3 סוגים של קורס Data Analyst – איזה מהם 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.

 

אז לפני הכל – חשוב לציין את השורה התחתונה:

אין נכון או לא נכון – או 'אפשרות מנצחת'.

המטרה של הפוסט היא לעזור לך להבין שיש כמה חלופות רלוונטיות, ולהחליט מה יותר מתאים לך – בשביל לבחור בצורה המדויקת.

 

 

 

אז רגע לפני שנמשיך עם כל הפרטים לגבי סוגי הקורסים – 

 

אני יודע שיש ביניכם אנשים של תכל'ס, שאין להם סבלנות להמשיך לקרוא את המאמר, ופחות או יותר מבינים במה מדובר.

אז אם אתם כאלה – הנה הצעד הבא בשבילכם:

להירשם למשדר מיוחד וחינמי שיכול לחסוך לכם חודשים של התברברות מתסכלת ומייאשת בתהליך ההפיכה לדאטה אנליסט.

 

המשדר המיוחד: 10 הטעויות שמחריבות לך את הסיכוי להפוך לדאטה אנליסט!

 

 

 

 

ואם הגעתם לכאן – אז אתם מאלה שאוהבים פרטים. מצוין!!!

בואו נמשיך למאמר עצמו…

 

 

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

קורס Data Analyst
הדרך המסורתית ללמוד תחום חדש הוא להירשם לקורס דאטה אנליסט.

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 עבודה עם נתונים ומספר כלים קריטיים.

לרוב – קורס כזה יהיה יחסית מאוד מקיף מבחינת החומר הטכני המועבר, וזה לכאורה יתרון – אמורים ללמוד שם הרבה מהתחום.

מצד שני, ברוב 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 – כמו פקודות SQL מתקדמות (קריטיות לאנשי BI אך פחות לאנליסטים).

 

  • פספוס של דגשים חשובים/ העמקה איפה שכן צריך.
    לדוגמה: צורת החשיבה האנליטית – שנדרשת בשביל לעבור ראיון עבודה מקצועי, ולרוב שונה בצורה דרמטית מהחומר התיאורטי/טכני.
    ולעיתים גם חוסר משמעותי בתרגול, לאור השאיפה ללמד כמה שיותר כלים.

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

 

ולכאורה זה נשמע אידאלי, נכון?

אז כן, יש כאן לימוד מאוד יסודי (לכאורה).

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.

 

 

חשוב לזכור, שיש 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" / ללמוד לבד

 

קורס Data Analyst פיזי לוקח לרוב הרבה זמן ועולה הרבה כסף, כי 'רמת השירות' שיש בו גבוהה – מפגשים פיזיים עם הרבה חומר, ומעטפת לוגיסטית של המכללה.

קורס Data Analyst דיגיטליהגישה השנייה נמצאת בקצה השני של הסקאלה: קורס Data Analyst ללימוד עצמי.

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 ואפילו אפסי.

אבל ישנם גם מספר חסרונות לקורסים דיגיטליים כאלה:
  • 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;
    לעיתים קיימות דוגמאות או פתרונות – אבל קשה להבין בדיוק איך הגיעו אליהם;
    ולא תמיד ברור מהי רמת הרלוונטיות והמומחיות של מי שמלמד – האם הוא דאטה אנליסט, האם הוא מומחה או יחסית "טרי" בתחום וכיו"ב.

 

  • מיקוד מאוד חזק בהיבטים טכניים
    מתמקדים כמעט אך ורק בלימוד כלים טכניים, במקום בפיתוח החשיבה האנליטית (זה קורה כאמור גם בקורסים פיזיים – אם המרצה אינו דאטה אנליסט במקור או אינו מומחה בתחום עם הרבה שנות ניסיון).

 

  • חוסר בהכוונה/תמיכה
    • מה נדרש לדעת על ההתחלה ומה אפשר לדחות להמשך.
    • שאלות לגבי חומר לא ברור (ויש המון כאלו במהלך הדרך…)
    • מיקוד יתר בלימוד תוכן של שיעורים ופחות בתרגול.
    • זיהוי טעויות בדרך הפתרון בתרגול – הבנת השאלות ודרך הפתרון.
    • מה מראיינים מצפים לשמוע בראיונות – "השפה האנליטית".
    • תבניות של שאלות אנליטיות בראיונות ואיך להתמודד איתן. 
    • איך מתמודדים עם חוסר בטחון ונקודות תקיעות אחרות בתהליך.
    • ועוד…

 

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, מהם התכנים שנדרש "להרכיב" ואיך לבחור קורס כזה מתוך הרבה מאוד תכנים.

שלא לדבר על "לעשות לכם סדר" בהמוני הנישות וההגדרות בתחום הדאטה…

 

 

גישה משולבת + "אנטי קורס"

 

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

הגישה המשולבת מכוונת לקחת את היתרונות של שתי הגישות הקודמות:

  • מצד אחד לימוד פיזי של מרצה בקורס Data Analyst, ומבנה ברור של ההכשרה – 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.
במילים פשוטות – הגישה מכוונת להתמקד רק במשימות היוצרות ערך.

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 מרכיבים קריטיים בלבד:

 

  • 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 – ולא בתכנים שהם Nice to Have !

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


אלה אמנם נושאים מאוד חשובים.
העניין הוא שלוקח הרבה זמן ללמוד אותם – ואין להם באמת משמעות בקורות החיים בלי ניסיון מעשי.

לכן – מומלץ להתמקד בשלב הראשוני בלימוד ובפיתוח המיומנות האנליטיות באמצעות כלי ליבה בלבד כמו SQL;
את הנושאים המתקדמים יותר רצוי להשאיר ללימוד עצמאי במהלך העבודה כדאטה אנליסט.

 

אני אוהב לכנות את הגישה הזו כ"אנטי קורס", כי המהות שלה שונה ב-180 מעלות מקורס:

 

המטרה כאן היא לא רק ללמוד חומר טכני ו/או תיאורטי;

המטרה היא לפתח מיומנויות מעשיות וצורת חשיבה אנליטית.

או במילים אחרות: לעשות טרנספורמציה בצורת החשיבה והגישה לאתגרים;

 

מנסיוני, זה מה שממקסם את סיכויי הקבלה לעבודה ללא ניסיון, לא ללמוד עוד כלי טכני זה או אחר.

וזה מחייב גם ליווי והכוונה של מומחה, לא רק לימוד.

 


ויחד עם כל זה, חשוב לציין, שהמיקוד בשיטה המשולבת אינו "יש מאין".

בשביל לאפשר אותו – יש לבצע עבודת הכנה ולאסוף ידע חשוב לגבי התחום:
להבין "מי נגד מי";
להכיר מונחים חשובים;
ולהכיר את הנישות האנליטיות השונות בתחום.
כל אלה – בשביל לקבל החלטה לאן בדיוק רוצים לכוון.

 

עבודת ההכנה הזו יכולה לחסוך לכם חודשים של התברברות בדרך, וגם הרבה כסף על קורסים שבדיעבד תבינו שלא התאימו לכם.
לדאבוני, אין מספיק מילים בשביל לתאר לכם עד כמה הבעיה הזו נפוצה.
(בכל מחזור של סדנאות המבוא של 'מועדון הנתונים' יש כמה משתתפים כאלה…)

כנובע מכך – אפשר לגזור את הצעדים הבאים שיסייעו להתקבל לעבודה.
 

 

לסיכום

 

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.

 

ובמידה והגישה השלישית מסקרנת אותך –

הצעד הבא הוא לעשות את "עבודת ההכנה" עליה דיברנו – ולהירשם למשדר מיוחד בנושא:

'10 הטעויות שמחריבות לך את הסיכוי להפוך לדאטה אנליסט'.

 

זה משדר חובה לכל מי שמתחיל לשקול קריירה בתחום – הוא יכול לחסוך לך חודשים של תסכול והתברברות בגלל בחירות לא נכונות – רק בגלל "שלא היה לך את מי לשאול".

וכמובן בגלל שמי שרוצה להיות Data-Analyst – צריך לסגל הרגלים נכונים;
וההרגל הראשון הוא קודם כל לאסוף דאטה – ורק אז לקבל החלטות…

בהצלחה!

 

המשדר המיוחד: 10 הטעויות שמחריבות לך את הסיכוי להפוך לדאטה אנליסט!

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

Share
השארת תגובה