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';
למועמד/ת אחד/ת יתאים ללמוד לבד;
לאחר/ת יתאים ללמוד עם קורס ארוך;
ולשלישי/ת יתאים תהליך משולב הכולל ליווי אנליטי מותאם אישית.
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 הסוגים של קורס Data Analyst –
אני רוצה להקדים ולהזמין אתכם/ן להירשם כבר עכשיו למסטרקלאס מיוחד, העוסק בשיפור הסיכויים להתקבל לעבודה כדאטה אנליסט;
המסטרקלאס יכול לחסוך לכם חודשים של התברברות מתסכלת ומייאשת בתהליך הלימוד וחיפוש העבודה.
אז קדימה – בואו נפרט את 3 סוגי הקורסים!
סוג ראשון – "בית ספר לאנליסטים" או קורס Data Analyst "בקטנה"?
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.
הגישה 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 Data Analyst"
(גילוי נאות: הגישה המשולבת ממומשת במסגרת מועדון הנתונים).
הגישה המשולבת מכוונת לקחת את היתרונות של שתי הגישות הקודמות, ומוסיפה להן נדבך נוסף:
- מצד אחד לימוד עם מרצה בקורס Data Analyst, ומבנה ברור של ההכשרה – מצד אחד.
- לימוד עצמי גמיש ומהיר של קורס Data Analyst דיגיטלי – מצד שני.
- ומצד שלישי – תכנון, ליווי ופיצוח אתגרים אישי ע"י מומחה של כל בעיה ואתגר שיעלו במהלך תהליך הלימוד וחיפוש העבודה.
(וזה קורה הרבה יותר ממה שחושבים…)
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;
זה לא מה שעושה את ההבדל בשיפור סיכויי הקבלה לעבודה.
מה שכן עושה את ההבדל הוא 2 היבטים ייחודיים אחרים:
קודם כל לפתח מיומנויות מעשיות וצורת חשיבה אנליטית;
ובנוסף לפצח את סט האתגרים הספציפיים שיש לכל מועמד/ת (והם שונים בין מועמדים).
או במילים אחרות: לעשות טרנספורמציה בצורת החשיבה והגישה לאתגרים;
מניסיוני, זה מה שממקסם את סיכויי הקבלה לעבודה ללא ניסיון, לא ללמוד עוד כלי טכני זה או אחר.
וזה מחייב לא רק לימוד טכני כמו בשתי הגישות הראשונות – אלא גם ליווי והכוונה אישיים של מומחה.
יחד 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 את הנישות האנליטיות השונות בתחום;
ובהתאם – מה קריטי עבור כל מועמד/ת ומה מיותר.
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.
לצערי, אין מספיק מילים בשביל לתאר לכם עד כמה הבעיה הזו נפוצה.
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 למסטרקלאס מיוחד בנושא:
'רגל בדלת: קיצורי הדרך לעבודה כדאטה אנליסט'.
זה מסטרקלאס 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!
קורסים, הכשרות וייעוץ שאולי יעניינו אותך –
מהחנות האנליטית של 'מועדון הנתונים'!
מסטר קלאס 'הרגל בדלת' לדאטה אנליסט
סיסטם 'הפרופיל המנצח' לראיון עבודה
תכנית ההכשרה 'הסיירת האנליטית'