ניתוח נתונים

הדאטה מגיע מ-CRM, מערכת סליקה וגיליונות ידניים עם פורמטים לא עקביים — תאריכים בכמה פורמטים, שמות לקוחות כפולים ("חב' ישראל" מול "ישראל בע"מ"), שדות ריקים, ומספרים כטקסט. האנליסט/ית מבזבז/ת את רוב הזמן על תיקון ידני לפני שבכלל אפשר לנתח.

מחלקות מבקשות חתכים דומים שוב ושוב ("כמה לקוחות חדשים ברבעון", "הכנסה לפי אזור"). כתיבה מאפס של JOINים על סכימה שלא זוכרים בעל-פה, ופתרון שגיאות תחביר, גוזלים זמן וקשב, במיוחד כשמגיע לזה מי שאינו כותב SQL שוטף.

שיווק, מכירות ותפעול שולחים בקשות נתונים דרך צ'אט/מייל, לרוב מנוסחות במעורפל ("תביא לי את המספרים של הקמפיין"). האנליסט/ית נקטע/ת עשרות פעמים ביום, מברר/ת מה בדיוק רוצים, ומגלה שחצי מהבקשות הן חזרות על משהו שכבר נענה.

אחרי שהניתוח מוכן, צריך לתרגם אותו לשפה של מנכ"ל/מנהל מכירות: לא "ה-CAC עלה ב-12%" אלא "עולה לנו יותר להביא לקוח, וזו הסיבה". בניית הנרטיב, בחירת המספר הנכון להדגיש וכתיבת סיכום מנהלים חוזרים על עצמם בכל דוח.

"הכנסה" אצל הכספים שונה מ"הכנסה" אצל השיווק; אין מקור אמת אחד להגדרות מטריקות. כשמישהו שואל "איך חישבת את זה?" האנליסט/ית מחזר/ת את הלוגיקה מהזיכרון, ומספרים סותרים בין דוחות שוחקים אמון.

דוחות חודשיים/שבועיים נבנים ידנית: משיכת הנתונים, רענון פיבוטים, עדכון גרפים והדבקה למצגת. עבודה חוזרת ומשעממת שבה כל טעות קטנה (טווח תאריכים שגוי) מתגלה רק אחרי שהדוח כבר יצא.

אחרי כל סקר שביעות רצון או רבעון של פניות תמיכה מצטברות מאות תשובות פתוחות בטקסט חופשי. צריך לקרוא, לתייג לקטגוריות, לזהות סנטימנט ולחלץ מגמות — עבודה ידנית של יום שלם, אז בפועל מדגמים 50 תשובות ומנחשים את השאר, והתובנות החשובות ביותר נשארות קבורות.

חלק מהנתונים מגיע כ-PDF — חשבוניות ספקים, דוחות בנק, דוחות של שותפים עסקיים. אין API ואין ייצוא מסודר, אז מקלידים ידנית טבלאות לאקסל שורה-שורה. זה איטי, משעמם, ומוֹעד לטעויות הקלדה שמתגלגלות אחר כך לדוחות.