Jak vypadají jednotlivé stupně
Datová maturita se dá popsat jako přibližná škála, ne přesná certifikace. Firmy po ní postupují v hrubých krocích, obvykle v tomto pořadí.
- 1
Ruční export a Excel
Čísla se stahují jednotlivě z Google Analytics, reklamních účtů a účetnictví, a někdo je ručně spojuje v tabulce. Report existuje, ale vzniká pracně a s prodlevou, obvykle jednou týdně nebo měsíčně.
- 2
Základní dashboardy nad jedním zdrojem
Přibude nástroj typu Looker Studio nebo Power BI, ale obvykle nad jedním zdrojem najednou, třeba jen nad Google Ads nebo jen nad e-shopem. Propojit čísla napříč kanály pořád vyžaduje ruční práci.
- 3
Centralizovaný datový sklad
Data z e-shopu, účetnictví a reklamních systémů tečou automaticky na jedno místo. Reporty se počítají nad stejnými, konzistentními čísly, ne nad exporty, které si každý stáhl jinak a jindy.
- 4
Automatizované reportování a alerting
Nad datovým skladem běží pravidelné reporty a upozornění na odchylky, aniž by je musel někdo ručně spouštět nebo kontrolovat. Firma se dozví o problému, ne že ho musí sama najít.
- 5
Prediktivní a preskriptivní analytika
Nejvyšší stupeň, kdy se nad historickými daty počítají predikce (co se pravděpodobně stane) a doporučení (co by se s tím mělo udělat), typicky u poptávky, skladových zásob nebo cenotvorby.
Kde firmy pálí peníze
Většina škod u datové maturity nevzniká tím, že by firma byla „málo vyspělá“. Vzniká tím, že si stupeň, na kterém skutečně je, špatně odhadne.
Nákup prediktivní analytiky bez datového skladu pod ní
Firma na druhém stupni si koupí nástroj na predikci poptávky nebo AI reporting, ale data pod ním jsou pořád roztroušená a nekonzistentní. Nástroj počítá s tím, čím ho nakrmíte, a nekonzistentní vstupy dají nekonzistentní, často zavádějící výstup.
Podcenění ruční práce, která reálně stojí čas i chyby
Firmy, které zůstávají na exportu do Excelu déle, než by musely, si obvykle neuvědomují, kolik hodin týdně stojí sestavování reportů, a kolik chyb se do nich propíše kopírováním a přepočítáváním vzorců mezi listy.
Přeskočení kroku, který dává smysl udělat jako první
Skok rovnou k dashboardům nebo AI predikcím bez centralizovaného skladu pod nimi obvykle znamená, že se stejná práce s čištěním a propojováním dat musí zopakovat později, jen dráž a pod tlakem, protože už na ní stojí produkční report.
Co reálně posouvá firmu na vyšší stupeň
Není to o nákupu chytřejšího nástroje. Nejčastější posun mezi stupni jde přes infrastrukturu dřív, než přes analytiku nad ní.
Firmy si často nejsou jisté, kde skutečně jsou
Vlastní odhad datové maturity bývá vyšší, než jaká je realita. Firma, která má hezký dashboard nad jedním zdrojem, si často myslí, že je o stupeň dál, než ve skutečnosti je, protože jí chybí srovnání s tím, jak vypadá centralizovaný sklad napříč zdroji.
Datový sklad je typicky ten skutečný mezník
Přechod ze stupně dvě na stupeň tři, tedy od jednotlivých dashboardů k centralizovanému skladu, je obvykle ten nejnáročnější a zároveň nejdůležitější krok. Bez něj další stupně, automatizované reportování i predikce, nemají na čem stát.
Vyšší stupeň není cíl sám o sobě
Ne každá firma potřebuje dojít až k prediktivní analytice. Menší e-shop se stabilním sortimentem si často vystačí s dobře postaveným centralizovaným skladem a pravidelným reportingem, aniž by predikce poptávky přinesly úměrnou hodnotu k jejich ceně a složitosti.