Metrika (Metric)

Příklady z praxe

1. 01

   P95 latence po nasazení API

   Tým provozující veřejné API sleduje latenci požadavků. Průměr po nasazení nové verze vypadá přijatelně, ale P95 ukáže, že část uživatelů čeká výrazně déle. Rollback se proto neřídí dojmem z několika testů, ale metrikou zachycující horší konce rozdělení.

   durations_ms = [82, 91, 104, 110, 135, 180, 240, 910]
   p95 = sorted(durations_ms)[int(len(durations_ms) * 0.95) - 1]
   print(f"P95 latency: {p95} ms")

2. 02

   Konverzní metrika v e-shopu

   E-shop porovnává změnu detailu produktu s předchozí verzí stránky. Počet objednávek sám o sobě nestačí, protože se mění návštěvnost. Konverzní metrika proto počítá poměr nákupů k návštěvám a ukáže, zda úprava pomohla samotné stránce, nebo jen dorazilo více lidí.

   SELECT
     COUNT(*) FILTER (WHERE purchased_at IS NOT NULL)::float
     / NULLIF(COUNT(*), 0) AS conversion_rate
   FROM sessions
   WHERE started_at >= DATE '2026-07-01';

Časté omyly

MýtusStačí sledovat jednu hlavní metriku a podle ní řídit všechno.

Ve skutečnostiJedna metrika může pomoci se soustředěním, ale často zakryje vedlejší škody. Růst registrací například nic neříká o aktivitě, retenci ani kvalitě zákazníků.

MýtusKdyž je metrika přesně spočítaná, je automaticky objektivní.

Ve skutečnostiPřesný výpočet neopraví špatnou definici ani zkreslený sběr dat. Metrika může být matematicky správná a zároveň nevhodná pro rozhodnutí, které na ní tým staví.

Časté dotazy

Kdy je metrika užitečnější než log nebo jednotlivá událost?

Metrika shrnuje opakující se měření do hodnoty, kterou lze sledovat v čase, porovnávat mezi verzemi nebo použít pro alarm. Log nebo událost naopak popisuje konkrétní situaci, například jednu chybu, jeden klik nebo jeden požadavek. Pro hledání příčiny bývá log detailnější, pro průběžné řízení systému bývá metrika přehlednější.

Podle čeho poznat dobrou metriku?

Dobrá metrika má jednoznačný význam, stabilní způsob výpočtu a jasnou vazbu na rozhodnutí. Hodnota by měla být porovnatelná v čase a neměla by se zásadně měnit jen kvůli úpravě měřicího skriptu. Užitečná metrika také vede k akci: tým ví, co bude zkoumat nebo měnit, když se hodnota zlepší, zhorší nebo překročí práh.

Kdy se z metriky stává KPI?

Metrika se stává KPI ve chvíli, kdy přímo reprezentuje důležitý cíl týmu, produktu nebo firmy. Počet HTTP chyb může být provozní metrika, ale dostupnost platebního procesu může být KPI pro obchodní výsledek. Každý KPI je metrika, ale ne každá metrika je KPI, protože mnoho měření slouží jen k diagnostice nebo kontrole detailů.

Proč může metrika ukazovat dobré číslo, ale realita je horší?

Metrika může lhát kvůli chybné definici, neúplnému sběru, posunu v populaci uživatelů nebo nevhodné agregaci. Průměr může skrýt extrémy, procento může ignorovat malý počet vzorků a přesnost modelu může vypadat dobře i při špatném zachycení vzácné třídy. Interpretace metriky proto vždy potřebuje kontext, segmentaci a kontrolu kvality dat.

Zdroje

1. Cloud Monitoring documentation(otevře se v novém okně)Google Cloud
2. System Metrics(otevře se v novém okně)Kubernetes
3. tf.keras.metrics(otevře se v novém okně)TensorFlow
4. Performance API(otevře se v novém okně)MDN Web Docs

Související pojmy

• Konverzní poměrKonverzní poměr je metrika, která vyjadřuje podíl návštěv, uživatelů nebo jiných příležitostí, jež skončily požadovanou akcí. V e-commerce jde typicky o nákup, v SaaS o registraci nebo aktivaci funkce. Hodnota pomáhá porovnávat kvalitu návštěvnosti, nabídky, UX, kampaní i měření v čase.
• LogováníLogování je průběžné zapisování událostí, které v běžícím programu nastaly, do textového nebo strukturovaného záznamu. Každý zápis obsahuje čas, závažnost a popis události, případně kontext jako identifikátor požadavku. Logy slouží k vyšetřování chyb, sledování provozu a auditu, protože jsou často jedinou stopou po tom, co se v produkci skutečně stalo.
• A/B testováníA/B testování je řízený experiment, který porovnává dvě varianty stránky, funkce, ceny nebo sdělení na podobných skupinách uživatelů. Měří předem zvolenou metriku, například konverzi nebo retenci, a pomáhá rozhodnout, zda změna skutečně zlepšuje výsledek, nebo zda pozorovaný rozdíl mohl vzniknout náhodou.
• ACIDACID je sada čtyř vlastností databázové transakce: atomicity, consistency, isolation a durability. Zaručuje, že skupina zápisů proběhne jako jeden celek, neporuší definovaná pravidla databáze, nebude se nebezpečně míchat s jinými transakcemi a po potvrzení přežije pád systému, například při převodu peněz.
• Adaptive IconAdaptivní ikona je formát ikony aplikace na Androidu, který se místo jedné hotové bitmapy skládá z oddělených vrstev: pozadí a popředí. Systém výsledný tvar sám ořízne podle masky výrobce zařízení a může vrstvy animovat nebo přebarvit. Vývojář tak dodá jeden zdroj a launcher z něj vytvoří kruh, čtverec i squircle.
• Adresa v pamětiAdresa v paměti je číslo, kterým procesor jednoznačně označuje konkrétní buňku operační paměti, obvykle jeden bajt. Program pomocí adresy říká, odkud má data načíst nebo kam je zapsat. Adresy tvoří souvislý číselný rozsah, jehož velikost určuje šířka adresní sběrnice a architektura, typicky 32 nebo 64 bitů.
• AI agentAI agent je softwarový systém, který pomocí modelu umělé inteligence vnímá zadaný kontext, plánuje další kroky a samostatně volá nástroje nebo služby k dosažení cíle. Na rozdíl od jednorázového promptu udržuje stav úlohy, vyhodnocuje výsledky akcí a může opakovat postup, dokud nesplní zadání nebo nenarazí na limit.
• AI etikaAI etika je obor, který zkoumá, jaké dopady mají systémy umělé inteligence na lidi, a formuluje pravidla pro jejich návrh, trénink a provoz. Řeší zaujatost dat, transparentnost rozhodování, ochranu soukromí, odpovědnost za chybu i bezpečnost modelu. Ve firemní praxi se promítá do interních politik, dokumentace modelů a povinností podle regulace typu AI Act.