Jsem specialista v oblasti datové analytiky zaměřující se především na extrakci, transformaci a vizualizaci dat do interaktivních reportů pomocí SQL, Python, Power Query a Power BI.
Umím také automatizovat manuální procesy s využitím nástrojů, jako jsou Python, Power Automate a Excel VBA.
EXTRAKCE A TRANSFORMACE DAT
Mám zkušenosti s extrakcí a transformací dat z různých zdrojů, jako jsou databáze, soubory, API a weby, pomocí SQL, Pythonu a Power Query.
VIZUALIZACE DAT
Umím vytvářet přehledné a interaktivní vizualizace, především pomocí Power BI a DAX. Mohu také využít i AWS QuickSight, Python nebo jiné nástroje pro vizualizaci.
AUTOMATIZACE
Mám zkušenosti s automatizací opakujících se procesů pomocí Pythonu, Power Automate a Excel VBA. Umím zefektivnit pracovní postupy a snížit manuální chyby.
CLOUD DATOVÁ ANALYTIKA
Mám praktické zkušenosti s AWS nástroji, jako jsou S3, QuickSight, Athena a Redshift, pro cloudovou analýzu dat.
SENTIMENT ANALÝZA
Umím analyzovat textová data pomocí pokročilých NLP modelů, jako jsou Vader a RoBERTa, pro predikci sentimentu a klasifikovat, jestli je zpětná vazba zákazníků pozitivní, negativní nebo neutrální.
ŠKOLENÍ V ANALÝZE DAT
Mám zkušenosti s poskytováním komplexního školení na SQL, Excel, Power Query a Power BI, které pomáhá týmům zlepšovat jejich schopnosti v oblasti analýzy dat.
Porfolio
Následující příklady ukazují moji práci na reportech. Kompletní informace o těchto a dalších projektech souvisejících naleznete na mém úložišti na GitHubu.
Reporty v Power BI
Specializuji se na vytváření uživatelsky přívětivých podnikových reportů. Každý vizuál v mých reportech je přizpůsoben tak, aby nejen zobrazoval data, ale aby i odhaloval postřehy a usnadnil hlubší porozumění. Design reportů je jedinečný a vytvořený tak, aby vyhovoval potřebám uživatelů.
Uživatelskou zkušenost vylepšuji také začleněním různých prvků, jako jsou tlačítka pro vyčištění filtrů nebo skryté filtry
pro úsporu místa.
V níže uvedeném příkladu je zobrazen dynamický týdenní report. Vizuály byly vytvořeny tak, aby zobrazovaly trendy, a nejen hodnoty z vybraného týdne. Vizuály jsou také podmíněně formátovány, aby uživatelům na první pohled poskytly jasnou představu o trendu.
Příklad 1 Dynamický týdenní report s přizpůsobenými KPI
Abych zaručil přesné fungování vizuálů, vytvářím komplexní kalkulace pomocí DAXu.
Ve druhém příkladu je uveden report počítající výkonnost zaměstnanců a jejich vzájemné srovnaní v procentech a číslech. Kalkulace odstraňují kontext filtru z vizuálů (jednotlivé zaměstnance) k vypočtení průměrného výkonu týmu, což je následně srovnáno s výkonem jednotlivých zaměstnanců.
Kromě toho je zde také funkcionalita, která vyloučí z kalkulace zaměstnance s nulovými hodnoty ve zvoleném časovém období.
Příklad 2 Report porovnávající výkonnost zaměstanců
Next Level KPI
Ve svých reportech se zaměřuji na vylepšení vizuálů tak, abych poskytl uživateli úplný kontext s poznatky o trendu a zároveň optimalizoval prostor v reportu.
V příkladu 3, je uveden KPI s týdenními výsledky. Aby byl ukázán celý kontext, začlenil jsem do vizuálu YTD a WoW kalkulace, stejně jako spojnicový graf, který ukazuje trend. WoW kalkulace je podmíněně formátována a ukáže, když má trend klesající charakter. Celý vizuál je zároveň formátován tak, aby se jeho barva změnila na červenou, pokud v daném týdnu nebyla splněna cílová hodnota.
Příklad 3 Next Level KPI
Dalším typem KPI, který vytvářím je vidět na příkladu 4. Tento graf může být formátován buď jako kruhový nebo tyčový graf. Jeho účelem je ilustrovat, do jaké míry bylo dosaženo cíle, a poskytnout další informace.
Graf je dynamicky formátován, zbarví se červeně, když je hodnota nižší než 50 %, oranžově, když je hodnota mezi 50–100 %, a zeleně, když se hodnota rovná nebo překročí cílovou hodnotu.
Příklad 4 Progress chart
Reporty v AWS Quicksight
Kromě Power BI mám zkušenosti také s tvorbou reportů pomocí AWS Quicksight. Stejně jako v Power BI, se snažím vytvářet dynamické, vizuálně přitažlivé a uživatelsky přívětivé reporty. Níže je uveden příklad jednoho z mých reportů vytvořeného v AWS Quicksight.
Příklad 5 Report vytvořený v AWS Quicksight
Python Data Visualization
V Pythonu mám zkušenosti s využíváním knihoven jako je Pandas, Matplotlib a Plotly k získávání poznatků z datových sad. Obvykle používám Pandas k rychlému histogramů pro porozumění distribuci dat nebo rozptylových grafů pro odhalení vztahů a korelací mezi proměnnými.
Kromě toho jsem již také využil Python k vytvoření interaktivních grafů jako na příkladu níže, kde je zobrazen graf vytvořený pomocí knihovny Plotly, který ukazuje analýzu prodeje - zisku vs. prodaných jednotek pro konkrétní země od roku 2020 do 2023. Každá bublina reprezentuje jednu zemi a její velikost je určena počtem prodejů v dane zemi. Barva bubliny označuje do kterého regionu země patří.
Příklad 6 Interaktivní graf analýzy prodeje vytvořený v Pythonu
Kontaktujte mě
Rád se zapojím do nových spoluprací. V případě zájmu mě neváhejte kontaktovat prostřednictvím kontaktního formuláře níže nebo použijte mé kontaktní údaje.
00420721014292
Praha, Česká republika