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

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?

מהי ארכיטקטורת הדאטה של תחום השיווק וחויית לקוח?

זהו הפוסט השלישי בסדרת פוסטים בנושא Data driven businesses. בפוסט הראשון סקרנו את הסיבה בגינה אנחנו מדברים כ"כ הרבה על דאטה וההקשר הרחב של Data driven Businesses. בפוסט השני עשינו זום אין לצורך, לתועלות, לאף לצעדים הדרושים כדי להפוך ל Data Driven Marketer.

כעת אנחנו רוצים להגיע לשאלת ה"איך": איך צריכה להיראות ארכיטקטורת הדאטה שלנו. מדוע הארכיטקטורה הקיימת (ברוב המקרים) אינה מספקת את הצורך ב" Customer experience view" לשנים הקרובות, וננסה להבין מהן אבני הבניין של ארכיטקטורה זו, מהו הדבק שיאחד בין הדברים ועוד שאלות יותר פרקטיות.

דוגמא אחת נהדרת לארכיטקטורה כזו, בעלת 5 שלבים:

Data architecture

מקור: ChiefMarTech

ארכיטקטורה זו מכילה 5 רכיבים שהם מהווים גם 5 שלבים:

  1. Backbone: זוהי תשתית הנתונים. השלב בו אנו אוספים ואוגרים נתונים (בין אם פנימיים או חיצוניים, מובנים או לא מובנים). יש כאן מספר שינויים עליהם נדבר בהמשך, החשוב שבהם הוא שמקורות המידע ילכו ויתרבו כל הזמן, חלקם לא ישבו פיזית אצלנו, ואנחנו צריכים לפעול כדי לנהל אותם וירטואלית בצורה מרכזית ולחבר אותם חיבורים לוגיים (לאו דווקא פיזיים) לישות אחת כדי להבין יותר טוב את חויית הלקוח הרציפה.
  2. Discover: השלב האנליטי בו אנחנו מייצרים מודלים אנליטיים, עושים סגמנטציות, עושים פרדיקטיב, דיגיטל אנליטיקס וכד'.
  3. Delivery: החלק של קבלת החלטה או "איך הנתונים משפיעים על קבלת ההחלטות בפועל" – ה SHARE של הנתונים בארגון, חשיפה שלהם, שילוב התובנות בתהליכי קבלת החלטות, תכנון מסעות הלקוח… "ניהול התובנות" וגם governance.
  4. Activation: החלק התפעולי – הוצאה לפועל של תהליכים המושפעים מהתובנות – לדוגמה קמפיינים שמערכות מרקטינג אוטומיישן מפעילות, אותם ניסיונות של AB testing שמועלים לאוויר….
  5. Automation: כשעושים "SCALE" לאותם טסטים, עוברים לשלב הסיסטמתי.

בין שלבים אלה קיימים "גשרים" וחיבורים, שגם הם תהליכים בפני עצמם.

מהם השינויים בשכבת ה Backbone, שכבת איסוף וארגון הנתונים?

DW

הדבר הראשון הוא ההבנה שה- Data Warehouse הוא לא מענה מספק עבור הבנת חויית הלקוח, הוא מספק רק חלק מהתמונה, וזה נובע מכמה סיבות:

  • בתחום השיווק / חויית לקוח מתבקשת גישה "חקרנית" (Exploratory) לנתונים. ה- DW הקלאסי נבנה סביב סכימות דאטה מתוכננות היטב שבאות לספק מענה לחקר מבוסס שאילתות 'ידועות מראש'. כאן לא מדובר על שאילתות, אפשר להקביל את זה יותר ל"נבירה" בדאטה כדי למצוא דברים מעניינים, תובנות שעולות, קורלציות, קשרים שלא חשבנו שקיימים.
  • עבור צרכי השיווק (חלק מהם) לעתים המידע הגולמי עדיף ממידע מסוכם ואגרגטיבי.
  • אג'יליות ו Time to market הם קריטיים. DW הוא עדיין תהליך Batchy, והוספת נתונים נוספים אליו לוקחים זמן בשל הצורך לחבר לסכימות המידע.

אפשר להגיד שהDisruptor הראשון ל-DW עבור צרכי השיווק היה מידע דיגיטלי, וזה רק יילך ויתגבר. כיום אנחנו צריכים לכלול גם מידע התנהגותי, מידע המגיע מנכסים דיגיטליים שלנו וחיצוניים, מידע על קהלים חיצוניים, מידע טבלאי ומובנה, לצד מידע לא מובנה ועוד ועוד.

מהם DMPs וכיצד הם מהווים חלק מארכיטקטורת הדאטה שלנו?

ה- DMPs (Data Management Platforms) הם סוג של DW שנבנה ספציפית לטובת ניהול נתוני "אנשים" (לא מזוהים / IPs) – בעיקר cookies, לבנות ממידע זה קהלים, לייצר סגמנטים, וגם להפיץ מסרים לאותם הקהלים תוך הפצתם לגופי מדיה ו DSPs שונים.

DMP

מקור: Yashi.

אותם DMPs מכילים 3 סוגי מידע:

1st Party Data: מידע בבעלותו של הארגון: CRM, DW, מערכות ליבה, נקודות המכירה, וגם מידע מה Owned media, מהאתר, אימיילים, מובייל…. לחברות בתחום B2C הכי קל להתחיל לשפוך מידע זה לתוך DMPs ולהתחיל ליצור קהלים מתוך מידע זה (ה"לבנה" הראשונה). עוד לפני הוספת מידע חיצוני על קהלים נוספים, ניתן לטרגט לקוחות עם מאפיינים שונים בהתבסס על הדאטה שכבר יש לנו.

2nd Party Data: מידע שאנו מקבלים מחברה אחרת, שמהווה שותפת-מידע שלנו (לדוגמה, אם אני חברת אשראי אני יכולה לחבור לרשת שיווק ולעשות שימוש, בהסכמת הלקוחות שלה, במידע הנצבר על לקוחותיה ממועדון הנאמנות שלה). יש כאן בעצם שימוש שלי ב 1st party data של חברה אחרת. כאן ניתן לטרגט ולהגיע לקהלים נוספים בעלי מאפיינים דומים ללקוחות הטובים שלי, ולבצע שילובים מעניין בין 1st party ל 2nd party כמו לדוגמה, להציג את המסר השיווקי ללקוחות שעונים על קריטריונים מסוימים, ובתנאי שהם לא לקוחות כבר של השירות הזה).

3rd Party Data: מידע על קהלים במרחב הדיגיטלי שנצבר על ידי חברות צד שלישי. לדוגמה, לקוחות המחפשים מידע על טיסות ליעד מסוים; אנשים חובבי ספורט המבלים באתרים מסוג זה; אנשים בגילאים מסוימים שאוהבים בישול וגרים באזור ספציפי ועוד ועוד אינסוף חיבורים של קריטריונים שונים שמגדירים קהלים חדשים שיכולים לעניין את המותג שלי.

מימד נוסף בארכיטקטורת הדאטה שלנו הודות להתפתחות תחום ה-IoT והמידע הסנסוריאלי:

Context is King!

טשטוש הגבולות בין העולמות הפיזיים והדיגיטליים כבר מתרחש כיום, הרבה בזכות Internet of things. אינטרנט כבר חיבר בין האנשים, כעת הוא מחבר גם בין מכשירים ודברים שונים, והרבה מהם! יש לזה משמעות עצומה על חיי היום-יום שלנו, על התארגנות ארגונית ועל מאקרו כלכלה בכלל. מגזין "כלכלה דיגיטלית" (אשר הקדיש מהדורה שלמה רק לנושא אינטרנט של הדברים) ציין כי בתקופה הקרובה יצאו לשוק בין 3 ל-5 מיליארד "צרכנים חדשים", אותם נצטרך לשדרג, לתמוך,  להתקין ולתת להם שירות, אשר לא היו קיימים קודם לכן.

Internet of things הנה החוליה החסרה במהפכה הדיגיטאלית, המאפשרת להפוך את חוויית הלקוח לחכמה ורלוונטית. חוויה שהלקוחות כבר מצפים לקבל מנותני השירותים שלהם. מי שלא הבין עדיין כי התחרות האמיתית של בנק, למשל, איננה בנק אחר, אלא חווית השירות של אמזון, Uber ו Airbnb.

לחוויה דיגיטאלית כזאת, מתמשכת וכזאת המטשטשת גבולות במעברים בין מכשירים, מקומות ורגעים שונים במסע הלקוח, קוראים Ambient computing. מדובר בשירות מדויק המבוסס על הפעילות הפרסונלית וההעדפות האישיות של האדם. Internet of things יחבר בין נתונים ו"דברים" ויספק ניתוח מידע ותובנות בזמן אמת, וזה ירגיש מאוד מאוד טבעי ומתבקש.

תחום ה Internet of Things משנה את המציאות שלנו ללא הכר. IoT רלוונטי לכל תעשיה, מגזר ותהליך אישי ועסקי. ניטור וניתוח מתמיד של מידע המתאפשר היום בזכות מיליוני סנסורים, ענן, אנליטיקה דיגיטאלית, מזהה דפוסים שלא היינו ערים להם קודם לכן, מקצר לנו את תהליך קבלת ההחלטות, מציע ומבצע את הדבר המומלץ ביותר עבורי. ועל אף לא מעט אתגרים לא פתורים של התחום, הצדקתו הכלכלית ברורה וקלה להוכחה. אנו צופים בתקופה הקרובה כניסה רחבה של ארגונים לפרויקטי IoT, הן פרויקטים הפונים לקהל הרחב, אשר משדרגים את חווית הלקוח וחדשנות, והן פרויקטים ארגוניים Internet of Corporate Things-, אשר מייעלים תפעול, חוסכים העלויות ומציעים תהליכי עבודה שלא התאפשרו קודן לכן.

לעתים, אותו מידע סנסוריאלי, הוא בדיוק ה"חוליה החסרה" בהבנה של הצורך/ההקשר או במלים אחרות ה “Magic moment” בו נוכל לספק ערך ממשי עבור הלקוחות שלנו.

 

 

 

מהי ארכיטקטורת הדאטה של תחום השיווק וחויית לקוח?

מה זה Data Driven Marketing?

בפוסט הקודם התמקדנו בחוויית הלקוח הרציפה וניתחנו את השינוי שגורם לכולנו לדבר על דאטה ככלי המרכזי של כל הארגון: לראשונה, אנחנו מסוגלים להבין הרבה יותר טוב את אותה חוייה רציפה; אנו מסוגלים לנסות להתחקות אחרי המיקום של המותג שלנו בנקודות שונות בחוייה רציפה וארוכה זו, ולגבש דרכי פעולה יותר טובות בהתאם.

בפוסט הזה נתחיל להתקרב לשאלת ה"איך" – איך עושים את זה? לצורך כך, וכדי שניתן יהיה לעכל את הדבר הגדול הזה, אף על פי שברור כי מדובר במהלך רוחבי לכל אורך הארגון – אנחנו רוצים להתמקד במשימה של פונקציית השיווק בתוך המאמץ הארגוני הכולל הזה.

כולנו שמענו את המונח Data driven Marketing וכל הסימנים מראים שמונח זה ילווה אותנו בהמשך. בפוסט זה אנו רוצים לפרוט מה זה אומר להיות Data driven marketing? אבל לא נסתפק רק בתיאוריה אלא נציע מסגרת לפעולה אותה כל ארגון יכול לקחת כתשתית לדיון.

מה זה אומר "להיות Data driven marketing"?

אז נכון שמילת המפתח שעולה כל הזמן היא דאטה. יותר דאטה, המון דאטה, דאטה התנהגותי, דאטה ממקורות שונים. אין ספק שדאטה הוא השחור החדש של עולם השיווק, אבל הדאטה היא לא המטרה. המטרה היא להיות מסוגלים לקבל החלטות – לא רק יותר טובות – החלטות אופטימליות, מיטביות, בכל נקודת זמן ובכל החלטה יומיומית, בהסתמך על דאטה, כמובן.

כיום המאמץ העיקרי של חברות שרוצות להפוך להיות Data driven marketers הוא להיות מסוגלים "לכמת" התנהגויות של אנשים, להסיק מכך מה הם רוצים או ירצו, וכתוצאה מזה לקחת החלטות אופטימליות לגבי דרכי הפעולה. הרעיון הוא לעשות את זה כל הזמן, יום יום, המון החלטות קטנות, נקודתיות, כל אחת מהן הכי טובה שיכולה להיות בהתבסס על המידע שיש.

האם בארגון שלכם יש את המידע והכלים לקחת החלטות טובות? סביר להניח שהתשובה היא "לרוב, כן". עפ"י סקר של טרהדטה, 78% ממנהלי שיווק טוענים שהם כיום כבר עושים שימוש בדאטה בצורה סיסטמטית (לעומת 36% בלבד שענו בחיוב לשאלה זו רק לפני 3 שנים!).

אבל האם הארגון שלכם מקבל החלטות אופטימליות כל הזמן (לומד, בוחן, מבצע ניסויים, מבצע אופטימיזציה על כל החלטה)? זו בדיוק המשמעות של להיות Data driven, ובתחום השיווק וחויית הלקוח מסתבר שיש לזה ערך עצום.

מה מאפיין את אותן חברות שכן מצליחות להיות Data driven Marketers ולגזור מזה ערך מובהק לעומת התחרות שלהן?

Data driven Marketing 1

יש כאן אוסף של מאפיינים שחלקם מדבר על תרבות ארגונית, חלקם מדבר על שיטות העבודה שלהן, חלקן מדבר על רמת הבשלות שלהן, אבל שני המאפיינים החשובים ביותר לדעתנו הם אלה הקשורים בתרבות הארגון והעובדים בתוכו. המובילות העולמיות בתחום זה מתאפיינות בקיום גישה קולבורטיבית בארגון, הן כל הזמן חותרות למהלכים שישנו את תרבות ה Silos בארגון, מייצרות תהליכי קולבורציה הלכה למעשה, ועובדות בתצורה אג'ילית (צוותי עבודה מולטי-דיסציפלינריים, עבודה בתהליכים מאוד קצרים תוך יצירת כמה שיותר התנסויות וכד'). המאפיינים הנוספים שלהן הן יותר תוצאה של גישה תרבותית ארגונית זו: יש להן KPIs חדשים למדידת האפקטיביות של מהלכי השיווק (שונים מאוד מאלה הקיימים כיום אצל רוב החברות), הן בעלות "רמת בשלות דיגיטלית" גבוהה, יש להן אנשים בעלי מיומנויות שיווקיות-טכנולוגיות חדשות ("דרושים: מנתחי חויית לקוח") ועוד.

מהם הבונוסים של אותן חברות (מעבר לרווח הפיננסי, כמובן)?

Data driven Marketing 2.png

הבונוסים הם רבים ומשמעותיים. הן מסוגלות לתפור חוויות לקוח המשלבות בתוכן מה שאנחנו קוראים Magic moments (כי הן יודעות לצפות מתי נרצה שהן יספקו לנו ערך מסוים), הן יודעות למדוד בפועל את התרומה היחסית של כל "נגיעה" במסע הלקוח, בין אם מדובר בנגיעה דיגיטלית (יחסית קל) או פיזית (יותר מורכב) או החיבור בין שניהם (בינגו!), ולטייב את MIX הנגיעות הנכון עבור כל מקרה / לקוח/ סגמנט (Cross-Channel measurement attribution); הן מגדירות מחדש מה זה "סגמנט" וכל הזמן בוחנות את הגבולות של המונח הזה; הן יודעות להגדיר מיהו הלקוח האופטימלי שלהן ולחפש קהלים דומים (Audience amplification); הן משתמשות בשיטות ותהליכי אופטימיזציה ו A/B Testing בצורה שיטתית ועוד ועוד.

המשפט שיעבור להרבה אנשים בראש עכשיו הוא "איפה הארגונים האלה ואיפה הארגון שלנו"? אנחנו כ"כ לא שם, אפילו לא קרובים. והרי אין טעם לעשות כלום אם אין את הגישה הארגונית-תרבותית הנכונה!

אז זו אכן שאלה שאפשר להסתכל עליה משני היבטים בבחינת הביצה והתרנגולת: האחד, נכון – כשיש תרבות מתאימה, השימוש בטכנולוגיה יניב פירות וסיכויי ההצלחה להגיע לשם גדלים משמעותית. אבל מצד שני, מה קורה אם אין תרבות מתאימה? למה שאי פעם תהיה? אולי הדרך היא דווקא לייצר ניסיונות, אולי קטנים ונקודתיים, ודרך אותם ניסיונות להצית את התיאבון הארגוני?

אם כך, איך מתארגנים לגישה/תפיסה/אסטרטגיה הזו? מה לעשות קודם? ממה מתחילים?

מההתחלה, כמובן.

צעד 1: הגדרת מטרות ויעדים

לדעתנו ההתחלה צריכה להיות ההתכווננות. בסופו של דבר, כשאנחנו נימדד על ה"הצלחה" שלנו, איך אנחנו נגדיר אותה? איך היא תימדד? ואיך הצורה שבה אנחנו מודדים את עצמנו מיתרגמת לערך על פיו הארגון מודד את עצמו? במלים אחרות, מהם יעדי השיווק כיום, וכיצד הם מתחברים ליעדי הארגון?

למה זו ההתחלה? כי זה מכתיב את כל מה שבא אח"כ. החל באיזה דאטה אנחנו בכלל אוספים, כי אנחנו יודעים מה חשוב ומה לא, דרך ההחלטה בין 2 דרכי פעולה (או מיליון, לצורך העניין) כי אנחנו יודעים מה הפוקוס שלנו.

צעד 2: גיוס/גידול המיומנויות החדשות

לאחר השלב הראשוני של הגדרת היעדים, כשיש לנו סוג של מצפן, אפשר להתחיל להסתכל על הטאקטיקות בהוצאה לפועל של האסטרטגיה. השלב השני הוא גידול הדור העתידי שתצטרכו בשנים הקרובות, ובסקר הבא (Source: Spencer Stuart, Marketing Charts.com) אנחנו רואים בצורה מאוד ברורה את התמונה: התפקידים החשובים ביותר שאתם צריכים לאייש בארגונכם, בין אם על ידי גיוס חיצוני או על ידי טיפוח יכולות אלה בקרב העובדים הקיימים, וכנראה שילוב של שניהם גם יחד, מדברים – איך לא? – על תרבות. תרבות של חקירה, ערעור הקיים וחשיבה קריאטיבית, מוכוונות נתונים ואנליזה. העובדים בעלי הערך הרב ביותר יהיו אלה המצליחים לשלב את אותה חשיבה קריאטיביות עם יכולות אנליטיות והבנת עולם הנתונים.

New Marketing mix.png

צעד 3: גיבוש תהליכים תומכים

השלב הבא (שישתכלל עם הזמן, תוך כדי העשייה השוטפת) הוא גיבוש תהליכים תומכים. לדוגמה, אם דיברנו על להיות אג'יליים, לבצע ניסויים ובחינות כל הזמן ולעשות SCALE לרעיונות המוצלחים יותר, זה לא משהו שיכול להתרחש ללא אותם תהליכים תומכים. כמובן שלרוב הארגונים אין מבנה תהליכי תומך מתאים (סוג של 'מסלול מהיר' לבחינת מודלים ויוזמות חדשים) פשוט כי זה חדש לכולנו, ואז הכל נופל לתוך תהליכים מובנים, ארגוניים ומסורבלים. אלו אחת הנקודות המבדלות בין ארגוני Enterprise לארגונים "חדשים" יותר וארגוני סטארט-אפ שמקימים מראש תהליכי עבודה כאלה, ולכן יכולות לזוז הרבה יותר מהר ולבצע החלטות יומיומיות מונעות דאטה. אין ברירה אלא להקים תהליכים כאלה, בתחילה בדרך שתרגיש מעט מלאכותית (סוג של Startup wanna be בתוך הארגון) אך בהדרגה, זה יילך וירגיש יותר טבעי ויחלחל לתוך שיטות העבודה הקיימות.

צעד 4: בניית ארכיטקטורת הדאטה תומכת השיווק / חויית לקוח

אותה ארכיטקטורת דאטה תשרת בהמשך כמובן לא רק את תחום השיווק אלא את כל מי שעוסק בחויית הלקוח הרציפה (תיאורטית הארגון כולו). זהו תהליך שייבנה לאורך זמן, לבנה אחר לבנה, אך ההתחלה שלו צריכה להיבנות בראייה של איך הלבנים מתחברות אחת לשנייה בעתיד.

מהם הרכיבים של אותה ארכיטקטורת דאטה? מאיזה דאטה להתחיל?

הנטייה הכללית היא להתחיל עם הדאטה הקיים (עם עדיפות גבוהה לטיוב אותו דאטה! אכן, לא נצליח להתחמק מפרויקטי טיוב ואיכות נתונים בעתיד הקרוב), אצל חברות B2C זה יהיה ה 1st party data, אצל חברות אחרות יכול להיות שיתחילו דווקא עם מידע חיצוני, אך העיקר הוא שהדאטה הזה יהיה בעל ערך להבנת חלקים מתוך חויית הלקוח הרציפה. הטריק כאן הוא לראות איך בהמשך הלבנים ימשיכו להתחבר, ומה יהיה ה"דבק המאחד" ביניהן.

עצה מעשית – בהקשר של בחירת כלים כיום:

יש כיום לא מעט תהליכי בחירת כלים בעולם השיווק, בעיקר סביב כלי Marketing Automation וקמפיינים דיגיטליים. אנחנו רוצים להדגיש כאן נקודה חשובה עליה אנו חוזרים כל הזמן ללקוחות שלנו – הקריטריון החשוב ביותר בבחינת כלי טכנולוגיות שיווק כיום (במיוחד הפלטפורמות שמבטיחות להוות את ה DATA PLATFORM שלכם) – הוא פתיחות הדאטה שלהם. הדבר האחרון שתרצו הוא ליישם כלי בבחינת "גן סגור" שלא יודע לדבר עם מקורות מידע חיצוניים. למה זה כ"כ חשוב? הדבר היחיד הבטוח הוא שהתחום הזה ימשיך להשתנות כל הזמן. צריך לעשות כל מה שניתן כדי לבנות "תשתית" עמידה בפני שינויים, ואחד היסודות הבסיסיים בתשתית זו הנה היכולת להרחיב כל הזמן את ה CUSTOMER EXPERIENCE VIEW שלכם בעתיד (תזכרו שמה שהיום נתפס כ VIEW מאוד רחב, ייראה לנו מבט די צר בהמשך, כי כל הזמן יתווספו לנו עוד ועוד לבנים לתשתית הדאטה. רק תחשבו עד כמה "תמונת לקוח" שארגונים בנו לצורך ה-CRM לפני כחמש שנים, שאולי אז נתפסה כרחבה, נראית לנו מצומצמת כיום ולא נותנת מענה מספק). להערכתנו, פתיחות הדאטה מהווה קריטריון הרבה יותר חשוב מנושא ה Execution לערוצים השונים – נושא בו נוטים להתמקד יותר כי הוא הרבה יותר ברור ומובן (ואולי גם יותר סקסי ומעניין). כיצד מודדים "פתיחות דאטה"? קודם כל, על ידי בדיקה של ה APIs הקיימים שכבר יש לו לספקי מידע חיצוניים.

בפוסט הבא נציג את ארכיטקטורת הדאטה של עולם השיווק, על חמשת חלקיה השונים.

 

מה זה Data Driven Marketing?

למה אנחנו מדברים על DATA?

למה כל העולם כל כך עסוק בכל מה שקשור לדאטה? עידן המידע כבר כאן לא מעט זמן, אבל משום מה, אנחנו מוקפים ב-"Big Data", "Data Driven", "Chief Data Officer", "Data Analytics", ובעוד מגוון רחב של מונחים ממשפחת הדאטה. לדעתי, כל אלה אינם תוצאות או מטרות – אלה רק סימפטומים של שינוי משמעותי בדרך בה אנחנו עושים עסקים, ושל הזדמנות ענקית העומדת לפנינו.

לא ברור אם השינוי הוליד את ההזדמנות, או שמא הייתה זו ההזדמנות ששלחה אותנו לחשב מסלול מחדש. בכל מקרה, זה לא באמת חשוב מה בא קודם, אבל זה מאוד חשוב שנבין את מהות השינוי על מנת שנוכל להפיק מההזדמנות את המרב.

דרך טובה להבין שינויים משמעותיים היא להביט לאחור ולנסות לציר את השינוי על ציר הזמן. אז בואו נסתכל על הדרכים שבהן דאטה שירתה עסקים, בעשורים האחרונים.

אני חושב שדאטה עוזרת לנו בעסקים  מזה זמן רב. לפני העידן הממוחשב, עסקים השתמשו בניהול ספרים מסורתי. אני בטוח שהמידע, שנערך בקפדנות בספרים אלה, שירת את העסקים וסייע להם לדעת משהו על הלקוחות ועל הטרנזקציות שלהם. התנהלות זו קיבלה מימד נוסף כשמחשבים וגיליונות אלקטרוניים התווספו לארסנל הכלים. לאלה התווספו בסיסי הנתונים הגדולים שהובילו ליכולות בתחום ה-BI ולייעול מבוסס נתונים בקנה מידה ארגוני. התפתחויות אלה הובילו גם להצטרפותן של מערכות ה-ERP, שבפעם הראשונה אפשרו לנהל את הארגון באופן ממוחשב ולייעל את הפעילות במונחים תפעוליים. התרגום של היכולות האלה לעולמות השירות, בא לידי ביטוי בעידן ה-CRM. זהו שלב משמעותי בהתפתחות – שלב שבו העולם העסקי הבין שסוף סוף ניתן להפיק יותר, מהטרנזקציה עם לקוחות, על ידי שימוש במידע קיים, מתוך הארגון. איפשהו בתחילת שנות ה-2000, באה גוגל ולימדה אותנו שאנחנו יכולים להפיק יותר תועלת מהפרסום שלנו אם אנחנו משתמשים במידע קונטקסטואלי. הגילוי הזה מיהר להתפשט לתחום עצום מימדים, שקיבל את השם Adtech. אלפי חברות, ברחבי העולם, שפיתחו מוצרים ויכולות, שבבסיס כולם דבר אחד: למנף את הדאטה, הרבה דאטה, ביג דאטה, להתאמה יותר מדויקת של מסרים שיווקיים לאנשים. משם הדרך קצרה להרחבה לעולם השיווקי הרחב – כך התעוררה תעשיית ה-Martech. זהו אוסף של טכנלוגיות ופתרונות שעניינם לאפשר לנו לנהל את מערך הכלים השיווקיים שלנו בצורה יעילה, תוך התייחסות לקשרי הגומלין שבין הערוצים השונים.

yoav1

ההיסטוריה, המובאת לעיל, מביאה אותנו לנקודת הזמן הנוכחית, המסומנת באילוסטרציה באותיות CCE, בגלל שמה שמייחד אותה, לדעתי, זה נושא ה- Continuous Customer Experience  (חוויית הלקוח הרציפה). אסור לטעות ולחשוב שמדובר, שוב, בניהול ממשקי משתמש ו/או בעיצוב נקודות מגע עם לקוחות. מדובר פה בעניין הרבה יותר גדול. תנו לי להסביר:

מקומו של מותג בחייו של אדם כלשהו, הוא קטן מאוד, יחסית לכל הדברים האחראים שיש לאדם בחיים. עם זאת, אם נתמקד בחלק הקטן הזה, נגלה שהוא עצמו מורכב מהרבה מאוד מרכיבים. כל נקודת מפגש של אדם עם משהו שקשור, בדרך כזו או אחרת, למותג, היא מרכיב אחד בסך הקשר של אדם עם מותג. שלט חוצות של המותג, שיחה עם נציג שירות, שיחת סלון עם חברים בנושא הקשור למותג, עמידה בתור בסניף… כל אלה הם המרכיבים של הקשר הזה. אם נקרא לקשר של אדם עם מותג – "חוויית הלקוח", אז ניתן גם להתייחס לכל נקודות המגע, כמקטעים ברצף, שנקרא "חוויית הלקוח הרציפה".

מערכת היחסים שבין אדם למותג מתקיימת רק כי שני הצדדים למערכת היחסים הזאת, מעוניינים להפיק איזושהי תועלת. כאן, אני רוצה להפנות אתכם לחוק ה-Win Win, בניסוח שלי:

"שתי ישויות, יפיקו את הערך המקסימאלי מטרנזקציה ביניהן, רק אם הערך הנתפס של הטרנזקציה, עבור כל אחד מהצדדים, יהיה מקסימאלי."

זה אומר, שבמערכת היחסים שבין אדם למותג, הדרך היחידה למקסם את פונקציית המטרה של הארגון, היא על ידי מיקסום פונקציית המטרה של האדם. כלומר, אם הארגון מגדיר את המטרות שלו במונחים של הכנסות ואילו האדם מגדיר את התועלת שלו במונחים של מחיר, דימוי עצמי, שירות וכו', אז הדרך היחידה למקסם את ההכנסות היא על ידי מיקסום הערך הנתפס של האדם, בכל הפרמטרים, כל הזמן.

זה לא משהו שלא ידענו קודם. ברור שכשאדם בא לקנות חולצה, אנחנו דואגים שהיא תהיה אופנתית, שיהיה מבחר, שיהיו מידות, שהמוכרנים יהיו מצוינים, שהמחיר יהיה אטרקטיווי. אבל זוהי חוויה אחת. מה עם הרצף של החוויות? מה אם באותו ערב יש כתבה בחדשות על כך שהחברה שמוכרת את החולצה, מתייחסת לא יפה לעובדים שלה? מה אם הקונה פתאום רואה את אותה חולצה, במקום אחר, במחיר יותר טוב? אז אולי הוא לא ישוב לקנות חולצות של המותג הזה. ואז ברור, שהמותג לא הפיק את הערך המקסימאלי ממערכת היחסים שלו עם האדם הזה.

אז בעצם, מדובר במיקסום הערך מסך החוויות שמרכיבות את הרצף, על מנת להפיק ממערכת היחסים, את הערך הגדול ביותר, למשך כל חיי הלקוח. אז עכשיו ניתן לנסח חוק, שנובע מהחוק הכללי:

ארגון, יצליח להפיק את ה-Lifetime Value המקסימאלי, ממערכת יחסים עם צרכן, רק אם הוא יצליח לגרום לערך הנתפס שמפיק הצרכן, מכל המקטע בחוויית הלקוח שלו, להיות מקסימאלי.

זאת הסיבה, שדאטה נעשה נושא כל כך מעניין. ההתפתחות האדירה שחלה בתחום טכנולוגיות השיווק בזמן האחרון, מביאה אותנו למקום שבו אנחנו יכולים להתחיל לנהל ברצינות את חוויית הלקוח הרציפה. על ידי איסוף מידע, אחסון מידע, שימוש במגוון מקורות מידע, פנימיים וחיצוניים, וזיהוי הלקוח ופעילותו, על פני הרצף, ניתן להתחבר לחוויה שלו, ברזולוציה הרבה יותר גבוהה ממה שהיה ניתן בעבר.

המטרה שצריכה להיות לנו מול העיניים, היא לדאוג לכך, שעבור כל אחד מלקוחותינו (ולקוחותינו הפוטנציאליים), חוויית הלקוח כולה (וכל מקטע שלה בנפרד), תהיה:

• מצוינת • קונסיסטנטית • מדויקת • מתוזמנת • יוצאת דופן • בקו המותג • פשוטה • מותאמת • גמישה • כיפית

איך עושים את זה? שאלה גדולה עם תשובה ארוכה. אני חושב שמה שצריך לשאול, זה "איך מתחילים?"

אז ההצעה שלי היא להתחיל מההתחלה. וההתחלה במקרה הזה היא באסטרטגיית הדאטה של הארגון. להלן הצעה לאבנים הראשונות בשביל חוויית הלקוח הרציפה:

yoav2

  1. מפו את חיי הלקוחות שלכם (בלי קשר לעולמכם).
  2. מצאו מה חלקכם בחיים שלהם.
  3. הגדירו את חוויית הלקוח הרציפה כרצף של נקודות מידע.
  4. תרגמו כל נקודת מידע כזאת לפרמטרים.
  5. צרו תהליך איסוף לכל פרמטר.
  6. בחרו כלי, או מערך כלים, שמאפשרים התנהלות עם כל סוגי המידע.
  7. צרו תהליכים שבעזרתם כולם ישתמשו באותו בסיס נתונים.

בהצלחה 🙂

*הפוסט נכתב ע"י יואב פרידור

 

 

 

למה אנחנו מדברים על DATA?

כלכלת האלגוריתמים – חלק ב':

בפוסט הקודם, העוסק בכלכלת האלגוריתמים, סקרנו את מצב שוק הביג דאטה ואנליטיקה בעולם ובישראל, עמדנו על הפער בין השוק המקומי לשוק הגלובלי, ותיארנו את המגמות וההתפתחויות הטכנולוגיות בתחום וביניהן גם נושא הבינה המלאכותית, Machine learning ו-Deep Learning. אך מהי המשמעות הפרקטית של ההתקדמויות הטכנולוגיות המשמעותיות האלה? כיצד הן ישפיעו הלכה למעשה על השימוש באנליטיקה בארגונים כיום ובעתיד הקרוב?

נראה שבטווח הביניים, 2-3 שנים קדימה, השימוש העיקרי בטכנולוגיות הבינה המלאכותית יהיו בעזרה למשתמש האנושי – ל Data Scientist שכיום "מבזבז" מעל מחצית זמנו על הכנת הדאטה לתחקור (Data engineering) וכעת יתפנה לעסוק יותר באלגוריתמים עצמם; וכמו כן, וכאן כנראה החדשות ה"מרעישות", לאנליסטים בארגון (גרטנר מכנים אותם Citizen Data Scientists), אלה אנליסטים שעוסקים בדאטה ובתחקור אשר יש להם מעט הבנה סטטיסטית (לא צריכים להיות Data Scientists "על פי הספר") ואלה כבר חדשות של ממש, כי זה אומר שיותר אנשים בארגון יוכלו לעסוק באנליטיקה – חסם אשר עד כה היה משמעותי מאוד עבור ארגונים.

אנו גם צופים שאותה מגמת Self service ו Data discovery שפגשה את תחום ה- Business Intelligence והנגישה אותו עבור יותר משתמשים בארגון, כעת תפגוש גם את תחום האנליטיקה ותיצור קטגוריה חדשה אליה מנהלי נתונים ואנליטיקה ייאלצו להידרש – Insights discovery (נקודת המפגש בין אנליטיקה, machine learning וויזואליזציה).

יש שיסתכלו על התקדמויות טכנולוגיות אלה כ"איום" והשתלטות על תפקידים אנושיים, אנחנו מעדיפים לראות בכך הזדמנות להעצמת האנליסטים בארגון.

שכבות הדאטה וניהול הנתונים

גם בתחום הנתונים ישנן מספר מגמות אשר מאפשרות את אותה "פתיחות של מידע" המהווה את הבסיס לאלגוריתמים החדשניים. מדובר על מגמות של פתיחות בהקשר של הכלים שנמצאים בשימוש והן בשימוש עצמו.

מגמה ראשונה הנה החזרה לבמה של כלים אשר מבצעים מניפולציה על מקורות של מידע – data virtualization tools. כלים אלו מאפשרים לאגד מידע ממקורות שונים, כגון טבלאות ממסדי נתונים, קבצים סדרתיים וכד', תוך אפשרות "ללוש את הנתונים" כאילו היו פלסטלינה. לדוגמה ניתן לקחת מספר שדות מטבלה אחת, לאחד אותן עם סיכומים של נתונים מתוך קובץ סדרתי תוך ביצוע מניפולציות נוספות כאשר התוצאה מוגשת בתור טבלה וירטואלית לכלי ה- BI והאנליטיקה. כל זאת באופן מיידי ונגיש (ללא תכנון מראש כפי שהיה מקובל בעידן ה- data warehouse). ככל שהארגונים ישכילו להשתמש באופן דינאמי בנתונים תוך ניצול אלגוריתמים מתקדמים- הדרישה לכלים מתחום ה- data virtualization (או כפי שנקראו קודם – data federation) תעלה.

מגמה נוספת המסמנת פתיחות הנה מעבר הדרגתי ל- polyglot data   או  polyglot persistenceשמשמעו שימוש בטכנולוגיות רבות של מסדי נתונים באותה סביבה אפליקטיבית. מונח זה הוזכר לראשונה על ידי הארכיטקט הידוע Martin Fowler . הסיבה לתופעה זו הנה שימוש גובר ב- microservices שבהם מערכות אשר פעם היו מפותחות כמקשה אחת, מפותחות כעת בחלקים (כל חלק נקרא microservice). פיצול זה מאפשר גם להשתמש בטכנולוגיה מיטבית של מסד נתונים לכל חלק במערכת. לדוגמה, במערכת מסוימת נראה שנתוני הלקוחות נמצאים ב- mssql, נתוני הספקים ב- oracle והיסטוריית הפעולות נמצאת ב- mongo. הדבר גורם לכך שהאנשים המקצועיים שאחראים על הטיפול בנתונים צריכים להכיר הרבה יותר טכנולוגיות.

לכן, מסדי נתונים וכלים תומכים שנמצאים בענן הופכים ליותר ויותר רלוונטים. ככל שהארגונים ישכילו להשתמש בענן הציבורי והפנימי יותר, כך גם יגבר השימוש בטכנולוגיות נתונים שנמצאות בענן ובמקביל יגבר גם הצורך לסנכרון נתונים ותהליכים בין המערכות שמותקנות ב- data center של הארגון לבין המערכות המופעלות בעננים השונים.

טכנולוגיות ה- no sql dbms גורמות גם לשינוי יחסים בין אנשי הנתונים (ה- dba) לבין המפתחים. אם בעבר המפתחים היו נדרשים לשירותי ה- dba בכל שינוי שרצו לעשות ברמת הנתונים, הרי שכעת עם השימוש ב- no sql dbms (הנתונים נרשמים בתור סכמות xml), שינוי בסכמה לא מחייב מעורבות ישירה של ה –dba.  במקביל הידע של ה- dba צריך להיות רחב יותר ועליו להכיר טוב יותר מאשר בעבר טכנולוגיות פיתוח מתקדמות.

גם מבחינה עסקית ישנה בתחום רוח של פתיחות. כניסה של טכנולוגיות חדשות בתחום ה- no sql , שימוש מוגבר בטכנולוגיות מבוססות קוד פתוח בתחום המסורתי של מסדי נתונים רלציונים והן אופציה חדשה של קבלת תחזוקה למסדי נתונים מסחריים על ידי גורמי צד שלישי כגון rimini street ו- spinnaker support. אנחנו רואים מגמה של פתיחות בשכבות הנתונים אשר תסייע לארגונים למצות את המידע באופן רחב יותר ולהוות פלטפורמה מתקדמת יותר לאלגוריתמים עסקיים חדשניים.

לסיכום, כיום ההתפתחויות הטכנולוגיות בתחום הביג דאטה ואנליטיקה מקדימות בהרבה את יכולת ובשלות הארגונים לעכל אותן. ארגונים אשר יצליחו ליצור תרבות המאפשרת התנסויות עם שיטות חדשות, תרבות המשאירה מקום לטעויות תוך יצירת תהליכים תומכים לביצוע נסיונות רבים במקביל על מנת לתפוס את אותו ניסיון שכן יצליח, ארגונים אשר יצליחו לגדל את ה"דור הבא" של האנליסטים וה Data scientists בארגון, אותם ארגונים יוכלו ליהנות מאותן התפתחויות טכנולוגיות מרחיקות לכת שמאפשרות כיום, באופן לעתים מעט מרתיע, לעשות כמעט כל דבר, ולקבל החלטות פשוט הרבה יותר חכמות וטובות. מי הם אותם אלה אשר יקחו את ההחלטה בסופו של דבר? אנשים? רובוטים? שילוב? כנראה שכל התשובות נכונות.

ניתן לצפות במצגת המלאה של עינת שמעוני ופיני כהן, עליה מבוסס הפוסט כאן.

 

 

כלכלת האלגוריתמים – חלק ב':

כלכלת האלגוריתמים – חלק א':

מדהים להסתכל לאחור ולראות כיצד במשך מעט השנים האחרונות, כ"כ הרבה תעשיות התהפכו על פיהן והוגדרו מחדש, מכוניות אוטונומיות יגדירו מחדש את האופן בו אנו מסתכלים על תחבורה, חברות מדיה כמו נטפליקס כבר הגדירו מחדש את חויית האנטרטיינמנט וצריכת המדיה שלנו; פרסום פרוגרמטי שינה לחלוטין את שיווי המשקל בין מפרסמים, סוכנויות, גופי מדיה, פבלישרים; וחברות כמו Instacart מגדירות מחדש את חויית הקנייה שלנו.

בלב כל מהפכה כזו נמצאים אלגוריתמים, הטכנולוגיה והאוטומציה לשכעצמם אינם מספיקים. זה לא מספיק רק למכן את תהליך הפרסום, הרעיון הוא להפוך אותו ליותר חכם ומדויק. מכוניות אוטונומיות צריכות לדעת "לקבל החלטות" גם במצבים שאינם דיכוטומיים. זה לא רק אוטומציה, זה "סמרטיפיקציה".

נדמה שכל החפצים מסביבנו הופכים להיות יותר ויותר חכמים, נעל חכמה ששורכת את עצמה, כוס טרמית חכמה שיודעת לספר לנו כמה סוכר יש במשקה שאנחנו שותים בהתאמה לרמות הסוכר המומלצות לנו; שירותים חכמים (כאן לא נפרט); סטטוסקופ חכם שכבר לא מסתמך על הניסיון של הרופא ומשדר לסמארטפון שלנו נתונים; והפייבוריט שלי – מוצץ המספק להורה דשבורד עם מדדים שונים על התינוק (איך לא היה לי כזה?!)

אומרים שהדאטה יהיו הנכס העיקרי של ארגונים בשנים הבאות. אז נכון שחברות שמצליחות להשיג כמה שיותר דאטה נמצאות בעמדת יתרון, אבל השימוש בדאטה לצורך קבלת החלטות יותר טובות, האלגוריתמים שעל פיהם נפעל ביום-יום, הם בעצם היתרון האמיתי של חברות בשוק התחרותי: כלכלת האלגוריתמים.

ביג דאטה ואנליטיקס

ארגונים רבים מבינים כיום שביג דאטה היא לא המטרה, היא האמצעי, אפשר לדמות ביג דאטה לכביש הסלול, ואת האלגוריתם או המודל האנליטי לרכב בו נשתמש כדי להגיע ליעדינו. אבל האם חברות יודעות בכלל להגדיר לאן הן מעוניינות ליסוע? יותר מדי זמן התרכזנו בבנייה וסלילת הכביש, ועדיין רוב החברות עמן אנו משוחחים לא יודעות להגדיר את האתגר העסקי שהאלגוריתמים אמורים לפתור.

אבל איך יכול להיות שטכנולוגיה שנמצאת כאן כבר כ-8 שנים, ארגוני אנטרפרייז מתעסקים בה כבר כ-3 שנים, ועדיין לא נוצר סביבה אקוסיסטם של פתרונות? התחום הנו עדיין מוטה-שירותים ומצריך בניית stack טכנולוגי משמעותי תוך השקעה לא קטנה, מה שמציב חסם כניסה לארגונים רבים.

עם זאת, מעניין לראות מהו מצב אימוץ טכנולוגיות ביג דאטה בקרב ארגונים בעולם, ולהשוות תמונת מצב זו אל מול המצב בישראל. מחקר של NVP הנערך בקרב חברות Fortune1000 במהלך 2016, גילה כי לראשונה תחום הביג דאטה בעולם נכנס ל- Mainstream. 63% מהארגונים כבר מריצים פרויקטי ביג דאטה בפרודקשן (פרויקטים, לא פיילוטים ונסיונות); 70% מעידים כי ביג דאטה נחשב לתחום בעל חשיבות קריטית לארגון; ומעל 50% מהארגונים מעסיקים CDO (Chief Data Officer).

הערכות STKI לגבי השוק בישראל ב-2016 מגלות פער של בין 3 ל 4 שנים (!) אל מול השוק הבינלאומי. רק כ-30% מהארגונים כיום מבצעים פיילוטים וניסויים בתחום הביג דאטה; רק 7% מארגוני Enterprise בישראל מריצים פרויקטי ביג דאטה בפרודקשן.

big data image

מהם השלבים הבאים באבולוציה של עולם האנליטיקה?

תחום ה-BI ואנליטיקה הוא תחום ותיק שפועל כבר עשרות שנים. אם בעבר התמקדנו בעיקר בשאלות "מה קרה" (באמצעות כלי BI וריפורטינג), בשנים האחרונות השקענו די הרבה מאמץ ביכולת לתחקר "מדוע זה קרה" (באמצעות כלי אנליזה, ויזואליזציה מתקדמת, data discovery, מעבר לניתוח שירות עצמי ועוד); כיום אנחנו במעבר לשימוש באנליטיקה ובחיזוי כדי לשאול "מה צפוי / עשוי לקרות"; אך מהם השלבים הבאים? לאן הסיפור הזה הולך? להערכתנו, ,השלב הבא שבעצם כבר נמצא כאן מבחינה טכנולוגית אך עדיין לא מבחינת היישום בארגונים הוא השימוש ביכולות Artificial Intelligence (ובעיקר Machine Learning) בעיקר על מנת להבין על מה הדאטה שלנו מדבר ו"מהם השאלות שבכלל ניתן לשאול"; מכאן הדרך לשלב הבא יחסית מהירה – הטכנולוגיה לא תיעצר רק בסיוע למשתמשים האנושיים בשאילת השאלות הנכונות, אלא היא תעשה דברים הרבה יותר מרחיקי לכת מכך: הטכנולוגיה תעבד את המידע עבורנו, תדע לייצר תובנות גם מדאטה מורכב ומאוד בלתי מובנה, והחשוב מכל – תדע לקחת החלטות במקומנו, ממש כמונו ואף יותר טוב מאיתנו.

המחשוב הקוגניטיבי הוא עוד ענף נוסף בתחום-על הסבוך הנקרא Artificial intelligence, כאשר ממד נוסף שטכנולוגיה זו מציעה הנו היכולת לתחקר איתנו, האנשים, ברמת "שיחה" (קחו לדוגמה את Amy, המזכירה הוירטואלית שמתאמת עבורנו פגישות דרך התכתבות אוטומטית באימייל עם האדם המבקש לתאם עמנו פגישה, או את הצ'אט האוטומטי על נציג/ת השירות כדוגמת Digital Genius).

וזה הזמן המתאים לשאול את עצמנו את השאלה הבאה: האם ייתכן שכלים אנליטיים הגיעו לרמת החשיבה האנושית? התשובה היא שעוד לא, אך סביר שנגיע די קרוב לשם בשנים הקרובות. יש כמה התפתחויות שמצביעות על מגמה זו. התחום המדובר ביותר שזוכה למירב תשומת לב ואף התלהבות של קהילת המפתחים והמהנדסים הוא Deep Learning (ענף של תחום ה Machine Learning ששואב השראה מהדרך בה המוח האנושי פועל).

התא הבסיסי ביותר במערכת העצבים שלנו הוא הנוירון, תא המעביר "מסרים" בין המוח וחלקים אחרים בגוף. רשתות נוירוניות מנסות לחקות את האופן שבו נוירונים מקבלים ומעבירים מידע, על ידי הוספת שכבה נוספת של מידע. Deep Learning neural networks לוקח זאת צעד אחד קדימה, ומוסיף עוד יותר שכבות נסתרות המאפשרות עיבוד מידע מתקדם (כמו לדוגמה במצבים בהם אין מצב דיכוטומי של כן או לא, אלא מצב בו לקיחת החלטה הנה מורכבת יותר) אחת הדוגמאות הבולטות לשימושי deep learning הנה לצורך עיבוד תמונה. על מנת להבין מהו האובייקט הנמצא מולנו אנו צריכים שכבות מידע שונות שיעזרו לנו לקבל את ההחלטה מהו אותו אובייקט?

מדוע Deep Learning כ"כ מעסיק כעת את קהילת המפתחים? בסוף 2015 גוגל שחררה את פרויקט ה-DL שלה לקהילת הקוד הפתוח, תחת השם Tensor Flow. בצעד זה, גוגל מחפשת את חכמת ההמונים בפיתוח יכולות ה – Deep Learning שלה, תוך שהיא משחררת לקהילה ספריות ואלגוריתמים שעד כה היו בבחינת סוד מסחרי – כמו יכולות התרגום או זיהוי תמונה שלה. זה יצר מספיק רעש בשוק כדי לדחוף את השוק קדימה לכותרות.

מהי המשמעות של התפתחויות אלה על הפרקטיקה האנליטית של ארגונים כיום? כיצד תיראה "אנליטיקה" בארגון בשנים הקרובות? נתייחס לשאלות אלה בפוסט הבא: כלכלת האלגוריתמים – חלק ב'.

ניתן לצפות במצגת המלאה של עינת שמעוני ופיני כהן, עליה מבוסס הפוסט כאן.

כלכלת האלגוריתמים – חלק א':