Pay as you go vs. FTFP| Mňamka #216
V ideálním světě by se v daném termínu stihl realizovat dohodnutý rozsah práce za domluvenou cenu.
V praxi datových projektů se ale ideálu dosahuje obtížně. Je tedy třeba se dle konkrétního případu rozhodnout pro vhodný model řízení dodání projektu. Důležité je analyzovat velikost a dopady rizik, charakter projektu, očekávané výstupy a prostředí, ve kterém má projekt probíhat.
Pro začátek si modely dodání můžeme rozlišit na tradiční a agilní přístup. Tradiční přístup (níže zastoupený jako Fixed time Fixed price) vychází z toho, že již na samotném začátku projektu jsou dané všechny vrcholy trojúhelníku Rozsah - Cena - Termín. Agilní přístup pak (velmi zjednodušeně) přichází s tím, že zafixuje dva vrcholy trojúhelníku a třetí nechá ve volnosti k průběžným změnám. Například zafixujeme cenu s termínem a víme, že v termínu X za cenu Y bude hotovo to, co bude na projektu zrovna nejdůležitější. Více o agilnilně řízených projektech psal Patrik zde.
V BizzTreat používáme dva základní modely pro řízení projektů: Pay as you go a Fixed time Fixed price. Pojďme se podívat na jejich výhody a nevýhody:

Fixed time Fixed price
Model Fixed Time Fixed Price (FTFP) zafixuje cenu, termín i rozsah projektu. Obecně se tento model hodí na jednorázové projekty a skýtá několik úskalí, především pro stranu dodavatele.
FTFP bychom použili preferovaně v případech, kdy:
- Firemní politika, procesy tvorby a schvalování rozpočtů si “nerozumí” s agilnějšími přístupy.
- Je velmi důležité, aby nebyl překročený připravený rozpočet. V extrémních případech se může stát, že požadavek na nepřekročení rozpočtu má vyšší prioritu než samotné dodání funkčního projektu.
- Charakter projektu neumožňuje pouze částečné nasazení, je potřebné, aby byl projekt nasazený jako kompletní.
- Neočekáváme dlouhodobou spolupráci, ale pouze jednorázový ucelený (a časově ohraničený) úkol, např. potřebujeme přenést data ze systému A do systému B.
Model FTFP přináší zvýšené riziko na straně dodavatele v podobě překročení rozpočtu nebo kapacit. Při prvotní analýze často není možné odhalit veškeré podrobnosti datového prostředí objednatele. Dodavatel pravděpodobně riziko zohlední při plánování kapacit přirážkou k ceně ke kompenzaci rizika a pokrytí neočekávaných nákladů nad odhadnutý rámec.
Pro dodavatele je model FTFP naopak výhodný v případě, když se během realizace projektu ukáže, že úvodní odhad byl přestřelený, a projekt je možné realizovat za využití nižších zdrojů. Pro dodavatele to znamená, že dostane zaplaceno i za práci, kterou nakonec nebylo třeba odvést.
Pay as you go
Model Pay as you go bychom zařadili k těm agilnějším a s oblibou ho využíváme u dlouhodobějších projektů. Oběma stranám, dodavateli i objednateli, přináší flexibilitu ve směrování datových aktivit. Smluvně daná je zde obvykle pouze jednotková cena za práci datového detektiva, případně i časový rozsah odvedených prací (při větším odběru hodin a stabilitě odběru v čase se jednotková cena snižuje).
Mezi vhodné situace pro použití modelu Pay as you go patří:
- Objednávající firma je zvyklá pracovat agilně. Umí průběžně vyhodnocovat datové potřeby jednotlivých zaměstnanců nebo oddělení a na základě toho stanovit priority rozvoje.
- Na začátku práce není jasně definovaný rozsah práce a počítá se s jeho dalším průběžným upřesněním.
- Objem rozsahu spolupráce se může v průběhu času měnit (tedy při počátku projektu existuje požadavek ze strany objednatele na průběžnou schopnost přizpůsobení rozsahu projektu, ať už z finančních, rozsahových či jiných důvodů).
- Dlouhodobě nastavená spolupráce zahrnující datové aktivity ve více paralelně běžících či sériově uspořádaných projektech.
Mezi nevýhody modelu patří fakt, že se časový rozsah projektu může postupně stále více prodlužovat. V praxi je třeba na to průběžně myslet, sledovat rozsah odvedených prací a v případě, že by se situace začala stávat neúnosnou, domluvit se na přechodu na jiný model (např. fixně definovat množství hodin k dokončení tohoto projektu, kdy převis hodin již půjde na vrub dodavatele).
V modelu Pay as you go funguje většina projektů v BizzTreat. Zpravidla jednou týdně s klienty procházíme aktuální stav projektů a priority. Často se stává, že se priority na straně klienta dynamicky mění. Díky svobodnému modelu se těmto požadavkům můžeme přizpůsobit a dělat datové projekty tak, aby nám dávaly smysl.
Který model použít?
Model Fixed time Fixed price je vhodný pro jednorázové, kritické a jasně definované projekty. Agilnější model Pay as you go je vhodný pro dlouhodobou spolupráci v dynamicky se měnícím prostředí požadavků.
Pilíře úspěšného datového projektu | Mňamka #544
V Bizztreatu máme za sebou desítky datových projektů napříč různými odvětvími např. jako e-commerce, retail, výroba, média nebo obchod. Z praxe víme, že mnoho datových projektů selhává – nedoručí očekávaný přínos, uvíznou na půli cesty nebo se zacyklí v nekonečném „ještě to ladíme“. Bez ohledu na typ projektu či sektor platí, že úspěch vždy stojí na pevných základech – pilířích, které rozhodují o tom, jestli výstup skutečně přinese byznysovou hodnotu. Právě proto je klíčové zaměřit se na to, co dělá datový projekt opravdu úspěšným. Tak pojďme na to.
Ikony v reportu: Zaujměte na první pohled a zjednodušte navigaci | Mňamka #543
Vizuální zkratky, které promění datovou džungli v přehlednou mapu. Zjistěte, jak s pomocí ikon zjednodušit navigaci, zvýraznit klíčové informace a proměnit suchá data v poutavý příběh. Naučte se vybírat vhodné ikony, pracovat s nimi efektivně a odhalte, proč je jejich správné použití klíčové pro srozumitelnost a úspěch vašich reportů.
Jak předvídat chování zákazníků: Churn, životní hodnota a další klíčové ukazatele | Mňamka #542
Porozumění chování zákazníků a jeho predikce jsou dnes klíčové pro firmy, které chtějí budovat loajalitu, zlepšit cílení kampaní a efektivně řídit své marketingové investice. Jak předpovědět, kdy zákazník odejde, jakou má pro firmu hodnotu nebo kdy s největší pravděpodobností znovu nakoupí? V článku se podíváme na klíčové koncepty, jako je predikce odchodu zákazníků (churn), výpočet jejich životní hodnoty (Lifetime Value), odhad pravděpodobnosti další interakce či modelování sklonu k nákupu. Získané poznatky mohou pomoci vytvářet efektivnější marketingové strategie a lepší zákaznickou zkušenost.