Revenue stúpa, kampane fungujú, PNO aj marža drží. Všetko vyzerá byť v poriadku. Presne takto vyzerajú na prvý pohľad dáta nejednej značky, ktorý za nami príde s otázkou, prečo im napriek rastu neostáva nič na účte. Odpoveď je vždy v číslach, ktoré ale málokto vie spojiť.
Case Study: Keď všetko navonok funguje
Presne takto vyzeral aj tento prípad.
Na úrovni marketingových dashboardov bolo všetko v poriadku. Výkon kampaní bol stabilný, objednávky rástli a revenue išlo hore, a dokonca sa darilo udržať aj PNO. Neexistoval žiadny zjavný signál, ktorý by naznačoval problém.
Až kým sa neobjavila jednoduchá otázka: Prečo nerastie absolútny zisk?
To je moment, keď sa vo väčšine firiem začína spätné pátranie. Prechádzajú sa reporty, porovnávajú obdobia a hľadajú odchýlky.
Mohli sme venovať hodiny, a možno aj dni, hľadaniu odpovede v dátach, ktoré nie sú na prvý pohľad prepojené. Napriek tomu, že každý reklamný systém vykazoval pozitívny vývoj, žiadny z nich nemal prístup k reálnym objednávkam v ERP a CRM. A práve tam sa nachádzala odpoveď.
Ukázalo sa, že problém nebol v komunikácii ani v kvalite produktu. Bol v jednom detaile produktu, ktorý by v bežnom reporte pravdepodobne zanikol - konfekčné veľkosti nesedeli bežným štandardom.
Vďaka AI agentovi sme túto anomáliu odhalili tak, že sa pozrel na viacero zdrojov súbežne:
1. Najskôr sa zameral na produkty, ktoré tvorili významnú časť obratu, a hľadal medzi nimi anomálie. Na tejto úrovni však nenašiel nič, čo by jednoznačne naznačovalo problém.
2. Následne rozšíril pohľad na celú kategóriu, v ktorej sa tieto produkty nachádzali. Ani tam sa však neobjavil žiadny výrazný signál, kategória ako celok pôsobila zdravo.
3. Ďalší krok bol posun na úroveň značky. A práve tu sa začal objavovať zaujímavý pattern. Značka, ktorá obsahovala viacero produktov naprieč rôznymi kategóriami, tvorila signifikantnú časť obratu a zároveň vykazovala podpriemerne nízke PNO. Na prvý pohľad opäť všetko v poriadku. Značka je ťahúň predaja.
4. Rozdiel sa ukázal až pri pohľade na vratkovosť. Na úrovni značky bola viac ako päťnásobne vyššia oproti priemeru. Tento signál sa pritom na úrovni jednotlivých produktov ani kategórií neprejavil - jednotlivé produkty separátne mali relatívne malý podiel na obrate a kategórie boli zložené aj z iných značiek, ktoré celkovú vratkovosť spriemerovali.
5. Až v tomto momente začalo dávať zmysel ísť hlbšie. Agent prepojil dáta z viacerých zdrojov - detail produktu na webe, analytické dáta z Google Analytics a Google Search Console, dáta z reklamných platforiem ako Meta Ads, reálne dáta o objednávkach a vratkách z ERP a zároveň analyzoval tisíce zákazníckych recenzií a feedbacku.
Práve v nich sa opakovane objavoval ten istý problém: veľkosti produktu nezodpovedala očakávaniam. A práve táto „malá chyba“ viedla k zvýšenej vratkovosti, ktorá mala priamy dopad na zisk.
Koľko stojí detail, ktorý si nikto nevšimne
Na prvý pohľad ide o drobnosť. Označenie veľkosti.
Na úrovni dát však ide o zásadný problém: Cena produktu 33 €, marža 35 %, čo znamená zisk 11,55 € na kus.
Pri vratkovosti na úrovni 28 % to znamenalo, že sa mesačne vrátilo približne 2 500 kusov. Len na stratenej marži to predstavovalo viac ako 30 000 € mesačne, teda takmer 360 000 € ročne.
A to stále hovoríme len o marži z predaja. V momente, keď sa do toho započítajú aj mediálne a produkčné marketingové náklady spojené s akvizíciou, logistické náklady, manipulácia či opätovné naskladnenie, reálna strata sa môže vyšplhať až k pol miliónu eur ročne. To všetko v situácii, ktorá na prvý pohľad v dashboardoch vyzerala úplne zdravo.
Problém dnešných firiem nie je v nedostatku dát
Tento prípad u nás nie je výnimka. Je to dôsledok toho, ako dnes firmy pracujú s dátami.
U našich klientov vidíme 2 bežné scenáre:
1. Dát majú veľa, až príliš veľa na to, aby ich vedeli spracovávať a čítať
2. Nemajú správne nastavenú analytiku a reporting, a teda ani dáta nie sú kvalitné a situácie ako bola táto v nich sa nedajú vidieť
Analytické nástroje, reklamné platformy, CRM, webové dáta či interné systémy, každý z nich poskytuje iné možnosti reportovania dát.
Výsledkom je prostredie, v ktorom sa dôležité signály objavujú na viacerých miestach naraz, no ich význam sa musí stále skladať manuálne, prostredníctvom niekoho, kto ich vie prepojiť a pochopiť v kontexte.
AI agenti v tomto prinášajú revolučný posun
Namiesto práce s jedným nástrojom alebo ľudskou kapacitou na spracovanie dát vzniká vrstva, ktorá funguje nad celým existujúcim stackom. Nejde o ďalší systém, ktorý pribudne do infraštruktúry, ale o spôsob, ako pracovať s tým, čo už firma má, naprieč analytikou, marketingom, webom aj internými systémami.
Aj preto sme išli cestou vlastného riešenia a postavili AI agenta na mieru ako kontrolovaný systém nad vlastným stackom. Dôraz sme pritom dali na tri veci: kontrolu nad dátami, auditovateľnosť výstupov a schopnosť pracovať v kontexte konkrétneho projektu.
Prečo nepoužívame open-source AI agenta?
Na trhu dnes existuje množstvo open-source riešení na tvorbu AI agentov. Sú rýchle, dostupné a umožnia vám mať funkčný prototyp za pár hodín. My sme sa vedome rozhodli ísť inou cestou.
Namiesto hotových frameworkov si agentov vyvíjame sami, cez vlastný kód a priame napojenie na modely (aktuálne napr. Anthropic). Dôvod je jednoduchý: chceme rozumieť tomu, čo robíme a ako to funguje. Je to v DNA ui42. Novú technológiu nielen využívať, ale ju preskúmať, pochopiť, a potom vyvinúť vlastné riešenie pre potreby klientov a trhu. Až potom jej dovoliť autonómne riadiť biznisy.
Táto technológia má mesiace a my nemôžeme pusiť technológiu, ktorá má len mesiace do produkcie klienta bez jej absolútnej kontroly a pochopenia.
Šimon Zámečník, Softvérový architekt ui42
Open source riešenia sú skvelé na rýchly štart, ale abstrahujú kľúčové veci „pod kapotou“. Pri vlastnom vývoji máme plnú kontrolu nad tým, ako agent pracuje s dátami, ako sa rozhoduje, kde robí chyby a aké sú jeho reálne limity. Zároveň vieme lepšie optimalizovať výkon, náklady a správanie v konkrétnych use casoch. Vďaka tomu vieme, ako hľadal chybu, ako k nej nakoniec prišiel a vymieňame si kontexty vzájomne.
Pre nás však nie je kľúčová len kontrola. Kľúčové je pochopenie.
Len ak presne vieme, na základe čoho agent robí svoje rozhodnutia, dokážeme jeho výstupy nielen používať, ale aj kvalifikovane spochybňovať. A práve to je rozdiel medzi používaním AI a jej reálnym využitím.
AI nemá byť je o slepej dôvere
AI agent nie je autorita, je to nástroj. Ak mu nerozumiete, veľmi rýchlo sa dostanete do situácie, kde jeho výstupy prijímate bez kritického myslenia. A to je problém.
Preto vnímame „spochybňovanie“ ako kľúčovú súčasť práce s AI nie preto, aby sme technológiu zhadzovali, ale preto, aby sme ju vedeli challengovať, posúvať a zlepšovať.
Bez tejto vrstvy sa z AI stáva black-box, ktorému veríte bez kontroly a pochopenia.
