בשלות דאטה (Data Maturity): למה לא לכולם מתאימה אותה חליפה - ומה זה אומר לפרויקט אסטרטגיית הדאטה שלכם.

הקשר החזק בין Data Maturity ל Data Strategy.

הסיפור שהציף שאלה שרוב הלקוחות לא שואלים

לאחרונה זכיתי בשני פרויקטי אסטרטגיית דאטה (Data Strategy) - שניהם באותו השבוע.

שני ארגונים גדולים שונים. אותה הגדרת פרויקט. אותו תוצר נדרש.

עלות שונה לגמרי.

כשלקוחות שואלים "למה הפרויקט עולה כך?" - רוב הפעמים מדברים על היקף, על מורכבות, על זמן. אבל כאן, ההבדל לא היה בתוצר הנדרש. הוא היה במצב הנוכחי של כל ארגון.

אחד ידע לאן הוא רוצה ללכת - ונדרש רק ליווי בדרך.

השני ידע לאן הוא רוצה ללכת - אבל לא ידע מאיפה הוא יוצא.

ההבדל הזה - בין ארגון שיודע מאיפה הוא יוצא לבין ארגון שלא - הוא מה שמכונה בשלות דאטה - Data Maturity.

זו טעות לא לחבר בין בשלות דאטה לאסטרטגיית דאטה . המאמר "אסטרטגיית דאטה (Data Strategy): המדריך המקיף לניצול דאטה כנכס עסקי אסטרטגי", מסביר איך משלבים את שניהם בצורה האופטימלית לארגון שלכם.

מה זה Data Maturity (בשלות דאטה)?

בשלות דאטה - Data Maturity - הוא מדד שמגדיר עד כמה ארגון מסוגל לנצל דאטה כנכס עסקי אסטרטגי - ברמות האנשים, התהליכים, הטכנולוגיה, והתרבות הארגונית.

זה לא שאלת "כמה דאטה יש לנו." ארגון יכול לאגור טרות של דאטה ולהיות ב-Data Maturity נמוכה מאוד. וארגון קטן עם מאגר נתונים צנוע יכול להיות ב-Maturity גבוהה - אם הוא יודע לפעול על הדאטה שיש לו.

ההגדרה הפרקטית: Data Maturity הוא מדד ל"כמה קל לארגון לתרגם דאטה להחלטות, לפעולות, ולתוצאות."

5 הפרמטרים שמגדירים Data Maturity

פרמטר 1: איכות ועושר המידע

מה בודקים: האם הדאטה שיש לארגון הוא מדויק, עדכני, ושלם? האם אפשר לסמוך עליו לקבלת החלטות? האם הוא מכסה את הממדים הנדרשים - לקוחות, מוצרים, פעילות, פיננסים?

מה מגלים בשטח: ארגון אחד - ניגשתי למאגר ומצאתי 78% מהרשומות עם מייל תקין, 65% עם מספר טלפון עדכני, והיסטוריית רכישות שלמה ל-3 שנים. ארגון שני - 41% מייל, 30% טלפון, והיסטוריית רכישות חלקית שנפסקת ב-2021.

ההשפעה על הפרויקט: ארגון עם דאטה איכותי: מיפוי מהיר, ניתוח מהיר, המלצות ישירות. ארגון עם דאטה חלש: פרויקט Data Quality חייב לקדום את פרויקט ה-Strategy.

פרמטר 2: תשתיות ניהול וכלי ניתוח

מה בודקים: האם יש לארגון תשתית מרכזית לאחסון וניהול דאטה (Data Warehouse, Data Lake, CDP)? האם יש כלי BI שמאפשרים ניתוח? האם המערכות מחוברות אחת לשנייה - או שכל מערכת היא "אי" נפרד?

מה מגלים בשטח: ארגון אחד: מחסן נתונים מרכזי, חיבור ל-CRM ול-Marketing Automation, דשבורדים שוטפים לניהול. ארגון שני: 5 מערכות שלא "מדברות" אחת עם השנייה, ניתוח בעיקר ב-Excel, אין תמונה אחת מאוחדת של הלקוח.

ההשפעה על הפרויקט: הארגון הראשון: אסטרטגיה המתבססת על תשתית קיימת, מאיץ. הארגון השני: אסטרטגיה הכוללת תוכנית לבניית תשתית - מרחיבה את הפרויקט משמעותית.

פרמטר 3: שימוש בדאטה בגופים העסקיים

מה בודקים: האם מנהלים עסקיים (שיווק, מכירות, שירות, כספים) משתמשים בדאטה בקבלת ההחלטות היומיומית שלהם? האם יש "Data Owners" עסקיים שמחוברים לנתונים?

מה מגלים בשטח: ארגון אחד: "מוביל דאטה עסקי" בכל יחידה מרכזית, דוחות שבועיים שמגיעים מה BI ומשולבים בדיונים הניהוליים. ארגון שני: הדאטה "שייך" ל-IT, אנשי השיווק "מבקשים דוחות" ומחכים שבועיים.

ההשפעה על הפרויקט: ארגון ראשון: "להציף" - אנשים כבר מחוברים, נדרש לרכז ולארגן ידע קיים. ארגון שני: "לשאוב" - נדרש לחנך, לשכנע, ולבנות מחדש.

פה באה לידי ביטוי הדילמה של ההובלה הארגונית. האם ההובלה צריכה להיות אצל גורם עסקי או אצל טכנולוגי. במאמר "מי צריך להוביל את הדאטה בארגון, גורם עסקי או טכנולוגי?", אני מציג את היתרונות והחסרונות של כל חלופה.

פרמטר 4: תהליכים ומתודולוגיות עבודה

מה בודקים: האם יש תהליכים מוסדרים לניהול דאטה? משילות נתונים (Data Governance) - מי אחראי על מה? מה קורה כשמתגלה אי-עקביות בנתונים? האם יש תהליכי A/B Testing, מדידה, ולמידה?

מה מגלים בשטח: ארגון אחד: "ספר כללים" מוסדר לניהול דאטה, תהליך ברור לאישור שינוי סגמנט, ועוד. ארגון שני: כל מנהל שומר גרסה משלו של אותו דשבורד, אין "אמת אחת."

ההשפעה על הפרויקט: ארגון עם תהליכים: אסטרטגיה מתחילה מנקודה טובה ומצריך עדכון ושיפור. ארגון ללא תהליכים: אסטרטגיה שחייבת לכלול פרק שלם על "Data Governance מאפס."

אחת הדילמות שעולות תמיד היא בנושא מירכוז-ביזור. עד כמה לנהל את הדברים בצד הטכנולוגי מול הענקת חופש פעולה לצד העסקי. במאמר "דמוקרטיזציה של דאטה", אני מסביר את היתרונות, המלכודות, והאיזון הנכון.

פרמטר 5: תרבות ארגונית מוכוונת דאטה - Data Driven Organization

מה בודקים: האם "Data-Driven" הוא ערך שבאמת חי בארגון - או כרזה על הקיר? האם מנהלים בכירים מדגימים שימוש בדאטה? האם ישנה סקרנות ונכונות ללמידה?

מה מגלים בשטח: ארגון אחד: המנכ"ל שואל שאלות בפגישות שמחייבות תשובות מדויקות עם נתונים. ה-CMO דורש ניתוח לפני כל קמפיין. ארגון שני: "יש לנו תחושה שכדאי לנסות" הוא טיעון מקובל, ונתונים "מגיעים אחרי" ההחלטה כדי לאשר אותה.

ההשפעה על הפרויקט: ארגון עם תרבות: אסטרטגיה שיושבת על קרקע פורייה. ארגון ללא תרבות: אסטרטגיה שחייבת לכלול תוכנית שינוי תרבות ארגוני - ואת ה-CEO כ-Sponsor.

נושא שינוי התרבות הארגונית למוכוונות דאטה היא אתגר בפני עצמו. נדרשת פה יכולת להזיז את "הספינה" ואת זה ניתן לעשות רק מלמעלה. במאמר "איך הופכים יחידת שיווק למוכוונת דאטה", אני מסביר איך נכון לבצע את השינוי.

מודל 4 רמות Data Maturity - איפה הארגון שלכם?

מסגרות שונות מגדירות בשלות דאטה (Data Maturity) בצורות שונות. הנה מודל פרקטי שאני עובד איתו:

רמה 1 - Reactive (מגיב):

הארגון מגיב לבעיות אחרי שהן קורות. דוחות מיוצרים לפי דרישה, ידנית, ב-Excel. אין "אמת אחת." כל בעיה היא "כיבוי שרפות."

סימנים: "אני צריך לבדוק את זה ואחזור אליך בעוד שבוע", דוחות שמתקבלים רק כשמבקשים.

רמה 2 - Descriptive (מתאר):

הארגון יכול לתאר מה קרה. יש דשבורדים בסיסיים, דוחות שוטפים, וKPIs מוגדרים. אבל ניתוח הוא רטרוספקטיבי - מה קרה, לא למה.

סימנים: "המכירות ירדו ב-12% החודש" - אבל לא יודעים למה.

רמה 3 - Predictive (חוזה):

הארגון לא רק יודע מה קרה - הוא מתחיל לצפות מה יקרה. מודלים של Churn, Lead Scoring, חיזוי ביקוש. יכולת לפעול פרואקטיבית.

סימנים: "לקוחות עם פרופיל X נוטים לנטוש תוך 3 חודשים - נפנה אליהם עוד היום."

רמה 4 - Prescriptive (ממליץ):

הארגון לא רק יודע מה יקרה - הוא יודע מה לעשות. AI ו-ML שממליצים על פעולות, אוטומציה שמפעילה אותן, ולמידה מתמשכת.

סימנים: "המערכת זיהתה לקוח בסיכון ושלחה מסע שימור אוטומטי ב-3 שלבים."

איפה ארגונים ישראלים נמצאים בממוצע? מניסיוני, רוב הארגונים הבינוניים-גדולים נמצאים בין רמה 1.5 לרמה 2.5. המעבר מ-2 ל-3 הוא הקפיצה הכי משמעותית - ולרוב זה מה שמניע פרויקט אסטרטגיית דאטה (Data Strategy).

לפני שיוצאים לכזה תהליך חשוב להגדיר את ה"מצפן הארגוני" בעולם הדאטה. במאמר "מצפן דאטה", אני מסביר על 6 המרכיבים לארגון מוכוון דאטה ואיך לוקחים את הצעד הראשון.

"להציף" לעומת "לשאוב" - ההבדל שקובע את מחיר הפרויקט

חזרה לשני הארגונים שלי.

ארגון א' - Data Maturity בינוני-גבוה (רמה 2.5-3):

כשנכנסתי לפגישות ה-Discovery, מצאתי אנשים שיש להם דעות ברורות, תובנות, וחיכוך עם מה שחסר. הם ידעו מה מפריע להם - רק לא ידעו לקדם את זה לאסטרטגיה מסודרת.

תפקידי: להציף - לרכז את הידע הקיים, לארגן, לתעדף, ולבנות roadmap.

תהליך: 4-5 סדנאות עם קבוצות עניין, מיפוי, ניתוח פערים, ובניית מצפן דאטה.

ארגון ב' - Data Maturity נמוכה (רמה 1-1.5):

כשנכנסתי לפגישות ה-Discovery, מצאתי אנשים שהיה להם קשה לתאר "מה הם עושים עם דאטה." לא כי אין להם דאטה - כי הם לא מחוברים אליו.

תפקידי: לשאוב - לחפור לעומק, לשאול שאלות שגורמות לאנשים לחשוב על דברים שלא חשבו עליהם, לבנות תמונה ממקורות מפוזרים.

תהליך: Data Maturity Assessment מלא (שאלונים, ראיונות, מיפוי מערכות, ניתוח נתונים), ורק לאחר מכן - כתיבת האסטרטגיה.

הפרש העלות: לא כי אחד שווה יותר. כי אחד דורש יותר שלבים לפני שמגיעים לאותה נקודת פתיחה של כתיבת האסטרטגיה עצמה.

הערכת בשלות דאטה - Data Maturity Assessment - איך עושים את זה בפועל

אחת ההשקעות הכי חשובות לפני כל פרויקט Data Strategy היא הבנה עמוקה של המצב הנוכחי. הנה המסגרת שאני עובד איתה:

שלב א - שאלונים ממוקדים

שאלונים לקבוצות שונות: הנהלה, IT, מנהלי BI, מנהלי שיווק ומכירות, אנשי שירות לקוחות. לכל קבוצה - שאלות שמתאימות לנקודת המבט שלה.

שאלות לדוגמה לקבוצת ההנהלה: כמה החלטות אסטרטגיות התקבלו על בסיס דאטה בשנה האחרונה? האם יש מדד אחד שמסכם את ביצועי הארגון שכולם מסכימים עליו? מה מונע מהדאטה להיות נגיש יותר?

שאלות לדוגמה לצוות IT: מה מקורות הדאטה המרכזיים? כמה זמן לוקח ליצור דוח חדש? כמה בקשות לדוחות מגיעות בחודש?

שלב ב - ראיונות עומק

5-8 ראיונות אישיים עם מחזיקי עניין מרכזיים. הראיונות מגלים מה שאלות הסגורות לא מגלות - הפוליטיקה הארגונית, הבעיות שמתחת לפני השטח, ה-Quick Wins שאנשים רוצים אבל לא מציעים בפומבי.

שלב ג - מיפוי טכני

סקירת ה-Data Landscape: אילו מערכות קיימות, מה מחובר למה, איפה יש Data Silos, מה איכות הדאטה בכל מקור.

שלב ד - ציון Maturity לכל פרמטר

בתום ה-Assessment - ציון לכל אחד מ-5 הפרמטרים (1-5), ציון כולל, ומפת "היכן אנחנו ולאן צריך ללכת."

כשמגדירים את מתווה ההתקדמות חשוב מאוד לבנות תוכנית יישום שמתמקדת במקומות הנכונים. במאמר "יישום אסטרטגיית דאטה", אני מסביר מהם 3 סוגי דאטה שכל ארגון חייב למנף - ואיך עושים את זה בפועל.

ה GenAI ו-Data Maturity - ההשפעה הדו-כיוונית

ה GenAI מביא שינוי מעניין ל-Data Maturity בשני כיוונים:

• כיוון א - GenAI מעלה את הסף הנדרש: ארגון שרוצה לאמץ GenAI לשיפור פעילות עסקית - חייב להיות ב-Data Maturity רמה 2+ לפחות. מודלי GenAI שמוזנים בדאטה לא איכותי מייצרים תוצאות לא איכותיות בקנה מידה גדול. ארגון ב-Maturity רמה 1 שמנסה ליישם GenAI - ייכשל.

• כיוון ב - GenAI מאיץ את המעבר בין רמות: כלים חדשים שמאפשרים שאילתות בשפה טבעית, ניתוח אוטומטי, ותובנות מהירות - מאפשרים לארגון ב-Maturity רמה 1 לקפוץ ל-2 מהר יותר. כי "הסף הטכני" לגישה לדאטה ירד.

המשמעות: Data Maturity Assessment כיום חייב לכלול שאלה: "מה יכולות ה-GenAI הקיימות בארגון - ואיך הן משתלבות (או לא) עם הדאטה הקיים?"

"לא לכולם מתאימה אותה חליפה" - מה זה אומר לארגון שלכם

המסקנה משני הפרויקטים שלי ברורה:

פרויקט Data Strategy שמתחיל בלי Data Maturity Assessment - הוא פרויקט שמסתכן.

הוא מסתכן בלבנות כלים ותהליכים על יסוד חלש. בלהמליץ על Quick Wins שהארגון לא מסוגל לממש. ובלהגיש מסמך אסטרטגיה שישב במגירה.

"הדרך שעוברים חשובה לא פחות מהיעד אליו רוצים להגיע."

ארגון ב-Maturity רמה 1 שמתעקש לדלג ישירות לבניית CDP ו-AI - ישלם מחיר כפול: פעם אחת על הכלים שלא יעבדו, ופעם שנייה על בניית הבסיס שהיה צריך לבנות מראש.

ארגון ב-Maturity רמה 3 שמבזבז זמן על Data Quality Basics - מאבד זמן יקר שיכול היה להשקיע בפרויקטים ברמה 4.

מימוש הערך העסקי האמיתי מפרויקט דאטה מחייב יכולת מדידה של האימפקט עסקי. במאמר "מה זה Benefit Realization בשיווק", אני מסביר איך למדוד את הערך הכספי לארגון.

לכל ארגון יש נקודת פתיחה שונה. לכל נקודת פתיחה יש אסטרטגיה שמתאימה לה.

שאלות נפוצות

איך יודעים מה רמת בשלות הדאטה (Data Maturity) בה אנו נמצאים? 

שאלו את עצמכם שאלה אחת: "אם המנכ"ל שואל היום 'כמה לקוחות נטשו החודש ומה גרם לזה' - כמה זמן יקח לקבל תשובה מבוססת ומדויקת?" עד שעה = רמה 3+. יום אחד = רמה 2. שבוע ויותר = רמה 1.

האם כל ארגון צריך Data Maturity Assessment לפני Data Strategy? 

כן - אבל ה-Assessment יכול להיות קצר או ארוך תלוי בגודל הארגון ובמה שכבר ידוע. לפעמים פגישות Discovery של 3-4 שעות מספיקות. לפעמים נדרשות שבועות של ניתוח. הנקודה: לא לבנות אסטרטגיה בלי להבין מאיפה יוצאים.

מה ה-ROI של עלייה ברמת Data Maturity? 

מחקר של McKinsey מצא שחברות ברמת בשלות דאטה גבוהה מגיעות לצמיחה בהכנסות של 23% גבוהה יותר לעומת מתחרות. אבל גם בלי מחקר - הלוגיקה ברורה: ארגון שמקבל החלטות על בסיס דאטה מדויק, מקצר את זמן התגובה לשוק ומוריד את שיעורי הכישלון.

כמה זמן לוקח לעלות רמה בבשלות דאטה (Data Maturity)? 

מרמה 1 ל-2: 6-12 חודשים עם מאמץ ממוקד. מרמה 2 ל-3: 12-24 חודשים. מ-3 ל-4: תהליך מתמשך שלא נגמר. אי אפשר לדלג על רמות - כל שלב בונה על הקודם.

שיטת היישום הנכונה משפיעה על היכולת לעלות ברמת הבשלות. במאמר "המפתח להצלחה בעולם הדאטה", אני מסביר מדוע ה"איך" עושים, בחלק לא מבוטל מהמקרים, חשוב יותר ה"מה" עושים.

לסיכום: הדרך קובעת את היעד

שני ארגונים עם אותה מטרה - "אסטרטגיית דאטה" - צריכים מסלולים שונים לגמרי כדי להגיע לאותו יעד.

וזה לא רק עניין של עלות. זה עניין של הצלחה.

ארגון שמתחיל בנקודה הנכונה, עם אסטרטגיה שמתאימה למצבו - מגיע ליעד. ארגון שמתחיל בנקודה הלא נכונה, עם אסטרטגיה שמיועדת לארגון אחר - מגיע לאכזבה.

לא לכולם מתאימה אותה חליפה, גם אם הולכים לאותו האירוע.

וגם אם החליפה מתאימה - הדרך שעוברים חשובה לא פחות מהיעד אליו רוצים להגיע.

אם אתם רוצים להבין את רמת ה-Data Maturity של הארגון שלכם - ומה זה אומר לפרויקט האסטרטגיה הבא - דברו איתי.

גיל כוכבי הוא יועץ דאטה ומרקטינג אוטומיישן עם ניסיון רב שנים בעבודה עם ארגונים גדולים ובינוניים במגוון רחב של מגזרים.

הוא מתמחה בבניית אסטרטגיות דאטה, הקמת מערכי שיווק פרסונלי מבוססי אונליין ואופליין (O2O) והטמעת מרקטינג אוטומיישן, המאפשרים לארגון לנהל את לקוחותיו בצורה פרסונלית, אפקטיבית ומדידה.

בנוסף, הוא המייסד של קהילת הלינקדאין  Linkers וקהילת "AI & Data-Driven & Digital Marketing in Israel" שמטרתה לחבר את אנשי השיווק, הדיגיטל והדאטה לשיח אחד המגביר את שת"פ בין היחידות.

📞 052-5112167 | LinkedIn | kochavigil@gmail.com