Cesta k Marketingintelligence.io

aneb otevře data engineering & machine learning nové příležitosti pro e-commerce podnikatele a digitální marketéry?

Svět podnikání na internetu a digitální marketing prošel za poslední desetiletí obrovský kus cesty. Živě si vzpomínám na původní verze rozhraní Google Adwords (dnešní Google Ads), minimální znalost programatické práce a využití API napříč trhem, ruční výběr klíčových slov a tvorbu kampaní klidně i pro tisíce produktů a webovou analytiku nastavenou tak, že snad bylo lepší (= byznysově přínosnější) data raději ani nesledovat :-). I jako tvůrci vlastního CMS v rámci onehdá nadčasového WPJ.cz jsme s programatickou prací na úrovni digitálního marketingu v roce 200X hodně bojovali.


Co se za ty roky dle (nejenom) našeho názoru nejvíce změnilo a jaké dopady to má pro každodenní práci majitelů e-commerce projektů (nejen e-shopů, ale každého projektu, který generuje business online) a digitální marketéry?


3 nejzásadnější změny za nás:

  1. Posun z geek marketing konzultantů a SEO hackerů do pozice Business Analytiků s výrazným přesahem do ekonomického fungování firem.

  2. Automatizace tvorby a správy kampaní je standardem v zásadě pro každou marketingovou platformu.

  3. Práce s daty, jejich propojování a hledání souvislostí s využitím automatizace a machine learning + programatický přístup k práci obecně je již tržním standardem.


1. Jak se člověk může stát Business Analytikem s přesahy?


Jak hezky ve svém článku vystihl kolega Mirek Pecka:


„Pro majitele firem je nesnadné vybrat si profesionála (jednotlivce či firmu), který pro ně odvede práci, která jim reálně pomůže posunout jejich online podnikání správným směrem.“


Již dávno neplatí, že se stačí specializovat na jednu vybranou vertikálu (např. SEO nebo PPC), říct si 1.500 - 2.500 Kč / hod a začít procházet inzeráty bytů v centru Prahy, neb i politici (a bohužel i doktoři a učitelé) pracují velice často za nižší hodinovou mzdu.


K freelance konzultantovi s hodinovou sazbou 1.000 Kč + vede dlouhá cesta počínající vzděláním (nemusí být nutně v rámci vysokoškolského systému, internet je dnes plný neuvěřitelně kvalitních materiálů a i světové univerzity nabízejí v dnešní době svůj obsah dostupný online).


Vzdělání se dá kompletně pokrýt online výukou a konzultacemi se správným (a nutně zkušeným) mentorem z oboru, nelze ho však scuknout do pár týdnů / měsíců samostudia. I kdybyste načetli za 3 měsíce všechny materiály na internetu (což je nereálné), proces vzdělávání není pouze o tom čerpat zkušenosti někoho jiného, ale především získat své vlastní. Jak na to? Prací. Jak kdysi zmínil Jan Řezáč: „Pokud jste nováčkem, pracujte na prvních projektech klidně zadarmo, je to fér pro obě strany“.

Dnes navíc nestačí danou problematiku “naklikat jednou v platformě a jsem profi PPCčkař”, ale je nutné dané experimenty (business use cases) opakovat a především zpětně analyzovat jejich reálný kauzální přínos pro požadované KPI. Neméně důležité je také být dobrým manažerem. Ve výsledku se stanete Solution Architektem

Poznámka autora: kauzalita není buzzword (stejně jako jiné odborné pojmy, které umíte prakticky využít). Buzzword = téma, o kterém se mluví, ale když přijde na reálný přenos do praxe, přichází oblíbené „to záleží“ nebo „to nejde“. Jako pozorný čtenář našeho blogu získáváte na omezenou dobu zdarma přístup do naší aplikace pro výpočet kauzality.


Dle mých zkušeností potřebuje mít skutečný profesionální digitální marketér, který má odvahu říct si o 1.500 Kč / hod, roky praktických zkušeností alespoň ze 3 - 4 oborů (např. PPC, SEO, UX) a zároveň být zkušený analytik (což nemá nic společného s uměním klikat v GA rozhraní a nabiflovat se sadu předdefinovaných pohledů-reportů). Manažerské zkušenosti s vedením týmu (třeba na pozici CMO nebo Head of Performance) a znalost odpovědnosti za nemalý budget jsou dnes již také standardem.


2. Automatizace tvorby a správy kampaní aneb šetřete svůj čas, nic cennějšího v životě nemáte


Díky nástrojům jako PPCbee, Roihunter nebo Zapier.com je pokročilá automatizace správy kampaní i práce za počítačem obecně cenově dostupná již pro každého. Freelance specialistu, agenturu, malý i velký e-shop i učitelku na základní škole.

Po vytvoření konceptu tvorby struktury kampaní dle potřeb daného byznysového modelu (k tomuto tématu se dostaneme záhy) se již kampaně o nové produkty aktualizují sami. Zároveň se díky využití ML autobidding strategií dostupných ve většině platforem dá z velké části automatizovat i optimalizace kampaní na velice detailní úrovni, jako produkt nebo klíčové slovo.


Poznámka autora: „Autobidding nemá nejlepší výsledky vždy, nicméně poměr funguje/nefunguje se alespoň dle našich experimentů v čase začíná výrazně více přesouvat do části „funguje“.


Zároveň se dají v rámci architektury samotného reklamního účtu díky automatizaci vytvářet komplexní datové struktury, s pomocí kterých je možné najít sweetspots, které chcete škálovat do maxima a zároveň i části, které byznysově nic nepřinášejí (i když by se tak na první pohled mohlo zdát).


Dobře, tak se výrazná část práce online marketérů automatizovala. Znamená to, že jako PPCčkař přijdu o práci?


Diskuze na toto téma se vedou již roky (své první mapuji do roku 2013/2014). Jak je to dle našeho názoru v roce 2020? Podaří se většinu práce (nejen) PPC specialistů automatizovat? -> Ne, nepodaří, už se tak dávno stalo, jen si to příliš velká skupina lidí nechce přiznat, čímž tvoří svojí vlastní bublinu nepostradatelnosti a obhajitelnosti vysoké ceny za svou práci.


Samozřejmě nelze automatizovat vše, především pak kreativní myšlení (kreativa neznamená pouze grafiku, ale obecně kreativní přístup k práci a byznysovému uvažování). Repetitivní činnosti ovšem automatizovat lze (především pak v korporátním světě je to obrovská část pracovní náplně lidí).


Osobně vidím automatizaci i v rámci odstranění nadbytečných procesů (není potřeba automatizovat něco, co v první řadě vůbec nedává smysl, aby se dělo). Tím lze dosáhnout až enormních úspor (finančních i časových) a daný projekt tak může získat prostor pro natolik ceněné kreativní přemýšlení.


Velice důležité je uvědomění, že automatizace není ze 100 % pouze automatizace na úrovni marketingu, ba naopak, marketing tvoří pouze menší část (osobně myslím, že jednotky %) ze světa, u kterého dává automatizace a chytrá práce s informacemi smysl.


Kde se tedy pro šikovné digitální marketéry může skrývat nový potenciál pro využití jejich talentu? V data engineeringu, strojovém učení a kreativním byznysovém přemýšlení.


3. Práce s daty, jejich propojování, hledání souvislostí s využitím automatizace a machine learning


Realitu, kdy bude většina naší práce automatizovaná, jsme si s Markem Kobulským uvědomili již před několika lety. Nutno říci, že toto uvědomění mělo za následek nemálo probdělých nocí.


„Přesahy, kontext a automatizace vlastních, originálních nápadů je cesta, jak si udělat unikátní pozici na trhu“, říkali jsme si onehdá. Nedalo se nic dělat, museli jsme si vyhrnout rukávy, začít studovat nové věci, rozšiřovat si obzory a vše pečlivě a strukturovaně dokumentovat, abychom pak mohli to nejlepší, co objevíme, automatizovat, zpřístupnit širšímu publiku a díky nabytým znalostem se posunout profesně zase o kus dále.


První vlaštovka byl analytický nástroj na výpočet kauzality, inspirovaný aplikací GA-Effect od Marka Edmondsona využívající Google Causal Impact, která pro nás nicméně měla několik zásadních omezení (což bylo hlavním důvodem k vytvoření vlastní verze). Následoval framework a další analytický nástroj, díky kterému se dá začít pracovat na rozklíčování atribučního problému nejenom v marketingu, od kterého byl už jen malý krok k vytvoření vlastní metodiky pro datové řízení online byznysu (case study zde).


*Náhled rozhraní aplikace pro výpočet kauzality

Právě automatizace frameworku datového řízení online byznysu a posun našich nástrojů na top technologickou úroveň s využitím multicloud architektury vdechlo život Marketingintelligence.io (dále jako "Mi").

Mi je datový a filozofický koncept, který v sobě kombinuje špičkové znalosti digitálního marketingu, ekonomie, online podnikání a v neposlední řadě data engineeringu a efektivního zpracování velkého množství informací (sekce na toto téma na našem blogu zde).


S Márou jsme ve dvou dokázali obsloužit desítky klientů s využitím přesahů do mnoha oborů, rozjet Ecommerce-academy.cz a vytvořit analytické nástroje, které posunuly mnoho lidí i projektů o kus dál v jejich profesním životě (dle osobních referencí).


Projekt s tak velkým globálním potenciálem, jako je Marketingintelligence.io (dle názorů našich business & investment advisors), je pro nás dva samotné příliš velké sousto. Po více jak rok dlouhých diskuzích jsme své síly spojili s Karlem Schindlerem (Tlusťákem) a jeho Business Factory.

Karel: "“Vždycky jsme se snažili posunout hranice toho, co je v marketingu možné, pomocí technologií, ale řešili jsme spíše minoritní marketingové problémy. Až několik společných setkání s Milanem a Markem končících sadou počmáraných tabulí nám otevřelo oči a srdce. Věříme, že společně dáme světu unikátní hodnotu.”


Díky Karlosovi máme pro škálu našeho produktu k dispozici nejenom více jak stohlavý tým působící v mnoha zemích světa (včetně Dubaje, US a UK), nového extrémně talentovaného COO Honzu Faturu, ale také přístup k know-how z prestižních světových univerzit a ke zkušenostem získaným díky marketingovým investicím v řádu více jak 100 mio USD ročně.


Marketingintelligence.io aneb produktizace služeb jako cesta k tvorbě produktu

Pokud svou práci děláte svědomitě, vaši klienti nepochybují o vašem přínosu pro jejich byznys a zároveň umíte programovat, nic vám nebrání začít otevírat dveře zcela nového odvětví, které díky inovativním platformám (např. Keboola) začíná vznikat, a své unikátní know-how produktizovat.


Jednoduše řečeno: „Je vaše práce v něčem unikátní? Máte vlastní nápady, přístupy, myšlenky? Vytvořte z nich produkt, jinak vás někdo jiný brzy doběhne, podstřelí cenou (= bude umět pracovat efektivněji) a váš produkt vytvoří místo vás.“


Jaké obory/činnosti v rámci Marketingintelligence.io automatizujeme a komu tím usnadňujeme práci?


  1. High-level řízení firemních investic s důrazem na marketingové investice (CEO).

  2. Plánování, vyhodnocování a řízení marketingových investic napříč kanály (CMO, marketingový manažer).

  3. Deep-dive analytika vybraných oborů (např. zákaznická analytika) s možností automatizace na úrovni biddingu, struktury kampaní nebo tvorby cílových publik (marketingový specialista).

  4. Cloudová úložiště a metodiky pro jednotlivé data pipelines (datový inženýr).

  5. Nalézání příležitostí v datech (anomaly detector) (business analyst).

  6. Hotové frameworky pro využití nejrůznějších matematických přístupů (data scientist).

  7. A mnoho dalšího.

*Jeden ze slidů školení Data Driven Marketing prakticky

Garbage In, Garbage Out - aneb datový model jako základní stavební kámen poctivé práce


Určitě jste to už slyšeli: „No jo, ale my máme nepřesná data“... No a co s tím děláte?

My začínáme vždy detailní analýzou kvality dat nejenom v Google Analytics a reklamních platformách, ale také ověřujeme stav transakční databáze (MySQL, PostgreSQL, Snowflake, ...) a celkově mapujeme, jaké technologie jsou využity pro jednotlivá “datová sila”, ze kterých se firma skládá. Pak trávíme čas definováním, která data a jakým způsobem začít spojovat dohromady (transformovat).

Zní to možná složitě, ale pro zkušeného konzultanta jsou i tato témata denním chlebem. Zároveň se nenechte zmást dojmem: „To je jen pro velké firmy, my máme pouze malé klienty/jsme začínající eshop…“. Naopak - čím mladší firma, tím smysluplnější je podchytit celou problematiku datové a byznysové architektury a automatizace procesů obecně co nejdříve.


Dostanete od počátku cashflow pod kontrolu a výrazně si zjednodušíte život v následujících letech, kdy už nebudete mít pouze 3 - 4 datové zdroje, ale klidně desítky, a ještě v různých zemích světa, a začít pak budovat celý datový ekosystém pro analytické řízení firmy bude násobně dražší.


Business plán a vize


I přes skutečnost, že naše platforma nese v názvu „marketing“ a i naše profesní zkušenosti jsou aktuálně především z marketingového světa, v počátku nové spolupráce vždy v první řadě definujeme alespoň základní strukturu BDM (business data model) projektu, se kterým otevíráme spolupráci.


Potřebujeme vědět, jak majitel dané firmy přemýšlí nad byznysem, kde vidí své unikátní postavení na trhu i dlouhodobou vizi a v jakých částech naopak vnímá své největší slabiny.


BDM se následně velice silně otiskne do celé datové infrastruktury, výběru technologií i přístupů, jak data zpracovávat a následně využít.

Kvalita jmenné konvence kampaní = seniorita vašeho marketingového týmu


Proč? Protože člověk, který si dává záležet na promyšlené jmenné konvenci kampaní, chápe konsekvence své práce z daleko většího nadhledu (= má potřebné přesahy).


Není důležité, zda se remarketingové kampaně označují jako “REM” nebo “rmkt”. Důležité je, aby v tom byl jasný a jednotný systém.


Při implementaci našeho datového ekosystému pro část marketingu vždy vytváříme alespoň 3 úrovně channel grouping, jehož základem je právě jmenná konvence kampaní.


Proč je channel grouping tolik důležitý? Díky jeho bezchybné architektuře vznikají byznysové segmenty pro plánování firemních a marketingových investic a také správně definovaná matice pro výpočet „atribučního modelování.


*Jeden ze slidů školení Atribuční modelování v marketingu


Cloud data lake


Data lake je lehce odlišný způsob uložení informací, než umožňuje klasická (např. mySQL) databáze. Umožňuje nejen na jednom místě uložit informace různých datových typů (text, číselné hodnoty a další), ale hlavně pracovat jak se strukturovanými tak i nestrukturovanými daty.


Mi využívá jako Data Lake jeden z nejvíce dynamických systémů na světové datové scéně - Snowflake - s nímž pracujeme prostřednictvím Kebooly. Používáme ale také Google BigQuery a různé vizualizační nástroje pro zobrazení výsledků.


Jaká data „hážeme“ na jednu hromadu? Pro představu např.:


-> Data z Google Analytics, kde díky promyšlené architektuře dotazů do GA API dokážeme i ze standardních (neplacených) GA vykouzlit věci, za které se ani GA 360 nemusí stydět.


-> Data z vašich reklamních platforem, např.:

  • Google Ads (a to i data, která nejsou dostupná v rámci integrace s GA, dokonce ani v API Google Ads)

  • Facebook

  • Sklik

  • RTB platformy

  • Affil systémy

  • Mailingové systémy

  • Manuálně zadaná data

  • A další ..

-> Transakční databáze

  • Zde jsou uloženy byznysově velice cenné informace nejenom o vašich objednávkách a skutečných maržích, ale také o opakovaných nákupech zákazníků (dle hashe e-mailu nebo tel. čísla).

-> SEO data technického charakteru, např. velice podrobné informace z pravidelného crawlingu webu vašeho i vaší konkurence.


-> SEO data byznysového charakteru jako jsou pozice na vybraná klíčová slova, market share vás i konkurence a další informace (jedním z datových zdrojů je pro nás v tomto případě třeba Marketingminer.cz nebo Collabim.cz).


-> Google Search Console, která obsahuje také velice cenné informace nejen o stavu organického vyhledávání Google.


-> Data o vaší konkurenci, která jsou volně dostupná a je pro vás byznysově důležité tato data pravidelně zpracovávat a využívat pro strategické rozhodování.


-> A mnoho dalšího...


Jako zdroj užitečných informací lze napojit v zásadě vše, co je pro váš byznys důležité s jedinou podmínkou: data musí někde existovat a být dostupná legální cestou.


Data pipelines


Data pipeline definují proces, díky kterému velkou hromadu (ne)strukturovaných dat, která máte ve svém Data Lake uložené, pomocí datového modelu transformujete na výstupy, které řeší již konkrétní byznysové problémy.


Data pipeline potom mohou představovat zpracování obecně definovaného problému (třeba marketing) a následně se větvit na dílčí procesy, které řeší detailněji specifikované oblasti, jako je zákaznická analytika, atribuční modelování nebo flow pro plánování marketingových investic.


V rámci Mi máme již vytvořené desítky různých datových pipelines, které řeší byznysové problémy jak z high-level pohledu (channel forecasting), tak i velice detailní problematiku atribučního modelování nebo výpočtu CLV (LTV) vašich zákazníků.


Multicloud architektura


Každá technologie má své výhody a nevýhody. Do Snowflake můžete uložit obrovské množství informací a data ve výsledku budou zabírat velice malou kapacitu úložiště. Google BigQuery má oproti tomu možnosti, jak výrazně zrychlit přenos dat do Google DataStudio, což je neocenitelné pro byznysové analýzy. Microsoft Azure pak umožňuje on-premises implementaci s výrazně vyšší úrovní zabezpečení dat (pokud se tedy nebojíte, že se k vám někdo fyzicky vloupá a data ukradne). Výčet technologií a jejich výhod/nevýhod by mohl pokračovat s trochou nadsázky donekonečna.


My se snažíme kombinovat ty největší výhody jednotlivých dostupných technologií a využívat jejich silné stránky tam, kde to dává smysl. Navíc pro ty výpočetně nejnáročnější procesy, jako je atribuční modelování na historických datech nebo fitting parametrů algoritmů lifetime value vašich zákazníků, využíváme i vlastní lokální hardware s těmi nejkvalitnějšími komponentami.


Díky tomuto přístupu jsou vizualizace námi zpracovaných dat v Google DataStudio bleskurychlé a výpočet Data Driven Atribuce můžeme provádět na úrovni každé jednotlivé transakce denně s využitím i několika různých modelů.


A to vše za cenu, která je dostupná pro každého. A škálovatelnost? Ani miliony návštěv vašeho webu denně pro nás nejsou problém.


Vizualizace dat aneb když dva dělají to samé, není to to samé


Jaký je rozdíl ve vizualizaci dat z Google Analytics, která protečou naším datovým ekosystémem, oproti vizualizacím, které jsou vytvořeny nativním GA konektorem, který je dostupný přímo v Google DataStudio?


Asi stejný, jako je mezi grafikem, který pracuje v Adobe Creative Cloud a grafikem, který pracuje v malování ve Windows :-).


Ano, i v Google DataStudio je dostupný data blend, který může u nezkušených uživatelů vyvolat mylný dojem, že se právě stali datovými inženýry. Profesionál v oboru ale ví, že je tato funkce vhodná pouze pro malé PoC (proof of concept) a ve chvíli, kdy je potřeba zpracovat několik terabytů dat, případně počítat složitější věci, je to naprosto nedostatečné (obdobně jako malování pro profesionálního grafika).


Lidé také často zapomínají, že GA téměř vždy obsahují chyby - překlepy u marketingových zdrojů, neplatné objednávky, historicky nejednotné názvy kampaní atp. Jak tyto nedostatky odstranit pro účely reportingu? Z GA není možné data smazat, ani je přepsat, jediným řešením je právě napojení dat mimo GA a jejich transformace (vytvoření GA cleaning pipeline).


Pro samotné vizualizace již zpracovaných dat, zejména v případě, kdy je inkrementálně ukládáte do Google BigQuery, je Data Studio skvělý nástroj. Má sice svá omezení, nicméně každý měsíc přicházejí nové aktualizace a i komunitní vizualizace a různé další elementy posouvají tuto platformu hodně dopředu.


Google DataStudio pro vizualizace dat používáme nejčastěji. Oproti jiným platformám jsou vizuálně hezké, data se dají jednoduše exportovat do Google Sheets, jednoduše sdílet napříč organizací a je pro každého zdarma.


Zároveň nemáme sebemenší problém napojit výstupy do jakékoliv jiné vizualizační platformy, jako je PowerBI, Tableau, Looker, prostě do čehokoliv, co je vašemu analytickému srdci blízké.


Takže automatizace je to před vizualizacemi dat a pak už nic?


Ne. V data science světě jsou vizualizace a byznysová analytika „pouze“ mezikrokem (i když velice důležitým a nepřeskočitelným).


Pravá síla profesionálního zpracování dat však přichází ve chvíli, kdy vám informace, které máte, začnou skutečně ulehčovat život. Jak takové ulehčení života může např. vypadat v pojetí Mi?

  • Každý den ráno máte hotový forecast návratnosti vašich firemních investic do segmentů vašeho byznysu, které jste se rozhodli sledovat.

  • Každý 1. den v měsíci máte hotovou predikci tržeb, transakcí, profitability a dalších vybraných KPIs na několik měsíců dopředu.

  • Víte, u kterých zákazníků je vysoká pravděpodobnost, že již znovu nenakoupí, tento segment máte automaticky importovaný do svých reklamních systémů a můžete na něj automaticky (a nebo manuálně) zacílit reklamní kampaně.

  • Každý den ráno máte přehled aktuálně nejžádanějších produktů z vaší nabídky na webu a víte, na jaké produkty dává smysl např. tvořit promyšlené a hezké příspěvky na sociální sítě.

  • Dle potřeby můžete jednoduše zjistit, jaká je profitabilita reklamních kampaní nebo investic do technologií/lidí/agentur a to i z pohledu několika atribučních modelů.

  • Ve vámi vybrané frekvenci (denně, týdně, měsíčně) vám chodí výčet těch nejdůležitějších insights z vašich dat, díky čemuž se nemusíte sami opakovaně prokousávat vizualizacemi.

  • Každý den automaticky probíhá obohacení reklamních platforem o reálnou marži vygenerovanou probíhajícími kampaněmi.

  • Jednoduše vidíte meziroční vývoj provozního profitu firmy dle detailu, který je pro váš byznys důležitý.

  • A mnoho dalšího :-)


Hmm, a co teda budou všichni ti klikači dělat, když se tedy jejich práce automatizuje?


Dělat práci pro práci je nedůstojné k lidskému životu. Na tom se, myslím, shodneme všichni. Je třeba si uvědomit, že aktuální doba, kterou procházíme, je srovnatelná s průmyslovou revolucí.


Nejde jenom o automatizaci práce za počítačem a robotizaci ve výrobě. Jde i o revoluci v tak zkostnatělých systémech, jako je např. školství na úrovni základního vzdělání.



Když si vzpomenu na rozhovory, které jsem vedl ani ne před jedním rokem se svou starší sestrou, třídní učitelkou na 1. stupni ZŠ a její nešťastný výraz v obličeji ze systému, o kterém ví, že stojí za prd, ale nedokáže si představit, jak ho změnit, bylo mi z toho těžko.


Před pár dny jsme se opět setkali po několikaměsíční karanténě, která nás teď všechny zasáhla. Tak šťastnou jsem ji neviděl snad od školních bezstarostných let.

Co se ti stalo?“, ptám se. „Nic,“ byla odpověď. Až po delší diskuzi mi došlo, že její nová motivace do života pramení z uvědomění, že si již dokáže představit, jak změní systém, jehož je nyní otrokem, a tím zlepšit svůj život.


Výuka dětí online. Je to nesmysl, myslíte si? Praxe ukázala, že není, a že jak děti, tak i rodiče a učitelé (pokud chtějí) dokáží této příležitosti neuvěřitelně pozitivně využít pro svůj prospěch a štěstí.


Ano, není to pro každého, ale pro svůj šťastný život učitele potřebuje moje sestra 6 - 8 žáků, kteří mají rodiče, kteří si tuto příležitost uvědomují a dokáží ji ocenit. A je to. Microsoft teams je zdarma a vše ostatní je již pouze její know-how a šikovnost.


Moje druhá sestra pracovala v cestovním ruchu a po 15 letech ve firmě přišla o práci. Tvrdé, ano. Nicméně její organizační schopnosti se dají velice dobře využít a z jedné freelance online učitelky může vzniknout jedna z prvních online ZŠ škol, kde bude působit několik freelance učitelů, kteří mohou společně sdílet své know-how, být zastupitelní (ve školství neuvěřitelný problém) a především potom posunout výuku svých žáků na zcela novou úroveň.


A rodinný projekt zakladkaonline.cz byl na světě :-).


Podobných příležitostí bude v blízké době jako hub po dešti. Tak se vykašlete na repetitivní klikání v marketingových platformách a klikání na „odpovědět všem“ -> „ok -> „archivovat“, využijte své znalosti a talentu a nalezněte také něco, co někomu vám blízkému vykouzlí úsměv na tváři ne proto, že si to koupil za nejnižší cenu a přišlo mu to už 2. den po objednání (i když to ve skutečnosti nepotřeboval), ale protože se mu otočil svět novým směrem, sice do neznáma, ale zase bez omezení systému a korporátních procesů.


A nejlepší na tom je, že se to na Amazonu koupit nedá, a něco mi říká, že Jeff nebude chtít učit malé děti číst a psát.



©2019 Ecommerce-academy.cz, created with love by Milan, Marek & Ivča