top of page

Tapas Blog


ree

יש דאטה חדש בשכונה ....יותר נכון הוא תמיד היה שם אבל אף פעם לא התייחסו אליו ברצינות מספקת או הבינו כמה הוא קריטי....לקח כמה תהליכים מחמירים של GDPR + כמה הגבלות של גוגל ופייסבוק שמקשות על הבנת מיהו הלקוח באמת + מגמה של נטישת מותגים על ידי לקוחות אם הם לא באמת מאפשרים להם חוויה פרסונלית כדי שארגונים יבינו שיש סוג דאטה אחד שהוא באמת הכרחי להצלחה.

אז הנה לכם הכרות חדשה או מחודשת עם Zero Party Data - מלך מלכי הדאטה / היהלום שבכתר / הפנינה שבקונכיה / הקשת בענן הדאטה ......הבנתם את הרעיון.

תחילה בואו נעשה סדר בין סוגי הדאטה השונים:

כולנו מכירים עד היום שארגונים לרוב פועלים / אוספים / מנתחים / משתמשים ב 3 סוגי דאטה: 1st party data / 2nd party & 3rd party data

הראשון 1st party data הוא האיכותי בין שלושתם . מדובר בכל דאטה שנמצא בטרנזקציה/ אינטראקציה של לקוח שלכם עם הנכסים שלכם (דיגיטליים/ פיזיים) . למשל : העברת כסף/ תשלום/ כניסה לחנות/ כניסה לאתר / כניסה לאפליקציה/ בירור מידע טלפוני / מייל ששלח ביוזמתו / שיחה עם נציג/ רכישה באתר / רכישה בסניף / שינוי מועד שלום או אמצעי תשלום / כניסה שלו לדף נחיתה שיווקי שלכם או למיניסייט ועוד ועוד. כל פעולה / אינטראקציה שנעשתה ביוזמת לקוח ועל ידו בנכסים שלכם

את הדאטה הזה רובן ככולן של החברות כבר מנטרות/ אוספות/ מנתחות/ ממנפות. מי שלא כדאי שיבנה לעצמו אסטרטגית דאטה במהירות כי הרכבת כבר יצאה מהתחנה . אבל אלו שכן כבר לגמרי מנהלות את הדאטה הזה בצורה מסודרת ומאורגנת ואנליסטים ו Data Scientists כבר פועלים בעומקו של הדאטה ומייצרים תובנות עסקיות עבור מקבלי ההחלטות

החיסרון בדאטה הזה הוא שהוא בסופו של דבר מוגבל מבחינת מגוון ומבחינת עומק ההכרות עם הלקוח . אתם מכירים את הפעולות שהוא ביצע אבל לא ממש מכירים את הלקוח עצמו . מן הסתם הוא נתן לכם שם / טלפון / מייל ואתם מנהלים לגביו רישום של כלל פעולותיו. זה דאטה מאד חשוב ועם המון פוטנציאל אבל זה לא מספיק עמוק כדי להיות יותר פרסונליים מול הלקוח

אז אולי הדאטה מסוג 2 יעזור ? לא ממש . סוג הדאטה שנקרא 2nd party data כולל את כל הדאטה שארגון יכול לקבל על בסיס שתפ עם צד ג שלו יש דאטה מעניין ורלבנטי. הלקוח אישר לצד ג להשתמש בדאטה והוא חותם אתכם שתפ על שימוש משותף בדאטה . לדוגמא שתפ של חברת כרטיסי אשראי עם מועדון צרכנות כזה או אחר . זה אקט חשוב ונכון לנקודת זמן אך מבוסס רובו בכולו על אינטרסים עסקיים בין החברות כדי לייצר לידים אבל לא ממש מעמיק את ההכרות עם הלקוחות . יתרה מכך זה סוג דאטה שהוא ממש לא דאטה של הארגון ולכן מוגבל בזמן שימוש / איכותו כדאטה אמין ואפקטיבי


על סוג הדאטה השלישי בשמו 3rd party data רצוי בכלל לא להרחיב. לרוב מדובר ברכישת מאגרי נתונים מוכנים שנמכרים על ידי כל מיני סוחרי דאטה ובהתאם לאיך שזה נשמע ככה זה גם מרגיש . לא איכותי / לא כדאי / לרוב בהתנהלות לא נכונה גם לא חוקי

אז האם נשאר לנו להסתובב מתוסכלים ולא מסופקים בעולם הדאטה שמצד אחד מזמין ומהפנט ומלא פוטנציאל ומצד שני קשה לממש בו חלומות ולקצור את הפירות?


כאן נכנס לתמונה סוג דאטה רביעי . רביעי בסדר הכניסה אך הכי חשוב מבחינת איכות / פוטנציאל ותרומה להכרות פרסונלית עם הלקוח . ה Zero Party Data . היהלום והפנינה וה.... כל מה שציינו בהתחלה . הנכס הכי חשוב שלכם . שמצריך הבנה תכנון ופעולה כדי לממש ממנו את מלוא הפוטנציאל .

אז מהו אותו Zero Party Data . בהסתכלות מנקודת מבט לקוח. זה הדאטה שלו עצמו. זה מאפייניו / תכונותיו / העדפותיו/ רצונותיו. לכן מנקודת מבט לקוח זה Zero Party . שלו . אישי. לעומת זאת פעולה שהוא מבצע בעצמו באתר חברה הופכת ל 1st party כי זה למעשה אקט שייצר דאטה בנכס של החברה ולכן הדאטה של הפעולה הזו שייך לחברה (היא רק צריכה לשקף ללקוח שהיא אוספת אותו)

מבחינת הלקוח הדאטה האישי שלו הוא נכס שהוא לא יאפשר לכל אחד להשתמש בו ועל הארגונים והחברות להתאמץ ולבקש ממנו את הדאטה הזה . אם הלקוח משתכנע מה יוצא לו מלשתף את החברה בדאטה שלו הוא יתן אותו בשמחה. קראתם את זה נכון. אין כאן טעות . צרכנים / לקוחות ישתפו אתכם בדאטה אישי שלהם כל עוד הם יבינו ויכירו את אמילי. אמילי = אני מה יוצא לי מזה . whats in it for me . אם תשכנעו אותם הם ישתפו אתכם בדאטה המבוקש ואז נוצר ל 2 הצדדים מצב של Win Win .

בואו נבחן דוגמא כדי להבין:

לקוח גולש באתר חברה ועובר בין דפי המוצר – הדאטה של הגלישה / הקריאה/ הכניסה /השהות בדפים כל זה הינו 1st party data מכאן החברה תלמד על הלקוח העדפות / דיגיטליות/ שעות פעילות מועדפות / אפקטיביות קמפיינים ועוד

אבל אם תוך כדי גלישה / הצעת מחיר / תהליך שירות קפוץ ללקוח פופ אפ חוויתי שמבקש ממנו למלא שאלון דיגיטלי קצר של 4 שאלות תמורת הנחה נוספת או הטבה הרי מה שהלקוח יענה /ימלא בשאלון זה כבר יהיה Zero Party Data . מידע שהלקוח נתן מרצונו החופשי לאחר שהשתכנע מה יוצא לו מזה והחברה קיבלה עוד העמקה של הכרות עם הלקוח ומכאן תוכל לייצר לו הצעות פרסונליות בהמשך הדרך

ישנן דרכים שונות לייצר ולאסוף Zero Party Data נציין כאן כמה מהן: סקרים דיגיטליים / שאלונים במייל/ שיטות משחוק ותחרות/ שימוש בפופ אפים או מסכי בחירה / כפתורים מרחפים / שאלות סגירה על ידי נציג / סקרי המתנה ב IVR/ סקרי WhatsApp ו SMS/ שתילת QR Codes על מוצרים / פונקציונליות דיגיטלית חוויתית ברצפת החנות או הסניף/ שימוש בטאבלטים ועוד ועוד

חשוב להבחין בשימוש בסקרים גנריים על קבוצות מיקוד או סקרי שביעות רצון כלליים לסקרי Zero Party Data . הראשונים הם כלליים ולא פרסונליים והדאטה המופק מהם סטטיסטי ולא משויך לרמת לקוח . רובם ככולם מקורם במדגם מייצג של לקוחות שמילאו אותם והם לא יכולים לשמש לצרכי פרסונליזציה פר לקוח בודד . סקרי ה Zero Party Data הינם פרסונליים / מותאמי סגמנט או לקוח / הדאטה הנאסף בהם אישי וייעודו להיות משויך לרמת הלקוח הבודד שמילא אותו . הבדל בסוף הינו ברמת החוויה לרוב הדיגיטלית ששונה מאד בין סקרי שביעות רצון כלליים ו"יבשים" לעומת סקרי Zero Party Data שמהותם חוויה משודרגת ללקוח כדי שישתכנע לתת את הדאטה שלו ולענות על השאלות

מהם התכנים שלרוב משתמשים בהם בפעילות של Zero Party Data ?

המגוון הוא עצום . התוצר נגזר מהמטרה העסקית . נוכל לראות תכנים הקשורים באיסוף העדפות מוצריות/ העדפות שירותיות/ הבנת שנאת הסיכון / תחביבים / נטייה לפעולות מסוימות / תדירות רכישה / תדירות החלפה / וותק / אהדת מותגים / רגעי האמת/ שלבי החיים / נושאים קריטיים / העדפות צרכניות/ תכנונים קדימה של נסיעות וצריכה / איתנות פיננסית / מצב משפחתי / פוטנציאל לגידול בפעילות / פוטנציאל נטישה / מהימנות ואמינות / נטיה דיגיטלית/ העדפות דיגיטליות / העדפות בילוי / העדפות אירועים / חששות ודאגות/ העדפות תחבורה / תדירות צריכה / תדירות פעילות ספורטיבית / שביעות רצון כללית או פר מותג או פר קטגוריה או פר סניף / שעות מועדפות לפנייה/ לפעילות/ ועוד ועוד ככל אשר הגורמים העסקיים מעוניינים להעמיק ולהכיר את הלקוח שמולם

כמו שניתן להבין עולם ה Zero Party Data הוא עשיר ומגוון. הדאטה שנקבל בפעילויות השונות איכותי וממקור ראשון ומשקף בצורה מושלמת מיהו הלקוח שלנו . החיבור של Zero Party Data עם 1st Party Data יוצר שלם שגדול מסכום חלקיו ונותן לארגון שמשלב ביניהם יתרון מבטיח בהכרות עם לקוחותיו בהשוואה למתחרים . הכרות עם הלקוחות מובילה לפרסונליזציה בהצעות הערך ומכאן להגדלת ושיפור ביצועים עסקיים .

כדי להבין מה אתם יכולים לעשות בעולם ה Zero Party Data ולבחון מה מצבכם כיום ברמת ההכרות עם הלקוחות/ מה עוד ניתן לשאול/ לתעדף השאלות/ להחליט באילו ערוצים לפעול/ מה משמעות קידום תכנית להרחבת Zero Party Data ועוד אנו מזמינים אתכם לפגישת סיעור מוחות אתנו בה נחבר אתכם יותר לפוטנציאל הדאטה החדש ונתפור עבורכם פתרון מותאם למימוש והצלחה


מה זה בכלל דאטה, האם לארגון שלכם יש מספיק ממנו, ואיזה פוטנציאל עסקי טמון בו? Data Tapas מסייעת לחברות לענות על כל השאלות האלה ולהפוך דאטה לתובנות. "אנחנו בונים תוכניות עבודה אופרטיביות - ותכל'ס, עוזרים לארגונים ליישם אותן בפועל"


פורסם במגזין ביג דאטה| כלכליסט ספטמבר 2022


ree


פרק ראשון : עושים סדר בעולם הדאטה

תחזרו איתנו רגע במנהרת הזמן ואם לדייק אז כמעט 6 שנים לאחור . זהו בוקר סגרירי במשרדים ואנו בצילומים לכתבה שתתפרסם באותו ערב בגלובס . אז היינו כבר שנה וחצי באוויר במיזם המשותף שלנו Data Tapas . חברת בוטיק לליווי ארגונים במסע שלהם בעולם הדאטה . מאסטרטגיה דרך ניהול פרויקטים ושירותי אנליסטים ו Data Scientists .

בואו נקפוץ חזרה להווה . מרץ 2022 . חולפות 6 שנים מאז הכתבה. הבוקר עדיין סגרירי . העולם הפיזי מאד דומה לעולם של לפני 6 שנים למעט רוחות מלחמה מיותרת במזרח אירופה ווירוס מטריד שמסרב לעזוב את האנושות בשקט אבל בעולם הדאטה לעומת זאת אין רגע דל . עוד ועוד ארגונים רוצים לבצע קפיצת מדרגה בעולם הדאטה . עוד ועוד חברות מבקשות למנף פוטנציאל מהדאטה שיש להן .

אז למען אלו שיוצאים למסע הדאטה או לאלו שכבר בעיצומו ועדיין מבולבלים הכנו את מורה הנבוכים שלנו לסוגיות הדאטה המרכזיות . מעין מדריך ומצפן לדרך שנעניק לכם בחלקים לפי פרקים . כל שבוע פרק אחר .

והפרק הראשון : עושים סדר בסוגי הדאטה שיש לכם בארגון שלכם

בכל ארגון יש לרוב 2 סוגי דאטה רלבנטיים לשימוש :

דאטה מובנה / דאטה לא מובנה


הדאטה המובנה :

זהו סוג הדאטה הנפוץ והמוכר ביותר וזה שיותר קל להתמודד איתו . מדוע ? התשובה נמצאת בשם. הוא פשוט מובנה וברור . כל הרעיון בדאטה מובנה שהוא תמיד מגיע באותו סדר ובאותו "מבנה" ומכאן שמו . למשל כל עולם הפעולות/ טרנזקציות/תשלומים/ העברות/ מכירות/ התקשרויות ועוד

כאשר מתרחשת פעולה אחת הפעולה הבאה אחריה מגיעה באותו מבנה גם אם פרטיה שונים. למשל תשלום יגיע עם שם משלם/ סכום/ תאריך/ מטבע וגם אם התשלום הבא אחריו הוא עם סכומים ופרטים אחרים עדיין כולם משויכים לאותו מבנה ועל כן דאטה זה הינו דאטה מובנה

לרוב ארגון מנהל הרבה מאד מידע ויש לו הרבה מאד נתונים שכולם מגיעים כדאטה מובנה . לרוב דאטה זה נוצר ונאסף במערכות המקור התפעוליות ונרשם בדאטה בייס של כל מערכת


הדאטה הלא מובנה :

בכל ארגון ובמיוחד בשנים האחרונות יש הרבה מאד דאטה לא מובנה . למשל תמונות / הקלטות/ אודיו/ וידאו ובעידן הדיגיטלי המתפתח במהירות גם כל המידע הדיגיטלי של תוכן / גלישה/ קליקים מקוטלג כדאטה לא מובנה . דאטה לא מובנה ניתן לזהות גם בשימושי IOT כולל סנסורים ומוצרי ניטור בריאותיים או התנהגותיים כמו למשל בדאטה אפליקציות שמנטרות פעילות . סוג הדאטה הזה הולך וגדל ככל שמתעצמת ההסטה של פעולות לאמצעים דיגיטליים.

בכל ארגון הנטייה להתעסק ולטפל בדאטה המובנה ברורה מאליה מעצם היותו של דאטה זה קרוב לעסקי הליבה ומייצג את עיקר הפעולות העסקיות/ כספיות שיכול לעשות לקוח . מעצם הקירבה של הדאטה המובנה לעסקי הליבה הפוטנציאל העסקי הגלום בניתוח שלו ומינופו ברור לארגונים והם לרוב ממוקדים בטיפול בדאטה זה תחילה

ברם, חברות שמבינות יותר לעומק את ההזדמנות בעולם הדאטה לא מסתפקות בטיפול בדאטה המובנה בכל מערכת ומערכת Stand Alone אלא מנסות לקדם 2 תהליכים קריטיים נוספים :

1. חיבור דאטה מובנה ממערכות נפרדות כדי לייצר תמונת לקוח שלמה יותר

2. שימוש וטיפול בדאטה לא מובנה על מנת להפיק גם ממנו ערך עסקי ולממש את הפוטנציאל הגלום בו


אחת הדרכים לטיפול בסוגי הדאטה השונים הינה לרכז את הדאטה מהמערכות השונות במקום אחד

מזה שנים השיטה הנפוצה ביותר היתה הקמת Data Warehouse = DWH כאותו מקום מרכזי שיאחסן את כל סוגי הדאטה הקיימים בארגון

ה DWH נולד למעשה על מנת לאפשר לארגונים לאחסן ולטפל בו זמנית במגוון מקורות דאטה ובכמויות גדולות על בסיס היסטוריית הנתונים הארגונית . כך למעשה נוצרה סביבה שאפשרה לבצע אנליזה גם שנים אחורה על שאלות עסקיות מעניינות שלא היה ניתן לענות עליהן כאשר הדאטה נמצא במערכות המקור בנפרד

המגבלה המרכזית של ה DWH הינה שהוא ייעודי לטיפול בדאטה מובנה בלבד . לא רלבנטי ולא אפקטיבי לרכז ב DWH דאטה לא מובנה ויתרה מכך ה DWH מוגבל בהיקפי הכמויות שניתן / נכון לאחסן בו

מגבלה נוספת של ה DWH הינה שכלי האנליזה הרלבנטי לתחקור בו הינו לרוב SQL . אולם לאור מגבלת הכמויות ומורכבות האנליזה בסביבה הלא אידיאלית של ה DWH נמצא שכל שאילתא שהופכת מורכבת מדי כבר פחות אפקטיבית לביצוע מול ה DWH . יתרה מכך , בהרבה ארגונים ה DWH משמש לריכוז דאטה ממערכות לצרכים תפעוליים ועל כן הוא פחות רלבנטי כסביבה אנליטית גמישה

מרבית התתחקור והאנליזה ב DWH ייעשה על שאלות עבר של כמה מכרנו/ באיזה מחיר / למי ועד היום בבוקר אבל לא נוכל לענות על שאלות עתיד כמו למי כדאי להציע את הצעת המוצר הבאה

לאור המגבלות ה DWH אינו פתרון אידאלי בעידן בו שילוב של דאטה לא מובנה חשוב לצורך הרחבת תובנות עסקיות אפשריות ועל כן יש להכיר את השלב הבא בסולם התשתיות התומכות בעולם הדאטה : ה Data Lake

ה Data Lake כשמו כן הוא .....אגמון דאטה אליו ניתן לרכז דאטה מובנה ולא מובנה ובכמויות גדולות . יתרונו בגמישותו / יכולתו להתרחב ולגדול ומגוון אפשרויות התחקור בו ובראש ובראשונה יכולתו לאפשר תחקור בכלים מתקדמים יותר מ SQL כגון יישומי למידת מכונה Machine Learning

גמישותו של ה Data Lake מאפשרת לארגון להתקדם למעשה בסולם הדאטה הארגוני ולבצע אנליזה מבוססת מודלי חיזוי וניבוי ולענות על שאלות What If ולא רק שאלות של What happened

יחד עם זאת גם ה Data Lake אינו חף מבעיות ובניהול לא נכון וללא חשיבה מסודרת ומתוכננת עלול להפוך מ Lake ל Swamp (ביצה) ....ודי במהירות . על הסכנות והדרכים להתמודד איתן ועל השלב המתקדם ביותר בהיררכיית פתרונות התשתית בעולם הדאטה נרחיב בפרק הבא בדיוק בעוד שבוע.





bottom of page