YT YouTube2Text

YouTube2Text → Transcripts → Lesson 8

Lesson 8 — Transcript

by EH · 8,498 words · 1,418 segments · language en · Watch on YouTube

Open in transcriber Summarize with AI Download SRT/VTT

Full transcript

0:01שלום רב. את השיעור הנוכחי אנחנו נקדיש
0:04להבנה של א דרכי ארגון מתקדמות של הנתונים
0:09אה גם כדי להפחיט את מספר הנתונים כאשר
0:13אנחנו שואבים אותם מהדataס כי גישה ישירה
0:17ניתוחים ישירים שאילטות ישירות על הדהס הם
0:20תהליכים מאוד מאוד כבדים ברוב הארגונים זה
0:23דורש ריצות לילה בארגונים אחרים זה עשוי
0:28חלילה להקפיא או לעצור מערכות שהן
0:31טפעוליות במהלך שעות העבודה. אז לכן אנחנו
0:35צריכים לקחת את כל נתוני הדataware ולראות
0:39איך אנחנו מקיפים, מפחיטים את תקפם.
0:44הדבר השני הוא באמת לראות מה נדרש לנו כי
0:48לא תמיד הכל נדרש לנו בדataס אלא נגזרות
0:52של נתונים או אופני ייצוג מסוימים שמהם
0:56אנחנו בעצם יכולים לתחקר באמצעות מערכת
1:01זאת אומרת לא תמיד צריך להריץ תהליכים
1:04מאוד מאוד כבדים על הדטה אבל אנחנו יכולים
1:09בהחלט להשתמש בנגזרות או ייצוגים או שכבות
1:13של הנתונים הללו וזו מהותו של השיעור
1:18היום. אני לוקח את הדוגמה האחרונה
1:21שהתייחסתי אליה כאיזשהו פרמטר לאיחוס. אז
1:25לכאורה
1:27נראה לנו דבר פשוט. אתם יודעים א מה
1:30הבעיה? מקימים בפור BI שהוא קצת דומה
1:34לאקסל
1:36ולאקס באופן הביצוע של הפרויקט. אז עושים
1:40את הגרפים, מעצבים אותם
1:44ביגדיל. אבל תחשבו כמה עבודה יש מאחורי
1:47זה. ראשית
1:50אנחנו אוספים מידע ממערכות טיפעוליות מאוד
1:53יכול להיות שמספר מערכות טפעוליות. מערכת
1:56אחת היא מערכת ניהול האיכות. כמה פגומים
1:59נמצאים, איפה הם דובחו וכדומה. ומאוד יכול
2:03להיות שלכל מפעל ומפעל אני פה רואה במפה
2:07מסביבות ה
2:0910 12 מפעלים כן לפי העיגולים במפה ה א
2:14העליונה באמצע אז מאוד יכול להיות שלכל
2:18מפעל ומפעל יש מערכת משלו כלומר אני צריך
2:21פה לחבר לדata מערכות ניהול ייצור שונות
2:27שרצות באופן עצמאי ב-12 מפעלים שונים
2:31אוקיי זה דבר ראשון ראשון אז אני צריך
2:34תהליכי ממשקים לפתח
2:37לתוך מערכות היצור של 12 המפעלים מערכות
2:41ניהול האיכות
2:44יכול להיות שבארגון יש מערכת אחת אבל גם
2:47אותה אני צריך לקשר עכשיו מאוד יכול להיות
2:50שחלק מהמפעלים מחזיקים מערכות שונות אני
2:53צריך לאחד את הנתונים את צורת הנתונים מה
2:57שקראנו
2:59לאטנספורם בETL
3:02זאת אומרת יכול להיות שייצוג הנתונים
3:05במערכת ייצור או מערכת ניהול ניהול איחוט
3:09של מפעל אחד שונה מהעיצוג או ממבנה
3:12הנתונים במערכות במפעלים אחרים. כלומר,
3:16צריך גם פה לבצע פעילות לגבי מבנה
3:21הנתונים, מאיזה שדות מושכים אותם, האם הם
3:24צריכים המרה לאיזשהו פורמט אחיד של נתונים
3:28בדו ולאחד בעצם נתונים שמגיעים עם מערכות
3:33שמדברות ב-12 או 10 או 15 שפות שונות,
3:39שפות מבחינת המבנה, הפורמט של כל נתון
3:42ונתון, לא שפות תכנות
3:46וליצור את הצינור הזה ולהחליט מתי אני
3:51מעדכן, האם אני מבצע את זה בנירטיים או
3:53בבץ' או חלק מהמפעלים
3:56אולי הגדולים מביניהם. שם המידה הוא
3:58קריטי. קריטי יותר ממפעלים קטנים בהקפים
4:02קטנים. זה יהיה נירטיים במפעלים קטנים.
4:06מידע ובבץ' כי לא כל כך בוער לי לדעת על
4:11יותר בעיית איכות אחת או פחות במהלך היום,
4:15אבל במפעל גדול יכול להיות שיהיו 100
4:17בעיות איכות במהלך יום אחד. אני חייב לדעת
4:21את זה באופן שהוא יותר רציף, לקבל את
4:24תמונת המצב
4:26א באופן שהוא יותר משמעותי לגבי המפעלים
4:30הגדולים.
4:32ולאחר שבניתי את הדטה אני חייב גם לשבת עם
4:37המנהלים להפיין מולם איזה דוחות איזה
4:40מסכים יהיו יותר משמעותיים עבורם בתהליכי
4:45קבלת החלטות
4:47איזה עיצובים מתאימים להם יכול להיות שחלק
4:49מהמנהלים
4:51הם גם עברי צבעים אז צריך לתת את הדעת
4:54בבחירה של הצבעים של הויזואליזציה
4:58לאותם אנשים כן איורוד צבעים זה סדר גודל
5:01של בערך 20% מהאוכלוסיה ממה שידוע לי. אז
5:06צריך גם את אופני המחשה לתת באופן שיתמוך
5:12במנהל, שיתן למנהל או למנהלת את הנתונים
5:15הנדרשים לקבלת החלטות באופן הנוח ביותר
5:20לקבלת ההחלטות באופן שלא יבלבל אותם.
5:23כלומר שהגרפים יהיו בסיס נכון לקבלת
5:27החלטות. אולי זה מלווה גם במערכת של
5:30דוחות.
5:31שמסכמים את הנתונים המספריים
5:34א בחתכים שונים לפי
5:38יום, לפי שבוע, ימים בשבוע, לפי ימים
5:41בחודש, לפי חודשים ברבעון או בשנה. כלומר,
5:47צריך גם להבין מה הם צרכי המידע של
5:51המנהלים על מנת שהם יקבלו החלטות מושכלות,
5:54החלטות שלא יתבלבלו בגלל עודף מידע או
5:58בגלל מידע שמוצג בצורה מבלבלת או לא
6:03מתאימה, שיהיו החלטות שיתקבלו
6:07על בסיס של מידע שמוצג באופן הטוב ביותר,
6:11האופטימלי. כל זה לוקח זמן. זאת אומרת אני
6:14מניח
6:15שדשבורד
6:18כזה
6:19הוא סדר גודל של בערך בין חודשיים לשלושה
6:23חודשים של ישיבות עם המשתמשים, עם המנהלים
6:27שצריכים בסוף לפתוח את הדשבורד ולקבל את
6:30הנתונים. זה הרבה יותר טוב מהנתונים
6:33הגולמיים, מהדוחות הגולמיים שהם היו
6:36מקבלים מכל מערכת ומערכת. ומפעל כי זה
6:39מרכז להם מיד את תמונת המצב במקום אחד.
6:43אבל בהחלט יש פה חודשיים או שלושה מאומצים
6:47של עבודה, של הה של גרסאות לאישור, של
6:50קבלת פידבק מהמשתמשים,
6:53של שינויים, של התאמות ובסופו של דבר
6:56מגיעים לפתרון שהוא יכול לשמש אותם ודרך
7:00אגב לחסוך מיליונים או עשרות מיליונים
7:03בהקפי ייצור. תחשבו רק על 77,000
7:09הדקות. זה אני רואה את זה בצד שמאל.
7:13שבהם מפעלים היו מושבטים
7:16על 33
7:18מיליון ליקויים שהתגלו במוצרים.
7:21זאת אומרת, אם נצליח להתמקד ולהבין מאיפה
7:26המוצרים ה לקויים באים, מאיפה השבטות
7:30היצור מגיעות דרך הדשבורד הזה, אז כמובן
7:35שהעלות
7:38של הפיתוח ושל הזמן ושל זמן העבודה המשותף
7:42של המשתמשים עם המפתחים
7:45היא זניחה ביחס
7:47לערך הכלכלי והטפעולי,
7:50ביחס לרווחיות או הצמצום
7:54בהוצאות של תקלות שארגון שכזה יכול להשיג
7:58דרך הכלי רב העוצמה הזה. אז הנה ממש דוגמה
8:03בפועל שיכולה להמחיש את כוחה של הבינה
8:06העסקית. אם היא באמת מאופינת נכון, היא
8:10נבנת נכון בארכיטקטורה, היא נבנת נכון
8:13ברמתי כדשבו נכון. כן? זה לא פשוט לבוא
8:17לזרוק גרפים בכל מיני צבעים והנה השגנו
8:20מטרה כלשהי ממש לא זה תהליך שהוא ארוך
8:24יחסית
8:26אבל בהחלט
8:28מאוד מאוד רווחי לארגון שצריך לרכז באופן
8:32נכון את צורכי המידע לקבלת החלטות נכונות
8:37אז למעשה אנחנו מדברים פה על שכבה של
8:40הויזואליזציה
8:42זו שכבה של הצגת המידה אתם אתם רואים
8:46שהגרפים הם רק שכבה. כן? זה כמו קרם על
8:49עוגה. א במשל הזה העוגה זה כל הארכיטקטורה
8:55מתחת שתומכת
8:57בוויזואליזציה,
8:59כן? בקרם היפה הזה עם ה עם ההדפסה על
9:02העוגה או הציור.
9:05אבל אנחנו צריכים בסיס שהוא מוצק, בסיס
9:08שהוא נכון, בסיס שהוא טוב מבחינת הקשר של
9:12מערכות התפעול דטה. מבחינת הבנה של צרכי
9:16עדכון בבצנירו אונליין או כל אלמנט אחר
9:21מבחינת קשר בין המערכות מבחינת אמינות
9:25הקשרים ואמינות התהליכים של הl של
9:29האxtractor
9:31ולad מבחינת המבנה של הדa mars שאיתו
9:36אנחנו נוכל להגיע להצגה של נתונים מסוכמים
9:40אתם יכולים לראות שפה כל הנתונים הם בעצם
9:44סיכומים של רשומות. אף אחד פה לא מאבד
9:48ברגע שהמנהל רוצה 33 מיליון רשומות, כן?
9:52או יותר אפילו, כי מדובר בהרבה רשומות
9:55ייצור מעבר לפגומים.
9:58בסדר? גודל הרבה יותר גבוה. אז זה לא נעשה
10:01מיד, נעשה בסיכומים לתוך דטאמרץ.
10:05זאת אומרת, בסופו של דבר השכבה היפה הזו
10:09הגרפית חייבת בסיס מוצק, בסיס אמין, כי
10:14אחרת היא לא תוכל לשאוב את המספרים או
10:16המספרים הנכונים או המספרים העדקנים כדי
10:20להביא אותם בהצגה היפה בגרפים. במילים
10:24אחרות, סליחה, ייסום של כלים או של
10:28ייסומים של B כמו דוחות, כמו גרפים, מהסוג
10:32שכרגע הראיתי לכם, שתי דוגמאות, הוא בעצם
10:37קליפה ריקה מתוכן אם אנחנו לא נתמוך בה
10:43בתוכן עצמו, כלומר ברשומות נכונות, רשומות
10:47מעודקנות,
10:49בסכימה נכונה של רשומות, על מנת שהמערכת
10:52הזו
10:53לא תמתין דקות ארוכות לסיום האימוד, אלא
10:57אנחנו נסחום את הרשומות או נבצע מגזרות של
11:01רשומות לתוך דהמרטס
11:05ובסופו של דבר בלי כל התשתית של
11:08ארכיטקטורה טובה וארכיטקטורה יציבה מתחת
11:13לזה מערכת הBI היפה עם כל הגרפיקה שלה היא
11:17קליפה ריקה כי אין לנו נתונים או אין לנו
11:20נתונים נכונים לבוא ולהציג כשאנחנו
11:24מתבקשים להציג אותם על ידי המנהלים
11:27המשתמשים.
11:30חשוב גם לציין
11:33שכלי BI היא מכלול של כלים. זאת אומרת
11:38אנחנו יכולים לדבר למשל
11:41על כלים גרפיים כאלה או כאלה. אתם רואים
11:45יש לנו ויזואליזציות שונות על יכולת לצפות
11:50דרך ממשקובי.
11:52או דרך ממשק של מובייל או גם וגם.
11:57אבל בגדול מדובר פה בכלים. זאת אומרת,
12:00הגרפים האלה, בין אם זה גרפים של קווים או
12:05בין אם זה גרפים של ברים או בין אם מדובר
12:10בפי כזה או אחר, או בהמחשה של טקסט, או
12:15באיזשהם אלמנטים עם אייקונים כמו הלבבות
12:20או האייקון של הדיבור או המצלמה למעלה,
12:24הם למעשה אוסף של כלים. יש לי המון המון
12:27אפשרויות להמחשה, להצגה, לויזואליזציה של
12:31נתונים.
12:33איך אני משתמש בשילוב היכולות או בנגזרת
12:37של היכולות והמחשות הגרפיות בצורך הטוב
12:41ביותר לכל משתמש ומשתמש?
12:46איך אני מתאים את הכלים האלה, העשירים
12:50לצרכים השונים ולמשתמשים השונים? זאת
12:53אומרת, יכול להיות שיהיה לי משתמש
12:56שכמו שציינתי
12:58הוא סובל מעיברון צבעים. הוא לא יכול
13:02לראות צבעים שהם מאוד דומים זה לזה. אני
13:05אצטרך לתת פה שינוי בגוונים
13:09של הצבע למשל. או יש לי צרכים של משתמשים
13:16שמעדיפים למשל מבחינת התפיסה הקוגניטיבית
13:20שלהם, התפיסה
13:22השכלית האישית,
13:24לראות קווי מגמה.
13:27כמו למשל
13:29באמצע אתם יכולים לראות גרף עם שני קווים.
13:33הם לא רוצים לראות את זה כקווים, הם
13:35מעדיפים לראות את זה כברים, זאת אומרת
13:39כעמודות,
13:41כתרשים עמודות קל להם יותר מבחינה
13:44ויזואלית לתפוס את זה. אבל גם העמודות וגם
13:48הקווים וגם הבלונים האלה מצד ימין לתרשים
13:52שדיברתי עליו הם בעצם אפשרויות זמינות
13:57במערכת הBI. אפשר לבצע את זה, אבל משתמשים
14:02שונים יש להם צרכים שונים גם מבחינת
14:04הויזואליזציה וגם מבחינת המידע, גם מבחינת
14:08היכולת לקלוט יותר מידע שמוצג להם במקום
14:14אחד בדשבורד וגם מבחינת אולי הצורך לחלק
14:19את המידע לפולדרים, לדפדפנים שונים שהם
14:22יוכלו לנוות ביניהם על מנת לא להיות
14:26מופגזים
14:28בעודף מידע. מידע כן עודף מידע פוגע בקבלת
14:32החלטות מושכלת אז איזה כלים בעצם עומדים
14:36לרשותי על מנת לנתח את שכבת המידע על מנת
14:41לאפשר למנהלים גם משחק דרך אגב בין שכבות
14:45מידע שונות אני יכול לראות למשל סיכומים
14:48ברמה רבעונית ברמה של שנים ברמה של חודשים
14:53אני צריך לתמוך בזה על ידי כלים להצגת
14:57המידע הזה כמו שציינתי בצורה ויזואלית או
15:01ברמה סיכומית. אז יש לי לצורך העניין הזה
15:04מחוללים של שאלטות. אני יכול למשל
15:08א לחבר את המחוללים האלה גם למשתמשים שהם
15:14לא יודעים SQL כי רוב המנהלים בעצם לא
15:16למדו SQL כן וגם לא מתכוונים עכשיו לרענן
15:20את הזיכרון שלהם מהקורס בSQL שהם למדו
15:25אותו לפני שנים רבות א אז בהחלט אני יכול
15:29לתת להם סביבה גרפית שבה אני אוכל לציין
15:32את שמות השדות את המשמעויות הם יוכלו
15:35לגרות אותם, לסדר אותם, לסכם אותם בצורה
15:38מאוד מאוד נוחה, כמו למשל
15:41במיקרוסופט אס שהוא בעצם מחולל שילטות,
15:46אפשר לחבר את הטבלאות, אפשר לייצר דוחות,
15:49אפשר לייצר טבלאות נתונים חדשות וכדומה.
15:53בצורה מאוד מאוד קלה כנל יש מחולי שאלטות
15:58הרבה יותר קלים מהMS אcס. יש גם א תוכנות
16:04שמיועדות למשתמשים שאין להם מושג בשימוש
16:08במחשבים, בטח ובטח לא בתכנות, בטח ובטח לא
16:12ב
16:14יצירה של שאילטות מתוך שדות במסדי נתונים
16:19שונים, אז הם מיועדים להם בצורה מאוד מאוד
16:23קלה ואינטואיטיבית.
16:25כנ לגבי דוחות איך אני מסכם נתונים איזה
16:31תורים יש לי בדוחות
16:33איפה אני עושה טוטל לנתונים כאלה ואחרים
16:37איך אני משנה את סדר הטורים בדוח אם אני
16:41צריך להציג טבלה מסוימת אז גם פה יש
16:44מחוללי דוחות מאוד מאוד פשוטים היום מאוד
16:47אינטואיטיביים גם בהרבה בהרבה פתרונות לא
16:52נדרש ידע בתכנות לא נדרש ידע בעבודה מול
16:57סביבות פיתוח ממש מתאים למנהלים שצמכו
17:02מרקע מקצועי. זה יכול להיות מנהל או מנהלת
17:05שיווק, מנהל מנהלת כוח הדם, מנהל או מנהלת
17:08כספים. לא אנשים בהכרח שצמכו מתחומי
17:12התוכנה או מערכות המידע, אלא מגופי תוכן
17:17מקצועיים שלהם. סדרת הכלים הבאים א משתמשת
17:23בניתוחים רב מימדים. כשאני מדבר על הרשומה
17:26אז יש לי המון המון מימדים בתוכה. למשל
17:29רשומה של מכירות. איזה פריט נמכר, איזה
17:32כמות, מה היה מחיר הפרית,
17:35א באיזה תנאי תשלום,
17:38מה היה מקום המכירה. זאת אומרת באיזה סניף
17:42אה מכרנו כולל מזהה שלו. מי היה עובד
17:47שביצע את הבחירה? באיזה שעה, באיזה תאריך,
17:52לאיזה לקוח, מוצאה, מכירה
17:56וכולי וכולי וכולי. האם זה שולם, האם זה
17:59לא שולם, האם זה דרש משלוח או לא? אז תראו
18:02כמה מימדים יש לי. עכשיו, מאוד יכול להיות
18:05שאני אצטרך את הניתוחים הללו של הנתונים
18:09לאורך מימדים רבים. זה ניתוח רב מימדי.
18:13כלומר אני ארצה למשל
18:15להפיק דור שאילטה או אפילו גרף שיציג לי
18:19את כל המשלוחים מתל אביב
18:23עבור רכישות שמוצאו בהרצליה בין תאריכים
18:27מסוימים ובוצאו בשעות הערב החל נניח מ8:00
18:31בערב מסיבה למשל שאני רוצה לתכנן את מערך
18:35המשלוחים של הפריטים באופן הרבה יותר טוב
18:39באופן אופטימלי אז אני זקוק
18:43ניתוח שהוא רב מימדי.
18:45ודקה אחר כך אני אצטרך לניתוח נוסף של
18:49אותם נתונים כמו למשל תנתחו לי את מיקומי
18:53הלקוחות שרכשו בתארכים מסוימים בשעות
18:57הבוקר פריטים בסניף רמתגן והפריטים נשלחו
19:03אליהם כעבור עד שלושה ימים מסניף באר שבע.
19:09אוקיי? אז זה ניתוח רב מימדי. אגב, של
19:12אותם נתונים בדיוק שדיברתי עליהם, נתוני
19:15מכירה והספקה
19:17ללקוחות, תראו איך הם משלבים המון המון
19:21מימדים. זה גם הלקוח, גם מיקום הלקוח, גם
19:26כמות, גם פריטים, גם ביצוע המכירה, באיזה
19:30סניף, באיזה תאריך, באיזה שעות, גם ביצוע
19:35המשלוח, מהיכן זה נשלח וחדו תוך כמה זמן
19:39וכולי וכולי וכולי. אז פה יש לנו כלים
19:43שלמעשה משלבים נתונים
19:46במקורות שונים ומאפשרים לבצע ניתוחים
19:50לאורך מימדים מאוד מאוד מורכבים. אגב,
19:54הכלים האלה הם דורשים כי אנחנו יכולים
19:56לראות שככל שארגונים הולכים וגדלים, מרחב
20:01האתגרים שלהם או הבעיות שהם צריכים פתרון
20:05או קבלת החלטות נעסת לגביהם הולכת ונעסת
20:09הרבה יותר סיבוכית. אם בעבר ארגון מסוים,
20:13למשל
20:15חנות,
20:17היה זקוק
20:19לקבלת החלטות מאוד פשוטה יחסית. היה מיקום
20:22אחד, לא צריך לנתח לפי מיקומים, יש חנות
20:26אחת בלבד, מקסימום מנתחים לפי תאריך, לפי
20:29שעות, מרכז ההספקה היה יחיד, אז אין לנו
20:33פה הספקות ממקומות שונים. בעיה מאוד
20:36פשוטה, ככל שהארגון הלך וגדל, הלך והתרחב,
20:40אנחנו כבר עוברים לתחומים של ניתוחים שהם
20:43רב מימדים. אנחנו זקוקים לקבלת החלטות
20:47הרבה יותר מתקדמת כי מרחב הבעיות הולך
20:52ונעשה יותר מסובך. למשל פתאום אנחנו
20:54צריכים להתמודד עם הספקות ללקוחות שקנו
20:58באזור מסוים החל משה בערב
21:02וקיבלו
21:04למחורת או צריכים לקבל למחורת את הפריט
21:08היו עיכובים אנחנו רוצים לראות הספקות
21:10לאותם לקוחות עד שלושה ימים
21:13ממרכז הספקה מסוים שיכול להיות שהוא יותר
21:16בעייתי עכשיו פה יש לנו כמה סניפים יש לנו
21:20לקוחות לאורך שעות יש לנו את הנושא של
21:23מרכז, מרכזי הספקה שונים, שאחד מהם הוא
21:27יותר בעייתי, אחרים אולי יותר טובים.
21:29כלומר אני רוצה לבצע ניתוחים לאורך מימדים
21:34שונים כי מרחבי הבעיה שלי הם ברמות
21:37ציבוכיות
21:39עסקיות וארגוניות לא מבחינת הנתונים עצמם
21:43אלא מבחינת הסימוכית הסמוכיות המורכבות
21:47העסקית שהולכת וגדלה ככל שהארגונים הולכים
21:51ומתפתחים וגדלים גם הם
21:55הכלים שלילי צריכים לתמוך בניתוחים
21:58סטטיסטי ניתוחים סטטיסטיים הם למשל נושא
22:02של ממוצעים, נושא של סתיות תקן. אם אני
22:05רוצה לראות למשל תופעות חריגות כמו מכירות
22:08חריגות למשל, פתאום המכירות קופצות, פתאום
22:12יש נפילה במכירות, אז כמובן ממוצעסטיות
22:17תקן הם כלים מאוד מאוד טובים ומהפשוטים.
22:22יכול להיות שאני זקוק לכלים
22:25שיתנו לי ניתוחים סטטיסטיים מתקדמים יותר.
22:29למשל קורלציות
22:31בין מאפיינים של אוכלוסיות לקוחות לבין
22:35הקנייה שלהם. האם לקוחות ממין מסוים,
22:40מאזור גיאוגרפי מסוים, שכבות גיל מסוימות
22:45א נוטים לקנות מוצרים מסוימים ואז אני
22:50יכול לצאת בקמפיין פרסומי להם ממוקד
22:54מבחינה גאוגרפית, מבחינת המין, מבחינת
22:57הטווח הגילאים שלהם ולקבל תוצאות
23:00אפקטיביות. אולי אני רוצה להבין את דפוסי
23:05הקנייה
23:07בחנויות מסוימות איך הם מתקשרים עם מוצרים
23:11כאלה ואחרים ואז אם אני אבין איך באמת
23:15מתבצאות הקניות בסניפים כאלה ואחרים לעומת
23:20סניפים אחרים שמתנהגים באופן שונה לגמרי
23:25אז אני אוכל להבין למשל איך לתכנן את
23:28המלאי בצורה טובה יותר לא לבצע
23:31למשל פעילות של השלמת מלא, מודל מלא שהוא
23:35אחיד לכל הסניפים אצלי, אלא לחלק אפילו את
23:38הסניפים לקבוצות שלמשל בסניפי הצפון אני
23:43זקוק למודל עונתי, בסניפי הדרום אני זקוק
23:47למודל שהתנהג עם רמות מלא קבועות למשל.
23:51אז בהחלט הכלים הסטטיסטיים הם שכבת הצגת
23:56מידע, שכבת BI שתומכת. אנחנו יכולים לבצע
24:01ניתוחים מאוד מתקדמים
24:04כיוון שהם מובנים בכלים האלה. שוב, הרבה
24:07מאוד כלים מאלה
24:10א דורשים ידע סטטיסטי, דורשים הבנה
24:14בפינוח.
24:15א בדרך כלל מי שמבצע את הנתונים האלה זה
24:19לא המנהלים עצמם אלא אנליסטים שיש להם גם
24:22ידע בסטטיסטיקה, ידע מתקדם בסטטיסטיקה.
24:26אתם כמובן
24:28חלק מאוכלוסיית היעד למשרות של כאלו של
24:32אנליסטים או של משנה למנכל, משנה לסמנקל
24:37שיכול לתמוך בקבלת החלטות
24:40ולמביא
24:42אותם אנשים, אותם אנליסטים בעצם יש להם
24:45שכבה מאוד נוחה לביצוע הניתוחים
24:48הסטטיסטיים המתקדמים יותר או מתקדמים
24:51פחות.
24:52אפשרות לייצר תובנות, דוחות,
24:57גרפיקה לשם הבעתם למקבלה החלטות. כמובן
25:02שמנהלים עם השכלה סטטיסטית, כלכלנים,
25:06א סמנקלי כספים וכדומה, יכולים להשתמש
25:11בכלים המתוחכמים כא האלה לצרכים שלהם.
25:14בדרך כלל זה בא יחד עם תיווך של עוזר או
25:19אנליסט שיש לו פקיעות במודלים הסטטיסטיים.
25:24כך גם לגבי מודלים פיננסיים. חברה מתכננת
25:27להיכנס לשוק חדש. היא רוצה לקבל מבנה
25:32הוצאות. למשל,
25:35אם אני צריך לשלח
25:38הזמנות של הכרוחות כמו מקררים,
25:41תלורים וכדומה,
25:44מטבחים אולי, ריהות, אז אני רוצה להבין
25:48למשל כמה עולה לי הפעלה של משאית לקילומטר
25:52שילוח.
25:55כמה עולה לי
25:58הבואה של פריט מבחינת הוצאות קבועות,
26:01הוצאות משתנות? כן, הוצאות א נהג או
26:04הוצאות אריזה וכדומה. אני יכול לראות את
26:07זה על ידי בנייה של מודל פיננסי. אני יכול
26:10למשל לקחת את עלויות
26:14הניפוק של הפריט והמחסן, האריזה שלו,
26:18הבואה ללקוח, רישוב מספר הקילומטרים שנהג
26:23נסע ללקוח. ממערכת השכר אני יכול לקבל את
26:26השכר השעתי של הנהג. ממערכת השילוח שבה
26:31מתועד המיקום של המשאית באמצעות
26:35קואורדינטורות GPS אני יכול לקבל את
26:38הזמנים לשילוח הממוצעים לקילומטר נהיגה
26:43בקיצור אפשר לבנות ממש מודל פיננסי לתמחור
26:47של שילוח ללקוח כשן נתונים מספר קילומטרים
26:52להגע ללקוח המודל הזה יכול לכלול הוצאות
26:56קבוהות כמו למשל אריזה
26:58אריזה של מקרר או אריזה של תנור נגד
27:02פגעים.
27:04ואנחנו
27:06גם יכולים לקחת את המרכיבים של הוצאות
27:08משתנות, שזה זמן הנהג, עלות העבודה של
27:13הנהג. כלומר, האם הנהג צריך לנהוג עכשיו
27:17עד ללקוח 30 קימטר ואז זה יקח כחצי שעה
27:21נניח, או האם הוא צריך 100 קילומטר לנהוג
27:25עד ללקוח? אז זה יקח אפילו יותר.
27:30צריך להבין את מרכיבי ההוצאה לדלקים
27:34כתוצאה מצריכת דלקים למשאית. גם את זה
27:36אפשר לקבל ממערכות שונות. יש הרי את נתוני
27:40התדלוק לפחות בערכים כספיים א וכמובן
27:44בליטרים. אפשר לקבל את הנתונים בהחלט.
27:47ומתוך זה אני בונה מודל פיננסי
27:51שיכול למשל לומר לי שתחת רמת הרווחיות
27:57כדאי לי לספק הזמנות ללקוחות עד 80 קימטר
28:02מהסניף או מהמחסן
28:05אבל מעל 80 קימטר
28:09ההספקה ללקוחות
28:11לא תהיה רוחית לכן לא כדאי לי לקבל הזמנות
28:14יותר מ-80 קילומטר
28:17ברדיוס מסביב לאותו מחסן או לאותה חנות.
28:21הנה דוגמה לבנייה של מודל פיננסי וזה
28:23כמובן נשען על נתוני צריכת דלקים, על
28:27נתונים פיננסיים, על נתוני הזמנות, על
28:30מיקום הלקוחות, מיקום החנויות,
28:35עלויות חומרי אריזה, עלויות זמני ניפוק,
28:40שכר מחסנאים
28:42ממערכת כוח האדם, שכר הנהגים, ממערכת כוח
28:45האדם וכדומה.
28:50אפשר בהרבה מקרים גם לפרוק את הנתונים
28:54מתוך הדטה מרט לתוך גיליונות אלקטרונים
28:58לתוך אקסל ואז בעצם במקום לבנות מערכת B
29:04שזה פרויקט יקר בסך הכל אנחנו יכולים לספק
29:08את הנתונים לניתוח באקסל לייצר גרפים לפי
29:12הדרישה לייצר א דוחות או חיתוכים או
29:18בדיקות לפי הדרישה. אני חייב לציין שהמקרה
29:22של אקסל זה עבור
29:25צרכים שהם עד הוק, כלומר צרכים ייחודיים
29:29ומאוד ממוקדים. למשל איזשהו פרויקט שיפור
29:33מאוד מאוד מסוים הוא יתחיל, הוא יסתיים,
29:36כן? אז מייצים נתונים לאקסל, לא צריך לפתח
29:40מערכת לפרויקט כי הוא חד פעמי. אבל
29:43כשמדובר בבקרה שוטפת, כמו למשל מספר
29:47הפגומים או כמו למשל מה קורה ברשתות
29:50החברתיות, באמת כלי שהמנהל נכנס כל פעם
29:53אליו ומשתמש חובה להכניס מערכת B מסודרת.
29:58לא כדאי להסתמך על אקסלים, זה גוזל זמן,
30:01זה לא מעודקן ברט timeים או בניר real
30:04time,
30:06זה לא עדקני, זה לא נותן את ה א נתונים
30:10במבנה הנדרש תמיד יכולים להיות שימושים או
30:14בלבולים, למשל, האם פרקנו את הנתונים היום
30:17בבוקר או זה נתוני האתמול או כל בעיה
30:21אחרת, מומלץ להשתמש בגליונות אלקטרונים רק
30:25שמדובר בצרכים מאוד מיוחדים, לא כפתרון
30:29לצורכי הבקרה, לצורכי הביא השוטפים בהחלט
30:33במקרה כזה שיש צורך שוטף, צורך שמספר
30:37פעמים ישתמשו במערכת אחת ליום במהלך כל
30:42היום, אחת לשבוע, אחת לחודש אפילו, לא
30:45כדאי להסתבך על גליונות אלקטרונים, כדאי
30:48לבנות מערכת BI, פתרון BI מסודר לאותם
30:53משתמשים
30:57והכלי האחרון במשפחה הזו שמיועדת להצגה של
31:02המידע הם כלי קריאת מידע שאלה כלים
31:06שמחפשים מידע, אוספים מידע ממדיות שונות,
31:12זה יכול להיות מפורטלים
31:14א כלכליים, מחירי מניות למשל, מידע לגבי
31:19חברה כזו או אחרת, אזכורים ברשתות חברתיות
31:24שלנו, של המתחרים שלנו,
31:27של מוצרים, של משפחות מוצרים, של אתרים
31:31שונים בעולם, של בעיות של לקוחות או כל
31:35דבר אחר שניתן בעצם לאסוף את הנתונים
31:40הללו.
31:41אז אלה הם כלי קריאת מידע. הם יכולים גם
31:45לפעול בתוך הארגון שלנו. אפשר לשאוב
31:47נתונים למשל מאימיילים של תלונות של
31:51לקוחות שמגיעים לאימייל מסוים של מרכז
31:54שירות. לנתח באיזה שעות, באיזה ימים יש
31:58יותר תלונות של לקוחות. להצליב בין
32:02האימייל של הלקוח לבין נתוני הלקוח
32:05במועדון הלקוחות. האם אלה לקוחות מבוגרים
32:09יותר שמתלוננים, האם גברים או נשים, על מה
32:14מתלוננים? איך אפשר למנוע את התלונות
32:16הבאות? אז אלה באמצעות כלים יותר מתקדמים
32:20לקריאת מידע. הכלים האלה גם מאפשרים
32:24פתרונות ברמה של איתור קשרים שם מאוד
32:29מורכבים, מאוד מתקדמים בין חלקי אוכלוסייה
32:33מסוימים שיש להם מהמשותף. זה שונה
32:37מניתוחים סטטיסטיים. אני לא רואה אני לא
32:40רוצה בהכרח
32:42בניתוחים שכאלה שדורשים כלי קריאת מידע.
32:46אני לא רוצה משהו שמאפיין את כל
32:49האוכלוסייה, למשל את כל אוכלוסיית הלקוחות
32:52מבחינת התנהגות. אני רוצה לזהות דפוסים
32:56בתי אוכלוסיות אפילו מאוד מאוד מצומצמים.
33:01ואז אנחנו כבר לא מדברים על ניתוחים
33:03סטטיסטיים מסוג של רגרסיה וקורלציה, אלא
33:08אנחנו מדברים ממש על זה אוכלוסיות
33:11מסוימות, גיבוש דפוסים משותפים בתוך תתי
33:15אוכלוסיות. זאת אומרת, לא בהכרח כלל
33:18האוכלוסיה, אלא ממש מתוך הנתונים. אני
33:21רוצה להצמיח תובנות לגבי תתי אוכלוסיות
33:25כאלה ואחרות.
33:27איך אנחנו בוחרים את הכלים? אז דבר ראשון
33:31חשוב לנו שתהיה פונקציונליות מתאימה
33:34לצרכים
33:36של המשתמשים.
33:38מבחינת הפונקציונלית הנדרשת חשוב שהיא
33:42תתאים לצרכים של המשתמשים. אני אתן דוגמה.
33:46לדוגמה, אם יש לנו מנהלים שמסתובבים הרבה
33:49בשטח, כן? הם אה מנהלי מכירות שפוקדים
33:52סניפים שונים, מנהלי קבוצות עבודה שכוח
33:56האדם שנמצא איתם למעשה כל הזמן עובד בשטח,
34:00הם כל הזמן נעים בנתרים, הם לא יושבים
34:03במשרד ואנחנו בוחרים למשל
34:08פתרון bi שהוא לא רספונסיבי,
34:12כלומר הוא מציג מאוד יפה את הדאשבורד הזה
34:15המאוד מרשים כמו שהצגתי לכם שני דאשבורדים
34:19קודם קודם על גבי מסך של מחשב נייד אבל
34:23במובייל מה שניתן בעצם למנהל זה איזשהו
34:28מסך שהוא זהה רק אנחנו רואים אותו מוקטן
34:32על גבי המובייל ואז צריך להתחיל להניע
34:35אותו משמאל לימין עם שתי אצבעות להגדיל את
34:40הגרפים השונים כדי לראות משהו זה באמת
34:43פתרון שהוא לא רוספוסיבי לא מותם למובייל
34:46אבל רגע המנהל שלנו נמצא כל הזמן בשטח מה
34:49שהוא יכול לעשות זה פשוט להוציא את הנייד,
34:52לפתוח אותו, לקבל תמונת מצב, אבל היא לא
34:55נוכל לו. אז אין לנו פונקציונליות טובה.
34:58צריך במקרה הזה לבחור במערכת שהיא תומכת
35:02בהצגה
35:04של נתונים על הנייד, אולי אפילו יש לה
35:06אפליקציה
35:08יהודית. על מנת שבקליק אחד הוא פותח את
35:11האפליקציה, מקבל את תמונת המצב, מקבל את
35:14הגרפים שהוא זקוק להם. מה קורה עם קבוצות
35:17העבודה? מה קורה עם מכירות של הסניף
35:19וכדומה. אם אין לנו גרפים מהסוג הנדרש או
35:24קשה מאוד להתאים את הגרפיקה לצרכי המנהל,
35:27גם פה הפונקציונליות של המערכת נפגמת.
35:32מעבר בין דוחות שונים לשוניות כאלה
35:35שמקליקים עליהם. גם פה אנחנו זקוקים
35:38לפונקציונליות הזו. א ביצוע חיתוכים כאלה
35:42ואחרים. חיתוך לפי חודש, לפי שבוע, לפי
35:46יום. המעבר בין החיתוכים זה עוד
35:48פונקציונליות שאנחנו זקוקים לה. סליחה,
35:53חשוב לציין שהיום רוב המערכות תומכות בכל
35:57סוגי הפונקציונליות. הן גם לומדות
35:59מהמתחרים ומפתחים את הגרסה הבאה בהתאם.
36:03אבל עדיין ישנן מערכות בעיקר כאלו שצמחו
36:08והצליחו בשוק מבחינה היסטורית ולכן יש להם
36:12נוכחות מאוד חזקה בשוק. אבל לא ממש הסכילו
36:15להתאים את עצמן לכל הצרכים החדשים.
36:19וחשוב לוודא שאכן הפונקציונליות של כל
36:22המשתמשים וכל המשתמשים העתידיים, לא רק
36:26אלה שמבקשים עכשיו מערכות BI וזקוקים להם,
36:29אלא גם מי שיצטרך בעתיד לבוא, אנחנו נוכל
36:34למלא אחר הפונקציונליות הזו.
36:37כלומר אנחנו נוכל לתת להם פתרונות שהם
36:41מבוססי מובייל אם הם זקוקים לכך פתרונות
36:45שהם מבוססי טאבלט אם הם זקוקים לכך א
36:48פתרונות עם עדכון ברילטיים או בבאץ' אם הם
36:51זקוקים לכך וכולי וכולי אז זה מבחינת
36:55הפונקציונליות חשוב מאוד לוודא את זה לפני
36:58שאנחנו בוחרים כלים כי תמיד ההסתכלות היא
37:02לא לצרכים הנוכחיים וזה לצרכים הנוכחים
37:06והעתידיים של הארגון בשנים הבאות. כלי BI
37:10הוא כלי יקר. ההתמאה שלו היא מאוד יקרה.
37:13ההתאמה שלו לצרכים של המשתמשים היא מאוד
37:17יקרה. כן. הבנייה הזו של הדאשבורד לכל
37:21משתמש ומשתמש או לכל קבוצת משתמשים
37:23ומשתמשים היא דבר מאוד יקר. זה נורא זמן,
37:28זה דורש תוכניתן שיתאים את הפתרון או מאפן
37:31NBI או אנליסט. כלומר, אנחנו חייבים לראות
37:37את מכלול הבחירה בכלים מבחינת
37:39הפונקציונליות וכל פרמטר אחר במבט לשנים
37:43קדימה.
37:46לגבי ההתאמה לארכיטקטורת הארגון. תראו,
37:50כיכרון אנחנו בונים ארכיטקטורה. אני כבר
37:54הראתי לכם שברוב הארגונים יש לנו
37:57ארכיטקטורה קיימת שעליה אנחנו בעצם
38:00מתבצסים
38:01בבנייה של כל התשתית, בבנייה של הדטה אם
38:04לא קיים בארגון א בבנייה של הדטה מרטס
38:10עכשיו מאוד יכול להיות שבארגונים שבהם
38:12אנחנו עובדים ורוצים להכניס מערכות BI או
38:16לשדרג את מערכות הBI
38:19יש כבר דטה
38:21יש כבר דטה מרט אבל חלק מפתרונות הBI לא
38:25תומכים בדataס
38:28של יצרן כזה או אחר שבמקרה הארגון שלנו
38:31בחר בכזה דטהאוס לפני 10 או 15 שנה.
38:37אז גם חייבים להבין שפתרונות
38:41AB חייבים להיות בתקשורת, חייבים להיות
38:44בתמיכה במנגנוני ITL שקיימים בארגון או
38:49שהארגון מתכנן להכניס מסיבותיו שלו.
38:53דטהס שקיים בארגון או מתוכנן להיבנות
38:57בארגון
38:58בתצורות של הדטמרט בארגון וכדומה. כלומר,
39:03אם בסופו של דבר נכניס מערכת BI והמערכת
39:06הזו לא מסוגלת לתקשר עם בסיס נתונים מסוג
39:10כזה או אחר שקיים בדataוס בארגון, בעצם
39:14השכבה הזו לא מסוגלת לייצר תקשורת. אז
39:19נצטרך לפתח עכשיו אולי ממשקים ייחודיים.
39:22אנחנו לא רוצים
39:24להיות במקום הזה. אנחנו לא רוצים להיכנס
39:26לבעיות האלה. כלומר, לכתחילה יש לבחור
39:30כלים, בין אם זה כלי BI עם מסוג
39:35כלים סטטיסטיים או כלים לתיצוגה גרפית
39:38ויזואלית או כל דבר אחר שתהיה התאמה
39:42מושלמת לארכיטקטורה הקיימת והמתוכננת
39:45לטווח העתידי של הארגון. אז חייבים פה
39:50לתקשר גם עם הארכיטקטים של מערכות המידע
39:53של הארגון להבין האם הארכיטקטורה הנוכחית
39:57היא קיימת, האם היא תעבור שדרוגים עתידיים
39:59כחלק מתוכנית העבודה הרב שנתית של הארגון
40:03וכדומה.
40:06הממשק למשתמש חשוב ביותר. חייבים ליצור
40:11בעצם ממשק שהוא משרט באופן מלא את המשתמש,
40:16באופן הטוב ביותר את המשתמש. ניתן כמובן
40:19לעשות בו התאמות, שינויים באופן קל, באופן
40:22מהיר, כדי שמשתמשים לא יהיו מתוסכלים. אם
40:26יש לנו משתמש שהוא לא קיבל בדיוק את מה
40:28שהוא צריך הוא רצה
40:31אז לא עשינו כלום. המשתמש פשוט
40:35לא יעבוד במערכת הזו, במערכת הBI. המערכת
40:38הזו לא עונה על הצרכים שלו או שלה.
40:43המערכת הזו הופכת
40:46למיתרת
40:48כיוון שאולי הנתונים הם חשובים, אולי
40:52הגרפים הם חשובים לקבלת החלטות, אבל הם לא
40:55מציגים את הדברים שהמשתמש זקוק להם. ואז
41:01הערך שלהם בתרומה לקבלת החלטות או לידוע
41:05או לבקרה על ידי משתמשים הופך להיות בעצם
41:08לא רלוונטי או חלקי אם לדוגמה מתוך שישה
41:13גרפים שפיתחתי למשתמש קלעתי נכונה לצרכים
41:17בארבעה מילים אנחנו לא רוצים להגיע
41:21לסיטואציה כזו שפוגעת באמינות המערכת בערך
41:26שלה במה שהיא יכולה בעצם לתת למשתמשים.
41:30לכן מאוד חשוב להאפיין את המשקים למשתמשים
41:34בעבודה משותפת, בישיבות יחד איתם, בבחינה
41:38של חלופות, בתיוב של חלופות. לא תמיד זה
41:42עובד בגרסה הראשונה שמציגים למשתמש. כן?
41:46גם לא חייבים לפתח. אפשר לעשות מען דוגמה
41:50גרפית ולבוא להראות למשתמש ולקבל פידבק
41:54לפני שרצים לפיתוח.
41:57אבל בהחלט
41:59בהיבט הזה חייבים לשבת עם משתמשים ולהבין
42:02מה הם צריכים, מה הם רוצים, איך להציג,
42:04באיזה חת אחרים הם רוצים לקבל את אפשרויות
42:08המעבר. לא תמיד אפשר לממש הכל, דרך אגב,
42:12אבל בהרבה מקרים אפשר לממש את רצונם של
42:15המשתמשים. באמת של הממשק למשתמש, כיוון
42:19שהסביבה העסקית מתפתחת ומשתנה, כן? יש את
42:22דרים חדשים לארגון. הארגון עצמו גדל,
42:26מתפתח, נכנס לתחומים חדשים ועוד יכול
42:30להיות שתדרש תחזוקה
42:33אוזמנית אחת לשנה, אחת לחצי שנה, אחת
42:38לשלוש שנים או שוטפת
42:41א בממשק למשתמש להכניסות גרפים, להוריד
42:44גרפים שהיו בעבר רלוונטיים ועכשיו כבר לא,
42:48כי בעצם גרפים שלא תורמים כבר למשתמש, כי
42:52הם כבר כבר לא צריך אותם הארגון נמצא
42:55במקום אחר הם עודף מידע שמפריע לקבלת
42:59החלטות לראות את המידע הרלוונטי אז זה לא
43:03חוכמה רק להוסיף גרפים או רק להוסיף
43:06ויזואליזציות צריך באמת לבחון האם גם ניתן
43:10להוריד את עודף המידע הזה כן אנחנו לא
43:13רוצים להגיע למצב שהמנהל שלנו יהיה כמו
43:17אדם שהוא מטיס מטוס בפעם הראשונה והוא
43:20מתבלבל בין כל המכוונים השונים והחיו
43:24בתייס אנחנו רוצים להיות יותר ממוקדים,
43:28יותר רלוונטים לקבלת החלטות נכונה כי זה
43:31בעצם המכוון של המנהלים מערכות הBI.
43:36מחיר פונקציה מאוד מאוד משמעותית.
43:40חייבים לבדוק את המחיר האם זה רכישה חד
43:42פעמית, האם מדובר בדמי מנוי חודשיים, האם
43:46מדובר ברישיון ארגוני או רישיון שימוש לפי
43:50מספר המשתמשים או כל תוכנית אחרת. זה מאוד
43:55משפיע על פונקציית המחיר. יש כמובן את
43:58המבנה של עלויות נחבאות שזה עלויות ההתאמה
44:01של המערכת, הפיתוח של הגרפים של הדשמורדים
44:06זה מעבר לעלויות הרישוי עצמן במערכת
44:10חייבים לראות גם את זה יכול להיות שישנן
44:12מערכות
44:14שרכישת הרישוי שלהם הרישיון השימוש הוא
44:18יותר יקר אבל זה כדאי כי הרבה יותר מהיר
44:22וקל לפתח בהן ישן ישנן מערכות אחרות
44:25שהנולות
44:27אבל זמני הפיתוח של הדשבורדים, של
44:30המערכות, של החיווי למנהלים, של המשקים
44:34הם הרבה יותר יקרים ודורשים הרבה יותר
44:36מאמץ והשקעה של עבודה.
44:40כך גם לגבי הביצועים, עד כמה המערכת היא
44:44ידידותית, היא מהירה, היא מציגה לנו את מה
44:48שאנחנו צריכים בזמן מהיר, בזמן אמיתי. זה
44:51לא חוכמה לקנות מערכת למשל ולגלות
44:54שהמשתמשים מחכים 10 שניות עד שגרפים יעלו
44:59או ייצרו את עצמם ומאוד מאוד מתסכל את
45:04המשתמשים
45:06ואני מאוד ממליץ על ביצוע של פיילוטים
45:08לניסיון
45:10קבלת חבות דעת ארגונים אחרים שהשתמשו
45:14במערכות כאלו ואחרות א קריאה של רויוז אבל
45:18בהחלט פיילוט לניסיון היום רוב החב עברות
45:22נות פיילוט חינם או כמעט חינם שמאפשר
45:25לפחות להתנסות להרגיש את המערכת להבין את
45:29אוסף האפשרויות שבה ומפה בהחלט לבחור
45:34במערכת המתאימה ביותר לארגון ולצרכיו
45:38עכשיו אם באים ושואלים אותי בארגון שרוצה
45:42להיכנס מאפס מלכתחילה
45:46לתחום התמת מערכות BI א למשל ארגון שיש לו
45:50יש לו מערכות טפעוליות, אין לו דה, אין לו
45:54ETL והוא רוצה באמת לתת פתרון מההתחלה ועד
45:58הסוף של חיבור המערכות הטפעוליות, פרקת
46:01נתונים ובסופו של דבר א בנייה של שכבה
46:06גרפית של מערכת BI. מה החלק היקר יותר?
46:11החלק שקראתי לו השכבה לעוגה, כלומר הסביבה
46:17הויזואלית, היפה, הגרפית, או השכבה של
46:22התמעת מסד נתונים והפריקה וכלי הl. אז אם
46:26כך חשוב לציין שהשכבה של הארכיטקטורה,
46:29כלומר הבניית והכנסת מסד מסד נתונים,
46:34הדטהס,
46:36הדתה מרץ האלה משדי הנתונים המסכמים,
46:40חיבורי הט המשקים בין מערכות וכדומה,
46:44שזה בעצם השכבה הפיזית, כן? איפה שאנחנו
46:48שומרים את הנתונים, זה בסיס הנתונים או
46:51מסד הנתונים שבו הם
46:54נשמרים, האופן שבו נתונים נאספים לבסיס
46:58הנתונים או למסד הזה. זה החלק היקר
47:02בפרויקט. זה עיקרו של הפרויקט.
47:07שכבה שמעליה,
47:09שזה בעצם השכבה הסמנטית,
47:14זו שכבת האינטרפרטציה, הפרשנות של הנתונים
47:18דרך תצוגה כזו או אחרת, כי אני יכול לפרש
47:20את הנתונים בתצוגה למשל של פי, כן? אני
47:25יכול להראות את הנתחים היחסיים, לא את
47:28הגודל האבסולוטי, רק את הגודל היחסי של כל
47:31נתון ונתון. אם זה למשל קשת מוצרים שאני
47:36מראה את המכירות שלהם, אני יכול גם לפרש
47:39אותם דרך תצוגה אחרת שהיא הצגת הערך
47:43הכולל. למשל
47:46הערך של פריטים שנמכרו
47:50לפי תצוגה של ברים, לפי גובה המכירות. אני
47:55יכול גם את התצוגה שהיא פרשנות לוגיסטית,
47:59סממתיקה לוגיסטית. למשל כמות ביחידות מכל
48:03פריט ופריט שנמכר. זאת אומרת, יש פה
48:06משמעויות שונות לתצוגה העסקית. הנתונים הם
48:10אותם נתונים, אבל חשוב לציין שא' אני צריך
48:14לבצע המרה נכונה של הנתונים
48:18מתוך השכבה הפיזית. זאת אומרת, אני צריך
48:21לשלוף באמת את הנתח הרלוונטי, לבצע
48:24טרנספורמציות, זאת אומרת ממוצעים או חיבור
48:28לפי תקופות או כל דבר אחר. כן, לפעמים אני
48:31יכול רק להציג אותם כאחוזי גידול את
48:35הנתונים.
48:37והמראה הזו בעצם
48:41של הנתונים
48:44מתוך
48:45הבסיס הפיזי שלהם, השכבה הפיזית, הפיזיקל
48:49שלהם, שזה הדוare והמערכות שהוספות אותם
48:53וכדומה.
48:56וזה קראוי גם פיזיקל כי זה מאוד מזכיר לנו
48:59חומר גלם. כן? אנחנו לוקחים נניח את ה את
49:03העץ כחומר גלם, אנחנו לוקחים את החימר
49:07כחומר גלם ואנחנו במקרה שלנו של מערכות BI
49:11לוקחים את הנתונים כחומר גלם. עכשיו איך
49:15אני מאבד אותם לתצוגה? איך אני בעצם מאבד
49:18את העץ לראית יפה? ואיך אני מאבד את החימר
49:23לפסל? אסתטי או איך אני מאבד את הנתונים
49:28לתצוגה גרפית
49:30אסתטית ושימושית
49:33ומתאימה למשתמש זה בעצם מעבר מהפיזיקל
49:38מהשכבה
49:39הפיזית של הנתונים
49:42לשכבה של תצוגה עסקית לprentation layר
49:46שהיא בעצם השכבה שאנחנו מעבדים את הנתונים
49:51לכלל צורך שישרט את המשתמש חמש במקרה שלנו
49:56שיתן יכולת לקבלת החלטות, יכולת לבקרה או
50:01כל פרמטר אחר שאנחנו מסוגלים רוצים להשיג
50:05למשל הפחת מספר הפגומים במקרה של מה
50:09שהצגתי לכם קודם א או הגדלת
50:14הנוכחות ברשתות חברתיות אז בעצם זה
50:17המשמעות של המרת הנתונים לתיצוגה העסקית
50:24עכשיו ההמרה הזו היא קרויה שכבה סימנטית.
50:29כלומר יש פה צורך
50:32בהבנה מה הנתונים בעצם אמורים וצריכים
50:36לשקף ולאיזה צורך. השכבה הסמנטית היא בעצם
50:40תפיסה של הצורך העסקי או ההבנה העסקית
50:44ואיך הוא מתקשר עם הנתונים ומה זה דורש
50:47מבחינת העיבוד או ניתוח המידה או ההצגה של
50:50הנתונים. או הסיכום שלהם לפי הגדרות
50:54עסקיות של כל ארגון וארגון, כל משתמש
50:57ומשתמש, כי אפילו נתוני מכירה בארגון
51:01מסוים או למשתמש מסוים יוצגו וצריכים
51:04להיות מוצגים באופן שונה
51:08מאשר אותם נתוני מכירה למשתמש או לארגון
51:11אחר שרוצה להשיג דרכם מטרות עסקיות אחרות
51:15לדוגמה ארגון מסוים רוצה להבין מדוע הייתה
51:19ירידה במכירות
51:22ומהיכן בעצם המכירות
51:25א מגיעות בעיקר בסניפים. ארגון אחר רוצה
51:29להבין
51:31את אותה משמעות של ירידה במכירות ומאיפה
51:34המכירות בעצם מגיעות לארגון ברמה של
51:38המוצרים. איזה מוצרים הם מייצרי המכירות
51:41העיקריים או באיזה מוצרים
51:44הארגון חווה למעשה ירידה במכירות. אז פעם
51:47אחת זה מסניפים, פעם אחרת ממוצרים. אבל
51:51הנתונים הם אותם נתונים. רק השכבה הסמנטית
51:55וכמובן התצוגה העסקית משתנות בהתאם לצורך
51:59העסקי הארגוני.
52:03אז איך בעצם
52:05עוברים את השכבה הסמנטית כדי להציג בהצלחה
52:08את הנתונים לפי צורכם של המשתמשים השונים?
52:13חייבים לעבוד עם מעצבים.
52:16התפיסה של מעצבים כשמלווים למעשה אנליסט
52:20עסקי אדם שהוא גם בקיא בתהליכים הארגונים
52:24והוא גם בקיא בנתונים שבעצם נגישים
52:28בדataוס וניתן לסכם אותם או לאבד אותם אז
52:32למעשה המעצב הגרפי הוא יותר מאשר נותן את
52:35הויזואליזציה זה לא רק שאלה
52:38של תרומתו של המעצב
52:42להם לשים גרף מסוים בצבע סגול או בצבע צבע
52:46ורוד ומה יותר נוח?
52:49אלא למעצבים יש גם תפיסה
52:52עמוקה יותר של התהליכים העסקיים ואיך הם
52:56באים לידי ביטוי. זאת אומרת יש פה ממש
53:00אפשרות לעבודה עם מעצבים גרפיים צמודים
53:06שמאפשרת
53:07תרומה והשרה של תהליך הניתוח העסקי. לא רק
53:11החלטות אסתטיות ויזואליות שהאם נעשה גרף
53:17ברים או האם נעשה גרף קבי, האם הקו צריך
53:20להיות בצבע אדום או בצבע ירוק, אלא יש פה
53:23ממש תרומה עמוקה יותר להבנה של צורכי
53:28המשתמש. זה חלק שנכון אנחנו המהנדסים
53:31מצוינים בו, מהנדסי תעשייה וניום, בהבנה
53:35של צרכי משתמש, בניתוח של תהליכים עסקיים
53:39וכדומה.
53:40אבל המעצב יש גם אלמנטים נוספים
53:45בתפיסת המשתמשים שהם כוללים למשל את
53:51התפעול הנוח של המערכת,
53:53האמפתיה, כלומר הצבעוניות שתומכת
53:58באטרקטיביות של המערכת למשתמש,
54:02א עזרה למשתמש דרך באמת עיצוב נכון, דרך
54:07בחירה נכונה במבנה מסכים, בפריסה נכונה
54:10וכדומה להתגבר על חששות מעבודה מול מערכת
54:14שכזו או התגברות על חשש משינויים בהחלט
54:18מומלץ לעבוד יחד עם מעצבים כחלק
54:23כולל של פרויקט הBI ולא רק להגיע בסופו של
54:26דבר למסכי הדשבורד ולהגיד בוא תייצר לי
54:30עכשיו את זה תראה לי איך זה נראה בברים
54:33אדומים או בברים כחולים או ירוקים
54:37אז בהחלט אני מציע
54:39לשלב את את המעצבים החל מהשלבים הראשונים
54:44של פרויקטי BI.
54:48באופן כללי
54:50ההמרה של הטכנולוגיה היא מסובכת.
54:53אנחנו בדרך כלל א פונים למסדי נתונים.
54:58צריכים להבין את היחס שלהם לאובייקטים
55:01שונים, לישויות שונות, לאירועים שונים
55:05בחברה, כמו למשל אירוע מכירה, אירוע ניפוק
55:09מלא, אירוע קליטת מלאי. א
55:14ובסופו של דבר להעמיר את השפה הטכנולוגית
55:19או שפת הנתונים הזו
55:22לפרזנטציות או לאובייקטים או למונחים
55:26אפילו שמוכרים למשתמשים מהעבודה היומיומית
55:29שלהם. זאת אומרת יכול להיות שאירוע מכירה
55:33סך סך המכירה
55:36ישמש ישמר בשדה שקראו טוטל סיל התוכניתנים
55:41אומנתחי מהערכות המידע יודעים מה המשמעות
55:44של טוטלסיל אבל כשם של שדה זה לא אומר זה
55:49יכול להצביע אבל לא בדיוק אומר למנהל
55:53המכירות מה המשמעות זאת אומרת חייבים
55:57גם להבין את השפה של מנהל המכירה א של
56:01מנהל המכירות. למשל האם טוטלסל זה מונח
56:05שבשפה העסקית קראוי הכנסה כוללת
56:11אוסך מכירה או הכנסה ממכירת יחיד או כל
56:17מונח עסקי אחר שכל ארגון וארגון
56:22מתייחס אליו. למשל במערכותספ
56:30יש לנו זיהוי של פרית
56:34על ידי השם שם השדה material number מספר
56:39חומר
56:41אבל מה זה materal number בארגונים
56:44בארגונים מסוימים קוראים לזה מספר פרית כן
56:47שום המילה חומר בעצם מה זה חומר חומר גלם
56:50אולי אבל אנחנו קוראים לזה מספר פרית.
56:55בארגונים אחרים קוראים לזה מקת. מספר
56:58קטלוגי. זה תעודת הזהות של הפריט. עכשיו,
57:01אם נציג את שם השדה number, זה פשוט יבלבל
57:06איזה מטריל. מה? אני לא מתעסק במטריל, אני
57:09מתעסק במוצרים. אז צריך גם להתאים את
57:13התצוגה, את המונחים לשפה העסקית. אם ארגון
57:17מדבר למשל על מקטים, מספרים קטלוגיים של
57:20פריטים, זה תעודת הזהות, אז נקרא לזה מכת,
57:24מכת המוצר בארגונים אחרים נקרא לזה מספר
57:28פריט, מוצר מספר מוצר או אם ארגון מסוים
57:33רגיל לקרוא לזה זיהוי מוצר, נקרא לזה
57:36זיהוי מוצר וכדומה. כלומר, אנחנו חייבים
57:39להשתמש
57:41בגיבוש של הפתרון, לא בהגדרות הטכנולוגיות
57:45שהתבססו במשדי ובסיסי הנתונים של הארגון,
57:49אלא בהגדרות העסקיות שמקובלות בארגון,
57:54לזהות אותן לשבת עם המשתמשים ובסופו של
57:57דבר ליצור שכבה סמנטית, שכבה ויזואלית
58:01שהיא תתאים להגדרות העסקיות, לתהליכים
58:04העסקיים, לפרזנטציות
58:06העסקיות שהם צריכים. לראות מול עיניהם
58:09לקבלת החלטות נכונה. אז אם כך בואו נבין
58:13רגע א כיצד אנחנו מסתכלים על ארכיטקטורת
58:18ABI ואכן הארכיטקטורה היא מבנה לוגי.
58:24היא אופן צורת הפתרון שנדרש לארגון על מנת
58:28להקים מערכות של B.
58:32אנחנו הסתכלנו על ארכיטקטורה מסוימת שהיא
58:35מאוד מאוד מאוד פופולרית.
58:38כלומר, מערכות הטיפול קיימות כבר בארגון.
58:41א יש לנו הכנסה של מערכת דארה
58:46ששואבת
58:47למעשה את הנתונים. יש לנו בתאוך את כלי הl
58:53והדאה בעצם מחובר באופן ישיר או דרך דאמרס
58:59שמסכמים את הנתונים למערכות BI. א. מערכות
59:04הBI למעשה מנתחות את הנתונים.
59:07מציגות אותן, יוצרות חתכים, יוצרות דוחות,
59:11א יוצרות גרפים גם כן ופרזנטציות,
59:15כל אלמנט שבעצם נקבע ומאופיין עבור
59:19המשתמשים שלהן. אז אם כך הארכיטקטורה היא
59:23מבנה לוגי של המערכות,
59:26כאשר במבנה הזה אנחנו משלבים את כל
59:29המערכות ואת כל מסדי הנתונים לכלל תצורה
59:34שבה כל מערכת מסוגלת לדבר עם כל המערכות
59:39האחרות
59:41בזרם המידע, בזרם הנתונים שהן מעבירות
59:45מאחת לשנייה ואנחנו יוצרים למעשה אה שילוב
59:50מערכות אינטגרציית מערכות שבהן ניתן
59:53להעביר מידע והמערכות למעשה מה שקראו
59:56מדברות אחת עם השנייה הן בתקשורת
59:59אחת עם השנייה שהיא בעלת משמעות למשל
1:00:02בעברת נתונים ממערכת התפעול
1:00:06א כמו למשל מערכת כוח אדם מערכת מלא מערכת
1:00:11רכש וכדומה לדataוס
1:00:15והמטרה שלנו בעצם בבנייה של ארכיטקטורה
1:00:19היא להבטיח
1:00:20שזרימת הנתונים תהיה אמינה ורציפה, שלא
1:00:25יעלמו לנו נתונים הכן שהוא באיזשהו
1:00:29סיטואציה בשילוב תנאים מסוימים, יכול
1:00:32להיות שהם יחתבו למקום שונה ממה שנדרש ואז
1:00:37אנחנו מקבלים סט נתונים חלקי. אז אנחנו
1:00:40באמת רוצים ארכיטקטורה יציבה שמונעת
1:00:44סיטואציות של שיבוש של עובדן נתונים של
1:00:47כתיבה לטבלאות
1:00:50לא נכונות בסיטואציות מסוימות ואחרות
1:00:53וכדומה. אוקיי? אז רמת אמינות, רציפות
1:00:57אנחנו גם רוצים. כלומר שהמערכת תוכל לתפקד
1:01:02ולשמור על הדקניות לפחות
1:01:05של עד יום אחורה. אם התהליך הוא בצ'י,
1:01:09תהליך לילי, אבל רצוי גם מערכת שהיא ניר
1:01:13אונליין
1:01:18כלומר סליחה נירט
1:01:21timeים, כלומר מערכת ש
1:01:26היא למעשה יוצרת תמונת מצב בדה, בדהמרס
1:01:32א שהיא כמעט עדנית לחלוטין, למציאות כמו
1:01:35שמשתתקפת מערכות הטיפוליות. כלומר, אנחנו
1:01:39לא נחכה בהכרח
1:01:42ללילה או לערב על מנת לקבל את
1:01:46הרצת העדכון
1:01:48הלילית
1:01:51ורק למחרת לקבל מערכת עם נתונים עדקניים
1:01:55יום אחורה. אלא אנחנו רוצים אם ניתן מערכת
1:02:02שיכולה לעדכן בניר real time את מסדי
1:02:05הנתונים, את הדטה
1:02:08ומכאן לקבל תמונה מאוד מאוד אמינה באמצעות
1:02:11השכבה של BI.
1:02:15בסופו של דבר חשוב לציין שהארכיטקטורה פה
1:02:18היא משרטת. היא באה על מנת לשרט את הצרכים
1:02:22העסקיים, את הצרכים של הארגון. לדוגמה, אם
1:02:27אנחנו רוצים עדקניות
1:02:30ברמה כמעט מיידית, אנחנו חייבים לדאוג
1:02:34לתהליכי עדכון של רלטיים. אם הצורך שלנו
1:02:38זה לראות תמונת מצב עד 24 שעות אחורה, זאת
1:02:43אומרת להתרשם באופן כללי מתנועה
1:02:46של צריכות או של רכישות או של כוח אדם
1:02:51ברמה חודשית. אז לא נורא אם נראה את מה
1:02:55שקרה לפני הרצת הלילה או אחרי הרצת הלילה
1:03:00ולא נקבל את התמונה המיידית במהלכו של כל
1:03:03יום ויום. כלומר זה שיקול נוסף שהוא נובע
1:03:08מהבנה של הבעיה העסקית, של הצרכים
1:03:11העסקיים, של אופי המשתמשים, של אופי
1:03:14הצרכים שלהם מבחינת צרוכי המידע, צרוכי
1:03:17הנתונים שהם נדרשים להם, רמת העדקניות,
1:03:22רמת שלמות הנתונים, כלומר האם אני באמת
1:03:26צריך לפרוק את כל המערכות הטיפעוליות, את
1:03:29כל הטבלאות שלהן, את כל הנתונים, או שאני
1:03:32יכול להסתפק באיזושי היא נגזרת מחלק
1:03:36מהמערכות
1:03:37או חלק מהנתונים מחלק המערכות הטפעוליות
1:03:41וכדומה. כלומר, המצב של לקחת הכל בשלמות
1:03:45לא בהכרח
1:03:48משרט את התהליכים העסקיים של הארגון.
1:03:51וחשוב שנבין את זה כשאנחנו באים ומאפיינים
1:03:55פתרון
1:03:57שהוא מושט ארכיטקטורה כזו ואחרת. דבר נוסף
1:04:02מבחינת הdata
1:04:04לא תמיד חייבים את הפתרון היקר ביותר
1:04:08יכול להיות שאנחנו תכננו ארכיטקטורה עם
1:04:11הדטה המתקדם ביותר
1:04:14שכולל כמויות עתק של נתונים אבל אולי
1:04:19הנגזרת המשתמש רוצה בסך הכל נגזרת של
1:04:23נתונים חודש אחורה ואז אני לא צריך גדול
1:04:27אני לא צריך שרטים מאוד חזקים
1:04:30סך הכל גוזר את הנתונים מהמערכות
1:04:32הטיפעוליות עד שבעה ימים אחורנית. לא יותר
1:04:35מזה, זה צרכי המשתמש. אז חשוב גם להבין
1:04:39שהארכיטקטורה עצמה כולל לדata. כולל האם
1:04:43אנחנו מפעילים מרס שגוזרים מהדאה, כולל
1:04:48מערכות הl ומה הן עושות. זה נגזר בסופו של
1:04:52דבר מצורכי המידע שבאים לשרט צרכים עסקיים
1:04:56כאלה ואחרים.
1:05:02על מנת להתמודד ולספק למעשה פתרון
1:05:07לצרכים הללו
1:05:10א
1:05:12פותחה טכנולוגיה ששמה
1:05:15all upפ או באנגלית ראשי תיבות של אליי
1:05:19anטיקal processing כלומר עיבוד אנליטי
1:05:22מקוון
1:05:23הטכנולוגיה הזו של הall upפ מכונה בשפת
1:05:27העם
1:05:28הקוביה אנחנו תכף נראה ונבין גם למה אבל
1:05:33זו טכנולוגיה שהיא בעצם עיקרית ומרכזית
1:05:37בכל ייסומי הBI ובתוכנות הבינה העסקית אפ
1:05:41למעשה שינתה את כל התפיסה של ארגון המידע
1:05:45על מנת לגזור ממנו תובנות על מנת לחתוך
1:05:50אותו בחיתוכים שונים לחפש בתוכו א לדלות
1:05:54ולשלוף מידע מתוך
1:05:57סיכומים כאלה ואחרים שנדרשים
1:06:00כדי לשרט את התהליכים העסקיים או
1:06:03התחרותיים בארגון.
1:06:06ולמעשה מדובר באיזשהו
1:06:10פתרון שבא ומאבד באמצעים אנליטיים,
1:06:15בנוסחות מוגדרות, בכל אלמנט שהוא,
1:06:20בכל מיני פעולות ארייתמטיות מוגדרות מראש,
1:06:25את כל הנתונים הרלוונטיים שהוגדרו במסגרת
1:06:30הדטה.
1:06:31והוא מביא לנו
1:06:34מסד נתונים הרבה יותר מצומצם שניתן בתוכו
1:06:38לבצע מספר פעולות על ידי המשתמש או המשתמש
1:06:43המיומן כמו מנהלים וכדומ אז מה ניתן כך
1:06:47לעשות עם תהליכי
1:06:50או אייבודים מבוססי all upפ א online
1:06:53anטtical processing אז דבר ראשון אנחנו
1:06:57יכולים לזהות דפוסים שונים מתוך עיבוד של
1:07:01נתונים שהם ברמת הוהאוס. אז אם כך אני
1:07:06רוצה רגע למקד. יש לנו את הדטה. הוא כולל
1:07:11מגוון עצום, מספר עצום של רשומות.
1:07:15אי אפשר
1:07:19לחפש או לאבד את הרשומות כשאנחנו רוצים
1:07:22תובנות מיידיות. זה לוקח המון זמן, זמן
1:07:26הפעלה של הata
1:07:29סיכומים, איבודים, ממוצעים, כל דבר שנדרש.
1:07:33אז אנחנו באמצעות הall upפ מבצאים
1:07:36איזושהיא נגזרת
1:07:39בגודל נתונים מינימלי שמסכמת לפי
1:07:44צרכים שהגדרנו מראש את המסות העצומות של
1:07:48הרשומות למספר רשומות מסכמות הרבה יותר
1:07:52קטן.
1:07:53איך אנחנו עושים את זה? אנחנו יכולים
1:07:55להגדיר תהליכים למשל
1:07:57סכימה של רשומות בתוך העולה, בתוך הנגזרת
1:08:02הזו שבעצם
1:08:04מציגה נתונים מהדטה במבנה מידע הרבה יותר
1:08:08קטן. לדוגמה,
1:08:11בדata
1:08:13יש לנו את כלל המכירות של הארגון. ממש
1:08:17מכירה. מכירה. זה יכול להסתכם בהרבה מאוד
1:08:20מכירות לאורך שנה אחת. אפילו במיליוני
1:08:24מכירות.
1:08:25מה שאנחנו יכולים לעשות למשל, אנחנו
1:08:29יכולים ליצור רשימות מסכמות שהמסכמות את
1:08:33המכירות בכל חודש וחודש. ואז מסדרי גודל
1:08:38של מיליוני רשומות בשנה ירדתי ל12
1:08:42רשומות בסך הכל. כן, רשומות שעבור כל חודש
1:08:47באו וסחמו והציגו את צח המכירות לאותו
1:08:51חודש. כלומר 12 חודשים, 12 רשומות במקום
1:08:57מיליוני רשומות של כל מכירה ומכירה
1:09:01ללקוחות, שזה נתון שהוא טפעולי. הוא נתון
1:09:06של המערכת הטפעולית, מערכת המכירות. אבל
1:09:09כל מכירה בפני עצמה לא מנהלת את ה לא
1:09:12מעניינת את המנהלים.
1:09:15מה שמעניין את המנהלים זה נתונים כמו
1:09:17סכימה, כמו ממוצעים וכל עיבוד אחר שאפשר
1:09:21להביא להם במספר הרבה יותר נמוך של
1:09:25רשומות.
1:09:28עם מספר
1:09:30הרשומות שלנו בallול upפ הוא מאוד מאוד
1:09:34הצטמצם.
1:09:36יכול להיות ממיליוני רשומות
1:09:40לעשרות בודדות, לפעמים אלפים בודדים של
1:09:43רשומות, שזה גם זמני עיבוד מאוד מאוד
1:09:47מהירים. זה לא לא משפיע בעצם על הביצועים
1:09:51של מערכות הBI, של ההצגה הגרפית, של
1:09:54הדוחות.
1:09:55הרי שברגע שביצעתי
1:09:59את ההנמחה בסדר גודל של הרשומות על ידי
1:10:03סכימה, על ידי איבוד, על ידי ממוצעים או
1:10:05כל פעולה אחרת או לפית של רשומות המקור,
1:10:11אני בעצם יכול לצפות בדוחות ובגרפים
1:10:15שהגדרתי בזמן אמיתי. זאת אומרת, אם יש לי
1:10:20במקום מיליוני רשומות של מכירות,
1:10:24צמצמתי את זה כי סחמתי
1:10:27למשל ברמת שבועות
1:10:30זה ידרי גודל של כמה מאות רשומות, הרי שכל
1:10:33עיבוד, כל הבקשה להציג על סמך מאות
1:10:36הרשומות ולא מיליוני הרשומות המקוריות
1:10:41בדהוס, אלא מה ששחמנו, מאות הרשומות,
1:10:46ברגע שיש בקשה להציג איזשהו דוח לפי
1:10:49שבועות או לפי חודשים או לפי שנים. ההצגה
1:10:53היא בזמן מיידי כי מדובר בעיבוד של מספר
1:10:57מאוד מצומצם, מאוד קטן יחסית של רשומות
1:11:01ביחס למסה של רשומות המקור. כזכו לכם זה
1:11:06יכול גם להגיע למיליוני רשומות בשנה
1:11:09ומעלה.
1:11:12עם הנתונים האלה אני יכול לממש
1:11:16חישובים סטטיסטיים שומעים, מבחנים
1:11:18סטטיסטיים, למצוא קורלציות,
1:11:21ממוצעים וסתיות תקן, לזהות אפילו שינוי
1:11:24מגמה.
1:11:26וכל החישובים האלה אפשריים
1:11:29בגלל שאנחנו ממצב
1:11:32שמרוב עצים לא רואים את היער, מרוב רשומות
1:11:35בודדות, מכירה אחרי מכירה, אחרי מכירה. א
1:11:40העברות בקופה וכדומה. מרוב מסות כאלו של
1:11:44נתונים
1:11:47אנחנו לא ממש יכולים לראות שינוי מגמה.
1:11:49אנחנו ממש הולכים לאיבוד בתוך הרשומות.
1:11:52ברגע שאנחנו מבצאים עליהן איזשהו
1:11:55התמרה או עיבוד סטטיסטי כמו למשל סכימה,
1:12:00ממוצעים, סתיו תקן, כל מדד אחר, אנחנו
1:12:05יכולים בקלות להפעיל
1:12:09א כל מיני כלים כמו מבחנים סטטיסטיים, כמו
1:12:14זיהוי שינוי, מגמה ועוד ועוד ועוד כלים
1:12:17שיאפשרו לנו לקבל
1:12:21בזמן אמיתי כמעט או אפילו לגמרי בזמן
1:12:25אמיתי
1:12:27את השינויים, את המגמות, את המדדים השונים
1:12:31על גבי אותם נתונים מצומצמים שהם בעצם
1:12:36סכימה או ממוצעים או ספירה של רשומות
1:12:41בהיקף הרבה יותר גדול. כלומר, החישובים
1:12:44האנליטיים גם המורכבים ביותר
1:12:47הם נעשים על גבי בסיס נתונים שהוא יחסית
1:12:52מצומצם. אנחנו הנחתנו ממיליוני רשומות
1:12:56לסדרי גודל של מאות או אלפי רשומות ועם זה
1:13:00אני כבר יכול לעבוד ולבצע ניתוחים
1:13:03סטטיסטיים מאוד מורכבים ולקבל את התוצאות
1:13:07ממש בזמן מיידי.
1:13:10דבר נוסף שזה מאפשר לנו זה גם תרחישים של
1:13:13what if what if זה בעצם כל מיניסנריוז
1:13:17תרחישים שבהם אני מנסה לזהות
1:13:22מה יקרה אם אני משנה מעט את התנאים לדוגמה
1:13:26אם אני משנה את התמחיר איך זה עשוי להשפיע
1:13:30לי על תחזיות המכירה אם אני משנה את
1:13:34תקציבי הפרסום למשל את הפילוח בין מדיה
1:13:38מסרותית שזה טלוויזיה, רדיו ועיתונים לבין
1:13:43מדיה דיגיטלית, רשתות חברתיות,
1:13:47גוגל,
1:13:49יוטיוב, בלוגרים וכדומה.
1:13:51אם אני משנה את הפילוח, איך זה עשוי
1:13:55להעלות לי את המכירות
1:13:57בערוצים השונים, בערוץ האופלייני, חנויות
1:14:01וכדומה, וגם בערוץ האונלייני, כלומר בערוץ
1:14:05הא-comמרס שלי. אז זה בעצם תרחישי what if
1:14:10הם עושים כל מיניסיטivity analysיס
1:14:15א
1:14:16חישובים כלכליים
1:14:19חישובים טפעולים שמנסים לאמוד מה קורה
1:14:27אם
1:14:29אנחנו משנים את אחד הפרמטרים
1:14:32ולמשל מגדילים תקציב פרסום
1:14:35מקטינים אותו
1:14:37משנים את התמהיל בין אמצעי פרסום כאלה
1:14:39ואחרים ועוד ועוד ועוד. אז זה תרחישי אי
1:14:44והם מתאפשרים בגלל שאני בעצם לא הולך
1:14:47לאיבוד בין מיליוני רשומות אלא אני מנחיט
1:14:50את זה לכלל מאות או אלפי רשומות וזה כבר
1:14:54היקף שאפשר לעבוד איתו ולבנות תרחישים
1:14:58כאלה ואחרים.
1:15:01והאלמנט האחרון
1:15:04שניתן לעבוד איתו זה תחזיות.
1:15:07אם אני צמצמתי ממיליוני מכירות, ממיליוני
1:15:12רשומות של
1:15:14העברת פריטים בקופה,
1:15:18להיקף
1:15:19של מספר נקודות, למשל מכירות לחודש, אז
1:15:24אני כבר יכול לבצע תחזיות מכירה, כי בעצם
1:15:28הסכימה הזו אפשרה לקבל סדרת נתונים שניתן
1:15:33לעבוד איתה ויש כמובן מודלים לחיזוי חודשי
1:15:36על סמך מכירות חודשיות היסטוריות. אה,
1:15:41הכלים הם די קונבנציונליים, די סטנדרטים.
1:15:44אני יכול לעבוד איתם דבר שלא הייתי מסוגל
1:15:47לעשות כשהנתונים והמידע נמצאים ברמה של
1:15:52מיליוני רשומות
1:15:54בודדות של קנייה קנייה לקוח לקוח הם לא
1:15:58נסחמים הם לא מעובדים הם לא עוברים איזשהו
1:16:02ארגון שיקטין את סדר הגודל הגיגנטי הזה
1:16:08ולכן לא ניתן לבצע א חישובים סטטיסטיים
1:16:12אנליטיים מתקדמים תחזי ות אבל ברגע שעשינו
1:16:15את זה במסגרת הולאפ כמובן שאז אני יכול
1:16:20להביא לכדי פעולה את כל הכלים המעניינים
1:16:24והמתקדמים הללו
1:16:29אז כפי שכבר אמרתי
1:16:33השם הפופולרי של אפ
1:16:37הוא קוביה זאת אומרת יש לנו פה תצורה רב
1:16:42מימדית
1:16:44של מספר מימדים, של מספר ערכים
1:16:48ואולה בעצם לוקח את המבנה של טבלאות
1:16:52בתרשים כוכב שהקראנו בשיעור הקודם. זאת
1:16:56אומרת מבנה טבלאות רלציוני טבלאי כולל
1:17:00הקשרים בין הטבלאות,
1:17:03המזהים בין טבלה לטבלה וכדומה.
1:17:06לוקח למעשה את הנתונים במבנה הרלציוני
1:17:10הזה.
1:17:12הטבלאי והוא מעביר אותם לצורה רב מימדית.
1:17:16במקרה הזה אנחנו יכולים לראות צורה שהיא
1:17:18תלט מימדית שהיא צורה שמזכירה לנו קוביה.
1:17:24הוא מארגן, הוא מסכם את הנתונים בהתאם
1:17:28ולמעשה כל תא בקוביה גם משקף בהתאם
1:17:34את א סט הנתונים שצומצם
1:17:38לכלל נתון אחד, לכלל מספר אחד
1:17:42והוא באינטראקציה
1:17:45עם ערכים של מימדים שונים כפי שאנחנו נראה
1:17:50תכף בהסבר לתרשימ
1:17:54אם כך, במעבר הזה מתצורת כוכב לקוביה,
1:17:58אנחנו מאבדים לכאורה רשומות. אנחנו מאבדים
1:18:02את הפרטניות של הרשומות, כן? זאת אומרת,
1:18:06למשל, נתוני כוח הדם, נתון או רשומה של כל
1:18:11עובד ועובד, זה הולך לאיבוד. מה שאנחנו כן
1:18:14עושים, אנחנו מקבלים תוצרים שהם פרי
1:18:18מקבצים או קיבוצים של רשומות שונות. אז
1:18:21בואו נעבור רגע על הדוגמה והבעיה העסקית
1:18:26המתוארת
1:18:28היא נלקחה מתוך חברה בינלאומית כמונאית
1:18:33שמשווקת מוצרי אלקטרוניקה בכל רחבי העולם.
1:18:37אותה חברה מעוניינת ביכולת
1:18:41לנתח את המכירות בחתכים שונים של זמן,
1:18:45מיקום גאוגרפי ומשפחות מוצר. ואכן מה שאתם
1:18:49רואים פה שהוגדרום שלושה מימדים
1:18:55לכן גם אנחנו קוראים לזה תרשים קוביה
1:18:58לולאפ אבל כיכרון שלושה מימדים
1:19:02כשהם בעצם סכימה
1:19:05פעם מדובר בואו ניקח למשל את מימד הזמן
1:19:10אז כמובן שנעשו מדי יום ביום שעה שעה ושעה
1:19:17מכירות
1:19:18של מוצרים בארגון הזה, אבל מבחינת הגדרת
1:19:23הבעיה העסקית את המנהלים השתנה הזמן
1:19:26ברזולוציה
1:19:28של
1:19:30Q1, Q2, Q3, Q4, כלומר רבעונים וכמה זמן
1:19:36אחורה? שנה אחורה. הם מעוניינים לראות את
1:19:39ארבעת הריבעונים האחרונים.
1:19:43לכן
1:19:46נתוני מכירה למשל פה מדובר
1:19:50בסיכום של נתוני מכירה אז נתוני מכירה
1:19:53סוכמו מרמת החשבונית הבודדת
1:19:58ומיליוני החשבוניות או מיליוני טרנזקציות
1:20:01המכירה שתועדו במערכות הטיפוליות
1:20:06וכמובן בדהוס נפרקו לתוכו
1:20:10לרמה של נתונים
1:20:13ברמה של רבעון. כלומר, לקחו את כל המכירות
1:20:17על פני ריבעון וסיכמו אותן או קלגו אותן
1:20:21לפחות. האם זה Q1, Q2, Q3 וQ4?
1:20:29המימד השני הוא המימד הגאוגרפי
1:20:33והוא מדבר על המיקום של החנויות לחברה
1:20:36הזו. יש אלפי חנויות בערים במדינות שונות
1:20:41אה ושימו לב שהסיכום הוא בכלל לא לפי אירו
1:20:45מדינה אפילו אלא ממש לפי הבשה
1:20:49א ארצות הברית אל מול אסיה אוסטרליה
1:20:52ואירופה
1:20:54אלה אזורים גאוגרפיים מאוד מאוד נרחבים
1:20:57אבל עברו המנהלים הצגת הנתונים של המכירות
1:21:02והיכולת לנתח מכירות לא מעניינת אותם ברמה
1:21:05של כל מדינה ומדינה או ברמה אפילו של כל
1:21:09עיר ועיר שבהן החלויות נמצאות, אלא מה
1:21:13שמעניין אותן זה לראות התנהגות מכירות אה
1:21:19תוך השוואה למשל
1:21:22בין יבשת ליבשת או תוך התמקדות ביבשת
1:21:25מסוימת. כלומר כל אלפי החנויות שנמצאות
1:21:29בערים שונות של ארצות הברית הן תחת
1:21:33קטגוריה אחת שקרויה USA. כן. אנחנו פה
1:21:36מורידים
1:21:38מ את המימד
1:21:40מסדר גודל נניח של אלפי עשרות אלפי חנויות
1:21:44שונות בכל העולם, בכל הגלובוס,
1:21:48למימד של ארבעה ערכים בלבד, שזה או USA,
1:21:53או אסיה, אוסטרליה או יופ. כלומר, הנחתה
1:21:58מאוד מאוד משמעותית בכלל המימד.
1:22:02והמימד הרביעי מימד המוצרים גם פה אותה
1:22:07חברה מנהלת מלאים של ומכירות של אלפי
1:22:12מוצרים
1:22:13אבל גם פה אנחנו הנחטנו
1:22:16את מימדי הבעיה ולקחנו
1:22:20נגזרת של מוצרים ששייכים רק לארבע משפחות
1:22:24לניתוח
1:22:27וגם פה אנחנו הנחטנו מנגזרת של כמה מאות
1:22:31או אלפי מוצרים לכלל
1:22:34ארבעה ערכים בקטגוריה. זה או לאפטופים או
1:22:39מובייל או טב או טאבלטים.
1:22:43כלומר ארבעה ארבע משפחות מוצרים שהם סקמות
1:22:49אלפים של מוצרים. אז איבדנו המון מידע
1:22:52בדרך, אבל מצד שני הורדנו בכני מידה מאוד
1:22:56משמעותיים
1:22:58את א הקפי המידה לשמירה.
1:23:02ולמעשה בואו נראה רגע לכמה רשומות ירדנו.
1:23:08זה
1:23:094 * 4 * 4 במקרה אגב כל המימדים הם בני
1:23:14ארבעה ערכים אז time זה ארבעה ערכים
1:23:18גיווגרפי ארבעה ערכים גם כן ופרדוקטס
1:23:23ארבעה ערכים כלומר יש לנו פה 64 מימדים זה
1:23:274 * 4 * 4 כלומר 64
1:23:32תאים שכאלה בתוך הקוביה שכל תא הוא מכיל
1:23:36חיל מעבר לשלושת המימדים, כן? שזה הזיהוי
1:23:40שלו, קומבינציה למשל של לפטופ בפרודקטס
1:23:47ואוסטרליה ביבשת
1:23:49וQ3 זה הזמן. אז זה נותן לנו איזשהו תא שם
1:23:54בתוך הקוביה שמתאים לשלושת טגיע
1:23:57הנתון הרביעי שהוא היקף המכירות
1:24:02לחתך של המוצר שהגדרתי או המשפחה שהגדרתי
1:24:07של המוצרים האזור הגאוגרפי
1:24:10והתיים הזמן או הרבעון בשנה שהגדרתי גם כן
1:24:18כלומר ירדנו פה ממיליוני רשומות של הזמן
1:24:21בנות של קניות של רכישות לסדר גודל בסך
1:24:25הכל של 64 רשומות לא יותר כן 4 ב3
1:24:32וזה כמובן ניתוח שהוא מתאים להייל הוא
1:24:34מתאים למנהלים מאוד בכירים הוא לא מתאים
1:24:38לעובדים זותרים יותר למשל עכשיו מתקשר
1:24:41לקוח ואומר
1:24:43תגידו מה קורה עם ההזמנה שלי
1:24:47הגיע כבר הלפטופ ששלמתי עבורו
1:24:51ואז כמובן נציגת השירות
1:24:55תבדוק במערכת התפעולית מה קורה.
1:25:00זאת אומרת מה קורה מההזמנה הפרטנית מתוך
1:25:03מיליוני הזמנות שונות ומהסטוס והם מסודקה
1:25:06וכדומה
1:25:09וזה כמובן לא הוא לבל רזולוציה מאוד מאוד
1:25:14גבוהה של כל רשומה ורשומה בהי לבל המנהלים
1:25:18פשוט רוצים להראות סיכומים מה קורה מה
1:25:21המגמות איזה קטגוריה נעשתה יותר מוצלחת או
1:25:24פחות מוצלחת מה השינויים לאורך ציר זמן
1:25:28זמן
1:25:30מאוד מאוד מצומצם כלומר ציר זמן שפה ספור
1:25:35בקטרס בריבונים
1:25:38מה קורה לאורך אזורים גאוגרפיים גם מאוד
1:25:41מאוד מצומצמים המימד הזה פה כולל בסך הכל
1:25:46רק ארבע ערכים
1:25:48אז אנחנו מבצעים אם כך
1:25:52סכימה של נתוני מכירות על פי ערכים במימד
1:25:57הזמן או בחת חתח הזמן
1:26:00כשמחברים את המידע לפי תאריכים
1:26:04א פרטנים אל תוך קטגוריות של רבעונים
1:26:10אנחנו גם רוצים לראות את המיקום הגאוגרפי
1:26:13רק לא ברמה של עיר ורחוב ו א ושכונה
1:26:20של הסניף אלא או ומדינה כמובן אלא סכימה
1:26:24פרי יבשות ממש קלסיפיקציה או סוגי מידע
1:26:30מאוד מאוד מאוד מצומצמים בעיקרם. כשאני
1:26:33בעצם בא וסוחם
1:26:36רכישות של הכוחות
1:26:38א על פי סניפים במדינה כזו או אחרת, בעיר
1:26:43כזו או אחרת וכולי, אל תוך מספר מאוד
1:26:46מצומצם של של יבשות או אזורים גיאוגרפיים,
1:26:51במקרה הזה ארבעה. וכמובן אותו דבר לגבי
1:26:55משפחות מוצר. אני לוקח אלפי פריטים ואני
1:26:57מצמצם אותם בסך הכל לסדר גודל של ארבעה
1:27:02ערכים אפשריים שזה לאפטופ, מובייל, טבעי
1:27:06וטאבלט. וזה משרט אותי כפי שהסברתי
1:27:11בניתוחים של מנהלים בדרגים הרמים ביותר מה
1:27:16שמכונה אצלנו ניתוחי היול ‏H

About this transcript

This page contains the full transcript of Lesson 8 by EH, generated from the public captions YouTube serves with the video. The transcript has 8,498 words across 1,418 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.