Co musi umieć ANALITYK DANYCH w 2026

Co musi umieć współczesny analityk danych? Czy wystarczy AI, a może przydadzą się klasyczne technologie takie jak np. Excel czy SQL? A może pewną rolę odgrywają też umiejętności miękkie? Ja się nazywam Kajo Rudziński, to jest KajoData, gdzie rozmawiamy sobie szeroko o analizie danych i świecie Mamy do przerobienia 5 umiejętności technicznych i 5 umiejętności miękkich, bo możesz się zdziwić lub nie, ale zarówno jedne jak i drugie są wymagane, by być obecnie dobrym analitykiem danych. No i cóż, jedziemy z listą. Zaczynamy od Excela, dlatego że mimo powszechnego zdziwienia Excel wciąż jest bardzo ważny. Excel jest ważny z dwóch powodów. Po pierwsze, ludzie w biznesie wciąż z niego korzystają, wysyłają sobie Excele, liczą rzeczy w Excelach, więc i my jako analitycy rozmawiający z tymi ludźmi musimy tego Excela znać.

Poza tym dla zaawansowanego analityka danych Excel jest często świetnym brudnopisem, gdzie możemy sobie na szybko naszkicować rzeczy, Zobaczyć, jak tabelki będą ze sobą współpracować, zamodelować coś na szybko i to się po prostu bardzo przydaje. Wiem, że w świecie takim AI-owym ludzie są bardzo zdziwieni, że jeszcze korzysta się z Excela, ale wynika to z pewnego rodzaju bańki. To znaczy, jeżeli bardzo mocno wejdziemy w jakiś obszar, to wydaje nam się, że wszystko da się zastąpić. I teoretycznie tak jest, natomiast prawda jest taka, że wciąż większość biznesów korzysta z Exceli, więc i my jako analityk z tych Exceli musimy korzystać. Przeskakujemy do umiejętności miękkiej i tą umiejętnością jest zadawanie pytań. To może się wydawać dziwne, bo w sumie każdy z nas zadaje pytania, ale ja widziałem dobrych analityków danych i to właśnie jakość tych pytań, które oni zadają, które potrafią pogłębić, czyni ich ekspertami w ich dziedzinie.

Wybacz, że wbiłem się w temat. Chciałem tylko przypomnieć, że jeżeli szukasz wiedzy poświęconej AI i analizie danych, to znajdziesz ją na kajodata.com. A jeżeli interesuje Cię kompletny program, kompletna ścieżka, by zostać analitykiem danych, to zachęcam Cię do sprawdzenia KajoData Space. Pomogliśmy już wielu osobom dostać pracę w analizie danych. Masz wszystkie niezbędne materiały, by zdobyć pracę, więc jeszcze raz kajodata.com. Ponownie przeskakujemy do umiejętności technicznych i tutaj SQL. SQL jest prawdopodobnie najważniejszą technologią, jaką musisz opanować z tego względu, że mimo zmian technologicznych, frameworków, różnego rodzaju narzędzi, SQL pozostaje podstawowym językiem, jakimi komunikujemy się z danymi. Znakomita większość danych przebywa w relacyjnych bazach danych, co w skrócie oznacza, że tabelki mają ze sobą różnego rodzaju relacje.

I jeżeli tabelek jest 327, to te relacje mogą być naprawdę bardzo, bardzo złożone. I to oznacza, że musisz dość dobrze, w dość optymalny sposób umieć tymi relacjami zarządzać. Ponownie, AI potrafi nam zoptymalizować kod, ale trzeba wiedzieć, co optymalizować i trzeba wiedzieć, czy to ma sens, a nie po prostu ufać temu na ślepo. Więc musimy być z SQL-a po prostu bardzo dobrzy i tutaj nie ma co wijać w bawełnę. Ten core musi być wyryty na blachę, pizzanie, selectów, window functions, CTE, subquery, kilku zagnieżdżonych zapytań. Nie ma przebacz. Po prostu musimy mieć to opanowane. Wracamy do umiejętności miękkich i tutaj jest umiejętność, która jest bardzo trudna i polega ona na rozumieniu biznesu.

Tak, ten Python jest ważny. Tutaj z tego wychodzi jeden pozytyw, to znaczy ta droga między analitykiem danych a data scientistem uważam, że obecnie się zmniejszyła. Jest wiele ról pośrednich, które gdzieś tam krążą nam wokół tego świata i tutaj to są takie role jak np. Data Engineer, AI Engineer pomału, które gdzieś dotykają jednego i drugiego i powodują, że to, że my jesteśmy tylko analitykiem, nie powoduje, że nasza ścieżka się kończy, ale że tak naprawdę mamy dużo różnych opcji do o wiele bardziej zaawansowanych technologicznie zawodów. Kolejna umiejętność miękka to samodzielność. To jest o tyle zastanawiające, że często mimo wszystko analitycy pracują w zespołach albo są częścią zespołu. Samodzielność nie polega na tym, że pracujemy sami w piwnicy i nikt się do nas nie odzywa, tylko polega na tym, że jesteśmy w stanie rozwiązać problem bez nadmiernej pomocy innych osób.

To znaczy w zależności od tego, na czym ten problem polega. Oznacza to, że my nie chodzimy co chwilę do szefa czy do kogoś innego i pytamy, Co teraz mam zrobić? Co teraz mam kliknąć? Ludzie są zajęci, mówiąc wprost. Ja wiem, bo pracowałem na naprawdę i takich podstawowych stanowiskach analitycznych, i jako architekt danych, widziałem pełen przekrój biznesu. I jakkolwiek dobrze jest być oczywiście teamplayerem, to zawracanie ludziom dupy nie jest mile widziane. Mile widziane jest, jeżeli potrafimy coś ogarnąć sami, tym bardziej, że mamy teraz technologiczne możliwości, by samemu być kimś takim w rodzaju one man army. To znaczy, że my z jednej strony jesteśmy w stanie panować nad technologią, rozmawiać z ludźmi biznesu, wdrażać automatyzacje związane z AI i te wszystkie elementy przez analityka

Mogą i powinny być łączone, a co za tym idzie ta samodzielność jest dosyć ważna w tej pracy. Wracając do umiejętności technicznych, AI jest umiejętnością samą w sobie. Bardzo ciężko sprecyzować dokładnie na czym ta umiejętność polega, ale nie ma co się oszukiwać, że AI weszło nam do staku technologicznego. To z mojego punktu widzenia oznacza kilka takich bardziej szczegółowych umiejętności. Po pierwsze, dostrzeganie potencjału automatyzacji tam, gdzie ta automatyzacja jest pewna i dosyć ma niski potencjał ryzyka. To znaczy, że jeżeli coś pójdzie nam nie tak, to te koszty będą naprawdę niewielkie. Po drugie, zarządzanie promptami kontekstem, czyli my jesteśmy w stanie pracować z dowolnym modelem, umiemy się przełączać między modelami, nie jesteśmy fanboyami jakiegoś rozwiązania,

Teraz tylko Claude. Teraz tylko Codex. Jak widzisz, trwa aktywna rywalizacja firm dostarczających modele i trudno żyć w jakiejś takiej psychozie, że co chwilę będziemy się przełączać. Trzeba to po prostu potraktować w ten sposób, że mamy różne opcje i w razie czego umiemy się bardzo łatwo przełączyć. Najtrudniejsze w tym wszystkim jest odpowiednie zarządzanie przestrzenią, w której AI się porusza, co generalnie sprowadza się do zarządzania kontekstem. Czyli zarządzania bazą wiedzy, na której AI polega. I powiedziałbym, że taka dolna granica to jest dobre zarządzanie plikami Markdown, czy teraz już coraz częściej plikami HTML, które opisują zasoby, w których AI się porusza, a górna granica to jest na przykład

KajoData.pl Po prostu traktować to w swojej głowie jako osobny stag technologiczny, tak jak do tej pory traktowaliśmy np. Power BI czy Pythona. Wracając do umiejętności miękkich, z tym co powiedziałem przed chwilą o AI wiąże się bardzo ważna umiejętność, która mimo wszystko istnieje od dawna. To znaczy umiejętność ciągłego uczenia się. Może się wydawać, że to się zmieniło kiedy pojawiło się AI, ale tak naprawdę powiedziałbym, że ta umiejętność ciągłego uczenia się była z nami od zawsze.