Jak dostat analytiku do produktu? | Mňamka #331

Přemýšleli jste někdy o tom, že váš produkt generuje velké množství dat, která by možná byla použitelná pro koncové uživatele? Tak to jste přemýšleli správně a nejste sami :) 

Dostat datovou analytiku do produktu se v dnešní době snaží víc a víc firem, které si uvědomují, že práce s daty je klíčovou konkurenční výhodou. Možná pokud by Váš účetní systém obsahoval tu nejlepší analytiku, měli byste náskok.

Pokud nevíte co si pod tím představit mrkněte na GoodData for Freshdesk, což je přesně datové rozšíření aplikace Freshdesk.

Rozhodli jste se, že data chcete zpřístupnit vaším uživatelům a servírovat jim je přímo uvnitř produktu, co bude další krok? Vsadím se, že první co Vás napadne bude “jaký nástroj mám použít aby to bylo hezký”, po nějakém delším uvažování se určitě dostane na klasické dilema “buy vs. build”. Tedy postavit si něco inhouse nebo sáhnout po nějakém řešení, které si budu moct upravit. 

Hodně daleko je ve stavění datových produktů GoodData.UI což je framework, který řeší maximum věcí za vás, je rozšiřitelný a můžete si tak vybrat, zda budete vkládat do produktu celé dashboardy a nebo si budete nad stejným “SDKčkem” vyvíjet svoje komponenty. Obojí je možné. 

Pokud se rozhodnete stavět si řešení sami, určitě narazíte na některé javascript knihovny, které řeší grafy a vizualizace. Budou ale pravděpodobně hodně “low level” nicméně může to dávat smysl, pokud máte zkušený front-end tým (což asi máte, obzvlášť pokud děláte produkt). 

Avšak … tak jako jakýkoliv jiný datový projekt, i tady to bude mnohem komplexnější a bude to víc o tom jak se budou data používat a jak jsou připravena. Potřebujete vyčistit, obohatit, promyslet zda budou uživatelé jen konzumovat a nebo si budou moct připravovat svoje vlastní pohledy na data. Najděte si datovou pipeline, která bude flexibilní, umožní Vám integraci do vašich devops postupů, a bude pokud možno součástí Vaší core infrastruktury. Oproti klasické analytice musíte navíc promyslet, jak budete onboardovat nové zákazníky, jak budete rušit ty co si analytiku vypnou (pokud je to relevantní). 

Jak to tedy shrnout? 

Use case, use case … promyslete, co chcete uživatelům ukazovat, promyslete use case. Začněte s málem a rozpracujte to, vyvarujte se překombinování. Vlastně platí úplně stejný postup jako pro jakýkoliv jiný produkt. Míň je víc.

Nepřemýšlejte jen o tom jaký nástroj využijete a jak budou vypadat grafy na výstupu. Promyslete celou datovou platformu. Chtějte ji co nejvíc integrovat.

Testujte, automatizujte, sbírejte data o Vašem datovém produktu ;) 

A pokud máte on premise software, nezoufejte. I tam se dají datové integrace řešit. 

Máte k článku nějaké otázky nebo připomínky? Klidně mi napište, rád to s Vámi proberu :-)

Jirka Tobolka
datový detektiv
LinkedIn

Keboola a Kai PromtLab | Mňamka #524

Keboola a Kai PromtLab | Mňamka #524

Objavte PromptLab, sofistikované riešenie od Kebooly a Kai PromtLab na zlepšenie interakcií s umelou inteligenciou. V tomto článku sa dozviete, ako PromptLab využíva technológiu Streamlit na automatické prispôsobovanie výziev za účelom dosiahnutia lepšej jasnosti a presnosti vo vašich projektoch. Oboznámte sa s intuitívnym rozhraním, ktoré vám umožní porovnávať výsledky a optimalizovať pracovné postupy.

Základní pojmy v datovém modelování | Mňamka #457

Základní pojmy v datovém modelování | Mňamka #457

Co je to datový model? Jaký je rozdíl mezi konceptuálním a logickým modelem? A k čemu slouží proces tzv. normalizace? Bez datového modelování se dnes v BI obejdete už jen stěží, Kuba si o něm proto připravil krátkou minisérii, ve které si vše probereme od úplných základů. V prvním díle se seznámíme s nejdůležitějšími pojmy, které byste v této souvislosti měli znát, a na jednoduchém příkladu z oblasti sales si ukážeme, jak takový datový model vlastně vypadá. Tak pojďme na to!

MAQL II. - MAQL Reuse factů & Nesting metrik | Mňamka #454

MAQL II. - MAQL Reuse factů & Nesting metrik | Mňamka #454

Proč se vyplatí recyklovat metriky v MAQL? Máme tady pokračování naší krátké minisérie o dotazovacím jazyku MAQL od Péti. V minulém díle jsme si osvětlili základní rozdíl mezi SQL a MAQL a dnes se zaměříme na výhody metrik vytvořených pomocí MAQL a jejich recyklaci. Funguje to přitom podobně jako v případě klasické recyklace surovin. Pokud ji dělat nebudete, ušetříte si možná půl minutky práce, v budoucnu se vám to ale může velmi nepříjemně vrátit. Tak se na to pojďte podívat!