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.

מודעות פרסומת
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

הארכיטקטורה התהליכית לחוויית לקוח

לצד הטרנספורמציה הדיגיטלית בה נדמה שכולם עסוקים, קיימת טרנספורמציה נוספת משיקה, והיא המעבר של הארגון למיקוד בחוויית לקוח.

למה להשתמש במלים מפוצצות כמו "טרנספורמציה" בהקשר של חווית לקוח? כי מדובר בשינוי תפיסתי, מבני, תהליכי, מחשבתי. ארגונים לא נולדו לתוך מציאות תחרותית בה המנצחים הגדולים הם אלה המצליחים לעצב ולטייב את חוויית הלקוח, רובם נולדו לתוך עידן בו עלויות או טיב המוצר הם המבדלים. כתוצאה מכך, ארגונים בנויים מקטעית (שיווק/מכירות/שירות/תפעול) ומוצרית. אם תסתכלו על מבנה ארגונים חדשים יחסית בעולם ה B2C, ובייחוד על ה Digital Natives הבולטים (נטפליקס, אובר, Airbnb ודומיהם), תבינו מייד שבארגונים כאלה אין צורך בטרנספורמציה שכזו. חוויית הלקוח היא זו המכתיבה את האופן שבו הארגון פועל. המבנה, התהליכים, שיטות העבודה וגם דפוסי המחשבה והתכנון, כולם פועלים כדי לשרת את המטרה הזו. הארגונים האלה נולדו לתוך המציאות הזו.

המשמעויות של ה"טרנספורמציה למוכוונות חוויית לקוח" הן רבות, וכוללות משמעויות ארגוניות (מבנים ארגוניים משתנים), משמעויות פוליטיות (בכ20% מהארגונים הגדולים ממנים CCO/CXO – Chief Customer Officer / Chief Experience Officer לעתים כיחידה נפרדת ולעתים תחת שיווק/גוף עסקי אחר), תהליכיות (הגדרה מחדש של יחסי הגומלין בין שיווק-IT-מכירות-דאטה ואנליזה-תפעול), תרבותיות, טכנולוגיות ועוד. אבל במאמר הזה אנו רוצים להתמקד במשמעויות שקשורות בבניית הארכיטקטורה התומכת שארגונים נדרשים לה, ה"בניין" שיתמוך במאמצי העיצוב, ההפעלה והשיפור המתמיד של חווית הלקוח.

הבנייה הזו כבר כאן ומתחילה להתרחש בפועל ממש בימים אלה. אם בשנה שעברה הרגשנו שארגונים מנסים לעכל את המציאות החדשה, מודעים לכך שעליהם להשתנות אך לא בטוחים איך, השנה אנחנו מתחילים לראות כבר תכניות יותר אופרטיביות, שכוללות יישום של אבני הבניין והתשתית התומכת – חבילות Marketing Automation כשלב ראשוני, אנחנו רואים גם התארגנות מבחינת מבנה אנשים ותהליכים וניסיון להתחיל לגבש ממשקי עבודה בין האגפים השונים – שיווק, טכנולוגיה, דאטה, אסטרטגיה, דיגיטל, שירות, תפעול… זוהי רק ההתחלה, אבל עדיין – התחלה.

אז אנחנו עכשיו בתקופה בה נוצרים מערכים ארגוניים חדשים. כמעט בכל ארגון עמו אנחנו בקשר, בכל תעשיה, אנחנו מרגישים את השינוי. אולם יחד עם ההתקדמות הזו, אנו רואים שלארגונים רבים התמונה כולה עדיין לא ברורה. איך בסוף כל החלקים מתחברים? מה בין Marketing automation למסעות לקוח? מה בין תפעול לאנליטיקה? איך נראית ה"זרימה" בין החלקים השונים? מהם שלבי הפעולה העתידיים?

לצורך זה גיבשנו ארכיטקטורה תומכת חוויית לקוח, זוהי ארכיטקטורה תהליכית שמנסה להראות מצד אחד – איך הכל מתחבר, ומצד שני – מהם הצעדים השונים שמרכיבים את התהליך השלם.

CX Architecture

Data Platform: פלטפורמת הדאטה וניהול זהויות
הכל ייפול ויקום על הדאטה, זוהי מנטרה שאנחנו לא מפספסים הזדמנות להדגיש. דאטה = הלב של הארכיטקטורה. אין דבר חשוב יותר להשקיע בו בזמן הקרוב מאשר בפלטפורמת הדאטה שלכם.
אל תתפתו לקפוץ לשלב ה ENGAGEMENT והערוצים לפני שיש לכם גרעין טוב של פלטפורמת דאטה המכילה זהויות לקוחות עם "הכנה למזגן" להתחברות למקורות מידע רבים ככל האפשר.
אבל "דאטה" זה לא מספיק, אותה פלטפורמת דאטה צריכה להיות מאורגנת סביב "זהויות" של לקוחות. אחד העיסוקים המאתגרים בשנה הקרובה יהיה לנהל את אותן זהויות – Customer Identities, ולחבר כמה שיותר פיסות מידע לאותה הזהות, לא משנה באיזה ערוץ אותו לקוח משתמש, באיזה device/מכשיר, האם משוחח עם הארגון ב online או ב offline. כאן טמון האתגר של חיבור מידע בין לקוחות "מזוהים" ו"לא מזוהים", מידע על נקודות מגע "פרסומיות" לעומת "שיווקיות"/"שירותיות"/"תפעוליות", והרחבה מתמדת של אותה פלטפורמת דאטה שחייבת להיות אמינה, איכותית, רחבה ורלוונטית.
בשלב זה לא רק חשוב אלא קריטי לקיים שיתוף פעולה הדוק עם אגף הטכנולוגיות, ה- Data Officer, וכל מי שאמון על ניהול הדאטה בארגון (עוד שינוי מהותי שמתרחש במקביל בארגונים כיום – ההסתכלות על דאטה בצורה מרכזית והניהול היותר מסודר של הנתונים). לכל אחד מהשחקנים יש חלק חשוב בהקמת ה Data Platform, בתחזוקה, בניהול, ב Governance ובהרחבה שלה לאורך זמן.

Content – תוכן:
עוד יכולת (וכרגע לגמרי מפוספסת בישראל!) שנמצאת בלב הארכיטקטורה היא יכולת התוכן. הרי ללא התוכן, מדובר במבנה מפואר בעל צינורות ומנגנונים מתוחכמים שכלום לא זורם בתוכן. התוכן רק כעת מתחיל לקבל את החשיבות הראויה לו – כ"נשא" העיקרי שמסיע את הערך ללקוח. יש כאן הרבה מקום ליצירתיות, חדשנות, והתקרבות אמתית לצורך האמתי של הלקוח לקבל מידע ושירותים המותאמים לו אישית.
בתחום זה אנו מזהים פער משמעותי כיום, בין החשיבות המאוד גבוהה שניתנת לתחום התוכן, ניהולו, שימוש בכלים טכנולוגיים התומכים באסטרטגיית Content Marketing, ובין החשיבות הפחותה יחסית שהתחום מקבל בישראל. שימו לב לאסטרטגיות ניהול, יצירה, אצירה, הפצה והתאמה של תוכן, והתחילו לבחון כלים תומכים לניהול תוכן כמו כלי Content Marketing, כחלק ממכלול הכלים הטכנולוגיים המאומצים כיום.

אנליטיקה:
אנליטיקה עוטפת את כל מחזור החיים של ניהול חויית לקוח ומשמשת אותנו בכל שלב, החל משלב ה"גילוי" בו אנו מגלים תובנות בדאטה, דרך שלב עיצוב חויית הלקוח (עדיין בשלב התיאורטי), ולבסוף אופטימיזציה שבוחנת בדיעבד מה קרה ועוזרת לנו לגזור תובנות המוזנות בחזרה לפלטפורמת הדאטה.
אנליטיקה תמיד הייתה ותמיד תהיה, אז מה השתנה? השינוי העיקרי לדעתנו הוא שהאנליטיקה שעד כה ישבה לצד המאמצים ה"תפעוליים", משולבת אינהרנטית בכל שלב בתהליך ניהול חויית הלקוח. אי אפשר כבר להפריד! אם היינו יכולים לחבר את האנליטיקה, עיצוב מסעות הלקוח, ואת התפעול שלהם לכדי אדם אחד שיידע לעשות את הכל – היינו עושים זאת. ואכן כיום זהו הפרופיל הרצוי לעובדים דרושים עבור מחלקות שיווק/חויית לקוח/מנהלי מסעות לקוח. כשאי אפשר לגייס אדם אחד שיעשה הכל, מגדירים צוותי עבודה שיהיו כמה שיותר "מעורבבים". המטרה שלכם צריכה להיות לערבב ולשלב כמה שניתן את היכולות האנליטיות בארגון שלכם עם היכולות התפעוליות. תושיבו אנשים יחד, תגדירו צוותי עבודה, תדאגו להעברת ידע ביניהם, תחפשו אנשים מצויינים עם יכולת למידה ולמדו אותם את מה שחסר.
בגזרת הכלים הטכנולוגים מגיעה עזרה במאמץ זה – כאשר כלי האוטומציה השונים מתחילים לשלב גם יכולות של בינה מלאכותית ובעיקר Machine Learning כדי לסייע לנו לבצע את אותם התהליכים (סגמנטציות, טירגוט, פרסונליזציה וכד') יותר חכם, תוך כדי קבלת "תובנות" והמלצות מהמערכות לגבי הצעד הבא הנכון ביותר, בהסתמך על כל הנתונים שכבר נצברו.

איך זה עובד? איך נראה התהליך?
איך נראה תהליך העבודה של עיצוב חוייות לקוח? מהם השלבים?
1. בניית פלטפורמת הדאטה הרחבה: איסוף, התחברות למקורות מידע שונים, יצירת APIs, יצירת תשתיות דאטה תומכות
2. יצירת, ניהול וטיוב של זהויות לקוח (multi-device, multi-channel).
3. גילוי תובנות בדאטה הקיימת, תכנון והגדרת מטרות ו-KPIs למדידה.
4. עיצוב חויית הלקוח: עיצוב מסעות לקוח, מקטעים, קהלים, טריגרים ועוד
5. תכנון, יצירה והתאמת התוכן לכל חלק במקטע.
6. תכנון orchestration של ערוצי ההתקשרויות לפי המסעות, המקטעים והמטרות שהוגדרו.
7. יצירת המלצות לפעולה (עם או בלי סיוע אנליטי, עם אופציה לשימוש במודלים מבוססי Machine Learning)
8. הוצאה לפועל תוך עריכת נסיונות – Testing & Optimization
9. אופטימיזציה – בדיקה מה עובד בפועל לאיזה תרחיש ולאיזו מטרה, והתאמת התכנית.
10. המידע מוזרם לפלטפורמת הדאטה. חזרה לשלב 1.

נשמע דמיוני? כך חברות מוצר טכנולוגי (Digital Natives) עובדות כיום. בלב העיסוק של חברות כאלה – המוצר שלהן – יושבים אלגוריתמים שבעצם ממכנים את כל הסעיפים למעלה. בכל רגע נתון בו אנו עושים שימוש באמאזון/Uber/ AirBnB וכד', כל השלבים מתקיימים. אבל בחברות אלה זהו תהליך ממוכן לחלוטין, אלגוריתמי, מונע-נתונים, נערכים כל הזמן נסיונות כדי לטייב את המודל ולייצר המלצות פעולה יותר חכמות. יש המכנים תהליך זה “The Brand Algorithm”.
אז גם אם לא נהפוך להיות האמאזון הבא (למה לא בעצם?!) אפשר לשאוב השראה רבה מהמנגנונים שחברות אלה מצליחות לייצר, באופן שמשפיע על המוצר שלהן בזמן אמיתי – ה Brand Algorithm שייחודי רק להן. חויית הלקוח לא מלווה את המוצר, היא מוטמעת בו כ"כ חזק שהיא הופכת להיות המוצר עצמו במידה רבה.

מהם החסמים?
ישנם עדיין אתגרים רבים, שימשיכו ללוות אותנו, וכדאי להיות מודעים אליהם:
1. יצירה וניהול של "זהויות לקוח" מהווה סוגיה משמעותית, עדיין לא פתורה גם לא אצל "מיטיבי הלכת". בשוק ה AdTech, מסעות הרכישות של יכולות אלה (DataTech) כבר החלו, אורקל לאחרונה רכשה את Crosswise שמתמחה בניהול זהויות לקוחות cross-device (איך אפשר לזהות שאני בנייד ואני בדסקטופ זה אותו לקוח לא מזוהה?)
2. איסוף הדאטה (התחברות למקורות מידע שונים, חיצוניים-פרסומיים ב paid media, פנים ארגוניים ב owned media, מובנה ובלתי מובנה וכד') וניהול אפקטיבי של הדאטה
3. אקטיבציה והוצאה לפועל של התכניות אל מחוץ לחומות הדיגיטליים של הארגון (יכולת שליטה מועטה, קבלת מידע מוגבל בחזרה).
אלו רק חלק מהחסמים, והם כמובן טכנולוגיים (עוד לא נגענו בחסמים הארגוניים, תרבותיים, תהליכים, כישורים, אנשים, פוליטיקות וכד'). מעניין לראות שהחסמים ברובם נוגעים בדאטה ובאנליטיקה. עם ה"צנרת" – תשתית האוטומציה, Marketing automation כבר פחות או יותר הסתדרנו.

חסם נוסף ומאוד משמעותי בעיניי הוא בכיוון אחר, והוא החסם היצירתי. העיסוק בטכנולוגיה, דאטה, אנליטיקה, ואוטומציה, לעתים מושך את תשומת הלב מהדבר החשוב ביותר – יצירתיות.
נדרשת כאן יצירתיות מסוג אחר, יצירתיות מחשבתית, חיפוש אחר שימושים מעניינים בדאטה, עיצוב מסעות לקוח חדשניים/מיוחדים/ פורצי דרך שמספקים תועלת באופן בו אף אחד אחר עוד לא עשה. הרי אותה ארכיטקטורה לחויית לקוח הולכת להתקיים אצל כל ארגון בסופו של דבר, אז איפה כאן הבידול? איך מוודאים שחוויות הלקוחות שאתם מעצבים ללקוחות שלכם ישקפו את המהות של החברה והמותג? איך אותו Brand Algorithm הולך לבדל את הארגון שלכם מ Brand Algorithms אחרים? זהו בדיוק האתגר הקריאטיבי של השנים הקרובות.

הארכיטקטורה התהליכית לחוויית לקוח

מה מעכב את תחום הבוטים בישראל?

בזמן שבשוק הבינלאומי תחום הבוטים מתחיל לפרוח, בישראל יש הרבה מאוד ניסיונות, בחינת יכולות, פיילוטים ומאמצים. אך מתחיל להיווצר פער משמעותי לרעת השוק המקומי. מי שהחל לעסוק בתחום הבוטים ה"נוצץ" מהר מאוד מגיע לשני הגורמים המעכבים את מימושו בישראל: ענן, ועברית.
* הערה: "בוט" הנו מונח גמיש, יש כאלו שיטענו שבוט יכול להיות תכנית מאוד פשוטה מבוססת חוקים (כשלקוח אומר X -> תענה Y), יש כאלה שיטענו שבוט "אמתי" הוא כזה המציג יכולת לנהל שיחה חופשית עם מכונה שיודעת להבין משפט, לפרק אותו למלות מפתח, לחלץ כוונה, לחולל תהליך בהתאם, להתחבר למערכות שונות, לשלוף את המידע ולהחזיר אותו לשואל תוך ניהול "שיחה" עם כל כללי השיחה וניהול הדיאלוג.
מבחינתנו, פלטפורמת בוטים מספקת 3 דברים: ניהול דיאלוג, הבנת כוונה, וחילול APIs.

הגורם הראשון המעכב את תחום הבוטים בישראל – הענן:
תחום הבוטים נשען על טכנולוגיות מאפשרות, שעוסקות בעיבוד דאטה, ניתוח טקסט, יכולות AI, ML, NLP, ושירותים כדוגמת ניתוח כוונה (Intent), ניתוח סנטימנט, מילונים, ועוד שירותים שאיכותם עולה ביחס ישיר לכמות הדאטה הקיימת. במלים פשוטות, היכולות ה"מתקדמות" של מוצרי הפלטפורמות נמצאות בענן.
בישראל אנו נמצאים בעיכוב משמעותי באימוץ ענן ציבורי (מוערך בכ-4 שנים). שתי תעשיות עיקריות שנתקלות בחסם זה ודווקא הן מהוות מועמדות מצוינות להפקת ערך עסקי משמעותי מעולם הבוטים, הן תעשיית הרפואה, וחברות בתחום השירותים הפיננסים. כתוצאה מכך, הפרויקטים שאנו רואים כיום בתעשיות אלה בישראל הם או כאלה המוגבלים לתחום בו נושא הענן אינו מהותי (לדוגמה, הזמנת פגישה – ללא פרטים מזהים/בירור פרטים כלליים/קבלת מידע רוחבי שאינו רלוונטי לי כלקוח), או לחלופין הולכים למודל של יישום מקומי On premise. כתוצאה מהיישום המקומי, לא נהנים מהיתרונות הטכנולוגיים שנמצאים בענן. כך או כך, ארגונים מפסידים חלק ניכר מהיכולות הפונקציונאליות.

הגורם השני המעכב את תחום הבוטים בישראל – עברית:
אין ספק שזהו הגורם העיקרי שמעכב את היישומים המקומיים. זה לא אומר שלא ניתן ליישם בוט בעברית, זה רק אומר שצריך לעבוד הרבה יותר קשה לצורך זה, לבנות הרבה מהחוקה ב NLP, לבנות מילונים נוספים, וגם "לוותר" על חלק מהיכולות שהיינו יכולים לקבל באנגלית (ניתוח סנטימנט היא הדוגמה הבולטת). אחד מהתחומים בו מתחיל להיווצר פער משמעותי הוא נושא ה Voice, כשחברות בינלאומיות מתחילות להוציא יישומים מבוססי Voice על גבי פלטפורמות כמו אמאזון (אלקסה), גוגל ומיקרוסופט, בישראל אין עדיין על מה לדבר בהקשר הזה…

סיום מעט אופטימי: אין לנו ספק שבסופו של דבר תהיה תמיכה בעברית בשוק, לא ברור באיזו רמה. מצד שני, ארגונים רוצים להתחיל להתנסות בעיקר על מנת ללמוד מהו הערך המתאים אותו ניתן להציג ללקוחות ולארגון, שכן לתחום הבוטים יש פוטנציאל רב בשיפור חויית הלקוח ובחיסכון עלויות תפעול, וחבל לפספס. אך במסגרת הפיילוטים והפרויקטים שמתחילים כבר לצאת כרגע לשוק, כדאי להכיר במגבלות אלה, לבחור שותפים שיידעו לחפות על הפער, ולנסות לייצר קואליציות של רכיבי בוטים שונים כדי לייצר את הפתרון המתאים. אנו מאמינים שהשאיפה כן צריכה להיות ליצירת מנגנון לומד מבוסס Machine Learning, ולנסות למנף את הדאטה הקיימת ממוצרי צ'אטים קיימים/מקורות מידע רלוונטים אחרים.

מה מעכב את תחום הבוטים בישראל?

רשמים מכנס re:Invent של AWS

זאת הפעם השנייה שהשתתפתי בכנס מעניין זה. מדובר על כנס ענק בו נכחו יותר מ-30 אלף משתתפים.

ניתן היה להרגיש את העוצמה והביטחון העצמי של AWS כמובילים המוחלטים של תחום הענן.

ב- AWS ישנם שירותים רבים ומגוונים המצריכים ידע רב בכדי להשתמש בהם באופן יעיל. בכנס הוכרזו עשרות שירותים חדשים ובנוסף הרחבות של שירותים קיימים (לדוגמה סוגים חדשים של שרתים או הרחבת פתרונות הניטור).

מגמה מרכזית שהודגשה בכנס היא תחום ה- AI – Artificial Intelligence.  AWS הרחיבו באופן מהותי את הצעת הפתרונות שלהם בתחום בעיקר סביב machine learning ותשתית לבנייה של Bots. שירות ראשון בתחום זה הנו AWS Polly אשר מתרגם טקסט לדיבור אנושי ב-24 שפות (עברית לא נמצאת בין שפות אלו). שירות שני הוא Amazon Recognition אשר מנתח תמונה וחוזר עם פרמטרים מובנים כגון "האם מרכיב משקפיים", "האם גבר או אישה" "האם שמח" וכד'. שירות מהותי נוסף הוא Amazon Lex  וזהו שירות ניתוח טקסט – ה"מוח" שמבין מה המשמעות (לפי קונוטציה) ומקבל החלטה. זהו הרכיב החכם שנמצא מאחורי Amazon Alexa המותקן ב- Amazon Echo הרמקול החכם שמקשיב ומבצע פקודות.

כחלק ממגמת ה- AI הכריזה AWS גם על שירותי מחשוב חדשים המאפשרים ביצועים משופרים הנדרשים במיוחד לשלב הראשוני של "לימוד" האלגוריתמים של machine learning. מדובר על שימוש במעבדים גרפיים (GPU) ואפילו על תכנות חומרה באמצעות תכנות מעבדי FPGA.

מגמה נוספת היא הרחבת יכולות בתחום ה- IoT. ב AWS הכריזו על רכיב תוכנה בשם AWS Greengrasse  אשר מותקן על התקן ה- IoT על ידי היצרן. רכיב תוכנה זה מתקשר באופן טבעי לשירות ה- AWS IoT platform ואפילו יכול לבצע חלק ממשימות החישוב בהתקן עצמו. בכך מצהירה AWS שהיא מקבלת את העובדה שלא כל החישובים יכולים להתבצע בענן המרכזי – חלקים צריכים להתרחש בסביבת ההתקן (ב- Edge).

המגמה השלישית שנזכיר כאן היא השקעה גדולה יותר של AWS לכיוון ארגוני ה- enterprise. סממן ראשון למגמה זו היא ההסכם האסטרטגי עם VMWARE. ארגון יוכל להעביר שרת בין סביבת ה- vSphere המותקנת אצלו לענן של VMWARE שנמצא ב- AWS. מדובר על הורדת מחסום גדול לצוותי התשתיות אשר יכולים לנצל את יכולות הענן ללא ביצוע שינוי בתשתית (שינוי טכנולוגיית hypervisor) וללא לימוד של טכנולוגיה חדשה  תוך ניצול מלא של ההשקעה הקיימת שלהם בהקשר של ידע ואף בהקשר של רישוי.

נדבך נוסף המצביע על השתדלות AWS לכיוון ה- enterprise הוא האפשרות להריץ את גרסת הלינוקס של AWS באתר הלקוח כך שבעתיד יוכל להעביר את המערכת לענן ללא צורך לבצע התאמות ובדיקות (בהקשר מערכת ההפעלה).

והדבר הכי משמעותי בהקשר זה הנם הפתרונות המאפשרים להעביר כמויות מידע גדולות מתוך ה- enterprise לענן. בכנס הוכרזה גרסה חדשה ובעלת קיבולת גדולה יותר של ה- AWS Snowball Edge – סוג של מזוודה שלתוכה מעתיקים מידע מתוך הארגון. ואז שולחים את המזוודה (המידע בה מוצפן) ל- AWS. פתרון שני בתחום זה הוא ה- AWS Snowmobile שהוא משאית ענקית המאפשרת העברה של 100 PETA  של מידע (בכדי לתת סדר גודל, אני מעריך שבישראל נמכר פחות שטח אחסון לארגוני enterprise בשנה!!).

אולם ההתפתחות המשמעותית ביותר היא ש"קופסאות" אלו שנמצאות (לפחות זמנית) באתר הלקוח אינן קופסאות "טיפשות" של אחסון. הן יכולות לבצע חלק מהשירותים שמוצעים כעת בענן. הן מאפשרות שירות אחסון בסטנדרט S3 ובפורמט של קבצים ואפילו מאפשרות הרצת פונקציות מסוג serverless computing בכדי שיהיה אפשר לבצע מניפולציה על המידע עוד באתר הלקוח (ולא רק בענן).

המשמעות היא שמבחינה טכנולוגית תוכל AWS במידה ותרצה להרחיב יכולת זו לספק שירותים שלמים באתר הלקוח, כלומר לספק סוג של ענן פנימי!

AWS לא הצהירה על כוונה זו אולם לפחות טכנולוגית נראה שהדבר בהחלט אפשרי כלומר יש ל- AWS סוג של קלף סודי אותו תוכל להפעיל בעתיד.

גם בכנס זה אחת הטכנולוגיות הדומיננטיות ביותר הייתה קונטיירים (Dockers). טכנולוגיה זו נתמכת על ידי AWS במספר אופנים אולם במובן מסוים טכנולוגיה זו עלולה לאיים על AWS וגם על שאר ספקי הענן. זאת מכיוון שטכנולוגיה זו מאפשרת תאימות בין העננים השונים והעברת פעילות מענן אחד לשני באופן פשוט יחסי.

ניתן לשאר שבמידה ואימוץ הטכנולוגיה של containers יתגבר ובנוסף אכן תאפשר העברת שימוש בין ענן אחד לשני, תפעל AWS להשתמש בקלף הסודי שלה והוא הרחבת השירותים שלה לאתר הלקוח תוך ניצול הטכנולוגיה שהוכרזה בכנס זה.

– פיני כהן.

רשמים מכנס re:Invent של AWS

שינויים בכישורים, בהכשרות ובמבנה של מחלקת התפעול והתשתיות

 

  • כ"א בתחום התשתיות (אחסון, שרתים, תקשורת DC) יקטן בשיעור של 20%-25%
  • באופן יחסי צוות הסיסטם יגדל, צוות האחסון יקטן
  • על כל חברי הצוות להיות מנוסים בתכנות ולכן יש לגייס כ"א חדש ולהכשיר את כ"א קיים
  • צוות הענן יהיה חלק מצוות התשתיות הכללי

הדרישות העסקיות החדשות, המעבר לענן הציבורי והפרטי וההבשלה ההדרגתית של טכנולוגיות כגון ענן ציבורי, ענן פנימי, SDN, SDS, Containers-Docker ועוד, גורמות לשינוי מהותי בהתנהלות צוותי התשתיות והתפעול.

במסמך זה ננסה לתאר את השינויים שיתרחשו בגודל, במבנה ובכישורים הנדרשים בצוותי תשתיות ה- DC (Data Center):  אחסון, סיסטם ותקשורת DC.

הפוטנציאל של שימוש בענן פנימי \ אוטומציה הוא גדול עד לפקטור של פי 10. לדוגמא, חברת אינטרנט ציינה שלפני 10 שנים (עוד לפני וירטואליזציה\DEVOPS, כאשר עבדו עוד על solaris) זמן ההפעלה/הקמה של 100 שרתים לקח בסביבות 3 חודשים. כעת מבצעים זאת ב- 3 שעות! עם זאת, מספר האנשים בצוות התשתיות\תפעול לא ירד כי כעת מבצעים פי 10 יותר פעולות, כלומר הם מהווים enabler עסקי באופן יותר משמעותי.

אולם על אף הפקטור של פי 10 שהוזכר כאן, כאשר מדברים על ארגוני enterprise, נראה שכאשר מיישמים ענן פנימי אמור להיות פקטור של חסכון של כ- 20%  – 25% ממספר האנשים, כאשר:

  • מספר אנשי האחסון אמור לקטון בשיעור הגבוה ביותר. זאת מכיוון שבעתיד לא תהיה חומרת אחסון ייעודית אלא תוכנת אחסון שמותקנת על גבי השרתים (SDS).
  • מספר אנשי הסיסטם אמור לקטון בשיעור נמוך (המשמעות היא שבאופן יחסי הצוות גדל).
  • מספר אנשי התקשורת אמור לקטון בשיעור קטן כי נראה שתחום זה עדיין לא בשל בעולם הענן הפנימי ועדיין צריך להשקיע הרבה (גם בגלל שדרישות האבטחה גדלות). יש להניח שעם הזמן הטכנולוגיות יבשילו וגם מספר אנשי התקשורת יקטן.

מבחינת מבנה ארגוני ישנן מספר גישות:

גישה אחת מדברת על בנייה של צוות מאוחד אשר בונה ומתפעל את הענן ובו יהיו חברים אנשי האחסון-סיסטם-תקשורת DC וגם אנשי אבטחה רלוונטיים. מבנה זה מתאים באופן מיידי לבניית הענן הפנימי אך יוצר מחנות בתוך הארגון: אנשי אחסון "חדש" למול אנשי אחסון "ישן".

גישה אחרת מדברת על שמירת המבנה של אחסון-סיסטם-תקשורת אך מעלה את הצורך להוספת גוף מנחה-מקשר גם בין גורמי התשתיות וגם בין הפיתוח לתשתיות, שניתן לכנותו גוף Devops או "תשתיות Devops- ענן". בתוך כל צוות ספציפי (לדוגמה אחסון) יהיו אנשים אשר יטפלו באחסון "הישן" ואחרים באחסון "החדש" (כלומר ב- SDS). אנשי ה"ענן" מתוך כל הצוותים יוגדרו כ- COE – center of excellence  או "חוליית ענן" ויימדדו על פי הצלחתם.

הערה: גם ללא יישום ענן, ההפרדה בין אחסון-סיסטם-ותקשורת DC צריכה להיפסק. במידה ולא ניתן לאחד את הצוותים לצוות אחד (בגלל גודל), רצוי לתת משימות משותפות לצוותים אלו ולהגדיר בתוכם חוליות שונות המורכבות מצוותי האחסון-סיסטם-תקשורת DC ולעיתים גם אבטחה. חלק מהאנשים יהיו בצוותים בחלקי משרה.

לדוגמה:

  • לבנות "חוליית תקלות" משותפת לצוותים אשר מטפלת בתקלות באופן מאוחד. כלומר, כאשר יש תקלה ב- DC תמיד מתכנסת "חוליית התקלות" ומטפלת ביחד- לא מטפלים בנפרד האחסון, הסיסטם והתקשורת.
  • לבנות "חוליית התקנות" אשר אחראית באופן משותף על התקנה של פרוייקטים חדשים.
  • לבנות "חוליית design" אשר אחראית באופן משותף על design של מערכות חדשות (ביצוע sizing לפרויקטים, הכוונה בטכנולוגיות וכד').
  • לבנות "חוליית בדיקות" אשר אחראית באופן משותף על בדיקות של מערכות שנכנסות לייצור.
  • במידה ויש מערכת גדולה במיוחד, לבנות "חוליית מערכת" אשר תהיה אחראית באופן משותף על המערכת.
  • לבנות "חוליית DR" אשר אחראית באופן משותף על נושא ה- DR ב- DC.

וכד'. כלומר יש להתייחס לאחסון-תקשורת DC וסיסטם באופן מאוחד.

מבחינת הכישורים הנדרשים מאיש התשתיות, כאן מתרחש השינוי הגדול. כל הפעולות החדשות הנן פעולות תכנות-אוטומציה. ולכן לכל המשתתפים בפעילות צריך להיות רקע טוב בתכנות, עד כדי כך שחברת האינטרנט עמה דיברנו מגייסת רק בעלי הכשרה של תכנות לכל המקצועות – אחסון-תקשורת-סיסטם ואפילו אבטחה. זהו שינוי מהותי שאינו טריוואלי.

לסיכום, מדובר על שינוי מהותי באופן תפעול תשתיות המחשוב אשר מחייב תכנון, שיקול דעת ותמיכת ההנהלה.

שינויים בכישורים, בהכשרות ובמבנה של מחלקת התפעול והתשתיות