Podcast

Dobrý den, moje jméno je Jirka Vycherek.
Ahoj všem, moje jméno je Barbara Hinerová.
Vítáme vás u dalšího dílu DataTalku.

Naším dnešním hostem je Jakub Šiler, CEO firmy Karel.
Ahoj, Kubo.
Ahoj všem.

Dneska se budeme bavit o datech, což není překvapivé, a zaměříme se na data v médiích. Karel je totiž startup, firma, která se věnuje a pomáhá médiím využívat jejich data lépe, získat z nich více informací a obecně je dostat do datového světa.

Jakub je jeden z našich místních největších expertů a profesionálů v této oblasti. Celá jeho kariéra je spojená s médii, BI (business intelligence) a datovými řešeními. Jak ses k tomu vlastně dostal? Říkal jsi, že už na střední škole jsi měl v plánu dělat BI ve velkých mediálních domech? Jaká tedy byla tvoje cesta, Kubo?

Určitě na střední škole jsem si to neříkal. Když jsem o tom přemýšlel, rozdělil bych to jednoduše na období před streamem a po streamu – tím myslím Stream.cz. Předtím jsem studoval sociologii. Ta se tradičně dělila na lidi, kteří se chtěli věnovat teoriím, a na ty, kteří chtěli dělat praktičtější, komerční výzkum.

Měla mě na tom učit Petra Průšová, která dnes vede Kantar. Postupně mě pak stáhla ze školy k sobě do Kantaru. Tehdy se to ještě jmenovalo Millward Brown, a já jsem tam začínal klasicky na juniorní pozici.

Pokud nejsme z mediálního světa, mohl bys posluchačům, kteří jsou z jiných technologií, představit, co je to vlastně Kantar?

Kantar je výzkumná agentura, která se primárně zabývá testováním komunikace velkých firem. Měl jsem na starosti testování reklam z hlediska jejich efektivity. Sledujeme, které prvky v reklamě fungují, které nefungují, jak má reklama správně začínat. Kromě toho jsme dělali i jiné komunikační projekty, například jak nastavit celý „Tone of Voice“ nebo brandovou komunikaci.

O jakém roce mluvíme, kdy jsi přišel do Kantaru?

Byl to rok 2012. V Kantaru jsem zůstal asi čtyři roky a postupem času jsem zjistil, že mi agenturní prostředí úplně nevyhovuje. Vždycky mě mrzelo, že výzkum byl jen částí celého projektu – byli jsme jen malým dílkem v mozaice klienta, který si vzal data, ale my neviděli celý obrázek, co s nimi dělá.

V té době jsem začal hledat novou práci a náhodou jsem se dostal ke Streamu. Jednoho dne jsem byl doma, nudil jsem se a scrolloval seznam.cz úplně dolů. Tehdy ještě nebyl nekonečný feed, takže jsem to brzo dojel. Na konci byla sekce Kariéra a tam byla pozice „obsahový guru“. Název mě spíš odradil, ale pozice obsahového analytika mě zaujala, protože měli hledat někoho, kdo by pomáhal rozvíjet obsahové služby s pomocí dat.

Tohokrát mě nabíral Michal Buzek. Trochu odhalím, že mě při výběrovém řízení chtěl přemluvit do jiné pozice – navrhoval mi marketingový výzkum. Já mu říkal, že z marketingového výzkumu chci odejít, tak mě prosím nech udělat ten úkol. Pozdravujeme Michala! Alespoň ať to slyší. Čau Michale! Nakonec mi ten úkol dali. Byla to podle mě jedna z nejtěžších úloh, co jsem tenkrát dělal – čtyři dny jsem analyzoval pořady na Streamu, videa a další věci, které mi zadali.

Ale hrozně jsem to chtěl zvládnout, protože jsem Stream miloval. Byla to pro mě zlatá éra Streamu – byla tam kancelář Blaník, Autobazar Monte Carlo, One Man Show druhé generace, Semestr a další seriály. Viděl jsem to jako vrchol té tvorby, takže jsem si dával na úkol záležet.

Mohu prozradit, že jsem při tom úkolu zcela vypnul svoji tehdejší přítelkyni, dnes už manželku. Čtyři dny jsem po práci chodil domů a dělal úkol pro Seznam – pro Michala Buzka. Nevím, jestli ten úkol vymýšlel opravdu on.

A tak jsem nastoupil do Seznamu. Vzali mě, takže se to vyplatilo.

Říkal jsi, že Stream byl pro tebe jako francouzský formativní období, začátek nové cesty. Ale jistě to nebylo jen o obsahu a pořadu Autobazar Monte Carlo, že?

Bylo to také o rychlosti v Seznamu. Když jsem přišel z Kantarů, myslel jsem, že si tam dám pauzu, ale hned od začátku jsem mohl mluvit s Pavlem Zimou, který se stával obsahovým ředitelem. Okamžitě jsem tak měl jít říkat, co na Streamu dělat, což mě trochu vyděsilo. Po 14 dnech jsem šel na poradu, kde byli všichni známí lidé, které jsem do té doby znal jen z internetu. Trochu jsem se bál.

Co jsi tam tedy prezentoval?

Ze začátku to byly jednoduché věci. Oni měli přehled o sledovanosti, měli i pokročilé metriky, kolik lidí dokouká video do určitého procenta. Postupně jsme se dostávali k hlubším analýzám – které pořady spolu souvisejí, ladili jsme řadu experimentů. Byl to rok 2016 a i když byl Seznam datově skvěle vybavený, nebylo všechno jako dnes, kdy vše lze A/B testovat. Dělali jsme experimenty s publikováním pořadů v různých dnech a časech, zkoušeli jsme to měsíc v jednom čase, další měsíc v jiném atd.

Pro mě to byla obrovská změna, protože jsem byl spíš introvertní analytik, zatímco všichni lidi na Streamu byli extraverti, a najednou jsem jim měl říkat, co mají dělat. Milan Kuchynka, producent, to okomentoval slovy, že přišel Kuba a řekl, že je všechno úplně špatně. Zpočátku se na mě dívali divně, ale postupně pochopili, že mám obsah opravdu rád a chci, aby byl lepší. Dali mi důvěru.

Práce spočívala v tom, že se muselo vytvořit několik případů použití („use case“), které skutečně pomohly. Například považovali za správné mít větší cit pro to, jaká videa doporučovat vedle právě přehrávaného videa. Když jsme říkali „uděláme to algoritmem“, začali tomu věřit, až když výsledky opravdu přišly.

Jak dlouho trvalo získat tu důvěru? Kolik úspěšných „use case“ jsi vytvořil?

Myslím, že to trvalo asi půl roku. Musím ocenit Lukáše Záhoru, tehdejšího šéfa-producenta Streamu, který mi dal okamžitě důvěru a řekl, ať jim říkám, co mají dělat. Na Seznamu se mi líbilo, že jsem mohl komunikovat s kýmkoliv, nemusel jsem čekat na svoji příležitost.

V jaké míře jste se tenkrát zabývali kreativou – co by mělo být ve videích, jaké pořady jsou úspěšné, třeba další seriál?

To bylo skvělé. Už v době mého příchodu se začalo uvažovat o nekonečném feedu, i když podle mě se to stalo až po mém odchodu. Doporučování na homepage se už začalo, a všechny redakce bojovaly o tzv. zlaté pozice na homepage – kdo na něm byl, vyhrával.

Seznam postupně optimalizoval distribuci a vytvořil pozici editora homepage, který o tom rozhodoval místo jednotlivých redakcí. Data byla na velmi dobré úrovni, běžně se měřilo, kdy divák video opouští, v jaké sekundě, a já jsem se věnoval spíše kvalitativní analýze. Nesledoval jsem jen, co dát na homepage, ale přímo analyzoval konkrétní videa.

Protože jsem byl v BI týmu, neseděl jsem přímo ve Streamu, ale všichni věděli, že celý den koukám na videa. Říkali, že to je dobrá práce. Já jsem na to ale říkal: „Zkuste si to sami, protože já koukám na videa osm hodin denně.“ Dnes už některé věci jdou automaticky, ale já si vytáhl pořad, sledoval křivky sledovanosti, místa, kde lidi video opouštějí nebo se vracejí, a na základě toho jsem analyzoval dramaturgii pořadů tak, aby byla dokoukanost lepší. Čím je dokoukanost větší, tím více lidí kouká další videa a tím více je to baví.

Vzpomeneš si na nějaké „aha“ momenty, něco neintuitivního, co ti z dat tehdy vyplynulo?

Teď mi to po čase přijde intuitivní, ale ve videích se často dějí takové „kopečky“ ve sledovanosti, kdy se divák vrací a chce určitý moment vidět ještě jednou. Typicky se takto vrací k infografickým údajům – například při pořadu o výletech, kde jsou zmíněny ceny, například „burčák za 30 korun v této hospodě“ nebo „loďka stojí tolik“. Lidé si tyto pasáže opakují, aby si je lépe zapamatovali.

Také jakýkoli náznak nahoty či zranění v záběru zaujme diváky natolik, že se k tomu chtějí vracet.

Moje oblíbená zkušenost se týká tzv. „ukončovacích vět“. Ti všichni tvůrci dosud používají věty jako „To je pro dnešek všechno“, ale potom ještě mluví třeba půl minuty dál. Datově se ukázalo, že asi 30 % lidí po takové finální větě video ukončí a odejde. To nemá tedy smysl – není potřeba takové věty používat.

Stejně tak na internetu nemají dlouhé úvodní znělky moc smysl. Když poslouchám podcast, třeba DVTV, ta prostě řekne „nashledanou“, jednu větu, a hned končí. To je přesně to, co funguje.

Shrnuto, co v obsahu opravdu funguje, jsou informace, které zaujmou, třeba zmínky o nahotě či zranění.

To zní skvěle! Počkej, to jsi mi trochu dobře interpretoval. Myslím, že uprostřed srpna při přívalu vedra a nahoty v našem podcastu začínám trochu uvažovat, co přesně myslíš.

Tak to byla situace, kdy mě Michal přímo „hodil do vody“ mezi internetové influencery a plastičky.

Co se tam dál řešilo? Sdíleli jste s nimi, že nemají říkat ukončovací věty, nebo jak to bylo z hlediska datové infrastruktury mediálního světa?

Seznam je specifický v tom, že všechna data má u sebe. Nepoužívá žádné nástroje třetích stran, žádnou Kebulu, nic podobného. Ani Google Analytics. Měření prováděl interní tým.

Michal měl na starosti analytický tým složený z vývojářů, který řešil celý analytický stack. Seznam měl vlastní reportovací systém zvaný Reporter, kde jsme si mohli přizpůsobit pohledy, podobně jako dnes v Tabulu.

Navíc přes databázi a SQL dotazy jsme si mohli vytáhnout jakákoliv data, udělat analýzy, jaké jsme chtěli. Já sám bych to technicky nezvládl, proto jsem vždy měl k ruce techničtějšího analytika. Říkal jsem mu například: „Potřebujeme klastrovou analýzu, znám teoreticky, ale potřebuji, abyste mi z dat vytáhli vhodné podklady.“

Zajímavější byla pak práce s obsahem samotným. Redakce často udělaly chybu v úsudku, co spolu souvisí. Vyplatí se budovat silné klastry, které baví diváky, a spojovat jim příbuzné pořady. Ale neznamená to, že pořad o módě bude mít úspěch, když ho nasadíš vedle pořadu o nákupu oblečení nebo módních doplňků, protože divák je úplně v jiné situaci. Krátké seriály mu obvykle slouží jako zábava, ne jako infotainment o nákupech.

Chtěla bych se ještě vrátit k tomu, že Seznam si všechno postavil sám, nepoužíval v tu dobu žádné externí nástroje ani datové stacky. Když se na to teď díváš zpětně, dává ti to smysl, nebo považuješ to za udržitelné?

Myslím, že to pořád drží. Nemám žádné interní informace, ale myslím, že velkou roli hrálo, že Seznam se třeba bál používat Google Analytics, protože nechtěl, aby jeho velký konkurent měl přístup k jeho datům.

Já jsem však tehdy neměl pozici, ve které bych řešil, kolik to vše stojí. Vím, že se několikrát řešilo, kolik celý systém Reporter stojí, a možná nějaké externí řešení by bylo levnější, ale pro mou práci to bylo skvělé, protože jsem měl úplně všechno, co jsem potřeboval.

Pak jsi šel se Streamem pod novou mateřskou společnost, že?

Ano, pak přišla vlna restrukturalizací v Seznamu, což mě velmi mrzelo. Bylo to asi rok po mém příchodu. Michal Buzek odešel a další kolegové, se kterými jsem spolupracoval, také odešli. Nakonec se Stream rozhodl přesunout pod jiného majitele.

Upřímně, v Seznamu mi nic nechybělo, ani v té době, ale cítil jsem, že chci dokončit projekt, který jsem začal. Stream se tak přesunul pod Mall Group a pod tímto záměrem se plánovalo vybudovat českou verzi Amazonu prostřednictvím internetové televize propojené s e-commerce.

Takže to byla Mall TV?

Ano, Mall TV. Pro mě to bylo zajímavé i proto, že kolem sebe neměl žádný ekosystém. Byl jsem tam jediným analytikem, takže vše, o čem jsem mluvil, jsem si musel…

[Text končí.]

Musel jsem se naučit sám. Nejednou jsme museli integrovat analytiku třetí strany, musel jsem definovat, co kde má být, musel jsem se naučit sám dělat tu klastrovou analýzu, abych mohl poskytovat ten servis, který tam byl potřeba. Samozřejmě se práce změnila v tom, že se to stavělo na zelené louce. Měli jsme rozmyšleno, jaké pořady budeme vysílat, ale na rozdíl od Seznamu tam nebyl ten tok diváků z homepage. Strategie tedy musely být úplně jiné. Hodně jsme samozřejmě museli kalkulovat s tím, kolik bude stát propagace jakého pořadu a jestli se to vyplatí. Mnohem větší roli také hrálo to, co jsem zmiňoval – aby spolu pořady souvisely. Na streamu, pokud mohu uvést nějaké konkrétní číslo, tak když byl pořad horší, měl třeba 60 000 zhlédnutí. To bylo v Mall TV na začátku jeden z nejlepších pořadů s takovou sledovaností.

Takže všichni v kreativním týmu se museli najednou přepnout na jinou rychlost a jiný styl. Práce byla zajímavá hlavně z datového hlediska, když se k tomu vrátím. Měli jsme propojená data skutečně s e-commerce. Mohli jsme sledovat, jaké pořady lidé sledují a jaké zboží si konkrétně kupují. K mému překvapení to opravdu fungovalo. I když byl do videa vložen jemný, vkusný product placement, mohli jsme pak zaznamenat, že lidé skutečně nakoupili více toho zboží na Mallu. Problém byl v tom, že to nefungovalo ve velkém měřítku, ale statisticky to bylo významné.

Co to pro vás znamenalo? Ty jsi byl v roli, kdy jsi tvůrcům a producentům vlastně říkal, jak mají pořady vypadat, ovlivňoval jsi kvalitu, například aby pořady končily rychleji? Ano, ale jak jsem říkal, museli jsme se mnohem víc zaměřit na rychlejší ukončování pořadů. Bylo to mnohem racionálnější rozhodování; například dáme pět dílů, něco vyzkoušíme a potom je konec. Neustále jsme hledali distribuční cesty. Postupem času se to dostalo i do partnerství a vznikly tak velmi kvalitní věci. Marty s data asi znáte, ale takovou pozornost to nemělo, nestihlo to mít takový dosah.

Trochu se do toho vložím – Mall Group v té době rozhodně nebyla na úrovni Amazonu. Když se podíváte, jak Amazon funguje a rozhodne se k prémiové službě pro klienty přidat televizi ve stylu Netflixu, je to trochu něco jiného, než když vezmeme český Mall.cz a vytvoříme malý stream, který je ještě menší, než ten na Seznamu. Více než český Netflix mi to připadalo jako český YouTube, kde byl YouTube vlastně tou konkurencí.

Ještě k product placementu – máš nějaké poznatky nebo lekce pro tvůrce, jak dělat product placement, nebo naopak pro e-commerce, jak využívat takovýto kanál, který podle mě je naprostou raritou? Pro tvůrce asi ne, protože oni nedělali…

Jednou za čas jiný product placement. Byly tam různé funkce, například proklikávací baner přímo ve videu, kde se třeba ukázaly boty a uživatel si mohl do něj kliknout, což fungovalo intuitivně. Ale víceméně to nezpůsobilo zásadní změnu dramaturgie pořadu.

Co jsem si ale uvědomil, je, že obsah jednoznačně pomáhá prodejům. Do té doby jsme to neměli změřeno, známe televizní reklamu, což jsem dělal i v Kantoru, kde na dlouhodobých statistických datech to opravdu vycházelo. Musíte mít dlouhý časový úsek, abyste viděli, kolik je investováno do reklamy a kolik se prodá a jak reklamu korelujete s výsledkem testů u uživatelů.

Tady jsem najednou viděl na tvrdých datech, nejen na sociologickém dotazníku, že korelace mezi prodejností a obsahem skutečně existuje. Jediný problém je, že je to složité dokázat, pokud nemáte celý ekosystém, kdy máte skript na videu a přesné údaje na stránce – to se špatně prokazuje. Další skutečnost je, že ověřování trvá delší dobu. Pokud se tedy značka rozhodne investovat do obsahu, musí prostě vytrvat.

Vrátíme-li se k tvůrcům, co fungovalo? Existuje nějaký recept na úspěšný internetový seriál nebo pořad? Říká se, že MrBeast „hacknul“ YouTube algoritmus a že všichni ostatní kopírují jeho formát, protože to prostě funguje… Asi ano, ale když se podíváte, kolik investuje produkce tvůrců, tak to často převyšuje rozpočty i na streamované seriály nebo české televizní seriály. Využívá se platforma, na kterou má přístup, ale s velkým rozpočtem a produkcí vytvoříte áčkový obsah.

Otázka je spíše, jak to „hacknout“ s malým rozpočtem. Tam obvykle fungují věci jako „Darwinovy ceny“, „Mistři volantů“, „Zloději“ – krátké sestřihy čehokoliv, co lidé budou sledovat donekonečna. Nebo videa se zvířaty, rozkošnými štěňátky – na to se lidé dívají nonstop. To samozřejmě není žádný hack, ale v době, kdy se přecházelo pod Mall TV, se redakce spíš soustředila na hodnotnější pořady. Také příliš neprodukovali krátká videa, ale snažili se dělat pořady s hodnotou, například „Zmlsané dějiny“, což byl výpravně velmi kvalitní pořad. Nevím, jestli máte nějakou zkušenost s tímto pořadem, ale patřil k vysokorozpočtovým.

Následně však tlak na ekonomiku projektu vzrostl, protože jsme potřebovali návratnost, takže kratší sestřihy pořadů se nakonec ukázaly jako výhodnější a efektivnější. Například Richard Cacák na Streamu natočil deset dílů „Darwinových cen“ za jeden den.

Lukáš Zahor umí vždy dobře vyvážit to, že některé pořady ekosystém živí, zatímco jiné dělá redakce, protože je chtějí dělat, protože jsou dobré a dávají značce prestiž. Ano, prestiž značky je důležitá.

Ty jsi tedy jednou přišel do Mall TV a řekl, že musíme začít dělat štěňátka a kratší sestřihy, aby se to vyplatilo? Bavili jsme se o tom, ale nikdy jsme úplně takový koncept nesplnili. Nepamatuji si, že bychom natočili pořad typu „Darwinovy ceny“ nebo něco podobného.

A co se týče datového stacku, jak to vypadalo v Mallu? Jak už jsem řekl, musel jsem se některé věci naučit sám, ale na Mallu jsme mohli opět spolupracovat s celým vývojovým týmem Mall Group. To znamená, že některé věci, které jsem potřeboval poradit, mi udělali oni, případně pokud jsme potřebovali implementovat analytiku, měli tam lidi, kteří to zvládli. Součástí Mall TV byl i vývoj od společnosti Žirafa, která nám nasazovala vlastní analytiku. Takže nativně v redakčním systému CMS jsme měli integrovanou analytiku, kterou jsem já mohl definovat, co přesně chceme měřit, abychom se co nejvíc přiblížili tomu, na co jsme byli zvyklí na Streamu.

Používali jsme však také ekosystém, který využívala Mall Group, například když jsme chtěli reporty v Tableau. Bylo pro mě trochu překvapením, že jsem musel dělat i P&L (profit and loss) a podobné věci, které jsem nikdy předtím nedělal. Najednou jsem byl jediným analytikem v televizi, musel jsem do sestavování reportů zapojit i další části.

Při práci na pořadech jsem také potřeboval pomoc kolegů z týmu Mall Group, aby mi vytáhli data například ze systému SAP, která jsem potom reportoval.

Jak dlouho jsi byl v Mallu? Koukám se do taháku – asi dva roky. Potom to pokračovalo v další práci. Asi půl roku jsem dělal současně dvě pozice. Takže jsem přešel do další etapy.

Co je důležité říci o Mall TV, je to, že jsem se tam potkal s Jurajem Felixem, který tenkrát tento projekt Mall TV vedl. A ačkoli poté, co byla Mall Group prodána skupině GRU a projekt končil, Juraj dostal důvěru stát se generálním ředitelem Czech News Centre (CNC). V té době mi nabídl, jestli chci v CNC vybudovat datový tým, protože chtěl transformaci společnosti stavět hodně na datech, aby bylo jasné, jak a co na webu transformovat.

Bylo to zajímavé; měli jsme malou zasedačku, které jsme říkali „akvárko“. Juraj jednou přišel a řekl mi: „Ahoj Kubo, musím ti něco říct, nikomu to neříkej, budu CEO CNC a ty budeš dělat Head of Business Intelligence.“ Řekl jsem mu, že třeba neumím technické věci, že umím dělat reporting a základní dotazy, na což odpověděl, že si objednají odborníky a vše potřebné.

Rozhodl jsem se do toho jít, samozřejmě bych do toho nešel, kdybych neměl představu, s kým budu pracovat. Měl jsem možnost přivést několik lidí, se kterými jsem měl dobré zkušenosti z předchozích zaměstnání, a přesvědčil jsem je, aby do toho šli se mnou.

S Jurajem jste se znali odkdy? Až z Mall TV, kde projekt vedl. Původně byl obchodním ředitelem a později ředitelem Mall TV.

Ještě k mé zkušenosti z Rockwaye – pokud se podíváme na propojení Mall Group a CNC, byla tam vlastnická struktura, která to umožňovala. Daniel Křetinský měl podíl v Mall Group, a tak skupina spolupracovala s Rockwayem. Skupiny se znaly a chtěly urychlit digitální transformaci CNC, která již probíhala, proto nabídly tuto pozici Jurajovi.

Vidím, že často v kariéře, zejména na začátku, je velmi důležité, koho potkáte a s kým se spojíte. S tímto týmem se potom rodí zajímavé projekty.

V CNC jsem se oddělil od Mall TV a pak moje role změnila směr. Musel jsem sestavit celý tým, a proto už jsem tolik nepracoval na obsahu, spíše jsem se soustředil na jiné věci. Důležité bylo, že se mi podařilo přilákat dva kolegy, aby se mnou šli do nového projektu, ačkoli jim tehdy nemohla být odhalena podstata práce. Museli mi hodně věřit.

Pak přišla ještě jedna komplikace – covid, první vlna. Plán byl, aby projekt začal 1. ledna, ale vzhledem k pandemii se vše odložilo, a spekulovalo se, jestli má smysl digitální transformace v té době. Říkal jsem, že bych byl rád, kdybychom to nějak rozjeli, protože kluci už měli podepsané výpovědi. Naštěstí to dopadlo dobře a všichni jsme nastoupili 1. dubna. Ovšem kvůli covidu jsme první tři měsíce pracovali kompletně online. Budovali jsme nový tým v nové firmě, seznamovali jsme se a najímali nové lidi.

Nechci, aby to vyznělo, že CNC nemělo analytiky – čtyři analytici se přidali do našeho týmu, a budovali jsme tým společně. Nicméně online zahájení bylo specifické a náročné pro všechny.

Takže rok 2020 a ty jsi na pozici vedoucího Business Intelligence a Kontrolingu (B.I.K.O.) v CNC, mediálním domě. Co to obnášelo? Jaké byly hlavní priority? Pamatuješ si první kroky a zodpovědnosti?

Obecně jsme dostali úkol reportovat všechny čísla, která jednotlivá oddělení měla. Data ale nebyla centralizovaná; různá oddělení pracovala se svými tabulkami, excelovými dokumenty, prezentacemi. Některá oddělení používala Power BI, jiná ne. Google Analytics byly nasazené, ale jen v bezplatné verzi, což pro naše analýzy v tak velké firmě bylo nedostatečné – data byla výrazně zamlžená a nemohli jsme získat dostatečnou granularitu.

Jedním z úkolů bylo zlepšit analytiku webů. Už byla k dispozici veřejná beta verze Google Analytics 4, tehdy se jmenovala „Apps & Web“. Po zvážení jsme se rozhodli ji implementovat hned na začátku, protože jsme věděli, že k ní stejně dřív nebo později přejdeme. Bylo však složité rozhodnout se, protože věděli jsme, že všechny weby budou zároveň projíždět transformací, a nakonec tedy půjde vše nasadit znovu.

V beta verzi nebyla žádná limitace, takže jsme to implementovali za peníze našich lidí, kteří se té práci věnovali. Pomáhala nám i externí agentura. Naučili jsme se u toho hodně – kluci, které jsem si vybral, byli ze Seznamu a věděli jsme, co chceme a kam směřujeme.

Vytvořili jsme implementační manuál Google Analytics 4 podle našich požadavků. Měli jsme tak výhodu, že jsme mohli průběžně škrtat nepotřebné věci. Při migraci webů jsme pak nasadili pouze relevantní data a analýzy, abychom optimalizovali náklady na službu.

Líbí se mi, jak jsi využil zkušenosti z Seznamu, která ti nastavila vysokou laťku pro práci s daty a jejich množstvím, které jsi sbíral, a také tvou obsahovou zkušenost.

Jaký je rozdíl mezi prací s videi a videoplatformou a nynějším prostředím, kdy se primárně jedná o online kanály, někdy i print, přičemž to je spíše text?

Zásadní rozdíl je v tom, že Seznam je (a byla) technologická firma, která se rozhodla začlenit média do svého ekosystému. To znamená, že dokázali měřit vše najednou. Lidé ve firmě byli známi jako digitální firma.

Například CNC je původně vydavatel tisku, který migroval svůj obsah na web a snažil se měřit výsledky.

To je celé…

Lidé z CNC nebyli zvyklí na takovou granularitu, na takovou úroveň detailu, takže tam nešlo přijít a okamžitě uplatňovat všechny způsoby, které jsme používali v Seznamu. Proto jsme ani nemohli jít do tak velkého detailu. Myslím, že trvalo půl roku až rok, než jsme vůbec začali implementovat Google Analytics a museli jsme vytvořit nějaké reporty, ale šlo pouze o základní reporty, aby je lidé dokázali pochopit.

Jura na nás byl samozřejmě přísný a dal nám skvělý úkol: zároveň vytvořit všechny reporty a také je interpretovat pro obchodní část. Oproti tomu, co vím třeba z Mall Group, kde se roky vymýšlelo, jak se všechny ty e-shopy, které se tehdy integrovaly, dají do jednoho datového systému fungujícího napříč, my jsme museli rozhodovat velmi rychle – teď hned nasadit, teď hned integrovat a teď hned reportovat.

Museli jsme se soustředit na každé oddělení, snažili jsme se udělat pro každé oddělení alespoň něco, aby viděli, že se na ně nezapomnělo, že pro ně něco máme. Ale pak se zase otevřela takzvaná Pandořina skříňka, kdy lidé zjistili, že mohou mít data, a v jeden moment měli pocit, že jim poskytneme data úplně na všechno.

Co bylo pro tým, který jsme rychle vybudovali – od přibližně pěti lidí na začátku až po 25 na konci, tedy když jsme odcházeli – těžké, bylo, že to nejsou automaticky 25 mediálních analytiků běžících po trhu, kteří by všichni rovnou uměli skvěle interpretovat data pro mediální průmysl. Takže jsme všechny ty lidi museli paralelně učit.

S tím souvisela neustálá reflexe toho, co tým dělá, a neustálé ověřování třeba s redakcí, jestli tomu vůbec rozumí. Rozhodně to nebylo jednoduché, protože důvěra v internetová data nebyla vysoká. V době migrace a transformace se samozřejmě stávalo, že některé nástroje měří data jinak. To se stává i při migracích. Měřili jsme weby pomocí auditovaného NetMonitoru, pak Google Analytics Universal, poté přecházeli na Google Analytics 4 a redakce navíc používaly různé real-time analytiky.

Data se tedy nikdy zcela nesouladila, ovšem nesouhlasila třeba o 10 % – to považujeme za normální, pokud sedí trendy. Tento fenomén se však velmi obtížně vysvětluje. Některé redakce byly zvyklé dívat se na univerzální nástroje, které fungovaly na základě samplovaných dat, ale měly k dispozici určité reporty. Jiná redakce sledovala pouze real-time analytiku. Naším úkolem bylo tyto zdroje sjednotit. V různých redakcích jsme tak čelili různé míře důvěry nebo nedůvěry v data.

Vážím si toho jako velmi komplexního úkolu – museli jsme dohlížet na pravidelné reportování, dále na edukaci týmů, to vše při měnících se technologiích. Když jsme přicházeli do redakcí, primární výzvou bylo vysvětlit rozdíly mezi zdroji dat.

Můžeš zmínit, jaké další výzvy tam byly? Čemu jste zejména čelili, když jste implementovali analytiku v daných redakcích?

Další velký problém z mého pohledu bylo sjednocení reportingu. Abychom měli pod kontrolou, že nikdo nekouká do Google Analytics a někdo jiný do jiného nástroje. Rozhodli jsme se proto použít Tableau jako centrální reportovací nástroj. Ale nemohli jsme si dovolit pořídit licence pro úplně všechny kvůli rozpočtovým limitům. Museli jsme tedy zastropovat počet uživatelů a velmi obhajovat, že každý, kdo licenci dostane, bude reporty skutečně používat.

Dokonce jsme měli nějaké reporty ukazující, kdo reporty otevírá – ne kvůli šikaně, ale proto, abychom věděli, která oddělení data opravdu používají a která ne. Šlo o jakýsi meta-reporting, reporting o reportingu v Tableau, což je nativní funkce nástroje.

Ukázalo se však, že ti, kteří měli přístup k reportům, nebyli schopni předávat informace níže do svých týmů. Potřebovali bychom, aby informace dostali všichni redaktoři, ale to se nedělo. Nicméně si nemyslím, že je to jejich chyba, prostě to nebylo v té komplexitě zvládnutelné, neměli jsme nástroje, abychom to mohli každému zajistit.

Neměl být i velký problém v tom, že lidé nebyli zvyklí používat žádný analytický nástroj? Používali pouze svou real-time analytiku, a najednou měli dashboardy, se kterými měli nějak pracovat, že ano?

Ano, bylo to složité. Naše chyba byla, že jsme se snažili vměstnat do reportů co nejvíce různých sdělení a metrik. Průběžně jsme ty lidi školili, ale bylo to velmi zdlouhavé. Strávili jsme stovky hodin školení. Měli jsme stovky reportů, možná je máme dodneška, ale prostě nešlo všechny lidi naučit, aby se v tom vyznali.

Základní myšlenka, že do jednoho reportu dáme spoustu metrik, aby jím mohlo být odbaveno více oddělení, s velkým počtem filtrů, vůbec nefungovala. Bylo to ztracené hned od začátku. To nás donutilo dělat custom reporty, které i když jsou ze stejné datové sady a ukazují stejný pohled, museli jsme je zduplikovat, upravit a dát třeba jen marketingovému oddělení, i když data jsou stejná jako pro redakci.

Proč jste tedy vlastně ta data dělali? K čemu byla médiím dobrá ta stovky hodin školení pro celé CNC?

Souviselo to s celou digitální transformací. CNC bylo stejně jako ostatní tradiční mediální domy založené na modelu prodeje tištěné verze. Není žádným tajemstvím, že tisk každoročně klesá o 10–15 %. Nejsem si jistý, zda někdy zastaví na nějaké stabilní úrovni, možná ano. Ale každopádně se prohlubuje propast mezi příjmy z tisku a příjmy z online.

Řeknu-li to otevřeně, online nedokázal plně kompenzovat pokles v tisku, a proto jsou digitální transformace a data důležitá. Aby všichni mohli racionálně rozhodovat, jaký obsah vytvářet.

Na začátku jsme řešili, zda se některá média z CNC nespletou, jestli se nějak nekonkurují. Bylo jasné, že se to může stát, ale musí to být racionálně obhájené. Proč například jedna redakce dělá určité téma, když jiná to samé téma také pokrývá.

Snažili jsme se na to nahlížet komplexně a do detailu, například pomocí klastrové analýzy, kterou jsem zmiňoval už u streamu, abychom viděli, kdo co společně sleduje. Podobné analýzy jsme dělali i pro weby, protože součástí transformace byla migrace webů.

Některé weby byly ve špatném technickém stavu a výsledkem bylo, že neexistovala jednotná struktura a vznikaly nové šablony – když bylo potřeba udělat novou stránku s jiným designem, vytvořila se nová šablona. Implementace analytiky byla komplikovaná – nespojovali jsme měření na jednu šablonu, ale nasazovali jsme je na každou zvlášť a hledali jejich specifika.

Na základě našich analýz jsme věděli, co je lepší na nový web dát, jaké kategorie by měly být nahoře, kam uživatelé nechodí a jaké sekce vyřadit, aby to bylo efektivní.

Pro konkrétní příklad – redakce E15 měla v rámci své strategie také magazínový obsah. V magazínu byla lehčí témata jako “Vili miliardářů” nebo nemovitosti, které měly vyšší návštěvnost než klasické ekonomické zprávy z burzy nebo o českém obchodě.

V měření to byl jeden balíček, ale naše analýza ukázala, že čtenáři těchto témat spolu vůbec nesouvisí. Návštěvnost magazínových témat byla primárně ze sociálních sítí. Funguje to tak; čtenář, který si přečte výsledky z burzy, nepřejde pak na Vili miliardářů. Jsou to různé cílové skupiny, takže nedává smysl je dávat dohromady.

Redakci to do určité míry zatěžovalo – napsat obojí najednou místo toho, aby se zaměřovali na obsah pro své věrné čtenáře. Nakonec jsme ve spolupráci s E15 rozhodli, že se dlouhodobě vyplatí soustředit se na budování loajálního jádra čtenářů.

Rozhodli jsme se tedy odstřihnout magazínový obsah, aby redakce mohla dělat témata, která jsou jim bližší – například domácí byznys, analýzy nebo burzu.

Podobná situace je často následovaná propadem návštěvnosti, protože uříznete část obsahu, nicméně u E15 jsme pozorovali, že se zvýšila loajalita uživatelů a čas strávený na stránkách. Lidé s médiem skutečně tráví mnohem více času, mají větší pravděpodobnost konverze, například k prémiovým produktům.

To nás přivádí k dalšímu případu: chtěli jsme se posunout od příjmů z placené reklamy k modelu, kdy jsou uživatelé ochotní sami za obsah platit. Potvrzuje se, že lidé jsou ochotnější zaplatit, pokud je obsah šitý na míru a nic je neodvádí od pozornosti.

Jak je to tady s náklady na tento podcast? Zatím fungujeme na klasickém inzertním monetizačním modelu, fakturu pošleme později.

Z mého pohledu krize médií není jen otázkou jako mediální profesionál, ale představuje problém obchodního modelu. Většina internetových médií má obchodní model postavený na počtu zobrazení, což vede k bulvarizaci a k clickbaitům. Na druhou stranu je nesmírně obtížné v bulváru jít protikladem TikToku a krátkým story formátům.

Ano, to je tak. Když mluvíme o bulvárních médiích, tak není pravda, že by celé noviny byly bulvární. Když je otevřete, na dalších stránkách najdete úplně normální zpravodajství. Ale na internetu je vidět především homepage, která reprezentuje celé médium, a často je to nespravedlivé, protože lidé vidí hlavně titulky typu „vražda“, „Andrá Verešová“ a spojí si značku s takovými tématy, které nemusí odpovídat realitě.

Celé je to tak, že obchodní model závisí na příjmech z reklamy, což nutí média přemýšlet, na co lidé více kliknou.

Co znamená přechod od modelu založeného na počtu zobrazení k modelu založenému na předplatném? Co to znamená z hlediska dat? Co jste museli začít řešit nebo spojovat?

Datově to znamená, že chceme nějakou platformu DMP nebo CDP, abychom mohli lépe sledovat chování uživatele a zároveň s tímto vědomím s ním datově pracovat. Ty platformy souvisejí s marketingem, takže pokud na pozadí běží segmentace obsahu, můžeme konkrétně cílit s komunikací, propojit e-mailing s tím, co uživatel vidí na webu.

V některých pokročilých platformách, ač jsme tam teprve nedospěli, jde hrát i s tím, v jaké části článku se článek zamkne, měnit cenu podle situace, kdy si ho uživatel chce přečíst.

Tímto způsobem můžeme efektivněji pracovat s propagací, akcemi, protože sledujeme uživatele a celou zákaznickou cestu – od akvizice po udržení zákazníka.

Pro nás to znamenalo, že jsme uvažovali o nasazení dalšího nástroje. Nešlo o jednoduchou záležitost, i když by se to teoreticky dalo postavit na Google Analytics 4, bylo by to složité, proto jsme hledali krabicové řešení.

Příklady takových nástrojů jsou Piano, Mejro a podobné, ale už tento projekt neměl úplně 100% moji správu a upřímně nevím, jak to dopadlo, jakou cestu CNC zvolilo.

A to nevíš, protože jsi dostal novou misi a nový úkol?

Ano, tady bylo to, že jsme nový projekt vymysleli asi před rokem a půl a transparentně jsme o tom informovali Juraje a vedení CNC. Říkali jsme, že náš datový tým je robustní, přes 20 lidí, a může se stát, že pro organizaci typu CNC bude příliš velký. Je tu možnost, že bude 20 lidí zbytečně, nebo že se práce stane rutinní, protože základní reporting bude hotový a pak ho bude třeba jen udržovat.

Tak jsme řekli, že než někam odejdeme, nabízíme, že bychom mohli v portfoliu vybudovat samostatnou datovou firmu. Od té doby jsme o tom začali diskutovat v menších kruzích, řešili jsme kooperaci týmů a zejména udržení týmů pohromadě. Neměli jsme v úmyslu vzít 25 lidí a přesunout je do jiné firmy, ale udržet efektivní chod obou částí.

Myslím, že se to na konci podařilo. Chtěl bych poděkovat za důvěru a transparentnost, díky které jsme to mohli řešit. Cítil jsem, že se můžu otevřeně vyjádřit a říct, že dlouhodobě to v CNC udržitelné není a že by to nebylo pro CNC výhodné.

Současně se náhodou stalo, že se vyměnil Juraj za nové vedení CNC, ale to s naším rozhodnutím nemělo žádnou souvislost – udělali bychom totéž. Korelace není příčinnost.

Jak plánuješ tedy postupovat dál, když chceš z BI oddělení udělat produktově-konzultační firmu, a co na to říká Karel? Máš nějakou radu pro někoho v podobné pozici, kdo chce své oddělení produktivizovat?

První rada by byla – když má někdo takovou myšlenku, je lepší to říct otevřeně, protože možná to dává smysl i jiným lidem. Je lepší říct, že necítíme dlouhodobě tu pozici, než to tajit a pak z ničeho nic odejít.

Druhá rada je transparentně komunikovat s týmem. My jsme s týmem o tom hovořili rok dopředu a dělali takové rozhovory, kterým zjišťovali, jak jednotliví lidé svoji roli vidí. Jestli je jim to pohodlné, jestli chtějí zůstat ve firmě, kde už je to jasné, nebo jestli chtějí jít do dobrodružství, které nemá jasný výsledek – ani nyní ho nemá.

V první fázi jsme tedy zjišťovali, jak to lidé vnímají a co od toho očekávají. Ve druhé fázi jsme museli vybrat lidi, kteří byli schopni úvodní impuls utáhnout – zejména tým lídry, kteří přišli z CNC. Půl roku jsme předávali některé věci dalším lidem v týmu.

Myslím, že tomu týmu to pomohlo v několika ohledech, a teď…

Jsem 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:

Budu opět trochu kritický vůči našemu týmu jako celku CNC, protože když jste v korporátu a je to nějak zaběhlé, tak se velmi snadno stává, že některé úkoly nemají termíny, nějak se rozplynou, a pokud se nestihnou, dokonce se nedodělají. Potom je velmi těžké hledat nebo hlídat návratnost těch projektů. Nikdy jsme nedokázali asertivně zajistit to, že když nám někdo zadá úkol, zda má opravdu smysl jej řešit. Nedokázali jsme se dostat k tomu, abychom vypočítali hodnotu toho úkolu, protože například bychom s ním strávili více času a stálo by nás to více peněz, než kolik můžeme kdy vydělat implementací nějakého řešení. A celá ta naše migrace způsobila to, že jsme začali mnohem více hlídat naši práci.

Řádově víc jsme se začali ptát lidí v oddělení: „Co s těmi daty budeš dělat?“ Ještě dodáváme: „Řekni mi konkrétní příklady toho, co přesně uděláš zítra, když ti dám tuto analýzu.“ Dokonce jsem na některých poradách takhle vyzýval lidi, někoho jsem „vykoupal“ i na různých pozicích, a fungovalo to dobře, protože se zasekli a zjistili, že nevědí.

Protože když máte najednou hodně dat a můžete mít všechno, chcete všechno, a řeknete: „Nám by se ještě hodila tady ta metrika.“ Proč? „Ale chci ji, protože jsem byl zvyklý, že v jiném nástroji v jiné firmě jsem ji měl.“ Říkám: „Dobře, v pořádku. A co jste na základě toho udělali za rozhodnutí?“ Většinou se ukázalo, že nic. Je to jen pocit, že můžu mít ještě další informaci navíc, ale většinou se dostávám k tomu, co jsem říkal předtím, že přidání další metriky nikdy nefunguje.

Ve finále jsme to museli osekávat tak, aby těch metrik bylo co nejméně. A jak jsme to předávali lidem v týmu, posunulo to samozřejmě i z hlediska know-how tým. Najednou ty lidi v nižších pozicích vyrostly a řekly: „Jo, já to chci. Já vlastně nechci jít s vámi do Karla, ale chci se tady posunout výš v CNC, jsem tady v komfortní zóně a dokážu to.“ Upřímně řečeno, někteří lidé v týmu, u kterých jsem to vůbec nečekal, možná manažerská chyba, ale ukázalo se, že úplně vykvetli po odchodu, že se v CNC posunuli a teď dělají svou práci lépe. Najednou třeba byli introvertního charakteru, ale když jsme řekli: „Hej, můžeš to dělat,“ tak oni řekli: „Jo, vlastně to můžu dělat,“ a posunulo je to hodně kariérně nahoru. Tak to vnímám pozitivně.

Dobře, takže to došlo do fáze, kdy se část BI týmu vyčlenila do Karla, ale my vlastně vůbec nevíme, co je to Karel. Mohl bys nám to trochu představit?

Původní myšlenka byla ta, že uděláme konzultační firmu, která bude dělat klasický datový konzulting z věcí, které jsme dělali v BI týmu a nabídneme ji trhu. Můžeme servisovat ostatní firmy, ať už v portfoliu, nebo mimo něj. Postupem času jsme ale navštívili různé konference, například DataSense, což je konference pořádaná firmou Anifra, což je profesionální organizace sdružující mediální domy po celém světě, a zjistili jsme, že všechny ty mediální domy více či méně řeší to samé.

Řeší business model, jestli se mají stále orientovat na reklamu, nebo na předplatné, na prémiový obsah – to je jedna věc. A druhá věc je, že řeší, že existují dva světy, které si nerozumí: svět datový, analytický typ, a svět kreativní, kreativní typ. Takže vždy řešíte, jak přenést hodnotu informace do něčeho srozumitelného, aby to normální člověk pochopil, a ne analytik. Co je normální člověk? Umělec? To je ještě… no, tak… máte tam redaktory, Dan. No, ale já jsem žil taky sám v domě.

Ty lidi prostě naučíme. Když jim dáme reportovací systém, budeme je školit, aby si to postupně osvojili a rozhodovali se podle toho sami. Ale pak jsem se musel podívat do zrcadla a říci: „To není pravda.“ Prostě to neudělají, není to jejich práce. Není jejich úkolem luštit tabulky, které jim odevzdáme, a učit se data. Jsou to lidé, kteří myslí jinak, a my to musíme úplně otočit. Musíme jim dodávat věci v jazyce, ve kterém jsou přirozeně zvyklí komunikovat.

Na těch konferencích jsme mimo jiné vymysleli něco, co nikoho doposud nenapadlo. Například Guardian posílá denní shrnutí svým redakcím, které píše novinář – jedna osoba, která se vyzná v datech, napíše článek o tom, jak se včera dařilo, dá to do kontextu a funguje to dobře. To je jedna věc. Druhá je, že k tomu používají jednoduchou infografiku, díky níž člověk hned zjistí, jestli je článek dobrý nebo špatný – například používají hodiny, které publikují.

Takže je to jednoduše o sdělení a jazyku, kterým mluví příjemce.

Za mě jedna rada je, že to nefunguje – a nemyslím to špatně – když nějaký jiný tým, složený třeba z jiného osobnostního typu, najednou začne mluvit vaším jazykem. Stejně v datovém týmu je pár lidí, kteří rozumí businessu nebo kreativnímu prostředí, ale celý tým to rozhodně nedokáže a neumí se plně nacítit na stejný jazyk.

Na konferencích jsme ještě zjistili, že máme hromadu strukturovaných dat, a abychom se mohli dostat na úroveň jednotlivce, abychom mohli každému personalizovaně říct, jak se má chovat, jak má s daty nebo svým obsahem nakládat, tak bychom mohli naše strukturovaná data zautomatizovat a místo tabulek a grafů posílat konkrétní insighty a doporučení.

S tímto jsme začali experimentovat. Nepřekvapivě jsme vybrali redakci E15, se kterou jsme měli předchozí dobrou zkušenost. A tady řeknu, i když kolega možná nebude rád, že nakonec vznikl název Karel, protože když jsme měli kamarádky, které nám pomáhaly vybírat název, ptaly se, co se u nás v kanceláři nejčastěji říká. Očekávaly, že budeme říkat machine learning, BI, AI, ale my jsme řekli ne, nejčastěji tam lidé říkají: „Čau Karle, čau Karle, čau Karle… řekni mi, co sakra znamená v tabulce, abych to pochopil.“

Karol byl obsahový analytik v E15, s nímž spolupracujeme dodnes, takže z mého pohledu dosáhl největších výsledků, protože s redakcí pracoval denně, denně interpretoval data a řešili to společně.

Redakce byla tak dobrá v experimentování, že řekla: „Vyzkoušíme tohle, nepovedlo se, tak zkusíme tohle,“ a když to fungovalo, pokračovali dál. Takže jsme si řekli, že pojmenujeme produkt Karel.

Karol je personalizovaný a chceme tím názvem vyjádřit, že nejsme společnost zabývající se datovou vědou, AI nebo BI, protože tyto termíny lidé nesnáší – úplně vypínají. Když jsme měli porady a začali jsme říkat ML něco, lidi přestali poslouchat. Takže „Čau Karle, musíš tam dát emoji do notepadu nebo něco podobného.“

Na konferenci Data Science Day ve Vídni v listopadu jsme postavili první prototyp, kdy jsme data pro redakce automatizovali do jazykového modelu. Funguje to tak, že máme strukturovaná data a pokud se stane nějaká událost, například překročí počet zobrazení článků určitou hranici, nahodíme do databáze jednoduchý tag, jako například „high visits“ nebo podobný. Těch tagů máme kolem 30 až 40, které jsou kategorizované. Ty tagy vložíme do jazykového modelu podobného chat GPT a ten přetvoří do řeči, aby napsal například: „Ahoj Karle, tvůj dnešní článek se vede skutečně dobře, hodně lidí na něj kliká, ale nedočítají ho až do konce, tráví na něm málo času. Zvážil bych, že tam chybí infografika. Tady máš album s infografikami, podívej se, jestli tam není nějaká vhodná, protože víme z dat, že jakákoliv infografika přidá k článku v průměru 10 sekund navíc.“ A lidé s tím interagují.

Konkrétně v E15 je to efektivní, protože je baví používat interaktivní grafy a přináší to další hodnotu, takže se to k tomuto médiu hodí.

My v CNC, ještě v BI týmu, jsme sestavili tým datové žurnalistiky a soustředili se na to, aby tam vznikaly i automatizované reporty – například vývoj burzy. Hodně témat se opakuje, kde se dá použít infografika. Kluci dělající datovou žurnalistiku jsou skvělí a mají zásobu infografik na různá témata.

Bohužel platí, že pokud řeknete šéfredaktorovi nebo redaktorům: „Dejte tam tu infografiku, ona přidá 10 sekund času na čtení,“ tak se to většinou samo nestane. Ale když je trochu „budíme“, například že v každém druhém mailu přijdou informace o tom, jak moc je tam infografika využívána, pak začali infografiky pravidelně přidávat.

Udělali jsme měsíční experiment. Posílali jsme asi 600 redaktorům E15 notifikace, k tomu jsme měli kontrolní skupinu se zbytkem redakce, cca 24 lidí. Po dvou měsících jsme sledovali, jak se chovají. Testovací skupina měla o 14 % lepší výsledky v metrice času stráveného na článku.

Jasně, jsou tam nějaké sociologické efekty, je fér říci, že když víte, že jste sledovaní, automaticky se více snažíte, protože víte, že budete hodnocení. Lidé v experimentu to věděli, takže se více snažili. Pomohly i ty nejjednodušší věci, nikoliv, že bychom řekli: „Napiš z ničeho nic na toto téma, odhalili jsme nový globální trend,“ ale když jsme jen kontrolovali, zda v uvedené beta verzi je infografika, zda je video, fotogalerie, jak dlouhý je článek atd., tyto rady přinesly největší efekt – začali to tam aktivně doplňovat.

Jaký je tedy stav produktu? To je pro mě zajímavé, protože původní nápad byl… Mysleli jste, že to bude startup, produkt nebo?

Původní nápad byl, že budeme dělat konzultační firmu, ale jak nám konference pomohly a zjistili jsme, že mediální domy řeší stejné potíže, a pak – což přišlo později a hrálo nám to do karet – všude začaly vznikat AI nástroje zpracovávající texty, obrázky, radící, stavebně asistující, tak jsme si řekli, že všechny tyto nástroje můžeme integrovat nebo použít k urychlení naší oblasti.

Sami jsme nic revolučního nevymysleli – všechny velké reportovací nástroje to dělají – Google Analytics nabízí Google Insights, Tableau obsahuje základní insighty. Ale hlavní je doménová znalost mediálního trhu. Univerzální nástroje dávají vše obecně, my jdeme do detailů, protože víme, co optimálně chceme.

Důležitá je i možnost přizpůsobit insighty podle KPI konkrétní firmy – zda se chce soustředit na reklamu, předplatné, nebo něco jiného. Zpravidla jde o dva modely.

Pokud firma chce řešit loajalitu uživatelů – která souvisí s časem stráveným na webu –, doporučujeme, aby návštěvnost byla spíše přímá, aby lidé zůstali déle a měli relevantní prvky, které je opravdu zajímají. Kdo chce maximální zásah, kde není chyba, optimalizujeme titulky, náhledové obrázky, delší fotogalerie, nemusí to být sofistikovaný článek.

Takže jsme dospěli k tomu, že můžeme zkusit vyvinout produkt, upravili jsme business plán a požádali o investici také na produkt, která nakonec byla schválena.

Když se ptáš na stav produktu, posunuli jsme ho, ale problém je hlavně jednoduchá implementace analytiky do mediálních domů, aby nebylo nutné půl roku implementovat systém.

Proto se snažíme dělat to úplně odlehčeně. Na podzim bychom měli mít betu pro další komerční subjekty, kam snad nasadíme implementaci. Základ máme postavený na Google Analytics 4, ale jsme schopni pracovat i s jinými platformami, přirozeně největší zkušenosti máme s Google Analytics.

Udělali jsme to jako lehké řešení, které není příliš nákladné, a bude fungovat jako emailový subscription nebo notifikace v messagingových aplikacích.

V této fázi žádné uživatelské rozhraní nemáme, protože v rámci business plánu jsme neusoudili, že je účelné budovat robustní komplexní ekosystém – možná k tomu jednou dojde.

Druhá větev produktu se týká mediálního světa, který dnes není jen o návštěvnosti webu, ale o celém ekosystému sociálních sítí. S tímto mají mediální domy problém.

Nastává individualizace produkce. Už nejde jen o influencery, youtubery či tiktokerů, ale i novináři začínají pracovat na různých platformách jako YouTube, Instagram či „hero-hero“ platformách, kde jim někdo platí.

Už na začátku jsme věděli, že musíme vytvořit ekosystém integrující sociální sítě, aby to dávalo smysl, a obsáhnout uživatele – individuálního tvůrce obsahu.

Produktově nám to ale dávalo smysl v této fázi oddělit.

Mimo „Carl for Media“, což je to, co jsem doposud popisoval, vyvíjíme „Carl for Socials“, mobilní aplikaci, u které do konce roku vyvineme MVP verzi pro iOS. Aplikace integruje data z YouTube, Instagramu, TikToku.

Princip, o kterém jsem mluvil: na jednom screenu budou interpretovaná data z těchto sítí, na druhém budou trendy, které na sítích aktuálně běží.

Dělali jsme desítky, možná i skoro stovku individuálních rozhovorů s lidmi z oboru. Individuální tvůrci nám říkali, že tráví mnoho času hledáním trendů.

Jednoduchá věc, kterou tam uděláme, bude Google Trends – nic složitého. Ale samozřejmě na nástroji pracujeme, abychom mohli dodat rychlou a relevantní informaci.

Toto je přepis a úprava textu do spisovné češtiny s důrazem na zachování kompletního významu a obsahu. Pokud budete potřebovat další úpravy nebo formátování, dejte vědět.

Trendy na sociálních sítích. A co vlastně nazýváme trendy? Je to třeba taneční krok, který zrovna “frčí”? Nebo jsou nyní populární pranky? Například, že se musíš políbit, což je úplná nesmyslnost. Existuje několik kategorií trendů, ale v tuto chvíli se zaměřujeme na to, co říkáš ty – tedy aktuální trendy na jednotlivých sítích.

Samozřejmě existují také trendy do budoucnosti, tedy co bude populární za měsíc, které lze nějak odhadnout, na to rovněž existují nástroje. V této fázi se však tím nezabýváme a soustředíme se pouze na to, co právě teď, konkrétně to, co říkáš ty – například na této síti trenduje toto, na jiné tohle, na YouTube se vyhledává právě toto. To je jedna věc.

Druhá věc, která by mohla být velmi přínosná a vychází nám to ze všech testů, je spolupráce (cooperace). Znamená to, že individuální tvůrce bude moci na těchto sítích hlasovat o příspěvcích, které má ve spolupráci s nějakým partnerem či značkou, a jednoduše si je vyexportovat do jednoho reportu.

Skládání a reportování těchto dat značkám z různých sítí je větší či menší utrpení, a proto se snažíme tento proces zjednodušit a umožnit vyexportovat report z celé spolupráce jedním klikem. Tento report bude standardizovaný podle jednotného přístupu.

V současné době vyvíjíme dva produkty. Jeden lehčí, který zvládneme dělat sami, a to je Karel for Media – jde o e-mailové odběry a nějakou messagingovou platformu. Druhý produkt nezvládneme sami, proto máme externí vývojářskou firmu, která s námi nyní pracuje na prototypu nebo MVP produktu určeného pro individuální tvůrce.

Takové rozdělení jsme zvolili, protože víme, že to bude náročnější a že individuální tvůrci budou k nám nároční. Nicméně tento rozvoj živí především konzultační činnost, tedy prodej vašich hodin.

Na otázku, pro koho vlastně pracujete, když nevyvíjíte vlastní řešení – máme nyní několik větších a menších projektů. Například implementaci Google Analytics 4, kterou realizujeme pro některé e-shopy. V mediálním prostředí provádíme lehčí implementaci například pro DVTV.

Dále máme projekty zaměřené na naši doménovou znalost, tedy mediální oblast. Provádíme například projekty pro CNC jako takové, ale mimo CNC také třeba pro iRefilms nebo některá současná vydavatelství. Pracujeme na menším projektu pro Českou televizi, přičemž část týmu dříve spolupracovala s Českou televizí v rámci akademického projektu. Takže tam je to trochu propojené – že pro ně děláme něco placeného, ovšem nejedná se o přímý příjem pro naši firmu. Oficiálně děláme také menší projekt právě pro Českou televizi.

Další projekt realizujeme například pro Asociaci producentů v audiovizi a podobně. Aktuálně máme zhruba 10–15 klientů, většinou menších projektů, není to nic masivního.

Přesto ale zní skvěle, že i na začátku existence firmy máte v portfoliu poměrně zajímavá jména. Malý trh – asi by se druhý Karel tady neuživil, že? Jak velká je ta specializace a vaše relevance? Český trh je přece jen malý, ale máte zajímavou nabídku.

To je pravda, ale zároveň s tím bojujeme. Naše nabídka totiž nikdy nebyla zamýšlená pouze pro české trhy. Díky tomu, že jsme byli součástí Oneifra a jezdili na zahraniční konference, si ověřujeme, že je relevantní i pro zahraniční média.

V Česku je však mediální průmysl v určité krizi, a proto není jednoduché se čistě specializovat na mediální oblast. Proto jsme se rozhodli, nebo spíše nezvolili striktně jednu cestu. Umíme integrovat data v Kebule a Google Cloud Platformě a pracujeme se všemi existujícími vizualizačními nástroji, takže můžeme obsluhovat různé klienty, nejen z oblasti médií.

Přizpůsobujeme se poptávce a rozsahu služeb, které klienti potřebují. Zmínil jsem mediální klienty, protože se o ně zajímáš, ale například e-shopy samozřejmě nemají s médii nic společného. Na druhou stranu u nich děláme například to, co i s MOL TV – nejen nasazení Google Analytics 4, ale také hodnotíme, jak funguje blog, video či kanál na YouTube pro daný e-shop.

Aktuálně nejsme zcela u těchto analýz u e-shopů, ale snažíme se tam postupně dotáhnout.

Dobře, rádi budeme beta zákazníkem podcastového Karla.

Kubo, můžeš ještě říct, co ses za celou svou cestu od Kantaru až po Karla naučil? Jaká byla tvá největší ponaučení?

Asi největší poznání, které se tu prolíná, je trošku zklamání – totiž že ten nejhezčí graf, tabulka či dashboard nefunguje, minimálně ne v té míře, jakou bychom si představovali.

Takže stovky hodin školení v Tableau bys zpětně trochu osekával nebo měnil?

Ne, myslím si, že je to evoluční krok. Lidé si musí projít tímto procesem, aby věděli, že nějaká data existují, co v nich mohou vidět za metriky a že jsou založena na něčem, čemu mohou alespoň trochu věřit.

Ale pokud chceme dovést konkrétního člověka k nějaké akci, musíme mu poskytnout personalizovaná doporučení, která vedou ideálně k jeho osobním pracovním cílům.

Na konci mého působení v CNC jsem prosadil to, že jsem šel a oslovil lidi z redakcí, se kterými jsme spolupracovali, a otevřeně se jich zeptal na jejich názor na naše tříleté snažení.

Nečekal jsem od nich příliš mnoho, ale dostal jsem upřímné odpovědi: „Když řeším nějakou kauzu nebo svůj vlastní obsah, jsem v tom ponořený třeba tři dny. Nemám čas koukat do reportů, dashboardů nebo tabulek, kde nevidím význam některých čísel.“

Řekli: „Přijďte a povězte mi to jednou v moment, kdy je to pro mě relevantní, a dejte mi konkrétní instrukci, co mám udělat. Nebo mi také řekněte, co je úspěch a co neúspěch – jednoduše a jasně.“

To byla chyba některých našich týmů – analytici se příliš snažili vysvětlovat podrobnosti, aby obhájili svou pravdu. „Použili jsme tuto metodu, je sofistikovaná,“ ale to nikoho nezajímá.

Zažil jsem podobné i v Kantaru – když jsme chodili ke klientům, nezajímalo je, že jsme použili multifaktorovou regresi nebo, že je něco významné na hladině 95 %. Prostě to nebavilo.

Přesně tak. Výstup musí být jednoduchý: „Chcete se více zaměřit na ženy, nebo na muže? Musí to být jednoduché a jasné.“

Občas však nastane situace, kdy odpověď není jednoduchá, jednoznačná ani černobílá. Neexistuje jediná věc, kterou udělat. Ale analytik by měl být schopen určit alespoň jedno z možných správných řešení, přidat k tomu intuici, konzultovat s ostatními odborníky a vybrat takové řešení, o kterém budou všichni vědět, že není špatné.

Jedním z mých ponaučení z mediálního prostředí je také to, že data nelze přeceňovat v tom smyslu, že by pomohla vytvořit nějaký blockbuster. Titanic nebyl natočen na základě dat.

Data však velmi dobře pomáhají eliminovat riziko, že něco skončí propadákem. Například můžeme s jistotou říct: „Nedělejte toto, protože na to nikdo nebude.“

Samozřejmě může nastat výjimečná náhoda – například korejský film na Netflixu, který se nečekaně prosadí, ale obecně data pomáhají riziko průšvihu výrazně snížit.

Na shledanou, takto zakončím. A to je vše.

Děkujeme, že jste vyslechli další díl Datatolku. Děkujeme také našim partnerům Big Hubu, Vypnoutu, Mantě, Natinu a tak dále, dále Jean Bimu, Seznamu.cz a Muse.

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

Nechť vás provází data!