michaelprinc.com

Štítek: penb

  • Aproximace PENB štítku – Díl 1: Proč nestačí čekat na formální audit

    Série: Aproximace PENB štítku – zkušenosti z budování veřejné aplikace

    Cíl série:
    Popsat projekt od problému přes data a model až po veřejné nasazení tak, aby bylo jasné, kde se potkává data science, produktové myšlení a kvalitní implementace.

    Navazující díly

    1. Proč nestačí čekat na formální audit – kdy je orientační výpočet užitečnější než čekání.
    2. Jak z běžných spotřeb vznikne validní vstup – co je potřeba připravit dřív, než model začne počítat.
    3. Počasí, topná sezona a RC model bez magie – kde se potkává doménová logika a data.
    4. Jak z výpočtu udělat aplikaci pro běžného uživatele – proč UX není kosmetika.
    5. Nasazení, limity a co by přišlo dál – co funguje dnes a co by mělo přijít v další iteraci.

    Díl 1: Proč nestačí čekat na formální audit

    Kde vznikl skutečný problém

    Formální PENB dává smysl ve chvíli, kdy člověk řeší právní povinnost nebo finální dokument pro prodej či pronájem. Jenže většina rozhodnutí vzniká dřív.

    Člověk chce vědět:

    • jestli je jeho spotřeba normální,
    • zda má smysl investovat do úprav bytu,
    • jestli je konkrétní byt podezřele energeticky náročný,
    • zda má smysl pokračovat v hlubší analýze.

    Právě v této fázi bývá formální audit příliš pomalý. Potřebujete rychlý, ale stále obhajitelný signál.

    Nejtěžší není výpočet, ale správné zadání problému

    Na podobných projektech je dobře vidět rozdíl mezi technicky zajímavým modelem a prakticky užitečným produktem.

    Technická otázka zní:

    Dá se z provozních dat aproximovat energetická náročnost bytu?

    Produktová otázka zní jinak:

    Dá se člověku rychle a srozumitelně pomoci rozhodnout, zda má smysl řešit byt podrobněji?

    To druhé je důležitější. Aplikace proto nevznikla jako náhražka certifikovaného PENB, ale jako nástroj pro první orientaci.

    Proč provozní data dávají smysl

    Lidé často nemají po ruce technickou dokumentaci budovy, ale mají:

    • účty a spotřebu,
    • základní parametry bytu,
    • informaci o zdroji vytápění,
    • přibližnou představu o tom, jak byt používají.

    To není perfektní dataset. Ale je to dataset, který opravdu existuje. A dobrý produkt často začíná právě tam, kde jsou data reálně dostupná, ne tam, kde by byla ideální.

    Co musí podobný nástroj splnit

    Pokud má být aplikace užitečná, musí splnit čtyři podmínky:

    • být rychlá, aby pomáhala ještě před formálním auditem,
    • být srozumitelná, aby výsledek nebyl jen další technická bariéra,
    • otevřeně přiznávat omezení, protože nejistotu nelze skrýt,
    • být veřejně dostupná, aby bylo možné princip okamžitě ukázat v praxi.

    To je zároveň důvod, proč projekt neskončil jako skript v notebooku. Od začátku směřoval k aplikaci.

    Hodnota pro uživatele není v čísle, ale v rozhodnutí

    Samotná energetická třída je jen část výsledku.

    Větší hodnotu má to, že aplikace pomáhá odpovědět na praktické otázky:

    • má smysl pokračovat v due diligence,
    • je spotřeba konzistentní s parametry bytu,
    • je vhodné plánovat rekonstrukci,
    • stojí za to objednat detailní audit.

    Jinými slovy: projekt je zajímavý tím, že převádí nejasná provozní data do akčního rámce pro další krok.

    Co bude dál

    V dalším díle se podívám na to, proč je u podobné aplikace kritické správně připravit vstupní data, jak oddělit topení od běžného provozu a proč validace vstupů často rozhoduje víc než samotná optimalizace modelu.

    Projektová case study
    Další díl
    Otevřít aplikaci

  • Aproximace PENB štítku – Díl 2: Jak z běžných spotřeb vznikne validní vstup

    Díl 2: Jak z běžných spotřeb vznikne validní vstup

    Model je jen tak dobrý, jak dobrý je vstup

    U projektů pracujících s provozními daty bývá největší chybou představa, že hlavní hodnota leží až v samotném algoritmu. Ve skutečnosti se kvalita výsledku často rozhoduje ještě před výpočtem.

    V případě aproximace PENB je kritické hlavně to, aby aplikace správně pochopila:

    • jaká data o spotřebě má k dispozici,
    • jaké období pokrývají,
    • kdy uživatel topí a kdy ne,
    • jaká část energie pravděpodobně souvisí s vytápěním a jaká s TUV nebo běžným provozem.

    Co aplikace od uživatele skutečně potřebuje

    Praktický vstup je schválně relativně střídmý:

    • lokalita,
    • plocha bytu a výška stropu,
    • typ vytápění,
    • teplotní režim,
    • časová řada spotřeby,
    • volba měsíců bez topení,
    • způsob aproximace TUV.

    To je důležitý kompromis. Kdyby aplikace chtěla příliš mnoho detailů, běžný uživatel by ji nedokončil. Kdyby naopak chtěla příliš málo, výsledek by ztrácel oporu v realitě.

    Proč nestačí jen nahrát CSV

    Nahrání souboru je technicky jednoduché, ale datově nestačí. Spotřeba sama o sobě neříká:

    • zda jde o vytápění, nebo jinou složku,
    • zda je v datech mezera,
    • zda pozorování odpovídají topné sezoně,
    • zda je délka měření dostatečná pro zvolený režim výpočtu.

    Proto je součástí workflow i volba měsíců bez topení a rozdělení energie na část související s vytápěním a část spojenou s TUV či běžným provozem.

    Validace není o omezování uživatele

    Dobrá validace nepůsobí jako překážka. Je to způsob, jak zabránit tomu, aby aplikace vracela sebevědomý výsledek z nekonzistentních dat.

    V tomto projektu validace řeší například:

    • minimální délku dat podle výpočetního režimu,
    • logiku vstupních polí pro typ vytápění,
    • konzistenci teplotního režimu,
    • přítomnost očekávaných sloupců ve vstupním souboru.

    Z produktového hlediska je to důležité proto, že uživatel dostane zpětnou vazbu včas, ne až po několikaminutovém výpočtu.

    Co je na tom zajímavé pro data science

    Podobné workflow dobře ukazuje, že datová věda v produkci není jen modelování. Je to i návrh toho, jak mají data do systému vstupovat, aby byl výsledek opakovatelný a interpretovatelný.

    Přesně tady se potkává:

    • datová kvalita,
    • doménová logika,
    • UX formuláře,
    • a provozní realita běžného uživatele.

    Co bude dál

    V dalším díle se podívám na samotné jádro odhadu: jak do aplikace vstupuje počasí, proč je potřeba rozlišovat topnou sezonu a jakou roli hraje zjednodušený RC model při kalibraci energetického chování bytu.

    Předchozí díl
    Další díl
    Projektová case study

  • Aproximace PENB štítku – Díl 3: Počasí, topná sezona a RC model bez magie

    Díl 3: Počasí, topná sezona a RC model bez magie

    Proč nestačí vidět jen spotřebu

    Stejná spotřeba může znamenat něco jiného v lednu a něco jiného v dubnu. Bez kontextu počasí a sezóny proto nelze rozumně odhadovat, jakou část energie skutečně vysvětluje vytápění.

    Právě proto aplikace nestojí jen na nahraném CSV. Vedle provozních dat doplňuje i meteorologický kontext pro konkrétní lokalitu.

    Hybridní vrstva počasí jako praktické rozhodnutí

    V ideálním světě by existoval jeden perfektní zdroj dat, vždy dostupný a bez výpadků. V praxi je lepší počítat s tím, že síť, API nebo rozsah historických dat nebude vždy ideální.

    Projekt proto používá vícevrstvý přístup:

    • novější data získává z WeatherAPI,
    • starší historii doplňuje přes Open-Meteo,
    • a teprve jako poslední fallback používá syntetickou aproximaci.

    To není jen technický detail. Je to příklad toho, jak se robustnost buduje už v návrhu datové vrstvy.

    Kde vstupuje topná sezona

    Spotřeba energie není homogenní. Některé měsíce reprezentují hlavně vytápění, jiné spíš běžný provoz a TUV. Pokud to model nerozliší, začne kalibrovat nesprávný signál.

    Proto uživatel v aplikaci vybírá měsíce bez topení a systém s nimi dále pracuje při odhadu složek spotřeby. Nejde o zbytečný detail, ale o jeden z nejdůležitějších kroků celé logiky.

    Proč zrovna RC model

    Zjednodušený RC model není zajímavý proto, že by byl teoreticky nejkomplexnější. Je zajímavý tím, že nabízí rozumnou rovnováhu mezi:

    • doménovou interpretovatelností,
    • výpočetní jednoduchostí,
    • možností kalibrace na reálná data.

    Model pomáhá převést chování bytu do struktury, se kterou lze dál pracovat. Nejde o „černou skříňku“, ale o vysvětlitelnou aproximaci tepelné dynamiky.

    Více režimů výpočtu není kosmetika

    Aplikace dnes nabízí několik výpočetních režimů. To je důležité nejen kvůli výkonu, ale i kvůli povaze dostupných dat.

    • někdy stačí rychlý orientační výpočet,
    • jindy dává smysl lokální optimalizace,
    • a v náročnější variantě je možné jít i do robustnější kalibrace.

    Tohle je dobrý příklad produktového kompromisu: nesnažit se vnucovat všem jeden „správný“ režim, ale nabídnout několik cest podle kvality vstupu a očekávání uživatele.

    Co bude dál

    V dalším díle se posunu od výpočetního jádra k uživatelské vrstvě: proč nestačí mít správný model, jak byly navržené jednotlivé kroky rozhraní a proč je u podobných nástrojů UX součástí technické kvality.

    Předchozí díl
    Další díl
    Otevřít aplikaci

  • Aproximace PENB štítku – Díl 4: Jak z výpočtu udělat aplikaci pro běžného uživatele

    Díl 4: Jak z výpočtu udělat aplikaci pro běžného uživatele

    Proč nestačí správný model

    Mnoho technických projektů selže ne proto, že by byl model špatný, ale proto, že se s ním reálný uživatel nedokáže domluvit. U aplikace pro aproximaci PENB je to obzvlášť důležité, protože cílová skupina není tvořena jen analytiky.

    Použitelná veřejná aplikace musí splnit tři věci současně:

    • uživatel musí pochopit, co má zadat,
    • systém musí dostat konzistentní vstup,
    • výstup musí být čitelný i bez hlubší technické znalosti.

    Pět kroků místo jedné zahlcené obrazovky

    Současné rozhraní pracuje s logickým rozdělením do několika kroků: lokalita, byt, data, výpočet a výsledek. To je důležité z praktického důvodu.

    Když člověk vidí vše najednou, snadno ztratí kontext. Když je veden po krocích, pravděpodobnost správného vstupu se zvyšuje.

    Tohle není jen UX pravidlo. Je to i způsob, jak zlepšit kvalitu dat, která nakonec dorazí do modelu.

    Formulář jako součást doménové logiky

    Veřejná aplikace nemá být jen tenká vrstva nad backendem. V tomto projektu formulář aktivně pomáhá se strukturou vstupu:

    • vede uživatele k tomu, které informace jsou opravdu podstatné,
    • rozlišuje rychlé a podrobnější výpočetní režimy,
    • pracuje s měsíci bez topení a TUV už ve chvíli zadání,
    • připravuje půdu pro interpretaci výsledku.

    Z tohoto pohledu není UX oddělené od data science. Je to jedna z vrstev, která určuje, zda model dostane smysluplný vstup.

    Výsledek musí být srozumitelný, ne jen přesný

    Uživatel obvykle nepotřebuje vědět všechny interní parametry kalibrace. Potřebuje pochopit:

    • jaká energetická třída z výpočtu vychází,
    • nakolik se na odhad dá spoléhat,
    • jaké jsou limity interpretace,
    • jaký další krok dává smysl.

    Proto výstup kombinuje energetickou třídu, základní metriky, slovní komentář a exportovatelný report. Výsledek tak funguje i jako komunikační artefakt, ne jen jako technický mezivýstup.

    Dvojjazyčnost jako produktová vlastnost

    Zajímavou částí projektu je i to, že aplikace není připravená jen pro lokální test. Má českou i anglickou jazykovou variantu. To zvyšuje použitelnost při prezentaci projektu, sdílení s klienty i dalším rozvoji.

    Technicky to znamená víc práce. Produktově to ale výrazně posouvá hodnotu celé aplikace.

    Co bude dál

    V posledním díle se podívám na deployment, export reportů, aktuální omezení projektu a také na to, co bych v další iteraci rozšířil nebo zpřesnil.

    Předchozí díl
    Další díl
    Projektová case study

  • Aproximace PENB štítku – Díl 5: Nasazení, limity a co by přišlo dál

    Díl 5: Nasazení, limity a co by přišlo dál

    Kdy je projekt opravdu projektem

    Dokud výpočet žije jen lokálně, je to experiment. Ve chvíli, kdy ho lze otevřít na veřejné URL, přepnout jazyk, projít workflow a stáhnout report, začíná se z něj stávat skutečný produkt.

    To je i případ této aplikace. Výpočetní logika je důležitá, ale stejně důležité je, že je nasazená jako veřejně dostupná služba.

    Co dává hodnotu z provozního hlediska

    Projekt dnes stojí na několika praktických stavebních kamenech:

    • kontejnerizované nasazení v Dockeru,
    • oddělená česká a anglická varianta,
    • persistentní storage pro lokální stav a reporty,
    • HTML export výsledků,
    • jasné oddělení UI, modelu a reportovací vrstvy.

    To jsou přesně ty prvky, které rozhodují o tom, jestli lze aplikaci dál rozvíjet bez přepisování od nuly.

    Transparentnost limitů je součást kvality

    U podobného nástroje je důležité nejen to, co umí, ale i to, co zatím neumí nebo co řeší jen aproximačně.

    Z aktuální implementace je dobré otevřeně říct například to, že:

    • výstup je orientační, ne certifikovaný PENB,
    • referenční rok je v MVP aproximovaný typický rok, nikoli plnohodnotný TMY dataset,
    • kvalita výsledku závisí na rozsahu a konzistenci vstupních dat,
    • některé části prezentace výsledků mají stále prostor pro další rozšíření.

    To není slabina komunikace. To je její profesionalizace.

    Co bych rozvíjel v další iteraci

    Pokud by projekt pokračoval do další verze, největší smysl by podle mě měly tyto směry:

    • přesnější práce s referenčním rokem a klimatickými scénáři,
    • rozšíření interpretace výsledku o další doporučení,
    • hlubší práci s vizualizacemi a vysvětlením kalibrace,
    • robustnější práci s širším spektrem vstupních situací.

    Tyto kroky by neposouvaly jen technickou stránku modelu. Zvyšovaly by i důvěru uživatele ve výstup a schopnost nástroj využít v reálném rozhodování.

    Co si z celé série odnést

    Na projektu aproximace PENB je dobře vidět, že kvalitní datová aplikace nevzniká jedním chytrým nápadem. Vzniká souhrou několika disciplín:

    • správně zvoleného problému,
    • rozumného modelu,
    • kvalitního datového workflow,
    • použitelného rozhraní,
    • a deploymentu, který dovolí výsledek skutečně používat.

    Právě tato kombinace je podle mě zajímavější než samotný fakt, že aplikace vrací energetickou třídu.

    Předchozí díl
    Projektová case study
    Otevřít aplikaci

  • PENB z provozních dat: kde končí odhad a začíná rozhodnutí

    PENB z provozních dat: kde končí odhad a začíná rozhodnutí

    Projekt PENB Energy Label Approximation ukazuje, že i bez zdlouhavého manuálního postupu lze z provozních dat získat užitečný první odhad energetické náročnosti bytu. Smyslem není nahradit oficiální průkaz energetické náročnosti budovy, ale nabídnout rychlý, srozumitelný a datově podložený pohled na to, jak si nemovitost pravděpodobně vede.

    Otevřít aplikaci PENB
    Nezávazně probrat využití

    Jak aplikace vypadá v praxi

    První ukázka zachycuje část workflow, kde uživatel zadává základní parametry bytu, režim vnitřních teplot a typ vytápění. Právě tady se ukazuje, jak důležité je spojit technickou správnost s jednoduchým ovládáním, aby byl vstup do modelu srozumitelný i pro běžného uživatele.


    Ukázka rozhraní PENB aplikace pro parametry bytu, vnitřní teplotu a systém vytápění
    Ukázka vstupního formuláře pro parametry bytu, teplotní profil a topný systém.

    Druhá ukázka se soustředí na datovou vrstvu: nahrání CSV se spotřebami, výběr měsíců bez topení a aproximaci ohřevu vody. To je důležité místo, kde se z prostých provozních dat začíná stávat podklad pro kvalifikovaný odhad.


    Ukázka rozhraní PENB aplikace pro nahrání dat o spotřebě, výběr měsíců bez topení a aproximaci TUV
    Ukázka datové části aplikace: spotřeby, měsíce bez topení a modelová aproximace TUV.

    Co projekt řeší

    V praxi často vzniká stejný problém: člověk má spotřebu energie, základní parametry bytu a chce se rychle zorientovat.

    • Je spotřeba přiměřená, nebo už je podezřele vysoká?
    • Má smysl investovat do zateplení, výměny oken nebo změny zdroje vytápění?
    • Jak odlišit drahou rekonstrukci s malým dopadem od zásahu, který opravdu pomůže?

    Právě tady dává orientační výpočet smysl. Místo čekání na celý formální proces může uživatel během krátké chvíle získat první datový signál pro další rozhodování.

    Přidaná hodnota pro uživatele

    Pro vlastníka nebo nájemce bytu

    • rychlejší orientace v tom, zda spotřeba odpovídá velikosti a typu bytu,
    • lepší podklad pro rozhodnutí o úsporách a rekonstrukci,
    • srozumitelnější vysvětlení, proč účet za energie vypadá právě takto.

    Pro kupujícího nebo investora

    • rychlý screening nemovitosti ještě před hlubší due diligence,
    • lepší odhad budoucích provozních nákladů,
    • dodatečný argument při vyjednávání ceny nebo rozsahu investice.

    Pro poradce, developera nebo správce portfolia

    • možnost prioritizovat, které byty nebo jednotky řešit dříve,
    • přehlednější komunikace se zákazníkem,
    • základ pro produktizaci služby, která spojuje technický odhad s obchodním doporučením.

    Byznysová hodnota v jedné větě

    Největší přínos projektu je v tom, že z nejasných provozních dat dělá rychle použitelný podklad pro rozhodnutí. To je hodnota sama o sobě: méně odhadování, méně slepých investic a rychlejší cesta od otázky k akci.

    Jak to funguje pro laiky

    Zjednodušeně řečeno aplikace dělá pět kroků:

    1. Vezme základní údaje o bytě, vytápění a spotřebě energie.
    2. Doplní je o meteorologická data pro zadanou lokalitu.
    3. Odhadne, jaká část spotřeby souvisí s vytápěním a jaká s běžným provozem.
    4. Pomocí tepelného modelu nasimuluje, jak se byt chová během roku.
    5. Výsledek přeloží do orientační energetické třídy a doplní komentář ke spolehlivosti.

    Uživatel tedy nedostane jen číslo, ale i rámec pro interpretaci výsledku.

    Krátké shrnutí pro mírně pokročilé

    Z pohledu software engineeringu a data science je projekt zajímavý tím, že kombinuje několik vrstev, které často bývají oddělené:

    • validace vstupů a UX vrstva: formulář vede uživatele ke konzistentním vstupům a snižuje chybovost,
    • datová vrstva: historické počasí se kombinuje s provozními daty a fallback mechanismy,
    • doménový model: jádro stojí na zjednodušeném RC modelu tepelného chování budovy,
    • kalibrace a simulace: model se přizpůsobuje pozorované spotřebě a následně odhaduje roční profil,
    • reporting: výstup není jen technický výpočet, ale interpretace pro rozhodování,
    • deployment: veřejná aplikace běží odděleně na vlastní subdoméně, takže je snadno sdílitelná a připravená pro další iterace.

    Prakticky to znamená, že projekt není jen jednorázový skript. Je to malý produkt: má datový model, aplikační logiku, uživatelské rozhraní i nasazení.

    Proč je tento přístup zajímavý

    Podobné projekty dobře ukazují, že data science není jen o trénování modelů. Často je důležitější:

    • správně formulovat problém,
    • zvolit přiměřeně jednoduchý model,
    • umět vysvětlit výsledek člověku, který nepotřebuje znát matematické detaily,
    • a dodat řešení v podobě, kterou lze skutečně používat.

    Jinými slovy: užitečný projekt vzniká tam, kde se spojí doménová znalost, datová práce a kvalitní implementace.

    Důležité omezení

    Výstup aplikace je orientační odhad, nikoli oficiální certifikovaný PENB. Pro právní nebo formální účely je stále potřeba standardní odborné zpracování. Pro předběžnou analýzu, obchodní diskusi a prioritizaci dalších kroků ale může mít podobný nástroj velmi dobrou přidanou hodnotu.

    Co si z toho odnést

    Projekt PENB ukazuje, že i relativně kompaktní aplikace může mít skutečný praktický dopad, pokud:

    • řeší konkrétní problém,
    • vrací srozumitelný výstup,
    • a je nasazená tak, aby byla okamžitě použitelná.

    Pokud vás zajímá, jak podobný princip využít ve vašem produktu, službě nebo interním rozhodování, aplikace je veřejně dostupná zde:

    Vyzkoušet PENB aplikaci
    Napsat mi k projektu

michaelprinc.com

Data Scientist & ML Engineer z Prahy

© 2026 Michael Princ. Všechna práva vyhrazena.

Vytvořeno s WordPress