YT YouTube2Text

YouTube2Text → Transcripts → Lesson 9

Lesson 9 — Transcript

by EH · 8,053 words · 1,293 segments · language en · Watch on YouTube

Open in transcriber Summarize with AI Download SRT/VTT

Full transcript

0:00כאשר אנחנו בוחנים את מגוון הכלים
0:04שלמעשה עומדים בפנינו, סכרנו קשת נרחבת של
0:10כלי התשתית ה ארגונית כיצד מארגנים
0:15נתונים, מאיפה אפשר להשיג? אז שוב, אני
0:19רוצה לחזור רגע על המסר. אפשר לקחת את כלל
0:24מגוון הכלים האלה, את כלל החיבור, את כלל
0:26התשתית שנבנתה בתוך הארגון. וכמנהלי מוצר
0:32אתם בעצם צריכים לבוא ולאחד את הנתונים.
0:37זה יכול להיות דרך
0:40זה יכול להיות דרך אחת מהנגזרות שלו כמו
0:44למשל הall upפ שדיברנו ותכף אנחנו נראה גם
0:48דוגמה מארגונים שונים אבל בין אם הארגון
0:51הוא קטן או בין אם הוא ארגון גדול יותר אז
0:56מה שחשוב להבין או המסר פה צריך להיות יש
1:00לכם גישה לאושר של נתונים על המשתמשים על
1:04הצרכנים של הארגון
1:07על איזה דפוסים הם מפעילים, מה עובד ומה
1:10לא עובד, איזה גרסאות מוצר הצליחו ולא
1:14הצליחו. אוקיי, בכך אנחנו למעשה יכולים
1:17לבוא ולנתח
1:20ומצד אחד לשפר את המוצר, להבין מה עבד
1:24אצלנו טוב יותר ואז לחזק את האלמנטים
1:27הללו, את התכונות הללו במוצר. ואלו תכונות
1:31לא בדיוק עבדו כמו שצריך ואז לחשוב או
1:35שמשפרים אותם או שהין תכונות מיותרות חבל
1:38להשקיע בהם הלאה ואז לייתר אותן לבטל אותן
1:42מהגרסאות הבאות אבל כדי להבין את זה אתם
1:46צריכים בהחלט את הנתונים מה שאני קורא
1:49נתוני לקוח 360 מעלות כלומר כלל הרדיוס
1:54כלל האספקטים כלל ההיקף שאתם יכולים להשיג
1:59כנתונה בארגון,
2:01בין אם זה נתוני שימוש בפועל,
2:04רישום של כניסות יציעות דיגיטליות וגלישה
2:08בתוך האפליקציה או האתר, או נתונים כמו
2:12למשל
2:14מכירות, מבחינת תקפים, לאלה תתי
2:19אוכלוסיות, באיזה אזורים גיאוגרפיים,
2:21לאיזה צרכים וכדומה.
2:23כל אלה הם נתונים שאתם בעצם או לוקחים
2:27מהדטה
2:28המאוחד שמאחד מהמערכות הטיפוליות או שאתם
2:33באמת צריכים לבוא לאשרוף אותם ולאחד אותם
2:37יחד. אז כדי לבצע את הפעולה הזו אנחנו
2:42חייבים להבין שיש איזשהיא הכנה או
2:46מניפולציה כן טרנספורמציה של נתונים באופן
2:51שאנחנו נוכל להשתמש בהם באופן הטוב ביותר
2:55באמצעות מערכות abbi למשל BI של
2:58מייקרוסופט
3:00והollולפ הוא אחד המודלים החזקים
3:03והעיקריים
3:05באותה הפעילות של הכנה הוא הוא גם מוריד
3:08לנו את היקף הנתונים, אבל הוא גם מנגיש
3:11אותם באופן שנדרש לנו על מנת לנתח ולקבל
3:16החלטות.
3:18אז כדי שנוכל להבין טיפה לעומק איך אנחנו
3:22באמת מביאים מנתונים גולמיים לנתוני all
3:26upפ בואו נפנה עם כך לאחת הדוגמאות ולאחר
3:30מכן נראה את הניתוח האנליטי של הולאפ
3:35הפעילויות הנדרשות וכדומה על מנת להוציא
3:39את המיטב מכלל היכולות שנמצאות בתוך
3:42הארגון מבחינת תשתית הנתונים שלו וגם גם
3:47מכלל היכולות שה
3:49לי הזה למעשה מנק לנו
3:54נכון איזה אירונים לא רק כדאי להם להשתמש
3:59ב
4:00כלי BI שמבוססי אולאפ אלא ממש מחויבים
4:04להשתמש ב כלים שכאלה אני כמובן אחפש
4:07ארגונים שיש להם מסות של רשומות אנחנו תכף
4:12נראה דוגמה מאוד מאוד קיצונית באמצעות
4:14אמזון אבל באופן כללי
4:17מייצרים הרבה מאוד רשומות. זה יכול להיות
4:19בתחום היצור, זה יכול להיות בתחומי
4:22המכירות, בתחומי הלוגיסטיקה, שינוע
4:25מוצרים, משלוחים או כל אלמנט אחר של
4:28פעילות החברה שמייצר היקף רשומות מאוד
4:31מאוד גבוה. בהיקף רשומות שכזה כמובן דהס
4:37כשהוא מנהל רשומות שכאלה לא יכול להתמודד
4:41עם חיפושים תדירים על מיליונים מיליוני או
4:46עשרות מיליוני או אפילו מאות מיליוני
4:49ומיליארדי רשומות הוא צריך איזשהו פתרון
4:52מסכם
4:54בצורתה של הולא של הקוביה ואכן פה נכנס א
4:59האלמנט הטכנולוגי הזה או השכבה מטווחת
5:03שהטווחת בעצם בין הדטה לבין מערכת ABI
5:09כלומר קשת החיפושים השימושים החיתוכים
5:13העיבודים שמשתמש הB כלומר המנהל זקוק להם
5:18בין אם זה מוצע גרפית או בצורה של דוח או
5:21בכל אלמנט אחר אז בואו רגע נראה למה זה כל
5:25כך חשוב בחברה למשל כמו אמזון אז אמזון
5:29היא חברה שהיא שולטת ב-45% משוק המסחר
5:33האלקטרוני בארצות הברית. כמובן שיש לה
5:37פעילות עולמית ביפן, באיטליה, בגרמניה,
5:40בבריטניה ועוד מדינות, כמובן בישראל גם.
5:45הפעילות שלה למעשה מכסה
5:50מנתוני האתר האמריקאי בלבד
5:53קשת ממוצע של כ4 וחצי הזמנות רכש ביום
6:00מהלקוחות שלה. כלומר, אנחנו מדברים על
6:04סדרי גודל מאוד מאוד גדולים.
6:07אפילו ברמה יומית א
6:10זה אולי לוקח
6:13כמה שניות לחפש או לאבד מידע של 4 וחצי
6:17מיליון הזמנות ביום אבל על אחת כמה וכמה
6:20כשאני מעוניין לעשות איודים היסטוריים על
6:22נתונים של שנה מסוימת או מעוניין להשוות
6:26בין שנים לראות מגמה לאורך חודשים במשך
6:29שלוש או ארבע או חמש השנים האחרונות ועוד
6:32אז אתם מבינים עכשיו מה א קשת את המורכבות
6:39וגודל מסד הנתונים או הדataוס שאמזון
6:43למעשה מנהלת. מדובר בהיקפים עצומים. עכשיו
6:49כשאני בא ואני מכפיל את 4 וחצי מיליון
6:52רשומות ביום על פני 365
6:56יום בשנה אז זה מייצג לי היקף שנתי של אלה
7:01של 1.6
7:03מיליארד רשומות בשנה.
7:07א לפחות שנכנסות לאמזון שנכנסות לדataws
7:12עכשיו מאוד יכול להיות שההיקף
7:17הוא הרבה יותר גדול מ-1.6 ש יכול להיות
7:20שהוא בערך שני מיליארד אולי אפילו יותר
7:24ואני אסביר למה
7:27אז מה שאני ראיתי למעשה מבחינה סטטיסטית
7:30הסטטיסטיקה שמופיעה לגבי אמזון שההזמנות
7:34הן 4 וחצי מיליון הזמנות ביום כלומר 1.6 6
7:39מיליארד אה הזמנות רשומות הזמנה
7:44בשנה אבל כל הזמנה עשויה להכיל בתוכה מספר
7:50פריטים
7:52ככל שחיפשתי כמה פריטים בממוצע יש בהזמנה
7:55של אמזון לא ממש הצלחתי למצוא איזשהו נתון
7:59מוסמח
8:01ראיתי בלוג מסוים שמציין שיש 1.2 שתיים
8:06פריטים בהזמנה. כלומר, אנחנו פה מדברים על
8:09סדר גודל של א שני מיליארד פריטים
8:14שמוזמנים על פני 1.6
8:17מיליארד רישומות הזמנה, הזמנות רכש.
8:21כלומר, כל הזמנה עשויה להכיל או פריט אחד
8:24או שניים או יותר, אבל בממוצע זה 1.2
8:27פריטים. להזמנה זה לפחות לפי הנתון
8:31שהצלחתי למצוא לגבי המזון. כלומר אנחנו
8:35מדברים לפחות על שני מיליארד רשומות יכול
8:38להיות שאפילו יותר
8:41ומאוד יכול להיות שיש רשומות נוספות
8:45שהן לא כלולות כחלק מרשומת ההזמנה אלא
8:49מייצרים רשומה נוספת לדוגמה רשומת התשלום
8:54צריך בסופו של דבר לשלם אז יכול להיות
8:57שפרטי התשלום הם חלק מרשומת האב של ההזמנה
9:02שזה שם לקוח
9:04כתובת וכדומה מאוד יכול להיות שיש לנו
9:08מזהה מסוים איזשהו אינדקס איזשהו מספר
9:12לרשומת האב של הרכישה של ההזמנה מהאמזון
9:17ואנחנו מייצרים רשימה נוספת שהיא מקושרת
9:21עם אותו מספר מזהה שהיא רשימת תשלום
9:25לצורכי הפקת קבלות חשבוניות לצורכי סליקה
9:30כלומר העברת פרטי אשראי אישור שהתשלום בוצ
9:34צע א זה נשמע לי
9:38כיוון שמאוד יכול להיות שאמזון מאפשרת את
9:41האופציה
9:43שאדם מסוים יזמין ואדם אחר ישלם עם פרטי
9:48האשראי שלו או שלה
9:51ולכן יכול להיות שיש הפרדה מה שמכפיל לנו
9:54ואומר שיש לנו סדרי גודל של 1.6 6 מיליארד
10:01כפול 2
10:03כלומר סדרי גודל של 3.2 מיליארד רשומות
10:08בשנה אפילו פלוס אותו מטבח של 20% אז זה
10:133.6 6 מיליארד אבל רגע זה לא יוצר שם כי
10:17יש לנו גם רשומת עיתוד לניפוק כן ה מנפקים
10:24בעצם מקבלים איזשהיא פקודת ניפוק מאיזה
10:28מאיזה מדף לאסוף איך להרוז את זה וכדומה
10:33אז יש גם רשומת ניפוק ויש גם רשומת לשלוח
10:37כלומר רשומה על איזה משאית זה עולה
10:41אה כיצד זה נשלח מהנהג האחראי או האם
10:46משתמשים בשירותי דואר סטנדרטים או בשילוך
10:49שילוח מהיר כמו DL אז יש לנו גם רשימת
10:53משלוח אז אתם רואים פה למעשה שהנתון הזה
10:56שהצלחתי למצוא של 4ח הזמנות ליום כשאנחנו
11:00מחשבים את זה
11:03זה מגיע ל1.6 ש מיליארד רשומות הזמנה בשנה
11:08וזה עשוי גם להתנפח לסדר גודל של 10
11:11מיליארד רשומות
11:15כשלוקחים בחשבון
11:18את כל הרשומות של ניהול הפרית שמנופק כנגד
11:22אותה זמנת רכש של לקוח אז אנחנו עשמים
11:27לקבל אפילו יותר מ10 מיליארד רשומות בשנה
11:31עבור הפריטים שנרקשים
11:33באמזון לא לוקחים בחשבון פעילות אחרת של
11:36החברה רק את רכישות הפריטים אונליין
11:40עכשיו לא בהכרח כל הנתונים האלה הם בדataס
11:46הם במערכות הטפעוליות בהחלט מערכות השילוח
11:49מערכות הניפוק מערכות הקליטה למלא מערכות
11:52העבודה מול הספקים וכולי וכולי אבל לגופו
11:57של עניין חלק מאוד ניכר מהם בוודאי
12:00ובוודאי נמצא בדataוס סקי מנהלי ה מנהלי
12:06אמלאי מנהלי המשלוחים מנהלי כוח האדם
12:11מנהלי הרכש המנהלים הפיננסיים של המזון
12:14כמובן כולם רוצים לראות תמונת מצב מה קורה
12:18מבחינת איכות השירות כלומר מהירות
12:21הניפוקים איכות הניפוקים אה מבחינת המצב
12:27הכלכלי כמה נכנס לחברה
12:30מבחינת הכנסות מה שולי הרווח ועוד אלמנטים
12:33כאלה מבחינה שיווקית זה מנהל השיווק או
12:36מנהל את השיווק א עד כמה קמפיין מסוים
12:41העיץ רכש הזמנות כמו למשל ה א ב blackק
12:47frידידי והסייבר מנדיי שאמזון בוודאי תהיה
12:50מעורבת בהן זאת אומרת יש פה המון נתונים
12:55מהמערכות הטפעוליות השונות שמעניינות
13:00למעשה את כלל המנהל בארגון ואפשר להגיד
13:04שיש רלוונטיות מאוד גדולה כמעט לכל נתון
13:08במערכת הטיפעולית של אמזון לכן אמזון
13:13יוצרת דטאוס שהוא גיגנטי עכשיו אם אני
13:17מדבר על סדר גודל מוערך של א 10 מיליון
13:22רשומות 10 מיליארד רשומות בשנה יכול להיות
13:25שזה אפילו כפול מכך אבל בואו נדבר כרגע על
13:29המספר הזה על פני 10 שנות שנות פעילות של
13:32אמזון או 15 שנות פעילות של אמזון. אנחנו
13:36כבר מקבלים סדרי גודל שלאט לאט מתקרבים ל
13:44150 מיליארד רשומרות.
13:47יכול להיות שאפילו יותר אם לוקחים גם
13:49רשומות אחרות מסוגים של כוח אדם, עבודה
13:53מול ספקים, ההבעות כספים, מהמזון למי
13:57שמאכסן אצל ומוכר דרכה וכולי וכולי וכולי.
14:01אז אתם רואים שאנחנו יכולים בקלות להגיע
14:05לדטה שמתנפח לכיוון אפילו חצי או חצי
14:12טריליון או אפילו טריליון רשומות על פני
14:15כל שנות העבודה של החברה ודאי וודאי
14:19שאמנזון רוצה להנגיש את הנתונים האלה
14:22לאיבודים ועכשיו תארו לעצמכם שאתם צריכים
14:26לסכם מכירות
14:28בחודש מסוים או ב12 חודש חדשים להציג 12
14:32מספרים של סך מכירות בחודש בשנה שעברה.
14:36לכו עכשיו תרצו שאילת
14:39על מסתונים שהוא בסדר גודל והוא ערך של בן
14:44150
14:46מיליארד רשומות לכל הפחות ויכול גם להגיע
14:50לטריליון רשומות בקלות.
14:54זה לוקח המון זמן עלהס.
14:58זה לוקח הרבה מאוד משבים. זה יכול להקפיא
15:00אותו לגמרי ולכן אמזון כחברה בעלת נכסי
15:05מידע כל כך עצומים היקף רשומות כל כך עצום
15:10בוודאי שזקוקה לאיזשהו פתרון מתווך שיקטין
15:15את היקף הרשומות בסדרי גודל מאוד
15:17משמעותיים ופשר למנהלים לעשות חיתוכים
15:22בדיקות אנליזות
15:25שאולי לא עונות על 100% מהצרכים
15:29של המידע, חיפושי המידע ועוד בדו, אבל
15:33בהחלט יכולות לענות על לפחות 90% מהצרכים
15:38שלהם. ואם צריך אז באמת מריצים איזושה א
15:43איזושה שאילטה על כל ההיקף העצום הזה של
15:48הרשמות בוהאוס כשאילת לילית ומקבלים
15:51למחורת התשובה בבוקר. אבל זה דבר שהוא לא
15:54צריך להיות דבר סטנדרטי, דבר תחוף. אלא
15:58באמת יוצא דופן אם מאפיינים נכון את
16:01מערכות הBI של הארגון
16:04ולכן עבור ההיקף המרבי של השילטות של
16:09החתכים של הביצועים של ה א אנליזות
16:14והבדיקות של המידע לגבי המכירות למשל של
16:17המזון או תנועת הכספים או כל פרמטר אחר אז
16:22אנחנו בהחלט יכולים להפייה נכון all upפ
16:27לקשר אותו נכון למערכת הBI, להפיין נכון
16:32דוחות, פרזנטציות, גרפים למעקב וכל אלמנט
16:35אחר שיכול לתת לנו פתרון
16:40במימד של קבלת חיוויים, קבלת אינדיקציות
16:44או בצורה גרפית או דרך דוחות לגבי
16:48שינויים, גדילה א בפעילות או כל פרמטר אחר
16:53שמנהלים מחפשים ושוב אנימצא ציין שמערכות
16:58הB לא יענו ב-100% על הצרכים. אנחנו כן
17:01שואפים
17:02שהם יענו עד כמה שניתן על כלל הצרכים של
17:06מנהלים בארגול.
17:08א אבל כשצריך איזושהיא שיטה מאוד מאוד
17:11ייחודית אז בוודאי שמריצים אותה ישירות על
17:14כל היקף הרשומות העצום הזה. בדataוס
17:19זה רק עשוי לקחת לילה שלם של עיבודים. אז
17:23צריך לקחת את זה בחשבון, אבל באופן תדיר
17:26זה לא קורה.
17:29אז אם כך, יש לנו א היקף עצום באמזון
17:34בדataware היחיד שלה של רשומות. זמני
17:38החיפוש הם עצומים.
17:40האחזור והעיבוד של מידע הן פעולות מאוד
17:44משמעותיות. אני יכולות ממש להקפיא לשעות
17:47את הדטה
17:49בהכף שכזה. לכן אם צריך איזשהו דוח עושים
17:52את זה כהרצת לילה וכנלא אנחנו מעתקנים את
17:57הallאפ בלילה זאת אומרת אנחנו מחפשים איזה
18:00רשומות נכנסו במהלך היום לארגון ואז
18:04מעתקנים את זה בהתאם מה שאומר שמאוד יכול
18:07להיות שהולאפ של המזון הוא לא מעותקן
18:11בנירילטיים אלא הוא מעותקן בבץ' בריצה
18:14לילית כמו בנקים חברות ביטוח וארגונים
18:17גדולים כאלה וזה בגלל הקושי
18:21לאבד מיליארדים של רשומות כמו שציינתי
18:24אולי לכיוון הטריליון רשומות אפילו בזמן
18:27שהוא נחשב כזמן סביר
18:31עכשיו מה שחשוב לציין הוא שהפתגם ברוב
18:35עצים לא רואים את היר הוא מאוד חשוב פה
18:39ההי לבל המנהלים
18:42זקוקים לאיבודים שהם ברמה גבוהה א לא
18:46צריכים לדעת שמר כהן ירושל ירושלים או
18:51גברת לוי מניו יורק רכשו
18:55ספר או א ערכה מסוימת
19:00לצביעת הבית או כל דבר אחר מהמזון זה סוג
19:05של רשומה שהיא low lבל זאת אומרת את מי זה
19:09מעניין את הדרגים הנמוכים בארגול
19:13ואז פונים למערכת הטפעולית שמטי את הרשומה
19:16הזו לדוגמה
19:19עם אותו אם אותה גברת לוי
19:23חוותה בעיה במוצר שהיא רכשה באותה ערכת
19:28צביעיה לבית, הרי שהיא יכולה להרגיש תלונה
19:31לאמזון.
19:33העובד שמטפל בתחום שירות הלקוחות בתלונות
19:38וכדומה הוא ניגש למערכת הטפעולית כלומר
19:42למערכת שמקבלת הזמנות מהאונליין
19:46ומעתר את הפריט המסוים שנרכש את הזמנת
19:51הרכש המסוימת של הגברת לוי וממשיך לטפל
19:56בודק זאת אומרת הוא בכלל מוודא שאכן הייתה
19:59רכישה כזו לפני שבכלל מטפלים בתלונה כיוון
20:02שיכול להיות שזה תלונה שהיא לא אמיתית.
20:07אז הבדיקה הזו ברמת המיקרו, ברמה מאוד
20:11מאוד מאוד ממוקדת של הזמנה כזו אחרת, היא
20:14בדיקה שהיא לא לבל, היא מעניינת עובדים
20:17שמזותרים יחסית בארגון
20:20והיא בסביבה של הקפים עצומים. היא נעסת
20:22מול המערכות הטיפוליות שבעצם מרכזות את כל
20:26פירוט ההזמנות שהארגון מקבל. לעומת זאת,
20:33אם אני מתייחס לאותה הזמנה כעץ מסוים, אז
20:37אם אנחנו ניתן איזשהו פירוט של ההזמנות
20:40כמו שאין eז למנהלים, לאיבודי ההיילי לבל,
20:45לבחירים בארגון, למעשה מרוב פירוט עצום
20:49כזה, מרוב נתונים לא רואים את המידה, לא
20:53רואים את תמונת המצב של הארגון. אז אנחנו
20:56זקוקים בעצם לאיבודים שהם היי לבל,
20:58לאיבודים שהם יותר מסכמים את מה שקרה
21:02מבחינת מערכות הילן. כלומר, אני נדרש
21:08לסכם, לבדוק, למצוא קורלציות
21:11א לבצע אולי מתוכים סטטיסטים יותר
21:14מתקדמים, רגרסיות, מבחנים. לדוגמה, אם אני
21:18מריץ קמפיין, מעניין אותי להריץ מבחן
21:21סטטיסטי שמשווה לדוגמה מה קרה לפני, מה
21:25קרה אחרי הרצת הקמפיין וכדומה. כלומר, אני
21:30זקוק לראות את היער, אני זקוק לראות את
21:33תמונת המצב מלמעלה. אם אני אראה את התמונה
21:36ברמת מערכות התפעול, אז זה ממש כמו אדם
21:42שהולך ביער ופשוט טועה. הוא לא מוצא דרכו.
21:46לעומת זאת ניקח את אותו אדם, נרים אותו
21:50מעל הצמרות של העצים גבוה גבוה והוא יוכל
21:54לראות תמונה ממעוף הציפור. הוא יוכל להבין
21:59מה שקורה בארגון, מה שקורה באותו אייר
22:02ולנוות כיוון שהוא מעל העצים, הוא לא
22:06מסתבך ברמה הנמוכה, הוא בעצם ברמה של
22:10ההייל לבל, רואה מלמעלה את כל התמונה
22:14המלאה בארגון. ולכן אנחנו בעצם מבצאים את
22:19המינוף הזה, את ה
22:23הקפצה
22:24של תמונת המצב בארגון לרמה שהיא הי, לרמה
22:28שרואים ממעוף הציפור. מלמעלה מה קורה
22:32בארגון דרך מערכות המינה המלאכותית
22:35באמצעות טכנולוגיית הולאפ. זה בעצם
22:38הטכנולוגיה המתווכת שמקפיצה אותנו מרמת
22:41מערכות הטפעול על כל מיליארדי הרשומות
22:44שבהם.
22:46כנל הטהס שהוא בעצם אמצעי לרכז את כל
22:50מיליארדי הרשומות מהרבה הרבה הרבה מערכות
22:53טפעוליות לרמה שמאפשרת לנו לראות את המצב
22:59מלמעלה מה שקור
23:01אז לכן העולם תומך בנוחות של המשתמשים
23:06במהירות של קבלת חיוויים או תוצאות בדוחות
23:11ובגרפיים או בדשבורדים השונים שהם מפעילים
23:14במערכות הi לא בעבודה ישירה מול הדה אלא
23:19בעבודה ישירה מול הall upפ ששואב את
23:22הנתונים מהדטה
23:24יש לנו אפשרות להריץ דוחות שמבצאים
23:27חיתוכים שומעים א לבצע מצגות במהירות רבה
23:33א וכל זה באמת מתאים למנהלים או לבחירים
23:36שוב לזותרים זה לא מעניין הם גם לא צריכים
23:39לראות מסיבות של סודיות עסקית למשל את כל
23:43תמונת מצב בארגון כמה אמזון מרוויחה או כל
23:48אלמנט אחר ממה היא מרוויחה משהו לאר רווח
23:51וכדומה זה למנהלים הבחירים ובהתאם מערכות
23:55ה והולאפ משמשים את הרמה הניהולית הזו
24:03עכשיו לפני כמה שיעורים אני הזכרתי שאחת
24:07הארכיטקטורות
24:09האלטרנטיביות לדata
24:12וכמובן לכל העיבודים לכל האיסוף של המידע
24:16הוא הדיטלי כלומר תשתית שהיא מבוססת על
24:19משדי נתונים על מערכות ניהול נתונים שהם
24:22מבוססות בהקדתה למשל מערכות שפועלות
24:27בסביבת הדור בסביבת no SQL מאפשרות גם
24:31לרכז נתונים במבנה טבלאי כמו בדataס כלומר
24:35לאסוף רשומות
24:37של מכירות עם שדות מאוד מוגדרים כמו מספר
24:42מכירה
24:44מספר לקוח
24:47א תאריך מכירה כתובת למשלוח וכו וכו וכו
24:51כל השדות השונים במבנה טבלאי אז כמובן
24:54שדata לייקס תומכים בכך אבל
24:59מעבר לכך הם גם תומכים באיסוף של מסמכים
25:03בארגון מזכרים אימיילים סרטונים
25:08א הקלטות קול זאת אומרת זא תשתית מאוד
25:12מאוד מאוד גמישה. פשוט תזרקו פנימה לאגם.
25:16תנו לאגם לאסוף, לדataי.
25:19את כל סוגי הקבצים הללו. בעוד שדata הוא
25:23קשיח מהבחינה שהוא משתמש במסדי נתונים
25:27טבלאים. כלומר יש לו מבנה רלציוני, מבנה
25:31שדורש אה מבנה טבלאי מאוד מאוד קשיח, מאוד
25:35מוגדר. בעוד שדיatליק מאפשר גם לאסוף סרטי
25:39וידאו, קבצי קול, תמונות, למעשה כל סוג של
25:43נתונים. אז למה אנחנו בעצם עדיין לומדים
25:47על הדטה? נשמע שהדליק הוא טכנולוגיה
25:51מדהימה ואפן הוא טכנולוגיה מדהימה.
25:55אז למה צריך באמת את הדare? בעוד שדataיק
26:01בסביבת הדופ גם יש לו תשתית שמאפשרת
26:04חיפושים מאוד מהירים. יש לו אמצעי של
26:08חיפושים מקבילים פרלים שמאפשר לקצר את זמן
26:13החיפוש ואז למעשה לכאורה זה מייתר את הולא
26:18אז האם באמת ארגונים עוברים לדאליקס או
26:23נשארים בתיצורות או מעדיפים להתמין
26:26ביצורות של דata ואל זה שכבת all upפ
26:30שמקבלת סיכום של הנתונים או מה בעצם קורה
26:34ולמה שבכלל נעדיף דהס ופ שהם איתנו בערך
26:39כבר 20 30 שנה על פני הטכנולוגיה המדהימה
26:43של דטאליקס וביג דataטה כמו למשל הדור
26:47שהיא פופולרית בהתמאה הפכה ליותר ויותר
26:50פופולרית הכוונה בהתמאה החל מסביבות שנת
26:542015 בארגולים שונים אז התשובה היא מאוד
26:58פשוטה
27:01רמת הסיבוכיות
27:03ורמת הידע הנדרש שעדיין לא התפתחו
27:07בהתמאות של דטאליקס בארגונים או תשתיות
27:10אחרות של ביגדה באופן כללי כמו התמה של
27:13הדל כל המורכביות שלו היא עצומה
27:18זאת אומרת הבנייה של הארכיטקטורה שהיא
27:21מבוססת דataיק היא הרבה הרבה הרבה יותר
27:24מורכבת מאשר התמה שלה
27:29וall upפ שיושב עליו ועל הall upפ כמובן
27:33חיבור
27:34של מערכות בינה עסקית שמחישות את הנתונים,
27:38אמצעות גרפים
27:40ודוחות וחתכים וחיפושים ושילטות וכדומה.
27:45אז רמת המורכבות של דטהלייק היא מאוד מאוד
27:48מורכבת. למעשה
27:51אחד הארגונים הפיננסיים בישראל
27:55א שהוא מוכר לכולם אני לא אציין את שמו
27:58נכנס לפרויקט
28:01של הקמנד ייק לארגון זה ארגון מאוד גדול
28:05מאוד בולט בארץ בסביבות
28:092015 הוא התחיל את ההקמה הקדיש משאבים
28:14בסדרי
28:16גודל של מאות מיליויני שקלים יתכן שאפילו
28:19יותר מכך עד כדי כך שהוקמה חטיבה שלמה
28:24שתפקידה
28:26להקים לאותו ארגון פיננסי את השטויות
28:29הדataטהלייק א לאפיין מאיפה אוספים למפות
28:34את המערכות של הבנק שלתוכן זה יאסף
28:37והפרויקט הזה עדיין לא מושלם כלומר אותו
28:41מוסד פיננסי עדיין עובד היום
28:46בתצורה של דטא הוהוס
28:49ועל זה יש כמובן מערכות
28:53BI שמחוברות למסדי נתונים שניים
28:56לוallולפים לדataמרס לכל מה שלמדנו מבחינת
29:01התשתיות שבאות ולוקחות נתחים מנתוני הדטה
29:06מסכמות אותן וכדומה וכל נושא הדיטהלייק
29:10באותו מוס באותו ארגון
29:14בכלל לא התרומם זאת אומרת הוא לא מופעל
29:19הוא עדיין בעבודה ומדובר כבר על כמה שנים
29:21טובות שחטיבה שלמה מבחינת כוח האדם
29:27מהנדסים תוכניתנים
29:29מנתחי מערכות מידע וכולי עדיין מנסים
29:33להרים את אותו דטהלייק ולהפעיל אותו
29:37בארגול לפחות בהיקף חלקי וזה עדיין לא
29:40בוצע כלומר יש פה מספר מורכבויות דטליק
29:45הוא הרבה יותר מורכב מבחינה טכנולוגית
29:48יש גם הרבה פחות ניסיון בעולם בדלס. זאת
29:51אומרת, אם הall upפ והדה
29:55זה טכנולוגיה שחיה איתנו מסביבות ה-30
29:58שנה, אולי טיפ טיפה יותר אפילו, והיא
30:00בשימוש מאוד מאוד תדיר כבר מעל 20 שנה, א
30:05הרי שדיatלק
30:07ומסגרות של ביגדה כמו הדו, הן חיות איתנו
30:12הרבה פחות שנים מבחינת השימוש, מבחינת
30:15הפיתוח, מבחינת ההכרה.
30:18ארגונים התחילו לבדוק התמעה שלהם בסביבות
30:212015. כלומר, אנחנו מדברים על מספר מועט
30:25מאות של שנים וצבירה מועטת של ניסיון.
30:29מה עוד שמרבית הארגונים בכלל לא נכנסים
30:32לפרויקטים של דטה.
30:34טוב להן עםes
30:37זה מנהלם טוב את הצרכים, את המידה שלהם.
30:41הם לא מתעסקים כמעט בתמונות
30:44א או בסרטי וידאו. יש להם פתרונות ארחוב
30:48של מסמכים משלהם. זאת אומרת, לרוב
30:51הארגונים זה לא ממש רלוונטי. הם לא צריכים
30:55את קפיצת המדרגה הקוונטית העצומה הזו
30:59כשעוברים מדata האוזים למעשה לתיצורות של
31:03ארכיטקטורה
31:04מבוססת דטהלייק. אז לכן יש המון קשיים
31:08בהתמאה של ארכיטקטורות של דטאליק. כן
31:11הצליחו בעולם לבצע התמעות שכאלה.
31:16חברות כמו גוגל, כמו פייסבוק, הנה חברות
31:21שהן עובדות על דלס, על מערכות של ביג
31:23דataטה. אחרת לא היינו מסוגלים למשל להחזר
31:27פרופיל של חברה בפייסבוק תוך פחות מחצי
31:33שנייה. כולל מידע שהוא מאוד מאוד כבד כמו
31:37סרטים, כמו תמונות, כמו פוסטים, כמו
31:40קשרים, כמו המון המון מידע. כל זה מאוחס
31:43כמובן בטכנולוגיות של ביג דטה. זה גם דורש
31:46טכנולוגיות שכאלה בגלל כובד המידע. אבל לא
31:50בטוח שארגונים פיננסיים
31:54שבסך הכל הרוב המוחלט של המידע שבהם הוא
31:58מידע שהוא טבל בסך הכל ומידע שהוא מסוג של
32:03מסמכים למשל אפשר להנדקס אותו. זאת אומרת
32:07לשים אותו באיזשהם ספריות ואז
32:10לשים שדה שיהיה קראוי כתובת ויפנה דרך
32:14קישור לאותה ספריה או לאותו פולדר
32:18שהמסמכים מאוכסנים שם. אז יש פתרונות הרבה
32:22יותר פשוטים מאשר כניסה לדלייקס. דטאליקס
32:25היא טכנולוגיה נפלאה. היא מאוד מתקדמת
32:29היא מאוד מעניינת גם מבחינה טכנולוגית.
32:33היא גם נותנת מיצועים מעולים, אבל לא בטוח
32:40ש כל ארגון וארגון צריך את ההשקעה במכונית
32:45המרוץ היקרה, היוקרתית והמאוד מאוד מורכבת
32:49מבחינה טכנולוגית שיש רק מעטים בעולם שיש
32:54להם באמת ידע לפני ולפנים בטכנולוגיות של
32:57דטא לנקס וביג דטה והטכנולוגיות היותר
33:01קונבנציונליות
33:03וסטנדרטיות
33:06א זמינות לנו
33:09כולל מגוון של מאובחים ואנשי ידע ואנשי
33:13תוכן וכמובן ניסיון של כבר עשרות שנים.
33:18זאת אומרת בהחלט
33:21זה מאוד נוצץ וזה מאוד נחשב
33:25כאתגר מעניין אני חושב להטמיע דאלקס
33:32ותשתויות שהם של ביג דטא
33:35זה בהחלט חשוב לקשת של ארגונים
33:40וזה גם אם זה מבוצע באופן נכון ובאופן
33:43מיטבי זה גם נותן תוצאות
33:47מעולות. כן. לא צריך עכשיו להמתין דקות
33:50ארוכות לדוח,
33:52לא צריך שכבה מתווכת של אולפ אפשר מיד
33:55להריץ את הניתוח על הלייק. ואז אנחנו
33:58מקבלים מהר מאוד את התוצאות. אבל
34:03לא בטוח שזה מתאים לכל ארגון ולא בטוח
34:05שההשקעה העצומה בהקמה של דטאליס אכן
34:09מתאימה לכל ארגון מבחינת ההחזרים הכלכליים
34:13שאפשר
34:15לקבל מזה.
34:17אני בהחלט ממליץ להיכנס לתחום של דטאס
34:21וביגata
34:24להכיר את מסגרת הדופ להכיר את הכלים
34:27השונים של no SQL ושל אופן ניהול הקבצים
34:32והמידע בתוך דטאלייקס
34:35ובתוך מסגרת הדופ כלי מסגרת הדופ אבל
34:39כשבאים להחלטה איזה פתרון להטמיע בארגונים
34:43גם בארגונים חדשים כן כן, לא מדובר פה
34:48במוסדות ותיקים מאוד שצברו מיליוני או
34:52מיליארדי רשומות, אלא ממש ארגון חדש
34:55לחלוטין. צריך לבדוק האם באמת אנחנו
34:58צריכים את הפתרון המתקדם החדש הנוצץ
35:02אותה מכונית מרוץ
35:05יוקועתית או שאנחנו יכולים גם להגיע
35:09בסוברו פשוטה
35:12למעוז חפצנו לנסוע בכבישים שהם סטנדרטים
35:16לקבל את את הפתרון באמצעי טכנולוגי שהוא
35:20אולי לא נוצץ אבל הוא בהחלט אמין והוא
35:24בהחלט א נותן פתרון הוא לא עד כדי כך מהיר
35:28כן הוא לא מכונית מרוץ הוא בסך הכל סוברו
35:32אבל הוא הרבה יותר זול א ויש גם הרבה פחות
35:36סיכונים מבחינת האופן שנצליח להגיע
35:40בביטחון למחוז חפצנו בסופו של דבר אז זה
35:45בעצם חלק מההחלטה של בחירה בטכנולוגיה
35:49מבוססת דוare וall upפ או טכנולוגיה שהיה
35:53הרבה יותר חדשנית
35:55נוצת כמו בגדטה וחשוב להבין את זה לשולחן
36:00בסופו של דבר כי מערכת השיקולים היא לא
36:04היופי או הקדמה הטכנולוגית בהכרח
36:09אלא בסופו של דבר עד כמה זה משרט בתמונה
36:13הגדולה את הארגון מבחינת העלויות הכספיות
36:17מבחינת המורכבות מבחינת סיכונים להצליח
36:20בסופו של דבר להרים את הפרויקט הזה וכדומה
36:26למעשה התמונה מצד שמאל של הקוביה לכן היא
36:31גם קורה קוביה היא ממחישה את מה שקורה עם
36:33מערכות ההולאפ שהן מערכות שניגשות
36:37למבנה הטבלאי הרלציוני של הדיטה
36:42הגישה יכולה להיות רוב בבץ פעם אחת ביום
36:46במהלך ריצת לילה כשמדובר בדאה מאוד מאוד
36:49כבדים וכשאנחנו צריכים רמת הדקניות שהיא
36:53היא נכונה לאותו יום, לאותו רגע. וזה יכל
36:57יכולה להיות גישה של מערכות הall upפ הדטה
37:01על מנת להתעדקן
37:03א כל פעם שיש אירוע שנכנסות רשומות חדשות
37:07לדata warה ואז למעשה אנחנו רוצים לעתקן
37:11את הקוביה בהתאם ואת הרשומות. אז מה היא
37:14אותה קוביה?
37:16כפי שציינתי, יש לנו ארגונים שיש להם
37:19היקפים של מיליון מיליוני רשומות בשנה,
37:23אפילו עשרות מאות מיליוני רשומות. במקרה
37:27הזה בואו ניקח ארגון שהוא דמוי אמזון כזה
37:31שהוא מוכר א מוצרים אלקטרוניים, ארגון
37:35כמונאי.
37:37ואנחנו יכולים לראות שבעצם הארגון הזה
37:40מעניין אותו לא המוצרים עצמם, לא המכירות
37:44של כל מוצר ומוצר או לא המכירה לגברת כהן
37:48או מר לוי מסוימים של מוצר מסוים, אלא
37:52התמונה הכללית מעניינת את המנהלים. אז הם
37:56לוקחים בעצם דרך הall upפ
38:00א הם ניגשים לכל המידע שמאחסן בדata
38:04שכמובן נאסף מהמערכות הטיפוליות זה הרכש
38:08זה התשלומים זה המשלוחים וכדומה
38:12אז מתוך אותו מידע שמרוכז בדata warרט
38:16שהגנו אותו שניקו אותו שיחסנו אותו כמו
38:18שצריך בטבלאות ירודיות וכמו שאמרתי הקפי
38:23הרשומות הם עצומים שם
38:26מעניין את המנהלים חיתוכים או ביצוע של
38:30חיפושים או מימדים שכאלה לפי שלושה מימדים
38:37שזה טיים ציר הזמן אבל לא רמה של יום
38:41ביומו או שבוע בשבוע או אפילו חודש אחר
38:45חודש אלא
38:48מימד הזמן יהיה ארבעת הריבעונים האחרונים
38:52בשנה
38:53כלומר ‏Q1, Q2, Q3, Q4.
38:57אוקיי? רמה של חיבור הנתונים על פני
39:02ריבעונים בשנה. כלומר הדז מכיל את רשומות
39:07המכירה. פה זה מידע של מכירות. לצורך
39:10העניין הוא מכיל את הרשומות
39:13כמובן ברמה של יום, אפילו יום ושעה. מה
39:19שהעולרפ עושה, הוא ניגש לרשומות והוא סוחם
39:22אותן.
39:24לפי מימד ראשון שהוא מימד הזמן. המימד
39:29השני הוא מימד גאוגרפי. אם לארגון הזה יש
39:32אלפי חנויות בכל העולם, אז את הארגון לא
39:36מעניין החנות ברחוב מסוים בניו יורק. זה
39:39אפילו לא מעניין אותו שהחנות בניו יורק,
39:42אלא המימד הגיאוגרפי
39:46שסוחמים את ההזמנות מחנויות הוא האם החנות
39:49היא בארצות הברית, באסיה, באוסטרליה
39:53ובאירופה. במקרה הזה גם כן יש במקרה ארבעה
39:57ערכים גם כן והערכים הם USA, אשיה,
40:02אוסטרליה וורופ א שלושה מימדים
40:06גיאוגרפיים. כלומר, לא ממש מעניין שהחנות
40:10נמצאת לצורך העניין באיטליה
40:14או ברומא או ברחוב מסוים אפילו ברומא, אלא
40:18כל מה שנמנכר
40:20בחנות הזו יכנס לקטגוריה הכללית של
40:25אירופה. זאת אומרת, האולפ ממש מקבל רשימה
40:29של סניפים, של חנויות, מיקומים של מדינות
40:34והוא בא וסוחם אותן.
40:37הוא מקשר אותן לקטגוריית על הרבה יותר
40:41גבוהות כמו שהוא קישר את התאריך המסוים
40:45למשל שלישי לראשון 2020 לQ1
40:51במימת הזמן
40:53אז אתם רואים איך אנחנו בעצם
40:56מניחים כן ההפך מלשדרג לשנך
41:01את היקפי המידע ממיליוני רשומות לכפים
41:05מאוד מאוד קטנים
41:08בתצורה של סיכום מכירות לאורך ארבעה מימדי
41:11זמן וארבעה מימדים גאוגרפיים וגם ארבעה
41:15מימדים במקרה הזה. שוב המספר ארבע פה הוא
41:19מקרי לחלוטין. אפשר לעשות שלושה מימדים
41:2110ה מימדים כמה שתרצו.
41:24א סליחה ערכים. א ארבעה ערכים זה מקרי.
41:29אפשר לעשות 10ה ערכים, 15 ערכים, שלושה או
41:33שני ערכים אפילו לפי מה שזה משרט את
41:36הארגון. לא חייבים ארבעה ערכים בכל מימד
41:40ומימד, אבל זה איך אומרים? זה דוגמה שהיא
41:43מקרית ככה. אז יש לנו produccts.
41:47Producctט זה בעצם משפחות המוצרים
41:51אז תחתם אנחנו אוספים המון המון דגמים של
41:55מכירות לאפטופים בהמון סוגים.
41:58מקטלגים
42:00את אותם לאפטופים תחת משפחת המוצר לאפטופ
42:04ואז סוחמים את כמה שמכרו במשפחת המוצר
42:08הזו. כמובן בחלוקה לאיפה מכרו זה USA
42:14אישה אוסטרליה או אירופה
42:18ובאיזה זמן האם זה נעשה בQ1 בQ2 Q3 או Q4
42:23וכך אנחנו עושים גם לגבי המובייל לגבי
42:28טלוויזיות לגבי טאבלטים ובסופו של דבר
42:32אנחנו מקבלים
42:35לכאורה אנחנו רואים את זה בצורה ויזואלית
42:37אבל תתיינו שכל תא בעצם מכיל מספר אחד
42:42והמספר הזה זה היקף המכירות. לדוגמה, בתא
42:47הצהוב העליון, כן? מעל התא הכתום
42:51יהיה מספר אחד שיהיה יבטא את היקף המכירות
42:57של מוצרים מקטגוריית הטאבלט
43:02בשוק האסיאתי בכל הסניפים שמפוזרים באסיה
43:08ובמהלך Q1 במהלך כל הימים שמשויכים
43:13לריבעון הראשון של השנה
43:18ב
43:20אה הצהוב
43:24ה זאת אומרת יהיה מספר אחד מספר אחד למשל
43:283 מיליון דולר בצ בתא הצהוב הנמוך ביותר
43:34זאת אומרת שני תאים מתחת לתא הכתום אנחנו
43:39נוכל למשל לראות
43:42את א מספר שהוא מבט
43:46את כלל מכירות הלפטופים בדולרים בשוק
43:49האסיטי
43:52א במהלך Q1
43:56ובתל לבן
43:59הנמוך ביותר והקיצוני ביותר בצד ימין
44:03אנחנו נוכל לראות במהלך Q4
44:08את סך המכירות באירופה
44:11של מוצרים מסוג לאטופ כן זו קומה תחתונה
44:15הכי שמאל אה הכי ימין והכי רחוק אז זה א
44:21חתך בין Q4 אירופה ולפטופ ובסופו של דבר
44:25בתא הזה יהיה מוכסן מספר אחד ויחיד שהוא
44:30סך היקף המכירות במהלך תקופה של Q4 רבעון
44:34רביעי בשוק האירופאי של מוצרים השייכים
44:38למשפחות הלפטופים ובכך אנחנו מנחיטים
44:43את היקף הנתונים להיקף נתונים במקרה הזה
44:47של 4 * 4 * 4 כלומר 64 מספרים בסך הכל כן
44:52ארבע ארבעה מימדים על ארבעה מימדים על
44:55ארבעה מימדים יהיו לנו 64 מספרים
44:59א שיסכמו את המכירות לפי כל חתך של ערכים
45:05בכל מימד ומימד ושילוב שלהם. כלומר, לקחנו
45:10והורדנו את קני המידה של הרשומות במקרה
45:13הזה ממיליונים ל-64 רשומות ב אולפים אחרים
45:18מדובר באפילו מאות רשומות אלפי רשומות
45:23אולי אפילו עשרות אלפים אבל זה בטח ובטח
45:26לא מיליארדים ולא מיליונים של רשומות ועם
45:30זה כבר אפשר לעבוד אפשר לאבד אפילו
45:33עיבודים של עשרות אלפי רשומות לוקחים מעט
45:37מאוד זמן
45:39אז אתם רואים את זה פה בדוגמה השילוב של
45:42סט הערכים
45:44של משפחת המוצר לאפטופ מיקום גיאוגרפי
45:49אירופה
45:51וQ3 מסתכם במקרה הזה במספר שמאוכסן בתא
45:56הזה מוכסן כמובן וירטואלית כן זה הכל
45:59קוביה שהיא מיוצגת במחשב
46:02הולאפ וזה מסתכם ב שני מיליון דולר
46:08124,365
46:11שזה פעולה שהיא נובעת מכך שהallאפ
46:16בנה מבחינה וירטואלית, מבחינה לוגית את
46:20המבנה הקובייתי,
46:23פנה
46:25אל הדataס
46:28עם כל
46:30מדידה ומדידה, עם כל ערך וערך
46:34א שלף בהתאם שילוב של סטא הקריטריונים עבר
46:39ממש טא טא בתוך הקובייה הזו שלף את חתך
46:44הרשומות הרלוונטי בדataס
46:47ביצל להם את הפעולה הנדרשת במקרה הזה זה
46:50פעולה של סיכום מכירות לפי תאריכים של Q3
46:55לפי מיקום גאוגרפי של מדינות ששייכות
46:58לאירופה לפי סוג מוצרים ש או מוצרים
47:03ששייכים למשפחת הלפטופים וכדומה
47:07הגיע לסיכום ועבר לתא הבא וסיכם ככה את
47:10החתך הבא של הרשומות.
47:13אז למעשה
47:15אולה בעצם עובד ככה מול הדה.
47:19כש
47:22הנתונים שמתקבלים בחישוב
47:26הם מאוכסנים בכל תא של הקוביה לפי חיתוך
47:30בין המימדים השונים. אנחנו קוראים לזה
47:33מדידות או measures במקרה הזה זה אותו 2
47:37מיליון 124,365
47:40דולר של סך כל המכירות. עכשיו היה אפשר
47:44להקים למשל קוביה נוספת בעולם שהיא לוקחת
47:48מכירות ממוצעות
47:51להזמנה או לקניית לקוח. ואז במקום פעולת
47:55סיכום היינו מריצים
47:58פעולה אחרת שזה ממוצע. ממוצע להזמנות. בQ3
48:03באירופה של לאפטופים והיינו מקבלים באמת
48:07ממוצעים במקום סכומים כרגע מה שעניין את
48:10הארגון זה מה סך המכירות בכל קואורדינטה
48:15וקואורדינטה
48:17עכשיו חשוב לציין
48:19שאנחנו מתייחסים
48:21לallול upפ כי קל לנו לראות את זה כך
48:26כקוביה כתלת מימד אבל בפועל
48:30אנחנו יכולים יכולים להקים אפילו קוביות
48:34של ארבעה, חמישה או יותר מימדים, לא רק
48:36שלושה מימדים, אפילו שני מימדים, שזה יותר
48:40מן ריבוע כזה, אבל בהחלט אפילו להוסיף
48:45מימד נוסף.
48:47למשל, אם היינו רוצים לדבר על האם המכירות
48:50מוצאו בשעות הערב או הבוקר, אז היינו
48:53יכולים גם פה להוסיף מימד נוסף שיש לו שני
48:58ערכים, בוקר וערב, ולחתוך לפי השעות. נניח
49:03עד 6 בערב, זה נחשב עוד הבוקר, מש בערב זה
49:08נחשב שעות הערב או כל אינדיקציה אחרת
49:11שהארגון עובד בהגדרות בוקר ערב איתה. ואז
49:15היינו חותחים את המספר של הסילס במקרה
49:20הזה. זאת אומרת לא רק לאפטופ וQ3 אלא זה
49:25היה הופך ללפטופ Q3 בוקר ולפטופ Qurופ Q3
49:30ערב. היינו מקבלים פה את ה2 מיליון
49:34124,365
49:37דולר גם בחלוקה של אותו מספר. אז היה
49:40מסתכם לאותו מספר גם לחלוקה של חלק של
49:43בחירות בוקר וחלק של בחירות ערב. זאת
49:47אומרת, לא חייבים רק להצמד לשלושה מימדים,
49:51אבל ככל שאני מוסיף יותר ויותר מימדים,
49:54אני שומר יותר ויותר תאים עם יותר ויותר
49:59מדידות, יותר ויותר מספרים תוצאתיים.
50:02וזה כמובן מגדיל לי את ההיקב של הנתונים א
50:06מנפח אותם ואני מקבל קביות יותר מסובכות
50:10ויותר עשירות בנתונים לטוב ולרע לטוב כי
50:17זה יכול לתת לי עוד מימדים לניתוח לרע כי
50:20אם אני מגזים במימדים אני כבר מתחיל
50:24להתנפח ולקבל מספר נתונים שהוא מתקרב
50:30לכפי הגודל של הדיטה
50:32נכון כי אני מכניס עוד ועוד ועוד
50:34קטגוריות, עוד ועוד ועוד מימדים עם עוד
50:38ערכים ותתי ערכים. זאת אומרת אני מפסיד את
50:42כל המטרה של הולאפ שמטרתה לסכם
50:46ולשמך להקטין את כני המידה של היקפי
50:50הרשומות שאנחנו מנהלים, פונים אליהן,
50:53מחפשים בהם, יוצרים מתוכם גרפים ודוחות
50:56ועוד.
51:00עכשיו כשאנחנו באים ומכינים את הקוביה
51:03אנחנו עושים איזשהיא טרנספורמציה של
51:06נתונים, סיכום, ממוצעים,
51:10כל טרנספורמציה שנדרשת
51:14על הרשומות שקיימות
51:16לנו במסגרת הדטה וareהס על מנת לצמצם אותם
51:22לכלל מספר אחד שיהיה בכל תא ותא של
51:25הקוביה. עכשיו זה יכול להיות קובייה של
51:27סכימות למשל סך ה סך המכירות ב Q מסוים
51:35בריבעון מסוים ביבשת מסוימת בסוג קטגוריה
51:39של מוצר זה יכול להיר גם א ממוצע למשל
51:42ממוצע של מכירה ברבעון ביבשת בקטגוריית
51:47מוצר א סטיות תקן כל מה שאתם חושבים שיכול
51:52לשרט ולשמש את הארגון א בצורה שהיא
51:58נדרשת מבחינת צורכי המידע שלו, מבחינת
52:02ההייל, הנתונים שמנהלים צריכים לראות
52:05ולקבל החלטות לפיהם בסופו של יום. אז בואו
52:09נראה איזה סוגים של הכנת קוביה יש לנו. יש
52:13לנו קודם כל את בחירת המימדים. חייבים
52:16להבין מה הם המימדים שהם רלוונטים לנו.
52:20האם זה קטגוריות מוצר למשל שאני רוצה
52:23לסחום? האם זה ברמה של יבשת או אפילו
52:26מדינות? אפשר לשים ערכים ברמה של מדינות.
52:29כנראה שהפריסה של אותו ארגון היא כל כך
52:32גדולה שצריך להתמקד ברמה של סכימה יבשתית.
52:39א הQ זאת אומרת גם פה זה בחירה מעניינת.
52:43מדובר היה בבחירה של ריבעונים באירונים
52:46אחרים יכול להיות שהסכימה תהיה לפי חודשים
52:51ואז במקום ארבעה יראונים נקבל רזולוציה של
52:5412 חודשים בארגון הזה המנהלים החליטו שמה
52:58שמשרט אותם זה אולפ שסוחם ברמה של ארבעה
53:02ריבעונים בשנה
53:05הפעולה השנייה היא פעולה של החלפת מימדים
53:10כלומר אנחנו רואים את ה
53:14א נתונים ברמה של מדינה למשל דנמרק או
53:17אפילו ברמה של עיר או אפילו עיר ורחוב
53:21קופנהגן או אפילו בקופנהגן יכול להיות שיש
53:24לנו שני סניפים
53:26בסטרוואט ובנורברו
53:29למשל ואז אנחנו באים סוחמים את זה לרמת
53:32עיר אם אנחנו נדרשים לנהל מימדים ברמה של
53:36ערים אולי אפילו לרמה של מדינות עם רמת
53:40ניהול המימדים המימד היא של מדינה, מדינה
53:45ומדינה ואז רואים דןמרק, איטליה, גרמניה,
53:49פינלנד וכולי וכולי או שיכול להיות שאנחנו
53:52רוצים לסחום את הכל ברמה של היבשת של
53:54אירופה והיה והארגון שלנו הוא מתנהל ברמה
53:58גלובלית. כלומר, אם נראה מדינות אנחנו
54:00נקבל פתאום 100 ומשהו ערכים, כן? 100
54:04ומשהו מדינות שאנחנו פעילים בהן, זה יותר
54:07מדי. אז אנחנו רוצים לרדת עם כך לרזולוציה
54:10שהיא יותר סוחמת ואז אנחנו מדברים על
54:13ארבעה יבשות שבהן אנחנו מנהלים את הפעילות
54:18הזו.
54:20לאחר מכן הדטה שקיבל את המימדים והערכים
54:25הנדרשים ואנחנו גם מקשרים כל מדינה או כל
54:29עיר לרמה עליונה יותר במקרה הזה לרמת
54:33יבשת. מבצע הפריסה של ה
54:37של הנתונים הנדרשים, עיתור של השדות
54:42וחיתוך לפי הקריטריונים. כלומר, דנמרק,
54:45איטליה, פינלנד יכנסו כולם לתוך סיכום של
54:49אירופה. א ינואר, פברואר, מרץ לתוך סיכום
54:54של Q1.
54:57טאבלט של סמסונג אבלט של לנוו יכנסו כולם
55:01לקטגוריית הטאבלטים וככה אנחנו פורסים
55:05למעשה את כל הדטה
55:08לחיתוכים לחיתוכים שכל אחד מהם אמור לתת
55:13את הנתונים לתוך כל תא שראינו בסופו של
55:17דבר
55:19ומסכמים בסופו של דבר את אותו
55:24אה א את אותו מספר, את אותו את אותה מדידה
55:29measure שאנחנו נדרשים במקרה הזה. זה היה
55:33סיכום
55:34של המכירות. כלומר, כל מכירה ומכירה
55:38שנעצתה בQ1 או בQ2 או בQ3 או בQ4,
55:44באירופה, במדינות
55:47אסיה,
55:48במדינות אוסטרליה או בUSA, כל קטגוריה,
55:52זאת אומרת טאבלט או לאפטופ וכדומה, אנחנו
55:55לוקחים את סך כל ה חשבוניות, מה שקראוי,
56:00את המחיר ששולם על ידי הלקוח, עבור המוצרי
56:04ואנחנו סוחמים את זה ומקבלים מפה את המספר
56:08הכולל בכל תא ותא. כך שבסופו של דבר למשל
56:13אם אני מתמקד בחיפוש של קטגוריית הלפטופ
56:19ביבשת אירופה בQ3 אני אקבל שסך הכל
56:23המכירות
56:25לסט הזה של הקריטריונים לסט המשולב של
56:28הערכים
56:30הוא מסתכם ב2 מיליון 1224365
56:35וזה קראוי קידוח מטה אם אני אחפש אחר כך
56:39קגור גוריית המובייל באסיה וQ1 אני אקבל
56:44מספר אחר. כלומר, מתוך שילוב של
56:46קריטריונים לחיפוש אני לכאורה קודח
56:51ומגיע לתוצאה לסך המכירות
56:55בכל תא ותא של הקוביה הזה קידוח מטה
56:58דרילדאון.
57:00אני יכול גם להוסיף מימד נוסף. אני יכול
57:03אחר כך לחלק ולהרחיב את הקוביה. זאת אומרת
57:07שינוי בעולם, שינוי לקוביה לארבעה מימדים.
57:11כמו שציינתי, למשל אפשר להכניס מימד נוסף.
57:15אני דיברתי קודם על מכירות בוקר ערב.
57:17במקרה הזה אני מוסיף האם המכירה נעשתה
57:22לאדם מבוגר או לצעיר, סיניור או ג'וניור.
57:26ואני מסו בעצם את
57:31גילו של הקונה, אם יש לי את הנתון הזה
57:33כמובן לסיניור, כלומר אזרחים ותיקים,
57:37אנשים מעל גיל 67 או לג'וניור אנשים שמתחת
57:42לגיל 67. ואז אני יכול למשל בחיתוך אחרי
57:47שהוספתי את המימדים ותייבתי את המידע ו
57:52חיברתי עכשיו סחמתי את המכירות לא לפי
57:56שלושת המימדים שהיו אלא לפי הארבעה אני
57:59מקבל שאותו נתח מתוך השניים שני מיליון
58:03דולר של המכירות ללפטופ יורק וQ3 כשזה
58:08מגיע לנתח של סיניור אז מתוכו
58:13המכירות
58:14מ350,375
58:17דולר
58:19לסניורס בQ3 באירופה וללפטופ והמשלים
58:24שמסתכם בסוף ל ששני המספרים של הסיניור
58:28וג'וניור מסתכמים לאותם 2ני מיליון דולר
58:31124,365
58:34אז המשלים זה הולך לג'וניור. במקרה הזה
58:36אני אפילו ביצעתי קוביה שהיא כוללת ארבעה
58:39מימדים. כן, זה משהו שקשה לנו מבחינה
58:43אנושית לדמיין, אבל מבחינה לוגית זה ברור
58:46שיש פה ארבעה מימדי חיפוש. והוספתי את נתח
58:50הסניורס ולקחתי וחילקתי את השני מיליון
58:53דולר של מכירות. חלק לסניורס לפי הקונים,
58:57חלק לג'וניורס לפי הקונים לפי גילאי
59:01הרוכשים.
59:03אז זה הוספה של מימד נוסף לallול upפ
59:06בהחלט אפשרית כי בעצם אם יש לי את המימד
59:09אם יש לי את גיל הקונה אז אנחנו מבצאים
59:11גישה לדata מריצים עוד פעם את הפעיל של
59:14העדכון וסוחמים עכשיו לא לפי שלושת
59:18המימדים הראשונים שציינתי אלא לפי ארבעת
59:21המימדים הכוללים גם את מימד הגיל כלומר
59:25סיניור או ג'וניור של הקונים
59:28יש גם פעילות של קידוח מעלה קידוח מעלה
59:31אומר
59:32בוא תראה לי את כל המכירות
59:35שהן גדולות או שוות ל
59:392ני מיליון 124 365 ואז אני מקבל כמובן
59:45בתוך זה את הסט הראשון כן חסר פה סימן
59:48שווה אבל נניח גם גדול או שווה אז כמובן
59:53לאפטופ יופ Q3 יופיע כי זה סך המכירות
59:57שקיבלנו שם אבל יכול להיות שמכרנו למשל 8
1:00:01מיליון מליון דולר
1:00:03במוצרי
1:00:05טאבלט לUSA במהלך Q1 ואז זה יופיע ועוד
1:00:09סטים שעונים לקריטריון החיפוש. כלומר, מה
1:00:12זה קידוח מעלה? זה תמצא לי בתוך התאים את
1:00:16כל הערכים שונים על קריטריון מסוים, כלומר
1:00:19גדולים ושבים מבחינת המכירות לערך מסוים.
1:00:24ותראה לי את סט הערכים
1:00:27במימדים השונים שונה על כך. ואז אנחנו
1:00:30בעצם ממפים קודם כל באיזה תאים הם עונים
1:00:35על קריטריון החיפוש ואז
1:00:39למעשה משלימים את ערכי
1:00:42המימדים שעונים לאותו תא כן הקואורדינטות
1:00:47של אותו תא וזה קראוי קידוח מלה או דרילפ
1:00:53כמובן אנחנו יכולים לאשר נתונים למשל
1:00:57מבסיסי נתונים דמוגרפיים
1:00:59מ
1:01:01א
1:01:03המשרדים הלאומיים לסטטיסטיקה
1:01:07מה שקראוי לשחות סטטיסטיות
1:01:10א ממסדי נתונים מסחריים
1:01:14מסדי נתונים דמוגרפיים כל דבר שיכול לסייע
1:01:17לנו אנחנו יכולים גם להכניס אותו לדו
1:01:21כמקורות חיצוניים
1:01:23ולהעשיר את הנתונים
1:01:26שאנחנו נקבל בסופו של דבר
1:01:28בקוביה.
1:01:31אז איזה סוגים של א טרנספורמציות נתונים
1:01:35אנחנו יכולים לבצע בקוביה.
1:01:38הסוג הראשון הוא כבר הכרנו אותו בדוגמה.
1:01:41זה בעצם סכימה. כלומר אני מבצע סכום. אני
1:01:47מבצע פשוט
1:01:49סכימה של
1:01:52סד שדה מסוים במקרה הזה. שדה המכירות לכל
1:01:56לקוח ולקוח
1:01:58ואני מחשב את סך הכמויות על קבוצת
1:02:01הרשומות. כלומר ללקוחות כמו בדוגמה לקוחות
1:02:07של לאפטופ
1:02:09וQ3
1:02:12אני יכול למעשה לסחום כמה רשומות של
1:02:15הכוחות עונים על הקריטריון הזה כמה כל אחד
1:02:20רכש בכמה
1:02:22ולסחום את הסכומים לקבל את הסך הכל שהוא
1:02:24מסכם באמת באותם שני מיליון ומשהו דולר אז
1:02:31זה סוג אחד של א פעולה להכנת הקוביה. הסוג
1:02:36השני הוא קראוי סינון. בסינון אני מסיר או
1:02:41לא מתחשב בעצם במידע שאני לא נדרש. זה
1:02:45יכול להיות רשומות חלקיות או שויות או
1:02:48שאולי הדטה שלי כולל לא רק נתוני מכירות
1:02:51אלא גם נתוני משלוחים ונתוני כוח אדם. אבל
1:02:55תחום האדם, תחום כוח האדם ותחום המשלוחים
1:02:59לא מעניין אותי. אני רוצה רק להתמקד
1:03:01במכירות,
1:03:03במערכות הBI שלי. אה,
1:03:07נכון שבזמנו פיינו שהדה צריך גם לאסוף
1:03:11נתוני משלוחים וכוח אדם, אבל כרגע זה לא
1:03:14מעניין אותי. אז אני מכין אולפ רק לתחום
1:03:17המחירות ולא מתייחס לרשומרות או לטבלאות
1:03:21שמחילות נתוני כוח אדם ומשלוחים. זה כמובן
1:03:25יכול להשתנות כי ככל שאני מכניס מערכות
1:03:29BI, ככל שהארגון מאמץ מערכות BI, יבוא
1:03:32פתאום מנהל המשלוחים ויגיד גם אני רוצה
1:03:36לראות תמונת מצב או מנהל את כוח האדם תבוא
1:03:39ותגיד גם אני רוצה לראות כל מיני מגמות
1:03:43ותנודות בתחום של ביקושים לכוח אדם
1:03:46ביקושים למקצועות א זמני שיעוט של עובדים
1:03:50וכדומה אז הדברים הם כבר קיימים בדאורareס
1:03:53מקימים להם הם מאפינים להם או להפקוביה עם
1:03:57המימדים והערכים שהם צריכים. למשל לפי
1:04:01סוגי מקצועות במקרה של כוח אדם א ותק מעל
1:04:0625 שנה או מתחת 25 שנה. אז יש לנו פה
1:04:10איזשהו מימד של ותק. אפשר אגב גם להחליט
1:04:14לחלק אותו ליותר ערכים כמו עד 10 שנים
1:04:17בחברה בין 10 ל-25 שנה ומעל ל-25 שנה ותק
1:04:22בחברה. הנה עוד דוגמה.
1:04:25זאת אומרת ממש החלוקה של ערכים ומימדים
1:04:29היא באפיון משותף עם המנהלים הבחירים לפי
1:04:32הצרכים שלהם. ואז סוחמים למשל אה
1:04:38את המימד של משכורות עובדים ורואים כמה
1:04:41אנחנו מוצאים על משכורות של עובדים
1:04:44שעובדים בחברה מעל 25 שנה וקטגוריית
1:04:48העבודה שלהם הם פועלי יצור לצורך העניין.
1:04:52זאת דרך אחת וא
1:04:55אנחנו יכולים לסדנן או אחרי זה להוסיף גם
1:04:58מידע.
1:05:00אפשר להשאיר כמו שציינתי
1:05:03נתונים מקבצים חיצוניים. לדוגמה אני יכול
1:05:08להשאיר שדה של כתובת על ידי שדה מיקוד
1:05:12מקובץ הדואר ואז לחפש בקבוצת מיקוד מסוימת
1:05:18א בכמה רחשו מאותה קבוצת רחובות
1:05:24אני יכול להשאיר ב את שמות הרחובות גם
1:05:29מקבצים בדואר או של משרד התקשורת או קבצים
1:05:34מסחרים אני יכול גם להשאיר שיר את שם
1:05:37השכונה ואז אני יכול לראות למשל בכמה קנו
1:05:41ב שכונת חרוזים ברמת גן בכמה קנו לעומת
1:05:45זאת
1:05:47בשכונת פרדס קעץ בבני ברק או ברמת אביב ג
1:05:52בתל אביב כלומר יש לי אפשרות פה להוסיף
1:05:56נתון הרבה יותר חכם ואחרי זה לבוא וליצור
1:06:00חיפושים השוואות חיתוכים דוחות מצגות
1:06:03וגרפים
1:06:05שהם ברמת א השכונה ולא רק ברמת הרחוב.
1:06:11כמובן שלכך אני אצטרך איזשהו מסד נתונים
1:06:14חיצוני כי לא תעדתי את שמות השכונות
1:06:18כשקיבלתי את ההזמנות מהלקוחות.
1:06:21אפשר גם לחבר שתי קבוצות נתונים לפי תני
1:06:25כלשהו.
1:06:27כלומר, אם יש לי נתון מסוים של רכש מוצר
1:06:32לפי מספר קטלוגי ונתון אחר, רכש הכוונה על
1:06:37ידי לקוחות ונתון אחר של הזמנות מספק לפי
1:06:41אותו מספר קטלוגי, אני יכול למשל לשדח בין
1:06:46המחיר מהספק למחיר שזה נמכר ללקוח ואז
1:06:51למשל לחשב איזה קבוצות מוצרים נותנים לי
1:06:56את ה את שולי הרווח הגבוהים ביותר. כן?
1:06:59שולי הרווח או הרווחיות זה
1:07:04המחיר שאני מוכר ללקוח פחות המחיר שאני
1:07:06מקבל מהספק. זה עיבוד שהוא מאוד חשוב
1:07:10מבחינה פיננסית וכלכלית לכל ארגון שעוסק
1:07:14במחירות. אז הנה דוגמה למשל חיבור של שתי
1:07:17קבוצות נתונים משני
1:07:20מסדי נתונים בדה שמגיעים משתי מערכות
1:07:24טיפעוליות שונות לחלוטין. אחת זה מערכת
1:07:27טיפעולית של הזמנות לקוחות השנייה זה
1:07:30מערכת טיפולית של רכישות או הזמנות
1:07:34מהספקים. ברגע שאני משדח אני מסוגל לקבל
1:07:38יותר תובנות לגבי הפעילות הכלכלית של
1:07:41הארגון למשל.
1:07:45אני יכול גם לבצע
1:07:47כחלק מפעילות תחנת הקוביה גם חישובים
1:07:51מתמטיים או לשנות מחרוזות בשדות. למשל אני
1:07:55יכול להעביר את כל האותיות הראשונות
1:08:00בסעודות של שם שם משפחה לקפיטל letterס
1:08:04לפעמים זה נחוץ כי יכול להיות שמערכת
1:08:06טיפול אחת מנהלת
1:08:10את ה א את השמות שמות המשפחה באנגלית א
1:08:15כקפטל letטר בהתחלה ואז
1:08:19letters בהמשך והמערכת השנייה הכל בapיטל
1:08:22letטר אז צריך בעצם לבצע הפעילות שמאחדת
1:08:27לסטנדרט אחד בדata
1:08:30את כלל הנתונים על מנת שלמשל השם אלד לא
1:08:35יהיה במערכת אחת ממצג כ
1:08:38הכל בapital letters במערכת שנייה כe
1:08:42capital letters ועל אז lad כאותיות קטנות
1:08:47באנגלית בעצם המערכות יזהו את השם הזה
1:08:53כשתי מחרוזות נפרדות כאילו הייתי
1:08:57א שני לקוחות נפרדים לחלוטין אז אני מבצע
1:09:00איזשהיא פעילות סטנדרטיזציה אז יש לי אלעד
1:09:03בכפל lets הכל אלעד בapital letters הכל
1:09:07במערכת השנייה או בנתונים מהמערכת השנייה
1:09:11בדata ואז אני יכול באמת להתחיל חיפוש
1:09:14משותף על שני הערכים כנל ערכים ריקים
1:09:20לפעמים המשמעות שלהם שאין ערך
1:09:22זאת אומרת לא הזנתי, לא היה לי מה להזין
1:09:26ואז אני נותן את הערך נעל ריק. לא לא
1:09:31כותב, אבל זה נשאר ריק. אבל יש מקרים למשל
1:09:37שהמשמעות של ערך ריק הוא דווקא אפס. למשל
1:09:41ערך כספי. כן? אם ארגון החליט למכור
1:09:46בערך אפס מוצר מסוים, מה זה מכירה בערך
1:09:50אפס של מוצר מסוים? תרומה הוא החליט לתרום
1:09:54מתוך המליי
1:09:56שמיכות חמות לארגון שמתעסק
1:10:00בצרכים של אוכלוסיות מוחלשות
1:10:04על מנת לטעד את יציאת עמלי מהמערכת פתחו
1:10:08הזמנת מכירה אבל כיוון שזה היה תרומה אז
1:10:11לא גבו על זה כסף וערך התרומה היה אפס אבל
1:10:15צריך לטייד את התנועה הזו במליים
1:10:20אז מי שכתב אמר רגע, אין שום ערך כי זה
1:10:24תרומה בואו נשאיר את זה נעל אבל בפועל הז
1:10:28היה ערך מכירתי רק המשמעות של המכירה
1:10:31הייתה שהפריטים האלה ניתנו עבור אפס שק זה
1:10:37המשמעות של תרומה כלומר צריך פה לעשות תיו
1:10:40מחירים א תיו נתונים שהמחיר לא יהיה ריק
1:10:44אלא יהיה אפס מקרה של מחיר ריק למשל זה
1:10:49מישהו שכח להכניס או לא ידע מה להכניס או
1:10:52כל דבר אחר. מחיר אפס זה אומר שהמכירה
1:10:57הייתה בפועל במחיר אפס. אז זה סוג של אמרת
1:11:01ארכים ריקים למשל ועוד תיוים שונים או
1:11:06טרנספורמציות שונות של נתונים למבנים
1:11:10אחידים שמשרטים את הארגון.
1:11:15בהכנת הקוביה אנחנו גם ממיינים נתונים לפי
1:11:18סדות מפתח או לפי מספר סדות מפתח למשל
1:11:23מספר תעודת זהות בסדר עולה או מספר פריט
1:11:27בערך עולה בסדר עולה והמשמעות היא שאנחנו
1:11:32מסוגלים אחרי זה לבצע חיפושים על האינדקס
1:11:35הזה בצורה שהיא הרבה יותר מהירה הרבה יותר
1:11:38קלה זה לא משנה את הנתון עצמו אנחנו פשוט
1:11:42מהנדקסים אותו אנחנו
1:11:44מאפשרים למערכת
1:11:47לא לחפש רשומה רשומה רשומה
1:11:52ובסדר שהוא בעצם
1:11:54כותי לחלוטין רדומלי מקרי אלא יש היגיון
1:11:58ומהר מאוד המערכת באלגוריתמים של חיפוש
1:12:02כאלה ואחרים תגיע מהר מאוד אה במקום
1:12:08ב-10,000 חיפושים עד שנגיע למספר הקטלוגי
1:12:12היא תגיע תוך חמישה או 10ה חיפושים
1:12:15באמת לאותה רשומה עם מספר קטלוגי. זה
1:12:17מאפשר באמת להעיץ את מהירות החיפוש של
1:12:21הנתונים א בולאפ או בדataware עצמו.
1:12:27אנחנו גם יכולים לפצל תהליכים למספר
1:12:30תהליכי משנה. זאת אומרת להחליט איזה
1:12:33נתונים הם יכולים
1:12:36להתעדכן ברמה של א updדייט ואיזה נתונים
1:12:39הם יכולים רק ברמה של insertט לדוגמה שערי
1:12:44מטבע זה נתון שלא כדאי לעשות עליו א
1:12:47update אלא insert כי כל חלקי שנייה
1:12:51ושנייה שאר המטבע של מטבעות בעולם שערי
1:12:54החליפין משתנים ואז אני לא רוצה לעדקן את
1:12:59שער המטבע אלא בעצם כל פעם להכניס ערך
1:13:03חדש. לעומת זאת אפדייט יכול להיות א לצורך
1:13:07העניין
1:13:09מצב משפחתי שעובד. עובד היה רווק התחתן
1:13:13אנחנו בעצם מבצאים פעולה של אפדייט. הוא
1:13:15לא היה גם רווק ורגע אחרי זה נשוי, אלא
1:13:19יותר מעניין אותנו לעדכן את הסטטוס
1:13:22המשפחתי מרווק לנשוי על ידי פעילות
1:13:25האפדייט. ויש גם תהליכים נוספים, רבים,
1:13:29אחרים. אפשר למצוא א סתיות תקן, אלמנטים
1:13:34סטטיסטיים שונים וכדומה שיכולים לסייע
1:13:39לאולפ אחרי זה כל א כל ארגון וכל מנהל
1:13:44והצרכים הקונקרטים שלו.
1:13:48אז על מנת שאנחנו נוכל להתבצא
1:13:52במסה העצומה של הנתונים, של הרשומות, של
1:13:55השדות במחסן הנתונים ולקשר אותם לולאפ,
1:13:59אנחנו צריכים להחזיק שכבת מטדטה שהיא בעצם
1:14:03מסבירה לנו, היא נותנת לנו איזושהיא מפה
1:14:07שמאפשרת לנו להבין את המשמעות של הנתונים,
1:14:10עד כמה הנתונים האלה עדקניים, איך להתמצא.
1:14:13למשל אני ציינתי את קובץ הקוד א קובץ
1:14:17המיקוד שאנחנו מקבלים מהדואר
1:14:21למתי הוא מעודקן?
1:14:23האם רשימת המיקודים מתעדקנת כל יום? האם
1:14:27זה עדכון שנעשה אחת לשנה והוא מעודקן
1:14:30לפלפני חצי שנה והגיע אולי הזמן להדכן?
1:14:34זאת אומרת צריך איזשהו קטלוג שיתן לי
1:14:37אינדיקציות לגבי המשמעות של הנתונים. איזה
1:14:41נתונים, איזה שדות אני מחזיק, עד כמה הם
1:14:43מעותקנים אחורה וכדומה. אז זה כולל מילון
1:14:47ממונחים. מילון ממונחים בעצם מסביר
1:14:51כל מונח שאני משתמש בו, כל שם שאני משתמש
1:14:55מבחינת התהליכים הארגוניים שמקושרים
1:14:59לנתונים הללו. למשל מספר קטלוג עשוי ליקרה
1:15:05בארגונים שעובדים עםספ למשל מספר מוצר
1:15:09material number אוקיי ולא מכת מספר
1:15:13קטלוגי אז חייבים להסביר שאזור תעודת
1:15:16הזהות של המוצר ושמה או מספר מוצר או מספר
1:15:23חומר מטריal number או מכת מספר קטלוגי
1:15:27אה או כל מונח אחר אומר שאנחנו משתמשים
1:15:31בארגון בו. זה חשוב להבנה שמי שניגש
1:15:36וצריך עכשיו לפרש את הנתונים לצורך הקמת
1:15:40העולה ומערכת הביא. כמובן הסבר תעוד מלא
1:15:46של הטבלאות.
1:15:48א מה כל טבלה עושה? טבלת שכר, טבלת כוח
1:15:51הדם, טבלת מלא, טבלת חוסרים במלא, טבלת
1:15:56הזמנו מספקים. כל טבלה צריכה להיות מטועדת
1:16:00ובתוך התעוד הזה צריך להסביר כל שדה ושדה
1:16:04בטבלה כדי שמישהו שיראה למשל אמאט
1:16:09בטבלה של הזמנות רכש לא יתה האם מדובר פה
1:16:13בכמות של מוצר, בכמות של כסף, בכמות
1:16:18שהוזמנה, בכמות שהגיעה בפועל. צריך לתת
1:16:21ממש הסבר מלא ולא להסתמך רק על השם של
1:16:26השדה בטבלה.
1:16:27איך אנחנו מחשבים נתונים? זאת אומרת, אם
1:16:31יש לנו נתון למשל של מחיר בשער מטבע
1:16:36מקומי, האם זה מכפלה
1:16:40של השער הרגע או מכפלה של השער
1:16:46א בזמן ההיסטורי שבו מוצאה זמנת הרכש
1:16:49למשל. אוקיי? צריך להסביר, פשוט להסביר
1:16:53מהכן זה נלקח, עד כמה זה מעודקן, איך זה
1:16:56מחושב.
1:16:58כך גם מקור הנתונים, אופן החישוב שלהם,
1:17:01לדוגמה, שערי מטבע מגיעים מהמסוף של
1:17:04בלומברג או מהמסוף של א בנק ישראל. זה שני
1:17:08מקורות שונים והעתקניות שלהם יכולה להיות
1:17:11שונה.
1:17:13א נושאים של נתוני כוח אדם. האם הם
1:17:17מוקלדים על ידי הפקידים במחלקות כוח האדם
1:17:22או שהם מגיעים במקור חיצוני כמו למשל
1:17:25משרדי ממשלה או גם וגם. העדקניות של
1:17:29הנתונים. מתי הם הודקנו?
1:17:32אחת לכמה זמן הם נבדקו, אחת לכמה זמן הם
1:17:36אוזנו אולי מחדש או יבדקו טעויות אזנה או
1:17:40כל אלמנט אחר שכלול בהתקניות של הנתונים.
1:17:44כל זה בעצם חלק מאותו קטלוג מרכזי של
1:17:47המטדטה שמאפשר לנו לנוות ולהתמצא בתוך כל
1:17:52הנתונים. אז המטדטה כולל באמת אלמנטים של
1:17:56כלי שיליטות שזה השכבה הסמנטית. אני מבצע
1:18:00בעצם שיאיטות על מונחים, על מושגים שונים.
1:18:04אני משתמש בשאילטות מסוימות וחשוב לי
1:18:08לטייד אותן לעתיד לבוא וכדומה.
1:18:12א כלי הטינה והמרה של הנתונים, הETL,
1:18:16extract, transform וAD דיברנו על זה. איך
1:18:19זה מתבצע? אחת לכמה זמן זה מתבצע הפעלת
1:18:25הכלים של הETL מהמערכות הטיפעוליות.
1:18:29לדataware האם זה כל פעם שיהיה שינוי
1:18:31במערכת הטפעולית כלומר הזנה או שינוי
1:18:35ומחיקה של רשומה אנחנו מפעילים או אחת
1:18:38ללילה זאת אומרת
1:18:41איזה תהליך מבצע את פריקת הלילה איך
1:18:45קוראים לה לסקריפט הזה לתוכנה המסוימת
1:18:49שמדליקה בשעה 1 בלילה את התהליך כמה זמן
1:18:53זה נמשך וכדומה כמובן מיפוי של השדות
1:18:58שטוענים וכללי ההמרה שלהם
1:19:01וזה לגבי טינה והמרה של נתונים לגבי
1:19:04הניתוח הרב ממדי של נתונים אז כמובן מה הן
1:19:08ההגדרות בניתוחים האלה א שילטות שהכנו
1:19:11ואנחנו לא רוצים לאבד אנחנו רוצים לשמור
1:19:14את זה במטדטה כי אנחנו לא רוצים כל פעם
1:19:18להמציא את הגלגל מחדש לשבת לכתוב את
1:19:20השילטא כשהיא בעצם מוכנה אז צריך גם לשים
1:19:24את השילטה גם לתאד מה היא מבצעת לאיפה היא
1:19:27ניגשת שט לאיזה מטרות משתמשים בשילטא
1:19:31מהלקוחות הארגוניים מהמנהלים שזקוקים
1:19:35לשילתה הזו וכולי
1:19:38הכללים העסקיים זאת אומרת אם ישר שעות
1:19:41להרצות של הניתוחים האלה למי מותר לראות
1:19:45את הנתונים לפעמים זה נתונים מאוד רגישים
1:19:48מבחינת כוח הדם נתונים אישיים של עובדים
1:19:52או נתונים בעלי סוגיות מסחרית לגבי גבי
1:19:56יקפי הפעילות של הארגון אז גם הכללים
1:20:00העסקיים פה חשובים מי יכול להסתכל מי לא
1:20:03בכל נתון
1:20:05מקורות המידע באיזה טבלאות בדהו
1:20:08אנחנו שואבים א איזה מערכות טפעוליות
1:20:12מספקות לטבלאות האלה את הנתונים לאיזה
1:20:16תאים באולאפ אנחנו מסכמים את הטבלאות האלה
1:20:20ואיזה שדות בתוכם
1:20:23א איזה קבצים אנחנו שואבים לפעמים יש
1:20:27קבצים מקורות חיצוניים כמו הקובץ של
1:20:29המיקוד. איזה תוכניות אנחנו מריצים כדי
1:20:32לעדכן את מקורות המידה, לבדוק, לראות האם
1:20:36יש שגיעות או ערכים חסרים, רשומות שגויות
1:20:40וכדומה. וכלי עיצוב, כלומר מודל הנתונים,
1:20:44איזה סוג של מבנים טבלאיים מעורבים, איזה
1:20:47טבלאות, איזה עמודות, איזה שדות, איזה
1:20:50ערכים מותרים. בכל שדה ושדה יש שדה שיש
1:20:54ערכים נומריים, למשל שדה של ערכים א שהם
1:21:00אותיות בלבד או גם אותיות וגם מספרים בשדה
1:21:04של ערכים מספריים. אולי הערך שגוי ברגע
1:21:08שהוא נמוך מדי. למשל אזנה של מספר טלפון
1:21:12שכתוב שם אחת. אין כזה מספר טלפון בעולם.
1:21:15אוקיי? אז גם בדיקות התקינות צריכות להיות
1:21:19מטועדות כחלק מכלי העיצוב בשכבת המטדטה.

About this transcript

This page contains the full transcript of Lesson 9 by EH, generated from the public captions YouTube serves with the video. The transcript has 8,053 words across 1,293 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.