Podcast

Ahoj všem, moje jméno je Barbara Hinarová a vítám vás u dalšího dílu Data Talku. Dnes tady mám Tomáše Mátla, zakladatele a CEO firmy Colors of Data. Ahoj Tome.
Ahoj Báro.

Dnes si s Tomášem budeme povídat o využití dat a AI pro řízení kvality ve výrobě. Ale ještě než se k tomu dostaneme, Tome, řekni nám, jak ses dostal k datům. Ještě bych poznamenala, že Tom byl v díle 15 Data Talku, takže určitě, pokud vás zaujme, můžete si ho poslechnout.

Díky za úvod. Jak jsem se dostal k datům? No, dostal jsem se k nim vlastně až trochu později ve své kariéře. Začal jsem chodit do práce už někdy před 25 lety. Moje první práce byla ve velké konzultační firmě. Pokud mám popsat, jak jednotlivé části mé kariéry přispěly k tomu, kde jsem dnes, ta první byla velmi důležitá v tom, že mi umožnila poznat, jak fungují nejrůznější byznysové sektory. V rámci té práce jsem se naučil bavit s byznysovými lidmi a zároveň jsem pochopil, jak ty firmy fungují technicky — co je potřeba k tomu, aby fungoval mobilní operátor, co je potřeba, aby mezi bankami tekly peníze a lidé věděli, co se jim děje na účtu, nebo co je potřeba, aby vznikl zásobník plynu u plynárenské společnosti.

Pak přišla druhá fáze mé kariéry, která byla také důležitá — přestoupil jsem do telekomunikačního operátora. Strávil jsem asi devět let ve Vodafone a tam jsem opravdu do hloubky pochopil, jak takový byznys funguje, jak se rozvíjí, co je potřeba k tomu, aby firma vydělávala a zákazníci byli spokojení, měli potřebu nakupovat víc a zůstávat věrní jednomu operátorovi, že?

Můžeš nám dát nějakou časovou osu, kdy se udály tyto dvě věci — kdy ses začal věnovat konzultační firmě a v jakém roce jsi přešel do Vodafone?
Jasně. Moje první práce v Accenture začala někdy před rokem 2000, strávil jsem tam šest let a prošel řadou zajímavých projektů v zahraničí, což mi také hodně dalo z hlediska poznání kulturních rozdílů. Strávil jsem třeba půl roku v Turecku nebo jsem byl na projektu v Jižní Africe. Po těch šesti letech jsem přestoupil do Vodafone, kde jsem pracoval devět let, z toho čtyři roky jsem strávil přímo v mateřské společnosti ve Vodafone v Londýně.

A potom ses tedy rozhodl založit vlastní konzultační firmu Colors of Data?
Před založením Colors of Data tady byl ještě jeden krok. Když jsem se rozhodl odejít z Vodafone, přispěly k tomu dvě věci. Jednak jsme se s rodinou rozhodli vrátit zpátky do Čech a pak jsem cítil frustraci jako byznysový člověk, že nemám ke své práci dostatek informací, které jsem vnímal, že potřebuji. Byl jsem zodpovědný za rozvoj nějaké zákaznické propozice a byl jsem placený za to, jak se tato propozice rozšíří do zákaznické báze ve všech 22 zemích Vodafone. Jediným způsobem, jak jsem to mohl řídit, bylo, že jsem dostával za každou zemi jedno číslo — počet zákazníků — každý měsíc. Nebyly tam žádné další informace nebo detaily...

Zde je opravená verze textu:

které by mi pomohly nějakým způsobem vylepšovat tu propozici nebo řídit to, do jaké části báze se rozšiřují, a tak dál. A tak mě právě napadlo, že by dávalo smysl řešit problémy...

jako většina byznysáků, jakým jsem byl i já, a když jsem tehdy dostal nabídku přidat se do Billy Jensen, rozhodl jsem se spolu s mými šéfy, že datová analytika a využití dat pro byznysové účely je to, co chceme dělat. Strávili jsme hodně času vysvětlováním byznysovým týmům našich klientů, jak se dostat k datům, proč je není třeba se bát a jak s nimi pracovat. Tehdy vlastně začalo Tableau, takže jsme hodně pracovali právě s Tableaudem, a myslím, že se nám to docela dařilo. Jo, a Billy Jensen se taky docela daří. Určitě, co tam byly ty nejhlavnější use case, s kterými jste začínali u byznysových uživatelů?

Touhle otázkou mě posouváš k vlastně poslednímu kroku, kdy jsem založil Colors. Přemýšlel jsem, co budeme dělat, co bude nosné téma nebo use case pro Colors, a i když jsem vnímal, že reporting a zpřístupňování dat pro byznysové účely je stále aktuální téma, chtěl jsem přijít s něčím nosnějším. A docela brzo mi došlo, že v okamžiku, kdy dáš byznysovému uživateli do ruky data, první, co ho zajímá, je: kdo jsou moji zákazníci, jak jsou spokojení s mými službami, co dalšího potřebují a jakým způsobem jim mohu nabídnout služby, aby rostla jejich spokojenost s mým brandem a zároveň jejich hodnota pro mě jako firmu.

Jasně, takže jsi začal řešit svůj problém, který jsi měl ve Vodafone?

Přesně tak. A z tohoto use case se velmi rychle rozvinul náš nosný byznys. Tehdy jsem zjistil, že existuje nástroj zvaný Exponea, který právě řeší management zákaznického životního cyklu od úplných počátků – tedy pochopení, kdo mi chodí na web, co lidé na mém webu nebo v mé aplikaci hledají, přes získání daného člověka jako zákazníka, řízení jeho hodnoty skrze upsell, cross-sell, ale hlavně tento nástroj dělá skvěle něco, čemu říkáme zákaznický engagement. To znamená být schopen se svým zákazníkem komunikovat personalizovaně, relevantně, ve správnou chvíli a přes ten správný kanál. A tento nástroj tohle dělal, respektive dělá, lépe než jakýkoliv jiný na trhu. Já jsem se do něj zamiloval a vlastně jsem z něj udělal vlajkovou loď našeho tehdejšího byznysu.

A o tom taky máme díl, že ano?

Ano, to tady byl Petr Václavěk. Já si nepamatuji, který to byl díl, ale určitě pro posluchače, kteří by o tuto vlajkovou loď Colors of Data měli zájem, doporučuji si ho poslechnout.

Ale já bych už přišla na ten druhý use case, pokud můžeme, a to je ta naše vlajková loď pro dnešek – o čem se tady budeme bavit, a to je řízení kvality ve výrobě. Jak jste se k tomu dostali? A jak důležité to pro vás je? Jasně, že to je pro vás důležité, ale zkrátka nám o tom pověz víc.

Poté, co jsem se spojil s Petrem Václavkem a rozjeli jsme pilíř byznysu, který se stará o řízení hodnoty zákazníka, jsem vnímal, že by bylo fajn postavit na nohy i druhý původní pilíř, který spočíval ve využití dat pr...

Pokud chcete, mohu pomoci i s pokračováním či dalším textem.

Jasně, tady je opravený text s lepší strukturou a úpravami chybných formulací:

O obecní biznesové účely. Jednou jsem se potkal se šéfem řízení kvality výroby ve Škrovce a vyprávěl jsem mu o tom, co děláme pro naše tehdejší automotive klienty, což byli Continental a Porsche Česká republika. On se ptal: „A tam to bylo zaměřené na zákazníky?“ Odpověděl jsem, že to bylo zaměřené hlavně na reporting a na adopci reportingu interními týmy.

Milan Lufka, šéf řízení kvality, tohle všechno rezonovalo, protože on spolu s dalšími manažery řízení kvality ve Škodovce chápal, že musí v tom svém byznysu, tedy jak řídí kvalitu, něco změnit. Řekl mi: „My kvalitu ve Škodovce řídíme velmi dobře, máme ji v porovnání s jinými automobilkami vysokou, ale je plně závislá na lidech. A lidé jsou nespolehliví, chodí pozdě nebo občas nepřijdou do práce. Mají občas špatný den.“ Přesně tak.

Zároveň věděli, že při výrobě auta vzniká spousta dat, která se sice zaznamenávají, ale nijak aktivně nevyužívají. „Víme,“ dodal, „že musíme tyto věci automatizovat, převést na data, abychom snížili závislost na lidech. Ale vůbec nevíme, jak na to. Potřebujeme někoho, kdo nám přinese know-how, kdo nás inspiruje ze zahraničí nebo z jiných oborů, kdo nám ukáže, jak se to dělá jinde. A pak někoho, kdo nám pomůže udělat první kroky a postavit základ pro budoucí digitalizační řízení kvality.“

Takže to byl vlastně první vstup do řízení kvality pomocí dat. Můžeš popsat, co se pak dělo? Jak třeba probíhalo mapování procesů? Strávil někdo týden na výrobní lince, aby zjistil, kde se dá eliminovat lidský faktor? Jak to tam vlastně pokračovalo dál?

To, co jsem teď popsal, byla jen první diskuze u kávy. Když jsme řešili, jak začít, ukázalo se, že nikdo v řízení kvality neznal detaily o tom, jaké systémy se používají, jaká data obsahují a jak jsou tato data využitelná pro automatizaci a digitalizaci řízení kvality. A to je ta lepší situace, když už nějaká data sbírají a používají nějaké systémy.

Jaké to byly systémy? Není to jen nějaký stroj na výrobě, který něco dělá a něco zaznamenává?

Jo, jde o operační systémy, které se používají při výrobě i při kontrole kvality. Například na výrobní lince jsou automatické utahovačky. Není to tak, že by tam stáli pracovníci a ručně zaznamenávali, kolikrát utáhli šroub. Automatické utahovačky vytvářejí záznamy o každém utaženém šroubu – jakým momentem byl utažen, kolikrát se otočil a kolik šroubů bylo utaženo během operace. Takže lze zjistit například, že při utahování šroubů na levém zadním kole se jeden šroub kousnul, protože se otočil pětkrát místo pětadvacetkrát.

Dále jsou systémy, do kterých kontroloři kvality zapisují informace o tom, co našli na konkrétním autě.

Pokud chceš, můžu text upravit ještě víc, aby byl formálnější nebo lépe organizovaný.

Zde je opravený a stylisticky upravený text:

Jak prostě čekat očima? Přesně tak. Očima, ušima a hmatem – komplexní prohlídka. Takže... no, říkám, pro vás to bylo vlastně jednodušší v tom, že podobné věci tam nemuseli zavádět, ale nějaká data tam existovala. Vy jste tedy v úvahách jen přicházeli na to, jak to správně reportovat, nebo jak vybrat nějaký první use case, který tady teďka začneme dělat, abychom to vůbec mohli rozjet a prokázat hodnotu naší práce, kterou tady můžeme zanechat.

Když zkrátím začátek do pár vět, první projekt, na kterém jsme se dohodli, byl datový audit. Tento datový audit popsal datové prostředí řízení kvality v e-procesu. To znamená, že jsme řekli: máte tady těch 25 informačních systémů, v nich jsou taková a maková data, systémy si je mezi sebou vyměňují tímto způsobem, a my jsme identifikovali data, která mají největší potenciál k tomu, abychom na nich začali stavět automatizaci řízení kvality.

Zároveň jsme vytvořili seznam nejdůležitějších doporučení, která vám pomohou udělat první kroky rychle, abyste viděli nějakou významnou přidanou hodnotu nebo zlepšení, aby lidé poznali a uvěřili, že když začnou využívat data, usnadní si tím práci. Datový audit byl tedy prvním krokem, druhým pak formulace strategie.

A to považuji za velmi důležité, protože strategie vznikla před skoro čtyřmi lety a my podle ní stále jedeme a pořád se k ní vracíme. Dává nám cíl, ke kterému chceme někdy v budoucnu dojít. Ten cíl není například nějaké procentuální zjednodušení práce nebo eliminace lidského faktoru. Ne, ten cíl je vytvořit něco, čemu se říká digitální dvojče auta.

To znamená, že každé auto, které ve Škodovce vznikne, má svoji datovou reprezentaci, kde jsou všechny údaje relevantní k tomu, abychom mohli kdykoliv říct, jestli je auto v pořádku, nebo jestli potřebuje nějaký zásah. Začínáme tím, že digitální dvojče vytvoříme ještě ve chvíli, kdy je auto zastoupené jen jako seznam plechů ve svařovně. V každé další fázi pak můžeme dohledat, co se s autem stalo.

K té strategii se ještě vrátím později, ale teď pojďme dokončit její popis. Strategie nám stanovuje nejen nejdůležitější cíl, kterého chceme dosáhnout, ale zároveň ukazuje způsob, jak se tam dostat. Řekli jsme si, že chceme vytvořit digitální dvojče, na kterém budeme počítat, jestli je dané auto v pořádku, nebo ne. Chceme objektivizovat kvalitu ve Škodovce, tedy aby nedegradovala na subjektivní hodnocení techniků kvality.

To znamená, že nebude záležet na tom, jestli technik kvality označí něco za kvalitní nebo nekvalitní, ale kvalita bude definovaná datově. Důležité je, že chceme přicházet na problém co nejdříve poté, co vznikne. Dnes se často problém zjistí až během závěrečné kontroly, testovací jízdy, nebo ho objeví zákazník poté, co auto koupí a reklamuje ho. To je ale pozdě...

Pokud chcete, mohu pokračovat v úpravě další části.

Tady je opravený text:

Vyšší náklady. Tím větší náklady, přesně tak. Takže v té strategii jsme definovali, jakým způsobem dosáhnout těchto cílů, jaké by měly být vlastně kroky, které k tomu povedou. Takže nějaká roadmapa. Měli jsme roadmapu toho, co vznikne. Tím se dostávám vlastně do další fáze, kdy jsme začali roadmapu realizovat, a docela brzy jsme přišli na to, že třeba digitální dvojče je super zajímavý koncept, ale organizace a týmy na začátku potřebovaly něco jiného. Potřebovaly se vlastně naučit lézt, než budou chodit. Takže jsme první rok až rok a půl strávili tím, že jsme vytvářeli reporty v Power BI a učili jsme lidi přecházet z vyhodnocování dat v Excelu a z čtení PDF tabulek k používání interaktivních reportů. Vícevrstvé reporty, kde si mohou procházet různé úrovně detailů a tak dále. Takže první krok, nebo nejdůležitější část před tím, než se něco takového může začít dělat, je získat důvěru uživatelů a naučit je, aby vůbec přijali, že se něco takového do budoucna stane. Přesně tak. Musíš si projít co nejvíce lidí v organizaci a... získat si uživatele na svoji stranu, na stranu digitalizace. To uděláš tím, že se jich ptáš, co jim v práci vadí, co by jim pomohlo, a přemýšlíš o tom, jak to usnadnit. My jsme takhle obcházeli jednak šéfy, kteří nám sdělili jejich vize a představy o tom, co by jejich týmu pomohlo, ale zároveň jsme mluvili i s lidmi v týmech a zjistili jsme například, že jsou otrávení z toho, že denně tráví přípravou dat ve Excelu na reporting jízdních zkoušek. Když jsme tedy měli kompletní obrázek, co lidé považují za důležité, hodně nám to pomohlo přijít s prioritizovanými nápady a získat důvěru šéfů ohledně toho, s čím začít a jak pokračovat.

Já se ještě vrátím trošku k tomu auditu, nebo spíš k vyzpovídání uživatelů či lidí v procesu. Byla tam nějaká velká překvapení pro tebe? Čekal jsi, že se něco takového tady bude řešit? Byly tam nějaké momenty? Měl jsem jeden moment, který mě nadchnul. Jsem praktický člověk, rád hraju s reálnými věcmi, rád věci spravuju, utahuju šrouby, dávám starým věcem nový život a tak. A lidi, kteří pracují ve Škodovce, jsou asi podobní praktičtí lidé jako já. Měl jsem s nimi skvělou interakci, protože jsou skutečně zapálení do toho, dělat dobrá auta. Často si na nic nehrají, nejsou prototypem vyhnaných manažerů a tak dále. Komunikace s nimi je přímá, řeknou ti, co potřebují, a když děláš něco, co se jim nelíbí, tak to hned poznáš. Je to takové „no bullshit“ prostředí. To mě překvapilo. Jinak ne. V každé organizaci najdeš třetinu lidí, kteří jsou nadšení, že konečně se něco dělá s daty. Třetinu lidí, kde to vyvolává st... (text končí nedokončeně)

Pokud chceš, mohu opravit i pokračování po jeho doplnění.

Rach nebo obavy. A ty hraješ o to, abys co nejdříve získala na svou stranu co největší část těch zbývajících 40 % lidí, kteří vyčkávají a říkají si: „No tak dám tomu šanci a uvidím, co bude.“ Jasně. A co se týče třeba technologií nebo nějakého technologického stacku a získávání dat, propojování těch dat dohromady, aby se to vůbec dalo pro něco použít – byly tam nějaké překážky, řekněme? Jak to tam vypadalo?

Škodovka jako firma využívá celou řadu systémů, které řídí výrobu a kvalitu. A to prostředí je velmi heterogenní. Často to jsou systémy... Od jednoho dodavatele? Ne, od všech možných dodavatelů. Zhruba polovinu systémů dostali centrálně z centrály ve Wolfsburgu, takže řadu dat mají v systémech, nad kterými vlastně nemají kontrolu. Takže musíš poslat dopis do headquarters, aby ti to dali, jo? Řeší se to velmi pomalu a obtížně, protože ty systémy běží na nějakých zastaralých technologiích a tak dál. Německý government cloudy — přesně tak. Zároveň zbytek systémů, které mají pod kontrolou, si buď vyvinuli sami, a je těžké najít někoho, kdo je schopný dělat změny a zná implementace, nebo jsou to systémy od různých dodavatelů tady z Čech nebo střední Evropy. Prostředí je tedy velmi heterogenní a když jsme tam začínali, bylo velmi těžké se k těm datům dostat.

Dneska, po čtyřech letech, je situace výrazně lepší, protože existuje datalake, do kterého se plní různá data, a my jako dodavatel nebo týmy řízení kvality jako zákazníci máme možnost ovlivnit, co se do datalake dostane, kdy a jak. Nicméně na začátku to bylo velmi složité. Pamatuju si, že když jsme potřebovali rozšířit tabulku v datalake o jeden sloupec, trvalo to šest měsíců, než se tam tohle jedno datum dostalo.

Hezké. Technicky to byl velmi jednoduchý úkon, složité bylo ale datum, priorita a propojení několika týmů mezi sebou,

kteří jednak věděli, kde to datum je ve zdrojovém systému, jak ho extrahovat a zadat do datalake, kam ho zadat, a zároveň najít na to rozpočet. My jsme tuto cestu prošli a trvalo to šest měsíců. A to je ještě dobře.

No hele, výmluvy, které klidně trvají i déle, samozřejmě házejí klacky pod nohy, hlavně pak do roadmapy, kterou tam máš připravenou — že se něco stane v nějaké době, a pak narážíš na takovéto libůstky. To je pravda, ale myslím, že my jsme dobří v tom, co jsme Škodovce přinesli jako nečekanou přidanou hodnotu — že umíme najít cestu. Umíme improvizovat a když něco nejde standardním procesem, snažíme se najít způsob, jak to udělat. O tom budeme asi mluvit za chvilku.

Ano, Škodovka je velmi rozsáhlá organizace, co se týče počtu týmů a schopnosti být sladěná mezi sebou. A my jsme brzo přišli na to, že pokud ta...

Jasně, tady je opravený text:

My chceme úspěch, tak musíme fungovat vlastně i jako propojovač mezi jednotlivými lidmi. Jako ti konzultanti mezi jednotlivými týmy. Jasný. Takže to je taková věc, na kterou asi není těžké narazit kdekoliv – nějaké chybějící věci a délka implementace. Když jsme si tedy řekli o nějakých problémech na té cestě, mohl bys říct nějaké první úspěchy, které se vám tam podařilo nasadit a které vlastně získaly ty první uživatele a podporu?

Jasně, jasně. Jak jsem říkal před chvílí, my jsme tam přišli s velkými vizemi a plány, jak budeme stavět digitální dvojčata, ale brzo se ukázalo, že musíme začít od patronaže a že musíme lidem dostat ta data a informace z nich do ruky v interaktivní, zpracovatelné podobě. Takže první rok a půl jsme strávili výrobou dashboardů a reportů v Power BI, které pokrývaly různé části řízení kvality. Za tu dobu jsme pokryli, nevím přesně kolik, osm nebo deset různých oblastí a vždycky jsme se snažili o to, že v okamžiku, kdy byl nějaký report dostupný, zajistit i to, aby s ním lidi začali pracovat.

Mám radost z toho, že když jsme sledovali používání těch jednotlivých dashboardů, řada z nich se dostala třeba mezi první padesátku, někdy i do dvou set nejpoužívanějších reportů a dashboardů v celém koncernu Volkswagen, kde je žebříček 20 tisíc položek, a my jsme tam viděli čtyři z nich mezi první padesátkou. A právě když takovouhle informaci předložíš šéfům, je to to, co oni potřebují, aby viděli, že to jde správným směrem, dali ti důvěru a cítili se komfortně s tím, že půjdou za svými nadřízenými pro další rozpočet, další podporu a tak dále.

Takže po roce a půl jsme měli pokryté základní věci reportingem a byli jsme schopní to reportingové prostředí a další rozvoj reportů začít předávat do interna. Což byl i požadavek na začátku – říkali nám, přineste sem expertízu, postavte nám základy a postupně nám předávejte ty věci, abychom byli schopní si je pak už sami rozvíjet a řídit dál.

Co pro nás bylo důležité, bylo pochopit, jak převést zkušenosti lidí do digitální podoby. To se povedlo v prvním kroku v tom reportingu, na který jsme potom navázali digitálním dvojčetem.

Jasně. A co se týče toho Power BI, byla to tam daná volba systému kvůli Škodovce nebo nějaký jiný důvod?

Škodovka hodně jede na Microsoftu.

Microsoft možná i na Škodovce, přesně tak. Takže Power BI bylo dané už.

A tak když jsme přišli, bylo jasné, že to je ten nástroj, který budeme používat.

Tak jo, takže ve chvíli, kdy jste měli hotový reporting a první úspěchy v rámci úspěšnosti a návštěvnosti těch reportů, začali jste pak pracovat na digitálním dvojčeti, nebo nějakým způsobem na tom, aby každá fáze výroby auta byla dohledatelná v digitální podobě. Můžeš popsat tuhle cestu – jaké byly první kroky, co tam byly za první úspěchy?

Pokud chceš, mohu text ještě více upravit podle kontextu, případně zkrátit či zpřehlednit.

Jasně, tady je opravený a stylisticky vylepšený text:

Ty největší pain points? Jo, jo, to vlastně docela přirozeně navázalo na reporting, kdy naše reporty nebyly jen dobře využívané, ale zároveň šetřily lidem práci. Odbourali jsme tím spoustu manuální práce – myslím, že to bylo zhruba 4 až 5 FTE jenom v organizaci řízení kvality, které jsme na dlouhodobé bázi odstranili. Lidé tak mohli začít dělat něco, co dává větší smysl, než jen manuálně připravovat data.

Pak se zaměřili na to, jak zajistit, aby vzniklé problémy dokázali odhalit lépe a dřív. To nám pomohlo – podobně, jako jsme si předtím vytvořili roadmapu pro rozvoj reportingu, jsme si tady následně udělali roadmapu pro use cases digitálního dvojčete. Budeme mít digitální dvojče, tedy digitální reprezentaci auta, a rozhodneme se, co nad touto digitální reprezentací budeme chtít v businessu dělat, aby nám to pomohlo lépe řídit kvalitu.

Měli jsme 15 use cases – některé pokrývaly jen určitý úsek výroby, jiné celý lifecycle auta od jeho začátku na svařovně až po používání řidičem. Byla tam různá komplexita, různá předpokládaná hodnota, takže byla nutná priorizace.

Takže jste věděli třeba na začátku, že na Šroubárně se vždycky stane nejvíc chyb? Nebo ještě ne, protože reporting tam nebyl?
Ne, takový přehled úplně nebyl. Pro mě je vždycky důležité vycházet z businessového cíle. Když mám dát příklad, který vedl k rozvoji prvního use case, tak šlo o... Tento use case vyústil ve vytvoření machine learningového modelu, kterému říkáme Roadtest Predictor.

Šlo o to, že zhruba 3 % produkce v automobilce jdou na tzv. dynamický kurz audit. To je krátký audit, během kterého technik projde auto zkrz na zkrz – jede s ním na zhruba 20–30 km zkušební jízdu. Není to jenom projížďka po polygonu, ale opravdu podrobnější prohlídka auta. A ta auta se vybírají namátkově, například dva tři kusy z šarže – přesně tak. Pokud spadáš do nějakého vzorku, kterým chceme zastoupit typy aut, vybíráme tě.

Idea tohohle use case byla, že když zohledníme, co se konkrétně stalo při výrobě toho konkrétního kusu auta, může nám to říct, jestli má větší nebo menší šanci, že bude mít nějaký problém.

A přesně v tom byl tenhle use case skvělý – šli jsme od jednoduchého k složitějšímu. Před námi něco podobného zkoušeli v Seatu v Portugalsku, kde nasypali do modulu všechny data, která v továrně vznikla, a čekali, že jim to řekne: „Toto auto má problém.“ Ale totálně to selhalo.

Proč?
Protože neměli dobře promyšlené prediktory – věci, které skutečně ovlivňují kvalitu. A tak nebyli schopni ten model...

Pokud chceš, můžu ti opravit i zbytek textu, stačí říct!

Tady je opravený a upravený text:

Jakým způsobem to naladit? Jasně. Já si to představuju tak, že máš nějaké kroky výroby, a každý...

Krok třeba trvá nějaký čas, má určité parametry, a ty potom můžeš hodnotit odchylky od normálu. Přesně tak. Jo. Ale zase takových kroků je deset tisíc, ne? No právě. Při výrobě auta. A právě říkáš, že jsme začínali s jednoduchým případem, ale mě to, nebo aspoň tak, jak si to představuju já, nepřipadalo zrovna jednoduché.

My jsme šli za lidmi, kteří to mají na starosti, a ptali jsme se jich: „Co vidíte jako hlavní věci, které způsobují problémy?“ A ten člověk nám řekl šest situací, které typicky řeší problémy, když se na takovém autě něco najde. Říkal, že například, když vypadne technologie na utahování šroubů, tak takové auto může mít problém. Občas se stane, že na lince je nedostatečné personální obsazení. Může tam být příliš mnoho nových lidí, může se někdo zranit, nebo z nějakého jiného důvodu na lince chybět. A pak to auto v tu chvíli nedostává takovou péči. A auta, která jsou dlouho na repasích, mohou mít taky problém.

Přišel s šesti sedmi takovými nápady a ty nám hodně pomohly nasměrovat naše hledání, v jakých datech problém hledat.

Na začátku jsme si mysleli, že nám stačí postavit jednoduchý rozhodovací strom, třeba kdyby bylo auto na repas, a pokud tráví víc než pět minut, tak ho pošli na něco speciálního. Přesně, někdy to bylo ještě bez šroubových spojů. Ale nakonec jsme zjistili, že aby to fungovalo, musíme vytvořit vlastně plnohodnotný machine learningový model, nebo spíš dva modely zkombinovat – supervised a unsupervised.

Výsledkem modelu je scoring každého auta. Takže to kopírovalo například to, co by udělal supervised model, tedy něco, co by dělal člověk, když auto sám hodnotí.

Můžeš to popsat do detailu? Do takového detailu, jaký můžeš sdílet?

Supervised model posuzuje, nakolik se během výroby auta stalo něco, co zvyšuje pravděpodobnost závady, podle toho, co si myslí lidé, že to způsobuje. Unsupervised model se naopak dívá na auto a hledá, jestli má nějaké anomálie v datech z výroby ve srovnání s ostatními auty. Tyto dva výsledky spojíš a auto kategorizuješ do kategorií – červená, zelená, oranžová – a dáš mu scoring.

Dneska, když to běží, technici vidí tyto skóre a mohou se prokliknout na každé auto a vidět i detaily toho, co bylo špatně – přesně ty důvody, ze kterých skóre vzniklo. A podle toho rozhodují, která auta poslat na dynamický kurzový audit, a která nikoliv.

Mimochodem, dvě věci ještě. Byl to snad první vůbec use case ve Škodovce, který používá rychlá data, protože je potřeba auto oskórovat a poslat na audit ještě před tím, než vyjede z linky; pak už je pozdě. Jasně.

A druhá věc je vlastně výsledek toho projektu...

Pokud chceš, mohu pokračovat v úpravách i další části textu.

Opravený text:

O celou tu práci. Podařilo se nám vlastně zvýšit záchyt chyb oproti předchozímu stavu o 140 %. To je hodně, což má velký dopad na náklady, které by jinak firma zaplatila za garanční opravy. A to nám asi neřekneš, to by bylo jiné číslo nákladů, že? No, jsou to miliony eur v horizontu, ve kterém se počítá. Jo, jo, jo, rozumím. Business case. Dobře. Další kroky tam jsou teda asi...

Rozšiřování těch hodnocených kroků ve výrobě, protože jsi říkal, že tam je deset tisíc kroků třeba, nebo já nevím. Teď do toho modelu nebo do těch dvou modelů vstupuje třeba kolik? Deset kroků? A vaším cílem může být to rozšířit na sto kroků, nebo...? Tam jsou vlastně dvě větve dalšího rozvoje tohoto konkrétního use case, a to je: my jsme ten model vytvářeli a trénovali na jedné lince a asi třech typech aut. Takže teď máme hotovou Fábii a jdeme dělat... A zjistili jsme, že bude potřeba model trénovat zvlášť na každou linku. Škodovka má tady v Čechách pět linek. Linka znamená typ toho auta, například Fábia, Oktávka, nebo já nevím, já tomu moc nerozumím, to nám musíš říct. Linka je vlastně montážní proces, kdy na začátku ti přijede svařená karoserie a pak z ní v jednotlivých krocích vzniká auto tím, že se do něj montují další a další díly, prostě se sestaví auto. A dělá se to v jednom tahu, řekněme.

Teď v Mladé Boleslavi jsou dvě linky, na každé lince se může vyrábět více typů aut, a my jsme zjistili, že ten model je potřeba trénovat na každou linku zvlášť, protože se liší v počtu kroků, ve způsobu, jak se ty kroky dělají a tak dále. Zároveň bude asi potřeba model trénovat i na každý typ auta zvlášť. Jo, na každý typ auta. Jasné, ale to už je pak jednodušší udělat. To je jedna větev, jak chceme tenhle use case rozvíjet.

Druhá větev je to, co jsi zmínil před chvilkou, tedy jít víc do hloubky, zapojit do toho více dat a být schopní lépe posoudit, jestli je auto v pořádku, nebo ne. Cílem není řídit jen 3 % produkce, která jde na DKA, ale řídit 100 % produkce, protože dneska každé auto, které se ve Škodovce vyrobí, jde na zkušební jízdu. Zkoušená jízda dělá člověk, trvá nějaký čas a něco stojí. A právě stojí dost, takže kdyby se povedlo spočítat, že auto je v pořádku, ušetřilo by to spoustu času, peněz, a lidé by mohli dělat něco smysluplnějšího než jen jezdit po polygonu a poslouchat, jestli je auto v pořádku. Jasně. OK, takže cílem je snížení počtu zkušebních jízd a zároveň dohledání jednotlivých závad.

Když si koupím auto a něco je špatně, tak ho jdu reklamovat a v digitálním dvojčeti se dá dohledat, co tam třeba může být za problém. A to mě dobře navádí k dalšímu use case, který teď vzniká, nebo jehož pilot už je hotový. Ten vychází právě z toho, co zákazníci řekli...

Tady je opravený text s úpravami pro srozumitelnost, gramatiku a stylistiku:

Mluvíme o nových nebo mladých autech. Cílem je říct: teď nám tady najednou vyskočil tento typ závady a zjistit, co mají auta s tímto typem závady společného. Následně zjistit, v čem ta závada spočívá, a rychle zavést ve výrobě - oni tomu říkají opatření, což znamená změnu, která zajistí, že se závada už nebude vyskytovat.

Dneska to ale funguje tak, že trvá řádově měsíce, než se tato informace dostane do Škodovky. Tam lidé s mnohaletými zkušenostmi přemýšlejí, co tu závadu může způsobovat. Tento nový model bude schopen tyto procesy významně urychlit a vzít v úvahu okolnosti, které člověk není schopný pojmout. K tomu lze využít i první dva modely, ale musíme čekat na reklamaci, abychom mohli výrobní proces zlepšovat a zefektivňovat.

Jasně. My jsme třeba zjistili, že větší než jsme čekali, má vliv na to, zda má auto problém, to, jestli muselo být během výroby repasováno. To znamená, někdo vyhodnotil, že má problém, a další osoba tam šla něco opravit. Velký efekt může mít také to, když se přijde na to, co bylo prvotním problémem — proč auto šlo na repasi. A čím dřív to zjistíme, tím méně musíme rozebírat dílů a tím menší je riziko, že během oprav vzniknou další problémy.

Ano, všechny tyto use case vedou k objektivizaci řízení kvality a hodnocení kvality a směřují k tomu, abychom odhalovali problémy co nejdřív. To dává smysl.

Co se týká technologií nebo samotného procesu machine learningu a vytváření těch modelů, jaké to bylo? Celý proces byl docela průzkumný. Nejen že jsme objevovali, na základě čeho můžeme objektivizovat řízení kvality, ale zároveň také, jakým způsobem to reálně dělat.

Jak jsem řekl, s těmi rychlými daty... Pro Škodovku a vlastně celý automotive průmysl jsou tyto věci poměrně nové a IT prostředí na to nebylo úplně připravené.

Myslíš to i z hlediska datových toků? Ano, i z hlediska IT prostředí. Máme k dispozici většinu dat a přístup k nim, ale pustit si na ně Python studio, být schopný stavět modely a ihned nad nimi reportovat výsledky a tyto reporty dostat k relevantním lidem nebylo jednoduché, ba spíše to nebylo možné. IT prostředí bylo hodně fragmentované.

Například připojit Databricks k Data Lake naplněnému daty byl složitější proces, než jsem si původně myslel. Důvodem byla právě fragmentace, rozdělení systémů a nedostatečné potřeby pro takové celkové řešení. A také bylo obtížné sehnat lidi, kteří by nám s tím mohli pomoci.

Přesně tak. Proto jsme hledali alternativní cesty a dělali jsme hodně práce v lokálním prostředí.

U sebe nebo u nich? Na různých virtuálních strojích — možná to tady nemám říkat — a někdy i na lokálních strojích, jenom abychom zjistili, jestli js...

Pokud bys chtěl, mohu text doplnit nebo upravit ještě podrobněji.

Jsem na dobré cestě. Jestli ty modely dávají nějaké výsledky, tak je důležité mít tam nějaké PVC, zkrátka testovat. Přesně tak. Ale tím, že ukážeš, že ten model přináší výsledky, tak to dostane prioritu. Pak je pro tebe výrazně jednodušší vyvinout tlak na ty správné lidi, kteří jsou schopní tohle změnit. Zmobilizovat ty správné ajťáky, aby to opravdu udělali. A zároveň, když ajťákům dává to smysl, tak to i rádi udělají. Když to prostě není zase požadavek jen tak pro nic za nic, ale když ví, co po nich chceš a proč, a ukážeš jim, že to zkoušeli sami a mají takovéhle výsledky, teď to potřebujeme dodat byznysu, tak jsou ochotní.

No jasně, lidi jsou vždycky víc ochotní, když vědí, proč to dělají a že to má smysl. Takže to je jasné. A ještě nějaké další věci, které vlastně stály v cestě? Tadyhle s tímto? No, přemýšlím... Možná pak ta lidská stránka. Zase, podobně jako s těmi reporty, adopce je super důležitá a jsou lidé, kteří prostě říkají: „Já to tady dělám padesát let, já to vím nejlíp.“ Přesně tak, říkají: „Já nepotřebuji k tomu žádný počítač nebo model.“ Nebo třeba v lepším případě: „Fajn, tak to tady uděláte a já si půjdu hledat novou práci.“

Ten strach. Strach přesně. Já přijdu o práci, takže čím později tam přijdu, tím lepší pro mě. A takoví lidé tam samozřejmě taky byli, a s nimi prostě musíš nějakým způsobem pracovat, musíš jim být schopná vysvětlit, že oni nepřijdou o práci. Jejich práce se změní a změní se tak, že to pro ně naopak může dávat velmi dobrý smysl. Zapojí tam svoje zkušenosti, svoji kreativitu a musí být schopní se pouze vypořádat s tím, že to bude vypadat trochu jinak než v minulosti.

Máš tam nějaký archetyp z těch lidí, kdo to většinou je? Jakože jsou to mladí lidi? Když nad tím přemýšlím, tak možná ne. Ale jsou to většinou otevření lidé, přístupní změnám, kteří chtějí svoji práci dělat dobře, a kteří v okamžiku, kdy jim dáš do ruky ty správné věci, které fungují, dělají pak interní „sale“ za tebe. Chodí s tím na schůzky, ukazují tam výsledky, mluví o tom, říkají, co budou chtít dál, a strhávají k sobě další a další. A ty pak jsi schopná s takovým člověkem jít za skeptikem a říct mu: „Podívej, tady ten člověk...“ Můžeš mu dát konkrétní obrázek toho, jak vlastně vypadá přechod ze starého světa do nového světa. Že je to jiné, ale lepší, méně pracné, zábavnější atd. Vytvořit zde ty úspěšné příběhy u těch peerů, tedy právě z těch skeptiků.

Máš proto nějaké doporučení konkrétní třeba pro naše posluchače, kteří můžou řešit podobné problémy ve výrobních firmách? Ale to asi platí jako pro všechny projekty. Důležité je, anebo my to tak děláme, mít na začátku dobře definovaný byznysový cíl. To znamená: chceme zlepšit tuhle metrikou o X, nebo chceme vydělat tolik a tolik peněz, nebo chceme zkrátit čas něčeho nějak. A když máš na začátku takový jasně definovaný cíl, tak potom na konci můžeš...

Zde je opravený text s úpravami pro lepší plynulost, srozumitelnost a gramatiku:

Žeš měřit, jak blízko se s ním přiblížila? A když se mu nepřibližuješ, tak typicky vidíš, že adopce toho řešení není taková, jaká by měla být. No a pak přichází ke slovu druhá věc – musíš být schopná a musí tě to bavit. Bavit se s těmi lidmi. Chodit za nimi, mluvit s nimi, rozumět jejich obavám, jejich očekáváním, jejich čemukoliv, co může tu adopci ovlivnit.

Dobře, takže jsme pokryli digitální dvojčata a skeptické zaměstnance. Čeká vás tam ještě něco jiného, nějaké další use casey? Určitě ano. Jako to digitální dvojče, jak jsem říkal před chvílí, my jsme začali s roadmapou, kde bylo 15 use caseů, to teď chceme nějakým způsobem zrevidovat a aktualizovat. V průběhu času vlastně přibyly tři, takže dneska jsme ve stavu, kdy tři use casey jsou hotové, dalších dvanáct čeká na realizaci, a když si uděláme kolečko s lidmi, tak si myslím, že několik dalších může přibýt.

Takže digitální dvojče není ani tak projekt, je to spíš proces, který začal a už asi neskončí. No a co tam vidím jako nový typ poptávky po nás, tak je obecná digitalizace procesů. A když bych ti měl dát příklad, tak třeba řízení kvality dodavatelů je jeden z procesů, na který se tam teď koukáme.

Jakože jednotlivé součástky třeba jsou chybové, nebo co si pod tím představit? Ano, jde to tím směrem. Jako Škodovka má prostě stovky různých, možná tisíce různých dodavatelů, kteří jim dodávají komponenty, díly, služby...

Nevím co. A má velmi propracovanou metodologii na vyhodnocování kvality těch jednotlivých dodavatelů. A celý to dneska probíhá tak, že lidé mají tuto metodologii v hlavě a proces řídí prostřednictvím ohromného Excelu, který obsahuje hromadu byznysové logiky, která agreguje informace, které se tam dostanou. A výsledkem je, že Excel říká, co se s jakým dodavatelem má dělat, aby kvalita jeho dodávek byla očekávaná.

A teď ten Excel bobtnal historicky řadu let a do byznys logiky přispívalo mnoho lidí. Dneska je to velmi těžko udržovatelné, nedá se s tím dobře pracovat. Asi neexistuje dokumentace, co se tam dělalo. Sdílení nějaké existuje, ale samozřejmě má své limity. A je snaha ten proces zdigitalizovat tak, aby fungoval automaticky, aby se jednotlivé kroky předávaly mezi lidmi, kteří za ně zodpovídají, automatizovaně, aby se spouštěly nebo triggerovaly nějaké akce, které je potřeba vykonávat, a tak dále. Aby to prostě nebylo závislé na tom, že někdo emailem předá další krok a ten Excel dalšímu člověku.

Takže tohle je příklad digitalizace procesů, na kterou se teď začínáme dívat. A to zase otevírá úplně nové a velké pole působnosti, kdy už nejde ani tak o stavbu projektivních modelů, které tam samozřejmě můžou být, ale hlavně jde o automatizaci těch ozubených kol a eliminaci Excelů. Eliminaci chybovosti, která je s tím spojená. Jo, jde o eliminaci závislosti na tom, že někdo ví, že ten Excel existuje a jak funguje, a když je potřeba něco změnit nebo přidat, tak to tam doplní. Nám jde o to, abychom ten proces implementov---

Pokud chceš, můžu upravit i pokračování textu, pokud ho máš.

Zde je opravený text:

Ali v nějaké transparentní, rozšiřitelné aplikaci, která bude stát na běžně používané technologii a bude snadno rozšiřitelná a snadno spravovatelná. Jasně, Excel je běžně používaná technologie, ale rozumím, co říkáš. Jasně. Je tam celá řada různých světů, výroba je opravdu pestrá, řekněme, že je tam opravdu strašně moc věcí, které se dají zlepšovat a posouvat – už jen těch 50 tisíc kroků, kterými to auto projde, než vůbec vyjede z výrobní haly, a taky strašně moc dodavatelů a tak. A určitě se v tom dají najít nějaké paralely s jinými výrobními procesy. Jo, přesně tak. Nebo s jinými odvětvími, kde se to dá využívat. Ano. Vlastně každá výroba potřebuje řídit svoji kvalitu, takže ty koncepty jsou přenositelný z automotive do jiných druhů výroby. Bavíme se totiž s řadou firem, které něco vyrábějí, a nemusí to být výroba strojů nebo strojírenská výroba, ale cokoliv.

Co by možná stálo za zmínku na závěr, je, že jsme zjistili, jak moc je Škodovka v těchto věcech dneska před ostatními – oproti koncernu, tedy oproti jiným značkám v HV koncernu. Takže tohle je příklad digitalizace procesů, na kterou se tam teď začínáme dívat. A to otvírá úplně nové a velké pole působnosti, kdy už nejde ani tak o stavbu projektivních modelů, které tam samozřejmě můžou taky být, ale hlavně jde o automatizaci těch ozubených kol. Jasně, a o eliminaci Excelu. Eliminaci... chybovosti, která je s tím spojená. Jde o eliminaci závislosti na tom, že někdo ví, že ten Excel existuje a jak funguje, a když je potřeba něco změnit nebo něco přidat, tak to tam dá. Nám jde o to, abychom ten proces implementovali v nějaké transparentní, rozšiřitelné aplikaci, která bude stát na běžně používané technologii a bude snadno rozšiřitelná a snadno spravovatelná.

Jasně, Excel je běžně používaná technologie, ale rozumím, co říkáš. Jasně. Je tam celá řada různých světů, výroba je opravdu pestrá, řekněme, že je tam opravdu strašně moc věcí, které se dají zlepšovat a posouvat – už jen těch 50 tisíc kroků, kterými to auto projde, než vyjede z výrobní haly, a také je tam mnoho dodavatelů a tak dál. A určitě se v tom dají najít paralely s jinými výrobními procesy. Jo, přesně tak. Nebo s jinými odvětvími, kde se to dá využít. Ano. Každá výroba potřebuje řídit kvalitu, takže tyto koncepty jsou přenositelný z automotive do jiných druhů výroby. Bavíme se totiž s řadou firem, které něco vyrábějí, a nemusí to být výroba strojů nebo strojírenská výroba, ale cokoli.

Co by možná stálo za zmínku na závěr, je, jak moc je Škodovka v těchto věcech dneska před ostatními – oproti jiným značkám v HV koncernu. Takže tohle je příklad digitalizace procesů, na kterou se tam teď začínáme soustředit. A to otvírá úplně nové a velké pole působnosti, kdy už nejde ani tak o stavbu...

Pokud chcete, mohu pomoci i s dokončením poslední věty nebo s další úpravou textu.

Objektivních modelů, které tam samozřejmě můžou taky být, ale hlavně jde o automatizaci těch ozubených kol. Jasně, a eliminaci Excelu. Eliminaci... Zase chybovosti, která je s tím spojená. Jo, jde o eliminaci závislosti na tom, že někdo ví, že ten Excel existuje a jak funguje, a když je potřeba něco změnit nebo něco přidat, tak to tam dá. Nám jde o to, abychom ten proces implementovali v nějaké transparentní, rozšiřitelné aplikaci, která bude stát na běžně používané technologii a bude snadno rozšiřitelná, snadno manažovatelná. Jasně, Excel je běžně používaná technologie, ale rozumím, co říkáš. Jasně.

Těch hewských světů je celá řada, ta výroba je opravdu pestrá, řekněme, je tam opravdu strašně moc věcí, které se dají zlepšovat, které se dají posouvat — už jenom těch 50 tisíc kroků, kterými se to auto projde, než vůbec vyjede z výrobní haly, a strašně moc dodavatelů a tak. A určitě se v tom dají najít nějaké paralely s jinými výrobními procesy. Jo, přesně tak, no. Nebo jako s jinými odvětvími, ve kterých se to dá využívat. Ano. Vlastně každá výroba potřebuje řídit svoji kvalitu, takže ty koncepty jsou vlastně přenositelný, třeba z automotive do jiného druhu výroby. My se bavíme s řadou firem, které něco vyrábějí, a nemusí to být výroba strojů nebo strojírenská výroba, ale cokoliv.

Co by možná stálo za zmínku na závěr, je, že jsme zjistili, jak moc je Škodovka dneska v těchto věcech napřed oproti koncernu, tedy oproti jiným značkám v HV koncernu. Tohle je příklad digitalizace procesů, na kterou se tam teď začínáme dívat. A to zase otevírá úplně nové a veliké pole působnosti, kdy už nejde ani tak o stavbu projektivních modelů, které tam samozřejmě můžou taky být, ale hlavně jde o automatizaci těch ozubených kol. Jasně, a eliminaci Excelu. Eliminaci...

Co nám chybí, jsou lidé. A my jako firma jsme neustále otevření lidem, kteří by měli zájem jít s námi na této cestě. Hledáme datové analytiky, datové scientisty, lidi, kteří se vyznají v digitálním marketingu, a jsme schopni jim nabídnout práci na velmi zajímavých projektech. No to určitě, to jsme dneska slyšeli. Dokážete jim nabídnout i nějaké zajímavé benefity, třeba slevy na auta nebo tak? Slevy na auta úplně ne, stravenky taky ještě nemáme, ale myslím si, že jsme velmi flexibilní v tom, jakým způsobem se u nás pracuje.

Na začátku jsem neřekl, že mě přináší velkou satisfakci práce, když vidím funkční tým, kterému nějakým způsobem pomáhám budovat a kultivovat a kterému možná předávám nějaké svoje zkušenosti — z toho mám velkou radost. A aby ten tým byl funkční, musí do sebe zapadnout řada věcí — chemie těch lidí, jejich spokojenost mimo práci, jejich důvěra v to, že u nás budou dělat na zajímavých věcech, jejich hodnota na trhu a tak dál. A to je to, co si myslím, že děláme lépe a lépe. Včetně toho, že těm lidem vycházíme...

Zde je opravený text:

Záme co možná nejvíc vstříc v tom, čemu se dřív říkalo work-life balance. Jak se tomu říká teď? Pro mě se to tak trošku splývá. Moje práce je součástí mého života a chci mít možnost si práci dělat způsobem, jakým chci. Nechci, aby mi zasahovala do života, a zároveň chci, aby byl můj život sladěný s mojí prací. Takže prostředí, které tohle umožňuje – prostě žiju svůj život a dělám svou práci, a dohromady je to hezky naladěné. Je to to, jak chceme, abychom jako firma fungovali.

To zní super. Myslím, že co jsi říkal o tom učení lidí a předávání informací, je u tebe hodně vidět, hlavně zapojením do těch itas. Na našem trhu existuje spousta lidí, kteří jsou ti za tvoji pomoc a učení vděční. Určitě tedy doporučuji tuto možnost využít. Kdyby někdo měl zájem, určitě se ozvěte Tomášovi.

Díky, Báro. Máš ještě něco, co bys dodala?

Ty jsi mě tady tak trochu vychválila na závěr. Ano, dělám to rád v Čekytas, to bylo super, ale dneska už u nás ve firmě je spousta lidí, kteří to možná dokážou dělat lépe než já. To je možná i známka toho, že se mi povedlo tuto kulturu do firmy dostat. Když se objeví někdo, kdo bude chtít růst jak odborně, tak lidsky, myslím, že nejsem sám, kdo mu s tím pomůže. Je to o kultivaci prostředí. Takže tak.

Tomáši, moc ti děkuji za rozhovor a přeji hodně štěstí, ať všechny vaše ambiciózní plány vyjdou a ať najdete ty správné lidi do Colors.

Děkuji, Báro.

Děkujeme, že jste poslouchali až sem, a díky také našim partnerům – členům Data Talk klubu. Jsou to: Inteks, Saska, Bystrýt, Colors of Data, Revolt BI, Good Data, Kebula, Emark, Carl Data Company, Data Mind, Notino a Flo.

Pokud chcete zůstat v obraze ohledně české datové scény a globálních datových technologií, nezapomeňte se zaregistrovat k odběru našeho týdenního newsletteru na datatalk.cz.

Nechť vás provází data.

Pokud chceš, mohu ti text i trochu zestručnit nebo upravit styl podle potřeby.