הצלחה עסקית מהטכנולוגיה שלכם במרחק של
כל מחלקות החברה צריכות להיות מחוברות והמידע צריך להיות מוצלב, לצורך הנעת תהליכים מקצה אחת של החברה לשניה.
שימוש בכלי תוכנה, בינה מלאכותית, פרסונליזציה וכו’ כדי להפוך את התהליכים החוזרים לאוטומטיים, לנצל את זמן העובדים באופן יעיל יותר וליצור חווית לקוח נעימה יותר.
שימוש בכלים כגון מודל שפה, למידה ממקרי עבר, פרסונליזציה. ניתן לייצר פעולות “שירות” אוטומטית ומהירות יותר. אנשי שירות נכנסים בשלב של בקרה ומצבים שהמערכת עוד לא הכירה ממקרי עבר.
למרות הנטייה לפתח, תבצעו איפיון של היכולות אותן אתן מחפשים, לאחר מכן בצעו בדיקה אם קיימים כלים שעונים על הצורך בשוק ולבסוף בצעו השוואת עלויות בהתחשבות בתחזוקה בטווח הארוך.
למרות הנטייה להעסיק עובדים שכירים עדיף להעסיק אנשי ליבה בודדים בתוך הארגון ואת היתר עדיף להעסיק במיקור חוץ.
יש tradeoff במשולש: יכולות טכנולוגיות, מחיר ויכולות בינאישיות\ארגוניות. תשתמשו בקשרים והמלצות בשביל למצוא תמהיל המתאים עבורכם. גם אחרי שהתחלתם את ההעסקה, בדקו את ביצועי המועמד בשבועיים הראשונים.
כשתרצו להעסיק: מישהו מאוד איכותי במשרה חלקית או עובד לשעות בודדות בחודש. מהניסיון שלי בניגוד לדעה הרווחת רוב המקרים הפרילנסרים יותר נאמנים ויעילים לארגון בגלל הגמישות במודל העסקה והאחריות לשמם הטוב ולמחוייבות החוזית.
החוכמה בפיתוח תוכנה היא לבנות משהו רק כשיש בו צורך אמיתי (מלקוח משלם), בלי להשקיע סכומי עתק בתשתיות לפני שיש בזה צורך. יחד עם זאת, להשאיר אפשרות להרחבה עתידית.
חשוב להטמיע Design Patterns שאינם מעכבים את הפיתוח בהתחלה ומאפשרים למקבל את התהליכים בהמשך שיהיה בכך צורך.
ב 99% מהזמן רץ 1% מהקוד, שימוש בכלי ניתוח וטכניקות תוכנה מתקדמות מאפשרת לשפר את אותם צווארי בקבוק ולשפר בעלות מועטה את חווית המשתמש של כלל המערכת.
מערכות רבות התחילו את דרכן כתוכנה “קלאסית” שרצה על שרת אחד ולא מאפשרת Scaling אמיתי. לרוב גם הושקע בהן שנים של חשיבה והתאמות שלא מאפשרת לעזוב הכל ולפתח מחדש בשיטה מתקדמת. בניית תוכנית מעבר לענן תאפשר להמשיך לעבוד עם המערכת הישנה כך שעם כל פיתוח חדש המערכת תהפוך לעט לעט למערכת ענן.
ארגונים גדולים לא מאפשרים שינויים (בגלל לקוחות קיימים, תשתיות מיושנות, מגבלות תקציב), אך גם ספינה גדולה שכל יום מסתובבת במעלה אחת תשנה בסופו של דבר את המסלול ב 180 מעלות.
בחירת סט כמה שיותר מצומצם של כלים טכנולוגיים שהם מספיק עדכניים שיספקו צורך מלא של החברה.
בצעו השוואה עם חברות מצליחות דומות מהמגזר שלכם כדי לתכנן את המוצר שלכם בדומה לאבולוציה שעברו במקום רק להתרכז בצרכים המידיים.
בחינת הקונפיגורציה של שירותי הענן ובחינה של אלטרנטיבות זולות/יעילות יותר. לדוגמא: בחינה בין כדאיות בין ספקי ענן שונים Azure/AWS/Google cloud ואופטימיזציה של Scalling.
בנו מודל נתונים וציינו באיזו מערכת הרשומות נשמרות. תוכלו בהמשך לנתח את המידע בצורה נוחה יותר.
דאגו לאסוף מידע לתוך המערכת שאפיינתם בכמה שיותר תהליכים עסקיים: פיתוח קוד, שירות לקוחות, מכירות וכו’.
שמירת מידע ב SQL היא קלה ומאפשר הצלבות מהירות אך מוגבלת בביצועים. שימוש בטכניקות ניהול בסיסי נתונים מאפשרת לשמור בו כמה שיותר core data החיוני לתפקוד העסקי, ויצאו של המידע העודף ל BigData כדיי לא להעמיס על המערכת.
שימוש בטכניקות ניהול בסיסי נתונים מאפשרת לשפר פי כמה את המהירות, לפעמים בביצוע של הגדרות קלות בלבד. טכניקות לדוגמא: אינדקסים, מידע שמור, עיבוד מקדים של מידע, ניתוח נעילות וכו’.
שימוש בכלים מתקדמים להצגת מידע רלוונטי לכל מחלקה או מנהל בזמן אמת. חשוב להציג להנהלה הבכירה את הKPIs המשקפים את המצב הכללי בעסק בלי לייצר עומס נתונים.
ישנם אלפי אלגוריתמים מוכנים (רובם בחינם) וכל יום מומצא משהו חדש. ניתן להוסיף לארגון יחסית בקלות יכולות AI שיעמידו אותך באותו הקו עם חברות בינה מלאכותית מתקדמות.
לרוב המכשול הגדול הוא לאו לווקא ידע ב AI אלא מאגר מידע שממנו ניתן ללמוד באופן מספק. טכניקות איסוף מידע מהרגע הראשון שומרות כל פיסת מידע וכל אינטראקציה של המשתמש ומכינות אותו להצלבה וניתוח עתידי.
מערכות בינה מלאכותית גוזלות המון משאבי מחשוב ועלויות. שימוש במודלים לעיבוד ראשוני של המידע יחסוך עלויות בשימוש במודלים המתקדמים.
זמן הלמידה הינו פרמטר חשוב. שימוש בכלים מתקדמים לניהול Pipeline ומאגרי מידע מאפשר לקצר את זמן הלמידה , שבנוסף להוזלת עלויות, מזרז את מחזורי האופטימיזציות של Data Scientist.
שאיפה לקומץ אנשים מיומנים שכל אחד מכיר את התמונה המלאה, והשלמת היתר בכלים טכנולוגיים ומיקור חוץ. נותן מוטיבציה ליזום ללא התקלות בבירוקרטיה או בטלפון שבור בין מחלקות הארגון.
ברוב הסטארטאפים מפילים את כל האחריות על מתכנת אחד. בפועל, התפקידים הבאים הם שונים והידע שלהם נחוץ לאירגון: CTO, R&D ,ראש צוות, מנהל מוצר, בודק תוכנה, מתכנת Back, מתכנת Front, מפתח אפליקציה, איש DevOps, מהנדס מערכת, איש Database, מפתח אתר WordPress, איש DataScinece, מאפיין, Solution engineer, אינטגרטור, איש IT ורשתות.
אבל מה עושים כשיש תקציב רק ל 2 אנשים ? קודם כל צריך לוודא שהם חולקים ביניהם את התמחויות האלה, ומיישמים נהלי עבודה שבהם הם כל פעם תופסים כובע אחר, ומה שלא לייצא ל Outsource.
לרוב אין מתכנתים עצלנים, אבל יש הרבה מתכנתים שלא מבינים מה מצפים מהם. בניית flow עבודה יציב מאפשרת לאנשי תוכנה להגדיל ראש ומקטינה אי הבנות ובאגים.
מחלקת התוכנה והשיווק חיים מימדי זמן שונים. המכירות לרוב חושבים במונחים של מהיום למחר לעומת זאת אנשי התוכנה מכוונים לתשתיות שישרתו את החברה במשך שנים. קירוב הפער בין המחלקות הוא מפתח להצלחת החברה.
עולם התוכנה ו ה AI רץ בקצב מטורף, רק המעקב אחרי מה חדש והכשרת צוותים הוא עבודה במשרה מלאה, זהו ידע שכל חברה חייבת לתחזק כדיי לא להישאר מייושנים.
הכנת החברה למשברים כגון סייבר, תקלות ועומסים, דליפת מידע, עזיבת איש מפתח וכו. וכאשר חלילה זה קורא חשוב שיהיה לידך אני מקצוע שכבר מנוסים ויודעים איך להתנהל.
רוב ההערכות תקציב פיתוח התוכנה הם אופטימיות, בפועל עלות הפיתוח מתנפחת במאות אחוזים ביחד למה שתוכנו. ניהול סיכונים? יש לקחת בחשבון נושים כגון: שינויים בדרישות הלקוח, תחזוקה, אבטחה, התיישנות טכנולוגית, הבשלה של המערכת, תחלופת מוחות בצוות וכו.
תכנון גרסת MVP מינימלית ככה שאותה אפשר להרחיב למוצר מלא בהמשך. תובנות תמיד אצל הלקוחות, מה שאנחנו מדמיינים בתור יזמים ישתנה ברגע שהמוצר יפגוש את הלקוח הראשון. מומלץ לקיים שיחות עם לקוחות פוטנציאליים.
לפני השקעה חשוב שאיש מקצוע שמבין הן בטכנולוגיה והן בעסקים יעשה ניתוח מקרוב למיזם לוודא שהיכולות הטכנולוגיות האמיתיות תואמות למה שהחברה משווקת במצגת.
