1. Τι είναι τα δεδομένα (data);

Δεδομένα είναι οποιαδήποτε πληροφορία μπορεί να καταγραφεί, να αποθηκευτεί και να αναλυθεί. Δεν είναι μόνο αριθμοί — είναι ονόματα, ημερομηνίες, τοποθεσίες, κείμενο, εικόνες, ήχος.

Παραδείγματα από την καθημερινή ζωή:

  • Το ιστορικό αγορών σου στο σούπερ μάρκετ

  • Τα βήματα που καταγράφει το κινητό σου

  • Οι ώρες που δουλεύει ένας υπάλληλος

  • Τα likes σε ένα post

💡 Βασική αρχή: Τα δεδομένα από μόνα τους δεν λένε τίποτα. Γίνονται χρήσιμα όταν τα μετατρέπουμε σε πληροφορία μέσω ανάλυσης.


2. Κατηγορίες δεδομένων

 
 
Κατηγορία Περιγραφή Παραδείγματα
Δομημένα (structured) Οργανωμένα σε πίνακες, γραμμές και στήλες Excel, βάσεις δεδομένων SQL
Ημι-δομημένα (semi-structured) Έχουν κάποια οργάνωση αλλά όχι αυστηρή JSON, XML, emails
Μη δομημένα (unstructured) Χωρίς συγκεκριμένη μορφή Κείμενα, εικόνες, βίντεο, posts

Σε αυτό το μάθημα θα δουλέψουμε κυρίως με δομημένα δεδομένα — γιατί είναι η βάση για κάθε ανάλυση.


3. Ο κύκλος ζωής των δεδομένων (Data Lifecycle)

Τα δεδομένα περνούν από 6 στάδια:

  1. Συλλογή (Collection) — Πού βρίσκονται τα δεδομένα; Πώς τα παίρνουμε;

  2. Καθαρισμός (Cleaning) — Διορθώνουμε λάθη, κενά, διπλότυπα

  3. Ανάλυση (Analysis) — Ψάχνουμε μοτίβα, τάσεις, σχέσεις

  4. Οπτικοποίηση (Visualization) — Μετατρέπουμε σε γραφήματα/dashboards

  5. Απόφαση (Decision) — Με βάση τα ευρήματα, αποφασίζουμε

  6. Δράση (Action) — Εφαρμόζουμε την απόφαση και μετράμε αποτέλεσμα

⚠️ Στην πράξη: Το 60-80% του χρόνου ενός data analyst πηγαίνει στον καθαρισμό δεδομένων. Αυτό δεν είναι κακό — είναι μέρος της δουλειάς.


4. Οι 4 Τύποι Ανάλυσης

 
 
Τύπος Ερώτηση που απαντά Παράδειγμα (Superstore)
Περιγραφική (Descriptive) Τι συνέβη; Πόσα προϊόντα πουλήθηκαν τον Οκτώβριο;
Διαγνωστική (Diagnostic) Γιατί συνέβη; Γιατί οι πωλήσεις έπεσαν στην Αθήνα;
Προβλεπτική (Predictive) Τι θα συμβεί; Πόσα θα πουλήσουμε τον Νοέμβριο;
Κατευθυντική (Prescriptive) Τι πρέπει να κάνουμε; Πού να ρίξουμε το budget για μέγιστο κέρδος;

📌 Σημείωση: Σε αυτό το μάθημα θα εστιάσουμε κυρίως στην περιγραφική και διαγνωστική ανάλυση. Η προβλεπτική και κατευθυντική απαιτούν πιο προχωρημένα εργαλεία (statistics, machine learning) που είναι πέρα από τον σκοπό μας.


5. Από το business question στο data question

Business question: «Οι πωλήσεις μας έπεσαν φέτος. Τι να κάνουμε;»

Πώς το μετατρέπουμε:

 
 
Business Question Data Question
Γιατί έπεσαν οι πωλήσεις; Ποια κατηγορία προϊόντων είχε τη μεγαλύτερη πτώση σε σχέση με πέρσι;
Πού να εστιάσουμε; Ποια περιοχή έχει τη μεγαλύτερη πτώση και ποια τη μεγαλύτερη ανάπτυξη;
Ποιοι πελάτες χάθηκαν; Πόσοι πελάτες δεν αγόρασαν ξανά τους τελευταίους 6 μήνες;

💡 Κανόνας: Ένα καλό data question είναι συγκεκριμένο, μετρήσιμο και απαντιέται με τα δεδομένα που έχεις.


6. Ρόλοι στον χώρο των data

 
 
Ρόλος Τι κάνει Εργαλεία Πού βρίσκεται
Data Analyst Αναλύει δεδομένα, φτιάχνει reports SQL, Excel, Python, Power BI Σχεδόν παντού
BI Analyst Φτιάχνει dashboards, παρακολουθεί KPIs Power BI, Tableau, SQL Εταιρείες με data culture
Business Analyst Γεφυρώνει business & τεχνολογία, requirements SQL, Excel, Visio, Jira Consulting, τράπεζες, retail
Data Scientist Predictive models, ML Python, R, ML libraries Tech, fintech, startups
Data Engineer Στήνει pipelines, βάσεις δεδομένων SQL, Python, cloud (Azure/AWS) Μεγάλες εταιρείες

7. Ενδεικτικοί μισθοί (εκτιμήσεις)

⚠️ Σημείωση: Τα παρακάτω είναι ενδεικτικά εύρη για junior-mid level ρόλους (0-3 χρόνια εμπειρίας). Διαφέρουν ανά εταιρεία, πόλη, κλάδο.

 
 
Ρόλος Ελλάδα (μηνιαίο μεικτό) Ευρώπη / Remote (ετήσιο μεικτό)
Data Analyst (junior) 1.000 – 1.400 € 30.000 – 45.000 €
Data Analyst (mid) 1.400 – 2.200 € 45.000 – 65.000 €
BI Analyst 1.300 – 2.000 € 40.000 – 60.000 €
Business Analyst 1.200 – 1.900 € 38.000 – 58.000 €
Data Scientist 1.800 – 3.000 € 55.000 – 90.000 €
Remote για ευρωπαϊκή εταιρεία — 35.000 – 70.000 €

💡 Στρατηγική συμβουλή: Οι δεξιότητες που θα μάθεις σε αυτό το μάθημα (SQL, Power BI, Python) ανοίγουν πόρτες και στην ελληνική αγορά και σε remote θέσεις — που συχνά πληρώνουν σημαντικά καλύτερα.