Raporty i dashboardy
Spójne, szybkie modele w Qlik Cloud i Power BI. Architektura warstwowa RAW → TRANSFORM → FACT/DIM, Set Analysis i Master Items, żeby logika żyła w jednym miejscu, a nie w pięćdziesięciu wykresach.
Portfolio · 2026
Hubert Gocał od danych
Analityk danych· BI· automatyzacja
Przekładam chaos arkuszy i baz na decyzje, które widać w liczbach — dashboardy, zautomatyzowane pipeline'y i aplikacje szyte na miarę firmy produkcyjno-handlowej.
Praktyk, nie teoretyk danych
Od lat zamieniam rozproszone arkusze, eksporty z systemu ERP i bazy Oracle w jedno źródło prawdy, na którym handel i zarząd podejmują decyzje.
Pracuję hands-on: siadam z osobą, która zna proces, rozumiem skąd biorą się liczby i gdzie pojawiają się błędy, a potem buduję rozwiązanie — od modelu danych w Power Query, przez dashboard w Qlik czy Power BI, aż po aplikację w Pythonie, która odświeża wszystko bez udziału człowieka.
Nie sprzedaję slajdów. Oddaję działające narzędzia, które oszczędzają godziny i wyłapują to, co wcześniej ginęło w plikach.
- Najpierw problem biznesowy, potem technologia. Narzędzie dobieram do pytania, nie odwrotnie.
- Architektura warstwowa — dane, które da się utrzymać i rozwijać, nie jednorazowy raport.
- Automatyzacja powtarzalności — jeśli robisz to co tydzień ręcznie, można to zautomatyzować.
Od arkusza po aplikację
Cztery obszary, jeden cel — mniej ręcznej roboty, więcej decyzji opartych na danych. Zakres dobieram do skali problemu i tempa firmy.
Excel na sterydach
Power Query (M), model danych i DAX zamiast ręcznych zlepków. Listy cenowe na funkcjach CUBE, automatyczne odświeżanie — arkusz, który pracuje sam.
Aplikacje na zamówienie
Python tam, gdzie kończą się możliwości arkusza: automat odświeżający pliki Excel na dyskach sieciowych (pywin32/COM, harmonogram) czy system alokacji zamówień na FastAPI + PostgreSQL + React.
Integracje danych
Łączę źródła, które „nie chcą” rozmawiać: Oracle SQL (CTE, funkcje okna, ODBC), REST API i pipeline'y ETL. Dane trafiają tam, gdzie mają być — czyste, w terminie i powtarzalnie.
Stack & kompetencje
Narzędzia, które mam w palcach
● rdzeń codziennej pracy ● wspierająco / projektowo
Qlik Cloud
Power BI
Oracle SQL
Power Query · M
DAX
Python
pywin32 · COM
Scheduling / Task
FastAPI
PostgreSQL
React
REST API
ODBC
ETL
Excel · CUBE
Realne problemy, mierzalne efekty
Anonimizowane studia przypadku z firmy produkcyjno-handlowej — format problem → rozwiązanie → efekt.
Czego realnie brakuje do zamówień i kiedy
- Problem
- Braki towarowe ginęły między systemem a ludzmi. Nikt nie widział skali ani historii.
- Rozwiązanie
- Dashboard z dziennymi snapshotami i KPI, śledzący każdą pozycję w czasie z możliwością cofnięcia się do dowolnego dnia.
- Efekt
- Braki widoczne od ręki. Zakupy wiedzą co dokładnie kupić a handel reaguje, zanim klient zdąży zadzwonić.
codziennesnapshoty historii
1 ekranzamiast 4 plików
Towar, który leży i mrozi gotówkę
- Problem
- Stany rosły, ale nikt nie wiedział, które indeksy realnie się obracają, a które tylko zajmują miejsce i wiążą kapitał.
- Rozwiązanie
- Dashboard rotacji na danych sprzedaży i stanów: wskaźnik rotacji, pokrycie w dniach, klasyfikacja ABC i martwy stok — odświeżany automatycznie.
- Efekt
- Zakupy widzą nadstany i zalegające indeksy; decyzje o przecenie czy wstrzymaniu zamówień zapadają na liczbach, nie na przeczuciu.
dni pokryciana każdym indeksie
ABCklasyfikacja stoku
Zaplanowane odświeżanie plików Excel
- Problem
- Raporty na dyskach sieciowych ktoś musiał otwierać i odświeżać ręcznie, codziennie, o stałej porze.
- Rozwiązanie
- Aplikacja desktop w Pythonie (pywin32/COM) sterująca Excelem wg harmonogramu — wymaga ścieżek UNC, loguje przebieg.
- Efekt
- Pliki gotowe przed startem dnia, bez czekania na człowieka i bez „zapomniałem odświeżyć”.
4 h → minutycodziennie, bez nadzoru
0ręcznych kliknięć
Silnik alokacji zamówień
- Problem
- Przydział towaru do zamówień przy wielu źródłach i strukturze BOM robiony „na czuja” w arkuszu.
- Rozwiązanie
- Aplikacja FastAPI + PostgreSQL + React: silnik alokacji, rozbicie BOM i realizacja z wielu źródeł (multi-source fulfillment).
- Efekt
- Powtarzalne, audytowalne decyzje przydziału zamiast wiedzy zamkniętej w jednej głowie.
multi-sourcefulfillment
BOMpełne rozbicie
Reklamacje · pełen obieg
Reklamacja od zgłoszenia do wydania — i gdzie się zacina
Jeden widok na całą drogę reklamacji: kto ją złożył, kiedy powstała, jak przeszła przez kolejne etapy obiegu i czym się zakończyła — wraz z miejscami, w których najczęściej powstają błędy.
zgłoszenie → wydaniepełen cykl w jednym miejscu
źródłoproblemu wskazane
- Problem
- Reklamacje żyły w mailach i pojedynczych arkuszach. Nie dało się powiedzieć, ile trwa obsługa, na którym etapie utyka i co generuje ich najwięcej.
- Rozwiązanie
- Model śledzący pełny cykl — od osoby zgłaszającej, przez utworzenie i kolejne kroki obiegu, aż po wydanie i rozliczenie. Każdy etap ze znacznikiem czasu i odpowiedzialnym, plus identyfikacja źródła problemu (klient, produkt, dział).
- Efekt
- Widać wąskie gardła i powtarzalne przyczyny reklamacji. Czas obsługi spada, a rozmowy z działami i dostawcami opierają się na danych, nie na wrażeniach.
Jak to wygląda od pierwszego maila
Bez korpo-procedur i znikania na miesiące. Cztery kroki, w których przez cały czas wiesz, na czym stoisz.
Rozmowa
Krótkie rozpoznanie (~30 min): co boli, co robisz ręcznie, gdzie giną dane. Zero zobowiązań.
Diagnoza i wycena
Konkretny zakres, termin i cena. Wiesz, za co płacisz, zanim cokolwiek ruszy.
Wdrożenie
Buduję i pokazuję na bieżąco, testujesz na swoich danych. Bez znikania na trzy miesiące.
Przekazanie i wsparcie
Dokumentacja, krótkie wdrożenie zespołu i opcjonalny serwis, gdy coś trzeba dostroić.
Zacznij od bezpłatnej konsultacji
30 minut, niezobowiązująco. Wyjdziesz z 2–3 konkretnymi pomysłami na Twoje dane — nawet jeśli nie podejmiemy współpracy.
Kontakt
Masz dane, które powinny pracować? Napisz.
Najlepiej zacząć od jednego zdania: co Cię uwiera w obecnych raportach albo co odświeżasz ręcznie. Odpiszę z konkretną propozycją kolejnego kroku.