Podcast

Dobrý den, moje jméno je Jirka Vicherek, já jsem Šimon Prochajský a vítáme vás u dalšího dílu Data Talk Podcastu. Naším dnešním vzácným hostem tady ve studiu je Ondřej Michalák, Principal Consultant v KPMG. Ahoj Ondro.
Ahoj.

Dnešním tématem je, že velké firmy mají často mnoho dat, která nevyužívají na jejich plný potenciál, a v tom jim právě Ondřej pomáhá. Ondřeji, co je podle tebe největší problém, kterému tyto firmy čelí?

Tyto firmy mají opravdu hodně dat, ale když se jich zeptáte, jestli je mají, myslí si, že je mají. A když jim řeknete, ať vám je ukážou, tak to vlastně moc nejde. Proč to nejde? Protože mají data zabezpečená a procesně složitá. Zabezpečení je samozřejmě velmi důležité a v pořádku, ale často se zabezpečuje do té míry, že firma, když data rychle potřebuje, musí čekat na schvalovací procesy, které trvají dlouho. Mezitím už dataset ztrácí na své hodnotě, nebo se celý projekt prodraží. Nebo často ti samí lidé musí znovu a znovu procházet stejné procesy, aby se dostali ke stejným datům. Je to prostě velmi neefektivní.

No a my se dnes budeme věnovat tématu datové paralýzy, anebo jak jsme mu tady říkali – máte data, mohu je vidět. S Ondřejem se podíváme na to, co se s tím dá dělat. Než se dostaneme k tématu, pojďte se nám představit, pověz, jak ses k tomu všemu dostal a jaké máš zkušenosti, když radíš velkým firmám, co dělat s daty. Dokonce že jsi se narodil s PowerPointem v ruce.

No, PowerPointu se zatím vyhýbám, kde to jde. Pomáhají mi s tím kolegové. Na plátno samozřejmě musím něco PowerPointovat, ale začal jsem v podstatě jako programátor. Rodiče mě poslali na kroužek programování už v osmi letech. Tehdy jsem chtěl hlavně hrát hry na počítači, ale když jsem viděl, co všechno se dá udělat – třeba převrátit obrazovku na Atari 800XL, nebo rozsvítit bod uprostřed obrazovky –, přišlo mi to jako velká magie a strašně mě to bavilo. V té době ještě nebyl internet, takže programování znamenalo přepisovat kódy z časopisů nebo knih. Můj táta byl tak hodný, že mi pořídil soukromého lektora programování. Začínal jsem na Basicu na Atari, později jsem se naučil Pascal, ve kterém jsem pak několik let i komerčně pracoval. To byl můj začátek.

To ještě nebyl ten datový začátek. Moje první faktura byla za projekt v určitém podnikovém systému, který byl mezinárodně uznávaný, a který měl velmi specifický způsob licencování. Když jste chtěli do systému přidat novou tabulku, museli jste zaplatit za každou takovou tabulku. Dnes se datové modely dělají tak, že jich může být deset, padesát nebo i tisíc, ale tehdy to šlo jen s velkými náklady. Když jste měli málo peněz a mohli si dovolit jen jednu tabulku, museli jste do ní narvat všechno. To znamená, že…

Tady je opravený text:

To, co se chtělo, bylo, abych vytvořil vlastně model té tabulky, která namoderuje celý zbytek té databáze. To znamená, že jsme tam měli klíče, ve kterých byl název tabulky, název atributu, datový typ a potom ta hodnota. A nad tím vším jsme museli postavit služby, aby s touhle jednou tabulkou šlo pracovat jako s celou databází. Takže to byl můj první datový projekt.

Takže ty jsi dělal, to se bavíme teda o roce?
Přelom dvou tisíc, tedy konec devadesátých let.
Takže ty jsi dělal FinOps, before it was cool. První FinOpsí projekt, teď se to zase vrací. Podle pricingu dělat datové modelování.

No, tak to jsi skočil do databází a komerčního. Co pak?
Potom jsem dělal několik let hlavně takové ty drobné aplikace, typicky webové aplikace. V té době začínal internet a už to nebylo jenom o prohlížení stránek, ale šlo tam něco zadat, něco vyhledat, něco uložit. A v té době ty platformy byly…

Byl to ASP s Microsoft Access. Ne, .NET ještě nebyl.
.NET ještě nebyl, ten přišel později, s tím jsem taky dělal s candidate releasem, ale ještě PHP a nějaké databáze kolem toho, nevím, jestli už MySQL byla. Odvedl jsem celou řadu aplikací pro malé a střední firmy. Třeba jsem dělal databáze PR kontaktů pro PR agenturu, tedy databáze novinářů, nebo jsem dělal galerijní databáze pro sbírky měst, nebo nějakou aplikaci na servisní požadavky pro publishing house. Takových aplikací bylo desítky.

Když jsem pak přišel později do nějaké konzultingové firmy k zákazníkovi, tak oni na mě řekli: „Vy jste ten, co má těch 14 stránek v CV?“
Říkal jsem „No a co?“, tehdy jsem ještě nevěděl, jak se píšou životopisy, protože jsem ho nikdy nepotřeboval. Tohle mě naučilo takovou menší práci s daty, typicky to byly desítky tabulek a nad tím nějaká aplikace.

Až potom jsem narazil na hodně intenzivní datový projekt, kdy jsme vyvíjeli výměnný reklamní systém, který tehdy zpracovával asi pět milionů plus bendrů (uživatelských požadavků) za den. Byl to rok 2002 někdy, takže to byla v té době velká data. Úložiště byla drahá, takže jsme se museli učit data zapomínat, sbírat statistiky o tom, co bylo nazbíráno, agregovat a rychle promazávat, jinak by to bylo finančně náročné i na zálohování.

Poprvé jsem se tak setkal s pokročilým SQL, které mělo řádově 200 řádků. Poprvé jsem pracoval s tím, že se musí databáze klastrovat, nějak spravovat a že to musí běžet 24/7, protože reklamní proužky jely od rána do večera. Dělali jsme to v týmu, každý měl na starosti něco jiného, já měl na starosti datovou část. Takže jsem skočil rovnýma nohama do tohohle světa.

Pak bylo velké množství malých až středně velkých projektů, až mě oslovila konzultingová firma…

Pokud chceš, mohu text také stylisticky upravit, aby zněl plynuleji a profesionálněji. Stačí říct.

Opravený text:

V té době byla firma Logos. Ten Logos pak koupil NES, takže dnes Logos už nepotkáte, ale tehdy to byla ryze česká konzultační firma. Já jsem z freelancera najednou měl důvod přeskočit někam jinam. Nejdřív mi nabízeli pozici .NET vývojáře, protože jsem předchozí projekt dělal v .NETu. V té době to byl ještě .NET candidate release, nevím, jestli první nebo druhá verze, takže .NET ještě nebyl úplně hotový, ale už se s ním začínalo experimentovat. Já jsem si ale říkal, že se v té době stěhuju a měl jsem několik metrů knih, které už neplatí – byly to různé verze programovacích frameworků, jazyků a tak dále. Říkal jsem si, že mě programování sice stále baví a baví mě dodnes, ale už nechci sázet na to, že se budu učit další a další knihy, které rychle zastarávají.

Do Logos jsem proto nakonec nastoupil ne jako programátor, ale jako analytik, a díky tomu se mi otevřel enterprise svět. Takže někdy kolem roku 2005, 2006, 2007 zhruba v té době jsem začal jako konzultant navštěvovat největší české firmy, ať už banky, telekomunikace a podobně. Tam to datově samozřejmě bylo něco úplně jiného. Najednou tam byl ten velký svět, kde vytvořit jeden report trvalo 14 dní. A když říkám „vytvořit,“ myslím tím spočítat ho jedním SQL dotazem. Byl jsem u zákazníka, kde když počítali data na marketingovou kampaň, od té doby, co spustili ten dotaz, čekali na výsledek dva týdny. Byly to neuvěřitelné věci. Dnes to snad běží rychleji, změnily se i architektonické přístupy, ale tam jsem si zkusil enterprise. Když chcete, aby něco, co tak dlouho počítá, spočítalo správně, nesmí během výpočtu nic spadnout, zaseknout se, ani se něco nepodařit. Takže jsem musel velmi dobře sledovat, zda všechna napojení a datová kvalita fungují.

Máte pak zájem tyhle věci monitorovat a sledovat. Z toho se vyvinul jeden z dalších mini projektů, kdy jsme nic nedělali jiného než sbírali informace o tom, zda datové pumpy běží, zda warehouse funguje, aby byznys, když se dívá na reporty, věděl, že data jsou čerstvá, a ne týden stará, protože si nikdo nevšiml, že to před týdnem spadlo a od té doby to nefunguje. Pak jsem přešel na stranu vendora. Protože jsem byl v enterprise, orientoval jsem se i v databázích, a v té době už jsem měl za sebou poměrně velkou „zoologickou“ – MySQL, PostgreSQL, Access, SQL Server, Oracle. Oracle si mě všiml a nastoupil jsem tam ne jako programátor ani konzultant, ale jako sales konzultant – někdy se tomu říká pre-sale, sales engineer, tedy technický člověk na straně obchodu. To byl zase úplně jiný svět, takový vstup do českého enterprise.

Jasně, tady je opravený text s lepší gramatikou a srozumitelností, přitom zachovávající původní obsah a styl:

Tak vstup do Oracle pro mě znamenal vstup do toho světového enterprise světa, i když v českých podmínkách. Najednou tam byly vidět ty enterprise systémy, které v té době měly jenom několik málo firem. Nebo Oracle v tu dobu kupoval každou chvíli nějakou velkou firmu, a u zákazníků, pro které jsem předtím pracoval, bylo řešení často od tří různých vendorů. Najednou bylo všechno od Oracle, protože Oracle ty firmy prostě postupně kupoval. Byla to strašně zajímavá doba.

A já jsem byl ten člověk, který to na straně obchodu měl prezentovat zákazníkům. Jezdil jsem na školení, většinou to bylo v rámci Evropy – vždycky v rámci Evropy – a díky tomu jsem si sáhl na datové integrační platformy, analytické platformy, bezpečnostní platformy. I když to bylo na úrovni pre-sale, vždycky jsem byl schopen si tam naklikat nějaké vlastní scénáře, udělat demo a probrat se zákazníkem, jestli je to pro něj vhodné. Už to bylo blízko k velmi povrchní řešitelské architektuře, kdy jsem musel navnímat, jak to u zákazníka funguje, jakým způsobem mu můžeme pomoct, a navrhnout nějaké řešení. Takže to byl vstup do velkého světa opravdu velkých technologií.

Ty jsi byl v Oracle od roku 2007 do 2015, což vnímám jako zlatou éru Oracle, ne? Všechno tehdy rostlo… Potom jsi odešel a všechno se to ponořilo. Mám pocit, že od té doby, co nejsi v Oracle, už to tam není tak růžové.

Nevím, jak je to v Oracle dneska, ale moje vzpomínky na Oracle jsou super. Když jsem tam měl technický problém, požadavek nebo otázku, poměrně rychle jsem se dostal přímo k product managementu třeba databáze – jednoho z jejich top produktů – a dostal jsem za jeden, dva dny velice funkční a užitečnou odpověď. Něco takového nikde jinde nezažijete. Vždycky tam byly nějaké procesní překážky – někdo chtěl, abys ukázal, proč to potřebuješ a co řešíš – ale v Oracle tohle krásně fungovalo. Takže jednu věc jsou zákazníci a trh, ale interně, ve mé roli – samozřejmě každá role je trochu jiná a má jiný úhel pohledu – co se týká produktů a možností, jak jsme mohli obsluhovat zákazníky, to bylo super.

Takže Oracle bylo super. Po osmi letech jsem hledal novou misi. Po osmi letech v Oracle jsem si říkal, že už je čas na změnu. Oracle totiž začal víc kupovat aplikační produkty než ty technologické, a já měl na starosti spíš technologie. Navíc jsem měl pocit, že dlouho dělám pořád to samé a chtěl jsem změnu.

Tak jsem prošel několika firmami a založil jsem vlastní startup zaměřený na datovou analýzu. Ale vytvořit zároveň funkční produkt jako programátor, prodávat to na trhu, ladit a tak dál, to byla výzva. Snažil jsem se a do toho mi přišla nabídka…

Pokud chceš, můžu pokračovat nebo upravit konkrétní části více do formálního či neformálního stylu. Stačí říct.

Opravím a upravím text pro lepší plynulost a srozumitelnost:

Ídka SideDC. Takže IDC, International Data Corporation, je vlastně špičková firma, která nabízí data a poradenství…

…v oblasti aktivit a pořádá akce pro technologický, ale nejen technologický sektor. Moje role byla…

Pro nás jsou jejich zprávy něco jako Gartner? IDC určitě neslyší rád být srovnáváno s Gartnerem. Ale IDC má tady vývojové centrum. Jednak zde má vývojové centrum, a hlavně IDC má oproti Gartneru celou řadu výhod. Gartner je bezpochyby špičkový hráč na trhu v určité oblasti. Když si vezmeme hlavní hráče, přidal bych ještě Foresteru a několik dalších. Dnes už existuje celá řada digitálních hráčů, třeba i z Indie, kteří mají poměrně kvalitní obsah.

To, co měla IDC zcela jinak, byly data, která byla velmi užitečná pro vendory. To znamená, když se podíváme na Gartner, můj osobní názor je, že jejich primárními zákazníky jsou koncové firmy, například banky, telekomunikační společnosti a podobně. IDC, jak jsem ho zažil já, měl velmi užitečné a detailní produkty právě pro poskytovatele a dodavatele technologií a služeb.

Takže pokud jste například IBM a chcete vědět, jak se daří integračním platformám ve střední a východní Evropě, potřebujete data od někoho, kdo je sbírá, modeluje a ladí – a právě tato data má IDC.

Moje role v IDC byla ředitel pro střední a východní Evropu v doméně software. Co to znamená? IDC nabízí datové produkty a poskytuje informace o tom, jak se daří jednotlivým technologickým stackům a podobně. Já jsem měl na starosti software, takže pokud jste chtěli vědět, jak si vede CRM v Polsku oproti České republice, jaké jsou typické vendory a podobně, obraceli jste se na mě.

V té době už začal hype na AI, i když ještě ne tak, jak ho známe dnes. Šlo hlavně o neuronové sítě, machine learning a podobně, a začínaly vznikat první startupy. My jsme vytvářeli jak standardní reporty, které IDC pravidelně produkuje, tak jejich přizpůsobení pro daný region, a také jsme spolupracovali na konzultačních projektech.

Abych se v tom trhu vyznal, musel jsem být aktivní přímo tam, kde se dělo něco nového. To byla ještě doba před koronou, kdy existovala živá meetupová scéna, například machine learning meetupy. Bylo skvělé potkat hodně chytrých lidí, poté šli většinou všichni na pivo a network rychle rostl. Najednou člověk nebyl jen ve světě enterprise, ale zpátky i v Čechách, kde už vznikaly startupy s globálním dosahem.

V IDC jsem vydržel přesně rok. Během té doby došlo k určitým transformacím a nabídli mi jinou pozici, kterou jsem však nepřijal. Další prázdniny jsem si udělal a pak mě oslovil projekt v telekomunikační firmě v Dánsku. Oslovili mě proto, že jsem byl certifikovaný na software Dataiku, Data Science Studio, který byl tehdy ještě spíše start-upem a nebyl příliš známý. Dnes ho už známe i…

Pokud chcete, mohu pokračovat dále nebo pomoci s opravou jiného textu.

v Čechách, v bance, na farmě a případně i trošku jinde. V té době Dataiku nikdo moc neuměl. A já jsem tím pádem začal létat do Dánska, kde jsem měl být nejdřív jako vývojář, ale pak zjistili, že jsem schopný se bavit obchodně, takže ze mě udělali analytika. No a my jsme vlastně stavěli od začátku datový sklad z důvodu GDPR. Biznesová otázka byla, jestli máme předělat současný starý datový sklad tak, aby byl GDPR compliant, nebo zda máme vytvořit nový. Dánové chtěli to nejnovější a nejmodernější, takže jsme jako tým vedený Tietem dodávali vytvoření nového datového skladu.

Zajímavé bylo, že požadavky skutečně přicházely z byznysu. Chodili jsme přímo za lidmi z controllingu a marketingu, ptali jsme se jich, co je pro ně důležité, a najednou tam byly krásně vidět principy…

Kritičnost, priority, řešení v jakých datových zdrojích to je, a zároveň byla potřeba data popisovat. Z datamanagementu jako disciplíny jsme prošli celou řadou oblastí, aniž bychom o tom nějak výrazně přemýšleli, že to je datamanagement. Teprve po skončení projektu se mi to v hlavě spojilo.

Během toho období v IDC Itálie jsem byl také mentorem pro StartupYard, což znamená, že párkrát do roka jsem se potkával s řadou startupů a dělal jim rychlou opponenturu. V té dánské firmě jsem nakonec skončil jako vlastník datového skladu, a to v době, kdy už se objevovaly známky koronaviru. Když jsem kvůli koronaviru nemohl létat, nemohl jsem být vlastníkem, a tak jsem začal hledat nový projekt.

Přes projekt plánovací aplikace pro nadnárodní pojišťovnu jsem najednou dostal nabídku do firmy Rosum AI, kde jsme se už nějakou dobu znali, konkrétně s Paskym. V IDC jsem navštěvoval různé meetupy a potkal i pár zakladatelů AI startupů. A najednou se na mě Rosum obrátil, jestli bych pro ně něco nechtěl dělat. Nejprve jsem jim to rozmlouval, protože jsem taťka a už mám nějaký věk, startupy mají úplně jiné tempo. Nebyl jsem si úplně jistý, ale znělo to zajímavě, a taky to byli velmi chytrí a šikovní lidé. Rosum je dodnes světovou špičkou v tom, co dělá. Tak jsem si řekl, že to zkusím.

Bylo to extrémně zajímavé, ale bylo toho hodně, takže jsme si pak řekli, že to asi nedává smysl. Vrátil jsem se k datamanagementu jako disciplíně samotné. A nabrali tě do KPMG? Jo, jo, přechodem do KPMG jsem si ukotvil tu datamanagement fázi své kariéry.

Kde v KPMG je ta datamanagement znalost ukotvená? To je dobře řečené, protože jsem nikdy předtím o sobě příliš nepřemýšlel jako o datamanagement guru, ale uvědomil jsem si, že v datech jsem dělal už skoro všechno možné. A zastřešující disciplínou je právě datamanagement – a ten se v KPMG skutečně provozuje a rozvíjí.

Tady je opravený text s lepší strukturou, interpunkcí a jazykovou úpravou:

G Lighthouseu. Takže jsem členem KPMG Lighthouse, kde sedí data, AI a emerging tech, a v rámci toho mám dvě oblasti. Jedna je právě v datamanagementu, druhá je v AI, a okrajově se věnuju třeba kvantovému computingu.

Tak co bys řekl, že je hlavní princip datamanagementu, který se snažíš těm firmám, o kterých jsme mluvili na začátku, předat?

Je to právě o využití potenciálu dat. Firmy, které jsou velmi malé, téměř nepotřebují žádný datamanagement – kromě zdravého rozumu. V malých firmách všichni ví, kde co je, a tak nějak si to předávají „přes rameno“. Ve chvíli, kdy máte enterprise s tisíci zaměstnanci, s desítkami, stovkami nebo dokonce tisíci aplikací a obdobným počtem datových zdrojů, je se v tom vyznat naprosté peklo. Když chceme, aby firma dneska datově dobře fungovala, potřebuje mít dobře nastavené procesy, vlastnictví dat a celou řadu dalších věcí, které datamanagement přináší.

Takže nestačí nasadit Snowflake?

To se asi ani nenasazuje – k Snowflake se člověk spíš připojuje. Pokud jsem firma s jedním produktem a řeknu si, poběžím na Snowflake, proč ne? Když jsem velká služitá firma a mám uvnitř bordel, který nedokážu zvládnout, proč to nevylít do Snowflake třeba? Ale žádná technologie není samo o sobě řešení. Řešením jsou typicky procesy, které pomáhají lidem dělat to, co je potřeba. A právě lidé jsou vždycky to nejdůležitější – co mají umět, jaké technologie a nástroje jim dát, aby mohli pracovat efektivně.

Můžeš ukázat na nějakém příkladu, co vlastnictví dat znamená? Že dáš každému tabulku, nebo, nevíš, třeba stovky?

Jo, je to náročná disciplína, když se s tím člověk seznamuje. Představme si firmu, která má třeba tisíc aplikací a skrz ty aplikace běží tisíce procesů. Biznisově ta firma prodává nějaký produkt zákazníkům a veškerá data jsou typicky o tom produktu, zákazníkovi, prodejích a tak dále.

Naší snahou je rozdělit firmu na takzvané datové domény, kde každá doména dobře popíše jednu oblast – třeba zákazníka, produkt a podobně. Snažíme se, aby každá taková oblast byla vlastněná na úrovni byznysu, protože když data nemají byznysového vlastníka, nemají sponzora a netečou do nich peníze. Když už peníze tečou, často to jde přes IT, což je super – IT také potřebuje peníze na datový provoz. Ale typicky byznys peníze IT spíš škrtí, než aby je navýšil.

Když data nastavíme jako byznysové téma – „ano, jsme firma, děláme byznys, potřebujeme ke své práci data, potřebujeme je mít v kvalitě a dostupná“ – tak se věci dějí úplně jinou rychlostí, než když o tom někdo jen tak diskutuje.

Znamená to tedy vyjmout ta data z „cost centra“, kterým je IT, a nějak je integrovat do byznysu?

Jo, u každé firmy tohle může vypadat různě…

Pokud chceš, mohu ti text ještě více přizpůsobit nebo rozdělit do odstavců pro lepší čitelnost.

Jasně, tady je opravená a lehce upravená verze tvého textu, aby byl plynulejší a srozumitelnější:

Trošku jinak podle kultury té firmy. To, co je důležité, je, aby vůbec existovalo nějaké data office, tedy organizační struktura, která se začne daty zabývat a třeba nastaví základní pravidla – například jaká budou nákladová střediska, kde budou apod. Ale musí být někdo, kdo to bude orchestr řídit. Nemůže to být na jedné nebo na druhé straně. Ideálně by se toto mělo rozhodnout na úrovni C-levelu. Nejlepší firmy mají data office buď přímo na C-levelu, nebo velmi blízko u financí.

Pokud data office vznikne v IT, je to lepší než kdyby vůbec nebyla, ale jak jsem říkal – finance budou pak škrtit rozpočet, ne naopak. Je to infrastruktura, není to byznys. Vlastně je to nákladové středisko, není to inovativní produkt pro zákazníky. To je další věc, díky za tuto připomínku. Když vnímáme data jako něco, co nám umožní mít spokojenějšího zákazníka, lepší produkt a podobně, tak do toho najednou peníze proudí. Když je to pro mě nějaká temná datová kotelna, o které nevím, co se tam děje, stojí to spoustu peněz a nevím, co mi to přináší, tak samozřejmě byznys do toho peníze dávat nechce.

A to je ten problém – pokud je ta kotelna někde hluboko v podvědomí firmy, těžko do ní někdo bude investovat, nejen finančně, ale i do rozvoje obecně.

Musím se zeptat i za některé naše posluchače, kteří pracují právě v takové kotelně, třeba pro zahraniční zákazníky. Co můžou dělat, když jsou kotelníci a chtějí, aby jejich práce měla větší dopad? Je jediným řešením přemluvit někoho, aby přešel na jejich stranu, nebo existují i věci, které může jednotlivec sám udělat?

Pravdou je, že často tuto myšlenku do firmy přinášejí poradenské firmy, takže jednou z možností je spojit se s nějakou konzultační společností, která umí komunikovat jak na byznysové, tak na technické úrovni. Další možnost je interně začít o tom hovořit, zakládat zajímavé skupiny, přibližovat se byznysu.

Pak ale narážíme na osobnostní profily jednotlivých lidí – někdo raději programuje a komunikuje méně, třeba je to špičkový programátor. Na druhou stranu kontakt s byznysem je potřeba. Buď se v týmu najde „styčný důstojník“, nebo fungují způsoby, kdy to jde zdola nahoru. Samozřejmě když to jde zhora dolů, je to obvykle rychlejší a jednodušší.

Ideální je, když se oba směry setkávají, když oba proudy jdou současně a firma si uvědomuje, že je v datové paralýze, že data se nesdílejí tak ideálně, jak by si všichni přáli. Ale je k ničemu, když někdo v kotelně začne stavět most k byznysu ve formě například datového katalogu věcí, na kterých pracuje jako best practice. Je to k ničemu, pokud to nemá soulad s byznysem – totiž pokud byznys nevidí žádnou hodnotu, je mu jedno, že datový katalog existuje.

A to znovu naráží na kulturu firmy, každá to bude mít jinak.

Pokud chceš, mohu text ještě více zestručnit nebo více rozpracovat některé části. Stačí říct.

Zde je opravená verze textu:

Ten katalog bude provozován IT. A teď je otázka, jestli bude vlastněn a sponzorován IT nebo byznysem. Podle toho se to pak může trošku lišit. V každém případě už to, že IT má zájem vůbec se věnovat datovému katalogu a třeba datovému slovníku, je super. To je strašně dobré. Málo kdo na tohle vůbec myslí. U menších firem, menších řešení možná není tak nezbytné to řešit. U velkých firem, které často potřebují stavět produkty na stejných datových sadách znovu a znovu, pokud tam datový slovník nemají, tak znovu a znovu musí dělat nějaké analýzy, které trvají spíš měsíc nebo půl roku než týden.

Takhle tedy mám pocit, že většina datamanagement problémů je především organizačních a lidských, a datové problémy jsou až sekundární. Je to tak? No, z pohledu jaké role? Data inženýr bude mít dost svých problémů, například jak někam protlačit nějaký objem dat těmi trubkami do správných míst. Kdo ale potřebuje rychle mít kvalitní report, ten vidí problém spíše v tom, že je pro něj „kotelna“ (IT infrastruktura) neprůhledná.

Nejlepší sponzorství se najde, když se na straně byznysu objeví nějaký fakt velký problém. Typicky to bývá povinný reporting, ať už do státních institucí, Evropské unie nebo jinam, za který je někdo zodpovědný. Když takový člověk nafláká chyby, může být penalizován tou cílovou institucí, zároveň se s ní musí opakovaně bavit, a uvnitř firmy musí řešit, proč tam chyby jsou a kde konkrétně. Jestliže je report napočítán třeba ze 60 různých systémů a ještě se tam objevují nějaké cestičky přes Excel, makra a podobně, je to prostě peklo.

V takové chvíli je dobré říct si, že něco děláme špatně, a měli bychom si stanovit rozumný proces, aby všichni měli to, co potřebují, a aby se chyby co nejrychleji identifikovaly nebo aby vůbec nevznikaly.

OK. A Ondro, když dorazíš do velkého enterprise, samozřejmě je tam už ten survival bias v tom, že tě najali, chtějí to řešit a mají motivaci, když tě pozvali. Ale jak lidem z byznysu vysvětlíš, proč třeba přesunout „trubky“ a data z IT někam jinam, postavit datový office a vidět hodnotu dat? Jaká je tvoje argumentace? Máš nějaké tipy a triky, kdy najednou pochopí, že tohle je priorita, do které se má investovat, protože je to náročné organizačně i transformačně? Máš na to nějaký příběh nebo příměr?

Jo, to bylo najednou hodně otázek. Takže jednak většinou nikam nechodím sám, jsme tým, a je to týmová aktivita – jednoho člověka to neunese, abych řekl. A pak používám rád anekdoty, jedna z těch anekdot taková…

Pokud chceš, můžu text ještě více zjednodušit nebo přizpůsobit konkrétnímu stylu.

Opravený text:

Jedním z důvodů, proč se vlastně zabývat data managementem, je například toto: Když přijdu do nějaké kanceláře se sekyrou a rozmlátím tam stůl, tak velice rychle zafungují místní procesy. Nejspíš přiběhne ochranka, vyvedou mě ven, potom se mnou budou jednat podle nějakého předpisu, a s tím stolem také něco udělají. Odnesou ho, koupí nový, nebo tam dají nějaký ze skladu – mají na to procesy.

Ve chvíli, kdy se něco podobného stane s daty, co se stane? Co když si třeba sednu k někomu, kdo si odskočil na kávu, nezamkl si počítač, promažu nějaké řádky, něco upravím? Co se stane? Typicky naprosto nic, nikdo si ničeho ani nevšimne. A zatímco na triviální věci jako stůl procesy jsou – možná ne konkrétně na stůl, ale obecně – tak na data tyto procesy často úplně chybí.

I když samozřejmě velké podniky už dávno mají různá disaster recovery řešení a jsou schopné data odrolovat, obnovit ze zálohy a podobně, to myšlení, že hodnota dat je jako hodnota stolu, často chybí. Když nebudu mít stůl, budu muset sedět na zemi nebo něco takového. Když nebudu mít data, nebudu schopný dělat své reporty, prodávat své produkty a tak dále. Toto by také mělo mít své procesy, své vymezení a někoho, kdo tomu šéfuje.

Tohle je jedna anekdota, ale podobných je spousta. Nevím, jak časově by to stačilo všechno vyjmenovat.

Takže když přijdeš a vysvětlíš to cílové skupině, kdo ti pak v rámci firmy začnou být nejlepší kamarádi? Je to procesní management? Je to IT, které se chce zbavit dat?

Jak poznáš správného vlastníka? Správný vlastník je člověk, který tu firmu ideálně už zná, dobře zná svou oblast – například zákaznickou oblast – a ví, že v datech, umělé inteligenci a podobných technologiích jsou pro něj příležitosti. Je to ten člověk, který trpí tím, že má nápady a chce dělat něco, co se třeba dělá jinde, nebo má vlastní originální nápady, ale nemůže je realizovat kvůli tzv. datové paralýze.

To je ideální člověk.

Například v controlling jsem zažil člověka, který po akvizici několika firem věděl, že zbytečně platí poplatky několikrát, protože za každou firmu to platili zvlášť. Po akvizici však pořád fungovaly stejné procesy, ale nevěděli, kde co mají – co je potřeba odpojit. Trvalo přibližně tři měsíce, než se to datově všechno analyzovalo, příp. vůbec zjistilo, v jakých zdrojích se co nachází.

Kdyby data byla dobře popsána, zpřístupněna a organizována, netrvalo by to tři měsíce, ale třeba týden (trochu přeháním). Bylo by to prostě úplně jiné.

V tomto modelu vlastník dat je nejen vlastníkem samotných dat, ale i procesů kolem těchto dat, včetně jejich ingestování a produkce. Co všechno vlastnictví dat znamená? To už záleží na každé firmě.

Pokud budete chtít, mohu pomoci i s pokračováním textu nebo dalším formátováním.

Opravený text:

Může to být trochu jinak. A je důležité vlastně využít to, co ta firma už má. Ale ten vlastník ideálně na straně byznysu by měl rozhodovat o tom, jednak by měl vědět, co jsou jeho data, protože dost často se pak zákazník a produkt někde potkávají, a kam až sahá jeho vlastnictví. Takže je důležité si to dobře rozdělit, aby se tam potom nehádali v nějakých procesech. A on by pak měl ideálně sponzorovat nějaký datový katalog, katalog byznysových pojmů, nějaké řešení na metadata management, a v rámci toho katalogu by měl začít popisovat ten svět. Ten vlastník samotný to asi fyzicky dělat nebude, bude na to mít lidi – ti lidé mohou být někdy ze strany byznysu, někdy ze strany IT, někdy externí konzultanti – ale on by měl mít cíl, a tím cílem je popsat jeho datový svět v jeho datové doméně do té míry, aby když přijde jakákoliv otázka na nový produkt, opravu chyby a podobně, věděl, na koho se obrátit.

Můžeš dát příklad toho, co se děje, když data management ještě není zaveden? No, tak je to to klasické, že nikdo nic neví a všechno se dělá znovu a znovu. Extrémní příklad, který jsem zažil, byl tento: Na jednom projektu jsme potřebovali kurzovní lístek. Ta firma měla několik kurzovních lístků – jeden aktuální, denní, pak nějaký střednědobý, dlouhodobý, a některé z nich jsme byli schopni si stáhnout, ale potřebovali jsme ten třetí. A během délky projektu, který trval asi tři čtvrtě roku, jsme nebyli schopni ten kurzovní lístek získat. Přitom z pohledu vlastníků kurzovního lístku nám dali zelenou, jenže on byl „za mnoha firewally“, za mnoha schvalovacími procesy a tak dále. A i když jsme ho potřebovali, skončili jsme u ručního přepisu kopie kurzovního lístku, protože přes datové trubky se nám to za těch devět měsíců nepodařilo.

A nebyl to problém bezpečnostní – tam nebyla žádná citlivá tajná data, nebyl to technický problém, každý by to dokázal nějak nějakým transferem udělat. Byl tam prostě problém procesní, že jsme nebyli schopni ve firmě, která tuto disciplínu data managementu neměla pořádně nastavenou, požádat o jednoduchý obyčejný dataset. Tak se to vyřešilo tak, že tam byla sekretářka, která měla razítko a přepisovala to do druhé tabulky. Něco takového, jako zabezpečené místnosti? Určitě ne, bylo to spíš otravné kopírování, ale lidské. A věřím, že po nějaké době se jim to podařilo nějak „prošťouchnout“, ale říkám, je to extrémní příklad, ale myslím, že vy z vás, kteří pracujete ve větších, složitějších firmách, víte, že to je denní chleba. A to je jen jeden příklad z milionů.

Jak to tedy vypadá, když je data management a data office zavedená? Máš taky podobný zážitek? Ten ideální případ – zaprvé je to nikdy nekončící příběh. Zvlášť v českých podmínkách je tady několik firem…

Tady je opravený a stylisticky upravený text:

Když věděli, že budou růst a budou větší, poměrně rychle si našli data officera, který se o to potom stará. Není to tak, že jednoho dne lusknu prstem a je všechno hotové. Data officer by měl vymyslet strategii, jak to vlastně zavést. Typicky mu s tím pomáhají konzultanti, kteří sbírají informace o tom, kde jsou různé disciplíny datového managementu, jak jsou na tom například v datové analytice, ve warehousingu, v integracích a tak dále. Pak se to porovná s ambicemi, kam chtějí být třeba za půl roku, za rok, aby byli agilnější v tom, co potřebují. Na základě toho se vytvoří strategie a vznikne projekt na čtvrt roku, půl roku, rok nebo i dva. Je to neverending story. Situace, kdy je vše zavedené a už se nikdy nic nevylepšuje, prostě neexistuje. Data management je součástí firemní struktury.

Mně se moc líbilo, jak jsi dával data office k financím, protože tady vidím jasný příklad. Přestože všichni mají super procesy a řeší finance, nikdo nemá finance zcela vyřešené. Finance jsou hrozně důležitý, vysoko postavený odbor, který všichni chápou. Neexistuje velká firma bez finančního ředitele v boardu. Přitom finance jsou vlastně úzká analýza, jen nad penězi. Ale principy, tedy že se tam dá vydělat, že jsou tam příležitosti i rizika, jsou úplně stejné. Takže tenhle příměr se mi líbí. Finance řídíte, tak co zbytek těch všech dat, co generujete?

Jak často potkáváš pozici chief data officer? Je to častější, nebo je to spíš neformální role? Je důležité ho mít přímo ve struktuře jako CDO? Nebo vnímáš, že je to často spojená funkce s něčím jiným, třeba digitalizací? Že často je to chief digital officer, ale ve skutečnosti plní i úlohu chief data officera, aby to bylo tak nějak modernější. To potkávám. CDO ve smyslu digital officer mají širší agendu a doufejme, že data jsou součástí té agendy, protože někdy je to třeba jen customer journey nebo nějaká digitalizace, kdo ví co.

Jak to potkávám? Já z podstaty toho, co dělám, nejsem každý den v jiné firmě, kde to řeším. Jsem spíš tady na jednom projektu, tam na jiném, atd. Určitě vnímám, že oproti tomu, jak to bylo třeba před pěti, deseti lety, už se ví, co to chief data officer je, není to neznámý pojem. Pro posluchače tohoto podcastu to nemá moc smysl vysvětlovat, protože to většinou vědí. Problém je, že posluchači tohoto podcastu jsou ozvěnou bubliny, kde se tomu rozumí. Jakmile však vyjdeme ven, do středně velké firmy, nebo i malé firmy, která má třeba pár lidí a točí miliardy, tak ty základní principy datového managementu v těch firmách často prostě nejsou.

Je dobře, že v těch velkých firmách už to začíná vznikat. Menší problém je, že v některých firmách se to rozjíždělo už třikrát po sobě a…

Pokud chceš, mohu pokračovat a upravit zbytek textu.

Tady je opravený text:

Obě věci jsou vždycky špatné. Takže jedna věc je to mít, druhá věc je mít to dobře. Když je nějaká firma nespokojená s tím, jak jim to funguje, měla by mít nějakou strategii. No a co je dobře a špatně? Když to nestačí jen pojmenovat, jde o strategii, o priority a assessment. Už jsem jednou zmínil, že nejdůležitější jsou lidé. To znamená, že lidé by měli žít datovou kulturou. Teď je otázka, co to vlastně všechno znamená. Pokud veškerý data management… Jeden člověk zmínil „jo, data management, spoustu špinavého papíru a nic z toho“. Takže ten přišel evidentně z firmy, kde to dobře zavedené nebylo. Pro něj to byly věci, kterými se nechtěl zabývat, braly mu čas, místo toho, aby to vnímal jako něco, co mu umožní byznys. Samozřejmě, jak tohle zajistit a uřídit po dlouhou dobu, když se různě měníme, to je velká výzva nejen v Čechách. Jakou roli v tom hraje technologie? Ty jsi prošel spoustu technologických vír, včetně Orekdy, je to enabler? Máš pocit, že dneska už je to komunita, že jde víc o to vědět, co chceš, dát tomu dostatečný fokus a rozpočet, a pak řešení vždycky je? Nebo pořád na technologické úrovni je spousta věcí, co se dají řešit? Já mám pocit, že jsme se posunuli, už máme nástroje, ale nemáme procesy a vůli, zatímco před deseti lety některé věci ani nástroje neměly, bylo složité dosáhnout specialistní úroveň. Některé nástroje se vyvinuly z toho, že to byl kdysi dobrý nápad, který někomu pomohl, uvědomili si, že se to dá prodávat, a vznikl z toho produkt. Takže dneska bez těch technologií to samozřejmě nejde, potřebujeme je, ale začal bych opět u potřeb – kde jako podnik jsem, kam se chci dostat, co k tomu potřebuji za lidi, jaké mají dovednosti a jaké nástroje potřebují, aby mohli dobře pracovat. Každá firma to bude mít jinak a podle toho se pak udělá nějaké výběrové řízení nebo se stanoví kritéria pro to, co potřebuji k tomu, aby se něco dobře zavedlo. Jestli jsem odpověděl? Jo. Co se týká jedné kategorie, kterou jsme řešili, jak vnímáš datové slovníky, respektive katalogy? Mám pocit, že za posledních pět let to vyrostlo v samostatný trh, kde je hodně lidí. Tady vidíme Českou, Česko-Kanadskou Atacamu, jak rozvíjí globálně. No, Atacama a také třeba Navizo, samozřejmě světoví hráči jako Collibra, Alation a podobné nástroje jsou na českém trhu dostupné. Jsem rád, nebo jsme vlastně svým způsobem metadataová velmoc, protože se to tady docela rodí a vypadá to, že se tomu daří. Co k tomu říct? Zažil jsem situaci, kdy jsme po akvizici tří firem měli trojí data o stejném zákazníkovi. Na straně CR byla nějaká data, na straně Billingu zase jiná, takže všechno bylo tři krát, plus matka…

Tady je upravený a jazykově vylepšený text:

Vlastně asi čtyřikrát. No a teď, když jsem měla udělat marketingovou kampaň na všechny, tak jak to vlastně uděláte? Kde zjistíte, kde máte ty správné adresy? Zároveň někam posíláte faktury, a teď se může stát, že se ty adresy z nějakého důvodu liší. Někdo vás třeba neinformoval, že se zákazník přestěhoval, nebo došlo k nějaké změně. Nebo jsou zákazníci zvyklí, že pošťák nechá zásilku sousedce, protože oni v danou chvíli nejsou doma, a když to hodíte do schránky, tak to může napršet a podobně. Takže máte v různých systémech různé adresy a pokud nemáte přesně popsáno, která adresa je na co a která se používá z jakého systému, vzniká chaos.

Jaká je tedy platná adresa pro marketingové kampaně? Kdykoliv chcete něco takového udělat, musíte znovu provést analýzu, znovu spustit projekt, abyste zjistili něco tak triviálního. Nebo máte možnost si to pořádně popsat do datového slovníku a do business pojmů a jasně definovat, co která adresa znamená. Například fakturační adresa – zadefinovat si ji, namapovat na jednotlivé datové objekty či systémy, popsat marketingovou kontaktní adresu a znovu ji namapovat. Jakmile máte vše takto připravené, nemusíte se opakovaně zabývat stejnou otázkou. Když za vámi někdo přijde, jednoduše ho odkážete na slovník, kde si to najde.

V ideálním případě je to právě takhle, proto to asi chceme. Samozřejmě nasazení takového slovníku vyžaduje čas, úsilí a potřebu vlastnictví. Když tam není jasný vlastník, může se to rozplynout a nemusí to dopadnout dobře.

Takže u velkých firem by se dalo říct, že datový katalog je téměř povinnou součástí datového managementu, že? Nechci říct povinnou, ale je to typicky místo, kde se začíná. Když děláte datovou strategii, potřebujete vědět, kde jste a kam chcete jako firma dojít. Pak lze definovat šipky vedoucí ze současného stavu do požadovaného stavu. A datový katalog bývá často na prvních příčkách, protože tam můžete jednoduše ukázat byznysu přínos. Když bychom pak začali řešit nějakou integraci, zda dbt nebo jiné nástroje, může to být hodně důležité, ale biznisu to často může být úplně jedno. I když jsou to důležité enabling prvky pro další kroky, jak dělat věci lépe, byznys technické detaily nedohlédne, zatímco v byznysovém slovníku se zorientuje.

Co si myslíš o tom, když za tebou byznys přijde s tím, že chce data demokratizovat? Ideální je, pokud za tebou byznys opravdu přijde. Většinou je tomu ale naopak – my musíme za byznysem přijít a říct: „Vy tady máte všechno zasekané, pojďme to rozjet.“ Mají datovou paralýzu, tak je potřeba udělat zpřístupnění dat napříč podnikem, aby vše bylo jednodušší.

No a co se pro to musí udělat? … (text zde končí)

Pokud chceš, mohu pokračovat či upravit další části.

Zde je opravený text s úpravami gramatiky, pravopisu a stylistiky pro lepší srozumitelnost:

Řekni jedno slovo – demokratizace dat – jaký k němu máš vztah? Protože za mě je to jako digitální transformace, kterou už jim to několikrát někdo prodal. Jednou to byl právě nový data warehouse, který to umožňuje, podruhé to byly kurzy SQL pro kohokoliv v organizaci, potom to bylo Power BI a licence vizualizačního nástroje. Když se řekne demokratizace dat, co to pro tebe znamená? Samozřejmě má to svůj buzzwordový aspekt, jako v každém případě, ale musíme si uvědomit, že jestliže je firma datově paralizovaná, je fakt obtížné dát tři různé tabulky z tří různých zdrojů do výsledného reportu během, řekněme, jednotek dnů. Pokud je tohle obtížné, tak firma bude masivně ztrácet vůči konkurenci. To znamená, že firma musí něco udělat pro to, aby zrychlila svůj přístup k datům, sdílení dat a mít na to prostě procesy. Nemusíme tomu říkat demokratizace, pokud se nám to nelíbí, ale zpřístupnění a snížení té paralýzy je něco, co velké firmy potřebují. Funguje ti ten buzzword? Když přijdeš do velkého enterprise, říkáš demokratizace, nebo raději „pojďme s tím bordelem tady něco udělat“?

Jo, to je dobrá otázka. Zase je to o kulturním nastavení té firmy. Někde by to znělo vysloveně jako buzzword a v různých odděleních také. Když s tím přijdete do IT, tak to zní asi hrozně, že jo. Ale když přijdete do byznysu, který ví, že ta data nemá, který potřebuje například udělat kampaň, ví, na koho, byznysovo to mají zadané, ale vlastně se k tomu jednoduše nedostanou, tak oni vědí, že to potřebují. Pak je otázka, jak se to nazve a jestli to bude bordel, nebo demokratizace, nebo…

Paralýza je asi vedlejší věc. Je potřeba být na to citlivý v komunikaci se zákazníkem a volit správná slova. Další věc, kterou podnik může udělat, aby se to s daty rozhýbalo, je vytvořit si dedikované oddělení, které bude digitálně, datově a inteligentně zaměřené. A to není data office. Data office by měl primárně říkat, kdo co vlastní, jaké jsou datové domény, nastavit nad tím řízení a dát k tomu datový slovník, ale není to nutně o tom, že by data office měl vyrábět třeba reporty. Může – z principu může – ale záleží na nastavení firmy. Typicky v těch firmách už jsou vývojáři reportů. Takže buď to můžete začlenit do data office a změnit organizační strukturu, což může narazit na odpor zaměstnanců, nebo můžete nechat tyto developery na straně byznysu nebo IT, aby v tom pokračovali dál, ale dělali to přes procesy data office.

Takže teď nemluvíme o data office? Ano, teď nemluvíme o data office. A pro firmy, které nemají ani jedno, ani druhé, může být alternativa vybudování digitálního oddělení. Vidíme, že startupy a digitální native firmy dokáží s daty pracovat – mají je po ruce a jsou schopné velmi rychle vytvářet nové produkty. A v takové tradiční velké složité firmě můžete vytvořit oddělení, které se takto chová.

Pokud chceš, mohu ti pomoci i s úpravou stylu či konkrétní části textu.

Zde je opravený text s úpravami gramatiky, interpunkce a stylu:

Takže je to jako jakýsi startup uvnitř tohoto startupu. Samozřejmě firma, která má z definice rychle růst globálně, takže jsem to zde nepoužil úplně přesně. Ale je to prostě ta mladá krev v tom starém „dinosauru“. A ta mladá krev může rozpohybovat různá kola ve soukolí a měla by se o to snažit, aby to, co se dělalo tradiční složitou cestou – například rozesíláním CSV souborů e-mailem a podobně – šlo udělat jinak, například vystavením nějakého reportovacího katalogu, kde si lidé na pár kliků zobrazí to, co potřebují. Nemusí čekat týden na své CSV.

Mně se tahle myšlenka líbí dost, protože jsem podobnou organizaci podporoval a stále podporuju i v českém státu. Tam mi to přišlo podobné. A zase stát je jenom obrovská korporace s jinými cíli.

Jak do toho všeho vstupuje teď vlna generativní AI? Říkal jsi, že vlastně už koncem doby v IDC a pak v Oraclu přišla tato vlna machine learningu, AI, data science. Ta byla víc technologická. Teď už máme asi ten největší hype za sebou, ale umělá inteligence byla na obálkách novin a téma číslo jedna nejen technologické, ale i společenské. Jak se to projevuje ve tvé práci, v tom, jak mluvíš s byznysmeny, v jejich ochotě řešit data třeba?

No, je to hodně, hodně složité, hodně tenký led a komplikovaná situace. Dneska jsou vlastně všichni odborníci na AI, že? Každý, kdo umí zadat prompt, je najednou odborník, a tím se to trochu bagatelizuje na tuhle jednoduchou věc. A když potom nějaký takový mesiáš přijde do podniku a řekne, jak mu umělá inteligence zařídí všechno, tak přijde někdo, kdo to má dodat. A to někdo jsem byl já, v roli analytika, kdy jsme se bavili s firmou přibližně s tisícem zaměstnanců, oddělením dvěstě lidí, z nichž dvacet tvořili lidé, kteří dobře znají procesy. S nimi jsme řešili, jakým způsobem využít umělou inteligenci, generativní…

Nebo jakoukoliv jinou, ale je to dlouhá cesta, než klient vlastně sesbírá ta data na nějaké společné místo. Musí si procesně schválit tok dat, musí zabezpečit jejich ochranu a tak dál. Vlastně to teď nahrává disciplíně, ale ve chvíli, kdy zákazníkovi řeknete, co všechno to obnáší, vyděsí se a zanevře. Někteří zanevřou přímo na generativní AI jako takovou – používají ji dál třeba na různé drobné věci, ale na úrovni podniku řeknou, že proof of concept (POC) je složitý, nevyplatí se, a zavřou to.

To znamená, že teď dochází k jedné velmi nešťastné věci, a tou je nesprávně nastavené očekávání, kdy byznysákovi někdo řekne: „Hele, tohle je super, úžasné, zítra to můžeš mít,“ a ono zítra není ani za rok, ani za dva. On do toho investoval raketu, ale výsledky nejsou. Takže to by se nemělo dít. Spíš je potřeba si říct: pojďme to udělat krok po kroku, vyzkoušíme jeden use case nebo jeho část. Ale v tu chvíli je to pro ně třeba složité, drahé a raději pojedou dál starým způsobem, jak to dělají posledních 15 let, a nic nezmění.

Pokud chceš, mohu text ještě více zestručnit nebo upravit styl podle konkrétního účelu.

Zde je opravený text s lepší srozumitelností, gramatikou a stylistikou:

d. Já to rád slyším od tady consultingu, protože právě spíš z vaší strany plotu toho byznysového, měl jsem pocit, že se pod tím kotlem přitápí. A o to víc jsem rád, že to vnímáš a dáváš zpátky na zem jako další technologii, jenom nástroj pro byznys, který musí mít umístění, smysl a procesy na to navázané.

Určitě, začal jsem negativní notou, ale neznamená to, že by se nám nedařilo vytvářet řešení s generativní inteligencí. Samozřejmě máme zákazníky, kde s konkrétním business casem, jedním datovým zdrojem a jednoduchým procesem jsme schopni přinášet hodnotu. Mám třeba příklad ze zákaznického centra, kde je všechno jasně popsané, databáze je přehledná a funguje.

Teď nemohu mluvit úplně otevřeně, takže se musím zamyslet, jak to naformulovat, ale řekněme, že tam, kde v zákaznické komunikaci probíhá sběr různých informací uvnitř podniku a kde je potřeba reagovat na základě těchto informací, tu stejnou aktivitu by dříve dělala operátorka nebo operátor na call centru či v back-office. Generativní inteligence a řešení na ní postavené v tomto případě dokáží připravit výstup k potvrzení právě na základě vstupů od zákazníků.

Místo toho, aby operátor trávil půl hodiny sepisováním, toto řešení připraví všechny potřebné podklady, které si operátor pak jen přečte a buď je jen potvrdí, nebo upraví podle potřeby. To zrychluje procesy, snižuje náklady na provoz a snižuje potřebu počtu operátorů. Toto řešení lze dnes už dodávat bez problémů.

Co ale nejde dodávat, je to, že přijde AI a vyřeší vám úplně všechno. To je obrovský obor od programování přes data management a datové katalogy po AI. Chápu, že v KPMG hledáte kolegy, což znamená, že musí umět všechno, co umíš ty, a pokud ano, jak se to mají naučit?

Určitě nemusí umět všechno, co umím já. Navíc současní studenti a kolegové, kteří mají hands-on zkušenosti s nejnovějšími technologiemi, toho zase ví víc v některých oblastech. Já naopak pracuji od rána do večera na konkrétních projektech, kde nemohu být stále na špičce novinek. Vždycky jde o to postavit dobře tým, mít správný mix seniorů, juniorů a různých rolí. Do consultingu se proto hodí jak junioři, tak seniorní specialisté a zkušení architekti. Vždy záleží na konkrétním projektu a možnostech lidí, které máte právě k dispozici.

No a pro koho tedy consulting je a pro koho není?

Konzulting je určitě pro ty, kdo mají rádi časté změny, rádi pracují na více věcech najednou a chtějí rychle získávat rozmanité zkušenosti. Protože v consultingu vás čeká, že pokud jste junior, budete na začátku podporovat seniornější kolegy v jejich práci. Někdy může být tahle práce strašně zajímavá, n…

Pokud chceš, mohu ti pomoci s doplněním či dalším vylepšením zbytku textu.

Jistě, zde je opravený text:

Někdy to může být docela náročná nuda, ale je to tak, jak nakoukáte, jak fungují ostatní. Naopak zase potřebujeme třeba zkušené architekty na náročnější projekty v zahraničí. A tam zase očekáváme, že ten člověk bude samostatný, bude schopný vést ty juniory a podobně. Takže není to o tom, zda tak nebo tak, je to o tom, jaké máme teď k dispozici projekty a jak se do nich hodí váš profil. To je ta otázka.

A v poslední řadě tedy Lighthouse, krom toho, že hledáte všechny tyhle kolegy, tak dělá tady emerging technologies, co jsem pochopil, že i kvantovou informatiku. Můžeš nám o tom ještě něco na závěr říct?

Jo, tak. To mě zaujalo. Jak často řešíš kvantové počítače u svých klientů tady u nás?

No, popravdě málo, ale řeším. Takže jak je to s kvantem v současné době? Jsou dvě, tři, čtyři různé disciplíny. Jednak je quantum communications, tam se toho moc neděje, jakoby na komerční úrovni, aspoň ne na mé straně, ale vím, že už některé české firmy – upozorňuji, jsou to firmy – už experimentují s kvantovou komunikací, mají na to papíry, jsou to prostě veřejně dostupné informace. Zároveň jsou teď v “hajpu” quantum safe, což znamená, jak se připravit na to, že by někdy mohl být dostatečně výkonný kvantový počítač, aby prolomil současné kryptovací standardy. A to vede k tomu, že NIST nedávno vlastně řekl: máme tady připravené algoritmy, šifrovací, které by měly odolávat kvantovému počítači, a v nějaké době už to bude vysloveně doporučený, nebo dokonce jediný možný způsob. To znamená, předpokládá se – nejsou tam žádné termíny, nebo já nějaké termíny znám, ale netroufám si je teď tady říkat – že algoritmy typu RSA už by se neměly používat. Takže to teď není aktuální, ale NIST už říká: připravujte se na to. NUKIP podle toho už taky dal nějaké doporučení, že bychom se tím měli zabývat. Takže to je to quantum safe.

A pak je tady quantum compute, což je o tom, že nám ty kvantové počítače někdy přinesou nějakou velkou výpočetní výhodu. Tam jsou velké tábory pesimistů a optimistů. Ti optimisté už do svých aplikací investují kvantové služby a počítají s tím. My jsme, řekněme, v rámci globální kvantové skupiny v KPMG na té pozitivní straně a máme kolegu ve Švýcarsku, který opravdu má ve své aplikaci volání služby kvantového počítače. Je to optimalizační aplikace pro supply chain a vy vlastně, když vám nebude stíhat klasický algoritmus, tak máte možnost si vytočit ten kvantový počítač. Takže zatím je to spíš tak, že i když to tam má fyzicky nakódované, tak spíš je ta myšlenka zatím taková: pojďme o tom architektonicky přemýšlet, že ty kvantové počítače jednou budou, a až budou, tak si je prostě jenom přepneme, když se nám vyplatí zavolat kvantový počítač oproti běžnému. A jestli mám platit několik hodin grafárny na cloudu, nebo si zaplatím minutu na kvantu, tak tím můžu cenově strašně ušetřit. A samozřejmě víme, že pořád je to ve fázi experimentů a postupuje to velmi pomalu. I tak se ale vyplatí tím zabývat a já jsem jeden…

Pokud chcete, mohu text ještě upravit do formálnější nebo více hovorové podoby.

Z lidí v České republice, kteří se účastní pravidelných hovorů té globální kvantové skupiny. Tak jo, díky za tenhle úvod na závěr. Díky za pozvání. Díky. Děkujeme, že jste doposlouchali až sem. A díky také našim partnerům, členům Data Talk klubu. Těmi jsou: Index, Saska, Bystreet, Colors of Data, Revolt BI, GoodData, Keboola, Emark, Carl Data Company, DataMind, Notino a Flo. A pokud chcete zůstat v obraze, co se české datové scény a globálních datových technologií týče, nezapomeňte se registrovat k odběru našeho týdenního newsletteru na Data Talk CZ. Nechť vás provází data.