3 סוגים של קורס Data Analyst – מה הכי מתאים לך?

תחום ניתוח הנתונים (Data Analyst / Data Scientist) הוא אחד מהתחומים החמים היום, ולא מעט אנשים שוקלים להיכנס אליהם.
בכל אחת מסדנאות המבוא לגבי המקצוע, שואלים אותי לא מעט משתתפים לגבי האפשרויות העומדות לרשותם ללמוד את המקצוע.
במאמר כאן נפרט 3 סוגים של קורס Data Analyst, כולל יתרונות וחסרונות – וגם מתי מומלץ לבחור בכל סוג.

לפני הכל – חשוב לציין, שאין נכון או לא נכון – או 'אפשרות מנצחת'.
המטרה של הפוסט היא לעורך בתוכך את הדיון של מה יותר מתאים לך – בשביל לבחור בצורה המדויקת.

"בית ספר לאנליסטים" או קורס Data Analyst "בקטנה"?

קורס Data Analystהדרך המסורתית ללמוד תחום חדש הוא להירשם לתוכנית הכשרה.
זה מוכר לכולנו (או לפחות לרובנו) מהאוניברסיטה, והמטרה כאן היא לפתח בסיס תיאורטי רחב מאוד – ורק בסופו לעבור לפרקטיקה.

בהיבט קורס Data Analyst מדובר לרוב בקורס פיזי אשר אורך מספר חודשים.

קורס כזה כולל הרבה מאוד תכנים הנוגעים למקצוע – בין השאר ניתוח סטטיסטי, עבודה עם נתונים ומספר כלים קריטיים.

לרוב – קורס כזה יהיה מאוד מקיף מבחינת החומר המועבר, וזה יתרון – אמורים ללמוד שם 360 מעלות של התחום.

הצד ההופכי של זה הוא, שברוב המקרים ההכשרה היא יחסית כללית / גנרית, ולא תמיד נותנת ביטוי להתמקצעות בנישה ספציפית בעולם ניתוח הדאטה.
זה עשוי ליצור בעיות בשני היבטים:

  • לימוד של הרבה נושאים אשר יתברר בעתיד שלא צריך (טעות מסוג שני).
  • פספוס של דגשים חשובים/ העמקה איפה שכן צריך (טעות מסוג ראשון).
    לדוגמה: מה בדיוק בודקים בראיון עבודה מקצועי – שבמקרים רבים שונה למדי מהחומר התיאורטי/טכני.

זה קורה, כי הגישה של הרבה קורסים פיזיים היא לתת כמה שיותר חומר – ארגז כלים.

לכאורה זה נשמע אידאלי, לא?

אז נכון, יש כאן לימוד מאוד יסודי.

הבעיה היא שזה לא תמיד מתאים לכולם, ושהתהליך הזה מאוד 'טורי' – רק אחרי שמסיימים את הקורס ומנסים להתקבל לעבודה כדאטה אנליסט מבינים האם ההחלטה ללכת לקורס כזה הייתה נכונה.
ורק בתפקיד עצמו (בהנחה שמתקבלים…) – אפשר להעריך האם הקורס באמת נתן כלים כמו שצריך.

יש הבדל מהותי בין ללמוד איך להפעיל מקדחה, ובין לתלות ארון על דיבלים בקיר של האמבטיה…

או במילים אחרות – ללמוד ארגז כלים זה לא תמיד מספיק.

 

קורס "Low Cost"

קורס Data Analyst פיזי לוקח לרוב הרבה זמן ועולה הרבה כסף, כי 'רמת השירות' שיש בו גבוהה – מפגשים פיזיים וגם תמיכה מסוימת של המרצה.

קורס Data Analyst דיגיטליהגישה השנייה נמצאת בקצה השני של הסקאלה: קורס Data Analyst ללימוד עצמי – זול ומהיר.
ברוב המקרים הוא יתבצע באמצעות אקדמיות דיגיטליות כמו Coursera / Udemy וכיו"ב, ולא יצריך השקעת משאבים רבים.

הגישה הזו מתאימה מאוד למי שמאוד ממוקד על יעד אליו הוא רוצה להגיע, ויש לו כבר תכנית ברורה. וכמובן – למי שקל לו ללמוד לבד.
היתרונות של הגישה כאן ברורים:

  • אפשרות להתקדם "בקצב אישי" (מתאים לאנשים שיכולים ללמוד מהר).
  • מחיר זול.

אבל ישנם גם מספר חסרונות לקורסים דיגיטליים:

  • יש מבחר ענק של קורסים ולא תמיד אפשר להעריך את הרמה של כל קורס
    יש לא מעט קורסים שמתבררים כמאוד מופשטים ולא מעמיקים – שיעורים של 2-3 דקות, ללא דוגמאות.
  • מיקוד מאוד חזק בהיבטים טכניים
    מתמקדים בעיקר בלימוד כלים, במקום בפיתוח החשיבה האנליטית (אגב, זה קורה גם בקורסים פיזיים אם המרצה אינו אנליסט במקור).
  • חוסר בהכוונה/תמיכה
    • מהי הנישה האנליטית שתתאים עבורי – מה בכלל מתאים לי?
    • באילו נושאים בקורס כדאי להתעמק.
    • שאלות לגבי חומר לא ברור.
    • מיקוד בלימוד תוכן של שיעורים ופחות בתרגול.

 

בשורה התחתונה – זה אחלה ערוץ לימודי, והוא בהחלט יכול ללוות אתכם בהמשך הדרך.
יחד עם זאת – חייבים לעשות עבודת אפיון לא קטנה בשביל להבין מהו הקורס שהכי יתאים לכם, אן איך "להרכיב" לכם קורס כזה מתוך הרבה מאוד תכנים.

 

גישה משולבת

(גילוי נאות: הגישה המשולבת ממומשת במסגרת התכנים של 'מועדון הנתונים').

הגישה המשולבת מכוונת לקחת את היתרונות של שתי הגישות הקודמות:

  • רמת השירות הגבוהה של קורס Data Analyst פיזי – בהיבט התמיכה וההכוונה, וכן מבנה ברור של ההכשרה (מודולים ותהליך) – מצד אחד.
  • מחיר נגיש והתקדמות מהירה של קורס Data Analyst דיגיטלי – מצד שני.

הרעיון שעומד בבסיס של הגישה המשולבת מגיע ישירות מתפיסת ה-Lean Production ('ייצור רזה').
השיטה הזו הומצאה אי שם בשנות ה-70 ע"י חברת Toyota, ובמילים פשוטות מכוונת להתמקד רק במשימות היוצרות ערך ללקוח.
זה משלב כמובן גם את חוק "20:80" (להתמקד ב-20% מהתכולה שיוצרת 80% מהערך)..

איך זה בא לידי ביטוי בעולם הכשרת האנליסטים?

בנקודת הזמן ההתחלתית, ישנו יעד אחד קריטי: להתקבל לעבודה ראשונה בתור דאטה אנליסט.

כל מה שקורה לאחר מכן – הוא כנראה משני, כי כשמתקבלים לעבודה תהליך הלמידה רק מתחיל
(תהליך הלמידה הוא איטרטיבי ומתמשך – לא טורי)…

בשביל למקסם את היעד הזה, ישנם 3 יעדים חשובים:

 

  • לקבל בטחון בתכנים הקריטיים על מנת להתחיל לשלוח קורות חיים.
  • לקבל זימון לראיון מקצועי.
  • לעבור ריאיון מקצועי (לרוב באקסל או ב-SQL).

לכן – נדרש להתמקד בהתחלה רק בתכנים התורמים להשגת היעד הזה.

אילו תכנים? זה כבר חומר למאמר אחר…

אבל בהמחשה פשוטה – אין טעם ללמוד Python או אלגוריתמים של Machine Learning כבר בתחילת הדרך.

אלה אמנם נושאים מאוד חשובים – אבל לוקח הרבה זמן ללמוד אותם – ואין להם באמת משמעות בקורות החיים בלי ניסיון מעשי. לכן – מומלץ להתמקד בשלב הראשוני בלימוד כלים והפעלת חשיבה אנליטית ב-SQL, ולהשאיר את הנושאים המתקדמים ללימוד עצמאי במהלך העבודה כדאטה אנליסט.

חשוב לציין, שהמיקוד בשיטה המשולבת אינו "יש מאין".
בשביל לאפשר אותו – יש להבין תחילה לאיזו נישה אנליטית מדויקת רוצים לכוון.
כנובע מכך – אפשר לגזור את הצעדים הבאים שיסייעו להתקבל לעבודה.
 

סיכום

במסגרת המאמר הוצגו 3 גישות לאופן הכשרה בתור דאטה אנליסט.

חשוב שוב לציין שאין גישה נכונה או לא נכונה באופן גורף לכולם.

לכל אחד יש אופי אחר ותפיסת עולם ייחודית – לכן יש לבחור גם את סוג הקורס שיתאים ספציפית עבורך, וזו בעצם השורה התחתונה של המאמר.

 

 

Share
השארת תגובה