Podcast

Dobrý den, moje jméno je Jirka Vicherek.
Dobrý den všem, moje jméno je Hinek Volner. A vítáme vás u dalšího dílu DataTalku.

Mám velkou radost, že se Jirkovi opět podařilo dostat do našeho studia ženu. Tentokrát naše pozvání přijala Lucie Bezlarová.
Ahoj, Lucie.
Ahoj, ahoj.

Já vás zdravím, Jirko a Hinku.

Lucie dnes působí jako senior data scientist v Notínu. My v tomto podcastu ale projdeme celou její kariérní dráhu, protože celý život pracuje s daty a byla u spousty zajímavých projektů ve spoustě zajímavých firem. A také se jí podařil velmi neobvyklý kariérní přechod z nějakého top managementu a manažerského tracku. Dnes je vlastně individual contributor a chybělo jí programování a hluboká práce.

To pro nás bude super zajímavé, protože ten postup a životní dráha nemusí vést jenom směrem, kdy má člověk čím dál více lidí pod sebou a větší manažerskou zodpovědnost.

Abychom začali ale úplně na začátku, co tě vlastně vedlo k datům? Co bylo to první?

Já jsem studovala MatFIS a na MatFISu jsem studovala matematiku. Tehdy matematika, informatika a data science vůbec neexistovaly jako obory. Studovala jsem tedy matematiku a během celého vysokoškolského studia jsem se ani nedotkla počítače. Dala jsem si to jako takovou výzvu – samozřejmě to bylo možné, ale rozhodně k tomu studiu teoretické matematiky to nebylo potřeba.

Vystudovala jsem pravděpodobnost a statistiku, konkrétně pojistnou matematiku. Potom jsem se začala zajímat o pracovní příležitosti – bylo to v Brně. Tehdy ta místa byla vlastně jenom analytická a tam jsem zjistila, že je potřeba znát SQL, že je potřeba všechno dělat v Excelu. V té době se Excel používal na všechno včetně reportingu. Natahovaly se do něj velké objemy dat, pak se třeba programovalo v VBA nějaké modely a bylo potřeba, aby když člověk pošle manažerovi report, tak to byl velký Excelový soubor, který něco dělá a má tam nějaká tlačítka.

Já se chtěla zeptat, o jaké práci se bavíme, a druhá otázka je možná trochu odkopnutí VBA.

Výborně, to je programovací jazyk, kterým do Excelu vložíš kód. Těmi tlačítky pak něco ovládáš a my jsme tam měli opravdu napsané různé modely. V jedné ze svých pozic jsem dělala například předpovídací model na kreditní karty – kolik se na nich vyčerpá v budoucnu. Firma, pro kterou jsem pracovala, tehdy Home Credit, tak věděla, kolik má mít peněz na to, aby lidé mohli čerpat své kreditní karty.

A to jste tehdy dělali v Excelu? Ano.

V jakém roce?

To si nepamatuji a stejně bych vám to neřekla.

Nebudeme do toho šťourat, tedy Home Credit, jedna z prvních štací v Excelu, kreditní karty a nějaké predikce.

Už byly tehdy predikce, ano. Je pravda, že predikční téma mě drží dodnes, protože je to strašně zajímavé – každý chce vědět, co se stane, každý chce nějaké věštění z křišťálové koule, takže u toho vždycky skončím.

Jak vypadala práce analytika v té době? Zmínila jsi, že každý chce věštit z křišťálové koule. Bylo to pořád stejné – business něco chce, neví přesně co, analytici musí něco dát dohromady, bylo to vždy takhle?

Ano, je to pořád stejné, protože business má často poměrně jasné potřeby. Samozřejmě se musí nějak nastavit a chce vědět jednak, co se dá očekávat v budoucnu s určitými vstupy, a potom jsou tam otázky jako: co se stane, když uděláme tohle, co se stane, když uděláme tamto. A to se pořád opakuje.

Akorát ty byznysy jsou různé, takže v každém byznysu jsou jiné pojmy, jiné základní mechanismy, jak se veličiny navzájem ovlivňují. Ale hlavní je umět pomoci byznysu.

Tehdy jsi byla čistě individual contributor, samostatná datová analytička v nějakém oddělení. Asi rok. A opakovaně se ti stávalo, že když jsi přišla do nějaké firmy, díky svému přístupu a otázkám, které jsi kladla, tak jsi většinou dostala na starost třeba lidi nebo nějaký projektík. Protože každý byznys potřebuje lidi, kteří ho rozvíjejí. Nikdo nechce jen zadávat detailní úkoly, ale pokud někdo projeví ochotu zajímat se a komunikovat, přirozeně mu rostou zodpovědnosti. Myslím, že je to velmi dostupné a zdravé.

Takže jsi rostla v kariérním žebříčku. Pak jsi změnila firmu za jinou, pojišťovnu – jiný finanční svět.

Ještě jsem měla zajímavý odskok od dat. V Home Creditu jsem dokonce čtyři roky pracovala jako ředitelka právního vymáhání, což byla velká zkušenost. V něčem to bylo skvělé a v něčem jsem se hodně poučila. Byla to zkušenost s řízením lidí, ale strašně ráda jsem se potom vrátila k datům a pracovala pro pojišťovnu Direct. Tam jsem znovu dělala reporting, pracovala s Excelem, databázemi, vytvářel se tam reportingový systém a podobně.

Tam jsi už byla na manažerské pozici, nabírala lidi pod sebe a byla lídrem?

Tam jsem nastoupila jako specialista. Poté, protože se ukázalo, že informace z dat jsou zajímavé, rozhodli manažeři nabrat další lidi a dali mi to na starost. Měla jsem tam dva skvělé lidi. To tak bývá, když se něco osvědčí a když z dat vznikají výsledky, je poptávka po větším týmu.

Potom přišel zlom – tvoje působení v Kiwi.com. Já jsem tě tam poprvé zaznamenal jako Head of Data Analytics. Tam si zlomila leadershipovou roli, kterou jsi chtěla dělat, a přesvědčili tě, abys vedla oddělení.

Ano, tam jsem nastoupila už do manažerské role, protože tehdy bylo pět analytiků a hledal se někdo, kdo by je vedl, buď zevnitř nebo zvenku. A tím se stala já.

Můžeme přičíst rok?

To bylo v roce 2017.

Začátek 2017.

V té době Kiwi obrovsky rostlo a mělo velmi silnou podporu pro data, protože firma si vždy zakládala na technologiích a chtěla rozhodovat racionálně. Tedy požadavků a poptávek po analýzách bylo hodně a analytický tým hodně rostl. Z původních několika analytiků jsme se dostali na několik týmů.

Byla potřeba dvoustupňová struktura, finálně jsme měli šest analytických týmů. Já jsem byla v Kiwi tři roky a když jsem odcházela, analytiků bylo čtyřicet. To už bylo příliš mnoho na jeden tým, a tak se oddělení rozdělilo podle byznysových částí. Každá část, například zákaznická podpora, měla svůj analytický tým.

To je nekonečná diskuze – když jsou analytici pohromadě, podporují se a vzdělávají společně, ale byznys chce odpovědi na denní bázi a je jednodušší, když analytik sedí přímo u nich. Takto to má plusy i minusy. Když jsou analytici rozdělení, mají méně kontaktů s ostatními a méně příležitostí se rozvíjet.

Máte zkušenosti s různými strukturami – guildy, tribi, paprskovité organizace a podobně – ale téma centralizace versus decentralizace je věčné a záleží na kontextu.

Co konkrétně jsi v letech 2017 až 2020 řešila, jaké priority a velké projekty?

Bylo tam několik velkých témat: finanční oblast, tedy výnosovost; dále pricing – Kiwi stanovovalo ceny a potřebovalo k tomu data; velká podpora zákaznické podpory, protože Kiwi mělo spoustu zákazníků na letišti i v průběhu procesu; analyzovaly se telefonní hovory a podobně; a samozřejmě byly velmi důležité produktové analýzy, protože Kiwi byla produktová firma.

Zastavme se ještě u kultury v Kiwi. Jaký byl manažerský styl Brie Gedda v porovnání s Amazonem, Home Creditem a Directem?

Budu mluvit o své zkušenosti. Bylo to velmi vtahující, bavilo mě to neuvěřitelně. Atmosféra v Kiwi a v našem týmu byla nesmírně živá.

Ale také jsem narážela na určité problémy, se kterými se možná setká posluchač v této profesi.

Po analyticích se chtějí často odpovědi na otázky, které analytici nemohou dát. Například proč lidé nekupují naše produkty. Vysvětlovala jsem, že analytici mají velká omezení – pokud v datech nemají například důvody nákupů, nemají z čeho tyto důvody zjistit.

Velmi často jsem měla pocit, že nesplňuji očekávání, protože se od analytika očekává, že ví všechno, což prostě není možné.

Důvěru v tyto věci jsem měla, ale těžko jsem to nesla a nakonec jsem to prostě nezvládla.

Znovu se dostáváme ke zlomu – z významnějších pozic jsi řekla, že nebudeš manažerkou, ale chceš se vrátit k programování. Můžeš nám popsat své uvažování a rozhodování?

Vybrala jsem si budování týmů, protože mě to moc bavilo a naplňovalo. Jezdila jsem na koučovací školení a hodně se v tom realizovala.

Současně jsem ale začala vnímat, že mi ujíždí technologický vlak. Řídila jsem lidi, kterým jsem nemohla pomoci s technickými rozhodnutími. Ten jejich přístup se po čase projevil.

Bylo to pro mě těžké, protože já se učím tak, že se do něčeho ponořím do hloubky. Někteří lidé mají spíše povšechný přehled, který dovoluje efektivně se rozhodovat. Neznají vše do hloubky, ale znají hodně a dobře se orientují.

Můj styl je, že potřebuji mít dané podmínky, například vybraný datový nástroj, ve kterém se pak naučím spoustu věcí a používám ho důkladně. Jsem trochu perfekcionista a zakládám si na kvalitě své práce.

To bys poznal už při našem přípravném rozhovoru, kdy jsi zmínila, že jsi se učila nový jazyk za týden, protože příští kolo pohovoru bylo v něm.

Ano, dříč a perfekcionista jsou přesné nálepky. Takto to dělám – ke každému jazyku a nástroji přistupuji tak, že každá firma má svá specifika a když nejsi celoživotní zaměstnanec jedné firmy, pak se občas musíš rychle naučit něco nového.

Poprvé se to stalo už po mateřské, kdy jsem hledala práci na poloviční úvazek. Na pohovoru mi řekli: „Potřebujeme, abyste uměla SQL a VBA.“ A já se ptala, kdy to mám umět. „Za týden je další kolo pohovoru, kde bude test.“ Tak jsem řekla, že to zvládnu.

Neříkám, že jsem to zvládla excelentně, ale něco jsem zvládla a postupně se zlepšila. Považuju tyto nástroje za něco, co se dá naučit. První dva dny je to pro mě těžké, jako když jsem přišla do Notina, kde se pracovalo v R. Martin Kavřík řekl, že budu pracovat primárně v R.

Za půl hodiny mi bylo špatně, dva dny jsem se do toholepoháněla, ale třetí den už bylo lépe a během půl roku jsem R ovládala.

A vrátíme-li se k Kiwi, kde jsi vedla 340 lidí a měla na starosti celá data u jedné z nejrychleji rostoucích evropských firem, po večerech ses věnovala problémům, které byly složité i pro všechny tvoje lidi dohromady. Byl to ten tvůj perfekcionismus nebo něco jiného, proč to nebyla práce pro tebe?

Řekla jsi hezky, že to není pro každého – jsi spíše introvert, extrovert, hluboký pracovník versus generalista, specialista?

Já si myslím, že to není na sto procent. Nejsem úplný introvert, ale rozhodla jsem se dát přednost introvertnější stránce, protože jsem v ní efektivnější.

Dost věřím MBTI typologiím i Gallupovým testům. Vyplynulo mi, že mám „maximizer“ skill, což je jiný název pro perfekcionistu.

Když jsi perfekcionista, je opravdu těžké být manažer – je tedy mnohem vhodnější být specialista, zodpovídat si za svou práci, dělat ji precizně. Vidím v tom obrovskou krásu. Pohlížím na to esteticky, aby práce byla hladká, bez nelogických skoků, fungovala pro nejlepší účel a jsem ochotná ji zlepšovat, ale jen efektivně.

Proč si myslíš, že když jsi perfekcionista, ...

[Pokračování textu chybí.]

Nejsi dobrý manažer nebo manažerka? Protože podle mě je to docela netriviální tvrzení – je to tím, že je těžké vyžadovat dokonalost pod tou pákou, kterou manažer má?

Já to mám tak, že zároveň nerada nutím lidi k něčemu, takže jsem spíš měla pocit, že bych to třeba udělala líp já. A to bylo takové divné, no. Jak to máš ty, Hanko? Kolik jsi teďka poslala lidí? Asi 27 nebo něco takového.

S tím hodně bojuju, protože mám pocit, že jsem jakýmsi aspektem pro akcionáře. Baví mě to, líbí se mi, když jsou věci udělané dobře. Často si myslím, že trochu naháním ostatní, jsem tím člověkem, co občas napíše v deset večer sloupek, třeba, co tady nebo tak. Nečekám odpověď, ale potřebuji to ze sebe dostat, tak tam tu zprávu pošlu. Nevím, rád bych to víc prozkoumal a zjistil, jestli je to vlastně dobře nebo ne.

Mě by zajímalo, jestli se ti daří tohle přinášet na tvoje lidi. Dávat jim cíle, úkoly a tak s nimi pracovat, aby potom pracovali výborně?

To je dobrá otázka. Asi jo. Myslím, že se mi hrozně dobře pracuje s lidmi, kde vidím, že mají podobný model jako já, to je samozřejmě jednodušší. Tam mám pocit, že to pak dokážu dobře podpořit.

Znám své MBTI a začínám si všímat, že mám více energie, když jsem sama s problémem, než když přeskakuji mezi šesti různými týmy a deseti meetingy, které povrchně nechtěla dělat, protože pro mě nebyly dost dobré. Co se pak stalo?

Začala jsem být hodně vyčerpaná a trvalo to dlouho, myslím rok. Postupně jsem si toho začala všímat, ale nechtěla jsem si to přiznat, protože v Kiwi bylo pořád co dělat, tlak byl čím dál vyšší. Zjišťovala jsem, že se mi těžko plní úkoly a očekávání a měla jsem pocit, že nedodávám tak, jak by bylo potřeba. To mě hrozně vadilo, takže jsem makala víc, ale nebylo to k ničemu úplně dobré, jen mi bylo pořád hůř.

Nakonec jsem si řekla, že ty požadavky splnit nedokážu, a uvolním místo někomu, kdo je splnit dokáže, že to nebudu já.

Promiň, byly to tvoje interní požadavky, protože jsi měla laťku nastavenou tak vysoko, nebo to byly reálné požadavky byznysu, který na tvé pozici potřeboval jinou roli – někoho, kdo není tak perfekcionista, ale kdo to rozjede a švihne bez ohledu na to, jestli je něco dokonale vnitřně?

Myslím, že tehdy by tam pasoval někdo, kdo dokáže chodit na meetingy a hodně prodávat tým, což mi nebylo úplně vlastní. Tým byl skvělý a makal, ale prodávat tým znamená často opakovat poměrně banální věci, není to tak, že by si to někdo zapamatoval. Ta práce na vyšším manažerském levelu mě moc nebavila, zjistila jsem, že na to nemám dost tvrdé lokty a nebyla jsem v tom spokojená.

Je to určitě mužsko-ženská věc, ale nechtělo se mi jít do konfliktů a nikoho moc přesvědčovat. Chtěla jsem, aby se pracovalo v pohodě k nejlepšímu efektu, ale hádat se o tom mě nebavilo, to nebylo v mých schopnostech.

Tak jsi tedy rozhodla, že odejdeš z Kiwi. Přemýšlela jsi, že půjdeš na nějakou jinou manažerskou pozici? Že je to tou dynamikou, rychlostí a velikostí Kiwi a že by ti třeba v korporátním prostředí bylo líp? Jaké byly možnosti a jak jsi rozhodovala?

Odešla jsem a dostala dobrou radu od svého bratra, který mi poradil, abych si nechala několik měsíců volna. To jsem si chtěla nechat, ale odešla jsem týden před začátkem covidu. Takže jsem se hned zapojila do...

Do tehdejšího, už nevím jak se to jmenovalo, ale teď... Jo přesně tak. Tam jsme chvíli horečně vymýšleli věci, zklamávali se a propojovali.

Tam jsem se dostala na Luďka Škaroupku, který pracoval pro Honzu Majera. A říkal, že hledají někoho. Měla jsem volné asi dva týdny, ale kvůli covidu. Pak jsem si říkala, že to jsou super lidi a budu s nimi pracovat, tak uvidíme.

Takže zdravíme pár lidí. Myslím, že první shoutout patří tvému bratrovi, protože Lucie Pezlarová rozená Doušková, tak zdravíme Filipa Douška, což doplňuje příběh.

Zdravíme Luďka Škaroupka, jehož žena je moje kolegyně z prvních prací v Zoneru, Eva byla moje kolegyně, to znáš úplně všechny.

Svůj první malý projekt v Datavepsu, marketingové agentuře, kde jsem teď, takže Luděk tě přesvědčil a Honza Majer tě nabral?

Ano.

A co jsi tam vlastně šla dělat?

Šla jsem dělat vnitrofiremní reporting, projekt na půl roku, protože Dataveps byl tehdy menší firma. Líbilo se mi, že říkali, že chtějí reporting jako malý, aby se to nerozvíjelo do nekonečna. Byla to pěkná práce, ráda na to vzpomínám.

Co jsi tam musela ovládat?

Tam měli Power BI a Honza byl velkým zastáncem Power BI. Měla jsem za úkol vytvořit věci v Power BI, musela jsem se do toho dívat s jistým zoufalstvím, ale pak jsem si to zamilovala a naučila se různé věci. Ne vše, ale hodně se mi to líbilo.

Jaký byl začátek zpátky u práce individual contributora?

Byl to extatický moment – konečně volný kalendář, můžu se učit Power BI. Nebylo tam zděšení, že nemám lidi pod sebou a něco bude potřeba dělat. Bylo to úžasné. Šéfoval mi Tom Novotný, který je vizionář a praktik. Vždy dokázal něco vymyslet a já jsem mu dokázala říct, jestli to půjde, nebo ne. Domluvili jsme se rychle a všechno klapalo naprosto perfektně.

Co jsme si vydefinovali, se už nepředělávalo. To jsem nikdy nezažila.

A platové ohodnocení? Chápu, že s Kiwi v scale-upu, s 40 lidmi pod sebou, bylo jiné než v tehdy ještě malé lokální agentuře Dataveps.

Bylo to součástí rozhodování? Znamenalo to pro tebe něco?

Určitě ano, byla to jedna z částí těžkého odchodu, protože peníze beru v úvahu jako většina lidí. Když jsem odcházela z Kiwi a byl covid, říkala jsem si, že uvidím. Potom jsme se dobře dohodli.

Začala jsem budovat kariéru jako individual contributor a zjistila jsem, že jsem placená úplně stejně, nebo alespoň uspokojivě.

Aktuálně jsi tedy v Datavepsu jako individual contributor po několika letech manažerských zkušeností. Co se změnilo po těch zkušenostech? Co ti manažerská zkušenost dala navíc do práce specialista?

Najednou mi bylo mnohem jasnější, co moji manažeři potřebují. Neříkám, že to vždycky dokážu splnit, ale aspoň tomu rozumím. Začala jsem jinak komunikovat, více se ptát na priority.

Často se stává, že přijde více věcí najednou, a zjistila jsem, že rozhovor o prioritách je přirozený a usnadňuje práci, je příjemný pro všechny.

Začala jsem si do týmových procesů zařazovat, co je naše priorita, co uděláme první a co potom.

Pro sebe jsem získala obrovský benefit v možnosti opravdu pracovat na jedné věci kontinuálně třeba několik dní či týdnů. To je hrozně efektivní.

Naučila jsem se otevřeně říkat, jak na tom s vývojem jsem. Když se nepovede něco, kdy udělám chybu, nebo když uspěju, to každý rád řekne.

V určitých intervalech připravuji informace, aby manažer věděl, jak pokročujeme, kam půjdeme dál a jaké jsou další možnosti.

Zjistila jsem, že možnosti vidím často lépe já, co denně dělám dané úkoly, a navrhuji je manažerovi k diskusi.

Já směr neurčuji, ale ráda kreslím mapu a nechávám nadřízeného, aby na základě ní vytyčil cestu. To mi hodně funguje.

Můžeš dát konkrétní příklad těch map a cest, které jste si kreslili a Tomáš rozhodoval v Datavepsu?

Jednou jsme potřebovali zapojit finanční data do reportingu a vznikl požadavek, aby report uměl něco, co by využil jen jeden člověk.

Bylo to trochu komplikované na pochopení, třeba nějaké tlačítka a podobně. Report však používalo asi 30 lidí.

Diskutovala jsem s Tomášem otevřeně: „Rozumím, umím to udělat, ale bude to dělat nepořádek tady nebo tam, rozhodni se, jestli to tam chceme.“ Bez podsouvání, bylo to příjemné.

Bylo pro tebe těžké nic nepodsouvat? Nebo jsi to vnímala jako svobodu individual contributora, že můžeš odpovědnost za rozhodnutí poslat dál?

Chápu, že mnohým manažerům je nepříjemné, když specialista, který byl i manažerem, přijde s návrhy, protože to může být boj o ego. Každý chce mít svoji oblast. Ale já byla i na druhé straně, takže chci, aby role byly jasné.

Když si nechám svoji část a dám druhému zodpovědnost za rozhodnutí, je to benefit pro všechny.

Tento přístup jsem získala z koučovacích školení, kde se učíš nechat klienta, aby si vedl procesy a ty mu pomáháš.

Znám koučovací otázky, ale hlavně jde o přístup, který mi dává uvolnění. Je to rozhodnutí toho druhého, já mu dám informace.

Ty informace zahrnují například délku trvání variant, možné zmatky u příjemců, a jak moc jsem si jistá, že to funguje.

Snažím se být co nejkonkrétnější a mám v tom klid.

Pracuji ráda s dobrými zadavateli, chci, aby se cítili dobře.

Jak často tě lákají zpátky do managementu s poznámkami jako: „To umíš skvěle komunikovat, vidíš všechny možnosti, komplexitu, nakreslila jsi to, můžeš nám rovnou říct, kterým směrem jít.“

Já ten skill nemám, vidím moc možností a ztrácím se v tom. Proto mi funguje spolupráce.

Nabídky do managementu jsem dostávala, ale jsem otevřená tomu, co chci dělat.

Lákají mě spíš problémy, beru je jako pochoutky, než zase najímat lidi.

Nikdy nezapomenu na ty, které jsem najímala, to je neopakovatelné.

Takže jsme v Datavepsu, ale co velké problémy, které jsi tam řešila? Byla to jen projektová práce a pak konec, nebo spolupráce pokračovala?

Mírně jsem se podílela na dalších projektech, ale šlo o pár měsíců, pak jsem se rozhodla jít do Notina.

Smrdělo to manažerskou rolí?

Ani ne. Bylo mi bližší Notino. Má fyzický produkt, kosmetiku, kterou miluju. To hrálo roli.

A samozřejmě Martin jako šéf. Pro mě jsou šéfové velmi důležití. Tam, kde nám to funguje, si toho moc vážím.

Jo, Martina jsme tady měli, jubilejní 50. epizoda Datatalku byla s Martinem Kavříkem, který naopak kosmetiku a beauty považoval za úplně cizí svět, ale zaujal ho právě Notin a jeho mise a zajímavé problémy.

Martin tě tedy lákal a nabíral do Notina?

Ano, Martin mě nabíral a od té doby jsem tam. Osvědčilo se to.

V Notinu je hodně mužů v managementu, vnímáš to nějak?

Nevím, asi ne, protože Martin je sportovní typ.

Když mi přijde od Notina mail o nějaké akci, podívám se a říkám si, že je to zajímavé.

Pojďme se teď zastavit u Notina – jaké datové věci tě tam baví?

Měla jsem na starost vývoj predikčního algoritmu, který má predikovat počet zakázek, obrat a ziskovost.

Kvůli němu jsem se naučila R, bylo to pár dní, kdy jsem říkala, že to snad nedám, ale pak přišla radost, když to začalo fungovat.

Ten úkol je zajímavý, protože má hodně uživatelů.

Mezi vůbec odběratele patří management, který každý týden dostává zprávu, kolik produktů se prodá v následujících 12 týdnech.

Predikce závisí na marketingových akcích a sezonnosti.

Prodává se úplně jinak před Vánocemi, kdy spousta lidí kupuje takovéto vonné věci.

Kdybyste chtěli něco koupit na Vánoce, už brzy budete moci vybírat ty krásné vůně.

Hodně lidí potom nákupy výrazně zvyšuje a prodeje vyletí...

Jistě, zde je přepis textu do spisovné češtiny, se zachováním 100 % obsahu, bez vynechání či zkrácení, s opravami gramatiky, diakritiky a rozdělením do odstavců:

Roste úplně do obrovských výšin. Takže vlastně časové řady jsou potom velmi zajímavě predikovatelné. Další věcí, která k tomu dodává nepředvídatelnost a živost, jsou marketingové akce. Ty vždycky vypadají, jako kdyby byly úplně nové, jako kdyby šlo o unikátní věc.

Například v jeden týden bude akce – sleva 15 % na všechno, ale jenom v mobilní aplikaci. Další týden tam bude sleva pouze na jeden den, například na konkrétní hodiny, a bude to jenom na vybranou kategorii. Sleva může být třeba i doprava zdarma, která je také slevou, ale takovou jinou. A navíc může být omezená na nějaký limit.

V tom je tedy spousta prediktorů, ale aby se to podle nich dalo nějak modelovat, je nutné ty prediktory naplnit daty. Potřebuju tedy hledat univerzální převodníky, jak tyto nové, ale i klasické věci – například dopravu zdarma na vše – převádět do co nejmenšího počtu prediktorů, aby to stále ještě dobře predikovalo.

Chápu to správně, že tvojí prací je nastavovat plán těchto akcí, rozhodovat, co kam se má zatargetovat, aby to bylo nejvýnosnější, nebo spíše že se věnuješ vyhodnocování, protože nějaké jiné oddělení má na starosti plánování? Nebo jsi spíše u fine tuningu modelu, protože jeden model vládne všem?

Vlastně je tam víc částí a já dělám jen jednu z nich, a to přesně fine tuning toho modelu, který odpredikuje, kolik se v každé zemi, kde Notino dodává – tedy zhruba v 30 zemích – prodá zakázek v konkrétních dnech a týdnech, a kolik peněz.

Promiň, a do jaké granularitě se to predikuje na Slovensko? To nedělám já, to dělá kolega. To je ještě, řekla bych, podstatně složitější věc. Já řeším spíše celková čísla. Je tam zajímavost, že jednotlivé slovenské účty se nedají úplně sečíst do celkových čísel, protože predikuji počet zakázek. To znamená, že je to nesečitatelná věc.

Například se uvažuje o predikci podle kategorií a tam už říkám, že bude velký problém dát to dohromady, protože lidi to hned sečtou a budou tvrdit, že celková čísla nesedí. Asi jsem to nevysvětlila dostatečně. Jde o to, že v jedné zakázce může být jedna věc z jedné kategorie a zároveň dvě věci z jiné kategorie – třeba jeden parfém a dva šampony. Takže jedna zakázka, ale dvě kategorie, což dělá určité zmatky.

To je vlastně detail.

A tvoje predikce jsou tedy vstupem do čeho všeho?

Každý týden se na ně podívá management, zda předpověď odpovídá plánovaným číslům. Firma má totiž ještě plán, který je dlouhodobý, a zahrnuje vše, co potřebuje udělat, aby vydělávala. Porovnává se tedy predikce s plánem. Pokud je predikce výrazně pod plánem, akce se nějak upravují.

Důležitá věc je, že se podle toho plánují směny a dávají se určité počty lidí na sklad. Ti pak počítají, že konkrétní den bude poptávka asi taková, jiný den mnohem menší. Také se objednávají kamiony, které musí být objednané předem, aby převážely zboží do různých zemí.

Takže tato práce má odběratele, což mě strašně těší. Když jsme s tím začínali, až tak to není, a občas jsem si říkala, jestli vůbec má smysl, co dělám. Teď z toho mám opravdu radost, protože vím, že je to důležité a že se to reálně používá.

Jak dobře to funguje? Podle toho, co popisuješ, ten model stojí na mnoha kritických částech byznysu – plánování, logistice, skladech, akcích. Jak to funguje?

Mám dokonce stanovené rozmezí, jak přesně to má fungovat. Když se toho nevychytají, mám průšvih. Mám se trefit do plus minus 10 %. To se může zdát jako pěkné rozmezí, ale při té variabilitě to není vůbec velké. Často slavím, když jsme kolem 1 %, a cítím se šťastná. Když se blížím k deseti procentům, už mi to není příjemné, a když je to jedenáct, říkám si, že to úplně uletělo.

Zajímavý je pro mě ten stálý tlak, že to musí každý týden fungovat. Myslím, že to hodně pomohlo zlepšit model, protože s tím jsem se dříve nesetkala. Obvykle se model vytvoří, pak se jednou spustí, čísla se použijí a potom se znovu spustí třeba za půl roku, například ve finančních záležitostech.

Tady je to tak, že každý týden dostává model top management a dostáváme upřímnou zpětnou vazbu – že něco není dobré. Díky tomu vyhodnocujeme model velmi podrobně sami. Vyměnila jsem si k tomu celý obří reporting v Power BI, kterým se na data dívám ze všech úhlů a snažím se model stále zlepšovat.

Každé pondělí trávím čas tím, že data detailně rozsekám a rozkouskuju, analyzuji, co se povedlo a co ne. Zbytek týdne pak pracuji na nových verzích modelu, kterými ho zlepšuji.

Jaké řezy tedy používáš? Když je někdo v podobné situaci a chce svůj model posunout, jaké má logické kroky, jaké pohledy používáš?

Samozřejmě stavím na granularitě. Podle toho, jakou granularitu chce kolega, se na data dívám podle všech dimenzí. V tomto případě jich není tolik, takže si to mohu dovolit. Podívám se na jednotlivé země a hlavně na akce, které tam byly.

Například zkoumám, zda se akce povedla nebo ne oproti ostatním, jestli se něčím jinak chovala. Dostáváme se k otázce, že i akce se může nepodařit. To znamená, že někdy se predikce netrefí do reality – jestli jsem já udělala chybu v modelu, nebo jestli akce byla nějak méně účinná z jiné příčiny. A to asi nikdo nevyřeší.

Predikce jsou těžké, zvlášť pokud jde o budoucnost.

Jaká kombinace filtrů je nejtěžší predikovat? Co je „nejdivočejší“? Akce, země?

Vždycky něco nového. Například Ukrajina byla strašně těžká k predikci, protože časová řada vypadá šíleně. Nejdřív tam byly normální prodeje, pak obrovská díra kvůli válce nepočítané vpádem. Nyní na Ukrajinu zase dodáváme, ale časová řada tam je velmi nekonzistentní. Akce tam fungují jinak než dřív. To je hodně těžké.

A obecně tam, kde máme málo dat, je to také velmi obtížné.

Co bych chtěla našim posluchačům říct z tvého nadšeného vyprávění o tom, co děláš, že tě to tak naplňuje – je to „ono“? Našla jsi to po té lehce klikaté a úspěšné cestě?

Ano, určitě. Tahle práce je úplně nejlepší, co si umím představit. Nevím, co by mi sedělo víc. V ní mám flow. Když sedím u problému, ponořím se do něj a pak se vynořím jako po konci pracovní doby, nebo spíše když flow odezní, protože obvykle netrvá osm hodin, tak se cítím relaxovaná.

Předtím jsem chodila z práce s plnou hlavou starostí. Teď se těším na další den. Mně to opravdu sedí.

Ani si neumím představit, co bych dělala ve středověku, jakou práci bych měla. Myslím, že bych asi byla šperkařka – vyráběla bych šperky s úžasnými nástroji a tesala dokonalé věci.

A co bys vzkázala posluchačům na různých místech kariéry, juniorním i seniorním? Je něco, co tě ta cesta naučila, nějaká univerzální rada, třeba hledat flow, poslouchat sebe, dát si nějaký „galup“ (pauzu), nebo něco podobného?

Určitě s tím souhlasím. Je fajn dělat práci, která ti sedí, která je ti vlastní, i když máš vnější ocenění – třeba data scientist je super povolání, člověka to těší. Ale je důležité vědět, jak chceš trávit den, co je pro tebe ten pravý den. Co chceš dělat, jestli chceš být mezi lidmi, organizovat, nebo dělat něco jiného, jak jsem to popsala já.

Pro každého bude něco trochu jiného.

Myslím, že není lepší zakončení tohoto krásného rozhovoru, než vzkázat to všem posluchačům.

A rád bych tady oficiálně oznámil vítěze nepsané soutěže – nejohleduplnější host, dejdatelku. Ano, máme takovou nepsanou soutěž.

Začali jste ji dneska, aha. Ale myslím, že se svědomím můžeme hned tady dát vítězný zlatý věnec a cenu Lucii, která nejen že nám přinesla dárek před natáčením, ale také je tak ohleduplná k moderátorům, že nám pokládá otázky.

Ne, děkuji moc, že jsem tu mohla být, že jste mě pozvali a že mám zájem sdílet svůj příběh. Velmi si toho vážím. Jsem ráda, že zaznělo, že není jen jedna cesta a že jsem mohla předat své zkušenosti. Mám z toho velkou radost.

Děkujeme moc, Luci.

Já děkuju, moc mě to bavilo, doufám, že jsem přidala k té krásné mozaice, kterou tady skládáte, jeden střípek. Moc si toho vážím, protože si myslím, že může spoustě lidí nabídnout nové pohledy a otevřít obzory. Takže opravdu děkuji za to, co děláte.

Moc si toho vážíme, děkujeme.

A to je vše. Děkujeme, že jste doposlouchali další díl DataTolku. Díky také našim partnerům BigHubu, Vypnoutu, Mantě, Notinu a také GeneBeamům, Seznamu.cz.

Pokud vás zajímají další informace ze světa datových technologií a československé datové scény, navštivte naše stránky datatalk.cz. Nechť vás provází data.

Pokud budete chtít, mohu pomoci i s další editací či úpravami.