הפסיקו לאחד גיליונות אלקטרוניים: בניית אגם נתונים (Lakehouse) מאוחד למשאבי אנוש עם Microsoft Fabric

By Mirko Peters · 2026-08-11

ברוכים השבים לפודקאסט! אם בזבזתם שעות על התאמה ידנית של שורות בין קובץ ייצוא של שכר, מערכת מידע למשאבי אנוש וגיליון לתהליך העזיבה מה-IT רק כדי להבין למה מספרי כוח האדם שלכם לא מסתדרים, אתם לא לבד. צוותי משאבי אנוש ותפעול עובדים בכל העולם טובעים בתוך מערכי נתונים מנותקים. במדריך המשלים הזה אנחנו מרחיבים על הפרק האחרון שלנו ומסבירים צעד אחר צעד איך לבנות אגם נתונים מאוחד למשאבי אנוש באמצעות Microsof

Automatically translated with AI from the original post. Read the English original

ברוכים השבים לפודקאסט! אם בזבזתם שעות על התאמה ידנית של שורות בין קובץ ייצוא של שכר, מערכת מידע למשאבי אנוש וגיליון לתהליך העזיבה מה-IT רק כדי להבין למה מספרי כוח האדם שלכם לא מסתדרים, אתם לא לבד. צוותי משאבי אנוש ותפעול עובדים בכל העולם טובעים במערכי נתונים מנותקים. במדריך המשלים הזה אנחנו מרחיבים על הפרק האחרון שלנו ומסבירים צעד אחר צעד איך לבנות אגם נתונים מאוחד למשאבי אנוש באמצעות Microsoft Fabric. עד סוף המדריך תראו איך המעבר מגיליונות מבודדים לארכיטקטורה מודרנית יכול לתת לארגון שלכם מקור אמת יחיד לקבלת החלטות אמיתיות.

כדי להעמיק בדיון השמעי ולשמוע אותנו מפרקים את המושגים האלה בזמן אמת, כדאי לצפות בפרק הפודקאסט הקשור: HR Analytics with Fabric and Dynamics 365 Human Resources.

הבעיה במשפט אחד

נתוני משאבי אנוש, שכר וזמן מבודדים יוצרים מספרים לא מתאימים, החלטות איטיות ו־סימני סיכון שמפוספסים.

שרטוט ייחוס (Fabric + D365 HR)

קליטה והכנה

• מקורות: Dynamics 365 HR (עובדים, תפקידים, גיוסים/סיומים, מבנה ארגוני), פתרונות SaaS לשכר ולהטבות, נוכחות וחופשות, זהות ותהליך עזיבה מה-IT, מעורבות וסקרים (eNPS), מערכת גיוס (ATS).
• צינורות: Dataflows Gen2 עבור ממשקי API וקבצים שטוחים; טעינות מלאות ומצטברות לפי תזמון.
• אחסון: שכבות OneLake / Lakehouse
  • Bronze: תמונות מצב גולמיות (כמות שהן)
  • Silver: נתונים מנוקים ומתוקננים (מזהים, תאריכים, קודים)
  • Gold: מודל משאבי אנוש מאוחד לניתוח

מודל והגשה

• ישויות מאוחדות: Employee, Job, OrgUnit, Hire, Termination, LeaveBalance, LeaveRequest, TimeEntry, CompensationBand, DiversityAttributes, AccessProvisioning, SurveyResponse.
• מפתחות ומיפוי: EmployeeId קנוני (טבלת התאמה ל-GUID של משאבי אנוש, שכר ו-IT), PositionId, ManagerId, OrgPath.
• שכבה סמנטית: מערך נתונים מאושר ב-Power BI עם אבטחה ברמת השורה לפי אזור ותפקיד ארגוני.

צריכה ופעולה

• לוחות מחוונים: לוח בקרה של משאבי אנוש ותצוגות לפי תפקיד (HRBP, TA, שכר, DEI, הנהלה).
• התראות ואוטומציה: Power BI/Power Automate עבור חריגות מ-SLA, חריגות בחופשות ופערים בתהליך העזיבה.
• חיזוי: AutoML/Azure ML לחיזוי סיכוני נטישה והתשישות, ולתחזית עיכובים בקליטה.

לוחות מחוונים ומדדים חובה

1) כוח אדם ותנועה

• כוח אדם פעיל (משרה מלאה/חלקית/חוזה), שינוי נטו, גיוסים ועזיבות, ניוד פנימי, שיעור משרות פנויות.
• בדיקת איכות: התאמה בין חשבונות משאבי אנוש לחשבונות IT (משתמשים "רפאים"), פערי סנכרון שכר.

2) SLA לקליטה

• זמן מגיוס, זמן עד תחילת עבודה, השלמת הקצאות (חשבונות, מכשירים, אפליקציות), מוכנות ביום הראשון.
• התראות: כל שלב שחורג מ-SLA; פגישות מעקב חסרות עם המנהל ביום 7/30/60/90.

3) חופשות וזמינות

• צבירה מול יתרות, מתוכנן מול בלתי מתוכנן, שעות נוספות/TOIL, קפיצות בחופשות לפי צוות/עונה.
• בקרות: יתרות שליליות, אי-התאמה בשכר, סחיפה במרכזי עלות.

4) נטישה ושימור

• שיעורי עזיבה וולונטרית ובלתי וולונטרית, קבוצות ותק, אובדן של עובדים שהיינו מעדיפים לשמר, סיבות עזיבה.
• אינדיקטורים מקדימים: עלייה בהיעדרויות, eNPS נמוך, קצב קידום איטי, שעות נוספות שלא נוהלו.

5) תובנות DEI

• ייצוג לפי דרג/ארגון/מיקום, נשירה במשפך הגיוס, התפלגות טווחי שכר.
• פרטיות: הסתרת קבוצות קטנות וסף צבירה.

6) תאימות וביקורת

• SLA לביטול חשבונות בתהליך עזיבה, השלמת הדרכות חובה, יומני גישה לנתונים.

מודל נתונים בשכבת Gold (סט התחלתי)

טבלאות עובדות (Facts):

• FactHeadcountSnapshot, FactHire, FactTermination, FactOnboardingStep,
  FactLeaveBalance, FactLeaveRequest, FactTimeEntry, FactCompChange, FactSurveyScore

ממדים (Dims):

• DimEmployeeMasked, DimOrgUnit, DimJob, DimManager, DimGeo, DimDiversityAttr, DimCalendar

קישורי שושלת (Lineage):

עובד ↔ תפקיד/יחידה ארגונית לאורך זמן (SCD2); גיוס → הקצאה → כניסה ראשונה; צבירת חופשה ↔ רישום שכר.

דפוסי Dataflow שמונעים את גיהינום ההתאמות

• מיפוי מזהים (ID crosswalk): בנו פעם אחת; שמרו כטבלת gold כדי לחבר בין זהויות של משאבי אנוש, שכר ו-IT.
• נרמול קודים: תפקיד, דרגה, סוגי חופשה ומרכזי עלות – לרשימות קנוניות אחידות.
• התאמת תאריכים: UTC, לוח שנה פיסקלי, ו-SCD עם תאריכי תוקף (העסקה, תגמול).
• רענון incremental: רק שורות שהשתנו (אירועי גיוס/סיום העסקה, יתרות).
• שערי איכות: מזהי עובדים כפולים, מנהלים יתומים, יתרות שליליות, סיומי העסקה עם תאריך עתידי.

אבטחה, פרטיות וממשל

• צמצום PII: להוציא תאריך לידה ומספר זהות; להשתמש ב-DimEmployee מוסתר.
• RLS: לפי תיק שותף עסקי של משאבי אנוש, אזור או עץ ארגוני; תוויות רגישות על שכבת gold ועל המודל הסמנטי.
• הגנה על מדגמים קטנים: להסתיר פלחי DEI מתחת לסף; להציג "אין מספיק נתונים".
• חוזי נתונים: SLA לעדכניות, מדיניות לשינויי סכמה, ובעלים + אחראי לכל טבלה.
• ביקורת: נתוני היומן מתעדכנים, וכך גם הגישה לויזואליזציות רגישות וכל אירועי הייצוא.

התראות ואוטומציות (תבניות להעתקה והדבקה)

• חריגה בתהליך קליטה: שלב מעבר ל-SLA ➜ להודיע למנהל ול-IT; יצירת קריאה אוטומטית.
• חריגה בחופשות: זינוק פתאומי מעל X% מהבסיס ➜ להתריע לשותף העסקי של משאבי אנוש; לבדוק סיכון בתקינות כוח האדם.
• פער בעזיבה: עובד שסיים העסקה אך חשבון Microsoft 365 שלו עדיין פעיל ➜ השבתה מיידית + אישור.
• אי-התאמה בכמות עובדים: עובדים פעילים ב-HR ≠ משולמים בשכר ➜ משימת התאמה לצוות תפעול השכר.
• עייפות משעות נוספות: שעות נוספות מעל הסף במשך 3 שבועות ➜ תזכורת למנהל ומשאבי רווחה.

תוספות חיזוי (כשהבסיס יציב)

• מודל סיכון לעזיבה: מאפיינים = ותק, פער שכר לעומת הדרגה, היקף ניהולי, היעדרויות ושעות נוספות, מגמת סקרים, זמן המתנה לקידום.
• תחזית עיכובים בקליטה: חיזוי השלבים שייצרו צוואר בקבוק לפי תפקיד, אתר וספק.
• התרעה מוקדמת לשחיקה: שילוב של שעות נוספות, עבודה בסופי שבוע, eNPS נמוך ודחיית חופשות.

עקרונות: מאפיינים שניתנים להסבר, בדיקות הוגנות, פיילוטים מבוססי הסכמה, ובדיקה אנושית לפני כל פעולה.

התחלה מהירה ב-14 יום

ימים 1–3 חיבור מקורות (Dynamics 365 HR, ייצוא/API של שכר, זמן וחופשות).
ימים 4–6 בניית מיפוי המזהים; ניקוי בשכבת silver; ישויות מאוחדות בשכבת gold.
ימים 7–9 פרסום מודל סמנטי מאושר עם RLS; לוחות מחוונים של כוח אדם וקליטה.
ימים 10–11 חיבור התראות: SLA לקליטה, פער בעזיבה.
ימים 12–14 התאמה מול שכר/IT; תיעוד חוזי נתונים; הדגמה להנהלה ורשימת משימות לשלב הבא.

טעויות נפוצות (והפתרונות)

• מזהים לא תואמים: יצירה ותחזוקה של מיפוי המזהים (לא להסתמך על שמות או כתובות דואר).
• סטייה בגיליונות אלקטרוניים: לנעול מאגרי נתונים מאושרים; להימנע מייצואים אד-הוק.
• פיזור PII: למסך עובדים בממדים; להחיל תוויות ובקרות ייצוא.
• מודלינג יתר ביום הראשון: להשיק קודם HC ו-SLA לקליטה; לשפר בהדרגה לעזיבה, DEI ונשירה.
• עייפות מהתראות: להתחיל עם 3–4 כללים בעלי ערך גבוה; להוסיף חומרה ותקופות המתנה בין התראות.

שאלות נפוצות

ש: האם אפשר לעשות זאת בלי Dynamics 365 HR?
ת: כן – השתמשו ב-Dataflows Gen2 לכל ייצוא או API ממערכות HRIS, שכר או ATS; תבנית ה-lakehouse נשארת זהה.

ש: באיזו תדירות צריך לרענן את הנתונים?
ת: כוח אדם/DEI – מדי יום; קליטה/חופשות – כל 1–4 שעות; ציות/עזיבה – כמעט בזמן אמת.

ש: איך מגנים על נתוני DEI רגישים?
ת: מצרפים ברמות בטוחות, מחילים הסתרת מדגמים קטנים, ומאכפים RLS ותוויות רגישות.

ש: האם צריך מדעני נתונים לחיזויים?
ת: מתחילים עם AutoML ומאפיינים מובנים; עוברים ל-Azure ML ככל שהצרכים גדלים.

סיכום

בניית אגם-בית (lakehouse) מאוחד למשאבי אנוש ב-Microsoft Fabric היא הפתרון המושלם לעייפות מהתאמות ידניות של גיליונות אלקטרוניים. באמצעות העברה שיטתית של הנתונים בין השכבות Bronze, Silver ו-Gold, תבטלו סילוסים של נתונים, תגנו על מידע רגיש של עובדים ותוכלו להפיק לוחות מחוונים תפעוליים אמינים. כדי לשמוע דיון מעמיק על יישום הטכניקות האלה ולקבל עוד טיפים מבפנים, הקשיבו לפרק הנלווה שלנו HR Analytics with Fabric and Dynamics 365 Human Resources. התחילו לשדרג את ניתוחי משאבי האנוש שלכם כבר היום, הפסיקו לבצע בדיקות צולבות ידניות אינסופיות, והתחילו לקבל החלטות ארגוניות אסטרטגיות מתוך ביטחון מלא!