📖 Θεωρία: Δεδομένα, Ρόλοι & Ανάλυση
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:
-
Συλλογή (Collection) — Πού βρίσκονται τα δεδομένα; Πώς τα παίρνουμε;
-
Καθαρισμός (Cleaning) — Διορθώνουμε λάθη, κενά, διπλότυπα
-
Ανάλυση (Analysis) — Ψάχνουμε μοτίβα, τάσεις, σχέσεις
-
Οπτικοποίηση (Visualization) — Μετατρέπουμε σε γραφήματα/dashboards
-
Απόφαση (Decision) — Με βάση τα ευρήματα, αποφασίζουμε
-
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.