Jak se stát datovým analytikem: Co musíš vědět v roce 2025?

Umělá inteligence se ve firmách přesunula z experimentů do každodenní práce. Zaměstnanci ji používají k psaní e-mailů, analýze dat, tvorbě prezentací, programování i zákaznické podpoře. Spolu s produktivitou však roste také riziko: citlivé údaje v nesprávném nástroji, neověřené výstupy nebo rozhodnutí, kterým nikdo pořádně nerozumí. Právě proto se AI gramotnost stává základní pracovní dovedností. Není určena jen IT týmům. Potřebuje ji každý, kdo AI nástroje používá, zadává jejich používání jiným nebo rozhoduje o jejich nasazení ve firmě. Co je AI gramotnost?AI gramotnost je schopnost rozumět tomu, jak systémy umělé inteligence fungují, co dokážou, kde mají limity a jak je používat bezpečně a zodpovědně. Neznamená to, že každý zaměstnanec musí umět programovat modely. AI gramotný člověk dokáže: • vybrat vhodný AI nástroj pro konkrétní úkol, • vytvořit srozumitelné zadání a kriticky posoudit výsledek, • rozpoznat halucinace, zkreslení a další limity modelů, • chránit osobní, důvěrné a firemní údaje, • vědět, kdy je nutná lidská kontrola, • transparentně komunikovat, že při práci byla použita AI. Proč je AI gramotnost důležitá právě v roce 2026?Důvodem není jen rychlý nástup generativní AI. Evropský akt o umělé inteligenci (AI Act) zavádí pravidla podle míry rizika a mezi povinnosti organizací zařadil také zajištění přiměřené úrovně AI gramotnosti lidí, kteří pracují s AI systémy. Článek 4 AI Actu se uplatňuje od 2. února 2025. Poskytovatelé a provozovatelé AI systémů mají přijmout opatření, aby jejich zaměstnanci a další lidé jednající jejich jménem měli dostatečné znalosti. Při rozsahu vzdělávání se zohledňuje technické vzdělání, zkušenosti, kontext použití i skupiny osob, na které může mít AI vliv. V praxi to znamená, že univerzální hodinové školení pro celou firmu nemusí stačit. Jiné znalosti potřebuje člověk, který si pomocí AI upravuje text, a jiné tým, který pomocí systému hodnotí uchazeče nebo pracuje s údaji zákazníků. Týká se AI Act také vaší firmy?Velmi pravděpodobně ano, pokud firma používá jakýkoli AI systém při své činnosti. Může jít o samostatný nástroj, jako je ChatGPT, Copilot či Claude, ale také o AI funkci zabudovanou v CRM, analytice, kancelářském softwaru nebo náborové platformě. Povinnost se nevztahuje jen na velké korporace ani na firmy, které AI vyvíjejí. Rozhodující je, zda organizace AI poskytuje nebo ji nasazuje a používá při své práci. Co by měli zaměstnanci o AI vědět?1. Jak AI vytváří odpovědiGenerativní AI nevyhledává pravdu stejným způsobem jako člověk. Vytváří pravděpodobnou odpověď na základě vzorců v datech. I přesvědčivě znějící text proto může obsahovat nepřesnosti, vymyšlené zdroje nebo nesprávné závěry. 2. Které údaje do nástroje nepatříZaměstnanci musí rozlišovat mezi veřejnými, interními, důvěrnými a osobními údaji. Do neschválených nástrojů by neměli vkládat smlouvy, osobní údaje, finanční výsledky, hesla, zdrojové kódy ani informace chráněné obchodním tajemstvím. 3. Jak ověřovat výstupyAI může pomoci připravit první návrh, odpovědnost za výsledek však zůstává na člověku. Fakta je třeba porovnat s důvěryhodným zdrojem, výpočty překontrolovat a u důležitých rozhodnutí zajistit odbornou kontrolu. 4. Jak zadávat kvalitní promptyDobrý prompt obsahuje cíl, kontext, vstupní informace, požadovaný formát a omezení. Zaměstnanec by měl umět úkol rozdělit na menší kroky, vyžádat si alternativy a výstup dále zpřesňovat. 5. Kde může vzniknout zkresleníModely mohou reprodukovat zkreslení z tréninkových dat nebo je zvýraznit nevhodným zadáním. To je mimořádně důležité při náboru, hodnocení lidí, přidělování benefitů, úvěrech nebo jiném rozhodování s dopadem na člověka. 6. Autorská práva a transparentnostPři generování textů, obrázků, hudby či kódu je třeba respektovat licence, interní pravidla a práva třetích stran. Tým by zároveň měl vědět, kdy a jakým způsobem oznámit použití AI zákazníkovi, kolegovi nebo veřejnosti. AI gramotnost není jednorázové školeníNástroje, jejich funkce i rizika se rychle mění. Firma proto potřebuje systém, který kombinuje úvodní vzdělávání, pravidla používání, praktická cvičení a pravidelné aktualizace. • Základ pro všechny: principy fungování AI, ověřování, ochrana dat a interní pravidla. • Školení podle role: konkrétní scénáře pro marketing, HR, obchod, management, vývoj nebo zákaznickou podporu. • Hlubší školení pro riziková použití: dokumentace, dohled, kvalita dat a posuzování dopadů. • Průběžné vzdělávání: nové nástroje, změny pravidel a poučení z reálných incidentů. Jak nastavit AI vzdělávání ve firmě1. Zmapujte používání AIZjistěte, jaké nástroje už lidé používají, k jakým úkolům a s jakými daty. Počítejte také s neoficiálním používáním bez vědomí IT oddělení. Právě „shadow AI“ bývá jedním z největších rizik. 2. Rozdělte lidi podle rolí a rizikaVytvořte skupiny podle toho, jak intenzivně pracují s AI a jaký dopad může mít jejich výstup. Běžný uživatel potřebuje praktické základy; vlastník AI procesu musí rozumět také řízení rizik, dokumentaci a lidskému dohledu. 3. Vytvořte jednoduchá pravidlaDobrá AI politika není dokument, který nikdo nečte. Má jasně pojmenovat povolené nástroje, zakázané údaje, případy povinné kontroly, odpovědnosti a postup při incidentu. 4. Školte na reálných situacíchNejlepší výsledky přinášejí příklady z každodenní práce. Marketing si může nacvičit kontrolu tvrzení v článku, HR bezpečnou práci se životopisy a obchod vytvoření nabídky bez zveřejnění citlivých údajů. 5. Ověřte porozuměníSamotná účast na školení ještě nepotvrzuje, že člověk umí pravidla použít. Krátký test, modelový úkol nebo praktický scénář pomohou ověřit znalosti a odhalit témata, která je třeba vysvětlit znovu. 6. Vzdělávání dokumentujteUchovávejte přehled o obsahu, datu, účastnících a výsledcích. Zdokumentujte také, proč jste pro jednotlivé role zvolili konkrétní rozsah školení a jak jej aktualizujete. Co má obsahovat interní AI politika?• seznam schválených a zakázaných nástrojů, • pravidla práce s osobními a důvěrnými údaji, • postup kontroly a schvalování AI výstupů, • odpovědnosti zaměstnanců, manažerů, IT, bezpečnosti a právního týmu, • pravidla pro autorská práva a označování obsahu, • postup při chybě, úniku údajů nebo jiném incidentu, • proces posuzování nového AI nástroje před jeho nasazením. Nejčastější chyby při zavádění AI ve firmě• Zákaz bez alternativy: lidé si najdou vlastní nástroj a firma ztratí přehled. • Jeden kurz pro všechny: školení ignoruje rozdílné role a rizika. • Zaměření pouze na prompty: zaměstnanci umějí vytvořit výstup, ale neumějí jej bezpečně použít. • Chybějící vlastník tématu: nikdo neaktualizuje pravidla ani neřeší otázky týmů. • Bez měření: firma neumí prokázat, co lidi naučila a zda se jejich chování změnilo. Jak prokázat přiměřenou AI gramotnostAI Act neurčuje jeden povinný certifikát ani stejný formát školení pro každou organizaci. Firma by však měla umět prokázat, že ke vzdělávání přistoupila přiměřeně a systematicky. Praktickým základem je inventář používaných AI systémů, matice rolí a rizik, záznamy ze školení, výsledky ověření znalostí, aktuální interní politika a plán pravidelného opakování. Důležitý je také kanál, prostřednictvím kterého mohou zaměstnanci položit otázku nebo nahlásit problém. Co hrozí firmě bez AI gramotnosti?Největším rizikem není jen nesplnění regulační povinnosti. Nepřipravení lidé mohou zveřejnit citlivé údaje, poslat zákazníkovi nepravdivou informaci, převzít chybný kód nebo učinit nespravedlivé rozhodnutí. Následkem může být bezpečnostní incident, reputační škoda, ztráta důvěry i finanční náklady. Naopak dobře vzdělaný tým dokáže AI využívat rychleji a odvážněji, protože zná bezpečné hranice. AI gramotnost tak není jen compliance. Je to předpoklad skutečné produktivity. Kontrolní seznam pro firmy• Víme, které AI nástroje naši lidé používají? • Máme určené povolené nástroje a typy údajů? • Rozdělili jsme vzdělávání podle rolí a úrovně rizika? • Umějí zaměstnanci ověřovat AI výstupy a rozpoznat halucinace? • Máme definovaný lidský dohled při důležitých rozhodnutích? • Evidujeme absolvovaná školení a ověření znalostí? • Aktualizujeme pravidla při změně nástrojů nebo legislativy? Jak začít už dnesZačněte krátkým auditem nástrojů a potřeb jednotlivých týmů. Následně určete minimum znalostí pro každého uživatele AI a doplňte specializované moduly pro role s vyšším rizikem. Nečekejte na dokonalou směrnici - základní pravidla, schválené nástroje a praktické školení dokážou snížit riziko okamžitě. Skillmea pomáhá firmám rozvíjet digitální dovednosti včetně praktického používání umělé inteligence. Vzdělávání můžete přizpůsobit týmům, pracovním rolím i tempu zaměstnanců a získat přehled o jejich pokroku. Podívejte se také na kurz Umělá inteligence a ChatGPT v praxi.

Objem údajů, které se vytvářejí dennodenně, každý rok exponenciálně roste. V průměru každý z nás vytvoří každou vteřinu minimálně 1,7 megabajtu dat. Mnohé z těchto údajů shromažďují firmy, pro které znamenají klíčovou roli při rozhodování a strategickém plánování. V tomto kontextu je správná analýza dat zásadním faktorem pro efektivní využití dat. Bez správných nástrojů se však data nevyužívají a jen zabírají místo. Proto přicházejí na scénu nástroje pro statistickou analýzu dat. Umožňují datovým vědcům a datovým analytikům shromažďovat a analyzovat data, aby je přeměnili na užitečné informace pro rozvoj podnikání či přijímání správných rozhodnutí. K dispozici je široká škála nástrojů pro analýzu dat. Některé z nich jsou programovací jazyky, které jsou oblíbené mezi datovými vědci, protože se snadno používají a dobře analyzují data. Mezi tyto nástroje patří například programovací jazyky, které se často vyučují v IT kurzech a které zahrnují Python, R nebo SQL. Některé nástroje jsou knihovny pro tyto programovací jazyky, které zjednodušují analýzu údajů. A některé jsou samostatné aplikace, které běží v počítači nebo ve webovém prohlížeči. Výběr správných nástrojů pro analýzu dat Před výběrem nástroje pro analýzu údajů je třeba zvážit několik otázek, zejména: • Jaký druh dat analyzujete? Jsou to jednoduché číselné údaje uložené v tabulkách a databázích, nebo kvalitativní údaje s otevřeným koncem, jako jsou konverzace v sociálních médiích, které vyžadují analýzu pomocí modelů strojového učení k vytvoření přehledů? • Kolik dat analyzujete? Pokud jsou údaje, které potřebujete analyzovat, omezené, práci zvládne téměř každý nástroj. Pokud však plánujete analyzovat big data, budete muset k analýze dat použít specifické nástroje. • Jaké technické znalosti jsou potřebné k provedení analýzy? Pokud ovládáte programovací jazyk, jako je Python, R, Java nebo SQL, pak máte mnoho možností, pokud jde o výběr nástroje pro statistickou analýzu dat. A pokud nejste technický nebo nemáte zájem o učení se jazyku, máte také několik možností, protože jsou k dispozici tzv. "no-code" nástroje, které můžete použít. • V jakém formátu chcete výsledky? Chcete vidět své výsledky ve formátu tabulky nebo byste raději generovali grafické zobrazení výsledků? Nejpopulárnější nástroje pro analýzu dat Po zodpovězení těchto otázek si uděláte přehled o různých analytických nástrojích a zvolíte ten nejvhodnější pro vaše potřeby. V seznamu níže nyní uvedeme populární nástroje pro analýzu dat, která by vám mohla pomoci. Na výběr jsou jak aplikace využívající pokročilé algoritmy, tak nástroje dostupné v rámci online kurzů, které vás provedou jednotlivými kroky analýzy. 1. Python Python je jedním z nejpoužívanějších programovacích jazyků pro analýzu dat a je také vyhledávaný ve světě vzdělávacích kurzů zaměřených na programování a práci s daty. Je to interpretovaný, univerzální, vysokoúrovňový jazyk, který lze použít pro procedurální, funkční i objektově orientované programování. Tato flexibilita je jedním z důvodů, proč je Python oblíben u programátorů s různým zaměřením. Navíc, jeho jednoduchá syntax, která je téměř jako přirozený jazyk, z něj činí ideální volbu nejen pro profesionály, ale i pro začínající vývojáře, kteří se často přihlašují na online kurzy Pythonu. Co však dělá Python skvělým jazykem pro analýzu dat, jsou všechny knihovny třetích stran, které můžete do svého projektu přidat zdarma. Mnohé z těchto knihoven, jako jsou Matplotlib, PyTorch a Pandas, jsou navrženy pro zpracování dat, což znamená, že pro analýzu dat musíte napsat méně kódu. Tyto knihovny jsou často také součástí různých IT kurzů, kde se zaměřují na efektivní vizualizaci a zpracování dat. 2. Matplotlib Matplotlib je knihovna Pythonu, která usnadňuje vizualizaci dat a grafické vykreslování. Můžete ji jednoduše nainstalovat na jakýkoli operační systém, který podporuje Python, včetně Mac, Windows a Linux. Po nainstalování můžete dlouhé seznamy čísel převést na snadno srozumitelné koláčové grafy, tepelné mapy, histogramy a jiné typy vizualizací, které jsou připraveny k použití v sestavách nebo publikování online. Statistická analýza dat s Matplotlib tak získává atraktivní a přehledné zobrazení. Matplotlib může také vygenerovat uživatelské rozhraní pro vaši grafiku s nabídkou, kterou můžete použít pro přizpůsobení grafiky bez psaní dodatečného kódu. Tato knihovna je často součástí kurzů programování, kde si studenti mohou vyzkoušet vytvoření interaktivních vizualizací a pochopit, jak vizualizovat data pro efektivní rozhodování. 3. PyTorch PyTorch je open source knihovna Pythonu, která se používá k vytváření, trénování a spouštění modelů strojního učení. Používá tenzory podobné polím pro kódování vstupů, výstupů a parametrů modelů. Tenzor je kontejner pro data, který může tyto údaje reprezentovat v libovolném počtu dimenzí, což z něj činí velmi flexibilní nástroj pro analýzu dat. Další výhodou PyTorch je, že může spouštět modely strojového učení pomocí počítačového GPU a nikoli CPU. To znamená, že model strojového učení PyTorch vám může poskytnout report 4 až 5krát rychleji než jiné nástroje pro analýzu údajů, které využívají pouze zpracování CPU. 4. Pandas Pandas je další knihovna Pythonu a je to švýcarský armádní nožík pro manipulaci s údaji. S pandas můžete změnit nestrukturované údaje z více zdrojů na 2D objekt v paměti zvaný DataFrame. Když už máte data v DataFrame, můžete je rychle filtrovat, vyhledávat, segmentovat a segregovat. Můžete také sloučit a spojit dva různé DataFrame. 5. Jupyter Notebook Jupyter Notebook je webová aplikace s otevřeným zdrojovým kódem, ve které můžete spouštět Python, R a další programovací jazyky v interaktivním prostředí. Jelikož se jedná o webovou aplikaci, umožňuje interaktivní spolupráci mezi uživateli. Nazývá se to „notebook“, protože umožňuje analytikům dat nejen ukládat a spouštět kód v prohlížeči, ale přidává také vysvětlující text, obrázky a další podpůrné informace. Zápisníky Jupyter slouží jako výpočetní záznam mezi spolupracovníky a vytvořené záznamy lze uložit jako soubory JSON. Tyto soubory pak lze použít ke sledování každého kroku procesu. O PyTorch, Pandas a tvorbě grafů v Matplotlib se více dozvíš v našem online kurzu Python Data Science. 6. R R byl navržen speciálně pro potřeby komunity zabývající se datovou analýzou a statistikou. Jazyk R je vhodný pro strojní učení, vizualizaci údajů a statistickou analýzu. Obrovskou výhodou jazyka R je právě jeho obrovská komunita. R je sada nástrojů pro manipulaci s údaji, provádění výpočtů a generování grafiky. Dodává se s výkonnými možnostmi zpracování a ukládání dat, jakož i flexibilní sadou grafických nástrojů pro generování tabulek a grafů, které jsou připraveny pro publikování v sestavách. Pokud si vyberete jazyk R, neuděláte určitě chybu, zejména proto, že byl od základů vytvořen právě pro datovou analýzu. 7. SQL SQL, což je zkratka pro Structured Query Language, je programovací jazyk, který byl vytvořen pro interakci s relačními databázemi. Z tohoto důvodu a také vzhledem k tomu, že firmy ukládají většinu svých údajů v databázích, je SQL základním nástrojem, který datoví vědci a datoví analytici používají pro tvorbu reportů a analýzu dat. SQL je navíc jednoduchý jazyk k učení, a proto se často vyučuje v rekvalifikačních kurzech online, kde se zaměřuje na efektivní práci s daty. Dotazy, které do SQL píšete, jsou téměř jako anglické věty, což usnadňuje práci i méně zkušeným uživatelům. Téměř každý jiný programovací jazyk navíc obsahuje knihovny, které můžete použít k interakci s databázemi. Tato široká podpora činí SQL výkonným nástrojem, který je často zahrnutý i v nejlepších rekvalifikačních kurzech pro práci s daty, protože umožňuje rychlou analýzu velkých datových souborů. 8. D3.js D3.js je open-source JavaScriptová knihovna pro vytváření vlastních vizualizací ve webovém prohlížeči. Spolu s JavaScriptem využívá HTML, škálovatelnou vektorovou grafiku a CSS, což umožňuje webovým vývojářům provádět analýzu dat a tvorbu interaktivních grafů přímo v prohlížeči, aniž by se museli učit nový jazyk. D3 je zkratka pro "Data Driven Documents" a umožňuje vývojářům propojit data na HTML dokumenty pomocí Document Object Modelu (DOM) a poté transformovat dokument na základě dat, která používá. D3.js také podporuje interakci, animaci, anotaci a kvantitativní analýzu. I když lze technologie, které D3 používá, poměrně snadno pochopit, knihovna obsahuje více než 30 modulů a 1 000 metod vizualizace, jejichž zvládnutí může vyžadovat čas. D3.js je součástí některých rekvalifikačních kurzů online zaměřených na datovou analýzu a vizualizaci dat, kde si studenti mohou osvojit vytváření interaktivních a dynamických vizualizací. 9. MATLAB MATLAB používá vysokoúrovňový programovací jazyk pro matematické modelování, numerické výpočty a vizualizaci dat. Jeho název je zkratkou pro „maticovou laboratoř - matrix laboratory“, protože jde o maticový jazyk. Matematické matice jsou datové struktury, které dokážou vyřešit mnohé technické výpočetní problémy efektivněji než jiné skalární programovací jazyky. MATLAB můžete použít na řadu různých úkolů, jako je vykreslování údajů, vývoj algoritmů, vytváření modelů strojního učení, interakce s programy napsanými v jiných jazycích a analýza množin dat. Díky jeho pokročilým matematickým funkcím existuje mnoho technických rolí, které používají MATLAB, včetně softwarových inženýrů a datových analytiků. 10. Tensor Flow TensorFlow je open-source platforma strojového učení a analýzy dat, kterou vytvořil tým Google Brain. Používá se pro numerické výpočty a implementaci neuronových sítí s hlubokým učením. Kód pro TensorFlow je napsán v C++, ale poskytuje API, ke kterému lze přistupovat pomocí mnoha jiných programovacích jazyků včetně Python, Go, Java, R, JavaScript a dalších. TensorFlow dokáže trénovat a spouštět modely strojového učení pro rozpoznávání obrázků, klasifikaci ručně psaných číslic, vkládání slov, opakující se neuronové sítě, překlad jazyka, zpracování přirozeného jazyka a simulaci. A namísto toho, abyste se museli zabývat podrobnostmi vytváření vlastních algoritmů, můžete si vytvořit své vlastní modely pomocí TensorFlow. 11. Tableau Tableau je přední nástroj Business Intelligence na trhu, který se používá pro analýzu a vizualizaci údajů v jednoduchém formátu. Tableau je nástroj pro analýzu dat, který se používá k vytváření kvalitních vizualizací dat pro business intelligence. Dokáže extrahovat data z mnoha zdrojů, včetně Microsoft Excel, PDF souborů, různých typů databází nebo dokonce souborů uložených na AWS. Po extrahování dat k nim může přistupovat aplikace Tableau Desktop. Potom jej můžete použít ke generování dashboardů a vizualizací v softwaru. Data mohou být také publikována na Tableau Server, kde k nim lze přistupovat z jakéhokoli místa, včetně mobilních zařízení. A to vše můžete udělat bez psaní jakéhokoli kódu. Závěr Nástroje pro analýzu dat vám pomohou objevovat trendy a vzorce, na jejichž základě budete umět dělat lepší rozhodnutí. K dispozici je široká škála nástrojů, od složitých programovacích jazyků až po aplikace, které vyžadují velmi málo technických znalostí. Výběr je jen na vás.

UX design (user experience design) je proces navrhování produktů a služeb tak, aby byly pro lidi užitečné, srozumitelné a snadno použitelné. UX designér neřeší jen vzhled obrazovek. Zkoumá potřeby uživatelů, pojmenovává problémy, navrhuje řešení, vytváří wireframy a prototypy a ověřuje je testováním.  Když bez přemýšlení zaplatíš v aplikaci, rychle najdeš informaci na webu nebo přesně víš, co udělat v dalším kroku formuláře, pravděpodobně za tím stojí kvalitní UX design. Pokud se naopak ztrácíš, nerozumíš chybové hlášce nebo nedokážeš dokončit nákup, jde o problém uživatelské zkušenosti.  Co je UX design?Zkratka UX pochází z anglického spojení user experience , tedy uživatelská zkušenost. Zahrnuje vše, co člověk prožívá při kontaktu s produktem nebo službou: zda rozumí jeho fungování, jak rychle dosáhne cíle, zda mu produkt pomáhá a jaký pocit si z používání odnese.  UX design proto není pouze navrhování webů a mobilních aplikací. Uživatelskou zkušenost má e-shop, bankomat, rezervační systém, samoobslužný kiosk i proces vyřízení reklamace. Digitální produkty jsou však oblastí, ve které se s profesí UX designéra setkáváme nejčastěji.  Dobrý UX design hledá rovnováhu mezi potřebami uživatele, cíli firmy a technickými možnostmi. Řešení může vypadat atraktivně, ale pokud je pro lidi nesrozumitelné nebo v něm nedokážou splnit svůj úkol, z pohledu UX nefunguje.  Co dělá UX designér? UX designér navrhuje, jak bude produkt fungovat z pohledu člověka, který ho používá. Jeho práce začíná ještě před kreslením obrazovek. Nejdříve potřebuje pochopit problém, uživatele i kontext. Následně vytváří návrhy, testuje je a společně s týmem je zlepšuje.  Konkrétní náplň práce závisí na firmě a velikosti týmu. V menší společnosti může jeden člověk zastřešovat výzkum, UX i vizuální design. Ve větším produktovém týmu bývají úkoly rozděleny mezi UX researchera, UX designéra, UI designéra, produktového designéra, UX writera a další specialisty.  Nejčastější úkoly UX designéra • Uživatelský výzkum: rozhovory, dotazníky, pozorování a analýza existujících dat.  • Definování problému: pojmenování potřeb uživatelů, omezení a cílů produktu.  • Informační architektura: uspořádání obsahu a funkcí tak, aby se v nich lidé dokázali orientovat.  • User flows: návrh kroků, kterými uživatel projde například při registraci, platbě nebo rezervaci.  • Wireframy: jednoduché náčrty obrazovek zaměřené na strukturu a funkci.  • Prototypy: klikatelné modely řešení, na kterých lze vyzkoušet budoucí chování produktu.  • Testování použitelnosti: sledování lidí při plnění úkolů a odhalování míst, kde se ztrácejí.  • Spolupráce: komunikace s produktovým manažerem, vývojáři, analytiky a dalšími designéry.  • Vyhodnocování: sledování zpětné vazby a metrik po nasazení produktu.  Jak vypadá UX proces krok za krokem? UX proces není pevná výrobní linka. Tým se mezi jednotlivými fázemi často vrací podle toho, co zjistí. Přesto jej lze shrnout do několika typických kroků.  1. Pochopení zadání a cílů Na začátku je třeba vědět, jaký problém produkt řeší, komu slouží a čeho chce firma dosáhnout. Nejasné zadání typu „udělejme modernější web“ nestačí. Užitečnější otázka zní: Proč lidé nedokončí objednávku a co jim v tom brání?  2. Uživatelský výzkum UX designér nehádá, co lidé chtějí. Mluví s nimi, pozoruje jejich chování a pracuje s daty. Výzkum může odhalit, že problém není v barvě tlačítka, ale v nejasné ceně, chybějící informaci nebo v procesu, který neodpovídá reálné situaci uživatele.  3. Syntéza a definování problému Zjištění z výzkumu je třeba převést do rozhodnutí. Tým může vytvořit uživatelské scénáře, mapu zákaznické cesty nebo jasné vymezení problému. Cílem není vyrábět dokumenty do šuplíku, ale získat společné pochopení toho, co je potřeba řešit.  4. Návrh struktury a řešení Následuje informační architektura, user flows a wireframy. V této fázi se vyplatí pracovat rychle a vyzkoušet více možností. Jednoduchý náčrt se mění levněji než hotové rozhraní naprogramované vývojáři.  5. Prototypování a uživatelské testování Z vybraného návrhu vznikne prototyp. Ten dostanou do rukou lidé z cílové skupiny a řeší na něm konkrétní úkoly. Designér sleduje, kde váhají, čeho si nevšimnou a čemu nerozumějí. Testování nemá dokazovat, že návrh je dobrý. Má co nejdříve ukázat, co je nutné opravit.  6. Předání vývojářům a další zlepšování UX designér spolupracuje s vývojáři, vysvětluje chování rozhraní a kontroluje, zda výsledek odpovídá záměru. Práce nekončí spuštěním produktu. Reálné používání přináší nová data, zpětnou vazbu a další otázky.  Jaký je rozdíl mezi UX a UI designem? UX a UI spolu úzce souvisejí, ale nejsou to synonyma. UX design řeší fungování a celkovou uživatelskou zkušenost. UI design řeší vizuální podobu a chování uživatelského rozhraní.   UX designér se ptá, zda je postup logický, informace srozumitelné a úkol splnitelný. UI designér řeší typografii, barvy, rozložení prvků, stavy tlačítek, konzistenci komponent a vizuální hierarchii. V praxi se disciplíny překrývají a pracovní pozice bývá často označena jako UI/UX designér nebo product designer.  Více o jejich vztahu najdeš také v článku Proč je UI a UX design důležitý. Jaké nástroje používá UX designér?Nástroj je pouze prostředek. Důležitější je umět vybrat správnou metodu a vysvětlit rozhodnutí. V praxi se setkáš zejména s těmito skupinami nástrojů:  • Figma a FigJam pro wireframy, návrhy rozhraní, prototypy a týmovou spolupráci.  • Miro pro workshopy, mapování cest a společné přemýšlení.  • Maze, Lookback nebo UserTesting pro uživatelské testování a výzkum.  • Hotjar, Microsoft Clarity a analytické nástroje pro pozorování chování a práci s daty.  •  Notion, Jira nebo Confluence pro dokumentaci a spolupráci v produktovém týmu.  Pokud začínáš, nemusíš se učit všechno najednou. Ovládání Figmy pomůže, ale samo o sobě z tebe UX designéra neudělá. Základem zůstává schopnost pochopit problém, pracovat s uživateli a ověřovat návrhy.  Jaké dovednosti potřebuje UX designér? Odborné dovednosti • základy uživatelského výzkumu a vedení rozhovorů,  • informační architektura a návrh user flows,  • wireframing a prototypování,  • testování použitelnosti,  • základy UI designu, typografie a přístupnosti,  • práce s daty a schopnost formulovat hypotézy,  • základní porozumění tomu, jak vzniká digitální produkt.  Měkké dovednosti Velkou část práce tvoří komunikace. UX designér potřebuje naslouchat bez podsouvání odpovědí, vysvětlovat svá rozhodnutí, přijímat zpětnou vazbu a hledat kompromisy. Důležitá je zvídavost, empatie, kritické myšlení i schopnost přiznat, že první návrh nefunguje.  Jak se stát UX designérem? Pro vstup do UX nepotřebuješ konkrétní vysokoškolský titul. Do oboru přicházejí lidé z grafického designu, marketingu, psychologie, vývoje, analytiky i zákaznické podpory. Potřebuješ však systematické základy a důkazy, že dokážeš postup použít na reálný problém.  1. Nauč se principy UX. Začni uživatelským výzkumem, informační architekturou, wireframy, prototypováním a testováním. Pomůže ti online kurz UX design polopatě .  2. Vyber si menší problém. Nemusíš redesignovat celé internetové bankovnictví. Zlepši jednu konkrétní cestu, například rezervaci termínu.  3. Mluv s uživateli. I pět kvalitních rozhovorů ti dá více než návrh založený pouze na vlastním vkusu.  4. Vytvoř a otestuj prototyp. Zaznamenej, co nefungovalo a jak jsi návrh upravil.  5. Zpracuj případovou studii. Portfolio má ukázat problém, proces, rozhodnutí, zpětnou vazbu a výsledek, ne jen hezké finální obrazovky.  6. Získej zpětnou vazbu a praxi. Zapoj se do dobrovolnického projektu, hackathonu nebo pomoz menší organizaci s konkrétním problémem.    Praktické rady k portfoliu a pohovorům najdeš v kurzu Jak získat práci UX designera.  Co má obsahovat UX portfolio? Dobré UX portfolio není galerie obrázků. Recruiter nebo design lead chce vidět, jak přemýšlíš. U každého projektu stručně ukaž kontext, svou roli, cíl, omezení, výzkum, alternativy, rozhodnutí, testování a výsledek. Jasně odliš, co jsi udělal ty a co další členové týmu.  I neúspěšná hypotéza může být hodnotná, pokud vysvětlíš, co jsi zjistil a jak jsi na základě důkazů změnil směr. Fiktivní redesign bez přístupu k uživatelům je slabší než menší projekt, u kterého jsi problém skutečně ověřil.  Je UX design vhodná kariéra i pro začátečníka? Ano, ale samotný certifikát nebo znalost Figmy obvykle nestačí. Firmy hledají lidi, kteří umějí přemýšlet o problému, komunikovat s týmem a ukázat svůj proces. Začátečník má největší šanci tehdy, když si vybuduje pevné základy, vytvoří dvě až tři poctivé případové studie a dokáže obhájit svá rozhodnutí.  Výhodou mohou být i předchozí zkušenosti. Člověk ze zákaznické podpory zná reálné problémy klientů, marketér rozumí komunikaci a datům, analytik procesům a grafik vizuálním principům. UX je multidisciplinární oblast a dobrý designér dokáže své dosavadní zkušenosti proměnit v silnou stránku.  Nejčastější otázky o UX designu Co znamená zkratka UX? UX znamená user experience , česky uživatelská zkušenost. Popisuje celkovou zkušenost člověka s produktem, službou nebo procesem.  Musí UX designér umět kreslit nebo programovat? Ne. Kreslení ani programování nejsou základní podmínkou. Pomáhá však rozumět možnostem technologií a umět jasně vizualizovat myšlenku pomocí wireframu či prototypu.  Je Figma nástroj pro UX design? Figma se používá pro wireframy, návrhy rozhraní a interaktivní prototypy. UX proces je však širší a zahrnuje také výzkum, definování problému, testování a vyhodnocování.  Jaký je rozdíl mezi UX designérem a product designerem? Názvy se mezi firmami liší. Product designer obvykle pokrývá UX i UI a sleduje produkt po delší dobu. UX designér může být více zaměřený na výzkum, strukturu, interakce a použitelnost. Vždy se vyplatí číst konkrétní náplň pozice.  Jak dlouho trvá naučit se UX design? Základní principy lze pochopit během několika týdnů, ale samostatná profesionální práce vyžaduje měsíce praxe. Tempo závisí na předchozích zkušenostech, času na studium a možnosti pracovat na reálných projektech.  Lze se UX design naučit online? Ano. Online studium je vhodné pro teorii, nástroje i vedené projekty. Důležité je poznatky použít v praxi, testovat návrhy s lidmi a získávat zpětnou vazbu.  Začni svou cestu k UX designu UX design spojuje analytické myšlení, empatii, kreativitu a spolupráci. Pokud tě baví zjišťovat, proč lidé při používání produktů tápou, a hledat řešení podložená důkazy, může pro tebe být přirozenou kariérní cestou.  Ve studijní cestě UX designér najdeš kurzy seřazené od základních principů přes Figmu a prototypování až po portfolio a přípravu na práci. Pokud chceš intenzivnější vedení, praktický projekt a zpětnou vazbu od lektora, podívej se také na Design a UI/UX Academy .