Případové studie

Problém

Obchodní oddělení zpracovávalo 120–150 objednávek denně ručně: přepis dat z e-mailů do ERP, kontrola skladových zásob, potvrzení zákazníkovi, tvorba výrobních příkazů. Průměrná doba zpracování jedné objednávky: 18 minut. Chybovost při přepisu: 3,2 %. Přesčasová práce v sezóně běžná. The sales department was manually processing 120–150 orders daily: transcribing data from emails into the ERP, checking stock levels, confirming with the customer, and creating production orders. Average processing time per order: 18 minutes. Transcription error rate: 3.2%. Overtime work routine during peak season.

Řešení

Nasadili jsme hybridní automatizaci: Python skript s NLP parsoval příchozí objednávkové e-maily a extrahoval strukturovaná data. UiPath robot převzal data a zadal je do ERP (SAP Business One bez API), zkontroloval zásoby a vygeneroval potvrzovací e-mail zákazníkovi. Výrobní příkaz byl generován automaticky po potvrzení. Implementace trvala 6 týdnů včetně UAT. We deployed a hybrid automation: a Python script with NLP parsed incoming order emails and extracted structured data. A UiPath robot picked up the data, entered it into the ERP (SAP Business One, no API), checked stock, and generated a customer confirmation email. The production order was automatically generated upon confirmation. Implementation took 6 weeks including UAT.

Výsledky

Problém

Finanční skupina se 3 entitami v ČR a SK potřebovala každý pátek konsolidovaný manažerský report. Finance tým trávil 2 dny (čt–pá) manuálním exportem dat z 5 systémů (2× ERP, CRM, interní databáze, Excel soubory od manažerů) a jejich slučováním do PowerPoint prezentace. A financial group with 3 entities in CZ and SK needed a consolidated management report every Friday. The finance team spent 2 days (Thu–Fri) manually exporting data from 5 systems (2× ERP, CRM, internal database, Excel files from managers) and merging it into a PowerPoint presentation.

Řešení

Postavili jsme datový pipeline v Keboola Cloud: automatické extrakce z všech 5 zdrojů, transformace a unifikace dat do Snowflake. Na Snowflake jsme napojili Power BI dashboardy — executive summary, P&L per entita, pipeline report, cash flow forecast. Data jsou aktualizována každý den v 6:00 ráno. Manažeři dashboard otevírají v Teams. We built a data pipeline in Keboola Cloud: automatic extractions from all 5 sources, data transformation and unification into Snowflake. Power BI dashboards were connected to Snowflake — executive summary, P&L per entity, pipeline report, cash flow forecast. Data refreshes every day at 6:00 AM. Managers open the dashboard in Teams.

Výsledky

Problém

Středně velký distributor potravinářských přísad s obratem 380 mil. Kč ročně provozoval Helios Orange od roku 2009. Systém přestal odpovídat potřebám firmy: chyběla nativní integrace s e-commerce, reporting vyžadoval ruční exporty do Excelu a skladové hospodářství nesledovalo šarže a expiraci v reálném čase. Vedení rozhodlo o přechodu na SAP Business One s cílem dokončit migraci za 12 měsíců. A mid-sized food ingredient distributor with CZK 380M annual turnover had been running Helios Orange since 2009. The system no longer met the company's needs: native e-commerce integration was missing, reporting required manual Excel exports, and warehouse management did not track batches and expiry in real time. Management decided to migrate to SAP Business One with a target of completing migration within 12 months.

Řešení

Coopers Advisory vstoupilo jako projektový manažer a integration architect. Ve fázi Discovery (6 týdnů) jsme zmapovali 47 klíčových procesů a identifikovali 12 kritických integrací. Nastavili jsme governance model, vybrali SAP partnera pro technickou implementaci a definovali datový migrační plán pro 8 let historických dat. Implementace trvala 9 měsíců: konfigurace SAP B1, customizace pro potravinářskou distribuci (šarže, expiry management), migrace dat a 3měsíční paralelní provoz obou systémů. Go-live proběhl bez výpadku provozu. Coopers Advisory joined as project manager and integration architect. In the Discovery phase (6 weeks), we mapped 47 key processes and identified 12 critical integrations. We established a governance model, selected an SAP partner for technical implementation, and defined a data migration plan for 8 years of historical data. Implementation lasted 9 months: SAP B1 configuration, custom development for food distribution specifics (batch and expiry management), data migration, and a 3-month parallel operation of both systems. Go-live occurred without operational downtime.

Výsledky

Problém

Nástup nového zaměstnance byl v eCommerce firmě s více než 300 lidmi plně manuální záležitostí. HR administrátor ručně zakládal přístupy do interních systémů, posílal notifikace nadřízenému, koordinoval zřízení pracovního místa s facilities a hlídal, zda vše proběhlo včas. Proces byl roztříštěný přes e-mail, Teams a tabulky. Výsledek: nováček první den čekal na přístupy, nadřízený nebyl připravený, IT dostával žádosti o oprávnění se zpožděním. S rostoucím počtem nástupů se chyby a zdržení násobily. At an eCommerce company with over 300 employees, onboarding a new hire was entirely manual. An HR administrator manually provisioned access to internal systems, sent notifications to the line manager, coordinated workstation setup with facilities, and tracked whether everything had been completed on time. The process was fragmented across email, Teams and spreadsheets. The result: new starters waited for access on day one, managers weren't prepared, and IT received permission requests with delays. As the volume of new hires grew, errors and delays multiplied.

Řešení

Nejdřív jsme zmapovali celý onboarding proces přes stakeholder workshopy s HR, IT, facilities a liniovými manažery — od okamžiku schválení nabídky po konec zkušební doby. Identifikovali jsme 14 ručních kroků, z nichž 11 bylo plně automatizovatelných. Navrhli jsme automatizaci triggerovanou vytvořením profilu v Workday: od toho momentu Power Automate orchestruje notifikace IT pro zřízení přístupů, upozornění nadřízeného s checklistem, žádost facilities o přípravu pracovního místa a uvítací e-mail nováčkovi s harmonogramem prvního týdne. Mapování, tvorba zadání, development a testování trvaly 2 měsíce. We started by mapping the entire onboarding process through stakeholder workshops with HR, IT, facilities and line managers — from the moment an offer was accepted through to the end of the probationary period. We identified 14 manual steps, of which 11 were fully automatable. We designed an automation triggered by profile creation in Workday: from that moment, Power Automate orchestrates IT notifications for access provisioning, line manager alerts with a preparation checklist, a facilities request for workstation setup, and a welcome email to the new starter with a first-week schedule. Mapping, specification, development and testing took 2 months.

Výsledky

Problém

Firma měla provozní data roztroušená napříč ERP, výrobními systémy a Excelovými reporty od jednotlivých vedoucích. Každý refresh manažerského reportu znamenal hodiny ruční práce: kopírování dat, slaďování čísel z různých zdrojů, opravy nesrovnalostí. Zároveň platilo, že různé zdroje ukazovaly různé hodnoty pro stejný ukazatel a nebylo jasné, které číslo je správné. The company's operational data was scattered across an ERP, production systems, and individual Excel reports maintained by department managers. Every management report refresh meant hours of manual work: copying data, reconciling figures from different sources, correcting discrepancies. Different sources also showed different values for the same metric, with no clear answer as to which number was correct.

Řešení

Začali jsme inventurou datových zdrojů a jejich kvality. Pro každý zdroj jsme zdokumentovali formát dat, frekvenci aktualizace, odpovědnou osobu a typické problémy s kvalitou. Na základě toho jsme postavili Python pipeline, která data z jednotlivých systémů extrahuje, čistí a sjednocuje do jednoho datového modelu v SQL databázi. Na ten jsme napojili Power BI dashboardy s automatickým refreshem. Od spuštění probíhá celý proces bez manuálního zásahu. We started with an inventory of data sources and their quality. For each source we documented the data format, update frequency, responsible owner, and typical quality issues. Based on that, we built a Python pipeline that extracts, cleans, and unifies data from the individual systems into a single data model in a SQL database. We connected Power BI dashboards with automatic refresh on top of it. Since go-live, the entire process runs without manual intervention.

Výsledky

Problém

Klient nasadil LLM-based systém pro kategorizaci a směrování zákaznických ticketů před devíti měsíci. Systém fungoval, ale tým hlásil rostoucí počet chybných kategorizací. Nikdo nevěděl proč, protože neexistoval monitoring přesnosti. Zároveň compliance tým zjistil, že osobní data zákazníků vstupují do externího modelu bez podepsané DPA s vendorem. Vedení požádalo o audit před rozhodnutím zda systém rozšířit nebo stáhnout. The client had deployed an LLM-based system for categorising and routing customer tickets nine months earlier. The system worked, but the team reported a growing number of incorrect categorisations. Nobody knew why because no accuracy monitoring existed. At the same time, the compliance team discovered that customer personal data was entering an external model without a signed DPA with the vendor. Management requested an audit before deciding whether to expand or roll back the system.

Řešení

Provedli jsme strukturovaný audit technického dluhu pokrývající 44 kontrolních bodů v 8 oblastech: data governance, správa modelu, integrace, testování, bezpečnost, monitoring, dokumentace a procesní governance. Audit trval tři dny včetně rozhovorů s týmem. Identifikovali jsme 28 mezer, z nichž 6 bylo kritických. Sestavili jsme prioritizovaný plán nápravy s odhadem náročnosti pro každou položku. Kritické mezery (DPA, monitoring, verzování promptu) byly opraveny do dvou týdnů. Strukturální dluh (testovací pipeline, handover dokumentace) byl řešen v následujícím kvartálu. We ran a structured technical debt audit covering 44 control points across 8 areas: data governance, model management, integration, testing, security, monitoring, documentation, and process governance. The audit took three days including team interviews. We identified 28 gaps, 6 of which were critical. We assembled a prioritised remediation plan with effort estimates for each item. Critical gaps (DPA, monitoring, prompt versioning) were resolved within two weeks. Structural debt (testing pipeline, handover documentation) was addressed in the following quarter.

Výsledky