Lubię rozmowy, które nie są prostą historią sukcesu opowiedzianą od punktu A do punktu B. Lubię te, w których widać wahania, kryzysy, zmiany kierunku i momenty „nie wiem, co dalej”.
Dokładnie taka była rozmowa z Katarzyną Zieliną.
Z zewnątrz jej ścieżka może wyglądać jak klasyczny przykład „udanej zmiany branży”. Dziś pracuje w danych, porusza się swobodnie między Pythonem, SQL-em i Sparkiem, działa przy dużych wolumenach danych, a do tego buduje własną markę edukacyjną w social mediach. Ale im dłużej rozmawialiśmy, tym wyraźniej było widać, iż to nie jest historia o magicznym kursie ani o jednej dobrej decyzji.
To rozmowa o procesie. O szukaniu. O sprawdzaniu siebie w praktyce. O flow, które pojawia się dopiero wtedy, gdy przestajesz się zastanawiać, czy „to ma sens”, a zaczynasz faktycznie robić.
Od ludzi i eventów do Excela i tabel
Zanim w jej życiu pojawiły się dane, Python i Big Data, Katarzyna pracowała w hotelarstwie. Środowisko dynamiczne, intensywne, bardzo ludzkie. Dużo interakcji, eventy, ciągłe gaszenie pożarów i reagowanie na potrzeby, które często nie były choćby wypowiedziane wprost.
Jak sama mówiła, po hotelarstwie „nic co ludzkie nie jest jej obce”. To doświadczenie dało jej ogromną odporność psychiczną, empatię i umiejętność pracy z różnymi typami ludzi. Ale z czasem pojawiło się poczucie, iż to nie jest miejsce, w którym chce zostać na dłużej.
Co ważne, to nie była ucieczka od czegoś złego. Hotelarstwo nie było dla niej toksyczne ani frustrujące. Po prostu przestało być „jej”. Coraz wyraźniej czuła, iż lepiej odnajduje się w pracy głębokiej, w liczbach, w analizowaniu, w układaniu rzeczy w logiczną całość.
Excel pojawiał się w jej pracy już wcześniej, na studiach i w hotelarstwie. Z czasem zaczęła zauważać, iż to właśnie te momenty pracy z danymi sprawiają jej największą satysfakcję. To był pierwszy sygnał.
Przebranżowienie jako projekt, nie impuls
Jednym z najmocniejszych wątków naszej rozmowy było to, jak Katarzyna podeszła do zmiany branży. Bez romantyzowania. Bez narracji „rzucam wszystko i idę w IT”.
To był projekt.
Zaczęło się od bardzo prostego pytania: gdzie są realne możliwości pracy zdalnej lub hybrydowej? Pandemia tylko przyspieszyła to myślenie. IT pojawiło się naturalnie jako branża, w której takich opcji jest najwięcej.
Potem był research. Webinary. Meetupy. Rozmowy z ludźmi. Obserwowanie nie tylko technologii, ale też samych ludzi. Tego, jak się zachowują, jak pracują, jakim są „typem”.
To jest istotny element, który często pomijamy. Katarzyna nie wybierała ścieżki tylko na podstawie listy technologii. Sprawdzała, czy dobrze czuje się w danym środowisku, czy pasuje do niej energia ludzi, z którymi potencjalnie będzie pracować.
Rozważała różne opcje. Marketing. Project management. Frontend. Inżynierię systemową. IT support. Nic nie było z góry wykluczone.
Dopiero z czasem, przez praktykę i pierwsze projekty, analityka danych zaczęła się wyraźnie wybijać jako coś, co naprawdę „klika”.
Zostań analitykiem danych – dołącz do KajoDataSpace!
Najlepsza ścieżka do zawodu analityka danych. Dostęp do pełnych wersji kursów online z Excela, SQLa, PowerBI, Tableau i Pythona z certyfikatami!
🟨 Ekskluzywana ale pomagająca sobie społeczność.
🟩 Ponad 75 godzin materiałów video.
🟨 Spotkania LIVE co miesiąc.
🟩 Mój osobisty mentoring.
Najtrudniejsze momenty na początku
Zmiana branży nie przyszła bez kosztów. Najtrudniejsze były trzy rzeczy.
Pierwsza to wejście na poziom juniora po latach bycia specjalistką w innej branży. Powrót do roli osoby, która musi pytać, uczyć się podstaw, popełniać błędy. To był spory cios dla ego i coś, z czym musiała się wewnętrznie przepracować.
Druga sprawa to kwestie finansowe. Przebranżowienie oznaczało downgrade na starcie. Trzeba było się na to przygotować i zaakceptować, iż to etap przejściowy, a nie porażka.
Trzecia trudność to wybór specjalizacji. IT z zewnątrz wygląda jak jeden świat, ale w środku to dziesiątki ról, ścieżek i technologii. Bez praktyki bardzo łatwo się w tym zgubić.
Dopiero projekty pozwoliły jej zrozumieć, co faktycznie lubi robić, a co tylko „dobrze wygląda na papierze”.
Flow, które przyszło dopiero później
Jeden z kluczowych momentów w jej historii to doświadczenie flow. Nie na etapie teorii. Nie na pierwszym projekcie. Dopiero przy drugim lub trzecim.
Opisywała dzień, w którym zaczęła pracę rano i nagle zorientowała się, iż jest osiemnasta. Bez obiadu. Bez zerkania na zegarek. Bez poczucia zmęczenia, które kojarzy się z wypaleniem.
Było tylko ona i dane. Problemy do rozwiązania. Kolejne kroki, które same się układały w logiczną sekwencję.
To był moment, w którym pomyślała: „to jest dobry znak”. Nie było w tym euforii ani wielkich deklaracji. Raczej spokojne poczucie, iż jest na adekwatnej ścieżce.
I to jest coś, co bardzo często powtarza się w historiach ludzi, którzy faktycznie odnaleźli się w danych. Flow nie przychodzi od razu. Pojawia się wtedy, gdy masz już minimalne kompetencje, ale wciąż wystarczająco dużo wyzwań, żeby się nie nudzić.
Kryzysy, Python i pokusa AI
Nie było jednak tak, iż od tego momentu wszystko szło gładko. Kryzysy pojawiały się regularnie, szczególnie na początku nauki Pythona.
Błędy, które dziś wydają się banalne, potrafiły blokować ją na cały dzień. Czasem dłużej. Pojawiały się myśli: „może to nie dla mnie”, „może wszyscy inni łapią to szybciej”.
Co ciekawe, uczyła się programowania już w czasach, gdy dostępny był ChatGPT. I świadomie starała się z niego nie korzystać na początku.
Jej podejście było bardzo konkretne: jeżeli uczysz się nowej kompetencji, musisz sam przejść przez błędy. Zobaczyć je. Zrozumieć. Dopiero wtedy to jest twoja umiejętność.
AI traktuje jako narzędzie wspierające, nie zastępujące myślenie. Pomaga, przyspiesza, ale nie zwalnia z rozumienia tego, co robisz.
To podejście mocno rezonuje z tym, co często powtarzam w kontekście nauki danych. Automatyzacja nie zabiera pracy tym, którzy myślą. Zabiera ją tym, którzy tylko odtwarzają schematy.
Analityk danych to nie tylko kod
Jednym z mitów, które rozbijaliśmy w trakcie rozmowy, jest wyobrażenie analityka jako osoby, która osiem godzin dziennie „klepie SQL-a”.
W praktyce duża część pracy to myślenie. Projektowanie rozwiązań. Optymalizacja. Zrozumienie problemu biznesowego. Dopiero potem pojawia się kod.
Katarzyna pracuje dziś przy dużych zbiorach danych, często w Sparku. Tu nie da się działać intuicyjnie ani „na oko”, jak w Excelu. Trzeba myśleć o wydajności, kolejności operacji, kosztach obliczeń.
Jednocześnie Excel wcale nie znika. Wciąż jest świetnym narzędziem do szybkiej weryfikacji, sanity checków i pracy na małych próbkach danych.
To bardzo zdrowe podejście. Narzędzia są środkami, nie celem.
Praca z biznesem i kompetencje miękkie
Dużą częścią rozmowy była też praca z biznesem. Dla osób spoza branży to często niejasne pojęcie.
W skrócie: po jednej stronie są dane i analitycy, po drugiej działy biznesowe, które chcą z tych danych czegoś się dowiedzieć. Problem polega na tym, iż obie strony mówią innym językiem.
Rolą analityka jest nie tylko policzyć coś poprawnie, ale też zrozumieć, czego biznes faktycznie potrzebuje. Czasem choćby zanim sam to jasno nazwie.
Tu bardzo mocno przydało się jej doświadczenie z hotelarstwa. Empatia, umiejętność czytania między wierszami, wyczuwania potrzeb. To nie są „miłe dodatki”. To realne kompetencje, które decydują o skuteczności analityka.
Rozmawialiśmy też o introwertykach. Katarzyna uważa, iż introwersja nie jest przeszkodą w analizie danych. Zespół może być ułożony tak, żeby różne osoby pełniły różne role komunikacyjne. A umiejętności miękkie da się rozwijać, jeżeli ktoś tego chce.
Ciągła nauka jako styl życia
W świecie danych nie da się „nauczyć zawodu raz na zawsze”. Katarzyna mówiła o tym wprost. I co ważne, nie mówiła tego z rezygnacją, tylko z entuzjazmem.
Lubi to, iż musi się uczyć. Że pojawiają się nowe narzędzia, nowe podejścia, nowe problemy. Dla niej to nie jest tortura, tylko naturalne środowisko.
Ma swoje plany rozwojowe. Część rozpisana, część elastyczna. Życie weryfikuje, pojawiają się nowe okazje, nowe programy, nowe pomysły. Trzeba umieć się dostosować.
Work-life balance bez sztywnego podziału
Jednym z ciekawszych momentów rozmowy była dyskusja o work-life balance. Katarzyna nie czuje potrzeby sztywnego oddzielania pracy od życia prywatnego.
Nie dlatego, iż nie odpoczywa. Wręcz przeciwnie. Chodzi o to, iż praca jest dla niej częścią życia, a nie czymś, co trzeba „odciąć” o konkretnej godzinie.
Jeśli pojawia się nowa technologia albo interesujący temat, sprawdza go z ciekawości, nie z poczucia obowiązku. A potem idzie w góry, na jogę albo spędza czas z psem.
To nie jest model dla wszystkich. Ale warto wiedzieć, iż taki model istnieje i iż może działać, jeżeli praca naprawdę jest „twoja”.
Zapisz się do
newslettera
🎁 i zgarnij darmowe bonusy:
Poradnik Początkującego Analityka
Video - jak szukać pracy w IT
Regularne dawki darmowej wiedzy, bez spamu
Dzięki! To nie koniec...
...pamiętaj, by teraz wejść na maila i potwierdzić subskrybcję 🙂 Jeżeli nic nie doszło, to sprawdź skrzynkę ze spamem.* * * Gdy potwierdzisz newsletter, dostaniesz ostateczne potwierdzenie i obiecane prezenty w kolejnym mailu 🙂
Zakończenie
Ta rozmowa była dla mnie kolejnym potwierdzeniem jednej rzeczy. Dobra zmiana branży rzadko jest efektem jednej decyzji. To raczej suma małych kroków, testów, projektów i momentów szczerości wobec samego siebie.
Historia Katarzyny nie jest receptą. Jest mapą. Pokazuje, iż można dojść do danych z bardzo różnych miejsc. Że warto robić research. Że projekty są ważniejsze niż kursy. I iż flow jest lepszym drogowskazem niż cudze opinie.
Jeśli ten tekst był dla Ciebie wartościowy, podaj go dalej. Udostępnij go osobom, które są w trakcie zmiany albo dopiero ją rozważają. Czasem jedna taka historia potrafi oszczędzić komuś miesięcy błądzenia.
Autorem artykułu jest Kajo Rudziński – analytical data architect, uznany ekspert w analizie danych, twórca KajoData oraz społeczności dla analityków KajoDataSpace.
