בחתכים שונים כדי לענות גם על השאלה "מדוע זה קרה"? חלקנו עושים זאת באמצעות קוביות, חלקנו באמצעות סביבות של ויזואליזציה ו Data Discovery אולם עדיין מדובר על נתוני עבר והסתכלות רטרוספקטיבית.

השלב הבא באבולוציה היווה קפיצה משמעותית מבחינת הערך והתועלת העסקית בארגונים, והוא תחום ה Predictive Analytics: היכולת לשאול "מה עתיד לקרות"? זהו תחום ותיק שניתן למצוא שימושים מסוימים שלו בלא מעט ארגונים, אולם המפגש של תחום זה עם עולם הביג דאטה ועם תחום ה-ML (השלב האבולוציוני הבא) מאפשר לנו להבין יותר טוב את הדאטה, וזו תועלת משמעותית ככל שאנו עובדים עם מגוון יותר גדול של נתונים (חלקם לא מובנים) ונפחי נתונים משמעותיים. כתוצאה מהבנת הדאטה, הישויות, הנושאים, הקשרים, ה Features, אנו יכולים להבין איזה סוג שאלות אנחנו יכולים בכלל לשאול ומה כדאי לנו להמשיך ולחקור. כאן סוג המחקר הוא יותר Exploratory: אנו פחות נדע מראש מה השאלה, נגלה אותה תוך כדי מחקר ושיטוטים בדאטה. David McCandless ("Data Jounalist" ואמן נתונים שעוסק בויזואליזציה והצגה מתוחכמת של נתונים בדרכים המובילות לפעולה) טען ש Data is not the new Oil, לדעתו הגדרה מדויקת יותר היא Data is the new Soil (אדמה). בדאטה יש לשחק, לחפור, עד שמגיעים למשהו מעניין ומתוכו ניתן להצמיח נבטים של תובנות משמעותיות מאוד.

בשלב זה אנחנו כבר מתחילים להתקרב לשלב ה-Prescriptive (תנסו להגיד את המלה הזו 5 פעמים ברציפות, נראה אתכם). Prescriptive Analytics עונה על השאלה: "כיצד יש לפעול על סמך הדאטה"? מה צריך לעשות? דאטה שמוביל לפעולה.

מהי הקפיצה הבאה, אליה עדיין לא הגענו? Autonomous Decisions – מכונות שלא רק ישאלו את השאלות בעצמן, אלא גם יחליטו על סמך התשובות בעצמן ויבצעו את הפעולה בעצמן. Data-insights-actions באופן אוטונומי. ישנם תהליכים מסוימים ב Domain מצומצם שכבר עובדים בתצורת Autonomous decisions, אולם באופן כללי לא הגענו לרמת חוכמת AI "כללית" (General AI) שאינה צריכה שאנו, האנשים, נאכיל אותה – במבנה הדאטה, במשמעות ובמנגנון ההסקה והפעולה.

3

במפגש שולחן עגול שקיימנו לאחרונה בנושא, עלה כי התחום בישראל מעניין ארגונים רבים אבל כמעט כולם מרגישים ש"הם עוד לא שם", ה Use Case כלל לא ברור (החסם העיקרי בעולם כיום לאימוץ AI בארגונים – לכל מי שעוסק בתחום הביג דאטה זה יישמע מאוד מוכר מהשלב ההתחלתי שאפיין את השוק לפני שנתיים). עלתה התחושה הכללית שפוטנציאל הדאטה לא ממומש, כי הארגון "עוד לא שם" ושהם עדיין די רחוקים מהדגמת איזשהו ערך עסקי מוחשי. רוב הארגונים כבר עברו (או עוברים בימים אלה) מBI קלאסי להוספת ממד ה Data Discovery ו Self Service (בנוסף לדוחות הקלאסיים). כמחצית מהארגונים כבר מתנסים כיום ב Predictive Analytics אולם באזורים מאוד ספציפיים בארגון (ניהול סיכונים/ מניעת נטישה/ גילוי הונאה וכד').

כלים טכנולוגיים:

בעוד שבעולם ה-BI הקלאסי ישנה שאיפה לסטנדרטיזציה עם כלי ארגוני סטנדרטי אחד (או לפחות ניסיון משמעותי להפחתת מספר הכלים השונים, בניסיון להשיג יותר שליטה על השכבה הסמנטית ועל אופן השימוש בנתונים), בתחום ה-Data Science – היותר חדש, ישנה נכונות גדולה יותר לנסות מגוון של כלים ולתת למשתמשים יותר עצמאות באופן ניתוח במידע, גם אם זה אומר שימוש במספר כלים שונים וויתור מסוים על רמת השליטה באופן השימוש בנתונים לעת עתה.

כלומר ישנו שינוי תפיסתי בהתייחסות לכלים הטכנולוגיים – בשכבת אחזור המידע.

על פי סקר של KD Nuggets, כ-18% מ Data Scientists שנשאלו בסקר ענו כי הם כבר התנסו בפועל בפרויקט המערב יכולות מבוססות Deep Learning (עלייה של 200% לעומת השנה שעברה). DS משתמשים בממוצע בכ-3 כלים שונים לוויזואליזציה וניתוח המידע.

על פי סקר של KDNuggets על הכלים בהם DS מעידים כי הם עושים שימוש:

4

 Data Management, Data Governance ומה שביניהם

במפגש שערכנו בנושא Data Driven Businesses לאחרונה עסקנו בחשיבות של ניהול ומשילות נתונים באופן מרכזי בארגון.

ה CDOs – Chief Data Officers

מה עדיין חסר?

עם כל ההשקעה שנעשתה באיסוף דאטה וגזירת תובנות על מנת לשפר מהלכים והחלטות עסקיות, מה עדיין חסר? ולמה רוב הארגונים לא באמת פועלים על סמך הדאטה?

אין ספק שהפכנו להיות אלופים באיסוף דאטה. טכנולוגיות ביג דאטה מאפשרות לנו לעשות את זה אפילו יותר טוב, וארגונים מתארגנים כיום עם אנשים (CDOs, Data Governance organizations) וכלים (כלי ניהול נתונים, EIM, Data Governance Tools) על מנת לנהל יותר טוב את שכבת הדאטה ולהפוך אותה לבסיס טוב לקבלת החלטות והסתמכות על נתונים.

אנחנו גם לא רעים ביכולת לגזור תובנות ומודלים אנליטיים על סמך הדאטה שברשותנו. וניתן לראות שאנו מתקדמים ונעים במסלול הזה בכיוון טוב. אנליסטים עוברים הכשרות להפוך להיות Data Scientists, יותר אנשים בארגון מעוניינים בגישת ה Self Service ובאופן כללי התחום נע בכיוון החיובי.

הבעייתיות נעוצה בשלב ה Action. וזה נובע לטעמנו משתי סיבות שונות:

  1. סיבה "פסיכולוגית" – אנשים מרגישים יותר בנוח להסתמך על תחושת הבטן שלהם לקבלת החלטות מאשר על נתונים. להפוך להיות ארגון Data Driven זה לא רק טכנולוגיה, זו תפיסה, תרבות, וזה תהליך שלוקח זמן.
  2. סיבה תפעולית – בארגונים כיום לא קיימת התשתית התהליכית שמתרגמת תובנות לפעולות. האוטומציה נעצרת איפשהוא בשלב גזירת התובנות. כיצד נוודא שתובנה מסוימת מפעילה פעולה בצורה אוטומטית? בתחום ה AI אחד התחומים המעניינים ביותר כיום הוא תחום ה Decision Management – תחום שכולל בתוכו כלים בסגנון מנועי CEP – Complex Event Processing, מנועי חוקה וכלים נוספים המניעים לכיוון יישום התובנות בקבלת החלטות וביצוע פעולות. בנוסף, ספקי מערכות עסקיות (ERP, CRM, Marketing automation, Supply Chain Management) יקלו על החיבור הזה בעתיד מכיוון שבבסיס של מערכות אלה תהיה שכבת AI שתסייע להניע תהליכים "יותר חכמים" תוך חיבור בין עולם התוכן התפעולי ואנליטי – Embedded analytics בתוך תהליכים.

5

ואם מישהו מרגיש שלא שמענו על מספיק תפקידי מטה חדשים ברמת C-Level, אל דאגה! ה (CAOs (Chief Analytics Officers בדרך. ותפקידם לוודא שאנליטיקה "תעלה מדרגה" ברמת השימוש שלה בקבלת ההחלטות בארגון. יש כאלה שיגידו שזה לא תפקיד נוסף אלא התקדמות בתפקידו של ה CDO (ה Data Officer הארגוני) או פונקציה שקיימת במקום אחר בארגון, אבל מה שיותר חשוב הוא שמדובר על סוג של "אנליסט/ית בכיר/ה" שמקבל כסא בחדר הדיונים של ההנהלה, היא/הוא מעורים במטרות ובאתגרים העסקיים ויודעים למנף את היכולות האנליטיות בארגון באופן אקטיבי ולפעול לכך שקבלת החלטות יומיומיות יישענו על תובנות אנליטיות, ולא על תחושות בטן, במיוחד ברמת ההנהלה הבכירה.

6

7

שיטה נוספת להידוק הלולאה בין Data – Insights – Action היא שימוש במתודולוגיית DataOps ששואבת השראה רבה מתחום ה DevOps. עצם העניין כאן הוא יצירת תצורת עבודה המבטיחה שיתופיות בין אנשי ה Data לאנשי ה Analytics ואנשי התהליכים, במקום שכל אחד מהם יפעל בנפרד.

8

 הרבה שיטות לאותה המטרה, בדרך להפוך להיות Data Driven Business.

 לסיכום:

תחום ה-AI כיום מראה תוצאות מיטביות בשילוב עם אנשים/ Data Scientists / אנליסטים. אין לנו עדיין "אלגוריתמים אוטומטיים". הכלים כיום מסייעים לנו בהבנת הדאטה, ב"ראייה" של דפוסים ובמציאת קורלציות בדאטה.

החסמים העיקריים: הערך העסקי וה Use Cases עוד לא ברורים; מחסור משמעותי באנשים ובכישורים מתאימים בארגון; פלטפורמת דאטה לא מספיק "מוכנה" (אי אפשר להסתמך על הנתונים לקבלת החלטות "בשטח", אין מספיק Governance" איכות נתונים נמוכה מדי, או תשתית נתונים מיושנת מדי).

יחד עם זאת, ברור שהפוטנציאל הוא עצום ושכדאי להתחיל לבחון וללמוד את הנושא, ללמד את האנליסטים בארגון ולהכשיר אותם לסביבות טכנולוגיות חדשות לחלוטין, לעתים ניאלץ גם לגייס כ"א חיצוני שמגיע מתחום ה Data Science, לנהל את תשתית הדאטה ככזו שאמורה לתמוך בתפעול היומיומי של הארגון ובקבלת החלטות קריטיות בזמן אמיתי / קרוב לכך.

התעלמות מתחום זה – יש בה סיכון של ממש, שכן האיומים החדשים על תעשיות הפכו להיות לא המתחרים הישירים שלהם אלא המתחרים הפוטנציאליים – אלה שיצליחו לאתר אלגוריתמים יותר חכמים ויעילים מהמערך הקיים בארגון כיום. מספיק לדמיין מה היה קורה אילו לאחרת מ"ענקיות הדאטה" היה מתחשק מחר בבוקר להיכנס כמתחרה בוורטיקל בו הארגון פועל, וזה תרחיש לחלוטין לא דמיוני.

אסור לשכוח שאת כל זה נושא ניהול הנתונים ו Data Governance חייב לעטוף. זהו תנאי מהותי להצלחה, בלעדיו לא ניתן יהיה לייצר תשתית אמינה וניתנת לניהול שנוכל להסתמך עליה בהחלטות התפעוליות של הארגון.

אז האם Data is the new Oil? לא בטוח, אנחנו יותר מתחברים להגדרה של David McCandless – Data is the new Soil (אדמה). באדמה צריך לשחק, להתלכלך, להתייחס לנושא לעתים כאל מגרש משחקים, להצטייד באנשים ובכלים שיכולים למצוא שם דברים בעלי ערך ולשתול את הזרעים למה שעתיד להשפיע מהותית על פעילות הארגון.

 

האבולוציה של אנליטיקה בארגון

החוליה החסרה בדרך ל- Data Driven Customer Experience

שנת 2016 הייתה שנת ה"Data-Driven Marketing". ארגונים רבים דיברו על המעבר ל Data-Driven-CX, אבל האם הם באמת מתכוונים לזה? המשמעות של להיות Data-Driven כוללת 3 מיקודים:

דאטה – השקעת מאמץ באיסוף נתוני לקוחות ויצירת תשתית דאטה תומכת טובה עם זהויות לקוח

ניתוח ותובנות – שילוב של אנשים (Analysts/Data Scientists/אנשי מחקר ואנליזה) וכלים טכנולוגיים (כלי אנליזה, אנליטיקה וניתוח נתונים), שעוסקים בניתוח מידע דיגיטלי לטובת גזירת תובנות על התנהגויות לקוחות, סגמנטים, מיקרו-סגמנטים, פערים והזדמנויות

פעולה – יצירת מנגנונים המבטיחים פעולה ממשית על סמך הדאטה (דוגמה לפעולה: המסר שיראה הלקוח, בחירת הערוץ, ה"קמפיין", סוג ה"נגיעה", האם כן / לא נפנה אליו). וכאן זה מתחיל להסתבך, כי מסתבר שאין לנו בעיה עם איסוף דאטה וגזירת תובנות, אבל אנחנו מעדיפים להיות אלה שלוקחים את ההחלטה ולא שהיא תילקח באופן אוטומטי. וזה בדיוק הפער בין Data Driven CX ל- Gut Driven CX/Instincts Driven CX

1

זה לא מפתיע שחברות Digital eCommerce ו Digital Natives הן במהותן הרבה יותר Data Driven מארגוני Enterprise. פשוט אין להן ברירה אחרת. מספיק לבחון את המציאות העגומה שהן צריכות להתמודד עמה (2% אחוז המרה בממוצע, 70% נטישת עגלת קנייה), ולבצע את התחשיב הפשוט הבא: אם עלות הבאת מבקר חדש לאתר eCommerce עולה כ3.34$ (כולל עלות CPM, CPC), ה breakeven point של הרכישה המינימלית להצדקת עלות זו היא רכישה של כ222$  (תחת הנחה שיחס ההמרה הוא לדוגמה 3% והחברה פועלת על שולי רווח של 50%) או שמשפרים את % ההמרה או שמשקיעים ב Retention וצמיחה של לקוח קיים. כך או כך, כלי הנשק הבסיסי הוא ניתוח דאטה דיגיטלי.

בחברות אלה, אופטימיזציה של יחס ההמרה (Conversion Optimization) היא המאמץ העיקרי והנפוץ ביותר. ובשביל לבצע אופטימיזציה חברות אלה נדרשות לבצע הרבה ניסיונות כדי להעלות היפותזות, לבחון אותן ולראות מה עובד ומה לא.  CXOהנו תחום שאכן צמח בקרב חברות Digital Commerce, מהווה חלק בלתי נפרד מאסטרטגיית הצמיחה של חברות SaaS, ועכשיו נכנס גם לארגונים בהם הדיגיטל הנו רכיב משלים (לאו דווקא עיקרי) באסטרטגיית הערוצים. בחברות אלה המחזור של 'דאטה-תובנות-פעולה' למעשה הורחב לאחרונה, ושלב הניסויים מהווה רכיב נוסף בתוך סט הפעולות הנדרשות – המעבר מ Data-Driven ל Experiments-Driven:

2

לאחרונה גם בחברות Pure Digital, eCommerce וSaaS, מאמץ האופטימיזציה חוצה את גבול ה Conversion ומופנה גם לשיפור של מסע הלקוח כולו – Customer Experience Optimization. המטרה הכללית של כל מי שעוסק באופטימיזציה: Uplift להכנסות הארגון. וחברות אלה הבינו שהן לא צריכות להתמקד רק ב Conversion. אופטימיזציה של המסע כולו משפיעה משמעותית על ה-Customer Lifetime Value ועל ביצועי הארגון.

לפני חודשיים אלכס שולץ, VP of Growth של פייסבוק, העביר מצגת מרתקת, בה הוא נתן הצצה לאופן בו צוות ה Growth בפייסבוק פועל. על אילו מדדים הם מסתכלים, מה נכון יותר למדוד (עבורם) ומה לא, וגם דוגמאות שממחישות עד כמה שינוי קטן יכול להניב תוצאות מדהימות, אם רק מוכנים לעשות שני דברים:

  1. להתנסות כמה שיותר. Testing זו הדרך הטובה ביותר להתנהל. אינסוף "פגישות הנהלה" נחסכות פשוט על ידי הרצת ניסיונות בפועל על קבוצות לקוחות ובדיקה מה כן עובד ומה לא. מה שכן עובד – מקבל Scale ומופעל על כל הלקוחות הרלוונטיים במהירות. מה שלא – נשכח ולא מדברים עליו יותר. בלי ויכוחים ובלי סנטימנטים.
  2. לתת לנתונים לדבר בעד עצמם. פתיחות ואמונה בנתונים שיספרו את הסיפור האמיתי. כי מסתבר שאנשים טועים די הרבה.

בהתייחס לקהל יעד משמעותי מאוד עבור פייסבוק – המפרסמים, שולץ שיתף בדוגמה מצוינת שממחישה עד כמה לדבר כ"כ פעוט כמו שינוי המלל שפייסבוק ביצעה ב icon ה- Call to action שפונה למפרסמים – מהמילה: "Advertise" לניסוח: “Create an Advertisement” הניב שיפור של 40% במספר המפרסמים! שיפור משמעותי מאוד בתוצאות העסקיות.

איך מגיעים לתובנות קטנות/גדולות כאלה? על ידי התנסויות ולמידה. כמה שיותר התנסויות קטנות. 90% מהן כנראה יהיו לא מוצלחות ואולי אפילו ייראו "מטופשות", אבל האחוזים הבודדים – אותן תובנות קטנות שכן נצליח לעלות עליהן, עשויות להיות מאוד משמעותיות. הערך העיקרי שאנחנו יכולים לצפות לקבל מיוזמות אופטימיזציה הוא היכולת לחשוף דפוסים חבויים של התנהגות לקוחות (=תובנות). מכאן נוכל לגזור הבנה לגבי "מה הוא ערך" עבור הלקוח (=תובנות), איפה זה פוגש את המטרות העסקיות שלנו (=תובנות), מה כדאי לבצע כתוצאה מכך (=פעולות), ולבחון את התוצאות (=דאטה).

זה יכול להישמע די מתיש וכאוטי. ואכן לא מדובר על פרויקט אנליזה חד-פעמי, מדובר על למידה מתמשכת.

 

מתי לא להיכנס לCXO?

  • אם אין מוכנות בארגון להיכשל
  • אם מנהלי הארגון לא מוכנים "לסמוך" על הנתונים ומעדיפים תמיד לקחת החלטות שמונעות משיקולים אחרים
  • אם אין מחויבות ללמידה מתמשכת (זהו לא פרויקט חד פעמי אלא מסע מתמשך של ניסוי ולמידה, צריכה להיות פונקציית אנליזה שתעסוק בכך באופן מתמיד ותלך ותשכלל כישוריה בתחום. להערכתנו פונקציה זו תהפוך להיות נכס משמעותי מאוד לארגון (בין אם מדובר באיש/אשת אנליזה, במישהו/י שעוסק בזה כחלק מתפקידו, או ביחידה עם מספר אנשי אנליזה)

אם כך, אנו מתחילים לראות שהמונח היותר מדויק ל Data-Driven CX הוא Experiments-Driven CX.

מיהם האנשים המומחים בהתנסויות ומציאת דרכים מתוחכמות לאופטימיזציה?

אחד מהתחומים ה"נוצצים" ביותר בסצנת הסטארטאפים כיום הנו תחום ה Growth Hacking (מונח אותו כנראה טבע ב-2010 Sean Ellis – Growthhackers.com).

המטרה של Growth Hacking היא אחת ויחידה: להביא לצמיחה, בדר"כ כלכלית. לדוגמה, עבור סטארטאפ שמספק פלטפורמה של רשת חברתית, Growth = מספר משתמשים; עבור סטארטאפ בעולם התוכן, Growth = ויראליות גבוהה של תוכן; עבור סטארטאפ בעולם הeCommerce, Growth = אחוז המרה/הכנסות.

לאחרונה מעצבי חוויית לקוח (CX) מתחילים לעשות שימוש בטקטיקות של Growth Hackers. לא מדובר על תחומים זהים. המטרה בעיצוב חווית הלקוח היא שיפור החוויה הכוללת מנקודת המבט של הלקוח, בעוד ש Growth Hacking עוסק בצמיחה וגידול ההכנסות בכל דרך אפשרית.

אולם הטקטיקות והעקרונות של Growth Hackers יכולים להיות מאוד שימושיים עבור מעצבי CX: שימוש בכלים אנליטיים שעוזרים לזהות דפוסים חבויים בהעדפות לקוחות; חשיבה יצירתית שיוצאת מחוץ לגבולות ה"חוקיות" הברורה של engagement עם לקוחות (מכאן המונח "Hacking" – לא מדובר על האקינג במובן ה"עברייני", אלא על Hacking במובן של שבירת החוקים של "איך מגיעים לצמיחה במודל הקלאסי" והמצאת דרכים חדשות ויצירתיות, שרובן יעבדו היטב רק בפעם הראשונה וחיקוי של Hacks אחרים כבר לא יעבוד באותה האפקטיביות).

ניתן לתאר את תהליך ה Growth Hacking ב-4 שלבים:

  1. שלב הרעיון – העלאת היפותזות ורעיונות שכדאי לבחון
  2. שלב התיעדוף – איזה רעיונות אכן יגיעו לבחינה, ובאיזה סדר תיעדוף?
  3. שלב הניסוי – בחינה בפועל של הרעיונות (הרצת מבחן + קבוצת בקרה, הרצת מספר וריאציות במקביל)
  4. שלב הניתוח – בחינת התוצאות כדי להחליט האם יש הזדמנות לגדילה

3

מספר דוגמאות ל Growth Hacking ידועים, שהיוו רכיב משמעותי בצמיחה וגדילה של חברות ידועות:

  • Dropbox – יצירת תכנית תמריצים ל"צרף חבר" (החבר מקבל disk space חינם וכך גם הממליץ), התוצאות היו מדהימות. קפיצה מ 100K משתמשים ב 2008 ל4 מיליון ב 2010 ועד היום 35% מלקוחותיהם מגיעים מה Referral program הזו
  • YouTube – הוספת קישור ה “Embed” שמאפשר שיתוף הסרטונים בכל מדיה דיגיטלית בקלות הקפיצה משמעותית את השימוש
  • Hotmail – הוספה אוטומטית של המלל "קבל אימייל חינם" + לינק להצטרפות בסוף החתימה של Hotmail emails
  • LinkedIn – פישוט הוספת endorsements ל- Connections על ידי קליק אחד
  • Airbnb – הדוגמה המפורסמת ביותר כנראה וגם ה"אפורה" ביותר (חוקית אבל מעט בעייתית מבחינה אתית). בתחילת הדרך כשנה לאחר שעלה האתר והוא קצת דשדש, הם שאלו לקוחות היכן הם פרסמו דירות לפני שהגיעו ל Airbnb והבינו ש Craigslist הייתה התשובה הנפוצה ביותר. הם ייצרו API ל Craigslist בעצמם, כך שכל דירה שפורסמה ב Airbnb אוטומטית פורסמה גם ב Craigslist. אנשים שהקליקו על מודעה שהופיעה ב Craigslist לעוד פרטים הגיעו ל Airbnb. הם גם פרסמו Reviews שהובילו לאתר שלהם, ובעצם רכבו על פלטפורמה של מתחרה. ל Craigslist לקח כשנה וחצי לעלות על זה ובינתיים Airbnb הפכה למפלצת שכבר לא ניתן לעצור.

כל הדוגמאות האלה (כאן ניתן לשמוע על עוד) הנן תוצאה של התנסויות ובחינות של מה עובד, Scaling ודברים שעובדים, ותוצאות משמעותיות מאוד שהתקבלו כתוצאה מהמהלך.

המכנה המשותף: OPN (Other People’s Network) – אנשים כבר נמצאים במקום אחר. במקום לבנות רשת חדשה ולשכנע את כולם לעבור אליי, מתחברים לרשת הנפוצה ביותר ורוכבים עליה להשגת צמיחה מאוד מהירה. זהו נדבך נוסף בכלכלת הפלטפורמות עליה אנו מדברים הרבה לאחרונה.

 כלי אופטימיזציה:  אילו כלים טכנולוגיים נכללים תחת הגדרה זו?

המונח "אופטימיזציה" בהקשר של חויית לקוח כולל כמה תתי תחומים:

  • מנועי המלצה
  • כלי פרסונליזציה ו Behavioral Targeting
  • Online Testing (הכוללים A/B Testing, Multivariate Testing, Multi page Testing )
  • VoC– כלי משוב ו Voice of the Customer
  • כלי Web Analytics, Mobile Analytics ו Interaction Analytics, כלי CX Analytics
  • מעבדת שימושיות
  • ועוד

מסתבר שליותר ממחצית מהארגונים כיום יש כבר כלי אופטימיזציה קיימים בארגון. אולם בקרב ארגונים אלה, השימוש אינו מספק. רוב הארגונים פשוט אינם מצליחים לנצל את הכלים מסיבות שונות (העיקרית: מחסור בכ"א מתאים, חוסר מוכנות ארגונית, חוסר מחויבות ללמידה מתמדת). לדעתנו, הסיבה המשמעותית ביותר היא תרבותית. Testing זו לא טכנולוגיה, זו תרבות ארגונית. רוב הארגונים לא באמת מוכנים לפעול על סמך מה שעולה מן הדאטה, לא מוכנים להתנסות בדברים שלא ברור מה ייצא מהם, ולא מוכנים להיכשל.

4

לסיכום, החסמים העיקריים להצלחה הנם של יוזמות אופטימיזציה של חוויית הלקוח בארגון:

  • החסם הפסיכולוגי
  • חוסר מחויבות לתהליך הלמידה האדפטיבי הנדרש (הנחה כי זהו "פרויקט")
  • חוסר מוכנות להיכשל
  • אין מספיק דאטה (בתצורה הנדרשת) או שאין אפשרות לקבלו מספיק מהר
החוליה החסרה בדרך ל- Data Driven Customer Experience