Kurs "Zawód Analityka danych"

Opanuj dochodowy zawód IT podczas 32 praktycznych lekcji.

Nauczysz się od podstaw pracy z dużą ilością informacji, analizowania danych, znajdowania ważnych wniosków i tworzenia zrozumiałych raportów. Program kursu zawiera realne, praktyczne zadania, które pozwolą Ci rozpocząć pracę od razu po ukończeniu studiów.

Zapisz się na kurs

Czytaj więcej

Do pierwszej podwyżki ceny zostało:

07

Dni

02

Godzin

03

Minut

52

Sekund

Kurs rozwiąże takie problemy jak:

Niskie zarobki i niezadowolenie z obecnej pracy:

Analityka danych to jeden z najbardziej dochodowych obszarów branży IT. Po naszym kursie zdobędziesz umiejętności, które uczynią Cię specjalistą w tej niezwykle opłacalnej niszy. Praca analityka danych jest różnorodna i interesująca, co gwarantuje brak nudy. Co więcej, będziesz nieustannie rozwijać swoje kompetencje i poprawiać sytuację finansową.

Brak poczucia własnej wartości w pracy:

*Nasz kurs umożliwi Ci rozwój dodatkowych umiejętności, cenionych również w pokrewnych zawodach. Dzięki temu wyróżnisz się na tle innych kandydatów, zwiększysz swoje szanse na zdobycie lepszej pracy lub wynegocjowanie podwyżki, co przełoży się na większą pewność siebie i satysfakcję z pracy.

Rozpoczęcie pracy w branży z minimalnym doświadczeniem:

Studenci, absolwenci kierunków informatycznych, pasjonaci oraz początkujący analitycy danych, którzy posiadają podstawową wiedzę w branży, ale potrzebują wsparcia w znalezieniu pierwszej pracy, znajdą to, czego szukają w naszym kursie. Zajęcia są prowadzone przez eksperta z wieloletnim doświadczeniem, który nakieruje Cię na odpowiednią ścieżkę kariery, udzielając praktycznych porad i wskazówek.

Co robi Analityk Danych:

Analityk danych to specjalista zajmujący się pozyskiwaniem, przetwarzaniem i interpretacją danych, aby wspierać organizacje w podejmowaniu decyzji opartych na faktach.

Na podstawie raportów stworzonych przez analityków firmy mogą zaoszczędzić dużo pieniędzy i zyskać dochód z innych projektów, co powoduje, że analityk danych jest integralną częśсią sukcesu każdej firmy, a pracodawcy, którzy cenią nowoczesne podejście do biznesu są skłonni dobrze płacić za takie usługi.

Zalety pracy na stanowisku analityka danych:

Wysokie zapotrzebowanie na rynku

Start w IT

Wygodne warunki zatrudnienia (prywatne ubezpieczenie zdrowotne, dofinansowania do zajęć sportowych, urlopy)

Stała praca na przyszłość

Praca zdalna lub hybrydowa

Czego nauczysz się na kursie

Po ukończeniu kursu uzyskasz wiedzę w tych zakresach:

Programowanie w języku Python

Podstawowy język programowania wykorzystywany w analizie danych. Uczy m.in. obróbki danych, tworzenia wizualizacji, modelowania statystycznego.

Programowanie w języku Python

Podstawowy język programowania wykorzystywane w analizie danych. Uczy m.in. obróbki danych, tworzenia wizualizacji, modelowania statystycznego.

SQL

Język zapytań do baz danych, niezbędny do wyciągania i przetwarzania danych.

Narzędzie Tableau

Narzędzie do tworzenia wizualizacji danych i raportów interaktywnych.

Praca z bazami danych

Zapytania, filtrowanie danych, łączenie tabel, optymalizacja zapytań.

Program kursu

Kurs obejmuje 7 modułów zawierających 29 praktycznych lekcji.

1. Wprowadzenie do baz danych i pierwsze zapytania SQL
- Czym jest relacyjna baza danych, tabela, wiersz, kolumna — na przykladzie bazy e-commerce
- Google BigQuery jako platforma kursu: logowanie, interfejs, ladowanie danych z CSV
- Pierwsze zapytanie: SELECT, FROM, WHERE — filtrowanie danych po warunkach
- ChatGPT jako asystent SQL od pierwszej lekcji: uczestnik opisuje po polsku co chce wybrac, AI generuje SQL, uczestnik uruchamia i interpretuje wynik

2. Filtrowanie zaawansowane i operatory logiczne
- Operatory: AND, OR, NOT, IN, BETWEEN, LIKE — budowanie zlozonych filtrow
- Wartosc NULL: czym jest, jak jej szukac (IS NULL, IS NOT NULL), dlaczego jest wazna
- Kolejnosc wynikow: ORDER BY, ograniczanie liczby wynikow: LIMIT
- Cwiczenie AI-assisted: uczestnik dostaje liste zadan biznesowych w jezyku polskim i dla kazdego generuje SQL z pomoca ChatGPT, nastepnie weryfikuje i poprawia

3. Funkcje tekstowe i operacje na tekście
- Funkcje tekstowe: CONCAT, SUBSTRING, UPPER, LOWER, LENGTH, TRIM — laczenie i czyszczenie tekstu
- Praktyczne zastosowanie: standaryzacja nazw produktow, laczenie imienia i nazwiska, usuwanie zbednych spacji
- Cwiczenie: czyszczenie brudnych danych tekstowych w tabeli klientow — ujednolicenie formatow przez SQL
- AI do wyjasnienia funkcji: uczestnik pyta ChatGPT 'co robi ta funkcja i kiedy jej uzywac' po zobaczeniu wyniku zapytania

4. Funkcje daty, czasu i numeryczne
- Funkcje daty: DATE_DIFF, DATE_ADD, FORMAT_DATE, EXTRACT — obliczanie roznicy dat, wyciaganie roku/miesiaca
- Funkcje numeryczne: ROUND, FLOOR, CEIL, ABS — zaokraglanie i transformacja liczb
- Praktyczne zastosowanie: wiek klienta od daty urodzenia, dni od ostatniego zakupu, zaokraglenie kwot do groszy
- Cwiczenie: analiza aktywnosci klientow — kiedy ostatnio kupowali, jak dlugo sa klientami (tenure)

5. JOINy — laczenie tabel
- Klucze glowne i obce — jak tabele sa ze soba powiazane na przykladzie bazy zamowien
- INNER JOIN, LEFT JOIN, RIGHT JOIN — roznice i kiedy ktory stosowac z wizualna ilustracja
- Praktyczny case: laczenie tabeli zamowien z tabela klientow i tabela produktow w jednym zapytaniu
- Cwiczenie: znalezienie klientow, ktorzy zamowili okreslona kategorie produktow — z uzyciem dwoch JOINow

6. Agregacje — GROUP BY i funkcje agregujace
- Funkcje agregujace: COUNT, SUM, AVG, MIN, MAX — obliczanie statystyk na grupach
- GROUP BY i HAVING — grupowanie danych i filtrowanie grup po agregacji
- Roznica miedzy WHERE (filtruje wiersze) i HAVING (filtruje grupy) — typowy blad poczatkujacych
- Cwiczenie: ranking top 10 kategorii produktow wg przychodu, srednia wartosc zamowienia per kraj

7. Podzapytania, widoki i logika warunkowa
- Podzapytania (subqueries): zapytanie wewnatrz zapytania — kiedy i po co
- CASE WHEN: logika warunkowa w SQL — tworzenie nowych kategorii z istniejacych danych
- COALESCE i NULLIF — obsluga wartosci NULL przy obliczeniach
- Widoki (VIEW): zapisywanie zlozonych zapytan jako widok dla wielokrotnego uzycia
- Cwiczenie: segmentacja klientow na VIP / regularny / nowy na podstawie kwoty zakupow przez CASE WHEN

8. Czyszczenie danych przez SQL
- Identyfikacja problemow z jakoscia danych: duplikaty, braki, niespojne formaty, wartosci odstajace
- SQL do czyszczenia: usuwanie duplikatow przez ROW_NUMBER(), standaryzacja przez CASE WHEN i TRIM
- Cwiczenie: audit jakosci danych w tabeli klientow — raport z liczbq bledow per kolumna
- ChatGPT do diagnostyki: uczestnik opisuje problem z danymi, AI sugeruje zapytanie SQL do jego wykrycia i naprawy

9. Window Functions — RANK, LAG, SUM OVER
- Czym sa window functions i dlaczego sa obowiazkowe na rynku pracy DA — to pytanie na kazdej rekrutacji
- ROW_NUMBER(), RANK(), DENSE_RANK() — nadawanie numerow i rankinguow w grupach
- LAG(), LEAD() — porownanie wartosci z poprzednim lub nastepnym wierszem (zmiana sprzedazy miesiac do miesiaca)
- SUM() OVER(PARTITION BY) — suma krocaca i suma w grupie bez GROUP BY
- Cwiczenie AI-assisted: ranking sprzedawcow per region i procentowa zmiana przychodu miesiac/miesiac

10. CTE i optymalizacja zapytan
- CTE (Common Table Expressions) — WITH clause: rozbijanie zlozonych zapytan na czytelne kroki
- Dlaczego CTE jest lepsze od zagniezdzon podzapytan: czytelnosc, latwosc debugowania, wielokrotne uzycie
- Podstawy optymalizacji: partycjonowanie w BigQuery, unikanie SELECT *, kiedy zapytanie jest powolne
- Projekt SQL: kompleksowa analiza bazy e-commerce — top klientow, retencja miesieczna, LTV, produkty z najwyzszym zwrotem — z uzyciem min. 1 window function i 1 CTE, kod zapisany na GitHub

1. Wprowadzenie do Pythona i Google Colab
- Dlaczego Python jest jezykiem numer 1 dla analitykow danych — przeglad rynku pracy
- Google Colab: srodowisko w przegladarce, bez instalacji, notebooks, podlaczenie do Google Drive
- Podstawy Pythona: typy danych (int, float, string, bool, list, dict), zmienne, operatory
- Pierwsze petle i instrukcje warunkowe (if/else, for) — logika budowania kodu krok po kroku
- GitHub Copilot setup: rejestracja GitHub Education, aktywacja Copilot, pierwsze podpowiedzi w Colabie

2. Funkcje i Claude jako asystent debugowania
- Tworzenie wlasnych funkcji w Pythonie: def, argumenty, return — modularyzacja kodu
- Claude.ai jako asystent debugowania: jak wklejac blad do Claude, jak opisac kontekst, jak interpretowac sugestie naprawy
- Cwiczenie celowo zepsutego kodu: uczestnik dostaje skrypt z 5 bledami, naprawia je przy pomocy Claude — bez samodzielnego szukania w Google
- Rozroznienie: kiedy pytac Claude (nie rozumiem bledu), kiedy Copilot (chce napisac nowa funkcje), kiedy ChatGPT (chce wygenerowac caly skrypt)

3. Pandas — ladowanie i eksploracja danych
- Wprowadzenie do biblioteki Pandas: DataFrame i Series jako glowne struktury danych
- Ladowanie danych z CSV, Excel i URL: pd.read_csv(), pd.read_excel()
- Eksploracja zestawu danych: .head(), .info(), .describe(), .shape, .dtypes, .value_counts()
- GitHub Copilot w akcji: uczestnik pisze komentarz 'wczytaj CSV i pokaz pierwsze 10 wierszy z kolumnami: imie, sprzedaz, data' — Copilot generuje kod, uczestnik analizuje

4. Pandas — filtrowanie, sortowanie i transformacje
- Filtrowanie wierszy: boolean indexing, .loc[], .iloc[], filtrowanie po wielu warunkach
- Sortowanie: .sort_values(), .sort_index(). Wybieranie kolumn i zmienianie ich nazw: .rename()
- Tworzenie nowych kolumn przez obliczenia i zastosowanie funkcji: .apply(), lambda
- Cwiczenie z Claude: uczestnik ma gotowy dataset i liste transformacji do wykonania — popelnia bledy, naprawia z Claude, uczy sie z wyjasnien

5. Czyszczenie danych w Pandas
- Wykrywanie i obsluga brakujacych wartosci: .isnull(), .dropna(), .fillna() — strategie uzupelniania
- Usuwanie duplikatow: .duplicated(), .drop_duplicates(). Zmiana typow danych: .astype()
- Standaryzacja tekstu: .str.lower(), .str.strip(), .str.replace() — analogia do SQL z M2
- Cwiczenie: audit jakosci danych — raport z procentem brakow per kolumna, decyzja co z nimi zrobic

6. Grupowanie, agregacje i laczenie zestawow
- Grupowanie danych: .groupby() z funkcjami agregujacymi (sum, mean, count, nunique)
- Pivot table w Pandas: pd.pivot_table() — analogia do Excel i SQL GROUP BY
- Laczenie zestawow danych: pd.merge() (analogia JOIN z SQL), pd.concat() (doklejanie wierszy)
- Dane czasowe: konwersja na datetime, .dt.year, .dt.month, resample() do agregacji po czasie
- Copilot do pisania grupowania: uczestnik opisuje co chce obliczyc, Copilot generuje groupby, uczestnik weryfikuje wynik

7. Wizualizacje — Matplotlib i Seaborn
- Matplotlib: podstawy (figure, axes), wykresy liniowe, slupkowe, kolowe, punktowe — anatomia wykresu
- Dostosowywanie: tytuly (plt.title), etykiety osi, legendy, palety kolorow, rozmiar figury
- Seaborn: heatmapa korelacji (sns.heatmap), wykresy par (sns.pairplot), dystrybuanty (sns.histplot)
- Cwiczenie: kompletna analiza wizualna zestawu danych — min. 4 rozne typy wykresow z opisem co pokazuja
‍
8. Zaawansowany Pandas — szeregi czasowe i EDA
- Exploratory Data Analysis (EDA): systematyczne odkrywanie danych przed analiza wlasciwa — standardowy workflow
- Szeregi czasowe: indeksowanie po dacie, rolling window, zmiana procentowa (.pct_change())
- Cwiczenie EDA na danych HR (rotacja pracownikow): profil osoby odchodzacej vs pozostajacej, wizualizacje, wnioski
- Claude do interpretacji: uczestnik wkleja wyniki EDA (liczby i wykresy), Claude pomaga sformulowac wnioski biznesowe

9. Vibe Coding — tworzenie aplikacji przez prompty
- Czym jest vibe coding: opis pozadanego efektu w jezyku naturalnym -> dzialajacy kod; analogia do opisanej aplikacji do generowania media planow
- Narzedzia: ChatGPT i Codex do generowania kodu Streamlit lub skryptow Python
- Cwiczenie krok po kroku: uczestnik opisuje prosta aplikacje ('kalkulator ROI kampanii: wejscie: budzet, przychod; wyjscie: ROI w %, wykres'') — AI generuje kod — uczestnik uruchamia, testuje, iteruje przez prompt
- Zasady vibe codingu: jak opisywac aplikacje, jak iterowac gdy cos nie dziala, jak nie dac sie wciagnac w naprawianie kodu rcznie
- Efekt: kazdy uczestnik ma dzialajaca, prosta aplikacje biznesowa stworzona bez pisania kodu recznie

10. Git, GitHub i budowanie portfolio
- Git i GitHub: dlaczego wersjonowanie kodu jest absolutnym standardem branzy — 'bez GitHub nie ma portfolio'
- Podstawy Git: init, add, commit, push, pull, clone — workflow codziennej pracy analityka
- Tworzenie repozytorium portfolio: struktura folderow, .gitignore dla Pythona, README.md jako wizytowka projektu
- Cwiczenie: uczestnik publikuje projekt z M3 na GitHub — kod + README z opisem projektu, uzytych narzedzi, instrukcja uruchomienia i kluczowymi wnioskami
- Praca domowa: zaktualizowanie profilu LinkedIn — dodanie sekcji 'Projekty' z linkiem do GitHub i opisem projektu M2 lub M3

1. Wprowadzenie do Power BI — ekosystem i import danych
- Ekosystem Power BI: Desktop (tworzenie raportow), Service (publikacja i udostepnianie), Mobile, Gateway — co kiedy uzywac
- Instalacja Power BI Desktop (Windows / Mac przez emulacje lub VM) — wymagania i typowe bledy
- Import danych: z pliku Excel, CSV, polaczenie z BigQuery — typy polaczen i roznica Import vs DirectQuery
- Interfejs: widok Raport, widok Dane, widok Model — orientacja w narzedziu
‍
‍2. Power Query — transformacja i czyszczenie danych
- Power Query Editor: interfejs, czym jest transformacja danych przed zaladowaniem do modelu
- Podstawowe transformacje: usuwanie wierszy i kolumn, zmiana typow, zastepowanie wartosci, uzupelnianie pustych
- Scalanie (Merge) i dolaczanie (Append) zapytan — laczenie danych z kilku zrodel
- Applied Steps: mechanizm zapisywania krokow transformacji — dlaczego to potezne narzedzie i jak edytowac historyczne kroki

3. Model danych — relacje i schemat gwiazdy
- Tabele faktow i wymiarow: rozroznienie na przykladzie sprzedazy — czym jest fakt (transakcja) vs wymiar (klient, produkt, czas)
- Klucze glowne i obce — jak je znalezc i dlaczego sa fundamentem modelu
- Tworzenie relacji w widoku Model: typy relacji (1:N, N:N), kierunek filtru
- Schemat gwiazdy vs platka sniegu — dlaczego schemat gwiazdy jest standardem raportowania biznesowego; ukladanie i grupowanie tabel

4. DAX — podstawy, miary i kolumny obliczeniowe
- Czym jest DAX i kiedy go uzywac zamiast Power Query — podstawowy podzial
- Miary vs kolumny obliczeniowe: roznica, kiedy co stosowac, znaczenie dla wydajnosci modelu
- Tworzenie miar trzema sposobami: szybkie miary, od podstaw w pasku formuly, z wizualizacji
- Funkcje podstawowe: SUM, AVERAGE, COUNT, COUNTROWS, DISTINCTCOUNT — skladnia i logika; ChatGPT do generowania miar przez opis biznesowy

5. DAX zaawansowany — CALCULATE i konteksty
- Kontekst wiersza i kontekst filtru — dwa fundamentalne pojecia DAX, od ktorych zalezy poprawnosc miar
- CALCULATE: najwazniejsza funkcja DAX — zmiana kontekstu obliczen, zastosowania
- FILTER i ALL: filtrowanie w miarach i usuwanie filtrow dla obliczen niezaleznych od selekcji
- Miary biznesowe krok po kroku: marza procentowa, udzial regionu w calkowitej sprzedazy, wzrost rok do roku (YoY growth)

6. Podstawowe wizualizacje i typy tablic
- Typy wykresow: liniowy, slupkowy, kolowy, punktowy — charakterystyka i kiedy ktory stosowac; jakich wykresow unikac
- Typy tabel: tabela, macierz, karty z jednym wierszem / wieloma wierszami — formatowanie i kiedy co
- Formatowanie wizualizacji: paleta kolorow, tytuly, czcionki, etykiety danych, formatowanie osi
- Hierarchie danych: automatyczne (rok -> miesiac) i wlasne — dodawanie do wizualizacji, drill-down

7. Zaawansowane wizualizacje i slicery
- Zaawansowane typy wizualizacji: mapa cieplna, treemap, bullet chart, wykres wodospadowy
- Fragmentatory (slicery): typy (lista, suwak, data), synchronizacja miedzy stronami, formatowanie
- Roznica miedzy slicer a filtrem raportu: kiedy co ulatwia uzytkownikowi obsluge
- Mapy i wizualizacje geograficzne: dane lokalizacyjne w Power BI, mapa babelkow
- Custom visuals: biblioteka AppSource, Microsoft Certified tag — jak oceniac jakosc niestandardowych wizualizacji
‍
8. Interaktywny dashboard — projektowanie i UX
- Zasady UX dashboardu: od ogolu do szczegolu, logiczny uklad, minimalizm kolorow — mniej jest wiecej
- Tworzenie wielostronicowego raportu: podzial na strony tematyczne, nawigacja przez przyciski
- Laczenie wizualizacji w spojny widok: KPI, wykres trendu, mapa, tabela — na jednej stronie
- Power BI Copilot: generowanie narracji tekstowej do dashboardu ('opisz co widac na tym raporcie'), auto-insights

9. Publikacja i udostepnianie — Power BI Service
- Publikacja raportu z Desktop do Power BI Service: proces krok po kroku
- Udostepnianie: link publiczny vs uprawnienia dla wybranych uzytkownikow — kontrola dostepu
- Odswiezanie danych: scheduled refresh, Data Gateway dla danych on-premise
- Projekt modulu: executive dashboard sprzedazowy — min. 5 miar DAX, 3 strony, interaktywne filtry, AI-generated insights; opublikowany link do portfolio

10. Jak zrobic projekt analityczny — analiza przykładowa krok po kroku
- Wykladowca prowadzi kompletna analize na nowym zestawie danych (innym niz projekt uczestnika) — live coding i live thinking
- Krok 1: formulowanie pytan biznesowych z surowych danych (co chcemy sie dowiedziec?)
- Krok 2: eksploracja i czyszczenie danych — identyfikacja problemow, decyzje jak je rozwiazac, uzasadnienie
- Krok 3: analiza SQL lub Python — kluczowe zapytania i obliczenia z komentarzem 'dlaczego to a nie tamto'
- Krok 4: wizualizacja w Power BI lub Tableau + executive summary — gotowy produkt do portfolio

Dowiesz się również

It is a long established fact that a reader will be distracted by the readable content of a page when looking at its layout.

Najważniejsze informacje o kursie

32 praktycznych lekcji online

Uczestniczysz w lekcjach online prowadzonych na żywo przez specjalistę. Do udziału w zajęciach wystarczy laptop lub komputer z dostępem do internetu.

Kontakt z prowadzącą i grupą

W trakcie kursu będziesz mieć dostęp do wspólnej grupy na Discordzie, gdzie nie tylko będziesz mógł komunikować się z nauczycielem i otrzymywać szybką informację zwrotną, ale także nawiążesz nowe znajomości z osobami o podobnych poglądach i celach.

Teoria, praktyka i projekt koncowy

Nasz kurs skupia się głównie na zajęciach praktycznych, jednocześnie nie zabraknie teorii, która jest niezbędna.

Na koniec kursu będziesz mieć gotowy projekt, potwierdzający Twoje umiejętności.

Chcę dołączyć

Prowadząca kurs:
Hanna Sarnecka

Doświadczona Product Analyst z 7-letnim doświadczeniem w analizie danych w międzynarodowych organizacjach. Od 4 lat specjalizuje się w analizie produktowej oraz testach A/B, pomagając zespołom podejmować decyzje oparte na danych i rozwijać produkty cyfrowe.

Obecnie pracuje w Allegro, gdzie odpowiada za analizę danych w obszarze Delivery Experience. W codziennej pracy wykorzystuje SQL (BigQuery), Python oraz Tableau, przekładając wyniki analiz i eksperymentów na konkretne usprawnienia doświadczeń użytkowników.

Wcześniej zdobywała doświadczenie w Nokii, pracując z narzędziami takimi jak Excel i Power BI. Aktywnie dzieli się wiedzą z zakresu statystyki, testów A/B i Machine Learningu, stawiając na praktyczne wykorzystanie analityki w biznesie.

7 lat doświadczenia w analizie danych i produktów cyfrowych

Specjalizacja: testy A/B, statystyka i analityka produktowa

Allegro, SQL, Python i Tableau w praktyce biznesowej

Wypełnij formularz i dowiedz się wszystkiego o kursie

+1500 absolwentów ukończyło już kurs w 2025 r.

Thank you! Your submission has been received!

Oops! Something went wrong while submitting the form.

Kurs "Zawód Analityka danych"

Rozszerzony pakiet nauki — AI i Soft Skills

AI (hard skills)

Soft Skills

Kurs rozwiąże takie problemy jak:

Co robi Analityk Danych:

Zalety pracy na stanowisku analityka danych:

Czego nauczysz się na kursie

Program kursu

Dowiesz się również

Najważniejsze informacje o kursie

Prowadząca kurs:
Hanna Sarnecka

Kurs "Zawód Analityka danych"

Rozszerzony pakiet nauki — AI i Soft Skills

AI (hard skills)

Soft Skills

Kurs rozwiąże takie problemy jak:

Co robi Analityk Danych:

Zalety pracy na stanowisku analityka danych:

Czego nauczysz się na kursie

Program kursu

Dowiesz się również

Najważniejsze informacje o kursie

Prowadząca kurs: Hanna Sarnecka

Prowadząca kurs:
Hanna Sarnecka