Podcast

Dobrý den, jmenuji se Jirka Vicherek a vítám vás u dalšího dílu Data Talk podcastu. Mým dnešním hostem je Andy Werner, BI ředitel v Heureka Group. Ahoj Andy.
Ahoj Jirko, zdravím všechny posluchače.

Dnes se podíváme do Heureka Group, abych byl přesnější a výstižnější, protože Andy tam nastoupil jako BI ředitel teprve od září loňského roku. Heureka byla vždycky takovým šampionem v data driven přístupu a správné datové kultuře, a to díky Michalu Buskovi. Na to ještě navážeme. Tím, že jsi v Heurece velmi čerstvý, ale na druhé straně se na datové scéně pohybuješ už delší dobu a potkávali jsme se v různých projektech, začněme tím, jak ses dostal do Heureka, respektive jak ses dostal k datům.

Já jsem se k velkým datům dostal tak, že mi Excel přestal stačit. Jsem z té generace, která pamatuje Excel, do kterého se vešlo jenom 65 tisíc řádků, což chvíli stačilo, ale jednoho dne už to nestačilo. A pak jsem si říkal, že problémy se musí řešit datově, ale nějak jinak než tím Excelem. To mě zaujalo, to byl hlavní signál a motivace, jak se dostat k velkým datům a do business intelligence.

A jak ses vlastně dostal k Excelu?
K Excelu jsem se dostal hned při studiu, protože jsem studoval ekonomiku a už během školy jsem mohl začít pracovat v PwC, ve Velké čtyřce, v oddělení poradenství při transakcích. Dělali jsme něco, čemu říkáme commercial due diligence, což je v podstatě analýza trhu a validace obchodního plánu.

Můžeš si představit třeba private equity fond, který plánuje koupit nějakou velkou společnost a potřebuje k tomu financování. Aby financování dostal, musí předložit obchodní plán. A každý obchodní plán je tak dobrý, jak dobrá jsou dvě čísla v něm: jak velký je trh a jak rychle ten trh poroste, a kolik z toho trhu si ta firma může ukousnout. Jakmile máš tato dvě čísla, pak můžeš provést víceméně mechanické výpočty. My jsme byli právě ti poradci, kteří pro banky a fondy validovali správnost těchto předpokladů.

U toho jsem se dva měsíce učil nový obor. Například jsme počítali, kolik se vymění oken v Česku, další týden, kolik se postaví drive-thru fast foodů v Čechách, nebo kolik se v Evropě postaví vodních elektráren a generátorů.
To zní zajímavě.
Tam jsem se naučil spoustu věcí: jak si opatřit data, jak z nich udělat příběh, jak je dát dohromady a jak je komunikovat. Ke všemu skutečně stačil Excel, trojčlenka a PowerPoint. Ale dát tomu smysl, vytvořit z toho příběh, udělat graf, ze kterého se dal vyčíst význam, to byla velká škola, kterou jsem v PwC dostal.

Jak pokračovala tvoje kariéra po PwC?
Po PwC jsem odešel ke klientovi, firma se jmenovala Starbev, kde jsem pracoval jako pricing manažer. Starbev byla private equity skupina sedmi pivovarů, mezi nimi například Staropramen a Ožujsko, které možná znáte. Majitelé a top management chtěli udělat zásadní změnu v myšlení ve firmě, protože do té doby byl objem prodaného piva a obrat hlavní KPI (klíčový ukazatel výkonnosti). To však ještě neznamenalo, že firma nutně vydělávala.

Změnily se návyky spotřebitelů, začali preferovat jiné obaly a nákupy piva v samoobsluhách namísto hospod. To má velký vliv na profitabilitu, protože každý prodejní kanál má jiný zisk. Můj tým pricing manažerů v jednotlivých zemích začal zavádět metodiku a nové myšlení. Komunikovali jsme firmě, že je velký rozdíl, jestli prodáte litr piva v plechovce, ve skle nebo v kegu. Pomalu jsme začali měnit pohled firmy na to, že objem není to nejdůležitější, ale i struktura prodeje a ceny, které jsou pro firmu velmi zásadní.
O jaké roky se jednalo?
Bylo to období 2011 až 2014. Potom jsem si udělal malé MBA během rodičovské dovolené. Narodila se mi dcera a chtěl jsem s ní trávit čas, protože ona se chtěla vrátit do práce, tak jsem byl s Esther doma.
To velmi kvituji a chválím, ať je takových víc. Je to méně šílené než často bývá, takže to oceňuji. Jaký to pro tebe bylo? Doporučil bys to?
Já to rozhodně doporučuji. Pak jsem si vyhradil čas i na Lilu a bylo to super. Je dobré být s dětmi, ale zároveň vidět, co všechno naše milované manželky doma zvládají a jak se těší, když přijdeme z práce. To opravdu změní pohled, když si to vyzkoušíš na vlastní kůži.
Přesně. A jak to souvisí tvoje MBA a rodičovská?
S bratrem a bratancem jsme založili startup s názvem Trulimind, který vyráběl zakázkové zápisníky na míru. Měli jsme aplikaci, kde si zákazník mohl z 50 šablon vybrat svůj vlastní zápisník, strukturovat si ho a my jsme ho vytiskli a doručili. Mohl si tedy vytvořit nejen kalendáře, linky nebo tečky, ale například rozložení pro ochutnávky čaje nebo čtenářské deníky.

Proč o tom mluvím? Naučil jsem se tam e-commerce. Do té doby jsem znal enterprise akvizice, M&A a konzultace. Najednou jsem zjistil, že existuje internetový svět, online marketing, produkt a poslední míle ekonomika. Mohl jsem prodávat věci do Ameriky z Prahy nebo Brna a vyzkoušel jsem si všechny tyto funkce – a z toho těžím dodnes a je to velmi přínosné.

Jak vypadal tvůj personalizovaný zápisník?
Měl jsem plán na den, nějaké cíle a pak sekce na čaj a knihy.
Výborně. A protože nevidím v knihkupectví žádnou reklamu na Trulimind, asi to byl jeden z těch startupů, který ti dal zkušenosti, ale nevystřelil?
Nevystřelil. Neměli jsme dost zkušeností ani síly a možná jsme byli trochu naivní, ale někdy jsme museli všichni tři jít do práce. Zkušenosti ale zůstaly, a pár let to pak běželo samostatně, takže dobrá zkušenost.

Co jsi dělal po rodičovské?
Po rodičovské jsem šel na trh práce. Nejprve jsem byl krátce v Exponu, kde jsem se naučil, že nejsem dobrý obchodník, což mi nesedělo. Pak přišel MOL a velká data. To je asi ta kapitola, která tě z profesního pohledu definuje, protože období, kdy jsi v MOLu, je místo, kde se na BI scéně potkávalo hodně osobností a byl tam „center of excellence“.
Přesně tak. Do MOLu jsem přišel bez znalosti BI, neuměl jsem psát SQL dotazy, ale nastoupil jsem jako product owner, tedy jako spojka mezi byznysem a daty. V tu dobu začínala velká transformace z více než jedenácti datových nástrojů na Kebulu a Tableau. Můj první úkol před samotnou transformací byl popsat, co MOL vlastně potřebuje. Přinášel jsem tam svou byznysovou zkušenost.

Dělal jsem rozhovory se všemi stakeholdery, ptal jsem se, jaká data potřebují ve skladu, marketingu, obchodníci, zákaznickou péči a podobně. To potom určovalo směr transformace a způsob její realizace.

Znám tvou cestu a myslím si, že toto je jedno z opakujících se témat: přicházíš z konzultačně byznysové části a postupně se prohlubuješ v technologiích – na rozdíl od některých hostů, kteří začínali jako techničtí programátoři a postupně se zajímají více o byznys a dopad technologií.

Přesně tak, technologie pro mě byly vždy nástrojem, jak se něčeho dobrat. Ať už to bylo učení se Excelu, maker v Excelu, SQL, tabule Tableau nebo Lookeru, vždy to bylo pro odpověď na nějakou otázku.

Když už mluvíme o rozhovorech, můžeš dát nějaké rady někomu, kdo je na podobné pozici poprvé a není si jistý, zda to dělá dobře?
Mluvte se svými uživateli, což jsou interní klienti. To je základní rada.

Ano, je to jednoduchá rada, ale jak vlastně takový rozhovor probíhá a na co se zaměřit, kdyby jsi učil někoho svojí práci?
Data by měla být na konci, až jako výstup. Vždy začínám z pohledu procesů a toho, co se s daty vlastně dělá. Ptám se, co je možné s daty dělat dál. Často biznis přichází s požadavkem na nějakou tabulku, ale až když se ptám, co bude na základě těch dat následovat, vyjasní se, zda jsou data v požadované podobě užitečná.

To je high-level přístup, který se pak rozpadá do detailů – jak moc jsou procesy popsány granule. A tam se dějí věci, které pak ovlivňují další práci.

Takže necháváš lidi hodně mluvit a kladeš otevřené otázky?
Ano, ptám se na byznys, co dělají od rána do večera, jak se rozhodují, podle čeho investují, jaké mají KPIs a jak je počítají. Často KPI nemusí být reálně zacílen na profitabilitu, může být na objem, a to pak způsobuje různé problémy.

Je potřeba odhalit takové skryté zádrhely, které lidé často ani nevidí, nebo si je nechávají pro sebe. Po letech už takové věci poznám.

V MOLu šlo o sjednocení datových nástrojů do Kebuly a Tableau – co dalšího jsi znal ze své práce a teď využíváš v Heurece?
Největší část, kterou jsem tam měl pod palcem, byla tzv. unit economics.

Když mluvím o use casech, navážu na Viktora, který zde mluvil o pricing nástroji v Mallu – mluvili jsme i s Iljou Wolfem, se kterým jsme dříve natáčeli. Viktor tehdy vysvětloval naceňovací nástroj. Aby Viktor mohl dobře nacenit, potřeboval znát marži jednotlivých produktů a mohl simulovat, jak se marže změní, když pohneme cenou o 2 %. Zda si můžeme dovolit nějakou slevu, nebo ne.

Náš produkt, Unit Economics, stojí na transakční databázi, kde jsme si představovali jakousi P&L každé jednotlivé transakce. Detailně jsme měli marži rozdělenou až do sedmé úrovně – tedy příjem z produktu, náklady na nákup, specifika e-commerce jako zpětné bonusy, náklady na logistiku, handling a podobně.
Byl to základ nejen pro pricing, ale i pro reporting – kolik jsme prodali a vydělali včera, které kategorie se daří a které ne.

Také to bylo základem pro vyjednávací strategie s dodavateli. Byla to tedy velká a důležitá věc.

Každý produkt měl svou P&L a tak, jak P&L reprezentuje výkon firmy, my jsme toto vyjadřovali i z pohledu jednotlivých produktů. Museli jsme dát dohromady všechny strany, které k tomu měly co říct – lidi z kontrolingu, účetnictví i zodpovědné za výpočet bonusů, kteří například u handlingu přemýšleli o využití bublinkové fólie.

To všechno bylo potřeba zkoordinovat a vytvořit pěkný, přehledný řádek v tabulce.

To je logické – o unit economics mluví všichni, od korporátů po start-upy. Mám dvě otázky. První: je to jeden unifikovaný model, nebo pro každou firmu se unit economics počítá trochu jinak? Nebo jsou vstupy jiné, ale matematicky je to pořád P&L, která je i účetně dost standardizovaná?

Myslím si, že každá firma má svůj manažerský systém účetnictví, a ten není standardizovaný. Stavěli jsme nástroje pro MOL i pro CZC a už to, jak se účtovaly bonusy nebo jak fungoval sklad, hodně ovlivnilo, co víme a co musíme odhadnout a co značíme přesně.

Dobře, tak na tom stavíš myšlenkový model, hypotézu a ta druhá otázka je, že nejtěžší je asi dát dohromady ty správné vstupy, tedy data.
Digitální a e-commerce firma má mnohem více dat než klasická firma. Nejvíc času se spotřebuje právě na to sesbírat, zjistit, kolik stojí třeba bublinková folie a kolik se spotřebuje na jednu objednávku, což není triviální měřit.

Přesně tak. Proto jsem mluvil o lidech, kteří se na tom podíleli. Potřebovali jsme mít spojence například v SAPu, kteří nám ukazovali dostupná data, a zároveň lidi pracující ve skladu, kteří nám vysvětlovali, jak sklad funguje. Nám pak dávalo smysl, že nějaký pohyb vidíme v SAPu a podle vysvětlení si jej dokážeme správně identifikovat.

Takže šli jsme velmi do hloubky a angažovalo to spoustu lidí.

Spolupracovali jsme na tom.

Skvělé, to jsou Unit Economics. Unit Economics a potom další velká věc, která mě hodně formovala a kterou si odnáším dál, jsou data jako self-service. Tehdy jsme si mysleli, že když všem koupíme Tableau, tak nám utrhnou ruce a budou prostě nadšeně do toho každý den koukat.

Byl rok 2017, což je doba, kdy jsme myslím dělali s Keblou právě nebo pro Keblou marketing, PR a obsah, a pamatuji si koncept „citizen data scientist“.

Tedy „citizen data scientist“ znamená, že budeme učit manažery základy Pythonu, ne SQL, ale Pythonu. My jsme na ně byli hodně zaměření, koupili jsme jim Tableau a mysleli jsme si přesně to, co se říká: „vyrobte to, oni přijdou“. Ale nebylo to až tak jednoduché.

Myšlenka byla, pojďme dát data, máme Unit Economics, koupíme Tableau a pojďme do toho dostat co nejvíc lidí, aby firma byla chytřejší a dělala lepší rozhodnutí. To bylo krásné.

Myslím, že jsme to hodně posunuli, ale zároveň je pořád velký prostor pro zlepšení.

Jak spočívala ta práce?

Práce spočívala v tom, že jsme měli 300 editačních licencí na Tableau. Těmto 300 lidem jsme museli vysvětlit, jak Tableau funguje technicky, jaká mají data, co mohou použít, ve kterém zdroji najdou konkrétní metriku a jak si ji mohou filtrovat.

Další, a nejtěžší, věc byla naučit se s těmi daty pracovat ve smyslu klást si otázky a hledat odpovědi. A tam si myslím, že to šlo výrazně pomaleji, než jsem očekával. Přicházel jsem totiž z pocitu velkého zájmu o data. Kdybych já tohle měl někde v pivovaru, bylo by to super.

Často jsme si mysleli, že když všem koupíme Tableau, budou do toho nadšeně každý den koukat, ale nebylo to tak jednoduché. Pro obchodníky bylo toto velmi složité vysvětlovat. Například když jsem ukazoval nadšeně, jak v Tableau mohu mít vypočítané pole a vytvořit tam podmínku „if“, dostával jsem zpětnou vazbu: „Andy, my nejsme programátoři.“

Tam se ukázal ten rozdíl, což mě hodně srazilo na zem. Říkal jsem si, že musíme jít trochu jinak – bez „if“.

Abychom se tedy posunuli, pojďme k ByteGardenu, kde jste se spolu s Ilijou a Viktorem rozhodli založit poradenskou společnost.

Myslím, že jsme to měli velmi hezky naplánované, protože jsme přišli, měli velký dar to nazvat, možná jsme dostali rovnou velký projekt ještě dřív, než ByteGarden vůbec vznikl. Zároveň nás bylo tři, kteří jsme věděli, že spolu něco chceme dělat.

Pořád jsme přemýšleli nad různými možnostmi, až přišla příležitost postavit Unit Economics a základní reporting nad Keblou v Grouponu. S Iliou jsme ten projekt pomalu rozjížděli, rychle se přidal Viktor a další lidé, a tak vznikl ByteGarden.

Propojení s Unit Economics, které jsme už jednou postavili, byl náš lístek na tuto další jízdu. Pro mě je to skvělé.

Jak jsme se bavili o Unit Economics v e-commerce, tak Groupon nemá sklady ani fyzické zboží, prodávají kupóny, což by mělo být jednodušší, ne?

Mysleli jsme si to, ale do toho zase zasahuje škála zemí a různé systémy. Přestože to vypadá jako jeden Groupon, prodávají kupóny i fyzické zboží přes tržiště, lze zde zarezervovat hotel. Něco je postavené v Americe, něco v Evropě, takže jsme měli asi 22 separátních byznysů a u každého jsme objevovali, jak funguje.

V té době se Pale Fire začal ujímat kormidla, už měl exekutivní pozici a potřebovali jednotný pohled na data. Něco tam bylo, ale mělo to svá „ale“, proto nás požádali, abychom to celé vybudovali od začátku.

Podle mého vědomí to tam funguje dodnes, gratuluji.

Ještě něco k ByteGardenu?

Ano, jedna věc mě velmi bavila – podobně jako jsme dělali due diligence v PVC, tady jsme dělali něco podobného pro několik investorů a projektů. Dívali jsme se dovnitř firem, jak fungují datově, ale zároveň jsme zkoumali datovou kulturu a poskytovali investorům cenné informace o fungování firmy jako celku, a o nástrojích, které má firma k prosperování.

Byly to velmi zajímavé projekty.

To je hezké a předpokládám, že po dlouhé době v Mallu bylo zajímavé se podívat do jiných firem. Tahle část konzultací mě také baví, protože rychle proniknete do mnoha kontextů a firem.

Přesně tak. Je to věčné dilema. Mnoho lidí zkusilo jedno i druhé a je dobré to střídat. Když jste v korporaci, pracujete dlouhodobě na jedné věci, můžete si ji vymazlit, ale může to být časem rutinní. Když jdete do konzultací, střídají se projekty, ale na druhou stranu nemáte úplný ownership a kontrolu.

S ByteGarden jste pak ukončili činnost rozhodnutím, nikoliv nutností. Líbí se mi, že se třeba v hospodě prostě dohodnete, že to možná zavřete. Co to pro tebe znamenalo?

Pro mě to znamenalo možnost se zastavit, vydýchat a rozhodnout, kterým směrem se vydat dál. Zeptat se sám sebe, kde můžu svou zkušenost nejlépe uplatnit.

To mi nahráváš, protože se teď dostáváme k Heurece Group. Jaká byla nabídka, na co ses zaměřil a proč jsi do Heureky přišel?

Možností bylo mnoho, směrů určitě víc, ale e-commerce je oblast, na které mohu stavět, jsem v ní dlouho a nemá smysl přerušovat složené úročení. Je dobré v tom pokračovat.

U Heureky nebylo o čem váhat a důvodů bylo mnoho.

Prvním důvodem byla data. Heureka je datovou autoritou nejen v českém, ale i středoevropském e-commerce. Vidíme, jak se daří obchodům, co zákazníci chtějí, protéká přes nás obrovské množství trafiků.

Máme jeden hlavní zdroj příjmů, kdy data nabízíme, prodáváme a spousta subjektů na trhu na nás spoléhá.

To byl jeden datový důvod.

Druhý datový důvod byl tým a datová kultura, kterou vybudoval Michal Buzek. Udělal s týmem skvělou práci a já jsem věděl, že půjdu do prostředí, kde nebudu každý den opravovat pipelines nebo řešit technické problémy a kde nebudu muset řešit, jestli mám správný technologický stack.

Buzek to vyřešil.

Díky Michale, zdravím!

Věděl jsem, že na tomto pevně postaveném základu budu moci stavět to, co mě baví – tedy využití dat a dále posouvat Heureku jako business skrze data.

Tady je také důležité zmínit rozsah.

Někteří možná nevědí, že když mluvíme o Heureka Group, nemluvíme pouze o české Heurece. Česká Heureka je jen část byznysu. Jsme přítomni v devíti zemích, máme 29 milionů spárovaných SKU, přes 20 milionů uživatelů měsíčně.

To není malý byznys, ale velký.

Lidé se často ptají, co řešíte technologicky, když nemáte sklady a jste „jen“ e-shopem.

Podle mě je ale rozsah a komplexita obrovská.

Sedíme na všech těch datech, máme zlatý důl, což je velmi zajímavý byznys.

Další důvod, proč jsem do Heureky neváhal, byla vize a možnost budoucnosti, kterou platforma slibuje.

Někdo to může vnímat jako nákupního rádce nebo cenový srovnávač, ale v dnešní době je třeba stále mít traffic a spoustu produktů na jednom místě, a také vědět, jak zákazníkům pomoct vybrat to nejlepší, pořád rychle a s důvěrou.

Heureka má za sebou léta zkušeností, jak zvládnout množství informací.

Možná končí éra, kdy nás zajímalo, jestli ušetříme 50 Kč zde nebo tam, ale přichází doba, kdy chceme zákazníkům nabídnout něco navíc, zjednodušit jim výběr a nabídnout nový pohled na nákupní proces.

V tomto jsem měl jasno. V Heurece je jasný leadership s vizí.

Davida Chmelaře, současného CEO Heureky, jsem znal déle. Je to CEO, který má vizionářský pohled.

Další věcí je datová vize.

My jsme si velmi rychle porozuměli.

Můj přístup k datům a způsob práce s nimi zcela odpovídá zadání, které mám.

O tom s tebou chci mluvit, protože to je pro mě i naši komunitu velmi důležitá zpráva – ten změněný mindset, který úspěšní lidé někdy během času přejdou, a dnes je důležitější než kdy jindy.

Než se k tomu dostaneme, rád bych ještě objasnil organizační a informační základy pro naši konverzaci, které jsou důležité.

Do Heureky jsi přišel jako BI director pro celou skupinu. Kde tedy sedí BI u vás?

Mohu říci, že sídlíme ve financích, ale Heureka je specifická svojí maticovou strukturou.

Jako BI director říkám „jak“ a máme skupiny, kterým říkáme „gengy“. Ty určují, co se má dělat.

Můžeme si představit gengy například pro obsah, front-end, vztahy s obchodníky.

Můj tým má to štěstí, že vidí na tyto gengy a ty si prioritizují práci sami.

Moje role je zajistit, aby vše dávalo smysl dohromady a přinášelo co největší užitek.

Zní to, jako by to byla spíš organizační práce, než jen finance.

Kolik lidí máš v týmu?

Mám 20 lidí.

Máme malé oddělení data engineering a také analytiky, včetně pricingu.

Jste centralizovaní v rámci Heureka Group?

Máme čtyři lidi přímo v jednotlivých zemích, kteří obsluhují zbytek analytiků ve Slovensku.

A jaký technologický stack používáte?

Celá Heureka běží na Google Cloud Platform (GCP), v BigQuery máme všechna data včetně Google Analytics.

Používáme Dataform a Kebulu a nad tím vším máme plně funkcional Looker.

Plně funkcional Looker není časté.

Upřímně řečeno jsem hledal cestu k Lookeru.

Začnu nevýhodami – je to drahé a uživatelsky nepříliš přívětivé, pokud si chci vytvořit vlastní graf.

Ale jeho silnou stránkou, a to přesvědčilo tým už přede mnou, je semantická vrstva, která bude hrát stále větší roli v konverzační analytice.

Dobré je mít robustní datový model na jednom místě.

A díky integraci Google Gemini to všechno dává smysl.

Integrace a spojení GCP s BigQuery, který je největším datovým skladem, dává Lookeru dobrý smysl.

To jsem chtěl shrnout ohledně dat v Heurece.

Pojďme se vrátit k tvému výroku o datové vizi, o práci s daty vedením a o důvodech, proč tě chtěli.

Říkáš, že jsi dostal důvěru a byl tam velký soulad, co byla tedy tvoje datová vize? S čím jsi přišel, na co kývli nebo v čem si rozumíte?

V jedné větě: „Pojďme to udělat tak, aby data byla skutečně při každodenním rozhodování.“

Možná to zní jako floskule, ale já jsem přesvědčil – ne přímo hlasitě, spíš nenápadně –, jak to dosáhnout, jak to dostat do detailů, jak to operacionalizovat a jak to udělat prakticky.

Kom konkrétnější, kouzlo spočívá v tom, že mi hodně záleží na tom, aby se na základě dat skutečně něco stalo.

Aby se něco stalo, nesmíme zůstat jen na úrovni dashboardu pro management, ale musíme říkat jednotlivým lidem, co mají dělat.

Někdy si vezmu analogii z přírody: Když organizmus – člověk – dostane špatnou zprávu, že na něj útočí tygr, musí utéct nebo se schovat.

A abychom to zvládli, musí se mu zvýšit tepová frekvence, rozšířit průdušky a přesunout krev do svalů.

Ale to…

Neděje se to tak, že by někde z mozku přišel do srdce signál „tygr“ nebo „utíkej, tygr“. Tak to není. Dochází tam k určitým transmiseovým mechanismům, které v mozku rozdělí velkou informaci na detaily a potom na ještě detailnější signály, na které umí reagovat každý jednotlivý orgán, buňka nebo molekula.

Stejně tak by mělo fungovat BI (Business Intelligence). Neměli bychom říct „tygr“, tedy „klesají prodeje“, a čekat, že všichni ve firmě budou vědět, co mají dělat. Ve firmě není tlačítko „zvýšit tržby“, ale jsou tam tlačítka jako „zavolej merchantům“, „vyzkoušej novou funkci na webu“, „přestav performance marketing“. Velmi často firmy narážejí na to, že neumí tyto signály přeložit do konkrétních kroků.

Pokud tedy řeknu „pozor, tygr“, v podnikové analogii to znamená „klesají prodeje“, ale proč? Co s tím uděláme? Potřebujeme nějaký mechanismus, jak se dostat k člověku, který s tím může něco udělat.

Takže klesají prodeje. Proč? Protože je špatná transakce, nebo nepřichází dost lidí. Řídíme, že nepřichází dost lidí. Nepřichází dost lidí do všech kategorií, nebo do konkrétní kategorie, nebo z nějakého zdroje (trafiku). Vidíme, že z nějakého zdroje stále nepřichází více lidí, ale není tam tlačítko „zvýšit trafik“. Tak musíme dál hledat, co tahá ten trafik, a třeba zjistíme, že klesá naše průměrná pozice na Google. Opět ale není tlačítko „zvýšit průměrnou pozici“. Tak to ještě rozkouskujeme.

Pak zjistíme například, že nám vzrostla metrika „time to first byte“ (doba do prvního bajtu). To už může řešit infrastruktura. Jsou tam lidé, kteří se podívají do Cloudflare a zjistí, jestli není nějaký problém. To je jen velký detail, ale kdybych přišel do firmy a řekl „klesají prodeje“, kolegové z infrastruktury vůbec netuší, že by to mohl být jejich problém, a ani to neřeší, protože jejich kontrolky jsou zelené, web odpovídá.

Tak vzniká strom a já si myslím, že BI by mělo hrát roli facilitátora, který dostane signál co nejhlouběji k jednotlivcům. Mělo by sloužit nejen k přeposlání signálu, ale i k tomu, aby vymyslelo, co ten jednotlivec může udělat a jaký signál pro to potřebuje.

Víme, že pokud zůstanu u metriky „time to first byte“, nepotřebujeme informace o tom, že klesají prodeje nebo že náklady za klik jsou vyšší či nižší. Potřebujeme jasné KPI rychlosti odezvy. A zároveň je pro ně užitečné jim vysvětlit, jak to zpětně navazuje na zisk. Říct jim, že to není jen číslo k sledování, ale má přesně tento efekt. A pokud to nebudou sledovat, stane se toto a výsledkem bude horší výkon firmy.

Tato zpětnovazební smyčka se mi líbí velmi. Také jsem se bál, když jsi říkal, že signál není „klesají prodeje“, ale prostě jim řekneš „zlepšete infrastrukturu, co tam děláte“, a přitom jim vysvětluješ, že to má smysl, že to nevyšumělo z ničeho, ale teď na tom musíme pracovat, a je to úplně legitimní a smysluplné.

Přesně tak. Moje zkušenost po letech byla, že uděláme dashboard a o něm všichni mluví. Myslím si, že BI by mělo hrát roli nejen ve smyslu business intelligence jako výroby reportů, ale také inteligence, která zná vazby mezi akcemi, reakcemi a schopností se přizpůsobit.

Líbí se mi, jak to říkáš – data, insighty, akce. A právě kde končí odpovědnost datového či BI týmu, je v tom, že vyčistí data, nabídnou je ostatním, naučí jim hledat insighty, případně signalizují automaticky odchylky. Ale ani to nestačí. Musíme řešit tzv. „last mile“ BI – tedy jak z insightů udělat akce.

Přesně tak. A je důležité říct, že to není 0 nebo 1, není to tak, že to vůbec neděláme, ani že nějaká firma dělá tento proces stoprocentně. Existuje vzdálený ideál, ke kterému se můžeme postupně přibližovat ze dvou stran.

Z pohledu BI je to lepší porozumění byznysu, chápání jeho pák a tlačítek a přiřazování signálů k nim. Z druhé strany by byznys měl lépe chápat data a možnosti jejich využití. Tam se potkávají uprostřed.

Myslím, že vím i proč to firmy nedělají, i když koncept „data – insighty – akce“ je stále aktuální. Je to otázka šumu a špatných spojení, absence technologií, rozházenosti dat, vysokých nákladů na integraci. I v datově velmi pokročilé firmě, jako je Heureka Group, je potenciál v tomto zlepšení.

Proč je to tedy tak těžké? Protože je tam mnoho uzlů, které jsou složité, a je tam mnoho lidí, mezi nimiž se informace ztrácí, vzniká jakási „tichá pošta“. Není dost mechanismů, které by s tím pomáhaly.

V Heurece se nám to daří postupně budovat. Použil jsem termín KPI tree nebo strom ukazatelů. Jedna z prvních věcí, kterou jsem tam udělal, byl strom vycházející z profitu a vedoucí až k metrice „time to first byte“ nebo jiné.

Tím získáváme mapu, podle které se můžeme orientovat, říct si, kde je problém, co diagnostikovat. Současně k jednotlivým uzlům stromu přidáváme vlastníky, kteří odpovídají za sledování, porozumění a řešení problémů.

To považuji za velmi silný nástroj. Například ho už používáme při rozpočtování. Často se rozpočty stanovují tak, že minulý rok bylo „x“, tak teď dám „x + 5 %“, ale to není ta skutečná páka.

Musíme se ptát: pokud udělám tuto funkci (feature), co to zvýší? Transakční poměr? Frekvenci nákupů? Něco jiného? To je jedna věc, jak léčit budoucí plánování.

Druhá je, že já jako BI ředitel vlastním tzv. KPI review meeting. Je to hlavní schůzka širšího vedení, kde se díváme na výsledky. Moje role je strukturovat formát, jak na data nahlížíme, strukturovat konverzaci, klást nepříjemné otázky.

Dává mi to možnost významně postupovat po stromu ukazatelů, identifikovat problém, zabývat se jím a plánovat další kroky. Máme tyto věci předem připravené, takže šetříme čas tím, že nečteme slidy, ale vedeme diskuse o tom, co dál.

Toto považuji za velmi silný nástroj. Přiznávám, jsme někde na škále, ale máme tyto artefakty, zlepšujeme je. Z nuly jsme se dostali na jedničku a můžeme pokračovat dál.

Pokud se zeptám na nástroj „KPI tree“, předpokládám, že je to standardizovaný, minimální životaschopný produkt (minimum viable product) a že se také v čase mění, protože model samotného byznysu je dynamický a trh se mění.

Jak probíhal výkop, prototyp? Přemýšlel jsem nad tím dlouho. Je to jako fraktál – začnete jednoduchým uzlem, například „marže“ – odkud se bere? „Tržby mínus náklady“. Tady můžete zůstat, dokud je to zelené, ale když už není, ptáte se, je to kvůli vysokým nákladům nebo nízkým tržbám?

Potom postupujete dál a dál a pokud zjistíte, že má kanál horší výkon, doplníte tam další uzly. Je to podobné metodě „five whys“ (proč), kterou praktikují i startupy – ptát se „proč“ opakovaně, dokud nedojdete ke kořenu problému.

Výhoda stromu je, že některé závislosti jsou aritmetické (součet, rozdíl, násobek), někde jen víte, že když jedna věc půjde nahoru, půjdou i další.

Takto postupujete k řešení.

Co se týče KPI review meetingu, jak jsi říkal, všichni se dívají na stejná data. To je velká výhoda. Hodně lidí totiž řeší, aby se alespoň dva účastníci porozuměli stejným datům, a to u nás funguje.

Proto řešíme hlavně akce z těchto dat.

Do mixu přidávám i rozpočtování. Můžete začít na vysoké úrovni stanovením cíle, ale když sledujete realitu, musíte jít do větší hloubky, abyste věděli, která metrika se opravdu mění a jakou páku máte.

Nedávno jsem revidoval obchodní případy (business case), kde jsme říkali, že vyšší počet uživatelů nemusí nutně znamenat naši páku, protože ji neumíme změřit ani ovlivnit.

Pokud ale víme, že uživatelé, kteří využili konkrétní funkci, mají větší frekvenci nebo konverzní poměr, už jsme mnohem dál. To je další páka, která dává naší akci smysl již při plánování investice.

Pokud jako plánujete investici či akci, je důležité říct si, které pákky za tím stojí.

A teď ještě jeden konkrétní příklad: často je rozdíl v malých detailech, které přinášejí velké změny. Jak to popsat?

Vždy se snažím plánovat tak, abychom mohli jasně odlišit efekt jedné akce od ostatních. Můžeme například plánovat novou funkci, která přinese více návštěvníků, ale pokud se náhle změní výkon Google, může trafik klesnout, a my nebudeme schopni změřit, zda funkce fungovala sama o sobě.

Proto se ptám, co můžeme změřit izolovaně. U funkce na webu třeba měříme, kolik lidí ji použilo a jaké mají vlastnosti oproti ostatním uživatelům.

Tak můžeme říct, zda se ta funkce vyplatila, či ne, a vracet zpětnou vazbu.

Ano, teď už to chápu, děkuji.

Na druhou stranu to, o čem mluvíš, může znít dost konzultantsky. Na to nemusí být nutně BI oddělení.

Pokud máte takového CEO nebo jiný leadership, tak drill down a řízení firmy s pomocí dat je běžnou praxí.

Ale udělat model celé organizace a považovat to za roli BI není zatím standardem.

Když to otočím, co znamenal tento mindset change pro datové inženýry a analytiky v tvém týmu?

Jdeš si povídat s business lidmi, kreslíš model celé organizace. Jaký to mělo dopad?

Máš vedle sebe kolegyni, která dělá pipeliny v Pythonu, a juniorního BI analytika, který něco připravuje v Lookeru.

Co se pro ně změnilo kromě toho, že jejich šéf je každý týden na důležitém meetingu?

Naštěstí nemáme lidi, kteří jen „naklikávají“. Náš tým skutečně analyzuje data a umí je číst.

To je základ, na kterém stavím.

Teď chceme tým posunout dál – aby nezůstávali jen u užitečných dashboardů, ale aby se ptali: co s daty dál?

Aby uměli nepříjemně diskutovat se zadavateli a ptát se – co s tím chceš udělat?

Mohu ti dashboard postavit, to je jasné, ale co s tím?

Tady se ukazuje rozdíl v přístupu k požadavkům.

Někdy možná ani nevíme, co přesně chtějí.

Chci, aby náš tým byl silný v tom, že se společně zamyslí, co lze na základě dat udělat.

A podle toho se zcela změní formát datového produktu – už to nemusí být jen dashboard, ale třeba aplikace, která rovnou něco automaticky odešle.

Totálně automatizace, SMS, notifikace.

Na této cestě narážíme na otázku, jak moc tým vnímá svoji roli a kam až má zajít.

BI nemá řešit obsahovou párovací logiku produktů, ale mělo by být velmi blízko byznysu a přemýšlet o tom, co budou lidé s daty dělat.

To je ten změněný mindset.

Zároveň ale nepřistupujeme k tomu jako k nule nebo jedničce.

Něco už děláme, není to cizí.

Pro tým kladu jiné otázky.

Z pohledu BI a byznysu by se měly hranice stírat.

Byznys by měl vědět, jaká data má k dispozici, a přemýšlet, jak chce cíle dosáhnout a jaká data k tomu potřebuje.

Učíme byznys říct: „Neříkejte nám, chci report, ale mám otázku, problém nebo plánuju akci, ale nevím, jakým směrem jít. Pomozte mi.“

To výrazně zjednodušuje práci a jasně vyjasňuje, zda máme odpověď, nebo ne.

Tento koncept datových produktů se mi velmi líbí: je to produkt, který má uživatele a jasnou funkci.

Když se na to podívám z produktového hlediska, tak řešíme nějaký problém a když ho vyřešíme pomocí zprávy ve sleku, nemusím kvůli tomu generovat grafy, a to mi je velmi sympatické. Navíc je to nějaký trend – kolik lidí to dělá, kolik firem, kolik datových oddělení je takovými fabrikami na reporty, které nikdo nečte. Takže je to otázka.

Z mého pohledu je to naprosto relevantní zejména kvůli umělé inteligenci, respektive generativní AI a jazykovým modelům, kteří do toho hodně zasahují. Ve chvíli, kdy se na nějaké otázky mohu ptát přirozeným jazykem a generovat SQL, je to běžná věc. Objevují se datové notebooky, se kterými si může businessák hrát a přitom do nich přitom vkládat kód a podobně. Myslím si, že je to relevantní.

Jak vám do toho vstupují velké jazykové modely? Tu roli LLM, jak fungují teď, nebudu rozebírat do nějaké futurologie, ale co umí nyní, od nich očekávám právě stírání hranic mezi tím, co jsou data a co je business. Najednou má business data uložená například v Data Canvasu nebo v Google Cloud Platform (GCP) a může si tam přesně položit otázku, co se s nimi dá dělat.

Zároveň nám to umožňuje třeba místo tvorby dashboardu rovnou vytvořit streamovací aplikaci, protože si ji píšeme ve Vibe a tak je to mnohem akčnější, protože dashboard nic nikam neodešle, kdežto aplikace může něco někam posílat. Takže je to najednou mnohem víc akční a zároveň to pomáhá usnadnit komunikaci. I když je někdo čistě datový analytik, tak má díky tomu vhled do toho, jak ten business funguje.

Interně, když jsi říkal, že ve Vibe kódujete streamovací aplikaci, jak vnímáš tento posun? Ať už z pohledu produktivity inženýrů nebo vize?

Já směřuji k tomu, aby bylo možné se stejným časem dělat výrazně lepší věci. Před rokem by pro mě bylo naprosto nepřijatelné dělat aplikaci ve Vibe, protože by to trvalo příliš dlouho. Teď to může trvat klidně odpoledne, a aplikace může být interaktivní a umožnit mnohem lepší řezy dat.

Abych byl konkrétnější, poslední věc, na které pracujeme, je validace dat. Možnost vytvořit deset pohledů skrz deset různých řezů zvládneme za odpoledne. V Lukru (interní nástroj, pozn. red.) by to trvalo velmi dlouho a kdybych se chtěl podívat například podle kategorií a shopů, byla by to extra práce. Zde mám jedno tlačítko „překlikávátko“ a mám vše rychleji s možností nastavovat dynamické limity, které mě na něco upozorní, mohu si lépe zadrylovat data. To je právě to, co chci ilustrovat – se stejným časem jsme schopni získat mnohem lepší insighty.

Já to vidím podobně – to odemklo potenciál a dodání datových produktů je rychlejší, nebo může být rychlejší. Na druhou stranu jsme mluvili o Lukru a zmínila ses o semantické vrstvě a o tom, jak je „pravda“ organizace zaznamenaná. Čím více bude takovýchto mini aplikací, tím víc to nebudeš mít v jednom prostředí a tím hůře se bude držet nějaká semantická vrstva. Nebojíš se, že to bude trošku shadow IT, jakýsi anti-pattern? Do teď jsme se snažili všechno narvat do jedné databáze, udělat hezký streaming, všechno popsat a držet to, a teď vlastně máme eukaryotickou revoluci.

Pro mě je semantická vrstva právě ta v GCP, co jsem zmínil. Tam budou data a tam je spousta možností v oblasti AI, API a popisu dat. Tento systém by měl fungovat s Lukrem jako v jednom celku, v jednom balíku. Možná tam mají bariéry, ale nejsou nepřekonatelné, s větším nebo menším hackem to na sebe napojím.

Můj cíl pro tento rok je co nejvíce internalizovat AI, abychom přemýšleli AI first a neustále přemýšleli, kde nám může pomoci, kde může náš výkon zlepšit desetinásobně. Minule jsem žertem říkal kolegovi, že mu neschválím dovolenou, dokud nebude používat AI a Datagrip. V tomhle duchu bych to rád vedl dál.

Motivace z práce je skvělá.

Co tedy kromě internalizace nástrojů AI a AI first mindset jsou velké výzvy pro rok 2026? Zdá se, že od 0.4 strávil půl roku a dva měsíce – tak…

Jednoznačně největší výzvou je maximalizace hodnoty z dat. Musíme si velmi dobře uvědomit, že když vytvoříme tabulku, ale nikdo se na ni nepodívá, je to spíše zbytečné, tedy net negative.

Přesně tak, je to net negative. Proto se musíme soustředit na to, jak zajistit, aby business na základě našich dat skutečně jednal. Ne jen poslat data s tím, že se něco stane, když je nepoužívají – musíme jít do detailů, na úroveň analogie, kdy srdce i plíce čekají na signál. Je třeba najít ty, kdo ten signál očekávají, doručit ho jim a společně s nimi diskutovat, jak ten signál převést v konkrétní akci.

Držím ti moc palce, jsem rád, že tuto oblast znovu otevíráš. Myslím, že je to skvělý pohled, kdy jsi mimo centrik a startupovou teorii a začínáš klientem, a produkt tvoříš podle toho, co má dělat.

Držím palce a rád bych dodal, že tyto rady a tento přístup nejsou určeny jen pro špičkové datové firmy jako Heuréka, které mají vyřešenou čistotu dat, všechny nástroje a základy. Naopak myslím, že dnes se dá většina těchto věcí přeskočit. Můžete zjistit, že nepotřebujete datový sklad, protože například spoustu svých dat vůbec nevyužíváte, a proto nepotřebujete skladovat vše jako velký problém. Pro mnoho problémů postačí velmi malá řešení, která nevyžadují čekání, až celá firma půjde touto cestou. I jednotlivá oddělení mají svá KPI a mohou si vytvořit vlastní strom, který nemusí začínat celým firemním ziskem, ale jen nějakým úsekem, a i takto může jedno oddělení fungovat a řídit se tím.

Děkuji moc, Andy, držím palce a těším se, co si povíme příště o další výzvě a jak se ti daří zavádět AI first mindset do tvého týmu.

Díky moc a ať se daří.

Děkuji také za pozvání.

Děkujeme, že jste doposlouchali až sem, a děkujeme také našim stálým partnerům a členům Datatalk klubu. Jsou to SASka, TV Nova, Direct Technologies, GoodData, Myton, Colors of Data, Bistreet, Flow, Karl Data Company a Intex. Díky moc za podporu a nechť vás provází data.