df-flow.dev Porozmawiajmy

dane → raporty → decyzje

Dane, które pracują na Twoje decyzje

Buduję systemy, które łączą dane z Twoich programów, czyszczą je i zamieniają w gotowe raporty oraz dashboardy — bez ręcznego kopiowania i bez Exceli sklejanych po godzinach.

Porozmawiajmy
lat pracy z danymi
12+
raportów rocznie w zbudowanym systemie
~1500
rekordów w jednej analizie
do 120 mln
szybsze analizy po przeniesieniu obliczeń do bazy
60–70%

warstwa: usługi

Co mogę dla Ciebie zbudować

Dashboardy i raportowanie BI

Wskaźniki KPI i raporty, które aktualizują się same. Jeden ekran zamiast dziesięciu Exceli.

Automatyzacja przepływów danych

Koniec ręcznego kopiowania i „nudnych zadań”. Dane z Twoich systemów łączą się, czyszczą i raportują automatycznie — codziennie, bez Twojego udziału.

Analityka przestrzenna

Analizy oparte o lokalizację: punkty POI, typy zabudowy, zasięgi i potencjał lokalizacji. Odpowiedź na pytanie „gdzie?”, którego zwykła analityka nie widzi.

Prognozowanie i wykrywanie anomalii

Modele predykcyjne na Twoich danych — od prognozy zużycia paliwa ON w agregatach prądotwórczych 2000 KM po wychwytywanie nietypowych kosztów i nadużyć, zanim urosną.

warstwa: różnica

Ta sama firma, dwa poniedziałki

bez automatyzacji

Raport skleja się ręcznie z Exceli w piątek po godzinach.

Dane rozsiane po systemach, każdy dział ma inne liczby.

Decyzje o nowej lokalizacji podejmowane na wyczucie.

Wycena zlecenia oparta na ręcznych szacunkach.

z automatyzacją

Raport generuje się sam i czeka gotowy w poniedziałek rano.

Jedno źródło prawdy: dane połączone, oczyszczone, spójne.

Potencjał każdej lokalizacji oceniany według mierzalnych kryteriów.

Prognoza kosztów z modelu, z porównaniem wariantów.

warstwa: realizacje

Systemy, które już działają

usługa: automatyzacja przepływów danych

Platforma raportowa self-service — 1500 raportów rocznie bez ręcznej pracy

Zbudowałem system analityki na żądanie. Analizy uruchamia się z trzech miejsc — aplikacji web, terminala albo harmonogramu — i mocno customizuje parametrami. Prefect rozdziela zadania na kolejki szybkich i wolnych analiz, skrypt Python pobiera i waliduje dane, a obliczenia na DataFrame sięgają 80 mln rekordów. Wyniki trafiają do PostgreSQL i na OneDrive, Slack powiadamia o starcie i zakończeniu obliczeń, a aplikacja web pokazuje stan kolejki i statystyki użycia: kto, jak często, jak długo i z jakimi parametrami.

Architektura platformy raportowej self-service Aplikacja web, terminal Ubuntu i harmonogram kierują zadania do Prefect z kolejkami szybkich i wolnych analiz. Skrypt Python pobiera i waliduje dane, obliczenia na DataFrame obejmują do 80 milionów rekordów, wyniki trafiają do PostgreSQL i OneDrive. Obok: powiadomienia Slack i monitoring statystyk użycia. Aplikacja web Terminal Ubuntu Harmonogram Prefect kolejka: szybkie kolejka: wolne Skrypt Python pobranie i walidacja Obliczenia DataFrame do 80 mln rekordów PostgreSQL OneDrive Slack powiadomienia Monitoring web statystyki użycia

~1500 raportów rocznie · 5 min–12 h na analizę · do 80 mln rekordów · Docker + Kubernetes

usługa: dashboardy i raportowanie BI

Analityka w przeglądarce — wyniki 60–70% szybciej dzięki przeniesieniu obliczeń do bazy

Analizy uruchamia się wprost z aplikacji web, Prefect kolejkuje obliczenia, a dbt wykonuje ekstrakcję, transformacje i same obliczenia — wszystko w bazie danych, nie w Pythonie. Do przeglądarki wracają tabele, gotowe wykresy do raportów dla klienta i pełna historia analiz. Przetwarzam dane w bazie zamiast je z niej wyciągać — samo to skróciło wykonywanie analiz o 60–70%.

Architektura analityki w przeglądarce opartej o dbt Aplikacja web uruchamia analizy, Prefect kolejkuje obliczenia, dbt wykonuje ekstrakcję, transformacje i obliczenia w bazie danych — analizy są dzięki temu szybsze o 60 do 70 procent. Wyniki wracają do aplikacji web jako tabele, wykresy i historia analiz. Aplikacja web uruchamianie analiz Prefect kolejka obliczeń dbt ekstrakcja · transformacje obliczenia w bazie 60–70% szybsze analizy Aplikacja web — wyniki tabele · wykresy · historia

do 120 mln rekordów · analizy szybsze o 60–70%

Powtarzalna ocena potencjału każdej nowej lokalizacji

Wyzwanie
Klient potrzebował powtarzalnego sposobu oceny lokalizacji punktów sprzedaży — procesu, nie jednorazowej analizy.
Rozwiązanie
Połączyłem trzy warstwy danych: publiczne (gęstość zaludnienia GUS, budynki), konkurencyjne (brandy konkurencji pozyskane automatycznie ze stron internetowych) i behawioralne (dane klienta o ruchu w punktach POI). Proces ocenia potencjał lokalizacji, ruch użytkowników między punktami i charakterystykę otoczenia sprzedażowego.
Efekt
Powtarzalny proces zamiast jednorazowych analiz — każda nowa lokalizacja oceniana według tych samych, mierzalnych kryteriów.

Python · SQL · PostGIS

Wycena zleceń na podstawie prognozy, nie ręcznych szacunków

Wyzwanie
Przedsiębiorstwo wyceniało zlecenia wiertnicze na podstawie szacunków zużycia paliwa w agregatach prądotwórczych 2000 KM; każde nowe zlecenie oznaczało ręczne, czasochłonne szacowanie kosztów.
Rozwiązanie
Oczyściłem kilkuletnie dane operacyjne klienta i wzbogaciłem je o dane publiczne, pobierane automatycznie z serwisu państwowej instytucji geologicznej. Zbudowałem model regresji wielorakiej z wariantami: sezon zima/lato, wielkość załogi.
Efekt
Zautomatyzowane prognozy dostosowujące się do nowych zleceń — szybsze i dokładniejsze szacowanie kosztów oraz porównywanie wariantów przed decyzją.

Python · pandas · scikit-learn

Realna, nie teoretyczna widoczność każdego bilbordu

Wyzwanie
Klient znał parametry nośników (współrzędne, azymut, odległość), ale nie wiedział, skąd bilbordy są faktycznie widoczne — teoretyczny zasięg ignoruje przeszkody.
Rozwiązanie
Z parametrów wygenerowałem obrysy widoczności i przyciąłem je o realne przeszkody: budynki z ich wysokością oraz parki i drzewa — na publicznych danych o zabudowie.
Efekt
Mapa rzeczywistej, nie teoretycznej widoczności każdego nośnika — podstawa wyceny powierzchni reklamowych i lokalizacji nowych.

PostGIS · Python · publiczne dane przestrzenne

warstwa: proces

Jak wygląda współpraca

  1. Rozmowa o problemie

    Bez zobowiązań. Ustalamy, co dziś boli najbardziej i jakie dane w ogóle istnieją.

  2. Analiza danych i wycena

    Sprawdzam Twoje dane, proponuję zakres prac i konkretną wycenę.

  3. Wdrożenie etapami

    Działające fragmenty co tydzień–dwa, nie „wielki finał” po pół roku.

  4. Utrzymanie i rozwój

    System zostaje u Ciebie albo działa w abonamencie na moich serwerach.

warstwa: o mnie

Kto za tym stoi

Nazywam się Sebastian Sobiech. Jestem BI Data Engineerem i specjalistą GIS — z danymi pracuję od ponad 12 lat. Mieszkam w Zielonej Górze, pracuję zdalnie z firmami w całej Polsce.

wykształcenie

  • 2022–2024 Studia podyplomowe Data Engineering — Szkoła Główna Handlowa w Warszawie
  • 2012–2016 Studia inżynierskie, energetyka — Państwowa Wyższa Szkoła Zawodowa
  • 2009 Staż — Obserwatorium Astronomiczne Uniwersytetu im. Adama Mickiewicza w Poznaniu
  • 2004–2009 Astrofizyka komputerowa — Uniwersytet Zielonogórski

PostgreSQL/PostGIS · Python · dbt · Prefect · Oracle · GCP · QGIS/ArcGIS · Docker/Kubernetes

51.94°N 15.50°E — Zielona Góra

Porozmawiajmy o Twoich danych

Opisz w kilku zdaniach, jak dziś wygląda Twoje raportowanie — odpowiem, co da się zautomatyzować i od czego zacząć. Napisz też, jeśli wolisz po prostu umówić się na spotkanie.