9 הטעויות שהורסות לך את הסיכוי להפוך ל-Data Analyst כבר ב-2019 – חלק שני

הקדמה

במאמר הקודם פירטנו את 3 הטעויות הראשונות שמועמדים נוטים לעשות במהלך התהליך להפוך ל-Data Analyst.
הן כללו את השלב היחסית התחלתי של התהליך – תכנון תהליך ההכשרה, אשר רוב האנשים כלל לא מודעים אליו, וחשיבותו קריטית:

  • להאמין שחוסר רקע מתאים פוסל אוטומטית – ולוותר.
  • לא להבין שקורות חיים לא רלוונטיים ולא מעניינים יכולים למנוע קבלה לעבודה – ולא משנה מה למדו.
  • לקפוץ מהר מדי לשלב הלימוד בלי להבין קודם מה בכלל מתאים להם.

 

בחלקו השני של המאמר, נתמקד יותר בסוגיות הקשורות לשלב לימוד הכלים והיכולות בתהליך ההכשרה.

 

הטעות הרביעית – ללמוד בקורס ה-Data Analyst הלא נכון

בהרבה מקומות באתר כבר פירטתי את הדברים החשובים בעת בחירת קורס דאטה אנליסט שיהיה הכי מדויק עבורכם.

כיום, כמעט כל פעולה כמעט שאנחנו עושים – בפרט באינטרנט – מתועדת, והמגמה הזו הולכת רק להתרחב.
הטכנולוגיה של איסוף הנתונים כבר מזמן אינה הבעיה.

במהלך העשור האחרון (ואפילו קצת יותר מכך), האתגר האמיתי של חברות השתנה.
אם פעם האתגר היה איך לאסוף כמויות אדירות של דאטה, היום כבר יש פתרונות זמינים ואפילו חינמיים. לכן – איסוף הנתונים כבר לא מספיק.
כיום, האתגר הוא כיצד להשתמש בנתונים בצורה חכמה – להוציא מהם תובנות, ליצור למידה והתפתחות – ולהפוך את התובנות לשיפור בביצועים העסקיים של החברה שבה אנו עובדים.

בעולם כזה כל מי ששואף להפוך ל-Data Analyst חייב לפתח 3 יכולות:

  • יכולת טכנולוגית משמעותית – לצורך לימוד כלים קריטיים לעיבוד וניתוח דאטה.
  • יכולת טכנית-אלגוריתמית – לצורך ניתוח נתונים בצורה מעמיקה.
  • יכולת אנליטית-מתודולוגית – לצורך מיפוי תהליכים עסקיים כמו 'מסע הלקוח' (user journey) והבנה כיצד למדוד נכון את התהליכים האלה.
כל אחת ואחת מהיכולות הללו קריטית על מנת להפוך ל-Data Analyst ברמה גבוהה!

ועדיין, רוב הקורסים בשוק לא נותנים מספיק ביטוי לאחת מהיכולות הללו – או יותר.

הרבה קורסים (בעיקר כאלה המוצעים במסגרת מכללות ללימוד תחומים טכנולוגיים כמו תכנות) מתמקדים כמעט אך ורק ביכולות הטכנולוגיות, ושם הם מפספסים.
לדוגמה: הם מלמדים SQL בצורה הטכנית – כמו למפתחים.

התלבטות קשה בבחירת קורס בשביל להפוך ל-Data Analystואז, בראיון המקצועי המועמד כמעט תמיד "חוטף את המציאות ישר בפנים" – בצורת שאלות שאין לו בכלל מושג איך לגשת אליהן או בכלל מה רוצים ממנו…

זה קורה, כי האתגרים שאיתם נדרש דאטה אנליסט להתמודד הם לא רק טכניים, אלא בעיקר אפיוניים.
בשביל אתגרים כאלה נדרש לפתח לא רק חשיבה טכנית – אלא בעיקר חשיבה אנליטית.

ואת זה נדיר מאוד למצוא בקורס דאטה אנליסט טיפוסי.

בנוסף לסוגיה הזו, קיימים קורסים אחרים – בעיקר קורסים באינטרנט, שבעוד שהם מאוד זולים, חסר בהם משהו אחד מרכזי: מיקוד.
הם כוללים הרבה מאוד תכנים – שנוטים לפזר אתכם מהמהות של המקצוע – וזה לא ממש עוזר לעבור ראיון עבודה.

 

לכן, לפני שאתם נרשמים לקורס בשביל להפוך ל-Data Analyst קריטי לבדוק את הדברים הבאים:

  • איך הקורס מקדם אתכם לקבלה לעבודה – כמה שיותר מהר?
    האם הקורס רק מלמד אתכם חומר, או גם איך להתקבל לעבודה?
    האם הוא דוחף אתכם כמה שיותר מהר לנקודה שבה תוכלו לשלוח קורות חיים ולהתקבל?
  • באיזו מסגרת הקורס מועבר
    האם מדובר במכללה שמעבירה בעיקר קורסים להכשרת מתכנתים, או שהיא מתמחה בהכשרת Data Analysts? האם יש תחושה ש'מנסים למלא כיתה' או שמתאימים לכם מסלול אישי?
  • מי מעביר את הקורס
    האם מדובר ב-Data Analyst, או אולי באיש BI/מפתח/כלכלן וכו'?
    האם יש לו מספיק שנות ניסיון בשביל 'לשחות בתחום' ולהבין היכן אתם מתקשים ואיך לעזור?
  • תוכן הקורס
    האם הקורס מתיימר לתת כמות גדולה מדי של חומר – כזו שייתכן שאת חלקו לא צריך?
    האם החומר כולל את כל הנושאים ההכרחיים – ורק אותם?
    האם הקורס כולל רק כלים טכניים, או גם שיטות עבודה נכונות המתבסס על ניסיון?

 

 

הטעות החמישית – חוסר הבנה טכנית ולוגית ב-SQL

SQL הוא כלי העבודה העיקרי של Data Analyst בעשור האחרון.

זה כנראה ימשיך להיות נכון גם בעתיד – אפילו בעידן של ה-Python (יפורט בהמשך המאמר).

בסיסי נתונים היו ויישארו עדיין הבסיס כמעט לכל חברה – כולל חברות שבהן כמות הנתונים היא אדירה.
אפילו Redshift ו-Big Query – בסיסי הנתונים של Amazon ו-Google המיועדים ל-Big Data – עדיין משתמשים בלוגיקה SQL'ית ברמת השליפות.

אז נכון – ישנם כלים חדשים כל הזמן, אבל עדיין – SQL כאן בשביל להישאר, ולכן מדובר בבסיס קריטי שכל מי ששואף להפוך ל-Data Analyst חייב ללמוד ברמה גבוהה.

בהתאם לכך, רוב ראיונות העבודה כיום לתפקידי Data Analyst כוללים שאלות ב-SQL.

ההיכרות עם SQL חייבת להיות מעמיקה, וכוללת שלושה מרכיבים:

  • הרמה האפיונית-עסקית – להבין מה שואלים אתכם, איך נראה התוצאה הרצויה, ואילו שלבים נדרש לבצע על מנת להגיע אליה.
  • הרמה הלוגית – היכרות עם כל הפקודות ואופן הפעולה של הריצה, על מנת להרכיב את השאילתה כמו שצריך.
  • הרמה הטכנית – להבין את הפקודות ברמה הטכנית ולממש אותן כמו שצריך.

בלי אחד מהמרכיבים יהיה לכם קשה מאוד לענות נכון על שאלות בראיון העבודה ולהתקבל, שלא לדבר על הצלחה בתפקיד.

ועדיין – הרבה מהאנשים שרוצים להפוך ל-Data Analyst לומדים SQL לבד או עם קורסים שלא נותנים את כל 3 המרכיבים הללו.

אז הם אולי יודעים SQL טוב ברמה הטכנית, אבל עדיין לא יודעים איך לממש שאילתות כמו שצריך.

בשורה התחתונה – צריך להשקיע הרבה מאוד בלימוד ותרגול ב-SQL:
גם בהבנת הפקודות, גם בהבנת הלוגיקה ואופן הפעולה של השאילתות, גם ביכולת האפיון והתרגום של השאלה העסקית לרמה הטכנית.

ולבסוף – חייבים לתרגל את הכל בצורה מסיבית.

 

הטעות השישית – ללמוד Python בתור כלי עיקרי

טוב, אז הכותרת כאן ודאי 'מקפיצה' חלק לא קטן מכם, ולא סתם – זו בדיוק הכוונה…

אתם ודאי תוהים – איך ייתכן, שללמוד את הכלי הכי חזק שקיים בעולם הדאטה, ושכל התעשייה מרעיפה עליו שבחים (כולל מועדון הנתונים) – הוא טעות??

אז ככה:
Python הוא אכן כלי מטורף לגמרי מבחינת היכולות שהוא מקנה לנו כאנליסטים.
והוא בהחלט מאוד מבוקש בתעשייה.

אבל…

Python הוא לא כלי לאנליסטים מתחילים!

במהלך הדרך להפוך ל-Data Analyst אחד הדברים החשובים ביותר הוא לפתח בסיס אנליטי יציב.
ובסיס כזה כולל גם היבט של איך ניגשים לבעיה אנליטית, וגם פיתוח יכולות טכניות לעשות את זה.
היכולות הללו כוללות בראש ובראשונה אקסל ו-SQL ברמה של להתעורר באמצע הלילה מחלום על Join שלא עבד כמו שצריך…

ואיך זה קשור ל-Python?

מאחר ומדובר בעצם בשפת תכנות, Python מצריכה חשיבה מאוד טכנית.

כי Python לא נוצרה עבור אנליסטים, אלא עבור מפתחים – זו שפת תכנות.

 

לכן, השימוש שלה עבור אנליסטים זה דבר שהתפתח בשלב מאוחר יותר.
כיום השימוש הזה עבור אנליסטים כולל בעצם 3 היבטים שונים:

  • שפת התכנות (שימוש בלולאות, מערכים, פרוצדורות ושאר מיני ירקות…).
  • חבילות עיבוד וניתוח הנתונים (Pandas, NumPy, SciPy, MatPlotLib וכו' – המהוות סביבת פיתוח אנליטית שלמה).
  • חבילות נוספות – בעיקר לצרכי איסוף נתונים מהאינטרנט – לצרכי Rnd (מחקר ופיתוח).

 

מאחר ומדובר בכך כך הרבה דברים, חייבים להבין במה להתמקד קודם, כי אי אפשר ממש להפוך לסופרמן ביום אחד…
אם מנסים להיכנס לעולם ה-Python לבד, בלי שיש בסיס אנליטי טוב לפני זה – הכלי רק יגרום לכם להתפזר ולא להבין איך מנתחים דאטה כמו שצריך.

יתרה מכך – רוב החברות בשוק בכלל יבחנו אתכם על SQL, לא Python. ואם לא תדעו SQL ממש טוב – יכול מאוד להיות גם שנה שלמה של לימוד Python לא יעזור לכם ברגע האמת.

תופתעו לגלות בכמה מקרים של אנליסטים שלא עוברים ראיונות עבודה ב-SQL בגלל ש'ננעלו' על לימוד Python אני נתקל. זה מתקרב למימדים של מגיפה…

 

ואגב, אם כן תגיעו לחברה שתבחן אתכם ב-Python – לרוב זו תהיה חברת הייטק, שכנראה דורשת יכולות הרבה יותר מתקדמות וטכניות.
את מבחן הכניסה שתעברו כנראה המציא מפתח-מתכנת, ואתם ממש לא רוצים לגשת לראיון לתפקיד Data Analyst מול מפתח – בלי שיהיו לכם את הכלים לעבור אותו…

לכן – עשו לעצמכם טובה, עזבו בשלב ראשון Python ותתמקדו בראש ובראשונה בללמוד אקסל ו-SQL כמו שצריך!

 

סיכום

אז זהו, עד כאן החלק השני במאמר על הטעויות המרכזיות שמי שרוצה להפוך ל-Data Analyst נוטה לעשות.

בחלק השלישי של המאמר נתייחס להיבטים נוספים, כמו קיצורי דרך שאפשר לעשות, התמקדות ובחירה בנישה האנליטית המדויקת המתאימה לכם ונעמיק בנושא החשיבה האנליטית.

 

שנת 2019 שמחה ובהצלחה!

 

Share
השארת תגובה