Jeden princip napříč obory: automatizaci stavím na infrastruktuře, ne na marketingových slidech. První studie je doložená, čísla v ní jsou skutečná a klient je anonymizovaný. Tři následující jsou ilustrativní; přibližují rozsah a dopad, ne přesnou provozní statistiku.
Generátor účtenek a faktur běžící celý v prohlížeči, nic se nikam neodesílá. Termální role 58 a 80 mm, A4, DPH po řádcích se souhrnem, čárové kódy Code 128 a EAN-13, QR platba. Vlastní QR enkodér i Reed-Solomon, nula závislostí, 196 testů.
Jejich seznam firem z chemie a farmy (DE·CH·NL) jsem firmu po firmě proměnil v obchodní nástroj. Z 228 firem: 143 s vysokou relevancí, 146 jmenných kontaktů v cílových rolích, 213 firem s přímým telefonem. Ze 138 dohledaných e-mailů jich 68 prošlo živou SMTP kontrolou. Konkurenci jsem odfiltroval. Bez nakoupené kontaktní databáze — veřejné zdroje a vlastní pipeline.
Moje SaaS platforma pro technický předprodej. Odpovědi nad firemní dokumentací, které vždy doloží zdroj, kryptograficky ověřené. Vektorové hledání, práce s nástroji a eskalace na člověka tam, kde si model není jistý.
Pro český zdravotnický e-shop jsem postavil AI akviziční engine: sám vyhledá B2B odběratele, ověří je, oskóruje podle relevance a připraví personalizované oslovení na míru. Web je klientův, obchodní motor za ním můj.
Kreativní studio pro startupy i značky, digitální zážitky, které spojují a fungují.
Landing pro AI automatizaci a integrace, od hero až po výzvu k akci.
Web pro barbershop v Sydney (East Hills, NSW). Prémiový tmavý vzhled, služby i ceník a online rezervace přes Cal.com, walk-in i booking na pár kliků.
Koncept webu pro rodinné řeznictví v Padstow (NSW, Sydney). Objednávka z mobilu včetně poznámky, jak maso naporcovat, a vyzvednutí na pultě bez fronty. Postaveno bez zadání jako ukázka, obchod není klient.
Studio pro UI/UX, branding, ilustraci a weby, portfoliová prezentace.
Klikatelný prototyp AI nástroje na hodnocení marketingových videí, verdikt, heatmapa slabých míst a top 3 opravy do dvou minut.
Prezentační web (pitch) pro kavárnu Ippa ve třech jazycích (CZ / EN / DE). Klientské demo, přístup na heslo.
Vlastní rozpracovaný projekt. Detaily brzy doplním, zatím ve vývoji.
Web pro rodinnou oční optiku v Plzni, měření zraku, značkové obruby, akce i kontakt.
Portfolio pro fine-art a portrétního fotografa z Plzně. Tematické galerie, důraz na atmosféru.
Web pro autoservis v Plzni, služby, STK, ceník, rezervace i kontakt.
Distributor chemických surovin si koupil export z komerční firemní databáze: 228 firem v Německu, Švýcarsku a Nizozemsku, 43 sloupců na firmu. Obchodník ho otevřel, chvíli se v něm hrabal a zavřel ho. Data byla technicky v pořádku a obchodně nepoužitelná.
Cena exportu je ta menší položka. Skutečná cena je čas obchodníka, než z jednoho řádku vznikne hovor: dohledat, kdo ve firmě o nákupu rozhoduje, najít na něj kontakt a ověřit, že firma vůbec ještě funguje a není to konkurence.
Při zhruba 20 minutách ruční rešerše na firmu je to asi 76 hodin práce obchodníka, než odejde první e-mail. Modelový odhad, ne fakturovaná položka; slouží k porovnání s tím, co pipeline zvládne přes noc.
Postavil jsem obohacovací pipeline, která bere export takový, jaký je, a firmu po firmě z něj dělá obchodní nástroj. Ověří, že web žije, přečte, co firma skutečně dělá, a podle toho ji oboduje na relevanci vůči klientovu sortimentu. Konkurenci vyřadí. Teprve u firem, které projdou, dohledává konkrétní lidi a jejich kontakty.
Ta poslední dlaždice je schválně malá. Adres se dohledalo 138, ale ověření není razítko — 68 jich odpovědělo, 18 je odvozených z firemního vzoru, 19 nešlo zkontrolovat a 33 se ukázalo jako neplatných. Právě těch 33 je důkaz, že se ta kontrola opravdu dělá; kdo hlásí samá ověřená čísla, ji nedělá.
Rozpočet na data: nula. Žádná nakoupená kontaktní databáze, žádná licence — veřejné zdroje, vlastní obohacovací pipeline a SMTP kontrola, kterou si pouštím sám. Placené průchody přes komerční databáze byly v nabídce jako doplněk a nakonec se nepoužily. Tohle není o tom, že se dá ušetřit; je to o tom, že ta rešeršní část, za kterou se platí, je ta vlastní.
Obchodník začíná u 143 firem, o kterých ví, proč tam volá, místo u 228 řádků, které musí nejdřív prověřit. Klient je na jeho přání anonymizovaný, živá data v náhledu aplikace jsou skrytá.
Globální logistická firma zpracovávala mezinárodní fakturaci ručně: tým čtyř lidí přepisoval údaje mezi TMS systémem, celní databází a účetnictvím. Každá zásilka čekala na papírování, v průměru 48 hodin.
Postavil jsem event-driven orchestraci nad vlastním middlewarem: každá událost v TMS (naložení, přechod hranice, doručení) automaticky spouští validaci dat, vygenerování celních dokumentů a zaúčtování. Napojil jsem ji na stávající systémy přes API, takže firma nemusela měnit software. Lidé řeší jen výjimky, které pipeline označí k ruční kontrole.
Náhled monitorovacího dashboardu pipeline (ilustrační data).
Čísla výše jsou modelovaná, ne naměřená u klienta. Ukazují rozsah a typ dopadu, ne provozní statistiku dodané zakázky. Doložená čísla jsou jenom u studie Galochrom výše.
Interní helpdesk banky dostával přes 900 dotazů denně, od resetů hesel po výklad interních směrnic. Odpovědi hledalo 12 operátorů v dokumentaci čítající tisíce stran. Veřejné AI nástroje byly kvůli regulaci nepoužitelné.
Nasadil jsem stavového konverzačního agenta na architektuře RAG, který běží kompletně v privátním cloudu banky. Vytrénoval jsem ho výhradně na interní dokumentaci; odpovědi dokládá citacemi zdrojů a složité případy předává lidem s celým kontextem konverzace.
Náhled konverzace s interním agentem (ilustrační data).
Čísla výše jsou modelovaná, ne naměřená u klienta. Ukazují rozsah a typ dopadu, ne provozní statistiku dodané zakázky. Doložená čísla jsou jenom u studie Galochrom výše.
SaaS platforma pro správu vozových parků ztrácela zákazníky potichu: když klient přestal produkt používat, tým se to dozvěděl až z výpovědi. Customer success reagoval pozdě a plošně.
Navrhl jsem prediktivní middleware, který čte telemetrii produktu v reálném čase, skóruje riziko odchodu každého účtu a sám spouští odstupňované zásahy: od personalizovaného onboarding e-mailu po úkol pro account manažera s přesným popisem, co se u klienta děje.
Náhled dashboardu rizika odchodu (ilustrační data).
Čísla výše jsou modelovaná, ne naměřená u klienta. Ukazují rozsah a typ dopadu, ne provozní statistiku dodané zakázky. Doložená čísla jsou jenom u studie Galochrom výše.
Řešíte něco podobného? Napište mi, rád se na váš případ podívám a poradím, jestli a jak se dá automatizovat.
Ozvěte se miMáte nápad nebo projekt? Ozvěte se, odpovídám rychle.
Napsat