YT YouTube2Text

YouTube2Text → Transcripts → Lesson 1

Lesson 1 — Transcript

by EH · 11,948 words · 1,944 segments · language en · Watch on YouTube

Open in transcriber Summarize with AI Download SRT/VTT

Full transcript

0:00שלום רב,
0:02שמי דוקר אלד הריסון. ברוכים הבאים לקורס
0:06בניהול מוצר מבוסס נתונים לשיעור הראשון
0:09שלו. בקורס הזה אנחנו למעשה נבחן, נתמקד
0:14וגם נבין כיצד באמצעות
0:17קשת של נתונים שחברות אוספות לגבי אופני
0:20שימוש המוצר, אופני השימוש וההתנהגות שלה
0:25לכוחות ביחס למוצר, נושא של נאמנות של
0:30הכוחות, כלומר דפוס שימוש שהוא לאורך זמן,
0:34דפוסי שימוש של נטישה, לקוחות עוזבים,
0:38לקוחות מורידים באדרגתיות אולי את אופן
0:41השימוש במוצר וכדומה. אנחנו למעשה יכולים
0:45להתחכות אחרי מוקדים של סביעות רצון, חוסר
0:49סביבות רצון, פיצ'רים נדרשים, השוואה
0:52למתחרים ביחס לאכויות המוצר, לערך והתועלת
0:57שהוא נותן למשתמשים שלנו וכדומה. וכל זה
1:02מתוך נתונים שנאספים לגבי המוצר. נאספים
1:07באופן תדיר, באופן רציף. בפרקי זמן או בכל
1:11שיטה אחרת דרך שלונים, דרך מדידת אונליין
1:15במוצרים דיגיטליים, דרך סקרי כבוד דעת
1:19לקוחות ועוד מקורות אינפורמציה שאנחנו
1:24בהמשך הקורס נסוכח עליהם יותר בהרחבה.
1:27מתוך שכך אנחנו נזהה מה נדרש לשפר במוצר
1:31שלנו, מה לקוחות אוהבים, איזה פיצ'רים,
1:35איזה מאפיינים של המוצר. כדאי אולי בעצם
1:39להרוג במרחות כפולות, כלומר להוריד,
1:43להפסיק להשקיע בהם, הם לא מוקד של ערך
1:46עבור לקוחות, אז אין טעם באמת להשקיע בהם
1:50משבים יקרים.
1:53אז מעט על עצמי, אני חבר סג הספר להנדסת
1:57תעשייה וניהול.
1:59אני משמש כמרצה במגוון של קורסים, אבל
2:03נושא המחקר העיקרים שלי הם באמת מבוססי
2:07דאטה אח מנושא של אנליטיקת נתונים, מה
2:11שקראו באנגלית דטה אנליטיקס,
2:14בכל מיני מישורים, תהליכים לוגיסטיים,
2:17התנהגות צרכנים,
2:19מאפיינים של א ניתוח ניהול שירות נכון
2:25יותר וניהול שירות
2:28נדרשים בו שיפורים ועוד ועוד א נושא של
2:32ניתוח שווקים וקשת אחרת כשלמעשה
2:37התפיסה או האני מאמין שלי
2:40זה שנתונים
2:42מצלמים מצב נתון זאת אומרת נתונים מצלמים
2:46את המציאות בשעת המדידה כן אנחנו מכירים
2:50את זה מהמון
2:52אסקולות מדעיות כמו למשל פיזיקה כימיה בהם
2:56מודדים טמפרטורה
2:58מודדים מצב מולקולרי, מודדים פליטת
3:01אנרגיה. זה לא שונה גם בתפיסה שלנו במדעי
3:05הניהול והחברה, שבהם למעשה אני במרכאות
3:08כפולות מצלם את מצב השוק, אני מצלם את
3:13התנהגות הלקוחות ואז באמת אני מוודל
3:17א נתחיישוק שונים וההתנהגויות שלהם.
3:21התפיסה הזו בעצם גם הביאה אותי ל
3:26ניצוב של הקורס הנוכחי שמתבסס למעשה על
3:31נושא של מדידה של אופני דפוסי שימוש
3:36במוצרים, אופני אי שימוש, כלומר מה שקראוי
3:40לקוחות שמפסיקים להשתמש, נוטשים מי הם
3:43הלקוחות האלה, מה מאפיין אותם,
3:46מה גרם להם בעצם להפסיק להשתמש או כן כן
3:50להמשיך להשתמש להיות לקוחות נאמנים
3:53וכדומה. אז אנחנו מצלמים את המצב או
3:56באמצעים טכנולוגיים או באמצעים של סכרים,
4:00רעיונות
4:02ודרכים אחרים. אבל בגדול אנחנו מבססים את
4:05ההחלטות שלנו כיצד לשפר את המוצרים, כיצד
4:09לשנות אותם, כיצד להביא את המוצרים הטובים
4:13ובעלי הערך הטוב ביותר ללקוחות לשוק על
4:17סמך נתונים ולא על סמך איזושהיא החלטה
4:20אינטואיטיבית, למרות שגם לאינטואיציה יש
4:23מקום של כבוד בקרב מנהלים, אבל אנחנו
4:25רוצים להיות יותר מדויקים, יותר מושכלים
4:28בקבלת ההחלטות שלנו. אז זה בעצם תחום
4:32המחקר וגם האני מאמין שמוביל למעשה את
4:38החזון של הקורס הזה של ניהול מוצר מבוסס
4:41נתונים שבסופו של דבר עם כל הכבוד ושאנחנו
4:47רוחשים לניסיון של מנהלים לאינטואיציות
4:50בריאות וכדומה ויש הרבה כבוד אנחנו חייבים
4:54לאסוף נתונים על מנת לבסס את ההחלטה על
4:59החלטה שהיא אובייקטיבית
5:01שהיא לא מותטת. זאת אומרת, אם המנהל או
5:03המנהלת חשבו שב10 השנים האחרונות מוצר עם
5:07כיוון מסוים היה נכון וזה באמת עבד, זה לא
5:11אומר שב10 השנים הבאות וזה אכן ימשיך
5:14לעבוד כך. אוקיי? אז אנחנו חייבים כל הזמן
5:18להיות עם היד על הדופק ולאסוף נתונים.
5:21החדשות הטובות הן כפי שאתם תראו במהלך
5:24הקורס שהיום קל מתמיד יותר מתמיד גם לאסוף
5:29את הנתונים גם לקבל אינדיקציות גם לתחקר
5:32את הנתונים שאנחנו אוספים לגבי המוצר לגבי
5:37כל מאפייניו כל הפיצ'רים שלו כל האלמנטים
5:40שלו כל דפוסי השימוש כל האוכלוסיות
5:43שמשתמשות
5:45ולמעשה בכך אנחנו יכולים לקבל קשת החלטות
5:50הרבה הרבה יותר טובה, הרבה יותר מושכלת
5:53וגם אובייקטיבית. החלטות שמונעות הטיות
5:56אישיות, העדפות אישיות שלו דווקא מבוססות
6:00על צורכי השוק מבחינת
6:03האופן שבו אנחנו מעצבים, מפתחים ומביאים
6:08מוצרים חדשים או משופרים לשוק. אז זו בעצם
6:12תפיסת הקורס.
6:14וכמו שאני מנסח את זה במטרות הקורס, אנחנו
6:18נכיר את הטכנולוגיות, את הכלים השונים
6:22לאפיון מערכות BI. BI זה BUIG,
6:26מערכות של בינה עסקית
6:29שמודדות
6:31ביצועים, גם מנתחות ביצועים
6:34בדגש על ניהול מוצר. מערכות הBI יהיו כלי
6:38מרכזי
6:40למעשה ב איסוף הנתונים, בסידור, בניקוי
6:45הנתונים ובסופו של דבר תחקור וניתוח
6:49הנתונים ביחס למוצרים פעילים או מוצרים
6:54שאנחנו רוצים למדוד את קשת הביצועים ואת
6:58האינטראקציות של הלקוחות איתם,
7:00אינטראקציית השימוש. כאשר אנחנו נכיר עוד
7:06סליחה טכנולוגיות
7:08שמאפשרות לנו גם למדוד, גם להעריך, גם
7:11לנתח את הביצועים מעבר למערכתי שהיא באמת
7:16הכלי המרכזי לשם הבנה וניתוח
7:20של אותה מערכת אינטראקציות של לקוחות
7:23משתמשים שונים עם המוצרים שאנחנו מפתחים.
7:27אז כעיקרון הכלי המרכזי שאנחנו נכיר במהלך
7:31הקורס הוא כלי שפותח על ידי מייקרוסופט
7:35כלי ותיק בשוק שקראוי Power BI על אף
7:39שהכלי הזה ותיק מבוסס בשוק מייקרוסופט
7:43למעשה לא כפעה לשמרים אלא היא כל הזמן
7:47מפתחת אותו מכניסה פיצ'רים חדשים יכולות
7:51חדשות דפוסי ניתוח חדשים בטח ובטח בעידן
7:55הAI
7:57אז business intelligence או בינה עסקית
8:00זה סוג המערכת המוצר הוא PowerB שאנחנו
8:04נלמד מוצר של מייקרוסופט
8:07וגם יש לו יכולות שמתכתבות
8:10עם הAI בתחום הזה
8:14לאחר מכן אנחנו גם נבין איך מטמיעים את
8:18המערכות הללו שזה מערכת AB בארגון איך
8:22אנחנו משתמשים איך אנחנו אנחנו יוצרים
8:26בעצם תרבות של ניתוח נתונים כדי לתמוך
8:30בהחלטות של ניהול מוצר, של פיתוח מוצרים,
8:35של שיפור מוצרים קיימים, של הבנה של מוצרי
8:39המתחרים
8:40וגם מערכות מדידת ביצועים נוספות שאנחנו
8:44נכיר במהלך הקורס.
8:48נפעיל בפועל את הכלים. אנחנו ממש ננתח
8:51נתונים, ננתח
8:53בסיסי נתונים, דטאסטס
8:56לגבי א מוצרים, שירותים שונים שיכולים לתת
9:01לנו אינדיקציות והבנה איך אני למעשה משתמש
9:05ביכולות המאוד מתקדמות של מערכת ABB, של
9:09הכלים התומכים האחרים שנכיר בקורס, על מנת
9:13באמת להבין את הצרכים של המשתמשים, של
9:17הלקוחות שלי
9:20ולהיכנס לתהליך ניהול מוצר מבוסס נתונים
9:24שיתן לי קבלת החלטות הרבה יותר טובה וערך
9:28טוב יותר ללקוחות שלי מבחינת מה שאני מפתח
9:31ומה שאני משקיע בפיתוח המוצר א הבנה טובה
9:36יותר של השוק של מי יש מי הם המשתמשים מה
9:40הם דפוסי ההתנהגות שלהם ועוד קשת רחבה של
9:44אלמנטים שאנחנו למעשה לא רק נכיר אנחנו גם
9:47נתרגל מבחינת השימוש בכלים השונים וכמובן
9:52אנחנו כמו תמיד נכיר לא רק את האפשרויות
9:56המאוד מתקדמות המאוד רחבות של הכלים שנלמד
10:00בתחום של ניהול המוצר אלא גם את המגבלות
10:03שלהם זאת אומרת איפה באמת אנחנו חייבים א
10:10א באמת להשתמש אולי בכלים אחרים לחפש כלים
10:15או שהכלים בעצם מגיעים אל קצה היכולת שלהם
10:19מבחינת חובות הקורס אני פירטתי
10:23באתר הקורס בסילבוס
10:26את חובות הקורס גם שעות הקבלה בנוסף
10:30לחובות הקורס נשלחו לכם בהודעה ב
10:36במערכת ההודעות בפורום שיש לנו באתר הקורס
10:41במודל תעשו בו שימוש כל החומרים א כל
10:46המצגות גות כל הסרטים כל מה שנדרש למעשה
10:52יועלו לאתר המודל במהלך הקורס אפשר לפנות
10:56אליי כמובן באימיל אלhah אתchcar.ac.il
11:02בכל שאלה שאתם מרגישים לגבי הקורס א וכל
11:07מה שנדרש
11:09אה ככל שנדרש כן. אז אני מאחל לכם הרבה
11:14הצלחה. אני מאחל לכם גם הנאה רבה בקורס
11:18הזה ובעיקר אני מקווה שתפיקו ערך בתחום
11:22ניהול המוצר כמנהלי מוצר לעתיד באמצעות
11:27ההתבסיססות
11:28על קשת של נתונים על תפיסה וקבלת החלטות
11:33שהיא פחות סובייקטיבית יותר אובייקטיבית
11:36יותר מאוזנת ויותר מודעת שיהיה לכם בהצלחה
11:40אז בואו נצא לדרך
11:45להבין בעצם
11:47את נושא א ניתוח הנתונים
11:51ועד כמה נתונים משחקים תפקיד מרכזי בחיינו
11:54כיום אנחנו צריכים להסתכל לערכתי על מגמות
11:59היסטוריות
12:00בקשר לנתונים אז למעשה
12:04מספר דברים קרו בשנים האחרונות
12:07דבר ראשון שאפשר את היכולת
12:11לאסוף נתונים, להגיע לנתונים, לשמור
12:15נתונים וגם לתחקר נתונים היסטוריים
12:19ונוכחיים תוך כדי למשל השוואה בין
12:23היסטוריית הנתונים, למשל היסטוריית פרוסי
12:27שימוש במוצרים, לעומת השימוש הקיים בהם.
12:32זה הנושא של היכולות הטכנולוגיות בכלל
12:35לאחסן נתונים ומידע. בעבר היכולות האלה
12:38היו מאוד מאוד יקרות.
12:41דיסקים מכניים היו לא רק יקרים מאוד, היו
12:45גם לא כל כך אמינים. עם הזמן הטכנולוגיה
12:49השתפרה, טכנולוגיות האחסנה המגנטית.
12:53א למעשה
12:55המתחיר של האחסנה הלך וירד באופן הדרגתי
13:00עד שכיום אפשר לומר שאלות האחסנה של
13:04נתונים ומידע ליחידת מידע היא כמעט שואפת
13:07לאפס. זאת אומרת הזה לא רק שהדיסקים מאוד
13:11מאוד גדלו, הם גם הפכו להיות מאוד מאוד
13:13זולים. כלומר שכל
13:16רסיס מידע, פיסת מידע או רשומת נתונים,
13:21היום אפשר לומר שאפשר לאחסן אותה בעלות
13:24שהיא שואפת לאפס בגלל שמחירי הדיסקים הם
13:28באמת עשרות או
13:31מאות שקלים אולי במקרה הטוב
13:35וכמובן יש לנו גם הכסנה חינמית. למשל
13:39דרופוקס גוגל דרייב נותנים תוכניות אחסנה
13:44כדי לפתות אתכם שהן אמנם מוגבלות אבל אין
13:47חינמיות כלומר הכסנת הנתונים כן של 15
13:52גיגהבייט 30 גיגבייט תלוי בכל תוכנית
13:56היא ניתנת אפילו בחינם למשתמשים נכון שחלק
14:00התפטור לשלם להרחיב את התוכניות הללו אבל
14:04בגדול עובדה שהאכסנה ניתנת בעלות של אפס
14:08או כמעט אפס שקלים ליחידת מידע.
14:13תמורה נוספת שחלה בתחום ה אכסנה, אכסנת
14:19הנתונים היא טכנולוגיות הענן והנגישות
14:21למידע.
14:23הענן הוא בעצם
14:26אומר איפה אני שומר את הנתונים,
14:29אני לא יודע. כשאני מעלה לגוגל דרייב או
14:33לדרוקס מסמך מסוים או לגוגל פוטוס תמונה
14:38מסוימת,
14:40התמונה הזו נשמרת בשירותים של גוגל. ישנם
14:44centרס, מרכזי נתונים עצומים ברחבי העולם.
14:50כמובן שגוגל דואגת לגיבוי אוטומטי,
14:54למערכות כיבוי אש נגד שריפה, לכל מה שנדרש
14:59כדי לשמור על הנתונים הללו שאתם מעליים
15:02לענן לאכסנה. אבל אם התמונה או הרשומה או
15:08קובץ האקסל שהליתם לענן לגוגל דרייב או
15:12לדרופוקס
15:13נשמר בישראל או בברזיל או באירופה או
15:17באסיה או גם וגם וגם כי יש גם מותקים
15:21לגיבוי במקומות שונים זה לא ברור לנו מה
15:24שכן ברור לנו זה כשנצטרך
15:28את הקובץ הזה אנחנו למעשה נתחבר לענן
15:32ונוציא את המידע המידע הזה זה יהיה לנו
15:35נגיש לנו תוך מספר חלקיקי שנייה. כלומר
15:40אנחנו בטכנולוגיות ענן לא באמת מוטרדים
15:43איפה פיזית המידע הזה מאוכסן
15:46אבל אנחנו יודעים שקודם כל הוא מאוחסן
15:50באופן שהוא נגיש לנו. אנחנו יכולים לאחזר
15:53את המידע להוריד את אותה תמונה, את אותו
15:56קובץ אקסל, את אותו קובץ רשומות שאלינו
15:59לגיבוי בגוגל דרייב או בדרופקס.
16:03ודבר שני, אנחנו גם לא ממש מתעניינים איך
16:08המידע הזה נרשל, נשמר. זאת אומרת, בשירותי
16:12הענן יכול להיות שהוא באזור גיאוגרפי כזה,
16:15אזור גיאוגרפי אחר, יש לו כך וכך גיבויים,
16:19לא ממש ברור לנו. אנחנו אבל סומכים שכל מה
16:23שינו לענן יהיה נגיש לנו כשנצטרך דרך
16:28החיבור האינטרנטי. כלומר טכנולוגיות הענן
16:32הן מייתרות את האמצעים הפיזיים, למרות שגם
16:35לאמצעים הפיזיים אגב יש יתרון משלהם, כן?
16:39לגיבוי בדרייבים, ב
16:45באמצעים פיזיים של גיבוי, בדיסקים, בהחלט
16:49יש מקום של כבוד ולאחר מכן חברות מאחסנות
16:53אותן בכספות
16:55אה חסינות לאש למשל. אוקיי, אבל
17:01טכנולוגיות הענן בגדול מייתרות את הנושא
17:04הזה. יש שאלות של פרטיות, יש שאלות של
17:07הבטחת מידה. בכל הנושא של הנן הן די נפטרו
17:11בגדול, אבל עדיין ישנם ארגונים שיש להם
17:15מידע מאוד מאוד מאוד רגיש, כמו למשל
17:19בנקים, חברות ביטוח, חברות פיננסיות
17:23וכדומה. ואז או שהן יוצרות לעצמן ענן
17:27פרקטי. כלומר זה לא ענן ציבורי, זה לא ענן
17:30כזה של מייקרוסופט או של גוגל או של
17:34דרופוקס שכולם מעלים נתונים ולא ברור למי
17:37יש גישה והאם אכן יש שמירת מידע והבטחה
17:41וכדומה אלא זה שרטים שלהן הם עובדים באופן
17:45מאוד דומה לענן או באמת ענן פרטי שבו
17:49מייקרוסופט או IBM או כל חברה אחרת שהיא
17:53ספקית ענן מאפשרת להם ענן
17:57שהוא
17:58פרטי שלהן הוא מנותק מיתר העננים, מיתר
18:02הקבצים שמועלים זה ענן שהוא מאובותח
18:06לחלוטין ברמות עצפנה צבאיות, הבטחה צבאית,
18:11על מנת שבאמת המידע שאין מעלות יהיה שמור
18:16באופן מלא ועמין.
18:18אז זו בעצם ההתפתחות בתחום של טכנולוגיות
18:22ענן.
18:23יש לנו שפע עצום של נתונים ומידע אישי דרך
18:28הרשתות החברתיות.
18:30מדהים מה שאנשים מעלים.
18:33לא רק סרטי וידאו, לא רק תמונות, גם
18:35טקסטים, גם תיאורים, גם נתונים אישיים,
18:39מצב אישי, גיל, מה אכלתי אתמול, מה אכלתי
18:41היום, איפה אני אוהב לבלות, מדידה
18:46דרך האפליקציות שהתקנתם על הטלפון, איפה
18:51אתם נמצאים בכל רגע, איפה אתם יושבים,
18:53איפה הלכתם לישון הלילה. אוקיי, יש שפע של
18:57נתונים ומידע אישי שבעצם נותנים דפוסי
19:01התנהגות.
19:03או מציגים את דפוסי ההתנהגות האישיים שלכם
19:07מבחינת העדפות, מבחינת דברים שאתם לא
19:09אוהבים, כל מה שאתם בוחרים. אז בסביבה כזו
19:14יש לנו ממש גידול עצום במידע. כמובן שיש
19:19נושא של חיפושי מידע וכדומה
19:23וגדול
19:25בסביבה שהעלות של אכסנת נתונים או אחסנת
19:29מידע שואפת לאפס. חברות מעדיפות לאסוף את
19:34כל מה שאפשר עליכם, כמובן במסגרת חוקית,
19:38כן? אבל אם למשל אתם חותמים על הסכמה
19:42לאיסוף נתונים עליכם מרשתות חברתיות,
19:45בהחלט יאספו עליהן ולא מוחקות נתוני עבר,
19:48כי מי יודע אולי בעתיד מצטרך למטרות
19:52שיווקיות, למטרות אחרות לנתח את כלל
19:56הנתונים שאספנו. אז מצד אחד יש נפח נתונים
20:00שרק הולך וגדל בעולם. מצד שני החברות לא
20:05מוחקות שום דבר. כל הזמן אוספות וכמה
20:07שיותר.
20:09כדי להסביר את המגמה הזו בואו נבין בעצם
20:13מתי התחילו לאסוף נתונים. אז למעשה נתונים
20:17התחילו בתחילת ההיסטוריה.
20:20היסטוריה התחילה יש את ההיסטוריה ויש את
20:24הפריהיסטוריה. פרהיסטוריה זה לפני
20:26ההיסטוריה. אז מתי ההיסטוריה התחילה?
20:29בהמצאת הכתב. אז אנחנו רואים פה לוח בכתב
20:34יתדות אקדי, שהוא מתאר באמת בפני המלך
20:39איסוף של א תבואה מסדות המלך, מהעבדים שלו
20:47והבואה של התבואה לאוצר המלך. כן, זה בצד
20:51השמאלי העליון.
20:53זה סוג של נתונים שגם הוא נאסף
20:57בעת העתיקה בתחילת ההיסטוריה. אוקיי?
21:01מערכות הכתיבה הללו, כן? כתב יתידות הלוח
21:05תית היו מהמערכות הראשונות של הכתיבה
21:09האנושית של איסוף הנתונים בהיסטוריה.
21:12אנחנו גם רואים מתחתיו
21:15א צילום של דף תפילה ממי הביניים. אז גם
21:19זה סוג של נתונים, אבל שימו לב שגם עצם
21:24הייצוג הדיגיטלי, התמונה עצמה של דף
21:26התפילה, זה עוד סוג של נתונים. מתחת יש את
21:31שיגנון הישראלי, חתן פרס נובל לספרות שכתב
21:36ספרים רבים, מומלצים אגב,
21:39וגם ספריו הם סוג של נתונים. זאת אומרת
21:42היום גם הם הפכו תהליך של דיגיטציה הם
21:47מיוצגים באופן דיגיטלי אפשר להוריד אותם
21:50לקרוא את הספרים של שיגנון
21:53במתכונת דיגיטלית אז גם הספרים שלו הם
21:56קבצים של נתונים וכמובן חברות כמו גוגל
22:02פייסבוק שהם כבר ותיקות תארו לעצמכם
22:06מאז יסודה של גוגל מאז יסודה של פייסבוק
22:10כמה נתונים נאספו על כל דבר. האימייל
22:13האימיילים שלנו, ההודעות שלנו
22:16א פייסבוק גם אגב מחזיקה באינסטגרם,
22:20בוואטסאפ,
22:22אז גם שם היא אוספת מידע. גוגל אוספת מידע
22:26מתוך ה-Gmaייל שלנו. מה חיפשנו? אנחנו
22:30נמצאים מתוך מערכות ההפעלה של אנדרואיד
22:33ועוד ועוד נתונים שהיא לא מוחקת. המטרה
22:36היא גם של גוגל וגם של פייסבוק ללמוד על
22:41דפוסי ההתנהגות שלנו, על ההדפות שלנו, על
22:45מנת להציע לנו את המודעות של שתי החברות
22:50הרלוונטיות ביותר עבורנו כדי שנקליק.
22:55ובכך המפרסם יעביר מספר סנטים על כל
22:58לחיצה, או לגוגל או לפייסבוק. וזה מודל
23:02הרווח של החברות המסגסגות האלה שמייצרות
23:07הכנסות שלסדרי גודל של עשרות מיליארדי
23:11דולרים. כן? אז ככל שבאמת ילמדו את
23:15המשתמש, זה בעצם מודל הרווח גם של גוגל
23:18וגם של פייסבוק, מה אנחנו אוהבים, מה
23:20אנחנו לא אוהבים, מה החברים שלנו אוהבים,
23:23מה החברים שלנו לא אוהבים. כן, כמו
23:25שאומרים, תראה לי מי חברך ואומר לך מי
23:29אתה. וזה עובד גם פה. הם אוספים מידע על
23:32הכל, על כל אלמנט שלנו. כמה שניות היינו
23:36בכל דף, כמה שניות היינו בכל חיפוש, לאיפה
23:40המשכנו, איזו תוצאה אהבנו, מתי נטשנו
23:44וחזרנו לחיפוש ועוד ועוד אלמנטים לגבי
23:47הפוסטים, לגבי ההודעות, לגבי החיבושים,
23:51לגבי האימיילים, לגבי מערכות המסנג'ר וכל
23:56אלמנט אחר, התמונות כמובן. והוידאו כל
24:00אלמנט אחר שיכול ללמד אותנו אותן כיצד
24:05להתאים לנו טוב יותר את המוצר שלהם במקרה
24:09הזה איך להתאים את המודעות הרלוונטיות
24:12ביותר
24:15ובעלות הסיכוי הגבוה ביותר כדי שנקליק
24:19עליה אגב
24:22רק לסבר את האוזן הסיכוי הוא די נמוך זאת
24:25אומרת כשגוגל מביאה את את המודעות שלה, את
24:30הגוגogוג ads.
24:32מדברים פחות או יותר במחקר וגם בתעשייה על
24:37סדרי גודל של בערך 4% מהמודעות שמוצגות
24:42שהמשתמשים מקליקים עליהן. בפייסבוק, האחוז
24:46הממוצע יורד לאחוז אחד. כלומר, ככל שגוגל
24:50ופייסבוק ישפרו ולו במעט את מערכת איסוף
24:55הנתונים, הניתוח האוטומטי
24:58והלמידה על דפוסי ההתנהגות והדפות שלנו,
25:02כך הן יעלו את אחוז
25:06ההמרה. זה אומר מתוך
25:10נניח 100 מודעות שהציגו לי על איזה אחוז
25:14אני מקליק. כן, אמרנו שבממוצע ארבע מתוך
25:18100 בגוגל, אחד מתוך 100 בפייסבוק. וככל
25:22שהם יצליחו ולו בשוריר אחוזים להגדיל את
25:25זה, ככה ההכנסות שלהן ישתפרו. איך אני
25:28אגדילו? מתוך איסוף נתונים מתקדם יותר,
25:33ניתוח מתקדם יותר ואיכותי יותר של המשתמש
25:37כדי להמליץ על המודעות הרלוונטיות ביותר
25:41שיפטו אותי גם באמת להקליק עליהן, ללחוץ
25:45עליהם.
25:49אם אני לוקח את כמות המידע בעולם, כן,
25:53נניח שאפשר למדוד אותו ויש דרכים להעריך
25:57לפחות את כמות המידע בעולם,
26:00אז רוב ההיסטוריה האנושית, כלומר מתחילת
26:04המצאת הכתב, בסביבות 4000, 5000
26:08שנה לפני הספירה
26:11ועד 1980 המצאת המחשב האישי,
26:16אנחנו מדברים על גידול בכמות המידע כמובן
26:20כן מידע הולך ונצבר
26:22א גם בהיסטוריה גם בציורים על מערות גם
26:27בתעודות בתית וגם באמת במידע במסמכים
26:32שנכתבו במכונות כתיבה בספרים בתמונות עם
26:36המצאת המצלמה אבות ועוד עד למעשה 1980 היה
26:42גידול אבל הגידול היה הדרגתי
26:45עם המצאת המחשב האישי, הPC, personal
26:48compפטר, בעצם
26:51היה גידול שהלך והתעצם
26:55א כשבמקביל למעשה ב-1994
26:5895 הוצג האינטרנט המסחרי. האינטרנט עד
27:02השנים הללו היה פלטפורמה תקשורתית סגורה ש
27:07שימשה בהתחלה
27:09את משרד ההגנה האמריקאי. לאחר מכן היא
27:14הורחבה למוסדות כמו אוניברסיטאות ומכוני
27:17מחקר. ב-1994
27:20האינטרנט נפתח לעולם בארצות הברית. א
27:24ישראל הצטרפה בשנת 1995 ואז אנחנו רואים
27:28למעשה התעצמות.
27:30גוגל נוסדה אי שם לקראת א שנות תחילת שנות
27:35ה-2000 סוף שנות ה90
27:39על הפלטפורמה של האינטרנט.
27:42חברות נוספות,
27:45פייסבוק
27:47נוסדה סביב 2010 ולמעשה אנחנו רואים
27:52א דינמיקה של גידול הולך ומתעצם במידע.
27:57אנשים מייצרים תוכן, כן, יוטיוב למשל,
28:00מייצרים נתונים, חברות מתחילות לאסוף יותר
28:04ויותר נתונים, מה שאגב מעצים את הגידול
28:07בנתונים.
28:08ולמעשה אנחנו נכנסים לדינמיקה שאותה אנחנו
28:11רואים מ-2015
28:14בגידול עצום
28:18לשנה ליחידת זמן בכמות המידע. היום אנחנו
28:22מדברים
28:24על אלמנטים
28:26שעל על כמות כזו שאם אני מודד
28:32מתחילת ההיסטוריה האנושית, זאת אומרת מ
28:354000 5000 לפני הספירה עד היום את כמות
28:39המידע שנוצרה והכמות היא עצומה
28:42קרוב לוודאי
28:45שבפחות
28:46בשנתיים קדימה
28:49הכמות הזאת הוכפל
28:51זאת אומרת,
28:54הדינמיקה היא של צמיכה עצומה במידע,
28:58בנתונים בעולם.
29:00והשאלה העיקרית בסביבה כזו היא לא רק איך
29:05מסתדרים ואיך מנתחים. כן? יש היום מערכות
29:09אוטומטיות על מנת לפתור את הבעיה הזו, אלא
29:12בעיקר איך אני כארגון, כחברה,
29:17כמפתח מוצר, כמתחרה בשוק שיש בו מוצרים או
29:23שירותים דומים לשלי, מפיק את הערך
29:29גם למשתמש וגם את הערך הכלכלי הגדול
29:33ביותר, עבורי ועבור המשתמשים שלי.
29:42אז בסביבה כזו כל כך מרובת נתונים, כל כך
29:46עשירה בנתונים, כיצד אני יכול למעשה להביא
29:50את הערך הטוב ביותר לתהליכי ניהול מוצר,
29:54פיתוח מוצרים, שיפור מוצרים וגם תחרות עם
29:57מוצריי בשוק בהשוואה למתחרים השונים.
30:02אז האופן הראשון זה כמובן מתוך הנתונים
30:06הארגוניים ונתוני העבר שאני סברתי לדוגמה
30:10על דפוסי השימוש מי הם המשתמשים מי הם
30:13הארגונים שרכשו ממני את המוצרים הללו
30:18לאיזה צרכים הם שימשו אותם מה הם דפוסי
30:22השימוש אה לאיזה מסכים במוצרים דיגיטליים
30:26כן במוצרי אונליין הם נכנסו איזה חלקים
30:31במוצר איזה זה פיצ'רים היו יותר פופולריים
30:33וכדומה. אלה נתונים למעשה שצברתי מדי יום
30:38בעבר. אני יכול למעשה להיכנס לנתונים האלה
30:42א להוציא אותם, לפרוק אותם, להתחבר אליהם
30:45באמצעות מערכת ה-BI, הביזנס inelligence
30:49שלי, למשל power bi של מייקרוסופט שאנחנו
30:52נכיר, ולהתחיל לנתח
30:56ולזהות תובנות. לדוגמה
31:00שחברות פיננסיות
31:03מאוד אהבו את המוצרים שלי בעוד שחברות
31:07מתחומי שירות אחרים, למשל חברות תעופה,
31:11החליטו לנטוש את המוצר שלי לאחר פחות מחצי
31:17שנה של שימוש. צריך להבין למה. אוקיי, אבל
31:21מיד זה נותן לנו תובנה של כן, אנחנו רוצים
31:25להמשיך לשרט חברות תעופה, אבל אנחנו כנראה
31:29לא נותנים את הערך הנכון. צריך להבין מתוך
31:34התובנות זו הלאה למה, כן? לבוא לשבת איתם,
31:38לרעיין אותם, לנתח תכתובות, לאסוף נתונים,
31:43להעביר סקרים בקרב חברות תעופה. אם אנחנו
31:47באמת רוצים לשרט את נתח השוק הזה. אוקיי?
31:51וכנל אפשר לבוא ולהעצים את חווית השימוש
31:54מתוך אותם תובנות של החברות הפיננסיות. אם
31:57הן מרוצות, הן ישרות נאמנות אליי. אני
32:01רוצה להמשיך ולשמר. אני לא רוצה לקחת אותן
32:03כמובן מאליו. ומתוך שכך אני אזהה מתוך
32:07דפוסי השימוש מה הם נוהבות במוצר. את
32:11הדשבורדים, דוחות מסוימים שנכנסות אליהן
32:15בעיקר,
32:17עיצוב של מסכים מסוימים, מה הן לא אוהבות,
32:20לאיפה הן לא נכנסות. אז אם למשל אני מציג
32:23להן
32:2620 פיצ'רים שונים ואין משתמשות בעיקר
32:29בשלושה פיצ'רים, יכול להיות שאין צורך
32:32ב-17 אחרים. או שיש צורך אבל הוא נדיר או
32:36שהן לא מכירות את זה וצריך להעביר אותן
32:39הכשרה הדרכה כי השקעתי הרבה כסף לפתח את
32:43הפיצ'רים האלה כדי לשרט אותן טוב יותר והן
32:46אולי לא מודעות
32:48לאיכויות או לערך שהפיצ'רים הללו יתנו להם
32:52מה שקראוי העמקת השימוש במוצר דרך הבנה
32:56מתוך הנתונים שאספתי לגביו אני גם יכול
33:01לחזות מתוך נתוני העבר
33:04סיטואציות עתידיות. אם זהיתי תובנה,
33:07זיהיתי חוקיות בתוך הנתונים, אז כנראה שגם
33:12בעתיד החוקיות הזו תמשיך
33:17ותתקיים לפחות זמן מסוים. כן? אז קודם כל
33:22השאלה היא כמה עבר אני לוקח? כמה אחורה
33:26אני לוקח בנתונים? שזה שאלה אחת בפני
33:28עצמה, כן? עד כמה העולם מיוצג על ידי
33:32נתונים. בני חצי שנה, בני שנה, אולי בני
33:35אפילו שלוש וחמש שנים, כנראה שלא. אוקיי?
33:39זה שאלה אחת שאנחנו חייבים להתמודד איתה,
33:42אבל כנראה לא במסגרת הקורס הזה. רק תזכרו
33:46אותה. והדבר השני, עד כמה
33:51האמרה אין חדש תחת השמש, תמשיך להתקיים.
33:55מה שהוא היה הוא שיהיה. אוקיי? אז מה שהיה
33:59לפני חצי שנה נכון לשימוש המשתמשים, כמה
34:03זמן עוד הוא יהיה? זה ימשיך עוד חצי שנה
34:07נוספת, זה ימשיך שנתיים קדימה, חמש שנים
34:12קדימה, כנראה שלא בעולם המשתנה, אבל אולי
34:16ימשיך שנה או שנתיים מה שיתן לי הבנה איך
34:20אני בעצם פועל בתחום ניהול המוצר, בתחום
34:24פיתוח המוצר שלי, בתחום הצעת ערך למשתמשים
34:28מתוך המוצר בשנה או השנתיים הקרובות. אז
34:33על טווחי הזמן האלה אנחנו לא כל כך נרחיב
34:36בקורס הזה, אבל בגדול אתם צריכים לחשוב עד
34:41כמה נתוני עבר מייצגים גם את העוה וגם את
34:45העתיד על מנת שבהחלט נוכל ללמוד מהם דברים
34:49שהם נכונים.
34:51אוקיי? אז
34:54סליחה כאשר אני בעצם מזהה דפוסי שימוש או
34:59יו הולכת וחוזרת מה שקראוי patterns אז
35:03אחד אני יכול לחזות
35:07את העתיד הקרוב לפחות כן מה שקראוי מה
35:10שהיה ומה שיהיה
35:12על סמך נתוני העבר אני יכול לנסות לפחות
35:16לחזות התנהגות עתידית בטווח הקרוב לפחות
35:21ודברים נוספים זה להבין לפני שימוש נתיבי
35:25שימוש כלומר מה מוביל משתמש אכן מהפיצ'ר
35:30הראשון עובר לדוח שני עובר לגרף השלישי
35:34בדרך כלל דברים שהם די שכחים כדי לזהות את
35:39מרכיבי הערך המשמעותיים ביותר במוצרים שלי
35:43וכמובן לטייב לשפר אותם כדי להיות
35:46תחרודיתי יותר בשוק א כמו נאמנות כמו דפ
35:51דפוסי שימוש חוזרים ונשנים גם הפסקת
35:55השימוש מלמדת אותנו הרבה זאת אומרת מתי
35:58לקוחות נשו אם העליתי גרסת מוצר למשל
36:03הוצאתי גרסה חדשה לשוק פתאום אני
36:06נתישות יש לי פה אינדיקציה שכנראה הגרסה
36:10לא הייתה תקינה לא הייתה ידידותית אנשים
36:15היו רגילים לגרסה הישנה אני חשבתי שאני
36:18עושה טוב שאני משפר פר בגרסה החדשה, אבל
36:22הם לא מוצאים לא את ימינם ושמאלם בגרסה
36:26החדשה ולכן הם נוטשים אותה לטובת מוצרים
36:31מתחרים, מוצרים שלדעתם יתנו להם ערך או
36:35ידידותיות הרבה יותר גבוהה. יש לי פה
36:38בעיה. אני חייב ללמוד למה משתמשים מפסיקים
36:43לעבוד עם המוצר שלי. למה הם מוחקים
36:47התקנות? למה הם בכלל אולי לא מחקו את
36:50ההתקנה אבל לא נכנסים למוצר כבר שבוע או
36:54שבועיים או חודש. אוקיי? אז גם הנושא של
36:57נטישה יכולה ללמד אותנו בפרט כשיש לנו את
37:01הנתונים
37:03לפני הנתישה שמצביעים ממה באמת המשתמשים
37:08נהנו, מה הם אהבו, מה נתן להם ערך מבחינת
37:11הפיצ'רים, המסכים, הגרף, הנוחות ומה קרה
37:16בנקודת זמן מסוימת שזיהיתי כגורם נטישה
37:20מסוים. כן? זה יכול להיות או שהליתי גרסה
37:24בצורה לא מוצלחת או שנכנס מתחרה שלא היה
37:28קיים בשוק הישראלי. כן? תחשבו למשל על
37:31חברות כמו טןביס
37:33שהציאו שירות משלוחי מזון. נכנס וולט.
37:38הרבה מאוד משתמשים נטשו את 10b לטובת
37:42וולט.
37:45גם הנושא של שילוב מקורות מידע יכול לתת
37:48לי אינדיקציות. אז יש לנו נתונים מובנים,
37:51נתונים שהם טבלאים כמו שם, שם משפחה, אה
37:55עיר מגורים, תעודת זהות, שנת לידה וכדומה.
38:00אבל יש גם נתונים שהם לא מובנים. למשל
38:03טקסטים ארוכים, כן? או קצרים, הודעות.
38:07אין פה איזה הבניה, כן? אין איזה סיווג של
38:11הנתון, מה תיבטקסט, על מה הוא מדבר
38:14וכדומה, אלא זה טקסט, אבל אנחנו יכולים
38:16לנתח ולהפיק ממנו נתונים
38:21מובנים, מידע שאומר מה הטקסט, על מה הוא
38:25מדבר, האם זה תלונה או תשבחות, האם הלקוח
38:30שכתב את ההודעה לנו דרך אימייל, דרך
38:33הוואטסאפ,
38:36מרוצה או לא מרוצה? האם הלקוח מדבר על
38:39פיצ'ר כזה, פיצ'ר אחר במוצר, מוצר מסוים,
38:43מוצר אחר, אולי התמחיר של המוצר שהוא פחות
38:46שייך לנושא של ניהול המוצר, אלא הוא יותר
38:50כלכלי באמת טוב וכדומה.
38:53גם הנושא של תמונות או זיהוי פנים או קבצי
38:57קול ווידאו, כן? מתי משתמשים במוצר.
39:01פתאום אולי אנחנו מזהים דברים נורא
39:04מעניינים במוצרים דרך תמונות. אנחנו
39:07עוקבים אחרי המשתמשים, כן? אנחנו יכולים
39:11למשל לעשות תחרות של העלאת תמונות
39:14לפייסבוק
39:16של איך אתם משתמשים במוצר שלנו. ואנחנו
39:19מגלים הרבה מאוד דמהות עם רקע.
39:24מוכשך. זאת אומרת בשעות הלילה הקטנות כשהן
39:27התינוק מטפלות בו שמשתמשות במוצר. הופ, יש
39:32לנו אוכלוסייה ודפוס שימוש מאוד פופולרי
39:35אמהות עם תינוקות שנולדו שממלאות את הלילה
39:41באמצעות שימוש במוצר. למשל צופות בסרטוני
39:44וידאו, צופות אולי בהדרכה או חושות אולי
39:48השכלה באופן מקוון או כל מוצר או שירות
39:53נותנים ואנחנו מקבלים את האינדיקציה הזו
39:57דרך עמודי תמונה. אני יכול למשל באמצעות
40:00AI לזהות האם התמונה צולמה בשעות הבוקר,
40:05בשעות היום או בלילה. האם יש תינוק כן או
40:10לא? האם מדובר באישה או גבר אפילו לקבל
40:16איזושה הערכה לגבי הגיל של המצולם באמצעות
40:19כלי AI
40:21ומכל זה מתמונה שהיא בעצם מידע שהוא היא
40:26נתון לא מובנה כן הוא לא מעובד אני יכול
40:29לקבל נתונים מובנים למשל גילאי המשתמשים
40:34א זמן הצילום לפחות ברמה של יום או לילה
40:41מן המשתמש, גבר או אישה, א גיל מזוהה,
40:46פחות או יותר הערכה של הAI מהגיל זה לא
40:50תמיד מדויק, אבל זה הערכה מסוימת ועוד
40:54נושא של זום פנים.
40:58אני יכול לזהות
41:00מם המשתמשים אפילו היום ai יכול לזהות
41:03קבוצות אתניות מתוך זיהוי פנים כמובן גבר
41:07אישה גיל וכדומה וגם מתוך קבצי קול ווידאו
41:12על מה מדברים מה מספרים אני יכול לאבד
41:16רויוז כן כל מיני סרטי וידאו שמציגים את
41:21המוצר שלי לטובה לרעה בקורות שונות וללמוד
41:25מתוך הוידאו מתוך היוטיוב
41:28על מה מדברים, על המוצר, מה אוהבים
41:31המבקרים, מה הם לא אוהבים, מה הם מציאים
41:34אפילו כהצרות. אז באמת יש פה שימוש
41:37בטכנולוגיות AI כדי לבוא לאבד את הקבצים
41:42שהם נתונים לא מובנים לקשת של נתונים
41:45מובנים לפחות על איזה מוצר מדברים, האם
41:49לחיוב, האם לשלילה, איזה הצאות מעלים
41:52לגביו, מה אוהבים בו, מה לא אוהבים
41:56וכדומה.
41:58אנחנו גם יכולים לנתח
42:01מידה ונתונים שנאספו בחתכים ותרחישים
42:05שונים.
42:06להפיק מהמידע. למשל אנחנו יכולים להתמקד
42:10בלקוח כמו צבא ארצות הברית
42:13בניסות
42:16למוצר הדיגיטלי. כן, נניח שמכרנו להם
42:19חבילת תוכנה מסוימת. באיזה שעות הם נכנסו?
42:23בשעות הלילה בעיקר. אוקיי? כמה זמן הם
42:27נשארו? נשארו ליותר מחמש דקות. זאת אומרת
42:30כנראה העיצוב של המוצר לא מתאים לתנאי
42:34החושך, לתנאי הלילה. אנחנו צריכים לבוא
42:37ולחשוב על עיצוב מסכים שהוא הרבה יותר נוח
42:41לתנאי הלילה. כי המשתמשים של צבא ארצות
42:44הברית בלילות פשוט לא מחזיקים מעמד יותר
42:47מחמש דקות במוצר. כלומר, בסופו של דבר
42:52המטרה היא דרך השימוש בנתונים
42:56בתחום של ניהול מוצר. אני רוצה לקבל
42:58החלטות הרבה יותר טובות, הרבה יותר
43:01מושכלות, לא החלטות שהם אינטואיטיביות או
43:05סובייקטיביות או מות, אלא החלטות
43:08אובייקטיביות ומושכלות ככל האפשר הן לגבי
43:12פיתוח מוצרים נדרשים, פיתוח מוצרים חדשים,
43:17שיפורי גרסה, פיצ'רים שנדרשים ללקוח,
43:21פיצ'רים גם שלא נדרשים ללקוח. כן? איזה
43:24פיצ'רים אפשר לוותר עליהם? חבל על הכסף
43:28בפיתוחם
43:29ניתוח של מוצרים מתחרים בהשוואה אליי ועוד
43:33קשת של יסונים כמובן אוכלוסיות משתמשים
43:37דפוסי שימוש ועוד ועוד אלמנטים שכאלה
43:48במדרג הלוגי בעצם שמחבר את הנתונים למידע
43:52ולאחר מכן לידע אנחנו למעשה רואים שלושה
43:55שלבים
43:57השלב הסיסי
43:59ביותר איסוף הנתונים או נתונים שזמינים
44:02לנו. מתוכם אנחנו למעשה מפיקים את המידע
44:08ומתוך המידע אנחנו מזקקים את הידע. זאת
44:11אומרת אי אפשר להפיק מידע וגם אי אפשר
44:15להפיק ידע ללא נתונים. אבל עצם שמירת
44:18הנתונים לבדם בלי עיבוד, בלי ניתוח, בלי
44:22הפקה של תובנות מתוכם היא לא מספקת. זאת
44:26אומרת אנחנו חייבים עוד שכבות ארגוניות גם
44:30טכנולוגיות גם ניהוליות גם אופרטיביות
44:34שיודעות באמת לבוא ולנתח
44:37את הנתונים להפיק מידע להפיק תובנות אנחנו
44:41תכף נראה את ההגדרות של כל שכבה פה ובגדול
44:46יכול להיות שגם נצטרך
44:48להגיע לשכבת הידע או להטמיע אותה אבל לא
44:52תמיד לא תמיד כמו שאנחנו נראה אבל בטח
44:55ובטח שכבת הנתונים, שכבת המידע היא הכרחית
44:59כי נתונים לבדם בעצם לא נותנים לנו שום
45:02ערך ארגוני בפני עצמו. אז אם כך, כשאנחנו
45:08מבינים בעצם שנתונים מייצרים מידע ומידע
45:11מייצר לנו ידע, בואו נבין מה זה כל אחד
45:14מהם. אז ההגדרה היא כדלקמן.
45:18נתונים הם אוסף של עובדות שמתקבל מן
45:24מהמערכת הטפעולית של הארגון או ממגוון
45:27המערכות הטפעוליות.
45:29איזה עובדות למשל? עלויות של פריטים,
45:34פרטי הזמנה של כוח, עובדת שנקלטה בארגון,
45:42כניסה של משתמש לאפליקציה שלנו בתאריך
45:46מסוים.
45:47זמן השימוש הכולל של משתמשת
45:51בתאריך בשעה מסוימת שהיא נכנסה ואז היא
45:55השתמשה
45:57מספר הקלקות בשעה
46:01על
46:03איזושה פונקציה כמו למשל פתיחת דוח בתוך
46:07המערכת שלנו כל זה למעשה נאסף דרך לוגים
46:12דרך הקלדות דרך איסוף אוטומטי כנתונים
46:18והם בעצם עובדות שמטארות את העולם. למשל
46:22שקיימת הזמנה, למשל שמישהו הקליק במקום
46:26מסוים, בשעה מסוימת, בתאריך מסוים שמשתמשת
46:31בלתה שעה וחמש דקות באפליקציה בצפיה בסרטי
46:34וידאו. ועוד ועוד נתונים שכאלה שהם מתארים
46:40אלמנטים במצב העולם. אנחנו בעצם אוספים
46:44עובדות על המציאות.
46:46ומטעדים אותם בתוך המערכות הטיפוליות של
46:48הארגון.
46:50אוקיי? מתוך אותם נתונים, כשאני בא ואני
46:53מאבד אותם, כמו שאומרים, מרוב עצים לא
46:56רואים תייר, גם מרוב נתונים לא רואים מידע
47:00בלי שאיבדנו אותם. אז אני עולה שכבה מעל.
47:04אני צריך לראות מה שקראוי לא את העצים, עץ
47:08ועץ בודד, כי זה לא יתן לי שום אינדיקציה.
47:10אני צריך לעלות מעל היער ולראות איך היער
47:14הזה של הנתונים, כן, אם נשווה את זה
47:17בדוגמה, בעצם מתנהג. אוקיי? כלומר, כשאני
47:21בא ואני מנתח קשת מאוד רחבה של נתונים,
47:26אני יכול להפיק מידע. מה זה מידע? מידע זה
47:30תובנות שמביאות לנו תועלת ברמה ארגונית.
47:34כלומר לא מדובר באיזשהן תובנות תיאורטיות
47:37בהכרח אלא עבור כל ארגון וארגון
47:42תועלת מסוימת לדוגמה
47:45אני יכול לנתח את ממוצע
47:50זמן השימוש באפליקציה לוקח את כל המשתמשים
47:53באפליקציה
47:55במשך חצי שנה לפני שדרוג ואני מקבל
47:58שבממוצע משתמש או משתמשתמשו
48:025.3 שלוש דקות באפליקציה. זה היה לפני
48:05השדרוג. אחרי השדרוג אני מקבל שזמן השימוש
48:10עלה ל7.1 דקות.
48:14כן. במהלך נניח חודש או חצי שנה או רבעון
48:19אחרי ששדרגתי. כלומר יש לנו עליה מ-5.8
48:23דקות ל7.1 דקות. זה כנראה אינדיקציה של
48:28סביבות רצון משימוש באפליקציה. כמשתמשים
48:31נשארים יותר זמן. א צופים בסרטוני וידאו,
48:36צופים בהדרכות, רוכשים מוצרים, מסתכלים
48:40במוצרים יותר זמן מאשר לפני ששדרגנו.
48:44כלומר, כנראה שהשדרוג היה יעיל. כלומר,
48:47לקחתי נתונים שמתארים במשך אותה תקופה
48:52לפני אחרי השדרוג
48:55מיליוני רשומות או אלפי רשומות של משתמשים
48:59וכמה זמן הם בילו באפליקציה בכל פעם שהם
49:02התחברו. כן, אנחנו יכולים להגיע לקני מידה
49:06אפילו של מאות מיליוני רשומות, תלוי איזו
49:09חברה זו.
49:10ואז אני מנתח את הממוצע ומקבל מידע לגבי
49:15זמן שימוש ממוצע ומקבל מתוך אותה מידע
49:18תובנה למשל שהאפליקציה
49:23שודרגה באופן טוב באופן מיטבי
49:26אנשים אוהבים אותה נמצאים יותר זמן מבעבר
49:30אוקיי עוד דוגמאות למשל
49:33אני יכול לבחון
49:36אתר קניות את הנתונים של קניות באתר מקוון
49:39למשל של רשת רמי לוי ואני מגלה למשל
49:44שבחודש מרץ על סמך הקניות הנוכחיות על סמך
49:48שנה שעברה על סמך מרץ לפני שנתיים וכולי
49:51וכולי אז המוצר הפופולרי ביותר הוא מצות
49:57אוקיי מה אני עושה עם זה אני
50:01עורך קמפיין שיווקי אני מציע בנדל של מצות
50:07יין לחג וכדומה
50:09או כל אלמנט אחר שיכול להביא לי רווחיות,
50:14למשל בנדל של מצות ויין, יכול לתת לי כן
50:17מכירה משותפת של שני מוצרים יחד במחיר
50:22א במחיר אטרקטיבי, יכול להעלות את מכירות
50:26היין כי ממילא מסתכלים על מצות. אוקיי? אז
50:30זה למשל החלטה שיווקית שהיא יותר בתחום
50:34ניהול המוצר או ניהול השירות הכימונאי
50:38באמת שרמי לוי מציע או בתחום ניהול השיווק
50:43היא פחות רלוונטית לקורס אבל בטח ובטח
50:47שהבסיס לקבל את ההחלטה השיווקית או
50:50הפיתוחית או יצירה של איזשהו מארז יפה של
50:55מצות ויין הוא בא מתוך הבנה של המציאות על
50:59סמך הנתונים שניתחנו שהעלו את המידע שמצות
51:03זה המוצר הפופולרי ביותר כמובן בחודש מרץ
51:06לקראת הפסח
51:09אוקיי עוד מידע אני בוחן את הרווחיות
51:13ממכירות של מוצרים בחברת התכשיטים
51:17Hטר Hטרן ואני מגלה למשל שעיקר הרווחיות
51:23מגיעה ממכירה של טבעות אירוסים
51:27אני יכול גם לתחקר למה
51:30מאיזה סיבה וזה גם סוג של מידע מידע נוסף
51:34האם זה בגלל ששולי הרווח לטבעות נישואין
51:39הם יחסית גבוהים אני יכול לקנות את הטבעת
51:42במחיר זול יחסית למכור אותה במחיר גבוה כי
51:45יש כמובן צד רגשי לנושא האירוסין או שבגלל
51:51היקף המכירות זאת אומרת בדרך כלל לא נהוג
51:56לקנות תכשיטים כלשהם אבל ודאי וודאי
52:00שלקראת תאירוסין יש רכישה של טבעות
52:03נישואין. לכן ההיקף הוא כל כך משמעותי מה
52:06שמוביל להיקף הרווחיות. אז באמת אפשר מתוך
52:10המידע הזה שהפקנו לגבי טבעות הירוסין
52:14כמוצר הרווחי ביותר ברשת הטרן אני יכול גם
52:20לתחקר את המידע להשתמש בעוד נתונים למשל א
52:25מחירי א קנייה מספקים מחירי מכירה בחנויות
52:30ולזהות עוד סוגים של מידע למשל האם שולי
52:34הרווח הם טובים לגבי טבעות נישואים
52:38האם יש לי אפשרות אולי להגדיל את שולי
52:40הרווח? האם קפי המכירה זה מה שגורם? ואז
52:44אני מעמיק את המכירה. אני מציע ליותר
52:48זוגות אולי לבוא לרשת א יוצר אולי מבצעים
52:53וכדומה. אלה דברים שהם יותר בתחומי ניהול
52:56השיווק וכדומה. אגב, גם בתחום
53:01של זיהוי שעיקר הרווחים מגיע מטבעות
53:05אירוסין, הייתי ממליץ לאותה רשת ה שטרן גם
53:09לתחקר מאיזה טבעות אירוסין. כלומר, שוב,
53:12לגשת לנתונים, לעשות דוח או גרף או
53:16סטטיסטיקה
53:17שמזהה את תקפי
53:21הנתונים עבור טבעות כאלה ואחרות. ואם אני
53:25מזהה למשל ש80% מהרווח מגיע מטבעת
53:30מסוימת, כן? מוצר מסוים, דגם מסוים של
53:34טבעת, אז ודאי שאני יכול להדגיש אותו או
53:39לחילופין להגיד, אוקיי, אם יתר הטבעות הם
53:4220%
53:44אז כנראה או שכדאי לי להפחיט את המגוון או
53:47שכדאי לי אולי לפרסם אותן בשווקים אחרים.
53:51עיקר הרווח מגיע מטבעת אחת. כן, חבל
53:55להתמקד בפרסום כי ממילא כולם חושקים בטבעת
53:58הזה.
54:01אז זה בעצם מידע והמידע אכן מוגבל לרמת
54:04הארגון. זה רמי לוי, זה חברת טרן, זה סניף
54:09של השכרת רכב, א מפתחת של אפליקציה או
54:14משחק אונליין וכדומה.
54:18ומהמידע, אם אני אוסף מידע למשל על חברות
54:23תכשיטים, למשל על רשתות מזון בארץ ובעולם,
54:28אני בעצם מקבל ידע. ידע זו תובנה על מצב
54:33העולם. אוקיי? לדוגמה, יש לנו תובנות
54:38בפיזיקה, בכימיה מתוך מיצי חלקיקים ברחבי
54:43העולם שאוספים נתונים על חלקיקים אטומיים
54:47שמועצים בהם. כן? אז ידע זו רמה שאנחנו
54:52באקדמיה בעיקר מתבססים עליה, מייצרים גם
54:57ידע. כן? באקדמיה אנחנו לא פותרים בעיה של
55:00חברה מסוימת. אנחנו באים ומייצרים ידע
55:05תובנות לגבי העולם כדי שהוא יהיה יעיל
55:08למגוון רחב של ארגונים וחברות. אוקיי?
55:12לדוגמה,
55:14אם אנחנו ביצענו תצפיות בהרבה מאוד
55:18קניונים וחנויות, אתם תזהו ודאי שקונים
55:22כשהם נכנסים לחנות חדשה, הם בדרך כלל,
55:26כלומר מעל 90 95% מהקונים, קודם כל מביטים
55:32לצד שמאל ורק אחרי זה אולי לצד ימין כשהם
55:35נכנסים לחנות. תבדקו את זה. אוקיי? תעשו
55:39תצפיות בעצמכם. זה אגב נכון כי מה לעשות
55:43אנחנו כן כמו ב
55:47סרטים שלנal geographic
55:49על א קבוצות של דגים שסוחות בצורה מסוימת
55:55גם אנחנו מתנהגים בצורה ביולוגית באופן
55:57מסוים שאני לא מכיר את ההסבר אבל בהחלט
56:01קודם כל מתבוננים שמאלה ולא ימינה אם אתם
56:04לוקחים תובנה או ידע כזו כקעונאים
56:09מה אתם תשימו בכניסה לחנות בצד שמאל כמובן
56:12את המוצר הרווחי ביותר. אוקיי? לא תשימו
56:16אותו בצד ימין כי 90 ו8% מהקונים או 95%
56:22מהקונים בכלל לא הסתכלו לכיוון הזה כשהם
56:24נכנסים. שימו אותו בצד שמאל. תגדילו את
56:28הרווחיות של החנויות. אוקיי? אז זה למשל
56:31ידע שהוא ידע כללי. הוא לא מוגבל לחנות או
56:34לרשת מסוימת או למדינה מסוימת. הוא מייחד
56:37את כולנו כאנשים שנכנסים לחנויות ומביטים
56:42קודם כל שמאלה ואחרי זה אם בכלל לצד ימין.
56:46אוקיי? אגב, אם אתם רוצים שימו את המוצר
56:49הכי פחות נחשק בחנות בצד ימין כי סביר
56:52להניח שכמעט ולא הסתכלו שם. לכן זו
56:56איזושהיא נקודה שהיא נקודה שבעיקרה מתה.
57:00יכול להיות שחלק כן יסתכלו ימינה, חלק
57:02קטן, אבל בגדול אם הוא לא נחשך ועדיין אתם
57:06עדיין רוצים לשמור אותו בחנות, חבל לתפוס
57:11שטח שהוא יותר חשוב ואפשר לשים שם מוצרים
57:14שיותר מוכרים. שימו אותו בכניסה בפינה
57:18הימנית ואז מי שיקנה יקנה, מי שלא לא.
57:23אוקיי? נתון נוסף שבדקתי, מחקרים אקדמיים
57:28מעלים שרבע מהנהגים מפעילים את אפליקצית
57:32הניווט למשל וס רק אחרי שהם התחילו
57:35בנסיעה. זאת אומרת אני צריך להגיע למקום
57:39מסוים
57:42ובבע מהמקרים או רבע מהנהגים אני שוכח
57:46לכתוב את זה בוז ואז מתחיל לנסוע ואני
57:49אומר אוי בעצם שכחתי איך להגיע אני צריך
57:54להכניס את הכתובת לוז ואז או שאני עוצר
57:58חונה בצד או שבאופן כמובן לא חוקי אני תוך
58:02כדי ניגע באופן שמסכן
58:05מקליד את הכתובת. עכשיו, עם ידע כזה, כל
58:10חברות
58:11הפיתוח של תוכנות ניווות זה גוגל maps וs
58:15שאגב היא גם שייכת לגוגל או כל מיני חווות
58:20אחרות צריכות לחשוב מה הן עושות כדי לשמור
58:24על בטיחות הנהג והסובבים אותו. זאת אומרת
58:27האם להגביל למשל הקלדה במהלך הנסיעה. אם
58:31אנחנו מגבילים את זה אז איך אנחנו מוודאים
58:35את זה כפיצ'ר כ חלק מה מוצר א יכול להיות
58:43שאנחנו לא נגביל את זה כי יש אנשים
58:46שיושבים לפעמים ליד הנהג אז למה להגביל
58:48למה למה להכריח את הנהג לעצור בצד כשיש
58:53מישהו שבמקביל אליו אז למשל אחד הפתרונות
58:58כמנהלי מוצר יכול להיות
59:01זיהוי
59:03מהירות ההקלדה כאשר מתחילים נהגים שנוסעים
59:06ובמקביל מנסים להקליד את הכתובת במקביל
59:09הנסיעה מאבדים את הריכוז מעטים מאוד את
59:13המהירות ואז פשוט אנחנו בולמים את האפשרות
59:18להקליד תוך כדי נהיגע אם אנחנו מזהים
59:23מהירות הקלדה מהירת מהירה יחסית כנראה שזה
59:26לא הנהג עצמו אלא מישהו ליד הנהג שיושב
59:30ומקליד ואת זה אנחנו נטיר. אז הנה יש לכם
59:34פה רעיון שהוא מגיע בכלל מתוך תובנה על
59:37מצב העולם. לא מדובר בחברת וז בחברת גוגל
59:40מפס
59:42בחברה אחרת שמייצרת אפליקציות לניווט
59:46אלא חד משמעית בידע שהתקבל ממחקרים
59:52אקדמיים וזיהה את הבעיה הזו בקרב רבע
59:56מהנהגים. ואנחנו רוצים לשמור
1:00:00על הבטיחות שלהם. לכן אנחנו מכניסים פיצ'ר
1:00:04מסוים שמזהה שהנהג מנסה להקליט תוך כדי
1:00:08נסיעה ובולם את האפשרות הזו. אוקיי? אבל
1:00:11כן מתיר והיה וזוהה. מישהו ליד הנהג מקליט
1:00:16במהירות את הכתובת. את זה אנחנו נטיר.
1:00:24יש לנו עוד דוגמאות. אתם יכולים לראות
1:00:28למטה בצד שמאל איך נראה ה-Gmaייל לפני
1:00:32מספר שנים ואיך הוא נראה היום. אז בהחלט
1:00:36העיצוב של הGM השתנה מהותית.
1:00:40בדוגמה השמאלית שהיא
1:00:42הגרסה הקדומה יותר, הישנה יותר של הGmaיל
1:00:46אתם רואים שבצד ימין של המסך יש גם מודעות
1:00:51מוטאמות. זאת אומרת האימייל עצמו מדבר על
1:00:55מופעי קיץ summer concerts ואכן המודעות
1:01:00מימין לאימייל בגרסה הישנה מביאות
1:01:05פרסומות בנושא של כרטיסים להופעות. לעומת
1:01:09זאת בגרסה
1:01:11המתקדמת יותר לאחר שגימיל יצווה מחדש הם
1:01:16הגיעו למסקנה שאנשים פשוט לא מקליקים
1:01:19מספיק על המודעות. זה יותר מפריע על
1:01:21המשתמשים, זה מוריד את צביעות הרצון של
1:01:24המשתמשים, זה לא מניב להם כמעט הכנסות, אז
1:01:28עדיף פשוט להוריד את הפיצ'ר הזה, ללמוד על
1:01:32האדם מתוך ההתכתבויות, מתוך המידע בgmaיל
1:01:36ואז כשאנשים מחפשים בגוגל לתת להם את
1:01:40המודעות המותמות הטובות ביותר. אז מסתבר
1:01:44שזה למחשל פיצ'ר שהם הרגו את המודעות
1:01:49מימין להודעת האימייל, המודעות המותמות
1:01:51אישית בתוך ה-Gmaיל כי זה פשוט לא עבד. הם
1:01:55מדדו, ראו שכמעט ולא
1:01:59משתמשים בכך, לא מקליקים על המודעות. על
1:02:02המודעות בדרך כלל בחיבושי גוגל כן כן
1:02:05מקליקים, אבל המודעות בGmaיל,
1:02:09כי זה תפיסה כנראה של אימייל. תפיסה של
1:02:13פרטיות זה יותר מפריע למשתמש. עדיף להוריד
1:02:17את הפיצ'ר הזה ולהביא סביבה הרבה יותר
1:02:20אלגנטית, יותר ידידותית למשתמש, יותר נוחה
1:02:25וזה באמת העיצוב הימני של הgmail. אז
1:02:29במקרה שאנחנו מחליפים גרסה, אנחנו חייבים
1:02:32למשל למדוד מה דפוסי הנתישה. כמה אנשים
1:02:37הפסיקו או הפחיטו את השימוש אחרי שהחלפנו
1:02:41גרסה. או לחילופין יכול להיות שהיו דפוסי
1:02:44נטישה
1:02:46בגרסה הישנה, אנשים לא היה להם נוח לעבוד
1:02:49בגmaייל בעיצוב הישן, כן? השמאלי.
1:02:53ולאחר מכן, כשהחלפנו לעיצוב החדש, הרבה
1:02:57יותר אנשים הצטרפו ופחות אנשים נטשו את
1:03:00השירות הזה. כמו כן אנחנו ננסה לזהות מי
1:03:04הם הלקוחות הנאמנים והנושים,
1:03:07מה מייחד אותם מבחינה גיאוגרפית, מבחינה
1:03:11התגיל, מבחינת המין,
1:03:13א מה תתי הדפוסים שמאפיינים אותם? האם זה
1:03:17אנשים שבודקים אימייל לאורך כל היום או רק
1:03:22בערב אחרי יום העבודה
1:03:25או אולי בבוקר לפני שהם הולכים לעבודה
1:03:28וללימודים או כל סיבה אחרת.
1:03:31האם זה אנשים שמשתמשים
1:03:34באימייל
1:03:36למטרות עסקיות ואז הם יותר מורדים למשל
1:03:40מנושא של פרטיות, מנושא שמפרסמים לפי תוכן
1:03:45האימייל, הם פחות סומכים פסיכולוגית על
1:03:48האימייל. כן, גוגל ממשיכה ללמוד
1:03:51מהאימיילים שלנו שיהיה ברור, אבל כשהם
1:03:53רואים את הפרסומות, האימון שלהם בשירות
1:03:56הולך ויורד, ולכן הם הופכים להיות נוטשים
1:03:59בעוד שלקוחות פרטיים פחות מורדים ופחות
1:04:02נוטשים. אוקיי? אז למשל אם לקוחות עסקים
1:04:07שהשתמשו בGmaייל
1:04:10הפחיטו את הנתישה, זאת אומרת יותר לקוחות
1:04:13הפכו לנאמנים בגרסה החדשה, סימן שהם היו
1:04:16כנראה מוטרדים כלקוחות עסקיים מהמודעות
1:04:21שלכאורה
1:04:22מראות שקראו את האימיילים הפרטיים שלהם,
1:04:25העסקיים, החשובים, הרגישים
1:04:29וגרמו להצגה של מודעות מוטאמות.
1:04:33א
1:04:35גם הנושא של גיל מין, אזורי מגורים, רמות
1:04:40הכנסה אם אפשר א דפוסי עניין מתוך האופן
1:04:46שבו גלשו או התכנים שאלו או התכנים שצפו
1:04:50בהם יכולים להסביר התנהגות של נאמנות
1:04:53ונתישה
1:04:55וגם הנושא של סימן מקדים
1:04:58מה שקראויטריגר
1:05:01הוא מאוד חשוב כדי לנסות סות להבין
1:05:03התנהגות לנתה. למשל, אחת הבעיות המוכרות
1:05:08היא בעיית נטישה נטישת עגלת קניות. אנשים
1:05:13גולשים באתרי קניות, בשן, באליקספרס,
1:05:18א, בנקסט, בכל מיני אתרים אחרים. בוחרים,
1:05:21בוחרים, בוחרים מוצרים, מכניסים אותם
1:05:23לעגלת הקניות ואז אחוז די ניכר בעצם לא
1:05:28משלים את הקנייה. למרות שיש מוצרים שהם
1:05:31חשקו הם. מתחרטים
1:05:34או פתאום צץ להם משהו יותר דחוף וומרים
1:05:37אוקיי בואו נסגור עכשיו את האתר נסגור את
1:05:41המסך נצא ממנו ולא נקנה את מה שכבר הכנסנו
1:05:46לעגלת הקניות
1:05:48אז במקרה כזה אם אנחנו מזהים
1:05:51טריגר או סימן לנטישה
1:05:54למשל
1:05:56שאנשים בדרך כלל נוטשים כשיש להם חמישה
1:06:00פריטים או יותר
1:06:02ובמשך
1:06:0310 דקות מהכניסה לאתר הם לא לא שילמו
1:06:07עליהם, לא השלימו את הרכישה.
1:06:10אז זה בדרך כלל מה שמאפיין
1:06:13מסיבות שאני אפילו לא נכנס מבחינה
1:06:15פסיכולוגית, אני פשוט מזהה מהנתונים. יש
1:06:18לי את זמן השימוש שעבר את ה-10 דקות, יש
1:06:21לי את מספר הפריטים, חמישה ויותר ויש לי
1:06:24את האינדיקציה שב-80% מהמקרים למשל אנשים
1:06:29לא יקנו במצב כזה.
1:06:32אז אני יכול ברגע שיש לי טריגר או סימן
1:06:35כזה לתכנן תהליך עסקי שיקדים תעופה למכה.
1:06:39למשל אני מזהה שהמשתמש או המשתמשת כבר 9
1:06:44וחצי דקות נמצאים באתר מסיירים באתר עגלת
1:06:49הקניות מחילה
1:06:51חמישה פריטים או יותר. זאת אומרת אני תכף
1:06:54נמצא ב-10 דקות הקריטיות שהם
1:06:58מגדילות את הסבירות שהם יצו את העגלה בלי
1:07:01בלי להשלים את הקנייה. אני יכול עכשיו
1:07:04להקפיץ על המסך קופון כדי לפתות אותם עם
1:07:09חמישה או 10 או 15% הנחה להשלים את הקנייה
1:07:13ולא לנטוש בלי שבעצם הם לא ישלימו את
1:07:17הקנייה.
1:07:23מנת להבין את האופן שבו אנחנו למעשה
1:07:27מפעילים על בסיס רציף, על בסיס תדיר או
1:07:31יומיומי את כל מערך ניתוח הנתונים ומפיקים
1:07:35בסופו של דבר את התובנות, את החיזויים או
1:07:38כל אלמנט אחר שנדרש על מנת לבחון, להפיק
1:07:43תובנות לגבי המוצרים שאנחנו מספקים או
1:07:46לגבי אופני השימוש בהם והמשתמשים בהם. אז
1:07:50למעשה
1:07:52יש לנו מבנה לוגי
1:07:54של חיבור מערכות מידע מסוגים שונים. אני
1:07:58מציג פה את המבנה הגדול שהוא יותר מצוי
1:08:01בארגונים בינוניים וגדולים, בבנקים, חברות
1:08:05ביטוח, אבל לא רק. לא רק אלא בכל ארגון
1:08:10שהוא תיר נתונים ובעיקר ארגון שבנה ל
1:08:15במהלך השנים את התשתיות שלו. אז בואו נכיר
1:08:18עם כך את מה שקראוי הארכיטקטורה של מערכות
1:08:23הביזנס אינטליגנס המערכות שמאפשרות לנו
1:08:27איסוף ותחקור של נתונים והפקה של תובנות
1:08:32לפיהם
1:08:34אז במקור בצד שמאל יש לנו את מקורות המידע
1:08:38שהם השדי הנתונים של המערכות הטפעוליות מה
1:08:43הן המערכות הטפעוליות אלה המערכות
1:08:46שבאופן יומי יומי מטעדות אירועים שחשובים
1:08:50לחברה
1:08:51לדוגמה כניסה של משתמש
1:08:55ויציעתו מתוארים בשני לוגים כן לוג רשומת
1:08:59כניסה ורשומת יציאה של המשתמש
1:09:02אחרי זה מתוך זה אנחנו גם נוכל להפיק את ה
1:09:06א נתונים
1:09:09ולאחר מכן את המידע לגבי כמה זמן המשתמש
1:09:12שעה אוקיי אה כמה זמן המשתמש
1:09:16ביקר בכל מסך על איזה פונקציות המשתמש או
1:09:20המשתמש התקליקו וכדומה וכדומה. זאת אומרת
1:09:24כל זה נעשה במערכות הטיפוליות.
1:09:28מוצרים פיזיים למשל
1:09:30יתעדו הזמנות.
1:09:33לקוח הכניס הזמנה למוצר מסוים. לקוח ביצע
1:09:37החזרה. זה במערכת אחרת לגמרי. כן? החזרת
1:09:40מוצר אינדיקציה למוצר שהוא תקול. כן? מה
1:09:44הסיבה? מתי זה מוצר?
1:09:47איזה
1:09:48צבא, איזה מנת ייצור של המוצר, אם מדובר
1:09:51במזון או בתרופות, גם זה מתועד וכדומה.
1:09:55זאת אומרת, כל המידע הזה נאסף ב
1:10:01סט של מערכות טפעוליות
1:10:04במסדי הנתונים שלהם, כשכל מערכת טפעולית
1:10:07בעצם מתארת אירועים בחיי החברה, כל מיני
1:10:12ישויות ואירועים בחיי החברה. למשל קליטה
1:10:15של עובד חדש, כניסה של משתמש, ביצוע
1:10:18הזמנה, החדר של פרית תקול, ביצוע של תשלום
1:10:23על ידי לקוח וכולי וכולי.
1:10:28את כל המידע הזה אנחנו צריכים למעשה לאסוף
1:10:32ולאחד כדי להתחיל להפיק מסקנות מתוכו,
1:10:36להתחיל לתחקר אותו באופן ראוי ולנתח כדי
1:10:40לקבל מסקנות.
1:10:43אז אנחנו מתחברים למסד נתונים
1:10:46אחוד שהוא קראוי הדata
1:10:50זאת אומרת מסן הנתונים של הארגון
1:10:54והוא בעצם שואב או באופן רציף או במהלך
1:10:59הלילה אחת ליום במהלך הלילה בעיקר כדי לא
1:11:03להקפיא את המערכות על ידי שימוש גבוה בהן
1:11:08בעצם שואב את הנתונים לתוך מסד החוט שזה
1:11:12זה הדareס
1:11:14אבל לפעמים צריך להמיר את מבנה הנתונים
1:11:19למבנה החוד ואת זה אנחנו עושים בטיג'ing
1:11:23are זאת אומרת יש איזה מין מסד שירות כזה
1:11:27שהוא משתמש בכלים שקורים כלי ETL ראשי
1:11:31תיבות של extטרct transform וload זאת
1:11:34אומרת אלה כלים שלמעשה באופן זמני
1:11:40שוהבים את המידע מידע מהמערכת הפתפעולית
1:11:43למשל מערכת שהיא שומרת לוגים נתוני כניסה
1:11:47של משתמשים
1:11:50וממירה אותם לפורמט נדרש זה בעצם
1:11:54הטרנספורם אז האקסטרקט זה שאיבת הנתונים
1:11:58המערכת
1:12:00הטפעולית למשל של כניסות משתמשים
1:12:05אז השיבה זה האקסטרctט לאחר מכןטנספור
1:12:09ביצוע של המראה נדרש שט תכף אני אתן דוגמה
1:12:14ובסופו של דבר load זה את הרשומה במבנה
1:12:17החדש עם הנתונים במבנה החדש אנחנו טוענים
1:12:22לתוך מסד הנתונים האחוד שזה קראוי
1:12:25הדataware
1:12:27אז אני אתן דוגמה למשל מדועטרנספור
1:12:30טרנספורמציה של נתונים נדרשת
1:12:33יכול להיות שיש לנו
1:12:36שתי מערכות שחשוב לקבל את הנתונים מהן
1:12:40בצורה אחודה לתוך מחסן הנתונים לתוך
1:12:43הדataס
1:12:44מערכת אחת היא שומרת
1:12:47את הוגים הכניסות של המשתמשים לאפליקציה
1:12:52ומערכת שנייה זה מערכת תשלומים אנחנו
1:12:55רוצים לראות כמה אנשים משלמים עבור
1:12:57השירותיים או עבור הקניות באפליקציה
1:13:02מאוד יכול להיות שמערכת
1:13:05בקרת השימושים שמתי שימוש או כניסה
1:13:09לאפליקציה
1:13:11רושמת את התאריך במבנה הבינלאומי שמוכר
1:13:15מחוץ לארצות הברית.
1:13:18DDM yyy, yyy, y, סליחה. זאת אומרת, תאריך
1:13:24במבנה של יום בשתי ספרות,
1:13:29חודש בשתי ספרות ולאחר מכן שנה בארבע
1:13:32ספרות. לעומת זאת, מערכת התשלומים, שהיא
1:13:36מערכת טפעולית אחרת, שומרת את תאריך
1:13:40התשלום במבנה האמריקאי. זו מערכת אמריקאית
1:13:43בכלל. ואז התאריך יהיה בעיצוג של MM DD
1:13:49yy, yy. כלומר,
1:13:52האמריקאים בעיצוג של התאריך קודם שמים את
1:13:56העודש בשתי ספרות, לאחר מכן את היום בשתי
1:13:59ספרות ואחר כך את השנה. עכשיו אנחנו כחברה
1:14:03ישראלית עובדים עם המבנה הבינלאומי לא
1:14:06האמריקאי
1:14:07לכן אנחנו ניקח את כל התאריכים במבנה של
1:14:10ddm yyy כלומר קודם כל היום אחרי זה החודש
1:14:16אחרי זה השנה אבל ספציפית מערכת התשלומים
1:14:20שהיא עובדת במבנה האמריקאי ניקח את
1:14:23הרשומות ממנה ונהפוך את המיקום
1:14:28של היום
1:14:30בחודש עם המיקום של בחודש שני המספרים הלו
1:14:34נהפוך אותם כדי שיהיהפכו להיות המבנה
1:14:37האחוד שאנחנו רגילים DDM yyy yyy כלומר
1:14:43שהכל יהיה לפי המבנה שנהוג בישראל לא
1:14:45בארצות הברית ואז אנחנו חייבים תהליך
1:14:49שלטנספורם
1:14:51זה התהליך הזה שבעצם מבצע את הטרנספורמציה
1:14:55כדי
1:14:56להביא ללוד לטעינה של הרשומה
1:15:01שב שבמקור הייתה במבנה תאריך אמריקאי
1:15:04לטעינתה במבנה תאריך שנהוג בישראל.
1:15:09לאחר שטענו את הרשומות לתוך הדתאו ואנחנו
1:15:13עושים את זה מדי תקופה, מדי יום, באופן
1:15:16רציף, מדי שעה, בתאריך לילה, כמו למשל
1:15:20שמקובל בבנקים לעדן בתהליך לילה בגלל כובד
1:15:25הנתונים. כן? אנחנו לא רוצים שמערכות הבנק
1:15:29יקפאו בגלל תהליך העדכון במהלך יום
1:15:32העבודה. אז עושים את זה כהרצת לילה.
1:15:36אנחנו למעשה
1:15:38צוברים את הroata. Rowד data זה בעצם
1:15:41הרשומות שהתקבלו לאחר כמובן טרנספורמציה
1:15:45בETL
1:15:48משלל המערכות התפעוליות.
1:15:51ויש לנו עוד מרכיבים. אחד זה המטדטה. את
1:15:54הדטה זה מילון הנתונים הוא למעשה מתעד
1:15:58מהמשמעות של שם כל טבלה שם כל שדה מן
1:16:02דוקומנטציה תעוד של הנתונים שנדע איך
1:16:06להתמצא בתוך שלל הנתונים הגדול שנאסף
1:16:10בדataס
1:16:12וסמרי דata אם יש אלה תהליכים שכבר ברמת
1:16:18הareס הדה מסכמים
1:16:21קשת רחבה של רשומות אבל בדרך דרך כלל מה
1:16:25שנהוג היום זה לבצע את זה על ידי עוד שכבה
1:16:29שקרוה דata marsמרס
1:16:33הם בסיסי נתונים
1:16:35שלמעשה באים
1:16:38ואו או מסכמים או סוכמים מה שקראוי
1:16:42אגרגציה כן צוברים
1:16:46רשומות עם משמעות ניתוחית לדוגמה
1:16:51אם במהלך שנה החברה חברה שלנו מקבלת עשרות
1:16:55מיליוני הזמנות או אפילו יותר כמו אמזון
1:16:58למשל
1:17:00מאוד מאוד קשה
1:17:02באופן תדיר לבוא ולהריץ שאילטות
1:17:07כמה הזמנות היו בחודש מסוים בשבוע מסוים
1:17:11או ביום מסוים
1:17:13כיוון שכל פעם אנחנו צריכים להריץ שילטה
1:17:16שרצה ומנתחת מיליון מיליוני או מאות
1:17:20מיליוני
1:17:21רשומות סוברת אותן
1:17:24מאוד מורכב. אבל אם מה שחשוב לי זה לדעת
1:17:28את היקף
1:17:31המכירות היומי ובואו נניח שביום יהיה סדר
1:17:35גודל של בין 50,000 ל-100,000 מכירות
1:17:40אז אנחנו בעצם על ידי תהליך הסיכום
1:17:44והאגרגציה מנחיתים מרמה של עשרות אלפי
1:17:48רשומות לרשומה אחת לדוגמה
1:17:52ביום מסוים מכרתי 50,000 פריטים.
1:17:57אני מבצע סיכום על סכום המכירה ואז יש לי
1:18:02להיום מספר אחד, למחר מספר אחד, למחרתי
1:18:06מספר אחד. זאת אומרת ירדתי מהיקף של מאות
1:18:09מיליוני רשומות
1:18:11להיקף של מאות רשומות
1:18:14ואז מהיר יותר וקל יותר להריץ שאלטות.
1:18:18למשל
1:18:20לצבור את הרשומות היומיות לחודש. אני רוצה
1:18:23לראות מכירות חודשיות או שבועיות
1:18:26ואז אני עובד עם מאות רשומות אבל לא עם
1:18:28מאות מיליוני רשומות. תערו לעצמכם שהייתי
1:18:31רוצה לדעת מכירות חודשיות, הייתי מריץ את
1:18:34השאילת על מאות מיליוני רשומות, הייתי
1:18:37פשוט מקפיל לשעות את המערכת. גם המערכות
1:18:41המתקדמות ביותר היו פשוט קופעות או קורסות
1:18:47או נכנסות לכל מיני בעיות טכניות אחרות
1:18:50בגלל השילטות הכבדות האלה. לעומת זאת, אם
1:18:54אני מעריץ מריץ תהליך עדכון
1:18:58ברמה שעתית או יותר נהוג ברמה יומיומית
1:19:03שבא ומעדכן
1:19:06כמה מכרו בכל יום, כל מה שאני צריך זה
1:19:08לבדוק היום על כמה עשרות אלפי רשומות,
1:19:11לסחום בכמה מחרו ואז יש לי את הסילס, כן,
1:19:15עוד רשומה היום מחרוש
1:19:18מיליון דולר למשל. אוקיי, אז בסך הכל
1:19:22הוספתי עוד רשומה ואז כשאני מריץ תהליכים
1:19:25אנליטיים אני מריץ אותם על מאות אולי על
1:19:28אלפי רשומות אבל לא על מאות מיליוני או
1:19:31מיליארדי או עשרות מיליוני רשומות כלומר
1:19:34מה שקורה אני למעשה
1:19:39מעלה את הרזולוציה אני מוריד את קני המידה
1:19:43של העיבודים הממוחשבים
1:19:46ואז קל יותר לנתח אותם אבל חשוב שוב לציין
1:19:50שבתהליך הזה כשאני עובר ממאות מיליוני
1:19:54רשומות לכמה אלפי או מאות רשומות בגלל
1:19:58האגרגרציה, בגלל סיכום, בגלל למשל תהליכים
1:20:02שבהם, אני סופר בכל יום לא רק סוחם את
1:20:07הסכומים של ההזמנות, אלא אני גם יכול
1:20:09לספור כמה הזמנות היו לי. כן? קבל מספר.
1:20:12זה עוד סוג של רשומה או של טבלה שאני יכול
1:20:16ליצור אם חשוב לי. אז חשוב שהטבלאות בדמרץ
1:20:22שסוחמות או מאבדות או מבצאות אגרגציה
1:20:26יהיו תועמות לצרכים
1:20:29העסקיים, כלומר הצרכים
1:20:32של המשתמשים השונים
1:20:36מבחינת המערכות שמתחקרות את הנתונים.
1:20:41אחר הסיכום והאגרגציה של הנתונים בהיקף
1:20:46הגדול והנמחה
1:20:48של כמות הנתונים למספר רשומות הרבה יותר
1:20:52מצומצם כדי שנוכל לתחקר אותם, נוכל לבדוק
1:20:56וחשוב לציין שההנחה הזו באמת נעשת תחת
1:21:00שיקול של זיהוי התהליכים העסקיים שאנחנו
1:21:03זקוקים להם. זאת אומרת, האם אנחנו רוצים
1:21:05לתחקר ברמה יומיומית, ברמה חודשית נתונים,
1:21:09נתוני כניסה, נתוני שימוש, נתוני לחיצה על
1:21:13פיצ'ר כזה או אחר, א נתוני נטישה, כן, כמה
1:21:18משתמשים הורידו אותה, אפליקציה הסירו אותה
1:21:22או כמה התקינו, כל אלמנט אחר, אנחנו
1:21:25חייבים להדגיש ולהמחיש את זה מבחינת זיהוי
1:21:30התהליכים העסקיים שאנחנו רוצים על ידי
1:21:33הארכ ארכיטקטורה הזו של מערכות הביזנס
1:21:36inelligence בעצם לתת מענה ואז יש לנו את
1:21:40שכבת הייסומים כשאחד הייסומים זה אכן אותו
1:21:45ייסום
1:21:46שקראוי
1:21:48POBI
1:21:49שמצר על ידי מייקרוסופט יש גם חבילות
1:21:52דומות כמו קליק viw א למשל שהם של המתחרים
1:21:58של מייקרוסופט אנחנו נכיר את הPower BI
1:22:00בקורס הזה אבל זה אחד הייסומים. יש גם עוד
1:22:04ייסומים שנותנים לנו את התובנות, את
1:22:08האפשרות
1:22:10ליצור גרפים, ליצור דעות, לתחקר את
1:22:13הנתונים, לבדוק באמצעות כלי AI במה הדורות
1:22:17מתקדמות יותר א וכדומה.
1:22:22וכמו שיש לנו ייסום של B, יש לנו גם
1:22:27ייסומים שונים של אנליטיקות
1:22:30שמתארות לנו היבטים שונים מבחינת דפוסי
1:22:34השימוש, מה שקראוי למשל א ייצוג של מסע
1:22:38לקוח. זאת אומרת, לאחר שכלל המשתמשים
1:22:43נכנסו למסך הראשי של האתר או האפליקציה,
1:22:47איזה אחוז מהם פנה
1:22:50לדף מידע כזה, איזה אחוז לדף מידע אחר,
1:22:54משם איזה פעולות הם השלימו או תוך כמה זמן
1:22:58הם יצאו מכל דף. וכך אנחנו בעצם דרך כלי
1:23:02האנליטיקה
1:23:04מסוגלים לזהות מה נדרש לשפר, איפה לא ניתן
1:23:09מענה טוב כל כך לצורכי המשתמשים וכדומה.
1:23:14חשוב לציין שהארכיטקטורה
1:23:17פה כמו שהיא נמצגת היא בעצם עובדת על
1:23:20נתונים מובנים. זאת אומרת, אם היו לנו
1:23:23קטעי וידאו, כתעי קול, היה צריך לתרגם
1:23:27אותם בפילטר,
1:23:29באיזשהו כלי AI, כלי עיבוד תמונה או כלי
1:23:33אחר
1:23:35לרשומה מובנת, עם נתונים מובנים
1:23:39שתיוצג לנו במערכת טפעולית, למשל
1:23:43אה שדה של
1:23:46האם המצולם בתמונה הוא גבר או אישה. כן?
1:23:49אז יש פה שני ערכים או גבר או אישה
1:23:53ואז אנחנו מתרגמים את זה לתוך נתון של גבר
1:23:57אישה, נתון מספרי של גיל וכדומה וכדומה.
1:24:01בסדר? אז זה מתוך עיבודי תמונה. אין לנו
1:24:04בארכיטקטורת המערכות הזו תמיכה מובנית
1:24:09בתוך מידע שהוא לא מובנה. כלומר, אין לנו
1:24:12תמיכה בכיתי קול, בכיתי וידאו, בתמונות,
1:24:16בטקסטים וכדומה. הם צריכים לעבוד עיבוד
1:24:19כדי להכניס אותם לאיזושהיא מערכת טיפולית
1:24:22ואז נוכל למעשה להפעיל מהשמאל לימין את כל
1:24:27הארכיטקטורה, את כל המבנה הלוגי הזה
1:24:29המתקדם
1:24:31ולהפיק את התובנות תחת צורת מערכות הBI
1:24:36שמתבססת על דata מחסה נתונים.
1:24:42המערכת הבאה או התצורה הבאה היא הרבה יותר
1:24:46מתקדמת. היא מבוססת במקום על data
1:24:50לא מחסה נתונים אלא data דלקיק זה אגם
1:24:54נתונים
1:24:55אדלייק למעשה מחזיק בתוכו גם את האפשרות
1:25:01לצבור כיטי וידאו כיתי קול א טקסטים
1:25:05ארוכים או קצרים
1:25:07א מסמכים בPDF פשוט לוקחים
1:25:11וגוררים זורקים פנימה את כל הקבצים
1:25:15שעשויים להיות רלוונטים לארגון
1:25:19ומתוך זה ישנם מנגנונים מתקדמים יותר
1:25:23מבוססי
1:25:24AI ומשיל
1:25:27שהם מאבדים
1:25:29את כלל המסמכים
1:25:32במבנים או בפורמטים מובנים ולא מובנים.
1:25:35זאת אומרת, כמו שאתם יכולים לראות, כן
1:25:39אפשר להכניס נתונים מובנים לתוך הדataיק,
1:25:42למשל קבצי CSV, אקסל, קבצי רשומות במבנה
1:25:47כזה, במבנה אחר, קבצים טקסטואליים וכדומה.
1:25:51אפשר לחבר אותו למסדי נתונים
1:25:54קונבנציונליים SQL של מערכות טיפעוליות
1:25:59ואפשר גם לחבר אותו למסדי נתונים לא
1:26:04קונבנציונליים לא רלציוניים מה שקראו עם
1:26:06no SQL למשל מסדי נתונים
1:26:11של רשתות חברתיות או של סרטי וידאו
1:26:14מיוטיוב או כל צורך אחר הקלטות קוליות
1:26:18הקלטות וידאו צילומני תמונות
1:26:21ואת כל זה ועוד ועוד ועוד פורמטים אחרים
1:26:25שאתם חושבים עליהם. כל זה נתמך באופן
1:26:28שנצבר בתוך הדטהליק.
1:26:32בדataי יש מנגנונים הרבה יותר מתקדמים
1:26:35לשמירה,
1:26:37להבניית השמירה.
1:26:40זאת אומרת איפה אנחנו שומרים, באיזה
1:26:42פורמט, איך אנחנו מאתרים קובץ כזה או קובץ
1:26:46אחר שהוא לאו דווקא מידע מובנה, הוא הרבה
1:26:49יותר מורכב, כן? קובץ וידאו שמישהו הזכיר
1:26:52בתוכו את שם המוצר שלנו
1:26:55באיזושהיא דקה ושנייה מסוימת בוידאו.
1:26:59אוקיי? אנחנו רוצים לשמור אותו ואחרי זה
1:27:01לבדוק מתי זה נאמר.
1:27:04אז זה נצבר בדataי ומנועל וגם ניתן להחזר
1:27:08מתוכו את הצרכים האלה. כמובן שהם עוברים
1:27:11כל מיני טרנספורמציות באמצעים הרבה יותר
1:27:15מורכבים מהl שהם מתבססים על AI, על משין
1:27:19לרarning, על מנגנונים
1:27:22סליחה ואלגוריתמים לחיפוש ואחזור מידע
1:27:25הרבה יותר מתקדמים.
1:27:28סליחה,
1:27:30משם אנחנו יכולים להפיק
1:27:32מידע מובנה.
1:27:34למשל, בכמה סרטוני וידאו השנה המוצר שלנו
1:27:37הוזכר. ואת המידע הזה אנחנו ננהל אם צריך
1:27:42דרך דת המארץ ונחבר למערכת AB. אבל בכל
1:27:46מקרה אנחנו מבצאים המרה של מידע מלא מובנה
1:27:51למונה כדי שנוכל לנתח אותו באמצעות כלי BI
1:27:55וכלי אנליטיקה שהם למעשה כלים שבדרך כלל
1:27:59תומכים במידע מובנה כלומר חייבים כן לבצע
1:28:04איזה שן התמרות טרנספורמציות די מורכבות
1:28:11בסופו של דבר אנחנו מעמינים להפיק ערך
1:28:15חזקים מנתונים. אנחנו רוצים שהארגון שלנו
1:28:18יהיה יותר, יותר תחרותי,
1:28:21אה יגדיל את ההכנסות, יקטין את ההוצאות,
1:28:26יהיה אמין יותר מבחינת איכות המוצרים.
1:28:29מספר הכריסות של מערכות המחשוב או מוצרי
1:28:33המכשוב שאנחנו מציאים א יקטן, כלומר
1:28:37המוצרים יהיו אמינים יותר, יהיו פחות
1:28:40אכזרות או כל מטרה עסקית אחרת
1:28:43שחשובה לנו. ואנחנו יכולים ורוצים להשיג
1:28:47אותה דרך שימוש בנתונים שהם מצטברים באופן
1:28:51יומיומי, כמו שאמרנו, כחלק מהפעילות
1:28:54השוטפת של הארגון.
1:28:57את הערך העסקי אנחנו למעשה
1:29:00מקבלים מתוך ניתוח של נתוני העבר. נתוני
1:29:04העבר בעצם מייצגים את מה שהתרחש בעבר. זה
1:29:08יכול להיות לפני חודש, לפני חצי שנה, שנה
1:29:10או חמש שנים. כל תקופה שנחוץ לנו לנתח לשם
1:29:16השוואה, לשם הבנה של מה התרחש שם, מה
1:29:19השתנה במציאות העסקית או בסביבה העסקית,
1:29:23כניסה של מתחרים, שדרוג של אפליקציה שעבד
1:29:26יותר טוב או פחות טוב או כל סיבה אחרת
1:29:30למעשה א שעשויה הייתה לקרות בעבר ולהשפיע
1:29:35על הסביבה העסקית שלנו.
1:29:38אז למעשה את נתוני העבר אנחנו
1:29:41מנתחים במובן של נתוני שימוש במוצר, מספר
1:29:46כניסות א מספר משתמשים חדשים, כמובן הנושא
1:29:50של נטישות אפשר לתחקר מבחינת נתוני העבר
1:29:54ואנחנו מנסים בעצם להבין את המשמעויות של
1:29:58אירוע מסוים שהתרחש בעבר
1:30:02ועשויה הייתה להיות לו משמעות או שאולי
1:30:05הוא לא הביא באמת
1:30:07התוצאה שקיוינו לה. השאקנו גרסה חדשה. האם
1:30:11באמת הצטרפו יותר משתמשים? האם המשתמשים
1:30:15שתמשו יותר זמן במוצר שלנו? או שבכלל לא?
1:30:20ואז אנחנו מבינים את האפקטיביות או חוסר
1:30:23האפקטיביות של הגרסה. יכול להיות שיותר
1:30:26משתמשים נשו כי הגרסה לא הייתה נוחה, לא
1:30:29הייתה ידידותית.
1:30:32היו לה תקלות טכניות או כל היבט אחר שיכול
1:30:36דרך הנתונים וניתוחם לתת לנו אינדיקציה
1:30:39לגבי איכות הגרסה או לגבי איכות האירוע
1:30:43הזה א מתחרה
1:30:46איש מוצרים נכנס לשוק איך זה ישפע עלינו
1:30:50אז גם לאורך ציר הזמן בעבר בהיסטוריה
1:30:54אנחנו יכולים לזהות את תאריך כניסת המתחרב
1:30:57לשוק ולהבין את המשמעות של מה שקרה
1:31:00אחרי התאריך בהשוואה למציאות
1:31:05העסקית לפני תאריך כניסת המתחררים שנינו
1:31:09את מודל התמחור האם זה טרם האם זה פגע
1:31:12בעצם בחברה גם פה אפשר לקבל תובנות מתוך א
1:31:17ניתוח הנתונים לגבי התקשרויות של משתמשים
1:31:22העמכת השימוש במוצר א משתמשים חדשים
1:31:27שהצטרפו וכדומה
1:31:30מתוך הנתונים האלה אנחנו יכולים להבין טוב
1:31:33יותר מה קורה עכשיו איתנו. זאת אומרת מה
1:31:36המצב מבחינת הנתונים העדקניים. למשל כמה
1:31:40הורדות יש, כמה נטישות, כמה משתמשים
1:31:42מתחברים, איזה אחוז משתמשים מכלל המשתמשים
1:31:46מתחבר אלינו באופן יומיומי או כל
1:31:49אינדיקטור אחר שבעצם נותן לנו הבנה מה
1:31:55קורה בסביבה העסקית שלנו מבחינת חווית
1:31:58המשתמש, אופן השימוש, אוכלוסיות של
1:32:01משתמשים,
1:32:03סליחה, שעשויות להיות שונות לגבי העבר
1:32:07וכדומה. ואנחנו יכולים לצאת בעצם לאירוע
1:32:12מסוים שהוא מתקן להציע קופונים, הנחות,
1:32:16פרסום מקוון, על מנת באמת לתקן את
1:32:20האלמנטים הפחות
1:32:22א חיוביים. אם יש הרבה נטישות אז אולי
1:32:26נמנע את הנטישות דרך קופונים למשתמשים
1:32:29ותיקים. אה ועוד אופנים אחרים.
1:32:34ומתוך זה אנחנו גם יכולים דרך ניתוחי
1:32:37הנתונים גם בעבר גם בהווה לנסות ולחזות
1:32:41ולראות את התמונה בעתיד מבחינת שינוי
1:32:46ההדפות של הצרכנים אם פתאום פיצ'ר מסוים
1:32:50באפליקציה
1:32:51שהיה מאוד פופולרי הופך להיות פחות ופחות
1:32:55פופולרי
1:32:56כן התבססנו למשל על סרטונים קצרים שורטס
1:33:01מיוטיוב ואנשים מעדיפים דווקא לראות מטיק
1:33:04טוק בגלל אופי ה
1:33:08תרבות המקוונת שהוא שונה בטיק טוק לעומת
1:33:10יוטיוב אז אנחנו נראה דייכה במספר הצרכנים
1:33:15שצופים בסרטונים שאנחנו ניווים מיוטיוב
1:33:19צריך לעשות פה איזשהו שינוי א נושא של
1:33:22גמישות למחיר צרכנים כבר לא מקבלים את
1:33:25המחיר הגבוה שהיה לנו בעבר זאת אומרת איך
1:33:29זה משליך לנו בעתיד אז אנחנו מנסים לחזור
1:33:32את אופני השימוש כן לאורך ציר הזמן אנחנו
1:33:36בעצם מבצאים מותחים איזשהו קו אל תוך
1:33:40העתיד ורואים האם השימוש מתחזק או דואך
1:33:44קנהל לגבי המכירות וכנה לגבי התמחור האם
1:33:48אנחנו נדרשים למה שקראוי תמחור דינמי
1:33:51תמחור למשל לפי קבוצות להציע הנחות
1:33:55לסטודנטים לדוגמה או להציע הנחות לתלמידים
1:34:00אה לתת את לקראת בלאק frרידי הנחה של 30%
1:34:06וכולי וכולי זה מה שקראו תמחור דינמי אני
1:34:09משנה את התמחור לפי האוכלוסיות או לפי ציר
1:34:13הזמן או לפי שניהם
1:34:16כל זה בא לענות לי למעשה על מה שקראוי
1:34:20הפער האסטרטגי
1:34:22הפר האסטרטגי הוא בעצם הפער שבין
1:34:25האסטרטגיה שהארגון בוחר בה לעומת הביצועים
1:34:29שלו בפועל
1:34:31אם אני לוקח לדוגמה דרשתות מזון שופר סעל,
1:34:35רמי לוי, ויקטורי ואושר רעד, חלקם
1:34:40הכניסו אסטרטגיה של קניות אונליין, שופרסל
1:34:43ורמי לוי לדוגמה א חלקן מתבססורט על מודל
1:34:47שקראוי brick and water, זאת אומרת חנויות
1:34:51פיזיות כמו למשל אושר עד שמפעיל סניפים
1:34:55פיזיים. אז בעצם כל רשת מזון בחרה
1:34:59באיזושהיא אסטרטגיה עיקרית.
1:35:02שופר סל ורמי לוי בחרו לבדל את אסטרטגיית
1:35:06המכירות גם לאונליין וגם להתבסס על חלויות
1:35:09פיזיות או שרד יותר ממוקדת בצד הפיזי של
1:35:13המכירות. איך זה בא לידי ביטוי מבחינת
1:35:17הביצועים? אז כדי להבין באמת האם הביצועים
1:35:22עומדים באסטרטגיה שקבעתי, בחזון שקבעתי,
1:35:26לדוגמה שהמעבר למכירות מקוונות יגדיל את
1:35:30סך המכירות, בואו נראה האם זה אכן ענה
1:35:33מבחינת הביצועים והאם זו האסטרטגיה הנכונה
1:35:38או שאולי היא הביאה לביצועים שהם פחות
1:35:40טובים.
1:35:42אז מתוך זה אני חייב לבצע גשר שהוא מבוסס
1:35:46נתונים. גשר שאני מסוגל להבין האםשתי
1:35:52בהצלחה או האם בכלל האסטרטגיה הייתה
1:35:55מוצלחת מבחינת הביצועים של המכירות
1:35:59בסניפים והמכירות באונליין של הרשת. אז
1:36:05שופרסל, רמי לוי, ויקטורי ואושרד כולם
1:36:08משתמשים בכלי BI buiness inelligence בינה
1:36:11עסקית וגם בכלי אנליטיקת נתונים, ניתוח
1:36:15נתונים מתקדמים. על מנת להבין באמת
1:36:19איפה האסטרטגיה באה לידי ביטוי באופן
1:36:24חיובי מבחינת הביצועים ואיפה לא. למשל
1:36:27יכול להיות שמכירות של מוצרי בשר לא כל כך
1:36:31פופולריות באונליין. אנשים אולי חוששים
1:36:33מטריות או כל היבט אחר. ומכירות של מוצרים
1:36:38יבשים כמו למשל שימורים א קטניות וכדומה
1:36:43הרבה יותר מוצלחות.
1:36:45כך שאנחנו צריכים לנתח את הנתונים עם כלי
1:36:49האנליטיקה והBI שלנו ולהבין האם האסטרטגיה
1:36:53באופן גורף עובדת או לא עובדת מבחינת
1:36:56המיצועים בפועל במציאות. האם אולי צריך
1:36:59לשנות אסטרטגיה? אולי להתמקד באסטרטגיה
1:37:02מסוימת למשפחות מוצרים או למצרים מסוימים
1:37:06ובמוצרים אחרים אנחנו צריכים להעדיף
1:37:09אסטרטגיה אחרת לחלוטין.
1:37:14עוד שימושים של המערכות האלה של הBI
1:37:17ואנליטיקה
1:37:19זה בדיקה אם אנחנו עומדים במדים במדדים
1:37:22ויעדים אז למעשה כדי
1:37:27לשאוף
1:37:28לביצועים מסחריים עסקיים מסוימים אנחנו
1:37:32חייבים להגדיר מדדים שבהם אנחנו חייבים
1:37:36לעמוד מבחינת יעדים עתידיים אנחנו חייבים
1:37:39לעמוד ביעדים כמו למשל מכירות
1:37:43מספר משתמשים באפליקציה או באתר או בתוכנה
1:37:46מסוימת
1:37:48א מספר הורדות
1:37:51זמן שבו הלקוח בעצם משתמש עד נטישה כן
1:37:57למשל שהשתמשו באפליקציה לפחות שנה לפני
1:38:01שנוטשים אותנו כדי להביא לערך מסוים
1:38:04וכדומה כלומר א דרך הגדרה של אותם מדדים
1:38:10אנחנו בעצם מגדירים
1:38:12מה מצב העולם ביחידה הארנית? למשל,
1:38:17מה היקף המכירות? היקף מכירות זה מדד.
1:38:22אנחנו יכולים להשוות את המדדים מבחינת
1:38:25המיצועים לאורך תקופה. איך היו המכירות
1:38:28לפני שנה, לפני חצי שנה, לפני חודש
1:38:31וכדומה. לעשות השוואות בנ'מרק. חודש מאי,
1:38:36השנה, לעומת חודש מאי, שנה שעברה, ולפני
1:38:39שנתיים לראות האם יש ירידה או עלייה. ועוד
1:38:43מדדים כאלה שיתנו לנו אינדיקציות איך
1:38:46אנחנו מתקדמים מבחינה עסקית תוך הבנה של
1:38:51מצב העולם, הסביבה העסקית
1:38:54של היחידה הארגונית ש שלנו שמתמודדת עם
1:38:58הסביבה הזו.
1:39:01אז למעשה ברגע שאני משלב את המדדים הללו
1:39:05ואני תומך בהם באמצעות נתוני אמת שאני
1:39:09אוסף ביום יום כן מכנסות הזמנות נתוני
1:39:13קופה מספר מנועים משלמים וכדומה אז אני
1:39:18מסוגל לקבל החלטות בצורה הרבה יותר טובה
1:39:21ומושכלת
1:39:23יש לי פחות הטיות סובייקטיביות בשיפוט זאת
1:39:26אומרת אני לא מביא איזשהו ניסיון חד פעמ
1:39:30ומשליך ממנו, אלא אני ממש עובד לפי מה
1:39:34שהנתונים מספרים לפי התובנות שאני שואב
1:39:38מתוך הנתונים. אני יכול לקבל מתוך נתונים
1:39:43במצב של כמעט זמן אמת או ממ זמן אמת מידע
1:39:47על מצב הארגון והסביבה העסקית. כן? למשל
1:39:51באירועים של מלחמה אני יכול לראות פתאום
1:39:54האם יש עלייה בצריכת מזון או ירידה בצריכה
1:39:58של מוצרי צריכה אחרים בילויים וכדומה זה
1:40:03מיד נותן לי אינדיקציה כי אני יכול לראות
1:40:06לאורך זמן ובהווה את השינוי במדדים כמו
1:40:10למשל מכירות מספר קונים שנכנסים
1:40:14ועוד ועוד
1:40:16אני יכול גם להגדיר מדדים ויעדים לארגון
1:40:20כולו וגם לעובדים
1:40:23כדי להגדיר תמיכה במטרות. אם אני רוצה
1:40:27לעלות את המכירות של הארגון אז אני לא רק
1:40:30אומר באופן ארטילאי להעלות את המכירות.
1:40:33אני יכול להגדיר המכירות השנה היו כך וכך.
1:40:37בשנה הבאה אנחנו רוצים לראות עוד 10%
1:40:40עלייה בהיקף המחירות. אז יש לנו גם יעד
1:40:43וגם מדד מאוד מאוד מוגדרים שלפיו העובדים
1:40:47יכולים לפעול וגם כל הסביבה הארגונית
1:40:50הפנימית שלנו
1:40:52גם זיהוי של פערים בין תכנון לביצוע
1:40:55לדוגמה אם תכננתי שקמפיין שיווקי מסוים
1:41:00יביא לעלייה של 7% בהיקף המשתמשים במערכת
1:41:05ובפועל הוא הביא לעלייה של 10% אבל אחרי
1:41:10שבוע
1:41:127% מהמשתמשים החדשים נטשו. זאת אומרת
1:41:15נשארתי עם 3% משתמשים נטו. אז יש לי
1:41:19איזשהיא בעיה. זה נובע בגלל שפרסמתי אולי
1:41:24יכולות שלא היו קיימות. יצרתי איזשהם
1:41:27ציפיות שלא מומשו או שאיכות המוצר לא טובה
1:41:31או שהערך שהמוצר נותן למשתמשים לא מספק.
1:41:35כל סיבה אחרת. אני מזהה את הפר ואז אני
1:41:38יכול לבוא ולהתחיל לתחקר ולפתור את הבעיה.
1:41:43א הנתונים גם מאפשרים לי בקרה על תהליכי
1:41:47עבודה, על התוצרים שלי וגם על העובדים,
1:41:50אוקיי? הם מדידים בעצם. ואני יכול גם
1:41:53לחלוק מידעים גורמים בארגון, למשל א
1:41:57מכירות, שיווק
1:42:00וגורמי ניהול מוצר בארגון. יכולים לשתף
1:42:04מידע, לחשוב ביחד איך אנחנו מביאים מוצרים
1:42:07חדשים בצורה טובה יותר לשוק, מה חשוב
1:42:10שנפתח ומה פחות חשוב וכדומה. ואפשר לתחקר
1:42:15את התוצאות של העבר וללמוד לשיפורים
1:42:19עתידיים איך אני יכול לבצע את התהליכים
1:42:22באופן טוב והולם יותר.
1:42:25למעשה
1:42:27אנחנו יכולים להצליח
1:42:30בכלל הניהול מבוסס הנתונים אם יש לנו
1:42:33הלימה בין המשימות של הארגון לבין היעדים
1:42:36שקבענו לו. לדוגמה
1:42:39הלימה יכולה להיות ברמת המשימה
1:42:43באופן של שיפור פיצ'רים שרמת צביעות הרצון
1:42:48של משתמשים היא לא גבוהה מהם איך אנחנו
1:42:51יכולים לזהות דרך מה שקראוי performance
1:42:54indicator זאת אומרת מדדים מאוד מאוד
1:42:58ברורים מאוד מוגדרים כולל יעדים כמותיים
1:43:02שמתלווים להם לדוגמה אם יש פיצ'ר מסוים
1:43:06שבפועל כיום רק 10% מהמשתמשים
1:43:10משתמשים בו והוא יכול להיות מאוד רבחי
1:43:12לנו. אז קודם כל יש לנו את הKPI, יש לנו
1:43:17את ה keyfance indicators שזה מספר
1:43:19המשתמשים שמשתמשים בפצ'ר הזה. לאחר מכן
1:43:24אני מגדיר יעד א יעד שהוא מדיד על סמך ה
1:43:30keyfמance. למשל להכפיל את נתח המשתמשים
1:43:34שמשתמשים בפיצ'ר הזה מ-10 ל-20%.
1:43:38אז יש לי יעד שהוא פרקטי מאוד. הגדרתי את
1:43:44ההכפלה של המשתמשים מ-10% ל-20% ויש מדדים
1:43:48מאוד מאוד ברורים שזה כמה אנשים סליחה
1:43:52איזה אחוז מהאנשים מהמשתמשים באפליקציה
1:43:56אכן משתמשים. אז כיום זה 10% אני שואף
1:43:59להגיע ל-20%. מתוך זה אני בעצם מלווה את
1:44:03המשימה. אז אם נשפר המשימה תהיה שיפור של
1:44:07הפיצ'ר הזה, שיפור של הנראות שלו, שיפור
1:44:10של הסבר הערך שלו למשתמש או כל אלמנט אחר
1:44:15מבחינת ניהול המוצר, אני יכול ללוות אותו
1:44:19במדידה מאוד מאוד מדויקת וברורה ולראות
1:44:22האם אני עומד באמת בהצלחה במשימה. ואז אני
1:44:26רואה אכן הסברתי טוב יותר למשתמשים דרך
1:44:29סרטוני וידאו דרך עיצוב מחודש של הממשק או
1:44:33כל אלמנט אחר איזשהו מסך הסבר כן או דעת
1:44:38פופאפ שקופצת להם ומתוך זה אני פתאום רואה
1:44:42גידול מדיד במספר בסליחה באחוז המשתמשים
1:44:47ואכן מ-10% הוא גדל ל-15% ובהמשך אולי
1:44:51ל-20% ואני עומד ביעד שהגדרתי
1:44:59אני יכול למשל
1:45:01כדוגמה נוספת להגדיר יד שהוא מניע של
1:45:03נטישת לקוחות. תש לקוחות זה אנשים שהורידו
1:45:07את האפליקציה, התקינו אותה, אבל אחרי
1:45:10שלושה שבועות הפסיקו להשתמש בה או מסירים
1:45:14אותה. אז זאת אומרת אני יכול למדוד את
1:45:16נתוני הסרת האפליקציה או בכלל נתוני אי
1:45:19שימוש אחרי שלושה שבועות מהשימוש הראשון
1:45:23מההתקנה
1:45:25ואני מגלה שכיום
1:45:28יחס הנתישה הוא 35% כלומר כ
1:45:33סליחה טיפה יותר משליש ממי שהתקין את
1:45:36האפליקציה
1:45:38נוטש ואני מעוניין להוריד את זה לאחוז
1:45:41שהוא פחות דרמטי סביב ה-10% מה לעשות תמיד
1:45:44יהיו אנשים שלא יהיו מרוצים, שלא יעניין
1:45:48אותם, אבל לצמצם בשני/3
1:45:52את אחוז הנוש, להוריד אותו מטיפה מעל שליש
1:45:55ל-10% בלבד.
1:45:58אז זה למעשה
1:46:00יעד שאני מגדיר, שזה מניעת מטישת לקוחות.
1:46:04והמדד זה באמת לזהות איזה אחוז נוטש את
1:46:09האפליקרציה, מסיר אותה, מפסיק להשתמש אחרי
1:46:12שלושה אחרי שלושה שבועות מתאריך ההתקנה
1:46:17ולהפחיד את האחוז הזה ל10% כיום הוא עומד
1:46:21על 35%.
1:46:24איך אנחנו נשיג את היעדים הללו שאנחנו
1:46:27מגדירים לעצמנו? אז קודם כל להשתמש
1:46:30בניתוחים כמותיים מתוך הנתונים.
1:46:33איזה מאפייני שימור, כמה אנשים נטשו, מתי
1:46:37הם נטשו, האם היה אירוע על ציר הזמן
1:46:40שלפניו ואחריו אנחנו רואים זיהוי נתוני
1:46:44נטישה למשל, אופני שימוש וכדומה. אז זה
1:46:50מבחינת נתוני השימוש במוצר. אני יכול גם
1:46:53להבין את הלקוחות או האתגרים שהם ניצבים
1:46:58מולם. לדוגמה אני יכול אם אני מקבל
1:47:03אינדיקציה של שנת הלידה ברישום אני יכול
1:47:07להבין איפה לקוחות שהם א מבוגרים יותר
1:47:11מתקשים בהפעלת ממש כן הולכים קצת לאיבוד
1:47:15לא מוצאים את הפונקציה לפעמים זה פשוט
1:47:18עניין של איך אני מנסח את שם הפונקציה כן
1:47:21את שם הדוח או את שם
1:47:25אופציה המסוימת במוצר שהוא לא כל כך ברור
1:47:29ואז אנשים הולכים לאיבוד. אז מתוך זה אני
1:47:32גם מסוגל להבין האם זה קשור לגיל, אולי
1:47:37להבנה ברמה מגדרית, אולי לרמות השכלה
1:47:41שמונעות את זה. כן? אולי אני מציע למשל
1:47:44באפליקציה של תחני למידה תכנים שהם יותר
1:47:47מדי מתקדמים ורוב האנשים שלי הם בעלי
1:47:51השכלה א רוב המשתמשים שלי הם בעלי השכלה
1:47:55תיכונית בלבד. אז אני חייב להתאים את זה
1:47:57או לפנות לנתח שוק שהוא הרבה יותר מצומצם.
1:48:02א אני גם יכול להבין גורמים נסיבתיים מתוך
1:48:07הנתונים. פתאום ראיתי שמנתוני מכירות
1:48:11יציבים יש לי נפילה ממש צוק כזה, נפילה
1:48:16מיידית של אחוזים ניכרים. מדוע? אז אני
1:48:20יכול לזהות את התאריך, ללכת בזמן ולהבין
1:48:23שבתאריך הזה הכנסנו גרסה שהיא לא הייתה
1:48:26מוצלחת, שפגעה בארגון או למשל בתאריך הזה
1:48:30נכנס מתחרה שלא היה פעיל קודם לכן ומשך
1:48:34אליו לקוחות. אז זה חלק מהנסיבות
1:48:38שחייבים להבין מבחינת ההתנהגות של הלקות
1:48:42או הארגון או הסביבה העסקית שהישפיעו באמת
1:48:46על אירועים שפגעו או השפיעו לטובה במדדים
1:48:52א נושאים של ההשרת נתונים ממקורות נוספים
1:48:56אם יש לי סכרים נתונים סטטיסטיים
1:48:59א אני יכול לרכוש נתונים ממסדי נתונים
1:49:02מסחריים או נתונים על התעשייה מה שקראו
1:49:06נתוני תחרות. אז בהחלט אני יכול לטייב את
1:49:09הנתונים ולקבל תמונה הרבה יותר מקיפה של
1:49:13מה שקראוי מצב עולם, הסביבה העסקית,
1:49:16האתגרים שאני בעצם מתמודד איתם.
1:49:23ב
1:49:25חלק נוסף מהשימושים
1:49:28של אפליקציות של BI של buinesselligence
1:49:31אז אני גם רוצה לבצע ניתוח נתונים ואמות
1:49:35או ולידציה של הנתונים אז אני יכול לנסח
1:49:40שאלה עסקית שאני מעוניין לברר למשל האם
1:49:45הירידה בהיקף המכירות
1:49:48של חברת טנביס היא בגלל כני כניסתה של
1:49:51וולט או בגלל סיבות אחרות. כן? זה יכול
1:49:54להיות בגלל מלחמה, זה יכול להיות בגלל
1:49:58שינויים בהסכמי העסקה במשק, כן? פחות
1:50:01נותנים לעובדים ארוחות בטנביס או
1:50:05במתחרותיה
1:50:07וכדומה. מתוך שכך אני מנסח שאלות עסקיות,
1:50:13למשל,
1:50:14איזה אחוז מהלקוחות הצירו שהם עוברים
1:50:17למתחרה שלי? איזה אחוז מהלקוחות נטשו אותי
1:50:22ללא הסבר? באיזה סוג של מוצרים הייתה
1:50:25ירידה במכירות, כן? איזה מוצרי מזון
1:50:30וכדומה. אני מנסח
1:50:33מדדים שעשויים לענות על השאלות.
1:50:36למשל,
1:50:38אה, מהו מגוון המוצרים שמחירותיהם נפגע?
1:50:43יכול להיות שרק שלושה מוצרים מתוך 1000
1:50:45נפגעו ויכול להיות ש מתוך 1000 נפגעו.
1:50:48חייבים להבין את אופי ההשפעה ואז אני מאתר
1:50:52את הנתונים הרלוונטיים נתוני מכירות נתוני
1:50:55שימוש אה
1:50:58נתוני דיווח על נטישה כן א מחיקה של
1:51:02האפליקציה או כל דבר אחר שיכול לתת לי
1:51:06אינדיקציות כדי לאמת ולנתח ואני יכול גם
1:51:09להשאיר נתונים ממקורות חיצוניים
1:51:13למשל מחברות שמודדות את מספר הורדות
1:51:17האפליקציות בתחום תחום ענף משלוחי המזון
1:51:20ואז אני מקבל איזושהיא תמונת מצב לגבי
1:51:23טנביס לגבי וולט לגבי מתחרים אחרים
1:51:26שעשויים להיות רלוונטים
1:51:29ומתוך זה אני מקבל תובנות הרבה יותר
1:51:32מבוססות והרבה יותר מתקדמות לגבי הבעיות
1:51:35העסקיות או השאלות העסקיות שאנחנו רוצים
1:51:38לתת להם מענה.
1:51:40אוקיי? לדוגמה אני רוצה לאמט איזושה
1:51:44היפותזה, איזושהיא הנחת יסוד שמרבית
1:51:46לקוחות הגיעו אלינו דרך פרסום ברשתות
1:51:50חברתיות אוקיי אז אני מבצע פילוח
1:51:56ולקוחות בדרך כלל כשמגיעים אלינו נשאלים
1:51:59איך שמעת עלינו ואני מגלה שבכלל זה לא
1:52:03נכון אני כנראה משקיע הרבה מאוד תקציבים
1:52:06במקום הלא נכון רוב הלקוחות בכלל מגיעים
1:52:09דרך חיפוש בג בגוגל
1:52:12ואנחנו דווקא הכנסנו והשכנו את כל הפרסום
1:52:17או את עיקרו ברשתות החברתיות סימן שהנחת
1:52:21היסוד שלי לא הייתה נכונה אני חייב לשנות
1:52:24את ההתנהגות להפנות הרבה יותר תקציבי
1:52:26פרסום לפרסום בגוגל ולהפחיט את הפרסום או
1:52:31ליתר אותו לגמרי ברשתות החברתיות
1:52:35נושא ששות שותפי שחר זה כל מיני אפילס
1:52:40מפרס סמים בשמי שמקבלים עמלות הם לא
1:52:43אפקטיביים בשיווק השירותים. יכול להיות
1:52:46שהמכירות הישירות שלי הן 90% מהנחירות
1:52:50כיום ורק 10% מגיעות משפי שכר. סימן
1:52:55שמבחינת הנתונים עדיף לי ליתר, לבטל את
1:52:59ההתקשרויות עם משותפים חיצוניים שישווקו
1:53:02וימכרו כי הם לא מוכרים ולהתמקד בעיקר
1:53:06בהעמקה של המכירה הישירה מהחברה שלנו
1:53:10ישירות ללקוחות.
1:53:13אוקיי? למה הם לא אפקטיבים? כי הם מייצגים
1:53:16כנראה גם מתחרים. אז אני בודק באמת
1:53:19איזושהיא סטטיסטיקה מגופים חיצוניים,
1:53:22מחברת מחקר. ואני מגלה שהמוצר שלי הוא
1:53:26השלישי או הרביעי שהם ממליצים עליו. הם
1:53:29בפועל ממליצים על המתחרים ומפה גם התוצאות
1:53:33הן מאוד מאוד לא טובות, הן אפילו פוגעות
1:53:37בנו. אוקיי? אנחנו סומכים עליהם שימליצו
1:53:40על המוצר שלנו. בפועל הם משווקים, מוחרים,
1:53:43מפיצים, במקום הראשון מתחרים ופוגעים בנו.
1:53:47אז בהחלט זה אימות של הסיבה לא רק למה הם
1:53:50לא אפקטיבים אלא הסיבה שהם לא אפקטיביים
1:53:53כי הם קודם דוחפים את המתחרים ואחרי זה את
1:53:57המוצרים שלנו סיבה בהחלט להפסיק את
1:53:59ההתקשרות
1:54:02ואנחנו גם יכולים לנתח לגלות להפיק תובנות
1:54:06נוספות מהנתונים
1:54:08כלומר לשחק עם הנתונים במרכאות כפולות
1:54:12ומתוך זה לא לנסות לאמט הנחות יסוד או
1:54:16שאלות שהגדרנו מראש, אלא שדברים יצמחו
1:54:20מתוך הנתונים. פתאום נגלה איזשהו קשר שלא
1:54:23ידענו עליו. למשל שנשים צעירות בגילי 18
1:54:29עד 21
1:54:31מאוד אוהבות מוצר קוסמטי שאנחנו היינו
1:54:33בטוחים שנשים רק מעל גיל 50 אוהבות אותן.
1:54:38זאת אומרת כדאי לפרסם גם לגיל הצעיר של
1:54:43לקוחות הקוסמטיקה.
1:54:45אנחנו גם יכולים לזהות תבניות חוזרות,
1:54:48תבניות אופייניות, איזושהיא חוקיות שלא
1:54:50היינו הרים לה מתוך נתונים. וכמובן שכל זה
1:54:54נעשה דרך אלגוריתמים של AI, של machine
1:54:58learning, שבעצם לא נותנים לנו
1:55:02לבצע ידנית בהכרח את העבודה. כן? העבודה
1:55:05הידנית, לבצע גרפים, ליצור דוחות, בהחלט
1:55:09היא קיימת, אבל הם גם מאפשר מאפשרים לנו
1:55:12איזשהו גילוי וניתוח הרבה יותר מתקדם של
1:55:16קשת הרבה יותר רחבה של אפשרויות.
1:55:20שוב, בהרבה מאוד ארגונים אנחנו מדברים על
1:55:23נתונים בהיקף של מיליוני ועשרות ומאות
1:55:26מיליוני רשומות שנצברות מדי שנה. בהיקפים
1:55:30כאלה בן אנוש לא יכול לגלות תובנות
1:55:34והקשרים חדשים. פשוט אנחנו הולכים לאיבוד
1:55:37כמו שאומרים מרוב עצים לא רואים את היער,
1:55:40מרוב נתונים לא רואים את המידע, את
1:55:42התובנות.
1:55:43אז לכן אנחנו נפנה ככל הניתן לאמצעים
1:55:48משלימים שהם אמצעים של AI שהם אמצעים של
1:55:52אוטומציות ממוכנים או משine learning או
1:55:56אלגוריתמים אחרים שנותנים לנו אינדיקציות
1:55:59לגבי הסביבה העסקית ומצב הארגון
1:56:04ומצב המוצר כמובן.
1:56:06אז לדוגמה, אם אני רוצה לנתח במוצרים שלי
1:56:11נושא של ספקים שמספקים אותם והזמנות
1:56:15שסופקו או לא סופקו, אז מה מאפיין? אמינות
1:56:18ולא אמינות של ספקים.
1:56:20מה משותף ללקוחות המניבים ביותר? כן,
1:56:24בהרבה מאוד סקטורים יש שכבה מאוד מצומצמת
1:56:27של לקוחות. 3% מהלקוחות הם המניבים ביותר.
1:56:31הם מייצרים מעל 90% מההכנסה של החברה.
1:56:36אם אני מצליח להבין מה משותף ללקוחות
1:56:39האלה, אני יכול לבוא ולשכפל אותם וככה
1:56:42להקפיץ
1:56:44את המכירות של החברה. זאת אומרת, אם אני
1:56:48מבין מה משותף ללקוחות, אני בעצם מבין את
1:56:51המאפינים שלהם, אני אמצא עוד לקוחות
1:56:55מניבים. אני אפנה וכמו הלקוחות שכבר
1:56:57התקשרו איתי יהיו עוד לקוחות כאלה שיגדילו
1:57:00הרבה יותר ותוך פחות השקעה כי השקעה פר
1:57:04לקוח היא קבועה פחות או יותר אז הם יגדילו
1:57:08בצורה משמעותית את המכירות של החברה אם
1:57:12אני מנתח נתונים של תלונות של לקוחות אז
1:57:16אני מזהה פגמים במוצרים למה הם נוצרו
1:57:20באיזה פיצ'רים באיזה דברים באיזה אלמנטים
1:57:23באיזה חלקים של המוצר נוצרו פגמים. האם הם
1:57:27נוצרו בדפוסי שימוש מסוימים? לדוגמה, אם
1:57:31אני מצהיר על מוצר מסוים שהוא עמיד בין
1:57:35מינוס 10 מעלות ל50 מעלות, אז בשימוש
1:57:40במינוס מעלות מסתבר שיש כל מיני תקלות
1:57:44שימוש, כן? מוצר אלקטרוני פתאום מפסיק
1:57:47לתפקד, המסך מפסיק לעבוד, א המקשים נתקעים
1:57:52וכדומה. זאת אומרת
1:57:55שבדפוסי שימוש של קרוב לקור חיצוני
1:57:59שהגדרתי אותו כתקין המוצר כבר מפסיק
1:58:04לעבוד. כלומר אני צריך פה לפתור את הבעיה,
1:58:07לתקן את הבעיה. אין באלקטרוניקה, אין
1:58:09במקשים, בכל אלמנט שמפסיק לעבוד. תי באמת
1:58:14שהמוצר ימשיך לעבוד באותו פרופיל משימה
1:58:17שקבעתי לו בין מינוס 10 ל-50 מעלות.
1:58:21יכול להיות שערוצי ההפצה יכולים להסביר את
1:58:24הפגם במוצר. אם יש לי בשר
1:58:28א מוצר בשר שצרכנים כל הזמן מדווחים שהוא
1:58:33מקולקל
1:58:35אז אני יכול לבחון את ה
1:58:38בשר עצמו לבחון שהוא אכן לא מקולקל שהוא
1:58:42אכן עומד בכל ההנחיות הוטרינריות
1:58:46והבריאותיות אבל יכול להיות שבדרך מבחינת
1:58:49המשאית משאיות הקירור מתקלקלות הקירור לא
1:58:53עובד והמוצר נפגע גם זאת אומרת גם פה אני
1:58:57יכול דרך נתוני התלונות של הלקוחות איפה
1:59:00הם קנו את המוצר פתאום אני מזהה שזה אותה
1:59:03רשת או אותו אזור גיאוגרפי של הפצה אני
1:59:07יכול לזהות מה מקור הבעיה
1:59:10ולעלות על הבעיה שבכלל המוצר הוא תקין אבל
1:59:14הוא פשוט שונה במשאיות קירור לא תקינות
1:59:18דרך חברת הפצה מסוימת או לאזור גאוגרפי
1:59:21מסוים
1:59:23אז למעשה אנחנו בזה מסיימים את השיעור
1:59:26הראשון בקורס. תודה רבה ולהתראות בשיעור
1:59:29הבא.

About this transcript

This page contains the full transcript of Lesson 1 by EH, generated from the public captions YouTube serves with the video. The transcript has 11,948 words across 1,944 segments, with the original timestamps preserved so you can click any line to jump to that moment in the embedded player.

What you can do with it

Use the transcript to take notes, quote the speaker, build a study guide, generate a summary with ChatGPT or Claude via the YouTube Summary tool, or export it as a timed subtitle file with YouTube to SRT. You can also re-open it in the transcriber to translate the transcript into 100+ languages.

Free YouTube transcript tool

YouTube2Text is a free YouTube transcript generator — no signup, no daily limit. Paste any YouTube link and get the full transcript instantly, with timestamps, click-to-jump, translation to 100+ languages, AI prompts for ChatGPT, Claude, and Gemini, and exports to TXT, SRT, VTT, or Markdown.