תמלול: סיגלית שדה | Lusha | איך עושים Opportunity Sizing חכם?

פתיח והיכרות עם סיגלית

אייל דוד: [00:00] היי חברים, היום בפרק מתארחת סיגלית מחברת לושה, סיגלית אשת מוצר סופר חכמה ומנוסה עם המון הצלחות בחגורה בחברות כמו קליקטייל, דרופבוקס והיום היא מובילה את תחום ההמלצות מבוססות AI בלושה. היה לי ממש כיף לדבר איתה ואני בטוח שגם אתם תפיקו ערך וממש תיהנו מהשיחה. סיגלית מביאה איתה ניסיון עשיר בבניית מוצרים חכמים מבוססי דאטה ו-AI ובעיקר דרך חשיבה מאוד מסודרת על בעיות, תעדוף וקבלת החלטות. דיברנו על בניית מוצר בעולם רווי במיוחד כשהקצב הפך להיות הרבה יותר מהיר, על מעבר מהיר מבעיה לפתרון עם מיקוד עסקי על שימוש נכון ב-AI בפרקטיקה היומיומית ובמיוחד על איך עושים sizing to opportunities בצורה הכי פרקטית, אז כאמור פרק מאוד פרקטי, האזנה נעימה. היי סיגלית, בוקר טוב. בוקר טוב, מה נשמע? ממש כיף, ממש כיף שבאת. כיף להיות כאן. ממש, נכון? ממש. בואי נראה אם זה יהיה כיף, אז ספרי טיפה עלייך שנכיר יותר.

סיגלית שדה: [01:10] כן, סיגלית שדה, דירקטור of product בלושה, אני מובילה את התחום של המלצות AI ו-Data. אני מגיעה באופן כללי עם ניסיון של יותר מחמש עשרה שנים בפרודקט ושמונה שנים בבנייה והובלה של צוותי פרודקט בחברות שונות. עבדתי בדרופבוקס וב-HP. אני חושבת שהפורטה שלי בעצם זה השילוב של פלטפורמה חכמה, Data, פתרונות AI ו-machine learning וחוויות משתמש פרסונליות.

אייל דוד: [01:39] אז אני, זאת אומרת הפורטה, אז שנייה, בואי ניכנס פה רגע לפני שנמשיך ללושה. מה בעינייך הפרודקט סקיל שהכי חשוב למנהל מוצר?

הסקילז הכי חשובים ל-PM

סיגלית שדה: [01:49] שאלה מצוינת. אני חושבת על שלושה דברים בעיקר. אחד, מנהלי מוצר שהם אובססיביים למציאת הבעיה או האופורטוניטי המושלם. זה מקפל בתוכו הרבה דברים, customer obsession, data obsession. בעצם היכולת להסתכל ולהבין איזו בעיה שווה לפתור או איזה רעיון שווה לבנות. כי בסוף אנחנו מוצפים בבעיות, אנחנו מוצפים באופורטוניטיז, השוק מסתחרר מסביבנו ובאמת צריך לעשות איזושהי עבודת סינתזה בין מה אנחנו רוצים לעשות, למה כדאי ורווחי לעשות. הדבר השני זה יכולת ביצוע, אנחנו חיים בעולם של חוסר ודאות והרבה פעמים אנחנו צריכים להוביל את הצוותים שלנו ולבצע את האסטרטגיה גם כשלא הכל ברור ולשים כל מיני תחנות קטנות בדרך שנותנות לנו אינדיקציה שאנחנו בדרך הנכונה.

אייל דוד: [02:46] כאילו מיילסטונים, אבל גם כמו שדיברנו על זה בשיחת ההכנה, נכון? נכון. על הצורך עכשיו לזוז מהר בתקופה הנוכחית?

סיגלית שדה: [02:54] עכשיו זה ממש משוגע עם כל ה-AI שקורה מסביבנו והשוק שזז נורא מהר ואפשר לפתח מהר ואפשר לעשות ולידציה נורא מהר וגם אנחנו חייבים לזוז מהר, לא לחכות שיהיה לנו את הוויז'ן המושלם, אלא באמת לזוז מהר, לשים מיילסטונים קטנים וכל הזמן לבדוק שאנחנו בדרך הנכונה שהגדרנו הצלחה בצורה הנכונה ושאנחנו און טרק. אם אנחנו לא, זה הזמן לעשות פיווט ולחשוב על זה מחדש. מה הדבר השלישי? הדבר השלישי זה אחריות. אנחנו כאן כמנהלי מוצר להביא אימפקט, ולכן אנחנו צריכים לראות שאנחנו מתקדמים לכיוון הנכון, שהמטריקות שלנו תמיד מבטאות הצלחה, ואנחנו דואגים לזה שהביזנס הוא רווחי. אנחנו לא בונים רעיונות או אספירציות, אלא באמת פותרים בעיה אמיתית ללקוחות ונותנים ואליו לעסק.

אייל דוד: [03:52] אז זה מקפל בתוכו גם להכיר ממש טוב בעצם את האזור, נכון? נכון, להכיר את האזור, להכיר את המשתמשים,

סיגלית שדה: [03:59] להכיר את המדדים העיקריים של החברה, לדעת להגדיר מדדי הצלחה בצורה טובה ומדויקת.

אייל דוד: [04:06] מה את מצפה, נגיד מישהו או מישהי שמגיעים אלייך לראיון, מה את מצפה באזורים האלה, מה רמת המוכנות שמגיעים איתה?

סיגלית שדה: [04:14] האמת היא שאני תמיד עושה איתם תרגילים של product intuition, אז אני מצפה שהם יגיעו סקרנים. אני אתן להם כנראה בעיה שהיא not well defined, אבל בכוונה.

אייל דוד: [04:26] כמו מה? עכשיו אני אגלה לכם את ה... תכיני אנשים יותר מוכנים לראיונות אצלך.

סיגלית שדה: [04:34] אני אשאל אותך מה האפליקציה האהובה עליך. ואז אני אשאל אותך מה הדבר שהיית משפר בה ולמה. אבל כדי לענות על שאלה כזאת, אתה צריך בעצם לעשות איזשהו thought process. כי אני כן אשאל אותך, תוך כדי ראיון, למי אתה פותר את הבעיה. ואם הבעיה היא שלך, האם אתה מייצג את כלל המשתמשים של האפליקציה, ואם אתה תגיד לי שכן, אז אני אשאל אותך, אוקיי, מה הנחות היסוד שלך? איך אתה יודע שאנשים שדומים אליך משתמשים באפליקציה, או לפחות מה ההיפותזה שמנחה את ה-thought process? וכמה זה באמת כואב? האם זה משהו שהוא must have? שאם אני אפתור אותו, אז כולם ישתמשו בו? או זה nice to have? כלומר, זה ממש נחמד שזה כאן, אבל ממש לא חובה שזה יהיה כאן, ואז לא כולם ישתמשו בפיצ'ר כזה. ואם זה nice to have ולא must have, אז כנראה גם לא ישלמו עליו.

אייל דוד: [05:32] אז לא נוכל. שייכנס לבקלוג. בדיוק. טוב, אז בואי נעבור לדבר על לושה. אז תתארי בכמה מילים את לושה שנקבל מושג.

מה לושה עושה ולאן שוק המכירות הולך עם AI

סיגלית שדה: [05:39] מה החברה עושה? אז לושה היא חברה שמוכרת ל-B2B companies, לארגוני המכירות שבהן. היא עוזרת להם להגיע לפרוספקטים הרבה יותר מהר, עם דאטה הרבה יותר אפקטיבי, להבין עליהם, ועוזרת להם לפעול בצורה הרבה יותר מדויקת. איך אנחנו עושים את זה? אנחנו מספקים דאטה מאוד מדויק גם על פרופילים עסקיים וגם על חברות. הטרנזישן שאנחנו עושים עכשיו הוא בעצם ל-person and AI. ולמה אנחנו עושים את זה? גילינו שאנשי מכירות לא ממש עסוקים במכירה. 28% מהזמן שלהם הם רק מוכרים, כל שאר הזמן, הם עושים research, הם מתקנים את ה-CRM-ים ואת הספרדשיטים ואת הליסטים שלהם. ואחר כך הם מסנכרנים את כל המערכות והם חוזרים ובודקים, הם משתמשים ב-9-10 כלים בממוצע כדי לאסוף את כל המידע הזה, כדי להכניס אותו למקום אחד, כדי להבין עם מי לדבר ועל מה לדבר איתו, אבל זה לא חד פעמי, זה חוזר על עצמו עם כל ליד. וכאן עצרנו ואמרנו, מה אנחנו יכולים לעשות עבורם? גילינו גם שהם מאוד מאוד לא אוהבים לחפש ולעשות את ה-research הזה. הם אנשי מכירות. הם אנשי מכירות, הם רוצים למכור, הם רוצים לדבר עם אנשים, הם רוצים לעשות את העבודה שלהם. וזו המטרה שלנו, להביא את ה-AI כדי שיקח מהם את כל המשימות ה-tedious, שהם לא אמורים לעשות, כי בסוף AI יכול להבין דאטה הרבה יותר טוב מהם. הוא יכול להסתכל גם על כל הדאטה בעולם, ואנחנו נביא להם פשוט, עם מי אתה צריך לדבר? למה אתה צריך לדבר איתו? עכשיו, למה זה רלוונטי? למה הוא באמת ידבר איתך ויסגור איתך את העסקה? ועל מה אתה צריך לדבר איתו? כדי ש-it will draw his attention. את כל זה אנחנו נעשה בשבילך. אתה תדבר איתו, אתה תתרכז ב-good side of selling, וזה מה שה-AI יעשה בשבילך.

אייל דוד: [07:26] מדהים. ותגידי, כל השיפטינג הזה ל-AI קורה בעצם סביב זה שיש AI גם, אבל זה פה ברור, אני חושב, ללקוח, אבל איזה עוד טרנדים קורים עכשיו בשוק בעצם שהחלטתם ללכת על AI, החלטתם לחסוך זמן לאנשי הסיילס, רק ממקום של AI או שגם אופי העבודה שם השתנה? איך זה נראה? קודם כל, אופי העבודה משתנה. ספרי לנו טיפה על השוק, על מה קורה בו, זה נורא מעניין. נכון.

סיגלית שדה: [07:55] AI נכנס בצורה מאוד חזקה לכל ארגוני המכירות. The traditional cycle בכלל של אנשי מכירות זה עושים איזשהו discovery, מחפשים את האקאונטים או הקומפניז הרלוונטיים, ואז עושים research מעמיק בתוך כל אחת מהחברות הקנדידטיות, עוברים לשלב של scoring ו-prioritization, מוצאים עם מי לדבר, ואז מוציאים איזשהו outreach. השלב הזה הולך ומתקצר והופך להיות חכם יותר ככל שעובר הזמן. כבר לא מחפשים דאטה שהוא סטטי. תגידו לי עם מי אני צריך לדבר. מה הסיגנלים שמראים לי שיש כאן רלוונטיות מאוד מאוד גדולה עבורי. יש איזשהו transition מנפח לרלוונטיות. אני רוצה לדבר עם האנשים הנכונים. אני לא רוצה לשלוח מיילים גנריים ולעבוד על ווליומים נורא גבוהים או להיפגש לעשות 100 פגישות ביום של דמו. לא, אני רוצה לעשות שלוש ולדעת בוודאות שהשלוש האלה יסגרו איתי.

אייל דוד: [08:50] איכות בעצם? ממש. וכשאת מדברת על סטטי, תסבירי שנייה את ההבדל.

סיגלית שדה: [08:56] הסטטי זה אומר שאני לא רואה דאטה משתנה לאורך זמן. אני יודעת מה נכון עכשיו, אני לא יודעת מה היה בהיסטוריה ובטח אני לא רואה מה יקרה בעתיד על בסיס כל הסיגנלים שקורים סביבי.

אייל דוד: [09:08] איזה עוד טרנדים קורים בתעשייה הזאת, נגיד מבחינת מתחרים? יש לכם בטח המון מתחרים חזקים.

סיגלית שדה: [09:14] נכון, יש לנו המון מתחרים, זום-אינפו, קוגניזם, אפולו, אמפלמרקט, קליי, כולם בונים פתרונות באזורים האלה. אני חושבת שאנחנו רואים את אותו טרנד אצל כולנו, כולנו מסתכלים על אותה בעיה באותה זווית, כולנו הולכים לכיוונים של המלצות ופרסונלייזד אאוטריץ'. אנחנו כאן לקחנו גישה קצת שונה, אנחנו לא רוצים לעשות רק המלצות או רק פרסונלייזד אאוטריץ'. אנחנו רוצים להיות הקופיילוט הקטן לידך, שאומר לך תמיד ומספר לך מה הפעולה הבאה שלך. אף פעם לא תקוע, תמיד יש לך את הליד הרלוונטי לידך, אתה תמיד יודע מה קרה לו, ועל מה אתה צריך לדבר איתו, כדי שזה יהיה רלוונטי ומקנברט.

אייל דוד: [09:59] אולי תספרי שנייה קדימה על התוכניות שלכם, מה שאת יכולה או דברים שהשקתם לאחרונה, שככה נבין בעצם מה קורה בתוך המוצר?

סיגלית שדה: [10:07] אוקיי, אז היו לנו שני פיצ'רים חדשים שהשקנו ממש לאחרונה, שזה המלצות של פרופילים עסקיים שאתה צריך לדבר איתם, ואקאונטים חדשים שאתה צריך לגלות, ובמקביל, השקנו גם את הפלייליסט, שזה בעצם היכולת שלך לייצר ליסט, שהוא כולו מבוסס על Recommendation, והליסט הזה הולך וגדל מיום ליום עם לידים חדשים. זה מתחבר גם ליכולות שליחת Personalized Outreach, ממש בקרוב, נוסיף את היכולת שכל ליד שהמלצנו עליו, תוכל להבין עם מי לדבר בתוך האקאונט, ועל מה לדבר איתו כדי שה-Outreach יצא פרסונלי,

אייל דוד: [10:50] כל זה בשני קליקים, כמעט effortless. זה מה שהזכרת, וזה נורא מתחבר באמת מדאטה לאקשנבל אינסייטס, שבעצם הזכרת מקודם, כי מה? אתם מודדים את הזמן של איש הסיילס, אז איך אתם יודעים בעצם, איך אתם אוספים את ה-Feedback מעבר ל-28 אחוז שאמרו לכם? אתם מודדים כמו, נגיד אם אני גונג,

סיגלית שדה: [11:14] אז אני יודע כי הבן אדם מתעד לי בכלי. איך אתם יודעים לסגור את המעגל הזה? אנחנו עדיין לא יודעים לסגור את המעגל הזה בצורה טובה, אנחנו מדברים הרבה עם לקוחות, והם באמת מספרים לנו על כמה התהליך הזה יכול להיות tedious כשהוא ידני, רק נחשוב על התהליך שהוא עושה, הוא צריך להבין מה האקאונט ואז ללכת ולאסוף עליו המון המון נתונים, בממוצע משתמשים בין 8-10 כלים, כדי לאסוף את כל המידע שהם צריכים, אחר כך הם צריכים להבין, לנתח, עם מי לדבר, כי הרבה פעמים ארגוני מכירות ידברו עם אנשים שונים, בתעשיות שונות ובגדלים שונים, ואז הם צריכים להבין שעם הפרסונה הספציפית הזאת, בדיפארטמנט הספציפי הזה, אני צריך לדבר על X, ולמישהו אחר, אני צריך לדבר על Y, וכל התהליך הזה נורא ידני, ההערכות שלנו שאנחנו חוסכים להם בממוצע 6 שעות, אבל כרגע באמת אין לנו 6 שעות ביום, אבל אין לנו דרך ממש לאשרר את זה, כי אנחנו כמו שאתה אמרת, אנחנו לא גונגים את הטרנסקריפט כרגע של השיחה. כרגע, אמרת את זה.

אייל דוד: [12:19] כרגע. אוקיי, אז עם איזה אתגרים את מתמודדת, כי את מתארת בעצם מצב, אמרנו, יש שוק רווי, יש מגמות שמשתנות, שוק רווי וגם כולם כאילו בראש כדי להגיע לשם. ממש רדושן. ודיברנו על זה, גם מה שמצפים בעצם מפי-אמים באופן כללי, את, עכשיו, בכל הסיטואציה הזאת, ידלסים גם לספלינג מאוד טוב, את דיברת כאילו, להגדיר מאוד טוב את הבעיה, ולהחליט שהיא מספיק אימפקטפול, כדי בכלל לזוז איתה, ואז לתכנן אותה ממש טוב, ולהיות, זה Master of the Domain, אני לא יודע איך קראנו לזה, כאילו ממש להכיר את ה, איך את עושה את כל זה, בעצם בזמן שצריך לרוץ נורא מהר, איך זה קורה?

לעבוד בקצב מהיר: תכנון רבעוני ושיחות משתמשים

סיגלית שדה: [13:02] נכון. אתגר. אתגר. כולנו חיים אותו, אבל איך זה קורה אצלכם? אם פעם היה לי את הלוקשרי לתכנן שנה קדימה, אין אותו יותר. מתכננים מקסימום רבעון קדימה, וכמו שאמרתי, תמיד כל שבועיים עוצרים, אומרים, האם הבעיות שאני פותרת, עדיין הבעיות שצריך לפתור. עושים מעבר מאוד עמוק על המטריקות, עוברים על פידבק ממשתמשים, וכל הזמן, לפחות פעמיים בשבוע, מדברים עם משתמשים. כל הזמן. זה איזושהי רוטינה שאי אפשר לוותר עליה, בעולם הזה, וכמובן, להיות עם עיניים פתוחות על כל מה שקורה במרקט, לא רק אצל מתחרים, בטח מה שקורה סביבנו ב-AI, כדי להבין איזה כלים, איזה יכולות נוספו לקייפביליטיז האלה, שיכולים להאיץ אותנו ולדלבר אפילו יותר מהר, ולתת ערך גבוה יותר. איך את נשארת, כאילו, איך את נשארת בעניינים? סקרנות. מה עובד לפחות? שעה ביום, לפחות, אני קוראת.

אייל דוד: [14:01] מה, בטוויטר? לא, בלינקדאין. הבנתי. אוקיי. ובואי נדבר, באמת, על העניין של התעדוף, סופר מעניין בעיניי, גם, שוב, בהכנה, אז גם דיברנו על הספר, על הספר של טרזה, Continuous Discovery Habits. נכון. אז גם כשדיברת עכשיו, אני מבין, על לדבר עם לקוחות, אחת לשבועיים, אז באמת, גם זה אחד הטייקאווייז שיש בספר. נכון. אבל בואי נדבר, איך את עושה את זה? איך את ניגשת באמת, ואיך את מנחה את החבר'ה של הפרודקט תחתייך, בעצם, או שעובדים איתך, בעצם, כדי לעבוד על הדברים החשובים ביותר. איך עושים את התעדוף הזה?

תיעדוף ואבחון בעיות עם אימפקט עסקי: Opportunity Solution Tree

סיגלית שדה: [14:40] אני כבר נכנסת לזה, אבל שנייה חשוב לי, כבר הזכרת את טרזה, לדבר על משפט אחד, שהיא כתבה בספר, והוא כזה, אני הולכת לקרוא את זה, Stop falling in love with solutions, and start falling in love with problems. וזה כל כך, כל כך נכון. יש לה איזושהי שיטה, שהיא מכנה OST, שזה, Opportunity Solution Tree, שזה בעצם פריימוורק, שאפשר להשתמש בו. אפשר ממש, לא חייבים לשרטט את זה, או ממש לעקוב אחרי המתודולוגיה, אבל פשוט, לתרגל את תהליך החשיבה, מתחילים תמיד באאוטקאם, במטרה עסקית. מה אני רוצה לשפר? האם אני רוצה לשפר Engagement, retention, אני רוצה לעשות acquisition, של סוג חדש של לקוחות, אני רוצה להיכנס למרקט חדש, מתחילים משם, ומשם יורדים רמה למטה, וממפים את כל הבעיות, או opportunities, שיש, כאלה שחוסמים אותנו, ומונעים מאיתנו להגיע למטרה הזאת. אחרי שממפים את כל הבעיות, לוקחים כל בעיה, ולפחות, מוצאים לה שני פתרונות שונים. השלב הזה מאוד חשוב, כדי שלא נתאהב בפתרונות, וכדי שנתרגל חשיבה שהיא מאוד מאוד מגוונת. כן, אף פעם אין דרך אחת לפתור בעיה. ולפעמים יש דרך נורא קלה לפתור בעיה, ולא חייבת... שאתה מבין מאוד טוב. בדיוק, כי אתה מבין אותה מאוד טוב, ואתה מחפש את הפארטו, אתה 80-20, לא חייבים להשיג את כל המאה אחוז. ועכשיו, כשאתה מסתכל על הבעיות האלה, גם אתה יכול פתאום לחבר בעיות,

אייל דוד: [16:08] זה גם דבר שקורה, כשאתה פורט אותן. חד משמעית. אז אתם עובדים בצורה הזאת, אני מבין.

Opportunity sizing: שלוש שאלות פשוטות שמובילות לבחירה חכמה

סיגלית שדה: [16:14] אני, בטח שצוות הפרודקט שלי, כן, עובד בצורה הזאת. אני מעודדת את כל ה-PMים, כל הזמן לעשות את התהליך הזה בעצמם. אני אף פעם לא מגדירה להם מה לחקור ומה לבדוק, אלא הפוך. אני רוצה שהם יגיעו אליי, עם הבעיות, עם ההיפותזות שלהם, עם מדדי ההצלחה, ויסבירו לנו, ויסבירו לי, למה זו בעיה ששווה לפתור? למה זה רעיון ששווה לפתח? וכן, אני חייבת להודות שלא כל רעיון או כל היפותזה תמיד מצליחים. יש תמיד מרווח שאני נותנת גם לטעות, ואני לא קוראת לזה אפילו לטעות, אני קוראת לזה למידה מודרכת, כי חייבים ללמוד דרך הידיים, וגם לא כל הפתרונות אצלי תמיד. מה שאני אעשה, מה שלמדתי בעבר, בטח היום, לא תמיד נכון, ולכן חשוב לתת את המרחב הזה להתנסות, כי תמיד נגלה דברים חדשים, ואם לא נעשה, לא נלמד. חד משמעית, ואיך אתם עושים את הסייזינג הזה? אוקיי, הסייזינג הזה זה בעצם, צריך לענות על שלוש שאלות עיקריות, אחד כמותי, על כמה אנשים זה משפיע, מי זה הסגמנט שאני תוקפת, על כמה אנשים הוא משפיע, האם הוא נמצא בתוך הקסטמר בייס שלי, האם זה, אני צריכה ללכת לעשות לו אקוויזישן, מה הערך העסקי, האם זה פיצ'ר שאני יכולה לעשות לו מוניטיזציה, אחר כך אני נכנסת לרמת הכאב, כמו שאמרתי לפני כן, האם זה nice to have או must have, כמה זה כואב, כמה הם מנסים לפתור את זה היום בעצמם ולא מצליחים, ואחר כך בסוף, הלבר השלישי זה, מה הפריקוונסי, כמה פעמים הם פוגשים את הכאב, כי נגיד שמצאתי בעיה נורא נורא כואבת, אז זה קורה רק ללקוחות מאוד נישתיים, או נורא נורא נורא גדולים, שהם לא מייצגים את הקסטמר בייס שלי, או אפילו, זו בעיה נורא כואבת, אבל אם פוגשים אותה פעם בחצי שנה, אז כנראה שלא כדאי לנו לפתור. יש יוצאים מהכלל. יש יוצאים מהכלל, כן, אבל צריך להיות נורא mindful לכל בעצם המדדים האלה, כדי להבין האם זו בעיה שצריך לפתור. אחרי שעונים על כל השאלות האלה, אני חושבת שיש like a solid answer in hand,

אייל דוד: [18:24] וה-PM בעצמו יודע לענות על זה כבר. את יודעת, לא, זה מאוד נכון, ויש גם באמת יוצאים מהכלל, אם מספיק שסתם, שה-power user שלך צריך את הדשבורד הזה, כדי לקחת צילום מסך למצגת הרבעונית, אז כנראה, לא יודע אם זה כואב מספיק, אבל תמיד יש את ההיבט של, אוקיי, יש לי באמת כמה אינישיאטיבות, חקרתי אותן כנראה מאוד טוב, עכשיו, לך תשווה ביניהן, ואז תמיד, אם אין dollar sign, שלא תמיד, לא בכל המוצרים נתון, זו נגיד נקודה שנורא מעניינת אותי, אז רצינו ללכת מתודי, בואי נלך מתודי, אבל זה בעיניי המקום שאני הכי סקרן לגביו, אז נגיד שאת עובדת עם ה-PMים אצלך, הרי יש את המטריקות של החברה שהן הכי חשובות באותו רגע, נכון. אז בעצם אתם מסתכלים על זה אחת לרבעון, וגוזרים משם בעצם את האינישיאטיבות, אם אני עכשיו אבוא ואחשוב על משהו אחר שפוגע בדולר סיין, אבל שהוא לא מחובר כנראה למה שכרגע לחברה חשוב, יש לזה גם משקל בתוך התיעדוף? איך זה נראה?

סיגלית שדה: [19:22] חד משמעית. אני חושבת שאנחנו נותנים בלושה, לא בכל מקום אני חייבת להודות פגשתי את זה, אבל בלושה אם יש dollar sign, ואם אנחנו מצליחים להצמיד value לפיצ'ר, גם אם זה לא נמצא בתוך המטריקות של החברה, של הקבוצה, אנחנו כן מאפשרים את היכולת להתקדם ולהשפיע, כי בסוף, בעלי מוצר נמצאים כאן כדי להביא ערך עסקי, וגם אם זה לא בדרכים שאנחנו כמנג'מנט חשבנו עליהן, אני חושבת שחשוב ממש לאפשר להם לעשות את זה.

אייל דוד: [19:51] כן, נגיד את כל אלה ש... יש בכלל פיצ'רים טכניים שחוסכים כסף לחברה. נכון. אז אותם דווקא יותר קל לכמת בדרך כלל אני חושב. נכון, כי אז אתה ממש יודע כמה כסף חסכת,

סיגלית שדה: [20:04] אבל גם כל פיצ'ר אפשר, אם האסאמפשנז והבול פארק שלך מספיק טובים, אתה יודע מה הערך העסקי, אתה יודע מה הערך העסקי, אתה יודע כמה לקוחות תחזיר, ואז אתה יכול לכמת את הסבסקריפשן שלהם. אתה יכול להסתכל על קונברז'ן וסיינאפס, ולראות כמה לקוחות חדשים הבאת, או כמה לקוחות עשו אפסלים בעקבות פיצ'רים שהשקת. בסוף אפשר באמת עם אותו פריימוורק להבין כמה ערך עסקי הבאת לארגון גם בדיעבד,

אייל דוד: [20:32] גם לפני וגם אחרי. כן, אחרי זה תמיד אפשרי. אז אוקיי, אז הלכתי, הלכתי, ובדרך בעצם הבנתי ממש טוב את הבעיה, יש לי רשימה של בעיות, אני מבין על מי הן משפיעות, נתנו להן כנראה איזושהי מידה כדי שנוכל להשוות בין... מה הם המדדים שאת עובדת איתם,

קצת פרקטיקה: מסקור להזדמנות ועד ICE

סיגלית שדה: [20:52] איך זה נראה? עכשיו יש שני מדדים. יש אחד ברמת ה-Opportunity, כמו שאמרתי, כמה זה כואב, כמה פעמים זה פוגש אותי, וכמותית, כלומר, מי הסגמנט וכמה ממנו. זו באמת נוסחה מתמטית שבסופה יוצא ממנה, יוצא איזשהו סקור, ואז בחרנו את הבעיות. עכשיו לכל בעיה יש לה פתרון אחד, סליחה, שני פתרונות או שלושה. עכשיו צריך לדרג את הפתרונות בפנים. ושם כבר אנחנו נכנסים למתודות של ICE, כלומר, צריך להשוות את impact versus effort.

אייל דוד: [21:25] בסדר, בואי נזלוג לשם עוד רגע, אנחנו עדיין שנייה בתיעדוף הבעיות, נכון? נכון. השאלה שלי היא כזאת, את בעצם נותנת את ה-two cents שלך כבר ברמת התיעדוף של הבעיות, עוד לפני שאנחנו מדברים על פתרונות, ואז אנחנו הולכים וחושבים על פתרונות? חד משמעית. אוקיי. ואז אנחנו הולכים ועושים את התיעדוף הגדול, ואז אנחנו רואים איך אנחנו שוזרים את כל זה פנימה. פנימה, נכון. ובהיבט של להתקרב, כאילו, עם ההיפותזות עצמן, את אומרת שיש נוסחה, אבל הנוסחה הזאת, כמה היא משתנה פר חברה לצורך העניין? איך זה נראה? איך זה נכנס, אם אני נגיד, לצוותים שלי, לארגון שלי? איך זה נראה? העניין הוא שזה משתנה...

סיגלית שדה: [22:05] זה טריקי. כנראה שהסייזינג יהיה שונה כמעט לכל בעיה שתגיע לפתור. בגלל זה, הת'וט פרוסס והשאלות הם מה שחשוב כאן. כי אני אתן דוגמה. אם אני רוצה, למשל, להיות מסוגלת למכור יותר דאטה בלושה, אני כנראה אכנס ואבדוק מה הריג'נים הכי חזקים שלי, או איפה יש לי הכי הרבה משתמשים. ואם אני אבוא ואבנה מוצר שהוא zero to one, ההיפותזה שלי תהיה כולה מבוססת על השערות. כמה משתמשים מתלוננים על בעיה מסוימת, או יש להם צורך מסוים, על בסיס מה שהם עושים היום, כמה פעמים הם יעשו את זה, כמה הכאב הוא חזק, איך הם פותרים את זה היום בכלים אחרים, וכמה פעמים הם חוזרים על הפעולה הזאת ב-day to day, ואז... אני לא יכולה להשוות בעצם את התיעדוף של שניהם, וככה אני אפרק כל בעיה. ולכל בעיה באמת יש opportunity sizing אחר משלה,

מתכון פשוט לארגון: לגזור הכל מהמטריקות

אייל דוד: [22:59] כי זה בעצם thought process. בואי, דקה, נתמקד באמת בחברות סאס, שבגודל של, לא יודע מה, מעל 100 עובדים, זה כבר נותן לנו בעצם איזשהו קריטריון לגודל חברה במה היא מכניסה, ובעצם אנחנו רוצים עכשיו להתמקד ב... אז בואי נגיד, נתמקד עכשיו רק בלהשאיר אנשים, ונסתכל על סגמנט, גם את הסגמנט אנחנו כנראה צריכים לחלק באמת לפי כמה הוא מכניס לנו, או כמה הוא פעיל, נכון? מה הדרך הכי פשוטה, בעצם לכל ארגון, כי יש כל כך הרבה ארגונים שלא עושים את זה. נכון. מה הדרך הכי פשוטה לקחת ארגון בסדר גודל הזה, שמתמקד רק בלהשאיר את הקיים ולהשאיר אותו, איך הוא יכול לקחת בעצם את הקסם הזה ולהכניס את זה לתוך ארגון בצורה פשוטה. כי אני לא רוצה לתת איזשהו recipe גדול, או לשלוח אנשים לקרוא ספר, כי מגניב, ניתן לינק, אבל כאילו בא לי שאנחנו נצא עם איזשהו recipe פשוט

סיגלית שדה: [23:54] שאפשר ליישם מחר. נורא פשוט זה לעבוד עם מערך של מטריקות. כלומר, ה-VP צריך לדעת מה המטריקות שלו ולאן הוא מניע את הצוותים, אחר כך צריך להבין מה המטריקות מטרה של הקבוצה, ומשם צריך, אפשר להתחיל לגזור את זה למטה. זה השלב הראשון. משם, בהגדרת המטרה, הכל בעצם נגזר. אני אסביר, אם הגדרנו שה-retention זו מטרת העל שלנו, אנחנו הולכים ל-existing customer base, אנחנו מבינים כמה כאלה יש לנו, אנחנו מבינים מה מניע את השימוש החוזר, מה חסר להם, ואז אנחנו מתחילים לבנות בעצם את ה-problem tree. כאן מאוד קל לעשות sizing, כי אנחנו כבר מכירים את הלקוחות, הם משתמשים לנו במערכות, יש לנו את כל המטריקות, אנחנו רואים איפה הם נתקעים בתוך הפאנל, ואנחנו ממש יכולים לעשות sizing מדויק. אנחנו רואים איזה פאנלים נתקעים, איפה יש לנו drop, ואז ממש אנחנו יכולים להיכנס לתוך הפרוסס הזה. זה קצת יותר קשה להכניס את זה, כמו שאמרתי, לפיצ'רים חדשים, לזירו טו וואן, כי אז זה איזשהו שריר, איזשהו ריסרץ' שאנחנו צריכים לפתח. ניתן דוגמה, אנחנו רוצים לעשות expansion ולהיכנס לשלב אחר בתוך הפאנל של המשתמש, לא שלנו המוצרי. אנחנו רוצים להרחיב את השימוש. כבר יכול להיות שאנחנו מדברים על פרסונה אחרת שאנחנו צריכים ללכת לראיין. היא כבר לא נמצאת אצלנו. אנחנו צריכים ממש להבין את הפרוסס שלה. אנחנו צריכים לפתח כלים שיעזרו לנו לכמת את ה-sizing. ולקחת, בסוף אפשר לכמת את זה, לעשות ממש נוסחה של כמה פעמים ביום, או בשבוע, או בחודש, תלוי במוצר שלנו, הוא חוזר על זה, לנסות לדרג את דרגת הכאב. האם זה כאב גבוה, high, ממש כמו שעושים ב-T-shirt sizing, low, medium, high, ולתת לזה את הסקור שלו. ולנסות לשערך מה ה-TAM, כלומר, מה ה- total addressable market. אפשר לעשות השלכה על בסיס ה-customer base שלנו, ועל בסיס how much we can penetrate. אפשר להשתגע מאוד עם הנתונים האלה, ולהבין מה ה-expansion base על בסיס ה-customer base שיש לנו עכשיו, ולהגיע לנוסחת sizing מאוד סולידית. וואו, ויש פה עוד משהו

אייל דוד: [26:10] שחשבתי עליו תוך כדי. אם עד עכשיו, באמת, כנראה, החישוב הזה, של טוב, כנראה שהפתרון שלו יהיה, אולי הוא יפתח איזה שעונות בו, אולי יפתח טוב לו בצד, איזה משהו, אולי אקסל, היום נורא קל, כאילו, לבנות גם משהו, פצצה בצד, שפתאום, פתאום הוא יכול להתמודד עם הבעיה שלו הרבה יותר טוב, אולי אמנם מחוץ למוצר שלך, אז כאילו, את זה אולי תכמת, ותבין את זה ממנו בשיחה, זה גם, אז איך נראית, נראה לי שיש לך גם הרבה תובנות מהספר סביב שיחת לקוח, אני שומע את זה, כי נראה שאת עושה את זה מאוד טוב, מה הטייקאווייז הכי טובים, הנה, את מחייכת גם בהסכמה, אז אני שמח, מה בעצם, מה הטייקאווייז הכי טובים שלקחת מהספר, באזור הזה,

שיחות לקוח ו-The Mom Test

סיגלית שדה: [26:52] או בכלל? גם מהספר, אני לא יודעת אם, הספר לא ממש נותן דגש, יש עוד ספרים אחרים שנותנים דגש על שיחות לקוח. קיוויתי שתגידי את זה. The Mom Test, למשל, ספר מצוין, אני ממש ממליצה לקרוא אותו, לכל מי שניגש לעשות שיחות לקוח. העצה: אף פעם לא לתשאל על המוצרים שאתם בונים, תמיד להבין את הפרוסס, להבין איך הם עובדים, מה הכלים שהם משתמשים, כמה כלים כאלה, מה הכאבים, מה עובד להם טוב יותר, טוב פחות, על מה הם היו משלמים כדי להיפטר ממנו ב-day to day שלהם. למה אני ממליצה על הספר, על The Mom Test, שבאמת שם נותן פרקטיקות מאוד מאוד מובנות, איך לתשאל את אמא שלך, על מוצר שאתה בונה, ושהיא תיתן לך תשובות אובייקטיביות. זה נורא נורא חשוב, כי הרבה פעמים, בשיחות לקוח, אנחנו מחפשים אישור לפיצ'ר שחשבנו עליו, אנחנו רוצים לבנות, כי אנחנו ממש רוצים לעבור את שלב הוולידציה. אז נורא נורא להיזהר בזה, תמיד לדבר על הבעיה שאנחנו מגיעים לפתור, ולא על פיצ'רים, ולא על פתרונות. וכאן אנחנו נפגוש את זה. מהניסיון שלי,

אייל דוד: [28:00] אני מאוד מסכים, מהניסיון שלי, את על מה היית משלם, הייתי שואל, קודם כל הייתי נותן למנות את ה-top pain points, ואז מהם, על מה מהם היית משלם, זה יותר, בדרך כלל השאלה

סיגלית שדה: [28:13] את יכולה גם להרוג שיחה, אם לא שואלים אותה. כן, בהחלט, היא צריכה להגיע ממש ממש בסוף, אולי אפילו גם בשיחה השנייה, לא חייבים לפגוש אותה בשיחה הראשונה, והיא צריכה להיות נורא נורא מתוכננת, כי אנחנו לא יכולים פשוט לשאול אותם, would you pay for it? אנחנו יכולים לקבל גם תשובה מאוד לא כנה, הם יכולים להגיד כן, ובפועל אנחנו נפגוש את המציאות נורא נורא אחרת, לכן, שיחות לקוח צריך לתכנן, הן צריכות להיות מובנות, כדי שגם, יהיה לנו בסיס להשוואה, בין הלקוחות, אם זה יהיה פריסטייל, בין לקוח ללקוח, אנחנו לא נוכל לקחת החלטה, זה חייב להיות אותו סט של שאלות, הן חייבות להיות מנותקות מהסולושן, ולהתמקד בבעיה וב-workflow, ובסופו של דבר אנחנו צריכים לקבל את ההבנה של אחד, האם ישתמשו, לא מהם, אלא מהמסקנות,

אייל דוד: [29:02] והאם הם ישלמו על זה. שאלת איך הם מתקדמים, זה גם נורא תלוי במי הולך איתם עד הסוף, זה גם כמה הם מוכנים לשלם. זה ממש, זה מדד ממש טוב לכן. נכון. אבל יש לי כבר שיחות לקוח,

סיגלית שדה: [29:14] אני יכולה להגיד, אפילו מהחודש האחרון, כשלקוח שבאמת מזהה, thought process, כי לא דיברנו שם על features, שפותר לו בעיה, הוא אומר, I would pay for it. הוא ממש אומר את זה בעצמו, אנחנו אפילו לא צריכים לשאול. שזה הכי כיף לשמוע. אז תגידי, אני אשאל עכשיו,

אייל דוד: [29:35] יש לנו פינת AI חדשה, אז באמת סביב AI, המלצות שבא לך לשתף, אפשר לחשוב על הכיוון של opportunity sizing, אפשר לחשוב על ראיונות משתמשים, אפשר כל המלצה לכלי שגילית, חדשות, חדשות שקרו, מה בא לך לשתף?

איך משתמשים ב-AI כדי לקצר דיסקאברי ולהבין שוק

סיגלית שדה: [29:50] אני אשתף. אני אתחבר ל-opportunity sizing, כי כבר התחלנו אז נמשיך, אני אגיד שאם פעם היה מאוד מאוד מאוד קשה לעשות opportunity sizing, ולבנות איזשהו מוצר, היום יש לנו כלי AI, אנחנו יכולים לעשות prototyping, באמת באפורט שמסתכם בין שעה לשעתיים, זה לא חייב להיות מושלם, ולצאת לוולידציה עם לקוחות נורא נורא מהר, עם כלים כמו, אני יכולה לציין, Base44, Lovable, אפילו עם Claude, יש לו כל מיני אינטגרציות, וכבר עשינו את זה, באמת הצלחנו להסביר קונספטים נורא מורכבים, כי כשמגיעים לבנות מוצרי, data, המלצות, agentים וכולי, נורא לפעמים קשה להסביר מה ה-value proposition, כשרואים אותו, זה נורא קל לדברר אותו בתוך הארגון, גם ל-executives, ותוך שעתיים אתה יכול להיות בשיחת לקוח, ולהתחיל לקבל feedback, אם אפילו לראות אותו, עושה אינטראקציות ראשוניות, בשבילי, זה מתנה, כי לפני כן, אם לפני כן היינו צריכים לתכנן, ולרדת לדיזיין, ולהשקיע בפרוטוטייפים, ולעשות usability testing, ובין רעיון, ל-usability testing, לוקח לנו בערך שבועיים, היום זה עניין של שעתיים. אחלה הצעה, גם לחוקרים שצריכים,

אייל דוד: [31:07] בואי נתמקד בזה, בואי נתמקד בזה, כי זה באמת הפך יותר קל, אז איך את עושה את זה? נורא קל. בונה לעצמי agent,

סיגלית שדה: [31:14] או משתמשת בדיפ ריסרץ', ומתחילה לשאול אותה שאלות. agent ב-GPT, כאילו. ממש. What is the total addressable market of a specific thing? בוא תתאר לי, איך נראה workflow של SDR, של AE, של whatever persona you're working with, כמה הדבר הזה כואב, איזה כלים יש בשוק, מי המתחרים שלי, מי בנה פתרון דומה, הריסרץ', הריסרץ', לטובת ה-opportunity sizing, הופך להיות כל כך קל, אפשר להשיג לפחות 60% מהדאטה, באמצעות AI, נורא מהר.

אייל דוד: [31:46] מקסימה, אנחנו גם עושים, משהו, כן, תרשמו לכם בצד, דברים, כי בין תשובה לתשובה, אפשר לאבד דברים. נכון. אז אני כל הזמן רושם. ותגידי, ואיזה עוד שימושים את עושה ב-AI בכלל? נגיד, סביב discovery, סביב שיחות, הדברים שאת עושה?

תובנות מניתוח שיחות לקוח עם AI

סיגלית שדה: [32:05] מה? ברור. קודם כול, שיחות לקוח ותמיד, extraction של insights, עוברים דרך AI. אם פעם באמת הייתי, חוזרת כמה שנים אחורה, הייתה לנו את המטריצה של ההשוואה, והיינו עושים את the extraction, היום אנחנו יוצאים משיחות, מעבירים את זה דרך תמלולים של AI, ויש לנו את כל ה-insights שאנחנו צריכים. אני גם מכניסה את כל ה-customer base, ומתחילה לקבל פטרנים של דברים שנאמרו, כאבים, opportunities, דברים שהם רפיטטיביים, ומקבלת אותם כמותיים. ה-opportunity sizing, לפעמים יוצא מהניתוחים האלה, ממש לבד. אפשר גם לשאול שאלה, כלומר, איזושהי opportunity, שהנחתי שהיא opportunity, אחרי שלושים שיחות לקוח, האם אתה מזהה שזה באמת קיים שם, הוא מיד כנראה יגיד לי שזה, הוא פגש את זה, עשרה אחוז מהזמן, חמישים אחוז מהזמן, או שמונים אחוז מהזמן, וזה input נורא נורא נורא טוב, נורא נורא נורא טוב, לתוך opportunity sizing. אני עושה את זה המון גם על customer feedback, פשוט גוזרת, שלושה חודשים, שישה חודשים אחורה, ומנתחת. דברים נורא נחמדים שיוצאים, הוא גם יודע, מי דיווח על אותה בעיה, יותר מפעם אחת, וכמה כאלה היו. וזה בכלל משכלל

אייל דוד: [33:19] את ה-opportunity sizing במקום אחר. מגניב. אני חושב שגם זה מעניין, כי פתאום זה הופך להיות יותר דינמי, כי נגיד, את עשית opportunity sizing שלך ב-day one. תוך כדי שיחות, עולות תובנות, נכון. יכול להיות שגם משתנה שם, ואת נורא eyes on the prize על מה שעכשיו את שואלת, ואת לא שמה לב, שאולי בכלל opportunity מסוים ירד עכשיו בתיעדוף, כי פחות מדברים עליו, כי זה, אז זה נורא מעניין. נכון. זה כמו זיהוי trending, נכון? חד משמעית. מגניב. תגידי, כמה PM-ים יש לך בצוות? שישה. וכולם עובדים עם AI? יש דבר כזה יום שלא? אין דבר כזה. אני חושבת,

סיגלית שדה: [33:55] אצלנו כולם עובדים עם AI, שישה בצוות שלי כל הזמן, וגם worldwide בתוך Lusha, כי זה פשוט גורם לנו, לדלבר יותר טוב, לדלבר יותר מהר. זה לא replacement בשום צורה, אבל זה מקצר לנו את הליכי הדיסקאברי, הריסרץ', ה-opportunity sizing, ה-conclusion, משיחות לקוח אנחנו, כמו שאנחנו גרמנו, או מנסים לגרום, לאנשי מכירות להתמקד בסלינג, אנחנו באמת צריכים להתמקד בפרודקט מנג'מנט סייד, באמת לעשות את ה-opportunity sizing הזה, ולהבין כל הזמן, שני דברים, שאנחנו פותרים את הבעיות הנכונות, ושאנחנו on track. ושאתם עובדים, כן, הבעיות הנכונות שמכניסות כסף, שאפשר לדלבר אותן בזמן יחסית פשוט, ובפתרון קל. ואתם מודדים גם אחר כך. מגניב,

אייל דוד: [34:45] אז אם את יכולה לספר לנו טיפה, מה השקתם לאחרונה, או שאתם עומדים להשיק, אז שנקבל מושג? השקנו לאחרונה בעצם מנועי המלצות,

ההמלצות של לושה, והכניסה של סיגלית לפרודקט דרך HP

סיגלית שדה: [34:53] המלצות על פרופילים עסקיים, שאנחנו חושבים שכדאי לך ליצור קשר איתם, ואקאונטים חדשים שכדאי לך to discover, in order to promote sales. אפשר למצוא את זה בשתי תצורות ב-Lusha היום. זה נמצא בתוך הפרוספקטינג, כשאתה מגיע לחפש, לפני שאתה מגיע לחפש, אנחנו אומרים לך, רגע, בוא תראה המלצות, שהן tailored for you, before you go searching. אז כבר חסכנו לך בעצם את הצד הזה. בדיוק. אנחנו נגיד לך, עם מי אתה צריך לדבר, אל תלך לחפש, אל תעבוד קשה, אנחנו גם נגיד לך למה, ואפשר למצוא את זה גם בתוך הפלייליסטים החדשים שלנו. למה פלייליסט? השראה מספוטיפיי, בעצם מה שרצינו לייצר כאן, זה כמו שספוטיפיי, בונה לנו פלייליסטים יומיים, based on my mood, based on what I heard yesterday, אנחנו נבנה לך בעצם את הסטרים המושלם של הלידים שאתה צריך להתמקד בו היום. שבעצם כל הזמן יתעדכן לפי בעצם העבר ו... בדיוק. אנחנו מסתכלים על מה אתה עושה, איך אתה משתמש במערכת, ואנחנו בונים לך את מה שמתאים לעסק שלך עכשיו. תספרי על הכניסה שלך לפרודקט. אוי, זה ממש מעניין. טוב, אז הגעתי לעולמות של פרודקט בכלל מעולמות של פיתוח. אז היה מקצוע כזה של דאטה ארכיטקט. והייתי בין הדאטה סיינטיסטים הראשונים, כשהתחום הזה באמת היה ממש ממש חדש, אפילו הוצאתי שני פטנטים, אבל תוך כדי העבודה שלי כדאטה סיינטיסטית, שמתי לב שיש המון המון סיבות רפיטטיביות שמעכבות, שגורמות לנו לדלבר, לענות על שאלה עסקית בתשעה חודשים, לא להבין ממש את הוואליו של מאשין לרנינג בתוך ארגונים, איזה ערך זה יכול לתת, על איזה בעיות זה יכול לענות, בעיקר בגלל שהביזנס הוא תמיד חסר סבלנות. לענות על שאלה עסקית אחרי תשעה חודשים זה אומר שעניתי עליה והיא כבר לא רלוונטית, וגם צריך סקיל סט נורא נורא ייחודי כדי לפתור בעיות מהסוג הזה. כשהכל התחיל היינו כל כך מעטים, ואז עבדתי אז ב-HP, והייתה לנו תוכנית מיוחדת של אקסלרטור, כל אחד יכול להגיע עם רעיון ולקדם אותו, to preach it to management. ובאמת הגעתי עם איזשהו רעיון של ML automation, לעשות no code environment, דבר שאנחנו ממש רגילים לראות היום, זה ממש סטנדרט, אז זה ממש היה חדש, כדי לקצר משמעותית, כדי לרדת בזמן פיתוח של תשעה חודשים, לשבועיים במקסימום, כדי להתמקד בלהכין את הדאטה על האלגוריתמים, ולא כל הזמן להריץ ולהבין מהאלגוריתמים ולטייב לאקיורסי, מה שהמכונה יכולה לעשות לבד. אז באמת נכנסתי לתוכנית של האקסלרטור, אחרי שבועיים עמדתי מול המנג'מנט בחליפת בייסבול, והסברתי להם, I pitched them the predictive analytics power, וגם הדגמתי את זה, באופן מעשי על win-loss prediction לצוות המכירות הפנימי של HP, ואיך גרמנו להם, לקנברט יותר ב-30 אחוז, וקיבלתי פאנדינג, בעצם לפתח את המוצר הזה, דאז, ובתנאי אחד, שאני אוביל את המוצר, כמנהלת מוצר. איזה אירוני. זה ממש היה... דאדליים גם כאילו דאדליים? טוויסט בעלילה. אמרתי להם, למה? הם הסבירו לי, שאני בתור data scientist, הצלחתי, כזה להרים את הראש מעל המים, ולהגיד, לא, אנחנו עושים את זה לא טוב, בואו נעשה את זה אחרת, והרבה יותר מהר, אז כנראה שמתאים לי להיות product. אז אמרתי בסדר, אני מוכנה לנסות, נכנסתי לזה והתאהבתי, כי זה באמת משלב את כל מה שאני אוהבת, גם דאטה, גם טכנולוגיה, forward looking, וזהו, מאז אהבה, מאז ו-15 שנים קדימה, זה באמת אהבה מתמשכת. ומאז הפסקתי לישון. גם. כן, אי אפשר, product managers, לא ישנים. ואני חושב שעכשיו דווקא,

אייל דוד: [38:50] עם AI אז כאילו זה אמור גם לייעל, אני חושב, הרבה תהליכים, וגם אפשר לעזור בזה פשוט פריוריטיז, אני לא יודע מה לעשות, או לעשות יותר טוב.

דרופבוקס: מטא-דאטה וחיפוש בסקייל

סיגלית שדה: [39:02] ואיך בעצם הגעת לדרופבוקס? היו לי שני הופים בדרך. קודם כול עברתי בשני start-ups, ואז, בסטארט-אפ גדול יותר, שמתעסק ב-behavior analytics, ואז עברתי ל-e-comm, ושם בניתי פתרונות AI לתחום ה-luxury e-commerce. ואחרי בערך שנתיים פנו אליי מדרופבוקס, והציעו לי להצטרף. ודרופבוקס תמיד הייתה מקום שעניין אותי. בעצם הסוויטה של המוצרים, כולם מכירים את זה בארץ בתור האפליקציה שעושה גיבוי לפיילים, לא, יש לדרופבוקס ממש ליין גדול של מוצרים, במיוחד לתחום ה-image וה-video, וזה מה שריתק אותי. הצטרפתי, עשיתי, ושם באמת הובלתי את כל האזור של המטא-דאטה, והתיוג לתמונות ולווידאו, בסקיילים נורא גבוהים, זה אתגר מרתק, בעצם להתאים חוויית חיפוש פרסונלית לאנשים מהמדיה, וה-creative market שמחפשים דברים נורא נורא ספציפיים. ואז לאפשר להם גם לעשות visual collaboration on that, בצורה שהיא פרסונלית וגם עוזרת להם לקצר זמנים ב-editing, ב-organize, ובתקשורת מול הלקוחות סביב התמונות

אייל דוד: [40:24] וה-videos. מה היה האימפקט הכי גדול שעשית שם, שאת זוכרת?

סיגלית שדה: [40:30] וואו, בתחום search, זה היינו צורך אקוטי אצל כל מי שצורך תמונות, כלומר, יש איזשהו metadata שקיים על התמונה, and they get paid when this metadata is well organized, ואנחנו בדרופבוקס לא תמכנו בעצם לא בהצגה של המטאדאטה, לא בעריכה של המטאדאטה, ולא בחיפוש על בסיס המטאדאטה, וזה היה... זה היה ממש... זה היה קריטי. אז בעצם כל ההוספה שלנו והתמיכה בקריאה, בהצגה, בעריכה של המטאדאטה הספציפי הזה ויכולות חיפוש מעליו, זה עשה אימפקט מטורף. הוספנו אחר כך גם manual tagging, כשהם ממש ממש ביקשו, כי למשל חברות מכוניות, כל התמונות שלהם היו מסביב למכוניות, אז הם רצו ממש לארגן את זה לפי דגמים, לפי שנים וכו' וכו'. אז זה באמת היה האימפקט בסקייל הכי גדול שעשינו בדרופבוקס. אחר כך גם עשינו כל מיני zero to one בעולמות של personalized visual collaboration, אבל משם כבר המשכתי ל-Lusha.

אייל דוד: [41:42] יש איזה downside גם בלהשתמש ב-AI לאורך התהליך, במיוחד לגבי התהליך של הסקייל,

הסיכונים ב-GenAI ואיך לשלב אותו נכון בפרודקשן

סיגלית שדה: [41:48] זאת אומרת, את רוצה להגיד על זה איזו מילה? נכון, נורא קל לבנות דברים עם AI, פרוטוטייפים, מוצרים, לעשות קוד, לערוך הערכות, מחקרים, לעשות deep research, כן, בטח, זה חוסך לנו המון, אבל להגיע איתו לפרודקשן צריך לשים לב, צריך לנהל את הריסקים מסביב לזה. אם שולחים מודלים של AI, במיוחד GenAI, בלי context, בלי instructions ברורים, הוא עלול להמציא דברים, צריך לשים לב שאנחנו מנהלים את זה, שאנחנו mindful למה יוצא החוצה מה-GenAI, שיש לנו בדיקות אקיורסי, שאנחנו מוודאים את הסטרקצ'ר, האם יצא הסטרקצ'ר שציפינו, האם יש שם את המילים שציפינו, האם יש שם את הנושאים שציפינו, אנחנו שולחים אומנם את ה-AI לבדוק את ה-AI, אבל נורא נורא חשוב לבדוק מה יוצא, כדי לא לקבל הפתעות. צריך גם לקחת בחשבון שכולם לומדים להשתמש ב-AI, ואפשר להתווכח עם AI, וגם אם מוצרים שלכם מוצעים בתשלום, אבל אתם מציעים אותם דרך שירותי conversational, מי שיכול להתווכח, לקבל את זה בהנחה, לקבל את זה בלי תשלום בכלל, תשימו לב, תשימו גארדריילס פשוט, תבינו מה, תגידו מה אסור לבקש מה-AI שלכם, זה בעיקר בעיקר נכון גם, אם אתם לא תומכים ב-conversational למשל מלא, ויש דברים מסוימים ונורא ספציפיים, שאפשר לבקש מכם. אז שם כאילו, מערכת ההגנות צריכה להיות גדולה יותר, ותמיד תמיד תמיד

אייל דוד: [43:19] תשימו לב על cost effectiveness. ממש, ורק עוד דבר, שזה גם תמיד הקו העדין הזה, נכון, שיש את ה-conversational איזשהו מוגבל, ואז מצד אחד, כאילו, אתה מבין מהצד השני שהם הגבילו אותו כי הם רצו למזער סיכונים, מצד שני, אוף, נכון, אתה יכול לעשות, אני חושב שגם זה מתישהו, כאילו, זה ילך לאיזושהי הסדרה. כל הניהול סיכונים הזה, חייב להיות סביב זה משהו. חד משמעית, נכון. מגניב, אני חושב ש, אני חושב שיצא אחלה פרק, אני מאוד מבסוט, תודה שבאת. אני רוצה שתשאירי אותנו, אבל עם משהו חיובי, עם איזושהי המלצה, או עם איזה משהו טוב שקראת לאחרונה, או איזושהי עצה ל-PMים צעירים, או PMים בדרך, שאת היית אומרת לעובדים שלך, או לאנשים שבאים, נתראה, אני ממש אשמח שתתני משהו.

המלצה לסיום: למה סקרנות היא הכלי הכי חזק של מנהל מוצר

סיגלית שדה: [44:07] זה עולם חדש, כולם לומדים אותו מחדש, יש לנו AI, יש לנו Accessibility להמון המון דאטה, אבל בסוף, אין תחליף לראש שלנו. מי שמסוגל לעשות את התעדוף שתיארתי איתו, Opportunity Sizing, מי שבסופו של דבר, מסוגל לקבל החלטה, זה אנחנו, ככל שנהיה יותר סקרנים, נלמד יותר מה-AI, נשמע את הלקוחות, נכיר את המרקט, באמת, אנחנו נוכל לקבל החלטות טובות יותר.

אייל דוד: [44:37] זה כאילו לוקח למקום, זה יצא טוב, זה כאילו לוקח למקום המאוד cheesy הזה, של באמת להבין איפה אתה ממשיך וה-AI נעצר, נכון? אבל זה זה, בסופו של יום.

סיגלית שדה: [44:49] נכון, נכון. ה-AI כאן הוא סופורטיבי, ויש דברים שאי אפשר לקחת מאיתנו. זה ממש יצא לחיים.

אייל דוד: [44:55] ואולי בחמש השנים הקרובות, נראה. טוב, סיגלית, אני ממש אשמח שתבואי שוב, היה ממש מעניין, אם רוצים ליצור איתך קשר, לשאול שאלות, וכאלה. אפשר בלינקדאין, אני ממש זמינה. נעשה לינק. יאללה, ביי בינתיים. ביי, להתראות. היי, חברים, תודה על ההקשבה. אם מצאתם את הפודקאסט הזה בעל ערך, תוכלו להירשם, לעקוב אחרינו, כמובן לפרקים נוספים, בספוטיפיי, אפל פודקאסטס או כל אפליקציה אחרת. כמובן שאם לא מצאתם אותנו באיזושהי אפליקציה, אשמח שתכתבו לנו. אשמח מאוד לחמישה כוכבים בכל פלטפורמה, ושתעקבו אחרינו כדי שעוד מאזינים יוכלו להיחשף אלינו ולמצוא את הפודקאסט. אתם גם יכולים למצוא את הפרקים הקודמים בכל אפליקציה, או בערוץ היוטיוב, יש לנו לינקים בתיאור. עד הפעם הבאה, יאללה, תהיו יעילים, וביי ביי.