Podcast

Jirka Vicherek (00:00:03): Dobrý den, moje jméno je Jirka Vicherek a vítám vás u dalšího dílu DataTalk podcastu. Mým dnešním zácným hostem je Martin Prchal, šéf datového oddělení v Addvery. Ahoj Martin. Ahoj Jirko.

Jirka Vicherek (00:00:32): My se dneska s Martinem podíváme na Addvery, na to, jak fungujou, pro jaké klienty dělají, protože v tom českém prostředí mají výhodu velký rozmanitosti a globálního dopadu a dělají na superzajímavých projektech. Jaká byla tvoje cesta do Addvery a jak se stal šéfem datového oddělení, odkud si vlastně přišel?

Martin Prchal (00:00:56): Moje cesta do Addvery a vlastně vůbec k datům šla už jako od vysoké školy a já jsem vlastně vystudoval v Brně aplikovanou matematiku a ekonomii a už jako při škole mě vlastně data a modelování jako docela dost jako táhnulo a takže už někdy ve čtvrtáku v pátáku vlastně moje cesta šla směrem AirBanka a posledně jako HomeCredit kde jsem se jako fakt jako dostal jako prvním jako reálným jako data setům k takovým těm jako špinavým Excelům ne, jako k hezkým upraveným databázím někde jako na cloudu. Takže to byly jako tady ty začátky, který mě naštěstí neodradily. Naopak je to to, co ve mně vypěstovalo tu vášení pro data a už tam jsem se tehdy potkal se super zajímavýma lidma. Vlastně v rámci homecreditu musím trošku vypíchnout a vrátit tady nějaké budíčky zpátky v rámci talentového programu HCnet, kdy fakt existuje jako tunel uprostřed firmy, jak se dostat trošku nahoru, jak zajímavým projektům a mít tak jako ještě při škole, mít jako one on oneka s tehdejším šéfem Rysku s Michalem Rychnovským. a probírat s ním jako na městeční bázi, jak se ti jako daří a co tam tak jako děláte v těch jako datech a co by se dalo dělat jinak byla jako fakt jako super škola.

Takže to byl můj jako vlastně start do světa jako dat. A tahle cesta potom jako v rámci home creditu a v rámci tady toho jejich programu, který vždycky mířil na to, pojďme, pojďme jako najít šikovný lidi a poslat je jako do světa, tak tak jak psali na papíře se vlastně opravdu, opravdu stalo. A já jsem jako opravdu velice krátce po škole odjížděl, odjížděl fakt jako tři měsíce, jako státnic jsem jako vlastně odjížděl na tři roky do Indonésie, když jsem teda nevěděl, že to jsou tři roky, takhle to byla roční nějaká jako zkušenost a nemůžu jako nelitu prozodně a ta příležitost tam teď už jako... V dnešní době vidím trošku ten jako trade-off v rámci toho, když člověk takhle jako odjede, proč vlastně takový talentový program vůbec existuje. Ono dneska s rodinou už bych se taky asi úplně nepřesunul, ale tehdy to pro mě bylo jako super, jako příležitost a...

a myslím, že tomu trošku jako vlastně vděčím tomu, kde dneska dneska jsem a ta škole byla fakt jako jako a teď školu myslím samozřejmě ta zkušenost v rámci jako home kreditu byla byla fakt jako obrovská dostat se jako rok po škole hnedka po škole do Indonésie a tam jako dostat příležitost. Pak jako po šesti, po sedmi měsících už jsem měl jako svůj jako malej tým o jednom člověku, kterýho jsem se jako sám nahajeroval a si myslím, že by mě prostě v Česku trvalo jako díl, jasně jiný prostředí a ti lidi se tam hůř dostávají to vzdělání tedy v těch zemích nyní na takové jako úrovni a což prostě vytváří vůbec tedy tu bublinu jako expatů a proč tam, proč to tam ty jako firmy vlastně tahají ty ty znalosti Dneska mluvím o znalostech tady po šesti měsících jako po vejšce, ale ale tohle prostor se tam tímhle prostě jako vytváří a ta zkušenost byla a byla fakt jako úžasná fakt mít jako tým fakt jako po šesti sedmi měsících a po dvou třech letech vlastně jsem tam strávil celkově tři roky. Který jsem tam vlastně zabrušoval s nějakým 4-5 členým týmem, nic jako obrovskýho, ale ta zodpovědnost, kterou jsem měl vlastně jako postavit celý approval proces, jsem vlastně zmínil v rámci konkrétu jsem pracoval primárně jako na risku, vlastně v underwritingu, takže schvalování prostě jako loanů. A tam jsem fakt jak dostal příště postavit celý schvalovací proces jako from scratch pro úplně novej produkt jako kreditní karty, pro který jako home credit vlastně v těch letech, co jsem tam byl, jako získal licenci jedna z prvních institucí v Indonézii, protože musím zkázat, mě tam je to jako těžký tady tyhle licence vlastně jako získat A na mě bylo vytvořit ten schvalovací proces, samozřejmě trošku nějaký copy-paste z jiných schvalovacích procesů pro cashlowny, poslowny a tak dále, jasně, ale celý to jako otestovat, celý to jako nastavit a teď jako když tě projde ta jako první kreditka, já pořád mám doma v šuplíku jako první schvalenou kreditku na moje jméno, jo jasně šla přes whitelisty, protože úplně Nemám indonéské občanství, které bíje potřeba k tomu, aby člověk dostal kreditku, tak prostě tahle zkušenost tímhle si jako projít a to bylo to bylo fakt jako super, takže takhle přizom kredit. Potom ať si dostaneme vlastně vůbec kedvedy, covid, cesta zpátky do Česka, práce na dálku pro Indonésii.

Jsem vydržel fakt jako tři měsíce, čtyři měsíce prostě tenhle způsob jako mít tým na druhé straně světa, nemoc se s nima potkávat, respektive fakt jenom na nějakých kolech v pět ráno, v osm ráno a potom jako nemoc se s nima sednout, nakreslit něco jako na whiteboard, tak prostě tohle není úplně styl práce, který mě jako vyhovoval. Myslím, že dneska se to ukazuje hezky ve dverem, to neopak práce, co mě potom vyhovuje, jsme hodně hands-on, trávíme čas u klientů a možná tohle byl trošku jako signál to změnit. No a tehdy jsem mě opět vrátila zpátky, moje nějaké kontakty z Humky Reddy a Sairbanky. a právě tehdy Michal Rychnovský zakládal Addvery BI v Brně a spojili jsme se a domluvili jsme se jako víceméně na jednom kólu, kdy říkal, hele, tak my vlastně jako zítra začínáme, tak si přijď poskládat svoji židly. Takže takhle rychlej, takhle rychlej, takhle rychlej, alebo to vlastně moje cesta do Addvery BI z Home Creditu, který jsem potom...

Jirka Vicherek (00:07:09): Co je to za rok?

Martin Prchal (00:07:10): Jsme v roce dvacet jedna.

Jirka Vicherek (00:07:13): V roce dvacet jedna.

Martin Prchal (00:07:14): V roce dvacet dvacet jedna, kdy Edwady jako takový už vlastně rok existuje. Vlastně zaklédal Pavel Novák a s Lukášem Markem. Tak to už Edwady rok existuje, ale už po roce začaly kluci trošku cítit, že jim jako chybí datové kompetence. Herují tak trošku někde nebo dohledávají třetí strany, aby jim jako pomohli s nějakýma analýzima a trošku s nějakým jako modelama. Ale že by to chtěl vlastně jako dělat interně, že nechtí jenom jako v rámci toho consultingu tu práci jako outsourcovat někam jako bokem, ale že vlastně založit Addvery BI a mít vlastní datové oddělení uvnitř consultingu je jako cesta, kterou chtějí jít, tak proto Addvery BI.

Jirka Vicherek (00:07:57): A proto ty v Addvery. A proto já v Addvery. No, my se budeme dost bavit o tom, co se stalo za těch pět let, tak když ještě tady v intro skočíme do dneška, tak co je dneska Addvery, co je dneska Addvery BI a zas jaký je mezi tím vztah.

Martin Prchal (00:08:19): Jirka Vždycky je konzultačka a Addvery BI je pořád součástí Addvery. Není to samostatná firma, která má vlastní projekty a se Addvery sdílí jenom jméno, určitě ne. A já si upřímně myslím, že to je vlastně to hezký jako na Addvery. Dneska má Addvery si 70 lidí, z toho právě asi 20 zhruba. Tvoří Addvery BI, lomenu datových analytiků, inženýrů, scientistů.

To upřímně moc nerozlišujeme v Addvery, protože ono seš jako na jednom projektu seš inženýr, a na druhým seš jako analytik. Ono to prostě v tom consultingu tak trošku jako chodí. Takže Addvery, konzultačka, ale myslím si, že jako se silným datovým základem a vlastně téměř veškerý projekty, který máme, Jsou jako spojení jak Addvery, tak Addvery BI. Pracují na něm vlastně jak lidi na těch projektech, kteří jsou fakt jako čistokrevní konzultanti, ale vlastně vedle nich hnedka sedí lidi z mého týmu a ten projekt se fakt jako staví dohromady. Chvilku je víc biznisovej, potom zase víc datovej, potom zase víc biznisovej, ale vlastně to jako propojení toho, proč ty data na tom projektu jsou jako potřeba.

a jaký biznisově vlastně jako využít jako vlastně ta trošku jako krása Addvery a to co mě vlastně na Addvery jako baví.

Jirka Vicherek (00:09:40): Mně se líbí zase ty cesty jsou různý a já jak jsem z té víc technologické scény, tak vidím jak technologické firmy jdou upmarket a stávají se konzultačními firmy, technologicko konzultačními firmami a tak. A vlastně mi přijde zásadní nebo určující, že u vás to šlo z druhé strany, že u vás je to ten svět velkého biznisu, do kterého se najednou dostávají data, technologie, dneska AI, o tom se určitě budeme bavit taky, ale že tam je to hluboké pochopení toho klienta a až na základě toho je nějaká... technologicko datová kompetence.

Martin Prchal (00:10:20): Určitě, myslím si, že život toho Addvery tohle popisuje, trošku začalo jako biznisem a za rok si připojili data a vlastně takhle fungujeme v rámci nějakého našeho frameworku s novými klinenty. Asi dneska, Edward, nikdy jsme neměli projekt, který by přišel, ale máme zakázku na postavení jako reportingu rovnou zvenku, jenom pojďte nám postavit report, pojďte nám udělat model, jdeme tam přes ten biznes, pokud tam není vlastně zatím ten biznes case, tak my se k tomu vlastně do tobě jako nedostaneme.

Jirka Vicherek (00:10:53): Super, no a k čemu se takhle dostanete, protože to je jedna z těch věcí, co mi přijde dost fascinující, tak zase půjdeme do toho hlouš, ale overview klientů.

Martin Prchal (00:11:05): Dneska vlastně overview klientů a ICI jako industries, to můžeme nějak jako v rychlosti vzít přes to, určitě velká složka retail, kde jsme jako začínali hodně jako rohlých, který se pak jako postupně kontaktuje. Vzal přes jako Reve, chat možná v Česku víc známa pod značkou Bila. O trochu. O trochu. Nebo i Albert, jeden z našich klientů, ať už potom přes finance, home credit, vlastně Tonic banka, Security banka finance se nám víc daří prodávat v Ázii, na tom taky možná trošku jako později.

a u nás vlastně ale i telko, outučko, vodafone, vlastně logistika, paketa zásilkovna, paketa grup zásilkovna, ale tam vlastně i box now, což je obdoba zásilkovny v Řecku, kterou jsme pomáhali stavět, nebo potom, když jdeme vlastně přes média, tak vlastně mediální skupina CME, která vlastně Markizu, Novu a uvnitř vlastně projekt Oneplay, který jsme víceméně stavili uvnitř CME skupiny. Tak to asi tak jako pro slušný slušný slušný

Jirka Vicherek (00:12:14): zářezy to sami to v několika lidech, tak se těším, až se budem povídat, jak se to vlastně dělá. Tak to to byl overview klientů. Myslím, že už jako na to trochu naskakuješ, tak že jsou tam nějaké různé sektory. Ale nejste jenom pro průmysl nebo jenom pro finance, že jde vidět hodně retail, jde vidět hodně finanční věci. Jakou máte distinkci v tom, co pro ně děláte, nebo jaké jsou ty nejčastější use case?

Martin Prchal (00:12:55): Jo, my asi ještě vlastně proč je to tak jako rozvetvený a to asi taková jako my moc neumíme říkat ne na projekty proto vlastně jako tak jako široký přestože těch lidí dneska 70 ale ty projekty jako vlastně byly ještě jako v menším počtu lidí se předtím jako dělali takže nás to jako fakt asi táhne přijde jako odkudkoliv nějaký projekt tak prostě jako běrem Ale je vlastně napříč těmi industries asi takový jako největší gro, know-how máme asi jako v oblasti CRMka, to si myslím, že je takový jako nejtypičtější use case, který jsme za ty roky se prošli tím CRMkem jak v těch médiích, tak v tom telku, tak v těch financích, tak v tom retailu hodně. A potom tak nějak člověk začne poznávat, že i přesto, že se bavíme jednou v médiích a po druhé se bavíme v retailu, ať už o tom onlinovým nebo offline, to je velký rozdíl, jak funguje byla, jak funguje rohlý, jiný business model, tak to CRM řeší hodně stejný problémy. A člověk fakt, když přijde jako do novýho Industries, tak jako vidí, jak jakož tam ty ty prostě problémy, co to si já Romko jako řeší, tam prostě jako jsou vlastně podobný. Takže, když bych měl jako vypíšenou takovou jednu věc, tak...

Jirka Vicherek (00:14:20): Plus mě dává ještě smysl jedna věc, proč CRM-ko je logická, to, že jdete z toho biznisu, tak tam jsou vlastně vždycky ty prachy. Jakože je zase vlastně zvýšit vytěžnost zákazníků, nebo snížit jejich čer, nebo vlastně zase, když se bavíme takhle v enterprise segmentu, tak mají tu základnou, mají ty databáze. Mají ten výtlak a udělat na tom 2% a najednou ti zaplatí cokoliv.

Martin Prchal (00:14:53): Zaplatí cokoliv, přesně tak. A vlastně i tím, že my jsme se vlastně vždycky bavili s relativně velkými klienty, tak o to větší je to CRM. Ve startupové firmě vlastně CRM moc řešit, nebudeš, tam budeš víc řešit produkt, nebudeš řešit víc akvizici. větších firmách, ale možná i tou strukturou těch klientů, když už je to nějaká firma, která na tom trhu je, tak prostě to CRM a má desítky procent market share, tak je to vlastně logický krok, se kterým všichni chtějí nějakým způsobem pomoct, který se prostě ponořit, jak říkáš, jedno procento udělá hodně.

Jirka Vicherek (00:15:35): Miliony eur.

Martin Prchal (00:15:37): Přesně tak, přesně tak.

Jirka Vicherek (00:15:38): No, promiň, já jsem ti do toho skočil, takže když se díváš na to CRMko, tak mluvil jsi o tom, že jsou vlastně podobný napříč sektory, když už si dělal PCRMek, tak přesto, že šesté je pro masokombinát, tak vlastně nějak... Tak děřím, že bude

Martin Prchal (00:15:57): 80% otázok stejných. Pořád je to o nějakém prodeji, pořád je to o nějaké periči vlastně jako o zákazníka. A jo, hele, my vlastně jako v rámci toho CRMka se k tomu snažíme jako přistoupit tak už takovým nějakým trošku jako frameworkem, co jako máme. Typicky, když se možná člověku jako nezdá z dnešního pohledu, že už to musí být jako hodně sofistikovaný šelmostroj. Tak my jako i tak jako začínáme trošku jako vždycky from scratch, celý jako Addvery, když jdeme objevovat nějakej novou firmu, objevovat, prostě si nás jako pozvou, prodáme projekt, tak začínáme, čímž mu říkám jako health check.

Kdy to je fakt jako discovery fáze o tom, jak vlastně uvnitř té firmy ten problém řeší. Jak funguje CRM v Byle, jak funguje CRM v rohlíku, jak funguje CRM v rámci jako CMIčka a tak dále. Takže první, co vlastně člověk musí se podívat, jak to tam jako funguje. Protože sice je to jako podobný, sice je to možná s 80% stejný, ale má to svoje... Má to svoje odchylky.

Ty zákazníci jsou jiný, ty kanály jsou jiný, ten produkt je hodně jiný. Takže vždycky začínáme nad tím pochopením toho celého biznisu. A co často vidíme, je, jak třeba moc v plenkách i u těch velkých firm to CRM často je. Na jednu stranu tady vidíme velké AI a technologické pokroky, Ale to si Jarnko fakt často potom bývá, že tam někde je ve dvou, ve třech lidech a je hodně... Jako nepersonizované a hodně takové jako obecné, tak nějak řekněme, to si nebudu můžet úplně přesně, ale často ten případ je, hle, na všechny posíláme ten stejný e-mail, prostě tenhle týden odchází tenhle newsletter, tenhle leták, prostě tahle komunikace.

Další týden, mohli bychom lidem připomenout, že máme prostě pivo v akci. Další týden můžeme připomenout přidej si do oblíbených, stáhni si appku a jsou to takové byčové masové komunikace, které odchází na ty klienty a tohle je fakt častý stav toho CRMka dneska ať už v Česku nebo ve světě.

Jirka Vicherek (00:18:25): No, ale tam nebude asi problém jako technologický MailChimp je tady nevím patnáct let nebo jakkoliv segmentovat lidi a posílat každému jinak a oslovovat je ahoj Jirko, ahoj Martiné, tak to už je přece vyřešený a mě to nepotřebuje šelmo stroje a nevropne.

Martin Prchal (00:18:45): Určitě, určitě technologicky mít nastavenou segmentaci a udesílet jako jednotlivé e-maily a měřit to a všechno to jako jde. A problem, že ty potřebuješ mít to jako to, často to jako biznesové zadání, jo, ty jako vlastně potřebuješ vědět, jak s tím klientem vlastně jako fungovat, co mu poslat, v jakou chvíli, co má být ten jako cíl, takže takže tak něco jeho umy modislat, ale já vlastně jako potřebuji ten jako biznesovej plán, s kým s kým komunikovat jak, v jakou chvíli. A tohle je strategie, kterou potřebuji vlastně nastavit prvně jako biznesově a pak technickou už jako implementovat umím, ale musím jim vymyšlet biznesově. Takže nevím, co mám komunikovat na koho, ten samotný nástroj už mě k tomu, ten jako mám, ale potřebuji mít vlastně to jako biznesovou strategii k tomu.

Jirka Vicherek (00:19:29): No a jak jsou jako klasický řezy, tak vás tam pozvou, řeknou, máme tady databázy, ano, každý čtvrtek jim posíláme, píšou to tady lidi a na příští čtvrtek je to den žen, takže posíláme, nezapomeňte na maminku.

Martin Prchal (00:19:46): Asi úplně taková typická segmentace bývá vlastně jako lifecyclová. Je to jako to první, kde se jako díváme, jestli existuje nějaká lifecyclová segmentace. Je to fakt úplně takový to jako CR, trošku možná jako one-on-one, ale možná by jsme překlopili, jak často ani tohle vlastně jako není. A jedna věc je vědět, kdo je tvůj novej klient a mít pro to někde jako flek v databázi a kdo je tvůj jako už klient, co tady je jako deset let a máš to někdo napočítaný v databázi a třeba na to máš i hezké jako report. jako průměrnou stavu, jako věk jako klientů a zkystu jako segmentuješ a řežeš a takže když my jako máme ten jako life cycle, jako vždyť se podívejte tady jako do našeho Power BI, to tam jako máme, ale jde o tom mít vlastně na to jako biznesovou strategii, co s nimi chce dělat v každém tom jako life cycle, typicky pojďme jako trošku do hloubky, pojďme si rozdělit jako lidi na nějaké burling fázy, nějaké jako nové lidi, nějaké jako aktivní, a potom jsou takový ty, který jsou už jako přišel, nejsou aktivní, nebo jsou jako před odchodem typicky jako nějaký černový lidi, odhlásili si ti nějaký jako subscription, přistávají jako nakupovat a tak dále, tak to je úplně nějaké jako tři základní jako segmenty.

A oni často jsou v tom reportingu a díváš se, co tam ti lidi mají, ale už pro ně nemají to jako komunikace, nemají pro ně, nepracují s nima v tom jako biznesu a není, co ideálně snažíme jako v těch firmách dělat takovou trošku jako osvětu, aby ideálně byl fakt jako člověk zodpovědnej za ty onboarding lidi a za ty odcházející lidi. A měl to jako v rámci jeho vlastně jako KPIs, hele, jaký share lidí, který prostě byli v černu, se mi jako vlastně vrátí zpátky. Takže ti to často spadá do toho CRMka, že jim to chápu jako hrozně velký jako blob, na který jako tak nějak posíláme jako všechno. ale nastavit ty strategie fakt jako individuálně pro každýho a mít vlastně hlavně jiný jako KPIs a teď se vlastně trošku dostáváme k těm jako datům co má být jako KPI, protože ono někdo, kdo je fakt jako novej klient, tak ty po něm chceš, aby si ti šel znovu nakoupit, aby si ti prodloužil jako subscription a je to jako úplně jiný cíl, jiný jako KPI než někdo, kdo Už u tebe je rok, nakupuje u tebe dvakrát týdně.

Jirka Vicherek (00:22:03): Chceš zvyšit frekvenci album klašiků?

Martin Prchal (00:22:05): týdně. Chceš zvýšit frekvenci, chceš zvýšit hodnotu nákupního košíku, chceš mu ho rozšířit. Je to úplně jiná práce s tím zákazníkem, než s někým, kdo odchází nebo přišel. A tenhle jako mindset, tohle jako vysvětlení tomu jako biznisu je to, odkud ty projekty jako potom často, často jako pramení a teď jsme tady jako v datovém podcastu a já tady hodně jako mluvím o siérnku a posílání jako e-mailu, ale ono jako tohle stavět na datech je vlastně jako docela jako základ toho, protože když se bavíme jako o i tom jako třeba jako jednoduchém jako onboardingu, Ono to vlastně, ono to neexistuje žádný jako golden rule. Hele, onbordovaný klient je takovej, který už je tady přesně tři měsíce a jako jedno, jestli je to retail nebo jestli je to jako média.

Ono to i v každý jako zemi jinak uvnitř jako jednoho klienta, jak se vevím jako napříč jako dvě týma. Tak prostě V tom jako retailu třeba je to, je to, je ten onboardovaný klient, ten už mám tady jako zaháčkovanýho a můžu změnit tu komunikaci, je to někdo, kdo udělal tři nákupy, pět nákupů, počítám každej nákup, nebo jenom nákupy nad 50 korun, nebo utratil nějakou sumu, Přesně tak, ale to nejsou jako těžký metriky, jakože já často to takhle směřuje na, pojďme mít jako predikční neuronku na onbordovanýho klienta. Jo, zní to jako super, ale když nemáš jako vůbec nic, tak jsou to fakt jako na začátku docela jako jednoduché sety jako analýzek, ale můžete říct, který jako často jako neexistují v těch jako vlastně jako firmách. A s jedním cílem, kde je ten jako katov toho, kde říkám, tenhle klient už je zaháčkovaný a můžu změnit tu komunikaci, abych prostě začal jako rozšiřovat ten nákupní košík, rozšiřovat a ten nákupní košík nemusí být jako nutně... Když jsme to jako původně úplně dělali jako z doby jako rohlíku, tak my to my trošku interně pořád říkáme jako nákupní nákupní jako košík, ale on to nemusí být nákupní košík jenom z pohledu toho toho jako retailu, to může být, když se bavíme jako počty žánru co člověk jako jako sleduje a uh uh uh Počte jako produktů, jako typu produktů, který už má jako nabídný jako třeba finančních, ale tak vlastně ten nákupní košík mi to tak často ukazuje i v těch jako jiných dve tvých, jako zpětně, ale principiálně je to vlastně to stejný, jako když ten člověk prostě u tebe kupuje to maso, tak chceš aby kupovali ty rohlíky, nechodil si pro ně jako někam jako jinam.

Takže tady vlastně potom začíná to skloubení té datové práce pro ten biznis, tohle když ten biznis pochopí, tak najednou my tu segmentaci potřebujeme. A my se asi obecně hodně nesnažíme úplně vymýšlet jaderné elektrárny, zvlášť, když tam není... Ani ta jako uhelka, když tam není to jako vodní kolo. Myslím, že se mnohem víc jako soustředíme na to, aby ty výsledky byly jako alespoň nějaké a jako rychlé, aby měly jako biznisový impact, který dáme jako formou nějaký jako POC. Já nechci, aby to úplně znělo, že tak to pojďme jako rychle udělat jako na kolini a vlastně nám to tak trochu jednohlavně, aby to bylo jako hotový, to určitě jako ne, ale Udělat jako jednoduchý solution, když se bavíme třeba v rámci toho jako onboardingu nebo i jako černového modelu, který černovej model můžeme jako strávit dva roky, čímž ho budeme jako stavit, ale když není nic, vyzkoušet si to na jako running, jako moving average, nějaké jako frekvenci nějakýho jako kontaktu, jako jestli to nebude fungovat tam.

tak jako platit aspoň trošičku. Tak stavit šestiměsíční nebo dvouletou neuronovou síť, která by ti ty klienty našla lépe. Bál bych se toho, jo. Vyzkoušet to prostě fakt jako jednoduchým jako přístupem. Říkám, nejít prostě, když se bavím o tom členu, fakt jako nějaké jako jednoduché jako moving average.

A ten, když jako funguje zkusit na ty lidi poslat tu kampání správně A, B testovat, jo. Ověřit si to fakt jako v datech, jestli tyhle lidi fakt jako byli v té jako skupině, jsou to ti jako lost, lomeno churn jako lidi, vyzkoušet si pro ně tu jako komunikaci, protože jestli vůbec pro ně mám komunikaci, opět, typicky je hezký, že mám jako model, ale když jako s tím neumím biznesově nic jako udělat, když já jim jako nemám co nabídnout, Tak je jako pěkný, že ho vím, ale zůstane to jenom filtrem reportu. Takže tohle je asi taková naše trošku mantra fakt jako tady ten začátek zkoušet jako jednoduché řešení a odtestovat, odpilotovat a vidět vlastně ten ten jako biznesový impact. A potom ta diskuze o dva měsíce později, když už jako vidíš, hele fakt tam ten jako uplift byl a jak jsme si říkali na začátku, on ti stačí jako jedna dvě procenta, protože tady úplně s nějakou jako velikostí vzorkou často jako nebojuješ, protože prostě když se bavíš o jako milionech zákazníků, no 100 000 zákazníků, tak ti fakt jako stačí poslat jako na relativně malé jako procento a ten uplift už je vždycky jako signifikantní. Tak to je vlastně super.

Pak už ta diskuse o tom, pojďme to udělat jako složitější, pojďme se jako nad tím víc zamyslet. Už to na sebe vydělalo. Už to na sebe jako vydělalo.

Jirka Vicherek (00:27:57): Je tam první důvěra. Mě trochu dáváš naději a vracíš mě zpátky na zem, že AI revoluce bude trošku průběžnější a ne tak rázná, že zítra nikde z nás nemá práci. Protože tohle jako vidím napříč, že ty technologie jsou jedna část a to, co je složité je implementovat je do kontextu, anebo dokonce zvědomit zanalizovat kontext biznisový ty firmy, tak to je, že one size doesn't fit them all a tím pádem ty potřebuješ udělat dobře ten sizing, ten health check, vlastně si říct, co je důležitý.

Martin Prchal (00:28:39): Z toho fakt jako vždycky jako vychází, jo, mít ty, mít vlastně jako napočítané business case, kde se jako soustředit, kde dává smysl, kde dává smysl se věnovat jako černu, kde dává smysl se věnovat onboardingu, kde dává smysl víc rozpadnout třeba ten jako aktivní, aktivní segment, jo, takže tomu se potom vlastně často věnujeme, věnujeme dál, jdeme jako do hloubky toho aktivního segmentu, že to bývá často 80, 70% báze, tam vlastně trošku jako liží ty peníze, Takže jdeme často potom v rámci našich hodnot, čuch na prachy je něco, co by tady člověk měl mít. Pořád je to propojení, děláme consulting. To znamená, i ty data, to, co děláme, musí zatím mít nějaký výsledek, který bude zajímat board, aby se na to našli peníze, aby ten investment do toho byl nějakým způsobem opodstatněný.

Jirka Vicherek (00:29:36): Když je to pro vás už jako moc pokročilý, protože teď mluvíš a zase já jsem za to rád, protože je to nějaký hlas střízlivosti a ne všude musíš žirovat deep learning, když je to jednoduchý matěcový, tak za to jsem rád. Na druhou stranu, když se bavíme o těchto extrémně velkých, tak tam přijdeš a jim tam už běží čern model, na který teda půl roku strávili a dva roky a něco doporučuje a automaticky odesívá.

Martin Prchal (00:30:13): Ale za prvý často neběží, člověk by byl jako překvapenej, ale vlastně často jako neběží tam ten jako černovej model, takže fakt jako jdeme jako vyvíjet aspoň nějaký jako základ nebo ho staví a už ho staví dva roky, ale ještě není jako implementovaný. Takže my jako často děláme ten jako první krok, to je jako biznisové jako implementace a aby ta biznisová implementace může být jako od na počítání toho jako modelu po vlastně jako technickou implementaci ETL-kový procesy, dostat to do těch CRM-kových nástrojů a tak dále, vytvoření k tomu jako reportingu, tak tohle i taky potřeba prokopnout, protože i třeba s tím bývá fakt často problém, model běží, ale neumíme ho dostat do toho CRM, protože prostě najednou ten jako data science tým není úplně data engineering tým a neumí jako vysvětlit tomu biznisu, že by bylo dobrý to tam vlastně jako dostat.

Martin Prchal (00:31:17): Hele, je to, ze mě je to tak jako prostě Když tam funguje ten uplift na tom základním POC. Takže typicky jsme třeba dělali takový hezký model v rámci nějaké klastrovky a vlastně opět i v retailu i v médiích. Jednoduchá segmentace klientů. Pojďme si je a teď zaměřujeme na ten aktivní segment v rámci toho lifecyclu, tak tam je potřeba si ty lidi často rozpadnout trošku, kdo je kdo. Kdo je ten milovník prostě toho vína a drahých stejků a kdo je ten milovník těch romantických večerních komedií.

Takže z toho se pojďme nějak prostě rozpadnout. A opět na tomhle můžeš strávit vlastně hodně času v rámci nějakých data science a v rámci nějakých klastrových metod. My často chodíme do relativně základních lineárních regresí v rámci klastru nějakých kejmínc a tak dále a víceméně u toho často končíme. Když bych šel po těch metodách, Na těch se snažíme ukázat nějaký uplift a potom pro to je jako služitější metod, když tam ten uplift jako je, tak i často třeba klientově říkáme, hele, ten klient potom najednou vidí, hele, možná bych měl mít svou core data science team, který se to mohle bude vlastně jako věnovat dál a posouvat tu hranice a vidíme, že je jako jednoprocentní zlepšení Větiprocentní zlepšení už si na sebe ten tým jako vydělá, takže i často vlastně odcházíme třeba z projektu tím, že mi pomáháme i třeba hajrovat nějaký jako interní tým, který by si to POC, které my jsme vlastně jako postavili, po nás nějakým způsobem jako převzal a že se mi jako zaplatí mít fakt jako tým, který na to může stavit dál. My v tomhle často vlastně ani nechceme už být úplně jako součástíc, pak trošku stáváš jako zaměstnancem té firmy.

Když ten model budeš pořád iterovat, pořád budeš vylepšovat, pořád budeš stavit nějaký jako champion, jako challenger. Takže my si dáváme primárně asi pozor na, primárně jako stavíme, fakt jako, když se bavíme o těch metodách, fakt jako třeba jako jednoduchý jako kejmíc. Ale dáme se jako velkej pozor na to, jak ho stavíme jako biznesově ten model, aby se dal využít jako v biznesu. Typický příklad bývá, fakt jsme se s tím jako setkali, není to jako ojedinělý, setkali jsme se už ve dvou, ve třech společnostech, fakt jako robustní, jako silnej model, který se ti snaží odhadnout jako LTV zákazníka, nějakého lifetime value zákazníka, protože chci vědět, kde je můj jako, kde je ta můj jako cash cow v úzrukách a o koho se vlastně tolik moc starat jako nemusím. A ten jako data science team často ty modely staví fakt jako tak, aby tam byla ta jako největší diskriminační jako síla, aby fakt jako, abych ty skupinky uměl fakt co nejlépe jako oddělit.

Ale když já ho na to neumím jako biznesově, ty lidi v rámci toho LTVčka, je potřebu posloubovat jako výš Takže jedna věc je, že ten model využívám k tomu, že jako vím, kdo tam je Jak ty lidi mám jako vlastně jako segmentovaný A já bych potřeboval ty, co jsou v těch jako nižších kategoriích Vlastně táhnout do té jako vyšší Protože Jenom, protože to je vlastně ten biznis. To je jako cíl toho CRMka. Já jako potřebuji zvyšovat, v té výsledku zvyšuju LTV každého jednotlivého zákazníka a je takový vlastně core toho jako CRMka. Mít model, kde jako vím, kde kdo je, je jako fajn a chápat, co mě zvyšuje to LTVčko, protože to je jako jenom zpětně, když jako reverse engineeruji ten model, to jsou vlastně ty proměné, které mě do něho jako vstupují, mě jako prozradí, kdo mě, kdo je pro mě Co jsou ty příznaky toho jako vysokého LTVčka, ale já to vlastně potřebuji jako měnit těch lidí, já potřebuji měnit tu proměnou, aby to LTVčko bylo jako vyšší, takže my ten model často využíváme k tomu, aby měl ten jako biznesový jako impact. A ono tím cílem není jako vytvořit nejlepší model, co mě to jako nejlépe diskriminuje, ale vlastně trošku jako navnímat tu bázi a umět na ně, ty co jsou tam prostě jako dole, jak jim zvýším tedy ten jako prediktor, aby To LTV bylo vyšší a to je vlastně cíl toho CRMka, on se musí tohle vzít a tohle tlačit a tam také často narážíme, takže když ty proměné jsou postavené tak, že já na ně neumím biznesově reagovat Nějaký příklad?

Demografie? Asi typicky, jistě, demografie, super, ale já z muže ženu neudělám. Já nepošlu komunikaci, staň se ženou, budeš pro mě víc hodnotnější, protože u mě budeš nakupovat víc drogerky. Vlastně s tím nic moc neudělám. Má to v tom modelu být?

Já to třeba posouvat. Ale zároveň... Tohle mi může dávat jako insight, třeba to, co jsi teďka jako zmínil, jestli zmůže s ženou jako neudělám, ale když vím, že jsou pro mě ženy nějakým způsobem jako hodnotnější, můžu třeba věnovat víc času a energie do kopy, které bude, které bude vlastně jako lákat tady tohle jako publikum, protože zjistím, že vlastně je to ta moje jako target audience, takže zrovna jako může ženy i to se dá vlastně jako biznesově jako přetvořit jako fakt jako výsledek modelu nebo tak trošku jako reverse inženýrujeme, jako zpětně se dá vlastně přetvořit lekce do nějakých jako biznesových jako insightů a do tvorby nějakého, nějakých jako CRMkových jako kampaní, jo. Ale jako takový hezký, takový typický příklad a opět viděli jsme jako vlastně víckrát je je třeba jako délka, jak dlouho se budou už ten klient, jo. Jak dlouho je prostě, jak dlouho je mým jako zákazníkem jako napříč jako Industries, jo.

extrémně sluný prediktor, extrémně. Když už jste se mnou rok, budeš se mnou další rok. A když jste se mnou měsíc, šance, že jsem tě nezaujal svým produktem mnohem větší. Když se podíváš na jakýkoliv churn křivky, nějaké vintagevý reporty, tak prostě to má logarytmický shape, ten odpad na začátku je mnohem větší a pak prostě to někde stagnuje. takže jako super prediktor a v každém jako data science každý jako data science tým ti toho tam prostě dá jako s tou největší jako signifikantností a jo v tom modelu klidně jako má být, ale když kvůli němu se ti tam pak jako nedostanou jako jiný prediktory, který, protože tenhle ty jako neovlivníš, co zase, co je ta tvá jako biznesová implementace, co ty s tím zůstaň díl, abys zůstal díl, abys pro mě měl větší veliku, co komunikuje fakt jako blbě

Jirka Vicherek (00:38:31): No moje otázka je jak jak do detailu nebo zase tady přihází ze zkušeností, že tam buď mají nějaký šelmo stroj, který není ani v produkci. nebo jsou na úplným základu. Pro mě to hrozně zajímavý je, tak technologie nám dneska umožňuje hyperpersonalizace. Každému z našich 100 000 zákazníků přijde mail na míru A jako myslím si, že úplně v základním bych to s vibe codingem postavil i já v úplně jako dementní tohle někde u sebe na lokálu. No tak to chápu a do toho z mýho pohledu přichází ta praxe toho biznesu.

Že ty máš nějaký copywritery, oni potřebují tam nemít chyby, proto většinou posílají jeden na všechny, protože když jim řekneš máme najednou tři segmenty, tak to znamená třikrát tolik práce. a předpokládám, že když tam přijde jako Core Data Scientista, který nemá vůbec představu o tom, jak funguje ta firma, tak udělá segmentaci, tady máte 20 skupin a na každou z nich mají tenhle, ale vlastně, že to nedává smysl, protože nikdo to nebude dělat.

Martin Prchal (00:39:59): Jo, jo, jo. Hele, tohle je to, kde začneš jako přesně narážet, když začneš to CRM jako stavět, je to směrem jako personalizace, je to směrem k těm jako personám, který my tam jako často děláme, teď máš je strategie jako onboardingový a tady ty jako aktivní lidi a přesně jaký jsou podle toho, kde mají jako persony a jestli jaký mají šívku nakupního košíku a ty jako můžeš si docela jednoduše otestovat? jako kontrolky a betysting a tak dále. že jako fakt čím jdeš do větší hloubky, tím ty uplifty jsou vlastně jako vyšší, čím to mám personalizovaně, čím to asi nemusíme nějak prokazovat složitě, to je asi takový jako selský rozum, že to tak jako funguje. A to, co my tam často stavíme, tak přesně za chvíli, za nějakou dobu narážet tady na ty kapacity toho týmu, ať už z Järnkovýho, vlastně udržovat dneska někde v SASU, v Bloomreeči, v Salesforce, to je vlastně docela jedno, v čem přesně, jako 20, 30 nebo 50 kampaní a každou z nich mít ještě rozvetvenou podle tone of voice, demografie, muž, žena, tak se ti to fakt jako nahromadí.

A takže jo, na tohle jako začneš časem narážet a hlavně ten mail, který, a teď musí být jako jenom mail, ale jakákoliv.

Jirka Vicherek (00:41:21): Jasně, poubočka, zavolat, zavolat.

Martin Prchal (00:41:23): Ne, ale to už vlastně jako jedno mail, co takové jako nejpředstavitelnější. Musíte ho někdo napsat, ale typicky píše to prostě nějaké jako kopy, často nějaké jako externí agentury a ty se tam jako začne zůstávat na to, že když to jedno kopie, píšet nějaký ten jako tým týden, dva a ty ho pošleš na celou svoji bázi, na jako stovky tisíc vlastně emailu tím rozešleš, tak je to jako téměř jako nulovej náklad. Začneš to trošku více jako sekat a začneš si vybírat ty jako níž skupinky a tak bys měl stavit to CRM, to personalizované CRM, to je to, co ti přece radíme tady v tom jako consultingu a ten jako biznis, pojďme to tak jako stavit, na to funguje, každé procentíčko se počítá a A tohle je to jak toho jako vlastně jako docílit. Tak se ti tam ta rojka začne vlastně jako hodně otáčet. A není to jenom jako rojka, ale celý ten management okola.

Jako, že prostě hlídej si v rámci týdne nebo dvou fakt jako, že si zadal 50 kopii, že si všechny jako prošel, že jsou všechny jako správně. i ten celý management okolo toho, pojď to nasázet do toho jako blumříče, pojď to nasázet do toho jako sasu, z ten se to jako mes, začnout ti ty věci fakt jako utíkat a no a začneš ten do toho narážet, s tím se potkáváme, potkáme se s tím vlastně docela často a vlastně teď jako Odpověď na to se taky snažíme hledat a myslím si, že nám teďka dokonce se docela hezky podařilo na to, alespoň částečně najít, nebo se s ním jako hráme více a více. Ano, odpověď je tady, že to možná nás začal na začátku v nějakém jako AI, 30 dneska. Jako jsme seděli na... Bordu jednoho velkýho klienta a přesně tohle tam zaznělo jedno ze stakeholderů, tyjo, vždyť přece já už dneska e-maily píšu na ty osobní rovině, napíšu si čtyři věty a hodím to do chatu GPT a do Gemini, ale udělej mi z toho víc hezčí e-mail, lepší e-mail, tak to můžu prostě odeslát.

Jak to, že dneska pořád já jako zadávám to kopy prostě těm agenturám, který prostě na mě jako prdí a vrací mi to prostě a nedeje bože, že chci jako nakreslet obrázek v tom kopy, tak to je to se jako přidej dobrý dva týdny. Takže tohle jako slýchávám vlastně často a teď jako jsme se to minulej, konce minulého roku rozhodli v nějakém jako POC vlastně vyzkoušet a přesně si říct, pojďme to prostě psat jako přes AI, pojďme to jako nahradit, tedy ty jako agentury, pojďme si chvilkově zahrát na agenturu, kopyrajterskou, ale vlastně uvnitř.

Jirka Vicherek (00:44:04): Vyměníme agentury.

Martin Prchal (00:44:06): Přesně tak, vyměníme agenta za agenturu, takže se z nás tady na tři měsíce vlastně v rámci datového týmu staly tady kopíci, ale přesně řešili jsme to skrz jako AI, takže jako vytvoření vlastně jako agenta, který

Martin Prchal (00:44:26): bere to tvé jako biznisové zadání a vlastně trošku připomíná jako stavění trošku modulu. Ty potřebuješ vlastně jako vysvětlit tomu já jako dneska pro koho to píše, že co je tvé jako demografické, nějaké demografické údaje, ale kdo seš, co nakupuješ, co máš rád, co následuješ. Prostě jako popsat, co by tě tak mohlo zajímat na základě čeho, na základě čeho bych ten e-mail mohl vlastně jako personalizovat. A myslím, že se nám to vlastně docela jako povedlo. Myslím, že než to budeme mít hotový, tak jako ve třetinovým časem přece to kus napsání promptu.

Ukázalo se, že ne. Ukázalo se, že to není jenom kus napsání promptu. Dívil byste se ještě dneska, jak moc tím musíš vlastně zápasit a hlavně A my jsme zkoušeli vlastně tři nějaké jako verze jsme tak jako bojovali s kopii jako s jejich kopii jako nějaký 50% báze a pak jsme zkoušeli dva přístupy nějaké jako hyper personalizace fakt jako úplně každej člověk dostane jako originální email úplně originální nikdo nedostane stejnou kopii jako dostaneš stejnou A pak jsem zkoušel jako klastrobo verzi, když si uděláš těch klastrů, vlastně něco jako mezi, a není to jako jednokopii, není to 100 000 vlastně jako e-mailů, ale je to třeba 40 nějakých jako klastrů, zběhneš nějaký jako jednoduchý modílek za tím, jak tyhle tě prostě poklastrovat. A

Martin Prchal (00:45:51): hraš vlastně co z toho bude víc, vyplatí se ti ta hyperpersonalizace nebo vlastně stačí jen do nějaké hloubky tady těch třiceti, čtyřiceti, padesáti nějakých jako verzií. a hlavně v té hyperpersonalizaci, ono to není o napsání toho jako jednoho e-mailu, ale myslím si, že to jako vypouští, to už jako nepřečteš, to už jako nepřečteš, a když jako manuálně, jestli tam fakt nejsou někde nějaký, protože to může být docela jako pijarkový problém, když jako bys rozeslal mail s nějakýma jako sexisma, protože zadání je hele prostě tě lidi na to mají jako klikat, mají to jako zaujmout, jako zaujme, Takže fakt jako série jako modelů zapojených jako za sebe, ale zvládli jsme to za nějaký tři čtyři měsíce vlastně jako napsat, nakoudit.

Jirka Vicherek (00:46:45): Co je odpověď teda na hyperprezionalizovaný na každýho nebo čtyřicet segmentů? A nebo i 42 moc.

Martin Prchal (00:46:55): V některých kampaních jsme zkoušeli 40, v některých jako 20, to už to bylo víc méně jako stejný. A myslím si, že vlastně ve výsledku je to dost stejný. Obojí porážilo kopie docela jako pěkně, jak v nějakých open rateách, tak v nějakých jako engagement metrikách, to v nějakých výsledných konverzích je tak, fakt jako pěkně. Což... nám jako by stačilo jenom jako vyřadit ty kopíky, už jako to je nějaká jako úspora, ale vlastně i tady tyhle metriky byly fajn a vrátím k tomu, co teda víc, hele, vycházelo toho jako fakt hodně stejně, jako lehce víc, jako ta hyper, ale fakt se bavíme jako o...

jako ani ne procentním bodu třeba oproti sobě a musíš potom vzít trošku v úvahu, protože my jsme to zatím stavili jako POC, ne že jsme si dělali jako interní model, ale fakt jako přes nějaké jako apikoli do dnešních jájek. Tak tam i tam docela naroste vlastně cena za generování toho jako mailu, jestli můžete pak vzít jako interně jako u sebe a tak dále. to jsme s tím nedělali v tuhle chvíli a tam tě to fakt jako naroste klidně, třeba po 50 hlířích za mail, což ještě chmělů je 30, to nic, ještě je 100 000 a máš to by si dělat tak tam už jako a máš to by si dělat jako každý týden. Tak už je to nějaký kost. Takže tohle je určitě směr, který jsme teď objevili trošku.

Objevili? Špatný slovo. Objevili Ameriku. Spíš jsme to, začínáme se s tím trošku víc hrát a vlastně líbí jsme tam implementace přímo u těch klientů a

Jirka Vicherek (00:48:47): A když bych šel ještě před tady AI Pipeline agentní systémy, tak co pro tebe byl nějaký rule of thumb, prostě nějaký sizing, kolik segmentu je hodně, kolik málo, zase máš nějakou enterprise zkušenost a a tak, tak jako když vidíš Já úplně bez jakýkoliv zkušenosti bych řekl hele, jakmile je to víc než 10, tak to nedává smysl absolutně nikdy. Prostě tři je hezký pro jakoukoliv firmu vyšší jednotky, pokud už to mají jako nějak udržený a už to dává smysl a už je nějaký fokus na každou jednotlivou personu nebo segmentu.

Martin Prchal (00:49:32): Závisí vždycky na velikosti toho CRM týmu, ale obecně vstavíme někde 6 až 8 nějakých skupin a pokud to obhozpořežuje za stará víc, prostě manuálně ten CRM tým, členit to víc, se vlastně moc rozpadne, co to nefunguje, vymýšlet to pro 20 skupin nevymyslíš. ne když to máš dělat jako na týdenní báze a tady je potom už jako vlastně důležitější ta frekvence než jako jednou měsíčně obsloužit 20 různých skupin tak když jako obsloužích 6 ale na týdenní báze a jsou trošku víc jako pospojovaný dohromady je určitě jako lepší a vlastně tohle se nám, tak tady to, jako magický česno, vždycky to bylo jako, byla to nějaký jako iterace, když tady nějaký jako klaster třeba jako děláme, tak hodně mluvíme s tím biznisem jako jak vychází, popisujeme jim jako co to je za ten jako klaster, protože ten biznis musí chápat, aby ho měl jako obsloužit, jo, ale to musíš jako datové fakt jako dostat dohromady ty scientisty, co ti tvořili ten model a vysvětlili to tomu biznisu, kdo je teda v toho jako skupince a čím by je teda mohlo jako oslovit, a tak většinou skončíme někde mezi 6 a 8, pak už se tě to dělí jako moc. A tam chápuji ty

Jirka Vicherek (00:50:46): persony, ať je to transparentní, ať je pochopím, protože persona je dobrá v tom, že to je člověk a tím pádem...

Martin Prchal (00:50:55): Ale za mě tohle se možná trošku jako změní od tady, opět jako s příchodem vlastně toho jako AIka, protože myslím si, že jako matematicky to smysl dávat, ti lidi jsou, jako ty umíš ještě víc jako drill downovat jako dolů a mít pro ně ještě jako specializovanější ofru, ale vlastně nezvládneš to už jako obslužitím jako týna a tam si myslím, že teďka to jako jako v tomhle, v tom jako korporátním jako využití bude hrát tak určitě roli, no.

Jirka Vicherek (00:51:23): No a když o tom mluvíš, tak si říkal, že si čekal, že to bude trochu jednodušší, že zase, tak z tvýho pohledu, tak co byly ty bariéry, co v té AI infrastruktuře, na to není ready.

Martin Prchal (00:51:39): Nejvíc, nejvíc, čím jsem bojoval jsem nějaký jako aktuální informace. Prostě to, co je jako čerstý, co je jako stará informace, týden, dva, tři a vlastně dřív o tom jako to na internetu jako nebylo, v partovní události, nebo prostě, když jako reaguješ na něco takového.

Jirka Vicherek (00:52:01): Takže ten katal v těch

Martin Prchal (00:52:02): modelů

Jirka Vicherek (00:52:02): vlastně.

Martin Prchal (00:52:04): Tak tam a ještě nejhorší, když třeba podobná vec, už se jako staral historicky a teď je to jako, teď je to jako jiný, přistupy s tým jako hráči a tak dále. tak tam to nefunguje moc dobře protože je trošku zmatený v těch faktičnostech ale zase dá se to hezky řešit nemůžeš na to házet vlastně všechno to je jednoduchá kombinace ale když to spojíš s nějakým news webem, který skrajpuješ to vložíš jako bokem, jako hele, ale fakt to ber jako odsud a klidně už se je zase jako, bys nemusel jako číst stránky a stránky jako správ, nebo tam mít, nevím, že člověka, co to za tebe bude dělat, tak to je takový jako, že sice nahradíš kopička, ale najmuš si někoho, kdo ti jako čte jako události, aby ti z toho vytahoval jako metadata a atspali do modelu a takový jako, ne? Jasně. Ale takže jako když tady tenhle jako zdroj jako vezmeš třeba jako bokem a pak až na něho jako jako přečteš tím jako AI-kem a říkáme, že ale jako informaci beru jako odsud, tam se jako neřeď jako webem, ty si beru tady, půjdeš někdo do tabázy a bereš to tam prostě jako z boku. Tak tohle byly fakt jako veci, který někdo změní název třeba trošku.

Tak tohle prostě zase aktuálně. Tak s tímhle jsme obojovali docela docela dost.

Martin Prchal (00:53:33): No to asi tohle bylo jako největší boj a překvapivě často s nějakým jako tone of voice že máš nějaké pravidla prostě ta firma má nějak nastavenou komunikaci v rámci jako tykání vykání jestli tykáš s velkým T nebo ne se prostě fakt jako bylo schopno nějak jako lehce jako ztratit A pak mě vlastně překvapila i jako vlastně technická připravenost těch minulů, když to fakt jako generuješ pro jako milion mailů, teď ty maily máš v nějakých jako templateech, takže prostě no generuješ to jako jednotlivý čas, protože to musí nějak jako vypadat, to není jako, že jsi generuješ nějaký headry, nějaký body texty atd. Takže to voláš jako fakt hodněkrát. Jako statisíckrát, milionkrát prostě ty jako jednotlivý jako části. A překvapivě často i dneska fakt jako velký, velký jajka, jako je prostě či GPT Gemini vlastně jako padají. Fakt se nám jako stávalo nejvíc probdělých jako sobot a nedělí, když má v pondělí odejít jako newsletter, protože všichni samozřejmě v pondělí ráno čtou místo pracovních e-mailů ty nepracovní.

tak to potřebuješ mít prostě na to ponědělí jako jako rady. Tak fakt jako nějaký jako timeouty tady u těch jako proč jsi samozřejmě celý to řešíš na základ nějakých jako apikolů a tak dále. To fakt často jako právě fakt se ti jako to celý vygenerovat dneska ty maily pro řekněme jako sto dvěstě tisíc lidí i to ti dneska jako třihočky zabere čtyři jako že prostě pořád jako jdeš jako do kolečka poskládáš databáze a tak dále. že u toho nemusí úplně nikdo jako sedět, to prostě pustíš jako v noci, ale fakt jako u toho je schopný ti to jako klidně třikrát, čtyřikrát jako spadnout, takže jako, aby to mohlo být fakt jako automatizovaný, aby to bylo jako ready, tak ta trošku jako inženýrská práce okolo, jako vyřešit nějaký jako try ify. ...

Jak se to člověk může čekat, ale já jsem třeba nečekal. Z mě přišlo, že ten nápor, jak využívaný ty nástroje jsou, že to znese přece pár stavek tisíc dotazů a fakt to paralo. Takže to byly asi takový největší problémy, co jsme nečekali na začátku.

Jirka Vicherek (00:56:13): Mě tam baví to, že to je aktuální, tak to asi jako nepředpočítáš nebo nepředpíšeš na rok dopředu, že by si to jako nějak bečově zpracoval.

Martin Prchal (00:56:23): Ty potřebuješ ty behaviorální prediktory vlastně mít co nejčerstvější, že jo? A to jako třebuješ mít, takže ty jako, když děláš to personalizace, taky potřebuješ mít fakt jako co nejčerstvější, taky zároveň zase musíš myslet na ten jako biznisový pohled. To, jestli ten e-mail mu máš poslat nebo ne, závisí na jedno, protože máš tu CRNKovou kampaň, máš nějak strategie, máš to nějak rozvetvený a to, jestli mu máš klientovi poslat jako churn prevention kampaň, anebo jestli mu máš poslat nějakou upsellovou, co můžeš rozhodnout až jako vlastně v neděli. To znamená to, jaký e-mail generuješ. To je vlastně čerstvá informace, protože když ti zmáčkne unsubscribe, tak mu nebudu posílat, tak se mu budu snažit zachránit a ne mu tady rozšiřovat nákupní koší.

Takže ty to potřebuješ jako počítat vlastně relativně jako, nepotřebuješ jako realtimeově, tam proto tady už je zatím až tak moc jako nevidím, časem možná jako vymyslíme, ale zase jako počítat to jako týden dopředu spálíš zbyteční tokeny a naopak nevygeneruješ to, co bys měl. A ztrácíš tu retrolevance a ten uplift. Tak a já jsem teďka celou dobu hrozně zaběhnul do vlastně jako CRMka, nějakého jako problém solvingu uvnitř, uvnitř pár jako klientů. A teď to asi hrozně vypadá, že jako řešíme jako jenom jako CRMko Fedvery a že jsme tady jako CRMková agentura, ale pravdou nám dneska CRMko tvoří jako... Je to velká část, ale pořád je to třicet, čtyřicet procent našich projektů, takže ani ne, vzdaleka je vlastně většina toho, co vlastně v rámci Addvery děláme.

Je to vlastně nějaká mantra, už asi na to umíme hezky navázat ty modely, propojit to, už se to má takový flow.

Jirka Vicherek (00:58:06): Mně se líbí ten věč proti tomu zbytku trhu, že to není jenom tady připojit Blomleach na jedný straně, anebo udělat šelmostroj a nejlepší čin model na světě, ale že to je, že tam cítím ten váš consulting přístup.

Martin Prchal (00:58:22): Je to prostě propojení tady tohodle, ale různě to není to jediné, čím se vlastně zabýváme, když bych zkusil vytáhnout z úplně jiného soudku, možná tak nerychle nakonec. Fakt, jak když se podíváme úplně jiný ze stry, vlastně Rumunsko, Premier Energy, Energetica. projekt, který vůbec nic neváce společního vlastně s celým jako CRMkem a přesto jsou lidé, kteří pracovali na obou dvou projektech, ne teda současně, ale vlastně v rámci CRMkem. No a co je to za projekt, co děláte pro rumníctví energetikům? V rámci rumunské energetiky, nechci chodit úplně do detailu, v rámci toho, jak vůbec funguje celý energetický trach, ale jako velice zrychleně, když jsi dodavatel energií, potřebuješ nakoupit tu energii pro ty svoje zákazníky, a když ji nakoupíš moc nebo málo, tak za to většinou platíš nějaký neúplně malý penále, takže potřebuješ logicky predikovat co nejlépe tu spotřebu.

Na rumunském trhu predikuješ na nějakých 15-minutových intervalech, Který prostě potřebuješ dopředu jako nakoupit. A fakt se tam jako bavíš desítkách milionech korun, když to jako měsíčně, když to jako netrefíš prostě jako dobře. No a vlastně rumunský trh tohle nikdy moc historicky netrápilo, protože ty penále byly vlastně často třeba jako pomalu levnější než nákupka ta jako elektřiny, takže to byly jako více méně jako drobný. Ten trh se tam hodně jako změnil, celý jako rumunský trh. My jsme se nějakým způsobem dostali do Premier Energy, kteří tohle začali řešit, jak lépe predikovat vlastně tu spotřebu těch svých zákazníků energetické krizi, Ukrajina a tak dále, tak prostě ten země trh jako změnil.

A tam jsme se fakt jako dostali k tomu, hele, pojďme vytvořit jako lepší model.

Jirka Vicherek (01:00:20): No, to už se nebavíme o business konzultaci, to je plnohodnotná nelbromka asi ne.

Martin Prchal (01:00:25): Hele, i tady vlastně i v Premier Energy jsme začínali nějakým jako měsčním health checkem, opět, abychom si jako trošku posvítili na to, v čem je teda tenhle problém, jo. Je to problém v nákupu té elektřiny, je ten problém v tradingu té elektřiny, je ten problém vůbec jako v predikcích. Je ten problém jako v reportingu, že prostě tam není třeba nějaký feedback, vlastně jako nevíš. Tady pro nás to bylo jako hodně nové vlastně industry, takže taková ta klasika, jedeš tam a víš o tom třikrát méně než ten, co sedí naproti tobě.

Jirka Vicherek (01:00:57): Ten, co sedí naproti tobě, to dělá v posledních

Martin Prchal (01:00:59): třicet let. Přesně tak, což je pro energetiku hodně typické, do toho, jak jako jednou člověk spadne, tak fakt ti lidi tam jsou tam v tom jako dvacet, třicet let. Ale vlastně i tady jako jako vůbec objevit ten ten jako problém, protože se zadání znělo hele platíme hodně peněz na za za prostě tady to jako balanční prostě tady to jako balanční vyrovnání tady jako settlement kosty za to prostě platíme hodně na balancing marketu. a pojďte nám s tím jako pomoct, pojďte se na to jako podívat. Taky tam jsme si prvně mysleli, že jako jdeme stavit jako modely vlastně v podstatě jako day one a ono se jako ukázalo, že jako není moc jako na čem stavit, že všechno tak trošku, jak to jako nebyla priorita, protože prostě tam jako neexistoval ten problém na tom jako trhu.

tak všechno hodně v Excelech, copy-pasty a manuální úpravy, takže vůbec než jsme mohli začít stavět model, tak jsme zjistili, že potřebujeme stavět databáze. Takže projekt z modelu se stavět a psat Python skripty na načítání desetileté historie uložené v Excelech do formátu, kterým se dá Prostě pracovat v nějakém Azure, BigQuery a tak dále. Takže vzniknul ještě projekt před tímhle, protože stavit model na Excel nechceš.

Jirka Vicherek (01:02:28): A mám radost, že ať už jste hardcore data scientisti nebo high-endoví konzultanti, tak ty ruce si těma datama už pěníte vždycky.

Martin Prchal (01:02:40): Jo jako tohle bylo ano prostě vymyslíš jako jeden formát ty formáty toho Excelu se jako měnili za tu jako dobu, protože prostě máš jako deset let a jsou jako s druhým zdrojů, takže to vždycky jako načetl, napsal si skript co tě to automaticky jako načítá a ten ti ten ti po jako roce začal padat, protože prostě se z tečky stala čárka a a přidal se sloupeček a to bylo jako super. Ale ano, jako i od tohohle prostě my jako chceme jít i do těch jako implementací, nechceme jako končit jenom u té, tak měli byste mít lepší model, tohle je ten problém, tak si jako najděte firmu, co vám ho jako udělá, nebo firmu, co vám jako tu databázi jako postaví a zavolejte nám až jako potom, takže to asi nebojíme v tomhle úplně jako vyhrnout si ty rukávy a jít jako do toho No takže v tomhle je fakt jako stavbaté jako databáze a potom postupně jako modelování fakt jako i tam jsme tady zvolili tam jako nějaký tam nějaká neuronka, která kterou tam jako postavená, ale i tam jsme vlastně primární model pro ně chtěli vidět fakt jako linární regrese. Je to interpretovatelný, prostě když nemáš jako nic, tak asi vždycky můžeš mít ty modeli jako dva, ale jako jeden, kdo kterýho umíš vidět, když se něco jako stane a druhý, který je třeba jako lepší, ale je to trošku jako black box, ale vlastně, když se něco stane, vlastně jako nevíš pořádně, co se jako stalo. Takže tam jsme stavili jako oba dva tady ty jako modely. Taky to měl být původně třiměsíčný projekt, už jsme tam jako rok a půl.

Hajrujeme jejich data science team dneska, aby se to od nás nějakým způsobem vlastně jako převzali, protože už... Jsme tam jako dlouho a to není úplně ten jako svýt pod kde chceme být jako dlouhodobě. Prostě chceme udělat jako projekt, předat to a jít vlastně zase jako dál. Pro lidi, co u nás pracují, tak jako ten drive jako dělat na nových věcech jako vlastně mají. Kvůli tomu šli kdysi do Addvery.

Jirka Vicherek (01:04:37): Jasně, jasně.

Martin Prchal (01:04:39): Takže myslím, že teďka je tam snad jako verze, co se jako povedla, ono do toho, tam jsme měli ještě takovej nějaké, tady nevypadá všechno jenom jako sluníčkové, že tam vždycky všechno podaří, jako ano, dneska je model asi o 20% lepší a šetří jako miliony, ale byla to docela jako rough road, se k tomuhle jako dostat, tože do jako Půlky nějakého development cyklu toho modelu se jako úplně změnila regulace v Rumunsku, která tam vlastně nikdy jako nebyla prostě se deregulovaly nějaký ceny a reálně cena elektřiny v Rumunsku někdy v červenci lunského roku téměř vzrostla jako na dvojnásobek, to se jako nikdy neměl v datách, to se mi jako nestalo, lidi na to samozřejmě reagují, Všude jako v novinách a tak dále a teď jako na to ten model a tady zase jste nám jako jsme trošku využili ten náš jako přístup jako tak prostě nemusí víc všechno jako hrozný jako šelmo stroj, protože tohle na tom jako nedatrénuješ, tak když se tohle jako nikdy nestalo, tak jako jak to máš zhrnout jako do modelu. Ty jako nemáš data, kdyby se jako zaznamenalo tady ten jako šok, tak zas takovej trošku jako přístup toho a tady vlastně se nám jako vyplatilo, že tam jako běžela jako lineární regresa, do který můžeš jako hezky šahat jako dovnitř. a můžeš si hezky hrát s nějakou baselinou a můžeš na to nastavovat prostě nějaké jako a la savings effect, který jsme prostě, který drželi trošku mimo ten model a při to jako nějaký manuální input vlastně dovnitř. Byl vlastně hezký příběh, božel to vyšlo ve chvíli, kdy jsme přidali ten model nějaké půlce, tak tady to máte a do toho přišla tahle změna, takže samozřejmě Clint přišel Ale je to rozbitý a šli jsme vyvíjet jako znovu a bavit se spíš zamyslet nad tím, jak tenhle efekt vlastně jako dostat dovnitř a nedostane, že tam třes data, třeště data tam jako nejsou jako historicky a dívat se na to, jak na podobné šoky reagovaly jako jiný trhy. To je jako tak jiný, jak to tam jako dostat, takže to byl jako jako největší jako core data science jako projekt a jo tak je jako super no

Jirka Vicherek (01:07:10): No pro mě je zajímavý zase jako energetika v Rumsku tak jak moc máte zahraničních klientů

Martin Prchal (01:07:19): A záleží, co všechno počítáš ze zahraniční klienty, že jsou nějaké centrály a potom my hodně chodíme do těch zemí, takže dneska myslím si, že 60% je jako Česko a zbytek je vlastně hodně zahraniční. vlastně východ, ať už se bavíme prostě tady někde jako Meďarsko, Bulharsko a tak dále jako blížší a potom máme takovou naši jako specialitku, jak rádi my máme ve svých jako introslajdech při kanceláře Praha, Brno, Manila, takže.

Jirka Vicherek (01:07:56): No ale počkej, než se, než půjdou do Manily, tak ještě, tak co jsou další uský, co máte v TCE nebo východní Evropě,

Martin Prchal (01:08:07): Hele, v rámci dalších use caseů určitě vlastně pěkný byl a zase i nový odvět vítí možná trošku otevřeme vlastně vůbec nějakou jako logistiku tak celý use case BoxNow v Česku vlastně jako neznámá firma tady protože v Česku neexistuje, neoperuje i přestože má české vlastníky tak vlastně v Řecku BoxNow přesto si jako dnešní jako zásilkovnu v Česku tak vlastně v Řecku žádná takováhle služba nebyla ještě před třeba čtyřma rokama Takže tu jsme v rámci Addvery Group tam vlastně jako stavili pro investora českého, fakt jako úplně, fakt jako from scratch, fakt jako odhajrování prvních jako skladů a řidičů, že to je možná nějaká ta jako více jako biznisová stránka, ale přes fakt jako po té datové části, kdy budou data, kdy bude datový sklad, jak to bude napojený jako na appku, co jako řidiči prostě odklikávají balíčky jako v jakých jsou jako depech.

Jirka Vicherek (01:09:06): A tak to mi je super, že jste dělali před tím paketu, ne?

Martin Prchal (01:09:10): Paketa je až jako dneska, v paketě dneska operujeme, tohle se stavilo ještě jako před paketou, ale myslím si, že docela díky tomu dneska v paketě jako vlastně jsme. Takže už vlastně v BoxNOW jsme tehdy jako řešili i po té datové stránce vlastně rozmístění těch boxů, kde mají být, aby to pokrylo tu jako síť. Jak optimalizovat ty jako lineholy, kudy prostě jako jezdí ty jako nákladáky, jak mají být jako velký, že se nevlezou do Athén a tak dále, protože tam vždycky chceš mít co největší auto, dovíct to jako na jedno jako místa. Takže určitě jako logistika, BoxNow, trošku jako venture building po té jako datové stránce a to dneska, co jsme se naučili tehdy jako vlastně v Řecku, dneska aplikujeme vlastně v paketě, v zásilkovně. Kde ten problém, nestavíme samozřejmě na zelený louce, to určitě ne, ale vlastně s nějakou optimalizací jako trása, s nějakým jako ušetřením jako cost pair delivery, cost pair jako doručenej balíček, se nám myslím si, že docela úspěšně snaží, daří, daří jako dávat teď za poslední rok, co tam jsme.

takže celá logistika je hrozně zajímavý téma i po té datové stránce.

Jirka Vicherek (01:10:26): To určitě je jedna z nejvíc fascinujících. Pro mě teď, jak jsi řekl, je tam něco jako jednotková ekonomika. To, co je jako v e-shopech, v e-commerce, tak jako ve chvíli, kdy máš správně napočítanou jednotkovou ekonomiku, tak to může být ten jako interní číslo, které potom ovlivňuje všechno, tak tady je to cena doručení balíčku?

Martin Prchal (01:10:56): Je to proměrná cena doručení balíčku. Je to to, co tě vlastně jako drží na tom trhu, to, co tě dovoluje nastavovat prostě ty finanční podmínky. Vlastně dost jako na všechny strany. Vůči tvým partnerům, kteří rozvážejí ty balíčky, vůči e-shopům, vůči konkurence.

Jirka Vicherek (01:11:16): Je to nějaká koroví, co napočítá vlastně všechno ostatní. Přesně tak.

Martin Prchal (01:11:22): To jak levně... A rychle, jasně, to je ještě ta další metrika toho, jasně, když budeš čekat čtyři dny, tak do toho boxu pojedeš prostě s tím autem plnější a samozřejmě cost per delivery toho jednoho balíčku bude jako výrazně dolů, takže ano, není to jediná, ale ta finanční je to ta hlavní.

Jirka Vicherek (01:11:46): No a promiň, já jsem tě z Manily dostal do Aten. Z Manily do Aten jsme udělali takový skok. Tak to mě taky překvapilo. Praha, Brno,

Martin Prchal (01:12:00): Manila. Praha, Brno, Manila.

Jirka Vicherek (01:12:03): z něj jako písnička od mňa ga ekviorov.

Martin Prchal (01:12:06): Tak tak vlastně v rámci v rámci v rámci Manily a tam jsme se zase nějakým způsobem dostali jako přes nějaký nějaký jako finanční sektor a nějakou jako finanční expertízu ať už už můj historickou omkreditně to je Filipíny to je to je kousek takže tam primárně vlastně ten jako finanční sektor, roč už se bavíme jako Homecredit, dneska se bavíme jako Sunnobankou, ale vlastně Security Bank, Tonic Bank, takže tam jsme jako hodně vlastně ve financích, ale i tam máme nějakej z náš jako vlastně venture, takže tam vlastně na Filipinách jsme zakládali Finpro vlastně v rámci skupiny jako Addvery. a ta dneska v trhu něco málo přes rok a řeši vlastně collections, takže zase je to v tom finančnictví, ale je to zase trošku jako jiný pohled, je to vlastně nějaký, tak jak řešíme v paketě last mile delivery, tak tedy trošku děláme srandu, že řešíme jako last mile collections, takže jako spoustu druhých collections, odvětví se mu jako o sobě. Ale takový ta poslední částka, která v Česku, v Evropě moc nefunguje a v Ázi hodně, takový to jako door-to-door collection, že fakt za toho někdo přijede na skúteru a jdete se bavit o těch dluzích a člověk se tím často představí tady jako člověka s bejsbolkou, co to jezdí vymáhat. To zase není úplně ta realita. Ale tady v těch zemích, kde ten právní systém ti to úplně nedovolí, nemůže se úplně obrátit na ty finanční instituce, tak tohle je to vlastně trošku jako CRM.

Je to trošku péče od toho zákazníka, říkám, není to s tou bejsbolkou, ale když ty za ním přijedeš a se jdeš s tím jako k jednomu stolu a ty další dvě instituce, kterým taky dluží, za ním jako nepřijedou, tak...

Jirka Vicherek (01:14:03): Finanční poradenství naopak.

Martin Prchal (01:14:05): Tak je to finanční poradenství naopak. a tam opět z té datové stránky, je zajímavý ten business, ale zase z té datové stránky, jak to člověk strví jako na zelené louce, tak opět to stejný prostě potřebuješ, když to jako jezdíš jako kolektovat, ty jednotlivý jako lidy, toho říkáme, ale prostě ty jako jednotlivý, protože tě prostě prodávají banky a to je jako lid, kde ty peníze můžeš jako vymocit. Jezdíš jako kolektovat, tak vlastně potřebuješ mít jako ze znamenávod tý apky jako výsledky toho collection, teď na tím potřebuješ stavit nějaký jako reporting, abys vůbec jako věděl, kde co jako běhá, potřebuješ jako data inženýrsky řešit, že tam jako není všude jako pokrytí jako signálem, takže jako smechnu, a je to úplně otvíráme novou kategorii, ale taky vlastně v FedWare děláme fakt jako data engineeringu až nějakou jako upbuilding, a po tý jako víc datový data science stránce se zase víc bavíš o přiřazování vůbec těch kejsů k těm jako kolektorům. Mám dneska jít jako tady vybrat penízky od Honzy nebo od Pepíka. a ono neuprostně platí křivka čím dřív tam jako dojedu, čím je to jako čím blíž je ten jako due date, kde ten člověk měl Jirka Větší pravděpodobnost, že se mě nějaké peníze z něho podaří dostat.

Ta křivka je prostě neúprostná a vypadá velice podobně jako nějaká černová. Jako křivka.

Jirka Vicherek (01:15:33): Černoumi dložnici.

Martin Prchal (01:15:35): Přesně tak. Spíš jejich peníze černou. Takže i tam vlastně řešíš nevybereš každýho nebo nestavíš se ten den jako u všech. Logicky nemáš stejný počet lídu jako kolektorů. Tam ta rojka jako nevychází zase úplně.

Takže jako řešit vůbec jako kdo, kdy vybrat koho, teď ty lídy tě jako padají znovu, znovu jako nový, kdy se za kým jako zastavit a reprioritizovat podle jako výsledků těch callů, těch jako jednotlivých jako návštěv a vlastně každej den tohle jako přepočítávat, zase dneska tenhle týden nasezujeme nějaký jako jednoduchý POCčko tady toho modelu, protože teď to bylo fakt jako hodně jako dumprův, spíš takový, ne dumprův, spíš to bylo jako prostě jako jednoduchý a kde je kolektor přiředím ti všechno a řadím to podle Více méně jako výše, je to prostě fakt jako jednoduchá metrika, ale i ta vlastně jako funguje, než to brát nějak jako náhodně, zase hnedka od začátku, jako i to náhodný jsme jako dělali, má to smysl stavět ten model, i přestože to je jako interní firma, nebo v rámci jako skupiny, tak i tam se jako pokládáme vždycky, má smysl stavět nějaký jako šelmostroj.

Jirka Vicherek (01:16:48): Tak o to víc, když jde o tvoje. To pro mě není paradox, to je pro mě jako právě neprodal bych ti, co bych si sám nekoupil.

Martin Prchal (01:17:02): Takže i tady prostě vyplatí se to, než jako náhodně řadit, prostě mít na tom jako jednoduchou logiku, takže teďka jdeme zase trošku víc jako stavit něco jako sofistikovanějšího, nějaký jako prioritizační model. Opět, asi ho nebudeme rovnou stavit jako real time, jako teď mě přišel lead, ne, pojďme to prvně dělat jako klidně týdenní bázy, třídenní bázy, když to bude fungovat, pojďme se bavit o tom, co udělat real time, protože to je zase úplně jiný technický problém, ti jako v průběhu dne prioritizovat to, kam máš jako jet. časím s tím bude asi souviset i ta trasa, kde ten řidič vlastně má je, ta nejenom jaký case má ten den jako vysbírat, ale myslím, že je super zanímavý problém, spojuje se nám tam ta znalost logistiky.

Jirka Vicherek (01:17:45): No jako pro mě s ADHD to zní jako fascinující, jako prostě nový věci, různý trhy, různý země, jako globální a tak, ale zase to asi to není pro každýho je nutno říct a já předpokládám, že i v tom steku to bude třeba jako rozlítaný, že jako to mluvíš tak někdy. To je neuronka, někdy to je whiteboard, tak vlastně.

Martin Prchal (01:18:20): Jo, určitě vlastně všechno to, co si tady spolu povídáme, nejsou to projekty, které jsme viděli ve firmách, které se tam starejí těch lidí v té firmě, jsou to projekty, u kterých my jsme v rámci těch dneska řekněme 20, necelých 20 lidí, ale historicky méně lidech. vlastně jako byly u toho a přesně tak jako technický jistek jako pakety a CRM v rámci jako Rv je jako úplně jiný. Já to bývá to jako hrozně častá otázka třeba jako na pohovorech. Já se to vždycky jako s lidem snažím nějak jako vysvědlit a ta otázka bývá, co je ten jako textek, s čím jako vlastně jako pracujete, co bych měl umět, abych vlastně u vás mohl jako pracovat. A na to jako není úplně jako jedno, já se na to vždycky snažím odpověď tak trošku jako šalemonsky, no moje odpověď na všechno je, hele, záleží na projektu, jasně, obecně vždycky to bude nějaký SQL, protože prostě data.

Ale, ale jestli ho, jestli, jestli ho tu kwerinu budeš psát jako v BigQuery, v Azure, v lokálním jako Oracle databázi, Jako neumím říct, ale zdravna tohle trošku jako same same, ale prostě, ale i v tom, že pořád sebe víme nějaký jako SQL, ale už i tady se jako budeš jako extrémně jako lišit, jsem tak co je trošku jako jiná, ale tak asi nemusím zabíhat jako detailu. Ale taky můžu být na projektu, kde se vůbec jako vlastně nedostaneš jako ke skvelku jako takovýmu, protože jsi v té úvodní fázi, jsi v tom jako health checku, klientě do těch dat jako nepustí, protože proč bych tě tam měl pouštět jako na měsíc, když ještě jako nevím, jestli bude nějaký jako follow up a jako napočítáváš ty biznesky a tak trošku jako čteš reporty, taháš si něco, ti dodají v nějakých jako CSV, CSV a tak dále. A potom se dostaneme k té jako implementaci, jo jsi trošku víc na přičátku přesně v té jako konceptický části, ale taky to dělá ten jako analytik, taky to dělá jako člověk jako v mým týmu, protože prostě to musí být jako napočítený jako dobře, jo. A pak si dostaneš k té jako třeba jako implementační části a teď opět textek, když jdu implementovat jako reporting v rámci jako onlineu. Tak najednou se potřebuji vyznat, jak měří GAčka data a Adobe Experience a že ten flow u toho klienta je, že potom prostě z toho online upadá někam na call centru a tam se až ten prodej nějakým způsobem jako finishuje a jak potřebuji postavit, zadání může znít jako postav report.

OK, fajn, Power BI Tableau asi jako drobnost, Looker fajn, podle toho, v čem to chce ten klient, co už má, když mají reporty v Lookeru, tak mu nebudu říkat, já ti to postavím v Power BI, kup si licenci, to jako nedává smysl, aby nám neprošel projekt kvůli tomu, že navrhujeme jiný textek, než na klienty zvyklý, to jako ne, takže tam se jako přizpůsobujeme. A takže se bavíš o těch třeba vizualizacečním, protože to je jako reporting, ale abych tam ty data vůbec jako dostal, tak najednou musím si trošku přečíst, nastudovat, jak dostat data prostě z toho onlinu, z jedou bíčka, z BigQuery do nějaké databazy, kterou mají oni, třeba nějaké jako centrální. může být třeba jako v ežru a jak tam dostat data z toho call centra, který třeba sedí v nějaké jako interní appce jako call centru a potřebuji se jako napsat nějaký, nějaký etelkový procesy, abych na tě musel ten reporting. Takže i taková jako zdánlivě jednoduchá věc jako pojďme postavit reporting, až člověk by si řekl textek Power BI, jsem hotovej. Jako vlastně není jako ano, jsou tam najednou jako tři, čtyři a teď se vůbec nebavím o tom, že jdou potom dělat jako model.

Jirka Vicherek (01:21:59): Já jsem moc rád, že kandidáty i odrazuješ takhle. Protože jako teď ten poslední uský se spod popsal, tak tak jsem rozločel, tak se k jednomu reportu tak

Martin Prchal (01:22:14): Jo, a je to prostě postavení jednoho reportu, najednou potřebuji prostě vlastně BigQuery a potřebuji k tomu se vyznat s nějakým jako interním call centrovým jako custom, jako řešení. A není to u nás tak, že to staví, že by se na tomhle projektu jako prodílal jako šest lidí, protože tenhle umí dělat jako reporty, tenhle umí dělat v BigQuery, ale ty data, co jsou v Adobečku, tam dotáhne třetí člověk. Tohle jako není tak, jak fungujeme, nevím, se tak jednou fungovat budeme, možná snáž bude 300, tak se jako takovouhle specializaci možná budeme moc dovolit, ale dneska si ho vlastně moc dovolit jako neumíme a jako zaměstnat člověka, který je extrémným odborníkem na snowflake, vlastně takhle rád ho zaměstnám, ale tak zároveň k tomu říkám, hele možná ten snowflake jako tři roky neuvidíš.

Jirka Vicherek (01:23:07): A to je podle mě fér, že já to vnímám jako...

Martin Prchal (01:23:12): A myslím si, že člověk, který tady tenhle jako aspekt toho tady té jako změny, ať už jako industry nebo toho jako technologického, bere vlastně jako nevýhodu, že chci mít to, a teď já to nechce by to vezmět jako špatně, ale chci mít to svoje... datastikové typlíčko a chodit na konference toho daného nástroje a učit si ty a znát detail každého nového release. Budou nás trošku smutnej, protože je to víc o tom naučit se to do nějaké úrovně napříč tím techstekem. a pracovat jako s tímhle a být jako OK s tímto za půl roku, rok vlastně jako opustit a i dělat něco úplně jiného v jiné firmě, v jiném industry s jiným tech stackem.

Jirka Vicherek (01:24:02): Jo, jo, já to vnímám i na úrovni obsahu DataTalku, když to řeknu. Jo, tak na jedný straně máme víc produktové, víc jako směrem k biznisu, k té datové transformaci a jak, co všechno, kromě dat a technologií potřebuješ, aby zprovedl tu změnu, aby se opravdu událá. a na druhé straně jsme teď zpozitili Czech Fabric Podcast, který je o featurech a novinkách Fabriku a za mě jsou to dvě strany, jedný mince a nějaká škála, ale není dobře a špatně, jsou různý tracky a na druhou stranu teď i s AI, tak jako se ukazuje, že ta konzultační, to pochopení toho biznesu, které zase, já, který jsem víc z IT, tak B.I. mi přišlo jako super, že tam je víc žen a je to víc biznesový a že že to nebylo ve sklepě stereotyp a co po nás chcete jako s centrum, ale vždycky tomu biznisu bylo blíž, tak mám pocit, že v poslední době se to odemýká ještě násobně a že překvapivě ta cenější konkurenceschopnější část je v tom opravdu poznání toho klienta, protože platformy se platformizujou, ta nabídka se vlastně už je mnohem menší rozdíl, jestli si vyberete Fabric, Databricks nebo Snowflake, než to bylo před třemi lety, jakože se to, furt je to rozdíl, furt jsou to jiný use case, ale už jsou si komplementárně konkurenční, už to není úplně rozhášený na celým. a z kodu se stává komodita a tak dál a potom to pochopení zákazníka, jakým způsobem to děláte, mindsetově, tak dostává mnohem větší hodnotu.

To zase tady cítím, že...

Martin Prchal (01:26:19): Podepsal bych se po to.

Jirka Vicherek (01:26:21): Že jste vsadili na dobrou kartu, nebo že v tomhle máte velké štěstí, že... to jde tímhle směrem, protože jak jsem říkal někdy na začátku z těch technologických firm se stávají technologickou konzultační a ten směr konzultačně technologický je z mého pohledu vlastně jednodušší paradoxně. V roce 2026 před pěti lety bych mluvil dost jinak, ale teď to vidím, že technologie se odemyká a demokratizuje.

Martin Prchal (01:26:54): Jirka

Jirka Vicherek (01:26:58): Vás teď čeká po zbytku roku zní to, že to máte našláplý a že nevíš co dřív. Co jsou next steps milestones.

Martin Prchal (01:27:12): Hele, určitě chceme si samozřejmě v rámci současných klientů se bavíme o nějakých dalších pokračování a snažíme se samozřejmě klientelů dál rozšiřovat, ale vlastně i v rámci Addvery. Dneska Addvery už není jenom Addvery, trošku ho stavíme na tím jako Addvery Group, polomeno Addvery, Addvery jako Ventures. To jsem se tady teďka trošku dopratil, když jsem říkal, že děláme všechno, přece jenom snažíme se to už trošku některé věci oddělovat, ať už vlastně Finpro, který vzniká jako collection agentura, tak vlastně dneska vedle dvery vzniká nějaká IT divize. v podobě jako GTXu, ale bavíme se vlastně ohledně jako AIka, který jsme přes Addvery nějakým způsobem si jako vyzkoušeli na nějakých jako POCčkách, ale ten směr se nám vlastně jako líbí, tak se mi to trošku jako oddělit vlastně vzniká vedle Addvery Skygena, která by měla víc jako produkty, AIkový produkty vlastně jako stavět. A čistá je propozice vlastně.

Jo, je to přesně, bude to více jako produktovní, produktové jako zaměření a trošku jako oddělený od consultingu, více je trošku věnovat, věnovat jako nějakému jako R&D a ještě zníká jako statistován zase nějaký jako riskovým směrem, takže, takže Addvery se v tomhle určitě, určitě rozrůstá, už to není jenom, už to není jenom Addvery, ale, ale bavíme se víc o nějaké jako Addvery, Addvery Group, Tak uvidíme, jak která část bude úspěšná. Těším se na to. Těším se, kdo bude Addvery za dva, tři, dneset let.

Jirka Vicherek (01:29:03): Já se taky těším, držím moc palce, děkuju, že jsi nás tady pustil dovnitř do Addvery a popovídal, jaký máte zkušenosti ze CRMky a že neděláte jenom je a no hlavně děkuju za tu otevřenost, že to není všechno jenom růžový a že jsou tam ty trade offs a A že to není pro každýho. A zase, pokud pro vás, tak si Martinovi ozvěte. A já jsem hodně zvědavý, kam se posunete. Děkuji za ten vhled a držím palce.

Martin Prchal (01:29:38): Díky moc.

Jirka Vicherek (01:29:42): Děkujeme, že jste doposlouchali až sem. A díky taky našim stálým partnerům, členům DataTalk klubu. Těmi jsou Sazka, TV Nova, Direct Technologies, GoodData, Miton, Colours of Data, BizzTreat, FLO, Carl Data Company a intecs. Díky moc za podporu a nechtě Vás provází data.