Doporučuji také pravidelně porovnávat odhady se skutečností. Po dokončení úkolu si zapište, kolik času reálně zabral, a toto číslo porovnejte s odhadem. Po pár projektech získáte vlastní historická data, která vám umožní kalibrovat budoucí odhady. Pokud máte tendenci podhodnocovat, zvyšte odhad o koeficient (např. 1,5). Tento koeficient si ale musíte odvodit sami – je unikátní pro každý tým a typ práce.

Na závěr se vyhněte dvěma častým pastím. První je snaha napsat „dokonalý” kód hned napoprvé – místo toho iterujte a postupně vylepšujte. Druhá je kopírování cizích řešení bez porozumění – vezměte si z nich jen inspiraci a napište vlastní verzi. Postupně rozšiřujte své portfolio automatizovaných úloh, ať už jde o zálohování, hromadné úpravy nebo monitorování systému. Python vás odmění tím, že rutinní práci převezme a vy budete mít čas na složitější problémy.

Závěrem si shrňme nejdůležitější pravidla: vždy zapněte strict režim, vyhněte se typu any, typujte funkce a objekty, používejte generika pro obecné kód a nenechávejte si v editoru nevyřešené chyby. TypeScript se ze začátku může zdát jako překážka, ale jakmile si osvojíte tyto základy, zjistíte, že vám dává jistotu při refaktorování a rychlejší odhalování potenciálních problémů. Kód se stává čitelnějším a samodokumentujícím, což oceníte hlavně při práci v týmu nebo při návratu k projektu po delší době.

Dalším typickým úkolem je zpracování textových souborů nebo tabulek. Python nabízí knihovny pro práci s daty, které zvládnou čtení, filtrování i zápis do nových souborů. Důležité je dávat pozor na kódování, zejména při práci s českými znaky – vždy specifikujte jako UTF-8, jinak riskujete chyby při čtení. Také se vyhněte pevnému kódování vstupních hodnot: pokud se cesta k souboru nebo filtr změní, měl by váš skript přijímat argumenty z příkazové řádky.

Nakonec nezapomeňte, že odhad je vždy pravděpodobnostní, ne jistota. Dobrý odhad by měl být rozložen na optimistickou, realistickou a pesimistickou variantu. Pro plánování projektu používejte realistickou až pesimistickou. Optimistická hodnota je vhodná jen pro motivační účely, ne pro slibování termínů. Pokud se odhady často liší o více než 30 %, zaměřte se na zlepšení rozkladu úkolů a sběr dat – to je cesta k trvalejší přesnosti.

Základním krokem je pochopit, že TypeScript není nový jazyk, ale nadmnožina JavaScriptu. To znamená, že veškerý kód, který píšete v JavaScriptu, je platný i v TypeScriptu. Stačí změnit příponu souboru z .js na .ts a můžete začít postupně přidávat typy. Praktickým tipem je zapnout volbu strict v souboru tsconfig.json. Tím se aktivuje nejpřísnější kontrola typů a předejdete mnoha problémům, které by se jinak objevily až při běhu aplikace. Pokud začínáte, může být lákavé tuto volbu vypnout, ale doporučuji vytrvat – ušetří vám to hodně času při hledání chyb.

Automatizace opakujících se činností je jednou z nejpraktičtějších cest, jak začít s programováním. Python je pro tento účel ideální díky své čitelné syntaxi a obrovské standardní knihovně. Než se pustíte do psaní prvního skriptu, je důležité pochopit, že automatizace není o složitých algoritmech, ale o systematickém rozkladu problému na menší kroky. Začněte s něčím, co skutečně děláte ručně – třeba přejmenovávání souborů, stahování příloh z e-mailu nebo generování sestav z tabulky.

Nepodceňujte režii a opakované činnosti Častou chybou je započítat pouze čistý čas kódu. Ve skutečnosti do odhadu musíte zahrnout schůzky, code review, opravy chyb, dokumentaci, komunikaci se zadavatelem a také vlastní učení. Pokud odhadujete novou technologii, přidejte 30–50 % rezervu. Stejně tak počítejte s tím, že testování zabere minimálně třetinu času. Mnoho vývojářů odhaduje pouze čas, kdy píší nový kód, ale zapomíná, že většina projektu je údržba a ladění.

Při přechodu ze SQL na NoSQL se vyhněte pokušení kopírovat relační model 1:1. V dokumentové databázi je normální denormalizace – data, která čtete společně, ukládáte společně. Například objednávku s položkami a adresou uložíte jako jeden dokument. Není potřeba joinovat tři tabulky. Naopak, pokud často měníte adresu zákazníka a potřebujete ji konzistentní ve všech objednávkách, denormalizace způsobí problémy. Musíte sami řídit konzistenci při aktualizaci, což je častý zdroj chyb.

Typickou chybou je měřit pokrytí pouze u testů, které běží rychle, a ignorovat pomalé integrační testy. Pak čísla vypadají skvěle, ale reálné pokrytí je nízké. Dalším častým problémem je zapomínat na měření u nově napsaného kódu – pokud přidáte funkci bez testu, pokrytí klesá, ale nikdo si toho nevšimne, dokud není příliš pozdě. Řešení: automaticky generujte report po každém pushnutí do větve a posílejte ho do týmového chatu, aby byl vidět hned.