דאטה אנליסט – מה זה אומר?
כולם מדברים על מקצוע אנליסט הנתונים (דאטה אנליסט – Data Analyst) כעל כרטיס הכניסה לעולם ההייטק והטכנולוגיה.
תפקיד נחשק, מרתק ומתגמל. אבל מה בעצם הופך אותו לכזה?
מה באמת עושים מנתחי הנתונים ביומיום שהופך אותם לכ”כ נדרשים ומבוקשים?
במאמר שלפניכם ננסה להסביר על מה כל הרעש ומה באמת מקומם של מנתחי הנתונים בתעשיות השונות.
בעולם רווי נתונים ומידע, כאשר כמויות המידע הנאספות בארגונים מתעצמות, הצורך באנליסטים בארגונים הולך וגובר, יחד עם הדרישה לידע טכנולוגי לצורך עבודה עם הסביבה הטכנולוגית המורכבת והמתקדמת.
הנתונים הנאגרים נוגעים לכל תחומי החיים שלנו, החל מנתונים אודות יעדי טיול ובתי מלון, העדפות צפיה בטלויזיה וגלישה באינטרנט, דרך ביצועים פיננסים ונתונים רפואיים ועד מגמות באולכלוסיה ונתוני פשיעה. מסיבה זו התפקיד דאטה אנליסט נדרש בכל חברה, ארגון, תעשיה ומגזר.
Data Analyst מה זה? סרטון וובינר מקצועי אודות התפקיד דאטה אנליסט
אז מי הם האנליסטים?
דאטה אנליסט או אנליסטית הם מנתחי נתונים. אלה האחראים בארגון על איסוף וניתוח נתונים לצורך הפקת תובנות שישמשו את הארגון כמנוע אסטרטגי לקבלת החלטות עסקיות טובות יותר המבוססות נתונים.
באמצעות תרגום מידע – לידע, הם יכולים לנתח את תוצאות העבר, לזהות מגמות בהווה, ולבצע תחזיות לגבי העתיד.
יתרון משמעותי של תפקיד ניתוח הנתונים בכך שהוא מאפשר למי שהגיע מעולמות הרכש, השיווק, המכירות ,הכלכלה והחשבונאות, להישאר באותו התחום בו כבר צבר נסיון וידע ולהוסיף עליהם את הטכנולוגיות הרלוונטיות.
לא מדובר בהסבה מקצועית מוחלטת אלא בהתפתחות מבחינה ידע וכלים, המאפשרת לעוסקים בו השתלב בחברות גדולות וחדשניות.
איפה עובדים האנליסטים ומה נדרש מהם?
בעידן הנוכחי, ובאופן דרמטי יותר בשנים האחרונות, עם הטרנספורמציה הדיגיטלית המואצת, נאגרות כמויות נתונים עצומות בכל חברה, תעשיה ומגזר.
החשיבות של הנתונים והיכולת להשתמש בהם ולהפיק מהן תובנות עסקיות משמעותיות הפכה את תפקיד האנליסט למבוקש ונדרש בכל התחומים. החל מספקי שירותי בריאות, דרך גופים פיננסיים, מסחריים, טכנולוגיים ועד לחנויות מזון מהיר.
תפקידם של האנליסטים מגוון ומשתנה מחברה לחברה, בהתאם למבנה הארגוני, הסביבה הטכנולוגית, אופי התהליכים והלקוחות.
לעתים מתבקשים האנליסטים לבצע משימות מתקדמות ומורכבות יותר שלרוב הינן מתפקידם של אנשי ה- BI או מתפקידם של Data Scientists, תוך כדי שהם נדרשים לחשיבה יצירתית ועסקית מפותחת.
עבודת האנליסטים משתנה גם בהתאם לסוג הנתונים שהם עובדים איתם (מכירות, מדיה חברתית, מלאי וכד’) וכמות הנתונים שנאספים בחברה (חברות קטנות עם מאגר דאטה בקבצי אקסל, חברות בינוניות וגדולות עם מאגרי נתונים של חברות כמו מיקרוסופט או אורקל, או חברות עם נתוני ביג דאטה עם סביבה טכנולוגית מאוד מורכבת), בהתאם למחלקה בה הם עובדים, או לחילופין בהתאם לסוג הפעילות העסקית, במיוחד בסביבות פרויקטליות – התלויות בפרויקט הספציפי של הלקוח הספציפי.
חשיבותו של דאטה אנליסט בארגון
אנליסטים יכולים להיות מעורבים בשלבים שונים ורבים של תהליך האנליזה, החל מהקמת מערכת ניתוח הנתונים ועד להפקת התובנות על סמך הנתונים הנאספים.
בנוסף, בארגונים מסויימים תפקידם של האנליסטים כולל גם הדרכה והכשרת העובדים על מערכת איסוף הנתונים על מנת לאפשר עבודה עצמאית.
בעוד שלעיתים קרובות תפקיד אנליסט הנתונים הוא תפקיד “ברמת הכניסה” והוא השלב הראשון בדרך אל משרות מתקדמות יותר בתחום הנתונים, לא כל אנליסט הוא דאטה אנליסט מתחיל בארגון שלו. אנליסט נתונים מתקדם, אחד עם ידע ויכולות שאנחנו מלמדים במסלול הכשרה Data Research Analyst, לרוב יעבוד בחברות הייטק או חברות עטירות דאטה. לעומת אנליסט עסקי, שיתעסק לרוב בקוד ברמה גבוהה ובתהליכי עיבוד נתונים מוכבים.
ככל שהאנליסט שולט יותר בכלים טכניים חדשניים ומתקדמים, הוא הופך להיות להיות בעל תפקיד ומקום קריטי בארגונים, במיוחד באלה בהם מתקיימת הפרדה בין הצוותים הטכניים והעסקיים.
מה עושה דאטה אנליסט ביום-יום?
אופי המשימות הנדרשות תלויות בצרכי החברה הספציפיים, אולם משימות הליבה היומיומיות הינן אופיינות לכל סוגי הארגונים:
- כריית נתונים ממקורות ראשוניים ומשניים.
- ניקוי וארגון נתונים גולמיים.
- שימוש בטכניקות סטטיסטיות ו/או כלים מתמטיים או טכנולוגיים כדי לקבל תמונה גדולה יותר מהנתונים, באמצעות תהליכי ניתוח.
- ניתוח מגמות מעניינות שנמצאו בנתונים.
- זיהוי הזדמנויות חדשות לשיפור תהליכים.
- יצירת דוחות, פריטים חזותיים (Visualizations) ולוח מחוונים (Dashboards) כדי לסייע למנהלים או קולגות לפרש את הממצאים ולקבל החלטות על סמך הנתונים.
- הצגת תוצאות ניתוח טכני ללקוחות עסקיים או לצוותים פנימיים.
- עבודה עם צוותי טכנולוגיה, ניהול ו/או מדעני נתונים כדי להגדיר מטרות.
אנליסט – טכנולוגיות מובילות או: מהם הכלים הנחוצים לניתוח נתונים איכותי?
ארגז הכלים והטכנולוגיות שאנליסט הנתונים נדרש לו תלוי באופי הארגון והסביבה הטכנולוגית.
עובדות ומספרים הם נקודת המוצא, אבל מה שהכי חשוב זה להבין איזה מידע הוא רלוונטי ויכול להפוך למסקנה שנותנת ערך עסקי לקידום הארגון, וחשוב לא פחות, זה איך להציג את הממצאים בצורה מעניינת מהבחינה הויזואלית, באמצעות גרפים, תרשימים, טבלאות וגרפיקה.
הנתונים חייבים להיות מסודרים, מנורמלים, מכוילים כך שניתן יהיה לחלץ אותם במהירות או לבצע בהם שינויים מבלי לפגוע ב- Data המקורי של הארגון. את התמונה המלאה ניתן לקבל לאחר תחקור הנתונים בעזרת ידע ונסיון בכלים טכנולוגיים שונים.
אין אנליסט שמכיר את כל הכלים, ומגיע עם כל תחומי הידע האפשריים, לכן בחיפוש עבודה או התפקיד הבא, יש להתייחס לאופי המשרה, ללמוד על החברה המפרסמת את המשרה, ורק אז לוודא יש ברשות המועמד הידע והיכולות הנדרשים.
אז מה הם הכלים המדוברים ומבוקשים היום בתעשייה?
שפות פיתוח/תכנות
יכולות ניהול נתונים ומיומנויות המניפולציה עליהם – הן קריטיות לאנליסט. היישום של יכולות אלו בא דרך שימוש בשפות שונות כגון:
Querying Language – שפות שאילתה.
SQL – אחת משפות השאילתה הוותיקות ביותר. SQL היא שפת מסדי נתונים כללית המשמשת לשאילתות אנליטיות כמו גם שאילתות טרנזאקציוניות. SQL משמשת במגוון רחב של בסיסי נתונים, כגון T-SQL של מיקרוסופט או למשל MySQL הנפוץ יותר בעולם בחברות הייטק. כאמור בניית שאילתות כדי לחלץ את המידע הרצוי היא יכולת חובה לניתוח נתונים. SQL משמשת בעיקר בפעולות היומיומיות אבל לא יכולה לתמוך ב-petabytes של נתונים. כמו כן משתמשים בשפה בעבודה מול מסדי נתונים רלציוניים ולא בסביבת Big Data.
HIVE – שפת השאילתה בסביבה של Hadoop (שהוא מסד הנתונים בסביבה של Big Data), הומצאה על ידי צוות תשתיות הנתונים של פייסבוק. מאז שהשפה פותחה בשנת 2008, היא הפכה לבחירה הפופולרית עבור אנליסטים בסביבה של Hadoop.
חשוב לציין: שפת SQL מהווה היום דרישת חובה לכל אנליסט, על מנת לאפשר לו עבודה יעילה ואיכותית עם הנתונים הנדרשים. שפות כמו HIVE – הינן שפות לסביבה של Big Data, הידע הזה נרכש בשלבים מתקדמים של קריירה עם התפתחות מקצועית וטכנולוגית.
Scripting Language – שפות הסקריפטיות נוספות
אנליסט צריך לדעת לפחות שפת תכנות אחת ולעיתים אף יותר במטרה לבצע מניפולציה על דאטה.
בין השפות הנדרשות בתחום ניתוח נתונים ניתן לראות Java, C++, MATLAB, Python ועוד רבות. כמעט לכל תוכנית עסקית יש אינטראקציה עם נתונים בדרך כלשהי. מימוש האינטרקציה הזו תלוי בפלטפורמות הקיימות בחברה, אשר כפופות לשינוים גם כאשר פרויקטים חדשים מופיעים.
שפת MATLAB – זוהי שפה המשמשת לכריית נתונים. בעוד הפופולריות שלה ירדה במהלך השנים האחרונות, עדיין מי שמגיע עם תארים בהנדסה, או מתמטיקה או כל התחום אחר של חישובים מתקדמים, בד”כ ידע לפתח בשפה הזו. כמובן שחברות רבות עדיין משתמשות בשפה זו לכריית נתונים.
Python – אחת משפות ה-scripting הפופולריות ביותר בזכות ספריות הליבה המתקדמות שלה שמאפשרות מניפולציה על נתונים ברמה גבוהה. השפה הפכה להיות גם שפה עילית בשל היכולות שלה בפיתוח מונחה עצמית (Object Oriented Programming) כאשר ניהול דאטה בתור אובייקטים הינו חלק מתהליך העיבוד. בין החבילות השימושיות ביותר NumPy, SciPy, Pandas ו matplotlib . השפה מאוד חזקה היום בתחום של מודלים לחיזוי וניתוח/תחקור של דאטה לזיהוי דפוסים התנהגותיים, אך גם לה יש חסרונות, הבולט ביניהם – ביצועים שיורדים במערכי נתונים גדולים.
חשוב לציין: השפות מטלב ופייתון אינן מהוות ידע חובה עבור תפקיד אנליסט עסקי, לרוב נראה שדרישה זו מופיע עבור אנליסטים בחברות הייטק, כאשר במקביל נדרש גם נסיון והשכלה גבוה בתחומים מדויקים.
חשוב להוסיף גם, שהידע בשפות אלו מקרב את האנליסט לשלב הבא בקריירה שלו לתפקיד Data Scientist – שזה בהחלט יכול להיות השלב הבא בקריירה של אנליסט.
Statistical Language – שפות סטטיסטיות
SAS לעומת R לעומת Python – מהי השפה המועדפת – שאלת שאלות של אנשי מקצועי, כאשר בסופו של דבר הבחירה תלויה בהחלטה של הארגון לעבוד עם כלי מסויים או סביבה כזאת או אחרת. לרוב החלטה אסטרטגית כזאת קשורה לעניין העלויות (עלות הרשיונות), יכולות הכלי, עד כמה המענה שהשפה נותנת הוא רחב ויכול לשמש תחומים נוספים בארגון.
לדוגמא, בעוד ש- SAS (כלי יקר עם חובת רכישת רשיונות) ופייתון (שחזקה מאוד במיוחד בסביבת Production) – הינן קלות ללמידה, שפת R (שפת תכנות ברמה נמוכה בהיבטים של פיתוח כללי) מנצחת בזכות יכולות חישובים מתקדמות, יכולות גרפיות טובות יותר וכלים מתקדמים.
אחרים יציגו עמדה הפוכה, ובסופו של דבר השפה המנצחת אצל כל אחד תהיה שונה, בהתאם להעדפות המקצועיות של המומחה ומאיזה תחום הוא מגיע, וכמובן כפי שנאמר קודם, בהתאם לסביבה הארגונית.
חשוב לציין: ניתוח נתונים (Data Analytics) אינו מדע נתונים (Data Science) ואינו חייב להיות. יש הרבה מיומנויות שאנליסט צריך ללמוד שיאפשרו לו להוסיף ערך ויתרון מול המועמדים האחרים, מבלי להיכנס לעולם המודלים (Machine Learning). זה נכון שתחום Data Science הינו תחום לוהט בשנים אחרונות, אך לעומת זאת תחום אנליזה לוהט לא פחות, כי היום כל ארגון מבין כבר שקבלת החלטות יכולה להתבסס רק על דאטה אמיתי של הארגון והניתוח המקצועי שלו.
הדמיית נתונים – Data Visualization
ידע בכלים שמאפשרים הדמיית נתונים ברמה גבוהה הינו קריטי לכל אנליסט.
כדי להצליח ולתקשר את התובנות הלאה, אל בעלי התפקידים השונים בארגון, נדרשת מהאנליסט יכולת לייצר דוחות וויזואליזציה שימחישו את הממצאים באופן בהיר וקל להבנה. לצורך כך, על האנליסט לשלוט בכלים לניתוח והדמית נתונים וביניהם: Tableau ,Microsoft Power BI, Oracle Visual Analyzer, SAS Visual Analytics ואחרים.
לאלה העובדים עם שפת R, חשוב לדעת לעבוד עם החבילה היעודית ggplot ליצירת תרשימים אינטראקטיביים וגרפים.
חשוב לציין: הכלים הם חשובים, אבל משניים למשימה או לבעיה העסקית עצמה. בחירת הכלי תלויה באנליסט עצמו והוא זה שיבחר מה יתן את המענה הנכון, היסודי והמדויק ביותר – ושוב בהתאם למדיניות הארגון.
מסדי נתונים
לפני שמתחקרים את הנתונים חייבים להבין איפה המידע נשמר, באיזה צורה, איך הוא נכנס לארגון ולאן הוא יוצא. ידע בתחום זה חשוב מאד בכדי להבין את הצרכים של הלקוחות (פנימיים או חיצוניים) במונחים של Data.
איסוף נתונים בעידן הדיגיטלי יכול להוביל לכמויות אדירות של מידע ועל האנליסט להכיר טכניקות לניקוי הדאטה ובניית נתונים, כדי לספק תוצאות יעילות ואמינות. תחקור מסד נתונים או מקורות דאטה ארגוני מכיל בתוכו תהליכי ניתוח רבים ומורכבים, החל מניתוח בסיסי ועד לכריית נתונים מורכבים באמצעות כלים שונים, למשל: מערכת מידע גיאוגרפי או ניתוח טקסט. השלבים הבסיסיים לניתוח הם: חילוץ, ניקוי, מיזוג, ניתוח ויישום הדאטה.
על מנת לבצע את כל זה נחוץ ידע והבנה מעמיקה במבנה של מסדי נתונים, תהליכים שרצים מאחורי הקלעים, קלט ופלט של נתונים, מקורות מידע, אינטגרציה עם כלים נוספים ועוד.
יכולות אנליטיות ויצירתיות:
כדי לספק ערך בעולם האמיתי תוך שימוש בנתונים, נדרשות יכולות ומיומנויות אנליטיות ברמה גבוהה, וכן יצירתיות בחשיבה. יכולות אלו יאפשרו לזהות הקשרים של מידע/נתונים לבעיה עסקית, להבין איך ומאיפה להשיג את הנתונים, לבצע הצלבה נכונה של הנתונים, ולחשוב מחוץ לקופסא על מנת לגלות ולזהות דפוסים חדשים בנתונים. בנוסף אנליסט צריך להיות בעל יכולת להציג ולהמחיש את התוצאות המספריות באמצעות תרשימים ואלמנטים גרפיים ולהסביר את התוצאות.
מיומנויות עסקיות ותקשורתיות:
אנליסט איכותי חייב להבין לא רק את הנתונים, אלא גם את הדרישות הספציפיות של משתמשי הקצה וכמובן להכיר לעומק את ה-Business של הארגון בכלל או המחלקה בפרט, כדי להבטיח שהנתונים שסופקו תואמים את היעדים העסקיים ואת הקריטריונים ושיתנו ערך עסקי גבוה ככל הניתן לארגון. בנוסף, על האנליסטים להיות אנשי תקשורת טובים ולעתים קרובות בעלי יכולות פרזנציה גבוהות כי עליהם יהיה לדון ולשתף פעולה עם מנהלים, לקוחות, מומחי IT, ועובדים שונים.
ירידה לפרטים ו”השבחת” ה-Data:
ניתוח נתונים הוא תחום המייחס חשיבות רבה לפרטים הקטנים. איתור מידע שגוי או מיותר הוא קריטי לתוצאות הניתוח ולהחלטה האם ניתן להשתמש בהן. האנליסט חייב להיות חוקר, שואל וסקרן, ולא לקבל כל נתון כמובן מאליו. הוא צריך להיות מסוגל לזהות איך עובדות שונות קשורות זו לזו או משפיעות אחת על השניה, לחפש התנהגויות לא הגיוניות של נתונים ולנתח כל מקרה לגופו.
הגדרת תפקידים נכונה
הטרמינולוגיה מבלבלת. השוק מוצף משרות דרושים המנוסחות באופנים שונים, כאשר כל ארגון נוטה לקרוא לתפקיד בהתאם לסביבה העסקית והטכנולוגיות בה הוא פועל: אנליסט, אנליסט נתונים, Data Analyst, BI Analyst, מנתח נתונים ועוד.
הבלבול הגדול בקרב המתעניינים בתחום הינו בעיקר בין התפקידים Data Analyst – BI Analyst.
מה ההבדל בין Business Analyst ל- Data (Reasearch) Analyst:
ההבדל בין שני התפקידים הרבה פעמים נקבע ע”י דרישות של ארגון כזה או אחר, אבל ננסה לתאר כאן את ההבדל כפי שאנחנו רואים אותו:
אנשי Business Analyst הם סוכני או מובילי השינוי בארגון.
המשימה שלהם לזהות מה הצרכים העסקיים, מהן הבעיות שעוצרות את התהליכים וההתקדמות וכיצד לייעל את הפעילות לטובת מתן פתרון לצרכים הארגוניים.
המטרה העיקרית שלהם היא ליצור תוכנית לשיפור התהליכים או התוצאות עסקיות, לכן למעשה מדובר בתפקיד אסטרטגי.
Business Analyst ישתמשו בנתונים לזיהוי בעיות ופתרונות, אך הם לא יעמיקו בנתונים ברמה טכנית. כאמור, במקום זאת, הם יפעלו ברמה המושגית – הגדרת אסטרטגיה, יישום, זרימות עבודה או התהליך ותקשורת עם בעלי עניין.
לרוב, אנליסטים עסקיים יעבדו במחלקות עסקיות כגון: מחלקה פיננסית, שיווק, מכירות, תפעול. כל אחד יעבוד באותה המחלקה בהתאם לרקע המקדים והשכלה שלו.
כך למשל במחלקה פיננסית יעבדו אנליסטים עם תואר בכלכלה, במחלקה תפעולית יעבדו אנליסטים עם תואר בניהול.
וכך הלאה. דבר נוסף שמבדיל את העיסוק של אנליסטים עסקיים הוא שלרוב יעבדו עם כלי קצה – כלי ויזואליזציה לניתוח נתונים כגון Tableau או PowerBI, לא תמיד יתעסקו בקוד SQL, ואף ייתכן ולא יתעסקו בבניית דשבורדים – את המשימות הללו יטילו על אנשי BI בארגון.
כך או אחרת אנליסטים עסקיים יעבדו על ניתוח נתונים של אותה המחלקה/אותו התחום בו קיבלו הכשרה ונסיון.
Data Research Analyst לעומת זאת, הם הצינור דרכו הנתונים עוברים תהליך של שינוי מהותי, מנתונים גולמיים עד לתחקור סופי של נתונים.
מטרת העל שלהם היא לחלץ נתונים ממקורות שונים, לבדוק, לנקות ולדגום את הנתונים כדי לגלות מידע שימושי להם העסק עשוי להזדקק. חלק גדול של העבודה הוא תחקור מקורות דאטה של הארגון, תהליכי עיבוד נתונים – Data Proccessing, בניית דוחות ודשבורדים, כך שמנהלים יוכלו להבין את התוצאות ואת הנתונים כדי לקבל החלטות עסקיות אסטרטגיות. גם Data Research Analyst זקוקים למיומנויות חשיבה אנליטיות חזקות. עם זאת, תפקידם הוא יותר טכני.
מיומנויות מיוחדות הנדרשות בתפקיד זה הן שפת שאילתות, עבודה עם ניתוח ניתוח, חיזוי וכריית נתונים – כל אלה דרישות חובה.
קורסי דאטה אנליסט של נאיה
נאיה קולג’- המכללה הטכנולוגית המובילה בישראל בתחום הנתונים והמידע, היא המכללה היחידה מסוגה בארץ המציעה את 2 המסלולים, לשני סוגי התפקידים:
חוקר דאטה מתקדם (Data Research Analyst).
לימודי דאטה אנליסט מתקדם מתאים לבעלי תארים מדויקים בסטטיסטיקה, מדעי המחשב, מתמטיקה, תעשיה וניהול. הם מגיעים עם יכולות טכניות גבוהות ולרוב יעבדו במחלקות אנליזה ולא במחלקות עסקיות. אנחנו נראה אותם גם בעיקר בחברות הייטק וחברות עטיות דאטה רב. שיתוף פעולה בין דאטה אנליסט לאנשי הבינה העסקית בחברה יאפשר ניתוח מסדי נתונים גדולים, האופייניים לחברות מפותחות בימינו, ויישום מסקנות ותיקונים לשיפור ההתנהלות בחברה.
ביזנס אנליסט (Business Analyst) – אנליטיקה עסקית
קורס אנליסט עסקי מתאים לכלכלנים, אנשי שיווק ומכירות, מנהל עסקים וחשבונאות, המעוניינים להתשלב בתחום הנתונים ולרכוש את הידע והכלים הטכנולוגיים הנדרשים על מנת להיות בעלי יכולות לניתוח נתונים בתחום ההכשרה העיקרית שלהם.
לשאלות ופרטים נוספים, פנו אלינו בטלפון מספר 073-2865544. נשמח לענות על כל שאלה ובקשה.
צפו במפגש הסברה ללימודי דאטה אנליסט Data Analyst Expert (Data Research Analyst)