מה ההבדל בין Data Analyst ל-Data Scientist ?

 

עולם הדאטה בצמיחה, זה לא סוד.

אך למרות שהוא נמצא בבאז כבר קרוב לעשור – עדיין ישנה הרבה מאוד אי בהירות בנושא.
התחושה היא שישנם מיליון מונחים מצד אחד, אבל מעט מדי אנשים שבאמת מבינים את ההבדלים ביניהם…

בכל אחת מסדנאות המבוא לגבי התחום, שואלים לא מעט משתתפים לגבי הנישות השונות הקיימות בעולם הדאטה, ומה בדיוק ההבדלים ביניהן.

במאמר הזה ננסה לשפוך יותר אור על תחום אנליזת הנתונים וההתמחויות השונות שיש בו, וסופסוף להבין את התשובה לשאלה הנפוצה שאיתה התחלנו.

 

בצורה יותר רחבה – ננסה להבין מהם ההבדלים המהותיים בין הנישות השונות:

  • דאטה אנליסט – Data Analyst
  • אנליסט עסקי – Business Analyst
  • מדען נתונים – Data Scientist
  • אנליסט שיווק – Marketing Analyst
  • אנליסט BI
  • ועוד כמה סוגי אנליסטים שמישהו יצירתי קם בבוקר והחליט ליצור…

 

 

 

טוב, אז רגע לפני שנמשיך עם כל הפרטים לגבי הנישות בתחום –

 

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…

 

 

"כשאת אומרת אנליסטית (או אנליסט) – למה את מתכוונת"?

 

אז אנליסט הוא מונח יחסית רחב, אשר קיים כבר לא מעט שנים.
למען האמת, אנליזת הנתונים היא יחסית תחום חדש במקצוע האנליסט – זו בעצם משפחה נפרדת לחלוטין של מקצועות, והיא שונה באופן משמעותי מהאנליסט הקלאסי המנתח חברות ומניות.

אז קודם כל ולצורך תיחום – יש אנליסטים פיננסיים – כלכלנים שמנתחים מניות וחברות.
שני אלה לא רלוונטיים אלינו, כי הפוקוס שלהם הוא איכותי, ולא עיסוק כמותי בנתונים.
כן – גם כאשר הם יושבים כל היום מול גרפים של 'נרות' במסכים של המסחר בבורסה.

 

בשונה מהם, האנליסטים של היום עובדים מול מה שמכונה "הנפט של המאה ה-21" – נתונים.

 

ובעולם שבו מיוצרים כל כך הרבה נתונים, ובקצב הולך וגדל – צריך מישהו שיבין מה לעשות איתם…

 

אז איך ממפים את הנישות השונות ומבינים את ההבדל בין Data Analyst ל-Data Scientist?

 

במשפחה של דאטה אנליסט יש הרבה סוגי אנליסטים – והמיפוי שלהם הוא לפי שני מימדים נפרדים:

  • פונקציונלי – מה המיקוד שלהם – עסקי/תפעולי, מחקרי-סטטיסטי או תכנותי-טכנולוגי.
  • היחידה העסקית בארגון שבה הם פועלים, ובכלל – המהות של הארגון.

 

בחלק גדול מהמקרים – קיימת קורלציה בין השניים.

 

מיפוי פונקציונלי – המוקדים במקצועות ניתוח הנתונים

 

מה ההבדל בין Data Analyst ל-Data Scientistבמקצועות ניתוח הנתונים קיימים ארבעה מימדים, או יותר נכון – מוקדים, כאשר השילוב של עולמות התוכן הללו מגדיר את סוג האנליסט.

 

המוקד הראשון – צד הביזנס
צד הביזנס כולל גם את ההיבטים היותר שיווקיים-מכירתיים של החברה, אבל גם את הצדדים התפעוליים.
לדוגמה: לחברת תעופה יש גם את צד השיווק והמכירות, אבל התפעול שם עוסק באיך מטיסים מטוס ואיך מתחזקים אותו. בכל אחד מהצדדים נצברים הרבה נתונים וניתן להשתמש בהם עם מנת למכור יותר, או לשפר את היעילות (לדוגמה: איך לחסוך בדלק, או להציע שירות טוב יותר).

 

המוקד השני – צד המחקר
צד המחקר כולל את ההיבטים היותר כמותיים-מתמטיים של המקצוע, הקשורים להפקת תובנות מתוך הנתונים.
רוב ההיבט המחקרי הוא סטטיסטי, אך לא רק.
בין השאר כאן נכנסים לתמונה מודלים לחיזוי, בדיקות מובהקות, ויזואליזציות, מתודולוגיות סטטיסטיות וכיו"ב.

 

המוקד השלישי – צד הטכנולוגיה
המרכיב השלישי בעבודה של האנליסט היא ההיבט הטכנולוגי.

במסגרת הזו נכללים שלושה גורמים עיקריים:
א. כלים אנליטיים המסייעים לעבד נתונים ולנתח אותם, כולל הרצה של אלגוריתמים. לדוגמה: כלי SQL, או גוגל אנליטיקס.
ב. שפות קוד – כמו SQL, Python ו-R.
ג. יכולת ניתוח תהליכי זרימת נתונים והיכרות עם עולם פיתוח תוכנה וארכיטקטורות נתונים.

 

המוקד הרביעי – צד התהליכים
צד התהליכים הוא מעין 'מתווך' בין 3 המימדים הקודמים, שכן תהליכים קיימים בכל אחד מהם.

המיקוד כאן  הוא ביכולות אפיון וניתוח מערכות ותהליכים, המאפשרים מצד אחד הבנה של הצרכים העסקיים, מצד שני מיפוי מתודולוגיות אנליטיות וסטטיסיות לצורך הפתרון, מצד שלישי – תהליכי נתונים נדרשים, ולבסוף – הטמעת התוצרים בתהליכים התפעוליים בארגון.

 

ואיך המוקדים האלה עוזרים להבין את ההבדל בין Data Analyst ל-Data Scientist?

אז התשובה היא, שבהתאם למוקדים האלה, ישנם מספר סוגים של אנליסטים:

 

  1. אנליסט-כלכלן (נקרא במקומות מסוימים גם Business Analyst)
    נמצא בעיקר ביחידות עסקיות-תפעוליות ותומך במשתמשים.
    לרוב, הוא לא כותב קוד אלא גוזר נתונים מכלי BI.
    המיקוד שלו הוא עסקי מאוד, ולרוב מי שיעסוק בתחום הוא כלכלן.
  2. דאטה אנליסט 'טיפוסי'
    יושב לרוב ביחידת מטה בארגון, או ביחידות תפעוליות.
    עיקר העבודה שלו היא לגזור נתונים מ-SQL, לעבד אותם ולהוציא דוחות או מחקרים נקודתיים, ובנוסף לפתח מודלים של Predictive Analytics.
  3. אנליסט דיגיטל
    פעיל בעיקר בעולמות ה-Online וההייטק.
    הפוקוס שלו הוא פחות מחקרי, אלא יותר שימוש בכלי אנליטיקס ושיווק דיגיטלי בשביל ניתוח מהיר של נתוני התנהגות המשתמשים.

    בנוסף – תכנון ניסויי A/B Testing במוצר – בשביל להבין יותר טוב את  צרכי המשתמשים.
  4. מדען נתונים/Data Scientist
    נמצא בעולם הטכנולוגי ולא ביחידות תפעוליות, בעיקר במקומות בהם יש הרבה מאוד נתונים (Big Data).
    הוא בעצם מתכנת, והוא מפתח ומשתמש באלגוריתמים של Machine Learning על מנת לזהות כיוונים בעולמות שבהם אין מומחה תוכן עסקי, אלא רק המון נתונים…

 

חלוקה ליחידה עסקית ומהות הארגון

בנוסף לחלוקה הפונקציונלית לפי מאפייני הפעילות של האנליסט – עסקית/מחקרית/טכנולוגית – קיימת גם חלוקה הנוגעת ישירות למהות הארגון.
לארגונים פיננסיים הצורך העסקי הוא ניהול סיכונים – וישנם אנליסטים האחראים לכך, ובארגונים מוטי מכירות – ישנם הרבה אנליסטים בתחום השיווק.

להלן מספר תחומי פעילות עיקריים – ומיפוי לפיהם של סוגי האנליסטים:

  • אנליסט שיווק – אנליסט שיושב ביחידת השיווק בארגון.
  • אנליסט אשראי/הונאות – Business Analyst אשר פועל רק בארגונים פיננסיים העוסקים במתן אשראי ו/או במניעת הונאות.
  • אנליסט סייבר – דומה מאוד לאנליסט הונאות, אך ייתכן שישתמש ב-Machine Learning, ולכן יכול להיות אפילו Data Scientist. תלוי בארגון.
  • אנליסט משאבי אנוש/תמריצים – כנ"ל.
  • אנליסט BI – "יצור כלאיים" בין דאטה אנליסט ל-BI.
    ברוב המקרים, יהיה מדובר יותר במפתח BI, ופחות באנליסט – כלומר יותר "טכנאי דוחות" ופחות חוקר דאטה.
    זה מאוד משתנה מארגון לארגון, ולכן חשוב מאוד לדעת איך מזהים את מהות התפקיד בהתאם לחברה עצמה – לפני שמתחילים לעבוד שם ושורפים זמן יקר…
  • Product Analyst / Growth Analyst – אנליסט בסאטרטאפים או חברות הייטק המפתחות מוצר תוכנה.
    סוג זה של אנליסט אחראי על ניתוח נתוני השימוש במוצר – במטרה לזהות את צרכי המשתמשים ולתת להם מענה טובה יותר, ולסייע לכוונן את הפיצ'רים הבאים במוצר, מה שייצור צמיחה (Growth).

 

אז איזה סוג של אנליסט מתאים לך להיות??

מקצוע אנליזת הנתונים נמצא כיום בבאז אדיר, ולא בכדי.
הוא האותוריטה בארגון האחראית על לקחת את המסה האדירה של נתונים, לנתח אותם מכל כיוון אפשרי, ולהפוך אותם לתובנות.
אותן התובנות – יאפשרו זיהוי הזדמנויות במוצר או בשירות – ומימוש שלהן יוכל להביא לצמיחה משמעותית בארגון.

הכל, כמובן, בהתאם לנישה שבחנו.

 

 

אבל יש קאץ' לכל המילים היפות האלה…

כי הנישות שתוארו כאן הן עדיין רק 'על קצה המזלג', וקיימים לא מעט ניואנסים לגביהן.

 

לכן, לפני שאתם קופצים למים ומנסים להבין איזה קורס לקחת או מה בדיוק ללמוד, קריטי לעשות עבודת הכנה יסודית ולאסוף עוד ידע חשוב לגבי התחום:

להבין "מי נגד מי", להכיר מונחים חשובים, להעמיק בהיכרות ובזיהוי הנישות האנליטיות השונות בתחום, להתמקד על מה נדרש ללמוד, להיחשף לתהליך המיון לתפקידים, להבין את צורת "החשיבה האנליטית" ועוד…

כל זה מיועד בשביל שתוכלו לקבל החלטה לאן בדיוק תרצו לכוון ואיך לרוץ לשם בצורה הכי מהירה ויעילה.
מעין "GPS לכניסה לתחום".

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 סדנת המבוא/ סשן הלייב של 'מועדון הנתונים' יש כמה משתתפים כאלה…)

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

 

לסיכום

 

במסגרת המאמר מיפינו מספר נישות עיקריות של תחום אנליזת הדאטה על פני מספר מימדים.

חשוב שוב לציין שאין סטנדרט אחד, וכל נישה עשויה להיות מעט שונה בין חברה לחברה, ואפילו בין שני אנשי מקצוע באותה החברה.

בנוסף, לכל אחד יש אופי אחר ותפיסת עולם ייחודית – ולכן חשוב לבחור את הנישה שתתאים ספציפית עבורך, וזו בעצם השורה התחתונה של המאמר.

 

ובמידה ועדיין לא לחלוטין ברור לך איזה סוג של אנליסט הכי מתאים לך או איך לזהות משרות שיתאימו (וזה מאוד הגיוני, כי שוב – יש הרבה ניואנסים בתחום) –
הצעד הבא הוא לעשות את "עבודת ההכנה" עליה דיברנו – ולהירשם למשדר מיוחד בנושא:

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

זהו 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