První datařské rande: Co mají společného banka, pizzerie a ojetiny?

V úterý 19. listopadu se na Žižkově v podvečer sešlo několik desítek zapálených datařů, kteří zaplnili punkový prostor39. Historicky první Data Date pod taktovkou Taste Medio totiž sliboval pestrý program plný praktické analytiky z různých odvětví podnikání, žádnou suchou teorii.

Bankovní machine learning

Jakub Štěch z DataSentics představil během své prezentace hned dvě rozličné case studies. První z nich popisovala cestu České spořitelny při optimalizaci nákladů na digitální marketing, druhá vysvětlovala, jak vyladit omnichannel strategii tak, aby banka nabídla zákazníkovi přesně to, co v danou chvíli pravděpodobně hledá a potřebuje. Obě případovky se shodly v jednom – ani jedna by nedosáhla úspěchu bez využití strojového učení. Jeho využití v prvním případě přineslo zvýšení efektivity jednoho vynaloženého eura na RTB o 30 procent. Stačilo pustit na data z Adform umělou inteligenci, která ohodnotila jednotlivé weby podle vlastních definovaných metrik a určila tak, na kterých z nich se vyplatí za zobrazení bannerů utrácet více a na kterých méně.

Po úvodním slovu Honzy Tichého se slova ujal Jakub Štěch z DataSentics a představil dva způsoby využití AI v bankovnictví.

Ve druhé části prezentace Jakub nastínil, jak banka těží z chování uživatele na webu. Objasnil například, jak na základě toho, co návštěvník stránek hledal a četl, může strojové učení podat informaci o tom, že uživatel přemýšlí o půjčce, protože se v brzké době bude ženit. Není překvapivé, že u call center vedly takto konkrétní indicie ke zvýšení prodeje hypoték o 50 procent.

Marketéra a majitele businessu můžou zajímat jiná čísla

Druhý řečník, Giuliano Giannetti z Revolt BI, se od bankovních dat přesunul do gastroprůmyslu, když na příkladu pizzerie konfrontoval zájmy online marketérů a provozovatele businessu. Marketéra obvykle zajímají imprese a nalákání nových zákazníků, majitele ale spíš hrubý zisk, který generují nákupy zákazníků. „Marketing nelze uvažovat izolovaně,“ zdůraznil Giuliano, protože aby podnik docílil Paretova principu, potřebuje vracející se zákazníky.

Na vlastním příkladu pak demonstroval, co se stalo, když se po kampani zdvojnásobily objednávky, které v krátkodobém horizontu sice přinesly vyšší zisk, ale v dlouhodobějším horizontu podniku spíše uškodily. Vysvětlil taky, proč se některým restauracím možná nevyplatí nabízet take-away službu, i když má vyšší průměrnou hodnotu objednávky.

Giuliano Giannetti a jeho povídání o využití dat v pizzerii

Strojové učení se dá využít i u ojetin

Jako poslední si vzal slovo Stanislav Koukal, který na příkladu B2B businessu Carvago demonstroval využití dat na trhu s ojetinami. Carvago jakožto webová aplikace potřebuje na nepřetržité bázi získávat od různých prodejců v Evropě informace o tom, jaká auta prodávají. Nasbíraná data pak sesypat na jedno místo a zobrazit je na webu tak, aby si zákazník mohl vybrat z přehledné nabídky.

Zní to jednoduše, ale cesta k finálnímu výstupu aplikace zahrnuje několik mezikroků včetně scrapingu webů jednotlivých autobazarů a jiných inzertních portálů, čištění dat, standardizace aut podle číselníků, identifikaci a odstranění duplicitních nabídek na jeden a tentýž vůz, vyloučení PPV (právě prodaného vozu) nebo export na S3. I v Carvagu plánují využít výhod machine learning a přidat do budoucna například rozpoznávání modelů aut z fotek.

Kdo se nestihl zeptat během prezentací, měl dostatek času během networkingu.

A zejména networking

Všichni tři speakeři odpovídali na otázky nejen během svých bloků, ale i dlouho po oficiálním skončení přednášek. Účastníci, kteří dostali odpovědi na všechny své otázky, se pak mohli věnovat networkingu a zakousnout k tomu barevný tejstí cupcake nebo jiné vegetariánské dobroty.

Jestli vás po dočtení článku štve, že pořád nevíte, co je omnichannel nebo proč dvojnásobek objednávek nepřinesl pizzerii kýžené výsledky, radši příště taky přijďte na datařské rande. Dostanete totiž za málo peněz spoustu praktické analytiky.