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

האם בוטים הם "הדבר הבא" ב- Customer engagement?

האם Bots הם "הדבר הבא" באינטראקציה עם לקוחות?

"בוטים" (Messaging bots) הצליחו למשוך את תשומת לבה של התעשיה כולה כתוצאה משתי התפתחויות מקבילות, ובעיקר בשל החיבור ביניהן בנקודה זו בזמן:

  1. העובדה שרובנו – כאנשים/צרכנים/עובדים/חברים/בני משפחה – התרגלנו לתקשר באמצעות פלטפורמות messaging. השימוש בפלטפורמות אלו גם כצרכנים אל מול ספקי השירות שלנו נראית טבעית ומתבקשת, בין אם מדובר בבנק, קופת החולים, משרד ממשלתי, הזמנת מוצר או קבלת מידע.
  2. התפתחויות טכנולוגיות בעולם הבינה המלאכותית (AI) ובתוכו בענפי ה- ML וה–NLP, הביאו לפריצת דרך באופן בו מערכות מסוגלות להבין דברים 'מורכבים', כמו טקסט חופשי, כוונה או רצון. אולם חשוב גם להדגיש כי במובן זה – ייקח כנראה עוד זמן עד שטכנולוגיות אלה יבשילו משמעותית לכדי אפשור שיחה "טבעית".
  3. עייפות החומר בכל הנוגע לאפליקציות מובייל. הנתון המטריד הוא שכיום הסיכוי שאתם תצליחו לשכנע את הלקוחות שלכם להוריד אפליקציה חדשה מאוד נמוך (65% ממשתמשים כלל אינם מורידים יותר אפליקציות חדשות, ורובנו עושים שימוש ב-5 אפליקציות בלבד מבין העשרות המותקנות לנו על המכשיר).

האם Bots הם ה"דבר הבא" ב-Engagement של ארגונים אל מול לקוחותיהם? האם הם יחליפו ערוצים קיימים אחרים? האם יהוו "שכבת על" מעל ערוצים אחרים (אולי כתחליף לאפליקציות המובייל בתצורתן העדכנית כיום)?

ומהם תחומי היישום הרלוונטיים ביותר ל- bots? האם ל-e-Commerce/ אספקת מידע/ שירות/ אחר?

פחות מעניין לדבר על בוטים, ויותר מעניין לדבר על פלטפורמות.

המעבר הוא אינו מ"אפליקציות" ל"בוטים". המעבר הוא ל"פלטפורמות" ולמקומות שהן לוקחות אותנו אליהן (בין פלטפורמות אלה ניתן למנות את אמאזון, פייסבוק, מיקרוסופט, IBM, SLACK, KIK, WECHAT, TELEGRAM וכו'). פלטפורמות הן אלה המרגילות אותנו לעבוד בתצורת עבודה מסוימת (מי היה מאמין שיום אחר נעדיף לתקשר באמצעות messaging יותר מאשר שיחות קוליות?) ואם כיום messaging הנה צורת ההתקשרות המועדפת, בעתיד כנראה שהממשק יהיה Voice ובהמשך… מי יודע?

אבל הכוח, במובן הזה, הוא בידי ספקי הפלטפורמות. הן אלה אשר יגדירו את סטנדרט הממשק החדש, והם אלה שמחזיקים את הדאטה על האנשים שחיים בתוכם. ברור שרצון חברות וספקי שירותים כיום הנו לפגוש את הלקוחות במקום הנוח להם, תוך מינימום מאמץ ומקסימום נוחות של לקוחותיהם. אם כיום הלקוח משתמש במסנג'ר/ווטסאפ/סקייפ/וכו' כדי לתקשר עם העולם, הכי טבעי שנתחבר לשם.

כן, אבל…

צריך להודות על האמת המעט מאכזבת: רוב הבוטים הקיימים כיום הם די טיפשים. כשאנחנו מסתכלים סביב ומנסים למצוא את ה KILLER BOTS שבאמת סיפקו חוייה ייחודית, לרוב לא ניפול מהכסא. ישנם כמה מוצלחים, המון לא מוצלחים, הרבה שמתחזים ל"אני ממש כמו בנאדם מגניב, שאל אותי כל דבר" (האכזבה מגיעה מאוד מהר), והרבה מאוד בוטים שהלכו על העניין הגימיקי בלבד.

אז נכון – אנחנו נמצאים בגרסה 0.01 של עולם הבוטים, שעוד ישתנה, יתהפך,יקרוס, יצמח בחזרה, ולבסוף ימצא את מקומו כ ENABLER לאספקת ערך אמיתי ללקוחות שלנו.

עוד סממן להתחלתיות היא העובדה שלפייסבוק אין עדיין Bot-Store, וזה כמובן במכוון. פייסבוק רק הכריזה באפריל על פתיחת הפלטפורמה למפתחים, ורצתה לתת להם להתנסות, לראות מה יוצא, לתת לזה קצת זמן… התחלה.

אחנו נמצאים ב PEAK של ההייפ, מכאן בוודאי שנתרסק מעט, אבל לאחר ההתפכחות סביר שנתחיל לראות דברים יפים שעונים באמת על צורך אמתי.

bots-hype

מהם האתגרים הקיימים כיום בתחום הבוטים?

הבעיות הן רבות, וכוללות בעיות ממשק – שפשוט אינו סקסי מספיק. אם מסתכלים על ה-UI באפליקציות מובייל ובווב כיום לעומת ממשק המסרים הפשטני שמכיל שאלה/תשובה, אפשר להבין את הלחץ של מומחי UI כיום. אבל ברור שגם תחום זה ישתנה וישתכלל, כפתורים מיוחדים/ממשקים מותאמי מסג'ינג מתחילים לצוץ, ומפתחי UI כיום פשוט לומדים מדיום חדש;

ברמת ה UX בוודאי שישנה בעיה (כאמור, בוטים לא אפקטיביים, לא חכמים מספיק, שלא מבינים INTENT ומתסכלים את הלקוח);

חוסר בשלות של טכנולוגיות בינה מלאכותית AI, ובתוך כך נושא ה NLP (עיבוד שפה) – במיוחד בעברית!

theissues with bots today.png

נכון, רוב הבוטים כיום הם טיפשים. אבל אנחנו סולחים להם כי הם מלאים בפוטנציאל.

מהם הערך וההבטחה הגדולה שבוטים יכולים להביא לנושא חויית הלקוח? לדעתנו, הערך הוא משמעותי מדי מכדי להתעלם מהם, על אף החסרונות וחוסר הבשלות.

  1. תחילה, האפשרות לקיים אינטראקציות ש"מרגישות" יותר פרסונליות ושיחתיות (לדוגמה, נושא ה eCommerce או כפי שהוא מתחיל להיקרא: Conversational Commerce – הצרכן משוחח עם המותג/סטייליסט/יועץ שמכיר אותו ויודע מה להציע לו). מעבר לכך, כשאנחנו מתחברים לפלטפורמות שצרכנים חיים בה – יש לנו מראש כבר מידע בעל ערך על אותו הצרכן, שיכול לאפשר לנו להתאים את השיחה לאותו הצרכן – פרסונליזציה שמתאפשרת תיאורטית כבר מהרגע הראשון, עוד לפני שהתחלנו לצבור מידע.
  2. בוטים הם כלי אפקטיבי מאוד למיכון של משימות פשוטות שחוזרות על עצמן. כמובן שהתוצאה צריכה להיות אפקטיבית והמדד הטוב ביותר הוא מדד הזמן – האם חסכנו זמן ללקוח? מסתבר שלקוחות מאוד מעריכים חיסכון בזמן, ובזה בוטים מצטיינים. בוטים צריכים לאפשר ללקוחות To get stuff done, מהר ופשוט.
  3. באופן תיאורטי – האינטראקציות עשויות להפוך להיות יותר חכמות – וכאן צריך לסייג. כשאנחנו מחברים את נושא הבינה המלאכותית, ועושים שימוש בכל הדאטה שאנחנו צוברים כתוצאה מהרבה אינטראקציות, אנחנו בהחלט מצפים לראות את האינטראקציות משתפרות ולומדות מניסויי העבר. למה הסיוג? בגלל שטכנולוגיות AI/ML עדיין לא במאה אחוז מאפשרות לנו את זה, עם כל ההתפחות האדירה בתחום זה, יש עדיין דרך ארוכה.

אם לסכם את הערך שבוטים יכולים להביא לנושא חויית הלקוח, זה יצירת אותם Magic moments (שניסינו ליצור באמצעות אפליקציות מובייל) – להבין מתי הזמן הנכון שאותו הלקוח צריך אותנו? איך לתת לו מה שהוא צריך? לייצר עבורו חוייה שהיא מה שפורסטר קוראים Zero-friction במינימום מאמץ מצידו. המונח 'מינימום מאמץ' כל הזמן מוגדר מחדש, דוגמת פיצה דומינוס שהצליחה לצמצם מאמץ זה לכדי אימוג'י אחד בודד של פיצה!

 what-is-their-big-promise

אז מה עושים בינתיים?

אתכם כך. אם הכלי יעיל, זה לא ייקח זמן רב. אבל גם אתם תלמדו מהאינטראקציות מולם. בנוסף, לוקח זמן עד שהרעיון שוקע בתוך הארגון, והרעיונות (הטובים!) של מה לעשות עם זה כדי לשפר את חיי הלקוחות יגיעו כנראה רק אחרי משחקים ונסיונות.

איזה סוגי בוטים קיימים?

3 הסוגים העיקריים:

  1. אין ספק שהיישום העיקרי כיום הוא בעולם ה- eCommerce. הבוטים מסייעים לייצר ecommerce שיחתי, מונח אותו טבע כריס מסינה של UBER במאמר זה. אינסוף דוגמאות, החל מהזמנת מונית UBER, דרך הזמנת פרחים 1-800-flowers, ומשלוחי אוכל (הפיצות לגמרי נכבשו על ידי בוטים), הזמנת טיסות ומלונות ועוד…
  2. בוטים של תוכן/חדשות. דוגמאות: CNN, Business Insider, וה – New York Times שמספקת לכתבים את Bloosom – בוט שממליץ לכתבים על מאמרים בעלי סיכוי גבוה להפוך להיות ויראליים.
  3. בוטים שמספקים את מוצר/שירות החברה ב Zero-friction/ magic moment. כאן מדובר יותר על בוטים שהם transactional, שמספקים את מהות המוצר/שירות עצמם, שהחברה מציעה, תוך תמיכה ב WORKFLOW השלם, ב Zero-friction – מינימום מאמץ מצד הלקוח. קחו לדוגמה את בוט ה "magic moment" של KLM:

klm-bot

כמה חוקים לבניית בוטים טובים (תוך התחשבות ברמת בשלות השוק):

  • בוטים טובים חיים בתוך פלטפורמה מוכרת – לכו להיכן שהלקוח שלכם חי, והפלטפורמה המתאימה לסוג השירות שאתם מספקים
  • בוטים טובים הם קונטקסטואלים – מבוססי הקשר (ולזה צריך דאטה!!!)
  • בוטים טובים הם מאוד מאוד אפקטיביים. תחשבו איך אתם יכולים להקל על חיי הלקוח שלכם (חיסכון בזמן זו תועלת עצומה)
  • בוטים טובים מבנים דברים שאנשים בכל מקרה כבר עושים היום (חיפשו מטלות שחוזרות על עצמן, שניתן לייעל/לקצר/לשפר אותן)
  • בוטים טובים תפרו מראש את התהליך, ללא הרבה מקום לסטייה ממנו, כדי להימנע מנקודות החלטה (בהתחשב במצב בשלות השוק כרגע, זוהי נקודה מאוד חשובה)
  • בוטים טובים הנם בעלי "קצוות סגורים"
  • בוטים טובים מאוד ברורים לגבי המגבלות שלכם (אם אנשים ירגישו שהבוט שלכם יכול לדבר על כל נושא, האם ישאלו אותו כל שאלה)
  • בוטים טובים נבנים סביב רעיון ה Magic moment / Zero-Friction

בקצרה, כדאי להסתכל על בוטים כ ENABLER המסייע ללקוחות שלנו לבצע דברים:

TO GET STUFF DONE

 הבעיה עם בוטים בעברית

למרות כל הנסיונות והרצון הטוב לפתח יכולות NLP בעברית, אולי תמצית הבעיה היא – שהבעיה שלנו פשוט לא כ"כ בעייתית עבור שאר העולם. כמה אנשים בעולם מדברים עברית? מעט מאוד. התוצאה: אין מספיק תמריץ של השחקנים הגדולים לפתח, תוסיפו לזה את המורכבות של השפה העברית (מאוד, מאוד מורכב הסיפור) וקיבלנו בעיה שכנראה לא הולכת להיעלם בזמן הקרוב מאוד. אז נכון שתולים תקוות בהתקדמות הבינה המלאכותית, ובמיוחד רשתות הנוירונים וה Deep Learning שיציעו פריצת דרך של ממש, אבל על פי כל המומחים עמם אני שוחחתי – הנחת המוצא היא שכרגע NLP לא מספיק מתקדם בעולם על מנת לקיים שיחה "טבעית לגמרי" עם בוט, ובוודאי שלא בעברית. אורי אליאבייב כתב על נושא הNLP בעברית פוסט מרתק ומקיף בבלוג על ML (המרתק אף הוא) – ממליצה לקרוא.

מספר דוגמאות של בוטים מעניינים ואפקטיביים בישראל שכבר היום מספקים ערך פרקטי ללקוחות הארגונים שמציעים אותם, ועובדים בעברית:

  1. הבוט הממוקד של בנק לאומי במסנג'ר, המסייע באיתור סניפים, עוזר להבין היכן הסניף הקרוב אליי, מהן שעות הפתיחה, ומהם השירותים המוצעים שם.
  2. הבוט של פרטנר למידע על חבילות הגלישה, המאפשר ללקוחות לדעת מה היקף חבילת הגלישה שהם צרכו עד כה, כמה נותר להם לגלוש בחבילה ומועד חידוש חבילת הגלישה, הבוט הנונ במסנג'ר, כאשר ניתן לעבור לנציג אנושי בכל עת.
  3. הבוט של – הזכיין של UPS בישראל, גם הוא במסנג'ר, המאפשר ללקוחות לקבל מידע ולשאול שאלות על שטר המטען שלהם.
  4. "הבוט של תותית" (חלק ממהלך שיווקי דיגיטלי) מבית חוגלה-קימברלי עבור מותג Kotex, המספק במסנג'ר מידע לקהל יעד ספציפי (במקרה הזה צעירות לקראת גיוס) דרך שיחה עם "תותית".
  5. הבוט של השף הלבן – המתאים לאנשים מתכונים לפי העדפות ותנאים שונים
  6. מה שמסתמן כתחום יישום פופלרי ביותר – גם בישראל יש כבר בוטים פועלים להזמנות משלוחי אוכל, כמו לדוגמה זה של Tictuk.

מה משותף לדוגמאות האלה? ממוקדים במשימה ספציפית ומתוחמת/קהל יעד ספציפי. עונה על צורך דומה של מספר רב של לקוחות (קבלת מידע על X, צריכת שירות Y – עם עדיפות למספר מוגבל/מוגדר מאוד של אפשרויות בחירה).

טיפים:

  • מהי השאלה ששואלים אתכם הכי הרבה במוקד הטלפוני?
  • כשנכנסים לאתר שלכם, מה המידע שמחפשים שם?
  • נסו להתמקד באספקת מידע מסוג Pull (הלקוח יוזם את האינטראקציה) ופחות מסוג Push (אתם יוזמים את האינטראקציה). רוב החברות כיום חושבות / כבר עוסקות בפיתוח הבוט שלהם. עוד רגע ויהיה פה שטף של בוטים. זה לא ייקח הרבה זמן עד שבוטים יתחילו להציק לאנשים בהמון המון הודעות ופניות, רמת הסבלנות של הלקוחות תרד. אנו מציעים להתמקד תחילה בנושאים בהם הלקוחות פונים אליכם, מה שמוריד את הסיכוי שתטרידו אותם עם מידע שלא מעניין אותם ותייצרו אנטגוניזם.

לסיכום, מצאו משימה שחוזרת על עצמה, משהו שמשותף לקבוצת אנשים גדולה, הגדירו את גבולות המשימה בה אתם מטפלים ואל תחרגו ממנה. בתוך אותו דומיין תחקרו לעומק עד כמה שרק אפשר – תייצרו כמה שיותר תרחישי שיחה, צירופי מילים בהם ניתן לשאול שאלה (כמובן שגם תלמדו תוך כדי האינטראקציות עם הלקוחות). חשוב לזכור את שלושת המטרות קצרות הטווח מההתנסויות כיום עם בוטים, שנמצאים ממש בתחילת הדרך:

  1. להתנסות ולהתחיל "לאמן" שרירים חדשים בארגון, להצית את הדמיון לגבי מה ניתן לעשות בעתיד (ומה לא כדאי).
  2. לחנך את הלקוחות ולהרגיל אותם לערוץ חדש באמצעותו ניתן לשוחח עם הארגון שלנו
  3. ללמוד כתוצאה מההתנסויות האלה.

לקריאה נוספת, ניתן לעיין במצגות שלנו בנושא כאן:

האם בוטים הם "הדבר הבא" ב- Customer engagement?