Zástupci firem z maloobchodu, FMCG, e-commerce, bankovnictví, telco, ale i televizních stanic nebo státní správy měli možnost podívat se na potenciál dat a umělé inteligence (AI) ve všech firemních procesech od řízení a HR přes marketing po prodej a plánování. Big data už dávno nejsou buzzword, ale nutnost. Potvrzuje to i fakt, že akce byla s velkým předstihem vyprodaná, a pořadatelé proto otevřeli registraci na další ročník, který se pro velký zájem uskuteční už v březnu 2020.

Máme spoustu dat, ale neumíme v nich číst, shodovali se marketéři i obchodníci v době, kdy big data ještě byla především oním buzzwordem. Jak se s tím vypořádat v rámci firemní struktury nastínil Vladimír Dědek, ředitel webového a mobilního vývoje v Alza.cz. „Naprosto klíčové je umět laicky vysvětlit, co data ukazují. Proto učíme manažery rozumět IT a ajťáky seznamujeme s business strategiemi a výsledovkami. Přesah je nutný, jedině tak lze do hloubky rozplétat témata, odhalovat slabiny a hledat řešení,“ přiblížil stěžejní principy Dědek. Zároveň apeloval na přítomné, aby slovo krize přestali vnímat jako problém. Podle něj jde o nástroj řízení jako každý jiný a pomoci mají předem vypracované protokoly pro každé oddělení, aby když např. vypadne nějaká funkcionalita, kvůli které se nedaří realizovat objednávky, věděli všichni z vedení, co je třeba udělat a v jakém pořadí.

Neexistují „nudná“ data

Podle Petra Paščenka, šéfa Data Science ze společnosti Profinit, působí údaje o výběrech z bankomatu na většinu lidí z bankovního sektoru jako ta nejnudnější data. Na výsledcích aplikovaného výzkumu prováděného s Matematicko-fyzikální fakultou UK pro jednu z top pěti bank v ČR ukázal, že nic jako nudná data neexistuje. Transakční data lze dávat do souvislostí s lokalitou a porovnávat rozdíly s průměrným cyklem výběrů, cílit nabídky s vědomím, jaké je demografické složení většiny lidí, kteří užívají bankomat v areálu univerzity, office parku, továrny s třísměnným provozem nebo třeba v ulici s frekventovanými bary. Když se taková data prováží navíc s daty od operátorů, vznikají ještě podrobněji segmentovaná publika sdílející například stejné obchody. To vše bez potřeby znalosti osobních údajů. „Mohl bych být kvůli tomu, co dělám, paranoidní, ale nejsem. Namísto anonymní hotovosti platím kartou a beru to tak, že pokud si někdo z mých dat dokáže vybrat tak chytře, aby mi poslal správně zacílenou nabídku, pak si to zaslouží,“ odpověděl na závěr Paščenko na provokativní dotaz z publika.

Problematika GDPR občas probleskovala napříč celým programem, nicméně hodně se mluvilo o schopnosti chytře využívat data veřejně dostupná. Bisnode s veřejnými zdroji pracuje typicky pro odhalování rizikových obchodních partnerů. Zdeněk Demeter ukázal využití těchto principů i v případě B2B akvizičních kampaní. Pro jednu z tuzemských bank tak Bisnode dokázal vytipovat 20 potenciálních klientů pro nabídku refinancování, jejichž komerční budovy v Praze aktuálně financuje konkurenční banka. Podobně pro leasingovou společnost hledal klienty v segmentu stavebnictví pro nabídku financování nově pořízených pracovních strojů. V obou případech dokázal zvýšit úspěšnost těchto tzv. cold call kampaní o více než 100 %. „Hodně ředitelů si myslí, že klíčem k růstu je pořídit si CRM a nastavit KPI’s. To je dobré pro řízení obchodu, ale ne pro růst a hledání nových příležitostí. Takové informace v CRM prostě nenajdete,“ připomněl Demeter.

Ačkoliv zazněl apel „nesyslit“ data, na která se už nikdy nepodíváte, ale vnímat je jako výpočetní platformu, Milan Marťák, CEO společnosti CEOS Data, naopak nabádal, aby byly firmy v přístupu k datům nenasytné. Aby je hromadili, protože nemohou nikdy s jistotou říct, že se jim za pět let nehodí. CEOS řešil případ klienta, jednoho z velkých tuzemských řetězců, pro něhož dělá provoz datového skladu a Business Intelligence. Přestože řetězec pro řízení a predikci skladových zásob používá jeden z top komerčně dostupných softwarů, vedení controllingu zjistilo, že má ve skladových zásobách vázaných příliš mnoho prostředků. Úkolem CEOSu bylo odhalit příčiny. „Během čekání na data ze zdrojového systému si naši lidé vyrobili takovou ,hračku‘, forecastovací systém na podobném principu jako ten komerční, jen s jiným algoritmem a s více zahrnutými faktory. A zjistilo se, že pokud by byly objednávky řízeny tímto způsobem v uplynulých dvou letech, bylo by ve skladových zásobách vázáno o 800 milionů korun méně,“ popsal Marťák. Dalším úkolem bylo zjistit, kde přesně nastala chyba, zda jde o špatné nastavení parametrů v centrále, nebo lidský faktor atd. „Tady jsme se zasekli, protože jsme neměli informace o tom, jak vypadaly původní nezkreslené objednávky. Do datového skladu se historicky ukládaly pouze nákupní objednávky generované forecastovacím systémem. Poskytovatel softwaru neměl problém tato historická data našemu klientovi dodat, ale trvalo by to půl roku. Pro klienta by to znamenalo potenciálně dalších 200 milionů korun navíc ve skladových zásobách. Kvůli tomu, že v době implementace softwaru ho nenapadlo, že i takový druh dat by se mu mohl v budoucnu hodit,“ uzavřel příklad za všechny Milan Marťák.

Do skladů účastníky konference přenesl také Jakub Augustín ze společnosti Adastra. Na zmenšeném modelu skladu s ještěrkami na dálkové ovládání a s využitím senzorů, RFID štítků a videoanalytiky demonstroval, jak lze optimalizovat skaldovou logistiku. Podobné principy lze využít také při optimalizaci front, pohybu po prodejně nebo navigaci v budovách.

Problematiku predikce z pohledu retailového klienta prezentoval i Michal Kurcewicz, Principal Industry Consultant polského SAS Institutu, v případové studii s Rossmannem. Na polském trhu je tento drogistický řetězec jedničkou s 1500 prodejnami a mnoha formáty od malých poboček o 8 tisících položkách po velké obchody v nákupních centrech s více než trojnásobným sortimentem. Kromě zvýšení prodeje bylo cílem Rossmanna také přejít ze zastaralého systému z doby nižších stovek poboček na novou robustnější infrastrukturu, která by zvládla současný objem dat. Po fázi „nalévání“ a čištění dat následovala kategorizace produktů. Bez ní by nebylo možné správně nastavit prediktivní modely tak, aby nedocházelo k prázdným regálům při zvýšené poptávce či hromadění zboží s nízkou prodejností. S využitím strojového učení SAS následně zahrnuje do forecastového systému také informace o sezónnosti, různých formách promocí či mediální podpoře nebo místních událostech. Z historických dat pak generuje předpovědi poptávky, aby byl schopen optimalizovat skaldové zásoby a dostupnost zboží v regále. „Dříve se velká část práce prováděla ručně, nyní systém zvládá dva miliony predikcí za dvě hodiny,“ popsal Kurcewicz.

Nový pohled na „stará“ data

Manuální práce v podobě kalkulačky a excelu versus strojové učení bylo téma i dalšího příspěvku cílícího na retailery. Radim Dudek z firmy Yieldigo ukázal, že při 20 tisících položkách v sortimentu už se bez umělé inteligence v dnešní době nedá obejít. I když nákupní chování na straně zákazníka stejně jako cenotvorbu na straně obchodníka určují desítky faktorů, strojové učení může výrazně pomoci např. s predikcí dopadů cenových promocí. „Vyžaduje to velkou změnu v myšlení na straně vedení a také jiný přístup k datům. Zatím se nám nestalo, že bychom narazili na klienta, který má od začátku k dispozici dostatek potřebných dat,“ postěžoval si Dudek. Na druhou stranu při odstranění této bariéry je Yieldigo podle jeho slov schopno při zachování obratu zvednout profit o 4 až 12 procent a obrat zvýšit při udržení rozsahu marže o 3 až 8 procent.

Využití big dat v marketingu není ničím objevným, o nové přístupy se však snaží v agentuře KINDRED. Její Digital Data Officer Adam Nykles prezentoval nově vytvořený Placement Quality Index (PQi), který řeší, jak je daná reklamní plocha – a v Česku jich mají inzerenti k dispozici 40 tisíc – vhodná pro konkrétního klienta a typ kampaně. Taková optimalizace se však nehodí pouze při výkonnostních kampaních, ale zejména pro „měkčí“ metriky pro podporu budování značky. KINDRED index vyvinul pro lepší plánování při přímém nákupu reklamy. Zmíněný PQi kombinuje další běžně měřené parametry jako vizibilitu, velikost banneru, engagement, reach potential nebo třeba publisher score čili míru prémiovosti webu, přičemž agentura zohledňuje i relevanci jeho obsahu ve vztahu ke značce. Ke slovu přichází i machine learning, to v případě klientů, kteří jsou s agenturou déle a více u ní utrácí, nahromaděná data díky tomu dále zlepšují optimalizaci. Vzorec, který určuje, jakou důležitost má ta která dílčí metrika, se odvíjí od výsledků globálních kvalitativních výzkumů a neustále se zpřesňuje. „Výsledkem není, že by klienti díky tomu snižovali výdaje na reklamu, ale za stejné peníze toho při PQi optimalizaci dostanou víc,“ shrnul v závěru Nykles.

Pro mnohé novým pojmem bylo i tzv. CDP neboli Customer Data Platform, „datová přípravna“, jak ji nazvali Vojtěch Kurka, CTO firmy Meiro, a Michael Štencl z Kiwi.com. Ve společném příspěvku poskytovatele řešení a klienta, ukázali, že data, která můžete o svých zákaznících získávat, dostanou nový rozměr, pokud je dokážete vhodně propojovat z různých zdrojů a především zpřístupnit všem oddělením. „CDP není nové CRM, ale přípravna, která do CRM dodá hodnotnější data,“ přiblížil Kurka. Podstatou je unifikovaná databáze informací o zákaznících a jejich chování, která umí k jednomu zákazníkovi přiřadit jeho interakce z více různých zdrojů a dát je i do časové osy. „Klíčovým faktorem při výběru konkrétního řešení CDP by pro vás mělo být, jak snadno lze napojovat další systémy a zdroje dat a jak je databáze přístupná. Každé oddělení si totiž zákazníka definuje jinak. Pro sales je to ten, kdo udělá rezervaci, i když je hromadná, pro customer care pak každý jednotlivý pasažér,“ radil z vlastní zkušenosti Michael Štencl. Pro Kiwi.com je integrace všech dostupných zdrojů do unifikované databáze vlastně už nutností. Dávno se nesoustředí jen na letenky, ale zahrnuje další dopravní spoje a registruje globálně od 40 do 60 milionů vyhledávání za hodinu.

Spotřební chování řeší aktuálně i Notino. Rozhodlo se zaměřit na retenci a potenciál stávajících zákazníků. Na základě podrobné segmentace dle frekvence nákupu, míry útraty a při stanovení spodní hranice 20 % dlouhodobého maxima, pod kterou nechce nechat zákazníka klesnout, pak modeluje křivku útrat a z té dále s pomocí nástrojů od Intelligent Technologies predikuje, jak pravděpodobné je, že zákazníka ztratí. „Klíčový je správný výběr vlastností popisujících chování zákazníka a navíc model nadále zpřesňujeme a ověřujeme jeho výkon jinými algoritmy,“ vysvětlil za Intelligent Technologies Luboš Bednář. „Na vytipované zákazníky pak můžeme cílit s aktivačním mailingem,“ dodal Martin Kavřík z Notina.

Kde ještě hledat „velká data“

Nejen nové perspektivy, ale přímo i nové zdroje dat vedou k růstovému potenciálu. Výzkumná agentura GfK reprezentovaná Zdeňkem Skálou takový zdroj získala v aplikaci Kalorické tabulky. V ní si uživatelé zaznamenávají zkonzumované potraviny a svou fyzickou aktivitu a díky kontrole přijaté a vydané energie sledují různé cíle, dominantně dle očekávání úbytek na váze, ale třeba i nabírání svalové hmoty. Údaje jsou anonymní, ovšem vyžadují vstupní data o věku, pohlaví, váze, výšce apod. Výkonný ředitel Kalorických tabulek Tomáš Pětivoký se může měsíčně pochlubit 99 tisíci aktivních uživatelů a víc než osmi miliony zaznamenaných jídel. To skýtá velký zdroj informací o tom, co Češi jedí, kdy a s čím to nejčastěji kombinují, jsou to doslova big data na talíři. Aplikace například potvrzuje nárůst spotřeby jogurtů se zvýšeným obsahem bílkovin a ukazuje, že meziročně dosavadní oblíbené značky Milko a Hollandii nahrazuje privátka Lidlu Pilos. „Zároveň víme, že na většinu jejich konzumentů nemají žádný relevantní dopad promoce, protože se neobjevuje korelace,“ dodal k aplikaci Skála.

Proč nepoužít pro nastavování KPIs nebo analýzu finančních výsledků i data z HR? „Management lidských zdrojů není úplně tzv. ,evidence based‘, ale poptávka po HR datech v posledních letech kontinuálně roste. Řeší se hlavně problémy HR samotného, ale už ne strategický dopad na fungování firmy, její byznys,“ uvedl svůj příspěvek expert na tuto problematiku z Deloitte Luděk Stehlík. Přitom i HR odvětví může být daleko více „data-driven“ namísto časté dojmologie. A zdaleka nejde jen o náborové procesy, kde hraje roli analytika chování při videopohovorech nebo digitální stopa na sociálních sítích. Komplexní přístup sleduje celý cyklus zaměstnance včetně systematického mapování jeho spokojenosti a motivace. „Při napojení na KPIs to pak pomáhá optimalizovat cíle a vyvíjet individuální rozvojové programy,“ vysvětlil Stehlík. „Je třeba ovšem počítat s velkou časovou náročností při konsolidaci dat a jejich čištění, s nutností jejich transparentnosti a správné teoretické zakotvenosti statistického chování. Použitelnost HR analytických insightů by se měla neustále ověřovat,“ doplnil Stehlík, jehož lze nazvat také matematickým psychologem.

Více informací o akci Primetime for… Big Data naleznete na webu včetně možnosti registrace na další ročník, který proběhne 25. března 2020.