לאחרונה אותגרנו בשאלה מעניינת: אם דאטה זה דאטה זה דאטה, אז למה אתם מדגישים שאתם מומחים ובעלי ניסיון בפרויקטי דאטה ואנליטיקה בחברות סטארטאפ?

אז נכון שדאטה הוא דאטה הוא דאטה, אבל מניסיוננו קיימים כמה הבדלים עיקריים בין סטארטאפים לחברות אחרות - ואלה התובנות העיקריות שלנו בנושא:

1. בתהליך הגדילה הטבעי של סטארטאפ יש התפתחות הדרגתית של המוצר/ים, של מספר העובדים ושל השימושים בדאטה ובאנליטיקה. על מנת לתת מענה לצרכים הראשוניים, בדרך כלל נאסף דאטה במספר כלים / ממספר מקורות ונעשה בו שימוש ללא בניית תשתית מסודרת. לרוב נבחר כלי נפוץ ומוכר בשוק ומשם יוצאים לדרך.
2. ככל שהסטארטאפ גדל - לעיתים בקצבים אקספוננציאלים - נוצרים צרכים חדשים שדורשים מומחיות בבניית תשתית נכונה, אשר תתמוך בגידול ותוספות ותיתן מענה לדרישות העסקיות, לצמיחה של רבדים נוספים, להעשרת מידע ממקורות שונים פנימיים וחיצוניים, לפיתוח מוצרי דאטה, ועוד. מרכיב זה של צמיחה מהירה בא בחשבון גם בשלב אסטרטגיית הדאטה וזוכה למשקל רב יותר בשיקולים השונים ובהמלצות לבחירה וכן ברוחב ההסתכלות על התשתית הארגונית ל-Big Data ול-Data Science.
3. פתרונות דאטה ואנליטיקה יכולים לשמש הן פנימית (כגון: תובנות על משתמשים, פילוח ובניית פרופיל של לקוחות, ניתוח וחיזוי מגמות וכו') והן חיצונית - עבור לקוחות ושותפים עסקיים, הן בעולמות ה-BI והן בעולמות ה-AI. עוד בטרם מגיעה החברה לכמויות דאטה אדירות, דרישות לזמינות מידע ותובנות בזמן אמת - הפתרון הראשוני בדרך כלל כבר לא מספיק טוב. נפגעת מהירות התגובה, משתבשים נתונים בשל אי סנכרון נתונים ממקורות מידע שונים, ה-SLA לבניית תוצרים חדשים (כמו דשבורדים) הולך ומתארך כי התשתית לא קיימת או לא בנויה לפי best practice, ועוד צרות מהסוג הזה. זה נכון בכל הארגונים, אבל בסטארטאפים הקצבים וההיקפים יכולים להיות משמעותיים בתוך פרק זמן קצר.
4. כל פתרון שמוצע נשקל בהתאם למשאבי הלקוח, הצרכים העכשווים והעתידיים, הכלים בשימוש והידע הקיים בארגון. ההמלצה כוללת תשתיות, טכנולוגיות וכלים שיקלו על Self service ועל תחזוקה קלה ועצמאית - וכמובן פתרון שיהיה Scalable כדי שיגדל עם הלקוח ולא יאלץ אותו לעשות הסבות מיותרות וכואבות. המטרה היא שהפתרון השלם יהיה כמה שיותר פשוט לתפעול, תחזוקה, ניהול והמשך פיתוח, במסגרת היכולות הפנימיות של הארגון.
5. סטארטאפים רבים שגייסו הון עומדים לפני גיוסים משמעותיים של כוח אדם, הכוללים גם גיוס צוותי דאטה משלהם In-house. מומחים מאפשרים לצוות הקיים להתרכז בליבת העשייה הטכנולוגית של הסטארטאפ ולא לחכות עד שיגייסו את העובד או העובדים המתאימים. צוות חיצוני מומחה ומקצועי מביא איתו ידע מצטבר וניסיון עצום ממגוון פרוייקטים וסקטורים, ובמגוון רחב של טכנולוגיות.

 
ב"דברים מעניינים מהרשת" הבאנו שני מאמרים מאוד מעניינים:
המאמר הראשון עוסק ב-Data Fluency: היכולת של כל עובד בארגון להשתמש בצורה איכותית בתוצרים של דאטה ואנליטיקה, על מנת להביא ערך לארגון. המאמר מסביר למה Data Fluency כל כך חשוב בימינו - עם הגידול בכמויות הדאטה ובשימושים החכמים בדאטה - וסוקר את המצב בארגונים שונים. המאמר גם מסמן את האזורים בהם Data Fluency חשובה במיוחד.
שווה קריאה!
המאמר השני סוקר את שמונת העקרונות המרכזיים להצלחה באסטרטגיית BI. כמי שעוסק בתחום הזה כבר יותר מ-25 שנה, מצאתי את המאמר הזה מאוד מקיף וממצה, ובאמת נוגע בנקודות הכואבות. הרבה פעמים ארגונים מזניחים חלק מההיבטים הקריטיים, או לא נותנים להם את המשקל הנכון - כמו למשל שיקולי Data Governance למול שיקולי self-service, שבחלק מהארגונים מנוגדים זה לזה.