‫کیست و چه )‪ (Data Analyst‬تحلیلگر داده‬

‫کاری انجام میدهد؟‬

‫بحث و تفسیر درباره تجزیه و تحلیل دادهها پایان ندارد‪ ،‬ز یرا که گر یزی از این موضو ع‬

‫نیست‪“ .‬تجزیه و تحلیل دادهها یکی از جذاب ترین مشاغل قرن ‪ ۲۱‬است”‪ .‬یافتن توصیف‬
‫به صورت روزمره انجام )‪ (Data Analyst‬بدون هیچ زحمتی از آنچه یک تحلیلگر داده‬

‫میدهد‪ ،‬همیشه آسان نیست‪ .‬این مسئله با این واقعیت که تجزیه و تحلیل دادهها اغلب‬

‫با زمینه های مرتبط مانند علوم داده‪ ،‬یادگیری ماشین‪ ،‬هوش مصنوعی و تجزیه و تحلیل‬

‫‪.‬کسب و کار جمع بسته میشود‪ ،‬دشوارتر خواهد شد‬

‫از آنجایی که تجزیه و تحلیل دادهها نقشی اساسی در همه این زمینهها بازی میکند‪ ،‬همواره‬

‫دقیقا چیست و تحلیلگر داده این سوال در ذهن مرور خواهد شد که تجزیه و تحلیل داده‬

‫‪.‬در واقع چه کاری انجام می دهد؟ در این متن سعی داریم به این دو سوال مهم پاسخ دهیم‬
‫تجزیه و تحلیل داده چیست؟‬

‫قبل از بررسی کاری که یک تحلیلگر داده انجام میدهد‪ ،‬لازم است به این سوال پاسخ دهیم‬

‫که‪ :‬تجزیه و تحلیل داده چیست و چرا اهمیت دارد؟ در سادهترین شکل‪ ،‬تجزیه و تحلیل‬
‫دادهها فرایند استخراج معنا از اطلاعات بینظم است‪ .‬با کاوش سیستماتیک دادهها برای‬

‫الگوها و روابط خاص‪ ،‬تحلیلگران داده به دنبال یافتن و استخراج بینش مفید با استفاده از‬

‫‪.‬این دادهها هستند‬

‫اما چه چیزهایی “داده” حساب میشوند؟‬

‫تقریبا هر چیزی که تصور کنید را میتوان “داده” به حساب آورد‪ .‬غالبا‪ ،‬دادهها عددی هستند‬

‫(داده های کمی)‪ .‬اما اصوات‪ ،‬تصاو یر‪ ،‬کلمات یا هر چیز دیگری که به نوعی قابل تفسیر‬

‫‪.‬باشد نیز میتواند به عنوان داده (دادههای کیفی) طبقهبندی شود‬

‫کار یک تحلیلگر با آنچه به عنوان “داده خام” شناخته میشود‪ ،‬آغاز خواهد شد‪ .‬دادههای‬

‫خام بینظم بوده و اساسا بی معنی هستند‪ .‬ما فقط وقتی میتوانیم اطلاعات مفیدی از‬
‫آن ها بگیریم که به هر ج و مرج نظم بدهیم‪ .‬بدین ترتیب‪ ،‬جمعآوری‪ ،‬تمیز کردن و سازماندهی‬

‫‪.‬دادهها همگی بخشهایی از فرایند تجزیه و تحلیل دادهها هستند‬

‫علاوه بر این‪ ،‬تجزیه و تحلیل داده های موثر شامل بسیاری از تکنیک ها برای کمک به این‬

‫روند است‪ .‬این موارد شامل آمار‪ ،‬برنامهنویسی‪ ،‬تجسم و موارد دیگر میشود‪ .‬خوشبختانه‪،‬‬

‫برای ساده سازی این فرآیند‪ ،‬بسیاری از این تکنیکها خودکار شدهاند‪ .‬برخی حتی در نو ع‬

‫خود در حال توسعه هستند‪ .‬با این حال‪ ،‬یک تحلیلگر داده خوب باید در مورد همه آنها از‬

‫‪.‬دانش کافی برخوردار باشد‬

‫چرا تجزیه و تحلیل دادهها مهم است؟‬

‫دو دلیل ساده برای مهم بودن تجزیه و تحلیل داده وجود دارد‪ .‬در مرحله اول‪ ،‬آنها برای‬
‫تصمیم گیری مفید هستند‪ .‬ثانیا‪ ،‬این مسئله مبتنی بر شواهد است‪ .‬این دو ویژگی را با هم‬

‫‪.‬ترکیب کنید و ببینید که چگونه تجزیه و تحلیل دادهها به ابزاری قدرتمند تبدیل میشود‬
‫تصمیم گیری مبتنی بر اطلاعات تجربی (به جای تکیه بر توهمات) راهی علمیتر برای حل‬

‫مشکلات است‪ .‬گرچه این بدان معنا نیست که تجزیه و تحلیل دادهها همیشه ‪ ۱۰۰٪‬دقیق‬

‫عمل میکنند‪ ،‬اما با این وجود بهترین ابزاری هستند که ما برای پیشبینی روندهای آینده و‬

‫‪.‬نتیجهگیری درباره وقایع گذشته داریم‬

‫سایر موارد استفاده تجزیه و تحلیل دادهها‬

‫تجزیه و تحلیل دادهها همچنین دارای طیف گستردهای از برنامهها در سراسر جوامع هستند‪.‬‬
‫بصورت آنلاین‪ ،‬معمولا تجزیه و تحلیل دادههایی را پیدا میکنید که به عنوان ابزاری برای‬

‫هوش تجاری مورد تبلیغ قرار میگیرند‪ ،‬به عنوان مثال پیشبینی فروش در آینده یا اطلاع‬

‫‪.‬از توسعه محصول و هزینه بازاریابی‬

‫با این حال‪ ،‬تجزیه و تحلیل داده ها بسیار فراتر از بهبود نتیجه فعالیت یک شرکت‪ ،‬مورد توجه‬

‫است ‪ .‬این مسئله همچنین در صنایع بهداشتی برای بهبود مراقبت از بیمار استفاده‬

‫می شود‪ .‬در حال حاضر برای تغییر نحوه تغذیه دنیا‪ ،‬در کشاورزی از آن استفاده میکنند‪.‬‬
‫حتی توسط دولت ها برای مقابله با مسائلی مانند قاچاق انسان نیز استفاده میشود‪.‬‬

‫بنابراین اگر میخواهید به بهبود جهان – و همچنین کسب و کار خود‪ -‬کمک کنید‪ ،‬استخدام‬

‫‪.‬یک فرد حرفهای در تجزیه و تحلیل دادهها میتواند برای شما مناسب باشد‬

‫یک تحلیلگر داده در واقع چه کاری انجام میدهد؟‬

‫اکنون که می دانیم تجزیه و تحلیل داده چیست‪ ،‬اجازه دهید نگاهی به آنچه تحلیلگر داده‬
‫انجام می دهد‪ ،‬بیاندازیم‪ .‬به عنوان یک تحلیلگر داده‪ ،‬وظیفه شماست که دادههای خام را‬

‫به بینش معناداری تبدیل کنید‪ .‬به دنبال فرآیند تجزیه و تحلیل دادهها‪ ،‬بر اساس دادهها و‬
 ‫اطلاعاتی که ارائه میشود‪ ،‬مشکلات خاصی را حل می کنید یا به سوالات خاصی پاسخ‬

‫‪.‬میدهید‬

‫در ایجاد انبار داده چیست؟ ‪ ETL‬فرایند ‪:‬حتما بخوانید‬

‫سپس این بینشها را به دست خواهید آورد و آنها را با ذینفعان و تصمیمگیرندگان اصلی‬

‫به اشتراک خواهید گذاشت‪ ،‬که میتوانند بر اساس آن اقدام کنند یا برای آینده برنامهر یزی‬
‫نمایند‪ .‬در عین حال‪ ،‬تحلیلگران داده ممکن است مسئولیت نظارت بر روند کلی جمعآوری‬

‫و ذخیرهسازی داده ها و همچنین تنظیم دستورالعملهایی برای بهبود کیفیت دادهها را‬

‫‪.‬داشته باشند‬

‫انواع تحلیلگر داده‬

‫از آنجایی که پیشرفت فناوری‪ ،‬انواع و مقدار اطلاعاتی را که میتوانیم جمعآوری کنیم به‬
‫سرعت گسترش داده است‪ ،‬دانستن نحوه جمعآوری‪ ،‬مرتبسازی و تجزیه و تحلیل دادهها‬

‫به بخش مهمی از تقریباً هر صنعتی تبدیل شده است‪ .‬تحلیلگران داده را در بخشهای‬

‫عدالت کیفری‪ ،‬مد‪ ،‬غذا‪ ،‬فناوری‪ ،‬کسبوکار‪ ،‬محیط زیست و بخشهای عمومی از جمله‬

‫‪.‬بسیاری دیگر پیدا خواهید کرد‬

‫افرادی که تجزیه و تحلیل دادهها را انجام می دهند ممکن است عناوین دیگری مانند موارد‬

‫‪:‬زیر داشته باشند‬

‫‪‬‬ ‫تحلیلگر پزشکی و مراقبتهای بهداشتی‬

‫‪‬‬ ‫تحلیلگر تحقیقات بازار‬
‫‪‬‬ ‫تحلیلگر کسب و کار‬
‫‪‬‬ ‫تحلیلگر هوش تجاری‬
‫‪‬‬ ‫تحلیلگر تحقیق در عملیات‬
‫‪‬‬ ‫تحلیلگر اطلاعاتی‬
 ‫شرح وظایف تحلیلگر داده‬

‫یک روش عالی برای سنجش آنچه که یک تحلیلگر داده به صورت روزانه انجام میدهد‪،‬‬

‫بررسی وظایف و مسئولیت هایی است که به طور معمول در شر ح وظایف تحلیلگر داده‬

‫‪.‬ذکر شده است‬

‫‪:‬شرح وظایف تحلیلگر داده‬

‫‪‬‬ ‫‪.‬و سیستمهای جمعآوری داده را توسعه داده و پیادهسازی میکند پایگاههای داده‬
‫‪‬‬ ‫اصلی و اولویتبندی )‪ (KPI‬برای شناسایی معیارهای مهم‪ ،‬شاخصهای کلیدی عملکرد‬
‫‪.‬نیازهای یک کسب وکار را تعیین میکند‬
‫‪‬‬ ‫‪.‬جمع آوری داده ها از منابع داده اولیه (و یا ثانویه) را در اختیار دارد‬
‫‪‬‬ ‫‪.‬دادهها را فیلتر و تمیز میکند‬
‫‪‬‬ ‫‪.‬روندها و الگوها را در مجموعه داده های پیچیده شناسایی‪ ،‬تحلیل و تفسیر مینماید‬
‫‪‬‬ ‫‪.‬یافتهها را تجسم کرده و به ذینفعان اصلی ارائه میدهد‬
‫‪‬‬ ‫‪.‬گزارشها را نوشته و شخصیسازی میکند‬
‫‪‬‬ ‫‪.‬داشبورد را توسعه و نگهداری میکند‬
‫‪‬‬ ‫اسناد مربوط به مدلها‪ ،‬اقدامات و ز یرساختهای داده را هنگام تهیه آنها ایجاد و‬
‫‪.‬نگهداری مینماید‬
‫با ارزش ترین مهارتها برای تحلیلگران داده‬
‫‪.‬تحلیلگران داده دارای ترکیبی از مهارتهای فنی و مهارتهای رهبری هستند‬

‫یا پایتون است‪ ،R .‬زبان‪ SQL‬مهارتهای فنی شامل دانش زبانهای پایگاه داده مانند‬
‫یا ‪ Microsoft Excel‬تحلیلگر داده همچنین باید بتواند با ابزارهای صفحه گسترده مانند‬

‫کار کند‪ .‬مهارتهای ‪ Qlik‬یا ‪ Tableau‬و نرمافزارهای تجسم دادهها مانند ‪Google Sheets‬‬
‫ریاضی و آماری نیز برای کمک به جمعآوری‪ ،‬اندازهگیری‪ ،‬سازماندهی و تجزیه و تحلیل‬

‫‪.‬دادهها ارزشمند هستند‬

 ‫مهارت های رهبری‪ ،‬تحلیلگر داده را برای تکمیل وظایف تصمیمگیری و حل مسئله آماده‬

‫میکند‪ .‬این تواناییها به تحلیلگران اجازه می دهند تا به طور استراتژیک در مورد اطلاعاتی‬

‫که به ذینفعان در تصمیمگیریهای مبتنی بر دادهها کمک میکنند فکر کرده و ارزش این‬

‫اطلاعات را به طور موثر منتقل کنند‪ .‬به عنوان مثال‪ ،‬مدیران پروژه برای ردیابی مهمترین‬

‫معیارها برای پروژههای خود‪ ،‬جهت تشخیص مشکلاتی که ممکن است رخ دهند و پیشبینی‬

‫اینکه چگونه عوامل مختلف می توانند به یک مشکل رسیدگی کنند‪ ،‬به تحلیلگران دادهها‬

‫‪.‬متکی هستند‬

‫یک تحلیلگر داده از چه وظایف و فرایندهایی پیروی میکند؟‬

‫به عنوان یک تحلیلگر داده‪ ،‬وظیفه شما انجام هر مرحله از فرآیند تجزیه و تحلیل دادهها‬

‫برای شناسایی و حل یک مشکل است‪ .‬با پیشرفت شغلی خود‪ ،‬میتوانید در یک زمینه‬

‫تخصص پیدا کنید‪ .‬اگرچه به عنوان یک مبتدی‪ ،‬خاص مانند تجسم داده یا مهندسی داده‬

‫‪.‬یادگیری روند به طور کلی مهم است‬

‫بنابراین سوال اصلی این است که‪ :‬وظایف و فرایندهای کلیدی که یک تحلیلگر داده باید‬

‫دنبال کند‪ ،‬چیست؟ اگرچه دنبال کردن یک کار به طور مستقیم پس از دیگری کمی سخت‬

‫است (ممکن است متوجه شوید که مراحل را تکرار میکنید یا به نقطه اول باز میگردید و‬

‫‪ ،)…:‬وظایف اصلی شما عبارتند از‬

‫‪‬‬ ‫تعریف یک سوال‬

‫‪‬‬ ‫جمعآوری دادهها‬
‫‪‬‬ ‫تمیزسازی دادهها‬
‫‪‬‬ ‫انجام تجزیه و تحلیل‬
‫‪‬‬ ‫نتیجهگیری از تحلیلها‬
‫تحلیلهای پیشبینی کننده چیست و چگونه انجام میشود؟ ‪:‬حتما بخوانید‬
‫تعریف یک سوال ‪1.‬‬
‫در مرحله اول‪ ،‬شما باید هدف خود را مشخص کنید‪ .‬از برخی جهات‪ ،‬این مرحله سختتر ین‬

‫قسمت فرآیند است‪ .‬به این دلیل که اگرچه به نظر می رسد یک مسئله واضح باشد‪ ،‬همیشه‬

‫‪.‬ممکن است به هسته اصلی آن نرسید‬

‫به عنوان مثال فرض کنیم شما در شرکتی کار میکنید که میخواهد درآمد خود را افزایش‬

‫دهد‪ .‬مدیر یت ارشد قرار است با راهاندازی مجموعهای از محصولات جدید این کار را انجام‬
‫دهد‪ .‬در نتیجه‪ ،‬شما وقت و منابع زیادی را صرف تجزیه و تحلیل اینکه چه محصولی ایجاد‬

‫‪.‬کنید‪ ،‬در کدام بازار آن را عرضه نمایید و غیره خواهید کرد‬

‫با این حال‪ ،‬با کمی پیش بینی بیشتر‪ ،‬ممکن است متوجه شوید که هیچ مشکلی در‬

‫محصولات موجود این شرکت وجود ندارد اما شاید روند فروش ضعیف است‪ ،‬در نتیجه‬
‫رضایت مشتری کم بوده و معاملات کمتری صورت میگیرند‪ .‬با این بینش‪ ،‬ممکن است‬

‫دریابید که سرمایه گذاری در آموزش فروش‪ ،‬باعث افزایش درآمد با هزینه بسیار کمتری‬

‫‪.‬میشود‬

‫در حالی که این فقط یک مورد فرضی است‪،‬‬

‫اما اهمیت کاوش یک مسئله را از چند زاویه قبل از سرمایه گذاری زمان زیاد در آن نشان‬

‫می دهد‪ .‬این مسئله همچنین به معنای نترسیدن از گفتن حقیقت با قدرت است (در این‬

‫مثال‪ ،‬باید به مدیران بگویید که ایده محصول جدید آن ها اشتباه است)‪ .‬تعریف سوالی که‬
‫میخواهید به آن پا سخ دهید شامل درک عمیق نیازها و خواستههای کسب و کار‪ ،‬پیگیری‬

‫و … است‪ .‬در این مرحله معمولا برخی از تجزیه و تحلیلهای اولیه را انجام ‪KPI‬معیارها‪،‬‬

‫‪.‬خواهید داد‬

‫‪2.‬‬ ‫جمع آوری دادهها‬

 ‫پس از شناسایی سوال‪ ،‬وظیفه بعدی شما این است که بفهمید کدام دادهها برای کمک به‬

‫شما در حل آن مسئله خاص‪ ،‬مناسب هستند‪ .‬این دادهها میتوانند شامل دادههای کمی‬

‫(مانند ارقام بازاریابی) یا دادههای کیفی (مانند بررسی مشتری) باشند‪ .‬به طور خاص‪ ،‬انواع‬

‫‪:‬دادهها را میتوان به سه دسته تقسیم کرد‬

‫‪‬‬ ‫)دادههای شخص اول (مستقیما توسط شما یا سازمان جمعآوری میشود‬
‫‪‬‬ ‫)دادههای شخص دوم (دادههای شخص اول سازمان دیگری‬
‫‪‬‬ ‫‪).‬داده های شخص سوم (که از منابع متعدد توسط شخص ثالث جمعآوری میشوند‬

‫اگر از قبل به این داده ها دسترسی ندارید‪ ،‬باید برای جمعآوری آنها استراتژی مناسبی را‬

‫تدوین کنید‪ .‬این مسئله ممکن است شامل انجام نظرسنجیها‪ ،‬نظارت بر شبکههای‬
‫اجتماعی‪ ،‬تجزیه و تحلیل وب سایت‪ ،‬ردیابی آنلاین و غیره باشد‪ .‬با این وجود آنها را‬

‫جمعآوری میکنید و به محض اینکه دادهها در اختیار شما قرار میگیرند‪ ،‬آماده تمیزسازی‬

‫‪.‬آنها هستید‬

‫‪3.‬‬ ‫تمیزسازی دادهها‬

‫دادههای تازه جمعآوری شده معمولا در قا لب خام قرار می گیرند‪ .‬این بدان معناست که‬

‫هنوز سازماندهی نشده اند‪ .‬پس از نظر میزان خطا نیز مورد بررسی قرار نگرفتهاند‪ .‬برای‬

‫بدست آوردن وضعیتی که برای تجزیه و تحلیل مناسب است‪ ،‬دادهها باید تمیز شوند‪ .‬این‬

‫مسئله شامل ابزارها و تکنیک های مختلفی (مانند الگوریتمهای سفارشی‪ ،‬نرمافزارهای‬

‫‪ .‬عمومی و تجزیه و تحلیل اکتشافی) است تا بتواند آن را به وضعیت مناسبتری برساند‬

‫‪:‬وظایف تمیزسازی دادهها‬

 ‫شامل از بین بردن خطاها‪ ،‬موارد تکراری و موارد پرتعدد‪ ،‬ریشهکن کردن دادههای ناخواسته‬

‫(به عنوان مثال مواردی که برای تجزیه و تحلیل شما مفید نیستند)‪ ،‬ساختاردهی دادهها به‬

‫‪.‬روش مفیدتر‪ ،‬پر کردن خلأها و غیره است‬

‫وقتی این کار تمام شد‪ ،‬داده ها را تأیید خواهید کرد‪ .‬این مهم شامل بررسی این نکته است‬

‫که آیا نیازهای شما برآورده شده اند یا خیر‪ .‬اغلب‪ ،‬متوجه خواهید شد که اینگونه نیست‪ ،‬این‬
‫بدان معناست که شما باید یک قدم به عقب برگردید‪ .‬به همین دلیل‪ ،‬تمیزسازی دادهها یک‬

‫‪.‬فرایند تکراری در نظر گرفته میشود‬

‫‪4.‬‬ ‫انجام تجزیه و تحلیل‬

‫هنگامی که مجموعه داده شما تمیز و مرتب شد‪ ،‬خوب است که تجزیه و تحلیل را شرو ع‬

‫کنید‪ .‬بسیاری از انواع تجزیه و تحلیل دادهها وجود دارد و بخشی از چالش این است که‬
‫مشخص کنید کدام روش برای کار در حال حاضر مناسبتر میباشد‪ .‬برای ساده نگه داشتن‬

‫‪ .‬موارد‪ ،‬ما یک مرور کلی از چهار دسته اصلی تجزیه و تحلیل دادهها را ارائه خواهیم داد‬

‫‪‬‬ ‫تجزیه و تحلیل توصیفی‬

‫اولین مورد تحلیل توصیفی است‪ .‬این مهم شامل جمعبندی (یا توصیف) و یژگیهای یک‬

‫مجموعه داده برای درک بهتر آن میباشد‪ .‬معمولا برای نتیجهگیری قاطع استفاده‬

‫‪.‬نمیشود‪ ،‬اما اولین قدم مفید برای تصمیمگیری در مورد نحوه بررسی بیشتر دادهها است‬

‫‪‬‬ ‫تجزیه و تحلیل تشخیصی‬

‫در مرحله بعد‪ ،‬تجزیه و تحلیل تشخیصی بر درک دلیل وقوع چیزی متمرکز است (به عنوان‬

‫مثال با کاوش در همبستگی بین مقادیر یک مجموعه داده)‪ .‬این مسئله به شناسایی‬
‫مشکلات کمک می کند و اغلب در اولین مرحله تجزیه و تحلیل دادهها‪ ،‬یعنی تعریف سوال‪،‬‬

‫‪.‬استفاده میشود‬
‫‪‬‬ ‫تجزیه و تحلیل پیشبینی و تجویزی‬

‫سرانجام‪ ،‬ما تجزیه و تحلیل پیش بینی (که به شناسایی روندها بر اساس دادههای گذشته‬

‫کمک میکند) و تجزیه و تحلیل تجو یزی (که به تصمیمگیری در مورد یک اقدام آینده کمک‬

‫انجام یادگیری ماشین میکند) را در اختیار داریم‪ .‬مورد دوم گاهی با استفاده از تکنیکهای‬
‫‪.‬میشود‬
‫‪5.‬‬ ‫نتیجهگیری از نتایج‬
‫هنگامی که شما تجزیه و تحلیل انجام دادهاید و برخی از بینشها را ترسیم کردهاید‪ ،‬مرحله‬

‫آخر این است که این موارد را ابتدا به کسانی که آنها را سفارش دادهاند‪ ،‬اعلام کنید‪ .‬این‬

‫مسئله معمولا شامل تجسم دادهها به نوعی قابل درک (مثلا در یک نمودار یا دیاگرام)‬

‫‪.‬است‬

‫کاربرد هوش تجاری در صنایع مختلف ‪:‬حتما بخوانید‬

‫همچنین ممکن است شامل ایجاد داشبورد‪ ،‬اسناد‪ ،‬گزارشها یا ارائههای تعاملی باشد‪.‬‬

‫نادیده گرفتن این مرحله آسان است‪ ،‬اما انجام صحیح آن حائز اهمیت بسیاری میباشد‪ .‬نه‬

‫تنها باید یافتههای خود را به درستی تفسیر کنید‪ ،‬بلکه باید آنها را به روشی که برای پرسنل‬

‫‪.‬کوتاهمدت و غیرفنی واضح است‪ ،‬به اشتراک بگذارید‬

‫مسیر پیشرفت شغلی تحلیلگر داده‬

‫ایفای نقش تحلیلگر داده می تواند درهایی را به روی مشاغل دیگر نیز باز کند‪ .‬بسیاری از‬

‫کسانی که به عنوان تحلیلگر داده شرو ع میکنند‪ ،‬در نهایت دانشمند داده میشوند‪.‬‬
‫دانشمندان داده نیز مانند تحلیلگران‪ ،‬از آمار‪ ،‬ریاضیات و علوم کامپیوتر برای تجزیه و تحلیل‬

‫دادهها استفاده می کنند‪ .‬با این حال‪ ،‬دانشمند داده ممکن است از تکنیکهای پیشرفته برای‬

‫‪.‬ساخت مدلها و ابزارهای دیگر جهت ارائه بینش در مورد روندهای آینده استفاده کند‬

‫نتیجه سخن‬
‫در نهایت‪ ،‬مهارت های تحلیلگر داده بسته به نقش او در سازمان متفاوت است‪ .‬به عنوان‬

‫مثال‪ ،‬برخورداری از دانش کسب و کاری که در آن کار میکنید‪ ،‬در بررسی نقش و نیازهای‬

‫شما‪ ،‬بسیار مهم است‪ .‬با این حال‪ ،‬به عنوان یک قاعده‪ ،‬این مهارتها مواردی هستند که‬

‫‪.‬میتوانید هنگام کار یاد بگیرید‬