Podcast

Dobrý den, moje jméno je Jirka Vicherek.
Ahoj všem, moje jméno je Barbara Hinerová.
A vítáme vás u dalšího dílu Datatalk podcastu.
Našimi hosty jsou Terka Varadiová, Team Lead z BeStreetu, a Martin Kudera, CEO a zakladatel firmy Živina.
Ahoj.
Ahoj.

Dnešní díl bude speciální, protože se vracíme k formátu case study, jako jsme tady měli už jednou s BeStreetem a Crocodilem v díle 53.
A dneska si podobnou story projdeme právě s BeStreetem a Živinou.

Ještě než se dostaneme do Živiny a začátku té spolupráce, Terko, můžeš prosím představit BeStreet a sebe? Co tě přivedlo do BeStreetu?

Určitě. Tak zkrátka BeStreet je tým datových detektivů, který se věnuje různým datovým projektům, od technických, méně technických, přes B.I.C.O. Je to prostě tým lidí, kteří mají rádi zajímavé datové projekty.
A já jsem se do BeStreetu dostala takovou zajímavou cestou. Předtím jsem studovala jaderné inženýrství na ČVUT v Praze. Pak jsem v nějakém bodě začala dělat interní stáž v malém startupu, začala jsem si hrát s daty, psát Exceli, zabývat se daty, a v nějakém bodě jsem si řekla, že jaderku už fakt nedám, a ve čtvrtém ročníku jsem školu ukončila a odešla.
Začala jsem hledat něco na full time a BeStreet hledal někoho, kdo je tak trochu „crazy“, má zajímavé nápady, chce se sám učit a posouvat, a tak jsem skončila v BeStreetu a u toho stále jsem.

Jak dlouho tam jsi?

V BeStreetu jsem už skoro tři roky, letos v létě to budou tři roky. Nejprve jsem dělala datovou analytičku a teď už dělám teamleadera, projekt manažerku, account manažerku a všechno kolem toho.

Super. Co ty, Martine? Jaká byla tvoje cesta, jak vznikla Živina a co Živina vlastně je?

Živina je potravinářská firma, která vyrábí potraviny, které zjednodušují přípravu jídel a vaření. Od různých složitých kondimentů, jako je kimchi, přes různé omáčky jako pad thai, teriyaki, různé kari pasty a tak dále.

Živina vznikla tak, že od střední školy jsem měl rád podnikání a byl jsem hodně aktivní v byznysu, takže podnikání bylo vždy jednou z mých vášní. Současně jsem ale hrozně rád dobře jedl a vařil. Živina vznikla za covidu, kdy se tyto dvě věci spojily – moje vášeň k jídlu a k podnikání.

Takže jsi během covidu místo pečení chleba začal dělat kimchi a pak třeba i ikigaje, a tak vznikla Živina?

Přesně tak, nejsi od toho daleko. Za covidu jsem si skutečně dělal kimchi a humus a rozdával ho rodině a známým na tajných party a všem to moc chutnalo, takže jsem u toho zůstal.

Dobře, jak to pak pokračovalo dál? Živina byla založená během covidu, tedy v roce 2020?

Ano, v podstatě ano. V roce 2021 jsme otevírali výrobu v Přerově, a někdy v květnu už jsme začali prodávat a distribuovat do prvních obchodů a spustili jsme i náš e-shop.

Vy jste dost známí právě díky kimchi, a na začátku byl hodně humus, to byly vaše flagship produkty, o kterých se mluvilo v Praze a na sociálních sítích. Jaký je dnes sortiment?

Jasně, tady je opravený text:

Dělej nám jenom nějaké srovnání před a po, ať si zařadíme Živinu.
Vyrostli jsme zhruba na nějakých 150 vlastních výrobků, plus samozřejmě na e-shopu máme i různé doplňky právě k tomu, abychom byli schopní přinést zákazníkům co nejvíc z toho jídla, které si z toho můžou uvařit.
Takže máte kary pastu a k tomu i kokosové mléko?
Jo, přesně, kokosové mléko, nudle, rýži, různý doplňkový sortiment.
Takže one-stop shop pro vaše kary?
Přesně tak.
Bára dostala hlad, než se dostaneme k obědu, tak pojďme ještě na začátek té spolupráce.

Kdy jsi řekl: „Hele, potřebuju pomoct s daty, nebo jdu vyhledat externí pomoc“? Jak jsi to vlastně řídil na začátku, jak jsi vnímal tu datovou vrstvu?
Hle, upřímně to bylo hodně punkový. Já tím, že mám nějaké základy, studoval jsem střední školu na elektronické počítačové systémy, takže něco jsem i programoval, mám technologický background a tak. Jsem tak trošku geek, takže se rád ve věcech vrtám. Takže pro mě vůbec první věc, kterou jsem začal nastavovat systémově, byl náš informační systém, který jedeme na Pohodě, kvůli ekonomické stránce a zároveň rychlosti implementace. Vyšel jsem z toho, že jsme na začátku spoustu věcí dělali manuálně, takže v první řadě jsme potřebovali vyřešit a zdigitalizovat základní procesy tak, aby nám fungovaly nad tím informačním systémem. S tím jsem si hrál řekněme rok a něco, než jsme došli k tomu, že výroba a expedice funguje na nějakých PDAčkách, a že základní digitální procesy jsou podchyceny. Pak jsme začali řešit, že potřebujeme mít vizibilitu sdílenou napříč celým týmem nebo jednotlivými týmy ve firmě, ale zároveň i s dalšími systémy jako mailing, CRM a tak dále.

Samozřejmě Pohoda má určitá omezení, a protože jsem to řešil hodně sám, nechal jsem si od všech našich partnerů, kteří nám nad Pohodou vyvíjejí nadstandardní moduly, dělat exporty. Pohoda totiž umí jednotlivé agendy exportovat do Excelu. Tyto exporty se jednou v noci automaticky stahovaly do Excelu, který se ukládal na Google Disk. Na Google Disku jsem si v Google Sheetech a pomocí Apps Scriptu naprogramoval překladač, který ty data z Excelu přeformátoval právě do Google Sheetu. Nad tím Google Sheetem jsem si pak napojil Looker Studio a dělal si reporty sám, přímo v Looker Studiu. Fungovalo to, ale bylo to pomalé a samozřejmě když jsme dospěli do fáze růstu, po každém otevření reportu ukazovalo jiné údaje, takže to nebylo ideální. Bylo to nešikovné a museli jsme řešit další věci. Pak asi přišel největší problém, když jsme z těchto Google Sheetů ještě skrz Make...

Pokud chceš, můžu pokračovat v opravě i dalších částí textu.

Nažili jsme vlastně ta data přelírovat právě do nějakého mailingového nástroje, do CRMka pro obchodníky a tak. Já jsem na tom osobně strávil fakt pár měsíců času a neviděl jsem z toho východisko – pořád jsme to nějak tunili, dávali jsme tomu víc a víc energie, ale připadalo mi, že to má horší a horší výsledky. Potřebovali jsme se rychle hýbat, plánovat daleko lépe investice do marketingu a růstu, a já jsem řekl: „Hele, prostě potřebujeme nějakou firmu, která už tyhle use cases dělala opakovaně, má s tím zkušenosti a svěříme jí to. Za pár měsíců budeme mít reporty, na které se můžeme spolehnout, a můžeme pokračovat dál.“

Co to bylo za rok a jaký jste měli třeba obrat v Živině?
Byl to teď asi rok a půl, myslím, tedy rok 2022–2023, přesně jsme začali spolupracovat někdy na přelomu jara a léta, možná kolem srpna.

Takže máme srpen 2023, Živina přerostla Martinův bastl a Martinův bastl přerostl Živinu. A ještě se zeptám: proč Bistreet? Měl jsi víc kandidátů, šel jsi na jistotu, nebo byl nějaký tender?
Hele, tender nebyl. Byl tam kamarád a konzultant Břetě Stromko, který měl osobní zkušenosti s Bistreetem – ještě z Dáme jídla a dalších projektů. Ten nám zprostředkoval schůzku a pak jsme se už bavili jenom společně, dali jsme na jeho doporučení.

Super, tak Tery k tobě. Je krásný srpen 2023 a přichází poptávka.
Pamatuju si, že začátek byl přesně takový, že někdo na nás měl personal reference, že vztah byl už vybudovaný a byla tam důvěra, což bylo pro nás skvělé. Pamatuju si i některé z tvých prvních Excelů a byla jsem fakt moc impressed – Google Sheety mají své limity, ale ty jsi dosáhl jejich maxim, takže sis řekl, že z těch Google Sheetů vytěžíš, co se dá. To bylo fakt impozantní, málokdo to dokáže. Pro nás to byl taky jasný signál, že jsi člověk, který rozumí datům, chce je posunout a ví, že to je priorita.

Byla to pro nás pecka jako pro partnera. Když jsme o tom uvažovali a vybírali technologii, řekli jsme si, že půjdeme integrovat několik databází, plus víme, že budete potřebovat něco manuálního – data nejsou dokonalá, bude tam třeba Google Sheet, něco upravit, přetočit, ohnout. Věděli jsme, že to musí být rychlé, dostupné a viditelné. A vždy, když vybíráme technologii, přemýšlíme i o tom, co bude za 2–3 roky – máte potenciál růstu, možná budete mít interní datový tým...

Zde je opravený text:

Takže v nějakém bodě si to převezme. My jsme si řekli, že OK, jdeme do toho, nastavíme tam Kebulu, začneme jednoduše na tom nejmenším pay-as-you-go objemu, což prostě co nejrychleji naštartuje klientovi projekt. Víme, že ty databázové konektory tam jsou, připojíme se prakticky okamžitě a můžeme začít pracovat. Bylo super, že jste mohli mít některé věci v Google Sheetu, něco se dalo převést, něco rovnou použít, mohlo se to tam nahrát a ohnout podle potřeby, jak jste to potřebovali, a do těch oddělení se to dalo dodat.

Takhle jsme tedy šli hned do toho, zvolili jsme Kebulu, začali na nejmenších objemech a řekli si, že OK, poroste to, uvidíme, jak se to bude zvětšovat. Věděla jsem, že máte plány, tak jdeme na to. Potom jsme si řekli, že data dokážeme připravit, vy jste měli nějaké první use case, do kterých jste chtěli jít, věděli jsme, že jste zatím celkem malý tým, ale zároveň ve firmě je několik sekcí nebo divizí, které ta data potřebují vidět. Museli jsme to udělat rychle, efektivně, bez nutnosti řešit složité licence nebo cokoli, co často bývá podmínkou u Microsoftu.

Proto jsme se rozhodli pro GoodData Platform, protože jsme věděli, že datové objemy nejsou velké, tvorba reportů je brutálně rychlá a dokážeme to nastavit velmi rychle. Pro nás to byla volba stacku, řekli jsme si, že půjdeme do toho, víme, že to potřebujete rychle, a že škálovat budeme později. Takže šli jsme do toho. Pro nás to byl také začátek.

Když tedy uvažuješ o stacku, pokud to má být rychlé, nekoukáš úplně na budoucí FINOPS a škálovatelnost, ale chceš prioritizovat rychlé dodání, je tedy Kebula a GoodData tvůj stack of choice?
Teď momentálně ano. Je to také nejjednodušší. Je to uživatelsky velmi přívětivé. Když se do toho pustí třeba junior analytik, tak GoodData to také pokryje. Člověk by během pár dnů nebo týdnů měl být schopný se do toho dostat, pochopit to a pracovat s tím. To je pro vás super, protože jakmile přijde nový člověk, dokáže s námi pracovat nebo si to obstarávat a nastavovat sám.

Také jsi mluvila o licenční politice. Můžeš to znovu vysvětlit? Jak o tom přemýšlíš?
Určitě. Pracujeme s celkem velkými korporacemi a velké korporace v Česku jsou bohužel většinou Microsoftní, což je vždycky velká výzva a problém, ale je to tak. Microsoft vždycky preferuje Power BI a omezuje licence. Když mluvíme o nějaké licenci, stojí třeba 15, 20, 25 dolarů na měsíc plus další náklady, což je úplně šílené. Jakmile víme, že firma je menší, musí si nějak nastavit přístupy, různě to ohýbáme, a občas to pro nás není úplně ideální řešení.

To je naprosto super, protože třeba kohortová analýza vznikla strašně rychle. Ono…

Pokud máte zájem, mohu vám pomoci pokračovat v úpravách další části textu.

Tu je opravený text s úpravami pre lepšiu zrozumiteľnosť, gramatiku a štylistiku:

To vzniklo hneď na začiatku, ty si presne vedel, čo chceme. Tam, v rámci možno aj jedného mesiaca, proste bola vykopnutá tá nápočetková bulleta transformácia, a hneď sa to lialo do good daty. Aj myslím, že tam úplne hneď sa dali vidieť tie kohorty, tie čísla, proste to tam hneď bežalo. Takže tak. Začiatok bol super, začali sme fakt v tom auguste a ako prvé reporty boli už viditeľné v septembri, októbri.

No, to znie, že vlastne ste mali tak trochu pripravené dáta. Čo sa týka datovej kvality a vstupov — to by som očakával, že u malej firmy to bude všelijaké, že to bude „all over the place“, ako sa hovorí, ale tam to bolo v poriadku. A to je vlastne super, že si to len prepojovala a robila nad tým chytristiku. Ja myslím, že v rámci možností to bolo OK. Tým, že tam bol ShopTed a Pohoda, ktoré sa na nejakej úrovni spájali. Áno, potom sa tam robili nejaké manuálne opravy, ale jednoducho to bolo urobené tak, že OK – týmto dátam na nejakých pár percent veríme. Povieme si: takto to je OK, ideme to tam nahriať, spočítať a uvidíme, čo sa stane.

Takže zásadne to bolo fajn na začiatku projektu, myslím, že Martin do toho nešiel s tým, že ide reinventovať koleso a vyrábať neviem čo. Ale povedal si: OK, ideme robiť kohorty, toto sú dáta, ktorým viac-menej veríme, ideme postaviť projekt na tom.

Ja by som len k tomu doplnil, že tam bolo určite dôležité, že sme mali spracovanú celú tú infraštruktúru nad svojím informačným systémom. Bez toho by to určite nešlo takto rýchlo, ale tým, že tie procesy pod tým už boli usporiadané, myslím, že neporiadok v primárnych dátach naozaj nebol z veľkej časti prítomný.

Super. Ešte než sa pustíme do pokračovania spolupráce a ďalších use case-ov, predpokladám, že Živina nie je úplne najtypickejší klient – firma s desaťmiliónovým obratom vo výrobe potravín, ktorá príde a chce BI. Ako na toto pozeráte? Máte s tým viac skúseností? Aké tam boli trade-offy, alebo je to vlastne projekt ako každý iný, pretože to je vždy každý projekt iný, bez ohľadu na to, či ide o veľký korporát alebo malú firmu?

Jasné, to je zaujímavé, lebo my robíme aj malé projekty, aj veľké projekty, a mám pocit, že to je vždy buď veľmi malý projekt, alebo veľmi veľký projekt — často neexistuje niečo medzi tým. Máme skúsenosti s menšími firmami – napríklad Crocodile, kde bol rozpočet menší, pracovali sme tam na menších veciach a začínali sme to robiť postupne. Na druhej strane robíme veľké korporáty, kde je interný dátový tím, niekoľko business ownerov, rôzne oblasti, sprinty, priority, rieši sa celý plán, každý dva týždne kontrolujeme pokrok, je tam obrovský projektový manažment.

Takže v prípade Živiny bol development úplne agilný – povedali sme si, že OK, toto chcem, ideme na to teraz, a ty si agilne hneď sledoval, riešil a otáčal to s nami. Takže v tomto bol projekt pre mňa trochu iný, ako som bola zvyknutá robiť. Mala som ľudí v tíme, ktorí predtým robili...

Ak chceš, môžem pokračovať, alebo text ďalej upraviť podľa potreby.

Jistě, zde je opravený text s úpravami pro lepší srozumitelnost, gramatiku a pravopis:

Li menší projekty, a to bylo super, že tam prostě byli lidi s těmi zkušenostmi, kteří dělali předtím na něčem, co bylo food related, znali kohorty, znali segmentace, a prostě se šlo podle něčeho, s čím už jsme měli zkušenosti, a šlo se fakt agilně. Což občas je také komplikované s plánováním pro mě jako pro projekťáka, protože si řeknu, že OK, víme, že u vás mám zadání, ale nevím, co bude za měsíc, protože ty ještě nejsi úplně jistý tím, co ti teď data ukážou, co bude za měsíc. Co je jasné, to je prostě fér, protože tak ten business funguje. Ale pak jsou na druhé straně velké firmy, které vědí, že za čtyři měsíce musí být tento report hotový, a na konci roku tento report musíme mít hotový, a prostě to je roadmapa na celý rok. Takže v tom byla živina trochu jiná pro nás na začátku jako projekt. Takže se to dalo trochu oddechnout, trochu vlastně... ne? V podstatě to bylo taky příjemně náročné, já bych to tak nazvala, protože jsou věci, které jsou nepříjemně náročné, ale tady to bylo příjemně náročné.

No tak to jsme rádi, možná i proto tady teď spolu sedíme, že jo. Tak dobře, můžeme se tedy posunout k dalším use caseům, které si Martin vymyslel, že potřebuje? Jo, určitě. Jednak... Za měsíc kohorty a hotovo. Díky moc. Zase nás to posouvá dopředu. Díky moc, tak se uvidíme zase příští rok. Máme Johanu, co potřebuješ víc, viď? My jsme to měli nastavené tak, že jsme potřebovali koukat samozřejmě na ta data, ze kterých můžeme rovnou byznysově těžit a můžeme se rychle posouvat v růstu. Takže pro nás bylo důležité mít připravené sales reporty tak, aby lidi z marketingu a salesu měli možnost koukat každý den do těch dat a viděli, jak si stojí vůči nějakému plánu.

A co bylo pro nás určitě důležité, bylo koukat také na produkty, jak se jednotlivé produkty prodávají, jak se vyvíjejí v čase, protože máme hodně sezonní produkty a zároveň potřebujeme řešit určité výkyvy. Takže ta viditelnost do toho, jak se vyvíjí celkově produktové portfolio, byla rozhodně důležitá.

A co bych ještě zmínil, je, že jsme do té doby ještě neměli ani zmapované segmentace zákazníků, což byl další use case právě pro marketing, kde jsme potřebovali samozřejmě data plnit dál do mailingového nástroje. V té době jsme používali e-mail a vůbec CRM, které stále máme jako Pipedrive.

Někdo mě napadlo, že si pamatuju, že jsme segmentace začali tvořit tehdy, a vy jste do té doby nic takového neměli. A nebyl způsob, jak to validovat, jestli ta segmentace skutečně funguje. Takže můj kolega, který na tom projektu pracoval, je velký fanoušek živiny a často tam nakupoval. Takže vždy šel, podíval se do dat, porovnal je se svými vlastními nákupy a podle toho vždy vyhodnotil, jestli ty segmenty fungují, nebo nefungují tak, jak by očekával. Protože nebyl jiný způsob, jak na to přijít, než takto. Stálo ho to hodně rozpočtu. Děkuju, co ho to stálo, ale stálo to za to.

Jasně. Já jsem tenhle segment, to nesedí. Já jsem velký fanoušek do feedingu, používat...

Pokud chcete, mohu pokračovat s úpravou další části.

Opravený text:

Svojí vlastní řešení a my tu zkušenost... Potom nás potkáš to od Atek, že jo? Jo, přesně. Moje oblíbené je, nevím, jestli je to pořád pravdivé, ale že inženýři Spotify musí jeden den v týdnu používat Spotify zadarmo s reklamami. Aby si to fakt... Protože většina lidí má zaplacený Spotify, tak aby měli tu osobní zkušenost s tím, jak je to dobré nebo hrozné pro tu masu. Tak to je moje oblíbená zajímavost.

Každopádně, co to znamenalo dělat tyhle další reporty? Takže u segmentace jste měli... Byl ten problém s tím, že nemáte tu validaci, že tam není nějaký vzorec. Jak jste k tomu tedy přistoupili? Jsou nějaké blank plates? Už jste začali sledovat košíky, co kde je, podle toho dělat segmenty? Je tam nějaká lessons learned, že když nemáš ten blueprint, tak děláš nejdřív méně segmentů a potom jdeš do detailů? Jak jste k tomu přistoupili?

Já přemýšlím. Na začátku bylo možná i víc segmentů než teď. Podle mě jsme to časem ještě i ořezali. Vím, že jste měli nějaký baseline – kdy nakupují, jak často nakupují za nějaké časové období, nějakou hodnotu košíku jsme řešili, kdy se vrátí, frekvenci. To jsme řešili na začátku. Tam se navrhly nějaké úplně první segmenty, které nějakou dobu fungovaly. A vím, že potom jsme si řekli, že OK, potřebujeme to trochu upřesnit, protože jste měli věc s patternem zákazníka, že reálně nakupuje, jak to skutečně funguje, co se s ním děje. Vím, že pak jsme to omezovali ten počet segmentů, i jsme je trochu měnili, aby skutečně odpovídaly tomu, co se reálně děje.

Nejdřív jsme si udělali přehled B2B a B2C zákazníků s nějakou základní RFM analýzou, abychom viděli, jak jsou zákazníci seřazeni podle součtu hodnot objednávek, podle frekvence a podle průměrných dnů mezi jednotlivými nákupy. To byl základní přehled. Pak jsme si definovali zákaznický cyklus – jak to vypadá, když se zákazník registruje, pak když udělá první objednávku, jak se chová aktivní zákazník, kde je riziko odchodu a kdy je vlastně ztracený. To byly základní segmenty, které jsme chtěli uchopit a poslat dál do mailingového nástroje tak, abychom to mohli spravovat.

To byla jedna část, a potom jsme to začali rozšiřovat ještě o produkty, které si třeba dávali do košíku. Jasně, ano, ano – co opouštěli a kombinace košíků a tak dále. Jo, přesně tak, abychom věděli, jaké produkty jsou více akviziční, které jsou retenční, a zároveň jaké produkty si nejčastěji vzájemně nakupují. Abychom mohli plnit data pro upsell nebo cross-sell v rámci našeho webu nebo e-shopu.

Když jsi na začátku mluvil o tom druhém reportu, jako sales, KPIčka, plnění, tak to bylo jednoduché, protože jste už měli data z těch kohort a šlo jen o jiný pohled a jinou democratizaci, jiná viewčka. V podstatě data zůstávala stejná, jen se na ně dívalo jinak...

Opravený text:

Bylo to jinak, že ty prodeje byly jen za ty transakce, přesně za ty produkty. Vím, že tam byla jen taková kategorizace produktů, takže jsi se mohl dívat na omáčky, nebo na kimchi, nebo na celou skupinu jako celek. Vím, že to tam byl taky zajímavější pohled.

Ale bylo to postavené na velmi podobných datech, která tam už byla připravená. Datový model, co už byl v GoodData, se jen rozšiřoval a rozšiřoval, až se do toho všeho začaly zapojovat i další pohledy. Ty pohledy byly v podstatě všechny, co jsme zatím vyjmenovali, řešené primárně z objednávek a částečně z fakturace. Pak jsme přidávali další datasety, například ze skladových pohybů, abychom kontrolovali, co reálně fyzicky opustilo sklad. A tam mě napadá další případ použití, který byl pro nás hodně důležitý – jednotková ekonomika, kde sledujeme jednak objemy prodeje jednotlivých produktů. Tam ty trendy nesledujeme až tak moc, spíš jde o to, kolik se jich prodalo, jaké byly tržby, jaké náklady byly u těch produktů a jaká je marža.

Tyhle data samozřejmě potřebujeme filtrovat, jestli jde o B2B nebo B2C, potřebujeme si vyfiltrovat objednávky, kde byly poskytnuté třeba nějaké slevy nebo promo kódy. Přesně tak, tyhle věci pro nás byly hodně důležité, abychom měli zdravý růst a správně nastavenou marži. Je to zajímavé jednoduchý pohled, vlastně jedna tabulka se čtyřmi různými sloupci a jedním přehledem a šesti filtry dokáže pomoct tak, že reálně můžeš něco řídit. To je důležitý pohled – prostě je to jen trochu upravený pohled na data a už máš něco, na čem víš, že můžeš pokračovat dál.

Můžeš mít fancy dashboardy s trendy, KPI, hezkými filtry a vším možným proklikáváním, ale zároveň tahle jedna tabulka dokáže být stejně užitečná jako ten fancy report, který máš vedle. To je taky zajímavé. Někdy přijdeš s tabulkou, která zrovna useful není – špatný nápady nebo report, který je report jen kvůli reportu. Zní to, že by bylo super to mít, ale ve skutečnosti na to nejsou navázaná žádná rozhodnutí.

Mně přijde, a je to pro mě příjemným překvapením, že všechny ty pohledy jsou smysluplné, opravdu důležité pro byznys a že na ně máš napojená další rozhodnutí, například koho akvírovat, jestli něco neděláš zbytečně a podobně. To mi přijde super. Měl jsi něco, co sis myslel, že to potřebujeme vidět, že to bude nejlepší tabulka na světě, a přitom jsi zjistil, že se na ni vůbec nekoukáš, protože to spíš je šum než informace? Nebo naopak, co vnímáš ty, že klienti, třeba ti menší, vlastně nechtějí to správné – buď nevědí, co chtějí, nebo chtějí něco, co nevědí, že vlastně nemají chtít? Já o tom přemýšlím ohledně uživatelů a úplně nevím, to ty musíš říct, ale mám pocit, že ten rozpočet nebyl úplně velký...

Tu je opravený text s dôrazom na gramatiku, pravopis a štylistiku:

Sme pri príjazde, nemusíme si tam vymýšľať niečo, čo by mohlo byť úplne zbytočné. V podstate tým, že sa postupovalo postupne a tie reporty sa fakt od začiatku používali a dodatočne definovali, to nebolo tak, že je tu objem 10 reportov, ktoré potrebujeme mať hotové, ale išlo to krok po kroku. Myslím, že sa nám tam podarilo do určitej miery eliminovať to, že sme robili transformáciu pre každú transformáciu, alebo tabuľku pre tabuľku. Ale ty musíš asi povedať, či je nejaký z tých dashboardov, ktorý fakt nepoužívate. Ja si skôr myslím, že na niektoré z tých reportov pozeráme menej často a na niektoré oveľa častejšie, to je skôr ten use case. A teraz vidím ešte ďalší pohľad – niektoré z tých reportov už vnímame trošku nie ako zastaralé, ale skôr tak, že by sme ich už trošku upravili a vylepšili, aby nám prinášali väčšiu hodnotu.

Vyložene možno – a teraz možno budem hádať, neviem detaily kolegov, ako s tým pracujú – keď sme riešili napríklad expirácie produktov, pretože riešime to, že v potravinárstve riešime šarže a dáta expirácií, tak sme si práve nechávali vyjazdiť reporty, kedy aké produkty jasne expirovali. Viem, že s tým tam boli možno nejaké komplikácie, alebo aspoň tak som to zachytil, a teraz si úplne nie som istý, či vôbec tento pohľad používame v dennom prevádzkovom režime, alebo či sme na to vymysleli iný proces. Ale to je asi jediná vec, ktorá ma tam napadá.

Pamätám si aj na nejaké aha momenty, keď sa človek pozerá do reportu a zisťuje, ako to vlastne je, kde boli najväčšie „wow“ prekvapenia – či už príjemné, alebo nepríjemné. Asi najviac to bola jednotková ekonomika. Tam bolo hneď krásne vidieť, ktoré produkty sú naozaj hlavnými hybnými silami rastu, maržovosti, na druhej strane niektoré produkty majú nižšiu maržu, ale zato veľký objem predaja a pomáhajú napríklad akvizícii a tak ďalej. Takže to bol taký vhľad, ktorý pre mňa bol dosť veľký game changer.

Tak urob si reklamu, predstav nám nejaký produkt, ku ktorému sa ti totálne zmenil vzťah. Zaujíma ma to celkovo ako portfólio, lebo vy ste na začiatku boli nejaký kimchi fokus a postupne ste začali robiť omáčky – či sa vlastne vďaka tej jednotkovej ekonomike zmenilo aj portfólio, alebo ten fokus na portfólio sa presunul niekam inam?

Nemyslím si, že by to bolo vďaka tým dátam. To je fér. Všeobecne sa nám stratégia s časom utriedila. Vedeli sme, že chceme vyrábať kvalitné potraviny, vedeli sme, že chceme mať široké portfólio. Čo sme nevedeli, bolo, že sa dostaneme do fázy, keď vieme, že chceme zjednodušovať prípravu jedál, že chceme prinášať produkty, ktoré umožnia ľuďom uvariť jedlo ako v skvelej reštaurácii, a to za zlomek času a peňazí, pričom kvalita zostane rovnaká. K tomuto sme sa dostali skôr cez poznatky o zákazníkoch a cez nejaký širší pohľad, nie priamo cez dáta, pretože...

Ak chceš, môžem text ešte viac upraviť alebo zjednodušiť.

Tady je opravený text s lepší strukturou a plynulostí:

Tohle samozřejmě úplně nesmyješ jen tak, ale je důležité se podívat na to, jak máme teď vlastně definované hero produkty, tedy z portfolia přibližně 30–40 produktů. Co je typicky váš hero produkt?

Hero produktem samozřejmě zůstává kategorie kimchi, které bude vždy jedním z hlavních produktů. Kromě toho jsou tam základy na omáčky, jako je pad thai, teriyaki, hoisin omáčka, skvělé shiitake pesto a jsou tam také nové české omáčky, jako svíčková, paprika omáčka, rajská a další. V podstatě jde o všechny ty produkty ve skleničkách, ze kterých si jednoduše připravím omáčku nebo jídlo, které normálně trvá strašně dlouho, protože je potřeba shánět suroviny a vykonávat spoustu různých činností.

Když se podíváš třeba na to, že se ti dobře prodávají karipasty nebo pesta, tak pro tebe může být driverem: „Dobře, pojďme mít víc těch možností, pojďme rozšířit portfolio past nebo pest.“ My jsme se na to koukali i přes data a došli jsme k tomu, že hero produkty jsou samozřejmě ty, které se dobře prodávají. Rozhodnutí tedy bylo podložené nejen daty, ale i strategickým pohledem, kdy nám dávalo smysl ukotvit se v něčem, co lidem zjednodušuje čas a jasně má pro ně benefit – chtějí se najíst jako v restauraci. Vidím v tom možná i jiný úhel pohledu nebo otázku.

Je to o dynamice. Vy rychle rostete, roste vám portfolio, SKA i Učka rostou, jste na novém trhu, který je velmi dynamický, není to business-as-usual, není tam 30 konkurentů, kteří se perou o procenta. Jak tohle, možná spíš otázka na Terku, ovlivnilo, jak stavíte stack, jak připravujete reporty, jak se díváte na data? Protože firma není na stabilním trhu, na kterém se něco nezměnilo posledních deset let, ale najednou máte dvojnásobek zákazníků. Bylo tohle součástí vašeho uvažování, jak to postavit a jak se na to dívat?

Do určité míry ano, ale víme, že stack, který máme teď, je navržený na velký růst. Aby to znamenalo velký problém, muselo by jít o stovky až tisíce kamenných obchodů a online prodeje v tisících lidí a několika zemích. Stack a reporty takto vydrží minimálně tři roky, jak říká Martin. Ano, minimálně. Za minulý rok jsme například získali 20 tisíc nových zákazníků, což je super, ale musel bych mít miliony zákazníků, aby už nevyhovovaly naše systémy.

Samozřejmě tomu věřím, ale stále je prostor pro rozvoj. Co se týče expanze do zahraničí, je to v plánu, ale má to svůj čas. Stále budujeme infrastrukturu, abychom na to byli schopni. Když Martin vyroste tak rychle, jak říká, tak za 5–6 let budou data potřeba zpracovávat jinak a i na ně bude potřeba nahlížet jinak. I když firma výrazně vyroste a bude mít obrovský marketing a vlastní data...

Pokud chceš, mohu text dále upravit nebo zkrátit.

Jasně, tady je opravený text s upravenou gramatikou a stylistikou, zároveň jsem se snažil zachovat původní styl vyjadřování:

Vý tým a všechno kolem toho – tak prostě pak už dává smysl přemýšlet o nějakým víc advanced stacku a prostě do toho víc investovat. A zkusit to skládat. Ale momentálně tam, kde to je, když to funguje a využívá se to, tak je to v pohodě.

No a když se podíváme na tu spolupráci, ty jednotlivý pohledy a reporty po sobě, tak jsme si řekli, první byly kohorty, potom sales KPI, napříč týmy, jak prodáváme, pak jste se vrhli víc do produktového reportu, jestli jsem to správně pochopil, jaké jsou kategorie, co jsou hero produkty. Co dál? Nebo jak dlouho to zabralo? A zase, byly to jednotlivý viewčka v GoodData, nebo to bobtná a v Kebule je další projekt? Jaká je jako architektura těchto reportů vůči sobě?

Tam – jo, to je architektonická část. My jsme zatím stále single project, zatím nebyla potřeba to rozšiřovat, datové zdroje jsou podobné. Postupně se začal dělat i marketing – Facebook, Instagram, impresie, kliky, taková úplně základní úroveň. Na to zatím single project stačí. Když by se ale začaly dělat finance, výroba, nebo cokoliv dalšího, pak už dává smysl to oddělit a přejít do něčeho dalšího. Ale zase pak je potřeba si říct, co chceme spojit, jak na to chceme koukat, jak ty části spolu souvisí, co ovlivňuje co, a podle toho to vyskládat.

Mně se líbilo, že jsme si na začátku vyspecifikovali spolupráci na nějakých 6 až 7 měsíců velmi intenzivního režimu, kdy jsme si nastavili rozpočet a zaměřili se fakt na věci, které nás nejvíc pálily. Během těch 6-7 měsíců jsme vybudovali celý základ, o kterém tady mluvíme, a pak jsme strategicky přešli do takového low budget modu – ne úplně ad hoc, ale aby z naší strany šetřil náklady. Což bylo pro nás důležité, protože investice do dat pro mě byla must have, nepřemýšlel jsem o tom, jestli ano, nebo ne, prostě potřebujeme koukat do dat. Ale jako firma, která roste, nemáme neomezený rozpočet, takže musíme koukat, kde ušetřit.

Právě to se mi líbilo, že s Treetamou je možné tu spolupráci rozvíjet postupně, přesně just in time. My si prostě něco vyrobíme, pak si s tím chvíli hrajeme, seznamujeme se, a pak vyhodnotíme, co je smysluplný další vývoj. Není to o tom dělat reporty kvůli reportům, nebo integrovat kvůli integracím. Nás baví dělat věci, které dávají smysl, které budeme používat a které fungují.

Takže pro nás to znamená dát si rok nebo rok a půl pauzu a prostě promyslet, co dál. To je fér. To je hodně fér.

Pokud chceš, můžu pomoct i s dalším úsekem nebo to ještě více zformulovat.

Opravený text:

O tam je vlastně ten největší challenge, ať už je to z techku, nebo spolupráce tohoto typu? Já se směju, protože znám Martina velmi dobře, tak pro mě by byla největší challenge řídit Martina. Jsem velmi hrdý jako kamarád a překvapený, jak rozumné, strategické a dobře promyšlené měl zadání a že se v čase neměnilo, což je skvělý. Tak to je moje suverénní cesta. Co za tebe, Terry? Bylo to pro tebe příjemně challenging?

Bylo to příjemně challenging. Příjemně je jasné, že Martin by na Lovebrand byl super zadavatel, co ví, co chce. Co ale bylo challenging? Challenging bylo to, že vlastně zpočátku tam byl jen Martin a pár lidí okolo něj, takže tam nebyl úplně někdo, kdo by se v těch datech pohrabal. Když jsme potřebovali odpovědět na nějakou otázku, museli jsme přibližně tipovat, co by tým autor chtěl sdělit zadáním, takže jsme to museli „zrochovat“. Nebyl tam vlastně oproti nám partner, který by ta data znal tak dobře jako my v daném bodě, což bylo také trochu challenging. Nedostali jsme se k tomu, aby si někdo prostě sedl a týden validoval a týden přemýšlel, jestli to je opravdu správně.

V podstatě ano, kolega, který je zákazník... Přesně, kolega – zákazník, který si sám validoval, přesně. Ale také to bylo, že jsme to celé udělali podle našeho nejlepšího vědomí a svědomí, jak nejlépe jsme v té chvíli dokázali a věděli. Takže to byla výzva, že jsme neměli proti sobě toho datového partnera.

Martin byl super v tom, že věděl, co chce, jak chce jíst a jak to má cca vypadat, ale nemá čas. Je to jen jeden člověk. Takže to pro nás byla největší výzva v tomhle.

Já si myslím, že to bylo i pro mě výzva, protože způsob, jakým to děláme, já tomu říkám „quick and dirty“ – potřebujeme se posouvat, ale zároveň doposunout vlastně ty reporty, které máme v GoodData. Tam pořád svítí „batch“, že je to v devu, protože ta data nejsou úplně validovaná. To neznamená, že bychom je nějak nevalidovali sami – nějak jsme si křížově kontrolovali, jestli nám sedí objednávky a jestli jsou data z GoodData v pořádku. Taková primární validace tam proběhla, ale že bychom procházeli report po reportu a kontrolovali to interně s datovými zdroji, jestli všechno přesně sedí – tohle neproběhlo.

To je jedna z věcí, kterou doufám budeme teď zlepšovat, a proto už je čas najmout někoho interně – klidně juniorního dataře, který by byl tím partnerem pro Bistreet a zároveň by posouval data u nás a celé partnerství dopředu. Bude to člověk, který bude opravdu vědět, rozumět a schopný přidat cokoli, co bude třeba, vytáhnout.

A kolik vás je? Kolik lidí máš na to, aby sis nebo podle obratu či nějakého kritéria přemýšlela nad tím datovým člověkem?

Aktuálně nás je 45, minulý rok jsme zakončili s obratem něco pod 45 milionů.

Pokud chceš, mohu upravit i stylistiku do přirozenějšího psaní nebo formálnější podoby.

Zde je opravený a upravený text s lepší srozumitelností a plynulostí:

Člověka. Něco takového – tenhle rok máme v plánu vyrůst přes 100 milionů, takže v dalších letech máme plán, že v roce 2027 dosáhneme obratu 350 milionů. Takže to jsou i důvody, proč... Kroka byla připravena na ten růst. A zkrátka to teď…

Myslím, že máme dobře obsazený management a každý z týmů má požadavky na data, ale nemáme nikoho ve firmě, kdo by to vlastně dával dohromady a koordinoval přesně tak. Takže teď trochu improvizujeme. Ještě se zastavím – zaujalo mě, že říkáš, že v Gooddata stále svítí „dev“. Jaké je tedy vaše uvažování, kdy a jak se rozhodnete, že něco už není ve fázi vývoje, že je to hotové? Jaký máte při tom proces? Chvíli jsem o tom přemýšlela a říkala jsem si, že to prostě všude odměřím a řeknu si, že už je to Gooddata auto. Už jsem si říkala, že jsem se tak asi rozhodla, ale nakonec jsem se nerozhodla, nechala jsem tam ten „dev“. Dosáhli jsme toho, že bychom se potřebovali dostat do bodu, kdy alespoň trochu zdokumentujeme ty reporty, aby uživatelé věděli, co v nich opravdu je, aby týmy s daty rozuměly, a věděly, že jsou to data, kterým mohou věřit. A až potom jsem ochotná říct, že už to není dev. Pro mě v tomto bodě už není důležité, aby to bylo dokonale validované, ale aby uživatelé prostě věděli, co v tom reportu je, rozuměli mu a věděli, s čím pracují. Takže dokud tam máš „dev“, tak ti to v hlavě hraje a není to hotové? Ano, není to hotové a trochu tam ta nejistota je. Já mám třeba obavy z toho, že to není poprvé, co jsme prošli tímto procesem. Takže se mi to nakupilo a s tím se mi pracuje těžko. Právě proto si říkám, že jsem to tak nějak nechala být. Dobře, takže jedna z výzev, kterou jsme začali řešit, je nedostatek času a nedostatek interních lidí, kteří by řešili data. Bylo tam ještě něco dalšího kromě tohohle? Myslím, že ne. Zdrojová data byla v pořádku, všichni vaši partneři byli v podstatě ochotní spolupracovat, nikdo nebyl protivný. To je skvělé, protože to se občas stává, ale tady to bylo fajn. No a co se týče dalších kroků, do živiny přijde člověk, takže vy budete mít snadnější práci, budete moct rozvíjet reporty a podporovat růst živiny dál. Mohli byste říct, co se tam teď chystá ve vaší spolupráci? Určitě vnímám, že primárně ty reporty, které máme řešené v Gooddata, jsou hodně zaměřené na zákazníky, marketingové, salesové a produktové potřeby. Co zatím stále nemáme vyřešené, a už nastává čas, jsou reporty pro provozní část firmy – výrobu, expedici, logistiku. To jsou klíčové týmy, které potřebují vizibilitu a chtějí vidět, jak si stojí v čase oproti plánu. To jsou oblasti, kam budeme s daty chtít investovat. Musím říct, že na to máte i nějaké řešení. Před nahráváním jsi zmínil, že používáte Inventoro jako nástroj pro sklad. Moje otázka je spíš, jak to...

Pokud chcete pokračovat a opravit zbytek textu, dejte vědět.

Zde je opravený text s lepší gramatikou a stylistikou:

Ekonomika byla bez skladování a logistiky, nebo to skladování a logistika byla nějak abstrahovaná. Zajímalo by mě, jestli tam není ještě nějaké překvapení, protože právě když v „Velkém e-commerce“ řešíte jednotkovou ekonomiku, není to jen o akcích a slevách, ale i o tom, jak moc to váže cash ve skladu, kolik stojí vyskladnění a podobně. A vzhledem k vašemu obratu kolem 45 milionů je to pravděpodobně přílišný detail. Spíš by mě zajímalo, jestli jste o tom vůbec přemýšleli, nebo jestli je to tam již nějak promítnuto?

Jo, to je dobrá otázka. Určitě to v plánu máme. Tu jednotkovou ekonomiku, kterou řešíme v GoodDatě, řešíme čistě z pohledu prodejů a nákupů. Je to úplně ta nejhrubší marže, na kterou se díváme. Pak tam přicházejí data z výroby, expedice a logistiky, kterou stále řešíme ještě v Google Sheetech spíše na měsíční bázi, což není zase tak náročné. Mají to na starosti konkrétní lidé – manažerka výroby, provozní ředitel a podobně. Takže jednou za měsíc se tato data dávají dohromady, ale nekoukáme na ně tak často.

Do budoucna určitě chceme jednotkovou ekonomiku zpracovávat daleko detailněji, ale je to postupný vývoj.

Má počas.
Jo, jo.

Terko, je něco, co bys tady chtěla Martinovi prodat, aby na tom dál pracoval a zaměřil se na to třeba už zítra?

Ideálně už včera, protože zítra už by to mělo být hotové. Já si myslím, že zajímavé u živin jsou velmi zajímavé use case, s tím, že je to stále firma, která roste a bude růst. Přesně tam je obrovský výrobní a logistický potenciál. My jako B-Street máme zkušenosti a dlouhodobou spolupráci v rámci Dodo, kde jsme řešili všechny rozvozy, auta, optimalizaci tras, kdo kde je, kam jede, vzdálenosti, jak dlouho to potrvá, za jakou cenu, a jestli dá smysl, aby auto vyjelo právě tam, kam jede.

To je něco, s čím máme konkrétní zkušenosti a kde by bylo možné určitě zapracovat na skladech, dávat tomu smysl, přemísťovat zboží, skladovat, odvážet, sledovat trvanlivost – zajímavé koncepty tam už fungují. Umím si představit, že tady bychom mohli rozšířit naše aktivity a ušetřit tím na tom, kam posíláte zboží. Jakmile poroste vaše síť B2B partnerů, tak to začne dávat větší smysl. Například logistika na Slovensko nebo do Košic je už výzva.

Určitě je logistika velmi zajímavé téma i z hlediska strategie, protože právě teď řešíme strategii expedice. Jsme výrobní i distribuční firma zaměřená jak na direct to consumer, tak i na B2B, což jsou dva úplně odlišné procesy, které si se současným růstem začínáme uvědomovat.

Je dobré zmínit, že poměr B2B a B2C máme zhruba 50:50 a ten průběžně držíme, což je právě v logistice výzva, protože průměrná objednávka B2B partnera má kolem 130 položek, zatímco B2C zákazník objednává zhruba 80 položek. Tyto dva procesy tedy musí být řízeny odlišně a... (pokračování textu).

Pokud chceš, mohu text upravit ještě víc, případně rozdělit do odstavců podle potřeby.

Opravený text:

Budeme se zabývat i tím, jestli mít oddělené sklady pro B2B a pro B2C, nebo jestli nějakou část třeba neoutsourcovat. To třeba může vozit Dodo, že jo? Přesně, Vyštry to mají určitě nějakou slevičku. Synergie mezi klienty. Vám to můžou napočítat.

Já jsem přemýšlela nad tím, že vlastně ok, my jsme si na začátku vybrali kebulu s tím, že víme, že tam jsou nějaká data, která jsou v určitém objemu, ale nejsou až tak gigantická, nejsou tam milionové nebo bilionové řádky. Ale to se mi vlastně stalo poprvé, co jsem narazila na nějakou výpočetní schopnost SQL a Snowflake jako takového – bylo to, když jsme dělali přesně analýzu nějakého průřezového košíka a začali jsme se dívat na kombinace dvou, tří, čtyř produktů, a prostě to SQL nemělo šanci spočítat. Jaká je pravděpodobnost, že tyto dva produkty se nacházejí v košíku spolu, se psychicky zhroutilo. A já vím, že když jsme to dávali do reportu, tak jsme si dali méně kombinací. Pro mě jsme si řekli, že ok, toto je top, nevím kolik produktů, a pojďme se dívat na jejich kombinace, protože prostě to nedávalo smysl, prostě to nezvládla taková bůla.

Ano, ano. Takže Martin rozbil – nejprve vyčerpal Google Sheets a teď Snowflake. Ano, ano, a teď našel hranice SQL. Pada Snowflake, něco si přeji. Tak to je velmi náročné. Je, je.

Takže pokud bychom se chtěli posunout dál s nějakými hlubšími analýzami, jako jsou ty košíky a chování zákazníků, tak se to prostě bude muset dělat už v Pythonu a nad nějakým větším datovým skladem, nad něčím, co má skutečnou výpočetní kapacitu, tedy do něčeho technicky náročnějšího. Pokud je to něco, co chceme dělat kontinuálně nebo mít k tomu přístup pořád, aby se to počítalo každý den. A taky je to pak otázka nákladů, protože...

No jasné, no jasné. Takže přece jenom u kombinace dvou produktů si pamatuju, že to šlo ještě relativně snadno, ale pak každý další třetí, čtvrtý a tak dál už... Ta kombinatorika je prostě...

Je, je, je, je. Jako šílená kryfovka, 150 produktů a všechny se tam v košících míchají, to je hrozné. Takže počítat kebulu, něco takového začíná být velmi neekonomické.

A proč je to tak zajímavé zrovna z toho byznysového pohledu, když to rozebíráš? Mluvíš tam o sobě, že...

To je matematická stránka věci – čím víc kombinací, tím složitější model, ale co je byznysově důležité. Proč je to případ, který takhle vytahuješ? Máš zkušenost, že v tom jsou vlastně peníze?

Mě to zaujalo z toho pohledu, že vy jste od začátku dělali balíčky a já jsem vždy přemýšlela, jestli kombinace v těch balíčcích přibližně odpovídají tomu, co lidé v košících skutečně nakupují. A to pro mě jako zákazníka živí a pro člověka, který to vždycky vyklikává, přesně podle toho, že mi dává smysl ten tanec z těch produktů, že jestli na základě analýzy košíka vy potom ty balíčky dokážete dělat, vytvářet a můžete tomu člověku nabídnout.

Přesně, byl to jakoby úplně balíčky nebo virtuální produkty, jak to...

Zde je opravený a upravený text:

Mu říkáme, jak poskládat ideální kombinace právě pro akvizici nových zákazníků a tím si zvýšit průměrnou hodnotu objednávky. To je jeden use case, a druhý use case je upsell vlastně přímo v nákupním košíku – nabízení relevantních produktů. Přesně, vím, že tady mám tyto produkty v košíku, takže většina lidí by si k nim mohla přihodit ještě tento produkt nebo tyto další produkty.

Mě to opravdu zaujalo, když jste začali dělat přesně tu kari a k němu si dokoupíš tento kokos, a už to jde – máš k tomu těstoviny, a potom je to už balíček, a je to celá večeře, celý talíř, a prostě to dává úplně smysl. Vím, že na začátku těch balíčků bylo pár, ale nebylo jich tolik, a teď mám pocit, že to balíčkování je sezónní a ještě zajímavější je prostě ty produkty kombinovat dohromady. Pro mě to bylo také fascinující jako uživatele a jedlíka.

Tak Martine, jak bys zhodnotil tu spolupráci s ByStreetem a vůbec začátek práce s těmi daty? Jaký to pro tebe mělo největší dopady? Už víme, že Živino roste a plánuje další růst, ale ještě nám to prosím trochu shrň.

Já bych to shrnul takto – kromě toho, že jsme si docela lidsky sedli, což je pro mě v byznysu vždycky dost důležité, tak jsem opravdu ocenil profesionalitu a zkušenosti, které ByStreet přináší. Když to srovnám se svým řešením, přijde mi to jako úplné sci-fi, že najednou ty věci fungují, jdou rychle dopředu a můžu se na ně spolehnout.

To mě opravdu posílilo, zároveň vnímám ByStreet jako partnera, s kterým se můžu dál posouvat a směle si dovolit převádět i svoje „blbé“ byznysové plány do čísel. To je pro mě důležité, protože co se neměří, to se neřídí.

A nechybí ti tvoje dělání – bezedné Excely? Nechybí ti make-up script?

Upřímně, tolik ne. I když si stále hraju s nějakými věcmi, teď s nárůstem ChatGPT a podobně, pořád to není ten core, na který se musím spoléhat. To je spíš past, do které se nechci pouštět. Když potřebuji ad hoc analýzu, něco si třeba „zblastím“ a dostanu uspokojivý výsledek, se kterým jsem spokojený, můžu to pak přenést dál do spolupráce. Ale není to něco, na co bych se stoprocentně spoléhal.

Takže si hraješ, ale nevaliduješ?

Přesně tak.

A Tery, za tebe – jaké „lessons learned“, velké věci a dopady pro tebe měla spolupráce s Živinou? Jak se ti změnil jídelníček zvláště?

Začala jsem jíst výrazně více kimči než předtím, dokonce jsem donutila mamku dělat doma kimči, celý proces jsme nastavili – takže k tomuto všemu už došlo. Jiný dopad? Myslím, že pro nás a celý tým, i pro ByStreet, to byla ukázka, že malé projekty jsou hodnotné, že zákazníci jsou velmi cenní a že spolupráce je velmi uspokojivá. Pro mě... (text pokračuje)

Pokud přejete, mohu dále dokončit nebo upravit text podle potřeby.

Jasně, tady je opravený text s lepší gramatikou, stylizací a srozumitelností:

Přesně o tom je, že někdo vezme mou práci, využívá ji a pracuje s ní. A u těch velkých korporací se mi to strašně často ztrácí. Že svůj projekt předám, je tam deset různých business ownerů, jim to prostě předám a oni si s tím dělají, co chtějí. Ale u vás fakt vidím, že druhý den už na Instagramu vidím reklamu a vidím, že se něco děje. A já si říkám, výborně, je to tam. Takže si myslím, že to bylo pro celý tým, který na tom pracoval, hrozně uspokojující vidět konečně uživatele, kteří s těmi daty opravdu pracují.

A že i tak malé projekty se opravdu dají dělat a mají smysl. Že do toho nemusí jít miliony a miliony korun, aby ten datový projekt byl funkční.

Děkujeme moc, že jste tady sdíleli příběh spolupráce a nechali nás nahlédnout do toho, jak byste zefektivnili podobné spolupráce a jak přemýšlíte. Držíme palce, aby klienti používali reporty, řídili se podle dat a abychom my lidé jedli zdravě a šetřili čas v kuchyni, aniž bychom dělali kompromisy co se týče kvality a chuti.

Díky moc, Terko a Martine, věřím, že se tu ještě uvidíme. Díky moc, děkujeme za pozvání.

Děkujeme, že jste poslouchali až sem, a také děkujeme našim partnerům a členům DataTalk klubu – jsou to Intex, Saska, Bistreet, Colors of Data, Revolt BI, GoodData, Keboola, Emark, Carl Data Company, DataMind, Notino a Flo.

Pokud chcete zůstat v obraze o české datové scéně a globálních datových technologiích, nezapomeňte se zaregistrovat k odběru našeho týdenního newsletteru na datatalk.cz. Nechť vás provází data.

Pokud chceš, můžu ti text také více přizpůsobit stylu, který preferuješ.