מ־Data Custodian ל־Business Transformer

מהמחסן לעסק: כך נראה היומיום של CDO בשנת 2025

תארו לכם את התמונה: אתם נכנסים למשרד של CDO באחד הארגונים הגדולים. פעם – שולחן עמוס דוחות אקסל, שאלות רגולציה, דיונים אינסופיים על הרשאות גישה. היום? על השולחן תמצאו שרטוט של מודל חיזוי מבוסס AI, טיוטות לתכנית הדרכה ארגונית על דאטה, ורשימת משימות אסטרטגיות: מחיבור מערכות legacy ישנות, דרך הנעת הנהלה להשקעות תשתית, ועד בניית מסעות לקוח מבוססי מידע. ה-CDO של 2025 כבר מזמן לא רק “שומר הסף של הדאטה”. הוא הפך לדמות מפתח בעיצוב כיווני ההתפתחות העסקית – מתרגם בין עולם הטכנולוגיה לעולם התוצאה.

מה באמת השתנה?

בעבר, שיחות עם CDOs עסקו בעיקר בטיוב, אבטחת מידע ועמידה ברגולציה. היום, הן נשמעות אחרת לגמרי:
CDO של חברת ביטוח גדולה מספר לנו בהתלהבות כיצד מודל AI חדש מזהה לקוחות בסיכון לעזיבה – עוד לפני שהם עצמם מודעים לכך.
“פעם היינו מגיבים באיחור”, הוא אומר, “היום אנחנו מונעים. אפילו ה-CIO שלי התחיל לשאול מה עוד אפשר לחלץ מהדאטה…”המהפכה הזו לא קרתה ביום. זו תוצאה של שינוי עומק בתפיסת התפקיד: ה-CDO אינו עוד פונקציה תפעולית – אלא מחולל שינוי.

לא קסם, אלא ניהול אתגרים חכם

המציאות רחוקה מרומנטיקה: CDO של בנק גדול משתף כי ניסיונות להטמיע מודל AI לחיזוי אי־תשלומים נכשלו בשלב הראשון – לא בגלל הטכנולוגיה, אלא כי 40% מהנתונים פשוט לא היו קיימים, או לא היו נגישים.תהליך הארגון והאינטגרציה לקח חצי שנה – אך התוצאה הייתה מערכת מדויקת ומבוססת, שמייצרת ערך עסקי ברור.

שלושה שיעורים מהשטח

1. להתחיל בקטן, לחשוב בגדול
בפרויקט עם חברה יצרנית, ה-CDO בחר להתחיל בחיזוי זמני אספקה בקו ייצור אחד בלבד. ההצלחה יצרה מומנטום – שהוביל לפריסה רחבה יותר ולשדרוג כלל מערך הייצור.

2. לבנות גשרים, לא רק מודלים
70% מזמן ה-CDO מושקע בניהול תקשורת בין המחלקות – תרגום דאטה לתובנות עסקיות, הסברה טכנית למנהלים, והנעת ה-IT לשיתוף פעולה.

3. לנהל ציפיות, לא לייצר אשליות
“כדי לא לאבד אמון, למדתי להגיד: זה ייקח זמן”, אומר CDO של חברת אינטרנט. “הצלחות קטנות ואמינות עדיפות על הבטחות גדולות ללא כיסוי.”

האתגרים שפחות מדברים עליהם

• מערכות לגאסי – השקעה עצומה באינטגרציה ואחידות.

• כוח אדם היברידי – חוסר באנשי דאטה שמבינים גם את העסק וגם את הטכנולוגיה.

• תקציבים לא עקביים – ההנהלה רוצה תוצאות מהירות, אבל תשתיות לא מעניינות אותה… עד שמשהו נשבר.

• רגולציה מגבילה – שהופכת מודלים אגרסיביים ללא רלוונטיים.

איך מתקדמים נכון? עצות פרקטיות ל-CDO ולמנהלים סביבו

1. תכננו "ניצחונות קטנים" – התחילו בפרויקט עם ROI ברור כדי להוכיח ערך מהר.

2. עבדו בצוותים חוצי מחלקות – מפתחים, אנליסטים, אנשי שיווק ומכירות – כולם צריכים להבין את אותו הדאטה.

3. שימרו על איכות – עדיף דאטה אחד מדויק, מאשר חמישה חלקיים.

4. תדברו בשתי שפות – דאטה לא מייצר ערך אם לא יודעים לתרגם אותו לעולם ההנהלה.

ומה באמת מאפשר ל-CDO להצליח?

הטכנולוגיה היא רק מרכיב אחד.
CDO מצליח פועל מתוך תרבות ארגונית שמבינה את חשיבות הנתונים, ומגשרת בין אנשים, מחלקות, אינטרסים.
בארגונים שאנחנו מלווים, ההשקעה האמיתית היא לא רק במודלים או דאטה־לייקים – אלא באנשים:
סדנאות משותפות, תהליכי חיבורים בין צוותים, והפיכת השפה הדאטאית לנחלת הכלל.
זה מה שבונה את התשתית להובלת שינוי אמיתי.

לסיכום – ה-CDO של 2025 הוא המנוע העסקי החדש

הוא לא “מנהל דאטה”. הוא לא רק רגולטור פנימי. הוא ארכיטקט של חדשנות. הוא זה שמתרגם דאטה לערך עסקי. הוא המבוגר האחראי של המהפכה הדיגיטלית, גם כשהיא עטופה בהבטחות AI נוצצות. ומי שלא משקיע בו – פשוט מפספס את הזדמנות ההמראה של העשור הקרוב.

אם גם הארגון שלכם מתמודד עם שאלות ואתגרים סביב יוזמות עסקיות-טכנולוגיות (לרבות בתחום ה-AI), אנו מזמינים אתכם לפנות אלינו ונשמח להרחיב לגבי יתרונות המתודולוגיה, ולבחון יחד כיצד היא יכולה לסייע למטרות העסקיות שלכם. hello@s-strategy.com

כשהבינה המלאכותית הגנרטיבית (GenAI) נכנסת לעולמות העסקיים, ארגונים רבים ממהרים "לעשות עם זה משהו". אבל בעוד הטכנולוגיה מסחררת ביכולותיה, האתגר האמיתי הוא לא (רק) בבחירת המודל, אלא לפתח מוצר – עם ערך, תכלית, מדדים, תחזוקה ובעיקר – גישה שיטתית שתשאיר את הארגון בשליטה. אנחנו צריכים כל הזמן להזכיר לעצמנו ש genai הוא לא המטרה אלא האמצעי, בסופו של יום אנחנו נרצה ליישם יוזמות שיובילו אותנו ליצירת אימפקט עסקי.

מהניסיון שלנו בליווי חברות וארגונים המתמודדים עם האתגרים הללו, אנחנו תמיד מחזקים את העובדה ש-GenAI הוא לא עוד פרויקט – הוא מוצר מתמשך. הבדל מהותי קיים בין השקת פרויקט טכנולוגי "רגיל" – כמו פיתוח אתר, CRM או מערכת דיוור – לבין יוזמה מבוססת בינה מלאכותית. כשמדובר בהשקת יוזמה מבוססת AI קריטי להבין שמדובר במערכת לומדת, דינמית, שממשיכה להתעדכן ולהשתפר כל הזמן. ההשקה היא רק ההתחלה, בטח כשהטכנולוגיה משתנה ומשתפרת בקצבים מהירים בכל יום שחולף.

כדי לנהל נכון את המורכבות הזו, ב-Strauss Strategy פיתחנו את מודל ה־Gen AI Canvas – כלי ויזואלי שמתווה את כל רכיבי היוזמה על דף אחד, בגישה מוצרית מלאה שמיועדת לעולם הבינה המלאכותית.

אז מה כולל הקאנבס?

הקאנבס מחולק ל־12 רכיבים מהותיים, המשלבים בין ליבת מודל ה־Lean Canvas הקלאסי לבין תוספות ייחודיות לעולמות GenAI. הרכיבים החדשים מסומנים בכוכבית ומבליטים את ההיבטים הייחודיים שדורשת עבודה עם טכנולוגיה הסתברותית ולומדת:

1. הזדמנות / בעיית הבסיס לכל יוזמה:
 מהו הכאב האמיתי או ההזדמנות העסקית שאנו רוצים לפתור? זהו שלב קריטי: ללא הגדרת בעיה עסקית אמיתית, לא תתקיים הצעת ערך משמעותית.

2. פתרון מבוסס GenAI:
כאן נפרט את סוג המודל, מאפייני הפעולה, דרישות הממשק, רמת האוטומציה, שמירת ההקשר העסקי וכד'. במקום לומר "נבנה צ'אט בוט" – צריך להיכנס לעומק ולתאר את האינטליגנציה שתידרש מהמערכת, וכמובן מידת התאמתה הן לתהליכי העבודה של הארגון וגם לאתגר העסקי שגדרנו.

3. הצעת הערך הייחודית:
מה הייחוד של הפתרון שמאפשר GenAI דווקא? האם מדובר בזמינות תמידית, בשיחה טבעית, בהתאמה אישית, במהירות תגובה? זו ה-שאלה שארגונים רבים מתמודדים איתה בבואם לבחון פתרון טכנולוגי מבוסס AI.

4. למה שדווקא *אנחנו* נצליח? כאן נפרט את היתרונות היחסיים של הארגון – מה ה־unfair advantage שלנו? האם יש לנו דאטה שאין לאחרים? מומחיות ייחודית? צוות שירות מיומן שיכול להכשיר מודל?

5. לקוחות- מי המשתמשים של הפתרון? לקוחות קצה, נציגי שירות, עובדים פנימיים? הבנת קהל היעד קריטית לבחירת המודל והטון הנכון של התקשורת.

 6. נתונים (Data)- אחד החידושים המרכזיים בקאנבס הזה. כל יוזמת GenAI תלויה בדאטה – בלי מידע איכותי, המודל לא ידע לעבוד. יש להגדיר: אילו מקורות קיימים? אילו חסרים? האם המידע אמין, עדכני, ומספיק מפורט?

7. הגדרת מדדים נוספים מעבר למדדים העסקיים ה״קלאסיים״: כגון מו שיפור זמן תגובה או עלייה בשביעות רצון, יש לשלב מדדי דיוק ואמינות של המודל – למשל: מה אחוז הדיוק הנדרש כדי שנחשיב את השימוש כמוצלח?

8. ניהול סיכונים: AI מביא איתו שורת סיכונים: מהטיות בנתונים, דרך טעויות קריטיות ועד סוגיות פרטיות ואחריות. חשוב להגדיר מבעוד מועד מתי עוצרים את המודל, מתי מעבירים לאדם, ואיך נבצע בקרת איכות.

 9. ערוצים איך נגיע למשתמשים? באיזו פלטפורמה? האם מדובר בפיילוט פנימי? השקה באתר? הטמעה באפליקציה?

 10. עלויות / הכנסות זהו נדבך מוכר מה-lean canvas המקורי – כמה יעלה לנו לפתח ולתחזק את הפתרון? אילו חיסכון או הכנסות הוא צפוי לייצר? ב-AI כדאי לקחת בחשבון גם עלויות של דאטה, תשתית, תחזוקה ובקרת איכות מתמשכת.

יתרונות השיטה:

🔹 תמונה מלאה בדף אחד: הקנבס מאפשר לנהל שיחה אסטרטגית, מוצרית וטכנולוגית מול הנהלה, צוותים מקצועיים או משקיעים.

🔹 מקדיש מקום לייחוד של GenAI: בניגוד לשיטות קלאסיות, כאן אין התעלמות מהאתגרים של דאטה, דיוק, וסיכונים.

🔹 מתודולוגיה תהליכית ולא חד-פעמית: לא "בונים ומשיקים", אלא מגדירים, בודקים, לומדים, מתאימים ומתחזקים.

לסיכום פיתוח יוזמות בינה מלאכותית הוא הרבה יותר מפרויקט טכנולוגי. זהו מהלך אסטרטגי רב-שכבות שדורש ראייה מערכתית, מומחיות עסקית, ויכולת תרגום של טכנולוגיה לאימפקט אמיתי. ה־Gen AI Canvas הוא המצפן שמאפשר לנו לא ללכת לאיבוד בדרך – אלא לכוון למטרה, במדויק. אם אתם בתחילתה של יוזמה מבוססת GenAI – התחילו בקאנבס. כי בסוף, מה שלא מתוכנן – לא מתוחזק. ומה שלא מתוחזק – לא מצליח.

אם גם הארגון שלכם מתמודד עם שאלות ואתגרים סביב יוזמות עסקיות-טכנולוגיות מבוססות AI, אנו מזמינים אתכם לפנות אלינו ונשמח להרחיב לגבי יתרונות המתודולוגיה, ולבחון יחד כיצד היא יכולה לסייע למטרות העסקיות שלכם. hello@s-strategy.com

לשמחתי, אצלנו בשטראוס התקופה גדושה בלווי ארגונים במסע לאימוץ בינה-מלאכותית. לצערי, זה גם התירוץ מדוע נותר לי מעט זמן לכתוב פוסטים ומאמרים. אבל, חייב לשתף אתכם בחוויה – איך Open AI ו- Perplexity גרמו לי להסמיק "בשידור חי"…

מעשה שהיה כך היה…

אנחנו בשטראוס אסטרטגיה רואים שליחות להפיץ את תפיסת "AI-first mindset" בקרב מנהלים, קולגות ואנשי מקצוע – במאמרים, וובינרים, הסכתים, חשיפות הנהלה, ועוד. ברמה האישית אני שגריר נלהב של המיינדסט הזה. איך זה מתבטא "קלינית"? מהם תופעות הלוואי? המממ…. למשל, כשלקוח או קולגה שואלים שאלה במייל או בוואטסאפ שאני סבור שעוזרי ה AI הווירטואליים שלי יכולים להשלים ולהעשיר את התשובה שלי, פעמים רבות אני פשוט מצרף לתשובה "האנושית" שלי גם קישור לתשובה שנתן chatgpt או perplexity לשאלה הזו. אני (כמובן) מעודד אותם להמשיך בשיחה "מאותה נקודה", בואכה התשובה הספציפית עבורם.

בשבוע שעבר, ההרגל הזה תפס אותי בהפתעה…

באחד הכנסים המקצועיים מצאתי את עצמי משוחח עם סמנכ"ל טכנולוגיות בחברה פיננסית גדולה. על רקע קפה דהוי משהו סיפרתי לו על מודל ההפעלה שגיבשנו בשטראוס לאימוץ ארגוני של בינה מלאכותית, GAIN שמו, ועל לקוחות שכבר מיישמים אותו. הוא לקח לגימה מהקפה (וביס מהבורקס) ושאל אותי אם יש עוד best-practices ואסטרטגיות אימוץ AI הוליסטיות מוכרות שנפוצות בישראל. סאקר של המיינדסט הזה של לשלב כוחות עם AI, סיננתי לו "בוא נשאל את chatgpt בדיוק את זה".

בעודי שואל את ChatGPT, הולכת ונולדת בי החוצה תחושת חרטה וכפכוף עצמי. לחוץ שעוד רגע ג'פטו ילרלר name dropping של אסטרטגיות ופרקטיקות ממותגות מבית היוצר של ענקיות ייעוץ גלובליות…

אבל הי, לא באנו ליהנות…

טו-לייט…ואז ג'פטו ענה. והתשובה הפתיעה וחייכה אותי, מפיצה חום נעים בבית החזה…ג'פטו מספר כבר בהתחלה על GAIN , מבית שטראוס אסטרטגיה, ומפרט את מרכיבי האסטרטגיה שלה. עשירית שניה אחרי, פרפלקסיטי עונה תשובה דומה ומציג את GAIN כאסטרטגיה ראשונה לאימוץ AI ארגוני.אימאל'ה ואבאל'ה!

מילא לשתף את כל העולם כמה המתודולוגיה שלנו לאימוץ AI ארגוני יכולה ליצור קסמים בארגון. אבל זה וואו לגמרי לגלות ששני יישומי ה Gen-AI ב top 3 מספרים על GAIN שלנו כשיטה מרכזית לאימוץ AI ארגוני…ואם כבר "מחשבה יוצרת מציאות": שבוע מאוחר יותר פגשנו 2 מכרזים לגיבוש מודל הפעלה לאימוץ AI ארגוני, והדרישות לספקים מנוסחות בהלימה כמעט מוחלטת למודל האימוץ שלנו…כנראה שאתם עושים משהו טוב, אמר לי חבר טוב.

כנראה, עצמי עונה לי.

בתמונות – מי אנחנו שנתווכח עם התשובות שנתנו עוזרי ה AI שלנו…

בעידן שבו חדשנות טכנולוגית מהווה יתרון תחרותי משמעותי, הטמעת AI Code Companions בארגוני Enterprise אינה אופציה – היא הכרח אסטרטגי. מחקרים מראים כי כלים אלו מסוגלים להעלות את הפרודוקטיביות של צוותי הפיתוח ב-15% עד 40%, נתון משמעותי שמתרגם ישירות לערך עסקי. אולם, ההבדל בין רכישת כלי לבין הטמעה מוצלחת שלו הוא עצום.

אבל רגע לפני שנמשיך, כדאי לעשות "יישור קו" לגבי המושג עצמו: למה מתכוונים כשאומרים AI Code Companions  ומדוע הם כך כך חשובים?

AI Code Companions הם כלים מבוססי בינה מלאכותית שנועדו לעזור למפתחים בתהליך כתיבת הקוד, תיקונו, שיפורו ותחזוקתו. מדובר ב"עוזרים" חכמים שמתפקדים כחלק מסביבת העבודה של המתכנתים, ומציעים תמיכה טכנית ולוגיסטית בזמן אמת.

אל מול התיאור הנ"ל, מדוע אם כן, ארגונים רבים כל כך עדיין לא מצליחים ביישומם? התשובה לשאלה הזו היא למעשה תיאור האתגר האמיתי שאיתו גופי IT רבים מתמודדים איתו כיום:

ארגוני Enterprise בישראל ניצבים כיום בפני אתגר מורכב: מצד אחד, הצורך להאיץ תהליכי פיתוח ולשפר איכות קוד הוא קריטי להישרדות בשוק תחרותי. מצד שני, הטמעת טכנולוגיות AI בתהליכי הפיתוח מעלה שאלות מורכבות של אבטחת מידע, ציות רגולטורי, והתנגדות מצד המפתחים. מחקרים מראים כי 68% מהארגונים שרכשו כלי AI לפיתוח נתקלו בקשיים משמעותיים בהטמעה מסיבות שונות ומגוונות (למשל: פערי ידע בקרב מפתחים בצוותי הפיתוח מה שמייצר אי אחידות ביכולת היישום בשטח, חוסר במדיניות ארגונית ברורה לשימוש בכלים – מה מותר ומה אסור?, חשש נרחב ומוכר מצד צוותי פיתוח לגבי איום אפשרי מצד כלים שכאלו ועוד).

בזמן שאתגרים וחסמים לא חסרים באף ארגון, המאמר הזה נועד לספק מפת דרכים מעשית להטמעה מוצלחת של AI Code Companions, תוך התמקדות בערך העסקי והתמודדות עם האתגרים האמיתיים שארגונים נתקלים בהם.

הסעיפים הבאים הינם בגדר המלצה בלבד וכמובן שכל ארגון יכול לאמץ את הנקודות והמאפיינים שמתאימים למבנה ולתפיסה הארגונית הספציפית. 

שלב 1: הכנה והערכת מידת המוכנות הארגונית

עוד בטרם בחירת כלי כזה או אחר, חיוני לבצע הערכת מוכנות של הארגון וצוותי הפיתוח. הערכה זו כוללת: 

• סקירת תהליכי פיתוח קיימים: זיהוי נקודות כאב והפוטנציאל לשיפור
• הערכת תשתיות טכנולוגיות: בחינת תאימות לשילוב כלי AI
• סקר מוכנות צוותים: הערכת רמת הידע והנכונות לאימוץ טכנולוגיות חדשות
• ניתוח דרישות רגולטוריות: הבנת מגבלות, דרישות אבטחת-מידע ורגולציה
  
  

שלב 2: בחירת פתרון ותכנון הטמעה

ביסוס הבחירה בפתרון המתאים על קריטריונים מדידים שגם מתאימים לארגון:

• יכולות טכניות ודיוק – האם נדרש לימוד של כל ה- codebase הקיים?
• תמיכה בשפות פיתוח ובפלטפורמות רלוונטיות
• מודל תמחור ו-ROI צפוי
• ריצה ב- on-prem או בענן
  
  

שלב 3: יישום והטמעה בפועל (זה ה-MONEY TIMEׂ):

1. הקמת צוות מוביל – מינוי champion מכל צוות פיתוח
2. תכנית הכשרה מדורגת ומותאמת לצוותים על בסיס הקוד הארגוני:

• סדנאות בסיס לכל המפתחים ומעבר על use-cases רלוונטיים
• הכשרות מתקדמות למובילים טכניים
•  ליווי אישי ותמיכה בשלבים הראשונים
• מדיניות ארגונית ונהלים:
• מסמך Governance מקיף
• הנחיות לשימוש בטוח
  
  

שלב 4: מדידה ואופטימיזציה

כמו בכל פרויקט הטמעה נרצה להגדיר יעדים ומדדי הצלחה שיראו לארגון שאנחנו בדרך להצלחה.
מדדי הצלחה יעילים יכולים להיות, למשל:

• קיצור זמני הפיתוח עד ליצירת ה- pull request
• כמות שורות קוד שיוצרו בעזרת AI Code Companion (ביחס לכמות הקוד הכוללת)
• חיסכון בשעות פיתוח בחודש ו/או הגדלת מספר משימות הפיתוח
• עלות ממוצעת לשורת קוד
• איכות הקוד – ירידה במספר ההערות של static code analysis
  
  

מתיאוריה לפרקטיקה: סיפור הצלחה מקומי

אחת מחברות הפינטק המובילות בישראל, בליווי שלנו, הצליחה להטמיע בהצלחה כלי AI Code Companion בצוותי הפיתוח שלה. עם צוות של כ-45 מפתחים, החברה הפכה למקרה בוחן מרתק של הטמעה מדורגת ואפקטיבית של יכולות AI, שהביאו לשינוי משמעותי בתהליכי העבודה.

התוצאות מדברות בעד עצמן:

• 80,000+ שורות קוד שנוצרו בעזרת הכלי – האצה מרשימה בתפוקה.
• קיצור זמני הפיתוח: מסך חדש ב-React, שדרש בעבר 10 ימי עבודה, מפותח כיום תוך 3 ימים בלבד.
• 80% מהמפתחים משתמשים בכלי מדי יום – עדות ליעילות ולנוחות של הכלי.
• 50% מהצעות הכלי אומצו בפועל על ידי המפתחים, מה שממחיש את הערך האמיתי של הטכנולוגיה.

הסיפור הזה מוכיח שכשמאמצים פתרונות AI בצורה חכמה, אפשר לייצר שינויים מרחיקי לכת בשגרה, לייעל תהליכים, ולתת לצוותים כלים לעבוד טוב יותר.
רוצים לדעת איך גם אתם יכולים לשלב פתרון AI Code Companion בארגון שלכם? אנחנו כאן כדי לעזור לכם לעשות את הצעד הבא.

5 המלצות להטמעה מוצלחת של AI Code Companions בארגון שלך

הטמעת כלי AI Code Companion יכולה להוביל למהפכה בצוותי הפיתוח שלך – אבל כדי שזה יקרה, נדרשת גישה מחושבת ותכנון נכון. הנה מה שחשוב שתיקחו איתכן/ם מהמאמר הזה:

1. הכנה מקדימה היא המפתח
   לפני שאתם בוחרים או רוכשים כלי, השקיעו זמן בהבנת הצרכים והיעדים של הצוות שלכם. בנו תשתית טכנולוגית וארגונית שתומכת בהטמעה.
2. הטמעה הדרגתית – לא למהר
   התחילו בצוות פיילוט קטן שיבחן את הכלי בפועל, ויישמו שיפורים תוך כדי תנועה. לאחר מכן, הרחיבו את השימוש על בסיס הלקחים שנלמדו.
3. תהליך מתמשך, לא חד-פעמי
   הדרכה אחת פשוט לא מספיקה. בנו תכנית הטמעה מתמשכת עם הדרכות תקופתיות, דגש על יישום מעשי, ותמיכה טכנית שוטפת כדי להבטיח הצלחה ארוכת טווח.
4. תמיכה תרבותית בארגון
   שתפו את המפתחים בתהליך קבלת ההחלטות והתאימו את הכלי לצרכים שלהם. שיתוף פעולה יוצר מחויבות אמיתית ומגדיל את הסיכוי להצלחה.
5. מדידה ושיפור מתמידים
   הגדירו מראש KPIs ברורים, כמו שימוש יומיומי בכלי או הפחתת זמני פיתוח. עקבו אחריהם באופן שוטף ושפרו את התהליכים בהתאם.

רוצים לדעת איך ליישם את זה אצלכם בארגון?
צוות המומחים שלנו ישמח להבין את האתגרים שלכם, וייסע בגיבוש תכנית הטמעה. פנו אלינו ל: maya@s-strategy.com