שלום לכולם,

בשנה האחרונה חווינו מציאות שגרמה לנו לפעול במהירות.
זמן התכנון התקצר, היה יתרון לקבלת החלטות מהירות והוצאה לפועל בשלבים ובפרקי זמן קצרים. יתרון גדול היה לארגונים שהצליחו להיות אדפטיביים ולרתום את המציאות החדשה לטובתם. 



עם זאת, השינויים הכפויים מכורח הנסיבות גרמו לארגונים לעשות צעדים אופרטיביים מבלי להשקיע בהטמעה ושינוי הדרגתי של התרבות הארגונית. אנו נתקלים בכל מיני מחירים של התנהלות זו, כגון:
1. חוסר תיאום ציפיות
2. בעיות בנתונים אשר מונעות הפקת ערך מקסימלי
3. הגדרות ושאלות עסקיות שלא תמיד נבחרו בקפידה או לא תמיד בצורה ממוקדת מספיק
4. נבחר פתרון נקודתי וצר מדי, ללא הסתכלות לטווח הארוך
5. מודל הפעלה לא מספיק אג'ילי

הסוגיות איתן מתמודדים ארגונים דומות זו לזו -
1. מחפשים טרנספורמציה וחדשנות
2. הגברת ה-self service תוך שמירה על איזון בין "פתיחת השימוש" לבין ניהול מרכזי ומסודר ו-אמת ארגונית אחת
3. איתור מנועי צמיחה בהתבסס על תובנות מדאטה
4. מיקסום הערך המופק מהנכסים הארגוניים ובראשם הדאטה
5. שימוש באנליטיקה מתקדמת לצרכי חיזוי ולקבלת תובנות עסקיות

למרות הדימיון באתגרים, דרכי ההתמודדות של כל ארגון וארגון שונות.
יש לכך גורמי השפעה והסברים רבים - התשתיות הקיימות, איכות וסוג הדאטה, תקציבים, תרבות ארגונית ועוד.

Data & Analytics Roadmap ואיך הוא יכול לעזור לכם

עתה משנוצרה מציאות מאוזנת והחיים חוזרים בהדרגה למסלולם, חשוב מאוד להקדיש זמן מתאים לעצירה, חשיבה ותכנון קדימה. לפעמים בכדי למפות את המציאות הקיימת, להגדיר מטרות ויעדים ולבחור בדרך הנכונה ביותר מכל ההיבטים - יש להשקיע בתהליך הכנה ארוך וכבד. אנו מאמינים שתהליך מהסוג הזה עלול להחמיץ את ההזדמנות לעשות קפיצת מדרגה נכונה, והוא לא מתאים לקצב של המציאות הנוכחית.לדעתנו, הפתרון האופטימלי הינו Data & Analytics Roadmap: מיפוי ותוכנית דאטה קצרה וממוקדת, אשר לוקחת בחשבון גם פוטנציאל עתידי מעבר לפתרון המיידי.

ה-Roadmap שם דגש על בחינת השאלות העסקיות ודיוקן עפ"י הצורך, המלצה על טכנולוגיות מתוך התאמה ללקוח, המלצות על תהליכי עבודה, תקציבים וכוח אדם, התאמה לקיים וחלוקה פרויקטלית לשלבים. כל אלו עוזרים לארגונים לראות את שביל הזהב.
 

ב"דברים מעניינים מהרשת" הבאנו שני מאמרים:

המאמר הראשון מדבר על תחזוקה וטיפול שוטף במודלים של Data Science. כמו בכל מערכת טכנולוגית (וגם כמו כל בית או מכונה), גם מודלים של Data Science דורשים תחזוקה: כוונון של המודל, עדכוני תוכנה, הוספת שדות לחישובים ושילוב מקורות מידע חדשים שלא היו זמינים קודם. כל אלו דורשים זמן, עבודה וכסף - אותם יש להעריך ולתקצב מראש, אחרת המודלים יהפכו לבלתי שמישים. אלמנטים אלו הם בעצם חלק מה-TCO (העלות הכוללת של הבעלות) של המודל.מומלץ לקרוא!

המאמר השני טוען ש-self-service analytics הוא לא פתרון יחיד שנותן מענה לכל הארגון.
רבים טועים לחשוב שברגע שיש כלי מתאים והדרכה למשתמשים איך לבנות דוחות בעצמם, הם הגיעו ל-self-service, אבל המציאות היא שמשתמשים שונים צריכים דברים שונים ומגדירים self-service בצורה שונה. יתרה מזאת, המשמעות של self-service היא לא שהמשתמש יוכל לקבל מענה לכל הדרישות שלו בעצמו וללא תלות ב-IT: תמיד תצטרך להיות תמיכה טכנית, הדרכה ומשאבי IT נוספים שיהיו זמינים על מנת לתת מענה לדרישות שמשתמשים לא הצליחו לתת להן מענה בעצמם באמצעות self-service, מסיבות שונות.

כמו תמיד – נשמח לקבל פידבקים ושיתופים.

תהנו!
אדר שומרון
מנכ"ל ביונד
054-7722289
adar@biyond.co.il