מקצוע התמחות

• בסיס נתונים רלציוני (Relational Database) הוא מודל ארגוני נפוץ שבו המידע נשמר בטבלאות  - מבנים של שורות ועמודות - בדומה לגיליון אלקטרוני.
• טבלאות, שדות ומפתחות - כל טבלה מייצגת ישות מסוימת מהעולם האמיתי, כגון לקוחות, מוצרים או עסקאות. כל טבלה כוללת שדות (עמודות), כאשר אחד מהם מוגדר כמפתח ראשי - שדה ייחודי שמזהה כל רשומה בטבלה. קשרים בין טבלאות נשמרים באמצעות מפתחות זרים - שדות שמצביעים על המפתח הראשי בטבלה אחרת.
• זיהוי ישויות, קשרים, מפתחות ראשיים וזרים - זהו שלב מרכזי בתכנון מבנה הנתונים. במסגרתו מזהים את הישויות המרכזיות, את הקשרים ביניהן (כגון "לקוח מבצע הזמנה"), ומגדירים את המפתחות הראשיים והזרים הנדרשים לייצוג תקין של המידע.
• יצירת מודל ERD - תרשים ERD (Entity-Relationship Diagram) מציג בצורה חזותית את הישויות, הקשרים והמפתחות במערכת. התרשים מסייע בתכנון נכון של בסיס הנתונים, תורם לשמירה על עקביות ושלמות הנתונים, ותומך באחזור מידע יעיל באמצעות SQL או כל כלי אחר.
• סוגי קשרים בין טבלאות - קיימים שלושה סוגי קשרים עיקריים בין ישויות:
  - אחד לאחד (1:1) - כל רשומה בישות אחת מקושרת לרשומה אחת בלבד בישות השנייה.
  - אחד לרבים (1:N) - רשומה אחת בישות אחת יכולה להיות מקושרת למספר רשומות בישות השנייה.
  - רבים לרבים (N:N) - רשומות רבות בישות אחת יכולות להיות מקושרות לרשומות רבות בישות השנייה.
• לצד בסיסי נתונים רלציוניים, קיימים מודלים נוספים לאחסון וניהול נתונים, המתאימים לצרכים מגוונים. אחד המרכזיים שבהם הוא Data Lake – אגם נתונים, שמאפשר לאחסן כמויות גדולות של מידע גולמי ממקורות מגוונים, במבנים שונים – כולל קבצי טקסט, תמונות, וידאו, לוגים, נתונים חצי-מובנים (JSON, XML) ונתונים לא-מובנים.

ה־Data Lake אינו דורש תכנון סכמטי מראש, בשונה מבסיס נתונים רלציוני, ולכן מאפשר גמישות גבוהה ואגירה של מידע לצורך ניתוח עתידי. הוא מתאים בעיקר לעולמות של Big Data, Machine Learning, וניתוח נתונים מתקדם, כאשר רוצים "לאסוף הכל עכשיו – לנתח אחר כך".

Power Query הוא כלי עוצמתי המיועד להכנת הנתונים לעבודה. הוא מאפשר לייבא נתונים, לנקות ולעבד אותם ללא צורך בכתיבת קוד. הוא משולב ב-Power BI, Excel, ועוד כלים. 

הכלי מיועד לקחת מידע מסוגי מקורות כמו קבצי Excel, CSV, אתרי אינטרנט, מסדי נתונים ולבצע עליהם פעולות כמו:

• לשנות שמות עמודות
• לסנן נתונים נדרשים
• לאחד כמה טבלאות יחד
• לסדר נתונים בפורמט נוח לעבודה למנתח הנתונים
• ולהכין אותם לניתוח – בצורה אוטומטית ומהירה.
  Power Query שומר כל פעולה המבוצעת בשלב ה ETL, (כמו סינון עמודה או חיבור בין טבלאות), כך שבפעם הבאה שמקור הנתונים יתעדכן – הפעולות האלו יופעלו מחדש אוטומטית, ואין צורך לבצע את הפעולות באופן ידני כמו באקסל רגיל.

עבודה עם Power Query

• באמצעות- Excel נמצא תחת התפריט
  "נתונים", "קבל וטרנספורם נתונים" (Get & Transform Data).
• באמצעות -Power BI פתיחת העורך נעשית דרך Transform data.

תחילת העבודה

• Query Editor - בצד ימין מוצגים שלבי העיבוד שבוצעו, במרכז - תצוגת הנתונים, ובחלק העליון - סרגל הכלים עם פעולות נפוצות. 
• חיבור למקורות נתונים - Power Query מאפשר להתחבר למגוון מקורות:
• קבצים (Excel, CSV, XML)
• תיקיות (Folder) – לאיחוד אוטומטי של קבצים מאותו מבנה
• מסדי נתונים (SQL Server, MySQL, Oracle)
• מקורות אונליין
  שלב זה כולל גם קביעה- האם הנתונים ייטענו לטבלה רגילה, מודל נתונים או לא ייטענו כלל (לשימוש כשלב עזר בלבד).
• שלבים בסיסיים לעיבוד נתונים - בשלב זה מבצעים ניקוי ראשוני של הנתונים:
  - שינוי שמות עמודות לשמות משמעותיים, לנוחות המשתמשים 
  - שינוי סוגי נתונים (למשל: מספר → טקסט, טקסט → תאריך) כדי למנוע שגיאות בהמשך
  - בחינת איכות הנתונים (התפלגויות, שגויים) - דרך לשונית VIEW
  - סינון שורות לפי ערכים, טקסט, תאריכים ועוד
  - מיון עולה/יורד
  - הסרת כפילויות (Duplicate Rows)
  - הסרת רווחים, שינוי אותיות גדולות/קטנות וכו'
  - החלפת נתונים שגויים
• טרנספורמציות מתקדמות - שלב זה כולל פעולות מתקדמות יותר
  - עבודה עם עמודות - יכולה להתבצע כעריכת עמודה קיימת (לשונית Transform) או יצירת עמודה חדשה (לשונית Add Column)
  - מיזוג טבלאות (Merge) – חיבור לפי עמודה משותפת (כמו JOIN ב-SQL)
  - צירוף טבלאות (Append) – איחוד טבלאות עם מבנה דומה (כמו UNION)
  - Group By – סיכום ערכים לפי קטגוריה (למשל: סכום מכירות לפי עיר)
• Power Query תומך בניהול מספר שאילתות בו-זמנית:
  - Duplicate   העתקה מלאה של שאילתה
  - Reference  יצירת שאילתה חדשה שמבוססת על קודמת (מתעדכנת אוטומטית אם המקור משתנה)
• רענון הנתונים והוספת שאילתות חדשות

• יסודות השפה - היכרות עם שפת SQL - שפת שאילתות תקנית לשליפת נתונים ממסדי נתונים רלציוניים. סקירת שימושים בעולם האמיתי, יתרונות השפה, והבדלים לעומת כלי ניתוח כמו אקסל. התקנת סביבת עבודה (כגון DBeaver, SQLite או MySQL).
• סוגי נתונים (Data Types) -
  - INT, FLOAT, VARCHAR, DATE, BOOLEAN
  - חשיבות התאמה נכונה של סוגי נתונים לכל שדה
  - המרת סוגים (CAST, CONVERT)
• שאילתות בסיסיות -
  - SELECT - שליפת עמודות
  - FROM - הגדרת טבלת המקור
  - WHERE - סינון שורות לפי תנאים
  - ORDER BY - מיון תוצאות
  - GROUP BY - קיבוץ שורות לפי שדה
  - HAVING - סינון קבוצות לאחר קיבוץ
  - DISTINCT – שליפה ללא כפילויות
• עמודות מחושבות -
  - שימוש ב־+, -, *, / על שדות מספריים
  - פונקציות טקסטואליות: CONCAT, SUBSTR, UPPER, LOWER
  - פונקציות תאריכיות: DATE(), DATEDIFF(), NOW()
  - תנאים לוגיים בתוך עמודה: CASE WHEN ... THEN ... ELSE ... END
• אופרטורים ותנאים -
  - לוגיים: AND, OR, NOT
  - השוואתיים: =, !=, <, >, <=, >=
  - מתקדמים: BETWEEN, IN, LIKE, IS NULL, COALESCE
• שאילתות מתקדמות - 
  - שימוש בפונקציות אגרגטיביות כמו SUM, AVG, COUNT, DISTINCT
• חיבורים בין טבלאות (JOIN) -
  - INNER JOIN: שליפה של רשומות עם התאמה בשתי הטבלאות
  - LEFT JOIN: שליפה של כל הרשומות מהטבלה השמאלית גם ללא התאמה
  - RIGHT JOIN: שליפה של כל הרשומות מהטבלה הימנית גם ללא התאמה בשמאלית
  - SELF JOIN - חיבור של טבלה לעצמה
  
• פונקציות אגרגטיביות: SUM, AVG, COUNT, MIN, MAX
• סאב-שאילתות: מאפשר לבצע חישובים או סינונים דינמיים על בסיס תוצאות אחרות.
• שאילתות מקוננות- שאילתות הכוללות מספר רמות של סאב-שאילתות אחת בתוך השנייה, ומאפשרות בנייה הדרגתית של לוגיקה מורכבת.
• טבלאות זמניות ושמירה של תוצאות ביניים -  מאפשרות לשמור תוצאות ביניים מתהליך שאילתה, לשימוש חוזר בשלבים הבאים או לפישוט הקוד.

שילוב של ידע תיאורטי עם תרגול על בסיסי נתונים אמיתיים הוא חיוני להבנה עמוקה וליישום מוצלח של SQL ככלי אנליטי

בכיתה י"א נכיר את הכלים השונים ונתרגל משימות בסיסיות
רשימת התכנים ללימוד הנושא מופיעה בפרק כלי BI, כתלות בכמות השעות שיש לכל מורה - כדאי להתחיל את הלימוד כבר בכיתה יא.
פירוט בפרק כלי BI

ניהול ידע הוא תחום מתפתח וחשוב במיוחד בעידן הדיגיטלי , בו זרימת מידע היא עצומה ומהירה. בעידן שבו החלטות מתקבלות על בסיס כמויות גדולות של מידע, חשוב לא רק לאסוף את הנתונים – אלא לדעת לארגן, לשמר ולשתף את הידע שנוצר מהם. הוא תורם לשיפור קבלת החלטות, חוסך זמן ומשאבים, מונע כפילויות וטעויות חוזרות, ומאפשר חיבור בין תובנות עסקיות שנוצרו במחלקות שונות. חשוב להסביר לתלמידים על עולם ניהול הידע, תוך חזרה על התחומים שנלמדו במקצוע המוביל: הבחנה בין מידע, ידע ונתונים, והבנת הבדלים בין ידע גלוי לידע סמוי. התלמידים צריכים להבין את הצורך בניהול ידע – הן ברמה אישית והן ברמה הארגונית ולהבין כיצד שיתוף, הנגשה ושימור של ידע משפיעים על הצלחה ולמידה אפקטיבית.

יש לבצע חזרה על שיטות איסוף וארגון ידע , כולל זיהוי מקורות ידע שונים – אנושיים ודיגיטליים – ושימוש בכלים כמו מפות מושגים, טבלאות, קטלוגים ומאגרי מידע פשוטים. יושם דגש על יכולת לארגן ידע באופן שמקל על שימוש עתידי בו בעיקר שיעבדו על פרויקט הגמר שלהם. 

לשם שימור הידע, חשוב לתעד תהליכים, לוגיקות חישוב ונהלים, ולשמור על גרסאות והיסטוריית שינויים של קבצים ודוחות – כך שניתן יהיה לחזור אחורה, ללמוד, לשפר ולהתפתח באופן שיטתי לאורך זמן.

חלק מרכזי מהתכנית יוקדש לשימור לאורך זמן, כולל תיעוד תהליכים. תלמידים יתנסו בבניית תהליך שימור לידע שהם הפיקו, למשל פרויקט גמר. לאחר מכן יכירו את עקרונות הנגשת ידע לקהלים מגוונים , תוך התאמת השפה, הפורמט ורמת הפירוט לאוכלוסיות שונות, והבנת כללי הנגשה דיגיטלית בסיסית.

ניהול הידע ברמה הארגונית, ניתן להסביר באמצעות דוגמאות מחברות חדשניות וארגונים גדולים – וכיצד ניהול ידע תורם לחדשנות, המשכיות תפקודית ועסקית הצלחה. לאחר מכן, להסביר על חשיבות ניהול ידע אישי – תוך הקניית מיומנויות סיכום, ארגון, חיפוש אפקטיבי ושימוש באפליקציות לניהול ידע אישי.

בהמשך, כדאי להציג ניתוח מקרה (case stady) בו ילמדו על סיפור הצלחה או כישלון בתחום הניהול שקשור בניהול ידע נכון. לבסוף, חשוב להדגיש את הקשר בין ניהול ידע לכלי בינה מלאכותית (AI) , תוך היכרות עם כלים עכשוויים דוגמת ChatGPT, Notebooklm ואחרים, יכולים לעזור בסיכום, ארגון וחיפוש ידע באופן חכם ואינטראקטיבי. בנוסף, קיים דיון אתי ומעורר חשיבה על תפקיד האדם בעידן שבו ידע מנוהל גם על ידי מכונות.

• סוגי משתנים: בשלב הראשון של ניתוח נתונים מתבצע תהליך של הבנה כיצד הנתונים מתפלגים ומה מאפיין כל משתנה.
  - משתנים כמותיים (למשל: גיל, הכנסה, מספר הזמנות) – אותם ניתן למדוד ולחשב עבורם ערכים מתמטיים
  - משתנים קטגוריאליים (כמו מין, אזור מגורים, סוג לקוח) – שמייצגים קבוצות או קטגוריות מבלי שניתן לבצע עליהן חישובים ישירים, אך ניתן לבדוק את התפלגות הנתונים באמצעות טבלת שכיחויות.
• התפלגות משתנים: כדי לתאר את ההתפלגות של המשתנים, משתמשים בכלי סטטיסטיקה תיאורית: עבור משתנים כמותיים נחשב ממוצע (ערך ממוצע של הנתונים), חציון (הערך האמצעי), ו-סטיית תקן (מידת הפיזור סביב הממוצע). עבור משתנים קטגוריאליים - טבלת שכיחויות.
  מדדים אלו מספקים תמונה ברורה לגבי המרכז והפיזור של הנתונים, ועוזרים לזהות מגמות כלליות.  במקביל, נבחן את סוג ההתפלגות של כל משתנה: האם היא סימטרית, מוטה ימינה/שמאלה, אחידה או נורמלית – מידע שמשפיע על סוג הניתוחים הסטטיסטיים שיתאימו להמשך.
• זיהוי נתונים חסרים ונתונים חריגים:
  - איתור חריגים (Outliers) – ערכים קיצוניים שעלולים להטות את הניתוח
  - איתור ערכים חסרים (Missing Values) שעלולים לשבש תוצאות אם לא מטפלים בהם נכון.

• היכרות עם כלי ויזואליזציה - מהם כלי ויזואליזציה ומטרתם,  אילו סוגי דוחות ודשבורדים ניתן לבנות בהם, וכיצד הם משתלבים בתהליך קבלת החלטות בארגון. היכרות עם סביבת העבודה של הכלי: אזורי גרירה, עיצוב גרפים, סרגלי אפשרויות ותפריטי פעולה.
• חיבור למקורות מידע - על מנת לטעון את הנתונים לכלי, נתחבר למקורות שונים: קבצי Excel ו-CSV, מסדי נתונים, שירותי ענן, APIs ועוד. חשוב להבין את ההבדל בין חיבור ישיר (live) לבין ייבוא נתונים (import), ולדעת לאחד נתונים ממקורות שונים. ניתן להתחבר למספר מקורות מידע מסוגים שונים. ובשלב העיבוד והניקוי או בשלב בניית מודל הנתונים - לחבר ביניהם בהתאם לצורך האנליטי
• עיבוד וניקוי נתונים - טיפול בנתונים גולמיים לצורך הכנה לניתוח.  ראו הרחבה בפרק ה ETL.
• בניית מודל נתונים - יצירת קשרי גומלין לקישור בין מספר טבלאות בעזרת מפתח ראשי ומפתח זר  - חלק חשוב בכלי ויזואליזציה הוא בניית מודל לוגי נכון. זה כולל יצירת קשרים בין טבלאות (למשל לפי מפתח משותף), הבחנה בין טבלאות עובדות לטבלאות מימד, יצירת היררכיות ויחסים (כמו אזור ← מדינה ← עיר). ראו הרחבה בפרק - יסודות מערכות מידע.
• בניית מדדים ועמודות מחושבות:
  - עמודות מחושבות (הוספת משתנים באמצעות חישובים על משתנים (עמודות) קיימים.
  - מדדים וחישובים אגריגטיביים: ממוצעים, סכומים, אחוזים, יחס בין משתנים, 
  - הגדרת KPIs – מדדי ביצוע שמאפשרים לעקוב אחרי יעדים עסקיים, כמו מכירות חודשיות, שיעור נטישה או צמיחה ביחס לשנה קודמת.
• עיצוב ובניית ויזואליזציות-זהו שלב בו הנתונים מאפשרים הפקת תובנות. נלמד לבחור את סוג הגרף הנכון (טבלה, עמודות, קווים, עוגות, מפות וכו'), להתאים צבעים ופרטי תצוגה, ולהשתמש באלמנטים אינטראקטיביים כמו פילטרים, לחצנים ו-Tooltips. ראו הרחבה בפרק - דשבורד.

• מהו דשבורד- לוח מחוונים  - דשבורד הוא ממשק חזותי המציג נתונים ומדדים מרכזיים (KPIs) באופן מרוכז, אינטואיטיבי ונגיש, המאפשר מעקב, ניתוח וקבלת החלטות מהירה.
• כללים לבניית דשבורד אפקטיבי - בעת בניית דשבורד יש לשלב מספר גרפים ואלמנטים כך שייווצר סיפור נתונים ברור, ממוקד ורלוונטי. חשוב להקפיד על סדר לוגי של האלמנטים (מהכללי לפרט או מהחשוב לפחות חשוב). הדגשה של מדדים מרכזיים והצגת מידע תמציתי בלבד, למניעת עומס. שימוש באלמנטים אינטראקטיביים כמו פילטרים, לחצנים ו־Tooltips להעמקת הניתוח.
  - הגדרת רכיבי הדוח ובחירת גרפים נכונים- כל גרף צריך לענות על שאלה מסוימת ולהשתלב בתמונה הכוללת. חשוב להתאים את סוג הגרף לנתונים (לדוגמה: עמודות להשוואות, קווים למגמות, עוגה לחלק משלם). רכיבי הדוח כוללים מדדים, סיכומים וגרפים מסוגים שונים המוצגים יחד כמסך אחד.
  - שימוש במסננים וTOOLTIPS - שימוש נכון במסננים, ו־Tooltips (חלוניות מידע) מאפשר למשתמש להתמקד בתובנות החשובות ולחקור נתונים לעומק באופן אינטראקטיבי.
• עקרונות עיצוב דשבורד:
  - כיוון תשומת הלב של הצופה - מיקום האלמנטים לפי סדר קריאה טבעי.
  - עקרון הסמיכות והקיבוץ - אלמנטים הקשורים זה לזה צריכים להופיע קרוב פיזית.
  - ניקיון צורני והפחתת רעשים חזותיים - שימוש בעיצוב מינימלי, הסרת אלמנטים לא נחוצים ויצירת חלוקה מאוזנת של שטח הדשבורד.
  - היררכיה ויזואלית של אלמנטים -  שימוש בגודל, צבע ומיקום להדגשת החלקים החשובים.
  - התאמה לקהל היעד וצרכי המשתמש - התאמת העיצוב והמידע לקהל היעד ולצרכים העסקיים.
  - בחירת צבעים ותבניות עיצוב - שימוש בפלטת צבעים עקבית, ניגודים מאוזנים והימנעות מצבעים רבים מדי שמבלבלים את המשתמש.
•  שילוב אלמנטים בדשבורד להעברת המסר והפקרת תובנות - דשבורד איכותי אינו רק יפה לעין אלא גם אינטואיטיבי. הוא כולל אלמנטים אינטראקטיביים (כמו פילטרים ולחצני ניווט), KPI בולטים, והדגשות שמובילות את הצופה להבנת הסיפור שמאחורי הנתונים.

פרק זה הינו חזרה לנלמד במקצוע מוביל, לקראת הצגת פרויקט הגמר.
ראו הרחבה בפרק הערכה חלופית במקצוע מוביל.

• מבוא לדוח אנליטי - הדוח האנליטי הוא מסמך המבוסס על ניתוח נתונים כמותיים (ולעיתים גם איכותיים) במטרה להפיק תובנות, להסיק מסקנות, ולתמוך בקבלת החלטות.
  הוא מהווה גשר בין נתונים ל-הבנה -לא רק "מה קורה", אלא גם "למה זה קורה" ו"מה כדאי לעשות".  בדוחות אנליטיים משתמשים בתחומים מגוונים: עסקים, חינוך, בריאות, ציבור, שיווק ועוד.   המטרות עיקריות של דוח אנליטי:
  - לספק תובנות מעשיות מתוך נתונים
  - לזהות מגמות, חריגים ודפוסים
  - להציע המלצות מבוססות נתונים
• מאפייני המחקר האנליטי - מחקר אנליטי מתבסס על איסוף נתונים, ניקוי, ניתוח סטטיסטי והסקת מסקנות.  הוא שואל שאלות כמו: 
  - אילו מגמות קיימות בנתונים?
  - אילו גורמים משפיעים על תוצאה מסוימת?
  - כיצד ניתן לשפר תהליך או תוצאה
• מרכיבים עיקריים:
  - הגדרת שאלת מחקר / בעיה עסקית
  - זיהוי משתנים רלוונטיים
  - ניתוח משתנה אחד או יותר (התפלגויות, קשרים, השוואות)
  - שימוש בכלים כמו: גרפים, טבלאות, מדדים סטטיסטיים
• מבוא למחקרי שוק ומודיעין עסקי (Market Research & BI)
  מחקר שוק עוסק באיסוף וניתוח מידע  על לקוחות, מתחרים, מגמות בשוק והעדפות צרכנים.
  מודיעין עסקי (BI) כולל שימוש בכלים טכנולוגיים לניתוח נתונים ארגוניים על מנת להבין ביצועים, לשפר תהליכים ולחזות תוצאות עתידיות.
  דוגמאות לשאלות במחקרי שוק/BI:
  - מיהם הלקוחות שלי ומה מאפיין אותם?
  - מה מידת שביעות הרצון שלהם?
  - כיצד משתנים הביצועים העסקיים לאורך זמן?
  - אילו מגמות שוק יכולות להשפיע עלינו?
• מבנה הדוח האנליטי
  - תקציר מנהלים
  - רקע על הלקוח ושאלת מחקר
  - מתודולוגיה (תיאור הנתונים והתהליך)
  - ממצאים
  - ניתוח ודיון
  - המלצות
  - ביבליוגרפיה
  - נספחים
• תהליך הכנת דוח אנליטי

1. הגדרת שאלת מחקר או צורך עסקי
   דוגמה: מדוע חלה ירידה ברכישות באתר?
2. איסוף והיכרות עם מסדי הנתונים
   הבנת מבנה הנתונים, זיהוי משתנים רלוונטיים
3.   טיוב ו EDA – ניתוח נתונים ראשוני
   התפלגויות, מדדים סטטיסטיים, זיהוי חריגים ודפוסים
4. יצירת דשבורד מתאים
5. ניתוח ממוקד לפי השאלה שנבחרה
   חקירה של קשרים, פילוחים, השוואות בין קבוצות
6. בנייה הדרגתית של ממצאים והסקת תובנות
7. כתיבת הדוח
   ניסוח ברור, שימוש בשפה עניינית, שילוב גרפים ותובנות
8. הצגה או שיתוף של הדוח
   בכתב, במצגת או בדשבורד אינטראקטיבי (תלוי בפרויקט)