Czym jest przygotowanie danych i jak oceniać ich jakość

Po tej lekcji będziesz wiedzieć, czym jest przygotowanie danych, po co się je robi i jak ocenić jakość tabeli według pięciu prostych kryteriów. Poznasz też firmę Biuromix, na której danych pracujesz przez cały kurs.

Czym jest przygotowanie danych

Przygotowanie danych to wszystkie czynności między pobraniem pliku ze źródła a pierwszym wykresem czy tabelą przestawną: wczytanie, sprawdzenie, poprawienie, połączenie i opisanie danych. Po angielsku spotkasz nazwy data preparation, data cleaning albo data wrangling. Cel jest jeden: żeby wynik analizy opisywał rzeczywistość, a nie błędy w pliku.

W kursie pracujesz na danych fikcyjnej firmy Biuromix, sklepu internetowego z artykułami biurowymi z Lublina. Firma sprzedaje papier, długopisy, segregatory, tonery i drobne meble biurowe klientom z całej Polski. Co miesiąc ktoś z działu sprzedaży dostaje eksport zamówień i ma odpowiedzieć na proste pytania: ile sprzedaliśmy, w których miastach, które produkty wracają jako zwroty. Te pytania są proste tylko wtedy, gdy dane są uporządkowane.

Kilka pojęć, które pojawią się w każdej lekcji:

• dane surowe: plik w takiej postaci, w jakiej przyszedł z systemu (sklepu, CRM, księgowości), bez żadnych zmian;
• rekord (wiersz): jedna obserwacja, na przykład jedno zamówienie;
• pole (kolumna): jedna cecha rekordu, na przykład data zamówienia albo cena;
• klucz: kolumna, która jednoznacznie wskazuje rekord, na przykład numer zamówienia;
• reguła: warunek, który poprawne dane muszą spełniać, na przykład „ilość jest większa od zera”.

Pięć wymiarów jakości danych

O jakości danych najłatwiej myśleć przez kilka pytań kontrolnych. W praktyce analitycznej najczęściej używa się pięciu wymiarów:

Przykłady z pliku zamówień Biuromix, wrzesień 2026.

Każdy wymiar przekłada się na konkretne sprawdzenie. Kompletność sprawdzasz, licząc puste komórki w kolumnach. Spójność sprawdzasz, wypisując unikalne wartości kolumny tekstowej i szukając wariantów tego samego. Poprawność sprawdzasz regułami (zakresy, formaty, słowniki). Unikalność sprawdzasz, szukając powtórzonych kluczy. Aktualność sprawdzasz, patrząc na najmniejszą i największą datę.

Nie każdy problem trzeba naprawiać. Brak numeru telefonu klienta nie przeszkadza w analizie sprzedaży, ale brak ceny już tak. Dlatego zanim cokolwiek zmienisz, zapisz pytanie, na które dane mają odpowiedzieć. To ono decyduje, które kolumny muszą być idealne, a które mogą zostać takie, jakie są.

Skąd biorą się błędy w danych

Brudne dane rzadko są czyjąś złą wolą. Najczęstsze źródła problemów to:

• ręczne wpisywanie: literówka „Krakow” bez polskiej litery, „3O” zamiast „30”, dopisek „szt.” w kolumnie liczbowej;
• różne systemy: sklep zapisuje datę jako 2026-09-03, a arkusz handlowca jako 03.09.2026;
• eksport i import: zła strona kodowa zamienia „ł” na krzaki, a przecinek dziesiętny zamienia liczbę w tekst;
• łączenie plików: ten sam klient trafia do tabeli dwa razy, bo raz ma e-mail pisany małymi, a raz wielkimi literami;
• wartości zastępcze: ktoś wpisał 0 albo 999, bo pole w formularzu było obowiązkowe.

Dobra wiadomość: większość tych błędów jest powtarzalna. Jeśli raz opiszesz, jak je wykryć i poprawić, następny eksport przygotujesz w kilka minut. Tym zajmiesz się w module o Power Query i dokumentacji.

Cały proces, który poznasz w kursie, wygląda tak:

Najważniejsze w 3 punktach

1. Przygotowanie danych to wczytanie, sprawdzenie, poprawienie, połączenie i opisanie danych przed analizą.
2. Jakość oceniasz w pięciu wymiarach: kompletność, spójność, poprawność, unikalność i aktualność.
3. Pytanie analityczne decyduje, które problemy musisz naprawić, a które możesz zostawić.

Źródła

• NIST/SEMATECH, e-Handbook of Statistical Methods, rozdział 1.3 „Exploratory Data Analysis”: https://www.itl.nist.gov/div898/handbook/eda/section3/eda3.htm (dostęp: październik 2026).
• H. Wickham, „Tidy Data”, Journal of Statistical Software 59(10), 2014: https://doi.org/10.18637/jss.v059.i10
• Dane Biuromix są fikcyjne, przygotowane na potrzeby kursu (plik M1_zamowienia_wrzesien_2026_surowe.csv).