Analityka danych bardzo często kojarzy się z wykresami, dashboardami i kolorowymi raportami. Z tym, co widać. Z frontendem. Tymczasem im dłużej siedzę w tej branży, tym mocniej widzę, że prawdziwa robota bardzo często dzieje się gdzieś indziej. Głębiej. W tle. W miejscach, których użytkownik końcowy nigdy nie zobaczy.
Dlatego do tej rozmowy zaprosiłem Dominik Szcześniak, twórcę bloga i podcastu Dane są wszędzie. Dominik ma bardzo ciekawą perspektywę. Zaczynał w finansach, pracował z Excelem i SAP-em, a dziś porusza się swobodnie na styku BI, data engineeringu i backendu analitycznego. Do tego uczy innych, prowadzi własne inicjatywy edukacyjne i potrafi bardzo trzeźwo spojrzeć na modne hasła w stylu AI, lakehouse czy automatyzacja wszystkiego.
Rozmawialiśmy długo. O studiach, przebranżowieniu, backendzie analityki, Shadow IT, AI, nauce, błędach początkujących, sensie uczenia innych i o tym, jak w tym wszystkim nie zgubić życia prywatnego. Poniżej masz uporządkowaną wersję tej rozmowy.
Kim właściwie jesteś zawodowo? Analityk, BI Developer, Data Engineer?
Już na samym początku rozmowy pojawiło się pytanie, które wraca w branży danych regularnie: jak właściwie nazwać to, co robimy?
Dominik nie miał z tym problemu. Od razu zaznaczył, że bliżej mu do roli BI-owej niż klasycznego analityka. Co ważne, nie w rozumieniu „robię dashboardy”, tylko raczej „dostarczam fundamenty pod analitykę”.
Jego droga zaczęła się od finansów i danych księgowych. Excel, SAP, raportowanie, automatyzowanie powtarzalnych rzeczy. Z czasem coraz bardziej interesowało go to, skąd te dane się biorą, jak przepływają przez systemy i dlaczego czasem raporty się nie zgadzają.
Dziś jego praca wygląda end-to-end:
- pobieranie danych z systemów źródłowych,
- integracje przez API,
- transformacje,
- modelowanie,
- przygotowanie modeli, z których korzystają inni analitycy.
Raporty też się zdarzają, ale nie są centrum tej roli. Jak sam to określił, ma „backendową duszę”. Interesuje go mięso, nie dekoracja.
To ważne rozróżnienie, bo w wielu firmach te role się mieszają. W jednej organizacji BI Developer to ktoś od Power BI i frontendowych wizualizacji. W innej to osoba, która buduje hurtownię, modele semantyczne i dopiero na końcu ktoś inny robi raporty.
Studia ekonomiczne i moment „nie wiem, co dalej”
Cofnęliśmy się do czasów studenckich. Dominik studiował ekonomię i, jak sam przyznał, nie był osobą, która od pierwszego semestru wiedziała, co chce robić zawodowo.
To podejście jest bardzo częste. W trakcie studiów zainteresowania się zmieniają, część tematów wydaje się ciekawa tylko teoretycznie, a praktyka szybko to weryfikuje.
Pod koniec studiów pojawiła się okazja w postaci płatnego stażu finansowanego z programów unijnych. Rekrutacja obejmowała rozmowy stricte finansowe oraz podstawowe umiejętności excelowe. To właśnie Excel okazał się jednym z kluczowych argumentów.
Dominik nie był molem książkowym. Nie spędzał życia w bibliotece, ale uczył się wtedy, kiedy było trzeba. Oceny miał dobre, choć sam podkreślał, że nigdy nie uważał ich za realny wyznacznik wartości na rynku pracy.
Co ważne, studia dały mu solidny background biznesowy. Zrozumienie finansów, księgowości i procesów okazało się później ogromnym atutem w pracy z danymi.
Zostań analitykiem danych – dołącz do KajoDataSpace!
Najlepsza ścieżka do zawodu analityka danych. Dostęp do pełnych wersji kursów online z Excela, SQLa, PowerBI, Tableau i Pythona z certyfikatami!
🟨 Ekskluzywana ale pomagająca sobie społeczność.
🟩 Ponad 75 godzin materiałów video.
🟨 Spotkania LIVE co miesiąc.
🟩 Mój osobisty mentoring.
Excel jako pierwszy krok do świata danych
Jednym z ciekawszych wątków był Excel. Nie jako „narzędzie dla początkujących”, ale jako realna platforma do budowania rozwiązań.
Na studiach Dominik miał przedmiot z zarządzania logistycznego, gdzie razem z kolegą budował coś w rodzaju pseudo-ERP… w Excelu. Proste? Tak. Przełomowe? Dla niego bardzo.
To był moment, w którym zobaczył, że:
- da się automatyzować,
- da się agregować dane,
- da się budować coś, co realnie usprawnia pracę.
Na stażu te umiejętności zaczęły procentować. Zadania nie były rocket science, ale pozwalały automatyzować raporty i oszczędzać czas zespołu. To dawało ogromną satysfakcję.
I tu padło bardzo ważne słowo: sprawczość. Poczucie, że tworzysz rozwiązanie, które rozwiązuje konkretny problem i jest używane przez innych, nawet gdy Ciebie już w tym zespole nie ma.
Płynne przejście do pierwszej pracy
Po stażu Dominik dostał propozycję pracy. Zdecydował się ją przyjąć i jednocześnie dokończyć studia magisterskie w trybie zaocznym. To była bardzo pragmatyczna decyzja: brak luki w CV, doświadczenie zawodowe od razu i płynne wejście na rynek.
Początkowo obowiązki nadal krążyły wokół finansów, ale coraz więcej było elementów analitycznych i technicznych. To nie był jeden moment „od dziś jestem analitykiem”, tylko proces.
To ważne, bo bardzo często mit przebranżowienia zakłada nagłą zmianę. W praktyce to zwykle sekwencja małych kroków, które z czasem składają się w spójną historię.
Czy coś by zmienił? Perspektywa po latach
Zapytałem Dominika wprost, czy z dzisiejszej perspektywy zmieniłby coś w swojej ścieżce.
Odpowiedź była bardzo spokojna. Nie rozpamiętuje alternatywnych scenariuszy. Każde doświadczenie, nawet mniej udane, dokładało cegiełkę do tego, kim jest dziś.
Od analizy biznesowej, przez dane finansowe, komunikację z biznesem, aż po backend analityczny. Wszystko się przydało. I patrząc na dzisiejszą satysfakcję z pracy, nie ma potrzeby grzebać w „co by było gdyby”.
Backend analityki. Po co to w ogóle istnieje?
To był jeden z kluczowych wątków rozmowy.
Analityka kojarzy się z frontendem, bo to on jest widoczny. Ale im większa organizacja, tym większy chaos danych. Więcej systemów, więcej źródeł, więcej niespójności.
Backend analityczny to odpowiedź na ten chaos.
Hurtownie danych, lakehouse’y, centralne repozytoria. Chodzi o jedno miejsce, które staje się single source of truth. Dane są zbierane z wielu systemów, porządkowane, ujednolicane i dopiero wtedy udostępniane dalej.
Bez tego:
- każdy dział liczy coś inaczej,
- powstają silosy,
- rośnie Shadow IT,
- governance i bezpieczeństwo zaczynają się sypać.
Backend kosztuje. Wymaga czasu i pieniędzy. Ale przy większej skali jest niezbędny.
Shadow IT. Dlaczego to takie niebezpieczne?
Shadow IT to sytuacja, w której użytkownicy biznesowi, z braku wsparcia lub cierpliwości, zaczynają budować własne rozwiązania analityczne poza oficjalną infrastrukturą.
Z jednej strony to zrozumiałe. Ktoś potrzebuje raportu „na wczoraj”. Zespół IT ma inne priorytety. Więc ktoś rzeźbi coś po swojemu.
Z drugiej strony:
- rozwiązania są nieudokumentowane,
- często nieoptymalne,
- obciążają wspólne zasoby,
- generują ryzyka bezpieczeństwa i kosztowe.
Shadow IT nie wynika ze złej woli. Wynika z potrzeby. Ale długofalowo potrafi rozwalić organizację od środka.
Czy backend analityki to programowanie?
Padło bardzo konkretne pytanie: czy budowanie backendu to programowanie w C#, Pythonie, Scali, czy raczej klikanie w narzędzia?
Odpowiedź: pomiędzy.
BI Developer czy data engineer nie musi być klasycznym programistą obiektowym. Ale:
- SQL na wyższym poziomie to już programowanie,
- procedury, transakcyjność, logika biznesowa,
- Python, Spark, PySpark,
- integracje przez API,
- pipeline’y w CI/CD,
- PowerShell, DevOps.
To nie jest przeciąganie strzałek. Ale to też nie jest pisanie aplikacji webowych. To osobna kategoria kompetencji.
Czy frontendowy analityk może wejść w backend?
Tak. Ale to wymaga pracy.
Dominik sam jest przykładem osoby, która przeszła poziomy skok z finansów do IT. Wiele firm wspiera takie przejścia wewnętrzne, bo dobry analityk już rozumie dane i kontekst biznesowy.
Kluczowe jest:
- zrozumienie koncepcji,
- ciekawość,
- dopytywanie,
- chęć uczenia się poza bieżącymi obowiązkami.
Narzędzia są wtórne. Koncepcje zostają.
AI w backendowej analityce. Pomoc czy zagrożenie?
AI pojawiło się naturalnie. Dominik korzysta z niego głównie:
- do debugowania,
- do jednorazowych skryptów,
- do przyspieszania pracy operacyjnej.
Nie wierzy w wizję „dyrektor pisze prompt i powstaje hurtownia danych”. Przynajmniej nie dziś.
AI przyspiesza. Ale nadal trzeba rozumieć, co się robi. Inaczej łatwo o błędy, złe decyzje i złudne poczucie produktywności.
Co więcej, wiele organizacji chce wdrażać AI, nie mając uporządkowanych danych. A bez tego żadne AI nie pomoże.
Uczenie innych. Dlaczego to ma sens?
Dominik od lat dzieli się wiedzą. Blog, podcast, szkolenia, wystąpienia.
Najważniejsze jest to, że uczy jako praktyk. Zna ograniczenia narzędzi, realne problemy i kompromisy.
Dla niego największą wartością jest moment, gdy:
- komuś realnie ułatwia pracę,
- ktoś oszczędza godziny dzięki prostemu rozwiązaniu,
- coś „klika” w głowie drugiej osoby.
Uczenie innych zmusza też do porządkowania własnej wiedzy. Do zadawania sobie trudnych pytań. Do przyznania „nie wiem, muszę to sprawdzić”.
Najczęstsze błędy osób uczących się analizy danych
Z perspektywy szkoleniowej Dominik widzi kilka powtarzalnych problemów:
- Ciągnięcie dziesięciu srok za ogon.
- Brak systematyczności.
- Uczenie się narzędzi bez kontekstu.
- Praca na abstrakcyjnych danych, które nic nie znaczą.
- Brak cierpliwości.
Zdecydowanie lepiej uczyć się na własnych danych. Budżet domowy, dane fitnessowe, cokolwiek, co ma znaczenie.
Życie prywatne, relacje i odskocznia
Rozmowa zeszła też na życie poza pracą. Dominik podkreślał wagę:
- relacji,
- wsparcia bliskich,
- odskoczni od pracy.
Nie wszystko musi być pasją. Wystarczy hobby. Coś, co czyści głowę. Bez ambicji bycia najlepszym.
Bez tego bardzo łatwo o wypalenie.
Dlaczego „Dane są wszędzie”?
Na koniec zapytałem, po co w ogóle to wszystko. Blog, podcast, dzielenie się wiedzą.
Odpowiedź była prosta:
- potrzeba stworzenia czegoś swojego,
- chęć rozmów z ciekawymi ludźmi,
- satysfakcja z pozytywnego odbioru,
- budowanie relacji,
- rozwój własny.
To nie jest projekt masowy. To nisza. Ale nisza, która daje sens.
Zapisz się do
newslettera
🎁 i zgarnij darmowe bonusy:
Poradnik Początkującego Analityka
Video - jak szukać pracy w IT
Regularne dawki darmowej wiedzy, bez spamu
Zakończenie
Ta rozmowa bardzo dobrze pokazuje, że analityka danych to nie tylko wykresy i dashboardy. To procesy, decyzje, kompromisy, backend, ludzie i życie poza pracą.
Jeśli ten tekst rezonuje z Tobą, udostępnij go dalej. Być może komuś pomoże poukładać własną ścieżkę w świecie danych.
Autorem artykułu jest Kajo Rudziński – analytical data architect, uznany ekspert w analizie danych, twórca KajoData oraz społeczności dla analityków KajoDataSpace.
To tyle w tym temacie. Analizujcie w pokoju!
Podobał Ci się ten artykuł 🙂?
Podziel się nim w Social Mediach 📱
>>> udostępnij go na LinkedIn i pokaż, że codziennie uczysz się czegoś nowego
>>> wrzuć go na Facebooka, to się może przydać któremuś z Twoich znajomych
>>> Przypnij sobie tą stronkę to zakładek, może się przydać w przyszłości
Wolisz oglądać 📺 niż czytać – nie ma problemu
>>> Obserwuj i oglądaj KajoData na YouTube
Wolisz czytać po angielsku? No problem.
Inne ciekawe artykuły:
