מה אנליסט דיגיטלי עושה בפועל?
ארבעה סוגי עבודה שחוזרים בכל ארגון, בפרופורציות שונות. הראשון הוא לוודא שהמדידה נכונה: שהאירועים נאספים, שההמרות נספרות פעם אחת ושמקורות התנועה מתויגים. השני הוא לענות על שאלות: למה ירד, מה עבד, איפה נוטשים. השלישי הוא לבנות דיווח קבוע שאנשים באמת פותחים. הרביעי הוא להמליץ, כלומר להגיד מה לעשות ולא רק מה קרה.
הכישורים נגזרים מהרשימה הזאת. מי שיודע רק לבנות דשבורדים מכסה סוג עבודה אחד מתוך ארבעה. מי שיודע רק להטמיע תגים מכסה אחד אחר. התפקיד מתחיל כששניים או שלושה מהם מתחברים אצל אותו אדם.
אילו כלים אנליסט דיגיטלי חייב להכיר?
| הכלי | בשביל מה | מה נחשב שליטה בסיסית |
|---|---|---|
| GA4 | הבנת התנהגות באתר ובאפליקציה ומקורות התנועה | לקרוא דוח, לבנות Exploration ולהסביר איך המספר חושב |
| Google Tag Manager | איסוף הנתונים: תגים, טריגרים ומשתנים | להוסיף אירוע, לבדוק אותו ולפרסם בלי לשבור תגים קיימים |
| Looker Studio | דיווח קבוע למנהלים ולצוותים | לחבר מקור נתונים ולבנות עמוד שעונה על שאלה אחת ברורה |
| גיליון אלקטרוני | בדיקות מהירות, הצלבות וחישובים חד פעמיים | טבלת ציר, פונקציות חיפוש ונוסחאות תנאי |
| SQL על BigQuery | שאלות שהממשק לא עונה עליהן וחיבור לנתונים אחרים | לשלוף, לסנן ולקבץ אירועים מטבלת הייצוא של GA4 |
מה שלא מופיע בטבלה חשוב באותה מידה: היכרות עם מערכות הפרסום שהצוות עובד איתן. אנליסט לא חייב לנהל קמפיינים. הוא כן חייב להבין איך כל מערכת סופרת המרה, אחרת הוא לא יכול להסביר פער בין שני מספרים. דוגמה לפער כזה ניתחנו בלמה מספר ההמרות ב-GA4 שונה מ-Google Ads.
מה לומדים קודם?
סדר הלמידה של אנליסט דיגיטלי
כל כלי נשען על ההבנה של הקודם
GA4 ראשון כי הוא מלמד את השפה: אירוע, פרמטר, משתמש, סשן ומימד. מסלול מסודר תיארנו באיך לומדים GA4 נכון. Google Tag Manager שני, כי רק מי שכבר ניתח נתונים יודע מה שווה לאסוף. Looker Studio שלישי, כי דשבורד טוב דורש גם הבנה של הנתון וגם הבנה של מי שקורא אותו. את הסדר בתוך הכלי עצמו פירטנו במסלול הלמידה ל-Looker Studio. SQL אחרון ברשימה, לא כי הוא פחות חשוב אלא כי בלי ההקשר של שלושת הראשונים שאילתה היא רק תחביר.
למה הבנת מדידה חשובה יותר משליטה בכלי?
כי אנליסט שלא יודע איך הנתון נאסף מנתח בביטחון מלא נתונים שגויים. שתי דוגמאות מהתיעוד של Google מראות עד כמה ההגדרות קובעות את מה שרואים.
הראשונה היא סוגי האירועים. לפי התיעוד, חלק מהאירועים ב-GA4 נאספים אוטומטית עם ההתקנה או דרך enhanced measurement. לעומתם, recommended events ו-custom events צריך להטמיע. Google ממליצה ליצור custom event רק כשאף אירוע אחר לא מתאים. התיעוד גם מציין ש-custom events לא מופיעים ברוב הדוחות הסטנדרטיים. אנליסט שמכיר את זה יודע למה אירוע שהמפתחים "הוסיפו" לא נראה בשום דוח.
השנייה היא המבנה של Google Tag Manager. לפי התיעוד זאת מערכת לניהול תגים שמאפשרת להגדיר ולנהל תגים באתר בלי לשנות את קוד האתר. טריגרים גורמים לתג לפעול כשקורים אירועים מסוימים. משתנים מפשטים את הגדרות התגים והופכים אותן לאוטומטיות. קונטיינר הוא האוסף של התגים, הטריגרים, המשתנים וההגדרות שמותקן באתר או באפליקציה. מי שמבין את ארבעת המושגים האלה יכול לפתוח קונטיינר של לקוח ולהבין למה מספר מסוים כפול. את המבנה כולו הסברנו במדריך המלא ל-Google Tag Manager.
איך יודעים שהבנת המדידה כבר אצלכם? מנסים למצוא לבד מה לא נמדד נכון. בדיוק את זה בודק תרגיל איתור פערי המדידה ב-GA4: מי שמסיים אותו בלי עזרה מוכן לסוג העבודה הראשון ברשימה, לוודא שהמדידה נכונה.
איזו חשיבה מבדילה אנליסט טוב?
שאלה לפני נתונים. אנליסט חלש פותח את הממשק ומחפש משהו מעניין. אנליסט טוב כותב קודם מה הוא מנסה להכריע ואיזה מספר ישנה את ההחלטה. את התרגום מיעד עסקי למדד תיארנו בתוכנית מדידה מהיעדים העסקיים.
ספקנות כלפי כל מספר. לפני שמסיקים משהו שואלים איך המספר חושב ובאיזו רמת מימד. דוגמה מהתיעוד: דוח User acquisition מציג מימדים ברמת המשתמש, כמו First user source. דוח Traffic acquisition מציג מימדים ברמת הסשן, כמו Session source. Google כותבת במפורש שלא משווים את ערכי המדדים בין שני הדוחות. מי שלא מכיר את ההבחנה הזאת ידווח על "סתירה" שהיא בכלל שתי שאלות שונות.
פילוח לפני ממוצע. ממוצע של כל האתר מסתיר כמעט תמיד שתי קבוצות שמתנהגות הפוך. ההרגל לפרק כל מספר לפי מכשיר, מקור וסוג משתמש שווה יותר מכל פונקציה.
זהירות מסיבתיות. שני קווים שעולים יחד הם לא הוכחה שאחד גרם לשני. כשהשאלה היא אם שינוי עבד, התשובה הנקייה היא ניסוי. מתי יש מספיק נתונים לניסוי כזה הסברנו במתי אין מספיק נתונים לניסוי A/B.
מתי צריך SQL ו-BigQuery?
כשהשאלה חורגת ממה שהממשק מציג או כשצריך לחבר את נתוני האתר לנתונים אחרים. לפי התיעוד של Google, ייצוא BigQuery מכיל את נתוני האירועים הגולמיים ש-Analytics מקבל, אפשר להריץ עליהם שאילתות בתחביר דמוי SQL. הייצוא זמין גם לנכסים רגילים ולא רק ל-360. לנכס רגיל יש מגבלת ייצוא יומית של מיליון אירועים. אפשר לייצא ל-BigQuery sandbox חינמי, כשחריגה ממגבלות ה-sandbox כרוכה בתשלום.
כדי לתרגל לא צריך נכס משלכם. Google מפרסמת מערך נתונים לדוגמה בשם ga4_obfuscated_sample_ecommerce במסגרת BigQuery Public Datasets. לפי התיעוד הוא מכיל שלושה חודשים של נתוני ייצוא מעורפלים מהאתר Google Merchandise Store, מ-1.11.2020 עד 31.1.2021. השאילתות הראשונות שכדאי לכתוב עליו מופיעות בSQL לאנשי שיווק על נתוני GA4. את הייצוא עצמו הסברנו בייצוא GA4 ל-BigQuery.
אילו כישורים רכים קובעים אם ישתמשו בעבודה שלכם?
כתיבה קצרה. ממצא שדורש שלושה עמודים כדי להסביר אותו לא ייקרא. היכולת לכתוב מסקנה בשני משפטים, מה מצאנו ומה כדאי לעשות, היא ההבדל בין ניתוח שמשנה משהו לקובץ שנשמר בתיקייה.
הבנה עסקית. צריך לדעת ממה העסק מרוויח, מה עולה לו כסף ומה המנהל ישאל בפגישה הבאה. בלי זה גם ניתוח מדויק עונה על שאלה שאף אחד לא שאל.
עבודה עם אנשים שאינם אנליסטים: מפתחים שמטמיעים את ה-Data Layer, מנהלי קמפיינים שצריכים תשובה היום, הנהלה שרוצה מספר אחד. לכל קהל מנסחים אחרת. אילו מדדים באמת שווה להציג בכל שבוע פירטנו במדדים לדוח שיווק שבועי.
איך בונים את הכישורים בלי ניסיון תעסוקתי?
- לומדים את הבסיס ממקור רשמי. לפי מרכז העזרה של Google Analytics, Analytics Academy ב-Skillshop היא אוסף של קורסים מקוונים חינמיים שכולל כיום ארבעה קורסים והסמכה.
- מתרגלים ניתוח על חשבון הדמו. בוחרים שאלה עסקית, עונים עליה וכותבים מסקנה. תרגילים מוכנים יש במדריך לחשבון הדמו של GA4.
- מקימים נכס וקונטיינר משלכם. אתר קטן מספיק. מוסיפים אירוע, בודקים אותו ומסמנים אירוע מפתח. כך לומדים את צד האיסוף. סביבה בטוחה לזה תיארנו במדריך לתרגול Google Tag Manager.
- בונים דשבורד אחד. עמוד אחד שעונה על שאלה אחת, לא אוסף של גרפים. בודקים כל מספר בו מול הממשק של GA4.
- כותבים שלוש שאילתות על מערך הנתונים לדוגמה. ספירת אירועים לפי יום, משתמשים לפי מקור ורכישות לפי מוצר מספיקות להתחלה.
- מתעדים עבודה אחת מקצה לקצה. עמוד אחד עם ארבע כותרות: שאלה, שיטה, ממצא והמלצה. זה מה שמציגים בראיון. על השאלות שצפויות שם כתבנו בשאלות ראיון לאנליסט דיגיטלי.
שאלות נפוצות
אילו כישורים צריך אנליסט דיגיטלי?
שלוש שכבות. הבנת מדידה: איך הנתון נאסף ולמה הוא נראה כמו שהוא נראה. ניתוח: לנסח שאלה, לבחור מדד ומימד, לפלח ולאמת את המספר. תקשורת: לכתוב מסקנה קצרה שמובילה להחלטה. הכלים שמשרתים אותן הם GA4, Google Tag Manager, Looker Studio, גיליון אלקטרוני ו-SQL.
איזה כלי לומדים קודם כדי להיות אנליסט דיגיטלי?
GA4, כי הוא מלמד את השפה של התחום: אירוע, פרמטר, משתמש, סשן ומימד. אחריו Google Tag Manager, כדי להבין איך הנתון נאסף. אחר כך Looker Studio לדיווח קבוע ובסוף SQL על BigQuery. גיליון אלקטרוני מלווה את כל השלבים.
האם אנליסט דיגיטלי חייב לדעת SQL?
לא ביום הראשון, אבל כן בהמשך. לפי התיעוד של Google, ייצוא BigQuery של GA4 מכיל את נתוני האירועים הגולמיים, אפשר להריץ עליהם שאילתות בתחביר דמוי SQL. זה נדרש כשהשאלה חורגת ממה שהממשק מציג או כשמחברים את נתוני האתר לנתונים אחרים. לתרגול יש מערך נתונים ציבורי בשם ga4_obfuscated_sample_ecommerce.
האם אנליסט דיגיטלי צריך לדעת לתכנת?
לא ברמה של מפתח. הוא צריך להבין איך Google Tag Manager עובד: לפי התיעוד טריגרים גורמים לתג לפעול כשקורים אירועים מסוימים. משתנים מפשטים את הגדרות התגים. הבנה בסיסית של מבנה עמוד ושל Data Layer עוזרת מאוד בעבודה מול מפתחים, אבל את הקוד עצמו בדרך כלל כותב המפתח.
מה ההבדל בין אנליסט טוב לאנליסט בינוני?
אנליסט בינוני מדווח מה קרה. אנליסט טוב מתחיל משאלה עסקית, בודק איך המספר חושב ובאיזו רמת מימד, מפלח לפני שהוא מסתכל על ממוצע ומסיים בהמלצה. הוא גם ספקן: לפני שהוא מציג ממצא הוא מאמת אותו בדרך שנייה ובודק שהמדידה עצמה לא שבורה.
איך בונים ניסיון כאנליסט דיגיטלי בלי עבודה בתחום?
בונים עבודה אחת מתועדת מקצה לקצה. לומדים את הבסיס בקורסים החינמיים של Analytics Academy ב-Skillshop, מתרגלים ניתוח על חשבון הדמו של Google, מקימים נכס וקונטיינר על אתר קטן, בונים דשבורד אחד וכותבים כמה שאילתות על מערך הנתונים לדוגמה ב-BigQuery. בראיון מציגים את השאלה, השיטה, הממצא וההמלצה.
מה השורה התחתונה?
אנליסט דיגיטלי לא נמדד במספר הכלים שהוא מכיר. הוא נמדד ביכולת לעבור משאלה עסקית לתשובה שאפשר לסמוך עליה ולהסביר אותה למי שמחליט. הכלים הם הדרך לשם: GA4 לשפה, Google Tag Manager להבנת האיסוף, Looker Studio לדיווח ו-SQL לשאלות הפתוחות. את הכלים אפשר ללמוד לבד. את החשיבה מפתחים הרבה יותר מהר כשמישהו מנוסה קורא את הניתוח שלכם ומחזיר אותו עם הערות. מי שמחפש למידה מודרכת כזאת ימצא את האפשרויות בעמוד הקורסים וההדרכות שלנו. אם אתם בונים מסלול הכשרה לאנליסט חדש בצוות, כתבו לנו.
מקורות
Google Analytics Help: About events, Tag Manager Help: Introduction to Tag Manager, Google Analytics Help: User acquisition report vs. Traffic acquisition report, Google Analytics Help: BigQuery Export, Google for Developers: BigQuery sample dataset for Google Analytics ecommerce web implementation, Google Analytics Help: Analytics Academy
יועץ אנליטיקה דיגיטלית ומייסד DigiKnowledge. מרצה לאנליטיקה דיגיטלית באוניברסיטת תל אביב, באוניברסיטה הפתוחה ובאוניברסיטת אריאל. לעמוד האישי