<?xml version="1.0" encoding="UTF-8"?><rss xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:content="http://purl.org/rss/1.0/modules/content/" xmlns:atom="http://www.w3.org/2005/Atom" version="2.0" xmlns:cc="http://cyber.law.harvard.edu/rss/creativeCommonsRssModule.html">
    <channel>
        <title><![CDATA[Stories by Tomasz Tomaszewski on Medium]]></title>
        <description><![CDATA[Stories by Tomasz Tomaszewski on Medium]]></description>
        <link>https://medium.com/@tkwadrat?source=rss-117ac880cd2e------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/0*SJ09Mlq_6f9Dh94U.jpeg</url>
            <title>Stories by Tomasz Tomaszewski on Medium</title>
            <link>https://medium.com/@tkwadrat?source=rss-117ac880cd2e------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Tue, 17 Nov 2026 12:26:26 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@tkwadrat/feed" rel="self" type="application/rss+xml"/>
        <webMaster><![CDATA[yourfriends@medium.com]]></webMaster>
        <atom:link href="http://medium.superfeedr.com/" rel="hub"/>
        <item>
            <title><![CDATA[Google zabija PRD. Jak żyć?]]></title>
            <link>https://medium.com/@tkwadrat/google-zabija-prd-jak-%C5%BCy%C4%87-eb0061f80e22?source=rss-117ac880cd2e------2</link>
            <guid isPermaLink="false">https://medium.com/p/eb0061f80e22</guid>
            <dc:creator><![CDATA[Tomasz Tomaszewski]]></dc:creator>
            <pubDate>Mon, 10 Nov 2025 22:16:58 GMT</pubDate>
            <atom:updated>2026-09-04T14:38:32.371Z</atom:updated>
            <content:encoded><![CDATA[<p>Niedawna deklaracja Head of Product od Gemini (Google) wywołała spore poruszenie w środowisku produktowym: <em>„</em><a href="https://x.com/realmadhuguru/status/1950336434126336154?s=46&amp;t=H8ip-YkcfAVnZVKXtAC9mg&amp;utm_campaign=google-zabija-prd-jak-zyc&amp;utm_medium=referral&amp;utm_source=www.productcraft.pro"><em>Przechodzimy od kultury writing-first do building-first.</em></a><em>”</em></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*fP7NLaSYk_fxx9O8M5cz7g.jpeg" /></figure><p>Brzmi przełomowo? <strong>To podejście oznacza właściwie koniec PRD</strong> (Product Requirements Document). A to przecież dobrze napisane PRD przez lata był świętym gralem zarządzania produktem. A teraz… mamy porzucić PRD?</p><p><strong>Co o tym myślisz?</strong> Poniżej moje podejście do PRD w erze AI ⤵️</p><h3>1. Co się dzieje? Kultura„Building-first” vs „Writing-first”</h3><p>Ja sam mam dosyć mocne znadanie o tym co się dzieje. Wkrótce napiszę o tym więcej, ale bardzo mocno wierzę, że budowanie produktów przechodzi właśnie FUNDAMENTALNA zmianę.</p><p>Widzę jak najlepsi liderzy produktowi już dziś wychodzą poza swoją tradycyjną rolę, by dzięki AI działać szybciej i podejmować trafniejsze decyzje. Najlepsze zespoły pracują przysłowiowe 10x szybciej, mądrzej i z większym impaktem. To nowa rzeczywistość.</p><ul><li>To, co ogłosił Google, to nie jest tylko proste przejście z „pisania” na „budowanie”. To właśnie <strong>sygnał tej fundamentlanej zmiany</strong> w podejściu.</li><li><strong>Przez lata zasoby deweloperskie były „drogie” i ograniczone</strong>. Dlatego w wielu firmach, zanim zaangażowałeś zespół inżynierów, musiałeś wszystko <strong>dokładnie przemyśleć rozwiązanie i opisać w opasłym dokumencie PRD</strong>.</li><li>Dziś, w erze AI, sytuacja się odwróciła. Narzędzia takie jak Lovable, Bolt.new czy nawet sam ChatGPT/Claude/Gemini pozwalają stworzyć interaktywny prototyp w czasie zbliżonym do napisania dokumentu. PM-owie mogą wreszcie <strong>pokazywać, a nie tylko opowiadać</strong>.</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*J5bWL4mC7TcnMnfl.png" /></figure><h3>2. Koniec PRD? Koniec pisania? Mam mieszane uczucia.</h3><h4>1️⃣ Robiłem to zanim stało się modne</h4><p><strong>Z jednej strony, wenętrznie uśmiechnałem się jak zobaczyłem ten post.</strong> Od dawna w podobny sposób pracuję — moje PRD to zawsze były krótkie LIVE dokumentu zawierające głownie najważniejsze założenia.</p><p>No i zawsze byłem fanem <strong>szybkiego prototypowania.</strong> Zamiast opisywać rozwiązania w dokumentach i dyskutować o nich godzinami, wolałem szkicować makietę, kodować prosty prototyp w HTML, a teraz “vibe-kodować” z pomocą AI. A to przecież daje:</p><ul><li><strong>Szybkość</strong>: błyskawicznie przechodzisz od idei do czegoś namacalnego.</li><li><strong>Lepsze zobrazowanie: </strong>prototyp często mówi więcej niż tysiąc słów (i sto stron dokumentacji).</li><li><strong>Szybszy feedback:</strong> możesz od razu zebrać reakcje od userów i stakeholderów.</li></ul><p>Przez takie podejście często męczyłem się w korporacjach, gdzie wciąż słyszałem: “a gdzie jest do tego porządna dokumentacja? Przecież to trzeba porzadnie opisać!”.</p><h4>2️⃣ Znowu zakochujemy się w rozwiązaniach, zamiast w problemie użytkownika?</h4><p><strong>Z drugiej strony </strong>pisanie tych moich MINI PRD na start (“writing first”) i potem ich rozwijanie — to była dla mnie <strong>idealny sposób na stały proces produktowej pracy</strong>. Bo przecież:</p><ul><li><strong>🔍 Prototyp bez hipotezy to tylko kolejne ROZWIĄZANIE</strong></li><li>❌ <strong>Budowanie bez refleksji prowadzi do jeszcze większego zakochania się w rozwiązaniu</strong>, a nie w realnym zrozumieniu i rozwiązywaniu problemu uzytkownika. Zamist pracy na OUTCOMACH, wracamy do OUTPUTÓW.</li><li>🧠 <strong>Vibe-coding nie zastępuje pracy produktowej</strong> — nie abdykujmy ze swojej produktowej roli!</li></ul><p>Dlatego stawiam mocną tezę: <strong>AI daje nam supermoce, ale supermoc w rękach kogoś, kto nie wie, co robi, prowadzi do super-katastrofy.</strong></p><p>Masz już prototyp? Fajnie. A potrafisz w 30 sekund odpowiedzieć: Jaka jest JEDNA, kluczowa hipoteza, którą on weryfikuje? Kto jest Twoim userem? Jaki problem dla niego rozwiązujesz? To są fundamentalne pytania.</p><blockquote>Fun fact: <strong>8 na 10 osób, które czytają ten post, nie są jeszcze subskrybentami ProductCraft</strong>. Nie przegap kolejnego materiału o budowaniu produktów 10x szybciej, mądrzej i z większym impaktem -&gt; <a href="https://newsletter.productcraft.pl/">zasubskrybuj teraz</a>.</blockquote><h3>3. Moje podejście do PRD w erze AI</h3><p>Nienawidzę biurokracji, ale pomylenie rezygnacji z opasłych specyfikacji z rezygnacją z myślenia to największy błąd, jaki możesz popełnić. Przeskakiwanie od razu do prototypu <strong>nie uczyni nikogo zwinnym, tylko niecierpliwym.</strong></p><h4>3.1. PRD → Produktowa Klarowność</h4><p>Ostatecznie w naszej pracy <strong>chodzi o klarowność, a nie o dokumenty:</strong></p><ul><li>po co to robimy?</li><li>co chcemy osiągnąć?</li><li>czyj problem chcemy rozwiązać?</li><li>jakie to problem?</li><li>jaką zmianę zachowań chcemy osiągnąć?</li><li>jak to wygląda ilościowo?</li><li>po czym poznamy, że osiągnęliśmy sukces?</li><li>jakie mamy pomysły na rozwiązania i co wychodzi z ich walidacji?</li></ul><p>No i najażniejsze: <strong>Jak tego wszystkie się DOWIEDZIEĆ i jak to PRZETESTOWAĆ?!</strong></p><p>O osiąganiu tej produktowej klarowności — trudno mi mówić bez jej mininalnego nawet rozpisania i pilnowania w trakcie pracy produktowej. Czy to w dokumencie, czy na Miro, czy opisie epika w Jira.</p><p><strong>Dlatego ja z PRD na razie nie rezygnuję.</strong> Dalej będę używał swoich MINI PRD.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*5rNH_v7-nlFou-e-.png" /></figure><p>Dla mnie kluczowy jest wciąż <strong>żywy dokument, który służy mi do myślenia</strong>. To moje centrum dowodzenia, gdzie planuję i realizują swoją produktową pracę, myślę co i jak testować. To tam definiuję grupę docelową, problem do rozwiązania i model biznesowy.</p><h4>3.2. mini PRD ❤ AI</h4><p>Co więcej, mój dotychczasowy workflow świetnie się spisuje się w połączeniu z AI. Takie mini PRD doskonale pozwala zasilić i wykorzystywać AI w produktowej pracy:</p><ul><li><strong>Głęboka rozkmina z AI Co-pilotem — </strong>wrzucam takie PRD do AI (używam ChatGpt, Claude i Gemini), razem z innymi “dokumentami” staje się moim doskonały co-pilotem. Prowadzę z nim dialog: proszę o podważenie moich założeń, szukanie luk w logice, pomoc w priorytetyzacji. Traktuję AI jak super-inteligentnego partnera do sparingu myślowego, który pomaga mi wyostrzyć mój plan.</li><li><strong>Budowa prototypu na sterydach</strong> — to też doskonały wsad do tego, do vibe-codowania prototypów (np. Lovable). Wklejam go i w kilka minut mam interaktywny prototyp, gotowy do walidacji z userami.</li></ul><h4>4. Co na ten temat myślą inni produktowi liderzy?</h4><p>Zebrałem kilka <a href="https://www.linkedin.com/posts/tom-tomaszewski_google-head-of-product-od-gemini-og%C5%82osi%C5%82-activity-7357364569125642240-tNGV?utm_source=share&amp;utm_medium=member_desktop&amp;rcm=ACoAAAX4g6cBcBBZwP07w4-B9eeLgvc1B6sCYa0">opinii od mądrych i doświadczonych liderów produktów</a> — co oni o tym wszystkim sądzą. Oto najciekawsze z nich:</p><p><strong>Ludmiła Kostyleva (Head of Platform @ </strong><a href="https://tutlo.com/?utm_campaign=google-zabija-prd-jak-zyc&amp;utm_medium=referral&amp;utm_source=www.productcraft.pro"><strong>Tutlo.com</strong></a><strong>):</strong></p><p><em>„</em><strong><em>Rozpoczęcie pracy nad projektem od prototypowania sprawdzało mi się w ekstremalnych sytuacjach</em></strong><em>, kiedy mieliśmy ograniczony czas, ale jednocześnie kilku doświadczonych głów na pokładzie, którzy poświęcali 90% swojej uwagi i czasu zagadnieniu.</em></p><p><em>Dzięki temu większość projektu było przemyślane “w głowie w loce”. Podobny tryb pracy wymagał również wprowadzenia sporej liczby zmian na bieżąco. Do końcowego użytkownika produkt wychodził szybciej, ale kosztem tego że zostały zaniedbane inne projekty, lub rozwiązanie zawierało istotne luki.</em></p><ul><li><em>Dla mnie “papier” — s</em><strong><em>posób na poukładanie i strukturyzację wiedzy.</em></strong><em> Wizualizacja również pozwala na spojrzenie z innej perspektywy niż miało się w głowie;</em></li><li><strong><em>PRD nie musi być duże</em></strong><em>, tylko wystarczające;</em></li><li><strong><em>PRD nie musi być tekstem</em></strong><em>, tylko może zawierać szkic (czytaj — wysokopoziomowy prototyp) oraz diagram;</em></li><li><em>Kwestia </em><strong><em>dobrania odpowiedniej formy</em></strong><em> do zagadnienia.</em></li></ul><p><em>Pamiętajmy też, że </em><strong><em>prototyp to tylko jeden ze sposobów na przetestowanie hipotezy</em></strong><em> oraz potencjalnego rozwiązania. Ale aby testować, musimy wiedzieć CO testujemy, jaki mamy cel itd.</em></p><p><em>Samo przygotowanie PRD również ma swoje pułapki, ale to inna historia na dużą dyskusje :)”</em></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*_dBsy5WjVmuvN7LQ.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*AAOjXpfGHhgDRzaf.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*fUaIoHP0PwGmW5zc.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*dokGKQL8X2yHT5md.png" /></figure><p>Więcej znajdziesz ich w tym <a href="https://www.linkedin.com/posts/tom-tomaszewski_google-head-of-product-od-gemini-og%C5%82osi%C5%82-activity-7357364569125642240-tNGV?utm_source=share&amp;utm_medium=member_desktop&amp;rcm=ACoAAAX4g6cBcBBZwP07w4-B9eeLgvc1B6sCYa0">wątku na Linkedin</a>. Podobna dyskusja toczy się wokół roadmap — piszę o tym w <a href="https://newsletter.productcraft.pl/p/smierc-roadmap-wiekszosc-pmow-nie">Śmierć roadmap, większość PMów nie przetrwa AI, a liderzy wrócą do bycia IC</a>. O tym, jak zmieniają się same role w zespołach produktowych, piszę w Twój produkt potrzebuje Forward Deployed Engineera.</p><p><strong>Co myślisz o całym tym przejściu Google na kulturę “Building first”?</strong> Daj znać w komentarzu lub odpowiedz na maila</p><p><em>Originally published at </em><a href="https://newsletter.productcraft.pl/p/google-zabija-prd-jak-zyc?utm_source=publication-search"><em>https://newsletter.productcraft.pl</em></a><em> on November 10, 2025.</em></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=eb0061f80e22" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Wzrost urodzeń to efekt wyżu demograficznego, a nie 500+? Sprawdzam]]></title>
            <link>https://medium.com/@tkwadrat/wzrost-urodze%C5%84-to-efekt-wy%C5%BCu-demograficznego-a-nie-500-sprawdzam-5c0d99386d84?source=rss-117ac880cd2e------2</link>
            <guid isPermaLink="false">https://medium.com/p/5c0d99386d84</guid>
            <category><![CDATA[data-science]]></category>
            <category><![CDATA[python]]></category>
            <category><![CDATA[data-visualization]]></category>
            <dc:creator><![CDATA[Tomasz Tomaszewski]]></dc:creator>
            <pubDate>Sun, 09 Apr 2017 18:59:25 GMT</pubDate>
            <atom:updated>2017-04-09T18:59:25.738Z</atom:updated>
            <content:encoded><![CDATA[<p>W zeszłym roku (2016) urodziło się o 12,9 tys. więcej dzieci niż rok wcześniej (2015). Ten zaczął się jeszcze lepiej. W samym styczniu 2017 mamy już 4,5 tys urodzeń więcej niż rok wcześniej (czyli wzorst o 13,6%). Takich liczb nie było w Polsce od wielu lat.</p><p>Rządzący oczywiście utrzymują, że jest to efekt Programu 500+. Opozycja, jak to opozycja, zaprzecza. Jednym z najpopularniejszych kontrargumentów krążących po sieci jest hipoteza, że wzrost urodzeń to nie nie efekt 500+, tylko wchodzącego w okres rozrodczy wyżu demograficznego z lat 70/80. No to sprawdźmy! Przy okazji nauczę się nowych sposobów wizualizacji danych w pythonie :)</p><p><strong>Jeśli nie interesuje Ci aspekt techniczny, pomiń najbliższy rozdział i przejdź od razu do kolejnego: “Czy wzrost urodzeń jest efektem wyżu demograficznego?”</strong></p><h3>Dane i środowisko</h3><p>Najlepsze dane o polskiej demografii ma prawdopodobnie GUS (Główny Urząd Statystyczny). Nie udało mi się niestety w rozsądnym czasie znaleźć jakiegoś sensownego API. Jeśli znasz jakiś fajny sposób na dostęp do danych GUS - wrzuć w komentarzu. Będę wdzięczny. Ostatecznie skorzystałem z <a href="http://swaid.stat.gov.pl/SitePages/StronaGlownaDBW.aspx"><strong>System Wspomagania Analiz i Decyzji</strong></a><strong> GUS</strong>. Można z niego wygenerować Excele z danymi, choć nie są one rewelacyjne.</p><p>Do analizy wykorzystałem Pythonowe środowisko do <strong>data science i machine learnignu</strong>: Anaconda, python 3.5.2, jupyter notebook. Przetwarzanie danych - biblioteki: numpy i pandas. Do wizualizacji, tym razem, wykorzystałem mechanizmy wbudowane w bibliotekę<em> pandas</em>.</p><p>Zacząłem oczywiście od zaimportowania bibliotek i danych. Nie musiałem na szczęście dużo bawić się w obróbkę danych.</p><pre>#importy<br>import seaborn as sns<br>import matplotlib.pyplot as plt<br>import pandas as pd<br>import numpy as np<br>%matplotlib inline</pre><pre>#styl wykresów<br>sns.set_style(&quot;whitegrid&quot;)</pre><pre>women = pd.read_excel(&quot;kobiety.xlsx&quot;)<br>population = pd.read_excel(&quot;wszyscy.xlsx&quot;)</pre><pre># obróbka danych<br>wt = women.set_index([&quot;Wyszczególnienie&quot;]).transpose()<br>pt = population.set_index([&quot;Wyszczególnienie&quot;]).transpose()</pre><h3>Czy wzrost urodzeń jest efektem wyżu demograficznego?</h3><p>Aby wyciągnąć wnioski w tym temacie, najpierw musimy sprawdzić, w jakim wieku kobiety rodzą dzieci. Potem, czy w tym wieku liczba kobiet rośnie, czy maleje. Jeśli rośnie - więcej dzieci rodzi się dlatego, że mamy po prostu więcej kobiet, które mogą je urodzić. Jeśli nie rośnie - to znaczy, że większa liczba urodzin musi mieć inne przyczyny.</p><h4>Kiedy kobiety rodzą dzieci?</h4><p>Zacznijmy od pierwszego pytania - kiedy kobiety rodzą dzieci? Sprawdziłem to dla najświeższych danych z 2016 roku.</p><pre>#dane wzięte z System Wspomagania Analiz i Decyzji<br>df2 = pd.DataFrame({&#39;19 i mniej&#39; : 12030,<br>                    &#39;20-24 lata&#39; : 57107,<br>                    &#39;25-29 lat&#39; : 123994,<br>                    &#39;30-34 lat&#39; : 119140,<br>                    &#39;35-39 lat&#39; : 47972,<br>                    &#39;40-44 lat&#39; : 8725,<br>                    &#39;powyżej 45 lat&#39; : 340 }, index=[0])</pre><p>Zobaczmy jak prezentuje się to na wykresie:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/541/1*BMMK7dpK-n9rIPDBXbOS8Q.png" /><figcaption>Liczba urodzeń żywych w przedziale wiekowym matki</figcaption></figure><p>Zdecydowanie najwięcej rodzą matki w przedziale wiekowym 25–34 lata. Rzadziej w wieku 20–24 i 35–39 lat.</p><h4>Ile kobiet jest w “odpowiednim” wieku?</h4><p>Zobaczmy teraz, ile mamy kobiet w tych przedziałach wiekowych i jak to się zmieniało na przestrzeni ostatnich lat.</p><pre>wt.plot(stacked=False, subplots=True, figsize=(10, 20))</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/860/1*r5LL1ZYT-1kbeyRbi3kO6A.png" /><figcaption>Liczba kobiet w poszczególnych przedziałach wiekowych na przestrzni ostatnich lat</figcaption></figure><p>Dla jasności - wykluczmy przedziały, w których kobiety prawie wcale nie rodzą dzieci, czyli skupiamy się tylko na przedziale 20–40 lata.</p><pre>wt[[&quot;20-24 lata&quot;, &quot;25-29 lat&quot;, &quot;30-34 lata&quot;, &quot;35-39 lat&quot;]].plot(stacked=False, subplots=False, figsize=(10, 7))</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/892/1*-4BuwsaBsqZA9jQcukHd9g.png" /><figcaption>Liczba kobiet w poszczególnych przedziałach wiekowych na przestrzeni ostatnich lat</figcaption></figure><p>I jeszcze całkowita liczba kobiet w wieku 20–40 i 25–35.</p><pre>wt[[&quot;20-24 lata&quot;, &quot;25-29 lat&quot;, &quot;30-34 lata&quot;, &quot;35-39 lat&quot;]].sum(axis=1).plot(stacked=False, subplots=False, figsize=(8, 5))</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/737/1*O6Rm2tiesZmXeXOiimqw7g.png" /><figcaption>Całkotiwa liczba kobiet w wieku 20–40 lat.</figcaption></figure><pre>wt[[&quot;25-29 lat&quot;, &quot;30-34 lata&quot;]].sum(axis=1).plot(stacked=False, subplots=False, figsize=(8, 5))</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/737/1*8lFxRoA377outqFm_ZU1bw.png" /><figcaption>Całkowita liczba kobiet w wieku 25–35 lat.</figcaption></figure><p>Jak widać, wyż demograficzny w kontekście urodzeń jest już za nami. Spada zdecydowanie liczba kobiet w wieku “najbardziej płodnym”, czyli 25–29 oraz tych, które rodzić będą jako następne - obecnie 20–24 lata. Liczba kobiet starszych w kontekście urodzeń, czyli 30–40, przez ostatnie 2 lata jeszcze utrzymuje się na podobnym poziomie, ale widać rozpoczynającą się tendencję spadkową.</p><p><strong>Nagły wzrost urodzeń w 2016 r. nie jest więc efektem wchodzących w okres powiększania rodziny dzieci z wyżu demograficznego lat 70&#39; i 80&#39;.</strong></p><h3>Czy z aktualnego poziomu wzrostu urodzeń powinniśmy się cieszyć?</h3><p>To oczywiście nie jest dobre pytanie badawcze, bo opiera się na subiektywnych odczuciach. Ale spróbujmy odpowiedzieć. Z jednej strony tak - dawno takiego wzrostu w Polsce nie było. Z drugiej, trzeba to umieścić w kontekście naszych szerszych problemów demograficznych. Zobaczmy więc, jak bardzo “starzeje się” nasze społeczeństwo i jaki wynika z tego problem.</p><p>Zobaczmy jak wyglądała liczba ludzi w wieku przed- i poprodukcyjnym w Polsce na przestrzeni ostatnich kilku lat.</p><pre>pt[[&quot;Wiek przedprodukcyjny&quot;, &quot;Wiek poprodukcyjny&quot;]].plot.bar(alpha=0.4, figsize=(10, 5))</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/858/1*VCYyrtYt4oWcboaTitLLGQ.png" /><figcaption>Liczba osób w wieku przed- i poprodukcyjnym w Polsce</figcaption></figure><p>W roku 2013 liczba osób w wieku poprodukcyjnym przekroczyła liczbę osób w wieku przedprodukcyjnym.</p><p>Jeszcze gorzej sytuacja wygląda w kontekście tzw. <strong>obciążenia demograficznego</strong>. Jest to wskaźnik pokazujący jaki jest stosunek osób w wieku nieprodukcyjnym do osób w wieku produkcyjnym. Im wyższy wskaźnik - tym gorzej. W dużym uproszczeniu, osoby w wieku nieprodukcyjnym (osoby młode do 18 roku życia, kobiety po 60 i mężczyźni po 65 roku życia) zwykle nie pracują i muszą być “utrzymywane” przez osoby w wieku produkcyjnym (pracujące i odprowadzające podatki).</p><pre>ageDependency = pd.DataFrame(index=pt.index)</pre><pre>ageDependency[&quot;Obciazenie demograficzne&quot;] = (pt[&quot;Wiek przedprodukcyjny&quot;] + pt[&quot;Wiek poprodukcyjny&quot;]) / pt[&quot;Wiek produkcyjny&quot;]<br>ageDependency[&quot;Obciążenie przedprodukcyjne&quot;] = pt[&quot;Wiek przedprodukcyjny&quot;] / pt[&quot;Wiek produkcyjny&quot;]<br>ageDependency[&quot;Obciążenie poprodukcyjne&quot;] = pt[&quot;Wiek poprodukcyjny&quot;] / pt[&quot;Wiek produkcyjny&quot;]</pre><pre>ageDependency.plot.bar(alpha=0.4, figsize=(10, 5))</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/824/1*3eYMwN_CaV-WxgEilQmlCw.png" /><figcaption>Obciążenie demograficzne w Polsce</figcaption></figure><p>Obciążenie demograficzne stale rośnie i aktualnie wynosi 0,61. Oznacza to, że <strong>na 100 osób w wieku produkcyjnym mamy już 61 osób w wieku nieprodukcyjnym</strong>. Przyglądając się wykresowi, najbardziej przerażający jest fakt, że za wzrost obciążenia “odpowiadają” ludzie w wieku poprodukcyjnym. Nasze społeczeństwo bardzo szybko się starzeje. Tylko od 2010 roku obiążenie to wzrosło o prawie 30% (7 pkt %)!</p><p>Odpowiadając subiektywnie na postawione pytanie - <strong>aktualny wzrost jest dobrym pierwszym krokiem. Nie ma jednak co popadać w huraoptymizm, bo to mała kropelka w morzu potrzeb. Aby załagodzić skutki problemów demograficznych (bo, moim zdaniem, uniknąć ich już się chyba nie da) potrzeba dużo więcej zmian.</strong></p><p><strong>Na końcu jeszcze mały gratis dla wytrwałych i ciekawskich :)</strong></p><h3>Ile “kosztuje” jedno dziecko w Programie 500+?</h3><p>Zakładając, że za cały wzrost urodzeń odpowiada program 500+ i jest on programem prodemograficznym (a tak był przedstawiany w kampanii wyborczej) można to w prosty sposób wyliczyć. W ciągu 2016 r. urodziło się o 12,9 tys. więcej dzieci niż w roku poprzednim, a kosztował on budżet pańtwa 17 mld zł.</p><p>17 mld zł / 12,9 tys. dzieci = ok. <strong>1 mln 300 tys zł </strong><em>na 1 dziecko</em>.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=5c0d99386d84" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Pogadajmy w końcu o pogodzie. Small talk w oparciu o dane]]></title>
            <link>https://medium.com/@tkwadrat/gor%C4%85cy-kwietniowy-weekend-czas-na-small-talk-w-oparciu-o-dane-c4d0c158c013?source=rss-117ac880cd2e------2</link>
            <guid isPermaLink="false">https://medium.com/p/c4d0c158c013</guid>
            <category><![CDATA[data-science]]></category>
            <category><![CDATA[data-visualization]]></category>
            <category><![CDATA[python]]></category>
            <category><![CDATA[machine-learning]]></category>
            <dc:creator><![CDATA[Tomasz Tomaszewski]]></dc:creator>
            <pubDate>Wed, 05 Apr 2017 05:37:00 GMT</pubDate>
            <atom:updated>2017-04-06T11:53:23.008Z</atom:updated>
            <content:encoded><![CDATA[<p>Za nami naprawdę ciepły kwietniowy weekend. Słoneczko, 20 stopni — czy może być coś piękniejszego? TAK! Poza wyrzuceniem do szafy grubych kurtek i swetrów, jest jeszcze jeden powód do zadowolenia. W momentach niezręcznej cieszy w korporacyjnej windzie i na rodzinnych spotkaniach, można w końcu z czystym sumieniem <strong>prozmawiać o pogodzie</strong>.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/600/1*deEBqI-_v4pazaV0_yR-UQ.jpeg" /></figure><p>Aby dobrze wypaść przy nadchodzących small talkach, postanowiłem że do tematu podejdę na poważnie. Muszę dobrze się przygotować. I jak na umysł ścisły przystało — zrobić to w oparciu o realne dane. Wykorzystując pythona i techniki <strong>data science</strong> przygotowałem sobie kilka ciekawostek i asów z rękawa, w sam raz do wykorzystania podczas small talków.</p><p><strong>Jeśli nie interesuje Ci aspekt techniczny, pomiń najbliższy rozdział i przejdź od razu do kolejnego: “<em>Czy w pierwszy kwietniowy weekend rzeczywiście było wyjątkowo ciepło?</em>”</strong></p><h3>Dane i środowisko</h3><p>Oparłem się na ogólno dostępnej bazie <strong>Berkeley Earth - </strong><a href="https://www.kaggle.com/berkeleyearth/climate-change-earth-surface-temperature-data"><strong>Climate Change: Earth Surface Temperature Data</strong></a><strong>, </strong>zawierającej średniomiesięczne pomiary temparatur z całego świata od 1750 roku. Jest więc co analizować.</p><p>Do analizy wykorzystałem Pythonowe środowisko do <strong>data science i machine learnignu</strong>: Anaconda, python 3.5.2, jupyter notebook. Przetwarzanie danych: biblioteki numpy i pandas. Wizualizacja: bilioteka seaborn.</p><p>Zacząłem oczywiście od zaimportowania bibliotek i danych:</p><pre>import seaborn as sns<br>import matplotlib.pyplot as plt<br>import pandas as pd<br>import numpy as np<br>%matplotlib inline</pre><pre>climat = pd.read_csv(&quot;GlobalLandTemperaturesByCountry.csv&quot;)<br>climatCities = pd.read_csv(&quot;GlobalLandTemperaturesByCity.csv&quot;)<br>climatGlobal = pd.read_csv(&quot;GlobalTemperatures.csv&quot;)</pre><h3>Obróbka danych</h3><p>Najbardziej czasochłonna w analize danych jest, jak tozwykle bywa, praca najmniej sexy, czyli obróbka i odpowiednie ich przygotowanie do późniejszego wykorzystania. Na szczeście operowanie na tablicach (dataFrame) przy użyciu <strong><em>pandas</em></strong> jest proste i wygodne.</p><pre>climatPoland = climat[climat[&quot;Country&quot;] == &quot;Poland&quot;]<br>climatPoland.drop(&#39;Country&#39;,axis=1,inplace=True)<br>climatGdansk = climatCities[climatCities[&quot;City&quot;] == &quot;Gdansk&quot;]</pre><pre>## USUNIĘCIE I DODANIE KOLUMN ##<br>climatPoland[&quot;ds&quot;] = &quot;Poland&quot;<br>climatGdansk[&quot;ds&quot;] = &quot;Gdansk&quot;<br>climatGdansk.drop(&#39;Country&#39;,axis=1,inplace=True)<br>climatGdansk.drop(&#39;Latitude&#39;,axis=1,inplace=True)<br>climatGdansk.drop(&#39;Longitude&#39;,axis=1,inplace=True)<br>climatGdansk.drop(&#39;City&#39;,axis=1,inplace=True)</pre><pre>## ROZBICIE KOLUMNY Z DATĄ ##<br>def retYear(x):<br>    return int(x[0:4])<br>def retMonth(x):<br>    return int(x[5:7])<br>def retDay(x):<br>    return int(x[8:10])</pre><pre>climatPoland[&#39;year&#39;] = climatPoland[&#39;dt&#39;].apply(retYear)<br>climatPoland[&#39;month&#39;] = climatPoland[&#39;dt&#39;].apply(retMonth)<br>climatPoland[&#39;day&#39;] = climatPoland[&#39;dt&#39;].apply(retDay)</pre><pre>climatGdansk[&#39;year&#39;] = climatGdansk[&#39;dt&#39;].apply(retYear)<br>climatGdansk[&#39;month&#39;] = climatGdansk[&#39;dt&#39;].apply(retMonth)<br>climatGdansk[&#39;day&#39;] = climatGdansk[&#39;dt&#39;].apply(retDay)</pre><pre>climatPoland = climatPoland.drop(&quot;dt&quot;, axis = 1)<br>climatGdansk = climatGdansk.drop(&quot;dt&quot;, axis = 1)</pre><p>Przy analizie danych zwykle okazuje się, że są one niepełne lub zawierają błędy. Tak było też w tym przypadku. Na szczęscie luki dotyczyły tylko pierwszych 3 latach, więc po prostu usunąłem dane z tego okresu.</p><pre># dane po 1753 są pełne<br>climatPoland = climatPoland[climatPoland[&quot;year&quot;] &gt; 1753]<br>climatGdansk = climatGdansk[climatGdansk[&quot;year&quot;] &gt; 1753]</pre><p>Na koniec połączyłem dane dla Polski i dla Gdańska w jedną tabelę (DataFrame), żeby móc je potem łatwo porównać i wykorzystać do wizualizacji.</p><pre>climatPG = pd.concat([climatGdansk,climatPoland])</pre><p><strong>Z tak przygotowanych danych możemy już zacząć wyciągać ciekawostki.</strong></p><h3>Czy w pierwszy kwietniowy weekend rzeczywiście było wyjątkowo ciepło?</h3><p>Średnia temperatura dobowa 1–2 kwietnia 2017 r. w Gdańsku wyniosła ok. <strong>14 stopni</strong>. Zobaczmy jak to się ma średniej temperatury w kwietniu na przestrzeni lat.</p><pre>aprilPoland = climatPoland[climatPoland[&quot;month&quot;] == 4]<br>aprilGdansk = climatGdansk[climatGdansk[&quot;month&quot;] == 4]</pre><pre>aprilPoland.mean()<br>aprilGdansk.mean()</pre><p>Okazuje się, że średnia temeratura kwietnia od 1753 r. dla Gdańska to <strong>7,4 stopnia</strong>, a dla Polski 7,5. Porównując więc nasz weekend do średnich temaratur — <strong>TAK ten weekend był naprawdę gorący jak na kwiecień :)</strong></p><p>Sprawdźmy jeszcze na wszelki wypadek rozkład średnich temperatur w kwietniu:</p><pre>sns.distplot(aprilGdansk[&#39;AverageTemperature&#39;], bins=50)</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/529/1*NePalr06L8IZgsf_y9Yw1w.png" /><figcaption>Rozkład średnich temperatur od 1753 roku</figcaption></figure><p><strong>Podczas small talku możesz więc spokojnie zaskoczyć rozmówcę:</strong></p><ul><li><em>Wiesz że w ten weekend było prawie 2 razy cieplej niż jest średnio w kwietniu?!</em></li><li><em>Wiesz jak ciepło jest zwykle w kwietniu?! Tylko 7 stopni!!</em></li><li><em>Rozkład średnich temperatur w kwietniu przypomina rozkład gaussa! To niesamowite!</em></li></ul><h3>Czy kwiecień staje się coraz cieplejszy?</h3><p>Podczas każdego small talku musi paść argument — <strong><em>kiedyś było lepiej</em></strong>. Teraz na takie marudzenie możesz odpowiedzieć za pomocą danych. A przynajmniej możesz to zrobić w kontekście średnich temperatur kwietnia na przestrzeni prawie 300 lat.</p><pre>sns.lmplot(y=&quot;AverageTemperature&quot;, x=&quot;year&quot;, data=aprilGdansk, lowess=True)</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/489/1*TQpNVlTFEuZqm97pPkomMw.png" /><figcaption>Średnia temperatura kwietnia w Gdańsku od 1753 r.</figcaption></figure><p>Jak widać średnia temeratura rośnie od 1880 r. Od tamtego czasu ociepliło się w kwietniu o ok. 0,8 stopnia. <strong>TAK, kwiecień staje się corac cieplejszy w Gdańsku.</strong></p><p>Sprawdźmy jeszcze jaka i kiedy była maksymalna i minimalna średnia temperatura w kwietniu w Polsce.</p><pre>aprilPoland[aprilPoland[&#39;AverageTemperature&#39;] == aprilPoland[&#39;AverageTemperature&#39;].max()]<br>aprilPoland[aprilPoland[&#39;AverageTemperature&#39;] == aprilPoland[&#39;AverageTemperature&#39;].min()]</pre><p>MAX: <strong>11.9 </strong>stopnia<strong>, 2000 rok</strong><br>MIN: <strong>3.2 </strong>stopnia<strong>, 1812 rok</strong></p><p>Jeżeli więc w najbliższych tygodniach pojawi się kilka chłodniejszych dni, zawsze możesz pocieszyć siebie i swoich rozmówców, że “<em>Przerąbane to mieli w 1812 r., wtedy w całym kwietniu średnia temapratura z całego miesiąca miała ledwo 3 stopnie!</em>”</p><h3>Czy temperatury w Gdańsku różnią się w stosunku do reszty Polski?</h3><p>Przy analizie nie ma co się zamykać tylko na kwietniu. Jeśli mieszkasz w Gdańsku (tak jak ja) to rozmowy na pewno zejdą też na temat tego, jak to w Gdańsku temperatury są inne niż w całej reszcie Polski — zimy łagodniejsze, ale za to lato chłodniejsze. Sprawdźmy więc jak wyglądają średnie temperatury poszczególnych miesięcy dla Gdańska i całej Polski</p><pre>climatPoland.groupby(&#39;month&#39;).mean()<br>climatGdansk.groupby(&#39;month&#39;).mean()<br>sns.barplot(x=&#39;month&#39;,y=&#39;AverageTemperature&#39;, hue=&quot;ds&quot;, data=climatPG, estimator=np.mean, palette=&quot;Set2&quot;)</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/531/1*LSjyVWA14x-F_CyKoiuOvA.png" /><figcaption>Średnia temperatura dla poszczególnych miesięcy</figcaption></figure><p>Jak widać średnie rejestrowane temeperatury dla poszczególnych miesięcy nie różnią się specjalnie, widać delikatne różnice. Zobaczmy ile konkretnie te różnice wynoszą w poszczególnych miesiącach.</p><pre>roznica = climatPoland.groupby(&#39;month&#39;).mean() - climatGdansk.groupby(&#39;month&#39;).mean()<br>sns.barplot(x=roznica.index, y=&quot;AverageTemperature&quot;, data=roznica)</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/543/1*S3eSXCLadBVydsYIT3UquA.png" /><figcaption>Różnica średnich temperatur dla poszczególnych miesięcy między Gdańskiem i resztą Polski.</figcaption></figure><p>Dodatnia wartość pokazuje miesiące cieplejsze dla całej Polski, ujemna oznacza cieplejsze w Gdańsku. Okazuje się, że prawie we wszystkich miesiącach w Gdańsku jest chłodniej niż w pozostałej części Polski. Tylko we wrześniu i delikatnie w sierpniu jest w Gdańsku cieplej. Różnice te są jednak bardzo małe. Tylko w listopadzie i grudniu jest wyraźniej chłodniej (ok. 0,35 stopnia różnicy).</p><p><strong>Tak więc, średnie temperatury w Gdańsku nie różnią się specjalnie od tych w całej Polsce.</strong> Ciekawsze mogłoby okazać się porównanie Gdańska z innym dużym miastam np. na południu Polski. <em>Ale o to podczas small talku na pewno nikt nie zapyta.</em></p><h3>Kiedy na urlop?</h3><p>Zostało nam jeszcze jedno odwieczne pytanie ze small talków o pogodzie — kiedy pojechać na urlop (albo wziąć ślub). Jak powszechnie wiadomo, najlepszym wyznacznikiem udanego urlopu jest jego temperatura. W jakich więc miesiącach jest w Polsce zwykle ciepło?</p><p>Najpierw zobaczmy wszystkie średnie temperatury w podziale na poszczególne miesiące (każda kropka to jeden rok).</p><pre>sns.swarmplot(x=&#39;month&#39;,y=&#39;AverageTemperature&#39;,data=climatPoland,size = 1, palette=&#39;Set2&#39;)</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/539/1*kIaMdnwShZvb_nda2UbFBg.png" /><figcaption>Średnie temperatury w poszczególnych miesiącach.</figcaption></figure><p>Jak widać miesiące letnie mają dużo mniejszy rozrzut temperatur niż miesiące zimowe. Zimy są więc pod względem temperatur zdecydowanie bardziej nieprzewidywalne. Możesz to wykorzystać podczas small talku ze znajomym: “<em>Urlop planuję tylko w okresie letnim. Miesiące zimowe są zbyt nieprzewidywalne — mają dużo szerszy rozkład niż miesiące letnie”</em></p><p>Aby wyciągnąc ostateczne wnioski wyznaczmy sobie jeszcze dokładne średnie dla poszczególnych miesięcy.</p><pre>climatPoland.groupby(&#39;month&#39;).mean()</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*82Q2sQ3RCv6q_mWH3l7l3w.png" /><figcaption>Średnie temperatury dla poszczególnych miesięcy.</figcaption></figure><p><strong>Najcieplejszy miesiąc to lipiec. </strong>Dla lubiących ciepło fajny też jest siepień i czerwiec. Dla <em>umiarkowanych</em>, najlepsze okażą się maj i wrzesien.</p><p>Jeśli więc Twój znajomy z korpo, za którym nie przepadasz, przyzna się podczas small talku, że na urlop wybiera się w sierpniu, zawsze możesz odpowiedzieć: “<em>A ja jadę w lipcu. Wiesz, że lipiec jest średnio o 0,8 stopnia cieplejszy od sierpnia?</em>”. Oby tylko nie wybierał się za granicę, bo nasze wyliczenia będziemy musieli wyrzucić do kosza.</p><p>Sprawdźmy jeszcze czy są tu jakieś róznice pomiędzy Gdańskiem i resztą Polski.</p><pre>sns.boxplot(x=&quot;month&quot;, y=&quot;AverageTemperature&quot;, hue=&quot;ds&quot;,data=climatPG, palette=&quot;coolwarm&quot;)</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/539/1*t8OW7ZOY_UYTyDz_zGDnkQ.png" /><figcaption>Wykres pudełkowy porównujący rozkład średnich temperatur dla Gdańska i reszty Polski</figcaption></figure><p>Także tutaj różnice między Gdańskiem i resztą Polski są nieznaczne.</p><p><strong>Jestem już gotowy na wszystkie nadciągające small talki. Okazuje się, że podchodząc odpowiednio do tematu, nawet rozmowy o pogodzie mogą być wielce fascynujące ;)</strong></p><p><em>PS. Przedstawione analizy i wizualizacje oparte są o realne dane. Wyciągane na ich podstawie wnioski pisałem jednak oczywiście z lekkim przymróżeniem oka — nie jestem ekspertem od pogody :)</em></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=c4d0c158c013" width="1" height="1" alt="">]]></content:encoded>
        </item>
    </channel>
</rss>