logo

דאטה סקול – איך הופכים דאטה לנגיש עבור כל עובדי החברה

Startup For Startup

 

ליאור:            היי ערן.

ערן:               היי ליאור.

ליאור:            [צוחקת]

ערן:               מה?

ליאור:            זה לא כאילו חוזר על עצמו? אוקיי. אתה מבין? מילא היה לזה ערך.

ערן:               לא, כי אני אמרתי לך מההתחלה, בוא נעשה את זה מגניב. כאילו, בוא כל פעם נעשה את זה פלברה. את כאילו … [צוחקים]. כמו הסימפסונז, שכל פעם כאילו יש משהו בפתיחה-

ליאור:            קצת אחר.

ערן:               לא זרמת איתי.

סתיו:              האמת שהיה לכם פעם שאמרתם "בוקר טוב". זה היה כזה…

ליאור:            מצאו את ההבדלים.

ערן:               תמיד אני מנסה כאילו להזיז אותה מהזה והיא מוחקת את זה תמיד.

סתיו:              אז עכשיו להשאיר.

ליאור:            היי כולם. הגעתם ל-Startup for Startup, הפודקאסט שבו אנחנו משתפים מהניסיון, מהידע והתובנות שלנו כאן במאנדיי. קום וגם מחברות אחרות. הוא מיועד לכל מי שסטארט-אפ מדבר אליו, לא משנה באיזה כיסא הוא יושב ברגעים אלו. [מוזיקה]. אז לפני שנתחיל לדבר על הפרק של היום, אני רק רוצה לספר לכם ששבוע שעבר חגגנו שנה לפודקאסט שלנו.

ערן:               וואו, טירוף.

ליאור:            אשכרה עברה שנה. הפרק הראשון שהקלטנו היה עם אבירם, הפרק על ה-A/B test. זהו, מה, אולי אנחנו נצטרך לעשות על זה פרק reflection זינמן.

ערן:               לגמרי.

ליאור:            אז מי שמקשיב לנו כבר יודע ש-data הוא אחד ממנועי הצמיחה הכי חשובים שלנו כאן במאנדיי. שמעתם לא פעם ולא פעמיים על big brain, שזה בעצם הכלי הפנימי שבנינו, דרכו אנחנו אוספים data, מנתחים data, עובדים עם ה-data שאנחנו אוספים. וההחלטה להשקיע כל-כך הרבה משאבים בפיתוח פלטפורמה פנימית היא החלטה מודעת. נכון זינמן?

ערן:               כן. דיברנו על זה גם בפרק על big brain.

ליאור:            נכון.

ערן:               על כל הלוגיקה מאחורי זה.

ליאור:            נכון. ובעצם המטרה שבסוף כל אחד בחברה יוכל לנוע מתוך data ולקבל החלטות שמבוססות על מספרים. ובאמת אחד מהתפקידים של הצוות הזה שנקרא big brain זה לפתח כלים שיתנו לכולם את היכולת לנתח data ולהסיק תובנות ביחס לאזורים שהם בעצם מתעסקים בהם. אז עד כאן זה נשמע סבבה. איפה זה מסתבך? כשהחברה גדלה מבחינת כמות האנשים, כשכמות ה-data נאספת ונהיית יותר עמוקה ויותר סבוכה. וכשפחות אנשים יודעים איך עובדים עם ה-data ביומיום. נכון? ובעצם נוצר פער בין הרצון שלנו שלכל אחד תהיה גישה ל-data שהוא יכול להפיק ממנה תובנות לבין מה שקורה בפועל. איתנו כאן היום סתיו לוי, שהיא מפתחת בצוות ה-big brain. וכאן היום בכובע של בעצם יוזמת, סוג של יוזמת. כאן בחברה. שיזמה יחד עם שירלי באומר ועם שני פרנקל-

סתיו:              המדהימות.

ליאור:            יוזמה שנקראת Data School. שזה בעצם פרויקט חוצה-חברה שבו אנשים מצוותים שונים למדו לשלוף, לנתח ולהסיק מסקנות תוך שימוש בכלים שפיתחתם ב-big brain. נכון?

סתיו:              נכון מאוד.

ליאור:            מדהים. אז בעצם היום נדבר על איך מנגישים את עולם הנתונים לאנשים מדיסציפלינות כל-כך שונות. איך מודדים את ההצלחה של הדבר הזה. מה עדיין לא עובד כמו שצריך, איך עושים לזה scale.

ערן:               הרציונל מגיע ממקום כזה ש, באמת כמו שליאור אמרה, אנחנו עושים scale בתוך החברה. גם דיברו על זה כחלק מהערכים שלנו, אנחנו מאוד מאוד מאמינים בשקיפות. זאת אומרת, כמה שיותר לחלוק data ולחלוק נתונים. והיום כל ה-data של כל המערכת בעצם חשוף לכולם. אז יש דוחות שהם סגורים ב-big brain, זאת אומרת היום מישהו בחברה יכול להיכנס ל-big brain ולראות כל-מיני דוחות שהם כבר מוכנים מראש. אבל מן הסתם זה עונה על צורך מאוד מאוד צר שאנשים צריכים לראות. ואז יש אנשים שעובדים על כל-מיני פיצ'רים, או עכשיו מריצים איזה A/B test מאוד ספציפי, או רוצים לחפור באיזשהו אזור במערכת שאין עליו נתונים. ובעצם הגישה שלנו הייתה לפתוח את זה, זאת אומרת לתת לאנשים להריץ ריפורטים משלהם, לעשות חיתוכים משלהם. יש לנו כל-מיני כלים, החל מלעשות את זה ישירות על ה-database, דרך כלים כמו looker ו-meta base, redash. כל-מיני כלים כאלה, שאנחנו משתמשים בהם. אממה, זה מאוד מאתגר. אחד, ה-data מאורגן בכל-מיני דרכים כאילו מאוד מוזרות ב-database. אם עכשיו אני בן אדם חדש שמגיע לחברה, מה הסיכוי שאני אבין איזה זה מאורגן, מה מאורגן. בעצם נותנים לי את החופש, אבל לא נותנים לי שום כלי להתמודד עם זה. דבר שני, יש המון דברים שאנחנו כאילו יודעים שיש איזשהו זיכרון ארגוני לגביהם. אה, בשנה הזאתי לא אספנו את הנתונים לגבי משהו מסוים. הירידה שמופיעה פה זה בגלל שהיה לנו איזשהו באג. פה איבדנו data. כל-מיני 'דברים כאלה ש-

ליאור:            תושב"ע כזה. דברים שרק מי שנגע בדבר יודע.

ערן:               אני כן אגיד דיסקליימר שאנחנו מנסים תמיד לתקן אחורה, אבל עדיין יש כל-מיני דברים כאלה שקרו לאורך החיים של החברה, דברים שעשינו להם טרקים, שהפסקנו, באגים שהיו וכו'. ודבר שלישי זה אפילו יותר כללי, של מה זה קורט? מה זה גרף? כאילו, איך נכון להציג נתונים. כמה זמן צריך לחכות עד שאפשר לקבל החלטה וכל-מיני דברים כאלה. וראינו שהחבר'ה הוותיקים שנמצאים פה הרבה זמן שוחים בזה ומאוד קל להם להציג דברים, אבל אנשים חדשים שמגיעים לחברה, אני נתקלתי בהרבה מאוד ישיבות שכאילו יושבים ומציגים משהו ואז כזה השיחה המבאסת של "אה, אתה בכלל לא מסתכל על זה נכון, לא ככה מסתכלים על ה-data, איך אתה לא יודע שבדצמבר 2013 נפל לנו פה 50 אחוז מהנתונים", כל-מיני דברים כאלה.

ליאור:            במצב אופטימלי התושב"ע באמת עוברת במלואה, אבל כמו בתושב"ע, אז גם אצלנו מן הסתם דברים בדרך הולכים לאיבוד.

סתיו:              אהא.

ליאור:            ומה בעצם, בואי ככה תסבירי שנייה, הרגע שלפני ה-Data School. אז מה, מה קרה בעצם מנקודת מבטך?

[00:05:00]

סתיו:              אז בעצם ישבנו איזשהו ערב אחד, אני, שירלי ושני. אז שירלי היא Product מדהימה, חברה מאוד טובה שלי. וחוץ מזה שהיא סטורי-טלרית מעולה היא גם מלכת הקואלה הבלתי מעורערת.

ליאור:            צ'ק [צוחקים].

סתיו:              ושני, שהיא מעצבת בצוות המובייל וביקום מקביל היא מנהלת בית ספר, מהפכני, שאני אשכרה הייתי הולכת אליו, לא מבריזה ממנו. באמת, כאילו, יש לה יכולות חינוך מדהימות, שאני מרגישה שאני למדתי מיכולות החינוך שלה בכל התהליך הזה מלא.

ליאור:            אז ישבתם שלושתכן.

סתיו:              אז ישבנו שלושתנו. ושני שאלה כמה שאלות על data. כמו שהרבה אנשים שואלים שאלות, שזה במקרה הטוב, כמו שאמרת. שבמקרה הפחות טוב הם לא יודעים איזה שאלות הם יכולים לשאול.

ליאור:            כן. הם לא שואלים כי הם לא יודעים.

סתיו:              כן. אז היא שאלה כמה שאלות שהן כאילו יחסית טריוויאליות. למשל איך אנשים מתנהגים לפני ואחרי שהם מורידים את האפליקציה.

ליאור:            כלומר היוזר שלנו שכבר משתמש במערכת רק בדסקטופ, הוריד את האפליקציה, מה זה עשה לשימושיות שלו, נכון?

סתיו:              בדיוק. כן. כאילו האם ה-

ליאור:            האם הוא נכנס יותר, האם הוא נכנס פחות.

סתיו:              למשל, אם אנחנו מסתכלים על weekly visits, אז האם ה-average weekly visits של יוזר עם חשבון מסוים עלה או ירד בעקבות עבודת ההורדה של המובייל. ועכשיו, זו שאלה שנשמעת כביכול תמימה, אבל יש לה מיליון טוויקים. צריך להבטיח שהאנשים שאנחנו מסתכלים עליהם לפני ואחרי הם באמת משלמים. צריך להבטיח שאנשים אחרי לא עשו churn, שכל התקופות הלאה הן מלאות. יש כאילו רשימה ארוכה מאוד שאספנו במשך הרבה מאוד זמן של איזה דברים צריך להבטיח כשמסתכלים על data של לפני ואחרי. הסברנו לה את זה, עכשיו את זה ביחד. יש גם כלי ב-big brain שעושה את זה. כי כאילו, זו שאלה שהבנו שחוזרת על עצמה. ואחרי שהעברנו לה את זה בעצם אמרנו אוקיי, אבל במקרה היא שאלה את זה והיא ידעה שכאילו אפשר לשאול את זה כי היא שמעה את זה ממישהו, שאפשר לשאול את השאלה הזאתי.

ליאור:            וגם יש לה גישה אליכן.

סתיו:              וגם יש לה גישה אלינו וגישה ל-data.

ערן:               אבל זה כאילו, את מתארת פה משהו מאוד מאוד ספציפי. זה הרבה יותר רחב מזה. דבר אחד שברור לי, שסתיו באופן אישי סבלה מזה. כאילו, מה שקרה לאורך השנים, שהתחלנו עם big brain שהייתה מערכת מאוד פשוטה. הנגישה לכולם המון מידע. אבל אז הכול נהיה הרבה יותר מורכב, עם רבדים הרבה יותר עמוקים.

ליאור:            כל הפרי-סטים האלה שסתיו תיארה כרגע.

ערן:               כן, ואז מה אנשים עשו? הלכו ל-big brain לשאול שאלות. כאילו, הצוות הזה הפך להיות מצוות שמפתח את המערכת BI לצוות שעונה על שאלות. היו באים לסתיו-

ליאור:            שמייצר פלטים של data.

ערן:               כן. שלום סתיו, יש לי בעיה פה ופה, תוציאי לי פלט.

ליאור:            במקום ללמוד איך לעשות שאילתא בעצמי, אני אעשה שאילתא מול סתיו-

ערן:               כן.

ליאור:            סתיו תוציא לי את השאילתא. נכון?

ערן:               ממש ראינו לאורך זמן איך הצוות של big brain הופך להיות כספומט תשובות. כאילו, במקום לפתח את הפלטפורמה הם פשוט התחילו לענות על שאלות. עכשיו, זה אדיר, כי הם כאילו פתחו את היכולת. כאילו, אם אני מסתכל על כל העבודה של big brain אז זה התחיל ממשהו מאוד סגור. הם אחרי זה פתחו את זה, זאת אומרת, נתנו לאנשים לגשת ל-data. אבל אז כריקושט מתוך הדבר הזה אנשים באו אליה עם המון המון שאלות כי הם לא היו בטוחים. א' מה אפשר להוציא, ב' אך מוציאים את זה.

ליאור:            גם ברמה הכי טבעית, אני עוד פעם, מדמיינת את הסיטואציה שבה מישהו פונה אל סתיו. יותר קל לה באותו הרגע, שנייה להוציא את התשובה מאשר להסביר לבן אדם איך לעשות את זה.

ערן:               ברור, במיוחד אם הבן אדם לא יודע איך להשתמש בדאטהבייסים או…

ליאור:            בדיוק. אז אותו רגע, כאילו, מה תגידי לו? טוב, בוא נקבע סשן לעוד שבוע, אני אסביר לך איך להוציא את ה-data? הוא צריך את ה-data עכשיו. זה מתחיל ממקום טוב.

ערן:               לגמרי. עכשיו, במקביל גם קרה עוד איזושהי מגמה בחברה, שגם דיברנו עליה בפרקים. כל הנושא של הטסקפורסים. וכאילו, האיטרציות השבועות, וה-pre planning כאילו של טסקפורסים. אנשים התחילו לקבל הרבה יותר החלטות מבוססות data. שלא היה לנו את זה בעבר. היינו יותר בעבר-

ליאור:            בתדירות יותר גבוהה גם מבחינת זמן.

ערן:               נפנופי ידיים. היום כל צוות, אם הוא לא בא עם data לגבות מה שהוא אומר אנחנו כאילו אומרים לו תקשיב, זה לא רציני. אז כאילו יש ציפייה, יצרנו ציפייה כחלק מהתהליך, פתחנו את ה-data, אבל לא נתנו מענה לדבר הזה חוץ מזה ש-big brain כאילו, מצאנו את עצמנו ש-big brain בעצם עושה ברמה היומיומית מענה על שאלות כאלה. ואני חושב שזה גם מה שחירפן אתכם בסופו של דבר וגרם לכם כאילו להרים את הפלטפורמה הזאתי, מתוך ראייה ארוכת טווח של בוא נעשה איזשהו תהליך של יישור קו או העלאת הרמה הבסיסית של כל האנשים בחברה.

ליאור:            לגמרי. ועוד חידוד על מה שאתה אומר, זה כשאת מתארת ש"טוב, אם שני לא הייתה יודעת מה התשובה אז היא לא הייתה יודעת", זה רבה יותר עמוק מזה, זה פוגע בוודאות באפקטיביות של העבודה שלה.

סתיו:              נכון.

ליאור:            זאת אומרת, היכולת שלה לעשות את הדברים הנכונים ממש מונעת ומבוססת על היכולת שלה להשתמש ב-data הזה.

סתיו:              כן.

ליאור:            כי זה פעולות שהיא כבר עשתה. ואם היא לא יכולה למדוד אותן בעצמה אז כאילו, משהו בתהליך פוגע ביכולת של החברה להתקדם. חשוב להבין שהאימפקט של זה על החברה הוא מאוד מאוד משמעותי. בטח באגרגציה של המון אנשים שעושים פעולות ולא יודעים להגיד מה הפעולות שהם עשו.

ערן:               ויותר מזה אפילו אני אגיד שאנשים שהיו בתוך הסינקים האלה של ה-task force, גם אם הם לא עבדו על המצגת, בטח הרגישו שהם מחוץ ללופ. כאילו, לא מבינים את המשמעות של ה-data, לא מבינים את הניתוחים. ולא רק ה-Product Manager שעבד על זה, הם אנשים שהיו חלק מהתהליך הזה.

ליאור:            מהתהליך, כן.

סתיו:              כן.

ליאור:            אז מה יש לך להגיד על כל זה?

[00:10:00]

סתיו:              אז אחד אני חושבת שחלק מהעניין הזה שבאמת סיפקנו איזשהו שירות שלפנים נקרא לזה. אז זה גם עזר לנו ללמוד בהרבה מאוד מהמצבים על איזה שאלות בכלל מעניין לענות, ואיזה מין פרוססים אנחנו רוצים לייצר של שאלות. כל התהליך הזה שהתחיל אז הוא בעצם באמת פיתח scale מאוד מהיר, ופתאום נהיה לנו הרבה מאוד אנשי product, והבנו שאנחנו לא יכולים לעמוד ב-scale כזה של שאלות שמגיעות אלינו כל יום. וזו עוד אחת מהבעיות שרצינו לענות עליהן כשעשינו את ה-Data School. כי הבנו שגישה ל-data יש, לאנשים בחברה כאילו יש את כל הכלים שהם צריכים כדי לענות על תשובות מתוך ה-data, אבל data education, כאילו, איזה שאלות הם צריכים לענות, איך לענות על השאלות הקצת יותר מורכבות או על דברים שהם לא בסט השאלות שאנחנו רגילים לענות עליהן – את זה אין ב-big brain, וכאילו את זה אנחנו צריכים לספק. אז זה ה…

ליאור:            אז ככה זה התחיל.

סתיו:              כן.

ליאור:            ואז מה עשיתן?

סתיו:              אוקיי, אז כמו שכל בן אדם שרוצה להציג פה הזדמנות במאנדיי ובמיוחד ב-Data School, הלכנו ל-data. והסתכלנו כמה אנשים בעצם חוקרים data במאנדיי. ברמה שבועית.

ליאור:            פשוט כמה אנשים נכנסים ל-big brain? איך הסתכלתם על זה?

ליאור:            אז אוקיי, אז יש פה… חילקנו את העולם לכמה רמות. אם נסתכל על עובדי מאנדיי אז בעצם הסתכלנו על שלוש רמות שונות של אנשים שמתעסקים עם data. אז יש אנשים שלא צורכים בכלל data ברמה שבועית מתוך הכלים של big brain. אוקיי? כשאני מדברת על הכלים של big brain אני מדברת גם על looker ו-meta base ו-redash שזינמן דיבר מקודם. אז חילקנו את זה בעצם ל-consumers, שזה האנשים שצורכים את ה-data מתוך הכלים האלה. ועוד סוג של אוכלוסייה שהסתכלנו עליה זה data investigators. אז זה אנשים שחוקרים data, זה שהם משתמשים בכלים האלה ומייצרים בעצם ויואים שאנשים אחרים יוכלו לצרוך. אוקיי? למשל-

ליאור:            אז את אומרת רגע, רק ב-recap, שלוש קבוצות: יוצרי data, צרכני data וכאלה שאין להם שום-

סתיו:              נגיעה שבועית ב-data.

ליאור:            נגיעה שבועית ב-data. אוקיי.

סתיו:              כן.

ליאור:            מה גיליתם?

סתיו:              גילינו ש-30 אחוז מהאנשים שעובדים במאנדיי הם צורכים data ברמה שבועית. אוקיי? 70 אחוז לא צורכים. ומה שעוד יותר הטריד אותנו זה שגילינו ש-15 אחוז מהאנשים שעובדים במאנדיי חוקרים data ברמה שבועית, מה שכשרצינו להציג את ההזדמנות אז זה בעצם 85 אחוז שלא חוקרים data ברמה שבועית.

ערן:               וזה לא שהם לא רוצים. או שהם לא צריכים את זה בשביל העבודה שלהם.

ליאור:            או שהם לא צריכים את זה, שוב, כן.

סתיו:              אז זה מה ששאלנו את עצמנו. שאלנו את עצמנו אוקיי, כאילו, זו באמת שאלה, אם הם רוצים או לא. אז באמת ראינו שיש פה הזדמנות. אנחנו… כאילו, בתור מי שנמצאת ב-big brain וענתה על הרבה מהשאלות האלה במשך הרבה מאוד זמן אני מבינה את הכוח שיש ל-data בלספק, בלהראות הזדמנות, בלהראות בעיה. ואני גם מרגישה שזה נכון לכל אחד מהאזורים בחברה. יצא לי לעבוד עם אנשים מ-Sales או מ-Customer Success או מ-Marketing או מ-Product, או עם דיזיינרים. ואני מרגישה שלכל אחד מהאזורים בחברה יש הזדמנות שהוא יכול לעבוד דרך data.

ליאור:            רגע, יש לי עוד שאלה על הנתונים. את רואה? הבאת data, אז יש שאלות… [צוחקים]. ה-30 אחוז האלה הם מרוכזים באזור אחד בחברה? זה רק Product, זה רק Customer Success?

סתיו:              שאלה מעולה ליאור, שאלה מעולה [צוחקת]. כל הכבוד.

ערן:               יש פה מיותר בחדר.

סתיו:              [צוחקת]. אז בעצם כשחילקנו את זה למחלקות שונות בחברה, אז ראינו שבצוותי ה-growth יש 100 אחוז חוקרי data. בצוותי ה-Marketing וה-Product זה גם אחוזים יחסית גבוהים. ובכל שאר הצוותים בחברה הרבה פחות.

ערן:               עשיתם סוג של kickoff.

סתיו:              נכון. אוקיי, אז בעצם, באמת אמרנו שחלק מ… אנחנו רוצים להציג את ההזדמנות דרך data, אז עשינו, הכנו איזשהו סוג kickoff, והצגנו אותו לזינמוש. לזינמן [צוחקים].

ערן:               בסדר. קוראים לי גם זינמוש.

ליאור:            מה אתה זוכר מה-kickoff?

ערן:               באו, כאילו-

ליאור:            באו השלוש [צוחקות].

ערן:               כן. באו השלוש. זה כמו הוריקן הדבר הזה.

ליאור:            כן.

ערן:               וקבעו לי איזושהי פגישה שאני לא יודע מהי. והראו את ההזדמנות. כמו שאנחנו עושים kickoff ל-product. וזה היה מדהים. תראי, דיברו על זה כמה פעמים בעבר. אבל העובדה שהן באו ואמרו "אנחנו הולכות לעשות את זה, זה היה מדהים." כאילו, הן באו שלושתן, הציגו ממש את הפרזנטציה של מה ההזדמנות, איך הן הולכות לתקוף את זה. וכל מה שהרגשתי שלי יש לעשות באותה נקודת זמן זה לא להפריע להן. כאילו, אמרתי להן "תקשיבו, זה מדהים, בוא נעשה את זה." הן הציעו לעשות את זה בצורה של ממש כאילו לקחת אנשים מכל החברה, לעשות איזשהו פיילוט על אנשים מתוך החברה, מתוך ראייה שהדבר הזה יהיה רפטטיבי. זאת אומרת, עכשיו אנחנו נעשה איזשהו יישור קו עם כל החברה וכל בן אדם חדש שיצטרף אם זה יהיה רלוונטי אליו אנחנו גם נעביר אות את זה. ואמרו "תקשיב, אנחנו הולכות להכין סילבוס, הולכות להכין מערכי שיעור, ולעשות מזה ממש סוג של בית ספר." כאילו, data school לכל דבר ועניין. וראיתי את זה, וא' קלטתי משלושתן כמה התלהבות יש להן. אמרתי "וואו, זה הולך להיות פיצוץ הדבר הזה."

[00:15:00]      אני חייב להגיד, כאילו להרים להם, שהם עשו את זה מעבר לעבודה שלהן, בלילות, כאילו, זה לא פגע להן בעבודה, זה לא שכאילו… אפילו לא ביקשנו מהן לעשות את זה, הן כאילו לגמרי מיוזמתן. זה כאילו מדהים בעיניי.

ליאור:            אגב, זה גם צוות שלם. כי בין סתיו שהיא, אתה יודע, שהיא developer, לשירלי שהיא Product, לשני שהיא מעצבת, גם קיבלת מוצר יפה [צוחקת].

ערן:               כן. תקשיבי, זה product טוב, זה כאילו כל הקוד שם מעולה, ומעוצב. זה כאילו, זה מדהים.

ליאור:            כן, והיה שם את ה-data, היה שם הכול.

ערן:               שמעי, הן שלושתן באמת מדהימות. אין לי מה להגיד. כאילו, אין לי שום גרם של קרדיט לדבר הזה, הן כאילו הרימו הכול לבד ועשו הכול לבד ודחפו הכול לבד וכאילו, באמת, אני מוריד בפניהן את הכובע. והיא תספר עוד מה הן עשו, אבל זה באמת מדהים מה שהן עשו. והיוזמה הייתה לגמרי שלהן, זה ממש הייתה, כאילו, בעיניי זה גם באיזושהי רמה משקף את הרוח של מאנדיי וכאילו, הדרך שאנחנו אוהבים לעשות דברים, וכאילו בעיניי רק לא להפריע להן ולתת להן לרוץ [מוזיקה].

ליאור:            אז מה זה אומר בתכלס שהחלטתן לפתוח בית ספר?

סתיו:              אוקיי. אז רצינו שכל בן אדם בחברה ידע לקבל החלטות מבוססות יותר באמצעות data, והבנו שמה שחסר כדי שהדבר הזה יקרה זה בעצם איזשהו תהליך לימודי, של איך להסתכל על data, איך להציג מתוכו הזדמנות.

ליאור:            מה, כאילו הרצאות פרונטליות?

סתיו:              אז היה לנו ממש חשוב נגיד לעשות איזשהו מיק בין, כאילו, כמה דברים שהבנו מההתחלה שמאוד חשוב לנו בתהליך. אחד שיהיה מיקס בין הרצאות פרונטליות לעבודה שהיא יותר hands on. ובגלל זה רצינו שכל אחד יבוא עם איזשהו פרויקט שהוא מתחבר אליו ברמה האישית, לפני. משהו שכנראה מזיז את אחת מהמחלקות הראשיות של החברה וגם שזה כנראה נוגע לעבודה היומיות שלו. איזשהן בעיות שהוא רוצה לעבוד עליהן ,או… בעצם אני חושבת שאחד הדברים הכי מדהימים שהגעתי למאנדיי זה שהבנתי שממש רוצים לקחת את המוח של כל אחד מהאנשים – זה נשמע לא טוב [צוחקת]. אבל להשתמש-

ליאור:            להשאיר אותו במקום ולהשתמש בו.

סתיו:              להשתמש במוח של כל אחד שמגיע למאנדיי.

ליאור:            כן.

סתיו:              ובעצם לכל אחד מהאזור שלו יש לו ידע ביזנסי שהוא צבר לגבי האזור שהוא עובד עליו, שהוא מאוד עמוק. והוא מזהה גם כל-מיני הזדמנויות באזורים שלו. והרגשנו שזה יכול להיות אדיר אם הם יוכלו לדעת לבטא את ההזדמנויות האלה או להציג אותן, כאילו את התחושות האלה שיש להם, את האינטואיציות שיש להם לגבי אזורים שהם חיים ביומיום, אם הם יוכלו לבטא את זה לעוד אנשים בשפה שכולם מבינים. שזה שפה של data במאנדיי.

ליאור:            מה שמגניב גם שזה לא בעצם מייצר defocus. זאת אומרת, הבן אדם בעודו לומד לעבוד עם הכלי עדיין מתמקד בעבודה שלו, אם אני מבינה נכון.

סתיו:              כן, לגמרי. אז בעצם זה באמת היה אחד האתגרים שלנו של, מבחינת הזמן. כי כאילו באיזשהו מקום אנחנו כן שואבים אותם מהיומיום שלהם, זה כזה שלוש שעות בשבוע, עשינו ממש structure-

ליאור:            אז רגע, באמת תספרי שנייה, כן. על המבנה ועל הסילבוס.

סתיו:              כן, אוקיי. אז בעצם בנינו את זה כעשרה מפגשים. כל מפגש הוא שלוש שעות. והסילבוס מורכב מדברים כמו היפותזה, איך לספר סיפור באמצעות data. קצת סטטיסטיקה, ממש ה-basics של זה. קצת A/B testing ואיך שאנחנו עושים את זה פה במאנדיי. KPIs, איך לבחור אותם. מה אומרים סוגים שונים של KPIs לפרויקט. יש לנו כאילו כמה מושגים שאנחנו, שהפכו להיות פה בתושב"ע. שזה Proxy KPI, שזה מדד שחוזה לפני הזמן מה יהיה ה-KPI. או Execution KPI-

ליאור:            נבוא ל-Data School, אל תגלי לנו מה זה אומר [צוחקת].

סתיו:              [צוחקת] סבבה.

ליאור:            לא רגע, אבל זינמן, יש לי שאלה אליך. זה המון זמן. כאילו, כמה אמרת, 12 שבועות. נכון?

סתיו:              10 שבועות, כן.

ליאור:            10 שבועות. 3 שעות בשבוע.

סתיו:              נכון.

ליאור:            על חשבון זמן עבודה. כמה אנשים משתתפים בכל מחזור כזה?

סתיו:              עשרה.

ליאור:            עשרה. מה, זה כאילו פשוט היה סבבה להחליט שזה קורה?

ערן:               לגמרי. בעיניי זה ה-ROI הכי טוב שאנחנו יכולים לקבל על הדבר הזה. צריך להבין שאם בן אדם יודע לשאול את השאלות הנכונות, יודע איפה לחפור, זה הופך במקום שהוא יורה לכל הכיוונים או יורה עם עיניים מכוסות, מאנשים לצלפים. כי, אפילו אם בעבר היו באים ל-big brain, באים לסתיו ואומרים "תקשיבי, אני צריך שתוציא לי איזשהו גרף x ו-y", והייתה עובדת על זה נגיד יום ומחזירה את התשובה, אז היא לא מבינה מה הבן אדם מחפש, היא מבינה שהוא רוצה איזשהו גרף. ברגע שבן אדם יש לו את הכלים בעצמו בעצם לחפור ב-data, כל התהליך האיטרטיבי הזה הוא הרבה יותר מהר. הוא שנייה בודק איזשהו כיוון, הוא רואה שאין שם סיגנל, יאללה, אני מתקדם לדבר הבא. זה הופך את כל תהליך קבלת ההחלטות ואת כל תהליך המחקר להרבה ויתר יעיל. ובעיניי זה ברור שה-ROI על הדבר הזה הוא אינסופי.

[00:20:00]     כאילו, ה-30 שעות האלה שאנחנו משקיעים, מבחינתי אם אנחנו נשקיע את זה בכל בן אדם רלוונטי שמגיע לחברה, אנחנו נקבל עליהם value מטורף חזרה.

ליאור:            אגב, אני זוכרת את זה מהסיבוב שעבר, שניסיתי להבין איך אפשר להשתמש ב-data דמוגרפי, יחסית על הלקוחות שלנו. ובאמת נעזרתי במישהו מ-big brain שכבר לא נמצא כאן היום. ולא ידעתי מה אני מחפשת. אז כל פעם נתתי לו כאילו הוראות שונות. עכשיו, הוא לא היה זמין עבורי כל הזמן. אז כאילו, לא יכולתי פשו להמשיך לחקור את זה לעד. גם לא רציתי לשגע אותו יותר מדי, אז הגבלתי את עצמי מעצם זה לא רציתי לשגע אותו, והכי גרוע היה שבאיזשהו שלב הוא עשה טעות, זאת אומרת הוא לא עשה טעות, אני חשבתי שהוא עשה איזשהו משהו שהוא לא עשה. כלומר מבחינתי אני הנחתי שאני רואה data אחד, ובסוף זה היה data אחר.

ערן:               זה כל התפיסה שלנו בחברה של לא לייצר bottlenecks ולא לייצר תלות באנשים.

ליאור:            אני אומרת, הגעתי למצב שלא ידעתי על מה אני מסתכלת, כי לא היה לי את ה-process מאחוריו, שזה הכי גרוע.

ערן:               והוא לא הבין מה את מחפשת אז הוא הסתכל על דברים כאילו כמו שביקשת אותם ובעצם נתן לך את התשובה.

ליאור:            נכון. שזה process לא טוב.

ערן:               זה process לא טוב. כאילו, באופן כללי בחברה אנחנו מנסים כמה שיותר לעשות decoupling ולעשות כאילו שאנשים לא יהיו תלויים אחד בשני. בעיניי זה שאנחנו מנגישים להם את ה-data כאילו זה בדיוק התהליך הזה של בוא תנסה להשיג את זה בעצמך, אבל שוב, זה מגיע עם אחריות של בוא אני אלמד אותך ובוא אני אגרום לך לא לעשות טעויות, להשתפשף בדברים האלה. אגב, זה שאנשים היום הוותיקים, כולל סתיו ואנשים אחרים ב-big brain והמפתחים יודעים איך לעשות את זה, זה לא בגלל שהעברנו אותם איזשהו בית ספר או תהליך, זה פשוט המון המון ניסוי וטעייה של העבר. הדרך הכי לא יעילה ללמוד. וכדי לעשות לזה scale אז בעיניי הדבר הזה הוא הכרחי. אגב, אני יודע שאנחנו-

ליאור:            לא, אבל למה אתה אומר שזאת דרך לא יעילה? דווקא לפעמים כשאתה נוגע במשהו אתה הכי מבין אותו. אולי זה לא-

ערן:               כשאתה עושה ניסוי וטעייה ההבנה שלך מגיעה מאוד עמוק. אבל בואי-

ליאור:            זה לוקח יותר זמן.

ערן:               ה-scale שזה לוקח-

ליאור:            נכון.

ערן:               ה-scale שאנחנו נמצאים בו, הזמן שזה לוקח. האנושות זה טוב שהיא מסתמכת על דברים שהיו לפני זה, וגם טוב שאנחנו במאנדיי מסתמכים על דברים שהיו פה לפני זה ונבנה אחד על השני. אגב, אני רק אגיד במאמר מוסגר, אנחנו לא החברה היחידה שעושה את זה. הרבה מאוד קיבלנו גם השראה מפייסבוק ו-Air B&B שאנחנו, יש להם ממש סשנים של data ו-data learning לאנשים חדשים שמגיעים לחברה, הם עוברים איזשהו bootcamp או משהו כזה, אנשים שנוגעים ב-data. וזה היום ממש סטנדרט בתעשייה. זאת אומרת חלק מהפתיחות וחלק מהמגמה הזאת של לפתוח לאנשים את היכולת לנתח דברים, מגיעה עם המון המון למידה ואחריות, ובעיניי זה היום דבר מתבקש בשביל לתמוך בדבר הזה.

סתיו:              אני חושבת שאפילו ב-kickoff שעשינו הראשון, אז באמת הצגנו כחלק מההזדמנות איך זה קורה בחברות אחרות, כמו שבכל kickoff שמציגים ב-taskforces יש את החלק של ה-competitors ואיך הם עושים את זה. איך Air B&B עושים את זה ואיך נטפליקס ואיך פייסבוק, חברות שאנחנו מעריכים. ראינו שבאמת יש להן Data University וכאילו דברים מאוד מאוד דומים לזה. וניסינו לקחת כמה שיותר דברים מהתהליך שהם עברו ולאמץ אותם לפני שאנחנו מתחילים עם התהליך. והרגשנו שיכול להיות על זה הרבה מאוד סייקלים עד שזה יגיע לאיזה מצב מוגמר. ובמקום לחכות את כל הסייקלים האלה ננסה להביא כמה שיותר מהר למצב שבו זה מביא מלא value לחברה. [מוזיקה]

ליאור:            אוקיי, אז רגע, איך מודדים את הדבר הזה?

סתיו:              או, זה אתגר. כי בהתחלה הגדרנו לעצמנו איזשהו KPI, שהוא שייצא לפחות taskforce אחד מוצלח מתוך התהליך הזה. ואז קרה איזשהו מצב שהוא יחסית כיפי, שיצאו ארבעה טסקפורסים. שהתחילו כאילו ב-Data School.

ערן:               אני כן רוצה להוסיף כן משהו חשוב בדבר הזה. כי כאילו על-פניו data science, המילה school לי היא ישר עושה פריחה. כאילו, לבוא-

ליאור:            טוב זינמן, שלא סיימת את התואר הראשון שלך.

ערן:               [צוחק] לא, אבל כאילו-

ליאור:            סיימת אותו?

ערן:               כן, סיימתי אותו. לפעמים אני מתעורר בלילה מסיוט כזה כאילו לא סיימתי אותו, ואז אני מזכיר לעצמי שסיימתי אותו.

ליאור:            אני לא זכרתי אם סוף הסיפור רק שנאת את זה או שגם שנאת את זה וסיימת את זה.

ערן:               סיימתי.

ליאור:            אוקיי.

ערן:               נראה לי. [צוחקים]. בקיצור, הקונספט הזה של עשרה שיעורים, ולבוא, ופרונטלי, ושיעורי בית. נכון? היה גם שיעורי בית.

סתיו:              אתה אמרת שלא יעשו שיעורי בית וזה באמת היה נכון, זה אחת מהבעיות שהיו לנו [צוחקת].

ערן:               זה כאילו די, מה, עכשיו באנו לחברה, מה אני צריך כאילו לימודים, כאילו זה, זה ישר אנטי. כאילו…

ליאור:            זה גם נשמע מאוד פסיבי.

ערן:               כן. כאילו אתה בא ומישהו מלמד אותך ואתה כאילו אחרי יום עבודה ואין לך כוח. ואז כאילו אומרים לך בוא, תתרגל, ואז… למי יש כוח לתרגל? כאילו, עזוב אותי. וזה נכון. עכשיו, מצד שני אתה רוצה ללמד. כאילו, זה המתודיקה כאילו של איך אתה מעביר חומר. אז אחד הדברים שלנו היה מאוד מאוד חשוב לאורך כל הדרך ואני חושב שזה בכלל תפיסה של לימוד אצלנו בחברה, היא לקשור את זה למשהו אמיתי. סתם, אני אתן דוגמה דווקא לא מה-Data School. מישהו חדש שמגיע לצוות של ה-Sales אצלנו, ל-consulting. אז מה אומרים לו דבר ראשון? "בוא תלמד את המערכת." מביאים לו כל-מיני דפים,

[00:25:00]    על איך המערכת עובדת, וכאילו… לך תראה את הווידיואים, עכשיו… אתה קולט שאנשים אחרי שעתיים כבר משתעממים. מה, כאילו, לא מעניין. אז עשינו משהו אחר, אמרנו "עוד שלושה ימים אתה הולך להעביר וובינר ל-600 איש על המערכת. תסתדר."

ליאור:            בהצלחה.

ערן:               [צוחק]. תעשה מה שאתה רוצה עד אז. ואז פתאום כאילו אנשים "רגע, וואו, אני צריך להעביר וובינר ל-600 איש. אני כאילו חייב להבין את כל המערכת", אני עושה טקטיקות, אני עושה חזרות, אני מנסה להבין מה אני מבין ומה אני לא מבין.

ליאור:            אתה מתייעץ עם אנשים.

ערן:               לגמרי.

ליאור:            שאגב אולי מה שעולה מכאן, שאתה פחות אומר לבן אדם איך ללמוד ואתה אומר לו מה המטרה שלשמה הוא לומד.

ערן:               בדיוק. והמטרה היא אמיתית.

ליאור:            נכון.

ערן:               זה לא כאילו יהיה מבחן.

ליאור:            נכון.

ערן:               זה כאילו בסוף אתה תיבחן מול העולם האמיתי.

ליאור:            שאיכפת לך מזה.

ערן:               ואיכפת לך איך אתה נתפס ואיך אתה מתנהג, והפידבק שאתה מקבל מאנשים.

ליאור:            נכון.

ערן:               אז אותו דבר בעצם ניסינו לקחת לעולם של ה-Data School. כאילו, מה שסתיו אמרה זה שאנשים נכנסו לתוך התהליך הזה מתוך רעיון, לקחנו השראה פה מ-Y combinator, למי שמכיר את ה-accelerator. Y Combinator זה accelerator מאוד גדול בוואלי. ואנשים מגיעים לתקופה של שלושה חודשים, ועובדים על הסטארט-אפ שלהם, אבל כולם יודעים שיש בסוף את ה-demo day. מה זה ה-demo day? כל המשקיעים מהוואלי מגיעים ובאים לראות את הסטארט-אפ שלך. אז אתה לא רוצה לצאת מפגר. כי אתה יודע שזה הזדמנות של פעם בחיים, אתה יודע שאתה הולך להפציץ. אז כל העבודה של השלושה חודשים מאוד ממוקדת, מאוד focused וכו'. אז לקחנו את אותו קונספט בעצם ל-Data School. אז בעצם בסוף ה-Data School אמרנו שיהיה demo day. מה זה demo day? זה בעצם כל בן אדם או צוות של שני אנשים שעבד ב-Data School הולך לעשות kickoff. זאת אומרת הוא הולך להציג מצגת, עם טיעונים, עם דברים שמגובים ב-data, עם ארגומנטים. ומולו יושבים כל האנשים שמנהלים או stake holders בחברה. כאילו, אני הייתי ורועי היה ודניאל ורותם-

ליאור:            האמת שהיה פורום מאוד מאוד מכובד של אנשים.

ערן:               היה פורום מדהים. מדהים. עכשיו, תראו, זה אנשים מהחברה, אנחנו התייחסנו לזה מאוד ברצינות, בסדר? אנחנו ממש באנו להסתכל שם על הזדמנויות. נתנו גם פידבק תוך-כדי המצגת. ואנשים באו והציגו דברים שהעיפו לי את המוח. באמת.

ליאור:            ואז זה גם במקום רק מוטיבציה של ללמוד משהו עבורי, יש לי הזדמנות ללמוד משהו שיהיה לי כלי לעשות עוד פעם, אימפקט בחברה. זה נשמע כמו סיסמה, אבל… אני יכולה לשים את המצפן על האזור הבא שנתמקד בו.

ערן:               אנחנו אמרנו מראש, כאילו, אם יהיה דברים מגניבים, שתצליחו לשכנע, אז אנחנו נעשה אותם.

ליאור:            נקצה לזה משאבים.

ערן:               כן, נעשה אותם, באמת, לא בצחוק, נשקיע בזה כסף ומשאבים וכו', וזה ה-KPI שלהם, וזה ה-alignment. אז כאילו אתה בתור מישהו ב-Data School אתה יכול להגיד "יאללה, fuck it, אין לי כוח להקשיב" וזה, אבל אתה יודע שבעוד… לא יודע, חודשיים וחצי, אתה תשב ב-demo day ולא בא לך לצאת מעפן, ובא לך כאילו שיהיו מבסוטים ושוואלה, אולי אפילו הדבר הזה יהפוך להיות משהו אמיתי. וזה פתאום נותן איזה ממד אחר לגמרי.

סתיו:              מהיום הראשון באמת מה שזינמן אמר שנתנו כאילו את הבמה להם ואמרנו להם שיש demo day בסוף, גם עשינו מין פוסטרים שתלינו ב-

ערן:               כן, הלכנו בכל המשרד.

סתיו:              במשרד, כל אחד עם התמונה שלו, ושכאילו ידעו שהם הולכים לעמוד מאחורי מה שהם חוקרים כרגע.

ערן:               תקשיבי, אבל את צריכה להבין איזה מדהים זה. אני ראיתי אנשים שבהם ב-Customer Success, מעצבים, אנשים מה-Marketing, שכאילו מעולם לא חשבתם שיבואו ויציגו מצגת מלאה ב-data, מלאה בארגומנטים, וכאילו עושים את זה. אז אחרי ממש… תוך-כדי ה-Data School, שנגנבתי מזה, מאי, שהיא מעצבת בצוות של ה-growth, כאילו פתאום, אני ישבתי לידה באותה תקופה-

ליאור:            אני מתה על מעצבת מהצוות. כל פעם שאני אומרת את זה…

ערן:               אה, מעצבת מהצוות, כן.

ליאור:            כן [צוחקת].

ערן:               מעצבת בצוות ה-growth. אני ישבתי לידה ממש באותה תקופה, ופתאום אני… שוב, אני לא יודע אם הייתי אקסטרה-רגיש לזה או לא, אבל שפתאום היא הרבה יותר כאילו בשיחה, על קורטים, ועל המספרים שיצאו וזה. ואני חייב לתת את הקרדיט על הדבר הזה ל-Data School. כי פתאום, כאילו, ברור שלאנשים האלה יש את היכולות להתמודד עם זה וללמוד את זה. פשוט עצם זה שהיא התנהלה בזה ביומיום נתן לה לדעתי כוח אדיר.

ליאור:            תני דוגמה לכמה פרויקטים נגיד.

סתיו:              אוקיי, אז מאי ואיילה, היה לנו שתי מעצבות. ואני חושבת שלכל סוג אוכלוסייה נקרא לזה, היה איזשהו added value אחר שהם קיבלו מה-Data School. אני מרגישה שמאי ואיילה קיבלו מזה, כאילו, האמת שדיברתי איתן ממש לפני הפודקאסט כדי לשמוע מהן, אז הן בעצם קיבלו מזה עוד כלי לשכנע. עוד כלי להציג הזדמנות. כאילו, הן אמרו לי שאם עד היום הכלי שלהן להציג איזושהי הזדמנות היה לעשות מוק ולהראות vision, והיום יש להן כאילו עוד-

ליאור:            להראות visual זאת אומרת, כן.

סתיו:              כן, כאילו להראות vision ויזואלי. אז היום בעצם יש להן את הכלי של ה-data וגם את הכלי הוויזואלי הזה.

ליאור:            או-ווה, בקצב זה יהיה לנו Design School, כדי שגם מפתחים יוכלו להשתמש ב-visual.

ערן:               האמת שזה רעיון לא רע.

ליאור:            אוקיי, אז רגע, מה הן חקרו?

[00:30:00]

סתיו:              אז מאי למשל חקרה את כל האזור של Mobile Acquisition. שאני כאילו אחזור קצת למקודם, שאמרתי שה-KPI שלנו היה שיהיו טסקפורסים מוצלחים שיצאו מזה, וזה KPI קצת בעייתי. כי באמת יצאו טסקפורסים, אבל אנחנו לא באמת יודעים להגיד אם זה causality או correlation. אם בגלל שהם היו ב-Data School זה הפך להיות taskforce, או בגלל שזה נושאים חמים, אנשים בחרו שהם רוצים לחקור אותם ובגלל זה הם הפכו להיות טסקפורסים. אז היא בעצם חקרה את Mobile Acquisition, התחילה להכין איזשהו kickoff, הדבר הזה בעצם הפך להיות בסיס ל-kickoff אמיתי, שצוות ה-Growth Acquisition שלנו הראה שהם עשו בעצם kickoff על Mobile Acquisition.

ליאור:            אבל זה אדיר מה שאת מתארת כרגע. כי בעצם שוב, זה חוזר לזה שזה לא היה הסחת דעת של שלוש שעות בשבוע-

ערן:               תקשיבי, זה היה מאוד אפקטיבי, כן.

ליאור:            זה חסך עבודה שאחר-כך היא הייתה עושה ממילא.

סתיו:              נכון.

ליאור:            זאת אומרת, זה קצת פחות-

סתיו:              שכנראה היא לא הייתה עושה ממילא.

ערן:               זה הפך אותם ליותר אפקטיביים גם תוך-כדי. כאילו, ממש.

ליאור:            נכון, זה נתן לה כלים-

סתיו:              זה עזר לה להיות חלק יותר מהותי בתוך הצוות שחוקר בדיוק את הדבר הזה. כאילו, לתת לה את הבמה לתת את הרעיונות האלה, להראות את ההזדמנויות שהיא מאמינה בהן או את האינטואיציות שיש לה. ובעצם גם לקבל תמיכה משאר אנשי הצוות שלה להראות את ה-data שהיא מאמינה שיכול להראות הזדמנות.

ליאור:            אז מעבר לזה שאת אוהבת סטטיסטיקה ורוצה להיות מדויקת, מה זה משנה אם זה מחולל או שזה נסיבתי? כאילו, למה זה ממש משנה לך ב-KPI לדעת? כי ברמת החברה זה יצר את האפקט הרצוי.

סתיו:              כן. אני חושבת שבסוף אם ה… אוקיי, ה-KPI הדמיוני הכי טוב שהיינו יכולים למצוא ל-taskforce הזה… לפרויקט הזה, זה גם taskforce בעצם-

ליאור:            ל-Data School.

סתיו:              ל-Data School. זה מספר החלטות מבוססות data שמתקבלות במאנדיי. אבל זה KPI שאי אפשר למדוד אותו כל-כך, כן. אני לא יודעת אם יש למישהו רעיון איך-

ליאור:            את יכולה, אם נחזור שנייה למה שהצגת קודם, ממש בהתחלה-

ערן:               אולי כמה אנשים משתמשים ב-data.

ליאור:            כמה אנשים שלא השתמשו התחילו להשתמש באופן שבועי ב-big brain.

סתיו:              נכון. אז באמת-

ליאור:            וכל כליו שהגדרנו בסעיף…

סתיו:              נכון.

ליאור:            למה? לא? זה לא כאילו KPI טוב?

סתיו:              כן, אז האמת שזה היה KPI נוסף שלנו, להגדיל את כמות ה-investigators. כי האמנו שאם נגדיל את כמות האנשים שחוקרים data זה גם יגדיל את כמות האנשים שצורכים data. אם למשל ניקח אנשים ב-Customer Success והם ייצרו עוד צפיות שאיך לצרוך data, אז עוד אנשים מ-Customer Success יצרכו את ה-data וזה בעצם יגדיל את כל מטריקת צריכת ה-data במאנדיי. אבל כשאילו ניסינו לנסח לעצמנו בהתחלה את המגדלור או את ה-KPI הראשי של ה-Data School אז זה בעצם היה שיצא taskforce מוצלח, וה-sub KPI זה היה שיהיה יותר investigators. אז עכשיו בראייה לאחור הוספנו על זה עוד מדדי איכות. עשינו סקר, באמצע הקורס, וגם בסוף הקורס, כדי להבין איזה דברים היינו יכולים לשפר, איזה דברים אנשים הרגישו שהם לוקחים מזה.

ליאור:            מה למשל למדתם מזה? משהו משמעותי אחד.

סתיו:              למדנו שאחד הכלים שלימדנו בקורס, שזה SQL, אז למדנו שאנשים רצו יותר מזה.

ליאור:            אגב, זה גם, זה סימן טוב כשמישהו רוצה עוד ממשהו. זה אחלה-

סתיו:              לגמרי.

ערן:               אבל כן חשוב להגיד שכאילו הקורס הזה הוא לא קורס טכני. כאילו, חלק ממנו הוא טכני, על איך לפתוח דברים ב-SQL ואיך להוציא גרפים, אבל לימדו שם המון על איך לבנות ארגומנטים, ואיך להציג דברים בצורה קוהרנטית כאילו-

ליאור:            כן, מה שסתיו קראה לו ה-story telling של ה-data.

ערן:               ה-story telling, ואיך לבנות ארגומנטים, ואיך לבנות כאילו, לאורך כמה שקפים איך להציג ארגומנט שמורכב מכמה זוויות על הדבר הזה.

סתיו:              יש לי תרגיל ממש מגניב שעשינו עם זה [צוחקת].

ליאור:            כן, ספרי לנו.

סתיו:              אוקיי, אז ממש בתחילת הקורס, כזה שיעור שני, עשינו תרגיל ממש מגניב. לעשות מצגת שלמה שהיא fake. אוקיי? כאילו, תספרו סיפור דרך data, ולשים נתונים שהם לא אמיתיים. אוקיי? נתונים שאתם חושבים שאתם הולכים לקבל. והרגנו שזה יצר כמה דברים. אחד, זה יצר איזושהי תמונה של לאן רוצים להגיע, מה ה-structure של הסיפור שרוצים לספר. והרבה מאוד מהפעמים הרגשנו שהם שואלים המון שאלות שלא יובילו אותם לשום טיעון או לשום הוכחה או לשום המשך חקירה שהוא מעניין. וזה כאילו פסל את זה די מהר. אז בעצם כשייצרנו את המצגת ה-fake הזאת גרמנו למין מצב שהם יבינו עם עצמם האם הכיוון שהם חוקרים הוא בכלל כיוון מעניין.

ערן:               אז אני ממש חושב שלשאול שאלות זה משהו שנרכש, ומשהו שדווקא האינטואיציה שלנו הרבה פעמים יכולה להוביל אותנו למקום לא טוב. האינטואיציה שלנו מבוססת על מה שאנחנו חווים בחיים וכל-מיני כלים שיש לנו, ולא מבינה איזה כלים יש לנו כאילו-

ליאור:            דן אריאלי עשה על זה קריירה.

ערן:               לגמרי.

ליאור:            וכהנמן קיבל על זה פרס.

ערן:               ואני עשיתי את הטעויות האלה המון פעמים בעבר שלי. אז טעויות כמו אנשים שמסתכלים… נגיד אמרו הנה, יצא איזה פיצ'ר מאוד גדול באוגוסט, בוא נסתכל על מה היה לפני אוגוסט ומה היה אחרי אוגוסט. טעות. למה? באוגוסט אנשים טסים לחו"ל, אולי תמיד ספטמבר מתנהג יותר חזק מיולי. אני לא יכול לדעת אף פעם, אם לא עשיתי את זה ממש ב-A/B test. או לדוגמה אנשים שמפתחים איזה פיצ'ר, נגיד על איך יוזרים משדרגים את התוכניות שלהם, ומסתכלים על מצב נתון, נכון להיום. רגע, איך הם מתנהגים לאורך זמן? אולי נכון להיום, היום פתאום הבאתי המון המון יוזרים וזה לא-

[00:35:00]

ליאור:            כן, המגמתיות סביב הדבר הזה.

ערן:               המגמתיות. כאילו, איך זה מתנהג לאורך זמן, לא snapshot, אף פעל לא להראות snapshot, תמיד להראות דברים בצורה quarterly. זאת אומרת, להראות אותם לאורך זמן.

ליאור:            נכון.

ערן:               ועכשיו, אני לא בא לי להיות במקום שאנשים חדשים שמגיעים לחברה והם עושים את הטעויות האלה והנה הוא אומר לי הנה, עשית טעות, וכאילו למה אתה מסתכל על זה ככה, ולכולם ברור שזה ככה, וזה לא קשור ליכולת שלהם להוציא data. גם להוציא את ה-data הזה שאמרתי, לפני יולי, אחרי יולי, או להסתכל על snapshot עכשיו, זה קשה.

ליאור:            וצריך ללמוד את זה, כן.

ערן:               צריך ללמוד את זה, וזה קשה, וצריך להוציא את זה בשאילתא ב-SQL. אבל הם צריכים להבין שזה בכלל לא נכון לשאול את זה. או שיש לנו כלים יותר טובים בשביל לקבל על זה אינדיקציה. אני חושב שזה כאילו אלמנט מאוד מאוד חשוב בלהבין מה נכון לשאול ומה לא נכון לשאול. כאילו, במסגרת הכלים שיש לנו. וטעויות שעדיף לא לחזור עליהן [מוזיקה].

ליאור:            אז אחרי מחזור אחד מוצלח, מה בעצם התוכניות קדימה? מה אולי כן האתגרים עדיין שאתן מזהות סביב הפרויקט הזה כדי להפוך אותו לטוב יותר?

סתיו:              טוב, אז באמת היו לנו כמה אתגרים. אחד מהאתגרים הוא scale של הדבר הזה. איך להגדיל את זה, איך לגרום… הרי זה עשרה שיעורים, עם עשרה אנשים. ואנחנו במאנדיי גדלים-

ליאור:            לפעמים יש שבוע במאנדיי, שבשבוע מצטרפים עשרה אנשים חדשים לחברה.

סתיו:              אנחנו גדלים הרבה יותר מהר מזה.

ליאור:            כן.

סתיו:              אז ה-scale של זה הוא באמת בעייתי. כמה נקודות לחיוב שמצאנו מההזדמנות ל-scale זה שאנשים שמסיימים את ה-Data School הופכים להיות חוקרי data. באמת ראינו את זה מהמסיימי מחזור המדהימים האחרונים [צוחקת]. ובעצם הם מייצרים יותר צרכני data סביבם. אבל בכל מקרה זה נשאר אתגר, כי כל קורס כזה דורש מאיתנו די הרבה משאבים. הבנו שאנחנו לא רוצים להפוך את זה לסרטונים שאנשים יצרכו, כי זה לא יהיה בכלל באותה איכות, הם לא יצאו בכלל עם אותו added value.

ליאור:            אפקט, כן.

סתיו:              כן. אז זה עדיין נשאר אתגר. ה-scale של הדבר הזה. עוד אתגר זה האם להשאיר את זה עם כל האזורים השונים במאנדיי באותו קורס או לא. אז זה אתגר שעדיין לא פתור לנו. האם לעשות את זה בנפרד ולהעמיק יותר או להשאיר את זה ביחד ושזה יותר הוליסטי ומסתכל על בעיות רחבות יותר בחברה.

ליאור:            זינמן, משהו שאתה רוצה להגיד ככה לסיום?

ערן:               א' אני, שוב, אני רוצה להרים לשלוש הבנות שעשו עבודה מדהימה, ולגמרי זה יוזמה שלהן ואני עף על זה. ובאמת כל הכבוד. מאוד מוערך. ואני חושב שיש פה הרבה אתגרים קדימה, כי גם החברה כל הזמן משתנה. זה שאנשים עוברים איזשהו ramp up ראשוני ועושים יישור קו, אחרי חצי שנה כבר הכול משתנה. כן? כאילו, זה לא שזה יישור קו וזהו. הדברים משתנים-

ליאור:            הכלים הם דינמיים.

ערן:               כן. יש לנו עוד, חוץ מה-Data School, הוא respect אחד של הנושא של ה-data, יש לנו עוד נושאים. של איך מפיצים ידע. כאילו, אם נגיד עכשיו פתאום מישהו ב-big brain הבין שחלק מה-data הוא corrupted, הוא לא נכון. איך הוא מעדכן את כל מי שמתעסק ב-data? איך מודיעים על כלים חדשים? איך כאילו, עכשיו אנחנו מנסים לשפר את המתודולוגיה של A/B test, איך אנחנו עכשיו עושים יישור קו לכל החברה? דיברנו על זה גם עם סתיו, וכאילו יש פה נדבך עוד יותר רחב אפילו מזה. באופן כללי כאילו כל הנושא של data זה… כאילו, שוב, המון אחריות, עם המון יכולות-

ליאור:            והרבה פוטנציאל.

ערן:               והרבה פוטנציאל, אבל זה, כמו כל דבר שהוא המון כוח, לפעמים זה יכול להטעות. ראיתי אינסוף פעמים שאנשים מסתכלים על data, מסיקים מסקנות, ואין שום קשר כאילו בין המסקנה שהם קיבלו למציאות. אבל הכול נראה טוב בגרפים וכאילו המסקנה נראית כמו מסקנה אמיתית. אז יש פה אחריות אדירה ובעיניי זה קרב אינסופי שאנחנו כל הזמן צריכים להשקיע בו אנרגיה. Data School זה רק אספקט אחד של הדבר הזה.

ליאור:            אגב, אתה אמנם לא מרוצה מהתואר שעשית, או שואל את עצמך אם היית צריך לעשות אותו. אני בדיעבד רק כשהגעתי למאנדיי רציתי בעצם לחזור להגיד תודה לכל המרצים שלי לסטטיסטיקה במשך שש שנות תארים בפסיכולוגיה, שבעצם נתנו לי אחלה כלים להבין את מה שסתיו אומרת.

ערן:               לא יודע אם היית צריכה לבזבז על זה ארבע שנים. זו כבר שאלה אחרת [צוחקת].

סתיו:              עשרה שיעורים של ה-Data School את מסודרת [צוחקת].

ליאור:            כן, פחות  [ל.ב] אולי יותר big brain.

ערן:               אמא שלי תמיד אומרת "לך תלמד תואר שני, מה יכול להיות רע?". [צוחקות]. זה לא ארגומנט.

ליאור:            התחלה טובה.

ערן:               מה אפשר לעשות אחר בזמן הזה?

ליאור:            מה יכול להיות טוב.

ערן:               כן.

ליאור:            סתיו, ככה, לסיום. איזשהו טיפ למישהו שרוצה להקים יוזמה או שרוצה להתעסק עם data?

סתיו:              אני חושבת ש, הטיפ שלי זה לכל בן אדם שיש לו חברה או שהוא מנהל אנשים, שייתן לאנשים שעובדים איתו, תחתיו או whatever, את היכולת לעשות מה שב-passion שלהם. כי כנראה שהם יעשו את העבודה הכי טובה כשהם עושים מה שהם באמת רוצים.

[00:40:00]     ומה שהם באמת מאמינים בו. וגם אם זה הפרויקט הזה של ה-Data School שעשינו וגם אם זה כל אחד של הפרויקטים של אנשים שהיו ב-Data School, שהם באמת עבדו על מה שהם passionate לגביו ומה שהם רוצים לחקור, אז אני חושבת שאנשים עושים עבודה מדהימה כשהם עושים מה שהם באמת רוצים לעשות.

ליאור:            אחלה. עשינו את זה סתיו.

סתיו:              [מריעה] זה נגמר.

ליאור:            תודה שהצטרפת אלינו.

ערן:               תודה סתיו.

ליאור:            היא לא יודעת שזה עוד on the record, אבל סבבה.

סתיו:              [צוחקת]

ליאור:            תודה זינמן.

ערן:               תודה ליאור.

ליאור:            תודה שהאזנתם [מוזיקה].

 

 

 

 

 

 

 

 

 

הניוזלטר שלנו

הירשמו וקבלו עדכונים על פרקים חדשים, כתבות, אירועים ועוד הפתעות!

רוצים לקחת חלק בשיתוף ידע?

אם גם אתם רוצים להצטרף למשימה שלנו להעשיר את האקוסיסטם בידע ותובנות, אם אתם רוצים לשאול אותנו משהו, אם אתם מרגישים שיש משהו שעזר לכם וכולם צריכים לדעת, נשמח לשמוע. 

iconתשאלו אותנו הכל