Příjmy rostou, kampaně fungují, PNO i marže drží. Všechno vypadá být v pořádku. Přesně takto vypadají na první pohled data nejednoho klienta, který za námi přijde s otázkou, proč mu navzdory růstu nezůstává nic na účtu. Odpověď je vždy v číslech, které ale málokdo umí spojit.
Case Study: Když vše navenek funguje
Přesně takto vypadal i tento případ.
Na úrovni marketingových dashboardů bylo vše v pořádku. Výkon kampaní byl stabilní, objednávky rostly a revenue šlo nahoru, a dokonce se dařilo udržet i PNO. Neexistoval žádný zjevný signál, který by naznačoval problém.
Až dokud se neobjevila jednoduchá otázka: Proč neroste absolutní zisk?
To je moment, kdy se ve většině firem začíná zpětné pátrání. Procházejí se reporty, porovnávají období a hledají odchylky.
Mohli jsme věnovat hodiny, a možná i dny, hledání odpovědi v datech, která nejsou na první pohled propojená. Přestože každý reklamní systém vykazoval pozitivní vývoj, žádný z nich neměl přístup k reálným objednávkám v ERP a CRM. A právě tam se nacházela odpověď.
Ukázalo se, že problém nebyl v komunikaci ani v kvalitě produktu. Byl v jednom detailu produktu, který by v běžném reportu pravděpodobně zanikl - konfekční velikosti neseděly běžným standardům.
Díky AI agentovi jsme tuto anomálii odhalili tak, že se podíval na více zdrojů současně:
1. Nejprve se zaměřil na produkty, které tvořily významnou část obratu, a hledal mezi nimi anomálie. Na této úrovni však nenašel nic, co by jednoznačně naznačovalo problém
2. Následně rozšířil pohled na celou kategorii, ve které se tyto produkty nacházely. Ani tam se však neobjevil žádný výrazný signál, kategorie jako celek působila zdravě.
3. Další krok byl posun na úroveň značky. A právě zde se začal objevovat zajímavý pattern. Značka, která obsahovala více produktů napříč různými kategoriemi, tvořila signifikantní část obratu a zároveň vykazovala podprůměrně nízké PNO. Na první pohled opět vše v pořádku. Značka je tahoun prodeje.
4. Rozdíl se ukázal až při pohledu na vratkovost. Na úrovni značky byla více než pětinásobně vyšší oproti průměru. Tento signál se přitom na úrovni jednotlivých produktů ani kategorií neprojevil - jednotlivé produkty separátně měly relativně malý podíl na obratu a kategorie byly složeny i z jiných značek, které celkovou vratkovost zprůměrovaly.
5. Až v tomto momentě začalo dávat smysl jít hlouběji. Agent propojil data z více zdrojů - detail produktu na webu, analytická data z Google Analytics a Google Search Console, data z reklamních platforem jako Meta Ads, reálná data o objednávkách a vratkách z ERP a zároveň analyzoval tisíce zákaznických recenzí a feedbacku.
Právě v nich se opakovaně objevoval ten stejný problém: velikosti produktu neodpovídaly očekáváním. A právě tato „malá chyba“ vedla k zvýšené vratkovosti, která měla přímý dopad na zisk.
Kolik stojí detail, který si nikdo nevšimne
Na první pohled jde o drobnost. Označení velikosti.
Na úrovni dat však jde o zásadní problém:
- Cena produktu – 825 Kč
- Marže 35 %
- což znamená zisk 289 Kč na kus.
Při vratkovosti na úrovni 28 % to znamenalo, že se měsíčně vrátilo přibližně 2 500 kusů. Jen na ztracené marži to představovalo více než 720 000 Kč měsíčně, tedy téměř 8,6 milionu Kč ročně.
A to stále mluvíme jen o marži z prodeje. V momentě, kdy se do toho započítají i logistické náklady, manipulace či opětovné naskladnění, reálná ztráta se může vyšplhat až k 12,5 milionům Kč ročně. To vše v situaci, která na první pohled v dashboardech vypadala úplně zdravě.
Problém dnešních firem není v nedostatku dat
Tento případ u nás není výjimka. Je to důsledek toho, jak dnes firmy pracují s daty.
U našich klientů vidíme 2 běžné scénáře:
1. Dat mají hodně, až příliš mnoho na to, aby je uměli zpracovávat a číst
2. Nemají správně nastavenou analytiku a reporting, a tedy ani data nejsou kvalitní a situace jako byla tato v nich se nedají vidět
Analytické nástroje, reklamní platformy, CRM, webová data či interní systémy, každý z nich poskytuje jiné možnosti reportování dat.
Výsledkem je prostředí, ve kterém se důležité signály objevují na více místech najednou, ale jejich význam se musí stále skládat manuálně, prostřednictvím někoho, kdo je umí propojit a pochopit v kontextu.
AI agenti v tomto přinášejí revoluční posun
Místo práce s jedním nástrojem nebo lidskou kapacitou na zpracování dat vzniká vrstva, která funguje nad celým existujícím stackem. Nejde o další systém, který přibude do infrastruktury, ale o způsob, jak pracovat s tím, co už firma má, napříč analytikou, marketingem, webem i interními systémy.
I proto jsme šli cestou vlastního řešení a postavili AI agenta na míru jako kontrolovaný systém nad vlastním stackem. Důraz jsme přitom dali na tři věci: kontrolu nad daty, auditovatelnost výstupů a schopnost pracovat v kontextu konkrétního projektu.
Proč nepoužíváme open-source AI agenta?
Na trhu dnes existuje množství open-source řešení na tvorbu AI agentů. Jsou rychlé, dostupné a umožní vám mít funkční prototyp za pár hodin. My jsme se vědomě rozhodli jít jinou cestou.
Místo hotových frameworků si agenty vyvíjíme sami, přes vlastní kód a přímé napojení na modely (aktuálně např. Anthropic). Důvod je jednoduchý: chceme rozumět tomu, co děláme a jak to funguje. Je to v DNA ui42. Novou technologii nejen využívat, ale ji prozkoumat, pochopit, a pak vyvinout vlastní řešení pro potřeby klientů a trhu.
Tato technologie má měsíce a my nemůžeme pustit technologii, která má jen měsíce, do produkce klienta bez její absolutní kontroly a pochopení.
Šimon Zámečník, Softwarový architekt ui42
Open source řešení jsou skvělá na rychlý start, ale abstrahují klíčové věci „pod kapotou“. Při vlastním vývoji máme plnou kontrolu nad tím, jak agent pracuje s daty, jak se rozhoduje, kde dělá chyby a jaké jsou jeho reálné limity. Zároveň umíme lépe optimalizovat výkon, náklady a chování v konkrétních use casech. Díky tomu víme, jak hledal chybu, jak k ní nakonec přišel a vyměňujeme si kontexty vzájemně.
Pro nás však není klíčová jen kontrola. Klíčové je pochopení.
Jen pokud přesně víme, na základě čeho agent dělá svá rozhodnutí, dokážeme jeho výstupy nejen používat, ale také je kvalifikovaně zpochybňovat. A právě to je rozdíl mezi používáním AI a jejím skutečným využitím.
Šimon Zámečník, Softwarový
AI není o slepé důvěře
AI agent není autorita, je to nástroj. Pokud mu nerozumíte, velmi rychle se dostanete do situace, kde jeho výstupy přijímáte bez kritického myšlení. A to je problém.
Proto vnímáme „zpochybňování“ jako klíčovou součást práce s AI ne proto, abychom technologii shazovali, ale proto, abychom ji uměli challengovat, posouvat a zlepšovat.
Bez této vrstvy se z AI stává black box, kterému věříte, ale nerozumíte.
