משימות של דאטה אנליסט – איך להפוך מספק נתונים לקומנדו של תובנות

באחת הסדנאות שאני עורך שאלה אותי משתתפת את השאלה הבאה:
עד כמה דאטה אנליסט עצמאי בבחירת המשימות והפרויקטים שלו?
או במילים אחרות:
האם משימות של דאטה אנליסט זה משהו שאפשר לבחור?

אז ככה:

בגדול – דאטה אנליסט הוא מקצוע מאוד מגוון, ולכן בכל ארגון התפקיד שלו יכול להיות בעל מיקוד שונה ממקומות אחרים.

לדוג: ביחידה תפעולית בבנק אנליסט יכול לקבל הרבה מאוד בקשות לשליפת נתונים מכל אנשי היחידה – וזו תהיה הפעילות העיקרית שלו;
ביחידת המטה של הבנק אנליסט יקבל משימות קצת יותר מחקריות;
בסטארטאפ המשימות יהיו יותר הקמה של דשבורדים או אפיון שוטף של נתונים שהמתכנתים צריכים לשמור בכלי האנליטי.

ככלל, קיימים 4 סוגים עיקריים של משימות של דאטה אנליסט :

סוג א' – שליפות נתונים אד-הוק לטובת המשתמשים/מנהלים בארגון.

האנליסט מקבל בקשה ממשתמשים להוציא נתון X, ועליו להבין איך להפיק את הנתון מצד אחד בצורה המדויקת ביותר, ומצד שני בצורה המהירה ביותר.

סוג ב' – מחקרים/ניתוחים אנליטי מהירים

דומה מאוד לשליפות אד-הוק, רק שכאן יש גם שכבה נוספת של ניתוח נתונים והסקת מסקנות.
זה כבר מחייב את האנליסט לתכנן ברמה האנליטית:
מהן הפעולות הנדרשות על מנת לשלוף את הנתונים ולנתח אותם בשביל להסיק מסקנה או הערכה.

סוג ג' – מודלים לחיזוי

כאן המיקוד הוא כבר יותר מחקרי – ליצור יכולת חדשה שלא היתה בארגון עד היום:
מודל לחיזוי נטישת משתמשים, דירוג לקוחות וכיו"ב.
המטרה של המודלים האלה היא לאפשר לארגון יכולות חדשות – שיאפשרו לו שיפור משמעותי בביצועים.
ניקח לדוגמה דירוג של לקוחות פוטנציאליים כבר בתחילת תהליך המכירה.
עם דירוג כזה נוכל לנתב כל לקוח כזה לתהליך מכירה ייעודי בהתאם לפרופיל שלו.
כך, נוכל לשפר בצורה משמעותית את סיכויי המכירה מצד אחד, ולמנוע בזבוז של משאבים יקרים.
(לדוגמה: אובדן זמן של אנשי מכירות על לקוחות פוטנציאליים עם סיכוי רכישה נמוך או בסכום נמוך)

סוג ד' – אפיון דרישות נתונים ותהליכי נתונים קבועים

בכל משימת הפקת נתונים שחוזרת על עצמה, או מודל חדש שפותח – נרצה בסופו של דבר שהם יוטמעו וירוצו באופן שוטף במערכות המידע.
מהות משימת האפיון היא להגדיר לאנשי מערכות המידע (BI) את הדרישות לאיסוף נתונים חדשים.
או לחילופין – עיבוד עליהם בהתאם לדוחות/מחקרים/מודלים שהאנליסט הפיק בעבר.
תחת משימה זו נכנס גם נושא בניית הדשבורדים (שאנליסט לא מבצע לבד ברמה הטכנית, אלא בעיקר מאפיין).
ישנם ארגונים שבהם האנליסט יכול גם לממש דוחות כאלה במערכות המידע.

 

בכל תפקיד של דאטה אנליסט נבצע את ארבעת סוגי המשימות – השאלה היא באיזה תמהיל.

כך, לדוגמה, אנליסט ביחידה עסקית/תפעולית יבצע בעיקר שליפות נתונים, מחקרים מהירים ואולי גם יאפיין דרישות;
לעומתו – Data Scientist יעסוק בעיקר בפרויקטים של פיתוח מודלים ואפיון דרישות הנתונים הנגזרות ממודלים אלה.

בכל המקרים האלה – רוב המשימות אינן משהו שהאנליסט מחליט עליו.
מי שמחליט הוא המנהלים שלו – בין אם מדובר בראש הצוות האנליטי, מנהל היחידה העסקית, מנהל המוצר, CTO וכיו"ב.

אז לכאורה אין לדאטה אנליסט גמישות במשימות שהוא עושה.

רגע, אז אני סתם גורם ביצוע?

אז קודם כל, מטבע הדברים, בתחילת הדרך עדיין אין מספיק ניסיון וידע מקצועי בשביל להיכנס לנושאים המורכבים כמו פיתוח מודלים.
בשביל לצבור ניסיון צריך לא מעט פעילות של הוצאת דוחות וניתוחים אנליטיים, וכך יש להתייחס אליהם – לא בתור "ספק נתונים", אלא בתור לימוד של צרכי משתמשים בארגון.

מעבר לכך, בכל רגע נתון יש לדאטה אנליסט טיפוסי הרבה מאוד משימות – שליפות, מחקרים ואפילו פרויקט או שניים של פיתוח מודלים.

ובכל ים המשימות הזה נדרש לבצע תיעדוף למשימות החשובות ו/או הדחופות, וכאן בהחלט יש גמישות למשימות.

אגב – כשיש הרבה מאוד בקשות לנתונים בארגון, קל מאוד להישאב פנימה – ולמצוא את עצמנו עוסקים רק בזה.

אבל, המהות של מקצוע הדאטה אנליסט היא לא רק להוציא דוחות…
המהות היא בעיקר למצוא תובנות חדשות וליזום מחקרים חדשים שיוכלו להציף כל הזמן תובנות.

ולכן – עומס העבודה השוטפת בבקשות נתונים היא אילוץ, משהו שצריך ללמוד איך להתמודד איתו ולהוריד אותו.
זו החלטה, לא גזירת גורל.

רק אחרי שנצליח להוריד את עומס העבודה השוטף – נוכל להתפנות לדברים היותר מעניינים – מחקרים ומודלים – שמטבע הדברים הם גם בעלי פוטנציאל השפעה רחב על הארגון.

וזה בהגדרה משהו שחונה במגרש שלנו כאנליסטים.

איך עושים את זה? איך מצליחים לבחור בעצמנו את המשימות האנליטיות?

יש מספר כלים לכך:

  • תעדוף חכם – חוק 20:80
    חשוב מאוד לקחת כל משימה שמקבלים, ולהעריך האם ניתן לתת בה תשובה מהירה/חלקית/לא מדויקת לחלוטין. אם נצליח – נחסוך לעצמו הרבה מאוד זמן ונוכל להתפנות לעסוק בנושאים יותר מהותיים ומעניינים.
    צריך לזכור, שברוב המקרים משתמשים יעדיפו לקבל תוצאה "מספיק טובה, בכיוון" מהר מאוד (מספר שעות עד יום), מאשר תוצאה מדויקת תוך שבועיים…
    חשוב להתחיל לנהל מעין מו"מ עם המשתמשים ולהבין מה המינימום ההכרחי שיספק אותם. חמש דקות של שיחה יכולות לפעמים לחסוך ימים שלמים של עבודה.
  • אוטומציה
    קיימות לא מעט משימות שחוזרות על עצמן בתפקיד, בדגש על דוחות מאוד מסוימים.
    אם הדוחות האלה היו הופכים בין לילה לאוטומטיים – אפשר לחסוך הרבה מאוד זמן עבודה יקר.
    אוטומציה אפשר גם לעשות על תהליכי עבודה תפעוליים מסוימים שגוזלים משאבים – באמצעות יצירת שליפות/ קבצי אקסל או אפילו מערכות מידע מקומית (בכלים כמו Access) – שייצרו שפה משותפת עם משתמשים.
    זה לוקח זמן ליצור את המנגנון, אבל אחרי שיצרנו אותה זה מפנה הרבה מאוד זמן.
  • שריון זמן – "חוק פרקינסון"
    לפי החוק – משך הזמן שייקח לבצע משימה מסוימת הוא בדיוק משך הזמן שיוקצה לה. במילים אחרות – אנחנו מחליטים כמה זמן נשקיע במשימה מסוימת.
    מהי המשמעות? המשמעות היא שהשליטה באילו משימות נבצע כאנליסטים היא רק שלנו.
    איך זה מתבצע הלכה למעשה?
    צריך להגדיר אחוז מהזמן שלנו שיוקדש לכל סוג משימה. את המשימות השוטפות צריך לתחום – ולשריין גם משימות פיתוח מודלים או מחקרים אנליטיים.

 

לסיכום

לכאורה, כאשר מגיעים לתפקיד ראשון בתור דאטה אנליסט – אנחנו מקבלים בתור נתון את המשימות שעלינו לבצע.

אבל למען האמת – יש לנו הרבה מאוד שליטה במשימות שלנו – בעיקר באילו משימות אנחנו רוצים להתמקד ולהתעמק. ההחלטה הזו היא לחלוטין שלנו.

בתחילת הקריירה שלי – הייתי עמוס מאוד במשימות שוטפות שלא מאוד הועילו לארגון – וגרמו לי להרגיש שחיקה.
אבל מצד שני – המצב הזה גרם לי להתפתח, ולהבין שעליי לבחור בעצמי את המשימות בהן אני רוצה להתמקד. זה אמנם לא לקח יום או יומיים, אלא יותר בכיוון השנתיים, אבל בסופו של דבר יצרתי את המנגנון שאפשר לי להתפנות כמעט לחלוטין מהעבודה השוטפת, ולהקים פעילות מחקרית חדשה – שההשפעות שלה ממשיכות להתקיים עד היום.

השורה התחתונה – הכל בידיים שלך!

 

Share
השארת תגובה