בעידן הנוכחי הצורך באיסוף נתונים הוא קריטי לארגונים, זאת כיוון שבאמצעות איסוף נתונים ודאטאות ניתן לחקור להבין וללמוד את תנודות השוק, לשפר מכירות ולעשות עיבודי מידע כאלו ואחרים.
תפקידו של אנליסט מידע הוא לאסוף ולעבד את הנתונים, ולבצע תחקיר על נתוני הארגון.
מה הם תחומי האחריות של ה- :Data Analyst
- עבודה בשיתוף עם צוות טכנולוגי, ניהולי/ או מדעני נתונים
- הסרת מידע ע”מ להיפטר מנתונים לא רלוונטיים
- אנליזה ותרגום התוצאות על ידי כלים גרפיים
- זיהוי אפשרויות חדשות למיטוב הליכים
- הכנה, יצירה ותחזוקה של מאגרי מידע ומערכות נתונים
- סידור בעיות הקשורות לנתונים ולקוד
מה עושים בפועל ?
עולם ה– Data Analysis דורש מספר מיומנויות מרכזיות: חשיבה אנליטית, אוריינטציה עסקית ויכולת לתקשר את המסקנות לשאר הגורמים בארגון. באופן כללי – ניתן לומר כי עבודתו של האנליסט נחלקת לתחומים הבאים:
- הבנת הקונטקסט העסקי הבעיה עימה החברה מתמודדת – לפני כל הידע הטכני, על האנליסט “לחיות” את הסביבה העסקית של החברה, להכיר כל פרט ולהבין לעומק איך המנגנון עובד.
- איסוף מידע והכנתו לקראת ניתוח – בעולם מושלם, המידע איתו האנליסט עובד מדוייק, מפורט, חסר שגיאות ומוכן לניתוח. בפועל, פעמים רבות על האנליסט להשקיע זמן בניקוי “רעשי רקע” ובהכנת המידע לקראת האנליזה.
- אנליזה – כאן יכולותיו האנליטיות של ה- Data Analyst באות לידי ביטוי. על סמך הידע העסקי והמיומנויות הטכניות, האנליסט מפיק מהמידע מסקנות עסקיות אשר אמורות לענות על שאלה מסוימת או לתת הנחיות להתמודדות עם בעיה כלשהי.
- תרגום התוצאות לשפה עסקית – החישובים, המספרים, הסטטיסטיקות והנתונים שעזרו לאנליסט להגיע למסקנות אינם תמיד ברורים או רלוונטיים ללקוח, כאן באים לידי ביטוי – כלים וויזואליים אשר מאפשרים הצגה ברורה של התוצאות, ומיומנויות אישיות אשר מאפשרות להסביר את התוצאות לדרגים השונים בארגון.
מה צריך לדעת ?
בעולם ה- Data Analysis קיימים כלים רבים ושפות שונות. בין הנפוצים ביותר בשוק הישראלי ניתן למצוא את:
- שפת ה SQL – הבסיס לכל עולם ה- Data Analysis. באמצעות שפה זו יכול האנליסט לתחקר מסדי נתונים שונים. חשוב לדעת כי שפת ה-SQL היא הרבה מעבר לשפה. שפה זו מייצגת צורת חשיבה ייחודית שבאה לידי ביטוי בכל אינטראקציה של ניתוח נתונים מובנים – גם אם ניתוח הנתונים נעשה באמצעות Python או R החשיבה היא “SQL-ית”. על מנת לבצע אנליזות מורכבות ה- Data Analyst חייב שליטה מלאה בשפה זו, הרבה מעבר לבסיס.
שפת ה-SQL מאפשרת ניתוח מאגרי מידע “קלאסיים” רציונליים כגון Oracle, SQL Server, MySQL. כמו כן, שפה זו גם מאפשרת אנליזת נתונים הממוקמים בסביבות Big Data כגון Hive, Impala, Vertica, BigQuery ועוד. - שפת ה-Python – Python נחשבת לאחת השפות החזקות והיעילות ביותר לניתוח Data. הפופולאריות של השפה רק הולכת וגדלה במרוצת השנים, והיופי נמצא בפשטות ובידידותיות שלה: נח לעבוד איתה, קל מאוד ללמוד אותה, כיף להשתמש בה. כאשר רוכשים ידע בשפת ה Python לטובת ניתוח נתונים “מרוויחים כפול”, גם לומדים איך לנתח נתונים באמצעות אחת השפות הנפוצות ביותר בשוק הישראלי, וגם לומדים שפה הנפוצה מאוד בשוק הישראלי, ואשר יכולה לשמש למטרות נוספות רבות – בניית ממשקים גרפיים, עבודה עם מערכת ההפעלה, Machine Learning, פיתוח Web, ועוד.
- Excel– תוכנת גליון הנתונים הנפוצה בעולם. בין אם מדובר בארגון נתונים, עיצוב המידע, ניתוח או הפקת אינפורמציה חדשה, Excel מאפשרת גישה בסיסית, יעילה ונוחה למטלות השונות עליהן מופקד האנליסט.
- Power BI – כלי לניתוח עסקי המאפשר וויזואליזציה מרהיבה ויכולת לשיתוף באמצעים שונים. הכלי מאפשר התחברות למאות מקורות מידע והצגתם באמצעות לוחות מחוונים קלים לשימוש ודוחות אינטראקטיביים.
ה- Power BI הוא יישום בקטגוריית הכלים הוויזואליים (אשר מאפשרים הצגת נתונים באמצעים שונים – גרפים,Pie Charts וכד’), בעוד שקיימים בשוק כלים נוספים העושים עבודה נהדרת, עקומת הלימוד בנושאים אלו די פשוטה. גם אם למדתם הצגת נתונים באמצעות כלי אחד, למידת כלים אחרים יהיה תהליך די פשוט.
תהליך ה- Data Analysis
ניתוח נתונים יכול להתייחס למגוון פעולות, שפות וכלים. שימוש בכל אותן פעולות וכלים מחייב הבנה כי עבודת ה- Data Analyst היא תהליך – המורכב ממטרות, יחסים בין פעולות, קבלת החלטות, חשיבה יצירתית, הבנה עסקית ופעולות נוספות מעבר לאנליזה עצמה. תהליך Data Analysis קלאסי כולל את נקודות המפתח הבאות:
- הגדרות מטרה – “מה אנחנו עושים? למה?”
- שאלות – “מה אנחנו רוצים לדעת?”
- איסוף נתונים – “איזו אינפורמציה יכולה לעזור לנו לענות על אותן שאלות?”
- ניתוח נתונים – “מהן התוצאות?”
- פירוש התוצאות – “מהי המשמעות של התוצאות?”
- דיווח התוצאות – “איך אנחנו מציגים את התוצאות בצורה ברורה?”
- הערכה – “מה למדנו מהתהליך? האם הכל התנהל כשורה?”
לצד הדרישה מהאנליסט להיות יסודי ולחקור כל דבר לעומק, אנליסט צריך להסתכל על עבודתו כתהליך מערכתי המכיל שלבים שונים. אל התהליך נהוג לגשת בצורה מעגלית ולא לינארית.
משמעותה של גישה לינארית לניתוח נתונים היא עבודה לפי הסדר, מההתחלה לסוף. יתרון אפשרי של גישה זו הוא ההבניה שלה- שלבי התהליך מסודרים בסדר קבוע. בנוסף, תהליך לינארי יכול להקל על תהליך הניתוח והלמידה.
מצד שני – ניתוח מובנה בעל אופי של “צעד אחר צעד” עשוי להגביל את יעילותו של הניתוח.
גישה מעגלית לניתוח נתונים מספקת גמישות רבה יותר, ומטבעה – מאפשרת החלטות שונות ורבות יותר.
בגישה זו, מרכיבים שונים של התהליך יכולים להיות מעובדים בזמנים שונים או במקביל, כל עוד הכל בסוף “מתנקז יחד”. בגישה זו האנליסט לא כבול לעבודה של “צעד-אחר-צעד” וקיים פוטנציאל גדול יותר ללמידה תוך כדי עשייה ושיפורים טרם השלמת התהליך.
השכר בתחום
השכר של דאטה אנליסט בהייטק משתנה בהתאם לרמת הניסיון, המיקום הגיאוגרפי, וגודל החברה שבה הוא מועסק. בישראל, השכר הממוצע של דאטה אנליסטים נחשב לגבוה בהשוואה למקצועות אחרים בשוק. אנליסטים מתחילים יכולים לצפות לשכר בטווח של 15,000 עד 20,000 ש”ח בחודש, כאשר עם צבירת ניסיון וותק השכר יכול לעלות ולהגיע ל-25,000 עד 30,000 ש”ח ויותר. במקומות עבודה בינלאומיים או חברות טכנולוגיה גדולות, השכר יכול להיות אף גבוה יותר, במיוחד בתפקידים בכירים כמו דאטה סיינטיסט או מנהל צוות אנליסטים.
על קורס ה- Data Analyst בג’ון ברייס
לצד מתן ידע מעמיק בכלים טכניים כגון SQL ו-Python קורס ה- Data Analyst בג’ון ברייס שם דגש רב על התנסות מעשית, תרגילים מסביבות אמיתיות והכנה טכנית לקראת ראיונות עבודה. מעבר למתן ידע בכלים שונים, הקורס מקנה ראיה רחבה על כל תהליך ה Data Analysis, מתאפיין בקצב גבוה ומועבר ע”י מרצים מומחים – הן בהוראה והן בידע אותו הם מעבירים.
לסיכום
ניתוח נתונים לא מתחיל ונגמר במומחיות בשפה או בכלי כזה או אחר. ניתוח נתונים היא אומנות הקשורה בחשיבה ביקורתית, הבנה מערכתית, יכולת לשאול את השאלות הנכונות ולא פחות חשוב – יכולת להסביר את הממצאים.
