Podcast

Dobrý den, moje jméno je Jirka Vicherek.

Ahoj všem, moje jméno je Barbara Hinarová.

A vítáme vás u dalšího dílu Data Talku. Naším dnešním hostem je Teresa Fukátková, Group Data Insights manažerka ve Fortuna Entertainment Group.

Ahoj Terko.

Ahoj Jirko, ahoj Báro.

Ahoj.

My dneska s Terkou probereme její cestu, jak se dostala k datům a jak se jí daří. Prozradím, že velkou roli v tom hráli Čekitas. Potom se dostaneme k její současné roli ve Fortuna Entertainment Group. A podíváme se taky na to, jak AI vlastně mění B.I.K.O. a jak mění vzdělávání juniorních B.I. lidí.

Přesně tak, tohle všechno tady teďka stihneme.

Tak pojďme začít tou tvojí cestou, Terko. Jak jsi se dostala k datům?

Pozvolně, ale řekla bych, že celkem přirozeně. Když přeskočím školku a základku, tak rovnou to.

Já bych školku nepřeskakoval.

Dobře, začni od matčina Luna, jestli můžeme.

Já bych začal tou školkou.

Fakt tou školkou? Ano, to vy mi dáváte.

Já vlastně, když mi bylo pět, tak máma byla zdravotnice na letním matematicko-fyzikálním soustředění, které pořádal Matfyz. A já jsem tam pravidelně jezdila, takže vlastně už od školky jsem byla napojená, protože jsem chodila třeba na přednášky pana docenta Bokova z astrofyziky, nebo tam přednášel pan docent Gryel. A já jsem to všechno tak nějak nasávala, takže ta matika mi připadala vlastně jako docela přirozený obor. A k informatice je to jenom skok.

No, ale fast forward teďka už do trochu pozdější doby, kdy jsem se rozhodovala, kam půjdu na vysokou školu. Rozhodovala jsem se mezi dvěma větvemi. První byla jazyková, respektive mezinárodní vztahy, protože na střední mě strašně bavil Evropský parlament mládeže, Model OSN a všechny tyto aktivity. Říkala jsem si, že kariéra v diplomacii by nebyla špatná. Druhá varianta byla technická, technické obory. Nakonec jsem si řekla, proč neskombinovat obojí, a šla jsem na česko-německá studia na Karlově univerzitě a zároveň na provoz a ekonomiku na Českou zemědělskou univerzitu. Právě na ekonomice mě chytla statistika a to jsou vlastně data. Odtud je pak už jen malý skok. Během inženýrského studia jsem nastoupila do Lidlu, protože jsem studovala němčinu a chtěla jsem ji nějak využít. Vybrala jsem si na seznamu firem ty německy mluvící a uspěla jsem při studentském veletrhu práce. Nastoupila jsem tam na entry-level pozici asistentky v nákupu, na které jsem vydržela asi rok, než se otevřela pozice v kontrolingu, kam jsem chtěla jít. Potřebovala jsem se doučit Excel, který mě tehdy moc bavil a který považuji za stále součást svého portfolia.

A mezi nižší BI nástroje.

Přesně, a proto se ho taky tak těžko zbavuji, protože Excel je opravdu m...

Zde je opravený text:

Multifunkční.
A neříkám, že teď je to můj základní nástroj, ale dá se v tom fakt dělat magie.
Když si trochu osvojíte ty vzorečky, naučíte se Visual Basic, tak jím toho fakt hodně zvládnete.
No, teďka nás posluchači vypínají.
A umírají datoví bílí, protože slovo Excel je ránajka.
Já si myslím, že Excel všichni stejně milují, a že to říkají jenom, aby byli cool.
Excel je určitě vztah love-hate, ale vraťme se do Líbnova a kontrolingu.
V lídlovém kontrolingu to právě byl ten love vztah, kdy Excel bych řekla, že byl základ všeho.
A já jsem tam měla hroznou kliku právě s tím, že jsem přišla z nákupu.
Že jsem měla kontext toho, jak se výrobky zalistovávají, jak probíhá celý proces nákupu.
A měla jsem i praxi z filiálky, že jsem tam na týden šla, doplňovala zboží, i na kase jsem chvíli byla,

a byla jsem se podívat ve skladu, jak to vlastně všechno funguje. Díky tomu jsem se tam dostala vlastně k vyhodnocování věcí, které souvisely ať už s odpisy nebo s prodejem těch foodových akcí, na které tam třeba chodíte v pondělí a ve čtvrtek. Tak tady to všechno jsem vyhodnocovala, také jsme tam dělali něco jako AB testování, kdy se každá filiálka zavážela trochu jinak a já pak vyhodnocovala, jaký to má dopad, ať už na odprodej nebo na odpisy, což bylo žhavé téma.

V jakém roce se bavíme? Abychom to zařadili do časového rámce.
No, tyjo, 2014, myslím, že jsem šla do nákupu, a pak nějak v roce 2015?
Mhm. Skoro mi to ani nepřijde, že to tak uteklo.

Každopádně tím, že jsem se dostala k analýzám odprodejů, byl logický další krok podívat se i na účtenky, na jednotlivé položky. To už si dovedete představit, že to je obrovské množství dat. Hodně účtenek.
Jo, hodně účtenek, hodně filiálek.
A Excel má svoje limity.
Takže i když je fajn, že se vám chvíli točí kolečko, ale kafe za stolem neužijete.

Začala jsem se proto porozhlížet po nějakých způsobech, jak zpracovávat větší množství dat, což mě logicky převedlo k programování.
Když jsem si pak hledala, jak začít a naučit se to, v tu dobu Čechitas začaly expandovat do Prahy.
Měli své kanceláře v Paralelní Polis, takže když jsem tam chodila na kurz, vždycky jsem měla pocit, že jsem fakt hacker, protože to prostředí k tomu vyloženě svádí.

Nicméně, protože Čechitas začaly v Praze v roce 2016, a Čechitas vznikly v roce 2014, nabídka kurzů byla dost omezená.
Můj přístup byl, že podobně jako když se učíš přirozený jazyk, první je těžký, druhý lehčí, a tak nechceme pokračovat na další čísla.
Říkala jsem si, že programovací jazyk je vlastně taky jazyk, takže to bude podobné.
Navíc už jsem znala trochu Visual Basic.
Takže jsem se pustila do kurzu C#,

což ti s daty moc nepomohlo, ne?
No, nepomohlo. Chtěla jsem Python, ale ten v tu dobu nebyl vypsaný, a já už jsem chtěla začít a právě...

Pokud chceš, mohu pokračovat a celý text upravit do ucelenější podoby.

Jsem si říkala: „Jo, přesně, beru všechno, chci se naučit programovat, získat algoritmické myšlení, a jestli to bude C Sharp, a jestli do toho naprogramuju výtah, nebo něco jiného.“ Hele, kalkulačka byl ten projekt, co jsem naprogramovala, takže asi jako vynalej zadkolo, ale účel to splnilo.

No, takže v roce 2016 Excel přestal stačit, a tak jsem se dala na programování. Jo, dala jsem se na programování, ale jak Vára správně podotýkala, C Sharp nepatří do standardního toolkit-u data analytika. Takže jsem vyčkávala na Python. Jo, přesně, co mám studovat dál.

A vlastně po kontorlingu jsem nenaskočila do Seznamu hnedka, ale nastala tam taková kariérní pauzička, kdy jsem na rok odešla na mateřskou. Během té mateřské bych řekla, že pro spoustu žen je to zlomové období, a pro mě do určité míry taky, protože jsem si přemýšlela, co mě na tom controllingu bavilo a co jsem tam měla ráda. Zjistila jsem, že to nebyl ten controlling nemovitostí, ale spíš ta kreativní část, kdy člověk je tak trochu detektiv, noří se do dat, zjišťuje, co se tam děje, a dává dohromady nějaký výstup pro stakeholders. Tahle část se mi líbila nejvíc a chtěla jsem v ní pokračovat.

Takže jsem si doplnila ještě nějaké online kurzy, tehdy mě bavila Codeacademy a Storytelling with Data. Tuhle techniku bych řekla, že...

Úplně skvělá do začátku, aby se člověk naučil něco o vizualizacích, protože ano, můžeš udělat sebelepší analýzu, ale když ji pak nedokážeš prezentovat, je to k ničemu.

No, a s touto výbavou jsem se směle přihlásila do Seznamu, který se mi hrozně líbil tím, že je v Čechách technologickou špičkou, navíc sympatickou firmou. Musím říct, že i ta atmosféra tam byla skvělá, takže to byla dobrá volba.

A kam jsi do Seznamu šla? Do jakého týmu?

Jo, já jsem šla do divize vyhledávání, do týmu Michala Sedláčka. Přičemž do vyhledávání chvíli předtím znovu naskočil Tazi jako ředitel té divize a měl opravdu nádhernou vizi, že vyhledávání znovu pořádně nakopne. Myslím si, že se mu to daří, protože tam vzniklo spousta pěkných funkcí.

No a co ti vlastně přistálo na hlavě jako juniorce v Seznamu v týmu vyhledávání? Jaká byla tvoje role? Co jsi tam řešila?

Jo, přistálo na mě všechno možné, protože jsem tam byla první analytik ve vyhledávání. Kromě toho, že byl centrální tým, vyhledávání chtělo mít svůj dedikovaný reporting, nebo spíš business intelligence. Zabývala jsem se třeba vytvářením základních reportů, protože ano, byl sice nějaký základní přehled v Grafaně, ale na mě padla odpovědnost vytvořit základní přehled reportů v Tableau.

Potom jsme vyhodnocovali AB testy, případně i ad hoc analýzy, o kterých si dokážeš představit, že jsou velmi zajímavé – co lidé hledají. Z toho jsme pak navrhovali možnosti, co může produktový tým využít do...

Opravený text:

Svých feature. Mě napadá, co třeba lidé hledají na Velikonoce, ale byly tam samozřejmě i trnnější otázky, protože ve vyhledávání se hledá všechno možné. Co ti práce ve vyhledávání na Seznamu řekla o české společnosti?

O české společnosti ti to řekne hodně, protože lidi se vyhledávání opravdu nebojí. Považují ho, řekla bych, za něco, co není důvod skrývat – ať už mají anonymní režim, nebo ne, upřímně si řeknou, že je to jedno, protože ten dotaz se stejně dostane do vyhledávače. Takže se toho nebojí a ptají se vyhledávače opravdu upřímně.

Jednou jsem dělala takovou vizualizaci, která je i veřejně dostupná na Tableau Public a pak se objevila i na blogu Seznamu, takže si ji můžete klidně dohledat. Vybrala jsem tam za poslední rok všechny dotazy, které začínají tázacími zájmeny – to znamená všechny dotazy proč, co, kdy, jak. A teď je to opravdu neskutečné.

Třeba u „proč“ byl nejčastější dotaz „proč nefunguje červené tlačítko“. To mě hodně pobavilo. A co „kdy“? Tipnete si, jaký byl nejčastější dotaz na „kdy“? Bylo to „kdy umřou“ – to tam jistě bylo taky – ale nejčastější bylo „kdy je Den matek“. To je hezké, čekala jsem něco morbidnějšího. Je to hezké, ale víš, co je na tom trochu smutné? Že se to hledá i v týdnu po dni matek. Takže vyhledávejte včas.

Na homepage pak například přibyla feature, která ukazuje aktuálně vyhledávané dotazy, například „dnes je Den matek“, „dnes má svátek …“ Není to tak daleko od pravdy. Homepage tedy skutečně reflektuje aktuální nejhledanější dotazy. Pokud ji budete sledovat, myslím, že dotaz „kdy je Den matek“ se tam v termínu začne objevovat, protože všude kolem vidíš srdíčka, kytičky a podobně.

Pro mě je to vlastně „reality check“ vždycky, když vidím ty nejvyhledávanější výrazy – dozvím se, jaké máme nové celebrity, jaké jsou nové reality show a tak dál. Nejvíc vyhledávaný výraz je PDF.

PDF? Jo, třeba „how to convert to PDF“. To je dobrý! Já už jsem třeba konvertovala z PowerPointu.

No, takže jak to pokračovalo v Seznamu?

V Seznamu to pokračovalo, řekla bych, dobře. Dala jsem si druhou kariérní pauzu, vlastně nepauzu, protože se mi narodil druhý syn, ale práce byla natolik flexibilní, že mi Michal umožnil z toho nevypadnout. Měla jsem snížený úvazek a dělala jsem jen menší projekty, ale tentokrát jsem na mateřskou neodešla úplně a byla jsem v kontaktu s lidmi i s technologií, což mi potom neskutečně usnadnilo návrat zpátky k vyššímu úvazku, který jsem měla předtím.

Vtipné bylo, že se to časově sešlo s covidem, kdy na home office byli úplně všichni. Když jsem se pak vrátila fyzicky do kanceláře, některým lidem přišlo, že si ani nevšimli, že jsem tam nebyla, protože nebyl klasický home office, ale takový home office plus mateřská s novou neurální sítí.

Jo, přesně tak. Krátce potom jsme byli domluvení, že protože se tým rozrůstal...

Opravený text:

Potřebovala bych někoho, kdo by ty analytiky vedl. A to Michal nabídnul mě, z čehož jsem měla tehdy hroznou radost a ujala jsem se vedení toho týmu, který se postupně rozrostl až na šest lidí a opravdu jsme pokrývali spoustu use caseů.

Jaký byl pro tebe přechod ze specialistky do manažerky?

Měla jsem z toho respekt, protože vím, že se často říká, že nemusíš být dobrý manažer, když jsi dobrý specialista. A z toho jsem právě měla respekt v tom smyslu, že nechci, aby to byl můj případ. Moje strategie je proto vždycky stejná – přehnat přípravu. To jste ostatně už viděli. Kromě toho, že jsem si načetla i nějaké knížky, přihlásila jsem se i do jednoho leadership kurzu a měla jsem tehdy mentorku, Katarínu Kořínkovou.

Řekla bych, že mentoring sám o sobě je hrozně přínosný, protože se můžeš pobavit s lidmi z praxe v prostředí one-to-one, kde máš prostor zeptat se na všechno, co tě zajímá. Nejpřínosnější pro mě byla myšlenka, ať jsem autentická a nijak si na nic nehraju. Když říkám vtípky, tak ať klidně říkám vtípky i jako manažerka, protože to vlastně ničemu nevadí.

Dalším zdrojem inspirace je můj manžel, který nastupoval na manažerskou pozici dřív než já. Mně se vždycky hrozně líbilo, jaký k lidem měl hezký vztah, že mu na nich opravdu záleželo. Z toho jsem si odnesla, že lidé jsou primární – i když je to asi klišé, když jsou lidé spokojení v týmu, odrazí se to i na výsledcích. Bez lidí to neuděláš, a na tom si snažím zakládat pořád.

Jak dlouho jsi tedy strávila v Seznamu?

Celkem to bylo krásných pět a půl roku, což je docela dlouhá doba. Potom jsem si říkala, že bych ráda zkusila projekty z širšího portfolia, protože vyhledávání je přece jen primárně webová analytika. I když jsme zpracovávali i data ze S-Clicku, reklamy, revenue a tak, lákalo mě vyzkoušet si projekty napříč firmou.

A tu možnost jsem našla ve Fortuně, v Fiji, kde teď s týmem můžeme spolupracovat od risk týmu přes praní špinavých peněz, responsible gaming, marketing, produkt – prostě celou šířku firmy. Na všechno máme data, ke kterým si můžeme sáhnout, a můžeme s nimi spolupracovat, respektive analyzovat je.

Navíc mě lákal i mezinárodní aspekt. Přestupem do Fortuny jsem se vrátila k tomu, co mě bavilo už na střední – mezinárodní vztahy. Ač většina lidí má asi Fortunu spojenou s Českou republikou, protože je to česká firma založená Michalem Horáčkem, realita je taková, že Fortuna působí na pěti trzích a šestá země, kde máme business intelligence oddělení, je Indie.

To je vysvětlení, proč jsi ve Fortuna Entertainment Group – proto říkáme ten celý název, protože to není jenom česká firma.

Evalujeme tvoji pozici jenom tady u Fortuny. Na jakých trzích vlastně působíte? Co všechno to obnáší? Fortuna je v Čechách, na Slovensku, v Polsku,

v Chorvatsku pak pod značkou Pjeskej a v Rumunsku pod dvěma značkami – Fortuna a Kasa. Takže pět zemí.

Jak vypadá tým? Už jsi zmínila, že škála problémů, věcí a projektů je velmi široká, mluvila jsi také o Indii, o které se rádi zastavíme. Jak k tomu došlo? Je to specifické a myslím, že co jsme probírali, tak dokážeš narušit klasický narativ outsourcinkových center.

Takže jak tým vypadá? Kolik vás je? Jak to funguje? Jakou roli v tom máš ty?

Celé BI má kolem 40 lidí a je složené ze čtyř týmů, přičemž všechny jsou v Indii, včetně mého šéfa a vůdce BI. Já vedu na dálku jeden z těch týmů, který se skládá z analytiků a datových vědců. Nebo celkově se tomu říká data insights – snažíme se z dat vytěžit něco, co bude přínosné a použitelné pro byznys.

Řekla bych, že máme tři hlavní proudy práce. První jsou modely a segmentace. Nemáme nějaké speciální kanóny, ale například klasický black-box model s XGBoostem je jeden z příkladů. Také ARFM segmentaci pravidelně vylepšujeme a tuníme. Dále tam máme track fast insights, což jsou adhoc analýzy – byznys právě potřebuje zhodnotit třeba nějakou probíhající akci, dostat rychlý tip na optimalizaci. A nakonec deep dives – strategické, dlouhodobější analýzy na vybraná témata. Například nedávno jsme měli hezký deep dive na téma mobilních notifikací v e-gamingu.

Na čem to celé běží? Jaká je infrastruktura?

Máme to postavené v Azure, všechna data jsou v cloudu. Postupně to migrujeme do Data Lakeu na Databricks, kde už nyní běží všechny naše strojové modely, přičemž tam přesouváme i analýzy. Analytici primárně používají kombinaci SQL, Python a Power BI, ale na vybrané analýzy už se využívají Databricks notebooky, tedy PySpark a Python.

Jak to vlastně vzniklo? Bylo to nějaké optimalizační rozhodnutí mít tým právě v Indii, nebo něco jiného?

Toho rozhodnutí jsem se neúčastnila, přišla jsem už k etablovanému BI v Indii. Vzniklo to tak, že když se stavěl Data Warehouse, najala se indická startupová firma a spolupráce se postupně prohlubovala, až se z ní stala přirozená součást Fortuny – Fortuna firmu zakvírovala –, a od té doby tam BI existuje už asi 7-8 let, není to krátká historie.

Tak pojďme k tvému každodennímu fungování. Jak vedeš tým devíti lidí v Indii, když jsi jediná v Praze?

Tady je opravený text:

Já jsem jediná, to znamená část, primárně je to o tom vést ten tým a doručovat projekty, pomáhat s analýzami. Na druhou stranu funguji i neformálně jako taková spojka do Indie, že i když se to třeba týká nějakého jiného týmu, tak se stává, že lidi z české skupiny jdou za mnou a já potom to zprostředkovávám, zjistím, jaká je situace, a pomůžu, aby ten průběh byl hladký. Protože přece jen je tam nějaká kulturní bariéra, časový posun a je to remote, snažím se zabránit tomu, aby se věci ztrácely v překladu.

A ty máš ty mezinárodní vztahy, že jo?
Přesně, tak si zajišťuješ mezinárodní vztahy.
Jo, vidíš. Indie – Praha.
Jo, teď Indie – Praha, ale na jednu stranu je to možná úsměvné, ale to, že jsem studovala česko-německé studie, myslím, že mi to pomohlo i na česko-indické vztahy, protože ty principy mezinárodní spolupráce…

Neříkám, že jsou stejné, ale nějaké shodné principy tam jsou. Minimálně uvědomění si, že nějaké kulturní rozdíly můžou existovat a jak k tomu přistoupit. Mně osobně v tomhle pomáhá si něco nastudovat, přečíst si o tom, a nejradši mám knížku Culture Map od Erin Meyer, která popisuje sedm plus jednu kulturní škálu. Sice se přímo na Indii nevztahuje, ale při čtení si člověk uvědomí, kde se rozdíly mohou dít, a když se ti pak stane něco, kdy si říkáš „sakra, jak je to možné,“ tak si to můžeš zasadit do nějakého kontextu, což celkem pomáhá.

Třeba jedna z typických věcí pro Indii je, že je to hodně vztahově orientovaná kultura. Pro ně, pokud chceš mít důvěru v to, že někdo udělá pracovní úkol, potřebuješ s ním navázat vztah i mimo pracovní prostředí. To znamená, že pro ně je teambuilding ještě důležitější než tady u nás. Měla jsem proto obrovskou radost, když jsem za nimi mohla vyrazit a mohli jsme společně zajít na bowling, na kriket, na večeři. To bylo fajn a myslím, že se to velmi pozitivně odrazilo na naší schopnosti spolupracovat dál na dálku.

Co se týče časového posunu, tak třeba ty ad-hoc analýzy, které děláme, jsou většinou rychlé insighty, a oni to často chtějí „už včera“. Ale je tam dobrý pracovní posun. Oni jsou na „předě“ dne – když my jdeme domů, oni právě začínají, takže ráno už máš hotovo. Pravda je, že mají náskok, takže teoreticky mohou něco zpracovat ráno, zatímco my ještě spíme, ale realita je spíš taková, že jsou docela flexibilní a časově se přizpůsobují nám.

Teď v létě je časový rozdíl tři a půl hodiny, ale protože Oni nestřídají zimní a letní čas, v zimě to bude čtyři a půl hodiny, což už je citelný rozdíl. Nicméně oni většinou začínají pracovat kolem 10–11 hodin dopoledne, tedy chvíli před námi, a končí také poměrně později. Má to i praktický důvod – v Hyderabad je strašné vedro, protože je to v jižní Indii, takže v létě…

Pokud chceš, mohu text ještě dále upravit či zkrátit.

Tak je tam nějakých 45 stupňů v tom extrému. V zimě je to naše léto, tak nějak těch 25. Večer, když pak jdou domů později, už mají celkem chladno. Přes dopoledne tak trávíš čas v klimatizaci, a proto to tolik nevadí. Manažersky, potom co jsme se asi potkávali v kanceláři, po covidu lidi ještě oceňovali kanceláře. Tady jste na plný remote, což znamená něco jako víc asynchronní komunikace, nebo naopak, abyste to utužili, máte o to víc schůzek a jsou o to osobnější?

Máme i víc schůzek, ale já jsem svůj tým měla rozdělený mezi Prahu a Brno. Vím, že to není Hyderabad, ale ne, není to Hyderabad. Takže nějakou praxi s tím, jak fungovat remote nebo jak to zvládnout, když máš tým rozsetý na víc místech, jsem měla. Nebylo to tedy úplně nové, ale samozřejmě jiná kultura, časový posun a takhle všechno hraje roli. V čem je to jiné? Máme víc schůzek, takže velmi často trávím hodiny před monitorem a jsem zavřená někde v zasedací místnosti, abych ostatní lidi nerušila. Jiný je to i v tom, že tím, že je to vztahová kultura a zároveň chceš lidi poznat, nechceš, aby to bylo jako „džíra od džíry“, tak si celkem pravidelně povídáme i na různá jiná témata – co je tam za svátek, jak slavili, co dělali o víkendu, prostě klasický small talk, ale s mnohem hlubším významem. Není to čistě povrchní záležitost, jde o budování důvěry. Pro mě je to přirozené, protože i já takhle lépe pracuji. Samozřejmě používáme asynchronní komunikaci přes Teamsy. Snažím se jim zprávy neposílat úplně v noci, využívám funkci „skage“, aby to neměli v půl noci.

A teď k práci s indickými kolegy. Co ti práce s nimi řekla o stereotypu indického vývojáře a jaké jsou jejich technologické stacky? Když bys byla ve firmě a hledala dodavatele, Indie je velká, musíš vybírat, ale jsou tam stejně kvalitní lidé? Není to hodnocení mého týmu, spíš jde o to, že máme nějaké předsudky a stereotypy a ty poslední dva roky, rok a půl je žiji. V Indii najdeš vývojáře úplně na všechno, protože je tam přes miliardu lidí, a když tam zadáš inzerát, během relativně krátké doby dostaneš stovky životopisů. Věřím, že HR má pak hodně práce s tím, aby vybrali ty, které chtějí pozvat dál a testovat. Co mě překvapilo, je, že výběr v Indii je mnohem tvrdší, pokud jde o technologické znalosti. Máš tam fakt tvrdé testy na SQL a Python, třeba hodinu tě tam „mordují“. Není to jako vypracovat test doma v klidu, ale fakt tě tam „grillují“ na všem možném. A co se týká stereotypů – stejně jako máš v Česku průměrné vývojáře, tak je najdeš i v Indii, včetně podprůměrných. Musíš opravdu dobře udělat selekci. Výběrko musí být...

(Případně můžeš doplnit nebo rozvést poslední větu.)

Jistě, tady je opravený text:

Je to opravdu hodně zevrubné, což bych řekla, že u nás je. A potom to dobře řídit s ohledem na kulturní rozdíly. Jo, potom si dát pozor, aby byl dobrým šéfem v tom smyslu, jakého oni očekávají. Jako ano, promítám do toho sebe. Myslím si, že i pro ně je to trochu kulturní změna tím, že předtím měli manažera v Indii. Ale myslím si, že nám to celkem dobře funguje, i když by to nejlíp posoudili oni. Ale dobrý šéf u nich je třeba v určitých aspektech odlišný. Třeba bych řekla, že se tam mnohem více projevuje nějaká hierarchie, která je tam mnohem zřetelnější než u nás v Čechách. Zatímco v Čechách už směřujeme spíš k tomu pólu, obzvlášť v nějakých startupovějších kulturách, nebo i tady v Seznamu, kdy je šéf jako jeden z týmu a nijak extra nevybočuje. Spíš je to takový facilitátor meetingů a projektů, aby se to hýbalo. Takže v Indii jsi prostě šéf. Tam je to vyloženě znát, je to nějaký status, určitá prestiž. A kdybych pokračovala úplně stejným stylem jako tady na Seznamu, tak si nemyslím, že by to úplně fungovalo. A oni mi to často dávají najevo – velmi často slyším věty jako „Teresa je Teresa, please advise on the next steps" a takové věty, které si myslím, že by v Čechách třeba až tak často nepadaly. Na druhou stranu, když se tomu tady přizpůsobíš, tak si myslím, že to může velmi dobře fungovat i na dálku.

Tak super, díky moc za kulturní okýnko. Asi se dostáváme k takovému obligátnímu tématu, a to je AI. Jestli to řešíte, jak a jestli to řešíte ve Fortuně taky.

Ježiš, víš, že to řešíme. Já bych řekla, že se v tomhle týmu opravdu snažím podporovat, aby AI využívali co nejvíc, protože i sama na sobě vidím, jak mi to hodně pomohlo zrychlit třeba programování – ať už pracovních projektů, nebo i menších vedlejších pet projektů. A velmi ráda toto nadšení posouvám dál, takže se jich pravidelně ptám, jestli na analýzu použili AI, jak ho použili, a ještě je podporuji, aby to sdíleli v něčem, čemu říkáme Big Sync. To je prostě jednou týdně úterý, kdy se sejdeme všichni – kompletně nás je deset – a tam je super prostor, aby si navzájem sdíleli, kdo co jak použil.

Teď mám dva zážitky z poslední doby, kdy AI fakt pomohlo. Jak jsem už zmiňovala, přecházíme do Databricks a vyskytla se jedna analýza, která byla natolik náročná na objem dat, že bylo potřeba ji zpracovat tam. Analytička předtím znala SQL, Python, ale PySpark neznala. A jak jsem říkala, tohle je příležitost, na které se to naučíš. Druhý den jsem se ptala, jak to jde, a ona říká: „Hele, úplně boží, v Databricks mají AI asistenty, napíšu to tam, oni mi to přeloží do PySparku a ještě mi to dovysvětlují, když se zeptám.“ Takže to velmi pomohlo hladkému přechodu na PySpark. Doufám, že u ostatních analytiků to bude podobné, ale vzhledem k tomu, jak to popisovala, jsem v tom velmi optimistická.

No a druhé využití, kromě toho klasického, t... [text končí].

Pokud chceš, mohu pomoci i s doplněním či pokračováním textu.

Opravený text:

Používají to všichni na kódění, protože všichni ve Fortuně máme přístup k OpenAI modelům skrz vlastní implementaci. Nedávno jsme tam měli jeden hezký use case, kdy Anudip vytvořil code reviewera.

Vlastně to vzniklo z potřeby někoho – nebo spíš něčeho – co by nám dělalo code review, ale ne jako klasické kontroly chyb, které ti automaticky označí červeně. To jako nepotřebuješ. Potřebuješ něco, co ti zkontroluje logiku kódu a zjistí, jestli tam nemáš nějakou chybu. Protože se stalo, a je to pravdivý příběh, že v jedné analýze, kde byl výstup nějakých segmentů, se ze vstupní hodnoty počítal logaritmus, ale v následujících krocích se na to zapomnělo a neprovedlo se odlogaritmování. Výstup pak obsahoval segmenty, které tím pádem nebyly správné, protože se to tam ztratilo.

Tuhle chybu jsme chtěli podchytit, a proto máme poměrně velmi dobře vyladěný prompt, který kontroluje flow a logiku kódu a upozorňuje na potenciální nebezpečí – zároveň i s tipy, jak na to přijít.

Další level, který má nyní Anudip promakaný, je, že to z Databricksu rovnou bude komunikovat s GitHub repozitářem, takže nebudeme muset kód kopírovat a vkládat do rozhraní, ale kontroly proběhnou automaticky. Na tuhle část se opravdu těším.

Kromě toho tam máme také pipeline věci, jako třeba, že to bude psát dokumentaci za nás, protože kdo rád píše dokumentaci? Doplní to komentáře do kódu, protože po týdnu už samozřejmě nevíš, co jsi tím řádkem vlastně chtěl říct. A ještě spoustu dalších funkcí.

Za mě je to strašně užitečná věc a to v mnoha aspektech data analytiky. Určitě to i snižuje bariéry vstupu do oblasti data analytiky, protože máme takovou studnici vědomostí, hlavně v kódění.

Určitě se to promítlo i do tvého vzdělávání a tvé další aktivity, kterou je právě lektorování.

Jo, tam se to promítlo určitě, protože pro ČekýTAS mám v rámci Digitální akademie kurz „AI pro datovou analytiku“. Myslím, že to holkám může opravdu výrazně pomoct jako vstup do oboru. Mohou se velmi rychle posunout z juniorních pozic na seniornější a být plnohodnotnými členkami týmů, aniž by musely umět třeba C#.

Samozřejmě C# je dobrý základ a nikomu to nebudu vymlouvat, navíc s Čekem to zvládneš za večer. Ale kurz se nezaměřuje na to, jak dobře kódovat v C# nebo jak se to rychle naučit, ale spíš jim poskytuje ucelenou představu, kde všude může AI při práci analytika pomoci a na co si dát pozor.

Řekla bych, že kurz je nastavený tak, aby od něj neodcházely s pocitem, že analytici nemají budoucnost a AI jim vezme práci, ale naopak jim ukazuje AI jako příležitost, jak se do oboru dostat rychleji a být v něm fakt dobří.

Protože co jim tam vlastně ukazuju, je především to, co dělám v práci. Kromě kurzů, které učím, mám tam i storytelling, ale obecná moje zásada je učit to, co sama v praxi používám.

Ano, učebnice a tak jsou hezké, ale k... (text končí nedokončený).

Jasně, tady je opravený a stylisticky upravený text:

Když například u toho storytellingu „umyješ tvář“ tím, že se ti nepovede graf a vezmeš si z toho ponaučení, je to mnohem cennější, než kdybys si třikrát přečetl stránku s radou, že nadpis má být dobře popisný. Ale to jsem trochu odbočila k tomu druhému kurzu.

Co učím v tomto kurzu je, že si na praktickém příkladu vyzkoušíme analýzu, kterou normálně uděláš během asi 20 minut pomocí AI. Bez ní by ti to zabralo třeba 3–4 hodiny. Zároveň si ukazujeme, na co si dát pozor – protože někdy AI hodí správný výsledek na první dobrou, ale většinou tam bude nějakých chyb. AI také často špatně interpretuje otázky, proto je potřeba si někdy udělat backcheck, tj. reformulovat otázku nebo se zeptat na dodatečnou věc, jako bys dělal jednotkové testy (unit testy) sám sobě.

Proto projdeme prakticky tuto část a navíc ukazuju další nástroje, které si mohou pro svou práci využít. Pokud budou kódovat pravidelně, tak kopírování kódu z chatu je dost nepraktické, proto máme ukázky GitHub Copilota. Nebo pokud chtějí poměrně low-costovou variantu, do Jupyter notebooků můžou nainstalovat Jupyter AI Magix. A Deepnote notebooky mají již integrované AI. Zkrátka procházíme všechny možné varianty, jak si práci ulehčit nebo jak pomocí AI pokračovat ve vlastním vzdělávání bez živého lektora.

Ty jsi řekla, že se nebojíš, že by analytici přišli o práci, protože AI je nenahradí. Jak si tedy myslíš, že bude za rok vypadat práce tvého týmu? Co odejde a co naopak přibude díky Gen AI pipeline?

Řekla bych, že se mnohem víc budeme zaměřovat na to, jak správně uchopit problém. To děláme už teď, ale díky AI máme usnadněnou kódovací část a tak můžeme věnovat víc času stakeholderům. Už teď se setkávám s tím, že týmy často pracují tak, že dostanou Jira tiket, udělají ho a předají výstup. Já ale kladu důraz na to, že projdeme zadání detailně a ideálně se stakeholderem ještě popovídáme. Pokud v tiketu chybí motivace nebo cíl, probereme to. Stejně tak výstup by neměl být jen suchý report s KPI nebo grafem, ale měl by být doplněný komentářem nebo diskuzí.

Budoucnost analytiků podle mě znamená větší lidský kontakt, zpřístupnění analytiky byznysu a navázání vztahů, aby to nebyl často viděný technický svět na jedné straně a byznysový svět na druhé straně, ale aby to fungovalo společně.

Pokud chceš, můžu ještě víc zatraktivnit nebo zjednodušit styl. Dej vědět!

Zde je opravený text:

Dle mého názoru je potřeba více propojovat jednotlivé oblasti. Tím vlastně směřuji k tomu, že stále větší roli hraje kontext, a ten se musí dostat i do Indie. Naštěstí máme různé online business kurzy, které popisují produkt a vysvětlují, jak funguje. Já se snažím zprostředkovat, co se aktuálně v byznysu děje, nebo například co se děje v České republice. Například nedávné povodně je potřeba také vzít v úvahu, aby si lidé uvědomili, co se děje tady, nebo že prezidentské volby byly obrovským tématem a nejsou jen dalším řádkem v nějaké databázi, ale celospolečenskou záležitostí.

Myslím si, že výhodu v tomto kontextu mají analytici, kteří přicházejí z různých oborů – třeba lidé, jejichž primárním oborem byl marketing, a kteří si nyní uvědomují, že svět je čím dál tím víc data-driven, a že i pro marketing potřebují data a snaží se do analýzy dat proniknout. Myslím, že AI jim v tom může výrazně pomoci, ať už po absolvování rekvalifikace, například přes Check Itas nebo jiné kurzy zaměřené na datovou analytiku. To jim může pomoci i v jejich současné práci.

AI bych ještě trochu rozvedla. To, co jsem vám doposud popisovala, je AI jako pomocník analytika. Ale když jsem hovořila s lidmi na téma AI v datové analýze, rychle jsem zjistila, že já mluvím o něčem jiném, než co oni chápou pod AI pro business intelligence (B.I.). Když jsem pak psala článek pro Tzafinews, pro Českou asociaci pro finanční řízení, rozdělila jsem si AI v datové analýze do pěti základních segmentů, které ukazují, jak všude lze AI využít.

Kde všude se dá AI využít? Jako analytik si pomyslíte, že AI může usnadnit nebo zefektivnit vaši práci. Druhý případ je, pokud analytik nejste, ale analytiku potřebujete – protože svět je stále více data-driven a bez čísel jste prakticky slepí – pak AI může fungovat jako náhrada analytika. Vzniká spousta softwaru, kde si analytiku můžete „odbavit“ snadno a nemusíte chodit nikam daleko – stačí mít třeba ChatGPT a jeho pokročilou analýzu dat. Tam si do značné míry můžete svůj analytický proces zjednodušit.

Navíc spousta nástrojů si vyvíjí speciální funkce, které umožňují například v MicroStrategy během několika kliknutí vytvořit bota nad vlastní databází, který funguje podobně jako chat a přirozeným jazykem můžete klást otázky typu: „Kdo jsou naši top odběratelé?“ nebo „Jaké jsou tři nejprodávanější výrobky?“ Myslím, že to významně posune self-service BI, což byl dříve významný buzzword, který se však stále neuchytil tak, jak by analytici chtěli. Díky přirozenému jazyku a AI si myslím, že se tato bariéra značně sníží – není to už jen o tom, že dostanete nějaký nástroj a musíte se proklikávat desítkami filtrů. Ano, i to je self-service, ale uživatelský zážitek, na kterém hodně záleží, je teď díky AI úplně jiný.

Pokud budete chtít, mohu text ještě více upravit, například formálnější či naopak hovorovější.

Tak je úplně někde jinde. Takže AI jako náhrada analytika měly podle mě výrazně nakopnout no-code nástroje. Dřív samozřejmě všechny tyto možnosti existovaly, ale generativní umělá inteligence je teď činí mnohem dostupnějšími a hlavně se dostaly do širšího povědomí, takže je o ně mnohem větší zájem.

Třeba Name Analytics Platform je jedním ze zástupců no-code přístupu. Člověk nemusí být programátor, stačí si tam naklikat nějaké nody a transformace dat probíhá víceméně automaticky, velmi podobně jako při komunikaci s chatbotem. I když prostředí nemusí být úplně uživatelsky přívětivé, generativní umělá inteligence to usnadňuje tím, že je tam integrovaný pomocník, který uživatele provede celým procesem. Něco jako byla kdysi sponka ve Wordu – až na to, že toto je mnohem užitečnější. Sponka ve Wordu, doufám, že se ještě vrátí a bude mít AI podobu.

No dobře, to je teď její role – podle mě výrazný brand asset. Divím se, že to AI úplně nevyužilo třeba ve formě té sponky.

Takže no-code platformy, kde nemusíš ani umět SQL, kde je všechno drag and drop a po konfiguraci to funguje samostatně. Ale to nebude pro analytiky, kteří už SQL ovládají, těm to podle mě příliš význam nepřinese. Tento přístup je spíše pro ty, kteří programovat nechtějí a preferují jednodušší naklikání. A vlastně to SQL do značné míry opravdu může nahradit.

Další skupinou nástrojů jsou automatizační platformy, které podle mě díky AI získaly větší pozornost. AI tam funguje velmi dobře, opět si můžeš naklikat nějaký flow, a generativní AI ti pomůže v těchto automatizačních nástrojích, jako jsou Zapier, Make nebo Power Automate. Jednou z klíčových věcí je, že některé nody jsou přímo chatovací, takže můžeš třeba vytěžit text, nebo naopak napsat e-mail na základě proměnných získaných v předchozích krocích.

Poslední segment, kde AI vidím, je machine learning. Dnes už je potřeba rozlišovat mezi generativní umělou inteligencí a klasickým machine learningem. Dříve, před několika lety, když někdo řekl AI, myslel se machine learning. Nyní je potřeba rozlišovat.

V této oblasti pomohl například AutoML v Databricks, kde si na pár kliknutí můžeš vygenerovat několik variant modelu a snadno je porovnávat. Stejně jako juniorní BI uživatel se dnes může stát juniorním data scientistou, tak i lidé bez větších programovacích zkušeností mají dnes nástroje, jak se machine learningem zabývat bez nutnosti psaní kódu.

Například v Naimo nebo dalších nástrojích lze modely vytvářet bez kódování. Nedoporučuji se do toho ale pouštět bez dostatečných znalostí, protože do produkčního prostředí, třeba ve Fortuně, by to asi nebylo vhodné – avšak jako nástroj pro učení a testování je to skvělé.

Opravím text a upravím ho do čitelnější podoby:

Mít vlastní menší projekty je super, minimálně si tím můžeš vyzkoušet, jak strašně moc záleží na přípravě dat, nebo aspoň znát základní rozdíly mezi algoritmy. Už to pomůže, když si to osaháš a vyzkoušíš. Nejlepší je se prostě nebát technologií a vyzkoušet si je ideálně na vlastním projektu – tím se naučíš nejvíc.

Jak se to projevuje v Gen AI a Tadlině? Jak ty to používáš? Jak se to projevuje v tvých projektech, které nejsou v globální enterprise skupině a mají díky tomu nižší bariéru vstupu, produkce, menší rozpočet a méně zodpovědnosti, takže si tam můžeš víc hrát? Něco kreativnějšího, jo.

Padá mi na mysl jeden projekt, který jsem zpracovávala ještě s týmem v rámci hihay hackathonu, který pořádala La French Tech Prague. Bylo to loni krátce před Vánocemi, období, kdy chceš pít sto cukrové, balit dárky a tak, a místo toho vyrazíš na AI hackathon. Mohli jsme si přinést jakékoliv téma, které jsme chtěli rozpracovat.

Projekt, se kterým jsem přišla, navazoval na mou dávnou brigádu v call centru, kde jsem pracovala pro Interhome, kteří pronajímají prázdninové domy. Vyzkoušela jsem si tam, jak je to docela drsné povolání – je to brutální multitasking, neskutečný stres, obzvlášť když ti volají lidé s úplně plesnivým bydlením a bez povlečení. To je hrozný stres.

Myslím si, že AI je právě oblast, která tady může pomoct. Ostatně spousta automatických asistentů na telefonu to potvrzuje. Ale ten projekt, který jsem chtěla realizovat v rámci hackathonu, směřoval trochu jinak. Nebylo to o kompletním nahrazení operátorů, protože nevím jak vy, ale občas je fakt pain se s nimi domluvit. Chceš, aby s tebou jako člověk mluvil, a ne stroj, což je pro mě taky velká frustrace, stejně jako pro mnoho dalších lidí.

Proto můj projekt necílit na jejich nahrazení, ale aby jim ulehčil práci. Byl to takový copilote, který vytěžoval ten hovor a pomáhal s vedlejšími úkoly – ne s tím, že by mluvil místo nich nebo uklidňoval zákazníka, ale že ti za tebe třeba vyplní formulář, který stejně musíš naklikat u hovoru a který odvádí pozornost od té hlavní činnosti, tedy komunikace s člověkem.

Do týmu ke mně se připojily další čtyři holky, přičemž jedna z nich pracovala také v call centru, které řešilo ztrátu zavazadel při letech – další velmi zajímavý use case.

Fungovalo to tak, že jsme měli na práci dva dny, takže jsme nemohli vytvořit žádnou raketu, ale oproti realitě se hovor už tak jako tak nahrává. Takže jsme nahráli rozhovor a okamžitě ho poslali do AssemblyAI, který je schopný rozlišit dva lidi...

Pokud chceš, mohu pokračovat s opravou další části textu nebo pomoci s nějakou konkrétní úpravou.

Jasně, tady je opravený text:

Dí, to znamená toho operátora a toho zákazníka. Vytěžili jsme z toho veškeré popisné informace o zavazadle – jakou barvu má kufr, jak je velký, jestli je na něm něco speciálního. Velmi častý dotaz od lidí je například: „Chci si koupit ponožky, jak to mám potom s vámi proúčtovat?“ Na základě těchto dotazů jsme pak rovnou automaticky vytvářeli e-mail, který operátor rychle zkontroloval, odkliknul a odeslal. To byl například takový pet projekt.

Musím zmínit ještě jednu věc, co bylo unikátní na tomto hackathonu. Mohli se ho účastnit různí lidé, ale bylo to cílené na ženy, aby začaly víc používat tyto technologie. Jedna z mých členek týmu, Marcela, do technologií vklouzla takovým způsobem, že jsem byla opravdu překvapená – přestože jí bylo 74 let, byla velmi platným členem týmu. Dokonce nám navrhla název projektu, který jsem pojmenovala Kaliope. Na začátku tam byl ještě pán s kolem, ale Marcela vytvořila logo a pomáhala s prezentací. Vše zvládala velmi plynule, dobře znala chat Gemini a celkově se velmi dobře orientovala. Chci tím říct, že můžete začít opravdu v jakémkoliv věku a kurzů je na výběr spousta.

Moje poslední otázka na závěr, když tady vyjmenováváš, co všechno jsi se naučila, přitom jsi porodila dvě děti, absolvovala kurzy Czechitas, občas chodíš na víkendové akce La French Tech, a místo pečení cukroví si stavíš chatboty a asistenty na claimy ztracených zavazadel – jak to vlastně všechno stíháš? Jak se dá skloubit práce v manažerské roli v korporátu, vzdělávání nových juniorek v oboru a ty občasné pet projekty?

Není to úplně jednoduché, to bych lhala. Teď naštěstí, když jsem byla v Londýně, tak na nástupu ještě 9 a tři čtvrtě prodávali obratce či času, a tak jsem si dovolila jeden zakoupit. Škoda, že jsem ho neměla dřív – ale to byl jen takový vtípek bokem.

To hlavní kouzlo jsou ale rodiče mého manžela, Jarda a Pavla Fukátkovi, kteří nám s kluky neskutečně pomáhají. Díky nim jsem mohla nastoupit do práce po velmi krátké době na mateřské v České republice. I teď se o kluky starají úplně neskutečně. Jarda je čerstvě v důchodu, bývalý učitel elektrotechniky – dříve měl ve třídě 30 žáků, dneska zvládá dva kluky plus dva synovce, kteří u nás často bývají, úplně s přehledem. Rozumí jim i matfyzácký kembe, což je něco, co nevím, jestli se naši kluci budou chtít taky zúčastnit. Pavla je zase pečující a rozmazlující babička, o kterou se kluci mají jako v bavlnce. Oba rodiče s nimi opravdu neskutečně pomáhají, takže jim patří můj velký dík a vděčnost za to, že se mohu věnovat všem těmto projektům i práci.

Něco, na co se teď těšíš? Co tě čeká? Na co se můžeme těšit my? Na co se můžete těšit vy?

No tak z dílny a kurzové dílny mě napadá, že už za dva týdny bude další, řekla b...

Pokud chceš, můžu pokračovat, stačí říct!

Opravím text tak, aby byl gramaticky správný a stylisticky plynulý:

...ých i verze mého AI kurzu pro datovou analytiku. A říkám „verze“, protože vývoj jde tak neskutečně rychle kupředu, že to, co jsem učila na jaře, teď už ze poloviny zahazuju a přepisuju znovu. Myslela jsem si, že už budu mít hotovo, ale vyšla další verze o čísle jedna, takže můžu kurz znovu doplnit a přidat tam ještě nějaké další tipy pro budoucí analytičky.

No a ještě jednu pozvánku možná máš na říjen. Vidíš, máš pravdu, úplně bych zapomněla. Ještě bych vás ráda pozvala na Datameš, který proběhne 21. října v Kafe v lese, kde budu tentokrát jedním z řečníků. Moc se na to těšíme.

Děkuju, že jsi takto vzpomněla. Já se taky moc těším.

Já také.

Děkujeme moc, Teresko. Držíme palce a věříme, že se tu nevidíme naposledy, že se třeba za rok zase podíváme, kam se vlastně AI v analitice i tvoje kariéra posunula.

Díky moc, že jsi tady dnes byla a mohla inspirovat ostatní.

A děkuji za pozvání, zase někdy. Ahoj!

Děkujeme, že jste doposlouchali až sem, a díky i našim partnerům a členům Data Talk klubu. Jsou jimi: Intex, Saska, Bystreet, Colors of Data, Revolt BI, GoodData, Keboola, Emark, Carl Data Company, Datamind, Notino a Flo.

A pokud chcete zůstat v obraze ohledně české datové scény i globálních datových technologií, nezapomeňte se registrovat k odběru našeho týdenního newsletteru na datatalk.cz. Nechť vás provází data.

Pokud chceš, mohu text ještě upravit víc do formálnějšího stylu nebo naopak uvolněnějšího.