האבולוציה של אנליטיקה בארגון

Data is the new Oil

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

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

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

Data Driven Businesses

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

Data -> Insights -> Action

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

1

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

AI, AI, AI! מה הייתה השאלה?

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

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

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

2

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

היכן אנו מצויים ברצף ההתפתחות האבולוציונית של עולם האנליטיקה?

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

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

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

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

3

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

כלים טכנולוגיים:

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

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

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

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

4

 Data Management, Data Governance ומה שביניהם

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

ה CDOs – Chief Data Officers

מה עדיין חסר?

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

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

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

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

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

5

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

6

7

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

8

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

 לסיכום:

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

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

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

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

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

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

 

האבולוציה של אנליטיקה בארגון

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?