La început, datele sunt doar niște informații adunate din locuri diferite. Abia după ce începi să le privești mai atent apar întrebările: ce reprezintă, cum se leagă între ele, ce poți compara, ce lipsește și, mai ales, ce poți face cu ele pentru a obține ceva folositor.
Pe măsură ce am început să caut răspunsuri la aceste întrebări, au apărut și proiectele. Fiecare a venit cu propriile date, propriile probleme și propriul context: activități outdoor, observații din natură, informații despre un teritoriu, venituri și cheltuieli, date administrative sau informații adunate în timpul unor călătorii. Nu semănau între ele, dar tocmai diferențele dintre ele m-au ajutat să înțeleg mai bine ce este important atunci când vreau să folosesc datele.
Treptat, s-a conturat un mod de lucru în care datele nu sunt doar preluate și afișate, ci pregătite pentru analiză. Sursele sunt verificate, informațiile sunt curățate și transformate, elementele sunt clasificate și legate între ele, iar apoi pot fi privite din perspective diferite. Uneori rezultatul este un raport, alteori o hartă, o comparație, o clasificare sau pur și simplu o structură mai bună a informațiilor.
Privind acum proiectele realizate până aici, se vede că fiecare a contribuit cu altceva. Unele au adus probleme de structură, altele de clasificare, automatizare sau verificare. Împreună, ele au arătat nu doar ce pot face cu datele, ci și cât de mult contează felul în care aleg să le pregătesc și să le privesc.
AlpinHub
AlpinHub a fost proiectul în care toate acestea au început să se lege cel mai clar. Datele despre activitățile outdoor erau deja acolo, venite din Strava și StatsHunters, dar faptul că aveam kilometri, timp, diferență de nivel sau tipuri de activități nu însemna automat că puteam obține informații utile din ele.
A trebuit mai întâi să înțeleg ce reprezintă fiecare rând, ce pot compara, ce dimensiuni sunt importante și ce informații vreau să păstrez pentru mai târziu. Din această nevoie a apărut treptat SSA, structura standard a activității. Nu a fost o idee abstractă pornită de la început, ci o soluție la problemele pe care le întâlneam pe măsură ce lucram cu datele. Odată ce am început să separ activitatea, data, dispozitivul, distanța, timpul, diferența de nivel și celelalte elemente, aceleași date au putut fi privite din mai multe unghiuri. Nu mai aveam doar un export de activități, ci o structură pe care puteam construi întrebări și comparații.
Apoi au apărut proiectele din aceeași familie: AlpinSHgmail, AlpinSHpotaissa și AlpinHub-Catalog. Primele două folosesc aceeași idee de bază, cu Excel, StatsHunters și Strava, dar în contexte diferite. Tocmai comparația dintre ele a fost utilă, pentru că am putut vedea ce poate rămâne comun și ce trebuie adaptat atunci când se schimbă contextul sau scopul analizei. AlpinHub-Catalog a dus aceeași experiență într-o altă zonă. Sursa nu mai era un export de activități, ci un CSV provenit din structura unui site. Datele erau diferite, însă întrebările despre structură, transformare și utilitate erau surprinzător de asemănătoare.
Aici am început să înțeleg mai bine că utilitatea nu vine pur și simplu din cantitatea de date pe care o adun, ci din felul în care reușesc să le organizez pentru întrebările pe care vreau să le pun.
Suport pentru proiecte
În proiectele legate de Valea Arieșului, perspectiva s-a schimbat. Valea Arieșului (DM) nu mai era lumea mea personală, ci un teritoriu care trebuia înțeles prin date: obiective, localizări, categorii, relații și informații care puteau ajuta la construirea unei imagini de ansamblu.
Apoi au venit proiectele iNaturalist. iNaturalist 01 LifeList și iNaturalist 02 Map pornesc din aceeași familie de observații, dar pun întrebări diferite. Într-un caz mă interesează mai mult ceea ce am observat și felul în care aceste observații se grupează. În celălalt, devine important unde sunt aceste observații și cum se distribuie în spațiu. Diferența dintre cele două proiecte mi-a arătat ceva important: aceleași date pot deveni utile în moduri diferite, în funcție de întrebarea pe care o pun. Nu datele se schimbă neapărat, ci perspectiva din care le privesc. Această experiență va fi dusă mai departe și în proiectele următoare, precum iNaturalist 03 – Observații Valea Arieșului sau proiectele legate de Junior Ranger. Nu pentru că trebuie să folosesc aceeași soluție peste tot, ci pentru că pot porni de la ceea ce am învățat deja și pot vedea ce mai trebuie schimbat atunci când apar alte întrebări.
Personale
Proiectele personale au fost un alt test al acestor idei. Veniturile și cheltuielile, monitorizarea mașinii prin AutoMonitor sau datele unei călătorii nu au aceeași structură ca activitățile outdoor sau observațiile din natură și nici nu răspund acelorași întrebări.
Tocmai de aceea au fost interesante. Când lucrezi cu un instrument precum Power BI, este foarte ușor să construiești ceva complicat doar pentru că instrumentul îți permite. Dar dacă problema este simplă, modelul trebuie să rămână pe măsură. Am început astfel să disting mai bine între ceea ce este posibil și ceea ce este util. Un dashboard poate avea multe vizualuri și totuși să nu ajute prea mult. În schimb, câteva informații bine organizate pot fi suficiente pentru a răspunde exact la întrebarea care mă interesează.
Aceasta este una dintre lecțiile pe care le-am întâlnit în mod repetat: complexitatea nu este o măsură a utilității. Un model bun nu este cel care face cel mai mult, ci cel care face bine ceea ce am nevoie.
Utilitare
Proiectele Potaissa și alte proiete-test tip Asociație de Locatari, au adus date cu o altă logică. În Potaissa (import din SAGA), datele provin dintr-un sistem administrativ-contabil și trebuie importate, completate sau transformate astfel încât să poată fi folosite mai departe. În proiectele Asociație 2026, apa, veniturile și cheltuielile au propriile reguli și propriul context.
Aici au devenit mai importante lucruri precum clasificarea, controlul datelor, completarea informațiilor lipsă și verificarea rezultatelor. Nu aveam nevoie să construiesc un sistem spectaculos, ci să mă asigur că datele sunt corecte, coerente și suficient de bine structurate încât să pot lucra cu ele. Și asta a întărit o idee care apăruse deja în celelalte proiecte: un model bun nu este neapărat cel mai complex model, ci cel potrivit problemei pe care trebuie să o rezolve.
În unele cazuri este nevoie de mai multă structură, în altele de foarte puțină. Important este ca structura să servească scopului.
Cum au fost prelucrate datele
Între datele pe care le aveam la început și informația pe care puteam să o folosesc a existat întotdeauna un proces. Datele au venit din surse diferite, sub forme diferite, iar înainte să ajungă într-un model Power BI au trebuit preluate, înțelese, curățate, transformate și, uneori, completate sau corectate. Excel și CSV au fost uneori punctul de plecare, iar Power Query a devenit locul în care datele puteau fi pregătite pentru model: schimbarea tipurilor de coloane, standardizarea valorilor, combinarea informațiilor sau eliminarea unor probleme care ar fi afectat analiza. DAX a intrat într-o altă etapă, atunci când aveam nevoie de calcule și indicatori care nu existau ca valori simple în sursa inițială.
Pe măsură ce proiectele au devenit mai complexe, și instrumentele AI au început să facă parte din acest mod de lucru. Le-am folosit foarte aplicat, pentru a înțelege structuri de date, pentru a verifica abordări, pentru a construi sau explica formule și transformări, pentru a identifica probleme și pentru a compara soluții. AI nu a înlocuit însă înțelegerea datelor și nici verificarea si validarea rezultatelor. Dacă nu știu ce vreau să obțin, o soluție generată automat poate fi corectă din punct de vedere tehnic și totuși nepotrivită pentru problema mea. De aceea, valoarea lui a fost mai ales în faptul că m-a ajutat să explorez mai repede variante, să înțeleg probleme și să ajung mai ușor la soluții pe care le puteam verifica și integra în proiect.
Privind întregul proces, devine mai clar că utilitatea datelor nu este produsă de un singur instrument. Sursa oferă materia primă, transformările o pregătesc, modelul îi dă o structură, iar analiza ajută la găsirea informației de care am nevoie. Power BI este o parte importantă a acestui lanț, iar AI a devenit un instrument de lucru care m-a ajutat să parcurg mai bine și mult mai repede anumite etape.
Ce a rămas comun
Privind toate proiectele împreună, diferențele dintre ele sunt poate la fel de importante ca asemănările. Sursele sunt diferite, structurile sunt diferite, întrebările sunt diferite și, uneori, datele sunt foarte curate, în timp ce alteori trebuie lucrat serios cu ele înainte să poată fi analizate.
Cu toate acestea, au început să reapară aceleași principii. Mai întâi trebuie să înțeleg ce reprezintă datele, apoi să separ sursa de model și să transform informațiile fără să pierd logica lor inițială. Trebuie să știu ce pot automatiza și unde este nevoie de o decizie sau de context uman, să verific datele înainte să am încredere în rezultate și să pot lega informațiile între ele într-un mod care chiar ajută analiza. Pe măsură ce aceste lucruri s-au repetat, a devenit mai ușor să recunosc aceeași problemă chiar și atunci când datele arătau complet diferit. O factură, o activitate outdoor, o observație iNaturalist sau o pagină dintr-un catalog nu seamănă la prima vedere. Dar problemele de structurare, clasificare, relaționare și verificare pot fi foarte apropiate.
Asta este, probabil, una dintre cele mai importante părți ale experienței acumulate: nu am învățat doar să rezolv probleme punctuale, ci am început să recunosc tipare care se repetă în proiecte diferite.
Mai important decât raportul
Cu timpul, am început să văd altfel și rezultatul final. La început, tentația este să te gândești la Power BI ca la locul în care faci un raport: ai date, construiești vizualizări și obții un dashboard. Lucrând însă la proiecte diferite, raportul a început să fie doar ultima parte a procesului. Partea interesantă este înainte de el: să înțeleg datele, să le structurez, să le verific, să stabilesc relațiile dintre ele și să decid ce vreau să aflu.
Uneori rezultatul este un dashboard. Alteori este o hartă, o listă, o clasificare, o comparație sau pur și simplu o structură mai bună a datelor. Iar uneori cel mai util rezultat este faptul că, după ce am pus datele în ordine, pot să pun o întrebare pe care înainte nici nu o vedeam. În acest punct, Power BI devine mai puțin important ca produs și mai important ca parte dintr-un mod de lucru. Instrumentul mă ajută, dar întrebarea rămâne mai importantă decât instrumentul: ce vreau să înțeleg și cum pot folosi datele pe care le am pentru a ajunge acolo?
Ce urmează
Proiectele de până acum nu formează o colecție închisă. Unele vor continua, altele vor genera proiecte noi, iar altele probabil își vor schimba forma pe măsură ce apar alte nevoi. iNaturalist 03 – Observații Valea Arieșului și proiectele Junior Ranger sunt deja în zona următoare. Vor aduce alte date, alte întrebări și, foarte probabil, alte probleme de rezolvat. Diferența este că nu mai pornesc de fiecare dată de la zero.
Am deja câteva lucruri pe care le-am învățat din proiectele anterioare, dar fiecare proiect nou poate arăta și unde acele lucruri nu mai sunt suficiente. Experiența nu este, de fapt, un set de soluții pe care le aplic identic peste tot, ci un mod mai bun de a observa problema și de a alege soluția potrivită.
Poate că acesta este, până la urmă, cel mai valoros lucru pe care mi l-a oferit lucrul cu datele: nu doar posibilitatea de a construi rapoarte, ci un mod de a le privi și de a mă întreba, de fiecare dată, cum pot să le folosesc astfel încât să-mi fie cu adevărat utile pentru ceea ce vreau să înțeleg.
