AI לניתוח נתונים

1. למה זה חשוב לממשלה

משרדי ממשלה יושבים על הרים של נתונים — פניות אזרחים, ביצועי סניפים, תקציבים, זמני טיפול, סקרי שביעות רצון. הבעיה: רוב הנתונים נשארים בטבלאות Excel שאף אחד לא מנתח.

הסיבה: ניתוח נתונים דורש ידע ב-Excel מתקדם, סטטיסטיקה, ולפעמים Python. רוב עובדי המדינה לא מומחים בזה.

הפתרון: AI מאפשר לכל עובד לנתח נתונים — פשוט מעתיקים טבלה, שואלים שאלה, ומקבלים תובנות. לא צריך נוסחאות, לא צריך קוד, לא צריך תואר בסטטיסטיקה.

2. מושג הליבה: תהליך ניתוח נתונים ב-4 שלבים

4 שלבי הניתוח

| שלב | מה עושים | כלי מומלץ | |------|----------|-----------| | 1. הכנה | ניקוי נתונים, הסרת מידע מזהה | ידני + AI | | 2. ניתוח | זיהוי מגמות, חריגות, דפוסים | כל כלי AI (Claude, ChatGPT, Gemini) | | 3. המחשה | גרפים, טבלאות, תרשימים | כלי AI עם הרצת קוד (ChatGPT Code Interpreter, Claude Analysis, Gemini) | | 4. סיכום | דוח מנהלי, המלצות | כל כלי AI — Claude ו-Gemini מצטיינים בסיכום ארוך |

3. איך הטכנולוגיה עובדת — AI וניתוח נתונים

מה AI באמת עושה עם נתונים?

כש-AI מקבל טבלה, הוא:

1. קורא את המבנה — עמודות, שורות, סוגי נתונים
2. מזהה דפוסים — מגמות עלייה/ירידה, עונתיות, חריגות
3. מחשב — ממוצעים, אחוזי שינוי, התפלגויות
4. מנסח — תובנות בשפה ברורה

מה AI לא עושה טוב עם נתונים?

| AI טוב ב... | AI פחות טוב ב... | |-------------|------------------| | זיהוי מגמות כלליות | חישובים מדויקים (עלול לטעות) | | סיכום תובנות בשפה ברורה | ניתוח סטטיסטי מורכב (רגרסיה, מובהקות) | | יצירת גרפים (Code Interpreter) | עבודה עם קבצים גדולים מאוד (מיליוני שורות) | | כתיבת נוסחאות Excel | הבנת הקשר ארגוני ("למה הסניף הזה חריג?") |

כלל אצבע: AI מצוין ב"מה קורה בנתונים?" — פחות טוב ב"למה זה קורה?" ו"מה לעשות עם זה?". ה"למה" וה"מה לעשות" — זה שלכם.

Code Interpreter — הכלי החזק ביותר לנתונים

כלי AI עם יכולת הרצת קוד מאפשרים ניתוח נתונים מדויק:

• מעלים קובץ Excel/CSV
• מבקשים ניתוח
• מקבלים גרפים, טבלאות, וחישובים — בלי לכתוב שורת קוד

כלים מומלצים: ChatGPT עם Code Interpreter (הכי מבוסס), Claude עם Analysis Tool, Gemini עם Code Execution. כולם מריצים Python אמיתי.

העלאת קובץ Excel
    ↓
כלי ה-AI כותב קוד Python אוטומטית
    ↓
מריץ את הקוד
    ↓
מציג גרפים + תובנות

4. מקרה בוחן: ניתוח ביצועי סניפים ברשות ממשלתית

הקשר

רשות ממשלתית עם 25 סניפים ברחבי הארץ. כל סניף מטפל בפניות אזרחים. ההנהלה רוצה להבין: אילו סניפים מתפקדים טוב? אילו דורשים התערבות? מה הגורמים לפערים?

הנתונים

טבלה עם 25 שורות (סניף לכל שורה) ו-6 עמודות: שם סניף, מספר פניות חודשי, זמן טיפול ממוצע (ימים), שביעות רצון (1-5), אחוז פניות שנסגרו בזמן, מספר עובדים.

שימוש ב-AI

שלב 1: ניתוח ראשוני בכלי AI (Claude, ChatGPT או Gemini)

תפקיד: אתה אנליסט ביצועים ברשות ממשלתית.
משימה: נתח את טבלת ביצועי הסניפים הבאה.

[הדביקו טבלה]

בצע:
1. דרג את הסניפים מהטוב לחלש (לפי שילוב של כל המדדים)
2. זהה 3 סניפים חריגים לטובה ו-3 לרעה
3. חשב ממוצע ארצי לכל מדד
4. זהה קורלציות — האם יש קשר בין מספר עובדים לזמן טיפול?
5. הצע 3 המלצות לשיפור

שלב 2: גרפים בכלי AI עם הרצת קוד (ChatGPT Code Interpreter, Claude Analysis ועוד)

צור 3 גרפים מהנתונים:
1. גרף עמודות — זמן טיפול ממוצע לפי סניף (מהנמוך לגבוה)
2. גרף פיזור — מספר עובדים מול שביעות רצון
3. גרף עוגה — התפלגות פניות לפי אזור

השתמש בצבעים ברורים וכותרות בעברית.

שלב 3: סיכום מנהלי בכלי AI

על בסיס הניתוח, כתוב סיכום מנהלי של עמוד אחד למנכ"ל.
מבנה:
1. שורה תחתונה (Bottom Line) — משפט אחד
2. 3 ממצאים עיקריים — עם מספרים
3. 3 סניפים שדורשים התערבות — עם הסבר
4. 2 המלצות מיידיות
טון: עובדתי, ישיר, ללא הערכות סובייקטיביות.

סיכונים שזוהו

• טעות חישוב: AI חישב ממוצע שגוי כי לא שקלל לפי גודל סניף — תוקן ידנית
• קורלציה מטעה: AI מצא "קשר" בין מספר עובדים לשביעות רצון — אבל הקשר היה מקרי (מדגם קטן)
• המלצה לא מעשית: AI המליץ "להגדיל את מספר העובדים ב-30%" — בלי להתחשב בתקציב

פיקוח אנושי

• כל חישוב נבדק ידנית (או ב-Excel)
• ההמלצות הותאמו למציאות התקציבית
• הסיכום נבדק על ידי מנהל אגף לפני הצגה

5. תרגילים מעשיים — ניתוח נתונים ממשלתיים

תרגיל 1: ניתוח טבלה בסיסי

תפקיד: אנליסט נתונים במשרד ממשלתי.
משימה: נתח את הטבלה הבאה.

חודש | פניות | זמן טיפול (ימים) | שביעות רצון
ינואר | 1,200 | 5.2 | 3.8
פברואר | 1,350 | 4.8 | 3.9
מרץ | 1,100 | 6.1 | 3.5
אפריל | 1,800 | 7.3 | 3.2
מאי | 1,450 | 5.5 | 3.7
יוני | 1,600 | 5.0 | 3.8

בצע:
1. ממוצע לכל עמודה
2. חודש הכי טוב והכי בעייתי
3. האם יש קשר בין מספר פניות לזמן טיפול?
4. 2 תובנות עיקריות
5. המלצה אחת

בדקו: חשבו את הממוצעים ידנית ב-Excel. האם AI צדק?

תרגיל 2: זיהוי חריגות

הנה נתוני זמן טיפול ממוצע (בימים) ל-10 סניפים:
סניף א: 4.2 | סניף ב: 5.1 | סניף ג: 4.8 | סניף ד: 12.3 | סניף ה: 4.5
סניף ו: 5.0 | סניף ז: 4.9 | סניף ח: 3.8 | סניף ט: 5.3 | סניף י: 11.7

1. חשב ממוצע וסטיית תקן
2. זהה סניפים חריגים (מעל 2 סטיות תקן)
3. הצע 3 סיבות אפשריות לחריגה
4. מה הפעולה המומלצת?

תרגיל 3: השוואת תקופות

השווה בין שני רבעונים:

רבעון 1: 3,650 פניות | זמן טיפול: 5.1 ימים | שביעות רצון: 3.7
רבעון 2: 4,850 פניות | זמן טיפול: 6.8 ימים | שביעות רצון: 3.3

1. חשב אחוז שינוי לכל מדד
2. האם יש קשר בין עלייה בפניות לירידה בביצועים?
3. מה ההשלכות?
4. הצע 2 פעולות מיידיות

תרגיל 4: נוסחאות Excel

אני עובד עם Excel. העמודות שלי:
A = חודש
B = מספר פניות
C = פניות שטופלו
D = זמן טיפול ממוצע (ימים)

אני צריך:
1. נוסחה לאחוז פניות שטופלו (C/B)
2. נוסחה לממוצע נע של 3 חודשים לעמודה B
3. עיצוב מותנה — לצבוע באדום תאים בעמודה D שמעל 7 ימים
4. נוסחה לאחוז שינוי בין חודשים בעמודה B

תן את הנוסחאות עם הסבר.

תרגיל 5: סיכום מנהלי מנתונים

תפקיד: עוזר מנכ"ל.
משימה: הכן סיכום מנהלי של חצי עמוד מהנתונים הבאים.

[הדביקו טבלת נתונים — ללא מידע מזהה]

מבנה:
1. שורה תחתונה (Bottom Line) — משפט אחד
2. 3 ממצאים עיקריים — עם מספרים
3. נקודה אחת שדורשת תשומת לב
4. המלצה אחת

טון: עובדתי, ישיר, ללא הערכות סובייקטיביות.

6. ספריית פרומפטים — תבניות לניתוח נתונים

<role>אנליסט נתונים בכיר ב[משרד]</role>
<task>נתח את הטבלה הבאה</task>
<data>[הדביקו טבלה]</data>
<analysis>
1. סטטיסטיקה בסיסית: ממוצע, חציון, מינימום, מקסימום
2. מגמות: עלייה/ירידה/יציבות
3. חריגות: ערכים שחורגים מהממוצע
4. קורלציות: קשרים בין עמודות
5. תובנות: 3 תובנות עיקריות
6. המלצות: 2 פעולות מומלצות
</analysis>
<constraints>אם חישוב לא ודאי — ציין. אל תסיק מסקנות סיבתיות מקורלציה.</constraints>

<role>עוזר מנכ"ל</role>
<task>סיכום מנהלי מנתונים</task>
<data>[הדביקו]</data>
<format>
1. Bottom Line — משפט אחד
2. 3 ממצאים — עם מספרים
3. נקודת תשומת לב
4. המלצה
</format>
<length>חצי עמוד</length>

7. כש-AI נכשל — שגיאות בניתוח נתונים

כשל 1: טעות חישוב

מה קורה: AI מחשב ממוצע שגוי — למשל, לא שוקלל לפי גודל מדגם.

למה: AI מייצר טקסט שנראה נכון, אבל לא תמיד מבצע חישובים מדויקים.

איך למנוע: בדקו כל חישוב ב-Excel. או השתמשו בכלי AI עם הרצת קוד (Code Interpreter) שמריץ קוד Python אמיתי.

כשל 2: קורלציה ≠ סיבתיות

מה קורה: AI מצא ש"סניפים עם יותר עובדים מקבלים שביעות רצון גבוהה יותר" — ומסיק שצריך להגדיל צוותים.

למה: קורלציה לא אומרת סיבתיות. אולי סניפים גדולים נמצאים באזורים עם אוכלוסייה מרוצה יותר.

איך למנוע: הוסיפו אילוץ: "אל תסיק מסקנות סיבתיות מקורלציה. ציין שזו קורלציה בלבד."

כשל 3: התעלמות מהקשר

מה קורה: AI מזהה ש"אוגוסט הוא החודש עם הכי מעט פניות" — בלי לציין שזה חודש חופשות.

למה: AI לא מכיר את ההקשר הארגוני. הוא רואה מספרים, לא סיפור.

איך למנוע: הוסיפו הקשר בפרומפט: "שים לב: אוגוסט = חופשות, ספטמבר-אוקטובר = חגים, אפריל = פסח."

כשל 4: הצגה מטעה

מה קורה: AI יוצר גרף עם ציר Y שמתחיל מ-90% במקום 0% — מה שמגזים את ההבדלים.

איך למנוע: בקשו: "ציר Y מתחיל מ-0. השתמש בסקאלה שמייצגת את הנתונים בצורה הוגנת."

8. בדקו את עצמכם — תרחישי החלטה

💎 סיכום — 5 עקרונות לניתוח נתונים עם AI

1. 4 שלבים: הכנה → ניתוח → המחשה → סיכום. לכל שלב כלי מתאים
2. בדקו חישובים: AI טועה במספרים. תמיד אמתו ב-Excel
3. קורלציה ≠ סיבתיות: AI מוצא קשרים, אתם מפרשים אותם
4. הוסיפו הקשר: AI לא מכיר את הארגון. ספרו לו על חגים, עונות, שינויים
5. הגנו על מידע: לעולם אל תעלו נתונים עם פרטים מזהים לכלי AI חיצוני