Power BI, nebo Looker Studio? Srovnání s tabulkou a dashboardem na míru pro přehled o prodeji

Začněte otázkami, ne grafy

Nejčastější chyba při stavbě dashboardu je začít výběrem nástroje a grafů. Výsledkem bývá obrazovka plná čísel, která jsou pravdivá, ale nikdo podle nich nic nerozhodne. Než otevřete jakýkoli nástroj, sepište, která rozhodnutí má přehled podpořit.

U cestovní kanceláře to bývají otázky typu: kterou reklamu posílit a kterou vypnout, který termín se prodává hůř než loni a potřebuje zachránit, kde chybí kapacita a vyplatí se vypsat další termín. U jiné firmy jde o produkty, zakázky nebo vytížení lidí, princip je stejný. Každé rozhodnutí potřebuje jen několik čísel a ta tvoří obsah dashboardu.

Druhá otázka je, kdo přehled čte a jak často. Majitel, který se jednou týdně dívá na celkový obchod, potřebuje něco jiného než prodejce, který každé ráno řeší konkrétní termíny, nebo člověk, který spravuje reklamu. Frekvence určuje i to, jak čerstvá data musí být: pro týdenní poradu stačí ruční aktualizace, pro každodenní rozhodování o reklamě ne.

• –Jaké rozhodnutí podle přehledu uděláte a jak často
• –Kdo ho čte: vedení, prodej, marketing, nebo všichni
• –Jak čerstvá data potřebujete: denně, týdně, měsíčně
• –Co se stane, když přehled jeden den nebude fungovat

Data: odkud tečou, jak jsou čistá a kdo za ně odpovídá

Dashboard je jen tak dobrý jako data pod ním. Ve střední firmě bývají rozdělená do několika systémů: rezervační nebo objednávkový systém zná objednávky a kapacity, účetní systém skutečné platby a náklady, Google Analytics 4 změřenou část návštěv a rezervací z webu, reklamní platformy útratu. GA4 nevidí lidi, kteří odmítli cookies, ani telefonické rezervace a rezervace kanálům připisuje podle vlastního modelu atribuce; berte ho jako jeden z pohledů na přínos kanálů, ne jako objektivní měřítko. Ke každému zdroji si zapište, jak se z něj data dostanou ven: přes API, pravidelný export do souboru, nebo jen ručním stažením.

Pak se podívejte, jak jsou data čistá. Typické problémy jsou storna, která se v systému neevidují jako storna, ale jako smazané objednávky, duplicitní karty stejného zákazníka, ručně přepisované ceny nebo produkty pojmenované pokaždé trochu jinak. Tyto chyby nevyřeší žádný nástroj, jen se v pěkném grafu hůř hledají.

U každého zdroje určete, kdo za něj odpovídá. Když se změní export rezervačního systému nebo někdo přejmenuje kampaně, dashboard přestane sedět. Někdo ve firmě musí vědět, že se to stalo, a mít pravomoc to opravit nebo zadat opravu.

Cesta první: tabulka v Excelu nebo Google Sheets

Tabulka je nejlevnější a nejrychlejší start. Většina firem ji už má, každý ji umí otevřít a změnu vzorce zvládne kdokoli bez dodavatele. Pro firmu s několika produkty, jedním člověkem, který přehled připravuje, a týdenní poradou to často úplně stačí.

Problémy přicházejí s růstem. Data se do tabulky kopírují ručně z exportů, takže je přehled tak čerstvý, jak často na to má někdo čas. Vzniká víc verzí souboru, vzorce zná jen jejich autor a jedna chybně vložená řádka změní součet, aniž by si toho někdo všiml. Spojit rezervace s útratou za reklamu a návštěvností webu je v tabulce možné, ale pracné a křehké.

Excel s vestavěným nástrojem Power Query umí část ruční práce zautomatizovat: načte exporty ze složky a připraví je stejným postupem pokaždé. Pro malou firmu je to rozumný mezikrok před hotovým nástrojem. Pořád ale platí, že soubor někdo musí otevřít a aktualizovat.

• –Stačí: několik produktů, jeden zdroj dat, týdenní nebo měsíční přehled
• –Nestačí: denní rozhodování, více zdrojů, více lidí, kteří přehled čtou a upravují
• –Varovný signál: přehled připravuje jeden člověk a bez něj se nedělá

Cesta druhá, hotový nástroj: Looker Studio, dnes Data Studio

Hotové nástroje dávají editor, ve kterém si přehled sestavíte sami, a připojení k běžným zdrojům dat. Bezplatný nástroj Googlu pro reporty se v dubnu 2026 vrátil k původnímu názvu Data Studio, mnoho lidí ho ale dál hledá jako Looker Studio. Základní verze je k říjnu 2026 zdarma. Placená verze Data Studio Pro (dříve Looker Studio Pro) stojí podle ceníku Googlu 9 USD za uživatele a projekt měsíčně; licenci potřebují jen ti, kdo obsah vytvářejí a spravují, ne ti, kdo ho jen prohlížejí. Pro přidává hlavně správu obsahu firmou přes projekt Google Cloud, týmové prostory a podporu.

Silnou stránkou jsou zdroje Googlu. GA4, Google Ads, Search Console, BigQuery i Google Sheets se připojí několika kliknutími a sdílení funguje podobně jako u dokumentů Google. Pro marketingový přehled z dat Googlu je to často nejrychlejší cesta.

Data mimo Google, například ze Skliku, Meta nebo rezervačního systému, se připojují přes konektory partnerů. Ty vyvíjejí jiné firmy a většinou jsou placené měsíčním předplatným, takže k „bezplatnému“ nástroji přibude další účet a další dodavatel. Druhou cestou je nahrávat data do Google Sheets nebo BigQuery a připojit je odtud.

Omezení se projeví u složitějších přehledů. Spojení dat z různých zdrojů (blend) je omezené na pět zdrojů a se spojenými a většími daty se reporty znatelně zpomalují; obvyklé doporučení je data připravit a spojit předem, třeba v BigQuery. Výpočty, které potřebují historii, jako je tempo prodeje proti loňsku ke stejnému předstihu, se v samotném reportu skládají obtížně a patří do přípravy dat.

• –Stačí: marketingový reporting z GA4 a Google Ads, několik čtenářů, jednoduché výpočty
• –Nestačí: hodně zdrojů mimo Google, složitá pravidla nad daty, pomalé načítání
• –Počítejte s cenou konektorů třetích stran a s člověkem, který report udržuje

Cesta druhá, hotový nástroj: Power BI

Power BI od Microsoftu je silný nástroj pro firmy, které žijí v prostředí Microsoft 365: Excel, SharePoint, Teams a účty spravované přes Microsoft. Umí datové modely s mnoha tabulkami, vlastní výpočty v jazyce DAX a pravidelné aktualizace. Pro firmu, která má vlastního analytika nebo člověka ochotného se ho naučit, je to dospělé řešení.

Sdílení je placené podle uživatelů. S bezplatnou licencí si můžete vytvářet reporty jen pro sebe; aby je mohli vidět kolegové, potřebuje Power BI Pro autor i každý, kdo report čte, pokud firma nemá kapacitu Premium nebo Fabric F64 a vyšší. K říjnu 2026 stojí podle ceníku Microsoftu Power BI Pro 14 USD a Power BI Premium Per User 24 USD za uživatele měsíčně při roční platbě. Od 1. dubna 2025 Microsoft zdražil Pro z 10 USD a Premium Per User z 20 USD; stávající zákazníci platí novou cenu od obnovení smlouvy. Pokud už máte Microsoft 365, ověřte, zda vaše předplatné licenci Power BI neobsahuje.

Reporty se navrhují v aplikaci Power BI Desktop, která podle dokumentace Microsoftu běží jen na Windows (Windows 10 nebo novější). Ve firmě, kde se pracuje na Macu, to znamená virtuální Windows nebo omezení na úpravy v prohlížeči.

Data z místního serveru nebo z počítače ve firmě potřebují pro automatickou aktualizaci datovou bránu (on-premises data gateway): software nainstalovaný na Windows počítači v síti, který musí běžet a někdo ho musí spravovat. Na sdílené kapacitě, tedy s licencemi Pro, jde naplánovat nejvýš osm aktualizací denně, na kapacitě Premium, Fabric nebo s Premium Per User až 48.

• –Stačí: Microsoft 365 ve firmě, interní analytik, data v prostředí Microsoftu
• –Nestačí: nikdo, kdo bude model a reporty udržovat, práce převážně na Macu
• –Licence násobte počtem čtenářů a let, ne jen autorů

Cesta třetí: dashboard na míru

Dashboard na míru je webová aplikace postavená nad vašimi daty a vaším procesem. Neskládáte ji v editoru, ale programuje ji vývojář podle sepsaných otázek a definic. Data se připraví skriptem, který se v noci sám spustí, stáhne exporty nebo data přes API, přepočítá ukazatele a ráno je přehled aktuální bez ruční práce.

Výhoda je v tom, co hotové nástroje neumí snadno. Tempo prodeje každého termínu proti loňsku ke stejnému předstihu, upozornění na vyprodaný termín, na který dál běží reklama, nebo spojení kampaní s termíny podle vlastních pravidel jsou v kódu obyčejné výpočty. Nejsou licence na uživatele, takže přidat dalšího prodejce nic nestojí, a vzhled i přístupy odpovídají tomu, jak firma pracuje.

Nevýhody jsou stejně skutečné. Potřebujete vývojáře na stavbu i na změny: nový graf si nenaklikáte sami a každá úprava je malá zakázka. Kód musí být zdokumentovaný a musí patřit vám, jinak jste závislí na jednom dodavateli. A někdo musí hlídat, že noční aktualizace proběhla, protože tichá chyba v datech je horší než žádný dashboard.

• –Stačí a vyplatí se: specifický obor, výpočty nad historií, více zdrojů, mnoho čtenářů
• –Nevyplatí se: přehled se zatím hledá a mění každý týden, data jsou jen v Googlu
• –Trvejte na: vlastnictví kódu a dat, dokumentaci napojení, hlídání aktualizací

Srovnání: kdy která cesta stačí

Rozhodnutí se dá zjednodušit na tři otázky. Kolik zdrojů dat potřebujete spojit a jsou to zdroje Googlu, Microsoftu, nebo něco jiného? Jak složité výpočty potřebujete, hlavně výpočty nad historií? A kdo bude přehled udržovat: vlastní člověk, který se nástroj naučí, nebo externí dodavatel?

Pro jeden zdroj a jednoho čtenáře stačí tabulka. Pro marketingová data Googlu je nejrychlejší Data Studio. Pro firmu na Microsoft 365 s analytikem je přirozenou volbou Power BI. Dashboard na míru dává smysl tam, kde se spojuje víc zdrojů mimo jednu platformu, výpočty jsou specifické pro obor a přehled čte víc lidí, než kolik licencí chcete platit.

Cesty se nevylučují. Častý a rozumný postup je začít tabulkou nebo Data Studiem, zjistit, které pohledy se skutečně používají, a teprve potom investovat do robustního řešení. Data připravená mimo nástroj, například v databázi, se dají napojit do kteréhokoli z nich.

• –Tabulka: nejnižší cena, nejvíc ruční práce, závislost na jednom člověku
• –Data Studio: zdarma pro zdroje Googlu, placené konektory pro ostatní, pomalejší u spojených dat
• –Power BI: silný model a výpočty, licence na každého čtenáře, Desktop jen pro Windows
• –Na míru: bez licencí a s vlastními pravidly, ale každá změna přes vývojáře

Bezpečnost a přístupy: kdo vidí jaká data

Přehled o prodeji obvykle nepotřebuje osobní údaje klientů. Pro rozhodnutí o termínech, reklamě a kapacitě stačí souhrny: počty míst, tržby, marže, počty rezervací po dnech. Když jména, e-maily a telefony do dashboardu vůbec nepustíte, zmenšíte riziko úniku i práci s GDPR.

Rozmyslete, kdo vidí co. Vedení může vidět marže a výsledky všech prodejců, prodejce možná jen své obchodní případy a obsazenost. U hotových nástrojů se dá report snadno nasdílet odkazem a v Data Studiu ukazuje zdroj dat s přihlašovacími údaji vlastníka data každému, kdo report otevře. Projděte proto nastavení sdílení pravidelně, hlavně po odchodu zaměstnance nebo dodavatele.

U dashboardu na míru se ptejte, kde aplikace a data běží a jak se uživatelé přihlašují. Rozumný standard je hosting v EU, přihlášení přes firemní účty nebo s druhým faktorem, šifrované spojení a přístupové údaje k systémům uložené mimo kód. Přístup do rezervačního systému má mít dashboard jen pro čtení.

• –Souhrny místo osobních údajů klientů
• –Role: vedení, prodej, marketing, externí dodavatelé
• –Pravidelná kontrola sdílení a odebrání přístupů po odchodu
• –Hosting v EU a přístup k systémům jen pro čtení

Postup: od inventury dat k prvnímu použitelnému přehledu

Ať zvolíte kteroukoli cestu, postup je podobný. Nejdřív inventura: které systémy máte, co z nich jde dostat, jak často a v jaké kvalitě. Výsledkem je jednoduchá tabulka zdrojů s vlastníky a seznam toho, co v datech chybí.

Pak jedna obrazovka pro jedno rozhodnutí. Místo dashboardu se vším vyberte rozhodnutí, které děláte nejčastěji nebo které stojí nejvíc peněz, a postavte přehled jen pro něj. Jako orientační cíl si dejte prototyp na skutečných datech za jeden až dva týdny. Je to reálné, když jsou data dostupná přes API nebo pravidelný export a prototyp řeší jedno rozhodnutí; s ručními exporty, nečistými daty nebo více zdroji to trvá déle. Když se termín protahuje, zvažte, zda nejde rozsah zúžit nebo nejdřív vyčistit data.

Prototyp nechte několik týdnů používat a teprve potom rozšiřujte. Každý další pohled přidejte až ve chvíli, kdy pro něj máte konkrétní otázku. Před spuštěním zkontrolujte součty proti účetnictví nebo rezervačnímu systému, jinak lidé dashboardu nebudou věřit a vrátí se ke svým tabulkám.

• –Inventura zdrojů dat, jejich kvality a vlastníků
• –Sepsané definice ukazatelů
• –Jedna obrazovka pro jedno rozhodnutí
• –Prototyp na skutečných datech, orientačně za jeden až dva týdny
• –Kontrola součtů, pak postupné rozšiřování