Podcast

Dobrý den, zdraví vás Jirka Vicherek a vítám vás u dalšího dílu podcastu Data Talk. V tomto podcastu se bavíme s datovými odborníky o odborných datových tématech a mám velkou radost, že mé pozvání přijal Jan Soubusta, zvaný Jacek. Ahoj, Jacku.
Ahoj.

Ta radost vychází z toho, že Jacek přichází z firmy GoodData a samozřejmě GoodData jsem tady v podcastu chtěl mít, protože beru ji za takového duchovního otce českých cloudových analytiků a revolucionářů v globální sféře. Proto mám velkou radost, že jste tady u nás v Data Talku.
Ahoj.
Ahoj a díky za pozvání.

No a právě o GoodDatě a o tom, jak firma a hlavně produkt dnes vypadá, co v poslední době tým GoodData – Jacek a jeho kolegové – vlastně udělali, a jak to vypadá možná do budoucna s BI, cloudovým BI a headless BI, se dnes budeme bavit.

Než přejdeme k GoodDatě a k tématům, která jsem teď nastínil, řekni, jak ses vlastně dostal do GoodData, jaká byla tvoje cesta k tomuto hráči? Nebo kdy jsi poprvé slyšel o GoodDatě?

To je zajímavá otázka. Myslím, že jsem o GoodDatě poprvé slyšel až těsně před tím, než jsem do ní nastoupil, což je docela zajímavé. Možná jsem někdy předtím už o ní trochu slyšel, protože v ní pracovali moji kamarádi, ale teprve když jsem uviděl inzerát v uvozovkách na platformě Okoun, která se dříve jmenovala Průvodce a kterou založil Žeho Koles, Kopal Kolesnikov, a bylo tam napsáno, že hledají lidi se zaměřením, které jsem já už tehdy měl, uvědomil jsem si, že tam vlastně Koles a další lidé pracují, a tak jsem na to zareagoval. Měl jsem pocit, že na to nemám, ale pohovor dopadl dobře a já jsem nastoupil.

A co to byla za pozici a jaký to byl rok?

To bylo v roce 2014 a oni vlastně hledali někoho, kdo rozumí databázím. Zajímavá věc je, že GoodData vlastně byla založena už někdy kolem roku 2007, tuším, kdy Roman Staněk koupil garážovou firmu v Brně, a za těch asi sedm let, než jsem nastoupil já, vlastně neměli ve firmě žádného kovaného databázistu, přestože se firma jmenuje GoodData.

Ona to však tak úplně není pravda, protože v GoodDatě pracoval třeba Pavel Stěhule, což je poměrně známá osobnost, jeden z hlavních a klíčových přispěvatelů do Postgresu, ale GoodData už tehdy používala i jinou databázi než Postgres a docela si s tím nevěděli rady, takže hledali skutečné databázisty, kteří tomu rozumí opravdu do hloubky, aby se naučili tu jejich databázi – protože ta nebyla moc známá a v podstatě ji v Česku nikdo moc neznal – a aby jim pomohli dostat systém do produkční kvality, řekněme.

Takže rok 2014, a o jaké databázi se bavíme?

Bavíme se o databázi, která se jmenuje Vertica. Je to databáze, jejíž vznik inicioval člověk jménem Michael Stonebraker, což je poměrně známé jméno v databázovém světě, protože je to také člověk, který inicioval samotný PostgreSQL a inicioval i spoustu dalších databází. Doporučuji se na něj podívat třeba na YouTube nebo jinde.

Ta databáze je specifická tím, že se zaměřuje na svět datových skladů a analytiky. Je postavena diametrálně odlišně od tradičních transakčních databází, jako je například SQL Server nebo Oracle. Pro mě to bylo úplně nové a musel jsem se naučit spoustu nových principů a způsobů, jak věci optimalizovat.

Dnes tedy působíš v GoodDatě na pozici Distinguished Software Engineer a máš na starosti právě back-end a databáze. Přišel jsi tedy z databázového světa, byla to tvoje specializace?

Ano, je to tak. Já jsem vlastně před GoodDatou, nebo takto, do roku 2004 dělal všechno možné, řekněme nepříliš úspěšně, abych byl upřímný.

Ale v roce 2004 mi kamarád z koleje, maclízačský kamarád Lubomír Zanečko, kterému se říká Lobošek, hodil lano do Unicornu, a za Unicorn jsem vlastně jako standardní bodyshoper pracoval ve spoustě velkých firem v Čechách, v těch největších korporátech, jako jsou banky – například ČSOB, Česká spořitelna, pojišťovny – nebo třeba jsem dělal i v Tesku. Vždycky, když jsem říkal, že dělám v Tesku, lidé si mysleli, že pracuji u pokladny, ale já jsem pracoval v jejich centrálním IT pro celou Evropu.

Už na začátku mi řekli: „Ty jsi někdy viděl nějakou databázi?“ a já jsem říkal „jo“, tak budu dělat databáze. To byl můj začátek v Unicornu. Takže mi to nějakou náhodou přišlo do života a specializoval jsem se na to čím dál víc. Postupně jsem pracoval s různými databázemi. Začínal jsem třeba i s IBM mainframem OS390. Ale potom jsem nejvíc pracoval s Oraclem, což je databáze, která je asi nejvíce používaná v těchto velkých korporátních společnostech, a samozřejmě čas od času i s Microsoft SQL Serverem.

To je skvělé. Jak se tohle promítlo do tvé zkušenosti v GoodDatě? Je tam nějaká návaznost nebo pomoc s databázemi největším českým či evropským bankovním subjektům versus práce na globálním enterprisovém SaaS? Je to něco úplně jiného, anebo jsou ty principy hodně podobné?

To je dobrá otázka. Určitě je tam hodně principů, které jsou podobné nebo stejné, což hodně pomáhá databázovému člověku se adaptovat i na nové typy databází, když to tak řeknu. Je to takové inženýrské obecenství, ale v oblasti databází. Každý databázista musí umět přečíst exekuční plán a musí vědět, že něco takového existuje.

Každý databázista musí umět vytvořit dobrý fyzický datový model a musí být schopen číst i business požadavky a vytvořit z nich model. Je to trošku multidisciplinární činnost, ale základní principy jsou stejné nejen v oblasti databáze a SQL, ale i v oblasti nástrojů kolem.

To znamená například vědět, jak udělat dobrý monitoring databáze, aby bylo jasné, co se tam děje, jak dlouho která query běží, jestli není systém přetížený a podobně. Některé databáze mají své vlastní databázové jazyky. Oracle má například PL/SQL, ve kterém lze naprogramovat obrovské množství věcí, a používá se to velmi často i v korporátním prostředí, kde se v něm implementuje i business logika.

Tyto zkušenosti byly překvapivě platné i pro Verticu, ale některé věci naopak nebyly, protože jsem se poprvé setkal s databází, která umí běžet v klastru a škáluje horizontálně, což má řadu specifik. Ta databáze se pak chová úplně jinak a paradoxně když spustíš nějaký SQL dotaz na desetinodovém klastru, může běžet pomaleji než na jediném nodu. Člověk se tedy musel naučit i hodně nových věcí v souvislosti s těmito vlastnostmi netradičních databází.

Dostáváme se tedy k tomu, že jsi v GoodDatě od roku 2014. Teď udělejme rychlý skok vpřed – v poslední době jste hodně pracovali na nové GoodDatě. Co se za těch osm let změnilo? Co byla GoodData, když jsi přišel, a co je GoodData teď?

Tak jako rychle, potom se můžeme bavit o tom, jak jste se tam dostali, a jestli to platí i pro celý trh. Ale když uděláš snímek stavu v roce 2014 a potom před osm let, to je dlouhá doba.

Je to tak, ano. Je to vskutku moje nejdelší působení v životě. Předtím jsem nikde nezůstal déle než pět let, ale já jsem docela konzervativní člověk. Většinou v jedné firmě zůstávám dlouho a nerotují často. Ale osm let je opravdu hodně dlouhá doba. Já tam tak dlouho zůstávám právě proto, že se tam neustále posouvám dál a dál.

Co se týče databází na začátku, tak v GoodDatě v datových skladech bylo asi pět terabajtů dat. Dneska tam je asi půl petabajtu. To, jak obrovsky to vyrostlo a kolik přibylo datových center, vyžadovalo obrovské úsilí, aby vše bylo co nejvíce automatizované a všechny procesy kolem.

Po čtyřech až pěti letech, kdy jsme dosáhli tohoto stavu, jsem začal hledat nové výzvy, i třeba mimo GoodData. Ale v GoodDatě v tu chvíli došlo k zásadní změně, kdy se firma rozhodla zkusit udělat restart.

Začalo se intenzivně pracovat na úplně novém projektu, který spočíval v rozhodnutí přepsat celou platformu znovu na zelené louce. To začalo přibližně před půl rokem.

Ještě se tě zastavím – pro ty tři lidi, kteří by netušili, co je GoodData – co je váš pitch?

To se měnilo v průběhu času. Myslím si, že jednoho času hodně rezonovalo heslo „monetizujte svá data“. Principiálně jde o to dodat koncovým uživatelům reporting, vizualizaci a dashboardovou zkušenost.

Dnes se posouváme ještě dál – koncoví uživatelé chtějí ještě novější funkce, ale v podstatě to je to, co dodáváme uživatelům. To znamená, mohou analyzovat svá data a mohou z nich odvodit to, čemu říkáme „insights“, což se dnes nazývá různě – reporty, analýzy a tak dále.

To tedy dodáváme. Nicméně GoodData se dlouho snažila dodat end-to-end zkušenost včetně datové pipeline, která předchází tvorbě vizualizací. Poskytovali jsme i Data Warehouse as a Service, kde byla právě zmíněná Vertica, a zákazníci mohli do nás nahrávat data z mnoha zdrojů, transformovat je a nahrávat do Data Martu a poté nad nimi dělat vizualizace a další aktivity.

Takže toto bylo status quo až do restartu.

Takže k tomu restartu. Asi nejzajímavější je, že někdo v oboru to vnímá tak, že to nebylo jako plácnutí do vody, ale na něčem se pracovalo dlouho. Tak co mi prozradíš, co je nová GoodData?

Nová GoodData je samozřejmě krásná a blyštivá. Myslím si, že to lze rozdělit na dvě části – technologickou inovaci a produktovou inovaci.

Z pohledu technologické inovace za posledních deset let stará platforma dospěla do stavu, kdy její komplexita byla opravdu obrovská a naše schopnost dodávat nové funkce byla do určité míry omezená. Jedním z cílů restartu byla simplifikace – sjednotit technologický stack, vybrat nejlepší technologie na trhu a zároveň co nejvíce znovu využít existující open source nebo třetí strany.

Dříve v GoodDatě díky tomu, že tam pracovalo mnoho chytrých seniorních lidí, byla tendence spoustu věcí si psát sami, protože „já to udělám líp“. Když v otevřeném zdroji něco chybělo, raději to celé napsali sami. Dnes se snažíme tomu vyhnout, pokud to nemá velký smysl.

To je tedy ta technologická stránka.

Z pohledu produktové inovace chceme také udělat určitou simplifikaci a zároveň výrazně více cílit na developery, nikoli tolik na koncové uživatele.

GoodData se často prodává jako platforma, na které si zákazníci staví datové produkty a prodávají je svým zákazníkům, kteří často ani nevědí, že je to GoodData, protože jde o white-label řešení.

Abychom zajistili nejlepší zkušenost developerům, snažíme se jádro platformy co nejvíce otevřít. To znamená dobrá API, SDK a podobné věci. Méně, i když stále důležité, klademe na zkušenost koncových uživatelů, například vizualizace, které umí mnoho jiných BI nástrojů mnohem lépe.

Tam jsou mnohem větší týmy UI/UX vývojářů, než v GoodDatě, s tisíci pracovníky. Takže tam nechceme příliš konkurovat. Chceme opravdu vyladit jádro a otevřenost pro developery.

Co to znamená pro vaši práci v posledních třech letech? GoodData měla API vždy. Co konkrétně najdeme nového? Co se změnilo před a po?

To je dobrá otázka. Určitě je oblast API výrazně systematičtější, řekl bych. Některé problémy, které stará GoodData měla, se podařilo vyřešit.

Například velký problém v minulosti byl management životního cyklu, kdy bylo obtížné doručovat stav analytiky do prostředí.

Navrhli jsme tedy úplně nový typ API, který umožňuje deklarativní popis analytiky, nahrání v jediné transakci co nejsnadněji a nejrychleji.

V GoodDatě došlo k mnoha změnám. Platforma je velmi pokročilá v tzv. multitenanci. To znamená, že když si nás koupí například VISA, která prodává služby desetitisícům bank, každé se vytvoří workspace s vlastní analytikou.

V minulosti to fungovalo tak, že se všechna data fyzicky zkopírovala a distribuovala do workspaceů, a potom se každému nahrál model, metriky, vizualizace. Bylo to těžkopádné a neefektivní, ale přitom to mělo dobrou separaci. Šance, že by se rozbilo vše, byla nízká, ale systém byl neefektivní.

Nyní máme zavedenu tzv. workspace hierarchii, kde se předpis analytiky nahraje jen jednou a jednotliví tenanti jej dědí. Každý vidí centrální předpisy, protože většina tenantů chce vidět to stejné. Pokud si někdo chce upravit, může to v tzv. child workspace udělat.

To je poměrně novinka, kterou stará GoodData vůbec neměla.

Velmi zajímavé. Co to pro vás znamenalo z pohledu vývojářů? Říkal jsi, že jste začínali na zelené louce. Jak se staví na zelené louce, když zároveň přicházejí faktury a klienti chtějí nové funkce na staré instanci?

To je dobrá otázka. Bylo to bezesporu bolestivé. Trvalo to týdny až měsíce, než jsme se k tomu skutečně zavázali.

Bylo potřeba vzít ty nejseniornější lidi a zavřít je do „bubliny“, když to řeknu přeneseně, a vytrhnout je z týmů, což znamenalo oslabit ty týmy. To bylo samozřejmě kontroverzní, ale nakonec jsme si to dokázali vybojovat.

Dlouho tam bylo období, kdy lidé dělali obojí zároveň. Myslím, že nám hodně pomohl manažer, který nás vedl, intenzivně s námi pracoval a zároveň nás odstínoval od zbytku firmy.

Ve chvíli, kdy jsme měli prostor, jsme si stanovili pravidla. Nejzákladnější pravidlo byla demokracie. Nebyl tam žádný diktátor.

Ve stand-upech a dalších schůzkách jsme se vždy museli shodnout kvalifikovanou většinou a vedly se velké diskuze a zákopové války.

Když chcete stanovit základní principy, například jaký jazyk nebo framework použít, jak navrhnout například multitenanci znovu, je to velmi komplexní a vy se bojíte udělat chybu, protože by vás to pak mohlo kousat dalších deset let.

Proto jsme měli kvalitní lidi a dokázali jsme diskuze dobře moderovat.

A z těchto diskuzí a rešerší vzešly nějaké poznatky o trhu a vašich klientech.

Pro mě je zajímavé, že často na takový prostor nemáte čas. Jste v kolečku vyvíjení featur, lepíte legacy kód a nemáte čas se zamyslet, jestli jdeme správným směrem. Dobré firmy mají na to různé procesy a rituály, aby se dohodly a synchronizovaly.

A vy jste teď měli, jak říkám, podle mě velmi důležitý...

Tová firma s velkým rozhledem, s výborným know-how a zkušenostmi. A měli jste tuto možnost. Je tam něco, na co jste přišli, co nebylo tak zřejmé? Kdybychom se bavili před těmi osmi lety, byla by to kontraintuitivní logika – jdeme za vývojáři a opouštíme trochu byznys, jdeme více do middleware než do softwaru pro koncové uživatele. To by tedy nebylo na první pohled jasné. Jsou tam nějaké další takové věci, u kterých jste se museli zastavit, zamyslet, pohádat se, abyste zjistili, že to není tak, jak jste to původně viděli?

Myslím, že se ptáš víc na produktovou stránku věcí.

Abych byl zcela otevřený, na začátku jsme to do určité míry zanedbávali, což se teď ukazuje jako dluh, který budeme muset vyřešit. Ze začátku jsme si opravdu nastavili, že to bude postaveno zdola a že inženýrství vlastně určuje směr. Potřebujete nástroje pro vývojáře, aby mohli stavět produkt. Produktové zadání jsme buď vůbec neměli, nebo jsme ani nevěděli, jak ho získat. A to se v průběhu času učíme. Například teď se velice intenzivně snažíme osvojit si standardní postupy. Dnes už je standardem, jak dělat continuous discovery a jak získávat produktové požadavky nebo definovat příležitosti. Ale tehdy na začátku, kdy jsme budovali platformu na zelené louce, jsme tohle prostě nevěděli.

Dívali jsme se na konkurenty, analyzovali jsme jejich schopnosti a z toho se snažili vyvozovat závěry a podle toho prioritizovat backlog, to určitě ano. Ale vůbec jsme se intenzivně nebavili se zákazníky, potenciálními klienty ani s vývojářskou komunitou. To všechno vznikalo až za pochodu. A nebylo takové know-how, které by po osmi letech internalizované bylo přes klienty, protože máte různé lidi, kteří dlouho seděli u zákazníků, silnou profesní službu, která s nimi má každodenní kontakt, nebo třeba zde Jirka.

Ne, ne, to říkáš úplně správně. Je to teď velké téma ve firmě. Je to jednoduše bias. Ano, naše profesionální služby mají obrovské zkušenosti a nyní se je snažíme vtahovat i třeba do discovery a dalších procesů. Ale vždycky musíš být dostatečně kritický a zamyslet se nad tím, jestli to není nějaký good duty bias. Jestli to není tím, že stará platforma byla postavená tak, jak byla, a to do určité míry nutilo zákazníky ji používat tak, jak ji používají. Je třeba na to dávat pozor, ale rozhodně jsou ty zkušenosti extrémně cenné.

To, že jsme tak dlouho na trhu a máme mnoho implementací, nám dává určitý náskok i ve srovnání s konkurencí, zvláště tou novou konkurencí. Jsou dnes startupy, open source projekty, které nám konkurují, ale takové zkušenosti nemají a my toho musíme využít.

Skvělé, jak bys definoval novou GoodData? Předtím jsme zmiňovali různá buzzwordy. Samozřejmě se mi velmi líbí „headless BI“, protože je to výraz, kterého je plný internet. Jaké další hashtagy bys mohl dát na novou GoodData?

Jaké nové hashtagy mohu dát na novou GoodData? Protože headless BI je pro vás důležitá kategorie – pro ty, kdo to neznají, kde to vlastně vzniklo? Je to podle tebe dlouhodobý trend, nebo nově objevená věc?

Věříme, že je to trend, který bude dál víc rezonovat. Jde v podstatě o otevřenost a oddělení komponentů. Potřebuješ být otevřený vůči komponentám, které tě obklopují. Headless BI znamená skutečně bez hlavy, tedy i bez uživatelského rozhraní, třeba bez drag and drop analytického prostředí. To znamená, že do GoodData se může připojit například Tableau nebo Looker – v extrémním případě. Stejně tak je možné GoodData úzce integrovat s transformační datovou fází, například s dbt, nebo s platformami pro strojové učení, které jsou stále populárnější a kolem kterých je velký hype. Podstatou je co nejvíce usnadnit integraci vývojářům – tedy mít dobré API, SDKčka a dále zvažujeme další typy integrací.

Existují dnes různé nové trendy, například Aero protokol pro výměnu dat, zejména velkých dat, což je v analytice běžné. Trendů je mnoho a otevřenost API a nových formátů je naprosto klíčová. Vývojáři pak mohou velmi snadno integraci implementovat a těžit z toho výhody.

Co to znamená pro vaše klienty nebo potenciální klienty? Znamená to, že se začnete soustředit...

Byznys nebo tento byznys má nové potřeby s rostoucím významem data science, BI a podobně. Myslím, že ukáže čas.

Naše aktuální strategie, respektive priorita číslo jedna, je vybudovat developerskou komunitu. To je prostě první věc. Komunikací s touto komunitou se tuto otázku pokusíme objevit. Je to jeden z velmi důležitých a nových vstupů pro nás, které chceme zpracovat a na jejich základě vyvozovat závěry. Takže uvidíme.

Když říkáš developerskou komunitu, koho si mám představit? Kdo z našich posluchačů se má najít a kam se má přihlásit, když to řeknu takhle? Kdo je ve vaší představě uživatel?

Asi spíše nějaký data inženýr?

To je dobrá otázka. Určitě ten člověk musí mít potřebu obsahu, tedy chce dělat analytiku, chce dodávat nějaké insighty svým zákazníkům, když to tak řeknu. Ale cílových osob může být více.

Aktuálně nejvíce cílíme na analytického inženýra, což je pojem, který zavedlo DBT. Je to osoba na pomezí transformační fáze a analytiky. Je schopná udělat třeba DBT modely, zároveň rozumí potřebám byznysových uživatelů, chápe, že chtějí vytvořit business analytiku, je schopný připravit model a napsat i složitější metriky, které potom byznys uživatelé využívají třeba k drag and drop tvorbě vizualizací. To je první klíčová cílová osoba.

Druhá klíčová osoba je aplikační vývojář, který potřebuje data, respektive derivované insighty, embedovat do svých byznysových procesů. A to může znamenat spoustu věcí. Dejme tomu, v bance máte proces schvalování hypotéky, který, myslím, nikoho nepřekvapí, že musí být silně datově podpořený. Měli bychom být schopni analyzovat data a na základě analýzy rozhodnout, jestli se v procesu vydáme doleva nebo doprava. Aplikační vývojář proto očekává, že zavolá API, dostane výsledek a podle něj rozhodne, ve kterém směru proces poběží.

Ale stejně tak může UI vývojář chtít embedovat celou tu ad hoc self-service zkušenost, aby jeho koncový uživatel mohl vytvářet insighty nebo i dashboardy a mohl si je přizpůsobovat. Potřebuje tedy embedovat celou UI aplikaci. To v současnosti poskytujeme díky UI SDK, a to zatím pouze pro React, ale uvidíme, kam budeme chtít směřovat dále. Takže aplikační vývojář je ta druhá cílová osoba.

Často spolu spolupracují analytický inženýr a UI vývojář.

UI SDK je velmi zajímavé. Asi bychom někdy jindy v nějakém více inženýrském podcastu mohli zajít do toho, jak se UI SDK vlastně liší. Já bych ti doporučil někoho z našeho týmu, kdo tomu rozumí lépe než já. Já jsem spíše backendista a uživatel SDK, když dělám třeba nějaká demo. Ale máme velmi zkušené lidi, kteří SDK vyvíjejí už dlouho a dovedli ho do stavu, v jakém je dnes.

Mimochodem SDK je open source, takže kdokoliv může přispět nebo si ho forknout a upravit si ho podle svých potřeb. Naši hlavní architekti SDK vám určitě mohou říct spoustu zajímavých věcí.

Zní to velice zajímavě. K čemu to vede? Jaké nové use case nebo možnosti v tom vlastně vidíte? Co se z toho tvoří, co se může tvořit?

Myslím, že primárně jde skutečně o demokratizaci. Jde o to, aby více uživatelů mělo potřebu nebo schopnost používat data, insighty a výsledky reportů. Dnes je často situace v korporacích taková, že byznys uživatelé chtějí pouze vidět statické dashboardy, maximálně si přepnout filtr, a používají je především na prezentacích pro top management a podobně. To je strašně málo, nebo si to alespoň tak myslíme.

A to nejen proto, že je to technologicky možné – vše běží na Kubernetes a může být nasazeno kdekoli – ale i proto, že to zákazníci chtějí. Máme velké zákazníky po celém světě a oni třeba ne hned, ale časem budou potřebovat nasadit řešení třeba ve sklepě v Singapuru nebo v jakémkoli jiném vzdáleném místě. A to, že jim můžeme nabídnout on-premise alternativu, je pro ně velmi cenné, i když ji právě teď nepotřebují.

Nejjednodušší je dnes mít dvě možnosti, jak si GoodData vyzkoušet. První možností je využít náš trial, který je zdarma. Napíšete svůj e-mail a během pár sekund – doufáme, že do konce roku to bude opravdu jen pár sekund, momentálně to chvíli trvá – dostanete kompletní prostředí s vlastní doménou, můžete vytvořit kolik workspaceů chcete, připojit jakýkoli datový zdroj. Jsou tam i předpřipravené demo projekty, pokud nemáte vlastní data a chcete si jen osahat uživatelskou zkušenost. To je asi nejjednodušší cesta.

O něco více developerštější cesta je využít community edition jako jeden docker image, takže kdokoliv může provést docker pull, docker run a spustit GoodData na svém laptopu, třeba ve vlaku do Brna, kde často není internet. To samozřejmě dělají i vývojáři GoodData samotní. Developer experience vývojářů GoodData, tedy možnost pustit celou platformu lokálně pomocí docker compose a jednotlivých microservis, provádět změny, rebuildovat, testovat end-to-end nebo unit testy, je velmi důležitá a výrazně zvyšuje rychlost vývoje.

Máme v dokumentaci příklady, jak to kombinovat třeba s databázemi v docker compose, například s Oracle, který již dodává docker image, nebo se SQL Serverem, takže si můžete vyzkoušet cokoli potřebujete.

Určitě to zkuste a pokud budete potřebovat s čímkoliv poradit, obraťte se na mě, Jacku, přes LinkedIn, e-mail, nebo přímo na Slack komunitu, která je zaměřena na GoodData.

Ano, ve Slack komunitě odpovídám většinou do deseti minut. No, možná trochu přeháním, ale opravdu se snažím.

Děkuji ti, že jsi dnes byl se mnou a pověděl nám, jak vypadá nová GoodData, co máme očekávat a na co se těšit.

Děkuji moc za pozvání a tuto příležitost.

Děkuji vám, že jste doposlouchali Data Talk až do konce. Jak se vám tato epizoda líbila? Co byste na našem podcastu zlepšili? Koho pozvat příště? Prosím, dejte mi vědět, co si myslíte. Můžete se ohlásit osobně na příštím Datameš Meetupu nebo hned teď na mail jirka-datatalk.cz.

Pokud se vám tato epizoda líbila, doporučte ji dál, klikněte na srdíčka, na hvězdičky, dejte subscribe, ať nám svítí dashboardy zeleně, křivky tvoří hokejku a všichni zainteresovaní schvalují extra rozpočet.

Ještě jednou vám děkuji. Poděkování patří také mým kolegům Nikovi a Iris, stejně jako členům našeho partnerského klubu BigHubu, Deepnote, Ataccamě a Mantě.

Pokud máte návrhy, tipy na hosty, témata, pořádáte vlastní akce nebo byste chtěli datovou komunitu podpořit jinak, určitě mi dejte vědět.

Děkuji a nechť vás provází data.