איך לכרות את הענף שאתה יושב עליו: מלכודות אנליזה

לא לא, זה לא כמו שזה נראה. אני לא הולכת לצאת על אנליסטים ולהסביר את מגבלות הז'אנר שלהם ולגרום ללא-אנליסטים לא לבטוח במקצוע החדיש הזה שאני חלק ממנו. זה בכלל לא מה שאני הולכת לעשות.

אני רק אצלול טיפה לסוגיות של אגו, הסתמכות רבה מדי על כלים טכנולוגיים, שאיפות להישגים שלא באמת משרתים אף אחד, וחוסר הבנה של הדינאמיקה בין העובדים להנהלה. המסקנות מתבססות על ניסיוני בעבודה במקומות שונים, ותפקידים שונים, במפגש עם אנליסטים מסוגים שונים, ותקופה קצרה של הוראת המקצוע במגמה בתיכון כדי להבין צד שונה לגמרי של הכשרה למקצוע בעולם משתנה. כדאי לקחת אותן, וכל תוכן שאתם צורכים, בערבון מוגבל.

אז הפעם, סקירה של מלכודות שעלולות לפגום במקצועיות של אנליסטים ובערך שאנחנו מביאים איתנו, סתם כדי שאפשר יהיה להתחיל לדון על כך בפתיחות.

מדעי הנתונים

כביכול מדובר במקצוע די חדש מהניילונים, אבל לא באמת. אפשר לחבר אותו בשורשים שלו למקצועות שונים שהתאדרו בשמות אחרים וכללו ספרנים, ארכיונאים, מידענים, חוקרים, סטטיסטיקאים, וכו. בפועל בעשור האחרון המקצוע התחיל להתגבש כפונקציה נפרדת ממושגים דומים אחרים וכיום כוללת מיליוני תתי כינויים בעולמות ההייטק- דאטה אנליסט, מדעני דאטה, מהנדסי דאטה, מנהלי פרויקט דאטה, מנהלי מוצרי דאטה, מנהלי מחקרי דאטה, מנהלי מערכות מידע, מנהלי מחקר מערכת מידע, מנהלי מדעני נתונים שמנהלים את מחקרי מערכות המידע וכן הלאה.

הכינויים האלה משמעותיים מאוד רק עבור אנשים שאוהבים להתאדר בהם, ככה שמה שצריך לזכור באמת היא סקאלה מאוד ברורה בין תפקידים שמצריכים כישורים טכנולוגיים כמו תכנות וסטטיסטיקה להפקת דו"חות (מהנדסי מאגרי נתונים למשל) לבין תפקידים שמצריכים ידע עסקי ומקצועי ומיומנויות רכות כדי לתרגם את אותם דו"חות לתובנות עסקיות בסוף היום עבור המנכ"ל. 

המטרה של כלל אנשי הצוות האלו (שבתקווה עובדים יחדיו ואף בסנכרון עם מקבילים להם במחלקות שונות וארגונים שונים) היא לאפשר קבלת החלטות מבוססות נתונים.

למה אנחנו בכלל רוצים לקבל החלטות מבוססות נתונים?

אנחנו בדרך כלל נעדיף שההחלטות שלנו יתבססו על משהו ולא יהיו שרירותיות לחלוטין. אם השכן מלמעלה אומר ששמע אזעקה וחייבים לרדת למקלטים, אנחנו ככל הנראה נבדוק את אפליקציית צבע אדום בטלפון שלנו כדי לוודא שזו באמת ההנחייה הרלוונטית לנו לפני שנקים את הילדים הישנים מהמיטות שלהם.

כנל לגבי החלטות שהבטחון שלנו לא תלוי בהן, כמו איזה מייבש כביסה לקנות, לאיזה סרט כדאי ללכת, ואיזו מסעדה מגישה את הסושי הכי מוצלח באזור. הרצון לבסס את ההחלטות האישיות שלנו על נתונים הוא אוניברסאלי, ורלוונטי לכל אספקט בחיינו. זה מעייף לקחת סיכונים כל הזמן, ומידע שיכול לתמוך או לשלול אחת מהאופציות יהפוך את ההשקעה שלנו ליותר בטוחה. זה לא עוזר כשהעולם מפגיז אותנו בנתונים כל הזמן וקבלת ההחלטות הופכת לקשה יותר פשוט כי הסינון והעיבוד של המשמעות של הנתונים מצריכה השקעה רבה יותר אפילו מהימור מוחלט.

כשמדובר בארגון או עסק שצריכים לקבל החלטה מקצועית, המצב לא שונה. לפעמים הרווח הכלכלי שלנו תלוי בהחלטות שנעשה. לפעמים ההשלכות של ההחלטות שלנו יכולות להשפיע על כלל העובדים שלנו, ועל הלקוחות שלנו, ואולי גם על אנשים נוספים. ככל שהשיקול של הרווח וההפסד הפוטנציאליים מהותי יותר, אנחנו נעדיף להסתמך על כמה שיותר מידע כדי לקבל החלטות, ככל שיש יותר מידע לסנן ולעבד, אנחנו נצטרך כישורים רבים יותר כדי לתרגם אותו לתובנות שיעזרו לנו לקבל את ההחלטות.

אנליסט שמחפש להתבלט הוא כמו מייבש כביסה תקול

כאמור, בשנים האחרונות אנליזה הפכה להיות סוג של סמל סטטוס. להחזיק אנליסט זה יקר. להחזיק צוות שמתחזק גם מערכות מידע, גם יודע לנתח נתונים כמותניים באופן סטטיסטי, גם לתחזק מחקר, וגם לספק תובנות מקצועיות- זה כבר מגה יקר. המרצה שלי שהכשירה אותי למידענות אמרה פעם- כשיש פיטורים בחברה, ככל הנראה האנליסטים יהיו הראשונים ללכת. אני תוהה אם זה מחזיק גם במציאות שהתפתחה לה, כשעסקים רבים נשענים על מחלקת אנליזה בלי בושה.

אבל חשוב לזכור- אנליסטים לא מספקים תפוקה מעצם היותם. הם לא אנשי המקצוע שעושים את העבודה, לא אלו שמקדמים רווח או מונעים הפסד. כל מה שהאנליסט עושה הוא לנתח את מה שאחרים עושים ולסמן למנהלים הבכירים עד כמה הם במסלול שעליו הם רוצים להיות. הערך של אנליסטים הוא ביכולת שלהם להצביע על כמה שיותר תובנות מקצועיות רלוונטיות שירחיקו את האופציות הפחות טובות מהשולחן וידגישו את הבחירות הכדאיות יותר עבור מקבלי ההחלטות. אנליסטים הם פיצ'ר משדרג, או גארניש על מנה. הם אינם מרכז העשייה, ויכולים להימדד לפי כמה שקטים אך יעילים הם, כמו מייבש כביסה. נתונים לרוב מדברים בעד עצמם, ואין צורך לעמוד עם מגפון ולצעוק עובדות. אם יש מידע נגיש מעודכן ורלוונטי לכל מי שמחפש, וההחלטות מתקבלות על הצד הטוב ביותר- האנליסט עשה את תפקידו.

אם ניקח לדוגמה את לוח השעונים ברכב שלנו- הדאשבורד- אנחנו נצפה שמד המהירות יציג את המהירות שבה אנחנו נוסעים, שמד הדלק יציג את כמות הדלק במיכל שלנו, ושהנוריות המהבהבות יפתרו מעצמן מבלי שנצטרך להגיע למוסך. לוח השעונים הוא לא מה שמניע אותנו מנקודה A לנקודה B, אבל בלעדיו יהיה לנו מאוד קשה לקבל החלטות מהותיות להמשך הנסיעה שלנו.

את מי הנתונים האלה משרתים

במובן מסוים, אם נמשיך את מטאפורת הרכב, האנליסטים צריכים להיות הקו שמחבר את ההנהלה הבכירה והאסטרטגיה עם העובדים והטקטיקה שננקטת- כלומר להציף את מצב הרכב לנהג.

אחת מהסוגיות שנתקלתי בהן במהלך השנים היא אנליסטים שמתבלבלים ומנסים לרבע את המעגל ולהציג להנהלה הבכירה את התמונה האידיאלית שהם היו רוצים לראות. נורא קל לשחק עם מספרים, וככל שהאנליסט יותר מיומן כך יהיה לו סט מיומנויות גדול יותר להציג איזה סיפור שירצה מתוך נתונים ניטרליים לחלוטין. זה כמובן מאוד מפתה לדייק את המציאות בשטח ככזאת שתומכת במטרות המוצהרות, או סתם להציג את הפרספקטיבה של ההנהלה והאסטרטגיה ולבקש מהעובדים המקצועיים להכניס את עצמם ואת תפוקתם לתוך מדד כזה או אחר (מקומות שמודדים אפקטיביות של עובדים ומתגמלים אותם על פי הספק- אני אסגור אתכם חשבון כבר בפוסט אחר).

הנקודה היא כזאת- התפקיד של אנליסט הוא לדאוג שמה שנעשה על ידי העובדים מוצג באופן מלא ומגובה בנתונים ומתווך באופן ברור להנהלה הבכירה. כלומר- אם יש אלמנטים בעשייה המקצועית שלא באים לידי ביטוי בנתונים שנמדדים- האנליסט כשל בתפקידו. אם יש הישגים שנמדדים באופן לא מדויק- האנליסט כשל בתפקידו. אם הצלחה נמדדת באופן שמשרת אינטרסים צרים- האנליסט כשל בתפקידו. אם מנהל בכיר יושב מול דו"ח מסוגנן ולא מקבל את התמונה המלאה של האתגרים, הכישלונות, הפערים בין הרצוי למצוי, והפוטנציאל הלא ממומש- האנליסט כשל בתפקידו. אם העובדים דואגים מביקורת ומדידה והערכה שלהם במקום להתרווח בכסא בידיעה שכל בעיותיהם יתוקשרו וכל הישגיהם יכובדו בדוחות שיפיקו האנליסטים- ניחשתם נכון- האנליסט כשל בתפקידו.

החובה שלו היא לייצג את הנעשה על ידי העובדים באופן מלא ומדויק, ולתווך את התמונה המועילה ביותר על מנת שההנהלה הבכירה תכיר את המורכבויות ויהיה לה מספיק חומר לקבל החלטות שטובות עבור כולם.

אינפלציה של כלים מול שיממון של תיאוריה

אם תסתכלו על סילבוסים של הכשרות דאטה אנליסטים תוכלו לראות ימבה כלים לניתוח, עיבוד והצגה של נתונים. רשימות על גבי רשימות של כלים, חלקם חדשניים ומהווים את חוד החנית והבסט פרקטיס, וחלקם היו בסט פרקטיס בתקופה שמחשבים ביתיים היו חוד החנית. אנשים מניחים שהכשרות מהסוג הזה הן מכונה לייצור אנליסטים, תכניס אדם רנדומלי מצידו האחד של המסוע ובצד השני יצא איש מקצוע מיומן שמסוגל להתמודד עם כל אתגר עסקי שיפול בחיקו.

בפועל, הכשרות מהסוג הזה מייצרות טכנאי נתונים- אנשים שיודעים לתפעל מערכת, שפה, תוכנה, כלי, כדי לקחת נתונים ולעשות איתם משהו כדי להוציא דו"ח. לא נאמר בזלזול- זוהי עבודה קשה וסיזיפית שמצריכה טכניקה והבנה טכנולוגית נרחבת שמישהו צריך לעשות בסופו של דבר. הבעיה מתחילה כשאנשים שהוכשרו לטכנאות נתונים נתקלים באתגרים מקצועיים בעולם האמיתי, והכישורים שהוקנו להם מגבילים אותם לפתרונות הטכנולוגיים שאותם הם למדו. לא כל המידע שיתקבל הוא כמותני. לא כל הידע המקצועי שנדרש לקבלת החלטה הוא ידע טכנולוגי. לא כל המידע נמצא בבסיס נתונים. לא כל שאלה מהותית אפשר לפתור בהצגת גרף. 

כשבניתי את תכנית הלימודים למגמת מידע ונתונים בתיכון, אי אז, מרבית הדגש שלי היה על תיאוריה ומדע הנתונים. מה הם נתונים? איך הם יכולים להיראות בעולם האמיתי? מה חשוב לשאול אותם? מה חשוב לשאול את אנשי המקצוע שעוסקים בעשייה עצמה כדי לקבל את התמונה המלאה? מה היא הסוגיה שנשאלת על ידי מקבלי ההחלטות? מה היא מפת האינטרסים המלאה שיושבת לצד השולחן? מה הן ההשלכות האתיות של כל החלטה פוטנציאלית? מהי השתלשלות האירועים שיכולה להוביל לנקיטת כל פעולה מסל הפעולות?

אלו לא שאלות שתמיד אפשר לענות עליהן במסגרת כלי טכנולוגי כזה או אחר, והרבה פעמים התשובות יגיעו מתוך שיחה עם אנשי המקצוע, קריאה של תיאוריות ומחקרים ממש כמו לפני כתיבת סמינר, ולעיתים תידרש חשיבה יצירתית כל כך סבוכה שרק ההסבר על איך הגענו למסקנה תצריך פגישה שלמה. נתונים כמותניים לא היו ולעולם לא יהיו כל התמונה, וזה מסוכן לחשוב שמי שמחזיק בדאטה סט הגדול ביותר הוא החכם ביותר. ללא הידע התיאורטי והמקצועי בתחום שעוסקים בו, והיכולת לחבר בין אינטרסים אסטרטגיים וההשלכות שלהם לנתונים שנאספים מהעשייה המקצועית והבנה מעמיקה של הרבדים שלה- אין ערך מוסף לאנליסט. הוא סך הכל מדפסת שמוציאה דוחות.

מגיפת הבאז וורדס

דאשבורדים. דאטה לייקס. AI. איזה כיף זה להיכנס לפגישה ולדבר על עשרות הדאשבורדים שמזינים לך מידע שוטף, ועל אלגוריתם ה-AI שסורק את הדאטה לייק העצום שלך, ועל כמה שאילתות אתה יושב בחודש. אין כבוד כמו הכבוד שמפגינים כלפי אנליסט שרובץ על הררי נתונים נוצצים במרתף של הארגון. האיסוף, הניקוי, הארגון, העדכון, והסנכרון של הנתונים הוא ככל הנראה החלק האהוב עליי בעבודה. אין מה לעשות. מכרות הדאטה הן המקום הבטוח שלי אליו אני צועדת כל בוקר בקריאות היי הו היי הו כמו גמד קטן ששלגיה מנקה לו את הבית. ידוע ומובן לי שהעבודה הקשה מתגשמת בסופו של דבר בתצוגה ויזואלית יפה שמעידה על כמות ההשקעה בה. זה מתגמל ומספק וממלא כמו לזכות בארוויזיון. 

זה שיש דאשבורד לא נותן לאף אחד כלום ושום דבר. כדי שדאשבורד יהיה שימושי הוא צריך להציג את המידע הנכון לאנשים הנכונים באופן שתומך בתהליכים שלהם, וכדי לספק את זה, עלינו להבין את מפת האינטרסים, מה אנחנו מנסים להשיג כארגון/עסק/חברה, לאן אנחנו שואפים, איך אנחנו מגדירים הצלחה, איך אנחנו מגדירים כישלון, מה הם שלבי המסע שאנחנו מצפים לעבור בדרך, ואילו סוגיות יכולות לשנות את האופן בו אנחנו הולכים במסע הזה.

דאשבורדים לא יכולים להיות אסופה של גרפים צבעוניים, ולא יכולים להסתכם באינטראקטיביות של סינון ומיון נתונים. כמו שלא יעזור לנו אם הדאשבורד ברכב יציג לנו את כמות הפעמים שלחצנו על הגז במהלך נסיעה, כך גם בדאשבורד שאמור לסייע בקבלת החלטות בחירת הנתונים ואופן הצגתם יצטרכו להיות מעוצבים לא רק על בסיס הידע המקצועי שלנו, אלא מתוך הפרספקטיבה של הצופה המקצועי. 

דאטה לייקס הם באזוורד נוסף חסר משמעות, כי לא משנה כמה גדול המסד שלך, וכמה קשה לקרוא אותו, וכמה בוטים של AI סורקים אותו וכמה אלגוריתמים רצים עליו- אם השאלות שנשאלות לא נותנות למשתמש הקצה תשובה של כן ולא לשאלות שלו, לא מציגות לו מה הוא עושה נכון ומה הוא צריך לתקן כדי להגיע ליעד הברור והידוע שהוא הגדיר לעצמו, על פי מדדי ההצלחה שהוא קבע לעצמו מתוך הניסיון המקצועי שלו- העבודה של האנליסט היא חסרת משמעות.

אז מה עושים?

זוכרים שאנליסטים הם מנגנון ביקורת עצמית שצריך להיות מסוגל להציג הצלחות לצד בעיות, גם אם זה קשה לעיכול.

מתמקצעים בכישורים מולטי-דיסצפלינריים שמספקים זוויות רחבות ומעשירים את הנתונים שלנו, גם פילוסופיה.

מפסיקים לשאוף לדאשבורדים ומתחילים לשאול את העובדים בשטח מה האתגרים שלהם ומשתמשים בכוחות העל שלנו כדי להציע פתרונות, גם אם הפתרונות הם לאו-טק.

ובעיקר בעיקר- לא נקשרים רגשית לתפקיד כסמל סטטוס, ומבינים שנפלנו על 15 דקות התהילה של תחום מתפתח. בעוד חמש שנים אף אחד לא יתלהב מהנישה המקצועית הזאת, וראוי לנו לקחת את עצמנו בפרופורציה.