AI reporting: automatické souhrny výkonu e-shopu
Majitel e-shopu nepotřebuje další dashboard, ale krátký text, co se minulý týden stalo a proč. Ukážeme, jak takový souhrn automaticky vytvořit nad vlastními daty a kde má AI v reportingu hranice.
Většina e-shopů data má. GA4, reklamní účty, administrace e-shopu, ERP. Problém je, že se na ně nikdo pravidelně nedívá. Dashboard čeká, až ho někdo otevře, a když ho otevře, musí si sám složit, co se změnilo a proč. AI reporting obrací pořadí: každé pondělí vám přijde krátký text, co se minulý týden stalo, co je neobvyklé a kam se podívat.
Zní to jednoduše. Ve skutečnosti je na AI reportingu nejtěžší to, co s AI nesouvisí: spojit data z více zdrojů a dohodnout se, co které číslo znamená. V článku ukážeme, co umějí hotové nástroje, kdy stavět vlastní řešení a jak zajistit, aby souhrn neobsahoval vymyšlená čísla.
Co dnes umí AI přímo v analytických nástrojích
Než začnete cokoli stavět, podívejte se, co už máte k dispozici. Stav k září 2026:
| Nástroj | AI funkce | Omezení |
|---|---|---|
| Google Analytics 4 | Vygenerované přehledy na domovské stránce a v detailních přehledech, konverzační Ask Advisor | Ask Advisor je v betaverzi pro služby s angličtinou jako zvoleným jazykem; pracuje jen s daty dané služby GA4 |
| Data Studio (dříve Looker Studio) | Gemini in Data Studio, konverzační analýza nad připojenými zdroji | Vyžaduje předplatné Data Studio Pro, část funkcí je v preview a Google avizuje možný poplatek |
| Power BI | Copilot: souhrn reportu, narativní vizuál, tvorba stránek reportu | Vyžaduje placenou kapacitu Fabric F2 a vyšší nebo Premium P1, zkušební kapacity nestačí |
GA4 na domovské stránce ukazuje až tři nejvýraznější změny od vaší poslední návštěvy, například anomálie nebo sezónní výkyvy. Pro rychlou kontrolu návštěvnosti to stačí. Google v dubnu 2026 přejmenoval Looker Studio zpět na Data Studio, funkce ani reporty se nezměnily. Copilot v Power BI umí vytvořit narativní vizuál, který shrne celý report nebo vybrané stránky a odkazuje na konkrétní grafy. Aktualizuje se ale až po kliknutí.
Všechny tři nástroje mají společný limit: vidí jen data, která do nich nahrajete. GA4 nezná nákupní ceny, vratky ani storna z ERP. Souhrn, který řekne „tržby rostou“, ale nevidí, že marže klesá, je horší než žádný souhrn.
Datová vrstva: bez ní AI jen hezky formuluje chyby
Kvalitní souhrn stojí na datech spojených na jednom místě. Typické zdroje u e-shopu:
- E-shop — objednávky, položky, slevy, doprava, storna. Čteme je přes REST API platformy. Pozor na rozdíly mezi platformami: u Shoptetu je přímý přístup přes privátní API k dispozici jen v tarifu Premium, ostatní tarify komunikují přes schválené doplňky.
- ERP — nákupní ceny, sklad, vratky, faktury.
- GA4 — návštěvnost a zdroje. Pro pravidelný reporting je spolehlivější export do BigQuery než dotazy přes Data API, které má denní a hodinové kvóty. Standardní služba GA4 má u denního exportu limit 1 milion událostí za den.
- Reklamní systémy — Google Ads, Sklik, Meta. Náklady po kampaních a dnech.
- Srovnávače a marketplace — náklady na proklik, provize, prodeje po kanálech.
Data pravidelně přenášíme do jednoho úložiště pomocí ETL procesu. Pak přichází krok, který se nejčastěji přeskakuje: definice metrik. Tržba s DPH, nebo bez? Před vratkami, nebo po nich? Kdo je nový zákazník? Počítáte POAS, nebo jen ROAS? Podle jakého atribučního modelu přiřazujete objednávky kampaním? Dokud tohle není sepsané, bude AI každý týden popisovat trochu jiná čísla.
Jak funguje automatický souhrn
Princip, který používáme, má čtyři kroky:
- Výpočet. Plánovaná úloha spustí nad daty předem napsané dotazy. Výsledkem je tabulka metrik za sledované období, srovnávací období a stejné období loni.
- Detekce změn. Jednoduchá pravidla vyberou, co stojí za zmínku: odchylka nad stanovený práh, propad kategorie, kampaň s nulovými konverzemi, produkt, který přestal prodávat.
- Formulace. Jazykový model dostane hotové výsledky a pevnou šablonu. Jeho úkolem je popsat změny, seřadit je podle dopadu a navrhnout, kde hledat příčinu. Nic nepočítá.
- Doručení. Hotový text odejde e-mailem, do Slacku nebo Teams, případně jako komentář k dashboardu. Každé číslo má odkaz na zdroj.
Proč čísla nepočítá AI? Jazykový model neumí spolehlivě sčítat a průměrovat velké tabulky. Když mu dáte surová data, dostanete přesvědčivě napsaný text s drobnými chybami, které nikdo nenajde. Když mu dáte hotové výsledky, jeho práce je jen dobře je popsat. To umí.
Jak vypadá dobrý týdenní souhrn
Dobrý report se vejde na jednu obrazovku a dá se přečíst za dvě minuty. Doporučujeme tuto strukturu:
- Tři hlavní čísla — tržba bez DPH, hrubá marže, počet objednávek. Vždy se srovnáním s minulým týdnem a stejným týdnem loni.
- Co se změnilo — tři až pět nejvýraznějších odchylek s číslem.
- Možné příčiny — hypotézy jasně oddělené od faktů. „Konverzní poměr z mobilu klesl o 18 %“ je fakt. „Pravděpodobně kvůli změně košíku ve středu“ je hypotéza a report ji tak musí označit.
- Co zkontrolovat — konkrétní úkoly: kampaň, kategorie, produkt.
Rozdíl mezi dashboardem a AI reportem je v tom, kdo dělá první krok. Dashboard čeká na vás. Report přijde sám a ukáže, kam se v dashboardu podívat. Nejlépe proto fungují spolu. O tom, co by v dashboardu pro vedení nemělo chybět, píšeme v článku Ecommerce dashboard pro management.
Vlastní souhrn, nebo AI v BI nástroji?
| Situace | Doporučení |
|---|---|
| Sledujete hlavně návštěvnost a kampaně | Začněte vygenerovanými přehledy v GA4 a reklamních systémech |
| Máte Power BI na kapacitě Fabric nebo Premium | Copilot v Power BI pro narativní souhrny přímo v reportu |
| Potřebujete marži, vratky a náklady z více zdrojů | Datový sklad a vlastní souhrn nad ním |
| Report má chodit sám a pravidelně lidem, kteří dashboard neotvírají | Vlastní souhrn s doručením e-mailem nebo do chatu |
U e-shopů, které řídí náklady a sortiment, obvykle vychází třetí a čtvrtý řádek. Důvod je prostý: rozhodnutí se dělají podle marže, ne podle návštěvnosti.
Na co si dát pozor
Osobní údaje. Do jazykového modelu posíláme agregovaná data: součty, trendy, kategorie. Seznamy zákazníků ani objednávky se jmény do souhrnu nepatří. Vedení je k rozhodování nepotřebuje a snížíte tím nároky podle GDPR.
Přehlcení. Denní report s dvaceti body se po měsíci přestane číst. Denně posílejte jen upozornění na výrazné odchylky. Hlídání anomálií v reálném čase rozebíráme v článku o AI monitoringu anomálií.
Kontrola na začátku. První týdny porovnáváme automatický souhrn s ručním výpočtem. Teprve když sedí, přestáváme kontrolovat každé číslo.
Náklady na provoz. BigQuery, BI licence a jazykový model platíte poskytovatelům. U týdenního souhrnu nad agregovanými daty jsou náklady na model zanedbatelné, dražší bývá úložiště a licence BI. Konkrétní částky závisí na objemu dat, aktuální ceník ověřte u poskytovatele.
Jak na to prakticky
Než začnete, projděte si checklist:
- Máte sepsané definice hlavních metrik (tržba, marže, nový zákazník, náklady na kanál)?
- Víte, odkud se která metrika bere a kdo za zdroj odpovídá?
- Jsou data z e-shopu, ERP a reklam dostupná přes API nebo pravidelný export?
- Kdo bude report číst a jaká tři čísla ho zajímají nejvíc?
- Kam má report chodit, aby ho lidé opravdu otevřeli?
Pokud máte data už na jednom místě, automatický souhrn nad nimi je otázkou dnů až dvou týdnů. Napojení více zdrojů a datový sklad jsou komplexnější projekt na 4–8 týdnů. AI reporting stavíme nad vašimi daty a s definicemi, které si odsouhlasíme předem. Cenu připravíme po konzultaci podle počtu zdrojů. Když chcete víc než pravidelný souhrn, navazuje AI business intelligence.
Potřebujete s tím pomoct?