שאלות נפוצות, תשובות מומלצות וטיפים מקצועיים
בניתי דשבורד מכירות ב-Power BI שמחבר נתונים מ-Salesforce, ERP ו-Google Analytics. יצרתי data model עם star schema, כתבתי measures מורכבים ב-DAX, ובניתי 15 דפי דשבורד אינטראקטיביים. הדשבורד הפך לכלי קבלת ההחלטות המרכזי של ההנהלה.
עשיתי גרפים ב-Excel.
אני עובד בשיטת dimensional modeling — fact tables ו-dimension tables ב-star schema. מגדיר את ה-grain של כל fact table, מזהה את ה-dimensions הנדרשים, ובונה relationships נכונים. דואג ל-slowly changing dimensions ולניהול היסטוריה. בפרויקט האחרון בניתי model שמאחד 8 מקורות נתונים.
אני מחבר את הטבלאות ורואה מה יוצא.
SQL הוא הכלי המרכזי שלי. כותב queries מורכבים עם window functions, CTEs, subqueries ו-recursive queries. יש לי ניסיון עם query optimization — reading execution plans, indexing strategies ו-partitioning. בנוסף, כתבתי stored procedures ו-ETL logic ב-SQL.
אני יודע SELECT, JOIN ו-GROUP BY בסיסי.
אני מתחיל מה-insight העסקי ולא מהנתונים. מציג את ה-so what ולא רק את ה-what. משתמש ב-storytelling עם data — בונה נרטיב עם visualizations ברורים. למשל, במקום להציג 20 גרפים, הצגתי למנכ״ל 3 slides עם תובנות פעולתיות שהובילו לשינוי אסטרטגיה.
אני שולח דוח עם כל הנתונים.
BI מתמקד בדיווח ו-monitoring — מה קורה ומה קרה. Analytics הולך צעד קדימה — למה קרה ומה יקרה. אני מכסה את שניהם: בונה דשבורדים ל-operational reporting, ובמקביל עושה ad-hoc analyses לענות על שאלות עסקיות ספציפיות.
זה אותו דבר רק שם אחר.
שיטת STAR: Situation, Task, Action, Result — הדרך הטובה ביותר לענות על שאלות התנהגותיות.
הנהלת החברה קיבלה החלטות לפי gut feeling כי לא היה מקור נתונים אחיד — כל מחלקה עבדה עם Excel שלה
הייתי צריך לבנות data warehouse ודשבורדים שייתנו single source of truth לכל הארגון
מיפיתי את מקורות הנתונים, בניתי ETL pipeline עם dbt, יצרתי data warehouse ב-BigQuery, ובניתי 8 דשבורדים ב-Looker עם KPIs מוסכמים. הכשרתי 30 משתמשים
זמן הכנת דוחות ירד מ-3 ימים לשעה, 90% מההנהלה משתמשים בדשבורדים יומית, והחברה חסכה 500K שקל בשנה בהחלטות מבוססות נתונים
הכר לעומק את כלי ה-BI הרלוונטי: Power BI, Tableau, Looker
תרגל SQL מתקדם — window functions, CTEs, optimization
הכן דוגמאות של דשבורדים שבנית — screenshots או portfolio
הדגש את היכולת לתרגם נתונים לתובנות עסקיות
הכר את המושגים: star schema, slowly changing dimensions, ETL/ELT
הכן שאלות על מקורות הנתונים והאתגרים האנליטיים של החברה
חוסר יכולת לכתוב SQL מתקדם
להתמקד רק בוויזואליזציה בלי הבנה של data modeling
לא לדעת לדבר בשפה עסקית — רק טכנית
חוסר תשומת לב לאיכות נתונים
לא להכיר את ה-BI tool הרלוונטי לתפקיד
לבוש עסקי-קז׳ואל. חולצה מכופתרת ומכנסי בד. BI analysts עובדים בממשק עם הנהלה, אז כדאי להיראות מקצועי. בחברות הייטק — קצת יותר קז׳ואל.
תלוי בשוק. בישראל Power BI דומיננטי בגלל המחיר ואינטגרציה עם Microsoft. Tableau נפוץ יותר בחברות גלובליות. Looker עולה בסטארטאפים שעובדים עם Google Cloud. הכר לפחות אחד לעומק.
זה יתרון גדול אבל לא חובה. Python מאפשר ניתוחים מתקדמים שלא ניתנים בכלי BI סטנדרטיים, ועוזר באוטומציה. אם אתה שואף לתפקידים בכירים, כדאי ללמוד.