איך הופכים דאטה למנוע צמיחה

 

ליאור:            היי ערן.

ערן:               בוקר טוב ליאור.

ליאור:            בוקר טוב כולם. הגעתם ל-Startup for Startup, הפודקאסט שבו אנחנו חולקים מהניסיון, מהידע והתובנות שלנו כאן במאנדיי.קום וגם מחברות אחרות, שיגיעו, והוא מיועד לכל מי שסטארט-אפ מדבר אליו, לא משנה באיזה כיסא הוא יושב ברגעים אלו. [מוזיקה]. אז היום אנחנו נדבר על data. data זאת מילה מפוצצת, אבל אני חושבת שכל מי שמגיע למשרד שלנו מבין מאוד מהר שמצאנו איזושהי דרך שעובדת לנו לעבוד עם ה-data ביומיום. אפשר לראות את זה מתוך כמות המסכים והדשבורדים שיש כאן בכל פינה בחברה. וכדי להבין איך אנחנו עושים את זה, למה אנחנו עושים את זה ואיך אתם יכולים לעשות את זה, הזמנו היום את רן דווידוביץ'.

ערן:               האחד והיחיד.

ליאור:            אתה יכול לדבר.

רן:                 מה קורה? נעים מאוד, התרגשות.

ליאור:            רן הוא ראש צוות ה-big brain שלנו, שהיום כבר מונה תשעה מפתחים.

רן:                 תשעה מפתחים, שמונה ו-data science אחד.

ליאור:            מדהים. אז כיף שהצטרפת אלינו.

רן:                 כיף גדול.

ליאור:            וככה שנייה לפני שנצלול באמת לעומקי ה-data ונבין איך הופכים data למשהו שעובדים איתו ביומיום, ערן, בוא ננסה שנייה להבין בעצם למה בכלל יש לנו צוות כמו big brain בחברה. שלמי שלא יודע, big brain זה סוג של סטארט-אפ בתוך סטארט-אפ. עכשיו, זה משהו שהיה כאן ממש מתחילת הדרך. בוא תספר קצת למה, איך הגעתם לזה.

ערן:               כן, אז אני חושב שזה התגלגל לכל-מיני מחוזות חדשים עכשיו, ובכלל בשלוש שנים האחרונות זה עבר תהפוכות מטורפות, אבל אני ממש זוכר את ההתחלה. היינו חברה מאוד מאוד קטנה, ממש שישה או שבעה אנשים. ואני זוכר שהיה לנו board meeting, עם הבורד. ויש, צריך לעשות מצגת, אז צריך להוציא גרפים, אין מה לעשות.

ליאור:            איך הכול חוזר למצגת של הבורד בסוף [צוחקת].

ערן:               מצגת של בורד זה אירוע. כי אתה פתאום… הקטע הוא שזה לא הישיבת בורד מה שמעניין, ההכנה זה מה שמעניין.

ליאור:            ההכנה, כן.

ערן:               כן.

ליאור:            התהליך שאתה עושה עם עצמך לקראת.

ערן:               כן, עם החברה, ופתאום ה-reflection ולחשוב אחורה ולהסתכל קדימה. בקיצור, אז אני ממש זוכר שאני יושב ואני אומר "טוב, צריך להציג גרפים לבורד. מה, לא נלאה אותם רק בטקסט. אז כתבתי איזשהו קוד ברובי בשביל להוציא גרפים. אחרי זה לאקסל ואחרי זה שרטטנו אותם. ואני זוכר שגם התרגשנו, אז עשינו את זה שבועיים לפני הבורד. זה היה אז חברה קטנה, אז נוסף לנו עוד לקוח משלם מאז השבועיים, אז חייבים להכניס את זה למצגת בורד, מה, לא נשוויץ בעוד לקוח? אז עוד פעם, את אותו קוד ועוד פעם את אותם גרפים. ואז פתאום אתה קולט "וואו, שמע, למדנו משהו מהגרפים האלה." פתאום קיבלנו איזשהו insight על החברה שלא ידענו. אני זוכר, אחרי שלושה חודשים עוד פעם היה מצגת בורד, ועוד פעם הוצאנו את הגרפים. זה כל פעם עבודה כזאתי של לעבוד ולהכין את המידע, וכל פעם אנחנו מקבלים insights. אז אמרנו רגע, זה לא הגיוני. גם בתור מתכנתים זה לא הגיוני שאנחנו עושים את אותה עבודה over and over again, וגם זה לא הגיוני ש, למה אנחנו מקבלים insights פעם בשלושה חודשים? אנחנו צריכים לקבל את זה כל יום. ובעצם אז הבנו שאנחנו צריכים לעשות איזשהו קוד או איזה משהו משלנו שיציג את הדברים האלה. ותיכף גם נדבר על למה לא השתמשנו בעצם בתוכנת מדף בשביל לעשות את זה. אז ככה זה נולד, מהמקום הזה.

ליאור:            מתי זה היה?

ערן:               ארבע שנים. ממש בהתחלה של החברה.

ליאור:            מעניין. כמה אנשים היו בצוות אז? רגע, אז בעצם איך זה הפך להיות צוות?

ערן:               אז לא היה צוות. ובעצם החלטנו דבר ראשון לעשות אוטומציה לקוד הזה שבעצם מציג את הגרפים. ואז, האמת שפה אני צריך לתת את הקרדיט לרועי, הוא ממש התעקש על זה שזה יהיה פרויקט נפרד מהפלטפורמה.

[04:00]          כי הוא אמר לי שמע, אנחנו לא יודעים לאיזה גודל זה יגדל, בוא נפריד את זה מה-code base הראשי שלנו ונשים את זה בפרויקט חיצוני. אני בהתחלה התנגדתי, אמרתי לו "מה, זה סתם overhead לשים את זה בפרויקט, אבל-"

ליאור:            רועי האיש והחזון [צוחקת].

ערן:               כן. מאז כל פעם שהוא נותן את ה… כאילו, שהוא רוצה לעשות משהו בפרויקט חיצוני הוא אומר לי "אתה זוכר את big brain כמה זה חשוב היה?" אז אני אתן לו את הקלף הזה. וזה באמת היה ככה. כי אני חושב שעצם זה ששמנו את זה בפרויקט חיצוני, זה נתן לזה אוויר ומקום לגדול ולהתפתח בתור ישות עצמאית. אז כתבנו פרויקט חדש, מחוץ לפלטפורמה, שבעצם מציג רק את הגרפים הקריטיים האלה שהיינו צריכים לבורד. ובהתחלה אני ורועי כאילו תחזקנו את זה. ואני חושב שלפני שלוש וחצי שנים הגיע המפתח הראשון ל-big brain, ערן עמיאל. הוא היה בעצם המפתח הראשון. ממש כצוות.

ליאור:            שהוא עדיין כאן איתנו היום.

ערן:               כן, ושזה שזה היה פלטפורמה נפרדת זה ממש הכתיב את זה שהוא יתמקד בזה, וזה יהיה הפרויקט שלו והוא לקח את זה תחת חסותו.

ליאור:            אז נחזור בזמן לכאן ועכשיו 2018, צוות של תשעה אנשים. מה התפקיד שלכם היום רן?

רן:                 אז אנחנו עושים כמה דברים. יש את רמת ה-data, שזה כמובן להנגיש את כל ה-data לכולם ולעזור לכולם לקחת החלטות נכונות. אני מדבר על כל-מיני כלים שיצרנו. הרבה כלים פנימיים. ויש את כל האופרציה הפנים-ארגונית שלנו, את כל מערך ה-Sales, Marketing, Customer Success, שהם פשוט עובדים עם ה-tool לאורך כל ה-life cycle שלהם. מהבוקר עד הלילה.

ליאור:            כלומר, מגרפים שעוזרים למשקיעים להבין יותר טוב מה קורה בחברה, big brain הפכה להיות פלטפורמה שרצה על כל החברה, זה מה שאתה אומר?

רן:                 זה כאילו, אם אני אומר את זה, אם פעם היינו רק להציג מידע שהוא היה מאוד זמין ומיידי, אז היום אנחנו גם עושים את זה, בהרבה יותר, depth יותר רציני. ו-slice and dice של כל ה-data. עד כדי גם טולים מרכזיים. לדוגמה כל ה-sale cycle שלנו, ה-life cycle עצמו, מנוהל בתוך המערכת. אין לנו sales force, אנחנו מאוד ממוקדים בדיוק ל-life cycle של Sales, ומאוד עובדים איתם אחד על אחד. כל ה-lead management בתוך המוצר מוכוון ל-data שיש לנו. מאוד מאוד מפוקס. זה משהו שעם כלים חיצוניים היה מאוד מאוד קשה לעשות. ואפשר לדבר על עוד דברים, כמו Marketing מה אנחנו עושים כדי לייעל אותם. או לעזור להם יותר נכון.

ליאור:            אז באמת אם אתה יכול ככה בשנייה רק לזכור איך בכל מחלקה, בכל צוות, איפה הנגיעה שלכם? אולי כדי שנייה באמת לתת את האימפקט ולהסביר שנייה עד כמה זה נוגע בכל החברה.

רן:                 סבבה. אז נגיד ב-Marketing אנחנו מוציאים היום בסביבות ה-4.5 מיליון דולר בחודש. שזה סכומי עתק. טעויות שם יומיות זה סכומים אדירים. מה שעשינו, יצרנו בעצם איזשהו מנגנון של prediction, שנקרא Intent. שבעצם על בסיס הפעולות ביום הראשון של כל בן אדם בתוך ה-account אנחנו יודעים מה יהיה אחוז ההתקנוורטות שלו, הסיכוי להתקנוורט ביום ה-35 ללקוח משלם. הכוח שזה נותן, זה בעצם אחד הכלים היחידים שיש היום שבעצם אחרי יום עבודה אחד אנחנו יכולים לדעת scale או de-scale בתוך ה-Marketing. עשינו פעולת Marketing, יום אחרי זה אפשר כבר לעשות שינויים. ולא לחכות 35 יום או שבועיים או שלושה שבועות. שזה מטורף, זה סכומי עתק. אני לא יודע מה חברות אחרות עושות, אבל זה כלי מאוד מאוד רציני. וזה מקביל לכל ה-data שמוצג להם, כל הגרפים, שזה כאילו, זה כבר ברור לנו. כאילו, גרפים זה משהו מאוד בסיסי כבר היום, שמניעים. זה שמה. ועכשיו עברנו בעצם לכלים האופרטיביים. אז אמרנו על Sales, אז בעצם כל ה-life cycle של Sales Agent, הכול במערכת.

ליאור:            סוג של Internal CRN.

רן:                 כן. עכשיו, זה מתחיל מהשלב שאנחנו מחלקים ביום את המעל 6000 סיין-אפים שיש לנו בעצם ל-x אנשים של ה-Sales.

ליאור:            כלידים אתה מתכוון.

רן:                 בדיוק, כלידים. סתם לחלק אותם, ה-Sales Agent לא יכול להתמודד עם כמות כזאת גדולה. אז בנינו Lead Management מאוד חכם. שעל בסיס ה-intent ועוד כל-מיני חוקים שאיש Sales יודע ומרגיש, אנחנו עושים ייעול של זה ומחלקים לו רק את מה שייתן לו את ה-value הכי גבוה.

[08:00]          וזה משתנה. זה מה שיפה, זה משתנה מאוד מאוד מהר. ואז הוא מאוד מפוקס. אז בעצם הוא קיבל את הלידים בבוקר, נהיה לו איזה life cycle. הוא עובר מכל השלבים של הוא פונה אליהם, זה opportunity. כל השלבים של life cycle של Sales, הכול בתוך המערכת, הכול מנוהל. וזה גם מקבל איזושהי אנליזה. כי אנחנו יכולים לראות מה התהליכים שקרו ולעשות גם ייעול של התהליך עצמו.

ליאור:            זה ב-Sales.

רן:                 ב-Sales. Customer Success לדוגמה, אז אנחנו מתממשקים לכלי בשם Zen desk. הכול נשאב אלינו פנימית. וגם פה, הנושא של לתת מידע פנימי ולהחצין אותו, אז הכול בעצם בפנים. הכול נמצא בפנים, וזה גם חלק שאפשר לקחת כמנגנון החלטה. נגיד לקוח שהוא עשה סט של פניות מסוימות והוא ב, בוא נגיד הוא כבר נראה כאילו הוא עומד לנשור לנו, כאילו, לעזוב את החברה, אז מתייגים אותו, הוא נכנס בעצם לתוך big brain, ויש איוונטים שהולכים לתוך ה-Sales. אז אפשר להעביר אותו בין הגופים השונים.

ליאור:            אז יש התממשקות בין-

רן:                 לחלוטין. שזה מאוד מאוד חשוב ב… סתם להתממשק לכלי חיצוני, או לכלים, בעצם לקבל הכול אלינו ולקחת החלטות. שבמקום זה היה לוקח כנראה הרבה יותר זמן.

ליאור:            תמשיך ככה לעשות סיבוב במסדרון.

רן:                 אז בוא נגיד ככה, מאוד מאוד חשוב ה-product. אז לדוגמה יש לנו, כל המנגנון של A/B test אנחנו, כל מה שאנחנו עושים בחברה זה הכול מונחה data. שזה נשמע כאילו טריוויאלי, אבל זה לא. באמת כל החלטה פה היא data-driven. זה מתחיל מאיזו הרגשה שנראה לנו משהו שיכול להיות טוב, זה נכנס למנגנון של A/B test. ה-A/B test הוא בתוך המוצר. כל ה-ingestion של המידע, כל האיוונטים, זה לא כלים חיצוניים, זה אנחנו. הכול פנימית והכול מחובר להכול. אז A/B test לדוגמה, מי שבצוות שלנו יצר זה סתיו, היא יצרה את המנגנון הזה. שהוא מאוד מתוחכם. אולי נצטרך איזה בלוג גם להציג מה הוא עושה. מאוד חכם, הוא עוזר לנו לקחת החלטות נכונות ולא רק על-פני איזו הרגשה. ממש רועים מובהקות סטטיסטית של דברים. האם זה עזר לנו לקנוורט אנשים, האם זה עזר לנו לעשות להם retention. אז זה האזור הזה. מאוד מאוד קריטי. עכשיו, ב-A/B test מה שיפה, לקחנו גם את ה-product, שזה בעצם הפלטפורמה, המאנדיי.קום. חיברנו את זה גם עם A/B test, A/B test בעצם של האימיילים. אז כל אימייל שאנחנו שולחים במהלך הקמפיינים גם נכנס למערכת, אנחנו בודקים האם ה-A/B test של האימיילים נתן value או לא. כלומר, גם באזור הזה אנחנו עושים הכול עם מנגנון החלטה.

ליאור:            כלומר בכל שרשרת הערך.

רן:                 תמיד. גם אפילו, זה יפה שהשתמשנו באותו כלי ב-Sales, כשאנחנו מחלקים לידים ל-Sales, אז התחלנו עכשיו תהליך שאנחנו חלק מהלידים מחלקים ל-Sales, חלק לא, וגם זה נכנס ל-A/B test. כדי לראות contribution של Sales. משהו שהוא די בעיה קשה היום להבין מה זה contribution של Sales Agent. אז זה כאילו יפה לראות, בגלל שה-data אצלנו וכל המערכת היא בעצם מחוברת, אז קל לחבר הכול ביחד ולקחת החלטות. שזה די יפה לראות את זה.

ליאור:            מה ב-platform, ב-RND?

רן:                 אז ב-platform בעיקר זה הנושא של לתת להם את כל האיוונטים. מה שבדרך-כלל אנשים משתמשים בכלים כמו Mix Panel ומשקיעים המון זמן באינטגרציות ואולי לקחת מידע חזרה, אצלנו זה יושב אצלנו, הכול פנימית. A/B test דיברנו. ואת כל התהליך של לדעת, פיצ'ר יוצא אז לתת לו איזושהי חוות דעת מה זה הפיצ'ר, מה ה-retention שלו. ונדבר … על כלים אחרים, של slice ו-dice של data. שזה כאילו השלב האבולוציוני הבא.

ערן:               רק עוד שני דברים שלא הזכרת. אחד זה email marketing, שאנחנו גם מנהלים דרך big brain. ממש את היצירה של האימיילים. וגם את הפרטנרים. זאת אומרת, כל העבודה שלנו מול רי-סלרים כמו ה-Sales, אנחנו גם שם מחלקים לידים לפרטנרים, דרך big brain ו…

רן:                 כן, אני כאילו מתייחס לזה כאותו דבר, אז באמת זה לא אותו דבר, זה עולמות מאוד מאוד שונים ולכל אחד סט חוקים משלו. מה שמגניב עם האימייל, עם הקמפיינים, זה שאנחנו בכלל בתהליך עכשיו מדהים של לקחת אחריות מלאה בעצם על כל ה-funnel של יצירת קמפיינים, שפעם זה היה תהליך חיצוני והוא עכשיו משתנה לתהליך פנימי, מהיר ואיכותי. לעומת מה שהיה בעבר.

ערן:               בגדול כל המחלקות בחברה היום עובדות כמעט על big brain. ככלי אופרטיבי לצורך ה-day to day שלהם.

ליאור:            זה ברור שיש לזה חלק מאוד ניכר בחברה. ההחלטה לקחת שמונה מפתחים.

[12:00]         כי אמרת שהתשיעי הוא data analyst. שמונה מפתחים תותחים, ולשים אותם על פרויקט שהוא כלי פנימי לחברה, היא החלטה לא טריוויאלית. על-פניו כל אחד מהאנשים האלה היה יכול היום לדחוף את ה-platform ולתת לך הרבה ערך במקומות שכרגע קשה לך לגייס אנשים. מה ה-value שזה נותן כדי שתוכל להגיד לעצמך זאת ההחלטה הנכונה?

ערן:               אני חושב שהיום זה אפילו יותר קל מאשר בעבר. תחשבי על זה שהיינו עשרה אנשים בחברה, שלושה מפתחים, ואחד מהם עובד על big brain. זה, אנשים אומרים לי "תגיד אתה, הכול בסדר איתך? זה הזוי." ורן הזכיר פה כלים כמו mix panel ו-kiss matrix, ויש כל-כך הרבה כלי מדף היום שנותנים את זה. אבל מבחינתנו אני, באמת, היה לי ניסיון עם כל אחד מהכלים האלה, מ-Google analytics ל-kiss matrix, ל-mix panel, וכולם הם אותו… אותו חרא בסופו של דבר. כי אתה שולח data לכלים האלה, ואז הם מראים לך גרפים, ואין לך שום ביטחון במה שהם מציגים לך. אתה לא יודע אם ה-data עבר. אתה מסתכל על גרפים, משהו לא, לא נראה לך, אין לך גישה ל-data. אתה רוצה מחר לעבור לכלי אחר, אין לך אפשרות. ובסופו של דבר אתה כן מתאמץ באינטגרציה איתם, ואני חושב שאחד הדברים הכי חשובים ב-data זה ביטחון. כי אם אין לך ביטחון ה-data לא שווה כלום. ואם שני אנשים מסתכלים על גרף ואחד אומר: הנה יש לי מסקנה והשני אומר: אני לא מאמין למסקנה הזאתי כי ראינו בעבר שזה לא דייק או הכלי לא היה נכון – זה לא שווה כלום. אז אני חושב שמבחינתנו, אמרנו אנחנו רוצים לבנות חברה גדולה. אנחנו הסתכלנו על כל החברות מסביבנו, אמרנו לכל החברות בסוף יש כלי analytics משלהן. וככל שאתה מתחיל יותר מוקדם ככה זה יותר קל. כי אם אתה צריך עכשיו לבנות כלי על חברה שכבר רצה של 100 איש, זה כמעט mission impossible. כי יש כל-כך הרבה חלקים נעים, ו-data שיושב כבר בתוכנות אחרות. אז מבחינתנו זו הייתה ההחלטה הנכונה לעשות את זה בזמנו. להבין שזה דבר סופר-אסטרטגי, להבין גם שאנחנו חברה שהיא, אנחנו עושים הרבה performance acquisition, חברה שהיא מונעת מ-data. אין כמעט דבר יותר אסטרטגי בעיניי לעשות מאשר לעשות את המהלך הזה עם big brain גם באותה תקופה.

ליאור:            אז גם אתה אומר שאם יש כאן איזשהו יזם שמאזין לנו כרגע ושואל את עצמו אם זה מוקדם מדי להתחיל, אתה אומר שאין דבר כזה מוקדם מדי.

ערן:               אני פוגש הרבה יזמים שאומרים לי "תשמע, אני מבין מה שאתה אומר, אבל אני חייב את המפתח הזה עכשיו ל-Product." אני אומר אוקיי, אז לא הבנת. זה חשוב ה-data והיכולת שלך לקבל החלטות, והיכולת שלך, האימפקט של data שהוא זמין הוא פי אלף מאשר כל increment שאפשר לעשות ב-product.

ליאור:            יש עוד טיעון שאני שומעת מיזמים, שזה, עוד אין לי מספיק data. כשיהיה לי data אז אני אתחיל למדוד ואז אני אתחיל לעשות סדר. ותמיד אני אומרת להם "לא, זה הפוך. קודם תחליט מה אתה רוצה למדוד, תניח את הכלי, ואז כשתתחיל להזריק פנימה את המידע תבין מה קורה שם."

ערן:               אם אין לך לקוחות, אין לך, אין לך צורך ב-data. יש לך לקוח אחד? הגיע הזמן למדוד.

ליאור:            נכון.

רן:                 וגם ה-data קיים כל הזמן, זה רק המטרה לתת פוקוס.  ובאמת אני מאוד מתחבר לקטע שאמרת, הביטחון עם ה-data זה מאוד מאוד קריטי. כלי חיצוני, זה מאוד מפתה בהתחלה, כי זה כאילו אינטגרציה מאוד מהירה, שיש כמה סגמנטים להעביר לו. כשגדלים פי 10 פתאום בסגמנטים מ-1 ל-10 או מ-10 ל-50, זה הופך למשימה שהיא לוקחת המון משאבים. זה לא טריוויאלי כבר. ואנחנו עכשיו מעבירים כמות מידע עצומה נגיד למוצר חיצוני, זה נהיה אופרציה. זה יכול להיות בן אדם שלם שמתעסק בזה. מה קורה כשזה נופל? כמה כמות מידע, כמה הוא תומך השירות הזה? לא מתעסקים בזה פשוט, זה כבר פנימי, זה כבר חלק מה-day to day.

ליאור:            כן, אבל עכשיו תיארת בן אדם אחד שהיה צריך לתחזק את הכלי הזה, ואצלנו יש עשרה אנשים שבעצם מוקדשים לפרויקט ה-big brain.

רן:                 נכון, אז זה הקטע, אנחנו, זה לא העיסוק המרכזי. העיסוק המרכזי הוא כבר כולל הכול. זה מההנגשה של המידע – שזה נשמע משעמם אבל זה ממש ממש לא. זה יכול-

ליאור:            בוא תסביר מה זה אומר.

רן:                 כאילו, כשאני הגעתי לפה במרץ, אז ראיתי מה אנחנו עושים וזה הלהיב אותי, ובגלל זה באתי לפה. ואז כשהתחלתי לעבוד ראיתי אוקיי, אז אנחנו מתחילים מאיזה דשבורד. ולא באמת הבנתי מה זה דשבורד. שזה בעצם השלב ההתחלתי של בעצם לשפר אזור מסוים, זה פשוט להראות את המידע שלו. בצורה שהיא מאוד מאוד engaging, שבן אדם יכול להסתכל ונופלים לו אסימונים ישר.

[16:00]          הוא רואה אוקיי, זה מספר, אני מתחבר אליו, אני רוצה להניע אותו למעלה. אז זה כאילו מתחיל להופיע. ולאט-לאט מתחילים לרפד את זה בעוד ועוד בעצם נתונים בתוך הדשבורד שמניעים. זה יכול להיות כמו ג'סטרים. סתם, יש לנו כאן, כל הדשבורדים שלנו קופצים וצוהלים, זה מאוד חשוב. זה נראה מאוד מאוד קטן, זה יכול להיות שעה עבודה, זה משנה.

ליאור:            מין גניפיקציה כזאת?

רן:                 לחלוטין. זה משנה את הכול. לדוגמה ב-Customer Success, יש לנו דשבורד מדהים שלהם, שמציג, במבט-על, מה קורה ב-Customer Success. מדהים. הוספנו לשם משהו טריוויאלי, כמו יש account שאם הוא מעל x דקות, מעל 6 דקות, הוא מתחיל לבעור.

ערן:               אם הוא לא מקבל תשובה.

רן:                 אם הוא לא מקבל תשובה. שזה KPI שלנו. 6 דקות, זה מה שאנחנו רוצים לעשות, התגובה הראשונית.

ליאור:            נכון. שחר סיפר לנו על זה.

רן:                 זה מטורף. לא הבנו כמה זה engaging, השעה עבודה לעשות את זה, זה מזה היינו צריכים להתחיל. שזה, זה הדבר המדהים, להתחיל ממשהו פשוט וקל שהוא engaging, וממנו כבר אנשים רוצים להשתפר, רוצים לשנות את זה, ואז הם רוצים עוד data. הם רוצים ריפורטים, הם רוצים יותר …  מידע שיש להם. הם רוצים כלים יותר טובים. ומפה זה בעצם מניע את הכול. מפיסת המידע המאוד מאוד פשוטה ו-engaging הזאת. שזה אני חושב הקסם. אם שואלים אותי היום.

ערן:               אני חושב שגם ב, אחד מהערכים של החברה שדיברנו עליו פה זה שקיפות. ואני חושב שכשמשתמשים בכלי גנרי אז הוא גנרי. ואז הוא מציג לך קורטים או גרפים. ויש המון המון בהנגשה של המידע, זאת אומרת להיות שקוף זה לא רק שהמידע יהיה זמין לאנשים.

רן:                 זה לא בפרצוף, צריך ל… מה זה אומר.

ערן:               צריך להנגיש אותו. ואני חושב שחלק מאוד גדול ממה שהם עושים ב-big brain זה גם להנגיש את המידע, שגרפים יהיו ברורים, שאנחנו נדבר באותם מונחים שאנחנו מדברים פה בחברה גם בתוך המוצר.

ליאור:            כן, אני זוכרת גם שבתהליך ה-onboarding של עובד חדש לחברה אתה תמיד מסביר שההחלטה לעבוד עם data בצורה כזאת יש בה הרבה אחריות של באמת ללמד כל עובד גם מה המספרים אומרים, איך מגיעים לכל KPI עכשיו. זאת אומרת, לצורך העניין WAP שהוא מדד שמורכב מכל-מיני דברים, אתה צריך לוודא שכל החברה עכשיו מבינה מה זה אומר ואיך עובדים עם הדבר הזה. כי אם שמת מספרים על הקיר, תמיד כשנכנסים לכאן יזמים לפגישות איתנו אז באמת יש את ה-wow effect של בוא הנה, יש לכם גרפים משוגעים, יש לכם דשבורדים מדהימים. והאמירה הראשונה שתמיד יוצאת לבן אדם מהפה היא "גם אני רוצה כאלה." ויש לי כבר איזה חיוך כזה קטן של "זה יותר מורכב ממה שזה נראה להגיע לכזאת רמה של אינסייטים." כי באמת כל החשיבה של איך מנגישים ואיך הופכים את זה למשהו שהוא לא מידע – זה נשמע כמו קלישאה – אבל לא מידע אלא באמת תובנה שאפשר לצאת איתה לעבודה ולהבין איך מזיזים אותה. אז אני חושבת ששם יש הרבה מאוד עבודת הכנה ועבודה מאחורי הקלעים. והרבה בטח ניסוי ותעייה.

רן:                 בטח, מלא איטרציות, זה לא day one הכול מושלם. אני חושב שהצלחה נמדדת בכמה מושגים. לדוגמה, יכול להיות מצב אחד שרואים retention של, כאילו, אנשים אומרים שהדשבורד הזה מדהים. נותן להם value. זה אחד, זה מאוד… זה ברור, מישהו אמר, הוא נותן מחמאה, אז ברור שזה עושה משהו טוב. אבל יש את הצורה העקיפה. מספיק לראות אנשים שאנחנו נמצאים, בעצם עושים שיחות מול המסך, מתחילים לדבר ו, זה מדהים לראות את זה מהצד.

ליאור:            נכון.

רן:                 בעצם הדשבורד מניע שיחה שלמה. פעם קראו לזה dashboard talks, או דברים מהסוג הזה.

ערן:               כמו water cooler רק סביב דשבורד. [צוחק]

רן:                 בדיוק. שזה, זה מדהים, וזה קורה כאן על בסיס יומי. זה קורה לא רק בתוך הצוות שלי אלא בכל הצוותים פה. וזה הדבר היפה מבחינתי.

ליאור:            תן דוגמה.

רן:                 אז יכול להיות מרמה של Customer Success, שאנחנו מדברים ופתאום מסתכלים על המסך ומתחיל לבעור שם משהו, בוא נדבר. או מסתכלים על בעצם כמות הווליום של טיקטים שמגיעים, זה במבט-על, כזה מבט מעוף מביא את זה, קל מאוד להבין את זה, הם מתחילים לדבר היי, מה קרה פה שבוע שעבר? לא צריך ללכת אפילו למקומות ולקבל את המידע, הוא בפנים. שזה, זה הדבר המדהים.

ערן:               אפילו עוד נדבך, אני יכול להוסיף על זה, שכאילו, כמו שערן אמר, בהתחלה שהקמנו את big brain זה היה יותר להציג את המידע, לאסוף אותו ולהציג אותו, יותר גרפים ותובנות. ואחד הדברים גם שעשינו מאוד מוקדם בתהליך זה לפתוח את big brain למשקיעים שלנו.

[20:00]          פתאום הבנו שלמה אנו מציגים להם פעם ברבעון בישיבת בורד את הנתונים ואז אנחנו כל פעם צריכים לדבר על מה היה? בוא נדבר על העתיד. ואנחנו אין לנו צורך לדבר על מה היה, כי אנחנו ב-day to day במספרים. אז פשוט יצרנו להם יוזרים ב-big brain. ופתחנו להם את כל הגרפים, וממש ראינו, שהם נכנסים, ברמה יומית, ברמה שבועית, להתעדכן. ואני חושב שזה גם יצר מערכת של אמון מאוד מאוד טובה בינינו לבין המשקיעים, כי הם אומרים תראו, הם לא מסתירים שום דבר, הכול זמין, אנחנו יודעים בדיוק מה קורה בחברה. אז אני חושב שכמו שפתחנו את big brain לכל העובדים והנגשנו לכל העובדים בחברה את המספרים והמידע, גם מול המשקיעים שלנו זה עשה אפקט מטורף.

ליאור:            כן, ביחס למשקיעים אני חושבת שהאפקט של זה ממשיך להיות חזק, אפשר אפילו להגיד ש-big brain היה הג'וקר שלנו בסיבוב האחרון. תמיד הייתה איזושהי תחושה מאוד טובה, כששואלים שאלה ואתה או רועי פשוט פותחים את big brain ומחפשים את הנתון ויודעים לשלוף אותו דינמי, real time, לא איזשהו משהו שהוא סטטי וקפוא בזמן. ואני חושבת שזה באמת, בנושא של אמון ושקיפות וגם איזושהי הבנה שאתם באמת מבינים ביומיום מה קורה בחברה. כי כמו שאמרת, אם אתה עוצר אחת לשלושה חודשים להסתכל על ה-data זה דבר אחד. ואם אתה עובד מעצמך עם ה-data ביומיום, בלי שום קשר למשקיע שאתה כרגע מראה לו את הגרפים האלה, זאת דינמיקה אחרת לחלוטין. אז אין ספק שהיה לזה הרבה מאוד כוח. דיברנו על זה שזה תהליך דינמי, ושדברים כל הזמן משתנים. ובאמת הצמיחה בחברה היא פסיכית. אי אפשר לפספס את זה מכל הפרקים הקודמים.

ערן:               זה ברור.

ליאור:            איך אתם מתמודדים עם זה? גם מבחינת כמות הכלים שצריך בעצם להמשיך ולעדכן וגם מבחינת הצרכים החדשים שבטח נוצרים.

רן:                 אוקיי, אז קודם-כל זה באמת אתגר שלא נחשפתי אליו לפני שהגעתי לפה, שמסתכלים חודש אחורה והוא משמעותית יותר גדול מחודש לפני זה. שזה מטורף בגדילה. זה מביא המון אתגרים. זה מביא בעצם, נתחיל מהאתגר המרכזי ביותר. שצוות big brain אסור שהוא יהיה bottleneck. שבעצם זה דבר מאוד קריטי, כי אם הוא bottleneck אנשים מאבדים עניין, ופחות ניגשים.

ליאור:            נשמע לי שקל מאוד להגיע למצב שבו יש איזושהי תלות.

רן:                 כן, היינו בזה. היינו בזה וזה אבולוציה.  והצעתי גם לשתף אולי, וזה דבר שהוא יתרון אדיר. התחלנו ממצב שבעצם ראינו שאנחנו צריכים את הריפורטים או ה-big brain למוצר. אנשים ניגשים אליו, מקבלים את רוב המידע שהם רוצים. אבל הם רוצים עוד. והרבה יותר עמוק, ו-slice and dice על המידע. אמרנו אוקיי, בוא ניתן להם את הגישה ל-database. אז פתחנו לכולם יוזרים ב-sequel, ב … מה שזה לא יהיה. ואיזו הדרכה מינימלית כדי שאנשים ייכנסו. ואנשים התחילו להיכנס. אבל זה לא כזה פשוט. זה יצר לנו סט של בעיות. בעיות של performance, אנשים עושים שאילתות שהן מסובכות. שאילתות ל-database זה דבר לא טריוויאלי כשה-data הוא מאוד מאוד עמוק, זה לא סתם select פשוט. אז אנשים עשו שאלות לא נכונות.

ליאור:            והסיקו מסקנות לא נכונות.

רן:                 הסיקו, הכי גרוע, מסקנות לא נכונות. והיו בטוחים שהם צודקים בזה, כי ככה זה נראה. אבל זה לא כזה פשוט.

ליאור:            אתה יכול לתת דוגמה?

רן:                 זה יכול להיות ממצב שאנשים מסתכלים על churn של לקוחות ומסתכלים מתי הוא עזב, אבל רגע, יש נושא של בן אדם מבטל, הוא אמר שהוא רוצה לבטל לעתיד. זה ה-cancel on renewal. אבל לא בדיוק מבינים איך להוציא את זה. אז לא מסיקים מהנקודות הנכונות. ועוד הרבה דברים שהם בעצם אזורים שאפשר להסתכל עליהם ולא להבין נכון. או ההבנה מה זה לקוח משלם. מה זה בעצם, על מה מסתכלים. זה שדה, זה לחבר בין סט של subscriptions? לא כזה פשוט. אז הבנו את זה. בהתחלה נתנו עוד קצת הדרכות. אבל זה לא מספיק טוב, עדיין היינו bottleneck, היו צריכים אותנו לכל דבר. אז עברנו למצב טיפה שונה, הוספנו כלי בשם meta base. open source. בעצם שנתן לנו לתת לכולם גישה למידע, ברמה בעצם של שתי אופציות. ברמת sequel שהוא native, ממש לשונות sequel, כמו מקודם רק בלי הכלים של sequel וכל הדברים האלה.

[00:24:00]    וגם כלים של פשוט לעשות quarry builder יותר פשוט. וובי הכול, שזה מדהים. זה נהיה ויראלי תוך שבועיים, כולם משתמשים בזה. אבל זה לא היה מספיק טוב. כי א' הגיעה המון המון דרישה לשימוש. עדיין המידע עצמו איך שהוא מאורגן זה לא מספיק טוב למשתמש קצה שרוצה להבין מידע. ושאלות מסובכות. לא סתם שאילתה פשוטה של קאונטים. אז הבנו שאנחנו רוצים למדל את המידע טיפה שונה. עכשיו, ללכת ולמדל את המידע ב-database עכשיו, בצורה שתתאים למי שמסתכל עליו, זה לא הדבר המאה אחוז נכון. אז היינו צריכים איזו שכבת אבסטרקציה. אז הסתכלנו על כל-מיני כלים. בחרנו בכלי בשם looker, שעמיאל כמו שהזכרתם הוא בעצם זה שהביא אותו. שנתן לנו בעצם דבר מדהים. יש לנו את המידע היום שהוא כבר קיים ב-database עם כל הטרות של המידע. ושכבת ביניים שאנחנו ממדלים הכול, מעין סוגים של עולמות, עם dimension ומטריקות. בן אדם בא, נכנס לעולם, לפי הצרכים שלו, ובשניות יוצר את התשובות לשאלות שהוא רוצה, אם זה גרפים, דשבורדים, דריל-דאונים, שר לאנשים, המון המן ויראליות. כלומר, קל מאוד לקבל מידע היום. ומה שחשוב, בגלל שמידלנו, אנחנו מידלנו את זה, יש מאה אחוז guarantee שזה נכון. שזה הדבר המרכזי שבאמת ה-base לא היה לנו. כי שמה לא מידלנו. זה כבר היה ממודל וכל אחד עושה את השאלות שהוא עושה. אז זה כאילו השלב האבולוציוני אם מסתכלים עליו. ועכשיו אנשים נכנסים, הם לא צריכים באמת אותנו בשביל זה. עכשיו, זה לא פשוט כמו שאני מתאר, זה המון איטרציות מאחורה. אבל זה בא ממקום שמישהו רוצה לשאול שאלה, אז הוא כבר יכול לקבל תשובה בקלות מ, בעצם לבד. אם הוא לא יכול אז אנחנו נעזור לו וזה כבר יהיה reusable לכולם. זה כאילו, מין מסע כזה. זה נקרא data democracy בחוץ בדרך-כלל. כאילו, שקיפות תמיד הייתה פה. אבל עכשיו זה לתת יותר יכולות לאנשים, שלא יהיה בלבול. מאוד קל להביא את המידע. והמון מידע.

ערן:               אם אני מסתכל על האבולוציה של big brain, אז ממש אפשר לראות את השלבים השונים שהוא עבר לאורך השנים. אני חושב שבהתחלה היינו מאוד בראש של אנחנו נאסוף את המידע אלינו, למערכת חיצונית שלנו של big brain. והתחלנו מלהציג מידע-

ליאור:            חיצונית-פנימית שלנו של big brain [צוחקת].

רן:                 דווקא זה מדהים, זה שאנחנו מתייחסים אל זה בתור מוצר שהוא בחוץ, זה יתרון אדיר, זה יש עולם משלו שגדל ומתמודד עם אתגרים שהם מקבלים אינפוטים מכל מקום. זה לא טריוויאלי.

ערן:               לגמרי. אז התחלנו בעצם מלאסוף את המידע ולהציג גרפים. שהצגנו גרפים, אני זוכר בשנה הראשונה, של הכנסות, והוצאות, וכל מטריקות של SaaS, כאילו, כל ה-MRR ו-churn ו-retention של קורטים. אז ממש את כל ה-ecosystem של הפיננסים מסביב לחברה, המטריקות הסאסיות. זה בעצם היה קיים ב-big brain ,שהמטרה שלו זה הייתה אחד להנגיש לכולם בחברה את המידע, לנו ולמשקיעים. ושאנחנו תמיד נדע, on top of it ניהלנו שם גם את ה-TRI, בעצם את ה-cash return, לראות שהחברה on track. ומשם התחלנו. ואני חושב שהשלב הבא באבולוציה אחרי זה היה בעצם האוטומציות, שהכנסנו לתוך big brain. זה ממש אני זוכר את הרגע הזה שזה נולד, שדיברנו עם רותם. רותם שי, שהיה פה בעצם בצוות של ה-Marketing. ואני חושב שבזמנו הוא הוציא 100 אלף דולר על פייסבוק. ושאלנו אותו כאילו, מה נדרש בשביל להכפיל את התקציב? כי אנחנו כל הזמן אוהבים להכפיל את התקציב. אז ראינו-

ליאור:            כאלה אנחנו, אוהבים להכפיל את התקציב.

ערן:               [צוחק] אז ראינו את הפחד בעיניים שלו. עכשיו, רותם, אני רגיל שהוא אוהב אתגרים, לא לפחד. והוא אמר, אני צריך עוד אנשים. ואני חושב שבתור גישה אצלנו בחברה זה תמיד למה צריך עוד אנשים? בוא ננסה להבין את זה שנייה. והוא אמר, אני כל בוקר מגיע, חמש שעות ראשונות אני מוריד את ה-data מ-big brain, מוריד את ה-data מפייסבוק, עושה pivot table, בודק את הנתונים, משווה אותם, בשביל לדעת איפה לעשות אופטימיזציה. ואז אחרי שאני מבין אני עוצר קמפיינים או מפסיק אותם או משנה את הביד. והחשיבה שלנו הייתה "למה? זה לא הגיוני." אין סיבה בעולם שבן אדם יבוא ויעשה עבודה שהיא manual בשביל לקבל החלטות.

[28:00]         ואז אני באמת זוכר את ערן עמיאל, שהוא ישב עם רותם, ניסה להבין את כל ה-flow שלו בתוך המערכת, ובנה לו בעצם כלי שעושה את כל הפעולות הידניות שרותם עשה בחמש דקות. הוא בא בבוקר ותוך חמש דקות יש לו את כל המידע שעד אז לקח לו חמש שעות. והצלחנו בעקבות זה להכפיל ולשלש ולעשות אפילו ten x על התקציב עם אותה כמות של אנשים. ומאז היו עוד המון אוטומציות בתוך big brain.

רן:                 וזו דוגמה אחת התחלתית שהיא מדהימה, כי זה בעצם כל ה-data. הוא א' כל יושב אצלנו, שזה מדהים. והכול זמין לכולם, הכול מחובר להכול, גם של כל ההוצאות שלנו של Marketing. אנחנו יודעים להגיד בדיוק על מה הוצאנו כל נקודה ומה הרווח שלה אחרי זה. שזה מדהים באופן הבסיסי. הוספנו כל-מיני דברים נוספים. לדוגמה ב-Marketing כל העבודה עם גוגל. זה שעתיים ביום היה לוקח להם. אז הוספנו tool בשם SQR .נותן בעצם לעשות אוטומציה לכל הפעולות של גוגל, עם כל הקמפיינים, בטרמים, בלחיצת כפתור. שזה מדהים זה הוריד שעתיים לבן אדם עבודה. מה שמדהים, בגלל שזה היה תהליך שהיה לוקח שעתיים, אז עשו אותו פעם בשבוע. עכשיו זה non-issue. אפשר לעשות אותו גם עשר פעמים ביום. שזה הדבר המדהים פה. עכשיו, קיבלנו לפני חודש פידבק שהם רוצים לעשות עוד משהו, כדי ליצור negative terms, עוד מושגים. שפשוט לא עושים אותו, כי זה הרבה זמן. הוספנו, אפשר לעשות אותו עכשיו כל דקה. כאילו, עם רוצים. שזה, זה איזשהו mind-blowing issue, שאם משהו איטי, אז יכול להיות שתעשה אותו פעם בשבוע, ואז אתה אומר רגע, מה הרווח? תצמצם אותו לחצי אז זה שעה במקום שעתיים. אבל זה לא זה. הוא יכול להיות כל דקה, לעשות אותו כל יום, כל חצי שעה. שזה ה-value.

ליאור:            כן, אבל הנקודה נוספת כאן היא גם מה אתה עושה עם הזמן שפתאום נוצר לך, כמו שרותם תיאר, אז הוא קרא לזה, פתאום התחלנו לעשות Marketing. אני חושבת שהיכולת שלנו להסתכל על כל הצ'אנלים במאנדיי ולהגיד יש לנו ראייה אינטגרטיבית אליהם, נוצרת באמת מתוך השימוש בכלי פנימיים שבניתם להם.

רן:                 נכון. לדוגמה ב-Sales. אז ראינו שהם עושים המון אימיילים עם הלקוחות, והם עושים אחרי זה copy-paste למערכת. המון זמן. זה מעל חצי שעה או 45 דקות ביום. אז עשינו אינטגרציה. מיטלמן, בחור מהצוות, יצר אינטגרציה, שהוא עשה import לכל האימיילים. שקשורים ל-account. זה מתויג ל-account. הכול בפנים. זה value מטורף, חסך מעל 45 דקות ביום. פלוס זה גם עוד מידע, אפשר להשתמש בו אחרי זה, לראות יעילות של הדברים האלה. ולעזור להם להתייעל.

ערן:               זה יצר פה culture בחברה. שאם מישהו באחת המחלקות מרגיש שהוא עושה היום משהו שהוא ידני, הוא בא ל-big brain ואומר להם "תקשיבו, יש לי את הדבר הזה שעושה אימפקט. בואו תעשו לי אוטומציה לדבר הזה."

רן:                 שהרבה … זה מה שיפה.

ליאור:            איך מחליטים מה הדבר הבא?

רן:                 מסתכלים. כלומר מה, מה זה נותן בסופו של דבר. זה לא מי שצועק יותר חזק, זה באמת מה נותן את האימפקט הכי גבוה. ואני חושב שזה הדבר הבסיסי. זו לא משימה קלה, כי יש המון רעיונות, באמת, זה מדהים לראות את כמות האינפוטים שאנשים מביאים. אז עושים מה מביא את האימפקט הכי גבוה, ותוקפים. זה לא רק אחד-אחד, לפעמים זה גם במקביל. תלוי מה … כל דבר. לפעמים עושים דברים מאוד קטנים, שמביאים המון value.

ליאור:            מה למשל?

רן:                 אז נגיד, דווקא בדשבורדים זו הדוגמה הכי מדהימה. כאילו, ששינוי קטן ברמת UI יכול לתת אימפקט לצוות שלם. כי משהו מניע אותו. שזה קצת מוזר, כי-

ליאור:            תן דוגמה.

רן:                 אני תמיד חוזר ל-Customer Success, כי זה הדבר שלי הוריד המון אסימונים. אנחנו בהתחלה יצרנו דשברוד מדהים, שנותן מבט-על על כל מה שקורה ב-Customer Success, ברמת שבוע שלם. שווה להראות את זה גם דרך אגב. אז במבט חטף אתה יכול לראות מה קורה. אז הוספנו את האש הזאת, שמניעה את האנשים. ועכשיו הוספנו עוד צהלות כאלה, נגיד כשיש לנו שביעות רצון שעולה מעל 9, מתחיל קונפטי. אז זה מעניין. ואנשים רוצים את זה. שזה יורד מתחת למשהו אז רואים משהו engaging. יש לב אדום, שנהיה קצת… הוא אדום, והוא בוער קצת, הוא קופץ לו. זה דברים מדהימים, זה מאוד מניע, ודברים קלים.

ערן:               וזה גם מקרין מאוד את ה-culture אני חושב.

רן:                 כן. ואנחנו לא עושים את זה כדי לעשות finger pointing, שזה הנקודה. אנשים מסתכלים על זה בתור משהו שמניע אותם, רוצים שזה יצליח. אנחנו רוצים שהכול יצליח בסופו של דבר. מוביל אותנו.

[32:00]

ערן:               אם אני שנייה אחזור לשאלה שלך של איך אנחנו מסבירים היום שאנחנו תשעה מפתחים, ובקשר למה שדיברנו עכשיו, אז היום אנחנו ב-Marketing מנהלים תקציב של 4.5 מיליון, עם עשרה אנשים ב-Marketing. שאם אני אעשה benchmark למול חברות אחרות, זה צוותים של 30 איש, 40 איש. ב-Sales אין לנו כמעט SDRs, אין לנו SDRs, כי בעצם כל החלוקת לידים ב-Sales … ב- ]לא ברור] big brain. אם אני אצטרך להעריך, אני חושב, גם בהשוואה לחברות אחרות, היום אנחנו 130 איש בחברה, בלי big brain היינו בכיף יכולים להיות 180, אפילו 200 איש היום בחברה. אז התשעה מפתחים האלה שגייסנו ל-big brain זה ה-RY הכי טוב שיכולנו לקבל.

ליאור:            כן, גם ה-growth margin שלנו, מה הוא כרגע? אתה יודע להגיד?

ערן:               כמעט 90 אחוז.

ליאור:            אני חושבת שזה, שזה אומר הכול. בראיית מאקרו על מה big brain מאפשרים לנו לעשות.

ערן:               לגמרי.

ליאור:            יש כלים שניסיתם לפתח ולא הצלחתם? מקומות שבהם ניסינו לעשות משהו פנימית ונכשלנו?

רן:                 אז מה שהזכרתי בהתחלה, את ה-intent. אז רק נסביר שנייה מה זה intent. בעצם אנחנו על בסיס הפעולות שכל account או יוזר ב-account עושה ביום הראשון, אנחנו יודעים לחזות את הסבירות שהוא הולך להתקנוורט ללקוח משלם ביום ה-35. שזה חובה כדי לייעל ולעשות scale למערכות שלנו. אז-

ליאור:            רגע, מה זה מאפשר לנו בעצם? שה-intent הוא מדויק וטוב, מה קורה?

רן:                 ברמה הבסיסית ביותר, נגיד, ניקח את ה-Marketing, שזה דוגמה הכי קלה לקחת אותה. עושים עכשיו שינויים ב-Marketing היום, ומחר אפשר לדעת האם הקהל שיגיע אלינו הוא בסיכוי להתקנוורט גבוה הוא נמוך יותר. אנחנו יודעים לקחת החלטות אחרי יום או יומיים עבודה. שזה מדהים.

ליאור:            כן, המהירות הזאת מאפשרת לנו…

רן:                 כל יום יכול להיות 150 אלף דולר. זה לא…

ערן:               דרך אחרת שאני אוהב להסתכל על זה, זה שהבאנו יוזרים לתוך המערכת, אנחנו יודעים אחרי יום שהם הולכים לשלם, הם עדיין לא יודעים שהם הולכים לשלם, אבל יש לנו כאילו קורלציה מאוד מאוד גבוהה בין התחזית שלנו לבין מה שהולך לקרות באמת בעוד 35 ימים.

ליאור:            אוקיי. אז הבנו מה זה intent.

רן:                 כן. עכשיו, לעשות מערכת של prediction זה דבר שלא עושים אות פעם אחת והכול עובד, זו עבודה שהיא, יש לה מחזוריות. העולם משתנה, המוצר משתנה, הכול משתנה. התמהיל של ה-Marketing משתנה. ה-prediction גם צריך להשתנות. המרנו כאן מצב שבעצם ה-intent יצא מסנכרון מול ה-conversion, דבר שהוא מטריד מאוד. בעצם בשני אופנים. אחד, זה לא מאוזן, ולכן אנחנו לוקחים החלטות שאולי לא נכונות. ובעיה שנייה, ה-conversion ירד. במקרה שלנו.

ליאור:            במציאות.

רן:                 במציאות הוא ירד, והיינו צריכים לתת לו מענה, וכמה שיותר מהר, כי זה נתון שהוא קריטי. יש בעיה במוצר.

ליאור:            כן, האמת שגם אם אתה, אם חוזרים שנייה למה שערן אמר קודם על ודאות ועל ביטחון, אז כשכלי שאתה כל-כך בוטח בו יוצא מסנכרון זה בטח מפחיד.

רן:                 כן. עכשיו, זה משהו מחזורי. אני חייב כאילו להיות כנה, שב-prediction, כשכל העולם משתנה, הסיכוי לחזות בצורה מושלמת היא, אין סיכוי. אבל יש אחוזי טעות מסוימים, ואנחנו צריכים לקבל אותם. אבל כן צריכים לתת לזה מענה כמה שיותר מוקדם. אבל הבעיה שלנו הייתה, היא בשני מישורים. אחד ה-conversion ירד, ושתיים ה-prediction לא היה מדויק. אז מאבדים גם את האמון ב-prediction וגם אולי לא נותנים מענה ל-conversion. כי תמיד אפשר להאשים את ה-prediction שהוא לא טוב. אנחנו לקחנו את שני המישורים. גם ב-intent, ב-prediction, וגם לטפל בבעיית ה-conversion, שהיא סט של אנליזות שעשינו, ולראות מה בעצם גורם ל-conversion לרדת. וזיהינו את זה.

ליאור:            ומה עשיתם בעצם?

רן:                 אז אחד, קודם-כל, כמו כל דבר, צריך לשתף את כולם, שאנשים יבינו מה זה הדבר הזה prediction. זה אנחנו, זה שלנו, intent. זה לא מוצר חיצוני שעובד באיזה black box שאף אחד לא יודע איך הוא עובד. אז אנחנו מסבירים לכולם מה זה אומר, ומה הסיבות. וברמת ה-conversion אז עשינו אנליזות עם כמה צוותים, לראות מה הפירוק של זה. למה זה מתחיל לרדת, מה הגורמים לכל דבר. אז ראינו חלק במוצר, חלק ב-email marketing. וכל דבר מקבל בעצם את הטיפול שלו. ואז רואים שהמצב חוזר לקדמותו.

[36:00]

ערן:               יש עוד נושא שאולי שווה קצת לדבר עליו, על ה-A/B test. כי גם שם עברנו… אני חושב שבהתחלה ראינו כלי A/B test בתוך big brain והוא היה נראה כמו נושא פשוט, A/B test, יש נוסחאות באינטרנט איך לחשב את המובהקות הסטטיסטית. ופתאום אתה מתחיל להבין את העומק של הנושא הזה. ואני זוכר ממש פיתחנו איזה כלי ראשוני ב-big brain וקיבלנו החלטות לא נכונות על בסיס זה, וממש עשינו תיקון תותחני מאוד משמעותי.

רן:                 שזה היה עוד, התיקון היה כנראה לפני שהגעתי, אבל אני היום יודע נגיד שה-A/B test שלנו, אני מאחורי הקלעים ויודע מה הוא חופן בתוכו, באמת advance, לא טריוויאלי בכלל מבחינת ה-data והחישובים. אנחנו עושים שם הרבה מושגים של maturity, ו-lock. שלא כולם יודעים, אני רק אגיד כמה מילים על זה. אז maturity לדוגמה. האם אנחנו נותנים מספיק זמן לאותו, נגיד, אם אנחנו מודדים עכשיו לקוחות משלמים, כמה זמן הם ב-trial? אם מדדנו את זה רק חמישה ימים אז לא נתנו מספיק את הזמן של mature. כי לוקח זמן להתקנוורט. מצד שני, נתנו עכשיו הרבה מאוד זמן, ואנחנו ממשיכים למדוד את ה-conversion, מתי אנחנו חוסמים את זה. שנוכל להשוות מספיק טוב. אז אנחנו עובדים נגיד ב-maturity מסוים נגיד של 35 יום, וגם lock 35 יום. מה שאומר שרק מה שנכנס עד ה-35 יום נספר, אבל צריך לתת להם 35 יום להבשיל. זה מכל הבקשות שעשיתי עד היום עם אנשים שבאים לפה, הם לא באמת יודעים להסתכל על זה ככה. הם מודדים מנקודה בזמן בלי מחסום, בלי לוקים. ואז הכול מתחיל לדעוך בעתיד, אנשים נושרים, זה לא מספיק טוב.

ליאור:            יותר מזה, אני חושבת שגם ההבנה של מהו ה-lock הנכון היא הבנה עמוקה שבעצם דורשת פה חשיבה של יותר מ-big brain כוואקום.

רן:                 כן, זה מחובר מאוד ל-business, אנחנו יודעים שיש לנו לקוחות yearly, שיש להם 30 יום חינם. אנחנו יודעים שאם נספור פחות מ-30 יום זה לא מספיק טוב, יש עוד כמה ימים של מחשבה. לעומת הלקוחות ה-monthly. אז הכול נכנס… זה לא מנותק מה-business הדברים האלה.

ערן:               ושוב זה מוביל אותך לנקודה של יש כלי A/B test בשוק, למה לא להשתמש בהם? ואני זוכר שסתיו מהצוות שעבדה על כלי A/B test, זה לא שאמרו לה בואי, תבני כלי A/B test. זה בוא נפתור את בעיית ה-A/B test. במאנדיי. ומתוך המקום הזה היא ידעה מה ה-business, היא הבינה איך המערכת עובדת, היא הבינה את סוגי הלקוחות השונים. וזה בדיוק ההבדל בין כלי גנרי שאמור לדווח לאלפי מוצרים והוא חייב להיות גנרי ולא מותאם אישית, לבין כלי שהוא מותאם אישית. וברור לי היום שאם היינו משתמשים בכלי גנרי היינו מקבלים החלטות לא נכונות. פשוט, פשוטו כמשמעו. החלטות לא נכונות על החברה, שרק בגלל שיכולנו לחפור בזה ולבנות את זה בעצמנו אנחנו היום, יש לי ביטחון לגבי ההחלטות שאנחנו מקבלים.

ליאור:            אתה זוכר איזושהי החלטה ספציפית עם אימפקט גדול שקיבלנו בזכות big brain לאורך הדרך?

רן:                 שחיובית? המון, מה, כל מה שה-Growth עשו יכולנו למדוד את זה בצורה טובה בזכות big brain. ואני יכול להגיד לך שלפני זה, שהכלי לא היה טוב, קיבלנו החלטות שגויות. היום בדיעבד כשהסתכלתי על ה-data קיבלתי החלטות לא נכונות. ה-data אמר דבר x ובפועל זה לא היה נכון.

ליאור:            רן, הזכרת קודם את Looker ו-Metabase, שהם כן בסופו של דבר כלים חיצוניים. וגם Zen Desk. נכון?

רן:                 כן, אז כאילו, שלא ייווצר מצב שחושבים שאנחנו לא בעד שום כלי חיצוני. זה תלוי מה שמביא-

ליאור:            איפה עובר הגבול?

רן:                 זה מה שמביא value לצורך העניין. זה מתחיל מזה שגם בכלי חיצוני, קודם-כל חובת ההבנה של ה-data זה עלינו. זה לא מנתק אותנו משום דבר, וזה אנחנו. הכלי אם הוא עוזר לנו ויביא value ונותן דברים שהם משמעותיים, אז נשתמש בו. Looker במקרה שאנחנו בחרנו אותו בחרנו בגלל שהוא מוצר טוב מאוד, הוא על בסיס ה-data שלנו, הוא משאיר את האחריות על ה-data governance לצורך העניין אצלנו. אנחנו הולכים על ה-data. ואנחנו חושבים שכל אחד יכול להשתמש בקלות בזה. במקום לעשות עבודה שהיא לאורך כל ה-funnel, של גם פיתוח הרפורטים והדשבורדים ו-drill down. שאנחנו יכולים לעשות את זה, שלא יהיה ספק. פשוט זה נראה לנו יותר נכון. ואנחנו נבחן את זה. ואם נראה שיש פחות value ויש מקום אחר לשפר אותו, אז נשפר אותו. כאילו, זה מאוד… אנחנו עם האימפקט של הדבר הזה.

[40:00]

ערן:               אני חושב שזה התאפשר כי הבסיס אפשר את זה. זאת אומרת, שוב אני אחזור לאיך… זה ממש מעניין לראות איך הדבר הזה יתפתח.  אז אני חושב ש, עוד פעם אני אחזור, התחלנו מלאגור את ה-data ולהציג גרפים. זה היה הבסיס. משם, היה ה-paying כשהתחלנו את big brain. אחר-כך מה שערן ציין, הבנו שזה כלי שיכול להניע אנשים. הדשבורדים. זה לא רק להציג את המידע, זה גם להניע אנשים ולכוון אותם. אחרי זה הוספנו את האוטומציות. אמרנו בוא ניקח את כל מה שאנשים עושים בצורה ידנית ונהפוך אותו לאוטומטי. עכשיו רן מדבר על עוד שלב באבולוציה, של free the data. זאת אומרת, אנחנו מספיק מרגישים בטוחים עם ה-data שלימדנו אנשים לצרוך, גם עכשיו אנחנו מרגישים שאנחנו יכולים לחנך אותם על איך לצרוך את ה-data. ואם אני מסתכל טיפה יותר קדימה, לאן big brain עוד יכול להתפתח, אז אני חושב שזה לקחת את האוטומציות לאקסטרים. זאת אומרת, היום לצורך העניין האנשים ב-Marketing יכולים לקנות ממדיה ולקבל החלטות דרך big brain. אבל big brain הוא גם מערכת לומדת, אז הוא גם לומד מה הם עושים. ואנחנו רוצים בעתיד ש-big brain יקנה את המידע. שכמה שיותר לזקק את התפקיד של ה-Marketing. כאילו מבחינתי, את כל החלקים הטכניים שאנשים עושים פה בוא נעשה אוטומטית. שהם יקבלו החלטות על Marketing, מה ה-creative, איזה brand marketing, איזה כיוונים חדשים אנחנו רוצים לחקור. ושאת כל העבודה הידנית big brain בעצם יעשה, עד לרמה של להוריד קמפיינים ולהעלות קמפיינים, ולהעלות budget וכו'.

ליאור:            זה מביא אותי לשאלה בנוגע לשתי מילים שיזמים מאוד אוהבים להגיד. אתה רוצה לנחש?

רן:                 בואי תגידי. אני כבר יש לי כמה מחשבות.

ליאור:            Machine learning, artificial intelligence. אתה יודע, הרבה פעמים יזמים בתחילת הדרך-

ערן:               איך משקיעים בסטארט-אפ הזה, ליאור?

ליאור:            נכון, הרבה פעמים בתחילת הדרך-

רן:                 Block chain. כן, כל ה-buzz words.

ליאור:            כן, אז block chain זה לא בפרק הזה.

ערן:               חייבים להוסיף block chain ל-big brain.

רן:                 כן. אנחנו נוסיף.

ערן:               בדרך [צוחק].

רן:                 בדרך.

ליאור:            אני חשבתי שכל היופי ב-big brain זה שזה לא fluff ולא הבטחות ללא כיסוי. שנייה לעניין עצמו, באמת הרבה פעמים יזמים בתחילת הדרך אומרים "ביום שיהיה לי הרבה data, אז אני אוכל לעשות machine learning על ה-data, ואז אני אעשה AI על ה-data, ובואו תשקיעו בי בזכות הדברים האלה. סוף סוף יושב מולי מישהו שיש לו data [צוחקת].

רן:                 כן.

ליאור:            איפה אנחנו, איך אנחנו מסתכלים על הדברים האלה?

רן:                 אז קודם-כל זה נכון שצריך data כדי שתהיה מובהקות ל-predictions שנותנים, אחרת יש פשוט סטייה שהיא גבוהה מדי. אז אני מתחבר לזה שצריך data. מצד שני, המון תהליכים היום שלוקחים בתוך חברה, כבר עושים החלטות. אפשר תמיד לשים על זה איזשהו machine learning לראות תהליך, שייתן לי את ה-prediction במקום שאתה תיקח אותו. ורק לכייל אותו כל הזמן. אז אנחנו פה אצלנו, מהלך שעשינו לפני כמה שבועות, בעצם דימיטרי הוא ה-data science שלנו, הוא נכנס לתוך הצוות. שזה מהלך שהוא מטורף, עם value אטומי. אנחנו רואים את זה כבר אחרי רק שלושה שבועות אחורה. בעצם שנותן לכל הצוות. הם חושבים כבר במושגים של data science ולא רק ברמה של לעשות אנליזה על data ולראות איך הוא מקוטלג או איך הוא נראה, כבר איזשהם כלים סטטיסטיים מתחילים לחשוב עליהם. אז זו מין אבולוציה כזאת שהתחילה להיות. זה לא דבר שהוא טריוויאלי שמתחילים לעשות אותו, כי יש… זה כאילו pipeline, data science, כמו שיש מפתח ויש ops, אז יש את ה-dev ops? אז גם עכשיו בעולם ה-data science זה גם נהיה מושג כזה של יש את ה-data science ו-developer, או ops, אז זה data science ops נקרא לזה – אנחנו עכשיו בשלב הזה. ממצב שהיינו בעבר שה-data science היה עובד במנותק בעצם עם איזשהו hot potato שעובר בינינו לבינו, בין תביאו לי מידע, אני אצור פיצ'רים. פיצ'רים זה בעצם איזשהו, לוקחים סט של מידע ומכבסים אותו לאיזשהו, נגיד מדד, שאפשר לבחון אותו, לתת לו משקל. אז ממצב שהיינו מעבירים בינינו מידע אחד לשני וזה היה מאוד מנותק, אז עברנו היום למצב שהוא בתוך הצוות. הוא שותף להכול, הוא חי את ה-data כמובן, כי הוא ה-data science. אנחנו חיים את העבודה שלו. וה-latency שעובר בינינו מאוד מאוד קטן. אז עשינו מהלך יפה שם. והשלב הבא זה בעצם ליצור מנגנונים הרבה יותר קלים, שנעבוד כבר באותן שפות, תשתיות, source control, ותהליכים שהם לומדים שהם הרבה יותר טריוויאליים לכל הצוות. ולהפוך את דימיטרי לחלק אינהרנטי בכל התהליך שאנחנו יודעים כל מה שהוא עושה ויכולים לעזור לו. אחד עם השני. שזה השלב הבא.

[44:00]

ליאור:            מה אתה חושב שזה יאפשר לנו?

רן:                 ברמת מהירות זה הרבה יותר מהיר. שזה, מהירות זה קריטי. אם לא הבנו את זה עד עכשיו. כמה שיותר מהר זה אומר שנעשה את זה בתכיפות יותר גבוהה. זה אומר שאחוז הטעות יהיה יותר נמוך, וטעות של יום זה 150 אלף דולר. ב-Marketing. ברמת צוות. מצוות שמתעסק ב-data והוא מאוד passion על זה, אז יש להם עוד מרווח חדש של דברים שהם עוד יותר טובים מקודם, לתת אנליזה של classification, לסטטיסטיקות, לדברים שכבר נותנים כלים יותר מהירים לבחון את המידע. לא רק שאלה של תביא לי את כל הלקוחות המשלמים ותפלג לי אותם לפי plan ID, אלא תעשה לי קלסיפיקציה של הלקוחות שעוזבים במהלך השנה האחרונה ותן לי prediction לפי כל הדברים האלה. לפי סוגים שונים. זה כבר סטטיסטיקה לכל דבר.

ליאור:            כן.

רן:                 זה מה שאני צופה ש, מה שיקרה עכשיו. אנחנו כבר רואים את זה ממש גדל עכשיו בזמן האחרון.

ליאור:            כלומר, משהו שבעצם הבנתי עד עכשיו, עד היום ב-big brain כל המידע הזה וכל הנושא של האינסייטים קרה ברמה של שאילתה, לא ברמה של רגרסיות-

רן:                 כן, זה שאילתה וכאילו, בן אדם חושב, יש לו, הוא עושה את הסטטיסטיקה כבר לבד, הוא פשוט לא מודע לזה. עכשיו אנחנו בעצם מביאים עוד-

ליאור:            ממדלים את זה.

רן:                 בדיוק, אנחנו עושים עוד שלב שהוא קצת יותר מדעי. וצריך להראות שהוא מחובר למציאות, זה לפעמים לא טריוויאלי. סטטיסטיקה לא תמיד קולעת, כי זה סטטיסטיקה. אז אם לוקחים את הצוות שהוא מאוד מחובר ל-data ואת הכלים הסטטיסטיים, אז נעשים תהליכים הרבה יותר מהירים. שזה המטרה בסופו של דבר. ואם ניקח את זה לשלב הבא, כאילו, חוץ מאוטומציות כמובן, זה לתת כלים בעצם לכולם, לתת איזשהו monitoring. בוא נזהה שיש לנו בעיית conversion, או לקוח שמקבל שביעות רצון לא טובה נגיד מאינטגרציה עם Zen Desk, אחרי שהוצאנו איזה מוצר או איזה column חדש במוצר שלנו. באזור של הודו. ורק בסופי שבוע. זה לעשות slice and dice על data זה משימה בלתי אפשרית. לא בכמויות שלנו. אז חייבים איזשהו כלי שייתן אינסייטים ואלרטים, שנוכל לתת להם מענה מאוד מהר. אז זה אני גם רואה, בעצם האבולוציה הבאה שלנו זה בעצם אלרטים או אינסייטים על בסיס ה-data.

ליאור:            אתה יכול להתייחס קצת באמת לעולם האלרטים? שבעיניי הוא מאוד מעניין, כל הגישה, אתמול ערן ואני ככה דיברנו על זה אופליין על הנושא של איך אתה מזהה churn לפני שבן אדם בכלל מבין שהוא הולך לעשות churn. וערן הזכיר כאן קודם את הנושא של איך אתה מבין שהוא הולך לשלם עוד לפני שהוא הבין, או ככה הפנים את זה שהוא הולך לשלם.

רן:                 אז קודם-כל, ברמת הבסיס צריך שיהיה מידע שנוכל לעבוד איתו. לוקחים את המידע. עכשיו, כאן נכנס המוח האנושי, זה לא יעזור. אנחנו חושבים מה יכול להיות הדברים ה, בעצם הפיצ'רים שיכולים להשפיע לו על עזיבה. אנחנו יודעים שלקוח עזב, כי יש לנו מידע היסטורי. יודעים את כל הפעולות שהוא עושה, או כל מה שאספנו, שזה שואף להכול אני חושב. ועכשיו מפעילים כלים, מודלים. אם זה regression, predictions, מסתכלים על כל הפיצ'רים האלה ואומרים מה אחוז הסיכוי שלו לעזוב. כמו אחוז הסיכוי שלו להתקנוורט ללקוח משלם, זה על אותו מודל, או בוחרים מודלים שונים. ואפשר לתת לו ציון. הציון הזה אפשר לתת עליו אלרטים, ולתת נגיד ל-Customer Success, שלקוח עם סיכוי שרוצה לעזוב אותנו בגלל בעיה מסוימת או שיש לו ירידה בכמות הפעולות שהוא עושה במערכת, אז לאותת ל-Customer Success, להגיד להם שימו לב, יש כאן לקוח שאולי לא מסתדר עם המערכת. בוא נעזור לו. בוא ניתן לו וובינר, בוא נפנה אליו אישית, בוא באימיילים, או משהו, שנוכל לעזור לאותו לקוח. שהכוונה זה שיהיה לנו, דיברנו בהתחלה על WAP, נכון? אז שיהיה לנו, ה-WAP שלנו גדל, אנחנו רוצים שאנשים יהיו שמחים מהמוצר וייהנו ממנו. אז זה אחת מהאפשרויות שלנו בצורה אוטומטית לעשות את זה. מאשר לקחת data ולעבור עליו, משימה שהיא אינסופית. ממש אינסופית. עכשיו, עוד נקודה של monitoring, הוספנו בחודש האחרון. בארגון תמיד יש בעיות. כמובן, יש בעיית subscriptions, בעיית payment, בעיה של מוצר, בעיית… תמיד יש בעיות, אין מה לעשות, זה עולם שהוא גדל והוא ניזוק מכל-מיני סיבות והכול מתוקן. אנחנו רוצים בצורה מהירה בעצם לזהות את זה. אז הוספנו אלרטים. בעצם לדוגמה, אם אנחנו מזהים שיש בעיית subscriptions ביום מסוים, אנחנו מתריעים על זה. בן אדם מקבל איזשהו on call, ויכול לתת מענה מאוד מאוד מהיר ולעזור ללקוחות בצורה, בלי שלקוח יפנה ויגיד לנו יש לי בעיה. שזה ה…

[48:00]

ליאור:            זאת העוצמה של זה.

ערן:               אני חושב שהרבה פעמים ארגוני RND יש להם את המוניטורים על הסרברים, CPU, מוניטורים גם על הקוד שרץ. אבל זו שכבה אחרת. אנחנו קוראים לזה Business monitoring. על בעצם איך העסק אמור להתנהל, כמה אנשים אמורים לסיים את ה-funnel של ה-signup, כמה אחוזי הצלחה צריכים להיות בתשלום. כמה אנשים אמורים לקבל את ה-email marketing שאנחנו שולחים. בעצם big brain הוסיפו שכבה שלמה של monitoring על דברים שלא נראה אותם בשרתים ולא נראה אותם בקוד, exceptions או משהו כזה, אלא דברים שאנחנו יודעים שאמורים להיות businesswise, בפרמטרים מסוימים, ועליהם אנחנו עושים monitoring.

ליאור:            לא רק זה, זה גם נשמע כמו משהו שבעצם מאפשר לזהות בעיה במקום שנקודתית היא עוד לא נראית כמו בעיה.

רן:                 יותר מהר. כי אחרי זה זה מובהק וזה כבר נהיה מצב שהוא יותר בעיה-

ליאור:            וזה כואב.

רן:                 הוא מאוד כואב.

ערן:               ברגע שאתה רואה ירידה ב-conversion זה כבר מאוחר מדי.

ליאור:            בדיוק.

רן:                 וכמה שיותר מהר זה יותר טוב. כי אז זה נותן מהנה יותר מהיר. עכשיו, הפרק שעבר שהיה, או שניים אחורה, מה שדניאל עשה, אז הוא דיבר שם על ה-dev of the day, נכון? אז זה גם כלי, יש לנו בעצם, לכל מקום יש את ה-on call שלו.

ערן:               Brain of the day.

רן:                 יש לנו brain of the day, בדיוק. שיכול לקבל alert ולתת מענה מהיר. וזה טוב, כי הלקוח בסופו של דבר לא רואה בעיה שהיא מהותית, אלא זה נקודתי ומטופל. שזה יתרון גדול. Customer Success. כמות הטיקטים לא גדלה. אחת הסיבות, שנותנים אלרטים. שעוזרים בעצם, מורידים את כמות ה-

ליאור:            באגים.

רן:                 בדיוק, הבאגים או הכישלונות שלקוח חווה. זה מדהים.

ערן:               אבל יותר מזה אני אומר, זה בדיוק המקומות ש-big brain הוא מכפיל כוח. כי בעצם בגלל שהכול מרוכז בתוך מערכת אחת, אז כשאתה נכנס נגיד לפרופיל של לקוח אתה יכול לראות, ממש במבט מאוד מאוד פשוט, איזו אינטראקציה הייתה ל-Sales עם הלקוח, איזו אינטראקציה הייתה ל-Customer Success, איזה פיצ'רים הוא משתמש, איזה A/B tests רצו על החשבון. זאת אומרת, מבט כאילו רחב, 360, מכל המידע, מכל המערכות, בתוך פרופיל אחד ב-big brain. וזה תקף כמעט לכל ה-views, לכל הגרפים שיש לנו, אתה תמיד תראה מידע מכל המקומות על הלקוח, ככל שאנחנו נרצה לבנות את הגרף.

ליאור:            מה שאמרת עכשיו לגבי ה-CS, מדגיש עד כמה זה לא רק הכלי, זה ההבנה שהאנשים שמתפעלים ומייצרים את הכלי הזה יש להם גם הבנה של ה-business. כי היכולת שלך לזהות את הבאגים שחוסכים טיקטים, זה חוזר לאדם כאן, לא לכלי.

רן:                 כן. וזה, עוד פעם, זה אבולוציה, שלא נחשוב שהכול מושלם ואנחנו יודעים הכול, לא. אבל אנחנו, כל-כך איכפת לאנשים מה-data, שאנחנו… כמו שיש היום בעולם הפיתוח מוסיפים טסטים לכל דבר וטסט שנכשל יודעים שיש בעיה? אז גם פה, מוסיפים מוניטור לביזנס KPIs שאנחנו יודעים אותם, או למשהו שהוא מתרחש ואנחנו יודעים אותו. אנחנו יודעים לצפות לכמות שימוש בקולומים מסוימים במוצר. אם זה יורד מתחת למשהו אולי יש בעיה. צריך שיהיה מוניטור ממוקד, שמישהו מטפל בו.

ליאור:            איך זה עובד ביומיום?

רן:                 קודם-כל ברמת הפיתוח כולם יכולים לפתח הכול. זה מפתחי full stack לכל דבר. מה שבעצם לקחנו לפני כמה חודשים, בעצם החלטנו לנסות משהו, ובעצם כל בן אדם לקח מחלקה. כל אחד התנדב לקחת מחלקה, שזה אני חושב הדבר המדהים. אני לא אמרתי לאף אחד לקחת שום דבר. כל אחד לקח אזור שנראה לו שהוא מעניין אותו, הוא מאתגר והוא רוצה להיכנס אליו. או יותר מתחבר אליו. הוא בעצם נקרא לזה ה-product owner, יותר מחובר ל-business של אותו אזור. כולם יודעים, אבל הוא יודע יותר טוב. הוא בעצם מקבל את ה, עובד עם אותה מחלקה, ויש לו backlog של משימות או דברים שנותנים אימפקט לאותו צוות, או דברים שהוא חשב עליהם. בעצם שותפות מלאה בינו לבין המחלקה הזאת או הצוות. והוא מנהל אותה לכל דבר. את כל מה שקורה במהלך הפיתוח שלנו מול אותה מחלקה. האתגר האמיתי זה שיש לנו כמה מחלקות. וצריך באיטרציה להחליט מה עושים. שזה האתגר הגדול. אז ברמת בסיס נתנו איזה אחוזים שאנחנו רוצים לתת לכל אחד ברמת ההשקעה, זה סתם איזה מספר שיהיה לנו קל לחלק. אבל בפועל זה, מסתכלים מה ייתן הכי הרבה value ולפי זה מחליטים. אז האחוז שנתנו זה רק שיהיה לנו קל. אבל זה משתנה מאוד מאוד מהר.

[52:00]

ליאור:            אם יש מישהו שמאזין לפרק ומנסה להבין איך הוא בעצמו מתחיל עכשיו לבנות כלים פנימיים, לעבוד עם data, לייצר דשבורדים – מה אתם ממליצים להם לעשות?

רן:                 אני אגיד כמה דברים. ברמה הבסיסית ביותר אני אגיד שלאסוף data מההתחלה זה קריטי, כי ה-adoption הוא הרבה יותר קל. אין adoption, אתה פשוט בפנים. ברמה הבסיסית ביותר. לא להחסיר שום דבר. כמה שיותר לאסוף מידע זה תמיד ייתן value בהמשך. תמיד, לא משנה מה יקרה. כל מידע שלא אספנו אחרי זה רצינו לאסוף. כאילו, היסטורית.

ליאור:            אבל איך יודעים איזה מידע לאסוף?

רן:                 אז זה תלוי מה רוצים להשיג. אם רוצים לדעת שימוש של-

ערן:               זה קל, הכול.

רן:                 כן, הכול, תכלס. אבל לא, באמת בתכלס זה… שימוש של לקוח, אנחנו נרצה לאסוף כל פעולה שהוא עושה. עד רמת ה-scrolling שהוא עושה. האם הוא הגיע לסוף העמוד? דברים בסיסיים ביותר. ועד כדי שימוש בפיצ'ר מסוים, שזה מאוד מאוד טריוויאלי. אז data, לאסוף את הכול. ברגע שי את ה-data זה להחצין מ-day one שה-data חשוף. אני לא יודע אם הייתי אומר מהיום הראשון לתת לכולם לעשות אנליזה ל-data, או להיכנס ל-sequel או דברים מהסוג הזה, כי זה צריך טיפה maturity, לדעת מה אנחנו רוצים להוציא. אז זה איזה gap של זמן הייתי מחכה טיפה. אינטגרציות לכלים חיצוניים. כשאני הגעתי לפה היה לי קצת מוזר, כאילו עכשיו תראה, מה אנחנו, אין mix panel, אין sales force? זה נראה לי קצת מוזר. לקח לי נגיד שבועיים-שלושה להבין שזה הדבר הנכון, כי כמות העבודה עם כלים חיצוניים היא גדולה בצורה בלתי הגיונית ככל שגדלים. אני עדיין מאמין היום, כאילו, בשונה מהעבר, ששווה לעבוד עם כלים פנימיים ולפתח אותם, שזה ממוקד לבדיוק מה שאתה רוצה, ולפתח רק מה שאתה רוצה. לא את כל הפיצ'רים בעולם, שהם מאוד סקסיים, כי זה לא מעניין אף אחד. ולהתחיל בקטן. רוצים לשפר משהו? תמדדו אותו, שיהיה את ה-data, תעשו את הכלים האוטומטיים אליו ותתחילו לגדול איתו. אני מאוד מאמין בזה היום, זאת המלצה שהבאתי לכולם, וזה הפוך ממה שחשבתי כשהגעתי לפה. זה נראה לי מאוד מוזר. אני מאוד מתחבר לזה היום. מאוד.

ערן:               אם אני צריך לתת טיפ לאנשים שיש להם עכשיו סטארט-אפ או גם חברה שהיא כבר mature, אני מאוד מאמין שזה הדבר הנכון. לבנות משהו כזה בהתחלה, זה לא חייב להיות משהו בומבסטי. אבל כן מקום שאנחנו מעבירים אליו את ה-data, שאנחנו ה-owner של ה-data הזה. וכן אני יודע שזה מרגיש לא טריוויאלי, בתור חברה קטנה, לבוא ולהשקיע משאבים בלבנות מערכת של לצפות בנתונים. אבל הרבה אנשים באים אליי ואומרים "כשנהיה חברה מוצלחת וגדולה נבנה מערכת זאתי." אז אני אומר הפוך, תבנו מערכת כזאתי, תהיו חברה מוצלחת וגדולה. זה מה שיאפשר לכם לעשות את זה. כי בלי data אנחנו flying blind. אז לי ברור שגם אם אתם מתחילים, גם אם זה נראה לכם resource שחבל עליו, תשקיעו את המאמץ הזה, יהיה לזה ROI מדהים בהמשך. ואני חושב שהדבר השני זה צריך להשקיע בזה. זה לא משהו שהוא סתם שם נמצא. צריך להיות מישהו שהוא full time על זה, שהוא חי את זה. אנחנו שמנו מפתח מאוד מאוד חזק על זה. ערן עמיאל היה מפתח מאוד חזק ואנחנו אמרנו אותו אנחנו רוצים לשים שם. למרות שהיו לי בקרים שקמתי ואמרתי חבל שהוא לא נותן בראש ב-platform, אבל זה היה ברור שזה נותן ROI מאוד מאוד טוב. וזה לא רק לכתוב קוד ולעשות גרפים, זה product לכל דבר. מי ש, הדרך שבה מסתכלים על זה היום ב-big brain זה איך אנחנו מניעים את האנשים בחברה. הם מקבלים, הם יושבים פה עם החבר'ה בחברה ומקבלים מהם פידבקים על המוצר. זה כיף, כי הצרכנים של המוצר נמצאים איתך באותו משרד. אז זה product cycle לכל דבר. הם product, הם דיזיינרים, הם מפתחים full stack לגמרי.

ליאור:            כיף נראה לי תלוי את מי אתה שואל [צוחקת].

רן:                 אנחנו אוהבים את זה, זה תענוג. כי תקשיבי, זה פה. זה לא איזה vendor חיצוני שעובדים איתו והפידבק מגיע אחרי חודשיים ודבר איתי ב-quarter עוד שנתיים.

ערן:               ערן התחיל לצחוק עליי שהוא הולך להוציא לנו אינווייסים. [צוחק]. על big brain.

רן:                 חזק.

ליאור:            מה שמביא אותי לשאלה האחרונה. ערן, היום שבו big brain הופכת למוצר בפני עצמו, לפלטפורמה שכל אחד יכול לעשות בה שימוש, הוא חלום או מציאות שמתקרבת?

[56:00]

ערן:               שואלים אותנו את זה הרבה. אני יכול להגיד שזה לא הכוונה שלנו. לפתח כלי analytics זה לא מה שבאנו לעשות פה. אבל אני יכול להגיד שאנחנו, חלקים מ-big brain אנחנו ניקח לתוך המוצר. הדשבורדים זה משהו שמאוד, אנחנו רואים כמה זה משפיע על בני אדם ועל סביבת העבודה וזה משהו שאנחנו כן חושבים לשלב במאנדיי אולי בעתיד. ולמדנו מזה המון. אז אני לא חושב ש-big brain יהיה מוצר שחברות אחרות יכולות להשתמש בו, אבל אולי קומפוננטות משם אנחנו ניקח החוצה.

רן:                 ויש הרבה קומפוננטות. רק נקודה אחת, אנחנו תמיד פה מסתכלים על חברות חדשות, או יזמות חשה, אבל המון שיחות שהיו לי פה עם לקוחות שבאים אלינו, כאילו, לא סטארט-אפים, חברות גדולות, אפילו אנטרפרייזים, שם עולה יותר חשש מלהחצין את המידע. כאילו, מה יהיה כשיראו את זה. והתשובה שלי תמיד הייתה "יהיה בסדר." כאילו, תחצינו. אנשים חכמים, אנשים רוצים לראות את המידע ויכולים לשנות רק כשיש להם את כל המידע. אי אפשר לצפות ממישהו לייעל מקום או לשפר משהו בלי לדעת את ה-data עצמו. זה פשוט לא עובד.

ליאור:            וואו רן, היה ממש כיף.

רן:                 כיף גדול.

ליאור:            נכון?

ערן:               תודה שהיית.

ליאור:            נהנית גם?

רן:                 שמחתי. בטח, ההתרגשות עברה מ-100 אחוז ל-150, ועכשיו היא על 100.

ליאור:            [צוחקת].

רן:                 אז זה טוב.

ערן:               מקום טוב להיות בו.

ליאור:            מקום טוב לסיים בו.

רן:                 מעולה.

ליאור:            אז תודה רבה שבאת.

רן:                 בכיף.

ליאור:            תודה ערן.

ערן:               תודה ליאור.

ליאור:            ותודה לכם שהאזנתם. [מוזיקה]