עוגן מקורו באניות ובים. אולם, יש לו תפקיד חשוב (בהשאלה כמובן) גם לצורכי ניהול ידע. עוגנים אנו מכנים את המרכיבים בעשייה הארגונית בהם משלבים את ניהול הידע. נסביר ונדגים. התהליך הינו אחד ההיבטים בפתרון ניהול הידע הכולל גם תרבות, תוכן ומחשוב. משמעות התהליך אינה דווקא יצירת תהליכים ארגוניים חדשים, אלא השתלבות בקיים. התהליכים הארגוניים הקיימים, העוסקים בעשייה הארגונית, אלו שבהם משלבים את ניהול הידע- אלו העוגנים שלנו. הם אינם מבטיחים הצלחה של ניהול הידע, אולם בהחלט מקלים עליה. לעובד קשה לשנות הרגלים ולאמץ תהליכים חדשים; לא תמיד יש לו זמן לכך; על אחת כמה וכמה בנושא כניהול ידע שאינו מטרה אלא אמצעי. מציאת העוגן והשתלבות מתאימה משמעה קירוב ניהול הידע לעובד.

הדוגמאות לכך רבות ומגוונות. להלן שתיים מייצגות:

דוגמא קלאסית הנה טופס החזר הוצאות נסיעה מחו"ל. אם אנחנו בארגון שבו ידע רב נצבר בכנסים בינלאומיים ומפגשים עם לקוחות חו"ל, הרי ששאיבת ידע יכולה להתחיל בשילוב שאלות ממוקדות בטופס דנן.

דוגמא אחרת קשורה בהצפת ידע קיים. ידע על לקוחות, נכון לשלב במערכת המחשובית המנהלת את הלקוחות. מערכת המחשוב יכולה להוות עוגן נהדר להצפת ידע בתהליכים בהם נעשה שימוש במערכת ממילא. דיונים קבועים, מפגשים וכל תהליך ארגוני אחר יכול לשמש עוגן לידע הרלוונטי לו. חשוב להיות יצירתיים. לא פעם זה המפתח להצלחת הפרויקט כולו.

 הבנת השפה האנושית הינה נושא מורכב, שכן אנו מבטאים את עצמנו בדרכים שונות ומשונות הן בעל פה והן בכתב. ישנן מאות שפות ולכל אחת מהן כללי דקדוק ותחביר משלה, סלנג משלה ועוד. בנוסף לכך, כאשר אנו כותבים, אנו לעתים נוטים להשתמש בקיצורי מילים ולהשמיט פיסוק. גם כאשר אנו באים לבחון את האופן בו אנו מדברים ומשוחחים עולים אתגרים רבים בניתוח השפה שכן ישנם מבטאים שונים לאנשים מאזורים שונים , הם עלולים למלמל , הם לעיתים משאילים מונחים משפות ועוד.

עיבוד שפה טבעית (Natural Language Processing (NLP הינו ענף של בינה מלאכותית המסייע למחשבים להבין, לפרש ולנתח את השפה האנושית. ענף זה מסייע למחשבים לתקשר עם בני אדם בשפה שלהם, ולמדוד נתונים לא מובנים ((Unstructured data הקשורים לשפה. כך לדוגמה, NLP מאפשר למחשבים לקרוא טקסט, לשמוע דיבור, לפרש אותו, למדוד רגש ולקבוע אילו חלקים חשובים בטקסט.

אלו סוגי נתונים קיימים הניתנים לבחינה וניתוח?

• נתונים מובנים - נתונים מאורגנים בפורמט סדור. לדוגמא, נתונים בטבלת ם SQL עם שורות ועמודות. יש להם מפתח יחסיים והוא יכול להיות ממופים בקלות.
• נתונים מובנים למחצה - מידע שאינו נמצא במסד נתונים מובנה, אך יש לו מאפיינים ארגוניים מסוימים המקלים על הניתוח. כך שבאמצעות עיבוד מסוים ניתן להכניסם להקשר מסוים. לדוגמא, נתוני XML.
• נתונים בלתי מובנים - נתונים שאינם מאורגנים בצורה מוגדרת מראש או שאין להם מודל נתונים מוגדר מראש החל לדוגמא מטקסטים מתוך רשומות רפואיות ועד טקסטים הנכתבים בערוצים השונים של המדיה החברתית.

המחשבים של היום בעלי יכולת נתח נתונים מבוססי שפה יותר מאשר בני אדם, זאת בהתחשב בכמות העצומה של נתונים לא מובנים שנוצרים מדי יום. האוטומציה הינה קריטית לניתוח נתוני טקסט ודיבור ביעילות.

למה משמש ה-NLP?

טכנולוגיית ה-NLP מהווה חלק חשוב ביישומי הבינה המלאכותית (Artificial Intelligence). חלקם מיישמים למידת מכונה משולבת NLP עבור מקרים כדוגמת איתור הונאות, ניתוח סיכונים, ניתוח התנהגות לקוחות, ושימוש ב-Chatbots.

אחד השימושים הנפוצים ביותר בשימוש ב-NLP הינו עבור יישומי החיפוש השונים, בין אם טקסטואליים ובין אם חיפושים קוליים (להרחבה בנושא זה). מנוע החיפוש משתמש בעיבוד שפה טבעית כדי לנתח את השאילתה ולאחזר את התשובות הרלוונטיות ביותר. אם בעבר המשתמשים היו צריכים לכתוב בשורת החיפוש מילות מפתח, כיום יותר ויותר ניתן להשתמש במשפטים מורכבים אשר על בסיסם מתבצע החיפוש. במקרים של חיפושים המתבצעים באמצעות קול, שאלת החיפוש נאמרת באמצעות הקול, קובץ האודיו מעובד על ידי ממשק הממיר דיבור לטקסט תוך סינון רעשי רקע, מנתח אותו כדי למצוא את הפונמות השונות, מתאים אותו למילים וממיר את המילה המדוברת למשפט אשר הופך לשאילתה. השאילתה נשלחת למערכת וחוזרת עם התשובה.
כאשר המשתמשים יכולים לדבר עם מכשירים כדוגמת Siri ו-Alexa בדיוק כמו שהם מדברים על החברים שלהם, יותר אנשים יכולים לקבל ערך רב יותר מן היישומים.

יכולת חילוץ המידע מתוך טקסט לא מובנה משמשת גם לישומים נוספים. כך לדוגמא, פייסבוק משתמשת בכלי בשם DeepText לניתוח הפוסטים המתפרסמים ברשת החברתית. DeepText הינו מנוע הבנת טקסט. הכלי יכול לזהות רגשות חיוביים או שליליים בתוך הפוסטים, לבצע תיוג אוטומטי וחילוץ נושאים מתוך הטקסטים. כל זאת במטרה להגיע לתובנות/מסקנות מתוך הטקסט, ובחלק מן המקרים, אף להפוך אותו לכדי פעולה ממשית (לדוגמא, מענה המחשב בשיחת Chatbot).

גם ל-Google ישנם כלים לשימוש לעיבוד השפה הטבעית:

• API Natural Language Cloud- שחלקו אף ניתן בחינם. כלי זה מאפשר לחשוף את המבנה ואת משמעות הטקסט. ניתן באמצעותו לחלץ מידע על אנשים, מקומות ואירועים, ולהבין טוב יותר את המידעים המועברים במדיה החברתית ואת שיחות הלקוחות, כלי זה מאפשר סיווג מסמכים ב -700 קטגוריות שהוגדרו מראש.
• AutoML Natural Language- כלי לימוד מכונה לעיבוד שפה טבעית המאפשר יצירת מודלים מותאמים אישית לארגון לסווג, לחלץ, ולזהות אלמנטים שונים מתוך הטקסט.

אופן פעילות הכלי:

1. המשתמש טוען את הנתונים השונים למחשב (התהליך מדויק יותר ככל שיש לנו מגוון רחב יותר של דוגמאות)
2. המחשב מריץ את המודל המותאם לצרכיו
3. הערכת התוצאות המתקבלות- אם התובנות המתקבלות אינן מספיק מדויקות יש לעדכן את המודל ולבדוק שוב את התוצאות.

מקור: https://cloud.google.com/natural-language/#how-automl-natural-language-works 

עיבוד שפה טבעית וניהול ידע:
כלי הבינה המלאכותית (ביניהם כלי עיבוד שפה טבעית) וניהול ידע סובבים סביב הטיפול ב"ידע" והמידע כמרכיב המרכזי. שניהם למעשה משולבים זה בזה, שכן ללא בסיס ידע אמין ומיפוי ראשוני של התבניות הנדרשות, המכונות לא יוכלו להרחיב, ליצור או להשתמש בידע בצורה אופטימלית. בנוסף לכך, תחום ניהול הידע ייצר את התהליכים האסטרטגיים הנדרשים על מנת להנגיש את הידע הנוצר בעקבות השימוש בכלים אוטומטיים ולהנגישם בצורה האופטימלית ביותר לכל הגורמים הרלוונטיים בארגון.

מקורות:
https://machinelearning.co.il/172/deeptext/ 
https://www.sas.com/en_us/insights/analytics/what-is-natural-language-processing-nlp.html 
https://cloud.google.com/natural-language/#how-automl-natural-language-works 
https://curatti.com/artificial-intelligence-knowledge-management/ 

התאמת ממשק העבודה לצרכיו ודרישותיו של משתמש הקצה, תוך שילוב אנשים אמיתיים המייצגים את קהל היעד, מרגע התכנון, דרך האפיון והעיצוב ועד לשלב הפיתוח וההשקה ואף לאחריו.

תפיסת העיצוב מוכוון המשתמש מדברת על תהליך מעגלי ולא לינארי. בתהליך כזה, קבלת משוב אמיתי לאורך כל הדרך, ימנע טעויות ויאפשר לבצע שינויים תוך כדי תנועה.

ממשק משתמש טוב נמדד בפשטות, ביעילות ובמהירות שבה מתבצע השימוש בו.

הדרך המרכזית להשגת המטרה היא עיצוב מכוון משתמש אשר לוקח בחשבון את קהל היעד, צרכיו והרגליו.

עיצוב מוכוון משתמש לוקח חלק בכל אחד מחמשת השלבים בהקמת המוצר:

מחקר – איסוף ממצאים שיעזרו להגדיר את הדרישות ויהוו בסיס לאפיון. איסוף הממצאים נעשה בדרך של שאילת שאלות כגון:
• מי הם משתמשי הקצה?
• מהן הציפיות של משתמשי הקצה מהממשק?
• מהי רמת הידע והניסיון של המשתמשים בממשקים דומים?
• מהו סוג המידע שהממשק אמור לספק ובאיזה אופן?
לרשותנו עומדים מספר כלים כגון, קבוצות מיקוד, ראיונות אישיים, הפצת שאלונים.

ניתוח וגיבוש גישה ראשונית – העלאת פתרונות אפשריים מותאמים ובדיקתם מול משתמשי קצה פוטנציאליים, כבסיס לשלב כתיבת האפיון.

תכנון – בניית אב טיפוס, בחינתו על יד משתמשי קצה ורק לאחר מכן, והעברתו לצוות העיצוב והפיתוח.

יישום – לאחר שהמוצר בנוי ומעוצב, העברתו שוב לבדיקות משתמשים, קבלת הערות וביצוע תיקונים ושינויים בהתאם.

השקה – בחינה מעשית של התוצר הסופי אל מול יעדי הפרויקט מתוך הנחה כי המוצר נותן מענה מיטבי לצרכים שהועלו וניתן לשינוי והתאמה גם בשלבים מאוחרים יותר.

השיתוף של משתמשי הקצה לאורך כל הדרך מזכיר במידת מה את השימוש ב"חכמת ההמונים". מי אם לא משתמשי הקצה ידעו לכוון אותנו לפתרון הנכון עבורם?

חכמת המונים גורסת כי שקלול התשובות שתפיק קבוצה גדולה של אנשים יהיה כמעט תמיד מדויק יותר מהתשובה הטובה והמלומדת שיפיק מומחה עצמאי.

בתהליך עיצוב מוכוון משתמש, חכמת המונים היא בעצם סוג של סקר שכל מטרתו היא להשתמש במחשבות של משתמשי הקצה, להוציא אותן מתחומו של הפרט ולמנף אותן לטובת יצירת ממשק הנותן מענה טוב מספיק לצרכים כפי שהוגדרו עוד בשלב המחקר.

אנחנו ההמונים,
האם אנחנו יודעים מה טוב עבורנו? התשובה היא, כן!
האם חשוב לנו להיות שותפים בתהליך הבניית המוצר שאמור לשמש אותנו בעתיד? התשובה היא, כן!
תשאלו אותנו, אנחנו כבר נדע לספר לכם מה אנחנו צריכים...

עיצוב מידע הנו תחום העוסק בתכנון ועיצוב של התוכן וה"סביבה" בה הוא מוצג, במטרה לשפר את העברת תכני המידע באופן אופטימאלי לקורא.

התחום עוסק באופטימיזציה של נתונים, מידע וידע כך שניתן יהיה להפיק ממנו תועלת באופן נוח ופרודוקטיבי בחיי היום יום בארגונים, ואל מול הלקוחות, הספקים והשותפים.

מטבעו, עיצוב מידע מסתכל דרך עיני המשתמש ככלי מרכזי להשגת מטרה זו.  לכאורה, נדמה שמדובר על תורה המבוססת על הצורה החיצונית של המידע בלבד, אך לא כך הדבר. עיצוב מידע אמיתי מתמקד בשני צדדים משלימים במטרה ליצור פתרון תוכן המתאים לארגון: עיצוב מידע חיצוני ועיצוב מידע פנימי.

מערכות לניהול תוכן מכילות אלמנט של עיצוב צורת התוכן. התוכן מעוצב באמצעות תבניות של פרסומים. עיצוב פרסומים בהקשר של מערכות ניהול תוכן דורש תכנון במידה רבה. עיצוב הפרסומים מגדיר את אב הטיפוס והתבניות של דפי הפרסומים אותם תידרש מערכת ניהול התוכן לייצר. מטרת עיצוב הפרסומים הנה להבטיח בסיס פרסומים בעלי קו מנחה אחיד, אך בעלי גמישות; והעיקר- משדרים את רוח החברה ומסריה וברי שימוש אפקטיבי במערכות ניהול תוכן. הדרך האידיאלית ביותר הנה להתחיל בעיצוב הפרסומים במקביל לתכנון התכנים ואופן ארגונם ותחזוקתם. תכנון האיסוף והתחזוקה מבטיח מערכת ברת קיימא שתבנה מאחורי הפרסומים ועיצוב הפרסומים מבטיח שהמערכת תייצר תוצאות משכנעות.

מתוך הפרק "The publication design documents" של בוב בויקו.

עיצוב שטוח הוא מונח מתחום חווית המשתמש, שעיקרו שילוב בין ממשק משתמש פשוט ומינימליסטי לבין חוויית משתמש יעילה ונכונה.

בעוד שבעבר, היה נהוג השימוש בעיצובים עמוסי שכבות, הצללות, הברקות, אפקטים, אייקונים מורכבים ותלת מימד, הרי שמאפייני העיצוב השטוח הם הפוכים:

• אייקונים וכפתורים פשוטים
•  צבעים חזקים ואחידים
•  רקע לבן ונקי
•  צורות וקווים חדים
•  טיפוגרפיה פשוטה ובסיסית

אחת הדוגמאות המוכרות לעיצוב שטוח היא Windows 8:

המונח Knowledge City, עיר ידע, מתייחס לקונספט חדש בעולם ניהול הידע: משמעותו היא עיר שתוכננה ועוצבה במיוחד כך שתעודד את נושא טיפוח הידע בעיר.
בשלב הראשון עיר הוכרה כ – Knowledge City אם התקיימו בה שני תנאים:
1. עיר שיש בה אוניברסיטה.
2. עיר שיש בה שדה תעופה.
בהמשך נבנתה רשימת תיוג עבור כל עיר הרואה את עצמה כעיר ידע אשר מאפשרת בחינה של העיר האם היא אכן עומדת בקריטריונים של עיר – ידע. רשימת התיוג הוגדרה ע"י מחלקת התרבות של העיר ברצלונה מתוך CULTURE, THE MOTOR OF THE KNOWLEDGE CITY Strategic Plan . להלן חלק ממאפייני עיר – ידע המהווים את רשימת התיוג:
עיר אשר יש לה כלים ליצור גישה לידע עבור תושביה;
עיר שיש בה רשת של ספריות ציבוריות התואמות את הסטנדרט האירופאי;
עיר שבה יש לכל התושבים גישה לכל טכנולוגיות התקשורת החדשות;
כל המתקנים והשירותים התרבותיים הם בעלי אסטרטגיה חינוכית מרכזית;
עיר שיש לה עיתון מקומי ורמת קריאת ספרים הזהה לממוצע האירופאי.
עיר שיש בה רשת של בתי ספר המקושרים עם מרכז הוראה אומנותי בתחומה;
עיר המכבדת את הגיוון בהתמחויות התרבותיות של תושביה;
עיר המכוונת את רחובותיה בשירות התרבות;
עיר אשר מפשטת, באמצעות סיפוק המרחב והמשאבים, את הפעילות התרבותית של הקהילות השיתופיות והמאוגדות בעיר;
עיר עם מרכזיים עירוניים הפתוחים לקהל הרחב ומעודדים מפגשים פרונטליים;
עיר המאפשרת את הגישה לתושבים מחוצה לה לכלים הדרושים להם על מנת להביע את עצמם.

תצוגה ויזואלית של אוסף תגיות בנושא מסוים או בהקשרים ספציפיים מתוך אתר אינטרנט.
הענן יכול להיות ממוין לפי סדר אלפביתי, רמת חשיבות או רמת פופולאריות, כאשר התגית הרצויה משוקפת ומובלטת ע"י גודל פונט ו/או צבע שונה וכתוצאה מכך יכול המשתמש לאתר אותה בקלות.

לרוב, בעת גלישה באתר אינטרנט, כל תגית בענן מהווה לינק לתוכן/פריט המשויך לאותה תגית.

ענן תגיות, הפך בשנים האחרונות לאחד מהכלים הנפוצים והמובילים של עולם ה-Web 2.0.

עץ הידע הוא מנגנון היררכי בו  נאספים יחד פריטים בעלי מכנה משותף ונוצרים "ענפי ידע" בנושאים שונים המיוצגים ברמת ענפים, תת ענפים ועלים. בסיס עץ הידע הוא "גזע" הנושאים המרכזיים, ה"ענפים" הם ייצוג שמות הפריטים השונים לפי סדר לוגי בתיקיות, ו"העלים", כלומר, סוף כל ענף הוא פריט/פריטי תוכן בסיסיים.

עץ הידע אינו רק מושג לוגי, הוא כבר גוף אמיתי בכל פתרון ידע ממוחשב כגון פורטלים, אתרי תוכן וקהילות, ומשמש כ"עמוד השדרה" האוצר בתוכו את כל הידע הארגוני בתחום עיסוק מסוים.

אז למה בעצם לבנות עץ ידע?

1.      הוא מהווה מסגרת ניווטית נגישה, טבעית ונוחה לידע הארגוני.

2.      הוא משמש לפתרונות ידע מגוונים.

3.      למרות שהוא בד"כ משתנה תכופות (תיקיות מתווספות, מתחלפות, מוסרות) בסיסו והרציונאל עליו מבוססים נשארים יציבים.

4.      הוא היררכי מספיק כדי להגיע לכל מקום בארגון- ולא משנה מהיכן נכנסים אליו הוא יוביל לאן שצריך.

5.      הוא זהה למחפש ולמעדכן כך שלוגיקת חיפוש מידע ועדכון מידע זהות.

6.      הוא מאפשר לסוגי מידע שונים לחיות זה לצד זה. לדוגמא, מידע וקישורים למערכות יישומיות.

7.      הוא יכול לעמוד בזכות עצמו, או להיות חלק מ"יער" גדול יותר של מידע.

למעשה, עץ התכנים הוא לא רעיון חדש. הרעיון של היררכיה קיים כבר מאות שנים ונעשה בו שימוש בכל תחומי החיים. אולם, רק עכשיו, בזכות  הטכנולוגיה המודרנית , אנו מתחילים לחשוף את  הפוטנציאל האדיר של שימוש בהיררכיה יחד עם רב ממדיות כפתרון יעיל להתמודדות עם כמות המידע העצומה שסובבת אותנו.

ואם נבנה את עץ התכנים בצורה טובה, אז כמו עץ היער, הוא יישאר הרבה אחרינו....

עקרון הזנב הארוך הוא מונח מעולם הסטטיסטיקה, המתאר צורה ספציפית של התפלגות.

Chris Anderson טבע את המונח בהקשר העסקי והכלכלי במאמר שכתב באוקטובר 2004. הוא טען כי מוצרים הנמכרים כל אחד בנפרד, בכמויות קטנות, מהווים באופן קולקטיבי כוח מאוחד משמעותי. במילים אחרות, מוצרים להם קיים ביקוש נמוך ונפח מכירות קטן יכולים להתאגד לכדי נתח שוק שיתחרה ואף יעלה על זה של המוצרים הנמכרים ביותר, אם ערוץ ההפצה גדול מספיק.

זנב ארוך הוא פוטנציאל שיווקי, שניתן למימוש באמצעות ערוצי מכירה והפצה מקוונים. זו הדרך של Web 2.0 לתאר שיווק לנישות. המונח מתאר כיצד מוצר שנחשב לא פופולארי בגלל מתח מכירות נמוך יכול להוות נתח גדול ממכירה מקוונת, היות והחלק של מוצרים "לא פופולאריים" במכירות מקוונות הוא גדול משמעותית.

עד לשנים האחרונות חנויות פיזיות התמקדו בעיקר במכירת המוצרים הפופולאריים, כיוון שמכירתם כרוכה בעלויות רבות (אחסון, שינוע, תקורה ועוד) ולכן משתלם לשמור במלאי כמות גדולה של מוצרים "בטוחים".

לכאורה, מונח של ערך לקוח הוא מיותר.

ברור שכאשר יוצרים מוצר חדש או שירות חדש, מחפשים איך לספק תועלת לזה שאמור לצרוך אותו.

אך ערך לקוח כולל יותר מאשר תועלת בלבד.

ערך ללקוח כולל כמה מרכיבים.

הראשון, הברור ביותר, הינו אכן הערך הפונקציונלי; היכולת לבצע פונקציה מסוימת: להיות שבע, לדעת יותר, לחסוך זמן ועוד.

אך כשאנו בוחנים ערך לקוח, אנו משקללים לתוך ערך זה גם את העלות; לוקחים בחשבון את מה שמשלם הלקוח, ומכאן מגיעים להגדרה מורכבת ומעניינת יותר, לתת ללקוח מחיר טוב למוצר איכותי. המחיר יכול להיות כספי, למשל במוצרי צריכה (ותחשבו על הפריטים שמדורגים גבוה, למשל ב- Trip advisor), אך יכול גם להיות, לדוגמה, בתוך ארגון, המחיר ביחס להשקעת הזמן הנדרשת מהלקוח, מורכבות הפעולה ועוד.

כלומר- משקללים עלות ותועלת לתוך הערך.

לכאורה, יכולנו כאן לסיים, אלא שהגדרת התועלת, בעידן השפע בו אנו נמצאים, כוללת, בנוסף להיבט הפונקציונלי, גם מרכיב חווייתי: הערך ללקוח תלוי באופן משמעותי בחוויית הלקוח ובשביעות הרצון שלו, גם בצריכה הבודדת, וגם במגמת השיפור לאורך זמן.

ולמה אנו עוסקים בערך לקוח?

כי ערך לקוח הוא מפתח להצלחה בהצעת פתרונות בכלל, ופתרונות ניהול ידע בפרט.

כי פעמים רבות, אנחנו כל כך עסוקים בלחשוב מה נכון לעשות, ומה יהיה טוב לארגון בגדול, שאנחנו שוכחים את הלקוח, אותו צרכן ידע, ומאבדים אותו, בין אם בתהליך, ובין אם בהמשך, ברצונו לעשות שימוש בפתרון.

אם אנחנו רוצים פתרונות ניהול ידע מצליחים, עלינו להיות ממוקדים, שוב ושוב, בערך ללקוח:

• מה יוצא לו מזה (ראו אמיל"י);
• כמה יצטרך להשקיע כדי לעשות שימוש;
• ומה תהיה חוויית המשתמש; כמה ירגיש טוב (ובמקרים מסוימים- חדשני או כיף) בעת השימוש בפתרון הידע שהצענו.

אז חשבו ערך לקוח. חשבו מה חסר לו; חשבו מה ישמח אותו.

שאלו את הלקוח. דברו איתו. אל תניחו שאתם יודעים מה הוא צריך כי גם אתם לקוח.

אל תעשו לעצמכם הנחות. 

העיקרון הוא אחד- כאשר יש ערך לקוח, פונקציונלי, חווייתי ועלות מותאמת, לאורך זמן, יש סיכוי טוב שאנחנו בדרך להצלחה.

מקורות:

• What’s The Real Difference Between Customer Outcomes and Customer Value?
• לדאוג לערך המוסף, פורסם בבלוג של ד"ר מוריה לוי (03/04/2016)