Barbora Junová: Podpora začínajícího podnikání zaměřeného na prodej výrobků a poskytování služeb
Podpora začínajícího podnikání zaměřeného na prodej výrobků a poskytování služeb
Barbora Junová
Úvod
Rozhodnout se na začátku Digitální akademie, čeho
se bude týkat můj projekt, bylo velmi těžké. Vůbec jsem tehdy totiž netušila,
co všechno se za ty necelé dva měsíce zvládnu naučit a jaké budu ovládat nástroje
ke zpracování dat. Jelikož jsem nechtěla mít svoji závěrečnou práci pouze na
teoretické bázi, jako to bylo u většiny úkolů na vysoké škole, mým nejvýznamnějším
kritériem byla praktičnost celé této věci. Po hlubokém zamyšlení konečně přišel
on – ten NÁPAD. Ze všech stran jsem na přednáškách slyšela, jak moc je důležité
pracovat v jakémkoliv odvětví s daty, ze kterých lze vyčíst téměř
cokoliv. Vzpomněla jsem si na kamaráda, který právě rozjížděl svou vlastní
firmu a napadlo mě, mu s jeho záměrem pomoct a zároveň tak vyřešit i téma
této závěrečné práce. Jak už jsem zmínila, ze začátku jsem neměla absolutně
ponětí o tom, co všechno se dá s daty dělat. V první fázi jsme se tedy
s mojí nově získanou mentorkou domluvily na práci s Google Analytics
a Power BI.
Techniky a nástroje
Nejdříve jsem tedy chtěla používat již zmíněné primárně
vizualizační nástroje Power BI a Google Analytics. Tyto z převážné části zobrazovací
nástroje jsem volila z toho důvodu, že jsem předpokládala práci pouze s fiktivními
a vcelku čistými daty. S nápadem dopomoci si k vlastním reálným datům
přišla pak i nutnost data důkladně vyčistit. Tato fáze projektu nastala po absolvování
hodin Excelu, ze kterých jsem byla naprosto nadšená a chtěla jsem
proniknout do tohoto programu proniknout co nejvíce. Začala jsem tedy psát
vzorce jako divá a data čistit. Postupem času jsem zjistila, že mnou zvolený způsob,
je opravdu zdlouhavý. Dopracovat se k jakýmkoliv výsledkům, mi zabralo
opravdu noho času. Nakonec jsem se rozhodla toto mé třídenní snažení zahodit a
vše udělat znovu a lépe – tentokrát pomocí programovacího jazyka R. Tuto novou
cestu bylo ze začátku těžké prošlapat, jelikož s jazykem R jsme se seznamovaly
pouze jednou, a to na úplném začátku Digitální akademie. I přesto, jsem se do
toho pustila, protože díky R se mi otevřel skvělý nový prostředek na čištění
dat a spojování jednotlivých sloupců.
Postup
Jak jsem již zmínila, na začátku celého
projektu jsem myslela, že budu pracovat s fiktivními daty, které mi
poskytne moje mentorka. Se změnou zaměření projektu na skutečná data jsem ale
musela oprášit své sociologické znalosti z vysoké školy a vytvořila jsem
dotazník. V této chvíli jsem musela najít bezplatný nástroj k distribuci
tohoto dotazníku mezi lidi. Nechtěla jsem volit šablony od firmy Google,
jelikož neposkytují všechny funkce, které jsem potřebovala. Po dlouhém hledání
jsem našla stránku Kvalikvant.cz, která se zdála uživatelsky velmi příjemná a
přehledná. Pokud se chcete podívat na tento dotazník, nebo jste pejskař/ka,
můžete nám dotazník klidně vyplnit na této adrese (https://kvalikvant.cz/jdi/9b9fe52587). Práce s daty pro kamaráda pro mě tímto
projektem nekončí, ale spíše začíná.
Dotazník jsem zde naprogramovala do předpřipravené
šablony. Otázky jsem samozřejmě formulovala na základě toho, co si kamarád-zakladatel
přál zjistit a co ho mohlo na začátku jeho podnikání popostrčit tím správným
směrem. Po vzniku dotazníku jsem udělala pilotážní šetření, kdy byly vychytány
vzniklé chybičky a dotazník byl připraven do terénu. Za 3 týdny, co byl
dotazník on-line, jej otevřelo 2165 lidí, z toho 748 dokončilo a 1417
opustilo. Hned po exportu dat jsem zjistila, že velké procento lidí, kteří
dotazník opustili, tak učinili až na úplném závěru, kde jsme prosili o sdělení
jejich e-mailové adresy. Políčko na zadání e-mailové adresy však bylo dobrovolné
(mimochodem jsme díky němu získali skoro 1000 e-mailů na majitele psů, což se kamarádovi
to se určitě bude někdy hodit).
Bohužel jsem si však hned ze začátku sběru nezkontrolovala,
v jaké formě budou exportovaná data – získaná data jsou rozdělena do mnoha
sloupců, kdy každá možnost odpovědi má vždy právě jeden svůj sloupec. V tuto
chvíli přišel ten největší PROGRES v mé práci, jelikož jsem měla za sebou
lekci v programovacím jazyku R a rozhodla jsem se data vyčistit právě s jeho
pomocí. Zkusila jsem to i pomocí Excelu, ale R bylo rychlejší, efektivnější a
bylo možné celý proces lépe zautomatizovat. Nyní, když doplním nově vzniklé
odpovědi, stále se celá tabulka čistí a slučuje do jednotlivých sloupců sama.
Obrázek č. 1: Zde je ukázka příšernosti,
kterou mnou vybraná stránka na výrobu dotazníku exportuje. Toto je například
výsledek otázky na váhu psa, kde bylo 5 kategorií. V mém případě však tyto
hrozná data nejsou na škodu, jelikož jsem se alespoň pořádně naučila spojovat
sloupce a celkově čistit data :-D
Postupovala jsem tak, že jsem si nejprve
načetla data do nové tabulky q. Zobrazila jsem si dimenze, hlavičku tabulky,
sloupec time, sloupec status a názvy sloupců, abych si udělala prvotní přehled
a kontrolu, jak tabulka vypadá a co je s ní potřeba dělat. Hned
v této fázi jsem si všimla, že program exportuje hodnoty NEZMÍNIL a
NEZMINIL, které znamenají to stejné, tudíž jsem obě tyto hodnoty proměnila v prázdné
textové pole. Vše jsem udělala pomocí for cyklu. Podobný proces jsem provedla i
s hodnotami ZMÍNIL a ZMINIL, ovšem místo prázdného textového pole jsem
tyto dvě hodnoty nahradila názvem sloupce. Nicméně tento přístup vyžadoval
mravenčí práci, a sice přejmenovat všechny sloupce podle toho, kterou
zastupují odpověď.
zastupují odpověď.
Obrázek č. 2: Příkazy, které jsem použila k nahrání a prohlédnutí dat. Dále
jsem pomocí for cyklu přejmenovala hodnoty ve sloupci pomocí názvu sloupce.
K pospojování sloupců jsem použila knihovnu tidyr a v ní funkci unite.
Obrázek č. 3: Funkci unite jsem nejprve vygooglila
a následně využila nápovědu (?unite) přímo v Rku, kde je přesně popsáno
jak se daná funkce využívá.
Obrázek č.4: Šílený kódy na spojování
sloupců.
Po této vcelku zdlouhavé transformaci všech dat
se tabulka stává přehlednější. Jak jsem již zmiňovala, mnoho lidí opustilo dotazník
těsně před požadavkem zadání e-mailu. Rozhodla jsem se, že tato data použiji,
jelikož dle mého mají stále vypovídající hodnotu. Zadávám tedy příkaz na
odstranění všech řádků, které nemají vyplněno předposlední otázku – tím pádem
zde zůstávají pouze řádky, které mají vyplněné buď všechny sloupce, nebo ty
řádky, kde chybí pouze poslední sloupec. Samozřejmě se zaměřuji i na maximální
a minimální hodnoty, které mohou být zaviněné například překlepem respondenta
nebo jeho úmyslným uváděním nerelevantních dat.
Obrázek č.5: Instalace knihovny xlxs.
Výsledky
V rámci ochrany dat nebudu v této práci
psát konkrétní výsledky. Určitě však mohu nastínit, jakým způsobem jsem při
tvorbě vizualizací postupovala a na co jsem se při analýze získaných dat soustředila.
V první řadě jsem se, spíše pro zajímavost,
zaměřila na informace o tom, kolik má člověk doma průměrně psů. Mnohem významnější
sdělení se týkalo toho, kolik lidé průměrně za psa utrácejí, nebo kolik by byli
schopni za nějaké služby pro psy schopni zaplatit. Dále jsem zjišťovala průměrnou
váhu a velikost psa a jeho rasu. Tyto informace jsou vhodné pro přizpůsobení jednotlivých
výrobků a služeb. Další otázky byly zaměřené na ztrátu a krádež psa. V jednoduchém
grafu je jasně znázorněno, zda se jednotliví lidé někdy setkali se ztrátou nebo
krádeží psa, popřípadě jakým způsobem tyto situace řešili. V dotazníku došlo k filtraci
jednotlivých podotázek, proto neměl-li někdo zkušenost se ztrátou psa, logicky
se mu nezobrazila otázka, jak ztrátu řešil. V některých případech byla možná
i odpověď ,,jiným způsobem“, kdy mohli respondenti upřesnit tento způsob v podobě
otevřené otázky. Tyto odpovědi jsem následně kódovala. Vyprojektovala jsem
kategorie, do nichž jsem zařazovala zmíněné odpovědi. Snažila jsem udělat
klasifikační kategorie vyčerpávající tím způsobem, že bylo pokryto celé
universum možností. Dále jsem dávala pozor na to, aby se jednotlivé kategorie
nepřekrývaly, byly jednoznačné a rovnoměrně rozdělené.
Obrázek č.6: Ukázka koláčového a sloupcového grafu.
Další sada otázek se zaměřovala na krmivo. Z výsledných
dat lze zřetelně vyčíst, čím nejčastěji lidé své psy krmí, kolik za to utrácí,
proč se rozhodli právě pro tento druh krmení, popřípadě jaké značky granulí preferují.
Tato data jsem propojila například i s velikostí obce odkud respondent
pochází a našla jsem zde jasnou korelaci. Z důvodu ochrany dat nechci
uvádět konkrétní výsledky, ale chci pouze naznačit, kolik možností skýtá práce i
s takto celkem omezenými daty.
Obrázek č. 7: Ukázka grafu s více proměnnými.
Další dotazy se týkaly způsobu získávání
informací, využívaných psích služeb či zájmu o psí služby. Tato data jsem velmi
párovala i s věkem respondenta, jelikož zde byla často také velmi silná
korelace. Na konci dotazníku byly otázky právě i na demografické údaje, jako je
věk respondenta, počet obyvatel v jeho obci bydliště, či kraj ve kterém
bydlí. Na základě těchto dat se dá například cílit reklama, místa výdejen
daných produktů nebo lokalizace žádaných služeb.
Obrázek č. 8: Demonstrace
rozdílu mezi průměrem a mediánem.
Závěr
Na základě tohoto mého projektu jsem schopna
nově vznikající firmě prezentovat DOPORUČENÍ v podobě empirických dat o
názorech a potřebách jednotlivých chovatelů psů. Jedná se o skoro 2000 lidí,
což považuji za dostatečně reprezentativní vzorek. Z dat lze například bez
problému vyčíst, jakým způsobem majitelé psů své miláčky krmí, jakou značku
krmiva nejčastěji kupují, kde si krmivo objednávají, jak si ho nechávají dovézt
domů nebo proč se vlastně rozhodli pro tento způsob krmiva. Podobné informace
jsem schopna získat i v ostatních oblastech jako je výcvik psa, starost o
jeho zdravotní stav, pojištění psa, aktivity vykonávané se psem a další.
Několik otázek se týkalo i finanční stránky celé věci, tudíž se dají jednoduše
spočítat průměry či mediány, ale i maxima a minima částek, které jsou zákazníci
ochotni dát za jednotlivé služby. Tyto informace jsou pro vznikající firmu také
velmi důležité, jelikož na jejich základě lze korigovat ceny nově nabízených
produktů služeb.
Během projektu nás spolu s kamarádem napadlo ještě mnoho dalších
vychytávek, jak získávat a využívat data. V dalších projektech už budu
chytřejší a spoustu věcí udělám jinak, ale přesně takto funguje progres v poznávání
určitého oboru.
Myslím, že moje spolupráce s touto
konkrétní začínající firmou bude pokračovat i nadále a jsem ráda, že mám díky
Digitální akademii možnost mému kamarádovi pomoci. Jsem hrdá sama na sebe, že
dokážu pomoci druhým lidem při jejich projektech. Hodlám se v analýze dat
nadále zdokonalovat a učit se novým věcem.
PS.: Ve volném čase jsem si naprogramovala bankomat do AZ-kvízu v Pythonu.
Před dvěma měsíci bych se smála, kdyby mně někdo řekl, že to zvládnu.
Takže určitě všem doporučuji Digitální akademii od Czechitas a holkám a klukům děkuji za super vedení a milou spolupráci. Jmenovitě děkuji své mentorce Janě Babáčkové, která mi věnovala svůj volný čas a podporu při tvoření projektu.
Jsem vděčná nejen za vědomosti, ale i za získaná přátelství <3
Takže určitě všem doporučuji Digitální akademii od Czechitas a holkám a klukům děkuji za super vedení a milou spolupráci. Jmenovitě děkuji své mentorce Janě Babáčkové, která mi věnovala svůj volný čas a podporu při tvoření projektu.
Jsem vděčná nejen za vědomosti, ale i za získaná přátelství <3
Zdroje
CUESTA, Hector. Analýza dat v
praxi. Brno: Computer Press, 2015. ISBN 978-80-251-4361 https://exceltown.com/navody/jazyk-r/propojeni-excelu-s-jazykem-r/
https://datascienceplus.com/data-manipulation-with-tidyr/
Já jsem potřebovala na začátku svého podnikání také podporu, a to finanční :-D . Měla jsem našetřeno málo peněz, tak jsem si musela sjednat nebankovní úvěr na podnikání . Doufala jsem, že se mi bude dařit a budu mít z čeho dluh splácet. Ze začátku to sice vypadalo všelijak, ale nakonec se mi podařilo podnikání rozjet a půjčku splatit :-) .
OdpovědětVymazatNo, koukám, že jsme na tom úplně stejně. Já s podnikáním začal před dvěma lety. A taky jsem měl ze začátku docela velké finanční problémy. Hodně mi z nich pomohla půjčka pro OSVČ kterou jsem si byl nucen vzít. Rád bych řekl, že už ji mám splacenou, ale bohužel, ještě asi půl roku budu splácet. Finančně jsem na tom ale naštěstí už podstatně lépe, tak snad to tak vydrží. :)
VymazatMyslím si, že velká část podnikatelů by bez nějaké finanční podpory prostě začátky nezvládla. Nebyl jsem na tom jinak. Také jsem si do začátku byl nucen peníze půjčit. Musím ale říct, že jsem rád, že teď už se mi v podnikání daří. Dokonce jsem začal uvažovat nad jednou věcí, a to konkrétně jestli by se mi místo podnikání jako OSVČ nevyplatilo spíš založení s.r.o.
VymazatTento komentář byl odstraněn autorem.
OdpovědětVymazatTak ona ta podpora často není potřeba jen v začátcích. Pokud máte třeba výrobnu, potřebujete pořád řešit nějaké údržby a nákupy nových strojů, abyste se mohli rozrůstat a řešit narůstající poptávku. A u větších strojů, jako jsou třeba šroubové kompresory je to dost velká investice. Pak to chce mí připravený pořádný kapitál nebo si někde půjčit.
OdpovědětVymazat