[VIDEO] K čemu vám může být datová analytika? | Mňamka #61

Staré, ale stále platné! Článek a video vznikli v roce 2017. Dnes už koukáme na vizuálně trochu jiný dashboard (uvidíte ho v článku níže), přesto stále platí stejná pravidla i v roce 2020.

Velmi často v od vás dostáváme otázku: K čemu mi může být datová analytika či služby datového detektiva užitečné? Často po nás chcete konkrétní příklady z praxe, ale protože důvěrnost dat našich zákazníků je alfou a omegou celého byznysu, rozhodli jsme se ukázat vám příklady toho, jak datovou analytiku používáme v BizzTreat sami pro sebe - takovéto Datový detektiv sobě!

Jak vypadá dashboard dnes?

Níže si dáme shrnutí k videu. Pojďme si ale zkraje ukázat, že i dashboard se může vyvíjet:-) Dnes vypadá takto a není už zdaleka jediným, který si každé pondělí ukazujeme. 

Co nás zajímá nejvíc?

Sledujeme 3 základní parametry, které jsou klíčové pro finanční zdraví celého BizzTreat

  • dosažené průměrné hodinové sazby

  • počtu odpracovaných hodin, které budeme přímo fakturovat zákazníkovi a

  • tzv. utilizace: poměru placených hodin vůči všem odpracovaným hodinám.

BizzTreat: Srování aktuálního plnění vůči plánu

Základní teploměr nám ukazuje, kolik placených hodin jsme už dodali a to zda míříme ke stanovenému cíli. Používáme 2 cíle, minimální, stanovený tak, abychom pokryli všechny náklady firmy a vytvořili domluvený zisk, a optimální, který pokrývá náklady, zisk a umožnuje nám investovat do rozvoje firmy.

Vidíte, že tento měsíc se nám moc nedaří.

Graf vedle dokonce ukazuje i proč. Zde vidíte rozpad placených hodin na jednotlivé klienty (jejich jména jsme pro účely tohoto videa anonymizovali). Červená čára ukazuje počet hodin, nasmlouvaných v paušálu, oranžová tuto informaci přepočítává k dnešnímu dni. Vidíte tedy, že u třech označených klientů jsme ve zpoždění s dodávkou.

BizzTreat: Průběžné plnění závazků vůči jednotlivým klientům

Co je k tomu potřeba?

Abychom mohli takto náš byznys analyzovat, musíme

  • "vyndat" data ze systémů, které používáme - tady vidíte, že používáme Fakturoid na fakturaci a Paymo pro vykazování

  • dále je nutné data vyčistit a obohatit

  • a potom "natlačit" do nějakého zobrazovátka, v našem případě používáme Tableau.

BizzTreat: ETL proces v Keboola Connection

A to je vše:-)

Vypadá to jednoduše, že jo? Říkáte si “to umím udělat v excelu taky”? Zkuste data aktualizovat denně. Nebo několikrát denně. A co když těch dat máte tolik, že se to už ani do excelu nevejde? Co když potřebujete udělat malou změnu a celá soustava vašich excelů se vám rozsype? Tak to všechno jsou situace, kdy se vám vyplatí volat datového detektiva.

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

Radovan Jirka
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!