אדווה: היי לכולם, אני אדווה שיסגל ואתם הגעתם ל-Startup for Startup, והיום נדבר על איך לאפטם עבודה עם דאטה בארגון, או באופן יותר ספציפי, איך אפשר לוודא שצוותי הדאטה בחברה יכולים לרוץ מהר יותר. ולצורך העניין נמצאת איתי פה מיקי רוזן, BI Group Lead במאנדיי, היי מיקי,

מיקי: היי.

אדווה: נגיד, זה עוד ילווה אותנו הרבה המושג הזה, רק נגיד ש-BI זה Intelligence Business ונבין בהמשך מה זה בדיוק אומר. והיום אנחנו נדבר על האתגרים שבעצם ליוו אותך בתור אנליסטית במאנדיי בכלל בהתחלה בתור ראש צוות אנליסטים והובילו אותך להקים את את צוות ה-BI במאנדיי, על מה פונקציה הזאת מאפשרת לנו בארגון ומה עדיין מאתגר. שנתחיל?

מיקי: נתחיל.

[נעימת פתיחה] 

אדווה: אז מיקי, אז אנחנו בעצם מדברות היום על איך אפשר לוודא שצוותי הדאטה בחברה יוכלו לרוץ מהר יותר, והרבה מהתהליך הזה שעשינו במאנדיי קשור גם בסיפור האישי שלך ובסיפור התפתחות שלך בתוך מאנדיי. אז בואי רגע נתחיל בלהבין בתור מה את הגעת למאנדיי? קצת רקע כזה עלייך.

מיקי: מגניב, אז אני הצטרפתי למאנדיי לפני שלוש שנים, באתי לנהל אנליסטים כולם בעצם יושבו ב-big brain ולמי שלא מכיר אז יש לנו מספיק פרקים ב- Startup for Startup שמסבירים מה זה big brain. 

אדווה: כן, נשים לינק. 

מיקי: אז אתם יותר ממוזמנים לשמוע. 

אדווה: אבל כן נגיד אולי רק במשפט ש- big brain זה מערכת BI פנימית שבנינו פה במאנדיי, נכון?

מיקי: נכון.

אדווה: שמאפשרת לנו למדוד כל דבר שאנחנו עושים,

מיקי: נכון. 

אדווה: ונשים בתיאור פרק לינק לכזה משהו שמרחיב למי שרוצה.

מיקי: נכון, פלטפורמת BI. זהו, אז באתי בעצם לנהל אנליסטים ומהר מאוד בעצם הבנתי שיש פה קצת בעיה עם המבנה הזה. בטח את עכשיו תשאלי אותי: אז מה באמת הבעיה? אז היו כל מיני בעיות. למשל דבר ראשון אנליסטים שישבו ב- big brainאז הם לא היו חלק מהדומיינים, הם לא באמת הכירו את הביזנס, הם לא באמת יכלו לתת תובנות בהתאם לפוקוס של הדומיין באותו אזור תוכן, הם באים כאילו קצת כאילו קצת אאוטסורסינג כזה, כמה שהוא כזה לא מחובר לביזנס ואתה פה איזה שהיא בעייתיות מסוימת, אז אמרנו שגם באזור הזה צריך לחשוב על איזה שהוא פתרון יותר טוב, אפילו ברמה הכי בסיסית לא כל כך הבנתי מי הסטייקהולדרים שלנו, כשאני עושה קיק-אוף למי אני מציגה? לכל החברה? כולם צריכים להיות? שם האם יש לנו אזור מסוים שאנחנו נותנים לו מענה? נשאלו שאלות של באמת איך המבנה הארגוני הזה אמור לעבוד. ומצד שני, עשיתי ככה המון המון שיחות עם מלא מלא סטייקהולדרים, ניסיתי להבין מה נדרש, קצת ככה לבנות את התפקיד שלי כדי שאני באמת אביא את האימפקט המקסימלי שלי בחברה. אז נפגשתי עם אנליסטים ועם -PMים, עם Product Managers ועם המון אנשי דאטה בחברה, ומה שחזר על עצמו שוב ושוב ושוב זה, עזבי את התובנות, תגרמי לשאילתות שלנו לרוץ. זה היה כאילו קטע נורא נורא מצחיק, פתאום הבנתי שאנשים פה מסתבכים עם הדברים הכי בסיסיים, עם התשתית, של- עזבי שנייה אחת, לוקח לנו כל כך הרבה זמן להוציא את תובנות, כי הדאטה לא מסודר פשוט. אנחנו צריכים לעבוד כל כך קשה בלסדר אותו, בלארגן אותו, בלהבין שהוא נכון, שהוא אמין, לגרום לו לרוץ כי הפרפורמנס גרוע וכל הדבר הזה פשוט לא עובד. ואז עצרנו רגע והתחלנו לחשוב, שנייה,

אדווה: אז רגע, אז אני עוצרת, כי אני רוצה לנעוץ בעצם את האתגר או את הכאב הזה שאת בהתחלה חווית פה, נכון? הדבר הראשון שאנחנו מדברות עליו, זה עניין הזה שבעצם אנליסטים הרגישו שהם בכלל לא כל כך מצליחים מה? להגיע לעבודה עצמה שלהם? זאת אומרת, מה היה האתגר שהם דיברו עליו?

מיקי: הם דיברו בעיקר שהם עושים תפקיד כפול, תפקיד אחד של לשמוע אם גויסו, ותפקיד נוסף שהם נאלצים לעשות אותו פשוט בעל כוחם. הם צריכים בעצם לדאוג איכשהו להוציא את הדאטה, הרואו ממש, הדאטה הגולמי, לנסות להבין איך הם בכלל מסדרים אותו, איך הם מארגנים אותו, איך הם יודעים שהדאטה אמין, איך הם מייצרים ולידציה. כל הדבר הזה פשוט לא היה מסודר, כל אנליסט היה מגיע לממצא אחר, שזה בעצם אחת הבעיות המרכזיות שלנו. כל אחד היה כותב שאילתא בדרך אחרת ומקבל תוצאה שונה ומגיע למסקנה לפעמים אחרת, לפעמים אפילו הפוכה.

אדווה: ואם אני צריכה לנחש אז אני הייתי מנחשת שהעניין של עבודה על דאטה גולמית הוא מאוד time consuming, אז אולי הם בכלל לא הספיקו להגיע לעבודה שלשמה הם גוייסו כי הם היו מאוד עסוקים ברגע שנייה לסדר את זה בכלל. 

מיקי: חד משמעית ואני חושבת שהבעיה המרכזית שגם התפקיד של האנליסט היה יחסית חדש כאן, כמו ברוב חברות הסטארט-אפ אז באמת מגיעים אנשים שהם נורא נורא מוכשרים והם עושים הכל, אז היו לנו חבר'ה מפתחים ממש full stack developers שהיו עושים הכל אז הם היו עושים גם אנליזה וגם תפקיד ABI וגם design וגם הכל הכל הכל, ואז גם האנליסטים בעצם ניסו להבין מה התפקיד שלהם, איך הם מביאים את הערך המוסף מה זה תפקיד של אנליסט במאנדיי, כי זה לא תמיד אותו אנליסט כמו בכל חברה אחרת. אז גם הם, בעצם הציפייה מהם הייתה קצת אולי לא נכונה, או אולי קצת מטעה. זאת אומרת, הם התבקשו להביא תובנות, אבל הם לא יכלו להסביר שבעצם כדי להגיע לתובנה, הם היו צריכים לעבוד כל כך קשה וכל כך סיזיפי כדי להגיע בכלל לדאטה שמאפשר להם להוציא את התובנות האלה. וזאת הסיבה שגם באמת לא הגיעו לרוב הדברים, אז גם נאלצו הרבה פעמים לגייס עוד אנליסטים. זאת אומרת, יש שם גם כן עבודה שנעשתה, חשיבה שנעשתה.

אדווה: זהו, זו הייתה באמת השאלה הבאה שלי. אוקיי, אני מבינה שזה כאב שהאנליסטים חוו, אבל מה נגרם לחברה כתוצאה מהכאב הזה? זאת אומרת, מה לא התאפשר לנו בגלל זה?

מיקי: אני חושבת שזה בעיקר איטיות, כאילו להביא את התובנות שיעזרו לביזנס שלנו לגדול, לצמוח, להתפתח. הוא לא מגיע לשם.

אדווה: אוקיי, אז הבנת שזו בעיה ממשית בארגון ושזה משהו שחווים, מה השלב הבא? כי בסוף תוך כדי את גם מנהלת צוות אנליסטים, זאת אומרת לא הגעת לפה בשביל לאפטם את מחלקת הדאטה כאילו לא שיש דבר כזה. אז מה הדבר הבא שאת עושה?

מיקי: נכון.  לגמרי לא באתי לאפטם, אבל אני חושבת שבאתי כן לראות איך אני בעצם, איך אני בעצם משפרת את המצב הקיים. ואז בעצם נעשו פה שני דברים במקביל. דבר ראשון, הבנו שהאנליסטים, המקום שלהם זה בעצם לשבת בדומיינים. וכבר היום בעצם האנליסטים שלנו מפוזרים בין הדומיינים השונים, הם יושבים ביחד עם הביזנס, הם מכירים על בוריו את הביזנס, הם חלק מהתיעדוף של הביזנס, הם ממש מכירים את הדומיין שלהם, ויודעים לתת את האינפוטים והתובנות שלהם בהתאם לפוקוס של הביזנס. אז בעצם האנליסטים שישבו בביג בריין, אנחנו בעצם פיזרנו אותם בין הדומיינים השונים, ואז התחלתי את עבודת ה- לנסות לשכנע את ההנהלה, שבעצם מה שחסר לנו זה פונקציה, פונקציה שבכלל לא קיימת בארגון היום. וזו פונקציה של BI. אז כמו שאמרת קודם, BI זה באמת Intelligence Business, והתפקיד של ה-BI שונה מהתפקיד של האנליסט, זה ממש מקצוע אחר, זה אנשים יותר טכניים, והתפקיד שלהם מתחלק ברובו לשני חלקים מרכזיים. תפקיד אחד שהוא בעצם אפיון וחשיבה ביחד עם הביזנס, ובנייה של התהליכים, בעצם איך אנחנו בונים את הטבלאות עבור האנליסטים. ברמה הכי פשוטה, אני רוצה שהאנליסט בסופו של דבר יבוא, ויעשה סלקט כוכבית from הטבלה, ובום, יהיה לו את כל הדאטה שהוא צריך, והוא לא צריך לעשות שום חיבורים מסובכים ושום כתיבת לוגיקות וכו'. זה ככה בוויז'ן. התפקיד השני בעצם זה יותר תחזוקה של כל כלי ה-BI שזה בדיוק עונה על הצורך של- תגרמי לנו לשאילת לרוץ, אז מי צריך לעשות את זה? איזה כלים אנחנו צריכים להשתמש בהם? האם הכלים שאנחנו משתמשים היום הם כלים נכונים, כן או לא? מי בוחן את זה בכלל? אגב, גם תפקיד שאני תכף אדבר עליו גם לא היה קיים באותה תקופה. אז מפה לשם עשינו המון המון המון שיחות ואני חושבת שבאמת הייתה לי שיחה מאוד מעוררת עיניים עם דניאל לריה באותה תקופה,

אדווה: שהוא דניאל לריה, נגיד האמת שהוא ה-CPTO שלנו, Chief Product and Technologies product 

מיקי: אז באמת הייתה לי שיחה מאוד מאוד טובה איתו ואני זוכרת שהצקתי לו ואז אמרתי, אז בעצם מה שחסר לנו זה הפונקציה של ה-BI', משהו כזה, ואז הוא אמר: טוב, אז נראה לי שאת יודעת מה צריכה לעשות. וככה הסתיימה הפגישה והרגשתי שאוקיי, זהו, מפה אנחנו בעצם מתחילים, וגייסתי את ה-BI הראשון, BI ראשון לפני משהו כמו שנתיים וחצי, קשה להאמין, נכון? שבחברה כמו מאנדיי, ה-BI הראשון גוייס לפני שנתיים וחצי בלבד.

אדווה: מטורף, אז רגע, אז אני רוצה רגע לחזור רגע לפני שגייסת את הבן אדם הראשון, כי יש פה שני דברים. אחד זה בעצם ההבנה של הצורך, נכון? אם אני מבינה נכון, אז הצורך שראית שהיה חסר, זה משהו, מישהו שהגיע שלב לפני שצריך לעשות את האנליזות על הדאטה ולהסיק ממנו מסקנות, אלא בעצם מישהו שיסדר אותן. זה לא יכול להוסיף עוד פריקשן, להוסיף עוד פונקציה? כאילו עם כל זה שיכול להיות שזה שם על האנליסטים הרבה מאוד עבודה לעשות את כל הסייקל של דאטה, מצד שני את פתאום מוסיפה עוד פונקציה, וכשיש עוד פונקציה הרבה פעמים יש דברים שיותר נופלים בין הכיסאות, יש יותר פריקשן שנוצר זה לא משהו שחששת ממנו?

מיקי: אז נכון, באמת חששתי שיהיה פריקשן כזה, אבל אני חושבת שלייצר תהליך נכון, תהליך עבודה נכון בין הפונקציות השונות זה בעצם הסוד הקסם, סוד ההצלחה. אני חושבת שברגע שהתחלנו להראות value, אוקיי? ושאנחנו לא באמת צוואר בקבוק, אז אנליטים התחילו להבין מה הערך שהם מקבלים מזה? אוקיי, הם כבר לא צריכים לעשות את כל העבודה הקשה הזאת של לסדר ולארגן. תחשבו על זה, אני כל פעם חושבת על הדוגמה של לגו. אנחנו רואים את הלגו, כל החלקים מפוזרים מבולגנים, אוקיי, איך בונים מזה משהו? נורא נורא נורא קשה נכון? אז צריך לחשוב איך לארגן את זה, איך לסדר את זה לפי צבעים ולפי צורות ולפי לא יודעת, כל מיני דברים שאנחנו מארגנים את הדאטה, נכון? כל הדבר, הזה אני רוצה שבסופו של דבר אנליסט יוכל לבוא, לתשאל את הדאטה בקלות ולספר את הסיפור.

אדווה: כן, אני חושבת שיש פה שני דברים שהעלית, אחד זה  הקבלה ללגו ממש אהבתי אותה, כי היא עוזרת לי להבין באמת איך זה מאפשר לרוץ יותר מהר שאם עכשיו את מביאה לי דלי ענק עם מלא חלקי לגו ואת אומרת לי: תקשיבי, תסדרי אותו, ואז תוכלי לבנות מזה משהו, זה שונה מאשר אם יהיה מישהו שהמומחיות שלו זה לסדר אותם והוא עושה את זה מהר, ואז הוא מביא לי אותם כבר מסודרים ואומר לי: רק תבני מזה. ואני חושבת שהדבר השני שאמרת והוא חשוב, זה שזה לא כאב שהיה רק של אנליסטים. זאת אומרת זה אולי כאב שאנליסטים חוו בצורה הכי חזקה, אבל זה הפך גם לפיין פוינט של החברה כולה, כי בסוף כל החברה, הפונקציה דאטה הפכה בשבילה לצוואר בקבוק, כאילו אם אני עכשיו אשת מוצר ואני רוצה רגע מנהלת מוצר ואני רוצה לקבל תשובות על איזה שהוא טסט שאני מריצה או משהו כזה, זה היה לוקח לי הרבה יותר זמן.

מיקי: חד משמעית. חד משמעית ובאמת אפילו קל לראות את זה עכשיו כי יש לנו היום כבר כ-15 אנשי BI וזה רק מוכיח עד כמה הדבר הזה היה, עד כמה החברה הייתה צמאה לדבר הזה ואפילו לא ידעה, הם אפילו לא ידעו שיש פונקציה כזאת שהם צמאים אליה. וזה באמת מאפשר היום לרוץ הרבה הרבה יותר מהר ולעשות את הדברים הרבה יותר טוב ונכון, כשכל אחד עושה את הדבר שלשמו באמת הוא גויס ומה שהוא עושה אותו הכי הכי טוב והכי נכון. 

אדווה: וזה משהו שאת יודעת, מהיכרותך, זה פונקציה שקיימת היום בהרבה חברות? זאת אומרת, למי היא מתאימה? זה רק לחברות גדולות? את אומרת שזה היה אצלנו לפני שלוש שנים, אז מאנדיי לא הייתה בגודל של היום, אבל כבר היו, אני מניחה, באזור ה-700 עובדים כבר, משהו כזה, אז זה הסדר גודל שצריך להוסיף את הפונקציה הזו?

מיקי: אז אני חושבת שאפילו יותר מוקדם. אני חושבת שזו תופעה שאני מכירה אותה מהרבה הרבה חברות, אני באה גם כן מניסיון של לא מעט חברות שעבדתי בעבר, וזו תופעה וזו שאלה וזה כאב שחוזר על עצמו, זאת אומרת לרוב מה שקורה זה שמגייסים אנליסט ומצפים ממנו לעשות את כל העבודה הזאת, הוא מגיע ואז הוא רואה לראשונה את הדאטה ואיך שהוא מבוזר ואיך שהוא לא מסודר, ואז הציפייה ממנו היא לא ריאלית ואז יש הרבה פעמים פריקשן בין המגייס לבין מי שבאמת עובד בחברה ואומר: רגע, אני לא מצליח לעשות את העבודה שלי, אבל כי אני לא עושה את העבודה שאני צריך לעשות וחסרה לי פונקציה. אני חושבת שיש פה בקרב המאזינים שלנו לא מעט אנליסטים שהתחברו לזה, אני כן חושבת שהפונקציה הזאת צריכה להיות הרבה קודם, זה יכול להיות פונקציית BI, זה יכול להיות איזושהי פונקציה של דאטה אינג'ינר, אבל זו כן צריכה להיות איזו שהיא פונקציה שהיא תשתיתית יותר, שתאפשר שתעבור ביחד עם האנליסט ותאפשר לו לעשות את העבודה שלו, כי אני חושבת שהרבה פעמים קיים הבלבול הזה של מה נדרש מאנליסט ומה ה-skillset שלו. 

אדווה: עכשיו' לא יודעתי אם זו שאלה שאפשר לענות עליה, אבל נניח אני סטארטאפ קטן ואני יכולה להרשות לעצמי לזכור שלושה אנשים לפונקציית האנליזות או למחלקת הדאטה שלי נגיד, נקרא לזה ככה, גילדת הדאטה. מה יאפשר לי לרוץ מהר יותר? לגייס שלושה אנליסטים או לגייס שני אנליסטים ו-BI? 

מיקי: שאלה ממש ממש ממש טובה שקשה לי לענות, אבל אני כן אתן איזשהו ככה המלצה אולי ממה שאני מכירה. קודם כל, אם מדובר, הרבה מזה זה תלוי כמות הסורסים שיש בארגון וכמות הדאטה שיש בארגון. אם מדובר במעט מאוד סורסים, כשאני אומרת סורס, הכוונה היא מאיפה אתם מביאים את הדאטה, האם אתם מביאים אותו נגיד רק דאטה מרקטיאלי, פייסבוק, יוטיוב וכאלה, או שאתם מביאים את הדאטה כמו שאצלנו מהפלטפורמה או שאתם מביאים את זה גם מ-salesforce, ודאטה של HR ודאטה של פייננס ובאמת יש המון סורסים. אם הדאטה שלכם הוא מרוכז במקום אחד, כנראה שיש פחות צורך בתפקיד של Data Engineer. ואז השאלה היא האם הדאטה שמגיע הוא כבר באיזושהי רמה אגרגטיבית, האם יש איזשהו עיבוד שנעשה ואז מספיק שאנליסט יגיע ויוכל כבר לעבוד על הדאטה הגולמי. אבל אם הדאטה הוא מאוד מאוד מבוזר, יש המון המון סורסים וצריך כן לארגן את הדאטה ואנחנו רואים ש- ואתם רואים בעצם שהאנליסט משקיע המון המון זמן ומאמץ בלנסות להבין ולעשות וולידציה לאותו דאטה, אז אני חושבת שעדיף לגייס לפחות BI אחד חזק ונגיד שני אנליסטים, אמרת שלושה אנשים, אז BI אחד ושני אנליסטים ובעיניי זה יהיה הסט הנכון. 

[נעימת מעבר]

אדווה: אז אני רוצה שנעבור עכשיו רגע לפונקציה עצמה ותתארי לי איך היא נראית, מה בעצם ה-BI עושה, מה אתם עושים?

מיקי: אז אני אספר רגע אחד מה בכלל הפונקציות של הדאטה אולי, ואז ככה ה-BI ייכנס לשם. אז אני רואה את הפונקציה של הדאטה מורכבת משלושה חלקים. יש את תפקיד האנליסט שכבר דיברנו עליו, אני תכף אחזור אליו, הוא דווקא נמצא אצלי הכי הכי בסוף, כמו שאמרתי קודם, הדובדבן שבקצפת. אז יש את הדאטה אינג'ינירס, אוקיי? דאטה אינג'ינירס הם צוות סופר משמעותי אצלנו, והם אחראים להביא את כל הסורסים האלה שדיברתי עליהם קודם למקום אחד. תחשבו שאם יש לנו היום Facebook ו-YouTube ו-Salesforce, ואני כנראה אומרת מלא דברים שאולי חלקיכם לא מכירים ואני אשמח לפרט אחר כך, ו-Zendesk, טיקטים, ובאמת, ו-HR ו-Billing, ואני יכולה להמשיך ככה כי יש לנו משהו כמו 350 סורסים, אז אנחנו לא יכולים לתת לאנליסט את כל הסורסים האלה מבוזרים, כי אז הוא אומר שהוא צריך להכיר מלא דיאלקטים של SQL, והוא צריך להתחבר למלא מערכות, זה לא ריאלי ולא סקלבילי, כלומר, Data Engineer צריך להשתמש בכל מיני כלים כדי להביא את הדאטה הזו למקום אחד, בצורה מאוד מאוד מסודרת, אמינה ובהתאם לצרכים, זאת אומרת, זה יכול להיות דאטה ריל טיים, זה יכול להיות דאטה שעתי, זה יכול להיות דאטה יומי, בהתאם לצורך בעצם.

אדווה: אז בעצם אם אני עכשיו שוב חושבת על זה בעולמות של גיוס, זו הפונקציה הראשונה שאני רוצה לגייס?

מיקי: לא בהכרח, כמו שאמרתי קודם, זה מאוד מאוד תלוי בכמויות הדאטה וכמויות הסורסים שקיימים. אגב, הרבה פעמים אני חושבת שהתפקיד הזה גם יכול להיעשות על ידי אולי מפתחי פולסטאק, שמכירים, וגם אגב זה באמת מה שנעשה אצלנו בעבר בביג בריין, פולסטייקים היו עושים את העבודה הזאת, אין ספק שכשמגיעים אנשי מקצוע אז הם יודעים לעשות את העבודה הרבה יותר טוב, מכירים את ה-best practices הרבה הרבה יותר נכון ואין ספק ככל שהחברה גדלה, זו פונקציה הכרחית, חיונית, אי אפשר בלעדיה. אז זה בעצם ה-data engineers. ואז מהצד השני יש את האנליסטים, אבל לפני זה בעצם מה חסר? חסר לנו משהו באמצע, ביניים בעצם, בין שני הקצוות האלה. אז הביאו את כל הדאטה, זוכרים את הלגו? יופי, אז ארגנו את הכל במקום אחד, אבל עדיין זה בלאגן שלם. מה עושים עכשיו? זה בדיוק הפונקציה של ה-BI. היא לוקחת את הדאטה כבר שהוא רק במקום אחד, אגב אצלנו זה Snowflakes זה הדאטה בייס שלנו, הדאטה warehouse, ועכשיו אנחנו מתחילים לארגן את הדאטה. מה זה אומר לארגן? אז א', אנחנו מייצרים, אנחנו עובדים פה בשיטה של שכבות. שזה גם כן מאוד מזכיר את הלגו, אנחנו שמים ממש בסכמות נפרדות את הדאטה. אנחנו אומרים: אוקיי, אז יש לנו את הרואו דאטה, דאטה גולמי אותו דאטה שהדאטה אינג'ינירס הביאו לנו ואז אנחנו מסדרים את זה, אוקיי? נגיד אנחנו- כמו שאמרתי עם הלגו, מסדרים את זה לפי צורות ולפי צבעים, אז אנחנו מייצרים טבלאות dimension עם כל האטריביוט של אותם dimension  שלנו, אוקיי? ואז יש לנו שלב נוסף שזה בעצם השלב של האגרגציות או הלוגיקות העסקיות, אוקיי? ופה באמת הדבר הכי מהותי והכי משמעותי שעשינו. מה שקרה עד היום זה שבעצם כל אנליסט יכל לבנות לעצמו איזה שהיא לוגיקה עסקית ואז כל מטריקה הייתה מחושבת בדרך אחרת, ואז מישהו שמגדיר ליד במרקטינג לא תמיד הגדיר באותה צורה ליד בסיילס, אז אנליסט במקום אחד מוציא משהו ואנליסט במקום אחר מוציא משהו אחר, איך מייצרים אמת? איך מייצרים אמת אחת? מה האמת האחת הזאת אומרת?

אדווה: כן, אני חושבת שזה אתגר מאוד משמעותי בעבודה עם דאטה שבאופן לא אינטואיטיבי אולי, אבל שני אנליסטים יכולים להסתכל על אותו הנתון, אבל להסיק מזה מסקנות אחרות לגמרי, וזה משהו שגם יכול, אם אנחנו מדברות על ריצה מהירה, מאוד לעכב חברה. בסוף, אם שאלתי משהו שני אנליסטים והם לא נותנו לי את אותה תשובה, אז מה אני אמורה לעשות? אז איך באמת מצליחים, איך מצליחים לוודא שכשכל האנליסטים אצלנו יהיה איזה מקור אחד של אמת, או הם יוכלו לקבל את אותה תשובה, או להוציא את אותה מסקנה מאותם נתונים. 

מיקי: שאלה מעולה, מעולה, מעולה, ואנחנו באמת עכשיו מתמודדים עם האתגר הזה. אני חושבת שרוב החברות מתמודדות עם האתגר הזה. אז מה שבעצם היה אצלנו זה ניסיון למצוא איך אנחנו בכל זאת מתמודדים. מצד אחד עם self-serve ודמוקרטיזציה של דאטה ועבודה בלתי תלויה ואוטונומית של כל דומיין, ומצד שני, איך אנחנו בעצם נותנים איזשהו מקור אמת אחד, איך אנחנו מונעים ממטריקות כפולות, איך אנחנו מונעים לוגיקות שגויות וכו' וכו'. אז יש בתעשייה ככה כמה גישות. גישה אחת זה באמת ללכת לכיוון של אוטונומיה מלאה, לייצר סכמות נפרדות, אולי דאטה בייסים נפרדים לכל דומיין, לשים שם מפתח BI, אפילו דאטה אינג'יניר, כל אחד בעצם נמצא שם, הם נותנים את המענה, הם אחראים על הדומיין שלהם ב-100%, הם עושים את הכל בלתי תלוי.הגישה השנייה שהיא הגישה הפוכה זה בעצם נשים את כולם במקום אחד, כולם ידעו מה אחר עושה, יש פה איזה שהיא בעיה של פריוריטיזציה כמובן וצוואר בקבוק גם כן כנראה גישה קצת בעייתי, אז אנחנו מאנדיי, כמו במאנדיי, מצאנו את הפתרון שעובד לנו מאוד מאוד טוב ואנחנו מאוד מאוד מאמינים בו, זה בעצם איזו שהיא גישת ביניים, איזה שהיא גישה היברידית, כשבעצם מה שאנחנו אומרים זה שכן ה-BI יושבים ביחד, יש להם סטנדרטים של עבודה מאוד מאוד מסודרים, מאוד מאוד מובנים, אבל יש לנו BI שבעצם הם דדיקייטד לאזורי תוכן מסוימים, ככה שיש לנו היום BI שלמשל 100% מתמחה בעולמות הפרודקט, או 100% מתמחה בעולמות HR ו-Sales וכו'. הוא מכיר את הדומיין על בוריו, הוא יושב, עובד עם אנליסט, הוא מכיר את הביזנס, הוא יודע לאתגר את הביזנס, הוא יודע לאתגר את השאלות, והוא יודע לבנות את הדברים בצורה הכי גנרית ונכונה, אבל כן תוך כדי הסתכלות רוחבית. עכשיו, מה קורה במקרה הזה? בגלל שכולנו יושבים ביחד, לא יכול להיווצר מצב שתהיה לוגיקה זהה בין שני דומיינים, אלא אם יש לזה שם שונה, זאת אומרת זה ממש אנחנו מקפידים על זה, לא יכול להיות מצב שתהיה לוגיקה מסוימת שאומרת משהו והיא תופיע שונה בין שני דומיינים, בדיוק בשביל למנוע את המצב הזה, אוקיי? אז יש לנו בעצם בנוסף ל-Dedicated BI, יש לנו גם צוות שאחראי צוות Core, שהוא בעצם אחראי על בניית המטריקס הכללי הרוחבי לכל החברה. ושם נמצאות המטריקות שהן קרוס, שהן רלוונטיות לכולם, ושם בוודאות לא יופיעו מטריקות שהן מנוגדות, שונות וכו'. וזה בעצם מאפשר לנו ככה לשמור גם מצד אחד על אוטונומיה וריצה מהירה וכו', ומצד שני גם על אמת אחת. 

אדווה: מעולה, ואם אנחנו כבר באמת במה מאתגר בתוך העניין הזה של BI, זאת אומרת, אני חושבת שהבנו מה היתרון ובאמת את הריצה המהירה שזה מאפשר וציינת אתגר אחד, יש עוד דברים שמאתגרים אותנו, שכן אולי כדאי לקחת בחשבון כשפותחים פונקציה כזו.

מיקי: וואו, יש באמת המון, שזה נחמד, זה אומר שיש לנו עוד הרבה דברים לעשות קדימה. אז כמו שאמרתי, הדבר הכי משמעותי זה באמת איך מייצרים מטריקס … או אמת אחת לכל החברה. אבל מעבר לזה יש לנו עוד מלא, למשל איך אנחנו מנגישים את הדאטה. אוקיי? איך כל אנליסטים יודעים מה הלוגיקה שעומדת מאחורי חישוב ARR או מאחורי חישוב revenue. איך יודעים?

אדווה: למה הם צריכים לדעת את זה?

מיקי: הם צריכים לדעת כדי לדעת איך בעצם הלוגיקה הזאת נבנתה, אוקיי? הם רוצים לדעת, לא יודעת, כדי שהם יוכלו להוציא איזה שהן תובנות מסוימות על בסיס הדאטה הזה, הם צריכים לדעת מה המטריקה הזאת אומרת, אוקיי? מישהו מאחורה בנה את זה, יצר פילטרים, האם זה לכל האוכלוסייה? האם זה לאוכלוסייה ספציפית? למשל, לא יודעת מה, לוגיקות של ריטנשן, אוקיי? האם זה רק ללקוחות חדשים, האם זה ללקוחות קיימים, האם זה למוצר ספציפי, זאת אומרת יש המון המון המון שאלות. וכדי באמת לייצר משהו שיהיה מאוד מאוד נגיש לכולם, אז צריך להיות איזה שהוא מקום מסוים, אני אתן שאלה הכי הכי ככה טריוויאלית, כשאנחנו אומרים לקוח, נכון? כאילו אני רוצה שכשאומרים לקוח כולם יבינו שהכוונה היא ל- ופה נשאלת השאלה למה? ל-Monday count …, ל-company ל- לדומיין. 

אדווה: כן, האם זה מתכוון לסיט ספציפי, האם זה מתכוון לחברה, האם זה מתכוון למישהו בטרייל עכשיו או רק למי שכבר משלם?

מיקי: בול, בדיוק. ואז אנחנו לא רוצים שיהיה מצב שאנחנו מדברים על משהו וזה לא ברור לכולם למה אנחנו מתכוונים. אז כל הנושא הזה של Data Documentation זה אתגר מאוד מאוד גדול אצלנו, אנחנו עכשיו בדיוק בתהליך של הטמעה של כלי מסוים, התפקיד הזה בעצם של הכלי הזה, זה מעבר ללתת את האינדיקציה לאנליסטים של מה כל שדה אומר בטבלה, זה גם לאפשר להם לראות למשל את החיבורים בין הטבלאות, לראות את ה-SQLים מאחורה בלוגיקה, להבין מה תלוי במה, אוקיי? מה זה אומר כשמבקשים מאיתנו: את יכולה להקדים את הטבלה או להריץ אותה לפני, אז הם יכולים לראות גם מה זה אומר, כאילו יכול להיות שמדובר שם בעשרות טבלאות שנמצאות לפני זה ואז אי אפשר להקדים. מה זה אומר מבחינת הביזנס owner שלנו, אני רוצה שכל ההנהלה יוכלו בקלות לדעת מה זה costumer, או כשאומרים להם arr attributed  או איזשהו מושג אחר שאנחנו משתמשים בו, כולם בקלות יוכלו להגיד מה זה וכולם ידעו לדבר באותה שפה, ולא שיהיה מצב שסייליס יתכוונו למשהו אחד ומרקטינג יתכוונו למשהו אחר.

אדווה: כן, ועוד דבר שעולה לי זה שבסוף אני חושבת שאחד האזורים עם הכי הרבה חיכוך בחיים של עובד זה השלב שאתה מצטרף לחברה. בטח כשאתה מצטרף לסטארט-אפ שזה כמעט תמיד חברה שרצה מאוד מאוד מהר או ארגון שרץ מהר, ונשמע שזה משהו שמאפשר לחסוך או לפחות להאיץ הרבה מתהליכי חפיפה כי יש מקום אחד שאתה יכול ללמוד בו הרבה פחות דברים יכולים ליפול בין הכיסאות כשמגייסים ומצרפים לצוות מישהו חדש, הרבה פעמים יש את התקופה הזאת של הפספוסים ובדיוק מישהו שעוד לא מספיק זמן בחברה אז אולי לא יודע את המשמעות של משתמש או לא יודע עד הסוף מה המשמעות של A-RAR כמו שאנחנו מדברים עליו נניח במאנדי, ואז יש איזה מקום שאת יודעת, כולם יכולים להיות מסונכרנים על אותו דבר זה גם מאפשר תהליכי כניסה לארגון, אני מניחה, בצורה הרבה יותר מהירה.

מיקי: חד משמעית, אנחנו כל כך מכירים את הכאב הזה מאצלנו וזה באמת משהו שיכול כל כך לחסוך. יש היום עשרות מקומות שאנחנו שומרים את הדאטה, אנחנו עובדים עם עשרות כלים, גורו ומאנדיי ובאמת, מה לא? וזה באמת משהו שאמור מאוד מאוד מאוד להקל על כולם. כמובן שיש פה אתגר לא פשוט של איך עושים אדופשן לדבר הזה, איך אנחנו מנגישים את הדבר הזה, איך אנחנו גורמים לאנשים בעצם להכניס את התוכן בפנים, בסדר? זה לא הכל על ה-BI, זה חלק מזה, זה גם על ה-Business Owner, ואיך אנחנו גורמים בסופו של דבר לכל החברה להשתמש בכלי הזה. אז כמובן, האתגר עוד לא פתור, אבל אנחנו ממש ממש בדרך לשם.

אדווה: מעולה. מה עוד מאתגר בפונקציה שלכם בעבודה היומיומית?

מיקי: אז כמו שאמרתי, התחלנו לעבוד באמת בסטנדרטיים, והתחלנו לעבוד בצורה מאוד מאוד מסודרת ומאורגנת, ויש לנו באמת best practices הכי טובים שיש. אבל מה עושים עם כל התהליכים הישנים? יש שם המון עבודה של מיגרציה. מה עושים, איך אנחנו מעבירים את כל הדבר ההיסטורי הזה, ה-legacy, לעבוד עם התהליכים או בשיטה של התהליכים הקיימים. אתגר מאוד מאוד מורכב, הוא דורש בעצם עבודה משותפת שלנו ושל הדאטה אינג'יניר ושל האנליסטים ולחשוב שבעצם אנליסטים עושים את זה בנוסף לעבודה הרגילה שלהם. זאת אומרת, אנחנו הרבה פעמים נעזרים בהם בשיתוף פעולה מטורף שלהם של לקחת את התהליכים ולהעביר אותם לטבלאות החדשות ולוודא שהם משתמשים בלוגיקות החדשות ואנחנו מודיעים להם- לא יודעת מה, שיש להם X זמן עד שאנחנו מוחקים את הטבלאות, אנחנו עושים תהליך מאוד מסודר של דיפרקציה, כדי ככה יותר ויותר ללכת לכיוון של Data Amin. אגב, כמו במאנדיי, אנחנו עובדים עם KPIs, יש לנו דשבורד גם לדאטה Coverage וגם לדאטה Accuracy שזה בדיוק המטרה שלהם. בדאטה Accuracy אנחנו בודקים בעצם מה אחוז השאילתות שנשאלות על Data Amin מתוך סך השאילתות, ואנחנו ממש מודדים את עצמנו לראות שבאמת אנליסטים מתשאלים את הדאטה הנכון. זה בדאטה Accuracy ובדאטה Coverage אנחנו בודקים כמה מהעולמות התוכן בדאטה וורהאוס אנחנו כבר מיפינו ומידלנו. אני מאוד ממליצה ככה גם בחברות אחרות ולא משנה באיזה סדר גודל, ליישם את השיטה הזאת, היא מאוד מאוד מכוונת ומאוד מייצרת ככה כוכב צפון לכל הקבוצה שלנו. 

אדווה: מעולה ואני יודעת שגם יש לנו עוד אתגר אחד, נכון? שהוא גם מעניין לדבר עליו ומה הוא, 

מיקי: אז ככה, אתגר נוסף שאנחנו מתמודדים איתו עכשיו זה באמת ריבוי כלים. בעצם תחשבו שבחברה שהיא חברת סטארט-אפ לרוב עובדים בשיטה שלו כי יש לנו איזה שהוא צורך, בוא נביא חברה, יש לנו איזה שהוא צורך, נביא חברה או נפתח אינהאוס. ואז מה שקורה זה שיש המון כלים לאותו דבר או לדברים דומים. ואז אני שואלת את השאלה: איך בעצם, איך לאפטם את הדבר הזה? הרי גם מבחינת ה-cost, זה לא בדיוק הדבר הכי יעיל, וגם מבחינת התחזוקה, איך עושים את זה? זה אתגר, כי כבר יש דומיינים שנגיד מאוד מאוד קשורים לכלי הזה ומאוד אוהבים אותו, ויש דומיינים אחרים שקשורים לכלים אחרים. אז איך מייצרים את כל הדבר הזה, את ה-alignment, איך משכנעים, איך רותמים ואיך מסבירים שבעצם כלי אחר יוכל לתת להם את אותו value כמו הכלי הזה, ובסופו של דבר המטרה שלנו זה באמת ללכת ולצמצם את כמות הכלים שכולם משתמשים בהם כדי שזה יהיה יותר קל, יותר מאופטם וכמובן cost effective. 

אדווה: מעולה מיקי, אז אנחנו מתקרבות לסיום. ואם מישהו מאזין לנו עכשיו ורוצה לקחת מפה דבר אחד, טיפ אחד שאת נותנת, מה הוא יהיה?

מיקי: אני חושבת שהטיפ הכי משמעותי, וזה באמת הדבר הכי משמעותי שאני למדתי ב-Monday, זה להיות גמישה מחשבתית. כמו שאמרתי בתחילת הפרק, הגעתי לפה לנהל אנליסטים, זה מה שאני יודעת לעשות, זה מה שידעתי לעשות, זה מה שעשיתי בחברות אחרות. ואני חושבת שברגע שהגעתי והבנתי שהצורך הוא אחר, הייתי מספיק גמישה כדי להבין שאוקיי, אז אולי אני לא יודעת לעשות את זה, אבל אני אלמד לעשות את זה ואני אגייס את האנשים הרלוונטיים והנכונים שיידעו לעשות את זה נכון, ובסופו של דבר, מה החברה צריכה באותו רגע. ואני חושבת שזה משהו שאני מאוד מאוד ממליצה לכולם להיות מאוד מאוד קשובים ולהבין מה הצורך של החברה ואיפה אתם יכולים לתרום ולא בהכרח איך החברה יכולה לתרום לכם ולניסיון שאתם כבר באים איתו. 

אדווה: כן, וגם אני חייבת להגיד שמשהו שאני מאוד נשארת איתו זה הנושא הזה שאני חושבת שהרבה פעמים כשיש צווארי בקבוק, הנטייה לפחות שלי ואני מרגישה גם של אחרים, היא לחשוב שהדרך לפתור אותם היא על ידי זה שנגייס עוד אנשים. נכון יש לנו איזה צוואר בקבוק באזור מסוים כמו שאצלנו היה אצל האנליסטים עם השאילתות, והם עכשיו אמרו: אוקיי, אז בואו נביא עוד אנליסטים. ואני חושבת שהנקודת המבט הזאת שאת הבאת, של רגע, לפני שאנחנו מגייסים עוד, בוא נבדוק רגע שהתהליכים שמובילים לצוואר הבקבוק הזה, הם באמת מאופטמים, ואולי אנחנו יכולים לשנות משהו בדרך שאנחנו עובדים בה. ואז למעשה, עם אותה כמות אנשים בעצם ייצרת עוד פונקציה, אחר כך נכון שגסיינו אבל בהתחלה זה פשוט היה לייצר עוד פונקציה עם אותה כמות אנשים שאפשרה לפתוח את הצוואר בקבוק הזה. 

מיקי: נכון.

אדווה: אז זה ממש משהו שנשאר איתי, אני ממש אפילו ברגעים אלו ממש באמת מתמודדת עם איזה שהוא צוואר בקבוק שקשור לעריכה של הפודקאסט ותוך כדי הפרק מצאתי את עצמי חושבת, רגע, אולי במקום להביא עוד עורכת, מה אני יכולה לעשות בתוך התהליך בתוך איך שאני עובדת כדי שהן יוכלו לעבוד יותר מהר, אני יכולה להכין להם את- זה גם עוד מתחבר- את החומר גלם בצורה כזאת שהן יוכלו לערוך אותו מהר יותר. אז אני חושבת שזו תובנה מאוד חשובה. 

מיקי: איזה כיף, שימחת אותי.

אדווה: יופי. ואיתה ועם   הטיפ שלך אנחנו נסיים ואנחנו נזכיר שאם יש לכם עוד שאלות אלינו או למיקי, אז אתם מוזמנים לשאול אותנו בקהילה או באתר שלנו, startup4startup.com, ואם אתם רוצים לדעת כל פעם שיוצא פרק חדש, אז אתם מוזמנים לעקוב אחרינו בכל אחת מהאפליקציות. זהו מיקי תודה רבה,

מיקי: תודה רבה אדווה, היה ממש כיף.

אדווה: היה מעולה ותודה לכם שהאזנתם.

[נעימת סיום] 

סוף הקלטה