Przebranżowienie na data analyst: plan nauki na 90 dni

Kim jest data analyst i czy to dla ciebie

Zakres obowiązków w realnych firmach

Data analyst (analityk danych) to osoba, która zamienia surowe dane na decyzje biznesowe. Pracuje między światem technicznym (bazy danych, narzędzia BI) a światem biznesu (marketing, sprzedaż, finanse, operacje).

Typowy zakres obowiązków data analysta w firmach to między innymi:

• przygotowywanie raportów cyklicznych (tygodniowych, miesięcznych, kwartalnych),
• analizy ad-hoc na potrzeby menedżerów (odpowiadanie na konkretne pytania),
• budowa i utrzymanie dashboardów w narzędziach typu Power BI, Tableau, Looker Studio,
• pisanie zapytań SQL do hurtowni/baz danych,
• weryfikacja poprawności danych, wyłapywanie anomalii i błędów,
• przygotowywanie prostych prognoz, segmentacji i rekomendacji działań,
• prezentowanie wniosków na spotkaniach z biznesem.

W praktyce dzień data analysta wygląda najczęściej tak:

• rano: przegląd kluczowych metryk (sprzedaż, ruch, konwersje, koszty), krótkie spotkanie z zespołem,
• blok skupienia: praca w SQL i Excelu/BI nad konkretną analizą lub raportem,
• południe: konsultacje z biznesem – doprecyzowanie pytań, wytłumaczenie dotychczasowych wyników,
• popołudnie: praca nad dashboardami, porządkowaniem danych, dokumentacją.

Warto rozróżnić kilka ról, które często się mylą:

Rola	Główny fokus	Typowe narzędzia
Data Analyst	Analiza historycznych danych, raportowanie, odpowiedzi na pytania biznesu	SQL, Excel/Sheets, Power BI/Tableau/Looker, czasem Python/R
BI Analyst	Budowa i utrzymanie warstwy raportowej, model danych, dashboardy	Power BI, Tableau, narzędzia ETL, SQL
Data Scientist	Modele predykcyjne, machine learning, eksperymenty	Python/R, biblioteki ML, czasem SQL, narzędzia chmurowe

Przebranżowienie w 90 dni celuje przede wszystkim w poziom data analyst / junior BI analyst, czyli rolę, w której największe znaczenie ma SQL, Excel i narzędzie BI, a nie zaawansowany machine learning.

Jakie predyspozycje pomagają, a jakie nie są konieczne

Do pracy jako analityk danych przydają się konkretne cechy, ale część stereotypów warto wyrzucić do kosza.

Pomagają zwłaszcza:

• myślenie logiczne i strukturyzowanie problemów – umiesz rozbić duży problem na mniejsze kroki,
• ciekawość biznesu – chcesz zrozumieć, na czym firma zarabia i co wpływa na wynik,
• dociekliwość – nie zadowalasz się pierwszą odpowiedzią, drążysz „dlaczego?”,
• komunikatywność – potrafisz w prosty sposób wytłumaczyć skomplikowaną rzecz,
• samodzielność w nauce – nie boisz się szukania odpowiedzi w dokumentacji, na forach, w Google.

Matematyka jest potrzebna, ale na znacznie niższym poziomie, niż wiele osób się obawia. W większości ról data analyst wystarczy:

• solidne ogarnięcie procentów, ułamków, średnich,
• podstawy statystyki opisowej (średnia, mediana, odchylenie standardowe),
• intuicyjne rozumienie korelacji, rozkładów, próbki vs populacja.

Nie musisz kochać rachunku różniczkowego, całek ani teorii miary. Jeśli radzisz sobie z arkuszem kalkulacyjnym i prostymi obliczeniami, resztę jesteś w stanie dowieźć po drodze.

Jeśli chodzi o temperament, introwertyk i ekstrawertyk mają różne atuty:

• introwertyk – często łatwiej wchodzi w głęboką pracę analityczną, dłużej wytrzymuje przy jednym, złożonym zadaniu,
• ekstrawertyk – zwykle ma łatwiej w rozmowach z biznesem, tłumaczeniu wyników i zadawaniu pytań.

W obu przypadkach da się tę rolę wykonywać dobrze. Ekstrawertyk musi pilnować, by nie przeskakiwać z zadania na zadanie bez domknięcia analiz. Introwertyk – by nie chować wniosków w szufladzie i mówić o nich głośno.

Sygnały, że data analysis może do ciebie pasować

Pojawiają się pewne powtarzalne sygnały u osób, które dobrze czują się w analizie danych. Jeśli część z nich widzisz u siebie, przebranżowienie na data analysta ma sens.

• Lubisz grzebać w liczbach, arkuszach, raportach – nawet jeśli nikt ci za to nie płaci.
• Denerwują cię decyzje „na czuja”, potrzebujesz liczb i faktów, żeby komuś uwierzyć.
• Masz nawyk dopytywania „dlaczego?”, kiedy słyszysz prostą odpowiedź na złożone zjawisko.
• Masz cierpliwość do szukania błędów i nieścisłości (np. w fakturach, raportach, zestawieniach).
• Nie boisz się nowych narzędzi – lubisz „poklikać”, zobaczyć, co się stanie, poszukać w ustawieniach.

Krótki auto-test przed startem 90 dni. Odpowiedz sobie szczerze na 5 pytań (tak/nie):

1. Czy potrafisz poświęcić 10–15 godzin tygodniowo przez 3 miesiące na naukę (kosztem części rozrywek)?
2. Czy umiesz spędzić 2 godziny nad jednym problemem, którego nie rozumiesz, zanim się poddasz?
3. Czy wolisz najpierw sam poszukać rozwiązania (Google, dokumentacja), a dopiero potem pytać innych?
4. Czy jesteś gotów, by na początku częściej czuć się „głupio” (nic nie wiem) niż „komfortowo”?
5. Czy perspektywa pracy przy komputerze, głównie z narzędziami, bardziej cię ekscytuje niż zniechęca?

Jeśli masz co najmniej 3 odpowiedzi „tak” – 90-dniowy plan ma sens. Przy 5/5 „tak” – masz bardzo dobry fundament na data analysta, reszta to wykonanie planu.

Punkt wyjścia – diagnoza umiejętności i warunków

Skąd startujesz: technicznie, biznesowo, czasowo

Zanim zaczniesz „cisnąć” plan nauki data analysis, określ punkt startu. Bez tego łatwo albo się przeciążyć, albo utknąć na rzeczach, które już umiesz.

Poświęć 1–2 wieczory na prostą autodiagnozę:

• Excel / Google Sheets – czy potrafisz:
  • pisać podstawowe formuły (SUMA, ŚREDNIA, JEŻELI)?
  • używać filtrowania i sortowania?
  • tworzyć tabele przestawne?
• Podstawy programowania / logika – czy spotkałeś się z:
  • instrukcjami warunkowymi (if/else),
  • pętlami,
  • zmiennymi, typami danych?
• Język angielski – czy rozumiesz:
  • proste artykuły techniczne,
  • tutoriale na YouTube,
  • komentarze w kodzie, dokumentację?
• Doświadczenie biznesowe – czy pracowałeś:
  • w sprzedaży, marketingu, finansach, logistyce, obsłudze klienta,
  • z celami, KPI, budżetami, targetami?

Rzeczy, które da się sensownie „odpalić” w 90 dni (na poziom juniora):

• solidny Excel/Sheets pod kątem analizy danych,
• SQL na poziomie: selecty, filtry, joiny, agregacje, proste podzapytania,
• jedno narzędzie BI do raportów (Power BI / Looker Studio / Tableau Public),
• podstawy statystyki opisowej i wizualizacji,
• 2–3 projekty do portfolio w tych technologiach.

Rzeczy, które zazwyczaj wymagają dłuższej perspektywy:

• zaawansowana statystyka i ekonometryka,
• machine learning, modele predykcyjne na poważnie,
• głęboka domenowa wiedza branżowa (np. zaawansowane finanse korporacyjne),
• perfekcyjny angielski na poziomie native.

Nie próbuj „upchać” wszystkiego w 90 dni. Ten okres ma cię wyprowadzić „na powierzchnię” – do poziomu, na którym możesz realnie zacząć się rekrutować.

Realne ograniczenia: praca, rodzina, energia

Plan nauki analizy danych jest wart tyle, ile uwzględnia twoje życie. Zamiast zakładać „20 godzin tygodniowo, bo tak mówią w internecie”, policz własne liczby.

Prosty sposób:

1. Wypisz stałe obowiązki tygodniowe (praca, dojazdy, opieka nad dziećmi, treningi itd.).
2. Dodaj do tego realny czas na sen i podstawowe ogarnięcie domu.
3. Zobacz, ile godzin zostaje jako „czas wolny” – nie zakładaj, że wszystko pójdziesz na naukę.

Dwie wersje:

• Minimalna – jesteś na etacie, masz rodzinę, obowiązki:
  • 3–4 wieczory po 1,5–2 godziny,
  • 1 blok weekendowy 3–4 godziny,
  • łącznie około 10 godzin tygodniowo.
• Ambitna – między projektami, na wypowiedzeniu, mniejszy obciążenie:
  • 5 dni po 3 godziny (np. 8:00–11:00),
  • 1–2 krótsze sesje w weekend,
  • łącznie 15–20 godzin tygodniowo.

Przebranżowienie na data analyst w 90 dni jest realne w obu wariantach, ale:

• w wersji minimalnej – tempo wolniejsze, mniej „bajerów”, więcej skupienia na fundamentach,
• w wersji ambitnej – więcej projektów, większa szansa na ogarnięcie dodatkowego języka (np. trochę Pythona pod analizę).

Przy pracy na etat dobry wzorzec to nauka po 60–90 minut dziennie plus 3–4 godziny w weekend na mini-projekty. Krótkie, regularne bloki są lepsze niż maraton raz na dwa tygodnie.

Krótka mapa celu na 90 dni

Na koniec 90 dni chcesz osiągnąć poziom: „nadaję się na rozmowę o junior/analityk”. To nie znaczy „wiem wszystko”, tylko:

• umisz samodzielnie ogarnąć zadanie typu: „przeanalizuj te dane sprzedażowe i pokaż wnioski” w Excelu lub SQL + BI,
• rozumiesz podstawowe pojęcia: KPI, konwersja, retention, cohorty (na poziomie intuicji),
• potrafisz opowiedzieć o 2–3 projektach, które sam zrobiłeś.

Zakres na 90 dni:

• Excel/Google Sheets – swoboda w analizie danych (formuły, przestawne, czyszczenie danych),
• SQL – zapytania od prostych do średnio-zaawansowanych na jednej bazie (JOIN, GROUP BY, HAVING, CASE),
• Narzędzie BI – Power BI lub Looker Studio (minimum: jeden dopracowany dashboard),
• Podstawy statystyki – opisowa, proste testy „na logikę” (nie kurs akademicki),
• Portfolio – 2–3 projekty na GitHub/Drive + opis na LinkedIn.

Punkt końcowy po 90 dniach:

• masz 2–3 konkretne projekty (np. analiza sprzedaży, analityka marketingowa, analiza ankiet),
• masz gotowe CV, które nie jest ogólnym „szukam pracy w IT”, tylko celuje w rolę data analyst,
• masz uzupełniony profil LinkedIn z opisem projektów i zaznaczonym procesem przebranżowienia,
• masz pierwszą listę firm/ogłoszeń, do których możesz aplikować.

Architektura 90‑dniowego planu – jak to będzie działać

Podział na trzy etapy: fundamenty, narzędzia, portfolio i rekrutacje

Główne bloki tematyczne w 90 dniach

Żeby 90 dni nie zamieniło się w chaos, potraktuj je jak trzy sprinty po 30 dni. Każdy ma inny cel główny:

• Dni 1–30: fundamenty
  • Excel/Sheets pod analizę danych,
  • podstawy SQL,
  • pierwsze mini-analizy z gotowych danych.
• Dni 31–60: narzędzia „produkcyjne”
  • SQL w praktyce (bardziej złożone zapytania),
  • narzędzie BI (Power BI / Looker Studio / Tableau Public),
  • pierwszy poważniejszy projekt analityczny.
• Dni 61–90: portfolio i wejście na rynek
  • drugi/trzeci projekt + dopracowanie materiałów,
  • ćwiczenie zadań rekrutacyjnych,
  • pierwsze aplikacje i rozmowy.

Na każdym etapie mieszasz trzy rodzaje aktywności: nauka (kursy, książki), praktyka (zadania, projekty) i publikacja (wrzucanie efektów na GitHub/Drive/LinkedIn). Bez tego trzeciego łatwo utknąć w „wiecznej nauce”.

Struktura tygodnia i dnia: jak nie utonąć

Najprościej pracuje się w powtarzalnym schemacie. Przykładowy tydzień przy 10 godzinach nauki:

• Poniedziałek–czwartek – 4 x 1,5 h:
  • 60 minut – przerabianie materiału (kurs/wideo/artykuł),
  • 30 minut – ćwiczenia z tego konkretnego modułu.
• Sobota lub niedziela – 4 godziny:
  • 2–3 godziny – mini-projekt lub większe zadanie,
  • 1 godzina – porządki: notatki, wrzucenie plików na GitHub/Drive, krótkie podsumowanie tygodnia.

Mikro-checklista na każdy blok 60–90 minut:

• ustaw timer (np. 45 minut pracy + 5 minut przerwy),
• zapisz konkretny cel: „ogarnę funkcje WYSZUKAJ.PIONOWO i XLOOKUP na 3 przykładach”,
• zamknij komunikatory i maila,
• na końcu dopisz w 2 zdaniach, czego się nauczyłeś i co sprawia trudność.

Po 2–3 tygodniach zobaczysz, czy ten rytm działa. Jeśli notorycznie „odpadasz” po 30 minutach, skróć sesje, ale zwiększ ich liczbę (np. 5 x 40 minut zamiast 3 x 90).

Jak łączyć teorię z praktyką

Najczęstszy błąd: 100% czasu w kursach wideo, 0% w plikach. Odwrócony błąd: klikanie bez zrozumienia, co się dzieje pod spodem. Potrzebujesz obu.

Prosty model:

• 30–40% czasu – teoria:
  • kurs online,
  • artykuły, dokumentacja,
  • oglądanie rozwiązań innych.
• 60–70% czasu – praktyka:
  • odtwarzanie przykładów z kursu,
  • modyfikowanie ich pod inną sytuację,
  • własne mini-zadania z tych samych danych.

Przykład: uczysz się tabel przestawnych. Zamiast tylko przelecieć moduł kursu, weź inny arkusz (np. dane sprzedaży z Kaggle) i spróbuj odpowiedzieć na trzy pytania:

• kto jest top 5 klientów pod względem przychodu?
• jaki produkt ma najwyższą marżę?
• który miesiąc był najsłabszy i dlaczego może tak być?

To już jest zalążek „prawdziwej” analizy, nie tylko klikanie funkcji.

System śledzenia postępów

Bez prostego systemu trackowania łatwo mieć wrażenie, że „ciągle się uczysz, ale nic nie umiesz”. Wystarczy jeden plik – w Excelu, Notion, Trello, czymkolwiek.

W tym pliku zrób trzy sekcje:

1. Plan na tydzień – max 3 konkretne cele, np.:
   • przerobić moduł „Podstawy SQL: SELECT, WHERE, ORDER BY”,
   • zrobić 10 zadań na JOIN-ach,
   • zbudować 1 prosty raport w Excelu (tabele przestawne + wykres).
2. Dziennik nauki – 3 kolumny:
   • data,
   • co robiłem (konkretnie),
   • co sprawiało trudność / co powtórzyć za tydzień.
3. Lista „dziur” – rzeczy, które cię blokują:
   • „nie ogarniam różnicy między LEFT JOIN a INNER JOIN”,
   • „mylą mi się miary i wymiary w BI”,
   • „nie rozumiem odchylenia standardowego”.

Co tydzień wieczorem (np. w niedzielę) przeleć ten plik przez 10–15 minut i zaplanuj następny tydzień pod kątem tych „dziur”. To robi ogromną różnicę po miesiącu.

Jak dokręcać plan przy większej ilości czasu

Jeśli masz 15–20 godzin tygodniowo, możesz dołożyć dwa elementy:

• więcej SQL-a – złożone zapytania, zagnieżdżone SELECT-y, okna (window functions),
• odrobina Pythona – pod kątem analizy danych (pandas, podstawowe wykresy).

Nie oznacza to pełnego wejścia w data science. Raczej „przygotowanie toru” pod rozwój w kolejnym kwartale. Przykładowy dodatkowy blok tygodnia:

• 2 x 90 minut:
  • instalacja Pythona + środowisko (np. Jupyter Notebook),
  • wczytanie pliku CSV, kilka prostych transformacji (filtrowanie, grupowanie),
  • 1–2 proste wykresy.

To wystarczy, żeby na rozmowie powiedzieć uczciwie: „znam podstawy Pythona pod analizę danych, ale główny ciężar kładę na SQL/BI”.

Dni 1–30 – fundamenty analizy danych i narzędzia biurowe

Cel pierwszych 30 dni

Po pierwszym miesiącu chcesz:

• czuć się swobodnie w Excelu/Sheets przy pracy na większym pliku (kilka-kilkanaście tysięcy wierszy),
• rozumieć, jak dane „płyną” przez firmę (źródła, raporty, eksporty),
• znać podstawową składnię SQL i umieć napisać proste zapytanie,
• mieć za sobą 1–2 mini-analizy w Excelu do pokazania.

To jeszcze nie jest poziom „pełne portfolio”, ale solidny grunt. W praktyce – po 30 dniach wielu rekruterów już chętniej spojrzy na twoje CV, jeśli zobaczy konkrety z Excela i SQL.

Tydzień 1: oswojenie z danymi i środowiskiem pracy

Pierwszy tydzień to „rozstawienie sprzętu” i złapanie rytmu, nie bicie rekordów.

• Excel / Google Sheets – podstawy pod analizę:
  • praca na dużych zakresach (zaznaczanie, szybkie przechodzenie, skróty klawiszowe),
  • podstawowe formatowanie (daty, waluty, liczby, procenty),
  • filtrowanie, sortowanie, usuwanie duplikatów.
• Środowisko SQL:
  • wybór narzędzia: SQLite (lokalnie), PostgreSQL, albo gotowe środowisko online (np. Mode/BigQuery sandbox),
  • zrozumienie, czym jest baza, tabela, wiersz, kolumna, klucz główny.

Proste zadanie na koniec tygodnia: pobierz z internetu otwarty plik CSV (np. dane sprzedażowe, dane demograficzne), otwórz w Excelu/Sheets i odpowiedz na 3 proste pytania, licząc „ręcznie” lub prostymi funkcjami (SUMA, ŚREDNIA).

Tydzień 2: funkcje w Excelu i pierwsze SELECT-y w SQL

Drugi tydzień to wejście w prawdziwą pracę na liczbach. Klucz – mało funkcji, ale dobrze opanowanych.

• Excel / Sheets:
  • formuły: SUMA, ŚREDNIA, MIN, MAX, LICZ.JEŻELI / COUNTIF, SUMA.JEŻELI / SUMIF,
  • proste formuły logiczne: JEŻELI / IF, zagnieżdżone JEŻELI,
  • łączenie tekstu: ZŁĄCZ.TEKSTY / CONCAT, &.
• SQL:
  • składnia SELECT, FROM,
  • filtrowanie danych: WHERE, operatory (=, <>, >, <), BETWEEN, IN, LIKE,
  • sortowanie: ORDER BY.

Mini-projekt na ten tydzień: plik z transakcjami (daty, klient, produkt, kwota). Zrób dwie wersje analizy:

1. w Excelu – policz:
   • łączną sprzedaż,
   • średnią wartość transakcji,
   • liczbę transakcji dla wybranego klienta/produktu.
2. w SQL – jeśli wstawisz te dane do bazy:
   • napisz SELECT z tymi samymi wynikami,
   • porównaj liczby, upewnij się, że wychodzi to samo.

W ten sposób zaczynasz myśleć „zadaniami”, a nie „funkcjami”.

Tydzień 3: tabele przestawne i agregacje w SQL

Typowe narzędzia juniora to tabele przestawne w Excelu i GROUP BY w SQL. Tu zaczyna się „prawdziwa” analiza.

• Excel / Sheets – tabele przestawne:
  • tworzenie tabeli przestawnej z surowych danych,
  • dodawanie pól do wierszy, kolumn, wartości, filtrów,
  • zmiana rodzaju agregacji (SUMA, LICZBA, ŚREDNIA),
  • tworzenie prostych wykresów na bazie tabel przestawnych.
• SQL – agregacje:
  • funkcje agregujące: COUNT, SUM, AVG, MIN, MAX,
  • GROUP BY – grupowanie wyników,
  • HAVING – filtrowanie po agregacji.

Zadanie tygodnia: raport sprzedaży miesięcznej.

1. W Excelu:
   • zrób tabelę przestawną z sumą sprzedaży po miesiącach i produktach,
   • dodaj wykres kolumnowy/linie,
   • zapisz 3 wnioski, które widzisz na wykresie.
2. W SQL:
   • napisz zapytanie, które zwróci sumę sprzedaży po miesiącach,
   • dodaj sortowanie po dacie,
   • sprawdź spójność liczb z Excelem.

To już materiał, który spokojnie można pokazać jako „mini-case” na LinkedIn z krótkim opisem.

Tydzień 4: czyszczenie danych, łączenie danych i pierwsza mini-analiza

W czwartym tygodniu dotykasz tego, co w pracy analityka jest codziennością: bałaganu w danych.

• Excel / Sheets – czyszczenie i transformacje:
  • usuwanie zbędnych spacji, znaków (PRZYTNJ / TRIM, PODSTAW / SUBSTITUTE),
  • zamiana typów (tekst na datę/liczbę),
  • wyszukiwanie i naprawianie błędów (#N/D!, #DZIEL/0!),
  • proste łączenie danych z dwóch arkuszy z użyciem WYSZUKAJ.PIONOWO / VLOOKUP lub XLOOKUP.
• SQL – joiny i proste łączenie tabel:
  • INNER JOIN – łączenie danych po wspólnym kluczu,
  • LEFT JOIN – sytuacje, kiedy chcesz zachować wszystkie rekordy z jednej strony,
  • rozumienie duplikatów i ich wpływu na wyniki.

Mini-projekt „mały CRM”: masz dwie tabele/arkusze:

• klienci – ID klienta, nazwa, branża, kraj,

• transakcje – ID transakcji, ID klienta, data, kwota, produkt.

Zrób z tego prosty case:

1. W Excelu:
   • połącz dane klientów z transakcjami po ID klienta,
   • zbuduj tabelę przestawną: suma sprzedaży po branżach i krajach,
   • zapisz 3 wnioski:
     • która branża generuje największe przychody,
     • który kraj jest „niedoreprezentowany” względem liczby klientów,
     • kto jest top klientem (po sumie sprzedaży).
2. W SQL:
   • zrób INNER JOIN klientów z transakcjami,
   • policz SUM(kwota) po branży i kraju,
   • porównaj wyniki z Excelem – liczby muszą się zgadzać.

Takie mini-analizy przypominają realne zadania z pierwszych miesięcy pracy. Dobrze je zachować i doszlifować do portfolio.

Jak domknąć pierwszy miesiąc

Pod koniec 30 dnia zrób prosty przegląd:

• spisz, jakie funkcje Excela faktycznie używasz bez patrzenia w ściągę,
• wymień elementy składni SQL, które „wychodzą z palca” (SELECT, WHERE, GROUP BY),
• policz, ile mini-zadań lub projektów masz zapisanych (nawet w jednym pliku).

Na tej bazie zrób plan na kolejny miesiąc: więcej SQL-a, BI i mini-projekty, które można już pokazać rekruterowi.

Dni 31–60 – SQL, narzędzia BI i pierwsze portfolio

Cel drugiego miesiąca

Po 60 dniach chcesz:

• sprawnie pisać zapytania SQL z JOIN-ami i GROUP BY,
• umieć zbudować prosty dashboard w narzędziu BI (np. Power BI, Looker Studio, Tableau Public),
• mieć 2–3 małe projekty z opisem: dane → analiza → wnioski,
• zacząć mówić „językiem biznesu” przy opisywaniu wyników.

To jest etap, w którym z osoby „uczę się Excela” przechodzisz w „robię analizy, mam co pokazać”.

Tydzień 5: usystematyzowanie SQL i praca na jednym większym zbiorze

Najpierw trzeba posprzątać dotychczasową wiedzę z SQL i od razu użyć jej na jednym, spójnym case’ie.

• SQL – porządki i utrwalenie:
  • powtórka: SELECT, WHERE, ORDER BY, funkcje agregujące, GROUP BY, HAVING,
  • różne typy JOIN-ów na spokojnie (INNER, LEFT, czasem RIGHT),
  • aliasy tabel i kolumn (AS), czytelne formatowanie zapytań.
• Jeden większy zbiór danych:
  • wybierz jeden publiczny dataset (sprzedaż, marketing, e‑commerce, HR),
  • załaduj go do bazy (lub użyj gotowego w środowisku online),
  • przez kilka dni rób tylko zadania na tym zbiorze.

Dobry schemat ćwiczeń na ten tydzień:

1. Każdego dnia:
   • wymyśl lub znajdź 3–5 pytań biznesowych,
   • zapisz je normalnym językiem (np. „Który produkt najczęściej zwracają klienci?”),
   • napisz pod to zapytanie SQL,
   • spisz w jednym zdaniu odpowiedź (wniosek, nie tylko liczby).

Po kilku dniach masz mini-notatnik „pytanie → SQL → odpowiedź”, który świetnie nada się jako materiał na późniejsze posty lub fragment portfolio.

Tydzień 6: wejście w narzędzie BI

Czas na BI. Wybierz jedno narzędzie, nie trzy naraz. Najczęściej:

• Power BI – jeśli celujesz w korporacje i środowisko Microsoft,
• Tableau Public – jeśli chcesz dobrze wyglądające wizualizacje,
• Looker Studio – jeśli bliżej ci do świata marketingu i danych z Google.

Plan na pierwszy tydzień z BI:

• instalacja / założenie konta, przejście krótkiego oficjalnego tutoriala,
• podłączenie tego samego zbioru danych, na którym pracujesz w SQL/Excelu,
• zbudowanie 1–2 podstawowych raportów:
  • prosty dashboard sprzedaży miesięcznej,
  • dashboard „top klienci / top produkty”.

Przy każdym widoku zrób krótką checklistę:

• czy wiadomo, o jaki okres chodzi (filtry daty),
• czy widać jednostki (PLN, sztuki, sesje itp.),
• czy tytuły i opisy są zrozumiałe dla nietechnicznej osoby.

Na koniec tygodnia nagraj dla siebie 3–5‑minutowe wideo (np. Loom, telefon), w którym „oprowadzasz” po dashboardzie. Potem, przy rozmowach rekrutacyjnych, będzie dużo łatwiej mówić o swoich projektach.

Tydzień 7: mini-projekt analityczny od A do Z

W siódmym tygodniu robisz pierwszy pełny mini-projekt. Ważne, żeby miał początek, środek i koniec – nie kolejny rozgrzebany plik.

Prosty szkielet projektu:

1. Problem – jedno zdanie:
   • „Chcę sprawdzić, jakie czynniki wpływają na spadek sprzedaży w ostatnich miesiącach”.
2. Dane:
   • skąd wziąłeś dane (link / opis),
   • jakie są główne tabele i pola (np. zamówienia, klienci, produkty).
3. Analiza:
   • przykładowe pytania biznesowe (3–7 sztuk),
   • SQL/Excel/BI – główne kroki, które zrobiłeś.
4. Wnioski:
   • 2–5 konkretnych obserwacji w języku biznesowym,
   • 1–2 hipotetyczne rekomendacje („warto sprawdzić kampanie w kanale X”).

Technicznie możesz rozłożyć to na dni:

• dzień 1 – wybór problemu i danych, szybkie rozeznanie,
• dzień 2–3 – analiza w SQL/Excelu (same liczby),
• dzień 4 – dashboard w BI (max kilka widoków),
• dzień 5 – spisanie wniosków i uporządkowanie plików.

Taki projekt można już wrzucić na GitHuba, do Notion lub w formie PDF/Google Docs, do podlinkowania w CV.

Tydzień 8: druga iteracja i dopracowanie portfolio

Pojedynczy projekt to za mało. Rekruter chętniej zaufa komuś, kto potrafi powtórzyć proces na innym zestawie danych.

Działasz podobnie jak w tygodniu 7, z kilkoma modyfikacjami:

• wybierz inny obszar biznesowy niż poprzednio (np. po sprzedaży – marketing, po marketingu – HR),
• użyj innych typów wizualizacji (np. heatmapa, wykres warstwowy, wykres pudełkowy, jeśli narzędzie pozwala),
• połóż większy nacisk na opis decyzji, a nie tylko liczb:
  • dlaczego użyłeś mediany, a nie średniej,
  • dlaczego wyciąłeś outliery,
  • dlaczego patrzysz na dany okres, a nie cały rok.

Na koniec drugiego projektu:

• przygotuj krótkie opisy (3–5 zdań) do CV/LinkedIna dla każdego projektu,
• ustal strukturę repozytorium lub folderów:
  • /data – surowe dane lub linki,
  • /notebooks, /sql, /excel – pliki robocze,
  • /reports – PDF, link do dashboardu, opis projektu.

Pod koniec 60 dnia potrafisz pokazać: „Tu są dwie konkretne analizy, krok po kroku, z danymi i wnioskami”. To dużo bardziej przekonujące niż lista kursów.

Dni 61–90 – pogłębienie kompetencji i przygotowanie do rekrutacji

Cel trzeciego miesiąca

Na finiszu 90 dni celem jest:

• domknięcie luk w SQL i BI,
• opanowanie podstaw statystyki użytecznej w analizie biznesowej,
• przygotowanie się do rozmów technicznych (zadania, pytania),
• zaczęcie aktywnego szukania pierwszych zleceń / stażu / junior roli.

Na tym etapie najczęściej pojawia się zmęczenie. Dlatego plan jest bardziej „taktyczny” – mniej nowych narzędzi, więcej szlifowania tego, co już znasz.

Tydzień 9: statystyka w wydaniu „minimum, które robi różnicę”

Statystyka dla analityka biznesowego nie musi być akademicka. Chodzi o to, żebyś potrafił sensownie zinterpretować dane i nie wyciągał błędnych wniosków.

Zakres na ten tydzień:

• Miary położenia:
  • średnia, mediana, kwartyle – kiedy która ma sens,
  • przykład: zarobki pracowników – dlaczego mediana bywa lepsza niż średnia.
• Miary rozproszenia:
  • odchylenie standardowe, rozstęp, IQR,
  • interpretacja: czy dane są „rozstrzelone”, czy raczej stabilne.
• Podstawy korelacji:
  • współczynnik korelacji (np. Pearson),
  • „korelacja ≠ przyczynowość” – klasyczna pułapka.

Ćwicz na własnych projektach:

• policz medianę, kwartyle i odchylenie dla wybranego KPI (np. wartość koszyka, czas dostawy),
• spróbuj znaleźć proste korelacje (np. między liczbą wizyt a wartością zamówienia),
• zastanów się, jakie wnioski byłyby nieuczciwe lub naciągane.

Jeśli masz odrobinę Pythona, możesz to zrobić w pandasie; jeśli nie – spokojnie w Excelu (funkcje statystyczne + wykresy pudełkowe).

Tydzień 10: doszlifowanie SQL i typowe zadania rekrutacyjne

Większość rozmów na junior data analyst zawiera proste zadania z SQL. Warto mieć za sobą kilkadziesiąt rozwiązań w warunkach „prawie jak egzamin”.

Plan działania:

• znajdź 2–3 źródła z zadaniami SQL (platformy z ćwiczeniami, repozytoria na GitHubie),
• codziennie rób blok 5–10 zadań:
  • filtrowanie i sortowanie,
  • JOIN-y i agregacje,
  • podzapytania (subqueries),
  • proste CASE WHEN.

Dla trudniejszych zadań stosuj prosty rytuał:

1. Najpierw opisz, co chcesz osiągnąć, w języku naturalnym (1–2 zdania).
2. Rozbij problem na kroki (najprostsza możliwa wersja, potem rozbudowa).
3. Dopiero później pisz SQL-a.

Na koniec tygodnia zrób arkusz/plik „SQL – 10 ulubionych trików”, np.:

• jak liczyć udział procentowy w ramach kategorii (window functions lub klasyczny trik z podzapytaniem),
• jak wybierać top N w każdej grupie,
• jak obsłużyć brakujące wartości (NULL) w sumach i średnich.

To będzie twoja „ściąga” przed rozmową.

Tydzień 11: komunikacja wyników i symulacje rozmów

Spora część kandydatów odpada nie przez brak umiejętności technicznych, tylko przez słabe tłumaczenie tego, co zrobili. Tu wchodzą umiejętności miękkie, ale osadzone w danych.

Poświęć ten tydzień na trzy rzeczy:

1. Opowiadanie o projektach:
   • dla każdego projektu z portfolio przygotuj prostą historię:
     • kontekst (co to za dane, jaki problem),
     • twoje kroki (narzędzia, techniki),
     • kluczowe wnioski i potencjalne decyzje.
   • nagraj się, jak to mówisz na głos; popraw to, co brzmi chaotycznie.

Najczęściej zadawane pytania (FAQ)

Czym dokładnie zajmuje się data analyst w firmie?

Data analyst zamienia dane na konkretne decyzje biznesowe. Na co dzień przygotowuje raporty cykliczne, robi analizy „na już” dla menedżerów, tworzy i utrzymuje dashboardy w narzędziach typu Power BI, Tableau czy Looker Studio. Do tego dochodzi pisanie zapytań SQL do baz danych oraz sprawdzanie, czy dane są spójne i pozbawione błędów.

W praktyce dzień pracy to miks głębokiej pracy z danymi (SQL, Excel/Sheets, BI) i rozmów z biznesem. Raz omawia wyniki kampanii marketingowej, innym razem pokazuje, gdzie firma traci marżę albo jak zmieniła się konwersja sprzedaży.

Czym różni się data analyst od data scientist i BI analyst?

Data analyst skupia się głównie na analizie historycznych danych i odpowiadaniu na pytania biznesu. Używa przede wszystkim SQL, Excela/Sheets i narzędzi BI, czasem prostego Pythona lub R. Jego praca to raporty, dashboardy i rekomendacje typu „co się stało i dlaczego”.

BI analyst częściej siedzi głębiej w warstwie raportowej – model danych, przepływy, ETL, techniczne utrzymanie dashboardów. Data scientist idzie krok dalej: buduje modele predykcyjne, eksperymenty, korzysta intensywnie z Pythona/R i narzędzi chmurowych. Jeśli celujesz w przebranżowienie w 90 dni, realistyczny kierunek to data analyst / junior BI analyst, a nie pełnoprawny data scientist.

Czy do pracy jako data analyst potrzebna jest zaawansowana matematyka?

Nie. Przydaje się solidna podstawa, ale na znacznie prostszym poziomie, niż wiele osób się obawia. Wystarczy sprawne liczenie procentów, ułamków, średnich oraz znajomość podstaw statystyki opisowej: średnia, mediana, odchylenie standardowe, różnica między próbką a populacją.

Jeśli radzisz sobie z arkuszem kalkulacyjnym i prostymi obliczeniami, resztę jesteś w stanie dobudować w trakcie nauki. Rachunek różniczkowy, całki czy skomplikowana teoria prawdopodobieństwa nie są konieczne, zwłaszcza na poziomie junior data analyst.

Jakie cechy i predyspozycje pomagają w przebranżowieniu na data analyst?

Najbardziej pomagają: logiczne myślenie, umiejętność rozbijania problemu na kroki, ciekawość biznesu oraz dociekliwość (nawyk pytania „dlaczego?”). Do tego komunikatywność – trzeba umieć wytłumaczyć wyniki osobom nietechnicznym – i samodzielność w nauce, czyli szukanie odpowiedzi w dokumentacji i Google, zamiast od razu pytać innych.

Temperament ma mniejsze znaczenie niż się wydaje. Introwertyk zwykle lepiej znosi długą, skupioną pracę analityczną. Ekstrawertyk ma naturalną przewagę w rozmowach z biznesem i prezentowaniu wniosków. Kluczowe jest świadome granie tym, co już masz, a nie próba dopasowania się do jakiegoś „idealnego profilu analityka”.

Czy da się zostać junior data analyst w 90 dni?

Da się dojść do sensownego poziomu startowego, jeśli potraktujesz to jak projekt z jasnym zakresem. W 90 dni możesz ogarnąć solidny Excel/Sheets pod kątem analizy danych, SQL na poziomie selectów, joinów, agregacji i prostych podzapytań, jedno narzędzie BI (np. Power BI) oraz podstawy statystyki opisowej i wizualizacji. Do tego 2–3 małe projekty do portfolio, np. analiza sprzedaży albo ruchu na stronie.

W 3 miesiące nie zbudujesz natomiast głębokiej wiedzy domenowej ani zaawansowanego machine learningu. Celem tego okresu jest „wyjście na powierzchnię” – poziom, na którym możesz zacząć wysyłać CV na role junior data analyst / junior BI analyst i dalej uczyć się już w pracy.

Ile czasu tygodniowo muszę poświęcić na naukę, żeby przebranżowić się w 90 dni?

Minimum to zwykle 10–15 godzin tygodniowo, ale realna liczba zależy od twojej sytuacji. Dobry model dla osoby na etacie z rodziną to 3–4 wieczory po 1,5–2 godziny plus jeden dłuższy blok w weekend (3–4 godziny). Klucz to regularność i zaplanowane „bloki skupienia”, a nie jednorazowe zrywy po 8 godzin.

Przed startem policz na chłodno, ile godzin tygodniowo masz naprawdę wolnych, po odjęciu pracy, dojazdów, opieki nad dziećmi, snu i podstawowych obowiązków. Łatwiej dociągnąć 90 dni z planem, który jest lekko ambitny, niż spalić się po dwóch tygodniach przez zbyt agresywny harmonogram.

Jak sprawdzić, czy przebranżowienie na data analysta ma sens akurat dla mnie?

Prosty filtr to krótki auto-test. Zadaj sobie kilka pytań: czy jesteś w stanie poświęcić 10–15 godzin tygodniowo przez 3 miesiące na naukę, kosztem części rozrywek? Czy potrafisz siedzieć 2 godziny nad jednym problemem, zanim się poddasz? Czy wolisz najpierw samodzielnie szukać rozwiązań, niż od razu pytać innych? Czy akceptujesz, że przez pierwsze tygodnie będziesz się często czuć „nic nie wiem”?

Jeśli masz co najmniej trzy szczere „tak”, plan na 90 dni ma sens. Przy pięciu „tak” masz bardzo solidny fundament – wtedy główne wyzwanie to konsekwentna realizacja planu nauki i dowożenie małych projektów, które później pokażesz na rozmowach rekrutacyjnych.

Najważniejsze wnioski

• Rola data analysta łączy świat techniczny (bazy danych, SQL, narzędzia BI) z biznesem (marketing, sprzedaż, finanse) i polega na przekładaniu danych na konkretne decyzje.
• Codzienna praca to przede wszystkim raporty, analizy ad-hoc, budowa dashboardów, sprawdzanie jakości danych oraz prezentowanie wniosków menedżerom.
• Plan na 90 dni celuje w poziom data analyst / junior BI analyst – kluczowe są SQL, Excel/Sheets i jedno narzędzie BI, a nie zaawansowany machine learning.
• Matematyka potrzebna w tej roli to głównie procenty, ułamki, średnie i podstawowa statystyka opisowa; zaawansowane działy matematyki nie są konieczne na start.
• Najbardziej przydają się: logiczne myślenie, ciekawość biznesu, dociekliwość, komunikatywność i samodzielność w nauce; temperament (intro/ekstra) wpływa raczej na styl pracy niż na samą możliwość jej wykonywania.
• Dobry kandydat często już lubi „grzebać w liczbach”, nie ufa decyzjom „na czuja”, ma cierpliwość do szukania błędów i nie boi się nowych narzędzi – np. sam eksploruje ustawienia Excela czy Power BI.
• Przed startem nauki trzeba zrobić autodiagnozę: sprawdzić swój poziom Excela/Sheets (formuły, filtrowanie, tabele przestawne), realną dostępność czasu (10–15 h tygodniowo) i nastawienie do samodzielnego rozwiązywania problemów.