קורס אקסל עם בינה מלאכותית לאנליסטים ולמומחי נתונים

תפקיד הכלי ברמה הזו: מנסח. האנליסט קורא ובודק.

• 1. יישור קו: פונקציות 365 ברמת אנליסט
  מערכים דינמיים, FILTER, UNIQUE, SORT ו‑XLOOKUP, כשהכלי מנסח ואנחנו קוראים את הנוסחה עד הסוף. LET לנוסחאות קריאות, ו‑LAMBDA לפונקציות של הצוות.
• 2. הכנת נתונים לניתוח
  ערכים חסרים, כפילויות וחריגים: מתי מתקנים, מתי מוחקים, ומתי החריג הוא בעצם הממצא. תיעוד של כל שינוי, כדי שאפשר יהיה לשחזר את הניתוח.
• 3. ניתוח תיאורי
  ממוצע, חציון, סטיית תקן, התפלגות והיסטוגרמה — ולמה ממוצע לבד מטעה. הכלי מסכם, ואנחנו בודקים את ההתפלגות שמאחורי הסיכום.
• 4. משאלה עסקית לשאלת ניתוח
  איך מנסחים לכלי שאלת ניתוח: הקשר, תקופה, יחידת מדידה, מה נחשב חריג. בקשות בשלבים, ובניית ספריית בקשות של הצוות.
• 5. בדיקת נוסחה וניתוח
  מעקב אחרי נוסחה מורכבת, שורות קצה, והשוואה לחישוב ידוע.

תפקיד הכלי ברמה הזו: בונה ומנתח. האנליסט מבקר.

• 1. יישור קו: מודל נתונים
  Power Pivot, קשרים בין טבלאות וגרעיניות, ומדדי DAX בסיסיים בעזרת הכלי — כולל ההבדל בין מדד לעמודה מחושבת, ולמה אותו מדד נותן מספר אחר בכל שורה.
• 2. מתאם ורגרסיה
  מתאם, קו מגמה ורגרסיה פשוטה. מה מקדם ההסבר אומר ומה לא, ולמה מתאם חזק הוא עדיין לא סיבה.
• 3. תחזית
  תחזית עם עונתיות וגיליון תחזית, וטווח הביטחון שלה. בדיקה של התחזית מול תקופה שהסתרנו מהכלי מראש.
• 4. תרחישים ורגישות
  טבלת נתונים לניתוח רגישות, מנהל תרחישים, חתירה למטרה ו‑Solver. שאלות תרחיש לכלי, ובדיקה של ההנחות שהוא הניח.
• 5. ניתוח חוזר כסקיל
  מבצעים עם הכלי ניתוח שחוזר כל חודש, בודקים שהוא תקין, ורק אז שומרים את ההנחיה כסקיל — עם ההגדרות של הצוות כתובות בתוכה — ומריצים אותו על תקופה נוספת.
• 6. בדיקת התוצר
  אימות מדד מול חישוב ידוע, בדיקת גודל המדגם, בדיקת ההתפלגות לפני שסומכים על ממוצע.

תפקיד הכלי ברמה הזו: מבצע ניתוח שלם. האנליסט מבקר ומחליט.

• 1. יישור קו: הכלי מבצע בעצמו
  מצב שבו הכלי מבצע ניתוח רב‑שלבי בגיליון: קריאת התוכנית שהוא מציג לפני השינוי, ומעקב אחרי מה שהוא שינה.
• 2. ניתוח ב‑Python דרך Copilot
  מה הכלי עושה כשהוא מריץ Python, מתי זה שווה את זה, ואיך קוראים את הקוד והתוצאה בלי להיות מתכנתים.
• 3. אותה שאלה, שלושה כלים
  אותה שאלת ניתוח ל‑Copilot, ל‑Claude ול‑ChatGPT: למה התשובות שונות, מתי כל כלי עדיף, ומה זה מלמד על הבדיקה.
• 4. עבודה על מודל Power BI מנוהל
  טבלאות ציר מתוך אקסל על מודל נתונים ארגוני, שאלות לכלי עליו, ושמירה על ההרשאות שהוגדרו במודל.
• 5. ביקורת ניתוח
  הכשלים שהכלי מייצר בביטחון: מתאם בלי סיבה, מדגם קטן מדי, ממוצע שמסתיר התפלגות, חריג שנמחק, השוואה בין תקופות שאינן דומות. תרגול: מבקרים ניתוח שלם שהכלי הגיש.
• 6. ממצא שאפשר להגן עליו
  הצגת ממצא יחד עם ההנחות, המגבלות ורמת הביטחון שלו — ומה עונים למנהל כשהוא שואל אם בדקת.
• 7. הסטנדרט של הצוות ואבטחת מידע
  ספריית הסקילים וגיליון כללים שמכתיבים לכלי את אופן העבודה של הצוות. כל סקיל נבנה באותה דרך: ביצוע, בדיקה, ורק אז שמירה. מה מותר להזין לכל כלי, ועבודה עם נתונים רגישים.

• הסילבוס מותאם לפני הקורס, בשיחת מיפוי ובאבחון רמה, לנתונים של הצוות ולרמת המשתתפים. קבוצה מעורבת מפוצלת לשתי קבוצות, או שהסילבוס משלב שתי רמות.
• כל נושא נלמד באותה דרך: המשימה, איך עושים אותה עם הכלי שהארגון אישר, ומה בודקים לפני שהתוצאה נכנסת לניתוח.
• היקף: 15 שעות לכל רמה, בארבעה עד חמישה מפגשים.
• מפגש המשך של שעה, 30 עד 60 יום אחרי הקורס, מרחוק, כלול במחיר.
• זמינות הסקילים, Python באקסל והפונקציות החדשות תלויה בכלי ובגרסה, ונבדקת מראש בסביבה של הלקוח. כלי ה‑AI משתנים בתדירות גבוהה; התכנים מתעדכנים לפי הגרסה שבארגון ביום הקורס.