Azonnal nézhető, ~60 perces videós oktatóanyag a Data Science Klub könyvtárában:
AI a Power BI-ban
Kövesd végig egy vezetői riport építését Claude Code-dal, és tanuld meg ellenőrizni a számításokat és a diagramokat.
Csáki Dávid (Graphisoft, Dataképzés.hu)
~60 perces előadás
(azonnal gyakorlatba ültethető tudás)
Mit tud átvenni az AI a Power BI-ban a riportkészítőtől, és mit érdemes továbbra is kézzel megcsinálni? Csáki Dávid (Graphisoft, Dataképzés.hu) egy üres projektből indul: a Claude Code egy Excel-táblából és egy CSV-fájlból épít vezetői riportot. Végigkövetheted, hogyan ismeri fel az eszköz a fejlécet, hogyan kapcsolja össze a rendeléseket a termékekkel, és milyen diagramokat választ a profit alakulásának bemutatásához. Az első változatban a negyedéves profitdiagram tengelyéről hiányzik a mérték, a régió szerinti szűrés pedig nem minden oldalon érvényesül. A javításokon keresztül látni fogod, mikor gyorsabb a Power BI Desktopban dolgozni, mint újabb utasítást adni. Végül arra is látsz példát, hogyan készül képernyőkép alapján olyan KPI-kártya, amelynek mintáját a következő riportodnál is használhatod.
Mit fogsz megtanulni az előadásból?
- Előkészíthetsz egy PBIP-projektet, hogy a Claude Code a riport fájljaival dolgozhasson.
- Ellenőrizheted, hogy az importált táblában a megfelelő sor lett-e a fejléc, és dátumként használható-e a rendelés időpontja.
- Megvizsgálhatod, hogy a termékazonosító alapján helyesen kapcsolódnak-e a táblák, és a mértékek az üzleti definíciót követik-e.
- Pótolhatod a diagramról hiányzó mértéket, és szinkronizálhatod a régió szerinti szeletelőt a riportoldalak között.
- Készíttethetsz képernyőkép alapján trendvonalas KPI-kártyát, és elmentheted az elkészítésének szabályait későbbi használatra.
Milyen főbb témákról van szó az előadásban?
- AI a Power BI-ban: a chatbottól a riportépítésig – A parancssori eszközzel az AI nemcsak képletet javasol, hanem módosítja a modellt és a riportot is. A riport továbbra is a vezetőknek készül: a fejlesztő felelőssége, hogy értse, mit mutatnak a számok.
- Az asztali híd és a PBIP-projekt beállítása – Az asztali híd engedélyezése után a külső eszközök kapcsolódhatnak a Power BI Desktophoz. A bemutatóban láthatod, milyen szerkeszthető fájlokat hoz létre a PBIP-formátumú mentés, és hogyan nyithatod meg a projektmappát a VS Code-ban.
- Excel- és CSV-import: fejléc, dátum és mentés – A Claude Code kihagyja az Excel-tábla első öt sorát, a vásárlás dátumának formátumát viszont külön kérésre javítja. Ezen a ponton a modell változásai még csak a Desktop memóriájában vannak, ezért fontos a mentés sorrendje.
- Szemantikai modell és üzleti mértékek – A rendelések és a termékek között a termékazonosító teremti meg az egy-a-többhöz kapcsolatot. A profit és a profitráta példáján láthatod, miért nem elég a működő képlet: az elemzőnek azt is ellenőriznie kell, hogy a mérték jelentése egyértelmű-e.
- Vezetői dashboard: diagramok és szeletelők javítása – A háromoldalas riport átnézésekor derül ki, miért üres a profitdiagram, és miért vált vissza a régiószűrés lapozáskor. A kézi javítás után ugyanazt a kiválasztott régiót követheted a vezetői összefoglalótól a termékek szerinti bontásig.
- Újrahasználható KPI-kártyák képernyőkép alapján – Egy mintakártya alapján a Claude Code trendvonalas kártyákat készít. Miután a régiószűrővel ellenőrizted, hogy az értékek változnak, a bevált megoldást skillként mentheted el, hogy ne kelljen minden riporthoz újra leírnod a kívánt formát.
Kinek ajánljuk az előadást?
- Power BI-jal ismerkedő elemzőknek, akik egy értékesítési példán követnék végig az adatimporttól a vezetői riportig tartó munkát.
- Gyakorló riportfejlesztőknek, akik Claude Code-ra bíznák az első változat elkészítését, de maguk ellenőriznék a modellt és a vizualizációkat.
- Kontrolling- és értékesítési riportokat készítő szakembereknek, akik a profitot időben, régiónként és termékszegmensenként is meg szeretnék mutatni.
Gyakori kérdések az előadásról
Miért PBIP-formátumban érdemes menteni a riportot, ha Claude Code-dal dolgozom?
A PBIX egyetlen fájl, a PBIP-projektben viszont a riport és a szemantikai modell külön fájlokban érhető el. Így a Claude Code közvetlenül szerkesztheti például a vizualizációkhoz tartozó JSON-fájlokat.
Mikor kell menteni a Power BI Desktopban, és mikor kell mentés nélkül bezárni?
A bemutatott adatimport után először a Desktopban kell menteni, mert az új táblák ekkor még csak a memóriában vannak. Amikor viszont a Claude Code már a lemezre írta az új riportoldalakat, a nyitva maradt régi változat mentése felülírná őket: ilyenkor a bemutatóban mentés nélkül zárják be, majd újra megnyitják a projektet.
Kell VS Code az AI-val végzett Power BI-fejlesztéshez?
Nem feltétlenül. Az előadó szerint a Claude Desktopban Claude Code-ra, a ChatGPT asztali alkalmazásában pedig Codexre váltva is követhető a munkafolyamat. A VS Code előnye a bemutatóban az, hogy munka közben végig látható a projekt mappaszerkezete.
Hogyan próbálható ki a riportépítés érzékeny ügyféladatok nélkül?
Az eredeti fájl helyett azonos szerkezetű, kitalált adatokkal feltöltött mintafájl is használható. A dátumoszlopban például maradjanak dátumok, de nem kell a valódi értékeknek szerepelniük.
Ugyanúgy szűrhető az egyedi KPI-kártya, mint a többi Power BI-diagram?
A bemutatott kártya értékei követik a régiószűrőt. A kapcsolat azonban nem kölcsönös: magára a kártyára kattintva nem lehet szűrni a többi diagramot.
És ez csak egy a Data Science Klubban elérhető rengeteg előadásból...
Magyarország évtizedes tapasztalatú adatos szakembereit hívjuk meg hónapról hónapra, hogy gyakorlatias, bullshit-mentes előadásokban tanulhassunk tőlük.
Csatlakozásod után azonnal eléred az összes korábbi előadás felvételét és kiegészítő anyagát (a többségükhöz van extra videó, oktatóanyag, Q&A felvétele, letölthető kódbázis, saját gépen is futtatható Jupyter Notebook vagy más segédlet). Mindegyik előadás önmagában megéri a tagdíj többszörösét, mert piacképesebbé és mélyebbé teszi a data science tudásod.
A Klub teljes tartalmát 2 percnyi regisztráció után már eléred:





















































Következő előadások:
Tanulási utak








„Miért ne várjak 3 évet a csatlakozással? Addig sokkal több előadás lesz a Klubban, és majd »ledarálom« egyben.”
Megtehetnéd, hogy x év múlva tömbösítve „ledarálod” az anyagokat… de a szíved mélyén tudod te is, hogy végül nem csinálnád meg.
- Idő, amíg egy előadást megnézel és megértesz.
- Idő, amíg egy hobbiprojektben kipróbálod azt, amit tanultál.
- Idő, amíg magabiztossá válik a tudásod.
Ha veszel 10 db könyvet, azt sem tudod egy hétvége alatt mind elolvasni. Ha mégis: vajon mennyi marad meg belőle?
A data science nehéz. Azok lesznek sikeresek benne, akik szívós munkával, folyamatos tanulással lépegetnek előre minden hónapban.
A könyvtárnál vagy a streaming-előfizetésnél sem vársz – hanem folyamatos hozzáférést veszel.
Azért előfizetési formátumot választottam a Data Science Klubnak, mert szerintem a folyamatos havi nyomás („ki kell használnom a Klubot”) segíti a legjobban a fejlődésed. (Az alternatívát elvetettem, vagyis: ömlesztve megkapod az anyagokat és talán 3 hét múlva már feléjük se nézel.)
„Milyen minőségűek az előadások?”
Az eddigi kurzusaimmal szemben az előadásokat javarészt nem én tartom majd, hanem külsős előadókat hívok.
Ennek az oka egyszerű: rengeteg kiváló szakember van itthon, akik a saját szakterületükön sokkal jobbak, mint én.
Ebben a klubban a legjobb minőségű adatos szaktudást szeretném összegyűjteni és elérhetővé tenni. Ehhez pedig a legjobb embereket hívom előadni.
Az előadások minőségéért kezeskedem. A minőséget három eszközzel próbálom biztosítani:
1) Minden előadót ismerek, láttam már őket előadni. Tehát eleve olyan szakemberek jönnek, akik szakmai ÉS prezentációs készségekben is magas szintet képviselnek. Azt is tudom róluk, hogy a data science felé milyen nagy alázattal állnak.
2) Minden előadónak fizetek az előadásért (hat számjegyű összeget). Ezt csak azért írom le expliciten, hogy lásd, hogy ez egyikőjüknek sem egy nap végén összedobott „hobbi-prezi” lesz, hanem egy fizetős gig, amire akár 1-2 hetet is készülnek. (Egy kiemelkedő előadáshoz még a legrutinosabb szakembernek is készülnie kell!) Emellett pedig külön kérem őket, hogy semmilyen önpromó ne kerüljön be az anyagokba, mert azt ugye senki sem szereti. 😊
3) Az előadás előtti napon minden prezentációt átnézek én is. Így igyekszünk az előadókkal közösen arra a szintre belőni az előadást, ami a klubtagoknak a legideálisabb.

"Végezetül szeretnék veletek megosztani egy hírt: az utóbbi hetekben a LinkedIn-profilom alapján megkerestek, és pénteken kaptam ajánlatot a _________-tól, Senior Data Analyst pozira, amit elfogadtam. :)Ebben Tomi, a te munkásságodnak is hatalmas szerepe van. Évek óta követlek, és a kommunikációd adott inspirációt a váltáshoz. Az [előző cégemnél] az utóbbi 2-3 évben tudatosan húztam magamra adatos feladatokat és projekteket, amiket a LinkedIn profilomon kommunikáltam. Ez és a domain tudásom vezethetett ahhoz, hogy egyből egy ilyen poziba tudtam váltani."

"[...]
először is szeretnék gratulálni, mert nagyon profin felépített szolgáltatás a tiéd: mind a tartalom, mind a kapcsolódó folyamatok.[...]Az ok, amiért feliratkoztam és ami megkülönböztetett téged egy Coursera/Udemy tanfolyamtól, az a gyakorlati tudás és maga a gyakorlás lehetősége, a Python mint téma mellett a machine learning mint téma, és amit már csak belépve láttam: a kérdéssor alapján összeállított "személyes tanulási út".
A tagdíj 11,37x-osát azonnal megkapod ajándékként csak azért, hogy mondj a Klubra egy „talánt”
A csatlakozásodkor nemcsak az összes korábbi előadás felvételéhez férsz hozzá (50+ anyag)…
...hanem 4 ajándékot is kapsz.
Ezeket akkor is megtarthatod, ha lemondod az előfizetésed.

💻 Teljes Data Klub Kódbázis
(becsült piaci ára ~50 000 Ft, neked ajándék)
Összeszedtük a klubban található jelenlegi összes kódot egy azonnal letölthető könyvtárba. Így a teljes data klubos kódbázist használhatod saját projektjeidben kiindulási alapként mintegy “boilerplate” kódként.

📚 Fajszi-Cser-Fehér: Üzleti haszon az adatok mélyén (angol verzió)
(e-könyv piaci ára 6602 Ft, neked ajándék).
Szerintem kinézted már magadnak ezt a szakmai köreinkben legendás 414 oldalas könyvet... Egy magyar adatbányászműhely szakértői sok hazai esettanulmánnyal mutatják meg azokat a módszereket, ahogyan az értő kezek profitot sajtolnak az adatból.

🧑💻 Data Source
(online kurzus piaci ára 97 USD + ÁFA, neked ajándék)
Hogyan szerezz adatokat egy-egy üzleti vagy hobbiprojektedhez? 5 modulon és sok-sok példán keresztül ezt a kihívást egyszer és mindenkorra megoldjuk.

🎧 Privát Podcast
(becsült piaci ára ~30 000 Ft, neked ajándék)
6 darab "belsős" interjú hazánk legjobb adatos szakembereivel -- karrier utakról, a data science jövőjéről, kapcsolatépítésről, sztoritellingről, stb...
Piaci áron (és ÁFÁ-val számolva) mindez ~124 602 Ft – te mind a négyet megkapod a csatlakozásod után azonnal. (Ezek olyan anyagok, amiket egyébként is szoktam ajánlani data scientisteknek.)
100%-os garanciával védem az elégedettséged!
A tagdíj 14990 Ft havonta (az ÁFA-t már tartalmazza), de az első hónapban elég, ha egy „talánt” mondasz a Klubra. Ha úgy látod, a Klub „nem talált el téged” bármilyen okból, szólj nekem és visszakapod a teljes tagdíjadat.
Te csak nyerni tudsz: vagy tetszik a Klub, vagy ingyen volt a próba.
Az ajándékok mindegyike akkor is a tied marad, ha lemondod a tagságot.
A fejlődésed 2. pillére:
projektek és portfólióépítés
Klubtagoknak szervezett kihívásokban és versenyekben gyakorolhatsz – és építhetsz versenyképes portfóliót
Nemcsak elméletileg kell értened a data science-hez – hanem gyakorlatilag is.
Az imposztorszindróma hatékony ellenszere az, ha projektről projektre látod a fejlődésedet.
A Klubban részt vehetsz:
- versenyeken, ahol szakmai zsűri értékeli a megoldásokat (és az a data scientist nyer, aki a legtöbb üzleti értéket tudja egy dataset-ből kinyerni)
- kihívásokban, ahol 5-10 óra kódolással megoldhatsz egy egyszerűbb adatos feladatot
Mindkettővel mélyül a tudásod és bővül a portfóliód.
Jobb állásokat tudsz megpályázni, ha tudsz referenciákat felmutatni – és ami talán ennél is fontosabb: a gyakorlattól magabiztosabbá válsz, ami csodálatos érzés.






"[...]
Ezt követte [az állásinterjún] elég hamar a második kör, két napra rá, ez már az utolsó volt, az igazgatóval. Ez sokkal nehezebb volt mint az első kör
[...]
A nyári data kihívás, a diverzifikált portfólió elemzés, mint "hobby projekt" adta magát, hogy bedobjam, ennek eléggé nagy sikere lett. Mind az első interjún, mind a másodikon. Szóval tényleg jó hogy van az embernek hobby projektje és az is fontos szerintem hogy több területről legyen egy-egy projekt, mert az adott cég esetleg jobban értékelheti."
A fejlődésed 3. pillére:
introvertáltbarát kapcsolatépítés
Építs szakmai kapcsolatokat és legyél te az az ember, akinek „mindenhova van egy ismerőse”
„Ők az én embereim!” – kiáltasz fel.
Azt hitted, hogy csak a te „nünükéd”, hogy az ingatlanok, a repülőjegyek vagy a paradicsomszósz árváltozásának adatait saját adatbázisban gyűjtöd, általad írt algoritmussal elemzed és riportokban prezentálod… mert… hát mert érdekel téged…
…de a meetupunkon döbbensz rá, hogy több tucat jó fej ember osztozik a szenvedélyedben.
Hazaértél.
Csak egy baj van:
A kapcsolatépítést szerintem senki nem élvezi
Ha valahol azt olvasom, hogy „kapcsolatépítési lehetőség”, akkor arra gondolok, hogy ezt csak úgy odaírták tölteléknek, mert jól hangzó marketingszöveg.
Én viszont nem csak „odaírni” szeretném, mert a sikeres karrierben sokat segítenek a szakmai kapcsolatok.
Te is tudod, hogy a kiterjedt szakmai network milyen értékes, mert:
- könnyebben találsz így állást
- több lehetőség talál meg (startup-alapítás, előadás, workshop-felkérések, nonprofit projektek, szakmai gyakorlatok, bármi egyéb)
- gyorsabban halad a karriered (találsz mentort, tanulópartnert, megismered a leendő főnöködet és kollégáidat)




Brutálisan nagy érték, ha a kihívásaid többségét meg tudod oldani olyan egyszerűen, hogy ráírsz egy szakmai ismerősödre
Mert… ugye… vannak ismerőseid.
Ezért évi több élő találkozót (meetupot) szervezünk.
Vajon befogadó ez a közeg?
Döntsd el az élménybeszámolók alapján:

"Kellemes csalódás volt a közösség ereje, a tudat, hogy mindig van kihez fordulni. Számomra korábban ez kevésbé tűnt fontosnak, azonban ma már hatalmas segítség, hogy bármilyen szakmai kérdésben van kihez fordulnom."

"Másfél éve vagyok Data Science Klubtag. Karrierváltó, junior adatelemző. Itt a közösség építő ereje mellett a legfontosabb és legnagyobb érték számomra a folyamatosan bővülő elméleti és gyakorlati tudástár. A Klub nagyon nagy hangsúlyt fektet a minőségi tudás megosztására."

"Mint sokan, én is más területről érkezem a ds világába, egy kapcsolati háló felépítését el sem tudom képzelni a klub nélkül.
Az eltelt bő év alatt a klub maximálisan beváltotta a hozzá fűzött reményeimet. A Slackkel kicsit szkeptikus voltam (egy újabb üzenetküldő app), de megszoktam, és az új verzióval élővé is vált :-)"
Hogyan tegyük „introvertáltbaráttá” az eseményeket?
Szerintem a Data Science Klub 5 funkciója segít ebben:
- „Random network”. Ha opt-inelsz, akkor havi 1x véletlenszerűen összeköt a szoftver egy másik taggal. Beszélgettek kicsit, aztán vagy „megvan a kémia”, vagy nincs.
- Taglista LinkedIn-adatlappal, Slack linkkel, portfólióval. Megjelenhetsz a belsős taglistánkon (ha bepipálod ezt a funkciót) és te is látod a többieket. Ha valaki szimpatikus, írj rá, és a meetupra már ismerősként érkezzetek.
- Slack fórum. A meetup-on ismerősként üdvözölhetsz sokakat, ha itt aktív vagy.
- Élő találkozók, meetup-ok. Évente többször is találkozunk egymással személyesen, Budapest belvárosában.
- DataShots. Egy külön funkciónk van arra, hogy klubtagok is előadhassák egy-egy mini-prezentáció keretein belül a saját projektjeiket a klubban. (És hát tudod, az előadót mindenki ismeri!)
Valószínűleg nem emlékszel a pontos percre, amikor valaki idegenből ismerős, haver vagy jóbarát vált. Ez egy folyamat. A Data Science Klub pedig ezzel a folyamatszemlélettel segíti a kapcsolatépítésed.

"Nagyon jó volt a pénteki rendezvény, nem tűnt fel, hogy elment a három óra :-)"

"Szerintem érezhetően más volt a dinamika mint egy meetupon. Én ugye most voltam itt először, és most láttam élőben működni a közösséget. Rögtön volt pár arc akit ismertem a random networkből, ami egyből gyűrűzött is tovább azokra, akiket ők ismertek.
[...]
Nekem most állt össze, hogy milyen kis ökoszisztéma lett ide építve, és milyen sok kapcsolódási pontot raktál az emberek közé. Nem tudom, hogy te hányszor hallottad az este során, de nekem többen is mondták, hogy hú ez az első meetup ahol emberekkel beszélgetek :D Úgyhogy mindenki élményekkel, és értékes szakmai kapcsolatokkal távozott. "
Hogyan csatlakozz a Data Science Klubhoz?
Csatlakozás: ÉPPEN NYITVA. Évente párszor egy-egy hétre nyitjuk meg a csatlakozási lehetőséget a data science klubba, most éppen nyitva van és tudsz regisztrálni!
Lemondás: Akármikor. Ha úgy döntesz, hogy nem akarsz többé feliratkozó/tag lenni, csak belépsz a fiókodba és egy kattintással azonnal megszüntetheted a tagságodat. (Ha nem megy, írj egy email-t a tomi [kukac] data36 [pont] com-ra és segítek!)
Tagdíj: 14.990 Ft / hó --» VAGY 119.990 Ft / év (33% kedvezmény a havi díjhoz képest)
Pro tipp: Ha tudod, érdemes lehet a munkáltatódnál/cégednél rákérdezni és megpróbálni képzési keretből elszámoltatni a tagdíjat.
Itt regisztrálj a Data Science Klubba
Csatlakozás: nyitva, idén utoljára! 2026. november 20. (péntek) 22:00-ig tudsz regisztrálni a Data Science Klubba, utána egy darabig újra zárjuk a kapukat. (Legközelebb 2027-ben nyitunk.)
Havi tagság 14.990 Ft / hó, vagy éves tagság 119.990 Ft / év. (Ez havonta csak 9.999 Ft, kb. 33%-kal kevesebb, mint a havi díj. Vagy mondhatjuk úgyis, hogy a 12 hónapból 4 ingyen van.)
Data Science Klub
- data science, machine learning, python, statisztika, üzleti tudás tananyagok (top hazai adatos szakemberektől)
- 50+ előadásfelvétel, 8 tanút
- élő előadásokon való részvétel
- belsős fórum
- taglista, publikus taglista
- élő/online találkozók, random network
- 5 real-life data science projekt és dataset
A díj havonta kerül levonásra, automatikusan. A tagság bármikor és azonnal megszüntethető. Az első hónapodat „ha nem tetszik, visszakapod a tagdíjat” garanciával védem.
A gomb lekattintása után a fizetési oldalra kerülsz, ahol biztonságosan fizethetsz bankkártyával.
Data Science Klub
- data science, machine learning, python, statisztika, üzleti tudás tananyagok (top hazai adatos szakemberektől)
- 50+ előadásfelvétel, 8 tanút
- élő előadásokon való részvétel
- belsős fórum
- taglista, publikus taglista
- élő/online találkozók, random network
- 5 real-life data science projekt és dataset
A díj évente kerül levonásra, automatikusan. A tagság bármikor és azonnal megszüntethető. Az első hónapodat „ha nem tetszik, visszakapod a tagdíjat” garanciával védem.
A gomb lekattintása után a fizetési oldalra kerülsz, ahol biztonságosan fizethetsz bankkártyával.
Gyakori kérdések
Problémám akadt a fizetés/regisztráció/lemondás alatt… Kinek írjak?
A tomimester@data36.com email címre írj, és segítek! (Biztos-ami-biztos alapon CC-zheted a tomi [kukac] data36 [pont] com email címet is.)
Fizetheti a munkaadóm is a tagdíjat céges képzési keretből?
Naná! Tök jó ötlet! Amennyiben a céged tud bankkártyával fizetni, ennek semmi technikai akadálya nincs -- a számlát automatikusan fogod kapni email-ben, ami teljesen céges-könyvelés-kompatibilis és mivel Kft. állítja ki, akár az ÁFÁ-t is le tudja írni a céged.
Mikor lehet csatlakozni?
Évente párszor egy-egy hétre nyitjuk meg a csatlakozási lehetőséget a data science klubba. Ha jelenleg nem vagy tag, akkor iratkozz fel a Data36 hírlevélre, hogy értesülj a következő ilyen kampányidőszakról: https://data36.hu
Még semmit nem tudok a data science-ről... Nekem is érdemes csatlakoznom?
Igen!
Eredetileg gyakorló data scientist-eknek szántuk a klubot, de a nagy érdeklődés az idő során ez átalakult. Most már nagy hangsúlyt fektetünk arra, hogy teljesen kezdőknek szóló anyagok is kerüljenek fel!
Kapok számlát?
Igen. A magyar törvények szerint mindenki kap számlát minden fizetése után, havi rendszerességgel. A számlát az Adattenger Kft. állítja ki automatikusan.
Külföldi cégként szeretnék regisztrálni? Mi a helyzet az ÁFA-val?
Külföldi cégként is regisztrálhatsz. Ebben az esetben kérlek küldj egy email-t nekem -- mert itt az EU-s ÁFA-törvény kompatibilitás miatt egy másik felületen kell majd regisztrálnod.
Mi van, ha nem tetszenek a Data Science Klubban található anyagok?
A Data Science Klub egy kiemelt projektem és rengeteg dolgozok azon, hogy sok értéket adjon a résztvevőknek. 100%-ig hiszek benne, hogy hasznos és szükség van rá, de ezzel együtt tudom, hogy nem biztos, hogy mindenkinek ez a megfelelő formátum a tanulásra. Éppen ezért teljes garanciát vállalok rá. Ha feliratkozol és nem vagy elégedett, csak írj egy e-mail-t, írd le, hogy mi nem tetszett és a visszatérítem a havidíjadat!
Hogyan tudom lemondani az előfizetésemet?
Hogy ebből véletlen se legyen probléma, csináltam egy lépésről-lépésre útmutatót arról, hogy hogyan tudod lemondani az előfizetésedet/tagságodat. Íme: https://dataklub.hu/lemondas - ha még ezután is problémába futsz, írj egy email-t nekem a tomimester@data36.com-ra, és segítek! (Biztos-ami-biztos alapon CC-zheted a tomi [kukac] data36 [pont] com email címet is.)