Podcast

Dobrý den, mé jméno je Jirka Vycherek.

Zdraví vás také Barbara Hinerová. A vítáme vás u dalšího dílu Datatolku. Našimi dnešními hosty jsou Martin Ondáša a Honza Fajt z BizMachine.

Ahoj kluci.

Čau, ahoj.

Ahoj.

Máme tady zakladatele a hrdiny dat BizMachine. Začneme tady asi zakladatelem. Takže Martine, představíš nám trošku BizMachine a sebe? Řekneš nám origin story BizMachine?

Origin story BizMachine: BizMachine byly založeny před několika sedmi lety. Zdála se nám obrovská příležitost vyřešit velký problém, který mají mnohé B2B obchodní týmy. A to je to, že znovu a znovu obchodníci ztrácejí čas v hledání obchodních příležitostí. Jejich manažeři nevědí zaručit, že tým pracuje systematicky. Místo toho, aby řadili obchod podle potenciálu, řadili ho podle nějakých historických výsledků. Takže příležitost byla sebrat data a připravit jim produkt a službu, aby efektivně a jednoduše mohli lépe hledat příležitosti a řadit obchod.

No a jak jsi na tu příležitost narazil?

Ještě před BizMachine jsem byl konzultantem v McKinsey. A tam opakovaně jsme měli projekty, kde jsme pomáhali zlepšovat výkonnost obchodních týmů. Viděli jsme, ať už to byl Telekom, banka, nebo jakákoliv jiná firma, prodej oceli, znovu a znovu se řešil ten samý problém: pochopit trh, zpřednostnit příležitosti a pomoct obchodníkům se rychle zorientovat na chytrou schůzku. Každý z těch projektů, každá z těch firem investovala do nějaké vlastní datové infrastruktury, aby to pochopila. Ale nemohli to mít dostatečně dobré, jako kdyby to dělala nějaká profesionální společnost. Tak jsme si řekli, pojďme do toho investovat a zrychlit všechny tyto projekty na základě nějaké jedné metodologie nebo platformy. To byla ta původní myšlenka.

No a původní myšlenka se datuje k jakému roku?

No, k roku 2016. Takže jsi opustil teplé místečko v konzultační společnosti a vrhl ses na start-up život?

Je to tak. Když jsem si představil, kde chci být za 5 nebo 10 let, zdálo se mi to jako lepší příležitost, ano.

Tak já doplním, že Martinův záměr docela validuje i to, že z McKinsey našli ještě dva další lidi, kteří to měli úplně stejně, a trpěli stejnou představou.

My jsme BizMachine založili tři – Martin Lutzky, Martin Pražek a já jako fundador. A všichni tři jsme byli spolu kolegové v McKinsey, kde jsme viděli přesně tu příležitost.

No a tak ti první zákazníci, co to byly za projekty a kdo byli zákazníci v roce 2016 třeba?

Například Google, Cisco Systems, Microsoft.

Hezké první zákazníky jste si vybrali. Asi to potvrzovalo, že jste si dobře vybrali tu cestu?

Ano, oni tam zase viděli velký potenciál, a hodně jsme se na nich naučili, co funguje, co nefunguje, které data jsou užitečné. Hodně věcí se od stolu nedá vymyslet, dokud to nepošlete do pole a nedostanete feedback od obchodníků. Byla to hodně práce na míru.

Nám hodně pomohlo prvních 4–5 zákazníků. Zpočátku to byly lokální pobočky amerických firem. Americké firmy totiž cítily, jak chtějí být v obchodě lepší a viděli, co jejich kolegové v Americe mají jako nástroje nebo metodiku, a to lokálně neměli. Byli otevření a byli to naši první zákazníci.

Z technického pohledu bylo zajímavé, že velké firmy tohoto typu ve svých obchodních procesech, nebo přesněji sofistikovanosti obchodního procesu z hlediska toho, jak jsou data-driven, byly více méně všichni na velmi nízké úrovni, ale měly obrovskou vášeň. To znamená, že byly ochotné téměř od začátku s námi sdílet svá vlastní obchodní data a nějaké výsledky, což je často poměrně komplikované získat.

Co byl hlavní bod, kde jste našli metodologii, kterou jste potom začali využívat a budovat z toho produkt?

Myslím, že jsme rostli hodně rychle na začátku, ale s tím rostla i komplexita a bolest. Když jsme chtěli mít dvakrát tolik zákazníků, potřebovali jsme dvakrát tolik lidí. To byly první dva, tři roky byznysu.

Přibližně před čtyřmi lety si vzpomínám na náš strategický meeting, kde jsme řekli, pojďme vytvořit tzv. datovou mezivrstvu – jednu univerzální vrstvu, kde se to všechno potkává a z které budeme klientům servírovat insighty a generovat jim podporu. To bylo asi před čtyřmi roky. Ale bylo to hlavně odpovědí na to, že pokud bychom pokračovali stejným způsobem, komplexita by rostla neúnosně.

Z technického pohledu si představím, že když potřebujete data z nějakého zdroje, věnujete tomu den nebo dva, data nakrolujete, naskriptujete, uložíte v tabulce. Ale pokud to máte dělat ve velkém měřítku, například jeden klient potřebuje registr sociálních zařízení, druhý letecký rejstřík, musíte někde nakreslit čáru a říct si, že pokud by každý klient měl vlastní kroler, tak po třech letech budete udržovat stovky krolerů. A rychle narazíte na technické limity. Pokud od začátku to neděláte univerzálně a future-proof, vykopete si díru, ze které se budete dlouho hrabat.

My jsme nespadli tak extrémně, že bychom měli 300 krolerů, ale dostali jsme se určitě k nějaké stovce. A z technického pohledu to byl impuls, proč jsem na tom strategickém meetingu zvedl první ruku, abych šel cestou škálovatelnosti.

Souvisí to asi s tím, že jste si vydefinovali nějaké zákazníky nebo profil firem a uživatelů, pro které to celé děláte?

Bylo to hodně o těch use casech, které chceme a jakou formou je chceme podporovat.

Jednak jsme si řekli, že nechceme suplovat to, co už dnes dobře pokrývají CRM systémy, což je zpráva obchodnických aktivit a podobně.

Podruhé jsme si řekli, že chceme umožnit klientům, kteří jsou hodně specializovaní nebo chtějí jít do hloubky v sektoru, ve kterém operují, aby jim naše data umožnila skrze segmentaci – nazval bych to mikrosegmentace – jít opravdu do hloubky a vybrat si a vydefinovat trh.

Chtěli jsme modelování potenciálů a prioritizaci obchodních příležitostí, to chceme mít zachované, jenže jsme potřebovali najít cestu, která je škálovatelná.

Já bych to doplnil příkladem. Představte si firmu, která chce pracovat se zákaznickou databází, která používá CNC stroje – obráběcí stroje, když se naruším.

Jenže jim nestačí, že jsou to CNC stroje, oni chtějí vědět, že jsou to pětiosé CNC stroje. Pak jste v pozici, kdy součástí vaší standardní nabídky musí být rozlišení mezi pětiosými CNC stroji a čtyřosými nebo jinými.

A dokud nejste schopni tento požadavek uspokojit škálovatelně do takových detailů, hodnota pro klienta je jen zlomek. Jinak by museli projít stovky či tisíce firem, které pětiosé CNC stroje nemají.

Takže už od začátku jsme věděli, že pokud chceme uspokojit use case a skutečně se dostat k jádru toho, co klient potřebuje, co mu šetří čas a stovky telefonátů, musíme být schopni jít do hloubky a zároveň do šířky. To je paradox, ke kterému se ještě později dostaneme.

K tomu se určitě dostaneme.

Když se vrátíme na váš meeting, kde Honza zvedal první ruku, to bylo v roce 2018. Co bylo tím rozhodnutím? Bylo to o snížení počtu prodaných profesionálních služeb a zvýšení příjmu z licencí? O čem jste tam tehdy hovořili a co byla tvoje role, Honzo? Nebyl jsi od začátku s námi?

Bylo to tak, že jsem tam byl relativně čerstvě.

Můj pohled byl takový, že když provozuji devítičlenný datový tým, přičemž ve firmě nás je 30, hledali jsme firmu, která má devítičlenný datový tým. Našli jsme O2 a další firmy, které měly větší týmy než my.

Říkali jsme si, že pokud většina práce těchto lidí spočívá v zapojování nových datových zdrojů a snaze je systematizovat, nechceme mít 40 datových specialistů, všichni budou požadovat zvyšování platů. Navíc se tým unaví, když zjistí, že v oblasti data science není žádný společný jmenovatel, co by je posunul dál.

To mě jako people managera trápilo, a proto jsem na tom meetingu první zvedl ruku.

Martino, tvůj pohled mohl být spíš z hlediska revenue nebo celkové vize?

Martino: Ano, ten můj pohled možná byl jiný, ale souhlasím s Honzou. Z mého pohledu šlo posunout lidi dál, aby si v BizMachine našli vlastní budoucnost. Nabídnout jim kariérní růst a řešit zajímavější věci, než doposud.

I kdybychom měli všechny lidi, časem by to přerostlo přes hlavu.

Zájem o růst schopností lidí a jejich odpovědnost za něco většího než jeden projekt byla určitě motivace.

Já k tomu ještě přidám, že jde i o rychlost, kterou jsme dosáhli. Na počátku některé projekty, jako výběr segmentů, identifikace pětiosých CNC strojů a prioritizace příležitostí, mohly trvat tři čtyři týdny. Někdo musel pracovat, napájet zdroje, psát skripty.

Dnes už máme konzoli, kde nedatový člověk zvládne během několika hodin definovat segmenty a publikovat je klientům. Je to výrazná hodnota, která dříve trvala týdny, nyní jsme schopni generovat rychle více insightů se stejnou nebo podobnou granularitou při nižších nákladech.

A z technického pohledu máte předpokládám platformu, kde data neleží rozházená po jednotlivých tabulkách?

Ano, investice do rychlosti vyžadovala, abychom přestali vyvíjet to, co děláme.

Jaké byly tehdy trade-offy?

Mluvím zejména o profesionálních službách. Přechod z servisní agentury na SaaS produkt chce každá agentura, ale často bolí, že musíte začít říkat ne zákazníkům, kteří byli dříve nejlepší.

My jsme o pár přišli právě kvůli tomu.

Ano, to je jasný trade-off. Na několik let se zpomalil celkový růst firmy, ale zvýšila se produktivita týmu a nyní je růst opět naštartovaný. Trvalo to přibližně tři roky.

A když se podíváme na technologický stav v roce 2017–2018, jak to vypadalo? Měli jste desktopové aplikace a exportovali CSV, nebo už to běželo aspoň v cloudu?

Nebyla to klasická cloudová služba, ale spíš gigantický databázový server, který byl free for all, bez standardů, bez oficiální báze dat, z níž by se vybíralo. Museli jsme definovat výchozí body, jak „dobročinná“ data, a postupně transformovat data do oficiální podoby, na kterou se dalo spolehnout. A teprve pak můžete dělat segmentace.

Vlastně cloudový aspekt byl méně důležitý, forma mohla být kdekoliv jinde. Dokud ale není standard a jedna pravda o datech, každý bere nejkratší cestu k dokončení projektu.

Upřímně nevím, jak to funguje ve firmách typu Big Four, zda mají jednu pravdu, ze které vybírají data.

Martine, co pro tebe byla ta změna?

Změna byla hlavně v každodenním přístupu. Viděl jsem to v obchodě. Neříkám, že jsem 100% disciplinovaný, nejsme ani teď, ale začali jsme více přemýšlet o tom, co nabízíme a co ne, a co chceme dlouhodobě udržovat v portfoliu na rozdíl od řešení „někam dej problém a musí býk vyřešen“.

Takže byla potřeba zpomalit a být disciplinovanější. Z dlouhodobého hlediska je to správně, vidíme to dnes.

Super, že se vám to vyplatilo.

Chápu rozhodnutí, kdy se vám rozzáří oči od dolárů, když vidíte zákazníka se zakázkou a penězi, které mu můžete pomoci. Je to dobrá práce, že jste odolali tomuto pokušení.

A to pokušení trvá stále.

Klienti mají pořád stejné problémy. Konflikt mezi obchodní disciplínou a schopností systematicky dodávat všem tu bude s námi navždy.

A to je téma, o kterém se chceme bavit s vámi.

Když se podíváme na svět B2B obchodních dat, jak ten trh vypadá, nebo v minulosti vypadal? Hodně lidí si data lepí sami, obchodníci googlí a kopírují věci z internetu do Excelu. To bych řekl, že je asi nějaký…

Jste profesionální editor českých podcastů.

Úkol: Přepište text do spisovné češtiny.

KRITICKÉ:

• Zachovejte 100 % obsahu
• Nic nevynechávejte
• Nic nezkracujte
• Význam musí zůstat stejný

Pravidla:

• Opravte gramatiku
• Opravte diakritiku
• Rozdělte do odstavců
• Zachovejte všechny informace

TEXT:

Je to standard na tom lokálním trhu, ne? Těch firem větších, menších, které poskytují nějaká data o firmách pro účely B2B, je strašně moc na světě. V Evropě jsou to stovky firem. Kdybyste chtěli servírovat seznam, nějaký data marketplace, najdete si B2B data a na vás vyskočí nekonečný seznam firem. Každý se to snaží prodat.

Ale nakonec ta hodnota v tom, co uživatelé oceňují, stále se točí kolem toho, že mají jistotu, vědomí, že data, která dostanou, opravdu pokrývají celý trh. Že tam nebudou nějaká nepokrytá místa. Takže by to byl kompletní přehled trhu. Za druhé, že se mohou spolehnout na lokální znalosti. Většina obchodu je lokální. Lokální obchodník v České republice prodá lokálním firmám. Relativně málo lidí jsou ti, kteří prodávají i cross-border, kde vám stačí jít na LinkedIn a najdete si tam svůj segment. Takže potřebujete sledovat a spolehnout se na lokální znalosti.

A třetí je mít to co nejjednodušší, protože většina obchodníků nejsou analytici. Oni nepřijdou do práce za účelem analyzovat data, takže je potřeba dostat data v jednoduché formě. Myslím, že trh se jednoznačně posouvá tím směrem, že ti hráči, kteří nakonec jsou ti větší a úspěšnější u svých zákazníků, jsou ti, kteří dokáží poskytnout kompletní přehled trhu, umí jít do hloubky a zároveň zjednodušit informace pro uživatele. To je to, o co se snažíme.

Myslím, že za tu dobu se to hodně vyvinulo. Když jsme začínali, tak v podstatě stačilo mít tabulku firem, prodat obraty a kde firmy sídlí, jak se jmenují, a už jste mohli mít malý byznys. Dnes je to totální komodita, už by to nikoho nezaujalo.

Já mám teď asi tendenci, že bych měl popsat svět těch B2B dat. Nevím, jestli je to dobrý moment, protože tady bychom mohli být dlouho. Pojďme do toho. Ta technická komplexita je v tom, že máte v podstatě téměř nekonečno datových zdrojů a musíte je spojit dohromady, dělat nad nimi různé kvality a tak dále.

Mě pořád zajímá, jak vlastně zjistím, že nějaká firma má takový nebo makový CNC stroj? Myslím, že vám nedochází důležitost rozdílu mezi čtyřosým a pětiosým strojem, ale nebudeme to rozebírat do detailu.

Pro mě, proč tuto práci dělám s neutuchajícím nadšením po asi šesti letech, začnu jinak. Měl jsem šéfa v první práci, v jedné výzkumné agentuře, a ten říkal: „Víš, Honzo, analyzovat data o jogurtech nevydrží nikdo více než dva roky." A já si na to vždycky vzpomenu, když se podívám na náš warehouse a vidím komplexitu entit, které vstupují do světa B2B firem.

Myslím, že každý, kdo s tím pracoval, si dokáže představit svoje CRM – kde jsou firmy, příležitosti, kontakty. To je správný směr, ale pořád to není ono. Jedna firma – typicky ten, kdo začíná, se podívá na nějaký oficiální rejstřík. Když má štěstí a není v České republice, může si rejstřík snadno stáhnout z nějakých otevřených dat, i když i tady se to za ty roky posunulo.

Tady bych mohl vytáhnout nějaké historické zkušenosti s paní Máchovou, vlastnící systému ARES, ale ty zkušenosti nechám raději pro sebe. Můžeme udělat speciální díl, myslím, že by bylo fér paní Máchovou pozvat, ona by nám to nějak vysvětlila.

Takže stáhnete si rejstřík, super, máte firmu, víte, jak se jmenuje, kde sídlí a kdo ji vlastní. Ale z hlediska B2B prodeje a cílení jste se pořád neposunuli.

K té firmě je totiž navěšeno – a to si asi každý dokáže představit – desítky entit. Ať už jsou to lidé, kteří v té firmě pracují. Kde jsou ti lidé? Většinou jsou na LinkedInu. Super, můžu někde získat LinkedIn? Asi ano. Umím to spojit? Mám tam IČO na LinkedInu? Ne. Potřebuji nějaký mečovací nástroj, který řekne: „Super, ten na LinkedIn odpovídá této firmě." Čím to spojím? S názvem? To je riskantní.

Už začínáte cítit, že oficiální zdroje, kde jsou IČO pěkně srovnaná, jsou sice hezky nalajnovaná, ale ten, kdo je spojuje, je někdo jiný.

A to je, myslím, ten moment, kdy se začínáte bezmezně oddalovat od konkurence, protože my od začátku vidíme, že když jsme pracovali se stovkami zdrojů, museli jsme strašně zproductizovat proces – někdo vám dá seznam, který menší firma používá, pracuje s nějakými daty a má seznam zákazníků, ale vy bez těch IČO velké firmy ke svým zákazníkům nemají spojení.

Takže už tento problém zesložitoval vystavění světa B2B dat.

Super, tak máte lidi, jste propojeni s LinkedInem, nějak jste to namočovali. Co dál? Máme webové stránky. Skvělé, jak si s tím firma webovku poradí? Asi musím projít všechny webovky na světě, abych zjistil, jestli náhodou nemají IČO.

Co když nemají IČO? Kde získám všechny webovky? Publikuje někdo seznam všech webovek? Naštěstí ano, je jich asi deset různých seznamů, každý jiný, ale můžete začít. Stáhnete si to z GitHubu nebo z nějakého veřejného repo.

A teď, abychom systematicky procházeli webovky, potřebujeme nějakou pipeline, která přijde na web, zjistí, jestli je to firemní web. Super, když ano, chci se jím zabývat. Když ne, podívám se na něj znovu třeba za dva měsíce.

Tady svět oficiálních zdrojů a potom takzvaných „šedých zón“, kdy si někde načtete katalogy a podobně, je ještě představitelný.

Ale svět webu začíná vnášet jinou dimenzi, protože tam už je napsáno, že firma provozuje pětiosé stroje. Dokonce jsou tam fotografie a kontakty na člověka, který tyto stroje prodává, nebo všechno ví.

A to je ten detail, ten kontakt na toho člověka – když ho dokážete do platformy vměstnat s jeho jménem a funkcí, tak teprve pak uspokojíte B2B zákazníka. Teprve tehdy on nemusí ztrácet čas.

A to je poměrně dlouhá cesta.

Teď jsme odpověděli na tu milionovou otázku, ale svět firem tím nekončí.

Každá firma dostává nějakou dotaci. Mnoho firem spolupracuje se státem a fakturuje ministerstvu. Ministerstvo to musí někde zveřejnit. Snaží se, aby to bylo dostupné a příjemné ke stažení a propojitelné. Někdy to tak úplně není. Někdy jsou to PDF.

Každá firma zveřejňuje finanční výkazy. Divili byste se, kolik firem nasdílí finanční výkaz schválně stranou vzhůru nohama a ještě tam něco začerní fixem.

To nám spadlo celé zpracování finančních závěrek, protože nějaká firma dala do rejstříku závěrku v binárním formátu. To je hodně kreativní.

Někdo ji má v čínštině. To jsou detaily, které musíte řešit, když chcete robotický systém zpracování B2B dat.

Každá oblast: dotace, lidé, firmy, auta, e-commerce – to znamená e-shopy, jejich recenze, produkty, které prodávají.

Takže teď každý, kdo pracoval s nějakým datovým modelem vidí, jak se ty entity rozprostírají a každá z nich nese spoustu metrik, kolik má firma smluv, kolik prodala přes e-shop a tak dále.

To je náš svět.

Když se vrátím k tomu nebohému analytikovi, který někde ve velké firmě počítá prodeje jogurtů, tak já si ho představuju, jak má složitý život a po dvou letech to musí vzdát.

Můj svět B2B dat se neustále rozšiřuje, a když mě to nestačí tady v Česku, tak mám registry a zdroje napříč zeměmi, které musím do složitého modelu vměstnat.

Pomalu se dostáváme k tématu šířka versus hloubka a rozhodování o tom.

Mně se líbí, jak poslední dobou komunikujete jednotlivé vertikály, například auta, e-commerce a tak dále, protože tam to dává smysl, dají se zúžit cílové skupiny.

Jak se rozhodujete v ostatních oblastech? Jaká je priorita – získávání nových zdrojů versus udržování těch starých?

Nebo už je to tak velký systém, že tohle jsou malé komponenty, které už automaticky spravujete?

Každý crawler se jednou za rok rozbije. Statisticky jednou za rok. Když máte štěstí, opravíte ho den, když nemáte, oprava trvá déle.

Dopředu si spočítáte, kolik zdrojů zvládnete udržovat, a snažíte se dělat méně zdrojů do větší hloubky.

Takže když mluvíme o webovkách, žiju v představě, že kdyby neexistovaly katalogy, e-commerce, job posty a podobně, tak obchodník má k dispozici jedině webovku firmy a měl by být schopen na základě toho rozhodnout, jestli tam chce zavolat.

Zjednodušeně: dokud nevyužijeme naprosté maximum z webovky, nemá smysl zabývat se registráty někde jinde.

To je zjednodušený model.

Tady bychom mohli odbočit k tomu, jak nám pomáhá pokrok v AI, o tom se můžeme bavit později, ale není to hlavní téma.

Schopnost získat strukturovaná data z webu, kde jsou v přirozené struktuře, je klíčová.

Firmy nikdy nenapíšou vše, co mají, ale mají sekce jako vozový park a vyfotí všechny bagry, které provozují.

Máme klienta, který dělá servis bagrů a velmi ho zajímá, jaké bagry má firma.

To je hlavní část hloubky a šířky zajišťovaná webem.

Pak je důležité mít data dobře spárována.

A mohu se zeptat – stahujete i obrazová data a analyzujete je?

Když mluvíte o fotkách bagrů, dříve jsme to dělali, fotky jsme měli, ale bylo to příliš náročné a ne vždy víte, co je na fotce, dokud ji celý neprozkoumáte.

Teď už umíme zjistit, co na fotce je. Firma má napsané, které bagry jsou jejich oblíbené, je to tam.

Co se týče nových zdrojů, posunuli jsme se. Dnes už například neprocházíme letecký registr.

V leteckém registru je asi 6 000 letadel, tisíc jich provozuje nějaká firma, což může být zajímavé pro klienta, který nabízí luxusní služby, ale dnes už tam nelezeme.

Můj princip je: má smysl krolovat zdroj, když tam je alespoň 50 000 firem. Navíc musí existovat diferenciátor, proč krolovat právě ten zdroj.

Dále věřím, že inteligence a antiskrappingové nástroje budou v budoucnu chytřejší než armáda lidí, kteří se snaží data získávat.

Playing field, na kterém lze efektivně krolovat, se bude zmenšovat.

Budovat si závislost na více a více zdrojích dává smysl pro diversifikaci, ale v určitém bodě, když se stránka brání, nechcete s ní bojovat.

Je to morální i pragmatický postoj.

K tomu přidám, že hraje roli i mezinárodní pohled.

Když mám zdroj, který funguje v Maďarsku, Polsku, Slovensku, Německu, získává prioritu nad čistě lokálním zdrojem.

Lokální zdroje napojíme, pokud nemají náhradu nebo jsou standardem na trhu, nebo pokud do hloubky známe daný trh.

Jinak se snažíme stavět systém tak, aby šel snadno napojit na novou zemi.

Co se nyní ukázalo – před třemi týdny jsme spustili Maďarsko a už to běží na stejné platformě, kód je společný, ať už zpracovává webovky a další informace.

Část, která je country specifická, je malá.

To vám moc gratuluji, Klaudi.

Takže, na jakých trzích se aktuálně pohybujete kromě Maďarska a Česka?

Máme Slovensko a Maďarsko v produkci.

Máme některé beta klienty, projekty z minulosti v Německu.

A metodiku aplikujeme i na jiné trhy spolu s klienty, kde to má smysl a není to příliš náročné.

Tam už používáme data od jiných dodavatelů.

To je zajímavé.

Chtěl bych na to navázat – jedním z našich use case je predikce potenciálu.

Je to součást toho, že když obchodníkovi dáte tabulku s firmami, sám o sobě to mu nic neušetří.

Firmy tam jsou, ví, že jsou relevantní, ale největší hodnotu dostane, pokud mu je dokážete seřadit podle toho, kolik u něj utratí peněz.

To je docela složitý problém.

I kvůli tomu, že když vám klient dá svá data, nevíte, jestli velká firma, která u něj utratí 10 tisíc, má opravdu vysoký potenciál, nebo to je proto, že má nízký podíl utracených peněz (share of wallet) a utrácí jinde.

Takže dlouhodobě pracujeme na zpracování tohoto.

A navážu na to, co říkal Martin – když vytvoříte model potenciálu nějakého odvětví, například jaký má firma potenciál na operativní leasing.

Je to operativní leasing.

Model je do určité míry univerzální napříč zeměmi, takže už nemusíte tvořit model pro Litvu, stačí mít stejná vstupní data.

Jeden z velkých klientů je v Česku a ve Finsku – chtěli predikovat potenciál finských firem pro jejich služby.

My nic o finském trhu nevíme, ale společně usoudili, že finský trh funguje podobně jako jiné.

Takže model vytvořený pro Česko použijeme i tam, stačí jim dodat data.

Takto jsme schopni dodat hodnotu i do trhů, ve kterých fyzicky nepůsobíme.

Rozumím.

A na Maďarsku – co všechno jste museli připojit, aby to fungovalo? Jaké jsou tam výzvy?

Maďarsko je skvělý příklad toho, že většinu hodnoty lze získat z webu.

Ale všichni my neumíme maďarsky, takže nevíme, co je tam napsáno.

Takže z velké části spoléháme na nějakou automatickou extrakci prostřednictvím OpenAI. Když to ještě zjednoduším, jsme sice schopni získat informace, které podle nás dobře popisují činnost firmy, a zobrazit je uživateli, ale většina našich uživatelů maďarsky neumí. Proto do toho musíme v podstatě zapojit nějaké modelování.

Hlavní sdělení je tedy to, že pokud chcete vstoupit na nový trh, potřebujete rejstřík. Ale pokud jste business machine, tak už máte sadu nástrojů, které vám pouze na základě jména v rejstříku a nějakého seznamu domén vytvoří spárovaný svět webové prezentace a základních rejstříkových dat té firmy. A s tím už se dá něco dělat.

Máme sadu extraktorů, které jdou na web a plní různé úkoly. Například máme model, který na základě nějakého vektoru získaného z webu určí, jestli je to e-shop, nebo ne. Tento model říká: „Myslím, že tohle je e-shop.“ Díky tomu jsme schopni z dvou datových zdrojů získat desítky atributů, protože jsme podobný úkol už dělali jinde.

Další kritický zdroj jsou LinkedInová data, protože dávají celému procesu osobní rozměr. Use case uživatelů často nezačíná firmou, ale člověkem – ať už jsou to championi nebo follow list lidí, které na trhu sledujete. Existence určité role ve firmě znamená, že je to pro vás relevantní. Jasně, celý sales je přece lidská komunikace, zatím.

Maďarsko bylo první výzvou v tomto směru, kdy jsme si museli vzájemně důvěřovat s klienty, protože často nevíme, co je tam v rejstříku napsáno. Ale jak jsi to popsal, zní to potom velmi jednoduše škálovatelné kamkoliv jinam.

Ano, nyní stačí crawler na rejstřík a crawler na jejich weby, a už to máte. Vzpomínám si na jednu manažerskou schůzku před asi dvaceti lety, kdy jsem týmu říkal, že potřebujeme vědět, co je country economics – kolik nás stojí zapojení Ukrajiny. Nezáleželo mi přesně na tom, co to je, protože jsme vždy organicky budovali Českou a Slovenskou republiku, a zapojení Ukrajiny jsme konkrétně nevyhodnocovali. Byly nějaké úvahy a spekulace. Řekl jsem: „Tak to pojďme udělat.“ Dnes už to víme a myslím, že je to i méně, než jsme doufali.

Kalkulovali jsme s nějakými 30 až 40 dny, ale nakonec to byla zhruba polovina. Očkrtnout si vlajku na mapě, to je podobné jako přestup na letišti – byl jsem tam. Skutečně mít kvalitní pokrytí danými tributy, které většina klientů potřebuje, ať už z oblasti e-commerce nebo na úrovni jednotlivců, prostě nějaký čas zabere.

Je to tedy hlavně o tom, být schopen říct: „OK, dosáhl jsem určité kvality, se kterou můžu jít ven.“ Jak měříte tu kvalitu? Podle mě je to brutálně o datové kvalitě. Není to jen o tom mít hodně dobrých a super dat, ale také spojovat různé druhy kvality podle určitého věrohodného modelu, kterému stoprocentně věřím.

To je mimořádně složité: rozhodnout, kterému zdroji věřit a kterému ne. Máte na to nějaký systém? Jak tento problém řešíte?

Děkuji za pěknou otázku. Od začátku jsme zjistili, že nejklíčovějším diferenciátorem toho, co děláme, a dle zpětné vazby i kvalitou našich dat, coverage, přesností a čerstvostí, je konsolidace dat. Ta spočívá v tom, že máte více zdrojů. Když prohledáváte katalog, najdete například nějaké telefonní číslo. Ale je to skutečně ono? Jdu na web a tam je jiné. Čemu tedy věřit? Nejlepší je mít další zdroj. V podstatě je to proces hlasování zdrojů proti sobě.

To vás nutí každý atribut o firmě zpracovávat samostatně. Musíme proto v každé zemi, kde působíme, vytvořit vlastní validační pipeline pro e-maily, telefony, sídla, LinkedInové výpisy, obraty, e-shopy a další atributy.

Dostali jsme se do problému, který řeší mnoho firem pomocí technologií typu dbt nebo vlastních procesů, často na platformách jako je Spark, aby byl scaling možný. Když jsme s tím začínali, dbt bylo ještě v začátcích – pro posluchače poznámka, dbt je platforma pro systematizaci datových transformací. My jsme si logiku psali sami, a nyní vidíme, že naše cesty s dbt se hodně prolínají, takže ho pravděpodobně v budoucnu převezmeme.

Bylo to příjemné období, kdy jsme s relativně nízkými náklady uměli škálovat datovou kvalitu napříč zeměmi a atributy.

Takže slepíte všechny telefony ze všech zdrojů spárovaných k firmám a tam probíhá hlasování, vyberete nejlepší a posíláte ho dál. Ty ostatní, které nevyhrají, zůstávají zachovány, i když někdy nesou nějakou hodnotu.

Z hlediska dat je to poměrně specifické: ověřovat zdroje pomocí zdrojů. Myslím, že to mnoho firem nedělá, spíše spoléhají na zpětnou vazbu uživatelů. Protože přemrní uživatelé mají očekávání – vědí, že nedodáváme účetní systém, který musí sedět na koruny a haléře.

U nás jde o to dát uživatelům inspiraci a ušetřit čas. Nicméně tam je i element spolehlivosti, že se na něco mohou spolehnout.

Postupně se snažíme do uživatelského rozhraní přidávat například žluté zvýraznění u dat, u kterých máme nižší důvěru, s poznámkou jako „confidence 0.8“ nebo podobně. Třeba v případě zpracování finančních výkazů, kde není jednoznačnost, pomáhá takové skóre dát signál o kvalitě.

Kumulace signálů je důležitá – typickou otázkou obchodníka, který cílí na malé firmy, je například: „Je tato firma schránková? Je reálně aktivní, co se tam děje?“ Pokud vidí aktivní web, nedávno zveřejněnou pracovní nabídku a tři nová auta koupená v posledním roce, pak to pravděpodobně není schránková firma.

Každý signál samostatně nemusí být stoprocentně spolehlivý, ale v agregaci vytváří silný indikátor pro obchodníka, na kterém může pracovat.

Rád bych se ještě vrátil k těm confidents, tedy k transparentnosti. Velkým zjištěním posledních let je, že uživatelé oceňují právě tu transparentnost. Důvěřují čerstvým datům a možnostem, kde si mohou ověřit zdroj.

Celý náš produkt jsme postavili tak, aby k jednotlivým atributům firmy mohl uživatel snadno získat přístup ke zdrojům. Pokud je publikovatelný, například u kontaktu, může jít skutečně na web a ověřit, že kontakt tam je, což je také jakási GDPR legitimita.

To nás na začátku nenapadlo – předpokládali jsme, že většina uživatelů řekne: „Super, kontakt tu mám, zavolám tam, to je jedno.“ Což pravda není, a proto je to skvělá vlastnost, že jsme na to takto přišli.

Zajímá mě vlastně také to, zda zákazníci o data vůbec stojí? Co je pro ně tím hlavním důvodem, proč si to kupují?

Chtějí být hlavně data-driven – chtějí dělat rozhodnutí na základě objektivních informací. Ale většina uživatelů, zákazníků, chce, aby data byla využita v organizaci, ale sami se s tím už nechtějí příliš zabývat.

To mi může doplnit Honza, ale podle našich zkušeností záleží na roli uživatele.

Obchodník, který má na starosti konkrétní obchodní případy, chce především šetřit čas a vydělat hodně peněz. Potřebuje něco jednoduchého, rychlého a hlavně nástroj, který mu dá naději při pohledu na data, protože chce vidět potenciál, na kterém může pracovat. Potřebuje se před každou aktivitou naladit.

Obchodník nepřijde do práce proto, aby pracoval s tabulkami. Čím rychleji může získat tu naději, tím lépe.

Druhou velmi důležitou skupinou jsou decision makeři, tedy vedoucí obchodních týmů. Ti chtějí mít především klid na duši, že jejich tým pracuje systematicky a vytěžuje příležitosti na trhu.

U nich už jde více o data samotná. Ne jen o inspiraci, ale o jasný přehled: „Podívej, tvůj segment vypadá takto, toto jsou příležitosti, takto jsou prioritizovány, a tví obchodníci v tom mají aktivitu, efektivní zpracování a recyklaci.“

Toto je náš klasický klient a také moje výchozí zkušenost z iBusiness Machine. Postupně jsem pochopil obchodníky lépe, ale týmový vedoucí či decision maker je velmi důležitá osoba.

Teď mluvíš o těch dvou cílových skupinách – pro koho produkt děláte. A co si vlastně oni kupují? Mají SaaS produkt, do kterého vstupují každý den, a on jim to zobrazuje? Nebo jak přicházejí do kontaktu s Business Machine ve svém každodenním životě?

Děkuji za otázku, je velmi důležitá.

Začali jsme téměř jako čistá datová firma, tedy data, data, data. Postupem času jsme zjistili, že aby data byla užitečná, musí být zpracována na úrodné půdě – a tou je často dobře nastavený CRM systém, například Renaud, Pipedrive, Salesforce nebo Dynamics. Mohou být i jiné.

Pokud má klient dobře nastavený CRM proces a systém, je mnohem jednodušší získat hodnotu z dat.

Napojíme data přes API, data pak proudí do CRM – ne všechna, ale ta, která klient potřebuje. Pro detailnější pohled, kdy chce obchodník analyzovat svou firmu velmi aktuálně a přehledně, slouží náš nástroj Prospektor.

Prospektor je webová aplikace zobrazující a vizualizující informace o firmě. Má tu výhodu, že se přizpůsobuje podle toho, co klient prodává. Například bankovní pracovník na pobočce vidí jiné informace než někdo prodávající vozy nebo solární panely.

Existují různé šablony, nechci jít do detailu, ale je to způsob, jak doručit data, která nemusíte chtít mít v CRM, ale přesto jsou potřeba.

Navazujíc na předchozí otázku ohledně toho, jestli jsou uživatelé ochotni data vidět – i když je nechtějí přímo vidět, my je musíme mít. Protože pokud nemáme kritický atribut, kterým je definován jeho trh, musíme dodat výrazně víc dat, ze kterých on si atribut buď sám vydestiluje, nebo ho vydestilujeme my.

To je skutečná hodnota těch dat. Uživatelé sice ne vždy na všechno sáhnou, ale neměla by existovat nutnost to dělat.

My jako data provider musíme mít tak širokou datovou základnu, aby obsahovala dostatek informací k tomu, aby co nejvíce lidí ušetřilo čas při výběru.

Nechceme, aby uživatelé trávili desítky minut klikáním na filtry a sestavováním si segmentů. S mnoha klienty si domlouváme kritéria a pak jim jen publikujeme nebo předáváme seznam, jakési priority listy, na kterých pracují.

Chápu tedy, že máte různé kategorie klientů – někteří mají jen kreditku, dají ji vám a vy jim rovnou vydáte seznam podle kritérií. Jiní zase potřebují implementaci, a něco více.

Máme klienty s jedním či dvěma uživateli, kteří přímo používají samoobslužnou webovou aplikaci – přihlásí se, vidí firmy, mohou filtrovat a vytvářet vlastní segmenty.

Na opačném konci spektra jsou velké firmy z Enterprise segmentu, kde existují různé typy napojení – CRM systém, datový tým konzumující data, business warehouse, webová aplikace užívána uživateli a dále záleží na tom, jestli je to Enterprise sales tým nebo SMB tým. Use case je tam hodně.

Typický sweet spot je podle mě firma s 4 až 10 uživateli, kteří používají webovou aplikaci, pomůžeme jim s přednastavením segmentů a priorit, a daří se je napojit na CRM systém v jednoduché formě, což zabere pár hodin práce.

To dohromady je ideální situace, kdy bez velkých nákladů a implementačního úsilí dokážeme vytěžit hodnotu.

Vrátím se ještě k validaci jako elementu, který prochází celou firmou až k zákazníkovi.

Často klient potřebuje segment, který si sám ani při nejlepší snaze není schopen vytvořit. Musíme použít nějaký jazykový model, který určí, zda se firma skutečně zabývá například klempířstvím na střechách montovaných domů.

I kdyby byl uživatel velmi pokročilý, tak to nepůjde.

Produktizace a generování insightů, ke kterým jsme dospěli, je natolik efektivní, že je výhodnější poskytnout segment připravený na míru ihned k dispozici v aplikaci.

Teď k Maďarsku. Spustili jste tam Business Machine, gratuluji, máte Prospektor v maďarštině?

Byla to nutná součást působení v Maďarsku, tedy mít front-end připravený pro koncového uživatele?

V současné době je front-end používán v angličtině, a funguje to dobře.

Pokud bude dostatečný počet uživatelů v maďarštině, zvážíme překlad, ale zatím o to nikdo nežádal.

Odpověď tedy je, že v Maďarsku máme salesáky, pro které je klíčové mít místo, kam mohou jít a mít tam vše v jednom – tzv. all in one přehled firem. To je velmi důležité, protože tak mohou skutečně odpovědně vykonávat svou práci.

Není možné to nahradit tím, že budeme mít jen maďarské API.

Zmínil jsi, že by sis nikdy nedělal byznys v Maďarsku, dokud by se nezměnilo zavedení databáze nebo něco podobného. Můžeš to ještě rozvést? V čem je ten maďarský trh tak specifický, že bys tam skutečně podnikat nechtěl?

Tipnu, že to bude maďarština – ačkoli jste pracovali i s Finskem.

Finsko nám dalo odvahu. Ten první velký krok ti ukáže, čeho se bát a čeho ne.

Říkal jsem to proto, že si nemyslím, že na maďarském trhu existuje někdo, kdo by byl ochotný důkladně jít do hloubky a generovat dostatečně detailní insighty na úrovni firem pro naše maďarské kolegy.

To je asi ono.

Obtížnost, myslím, vychází zejména z toho, že každý trh má nějaké specifikum, které na začátku neznáte.

V Německu například neexistuje IČO. Když chcete vstoupit na německý trh, myslíte si, že si stáhnete rejstřík, ale IČO jsou registrovaná na okresních soudech. Ty soudy to mají někde pouze na papíře. Takže je to velmi složité.

Maďarsko má zase spoustu dalších zvláštností. Musí se tam do rejstříku uvést jméno vaší matky. My chceme zpracovávat zdroje, maďarští uživatelé pak chtějí přirozeně vidět údaje do svých CRM systémů, integrovat jméno matek vlastníků firem, a my na to nejsme připraveni. To vytváří řadu komplikací. Říkáme si: „A tvoje máma?“ a uvědomujeme si, že to jsou specifika. Jak to, že máte matku? Právě toto podle mě představuje geniální selekční metodu, kterou bych škáloval i na větší země. Vzal bych jméno a příjmení vlastníka, dále jméno jeho manželky, číslo vlastníka a číslo jeho manželky – to je něco, čeho by mnoho selekčních nástrojů asi využilo.

Náš strach z těch trhů tedy nevychází ani tak z toho, že bychom nedokázali pracovat s tím obsahem a textem, který tam je, ale spíše z toho, že nevíme, jak ten trh funguje z oficiální strany. Víme například, že každý trh má velmi odlišnou citlivost GDPR. To znamená, že kdybychom přišli do Polska bez schopnosti naprosto průkazně ukázat, kde jsme sebrali konkrétní datový bod, budeme mít velký problém. V minulosti tam byly velké soudní spory (lawsuits) proti větším hráčům, než jsme my, které neuspěly a musely se stáhnout.

To jsou samozřejmě obavy spojené s expanzí. Obavu z toho, že nebudeme schopni parsovat data ze zdrojů, zjednodušeně řečeno, nemám. Děkuji.

Teď, když se podíváme dovnitř, na to, jak to běží, jak stavíte ty crawlery, čím ten IČO musí projít, jakou pipeline, než se dostane obchodníkovi před oči s potenciálem – můžeš nás provést touto cestou datové transformace?

Jasně. Tady je hodně momentů z historie naší technologické sekce, které bych rád vynechal.

Začali jsme totiž s úplně lokálním zpracováním, protože jsme nikdy úplně nevěděli, jestli budeme produktová firma, nebo ne. Prošli jsme si poměrně velkou bolestí, jak se zbavit lokální závislosti. Kontejneryzace celého procesu u nás přišla až relativně pozdě, myslím, že asi před rokem a půl, až dvěma lety.

S běžným startupem si myslím, že v tom nemůžeme soupeřit, protože jsme nebyli cloud first od začátku.

Měli jste ale devět datových analytiků na třicetičlennou firmu. To je nějaká úroveň, pozitivní ukazatel.

Nejzajímavější částí našeho stacku kromě crawlerů, které jsou stále univerzálnější, je to, že například máme jen jeden crawler, který krooluje agregátory e-shopů – Zboží.cz, Heureku. Je to jen jeden crawler, kterému se dají nějaké parametry, a on je natolik chytrý, že nakroluje třeba maďarský a rumunský e-shopy.

To je výsledek mnohaleté práce a data acquisition je opravdu efektivní.

Další důležitou částí je historizace. Často zjistíte se zpožděním, že data mají hodnotu, když se historizují.

Zajímáme se o platformy, na nichž e-shop běží, jestli je to Shoptet, Shopify nebo něco jiného. Začnete tedy se zpožděním historizovat data, což je technická výzva. Museli jsme poměrně dlouho řešit, jak efektivně historizovat a jak v pipeline říct: „Ty historizuješ,“ aniž bychom museli nastavovat složitý systém.

Jakou radu bys dal ohledně historizace zpětně někomu z posluchačů, kdo nad tím právě sedí a láme si hlavu?

To je kapacitní otázka. Některá data jsou příliš rychlá na historizaci, ale přirozeně bych začal historizovat vše, co má atributy valid from, valid to, protože tato data nacházejí své využití.

Historizuj, pokud můžeš, protože jinak si uděláš práci dvakrát.

V B2B datech hodnota historie roste. Čerstvost dat je hodnota, ale i historie je hodnota.

Náš ETL nástroj je založený na imitaci frameworku DBT, ale u nás běží skrze populární knihovny SQLAlchemy, které imitují SQL transformace přímo z kódu.

To umožňuje snadnou klonovatelnost přes standardní dědičnost, což je základní princip tvorby datové kolekce.

Poté data projdou handoverem vývojářskému týmu, kteří nemají v podstatě žádnou autoritu říct, že tam data nejsou v pořádku. Oni totiž přijímají data tak, jak jsou, aby je nemuseli řešit.

Mezi dataři a vývojáři je stroj, který denně zpracovává vysoký objem publikovaných dat. Tento stroj zkontroluje, jestli formát sedí, a zda prošla contentová validace.

Například zajistí, že do českého trhu nasypeme aspoň 700 tisíc telefonů.

Jakmile se nějaká procenta změní, pipeline se zastaví, datar se musí vrátit, vysvětlit, proč k tomu došlo, například že vypadl nějaký zdroj, opraví se crawler a pipeline pokračuje.

Vývojáři jsou tedy od datařů striktně odděleni a to je správně.

Technicky je to směs kontejnerů, Azure Data Factory a dalších Azure nástrojů, které díky rozvoji Azure získávají větší význam a cenu.

Super, děkujeme.

Jak se vám mění tech stack s příchodem nových technologií? Asi si dovedu představit, na co narážíš.

Můžeš to rozvést?

Ten hlavní přínos technologie jako chat GPT spočívá v tom, že se nemusíme trápit s porozuměním textu na webu. Stačí se správně zeptat umělé inteligence.

Nejzajímavější současná implementace je, že si trénujeme vlastní model, vlastně fine-tuned model, který spolehlivě extrahuje ze webu strukturovaná data.

Například řekneme: „Přišli jsme na nějakou webovou stránku, řekni mi o této firmě, jestli je to e-shop, jaké jsou kategorie, které se zde prodávají, ale musíš je zařadit do standardní enumerace, ne vymýšlet si je.“

Cílem je, aby model poskytl strukturovaná data co nejvíce na jeden dotaz, což je současný benefit.

Předtím jste používali vlastní model nebo algoritmické rozhodování?

Předtím jsme se méně spoléhali na přirozený jazyk. Když jsme chtěli zjistit, jestli je něco e-shop, koukali jsme na přítomnost ikony košíku v kódu, sledovali jsme metody platby jako PayPal.

To byly signály, které se staly featurami modelu. Dále jsme sledovali, jestli se tam prodávají iPhony, šlo o dílčí signály, které pak regresní model spojil a rozhodl, jestli jde o e-shop.

Tento přístup používáme stále, ale stále častěji necháváme klasifikaci na velkých modelech (VL) s AI.

Super, děkujeme.

Zmínili jste, že predikujete potenciál zákazníků z databáze pomocí spend modelu.

Businessově je to pro nás klíčové.

Do toho vstupují mnohokrát data zákazníků. Pokud například technologická firma prodala světelné prvky a chce, abychom jí pomohli napočítat potenciál, musí s námi sdílet svá data.

To je jeden vstup.

Druhý je know-how, které máme. Honza to technicky vysvětlí, ale protože často extrapolujeme z malého vzorku na větší trh, v B2B, na rozdíl od large language modelů, které mají obrovské množství dat, se dosud nespoléháme na automatické generování.

Existuje hodně lidské inteligence, minimálně pro feature engineering a vstupují do toho zákaznická data.

Je to klíčová záležitost, kterou ještě nějakou dobu budeme držet.

Pro mě je to také otázka peněz, protože pokud chcete skórovat celý B2B trh, musíte poslat třeba milion dokumentů.

Aby interakce s language modelem byla efektivní, musí být buď velmi generická, kdy pošlete všechny firmy jednou a utratíte určitou částku, abyste získali výsledky.

Nebo pokud je dotaz specifický – například firma zabývající se CNC stroji, nebo firmou vyrábějící sítové prvky – museli byste odesílat milion firem prakticky každý týden a ptát se na jiné otázky.

Proto language model zatím v této oblasti hraje menší roli, a myslím, že tomu tak bude i do budoucna.

Děkuji moc.

Jak to u vás funguje v oblasti sales? A jak vám váš produkt pomáhá v obchodě?

Nemáme výborné obchodníky. Oni jsou spíše konzultanti.

Jejich nadšení spočívá v předvedení našeho nástroje potenciálním zákazníkům a částečně se při tom zaměřují sami na to, jak funguje.

Ukáží zákazníkovi, jak je našli, třeba: „Našel jsem vás takto.“ To je dobré, protože se trefili přímo do potřeby.

Interně to považuji za nejlepší praxi.

Používáme segmentaci firem, informační servis pro obchodníky, máme to napojené na CRM.

Ukazujeme integrační scénáře potenciálním klientům, a když řeknou „Přesně to chci,“ pomáháme jim to nastavit.

Máme ještě rezervy, možná by nás mohlo být víc v obchodě a marketingu, ale proces využití dat je dobrý.

Zmínil jsi Bizmachine jako nejlepší případ. Můžeš to blíže představit?

Nevím, jestli nejlepší, ale je to jeden z mých oblíbených případů.

Máme několik starších zákazníků, u kterých bych chtěl zdůraznit větší týmy.

Jako příklad veřejné case study může posloužit firma LMC, která je úspěšná a má skvělý produkt se širokou cílovou skupinou.

Jejich CRM je propojené s našimi daty nejen jako informační servis pro obchodníky, ale celkově je celý trh pravidelně reprioritizován.

Když se objeví signál, například firma, která byla v prioritě 4, se za poslední měsíc významně změnila, posune se do priority 2. Okamžitě se spustí workflow. Obchodník, který má firmu na starosti, musí v daném týdnu provést určitou aktivitu.

Pak je kontrolováno, že se to opravdu stalo.

Vidíme zde určitě rezervy v kontrole, ale data jsou používána.

Bohužel, rádi bychom si s vámi v této oblasti povídali déle, ale čas se nám krátí.

Co vás čeká do konce roku? Kromě rozjezdu v Maďarsku, jaké strategické věci vás osobně těší?

Těším se hodně na to, co máme v plánu v produktovém vývoji, zejména na delivery stranu.

Jak budou uživatelé přistupovat k datům.

Neprozradím všechno, ale chceme vylepšit vyhledávání a zlepšit spolupráci v týmech, protože uživatel není obvykle sám, ale pracuje v týmu.

Chceme, aby čím více času uživatel stráví v systému, tím vyšší je hodnota, kterou ze systému získá.

Aby tam mohl zanechávat nějakou stopu, vkládat svou inteligenci, z níž může on i jeho tým těžit v budoucnu.

Myslím, že zde je tržní mezera, protože CRM systémy jsou dobré v tom, že sledují aktivity obchodníků, ale nejsou příliš dobré v podpoře týmových rozhodnutí o tom, co je a není relevantní.

Také není jednoduché se k těm rozhodnutím v budoucnu vrátit.

A co ty, Honzo, co bys ke platformě dodal?

Musím převážně dělat to, co chce Martin.

Je důležité nechat uživatele říct, co je důležité.

Tedy personalizace v tom, které firmy jsou prioritní, jak se řadí.

Držíme palce.

Moc vám držíme palce a děkujeme, že jste přišli.

Děkuji pěkně.

A to je vše.

Děkujeme, že jste doposlouchali další díl Data Talku.

Děkujeme také našim partnerům: Big Hubu, Vypnoutu, Mantě, Natinu, Atakamě, Jean Beamu, Seznamu.cz a Muse.

Pokud vás zajímají další informace ze světa datových technologií a československé datové scény, navštivte naše stránky datatalk.cz.

Nechť vás provází data.