Komentář Wallera z Fedu podpořil růst amerických výnosů a dolar. Kurz zpevnil pod 1,0800 za euro. Rostoucí evropské i americké výnosy negativem pro měny regionu. Koruna ve ztrátě nad 25,30 za euro.

Data jsou nová ropa. Ale vědí to české firmy?

Michal Rychnovský, zdroj: Addvery

Umělá inteligence, strojové učení, analýza dat…Už dávno neplatí, že se jedná o „buzzwords“, kterým není potřeba věnovat pozornost. Správné využití dat bude stále více rozhodovat o úspěchu firmy. I čeští CEOs si musí začít klást otázku, jak co nejlépe využít svá (zpravidla zákaznická) data. Velké společnosti jako banky a úvěrové společnosti už s nimi běžně pracují. Ale co zbytek?

Pomoci jim může Addvery, za níž stojí mimo jiné ex-CEO Zonky Pavel Novák. Addvery chystá na české poměry ne úplně typický projekt – analytický hub v Brně. Vede ho člověk, který má k datům velmi blízký vztah – Michal Rychnovský vystudoval matematiku a ekonometrii. Poté zaváděl pro Home Credit v Číně modely pro schvalování úvěrů nebo vyhledávání podvodů v úvěrovém portfoliu. V Home Creditu pracoval i po návratu do Česka, k čemuž ještě připojil angažmá v Air Bank a Zonky.

Jaký vzor si firmy můžou vzít z Emila Zátopka? Co má společného řezník v roce 1921 se současným supermarketem? A jak se dá zhubnout 35 kilo? Přečtěte si rozhovor s Michalem Rychnovským.

V Číně jste pro Home Credit vytvořil „profitability models“. Jak se dá laicky vysvětlit, co to je?

Home Credit poskytuje spotřebitelské úvěry, které se musí schvalovat. Když jsem do Číny přijel, schvalovalo se tam jen na základě elementárních riskových pravidel. To je pro začátek byznysu typické, když teprve sbíráte data, ještě na nich nemáte vytvořené modely. My jsme v Číně implementovali první skóringový model, nahradili jsme tedy ta elementární pravidla matematickým modelem. Ten za pomocí logistické regrese odhadoval pravděpodobnost, že ten konkrétní klient bude nebo nebude splácet.

To se ale pořád bavíme o schvalování na základě očekávaného rizika. Naše „profitability models“, které jsme tam potom zavedli, kombinovaly několik pravděpodobnostních modelů. Díky tomu jsme byli schopni odhadnout, nejen jestli bude klient splácet, ale taky jaký profit přinese. Čínský Home Credit začal po této změně schvalovat nejen klienty s nejnižším rizikem, ale taky s největší profitabilitou. Tato úprava přinesla na vybraných produktech relativní nárůst ziskovosti až o deset procent. Tehdy samozřejmě Čína nebyla z hlediska počtu úvěrů tak velká jako dnes. Ale i tak, když se to znásobilo tím objemem, to byla docela zajímavá změna.

Jak dlouho trvá vyladění nějakého modelu, aby fungoval dle předpokladů?

Velmi záleží na kvalitě dat. Když ty modely děláte úplně poprvé, zabere to delší dobu – řekněme tři měsíce. Musíte připravit data, očistit je a podobně. Když už to potom děláte opakovaně, ta samotná fáze vývoje modelu může být měsíc, v extrémních případech i pár dnů. Pak záleží na agilitě dané firmy, jak dlouho jí trvá implementace do živého provozu. Nejčastěji se bavíme o měsících.

zdroj: Addvery
zdroj: Addvery

Co vlastně Addvery klientům nabízí?

Podle mě to jsou hlavně lidi. Nabízíme takové, kteří umějí nejlépe vytěžovat data, zhodnotit jejich potenciál a ukázat ho na konkrétních finančních benefitech.

Umíme taky přivést k životu technologie. Když si nějaká firma pořídí nový systém za desítky milionů korun, pomůžeme jí ho nastavit, aby začal co nejdříve generovat zisk. Například pro Komerční banku jsme pomáhali zavádět software pro práci s klientskými daty.

Jsme tu zkrátka pro všechny společnosti, které sedí na ohromném množství dat a cítí, že je nevyužívají. Případně pro firmy, které chtějí na zelené louce rozjet něco nového, postavit projekt na klíč, nebo přivést první zákazníky.

Jak jsou na tom české firmy a jejich vztah k datům? Dokážou si uvědomit jejich potenciál?

Myslím si, že se to postupně zlepšuje, ale je tu ještě obrovský kus práce. Spousta firem si to už začíná uvědomovat, ale ještě třeba nevědí, co by s těmi daty dělaly. Případně na to nejsou technologicky připraveny, jejich data leží na různých místech a firmy je nedokážou efektivně spojit.

Říkáte, že banky, operátoři nebo maloobchodníci stále neumí naplno využít data o zákaznících. Jak se to projevuje?

Uvedu historický příklad. Vžijme se do situace před sto lety. Když jste přišel do své masny na rohu ulice, tak už ve dveřích vás řezník oslovil: „Dobrý den, pane Březino, jdete jako na zavolanou. Před chvílí mi totiž přivezli to nejlepší ze včerejší zabíjačky. A ty řízečky z panenky jsou naprosto prvotřídní!“ A potom dodal: „Zrovna včera se mě vaše paní na ty řízečky ptala. Tak jsem vám je hned odložil.“ Rozhodně vám ten řezník nebude nabízet maso na guláš, když ví, že vaše paní guláš nemá ráda, nikdy ho nevaří a vy ho nekupujete.

V dnešní době to je hodně podobné – například velký kamenný prodejce potravin, který má mezi lidmi spoustu věrnostních karet, aplikací a podobně. Rozdává body za nákupy a díky tomu má zmapovanou každou účtenku. Myšlenka vytěžování dat spočívá v tom, že když lidi nakupují kojenecké věci, tak jim jako supermarket pošlu email se slevou na plenky. Nebo když vím, že si dopřávají dobré víno, sýry a podobně, dám jim vědět, že jsem teď naskladnil nový exkluzivní druh prosecca.

Úplně stejně se na to můžeme dívat ve světě e-commerce. Mně například chodí každý den několik emailů od e-shopů, kde jsem kdysi něco nakupoval. Ale všechny nabídky jsou generické. Přijde mi ten stejný email jako vám a nabídne mi taky tu stejnou věc. Některé e-shopy se už dostaly o trochu dál a začaly používat asociační pravidla. Což třeba vede k tomu, že vám stále dokola nabízejí zboží, které jste si už u nich koupil. V případě potravin to dává smysl. Ale když si koupím pračku, tak se dá těžko očekávat, že si ji příští týden koupím znovu. Toto je přesně ten příklad, kde je potřeba na to jít chytřeji a nabízet zboží relevantněji.

zdroj: Addvery
zdroj: Addvery

Můžete popsat nějaký konkrétní Addvery projekt? Co bylo jeho výstupem?

Jeden příklad jsem už zmínil, bylo to pro TOP3 banku v Česku, kde jsme byli v roli byznys partnera pro implementaci zákaznického software. Jde o komplexní nástroj, takže bylo potřeba na něj tu banku připravit. My jsme navrhli změny organizační struktury, reporting a vlastně už na začátku té implementace jsme vysvětlovali, jak nad tím nástrojem přemýšlet a jak s ním pracovat, aby okamžitě přinášel kýžený efekt.

U jiného klienta ze segmentu FMCG jsme od začátku vyvinuli procesy a nastavili datové a segmentační metody. Vyřešili jsme personalizaci tak, aby uměl správně komunikovat se svými klienty. Mimo jiné jsme tam třeba naprogramovali model, který odhaduje, jakou část svých celkových výdajů za potraviny utrácí ten klient za dané zboží v daném obchodě. Abychom věděli, do kterých segmentů můžeme tohoto klienta dále rozšiřovat a ve kterých ten prostor už velký není.

Říká se, že data jsou nová ropa. Co hrozí společnostem, které využití dat pro svou činnost ignorují?

Připravil jsem si pro vás jeden sportovní příklad. Emil Zátopek získal svou první zlatou medaili v Londýně v roce 1948. Tehdy zaběhl desetikilometrový závod v krásném čase 29:59.6. Kdyby Zátopek běžel stejnou trať na olympiádě 2016 v Riu, doběhl by poslední. Přitom ve sportu se toho technologicky zase až tak moc nezměnilo.

Snažím se tím ilustrovat to, že se na trhu objevují další hráči, kteří běží rychleji a s lepší technikou. Co mi stačilo na to, být nejlepší včera, mi už nemusí stačit dnes nebo zítra. V byznysu je to stejné, jen rychlejší. O co lépe pracuje s daty konkurence, o to rychleji přicházím o zákazníky já. A pokud o ně nepřicházím dnes, tak zítra už určitě budu.

Je to už skoro deset let, kdy můj problém kompletně vyřešil na zákaznické lince voicebot. V kontrastu toho se mi ještě dnes stane, že dostanu dopis adresovaný „Vážená/ý paní/pane“. Ach jo, to snad moje pojišťovna neví, jak by mě mohla správně oslovit? Nehledě na to, že už u ní mám nějakou dobu smlouvu? A korunu tomu nasadí, když mě požádá o odpověď poštou.

Toto se bude dít firmám, které nepůjdou s dobou.

Připravujete analytický hub v Brně. O co se vlastně jedná? Jaký bude jeho vztah k Addvery?

Dáváme dohromady partu chytrých a matematicky zdatných lidí, kteří budou řešit nejnáročnější úlohy našich klientů. Pokud totiž nemáte toho zmíněného řezníka, který zná všechny své zákazníky osobně, musíte ho nahradit umělou inteligencí. Hledáme zapálené týmové hráče, kteří se budou rádi učit, budou se neustále posouvat, abychom nedopadli jako hypotetický Zátopek.

Addvery.BI, jak nazýváme náš analytický hub, je součástí digitalizačního butiku Addvery, zaměřený na business intelligence a data. Nebudujeme separátní firmu, ani brand. A jen u nás mají analytici možnost nahlédnout pod pokličku mnoha různých firem, odvětví, problémů i technologií. To je konkrétně v Brně unikátní příležitost.

Jaké absolventy vlastně hledáte? Musí to být jen matematické obory nebo to bude taky záležet na talentu uchazečky/uchazeče?

Naším primárním cílem je matematika, informatika, statistika, ekonometrie a příbuzný typ oborů. Výběrové řízení máme nicméně postaveno úplně jinak. Často totiž narazíte na absolventa matematiky, který, byť ji studoval, tak, jak říkám, pro samé stromy neviděl les. I absolvent matematiky může být zvyklý nad úkoly nepřemýšlet a spíše dělat zavedené postupy.

A naopak, můžete narazit na člověka, který vůbec nemá relevantní vzdělání, ale dokáže nad věcí přemýšlet. Dokáže vidět ten les a vykompenzovat to svým zapálením.

Píšete, že využíváte „skóringy, segmentace, behaviorální analýzy, machine learning, neuronové sítě a mnoho dalšího…“ Jaká rizika hrozí, když se nesprávně použijí? Jaké jsou „best practices“, aby skutečně pomáhaly, a ne aby zavedly jejich uživatele do slepé uličky?

Ve své praxi jsem se mockrát potkal se situací, kdy nějaký analytik něco naklikal do software a „ono něco vyšlo“. Stalo se to, aniž by ten analytik vlastně rozuměl jak podstatě samotné matematické metody, tak jejím předpokladům. Takže vytvořil model, ale v nějaké slepotě. Kvůli té slepotě pak nevíme, jak ten model funguje. Tím pádem ani nevíme, jak bude fungovat zítra. A v nejhorším možném případě ani nepoznáme, že ten model už dávno nefunguje a dává naprosto mylné výsledky. Toto je podle mě to největší riziko.

Co bych tedy doporučil? Rozumět tomu a přemýšlet nad tím. Správně zvolit konkrétní matematickou metodu a zaměřovat se na stabilitu modelu a monitoring výsledků. V praxi raději použijeme nějaký jednodušší model, jehož prediktorům ale velice dobře rozumíme. Víme, jak vznikají, jak se chovají. Vidíme, že jsou v čase stabilní. Když takový model potom nasadíme, dokážeme jeho funkčnost velice dobře monitorovat. Když se takový jednodušší model dobře vyladí, tak většinou v predikci funguje mnohem lépe. Zatímco nevhodně zvolené modely můžou napáchat více škody než užitku.

Jak je to s případným zastaráváním modelu? Když u klienta nějaký nasadíte, monitorujete ho poté, jestli stále plní svou funkci, jak má?

Hodně závisí na konkrétním sektoru. Některé modely musíte modifikovat třeba jen jednou za rok, jiné naopak každý měsíc, nebo dokonce každý den.

Například modely pro schvalování úvěrů mají životnost v řádu desítek měsíců. Je nezbytné je monitorovat, jestli se jejich kvalita stále drží. A zároveň je dobré si jednou za čas zkusit, jestli byste náhodou neuměli použít data, prediktory a algoritmy lépe. Ale například u podvodů tato frekvence zdaleka nestačí a modely se musí přepracovávat častěji, protože podvodníci se stále snaží přijít s něčím novým. Nedostanou se dovnitř dveřmi, tak to zkusí oknem. Tady je potřeba reagovat velmi rychle.

Jak se dá zhubnout 35 kilo? Když si zadáte jméno Michala Rychnovského do vyhledávače, vypadnou na vás nejspíš fotografie z Michalova nástupu do českého Home Creditu v dubnu 2017. Michal Rychnovský (1986) ale dnes vypadá úplně jinak. Říká, že dříve dával prioritu jiným věcem. Nejdříve škole, nebo, přesněji několika vysokým školám, které vystudoval souběžně, rychleji a s červeným diplomem. A poté práci, díky které se dostal do žebříčku Forbes 30 pod 30. Pak si ale uvědomil, že musí dávat prioritu i sám sobě, hlavně svému zdraví.

Začal proto více sportovat a zdravěji jíst. Dnes běhá sto kilometrů měsíčně. „Ještě před pár lety pro mě byla představa, že si půjdu odpoledne jen tak zaběhnout půlmaraton, naprosto nepředstavitelná.“ Ale povedlo se, po třech letech sportování je o 35 kilo lehčí. Budoucí „mediální fotky“ už nebudou reklamou na nezdravý životní styl.

Newsletter