Podcast

Ahoj, zdraví vás Jirka Vicherek a vítám vás v dalším díle DataTalku. Dnes je mým hostem Giuliano Giannetti.

Ahoj Giuliano.

Ahoj Jirko, díky za pozvání.

My se s Giulianem známe dlouho. Seznámili jsme se, když jsem pracoval pro Kebulu a Giuliano čerstvě odešel do McKinsey. Tehdy jsme prováděli analýzu blogů a obsahu Kebuly a jedno z našich doporučení bylo psát více článků a více obsahu, jak to dělá ten Ital.

A důvod byl, že Giuliano ze všech technologických a datových odborníků měl nejlepší schopnost vysvětlit věci a ukázat je na reálném byznysu. Tak ho vnímám i teď a tak vnímám i úspěch jeho firmy. Je zakladatelem a CEO konzultační společnosti Revolt BI a mám pocit, že se vám velmi daří, že jste všude vidět a že hezky rostete.

Jak ses dostal k datům a jak vedla tvoje cesta k vlastnímu byznysu?

Možná je to takové veřejné tajemství, že já rozhodně nemám vystudovanou žádnou matematiku, jsem politolog. Ale vlastně moje cesta k politologii byla o tom, že jsem vždy chtěl dělat něco vědeckého, ale užitečného. Jenže ve dvaceti nikdo neví, co to bude. Prokousával jsem se k tomu poměrně dlouho.

Ještě v době, kdy jsem pracoval na ministerstvu obrany a staral se o doktrínu kybernetické obrany a zřízení dnešního NUKyBu, jsem se dostal k firmě, která prodávala něco, čemu říkala business intelligence. A tehdy mi to „kliklo“, protože jsem si říkal: je to byznys a zároveň nějaká matematika, něco exaktního, věda, faktografie.

Bylo potřeba pochopit to v kontextu ministerstva, kde jsem žil, když jsem během dvou let nepřišel na to, kdo tam rozhoduje o penězích a na základě jaké logiky. A toto z toho znělo prostě čistě, jednoduše a fakticky.

Poté jsem chvíli pracoval v PR agentuře, stejně jako ty, a od toho mám i schopnost psát články. Nakonec jsem se rozhodl vydat cestou IT a pořád jsem hledal cestu, až jsem narazil na článek od Čupra, který tehdy chválil pro mě neznámou společnost Kebula a palvelu Guddatu.

V článku říkal, jak díky nastavení KPI si mohl poprvé v životě vzít dovolenou. V té době jsem si zaplatil kurz Kebula Academy a zjistil jsem, že za existenci této služby, která podle mě vychovala stovky lidí, jsem byl jediný, kdo si kurz pořídil za vlastní peníze. Po absolvování kurzu jsem napsal přímo Šimečkovi, snažil jsem se mu vysvětlit, že chci s ním spolupracovat.

Tak jsem se dostal k datům.

Povedlo se.

Jak dlouho jsi byl v Kebule?

Asi dva roky. Nastupoval jsem na pozici analytika, obchodníka, accounta – všeho, co bylo třeba.

To ti zůstalo, že?

Jako zakladateli a CEO firmy se hodí ta multioborovost. U mě to bylo vždy takové ode zdi ke zdi. Do Kebuly jsem šel, protože jsem chtěl dělat data, trochu se naučit nebo víc pracovat s technologiemi.

Mimochodem už na VŠ, kdy jsem psal diplomku na téma geopolitika ve smíru, jsem brouzdal pracovním trhem politologů. Když jsem zjistil, že nemají žádná volná místa v roce 2008, během krize, trochu jsem propadl panice a začal se učit programovat weby v PHP. To mě vedlo k tomu, že jsem se naučil pracovat s databázemi.

Z Kebuly jsem odešel právě ve chvíli, kdy tehdejší jednatel a šéf obchodního oddělení odešel, takže obchodní agenda padla na mě. Přestal jsem programovat, už nechtěl prodávat něco, čemu nerozumím, a potřeboval jsem opravdu pochopit, jak datová analýza funguje.

Upřímně mě tenkrát frustrovalo, že jsme implementovali skvělé technické řešení, ale dali jsme klientům data s tím, ať si s nimi něco dělají.

Mam proti sobě manažera, který musí řídit byznys a investuje do projektu stovky tisíc, někdy miliony, a já neměl pocit, že z toho má nějaký konkrétní užitek.

V Kebule jsem měl vizi, že postavím byznys konzultační oddělení, naučíme se use casey, pochopíme točky peněz a začneme s klienty chodit a dělat servis.

Firma byla produktová a spíš se zajímala o to, aby produkt dostala k technikům, a nebylo to o servisu.

Na konci dne jsem podal přihlášku do McKinsey. Když přišla nabídka, řekl jsem si, že je to skvělá příležitost učit se od nejlepších.

Co na tom bylo lákavé?

Že se podíváš do opravdu vysokého rozhodování velkých firem. Jako technik se málokdy dostaneš do hlavy lidem, kteří na základě dat skutečně rozhodují.

Logika McKinsey lidí byla jiná než ta má. Celá organizace je nastavená tak, aby generovala velký dopad, a ten drive, kde je hodnota, je něco, co jsem si odnesl jako velkého tahouna. Myslím, že to by se mělo dělat.

A s tímto jsi založil Revolt BI?

Přesně tak. Bylo to v roce 2016. V té době jsem pracoval jako analytik, měl pár klientů z minulosti, se kterými jsem něco dělal a počet projektů se začal hromadit. Musel jsem se rozhodnout, co s tím.

Byla konjunktura a já neměl žádné závazky, tak jsem si řekl, že to zkusím. Měl jsem štěstí, spojil jsem se s Iliou Wolfem a Prosíkem, jestli by v Mallu nenašli projekt.

Přišli s tím, že mají dva menší projekty, ale mně dva, tři menší projekty nestačily.

Nakonec projekt nebyl dva „mendyje“, ale dva „monumentální“ projekty.

Týkaly se firmy, kterou Mall čerstvě akvíroval, kde investor sypal obrovské peníze, ale nevěděl, co se tam děje.

Najednou jsme měli reportovat představenstvu, kam se sypou desítky milionů, a zda to má dopad a šanci se zlepšit oproti suboptimálním číslům.

Během pár měsíců jsme vyrostli ze dvou na sedm lidí. Vyřešili jsme velmi zajímavé use casey.

Pro mě byla velká škola, že jsme byli součástí rozhodování, analyzovali procesní změny a dodávali dashboardy, které skutečně vydělávaly peníze.

Takže tento první velký klient definoval firmu?

Určitě ano. Byl to také můj první reálný kontakt se skladem. Jako retailový klient jsme žili ve skladu.

Pamatuji si noční směny, kdy jsme tam do čtyř do rána sledovali dashboardy, protože během přelomu směny se měnilo datum a to dělalo problémy.

Analyzovali jsme v reálném čase výkonnost lidí ve skladu, snažili se dávat přehledy šéfovi směny, aby mohl řídit provoz.

Z této zkušenosti jsem si odnesl poznatek, že v datové analýze je běžné, že lidé si myslí, že byznys je o vizionářích, ale to platí jen do určité míry – zejména při startu.

Jakmile firma dělá miliony transakcí, hodnota se získává z procentuálního zlepšení, vynásobeného množstvím operací. V retailových skladech to je běžné.

Například kýchnutí člověka při procesu pykování na konci roku znamená skutečná čísla.

Jako konkrétní příklad – narazili jsme na problém, kdy se někde ztrácely položky v objednávkách. Nebylo to úmyslné, spíš špatně nastavené operace. Šéf skladu řekl, že možná nechce ani řešit některé ztráty, protože na ně zapomene.

Z pohledu call centra, kde jsou tikety s nahlášenými problémy, je ztráta položek malá, ale spočítejte si, že průměrná objednávka byla tisíc korun, že bylo 15 milionů objednávek ročně, a že díky ztrátám přicházíte o zákazníky, které jste získali za miliony marketingu, a o celý jejich životní hodnotu.

Taková malá chyba udělá 20 milionů ztrátu ročně, a přitom to šel jednoduše vyřešit reportem, který poukazoval na objednávky mimo trasu, aby je někdo našel – což jsme dodělali za týden.

Máte více podobných zkušeností? Je to běžný standard na trhu?

Myslím, že některé firmy mají různé úrovně procesní zralosti.

Předpokládám, že by větší hráči jako Rohlík měli mít tyto věci vyladěné.

Ale obecně je to širší téma.

Vidíme, že hodně mluvíme o hodnotě dat, která pochází z rozdílu mezi správnými a špatnými rozhodnutími.

I pokud firma má dobře nastavený jeden proces, vždy najdete místa, kde se válí peníze kvůli rozhodnutím založeným na pocitech, bez datové analýzy.

Jaké jsou nejčastější úzké hrdla, na které narážíš? Top pět problémů, na které máš odpovědi, protože víš, že nejsou vyřešené.

Upřímně mám Vánoce, když mě někdo vezme do skladu. Zvláště v retailu je to jednoduché.

Máte často 30 tisíc položek a pokud je někdo velký hráč jako Sportisimo nebo jiný retailer, pokud někdo tvrdí, že má u každé položky jistotu, že je správně vedená, lže.

Skladové procesy se dělají samy, neorganizovaně.

Řešili jsme klienta, který měl dvoutýdenní zpoždění plateb a nedokoupil zboží.

Šéf firmy si kontroloval sklad jako celek, tušil, že absence 30 milionů zboží není dobře, ale nevěděl, co konkrétně nakoupit, aby zásobování fungovalo.

Pro nás šlo o výpočet obratů, očištění o sezónní vlivy, identifikaci autostoků a deadstocků a prioritizaci nákupu.

To trvalo tři až čtyři dny, dvoučlenný tým sestavil tabulku položek včetně ztráty na maržích z důvodu nedostatku na skladě. Částka byla 5,4 milionu a náklady na analýzu jen pár hodin práce.

Jsou tyto oblasti optimalizace skladových zásob a vyskladňování vaše specializace, nebo je to nejčastější use case na trhu?

My to děláme hodně. Pracovali jsme v telecomu, healthcare, retailu, automotive. Data vnímám abstraktně, jako hledání hodnoty.

Samozřejmě má některé silnější odvětví a číslo například retailu jsme prošli hodně.

Pracovali jsme pro Mall, Zoot, Košík, tedy velké hráče na trhu.

Proto si myslím, že když mě osloví v retailu, rozumím skladu a vím, kam se podívat.

V jiných odvětvích bych potřeboval doménového experta, ale věřím, že se to dá najít vždy.

Co se týká situace po koronaviru a vzniku nových logistických služeb – Myslíš, že se to nějak zásadně změnilo?

Já bych to oddělil.

Dělali jsme hodně oborů a vím, že firmy musí fungovat jako dobře promazaný stroj.

Firmy několik let pracovaly v růstovém módu, kdy vše rostlo a procesy kontrolovali jen každoročně.

Pokud trh roste, neřešíš negativní efekty při stagnaci nebo poklesu.

Přesně tak.

Ale nemusí to být nutně růst, může být i sestup.

Podstatné je, že proces musí být plynulý, což nyní většinou není.

Vemte si… (pokračování)

Že prostě, nebo vezmi si, že takové ty velké výrobní firmy, kterých je u nás v Česku opravdu hodně, byly zvyklé fungovat na tom principu, že si zadaly objednávku, za dva měsíce jim dorazilo zboží, a měly tak všechno jako just in time. Takže si neřešily nějakou vlastní skladovou zásobu, prostě vyrobily věci a všechno jelo tak, jak mělo. Určitě tam byla nějaká míra neefektivity, ale nic závažného, žádný velký problém.

Nyní máme situaci, kdy je na pobřeží Číny, například, spousta lodí, o kterých si myslím, že obsahují desetitisíce procent HDP. Máme konflikt na Ukrajině, takže zde není kukuřice, nejsou zde cukry, není tady železo a najednou ve firmách dochází věci. Jenže ony nemají nástroj, jak tyto situace řešit a na ně reagovat.

A to už není něco, co lze vyřešit jednou za den. Ředitel skladu se musí každý den dívat, jak se situace vyvíjí, dělat rozhodnutí tak, aby optimalizoval výrobu a udržel provoz. A k tomu potřebují data denně. České firmy, alespoň ty, které já vidím, na to vůbec vybavené nejsou. Způsob, jakým to nyní řeší, zejména na úrovni korporátů, je takový, že čekají, až proběhne proces výběru enterprise řešení z korporátního světa. A to je proces, který trvá několik měsíců, někdy i rok, než se dodavatel technologie vůbec vybere a implementuje.

Podle statistik z pěti až sedmi případů z deseti to nějak nefunguje. A já si nemyslím, že ty firmy teď mají luxus, aby to takto dlouho řešily. To chápu.

Jak by podle tebe měly řešit tuto situaci? Myslím si, že nejdůležitější je uvědomit si, že datová analýza není technická disciplína, ale funkce managementu. Koneckonců, jestli máte data v Postgresu, Snowflakeu, Synapse nebo Fairboltu, MS SQL serveru, to je úplně jedno.

Znám spoustu lidí, kteří by s tím nesouhlasili, ale chápu tvůj argument. Můžeš ho doplnit? Určitě chápu techniky, kteří to tak nevidí a mám i své preference, pokud jde o databáze, ale jako manažerovi mi je to fakt úplně ukradené. Když jsem měl manažera skladu s 30 miliony korun v ruce a potřeboval do dvou dnů zjistit, co si má koupit, tak nebudu řešit, jestli to informace vytáhne ze Macyclu nebo Snowflakeu. To bych chtěl vidět tu diskuzi.

Myslím si, že firmy by měly daleko víc zdůrazňovat end result, tedy výsledek, který chtějí řešit. Když já jdu do firmy, stack je vlastně úplně jedno. Používáme nějaký z nějakých důvodů, protože v něm umíme dodávat. Ale když se podíváš na use case, které jsem teď zmínil, kdy během pár dní ve skladu dokáží udělat desítky milionů, když použijete cloudovou službu, která stojí nižší stovky tisíc ročně, vzhledem k přínosu, který přináší každý den, je to naprosto marginální investice.

Za mě jsou mnohem důležitější věci, které je třeba řešit, například jestli to vůbec někdo ve firmě umí používat, jestli se o to někdo stará. Nedávno jsem zažil pár výběrových řízení, kde měl oddělení datové analytiky tři lidi, kteří řešili něco jako Hadoop, jeden, kdo uměl airflow a čtvrtý, který uměl Python. Když jsem se jich zeptal, kdo umí spočítat obrátkovost zboží ve skladu, nikdo nevěděl. A myslím, že firma takové informace rozhodně potřebuje.

Pro mě to celé začíná zde.

Posouvá se to? Máš pocit, že díky buzzwordům jako data driven, úspěchu společností jako je Rohlík a evangelizátorů datově orientované firmy, jako je Tomáš Čupr a další, kteří daty řízenou firmu velmi podporují, se situace mění? Mám pocit, že datově řízené společnosti tady jsou už dlouho, jen nyní máme více dat a více možností, co s nimi dělat.

Já jsem psal diplomovou práci na téma geopolitiky ve smíru a citoval tam pasáž o vzniku námořní síly. Otázka byla, proč Římané nikdy nestali námořní mocností, zatímco Féničané ano, když oba měli lodě. Rozdíl byl v tom, jak tyto skupiny lodě používaly. Everett Dolman říkal, že námořní mocnost vznikla v okamžiku, kdy vznikli mořeplavci. Stejně tak nyní potřebujeme dataferers, tedy datové uživatele.

Určitě takoví lidé jsou – třeba Lukáš Úl, s kterým jsme se setkali, známe Roberta Vojáčka a Ilia Wolfa, kteří mezi ně patří, a je jich určitě víc. Jsou to manažeři, kteří umějí používat data k řízení byznysu a převádět je na hodnotu. Nepomůže jen koukat do tabulek. Excelové tabulky máme všichni, ale způsob, jakým nad daty přemýšlíme, je vlastností získávanou zkušenostmi.

Myslím, že těchto lidí bude přibývat, protože je to prostě logické. Každý manuál o managementu říká, že management se skládá ze tří funkcí – strategie, organizace a kontroly. Bez dat nedá manažer dohromady strategii, bez měření KPIs nedá dohromady organizaci, a bez kontroly se mu to rozpadne. Bez dat to není možné.

Ti, kdo se naučí data používat, budou dělat lepší rozhodnutí. Není to záležitost tajemství, ale dobrých rozhodnutí. Dnes jsou v přechodné době, kdy tyto technologie budou postupně přijímat nejlepší firmy.

Z mého pohledu firmy, které používají data takto, mají pětkrát větší pravděpodobnost, že zůstanou na vrcholu, než ty, které to nedělají.

Kdo je agentem této změny na trhu? Jsou to velké konzultační firmy, malé růstové firmy jako vy, nebo jiné české konzultačky s novým paradigmatem?

To je zajímavá otázka. Upřímně nejsem si jistý, jak k tomu přistupují firmy jako Adastra, IBM nebo McKinsey, které nejsou z technického hlediska datovou firmou. Vidím, že velké bodyshopovací firmy jako Adastra nebo Perfini stále dodávají technické pozice do organizací, ale ta iniciativa je spíše interní než vnějšková. Škálovat tuto dovednost je těžké.

Pokud člověk nezažije, že mu data skutečně pomohou vydělat nebo zlepšit proces, bude se na to dívat jen jako analytik. Výsledek, že napíše dotaz nad tabulkou s miliardou transakcí, ho neposune k pochopení, co ty transakce znamenají a co ovlivňuje byznysové změny.

Co tedy posouvá člověka dál? Rozhovor s manažerem, zkušenost ve skladu? Určitě ano. Pro mě byla zkušenost ve skladu výborná. Manažer skladu se mě například ptal na hodnotu skladu, protože potřeboval znát hodnotu zásob. Vytvořil jsem mu dotaz a vypadlo číslo v řádu 10 na dvanáctou. Pogratuloval jsem mu, že má dvanáct heptazyleonů, což je zhruba stonásobek světového HDP. Smál se, ale řekl, že to nesedí. Ukázalo se, že lidé mohli na klávesnici místo počtu kusů omylem naskenovat dvanáctimístné číslo, což způsobilo chybu.

To je úsměvný příběh, dokud si neuvědomíte, že taková čísla září na dashboardech managementu a oni jim přestanou věřit, protože po jednom pohledu už se nevrací. Práce s tím, jak ztracená důvěra v data ovlivňuje rozhodovací proces, je obtížná.

Myslím si tedy, že hodně pomůže, když jsou analytici integrováni v týmech, které skutečně dělají byznysová rozhodnutí. Pokud má firma oddělení IT, nestačí koupit jen chytrou tabuli na zakázku. Potřebujete produktový přístup, kde je produkt tabulka s prodeji například po měsících.

Decision making proces je iterativní, kdy manažer má problém, má teorii, dívá se do dat, zkouší ji ověřit z různých úhlů, a možná na problém přijde. S waterfallovým přístupem, kde je projekt fixován časem a počtem reportů dodaných za dva měsíce, se nic nevyřeší.

Musí proto existovat spolupráce s byznysem obousměrná. Já pomáhám byznysu pochopit nový způsob, jak přemýšlet o provozu, validovat teorie a dělat dobrá rozhodnutí s novými znalostmi. Současně potřebuji, aby byznys dokázal formulovat problémy, které mohu analyticky řešit.

Nejlepší jsou lidé, kteří umí obojí, ale to jsou takzvaní superhrdinové, o kterých jsem mluvil. Každá firma, která má někoho takového, by si ho měla vážit zlatem.

Díky, že mě těmito tématy vedeš. Mám pocit, že datová scéna v některých aspektech kopíruje IT scénu před lety, vidíme zde stejné vzorce a možná i posun k agilnějším přístupům od velkých waterfallových projektů. Mluvíš o práci s byznysem specifickým na tým.

Jak to řešíte vy? Co nabízíte byznysu? Je proces odlišný než na trhu? Důraz na výzkum, nutnost mít rozhodovací sály u jednoho stolu? Jak se to odráží v práci?

Nechci zde předjímat změny, které plánujeme, ale zmíním malé poučení. My jsme jako malá firma začínali tak, že jsme brali všechno, co přišlo. Přišel middle manager a chtěl report na pět měsíců, udělali jsme report na pět měsíců. Ale to je nevděčná práce. Je pro mě důležité mít specialisty, kterým předám know-how, zejména na složitých projektech, a umět za to dostat hodnotu. Tímto způsobem nevytvořím dopad, když přijdu do firmy jen na pět měsíců.

Biznismenům navíc často sice položíte otázku, když řeknete, že angažmá na 3–6 měsíců stojí miliony korun, jaká je návratnost investice, a to je klíč. Podíváte-li se na statistiky, zjistíte, že většina analytických projektů selhává, protože nemají jasnou koncepci. Firma neví, co od toho očekávat, kdo to bude převzít, jak to používat dál, neexistuje jasný projektový plán.

Co my nyní děláme jinak, je to, že při akvizici říkáme klientům: „Chcete-li uspět, musí to být týmová práce. My jdeme podpořit váš management a přinést analytiku, ale pokud chcete vědět návratnost a rozsah zakázky, potřebuji znát vaši firmu – business model, use case, stav datové infrastruktury.“

Dále potřebujeme vědět, kdo jsou stakeholders, kdo si to kupuje, a kdo budou uživatelé. To souvisí se spoustou otázek, například zda uživatelé umí používat technologie, jaký trénink a podporu potřebují. A s tím je spojená nezbytná podpora přímo v práci, aby se analytika adoptovala a fungovala tak, jak chceme.

Je to běžné? Nebo alespoň běžnější, než dříve? Nebo je to ještě stále výjimečné?

Všechny konzultační firmy vlastně dělají delší projekty, větší, více se podívají dovnitř, nejdříve provedou nějaký průzkum a až potom přijdou s řešením. Není problém s důvěrou, a jak jsi naopak říkal, ten manažer si to musí osahat a vidět, že to funguje, že se na to může spolehnout. Lukáš Uhl naopak říkal, že vždycky vybírá jeden důležitý proces, než zavedou cokoli jiného, tak nejdříve vytvoří proces a datově řízenou věc s jednou konkrétní záležitostí, aby si lidé zvykli a viděli, že to funguje.

Hele, děkuji, že zmiňuješ Lukáše. Upřímně to byl jeden z našich nejlepších klientů, a to několikrát. A co bylo na něm dobré, bylo přesně to, že si ten projekt dokázal užít sám. Když mu dáte volné ruce, tak on téměř udělá celou věc bez nutnosti přítomnosti nějakého seniorního technického konzultanta. Nicméně si nemyslím, že je to běžná situace na trhu. Většina firem takové lidi v týmu nemá a myslím si, že většina konzultačních firem také ne. A myslím, že těch lidí na trhu je opravdu málo.

To trochu souvisí s tím, jak chceme pracovat my. Myslím si, že bychom si měli vybírat projekty, do kterých vstupujeme, což také není úplně běžná strategie všech konzultačních firem, kde se často vezme to, co je zrovna na trhu k dispozici. Trh ale velmi rychle roste, což znamená, že vzniká tlak na ty firmy bez ohledu na jejich kvalitu, ony vyrostou spolu s trhem a než se trh konsoliduje a dojde k vyhodnocení kvality či zkušeností, tak mám pocit, že to je typické pro všechny rostoucí a nové odborné trhy.

Myslím, že jsi zmiňoval, že trh v podstatě kopíruje situaci s IT. Já to vidím zejména na platové scéně, kde ještě třeba v roce 2018 se plat datového analytika pohyboval mezi 40 a 80 tisíci korunami měsíčně, zatímco dnes ty platy klidně dosahují dvojnásobku. A nevidím žádné zastavení tohoto vývoje. Co mi přijde zajímavé je, že když se na to podíváš z datového pohledu, už teď jsme v situaci, kdy středně velké firmy, například střední e-commerce hráči…

Ty skvělí datoví analytici si je už nebudou moci dovolit. Určitě budou mít někoho, kdo jim bude dělat data, předpokládám, že to bude někdo, kdo například vyšel z CheckItas a je rád, že si může nabrat zkušenosti praktickou prací na žhavém projektu, který není korporátní, takže se dostane k rozhodnutím. Ale nabrat takovou zkušenost interně bude stále obtížnější. Vidím to docela konzistentně i u našich klientů.

Tady rozhodně vidím příležitost pro nás. Pokud se nám podaří pomoci dodavatelům překlenout tento rozdíl mezi schopnostmi či nabídkou a poptávkou prostřednictvím interního vzdělávacího procesu, myslím, že to bude zajímavé sledovat.

Ale nevyřeší to datové produkty? Přeci jen i na této straně dospívají, mají lepší uživatelské rozhraní, máme tablo a Power BI, a práce datového vědce už není tak těžká, jak bývala – konektivita a kvalita datových zdrojů je mnohem vyšší?

Tohle je velmi zajímavá otázka. Když jsem například zakládal Twitvolta a byl jsem sám, myslel jsem si, že budu dělat opravdu zajímavé projekty, počítat dynamické ceny a vytvářet logistické modely. Velmi brzy jsem ale pochopil, že zejména v oblasti data science, když děláš dynamické ceny pro jednoho klienta, v podstatě to děláš pro všechny.

Myslím, že prostor pro tvorbu opravdu unikátní data science bude stále menší. Zejména z pohledu, že vytvořit obecné řešení je v podstatě 80 % práce – reporting máš za dva týdny hotový – ale přizpůsobit ho na míru všem konkrétním potřebám je dlouhý a náročný proces. A není to jen reporting, ale pokud chceš například roboticky rozhodovat, jaké zboží nakupovat, musíš tu poslední míli doptat na co možná nejpřesnější úroveň, což bude trvat roky vývoje.

Z pozice data scientisty, který umí napsat pár řádků v Pythonu nebo Rku, nemáš šanci to dotáhnout. Už jsem viděl i své příležitosti propadnout. Například jsme dělali model doplnění zásob pro PFC Filippy, kde jsme počítali nějakou hodnotu na transakci mezi prodejnami, kde zbylo zboží, a po roce tam byl velmi dobrý systém distribuce. Z mého pohledu ale ten trh zmizel – nebo už existuje produkt, takže proč by si někdo kupoval řešení na míru? Aspoň si to myslím.

Pak jsme dělali implementace dynamického cenotvorby, byla určité metody částečně automatické, ale přišlo Yieldigo. Nicméně nepovažuji to za konec konzultantů, protože aby skončili datoví konzultanti, muselo by se stát, že všechny procesy v retailu běží v SAPu a že SAP má takový produktový ekosystém pro datovou analýzu, že nebude potřeba vytvořit jediný report. Ale proces je interaktivní.

To, že máš takový nástrojový balík, neznamená, že ho budou lidé umět používat. Takže stále budou konzultanti, kteří budou znát tyto nástroje a budou pomáhat řešit problémy. To je jedna část.

Druhá je vlastní integrace. Je možné, že dokážeme vytvořit dynamický cenotvorby model, který bude platný pro všechny firmy. Ale například podle informací, které mám o Yieldigo, funguje dobře pouze pro rychle obrátkový zboží. Pokud řešíš nízké zásoby nebo řídké transakce, například v náhradních dílech, tam není dostatek dat. Ale firmy stále mají unikátní systémy.

Ať přijdeš do jakékoliv firmy, vždy tam narazíš na situace, které jsou jedinečné – jedinečný tým lidí, jedinečná technologie. Pokud nenastane nulová entropie jako v případě SAPu, která by pohltila vše, vždy budeš potřebovat konzultanta, který zná řešení, umí vyhodnotit ta nejlepší řešení a hlavně dokáže řešit problémy. A tam se vidím my.

Nepovažuješ tedy, že technologický pokrok, nová generace softwaru, augmented analytics a podobné věci z Gartnerova Hype cycle vyřeší tyto problémy za nás?

Myslím, že to právě otevře nové a nové problémy. Znám jednoho filozofa, který říkal, že člověk je mírou všech věcí. Upřímně, dokud umělá inteligence nebude vlastnit něco sama a nebude samostatně rozhodovat o svém byznysu, tedy dokud budou lidé, samotná práce s lidmi nenahradí žádný produkt.

Mohu to ilustrovat příkladem. Celou dobu mluvím o tom, že manažeři by měli mít data a rozhodovat se na základě nich, ale problém je, že pokud manažer nedokáže potlačit své ego a změnit svůj způsob fungování, tak data stejně nepoužije.

Bude v módu: „Hele, já mám pravdu, proč bych se díval do nějakých tabulek?“ A pak jsme tam, kde jsme byli. Zažil jsem to u klienta. Manažer přišel s tím, že klesly objednávky, vytvořil si teorii, že je to proto, že zákazníci nedostávají adekvátní služby, nejsou spokojení a proto neobnovují objednávky. A spustil totální teror v organizaci, kdy tři týdny prakticky nedocházelo k objednávkám. Problém přitom byl, že marketingový manažer nezapnul kampaně, protože zapomněl zaplatit kreditní kartou.

To vše mohlo být vyřešeno za deset minut, pokud by se změnil přístup a nejdříve si ověřila fakta, než se udělají závěry. Nechci tvrdit, že tohle je jednoduchý proces, je to otázka učení. U toho klienta to byla poslední taková situace, ale to je práce s lidmi. A to žádný produkt sám o sobě nenahradí.

Takže tam se to naučili, zjistili, jaká je cena špatných rozhodnutí a proč se rozhodovat na základě dat. Jaký celkově máš pocit, že datová scéna nebo byznys jsou více edukované a více vnímají význam dat? Jsou tady víc datoví nadšenci?

Upřímně, měl jsem štěstí, že jsem na tento trh nastoupil poměrně brzy, už v roce 2015. Automatizovaná datová analýza, zejména v cloudu, tehdy nebyla běžná a trh byl takový panenský. To rozhodně dneska není situace. Je zajímavé sledovat, že český trh je relativně malý „rybníček“, a lidé, se kterými jsme pracovali na různých projektech, se dnes opět objevují a přitom postupně vystupují do manažerských pozic.

Paradoxně to vytváří spíše nové příležitosti než to, že by trh zavíral. Když se dnes optimalizuje něco na denní bázi, tak zítra to řešíme na hodinové úrovni, pozítří na sekundové a vždycky zůstane prostor k vylepšování. To je specifikum tohoto datového trhu, který je stále v růstu, otevírají se nové příležitosti. Je to vzácná situace, kdy dat vzniká stále více a příležitostí k jejich využití je víc, než lidí, kteří jsou schopni je zpracovat, což vede k velmi přátelské datové komunitě.

Samozřejmě mám mnoho konkurentů a mohl bych je jmenovat, ale téměř se nepotkáváme, protože si každý řešíme svou vlastní niku a dává nám to prostor pracovat bez toho, abychom si museli vzájemně „jít po krku“.

To je pro mě krásný závěr a vnímám to stejně. Proto mám datovou scénu rád, přijde mi jako startupová scéna před deseti lety, takový neprobádaný Divoký západ, noví lídři. A tebe považuji za jednoho z nich. Děkuji moc, že jsem tě dnes mohl poznat. Přeji hodně štěstí a určitě se tady na DataTalku potkáme znovu. Děkuji.

Děkuji, že jste doposlouchali Data Talk až sem. Jak se vám tato epizoda líbila? Co byste na našem podcastu zlepšili? Koho pozvat příště? Dejte mi prosím vědět, co si myslíte. Můžete to udělat osobně na příštím Data Mesh Meetupu nebo hned teď na e-mail jirka-datatalk.cz. Pokud se vám epizoda líbila, doporučte ji prosím dál, klikněte na srdíčka, na hvězdičky, dejte odběr, aby nám svítily dashboardy zeleně, křivky dělaly hokejku a všichni stakeholdeři schvalovali extra rozpočet.

Ještě jednou vám děkuji. Poděkování patří také mým kolegům, Nikovi a Iris, stejně jako členům našeho partnerského klubu – Bighubu, Deepnode, Atakame a Mantě. Pokud máte návrhy, nápady na hosty či témata, děláte vlastní akce nebo byste chtěli datovou komunitu podpořit jinak, určitě mi dejte vědět. Děkuji. Nechť vás provází data.