יתרונות הקורס

• כולנו חיים בעידן המידע ועובדים או שואפים לעבוד בארגונים שמגדירים את עצמם כ- Data Driven Company. ארגונים אלה בוחרים אסטרטגית קבלת החלטות על בסיס ניתוח דאטה שנאסף. תהליך ניתוח נתונים הוא תהליך מורכב ומאתגר. ככל שארגון אוסף יותר ויותר נתונים, נדרשת הבנה מעמיקה יותר של תהליכים עסקיים של הארגון ושליטה בכל הדאטה שנאגר. בסופו של דבר החיבור בין השניים מוביל להצלחה בהפקת תובנות עסקיות קריטיות חיוניות עבור הארגון. בשנים אחרונות תפקיד של אנליסט עבר אבולוציה מדהימה. הוא התחיל את דרכו הטכנולוגית בעבודה על קבצי אקסל, בעיקר, בהמשך נדרש לעבודה עם שפת SQL על מנת לבטל את התלות באנשי IT בארגון להשגת הנתונים הרלוונטיים לניתוח, רכש יכולת לעבוד עם כלי ויזואליזציה מתקדמים כגון Tableau ואחרים, ולבסוף כיום אנו עדים לדרישה בידע בכלים טכנולוגיים נוספים שמקפיצים את החשיבות ואת הערך שלו בארגון. ובפרט היכרות מעמיקה עם Python (כשפת תכנות שמהווה כלי נוח וגמיש יותר בעבודה עם דאטה לא טבלאי ותחקור אנליטי), אך גם יישום שיטות סטטיסטיות, עבודה עם נפחים גדולים של נתונים, היכרות עם עולם ה-Machine Learning ו-Big Data ויכולת לנתח נתוני Big Data. כיום ,תפקידו של אנליסט הנתונים אינו תחום ייחודי למגזר העסקי בלבד, אלא הוא תפקיד הנדרש בכל ענף עתיר נתונים, כולל גם מגזר ציבורי, זרועות הממשל השונות וכמובן בענפי המדע השונים. האנליסטים עובדים עם כלים מגוונים, נדרשים לחשיבה אנליטית על מנת להפיק ידע מהנתונים, כישורי למידה עצמית, ולרוב הם בעלי תארים אקדמיים בתחומים מדויקים. בין המשימות היומיומיות של האנליסט אפשר למנות: עבודה עם כמויות גדולות של נתונים (גם מול בסיסי נתונים רלציוניים וגם NoSQL) Querying Data – כתיבת שאילתות SQL ו-Python Data Processing – אינטגרציה, עיבוד והכנת נתונים לניתוח Data Modeling – מידול נתונים – בניית מודל נתונים שיושב בבסיסו של כלי BI המתאר קשרים בין הנתונים Dashboards and Reports – בניה ותחזוקת דוחות, מדדים וערכים, ופיקוח על ביצועי המוצר Data Visualization – יישום טכניקות ויזואליזציה להצגת נתונים גם בכלי BI וגם באמצעות Python יישום שיטות סטטיסטיות, A/B Testing וניתוח היעילות שלהם Data Analysis Project – יכולת להוביל פרויקטים אנליטיים מקצה לקצה כולל איסוף ומניפולציה על נתונים, מיזוג ומידול, הגדרת מדדים והערכת ביצוע, פתרון בעיות, עבודה עם בעלי תפקידים נוספים (מנהלי מוצר, מנהלי פרויקטים, מפתחים, אנליסטים, Data Scientists, Data Engineers ואחרים) כדי לבסס הבנה והיכרות עם הצרכים ומטרות ארגוניות