Kurs Analityk danych – wykorzystanie LLM i AI w analizach, generowaniu wniosków oraz podejmowaniu decyzji biznesowych

Proces szkoleniowy

Analiza potrzeb szkoleniowych

Jeśli masz życzenie dotyczące programu szkolenia, przeprowadzimy dla Ciebie analizę potrzeb szkoleniowych, która będzie wskazówką dla nas, na jakie aspekty programu położyć większy nacisk – tak, by program szkolenia spełniał konkretne potrzeby.

Co zyskujesz?

Lepsze użycie LLM w analizie - Nauczysz się odróżniać zadania, w których LLM realnie przyspiesza analizę, od tych, gdzie zwiększa ryzyko błędu, dzięki czemu podejmiesz trafniejsze decyzje o użyciu AI.

Skuteczne prompty analityczne - Będziesz pisać prompty, które prowadzą model do użytecznych odpowiedzi, poprawnych formatów i sensownych wniosków, zamiast tracić czas na chaotyczne iteracje i poprawki.

Lepsze zapytania SQL - Przećwiczysz generowanie, refaktoryzację i ocenę zapytań SQL z pomocą AI, aby szybciej przekładać pytania biznesowe na analizy i wychwytywać problemy z logiką lub wydajnością.

Szybsze tworzenie insightów - Dowiesz się, jak używać AI do podsumowań wyników, formułowania hipotez i generowania insightów produktowych, tak aby sprawniej przechodzić od danych do rekomendacji dla biznesu.

Pewniejsza interpretacja testów - Nauczysz się wspierać AI przy projektowaniu eksperymentów i interpretacji A/B testów, ale też rozpoznawać ryzyka automatycznych wniosków, zanim wpłyną na decyzje produktowe.

Mniej błędnych wniosków - Poznasz techniki sanity checków, wykrywania anomalii, braków i halucynacji w liczbach, dzięki czemu ograniczysz ryzyko przekazania błędnego insightu lub KPI do interesariuszy.

Praktyczna integracja AI - Zobaczysz, jak połączyć model językowy z bazą danych, kodem i kontekstem firmowym, aby wykorzystać AI w analizach ad hoc, dokumentacji i codziennej pracy zespołu analitycznego.

Bezpieczna praca z danymi - Nauczysz się dobierać podejście chmurowe i lokalne, anonimizować dane oraz korzystać z modeli open source, aby pracować z danymi wrażliwymi bez niepotrzebnego ryzyka operacyjnego.

Program szkolenia

1. Wprowadzenie do AI i modeli LLM w kontekście analitycznym

czym są modele LLM i jak działają, AI deterministyczna vs probabilistyczna; mocne strony i ograniczenia LLM w analizach danych,
gdzie AI realnie pomaga analitykowi, a gdzie szkodzi,
ewolucja roli analityka: od „operatora zapytań” do „orkiestratora systemów”,
ekonomia tokenów i zarządzanie oknem kontekstowym Modele RLM – dobór modelu do zadania,
architektura systemów AI: jak połączyć model językowy z bazą danych i kodem.

2. Prompt Engineering dla analiz danych – fundamenty

jak „myśli” model LLM i co to oznacza dla promptów, struktura promptu analitycznego,
inżynieria kontekstu, przygotowanie danych (Markdown, JSON, XML, CSV),
prompt systemowy – definiowanie ról ograniczeń i formatów wyjścia,
generowanie i refaktoryzacja zapytań SQL,
tłumaczenie wymagań biznesowych na zapytania analityczne,
analiza istniejących zapytań (czytelność, optymalizacja, edge cases),
„pamięć” systemów AI – RAG, Agentic RAG, bazy wektorowe i bazy grafowe.

3. Case’y analityczne – praca z danymi i insightami

automatyczne podsumowania wyników analiz, generowanie insightów produktowych i hipotez, sanity checks: wykrywanie anomalii, braków, nielogicznych wyników,
tworzenie i walidacja KPI,
interpretacja wyników A/B testów z pomocą AI, identyfikacja,
potencjalnych błędów w danych i analizach.

4. A/B testy i eksperymenty z wykorzystaniem AI

wsparcie AI w projektowaniu eksperymentów,
formułowanie hipotez testowych, interpretacja wyników statystycznych,
wspomaganie wnioskowania i komunikacji wyników,
ryzyka automatycznych interpretacji A/B testów,
„syntetycznych użytkownicy” (Persony AI).

5. Warsztaty: realne scenariusze zespołu

praca na rzeczywistych przykładach z zespołu,
optymalizacja istniejących promptów analitycznych,
testowanie różnych wariantów promptów,
porównywanie wyników i jakości odpowiedzi,
ocena przydatności AI w konkretnych use case’ach.

6. Integracja AI z codzienną pracą analityka

AI jako „copilot” analityka, nie zastępstwo,
wykorzystanie AI w:
- analizach ad-hoc,
- eksploracji danych,
- dokumentacji analiz,
- komunikacji insightów do biznesu.
automatyzacja powtarzalnych zadań analitycznych,
best practices pracy zespołowej z AI.

7. Jakość, etyka i bezpieczeństwo pracy z AI

walidacja wyników generowanych przez AI, odpowiedzialność analityka za wyniki, jak nie „przepuścić” błędnego insightu,
metody detekcji halucynacji w liczbach i faktach,
audytowalność i „Explainable AI”, „LLM-as-a-Judge”,
uruchamianie modeli open-source (Llama 3, Mistral, Gemma) za pomocą (Ollama, LM Studio),
analiza danych wrażliwych bez wysyłania ich do chmury (Local-First Analytics),
techniki anonimizacji i maskowania danych przed wysłaniem do zewnętrznych API. Podejście hybrydowe,
dobre praktyki organizacyjne.

8. Podsumowanie i rekomendacje dla zespołu

kiedy używać AI, a kiedy klasycznych metod,
checklisty do pracy analitycznej z AI,
rekomendowany workflow analityka wspieranego przez AI,
obszary do dalszego rozwoju zespołu.

Jakie są wymagania wstępne do udziału w szkoleniu?

Podstawy analizy danych - Powinieneś swobodnie pracować z danymi tabelarycznymi, filtrowaniem, agregacją i interpretacją wyników, aby skupić się na wykorzystaniu AI, a nie na nauce podstaw analityki.

Znajomość SQL - Powinieneś umieć czytać i tworzyć podstawowe zapytania SQL, w tym SELECT, JOIN, GROUP BY i WHERE, ponieważ szkolenie rozwija ten obszar z użyciem modeli AI.

Doświadczenie biznesowe - Powinieneś rozumieć, jak formułować pytania biznesowe, KPI i hipotezy analityczne, bo szkolenie skupia się na przekładaniu potrzeb biznesu na pracę z AI i danymi.

Gotowość do pracy warsztatowej - Powinieneś być gotów testować prompty, porównywać odpowiedzi modeli i oceniać ich jakość na przykładach, ponieważ duża część szkolenia ma praktyczny, warsztatowy charakter.