Podcast

Dobrý den, jmenuji se Jiří Vichrek a mým dnešním hostem je Lukáš Uhl, top manažer, který transformuje firmy. Znát ho můžete například z jeho působení ve firmách Dáme jídlo, Delivery Hero, Zoot nebo z jeho poslední pozice v Pietro Filipi. Přestože není datovým analytikem, je power userem datových nástrojů a pro mě je to byznysový člověk s největším vhledem do datového řízení firem. Vítám tě tady, Lukáši. Ahoj. Díky za pozvání.

Něco, co jsem řešil, bylo, jak tě představit – jestli jako interim manažera, management consultanta, nebo CEO pro dobu krize. Jak se vlastně představuješ ty? Jak ty sám uvažuješ o své pozici?

To je dobrá otázka. Nedávno jsem přemýšlel o tom, jak se jednoduše představit, co napsat do formuláře, když občas člověk musí uvést své povolání a podobně. Většinou tam píšu podnikatel, nebo něco podobného, protože jako manažer jsem trochu nezaměstnatelný – vždycky si dělám, co chci. Mám vlastní názory a je obtížné mě řídit. V posledních projektech jsem se spíše vnímal jako podnikatel: viděl jsem nějakou příležitost, začal ji rozvíjet, nastavoval ji tak, aby vše fungovalo, a nakonec jsem ji dával dohromady, aby uspěla. Takže asi podnikatel.

Super. A jak vnímáš svou roli nebo pozici v datovém světě, ve světě BI, data science a tak dále? Je tu hodně manažerů různých osobností, datových expertů, ale ty pro mě představuješ někoho, kdo unikátně propojuje tyto světy – do datového světa přinášíš byznysovou praxi, uvědomuješ si, že to musí být také ziskové a že ta tabulka musí skončit pozitivně. A zároveň jsi podle mě ambassador a jeden z evangelizátorů používání datových nástrojů a datového řízení firem. Jak ses do této pozice dostal? Nebo je to jen mediální zkratka? Ve skutečnosti je vás hodně a ty jsi ochotný o tom mluvit?

Myslím, že lidí, kteří něco dělají, je mnoho, každý vychází z nějakého základu nebo vlastní minulosti. Známe profily manažerů či podnikatelů – někdo je obchodník, jiný marketér, další finančník nebo právník. Já mám asi nejblíže k datům. Už na střední škole jsem se účastnil matematických a fyzikálních olympiád, i když jsem je nevyhrál, dostal jsem se do rozumných kol. K číslům a mentálnímu modelu světa jsem měl vždycky blízko.

Na střední škole jsem vybíral, zda jít na ekonomickou fakultu nebo na fakultu informatiky v Brně, tak jsem šel na obojí, což byla chyba, protože jsem mezi školami a přednáškami pobíhal, ale bavilo mě to. Na informatice jsem psal bakalářskou práci na téma neuronové sítě. Dnes je to populární téma, tehdy existovalo pár knih, ale málo. Moje bakalářská práce byla o použití neuronových sítí pro predikci vývoje americké ekonomiky.

V té době už existoval internet, bylo mnoho dat o americké ekonomice, například historické úrokové sazby, stav akciového trhu, zásoby v soukromé sféře, HDP a další. Měl jsem k dispozici spoustu dat a chtěl jsem to využít. Neuronové sítě jsem si musel napsat od nuly, žádné knihovny tehdy neexistovaly. Natrénoval jsem je na datech, fungovalo to poměrně dobře, napsal jsem bakalářku, obhájil ji, ale po čtvrtletí už predikce nebyla přesná – taková je realita.

Byla to však skvělá zkušenost a já k tomu měl blízko. Pak mě jen nebavilo sedět u počítače a něco programovat – chtěl jsem víc jít mezi lidi, něco dělat a zanechat větší stopu. Ekonomika mi v té době nabízela lepší možnosti, své zaměření jsem tedy přesunul k ní. Bydlel jsem tehdy v Brně, dokončil bakalářské studium na obou fakultách a pak šel do Prahy na VŠE na magisterské studium. Zůstal jsem v Praze a považuji se spíše za ekonomického člověka s informatickým a programátorským základem. Neživil jsem se programováním jako takovým, ale mnohokrát jsem to využil.

Můžeš uvést nějaký příklad, kdy jsi oprášil své programátorské dovednosti?

Rád. Jeden příklad je úplně čerstvý – zrovna teď rozprodávám zboží z Pietro Filipi. Pietro Filipi před rokem a něco zkrachovalo, bylo tam mnoho zboží, které je potřeba rozprodat. Věřitelé mají obrovské pohledávky, ale trička a ponožky si domů neodnesou, raději by získali peníze. Prodat zboží jako balík bylo nevýhodné, protože nabídky byly velmi nízké.

Nabídl jsem tedy ostatním stranám, že to můžeme prodávat rozděleně, já převezu zboží a budeme provozovat dva až tři obchody. Potřeboval jsem základní skladový systém a reporting, abych věděl, co se kde prodává a jaké je měsíční vyúčtování. Implementovat velký software na roční projekt nedávalo smysl – bylo by to drahé a implementace by trvala déle než celý projekt.

Řekl jsem si, že skladový systém jsou vlastně jen jedna či dvě tabulky v SQL. Měl jsem v Excelu inventuru s pozicemi, krabice byly označené čísly, například v krabici 328 je 40 kusů, vše s čárovými kódy. Vytvořit INSERT do SQL databáze bylo jednoduché. Pracuji s SQL a Pythonem, což je můj hlavní nástroj. Napsal jsem skript, který analyzoval ten Excel, vytvořil INSERT a vložil data do AWS databáze.

Při přesklaďování holka na skladě načetla čárový kód, který byl přiřazen k pozici, a skript prováděl UPDATE v databázi. Vše se dělalo o víkendu, bavilo mě to a ani jsem to nevnímal jako práci. Měl jsem hotový elementární, ale funkční skladový systém zdarma, protože využívám i bezplatné služby AWS.

Další příklad – děláme reporting a potřebuji vytáhnout data z pokladního systému. Přetvořil jsem je do prezentovatelné podoby, dopočítal potřebné metriky a spojil s daty o čárových kódech. To byl opět snadný dotaz, který fungoval. V jakékoliv práci, kde jsem byl, mě zajímá, jak data korelují – například jak produktivita kurýrů souvisí s dojezdovými vzdálenostmi.

Někdo to může zadat IT specialistovi, ale trvalo by to půl roku, protože ten by potřeboval data, priority atd. Je mnohem efektivnější, když člověk rozumí oč jde a dokáže si ty analýzy udělat sám, nebo si alespoň zadat správně. Často se stává, že si analýzu zadám špatně a zjistím to až při práci s daty. Hraní si s daty a modelování různých variant otevírá nové možnosti, ukazuje širší paletu řešení a posouvá pochopení dál.

Kdybych to zadal někomu jinému úplně, ztratil bych detailní pochopení a hloubku, protože výstupy jsou jen čísla bez kontextu. Proto se mi osvědčilo si s daty chvíli pohrát a získat v nich přehled, což mi umožňuje lépe nad nimi přemýšlet.

To skvěle navazuje na téma, o kterém chci dnes s tebou mluvit – datově řízené firmy. Myslíš, že tvoje zkušenost znamená, že manažeři v Česku či ve světě by se měli učit SQL? Máš pocit, že by to měla být základní dovednost top manažera nebo podnikatele? Nebo je to tvoje superschopnost, která ti dává náskok, ale obecně tomu nevěříš, že by si každý měl data zvládnout sám?

Moc tomu nevěřím. Vím, že existují firmy jako Alza, která je skvěle fungující a kde snad všichni mají základní dovednosti na úrovni SQL. Ale obecně je to obtížné a není to vždy prospěšné. Byznysový svět potřebuje trochu jiné dovednosti.

Když chodím na konference nebo čtu články o datech, vidím, že technologický svět udělal obrovský pokrok. Nástroje jsou dostupné za hubičku, vysoce výkonné, rychlé a intuitivní, umožňují snadné vizualizace tahem myši. To je rychle rozvíjející se technologický svět.

Zaostává však byznysový svět, tedy manažeři a exekutivní pracovníci ve firmách, kteří s daty mají pracovat. Chybí vzdělávání, sdílení zkušeností a případových studií zaměřených na data. Hodně se píše o architekturách a výběru nástrojů jako Tableau, Power BI nebo GoodData, ale málo o tom, jak udělat datově řízenou firmu, jak přemýšlet o procesech a školit lidi, kteří s těmito nástroji pracují.

Myslím, že tohle je mnohem důležitější než naučit se konkrétní jazyk nebo technologii. Problém je spíš v přístupu a mindsetu, než v nutnosti znát SQL. Není potřeba, aby všichni SQL uměli, ale měli by mít správný přístup, myslet na data jinak. SQL si může napsat někdo jiný.

Já mám štěstí, že umím SQL, takže ten krok mohu přeskočit a rychle si udělat svou analýzu, ale není to nezbytné. Podle mě je důležité vzdělávat management a exekutivní pracovníky, aby dokázali hodnoty z dat využít.

Máš s tím osobní zkušenost? Předpokládám, že když přijdeš do firmy a začneš s ní něco dělat, jsou to první kroky, jak to funguje?

Ne úplně první kroky, to záleží na situaci. Když firma krvácí, tak prvním krokem bývá, že všem vezmu přístupová práva k bankovnímu účtu, aby to mohl dělat jenom já. Ale pokud mluvíme o standardní firmě, je potřeba přistupovat postupně, salámovou metodou, nepřehazovat všechno naráz.

Je potřeba si vybrat jeden tým, jeden proces nebo agendu a začít ji dělat správně. Například nás trápí, že restaurace nám posílají méně zakázek – jako v případě Dáme jídlo nebo Delivery – tak se zaměřím na toto téma.

Řeknu, že chci zjistit proč tomu tak je, vytvářím report zaměřený právě na tento problém. Nepožaduji report na celou firmu, ale tabulku, kde budou názvy restaurací a počet zakázek za jednotlivé týdny. Budu sledovat, kde jsou největší poklesy mezi týdny.

Datový analytik pak chce udělá report, často to končí jen u tohoto kroku. Ten se na to podívá, možná přijde k nějakému rozhodnutí, nebo report jenom sleduje, a tím to končí.

Správný přístup je však říct: „Toto je naše téma, které chci řešit, pojďme vytvořit management proces kolem toho.“ Například každý týden v pondělí v 8:30 se sejdeme – po prvním kafi – a tam máme tento report. Přijde Franta, Maruška a další, každý přinese potřebné informace a společně situaci řešíme, monitorujeme vývoj, vyhodnocujeme a děláme kroky, aby se situace zlepšila.

Datově řízená firma není jen o vytvoření reportu nebo dostupnosti dat, ale o vzniknutí systému řízení, kde někdo musí pravidelně data prohlédnout, říct, co znamenají, a dělat na jejich základě rozhodnutí, recenze, diskuze nebo detailní analýzu, ze které něco vzejde.

Když chceš vytvořit datově řízenou firmu, platí, že i tisíc milový pochod začíná…

Tím prvním krokem, za předpokladu, že máme všechny ty kebuly a tabla, nevím, co všechno, tak to všechno řekněme implementované, je vzít si jednu konkrétní věc, drobnost – čím menší, tím lepší, když začínáme. Je dobré si dávat první kručky ne příliš velké a vytvořit kolem toho proces.

Já mám blízko těm datům, jsem spíše podnikatelský manažer – abychom něco rozjeli, přemýšlím, kdo to bude dělat v té firmě. Na začátku to mohu dělat já, mohu být řídící síla prvních několika kroků, ale potom to musí, aby to bylo funkční, začít dělat někdo jiný. Musíme to sepsat, systemizovat, říct, jaké jsou kroky. Například Maruška dělá tohle, Pepík tamto, přinesou to, vznikne nějaký výstup. Mít to napsané, prodiskutované s lidmi, kteří by to měli odsouhlasit. Nesnažil bych se to prosazovat násilím, ale vymyslet to společně. A až to vymyslíme, je třeba se toho držet a hlídat kontrolu.

Velmi věřím kontrole a dodržování postupů. V tomto jsem tradiční, svobodné přístupy k řízení firmy mi tolik nesedí. Když si jednou společně řekneme, jak budeme postupovat, a odsouhlasíme si to, pak to vyžaduji dodržovat. Například v úterý ve 14 hodin bude určitý meeting, třeba cashflow decision meeting. Přineseš seznam faktur, které máme platit, bude tam zástupce daného oddělení, který řekne priority, a další lidé přinesou další reporty. Tam to dáme dohromady a proběhne rozhodování.

Podle mě by měla data řízená firma vznikat tímto postupným způsobem, kdy beru jednu agendu, jeden proces za druhým a dávám tomu datovou formu, aby to bylo data driven, ne feeling driven nebo kdo ví, jaký „pocit“ driven, ale na základě objektivních faktů. Je to postupná metoda, která trvá dlouho, ale je mnohem rychlejší než jiné.

Můžeš uvést nějaké příklady ze své praxe, kdy se to povedlo, kdy ne? Třeba jestli na to nepotřebuješ speciální typ lidí, protože někteří lidé nejsou zvyklí pracovat v datové kultuře nebo nechtějí změnit své pracovní návyky, nebo jestli je to obecně věc přístupná každému.

Já si myslím, že je mnoho lidí, do kterých nedostaneš SQL, a ani kdybys se postavil na hlavu a dal jim jakékoliv školení, tak to prostě nedostaneš. A je to zbytečné. Ale přístup, že se někdo naučí přinést nějaký typ tabulky, že ta tabulka vznikne někde a umožní, aby rozhodnutí vzniklo na základě toho, co je v tabulce, je jiný. A znovu – nesmí se to brát dogmaticky. Data nejsou jediná mantra. Data představují model světa, jak jsme si ho vymysleli, ale ten není úplný. Data jsou dobrý vstup, ale existuje mnoho věcí, které data nedokážou zachytit.

Mohu uvést konkrétní příklad – jsem velká firma v B2B, nelíbí se mi určitý segment zákazníků, protože mě stojí hodně obsluhy, a chci se naopak zaměřit na jiné, lukrativnější segmenty. Chci ten slabší segment postupně odříznout během příštího roku. Konzultant – datový analytik přinese analýzu, která ukáže, kolik máme výnosů po segmentech, náklady atd., a naznačí, kde je vhodné udělat hranici. Pokud by se rozhodnutí řídilo pouze daty, mohlo by být jednoduché, ale také chybné, protože ve skutečnosti mohou existovat vazby, které model dat nezachytí.

V konkrétním segmentu byl častý přechod manažerů mezi firmami. Když firma odřízla menší segment, manažeři na straně příjmu se naštvali. Po pár letech, kdy tyto manažerské pozice změnili a šli do větších firem, byli naštvaní a už se s firmou nechtěli bavit. Tento dlouhodobý důsledek není v modelu vidět. Obecně lidské chování a reakce na změny a rozhodnutí jsou v modelech špatně zachytitelné.

Můžu si spočítat, co se stane, když dám slevu – prodám více, ale dlouhodobý efekt, že zákazníci si zvyknou na slevy a nebudou chtít kupovat za plnou cenu, je datově nezachytitelný. Mnoho lidí se mnou bude nesouhlasit, že je to zachytitelné, ale podle mě ne. Odhad je nepřesný a nemá smysl se o to za každou cenu pokoušet. Je lepší spolehnout se na vlastní zkušenost a na to, že jsme lidé s prožitou praxí – dokážeme odhadnout možné důsledky.

Datově řízená firma je bezesporu dobrá věc, ale musí mít limity. To je hlavní sdělení.

Nyní nevím, jestli jsme se bavili o příkladech. Jsem rád, že říkáš, že data jsou model a report není realita – to se mi líbí. I váha zkušeností, kdy ve firmách chodíš řešit věci přímo v terénu, ve skladu či na prodejně, to se mi líbí. Data jsou jeden ze vstupů.

Moje zkušenost je, že data často nejsou ani skutečný vstup. Mnohdy jsou tam KPI, ale nikdo v nich nehledá, co za nimi stojí. Hodně lidí totiž skončí u vytvoření reportu a vůbec neřeší, co s ním dál – jaký má dopad a jakou roli hraje v životě firmy. To je podle mě mezera.

Jak to ty překonáváš? Jak o tom přemýšlíš, když vstoupíš do firmy? Protože každá firma je jiná, má jiné lidi, a ti lidé jsou různorodí.

Zavedeš první proces, potom ho postupně vysvětluješ a rozšiřuješ podle priorit, podle toho, co aktuálně trápí nejvíce. Třeba někoho trápí vratky, někoho cashflow, pomalý picking, dlouhé trasy kurýrů. Máš téma, chceš to změnit.

Datově řízená firma dnes už není o tom, jak získat data – to máme vyřešené, odborníci mají situaci pod kontrolou. Problém a řešení není ani v technologii – do každého člověka v oddělení cpát SQL nebo Python nemá smysl, protože to stejně dělat nebude, jen ho to zahltí.

Nějaké základní dovednosti práce s nástroji jako Tableau nebo Power BI jsou užitečné, ale nic navíc není praktické nebo rozumné dělat ve většině firem. Výjimky existují.

Hlavní problém je dostat do lidí manažerský přístup, jak s daty pracovat. To je vymyšleno, ale o tom se málo mluví. Je to například přístup Six Sigma nebo jiné procesy řízení a zlepšování kvality. Vždy jde o to, že to, co děláš, musíš změřit, zamyslet se nad tím, vymyslet řešení, implementovat ho a cyklus opakovat. Mnoho firem se zasekne na jednom kroku a cyklus přeruší.

Nedávno jsem řešil ve firmě nesoulad mezi kapacitním plánováním skladu a provozu a plánováním marketingu a obchodu. E-shop plánuje akce, marketing připravuje kampaně, očekává příchod zboží, které má dobře jít na odbyt. Marketing a obchod si toto naplánují, ale provozní složky o tom informace nemají, existuje bariéra v komunikaci a nesdílí se data, takže plánování kapacit skladu a provozu nereaguje včas.

Řešení není složité. Zavedený přístup je takový – existuje sdílený Excel, kam marketing a obchod jednou týdně v pondělí do 14 hodin aktualizují očekávané tržby v kusech a korunách na osm týdnů dopředu. Provoz skladu tato data využije k revizi kapacit – mají-li dost, nemají-li, musí řešit například druhou směnu, prodloužení pracovní doby, dovolené, nebo zajištění dočasných pracovníků.

Provozní oddělení má povinnost aktualizovat svůj kapacitní plán do úterý do 14 hodin, tedy do 24 hodin po zadání marketingu. Ve středu ráno je společný meeting vedení, kde probíhá diskuze o kapacitách, problémech a řešeních. Obě strany mohou upozornit na překážky, nebo naopak potvrdit připravenost.

V jiných firmách je také finanční oddělení, které do toho vstupuje s plánem cashflow – třeba má velkou splatnou fakturu, nebo musí zaplatit mzdy, a potřebuje si zajistit hotovost. Marketing proto musí vymyslet dobrou akci, aby generoval tržby, a provoz musí na to reagovat.

Tento proces stojí na jasně definovaných odpovědnostech – například Franta z marketingu musí mít schválený update v pondělí do 14 hodin. Pokud ne, je jasné, kdo za to zodpovídá a kdo vyžaduje vysvětlení, proč je to důležité.

Výsledkem je datově řízená firma, která má definovaný proces a kontrolní mechanismy. Po určité době se zamyslíme, zda proces funguje, zda plní své cíle. Na počátku je třeba kontrolovat, zda lidé postup dodržují – několik cyklů, než si na to zvyknou a stane se to rutinou. Přitom je důležité tento proces zaznamenat do sdíleného dokumentu, odsouhlasit s lidmi a při nejasnostech se k tomu vrátit.

Po určité době – měsíci, nebo dle potřeby – se proces vyhodnocuje v rámci druhé republiky, tj. zda jej stále považujeme za funkční, anebo je potřeba ho změnit či zlepšit. Když se ukáže, že to nefunguje, změníme přístup.

V konkrétním případě, o kterém mluvím, proces nyní funguje. Tabulka existuje, lidé na ni reagují kapacitně. Před tím firma deset let fungovala bez tohoto systému, stále byly problémy, provoz si stěžoval, že nestíhá, obchod měl naopak marketingové výdaje a problémy s realizací. Byly napjaté vztahy, které vyřešila jednoduchá tabulka.

Nikdo by asi neřekl, že jde o data-driven firmu, ale ono to tak je. Není to složitost, jako zavést AVS-ko, akebulu, složité vazby, orchestraci, tahání dat nebo drahé moduly. Je to elementární a přitom data-driven postup. Důležité je, že jsou definované odpovědnosti, kdo co kdy udělá a jak má vypadat výsledek, a že se to kontroluje.

Firma se pak dokáže sama začít zlepšovat. Tento proces je vyřešený dlouhodobě a já se mohu věnovat jiným oblastem. Mohu si říct – teďhle proces funguje, ale kapacitně skladuje příliš velké zásoby, mohli by jít na hranici využití kapacit, tak se podíváme na další report či přístup a znovu od začátku definujeme problém a vymyslíme procesní řešení…

To, co má v sobě datovou složku, která je velmi užitečná, ale pak z toho musí zase vzniknout odpovědnost, že někdo v určitou dobu udělá tohle, přinese nějaký návrh, obhájí ho, diskutuje o něm, že je tam nějaká kontrola. Prostě to je sepsané a můžeme se k tomu vrátit, abychom viděli, jak to vypadá.

A ještě řeknu, že si myslím, že je opravdu důležité, aby to bylo sepsané. Já osobně jsem v životě udělal mnohokrát chybu, protože jsem něco měl sepsané a něco ne, ale věci, které nejsou sepsané, se pak nějak mění nebo zhoršují. A když je to sepsané, je jednodušší se k tomu vrátit a vědět, jak to má vypadat. A hlavně i když nastanou nějaké změny, například když lidé přicházejí a odcházejí. Protože vím, jak to funguje – tady byla Anička poslední tři roky zodpovědná za určitý proces a dělala to dobře. Pak řekla, že odchází z jakýchkoliv důvodů, my najdeme novou Aničku, ta se tam usadí, holky spolu v horším případě pár dní, v lepším delší dobu sedí vedle sebe.

A ta Anička má za úkol všechno předat té nové, ale ona jí nepředá všechno, protože něco zapomene. Třeba teď se nic nestane, protože ten Excel vyplňují jednou týdně, ale už to spolu neudělají, a hodně informací se ztratí. I když ty holky chtějí být poctivé a předat si to co nejlépe, prostě to nejde udělat, protože celá ta široká škála informací se nepokryje. Původní Anička odejde, nová tam sedí a spousta věcí se postupně přestane dít, protože si třeba neuvědomuje, proč je to důležité, neprošla začátkem vymýšlení a nastavování a najednou se to ztratí.

Když je to však napsané někde, kde se k tomu dá vrátit, například na interní wikipedii nebo v sdíleném úložišti, stačí k tomu mít přístup, je pak jednodušší udržet procesy v chodu a být trochu odolný vůči personálním změnám.

To se mi líbí, protože je to vlastně všechno o lidech, což je ta tvoje síla a energie – ty řídíš lidi pomocí dat.

Co z toho podle tebe vyplývá pro datové profesionály – pro agentury, konzultanty, interní lidi, kteří implementují řešení, dělají reporty, vymýšlejí vše, myslíš si, že toto téma často řeší? Vždyť jsou hodně zaujatí detaily produktů, jestli je lepší Tableau, GoodData nebo Azure.

Jaká je tvá zkušenost? Co požaduješ po svých datových analyticích?

Kdysi dávno jsem zažil jednoho kluka, který byl šéfem IT oddělení a když jsme za ním přišli, že něco potřebujeme, nebo byla potřeba na webu nějaká funkce či report, vždycky nás velmi důkladně grilloval, proč to chceme a co s tím budeme dělat.

Byl perfektní bariérou mezi vývojáři a zbytkem firmy v tom, co chceme dělat a proč. Byl skvělý v tom, že kladl těžké otázky, jak to budeme používat, a přesvědčil nás, že něco nepotřebujeme.

Byla to super diskuze, člověk si díky němu vyjasnil, co vlastně chce, proč to chce, jestli to opravdu bude používat, nebo jestli nechce něco jiného.

Myslím si, že tyto otázky vedou k té správné odpovědi.

Když řeknu, že chci, aby vznikl report o tom, jaké byly prodeje v minulosti, jaké byly kapacity a někdo bude plánovat budoucnost, IT oddělení to zvládne dodat, to je triviální příklad.

Ale pokud se IT oddělení, produktový manažer nebo vedení oddělení nezajímá o to, jak se to bude používat, je téměř jisté, že to skončí na smetišti.

Proto bych doporučoval, aby se datoví lidé, inženýři, zajímali o to, jak management plánuje data využívat.

Bylo by perfektní dát managementu školení a vysvětlit jim to, ale to je složité, trvá to dlouho a je to na každé firmě, jak k tomu přistoupí.

Když tento podcast poslouchají datoví lidé, zajímejte se o to, jak chce byznysová část pracovat s daty, jestli to vůbec použije, nebo zda chce něco jiného.

Nejde jen o design reportu, jestli chtějí sloupeček tady a řádek tam, jestli chtějí marži nebo tržby, ale i o to, jestli kolem toho vznikne nějaký proces, kdo kdy se na to bude koukat.

Všichni to známe, také jsem se s tím setkal, že vznikl report, krásná tabulka a nikdo se na ni nikdy nepodívá.

To se nedá zcela zabránit, ale měli bychom se zajímat o to, jak by byznys s těmito daty pracoval, trochu je na to vyzpovídat, trochu je „ugrillovat“, aby to posunulo věci dále.

Ale je to těžké, protože to není přirozené pro většinu datových lidí, kteří dělají data a IT, aby museli s někým komunikovat a jen si bastlit to své.

Když diskuze o tom, jak s daty pracovat, vznikne, může to organizaci posunout víc dopředu.

Za mě to nemusí být silný názor, spíše otázky plné zvědavosti, ne revolta nebo nespokojenost, ale upřímná zvědavost a touha pomoct: „Dělám to pro vás, chci vědět, proč to děláte.“

To není o tom zbavit se práce, ale o upřímném zájmu, jak nás to posune a co kolem toho vznikne za procesy, meetingy, diskuze.

Ptám se proto, abych práci udělal co nejlépe.

To je opravdu upřímný zájem z tohoto hlediska.

Pomalu se blížíme ke konci.

Moje poslední otázka je, že data tu byly vždycky v manažerském světě – KPI, různé frameworky, metriky – jsou staré jako lidstvo samo.

Ty sám jsi mluvil o pyramidách, kvádrech, logistice, stavbě pyramid, což není nic nového.

Proč je dnes buzzword „data driven“? Jaké jsou podle tebe příčiny?

Je to tím, že data jsou už komoditou, jsou dostupná a jejich implementace je snadnější?

A druhá otázka – co se mění v posledních letech?

Ty jsi na trhu, potkáváš mnoho firem, vidíš do jejich vnitřností – málokdo má takový vhled.

Vidíš, že datová kultura v Česku roste?

Čím to je?

Myslím si, že ten rozvoj datové kultury je podle mě dán technologií.

Pamatuji si na jednu tradiční firmu s majitelem ve vyšším věku, který zároveň byl ředitelem firmy.

Když jsme se bavili, řekl mi: „Pane Uhle, já vám dám report o prodejích,“ klikal v počítači, měl nějaký systém, a pak řekl: „Já vám to vytisknu,“ a vytiskl osmistránkovou tabulku s malým písmem.

Řekl: „Pane Uhle, já vám to vytisknu.“

Já jsem mu řekl: „Raději mi to dejte v Excelu.“

A on se podíval a řekl: „K čemu vám to bude? To já vám vytisknu, a na tom můžete pracovat.“

To byla stará škola, pro mě naprosto nevhodné.

Nevím, co bych s tolika papíry dělal.

Potřebuji najít největší, nejmenší hodnoty, růst, pokles, podíly, vydestilovat závěry.

On prostě neměl Excel, měl jen tabulku.

Dříve to bylo spíš o tom, že bylo rigidní, co bylo možné udělat a jaké data firma měla.

Většinou šlechic ve středověku věděl, kolik pšenice jeho pozemky dávají, kolik tun z těch území, a co to stojí.

Taková základní informace vždy byla.

Ale práce s daty potřebuje flexibilitu.

Chci se někdy podívat na data nově, chci je rozházet jinak, chci přemýšlet, co se stane, když něco změníme.

To vyžaduje flexibilitu, která dříve byla menší než dnes.

V oblasti sběru a prezentace dat jsme dnes mnohem dál.

Ale i v přístupu, kolik jsem ochoten měnit.

Starší, klasické firmy jsou mnohem opatrnější a neochotné dělat zásadní změny tak často.

Za to prostředí, ve kterém žijeme, je na změnu velmi nakloněno a změna je vlastně glorifikována.

Myslím, že je to správně, ale je to jinak než dříve.

Technologický vývoj, snadný sběr dat a nastavení mysli lidí, kteří jsou otevření změnám a flexibilitě, stojí za současným rozvojem.

Super.

Když to srovnáš se svými profesními začátky v management consultingu, například McKinsey, McKinsey pracovala vždy s velkými firmami s velkými IT odděleními a datovými týmy.

Když jsme chtěli data, vždycky se dala získat.

To však může zkreslovat obraz o realitě firem, se kterými velké konzultantské firmy pracují.

V této souvislosti je těžké srovnávat.

Dnes jsou data dostupná takřka na cokoli.

Když je nemám, je obvykle snadné najít způsob, jak je zachytit a měřit.

Během měsíce už s nimi můžeme pracovat.

A jak se díváš do budoucna?

S nadějí.

Myslíš, že bude víc lidí jako ty?

Že se bude rozvíjet podobná datová kultura.

A moje poslední otázka – co chystáš teď?

Momentálně vyprodáváš sklady s tričky Pieteru a předpokládám, že trička docházejí a bude další velká mise.

Jak o tom přemýšlíš?

Trička postupně docházejí.

Zboží jsme převzali v červenci a od té doby prodáváme.

Zásoby budou vyprodané za 3–4 měsíce.

Pak se uvidí, co dál.

Máme několik variant.

Hlavní věc, kterou rozvíjíme s dvěma kamarády, je, že bychom si chtěli něco koupit.

Momentálně pracujeme na dvou akvizičních příležitostech.

Většina z nich je spíš z řady deseti jedna.

Dnešní doba nenabízí problém peníze sehnat, pokud je dobrý nápad, takže můžeme mířit vysoko.

Pracujeme na dvou, může se stát, že žádná nevyjde, nebo obě.

Ale většinou vyjde jedna z deseti.

Proto „polibíme spoustu žab,“ než najdeme princeznu.

Teď „mazlíme“ s dvěma žabami, uvidíme, co z toho vznikne.

Přeji příjemné „mazlení“ a ať jedna z nich je princezna.

Děkuji moc.

Já také děkuji za pozvání.

Děkuji, že jste doposlouchali Data Talk až sem.

Jak se vám epizoda líbila?

Co bychom na podcastu mohli zlepšit?

Koho pozvat příště?

Dejte mi prosím vědět, a to buď osobně na příštím Datamesh Meetupu, nebo hned teď na e-mail jirka@datatalk.cz.

Pokud se vám epizoda líbila, doporučte ji prosím dál.

Klikejte na srdíčka, hvězdičky, odebírejte náš kanál, aby dashboardy svítily zeleně, křivky šly nahoru a všichni stakeholdersi schvalovali extra rozpočty.

Ještě jednou děkuji.

Poděkování patří také mým kolegům, Nikovi a Iris, stejně jako členům našeho partnerského klubu – Bighab, Deep Note, Atakamně a Manti.

Pokud máte návrhy, typy na hosty, témata, děláte vlastní akce nebo byste chtěli datovou komunitu podpořit jinak, určitě mi dejte vědět.

Děkuji.

Nechť vás provází data!