מה זה דאטה אנליסט (Data Analyst) והאם כולם אותו הדבר?

דאטה הוא משאב ארגוני יקר, המסייע לעסקים לקבל החלטות ברמה היום יומית ולשפר את הביצועים בכל תחומי העשייה. ארגונים משתמשים במידע כדי לשפר את רמת השירות, לשכלל את תהליכי הייצור ולקצר את זמני האספקה. ארגונים מעוניינים שהמידע ינבא תחזיות צריכה עתידיות על סמך ניתוחי עבר ועל סמך זיהוי מגמות, הנובעות מהרגלי הצריכה של הלקוחות שלהם ולצורך כך הם נעזרים בדאטה אנליסט (data analyst)  או בשמו האחר – מנתח הנתונים אשר נדרש לפעול בשלוש זירות: האחת – להכיר את האלגוריתם, השנייה – ליצור אופטימיזציה למידע והשלישית – להבין את המשמעות וההקשרים בתוך מבנה הידע במערכת, כלומר להפוך את המידע לידע רב ערך לארגון.

במה דאטה אנליסט (data analyst) עוסק?

דאטה אנליסט כשמו כן הוא עוסק בנתונים, אך בשונה מהסברה הרווחת עיקר עבודתו אינה מתמקדת בארגון הנתונים בטבלאות וביצוע פעולות של מיון וסינון בהתאם למידת ההתאמה שלהם לארגון, אלא תפקידו של הדאטה אנליסט (data analyst)  הוא להבין מה מסתתר מאחורי הנתונים, על אילו מגמות הם עשויים להצביע, האם ניתן לחזות את הביצועים בעתיד וכיצד הארגון יוכל לבצע שימוש מושכל בבסיס הידע המוצג לו. כך למשל דאטה אנליסט (data analyst)  רוצה להבין מדוע קבוצת קונים מסוימת מעדיפה מוצר אחד על פני מוצר אחר, מי שיווק לה את המוצר ומתי הביקוש למוצר היה הגבוה ביותר. מכאן ניתן יהיה להפוך את המידע לידע רב ערך, המאפשר לארגון להיערך מהיבט זמן האספקה והצעה של מוצרים משלימים. זוהי כמובן רק דוגמה אחת הממחישה את מדע הנתונים וכיצד זה מעלה את ערכן של החלטות מקצועיות לקידום המכירות ולהשגת המטרות הארגוניות.

תעשיות וארגונים נפוצים

כמעט כל ארגון בסדר גודל בינוני ומעלה נדרש להעסיק דאטה אנליסט (data analyst), וזאת מכיוון שארגונים גדולים וארגונים בצמיחה מתמודדים עם היקפים נרחבים של מידע ונדרשים לאיש נתונים, אנליסט נתונים (data analyst), שינתח, יבחן, יבנה דוחות ויפעל להנגשה של נתונים לכל רובד בשרשרת הניהול הארגונית. נכון להיום כמעט בכל חברה מועסק אנליסט הן כעובד מן המניין והן כעובד של החברה שפיתחה את מערכת ה-BI (בינה עסקית) הארגונית. בין החברות הללו ניתן למצוא ארגונים ועסקים מכל הקשת החל מבנקים, חברות ביטוח וחברות מימון ואשראי, המתמודדים עם אינספור רשומות כספיות ומכאן נדרשים לארגון ידע בתרשימים וכלים קלים לקריאה והבנה, ועד ארגונים בתחומי הרפואה כמו מעבדות, יצרנים, ספקים, מרפאות וכן הלאה. וכמובן גם ארגונים יצרניים, עסקים בתחום הקמעונאות והשירות, עסקים בהייטק וב-low-tech כגון מפעלים ומחסנים.

אילו סוגים של אנליסטים קיימים?

ישנם סוגים רבים של אנליסטים אבל המכנה המשותף הרחב והמתכלל של כולם הוא הצורך לעסוק בנתונים ולהבין מה אפשר לעשות איתם. לעומת הדאטה אנליסט ישנו האנליסט השיווקי, זהו איש שיווק הבוחן את מגמות השוק ומבסס את תחזיותיו על התנהגות הצרכנים והרגלי הצריכה שלהם ביחס לאירועים עתידיים, שעשויים להגיע. למשל אנליסט שיווקי ימליץ להרחיב את פעילות השיווק לפני החגים או להיערך לימי מכירה מוכרים וקבועים כמו מכירות נובמבר וסוף השנה. מעבר לכך יש מדעני נתונים, שנבדלים מדאטה אנליסט, ואשר פועלים אל מול מגוון טבלאות ונדרשים ללקט משם תובנות, וכן אנליסטים עסקיים, האחראים על ניתוח מהלכים עסקיים ועוסקים בייעוץ ארגוני.

דאטה אנליסט (Data Analyst)

ידוע גם בשם אנליסט נתונים. דאטה אנליסט נדרש לשלב בין ידע ניהולי נרחב לבין ידע טכני במערכות BI. מעבר לצורך לארגן את המידע במגוון תרשימים וטבלאות ולהציג אותו לאנשים המתאימים בארגון, עליו לבנות דוחות ולהדריך את משתמשי הארגון לחשוב כמו "אנליסט נתונים" בזמן שהם עובדים עם מערכת ה-BI. מעבר לכך עליו לתרגם צרכים עסקיים לכלים טכניים ואת המיומנות הזאת דאטה אנליסט לומד במסגרת קורס BI. יש לציין שבסיס הנתונים (Data Base) של הארגון לרבות סביבת פיתוח SQL וכלי ה-BI הארגוני מהווים את "כלי העבודה" העיקריים שלו ובאמצעותם הוא מארגן את המידע בטבלאות, מסנן מידע שגוי או שאינו תואם את הצרכים העסקיים ובונה דוחות בחתכים שונים.

אנליסט כלכלן

זהו אחד התפקידים הנחשקים ביותר בקרב בוגרי תואר ראשון בכלכלה. אנליסט נתונים כלכלי נמצא בנקודת מפתח ארגונית ואחראי על היבטי ניהול תקציבי, כתיבת תוכניות תקציב שנתיות ובניית אסטרטגיה שנתית. אף על פי שעיקר עבודתו נעשית מול גיליונות אקסל או גיליונות מערכת ה-BI הארגונית, האנליסט הכלכלי פועל בממשקים רבים, ביניהם ממשקים פנים ארגוניים כמו קיום פגישות עם בעלי התפקידים הבכירים בארגון וכן ממשקים חוץ ארגוניים הכוללים עבודה עם ספקים, חדרי עסקאות בבנקים, וכן הלאה. המודל העסקי, שהאנליסט מייצר באמצעות שליפת מידע מהדאטה, סינון הנתונים הרלוונטיים ביותר וניתוחם משמש ככלי עבודה, שבאמצעותו ניתן לקבל החלטות המשפיעות על הפעילות העסקית.

אנליסט דיגיטל

הרשתות החברתיות ועולם המסחר המקוון שינו את המציאות בה פועלים עסקים מכל העולם. היקפי המידע הנרחבים שעוברים בערוצים הם אוצר בלום, המסייע לעסקים לזהות מגמות כדי להקדים את המתחרים ואף להתבלט בתחומם, מעבר לכך המרוץ אחר נאמנות הלקוח עובר דרך הצורך בהתאמה אישית מיטבית ולשם כך נדרש אנליסט דיגיטל, שאחראי על איסוף המידע מכל ערוץ דיגיטלי המחובר לעסק והצגתו בכלים קלים לקריאה ולניתוח, המשמשים לקבלת החלטות ניהוליות. אנליסט הדיגיטל עובד עם מספר כלים, אך המרכזי שבהם הוא מערכת ה-BI הארגונית, דרכה הוא שואל את השאלות הנכונות ובוחן את דרכי הפעולה היעילות ביותר – באמצעות מודל, לצורך כך עליו לשלב בין הבנה עסקית- שיווקית רחבה לבין הבנה טכנית, הכוללת עבודה עם כלי ה-BI, בניית שאילתות ויצירת טבלאות, דוחות, תרשימים ומצגות.

מדען נתונים (Data Scientist)

קל להתבלבל בין אנליסט נתונים (data analyst), שמסתכל על נתונים ברמת המיקרו ועוסק ביצירת תחזיות צריכה ומתן המלצות עסקיות לבין מדען נתונים, הפועל עם אותו בסיס נתונים אך בהסתכלות רחבה יותר עם מבט רחוק אל עבר תוכנית רב שנתית. מדען הנתונים משלב הבנה עסקית רחבה יחד עם יכולות של בינה מלאכותית, הוא לומד את המכונה ועובד עם היכולות "שהמכונה" מקנה לו. מלבד זאת על מדען נתונים להכיר מודלים מתמטיים (אלגוריתם) וסטטיסטיים, עליו לפתור בעיות ולמצוא פתרונות לנושאים עסקיים בכלים טכניים, ולכן הוא נדרש לידע טכני נרחב, אותו הוא מקבל במסגרת קורס BI וכן במסגרת קורס תכנות בשפות שונות.

תחום הפעילות המרכזי של הדאטה סיינס הוא בפיתוח מודלים, המבוססים על כלים מתוך עולמות המציאות הרבודה AI וכן בינה מלאכותית. בעולמות האינטרנט מדובר על תפקיד מרכזי, שכן מדען הנתונים עומד מאחורי כל פרסום המותאם באופן אישי ללקוח. כך למשל, כאשר גולשים באינטרנט ומחפשים אחר מוצר מסוים מיד לאחר מכן תפעל מערכת ההמלצות ותציג את המוצר ויחד אתו מוצרים קרובים או משלימים, שעשויים לעניין את הרוכש הפוטנציאלי. מערכת ההמלצות ממשיכה הלאה ולומדת את העדפותיו של הגולש בכל תחום, החל מהמלצות צפייה, סרטים, סדרות, סרטונים בפלטפורמות אינטרנטיות ועד הצגת תוצאות התואמות את העדפותיו של הגולש במדרג מסוים.

בעולמות האינטרנט ובחברות קמעונאיות, הפועלות בשוק המכירות המקוונות וכן בחברות המייצרות תוכן יש ביקוש רב לאיש דאטה סיינס, הממלא בחברות אלו תפקיד מרכזי, שבא לידי ביטוי בשדרוג חוויית המשתמש. מדעני הנתונים כותבים אלגוריתמים, בונים מודלים לכריית נתונים ושואלים שאלות, הם בונים את המכונה, לומדים אותה ומלמדים אותה ללמוד את המשתמשים ובכך להעריך את הלא ידוע. מעבר לכך הם מדריכים אנליסטים לבצע שימוש מיטבי בכלי ניהול המידע העומד לרשותם.

עד כמה אנליסטים חשובים לארגונים

עסקים פועלים בעולם שבו נתונים נגישים מאי פעם. מיליוני משתמשים באינטרנט משאירים את עקבותיהם הדיגיטליות בכל הקלקה. החל מחיפוש אחר מוצר מסוים ועד פרסום העדפותיהם בפומבי- גם אם עושים זאת באופן אקראי ללא כוונה תחילה. המידע המצטבר ברשת חשוב לעסקים כיוון שבאמצעות ארגון וסינון נכון שלו ניתן  לזהות מגמות ולהתאים את מערכי הייצור, השיווק והמכירה שלהם למה שקורה עכשיו ולמה שיקרה בעתיד. ההתבססות על ידע שיווקי והתנהגות צרכנים היא רק "קצה הקרחון", כיום אנליסטים (data analyst) חולשים על כל תחום החל מיצירת מערך הגנה על עסקים עקב שינויים תכופים במטבעות ועד בנייה של מודלים עסקיים בהתאמה לתחומי אחריות והגדרות תפקיד פרטניות, שעליהם בעלי תפקידים מבססים את תהליכי קבלת ההחלטות. לסיכומה של נקודה זו ניתן לומר, שכל ארגון המבסס את תהליכי העבודה שלו על נתונים, נדרש לאנליסטים מקצועיים ומיומנים.

מה דאטה אנליסט (data analyst) טוב צריך לדעת?

מיומנויות מחשב

החל מהבסיס הכולל עבודה עם קבצי אקסל, ניתוח, סינון ומיון מידע, הכנת מצגות Power Point ועבודה עם כלים נוספים של מעבד תמלילים. מעבר לזה דאטה אנליסט (data analyst) צריך להכיר את כלי ה-BI הארגוני על בוריו לרבות עבודה עם אובייקטים בתוך המערכת, יצירת תצוגות והפקת דוחות, בניית דוחות, שליחת התראות, בניית מצגות מתוך המערכת עצמה, טעינת מידע אל תוך המערכת, חיבור לממשקים וכן הלאה. במקרים מסוימים דאטה אנליסט (data analyst)  נדרש אף לדעת כיצד לכתוב קוד פשוט ב-SQL, להפיק שאילתות ולפתור בעיות נקודתיות. כמובן, שאת הכלים הללו הוא לומד במסגרת הכשרות המתאימות לאנשים המעוניינים לעסוק בתחום. הכשרות אלו משלבות בין ידע טכני להכרת מערכת ה-BI, לבין ידע ניהולי הנגזר מתפקידו של אנליסט נתונים.

שפות שאילתה (querying languages)

שאילתה היא בקשה, אמצעי מקובל, לדליית נתונים מתוך מאגרי מידע עצומים (ביג דאטה). זהו למעשה קוד תוכנתי, המאפשר להציג שאלתה מסוימת מאוד ולהביא מידע העונה על נתוני השאלה, כך למשל: אם data analyst מעוניין לבחון את היקף המכירות שלו לתקופה מסוימת הוא יציג שאילתה המבקשת למשוך מידע מטבלת "מוכרנים" הנמצאת במאגרי הSQL- ומטבלת "תאריכים". אם ירצה דאטה אנליסט יוכל לסנן את המידע בהתאם לצרכים שלו, למשל היקף מכירות של מוצרים או מוכרנים מסוימים. התשובה לשאילתה בדרך כלל תהיה קצרה ומהירה ומבוססת על טבלה או מספר טבלאות.

קיימות מספר שפות תכנות לכתיבת שאילתות ביניהן: SQL, HIVE, PIG

• SQL (Structured Query Language) – שפה המעבדת מידע בבסיסי נתונים טבלאיים, מבוססת על אלגברה רציונאלית, ומאפשרת שליפת נתונים מתוך בסיס הנתונים, עדכון נתונים ויצירת טבלאות.
  יתרונות: יכולת להתמודד עם היקפים נרחבים של מידע בקלות, מבוססת על שפת פיתוח סטנדרטית.
  חסרונות: ממשק משתמש מורכב ולא נח המקשה על המפתחים, ישנן מספר סביבות פיתוח הדורשות תשלום.
• HIVE – נקראת גם כוורת נתונים ומשמשת כמחסן נתונים לשליפת שאילתות, סיכומים וניתוחים. ממשק ה HIVE מדמה את ממשק ה-SQL ומאפשר גישה לבסיסי נתונים שונים. הממשק נמצא בשימוש נרחב בחברות מובילות כמו פייסבוק, נטפליקס ואמזון.
  יתרונות: תומכת בטבלאות חיצוניות, כוללת אופטימיזציה מובנית לבסיס נתונים.
  חסרונות: אינה פותחה לתנועות אונליין (אבל מתאימה לביצוע ניתוחים), לא קיימת תמיכה לתתי תהליכים בשפה.
• PIG – שפת תכנות המשמשת את HIVE. שפת התכנות מאפשרת קודים גם ללא ניסיון בעבודה עםJAVA  תסריטים של PIG מתורגמים ל- MapReduce ומופעלות באשכול Apache Hadoop.
  יתרונות: קלה מאוד ללמידה, שפה פרוצדורלית, מבוססת על pipeline
  חסרונות: ישנה היתכנות לטעויות, אינה מפותחת דיה, תמיכה לקויה.

שפות סקריפט (Scripting Languages)

שפת סקריפט או בגרסה העברית שפת תסריט מאפשרת לדאטה אנליסט (data analyst) לכתוב תוכנית מחשב במטרה ליצור תהליכי אוטומציה למשימות שעד כה נעשו באופן ידני, למשל יצירת פקודות שחוזרות על עצמן כמו העברה מחזורית, הפקת חשבוניות בעת הדיווח על קבלת מוצר למחסן וכן הלאה. התסריטים מופקים באופן אוטומטי על ידי המערכת.

קיימות מספר שפות תכנות לכתיבת תסריטים ביניהן: פייתון, JAVA , C++,  MATLAB

• פייתון PYTHON – זוהי שפה המתוכננת לקריאת קוד ותפקידה להציג תוכנות מורכבות באופן פשוט. ניתן לתכנת בפייתון עצמים, תכנות פרוצדורלי, ואף תכנות פונקציונאלי, השמה דגש על חישובים.
  יתרונות: שפת תכנות נפוצה מאוד מתאימה לפיתוח יישומים המיועדים למחשב נייח.
  חסרונות: איטית יותר בהשוואה ל-JAVA או C++ ,  לא מתאימה לפיתוח יישומים במסכים ניידים.
• JAVA – שפת תכנות נפוצה מאוד באתרי אינטרנט, וניתן להריץ אותה על דפדפן האינטרנט, באמצעותה ניתן ליצור יישומי אינטרנט מתוחכמים ורוב אתרי האינטרנט המודרניים משלבים מוטיבים משפת ה – JAVA. מתכנתים מעדיפים לעבוד עם JAVA כיוון שכל שורה נקראת בנפרד ולכן קל לאתר תקלות ולפתור אותן.
  יתרונות: זוהי השפה הנפוצה בעולם בקרב data analyst.
  חסרונות: java דורשת זיכרון רב ועשויה להאט את פעולת המערכת.
• C++ – אחת משפות התכנות הנפוצות ביותר כיום משלבת בין תכנות פרוצדורלי, תכנות גנרי ותכנות מונחה עצמים. בגרסאותיה המתקדמות היא כוללת פונקציות לחישוב בזמן ריצת המערכת, השפה ממשיכה להתפתח גם בימים אלו.
  יתרונות: שפה נפוצה מאוד, עונה על פערים רבים הקיימים בתחום.
  חסרונות: קיימים ליקויים באבטחה, זוהי שפה מורכבת, שמפתחים מנוסים עושים בה שימוש, מתאימה למערכות הפעלה מסוימות מאוד ואינה תומכת בקבצי "זבל".
• MATLAB- שפת תכנות המאפשרת יצירת קשר עם תוכנות בשפות אחרות, שימוש בפונקציות, שימוש בנתונים וטיפול במטריצות. ראשי התיבות של MATLAB מסמלים מעבדת מטריצות. התוכנה נפוצה מאוד בחוגי המתמטיקה באוניברסיטאות.
  יתרונות: מאפשרת לבחון את האלגוריתם בקלות, מאפשרת פיתוח של קודים בקלות, מקלה על האפשרויות לאיתור כשלים בפיתוח.
  חסרונות: מאטה את קצב המערכת. רוב האנשים, שבוחרים בשפה אינם מתכנתים.

שפות סטטיסטיות (Statistical Languages)

שפות תכנות, שנועדו להתמודד עם היקפים נרחבים של נתונים, לבצע ניתוחים סטטיסטים מורכבים ולתת מענה לצרכים של כריית מידע. השימוש בשפות סטטיסטיות רווח מאוד בפיתוח מערכות BI מהדור החדש, המבוססות על מודלים ומתרגמות טקסטים למידע או הדמיה חזותית. ישנן מספר שפות סטטיסטיות מרכזיות ביניהן Sas, R, python, אקסל.

• Python – אחת משפות התכנות הנפוצות ביותר, מבוססת על קריאת קוד וכוללת מבנים רבודים. השפה מתאימה לפיתוח מהיר של יישומים אינטרנטיים ולפיתוח אפליקציות.
  יתרונות וחסרונות נמנו בתיאור הסקריפט לעיל.
• R – שפה נפוצה אחרת, הנמצאת בשימוש רב בתחומי כריית המידע והגרפיקה, מיועדת ליצירת תוכנות המבוססות על סטטיסטיקה. ממשק השפה מבוסס על שורת פקודה, בה מקלידים שאלה ונשלחת בעקבותיה תשובה.
  יתרונות: שפה המבוססת על קוד פתוח ומאפשרת גמישות מרבית למתכנתים, המעוניינים בניתוח נתונים ללא עלות ובפשטות יחסית. יתרון נוסף הוא היכולת להתמודד עם היקפים נרחבים של מידע והתאמה לניתוחים סטטיסטיים מורכבים. נוסף על כך בשפת R ניתן ליצור הדמיית נתונים ולכן מבוצע בה שימוש נרחב במערכות BI.
  חסרונות:  קיימות בעיות אבטחה מובנות, מקור שפת התכנות יחסית ישן, זוהי שפה מורכבת ללמידה, שאינה מתאימה לכל מתכנת, מאטה את מהירות השרת.
• Sas" Statistical Analysis System" – שפת תכנות המאפשרת לעבוד עם מאגרי נתונים המוזנים ממגוון רחב של מקורות מידע ולנתח אותו.
  יתרונות: שפה נוחה לתכנות המתאימה לפרויקטים עתירי נפח, מבוססת על אלגוריתמים שנבחנו בעבר, ניתן לאתר באמצעותה באגים בקלות יחסית.
  חסרונות: עלויות גבוהות, מדובר על שפה מורכבת יותר מ-R, אינה מתאימה לכריית נתוני טקסט.
• אקסל – זהו כלי מרכזי עמו עובד אנליסט נתונים ברמה היום יומית. אקסל זו תוכנה מבית מייקרוסופט המייצרת גיליונות אלקטרונים לאיסוף נתונים, ניתוחים בכלים סטטיסטיים שונים והצגתם בתרשימים וגרפים. בתוך האקסל ניתן להיעזר בשפת התכנות מאקרו, לחשב ערכים מתמטיים וליצור טבלאות ציר.
  יתרונות: גיליונות האקסל מסייעים לאנליסט נתונים לארגן את המידע בקלות יחסית, חישובים רבים, אפשרויות גרפיות, אחרי הכל מדובר על אחת מהתוכנות הנפוצות ביותר לאיסוף וארגון נתונים.
  חסרונות: העדר אבטחה, המידע לא נע מגיליון לגיליון ודורש העתקה, אנליסט נתונים נדרש לביצוע חישובים רבים באופן ידני על מנת לבצע ניתוח מידע משמעותי.

הדמיית נתונים (data visualization)

זהו ענף בתוך עולם התקשורת החזותית העוסק בשיטות ועקרונות להצגת יחסים בין נתונים כמותיים באמצעות דימויים חזותיים. כך למשל, ניתן להעביר כל נתון שמקורו בטקסט או בטבלה לנתון בתוך תרשימים או גרף, הניתן למדידה ולספירה. המיצג החזותי מקל על אופן החקירה וניתוח הנתונים ומסייע להתחקות אחר מגמות או לאתר פערים באמצעות שימוש בצבע, הדגשה של טקסט, גודל של אובייקט וכן הלאה. ישנן מספר מערכות מרכזיות העוסקות בהדמיית נתונים ביניהן Qlik, Power BI  ו- Tableau

QLIK –

מערכת BI מהדור החדש המבוססת על מנוע אסוציאטיבי, הרשום כפטנט, טכנולוגיית AI וממשק API אחד מהכלים העוצמתיים ביותר, המאפשרים לחקור את הדאטה על בסיס מודל עסקי מובנה מראש ומרובד. המודל עצמו מורכב ממספר גיליונות המתואמים לעולם התוכן של המשתמש. בגיליונות עצמם ניתן לבצע חקירה חופשית לחלוטין של הדאטה ללא כל תלות בהפקת שאילתות מובנות, כך שכל הקלקה חושפת מידע נוסף ומקדמת את החקירה. נוסף על כך, פלט התשובה שיוצג למשתמש יציג את התשובות או ההקשרים שחיפש וכן כל מידע המקושר לשאלה הנחקרת. כך למשל: משתמש מבצע חיפוש אחר מוכרנים שלא עמדו ביעדים, המידע הרלוונטי לשאלה מופיע בשורות צבועות בלבן, והמידע המקושר לשאלה (מוכרים שלא עמדו ביעדים) יופיע בשורות אפורות. שורת החיפוש החכם מאפשרת למשתמש להיעזר בתגיות לחיפוש או צירופי מילים ולחקור גם באופן ספורדי ללא תכנון מראש. המשתמש יכול להזין את המערכת במידע נוסף מתוך קבצי אקסל ולמקם אותו, בהתאמה להמלצת המערכת במיקום עם קשרי דאטה חזקים. יתרון נוסף לכלי הBI- של Qlik בא לידי ביטוי בכך שמדובר על מערכת הלומדת את העדפות המשתמש, ועל סמך זה משכללת את הצגת התוצאות לאורך זמן.

היכנסו ללמוד על קליקסנס>>>

power BI –

כלי BI מבית מייקרוסופט, המאפשר הצגת מידע באופן אינטראקטיבי, כך שמשתמשים יכולים להתנהל במערכת בעצמאות מלאה, ליצור דוחות ולבנות לוחות מחוונים (דשבורדים) התואמים את עולם התוכן העסקי. המערכת מושכת מידע ממגוון רחב של מקורות, מסייעת לעקוב אחר משימות ולתחקר את הדאטה.

Tableu –

כלי להדמיה חזותית של נתונים, המשמש את תעשיית ה-BI , המאפשר להציג בפשטנות מידע עסקי באמצעות תבניות. בדומה ל- power BI וQlik- ,עובד על בסיס לוח מחוונים וגיליונות עבודה ובעל מנוע המסוגל להתמודד עם היקפים נרחבים של מידע.

יצירתיות ויכולת אנליטית

דאטה אנליסט (data analyst) נדרש לחשיבה יצירתית ויכולת ניווט בין אינספור נתונים המגיעים מעולמות תוכן שונים. את הנתונים המגיעים אליו הוא נדרש לסנן, למיין ולהתאים לדרישות העסקיות במקום הנכון, בזמן הנכון, במיקום המתאים ביותר ובהקשר המתאים לשאלה העסקית שעלתה. אנליסט נתונים בוחן דרכים ומקורות להזנת המערכת, נדרש למיומנויות בהצלבת מידע ולשם כך עליו לסגל חשיבה מקורית, פורצת תבניות כדי לחשוף קשרים נחבאים בדאטה. נוסף על כך אנליסט נתונים נדרש למצוא דרכים להציג את תוצאות החיפוש בתצוגה חזותית קלה לקריאה, ניתוח והסברה תוך שימוש במגוון רחב של אובייקטים, תרשימים, גרפים וטבלאות כדי להפוך את הדאטה למייצג אינטראקטיבי, המאפשר לקבל החלטות באופן אינטואיטיבי.

יכולת תקשורת גבוהה

אנליסט נתונים (data analyst)  פועל באופן עצמאי, ונדרש לתקשורת שוטפת ברמה היום יומית עם גורמים שונים, לתת קדימויות ולתקשר את החלטותיו. נוסף על אתגר זה, עליו להיות בעל מיומנויות התנסחות, המאפשרות לו לספק מידע לגורמים בכירים בארגון. שכן מהות תפקידו היא לתרגם דרישות עסקיות וליישם אותן בכלים טכנולוגיים על סמך היכרות עמוקה עם תהליכים עסקיים חוצי ארגון ותהליכים עסקיים הפרטניים לכל מחלקה ומחלקה.

באחריותו של אנליסט נתונים לספק מידע מדויק למקבלי ההחלטות. הוא חייב להיות מסוגל 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.

יכולת ירידה לפרטים וסינון מידע לא רלוונטי

הצגת מידע מהימן, מעודכן וחף מטעויות היא אחת מהמטרות המרכזיות של אנליסט נתונים. עליו לסנן מידע, למיין ולאתר מידע שגוי במהירות וביעילות, לשם כך עליו להיות בקיא בפרטים, להבין מה קריטי ומה לא נחוץ לתהליך קבלת ההחלטות ועל סמך זה לבנות מודלים ולוחות מחוונים, שאיתם יוכלו מקבלי ההחלטות בארגון לעבוד באופן שוטף. נוסף על כך על האנליסט לבחון כל נתון שמגיע אליו – לא רק בהיבט של מהימנות הנתון אלא גם בדרך שפרטים בתוך הדאטה משפיעים זה על זה, שכן טעויות בדאטה עשויות להשפיע לשלילה על תהליך קבלת ההחלטות. ההיגיון מנחה דאטה אנליסט (data analyst) להתמקד בדקויות, לנקות מידע שגוי או מיושן ולשמר את מהימנות הנתונים.

לסיכום, בזמנים בהם יותר ויותר ארגונים מבססים את תהליכי קבלת ההחלטות שלהם על מידע שריר וקיים ממגוון רחב של מקורות, הרי שהם נדרשים לגורם מקשר, שידע לנווט בתוך עולם הביג דאטה ולדלות את המידע המתאים ביותר לתחום הפעילות העסקי. מעבר לכך, הם נדרשים לאיש מפתח, שידע לבנות מודלים, שיענו על הצרכים העסקיים השוטפים בכלים העומדים לרשותו. אנליסט נתונים נדרש לידע טכנולוגי רחב הנוגע לכלי בו הוא עובד לצד יכולות בין אישיות יוצאות דופן הכוללות יכולת עבודה עצמאית, התנסחות רהוטה, הכרת השפה העסקית ויכולת עבודה עם מגוון רחב של ממשקים וצוותי עבודה.