YT YouTube2Text

YouTube2Text → Transcripts → Lesson 7

Lesson 7 — Transcript

by EH · 7,971 words · 1,298 segments · language en · Watch on YouTube

Open in transcriber Summarize with AI Download SRT/VTT

Full transcript

0:01הנוכחי אנחנו למעשה ממשיכים
0:04במהלך שהכלנו בו של הקרת תשתיות
0:09המחשוב הארגוני כיצד למעשה הנתונים עוברים
0:13ביניהן המונחים המשמעותיים תפקידו של
0:16הדataוס כמובן א ואנחנו נרחיב
0:21וניתן
0:23עוד תובנות ותפיסות מבחינת מה שקרוי גם א
0:28ארכיטקטורת
0:30הB הטבלאות השונות בדataware מה הן
0:34מייצגות איך נשתמש בהן איך מאחסנים נתונים
0:37וכדומה בשיעור הנוכחי על מנת באמת לתת
0:41תמונה שהיא הרבה יותר כוללת בעולמות ה BI
0:47לקראת
0:49הליכה והבנה של אופני השימוש בכלי המתורכם
0:53הזה שקראוי PowerB או כל חלופה ארגונית
0:58אחרת
0:59אגב מאוד מאוד דומות לו שזה כמובן לדוגמה
1:04הטבלו ו הקליק viw אז power bi טבלו וקליק
1:09viw הן בעצם
1:11חבילות ה bi buiness inelligence ה
1:18פופולריות ביותר בשוק המובילות בשוק ושוב
1:22לציין שאין בעצם שכבה שמתלבשת
1:27על ה א על מחסן הנתונים
1:31ועל תשתיות נוספות שאנחנו בעצם נבוא ונכיר
1:36אותן בשיעור הזה היום יותר לעומק. אז בואו
1:41נצא לדרך א ונתחיל בקשת של נתונים.
1:46נעבור
1:48עם כך לאופן האכסנה והארגון של הנתונים
1:52בתוך הדטה.
1:54אז בתוך הדוז אנחנו מבדילים בין נתונים
1:57מסוג עובדב ומסוג
2:01מימד מסוג factק ומסוג דמש באנגלית
2:05כשעובדה
2:06א הוא בעצם אוסף של נתונים שיש להם משמעות
2:09עסקית
2:11העובדות הן בעצם
2:15הפרי או התוצר של חישובים של טרנספורמציות
2:21של שילובים של נתונים עם מערכות שונות
2:24על מנת להמחיש את המצב במציאות
2:28מבחינת המשמעות העסקית והן דורשות עם כך
2:32צילום המציאות מבחינת אוסף הנתונים המאוד
2:35מאוד מגוון ורחב במערכות המידע השונות
2:40לפעמים עשרות מערכות המידע או מאות מערכות
2:42המידע שמחוברות לתוך הדטה ואני לוקח מתוך
2:48כל
2:49נתונים כל אוסף נתונים ששודר שנצבע שהגיע
2:53לדאה אני לוקח אלמנטים מסוימים, משלב אותם
2:58ואני מקבל מתוכם עובדה מסוימת שהיא ממזגת
3:02נתונים על המציאות ממקומות או מקורות רבים
3:06ושונים ממערכות טיפעוליות רבות ושונות
3:09וזה היופי בעצם של עובדה וזה היופי של
3:13הארגון הזה שקראוי דטאוס
3:16מבחינת הארכיטקטורה הארגון של הנתונים
3:20שאנחנו למעשה מסוגלים לקבל קבל המון המון
3:23המון זוויות הסתכלות על המציאות העסקית של
3:25הארגון
3:27ומתוכם לשלב את האלמנטים או נקודות המבט
3:33או חלקי המידע, כלומר הנתונים, השדות
3:36המסוימים שאנחנו זקוקים ברשומות ביחד
3:41לתוך מסד נתונים חדש, לתוך טבלה חדשה
3:45שקראוי עובדה, טבלה של עובדה ויש יכולות
3:50להיות כמה טבלאות שכאלו
3:52בתוך הדה,
3:55אבל היא משלבת נתונים מהרבה מאוד מערכות
3:59תפעול שונות שילמלא הדטה ולמלא הטבלרות של
4:03העובדות, לא היינו יכולים לקבל את השילוב
4:08הזה, את נקודת המבט ההוליסטית
4:11על העובדה העסקית הזו, על המימד העסקי הזה
4:15הנדרש. והיינו צריכים בעצם לקפוץ בין המון
4:18המון דוחות, בין המון מערכות, בין המון
4:20גרפים. ולהבין מכל מערכת ומערכת את המעט
4:24שבמעט של מידע או נתונים שהיא הייתה המראה
4:28והיה רלוונטי לנו.
4:31אז אם כך לעובדות יש משמעות עסקית מוגדרת
4:36והיא העובדות מורכבות מאינדקסים או מפתחות
4:41שהם מזהות נתונים
4:43ממערכות הטיפעול השונות שמגיעים כמובן
4:46למקום אחד לדata
4:49וממדדים כלומר מסדות שמשקפים אירוע
4:53טיפעולי
4:55זה יכול להיות שילוב של נתונים של הזמנת
4:57לקוח והספק
5:00ותחילת תעסוקה של עובד ויחד יחד יחד
5:04משלבים אותם כדי לענות לאיזשהו צורך עסקי
5:08או לענות על שאלה עסקית.
5:12הנתונים שמשרטים את העובדות, כלומר משלבים
5:17לרשומת העובדה החדשה את המידע מהמקורות
5:20השונים. נפרקים כמו שציינתי ממערכות
5:25הטיפעול
5:26נפרקים מהתבלאות בתוך הדיטה
5:31שבהן מוכסנים הנתונים ההיסטוריים
5:33והעכשויים של מערכות הטפעול
5:36החלקים שבתוכם רלוונטים לבניית העובדה
5:40משולבים ואז אנחנו יוצרים רשומת עובדה
5:43חדשה שמאוכסנת
5:46בתוך factקט table במבנה של עובדה במבנה
5:51חדש דש של רשומה חדשה, של טבלה חדשה שעונה
5:55על צורך עסקי, שעכשיו אפשר להתחיל לעבוד
5:58איתו במקום לחפש שדה בטבלה של מערכת
6:04טיפולית כזו או שדה בטבלה של מערכת
6:07טיפולית אחרת. זה בעצם היופי של עובדות
6:10השילוב הזה
6:13ואנחנו רואים את זה כמבנה נתונים מאוד
6:17דומה למה שלמדתם בQL.
6:20אפשר בהחלט לרשום שאלת SQL שמשלבת
6:25בין שדות שונים מטבלאות
6:30טיפעוליות שונות לתוך איזושהיא
6:35שאילטה שיוצרת
6:38רשומות במבנה חדש שנמצא באמצע שמשלב מעט
6:43נתונים מכל טבלה וטבלה טיפעולית לתוך טבלה
6:46חדשה טבלת העובדות
6:48שמשלבת
6:50את כל הנתונים כאן. הנה דוגמה שבה אנחנו
6:54רואים שיש לנו טבלת עובדות שמשלבת נתונים
6:59לגבי המספר המזהה של מוצר prodודctט ID
7:04א מזהה של הזמן זאת אומרת מתי זה קרהסטור
7:07ID שזה זיהוי החנות שהייתה מכירה האllואי
7:11ID מה היה עובד שמחר
7:15סוג המכירה sales tyפice
7:18המחיר של הפריט ונטityי
7:21מה הכמות שנמכרה והיא משלבת את זה מתוך
7:26חמש טבלאות
7:28שונות שהגיעו כנתונים ממערכות הטפעול.
7:32למשל מערכת
7:35הסטיפ היא נותנת לנו את זיהוי סוג הפרית
7:40וגם את השם שלו אבל אנחנו צריכים בשביל
7:43השילוב רק את הקוד רק את ה
7:47salesס typeפ כן האם זה היה במבצע או לא
7:49במבצע רק את הקוד אם נרצה ונקבל את התיאור
7:53נרשום שילטת SQL פשוטה שגם קוראת ומשלבת
7:57לפי SS Typeפ ID את הנתון המילולי של טיפ
8:02פניים ואנחנו משלבים גם את הזהות של
8:05האמפואי של העובד מתוך טבלת הדם אפואי
8:09וכדומה
8:11עכשיו שימו לב שכל טבלאות הלויין כל החמש
8:14טבלאות מסביב לטבלת הסחילות במילה דם זה
8:19diמנש כלומר טבלת מימד אנחנו תכף נדבר
8:23עליה אבל בגדול אלה הטבלאות שמכילות את
8:27הנתונים שהתקבלו ממערכות התפרול
8:31שימו לב שהמילה התקבלו זה לא פשוט הוא
8:35העתקו ממערכות התפעול למשל ממערכת נתוני
8:39עובדים מערכת נתוני מכירות מערכת ניהול
8:42חנויות מערכת זמנים מערכת מוצרים זה לא
8:46פשוט העתקה מהמערכות הטיפעוליות האלו אלא
8:50מדובר בנתונים שעברו תהליך etלי זאת אומרת
8:55גם הוא עקו גם עברו טרנספורמציה למשל
8:58שינוי תאריך
9:01בדיקות תקינות או בדיקה בטעויות הקלדה או
9:05כל דבר אחר
9:08ובסופו של דבר הטענו כשהם נקיים כשהם
9:12מסודרים כשהם במבנה הנדרש לתוך הטבלאות
9:16המימדיות לתוך טבלאות הדים
9:20טבלת העובדות לקחה אלמנטים מתוכם כמו למשל
9:25את הprודucctט ID מתוך טבלת דרוקctט כן
9:29יתר הנתונים כמו השם או הסוג של המוצר לא
9:32היו רלוונטים רק הפרדctט ID חשוב כרגע אז
9:37היא לקחה וישואים נתונים מתוך time
9:42שנלקח הtיים id מתוך deסore שנלקח הסטור
9:48וכולי וכולי וכולי זאת אומרת
9:52הפקסיל היא נמצאת פה באמצע במרכז והיא
9:56שולפת את הנתונים הנדרשים מתוך טבלאות
9:59אחרי
10:01שהטבלאות האלה שהן בתוך הדטה כן הן לא
10:04נמצאות במערכות הטיפעוליות הם נקראו אחרי
10:08ניקוי והכנה וסידור לתוך הדטה
10:12כשהן תקינות לחלוטין
10:14אז הפקט table במקרה הזה factט sales טבלה
10:19שאחראית על עובדות לגבי מכירות שונות
10:24שנדרשות מבחינה עסקית
10:27לוקחת ומשלבת את אוסף של נתונים מאוסף של
10:32נתונות א טבלאות מימד שהן בעצם מקורן
10:39במערכות הטפעוליות אבל הן עשויות להיות
10:42שונות בפורמט או להכיל נתונים שהם כבר
10:46מנוקים ומוטאמים ומסודרים לתהליכי העיבוד.
10:54אז מבחינת טבלאות אפקט
10:57אנחנו יכולים להבדיל בין טבלת טרנזקציות
11:01שהיא צוברת רשומות לגבי אירועים מוגדרים
11:04במהלך הזמן כמו למשל הזמנת לקוח בתאריך
11:08בזמן מסוים עובד שהתחיל לעבוד בארגון
11:12בתאריך מסוים
11:15קליטה למלא של פרית בתאריך בשערה מסוימת
11:21תלונת לקוח כוח שהגיעה ונרשמה בתאריך
11:24מסוים וכולי. אז טרנזקציה יש לה מימד של
11:28תאריך וזמן ואנחנו יכולים פה לעשות עיבוד
11:32לאורך זמן ולראות שינויים האם מספר
11:35התלונות גדלו, קטנו וכדומה.
11:39ישנה הטבלה מסוג טבלת פקט מסוג סנאפשוט
11:42צילום מצב תמונת מצב
11:45שבה אנחנו צוברים עובדות עד לנקודת זמן
11:48מוגדרת
11:50ולמעשה מצלמים את המציאות
11:54בסוף התקופה המוגדרת לדוגמה סבירה של סך
11:59עלות הרכש מספקים כאלה ואחרים עד סוף
12:03החודש כלומר כמה רכשנו בכל החודש מספק
12:07לוקחים סוחמים את הרכישות השונות ומקבלים
12:11תמונת רכש בחודש
12:15סך ההכזרות של פריט עד סוף החודש אז חנות
12:18מסוימת החזירה כמות של שתיים חנות אחרת
12:21שלוש חנות אחרת אחד וכולי אנחנו סוחמים
12:25לכל פריט ופריט במהלך חודש ואז לחודש
12:28מסוים אנחנו יודעים שהיו כך וכך אכזרות סך
12:33שימוש בתקציב עד סוף הריבון בעצם מדבר על
12:36הסתכלות ריבעונית
12:38בסוף הריבעון אני מסכם את כל התשלומים
12:42שהוא עברו כנגד סעיפים תקציביים ואז אני
12:44מקבל לכל תקציב ותקציב או לכל סעיף בתקציב
12:49את סך השימוש באותו ריבעול אז זו תמונת
12:53מצב
12:56ותמונת מצב מצטברת היא צוברת עובדות בין
12:59נקודות זמן מוגדרות למשל מכירות הפרית מדי
13:04חודש כמה היו מדי שבוע וכדומה
13:09ואנחנו גם סוברים את זה לאורך תקופה. זה
13:12הולך וגדל. אז אנחנו יכולים להשתמש בכל
13:16הטבלאות האלה על מנת להשוות עובדות בין
13:19תקופות זמן. כמה מכירות היו לנו החודש
13:24לעומת החודש שעבר. כמה מכירות נצברות היו
13:27לנו מתחילת השנה, לעומת המכירות הנצברות
13:33בשנת 2019
13:35בתקופת הזמן המקבילה מתחילת השנה.
13:39א לראות את ההתפתחות לאורך ציר הזמן. זאת
13:42אומרת האם המכירות עלו, גדלו, האם יש לנו
13:46יותר עובדים או עסקים או פחות בארגון. כל
13:49השינויים האלה שטבלאות אפקט בעצם משרטות
13:53אותנו לאחר שאספנו את הנתונים עם מערכות
13:56התפעול לאותו מקום זה הדטה.
14:03כל תכונה או כל נתון בשדה
14:07הוא בעצם קראוי מדד או measure
14:11והתכונות
14:13הן מספריות
14:15וין חלק מהרשומה שמתארת אירוע או ישות כמו
14:20למשל כמויות עלות כספים שהוא עברו עלות
14:24כספים שה שמולספקים
14:27א שנות ניסיון של עובד בארגון וכדומה כל
14:30אלה בעצם הם מדדים, מדדים מספריים שהם
14:34תכונות מספריות.
14:37עכשיו, יש תכונות שהן בנות חיבור. זאת
14:41אומרת ניתן לסחום אותם לאורך כל מימדי
14:45הרשומה. למשל, אני יכול לקחת את כל
14:48הפריטים שנמכרו בתקופת זמן, לסחום את סך
14:53המדד של המחיר של הפריט או המחיר הכולל
14:58כפול הכמות. כן?
15:01ובכך אני יכול לקבל את סך העלויות של
15:04הפריטים שעברו בקופות שנמכרו למשל בחודש
15:08בשנה בחצי שנה
15:12יש תכונות שהן בות חיבור למחצה זאת אומרת
15:16זה מין יצור ביניים
15:20חלק כן חלק לא זאת אומרת ניתן לסחום אותן
15:23רק לפי חלק מהמימדים של הרשומה למשל יתרה
15:27לתאריך יתרה יכולה להיות היום 1000 שק,
15:31מחר 5,000 שק ומחר 30,000 שק אבל אני לא
15:36יכול לסחום אותן כי אין משמעות ל1000 ועוד
15:405000 ועוד 30,000 זה פשוט השינוי של היתרה
15:43בחשבון
15:45לאורך זמן זה לא שהצטבר פה כסף לא שהיו
15:48הפקדות אלא זה רק היתרה לכן ניתן לסחום
15:52אותם אבל לא תמיד יש משמעות לסחימה
15:56ותכונות שהן לא בראות חיבור לא לא ניתן
15:59לסחום אותם למרות שהן שדה מספרי בגלל שאין
16:03לזה משמעות. למשל, אם אני לוקח ואני סוח
16:06את היום בחודש בתוך תאריך, כן, יש לי שלוש
16:11טרנזקציות, אחת הייתה בראשון לחודש, השני
16:15בשלישי לחודש והשלישית בחמישי לחודש. אין
16:19משמעות ל1+ 3+ 9. זאת אומרת, אין משמעות
16:23פה לסחימה.
16:25א כמובן שמבחינה טכנית אני יכול לסחום את
16:27המספר, אבל מה המשמעות של לסחום תאריכים
16:32בחודש? שאין לזה שום משמעות עם כך.
16:39הטבלאות של המימדים או dimension הם בעצם
16:43טבלאות שכוללות תחומים עסקיים שבו בהם
16:48התכונות מקבלות איזשהיא משמעות עסקית. כן,
16:52התכונות זה בעצם אוסף העובדות. זה יכול
16:55להיות נתוני מכירה. במקרה הזה אנחנו רואים
16:58אותם בסידור של קוביה. אנחנו עוד נדבר על
17:01הסידור של הקוביה הזה בהמשך,
17:04אבל א אתם יכולים לראות למשל שהייתה
17:08טרנזקציה
17:09בונקובר של home אנטרמנ מוצרים מהסוג הזה
17:14בQ1 בהיקף של 605 יחידות. אוקיי? אז
17:20השילוב של המקום ונקובר של תקופת הזמן Q1
17:25שזה הרבעון הראשון של השנה של סוג המוצר
17:28שזה home אנטרמנ יש לזה איזשהו שילוב
17:32שכולל משמעות עסקית מכירה למשל כוללת את
17:36נתוני הלקוחות את התאריך את מקום המכירה
17:38את הסניף את המוצר
17:41את הכמות העלות ועוד נתונים אחרים ואנחנו
17:44גם יכולים לקחת את אותם נתונים של אה
17:49תכונות שילוב סט של תכונות עסקיות שאנחנו
17:52קוראים לו מימד ואפילו להעשיר אותו עוד
17:55יותר בתוך הדיטה
17:58למשל אם יש לי את הנתונים לגבי הלקוח של
18:00רכש אני יכול
18:03לבדוק האם קיימים ב
18:06א מערכת
18:08א מועדון הלקוחות נתונים נוספים כמו מקום
18:11המיגורים או שנת הלידה או המין של הלקוח
18:14ובהתאם לבוא ולהעשיר הנה עוד דוגמה של דטה
18:17וareס
18:18שיכול לחבר בין מערכת מכירות לבין מערכת
18:22ניהול מועדון לקוחות בתוכו ולשלב את
18:26הנתונים כמובן לתוך
18:29מבנה של טבלת מימד.
18:33מפה אנחנו יכולים ליצור רשומות במבנה
18:37מתאים, במבנה
18:39א מועשר, משולב או מסודר לפי הצרכים שלנו.
18:44למשל, לגבי
18:46מכירות אנחנו יכולים להסתכל באופנה על
18:49מספר הפרית, מעניין אותנו מה הקטגוריה, אם
18:52זה נעליים או שמלה או חולצה או מכנסיים.
18:59מה הצבע של הפרית, כי אנחנו אולי רוצים
19:01לראות איזה צבעים עכשיו מתפתחים, איפה יש
19:04ביקוש לצבעים כאלה ואחרים, איזה פחות.
19:08להסתכל על שנת הלידה של הרוכש אם יש לנו
19:10את הנתון הזה ממועדון הלקוחות
19:13ובכך אנחנו יכולים להבין גם איזה צבעים או
19:17עדפים על ידי רוכשים מבוגרים יותר או
19:19צעירים יותר מבחינת הנתונים אחר כך על
19:23טבלת המימדים שיצרנו
19:27כרגע מתוך הסט של מספר פרית קטגוריה צבע
19:30ושנת לידה
19:34המבנה הזה שכבר הכרנו הוא קראוי סכמת כוכב
19:39הוא קראוי כך בגלל שבמרכז הכוכב יש לנו את
19:43טבלת העובדות
19:45וטבלת העובדות בעצם מתקשרת
19:49ושואבת מדדים שונים או תכונות שונות או
19:54ערקי שדות מתוך טבלאות המימדים השונים
19:58שסידרנו שהטעמנו שקראנו לתוך הדטה אחרי
20:04שעשינו להם אקסטרctט וטנספורם
20:07מתוך המערכות השונות
20:11הטפעוליות בארגון
20:14והמערכות האלה למעשה באות ומקיפות
20:17את טבלת העובדות אנחנו לוקחים ומשלבים
20:21נתונים שונים מהטבלאות השונות מהdensש
20:24table השונים ויוצרים בסוף fט table שעליה
20:28אנחנו יכולים לעבוד
20:31ולשאוב
20:34תובנות שונות או לבצע ניתוחים שפכו להיות
20:38פשוטים ומהירים בגלל שלקחנו וסיכמנו או
20:42שילבנו
20:44לא את כל הנתונים בדימנשט table אלא רק את
20:47אלה שהיינו צריכים. עכשיו זה המבנה הבסיסי
20:50הפשוט היציב ביותר גם של טבלאות דטה
20:54ודאמרס. בעצם העבודה של מערכות הביזנס
20:59inelligence, הגרפים, הדוחות, הניתוחים
21:02תהיה מול הפקט table ששילב לנו בקלות את
21:06כל הנתונים מתוך הdension tables הרבים
21:10והעשירים והכבדים
21:12שנפרקו מתוך מערכות הטיפעול מדי יום
21:15ביומו.
21:18אנחנו יכולים פה לראות דוגמה נוספת של
21:20סכמת הכוכב.
21:22אז הפקט table שלנו כולל rvenue, זאת
21:25אומרת הכנסות מאיזה דלר, מאיזה מודל
21:28שמכרנו
21:31של רכב למשל,
21:35באיזה תאריך, זאת אומרת גם הדיטה פה
21:38מופיע, כמה יחידות נמכרו וכולי וכולי.
21:44אנחנו יכולים לראות שהיא למעשה מדברת
21:48ומקבלת את הנתונים
21:50מול טבלת הדילרים, מול טבלת סוכנויות
21:54הרכב,
21:55שבתוכה יש נתונים שפחות מעניינים אותנו,
21:59שזה המיקום של הדיילר והמדינה
22:03ומספר הדילר החוקי ועוד כל מיני נתונים
22:07ומשלבת את זה עם נתוני המוצר. במקרה הזה
22:11מעניין אותנו
22:13המודל בלבד. אוקיי? לא מעניין אותנו המספר
22:17הקטלוגי הפנימי שקראוי prodודctט ID ולא
22:21השם אלא ממש לפי זיהוי מודל וזהו.
22:25שימו לב שגם הנושא של וריאנטים. אם יש לנו
22:28כמה וריאנטים בכל מודל. למשל וריאנט לפי
22:32צבע, וריאנט עם או שווי אור וכדומה. אז זה
22:36גם לא מעניין אותנו. מעניין אותנו המודל
22:38הבסיסי. ולכן רק מודל ID נלקח מהטבלה
22:43מטבלת המימדים שקרוה prodודctט וכדומה ואז
22:47הכל משולב לתוך פקט table שעליה אפשר
22:50לעשות ניתוחים למשל לנתח לפי מודל או לפי
22:53דילר או גם וגם את תקפי ההכנסות את
22:57הרvenניו
23:01בדוגמה נוספת אנחנו יכולים לראות שטבלת
23:05העובדות משלבת א נתונים לגבי גבי ספרים.
23:10אז יש לנו למשל את טבלת המימד של ספר
23:15קרויה דין בוק ואז יש את המספר המזהה של
23:18הספר שקראוי בוק
23:21את הסופר את הקטגוריה של הספר את שם הספר
23:25ISBN שזה מספר קטלוגי בינלאומי לספרים
23:29קטלוג בינלאומי או תעודת זהות של ספר
23:33את שנת ההוצאה של הספר את מחירו כמה
23:38עמודים
23:39ומה התיאור של הספר? בקצרה.
23:43יש לנו את טבלת הלקוחות, זה de customer
23:47ופה יש לנו זיהוי מספר לקוח, שם שם משפחה,
23:52מיקוד, עיר
23:55ומדינה בארצות הברית. סטייט.
23:58ויש לנו גם את טבלת ה תאריך כשהיא בעצם
24:03לפי מזהה תאריך לפי אינדקס זה הדייט יש
24:08לנו שבירה לשנה לחודש וליום כשאני בא ואני
24:13משלב את זה כדי לנתח אחר כך מגמות לגבי
24:18הזמנות
24:20אני לוקח רק את הנתונים שמעניין אותנו זה
24:23הדיט שזה ד time כלומר מבנה שמשלב ביחד את
24:28היום, את החודש והשנה ואני יכול לאבד אותו
24:30הלאה.
24:32א יש לנו את תעודת הזהות אצלנו בארגון של
24:37הספר, זה הבוק ID, זה לא הsbn,
24:40את מחירו של הספר וגם את זהות הלקוח שרכש.
24:45ועל זה אני יכול לבצע נתונים או ברמת
24:48לקוח, איזה מתאמים בין דברים שלקוחות קנו.
24:53קנו ספר כזה, אז הם קונים ספר אחר. לכן
24:56נוכל להמליץ להם. אני יכול להבין את מבנה
25:00ההכנסות כשאני למשל יכול לפי בוק
25:05לזהות את מספר הספר שהביא להכי הרבה
25:10הכנסות. אני פשוט מסכם את המחירים לפי ID
25:14ואז אחרי זה אני מזהה את הבוק של הספר
25:16היחיד ורואה מה תרם לי במיוחד להכנסות
25:21ועוד ועוד ועוד איבודים כאלה על טבלת הפקט
25:26אבל אני לא צריך לעבוד לא מולד בוק שזה
25:29טבלת
25:31הקטלוג מתוך מערכת התפעול של ניהול קטלוג
25:34הספרים לא על טבלת המכירות שזה דסמר שזה
25:39מערכת המכירות שלי, מערכת הקופות שלי ואני
25:43גם לא צריך לעבוד מולד
25:46שזה מערכת ניהול תאריכים כלשהי,
25:49אלא אני פשוט משלב את הנתונים הנדרשים לי
25:52לאיבוד לקבלת החלטות ולהבנה בתוך טבלה אחת
25:57שקרויה אפק ורק מולה אני עובד מבחינת
26:01מערכת ה שלי
26:05בתיאור של סכמת תיטי שלג או באנגלית
26:08סנופלייק
26:11אנחנו למעשה שומרים מבנה ניהול מידע טבלאי
26:15בצורה שהדימנשן היא לא טבלה יחידה לכל
26:20מימד ומימד אלא מידע מוחזג במספר טבלות.
26:23למשל אני כבר נתתי דוגמה שנתוני מכירות
26:26יכולים להיות גם בטבלת מכירות אבל לשרשר
26:30את מספר הלקוח לתוך טבלת נתוני מועדון
26:33לקוחות ושם לקבל עוד נתונים על מן הלקוח
26:37מקום המיגורים
26:39א כתובתו המדויקת שנת הלידה ועוד ועוד
26:42ועוד זאת אומרת אנחנו לא מחזיקים בכוכב
26:46מסביב
26:48טבלאות מימדים
26:50מסביב לאפקט table בעלות מימד אחד, אלא
26:53אנחנו משרשרים טבלאות
26:57דימנשן זוה במבנה שבסופו של דבר נשאב
27:01נתונים
27:03מטבלת הבת השנייה או השלישית בשרשור ונבוא
27:08ונעשאיר אותם פנימה לתוך אפקטיבל. זה בעצם
27:12מימד נוסף שמעשיר את קשת המימדים בכך שהוא
27:16מחבר טבלות נוספות. זה דבר מאוד שכיח כשיש
27:20לנו הרבה מערכות טיפעוליות שאנחנו שואהבים
27:23טבלאות אנחנו צריכים ליצור מבנה לוגי של
27:27החיבורים של הלוגי קורד של איזה נתון קשור
27:30לאיזה איזה רשומה קשורה לאיזו רשומה וככה
27:33אנחנו יוצרים בעצם שרשור מסוג פתית שלג א
27:38של נתונים מתוך הרבה מאוד מערכות טפעול
27:42שבסופו של דבר מבחינת התהליכים העסקיים
27:45הלוגיים
27:47הארגוניים הם כן אין קשורות זו לזו, אבל
27:49הן עובדות כמערכות נפרדות. מה שמאחד אותן
27:52בסוף זה עובדה שאני מביא את כולן לדאה ואז
27:57אני גם צריך להכין את המבנה השירשור הלוגי
28:01שיפרוק את הנתונים הנדרשים לכל פק טיבל
28:03לכל טבלת עובדה לפי הצרכים העסקיים שאני
28:08נדרש להוציא מהדטה.
28:11אז אנחנו יכולים לראות פה שבמרכז
28:17הפתית, פתית השלג, יש לנו טבלה שקריה
28:20salס. זו הטבלה השנייה משמאל. היא בעצם
28:23מחברת את כל הטבלות השונות. היא שואהבת
28:27נתונים גם מהtיים דימנש, שזה טבלת ניהול
28:30זמנים, איזה רבעון, איזה שנה, איזה חודש
28:34היו מכירות. גם מהproduct dimension,
28:38גם מהemploye dimension, כלומר מי העובדים
28:41שמכרו בפועל.
28:44אבל שימו לב שלמשל הproduct diמens, טבלת
28:48מימד הפרית שנמכר,
28:52הוא כולל שרשור, יש בו שדה שקראוי
28:55prodודctט cטגור
28:58והוא רק ברמת האינדקס. אבל אם אתם רוצים
29:01לדעת מה היא באמת אותה קטגוריה
29:04אז יש לנו תת טבלה או טבלה שמשורשרת אליה
29:08שקחויה קטatory diמש שזו טבלה שבה מנוהלים
29:13השמות התיאורים א מה ניתן לעשות מבחינת
29:17התמחור של הפריט לכל קטגוריה וקטגוריה של
29:21פרית
29:23כנל לגבי cסomer
29:26אז
29:27יש לנו טבלה שהיא מנהלת את ה diension
29:32היא כוללת באמת את הזהות שלו את מי שקנה
29:37אותו לקוח שקנה או לקוחה את השם של הלקוחה
29:41או הלקוח את הכתובת
29:43ואת זיהוי העיר CTID
29:47אבל אם אנחנו באמת רוצים לדעת איפה העיר
29:49הזו ממוקמת לא רק מספר אינדקס ברשימה של
29:53הרים אז יש לנו את טבלת המימדים של הרים
29:59ואז ואז אנחנו נגלה מה הזיפ קוד של העיר,
30:02א, מה השם שלה, באיזה מדינה בארצות הברית
30:05היא שוכנת או באיזה מדינה באופן כללי
30:08בעולם העיר הזו נמצאת. אז זו בעצם טבלה
30:12לניהול הרים, אבל כל המידע הזה הולב דווקא
30:16מעניין כנראה באותו ארגון לתעד בטבלת
30:21הנתונים של הלקוחות. לכן יש לנו שרשור
30:26לטבלת מימדים נוספת שקשורה לטבלת המימדים
30:29שקשורה בסופו של דבר לטבלת העובדה שקרויהס
30:34שנמצאת במרכזו של הכוכב או במקרה הזה פתית
30:39השלג המורכב יותר
30:43בדוגמה נוספת אנחנו גם יכולים לראות עוד
30:46דוגמה משדה המכירות וגם פה אנחנו יכולים
30:49לראות במרכז אז
30:52טבלת מכירות והיא כוללת
30:55א איזשהו מזהה של המכירה מי היה מזהה לקוח
31:00מזהה מוצר מזהה תאריך ומזהה חנות מסביב יש
31:05לנו טבלאות
31:08מימדים ללקוח למשל מה השם מה הכתובת של
31:13הלקוח איזו איזה זיהוי עיר וכדומה אפשר
31:18לראות מבחינת המוצר שנמכר עוד נתונים כמו
31:22השם או התיאור שלו או המחיר וגם משהו
31:25מעניין שקראוי brandנד זאת אומרת לאיזה
31:28קבוצת מותגים הוא שייך ואותו brandנד ינו
31:33כנראה על ידי מנהלי מותגים באותו ארגון
31:37דרך מערכת טפעולית נפרדת מערכת ניהול
31:40מותגים ולכן הוא שמור בטבלת מימד נפרדת
31:45שקרויה brand dimension שמשורשרת לproduct
31:49dimension שמשורשר בסופו של דבר לטבלת
31:52העובדות לגבי מכירות. אז ככה בעצם המבנה
31:56המורכב של פתית שלג עובד. עקב השילוב
32:01מהרבה מאוד מערכות טיפוליות. במקרה הזה גם
32:05מערכת המוצרים, גם מערכת
32:09קטלוג הברנדים, המותגים, גם מערכת
32:12המכירות, גם מערכת הלקוחות, החנויות ועוד
32:17ועוד ועוד לפי מבנה מלא של בדית.
32:22אם כך,
32:24אנחנו עוברים עכשיו לנושא של ארכיטקטורת
32:28BI,
32:29כשלמעשה אני שואלת את השאלה, מה היא
32:31ארכיטקטורת BI? זאת אומרת מה מה
32:35עצם ההגדרה ואיך זה מתקשר לbiזרכיטקטורה
32:39באופן כללי הוא מבנה לוגי של פתרון כמו
32:43ארכיטקטורה של בית לוקחים ארכיטקט הוא
32:46באמת קובע מה הלוגיקה של תכנון הבית
32:50מבחינת כיוון התאורה כיוון השמש שלא יהיה
32:55חם מדי שלא יהיה קר מדי האם ניתן להכניס
33:00מרפסות איך נשלב את המרפס בסות בבניין
33:03וכדומה. כלומר, יש פה לוגיקה של בנייה
33:06ותכנון של בתים. אצלנו המדובר כמובן
33:11בלוגיקה של מערכות מידע. בסופו של דבר
33:15ארכיטקטורת הBI תתמוך בפתרון של הקמת
33:20מערכות BI, הקמת מערכות בקרה ודיווח
33:23למנהלים א ובינה עסקית. אבל בגדול זו
33:28הזדמנות בכלל לבחון את כלל הארכיטקטורה
33:31של מערכות המידע של הארגון. כיוון ששינוי
33:35כמו התמאה של מערכת B הוא דורש חשיבה הרבה
33:39יותר עמוקה ונרחבת איך אנחנו מקשרים את כל
33:43המערכות. זו גם הזדמנות לפשט ולשפר את עצם
33:49העברת המידע בתוך הארגון בין המערכות
33:52המידע השונות. כיוון שאנחנו נדרשים אם
33:56עדיין אין בארגון להתמעה של דare אנחנו
34:01נדרשים להקמה שלטה mars להקמת all upפ
34:04שאנחנו נדבר עליו עוד מעט וכדומה כלומר
34:09בסופו של כמובן
34:11בסופו של דבר אנחנו צריכים את ייסומי הBI
34:14השונים שהם באינטראקציה מול מערכות
34:17הדיטהמרט או מול הall upפ מול אותו תו מול
34:22אותו גורם
34:24באמצע שלמעשה מסכם את הנתונים בדהוס על
34:29מנת שמוכל לאבד אותם במהירות. כן? אני לא
34:32רוצה לאבד ישירות מול הדטה באופן שוטף
34:36נתונים כי אז בעצם אני סותם את המערכת,
34:40מקפיא אותה.
34:42אז למעשה הארכיטקטורה
34:45היא משקפת את המבנה הלוגי של הפתרון שנדרש
34:48לארגון לשם הקמה של מערכות BI כמו שציינתי
34:53זה יכול להיות דרך דהס כזה או אחר אולי
34:56מעבר לSQL כי אנחנו רוצים לתמוך בסוגים
35:00חדשים יותר של קבצים כמו וידאו כמו אודיו
35:03מסיבות כאלה ואחרות לנתח אותן להפיק מהן
35:07תובנות ועוד
35:10א הארכיטקטורה עצמה היא פעילות של שילוב
35:16כמו גם כן הארכיטקט של הבית הוא משלב את
35:18המטבח יחד עם חדרי השינה יחד עם הסלון יחד
35:23עם המרפסת יוצר זרימה נכונה של תנועה בבית
35:26אז אותו דבר מדובר גם בארכיטקטורה של
35:29מערכות מידע אנחנו בעצם באים
35:33ומבצאים תכנון של השילוב של מערכות שונות
35:37בארגון כי יכולות להיות מערכות טפעולויות
35:40שונות. מערכת שכר מיצרן מסוים מערכת כוח
35:45אדם מיצרן אחר מערכת מלאי מיצרן שלישי
35:50ועוד ועוד ועוד מערכות טפעוליות.
35:53כמובן שאני צריך להגדיר זרימת מידע מתוכן
35:57דרך הl העברה שלו באופן תדיר ונכון מבחינת
36:04הזרימה זה יכול להיות בבת זה יכול להיות
36:06בנירט time כל האופציות שדיברנו עליהן אז
36:10אני צריך להגדיר
36:13את אופן זרימת המידע לתוך הדיטה ומשם את
36:18אופן שליפת המידע אה לתוך התווח של
36:22הדיטהמרץ
36:24ובסופו של דבר לתוך מערכות הBI שישאבו את
36:28המידע על מנת להציג אותו למקבלי ההחלטות.
36:31כלומר, כלל המערכות וכלל המרכיבים
36:34הטכנולוגיים כולל מרכיבי ITL כמובן באמצע.
36:38כן, אני לא רק מדבר על הדיטבייסים, על
36:41מסדי הנתונים ולא רק על הייסונים, כמו
36:44למשל מערכות הBI בקצה עם הגרפיקה היפה,
36:48אלא גם כן הפייפליינס,
36:51הצינורות באמצע שמעבירים את המידע ממערכת
36:54למערכת באופן אמין, בלי שיבושים, באופן
36:58נכון, כמו למשל כלי ITL שעושים את זה
37:02באופן תדיר, הם צריכים למעשה להשתלב לכלל
37:05פתרון אחד ולגרום המערכות במרכאות כפולות
37:09לדבר זו עם זו, כלומר לתפקד באופן שוטף,
37:14להיות בקומוניקציה אני אזכיר רק סיטואציה
37:17אחת
37:19שבה יכולה להיות בעיה וצריך לתת את הדעת
37:21עליה. יש לנו מערכת טיפעולית למשל בתחום
37:25המלאי. א היא צריכה לשדר מדי לילה לדata
37:32נתונים על מנת לעדכן אותו. נתוני מלי אה
37:36כי מדובר בנתוני רכישה צריך אותם למטרות
37:39של החלטות תקצוביות החלטות של פיזור מלאי
37:43בין מפיצים שונים א בדיקה של מתן מענה
37:48להזמנות של לקוחות ועוד ועוד ועוד ייסומים
37:52אם כך אנחנו עובדים על בט על תהליך לילי
37:55לא מורכב במיוחד כן זה לא נירילטיים
37:59הבעיה היא שעקב עבודות תחזוקה של חברת
38:03חשמל
38:05הופסק החשמל לאותו הלילה. כלומר,
38:11המערכות ירדו כמובן באופן מסודר ואין לנו
38:16תהליך עדכון מסודר.
38:19באותו הלילה לא בוצה הרצת עדכון. המערכות
38:22בבוקר, חברת חשמל סיימה את עבודות
38:25התחזוקה, הרימה את החשמל, המערכות חזרו
38:28לפעול. מה המשמעות?
38:31איך אני עכשיו מפצא
38:34על תהליך ETL על תהליך של העברת מידע
38:37ממערכות הטיפול לדata
38:40שבעצם לא התקיים?
38:43האם אני אריץ אותו במהלך היום ובכך אני
38:46אשביט יכול להיות שאני אשביט מערכות
38:50טפעוליות כי הן יהיו עסוקות בלשדר היקף
38:53מאוד עצום של נתונים והם בעצם לא יוכלו
38:56לשרט את המשתמשים הם יהיו קפועות מבחינתנו
38:59האם אני אריץ תהליך לילי כפול בלילה הבא
39:04האם זה אפשרי מבחינת זמן מאוד יכול להיות
39:06שהתהליך לוקח שש שעות עכשיו הוא יוכפל
39:10מבחינת זמן ל-12 שעות
39:13הנתונים של אתמול,
39:15כלומר אלה שלא הספקנו לעדכן בגלל הפסקת
39:18החשמל והנתונים של היום שבעצם התעדקנו, אז
39:24המנה היא בעצם לעדכון היא כפולה. איך אני
39:28מבצע את זה באופן נכון? האם אולי אני אחכה
39:32לסוף שבוע כדי לעדכן? ואם היום זה יום
39:35ראשון או שני מדובר בארבעה חמישה ימים
39:39למעשה שאנחנו לא נראה נתונים מעודקנים
39:43במערכת בגלל ההיקף הגדול שלהם שקשה בלילה
39:47אחד להשלים את הפער כלומר זה חלק
39:51מהשיקולים חלק מהבעיות חלק מהתרכישים
39:54שצריך להתמודד תרחיש נוסף
39:57בשילוב הזה
40:00תאראו לעצמכם עכשיו שהפסקת החשמל היא
40:03פתאומית
40:05וחברת החשמל
40:07הורידה את השלטר כמו שאומרים קיבלתה את
40:10החשמל את ההספקת החשמל
40:13ל10 דקות קרתה תקלה היא תוקנה 10 דקות
40:17הייתה השבטה רק שהיא יראה באמצעו של תהליך
40:22העדכון הטלי התהליך הריצה עלילי המערכות
40:26התאוששו המערכות הטיפעוליות הדataס
40:30אבל היינו באמצע עדכון הנתונים
40:33אז יכולים לקרוא מספר דברים. אחד, חלק
40:36מהנתונים
40:38הואעברו. אז אנחנו צריכים לזהות איזה חלק
40:42למעשה הוא עבר
40:45והודקן
40:46בדוה כדי שלא נכפיל, לא נכתוב פעמיים
40:50רשומות, גם חבל על הזמן.
40:54הדבר השני שיכול לקרות אם הפסקת החשמל
40:57הייתה פתרומית יכול להיות שרשומה אחת או
41:00שתיים השתמשו בתהליך העברה כי פתאום באמצע
41:04הם נקטעו זאת אומרת אנחנו לא רוצים להכניס
41:08את הרשומה הזו לדata על מנת שהיא לא תזבל
41:11לנו את הנתונים עם נתונים שגועים נתונים
41:15שהם חלקיים וכדומה צריך לטפל ברשומות כאלה
41:19שהשתבשו עקב הפסקת החשמל
41:23והדבר השלישי, מה לא התקנו? צריך גם את זה
41:26לזהות. זאת אומרת, איזה חלק מהקובץ או
41:30מהמידע לא עבר בסופו של דבר לדata ונדרש
41:35שידורו מחדש? אז יש כמה אסטרטגיות
41:39לעניין הזה. אסטרטגיה ראשונה אם באופן
41:43יחסי זמן השידור הוא לא גדול למרות שזה
41:46תהליך ארוך יחסי זה תהליך לילה הוא לא
41:50לוקח חמש שעות הוא לוקח שעה שעה וחצי
41:53שעתיים יכול להיות שצריך לעשות דמפ זאת
41:56אומרת למחוק את כל מה ששידרנו לשדר הכל
42:00מההתחלה כאילו זה לא קרה
42:03ואז אני לא מתמודד עם זיהוי של מידע חלקי
42:06רשומות משובשות א הבנה מה שידרתי, מה לא
42:11שידרתי?
42:13כחלק מתהליך ההתאוששות, אני פשוט מוחק את
42:16הקובץ החלקי שכן הגיע ומתחיל מחדש. מאוד
42:20מאוד פשוט. אסטרטגיה שנייה, אני לוקח ששבע
42:24שעות לעתכן, כלומר כל הלילה, אז בריצה כזו
42:28בהחלט אני לא אוכל לעשות שידור מחודש.
42:31בעצם אני אכנס ליום העבודה השוטף ואני
42:35אקפיא את המערכות. אני יהיו עצוקות בלשדר
42:38מידע בלבד, בלפרוק מידע וכדומה. אני לא
42:42רוצה לעשות את זה. אז אני אצטרך תהליך
42:45מורכב של זיהוי רשומות ששודרו, זיהוי
42:49רשומות שהשתמשו בשידור וזיהוי פערים,
42:52כלומר איזה רשומות נדרש עכשיו להעביר. אז
42:55אני רק משתף אתכם עם חלק מהבעיות של
42:59האסטרטגיות של איך אנחנו משלבים מערכות או
43:03מרכיבים טכנולוגיים שבעצם מדברים נכונה זה
43:08עם זה. זה די דומה לאסטרטגיה של מה קורה
43:13כשאני מדבר עם אדם אחר ולא שמעתי טוב את
43:17מה שנאמר. אני יכול לבקש לחזור על המילים,
43:21אני יכול להתעלם, אני יכול גם לנסות
43:26ולחשוב איך זה מתקשר לכל הקונטקסט,
43:29כי למשל לא נעים לי לבקש מהאדם לחזור על
43:33מילותיו. זאת אומרת, גם פה אנחנו נתקלים
43:37באוסף של אסטרטגיות ויכולות ואפשרויות
43:40וחלופות
43:41על מנת שהמערכות
43:44ידברו אחת עם השנייה באופן הטוב ביותר.
43:48בארכיטקטורה שכזו, כמו אנשים שמשתמשים
43:52בבית, אנחנו רוצים זרימה אמינה ורציפה,
43:56כמו שאנחנו לא רוצים להסתובב בבית, א שיו
44:00לנו כל מיני פינות
44:03ופניות בתוך הבית, פתאום אנחנו יכולים ככה
44:07א באמצע הלילה ללכת
44:10ולדפוק את האצבע של הרגל בקיר מאוד לא
44:14נעים. אז באותו אופן אנחנו רוצים גם זרימה
44:19של נתונים שהיא אמינה ורציפה ולא בעייתית.
44:23הארכיטקטורה
44:25של מערכות המידע בארגון ושל מערכות BI
44:29בתוכן חייבת לתמוך בכך. ומפה אני באמת
44:34אומר שהתהליך
44:36שבו אנחנו מטמיעים או מתכננים להטמיע
44:39מערכת BI הוא הזדמנות באמת לבחון את כלל
44:42הארכיטקטורה של הארגון. לבדוק איפה יש לנו
44:45גליצ'ים, איפה יש לנו החלקות
44:49שמידע לא עובר או משתבש בדרך או חוסר
44:52אמינות, חוסר רציפות. זאת אומרת, אני מצפה
44:56למשל בתהליכים הנוכחיים
44:59היום ב
45:02בשנות ה-2000 לקבל מידע שהוא יהיה מעודקן
45:07לאותו רגע או כמעט לאותו רגע. למשל אם אני
45:10מפעיל מחסן אני חייב לדעת איזה מלא יש
45:13למדפים הרגע ובפועל אם התהליך הוא עדכון
45:17לילי אני אני ניגש למדף אני מקבל תמונת
45:21מצב של אתמול והנה בינתיים ניפקו את המידע
45:24וזה לא הודקן במערכת
45:28אז גם הנושא של א תכנון ובנייה של
45:31ארכיטקטורה באופן נכון הוא הזדמנות לשפר
45:35תהליכים ולחשוב על כל תהליכי זרימת
45:38הנתונים בארגון. לכן התמאה של מערכת BI,
45:42תכנון ארכיטקטורה של BI היא בהרבה מקרים
45:46קצה הקרחון הנראה, אבל מתחתיו יש לנו
45:50קרחון שלם ענקי שנכבע פי חמש או שש או שבע
45:55בנפח שלו וכך גם הפרויקט. כלומר נדרשת כן
46:00נדרשת חשיבה על כלל הארכיטקטורה עד כמה
46:05היא משרטת את התהליכים בארגון כרגע עד כמה
46:09היא משרטת למשל מצב של מערכות מסחר
46:13אלקטרוני בעידן
46:16שהוא דורש מנ מהיר ללקוח משלוח מהיר
46:19משלוחים שילוחים וכדומה אבל מערכות המידע
46:23הן בערך משנות ה-80 בכלל לפני שמסחר
46:26אלקטרוני היה לפני שכל התהליכים
46:28המהירים הנדרשים האלה ורמות השירות
46:31הנדרשות של משלוח מעכשיו לעכשיו היה ואז
46:36אנחנו לא יכולים למשל לממש תהליכים עסקיים
46:39שאנחנו מעוניינים בהם
46:42דבר אחרון
46:44הארכיטקטורה לא משרטת את עצמה כמו שמערכות
46:47מידע לא משרטות את עצמן בסופו של דבר
46:51כניסה לפרויקט של תכנון ארכיטקטורת BI או
46:55תכנון של ארכיטקטורת מערכות מידע מכל סוג
46:59שהוא הוא נעשה בשירות של צרכים עסקיים
47:03וארגוניים
47:04הוא מיועד לעלות את הרווח של הארגון
47:07להעלות רמות שירות אולי לצמצם הוצאות
47:11לבחון החלטות אסטרטגיות כניסה לשווקים
47:14חדשים פיתוח מוצרים ועוד כל מה שאפשר
47:18לראות בוויזואליזציות שתכף נראה במערכות
47:22הBI למעשה חייב לבוא לידי ביטוי בגיבוש
47:27הארכיטקטורה. הארכיטקטורה לא משרטת איזשהו
47:32תחקום טכנולוגי. היא לא משרטת איזשהו יופי
47:36של פתרון. היא צריכה לשרט את הצורך העסקי,
47:40את האפשרות של מקבל החלטות, כמו למשל מנהל
47:44או מנהלת בארגון שנדרשים עכשיו לקבל
47:47החלטה, לאיזה שוק נכנסים, מאיזה שוק אנחנו
47:51יוצאים, מפסיקים את הפעילות, איזה תחום
47:53מוצרים נדרש עכשיו לביצוע, האם
47:59יש לי עיכובים בשרשרת הספקה
48:02שלמעשה אני נדרש לפתור איזשהם צברי בקבוק.
48:07כל זה בעצם מובא אליהם כמו תמונת מצב של
48:10קרב דרך מערכות הBI באופן שוטף או באופן
48:15שהוא נכון לאתמול תלוי אם אנחנו עובדים על
48:18תהליכי עדכון בצ'ים או בנירט timeים אבל
48:22בגדול
48:23הם חייבים להסתמך על נתונים שהם אמינים
48:27רציפים אפשר לסמוך עליהם בקבלת החלטות
48:31נכונות מתוך זה אנחנו צריכים לזהות את
48:35הצרכים העסקיים את התהליכים העסקיים
48:37המעורבים, את צורכי המידע שנדרש לאסוף.
48:40אני לא חייב עכשיו ליצור דטה וareהס
48:43שיאסוף לי מידע מכל המערכות הטיפוליות
48:46בארגון. יכול להיות שמערכות כוח אדם למשל
48:50הן לא קריטיות לקבלת החלטות, אבל המערכות
48:53הקריטיות זה מערכות המשלוח, המכירות,
48:56השיווק, א מערך המלאי שלי. כל זה כן חייב
49:01להסיף. אז פה אנחנו רואים ארכיטקטורה למשל
49:04שהיא מחברת באופן חלקי את מערכות המידע
49:08הטפעוליות בארגון כי זה הצורך העסקי.
49:12ארכיטקטורה אחרת אולי צריכה גם להוסיף את
49:14כוח האדם פנימה לאותו הדטה out אומר צריך
49:19להבין באמת איזה תהליכים עסקיים איזה
49:21צרכים עסקיים מניעים את הארגול.
49:26בפסטפורד קדימה אנחנו ניגשים לארגון ללמוד
49:30איזה מערכות מידע קיימות, איך הן מחוברות
49:32זו לזו, מה ניתן לשפר, איך בסופו של דבר
49:36אני יכול לחבר את כל המערכות הטיפעוליות
49:39דרך דהס
49:41קיים או דרך חתמה שלטה
49:44חדש, איזה תהליכי ETL, איזה ממשקים נדרשים
49:49על מנת לבצע את החיבורים. לפני שהגעתי
49:51אפילו לבחירה של מערכת BI לפני הכל ומה
49:55אני מגלה ברוב המוחלט של הארגונים למעט
49:58אולי חברות סטארטאפ שרק הוקמו אני מגלה את
50:03הצורה של סמיכת תלים פה אנחנו גם רואים
50:07שמיכתים שהיא יפה כן יש פה איזה אלמנט
50:11ויזואלי אבל במציאות שמיכת התלאים היא קשה
50:15היא מסובכת והיא מציאות בהרבה מקרים
50:19מכוערת מציאות
50:21קשה מבחינת גיבוש של ארכיטקטורה של מערכות
50:25מידע. מדוע יש לנו שמיכת תלאים של מערכות
50:29מידע? ולמה הכוונה בשמיכת תלאים בכלל
50:32בתחום מערכות המידע.
50:35אז מבחינת האבולוציה, ההתפתחות של
50:38ארגונים, ארגונים
50:41לא עוברים מאפס ל-100 בן לילה. כן? אין
50:44לנו גם לא תוך 3 וחצי שניות כמו במכוניות
50:48מרוץ. אין לנו התפתחות שהיא מהירה, אין
50:51לנו התמעה של כל מערכות המידע בבת אחת,
50:57אלא אלה צרכים אבולוציוניים.
51:00כלומר, הארגון כשהוא בא עובר תהליכים,
51:03גלגולים, שינויים, התפתחות, הוא הולך וגדל
51:07וכולי. באופן הזה צרכי מערכות המידע
51:12הולכים וגדלים איתו.
51:15ומכאן אנחנו מטמיעים עוד מערכת ועוד
51:18מערכת, מפתחים עוד פתרון, יוצרים עוד
51:21ממשקים על מנת שמערכות המידע ילכו ויגדלו
51:26איתו. רק מה הבעיה?
51:29הבעיה היא שהארגון למעשה
51:34לא מטמיע את כל צרכי מערכות המידע באופן
51:37מסודר
51:39מההתחלה, כן? מלידתו של הערגון, מרגע אפס
51:43של קיומו. זאת אומרת, קחו למשל חברה גדולה
51:46כמו אמדוקס
51:48או איזושה
51:51חברת ביטוח גדולה.
51:54הם התחילו למעשה כחבר כחברות קטנות. זה
51:58יכול להיות סטארטאפ של שלושה אנשים שהלח
52:01וצמח לארגון של 3000 4000 אנשים. זה יכול
52:06להיות מקרה של סוכנות ביטוח קטנה. כן
52:10סוכנות משפחתית. האב היה לו משרד ביטוח,
52:15היו לו ארבעה עובדים, הבן הגיע ואחר כך
52:18פיתח את זה לחברת ביטוח של 5000 או 7000
52:23עובדים. וכנן מבחינת מערכות המיטה,
52:26כשהארגון היה ארגון קטן, חברת סטארטאפ של
52:31שלושה איש למשל, לא היה צורך למשל במערכת
52:36לניהול כוח אדם. איזה כוח אדם ננהל פה? יש
52:39שלושה אנשים.
52:41גם מערכת לניהול משכורות מאוד יכול להיות
52:43שלא הייתה בארגון כיוון שנתנו את זה לגורם
52:47חיצוני. ישנם גורמים שמנהלים לחברות קטנות
52:50את המשכורות, תלושי השכר, מפיקים את זה
52:54וכולי. נותנים סוג של שירות חיצוני. אז זה
52:57לא היה בארגון. ככל שהארגון גדל הלכו
53:01הצרכים שלו
53:03וגדלו. פתאום היה צורך במערכת לניהול כוח
53:07הדם. כי עכשיו אין לנו כבר שלושה עובדים,
53:10יש לנו 300 עובדים מערכת לניהול פרויקטים,
53:15כי קשה כבר לעקוב על אקסל או באופן ידני
53:19אחרי שניים שלושה פרויקטים
53:22שמתבצאים במקביל, אנחנו כבר בכני מידע של
53:26מאות פרויקטים, אולי יותר בשנה.
53:30כלומר
53:32פתאום הואעלו צרכים למערכות מידע או
53:35פתרונות נוספים חלקם בפיתוח עצמי, חלקם
53:39ברכש מגופים חיצוניים וכך התווספו עוד
53:43ועוד מערכות
53:45ככל שהארגון הלך וגדל רכשו מערכת ניולמלה
53:49מספק מסוים מערכת כוח אדם מספק אחר
53:53הרכישות לא בוצ בו זמנית זאת אומרת מאוד
53:56יכול להיות שהיה הפרש של כמה שנים
53:59ואז קראו כל מיני דברים בשטח. למשל, הספק
54:04הראשון הפסיק לתמוך במערכת, הוא נעלם
54:07מהשוק או נקנה על ידי מתחרה. או הספק השני
54:12פיתח מערכת
54:15לניהול מלאי בסביבה, בשפה שונה. כן?
54:19המערכת הראשונה של כוח האדם פותחה
54:23בקובלול. המערכת השנייה פותחה כבר בשc.
54:28המערכת שאחר כך כעבור כמה שנים נרכשה
54:32פותחה כבר בג'אווה או בפייתון הטכנולוגיה
54:36הלכה ורצה בעבר כל המערכות רצו על מחשבים
54:41פנימיים בארגון עכשיו יש לנו תצורות
54:45ואפשרויות לנהל את זה על ענן זה הרבה יותר
54:48כלכלי הרבה יותר נוח הרבה יותר אפקטיבי
54:51בהרבה מקרים לא צריך לנהל את המחשב שלנו
54:56אמזון עם AWS עושה את כל הניהול על הנן א
55:01נכנס המובייל המובייל נכנס לפני כ 14 שנה
55:07פתאום צריך לתת שירות אפליקציה שמחוברת
55:11למובייל עם כל המשקים בין האפליקציה שהיא
55:14תמשוך מידע מתוך הדאה או איזושהיא מערכת
55:19ביניים שמשרטת
55:21זאת אומרת אנחנו פה רואים שמיכת לאים של
55:25מערכות שהתווספו זול לזו
55:28אה של ממשקים
55:32של טכנולוגיות חדשות טכנולוגיות ווביות
55:36למשל ארגונים שקיימים משנות ה60 או שנות
55:40ה-70 המערכות מערכות המידע שלהם
55:45למעשה פותחו מערכות הליבה מערכות
55:48הטיפעוליות פותחו בעידן שלא היה אינטרנט
55:51פתאום יש לנו גם חיבור לאינטרנט לקוחות
55:54רוצים קשר מיידי עם הבנקים עם חברת
55:57הביטוח, עם חברת החשמל או המים. כלומר, יש
56:02לנו אוסף של מערכות מדורות שונים, חלקן
56:06מיושנות ומתיישנות.
56:08א חלקן פעילות כאילו הן פותחו היום וחלקן
56:14באמת נרכשו
56:16או פותחו בשנים האחרונות בהמון המון
56:19סביבות, המון סביבות פיתוח. לפעמים בחלק
56:23מהשפות קשה להפשיג אנשי מקצוע. למשל יש
56:28מערכות ליבה, מערכות טיפוליות בבנקים,
56:32בחברות ביטוח שפותחו בשפת קובל בשנות ה-60
56:38הן עובדות מצוין, הן משרטות את הבנק או את
56:41חברת הביטוח נפלא. הן מבצאות את כל
56:45התהליכים
56:47הכלכליים הנדרשים באופן מושלם אפילו
56:52בימי המובייל ואפילו בימי האינטרנט.
56:55אוקיי? אין מערכות טיפעוליות. אם העברתי
56:58כספים דרך האינטרנט או העברתי כספים דרך
57:03כספר בסניף הבנק, הן רושמות את העברה.
57:07כאילו היא בוצאה. בין אם זה באינטרנט,
57:11במובייל או דרך הכספר. אין שום בעיה. הן
57:13מאזנות את ה
57:16יתרות של החשבון
57:19שממנו העבירו, מאזנות את היתרה של החשבון
57:22שאליו זה הגיע וכדומה. אין שום בעיה בכלל
57:26עם המערכת. אבל נרצה איזה שינוי קטן. בנק
57:30ישראל רוצה רגולציה מסוימת, איזשהו חוק
57:35מבקש דוח מסוים של העברות או כל דבר אחר.
57:39והנה אנחנו בבעיה כי צריך להתערב בתוך
57:43הקוד של הקובול ואף אחד בעצם לא יודע איך
57:47כותבים קובול, איך משנים את הקובול, איך
57:51נוגעים במערכת הזו שהיא כתובה והיא יציבה
57:55והיא באמת נכתבה מתוך שירות לשנים קדימה.
57:58אף אחד לא חזה את האינטרנט, אבל היא עובדת
58:01נפלא. אבל כל שינוי קטן גורם בעצם או עלול
58:07לגרום לבעיות מאוד מאוד גדולות. תרצו
58:10להמשיל את זה לארכיטקט שבונה בניין. אז
58:14רוב מערכות המידה בארגונים נראות כמו
58:19הצריפונים או ה
58:22מזנונים האלה שמקימים בשולי הדרכים. מישהו
58:26גורר איזה אוטובוס, מקולקל לאיזה מקום,
58:31פותח שם מזנון לקריחים,
58:34לאט לאט מוסיף כמה קרשים שהלקוחות ישבו
58:37בצד,
58:39שם כמה שולחנות שהוא אסף, כמה כיסאות שהוא
58:42אסף,
58:44טיפה מרחיב,
58:46שם ככה כמה א
58:50א קירועים של אזבסט או לוחות מתכת בתור
58:55איזה גרגון מעול אולטר
58:58קשורים לקרשים
59:00והנה אתם מקבלים לאט לאט מבנה רק מה הבעיה
59:03בארכיטקטורה כזו שככה היא גם נראית תרצו
59:07לעשות שינוי קטן להזיז איזשהו קרש ממקום
59:11למקום
59:13או לעשות שינוי קטן במערכת המידע שבנויה
59:17כמו שמיכת לאים זו על גבי זו ויכול להיות
59:22שהכל יקרוס המערכות יפסיקו לתפקד כי
59:27התערבנו בארכיטקטורה מאוד מאוד לא מסודרת,
59:30לא מאורגנת ומאוד שבירה.
59:35אז למעשה דיברנו על
59:37הארכיטקטורה
59:39ברמה כזו או אחרת. דיברנו על הבעיה של
59:41שמיכות תלאים שהתפתחו עם הזמן עם שינוי
59:45טכנולוגי, עם שינוי תהליכים עסקיים
59:48בארגונים שנדרשו לשנות או לבצע התאמות של
59:52מערכות המידע או רכישות של רכיבים
59:55טכנולוגיים או מערכות נוספות בפעילות
59:58השוטפת,
59:59לאיפה זה בעצם מוביל אותנו. אז בואו ככה
1:00:04ניתן לכם את התמונה היותר מלאה. על החלקים
1:00:07השונים אנחנו נדבר יותר בהרחבה בשיעורים
1:00:10הקרובים, אבל בגדול ממחסן הנתונים אנחנו
1:00:14מייצאים את הנתונים אלד mars שהם למעשה
1:00:19בסיסי נתונים
1:00:21מוקטנים יותר, הם מכילים סיכומים של
1:00:24הנתונים או נגזרות נדרשות לקבלת החלטות
1:00:27עסקיות. למשל אני אולי לא צריך לקבלה של
1:00:31בחינה של מערך המכירות של הארגון כמנהל
1:00:34מכירות לראות את כל נתוני המכירות שבע
1:00:38שנים אחורה יכול להיות שאני צריך לראות את
1:00:40נתוני המכירות שנה או שנתיים אחורה אולי
1:00:44אני לא צריך לראות כל מכירה ומכירה אלא
1:00:46אני צריך לראות סיכום מסוים בשנתיים האלה
1:00:50פר לקוח או פרזור מסוים או כל פרמטר אחר
1:00:55שמעניין אותי מבחינה עסקית כן לא מדברים
1:00:58פה על נתונים גרדה, אלא מדברים על נתונים
1:01:02בשירות התהליכים וקבלת ההחלטות העסקיות.
1:01:06אז בהחלט חשוב להפיין איזה נתונים יהיו
1:01:10בדאה מרטס, איך הם
1:01:14א למעשה יגזרו ממחסן הנתונים, זאת אומרת
1:01:17האם ניקח שנה אחורה, שנתיים אחורה של
1:01:20נתונים. אבל איזה נתונים? מכירות. מכירות
1:01:24כולל אזור. מכירות, כולל אזור ולקוח.
1:01:28וכולי וכולי וכולי. האם את סכום המכירה
1:01:31הכולל או גם פירוט הפריטים שנמכרו? הכל
1:01:36תלוי בתהליך העסקי. לדוגמה, אם אני גוזר
1:01:41נתונים של מכירות שנתיים אחורה והם כוללים
1:01:45רק את סכום המכירה, זאת אומרת בתאריך
1:01:49ראשון לראשון 2019 למשל,
1:01:53מכרתי ב-150 אלף שק סחורה ללקוח מסוים,
1:01:58הרי שפה הנתונים הם בשירות התהליך
1:02:01הפיננסי. אני רוצה להבין מה ההכנסות של
1:02:04החברה. זה צורך פיננסי. אם אני רוצה לראות
1:02:10למשל איזה פריטים נמכרו אז הצורך הוא צורך
1:02:14עסקי אחר שהוא צורך למשל של חיזוי ביקושי
1:02:19שזה תהליך או צורך שהוא לוגיסטי תכנון
1:02:23וניהול הייצור נכון אנחנו עושים חיזוי
1:02:26ביקושים על סמך היסטוריה של הביקושים שלנו
1:02:30בעבר אז צריך להבין באמת מה הם הצרכים
1:02:35של הארגון מה הם הצרכים העסקיים? יכול
1:02:38להיות ששני הצרכים נדרשים. אני צריך את
1:02:41אותם נתונים של מכירות גם כדי להבין את
1:02:45ההתפתחות הפיננסית של הארגון. כמה הכנסות
1:02:48נכנסו בכל חודש כתוצאה ממכירות בשנתיים
1:02:52האחרונות ופר לקוח וכדומה.
1:02:56ויכול להיות שהצורך הוא גם צורך אחר. צורך
1:03:00לוגיסטי צורך של תכנון וניהול היצור שזה
1:03:04למשל חיזוי מלא. תכנון רמות מלאי חכם יותר
1:03:08עונתיות וכל הפרמטרים שלהם אנחנו צריכים
1:03:12פירוט של הפריטים ושל הכמויות שנמכרו אולי
1:03:17הצורך הוא שיווקי ואז אני חייב גם לקבל את
1:03:21שמות הלקוחות כן אני ארצה לראות מי
1:03:24הלקוחות המניבים ביותר להזמין אותם לאירוע
1:03:28שקע לאירוע יוקרתי לקדם על מנת שהם יגדילו
1:03:33את ההזמנות את הבחירות רות אליהם.
1:03:38מתוך שכך אנחנו גם צריכים להגדיר את
1:03:42הדרישות לעיבודים מהירים ולתצוגה.
1:03:46כלומר המנהל בסופו של דבר יושב מנהל
1:03:49המכירות, מנהל השיווק, מנהל הלוגיסטיקה,
1:03:52א המנהל הפיננסי בארגון, סמנקל כספים
1:03:56למשל,
1:03:58הם יושבים מול המערכות השונות
1:04:02ובקליק רוצים לקבל את הגרפים של מה קרה
1:04:05השנה, מה קרה השנה לעומת שנה שעברה, א
1:04:09חלוקה לפי חודשים, כן? גרף של פי, כל דבר
1:04:12שנאפיין להם. מתוך שכך אני צריך להבין מה
1:04:17היקף הנתונים שאני גוזר. האם אני צריך
1:04:20למשל לסכם אותם ברמה חודשית כדי להקל את
1:04:24העיבוד המהיר והתצוגה. אני לא רוצה
1:04:27סיטואציה שבו מנהל או מנהלת יעשו קליק.
1:04:31יחקו לקבל עכשיו דוח או גרף מסוים שיציג
1:04:34נתונים. ועכשיו הם צריכים דקה וחצי, שתי
1:04:39דקות, שלוש דקות להמתין
1:04:42על מנת לקבל את הגרף או את הדוח הזה
1:04:45לחיווי, כי כף הנתונים שגזרתי היה גדול
1:04:49מדי, לא סיכמתי את הנתונים ביחס לצרכים
1:04:52שלהם, דבר שמקטין את מספר הרשומות. למשל
1:04:55מ1000 רשומות של מכירות אני יכול לייצר
1:04:59רשימה רשומה
1:05:02של סך מכירות לחודש ואז אני מצמצם מ1000
1:05:06מקני מידה של 1000 רשומות לקני מידה של
1:05:09רשומה אחת אני מוריד את כמות ה הנתונים
1:05:13המידע הרשומות בסדר גודל של 1000
1:05:18ואם אני לא מבצע את זה נכון הם יצטרכו
1:05:21לחכות עכשיו שלוש דקות שתי דקות 40 שניות
1:05:25על מנת שהגרפים יעלו ויפסיקו בעצם להשתמש
1:05:29במערכת הB. היא לא תשרט את המטרה כי אף
1:05:32אחד בעצם בעידן של היום לא מוכן לחכות
1:05:37יותר משנייה וחצי כדי לקבל את התוצרים.
1:05:42אז אם כך אנחנו לא מעוניינים שתתבצא הנה
1:05:47פעולות שהן כבדות או ארוכות בזמן ברמה של
1:05:51הדטה.
1:05:53ולכן אנחנו צריכים לנתח את התהליכים
1:05:56העסקיים, להבין מה נדרש להציג, לאיזה מטרה
1:06:00נדרש, מה הם צרכי הדטה, מה הם צרכי
1:06:03הנתונים והמידע למנהלים השונים שמערכות
1:06:08הBI בעצם
1:06:10צריכות לשרט אותם. אנחנו גם צריכים להבין
1:06:14האם אפשר להסתפק בתהליכים בצ'יים להצגת
1:06:17מידה או אפילו אני צריך להעדכן את הדטה
1:06:22ומתוכו אפילו לעדכן את הדטה מרט ששרט את
1:06:27הBI בניר real time לפעמים גם זה נדרש
1:06:31לפעמים נעלים רוצים את המידע נכון לעכשיו
1:06:34לא נכון לאתמול יש לזה כל מיני השלכות אני
1:06:37ציינתי נושא של מלא של רכש שיכול להשתנות
1:06:41מיום ליום יום או במהלך היום ולכן מבחינת
1:06:46הניתוח הצרכים העסקיים חייבים להבין מה
1:06:50התדירות מה הדקניות המידה שנדרש להציגו
1:06:54במערכות הBI וכמובן
1:06:57באופן הזה לגזור את צרכי
1:07:01העדכון של הדטה ושל הדam מט
1:07:06בסופו של דבר ככה פה נגרא אתכם אנחנו נדבר
1:07:11באחד השיעורים הבאים על ויזואליזציה,
1:07:14על אופני הצגת המידע, על התפיסות השונות,
1:07:19על הנוחות. אבל הנה דוגמה למשל
1:07:22לדאשבורד שמרכז המון המון מידע. המידע הזה
1:07:27נלקח מרשתות חברתיות. חברה היא בעלת
1:07:31מערכות שאוספות מידע לגבי האזכורים שלה
1:07:36ברשתות חברתיות, פייסבוק, אינסטגרם
1:07:38וכדומה. היא בעצם כל הזמן סורקת
1:07:42בתהליך ETL פה מקור המידע הוא חיצוני זה
1:07:45רשת חברתית הוא לא פנימי לחברה
1:07:48מדובר בסריקה של המון מידע באופן רציף
1:07:53ובסופו של דבר החברה מביאה את זה לדאשבורד
1:07:57מאוד מאוד נוח לקבלי החלטות אנחנו יכולים
1:08:01לראות פה כמה פורר כמה אנשים בעצם עוקבים
1:08:05אחריה כמה לייקים ניתנו כרגע
1:08:09מה אחוז השינוי? אז מבחינת הפוז השינוי
1:08:14היה מאוד מאוד מינורי, כמעט אפסי. מבחינת
1:08:17הלייקים יש פה קפיצה של 80% למעלה. א
1:08:22מבחינת התגובות, ההערות, 26 ש הערות, זה
1:08:26עליה של 100% וירידה במספר הפוסטים
1:08:30שמאזכרים
1:08:32את החברה. ירידה מאוד מאוד מינורית פחות
1:08:36100%.
1:08:38אז פה למשל מנהלי השיווק, מנהלי המדיה,
1:08:41מנהלי הקהילות
1:08:44של אותה חברה יכולים להתרשם
1:08:48מהריכוז של הפרמטרים האלה שהמערכת תוספת
1:08:53ומאבדת בזמן כמעט אמיתי. בנירט time א יש
1:08:58גם בדשבורד הזה זה בעצם מערכת
1:09:02ניווט למנהל לכל דבר. זה מערכת BI שמסייעת
1:09:06למנהלים לקבל החלטות למנהלי קהילה, למנהלי
1:09:10שיווק. למשל אנחנו יכולים לראות איך
1:09:14הלייקים משתנים לאורך זמן. מתוך זה אנחנו
1:09:17גם נדע,
1:09:18כן, זה הגרף האמצעי הימני בצבעים א
1:09:24ורודים אדומים. מתוך זה אנחנו נדע גם מתי
1:09:27לעלות פוסט, מתי השעה הכי אפקטיבית
1:09:31שכדאי לעלות פוסט לרשת החברתית כדי שהוא
1:09:35יקבל את מרבית תשומת הלב במונחים של קבלה
1:09:39של לייקים, שרים,
1:09:41הערות,
1:09:43הבעת עניין מבחינת פוז, כניסות של עוקבים
1:09:47חדשים ועוד ועוד ועוד. אנחנו יכולים לראות
1:09:51את פעילות או מספר העוקבים בשינוי לאורך
1:09:56זמן, לאורך יום, שבוע, חודש, בכל כני מידה
1:10:01של זמן שהוא וזה גם מאפשר לנו קבלת החלטות
1:10:06למשל ברמה שעתית, מתי לנסות למשוך עוקבים
1:10:11חדשים, מתי לעלות פרסום וכדומה. אם אני
1:10:14רואה את הפילוח ברמה של חודשים או שבועות,
1:10:18אני אוכל גם לנסות ולקבל החלטה מושכלת
1:10:21ונכונה מתי לעלות קמפיין פרסומי. אני
1:10:25מתייחס פה לגרף הקבי
1:10:29באמצע בצד שמאל בצבע ירוק. אז אתם יכולים
1:10:32לראות באמת את שינוי הפowר ואפשר מתוך זה
1:10:37לנסות ולהבין מה הדינמיקה
1:10:40של העוקבים שמצטרפים.
1:10:43ועוקבים אחרינו ובהתאם לנסות לעלות קמפיין
1:10:47שיעודד את הדינמיקה שימריץ עוקבים חדשים
1:10:51להצטרף לדפים שלנו.
1:10:55אפשר גם לראות
1:10:58מה הם ההשטאגס שאנשים משתמשים כשהם מדברים
1:11:01עלינו
1:11:03בצד א בצד ימין למטה, כן? אתם יכולים
1:11:07לראות גרף פי כזה שמראה את התפלגות ההשטגס
1:11:13ואז באמת אפשר לראות שutדdo adventures
1:11:18בצבע סגול
1:11:20זה האשטאג פופולרי במיוחד
1:11:25א בצבע ורוד ממש מתחת לסגול הוא גם
1:11:30פופולרי גם בצבע צהוב outdoדורס ומתוך זה
1:11:34להבין
1:11:36שבערך 70 או 75%
1:11:39מכלל ההשטאגים שמדברים על החברה מתמקדים
1:11:44בשלוש שלושת מונחי המפתח האלה בשלושה
1:11:49האשטאגים בלבד וכל פעם שנעלה גם פרסום או
1:11:53פוסט או כל דבר אחר אנחנו גם נידע להשתמש
1:11:57בהאשטאגים האלה שמביאים למירב
1:12:01שומת הלב מירב האראשןס המשיכה של העוקבים
1:12:05העוקבים חדשים או עניין בציבור. כלומר,
1:12:09מתוך הצרכים האלה אפשר
1:12:14לבנות נכונה קמפיין שיווקי ברשתות
1:12:17חברתיות. אפשר לסווג נכונה בהשטגים את
1:12:20הפוסטים השונים, לדעת באיזה שעה קמפיין A,
1:12:25סליחה פוסט שאני מעלה או קמפיין שאני מעלה
1:12:28הוא הכי אפקטיבי מבחינת משיכה תשומת לב.
1:12:33איך תנועת הפוז אחרינו העוקבים שלנו
1:12:39משתנה לאורך היום או לפי ימים בשבוע או
1:12:43לפי ימים בחודש או לאורך זמן בכלל. אנחנו
1:12:48גם יכולים לראות זה בצד שמאל למטה
1:12:51מה הם הפוסטים שיצרו הכי הרבה עניין ללמוד
1:12:55מהם ובעצם לשכפל
1:12:58ולהעצים את המתכון להצלחה במקרה הזה אנחנו
1:13:02רואים תמונה מאוד יפה של אזור מושלג כמה
1:13:06מילים ככה על האזור למה שלא נשתמש באזור
1:13:09הזה מזוויות אחרות באמת
1:13:13תמונה מהממת
1:13:15אפשר מתוך זה להבין את את המתכון להצלחה.
1:13:19מה מושך אנשים? אתם יכולים לראות שהתמונה
1:13:22הזו זכתה ל א 26 תגובות וכ3000 לייקים
1:13:28כמעט. בקיצור, אפשר להשתמש באותו מתכון
1:13:32להצלחה
1:13:33לייצר עניין, לפחות לשכפל את זה כמה וכמה
1:13:37פעמים, לא כל הזמן את אותו דבר בהכרח, אבל
1:13:42בהחלט להבין מה סוד ההצלחה של ה
1:13:47קמפיין במדיה החברתית או של פרסום ומה
1:13:50הדינמיקה
1:13:52של צרכני המדיה החברתית באמת של החברה
1:13:55שלנו.
1:13:57הנה כלי ויזואליזציה נוסף. הוא דווקא מדבר
1:14:01על מידה שנשאב
1:14:04מפנים הארגון, מתוך הארגון.
1:14:07מדובר בחברה גדולה שבנתה במקרה הזה דשבורד
1:14:13למנהלים בסביבה של Power BI. זה צילום
1:14:16מתוך Power BI של מייקרוסופט.
1:14:19זה מוצר הBI המוביל שלה.
1:14:23ובמקרה הזה החברה מעוניינת
1:14:26לתת איזשהו דאשבורד למעלי האיכות
1:14:30כדי להבין בעיות של איכות מבחינת ייצור של
1:14:35חלקים או מוצרים. אתם יכולים לראות בצד
1:14:39שמאל א סיכומים שונים למה בעיות האיכות
1:14:44גרמו. אז אפשר לראות מה מספר החלקים
1:14:48הפגומיים. 33 מיליון זה המון.
1:14:52‏down time זאת אומרת כמה דקות היו השבטות
1:14:56ייצור בגלל פגיעה באיכות היה צריך לכוון
1:14:59את פס היצור לתקנן אותו לתקן ליקויים
1:15:03וכדומה זה 77,000 דקות אני מניח שזה שנה
1:15:07אחורה שזה גם המון זמן עובדן של יכולות
1:15:11ייצור עצומות
1:15:14אפשר לראות א פרמטרים נוספים
1:15:18א כמוטל defeפקט
1:15:21יש זה מופיע מספר פעמים
1:15:24with impact with no impact מה המשמעות
1:15:27אני לא יודע זה הגדרות של הארגון יכול
1:15:30להיות שזה דברים שפגעו בלקוחות זה impפקט
1:15:34דברים שלא פגעו בלקוחות עצרנו אותם בזמן
1:15:38זה
1:15:39כבר כחלק מההגדרות או המונחים או התהליכים
1:15:44העסקיים של הארגון היצרני הזה
1:15:49אנחנו גם יכולים
1:15:51לראות את מספר דוחות ה
1:15:57החלקים הפגומים 6145
1:16:00דוחות הוגשו דרך המערכת ועוד ועוד ועוד
1:16:04מידע מדובר באמת בארגון יצרני ענקי אפשר
1:16:08גם להציג את הנתונים על גבי מפה דינמית
1:16:13כלומר אנחנו יכולים ממש לקחת מגוגל מפס או
1:16:17ממקור אחר מפה במקרה הזה הזה של ארצות
1:16:20הברית ולשים את המפעלים שלנו על גבי המפה
1:16:25לראות על ידי המחשה כזו אחרת למשל על ידי
1:16:30הפייגרפס את ההתפלגות של חלקים תקינים
1:16:33חלקים לא תקינים חלקים ש תוקנו וכולי
1:16:37וכולי אתם יכולים לראות אפשר לראות את
1:16:40גודל הפעילות היצרנית לפי גודל הפי זאת
1:16:44אומרת יש פה המון דפוסים יפים של המחשה
1:16:49אפשר אפשר לראות את התפלגות הפגומים לאורך
1:16:52זמן, הפגמים ביצור לאורך זמן. אז פה יש
1:16:56לנו השוואה בין שנים. 2013
1:17:00זה א זה הגרף האמצעי
1:17:04א בשחור וירוק.
1:17:08אז אתם רואים באמת השוואה בין 2013 בירוק
1:17:11ל-2014 בשחור. איך זה מתנהג? באיזה חודשים
1:17:16היו קפיצות וכדומה.
1:17:18כל מיני התפלגויות
1:17:20לגבי מפעלים שונים, איפה היו בעיות בהפסקת
1:17:25ייצור, כמה דקות היו ההפסקות, איפה היו
1:17:29בעיות של פגומים. אפשר להשתמש בהמון סוגים
1:17:33של גרפים, למשל גרף המועות בצד ימין
1:17:36באמצע, כן? אתם רואים מנבועות צבעוניות של
1:17:40מראות גודל, מראות אפקטים מבחינת
1:17:45א כמות לעומת פרמטר אחר, כמובן ברים
1:17:50וכולי. אז בעצם אתם רואים דאשבורד של
1:17:54מערכת BI
1:17:57בשמוש לכל דבר
1:18:00ומנהלי יצור או מנהלי איכות בהחלט יכולים
1:18:04מיידית במבט אחד ללמוד איפה הבעיות. האם
1:18:07יש תקופות בשנה שנגרמות בעיות. האם יש
1:18:11אתרי יצור שגורמים למרבית הבעיות.
1:18:16היכן אנחנו בעצם נמקד את המאמץ, את
1:18:20ההשקאות שלנו בהחלפת ציוד, בהדרכות
1:18:23עובדים, בכל פרמטר אחר כדי לפתור את
1:18:26הבעיות. כנראה שבמפעלים הגדולים והמתקילים
1:18:30יותר, כן? אלה שיש בהם יותר תקולים או
1:18:33פגומים. זאת אומרת ניתן פה לקבל חיוויים
1:18:38למטרת קבלת החלטות של איך אנחנו באים
1:18:42ומתמודדים עם הבעיה הזו של הפחת הפגומים א
1:18:48הורדת מספר הפגומים הורדת מספר הדקות
1:18:52הכולל בשנה שאנחנו מפסיקים ייצור בגלל
1:18:56פגמים ביצור ועוד ועוד ועוד הכל תוך
1:19:00החיוויים האלה תוך החיתוכים השונים האלה
1:19:04שמ שמחישים לנו באיזה אתרים הבעיות, כמה
1:19:07זמן של עובדן עבודה, של עובדן מוצרים לשוק
1:19:13הם בעצם פגומים, הם יוצאים פגומים מקו
1:19:16ועיצור. אנחנו בעצם מקבלים וניתן על סמך
1:19:20זה באמת להחליט איפה אני מתחיל מחר. דבר
1:19:25ראשון להשקיע בהלאת איכות היצור ובהלאת
1:19:29איכות פס היצור. ‏am

About this transcript

This page contains the full transcript of Lesson 7 by EH, generated from the public captions YouTube serves with the video. The transcript has 7,971 words across 1,298 segments, with the original timestamps preserved so you can click any line to jump to that moment in the embedded player.

What you can do with it

Use the transcript to take notes, quote the speaker, build a study guide, generate a summary with ChatGPT or Claude via the YouTube Summary tool, or export it as a timed subtitle file with YouTube to SRT. You can also re-open it in the transcriber to translate the transcript into 100+ languages.

Free YouTube transcript tool

YouTube2Text is a free YouTube transcript generator — no signup, no daily limit. Paste any YouTube link and get the full transcript instantly, with timestamps, click-to-jump, translation to 100+ languages, AI prompts for ChatGPT, Claude, and Gemini, and exports to TXT, SRT, VTT, or Markdown.