כמה כלים אנחנו באמת צריכים כדי לנתח נתונים?

נראה שכל שבוע יוצאים לשוק כלים חדשים, שפות תכנות, ספריות, פלאגים או "סתם" הרחבות (Extensions) לכלים אחרים, שהופכים את תהליך ניתוח הנתונים לפשוט יותר משמעותית, או חוסכים לנו מלא זמן כי הם מייתרים איזו משימה שאנחנו עושים כל שבוע. 

אפשר להבין למה אנשים שמחפשים להיכנס לתחום מוטרדים לעיתים קרובות מכמות הכלים/טכנולוגיות שהם יאלצו ללמוד. אבל השאלה הזו לא מעסיקה רק 

מתחילים, אלא גם אנשי מקצוע עם ניסיון של שנים. 

הנה שלושת השלבים או ה"רמות" שכדאי לעבור לדעתי לפני שמתחילים להתפזר:

מציאת "אולר שוויצרי"

 להתחיל עם כלי חזק אחד ולנסות לבצע איתו כמה שיותר מהתהליך. כנראה שאקסל היא הבחירה הכי טבעית למי שרוצה ללכת על בטוח, אבל יש כלי BI חזקים אחרים שיאפשרו לכם לנקות, לסכום, לנתח וכמובן להציג את הדאטה שלכם, מה שנותן מענה טוב לרוב הפרויקטים שתפגשו בתחילת הדרך. 

בתור מתחילים, לגשת לרוב האספקטים של התהליך מכלי בודד מוריד את עקומת הלמידה ומאפשר לכם להתמקד בלהבין טוב יותר את הנתונים ומה צריך לעשות איתם. 

ערכת כלים מאוזנת

שליטה בסיסית עד מתקדמת ב-4 סוגי כלים: 

גיליונות נתונים (למשל אקסל) - לתובנות מהירות, טבלאות ציר וגרפים בכמה קליקים בודדים.

 SQL - לשליפות נתונים פשוטות או מורכבות ממסדי נתונים. ככל שתתקדמו בלימוד השפה תתחילו להרגיש בנוח להשתמש ב-SQL כדי לבצע חלק משמעותי מניתוח הנתונים עצמו.

שפת תכנות (למשל Python) ליצירת אוטומציות, ניתוחים מתקדמים, סטטיסטיקה ברמה גבוהה או יצירת מודלים

כלי ליצירת דו"חות או דשבורדים (למשל Power BI) - ליצירת… דו"חות ודשבורדים 🙂 

הכלים האלו לרוב לא רק מעולים בשביל "לתקשר" את התובנות שלנו לשאר הגורמים בארגון, הם גם יכולים להיות כלים טובים לביצוע הניתוח עצמו.

שליטה ב"נציג" מכל קטגוריה כזו תאפשר לכם להתמודד בצורה יעילה עם משימות ניתוח נתונים שונות, ולהרגיש בנוח עם כל שלבי התהליך, החל מחילוץ הנתונים ועד להצגתם. אם אתם כבר עובדים בחברה, כדאי לברר באיזה כלים משתמשים אצלכם במשרד, זה יעזור לכם להחליט איזה כלים ספציפיים ללמוד.

פיתוח התמחות בכלים ייעודיים

עבור משימות ייחודיות ומורכבות, ייתכן שיהיה צורך בכלים פחות נפוצים אך יותר מותאמים לצורך נקודתי. לדוגמה, שימוש בקפקא להזרמת נתונים או עבודה מול מסדי נתונים שאינם טבלאיים (NoSQL) לטיפול בנתונים לא מובנים. 

יש שני חסרונות כאן: בגלל שמדובר בכלים שהם יותר "ספציפיים" מבחינת המענה שהם נותנים, באופן טבעי הם פחות נפוצים, וגם יש המון מהם. לכן ניסיון ללמוד אותם יכול להיות מתסכל כי שוב, יש המון, ויתכן שלא תגיעו להשתמש בהם מספיק או שאפילו תגיעו לעבוד בארגונים שלא שמעו עליהם. 

בנוסף, לדעתי מאוד קשה ללמוד את הכלים הללו ללא מיומנויות בסיסיות של עבודה עם נתונים בכלים "מסורתיים" יותר, לכן אני ממליץ להגיע לשלב הזה רק אחרי שעברתם דרך השלב השני. אבל אם כבר יש לכם בסיס מוצק, תוכלו להתאים ולשלב במהירות יחסית כלים יותר "אקזוטיים" בעבודה השוטפת שלכם, וזו אחלה דרך לבנות עבורכם מוניטין בתור ההוא/היא בחברה שיודע/ת להתעסק עם X.

כרגיל, הכי חשוב להמשיך לצמוח וכמובן ליהנות מהתהליך! 🤓