Minulý rok se však rozhodl vydat se na dráhu investora a stal se partnerem v investiční skupině Behind Inventions, jež se zaměřuje na české start upy. Zároveň se stal jednatelem v společnosti Semantic Visions, se kterou měl již zkušenosti za svého působení v Deloitte. Semantic Visions se zabývá sémantickou analýzou online médií. „Každý den analyzujeme 1,3 milionu článků v 12 jazycích, ze kterých jsme schopni pro klienta vybrat přesné a byznysově relevantní informace. Díky našim datům mohou společnosti úspěšně vyhodnocovat rizika i příležitosti, o kterých by jinak neměly možnost ani tušit,“ říká Jan Balatka.
Pracoval jste dlouhá léta na manažerských pozicích v Deloittu. Co vás vedlo k výměně velkého korporátu za investiční a ve výsledku za pozici jednatele v menší společnosti?
Svým způsobem jsem si splnil svůj sen. Vždy mě lákalo si vyzkoušet podnikání a řízení něčeho svého. V Deloittu jsem byl 18 let a již jsem cítil, že je potřeba otevřít novou kapitolu. Za tu dobu se společnost, kterou mám samozřejmě stále rád a vděčím jí za skvělé zkušenosti, začala mnohem více globalizovat a centralizovat. To je samozřejmě logický a v zásadě správný vývoj, ale v některých aspektech mé práce už to nebylo tolik naplňující. Deloitte se nyní zaměřuje na opravdu velké holdingy a mě obecně baví více budovat produkt či zvětšovat menší společnosti, což byly důvody, které mě nakonec dovedly k opuštění dráhy klasického korporátního života a začátku partnerství v investiční skupině Behind Inventions, která cílí na české startupy s globálními ambicemi.
S jakou vizí jste do společnosti Semantic Visions přišel?
Semantic Visions se stala jedním z projektů našeho fondu Behind Inventions, protože jsme společnost znali již z doby, kdy společnost spolupracovala s Deloittem. Konkrétně Semantic Visions byla přímo ve spojení i s mým týmem datových analýz, jenž využíval data produkované právě touto společností. Naše zapojení však byla trochu souhra okolností, jelikož hlavní investor Pale Fire Capital hledal způsoby, jak Semantic Visions transformovat. Nám to přišla jako zajímavá příležitost, protože jsme již měli s firmou dobré zkušenosti. Hlavní vize byla tedy jasná – pomoci s transformací, která ze Semantic Visions udělá daleko větší společnost.
Dříve byla vaše společnost spojována s bojem proti dezinformacím. Je to stále pro vás aktuální?
Šlo především o činnost bývalého jednatele Františka Vrábela, na jehož podíl je bohužel vypsána exekuce pro nesplacený dluh, který nesouvisí se Semantic Visions a teď na konci srpna proběhne aukce, přičemž v tuto chvíli je Pale Fire Capital jedinou osobou, která splňuje zákonem stanovené podmínky pro vydražení podílu.
Po změně vedení se naše společnost nechce stavět do pozice bojovníka proti dezinformacím. My dodáváme data, ale interpretace je na klientech. Jsme schopni dohledat v médiích počátek té informace a jsme schopni předložit i vznik informace, která se v určitých aspektech s první liší, ale vyhodnocení ani fact-checking již není na nás.
Čím se společnost vlastně teď především zabývá?
Jedná se o analýzu globálních online médií. Každý den analyzujeme 1,3 milionu článků v 12 jazycích, ze kterých jsme schopni pro klienta vybrat přesné a businessově relevantní informace. Díky našim datům mohou společnosti úspěšně vyhodnocovat rizika i příležitosti, o kterých by jinak neměly možnost ani tušit.
V čem spočívá samotný proces?
Nebude asi moc velkým překvapením, když řeknu, že samotný proces je poměrně složitý z hlediska velkého objemu dat a například počtu dodavatelů, jejichž prezenci v médiích pro klienty sledujeme. Z toho vyplývá, že ani z hlediska výpočetní infrastruktury se nejedná o nic jednoduchého – pro fungování potřebujeme stovky serverů. Pro největšího klienta monitorujeme přes 11 milionů firem po celém světě.
Když si to představíme na příkladu jednoho článku, tak nejdříve hledáme pojmenované entity, což může být typově název společnosti, produkt či de facto jakékoliv podstatné jméno, jež nás zajímá. Následně hledáme vztah mezi pojmenovanou entitou a tématem, událostí či časovým ohraničením, a to způsobem, který zaručuje vysokou přesnost při zachování vysoké výtěžnosti. Tedy, že výsledek je s vysokou pravděpodobností pravdivý a zároveň jsme neminuli velký počet takových vztahů. V takto zpracovaných datech jsme schopni dodávat klientům nejvíce přesné informace, které se neopakují, týkají se reálných a aktuálních událostí, a ne například zmínky o události ve filmu či v historii, a jsou vždy ověřitelná do minulosti.
Co vlastně od vás klient může reálně získat? Lze to chápat jako sofistikované mapování potenciálních rizik a příležitostí?
Jedná se o jeden z hlavních cílů našich klientů, co chtějí z obdržených informací získat. Hezkým příkladem je řízení kreditního rizika u bank. Za normálních okolností mají banky z pozice věřitele dobré informace o solventnosti společnosti – sledují transakce, sledují veřejné rejstříky a další finanční údaje, ze kterého počítají skóre dlužníka. Díky naším informacím však mohou dříve a zavčasu zjistit, že důležitý dodavatel jejich klienta se ocitá v problémech a například přestává plnit závazky, což může mít negativní dopad na dlužníka banky. Zajímavým příkladem zejména pro velké globální společnosti může být téma takzvaných neetických postupů. Takové nadnárodní skupiny mají celou řadu dodavatelů a jejich subdodavatelů například z Afriky či jihovýchodní Asie a potřebují monitorovat, zda u jejich obchodních partnerů nedochází třeba ke zneužívání dětské práce, co by pro celou společnost bylo reputační riziko.
Nezůstávejme ale jen u příkladů rizik. Naše analýzy dobře fungují i jako hledání potenciálních příležitostí. Typově lze uvést klienta, jenž podniká ve zdravotním materiálu a chce dále expandovat, a proto potřebuje informace, v jakém regionu se budou stavět nemocnice či polikliniky, což pro něj může ve finále znamenat zajímavou zprávu o možné expanzi do dané oblasti.
Předpokládám, že obecně převládají v informacích pro klienty rizika nad příležitostmi…
Ano, poměrově skutečně převládají informace o rizicích nad příležitostmi, ale třeba v tématech spojených s ESG mají navrch spíše příležitosti. Na druhou stranu rozdělování informací na rizika a příležitosti není úplně na nás, jak jsem již naznačil, ale spíše na klientovi. Jsme dodavatelem dat a jsme schopni zprostředkovat řetězec informací od zdroje až po signál, ale hlavní vyhodnocení a interpretace je na něm. Nemluvě o tom, že v některé zprávě, která působí negativně resp. rizikově, může konkrétní klient vidět naopak značnou příležitost spočívající v akvizici společnosti, které se tolik nedaří.
Která odvětví klientů nejvíce využívá vašich služeb? Jsou vaše služby vhodné pouze pro velké společnosti, nebo i pro střední a malé?
Nejvíce máme zastoupený výrobní sektor, zejména tu koncovou část, ale často také dodáváme data pro různé technologické či konzultační společnosti. Z geografického hlediska máme klienty prakticky z celého světa. Nejčastěji máme obchodní partnery z Evropy a Spojených států, nově i na Blízkém východě.
Velikost společnosti nehraje tolik roli – klíčové jsou jejich lokace, ve kterých podnikají. Jak už bylo řečeno, kouzlo Semantic Visions tkví ve schopnosti získávání podstatných informací z velkého kvanta dat z celého světa. Takže pokud i menší či střední společnost funguje v mnoha ohledech globálně, tak naše služby jí budou užitečné. Naopak pokud větší či střední společnost funguje prakticky jen v Česku a má relativně málo dodavatelů, tak přínos dat je menší, resp. nevyužije plně potenciál nabízené služby.
Jak jste na tom vlastně s konkurencí?
V rámci Česka zatím konkurenci nespatřujeme. Celosvětově existují společnosti fungující ve stejném byznysu, za což jsme rádi. Myslím, že zdravá konkurence je dobrý stimul pro inovace zejména z technologického hlediska.
Kam by se měla Semantic Visions posouvat? V čem ve vašem odvětví vidíte budoucnost?
Směr je určitě plná automatizace a zjednodušení z pohledu klienta. Jinými slovy, aby si ideálně sám přes náš systém dokázal co nejvíce a nejlépe vydefinovat požadavky, které mu budou generovat požadovaná data. Rozvíjíme však řadu dalších prvků – z výsledků například stavíme znalostní grafy, díky kterým půjde v budoucnu velmi rychle dotazovat informační kontext, nebo pracujeme na backtestingu vůči různým veličinám. To může být velmi zajímavé pro finanční trhy, kdy na základě historických dat bude možné simulovat, jak by obchodní či cenová strategie fungovala v minulosti, a tím do budoucna snížit riziko.
•
