Mapa tygodnia/Moduł 07
hurtownia-danych
bigquery
analiza-danych
wdrożenie
35 min · średni

Hurtownia danych — od decyzji „czy” do wdrożenia

Hurtownia = jedno źródło prawdy w chmurze, do którego dane spływają same. Bez niej AI uczy się na chaosie. Pytanie nie brzmi „czy", tylko „kiedy".

Tryb: pełny

Executive summary

  • Hurtownia danych = baza w chmurze integrująca dane z wielu źródeł, zasilana automatycznie i cyklicznie, przechowująca dane w czasie. Jedno źródło prawdy dla raportów, marketingu i AI.
  • 3 etapy budowy: (1) MAGAZYN w chmurze (BigQuery / Snowflake / Redshift) — nieskończona skala, płacisz za użycie. (2) AUTOMATYCZNE MOSTY DANYCH (konektory) — dane spływają same z 4-godzinnym lub krótszym opóźnieniem. (3) TRANSFORMACJA — surowe dane → gotowe do raportu (czyszczenie, ujednolicenie, agregacja).
  • Test „czy potrzebujesz": (a) marketing manager pierwszą godzinę poniedziałku spędza na pobieraniu danych → TAK. (b) na pytanie „jak nam poszło?" pada „sprawdzę i wrócę" → TAK. (c) działasz na ≥2 rynkach lub masz ≥3 źródła reklamowe → TAK. (d) chcesz wdrożyć AI/agentów na firmowych danych → TAK od wczoraj.
  • 2 drogi wdrożenia: (1) zespół inżynierów danych pisze własne konektory (setki tys. zł rocznie, dla największych). (2) gotowe narzędzia konektorowe + BigQuery + Looker Studio (ułamek tej kwoty, bez własnego działu IT). Wybór 90% MŚP: opcja 2.

Czym to jest

Hurtownia danych to centralne miejsce w chmurze, gdzie dane z Twoich systemów (sklep, CRM, reklama, analityka, magazyn) spływają automatycznie, są przetwarzane do gotowych tabel raportowych i udostępniane do wizualizacji (Looker Studio), aktywacji marketingowej (audiences, feedy produktowe) i AI. Bez niej każdy raport jest fotografią przeszłości; z nią — punktem startowym następnej decyzji.

Kluczowe pojęcia

Hurtownia danych (Data Warehouse)
Baza analityczna w chmurze, integrująca dane z wielu źródeł, automatycznie zasilana, przechowująca historię w czasie. „Jedyne źródło prawdy" firmy.
Magazyn w chmurze
Fizyczne miejsce hurtowni: Google BigQuery, Snowflake, Amazon Redshift, Azure Synapse. Skalowanie automatyczne, płatność za użycie.
Konektor / Data Connector
Automatyczny most łączący źródło (Shoper, GA4, Google Ads, Meta) z hurtownią. Gotowy w narzędziach typu Fivetran, Airbyte, Stitch, Hevo, Supermetrics, Make BigQuery module.
ETL / ELT
Extract-Transform-Load (klasyczne) lub Extract-Load-Transform (nowoczesne, dominujące dziś). Trójkroka pipeline: pobierz → załaduj do hurtowni → przekształć w hurtowni.
Modelowanie danych
Tworzenie tabel pochodnych (modeli) z surowych danych: ujednolicenie nazw kanałów, filtrowanie statusów, łączenie tabel. Narzędzia: dbt, SQL w BigQuery.
Freshness / odświeżanie
Jak często dane są aktualizowane (co 24h / co 1h / w czasie rzeczywistym). Trade-off: szybciej = drożej.
Looker Studio (dawniej Data Studio)
Darmowe narzędzie Google do wizualizacji danych z BigQuery. Drag-and-drop dashboardy, kontrola dostępu, automatyczne odświeżanie.
Single source of truth (SSOT)
Jedno miejsce, w którym dla każdego pytania biznesowego jest JEDNA odpowiedź. Bez SSOT — każdy raport mówi co innego.

Pryncypia

  1. 01Hurtownia to nie projekt do odfajkowania. To infrastruktura — żyje, dorasta razem z firmą, wymaga utrzymania.
  2. 02Zaczynaj mały: 1 magazyn + 3–4 najważniejsze konektory + 1 dashboard. Skaluj według potrzeb. „Pełna hurtownia z pierwszego dnia" = przekombinowanie.
  3. 03Modeluj dane CENTRALNIE, raz. Tabele typu "fact_sales", "dim_channels", "fact_marketing_costs" są używane przez wszystkie raporty. Brak modelowania = każdy zespół liczy inaczej.
  4. 04Freshness dobierz do decyzji: codzienne decyzje budżetowe → odświeżanie 1h. Strategiczne raporty kwartalne → 24h wystarczy.
  5. 05Bez kontroli dostępu hurtownia szybko staje się ryzykiem. Każda osoba widzi TYLKO te tabele, które potrzebuje.
  6. 06Kryterium wyboru narzędzia: (1) liczba gotowych konektorów do Twoich systemów, (2) koszt na Twojej skali, (3) wsparcie po polsku, (4) możliwość self-service vs SLA managed service.

Przykłady zastosowań

Małą firma — hurtownia jeszcze nie

Założona 6 miesięcy temu, 5 osób, jeden produkt, ~5 000 zł/mies. budżetu marketingowego. Wszystko widać w panelach Shopera i Google Ads. Hurtownia byłaby przekombinowaniem — najpierw produkt i procesy.

Średnia firma — hurtownia od wczoraj

30 osób, 200 000 zł/mies. budżetu marketingowego, 4 kanały, 1 rynek. Marketing manager spędza 6h/tyg. na ręcznym raportowaniu. Każdy tydzień bez hurtowni = 6h pracy + decyzje na danych sprzed tygodnia. ROI hurtowni < 3 miesiące.

Duża firma — operuje już na hurtowni

7 rynków (PL, DE, CZ, RO, HU, SK, AT). 7×4 = 28 kont reklamowych, 7 sklepów, 7 GA4. Bez hurtowni: cały zespół 5 osób tylko do raportów. Z hurtownią: dashboard z 7 rynków odświeża się o 3:00, decyzja budżetowa zapada o 9:00.

Case study

Sklep z lekcji 6 dorasta do hurtowni

Sklep z case studyu „Marketing Manager" (lekcja 6) po pół roku otwiera 2 nowe rynki: Niemcy i Czechy. Z 4 źródeł danych robi się 12 (3 sklepy × 4 systemy). Manager spędza już nie 6h/tyg., a 18h/tyg. na raportowaniu.

Podejście

  1. 1.Decyzja: wdrażamy hurtownię. Wybór magazynu: BigQuery (już używają do raportu ERS z lekcji 6 — naturalny upgrade). Koszt na ich skali: ~150 USD/mies.
  2. 2.Wybór narzędzia konektorów: Supermetrics (dobre konektory do Google Ads, Meta, Ceneo, GA4, Shoper) — 79 USD/mies. dla ich pakietu źródeł.
  3. 3.Etap 1 (tydzień 1–2): konfiguracja BigQuery + datasety per rynek + konektory Supermetrics. Surowe dane spływają automatycznie codziennie o 2:00.
  4. 4.Etap 2 (tydzień 3–4): modelowanie w SQL. Tabele "fact_orders_all_markets", "fact_marketing_costs_all_markets" z ujednoliconymi nazwami kanałów i walut (wszystko w EUR przez tabelę kursów). Widok "vw_ers_daily" do dashboardu.
  5. 5.Etap 3 (tydzień 5): dashboard w Looker Studio z 3 zakładkami (po jednej na rynek) + zakładka "consolidated". Alerty Slack: jeśli ERS dowolnego kanału > 20% przez 3 dni.
  6. 6.Etap 4 (miesiąc 2+): AI. Manager podłącza Gemini do BigQuery przez Sheets connector i robi ad-hoc analizy w języku naturalnym ("który kanał w Niemczech ma najwyższy LTV klientów pozyskanych w styczniu?").
Efekt: Z 18h/tyg. ręcznej pracy → 1h/tyg. (przegląd alertów + ad-hoc analizy). Koszt: ~230 USD/mies. ROI: < 1 miesiąc. Bonus: dashboard pozwala porównać kanały MIĘDZY rynkami — odkryto, że afiliacja Ceneo działa fenomenalnie w PL, ale zerowo w DE; budżet przeniesiony do Google Ads DE → +12% sprzedaży w DE w 30 dni.

Najczęstsze błędy — checklista

0/5 oznaczone

Prompty gotowe do użycia

Audyt gotowości firmy do hurtowni

Kiedy: Zastanawiasz się, czy Twoja firma jest gotowa na hurtownię — i jaką wybrać konfigurację.

Wciel się w konsultanta data engineering specjalizującego się w MŚP. Mam firmę: [BRANŻA, LICZBA OSÓB, ŚREDNIE PRZYCHODY MIESIĘCZNE, BUDŻET MARKETINGOWY MIESIĘCZNY, LICZBA RYNKÓW].

Systemy, z których korzystamy: [WYPISZ — np. Shoper, GA4, Google Ads, Meta Ads, HubSpot CRM, Allegro, Magazyn (jaki)].

Przeprowadź audyt w 5 punktach:
1) Czy potrzebujemy hurtowni TERAZ? Klasyfikacja: nie / za 6 mies. / TAK od wczoraj. Uzasadnij na podstawie sygnałów (czas ręcznej pracy, liczba źródeł, liczba rynków, plany AI).
2) Jeśli TAK — zarekomenduj konfigurację: magazyn (BigQuery / Snowflake / Redshift), narzędzie konektorów (Fivetran / Airbyte / Supermetrics / Hevo / Make), narzędzie wizualizacji (Looker Studio / Power BI / Metabase).
3) Oszacuj koszt miesięczny tej konfiguracji na naszej skali (z rozbiciem na komponenty).
4) Zaproponuj plan wdrożenia w 6 tygodniach z konkretnymi kamieniami milowymi.
5) Wskaż 3 największe ryzyka i jak je zmitygować.

Bądź konkretny, używaj realnych cen z 2025/2026 r., nie sprzedawaj „enterprise" tam, gdzie wystarczy SMB.

Częsty błąd: Brak podania budżetu i skali → AI sprzeda Ci enterprise stack za 50 000 zł/mies. tam, gdzie wystarczy konfig za 300 USD/mies.

Plan modelowania danych dla mojej firmy

Kiedy: Hurtownia załadowana surowymi danymi — chcesz zaprojektować modele (fact_*, dim_*).

Jesteś analitykiem BI z doświadczeniem w dbt + BigQuery. Mam w hurtowni surowe tabele z następujących źródeł: [WYPISZ ŹRÓDŁA + GŁÓWNE TABELE].

Zaprojektuj warstwę modeli (analytical layer) odpowiadającą na te 5 kluczowych pytań biznesowych:
1) [PYTANIE 1 — np. „dzienny ERS per kanał per rynek"]
2) [PYTANIE 2]
3) [PYTANIE 3]
4) [PYTANIE 4]
5) [PYTANIE 5]

Output:
A) Lista tabel modelowanych (fact_* i dim_*) z opisem każdej w 1 zdaniu i kluczowymi kolumnami.
B) DAG zależności (tekstowy diagram — co z czego się wylicza).
C) Dla każdej tabeli — definicja głównych metryk biznesowych (jak się je liczy, jakie filtry, jak unikać duplikatów).
D) 3 zasady, których będę pilnować w modelach (np. „każda tabela fact ma jedną definicję revenue").

LAB — ćwiczenie

LAB · 15 min · łatwy

Zdecyduj dla 4 firm, czy potrzebują hurtowni TERAZ — z uzasadnieniem.

  1. 1Sklep z autorską ceramiką. 2 osoby. Sprzedaż przez Instagram + własna strona (~30 zam./mies., ~15 000 zł obrotu). Brak płatnej reklamy.

  2. 2Agencja marketingowa, 25 osób, 50 klientów. Każdy klient ma własne konta Google Ads + Meta. Co miesiąc agencja robi 50 raportów ręcznie w Excelu (3 dni pracy zespołu).

  3. 3B2B SaaS, 15 osób, 80 klientów. Wszystkie dane są w HubSpot + Stripe. Pytania zarządu typu „MRR per segment" raz w tygodniu odpowiada zarząd ręcznie z 2 systemów (15 min).

  4. 4E-commerce, 80 osób, 5 rynków UE. Każdy rynek: sklep + GA4 + Google Ads + Meta + afiliacja. Plan: wdrożenie agentów AI do dynamicznego pricingu w Q3.

Pytania kontrolne

Powiązane moduły

Case: Marketing Manager SQL + BigQuery z AI Judgment i strategia

Skończyłeś moduł? Oznacz go i ruszaj dalej.