Advertise on podcast: KajoData - Analiza danych dla każdego

📈 Bardzo często korzystam ze sztucznej inteligencji. Poprawia mi warunki pracy i mocno wpłynęła na moją karierę. A jednocześnie mnie wkurza. To nie jest typowy odcinek na KajoData, tylko mój emocjonalny rant o tym napięciu. 📈 Opowiadam o latach nauki SQL-a i Excela, które automatyzacje mają dziś za plecami, o frajdzie jak z pierwszego makra w VBA, o konkurowaniu z centrami danych i o muzyce, tekstach i kodzie open source, które trafiły do modeli bez pytania kogokolwiek o zgodę. I o tym, dlaczego mimo wszystko większość z nas nie może po prostu z AI zrezygnować. 📈 Jestem ciekawy Twoich emocji w tej sprawie. Kochasz AI, nienawidzisz, a może jedno i drugie? Napisz w komentarzu.

Rozmawiamy o strachu przed AI, który prędzej czy później dopada każdego, kto pracuje w świecie technicznym. Kasia długo bała się, że AI zabierze jej pracę, a lęk minął, kiedy sama zaczęła budować agentów i zobaczyła, jak ważne są podstawy i kontekst biznesowy. Kajo nigdy nie bał się utraty pracy, za to miał poczucie, że świat zaczyna mu uciekać. Kasia opowiada, jak prywatni agenci usprawnili jej pracę o 90% i dlaczego w pracy etatowej zderzyła się ze ścianą: agenci wybierali kolumny, których nikt nie używa, i pisali nieoptymalny kod. Kajo pokazuje, jak przy modelu cenowym celowo spowolnił AI, żeby samemu nauczyć się metod analitycznych. Rozmawiamy też o tym, czy nauka podstaw musi dziś boleć tak jak kiedyś i komu AI naprawdę może zabrać pracę. Odcinek jest dla osób, które pracują z danymi albo dopiero do nich wchodzą i zastanawiają się, co AI zmieni w ich pracy. Napisz w komentarzu, czego się boisz. Być może na część obaw odpowiemy.

📈 AI potrafi szybko przygotować raport, wykresy i rekomendacje. W tym odcinku pokazuję, jak pracować z nim przy analizie danych i sprawdzać, czy wynik daje podstawę do podjęcia decyzji. 📈 Na przykładzie wymyślonego sklepu internetowego rozdzielam wzrost przychodu, jego przyczynę i opłacalność kampanii. Pokazuję, jak połączenie tabel może potroić przychód w raporcie i jakie kontrole pomagają zauważyć błąd. Omawiam też, co warto ustalić przed zleceniem analizy i jak zachować sposób liczenia przy powtarzalnych raportach. 📈 Jeśli pracujesz z Excelem, raportami lub podejmujesz decyzje na podstawie danych, znajdziesz tu prosty sposób na przećwiczenie współpracy z AI. Na koniec proponuję ćwiczenie na małym, wymyślonym zestawie zamówień. Daj znać w komentarzu, do jakich zadań analitycznych używasz AI i co sprawia Ci największą trudność.

📈 W tym odcinku przechodzę przez 10 pojęć z analizy danych, które rzadko pojawiają się na kursach, a na rozmowie o pracę potrafią po cichu sprawdzić, czy naprawdę czaisz temat. Możesz umieć napisać SELECT-a albo zrobić coś w Excelu, a i tak nie zrozumieć pytania, bo rekruter użył jednego konkretnego terminu. A że rozmów o pracę jest mało, tym bardziej warto przyjść na nie przygotowanym. 📈 Mówię o granularności danych, zapytaniach rekurencyjnych, kardynalności, funkcjach okna, normalizacji i denormalizacji, miarach addytywnych i nieaddytywnych, analizie kohortowej, data lineage, ładowaniu przyrostowym i SCD. Przy każdym pokazuję, gdzie to wychodzi w praktyce: tydzień, który po joinie z danymi miesięcznymi dubluje sumę, konwersja, której nie da się po prostu dodać, albo churn dla różnych kohort policzony na rozmowie kwalifikacyjnej. Analizę kohortową lubię szczególnie, bo specjalizowałem się w niej, pracując jako analityk. 📈 Odcinek jest dla osób, które uczą się analizy danych albo szykują się do rozmowy o pracę w IT. Jeśli już pracujesz jako analityk, napisz w komentarzu, które z tych pojęć faktycznie pojawiają się w Twojej pracy albo jakiego terminu zabrakło Ci na rozmowie kwalifikacyjnej.

📈 W internecie krążą dziś dwie opowieści o Excelu. Według pierwszej AI go zabiło i nie ma sensu uczyć się starych technologii. Według drugiej świat techniczny ma się całkiem nieźle, tylko trzeba mądrzej wybrać, czego się uczyć. W tym odcinku staję po stronie tej drugiej, bo widzę, co ludzie dostają na rozmowach technicznych, i Excel z nich nie zniknął. 📈 Tłumaczę, co znaczy, że biznes pracuje w Excelu i dlaczego dla menedżerów to wciąż brudnopis do szybkiego myślenia na danych. Pokazuję, czemu osoba, która zna XLOOKUP, połączy dwie tabele w minutę, kiedy ktoś inny przez pół godziny dopytuje czat. Mówię też, czego warto się uczyć: podstawowych formuł, tabel przestawnych i Power Query, a dalej reszty stacku, czyli SQL, Power BI i Pythona. 📈 Odcinek jest dla Ciebie, jeśli masz wrażenie, że technologia Ci odjeżdża, i zastanawiasz się, od czego zacząć powrót. Jestem bardzo ciekawy, jak to wygląda u Ciebie: czy w Twojej firmie Excel jeszcze żyje? Napisz w komentarzu.

📈 W tym odcinku zamiast o technologii mówię o tym, co moim zdaniem naprawdę zdecydowało, że przeszedłem drogę od polonisty przez analityka i architekta danych do przedsiębiorcy. Zauważyłem, że wielu ludzi nie podchodzi do zmiany na poważnie i zbywa ją humorem, ironią, cynizmem albo sarkazmem. Postawa takiego „jokera” w pracy bywa romantyzowana, ale uważam, że to duży błąd. 📈 Opowiadam, czym różnią się osoby, którym udaje się przebranżowić, od tych, które rezygnują. Jedne mają w sobie spokojną determinację, a u innych pierwsza trudność, np. brak odpowiedzi na CV, zamienia się w żal i pretensję zamiast w szukanie, co zrobić lepiej. Pokazuję też, jak przekonanie, że wszystko jest bez sensu, staje się samospełniającą się przepowiednią i dlaczego warto traktować świat jak grę, której reguł się uczysz, a nie jak system, który Tobą rządzi. 📈 Ten odcinek jest dla Ciebie, jeśli próbujesz się przebranżowić albo poprawić swoją pozycję zawodową i łapiesz się na tym, że łatwiej Ci żartować z sytuacji niż ją zmienić. Daj znać w komentarzu, czy znasz takiego jokera ze swojej pracy, a może sam nim czasem bywasz.

📈 Rozmawiając z firmami o działach IT, spodziewałem się, że będę musiał bronić sensu pracy programistów i analityków. Okazuje się, że nikt ich nie kwestionuje. Znika za to potrzeba zupełnie innych ról: menadżerów i analityków biznesowych. W tym odcinku opowiadam, skąd moim zdaniem bierze się ta zmiana. 📈 Dopóki AI było tylko czatem, każdy korzystał z niego mniej więcej tak samo. Dziś mamy agentów, długie równoległe sesje i pipeline'y analityczne, a żeby tym dobrze zarządzać, trzeba rozumieć bazy danych, schematy, procesy ETL i raportowanie. Tymczasem spora część pracy menadżerskiej to przesuwanie ticketów w Jirze i ustalanie kolejności zadań, a w tym AI radzi sobie świetnie. Mówię też, dlaczego zespoły techniczne często działają lepiej, kiedy nikt ich nie mikrozarządza. 📈 Na koniec pokazuję, dlaczego nawet młodszy analityk danych, który rozumie podstawy, z pomocą AI zajdzie dalej niż osoba nietechniczna: po prostu wie, o co zapytać. To krótki hot take i moja szczera obserwacja z rynku. Jestem bardzo ciekawy, czy się ze mną zgadzasz, więc daj znać w komentarzu, jak to wygląda u Ciebie.

🟨 ZOSTAŃ ANALITYKIEM 📈 🟦 Kursy: Excel, SQL, PowerBI, Python 🟥 NEWSLETTER = DARMOWE BONUSY 📈 W tym odcinku pokazuję, jak naprawdę pracować z GPT Astra i dlaczego sam model to dopiero początek. Opowiadam o tym, jak zmienił się mój sposób korzystania z AI i dlaczego największą przewagę dały mi nie kolejne modele, ale połączenie ich z GitHubem, Herdr, Linearem i Notion. 📈 Pokazuję też, jak zbudować własny setup, w którym AI zna kontekst mojej pracy, ma dostęp do uporządkowanej wiedzy i może działać na konkretnych zadaniach. Tłumaczę, dlaczego repozytorium na GitHubie, dobrze opisany kontekst i system zarządzania zadaniami są moim zdaniem fundamentem profesjonalnej pracy z Astrą. 📈 Jednocześnie mówię o pułapkach. Nie chcę oddawać AI każdej najprostszej czynności i tracić własnych kompetencji analitycznych. Astra daje ogromne możliwości, ale największą przewagę widzę wtedy, kiedy potrafię połączyć jej możliwości z własnym rozumieniem danych, biznesu i problemu, który naprawdę próbuję rozwiązać.

🟨 ZOSTAŃ ANALITYKIEM 🟦 Kursy: Excel, SQL, PowerBI, Python 🟥 NEWSLETTER = DARMOWE BONUSY 📈 W tym odcinku opowiadam, jak naprawdę korzystałem z AI w pracy analityka danych. I nie, największą zmianą nie było pisanie pięknie brzmiących maili. Dużo więcej dawało mi zarządzanie zadaniami, priorytetami i całym chaosem, który pojawia się, kiedy jednocześnie robisz raport, analizę ad hoc, poprawiasz kod i odpowiadasz na pytania biznesu. 📈 Pokazuję też, gdzie AI faktycznie przyspiesza pracę techniczną. Korzystam z niego przy poprawkach kodu, przypominaniu składni, prototypowaniu dashboardów czy przygotowywaniu pierwszych wersji rozwiązań. Jednocześnie nie wierzę w podejście „AI zrobi wszystko za mnie”. Bez solidnych podstaw z SQL-a, Pythona, Power BI czy komunikacji bardzo szybko przestajesz być osobą, która kontroluje narzędzie. 📈 Na koniec mówię o pracy z agentami AI i o tym, dlaczego moim zdaniem poprzeczka dla analityków właśnie idzie w górę. Coraz łatwiej zrobić coś, co wygląda dobrze na demo. Dużo trudniej stworzyć rozwiązanie, które naprawdę działa i daje wartość biznesowi. Dlatego zamiast bać się AI, wolę wykorzystać je do tego, żeby robić ambitniejsze rzeczy i rozwijać się szybciej.

🟨 ZOSTAŃ ANALITYKIEM 🟦 Kursy: Excel, Power Query, SQL, PowerBI, Python, Data Science 🟥 NEWSLETTER = DARMOWE BONUSY #commentary Komentuję film od  ⁨@christinejiangdata⁩  - https://www.youtube.com/watch?v=hGCKdMsfU7g 📈 W tym odcinku przyglądam się poradom Christine Jiang, doświadczonej analityczki i mentorki, która tłumaczy, czego warto nauczyć się, żeby wejść do analizy danych. Rozmawiamy między innymi o wiedzy branżowej, portfolio, komunikacji i determinacji. 📈 Z większością jej wskazówek się zgadzam, ale w kilku miejscach mocno polemizuję. Szczególnie wtedy, gdy Christine umniejsza znaczenie Pythona i przekonuje, że inne narzędzia mogą dać kandydatowi większą przewagę. 📈 Moim zdaniem zabrakło tutaj najważniejszego elementu, czyli biegłego korzystania z AI. Pokazuję, dlaczego współczesny analityk powinien umieć łączyć narzędzia techniczne, rozumienie biznesu i AI.

🟨 ZOSTAŃ ANALITYKIEM 📈 🟦 Kursy: Excel, Power Query, SQL, PowerBI, Python, Data Science 🟥 NEWSLETTER = DARMOWE BONUSY 📈 W tym odcinku opowiadam, dlaczego tak naprawdę zostałem analitykiem danych. Przez lata wydawało mi się, że chodziło głównie o lepszą pracę, rozwój i zarobki. Dopiero podczas budowania własnej aplikacji zrozumiałem, że od początku najbardziej fascynowało mnie tworzenie złożonych systemów z mniejszych, połączonych ze sobą elementów. 📈 Wszystko zaczęło się od prostego pliku w Excelu, w którym zapisywałem swoje wydatki. Z czasem pojawiły się raporty, automatyzacje i VBA, a później coraz większe rozwiązania wykorzystywane w pracy. Jeden z takich plików nazwałem nawet Prospero, na cześć czarodzieja z „Burzy” Szekspira. Trochę cringe, ale właśnie dzięki takim projektom rozwijałem umiejętności, które później pozwoliły mi zostać analitykiem i architektem danych. 📈 Pokazuję też, że analiza danych to znacznie więcej niż tabelki i wykresy. To budowanie, rozwijanie i utrzymywanie systemów, które pomagają ludziom pracować lepiej. Jeżeli lubisz rozkładać problemy na części, łączyć ze sobą kolejne klocki i tworzyć rozwiązania, które z czasem stają się coraz większe, praca analityka może dać Ci naprawdę dużo satysfakcji.

🟨 ZOSTAŃ ANALITYKIEM 📈 🟦 Kursy: Excel, Power Query, SQL, PowerBI, Python, Data Science 🟥 NEWSLETTER = DARMOWE BONUSY 📈 Czy AI naprawdę sprawi, że konsultanci i analitycy danych przestaną być potrzebni? W tym odcinku komentuję przemyślenia byłego konsultanta McKinsey i sprawdzam, dlaczego te dwa zawody mierzą się dziś z bardzo podobnymi obawami. 📈 Największy błąd polega na utożsamianiu pracy konsultanta z prezentacją, a pracy analityka z gotowym dashboardem. AI potrafi wygenerować dokument, kod albo wykres, ale nie oznacza to jeszcze, że rozumie firmę, jej procesy i decyzje, które trzeba podjąć. 📈 Pokazuję też, dlaczego przyszłością analityków nie jest samo tworzenie raportów, lecz organizowanie całego procesu raportowania i wdrażanie AI w realnych firmach. Moim zdaniem wygrają nie zespoły zastąpione przez AI, ale ludzie, którzy nauczą się analizować z AI, przez AI i dzięki AI.

🟨 ZOSTAŃ ANALITYKIEM 📈 https://kajodata.com/space/ 🟦 Kursy: Excel, Power Query, SQL, PowerBI, Python, Data Science:https://kajodata.com/kursy/ 🟥 NEWSLETTER = DARMOWE BONUSY: https://kajodata.com/newsletter/ 📈 Czy żałuję odejścia z dobrze płatnego i stabilnego etatu? W tym odcinku opowiadam, dlaczego odpowiedź nie jest tak prosta, jak mogłoby się wydawać. Wracam też do wcześniejszych momentów, w których musiałem porzucić bezpieczną ścieżkę i zacząć od nowa. 📈 Prawo, polonistyka, hotelarstwo, analiza danych, a w końcu własna firma. Każda z tych zmian wiązała się z utratą czegoś wartościowego. Komfortu, pozycji, pieniędzy albo świata, w którym zdążyłem już nauczyć się sprawnie poruszać. 📈 Nie uważam, że zawsze trzeba ryzykować i rzucać wszystko bez planu. Wierzę jednak, że warto rozpoznawać, kiedy podejmujemy decyzję rozsądnie, a kiedy po prostu wycofujemy się ze strachu. Bo bezpieczeństwo ma swoją cenę, ale niewykorzystane możliwości również.

🟨 ZOSTAŃ ANALITYKIEM 📈 🟦 Kursy: Excel, Power Query, SQL, PowerBI, Python, Data Science 🟥 NEWSLETTER = DARMOWE BONUSY 📈 W tym odcinku pokazuję, jak zmieniały się moje zarobki na kolejnych etapach kariery w analizie danych. Wszystkie wynagrodzenia przeliczyłem na dzisiejszą siłę nabywczą, dzięki czemu można uczciwiej porównać mój start jako analityka z późniejszymi stanowiskami w BI i architekturze danych. 📈 Opowiadam o zmianie firmy, awansach, negocjacjach i rozwijaniu umiejętności, które pozwalały mi sięgać po coraz bardziej odpowiedzialne role. Pokazuję też, jak duże znaczenie dla wynagrodzenia mogą mieć dobry przełożony, odpowiedni moment i gotowość do szukania nowych możliwości. 📈 Ta historia dobrze pokazuje, że rosnąca pensja na papierze nie zawsze oznacza równie szybki wzrost poziomu życia. Inflacja potrafi zjeść sporą część podwyżki, dlatego w odcinku patrzę nie tylko na kolejne liczby, ale przede wszystkim na decyzje, które najmocniej wpłynęły na moją karierę.

🟨 ZOSTAŃ ANALITYKIEM 📈 🟦 Kursy: Excel, Power Query, SQL, PowerBI, Python, Data Science 🟥 NEWSLETTER = DARMOWE BONUSY 📈 W tym odcinku pokazuję pięć finansowych metryk, które powinien rozumieć każdy analityk. Omawiam COGS, contribution margin, OPEX, net profit margin oraz proporcję kosztów stałych do zmiennych. 📈 Tłumaczę, dlaczego rosnący przychód nie zawsze oznacza zdrowy biznes i jak koszty potrafią po cichu zjadać jego rentowność. Pokazuję też, dlaczego dobry wynik kampanii reklamowej nie musi jeszcze oznaczać, że firma rzeczywiście zarabia. 📈 Ten odcinek jest dla osób, które chcą wyjść poza Excela, SQL-a i tworzenie raportów. Bo dobry analityk nie tylko liczy dane, ale rozumie, co te liczby naprawdę mówią o biznesie.