Podcast

Dobrý den, moje jméno je Jirka Vicherek a vítám vás u dalšího dílu Data Tolku. Tentokrát mám hned dva hosty, Ondřeje Tomase a Báru Hinerovou z firmy Clevermaps. Ahoj Ondřeji, ahoj Báro.

Ahoj Jirko.
Ahoj Jirko.

Já vás tady vítám. Tématem, kterým se dneska budeme bavit, je Location Intelligence, což je obor, ve kterém Clevermaps působí, ale budeme taky mluvit o Clevermaps. Než se do toho pustíme, rád bych jako vždy slyšel něco o vás – jak jste se dostali do Data Tolku, respektive do Clevermaps, a jaká byla vaše datová kariéra.

Já jsem se k datům poprvé dostal na vysoké škole, na VŠE, v rámci statistiky a řešení různých statistických úloh. Přiznám se, že mě to tehdy moc nebavilo a spojení s praxí, tedy užitečnost, mi přišlo trochu vzdálené. Pak se ale na jednu shodu okolností objevil projekt věrnostního programu Českého Telecomu – bylo tam strašně moc dat a já se poprvé dostal k tomu, že jsem statistiku mohl opravdu použít a získat něco užitečného z databáze. To bylo moje první prozření, že to má smysl a že se tomu vyplatí věnovat.

O jakém roce mluvíme? Abychom si to dali na časovou osu.

Byla to doba Českého Telecomu, tedy před rokem 2000, myslím asi kolem roku 1996 až 1998.

Poté jsem šel do první technologické firmy, což bylo Oracle, kde jsem dostal příležitost pracovat s lepšími a zajímavějšími technologiemi pro zpracování dat a řešit spoustu zajímavých zákaznických use case. Od té doby mě to baví.

A ty, Báro?

Moje cesta nebyla tak dlouhá jako Ondrova, ale s daty jsem se také poprvé setkala na vysoké škole, šlo opět o statistiku, která mě také nebavila. Moje pozadí je hlavně v marketingu, kde se s daty pracuje také, ale teprve v Clevermaps jsem se opravdu stala profesionálkou v oblasti dat. V Clevermaps jsem nyní dva roky a čtyři měsíce.

Dva roky a čtyři měsíce dneska na den přesně, gratuluji!

Ještě pro úplnost – Ondra je zakladatel a CEO Clevermaps, a Bára má na vizici pozici Head of Growth, takže se hodně zajímá o partnery a globální zákazníky.

Dnes bych se s vámi chtěl bavit o Location Intelligence a o tom, proč by měl tento pojem zajímat každého datového profesionála. V přípravě jsme měli sekci o historii oboru, která mě jako absolventa gymnázia docela baví a fascinuje těmito drobnostmi. Tak jaká je tedy historie oboru Location Intelligence?

Ve skutečnosti nejde jen o historii Location Intelligence jako takového, ale spíše o historii vizualizace dat jako celku, protože je zajímavé, že první vizualizace dat byly právě na mapách. Podle Wikipedie, která je určitě lepším zdrojem než třeba Gartner, se v oblasti kartografie objevily hlavně navigační systémy, různé markery na mapách a podobně...

Opravený text:

A jako úplně první vizuál nebo data zaznamenaná v mapě je například turínský těžařský papyrus z roku 1160 před naším letopočtem, kde se Egypťané snažili mapovat kamenolom a zaznamenávali si tam zákonitosti terénu, jako třeba cíle tras, kudy mají kameny brát z dolů, vzdálenosti mezi lomem a dolem a podobně. Takže vlastně tady je něco, co my dnes také děláme – i když ne s doly, ale s jinými věcmi, jako jsou sociální sklady, obchody a podobně.

Podstata věci je ale vlastně docela podobná. To je jen takový fun fact na začátek – je to starý obor. Mně přijde, že mapové zobrazení je něco přirozeného a velmi lidského. Pro člověka je to určitě pochopitelné, když vidí, kde věci doopravdy jsou. A potom možná i ta historie location intelligence jako takové.

Možná navážu na to, co jste tady řekl – právě teď probíhá válka a máme ji každý den v přímém přenosu. A i když je to strašlivá věc, podstatné je, kdo věří nebo kdo plánuje jakou strategii. Vždyť generálové se rozhodují nad mapou – a to se samozřejmě děje i dnes. Když se podíváte na to, jak Ukrajinci řeší svoji strategii a co používají, hodně využívají to, že jsou v početní nevýhodě. Musí proto používat geolokaci a zároveň přírodní podmínky, aby vyrovnali rozdíl. Využijí počasí i lokaci terénu. Využívají například to, že někde řeka brání pohybu těžké techniky, nebo že některé oblasti jsou bahnité a obtížně průchodné. To všechno využívají ke své strategii a rozhodování – a o tom to je.

Bavíme se tady o válce, ale stejně tak to může být strategie prodeje, nebo jakákoliv byznysová strategie. V byznysu a datech, sám jsem toho byl obětí, máme tendenci zahrabat se do dat a vnímat všechno jen v kontextu datasetu, se kterým zrovna pracujeme, a zapomínáme na okolí. Location intelligence je právě o tom, že do toho začneme zakomponovávat data o okolí, o reálném světě. Vždycky říkám, že tohle spojuje trochu imaginární svět čistých dat s reálným světem, kde se to skutečně děje a co to všechno znamená.

To je hodně zajímavé. Pojďme tedy ke Clever Maps – najednou chápu tu důležitost. Location intelligence tu byla vždy, ale mám pocit, že dnes nejsou geolokační data dostatečně využívána. Vizualizace na mapách se objevují sem tam, ale jinak s nimi tolik nepracujeme a většinou zůstávají jen ve virtuálních datových skladech.

Jak ten nápad na Clever Maps vznikl? Kdy jste na to přišli? Proč zrovna location intelligence? A nebo naopak – proč to nedělá každý?

Vše vzniklo řízením osudu a akademickou kombinací. Já jsem v projektech, které jsem dříve řešil,...

Jistě, zde je opravená verze textu:

Když jsem několikrát narazil na to, že potřebuji řešit něco v prostoru, potřeboval jsem to vnímat, chtěl jsem udělat nějakou vizualizaci, nějakou reprezentaci konkrétní situace v České pojišťovně, kde jsme řešili celou řadu úloh. Tam jsem vlastně zaváděl projekt customer relationship managementu, což bylo zejména o zmapování – kolik mám pojištěnců, jakých, kde jsou, co mají, co s nimi. To jsou úplně základní věci. A my jsme si to samozřejmě chtěli nějak reprezentovat i vizuálně. Pocházel jsem z business intelligence světa, například od Oracle a podobně, byl jsem zvyklý na určitý standard v tom, jak rychle si ty věci uděláš, jak rychle si něco zpracuješ a jako výsledek na kliknutí se někde objeví nějaká mapa. To tehdy byl porod. Prostě porod. Já jsem nebyl z GIS světa, nerozuměl jsem GISům, neviděl jsem o nich nic, neměl jsem k sobě žádného GIS inženýra, tak jsme to začali nějak „patlat“. A bylo to hrozný. A pak bylo několik dalších případů v dalších projektech, které jsem řešil. Vždycky, když jsme potřebovali lokalizovat prostorová data, udělat geokódování, líčení, dostat to na mapu, udělat i relativně jednoduchou věc, tak to byl porod. A dneska to už tak moc není. Takže to prostě musí jít jednodušeji, musí to jít lépe, musí to jít business user friendly způsobem.

Tak vznikla ambice. Když jsme se potom potkali s Jirkou Želoutkem, naším CTO a Chief Developerem, který měl předtím zkušenost s vývojem platformy GoodData – což je business intelligence platforma –, společně s Romanem Staňkem, tak se nám ta idea zhmotnila. Věděli jsme, co chceme a věděli jsme, jak to udělat. Vznikla myšlenka postavit lokační systém založený na principech business intelligence. Tam jsme se potkali. Samozřejmě jsme v té době nevěděli, jak moc těžké to bude. To bylo naštěstí asi dobře.

Co byly ty největší problémy a bariéry při práci s tím? Změnilo se to během těch let? Kdybys dnes byl v České pojišťovně v podobné roli a nepoužíval Clever Maps, jaká by byla situace?

Určitě se toho spousta změnila. Vznikly nové nástroje, které stále přibývají. Dnes máš mnohem větší možnosti. Když jsem dřív googloval, našel jsem hodně různých softwarů, ale žádný komerční řešení, které by bylo dostatečně dobré. To se hodně změnilo. Zároveň se změnila dostupnost dat. My jsme tehdy řešili především data z počítadel, ale když pojišťuješ auta, domy, lidi – chceš mít data o těchto předmětech pojištění. Nebylo tak jednoduché se k těmto datům dostat, ale i to se výrazně změnilo. Dostupnost dat, jejich MNOŽSTVÍ, a celý ekosystém datových zdrojů, které můžeš použít v různých aplikacích, se velmi posunul. Samozřejmě se pak vyvinuly i primární nástroje, jako jsou klasické business intelligence platformy. To byl velký skok.

Pokud chceš, mohu ti pomoci ještě s úpravou stylu textu nebo zkrácením.

Zde je opravená verze textu:

Mohl si do ní koukat, byla i spojená tabulky do datového modelu, takže ses potom mohl ptát na příčiny a vytvářet si základní metriky, pak sis z toho udělal nějaké dashboardy. Dneska máš nástroje, kde se... takže jsem musel vědět, jak položit třeba dotaz. To dneska nemusíš. Máš nástroje, kde se zeptáš lidským způsobem: „Řekni mi, kde je nejvíc obchodů takového typu.“ Takhle se zeptáš, jako když někoho googlíš. Existují softwary, které ti z toho něco „vysypou“. Ten rozvoj je obrovský a zároveň to trochu komplikovalo tu cestu, protože se musíš přizpůsobovat trhu, tomu, co trh chce, jak na to reagují zákazníci i konkurence.

Zároveň všechno, co potřebuješ řešit v datech, závisí na nějakém problému, který máš. Třeba konkrétně v našem oboru, což je location intelligence, vzniklo spousta nástrojů, které řeší jeden konkrétní problém nebo určitou oblast problémů. Typicky je to třeba expanze obchodních míst. Vznikají nástroje jako houby po dešti, například nástroj pro expanzi poboček. Podobných věcí vzniká spousta, takže už jenom naše komplexita spočívající v tom, že to řešíme jako celou platformu, je o trochu složitější, ale zároveň je to větší zábava, protože dokážeme vyřešit mnohem víc problémů v širším rozsahu.

Tím mi připomínáte stories BI, kteří si vývojově a architektonicky přidělali obrovský kus práce tím, že se nespecializovali jen na jednu oblast, ale chtěli univerzální, agnostický systém. To ale znamenalo velkou výzvu pro jejich hodnotu a význam v augmented analytics. Nezaměřovali se totiž jen na pricing v retailu nebo jednu oblast. Bylo tam více takových „blackboxů“, které vám „vyhazují“ problémy. Takových nástrojů je většina, upřímně řečeno, jsou to především blackboxy a aplikace pro single use case. A právě to se za poslední dobu změnilo, protože dneska, když jsi zákazník – ať už jsi pojišťovna, banka, nebo retailer – dřív jsi googlil, protože jsi neměl...

Dneska, pokud chceš zapracovat nějaké věci, je těžké se vyznat, které nástroje jsou dobré a které ne. Hlavně časem zjistíš, že nechceš řešit singularizované případy jednotlivě. Potřebuješ je integrovat dohromady, chceš je spustit na různých datech apod. Najednou v tom máš pořádnou „bramboračku“. Trend se však posouvá trochu jinam – pro firmu může být elegantnější, když si postavíš nějakou single use case aplikaci na platformě, která ti to umožní, a dáš ji rovnou na své potřeby. To je dlouhodobý trend, který říká, že dashboardy tady budou vždycky, ale zároveň začíná pokračovat nový trend – například data aplikace. Ty si postavíš vlastní data aplikaci, která ti vyřeší konkrétní problém, nebo ji třeba postaví data inženýr, a takto se to dá škálovat v rámci organizace.

Pokud byste chtěl text ještě více upravit, rozšířit nebo stručnit, dejte vědět.

Jasně, tady je opravený text:

Není to o organizaci jen na jednu, dvě nebo tři technologie zkombinované dohromady. Můžeš uvést nějaký příklad od vašeho zákazníka nebo něco podobného? Třeba o tom, že víme, že náš frontend Clevermaps prostě není vhodný pro všechny případy použití, nebo má nějaká omezení, ale backend, to, co všechno počítá, kde si vlastně nastavuješ metadata management a tak dále, je mnohem schopnější. Takže pomocí nějakého frameworku, který umožňuje stavbu datových aplikací, jako je například Streamlit nebo něco podobného, si můžeš nad těmi metrikami a metadaty vybudovat vlastní uživatelské rozhraní, které bude mnohem přívětivější pro koncového uživatele, pro business uživatele, který tam třeba může zadat požadavek typu „ukaž mi pobočky, které vydělávají nejméně“.

Celé je to dnes o zkracování času a zjednodušování té komplexity. Jde o to, aby takovou věc bylo možné nasadit rychle. S tím jsem osobně bojoval, když jsme potřebovali něco zobrazit na mapě – trvalo nám to i několik měsíců a nakonec jsme udělali jen jednu základní mapku. Tahle cesta tohle odbourává, protože využíváš předhotovené balíčky, nástroje, které mají dlouhou vývojovou historii a prostě fungují. Použiješ je jako komponentu, jako hotovou věc. Už tam máš celé datové propojení, náhradní integrace, můžeš to použít jako šablonu. Jsou to robustní věci, ale použiješ je pro úplně jiný účel.

A v tom je ta krása: vezmeš to do datové aplikace, tam dáš jednu mapku se základním baselayerem a jenom napíšeš dotaz a ta aplikace provede „magii“. Takže to na první pohled vypadá jednoduše, ale vývojová cesta za tím je velmi dlouhá. Business uživatel to nevidí a nemusí se o to starat – a právě v tom je to hezké.

Co už zmínil Ondřej, je tohle: jedna z věcí, která nás brzdila v tom, abychom prodávali víc nebo získali více firem, je fakt, že vždy přijde další nový nástroj a uživatelé musí pro něj chodit jinam. To často bývá bariéra. Ale to je dlouhodobý směr, kam směřujeme – firmy mají data někde uložená, ale kvůli omezením nástrojů, které používají, z nich nemohou dostat to, co potřebují.

My tedy logikou, kterou do toho vkládáme, umožňujeme – nebo někdy umožníme – využívat data, která už jsou připravená a existují, nejen data samotná, ale i datové modely, které na nich jsou postavené, stejně jako semantickou vrstvu, metrikovou vrstvu. My to pak dokážeme rozšířit o naše geolokační funkce, dimenze a další možnosti.

Pokud chceš, mohu text ještě upravit nebo zkrátit.

Zde je opravený text:

Ty data se zase vlastně dělala do toho prostoru a nad tím už si potom každý může stavět, co potřebuje. Nám to došlo vlastně nezávisle a výsledek je stejný. Snažili jsme se postavit k tomu back-endu stejný, těžký a univerzální front-end, ve kterém to všechno uděláš.

A to nejde. My jsme si mysleli, že to půjde, ale zjistili jsme, že ne. Dospěli jsme do momentu, kdy jsme řekli, že se to musíme osvobodit a odnezávislet od sebe. Dneska na to koukáme jinak – že můžeš to konzumovat v jakémkoliv frontendu, který je zrovna potřeba pro tu danou věc, nebo taky ve frontendu, který je schopný vytvořit nějaký vývojář, nebo pro který existuje expertní znalost. Prostě nediktuješ světu ten frontend, ale poskytneš celou infrastrukturu, celý backend. A hlavní know-how opravdu je v tom backendu. Tím pádem osvobozuješ užití, protože můžeš konzumovat přes různé typy frontendů, ať už custom build nebo hotové. To vnímám jako trend, tady i tebou zmiňovaná GoodData se posunuje do něčeho headless.

Přesně tak, na to jsem chtěla navázat. Pro ně je headless už delší dobu zaklínadlo, protože si uvědomili, že právě vizualizační vrstva nad nimi je ta, kterou znají zákazníci, ale do té vrstvy se dostali těžce. Dává tedy smysl být nástrojem spíš pro tvůrce než přímo pro konzumenty, protože na konzumenty máme Lookery, Tablea a podobné nástroje, které to dělají někdo líp, někdo hůř.

Než ale půjdeme dál do headlessu a moderního data stacku, mohli byste říct něco k Clever Maps? Kdo jsou vaši klienti, jak jste velcí a co si mám pod Clever Maps představit?

Clever Maps je pořád, řekl bych, funky malý startup. Je nás do třiceti lidí a jsme semknutý rodinný tým fungující ve dvou základních lokalitách – Praha a Brno. Brno je více zaměřené technicky, máme tam dev team, a v Praze pak máme mix všeho ostatního. Vývoj platformy probíhá od roku 2015 a máme za sebou spoustu kotrmelců, narážení do zdí a slepých cest – jako všichni, kdo někdy dělali projekt a platformní produkt. Stále nejsme u konce, ale s tímto novým konceptem to dává větší smysl nám, zákazníkům i světu.

Co se týče zákazníků, tak zatím, Báro, ty můžeš dodat o partnerech a dalších zákaznících, ale jsou to spíš tradiční odvětví, která řeší prostor. Potřebuješ lidi v terénu, pobočky, provozy, obchody, bankomaty, auta a další. Když toho máš hodně, celé to vymyslet a řídit je složité. Děláme proto pro velký e-commerce, například Alza, Prohlík, Molle a podobně, a také pro klasické retailery, kam chodíš do kamenných obchodů, dále pro banky, pojišťovny, telekomy...

Pokud chceš, mohu text dále upravit, nebo rozdělit na přehlednější části.

Zde je opravený text:

V tomhle ranku se to nejčastěji mydlí. Ale samozřejmě, když potom jdeme ven, do zahraničí, tak už ta pestrost je mnohem větší. Prostě i ten prostor je větší a je tam spousta zajímavých datově orientovaných firem, které dělají nějakou službu ve velkém. A to se mi na tom líbí, že tímhle se to začíná demokratizovat z těch tradičních odvětví a od těch jenom velkých bohatých hráčů, co na to hází prachy. Hlavně v tom zahraničí už tam můžeš jít s trošku jinou propozicí než tady v Čechách. Když přijdeme za někým v Čechách a řekneme, že máme ekosystém pro location intelligence, tak se to úplně nesetkává s pochopením toho, co to je. Tady je to většinou o tom, že chceme tu mapu, kde jsou ta data, nebo přímo ta data.

Takhle to i tady nějakým způsobem pozicujeme a takhle to vysvětlujeme, nebo musíš odhadnout, kde to dává smysl a kde ne. Ale právě na některých progresivnějších datových trzích už můžeme vybalit celou tu platformu a technologii a nabízet potom už jenom kousky z toho. Jako třeba právě tu naší metrikovou vrstvu nad geolokačními daty, kterou zase někdo může použít pro vývoj vlastního systému. Takže v podstatě říkáš, že ten problém trhu se od Ondřejových časů tak moc nezměnil – dávat data do mapy pořád není úplně snadné a zobrazovat je „pouze na jedné straně“ taky ne. Ale na druhou stranu už začínají zákazníky konzumovat pokročilejší technologie, a vy jste už jen malou součástí nějakého většího řešení, například jako nějaké API.

Může to být i API, ale nemusí. Už to zdaleka není jenom o mapě – dřív jsme to měli spojené hlavně s mapou, mapou, mapou, pořád jsme tam cpali mapu, „map first“. Pak ale přijde zákazník a řekne: „Na té mapě to vidět nepotřebuju, potřebuju vypočítat číslo, což je kombinace vzdálenosti od skladu a počtu řidičů, kteří jsou k dispozici, a z toho počítáme nějaký index, podle kterého potom řídím dispatch nebo jiný proces.“ A on to v té mapě nepotřebuje vidět, ani nechce, on potřebuje číslo. Tak prostě počítáme číslo, nebo třeba push notifikaci, že to nestíhá, nebo cokoli dalšího.

Další věc je, a to souvisí s frontendem, kde vlastně probíhá správa a prezentace výsledků. Může to být mapa, dashboard, ale taky to může být plánovaný e-mail, kde máš hodnotu, která tam příjde, nebo nějaká HTML stránka, která je reprezentací celého systému. Tam mapa být nemusí, nebo je tam něco zjednodušeného. Čili mapa tam byla, furt jsme tam cpali mapu, a pak jsme slyšeli, že ne, přece jenom ne vždycky chtějí mapu.

Chápu. A jaký je vlastně rozdíl mezi BI (Business Intelligence) a Location Intelligence? Ta hranice je tenká, ale spočívá opravdu v lokálních datech a schopnosti s nimi pracovat a doptávat se na ně. Jsou to prostorová data, takže musí být nějak zgeokódovaná, nějak zhlukovaná, agregovaná na administrativní jednotky atd.

Pokud chceš, mohu text ještě více upravit či rozdělit na kratší odstavce.

Zde je opravená verze vašeho textu:

Ky, do nějakých gridů nebo do nějakých typů jako jiné agregace. A pak se přesto ptáš, taky zase prostorově například – co je v dojezdové vzdálenosti, docházkové vzdálenosti, nějaké „poligony“, území, časové území, ulice, bod, dům, čtvrť a tak dále. A to už vlastně řešíš v principu location intelligence.

Další věc je, že to jsou jen data agregace, a ty je právě potřebuješ spojovat s těmi externími daty, s externími datasetami. Kolik tam žije lidí, kolik tam projede aut, jaký je tam pohyb lidí, jaká je tam občanská vybavenost – například kolik je tam restaurací, jak ty restaurace ovlivňují to, co se v ulici děje, a tak dále.

Takže to jsou typicky věci, na kterých se BIKO samozřejmě nespecializuje, a ani to pro ně nedává smysl, protože je to úplně jiný svět. Proto tam to nejde – oni ti typicky vynesou nějaké věci na mapu a tím to končí.

Přesně tak, je tam hlavně v nějakých těch více kritériích, která ty potřebuješ. Často i zobrazení v BIKu na mapě má svá omezení. Pokud si dobře vzpomínám, v Power BI je limit na zobrazení zhruba deset tisíc řádků nebo bodů na mapě, takže to má své limity. Nedá se dobře pracovat s výběrem více lokačních kritérií a zároveň, jak už zmínil Ondřej, nějaké gridy, tomu se říká spatial indexing – to je pokročilejší práce s daty, respektive už dnes je to standard v geolokační analýze, ale BIka to nativně neumí.

A jaké jsou tedy typické use case, kdy ti nestačí pouhé zobrazení na mapě a jdeš do větší hloubky, kde Clever Maps si nemůžou vynachválit?

Jak jsme si povídali, nejčastější je to, když na jedné straně něco optimalizuješ, snažíš se uspořit peníze, respektive je nevyhazovat. Na druhé straně to je, když se snažíš expandovat, jít na nová území, hledáš nové zákazníky a dobýváš trh. V obou případech je skvělé, že vidíš ten měnitelný efekt.

Když vezmu například optimalizace, začneme u něčeho jednoduchého, například letáků v retailu. Všichni dostáváme do schránky letáky, nebo je tam někde nechováváme a v tom jsou obrovské peníze. Firmy za to doopravdy utrácejí obrovské částky a dá se to optimalizovat. A optimalizace se dělá s ohledem na to, co tím chceš získat.

Na druhé straně, pokud chceš získat nové zákazníky, mluvíš ke svým stávajícím zákazníkům. Pokud mluvíš ke svým stávajícím zákazníkům a chceš jim něco nabídnout, například akci, musíš jít tam, kde jsou tvoji zákazníci. Nyní řešíš specifický segment zákazníků, jejich větší koncentraci, abys měl vyšší šanci, že někdo na leták zareaguje a podle toho změní nákupní chování.

A vůbec nic neříká, že se v letácích distribuuje strašně moc materiálu, mnohem více, než je skutečně potřeba. Tudíž optimalizace vede k masivním několika násobným úsporám.

Takže to je jednoduchý příklad z tradiční oblasti...

Pokud chcete, mohu pokračovat v úpravě i dalších částí textu.

Jistě, zde je opravený text:

Činí oblasti, ale kde přesně použiješ tu space flu analýzu, protože dáváš dohromady adresy, koncentrace lidí, segmenty, sociodemografické údaje a další věci, které do toho vstupují. A řekneš si: „Jo, tady to má smysl, takhle to roznesu.“ Ne roznesu milion letáků, ale 100 tisíc. A ten efekt bude lepší, než když jsem roznesl milion. Nebo bude stejný, ale za menší náklady. To je moc hezký příklad.

Máte nějaký podobný takhle jako první dobrou logický? Klidně můžeme zůstat u té reklamy, protože se v tom točí hodně peněz.

Další z věcí, které se často používají, jsou třeba billboardy nebo jiné tradiční offline reklamní plochy. Ve finále toho člověka ale nemusí zajímat: „Ukaž mi na mapě ty billboardy, kam to chci dát,“ ale zajímají ho spíš ty reklamní plochy, které mu přinesou maximum, nebo takové, které splní jeho cíl a přinesou mu požadovaný efekt.

Tam jde také o kombinaci různých kritérií, například jaký typ lidí kolem té plochy chodí, nebo blízkost nějakého klíčového místa. Třeba je to někde blízko ordinace lékaře a reklama cílí na lidi jdoucí z ordinace, kteří by mohli koupit naše báječné kapky na kašel, které tam dáme.

Samozřejmě mě zajímá i dosah těch reklamních ploch, který se docela složitě počítá, když nemáme žádná data. Většina výpočtů se dělá právě bez konkrétních dat. Přesně tak. Ale data se dají sehnat, nebo se dají napočítat pro jednotlivé reklamní plochy, například pomocí polygonů zorného pole billboardu, takže se počítá jen skutečný možný dosah – například z mobilitních dat kolik lidí může tu reklamní plochu vidět, jen z toho zorného pole a z určité vzdálenosti k billboardu.

Tím pádem lze nějakým způsobem měřit výkonnost outdoorové reklamy a určit, které místo je vhodnější pro určitý typ reklamy, produktu nebo služby. Přitom se rádi spokojíme s tím, že v letácích se roznáší mnohem větší množství, než je skutečně potřeba. Optimalizace tak vede k masivním úsporám.

Takže to je jednoduchý příklad z tradiční oblasti, kde přesně použiješ space flu analýzu – protože dáváš dohromady adresy, koncentraci lidí, segmenty, sociodemografické údaje a další vstupy, a řekneš si: „Jo, tady to má smysl, takhle to roznesu.“ Ne milion letáků, ale sto tisíc a efekt bude lepší, než když jsem roznesl milion. Nebo stejný efekt za nižší náklady. To je moc hezký příklad.

Máte nějaký podobný, takhle první dobrý a logický? Klidně můžeme zůstat u reklamy, protože v ní se točí spousta peněz.

Další věc, která se často používá, jsou billboardy a další tradiční offline reklamní plochy. Ve finále ale nezajímá člověka, kde přesně jsou billboardy na mapě, ale které z nich mu přinesou maximum, případně splní jeho cíl.

Pokud chcete, mohu text ještě více upravit nebo zkrátit.

Opravený text:

To, co to přineslo, je hlavně kombinace různých kritérií, jako třeba jaký lidi tam kolem toho chodí, nebo spíš blízko jakého dalšího bodu je ta reklamní plocha. Třeba jestli je to někde blízko doktora, nebo jestli to uvidí lidi, kteří jdou od doktora, a kteří by si třeba mohli koupit naše báječné kapky na kašel, které tam umístíme. A potom mě samozřejmě zajímá i nějaký reach těch reklamních ploch, což se docela složitě počítá, když k tomu nemáš data. To se všechno totiž počítá bez dat. Přesně tak. Ale ta data se dají sehnat nebo je lze napočítat k jednotlivým reklamním plochám s tím, že pracujeme s vymezeným polygonem zorného pole dané reklamní plochy. Díky tomu se počítá jen opravdický traffic – ať už z mobilitních dat – tedy kolik lidí to může vidět, vycházející pouze z daného zorného pole a z nějaké vzdálenosti k billboardu. Tím pádem se dá nějakým způsobem měřit výkonnost i té outdoorové reklamy. A také určit, které místo je vhodnější pro určitý typ reklamy, produktu nebo služby.

Co rozhoduje a kde skutečně automatizovaně přidáváte nějaký insight, který potom optimalizuje ten systém? To jsi vlastně řekl úplně super příklad, protože tady je přesně takový workflow, taková pipeline, ve které chceme být. Na jednu stranu sloužíme někomu z tohoto odvětví čistě jako analytická platforma – analyzujete místa a jednotlivé billboardové plochy. Na druhou stranu na naší technologii můžeš postavit systém, přes který si pak ty plochy podle hodnocení přímo objednáš. Klidně si můžeš dělat varianty kampaní a říct, pokud to udělám takhle, můžu očekávat takový výsledek, pokud to udělám jinak, očekávám jiný výsledek. Tím pádem vlastně zanoříš část funkcionality naší platformy do objednávkového systému, což je přesně to, co chceme. Nechceme být jen analýza v našem analytickém UI, ale chceme, aby se analýza používala přímo k tomu, aby si například agentury mohly dělat objednávkový systém. To je spíš lokální svět, který se soustředí na analýzy, zatímco ten zahraniční, technologicky pokročilý a scale-upoví klienti, které máte v zahraničí, staví na vás tyhle zajímavější pipeline a používají vás jako součást jejich stacku. To je celý svět.

Jo, protože když se to převede do praktického pohledu, a je to pochopitelné, že za tím je výsledek – chci, aby to dělalo to a to, tak my řekneme, dobře, uděláme, aby to skutečně dělalo to a to. Takže to je relativně v pohodě všude, ale samozřejmě nám pořád chybí, nebo spíš chtěli bychom víc firem a zákazníků, kteří tyto věci sami vymýšlí a používají naši technologii. Například chceme agentury, které jsou v tom byznysu a rozumějí mu, ale zároveň použijí naši technologii přesně k tomu, aby si vytvořily tř...

Zde je opravený text:

Je to komplexní online systém pro analýzu, objednávání a vyhodnocování kampaní. To není něco, co by mohli vytvořit já nebo Bára, protože prostě nemáme potřebné domain knowledge. Nemáme tu domain knowledge a nemá ji ani nikdo jiný. Ani profesionální služby se vlastně nechtějí tolik tlačit do tohohle oblasti.

Nechceme to ani my. My poskytujeme technologii a datové sady, takže umožňujeme tyto systémy vytvořit relativně rychle a efektivně. Ale chceme, aby tyto firmy věděly o tom, že taková možnost existuje, a aby na tom mohly stavět své systémy.

Jak jsme se bavili na začátku o „černých skřínkách“ a aplikacích na jediný konkrétní použití (single use case), tak vlastně chceme, aby ty černé skříňky vznikaly i na naší technologii. To je i jeden z našich cílů – aby na nás měl někdo další šanci stavět taková end-to-end řešení. Vy už jste to vyřešili technologicky a architektonicky, a někdo jiný do toho přidá svoji domain knowledge, know-how a účel té jedné konkrétní datové aplikace.

Přesně tak.

Další hezký příklad, který je aktuální a odehrává se po celém světě: dneska je rozvoj různých komerčních služeb jako například objednávání jídla domů. Jasně, řekneš si, že je to jednoduché – objednáš si, jídlo uvaří a přiveze ti ho. Ale už na začátku je objednávací systém. Představ si, že jsi uprostřed Paříže ve 16:15 a otevřeš si aplikaci. Co se ti objeví za nabídku? Objeví se ti nabídka restaurací, které v daný moment vaří a mají nastavené delivery zóny pokrývající místo, kde právě jsi. Tyto delivery zóny se musí shodovat s tvou aktuální pozicí. I když je 16:15, což není klasický čas na večeři, můžeš si objednat burger, pizzu, asijské speciality, šneky a další. Nabídka je tedy kompletní.

Zdánlivě jednoduché, ale ve skutečnosti velmi komplexní – jedná se o prostorovou funkci, kdy matchuješ nabídku s poptávkou.

Řešíš, kde je poptávka, kde lidé budou objednávat, jestli jsou doma nebo v kancelářích, v jakých objemech a v kterých hodinách. Současně musíš řešit nabídku – restaurace musí mít možnost dynamicky měnit delivery zóny podle času, ale i podle kapacity vaření. Musí zvládnout množství objednávek, které mohou v daný okamžik obsloužit jak na místě, tak přes rozvoz.

Restaurace se zároveň obávají, aby neměly příliš mnoho objednávek, které by nebyly schopné zvládnout a uvařit. Na druhou stranu chtějí mít jistotu, že když už mají kuchaře v provozu například v 16:15, budou mít dostatek objednávek, aby byla jejich práce efektivní.

Proto jim můžeš říct třeba toto: v 16:15 máš potenciál připravit 100 jídel, takže kuchař bude mít dost práce.

Pokud chceš, můžu ti text ještě více upravit, zjednodušit nebo rozdělit do odstavců.

Jasně, tady je opravený a trochu vyčištěný text:

Tím pádem já mu něco dám, potom ten systém dostaneš ty objednávky a on je odvaří od babi, a všichni jsou happy, protože vzniká prediktabilní systém match and merge nabídky a poptávky s jídlem. Samozřejmě k tomu pak patří i kurýři a distribuce, což je úplně další disciplína. Ale toto je úplně přesné – děláš kontinuální analýzu a čím lepší to je, tím lépe to bude fungovat pro všechny strany. A jsou v tom samozřejmě i peníze.

Co se týče zprávy pro restaurace, dostáváme se tady trochu i k use case, jak se dá pomocí location intelligence podporovat prodej nebo jak se může využívat v obchodních týmech. Tohle je krásný příklad – když přijdeš za restaurací nebo jakýmkoliv zákazníkem, kterého chceš získat, a ukážeš mu třeba na mapě potenciál: tady v okolí žádná restaurace jako ty není, ty vaříš hamburgery, přitom zde existuje poptávka po tomto typu jídla. Podobně to může fungovat i pro různé další use case, zaměřené na akvizici partnerů, zákazníků apod.

Abych uvedla konkrétní příklad, co se týče hledání nájemníků do retail parků: ten, kdo pronajímá prostory, může díky analýze trhu zjistit, které značky mají pobočky v okolí, a které ne. Díky tomu ví, koho má smysl oslovit. Navíc může říct: „My jsme tady postavili nový retail park a v dojezdové vzdálenosti 15 minut bydlí 100 tisíc lidí s určitou kupní silou.“ To je přesně příklad pokročilejšího řešení, kde jsi více součástí celého procesu.

Jeden takový případ byl třeba v outdoorové reklamě, kde jsme byli propojeni v celém řetězci, nefungovali jsme jen klasickým způsobem „tady jsou data, analyzuj, zpracuj“. V tom, co jsme probírali kolem match and merge nabídky a poptávky v doručování jídla, je to taky hezčí pokročilejší přístup.

Existují firmy, které se specializují na velké kuchyně, mají kuchaře, infrastrukturu a tu pronajímají virtuálním restauracím, které se starají o byznys a distribuční kanály. Kromě toho, že jim poskytnou fyzickou kuchyni, kuchaře a kurýry, nabízí také data a analýzu, kam mají cílit reklamu, kde se zaměřit se svojí kuchyní, aby byli úspěšní a měli silný kanál.

A to je super, protože tak vzniká celá komplexní aplikace. Do této aplikace pak vstupujeme my, aniž by to zákazník poznal, a část zpracovává systém Clapmatch, který v ní právě plní funkci data enrichmentu, případně i další analytické úkoly.

Chceš, abych to ještě více zestručnil nebo přeformuloval?

Odušila jsem to tím, že je to typická embedovaná analytika. Takže to rovnou vypočítáte. Je tam enrichment, je tam i nějaké počítání, ale nemusí to být složité algoritmy, většinou nejsou potřeba žádné mega algoritmy. Často jsou to jednoduché funkce. Spíš to musí být dobře vymyšlené a správně začleněné do celého flow.

Další příklad jsou dnes ty delivery boxy. Klasika – všichni chtějí mít delivery boxy, protože se snažíš být zákazníkovi blíž a nabídnout mu větší komfort. Musíš odhadnout, kde bude fungovat, kde má box smysl a kde ho zákazník ocení. Je to docela komplexní úloha – bereš v potaz stávající objednávky, místa vyzvedávání, typy objednávek. Co to může kanibalizovat? Lze box umístit sem? Bude to fungovat? Dokážou ho zákazníci najít, zastavit se u něj, mají k němu přístup atd.

Je to opravdu komplexní funkce – zahrnuje umístění, facing boxů, jejich vybavení, počet, jestli jsou chladící nebo nechladící, zda jsou tam konkurenční boxy, a jestli funguje aglomerace boxů nebo ne. Je to skvělá problematika. Když uděláš více boxů na jednom místě, můžeš místo změnit a tím i chování lidí. Najednou tam chodí více lidí kvůli boxům, což mění charakter místa. Ale zároveň můžeš místo vyčerpat, protože poptávka je dynamická. Takže boxy nejsou fixní, ale je potřeba řešit jejich umístění, případné zrušení nebo relokaci – pořád dokola.

Online prostředí přináší přesně tyto nové potřeby, které dříve nebyly. Online je zvyklé řešit věci rychle a data-driven. A není to jen o pobočkách. Hodně roste objem dat, která obsahují lokační složku. Nechci nikoho strašit, ale vlastně je všechno nějak napíchnuté. Třeba auta – všechny nové vozy mají palubní počítače napojené na GPS. Třeba Tesla: auta si vyměňují data, učí se, využívají AI, posílají si informace do sítě, zdokonalují se apod. Prostě všechno je napojeno a o všem je tak nějak víceméně známo, kde to je.

S nárůstem těchto dat se přirozeně zvyšuje i potřeba, nebo se začíná stávat normální mít ve firmě aspoň nějakou část věnovanou location intelligence. Často je to součást běžné business analytiky. Možná je to také naše mise – přinést location intelligence do běžného světa, aby to nebyla samostatná disciplína, kterou dělají jen GIS specialisté. Ne, chceme, aby to mohl řešit každý.

Jasně, tady je opravený text v plynulejší a srozumitelnější podobě:

Ať už jsi datový nebo byznysový analytik, měl bys to umět řešit jednoduše tak nějak „on the fly“ – jak ti přijdou myšlenky a chceš to hned řešit, aby to bylo zkrátka přirozené, stejně jako řešíš jiné věci. Nemělo by to být tak, že „tuhle disciplínu řeší GIS specialisté, to musíš nejdřív připravit a zpracovat,“ a podobně. A takhle to bylo uzamčené, protože to byl analogový, reálný svět, který byl málo digitalizovaný, a proto se to řešilo takto. Nebo se ty obory prostě vyvíjely vedle sebe nezávisle? Vyvíjely se vedle sebe nezávisle, nebyly propojené. Nebyl mezi nimi dostatečný průnik a potřeba integrace lokalizačních dat vznikla paradoxně dřív, už v 70. letech, kdy GISy – tehdy jakýsi malý zázrak – byly především vizuálními nástroji.

V té době byla velká konkurence, řešily se tam všechny ty sítě – ať už energetické nebo telekomunikační. Pro nás to byla díky zkušenostem úžasná „hra“, protože datová báze byla tehdy téměř neexistující a vše se teprve rodilo. GISy pak fungovaly vedle sebe odděleně, na zcela odlišných principech, a neměly jednotnou logiku.

My je teď ale vlastně manažujeme zpět dohromady. Tyto systémy vznikly z různých důvodů – řešily jiné problémy. Postupně, s rostoucím objemem lokalizačních dat, se GISy začaly posouvat i do oblasti byznysové analýzy. My ale věříme, že to nefunguje úplně tak, jak by mělo, nebo jak bychom čekali – alespoň ne v tom stávajícím provedení. Když se podíváš do budoucna, jak jsou datové stacky ve firmách postavené, vlastně se to úplně nepotkává.

Navíc původní účel těch systémů nebyl vytvořit analytický systém pro prostorová data. Šlo především o informační systémy s geografickými daty, kde hlavním cílem bylo tvořit mapové vrstvy, digitální mapy. A my přitom nevytváříme digitální mapy, ale řešíme lokalizační analýzu, která je pouze částí celého tohoto problému.

GISy mohou řešit tisíce dalších věcí, včetně různých analytických postupů, ale nejsou úplně ideální na byznysovou lokalizační analýzu. Jsou fajn, pokud nepotřebuješ nic integrovat, nemuset mít jednotné workflow, prostě pokud to chceš mít odděleně. Ale pro lidi, kteří tyto analýzy dělají – ať už datoví nebo byznysoví analytici – je důležitá jednoduchost a rychlost, protože čas je vzácný.

A jaká je tedy budoucnost location intelligence? Bude to součást všech analýz? Bude to integrováno do všech BI platforem? Především formou rozšíření, které připravujeme. Takže budoucnost location intelligence je CleverMaps. Přesně tak. Rádi bychom k tomu samozřejmě přispěli, to je jasné, máme v tom ambice.

Pokud chceš, můžu text ještě více upravit stylově nebo zjednodušit. Stačí říct!

Zde je opravený text:

Víš, strašně rádi bychom byli toho součástí, ale i naše vize je být trochu neviditelní. Poskytovat tam tu službu, ať už je to zrovna vizuální část, datová část nebo výpočetní část, ale prostě mít tam službu, kterou rychle, instantně a jednoduše použiješ, tak aby to bylo hrozně… vlastně bez hlavy. Ale právě to je ono, to je ta budoucnost. Všechno konverguje do jednoho workflow prostředí a přesně o to jde ve všech těch trendech, které teďka jdou, aby bylo možné se na systém normálně zeptat normálním jazykem. Řekni mi, kde jsou moje nejvýkonnější pobočky. Takže extension do DotSpotu, coming soon.

Ale z mé strany taková ta big picture budoucnost je právě ta, že to bude neoddělitelnou součástí datových týmů. Protože se to bude mnohem víc používat, bude se nad tím víc přemýšlet, nebude to prostě taková velká neznámá, a bude to běžnou součástí jakékoliv firmy. Bude ti to připadat normální, i když je to bez hlavy.

A co budoucnost Clever Maps? Jak Bára říkala na poslední Datameši, velká část vašeho současného byznysu a rozvoje je v budování datového marketplace. To mě taky hodně zajímá, protože tam možná najdou zajímavé datové sady a užití i naši posluchači. Jo, všechno souvisí se vším. My jsme začali s externími datovými sadami pracovat, protože 90–99 % všech projektů, které řešíme, to vyžaduje. Všechno, o čem jsme dneska tady mluvili, vyžaduje do toho integrovat nějaká externí data.

Takže jak jsme uvolnili backend od frontendu a řešíme to tak, aby se to dalo snadněji a flexibilněji využívat v různých situacích, zjistili jsme, že potřebujeme zákazníkům a partnerům zjednodušit přístup k těm datovým sadám. Směřujeme do online prostředí, kde si můžeš data prohlédnout, dozvědět se o nich víc, rychle si je vyzkoušet, zjistit cenu a dostupné alternativy, a můžeš si je rovnou vzít a rychle na tom něco udělat. Bez toho, aby ses mnou musel někam volat a objednávat.

Přesně tak. Je to velká věc – tenhle svět a enablement. A hlavně je to i součást budoucnosti location intelligence, protože když pracuješ s prostorovými daty, snažíš se zjistit kontext, proč se věci dějí tak, jak se dějí, v 99 % případů potřebuješ právě ta externí datová řešení. Tohle byla naše motivace, proč jsme Marketplace začali budovat, proč udržujeme vztahy s datovými partnery a poskytovateli dat a proč neustále zjišťujeme, co je na trhu dostupné.

Tak co si tam můžu naklikat? Třeba mobilitní data jsou často dobře vyřešená. Můžeš tam fungovat jako v typickém marketplace. Je pravda, že to zatím nemáme veřejně spuštěné, ale až bude, v interní verzi, kterou používáme s našimi prověřenými sadami, si tam přijdeš, navolíš si…

Konec opravy. Pokud potřebujete text zkrátit nebo nějak upravit stylisticky, dejte vědět!

Tady je opravený text s plynulejší a srozumitelnější formulací:

Potřebuješ data třeba pro Českou republiku, vyfiltruješ si kategorie těch dat, které potřebuješ, například kupní sílu nebo právě mobilitní data. Podíváš se, co tam je dostupné, prohlédneš si vzorek dat – bude ti k dispozici nějaký sample v podobě tabulky, která obsahuje třeba několik řádků, plus také ukázka vizualizace v CleverMaps.

A kdy plánujete konečně spustit celý projekt?

Konečně! To je velmi zajímavý cíl. Chceme launchovat na konci letošního roku. Interní katalog už funguje, ale vůči externímu je potřeba vyřešit ještě celou řadu dalších věcí. Do budoucna bychom rádi, aby to nebylo jen tak, že listuješ klasickým katalogem, ale aby to bylo propojené s konkrétními use case a aby tě to tímto směrem vedlo. Zároveň se budeme snažit zjednodušovat a zrychlovat cestu k finálnímu produktu.

Držím vám moc palce.

Děkuju moc, že jste dneska se mnou strávili páteční odpoledne a že jste mě, doufám, i naše posluchače poučili o location intelligence. Držím CleverMaps pevně palce.

Děkujeme za pozvání, Jirko. Byl to pátek jako korálek. Moc díky, přeju krásný víkend.

Tak jo, mějte se. Díky moc. Ahoj.

Díky, že jste doposlouchali Datatalk až sem. Jak se vám tahle epizoda líbila? Co byste na našem podcastu zlepšili? Koho byste chtěli pozvat příště? Napište mi prosím, co si myslíte – buď osobně na příštím Datamesh meetupu, nebo hned teď na mail jirka@datatalk.cz.

A pokud se vám tahle epizoda líbila, doporučte ji dál. Klikněte na srdíčko, dejte hvězdičky, přihlašte se k odběru, aby nám svítily dashboardy zeleně, křivky dělaly hokejku a všichni stakeholderi schvalovali extra budget.

Ještě jednou moc děkuju. Poděkování patří také mým kolegům Nikovi a Iris, stejně jako členům našeho partnerského klubu BigHubu, DeepNote, Atakama a Mantě.

Pokud máte nějaký návrh, tip na hosty nebo téma, děláte vlastní event, nebo byste chtěli datovou komunitu podpořit jinak, určitě mi dejte vědět. Díky.

Nechť vás provází data.

Kdybyste chtěl ještě něco doladit, rád pomohu!