a datová analýza

L
I
S
T
O
P
A
D
2
0
1
2
Business
Intelligence
a datová analýza
Přínosy obchodní analytiky
Svět prediktivních analýz
Co všechno získáte ze sociálních sítí?
BI-zlom.indd
ob1
BI_datova
analyza_def7.indd
11
24.10.12
13:01
10/24/12
11:58
AM
HIGH-PERFORMANCE
Vyzvěte Big Data na souboj
Je to nečekaný úder rychlosti a přesnosti. Analyzujte Big Data v horizontu minut a sekund místo dnů a hodin.
Ušetřený čas pak využijte k předvídání a řešení složitých obchodních problémů, které na vás útočí ze všech
stran. Vaše konkurence bude jen zírat.
Oskenujte QR kód pro zobrazení videa nebo navštivte www.sas.com/cz
a dozvíte se víc.
SAS Institute Inc. product or service names are registered trademarks or trademarks of SAS Institute Inc. in the USA and other countries. ® indicates USA registration. Other brand and product names are trademarks of their respective companies. © 2012 SAS Institute Inc. All rights reserved. S71418US.0212
BI-zlom.indd ob2
24.10.12 13:02
Pohled pod pokličku
PAVE L LO UDA
vedoucí projektu
E
xistuje mnoho dat. Spíše by se dalo říci, že neuvěřitelně moc dat. Dat, která
jsou uchována v různých úložištích, ale tam jejich přínos mnohdy i končí.
Pokud se v nich firmy nedokážou orientovat či zjistit, jaký potenciál pro ně
mohou mít nebo jak dokážou zlepšit jejich byznys, jsou to jen pasivní či neproduktivní informace.
Aby se z nich daly učinit informace aktivní, tedy ty, které dokážou podnikání
povznést na vyšší úroveň, musí podniky sáhnout po aplikacích, které přinášejí
k uloženým datům přidanou, pro podnikání významnou hodnotu.
A těmi mohou být řešení jako analytické systémy, business intelligence, hloubkové analýzy, prediktivní rozbory, jejichž nasazení zatím řada firem sice opomíjí,
ale jejich potenciál do budoucna je obrovský.
Obchodní analytika totiž představuje trh, jenž v příštích letech velmi významně
poroste. Například podle IDC má tento segment do roku 2016 růst v průměru ročně
o desetinu a v roce 2016 dosáhne obratu přesahujícího hodnotu 50 miliard dolarů.
Motorem vzestupu zájmu o analytické funkce jsou podle odborníků IDC především nutnost dodržovat různé zákonné a regulatorní předpisy, detekce rozličných
podvodů či vyšší odolnost proti bezpečnostním rizikům – s klasickými reportovacími nástroji si tedy podniky už brzy nevystačí.
Díky podrobným analýzám včetně prediktivních jsou organizace schopny nejen
snížit své provozní a jiné náklady, ale také najít nové obchodní příležitosti, které by
bez pokročilých analytických nástrojů vůbec nebyly schopny objevit.
Uživatelé se také mohou těšit na vysoce specializované produkty, které se zaměří
například na specifické vertikály nebo dokonce obchodní procesy.
A jak využít potenciál, který obchodní analytika i business intelligence přináší už
dnes? V tomto magazínu vám nabízíme nejen přehled, na co byste se měli zaměřit,
ale také vám poradíme, jak výhody pokročilých datových analýz využít co nejvíce
ve svůj prospěch.
Stejně jako u jiných IT produktů i zde se vyplatí začít u menších úloh, a až získáte potřebnou expertizu, můžete se do báječného světa pokročilých analýz neohroženě vrhnout.
Obsah
3
8
10
12
17
18
20
21
Obchodní analytika: Jak ji lze využít?
Business intelligence ve vašich podnikových IS
Urychlete vývoj, byznys nečeká
Zprovoznění prediktivní analytiky
IT projekty rychleji a bez chyb
MIS pomáhá provést zdravotní pojišťovnu MV bouřlivými vodami
Inteligentní výroba s pomocí BI analýz
Agilní vývoj urychlí nasazení BI
w w w.c i o.c z | w w w.c w.c z
BI-zlom.indd 3
3
24.10.12 13:12
Obchodní analytika: Jak ji lze využít?
Díky pokroku v technologiích analýz a business intelligence
mohou šéfové IT pracovat s podnikovými daty rychle, detailně,
levně i mobilně.
DAVI D F. C AR R
S
oučasné trendy se soustřeďují na řešení analytických problémů jako
třeba využití příležitostí získaných
novými podnikatelskými postřehy.
Například se objevují technologie pro
správu a analýzu velkých různorodých datových souborů, protože mnoho organizací se doslova topí v údajích a snaží se
v nich najít nějaký vzorec nebo jiný smysl.
Mnoho trendů pokročilé analytiky
v oblasti nákladů a výkonu umožňuje organizacím klást složitější dotazy než kdykoli dříve a dostávat výrazně užitečnější
informace pro své podnikání.
Šéfové IT odpovídající v různých dotaznících důsledně odlišují pět trendů,
4
které mají vliv na zajištění analytických
funkcí: vzestup big dat, technologie pro
rychlejší zpracování informací, klesající
náklady na IT systémy, množící se mobilní
zařízení a konečně všudypřítomné sociální sítě.
1. Big data
Pojem big dat je používán pro velké sady
dat, zejména takové, které nemají dostatečnou strukturu, aby je bylo možné uložit v tradičním datovém skladu. Informace získané z robotů procházejících
weby, kanály sociálních sítí a protokoly
serverů nebo údaje z dodavatelských řetězců, průmyslových, environmentálních
či dohledových snímačů – výsledkem toho
všeho jsou složitější korporátní data, než
tomu bylo kdykoliv předtím.
Přestože ne každá organizace potřebuje
metody a technologie pro manipulaci
s velkými nestrukturovanými sadami dat,
Perry Rotella, ředitel IT firmy Verisk Analytics, si myslí, že by se všichni ředitelé IT
měli s analytickými nástroji pro big data
alespoň seznámit.
Společnost Verisk, která pomáhá finančním institucím vyhodnotit rizika
a spolupracuje s pojišťovnami na identifikaci podvodů v pojistných údajích, dosáhla v roce 2010 tržeb ve výši více než
1 miliardy dolarů.
„Technologičtí lídři by měli zaujmout postoj, a to že je lepší zpracovávat více dat
a přijmout jejich ohromná množství,“ tvrdí
Rotella, jehož činnost zahrnuje hledání
různých vzorců a souvislostí mezi věcmi,
které sami dopředu nevíte.
„Big data jsou explozivním trendem,“
BU S I N E S S I N T E L L I G E N C E 2012
BI-zlom.indd 4
24.10.12 13:12
souhlasí Cynthia Nustadová, ředitelka IT
ve firmě HMS, která pomáhá organizacím
zvládnout náklady ve zdravotnictví. Mezi
její klienty patří provozovatelé zdravotních a sociálních služeb.
HMS pomohla svým klientům uspořit
miliardy dolarů za náklady v roce 2010 –
šetří tím, že předchází chybným platbám.
„Dostáváme a sledujeme spoustu materiálů, strukturovaná i nestrukturovaná data
a není vždy jasné, co se v nich vlastně
hledá,“ prohlašuje Nustadová.
Jednou z nejvíce diskutovaných technologií ze sféry big dat je Hadoop, open
source platforma zpracování distribuovaných dat, původně vytvořená pro úlohy
jako například sestavování indexů vyhledávání na webu.
Je jednou z několika tzv. NoSQL technologií (další jsou CouchDB a MongoDB),
které vznikly jako nový způsob organizace
dat ve webovém měřítku.
Hadoop dokáže zpracovat petabajty
údajů přiřazením podmnožin těchto dat
stovkám či tisícům serverů, z nichž každý ohlásí zpět své výsledky, které jsou
nakonec sestaveny hlavním plánovačem
úlohy.
Hadoop může být buď použit k přípravě dat pro analýzu, nebo jako samotný
analytický nástroj s jeho původním smyslem. Organizace, které nemají „tisíce náhradních serverů na hraní“, si mohou také
zakoupit přístup na vyžádání k instancím
Hadoop od dodavatelů cloudu, jako je
třeba Amazon.
Nustadová uvádí, že HMS zkoumá
možnosti využití technologií NoSQL,
i když ne pro své masivní databáze medicínských nároků. Ty obsahují strukturovaná data a lze je zpracovat jen tradičními
metodami datových skladů.
Nemá příliš smysl hledat jiné řešení,
než nabízí správa tradiční relační databáze, když se řeší problémy, pro které je
relační technologie vyzkoušeným a dobrým řešením, dodává Nustadová.
Nicméně vidí roli řešení Hadoop při
analýzách podvodů a plýtvání a možná při
analýzách záznamů o návštěvách pacientů, které by mohly být hlášeny v různých formátech.
Mezi řediteli IT dotazovanými pro
účely tohoto příspěvku jsou i ti, kteří už
měli praktické zkušenosti s technologií
Hadoop včetně výše zmíněného Rotella či
Jody Mulkeye, ředitele IT ve společnosti
Shopzilla, kteří byli zaměstnáni právě ve
firmách poskytujících datové služby jako
součást svého podnikání.
„Používáme Hadoop k tomu, co jsme byli
dříve zvyklí dělat prostřednictvím datového
skladu,“ říká Mulkey a dodává, že důležitější je to, že jej využívají i k „opravdu zajímavé analytice, kterou jsme nikdy předtím
dělat nemohli.“
Například Shopzilla jako srovnávací
web pro nákupy přes internet denně hromadí terabajty dat. „Dříve bychom data museli navzorkovat a rozdělit, což u takového
objemu bylo samo o sobě velké množství
práce,“ vysvětluje Mulkey.
S technologií Hadoop dokáže Shopzilla
analyzovat surová data, a zmíněné mezikroky tak přeskočit.
Nemocniční zařízení Good Samaritan
Hospital je na druhém konci spektra. „Nemáme to, co bych mohl klasifikovat jako big
data,“ tvrdí Chuck Christian, tamější ředitel IT.
Regulatorní požadavky ho nicméně
nutí ukládat ve velkých množstvích celé
nové kategorie údajů, jako jsou elektronické zdravotní záznamy.
„Zde existuje nepochybně velký potenciál
pro získání informací o kvalitě zdravotní
péče z dat,“ vysvětluje Christian, „ale to
pravděpodobně využijí různá regionální
nebo národní zdravotnická sdružení než samotná nemocnice.“
Je tedy poměrně nepravděpodobné, že
Good Samaritan bude do nových exotických technologií investovat.
John Ternent, ředitel IT ve společnosti
Island One Resorts, prohlašuje, že použití
big dat pro analytiku závisí na tom, jak
velké jsou objemy těchto údajů.
Vážně totiž zvažuje použití instancí
Hadoop v cloudu jako ekonomického způsobu provádění komplexních analýz portfolia hypoték pro jejich společnost, která
spravuje různé rekreační objekty.
„Je to potenciální řešení velmi reálného
problému, který teď máme,“ dodává Ternent.
2. Obchodní analytika se zrychluje
„Technologie big dat jsou jen jedním z prvků
širšího trendu rychlejší analytiky,“ tvrdí
Vince Kellen, ředitel IT University of Kentucky.
„To, co skutečně chceme, je pokročilá
analytika pro opravdu pekelně velké množství dat,“ prohlašuje Kellen. „Objem dat,
která lidé mají, je méně důležitý než efektivita, s jakou je lze analyzovat, protože rozbor
je požadován rychle.“
Kapacita dnešních počítačů umožňuje
zpracování mnohem většího množství
údajů přímo v operační paměti, a nabízí
tak rychlejší výsledky, než je tomu při vyhledávání v datech na disku, přestože
z nich zpracováváte jen gigabajty.
Přestože se databázím už desítky let
stále zlepšuje výkon pomocí ukládání
často používaných dat do vyrovnávací paměti cache, nyní je mnohem praktičtější
načíst celé velké datové soubory do paměti serveru nebo clusteru serverů a disky
používat jen jako zálohu.
Protože je načítání dat z rotujících
Matematika, která směřuje k vizualizacím, je velmi podobná té, která se používá pro statistickou analýzu. Grafické
procesory díky tomu mohou dělat výpočty stokrát rychleji, než tak činí konvenční procesory desktopů nebo serverů.
ALLAN HACKNEY, ŘEDITEL IT, JOHN HANCOCK
w w w.c i o.c z | w w w.c w.c z
BI-zlom.indd 5
5
24.10.12 13:12
magnetických disků částečně mechanickým procesem, je o několik řádů pomalejší, než je tomu v případě zpracování dat
přímo v paměti.
Rotella tvrdí, že nyní dokáže za několik
sekund udělat analýzy, které by před pěti
lety trvaly celou noc.
Jeho firma uskutečňuje prediktivní
analytiku u velkých datových soustav, což
často zahrnuje spouštění dotazu hledajícího různé vzorce a úpravy před spuštěním následujícího dotazu.
Množství času potřebného ke zpracování dotazu způsobuje velký rozdíl v rychlosti celého postupu analýzy.
„Dříve trval běh déle než vytváření samotného modelu dotazu, ale teď trvá vytvoření
struktury otázky déle než její realizace,“ popisuje Rotella.
Servery sloupcových databází, které invertují tradiční organizaci řádků a sloupců
relačních databází, řeší jinou kategorii výkonnostních požadavků – namísto načtení celých záznamů a extrakce vybraných sloupců dokáže dotaz přistupovat
pouze k potřebným sloupcům.
To výrazně zlepšuje výkon aplikací,
které seskupují či vyhodnocují několik klíčových sloupců.
Ternent varuje, že výkonnostní výhody
sloupcové databáze se týkají jen vhodného
návrhu aplikace a dotazu.
„Musíte klást správné otázky správným
způsobem, abyste zaznamenali rozdíl,“ vysvětluje Ternent a dodává, že sloupcové
databáze mají skutečně smysl jen pro aplikace, které musí zpracovat více než 500
GB dat.
„Musíte mít určité množství dat, než začne dávat sloupcové řešení smysl, protože při
dosahování efektivity spoléhá na určitou
míru opakovanosti.“
Při snaze zlepšit výkon analytiky hraje
Objem dat, která firmy mají, je méně důležitý než efektivita,
s jakou je lze analyzovat, protože rozbor je požadován rychle.
VINCE KELLEN, ŠÉF IT, UNIVERSITY OF KENTUCKY
významnou roli také hardware. Allan
Hackney, ředitel IT ve společnosti John
Hancock, která nabízí pojišťovnické a finanční služby, má ve svém arzenálu grafické procesory používané obvykle v herních systémech.
„Matematika, která směřuje k vizualizacím, je velmi podobná té, která se používá
pro statistickou analýzu,“ říká Hackney.
„Grafické procesory díky tomu mohou dělat výpočty stokrát rychleji, než tak činí konvenční procesory desktopů nebo serverů.
Naši analytici jsou s tímto vybavením velmi
spokojeni.“
3. Technologie stojí méně
Spolu s růstem výpočetní kapacity těží
analytika z klesajících cen za paměti
a úložiště a z open source softwaru, který
poskytuje alternativu ke komerčním produktům a vytváří konkurenční tlak na
ceny.
Ternent je evangelistou open source řešení. Před svým nástupem do Island One
byl viceprezidentem pro technická řešení
ve společnosti Pentaho, která je dodavatelem open source systémů business intelligence, a také pracoval jako konzultant se
zaměřením na BI a open source.
„Z mého pohledu open source vytváří férové podmínky,“ prohlašuje Ternent, „protože i středně velká společnost jako Island
One může pro statistickou analýzu používat
open source aplikaci ‚R‘ namísto proprietárního řešení SAS.“
Dříve byly nástroje open source k dis-
pozici pouze pro základní reporting, jak
uvádí Ternent, ale teď nabízejí i nejmodernější prediktivní analytiku.
„V současnosti existuje dodavatel open
source systémů snad v každé oblasti, což
znamená, že jsou k dispozici nástroje pro kohokoliv, kdo má kuráž se do něčeho takového
pustit.“
Nustadová z HMS se domnívá, že měnící se ekonomické nároky ohledně použití výpočetní techniky kladou jiné požadavky i na základní architektonické
schopnosti.
Například jedním z tradičních důvodů
pro vytváření datových skladů bylo shromáždit data na serverech s vysokým výpočetním výkonem vhodným pro jejich další
zpracování.
Protože dříve ale byl výpočetní výkon
vzácnější, než je tomu dnes, bylo důležité
odklonit zátěž tvořenou analytickými úlohami z provozních systémů, aby se zamezilo snížení výkonu při každodenním
zpracování úloh.
„Nyní to ale není vždy správná volba,“
prohlašuje Nustadová.
„Cena hardwaru a úložných systémů je
v současné době tak nízká, že si můžete
klidně dovolit posílit provozní systémy, aby
zároveň zvládly i analytickou vrstvu,“ vysvětluje Nustadová.
Díky tomu, že se všechny úkony přesunu, změny formátu a načtení do datového skladu dělají na jednom místě, může
analytika postavená přímo na provozní
aplikaci nabídnout rychlejší odpovědi.
Hackney nicméně podotýká, že i když
klesající trendy cen vztažených na výkon
pomáhají snižovat náklady, jsou potenciální úspory často eliminovány zvýšenými
nároky na kapacitu.
„Je to jako běh na místě.“
Zatímco u společnosti John Hancock
letos klesly náklady na jednotku úložiště
o 2 až 3 procenta, potřeba úložných kapacit vzrostla o plnou pětinu.
4. Všichni jsou mobilní
Jako téměř všechny ostatní aplikace přechází také business intelligence do mobilní sféry.
Pro Nustadovou je mobilní BI prioritou, „protože to chce každý,“ a ona sama
prý potřebuje na svém iPadu, když právě
není ve své kanceláři, přístup ke zprávám
oznamujícím, zda její organizace plní dohody o úrovni poskytovaných služeb.
Chce také nabízet mobilní přístup
6
BU S I N E S S I N T E L L I G E N C E 2012
BI-zlom.indd 6
24.10.12 13:12
k těmto údajům i firemním zákazníkům,
aby tak mohli lépe sledovat a řídit své náklady na zdravotní péči.
Je to podle ní funkce prospěšná pro klienty, která sice před pěti lety ještě nebyla
vyžadována, ale v současné době je už
silně poptávána.
Pro ředitele IT se uspokojení tohoto
trendu týká spíše vytváření uživatelských
rozhraní pro tablety a smartphony – tedy
pro malé dotykové obrazovky – než schopností sofistikované analýzy.
Možná proto to Kellen nepovažuje za
důležité, protože jde o poměrně snadno
řešitelnou záležitost. „Pro mě je to zcela
triviální,“ tvrdí Kellen.
Rotella si ale nemyslí, že je to tak jednoduché.
„Mobilní výpočetní technika ovlivňuje
každého. Počet lidí, kteří k práci využívají
iPad a další mobilní zařízení, prudce roste.
Tento trend se bude zrychlovat a měnit způsob, jakým komunikujeme s našimi výpočetními zdroji v podniku.“
Například společnost Verisk vyvinula
produkty, které likvidátorům pojistných
událostí poskytují přístup k analýzám z terénu, takže mohou odhadovat plnění.
„To je způsob, jak využít naše analytické
služby a poskytnout je lidem, kteří je potřebují,“ říká Rotella.
Problém ale vzniká tím, že se mobilní
technologie příliš rychle mění.
„Před dvěma lety jsme iPady neměli. Nyní
má tento tablet u nás v podstatě každý. Protože je ale ve hře více operačních systémů,
snažíme se zjistit, jak co nejlépe využít náš
vývoj, abychom tutéž aplikaci nevytvářeli
hned několikrát,“ popisuje Rotella.
Na druhou stranu může požadavek vytvářet nativní aplikace pro každou mobilní platformu již nyní slábnout, protože
prohlížeče v telefonech a tabletech jsou
dostatečně funkční, jak tvrdí Ternent
z Island One.
„Nejsem si jist, zda bych investoval do
aplikace přizpůsobené mobilnímu zařízení,
když mohu pro toto mobilní řešení vytvořit
jen specifické zobrazení příslušné webové
aplikace.“
5. Kombinace sociálních sítí
S explozivním rozšířením Facebooku,
Twitteru a dalších sociálních sítí chce
stále více firem analyzovat data generovaná těmito weby.
Objevily se tak nově koncipované analytické aplikace, které podporují statistické metody, jako jsou například zpracování přirozeného jazyka, názorové či síťové analýzy, které nejsou součástí typické
sady nástrojů business intelligence.
Vzhledem k tomu, že jde o poměrně
novou záležitost, je mnoho analytických
nástrojů sociálních sítí k dispozici v podobě služeb.
Příkladem významného dodavatele
může být Radian6, produkt typu SaaS,
který nedávno zakoupila společnost Salesforce.com.
Radian6 představuje informační panel
o zmínkách značky v pozitivním, negativním či neutrálním významu na kanálech
Twitteru, veřejných příspěvcích Face-
booku a v komentářích na blozích a v diskuzních fórech.
Pokud si takový nástroj oddělení marketingu nebo služeb zákazníkům pořídí,
nemusí pro oddělení IT představovat významnou zátěž.
Kellen z University of Kentucky je však
přesto přesvědčen, že by jim měli IT pracovníci věnovat pozornost.
„Mou prací je mimo jiné identifikovat tyto
technologie, sledovat jejich přínos pro organizaci z hlediska konkurenceschopnosti
a začít se vzděláváním vhodných osob,“ prohlašuje Kellen.
Tato univerzita má stejný zájem o sledování názorů na sebe sama jako jakákoliv
jiná organizace, ale Kellen tvrdí, že tak lze
identifikovat také příležitosti pro rozvoj
použití specifického pro školní záležitosti,
jako je udržení studentů.
Například sledování studentských příspěvků na sociálních sítích může pomáhat
fakultám a správcům zjistit v raném stadiu, že mají studenti různé akademické
problémy, stejně jako to dělá firma Dell,
když pomáhá zjistit osoby tweetující informace o poškozených noteboocích.
IT vývojáři by měli také hledat způsoby,
jak vestavět upozorňovací zprávy generované analýzou sociálních sítí přímo do
aplikací, aby tak bylo možné na tyto události patřičně reagovat, říká Kellen.
„Sami nemáme ani znalosti, ani nástroje,
které by pomohly využít obrovské množství
příspěvků v sociálních sítích,“ tvrdí Allan
Hackney.
„Jakmile taková data máte, musíte být
schopni získat dostatek informací o událostech, které se dějí ve firmě, abyste je mohli
dát do souvislostí.“
Přestože jsou podle Hackneye snahy
společnosti John Hancock v této oblasti
teprve v zárodku, sám nad rolí IT ve zjišťování souvislostí údajů ze služby sociální
analýzy s podnikovými daty přemítá.
Pokud například data ze sociálních sítí
ukážou na záporný vývoj názorů na společnost v určité geografické oblasti, chtěl
by vědět, zda v té době podnik třeba změnil ceny nebo politiku v daném regionu
způsobem, který by takový trend mohl
svým způsobem vysvětlit.
„Nalezení takových vzájemných souvislostí může přesvědčit vedení společnosti, že
existuje návratnost investic do podpory využití sociálních sítí,“ tvrdí Hackney.
„V mém oboru jsou všichni pojistnými
matematiky a každý hledá přesná čísla.“
Dostáváme a sledujeme spoustu materiálů, strukturovaná i nestrukturovaná data a není vždy jasné,
co se v nich vlastně hledá.
CYNTHIA NUSTADOVÁ, ŘEDITELKA IT, HMS
w w w.c i o.c z | w w w.c w.c z
BI-zlom.indd 7
7
24.10.12 13:13
Business intelligence ve vašich podnikových
informačních systémech
Business intelligence (BI) neboli nástroje pro pokročilou analýzu
obrovských objemů dat, které vám umožní vidět v nich nové
souvislosti důležité pro řízení vaší firmy, se v IT používají ve
velkém již několik let. Nyní se však BI díky Microsoftu stává
cenově dostupnější a mohou si ho dovolit i malé firmy. Velkou
část, anebo dokonce všechny nástroje, které jsou pro BI potřeba,
totiž firmy už často mají k dispozici.
Co je to business intelligence
Business intelligence (BI) je zjednodušeně řečeno nástroj, který umožňuje
pracovat s velkými objemy dat z různých
zdrojů a hledat v nich nové souvislosti
a trendy. Důležitým charakteristickým
prvkem (BI) nástrojů je možnost dívat se
na data z různých pohledů – podle regionů, středisek či divizí, produktů, produktových řad, jednotlivých obchodníků atd.
Díky tomu je možné odhalit trendy, které
v celkových číslech mohou snadno zaniknout, třeba fakt, že většinu prodejů dělá
firma v jednom regionu nebo v jednom
konkrétním tržním segmentu. BI navíc
umožňuje sledovat vývoj jednotlivých ukazatelů v čase, a to jak do minulosti, tak
i do budoucnosti, s využitím příslušného
statistického a matematického aparátu
v podobě regresních funkcí. Pod pojmem
BI se přitom skrývá cokoliv z výše uvedeného – od jednoduchých reportů, které
pouze poskytnou hlubší souhrnný pohled
na celková čísla třeba až na úroveň jednotlivých středisek, produktů či dnů v týdnu,
až po modelovací nástroje, které ukážou
například vývoj prodejů daného produktu
v čase od minulosti až po blízkou budoucnost, a umožní tak firmě efektivněji provádět product lifecycle management.
Nástroje pro business intelligence
od Microsoftu už často máte
Business intelligence do Microsoftu stojí
na třech klíčových produktech, které řada
firem už používá. Nasazení nástrojů business intelligence tak pro ně často nevyžaduje žádnou další investici do softwaru.
Tím prvním nástrojem je Microsoft SQL
Server, rozšířený základ pro firemní databáze, podnikové informační systémy,
e -shopy i další on-line aplikace. Jeho úkolem je hlavně spravovat data, připravovat
pohledy a provádět s nimi příslušné analytické a početní operace. Druhým stavebním kamenem je Microsoft Excel, jeho
role se spolu s nástupem nové verze Office ještě podstatně rozšíří. Excel už od
8
verze 2010 umí zpracovávat obrovské objemy dat. Díky tomu mohou uživatelé provádět náročné databázové operace s využitím výpočetního výkonu vlastního počítače a bez negativního vlivu na výkonnost
celé databáze, která v tu dobu slouží třeba
stovkám dalších uživatelů a zákazníků.
Posledním stavebním kamenem je pak
Microsoft SharePoint. Ten slouží jako
platforma pro přípravu, sdílení a každodenní používání statických i interaktivních reportů, umožňuje jednotlivé výstupy včetně např. výpočtů KPI zobrazovat přímo na intranetu či extranetu
a slouží také k tomu, aby bylo možné jednotlivé dynamické tabulky či grafy vkládat
do PowerPointu a přímo odsud s nimi
např. uprostřed prezentace pro management pracovat.
Základem jsou reporting services
v SQL Serveru 2012
Základní BI funkce, které jsou dostupné
v Microsoft SQL Serveru, jsou integration, analysis a reporting services. Poslední zmíněné umožňují využívat nad
daty např. z podnikového informačního
systému, databáze, e -shopu apod. tzv.
OLAP (Online Analytical Processing)
funkce. OLAP dává možnost dívat se na
data z několika různých bodů pohledu –
tzv. dimenzí – které mají k analyzovanému ukazateli nějaký vztah. Pokud se
budeme zajímat například o objem prodejů, můžeme se na něj dívat podle zákazníků, druhů zboží, regionů atd. Každý bod
pohledu je jedna dimenze. Souboru dimenzí u jednoho zvoleného ukazatele se
pak říká OLAP kostka (kostka kvůli tomu,
že využíváme OLAP např. ve třech a více
dimenzích). Kromě pohledů samotných
existují také nadhledy – tzv. vyšší dimenze – kdy například námi zvolený objem prodejů budeme zkoumat podle stře-
disek, skupiny zboží, jejich kódů, dodavatelů, zaměstnanců, kteří zboží prodali,
atd. Abychom získali přístup ke všem
těmto informacím a pohledům na jednotlivé OLAP kostky, je třeba předpřipravit
tzv. reporty. Jejich příprava většinou vyžaduje pokročilé znalosti jazyka SQL, ve kterém Microsoft SQL Server pracuje. Proto
připravuje jednotlivé reporty a OLAP
kostky zpravidla implementační partner.
V základní úrovni s nimi umí pracovat
každý partner certifikovaný pro implementaci produktů Microsoft Dynamics či
Microsoft SQL Server. Samotné využití
OLAP kostek a reporting services je
zdarma, neboť se jedná o standardní součást Microsoft SQL Serveru. Firma platí
pouze za přípravu OLAP kostek a reportů
implementačním partnerem.
BU S I N E S S I N T E L L I G E N C E 2012
BI-zlom.indd 8
24.10.12 13:13
PowerPivot pro Excel 2010,
komponenta BI zcela zdarma
Na BI analýzu dat z podnikového informačního systému lze využívat přímo
Microsoft Excel 2010. Stačí do něj doinstalovat zdarma dostupný doplněk Microsoft PowerPivot for Excel 2010, který
je dostupný i v české jazykové mutaci.
V nové verzi Microsoft Excel je pak
PowerPivot už integrální součástí. Jediné,
co je třeba mít pro využití PowerPivotu
k dispozici, jsou připravené OLAP kostky
v SQL Serveru. Velkou výhodou PowerPivotu je přitom fakt, že je možné provádět interaktivní analýzu včetně nejrůznějších grafů nad aktuálními daty přímo
např. z podnikového informačního systému a že je k té analýze možné využívat
i všechny další dostupné nástroje, které
Excel nabízí. Vytvořený report, který se
z připravených OLAP kostek dělá identicky jako například kontingenční tabulka
či graf, lze navíc jednoduše uložit jako
klasický excelový soubor a využívat jej
i off-line, případně pak pouze aktualizovat data z databáze prostřednictvím jednoho kliknutí. Velká výhoda je, že potřebný výstup i jeho formu si může vytvořit sám uživatel bez nutnosti asistence ze
strany implementačního partnera a že jakákoliv analýza nezatěžuje přímo databázový server, ale jen počítač, na kterém
analýza probíhá. K PowerPivotu je navíc
k dispozici i podrobný návod v českém jazyce, který počáteční seznámení s jeho
funkcemi výrazně usnadní. Microsoft
PowerPivot existuje i ve verzi pro SharePoint 2010, kdy je možné provádět tytéž
funkce přímo na intranetovém či extranetovém portálu ve webovém prohlížeči
s tím, že je možné snadno předdefinovat
jednotné, skupinové i individuální pohledy pro jednotlivé uživatele. To znamená, že na jediný report sdružující například informace o prodejích za celou
Proč využívat business intelligence
Dalibor Kačmář, manažer serverové divize, Microsoft:
„Nástroje pro business intelligence od Microsoftu vám dají možnost dívat se
na data od celku po detail a obráceně. Umožní vám hledat různé souvislosti,
které by vám jinak v záplavě dat unikly. Můžete zjistit třeba, že v jednom regionu se prodává více červené oblečení než v jiném, a okamžitě tomu přizpůsobit logistiku. Můžete zkoumat, kdy se vaše zboží prodává nejvíce, které
zboží si zákazníci kupují pohromadě, odkud jsou vaši noví zákazníci, ve které
dny v týdnu se co nejvíce prodává, jak výkonní jsou vaši obchodníci, kteří zákazníci vám generují největší obraty a na kterých nejvíce vyděláte atd. Důležité přitom je, že pokud dáte svým zaměstnancům do ruky snadno použitelné nástroje s přehlednými a pochopitelnými výstupy, jako nabízí například PowerPivot a PowerView, budou zaměstnanci
tyto nástroje používat, budou sami tyto nové souvislosti hledat a budou moci na základě nich činit
kvalifikovaná rozhodnutí, která pomohou zvýšit vaše tržby i marže.“
Evropu lze na SharePointu nadefinovat,
že management společnosti uvidí všechna
data, ředitel národní pobočky v tom samém reportu uvidí jen data za svoji zemi
a vedoucí jednotlivých prodejen zase jen
data za své prodejny. Když pak bude potřeba report jakkoliv upravit, doplnit
nebo rozšířit, provede se to právě jednou
a pohled se změní všem uživatelům najednou a opět jen na ta data, která mají
vidět.
PowerView aneb cesta
k interaktivnímu BI
Microsoft SQL Server 2012 přinesl
v kombinaci se SharePointem 2010 velice
podstatnou novinku – nástroj zvaný
PowerView, který se objeví i v novém Excelu. PowerView umožňuje provádět řadu
operací, na které bylo třeba dříve využívat
služeb implementačního partnera. K datům lze díky PowerView a SharePointu
přistupovat přímo z webového prohlížeče
a všechny reporty jsou navíc plně interaktivní. Vytvoření nového reportu je otázkou několika málo sekund a není o nic
náročnější než třeba vytvoření kontin-
genční tabulky nebo grafu v Excelu. V základu jsou k dispozici animace reportů
(i grafů) v čase a procházení daty je plně
interaktivní se snadnou možností dostat
se pouhým kliknutím o úroveň níž. SQL
Server 2012 také pracuje se sémantickým
modelem, který umožňuje jednoduše graficky dávat jednotlivé položky dat do souvislostí a vztahů, které uživatel následně
může snadno u jednotlivých položek či
skupin dat sledovat. SharePoint 2010 nabízí také Visio Services, které umožňují
nechat si při analýze zobrazit data v grafickém znázornění např. procesů, rozložení zboží v prodejně či na mapových
podkladech Bing map. Výstupy z jednotlivých reportů lze také jedním kliknutím
exportovat do formátů Microsoft Excel,
Word či PowerPoint, a to včetně zachování použitých grafických prvků. SQL
Server 2012 navíc přichází i se zcela novým fulltextovým statistickým sémantickým vyhledáváním, které umožňuje snadnou orientaci i v nestrukturovaných datech a umožňuje hledat souvislosti mezi
jednotlivými položkami či dokumenty
v databázi.
Vsadili jsme na business intelligence od Microsoftu
Martin Pidrman, IT manažer, STROJÍRNY POLDI
Nasazení nástrojů business intelligence bylo dalším logickým krokem rozvoje ICT služeb. Zjednodušeně řečeno, díky informačnímu systému máme
kvalitní data, ale pro správné rozhodování a řízení jsme potřebovali informace. Proto jsme ve spolupráci s BI Experts zvolili řešení BI postavené na
technologiích Microsoft s maximálním využitím integračních služeb nového
SQL Serveru 2012. Implementované řešení dokáže plně pokrýt nejen naše
požadavky na manažerský reporting, sledování klíčových ukazatelů a kontroling, ale má i přesah do výroby a jejího každodenního řízení.
Radek Benda, business controller, ISS
Česká a slovenská pobočka nadnárodní korporace ISS Facility Services využívá již několik let řešení BI, cílem kterého je poskytování aktuálních komplexních informací v oblasti financí. Toto řešení vyvinula a dodala společnost Clever Decision. Řešení nám jak spoří čas, který bychom museli věno-
vat každodenní tvorbě velkého množství reportů, tak zároveň zefektivňuje
manažerské rozhodování, což má vliv na produktivitu a ziskovost firmy.
Jan Novotný, obchodní ředitel, Ambica
V dnešním vysoce konkurenčním prostředí se stává nutností řídit podnik
a jeho operace pomocí vhodně navrženého systému pro řízení výkonnosti.
I naši úspěšní zákazníci si postupně uvědomují potřebu posunout se od
využívání reportů a analýz odbornými útvary k přímé podpoře řídicích
procesů prostřednictvím interaktivních manažerských panelů s klíčovými
ukazateli výkonu. S využitím platformy Microsoft Business Intelligence,
zejména SQL Serveru 2008 R2 a SharePointu 2010, jsme konečně měli
k dispozici nástroje pro úspěšnou realizaci takových řešení. Například
implementace systému řízení obchodní sítě ve společnosti Mountfield přinesla centrálnímu managementu systematičtější hodnocení obchodního
výkonu prodejních center, efektivnější komunikaci a reportování výsledků.
w w w.c i o.c z | w w w.c w.c z
BI-zlom.indd 9
9
24.10.12 13:13
Urychlete vývoj, byznys nečeká!




Z DE NĚ K DVO Ř Á K
Pilot – test a důkaz správnosti konceptu řešení
Tvorba nových experimentálních dat pro datamining
Testování hypotéz
Datové sklady – agilní, nebo ne?
Extrémně privátní byznys data, kam ani IT nemá přístup
Kdykoliv slyšíme v jedné větě slova jako datový sklad a agilní
Data Lab, který bývá rozdělen na několik sandboxů, je přederychlá implementace, automaticky se nám vybaví mnoho arguvším rezervovaný prostor, výkon, sada nástrojů a procesů datomentů, proč to nejde. V případě rozšíření či změny jádra datového skladu nám nevyvstanou na mysli hodiny, dny či týdny, navého skladu, sloužící pro zodpovězení jedné či více kritických
opak spíše cítíme měsíce či kvartály. To samozřejmě neplatí pro
byznys otázek. Je vlastněn a spravován přímo uživatelem s minivývoj business intelligence nad existujícím úložištěm, kde se již
mální součinností IT. Může obsahovat suboptimálně napsaný
delší dobu prosazují různé agilní metodologie.
kód či data s neznámou kvalitou. Jedná se o dočasnou strukturu,
V tomto článku rozebereme, jak lze výhody inovativních pokterá zaniká v řádu týdnů až měsíců. Vylučuje periodické běhy
stupů využít přímo v souvislosti s tvorbou podnikové datové záplnění dat, nepotřebuje optimalizaci. Zároveň nemusí plnit
kladny (EDW – Enterprise Data Warehouse).
žádná SLA. Ukazuje směr nových projektů a produktů, nevytváří
Důvod, proč je potřeba hledat tyto nové cesty, je znázorněn
však cílová robustní řešení.
na následujícím obrázku:
V praxi to znamená, že byznys uživatelé mohou samoobslužně vytvářet a spravovat struktury v části
EDW prostředí a analyzovat data takto vytvoAnalytický průzkum
B ná p ípadová studie v analytickém pr zkumu:
řená ve spojení s existující podnikovou datovou
bází. Není potřeba replikovat či přesouvat data
Nahrání nov ch
V sledkem je, e
na jiný systém. Tím se snižuje závislost byznysu
datov ch p ír stk
mnoho business
Nov ch dat
do jádra datového
analytik jde cestou
na IT, neboť řešení umožňuje samostatně sprapot ebn ch
skladu je svázáno
Dat pot ebn ch
nejmen ího odporu
vovat Data Lab v prostoru EDW. Navíc díky
v
konjunkci
k anal ze je
rigorózními procesy
a vyextrahují si
faktu, že vše běží přímo v databázi Teradata,
s p edchozími
pro ochranu jeho
dostupn ch
zmín n ch 90 % dat
mohou uživatelé využít výkon celého datového
EDW daty
v datovém skladu
na sv j po íta
integrity
skladu.
10 %
90 %
+
+
=
Která firma může zodpovědně prohlásit, že nemá alespoň jednoho analytika, který si téměř pokoutně zajišťuje data z různých
zdrojů a přichází se zajímavými, překvapivými, avšak mnohdy
rušivými výstupy? Důvodem prvních dvou přívlastků je mnohdy
kreativní náhled a propojení dat, která spolu zdánlivě nemusí
souviset. Negativní přívlastek si však vyslouží různá necertifikovaná data, která mohou ukazovat až zavádějící výsledky, neboť
pro ně neplatí korporátní byznys pravidla. Proč ale nevyužít kreativitu a elán těchto lidí a neposkytnout jim potřebné nástroje?
Pokud takovouto otázku položíte administrátorovi databáze,
dostanete jasnou odpověď: „Protože se neumí správně zeptat!“
Oddělení datového skladu začne zdlouhavý proces sběru uživatelských požadavků, plánování a implementace. Mezitím analytik problém již vyřešil nezávisle na oddělení datového skladu
a zkoumá další nápady.
Tento vzor chování vidí konzultanti společnosti Teradata
u většiny svých zákazníků. Vzhledem k tomu, že základní principy naší technologie umožňují agilní vývoj, byla vyvinuta sada
nástrojů, metodik, procesů a služeb, které otevírají dvířka k tomuto přístupu přímo byznys uživatelům.
Přínosy zavedení Data Labu
Řešení Data Lab přináší přidanou hodnotu jak byznysu, tak IT,
viz následující tabulka:
Přínosy z pohledu byznysu:
Přínosy z pohledu IT:
N ezá visl o st
• Silní uživatelé jsou sami schopni vytvořit si
své prostředí v cloudu Data Labů
• Samoobslužná analýza zhodnocuje existující
BI a statistické nástroje
J e d n o d u c h o st
• Centralizuje správu analytického ekosystému
• Zjednodušuje produkční řešení aplikací a datových přírůstků
Efe k tivit a
• Žádný nový HW či SW není potřeba
• Propojení s EDW daty eliminuje nepotřebné
přesuny dat
• Snižuje závislost na IT
Rychlost
Ce n a
• Využívá výkon EDW platformy s o řád vyšším • Snižuje spotřebu systémových prostředků díky
výkonem a z toho plynoucím rychlejším zpra- eliminaci redundantních datových přenosů
cováním
• Eliminuje stínové IT v byznys jednotkách a privátní datamárty
Agilní vývoj v pojetí společnosti Teradata – Data Lab
Naše metodika odpovídá na základní požadavek byznys oddělení,
kterým je především rychlost odpovědí destilovaných z podnikových dat – co nejnižší „Time to Market“. Žádná metodika se však
nehodí pro každý typ požadavku. Představu o vhodnosti užití
ukazuje následující graf (v sousedním sloupci), kde úroveň autonomie a latence předurčují agilní způsobilost.
Zatímco se metodika Data Lab nehodí pro vývoj samotného
řešení EDW jako celku, jsou primárními případovými studiemi
vhodnými pro tento typ vývoje následující oblasti:
 Rychlá analýza a otestování nové byznys teorie
 Datový průzkum nových dat ve spojení s existujícími daty
v EDW
 Jednorázová ad hoc byznys otázka
10
Kontrolovatelnost
• Workload management pro minimalizaci dopadu na datový sklad
• Řešení bezpečnosti
• Nastavení předdefinovaných životních cyklů
a limitů velikosti Data Labů
DWH Autonomy (Team - IT)
Data Lab
Private space
Data Lab
User Prototyping
Advance Analycs
Low Latency (Business)
Data Lab
»BICC«
High Latency (Business)
Data Lab
IT Prototyping
Data Lab
Patch Run
»Industrial DWH«
(Cerfied Data & process)
DWH Dependence (Team -IT)
BU S I N E S S I N T E L L I G E N C E 2012
BI-zlom.indd 10
24.10.12 13:13
Kritické prvky zavádění Data Labů
Základním principem metodiky Data Lab je dočasnost nasazení
jednotlivých sandboxů. Před koncem jejich životního cyklu je
třeba rozhodnout, zda nový pohled na data přináší pro společnost dostatečnou hodnotu, která zdůvodní řádnou implementaci
v EDW.
V případě, že ano, dochází k návrhu funkčního řešení pro nasazení do produkce. V opačném případě je sandbox zrušen.
V žádném případě by nemělo docházet k dlouhodobému produkčnímu reportingu z Data Labu. To by v dlouhodobém výhledu vedlo k minimalizaci řádného vývoje EDW se všemi problémy, které tento stav přináší. Proto se doporučuje stanovit již
zcela na začátku maximální dobu životnosti pro konkrétní sandbox – a to v řádu týdnů až měsíců.
Napojení na procesy BI kompetenčního centra společnosti
nebo jiného oddělení, které má za úkol sběr a realizaci uživatelských požadavků na BI výstupy z podnikových dat, je nejdůležitější komponentou organizačního zajištění Data Labu.
Architektonicky doporučuje společnost Teradata nasazení
Data Labu uvnitř EDW platformy. Jeho budování bez EDW přináší značná rizika především v oblastech sjednocení byznys pravidel a výkonu. Na následujícím obrázku je základní schéma
umístění Data Labu s uživatelsky spravovanými daty a jejich propojení na data v integrovaném datovém modelu. Pro zajištění výkonu uživatelských dotazů vedle produkční zátěže je třeba využít
nástroje pro rozdělování zdrojů platformy Teradata.
Acve Workload
Management
SAS
data
Data Lab
Integrated
Data
Warehouse
csv
data
External
Data
Read,
write
Read only for
Data Lab users
Use analyc tools to join
and explore combined data
Vytvoření Data Lab prostředí je založeno na následujících
komponentách řešení Teradata:
 Škálovatelná databázová platforma
 TASM (Teradata Active System Management): Nástroj umožňující dedikovat výkon pro produkční zátěž a uživatelské ad hoc
dotazy prostředí Data Lab v komplexním workloadu EDW
 Teradata ViewPoint: Webový server se sadou portletů s tenkým klientem. Primárně se jedná o portlet Data Labs, určený ke
správě, samoobslužné tvorbě a plnění sandboxů včetně nástroje
pro nahrávání dat a dotazování
 Teradata nástroje a utility: Tlustý klient pro práci s Teradata
platformou
 Partnerské nástroje zahrnují funkcionality business intelligence, Online Analytical Processing (BI/OLAP), in-database datamining, textovou analýzu a vizualizaci.
Případové studie
Z mnoha případových studií zmiňujeme implementaci Data
Labů ve francouzském Bouygues Telecom. U tohoto zákazníka
došlo k implementaci programu Globální Data Lab v produkčním prostředí EDW. Z pohledu zákazníka jsou hlavními přínosy
této implementace:
 Zrychlení „Time To Market“: řešení inovací pro všechny oblasti byznysu
 Byla definována služba Agilní Data Lab a Governance řízená
dedikovaným agilním týmem
 Bylo identifikováno téměř 200 iniciativ Data Labů, řízených
tímto řešením, s cílem úplné eliminace privátních datamártů
 Došlo ke zlepšení Total Cost of Ownership vlastního EDW
a BI řešení společnosti
 Doba řešení uživatelských požadavků se snížila ze dnů až
týdnů na hodiny
 Data Lab je využit i ve fázi před industrializací evoluce EDW,
a to především pro data discovery, řešení datové kvality a datové
modelování
Druhým příkladem praktického užití je oblast dataminingu
jednoho českého telekomunikačního operátora. Zde je Data Lab
využíván pro přípravu analytického datového setu a výpočet stovek navržených prediktorů, které jsou pak díky možnosti propojení s produkčními daty snadno validovány. Úspěšné algoritmy
jsou pak optimalizovány a zařazeny do produkčního skóringu.
Hlavní výhodou je, že celým vývojovým EDW cyklem prochází
jen 10 % dataminingových proměnných, zbytek je vyřazen již
v Data Labu.
Shrnutí
Vzhledem k tomu, že primární sférou zájmu společnosti Teradata je oblast budování datových skladů, nabízí společnost i inovativní pohledy a přístupy k problematice zrychlení vývoje BI
aplikací. K zajištění agilního vývoje využívá klasické nástroje
EDW a doplňuje portfolio těchto tradičních nástrojů i o nové,
dedikované pro řešení Data Labs.
Využívá konkurenční výhody své vlajkové lodi, databázové
platformy Teradata, jako je lineární škálovatelnost, a v oboru
bezkonkurenční řešení workload managementu. Toto vše doplňuje organizací professional services, zahrnující jak implementační konzultanty, tak i školicí a podpůrné organizace.
Aktuální situace na trhu se díky rostoucí digitalizaci zrychluje
ve všech segmentech podnikání a konkurenceschopnost závisí
čím dál více na rychlém rozhodování, inovativním přístupu a na
využití všech vědomostí podniku a schopností jeho zaměstnanců.
Společnost Teradata umožňuje dát jim k dispozici ty správné nástroje pro to, aby mohli dělat nejlepší možná rozhodnutí ve své
každodenní práci.
Popis řešení Teradata, reference, případové studie a další informace najdete na
www.teradata.com.
Autor je solution architect společnosti Teradata
w w w.c i o.c z | w w w.c w.c z
BI-zlom.indd 11
11
24.10.12 13:13
Zprovoznění prediktivní analytiky
Navzdory obvyklému názoru nepotřebujete velký rozpočet,
abyste mohli s prediktivní analýzou začít.
ROBERT L . MITCHELL
G
areth Herschel, analytik společnosti
Gartner, říká: „Použití prediktivní
analytiky je běžné v odvětvích, jako
jsou telekomunikace, finanční služby a maloobchod. Celkově však stále jde jen o malé
procento organizací, které ji aktivně používají – možná něco okolo 5 %.“
Zájem je nicméně vysoký ve společnostech, které jsou stále zaměřeny na historickou, „popisnou analytiku“, a v podnicích se zavedenými postupy prediktivní
analytiky, kde nyní dochází k přesunům
mimo tradiční oblasti, jako jsou marketing a řízení rizik.
Nové metody tak předpovídají množství prokliků na webech a celkové chování, pomáhají personalistům předvídat,
kteří zaměstnanci by mohli dát výpověď
a podobně.
Další oblastí je směrování hovorů na
linky podpory, kde lze modely použít k určení toho, který agent pravděpodobně nej-
12
lépe odpoví na otázku daného volajícího
zákazníka.
„Mají větší zájem, protože mají více dat,“
tvrdí Dean Abbott, prezident poradenské
společnosti Abbott Analytics. „Pozornost je
zaměřena na rozvojový potenciál. Lidé říkají,
že je to něco, co musejí udělat.“
Musíte se však nejdříve naučit chodit,
než můžete běhat, a s nároky organizací
na big data není prediktivní analýza něco,
co lze využívat lehkovážně nebo nahodile.
Požádali jsme firmy, které jsou v této
oblasti nové, i zkušené profesionály, aby
se podělili o své zkušenosti.
Doporučují začít v malém, úzce spolupracovat s firemními odděleními na
definici problému, neustále testovat
a zdokonalovat model, předávat výsledky
v pojmech, kterým mohou porozumět
osoby se zodpovědností za podnikové rozhodování, a především se ujistit, že firma
bude ochotna na základě těchto předpovědí jednat.
Predikce pro sportovní utkání
Analytická skupina týmu NBA (severoamerická národní basketbalová liga) Orlando Magic strávila plné dva roky zdokonalováním svých schopností v oblasti
podnikání.
„Před dvěma lety jsme o prediktivní analýze nevěděli prakticky nic,“ tvrdí Anthony
Perez, ředitel obchodní strategie pro franšízu NBA.
Zatímco jeho tým pracoval na prediktivní analytice částečně již předtím, Perez
dodává, že jejich nástroje nebyly dostatečně výkonné, aby jim poskytly potřebné
postřehy, takže je to celé stálo velké úsilí.
Perez tedy koupil nový výkonnější software od SAS a začal vzestup po křivce
učení.
Dnes je zavedenou praxí nejen pomoc
při optimalizaci prodeje lístků, ale také
poskytování nástrojů usnadňujících trenérům předvídat nejlepší sestavy pro každý
basketbalový zápas a informace, kteří potenciální hráči nabídnou za vynaložené
investice nejlepší hodnotu.
Perezův tým začal pomocí analytických modelů předpovídat, které zápasy bu-
BU S I N E S S I N T E L L I G E N C E 2012
BI-zlom.indd 12
24.10.12 13:13
dou vyprodány a o jaké bude zájem menší.
Pokladna potom tyto informace používá k úpravě cen s cílem maximalizovat návštěvnost a zisk.
„Poslední sezonu jsme měli největší obrat
ze vstupenek v historii naší franšízy, přestože
jsme z důvodu výluky hráli jen 34 zápasů
v sezoně, která ale dovoluje mít až 45 zápasů,“ popisuje Perez.
Nyní jsou tyto modely používány
a ceny upravovány každý den.
Pokud se Pereze zeptáte, jak jsou využívány k předpovědím pro sestavení nejlepších týmů a herní strategie, je už méně
otevřený. „To je tajemství, o kterém nikdo
nemluví,“ odpovídá.
I když je to vše stále poměrně v zárodku, také další organizace postupují po
křivce učení prediktivní analytiky.
Je to disciplína dolování dat s předpovědí, která kombinuje algoritmické modely s historickými údaji za účelem zodpovězení otázek, například jak je pravděpodobné, že si daný zákazník zase koupí
lístek platící na celou sezonu.
Modely přiřadí tyto pravděpodobnosti
pro každou osobu. Podnik pak může na
základě takových údajů připravit opatření.
Další analýza se pak může použít k předpovědi, jak úspěšné mohou být různé zvažované kroky.
Nalezení vhodného použití
„Společnost Procter & Gamble (P&G) produkující spotřebitelské výrobky intenzivně využívá analytiku k předvídání budoucích
trendů, ale nebylo to tak vždy,“ říká Guy
Peri, tamější ředitel business intelligence
v divizi Global Business Services.
„Dříve jsme jen sledovali údaje z minulosti, ale zhruba před půl rokem došlo k významné pozitivní změně. Nyní využíváme
pokročilou analytiku, abychom byli lépe připraveni na budoucnost a dokázali při řízení
zohlednit výjimky, což znamená separaci
anomálií za účelem rozpoznat a připravit se
na skutečné trendy,“ prohlašuje Peri.
P&G používá prediktivní analytiku pro
všechno – od projektování růstu trhů
a tržních podílů po předvídání, kdy selže
výrobní zařízení. Vizualizace pomáhá manažerům v rozhodování, které události
jsou běžnými obchodními odchylkami
a jaké vyžadují zásah.
„Zaměřujeme se na skutečně důležité záležitosti,“ tvrdí Peri.
Je potřebné reagovat s jasným pochopením obchodních okolností, a to vyžaduje spolupráci.
„Musíme přesně znát problematiku a potřebnou odezvu, když se vrátí výsledky,“ vysvětluje Peri.
Je také důležité udržet soustředění na
danou oblast. Ztráta kontroly může rychle
zničit vaši důvěryhodnost, připomíná
Peri.
Hned na začátku P&G vyvinula model
pro odhady budoucích podílů na trhu pro
regionální obchodní lídry v oblasti podnikání, kterou nechtěl specifikovat. Fungovalo to, dokud se společnost nepokusila
použít tentýž model pro naplnění potřeb
lídrů v dalších oblastech.
V těchto případech bylo potřeba stanovit větší podrobnosti, ale jeho skupina se
pokusila použít stejný, už jednou použitý
model.
„Tento model se ale stal nespolehlivým
a podkopal důvěryhodnost původních analýz, které ale byly zcela přesné,“ popisuje
nepříjemnou zkušenost Peri.
Noví uživatelé podle Periho musí udělat několik kroků, aby mohli začít: Najmout si školeného analytika, který ví, jak
příslušný model vyvinout a jak jej použít
pro obchodní problematiku, jak najít
správná data, která je potřebné do něj vložit, či jak získat podporu obchodních manažerů nebo podporovatele z řad vyššího
managementu, kteří budou řešení dále
prosazovat.
„Všimněte si, že jsem nezmínil nástroje,“
upozorňuje Peri. „Odolejte pokušení koupit
za spoustu peněz kus softwaru, o kterém si
budete myslet, že bude řešit veškeré vaše
problémy. Takový prostě neexistuje.“
Nemusíte tedy do svých prvních pár
projektů investovat tolik. Místo toho
vložte peníze do školení zaměstnanců
v oblasti pokročilého modelování za pomoci tabulek.
„Chcete-li začít, lze všechno zvládnout
i pomocí klasického Excelu. Prozkoumávat
pokročilejší nástroje na úrovni platforem je
potřeba jen tehdy, když chcete svůj záběr
rozšířit,“ radí Peri.
Těsná spolupráce s uživateli
Bryan Jones začal s omezeným rozpočtem, ale to není hlavní důvod, proč jeho
první snaha o využití prediktivní analýzy
skončila neúspěchem.
Tento ředitel pro hodnocení výkonnosti
u organizace poskytující poštovní služby
chtěl využít prediktivní analytiku k tomu,
aby pomohl určit, které reklamace byly
s největší pravděpodobností podvodné.
Po osmi měsících práce měl funkční
model, ale nezávislá analytická skupina
pracující na projektu nebyla s oddělením,
které mělo tento nástroj využívat, plně
propojena. V důsledku toho byl tabulkový
výstup zasílaný každé kanceláři z velké
míry ignorován.
Naštěstí měla Jonesova skupina neochvějnou podporu vrchního inspektora.
„Pokud nemáte podporu od vedení, jste jak
mrtvola plovoucí ve vodě,“ varuje Jones.
Napodruhé si Jones najal poradce,
který mu pomohl s modelováním a přípravou dat. Zajistil také, aby byl z každé skupiny, která měla výsledky využívat, přítomen jejich analytik.
„Využíváme pokročilou analytiku, abychom byli lépe připraveni na budoucnost a dokázali při řízení zohlednit výjimky.“
GUY PERI, ŘEDITEL BUSINESS INTELLIGENCE JEDNÉ Z OBCHODNÍCH DIVIZÍ SPOLEČNOSTI PROCTER & GAMBLE
w w w.c i o.c z | w w w.c w.c z
BI-zlom.indd 13
13
24.10.12 13:13
Překonání podnikové skepse
„Přestože najmutí konzultanta může s některými technickými detaily pomoci, je to jen část problému,“ říká John Elder, ředitel poradenské společnosti Elder Research.
„Více než 16 let jsme poskytovali řešení pro technické problémy, kde jsme byli požádáni o pomoc,
ale jen dvě třetiny z nich bylo nakonec implementováno.“
Obecným problémem je, že lidé, kterým by měl model pomoci, ho nakonec nepoužívají. „Jako
technicky zaměření lidé musíme odvádět lepší práci při nabídce modelu pro podnikové prostředí
a při vysvětlování jeho přínosu,“ připomíná Elder.
Grafické mapy, jež jsou výsledkem analýz, jsou jako data mnohem využitelnější
než samotná surová čísla, prohlašují jejich
realizátoři. Výsledky jsou díky nim pro
uživatele reálnější.
Pro skupinu vyšetřující podvodné
smlouvy například jeho tým umístil výsledky do webové interaktivní mapy, která
zobrazuje každou smlouvu jako kruh –
s většími kruhy představujícími největší
náklady a červenými kruhy znamenajícími nejvyšší riziko podvodu.
Vyšetřovatelé potom mohou kliknout
na kruhy, a dostanou se tak k podrobnostem o každé smlouvě a k souvisejícím
smlouvám, kterých se riziko týká.
„Potom si lidé začali uvědomovat, že skutečně máme něco, co by jim mohlo pomoci,“
popisuje Jones.
Nyní k němu chodí různá oddělení se
svými dalšími požadavky a ze své vlastní
skupiny přiřazují někoho, kdo bude s týmem Jonese spolupracovat.
Jakmile je výstup připravený, vrátí se
tato osoba ke své původní skupině a naučí
ostatní, jak ho začít využívat. Jones zatím
nemá přesná čísla o úspěšnosti jeho predikcí, ale už teď se to projevuje ve zvýšeném množství zatčení, zachráněných financí a dalších metrikách.
Objevily se i další neočekávané výhody.
„Teprve nyní lidé pochopili, jak moc jim
můžeme být prospěšní. To je přínos, který
jsme neplánovali,“ pochvaluje si Jones.
Noví vyšetřovatelé, kteří nemají
spousty let zkušeností a konexe, mohou
okamžitě nasadit stejné tempo jako jejich
starší spolupracovníci. „Tyto nástroje vyrovnávají i pracovní podmínky,“ domnívá se
Jones.
Jones tedy radí: Získejte těsný vztah
s koncovým uživatelem, využijte při vytváření svého prvního modelu odbornou pomoc
a prezentujte výsledky přesvědčivým
a snadno srozumitelným způsobem.“
„Neměli jsme pro náš začátek správné lidi
ani odbornost. Ani jsme nevěděli, co nevíme,“ vzpomíná Jones, takže se obrátili na
externího odborníka na dolování dat, aby
jim pomohl s modely.
„Tento vztah nám pomohl pochopit, proč
jsme byli neúspěšní, a uchránil nás od opakování stejné chyby.“
14
Organizování analytiky
Určení, kdo a kde bude analýzy uskutečňovat, může být stejně kritickým faktorem úspěchu jako dovednosti týmů, prohlašují odborníci.
Měli byste je integrovat do struktury
IT, vytvořit pro ně nezávislou skupinu,
nebo tuto funkci integrovat do každého firemního oddělení?
Máme tu kompromisy:
■ Varianta 1:
Analýzy v rámci provozu IT
Personál IT má odborné znalosti pro práci
s daty. Vytvoření analytického týmu jako
součásti IT může být rozumné i účelné
a vztah spolupráce může podpořit rychlejší integraci analýz s dalšími podnikovými aplikacemi.
Bez těsné součinnosti s koncovými uživateli však takové skupiny riskují vytvoření sice skvělých modelů, které ale nebude nikdo používat.
„Analytické skupiny mohou být také pohlceny firemní IT strukturou,“ varuje John
Elder, ředitel poradenské společnosti Elder Research.
„Já bych je nevytvářel v rámci IT, protože
by je mohly pohltit jiné priority.“
■ Varianta 2:
Ať každé firemní oddělení založí
svou vlastní analytickou skupinu
Ustavení datových analytiků v rámci jednotlivých oddělení zajišťuje jejich soulad
s podnikovými potřebami a usnadňuje
spolupráci. Vztah s oddělením IT, které
spravuje data, však nemusí být dostatečně
blízký.
Zatímco analytici mohou požadovat
inovace, oddělení IT se může více zajímat
o dostupnost systému a zajištění výkonu.
„Někteří členové oddělení IT mohou vnímat analytiku dokonce jako otravnou záleži-
BU S I N E S S I N T E L L I G E N C E 2012
BI-zlom.indd 14
24.10.12 13:13
tost,“ upozorňuje Dean Abbott, prezident
poradenské společnosti Abbott Analytics,
„protože to znamená v jejich pracovní době
více hodin věnovaných něčemu, o co se
vlastně nestarají.“
■ Varianta 3:
Vytvoření skupiny sdílených služeb
Tento přístup umožňuje standardizaci
společného souboru modelů a metod, odstranění redundance a rovněž zvýšení produktivity.
Existence této skupiny mimo podnikový tým však může snížit zájem ze strany
firmy, jak zjistil Bryan Jones z významné
organizace poskytující poštovní služby.
„Nedařilo se nám získat pozornost, protože jsme byli vnějším subjektem,“ popisuje,
takže nasadil analytiky přímo do podnikových skupin.
Dnes však jsou posíláni auditoři a vyšetřovatelé k němu, aby pomohli vytvořit
nové modely. „Teď jsme opět skupinou organizační podpory,“ dodává Jones.
Také Procter & Gamble má skupinu
sdílených služeb, která se zodpovídá řediteli IT, ale obsahuje cca 300 analytiků
v jednotlivých odděleních, kteří pracují
jako „důvěryhodní poradci“ šéfů společnosti, uvádí Guy Peri, tamější ředitel pro
business intelligenci.
Použitím agilního vývojového modelu
může skupina vyladit současný model do
24 hodin, nasadit nový do 30 dnů a rozšířit dobrý model i pro další podniková oddělení během 90 dnů.
„Nakonec správné rozhodnutí závisí na
existující struktuře organizace,“ tvrdí Gareth Herschel, analytik Gartneru.
„Pokud jste příliš soustředěni okolo IT,
nechte je jako součást IT. Pokud mají vaše
podniková oddělení velmi rozdílná zaměření,
integrujte analytické skupiny do jejich struktury. A pokud mají podniková oddělení
stejné zákazníky i dodavatele a dochází
k překryvu produktů, použijte skupinu sdílených služeb.“
Přesvědčit osoby s rozhodovací pravomocí, aby využívaly výsledky analýz, může
být stejně obtížné jako nejprve zajistit jejich účast v projektu.
„Předpovědi totiž mohou být přesným
opakem toho, co jim řekne jejich obchodní
intuice,“ vysvětluje Anne Robinsonová,
prezidentka institutu Informs (Institute
for Operations Research and the Management Sciences), který se profesionálně zabývá oblastí podnikové analýzy.
„Když se začnete více zajímat o analýzy,
jde to proti intuici. Prospěch však přinášejí
právě odchylky od toho, co děláte, protože
když jsou výsledky intuitivní, zjistíte, že to už
tak dělá většina lidí.“
Před několika lety vytvořilo Cisco Systems modely „tendence k nákupu“, aby
pomocí nich zjistilo pravděpodobnost, zda
budou zákazníci nakupovat v právě probíhajícím čtvrtletí, v tom dalším nebo nikdy.
Tyto modely pokrývají všechny výrobky
ve všech oblastech prodeje. Prodejci si
mysleli, že již vědí, co někteří lidé identifikovaní podle modelu budou kupovat,
takže Cisco při výpočtu návratnosti tohoto
modelu tyto prodeje vyloučilo.
„První rok jsme stáli za nárůstem obratu
v hodnotě jedné miliardy dolarů,“ uvádí
Theresa Kushnerová, ředitelka Customer
and Influencer Intelligence ve společnosti
Cisco. „Měli jsme už zkušenost postavit se
proti tomu, o čem jiní byli přesvědčeni.“
Také Peri se nepříjemně poučil, že až
80 % projektu prediktivních analýz je kulturního charakteru.
„Naivně jsem si myslel, že když mám model, který dělá všechny tyto skvělé věci, bude
vše fungovat. Musíte si však být vědomi toho,
jak se lidé rozhodují a jak to bude tento proces transformovat.“
P&G jednou vyvinula model, jenž měl
poskytovat „včasné varování“ ohledně
toho, jaké výsledky budou mít jednotlivé
podnikové divize.
„Bylo to vlastně docela přesné, ale varo-
vání byla podána takovým způsobem, že lidé
nechápali, jak by na ně měli reagovat, takže
nedošlo k aktivním rozhodnutím, což byl původní záměr,“ vzpomíná Peri.
Poučení: Analytika je cenná jen tehdy,
když na základě takové informace dojde
k nějakému opatření.
Lidé se také mohou cítit analytikou
ohroženi. „Existuje tu nejprve obava, že model má určovat konečné rozhodování nebo že
nebude respektovat obchodní znalosti uživatele,“ tvrdí Peri.
Uživatelé proto musí pochopit, že prediktivní model slouží jako nástroj pro podporu rozhodování a jak mohou tento výstup využít ve svých vlastních rozhodovacích procesech.
„Neztrácejte čas přesvědčováním lidí, aby
modelu věřili,“ radí Kushnerová z Ciska.
Namísto toho udělejte test a prezentujte
výsledky. Tímto způsobem nezpochybníte
jejich znalosti vy – udělá to věda.
„To je matematika, to je statistika, to je
fakt. Máte vlastní experiment, který postavíte proti tomu, o čem jsou oni sami přesvědčeni.“
Nakonec je ale prediktivní analýzy přinutí konfrontovat způsoby rozhodování
založené na datech a intuici, myslí si Eric
Siegel, prezident společnosti Prediction
Impact, která v oblasti analytiky dělá školení a organizuje konference.
„Je to velká ideologická bitva. Je to doslova jako náboženská debata.“
Získání dostatečně dobrých dat
Po technologické stránce může být jak vytváření modelu, tak i příprava dat místem,
kde lze udělat chybu. Prediktivní analytika je umění i věda. Vyžaduje čas a úsilí
k vytvoření prvního modelu a získání
správných dat.
„Jakmile vytvoříte první, je tvorba
příštího modelu mnohem levnější – za předpokladu, že používáte stejná data. Analytici,
kteří vytvářejí nový a zcela odlišný model využívající jiné údaje, naopak mohou zjistit, že
projekt je stejně časově náročný jako ten
první,“ říká Abbott.
„Rychlost procesu závisí také na množství
zkušeností.“
Problematika přípravy dat může projekt rychle vykolejit.
„Dodavatelé softwaru tento bod přeskakují, protože všechna data v demonstračních
verzích již byla zadána ve správném formátu,“ varuje Siegel.
„Nepouštějí se do toho, protože je to největší překážka z technického pohledu realizace projektu a nelze to zautomatizovat. Je
to programátorská práce.“
Když Perez z týmu NBA Orlando Magic v roce 2010 začínal, podle svých slov
velice špatně vypočítal čas potřebný na
přípravu dat.
w w w.c i o.c z | w w w.c w.c z
BI-zlom.indd 15
15
24.10.12 13:13
„Neměli jsme správná očekávání. Všichni
jsme si mysleli, že to bude jednodušší, než to
nakonec bylo,“ vzpomíná.
Sloučení dat z aplikace Ticketmaster
od dodavatelů koncesí a dalších obchodních partnerů do datového skladu trvalo
mnohem déle, než se předpokládalo.
„Uplynula téměř celá sezona bez existence
našeho plně funkčního datového skladu. Nejvýznamnější věcí, kterou jsme se naučili, je,
že to opravdu vyžaduje trpělivost,“ konstatuje Perez.
„Co se týče kvality dat, je každý v rozpacích,“ uvádí Elder, ale čekat, až se všechny
problémy vyřeší, je také chyba. Elder
tvrdí, že data, na kterých opravdu záleží,
jsou obvykle v dobrém stavu. „Přemlouvám lidi, aby postupovali dopředu a udělali
tzv. salát – potom uvidí, co lze získat,“
popisuje.
Ve společnosti Blue Health Intelligence
(BHI) neměli žádné problémy s daty
o zdravotní péči pacientů ze svých 39 poboček, ale s daty o mnoha milionech lidí
za sedm let bylo problémů mnoho.
„Zdravotní péče je, co se týče využití analytiky, pozadu kvůli složitosti dat,“ uvádí
Swati Abbotová, výkonná ředitelka BHI.
„Lidé mají tendenci honit se za daty, přestože nevědí, proč je potřebují.“ Klinické poznatky musejí přijít na řadu jako první,
zdůrazňuje. „Teprve potom přijde na řadu
matematika.“
BHI vyvinula modely předpovídající
vhodnost hospitalizace nejrizikovějších
pacientů – například kdo má odvratitelné
riziko, kdo by s největší pravděpodobností
reagoval na intervenci a jaké akce by pravděpodobně v jednotlivých případech pacientů zabraly.
Zpočátku se v BHI zaměřili na pacienty
s cukrovkou s vysokým rizikem hospitalizace – tedy na skupinu, u které se oče-
16
kává, že bude globálně stát zdravotní pojišťovny za pár let biliony korun.
„První kolo analytických projektů nebylo
úspěšné, protože koncoví uživatelé nebyli dostatečně angažováni. Stalo se z toho cvičení
IT,“ dodává Abbotová.
Protože zprávy nesdělovaly nic o důvodech, proč by konkrétní pacient měl mít
vyšší riziko, kliničtí profesionálové si toho
nevšímali.
Abbotová tedy zajistila, aby byly v modelu patrné příčiny rizika a sdělovalo se
nejen to, kdo má vysoké riziko, ale také
proč a jaké intervence by mohly s vysokou
pravděpodobností zlepšit výsledek.
„Zajistěte transparentnost,“ radí Abbotová, „a předkládejte informace správným
způsobem, aby nenarušovaly obvyklé pracovní postupy.“
Nejprve iterace, později změna
velikosti
„Ve firmě Intuit začínají všechny projekty
v malém měřítku a procházejí přes neustálé
cykly zlepšování,“ říká George Roumeliotis, tamější vedoucí týmu datové vědy.
„Náš proces využívá iterace a malé měřítko
před přechodem na to velké.“
Tato firma nabízející finanční služby
začala používat prediktivní analytiku k optimalizaci svého marketingu či pro zvýšení
prodeje a nyní se zaměřuje na optimalizaci
zkušenosti zákazníků s jejími produkty.
Intuit vyvinul prediktivní algoritmy
úloh k předpovědi, jak budou zákazníci
třídit transakce v různých finančních
produktech, a předkládá klientům návrhy, když začínají s novými finančními
operacemi.
Nabízí také iniciativně obsah a rady,
když zákazníci využívají produkty společnosti, a snaží se předvídat otázky dříve,
než je uživatel vznese.
„Začněte s jasně formulovaným obchodním výsledkem, vytvořte hypotézu o tom, jak
tento proces k tomuto výsledku přispěje,
a pak proveďte experimentální nasazení,“
radí Roumeliotis.
Prostřednictvím testování mohou analytici získat důvěru vedoucích pracovníků
firmy. Mohou rovněž vytvořit paralelní
obchodní procesy a demonstrovat měřitelné zlepšení. „Jen se ujistěte, že vyberete
existující podnikový proces, který lze optimalizovat s minimálním rizikem pro podnikání,“ radí Roumeliotis. „Zákaznická podpora, udržení klientů a uživatelské zkušenosti jsou skvělými místy, kde lze začít.“
Zatímco projekty prediktivní analytiky
mohou vyžadovat významné počáteční investice, studie jejich návratnosti ukazují,
že mají obrovský vliv, jak ukazuje zkušenost firmy Cisco.
Dokonce i malé projekty mohou mít
obrovský dopad na podstatné oblasti. „Prediktivní analytika se týká předvídání a transformace celé společnosti,“ uvádí Peri.
„Rizika jsou vysoká, ale stejně tak i zisk,“
myslí si Robinsonová z institutu Informs.
„Reagujte na to, co jste se naučili, a budete
úspěšní.“
Použité podklady
Použití zde uvedených osvědčených postupů
vám umožní úspěšně využívat prediktivní
analytiku. K článku jsme využili zdroje, které
nám poskytli tito jednotlivci a organizace:
Guy Peri, Procter & Gamble; George Roumeliotis, Intuit; Dean Abbott, Abbott Analytics;
Eric Siegel, Prediction Impact; Jon Elder, Elder Research a Anne Robinsonová, Informs
(The Institute for Operations Research and
the Management Sciences).
BU S I N E S S I N T E L L I G E N C E 2012
BI-zlom.indd 16
24.10.12 13:13
DŘÍVE
NYNÍ
Požadavek na změnu
Požadavek na změnu
Model Driven Architecture
Změna se do jednotlivých komponent zadává ručně
Automatizace procesu zadávání změn
Automatické testy
BI-zlom.indd 17
Reporty
Instalační
skript
Extract-Transform-Load
ETL
WIKI
Automatické testy
Reporty
Instalační
skript
Extract-Transform-Load
WIKI
ETL
24.10.12 13:13
Manažerský informační systém pomáhá
provést Zdravotní pojišťovnu ministerstva vnitra
bouřlivými vodami
péče, financí a procesů – významných pro
Spolehlivě předpovídat budoucnost je nemožné, ale ti, kdo
zajištění kvalitních služeb svým pojištěnvnímají lépe vazby a složitosti současné situace, se dovedou
cům, pro optimalizaci obchodních vztahů
se smluvními zdravotnickými zařízeními
snadněji rozhodovat a odhadovat budoucí vývoj. Úkolem
zvyšování efektivity a konkurencemanažerů každé společnosti je co nejlépe posoudit současný stav a pro
schopnosti podnikání ZP MV ČR a její
a pozici podniku na trhu, jeho příležitosti a hrozby. Každá velká
schopnosti rychle a flexibilně reagovat na
změny vnitřního a vnějšího prostředí.
změna je signalizována příznaky, které ji předcházejí. Hodnota
včasné informace pak spočívá v tom, že vedení má dostatečný
Naše řešení
Společnost Komix byla pro ZP MV ČR
čas k přijetí patřičných rozhodnutí o adekvátní reakci na
zajímavá svými specifickými znalostmi
signalizovanou změnu.
podnikání zdravotní pojišťovny, získaný-
Charakteristika zákazníka
Zdravotní pojišťovna ministerstva vnitra ČR (ZP MV ČR), založená v roce
1992, je s 1,2 milionu pojištěnců největší
zaměstnaneckou zdravotní pojišťovnou
v ČR. Má rozsáhlou síť více než 25 000
smluvních zdravotnických zařízení po
celé ČR, díky nimž zajišťuje svým pojištěncům kvalitní, dostupnou a moderní
zdravotní péči. V posledních letech výrazně podporuje prevenci a zdravý životní
styl prostřednictvím projektu Zdraví jako
vášeň s Pavlem Křížem. Od září roku 2009
ZP MV ČR svým klientům nabízí unikátní
elektronický produkt Karta života, jehož
součástí je mj. i osobní účet klienta s údaji
o výdajích na zdravotní péči za poslední
tři roky. Karta života je klientům k dispozici po zadání PIN a hesla na internetu
a od roku 2011 i na chytrém telefonu.
Údaje z ní mohou klienti získat na svůj
mobil i prostřednictvím SMS zprávy.
Výchozí situace zákazníka
Sílící konkurenční tlaky v systému zdravotního pojištění ČR ve druhé polovině
devadesátých let přiměly ZP MV ČR hledat dostatečně kvalitní, přesný a komplexní nástroj k získávání, analýze a reportování dat – zejména z oblasti zdravotní
Příklad výběru: Stavy a porovnání počtu pojištěnců podle jednotlivých poboček ve vybraných letech
18
mi během více než pětileté spolupráce
s Oborovou zdravotní pojišťovnou (OZP).
V roce 2001 byl spuštěn společný projekt
DAPO – vytváření a rozvoj datového portálu. Rozsah služeb poskytovaných společností Komix se neomezil na dodání hotového nástroje, ale obsahoval i aktivní
účast na návrhu celého systému včetně
koncepce a obsahu generovaných reportů.
Systém DAPO integruje informace
z provozních systémů, zpracovává stanovený reporting a poskytuje nástroje pro
zpracování ad hoc dotazů. Údaje jsou podle stupně oprávnění poskytovány pracovníkům pojišťovny na intranetu v prostředí
portálu. DAPO zpracovává a kombinuje
informace z oblasti zdravotního pojištění
i z oblasti účetnictví, a díky portálovému
řešení umožňuje i začlenění dalších informačních systémů. V prostředí portálu je
rovněž vybudováno call centrum. V první
verzi byl datový portál postaven na technologii společnosti MicroStrategy.
Projekt se úspěšně rozvíjel a během následujících let byla vytvořena řada datových skladů a datových tržišť. I když datový portál ZP MV ČR představoval ve své
době moderní a mocný nástroj pro podporu řízení, byl zde prostor ke zlepšení:
jakékoliv úpravy definovaných výkazů
vyžadovaly zapojení specialistů IT a uživatelé se také často potýkali s nepříjemně dlouhými odezvami systému. To byla
tehdy ovšem standardní situace všech řešení business intelligence.
Roku 2008 přišla společnost Komix
s námětem vylepšení systému na bázi zajímavého produktu QlikView a nové technologie IMA – In Memory Analysis. Tato
technologie řeší problém dlouhých odezev
pramenící z nutnosti neustálé komunikace s databázovými servery, kde jsou uložena jak zdrojová data, tak informace
BU S I N E S S I N T E L L I G E N C E 2012
BI-zlom.indd 18
24.10.12 13:13
© Kurhan – Fotolia.com
o struktuře datového skladu. QlikView
ukládá data v komprimované podobě do
operační paměti, a díky patentované asociativní technologii je schopno výrazně
zkrátit doby odezev – třeba místo deseti
minut na jednotky vteřin.
ZP MV ČR byla jedním z prvních zákazníků, u něhož byl produkt QlikView na
tak velká data nasazen. Prvním realizovaným projektem byl převod datového tržiště „Kmen pojištěnců“. I u zákazníka se
plně potvrdily již otestované vlastnosti,
zejména pak zkrácení doby odezvy z minutových časů na odezvy v podstatě okamžité či maximálně několikavteřinové. Po
úspěšném ověření pak bylo rozhodnuto
převést k začátku roku 2010 do prostředí
QlikView celé existující řešení.
Vysoký komfort práce pro koncového
uživatele se logicky projevil i v počtu koncových uživatelů. Po přechodu celého řešení se počet koncových uživatelů navýšil
z cca 15 na více než 100 a dále narůstá.
Nezanedbatelnou výhodou pro zákazníka
je také skutečnost, že koncoví uživatelé
systému nyní pracují s aplikacemi zcela
intuitivně a nevyžadují žádná speciální
školení. Podstatným způsobem klesly požadavky na vytváření reportů či ad hoc
analýz specialisty IT. Uživatelé jsou
schopni si potřebné analýzy dělat sami.
Hodnocení – přínos pro zákazníka
Analytické informace o aktuální situaci
i trendech ve všech významných oblastech podnikání ZP MV ČR nejsou dnes vý-
sadou několika jedinců ve vedení či ve
specializovaných útvarech, ale jsou dostupné všem zaměstnancům, kteří je potřebují pro svoji práci. To umožňuje jak
rychlejší, kvalitnější a operativnější rozhodování na všech úrovních řízení, tak
i lepší komunikaci mezi vedením společnosti a jejími zaměstnanci. Použitá technologie podporuje delegování některých
rozhodnutí z úrovně vrcholového vedení
na střední management v duchu nejmodernějších trendů v řízení organizací
(každý pracovník v organizaci má k dispozici informace, které potřebuje ke svému rozhodování).
ZP MV ČR je dnes podle publikovaných finančních i výkonnostních parametrů jednou z nejlépe hodnocených zdravotních pojišťoven ČR, která se díky kvalitnímu řízení velice dobře vypořádává
s náročnými situacemi a požadavky, jimž
v turbulentním prostředí českého zdravotnictví posledních let musí čelit. Výsledky
hospodaření ZP MV ČR dokazují, že její
ekonomická situace je dlouhodobě stabilní. Lékaři a zdravotnická zařízení řadí
ZP MV ČR k nejspolehlivějším zdravotním pojišťovnám s komplexními, kvalitními a flexibilními službami a velmi dobrou platební disciplínou. A svou zásluhu
na těchto výsledcích ZP MV ČR má i manažerský informační systém vyvíjený společností Komix.
www.analyzyareporting.cz
Pět věcí, které potřebujete vědět o sociální analytice
CHRIS KANARACUS
1
Stal se z toho velký byznys. Weby jako Facebook a Twitter pomáhají organizacím uvádět na trh nové produkty a služby, ale umožňují
také zákazníkům sdílet svou nespokojenost
mezi milionovým publikem.
Řada dodavatelů přišla s nástroji, obvykle založenými na cloudu, které dokážou sledovat,
shromažďovat, analyzovat a reagovat na konverzace v sociálních sítích.
Tyto produkty mají zásadní význam pro společnosti, které chtějí chápat, jak jsou vnímány
v on-line světě, jak tvrdí Zach Hofer-Shall, analytik agentury Forrester Research.
„Sociální web je prostě příliš velký, příliš
rychlý a příliš zaplněný irelevantním obsahem
a spamem, než aby ho bylo možné samostatně
zvládnout,“ uvádí Hofer-Shall ve své nedávné
zprávě.
2
Trh dozrál. Divize Radian6 společnosti
Salesforce.com byla založena v roce 2006
v podobě nezávislého dodavatele, prohlašuje
Rob Begg, viceprezident marketingu pro Radian6.
„Tenkrát byl sociální obsah spojen zejména
s rychlostí a hlavním cílem byly vztahy s veřejností a marketing značky,“ popisuje Begg.
Jak technologie postupovala, přesunulo se sociální naslouchání díky pokrokům v oblasti zpracování přirozeného jazyka a dalším technickým
oblastem směrem k získání hlubších poznatků
o zákaznících, vysvětluje Begg.
3
Pro pořizování je nyní komplikovaná
doba. Podniky hodnotící trh ‚naslouchacích platforem‘ mají před sebou těžký úkol, uvádí
ve své zprávě Hofer-Shall.
„Tato oblast je už doslova přeplněna dodavateli a rozlišování mezi nimi může být proto poměrně obtížné.“
Vlna nedávných fúzí a akvizic situaci nevyřešila a velcí dodavatelé analytických nástrojů jako
IBM a SAS Institute nedávno také uveřejnili své
pokročilé produkty zaměřené právě na sociální
sítě.
4
Ředitelé IT neurčují směr. Radian6
jedná při prodeji svých služeb především
s manažery ze sféry marketingu a zákaznicky
orientovaných služeb.
„Ředitelé IT by měli ve svých organizacích zvážit své zapojení do iniciativ zaměřených na sociální sítě,“ prohlašuje Jeremy Epstein, viceprezident marketingu společnosti Sprinklr, která je
konkurentem pro Radian6. „Je tu skutečně vzrušující příležitost být zdrojem inovací.“
Kromě toho mohou sociální analýzy ovlivnit
provoz služeb firmy, právní či personální oddělení a další oblasti zájmu CIO, dodává Epstein.
5
Netýká se to jen marketingu. Jason Thatcher, docent na Clemson University, měl
studenty, kteří využívali nové školní kontrolní
centrum sociálních sítí, které užívá ve svých podnikových přednáškách ke sledování měnového
trhu.
Vytvářeli pomocí něj obchodní algoritmy,
které označovaly významné prodejní a nákupní
trendy. Myslí si tedy, že sociální analýzy mají širokou použitelnost včetně rizik vývoje produktů
a dodavatelského řetězce.
Thatcher dále uvádí, že jejich laboratoř
v Clemsonu navštívily desítky společností z různých průmyslových odvětví a „všichni mohli vidět
jiné použití tohoto nástroje“.
w w w.c i o.c z | w w w.c w.c z
BI-zlom.indd 19
19
24.10.12 13:13
Inteligentní výroba s pomocí BI analýz
J I Ř Í R ÁKO SNÍ K
Ž
e řízení výroby a business intelligence analýzy nejdou dohromady? Omyl – v současné době o propojení obchodní
a manažerské analytiky s výrobními procesy mají výrobní
podniky velký zájem. Mohou tak totiž snadno a rychle vyhodnocovat důležité ukazatele, adekvátně na ně reagovat a vyrábět tak
efektivněji, rychleji a levněji než dříve. A správné informace včas
přinášejí náskok před konkurencí!
Business intelligence analýzy byly dříve určené především pro
vyšší management velkých korporací. Díky dostupnosti moderních technologií mohou jejích výhod, ku prospěchu celé organizace, nově využít i střední a menší společnosti a všichni jejich
řídicí pracovníci. Jedním z nastupujících trendů je totiž oblast
samoobslužného BI, kdy si může vybraná data analyzovat každý,
kdo k tomu má oprávnění, za pomocí jednoduchých nástrojů
v prostředí podobném kancelářským aplikacím.
Mezi hlavní výhody BI analýz patří dynamické výstupy a rychlost zpracování velkého množství dat. Včasné a přesné informace
lze využívat k pružné a rychlé reakci na změny vývoje obchodních aktivit. Pomocí business intelligence pro výrobní organizace
mimo lze například provádět vyhodnocení sledovaných ukazatelů
a detailní analýzu u vybraných zakázek, získat celkový přehled
vyhodnocení zakázek v čase, analyzovat nárůstové a denní pracnosti a vyhodnocovat vybrané ukazatele v průběhu času.
Bez technologií business intelligence mohou přitom uživatelé
narážet mimo jiné na nemožnost rychle a pružně měnit kritéria
dotazu a jejich kombinaci, obtížné zobrazování agregovaných dat
a detailních hodnot, vysokou výpočetní a časovou náročnost,
problémy s velkým objemem analyzovaných dat a v neposlední
řadě na neúplnost a nekonzistentnost dat. Ideálním řešením, jak
z hlediska rychlosti nasazení, ceny, rozsahu funkcionalit a možností přizpůsobení, je přitom integrace business intelligence
s podporou výroby v rámci jednoho ERP systému, který zastřešuje veškeré firemní procesy. Pojďme se podívat, jaké možnosti
nabízí podpora výroby v rámci ERP řešení.
skladů polotovarů při přípravě výroby je možné místo přikázání jejich výroby některé polotovary pouze vyskladnit, a zkrátit
tak celý výrobní cyklus. Se způsobem řízení skladových zásob
souvisí i plánování výroby. Plánovací systém, který má přímý přístup do skladu, umožňuje plánování podle aktuální dostupnosti
materiálu, podle vytížení hlavních i vedlejších výrobních zdrojů.
Dále umí aktivně pracovat s dodacími lhůtami materiálů a dodávku materiálů a dílů od subdodavatelů navrhuje zajistit tak,
aby požadované vstupy byly k dispozici těsně před plánovaným
použitím ve výrobě (JIT).
Byznys BI pro výrobu
Novinkou na českém trhu je business intelligence řešení připravené na
míru výrobním podnikům – Byznys BI pro výrobu. Díky moderním technologiím mohou BI nově využít i střední a menší společnosti a všichni jejich řídicí pracovníci. Bez drahých investic do databázového vybavení
může s pomocí jednoduchých nástrojů v rámci Byznys ERP analyzovat
každý, kdo k tomu má oprávnění. S pomocí Byznys BI pro výrobu lze například provádět vyhodnocení sledovaných ukazatelů a detailní analýzu
u vybraných zakázek, získat celkový přehled vyhodnocení zakázek v čase,
analyzovat nárůstové a denní pracnosti a vyhodnocovat vybrané ukazatele v průběhu času.
Podpora výrobních procesů v informačním systému
Komplexní podnikový informační systém ERP s integrovaným řízením výroby standardně umožňuje převádět automaticky do výroby požadavky obchodu zadané formou objednávek a podle TPV
procesů vytvářet výrobní příkazy k jejich zajištění. Výrobní příkazy se zaplánují na příslušná pracoviště a provede se automatická rezervace vstupního materiálu na skladech materiálu, na
kterou lze snadno navázat činnostmi souvisejícími s jeho zajišťováním u dodavatelů. Na základě zjišťování okamžitých stavů
20
BI-zlom.indd 20
Také funkce pro sledování výroby jsou přímo propojeny se
skladovými funkcemi pro výdej materiálů do výroby a příjem
výrobků, polotovarů a zmetků na jednotlivé sklady. Pracovní
výkony na zakázkách, výrobcích a pracovištích si jednotliví pracovníci mohou sami zadávat snímáním údajů z identifikačních
čipů a čárových kódů z výrobních průvodek. Tyto technologie
zaručují minimální chybovost, a proto lze zadávání provádět
v reálném čase. Pro fungování kvalitního řídicího a plánovacího
výrobního systému je zadávání výkonů v reálném čase nutnou
podmínkou. S ohledem na skutečné plnění výroby lze pak lépe
reagovat na nepředvídané problémy ve výrobě jejím častějším
operativním přeplánováním. Dlouhodobě se takto mohou zpřesňovat technologické časy pro jejich další využití při plánování
v budoucnu. Včasnost a přesnost takto vkládaných informací se
pak pozitivně promítá do kvalitnějších manažerských rozhodnutí.
Autor je obchodním ředitelem společnosti JKR, která je dodavatelem podnikových informačních systémů Byznys ERP.
BU S I N E S S I N T E L L I G E N C E 2012
24.10.12 13:13
Agilní vývoj urychlí nasazení BI
Máte pocit, že vaše výsledky ve sféře business intelligence jsou
poněkud zdlouhavé a neodpovídají potřebám vaší organizace?
Možná je na čase zkusit agilní BI, metodiku rychlého vývoje,
která nabízí brzké a časté vstupy od koncových uživatelů a zajistí
rychlé dodání funkčního BI.
B O B VI O L I NO
I
když je použití agilní metodiky vývoje softwaru významnou součástí agilního systému BI, v žádném případě to není jeho
jediná vlastnost – říká Boris Evelson, analytik společnosti Forrester Research.
Forrester definuje agilní BI jako přístup, který kombinuje procesy, metodiky,
nástroje i technologie a zároveň obsahuje
organizační strukturu, takže manažerům
pomáhá ve strategické, taktické a provozní oblasti při rozhodování, jak zvýšit
flexibilitu a schopnost reakce na neustále
se měnící obchodní a regulační požadavky.
„Agilní BI podle definice Forresteru má
implementováno zatím relativně málo organizací,“ uvádí Evelson. Na základě různých svědectví a diskuzí s klienty odhaduje, že ze všech organizací, které používají aplikace BI, pravděpodobně méně než
pětina uživatelů BI v těchto společnostech
využívá nějakou podobu agilního BI. Předpovídá však, že toto číslo stoupne v blízké
budoucnosti až na cca 80 %.
„Business intelligence se pro agilní přístup a agilní metodiku vývoje obzvláště
hodí,“ tvrdí David White, analytik specializující se na BI ve výzkumné organizaci
Aberdeen Group.
Výzkum provedený touto firmou
v únoru a březnu 2012 ukazuje, že organizace čelí třem významným problémům,
pokud jde o efektivní zajištění řešení BI,
které je opravdu cenné pro podnikání.
Za prvé rostou objemy dat a počet datových zdrojů pro BI. Za druhé se zmenšuje množství času, který mohou manažeři věnovat procesu rozhodování. A konečně za třetí se stále zvyšuje poptávka po
manažerských informacích.
Je zřejmé, že implementace business
intelligence musí být agilnější, aby manažeři mohli snadno najít potřebné informace v návaznosti na to, jak rychle se
mění podnikatelské požadavky.
„K dosažení tohoto cíle firmy musejí podrobně zkoumat své obchodní potřeby a vzít
je v úvahu při konfiguraci a nasazení BI softwaru,“ vysvětluje White.
Výzkum Aberdeenu ukazuje, že u organizací s nejagilnější implementací BI je
větší pravděpodobnost, že mají procesy
schopné zajistit naplnění podnikatelských
potřeb.
Dalším klíčem k úspěchu je intenzivně
zapojit koncové uživatele do procesu vývoje BI.
V téměř 70 % organizací, které
úspěšně nasazují agilní BI, dochází k intenzivní spolupráci mezi podnikovými zaměstnanci a personálem IT, uvádí Aberdeen. Taková interakce není tak běžná
u společností, které jsou méně agilní –
pouze 50 % z nich uvádí častou spolupráci
mezi IT a dalšími firemními odděleními.
„Dosažení potřebných interakcí ale nemusí být snadné,“poznamenává White.
„Vždy byla překážkou komunikační bariéra
mezi IT a zbytkem firmy.“
Pokud se má stát agilní BI realitou,
musí být tato bariéra odstraněna.
„Toto těsné zapojení a iterativní proces
jsou součástí agilní metodiky. A pro BI je to
velmi vhodné. Vývojáři pracující v těsném
kontaktu s firemními uživateli jsou velmi výkonní.“
Rychlé dodání
Organizace používající agilní BI tuto
schopnost využívají. Jedním z příkladů je
neziskové sdružení Kiva, které zajišťuje
půjčky mezi osobami přes internet, a pomáhá tak mírnit chudobu.
Před dvěma lety tato organizace zavedla nový datový sklad a aplikaci BI založenou na technologii Pentaho Agile BI,
aby zvládla svou rychle rostoucí zásobu
dat a nahradila stále více neefektivní ad
hoc analýzy procesu, které byly prováděny
pomocí tabulek.
Kiva od svého založení v roce 2005
rychle rostla, a to pomohlo prostředníkům po celém světě zajistit více než 200
milionů dolarů v mikroúvěrech od jednotlivých věřitelů. Od dubna 2011 organizace
celosvětově propojila více než 570 tisíc věřitelů, 131 mikrofinančních institucí a cca
450 dobrovolníků.
Nezisková organizace používá vývojovou open source platformu Pentaho k vytváření měsíčních, týdenních a programově specifických informačních panelů,
které produktoví manažeři a další finanční specialisté mohou využít ke sledo-
w w w.c i o.c z | w w w.c w.c z
BI-zlom.indd 21
21
24.10.12 13:13
vání a řízení klíčových ukazatelů, jako
jsou objemy transakcí, nové uživatelské
registrace a výsledek propagace.
Kiva vyvinula nástroje jako průzkumník přidělených půjček, což je aplikace
umožňující manažerům pro rizika analyzovat vzory přidělování půjček na základě
regionů a zemí, druh půjčky a typ příjemce půjčky, popisuje Greg Allen, obchodní analytik společnosti.
Největším přínosem nasazení agilní BI
je v tomto případě schopnost rychle a postupně poskytovat informace koncovým
uživatelům.
„Máme velkou vizi našeho komplexního
projektu datového skladu, který ale bude pro
dokončení vyžadovat značné množství času,“
říká Allen.
„Namísto toho, že bychom nutili naši organizaci čekat na ‚velkou změnu‘, jsme
schopni se zaměřit na konkrétní oblasti podnikání při návrhu, vytváření a vydávání datamartů a reportů v rámci našeho iterativního vývoje.“
Dokumentace uživatelských požadavků
je rozhodující pro návrh datových struktur, na nichž je BI systém společnosti Kiva
založen, myslí si Allen.
„Zjistili jsme například, že naši uživatelé
nejlépe reagují na testování raných verzí našeho řešení BI,“ pochvaluje si Allen.
„Datové zdroje ad hoc nám umožňují testovat obchodní logiku pro rychlý sběr a integraci zpětné vazby od uživatelů, dříve než
vyvineme robustnější reportovací datové
Adaptace na změny
Pfizer je jednou z firem, které v agilním BI vidí výhody. Tento farmaceutický výrobce v posledních
třech letech využívá agilní přístup pro vývoj spojený s integrací dat, pro poskytování nových služeb,
pro aplikace zachycující data a k BI reportům.
„Zjistili jsme, že interní zákazníci každé námi poskytované služby potřebují velmi rychlý a flexibilní přístup k uspokojení svých potřeb,“ říká Michael Linhares, výzkumný pracovník podnikových
informačních systémů a farmaceutických věd ve Pfizeru. „Očekává se, že naše aplikace a systém lze
odpovídající rychlostí přizpůsobit změnám v podnikání.“
Pfizer využívá nástroje pro vývoj BI aplikací od různých dodavatelů a poskytuje aplikace a data BI
pro cca tisíc uživatelů.
„Naše aplikace umožňují sběr, integraci a reporting pro projekty vývoje léků,“ říká Linhares. „To
zahrnuje stav projektu, předpovědi ohledně financí či zdrojů a také integraci s několika dalšími
prvky, třeba s řetězci majícími na starosti prodej léků.“
Nový přístup k BI umožňuje vývojářům aplikací Pfizeru rychlejší reakci. Například původně trvalo
šest až dvanáct týdnů, aby se mohl významně změnit způsob prezentace dat z datového skladu.
S agilní metodikou vývoje to obvykle trvá tři až sedm dní, dodává Linhares.
Pfizer také v maximálním možném rozsahu zapojuje koncové uživatele do vývojového procesu.
„Zákazník (zaměstnanec Pfizeru) je klíčem k tomuto způsobu vývoje,“ tvrdí Linhares. „Kontroluje
papírový i funkční prototyp, provádí testování a validuje příslušná data. Zároveň je klíčem k podpoře produkční verze pro vetší komunitu uživatelů.“
„Naše systémy jsou navrženy a vytvořeny pro koncové uživatele. Bez jejich neustálé interakce by
náš tým tak užitečný produkt nedokázal vytvořit,“ uzavírá Linhares.
struktury. To může odhalit neočekávané problémy a vést ke komplexnějším řešením.“
Allen dále uvádí, že větší agilita vývoje BI poskytuje organizaci vyšší stupeň
flexibility. „Naše podnikání se může rychle
změnit a schopnost pohotově reagovat
s využitím rozhodování na základě dat
je pro náš růst rozhodující,“ zdůrazňuje
Allen. „Agilní BI nám umožňuje zachytit
nové údaje a transformovat je na informace.“
Přestože je Kiva teprve na počátku ambiciózního plánu pro datový sklad
a schopnosti reportování, „jsme již schopni
poskytnout nové pohledy na naši uživatelskou základnu a partnery,“ dodává Allen.
„Tyto zúžené názory na oblasti podnikání
často vyvolaly nové otázky, které zlepšily
další kroky vývoje.“
SEZNAM INZERUJÍCÍCH FIREM
UCELENÝ INFORMAČNÍ ZDROJ PRO IT PROFESIONÁLY
GEM System .............................................................................................................. 17
www.gemsystem.cz
J.K.R. ....................................................................................................... 20, 4. obálka
www.jkr.cz
KOMIX ................................................................................................................. 18, 19
www.komix.cz
MEMOS Software ........................................................................................... 3. obálka
www.memos.cz
MICROSOFT ............................................................................................................ 8, 9
www.microsoft.cz
SAS Institute ČR ............................................................................................ 2. obálka
www.sas.cz
Vydává: IDG Czech Republic, a. s., Seydlerova 2451,
158 00 Praha 5
Tel. ústředna s aut. provolbou: 257 088 + linka; fax: 235 520 812
Recepce: 257 088 111
Výkonný ředitel: RNDr. Jana Pelikánová
Šéfredaktor: Radan Dolejš
Tajemnice redakce: Růžena Holíková, tel.: 257 088 143
Vedoucí inzertního odd.: Ing. Jitka Vyhlídková, tel.: 257 088 181
Vedoucí projektu: Ing. Pavel Louda, tel.: 257 088 138
Jazyková úprava: Dana Štropová, Vladimíra Bezecná
Obálka: Petr Kubát
Adresa redakce: CW, Seydlerova 2451, 158 00 Praha 5
Internet: [email protected]
Zlom a pre-press: TypoText, s. r. o., Praha
Tisk: Libertas, a. s.
Předplatné a reklamace: IDG Czech Republic, a. s., Seydlerova 2451,
158 00 Praha 5, tel.: 257 088 163,
fax 235 520 812; e-mail: [email protected]
Doručuje Česká pošta, s. p., v systému D + 1
Předplatné pro Slovensko: Magnet-Press Slovakia, s. r. o.,
P.O.BOX 169, 830 00 Bratislava,
tel.: +421 267 201 910, 20, 30,
e-mail: [email protected]
Copyright: © 2012 IDG Czech Republic, a. s.
Teradata Česká republika .................................................................................... 10, 11
www.teradata.com
Člen asociace FIPP
22
BU S I N E S S I N T E L L I G E N C E 2012
BI-zlom.indd 22
24.10.12 13:13
Finální leták.ai 1 19.10.2012 21:11:43
úspora Āasu, penďz a práce
inteligentní vytďžování dokumentĪ
Redque je nový inovativní software,
který pomocí umďlé inteligence zpracuje
Vaše dokumenty.
www.redque.cz
BI-zlom.indd ob3
24.10.12 13:02
www.jkr.eu
S námi budete vědět více.
J.K.R. nabízí novinku na českém trhu – BYZNYS BI pro výrobu. Pokročilé analýzy dat jsou tak dostupné
i středním a menším výrobním podnikům bez drahých investic do databázového vybavení.
Informační systémy BYZNYS ERP
BI-zlom.indd ob4
24.10.12 13:02