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

Pandas – k čemu slouží, k čemu jej raději nepoužijeme a jeho alternativy | Mňamka #435

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

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

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!