Pohoda je pro české e-shopy de facto standard účetního softwaru. Zpracovávají v ní faktury, evidují zásoby, párují objednávky, spravují sklady. Jenže kdykoli majitel e-shopu chce vědět, která kategorie produktů má nejlepší marži, jak vypadá obrat zásob nebo kde ho tlačí náklady — skončí u ručního exportu do Excelu. A tam začíná každý měsíc nanovo.
Řešení, které stavím pro klienty používající Pohodu, je přímé napojení Pohoda SQL databáze na BigQuery přes vlastní Python konektory. Data se synchronizují automaticky, v BigQuery se propojí s dalšími zdroji a výsledek je Looker Studio dashboard, který se aktualizuje sám — bez Excelu, bez ručních exportů.
Proč Pohoda nestačí sama o sobě
Pohoda má vlastní reporty — výsledovku, přehled faktur, skladové karty. Jsou funkční pro účetní účely. Narazíte na ně hned, když chcete víc:
- Marže na konkrétní kategorii produktů za poslední kvartál, s porovnáním roku na rok? Ruční export + Excel.
- Propojení faktur s daty o reklamě — co nás stál zákazník vs. co nám přinesl za rok? Pohoda to neumí.
- Obrat zásob v reálném čase, s alertem když klesne pod threshold? Nutné řešit ručně.
- Zákaznická hodnota (LTV) na základě historických faktur? Opět mimo možnosti Pohody.
Všechna tato data v Pohodě jsou — v tabulkách SQL databáze, kde jsou uloženy faktury, zásoby, pohyby na skladě a adresář. Chybí jen automatizovaný přístup a analytická vrstva nad nimi.
Jak konektor funguje technicky
Pohoda SQL (edice E1 a výše) ukládá data do Microsoft SQL Serveru. To je zásadní výhoda — přistupovat k datům lze přes standardní SQL dotazy, bez závislosti na proprietárním API nebo exportních formátech.
Python konektor, který stavím, funguje takto:
- Připojení přes pyodbc — Python se přes ODBC driver připojí přímo k MS SQL Serveru Pohody. Pohoda musí běžet na stroji dostupném ze sítě (nebo VPN), SQL Server musí mít povolené vzdálené připojení.
- Inkrementální extrakce — dotaz vytáhne jen záznamy nové nebo změněné od posledního běhu. Klíč bývá timestamp posledního záznamu nebo číslo dokladu. Díky tomu sync netrvá hodiny, ale sekundy.
- Transformace v Pythonu — typové konverze, čištění dat, normalizace kódů kategorií. Surová data z Pohody nejsou vždy v analyticky přívětivém formátu.
- Upload do BigQuery — přes google-cloud-bigquery Python knihovnu se data zapíšou do staging tabulky a přes MERGE statement sloučí s produkční tabulkou. Žádné duplikáty.
Celý konektor běží automatizovaně v cloudu — typicky jednou denně v noci, nebo každých 15 minut pro sklady a objednávky.
Technická podmínka: Pohoda SQL musí být edice E1 nebo vyšší. Základní Pohoda (bez SQL) data do MS SQL Serveru neukládá — pracuje s proprietárními soubory, ke kterým přístup zvenčí není možný. Pokud máte Pohoda Standard nebo Mini, přechod na Pohoda SQL E1 je prvním krokem.
Jaká data z Pohody vytáhnout
Pohoda SQL databáze obsahuje desítky tabulek. Pro analytické účely jsou nejcennější tyto:
Faktury vydané — základ výnosové analytiky
Tabulka vydaných faktur je páteří reportingu. Obsahuje číslo dokladu, datum, odběratele, celkovou částku, DPH, způsob platby a stav úhrady. Každá faktura má položky — produkty s množstvím, cenou a — klíčová věc — nákupní cenou (pokud ji Pohoda eviduje). Z toho počítáte marži na faktuře i na produktu.
Zásoby a pohyby na skladě
Skladové karty obsahují aktuální stav zásob, průměrnou nákupní cenu, minimální zásobu a pohyby — příjemky, výdejky, přesuny mezi sklady. Z pohybů počítáte obrat zásob, identifikujete slow-movers a máte přehled o vázaném kapitálu. Tohle je reporting, který majitele e-shopů zajímá a Pohoda sama neukáže v přehledné formě.
Adresář — zákaznická data
Adresář firem a osob propojíte s fakturami přes ID zákazníka. Výsledek: celková hodnota každého zákazníka za libovolné období, počet nákupů, průměrná hodnota objednávky. Základ pro RFM analýzu nebo identifikaci VIP zákazníků, kteří přestali nakupovat.
Transformace a datový model v BigQuery
Surová data z Pohody nestačí rovnou do dashboardu. Hodnotu tvoří transformační vrstva — SQL views a materializované tabulky, které z raw dat dělají analytické modely.
Typické transformace pro Pohoda data:
- view_marze_denni — denní agregát tržeb, nákladů a marže. JOIN faktur s položkami a nákupními cenami. Základ pro trend marže v čase.
- view_sklady_kpi — aktuální stav všech skladů s výpočtem obratu zásob (days inventory outstanding) a identifikací položek pod minimální zásobou.
- view_zakaznici_ltv — lifetime value zákazníka z fakturační historie. Propojitelné se Shoptet objednávkami a GA4 daty o kanálu akvizice.
Zásadní výhoda BigQuery: Pohoda data jsou teprve jedním ze zdrojů. Ve stejném projektu mám tabulky ze Shoptetu, GA4 exportu, Google Ads a Meta Ads. SQL JOIN pak ukáže, co Pohoda sama nikdy neřekne — zákazníci akvírovaní přes jaký kanál mají po roce nejvyšší hodnotu z pohledu faktur.
Dashboard v Looker Studiu
Looker Studio se přímo napojí na BigQuery jako datový zdroj. Pro Pohoda e-shopy stavím typicky tyto obrazovky:
- Výnosový přehled — tržby a marže dle dne, týdne, měsíce. Porovnání s minulým rokem. Filtr na kategorii produktů nebo zákazníka. Vše z Pohoda faktur, bez Excelu.
- Skladový dashboard — aktuální stav zásob, dny do vyprodání při průměrném výdeji, seznam položek pod minimem. Aktualizuje se denně ráno automaticky.
- Zákaznická analytika — top zákazníci podle fakturované hodnoty, nově získaní vs. vracející se, zákazníci s poklesem aktivity (churn risk).
- Propojený přehled — marže z Pohody + náklady na reklamu z Google/Meta = skutečná rentabilita každého kanálu. Tohle je ta kombinace, pro kterou celé napojení stojí za to.
Závěr
Pohoda je dobrý účetní systém. Ale reportingový nástroj to není — a nikdy nebyl. Data, která v ní máte, jsou přitom cenná: faktury, marže, sklady, zákazníci. Propojit je s BigQuery a Looker Studiem znamená přestat exportovat do Excelu a začít se rozhodovat podle reportů, které se aktualizují samy. Pro e-shopy v určité velikosti to není luxus — je to základ pro řízení firmy podle čísel.