Jak se stát webovým analytikem v roce 2026? O osm let později

V září 2018 jsem napsal první verzi článku o tom, jak se stát webovým analytikem. Doporučoval jsem vlastní testovací web, Google Analytics, Google Tag Manager, tabulky, postupné učení, zkušenost s online marketingem, technickou zvídavost a ochotu pomáhat ostatním.

Po osmi letech si za většinou těchto principů stále stojím. Změnil se ale obor i způsob, jakým se ho můžeme učit. Dnes pracujeme s Google Analytics 4 (GA4), souhlasy, datovými sklady, automatizací a umělou inteligencí. Analytik se častěji potkává s kódem, API a kvalitou dat.

Zní to složitěji než v roce 2018. Současně ale nikdy nebylo snazší začít. AI vám vysvětlí dokumentaci, pomůže přečíst JavaScript, navrhne SQL, vytvoří testovací web nebo připraví první verzi kontrolního skriptu.

Nemusíte však umět všechno hned. Většinu znalostí získáte postupně při řešení konkrétních problémů. Kousek po kousku.

AI-boosted analytik není člověk, který jen rychleji vyrábí více výstupů. Díky AI se rychleji učí, lépe dokumentuje, více testuje a dříve odhaluje chyby. Za výsledek ale stále ručí on.

Co bych po osmi letech nezměnil

Nástroje se mění. Základní principy zůstávají:

• Udělejte si vlastní testovací web nebo aplikaci.
• Postupujte od otázky přes vznik dat až k rozhodnutí.
• Nesnažte se pouze naklikat report. Pochopte, co čísla znamenají pro konkrétní firmu.
• Naučte se číst dokumentaci a základně rozumět technické stránce webu.
• Pomáhejte ostatním. Cizí problémy vás často naučí více než další obecný kurz.
• Neohýbejte čísla podle přání zadavatele.
• Přiznejte, když něco nevíte. Je to bezpečnější než přesvědčivě hádat.

Pořád je důležité znát cestu od vzniku dat přes jejich zpracování až po interpretaci. AI vám může pomáhat v každém kroku, ale neměla by žádný z nich úplně zakrýt.

Neuvařte si hlavu: všechno nemusíte umět hned

Seznam témat ve webové analytice dnes působí nekonečně. GA4, GTM, souhlasy, SQL, datové sklady, statistika, experimenty, JavaScript, cloud, AI, automatizace, server-side měření a first-party data. Když se na to podíváte jako na jeden balík, snadno získáte dojem, že se do oboru nedá vstoupit.

Dá. Jen se to neučíte všechno současně.

Začněte několika základy:

1. Jakou otázku řešíme?
2. Jaká data k odpovědi skutečně potřebujeme?
3. Jak data vzniknou?
4. Jak poznáme, že jsou správná?
5. Co z nich můžeme a nemůžeme tvrdit?
6. Jaký další krok doporučíme?

Ostatní znalosti se na tento základ postupně nabalí. První měsíc nemusíte rozumět datové architektuře velké firmy. Stačí správně změřit odeslání formuláře, ověřit událost v prohlížeči a vysvětlit, co číslo znamená.

Pokročilá témata mohou být zajímavá, ale nejsou vstupní zkouškou. Server-side GTM, server-side měření nebo rozsáhlá práce s first-party daty jsou užitečné v konkrétních situacích. Dokud ale nemáte zvládnuté základy, nepotřebujete je.

Nejdřív zvládněte jednoduché klientské měření, validaci, interpretaci a komunikaci. Pokročilejší architekturu se učte ve chvíli, kdy řeší skutečný problém, ne proto, že zní moderně.

Co bych dnes doporučil jinak

Vytvořte si vlastní laboratoř

V roce 2018 stačil vlastní web s měřicím kódem. Dnes bych doporučil malé prostředí, ve kterém můžete měnit web, posílat události do GA4, sledovat datovou vrstvu, vytvářet reporty, psát skripty, verzovat změny a bezpečně něco rozbít.

Může to být statický web, WordPress, malý e-shop nanečisto nebo aplikace vytvořená s pomocí AI. Nemusí být hezká. Musí být vaše a dovolit vám experimentovat.

Když vlastní web zatím nechcete, začněte s ukázkovým účtem GA4. Pro pochopení implementace a hledání chyb je ale vlastní projekt později velmi užitečný.

Začněte otázkou, ne nástrojem

Vyberte si jednoduchý problém: odkud lidé přicházejí, kolik jich dokončí formulář, kde opouštějí nákup nebo jak poznáte, že se měření pokazilo.

Teprve potom vybírejte data a nástroje. Postupujte takto:

1. Jaké rozhodnutí chceme udělat?
2. Jaké informace k němu potřebujeme?
3. Jaká data je mohou podpořit?
4. Jak je získáme a ověříme?
5. Jak výsledek vysvětlíme člověku, který se podle něj rozhoduje?

Stejný princip používám i dnes: nejdřív pochopit problém a kontext, potom navrhnout řešení.

Techniky se nebojte, ale dávkujte ji postupně

Nemusíte se stát vývojářem. Naučte se ale otevřít Chrome DevTools, přečíst základní HTML, najít událost v dataLayer, zkontrolovat síťový požadavek a rozpoznat chybu v Console.

AI vám může kód vysvětlit po řádcích a připravit malý příklad. Vy jej změňte, spusťte a ověřte. Nemusíte vše chápat první den. Důležité je postupně rozšiřovat prostor, ve kterém dokážete poznat, že se výstup chová jinak, než očekáváte.

Juniorní analytik může existovat

Potřebuje ale prostředí s pravidelným review, jasnými definicemi, testovacím prostředím, omezenými produkčními oprávněními, dokumentací a možností přiznat chybu bez jejího zatajování.

AI zkracuje cestu k prvnímu užitečnému výsledku. Nezkracuje automaticky cestu k odbornému úsudku. Začátečník s AI a plným přístupem do produkce se nestává seniorem. Jen může vytvářet dobré i špatné změny rychleji.

Doporučení pro juniora: nevíte? Ptejte se

Na začátku nebudete mít zkušenosti na všechno. To není selhání, ale podstata juniorní role.

Junior nemusí znát každou odpověď. Musí poznat, že ji nezná, říct si o pomoc, výsledek ověřit a poučení si uložit.

Když se zaseknete, ptejte se. Zpočátku klidně nejdřív AI. Za základní otázku vás nebude soudit a můžete ji požádat, aby začala úplně od nuly. Špatná otázka je hlavně ta, kterou nepoložíte a nahradíte ji neověřenou domněnkou.

AI je dobrý první konzultant, ne poslední autorita. Pomůže pojmenovat problém, vysvětlit pojem, přeložit chybovou hlášku, navrhnout možné příčiny a připravit testovací postup.

Na složité úlohy používejte nejschopnější model, který máte rozumně k dispozici. Rutinu zvládne rychlejší a levnější model. Datový model, složitý SQL dotaz, produkční změna nebo interpretace pro klienta si zaslouží více kontextu a důkladnější kontrolu. U důležitého problému můžete porovnat dva modely. Jejich shoda ale není důkaz správnosti.

Když má odpověď dopad na produkci, peníze, osobní údaje, bezpečnost nebo klientské rozhodnutí, požádejte také zkušenějšího člověka. AI zná obecné postupy. Kolega může znát historii konkrétního systému a důvod, proč v něm obecné řešení nefunguje.

Console je kamarád. Verzování je bezpečnostní síť

Neschovávejte se jen v grafickém rozhraní. Dívejte se do panelů Console a Network, sledujte požadavky, odpovědi a chyby. Konzole vám často nedá celé řešení, ale ukáže první konkrétní stopu.

Naučte se základně pracovat v terminálu. Codex nebo Claude Code mohou fungovat jako párový vývojář, který prochází soubory, vysvětluje kód, navrhuje změny a spouští testy.

Důležitější změny ukládejte do Gitu. Získáte historii změn, možnost porovnat verze, podklad pro review a cestu zpět. AI agent bez verzování, testů a kontroly rozdílů může během několika minut změnit více, než dokážete bezpečně zkontrolovat.

Nebojte se říct: „Nevím“, „ověřím to“ nebo „zatím to neumím, ale naučím se to“. Mnohem horší je zakrýt nejistotu sebevědomou odpovědí.

První praktický projekt

Místo náhodného proklikávání nástrojů udělejte jeden malý projekt od začátku do konce.

1. Vytvořte jednoduchý web

Stačí úvodní stránka, několik článků nebo produktů, formulář, děkovací stránka, externí odkaz a soubor ke stažení. První verzi vám může pomoci vytvořit AI. Uložte ji do Gitu.

2. Sepište measurement plan

Nezačínejte seznamem všech možných událostí. Popište cíl webu, hlavního uživatele, klíčové kroky, potřebné události, parametry, definici úspěchu a zakázaná data.

Měřicí plán je důležitější než počet tagů. Vytváří společný jazyk mezi analytikem, vývojářem, marketingem a AI.

3. Implementujte základní měření

Vyzkoušejte nasazení přes GTM i jednoduchou přímou implementaci v kódu. Neexistuje pravidlo, že jedna cesta je vždy správná. Podstatné je, kdo změnu vlastní, jak ji schválíte, otestujete, nasadíte a případně vrátíte. Více k tomu píšu v článku Potřebujeme ještě Google Tag Manager v době AI?.

4. Ověřte implementaci z více stran

Nestačí vidět číslo v reportu. Zkontrolujte:

• tagy v Tag Assistantu nebo Preview režimu,
• události a parametry v GA4 DebugView,
• dataLayer, síťové požadavky a chyby v konzoli,
• duplicity, chybějící hodnoty a mobilní i desktopovou variantu,
• chování před souhlasem a po něm, včetně Consent Mode, pokud jej používáte,
• návaznost na backend nebo obchodní systém, když existuje.

U každého testu si předem napište očekávaný výsledek. „Něco se objevilo v GA4“ není dostatečná definice úspěchu.

5. Vytvořte jednoduchý report

Začněte tabulkou a několika otázkami: co se stalo, ve srovnání s čím, co může změnu vysvětlovat, co zatím nevíme a jaký další krok doporučujeme.

Graf není konečný výsledek. Výsledkem je lepší rozhodnutí, případně poctivé konstatování, že dostupná data rozhodnutí zatím nepodporují.

6. Záměrně něco rozbijte

Pošlete událost dvakrát, změňte název parametru, odstraňte datovou vrstvu nebo rozbijte měření formuláře. Potom chybu najděte a změnu vraťte.

Tím se naučíte více než při bezchybném následování návodu. Reálná analytika je z velké části práce s neúplnými informacemi, změnami a chybami.

Minimální sada nástrojů pro rok 2026

Začátečník nepotřebuje dvacet placených platforem. Stačí:

1. GA4 pro událostní model a základní reporty.
2. GTM nebo přímá implementace pro sběr dat.
3. Chrome DevTools pro síť, konzoli, DOM a úložiště.
4. Google Sheets nebo Microsoft Excel pro základní práci s daty.
5. Data Studio pro jednoduché reporty a dashboardy.
6. SQL a BigQuery jako další krok, například přes export GA4 do BigQuery.
7. Git a podle potřeby GitHub nebo GitLab pro verze a review.
8. Jednu kvalitní AI službu.
9. Codex, Claude Code nebo jiné prostředí pro práci s kódem a AI.
10. Několik Markdown souborů pro dokumentaci.

Nástroje nejsou sběratelské kartičky. Vyberte malou sadu a naučte se ji používat do hloubky. GA4 navíc není webová analytika. Je to jen jeden nástroj.

Zaplaťte si kvalitní AI a zkuste najít její limity

Začátečníkům bych dnes doporučil zaplatit si alespoň na několik měsíců kvalitní AI službu, například ChatGPT, Claude (ne Gemini ). Ne proto, že placený model má vždy pravdu, ale protože obvykle získáte větší prostor pro učení, práci s delším kontextem a zkoušení pokročilejších funkcí.

Používejte AI tak intenzivně, až pochopíte:

• s čím vám výrazně šetří čas,
• kdy potřebuje přesný kontext,
• kdy si domýšlí chybějící informace,
• jak pracuje s kódem, tabulkami a dokumentací,
• co nedokáže ověřit,
• kdy začne měnit už správné části řešení,
• kdy je rychlejší udělat úkol ručně.

Novinky sledujte a zkoušejte, ale nejdřív na vlastním bezpečném projektu. To, co bylo správné před osmi lety, nemusí být správné dnes. Totéž může za rok platit pro postup, který doporučujeme nyní.

AI můžete používat jako:

• učitele, který vysvětlí pojem, kód nebo síťový požadavek a připraví cvičení,
• párového analytika, který navrhne hypotézy, segmentaci a alternativní vysvětlení,
• párového vývojáře, který připraví SQL, JavaScript, Python skript, test nebo dokumentaci,
• oponenta, který hledá slabiny závěru, definic a použitých dat,
• paměť projektu, které předáte ověřený a udržovaný kontext.

Pro poslední roli si udržujte například README.md, MEASUREMENT_PLAN.md, DATA_DICTIONARY.md, DECISIONS.md, TESTS.md, INCIDENTS.md a AGENTS.md nebo CLAUDE.md.

Při vývoji s AI postupujte v malých krocích. Nechte ji nejdřív prozkoumat současný stav, popsat plán a rizika. Potom měňte jednu věc po druhé, kontrolujte rozdíly, spouštějte testy a nasazujte nejdřív do bezpečného prostředí. U produkční změny mějte připravený monitoring a návrat k předchozí verzi.

Nejde o slepé vibe coding. Jde o AI-assisted práci, ve které má poslední slovo člověk. Schopnost rychle vytvořit změnu není totéž jako schopnost ji bezpečně provozovat.

Do AI nevkládejte bez rozmyslu osobní údaje, přístupové tokeny, obchodní tajemství ani důvěrná klientská data. Nejdřív ověřte pravidla organizace a způsob, jakým služba s daty pracuje.

Za výstup AI ručíte vy

Jakmile výstup vytvořený AI pošlete klientovi, vložíte do reportu nebo nasadíte do produkce, je to VÁŠ výstup. Když je chybný, není to omluvitelná „chyba AI“. Je to VAŠE odborná chyba.

AI je nástroj, který jste vybrali a jehož výstup jste přijali. Míra kontroly musí odpovídat riziku.

Stejný princip odpovědnosti popisuji ve svém etickém kodexu.

Chyby přiznávejte a měňte je v lepší systém

Chybu nezatajujte. Řekněte o ní lidem, kterých se týká, popište dopad, opravte ji a přidejte kontrolu, která sníží riziko opakování. Kde to dovolují pravidla a důvěrnost, zveřejněte anonymizované poučení.

Lidé často ocení poctivé přiznání a dobrou nápravu více než předstíranou neomylnost. Neplatí to pro úmyslné jednání, ignorování známého rizika nebo nedbalost.

Poučení sdílejte vždy interně na projektu, ale můžete ho sdílet i veřejně. Popište problém, příčinu, opravu a novou kontrolu. Vždy ale anonymizujte klienta a data a nezveřejňujte nic, co porušuje důvěrnost nebo může poškodit uživatele či bezpečnost systému. Cílem není udělat z cizího incidentu obsah, ale ukázat lepší postup.

Jedna chyba může být zkušenost. Stejná chyba opakovaně je obvykle selhání procesu.

Každou důležitější chybu si zapište:

## Datum a název incidentu

Kontext: Co se změnilo a proč?
Příznak: Jak jsme problém poznali?
Dopad: Která data, období a rozhodnutí mohl ovlivnit?
Příčina: Proč chyba skutečně vznikla?
Oprava: Co jsme udělali okamžitě?
Prevence: Jaký test, kontrolu nebo pravidlo přidáme?
Kontext pro AI: Co má odteď vědět projektová dokumentace?

Záznam není trest. Je to externí paměť pro vás, tým i AI.

Dobrý systém pro chyby má čtyři vrstvy:

1. Prevence: jasné definice, malé změny, omezená oprávnění, review a checklist.
2. Detekce: automatické testy, kontrola čerstvosti, monitoring anomálií a porovnání s backendem.
3. Reakce: známý vlastník problému, popis dopadu, možnost změnu zastavit nebo vrátit a transparentní komunikace.
4. Poučení: úprava testu, dokumentace nebo procesu, aby se stejná chyba neopakovala.

Vyvíjejte malé nástroje pro kontrolu chyb

Začněte nástrojem, který řeší jeden opakovaný problém: kontrolu povinných parametrů, duplicitních událostí, UTM, čerstvosti dat, propadu konverzí nebo rozdílu mezi analytikou a backendem.

AI vám pomůže vytvořit první verzi. Vaším úkolem je pochopit, co nástroj dělá, jaké má limity a jak poznáte, že selhal.

Nejlepší první automatizace často není další report. Je to kontrola, která vás upozorní, že datům v reportu nemáte věřit.

Co se učit a kde získat zkušenost

Společný základ tvoří business a produkt, návrh měření, implementace a debugging, práce s daty, interpretace, komunikace, soukromí a bezpečné použití AI. Nemusíte je ovládat dokonale. Potřebujete postupně chápat, jak spolu souvisejí.

Později si můžete vybrat specializaci:

• measurement engineering a kvalita sběru,
• marketingová nebo digitální analytika,
• produktová analytika a experimenty,
• BI a analytics engineering,
• data quality a governance.

Nemusíte se rozhodnout hned. Nejprve si vyzkoušejte celý tok od otázky po doporučení.

První zkušenost můžete získat v agentuře, interním analytickém týmu, produktové firmě, e-shopu, vývojovém týmu, neziskovém projektu nebo na vlastním webu. Důležitější než název zaměstnavatele je prostředí. Při výběru role se ptejte:

• Kdo bude pravidelně kontrolovat mou práci?
• Uvidím celý proces od zadání po dopad?
• Jak se testují a vracejí změny?
• Existuje datový slovník a dokumentace?
• Jak tým řeší incidenty?
• Používá AI odpovědně, nebo jen tlačí na rychlost?

Mentor a kvalitní zpětná vazba mají pro juniora větší hodnotu než dlouhý seznam moderních nástrojů v pracovním inzerátu.

Portfolio má větší hodnotu než hromada certifikátů. Připravte dvě až tři malé případové studie:

1. měření od návrhu přes implementaci po validaci,
2. analýzu, která vede k rozhodnutí a přiznává nejistotu,
3. jednoduchý nástroj pro kvalitu dat.

U první ukažte measurement plan, testovací scénáře, důkazy validace a známá omezení. U druhé popište původní otázku, definice metrik, alternativní vysvětlení a doporučený další test. U nástroje vysvětlete, jaký problém řeší, jak je otestovaný a kdy může selhat.

Klidně uveďte, kde pomohla AI. Důležitější je vysvětlit, co jste ověřili, co jste změnili a za co ručíte.

Učte se v cyklu: položit otázku, požádat AI o mapu problému, zkusit řešení, podívat se do konzole a dat, přečíst oficiální dokumentaci, provést test, požádat o review a zapsat poučení.

Zdroje posuzujte přibližně v tomto pořadí: reprodukovatelný test a skutečné chování systému, oficiální dokumentace, primární data, kvalitní odborníci, komunitní diskuse a teprve potom neověřená AI odpověď nebo sebevědomý příspěvek bez důkazů. AI umí vytvořit autoritativně znějící omyl velmi levně.

Pro základní výuku využijte Google Skillshop, ale žádný kurz nenahradí vlastní implementaci. Čtěte anglicky a choďte mezi lidi, například na MeasureCamp Czechia. Když někomu vysvětlujete řešení, rychle poznáte, zda mu opravdu rozumíte.

Kdy se z vás stává webový analytik

Ne po instalaci GA4 ani po jednom certifikátu. Postupně ve chvíli, kdy dokážete pochopit problém, převést ho do otázek, navrhnout a ověřit měření, rozpoznat omezení dat, vysvětlit výsledek a doporučit další krok. Součástí role je také odpovědnost za kvalitu výstupu a schopnost po chybě opravit nejen číslo, ale i proces, který chybu umožnil.

Na začátku nemusíte všechny tyto části zvládat samostatně. Potřebujete vědět, že existují, a postupně si je osahávat na reálných úkolech.

Praktický plán na prvních 90 dní

První užitečný projekt můžete dokončit za několik týdnů. Za několik měsíců můžete být použitelným juniorem v dobře vedeném týmu. Samostatný úsudek vzniká postupně řešením skutečných problémů.

Časté otázky

Musím umět programovat?

Pro první report ne. Pro dlouhodobý růst bych se mu nevyhýbal. Stačí postupně umět kód přečíst, upravit, spustit, otestovat a vrátit změnu.

Potřebuji drahé analytické nástroje?

Ne. Na začátku stačí bezplatná nebo levná sada. Větší smysl může mít jedna kvalitní AI služba, dobrý kurz, konference nebo čas mentora než několik překrývajících se platforem.

Potřebuji vysokou školu nebo pokročilou matematiku?

Ne jako vstupní podmínku. Potřebujete logické uvažování, práci s procenty, poměry, nejistotou a postupně základní statistiku.

Nahradí analytiky AI?

AI zrychlí nebo převezme mnoho jednotlivých úkolů. Tím zvyšuje laťku pro člověka, který jen přepisuje požadavky do nástroje. Stále jsou potřeba lidé, kteří definují problém, ověří data, posoudí nejistotu, chrání uživatele a převezmou odpovědnost za doporučení.

Závěr: krok za krokem

Webová analytika je v roce 2026 širší než před osmi lety. To ale neznamená, že musíte znát celý obor dřív, než začnete.

Začněte malým webem, jednoduchou otázkou a základním měřením. Ptejte se AI, používejte schopnější modely na důležité úlohy, dívejte se do Console, ukládejte změny do Gitu a požádejte o pomoc člověka, když je riziko vysoké.

Nebojte se říct „nevím“. Nebojte se chybu přiznat, opravit a zapsat si z ní poučení. Bojte se spíše chyby, kterou nikdo neměří, závěru, který nikdo neověřil, a stejného problému, který se opakuje, protože se nezměnil proces.

Dobrý analytik není člověk, který nikdy neudělá chybu. Je to člověk, který ji dokáže odhalit, přiznat, napravit a proměnit v lepší systém.

A dobrý AI-boosted analytik to dělá rychleji, důsledněji a s plnou odpovědností za všechno, co pošle dál.