Generativní AI pro datové analytiky

Cíle kurzu

Většina datových analytiků dnes používá AI chatovací nástroje (ChatGPT, Claude, Gemini a podobné) nahodile a bez systému — každý jinak, bez šablon, bez kontroly kvality výstupu. Výsledkem jsou nekonzistentní zadání, nejasné definice metrik, chybějící dokumentace a mnoho iterací, než je dodán správný výsledek.

Tento kurz ukazuje, jak stejné běžně dostupné AI chatovací nástroje (včetně práce s nahranými dokumenty — CSV, Excel, PDF) použít **systematicky**: na standardizovaná zadání, jejich upřesnění, průběžnou dokumentaci a dokumentaci výsledků. Cílem není naučit se nový nástroj, ale zavést opakovatelný proces, který zrychlí práci a sníží počet nedorozumění a chyb.

Kurz pracuje výhradně se základními, běžně dostupnými AI chat nástroji s podporou dokumentů — bez nutnosti API či programování. Pokročilé nástroje typu Codex či Claude Code budou pouze v rámci poslední ukázky jako příprava/ukázka, co se naučíte na pokročilém kurzu.

Pro koho je určeno

• Datoví analytici a BI analytici
• Reporting analytici a analytici kvality dat
• Částečně i data scientisti
• Byznys analytici a konzultanti, kteří pracují s daty, dotazy a reporty
• Vedoucí analytických týmů, kteří chtějí sjednotit způsob práce v týmu

Kurz nepředpokládá žádné zkušenosti s AI nástroji. Základní orientace v Excelu, SQL nebo BI reportingu je výhodou, ale konkrétní nástroj ani databázový engine nehraje roli.

Obsah kurzu

• Představení možností velkých jazykových modelů typu Chat GPT a dalších generativních nástrojů při typických datově-analytických činnostech
• Prompt Engineering minimum pro datové analytiky
• Praktické cvičení: Datová analýza s využitím AI od zadání po dokumentaci výsledků:
  • Příprava na schůzku zjištění potřeb
  • Předhledná šablona zadání datové analýzy
  • Definice pojmů, datový slovník, definice metrik
  • Příprava na schůzku – potvrzující otázky pro správné zadání
  • Práce s dotazy a daty (SQL, Excel vzorce, BI reporty obecně) — návrh dotazu z popisu potřeby, vysvětlení cizího dotazu/reportu, review a hledání chyb v logice
  • Interpretace a komunikace výsledků – příprava storytellingu
  • Tvorba standardizovaného výstupu, klíčové body dokumentace
  • Iterace, jejich zaznamenání
  • Analýza lessons learned
• Bezpečné používání AI nástrojů, aneb čeho se nebát a co raději nedělat.
• Pokročilé postupy a trendy do budoucna
  • Technika RAG a jak ji využít pro konverzace na míru projektu/produktu
  • Jak spustit a rozvíjet lokální jazykové modely pro další stupeň bezpečnosti
  • Pokročilé nástroje typu Codex, Claude Code či Opencode pro ještě efektivnější práci