Podcast

Dobrý den, moje jméno je Jirka Vicherek.
Dobrý den všem, moje jméno je Jinek Wollner.
A vítáme vás u dalšího dílu DataTalku.

Mám velkou radost, že přibližně po roce přemlouvání nejen od nás konečně přijal pozvání Ilja Wolf.
Vrátný tohoscény, matador české BI scény a nově zakladatel a partner firmy ByteGarden. Ahoj, Iljo.
Nazdar, nazdar, dobrý den, děkuji moc za pozvání.

S Iljou dnes máme velké a důležité téma. Budeme se dívat na BI a budeme se dívat na BI jako na strategický nástroj, jako na něco jako change management na steroidech, abych použil Iljova slova. Než však tak učiníme, možná to projdeme trošku chronologicky. Pojďme se podívat, kde vlastně začala tvá kariéra v datové scéně. Jak ses k tomu vlastně dostal?

Moje cesta k datům nebyla úplně přímočará. Začal jsem pracovat nejdřív v Mersku hned po škole, kam jsem se dostal do management training programu. Ten měl za cíl, abych rotoval po firmě, vyzkoušel různé operační funkce a zároveň se vzdělával v jejich centrále. Začal jsem na zákaznickém servisu, kdy jsem normálně odpovídal na telefony v softwaru, uvolňoval kontejnery a zajišťoval vnitrostátní přepravu kontejnerů z přístavu do Česka. Typický management training?
Přesně tak.

Moje druhá pozice byla jako business analytik pro logistickou divizi, která tehdy zaváděla SAP. Mým úkolem bylo vytvořit základní reporting na těch datech. Narazili jsme na to, že SAP tehdy ještě nebyl úplně uživatelsky přívětivý, takže spoustu věcí jsme dělali v Excelu.
V rámci těchto zkušeností jsme se učili, abychom to zavedli?
Ano, to je asi 15, 16 let zpátky, tedy kolem roku 2007, 2008. Právě tam jsem začal hodně pracovat s Excelem a vystavěl jsem spoustu věcí právě v Excelu. Vím, že dnes je na Excel často hodně kritiky, což si myslím, že je na datové scéně nepřiměřené. Rozhodně větší kritika je na SAP, myslím.
Ano, ano, to je pravda.

Tam jsem začal vlastně stavět první datová řešení. Jednou z věcí bylo vytvořit nějakou unit economics a základní reporting profitability skladových operací. Vystavil jsem sadu propojených Excelů, kde skladníci zadávali jednotlivé úkoly, kolik času jim co trvalo, a já to pak konsolidoval a vytvářel zákaznickou P&L (profit and loss). Už tehdy jsem si přičichnul k disciplíně change managementu jako takové. Protože data se používala ke zvýšení produktivity a už tehdy jsem zakusil, co se honí hlavou koncovým uživatelům při implementaci takových projektů.

Viděli totiž, že se najednou zvýšila transparentnost výkonů a doby trvání jednotlivých aktivit. Už tehdy jsem pochopil, že change management je mnohem širší disciplína než jen vytvořit report. Je zásadní, jaký dopad má ten report na lidi a jak pracovat s jejich motivací a angažovaností, aby věci zlepšovali a posouvali dopředu.

Jak dlouho to trvalo? Asi dva a půl roku, něco takového.
Poté jsem přešel do firmy Tuax, což je francouzská společnost, která koupila v Supíkovicích – Veseníku výrobní závod na kontejnery. Tam jsem šel implementovat Lean Production System. Znamenalo to běhat po fabrice a měřit stopkami, jak dlouho trvá každá operace. Navrhl jsem nový layout fabriky a přeorganizoval průběh výroby.

Měl jsem na starosti i back office, realizace, vývoj a technické záležitosti. Tam jsem získal silnou zkušenost s řízením operací. Myslím, že je to důležitý pohled, na který se pak opřu v hlavním tématu. Lidé, kteří chtějí dělat změnu prostřednictvím dat, musí zažít, co znamená rozhodovat, řídit a plánovat práci a být zodpovědný za provozní plnění.

Ve svých pozdějších BI rolích jsem často narážel na to, že lidé měli velký nesoulad mezi přípravou dat a praktickou užitečností těchto dat, protože neměli přímou zkušenost. V Tuaxu jsem si tedy zažil drsný provoz a opět hodně change managementu.

Po Tuaxu jsem nastoupil do Socialbakers, který byl tehdy jeden z prvních úspěšných startupů v Česku v oblasti marketingové technologie. Úkolem bylo vybudovat lead generation funkci, což bylo kolem roku 2012. Jak jsi se k tomu dostal, když jsi přecházel z výrobních procesů k marketingové technologii?
Já jsem měl štěstí. Hledal jsem práci a reagoval na inzerát na projektového manažera v BI. Ten job jsem nedostal, ale Socialbakers mi nabídli pozici v lead researchu a demand generation, kde se jim zdál můj způsob myšlení vhodný.

Potkal jsem se také s Martinem Humlem, tehdejším prezidentem, a Honzou Řežábem, spoluzakladateli firmy, a dostal jsem důvěru, abych tu funkci postavil.

Co znamená postavit lead generation funkci v Socialbakers v roce 2012?
Mnoho firem to dnes považuje za standard – firmy generují inbound skrze reklamy či PR, ale pokud chtějí růst rychle, je potřeba podpořit inbound i outboundem. Mým úkolem bylo sestavit tým, který vyhledává relevantní firmy pro Socialbakers a identifikuje kontaktní osoby, které předáváme business developmentu.

To ale nebyl jen prostý research. Socialbakers zabývali průmyslem social media, který ještě nebyl důvěryhodný, takže nebyly benchmarky ani tabulky, jaké firmy jsou vhodné. Vytvořili jsme systém, který mapoval sociální profily firem na jejich účty, počítal fanouškovskou základnu a podle toho nastavoval prioritu. Stavěli jsme datový svět propojených aktiv k firmám.

Měl jsi pod sebou tým? Ano, už v Mersku jsem začal řídit týmy, a když jsem přišel do Socialbakers, vedl jsem celý tým lead researcherů, což byli většinou vysokoškoláci na začátku kariéry. Učili jsme je nejjednodušším způsobem zapojit se a chápání firemních priorit. Mnozí potom v rámci firmy rostli do marketingu nebo prodeje.

Jaké technologie jste využívali? Původně měla firma implementovat Pentaho, ale to moc dobře nefungovalo. Nakonec jsme pracovali hlavně v Excelu a sdílených tabulkách, opravdu hodně základních nástrojů a workflow. Později jsme nad datovou základnou vyvíjeli automatizovanou komunikaci se zákazníky.

Vyvinuli jsme například automat, který posílal manažerovi social media u Pepsi Pepsi Cola report o tom, jak si vedou jejich stránky vůči konkurenci Coca-Coly na jeho trhu. Bylo to personalizované a automatizované reportování. Pro nás to byla ochutnávka možností datové analýzy.

Jak dlouho jsi byl v Socialbakers? Asi tři roky.

Zdá se, že Socialbakers byl první výraznější moment, kdy se datová scéna začala rozvíjet. Jaká byla situace na scéně tehdy?
Měl jsem spíš pocit izolace, žil jsem si ve své bublině, v našem světě „pekařů“. První kontakt s širší komunitou jsem měl až s přechodem do Rockaway a Mall Group, kde jsem poznal Kebulu a další. Do té doby jsme si dělali věci většinou samostatně a interně.

Já jsem Ilju Wolfa prvně zaznamenal také v Rockaway, když mi bylo oznámeno, že bude mým novým šéfem. Ten moment byl pro mě hodně památný, protože jsem původně přišel do Rockaway do value creation týmu a neměl jsem žádný tým. Tehdy mě Kristýna představila jako šéfa BI týmu, a já jsem si musel během vteřiny přehodnotit celý směr schůzky.

Musím říct, že v tu dobu jsem vůbec netušil, co BI obnáší. Věděl jsem, že jde o data, ale nevěděl jsem, co je ETL proces a jak technologie fungují. Díky vám, Hinku, jsem se toho hodně naučil.

Jaký byl skok z value creation týmu do Mall Group, kde jsi vedl BI oddělení a stavěl e-commerce projekty? Ve value creation týmu jste skákali mezi startupy?
Ano, ve value creation týmu jsem byl ale jen krátce. Hned první den jsem pochopil, že hlavním cílem tehdy je Mall Group, která ještě nebyla plně akvírována. Věnovali jsme se e-commerce businessům jako Pro děti, Big Brands, Kolonia, Vivantis a dalším. Cílem bylo vytvořit jednotný reporting a dokončit akvizici, po které jsme se plně zapojili do Mall Group.

Chvíli před natáčením jsme se bavili, že Mall Group je místo, kde se zhmotňuje hlavní téma podcastu – tvá mise o BI jako change managementu. Kde to všechno začalo?

Můj hlavní claim je, že BI je change management na steroidech. Mnoho věcí se dá ilustrovat právě na příběhu Mall Group. Hodně lidí vnímá BI jako tichou oázu, kde přitékají data, a BI specialisté píšou tabulky – snadná práce. Já jsem si to také tak původně představoval, ne že bych chtěl lehkou práci, ale měl jsem takovou iluzi.

Jenomže už na prvních schůzkách jsem pochopil, že BI není „easy peasy job“. Je třeba si uvědomit, co BI znamená. Často jsou na tým kladeny téměř zázračné požadavky. Složitost spočívá v tom, že data neumožňují nejednoznačný výklad. Když něco spojujeme (join), musíme jasně říci, co na co se spojuje. Když něco dělíme, musíme říct, co s čím dělíme.

Neexistuje prostor jako v Excelu, kde se nesrovnalosti opravují komentáři nebo přepisem čísel. V BI to nějak takto nefunguje. Současně je potřeba data správně napojit, transformovat a přechystat do správného formátu.

Zadavatelé často neumějí plně chápat, jaká data v základech jsou, ale to je ještě celý text. Rád opravím i pokračování, pokud budete chtít.

Mnoho lidí si vůbec neuvědomuje nejasnosti procesů, protože se to na meetingu dá nějak přejít. Ale Business Intelligence (BI) si to dovolit nemůže. To znamená, že výzva spočívá v tom, že máte nějaké informace, máte zadání a najednou zjistíte, že to zadání bez širších změn ve firmě není možné splnit.

Toto otevírá celou kapitolu o tom, co vlastně BI je. Než začneme zpracovávat data, je potřeba zmapovat všechny procesy související s oblastí, která se reportuje. To často znamená chodit za různými lidmi v byznysu, za lidmi v IT a snažit se propojit to, co říkají lidé v byznysu, s tím, co reálně ty IT databáze a systémy dělají. Je potřeba poukázat a najít rozdíly, kdy si lidé myslí, že něco funguje určitým způsobem, ale ve skutečnosti funguje jinak.

Toto přináší velmi komplikované a hluboké téma, jak všechno sladit dohromady. Výzva spočívá v tom, že je nutné přijít s řešením, nestačí jen říct, že to nejde. Řešení znamená, že se někde musí předělat nějaký proces. Aby byl proces možné změnit, je potřeba se domluvit s obrovským počtem lidí na tom, jak má proces nově fungovat, a dodefinovat nějaké pojmy.

Dám příklad. Typická otázka zní: Co znamená „net sales“ ve firmě, nebo „net revenue“, „gross revenue“ či „gross sales“? To jsou diskuze, které mohou člověku zvenčí přijít absurdní, ale ve skutečnosti se v těch firmách řeší i rok, dva, nebo dokonce ještě mnohem déle. Toto otevírá celou kapitolu o tom, jak vše sladit dohromady.

Nechci být v tomto příliš zaujatý svým pohledem, ale dataři jsou často velmi přesní lidé, často bych řekl i introvertní, a najednou musí vyřešit svůj problém tím, že se otevřou celému světu a začnou si se všemi vyjasňovat různé věci, což je opravdu obrovská výzva.

Vnímáš, že je to zodpovědnost BI oddělení toto řešit? Je to nutná součást jejich práce, nebo by toto měli dělat jiní, kdo řeší procesy ve firmě? Něčí odpovědnost to být musí, a z mého pohledu většinou zůstává na BI. Proto si myslím, že se tým na to musí připravit, a pokud je na to připravený, pak je to naprosto v pořádku. Není předem dané místo, kde by tato zodpovědnost nutně měla být definována.

Problém je v tom, že týmy obvykle takto nejsou stavěné. Jsou primárně datové a technické a nejsou připravené řešit celé spektrum záležitostí kolem toho. Nepřipomíná ti to trochu paralelu se softwarovým inženýrstvím? Když jsi byl v IT oddělení a nyní máme agilní týmy, jejich součástí je produktový manažer, uživatelský výzkum a podobné disciplíny. Takže se to také otevírá a propojovat.

Určitě. Myslím si, že je to důvod, proč jsem na úvod popisoval svou zkušenost z Merskustúacu a Social Bakers, kde role nebyly tolik datové. Myslím, že v týmu je potřeba mít celé spektrum znalostí. Nejen technickou, ale i někoho, kdo má zkušenosti s procesy a reálným dopadem na lidí. Někdo, kdo dokáže představit si za čísly něco víc než jen samotná čísla, tedy celý proces a k čemu data slouží.

Myslím, že dnešní agilní týmy sestavené z různých výzkumníků, UX specialistů, jsou přesně tím, co je potřeba. Když se vrátíme do Rockaway nebo Mall Group, jak vypadal tvůj tým a jaké schopnosti jste měli? Vnímal jsi to jako součást svého zadání?

Určitě. Já to vnímal jako své poslání – prokopat se firmou a být pilířem změny v oblasti dat. Na začátku jsme měli dva týmy – jeden z Rockaway, který jsem si přinesl, a druhý týmy z firem jako Mall Group a CZZ. Celkem asi osm lidí. Mým úkolem bylo to „odpíchnout“. Je to klasická situace, kterou slyšíte v mnoha firmách: byznys říká, že je všechno pomalé, žádné reporty, které potřebujeme.

Cílem bylo najít způsob, jak to vše odšpuntovat, otočit, a jak pomoci Mallu otočit se do profitu nebo výrazně snížit ztrátu.

Jak jsi k tomu přistupoval? Jaký byl první konkrétní krok na úrovni technologií?

V rámci skupiny bylo 10 až 20 firem a široký mix technologií. U Mallu samotného jsme měli asi 7 nebo 8 různých BI platforem – Subhana, Business Warehouse, Analyzer, Business Objects, prostě všechno možné.

Všiml jsem si, že každá technologie byla náročná na ovládání. V týmu bylo víc technologií než lidí na jejich obsluhu, takže jeden člověk musel ovládat několik technologií. Každá platforma byla složitá a náročná na pochopení.

Řešili jsme tak i triviální úkoly velmi složitě, protože se muselo koordinovat více lidí a data se předávala mezi systémy.

Jedna z prvních věcí bylo zredukovat složitost technologií. Sestřihnout počet platforem, i když to bude trvat a bude to mít počáteční náklady, protože to se stoprocentně vrátí v efektivitě.

To se jednoznačně potvrdilo.

Jak těžké to bylo?

Za každou technologií stál původní tým, který si ji vybral s argumentem, že to je to nejlepší řešení. Například Sabhana měla za sebou čtyři roky custom integrací a stovky hodin práce. Přijít a říci, že se to musí všechno zrušit, bylo velmi komplikované. Systém vznikl z dobrých důvodů a lokalně optimalizoval maximum.

Já se na to díval globálně a hledal maximální efekt jako celek. Nepodařilo se mi to prodat. Jsem spíš silový manažer, změny prosazuji víc silou než koučováním a dlouhým přesvědčováním.

Byl jsi v pozici, kdy jsi konsolidoval akvírované firmy, zvláště v e-commerce, tak se dalo očekávat, že nástupce přijde s vlastními pravidly?

Stoprocentně. Bylo mi jasné, že není čas na odklad. Musí se to udělat rychle.

Udělali jsme přísevek – vybrali jsme něco, co již máme v domě, nehledali nové platformy a provedli interní assessment. Nakonec jsme zvolili dvě technologie.

Jak takový assessment probíhal a co bys doporučil někomu podobně rozhodujícímu?

Stanovili jsme si kritéria předem. Hodnotili jsme technické parametry z hlediska výkonu platforem a efektivitu práce.

Dívali jsme se na to, jak snadné bude zapojovat nové lidi do technického rámce, protože náš tým mohl být zdvojnásoben či ztrojnásoben, ale s tím mixem technologií by se efektivita snížila.

Bylo jasné, že je potřeba zjednodušit systém a mít platformu, do které mohou být zapojeni lidé z byznysu i dalších oddělení a ulevit centrálnímu BI týmu.

To jsou metakritéria jako efektivita práce a snadnost onboardingu.

Potřebovali jsme přivést i externisty, ale například nastavení přístupu do Hadoopu a pracovní plochy trvalo příliš dlouho – to prostě nešlo rychle zvládnout.

Měl jsi srovnání platforem v rámci firmy? Takže jsi mohl zhodnotit?

Ano, a přiznávám, nechci dělat reklamu, ale práce s Kebulou byla z mého pohledu dvojnásobně produktivní.

Kebula byla jeden z vybraných nástrojů. Co jste dále zvolili?

Jako vizualizační vrstvu jsme vybrali Tableau. Důvody byly dva – snadnost zapojení širšího okruhu lidí a výborné vizualizační možnosti.

U Tableau je skvělé, že si uživatelé mohou vytvářet datashortcuts prakticky nezávisle na centrálním týmu a napojovat je na různé zdrojové systémy podle potřeby.

Navíc Tableau je špička ve vizualizaci. Můj názor je, že reporting se zvládne relativně rychle, ale hlavní přidaná hodnota je v exploraci dat. S nástroji jako Tableau jde krásně vytáhnout a vizualizovat komplexní souvislosti – například scatterploty s rozdělením podle různých faktorů.

Jakmile jste konsolidovali technologie a dali dohromady efektivní platformu, jaké byly první byznysové produkty nebo projekty, kterých jste se v BI týmu chopili?

Začali jsme nejen ukazovat data, ale také nastavovat procesy pro vyhodnocování například kampaní. Hledali jsme způsoby, jak automatizovat práci.

Rád bych zmínil reporting kampaní a také velmi zajímavý projekt dynamického pricingu.

Pro e-commerce firmy je klíčové prodávat a růst obratu – to je hlavní metr úspěšnosti, protože trh roste a kdo zaostává, není zdravý.

Mnoho firem zvyšuje revenue různými promoakcemi. My jsme řešili například profitabilitu diskontních akcí a dopravy zdarma.

Jeden z prvních pokročilejších případů byl, jaký je skutečný uplift aktivity po zohlednění kanibalizace a ostatních jevů.

Standardně je situace taková, že pustíte reklamu na nějaký produkt, například pračku, vidíte nárůst prodeje a myslíte, že kampaň má návratnost 300 %. Realita je ale složitější – je nutné koukat na celé portfolio praček a jejich substituty.

My jsme proto hledali způsob, jak vyhodnocovat kampaně komplexně a zjistit, zda je skutečný celkový uplift, nebo jen přesun poptávky.

Tento případ se rozvíjel a stal se standardem.

Nejzajímavějším projektem byla implementace dynamického pricingu.

Začalo to tak, že přišla velká konzultační firma s nabídkou: dejte nám jednoho excelového mága a my vám uděláme dynamický pricing.

My jsme dali místo excelového mága dva lidi, protože jsme tušili, že Excel na to stačit nebude.

Pro představu: Mall Group měla 100 000 skladových položek, prodávaných na pěti trzích, takže pricing se musel řešit individuálně pro každý produkt na každém trhu, tedy asi 500 000 položek.

Projekt se rychle změnil v nutnost vyvinout modely zohledňující konkurenční ceny, sezonalitu, specifika webu a skladovou dostupnost.

Druhá část úkolu byla, jak toto nasadit ve firmě.

Měli jsme výhodu v plné podpoře managementu, nemuseli jsme obhajovat projekt.

Nicméně change management u dotčených týmů byl náročný.

Výchozí situace byla, že většina produktů byla naceněna jednou při zadání do katalogu.

U top produktů obchodníci cenu denně sledovali a případně upravovali.

Pro asi 10–20 % produktů jsme měli data o konkurenčních cenách a podle toho se nastavovala strategie – buď být druhý nejdražší, druhý nejlevnější, nebo cenu určoval obchodník podle vlastního úsudku.

My jsme chtěli tento proces automatizovat, což znamenalo odebrat tuto práci lidem.

Tím se opět dostáváme k otázce, kolik má BI řešit. Toto už není čistě datová práce.

Museli jsme tedy hodně času strávit s obchodníky, abychom pochopili jejich vnímání byznysu, protože Mall… (text končí).

Mall Group má nesmírně široké spektrum produktů. Prodává rychloobrátkové zboží (FMCG), lednice, stavebniny „udělej si sám“ (DIY). Každý z těchto segmentů má svá specifika, co se týká doby nákupu zboží, objemů, ve kterých se zboží nakupuje, a také cenové politiky daného segmentu. My jsme museli všechny tyto informace doslova vysát z firmy a snažili jsme se navrhnout nejrůznější modely – zpočátku pravidly řízené (rule based) a poté modely založené na strojovém učení – abychom mohli tato pravidla nějak automatizovat.

Stanovili jsme si první cíl: fungovat alespoň tak dobře jako současný prodejní tým, a následně to dále zlepšovat. To byla naše první meta. Druhým složitějším aspektem z mého pohledu bylo, jak do těchto změn zapojit lidi. Taková významná změna musí být velmi dobře koordinovaná napříč celou firmou, protože lidé mají zcela přirozeně obavu z toho, že jejich práci bude vykonávat někdo jiný. Ptají se sami sebe: Co bude se mnou? Jak budu fungovat dál? V tomto je nezbytná velmi úzká koordinace se zbytkem společnosti a se sales leadershipem, který musí nabídnout jasnou perspektivu a ujistit zaměstnance, aby se nebáli předat své know-how, a aby viděli, že je to i jejich úspěch.

Nyní se opět dostáváme k otázce role business intelligence (BI). To není čistě datová práce. Proto jsme museli skutečně sedět s mnoha obchodníky a pochopit jejich pohled na byznys. Mall Group má velmi široké spektrum produktů, jak už jsem uvedl, a každý segment má svá specifika týkající se například doby nákupu, objemu, cenové politiky. To vše jsme museli z firmy absorbovat a zkusili jsme navrhnout různé přístupy – nejdříve pravidly řízené modely, poté modely založené na strojovém učení – abychom pravidla mohli automatizovat.

Řekli jsme si, že prvním směrem je fungovat alespoň tak dobře jako dnešní prodejní tým, a pak to dále zlepšovat. To byla první meta. A samozřejmě druhou, náročnější částí bylo, jak skutečně zapojit lidi. Taková změna musí být skvěle koordinovaná napříč celou firmou, protože zaměstnanci mají přirozenou obavu, že jejich práci převezme někdo jiný. Ptají se sami sebe, co bude s nimi a jak budou nadále fungovat. Proto je nezbytné, aby vznikla úzká spolupráce se sales leadershipem a dalšími částmi společnosti, aby byla nabídnuta jasná perspektiva, aby se lidé nebáli předat své know-how a aby vnímali tuto změnu jako svůj vlastní úspěch.

Při tomto projektu tedy člověk balancuje i otázky, které s vlastní prací nesouvisí. Motivace lidí a řízení očekávání jsou nesmírně důležité kapitoly. Mám dojem, že toto je v současné době zásadní téma, zejména v souvislosti s umělou inteligencí a automatizací – co vlastně budou lidé dělat.

Jaká byla typická vize? Bylo to takové to základní přesvědčení, že neautomatizujeme vaši práci, ale rozšiřujeme (augmentujeme) vaše schopnosti, přičemž konečné slovo máte vždy vy. Nebo jak se to řešilo? Abychom dosáhli úspěchu, cesta někdy nevede nejkratší přímou cestou, ale obloukem. Proto jsme museli náš automat a celý přístup koncipovat tak, že jsme vložili mezikrok, kdy má obchodník možnost konkrétně cenu přepsat.

První fáze byla taková, že jsme vložili návrh ceny, a obchodníci nám dovolili cenu upravit a nastavit podle svých znalostí. S obchodníky jsme pak seděli a validovali ceny jednotlivě – ptali se, proč je tato cena nastavena takto. Museli jsme zpřístupnit uživatelské rozhraní s tabulkou, která ukazovala, že konkurence je zde, elasticita trhu je taková, sezóna je taková. Ukázali jsme jim parametry produktu, jež vysvětlují nastavení ceny. Díky tomu jsme jim umožnili kontrolovat a validovat ceny a nechali jsme jim to na nějakou dobu v rukou. V další fázi jsme přešli k plně automatizovanému systému, i když ne pro celé portfolio, ale pro jeho části.

Jak jste k tomuto přístupu přišli? Když se na to díváme z pohledu vývoje produktu, vaši klienti jsou obchodníci. Máte nějaký uživatelský průzkum, kde popíšete jejich potřeby a z toho vám vyjde, že potřebují mít určitou kontrolu. Jaký byl váš proces?

Dostali jste vědomí, že je nejprve potřeba dát možnost přepisovat ceny a až poté přejít na plnou automatizaci?

Mám pocit, že to probíhalo velmi přirozeně. Z pochopitelných důvodů jsme dostávali silný odpor (pushback) a hledali jsme způsoby, jak s tím pracovat. Neměli jsme jasnou strategii dopředu, částečně nás nasměrovala konzultační firma na začátku projektu, ale pak jsme si to převzali plně sami. Myslím, že oni přišli s nápadem, že obchodníkům je nejprve navržena cena a až poté se systém automatizuje naplno.

Když vezmeme obecně v úvahu použití plné automatizace, v jakých případech je vhodná a v jakých ne? U dynamického stanovování cen (dynamic pricing), které je vysoce digitalizované a zohledňuje různé proměnné, to chápu. Existují ale určité případy, kde je napojení člověka a stroje mnohem efektivnější a tlak na automatizaci není vhodný, že?

Určitě. Jsou oblasti, kde není dostatek dat nebo je skutečně potřeba zkušenost a know-how. Například máte-li 100 000 produktů a pouze 50 obchodníků, znamená to přibližně 2 000 produktů na člověka, což je prakticky neexterně ovladatelné. V takových poměrech je automatizace nezbytná, ale musí být provedena chytře. Celý náš přístup označuji jako „success“, což je obtížné pojmenovat jako „úspěch“, protože v této práci nikdy není stav, kdy je vše hotovo a vždy je možné věci zlepšit.

Naše cesta byla taková, že jsme začali s A/B testováním. To znamená, že jakoukoliv změnu jsme nasazovali formou testů. Navíc jsme nemohli dát jeden produkt se dvěma různými cenami stejným zákazníkům, protože to není legální – nemůžeme rozdělit trafik a prodávat stejný produkt za jinou cenu různým lidem. Proto jsme hledali skupiny produktů, které jsme vůči sobě testovali. Řekli jsme si, že rozdělíme portfolia do skupin s podobným chováním a jedné aplikujeme automatizaci, druhé necháme beze změn. Potom jsme sledovali celkový efekt. Výběr produktů pro testování byl velmi sofistikovaný proces, postupně jsme produkty převáděli do automatického režimu. Pokud systém přinášel zlepšení (uplift), pokračovali jsme dále, pokud ne, přeformulovali jsme hypotézu a zkoušeli nové přístupy.

Byla nějaká data, která na začátku nebyla jasná, ale ukázala se jako důležitá? Mluvíte například o sezónnosti, která je známá, o počasí, které předpokládám hrálo roli v některých konkrétních případech, dále marketingových kampaních. Byly ještě jiné faktory? Třeba státní svátky nebo velké akce – byly při takto širokém portfoliu a škále zanedbatelné, nebo bylo potřeba je zohlednit? Museli jste například brát v úvahu lokální specifika, například v Polsku, kde je zvyk jezdit na chatu v pátek ráno a ne odpoledne?

Systém rozhodně nebyl jednotný, ale poměrně rozdělený. Měli jsme více modelů, asi šest až osm. Nemohu vyjmenovat všechny použité parametry, ale sezónnost určitě ano. Státní svátky podle mě moc neovlivňovaly cenu. Vždy jsme hledali tu nejdůležitější proměnnou pro profit. Velmi zajímavým a klíčovým faktorem byla skladová dostupnost. Firma se totiž snažila předcházet situacím, kdy by nebylo zboží na skladě („stockout“). Postupně jsme mohli predikovat, za jak dlouho se sklad vyprodá, a na základě elasticity trhu jsme zvyšovali cenu, aby se stokoutu předešlo, což vedlo k růstu obratu.

Zmínil jste, že jste zasahovali i do optimalizace skladu. Vy jste to měli kompletně pod kontrolou, nebo jste spíše zasahovali do výsledků jiných oddělení? Byl zde nějaký odpor, třeba z marketingu nebo logistiky? Nevyžadovalo to kompromisy? Není to vlastně typickým příkladem řízení změn, kdy každý tým má svá KPI, která usilují maximalizovat, třeba marketing chce nejvyšší návaznost kampaní, logistika efektivitu skladování a distribuce? Jak jste slučovali tyto rozdílné zájmy?

Ke konci mého působení, tedy v posledních dvou letech, jsme zaváděli proces SNOP (Sales and Operations Planning), při kterém nám hodně pomáhala firma Logio. Jde o systém, který klade velký důraz na koordinaci mezi obchodem, marketingem a logistikou, zejména před sezónou, zhruba koncem léta a v září.

Ve světě e-commerce je klíčové dobře řídit sezónu, protože čtvrtý kvartál je zásadní kvůli Vánocům a Black Friday. Přirozeně se pak jednotlivá oddělení snaží maximalizovat svá KPI (obraty, marže), zároveň ale sdílejí skladovou kapacitu a marketingovou podporu. V MOLu jsme tedy implementovali SNOP proces, jehož cílem bylo celkově koordinovat nákup, marketing a logistiku tak, abychom s omezenou skladovou kapacitou maximalizovali KPI jako obrat a marži.

Klíčem v tomto procesu bylo mít kvalitní předpovědi (forecasty), kdy bude jaké zboží dostupné ve skladu, předpověď prodejů jednotlivých produktů a očekávané marže. Díky tomu jsme mohli koordinovat marketingové výdaje, abychom nezbavili peníze za nevhodnou reklamu, nevyprodali zboží příliš rychle, a společně s logistikou plánovat zásobování skladu – kdy a jaký sortiment naskladnit, zda je potřeba navýšení kapacity či nikoli. Logio nám s tímto procesem velmi pomáhalo a můj tým se staral o samotnou operacionalizaci tohoto procesu.

Jak přesně takový proces probíhá? Na technologické úrovni i organizačně?

Na tomto pravidelném meetingu se setkávají tři oddělení – obchod, marketing a logistika. Klíčové vstupy do tohoto meetingu jsou tři.

Prvním je „inbound forecast“, tedy předpověď zboží, které směřuje do skladu – jaké kontejnery, druhy zboží, objemy a časový plán doručení. Druhým je předpokládaný odhad prodejů jednotlivých produktů. Třetím je seznam zboží, které je ještě plánováno dokoupit – to je jediný volný prvek v rámci plánování.

Sledujeme tedy, jaký je očekávaný odtok (outflow) a přítok (inflow) zboží do skladu, jestli se to vejde do skladových kapacit, kolik zboží může být ještě dokoupeno, aby nedošlo k přeplnění a převisu zásob. Klíčové je také zvažovat, jaký obrat a marže mohou nastat z dodatečných nákupů. Marketing má za úkol podpořit marketingové kampaně ve správný čas, ale musí respektovat plán dostupnosti zboží.

Pro proces sedí u stolu tedy obchodní zástupci, odpovědní za logistiku a lidé z marketingu. BI tým zde hraje důležitou roli – poskytuje datové zrcadlo a infrastrukturu, tedy je alibicert pravdivosti. BI tým dodává čísla, především forecasty – kalkulované odhady. Klíčové je, aby na meetingu čísla nebyla zpochybňována, ale brána dočasně jako daná realita. Před samotným meetingem BI tým komunikuje se všemi obchodníky, validuje data a nechává si od nich zpětnou vazbu, aby běh meetingu byl efektivní a nedocházelo k přetahování o smysluplnost čísel.

Ne všechno lze spočítat automaticky. Například zboží, které míří do skladu lodí přes oceán, má mnoho nepředvídatelných faktorů. Nikdo nezaručí přesné datum příjezdu kontejneru do přístavu, nikdo nezaručí, že celníci nezdrží kontejner, nebo že tento kontejner bude dopraven včas do skladu. Proto se tyto informace zjišťují jinak – obchodník telefonicky kontaktuje logistickou společnost a snaží se zjistit aktuální stav.

Celý tento tok informací je třeba zkombinovat s předpovědí prodeje a vše zakomponovat. V sezóně se tyto schůzky konají často, například dvakrát týdně. Účastní se jich lidé odpovědní za operace na jednotlivých odděleních – tedy vedoucí divizí, produktových kategorií, skladů, marketingových kampaní atd.

Mění se také KPI, aby bylo možné mít důvod k spolupráci a komunikaci?

Zpracoval jsem text do spisovné češtiny, přičemž jsem zachoval veškerý obsah, význam a informace a rozdělil jej do přehledných odstavců. Pokud potřebujete, mohu pokračovat v přepisu nebo vhodně doplnit další části.

O tom, zda táhli za jeden provaz, anebo jestli to vlastně byla tripartita, kdy to vyjednávají jako obchodnický meeting, kdy každý jde za svou stranu a jdou si to vyřešit. V reálu je to mix. Samozřejmě vyšší management má sdílená KPI, zná celkový obrat a celkovou marži. Nicméně určitě či neurčitě mají samozřejmě i váhu na svoji divizi.

Když přejdeme k produktovým nebo kategoriálním manažerům, jsou převážně hodnoceni za výkonnost divize nebo svého výseku. Takže je tam hodně vyjednávání a ladění. Je to docela zajímavé, protože právě když se firma pustí do sezóny s nějakým plánem, ví, kolik mají udělat velká B2B nebo prostě DIY. Nicméně právě díky nepředvídatelnosti a nevypočitatelnosti dodavatelského řetězce se stane, že se najednou otevírají různé příležitosti, případně kontejnery nedorazí nebo zboží nebude k dispozici. V ten moment se otevírá prostor i pro menší obory, aby si vzaly svůj prostor. Je to tedy velmi dynamické.

A jak si máme tehdy představit tvou práci? Ta role byla všeobjímající, ale přitom jsi musel stále držet BI stack, vést svůj tým a starat se o jejich nábor a rozvoj dovedností. Jak vypadal tvůj týden?

Je důležité říci, že jsem měl opravdu skvělý tým a teď bych chtěl všem poděkovat, že se mnou do projektu šli. Byla to radost s těmi lidmi spolupracovat, s mnohými jsem zůstal kamarád a teď možná budeme stavět i společný business. V tomto směru jsem měl velkou kliku, že se mi podařilo obklopit lidmi, kteří byli opravdu skvělí.

Tým byl velmi diverzifikovaný. Měli jsme tam lidi, kteří byli dataři, konzultanti a obchodníci, takže jsme mohli nasadit člověka se zkušenostmi se salesem, který byl první nárazník v konverzacích s obchodníky. Nešlo tam vůbec o data, ale spíše o to s nimi dobře komunikovat, vysvětlit vše polopaticky, aby to bylo lepší a nějak to s nimi vyjednat. Proto jsme využívali diverzitu týmu, abychom dobře jednali s různými lidmi v organizaci.

Ohledně mého dne – většinu času jsem trávil na různých meetingech, což je asi klasika. Asi 80 % energie šlo do buy-inu a řízení očekávání managementu. Připravovat lidi na to, co je čeká zítra, za týden, za měsíc, koordinovat je v tom, aby věděli, na co se připravit. To je v podstatě jádro práce.

Jaká byla vaše KPI a zadání? Když firma procházela různými tripartitami, jaký byl tlak na vás a na co jste optimalizovali, když bylo tolik věcí k řešení i s lidským faktorem?

Tam jsou dvě věci. První je, že člověk musí mít ve firmě dobré vztahy, alespoň do jaké míry to jde. Část agendy se tak zaměřovala čistě na to, vycházet lidem vstříc, i když člověk nebyl přesvědčený, že je to první věc, kterou by měl udělat. Pokud však někomu vyjdeš vstříc, získáš si body a příště ti zase pomůže on. Vize, že existuje jediný seznam priorit a dělá se jen podle něj, je podle mě naprostá utopie, protože je milion drobných věcí, jež blokují každodenní operace, a člověk jim musí věnovat kapacitu – priority či nepriority, KPI či neKPI.

Část práce tedy nejde měřit KPI. My jsme neměli, pokud si dobře vzpomínám, rovnou žádné konkrétní KPI, byly nějaké celofiremní cíle, které měl každý, ale ty byly velmi vzdálené. Snažili jsme se být proaktivní, nečekat, co nám řeknou za cíle, ale viděli jsme naše poslání v tom, že budeme firmě pomáhat a proaktivně navrhovat, co by se mělo dít v příštím kvartálu. Takže jsme měli kvartální report, kde jsme celé firmě sepsali, co se událo, s odkazem na jednotlivce a oddělení, jak se podíleli na úspěchu. Transparentně jsme odkomunikovali priority na následující kvartál.

Primárně jsme se zaměřovali na generování marže. Při vyhodnocování kampaní jsme sledovali, abychom zbytečně nevyhazovali peníze za kampaně, které nepřinášely přínos. Velkou část peněz jsme generovali skrze dynamické cenění (dynamic pricing). Kladli jsme velký důraz na A/B testování a permanentní zlepšování výkonnosti modelů.

Konkrétně jsem svému týmu dával KPI, aby každý kvartál zdvojnásobili počet produktodnů v testu. To znamená, abychom permanentně zvyšovali kapacitu testování. Pokud jsme v Q1 testovali 20 000 produktů po dobu 30 dní, jde o 600 000 produktodnů v testu. To číslo jsem chtěl každým kvartálem zdvojnásobit, protože testy generovaly zlepšení a posouvaly firmu dopředu.

Takto se stavěla naše roadmapa, dávali jsme si cíle ne přímo na marži nebo obrat, ale sekundární KPI je tlačily nahoru. Snažili jsme se dostat do modelu co nejvíc z portfolia, případně zlepšit jeho kvalitu, někdy přestat expandovat z hlediska portfolia a místo toho optimalizovat a přidávat nové funkce do portfolií, které už fungují na automatu.

Jak se tohle dělá? Kromě politiky, co to znamenalo v praxi? Znamenalo to nabírat data scientisty, posouvat machine learning, ladit modely?

U mě šlo vše spíše ve skocích, protože nerad škáluju něco, o čem nejsem přesvědčený, že je efektivní. Kapacita je přitom potřeba dobře nastavit. S lidmi jsem se vždy snažil hlavně komunikovat, otevřít jejich hlavy hypotézami. Říkal jsem, že chci slyšet nové hypotézy, co si myslí, že by šlo zlepšit. Tyto hypotézy jsme otestovali, řekl jsem, kterým věříme víc, kterým méně, některé jsou náročnější na prosazení. Takže jsme se snažili otestovat třeba pět hypotéz v následujícím kvartále.

Pro mě bylo nejdůležitější rozjet proces generování, vyhodnocování a aplikace hypotéz.

Nyní jsme slyšeli, že v Rokivy dynamický pricing funguje, zvětšujete jeho dosah a zavádíte sales and operations (S&OP). Předpokládám, že nějaká příprava na akvizici Allegrem probíhá. Co bylo dál? Proč jsi teď odešel?

Hlavním důvodem bylo, že mi již došla energie po všech těch změnách, které jsem posouval dopředu. Tyto projekty vyžadují silnou podporu top managementu. Když se podíváme na historii MOLu, na pozici CEO a šéfa salesu, kteří jsou klíčoví pro tyto změny, se během let vystřídalo asi osm lidí dohromady.

Co to znamená? Každých devět měsíců jsem musel vše vysvětlovat od začátku a získávat nový buy-in, protože nový CEO měl svou vizi, nový šéf salesu svou vizi, a my to museli znovu skloubit. Měl jsem pocit, že často začínám znovu od nuly. Rozhodl jsem se proto zkusit něco jiného.

Bylo to pro mě velice těžké, protože znovu opakuji, že ten tým byl skvělý. Každopádně jsem si po MOLu dal půl roku volna, poté šel do Rosumu, kde jsem měl na starosti business operations, implementoval Kebulu, Tablo, postavil mikro-BI tým.

Velice brzo jsem dospěl k závěru, že dopad, který mohu v takové firmě mít, mi nestačí. Chci mít mnohem širší pole působnosti a větší dopad. Proto jsem se rozhodl z Rosumu odejít, i když si myslím, že je to velmi dobrá firma se skvělými lidmi.

Řekl jsem si, že si splním sen a založím se svými partnery novou firmu. Stavíme firmu specializovanou na datové transformace, s cílem zaměřovat se na velké projekty. Máme pocit, že máme co nabídnout mnoha firmám, a chceme k tomu přistupovat trošku jinak.

Splnil jsi sen a založil další BI konzultačku. Slyšíte poprvé u nás, exkluzivně. Co dělá Ilja Wolf?

Ano. Vnímám BI jako change management na steroidech, což je skvělá a náročná disciplína. Žádná jiná funkce ve firmě neumí ovlivnit firmu tak výrazně jako business intelligence. To mě a mé partnery, se kterými firmu zakládám, velmi baví.

Vidíme prostor pro vytvoření jiného typu firmy na datové scéně v Česku – firmy, která se soustředí na osamostatňování firem a předávání know-how. My chceme především předávat know-how, přijít a během roku až roku a půl odejít s tím, že firma je zcela samostatná a funguje nezávisle.

Proto jsme založili firmu BiteGarden. Slyšíte to poprvé zde v Datatolku.

Kdo jsou tvoji partneři?

Jsou to Viktor Šohajek a Andy Werner, kluci, se kterými jsme pracovali velmi intenzivně v MOLu i v Rosumu. Zdravíme je.

Co od vás můžeme očekávat v následujících měsících? Co tě čeká? Je pro tebe role podnikatele nová?

Spolupracujeme už neoficiálně na projektech. Vidím v tom obrovskou změnu. Naprosto mě baví to, co nyní dělám, a vůbec nechci dělat nic jiného. Fascinuje mě, že jednáme přímo se zákazníky, že jsme tam proto, abychom vyřešili jejich problém, pochopili ho a našli řešení. Je mi velmi dobře z toho, že nemusím řešit žádné jiné agendy, které souvisejí s prioritami někoho jiného z firmy.

Pro nás je teď klíčové dotáhnout několik prvních projektů. Jsme opatrní, snažíme se validovat naše hypotézy, neustále si necháváme rezervu v tom, zda to, co děláme, je skutečně nejlepší a zda správně přemýšlíme. Zatím je to na dobré cestě.

Co nás čeká, je škálování do rozumné míry.

Na tomto místě nezbývá, než vám všem držet palce.

Moc děkujeme za tento vysoce odborný a nabitý díl. Doufáme, že se brzy opět setkáme i s kluky, s Viktorem a Andy Wernerem, abychom si povídali o tom, jak se daří ByteGardenu.

Děkuji moc za přání a za pozvání do vašeho podcastu.

My děkujeme a přejeme hodně štěstí.

Děkujeme také našim partnerům Bighubu, Vypnoutu, Mantě, Natinu, Atakamně, GMBmu, 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.