מועדון הנתונים – הזירה האנליטית

חשיבה ביקורתית – יכולת קריטית בעולם של דאטה ונרטיבים

אייל — Tue, 07 Jan 2025 12:19:06 +0000

חשיבה ביקורתית -

יכולת קריטית בעולם של דאטה ונרטיבים

בימים שבהם הנתונים והכותרות מציפים אותנו, חשיבה ביקורתית היא כלי שלא ניתן לוותר עליו.
מדובר ביכולת לנתח עובדות וטענות, לזהות הטיות, ולהסיק מסקנות רציונליות שמבוססות על המידע הגולמי – בנטרול אג'נדות או רגשות.
זה נכון בכל עבודה עם דאטה כיום, ויהפוך אפילו להרבה יותר דרמטי בעידן ה-AI, שבו הדאטה עשוי להיות מורכב, מוטה או אפילו מומצא לחלוטין…

מהי חשיבה ביקורתית?

חשיבה ביקורתית כוללת ניתוח של עובדות, הצלבת מקורות, וזיהוי מגמות והקשרים.
כאשר אנחנו בוחנים נתונים, חשוב להבין את ההקשר שבו נאספו, את הגדרותיהם ואת האפשרות שהטיות שונות השפיעו עליהם.

דוגמה מהזמן האחרון: "82,700 ישראלים עזבו את הארץ ב-2024"

לאחרונה כותרות בעיתונים דיווחו על "גל עזיבות" מישראל בעקבות אירועי השנה האחרונה.

עם זאת, ניתוח ביקורתי של הנתונים, שפורסמו על ידי הלמ"ס וצוטטו רבות בתקשורת, עשוי להצביע על תמונה קצת יותר מורכבת מאשר הדיווחים היבשים.
(כלל מקורות הנתונים שנלקחו בניתוח מופיעים בסוף המאמר).

מה הנתונים אומרים באמת?

הנתון של 82.7 אלף עזיבות ב-2024 מתאר ירידה מהארץ במהלך שנה זו.
ויחד עם זאת, הגדרת "עזיבה" כוללת שהייה של שנה לפחות בחו"ל – כלומר, מדובר באנשים שעזבו בפועל ב-2023 (כולל שיא נקודתי מיד לאחר אירועי 7 באוקטובר 2023 המשתקף במאזן הגירה שלילי של כ-11 א' איש).
אגב, מיד לאחר מכן, בנוב'-דצמ' 2024 (המשקף את העזיבות בחודשים המקבילים שנה לפני כן) – ישנו מאזן הגירה חיובי של כ-750 איש בחודש, כך שאין לנו באמת את התמונה השלמה גם מעל לשנה אחרי ה-7 באוק'.
עוד ניתן להבחין מהתרשים, שמאזן ההגירה היה חיובי בערך עד ספט' 2023 (עזיבות עד ספט' 2022), ומאז למעשה הופך לשלילי. זה כשנה לפני אירועי 7/10/2023.
ייתכן, כי במקביל לעזיבות לאחר שנה, העלייה מוגדרת באופן מידי בעת הכניסה לארץ, מה שיוצר פער נוסף.

מה משפיע על נתון העזיבות?

בפרסום נוסף של הלמ"ס מספט' 2024 בנוגע לעזיבות את הארץ עלה, כי החל משנת 2023 הוגדר מחדש המושג "עזיבה", כדלקמן:
ההגדרה הישנה דרשה שהייה רצופה של 365 ימים בחו"ל;
ההגדרה החדשה דורשת שהייה של 275 ימים בחו"ל בסה"כ במשך 365 ימים שלאחר היציאה מהארץ.
ולבסוף – שהיה רצופה בחו"ל במשך 90 הימים הראשונים בתקופה.

השינוי בהגדרה מקפיץ לכאורה את היקפי העזיבות המדווחות אפילו פי 2 ויותר.
לדוג': אדם שיצא מישראל ושהה בחו"ל 300 ימים, לאחר מכן ביקר בארץ למשך יום אחד וחזר לחו"ל למשך חודשיים נוספים – ייחשב כעוזב רק לפי ההגדרה החדשה.

לא לחלוטין ברור מהפרסום האחרון האם אכן ההגדרה החדשה נלקחה בחשבון.
ולמרות שההגדרה החדשה אכן מדויקת יותר, פוטנציאלית זה עשוי להקפיץ את היקף העוזבים בצורה משמעותית ביחס לשנים קודמות (בהן ייתכן והוצגו נתוני עזיבה מוטים כלפי מטה לאור השימוש בהגדרה הישנה).
כך, שלדוג' אם התרגלנו לכ-20 א' עוזבים בשנה על סמך ההגדרה הישנה, אז 82.7 א' עוזבים בשנת 2024 ייחשבו כקפיצה – למרות שבפועל חלקה הגדול נובע משינוי הגדרה.

מי בדיוק עוזב את הארץ?

מאחר ורובנו כאן נולדנו בישראל, אנחנו יחסית צעירים ובעלי מקצועות חופשיים – הנטייה הראשונית שלנו היא לחשוב שכלל העוזבים הם כמונו.
הדאטה מפרסום מאפייני היורדים בספט' 2024 (ובנוסף פרסומים מקבילים במהלך השנתיים האחרונות) מספר סיפור קצת שונה…

כ-58.8% מהעוזבים נולדו מחוץ לישראל; רובם – כ-42.5% מתוך כלל העוזבים – הם עולים חדשים ממדינות בריה"מ לשעבר – רוסיה ואוקראינה.
לא ידוע לאן בדיוק עזבו – ככל הנראה או לארצות מוצאם למדינות אחרות.
ומאחר ובשנים 2021-2023 היה גל עליה גדול מאותן המדינות בדיוק (כנראה לאור מלחמת רוסיה ואוקראינה), המסקנה המתבקשת היא שאותם העולים מהגל האחרון – הם אלה שמהווים ב-2024 כמחצית מכלל העוזבים.
ואגב, זו מגמה שקופצת לעין בנתוני מאזן ההגירה כבר החל מסוף שנת 2022 – מספר חודשים לאחר שיא גל העליה.

בשורה התחתונה:

חלק מהכתבות מתארות "נטישה המונית", אך הנתונים הגולמיים מספרים סיפור מורכב הרבה יותר – כזה שמערב הגדרות דינמיות, חלונות זמנים מורכבים ומאפיינים דמוגרפיים.
מסתמן שאכן ישנה עליה בעזיבות, אך כאמור אך נראה על פניו שהיא פחות דרמטית ממה שמוצג, ומתמקדת בעיקר בקרב עולים חדשים (בעיה בפני עצמה) ופחות בקרב הישראלים הותיקים.

למה זה חשוב?

בעולם המורכב והדינמי כיום, היכולת לפתח ולהפעיל חשיבה ביקורתית היא דרמטית.
בלי היכולת הזו, אנו עלולים להיות מושפעים מפרשנויות שאינן תואמות את המציאות או לקבל החלטות שגויות בהתבסס על נתונים מוטים או חסרים ולפספס את הערך העסקי שאנחנו מצפים ליצור באמצעות הדאטה.

אז בין אם אתם עובדים עם דאטה, כותבים דוחות, או פשוט מתעדכנים בחדשות – תמיד תשאלו שאלות:

מי אסף את המידע?
מה היו הנחות העבודה?
מהן ההגדרות המדויקות?
האם ישנם נתונים נוספים לבקרה?
והאם ישנן דרכים נוספות להסתכל על הנתונים?

בהצלחה!

מקורות הנתונים:

כתבה ב-Ynet לגבי העזיבות.
כתבה במעריב לגבי העזיבות.
אוכלוסיית ישראל בפתח שנת 2025.
יציאות מישראל לטווח ארוך.
אוכלוסיית ישראל בפתח שנת 2024.
אוכלוסיית ישראל בפתח שנת 2023 – קובץ להורדה – פרסום 426/2022 מתאריך 29/12/2022.

ראשי צוותים המעוניינים לפתח את החשיבה האנליטית והביקורתית בצוות – מוזמנים/ות לפנות אליי ישירות.

"מעבדות לחירות" – איך להגדיל את המשכורת של דאטה אנליסט??

אייל — Mon, 08 Apr 2024 11:42:33 +0000

"מעבדות לחירות"

הניתוח המקיף על שכר דאטה אנליסט

שאלת השכר של דאטה אנליסט היא ללא ספק אחת המרכזיות בתחום, ובכלל בעולם התעסוקה.
לאור סקר השכר השנתי המבורך של קהילת דאטה אנליטיקס ישראל (רבעון א' 2024), החלטתי להרים קצת את המסך על עולם ה-Predictive Analytics, ולתפוס כמה הזדמנויות במכה.

החלק הראשון נתן גישה ישירה למחשבון או סימולטור השכר, בהתבסס על הסקר.

(למי שעדיין לא השתמש/ה במחשבון – הנה הלינק):

אבל המחשבון היה רק הקדימון...

בפוסט הזה נציג בצורה ישירה ופשוטה את ניתוח הגורמים המשפיעים על המשכורת מתוך הסקר.

כמות התובנות שתוצגנה בפוסט הזה היא אדירה, ושימוש חכם ואחראי בהן עשוי להוות את ההבדל בין קריירה שטסה לשמיים לבין קריירה אפורה ותקועה.

אז קחו כיסא ותחזיקו חזק – אנחנו עומדים להמריא…

כמו לפני השימוש במחשבון השכר – דיסקליימר חשוב גם עכשיו:

ניתוח הדאטה מסקר השכר, הממצאים והתובנות ממנו מיועדים לתת סדר גודל ומידע ברמת על שוק האנליסטים ורמות השכר שבו.
בתהליך הניתוח הושקעו מאמצים רבים, שכללו כמובן את סקר האנליסטים השנתי כמקור הנתונים; דרך אפיון המתודולוגיה, הנחות העבודה, ההגדרות, טיוב הנתונים, שיטות הניתוח, והגדרות השימוש בתוצרים.
ועדיין, כל אחד מהמרכיבים האמורים אינו מושלם, כאשר בכל שלב עשויים להיות אי דיוקים, שגיאות, הזנחות, הטיות ופערים כאלו ואחרים. חלקם עשויים להיות אפילו משמעותיים מאוד.
לכן, יש לקחת את ההערכה בעירבון מוגבל, ואין להסתמך עליה מעבר ל"קריאת כיוון" ראשונית.
בכל מקרה, השימוש בכלל רכיבי הניתוח, המסקנות והתוצרים הוא באחריות הבלעדית שלכם – המשתמשים/קוראים.

ואחרי הדיסקליימר הזה – קדימה לממצאים!

אמל"ק, סיכום, שורה תחתונה, תכל'ס: מי מרוויח/ה הכי הרבה?

הניסיון מקפיץ את השכר בקצב מהיר ב-5 השנים הראשונות, לאחר מכן המשך עלייה איטית יותר;

בהייטק מרוויחים הרבה יותר – בפרט בסטארטאפים מבוססים (201-500 עובדים, וככל הנראה גם עד כמה אלפי עובדים);

תפקידי Product Analyst או כאלה עם כמה סוגי נישות מרוויחים הכי הרבה;

מנהלים/ות מרוויחים יותר מלא מנהלים/ות (לא ליפול מהכסא, כן?…)

תפקידים עם שימוש מסיבי ב-SQL מקפיצים את המשכורת בצורה דרמטית;

גם Python מקפיץ את השכר, אבל פחות מ-SQL;

כלי ויזואליזציה מתקדמים (Tableau, Looker, Python ועוד) מקפיצים את השכר;

שימוש בסטטיסטיקה מעלה את השכר, וכמוהו גם פיתוח מודלים – אם כי פחות משמעותי משיטות / כלים אחרים.

מהסקר מסתמן פער אפשרי בשכר בין גברים ונשים ברמת סניור (5+ שנות ניסיון), כאשר ברמת ג'וניור לא הסתמנו פערים.
ייתכן שמדובר בהטיה לאור היקף תצפיות נמוך ורגישות להטיות דגימה כאלו ואחרות – ונדרש ניתוח נוסף.

הקדמה מתודולוגית - ניתוח חד מימדי

ניתוח חד מימדי הוא טכניקה המיועדת לזיהוי השפעה של פרמטר יחיד בכל פעם על משתנה מטרה.
במקרה שלנו משתנה המטרה הוא המשכורת (או יותר מדויק – המשכורת הממוצעת).
לאחר הפילוחים בוצעה בדיקת מובהקות סטטיסטית על השכר הממוצע בכל חתך (t-test).

אוכלוסיית הניתוח: משתתפים/ות בסקר 2024 – סה"כ 383 משתתפים;
מתוכם, מיקוד באנליזה במשתתפים/ות במשרה מלאה כיום באיזור המרכז (ללא פריפריה); משכורות קיצון (כולל משכורת חסרה) סוננו;

סה"כ משתתפים/ות בסקר לאחר סינונים: N=310;
המשכורת הממוצעת במדגם לאחר הסינונים: 22,095 ש"ח.

הדאטה מתייחס רק למקצועות אנליזת הדאטה – אין כאן פיתוח BI, Data Engineering ,Data Science, או לחילופין תחומים משיקים בצד העסקי (ניהול מוצר, וכו');
בהתאם, גם הממצאים כאן תקפים אך ורק לתפקידי דאטה אנליסט.

הניתוח בוצע ב-Python / Jupyter.
למען הכנות, התחלתי לנתח ב-Excel (לא יעזור, הוא עדיין הכלי הכי גמיש, נוח ומהיר למשימות ניתוח אד-הוק / ראשוני כמו כאן).
אבל אחרי שאחד הניתוחים הראה שהמשכורת הממוצעת בחברות עם ויזואליזציה ב-Python גבוהה בכ-50% מאשר ב-Excel – הבנתי את המסר והמשכתי בכלי "הנכון"…)

משתנים רציפים - מספר שנות הניסיון בתחום

ישנו מתאם ברור בין הניסיון לבין השכר החודשי. לפי קו המגמה (באדום) בממוצע בכל שנה המשכורת עולה בכ-1,300 ש"ח.
מספר התצפיות עם מעל ל-10 שנות ניסיון מאוד נמוך ולא ניתן לבסס מסקנה מדויקת; זאת, למרות שנראה שהמגמה ממשיכה לעלות.
נראה שעד 5 שנות ניסיון לערך ישנה עליה מהירה (כ-2,000 ש"ח בשנה), ולאחריה התמתנות ואף התכנסות.
באדום מסומנים קווי מגמה, פעם אחת לינארי, ופעם נוספת פולינומיאלי מסדר שלישי (מזהה יחסית טוב את העליה המהותית בטווח 0-5 שנים).

לטובת הפשטות במודל הניבוי בשלב ראשון – נשמור את הנחת הלינאריות בשכר.
בעתיד נוכל לפרק את התחזית לשתי תקופות: 0-5 ומעל ל-5 שנים, או לחילופין למדל עם ML ללא אילוצי לינאריות.

גיל נוכחי

קיים מתאם מסוים מין הגיל לבין השכר הממוצע.

המגמה לא חזקה כמו עם הותק, אבל עדיין יחסית ברורה.

מעבר לגיל 40 מספר התצפיות נמוך מאוד, ולכן פחות אפשר להסתמך על המשכורות הגבוהות שקיימות לכאורה.

מין/ מגדר

קיים פער של כ-1000 ש"ח לטובת גברים (כ-5%).

הפער הזה אינו מובהק סטטיסטית.

לכאורה השדה לא משפיע בצורה מספיק חזקה, אבל זה לא כל הסיפור…

עד 5 שנות ניסיון (ג'וניורים)

קיים פער של כ-360 ש"ח לטובת גברים (כ-2%).

הפער הזה אינו מובהק סטטיסטית, מה שמעיד על פער מינורי בלבד בשכר ברמת ג'וניור בין נשים וגברים.

מעל ל-5 שנות ניסיון (סניורים)

ברמת הסניורים (מעל ל-5 שנות ניסיון), קיים פער יותר משמעותי של כ-3,000 ש"ח לטובת גברים (כ-11%).

הפער הזה לא מובהק סטטיסטית, אך הוא עדיין נראה לא זניח;
בעתיד שווה לבדוק בעתיד יותר לעומק האם אכן ישנו פער מהותי, ואת הסיבות לו.

מאפייני חברה - מגזר הפעילות

שדה סוג החברה כולל מספר רב של ערכים, החל מחברות קטנות, דרך עיריות, וכלה בסטארטאפים ובתאגידי הייטק גלובליים.

לטובת הפיכת השדה לבר-שימוש, בוצע טיוב של הערכים ל-3 סקטורים עיקריים: ממשלתי/ציבורי; מגזר עסקי והייטק (סטארטאפים+חברות גלובלי).

מספר המשיבים מקרב הסקטור הציבורי היה מועט במדגם, כך שייתכן ולא נוכל להפיק מהשדה מקסימום כושר ניבוי.

השכר הממוצע לאנליסטים במגזר העסקי גבוה בכ-2,700 ש"ח (17%) מאשר במגזר הציבורי-ממשלתי.

השכר הממוצע לאנליסטים בהייטק גבוה בכ-5,700 ש"ח (31%) מאשר במגזר העסקי (כ-52% יותר מאשר במגזר הציבורי-ממשלתי).

(חשוב לזכור, שייתכן גם פער בותק הממוצע בכל סקטור, אך בשלב זה נניח שאינו משמעותי;

עוד חשוב לזכור, שבתוך כל מגזר יכולה להיות שונות – על כך מיד.

האם כל ההייטק מתנהג אותו הדבר?

נפלח את חברות ההייטק לפי גודל (כמות העובדים).

בסטארטאפים זעירים (פחות מ-10 עובדים) המשכורת הממוצעת נמוכה למדי; אפילו נמוכה יותר מאשר האחרים (לא הייטק)…

ייתכן ומדובר במספרים קטנים (משתתפים בלבד) ולכן לא משקפים את השוק;
ואולי דווקא הממצא כן נכון לאור היעדר מימון משמעותי לחברה ובהתאם השכר.

אגב, גם חלוקת ה-Equity בקבוצה הזו היתה יחסית נדירה, ובמידה וזה אכן נכון – ההשערה העולה היא שייתכן ומדובר במשרות שאינן בליבת התחום.

בסטארטאפים מעט גדולים יותר (11-200 עובדים) השכר הממוצע כבר קופץ לכ-23,000 ש"ח. בנוסף גם יש אקוויטי לרוב המשתתפים בסקר.

ברמה העסקית, בשלבים אלה המימון הוא כבר יותר משמעותי (לרוב Round B ואילך) – כך שהממצא הגיוני.

סטארטאפים מבוססים (200+ עובדים) כבר מאפשרים משכורות גבוהות מאוד, למעשה הגבוהות ביותר מכלל סוגי החברות.
בנוסף יש כמובן אקוויטי אצל הרוב המוחלט של המשתתפים.

המגמה הזו נמשכת לכאורה גם בחברות גדולות יותר (אלפי עובדים) – למרות שהיקף התצפיות שם נמוך מאוד.

בחברות הייטק גדולות – המשכורת הממוצעת קטנה בצורה מסוימת למול הסטארטפים המבוססים.

חברות אלו מעסיקות עשרות אלפי עובדים, ולכן ההשערה היא שהקו המפריד למול סטארטאפים מבוססים עובר ככל הנראה באיזור 1k-5k עובדים.

המסקנה: אם אפשר להשיג דריסת רגל בסטארטאפ מבוסס עם 200-5,000 עובדים – ככל הנראה התגמול שם יהיה המקסימלי בכלל השוק.

מאפייני תפקיד

כמו בשדה סוג החברה, גם בשדה סוג התפקיד או הנישה האנליטית קיים מספר רב של ערכים.

לטובת הפיכת השדה לבר-שימוש, בוצע טיוב ידני של הערכים לקבוצות יחסית הומוגניות לאור הניסיון בתחום.

מספר המשיבים מקרב הסקטור הציבורי היה מועט במדגם, כך שייתכן ולא נוכל להפיק מהשדה מקסימום כושר ניבוי.

טיפוסי האנליסטים המובילים מבחינת שכר הם product analysts, security analysts ואנליסטים הממלאים יותר מטיפוס אחד (השערה: אחד מהם לפחות כולל product…).
זה כמובן עושה הרבה שכל, וכמובן מתואם לסקטור ההייטק.

יתר טיפוסי האנליסטים קצת פחות מאפשרים הסקת מסקנות בהיבט העסקי (לדוג': Business analyst יכול להיות שונה למדי בין חברות מסורתיות לבין הייטק).

לכן, מעבר לאינדיקציה ש-3 הסוגים המובילים מרוויחים כ-4,000 ש"ח (21%) יותר מיתר הסוגים – יהיה קשה להוציא ערך מהשדה הזה בלי פילוח הרבה יותר מעמיק.

מאפייני חברה נוספים - ניהול ואופציות

תיראו מופתעים: מנהלים/ות מרוויחים יותר…
כמה יותר? כ-6,000 ש"ח (28%) יותר מיתר העובדים.

חשוב לציין, כי אין אינדיקציה לרמה הניהולית (ניהול צוות, תחום וכיו"ב), אך אפשר להניח שרוב המשתתפים בסקר הם ברמת ראשי הצוותים.

קבלת אקוויטי (אופציות) מצד החברה מעידה על שכר גבוה בכ-7,000 ש"ח (37%) לעומת משרות ללא אקוויטי.

המשתנה ככל הנראה מתואם עם סקטור ההיי-טק וייתכן שגם עם ניהול (למרות שישנם עובדים בהייטק גם ללא אקוויטי ושאינם מנהלים).

חשוב לציין שאקוויטי כשלעצמו הוא חלק מהתגמול הכולל בגין המשרה, ולכן בהגדרה הוא מתואם עם השכר, ולא מנבא שכר (מתאם ולא סיבתיות);

עדיין, השדה בהחלט רלוונטי גם לצורך ניבוי סיבתי, מאחר ועצם הנכונות של החברה לתת אקוויטי לעובדים היא פרמטר המעיד גם על הנכונות לתת שכר גבוה.

כלים ושיטות - מה כדאי ללמוד קודם?

נתחיל בכלי המסורתי והכי נפוץ בתחום - Excel:

אחוז מאוד גבוה של המשתתפים בסקר עובדים עם אקסל, רק מעטים מאוד לא משתמשים בכלי.

בצורה מפתיעה, דווקא מי שעובדים עם אקסל רק לעיתים נדירות זכו למשכורת הגבוהה ביותר – אפילו מעבר לאלה שעובדים עם אקסל באופן שוטף (כ-2,000 ש"ח יותר – 9%).

השערה: רובם כנראה בהייטק ועובדים עם כלים מתקדמים אחרים כמו פייתון (ואולי גם עם Google Sheets במקום אקסל).

כך או כך – נראה שהפרמטר חלש ביחס למשתנים האחרים.

"שאילתת הכסף": חובה ללמוד SQL ומיד!

שמעתם פעם שכדאי לכם ללמוד SQL? אז הנה ההוכחה!

רוב המשתתפים בסקר משתמשים ב-SQL בצורה שוטפת.

הם מרוויחים מעל ל-6,000 ש"ח (כ-37%) יותר מאשר חבריהם שלא עובדים באופן שוטף עם השפה.

זה By far הכלי החשוב ביותר בתחילת הדרך כאנליסטים, יותר מפייתון או כל כלי ויזואליזציה אחר.
(למרות שכמו שנראה עוד מעט – הם נותנים פייט לא רע בכלל…)

נראה ששימוש ב-SQL לעיתים נדירות דומה למדי לחוסר שימוש בכלי.

"זהירות - נחש לפניך!"

איך משפיע על השכר אחד הכלים עם הכי הרבה באז בשוק – Python?

מי שמשתמשים בפייתון מרוויחים מעל כ-4,000 ש"ח (כ-19%) יותר ממי שלא מכירים את הכלי.

ולא חייבים לעבוד עם הכלי נון-סטופ: בשונה מ-SQL, גם מי שמשתמשים בפייתון לעיתים נדירות מרוויחים יותר מחסרי הפייתון – כ-1,750 ש"ח (9%).

כלי הויזואליזציה העיקרי

כמו בשדה סוג החברה, וסוג האנליסט גם בשדה סוג הויזואליזציה קיים מספר רב של ערכים.

לטובת הפיכת השדה לבר-שימוש, בוצע טיוב ידני של הערכים לקבוצות יחסית הומוגניות לאור הניסיון בתחום, וכן על סמך המשכורת הממוצעת;
אופיינו 6 קבוצות עיקריות:

1⃣ הקבוצה הראשונה – הכלים המתקדמים:
א. כלי Self Service, או כלים מתקדמים אחרים בהם משתמשים סטארטאפים: Looker; Sisense; Redash, Python; SAS, Kibana\Elastic וכיו"ב.

ב. Tableau;

ג. כלי Digital Analytics דוגמת Mixpanel ודומיו.

2⃣ לקבוצה השניה נכנס PowerBI, כאשר ההפרדה מול Tableau נבעה מפער משמעותי יחסית במשכורת הממוצעת ושיוך ל-Stack של Microsoft המתואם עם תאגידים בעיקר במגזר העסקי (ואף הציבורי).

3⃣ לקבוצה השלישית נכנסו כלי BI מסורתיים יותר דוגמת Qlik או BO, וכן כלים שפותחו In house.

4⃣ לקבוצה הרביעית נכנסו משתתפים שאין להן כלל כלי ויזואליזציה בחברה.

5⃣ לקבוצה החמישית נכנס Excel בתור כלי הויזואליזציה העיקרי.

6⃣ ולקבוצה האחרונה נכנסו כלים תפעוליים דוגמת SAP או Salesforce, וכן כלי מצגות דוגמת Power Point.

אז איזה כלים הכי כדאי ללמוד ולהכיר?

הכלים המתקדמים מובילים בפער, וככל הנראה מתואמים עם מגזר ההייטק.
שימוש בהם מביא לעלייה של כ-8,000 ש"ח (48%) למול הכלים התפעוליים או אקסל, וכ-3,800 ש"ח (18%) יותר מאשר PowerBI.

PowerBI נחשב גם ככלי מתקדם, אך הוא נוטה להיות נפוץ יותר בארגונים מסורתיים ולכן המשכורת הממוצעת עבורו היא מעט נמוכה יותר (כ-4,000 ש"ח / 25% מעל לכלים תפעוליים/ אקסל);
מתלבטים בין Tablaeu ל-PowerBI? הדאטה לפניכם.

כלי BI מסורתיים נמצאים במקום השלישי.

יתר הכלים (או היעדר של כלים כאלה) יחסית דומים מבחינת השכר הממוצע (לחלקם גם אין הרבה תצפיות).

מה לגבי שימוש בסטטיסטיקה בתפקיד?

כאן יש מדרג מאוד יפה, כמעט 'לפי הספר';

שימוש מועט מוסיף למשכורת כ-2,300 ש"ח (12%);
שימוש בינוני מוסיף עוד כ-2,000 ש"ח (9%);
ושימוש רב מוסיף עוד כ-1,600 ש"ח (8%);

סה"כ שימוש רב בסטטיסטיקה מתבטא בשכר גבוה בקרוב ל-6,000 ש"ח (30%) לעומת ללא סטטיסטיקה כלל.

עוד סיבה לקרוא את הפוסט פעם שניה…

והאם פיתוח מודלי ניבוי – Predictive Analytics משפיע על השכר?

גם כאן יש מדרג, אבל יותר מתון;

פיתוח מודלים לעיתים נדירות מוסיף כ-2,000 ש"ח (10%);
ופיתוח מודלים באופן שוטף מוסיף למשכורת עוד קצת מעל 1,000 ש"ח (5%) – וכ-3,000 ש"ח (15%) לעומת ללא פיתוח מודלים כלל.

סיכום

בשלב הזה אתם כבר בטח מותשים מכל המספרים והתובנות (ואם לא – אולי יש לכם עתיד בתחום )…

חלק מהתוצרים מאפשרים קבלת החלטות יחסית מבוססת ומגובת נתונים, וככה להגדיל את הסיכויים שלנו להצליח בתחום ולהרוויח יותר.

קיימים כמובן גם פרמטרים נוספים העשויים להשפיע על המשכורת: שעות עבודה נדרשות, רמה ניהולית, ופרמטרים "רכים" יותר כמו יכולת ניהול מו"מ, יכולות תקשורת, פעילות בסושיאל, עד כמה אנחנו "נינג'ות" ועוד.
כל אלה יכולים להשפיע על השכר מעבר לפרמטרים שראינו – ואפילו בצורה משמעותית.

ושוב, חשוב לזכור שהמציאות עדיין מורכבת הרבה יותר מאשר כמה גרפים – יפים או אינפורמטיביים ככל שיהיו.

לכן, קחו את הממצאים והתובנות כאן בעירבון מוגבל, ותתחילו לחקור בעצמכם מה הכי הולך בשוק, מה מעסיקים מחפשים, מה רלוונטי עבורכם ואיך אפשר לבנות תכנית ואפילו ליישם פעולה אחת לשיפור המשכורת – כבר היום.

בהצלחה!

כמה אני שווה?? מחשבון שכר דאטה אנליסט

אייל — Sun, 07 Apr 2024 15:57:10 +0000

כמה אני שווה?? מודל שכר דאטה אנליסט

שאלת השכר של דאטה אנליסט היא ללא ספק אחת המרכזיות בתחום, ובכלל בעולם התעסוקה.
לאור סקר השכר השנתי המבורך של קהילת דאטה אנליטיקס ישראל, החלטתי להרים קצת את המסך על עולם ה-Predictive Analytics, ולתפוס כמה הזדמנויות במכה;

מצד אחד, להנגיש למשתמשים מחשבון שכר פשוט, שיוכל לתת כיוון לשאלות:
"כמה אני שווה?"
"איזו משכורת לבקש בשיחת השכר הקרובה?"
"כמה דאטה אנליסט יכול להרוויח?"
"לאן אני עוד יכול/ה לשאוף מבחינת שכר?"
"מה אני צריך/ה לעשות בשביל להרוויח יותר?"

מצד שני, לתת טעימה איך ניגשים לתחקר ולנתח דאטה חדש (EDA), כולל מיינדסט אנליטי ליצירת ערך עסקי מבוסס דאטה.

מצד שלישי, לחשוף קצת מהשיטות לפיתוח מודל ניבוי אנליטי (דגימה, סגמנטציה, ניתוח חד מימדי, רגרסיה לינארית, קורלציות, מודל מומחה).

ולבסוף, לעטוף את הכל כמוצר מידע שנותן ערך למשתמשים – במקום להשאיר רק ברמה התיאורטית (דוח או נוסחה).

אמל"ק זריז ופיקנטי לגבי הפרויקט:

התבססות על סקר 2024; מיקוד במשתתפים/ות במשרה מלאה באיזור המרכז (ללא פריפריה); משכורות קיצון סוננו;

גישת שימוש ברגרסיה לינארית ובמבחני השערות סטטיסטיים (לצורך שקיפות ההשפעה של כל משתנה);

אפיון המודל והנוסחה ב-Python / Jupyter
(תיאורטית היה אפשר גם ב-Excel, אבל מאחר והמשכורת הממוצעת בחברות עם ויזואליזציה ב-Python גבוהה בכ-50% מאשר ב-Excel – הבחירה ברורה…)

הרבה משתנים מסבירים נפלו מהמודל על חוסר מובהקות לאור מיעוט תצפיות;
אפשר כנראה לשפר את המודל ולהכניס אליו עוד פרמטרים מעניינים בעתיד.

אז לחסרי הסבלנות מביניכם, אפשר להתחיל ישר ממחשבון השכר, כי בינינו – זה הכי מעניין…
בפוסטים הבאים נסביר בצורה מפורטת איך בנוי מחשבון השכר: המתודולוגיה, השיטות, הסטטיסטיקה והאנליזות.

לפני השימוש במחשבון – דיסקליימר חשוב:

מחשבון השכר לדאטה אנליסט מיועד לתת סדר גודל ומידע ברמת על שוק האנליסטים ורמות השכר שבו.
בפיתוח המחשבון הושקעו מאמצים רבים, שכללו כמובן את סקר האנליסטים השנתי כמקור הנתונים; דרך אפיון המתודולוגיה, הנחות העבודה, ההגדרות, טיוב הנתונים, שיטות הניתוח, והגדרות השימוש בתוצרים.
ועדיין, כל אחד מהמרכיבים האמורים אינו מושלם, כאשר בכל שלב עשויים להיות אי דיוקים, שגיאות, הזנחות, הטיות ופערים כאלו ואחרים. חלקם עשויים להיות אפילו משמעותיים מאוד.
לכן, יש לקחת את ההערכה בעירבון מוגבל, ולא להסתמך עליה מעבר ל"קריאת כיוון" ראשונית.
בכל מקרה, השימוש בכלל רכיבי המחשבון הינו באחריות הבלעדית שלכם – המשתמשים.

ואחרי הדיסקליימר הזה – קדימה למחשבון.

תהנו!