ליאור:         היי לכולם, הגעתם ל-Startup for Startup, הפודקאסט שבו אנחנו חולקים מהניסיון, מהידע והתובנות שיש לנו כאן במאנדיי.קום וגם מחברות אחרות. הוא מיועד לכל מי שסטארט-אפ מדבר אליו, לא משנה באיזה כיסא הוא יושב ברגעים אלו [מוזיקה]. אחרי חמישים פרקים ו-100 אלף האזנות לקחנו את הפודקאסט מחוץ לאולפן לכנס ראשון בסדרה של אירועי Startup for Startup Unplugged. בכנס התמקדנו בנושא של הובלה באמצעות KPIs – מדדי ביצוע מרכזיים – לאורך ארבעה סשנים שונים. לכל מי שפספס, זהו הסשן הרביעי מהכנס. אם בשלושת הסשנים הראשונים הבנו בעצם את הרציונל שמאחורי עבודה עם מטריקות והדרך שבה שימוש במטריקות יכול להניע חברה לאותו הכיוון, בסשן הרביעי דיברנו על דרכים להנגיש את המטריקות הללו לכל החברה ועל הכלי הפנימי שפיתחנו במאנדיי שמאפשר את זה, הלוא הוא ה-Big Brain. דניאל לריה, מנהל הפיתוח במאנדיי.קום ואביאל הרשקוביץ שמוביל צוות פיתוח דיברו על הסיבה לבניית כלי פנימי לאיסוף וניתוח נתונים במקום להשתמש בכלים חיצוניים, על דרכים שבהן צוות הפיתוח מאיר אזורים חשוכים ב-data, ואיך חשיפת הנתונים האלה והצגתם באופן גרפי וברור מניעה בעצם צוותים לפעולה באופן יומיומי. אני ממליצה לעצור כאן ולצפות בסרטון שמסביר יותר טוב מכל המילים שככה נוסיף כאן מה זה בעצם big brain עבור החברה. והוא מחכה לכם יחד עם השקפים שהצגנו בשיחה בתיאור הפרק. תיהנו. [מוזיקה]. דניאל, שאלו אותי בהפסקה, אמרו לי מה שאומרים לנו על הרבה פרקים. "טוב, זה לא חוכמה, אתם מאנדיי, וגם big brain זה כבר כאילו מפלצת היום." נכון? זה אשכרה big brain כל מה שראינו עכשיו בסרטון. הכי אקשן אבל שאפשר, איך מתחילים?

דניאל:         אז קודם כל-

ליאור:         ולמה בכלל. כן? כי זאת רגע אולי השאלה החשובה ממה שלמדנו היום. אתה יודע מה, בוא נחזור ללמה. כי גיל דיבר על למה ושירלי דיברה על למה. למה לנו לבנות כלי פנימי שמודד דברים? למה?

דניאל:         אז תכלס אני חושב שבאמת יש מגוון מאוד רחב של סיבות, אבל כששואלים את זה אצלנו מאיפה זה התחיל ולמה, אז עלו בעצם אולי שני מקרים שעדיין, בדיוק דיברנו היום בארוחת צהריים מה באמת הסיפור האמיתי שהתחיל את big brain ולמה. ויש גרסאות חלוקות על העניין הזה. אבל אני חושב שאחד מהדברים קודם-כל זה שכשאתה בונה משהו כזה בעצמך, אחת הבעיות ואחד הכאבים הכי גדולים שיש בלהשתמש בכלים אחרים זה שתמיד זה מספק אווירה כזאת של תירוצים. אני אתן לכם דוגמה סתם, נגיד בעבר השתמשנו בכלים כמו mix panel נגיד ל-A/B test, ופתאום אתה קולט שאתה מנתח איזה טסט ויש שם באג, ומאותו רגע אתה לא מאמין, ומהרגע הזה גם-

ליאור:         לא מאמין לכלי.

דניאל:         אתה לא מאמין לכלי ולמה שאתה רואה. אין לך גם שום יכולת כמו בכלי שלך, לרדת עד הביט והבייט ולהבין בדיוק כן או לא. ואני חושב שמאותו רגע זה יוצר ממש, בשבילנו לפחות, זה יצר איזושהי אווירה של תירוצים. זאת אומרת זה אווירה של תירוצים אפילו לעצמנו. יכול להיות שהטסט הוא אחלה, פשוט יש כרגע בעיה או שהמידע לא התעדכן או דברים בסגנון הזה. אז זה דבר אחד. והדבר השני של למה אני חושב שכל ה, דיברנו כל היום על KPIs וכמה זה משנה תרבות וכמה זה משפיע, ואני חושב שזה באמת מאוד מאוד קשה להגיע למצב ש-KPIs מוטמעים באמת בתרבות. ואני חושב שברגע שאתה בונה כלים בעצמך יש לך המון הזדמנויות, שחלק מהן גם נראה כדוגמאות, של איך בפועל לגרום לאנשים להשתמש בדבר הזה ביומיום, ואיך לגרום לכל האנשים בחברה, לא רק לאלה שהם Product או לאנליסטים או להמון המון פונקציות אחרות, אלא ממש איך הדבר הזה הופך את הדבר הזה לחלק מהתרבות של כולם. ואני חושב שלבנות את זה בעצמך נותן לך המון המון אפשרויות להטמיע את זה. בהמון המון points שונים בחברה.

ליאור:         רגע, התחלת, הרמת להנחתה של איך זה התחיל. ולא חזרת לשם.

דניאל:         אז כן, אז דבר אחד ככה, אם ישאלו את רועי אז זה הנושא של באמת [00:04:00] שלא יהיה תירוצים כלפי עצמנו. ויש עוד איזה סיפור ככה של זינמן, ש-

אביאל:        האגדה מספרת.

דניאל:         האגדה מספרת שבזמן שהכינו מצגת רבעונית כזה לבורד אז בעצם עשו את זה אולדסקול, שזה אומר… הרבה מאיתנו עושים את זה, אתם יודעים, פשוט מתחברים ל-database שנייה, מריצים quarries  בכל-מיני צורות ומוציאים גרפים וכו' ונתונים. אז באותו רגע שעשו את זה, קודם-כל דבר אחד, כבר באותו רגע שהיה את הגרפים הדחף הראשוני היה לשתף את זה עם כמה שיותר אנשים. כי פתאום רק מעצם זה שאתה מסתכל על הנתונים, אני חושב שבכלל הנושא הזה של board meeting מאוד מאוד עוזר ל-reflection פנימה, פתאום היה איזה אינסטינקט "רגע, צריך להראות את הדבר הזה לכולם." ודבר שני, זה שפתאום עבר שבוע. ואז כל המידע כבר צריך לעשות בדיוק את אותה עבודה, בדיוק את אותו דבר. ואני חושב שמה שזה גרם להבין זה שזה חייב להיות חלק מהיומיום. חייבים למצוא את הדרך הפרקטית, בסוף, להפוך את זה למשהו יומיומי ולא למשהו שמישהו אחד מחליט וכו'. זה ככה בגדול.

ליאור:         ומזה מתחילים.

דניאל:         אז כן, אז אני חושב שההתחלה היא מאוד מאוד פשוטה. היום כשמסתכלים על big brain ומנסים לעשות reverse engineering אז אחד הדברים שתמיד אומרים זה "מה, אני לא בהכרח עם product market fit, או עם product market fit ושני לקוחות וכו', איך אני אקצה לזה משאבים?" ואני חושב שזו בעיה קשה. אני רק רוצה-

ליאור:         יש אפילו מקרה יותר קיצון, שלפעמים בפגישות איתנו שואלים אותי ואת רועי "עוד אין לי לקוחות, אני עוד לא צריך להתחיל למדוד, נכון"? ורועי כזה תמיד אומר "כן, אתה כן צריך להתחיל למדוד, אפילו שעוד אין לך יוזר אחד במערכת."

דניאל:         כן. אני חושב אבל, מה שלי חשוב להגיד קודם-כל, אתם רואים פה את הרשימה בעצם של שלושת הדשבורדים הראשונים שב-big brain היו? אפילו הגרסה הזאת יותר מתקדמת, ראינו קודם את ה-paying companies עם 6, שהוא היה הרבה הרבה יותר פשוט. ואני חושב שזה דברים שהיה מאוד מאוד קל ליצור אותם בהתחלה. לא היה לזה בהתחלה אנשים שהם dedicated וכו'. וכבר הדברים האלה לבד, השתמשתם בזה קצת בשיחה של רועי וערן קודם, איך הם שינו את המציאות. פתאום אנשים באים בבוקר, הם רואים paying companies, זה מה שמניע אותם, הם מבינים שזה מה שחשוב לכולם בחברה. הם מבינים שאם הם עובדים מאוד מאוד קשה אבל הם לא מזיזים את זה אז כנראה זה לא הדבר הנכון לעשות.

ליאור:         אבל דניאל, אתה Head of R&D. אתה בכל רגע נתון חסרים לך אנשים ב-R&D. ככה. יש לך כמה, כמה מפתחים יש ב-big brain?

דניאל:         היום אנחנו-

אביאל:        13 אנשים total. חלק data scientists ואנליסטים, יש לדעתי 8.

דניאל:         כן.

ליאור:         כאילו, איך אתה מצדיק לעצמך את זה?

דניאל:         אז קודם-כל אני אגיד שהיום אנחנו ב-state of mind שזה נורא קטן ואנחנו רוצים להגדיל את זה, אבל אני חושב שהיום כבר אין לנו את השאלה הזאתי. אני חושב שבשלב הראשון, אם אני חוזר שנייה להתחלה של זה, מבן אדם אחד ספציפי שעבד על זה והרים את כל הגרסה הראשונית של big brain כמעט לבד – בן אדם וחצי אפשר להגיד, היה לנו גם מישהו במשרת סטודנט באותה תקופה – הצליחו להגיע לדברים ששינו לגמרי את החברה. אז אני יכול להגיד שאצלנו השאלה הזאת היא לא על השולחן בחברה. אני חושב שבימים ההתחלתיים ובהשקעה הראשונית, גם הרבה אנשים שאנחנו מדברים איתם שעושים פה first step, הם מקבלים מזה כל-כך הרבה value מ-day one שזה הופך להיות משהו שאתה מבין שהוא X factor לחברה, הוא בכלל משנה את הקצב שבו אתה יכול להתקדם.

ליאור:         מה היו ככה אחד הניצחונות הראשונים של big brain? כאילו, אחד הדברים הראשונים שהרמתם ככלים ואמרתם "זה עובד וזה מצדיק את זה"?

דניאל:         אז א' אני מתחבר לדוגמה של ה-paying companies. והדוגמה של ה-CS, שזה מהדברים הראשונים שאני חושב שהם באמת שינו מאוד. אני חושב שאם ניקח ככה… אתה רוצה אולי לספר דוגמה מעכשיו כזה או מה-

ליאור:         לא, דווקא רגע מההתחלה. בכוונה. לעזור לי להבין.

דניאל:         אז אני חושב שאלה דוגמאות מצוינות.

ליאור:         לא, אבל אתה אומר כל הזמן, אתה מדבר על זה שזה מחליף כלים. אמרת קודם שזה מחליף לך mix panel.

דניאל:         כן.

ליאור:         נכון?

דניאל:         כן.

ליאור:         איך אתה יודע שזה מצליח?

דניאל:         שמה מצליח?

ליאור:         [00:08:00] שמה שבנית ב-big brain יותר טוב מ-mix panel.

דניאל:         מגניב. אז אני חושב נגיד אם ניקח את הדוגמה-

ליאור:         מתי אתה מפטר את Mix panel כאילו. ומתי אתה גם לא.

דניאל:         אז א' זו באמת נקודה מעניינת, כי היו מוצרים שבהתחלה התחלנו עם מוצרים חיצוניים ועברנו ל-big brain, וגם היו מעברים הפוכים. אבל אם ניקח את הדוגמה של ה-A/B test, אני חושב שאחד הדברים שהבנו לגבי A/B test זה שזה משהו מאוד מאוד מהותי באיך שאנחנו מתנהלים בחברה. והבנו שכשאנחנו משתמשים בכלים חיצוניים אנחנו לא מבינים מספיק טוב את הבעיה לצורך העניין. ומהרגע הראשוני של ההתעסקות בזה בעצם זה עשה step up מטורף לכל מי שמסביב שהתעסק בזה. זאת אומרת אנשים בעבר התעסקו ב-mix panel, היה המון black box  שם והמון המון דברים שלא הבנו עד הסוף, ורק כשהיינו צריכים לעשות את זה בעצמנו פתאום – זה מתחבר למה שערן אמר מקודם – פתאום עלו כל-מיני שאלות. פתאום היינו צריכים להבין איך דברים באמת עובדים, פתאום היינו צריכים להבין איפה אנחנו נופלים ב-day to day. אז אני חושב שכבר נגיד, הדוגמה הזאת של A/B test עזרה לנו מאוד. ואם ככה נראה גם לדבר הזה הייתה אבולוציה. דיברנו פה על KPIs כל היום. לנו נגיד הייתה תופעה מדהימה עם ה-A/B test. שהיינו עושים A/B test, היו קורות תוצאות, ואז היינו מנסים להיזכר מה בכלל רצינו לשפר. זאת אומרת, הגענו למצב שיש לנו כבר תוצאה בידיים ואז ניסינו להחליט מה יהיה ה-outline הטוב-

ליאור:         האם היא טובה או לא.

דניאל:         כן, האם היא טובה או לא, ומנסים בכלל, כבר איבדנו את מה שרצינו בהתחלה.

ליאור:         וואלה.

דניאל:         ואז הגענו לאיזו מסקנה שאנחנו רוצים באמת לעשות את התהליך הזה של להחליף מה אתה מנסה לשפר, בהתחלה. בעצם זה שזה הטול שלנו והייתה לנו שליטה עליו אז אחד מהדברים שעשינו זה כשאתה פותח טסט אתה חייב לבחור KPI. וה-KPI הזה נותן לך פריזמה לגבי הטסט מ-day one שלו. ואני חושב שבהחלטה שהיא לכאורה נראית פשוטה ומינורית בעצם שינינו לגמרי את איך שאנשים ניגשו לזה, זה היה מדהים. א', כולם פתאום שואלים, "רגע, מה זה אומר?" ו"רגע, אין את ה-KPI שהתכוונתי", וזה עשה דיונים מטורפים בחברה. ודבר שני, זה גרם לאנשים לשבת ולחשוב. ואז אתה פתאום מבינים שכל מיני החלטות נורא נורא קטנות, של להחליט שמשהו required לדוגמה, ב-big brain, הן משנות לגמרי את ההתנהלות של הצוותים ואת כל האנשים. ויותר מזה, זה משפיע על זה בצורה שאתה לא צריך לדבר עם כולם. זה כאילו, צורה שהיא scalable בטירוף, כי אתה פתאום לדוגמה אומר "טוב, חשוב לי להתרכז במטריקה מסוימת, בזה שהיא תהיה מעל קו מסוים. אוקיי, בוא, היא מתחת לקו הזה, נצבע אותה רגע באדום." פתאום כל בן אדם שמגיע חדש לחברה אין כבר את הצורך הזו בתורה שבעל-פה, שכל מי שמסביבו יגיד לו מה טוב, מה לא טוב וכו'. הוא לבד מבין שזה דבר חשוב, כדאי שהוא ישאל, כדאי שהוא יעבוד לפי זה. אז אני חושב שאנחנו הבנו שבמאמצים של לכתוב דברים בעצמנו זה מאפשר לנו לייצר פוקוס סביב דברים מסוים שחשובים לנו. מאפשר לנו להחליט מה חשוב ומה לו. זה מאפשר לנו בעצם להשליט כל-מיני דברים שהם ב-culture שלנו בלי הצורך לדבר אחד-אחד-אחד. שזה כאב מאוד מאוד גדול של חברה שכל הזמן גדלה ומצטרפים אנשים חדשים ובכל רגע נתון הגיל הממוצע בצוות הוא חצי שנה נגיד. ה-seniority כאילו בצוות, שזה מטורף, אתה מסתכל על מישהו לידך, הוא שלושה חודשים בחברה, פתאום בא מישהו חדש, הוא בכלל הוותיק כבר שאומר לו מה לעשות ו-

ליאור:         והוא רבעון בחברה.

דניאל:         וזה השלב שהתורה שבעל-פה נשברת, ואני חושב ששם, בעזרת כלים שלך והיכולת שלך לפקס את זה ולהתייחס לזה כמוצר גם מאוד מאוד עוזר. אז קיבלנו מזה ים value, באמת. מהמון המון-

ליאור:         בוא נעבור שקף ואביאל יספר לנו על פרויקט חדש יחסית של big brain, נכון?

דניאל:         מעניין, כן. חוויה אישית קרובה מאוד. אחת ממשימות ה-onboarding שלי.

דניאל:         משימת ה-onboarding.

אביאל:        משימת ה-onboarding. אני אכניס אתכם לסיטואציה.

ליאור:         כמה זמן אתה בחברה?

אביאל:        אני חושב שאני שבועיים בחברה, משהו כזה.

ליאור:         לא, היום כמה זמן.

אביאל:        היום אני חצי שנה בחברה.

ליאור:         אוקיי, בשלב הזה היית שבועיים.

אביאל:        אזור שבועיים בחברה. הגעתי אחרי כמה תפקידי ראש צוות, הרגשתי מאוד מאוד ותיק, מנוסה, שאני לגמרי יכול לפתור משימות [00:12:00] פשוטות. והמשימה הייתה לעשות דשבורד חדש. מה, קצת רקע וקונטקסט לדשבורד הזה? רצינו כחברה לפקס את מחלקת ה-Marketing שלנו סביב איזשהו KPI, שבעצם יוכל להניע לפעולה בכיוון שאנחנו חושבים שהוא הכיוון הנכון. ובתור חברה החלטנו להסתכל על KPIs שהם הרבה יותר פשוטים, KPIs שכולנו מכירים, שידברו לכולם, שכולנו יבינו אותם. שרק מהסתכלות על הדשבורד נוכל כולנו לעשות בעצם פעולות ולקבל החלטות. וה-KPI שבחרנו זה KPI שנקרא work signup. כמה מילים על work signup, זה בעצם מדד שמראה כמה סיינאפים הגיעו אלינו והיוזרים עצמם, כחלק מתהליך הרישום, ציינו שהם הגיעו למטרות עבודה ולא לכל מטרה אחרת. עכשיו, אנחנו ראינו קורלציה מאוד ברורה בין ה-KPI הזה, בעצם הוא מהווה כ-proxy KPI ל-conversion. שאם אתם זוכרים, על-מנת להבין conversion במוצר שלנו אנחנו צריכים לחכות שבועיים, אנחנו צריכים להבין מתי לקוח הופך להיות משלם, זה יכול לקחת את כל תקופת ה-trial. ועכשיו אני אחזיר אתכם לסיטואציה שלי בתור עובד חדש שמגיע ועושה משימת onboarding שהיא דשבורד. שוב, מה שהיה לי בראש זה שאני ראש צוות מנוסה, אני עשיתי פרויקטים הרבה יותר מורכבים מזה. ולשמחתי מי שהיו מעורבים במשימה הזו והיו ב-high touch עם מחלקת ה-Marketing זה גם דניאל וגם רועי. ואני זוכר שיחות מול המוק-אפים של הדשבורד, של "רגע, אתה מבין את הבעיה, אתה מבין איך להציג אותה, אתה מבין מה אנחנו מנסים לפתור פה?" ובלב אני אומר "זה דשבורד, כאילו, מה הם מאדירים את זה כל-כך? זה דשבורד, זה בעיה פשוטה. יש פה UI, יש פה data, אני יודע להציג אותו, אני יודע לפתור את זה, ואני עושה את זה מאוד מאוד מהר, וזה יהיה על הצד הטוב ביותר. אז אם אני מחבר את זה למה שזינמן דיבר עליו, אז אם אני זוכר נכון זה נקרא Krugel Effect. ותקנו אותי. אז אני אי שם בקצה השמאלי. ואני חושב שהכול ברור, הכול קל, ואני תוך שנייה מתקתק את זה וזה פותר את כל בעיות העולם.

ליאור:         ואז…

אביאל:        ואז, תודה ליאור. ואז אני מתחיל לצלול לוך ה-data, מתחיל לחשוב על השאלות הרלוונטיות ולהבין רגע, מה אני בכלל רוצה שהדשבורד הזה יעשה? איזה אקשנים אנחנו רוצים שהמחלקה תיקח, שכל אינדיווידואל במחלקה ייקח מבלי שבכלל נגיד לו, רק מהסתכלות על הדשבורד? אנחנו מבינים שאנחנו רוצים בעצם שכל channel  מרקטיאלי יוכל להסתכל על הסיינאפים שלו ולבין שהקמפיינים שלו הם בכיוון הנכון, מביאים לקוחות שמאנדיי רוצה.

ליאור:         כן, ומה הייתה הבעיה אבל?

אביאל:        הבעיה הייתה שאנחנו מדדנו ועשינו אופטימיזציות על לדוגמה… על סיינאפים לדוגמה. ו-signup זה מדד שהוא בעייתי לעשות עליו אופטימיזציה. כי קל מאוד… לא קל, אבל אפשר להביא הרבה מאוד סיינאפים שלא יהיו רלוונטיים ולא יתקנוורטו ל-paying. וככל שהזמן יעבור אנחנו נראה גרפים עולים כי הסיינאפים עולים, הכול ירוק, הכול מדהים, כל הדשבורדים, כל המוצרים שדניאל דיבר עליהם ייצבעו בירוק, אבל מתחת לפני השטח הדברים לא בהכרח טובים. וזה לא מה שרצינו-

ליאור:         האיכות של הסיינאפים האלה לא, היא פחותה כי הם לא work signups.

אביאל:        נכון.

ליאור:         זה היה התובנה הגדולה.

אביאל:        כי כשהם יגיעו לפלטפורמה הם לא ימצאו בהכרח את ה-value שהם מחפשים, הם לא בהכרח הלקוחות שאנחנו רוצים-

ליאור:         שבנינו עבורם את המוצר.

אביאל:        שאנחנו יודעים לתת להם את ה-value המקסימלי.

ליאור:         כן.

אביאל:        ואז כשאני חוזר ומתעסק בשאלות האלה של איך אנחנו מציגים את ה-data כך שייקחו אקשנים לכיוון הנכון, אז אני מבין שאנחנו צריכים להראות את המצב הנוכחי, אנחנו צריכים להראות איזושהי פרדיקציה שמראה איפה אנחנו עתידים לסיים את החודש, בכל אחד מהצ'אנלים המרקטיאליים. ובעצם ההצגה של המידע הזה, אנחנו יכולים לגרום לאנשים להבין "רגע, המצב שלי כרגע הוא כזה שיוביל אותי לא לעמוד ב-goal שלי. אני חייב לקחת איזושהי פעולה, אני חייב להבין מה בקמפיינים שלי או מה בעבודה היומיומית שלי יגרום לי כן לעמוד ב-goal, איך אנחנו כולנו משפרים את זה." וזה אחד [00:16:00] האסימונים הראשונים שירדו לי, ההבנה הזו שדשבורד באמת באמת מניע לפעולה, מניעה לפעולה אינדיווידואלים, מחלקות, זה יוצר שפה משותפת ופתאום הצ'אנלים המרקטיאליים השונים יכולים לדבר אחד עם השני ולהבין את הסטטוס האמיתי של כל אחד מהצדדים. כי פתאום הבחור מ-add words רואה שכמות ה-work signup או ה-goal שהם הציבו לעצמם לא הולכים לעמוד בו. אז פתאום השיח הוא משותף, המוחות מתחברים להם, ומוצאים פתרונות הרבה יותר טובים. ודברים טובים קורים.

ליאור:         מה זה החלק הזה למטה?

אביאל:        אז-

ליאור:         יש פה מדינות, יש פה desktop … [00:16:32].

אביאל:        אז החלק התחתון זה חלק שהגענו אליו לאחר מכן. זה בעצם ריכזנו את ה-data סביב אוכלוסיות שאנחנו רואים בהן כאיזשהו סממן לאיכות. או אוכלוסיות שאנחנו רוצים לקחת אחריות עליהן ולהבין שאנחנו לא הולכים אחורה. we never go back באזורים האלו. אז לדוגמה אנחנו יכולים לראות את ה-work signup ב-US, יכולים לראות את ה-work signup לפי הדיווייסים השונים. כל-מיני חיתוכים שאנחנו כחברה הבנו שיעזרו לנו להסתכל על האיכות של הסיינאפים. או על האיכות של הקמפיינים שלנו. ואם אני ארוץ קדימה ממש לימים הנוכחיים, אז מדשבורד שהוא מאוד פשוט, שיש בו מטריקה אחת, שהיא work signup, היא מחולקת לצ'אנלים מרקטיאליים, פתאום אנחנו מוצאים איזשהו כלי תחקור ראשוני, אנחנו רוצים שהשיח יהיה סביב channel מרקטיאלי ספציפי, אנחנו רוצים להיות מסוגלים לראות את ה-work signup בהקשר של רק add words, או בהקשר רק של יוטיוב. אז מהמוצר הזה-

ליאור:         או רק יוטיוב בארה"ב.

אביאל:        או רק יוטיוב בארה"ב או רק יוטיוב עם באמת device mac, או איזשהו שילוב של החיתוכים האלו. ומהדשבורד הזה נוצר כלי תחקור ראשוני, זה גם דשבורד, הוא מרוח אצלנו, או יימרח בעתיד, על טלוויזיות touch מדהימות שבדרכן אלינו. ואדם יוכל להסתכל על הדשבורד הזה, ללחוץ על ה-channel המרקטיאלי שמעניין אותו, עם האוכלוסייה שמעניינת אותו, והקומבינציה הזו תראה לו data שרלוונטי בדיוק לעולם הבעיה שלו. והדבר הזה הופך את הדשבורד לא רק מגורם ממניע לפעולה, אלא מגורם תחקור ראשוני שממש גורם להבנת אינסייטים מהותיים.

ליאור:         כן, גם מה שמעניין שסיפרת לי ככה כשהתכוננו לחלק הזה, זה שמדדנו את זה. זה לא שהמצאנו מדד. המדד הזה היה מוחבא איפשהו באיזושהי טבלה בתוך big brain. נכון?

דניאל:         כן. אני חושב שחלק מהעניין זה שבאמת-

ליאור:         לא המצאתם פה KPI חדש לצורך העניין הזה. הנקודה הייתה להציף את זה.

דניאל:         כן.

ליאור:         ולהבין שזה כלי עבודה שכרגע לא מנוצל לצורך העניין.

דניאל:         זה, בוא נגיד ככה, יש לנו המון המון מטריקות שפזורות, וככל שהחברה מתקדמת, אז ראיתם שה-KPIs הופכים להיות מותר משוכללים ויותר complexed וכו'. ואני חושב שמה שהדשבורד הזה בעצם סימן זה "רגע, בוא נחזור ל-sanity שנייה, בוא נראה שהדבר הכי פשוט, ה-predictor הכי פשוט מבחינתנו, אנשים באמת רצו לעבודה, שהוא predictor טוב ל-paying, הוא קורלציה. לא הוכחנו causality על זה עדיין וכו', אבל חזרנו לזה. וברגע ששמנו את הדבר הזה אז בעצם אני חושב שגם אביאל הופתע מכל האינטרפייסים שהיה לדבר הזה בחברה. פתאום כאילו נכנסים למשרד, אתם רואים אנשים ליד הדשבורד, "מה זה הדשבורד החדש הזה?". ושאלות, ומדברים וכו'. פתאום ישיבה שאנחנו עושים של synch של החברה ביום ראשון בבוקר, פתאום מדברים על זה. ואני חושב שהעוצמה של זה הייתה פשוט מטורפת. זה הראה שוב את הכוח וכמה KPI ולפרוס אותו בצורה נכונה יכולה לפקס. ויש פה גם המון אמנות של craftmanship. לגבי דשבורדים וכו', שרועי דיבר על זה קצת, שצריך שיהיה מספר שיהיה מאוד מאוד ברור. איזשהו top line. צריך ש, נגיד אנחנו עושים prediction, אז שנסביר מה זה ה-prediction הזה, כי אחרת אף אחד לא יודע… ה-prediction נמוך, אוקיי, מה אני עושה עכשיו? אז אנחנו צריכים להסביר איך זה וממה זה בנוי ומה המרכיבים, אז יפה המון המון אלמנטים, המון המון נקודות קטנות-

ליאור:         יש דברים שלא היית מפתח ב-big brain? כאילו, מקומות, כלים שאתה מסתכל ואומר "לא נכון לנסות להחליף אותם"? איפה עובר הגבול?

דניאל:         זו שאלה… אני חושב שאחד ה-

ליאור:         [00:20:00] לא, כי כולנו צריכים פוקוס, כן?

דניאל:         כן. אני חושב שזו שאלה מאוד טובה, ואני חושב שאצלנו ה-guideline לגבי מתי אתה צריך לפתח את זה בעצמך הוא סביב מספר נקודות מאוד מאוד מצומצם. קודם-כל, זה רק דברים שמזה שתעשה אותם בעצמך אתה תקבל added value מאוד מאוד משמעותי. אני חושב שאנחנו היום כשאנחנו מסתכלים על big brain אנחנו לא מנסים להחליף את כל מוצרי השוק, אנחנו משתמשים גם בעשרות כלים אחרים. אולי אני אתן פה את הדוגמה של Sales Force, שאני חושב שזו דוגמה ממש טובה. ראיתם בסרטון פה, שצילמו אותו לפני שנתיים, שעדיין ה-Sales שלנו השתמשו ב-big brain.

ליאור:         עדכנו את חלקו, כן? כדי שהוא יהיה רלוונטי.

דניאל:         דרך אגב, יש פה, בדיוק הכנו כזה עדכון של המספרים, אבל לא עדכנו את הכול. אז באמת היום-

ליאור:         יש שם פערים, כן.

דניאל:         כן. היום אנחנו לא משתמשים ב-big brain ל-Sales. ואני חושב שאחת הסיבות שהבנו זה שהבנו שקודם-כל… אנחנו אין לנו בעיה להשתמש בכלים אחרים. אחד הכללים, ה-guidelines הבסיסיים ביותר שלנו זה שה-raw data תמיד יהיה אצלנו. זה שחרר לנו, הכלל הזה שחרר לנו הרבה הרבה מעצורים של ללכת לעבוד עם כלים אחרים. והסיבה שזה כלל שהוא נורא נורא חשוב לנו זה שאנחנו רוצים full control ועצמאות, ואנחנו בעצם רוצים לדעת שאם יש איזשהן בעיות או דברים אנחנו תמיד נוכל לקחת את העניינים לידיים ולפעול על זה. משהו נגיד שאתה לא יכול אם אתה מסתמך על כלי חיצוני והוא מציג לך איזושהי אגרגציה שאתה לא יודע את צורת החישוב שלה אפילו. ושם אתה נתקל בקיר. אז אני חושב ש-

ליאור:         Sales Force מאפשר לך לשמור את ה-data אצלך.

דניאל:         כן, אנחנו מסנכרנים את כל מידע אלינו. אנחנו מסנכרנים אותו ברמה הכי raw. כדי שבאיזשהו שלב שנרצה… אחד הדברים שתמיד אנחנו אומרים זה שנגיד את כל הדוחות לסיבובים ואת הכול אנחנו עושים מעל big brain. לא מעל אף כלי אחר. אנחנו רוצים את כל העצמאות ואת כל הגמישות לעשות את זה באיזו צורה שנרצה ולא שנהיה, שיחזיקו אותנו בני ערובה בגלל זה.

ליאור:         אבל מה קרה אז שהחלטנו ש-Sales Force כן ולא בטוח big brain? כאילו, למה CRM לא אצלנו?

דניאל:         האמת הרגשנו כצוות, וגם קיבלנו את זה כפידבק ממחלקת ה-Sales שאנחנו עובדים איתה בצמוד, הרגשנו שאנחנו מעכבים כל-מיני תהליכים. ושהם רוצים ליישם ולהחיל במחלקה אצלם. הם רוצים בעצם לשעות את ה-next step בפלואוים של Sales, והם רוצים בעצם להגיע לרמה הבאה ודורשים מורכבות והבנת עולם בעיה קצת יותר עמוק. והבנו שכדי לעמוד בקצב הזה וכדי לתת בעצם את הפלטפורמה הכי טובה למחלקה הזו אנחנו צריכים להתחבר ל-Sales Force, בחלקים מסוימים. עשינו את זה כמובן אינקרימנטלי. וכמו שדניאל אמר, אנחנו חייבים להבטיח שה-data יגיע אלינו ברמת raw. וככה אנחנו יכולים בעצם להבין כשיש בעיה או אם אין בעיה, אנחנו יכולים להבין באמת את המצב.

דניאל:         כן, אני חושב שלגבי Sales Force, הבנו גם שזה לא core, כאילו, זה לא יכולת core שאם אנחנו נעשה אותה אנחנו נבין אותה יותר טוב. בסדר? אנחנו באמת הבנו שאנחנו הולכים לבנות פה מוצר, שהוא לא ה-core business שלנו נגיד, אם ניקח לדוגמה את ה-A/B test או את ה-Marketing Tools, שזה אנחנו מרגישים שב-core, Marketing, Performance Marketing, אנחנו משקיעים בזה 9 מיליון דולר בחודש כרגע. חשוב מאוד שזה יהיה optimized ושיהיה לנו full control. ויש לנו גם הרבה added value לתת שם מצד שני ב-Sales הרגשנו שזה לא המצב. הרגשנו שאנחנו כל הזמן רק מנסים לרדוף אחרי המוצר וכל הזמן ה-Sales מרגישים frustration וכו'. וזה שאנחנו בונים את זה בעצמנו לא נותן added value של ten x. ולכן אמרנו אוקיי, זה דבר שאנחנו פחות-

ליאור:         שנצטרך לשחרר אותו. אנחנו צריכים לסיים. דניאל אומר לעצמו "יש לי עוד מלא דברים להגיד שלא אמרתי." [צוחקת] רון, אתה רוצה לתת לנו שאלה ככה?

רון:             כן. שתי שאלות. אחד, האם יש מנהל מוצר ב-big brain?

ליאור:         שאלה טובה.

אביאל:        שאלה ממש טובה. big brain היום מכיל מפתחים, מכיל אנליסטים, מכיל data scientists. ובעצם כולם עובדים יחד סביב אותה מטרה.

ליאור:         סביב כל החברה, כל האנשים סביב כל החברה?

אביאל:        [00:24:00] יש לנו בעצם specialties, אנחנו ממש בימים אלו חילקנו את big brain למספר צוותים, עם תתי-התמחויות. אז יש לנו נגיד צוות שמתמקד ב-Marketing, צוות שמתמקד ב-client facing guild, שזה בעצם Customer Success, Sales, וכל המחלקות שמול לקוחות. ואנחנו כקבוצה או כ… בעצם כ-big brain, אנחנו אומרים להיות פרואקטיביים ולהכיר את עולמות הבעיה של כל המחלקות, לחיות אותם וממש להיות אקטיביים בדומיין שלהן.

ליאור:         כן, אנחנו תמיד אומרים שהיוזרים שלכם הם ממש בעצם החברה עצמה.

אביאל:        הם עובדי החברה, הם קומה מעלינו או כיסא לידנו, וזה כיף גדול.

ליאור:         ו-Product, אמרת שיהיה? כאילו, זה היה איזו אמירה כזאת ש…

אביאל:        אוקיי. אנחנו מתייחסים ל-big brain, וזה משהו שחשוב להבין, כ-Product לכל דבר. זה אומר אנחנו אוספים דרישות ואנחנו עושים תיעדוף ואנחנו בוחרים איך להתקדם ולעשות, איזה אינקרימנטים נעשה ומתי, ומה האימפקט שכל אינקרימנט עשה. ועד היום לא היה לנו Product, ואנחנו מבינים שככל שה-complexity עולה אנחנו צריכים מישהו שיהיה ממש מוקצה להבין את עולמות הבעיה האלו ולתפקד כ-Product במה שנקרא big brain. ועוד לא החלטנו רשמית מתי זה קורה, אבל אנחנו מתחילים לחשוב על הצורך הזה.

דניאל:         אנחנו מאוד רוצים שיהיה Product ב-big brain ASAP. בוא נגיד ככה. [צוחק]

ליאור:         כן, אני מתחילה לחשוב שזו שאלה שתולה של HR או משהו. [צוחקת]

דניאל:         אנחנו מבנים את זה, אני חושב שבעבר הצלחנו להכיל את ה-complexity. היום זה כבר מאוד מאוד… זה כל התהליכים שדיברנו עליהם פה קורים גם ב-big brain, של ניתוח הזדמנות, ומי ה-target audience, נגיד, target audience ב-Marketing ב-big brain יכול להגיד על איזה חלק מה-budget הדבר הזה משפיע בכלים.

ליאור:         שבנינו.

דניאל:         כן. אז אנחנו מאוד רוצים וצריכים. ולדעתי גם זה משהו שאם היינו עושים מוקדם יותר היה מביא אותנו למקום יותר טוב.

ליאור:         זה חוכמה בדיעבד. כולנו נשב ונגיד דברים שהיינו מבינים קודם.

דניאל:         לפחות זה משהו שהיה בשליטתנו, אז-

ליאור:         אני לא הייתי עושה כנס בדצמבר כפרה [צוחקת].

דניאל:         כן.

ליאור:         שאלה אחרונה.

רון:             שאלה אחרונה. רבים תוהים על העתיד של big brain. האם הוא יהיה open source, האם זה משהו שאנחנו מתכננים לעשות אותו כמוצר בפני עצמו לחברות אחרות.

ליאור:         כן. תמיד היו שואלים אותנו את זה גם משקיעים.

אביאל:        האמת זו שאלה שתמיד נשאלת כשאנחנו מדברים על big brain. ואני חושב ש-big brain נוצר כפתרון שהוא tailor made לבעיות של מאנדיי, לעולם הבעיה של מאנדיי. בשפה כמו שדניאל תיאר של מאנדיי. אז אני חושב שהמקפצה ללהוציא אותו כמכלול, כ-open source, זה משהו שהוא יהיה מאוד מאוד מורכב ואנחנו לא מתכננים בזמן הקרוב. תמיד יכול להיות שחלקים מסוימים, אם נבין שהם רלוונטיים ואפשר לעשות להם packaging שיהיה רלוונטי למספר חברות, אז אנחנו נוכל לחשוב על זה.

דניאל:         אני חושב שחשוב להבין בהקשר הזה שהבנייה של big brain היא מה שמקדם את החברה. זה לא רק התוצאה הסופית זה שיש את big brain. זאת אומרת זה שעשינו את התהליך הזה, והבנו איי-בי טסטים והתבחבשנו עם זה והלכנו הלוך ושוב וטעינו במיליון דברים – זה האימפקט הרבה דברים על החברה-

ליאור:         החקירה שאפשרה בעצם ל-

דניאל:         החקירה, ו-maturing כשאתה עובר תוך-כדי עם הבנייה של הדבר הזה. אז הרבה פעמים אני חושב ש, גם היום נגיד, אתה מראה למישהו את big brain כמו שהוא, צריך לעבור דרך כדי להבין מה הדבר הזה נותן ולמה הוא נותן את מה שהוא נותן, ואותו דבר עם ה-work signups, כן? עברנו עם זה תהליך מאוד מאוד ארוך בחברה, שהדשבורד היה מה שליווה אותו פשוט. אז אני חושב שברור שאם היינו מפתחים את זה החוצה לא היינו בחיים מצליחים לפתח את זה עם הכוח פיתוח שפיתחנו את זה ככה. יש הבדל מאוד, זה הכול מאוד מאוד tailor-made אלינו ברמה הכי תפורה שיש, אין שום ניסיון לכתוב את זה גנרית. אבל כן חשוב להגיד שיש המון קונספטים של big brain שנכנסים אחרי זה למאנדיי. זאת אומרת שאנחנו מרגישים שאנחנו רוצים לתת את אותן יכולות-

ליאור:         כן, פרויקט הדשבורד ששירלי … [ל.ב].

דניאל:         נגיד הדשבורד ששירלי דיברה עליו, אחת השאיפות שלנו זה שהדשבורד גם במוצר יהיה כמו הדשבורדים המגניבים ב-big brain שבאמת אנחנו חושבים שיש להם חלק מהעניין, שזה באמת יהיה כיף ושזה יהיה fun ושזה יהיה… אז לגמרי.

ליאור:         תודה לכם.

אביאל:        תודה רבה.

ליאור:         תודה רבה. לכל מי שנשאר איתנו עד הסוף [מוזיקה]