Mohamed Medhat's Recent LinkedIn Posts

من حوالى 3 سنوات بدأت Mentorship ومن كام يوم وصلت 150 Sessions بمعدل 80 ساعة و 52 تقيم على منصة ADPList. فى البداية ركزت مع الى بيبدأو فى المجال. ومن فترة كل الأسئلة المتكررة والمواضيع جمعتها فى الملف عشان الكل يستفيد https://lnkd.in/eTM7cMg6 حاليا تركيزى على الى شغالين فى مجال #dataanalysis فى الشركات لأن الملف بيغطى أجزاء البداية. وهيكون فى جزء فى الملف يغطى Junior FAQs لو بتدور على Mentor هتلاقى Mentors من مختلف البلاد والخبرات. البوست دا فيه أغلب الخطوات والنقط الى محتاجها عشان تدور وتلاقي Mentor. السيشن غير مدفوعة كمان. https://lnkd.in/eN55hp5T بجانب ان فى Mentors من Data Connect Plus فى الملف دا بردوا https://lnkd.in/e9yc5bzS بس. وأتمنى يكون مفيد لبعضكم. بالتوفيق #dataanalyst #data

لو بتكتب Data Analyst / Engineer فى CV محتاج تعيد تفكيرك بعض CVs عدت قدامى لشباب بيبدأو فى المجال كاتبين Analyst / Engineer أو Data Scientist/Analyst متفهم تفكيرك ونظرتك انك تقول "بزود فرص التقديم" أو متاح تشتغل فى أى واحدة أو لو HR شاف Engineer هيقول ايه دا، دا احنا عندنا وظيفة تانية Engineer تنفع له بس عارف الشخص الى بيفتح CV بيفكر ازاى؟! أول حاجة بتيجى فى باله "الشخص دا مشتت" تانى حاجة بيعملها، غالباً بيقفل CV ومش بيقراه أصلاً ليه؟! عشان كلنا عارفين صعب انك تكون Analyst و Engineer. الى شغالين بقالهم 10 سنين مش عارفين يعملوها وحياتك. نظرتك وتوقعاتك مختلفة عن نظره الشخص الى بيقرا ‏CV فن كتابة CV مبنى على توقعات ووجهة نظر واحتياجات الشخص الى بيقرا CV. بنكتب الى هما عايزين يشفوه، بنكتب الى يشد اهتمامهم اكتر، مش كلمة واحدة تخليهم يقفلوا CV فى اقل من 3 ثوانى أكتب الى الشركات محتاجه تشوفه مش الى انت شايفه بس من وجهة نظرى: أنت مطالب انك تفهم كويس المجالات، وتختار مجال واحد تستثمر فيه مجهودك عشان تعرف تنافس فى سوق وظائف Juniors فيه نادرة أصلاً. عايز تزود فرصك، يبقى تقوى معرفتك بالمجال مش تبدأ فى كذا مجال على أمل تعدد الفرص. عشان من خبرتى فى مصر وبرا مصر، وحياتك محدش قادر يتعلم مجالين مع بعض. دا انا مش ملاحق على Domain الى انا فيه، مش مجال لا Domain. أفهم كويس نظرة الجهة أو الشخص الى بتتعامل معاها لان مش لازم ينظروا ليك بنفس النظرة الى فى تخيلك.

لو عملت Zoom in على وظيفتى كمحلل البيانات عشان اوضح ليكم قد ايه المجال فيه تعمق وتشعب جواه. مثلا انا شغال فى E-commerce بقالى ٧ سنين. حالياً فى شركة فيها مئات من محللين البيانات جواها أقسام و فرق مختلفة من Logistics و Customer Support و Marketing و Product وغيرهم. انا شغال فى Product. جوا Product فيه Teams مختلفة وشغال فى فريق منهم، الفريق فيه ٨ محللين بيانات. بقالى ٣ سنين شغلى مرتبط بصفحة واحدة فى الموقع بنسميها Product Detail Page فيها التفاصيل و الصور وترشيحات لسلع تانية وتقيمات وغيرها من معلومات. فى Teams مختلفة بتشتغل علي الصفحة دى، مش الفريق بتاعى فقط والفرق دى ممكن يكونوا من Business Unit تانية خالص. وال BU بتعريف مخل اعتبرها شركة صغيرة جوا الشركة الأم. لو مسكنا الصور فى الصفحة هتلاقى Teams مختلفة شغاله عليها. بداية من Content الى بيحط محتوي يشد الانتباه. الى Media و Studio الى عايز الصور فيها Models لو الشركة بتبيع ملابس او اجهزة رياضية. او فريق يغير Design زى انه يخلى الصور بتتحرك تلقائيا. وغيرهم كنت شغال على مشروع اننا نظهر Labels معينة على Product Image ودا لمجموعة من Products مش كلهم. المشروع دا محتاج تنسيق مع فرق مختلفة لان فيه Labels تانية موجودة ومحتاجين نقرر نظهر ايه امتي وليه. طب محتاجين نعمل AB test ودا محتاج Custom Metrics. ومحتاجين نبنى Artifact. ودى تقدر تقول Dataset فيها معلومات عن Products الى هنحط ليها Label وكل يوم فيه List جديدة. طيب محتاجين نعمل Ranking System لو فيه Labels مختلفة. طب عايزين نعمل Analysis نعرف عند انهى عدد صور العميل بياخد قرار انه يشتري، عشان مش هنقدر نظهر Labels علي كل الصور. وغيرها من مهام مختلفة لمحلل البيانات. ليه كل دا بيحصل؟ عشان Scope و Impact كبير. المثال دا هتتعامل مع بيانات بحجم TBs ولازم تستخدم Spark. ومحتاج تتواصل وتنسق بين Teams مختلفة. والمدة الزمنية ل Tasks دى من أسابيع لشهور. فطييعى محلل البيانات يشتغل سنة فى شركة يكون كل مهامه عن زرار فى صفحة فى الموقع. تأثير الزرار دا ممكن يكون بميزانية شركات. محدش بيعرف يقفل اللعبة فى Industry واحدة زى E-commerce. ما بالك لو قولتلك فى صناعات تانية اصلا لسه مدخلناش فيها. فنصيحتى ميكنش هدفك انك تكتسب خبرة فى كل جزء، عشان محدش عارف يعملها لانها غير ممكنة الصراحة. ومش عايز اعقدها.. بس لو روحت شركة مختلفة عشان تعمل نفس الحاجة بالظبط. وارد انك تلاقي ادوات واساليب وطرق مختلفة وتقابلك مشاكل أول مرة تشوفها تماما، لان طبيعة الشغل مختلفة.

الشباب الى بتدور على Mentor... لو بتدور على Free mentorship هتلاقى Mentors كتير على موقع ADPList من انحاء العالم. وببلاش. 1️⃣أختار المجال, مثلا #datascience أو #softwareengineering. 2️⃣وبعدها هتلاقى Filters تقدر تختار اللغة والبلاد وسنين الخبرة وغيرهم, وأكيد هتلاقى عربي وأنجليزى. 3️⃣عادى يكون المينتور من بلاد تانية, كدا كدا هى Online و Free كمان. 4️⃣هيظهر لك Mentors ومواعيدهم المتاحة. بتحجز ميعاد وبتجاوب على أسئلة عشان الشخص يعرف أنت محتاج Mentorship ليه. 5️⃣وتقدر تبعت رسالة للمينتور تشرح بالظبط أنت محتاج أيه. محتاج تعرف أنت عايز mentorship فى أيه بالتحديد وليه. ومحتاج تشرح دا للمينتور عشان يقدر يساعدك. فى Mentors بيقدموا Recurring mentorship ودى للمتابعة, يعنى بتقابله كل شهر مرة مثلا عشان تتابع. وفى بيعرض سيشن واحدة. نصيحتى ليك, خليك منظم ولازم تكون عارف أنت عايز أيه وأيه هدفك والأسئلة الى هتوصلك لهدفك. وتحضر للسيشن كويس, عشان لأنك لو مش عارف, ال Mentor صعب يساعدك. هتلاقى Mentors بيرفضوا الطلب, ممكن عشان مفهمش انت عايز ايه او مش هيقدر يساعدك او غير متاح. الموقع User Friendly ولطيف. وناس كتير بتستفيد منه. لو تعرف حد محتاجه، ابعتهوله، عشان يستفاد. شخصيا, للأسف مش بقدر أقدم Recurring mentorship. (عشان لو ظهرت فالبحث) ودا الموقع: https://app.adplist.org/ #data #mentorship

لو لقيت وظيفة محلل البيانات بتطلب ETL دا عادى لو لقيت شركة بتطلب Causal Inference دا عادى اما بقى لو لقيت شركة بتطلب ML fundamentals بردوا عادى بس نادرا جداً لما هتقابلها انا متفهم انك شايف ان دي مهارات من مجالات تانية الى محتاجة تعمق. لكن فى نقطتين مهمين محتاج تدركهم كويس ١) متطلبات الشركات والسوق اتغيرت. مش بسبب AI، لكن بسبب نضوج الشركات وانهم عرفوا متطلباتهم كويس، وبسبب تطور التكنولوجيا والأدوات الى بتظهر. اما AI قصة تانية. ٢) مجالات Data متداخلة فى بعضها وباين من اسمها يعنى. بس فى فهم خطأ ان مهندس البيانات بيشتغل على ETL فقط. ودا بسبب ان الشخص شايف صورة محدودة او نطاق شغله فى شركة محدود وصغير. متطلبات السوق متنوعة، والمرتبات والامتيازات بردوا متنوعة. فالاغلب زيادة المتطلبات بتزيد بزيادة الامتيازات. يعنى عايز تنقل لشركة مرتباتها عالية وقوية في المجال، توقع متطلبات وشروط اكتر. فى محلل بيانات بيشتغل ب Excel و SQL بس ومحلل بيانات بيطلب منه مهارات زى Python و ETL ومحلل بيانات مطلوب منه Causal Inference ومحلل بيانات مطلوب منه Master و ML وفى شركة بتحتاج تعين محلل بيانات واحد فقط وفى شركة بتحتاج تعين 200 محلل بيانات وفى شركة مش محتاجه محلل بيانات أصلاً لو نظرتك ان الشركات فى مصر لسه مش فاهمه او مش عارفه هى عايزة ايه. فدى نظرة محدودة ومش كويسة ليك. نظرتك ممكن تكون بناء علي اغلب الوظائف الى بتقابلك ودا بيوحى ليك ان دا شكل السوق، ودا فخ سهل نقع فيه. السوق متنوع وفي شركات في مصر كتير قوية في المجال ومتطلباتها بردوا تقيلة. وعشان تشوف جزء من الصورة. حاول تشوف الشركات الى بتعين محللين بيانات وتشوف متطلبات الشركات، وشكل Profiles الموظفين الى شغالين في الشركات. هتقدر وقتها تشوف الاختلافات. هتلاقى الشركات بتتقسم في شكل فئات مختلفة. #dataanalyst #dataanalysis

محلل البيانات الى بيتعلم المجال أو شغال أول كام سنة فى شركة هيعيش لحظات من الانبهار والاعجاب. اللحظات دى هتشوفها فى أدوات جديدة او طرق بتسمع عنها أول مرة او لما تنقل لشركة جديدة. وهتنبهر ان Python بيعمل الحاجة الفلانية او لما تتعلم Airflow او تخش فى Marketing من جوا. مع الوقت اللحظات دى بتقل لحد ما توصل مرحلة انك تقول That’s good، ولا انبهار ولا اعجاب. لان لما بتشوف المجال على حقيقته من جوا هتدرك الصورة الحقيقية الكبيرة. وصعب حد يشرحها او يقولك عليها عشان تاخد بالك. الوقت هيعلمك محدش تانى. من 10 سنين كان تصورى محدود جداً وطبيعى لانى كنت لسه ببدأ. مهم تفهم ان تصورك المحدود مش عيب ولا نقص، هو طبيعة ومتوقع عادى. متجيش على نفسك انك مشتت وبردوا متقعش فى فخ انه سهل وكام اداة وكورس وكام سنة خبرة وهبقى تمام. المجال صعب ومعقد وشاسع، وحقيقى مش ببالغ. السر كله فى نطاق تعرضك. فنصيحتي خليك واعى ومستوعب اللحظات دى على قد ما تقدر عشان كلنا بنقع فيها. بس بردوا عيشها عادى لانها هى الى هتخليك واعى.

أزاى محلل البيانات يوصل للمرتبات العالية الى بتسمع عنها فى السوق العالمى دى. ومحتاج تركز على ايه. غالباً أول حاجة هتحتاج تقيم فى سوق بيسمى Tech Hub زى لندن ودبى وألمانيا. ممكن تلاقى Remote من مصر لكن قليل ومش هيكون بنفس الأرقام. فى الأسواق دى الشركات بتقدر تدي أعلي المرتبات. المرتبات العالية غالباً هتلاقيها Domain Specific يعنى بتركز على Domain زى Product أو Marketing. ومحلل البيانات التقليدى مرتبه أقل واحتمالية استبداله أعلى. وكل Domain محتاج استثمار طويل عشان تتقنه والشركات عارفه دا كويس الوظائف دى بتطلب Scope أكبر. بمعنى ان مهامك ومهارتك اكبر واكتر من 70% من متطلبات السوق، وأكثر ندرة بين محللين البيانات. زى انك عندك خبرة فى Tracking أو Data pipelines أو AB testing أو MMM. أو اشتغلت على مشاريع كبيرة زى Migration أو Business Review. غالباً الشركات الكبيرة بتقدر تتحمل المرتب دا عشان طبيعة شغلها وتوقعاتها مختلفة عن الشركات المتوسطة والصغيرة. الشركات الكبيرة مش لازم بالحجم وعدد الموظفين ولكن Scale شغلك. زى انك تتعامل مع بيانات بحجم TBs بأستخدام Spark و Databricks. أو شغال على مشروع لمدة سنة لتحسين صفحة في الموقع على نطاق 20 بلد. أو شغال فى فريق هدفه تحقيق 20 مليون دولار GMV سنوياً. غالباً المرتبات العالية بتظهر فى مستوى Seniors. وقصدى Seniors في الشركات الكبيرة. عشان Seniors الشركات العملاقة هم Seniors فى أغلب الشركات, لكن العكس ليس صحيح. ولو وصلت Staff أو Principal هتشوف أرقام تانية. لكن المنافسة بتزيد أكتر بسبب العدد المطلوب بيقل والتوقعات بتزيد. غالباً لو بتشتغل فى شركة في Tech Hub معرفة انها بتدى مرتبات في متوسط السوق هتقدر تاخد وتتفاوض علي مرتب اعلي من لو كنت في شركة تحت المتوسط. الشركات عارفها رينج المرتبات عامة. من تجاربى الى قابلتها. المصريين الى وصلوا للنقطة دى كان خبرتهم بين 5-15 سنة خبرة. والخبرة كانت تقيلة الصراحة بمعنى ان الشركات ونطاق شغلهم كان كبير وتقيل فى السوق. كل النقط دى مش تعميم أو خطوات عشان توصل. هى بس ظاهرة متكررة بشوفها مش أكتر. جايز أكون غلط، وجايز تجربتك تكون مختلفة. لكن التكرار بيساعد فى فهم الحلول الأكثر تجربة. وبس

مش دايما محلل البيانات هيلاقى البيانات الى محتاجها فى الشغل. لان مش كل البيانات متاحة ولا كلها بتجمع. حتى لو نقدر نجمعها، أوقات بنرفض نجمع بيانات احنا محتاجينها. احنا بنفهم ايه البيانات الى نقدر نجمعها والبيانات الى محتاجين نجمعها والبيانات الى اخترنا نجمعها. تجميع البيانات له هدف واضح. هدف زى اننا نجمعها والسلام عشان هى بيانات وممكن نحتاجها بعدين، دا بيفتح اسئلة كتير وغالباً بيكون Bad practice. احنا بنجمع البيانات لما بنوصل لمرحلة بنسميها Good Enough. ولا اكتر ولا اقل. الى احنا محتاجينه عشان نؤدى المهام المطلوبة. توصل ازاى Good Enough دى بالخبرة و Use Case الى قدامك دلوقتى. فى الشركات الكبيرة قرار تجميع البيانات معتمد على Teams كتير. وله ابعاد ودواعى كتير. انك تجمع بيانات فى عمود واحد فيه Values (0,1)، دا كله بحساب. مثلاً محلل بيانات فى Product أو Marketing بيتعامل مع بيانات بنسميها New Feature Data. لان طبيعة الشغل اننا نبنى Features جديدة. أو بيانات جديدة بنسميها Artifacts وبنختار التصميم و Scheme. متفكرش اننا نخزن البيانات دى فى Data Lake وكدا كدا تكاليف التخزين اقل من المعالجة. لان Processing بيحصل فى Layers كتير انت مش بتشوفها كمحلل بيانات. تجميع البيانات له Data Strategy و Best Practices ودا الى بيفرق محلل بيانات الى عنده معرفة واسعة وشايف الصورة كاملة. مهم تعرف كل النواحى المرتبطة بشغلك بطرق غير مباشرة قبل ما تكون مباشرة. لان ببساطة شخص واحد فى فريق بعيد عنك يقدر يجى يشطب على كل تخطيطك فى كلمتين. ولنا فى Compliance قصص. #data #dataanalyst

البيانات فى الشركات تعتبر Asset للشركة. البيانات موجودة فى صور مختلفة لأغلب الموظفين. محلل البيانات ترس واحد من تروس كتير فى الشركة. كل ترس (أو وظيفة)ليه حجمه وأهميته البيانات بتبدأ من Producer غالباً، زى SWE الى بنى نظام بيولد البيانات دى. بعدها تيجى مرحلة Maintaining فمثلاً Data Engineer بيخلى البيانات قابلة للأستخدام ويديرها. وبعدها يجى محلل البيانات الى بيعتبر Consumer زيه زى Business teams. وأوقات محلل البيانات بيكون Data Owner لو Scope بتاعه كبير. الأولوية والأهمية بتكون لفريق Engineering لأن شغلهم يعتبر Upstream أو بداية القصة. ومن جانب تانى بيحصل Incidents ودى شفتها بعينى كام ساعة بيكلفوا ملايين يورو. أما أهمية محلل البيانات فى التأثير على قرارت البيزنس. أهم شخص فى الشركة غالباً هو الشخص الى بيدخل فلوس للشركة بصورة كبيرة. مثلاً SWE لانهم بيبنوا الأنظمة و Product بتاع الشركة بجانب ان الوظيفة معقدة. أو Data Scientist الى بيعمل Recommendation algorithm يدخل ملايين للشركة. أو Business Leader بياخد قرارات مصيرية ممكن تكسب أو تخسر الشركة ملايين. ولما قلت "شخص" ممكن يكون عندك اتنين data scientist وواحد ياخد أولوية فى شغله وأهمية وصلاحيات عشان شغال على مشروع مهم (بنسميها High Stakes) النقطة دى مهمة جداً لما تشتغل فى شركة وتسمع ان مهامك مش أولوية حالياً أو اقل اولوية دلوقتي عندنا، أو تأثيرك مش ظاهر. دا طبيعى ومتوقع كل ترس وليه حجمه وتأثيره، مش دايما هتحس ان دورك مهم فى الجزء دا وعادي. دا مهم عشان مترسمش توقعات عالية اوي عن دور محلل البيانات وتخش تصدم فى الشركة. وكل ما زاد تأثيرك كل ما زاد أولويتك كل ما زاد الظغط عليك. مهم جداً جدا كمحلل بيانات تكون شايف الصورة الكبيرة للشركة وتحاول تعرف التروس شغاله مع بعض ازاي وانت دورك ايه وتأثيرك ايه وتكون متفهم دور الأولوية فى الشركات. عشان تانى، غالباً الأولوية بتحدد على Monetary.

الشركات والمرتبات والفرص غالباً متنظمة فى شكل برج من ادوار. كل دور فيه خليط بين نوع الشركات والمزايا والصعوبات المختلفة. كل ما بتوصل لدور معين، الادوار الى تحتيك وفوقك اقرب ليك. ادوار مختلفة عشان متفتكرش ان كل ما بطلع فى الادوار افضل، لا مش دايما. النظرة دى نظرة طبقية وصراحة هى فيها شوية طبقية لكن مش دايما، لان الى فوق مش احسن من الى تحت، لان مفهوم السوق مختلف هنا. هنا كل طابق له شروط وطرق عشان توصله ومتاحة ليك مفهاش احتكار. عايز توصل لدور فيه اعلي مرتبات وشركات ناضجة فيها احدث العلم، دا متاح للجميع، انت بس محتاج حاجتين. أولاً تعرف شروطها وطرقها وثانياً تقرب لدور أقرب منها. كل ما مستوك قرب كل ما فرصتك كانت أقرب. عشان غالباً لما بتشتغل فى نوع شركات معين، زى اكبر شركات تقنية فى ألمانيا، الشركات الى جنبها بالنسبة ليك فى نفس المستوى عشان معاك فى نفس الدور. وعشان كدا المجالات التقنية والغير تقنية فيها تفاوت سواء فى المرتبات أو طبيعة الشغل. لو وصلت لمرتب من أعلى 20% فى السوق، غالباً هتوصل لأعلى منه. ولو نفسك تشتغل فى شركة عملاقة بتقبل 0.1% من الى بيقدموا واشتغلت فى شركات كبيرة فيها طبيعة الشغل مشابهة، بالنسبة ليك هما فى نفس الدور. ودا مش تعميم، دا غالباً بيحصل لان دا مفهوم السوق. الأدوار دى خليط بين السوق (المجال والبلد الي شغال فيها) وشركات ومزايا وصعوبات. كل شخص بيشوف الدور بصورة مختلفة. دورك مش انك توصل لأعلى دور، دورك انك تعرف انهى دور بيحقق هدفك انت وبس. وخلى بالك عشان طبيعتنا كبشر بتتأثر بغيرنا وبنقارن نفسنا بغيرنا، ودا ممكن يخليك تشوف دور في البرج زي شركة عملاقة وعندها Prestige ومن اعلي المرتبات في السوق، وتحطها هدفك وفي الاخر توصل وتشوف الصورة الكاملة وتتصدم. الواحد ياما اتصدم بنظرته عن الشركات.

كل ما بتزيد خبرتك المهنية وتقوى، كل ما تقيم أجاباتك فى المقابلات قل حجمها مقارنة بشكل خبرتك ككل. شكل خبرتك أو Profile بتاعك معناه مسارك المهنى ككل من أول لما بدأت. فمثلاً محلل بيانات خبرة 10 سنين. اشتغل فى 3 شركات، سافر وعاش فى بلد مختلفة. نوع وسمعة الشركات الى اشتغل فيهم. ال Domains و Tools و Roles الى عدت عليه. وغيرهم. المقابلات و الاختبارات مهمة وجزء من Hiring Process والفريق الى بيعين قدامهم حوالى 4 مقابلات كل مقابلة ساعة، وممكن اختبار لمدة 2-5 ساعات عشان يقدروا يقرروا هل الشخص مناسب للوظيفة ولا لا. ودا وقت قليل جداً وهنا كل سؤال وإجابة محسوبه. لكن غالباً الفريق عنده تقيم مبدأي ليك من قبل أى مقابلة اصلا. فمثلاً اسامي الشركات الفلانية معروف عنها كذا ومتوقع الشخص يكون عنده كذا كذا من شكل Profile بتاعه دا احد اسباب ان شركات بتعين من شركات معينة لان طبيعة الشغل متشابهة أو شركات عايزة Analyst معين من Domain معين. أو تلاقى أول مقابلة مع Hiring Manager اصلا مقابلات Seniors مثلاً فى الشركات الكبيرة أغلبها مواقف ونقاشات، مش أسئلة مباشرة. تعالا نناقش التجارب الى قابلتك في اخر سنتين على data-pipelines الى بتقع ويلا ندردش. مش هتلاقي اسئلة زي تعرف Function الفلانية ولا حتي اخر مشروع ليك. لا احكيلي من فوق الوش كدا التجارب ككل و Role بتاعك. وانت خبرة 8 سنين ممكن تتقبل عادي حتي لو الشركة بتستخدم اداة انت عمرك ما استخدمتها. هتتقبل عادي لو معندكش معرفة في Technology معينة. هتتقبل عادي لما متعرفش اجابات في المقابلة. لان التقييم هنا مختلف. وانت داخل مقابلات مع شركة، انت داخل شايل خبرتك كلها معاك. دا الى بتبيعه. طريقة البيع وشكل المقابلات مختلف وأنت خبرة سنة وأنت خبرة 6 سنين. فمهم جداً انك تخطط لشكل خبرتك ككل وشكل ونوع مسارك المهنى. وتدرس شكل خبرتك كمان 10 سنين تكون شكلها ايه. لان كل ما بتزيد خبرتك كل ما الفرص عددها بيقل بسبب اهتماماتك و اختياراتك

هل محلل البيانات بيتحاسب على قرارات البيزنس؟ وايه دوره؟ مهم تعرف دورك كويس اوى فى الشركة وتوقعات زملائك فى نفس الفريق. دورك ممكن يختلف من شركة لشركة أو حتى فريق. لان فى كتير بيروح شركة جديدة او ينقل فريق فى نفس الشركة ويفتكر ان دوره هو هو او توقعات زملائه نفسها وبيحصل مشاكل. مسئولية محلل بيانات فى قرارات البيزنس معتمدة على تأثيرك. قرارات البيزنس من اختصاص Business Stakeholders لانهم عندهم صلاحية ومسؤولية اتخاذ القرارات. اما Support Functions زى محلل البيانات و Developers بيأثروا على اتخاذ القرارات. بمعنى انك وفرت بيانات او Analysis معينة اخدوا القرار على اساسها، او ساهمت في اتخاذ القرار بصورة ما. هنا تأثيرك جزء من أتخاذ القرار. لو القرار كان غير سليم دا مسؤولية Stakeholders لكن لو القرار كان غير سليم بسبب مثلا ان البيانات غير سليمة أو طريقة تواصلك وشرحك كانت غير سليمة، فدى مسؤوليتك. من حقك تقول ان دا مش انسب قرار وتقدم معطيات او معلومات عشان تثبت دا عشان هى مش اراء شخصية، الاراء مبنية على معلومات، المعلومات دى بيانات او ارقام. من الاخر رائيك معتمد ومبنى على شئ. في الاخر لو قدمت كل حاجة والبيزنس اختار حاجة عكس الي انت شايفه وشايف انها هتخسر البيزنس ومش حابب تعمل Task دي. هنا مبدأ Disagree & Commit بيجى ويقولك عادي قوم اعملها بأحسن صورة. قدام الناس والشركة لو فريق اخد قرار غير سليم، بنقول الفريق اخد قرار غير سليم مش الشخص دا. لا احنا فريق. وصورة محلل البيانات الى بيعمل شغله كله تمام ويقول انا عملت شغلي وبرا عنى اى حاجة تانية، بينظر له نظرة مش حلوة حتي لو شغلك 10/10، الا لو شغال فى شركة فيها ثقافة Point fingers. حالات كتير هيكون رائيك عبارة عن Risk أو Concern أو Recommendation. فى الاخر انت بتقدمه وبتحارب عشانه بطريقة سليمة ودبلوماسية، عشان احنا فى فريق. هتقول انا وفرت المعلومة ودا شغلى، الشركات بتحط خط احمر تحت محلل البيانات بالعقلية دى وصراحة محدش بيحب يعينه و بيسموه Indecisive. مهم تفهم دورك كويس ودا مش سهل الصراحة ومش مباشر، يعني متتوقعش نقطة ثابتة مكتوبة هتعرفك دروك. دا هتعرفه بالخبرة الطويلة فى شركات مختلفة وبيظهر دورك مع الوقت.