כיצד קהילת ה Data Science מסייעת במלחמה נגד קורונה?

יובל נוח הררי אמר לאחרונה שהאנושות מעולם לא הייתה מוכנה יותר מאשר היום להתמודד עם המגפה. הקידמה הטכנולוגית שמאפיינת את העידן בו אנו חיים לכאורה צריכה להיות לצידנו ולעזור לנו לצלוח את המשבר. יחד עם זאת, המגפה תפסה אותנו לגמרי לא מוכנים.

מי שעוסק בעולם הנתונים לא יכל שלא להיות מתוסכל מהאופן בו החלטות נלקחות בעולם. נדמה שאין מספיק הישענות על נתונים, או מודלים טובים של ניבוי. עם כל ההתקדמות הטכנולוגית האדירה בעולם ה big data ו AI, לא היינו צריכים להיות עכשיו במקום אחר? איך זה קרה? ומדוע אותו AI נודע לשמצה כמי שעתיד למחוק את האנושות – לא מגיע עכשיו ומציל את העולם?

המשבר הזה חשף את גודל הפער העצום בין ההבטחה הגדולה של עולם הדאטה למציאות, שבה אנחנו לוקחים החלטות ולא מסתמכים על נתונים.

אחת הדוגמאות הבולטות לכך היא היערכות והצטיידות. איך קורה שמישהו ביחידת הרכש לא יודעת להצטייד בציוד מספק? למה אנחנו לא רואים יותר החלטות מבוססות דאטה במשבר הנוכחי?

אפשר בהחלט להתנחם ביכולות הדאטה המצוינות שיש למשרד הבריאות שלנו, שמהווה פורץ דרך בכל עולם הנתונים, ביג דאטה ו Data Science כבר לפני שנים. אך מה קורה בעולם? התחושה היא שמדינות אינן נשענות מספיק על נתונים בקבלת ההחלטות, החל מהבנת תמונת המצב דרך נקיטת פעולות ובוודאי מניעה. וזה בהחלט מתסכל, כי אנחנו נמצאים בנקודת זמן בה היכולות הטכנולוגיות והדיגיטליות קיימות וזמינות ויש כל כך הרבה שניתן לעשות כדי לסייע באמצעות נתונים.

ואכן – בחודש האחרון אנחנו רואים התגייסות אדירה של קהיליית מדעני הנתונים לסייע באתגר.  ה קהיליות מאורגנות כמו לדוגמה Data Natives (כ 80K מדעני נתונים), Kaggle (גוגל) ודומיהן כבר "על זה" ומריצות האקטונים – דוגמת #HACKCORONA, תחרויות ואתגרים שקשורים למלחמה בנגיף. הרווארד פתחה קורס ייעודי ל Data Science for Covid19 ועוד שלל דוגמאות.

אז למה בכל זאת קיים הפער הכואב הזה, בין הפוטנציאל והיכולת של עולם הנתונים והמימוש שלו בפועל? באופן מעניין, ניתן להקביל את הסיבות לפער הזה למצב הקיים בארגונים כיום.

הסיבה העיקרית היא היעדר דאטה. או יותר נכון – היעדר Data governance!

הבעיה היא שהנגיף נכנס לחיינו רק לפני מספר חודשים ספורים ופשוט אין מספיק "היסטוריה". בנוסף, הנתונים שנאספים אינם "סטנדרטיים" משום שמדובר במגפה עולמית וכל אחד מגדיר נתונים טיפה אחרת (לדוגמה, נושא הבדיקות – כל מדינה נוקטת במדיניות שונה. חלק בודקים הרבה, חלק % קטן מהאוכלוסיה, חלק בכלל לא). במצב זה קשה לחזות אחוזי חולי/ תמותה, וכתוצאה מכך גם להיערך ולהצטייד בהתאם. במצב זה, בו אין מספיק נתונים אמינים ואין "אמת אחת" קשה מאוד לבסס מודלים, כפי שאנחנו מכירים היטב מהעולם הארגוני.

החדשות המעודדות הן שיש התקדמות אדירה ומואצת בימים אלה ממש. קהילת ה data science כבר "על זה" ומנסה להתארגן על מקורות מידע טובים. יש כמה יוזמות מעניינות בתחום זה שמנסות להנגיש data sets לכל העולם, כמו לדוגמה Cord 19 – דאטה סט פתוח של Allen Institute המכיל 30K מאמרים ומחקרים בנושא; יוזמות רבות נוספות כמו זו של הבית הלבן בשיתוף עם Kaggle ומיקרוסופט ועוד רבות נוספות שואפות לכנס את קהילת ה AI ומדע הנתונים ולנסות לקדם אתגרים באמצעות אלגוריתמים.

מהם סוגי הפתרונות להם ניתן לצפות משימוש ב Data Science בהקשר של הקורונה?

• בראש ובראשונה, הבנת הבעיה (במלים אחרות, איסוף נתונים והנגשתם למי שצריך):  היכן ההתפרצויות? מה היקף ההתפרצות? מה אחוז החולי?  טכנולוגיות רלוונטיות: ויזואליזציה, דשבורדים, GIS. המחסור העיקרי כאן הוא בתמונת מצב ברורה סוג של Data governance עם "אמת אחת".
• סיוע באבחון: אחת הדוגמאות המעניינות כאן היא סיוע באבחון בשלבים מוקדמים, כדוגמת Project Baseline של חברת האחות של גוגל Verily שמציע (כרגע לתושבי קליפורניה) ערכת בדיקה אונליין ל Covid19.
  

 לקריאה נוספת: https://www.projectbaseline.com/study/covid-19/

בעולם העיבוד החזותי וספציפית דימות, נעשתה עוד לפני התפרצות הנגיף התקדמות אדירה בפענוח תצלומי רנטגן. כיום data scientists מתחילים להיות מסוגלים לזהות את הנגיף בהתבסס על תמונות דימות בלבד. גם כאן ישנה בעיית זמינות נתונים לאימון המודלים, שמתחילה להשתפר.

בתמונה – מודל המזהה בדיוק של 90-92% באמצעות Keras, TensorFlow ו Deep Learning. המודל למד בעצמו, ללא נתונים גיאוגרפיים או דמוגרפיים. המודל מתבסס על data set שפורסם על ידי רופא במונטריאול ב GitHub (לינק ל data set כאן) והושוו מול Data Set קיים של Kaggle לצילומי חזה.  עליבאבא פיתחה מודל שמזהה את הנגיף בסריקות CT באחוז דיוק של 96%. המודל אומן על 5000 דוגמאות והמערכת אומצה על ידי 100 בתי חולים בסין וזהו לא המודל היחיד. מודל נוסף פותח באמצעות Deep Learning (תוך שימוש ב 45K סריקות CT) על ידי אוניב' בווהאן – גם שם אחוז הדיוק עמד על 95%.

יש גם התקדמות בשימוש בטכנולוגיות זיהוי פנים לטובת אבחון כפי שאנו רואים בסין וברוסיה, שמסוגלות לבדוק חום גוף וכן להתגבר על בעיות כמו חבישת מסכה לטובת זיהוי פנים.

בהקשר למניעה/מציאת חיסון –  בהחלט יש ציפייה ש AI יאיץ את התהליך (שתאורטית לוקח 12 שנה). DeepMind של גוגל הכריזו על שימוש ב Deep Learning על מנת לזרז את הבנת מבנה הנגיף ותהליך קיפול החלבונים באמצעות פרויקט AlphaFold שלה – מערכת שיודעת לנבא מבנה חלבון.

בתוך שלל הדוגמאות לסטארטאפים בעולם AI בתחום מגפות/ COVID19, בולט הסטארטאפ Blue Dot שכבר היום יכול לצפות מראש היכן המגפה תתפשט (כך אכן עשה בסין לאחר ההתפרצות בווהאן כך שניתן היה להזהיר את הערים הבאות בתור. כמו כן, האלגוריתם מבוסס ML למד את דפוסי התנועה של אנשים ויכל לנבא לאיזה ארצות ייסעו).

דרך נוספת ויצירתית במיוחד לסייע קשורה לכוח מחשובי. לניתוח נתונים בסדר גודל כזה נדרש כוח מחשובי עצום. NVIDIA פנתה לקהיליית הגיימרים בבקשה לתרום את כוחות העיבוד המחשובי שלהם:

לסיכום

רוב קהילת הנתונים מאמינה של AI יש פוטנציאל רב בסיוע במלחמה נגד קורונה, אבל זה ייקח זמן – המודלים זקוקים לתשתית נתונים טובה, ולזמן אימון. לכן לא תולים בכך הרבה תקוות בעתיד הקרוב.

המפתח ליכולות אנליטיות נעוץ בשכבת נתונים טובה. ככל שמאגרי הנתונים ישתפרו ותהיה "יד מכוונת" (התאגדות של ממשלות לצורך העניין) נוכל לראות יותר פריצות דרך בניסיון לצלוח את המשבר הזה.

כך או כך, אין ספק של AI יש הזדמנות פז להפוך את המוניטין הרע שקיבל מזה שרוצה להשמיד את האנושות לזה שיעזור להציל אותה.

בברכת בריאות טובה לכולם וחזרה במהרה לשגרה "משעממת".

צוות המחקר של STKI.

הדרך למימוש חזון Employee Empowerment

Once upon a time…

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

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

מקור: Josh Bersin – Deloitte

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

And then came Talent Management

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

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

טרנד חזק לסוויטות Talent = טרנד חזק לענן

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

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

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

From Talent to People

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

מקור: Josh Bersin – Deloitte

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

ניהול חוויית העובד

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

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

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

 

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

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

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

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

יש כאן בעיה – כלומר, הזדמנות!

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

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

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

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

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

 

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

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

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

Data-Driven HR

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

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

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

לסיכום:

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

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

מגמות בעיצוב חווית הלקוח – CX Design

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

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

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

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

אם כן, ארגונים ניצבים בפני שתי החלטות:

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

 כיצד עומדים בקצב שינוי הציפיות?

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

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

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

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

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

 ה-Pango Moment שלי

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

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

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

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

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

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

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

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

 מספר דרכים בהן אפשר "לחסוך תשומת לב":

1. מיקור חוץ להחלטות

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

2. קיצור ו-“hacking” של מסע הלקוח

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

3. תמיכה באתגר המולטיטאסקינג

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

אבל עם ההזדמנות מגיעה גם האחריות

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

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

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

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

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

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

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

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

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

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

 

מה ההבדל בין CX ל UX?

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

 

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

Conversational UX

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

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

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

האם מעצבי UX עשו את המעבר ממסכים וכפתורים לשיחה?

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

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

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

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

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

המעבר לטכנולוגיה בעולם ה-UX

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

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

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

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.

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.

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.

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:

 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.

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.

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.

 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.

 

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

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:

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

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.

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

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.

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.

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.

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!

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!

 

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:

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:

• מבט-על על המגמות הדוחפות את התפתחות הבוטים כיום ובעתיד, מה צפוי לנו בהמשך, מלחמת הפלטפורמות, וניתוח של "הממשק העתידי" שלנו מול הלקוחות.
• ההבטחה הגדולה של הבוטים אל מול המציאות הקיימת כיום, האתגרים הלוקאליים, ומה בכל זאת ניתן וכדאי לעשות.

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:

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?

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.

מקור: Yashi.

אותם DMPs מכילים 3 סוגי מידע:

1^st 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.

2^nd 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 1^st party data של חברה אחרת. כאן ניתן לטרגט ולהגיע לקהלים נוספים בעלי מאפיינים דומים ללקוחות הטובים שלי, ולבצע שילובים מעניין בין 1^st party ל 2^nd party כמו לדוגמה, להציג את המסר השיווקי ללקוחות שעונים על קריטריונים מסוימים, ובתנאי שהם לא לקוחות כבר של השירות הזה).

3^rd 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.

 

 

 

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?

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)?

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.

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 1^st 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.

 

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.

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:

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