Podcast

Z mého pohledu, když jsem vedl část UI ve Workday pro Prahu, a když se podíváte na stories, vždy tam byla nějaká část backendu a frontend. Byla tam heuristika, což jsme nazývali storytellerem, tedy Python engine, který se díval na data. Vojta nesmí říkat heuristiku, ale já ano. Díval se na data, hledal zajímavé insighty a nakonec byl nějaký frontend, kde lidé všechny ty insighty konzumovali.

Problém, který jsme měli od začátku u stories až po Workday, a který ani ve Workday nebyl vyřešen, byl to, že lidé těm story nerozuměli. Ať už šlo o to, jaký byl narativ, o to, jak vypadaly grafy, nebo třeba když se na story podívali poprvé, vůbec neviděli, o co jde.

Ve Workday jsme vývoj redesignovali snad třikrát či čtyřikrát, dělali jsme různé uživatelské výzkumy. Nějakou dobu jsme si mysleli, že jsme objevili, co je potřeba, a že to nasadíme do produkce. Přesto přišli lidé a říkali, že tomu stále nerozumí. Je to takový nikdy nekončící cíl – aby lidé story rozuměli.

Nevím, jestli jste to ve Workday už vyřešili – já jsem vlastně už rok pryč a bylo to něco, co jsme chtěli vyřešit a co chceme vyřešit v Understand Labs – jak distribuovat story a jak je uživatelům vysvětlit tak, aby jim to dávalo smysl.

Vojto, asi nechci, aby se to zvrhlo na podcast o mě, ale možná zareaguji na tvoji otázku, jestli jsme to ve Workday vyřešili nebo ne. Myslím, že to pořád zůstává problém, protože náš systém je trochu unikátní v tom, že uživateli dodáváme hotové rozhraní jako balík, tedy uživatel si ho nemůže sám nakonfigurovat. Celý přínos aplikace je v tom, že si uživatel klikne a dostane nejen skvělý obsah, ale taky formu, kterou pochopí.

Říkám, že to stále je problém, možná kvůli uživatelům, protože třeba HR business partneři nebo další úzce zaměření uživatelé nejsou přímo lidé zabývající se daty, nejsou datově založení. Jsou to byznys lidé, kteří chtějí data podávat co nejjednodušeji. Takže to pořád je složité. Zajímalo by mě, jak to řešíte vy?

Chápeme, že problém stále je, my to možná řešíme trochu na jiné úrovni, ale vy se snažíte vybudovat platformu, co si uživatel může sám nakonfigurovat. Jak se díváte na tento problém?

My řešíme dvě věci: Understand je produkt a zároveň platforma, přičemž jsme začali jako produkt. Vrátím se k misi, kterou sleduji – posledních deset let se snažím co nejvíce zpřístupnit data široké veřejnosti. Stories bylo o podpoře – široké tak, že do ní patřili i HRisté.

Myslím si, že i laik v datech, třeba HRista, právník nebo lékař, by měl být schopen data použít. Data a informace jsou nejdůležitější, co dnes máme v datovém věku. Takže otázka je, jak co nejvíc lidí dostat k datům.

Stories bylo o tom, jak jim pomoci data zpracovat, Understand je o tom, jak jim pomoci data odkomunikovat. Překvapivě jsme začali produktem, který má pomoci obyčejným lidem, kteří nejsou experti na datovou vizualizaci nebo nejsou zvyklí pracovat s Tableau či PowerPointem. Understand je nejjednodušší produkt pro nejlepší datový storytelling.

Ten nejlepší formát na komunikaci datové informace je právě datová story. Lidé si myslí, že story je něco nového, ale vlastně jde o slideshow – Instagram ji zpřístupnil jako příběh, kde scrollujete a postupně se odkrývá obsah.

Podle nás je to nejlepší formát pro prezentaci informací. Potvrzuje to i LinkedIn, který má karusely, a každý ví, jak se tam prezentuje. Nejprve ukážeme podkladovou vizualizaci, poskytneme kontext a pak nad tím stavíme narativ, postupné odhalování dat. Toto byl produkt.

Produkt je hotový, uživatelé jej používají, a když jsme ho v září tiše spustili, začaly se nám ozývat firmy s tím, že chtějí to samé ve svých produktech, něco jako stories, co by bylo embedované přímo v jejich platformě.

Řekli jsme si, že to je zajímavé – vzniká něco jako stories 2.0, firmy sní o tom, že analytiku dostanou formou stories a integrují nás. Už nejsme jen produkt, ale platforma, alternativa k dashboardům.

Zároveň vzniká mnoho startupů, které jsou vlastně stories 2.0, snaží se vytvářet specifické analytické nástroje, ale stojí před stejným problémem jako my – jak ta data odkomunikovat.

Můžeš si stáhnout grafickou knihovnu zdarma, ale víš, že to nefunguje. Nebo můžeš mít snadno integrovatelné řešení, které má konkurenční výhodu – prezentuješ data skrze Understand.

Můžu se zeptat úplně od začátku – co je špatně na dasboardech? Že průmyslový standard je postavit dashboard, nebo klikatelný dashboard, a vy ho používáte?

Ty mluvíš o evolučně překonaném přístupu. Co je na dashboardech špatně?

Podle mě jsou dashboardy vždy hodně specializované na určitou oblast – například performance dashboardy, nebo infrastructure dashboardy – zaměřené na specifický problém a určitou skupinu uživatelů, kteří je sledují. Nějaký expert ti ten dashboard vytvoří.

My chceme platformu, kde si uživatel vytvoří jakoukoli story, ať už zaměřenou jakýmkoli směrem, prezentuje to jednoduchým formátem. Popisujeme to jako Instagram kombinovaný se Slackem pro datový storytelling.

Ráno si otevřeš telefon a místo sledování dashboardu, který ukazuje metriky v reálném čase lidem z určité skupiny, víš, co je skutečně důležité pro byznys.

Dashboardy samy o sobě nejsou špatné – mají určitý smysl, například operativní dashboardy, kde člověk sedí u tří monitorů a sleduje metriky v reálném čase – to má svůj význam.

Ale vidíme, že pro lidi, kteří nepotřebují data jako primární práci, ale chtějí vykonat svou práci a rychle se rozhodnout, jsou dashboardy složité a nepřehledné.

Hypotéza byla, že stories mohou být dostačující – krátká zpráva, která rychle představí potřebné informace. A to se potvrdilo zájmem firem, které mají stovky dashboardů, které lidé zneužívají nebo jim nerozumí.

Zároveň víme, že dnes lidé mají problém s koncentrací pozornosti, takže story přečtou rychleji než se zorientují v komplexním dashboardu s hromadou filtrů.

Dnešní nástroje navíc umožňují předfiltrovat data tak, aby ti přinesly pouze poslední informaci, na které chceš založit rozhodnutí. S rozvojem AI lidé budou chtít méně manuální práce a systémy jim dají finální podklady pro rozhodování.

Kde v tomto nastavení je Understand Labs?

Podle mého chápání, posun od stovek dashboardů, kde musíš sám hledat informace, k tomu, že dostaneš notifikaci, byl problém stories.

Understand ale není jen stories 2.0, dělá trochu něco jiného.

Produkt je hlavně o tvorbě datových story, které si uživatelé mohou tvořit sami. Například spolupracujeme s CFO jedné z největších developerských firem v Čechách, který na tom pracuje měsíce, aby připravil finanční modely pro představenstvo i do zahraničí.

Pro něj je hodně důležité rychle a efektivně vytvořit srozumitelnou datovou story, aby přesvědčil board, aby mu schválil peníze na nákup pozemků a rozjezd developingu.

Vidí přínos v tom, že nemusí pracovat s Excelovými tabulkami a PowerPointem a skládat tam vše složitě, ale udělá to s námi.

Když jsme viděli velkou poptávku po platformním řešení, rozhodli jsme se, že produkt rozšíříme na platformu.

Understand není jen tvorba datové story, ale má i kompletní distribuční a sdílecí systém.

Dnes můžeš Understand použít jako náhradu nebo doplněk dashboardů a business intelligence nástrojů.

Můžeš buď vytvářet stories manuálně přes konektor, anebo posílat data přes API, což umožňuje automatickou tvorbu a distribuci story, která se doručí do správného komunikačního kanálu – například Slack, kde ji uživatelé uvidí a mohou s ní interagovat.

Sbíráme také zpětnou vazbu, která nám umožňuje učit se a vylepšovat stories do budoucna.

Takže si představ, že máš rozhraní pro stories, ale nemusíš je ručně tvořit.

Můžeme přejít k tomu, jak vypadá situace před a po implementaci Understand ve firmě? Jak to dělával developer před tím, než přišel Understand, a jak po nasazení?

Je to posun paradigmatu?

Ten developer dnes otevře PowerPoint a začne kreslit grafy obyčejnými tvary (shapy). Když chce změnit čísla nebo grafy, musí ručně upravovat všechny snímky, což je velmi pracné.

Také nemusí vědět, jaký typ vizualizace použít.

My nabízíme různé vizualizace a jasné datové šablony, které popisují, jak data do šablony vložit.

Pak už uživatel v editoru jen využívá naše storytellingové funkce – animace, postupné rozkrývání grafů (fade in/fade out), dělení na kroky (stage), anotace změn, vizualizace změn v čase a další prvky.

Proč by uživatel neměl použít Power BI nebo Tableau?

To je jako kanón na vrabce. Lidé, kteří nejsou z BI prostředí, ale jsou spíš z Excelu a PowerPointu, sáhnou spíš po PowerPointu.

Naše přidaná hodnota je, že to udělají rychleji – místo dní práce s PowerPointem, kopírováním snímků a kreslením šipek, udělají story během minut.

A druhá přidaná hodnota je, že garantujeme správnost výsledku.

Máme za sebou patnáct let zkušeností a výzkumu, jak komunikují světové firmy jako McKinsey nebo Financial Times data.

Všechny best practices jsme vtiskli do produktu.

Uživatel tak nemusí přemýšlet, jak anotovat nebo co by se mělo stát v daném kroku. Stačí přidat své vysvětlení a my se postaráme o zbytek.

Toto je jedna z našich velmi silných propozic, i když před námi je ještě dlouhá cesta.

Petře, zmínil jsi Financial Times a velký výzkum a uživatelský rozhovory. Máte zkušenost s hlubokými user research a řadu let práce na stories ve Workday.

Co jsou podle tebe principy správného datového storytellingu? Co najdu v Understand Labs, ale řekněme, že nechci Understand, ale chci dělat dobrý datový storytelling – jaké principy, rady a zásady bych měl dodržovat?

Žít, na co se mám dívat teda? Koupil jsi Understand, ale co bys doporučil člověku, který o to vůbec nemá zájem? Když si chci postavit Understand sám doma, levně.

Samozřejmě, můžeš být dobrý data storyteller i bez Understand, to jsou základní principy. Můžeme se o tom bavit třeba hodiny. Plně je to rozdělené na datovou vizualizaci a datové příběhy.

Datová vizualizace se vlastně vůbec nezměnila. Ukážeš graf. Dnes grafy vidíme všude, komunikují je všechna novinářská média, všechna média na nás dolehají. Co ale chybí, je to, co na tom grafu je důležité. To jsme viděli jako největší problém příběhů.

U adopce příběhů v Workday jsme řešili právě tento problém: lidé, když vidí graf, vidí nějaký graf, ale nevědí, co si z něj mají odnést, co je ta důležitá informace za tím. V Workday jsme to vyřešili tak, že jsme vyvinuli grafy, které přesně ukazují: podívej se na tento změnový trend, vidíš tuto plochu – to je to, kolik peněz nebo kolik lidí, nebo jaký potenciál přichází. A to se dneska dělá velmi těžko, žádný nástroj na to neexistuje.

Znám jeden nástroj, který toto uměl a umí dodnes – byl dedikovaný, vytvořený jen pro novináře, tedy pro mediální domy, aby tvořili datové příběhy pro své články. Před dvěma lety ho koupila Canva, což je jeden z největších prezentačních nástrojů na světě, za investici asi půl miliardy dolarů. Díky tomu je Canva dnes v hodnocení G2 nejlepší vizualizační nástroj.

Ten nástroj dnes nemá ani předplatné, nemůžeš si ho koupit, nemůžeš se k němu přihlásit – je to uzavřený systém, má tam sales tým, který to prodává velkým novinářům.

Když se k tomu vrátím, máš tu datovou vizualizaci a chceš nad ní komunikovat insight. Na to je krásná slideshow, kde v jednotlivých vrstvách nebo krocích vysvětluješ, co na grafu vidíš. Třeba se zaměříš na tento sloupec, protože ten je důležitý. Nástroj ti pomáhá udělat všechny věci, které zvyšují srozumitelnost: potlačí ostatní sloupce do pozadí, abys věděl, na co se soustřeďuješ, dá ti tam šipku, doprovodný komentář. Ukáže ti: vidíš tuto mezeru, která roste? Tak to jsou peníze, o které přicházíš.

Viděli jsme, že lidé mají dnes velmi velký problém pochopit, co ty grafy skutečně chtějí říct. Existují základní best practices, o kterých bychom se mohli bavit dlouho, ale pro nás jsou důležité a jsou nativně zakomponované v Understand.

Ty si vytvoříš vizualizaci jedním klikem, a dalším klikem si vytvoříš celou paletu slidů nebo slideshow, tedy celou prezentaci, ve které odkomunikuješ, co je důležité. To může udělat třeba náš CFO, který přijde, ukáže graf a začne vysvětlovat projekt. Ten se opravdu vyplatí investovat, protože vidíte, kde to je, tady budeme mít nějakou profitabilitu a vidíte klastr těchto projektů – ty jsou mrtvé, protože pozemky například zdražily a už nebudou profitabilní.

Také si to můžete představit jako alternativu dashboardu, kde na vás nevysypu 20 grafů, ale vždy jednu vizualizaci s popisem, na co se máte soustředit. Vidíte tento klastr zákazníků? Bylo by dobré se jim ozvat, protože pravděpodobně budou odcházet.

Není to už jen graf, ze kterého musím dedukovat, co se děje, ale nástroj zlepšuje komunikaci a pochopení, co si z něj mám odnést.

Vojto, chceš něco dodat? Je to UI problém? Nebo jde o to, že potřebujeme nové standardy práce s UI a daty? Nebo je to strukturální problém steku?

Myslím, že je to kombinace. Částečně je to problém stacku a technologií, které máme na UI, ale hlavně to nikdo neudělal jako platformu.

Petro nedávno dělal s naším LinkedInem demoshow o tom, jak McKinsey vytvořil výzkum top 15 trendů, a mají krásnou vizualizaci na webu. Ale je to všechno domácí produkce, in-house development. Protože neexistuje platforma.

Momentálně, pokud chce někdo udělat tak krásnou vizualizaci, musí si vše vytvořit sám, jako jsme to dělali ve Workday – vlastní knihovny a tak dále. Můžeš to udělat, ale je to náročné, musíš mít lidi, infrastrukturu, musíš to podpořit. To, co McKinsey zaplatila, má stovky lidí v týmu datové vizualizace. Bavili jsme se s některými z nich, jejich příběh k top 15 tech trendům v roce 2023 je stál stovky tisíc dolarů a několik týmů. My jsme takový příběh produkovali za tři minuty díky Understand, protože všechny best practices tam jsou out of the box, nemusíš programovat a nemusíš být expert na datovou vizualizaci, stačí otevřít Tableau nebo Power BI.

Velká změna u Understand Labs je, že produkt je hodně jednoduchý. Největší zkušenost za rok práce na tom byla udělat produkt, který bude uživatelsky velmi jednoduchý a blbuvzdorný, aby uživatel na první pohled chápal, co má udělat.

Měli jsme několik verzí, každý měsíc novou, mluvili jsme se uživateli. Jde o vytvoření vizualizace a zároveň UI editor, který umožní jednoduché použití a jasný návod, co udělat.

Je velmi těžké na první pohled ukázat, co má uživatel udělat. McKinsey za pár kliků odprezentoval příběh za 6 minut.

Připadá mi to jako deja vu ze Stories – když jsme Stories vymýšleli, pořád jsme se ptali, jak to, že to ještě nikdo nevymyslel a neřeší. Stejně to dneska řešíme u Understand.

BI a datové vizualizační nástroje se snaží podporovat práci s daty na vlastní platformě, ale proč ještě neexistuje jednoduchý produkt, který by byla schopný něco takového dělat? Vidíme LinkedIn karousely, Instagram Stories, ale proč grafy nejsou komunikované tímto způsobem?

To je pro nás zajímavé, víme o jediném produktu a myslím, že Canva je velký vizionář, protože před dvěma lety pravděpodobně tušila tento trend a snaží se tyto datové nástroje integrovat k sobě.

I když Canva vznikla jako nástroj na tvorbu letáčků typu „pojď na mojí halloweenskou party“, tak teď díky akvizici Flourish, který toto umí, se stala nejlépe hodnoceným vizualizačním nástrojem na G2.

Můj problém je podobný jako u Tableau a Power BI – mám pocit, že tam je vysoká vstupní bariéra, protože já jsem původem nebyl datař. Data jsem začal sledovat až ve Stories, předtím jsem pracoval v inženýrství a zdravotnictví.

Je těžké pro lidi, kteří o datech nemají žádné povědomí, pochopit, jak by vizualizace měla vypadat, jak ji konfigurovat.

Ta bariéra je obrovská a existuje velký rozdíl mezi běžnými lidmi a lidmi, kteří mají s daty zkušenosti.

V tomto postoji je velké vakuum, je těžké vytvořit produkt, který by přiblížil data běžným uživatelům.

Neříkám, že jsou běžní uživatelé „blbí“, ale často uživatelé chtějí jen vytvořit nějakou vizualizaci a vůbec nerozumí datům – typům, osám, grafům a tak dál.

Běžní uživatelé jsou například CFO a členové představenstva.

Naši první uživatelé jsou většinou C-level manažeři a VIP lidé, kteří nejsou dataři, tedy nesedí u notebooků a nepracují s vizualizačními nástroji.

Někteří pracují mimo data, ale jejich úspěch závisí na datech. Jsou většinou hodně vysoko, nemají čas, jsou dobře placení a hledají nástroje jako Understand, které jim ušetří čas a dají skvělý výsledek pro jejich práci.

Chtějí být data-driven, ale nerozumí datovým technologiím. Když dnes na tým nahlédnete, datoví experti pracují s daty fascinujícím způsobem.

Pro mě je dialog s takovými lidmi fascinující – já začal s daty v 19 letech, v IBM na Cognose.

Je to těžké i pro lidi, kteří pracují s Excelem – někdy je problém vytvořit graf v Excelu nebo Google Sheets a dostat ho do PowerPointu. Pak, když jsou změny, je těžké něco upravit nebo do grafu nakreslit šipky. Je to náročné.

Pokud nejste dnes PowerPoint wizard nebo expert na datovou vizualizaci, možnosti práce s daty jsou velmi omezené a nemáte žádné vedení.

V PowerPointu nebo v Canva můžeš něco vytvořit, ale žádný systém ti neprovede, co vlastně máš udělat.

Buď bude vizualizace hodně jednoduchá, nebo naopak přehnaně kreativní, bez struktury.

Kde přesně mezi PowerPointem a velkými Tableau dashboardy sedí Understand?

Co produkt konkrétně znamená, když jsem developer a připravuji se na prezentaci? Je to sada PowerPoint šablon? Nebo zrcadlení databází? Jak Understand funguje?

Popíšu produkt a Vojta popíše platformu – stále je dobré rozlišovat.

Produkt je moderní prezentační nástroj. V posledních dvou letech vzniklo hodně nových prezentačních nástrojů, které konkurují PowerPointu a Google Slides.

Nejznámější je Tome, který založili bývalí zaměstnanci Facebooku. Je to prezentační nástroj založený na generativní AI. Neřeší layout, stačí napsat zadání (prompt) a nástroj vygeneruje prezentaci s textem a obrázky. Je velmi jednoduchý na používání. Do něj bylo investováno stovky milionů dolarů, mimo jiné i lidé jako Reid Hoffman.

Journeys je nový prezentační nástroj pro sales, který zjednodušuje nebo automatizuje tvorbu prodejních prezentací.

Za poslední dva roky jsem viděl vznik platform jako Canva, speech.com (německá alternativa) a mnoho dalších, které cílí hlavně na generaci Z, mladší uživatele, kteří nechtějí manuálně pracovat s layouty a tvarem ve prezentacích.

Takže Understand vypadá jako prezentační software s slidami, ale obsah každého slidu jsou hlavně krásné vizualizace. Nad vizualizacemi je animační framework, který nazýváme „steps“ – animace krok za krokem, která vysvětluje graf.

Tento způsob nyní používají naši uživatelé.

Understand je produkt pro lidi, kteří ručně tvoří grafy. Zároveň je tu celá platforma – pokud máš nějaký connector nebo API, můžeš generovat vizualizace automaticky, o tom poví Vojta.

Když před lety dělali „back in three days“, měli dvě části – UI pro prezentace (platformu) a backend pro generování příběhů (automatizaci insightů).

Díky platformě může kdokoliv vytvořit vlastní storytelling na libovolné téma a distribuovat jej přes nás.

Máme API, přes které se tvoří datové příběhy. To je jako UI, ale má API kontrakt, kterým se data pošlou k nám a my je distribuujeme přes různé kanály. Všechno je white labelované jako váš produkt a můžete si ho prodávat sami.

Pro datové vědce, kteří tvoří insighty, odpadá problém s prezentací. Už mají platformu, kam pošlou příběhy a my se staráme o to, jak je prezentovat, vykreslit a distribuovat.

„Data stories as a service” je řešení, které může být alternativa k dashboardům: stačí mít konektor, model, který generuje datové příběhy.

Je fascinující, jaký typ obsahu lze vytvořit – cokoliv chcete.

Je to tabulka v tvarech, do nichž jen vložíte data.

V poslední době vzniká mnoho oborově specifických alternativ storytellingu. To, co jsme se snažili postavit před osmi lety u Stories, dnes existuje hodně produktů, ale jsou doménově specializované, ne tak generické jako náš přístup.

Spolupracujeme s americkou firmou, která analyzuje marketingová data a snaží se tvořit marketingové příběhy.

V Čechách pak…

[Text končí.]

Pracujeme s firmou, která má generický model z oblasti generativní umělé inteligence postavený na Gen.A.I., který dokáže přistupovat k vašemu data warehouse a snaží se tam najít nějaké odlehlé hodnoty (outliers). Je to velmi podobný příběh jako Stories.

A to jsou vlastně start-upy, se kterými pracujeme, kteří říkají: dnes používáme nějaké základní grafy, například Google knihu na vizualizace. Není to náš primární business, nemáme front-end vývojáře, nechceme do toho investovat a jsou schopni s námi za den integrovat, provést white label, což znamená, že mají headless řešení. Oni počítají ty stories, a tyto stories mohou pocházet od marketingu, přes výzkumná data až po cokoli, co jsou strukturovaná data dnes, a plní tyto stories. My jim v podstatě dodáváme datovou vizualizaci, tvorbu těch stories, distribuci přes různé kanály, nějakou bezpečnost a analytiku, tedy jak lidé platformu používají, takže mají celou platformu jako službu (platform as a service).

Já bych možná ještě doplnil svou předchozí otázku, protože mi to přijde jako docela těžký problém: v rámci standardního BI kontextu nastavujete někde datový model, nad tím dashboard a klasické problémy: chceme nový typ grafu, ale datový model ho nepodporuje, tak vytvoříme jiný, nebo je jeden datový model pro sales a jiný pro CRM a dashboard ve smyslu „udělej si sám“, nebo si to můžeš ohnout, jak potřebuješ. Ale to, co vlastně vytýkáte, je, že máte vizualizační vrstvu, která má nějaká očekávání – někde je hlavní story, někde možná kontextuální informace, jinde narativ, nebo vývoj těch hlavních příběhů a říkáte, že je jedno, čím to naplníte.

Máme jednotný datový model pro všechny vizualizace, který je schopný se nakonfigurovat tak, aby všechny vizualizace byly dostupné a z dat by se prezentovalo vše, co je potřeba. Ten model nám dal zabrat při tvorbě, ale myslím, že se nám to podařilo a nyní nad tím novým modelem tvoříme nové vizualizace – za den, dva máme hotovo. Právě Peťa dnes dokončuje nové vizualizace a je to rychlovka.

Stories bylo hlavně o backendu, který automaticky analyzuje data, zatímco Understand je především o frontendu. Nemáme ambici nahrazovat pipeline, datový sklad nebo volat agregace. Understand je čistě frontendová platforma, do které posíláte už agregovaná, spočítaná data v rámci dohodnutého kontraktu, který máme, a od vizualizace a distribuce dál to řešíme my. Kontrakt je velmi standardní a nemáme ambici dnes stavět si pod Understand datový sklad, vytvářet vlastní konektory nebo řešit agregace a napojení na různé databáze. Protože dnes existuje mnoho skvělých produktů, jako Kebool, Atacam, a dalších, které tu infrastrukturu již mají, my jim nechceme konkurovat, ale být komplementem. Proto dnes rozvíjíme mnoho partnerství právě s datovými produkty – notebooky, pipeline nástroji nebo ETL nástroji, které infrastruktru již mají, ale hledají alternativní způsoby, jak doručit svým zákazníkům vizualizace místo pouhých dashboardů.

Přijde mi to geniální, protože většina firem z modern data stacku, které znám z posledních dvou až tří let, jde kompletně headless – chtějí se zbavit frontendu a vizualizací, protože vědí, že je to těžký trh a že na trhu jsou velcí hráči jako Tableau nebo Power BI, které jsou integrovanou součástí jejich datového stacku a to vyřeší. Vy jdete proti proudu a říkáte: nás vůbec nezajímá, co je pod tím, my chceme řešit jen tu view. Kompletně bodyless, nevadí nám to, protože tu velkou „sloní“ věc v místnosti představuje generativní AI.

Naše divoká a trochu kontroverzní hypotéza je, že za 2–3 roky budou obchodní lidé zasahovat jen do finálního produktu. Pipelines napíše AI, data kvalitu také zkontroluje AI, napíše noteboook, kde chce člověk být – my jsme to viděli u Stories a byl to psychologický feedback při prodeji Stories: člověk chce být tam, kde jsou výsledky.

Když jsme prodávali Stories, vždy byli kupující nadšení, protože to bylo inovativní a chtěli to vidět. Ale narazili jsme na realitu lidí, kteří se AI bojí. Říkají: váš almostory nemá všechna data, vždy se něco děje, co v datech není. S Understand proto počítáme s psychologií lidí – rádi si nechají práci udělat AI, ale chtějí být tam, kde jsou výsledky.

Chtějí vidět data story, kterou si pak obohatí o vlastní insight, který v datech není. Budou spolupracovat s AI a prezentovat to lidem vedení, protože chtějí být v té lidské komunikaci. Naše hypotéza je, že v datovém stacku za 2–3 roky budou lidé zasahovat jen do reportingu, dashboardingu nebo něčeho jako Understand. Všechno ostatní budou dělat agenti, lidé to maximálně zkontrolují.

Což je vlastně podobné modelu vytváření správného příběhu – i ten datový model, jak vytvářet správný příběh, bude standardizovaný: dostanete vygenerovaný skript, co máte prezentovat, možná doplníte štítky. Není tohle budoucnost prezentací?

V dlouhém horizontu jsme všichni ztraceni, ale v krátkém horizontu si myslím, že tam lidé chtějí být co nejdéle. Psychologický efekt je ulehčení práce AI místo jejího zcela převzetí, ale stále chceme být u finální fáze. Když AI v našem produktu dokáže vygenerovat celou story nebo narrativ, je to skvělé, ale člověk stále chce předložit tu finální myšlenku, kterou AI neumí, a pak tu prezentaci předvést před boardem.

Připomíná to efekt IKEA – přidejte do dortu vajíčko. Posluchačům přiblížím, že když vyvinuli první verzi instantních dortů, bylo to problémové, protože stačilo přidat pouze vodu nebo mléko, ale to nebylo ono. Dodnes je populární forma, kdy musíte přidat vodu, mléko i vajíčko, protože hospodyňky, které tenhle dort připravovaly, si tak mohly říct, že ten dort je jejich. Instantní dort, kde stačí přidat jen vodu, neměli pocit, že je jejich. Rozklepnutí vajíčka znamenalo, že už to bylo vaření – museli mít čerstvé vejce v lednici, ruce byly ušpiněné, něco vyhodili, museli být schopní to udělat, ale dort byl jejich, i když instantní.

Proto, když se bavíme s většinou lidí, ti nejčastěji neprezentují boardu přímo z reportů nebo dashboardů. Když se jich zeptáte, jak prezentují data, často udělají screenshot reportu nebo dashboardu, vloží ho do prezentace a přidají jeden komentář nebo narativ. Důvodem je, že dashboardy či reporty jsou dnes hodně read-only – prezentují data, ale neumožňují přidat vlastní insight, vlastní „vajíčko“. Lidé proto vytvářejí kopii do PowerPointu, přidají jednu šipku a poznámku – to je jejich „vajíčko“ a ukazují, že to je jejich práce.

Chybí tam ale dynamika vyprávění. Prezentace v PowerPointu je jako vyprávění pohádky, zatímco dashboard je spíš jeden slide bez časového rozměru, který příběh potřebuje.

Je to krásná paralela, která nás nenapadla, ale začneme ji používat ve všech našich obchodních prezentacích. Očekávám, že zajistí alespoň nějaké procento úspěchu.

Souhlasím s tím, že je to místo, kde lidé chtějí trávit čas, chtějí věnovat pozornost. Když vidím, jak někdo pracuje s barvičkami a velikostí grafů v prezentaci a tráví neměřitelné hodiny, aby jeden slide měl logiku nebo správnou vizualizaci, myslím, že je to důležité. Zajímá mě, jak univerzální a standardizovaný je tento problém a kolik z těchto věcí dokážete podchytit.

Je to zajímavé, že se na prezentaci tráví hodiny, vysvětluje se to deset minut a lidé to stejně pobědují. Člověk tedy tráví čas přípravou zbytečně, protože ten efekt není.

To je na tom to nejhorší – kolik času jsme strávili vytvářením prezentací, ať už ve Wordu nebo jinde, kde jsme si přichystali všechny detaily, ale když se prezentuje, lidé to nepochopí.

Hlavně chcete, aby data dorazila k co největšímu množství lidí v co nejzrozumitelnější formě, jak je to možné v 21. století.

Minulý týden jsem byl u našich bývalých investorů ze Stories a ukazoval jim Understand. Byli nadšení, začali uvažovat, jak by měla vláda komunikovat, jak by mělo fungovat školství, že všechny informace by měly být sdělovány podobným způsobem.

Je to přesně o tom: chcete velké množství informací komunikovat jednoduše. Dnes je problém, že nástroje jsou složité, a proto se komunikuje, jako by bylo málo dat. My to vidíme a zároveň, když už nějaká komunikace probíhá, posluchači často nevědí, co si z toho vzít.

Jako Workday, když poskytoval informace lidem, kteří měli pokročilou datovou gramotnost, tak i tam Stories narážely na problémy. Zejména když to nebyl stacionární dashboard, kde víte, co očekávat v pondělí ráno, ale AI nebo engine vám přinese novou story, nový narativ a graf – lidé jsou z toho zmateni.

To jsme viděli i na screenshotech – v Stories i Workday bylo mnoho vizualizací na obrazovce, takže nevíte, na co se zaměřit v danou chvíli.

Líbí se mi, že když jsem byl u zrodu Stories, viděl jsem, jak velké a téměř nesmrtelné myšlenky a ideje pokračují dál, například problematika signálu versus šumu, příliš mnoho informací a přetížení informacemi.

Stories evidentně tento problém nevyřešily kompletně a vy dále pokračujete v rozsekávání problému a odsekáváte další části. Hlavně se jedná o univerzální typy výzev.

Kdokoliv dnes chce implementovat AI do firmy, musí tyto věci zvážit. Jedna věc je nadšení stakeholderů, druhá realita uživatelů, kteří mohou AI vnímat jako hrozbu a tvrdí, že některé informace nejsou v datech. To je jedno, zda používáte Understand nebo jiný dashboard.

Stejné je to s vizualizacemi a kognitivním přetížením – kdokoliv dnes chce komunikovat data, čelí stejným radám a problémům.

My jsme se hard way naučili, že implementace a prodej Stories byly složité, protože jsme vždy narazili na realitu. Dnes se to snažíme zlepšit, náš produkt i tlak směrem k paradigmatu shiftu jsou mnohem opatrnější a citlivější.

Snažíme se, aby to nebyl velký Big Bang – že jeden den máte dashboard a druhý den přijdete do práce a máte tam story vypadající jako Slack nebo Instagram, kterou musíte ještě swipovat.

Změnilo se to nějak v chápání firem? Nebo je problém stále stejný? Posunul se průmysl od doby, kdy jste prodávali Stories a nyní prodáváte Understand?

Myslím, že ne. Několik zákazníků ze Stories mi řeklo, že Understand je vlastně další verzí Stories a stále sní o tom, aby Stories běžely v jejich firmě, protože mají stovky dashboardů, velké datové týmy, obrovské pipelines a nemají dostatečné insighty.

Chuť po zjednodušení a redukci „noizu“ je stále, například náš marketingový klient ze Stories je stále aktivní.

Máme backend vyřešený, což znamená, že abstrahujeme backendovou vrstvu, protože už existuje mnoho nástrojů a technologie je vyspělá, máme CI/CD – je to vyspělý prostor. Nyní se otevírá prostor nad tím, jak dostat výstupy k stále většímu počtu lidí.

Podívejte se na Kebul, celkové end-to-end platformy dnes dokážou zapojit aplikace využívající GenAI.

Pro mě je to vyřešené: podpora všech databází, kompletní podpora pipeline včetně kvality dat a tvorby aplikací – tam je ten prostor plně vyřešen.

Přichází však otázka: máme sice nástroje, které dostávají problém do stavu, kdy bychom řekli, že je vyřešen, ale je to opravdu vyřešené? Narážíte na to naprosto správně.

Podíval jsem se na to z pohledu dodavatele softwaru a myslím, že nabídka je skvělá. Samozřejmě realita adopce je druhá věc, protože u firem je nesmírně těžké celé to propojit dohromady.

Máte miliony nástrojů na všechno, zejména ve velkých korporacích chcete ta data do firmy dodat efektivně, správně nasadit a napojit na infrastrukturu, aby data správně protekly.

To je pořád složitý problém. Nástroje máte, ale každý řeší jinou část.

Líbí se mi, že to, co říkáte, na tohle nemáte nástroje. To jsou věci, které nebyly dosud zcela vyřešené, proto je potřeba je dávat dohromady.

Text byl přepisem kompletním bez vynechání obsahu, opravený do spisovné češtiny, rozdělený do odstavců a s korekcí gramatiky a diakritiky.

Rád bych si vytvořil tu produkční pipeline. Minimálně my o žádných toolsech (nástrojích) nevíme, kromě jednoho, který koupila Canva. Tak pojďme možná k Understand Labs jako mladé firmě. Startup se to jmenuje, mladá, dynamicky se rozvíjející firma. Kdo používá Understand? Jaké jsou ty hlavní případy použití? Jaký je fokus mezi produktem a platformou? Jak jste daleko?

Co to teď je?

My jsme spustili v září. Ten feedback byl strašně pozitivní, jak od těch individuálních lidí, které dnes máme v produktu — jsou to stovky lidí, například CFOs a VPs, kteří najednou mají nástroje, které jim umožňují velmi jednoduše vyjádřit své datové myšlenky.

A co nás mile překvapilo, byl vlastně zájem o platformu a o tzv. headless přístup. My jsme takto ten byznys vůbec v začátku nestavěli, ale začaly se nám ozývat firmy, se kterými dnes máme velmi zajímavé use cases a velmi zajímavé piloty. Právě na alternativní způsob doručování příběhů, jednak ve firmách, a jednak na to, jakým způsobem mohou dnes nové generativní AI produkty doručovat data.

Máme tady jednu firmu, se kterou spolupracujeme, která generuje insighty přes generativní AI. A oni, long story short, přes language modely generují skripty, které se dívají na data a hledají v nich zajímavé insighty. Oni jednoduše popíšou model, který máte v databázi, a zeptají se na byznysové otázky — s čím by to mohli pomoci — a mají naučený prompt na vlastní language model, kterým si generují SQL dotazy (záleží na tom, kam se dívají). Prompty generují dotazy do databáze a přímo jim vrací výsledky, nebo rovnou generují Python skripty, které spouštějí na finální databázi.

Takže nahradili Hinka a Vojtu v budování příběhů. A když jsem se s nimi bavil — jak jsem se samozřejmě hrozně zajímal o to, jak to škáluje a tak dále — my jsme třeba ve stories, co jsme dělali, všechno počítali u nás. Nahrajeme si ta data k nám a všechno počítáme u nás, front money není problém.

Ale v tomhle modelu, který oni dělají, je právě to, že „běžte si to, kde chcete.“ Probíhá to u vás na vaší infrastruktuře, vy si za to platíte, a my vám tam posíláme dotazy a hledáme insighty. Pak vlastně půjčují k nám do platformy a distribuují koncové výsledky. To už se normálně konzumuje.

Ten brute force a tu statistiku, machine learning a AI, kterou jsme ještě před osmi lety tak poctivě psali, je dneska jako prompt engineering. A oni v podstatě; my společně — oni mají vlastně produkt jako BI bro, což někdy byl Shellmostroj, a prezentační vrstva je tam samozřejmě jako Understand, ale je to headless, takže to vypadá jako BI bro a máme teď velmi zajímavé use cases.

Právě ty v lokálních firmách, které obcházíme, a vlastně, jak jsem vzpomínal, tak poptávka po příbězích stále je, a ty nostalgické vzpomínky, jaké to bylo skvělé. Takže se snažíme oživit příběh z tohoto pohledu, ale už to není ten původní Shellmostroj — dnes je to gen AI.

Ale to je jeden případ — tohle vlastně story z pohledu velkých dat. Protože dokážou zpracovávat velká data, ale vlastně dokud si můžete vytvořit jakýkoliv model, použít ho na jakákoliv data a nakonec to integrovat k nám a odprezentovat ty staré inputy.

Viděli jsme v Americe malou marketingovou firmu, která původně byla agentura zabývající se e-mailovým marketingem, a najednou mají datový produkt na analýzu marketingových dat a e-mailů jen proto, že napsali pár promptů a jsou experti, takže ty prompty umí napsat výborně, a vlastně integrují Understand tak, že mají k tomu vizualizační vrstvu a v podstatě produkt.

To, co jsme se snažili dělat před 8 lety velmi složitě programátorsky. Je zajímavé, že různé průmyslové odvětví mají své vlastní problémy a hlavně rozdílné škály dat.

Když řešíme ty velká data, jak jsme šli u stories, možná ještě větší, ale na druhé straně jsou zde malí zákazníci, kteří zpracovávají hodně malá data, často pod 5 megabajtů, na kterých chtějí najít insighty a ty prezentovat — což mohou také snadno přes nás.

Když se podíváme technicky na tok dat, API volání a tak dále, jak to celé funguje, když je to platforma — infrastruktura momentálně stojí asi do 100 dolarů, a je to opravdu jednoduché. Používáme Vercel, Supabase a další utility, jsme kompletně serverless, nemáme vlastní infrastrukturu, pouze platíme za služby.

A když jste platforma a integrujete se s BI browsrem, co jim vlastně jako headless posíláte zpět?

Posíláme jim analytiku ohledně datové historie — jak to kdo viděl, zda na to kliknul, kolik času strávil na jednotlivých slidech v datové historii, zda to lajkoval a takové klasické metriky uživatelské interakce.

World class datovou vizualizaci dnes můžeš mít velmi rychle.

Jediné, co jim dáváme, je token. Dokonce jsme jim nedávali ani JSON schéma našeho API, pouze textový popis, jak naše API vypadá, a generativní AI byla schopná napasovat přesně ty JSONy a nasměrovat to do produkce. To byl pro mě velmi fascinující moment, když jsme začali vidět, jak se plní jejich workspace.

Všechny příběhy, které generoval GNI, jsem dokázal transformovat do našeho payloadu, který následně skončil u nás, a vypadalo to opravdu pěkně — jako jeden token.

My jim zpět posíláme analytiku, samozřejmě, kdo se na kterou stránku díval, co dal like, co si označil záložkou a tak dále — tedy zpětnou vazbu, kterou z toho získají.

Case s tím, že jsme byli schopní popsat celý ten kontrakt textově a GNI byl schopný to napasovat do JSON schématu, jsme obdivovali. Strávili jsme nad tím hodně času a promptováním, ale aby se to nemýlilo samozřejmě. Je fascinující, že pošlete kontrakt svému partnerovi — ne kontrakt, ale textový kontrakt, který definuje to, co chtějí — a oni jsou schopní ho přes GNI napasovat do našeho API. Bylo to méně než jedna A4 textu, celý popis.

Za dvě hodiny jsme to zvládli.

Když odhlédneme od uživatelského rozhraní a podíváme se na tohle — a zamyslíme se do budoucnosti — co vám to říká?

Potvrzuje to možná to, co jsi říkal ty, Petře, že celá pipelines a infrastruktura budou odstíněny, protože tam bude auto-API. Že už nikdo nebude řešit, jak má vypadat API call, protože 99 % to vyřeší samo.

Očekáváme, že tam budou agenti — každá služba bude mít vlastního agenta — a tento agent bude komunikovat s GPT nebo LM, který bude mít přístup pouze na toho agenta.

To znamená, že zadáš problém, který chceš vyřešit, popíšeš specifika, co potřebuješ, a agenti to za tebe vyřeší ve službách pod tím konkrétním problémem a následně to zpropojí.

Stories byly původně postavené jako dva separátní produkty: business část, kde konzumuješ stories, a konfigurační část, kde máš analytiku a business otázky.

Když jsme začínali se stories, Slack byl velmi oblíbený a jeho kanály byly naší vizí, jak konzumovat obsah.

Všechny firmy jsou totiž orientovány a řízeny jednou nebo několika metrikami, a koncepce kanálů na to krásně sedí.

Představte si firmu, která je řízena příjmy a objemem, a má dva kanály: příjmy a objem.

V příjmovém kanálu zadáte nahoře prompt: zajímám se o toto a toto v oblasti příjmů, posílej mi každé ráno do tohoto kanálu zajímavé příběhy.

A vy jen vidíte, jak agenti pracují na pozadí, aby vám doručili to, co chcete — vidíte, jak začínají pracovat analytické modely, jak běží pipeline, vyhodnocují data, běží notebook z Deep Knowledge atd. — a najednou máte hotový příběh.

Takže již nejsou dva produkty — nejsou rozdílné světy byznysáků a datových analytiků — je to jeden produkt a jedna metrika.

Metrika, která firmu pohání, je jeden kanál, kde se všechny aktivity odehrávají.

Agentky tam pracují na pozadí, aby tento kanál plnily.

Jak bude vypadat váš agent?

Understand agent bude pomáhat vysvětlovat příběhy.

To znamená, že uživatel vloží data, vytvoří vizualizaci, ale to je jen začátek.

Máme celý nástrojový set funkcí, který dokáže krásně vysvětlovat příběh podle best practices, ale občas je to i manuální proces.

Občas na tom musí člověk přemýšlet, jak to správně vysvětlit.

V tom nám pomáhá generativní AI.

Máme prototypy a implementace, kde napromptujeme generativní AI, pošleme data, a protože máme také popis dat, vizualizaci, osy, charakteristiky (numerické, kategorické a podobně), dokážeme popsat datový model OpenAI tak, aby našel zajímavé aspekty a ideálně podle best practices prezentoval krok za krokem.

Pošleme vizualizaci, AI udělá slideshow.

K přístupu k generativní AI jsme přistoupili velmi racionálně.

Na začátku roku vznikalo mnoho datových vizualizačních startupů, které měly vtipné use cases, u kterých jsme se smáli.

Uživatel napsal velmi dlouhý prompt typu: „Vygeneruj mi PyChart“, počkal 30 sekund a dostal PyChart.

My jsme si říkali: když si můžu PyChart udělat jedním kliknutím, proč bych psal ten dlouhý prompt?

Nesnažíme se umisťovat AI jen proto, aby tam AI byla, což sice pěkně vypadá na demu, ale uživatelům to nepřináší přidanou hodnotu.

Největší přidaná hodnota je v tom, když generujete jednotlivé kroky nebo animační vrstvy k vysvětlení grafu, kde je velké množství textu, který je potřeba rozmyslet.

Musíte rozhodnout, co ukázat společně, co nově v dalším slidu.

To je hodně manuální proces: kliknete na nový krok, v tomto kroku napíšete komentáře, další krok a tak dále.

Našli jsme v tom ideální uplatnění právě pro nás.

Spustíme to po Vánocích, protože to krásně automatizuje proces, opravuje text, navrhuje anotace, popisy k slidům — věci, které uživatel nechce dělat ručně.

Sám jsem si všiml, že když jsem tvořil demo prezentace, psal jsem description nebo anotace, pak jsem otevřel chat GPT a nechal si zkontrolovat gramatiku, a výsledky vkládal zpět.

Tak pracujeme s uživateli i interně na zdokonalení procesu.

V podstatě jsme zjistili, kdy to AI dokáže a kdy ne.

Bohužel ještě nejsme úplně tam, aby nám stačilo jen hodit CSV a AI sama generovala příběhy.

Samozřejmě jsme to chtěli, ale po konzultacích s Hinkem a Viktorem jsme pochopili, že nejsme ještě tak daleko a naše očekávání byla přehnaná.

Datascientisti navíc mají vyšší hranici očekávání než běžní uživatelé.

To, co by bylo dobré pro běžného člověka, nemusí stačit pro datascientistu, který má znalosti a zkušenosti.

Největší výzvou je dostat tam business obsah.

Když použijete anekdotu ze stories, která už možná zní otřepaně, jako například klasický projekt v Kyvy, kde nám vypadl španělský trh, a chcete to odpovědět byznysu.

Teď víme, že to není zajímavé, protože tam všichni vědí.

S touto analogií je spojena konfigurace engineu, která byla samostatným produktem, a je to analogie promptu v language modelu.

Výzvou vždy bylo, že jsme neměli business obsah, který byl lokální, a člověk, který v té firmě seděl, byl naštvaný, když mu model to neřekl.

Tak s tím bojujete?

Podle mě, promiň, že do toho vstupuji, i když je to otázka na kluky: jak já to chápu, to je ten problém, to je to vajíčko v tom, že kdyby to házelo automaticky, nebyl by to tvůj datový příběh.

Ale tím, že ti dávají nástroje, jak s tím lehce pracovat, dotvořit to, dodat svoje know-how, které v datech ani není, tedy ten kontext, tak myslím, že jsi narazil na ten sweet spot, propozici té aplikace.

Chápu to správně?

Přesně to jsem měl na jazyku, a Jirka to úplně vystihl.

To je přesně důvod, proč si myslíme, že lidé stále musí být v tom procesu.

Stories nám říkali: „Jasně, automatická analytika je skvělá, ale my máme insighty, které vy nemáte,“ a to se začalo potvrzovat v projektech.

Proto si myslíme, že právě na té konečné míli datového stacku musí člověk být.

Data kvalita, data pipeline a notebook jsou exaktní věci, kde možná nepotřebujete obsluhu.

Ale na vysvětlení výsledků musí být stále člověk.

To, že se to přiblíží a že zmizí separátní datová konfigurace a business výstup (což jsem osobně litoval, že jsme to takto navrhli), je důvod, proč myslíme, že business know-how a konfigurace musí být.

Ty se tam ptáš business question, engine ti odpoví, a ty přidáváš svůj insight, kterým prompt zlepšuješ.

Takže je to jedno prostředí — jeden kanál, kde se řeší revenue, kde se odehrává všechno.

A je tam to vajíčko.

Možná nyní otevřu malé filozofické okénko, ale m…

Je vlastně fascinující, jakou sílu mají tyto jazykové modely, protože zde dobře funguje koncept „human in the loop“. Je tam ta synergie mezi člověkem, který dodává business kontext, a modelem, který se učí, vrací zpětnou vazbu, a my s tím dokážeme pracovat. Čím dál tím lepší to je, až vlastně naučíme, jak to celé jenom funguje. Díky tomu, že se to zaměřuje na jazyk, že je zvolena přirozená forma komunikace, najednou je to úplně na jiné úrovni, než tomu bylo předtím.

Je to úplná změna myšlení, neuvěřitelná disrupce. Předtím člověk takovou možnost ani nevnímal. Dneska jsem zjistil, že lidé takto jednoduše podvádějí u zkoušek. Nic se vlastně nezměnilo, jen ten posun v myšlení, a tak lidé tento nástroj využívají. Vlastně jen komunikují s počítačem přirozeným jazykem, nikoliv nějakým speciálním. Přesně tak, protože si s ním můžete povídat a přitom ho lidsky trénovat bez jakýchkoliv předchozích zkušeností.

Rád to vysvětluji tak, že nejlepší AI modely, které jsou k dispozici, můžete mít za dvacet dolarů měsíčně. To mě na tom fascinuje. I když jsem vůči vám úplný začátečník, můžeme tento nástroj společně používat a jsme si rovni. To mě na tom hrozně baví – ta demokratizace.

Každopádně co podle vás čeká datové profese, datové týmy a způsob, jakým se dělá business intelligence a datová analýza ve firmách? Hodně jste to předvídali už v Stories, že velká část práce je automatizovatelná, že se mají podávat insighty, ne jen hledat v datech, a zvyšovat dostupnost pro uživatele. Nyní přišla generativní AI, jak to vidíte teď?

Myslím, že jste to před osmi lety hezky vystihli. Já se jen vrátím k tomu, že díky UnderstandPage máme rovnost i v datových vizualizacích. To je to, čemu věříme, Jurko. Myslím, že nejsme úplní odborníci na předpovědi. Nechci se stavět do pozice někoho, kdo vytváří predikční modely. Predikce jsou těžké, zvlášť o budoucnosti.

Moji spoluzakladatelé ve Stories byli v těchto věcech dál, takže já jsem spíš ten, kdo držel obě nohy na zemi. Ale bylo to hezky řečeno na Data Day. Ta nutná práce, jako je mapování datových sloupců, čištění dat a tak dále, bude automatizovaná. Lidé tak získají hodně času a uvolní si ruce, aby se mohli soustředit na pochopení dat.

I pozice, které dnes sedí blíž k datům, se posunou k tomu porozumění, tedy k rozhraní, kde budou data obohacovat o nějaké insighty, které v datech nejsou vidět. Budou dávat zpětnou vazbu a při zpracování příběhů ji poskytovat. My jsme od začátku vnímali Stories jako zpětnou vazbu – počítač něco nabídne, vy mu to vrátíte. Takže se posunou blíže k tomuto procesu a generují větší přidanou hodnotu těmi insighty, tím feedbackem, vlastně interpretací dat do příběhů.

Nemyslím si, že by něco mělo zaniknout nebo že by někdo měl být ohrožený. Jen se práce stane kreativnější a zajímavější, ale tak je to všude, nejen v datech. Nemusíte se bát o práci, Vojto a Hinku, to mě těší. Evidentně se mám začít bát o práci já, protože mám obrovskou radost, že jste jako velmi techničtí a technologičtí lidé začali řešit komunikaci.

Pro mě je hezké, že některé prezentační principy – jeden slide, jedna informace – které znám, se najednou ukazují v datech. To mě velmi těší, protože věřím, že data mají mnohem větší hodnotu, jen se nedostávají k těm správným lidem ve správný čas.

Tak jsem to hezky uzavřel, že? Bylo krásné něco přidat. Přesně. S tímto výkřikem a hurá, understand.

Moc děkujeme za návštěvu, držíme vám palce. Teď je to celé čerstvé, takže věřím, že se tady příští rok potkáme znovu, povíme si, co nového jste zažili, kam jste se posunuli a kde je Understand Labs v té době.

Možná ještě něco, co nezaznělo, co byste chtěli vzkázat veteránům? Co vás čeká příští rok? Na co se těšíte?

My jsme teď začali naplno rozjíždět platformu, rozběhne se první partnerství s datovými produkty. Máme několik progresivních firem, které stále sní o stories typu O&O, a s nimi chodíme na piloty. Takže pokud někoho toto téma zajímá, jak zlepšit datovou komunikaci ve firmách, máte datový produkt a chcete lepší datové vizualizace, něco lepšího než jsou dashboardy, určitě se ozvěte.

Nebo pokud jste firma, která je přehlcena dashboardy a chtěla by vyzkoušet alternativní způsob prezentace dat, ozvěte se.

Pokud chcete postavit hezké rozhraní a ne jen Google grafy, a získat konkurenční výhodu, tak se také ozvěte. Jsme schopní s jedním tokenem integrovat řešení během jednoho dne. Takže salesová nabídka.

Hledáte lidi? Budeme hledat. Hledáme někoho na product growth, takže kdo má zájem, může se nám ozvat. Jsme bootstrapovaná trojčlenná firma, takže vše, co jsme vytvořili, je výsledkem práce tří lidí. Zatím za námi nestojí žádný velký investor, nemáme velký tým.

Kromě B2B, kde se cítíme dobře, chceme podpořit i B2C vrstvu. To znamená, že lidé mohou začít Understand používat již dnes. Letos budeme hledat někoho, kdo nám pomůže s produktovým managementem a růstem zejména. Pokud jste produktový manažer a posloucháte, doporučujeme se ozvat.

Nebo pokud rádi rostete. Přesně – jste produkták a rádi rostete? Máte příležitost, že vás Petr a Vojta pozvou do podcastu a budou si s vámi povídat o růstu skrze produkt.

Kluci, moc vám děkuji, držíme palce a příští rok zase ahoj.

Děkuji moc. Díky moc. A to je vše. Děkujeme, že jste poslouchali až sem. A také děkujeme našim partnerům – Bighubu, Rekombi, Intex, Nanoenergies, Livesportu, Satsce, Bystrýtům, Colors of Data, Revolt BI a Gudatě.

Jestli vás zajímá více z české datové scény a globálních datových technologií, nechte nám svůj e-mail na datatalk.cz. Nebo přijďte na některý z našich meetupů na datamesh.cz.

Nechť vás provází Data.