Praca własna uczestnika

Data Science
dla Decydentów

8 bloków · 7 ćwiczeń · 3 case studies

Ten dokument to Twoja osobista praca własna z kursu. Wypełniaj go w trakcie każdego ćwiczenia — na ekranie lub w wydruku. Dane są zapisywane lokalnie w przeglądarce po kliknięciu Zapisz.

Na końcu znajdziesz gotowy szablon One-Page Project Brief — dokument, który zabierzesz ze sobą do swojej organizacji.

B1 · Czym jest DS? B2 · Pytanie analityczne B3 · Dane B4 · Narzędzia B5 · Model B6 · Metryki B7 · Pułapki B8 · Jak zamawiać
Blok 01 · 45 min

Czym jest data science?

Mapa pojęć · trzy typy problemów · kiedy DS ma sens biznesowy
Kluczowe pojęcia do zapamiętania
  • Raportowanie: „Co się stało?" — dane historyczne, dashboardy, Excel, BI
  • Analityka: „Dlaczego się stało?" — korelacje, segmentacja, hipotezy
  • ML / AI: „Co się stanie / co zrobić?" — predykcja, klasyfikacja, optymalizacja
  • Reguła biznesowa: deterministyczne if/else — szybka, tania, audytowalna, ograniczona
  • Kiedy DS NIE jest potrzebny: gdy reguła wystarczy, dane są za małe lub za drogie
ĆW 01 Czy to jest problem data science? 15 min
Materiały: Karta z 10 scenariuszami (wydruk lub ekran)
1
Dostaniesz 10 zdań opisujących potrzebę biznesową. Dla każdego zdecyduj: raportowanie, analityka, ML, AI, czy reguła biznesowa (if/else)?
2
Uzasadnij każdy wybór jednym zdaniem.
3
Porównajcie wyniki w parach. Gdzie są różnice? Skąd się biorą? Zapisz te, które Cię zaskoczyły.
Notatki wolne / spostrzeżenia
Debrief ćw. 01 Moje odpowiedzi na pytania prowadzącego
Które przypadki były najtrudniejsze do zaklasyfikowania i dlaczego?
Czy w Twojej organizacji jest projekt nazywany AI, który tak naprawdę jest raportowaniem?
Jaka jest różnica między modelem a regułą biznesową? Kiedy reguła wystarczy?
Nie każdy problem wymaga ML. Najtrudniejsza umiejętność to wiedzieć, kiedy DS NIE jest potrzebny.
Moje wnioski z Bloku 1
Co zabieram z tego bloku?
Jedno zdanie, które zapamiętam
Jeden pomysł do wdrożenia w mojej organizacji
Blok 02 · 60 min

Od problemu biznesowego do pytania analitycznego

Case Churn · target · cechy · horyzont · data leakage
Kluczowe pojęcia do zapamiętania
  • Target (zmienna docelowa): konkretna, mierzalna zmienna, którą chcemy przewidzieć
  • Horyzont predykcji: „do ilu dni do przodu" — zmienia trudność modelu i wartość biznesową
  • Data leakage: używanie w modelu danych, które w produkcji nie byłyby dostępne w momencie predykcji
  • Cechy (features): zmienne wejściowe modelu — muszą być dostępne PRZED zdarzeniem, które przewidujemy
ĆW 02 Przetłumacz biznes na dane 20 min
Materiały: Kartki A4 do notatek · flipchart
1
Scenariusz: „Chcemy zmniejszyć odpływ klientów w naszej firmie."
W parach odpowiedzcie na 5 pytań: co dokładnie znaczy odejście? Kogo obserwujemy? Jaki horyzont? Jakie dane mamy? Co robimy z wynikiem?
2
Sformułuj formalne pytanie analityczne wg wzoru: „Jaka jest szansa, że klient [TARGET], w ciągu [HORYZONT] dni, biorąc pod uwagę [CECHY]?"
3
Znajdź w swoim pytaniu potencjalne data leakage — cechy, które zawierają informacje „z przyszłości".
Notatki wolne
Debrief ćw. 02 Moje odpowiedzi na pytania prowadzącego
Dlaczego różne pary miały różne definicje „odejścia"? Co z tego wynika dla Twojej organizacji?
Które dane są łatwo dostępne w Twojej organizacji, a których brakuje?
Jak horyzont predykcji (30 vs 180 dni) zmienia użyteczność modelu dla biznesu?
Definicja problemu to 50% projektu. Czas spędzony na precyzji na początku oszczędza 3 miesiące redesignu.
Moje wnioski z Bloku 2
Co zabieram z tego bloku?
Jedno zdanie, które zapamiętam
Jeden pomysł do wdrożenia
Blok 03 · 60 min

Dane: paliwo, błoto i złoto

Typy danych · jakość · bias · korelacja vs przyczynowość
Kluczowe pojęcia do zapamiętania
  • MCAR / MAR / MNAR: trzy typy braków danych — MNAR jest najniebezpieczniejszy (brak zależy od brakującej wartości)
  • Bias historyczny: model uczy się niesprawiedliwości z przeszłości i je powtarza
  • Korelacja vs przyczynowość: model wykrywa korelacje, nie przyczyny — A/B test potwierdza związek przyczynowy
  • AI Act art. 10: dostawcy systemów AI wysokiego ryzyka MUSZĄ zapewnić dane treningowe wolne od biasów lub je dokumentować
ĆW 03 Co może pójść źle? 20 min
Materiały: Wydruk tabeli z danymi klientów (dostępny od prowadzącego)
1
Prowadzący pokazuje tabelę z danymi klientów (8 kolumn, 20 wierszy). W grupach: zidentyfikujcie minimum 5 potencjalnych problemów z jakością danych.
2
Dla każdego problemu: czy to błąd danych, błąd definicji, czy błąd zbierania?
3
Który problem jest najgroźniejszy dla modelu predykcyjnego i dlaczego?
Notatki wolne
Debrief ćw. 03 Moje odpowiedzi na pytania prowadzącego
Który problem z tabeli byłby najtrudniejszy do naprawy i dlaczego?
Czy w Twojej organizacji wiesz, gdzie są braki danych w kluczowych systemach?
Jak bias historyczny może wpływać na modele używane w Twojej branży?
Garbage in, garbage out. Więcej czasu na dane niż na algorytm to nie strata — to inwestycja.
Moje wnioski z Bloku 3
Jedno zdanie, które zapamiętam
Jeden pomysł do wdrożenia
Blok 04 · 45 min

Narzędzia data science

Bez wchodzenia pod maskę · Python · AutoML · LLM · chmura
Mapa narzędzi (do zapamiętania)
  • BI (Excel, Power BI, Tableau): raportowanie i wizualizacja — NIE są ML
  • SQL: niezbędny do wyciągania danych z baz — punkt wejścia każdego projektu DS
  • Python / R: język analityki i ML (pandas, scikit-learn, XGBoost, PyTorch)
  • AutoML: automatyzuje dobór modelu — obniża barierę wejścia, nie eliminuje potrzeby rozumienia problemu
  • LLM (ChatGPT, Claude, Gemini): asystent analityka — akceleruje pracę, nie zastępuje definicji problemu
Moje notatki z Bloku 4
Mapowanie narzędzi do mojej organizacji
Jakich narzędzi DS używamy już w mojej firmie?
Czego brakuje i co chcielibyśmy dodać?
Co mnie zaskoczyło w pokazie Jupyter Notebook / pokazu narzędzi?
Moje pytania do prowadzącego o narzędzia
Blok 05 · 60 min

Jak powstaje model?

Trening · test · baseline · typy modeli · overfitting · decyzja
Kluczowe pojęcia do zapamiętania
  • Train/Test split: model oceniamy TYLKO na danych, których nie widział w treningu — inaczej to egzamin z własnych pytań
  • Baseline: najprostszy model jako punkt odniesienia — bez niego nie wiesz, czy ML wnosi wartość
  • Overfitting: 95% na treningu, 62% na teście — model nauczył się szumu, nie wzorca
  • 5 kroków modelu: Dane → Podział → Trening → Ewaluacja → Decyzja
ĆW 04 Model mówi: klient odejdzie. I co teraz? 20 min
Materiały: Karta z 4 profilami klientów z listy ryzyka (wartość, historia, segment)
1
Scenariusz: model wskazał 1 000 klientów z prawdopodobieństwem odejścia powyżej 70% w ciągu 90 dni. Budżet: 50 PLN per klient. Możesz wybrać max 300 klientów do aktywnej interwencji.
2
Co robimy z pozostałymi 700 klientami z wysokim ryzykiem? Brak działania to też decyzja.
3
Uzasadnij decyzję. Jaki KPI sukcesu dla tej akcji retencyjnej przyjmujesz?
Notatki wolne
Debrief ćw. 04 Moje odpowiedzi na pytania prowadzącego
Jak rozłożyłeś/łaś akcje między segmenty? Dlaczego tak?
Klienci o ryzyku 71% vs 95% — czy to ta sama interwencja?
Jeżeli model myli się w 30% przypadków — ile fałszywych alarmów kosztuje akcja retencyjna?
Predykcja bez decyzji o akcji to horoskop w garniturze. Model to narzędzie — decyzja należy do człowieka.
Moje wnioski z Bloku 5
Jedno zdanie, które zapamiętam
Jeden pomysł do wdrożenia
Blok 06 · 60 min

Metryki i ocena modeli

Accuracy · Precision · Recall · F1 · macierz pomyłek · koszt błędu
Kluczowe pojęcia do zapamiętania
  • Accuracy kłamie przy niezrównoważonych klasach — model „nie wykrywa fraudów" osiąga 99.9% celności
  • Precision: z tego co model oznaczył jako pozytywne — ile naprawdę jest pozytywnych (FP ↓)
  • Recall: z wszystkich rzeczywistych pozytywnych — ile model wykrył (FN ↓)
  • Trade-off: nie możesz mieć idealnych obu jednocześnie — wybierasz, który błąd jest droższy
  • Przekładaj na PLN: FP kosztuje X, FN kosztuje Y → dopiero wtedy wybierasz optymalny próg
ĆW 05 Który model wybierasz? 15 min
Materiały: Karta z opisem modeli i kontekstami
1
Dwa modele do detekcji anomalii w transakcjach:
Model A: Precision 94%, Recall 48%
Model B: Precision 71%, Recall 86%
2
Kontekst 1: bank detaliczny, 2 mln transakcji dziennie, tolerancja na fałszywe alarmy niska. Który model i dlaczego?
3
Kontekst 2: platforma e-commerce, główne ryzyko to fraudy o wysokiej wartości. Który model i dlaczego?
4
Co byś zmienił/ła w modelach, gdybyś mógł/mogła? Jak byś zakomunikował/ła wybór zarządowi?
Notatki wolne
Debrief ćw. 05 Moje odpowiedzi na pytania prowadzącego
Dlaczego ten sam model może być dobry dla jednej firmy i zły dla drugiej?
Jak koszt FP i FN w Twojej branży wpływa na optymalny próg decyzyjny?
Metryka modelu to nie decyzja. Metryka informuje — decyzja o progu należy do biznesu.
Moje wnioski z Bloku 6
Jedno zdanie, które zapamiętam
Jeden pomysł do wdrożenia
Blok 07 · 60 min

Pułapki data science w organizacji

Drift · brak ownership · model w labie vs prod · bias · AI Act
Kluczowe pojęcia do zapamiętania
  • Model drift: świat się zmienia, model nie — po 6 miesiącach skuteczność spada bez monitoringu
  • PoC ≠ wdrożenie ≠ sukces: trzy różne kamienie milowe, każdy wymaga osobnego sponsora i budżetu
  • Business owner modelu: kto w organizacji jest odpowiedzialny za model po wdrożeniu? Kto odbierze alert o drifcie?
  • AI Act (już obowiązuje): systemy AI wysokiego ryzyka wymagają rejestracji, monitoringu i dokumentacji
ĆW 06 Sekcja zwłok nieudanego projektu 20 min
Materiały: Wydruk opisu przypadku (1 strona A4 per grupę)
1
Opis przypadku: firma zbudowała model z 94% accuracy. Zarząd zachwycony. Po 3 miesiącach wdrożenia sprzedaż nie wzrosła, klienci narzekali, dział analityki stracił wiarygodność. W grupach: znajdźcie minimum 4 przyczyny niepowodzenia.
2
Dla każdej przyczyny: co należało zrobić inaczej i kiedy (na etapie definicji / danych / modelu / wdrożenia / monitoringu)?
3
Głosowanie grupowe: która przyczyna była decydująca? Wasz werdykt z uzasadnieniem.
Notatki wolne
Debrief ćw. 06 Moje odpowiedzi na pytania prowadzącego
Który błąd był najdroższy do naprawienia po fakcie?
Czy Twoja organizacja ma „właściciela biznesowego" dla modeli AI, które są już w użyciu?
Co musiałby zawierać „audyt" modelu po 6 miesiącach od wdrożenia?
Niepowodzenie projektu DS to najczęściej nie problem algorytmu — to problem definicji, danych lub organizacji.
Moje wnioski z Bloku 7
Jedno zdanie, które zapamiętam
Jeden pomysł do wdrożenia
Blok 08 · 75 min

Jak dobrze zamawiać projekt data science

Brief · 12 pytań · czerwone flagi · mierzenie wartości
12 pytań, które zadaj PRZED umową
12 PYTAŃ PRZED KAŻDYM PROJEKTEM DS — CHECKLISTA
  1. 01Jaką konkretną decyzję biznesową model ma wspierać?
  2. 02Co definiuje sukces projektu (w PLN lub w czasie)?
  3. 03Jakie dane są dostępne i kto jest ich właścicielem?
  4. 04Jaki jest horyzont predykcji i jak wpływa na wartość?
  5. 05Kto będzie używał modelu i jak wygląda jego praca dziś?
  6. 06Jak model trafi do produkcji (integracja, infrastruktura)?
  7. 07Kto jest business ownerem modelu po wdrożeniu?
  8. 08Jak często model będzie retrenowany / monitorowany?
  9. 09Jaka jest kategoria ryzyka wg AI Act?
  10. 10Jaki jest koszt błędu FP i FN dla biznesu?
  11. 11Co się stanie, gdy model się myli? Kto decyduje?
  12. 12Jak mierzymy ROI po 6 i 12 miesiącach?
ĆW 07 One-page data science project brief 30 min
Materiały: Ta strona (poniżej) · marker + flipchart · 5 min prezentacji per grupa
Pytania z listy 12, które okazały się najtrudniejsze
Notatki wolne / feedback grupy
Debrief ćw. 07 Moje odpowiedzi na pytania prowadzącego
Które pytanie z listy 12 było najtrudniejsze do odpowiedzi i dlaczego?
Co by się zmieniło w tym projekcie, gdybyś zaczynał/ła od gotowego briefa?
Kto w Twojej organizacji powinien być właścicielem biznesowym modeli AI?
Brief to nie formalność. To dowód, że wiemy co robimy zanim wydamy pieniądze.
Podsumowanie całego kursu — Moje 3 wnioski
Co zabierasz do swojej organizacji?
Wniosek 1 — największe zaskoczenie kursu
Wniosek 2 — coś, co zmienię w podejściu do projektów AI/DS
Wniosek 3 — pytanie, które zadam swojemu zespołowi / dostawcy w tym tygodniu
Mój plan na 30 dni po kursie
Moduł + · Feature engineering · 60 min

Feature engineering — intuicja

Dlaczego dobór cech decyduje częściej niż wybór algorytmu
Kluczowe pojęcia do zapamiętania
  • Cecha (feature): kolumna danych podawana modelowi na wejściu — sztuka to mieć właściwe, nie liczne
  • Feature engineering: przerobienie surowych danych w cechy niosące sygnał — tu DS zarabia na pensję
  • RFM: Recency, Frequency, Monetary — trzy liczby, które biją połowę „sztucznych inteligencji”
  • Dobra cecha bije model: prostota wejścia często wygrywa ze złożonością algorytmu
  • Leakage w cechach: „kontakt z działem rezygnacji” przewiduje rezygnację — bo to praktycznie ona
ĆW + Zbuduj 5 cech do modelu odejść 8 min
Materiały: Surowe dane klienta (opis od prowadzącego)
1
Masz: datę rejestracji, listę transakcji (kwoty i daty), liczbę telefonów na infolinię, region. Zaproponuj 5 cech niosących sygnał o ryzyku odejścia.
2
Przy każdej cesze zaznacz: czy nie grozi jej data leakage z przyszłości?
3
Porównaj z sąsiednią parą — które cechy się powtarzają, a które są oryginalne?
Notatki wolne / spostrzeżenia
Debrief ćw. + Moje odpowiedzi
Która z Twoich cech była najbardziej narażona na leakage?
Dlaczego RFM — trzy liczby — bywa skuteczniejsze niż skomplikowany model?
O co zapytasz zespół, gdy pokaże Ci listę cech modelu?
Cechy ważniejsze niż algorytm. Pytaj o pochodzenie i moment dostępności każdej cechy.
Moje wnioski — Feature engineering
Co zabieram z tego modułu?
Jedno zdanie, które zapamiętam
Jeden pomysł do wdrożenia w mojej organizacji
Moduł + · Jak czytać wykres · 45 min

Jak czytać (i jak kłamać) wykresem

Większość „dowodów z danych” to slajdy z wykresami — a wykres kłamie, nie kłamiąc
Kluczowe pojęcia do zapamiętania
  • Ucięta oś Y: wzrost ze 100 do 102 wygląda na podwojenie — sprawdzaj, gdzie zaczyna się oś
  • Cherry picking zakresu: „sprzedaż rośnie” — od najgorszego miesiąca w historii
  • Procenty bez bazy: „+200%” z dwóch klientów do sześciu — żądaj liczb bezwzględnych
  • Średnia ukrywa rozkład: „średni klient wydaje 200 zł”, gdy połowa wydaje 20, a kilku po 5000
  • Case 3 — 5 pytań kontrolnych: korelacja pozorna? pominięta zmienna? reprezentatywność? stabilność w czasie? da się przetestować eksperymentem?
ĆW + Złap wykres, który kłamie 6 min
1
Przypomnij sobie ostatni wykres z firmowej prezentacji. Którą z pułapek powyżej zawierał — albo mógł zawierać?
2
Jakie jedno pytanie zadasz następnym razem, zanim uznasz wykres za dowód?
Notatki wolne / spostrzeżenia
Debrief Moje odpowiedzi
Kiedy korelacja wystarcza do decyzji, a kiedy musimy znać przyczynę?
Jak odróżnić zależność prawdziwą od pozornej na dużych danych?
Tylko test A/B potwierdza przyczynę. Reszta to dobrze wyglądające domysły. Trzy odruchy: gdzie oś, jaki przedział, gdzie grupa kontrolna.
Moje wnioski — wykresy i Case 3
Co zabieram z tego modułu?
Jedno zdanie, które zapamiętam
Jeden pomysł do wdrożenia w mojej organizacji
Moduł + · Szeregi czasowe · 45 min

Szeregi czasowe — prognozowanie

Połowa pytań biznesowych to „ile czegoś będzie” — i ma własne pułapki
Kluczowe pojęcia do zapamiętania
  • Trend / sezon / szum: dobra prognoza rozkłada przeszłość na te trzy części i przedłuża dwie pierwsze
  • Baseline naiwny: „tyle co rok temu” — zaskakująco trudny do pobicia; jeśli model ledwo go bije, zapłaciłeś za nic
  • Nie wolno losować: test to zawsze najnowszy okres, nigdy losowe punkty
  • Szok zewnętrzny: marca 2020 nie przewidział żaden model — pytaj, co robi, gdy świat się łamie
  • Przedział, nie liczba: „3,8–4,6 mln z 80% pewności” nadaje się do decyzji; jedna liczba to iluzja kontroli
ĆW + Twoja prognoza w firmie 6 min
1
Gdzie w Twojej organizacji ktoś prognozuje przyszłość (sprzedaż, popyt, ruch)? Czy dostajesz jedną liczbę, czy przedział?
2
Co zrobiłbyś inaczej, gdyby zawsze podawano przedział niepewności?
Notatki wolne / spostrzeżenia
Moje wnioski — szeregi czasowe
Co zabieram z tego modułu?
Jedno zdanie, które zapamiętam
Jeden pomysł do wdrożenia w mojej organizacji
Moduł + · Segmentacja · 45 min

Segmentacja — clustering

Grupowanie bez etykiet — i dlaczego sens nadaje człowiek, nie algorytm
Kluczowe pojęcia do zapamiętania
  • Klasteryzacja: uczenie bez nadzoru — model znajduje skupiska sam, bez poprawnych odpowiedzi
  • Algorytm daje kupki, nie znaczenia: nazwanie i zrozumienie grup to praca człowieka
  • Liczba klastrów to decyzja zarządcza: tyle segmentów, iloma strategiami umiesz zarządzać
  • Pierwszy test: czy z tymi grupami potrafimy zrobić coś różnego w działaniu?
  • Pułapka: algorytm zawsze coś pogrupuje — nawet z losowych danych; pytaj o sens biznesowy
ĆW + Nazwij cztery segmenty RFM 8 min
Materiały: Opis 4 skupisk (średnie R, F, M)
1
Dla każdego z 4 segmentów nadaj jedno hasło i przypisz jedną akcję + budżet (wysoki/średni/zero).
2
Który segment świadomie odpuszczasz — i dlaczego to też jest decyzją?
Notatki wolne / spostrzeżenia
Debrief Moje odpowiedzi
Jakie jedno pytanie zadasz, by sprawdzić, czy segmentacja jest coś warta?
Dlaczego równy budżet na wszystkie segmenty oznacza brak decyzji?
Klasteryzacja daje kupki, nie odpowiedzi. Liczba segmentów to decyzja zarządcza, nie wynik matematyczny.
Moje wnioski — segmentacja
Co zabieram z tego modułu?
Jedno zdanie, które zapamiętam
Jeden pomysł do wdrożenia w mojej organizacji
Moduł + · LLM jako analityk · 45 min

LLM jako asystent analityka

Akcelerator, nie zastępstwo myślenia — pewny siebie nawet, gdy się myli
Kluczowe pojęcia do zapamiętania
  • Robi dobrze: pisze kod, tłumaczy błędy, przekłada metryki na język zarządu, robi wstępną analizę
  • Nie zastępuje: definicji problemu, znajomości dziedziny, oceny danych, decyzji o wdrożeniu
  • Kłamie z przekonaniem: nie powie „nie wiem” — mówi płynnie, nawet gdy się myli
  • Złota zasada: z LLM weryfikujesz logikę, nie tylko kod — podpis pod decyzją zostaje Twój
  • To nie ten kurs: prompt engineering i agenci to osobne przedmioty — tu LLM jako narzędzie analityka
ĆW + LLM w Twojej pracy 6 min
1
Gdzie LLM już oszczędza Ci czas — i gdzie widziałeś, jak pewnie się pomylił?
Notatki wolne / spostrzeżenia
Moje wnioski — LLM
Co zabieram z tego modułu?
Jedno zdanie, które zapamiętam
Jeden pomysł do wdrożenia w mojej organizacji
Moduł + · AI Act i governance · 45 min

AI Act i governance dla DS

Nie temat dla prawników — lista kontrolna ryzyka i jakości dla Ciebie
Kluczowe pojęcia do zapamiętania
  • Klasyfikacja po zastosowaniu, nie technologii: regresja też bywa „wysokiego ryzyka”
  • Cztery poziomy: niedopuszczalne (zakazane) · wysokie · ograniczone (przejrzystość) · minimalne
  • Wysokie ryzyko = lista obowiązków: data governance (art. 10), dokumentacja/karta modelu (art. 13), nadzór człowieka, monitoring po wdrożeniu (art. 72), prawo do wyjaśnienia (art. 86)
  • GenAI: obowiązek oznaczania treści generowanych i ujawnienia, że użytkownik rozmawia z AI
  • Governance per system: jedna firma może mieć systemy ze wszystkich półek ryzyka jednocześnie
ĆW + Zaklasyfikuj ryzyko 5 min
1
Przypisz poziom ryzyka (minimalne / ograniczone / wysokie / niedopuszczalne): (a) chatbot FAQ, (b) scoring kredytowy, (c) automatyczne odrzucanie CV, (d) rekomendacja produktów.
2
Wskaż jeden system AI w Twojej organizacji i zgadnij jego kategorię ryzyka.
Notatki wolne / spostrzeżenia
Debrief Moje odpowiedzi
Który z Waszych systemów może być „wysokiego ryzyka” — i co to oznacza w praktyce?
Dlaczego interpretowalność modelu bywa wymogiem prawnym, nie luksusem?
„Wysokie ryzyko” to lista pokrywająca się z dobrą praktyką DS — tyle że obowiązkowa. Kategorię ustalaj przed startem projektu. [Zweryfikuj aktualne daty wejścia przepisów.]
Moje wnioski — AI Act
Co zabieram z tego modułu?
Jedno zdanie, które zapamiętam
Jeden pomysł do wdrożenia w mojej organizacji
Capstone · 75 min

One-Page Project Brief

Twój realny projekt — wypełnij brief i obroń go przed radą projektową
12 pytań przed umową (rada projektowa zapyta o nie)
  • 1. Jaką konkretną decyzję biznesową model wspiera? · 2. Co definiuje sukces — w złotówkach lub czasie?
  • 3. Jakie dane i kto jest ich właścicielem? · 4. Jaki horyzont predykcji i jak wpływa na wartość?
  • 5. Kto użyje modelu i jak wygląda jego praca dziś? · 6. Jak model trafi na produkcję?
  • 7. Kto jest business ownerem po wdrożeniu? · 8. Jak często retraining i monitoring?
  • 9. Jaka kategoria ryzyka AI Act? · 10. Koszt fałszywego alarmu i przeoczenia?
  • 11. Co się dzieje, gdy model się myli — kto decyduje? · 12. Jak mierzymy zwrot po 6 i 12 miesiącach?
Brief projektu Wypełnij wszystkie pola — to Twój dokument do obrony
Problem biznesowy
Jaką decyzję wspiera model
Typ problemu
Target (co przewidujemy, dokładnie)
Horyzont predykcji
Dane + właściciel danych
3–5 kluczowych cech (uwaga na leakage!)
Baseline (jak jest dziś, bez modelu)
Metryka sukcesu — w złotówkach
Koszt błędu: fałszywy alarm / przeoczenie
Kategoria ryzyka AI Act
Business owner po wdrożeniu
Plan monitoringu / retrainingu
Ryzyka i czerwone flagi
Dostawca, który nie umie odpowiedzieć na te 12 pytań, nie jest gotowy do prowadzenia projektu. To nie przesłuchanie — to minimum.
Capstone — obrona
Po obronie przed radą projektową
Najtrudniejsze pytanie, które usłyszałem
Co poprawię w projekcie po dzisiejszej obronie