מאחורי החברה הזו שני אנשים עם ניסיון רחב בתחום הדאטה, שהביאו את המהפכה לבנק לאומי ובהמשך החליטו להפיץ את הבשורה גם לארגונים אחרים. אבל כשפוגשים את אייל בירן ודנה פרידמן, השותפים המייסדים, השאלה הראשונה המתבקשת היא לגבי שם החברה - Data Tapas. אז מה הקשר בין אחד מיסודות העולם העסקי המודרני, לבין גולת הכותרת של המטבח הספרדי?
"השם זו אחת ההחלטות הראשונות שקיבלנו", אומרת פרידמן. "עם השנים ביצענו לא מעט שינויים בחברה, אבל אנחנו עדיין שלמים עם השם, אוהבים אותו מאוד ומקבלים לגביו פידבקים מצוינים. טאפאס זה מזון איכותי ומגוון שמוגש במנות קטנות, ובעינינו, יש כאן מטאפורה לעולם הדאטה.
"כשיצאנו לדרך, השוק היה רגיל לכך שפרויקטים של דאטה הם גדולים, כבדים ומורכבים, ודורשים תקציבי עתק, שעות אדם רבות ותקופות ממושכות. אבל ככל שנכנסנו וצללנו לעומק עולם הדאטה, הבנו שאפשר למצוא גם פתרונות קטנים ואיכותיים, טאפאסים כאלה, שמאפשרים לארגון לבצע קפיצות מדרגה גם בלי להתחייב לתהליך של שנים ארוכות".
הכל החל בבנק לאומי, שם שימש בירן כסגן ראש החטיבה הבנקאית, ואילו פרידמן היתה ראש ענף ביג דאטה. "אנחנו התחלנו את מהפכת הביג דאטה בבנק כשאף אחד עוד לא ידע מה זה", אומר בירן. "הראייה של התחום התמקדה בעיקר בטכנולוגיה ותשתיות, אבל דנה ואני זיהינו הזדמנות עסקית, והבנו את הערך שהביג דאטה יכול להביא. סיפקנו שירותי דאטה לכל היחידות בבנק ולפני כשש שנים, כשהביקוש גבר והלך וארגונים רצו לדעת איך לפעול בעולם הדאטה העסקי, החלטנו לפרוש מהבנק והקמנו את Data Tapas , מתוך מטרה להפיץ את הבשורה".
בירן: באותה תקופה, אם היית כותבת בגוגל 'ביג דאטה', הפוקוס היה על מגוון (Variety), מהירות (Velocity) או היקף (Volume). איש לא דיבר על הערך (Value). אבל אנחנו הסתכלנו על העולם התחרותי. בכל תחום שיש בו כמה מתחרים, בין אם מדובר בבנקים, חברות ביטוח או חברות קמעונאיות, הם נמדדים באותם מדדים - הגדלת נתח שוק, שביעות רצון הלקוחות, הוזלת עלויות, שיפור רווחיות וכן הלאה.
"כיצד הארגונים יכולים לבדל את עצמם? אפשר להשקיע בטכנולוגיה, אבל זה רק עניין של תקציב - כל המתחרים יכולים לבצע השקעה דומה. כך גם לגבי כוח אדם. אפשר לשחק על המחיר, ואם חברה אחת תצא במבצע מחיר מוזל לחודש, מהר מאוד החברות האחרות יחקו אותה. אז אם הכלים שעומדים לרשותן של כל החברות זהים וכולן נמדדות על אותם נושאים, איך הן יכולות לפתוח פער איכותי? התשובה שהגענו אליה היא הדאטה של הלקוחות - נכס ייחודי לכל חברה, שיכול לעזור לה לבדל את עצמה.
"את זה שאני גר במזכרת בתיה ויש לי שלושה ילדים - יודע כל ארגון שאני פועל מולו. אבל מה עשיתי אתמול באתר של חברה מסוימת או באפליקציה, מה כתבתי להם במייל או מה אמרתי לנציג השירות בטלפון - את זה רק החברה הזו יודעת. זה דאטה שנגיש רק לה, והמתחרות שלה לא יכולות לשים עליו יד. השאלה היא האם החברה ממנפת את הפוטנציאל של הנכס הייחודי הזה, מידע שלקוחות מוסרים לה מיוזמתם ובהסכמתם, כדי להציע להם הצעות מותאמות אישית, להגדיל מכירות וליהנות מיתרון תחרותי? כיום, עבור רוב החברות במשק, התשובה היא שעדיין לא עושים זאת מספיק".
פרידמן: "אנחנו תמיד נעדיף להיכנס לארגון כשהיוזמה לפרויקט דאטה היא של מנכ"ל או חבר הנהלה בכיר אחר. בעולם הדאטה חייבים רוח גבית של מישהו מוביל, מאחר שדאטה הוא תחום חוצה ארגון, ומעורבים בו המון גורמים, מכל המחלקות. צריך מישהו או מישהי בעמדה בכירה מספיק שיתוו את הדרך ואת המטרות, כדי להצליח".
פרידמן: "השלב הראשון הוא תמיד להתחיל באבחון מעמיק. הנטייה של ארגונים היא לחשוב שבפרויקטים של ביג דאטה, קודם כל בודקים את התשתית והטכנולוגיה שלהם. אבל אנחנו מאמינים שכדי להצליח בעולם הזה, צריך לעזור לחברה להיות Data Driven, משמע מונעת על ידי דאטה. אנחנו ממפים ארבעה מרכיבים שונים - מרכיב טכנולוגי, מרכיב עסקי, מרכיב של תהליכי אנליזה ועבודה וכמובן ההון האנושי בחברה.
"בתהליך המיפוי, אנחנו רואים היכן הארגון ממוקם בכל אחד מהרכיבים האלה, מה החוזקות ומה החולשות שלו. אנחנו שמים דגש על כך שהן מובילים מהצד הטכנולוגי והן מהצד העסקי יגיעו לשולחן, כדי לקבל את התמונה המלאה.
"השלב השני הוא של בניית האסטרטגיה, זיהוי הזדמנויות וגיבוש המלצות - לטווח המיידי וגם לטווח הארוך יותר. יש דברים שאפשר לעשות מיד, למשל, לשכור שירותי אנליזה או להשתמש באלגוריתם מסוים ולשפר אותו, שיאפשרו להגדיל מכירות כבר מחר בבוקר; ויש דברים שאפשר להתחיל לתכנן עכשיו, כדי שיבשילו במהלך השנה. כל ההמלצות מתחילות בזיהוי הפוטנציאל העסקי, כשאנו בוחנים מה המטרות - ומה צריך לעשות כדי להגיע אליהן.
"בשלב השלישי, בונים את תוכנית העבודה שכוללת התייחסות לכל המרכיבים, תשתיות, הון אנושי, דאטה, עלויות וכן הלאה. הארגון יכול לקחת את ההמלצות שלנו וליישם אותן בעצמו, או להיעזר בנו כמלווים בתהליך. כשאנחנו שותפים ביישום ההמלצות, במהלך הדרך נזהה הזדמנויות נוספות ונטמיע אותן גם כן".
בירן: "קודם כל, המתודולוגיה הייחודית שלנו; ושנית, העובדה שאנחנו לא באים כנטו חברת ייעוץ, אלא שותפים לדרך שהארגון עושה בעולם הדאטה. אנחנו לא משאירים המלצות והולכים, אלא עוזרים ביישום, בעזרת האנליסטים והדאטה סיינטיסטים האיכותיים שלנו. אם הארגון מעוניין בכך, האנליסטים שלנו יישבו במשרה מלאה בתוך הארגון ויוציאו לפועל את ההמלצות, בעזרת המודלים והאלגוריתמים שפיתחנו. אחרי תקופה מוגדרת, אם הארגון מעונין בכך, הוא יוכל להעסיק את האנליסטים בעצמו - וכך יקבל אנשי מקצוע מצוינים שכבר מכירים היטב את הארגון.
"לא פחות חשוב מכך, היתרון שלנו על פני אחרים הוא בכך שאנחנו היינו במקום שבו נמצאים הארגונים האלה, ומדברים מניסיון, ולא רק בהסתמך על תיאוריות. יש לנו ניסיון ניהולי אסטרטגי ויישומי הן בעולם העסקי והן בעולם הטכנולוגי, כך שאנו דוברים את 'שתי השפות' הללו. זה מסייע לנו לגשר בין הצדדים הללו, שבהרבה ארגונים, מתקשים לעבוד יחד. אנחנו מהווים גורם מתכלל, ומונעים בעיות של פוליטיקה ארגונית, משחקי אגו וכך הלאה. כשמטפלים בכל זה, לארגון קל יותר לזנק קדימה. חשוב גם להזכיר שאנחנו גורם אובייקטיבי לחלוטין - אנחנו לא מייצגים ולא מנסים למכור מוצרים של חברה מסוימת, אלא מתאימים את המוצר לצורך הספציפי של כל ארגון".
פרידמן: "בשנים האחרונות אנחנו רואים כמה התפתחויות מעניינות. בהיבט התשתית, למשל, יותר ויותר ארגונים מקדמים תפישה של הקמת Data Lake- בריכת נתונים לצורכי אנליזה ודאטה סיינס. כיום התפישה היא שבגלל המעבר לדיגיטל והמידע הרב שקיים בשיחות, בגלישת לקוח באתרים, נכסים דיגיטליים ואפליקציות, יש המון דאטה שאינו מובנה ומצריך תשתית ערוכה להיקפים גדולים וגמישות תחקור.
"תפישת Data Lake מתבטאת בארכיטקטורה של סביבה ייעודית גמישה, שהאנליסטים יכולים להשתמש בה כדי לראות ולחקור מידע שמגיע מכל הערוצים שהלקוח מייצר. זו מעין מעבדת מחקר, שבה נמצא כל הדאטה של הארגון.
"ראינו גם קפיצת מדרגה בכל הקשור לגמישות - כיום המידע יכול להיות בענן, לא רק בשרתי החברה, ויש אפשרויות הצפנה ואנונימיזציה גם בארגונים מסורתיים יותר. כתוצאה מכך, אפשר להקים את בסיסי הנתונים האלה מהר הרבה יותר.
"באותו הקשר, גובר הביקוש למדעני מידע - Data Scientists. ככל שארגונים מעבירים את המיקוד מאנליזה של דוחות עבר, לחיזוי וניבוי העתיד - הם זקוקים להון אנושי שיאפשר להם לפתח את השריר הזה ולהתקדם".
לדברי פרידמן, "התפישה שלנו היא שכל הארגונים נמצאים באחד מתוך ארבעה שלבים בעולם הדאטה. השלב הראשון הוא של בינה עסקית (BI) - ניהול של דשבורדים ושליפה של דוחות שמראים מה עשינו, כמה מכרנו. זה השלב בו נמצאים 95% מהארגונים, של ניתוח נתוני עבר. בשלב השני, הארגון כבר מגיע ל-Data Mining, יש לו אנליסטים, והם לא רק שולפים דוחות אלא בוחנים נתונים, מחפשים הקשרים ואנומליות, מתחקרים את המידע.
"שני השלבים המתקדמים יותר הם שימוש בלמידת מכונה (ML), ולאחר מכן, גם בבינה מלאכותית (AI). אלה הם ארגונים שרוצים לבצע את קפיצת המדרגה לחיזוי וניבוי, תוך שילוב Data Scientists בתהליכי העבודה שלהם. עם זאת, ארגון חייב להתחיל מהשלב הראשון. אי אפשר להגיע מאפס ישר ללמידת מכונה".
בירן: "כל זה רק התעצם בתקופת הקורונה. לאחר שמחלקות שלמות התחילו לעבוד מהבית, ארגונים הבינו שעליהם להיות גמישים ולאפשר עבודה מרחוק. גם יחידות העוסקות בטכנולוגיה ואבטחת מידע, שלפני כן לא הדביקו את קצב החדשנות, פתאום הבינו שצריך להיפתח ולאפשר דברים שבעבר לא היו קבילים מבחינתן, כמובן תוך בקרה וניהול מושכל .
"מאחר שרוב העבודה התבצעה מהבית, ארגונים הבינו שהם צריכים לוודא שיש להם שפה עסקית אחידה. האם כאשר יחידה א' אומרת 'לקוח פעיל', ההגדרה שלה זהה לזו של יחידה ב'? ארגונים רבים גילו שיש אצלם חוסר אחידות, כי הם מעולם לא ערכו יישור קו. רק לאחר שמבצעים זאת, אפשר לעשות סדר במידע ולוודא שכל מי שמסתכל על הנתונים, מפרש אותם באותה דרך.
"בנוסף, במשך יותר משנה לאור משבר הקורונה, קמפיינים של גיוס לקוחות חדשים היו פחות אפקטיביים, וארגונים הבינו שאם הם מעוניינים בקפיצת מדרגה עסקית, הם חייבים למצות את פוטנציאל הלקוחות הקיימים שלהם. ארגונים שלמדו להכיר את הלקוחות, ידעו גם לחזות מה הדבר הבא שהם כנראה ירצו לקנות, ומה להציע להם.
"התוצאה של התהליכים הללו היא של שינוי משמעותי בשוק העבודה. מצד אחד, יותר ויותר ארגונים הבינו שהם זקוקים ל- Data Scientists ופנו אלינו. מצד אחר, כשהביקוש גבר, אנליסטים שרצו לשדרג את עצמם הלכו ללמוד קורסים של Data Science. נתקלנו בהרבה קורות חיים של אנשים שהגיעו מתחומים אחרים ורצו לעשות הסבה, ופתאום נפתח להם אופק חדש. כך הביקוש וההיצע נפגשו, ונהיה 'בום' גדול.
"כיום, ארגונים רבים מתחילים את הדרך בזהירות, כשהם עושים מיקור חוץ לשירותי Data Science באמצעותנו. גיוס ישיר של Data Scientists כרוך בעלויות גבוהות, והארגונים הללו גם עוד לא יודעים כיצד לעבוד עם אותם עובדים בתחום שהוא חדש ומתפתח עבורם. כאמור, אנחנו מציעים להם לעבוד עם אנשים שלנו שנה או שנתיים, כשבהמשך הם יכולים לקלוט אותם. כך למעשה גם הארגון וגם הארגון מתאימים את עצמם ונוצרת סיטואציה של Win-Win".
פרידמן: "למדנו שהגורם העיקרי לכישלון קשור בעיקר באי קבלת החלטות, ובאי שיתוף פעולה בין הגורמים השונים בארגון. כיום, לא מספיק לקנות את המערכת הטכנולוגית המתקדמת ביותר, אם היא לא מתאימה למטרה העסקית או שזו לא הוגדרה כלל. גם אם קונים מוצר כלשהו, אבל אין מי שישתמש בו בארגון - ההשקעה יורדת לטמיון.
"צריך שיתוף פעולה שבו הצד העסקי יודע לאן הוא רוצה להגיע ומה הבעיות שהוא רוצה לפתור, ובמקביל, צד טכנולוגי שהוא מספיק גמיש ויצירתי, ולא אומר כל הזמן 'אי אפשר'. הפתיחות צריכה להיות משני הצדדים. שני הצדדים חייבים לצעוד באותו כיוון, ולא שהצד העסקי ימשוך לכיוון מסוים, והצד הטכנולוגי לכיוון אחר. רק התיאום יעזור לפרויקטים כאלה להצליח.
"יש לנו לקוחות שצועדים איתנו לאורך שנים, ואנחנו חלק אינטגרלי מהמסע שלהם לעולם הדאטה. ההצלחות הגדולות ביותר שלנו מגיעות כאשר אנחנו מצליחים לגרום לארגון לשנות את קו המחשבה, ולהבין שהוא לא עוסק מספיק בעתיד ולא ממצה את פוטנציאל הדאטה שלו.
"ארגונים רבים עובדים בצורה גנרית, והפרסונליזציה נותרת סיסמה בלבד. אבל יש להם די דאטה שהם יכולים ללמוד ממנו ולהריץ אותו במכונה שתספר להם מה המוצר הבא שהם צריכים לפתח, או מה הדבר הבא שהלקוח יבקש. היכולת הזו לשאול שאלות מדויקות לגבי העתיד, ולעשות שימוש בפתרונות הטכנולוגיים המתאימים, עם כוח אדם שיודע להוציא מהם את המיטב - היא המהפכה והיא מתרחשת ומתעצמת ממש כאן ועכשיו".
לפרטים נוספים: www.data-tapas.com
