Business intelligence: Od data-driven k decision-driven | Mňamka #261
Nedávno jsem narazila na tento článek od Marka Palmera o tom, že velmi oblíbený buzzword "Data-driven" není tak úplně ten pravý, že lepší by bylo používat "Decision-driven". Za mě trochu slovíčkaření, ale vlastně mě to donutilo se nad tím lehce zamyslet, tak třeba můžete se mnou.
Proč?
👉 Začíná se otázkou a ne daty... Tak to prostě je.
Než začnete v datech něco šroubovat a vytvářet monstrózní datawarehousy, tak je potřeba si ujasnit otázky, na které pomocí dat chcete znát odpovědi. A pak to teprve začít stavět.
👉 Datový projekt vede člověk z #business, ne z BI oddělení.
Směr udává šéf marketingu, ne datař, který staví řešení. Ten totiž často nerozumí, co šéf marketingu řeší a na co potřebuje znát odpovědi.
👉 Nejprve po povrchu, pak se pořádně potopit.
Nejdřív chcete vidět základní čísla, pak se teprve do dat víc a víc nořit. Obráceně je to cesta do pekel. A navíc, ze základních čísel budete mít první povědomí, co se u vás ve firmě děje a můžete se zaměřit na číslo, které vás trápí nebo těší nejvíc.
👉 Data strukturujeme podle položené otázky.
Když tvoříme datové řešení a máme už očištěná a připravená data, je super je rozdělit do jednotlivých chlívků podle použití - marketing, sales, atd. Prostě je škálovat. Přispívá to k vysoké datové kvalitě, efektivitě a rychlosti.
A taky to ukáže, kde nám nějaká data chybí a kde je potřeba to narovnat u vstupu. Myslíte si, jak sledujete dobře GAčka? Zkuste je napojit do datového řešení. Často se ukáže, že je potřeba jinak začít trackovat třeba kampaně.
👉 Zapojte širší tým. Šéf ne vždy potřebuje pohled, co marketingový specialista.
Ano, business intelligence, data-driven a já nevím co všechno je hlavně o komunikaci. Je to o hledání odpovědí na otázky, které si každý pokládáme v nějaké pro nás čitelné formě. No a každý má ty otázky jiné. Jinak se bude ptát šéf a jinak řadový zaměstnanec.
A navíc - víc lidí, menší šance na nějaký u biases. Co to je jsem psala třeba zde
No a co z toho teda plyne? Nechcete, aby byla firma data-driven. Chcete, aby byla decision-driven. Já vím, další buzzword, Radovan by asi otočil oči v sloup, ale co už :-D

Hodně jsem se inpirovala tímto článkem, konečně někdo, kdo to cítí jako já. Tabulka je tady z něj.

Eva Hankusová
Data & Business Consultant
marketing | partnership
LinkedIn
Pandas – k čemu slouží, k čemu jej raději nepoužijeme a jeho alternativy | Mňamka #435
Pandas je jednou z nejpoužívanějších knihoven pro zpracování dat v jazyce Python. Jeho největší předností je zejména jednoduchá a intuitivní syntaxe a také rychlost, se kterou můžete zpracovávat velké datové soubory. V BizzTreatu ho proto často využíváme např. pro ad hoc analýzy dat, kdy potřebujeme rychle prozkoumat, jak data vlastně vypadají a jaká je jejich kvalita. V dnešní mňamce od Báry si ukážeme, kde všude lze Pandas použít a jak si stojí v porovnání s ostatními knihovnami!
Keboola transformace – v hlavní roli proměnné | Mňamka #432
Co dělat, když se váš projekt liší jen v několika důležitých parametrech? No mohli byste samozřejmě všechno hardkódovat, to je ale značně pracné. V BizzTreatu proto raději dáváme přednost hojnému využívání proměnných. Jednak se s nimi lépe pracuje a zároveň nám usnadňují následnou správu kódu. V Keboola transformacích přitom máme hned dva typy proměnných – ty keboolácké a ty snowflakové. V dnešní mňamce od Kristýny si ukážeme, jaký je mezi nimi rozdíl a kdy a jak je používat!
MAQL I. - MAQL vs SQL | Mňamka #427
SQL dozajista velmi dobře znáte, jak jste na tom ale s takovým MAQL? Pokud si chcete rozšířit obzory o další dotazovací jazyk, tak to jste na správném místě. MAQL je uživatelsky přívětivý jazyk, se kterým se můžete setkat při práci v GoodData, a naše Péťa si o něm připravila krátkou minisérii. A hned v prvním díle tu máme malé srovnání pro všechny zaryté fanoušky SQLka. Ukážeme si totiž, k čemu vám může být MAQL užitečný a kolik práce vám díky předdefinovaným operacím ušetří. Tak pojďme na to!