Dlaczego: Branża danych jest szeroka; musisz wiedzieć, czy celujesz w analitykę biznesową (BI), produktową czy finansową.

Jak:

Przeczytaj o różnicach między Data Analyst, Business Analyst i Data Scientist.
Wybierz jedną domenę (np. E-commerce lub Finanse), która Cię interesuje.
Sprawdź raporty płacowe (np. No Fluff Jobs) dla wybranej roli.

Gotowe, gdy: Masz wybraną jedną konkretną ścieżkę specjalizacji.

Dlaczego: Bez zrozumienia rozkładów i miar tendencji centralnej nie zinterpretujesz poprawnie żadnego zbioru danych.

Jak:

Naucz się obliczać średnią, medianę, modę oraz odchylenie standardowe.
Zrozum pojęcie rozkładu normalnego i wartości odstających (outliers).
Wykorzystaj darmowe zasoby Khan Academy (dział Statistics).

Gotowe, gdy: Potrafisz wyjaśnić różnicę między średnią a medianą na przykładzie zarobków.

Dlaczego: To klucz do wyciągania wniosków, które nie są dziełem przypadku (istotność statystyczna).

Jak:

Zrozum pojęcie p-value oraz błędu I i II rodzaju.
Naucz się podstawowych testów: t-test oraz Chi-kwadrat.
Przeczytaj artykuły o testach A/B w biznesie.

Gotowe, gdy: Rozumiesz, kiedy wynik analizy jest statystycznie istotny.

Dlaczego: Analityk, który nie potrafi sprzedać swoich wniosków, jest bezużyteczny dla biznesu.

Jak:

Skup się na rozdziałach o usuwaniu zbędnych elementów z wykresów (clutter).
Naucz się kierować wzrokiem odbiorcy za pomocą kontrastu.
Zastosuj zasadę 'pre-attentive attributes'.

Gotowe, gdy: Przeczytana książka i wynotowane 5 zasad tworzenia czytelnych wykresów.

Dlaczego: Excel to wciąż najpopularniejsze narzędzie do szybkiej ad-hoc analizy w firmach.

Jak:

Opanuj funkcje wyszukiwania: XLOOKUP (następca VLOOKUP).
Naucz się tworzyć tabele przestawne (Pivot Tables) i fragmentatory.
Poznaj Power Query do automatyzacji czyszczenia danych.

Gotowe, gdy: Potrafisz połączyć dwa pliki CSV i stworzyć z nich raport przestawny w 10 minut.

Dlaczego: SQL to absolutny fundament (wymagany w 90% ofert). PostgreSQL to standard rynkowy.

Jak:

Pobierz i zainstaluj PostgreSQL Server.
Zainstaluj DBeaver (darmowy, uniwersalny klient SQL).
Załaduj przykładową bazę danych (np. 'DVD Rental' lub 'Northwind').

Gotowe, gdy: Masz działające połączenie z lokalną bazą danych.

Dlaczego: Musisz umieć samodzielnie wyciągać dane z baz bez pomocy programistów.

Jak:

Ćwicz klauzule: SELECT, FROM, WHERE, GROUP BY, HAVING.
Opanuj łączenie tabel: INNER JOIN, LEFT JOIN.
Korzystaj z platformy SQLZoo lub Mode Analytics do darmowych ćwiczeń.

Gotowe, gdy: Piszesz zapytania łączące 3 tabele z agregacją danych.

Dlaczego: To te umiejętności odróżniają juniora od samodzielnego analityka w 2025 roku.

Jak:

Naucz się pisać czytelny kod za pomocą CTE (WITH clause).
Opanuj funkcje okna: RANK(), ROW_NUMBER(), SUM() OVER().
Zrozum różnicę między podzapytaniem a CTE.

Gotowe, gdy: Potrafisz obliczyć średnią kroczącą sprzedaży za pomocą SQL.

Dlaczego: Python pozwala na zaawansowaną statystykę i automatyzację, której nie zrobi Excel.

Jak:

Zainstaluj dystrybucję Anaconda lub samo środowisko VS Code z rozszerzeniem Python.
Uruchom pierwszy Jupyter Notebook.
Zainstaluj biblioteki: pandas, numpy, matplotlib, seaborn.

Gotowe, gdy: Wyświetlasz 'Hello World' w komórce Jupyter Notebook.

Dlaczego: Pandas to 'Excel na sterydach' i standard w pracy z danymi w Pythonie.

Jak:

Naucz się wczytywać pliki (read_csv).
Opanuj filtrowanie, grupowanie (groupby) i merge'owanie DataFrame'ów.
Przerób darmowy kurs 'Kaggle Learn: Pandas'.

Gotowe, gdy: Potrafisz wyczyścić zbiór danych z brakujących wartości (NaN) w Pythonie.

Dlaczego: Narzędzia BI służą do tworzenia dashboardów, które monitoruje zarząd firmy.

Jak:

Pobierz darmową wersję Power BI Desktop ze strony Microsoft.
Zaimportuj prosty plik Excel.
Stwórz pierwszy wykres słupkowy i kołowy.

Gotowe, gdy: Masz zainstalowane narzędzie i wyświetlasz w nim dane z Excela.

Dlaczego: Musisz pracować na realnych, 'brudnych' danych, aby pokazać proces myślowy.

Jak:

Wejdź na kaggle.com i znajdź zbiór dotyczący np. sprzedaży e-commerce lub churnu klientów.
Pobierz pliki CSV.
Przeczytaj dokumentację kolumn (metadata).

Gotowe, gdy: Masz wybrany i pobrany zbiór danych do pierwszego projektu.

Dlaczego: 80% pracy analityka to czyszczenie danych. Pokaż, że to potrafisz.

Jak:

Usuń duplikaty i obsłuż brakujące dane.
Znormalizuj formaty dat i tekstu.
Udokumentuj każdy krok w pliku README na GitHubie.

Gotowe, gdy: Masz czysty zbiór danych gotowy do analizy.

Dlaczego: To Twój główny 'produkt' wizualny dla rekrutera.

Jak:

Wykorzystaj wyczyszczone dane.
Dodaj filtry (daty, regiony, kategorie).
Zastosuj zasady storytellingu (najważniejsze KPI na górze po lewej).

Gotowe, gdy: Dashboard jest gotowy i opublikowany (np. jako PDF lub link do Power BI Service).

Dlaczego: GitHub to Twoje techniczne CV. Rekruterzy sprawdzają tam jakość Twojego kodu.

Jak:

Stwórz nowe repozytorium.
Dodaj pliki .sql lub .ipynb.
Napisz profesjonalne README: Cel projektu, użyte narzędzia, wnioski biznesowe.

Gotowe, gdy: Link do projektu jest publicznie dostępny.

Dlaczego: Większość ofert w IT/Data przechodzi przez LinkedIn.

Jak:

Dodaj słowa kluczowe: SQL, Python, Power BI, Data Visualization.
W sekcji 'Featured' dodaj link do swojego portfolio na GitHub.
Ustaw status 'Open to work' (widoczny tylko dla rekruterów).

Gotowe, gdy: Profil zawiera wszystkie kluczowe skille i link do projektów.

Dlaczego: Relacje budują karierę szybciej niż same aplikacje.

Jak:

Znajdź 5 osób pracujących jako Data Analyst w firmach, które Cię interesują.
Wyślij spersonalizowane zaproszenia (bez prośby o pracę, z pytaniem o ich ścieżkę).
Dołącz do grup tematycznych (np. 'Data Science PL').

Gotowe, gdy: Wysłano 5 spersonalizowanych wiadomości.

Dlaczego: Musisz wiedzieć, czego brakuje w Twoim arsenale, by celnie aplikować.

Jak:

Przejrzyj 10 ogłoszeń na Junior Data Analyst.
Wypisz powtarzające się wymagania, których jeszcze nie spełniasz.
Zaplanuj naukę tych braków na kolejne 2 tygodnie.

Gotowe, gdy: Masz listę 3 konkretnych tematów do nadrobienia.

Dlaczego: Test SQL to standardowy etap rekrutacji. Musisz pisać kod pod presją czasu.

Jak:

Rozwiązuj zadania na LeetCode (sekcja Database) lub HackerRank.
Powtórz różnice między WHERE a HAVING.
Przećwicz pisanie zapytań na kartce (whiteboarding).

Gotowe, gdy: Rozwiązujesz zadania 'Easy' i 'Medium' na LeetCode bez zaglądania do dokumentacji.

Dlaczego: Masowe wysyłanie CV nie działa. Jakość wygrywa z ilością.

Jak:

Do każdej aplikacji dołącz krótki list motywacyjny (lub wiadomość na LinkedIn).
Wskaż, jak Twoje projekty z portfolio rozwiązują problemy danej firmy.
Śledź statusy aplikacji w prostym arkuszu Excel.

Gotowe, gdy: Wysłano 5 dopracowanych aplikacji w bieżącym tygodniu.

Data analyst – ścieżka kariery

Projekt-Plan