Kompleksowy program Data Analytics obejmujący cały łańcuch wartości danych. Od manipulacji danymi w Google Sheets i SQL po tworzenie interaktywnych dashboardów w Power BI i Looker Studio, przez automatyzację z narzędziami ELT (dbt, Zapier) i analizę predykcyjną z Python (Pandas, Scikit-Learn). Naucz się identyfikować źródła danych, budować lejki, analizować retencję klientów i rekomendować konkretne działania na podstawie analiz.
Manipulacja danymi z Google Sheets i zaawansowanymi formułami
Zaawansowany SQL z BigQuery: zapytania analityczne, CTE, funkcje okna
Modelowanie danych dla zespołów marketingu, sprzedaży i produktu
Narzędzia ELT: dbt do transformacji, Zapier do automatyzacji
Śledzenie webowe z Google Tag Manager i planami śledzenia
API i webhooki do ekstrakcji danych
Wizualizacja danych z Power BI i Looker Studio (Google Data Studio)
Analiza statystyczna i testy AB
Python do analizy: Pandas, Plotly, Jupyter, Google Colab
Stosowane Machine Learning: przewidywanie churnu, segmentacja klientów z Scikit-Learn
Metodologia analizy: KPI, lejki sprzedażowe, retencja, kohorty
Projekt end-to-end: od identyfikacji problemu do automatycznego dashboardu
Najważniejsze pojęcia do zrozumienia tej technologii i zdania rozmów
Google Sheets: zaawansowane formuły (WYSZUKAJ.PIONOWO, INDEX/MATCH, ARRAYFORMULA), tabele przestawne, automatyzacja
SQL: SELECT, JOIN, GROUP BY, HAVING, funkcje okna (ROW_NUMBER, RANK, LAG/LEAD), CTE, podzapytania
BigQuery: partycjonowanie, klastrowanie, zapytania zagnieżdżone, optymalizacja kosztów, UDF
Modelowanie danych: schematy gwiazdy, tabele faktów i wymiarów, normalizacja, denormalizacja
KPI i metryki: CAC, LTV, MRR, ARR, wskaźnik churnu, NPS, wskaźnik konwersji, ARPU
Lejki i kohorty: analiza konwersji, retencja kohortowa, analiza RFM
ELT i Data Pipeline: Extract-Load-Transform, dbt (modele, testy, źródła), orkiestracja
Zapier i automatyzacja: wyzwalacze, akcje, wieloetapowe procesy, webhooki
Google Tag Manager: tagi, wyzwalacze, zmienne, dataLayer, plany śledzenia
Power BI: DAX, miary obliczane, relacje, wizualizacje, filtry, drill-down
Looker Studio: źródła danych, pola obliczane, filtry, parametry, łączenie danych
Wizualizacja: wybór odpowiedniego wykresu, storytelling danych, zasady projektowania (Tufte)
Testy AB: hipotezy, wielkość próby, istotność statystyczna, wartość p, test t Studenta
Python i Pandas: DataFrame, Series, groupby, merge, pivot_table, czyszczenie
Plotly: interaktywne wykresy, subplot, animacje, dashboardy
Scikit-Learn: regresja, klasyfikacja, klasteryzacja (K-Means), podział train/test, metryki
Metodologia: formułowanie problemu, identyfikacja źródeł, czyszczenie, analiza, rekomendacje
Odkryj nasze najnowsze artykuły i poradniki o Data Analytics
Kompletny przewodnik po zaawansowanych technikach SQL wymaganych na rozmowach kwalifikacyjnych dla analityków danych. Podzapytania skorelowane, pivoty, optymalizacja i strategie indeksowania.
Pandas 3.0 wprowadza Copy-on-Write, PyArrow strings i pd.col(). Analiza breaking changes, wzorców migracji i pytań rekrutacyjnych z analizy danych.
Praktyczny przewodnik po wizualizacji danych w Pythonie z Matplotlib i Seaborn. Wykresy, stylizacja, subploty i najczęstsze pytania z rozmów kwalifikacyjnych na stanowiska analityczne w 2026 roku.