Vysoká škola ekonomická v Praze
Fakulta informatiky a statistiky
Návrh kompetenčního modelu pro zavedení BICC v organizacích
DIPLOMOVÁ PRÁCE
Studijní program: Aplikovaná informatika Studijní obor: Informační systémy a technologie
Autor: Bc. Jan Mohyla
Vedoucí diplomové práce: Ing. Iva Stanovská Praha, květen 2021
Prohlášení
Prohlašuji, že jsem diplomovou práci Návrh kompetenčního modelu pro zavedení BICC v organizacích vypracoval samostatně za použití v práci uvedených pramenů a literatury.
V Praze dne 3. května 2021 ...
Jan Mohyla
Poděkování
Na tomto místě bych rád poděkoval vedoucí této diplomové práce, Ing. Ivě Stanovské, za její přístup, ochotu a cenné rady, které mi během práce poskytovala. Dále bych rád poděkoval své rodině za podporu během celého studia.
Abstrakt
Diplomová práce se zabývá návrhem kompetenčního modelu pro zavedení BICC v organizacích. Hlavním cílem této práce je sestavit kompetenční model pro role potřebné k zavádění BICC ve společnosti. Dalším cílem je popsat proces sestavování kompetenčního modelu.
První část diplomové práce obsahuje obecné poznatky z oblasti business analytiky. Jsou zde definovány základní role této oblasti, které jsou následně doplněny o další role z oblasti Business intelligence competency center (BICC). Dále jsou zde charakterizovány modely a struktury BICC. V posledním oddílu této části diplomové práce je přiblíženo samotné kompetenční modelování, na kterém je založena další část této práce.
V druhé části diplomové práce je popsán proces modelování kompetencí u příslušných BICC rolí. Výstupem této části je navržený kompetenční model pro společnost uplatňující BICC.
Sestavený kompetenční model je převeden do interaktivní reprezentace v nástroji Power BI.
Na závěr jsou uvedena doporučení pro využití kompetenčního modelu v praxi.
Klíčová slova
BICC, role, kompetence, kompetenční model, Power BI
Abstract
The diploma thesis evaluates the proposal of a competency model for the introduction of BICC in organizations. The main aim of this thesis is to compile a competency model for the roles needed to implement BICC in a company. Another aim is to describe the process of forming the competency model.
The first part of this diploma thesis contains the general knowledge of business analytics.
There are defined fundamental roles that are enhanced by other roles from the Business intelligence competency centre (BICC). Therefore, BICC´s models and structures are characterised. The last section of this part of this diploma thesis approaches competence modelling, on that the next part of this thesis is based.
The second part of this diploma thesis describes the process of making competence models for the relevant BICC roles. The output of this part is the proposed competency model for the organization that applies BICC. The formed competency model is converted into an interactive representation in Power BI. Finally, recommendations for the use of the competency model in practice are given.
Keywords
BICC, role, competency, competency model, Power BI
Obsah
Úvod ... 11
1 Rešerše zdrojů ... 13
1.1.1 Odborná literatura ... 13
1.1.2 Odborné články ...14
1.1.3 Případové studie ... 15
1.1.4 Webové portály ... 15
1.1.5 Disertační a diplomové práce ...16
2 Data, analytika a business analytika... 17
2.1 Vymezení základních pojmů ...19
2.1.1 Data, informace a datové zdroje ...19
2.1.2 Big Data ... 21
2.1.3 Business intelligence... 22
2.2 Oblasti business analytiky ... 24
2.3 Role business analytiky ... 25
2.3.1 Architekt BI řešení ... 25
2.3.2 BI konzultant ... 26
2.3.3 Databázový administrátor ... 26
2.3.4 Datový analytik ... 26
2.3.5 Datový inženýr... 26
2.3.6 Datový vědec ... 27
2.3.7 Projektový manažer ... 27
2.3.8 Sponzor řešení ... 27
2.3.9 Vývojář BI aplikací ... 27
2.4 Současná situace ... 28
2.4.1 Trendy ... 28
2.4.2 Problémy ... 29
3 Business intelligence competency center ... 30
3.1 Struktura BICC ... 31
3.1.1 Řízení a vývoj modelu ... 32
3.1.2 Řízení a správa dat ... 32
3.1.3 Podpora ... 33
3.1.4 Dodávka BI&A ... 33
3.1.5 MDM ... 33
3.1.6 Pokročilá analytika ... 33
3.1.7 Vzdělávání a certifikace ... 33
3.1.8 Technická infrastruktura ... 34
3.2 Modely BICC ... 34
3.2.1 BICC jako samostatné oddělení ... 34
3.2.2 BICC jako součást dalších business funkcí ... 35
3.2.3 Virtuální model ... 35
3.2.4 Distribuovaný model ... 36
3.3 Specifické role pro BICC ... 37
3.3.1 BICC manažer ... 37
3.3.2 BICC správce dat ... 37
3.3.3 BICC odborník znalostního managementu ... 37
3.3.4 BICC technický konzultant ... 38
3.3.5 BICC pracovník podpory ... 38
3.3.6 BICC odborník komunikace ... 38
3.3.7 Vlastník dat ... 38
3.4 Přístupy a dopady zavedení ... 39
4 Kompetence a kompetenční modely ... 40
4.1 Kompetence ... 40
4.1.1 Definice pojmu kompetence ... 40
4.1.2 Struktura a složky kompetence... 40
4.1.3 Typologie kompetencí ... 42
4.2 Kompetenční modely ... 44
4.2.1 Přiblížení problematiky kompetenčních modelů ... 44
4.2.2 Přístupy k tvorbě kompetenčních modelů ... 45
4.2.3 Kompetenční modelování ... 46
5 Návrh kompetenčního modelu ... 48
5.1 Přípravná fáze ... 48
5.1.1 Cíle kompetenčního modelování ... 48
5.1.2 Určení přístupů k tvorbě kompetenčního modelování ... 48
5.1.3 Vymezení BICC oblasti a struktury pro kompetenční model ... 48
5.1.4 Faktory ovlivňující kompetenční modelování ... 49
5.2 Analýza a sběr dat ... 50
5.2.1 Analýza pracovních rolí a úkolů ... 50
5.2.2 Přímé pozorování ... 51
5.3 Zpracování dat získaných analýzou zdrojů ... 51
5.3.1 Specifikace rolí ... 51
5.3.2 Zpracování kompetencí ... 53
5.3.3 Ohodnocení kompetencí ... 54
5.4 Vytvoření kompetencí a sestavení kompetenčního modelu ... 56
5.4.1 Kompetence ... 56
5.4.2 Kompetenční model ... 56
5.5 Validace a ověření kompetenčního modelu ... 58
5.6 Doporučení pro využití kompetenčního modelu v praxi ... 59
5.6.1 Zpracování kompetenčního modelu v Power BI ... 59
5.6.2 Rozšíření portálu MBI ... 65
6 Možná rozšíření diplomové práce ... 69
Závěr ... 70
Použité zdroje ... 71 Přílohy ... I Příloha A: Sestavené kompetence ... I Příloha B: Sestavený kompetenční model pro role BICC ... XII Příloha C: Mapování interaktivního modelu v Power BI na kapitoly v DP ... XXVIII Příloha D: Reprezentace kompetenčního modelu v Power BI ... XXVIII
Seznam obrázků
Obr. 3-1 - Kompetenční oblasti a příslušné role (zdroj: Laursen a Thorlund, 2014) ... 30
Obr. 3-2 - BICC struktura (zdroj: Scheierman, 2017) ... 32
Obr. 3-3 - BICC jako samostatné oddělení (zdroj: autor) ... 34
Obr. 3-4 - BICC jako součást dalších business funkcí (zdroj: autor) ... 35
Obr. 3-5 - Virtuální model BICC (zdroj: autor) ... 36
Obr. 3-6 - Distribuovaný model BICC (zdroj: autor) ... 36
Obr. 3-7 - SWOT analýza přístupů a dopadů zavedení BICC (zdroj: autor) ... 39
Obr. 4-1 - Pyramidový model struktury kompetence (zdroj: Kubeš et al., 2004) ...41
Obr. 5-1 - Modifikovaná BICC struktura (zdroj: autor) ... 49
Obr. 5-2 - BICC tým (zdroj: autor) ... 53
Obr. 5-3 - Datový model v Power BI (zdroj: autor) ... 60
Obr. 5-4 - Úvodní stránka reportu (zdroj: autor) ...61
Obr. 5-5 - Stránky BICC struktury (zdroj: autor) ... 62
Obr. 5-6 - Stránka role (zdroj: autor) ... 62
Obr. 5-7 - Stránka kompetence (zdroj: autor) ... 63
Obr. 5-8 Detail kompetence (zdroj: autor) ... 63
Obr. 5-9 - Stránka kompetenční model (zdroj: autor) ... 64
Obr. 5-10 - Stránka porovnání kompetencí (zdroj: autor) ... 64
Seznam tabulek
Tabulka 1 - Škála pro ohodnocení kompetencí (zdroj: autor) ... 55
Tabulka 2 - Struktura pro zápis kompetencí (zdroj: autor) ... 56
Tabulka 3 - Příklad sestaveného kompetenčního modelu (zdroj: autor) ... 57
Tabulka 4 - Příklad nové role BICC pro portál MBI (zdroj: autor) ... 67
Tabulka 5 – Příklad kompetence přidané pro portál MBI (zdroj: autor) ... 68
Úvod
Datová analýza a rozhodování na základě dat je v současné době velmi diskutované téma na světové úrovni. Ohraničit oblasti, ve kterých zaujímají pojmy „data“ a „analytika“ významné postavení je téměř nereálné. Je proto náročné definovat přesnou náplň datové analytiky, jaké nástroje do tohoto světa patří, kdo příslušné činnosti bude vykonávat a v jakém rozsahu bude datová analytika ovlivňovat chod společnosti.
Odůvodnění výběru tématu
Téma diplomové práce řeší aktuální otázky v oblasti datové analytiky a business intelligence. V současné době se velká část projektů spojených s datovou analytikou a tvorbou business intelligence řešení potýká s problémy efektivního rozdělení rolí a definování jejich kompetencí ve společnosti. Špatné rozložení kompetencí a rolí může mít za důsledek vznik závažných problémů, proto správné sestavení kompetenčního modelu je klíčové pro jejich předcházení. Diplomová práce je zaměřena na tvorbu kompetenčního modelu, který poskytne obecnou předlohu, jaké nejdůležitější kompetence definovat pro budování a rozvoj datově řízených firem a jaké role jsou potřebné pro následný úspěch.
Taktéž bude představen doporučený postup pro zavedení kompetenčního modelu, do společností. Na závěr je potřeba ověřit kvalitu tohoto modelu, proto je do této práce také zahrnuto zhodnocení celého modelu nezávislými posuzovateli z praxe.
Cíle práce
Hlavním cílem této diplomové práce je návrh modelu potřebných kompetencí v podniku při řízení rozvoje a provozu aplikací business intelligence, popřípadě datové analytiky v souvislosti se zaváděním business intelligence competency center (BICC). Pro podporu hlavního cíle jsou vymezeny také cíle dílčí, které jsou vzájemně provázané a dotvářejí účel celé diplomové práce. Jedná se o:
• Návrh postupu přiřazení nutných kompetencí rolím definovaným pro zavedení a působení BICC v podnicích.
• Doplnění webového portálu MBI potřebnými rolemi a kompetencemi.
Metody dosažení cílů
Za účelem dosažení předem stanovených cílů je nejdříve provedena rešerše a podrobná analýza dostupných odborných zdrojů. Této rešerši je věnována samostatná kapitola, kde jsou představeny nejdůležitější zdroje, společně s krátkým popisem a s popsaným přínosem pro tvorbu diplomové práce. Nalezené zdroje jsou využity při samotné definici potřebných kompetencí, rolí a následném sestavení kompetenčního modelu. Během definice kompetenčního modelu pro oblasti datové analytiky a business intelligence.
Prostřednictvím syntézy získaných teoretických a praktických zkušeností je sestaven výsledný kompetenční model, který bude následně vyhodnocen s odborníky z praxe.
Struktura práce
Diplomová práce je rozdělená do dvou oddílů. První oddíl obsahuje metodické a výzkumné části pro získání povědomí o zkoumané problematice. Druhá, realizační část se zabývá samotným návrhem a sestavením kompetenčního modelu, představením postupu zavedení a výsledným zhodnocením.
Metodická část si zakládá na provedení rešerše odborných zdrojů. Jak již bylo zmíněno, tak tomuto tématu je detailněji věnována první kapitola. Následující kapitoly představí a ohraničí oblast, do které bude kompetenční model zasazen. Zpočátku se bude jednat o oblast datové analytiky a vymezení zásadních podoblastí business analytiky včetně problematiky BICC, která představuje další významovou část. Předmětem dalších kapitol je představení kompetenčního modelu. Zároveň s tím jsou definovány základní role a kompetence, které budou do připravovaného modelu vstupovat.
Realizační oddíl navazuje na získané znalosti z předchozího oddílu a využívá těchto znalostí v praktickém kontextu. Hlavní kapitola popisuje průběh sestavení kompetenčního modelu a jeho grafické podoby. Na základě procesu sestavení modelu do příslušného podniku je provedeno ověření správnosti modelu s odborníky z praxe. Na závěr jsou uvedena doporučení pro využití kompetenčního modelu v praxi a také návrhy pro možná rozšíření diplomové práce.
Předpoklady a omezení práce
Předpokladem pro vypracování této diplomové práce je důsledná analýza zdrojů a sestavení detailní rešerše zdrojů. V práci je hlavním cílem sestavení modelu na základě zkušeností a znalostí získaných z odborných zdrojů. Je nutné zdůraznit, že práce je zaměřena pouze na oblast datové analytiky a business intelligence. V případě zasazení do kontextu jiného profesního světa, kompetenční model nebude naplňovat odpovídající potřeby.
Očekávané přínosy práce
Hlavní přínos této práce spočívá v sestavení a popsání kompetenčního modelu, který má čtenáře seznámit, jaké role a kompetence musejí být při datové analytice a budování business intelligence definované a správně uchopené. Tato práce tedy přináší nový pohled na provázání kompetencí a rolí a napomáhá ke správnému sestavení týmu zabývajícího se problematikou BICC.
1 Rešerše zdrojů
První kapitola je věnována rešerši odborné literatury. Pro naplnění stanovených cílů jsou využity zdroje k nalezení relevantních informací pomocí metody SRL („Systematic Literature Review“). Diplomová práce vychází z řady zdrojů. Výběr nejdůležitějších je uveden níže. Každé dílo je stručně popsáno a jsou vybrány podstatné myšlenky a doporučení, které jsou v této práci využity a dále rozpracovány. Pro přehlednost jsou jednotlivé zdroje rozděleny do částí: odborná literatura, odborné články, výzkumné zprávy, případové studie, webové portály a disertační, popř. diplomové práce.
1.1.1 Odborná literatura
• KUBEŠ, Marián, SPILLEROVÁ, Dagmar a KURNICKÝ, Roman – Manažerské kompetence: Způsobilosti výjimečných manažerů (Kubeš et. al, 2004)
Uvedená publikace pojednává o potřebách firem na rozvoj kompetencí. Dále obsahuje mnoho otázek, jakým způsobem rozpoznat kompetence, jak měřit jejich úroveň nebo jak sestavovat kompetenční modely v podniku.
Přínosem pro tuto diplomovou práci je především v oblasti vymezení kompetencí, jejich druhů a typů, dále pak přístupů a forem kompetenčního modelování. Z doporučeních této publikace diplomová práce vychází a pro tvorbu kompetenčního centra jsou využity příklady modelů.
• LAURSEN, Gert a THORLUND, Jesper – Structuring of a Business Intelligence Competency Center (Laursen a Thorlund, 2014)
Tato publikace pojednává o provádění aktivit business analytiky prostřednictvím BICC.
Dalším významným přínosem pro tvorbu diplomové práce je přehledné rozdělení všech aktivit z pohledu analytiky, business a IT kompetencí.
Do této diplomové práce je přenesena právě tato myšlenka koordinace a komunikace všech tří oblastí kompetencí (business, IT a analytika). Dalším přínosem této publikace je popis modelů BICC struktury rolí, která je do této práce také zahrnuta.
• POTANČOK, Martin, POUR, Jan a CHRAMOSTOVÁ, Veronika – Business analytika v praxi (Potančok, 2020)
Tato publikace byla vydána na konci roku 2020, tím pádem představuje jeden z nejaktuálnějších zdrojů této diplomové práce. Přínos této publikace je především v definici oblasti business analytika. Myšlenky v této knize napomáhají k pochopení současné situace v oblasti dat a analytiky. Stejně jako i další tituly využívané v této diplomové práci a toto dílo je provázané s webovým portálem MBI a zároveň se na tento web na mnoha místech odkazuje. Po boku teoretických poznatků z daných oblastí business analytiky kniha nabízí
praktické přístupy k analytickým problémům současné doby a napomáhá k pochopení této problematiky.
Tato kniha svou přehledností velmi napomáhá k orientaci v dané problematice a tato diplomová práce z ní čerpá především při vymezení oblasti, do které budou následně zasazena další témata.
• SLÁNSKÝ, David – Data a analytika pro 21. století (Slánský, 2018)
Tato publikace v sobě skrývá nespočet informací o současném tématu datové analytiky doplněné o mnoho zajímavých a přínosných trendů v tomto odvětví. Jedná se o soubor pěti knih, které jsou tematicky rozděleny na trendy a megaproblémy, jak to dělají ostatní, architektura a governance, praktické příklady a nástroje. Doplňkem jsou také velké formáty
„plachet“, které graficky shrnují všechna probíraná témata.
Pro diplomovou práci z této pentalogie jsou vybrány knihy o megaproblémech a trendech a kniha s označením „Jak to dělají ostatní?“. David Slánský velmi zajímavým postupem představuje současnou situaci oblasti dat a analytiky. Na základě těchto poznatků je v první kapitole důkladněji představena část datové analytiky a zároveň tyto znalosti figurují v představování trendů a problémů současné doby. Na tyto trendy a problémy se dále snaží reagovat oblast BICC.
1.1.2 Odborné články
• FOSTER, Kyle, SMITH, Gregory, ARIYACHANDRA, Thilini, FROLICK, Mark N. – Business Intelligence Competency Center: Improving Data and Decisions (Foster et al., 2015)
Tento článek popisuje vývoj kompetenčního centra pro pojišťovací společnosti. Do diplomové práce jsou využity především definované problémy a popsané kroky potřebné k úspěšné implementaci BICC ve společnosti.
Na závěr článku jsou definované tzv. „best practices“, které obsahují sady ověřených postupů k implementaci úspěšného BICC. Právě na tyto poznatky se diplomová práce odkazuje a využívá právě tyto stanovené poznatky.
• POUR, Jan – Byznys analytika – součásti, role a souvislosti (Pour, 2018) Příspěvek autora v časopise pro platformu České společnosti pro systémovou integraci (ČSSI) pojednává o současné business analytice. Autor na začátku vymezuje probíranou oblast a určuje zaměření jednotlivých částí, které svými přínosy dotvářejí celý systém analytiky. Tento článek se mimo jiné zabývá hlavními rolemi, které plní základní činnosti byznys analytiky a představuje jejich funkce a zodpovědnosti.
Tento článek spolu s předchozí publikací (Slánský, 2018) definuje oblast, do které budou zasazeny jednotlivé části této diplomové práce. Prostřednictvím tohoto zdroje dochází k vymezení hranic datové analytiky. Daný příspěvek lze velmi efektivně využít s webovým portálem MBI, při jehož tvorbě velmi podstatně figuruje autor tohoto článku.
1.1.3 Případové studie
• BOŽIČ, Katerina a DIMOVSKI, Vlado – Business intelligence and analytics for value creation: The role of absorptive capacity (Božič a Dimovski, 2019
Jedná se o studii z publikace „International Journal of Information Management“, ve které se zabývají rozhovory s vysokými představiteli manažerů velkých evropských firem na témata přidané hodnoty ze získaných poznatků z BI&A.
Diplomová práce se odkazuje především na definici oblasti BI&A a využívá poznatky z popsaného procesu získání maximální přidané hodnoty z této oblasti.
• SAFEER, Muhammad, ZAFAR, Saman – Impact of business intelligence competency center in success/ failure of B.I. applications (Safeer a Zafar, 2011)
V uvedené studii autoři pojednávají o dopadech využití kompetenčních center na výsledný úspěch nebo neúspěch BI řešení. Analyzují přínos a dopady zavedení BICC na výslednou implementaci BI v podnicích.
Právě tyto poznatky studie přinášejí diplomové práci informační základ pro sestavení kompetenčního centra z pohledu potřebných součástí řízení strategie BI.
1.1.4 Webové portály
• BearingPoint – From the data center to the competency center: Business intelligence in transition (BearingPoint, 2011)
BearingPoint vystupuje jako konzultační společnost v oblasti technologií. Součástí jejich tvorby je také uvedený dokument, ve kterém se zabývají přechodem ze základního řešení BI na komplexní přístup v podobě BICC.
V uvedeném listu jsou velmi cenné informace o strukturách a modelech BICC a v neposlední řadě právě o základních rolích potřebných pro naplnění cílů kompetenčního centra.
• MBI – MBI – Základní informace (MBI, 2018d)
Jedná se o webový portál, který vznikl na základě iniciativy pracovníků VŠE a ČVUT. Vývoj tohoto portálu probíhá kontinuálně za pomoci specialistů z praxe. Webový portál přináší informace pro řízení firem za podpory IT i pro řízení podnikového IT jako takového. Celkový koncept obsahuje model, kde je možné si přizpůsobit situace pro požadovanou situaci ve firmě. Tento model obsahuje vzájemně provázané komponenty řízení jako je úloha, scénář, metrika, aplikace, metoda, role a mnoho dalšího.
Součástí cílů diplomové práce je rozvoj tohoto webového portálu. V současné době webový portál obsahuje charakteristiky rolí business analytiky, které poskytují základní kompetence. V závislosti s problematikou BICC budou tyto role doplněny o další
kompetence a celková komponenta modelu „role“ bude doplněná o další role, které tvoří základ BICC týmu.
• MICROSOFT – Microsoft Docs: Roles in data (Microsoft, nedatováno) Společnost Microsoft připravuje na svých stránkách studijní podklady a výukové materiály pro širokou škálu produktů a služeb. Jedním z dokumentů je také právě výše uvedený, ve kterém Microsoft popisuje hlavní role datové analytiky.
Tato diplomová práce čerpá především doplňující informace a kompetence k rolím business analytiky. Zároveň se jedná o jeden z hlavních zdrojů využívaný pro doplnění rolí a kompetencí portálu MBI.
• SAPORITO, Pat (SAP Analytics) – Part 3: BICC Skills, Roles &
Responsibilities (Saporito, 2015)
Poslední z hlavních webových portálů je blog společnosti SAP. V uvedeném titulu se skrývá základní informace o celkovém pohledu na BICC a získávání hodnoty z výstupů datové analytika. Zároveň jsou v druhé části představeny hlavní role pro řízení BICC a jejich detailní popis.
V uvedeném článku blogu je mimo jiné odkaz na další stránky, které blíže pojednávají o konkrétní části kompetenčních center. Jedním z těchto témat jsou právě organizační modely BICC, kterými se tato diplomová práce také zabývá.
1.1.5 Disertační a diplomové práce
• FORŠT, Jiří – Tvorba kompetenčního modelu pro pracovní roli business analytik v poradenské společnosti (Foršt, 2019)
Tato diplomová práce vznikla na Vysoké školy ekonomické v roce 2019 a jejím hlavním předmětem je tvorba kompetenčního modelu pro roli business analytik. Autor velmi zajímavým způsobem uchopil kompetence pracovní role business analytik a vytvořený model podkládá výsledky z konkrétní společnosti.
Tato práce slouží především jako inspirace při sestavování kompetenčního modelu a představuje zdroj zkušeností z výsledků v konkrétní společnosti. Dále jsou v práci detailněji rozebrány způsoby kompetenčního modelování, na jejichž základě vzniká kvalitní model.
Na druhou stranu autor této práce se zaměřuje na tvorbu kompetenčního modelu pro jednu pracovní roli, takže základní myšlenky a přístupy k modelování kompetencí jsou odlišné.
2 Data, analytika a business analytika
Tato kapitola je zaměřena na definici světa dat a analytiky. Na tuto problematiku datové analytiky navazují další části této diplomové práce, proto je nutné důkladně uvedenou oblast představit. Na začátku jsou vymezeny pojmy a je představena samotná část datové analytiky. Problematika dat a analytiky představuje obrovský koncept příslušných oblastí, odvětví, nástrojů, a proto často dochází k prolínání více pohledů, které na toto téma odlišně nahlížejí. Základem této kapitoly je tedy vymezení oblasti, která bude postupně rozšiřována o další části. Probírané téma je založené na kontinuálním rozvoji a aktuálních trendech v oblasti dat, proto i tato problematika nebude v této práci opomenuta.
V současné době dochází v oblasti analytiky k velmi rozsáhlému rozvoji a můžeme tuto oblast označit za nejrychleji se rozvíjející oblasti informačních technologií. Na datovou analytiku je možné nahlížet z různých úhlů pohledu a jednotlivé oblasti definovat odlišně.
V této diplomové práci je dále využíváno označení oblasti jako business analytika a tato oblast se dále rozděluje do příslušných oblastí.
„Business analytika zahrnuje aplikace, technologie a řešení, které rozhodujícím způsobem vytvářejí prostředí pro firemní reporting, analýzu dat, jejich plánování a predikce.“
(Potančok et. al, 2020). Uvedená definice uvádí zaměření samotné business analytiky, kdy hlavním výstupem jsou analytické, plánovací a reportingové aplikace. Je třeba zmínit, že pro dosažení požadovaných cílů je nutné správně a efektivně pracovat se všemi potřebnými zdroji, kterými jsou především nástroje, procesy, metodologie, technologie a lidé. Při správném využití těchto zdrojů dochází k získávání, analýze a využití dat pro uskutečnění různých business aktivit nebo k efektivnímu rozhodování ve společnost (Božič a Dimovski 2019a). Ve svém příspěvku autor (Pour, 2018) udává také synonymum k business analytice, které nese označení podniková analytika.
Autoři ve své publikaci (Maryška et al., 2018) uvádějí základní principy business analytiky.
Mezi ně můžeme zařadit rozvoj a udržování analytických nebo plánovacích aplikací. Dané aplikace prostřednictvím neustálé komunikace s podnikovými databázemi organizují data a odpovídají za jejich správnost. Dalším hlavním principem business analytiky je využívání dostupných datových zdrojů. S touto problematikou úzce souvisí pojmy jako kvalita a dostupnost dat. Oblast datových zdrojů a samotných dat má své zastoupení v další kapitole, kde je detailněji popsaná. V knize je také mimo jiné uveden princip fungování business analytiky, a tím je práce s daty a poskytování firemních ukazatelů pro potřeby rozhodování.
Aby mohly být ukazatele řádně vyhodnocovány, potřebují využívat uložení a zpracování dat na principu multidimenzionality, vyjádřené pomocí dvou druhů tabulek – tabulky dimenzí a tabulky faktů.
Objevuje se tu však mírně odlišný pohled na datovou analytiku, který se v určitých směrech prolíná s právě definovanou oblastí business analytiky. Rád bych tuto problematiku z druhého pohledu krátce představil. Slánský (2018) ve svém díle nejprve představuje historii, kde v chronologickém pořadí ukazuje postupný rozvoj světa dat a analytiky. Udává také skutečnost, že v posledních několika letech dochází ke značnému rozšíření světa
analytiky, z důvodu příchodu nových trendů a technologií. Dle autora se doposud nenašel nástupnický pojem, proto ve své publikaci používá pojmenování „data a analytika“.
Oblast dat a analytiky dle autora není vůbec jednoduché nadefinovat a nelze jednoznačně určit příslušné hranice. Analytické a ostatní systémy se ve velké míře prolínají a ty, které nebyly před pár lety brány jako analytické, těmito funkcionalitami v současné době disponují. Autor v úvodní části své knihy potvrzuje ovšem tvrzení, které bylo uvedeno v nejdůležitějších principech business analytiky, a to, že „…, datové a analytické aplikace slouží organizacím k zajištění kvality a dostupnosti a následné (jednodušší i pokročilejší) analýze a prezentaci koncovému uživateli pro podporu rozhodování a plánování.“
(Slánský, 2018) Tato definice dotváří celkový pohled potřebný k pochopení oblasti označené jako „data a analytika“.
Poslední zajímavou částí z tohoto pojetí, která byla vybraná do diplomové práce, je rozdělení analytických úloh, které Slánský (2018) udává ve své publikaci. Jedná se o následujících pět oblastí.
• První oblast nese označení „deskriptivní“, která se zabývá hlavně tím, co se stalo v minulosti. Typické otázky, na které se postupně dohledávají odpovědi znějí například jako „Co se stalo?“ nebo „Jaké jsou aspekty fungování organizace?“.
Důležitý aspekt spočívá především v ukládání dat na různých úrovních detailu.
Spolu s různými formami vizualizace dodává moderním nástrojům možnost jednoduché orientace koncových uživatelů.
• Druhá skupina nese označení „diagnostická“, která se snaží odpovědět na otázku
„Proč se to stalo?“. Hlavním předmětem těchto aplikací je identifikace důvodů, proč v minulosti dané události nastaly. Analyzovat takové odpovědi představuje náročnější úkol, než jsou úlohy, které daný problém jen shromažďují.
• Do následující skupiny aplikací, pojmenované jako „prediktivní“, spadají ty úlohy, které vytvářejí modely budoucích situací a vytvářejí predikce toho, co se stane.
Vytvořené modely pracují také s informacemi jako například pravděpodobnosti, které zachycují, jak která predikce dopadne. Příslušné aplikace se snaží nalézt odpovědi na otázky typu „Co by se mohlo stát?“. Využívají se mimo jiné i k doplnění chybějících dat v datasetech.
• Čtvrtá oblast se nazývá oblast „preskriptivní“. Uvedená oblast pracuje s predikcemi budoucnosti a vytváří návrhy variant optimálního řešení. Cílem této oblasti je sestavit sadu nejlepších možných doporučení k vyřešení předem definovaných business problémů. Preskriptivní aplikace využívají podobné techniky, se kterými pracují prediktivní úlohy.
• Poslední oblast využívá techniky učení z předchozích zkušeností a automatické reakce na situace, které teprve nastanou. Těmto úlohám se přezdívá „adaptivní“.
Adaptivní systémy se skrývají například v autonomních autech nebo chytrých strojích pro společenské hry Slánský (2018).
Je potřeba dodat, že s tímto rozdělením analytických aplikací pracují i další autoři odborných článků. V praxi je možné narazit na výrazný rozvoj především prediktivních a adaptivních aplikací, které v současné době představují jeden z nejdůležitějších trendů v oblasti datové analytiky.
Je také potřeba zmínit označení „business intelligence and analytics“, které se objevuje v mnoha odborných publikacích. Jedná se o pojetí, kdy oblast Business intelligence bývá obohacena o další analytické metody. Pro další části diplomové práce je používáno označení
„business analytika“ a její rámcový obsah, který je následně doplněn o obsahové části BICC.
2.1 Vymezení základních pojmů
V této kapitole jsou blíže definovány základní pojmy, které vystupují v dalších částech práce.
Na základě představené oblasti z předchozí kapitoly jsou vybrány nejdůležitější pojmy, které se nejčastěji objevují a přímo souvisejí s tématikou diplomové práce.
2.1.1 Data, informace a datové zdroje
Co to jsou data? Existuje nespočet interpretací, které zachycují specifickou podstatu dat.
Shodují se však v tom, že se jedná o základní stavební kámen v situacích, kdy je nutné udělat nějaká rozhodnutí. S daty průběžně pracujeme a postupně je zpracováváme. Samotné bohatství dat se skrývá v jejich správném a efektivním zpracování. Data mohou interpretovat okolní svět, různé stavy okolo nás nebo také mohou zastupovat procesy neustále probíhající všude kolem nás. Pokud data stojí sama o sobě bez dalšího zpracování, můžeme o nich prohlásit, že nemají žádnou hodnotu (Potančok et al. 2020)
Pojem data bývá často zaměňován s pojmem informace, proto je potřeba se zaměřit na rozlišení těchto pojmů. O informaci velmi zajímavě pojednává publikace (Janich, 2018).
Autor mimo jiné popisuje možnosti chápání informací napříč historií, ale také se zaměřuje na určení současného pojetí. Označení „informace“ bývá odlišně popisováno napříč různými oblastmi, jako je věda, informační technologie nebo psychologie. V pojetí, ve kterém vzniká tato diplomová práce, informace představuje zpracování dat, která byla smysluplně interpretována. Informace tedy vznikají ze samotných dat vhodným využitím technik a metod.
Na data lze nahlížet z mnoha pohledů, ovšem nejběžnější pohled je z hlediska času. Pohled může být směřován na data, která již sehrála svou roli, v budoucnosti a tato data nejčastěji odpovídají na otázky deskriptivní oblasti analytiky. Dále také své důležité postavení zaujímá pohled na současnost neboli na data v reálném čase. Ta odpovídají na diagnostické otázky, kde hledají odpovědi na to proč a jak se to stalo? Poslední pohled ubírá svou pozornost na data do budoucnosti, která jsou hlavním předmětem prediktivní analytiky (Mayer- Schnberger a Cukier, 2013).
Kvalita dat
Aby data mohla spolehlivě plnit úkoly definované business analytikou, musejí splňovat základní požadavky. Kvalita dat představuje jeden z nejdůležitějších požadavků na to, aby výsledek řešeného problému byl spolehlivý. Kvalita dat je také definována jako „…hodnocení vlastností, jako jsou bezchybnost, důvěryhodnost, spolehlivost, dostupnost a integrace.“
(Potančok et. al, 2020). Případná nekvalitní data na sebe mohou navazovat další významné problémy na straně procesů nebo například v kvalitě služeb.
Datové zdroje
Datové zdroje pak představují sady dat, které jsou základem pro získávání potřebných informací následnému rozhodování ve firmě. Kombinování různých zdrojů dat je nápomocné při rozhodování především v tom, že na určitý problém je možné nahlížet z více úhlů pohledu. Samotná business analytika pracuje s celkovým systémem datových zdrojů a přináší nám metody a způsoby, jak využít data co možná nejefektivněji. Dělení datových zdrojů může probíhat různými způsoby a tato dělení jsou blíže definována v publikaci (Potančok et. al, 2020) následovně:
První hledisko se zaměřuje na to, jakým způsobem jsou datové zdroje dostupné. Prakticky se jedná o dvě skupiny, které jsou označeny jako „interní“ a „externí“ zdroje dat. Do skupiny interních zdrojů se zařazují veškeré firemní podklady, které se zaznamenávají a ukládají v rámci jedné firmy. Tato skupina zdrojů představuje primární, a tudíž nejdůležitější část zdrojů, která je potřeba zpracovávat. Druhým zástupcem této skupiny dělení jsou zdroje externí. Jedná se o souhrn veškerých podkladů, který vzniká za hranicemi podniku. Do této oblasti se zařazují především různé statistiky ze statistických úřadů a také legislativní zdroje jako jsou práva nebo obchodní rejstříky. Dále jsou to například katalogy firem a seznamy zastupujících pracovníku, společně s telefonními seznamy nebo také různé databáze, které slouží pro mediální analýzy.
V praxi se dále datové zdroje nejčastěji dělí dle struktury. Ta popisuje uspořádání dat, které hraje významnou roli v dalším zpracování a vyhodnocování. Datová struktura má také vliv na náročnost celého procesu zpracování. Pro rozdělení dat dle struktury jsou vymezené tři skupiny, a to strukturované datové zdroje, semi-strukturované datové zdroje a nestrukturované datové zdroje. Specifickým znakem strukturovaných datových zdrojů je uspořádání do přehledného systému, který je nejčastěji reprezentovaný databázemi.
V daných systémech není nijak zvláště náročné vyhledávat a zároveň vyhledání příslušných dat trvá krátkou dobu. Tento typ datových zdrojů tvoří základ interních databázových systémů, které firmy udržují. Semi-strukturované datové zdroje obsahují data, která mají určité vlastnosti dat strukturovaných, nemají však jejich přesnou podobu. V současné době se s těmito datovými zdroji setkáváme v podobách formátů HTML nebo JSON. Posledními datovými zdroji v tomto rozdělení jsou zdroje nestrukturované. Data z těchto zdrojů nelze přesně uspořádat a organizovat, aby k nim bylo možné později přistoupit standartními praktikami. Hlavní podstatou je velká rozmanitost těchto dat, jelikož tvoří základ asi 95 % všech okolních dat. (Gandomi a Haider, 2015)
Třetí a v tomto výčtu poslední hledisko nahlížející na datové zdroje je v uvedené publikaci označeno jako „Datové zdroje dle místa vzniku“ (Potančok et. al, 2020). Autoři této publikace následně dělí datové zdroje na další skupiny podle toho, kde jsou data produkována. Prvním zástupcem jsou datové zdroje z aplikací. Může se jednat o interní firemní aplikace nebo o aplikace z vnějšího světa. O další místo, kde vznikají data, se starají stroje. Do této problematiky jsou zahrnována prostředí umělé inteligence a internetu věcí (IoT – „Internet of Things“). Poslední skupinou jsou data z různých sociálních sítí,
popřípadě z dalších webů, která pracují se sociálními daty. Jedná se o velmi rozšířenou a pestrou škálu dat, kde hlavní obsah zabezpečují především nestrukturovaná data. Oblast se sociálními daty zmiňují také autoři publikace (Blazquez a Domenech, 2018), kde představují vedle sociálních analýz také analýzy ekonomické. Využívají označení „netradiční zdroje“ a popisují proces zpracování dat právě z těchto zdrojů. Z této publikace je zřejmé, že zpracování dat z webu a různých dostupných ekonomických dat funguje na podobném principu.
Témata popisující data a datové zdroje, se mohou v mnoha pohledech lišit a různorodost popisu vlastností je opravdu značná. V této kapitole jsem se pokusil zachytit podstatu a zpracování dat, způsob, jak na data nahlížet a v neposlední řadě to, odkud se data čerpají.
2.1.2 Big Data
Pojem Big Data ve velké míře ovlivňuje datovou oblast současné doby. Příchod tohoto označení je však nejistý. Ve svém příspěvku (Gandomi a Haider, 2015) autoři připisují popularizaci pojmu „Big Data“ v oblasti business analytiky především společnosti IBM.
Také ovšem zmiňují vyvolání zmatků spojených s náhlým vývojem různorodých definic v této oblasti.
Pro představu Gartner ve svém slovníku definuje pojem Big Data následovně: „Big data is high-volume, high-velocity and/or high-variety information assets that demand cost- effective, innovative forms of information processing that enable enhanced insight, decision making, and process automation.“(Gartner, 2018a). V definici od Gartnera je možné si všimnout pojmů jako „volume“, „velocity“, „variety“. Všechny tyto vlastnosti se v oblasti Big Dat sledují a v této práci nebude chybět jejich přiblížení. Z textu společnosti Gartner je také zřejmé, že popisovaná oblast přímo ovlivňuje automatizaci procesů, rozhodování nebo také efektivní hospodaření s náklady.
Potančok a další (2020) představují pojem Big Data jako „konceptuální pohled na data, jejich vlastnosti a na technologie“. Technologie dokážou efektivně zpracovávat velké množství dat, které přinášejí další možnosti pro rozsáhlá pozorování. Pro zpracování objemu dat je nutné využívat efektivní nástroje a následovat správné postupy pro práci s takovými objemnými daty. Blazquez a Domenech (2018) ve svém příspěvku identifikují nejčastější producenty obsáhlých datových souborů. Mezi tyto zástupce patří především nejvyužívanější technologie současnosti jako jsou chytré telefony, internet, chytré senzory a další obsáhlý seznam produktů IoT.
Původní koncept základních definic byl shrnutý do základních charakteristik, tzv. model
„3V“. Tento koncept byl vyvinutý na přelomu 21. století a odkazoval na tři základní charakteristiky, které mimo jiné ve své definici využívá Gartner (Laney, 2001):
• Volume (Objem)
Objem představuje velikost datového souboru, který je potřeba zpracovat. Přírůstky dat jsou natolik významné, že toto množství není možné zpracovávat standartním způsobem.
• Velocity (Rychlost)
Rychlost představuje časový usek, za který budou data přemístěna, popřípadě zpracována.
Opět v případě exponenciálního nárůstu objemu dat dochází k prodloužení času potřebného ke zpracování všech výstupů z datových zdrojů.
• Variety (Rozmanitost)
Rozmanitost popisuje velkou nesourodost zpracovávaných dat. Ve většině případů se nezpracovávají pouze strukturovaná data. Nejčastější producenti dat, kterými jsou internetové prohlížeče, chytré telefony nebo senzory, poskytují především semi- strukturované nebo nestrukturované datové zdroje. Je proto nutné se důkladně zaměřit na efektivní zpracování dat z těchto zdrojů.
Tento model byl postupem času rozšiřován na model „4V“. Pohledy na sestavení modelu 4V jsou velmi rozdílné a většina zdrojů jednotlivé charakteristiky skládá odlišně. Například Potančok et. al (2020) k výše zmíněným třem charakteristikám přidává další pojem:
• Veracity (Pravdivost)
Pravdivost se zaměřuje na celkovou konzistenci dat pomocí správy dat a ochrany soukromí.
Z početných datových zdrojů přicházejí velmi nekonzistentní data s odlišným výkladem, proto je zabývání se kontrolou konzistence velice důležité.
Dle autorů další publikace (Blazquez a Domenech, 2018) model 4V doplňuje předchozí charakteristiky, jako jsou objem, rychlost, rozmanitost následující dimenzi:
• Value (Hodnota)
Poslední část, která v předchozím pojetí modelu 4V chyběla je právě hodnota. Zachycuje to proces extrakce hodnotných dat a jejich správné zpracování. Ve velkém množství dat se můžou schovat velmi významné záznamy, které při zpracování a důkladném uložení nesmí být opomenuty.
Rozdílné dimenzionální sestavení modelu 4V je vyřešeno v dalším pojetí, a tím je nově vznikající model „5V“. Jedná se o model, který se začíná v současné době hodně využívat.
Obsahuje všechny již definované dimenze, čímž předchází nesrovnalostem a odlišným definicím charakterizující oblast Big Dat (Bello-Orgaz et al., 2016).
2.1.3 Business intelligence
Dalším důležitým pojmem, který souvisí s tématem této diplomové práce, je Business intelligence. Tato oblast spolu s dalšími figuruje v následující kapitole „Oblasti business analytiky“ a představuje základní stavební kámen celé oblasti.
Pojem business intelligence (zkr. BI) od 90 let 20. století až do prvního desetiletí současného století poskytoval hlavní základnu pro tehdejší analytické snažení. Business intelligence reagovala na rozvoj a nové trendy v této oblasti, tím pádem bylo nutné daný koncept BI
postupně rozšiřovat. V následující kapitole budou uvedeny všechny možné alternativy, ať už se bude jednat o ty historicky základní nebo v současné době vznikající. (Slánský, 2018) Business intelligence se nejčastěji objevuje při popisu systematických procesů, metodik, technologií, znalostí a analytických nástrojů, které využívají systémy pro shromažďování, analýzu a uložení dat, jejichž cílem je efektivní podpora obchodních aktivit a rozhodovacích činností ve společnosti. Tento soubor funkcionalit je potřebný pro analýzu nejdůležitějších firemních dat ze všech možných odvětví (controlling, výroba, HR, prodeje apod.) (Božič a Dimovski, 2019a).
Hlavním přínosem této oblasti jsou základní výstupy všech aplikací BI. Tyto výstupy, které vytváří společnostem konkurenční výhodu, popsali autoři ve své publikaci (Potančok et. al, 2020):
• Vypovídající ukazatele, které je možné sledovat na určeném rozsahu dat
• Kombinace pohledů na příslušné ukazatele v adekvátní časové odezvě
• Sledování vývoje příslušných ukazatelů (s tím souvisí i uchovávání historických dat)
• Grafické zpracování v podobě dashboardů nebo reportů pro přehlednost výstupů založených na zpracovaných datech.
Systémy tradičního pojetí business intelligence zahrnují části, které v systémech zaujímají svou vlastní pozici. Dle pohledu Llave (2017) se jedná o následující základní komponenty:
• Datový sklad, datová tržiště (zvláštní typ relační databáze, kde se ukládají veškerá firemní data)
• Datové pumpy (představuje získání dat ze zdrojových systémů, upravení do požadované formy a uložení do datového skladu) (Potančok et. al, 2020)
• OLAP (v našem případě toto označení nese význam analytické části, která extrahuje znalosti z datového skladu nebo z datových tržišť, aby poskytla běžným uživatelům cestu k mnoha úhlům pohledu na data)
• Digitální dashboardy (Graficky zpracované výstupy, které podávají nejdůležitější informace)
• Reporting (přehledný systém reprezentace získaných informací)
• KPI („Key performance indicator“ popisuje měření úrovně výstupu systému nebo provozu. Tato kontrola probíhá na týdenní, měsíční nebo čtvrtletní bázi) (Gartner 2018e)
Tvůrce článku (Llave, 2017) také potvrzuje teorii z první části této kapitoly a popisuje přechod z klasického označení business intelligence na pojmenování „business analytika“.
Tento směr je zaměřený především na analytické úlohy BI. S tímto novým pojmenováním zavádí představu o spojeném využití pojmů a tím je BI&A (“business intelligence a analytika”). V mnoha dalších publikacích a článcích je využívaný právě tento pojem. Tento termín charakterizují jako nadstavbu klasického BI s využitím dalších analytických aktivit jako například data mining (dolování dat).
2.2 Oblasti business analytiky
Charakteristika oblasti business analytiky se může opět lišit napříč různými odbornými články. Tak jako v úvodu bylo nutné definovat samotnou business analytiku, i v této části je potřeba vybrat rozložení jednotlivých částí, jejichž složení do jedné skupiny vytvoří právě celkový koncept business analytiky. Jednotlivé oblasti analytiky budou krátce představeny, aby bylo možné vytvořit si o nich představu.
Po nastudování mnoha materiálů je vybráno rozdělení dle přehledného článku autora Poura (2018). První skupina oblastí představuje historický základ datové analytiky a do tohoto základu autor začleňuje části business intelligence, self-service business intelligence a plánovací aplikace.
Business intelligence zastupuje základní stavební jednotku v analýze a využití dat, proto se této oblasti věnovala již předcházející kapitola. První část je tedy popsána v předchozí kapitole a zasazení do kontextu je představeno právě v této kapitole diplomové práce.
Druhá část s názvem self-service business intelligence (zkr. SSBI) reprezentuje jeden z nejznámějších trendů současné doby. Dané aplikace respektují principy business intelligence jako například zpracování dat, bezpečné uložení apod. Umožňují realizaci analytických a plánovacích úloh na jednodušší bázi a na dostupnějších technologiích.
Těmito aplikacemi je možné nahrazovat celkový náročný koncept business intelligence. Ve většině případů však SSBI aplikace nenahrazují klasické řešení business intelligence, ale pouze je doplňují. Nejznámějším a v současné době nejvyužívanějším představitelem aplikací SSBI je Power BI od společnosti Microsoft. Dalšími významnými zástupci této kategorie analytických aplikací jsou Tableau nebo Qlik Sense (Pour, 2018).
Poslední část z první skupiny jsou plánovací aplikace a nástroje. Plánovací úlohy zasahují například do oblastí tržeb, nákladů a investic, kde je nutné analyzovat data pro tvorbu plánů do dalších let. Zahrnuje to také konsolidaci vytvořených plánů, které vznikají napříč různými organizačními jednotkami. Plány mohou mít i obrácený směr, kdy nastává rozdělení centrálně vytvořených plánů mezi tyto jednotky (Pour, 2018).
Druhá skupina nese v článku (Pour, 2018) pojmenování pokročilá analytika. Aplikace této skupiny opět staví svá řešení na základech business intelligence, ale současně přidávají další podstatné části využívající matematické a statistické modely nebo jiné sofistikované techniky. Jedná se především o data mining (dolování dat), data science, prediktivní analytiku, strojové učení, neuronové sítě, testování hypotéz a mnoho dalšího (Potančok et.
al, 2020), (Slánský, 2018).
Následující skupina využívá při svých analýzách především nestrukturalizovaná data, reprezentovaná textovými informacemi. Využívají se jako doplněk k předchozímu výčtu analytických aplikací. Mezi typické představitele této skupiny aplikací patří text mining (neboli textová analytika). Textová analýza slouží k analýze textových zdrojů, které jsou poté zpracovávány. Dané informace jsou využívané v následující disciplíně, a tou je competitive intelligence. Cílem této disciplíny je získání a zpracování informací, které pomáhají získat konkurenční výhody a zlepšují postavení podniku na trhu. Při této aktivitě je velmi důležitá
ochrana informací a bezpečnost jejich uložení. S touto oblastí úzce souvisí také analýza obsahu (neboli Content analytics), která k jednotlivým informacím ze zdrojů přidává fotografie, zvuky, multimédia (Potančok et. al, 2020)
Poslední segment zahrnuje nástroje a technologie, které tvoří vhodné prostředí pro všechny části, které byly rozepsány výše. Opět existuje velké množství daných prostředí, proto Pour (2018) vyjmenovává pouze nejtypičtější z nich. První, a v dnešní době asi nejrozšířenější označení prostředí, nese pojmenování Big Data. Touto problematikou se podrobně zabývala část předchozí kapitoly, proto není nutné jí znovu představovat. Další dva zástupci doplňují výčet autora, jedná se o tzv. mobilní BI a Cloud computing BI. První ze zmíněných prostředí ve svém článku (Llave, 2017) autor definoval jako alternativu ke klasickému modelu BI.
Zkoumal několik implementací modelu mobilního BI ve světě, který je specifický rozesíláním informací do dalších zařízení. Tato distribuce umožňuje rychlejší využití informací na potřebných místech. Cloudové řešení v tomto článku (Llva, 2017) mělo také své postavení. Tvůrce článku zmiňuje několik studií, které pojednávají o cloudovém řešení business intelligence. V tomto případě dochází k pronajímání aplikací a nástrojů potřebných k využívání BI prostřednictvím služby.
Současná situace nabízí opravdu široké spektrum oblastí, nástrojů, aplikací a technologií v oblasti business analytiky. V této kapitole byly dle článku (Pour, 2018) rozděleny jednotlivé oblasti do přehledných skupin, které se zaměřují na určité problémy a využívají určitá řešení. Od této kapitoly se bude nadále odvíjet další sestavování obsahové části diplomové práce.
2.3 Role business analytiky
V této kapitole jsou pro naplnění cílů diplomové práce vybrány role z portálu MBI uzpůsobené pro výše uvedenou oblast business analytiky. Zároveň jsou do této kapitoly doplněny další role, které nejsou v uvedeném portálu zmíněny. V další fázi jsou tyto role zasazeny do BICC struktury a dojde k poslednímu doplnění rolí, které pokryjí potřebné kompetence z hlediska BICC.
2.3.1 Architekt BI řešení
Jedná se o specialistu v oblasti návrhu aplikací nebo informační infrastruktury. Zodpovídá za návrh vhodné architektury informačního systému podniku. Společně s analytiky se účastní zpracovávání úvodní studie, kde popisuje technologickou architekturu řešení. Další náplní této role je specifikace přírůstku řešení a analýza současného stavu infrastruktury, datových zdrojů a jejich dostupnost. Hlavní částí práce architekta řešení je samotný návrh technologické platformy. Po boku databázového administrátora řeší problémy spojené s extrakcí dat z datových zdrojů a jejich následné uložení do připravených databází. Velmi důležitým aspektem je také monitoring výkonnosti systému a případná optimalizace potřebných částí (MBI, 2018a).
2.3.2 BI konzultant
Dle portálu MBI, synonymem pro označení role business analytika je pojmenování konzultant nebo specialista. V této diplomové práce je využíváno právě označení BI konzultant. Předmětem této role je především příprava analytických a plánovacích aplikací, kde právě BI konzultant například zpracovává úvodní studii, specifikuje přírůstek řešení, analyzuje současný stav a požadavky na řešení a v neposlední řadě se účastní samotné implementace BI řešení (MBI, 2018b).
2.3.3 Databázový administrátor
Správce databáze neboli databázový administrátor sleduje a spravuje celkový stav databáze, na kterých jsou uložena veškerá firemní data. Tato role zajišťuje preventivní zálohování dat, kontroly bezpečnosti a celkové integrity více databází. S bezpečností úzce souvisí také udělování a omezování přístupů k datům. Spolu se zálohami se snaží tito správci předcházet nestandartním stavům pomocí průběžného monitorování databází. V režii zodpovídají také za přípravu a samotný přechod na novou verzi databázového systému, se kterým souvisejí celá řada problémů a možných úskalí (Microsoft, nedatováno).
2.3.4 Datový analytik
V praxi je možné narazit na záměnu nebo prolínání rolí datového a business analytika.
V této práci je role business analytiky zastoupena BI konzultantem. Zatímco business analytik se zaměřuje na problematiku související s business částmi řešení, hlavní úlohou datového analytika je maximalizace hodnoty dat pomocí nástrojů pro vizualizaci a reporting. Analytici se svou činností podílejí na efektivní transformaci a uložení dat. Mimo jiné také výrazným způsobem zasahují do návrhů datových modelů a do implementace datové analytiky. Spolu s dalšími zapojenými subjekty řešení vybírají vhodné a nezbytné požadavky na data. Problematika spojená s nezpracovanými daty byla popsána v předchozích kapitolách. Datový analytik odpovídá za přeměnu neupravených dat na data relevantní, která přinášejí přidanou hodnotu podniku (MBI, 2018c).
2.3.5 Datový inženýr
Microsoft mezi hlavní činnosti datového inženýra řadí získávání strukturovaných a nestrukturovaných dat z více zdrojů. Datový inženýr také zajišťuje bezpečnou a bezproblémovou integraci veškerých datových služeb. Mimo jiné také spolupracuje s ostatními zúčastněnými rolemi na správné identifikaci a sestavení požadavků na data.
V práci databázového administrátora a datového inženýra může často docházet k prolínání činností, rozsah práce datového inženýra je však daleko nad rámcem péče o databáze.
Hlavním přínosem datového inženýra je posouvání projektu rychlejším tempem kupředu na základě zpracování a v některých případech i „hádání“ nových dat. Práce datového inženýra také navazuje na velmi rozsáhlé téma, kterým je zpracování velkého množství dat, tzv. Big Data. Při své práci podporují datoví inženýři činnosti datového analytika především podporou při optimalizaci transformace všech typů dat. Předpokladem kvalitní práce
datového analytika je znalost analytických metod a nástrojů, které podporují zpracování Big Dat (Microsoft, nedatováno).
2.3.6 Datový vědec
Datový vědec je charakteristický získáváním hodnoty z dat v rámci předpokladů pokročilé analytiky. Jeho znalosti a dovednosti se musejí pohybovat od popisné až po prediktivní analýzu dat. Hlavní přínosy prediktivní analytiky jsou blíže specifikované ve druhé kapitole.
Popisná a prediktivní analytika jsou pouze dílčí náplní práce datového vědce. Dále se zabývá například neuronovými sítěmi, umělou inteligencí apod. Důležitým aspektem dle Microsoftu je spolupráce datového vědce a datového analytika. Vědec se snaží definovat otázky, na které je potřeba odpovědět. Tím získává podklady pro tvorbu hypotéz, které dokáže potvrdit nebo vyvrátit. Následně datový analytik pomáhá s vizualizací dat a reportingem výsledků (Microsoft, nedatováno).
2.3.7 Projektový manažer
Role projektového manažera řešení přímo navazuje na roli sponzora řešení. Jedná se o zástupce projektového týmu, který je jmenován sponzorem řešení. Hlavním úkolem projektového manažera je zajistit hladký průběh procesu řešení. Řídí samotnou tvorbu a správu řešení, udává směr řešitelskému týmu, tak aby byla dosažena potřebná kvalita a očekávané cíle. Manažer řešení je v úzkém kontaktu se zadavatelem (sponzorem řešení).
Spolu s architektem řešení určuje základní přístup k řešení business analytiky na základě posuzování možných variant. Zodpovídá za vytvoření zadání projektu, ve kterém definuje základní cíle, metriky pro dosažení cílů, určuje strategii a specifikuje postup řešení (MBI, 2018e).
2.3.8 Sponzor řešení
Tato role stojí na samotném vrcholu celého projektu, za který zodpovídá. Sponzor řešení je jmenován nejvyšším vedením společnosti. Jeho hlavní náplní práce je zajišťování financí a získání pracovníků podniku na manažerských úrovních pro realizaci stanoveného řešení.
Osoba zasazená do této role bývá většinou součástí vrcholového vedení, zastávající výraznou pozici v podniku. Mimo jiné zajišťuje také komunikaci a potřebnou kooperaci s hlavním vedením podniku (MBI, 2018f).
2.3.9 Vývojář BI aplikací
Vývojáři bezprostředně navazují na práci analytiků a architektů řešení. Zpočátku zhodnotí a analyzují požadavky na nové přírůstky řešení a následně samotné aplikace navrhují a vyvíjejí. Se samotným vývojem úzce souvisejí také otázky dokumentace a průběžné údržby řešení. Práce vývojáře je založena hlavně na znalostech metodik pro vývoj a také na znalostech nástrojů, které jsou k tvorbě řešení používány. Komunikace pro efektivní práci je velmi důležitá během vývoje. Ať už se jedná o konzultace s architektem řešení, ostatními vývojáři nebo například se samotným zadavatelem řešení a příslušnými analytiky (MBI, 2018g).
2.4 Současná situace
Současnou situaci v oblasti dat a analytiky velmi přehledně zachytil ve své publikace Slánský (2018). Do této kapitoly jsou vybrány základní charakteristiky současného stavu.
V návaznosti na tuto charakteristiku jsou dále představeny hlavní trendy a problémy, které s touto problematikou souvisejí a mají tak významný vliv na rozvoj potřebných znalostí, dovedností, schopností a také velmi výrazným způsobem postupem času zvyšují požadavky na kompetence konkrétních pracovních rolí.
Situace 21. století v oblasti dat a analytiky představuje zpracovávání velkého množství dat.
Této problematice se blíže věnovala část s názvem „Big Data“. V souvislosti s těmito objemy dat se dostávají do popředí automatické aplikace v podobách umělé inteligence nebo robotizace. Ačkoli umělá inteligence nebývá vnímána jako součást oboru datové analytiky, je tato oblast s ní spojována a nelze tuto spojitost odstranit. V této části nesmí chybět zmínka o zpracovávání nových typů dat, jimiž se zabývají oblasti pokročilé analytiky a o kterých jsme se zmínili dříve. Oblast business analytiky přináší do světa nové možnosti toho, jak na denní bázi efektivně získávat, využívat a interpretovat data potřebná pro plánování nebo rozhodování ve společnostech (Slánský, 2018).
2.4.1 Trendy
Současných trendů spojených se zpracováním a využitím dat může být nepřeberné množství (Tripathi, 2020). Pro jasnou představu a získání znalostí o těch nejdůležitějších trendech je vybrána odborná publikace Slánského (2018), který se v jedné ze svých knih věnoval právě současným trendům v oblasti dat a analytiky. V této podkapitole jsou vybrány trendy, které souvisí s probíranou tématikou diplomové práce. Zároveň následující řádky dotvářejí představu o definované oblasti business analytiky.
Autor publikace (Slánský, 2018) rozdělil trendy na vnější a vnitřní. Mezi vnější trendy ovlivňující prostředí patří v první řadě digitalizace. Můžeme ji považovat za konektivitu podporovanou digitálními technologiemi, kdy často dochází až k nahrazování činností automatizovanými postupy těchto technologií. Bývá považována za hlavní hybnou sílu v současné době průmyslové revoluce. S digitalizací úzce souvisí problematika požadavků na pracovní síly a třeba rozvoje nových dovedností. Oblast digitální přeměny je příkladem toho, že vznikají nové pracovní příležitosti, ovšem zároveň některé zanikají (Parida, 2018).
S přeměnou požadavků na pracovní síly vzniká další trend, a tím je nedostatek kvalifikovaných pracovníků v mnoha oblastech podnikání.
Dalšími představiteli vnějších trendů, která ovlivňují prostředí business analytiky jsou neustále rostoucí objemy dat a umělá inteligence spolu s robotizací a inteligentní automatizací. Všechny uvedené oblasti zaujímají své postavení především v průmyslovém odvětví, kde stroje nahrazují člověka především v opakovaných činnostech. Ve většině případech dokážou být stroje pomocí sestaveným algoritmům rychlejší či levnější než člověk.
Poslední z vybraných trendů je přelomová oblast nesoucí název blockchain. Tato technologie je založená na kryptografii. Jedná se o systém záznamů databází, které jsou
ověřovány na tzv. peer-to-peer principu. Funguje to na jednoduchých úkonech, kdy uživatel může zapsat transakci, kterou posléze další uživatelé v síti ověřují. Prakticky nelze žádné záznamy smazat, zfalšovat nebo zaměnit (Yaga et al., 2018), (Slánský, 2018).
V této chvíli je čas zaměřit se na tzv. „vnitřní trendy“ prostředí (Slánský, 2018). Prvním představitelem této skupiny je trend zaměření na datovou kvalitu. Opět téma datové kvality bylo probíráno v předchozích částech této práce, proto zde není nutné tuto oblast detailněji přibližovat.
Je možné sledovat přesun částí architektury do cloudu, což se v následujících několika letech bude stávat podstatně častěji. Přesun do cloudu přináší především benefity, jako jsou úspora nákladů, kvalitnější zabezpečení a možná flexibilita. V současné době se běžně cloudová řešení využívají pro systémy, které nepracují se soukromými a citlivými daty.
Můžeme se setkat i se společnostmi, které do cloudu přesunuly veškeré firemní systémy, i ty s kritickými a citlivými daty (Llva, 2017).
Poslední částí této oblasti zaujímá v současné době velmi významné vzdělávání v oblasti dat a analytiky. Již byla řeč o nedostatku kvalifikované pracovní síly a problému s nedostatečným vzděláváním pracovníků společností. Firmy se ve většině případech snaží efektivně zvládnout přechod na data-driven společnost a otázka vzdělávání nesmí být v tomto přesunu opomenuta.
2.4.2 Problémy
Společně s benefity v současném světě dat a analytiky vznikají i významné problémy. O některých již byla řeč v předchozí podkapitole, je to například nedostatečná kvalifikovaná pracovní síla nebo nedůvěra v automatizaci podniku z hlediska zanikání pracovních míst pro člověka.
V souvislosti s problémy, které vznikají v současné business analytice jsou v této kapitole uvedeny dva příklady. Prvním z nich je nedůvěra ve správnost vytvořených výstupů.
V tomto případě dochází v posledních letech k negativním zkušenostem koncových uživatelů, kteří nemají důvěru ve správnost analytických výstupů. S tímto poznatkem souvisí také druhý příklad problému a tím je nedosažení požadovaných benefitů z připravovaného řešení. Většina uživatelů očekává od dodavatelů řešení business analytiky dodání konkrétních výstupů, které jim byly slíbeny. V mnoha případech však dochází ke zklamání koncových uživatelů a slibované benefity nedostávají tak, jak si původně představovali. Příčiny těchto problémů mohou být různorodé. Může se jednat o příčiny jako špatné komunikace mezi oběma stranami, využívání nástrojů, které nejsou pro určité části kompatibilní, nesrozumitelné výstupy pro samotné uživatele nebo nedostatečná specifikace výstupů (Slánský, 2018).
V této první části byl kladen důraz na přehledné představení světa dat a analytiky. Na tuto oblast přímo navazuje další kapitola, kde BICC reaguje na současné problémy a trendy a zároveň tuto oblast rozvíjí především o plánování a řízení datové analytiky v podniku. Velmi důležitým rozvojem v další kapitole je přidání specifických rolí pro BICC.
