Vysoká škola ekonomická v Praze
Fakulta informatiky a statistiky
Analýza rozvoje Business Intelligence pro vybranou společnost
BAKALÁŘSKÁ PRÁCE
Studijní program: Aplikovaná informatika Studijní obor: Aplikovaná informatika
Autor: Adam Sosnovský
Vedoucí bakalářské práce: prof. Ing. Josef Basl, CSc.
Praha, květen 2021
Prohlášení
Prohlašuji, že jsem bakalářskou práci Analýza rozvoje Business Intelligence pro vybranou společnost vypracoval samostatně za použití v práci uvedených pramenů a literatury.
V Praze dne 9. května 2021 ...
Adam Sosnovský
Poděkování
Rád bych poděkoval prof. Ing. Josefu Baslovi, CSc., za cenné rady, věcné připomínky a pomoc při vedení této bakalářské práce.
Abstrakt
Tato bakalářská práce se zabývá porovnáním BI platformy vybrané společnosti s dalšími BI platformami na trhu. V teoretické části práce je definován pojem Business Intelligence a následně popsána obecná architektura s jednotlivými komponentami BI. Dále jsou v teoretické části identifikovány současné trendy Business Intelligence. V praktické části je představena sledovaná společnost a její BI řešení. Posléze je analyzován trh s BI platformami a selektovány BI platformy pro jejich porovnání. Pro porovnání jsou stanovena kritéria vycházející ze současných trendů a požadavků vybrané společnosti. Jednotlivým kritériím je přiřazena váha dle jejich důležitosti, a na základě toho je určena škála bodové ohodnocení. BI platformy jsou tak bodově ohodnoceny podle míry splnění jednotlivých kritérií a je určen vítěz, který dosáhl největšího součtu bodů. Na základě porovnání a vyhodnocení jednotlivých platforem je poskytnuto doporučení pro vybranou společnost.
Klíčová slova
analýza, business intelligence, trendy, trh, porovnání, kritéria
JEL klasifikace
C88
Abstract
This bachelor’s thesis deals with the comparison of the BI platform of a selected company with other BI platforms on the market. The theoretical part of the thesis defines the term of Business Intelligence and then describes the general architecture with individual BI components. Furthermore, the theoretical part identifies current trends in Business Intelligence. The practical part presents the selected company and its BI solution.
Subsequently, the market with BI platforms is analyzed and BI platforms are selected for their comparison. For comparison, criteria are set based on current trends and requirements of the selected company. The individual criterias are assigned a weight according to their importance, and based on this, a scale of points is determined. BI platforms are scored according to the degree of fulfillment of individual criterias and the winner who has achieved the largest sum of points is determined. Based on the comparison and evaluation of individual platforms, a recommendation is provided for a selected company.
Keywords
analysis, business intelligence, trends, market, comparison, criteria
JEL Classification
C88
Obsah
Úvod ... 9
Vymezení tématu práce a důvod výběru tématu ... 9
Cíl práce ... 10
Metoda dosažení stanoveného cíle ... 10
Předpoklady a omezení práce ... 10
Struktura práce ... 10
Výstup bakalářské práce a její přínos ... 11
1 Rešerše ... 12
2 Význam a definice Business Intelligence ...14
3 Vrstvy BI ...16
4 Komponenty BI ... 18
4.1 Zdrojové databáze ... 18
4.2 ETL ... 18
4.3 EAI ...19
4.4 DSA ...19
4.5 Datový sklad ...19
4.6 Datové tržiště ... 20
4.7 OLAP databáze ... 20
4.8 Reporting ... 21
4.9 Data mining ... 21
4.10 Analytické aplikace ... 22
4.11 Nástroje pro řízení kvality dat ... 22
4.12 Nástroje pro správu metadat ... 22
5 Trendy v Business Intelligence ... 24
5.1 Vizualizace ... 26
5.1.1 Zpracování vizualizace ... 26
5.1.2 Zásady správné vizualizace ... 26
5.2 Master Data Management and Data Quality Management ... 27
5.2.1 Kroky k dosažení kvalitních dat ... 28
5.2.2 Master data ... 28
5.3 Data governance ... 29
5.3.1 Implementace data governance ... 30
5.4 Self-Service BI ... 30
5.5 Umělá inteligence... 31
5.5.1 Rozšířená analýza ... 31
5.5.2 Preskriptivní analýza ... 32
5.6 SaaS BI ... 32
5.7 Mobilní BI ... 33
6 Analýza vybrané společnosti ... 35
6.1 Představení společnosti ... 35
6.1.1 Organizační struktura ... 35
6.2 Architektura BI ve vybrané společnosti ... 36
6.2.1 Zdrojové systémy ... 36
6.2.2 ETL ... 36
6.2.3 Datový sklad ... 36
6.2.4 BI platforma ... 36
6.3 Představení BI platformy ... 36
6.4 Využití BI ... 38
6.5 Základní požadavky ... 39
7 Analýza trhu a kritéria hodnocení ... 40
7.1 Analýza trhu ... 40
7.2 Selekce BI platforem ... 42
7.3 Kritéria a způsob hodnocení ... 43
7.3.1 Kritéria na základě trendů BI ... 43
7.3.2 Kritéria ze strany společnosti ... 47
8 Porovnání BI platforem ... 50
8.1 MicroStrategy ... 50
8.1.1 Zhodnocení dle trendů BI ... 50
8.1.2 Zhodnocení dle kritérií společnosti ... 51
8.2 Power BI ... 52
8.2.1 Zhodnocení dle trendů BI ... 52
8.2.2 Zhodnocení dle kritérií společnosti ... 54
8.3 Tableau ... 55
8.3.1 Zhodnocení dle trendů BI ... 55
8.3.2 Zhodnocení dle kritérií společnosti ... 56
8.4 Qlik... 57
8.4.1 Zhodnocení dle trendů BI ... 57
8.4.2 Zhodnocení dle kritérií společnosti ... 58
8.5 ThoughtSpot ... 58
8.5.1 Zhodnocení dle trendů ... 59
8.5.2 Zhodnocení dle kritérií společnosti ... 59
9 Vyhodnocení a doporučení ...61
9.1 Výsledek hodnocení ...61
9.2 Doporučení ... 62
Závěr ... 64
Použitá literatura ... 66 Přílohy ... I Příloha A: Řízený rozhovor s BI administrátorem ... I
Úvod
Nacházíme se v době, kdy se počet vyprodukovaných dat neustále zvyšuje v obrovském měřítku. Společnosti zpravidla pro získávání a ukládání dat využívají mnoho systémů nebo aplikací. Tato uložená data je potřeba nějakým způsobem zpracovat a získat z nich nejdůležitější informace k podpoře rozhodovacích procesů. K tomu se využívají právě nástroje Business Intelligence.
Společnosti se potřebují rozhodovat rychle a správně, a k tomu je potřebné mít informace aktuální a kvalitní. Vzhledem k velkému množství dat a systémů však dochází v datech často k chybám či duplicitám. Z tohoto důvodu společnosti čím dál více kladou důraz na jejich kvalitu. Bez potřebné kvality jsou pro společnost data totiž spíše nebezpečná než užitečná.
Z důvodu rychlého a správného rozhodování vedení společnosti samozřejmě vzniká tlak na pracovníky IT, kteří musí jejich požadavky včasně plnit. Tradiční způsob řízení Business Intelligence spočívá v zpracování těchto požadavků v rámci reportů pracovníkem IT. Tento způsob se však může stát velmi nákladným a neefektivním, kdy IT nebude schopno veškeré požadavky pokrýt a včas zpracovat. Proto se v nedávných letech objevil nový přístup k Business Intelligence a to Self-Service. Self-Service Business Intelligence umožňuje koncovým uživatelům analyzovat data bez přímé podpory IT, a tak nejsou koncoví uživatelé na ní závislí. Ovládání takových analytických nástrojů je dostatečně jednoduché a intuitivní, aby byl s nástrojem schopen pracovat běžný uživatel.
Business Intelligence se však rozvíjí neustále a stálé přináší další nové trendy a přístupy.
Důležité je i to, jak k rozvoji přistupují společnosti, které vyvíjí a poskytují své BI nástroje zákazníkům. Zda jsou schopny na nové trendy dostatečně reagovat nebo přicházet s vlastními inovacemi. Tomuto se bude věnovat právě tato práce.
Vymezení tématu práce a důvod výběru tématu
Tato práce se zabývá porovnáním předních BI platforem na trhu se současnou BI platformou vybrané společnosti. Zkoumá, jak si BI platformy stojí v jednotlivých kritériích stanovených ze současných trendů a požadavků společnosti a hledá nejvhodnější variantu pro vybranou společnost.
Téma bakalářské práce si autor vybral především z důvodu, že měl možnost ve škole studovat předmět Základy Business Intelligence, který ho zaujal na tolik, aby se oblasti Business Intelligence začal věnovat více.
Dále také byla v předmětu možnost si vyzkoušet práci s BI nástrojem Power BI Desktop.
Proto autora práce tak zajímalo, jak si tento a další nástroje vedou v rámci trhu, a jak splňují požadavky dnešních společností.
Cíl práce
Cílem této práce je porovnat současnou BI platformu vybrané společnosti s dalšími předními BI platformami na trhu za účelem doporučení vhodné BI platformy pro vybranou společnost. K dosažení tohoto cíle je potřeba splnit následující cíle dílčí:
• Popsat princip problematiky a architektury Business Intelligence
• Určit a popsat aktuální trendy Business Intelligence
• Analyzovat současný stav BI řešení vybrané společnosti
• Analyzovat trh s BI platformami
• Definovat způsob hodnocení a vhodná kritéria, podle kterých budou BI platformy hodnoceny
Metoda dosažení stanoveného cíle
Pro splnění stanoveného cíle je třeba získat teoretické znalosti o Business Intelligence a současných trendech BI. Dále je třeba představit současné BI řešení vybrané společnosti, pochopit způsob jeho fungování a stanovit požadavky, které by měla BI platforma pro tuto společnost splňovat.
Předpoklady a omezení práce
Předpokladem práce je kooperace s vybranou společností, kdy by bez relevantních informací a dokumentů nebylo možné práci vypracovat. Dalším předpokladem je dostatečně veřejně dostupná dokumentace jednotlivých BI platforem na trhu.
Omezením práce je fakt, že si vybraná společnost nepřála zveřejňovat název společnosti. A proto tak nemohou být v práci uvedeny veškeré informace týkající se přiblížení současného stavu Business Intelligence vybrané společnosti.
Dalším omezením práce je, že tato práce se zabývá výběrem vhodné BI platformy pro konkrétní společnost s konkrétními požadavky. Z tohoto důvodu je tak řešení aplikovatelné pro jiné společnosti pouze částečně.
Struktura práce
Práce je rozdělena na část teoretickou a část praktickou. Teoretická část se zabývá nejprve definicí a objasněním pojmu Business Intelligence, následně je popsána obecná architektura Business Intelligence a identifikovány současné trendy Business Intelligence.
Praktická část se skládá z více dílčích částí, mezi které patří analýza současného stavu BI vybrané společnosti, analýza trhu s BI platformami, určení kritérií a způsobu hodnocení, porovnání vybraných BI platforem, a nakonec vyhodnocení a doporučení.
Výstup bakalářské práce a její přínos
Výstupem bakalářské práce je doporučení vhodné BI platformy pro vybranou společnost.
Hlavním přínosem práce je zmiňované porovnání předních BI platforem na trhu a analýza toho, jak jsou schopny čelit současným trendům a požadavkům společnosti. Tato práce také může sloužit jako zdroj informací pro identifikaci současných trendů v oblasti Business Intelligence. Dále může být práce nápomocná dalším společnostem, které vybírají BI platformu pro svou společnost.
1 Rešerše
Tato kapitola představuje bakalářské a diplomové práce, které se již zabývaly zvoleným tématem nebo s ním alespoň větší měrou souvisely. Vybrané závěrečné práce napomohly k pochopení zkoumané problematiky a tvorbou této práce.
Nástroje Business Intelligence – analýza trhu nástrojů Self-service Business Intelligence
Tato diplomová práce se zabývá analýzou trhu se Self-Service BI nástroji a aplikací vybraných nástrojů na modelovém příkladu firmy. Na úvod je vysvětlen pojem Self-Service BI, následně jsou představeny základní trendy v Business Intelligence a představen trh se Self-Service Business Intelligence nástroji. Následně jsou představena kritéria, dle kterých jsou porovnány BI nástroje na trhu. Z tohoto porovnání vzejdou tři nejlepší řešení, které jsou následně podrobeny bližšímu otestování na modelovém příkladu, z kterého vzejde vítězná varianta. [1]
Porovnání vizualizačních nástrojů pro analýzu dat
Diplomová práce porovnává vizualizační nástroje umožňující provádět analýzy s daty a Big daty dle vybraných kritérií. Dále ověřuje hypotézu ze strany společnosti Gartner, a to jestli jsou Nástroje Microsoft Power BI a Tableau skutečně nejlepšími nástroji. V teoretickém východisku práce je popsán vývoj Business Intelligence, jeho součásti, vysvětlen pojem Big Data a stanoveny druhy analytických aplikací. Následovně jsou vybrány a stručně popsány sledované BI nástroje a posléze porovnány. Zhodnoceny jsou zejména z hlediska hardware náročnosti, vizualizace, podpory datových zdrojů, podpory mobilních zařízení a ceny. [2]
Byznys inteligence v podniku
Diplomová práce pojednává o využití Business Intelligence v malých a středních podnicích.
V praktické části se snaží najít vhodně řešení pro vybraný podnik. Hlavním cílem je zvýšení schopnosti interpretace dat, automatizace procesů a konkurenceschopnosti podniku. Ve firmě jsou zanalyzovány využívané aplikace a zjištěny mezery ve firmě. Na základě požadavků jsou vybrané možné varianty nasazení BI řešení. Tyto varianty jsou poté porovnávány a na základě toho je vybráno pro firmu odpovídající nejlepší řešení. Mimo jiné je i provedeno ekonomické zhodnocení zahrnující odhadované náklady na projekt zavedení BI do tohoto podniku. [3]
Porovnání nástrojů Self-Service Business Intelligence
Práce se zabývá porovnáním nástrojů Self-Service BI na základě vícekriteriální analýzy.
Metriky hodnotící nástroje partikulárně kopírují vrstvy BI architektury. Výsledek je stanoven na základě Fullerova metody a váženého součtu nabytých hodnot. V první části se autor zabývá přístupy k Business Intelligence, čili klasickému DWH přístupu, in-memory
přístupu a přístupu Self-Service. V druhé části je proveden výběr nástrojů, jimiž je Microsoft Power BI a Tableau. Ty jsou poté mezi sebou porovnány. [4]
2 Význam a definice Business Intelligence
Původně byly podnikové informační systémy orientované primárně transakčně, avšak již v 70. letech se začaly objevovat pokusy o vytvoření aplikací a technologií, které se zaměřují na analytické, plánovací a rozhodovací činnosti. [5] Tyto pokusy daly vzniku Business Intelligence tak, jak ho známe dnes.
Vznik termínu Business Intelligence je připisován Howardu J. Dresnerovi, který ho v roce 1989 popsal jako „sadu konceptů a metod určených pro zkvalitnění rozhodnutí firmy.“ [6 s. 18] Dnes existuje pro pojem Intelligence nespočet různých definic od různých autorů.
Tyto definice jsou však většinou velmi podobné a obsahují stejné základní myšlenky. Níže jsou uvedeny některé z nich.
V knize Podniková informatika je pojem BI definován jako: „Sada procesů, know-how, aplikací a technologií, jejichž cílem je účinně a účelně podporovat řídící aktivity ve firmě.
Podporují analytické, plánovací a rozhodovací činnosti organizací na všech úrovních a ve všech oblastech podnikového řízení, tj. prodeje, nákupu, marketingu, finančního řízení, controllingu, majetku, řízení lidských zdrojů, výroby a dalších.“ [5 s. 108]
Kniha Datové sklady: agilní metody a business intelligence uvádí definici BI jako: „Business intelligence je sada procesů, aplikací a technologií, jejichž cílem je účinně a účelně podporovat rozhodovací procesy ve firmě. Podporují analytické a plánovací činnosti podniků a organizací a jsou postaveny na principech multidimenzionálních pohledů na podniková data.“ [7 s. 24]
Kniha Business intelligence: jak využít bohatství ve vašich datech definuje BI takto:
„Business intelligence je sada procesů, aplikací a technologií, jejichž cílem je účinně a účelně podporovat rozhodovací procesy ve firmě. Podporují analytické a plánovací činnosti podniků a organizací a jsou postaveny na principech multidimenzionálních pohledů na podniková data.“ [6 s. 19]
Z těchto definic a prvotního představení pojmu je patrné, že pojem Business Intelligence je koncipovaný jako sada analytických nástrojů a aplikací, které pracují s již existujícími databázemi transakčních aplikací jako je ERP, CRM atd. To znamená, že kvalita řešení BI závisí především na kvalitě zpracování zdrojových aplikací ve společnosti. [5]
Pro lepší pochopení bude uveden rozdíl mezi transakčními a analytickými aplikacemi. Na transakční aplikace je kladen požadavek, aby byly schopny zajistit rychlý přístup k datům a
umožnit s nimi efektivně pracovat. Například: aktualizace údajů, tvorba dokumentů apod.
[5]
Analytické aplikace z těchto transakčních aplikací data dále transformují a zajišťují výsledné vyhodnocení sledovaných ukazatelů v podniku např.: objem zboží na skladě, tržby atd. Další vlastností je možnost analýzy těchto sledovaných ukazatelů podle různých dimenzí a sledování vývoje daných ukazatelů v čase. [5]
Na kvalitu zpracování BI řešení navazuje další bod, a to je samotné fungování BI v podniku.
Výsledky a způsob, jakým je podnik řízen, je totiž velkou měrou ovlivněn právě způsobem využívání BI. [5] Proto je kvalita a efektivita BI řešení zásadním bodem v dnešním fungování úspěšné a konkurenceschopné společnosti. [6]
3 Vrstvy BI
Tato kapitola popisuje jednotlivé vrstvy BI, které slouží k nastínění základního principu fungování Business Intelligence. Každý podnik má svou architekturu BI lehce odlišnou, jelikož je navržena tak, aby co nejlépe vyhovovala požadavkům a potřebám daného podniku.
Z tohoto důvodu vrstvy BI zde obsažené vychází z obecné koncepce.
První vrstvou BI je datová transformace. Do této vrstvy spadají komponenty, které zajišťují přenos dat ze zdrojových systému do vrstvy pro ukládání dat. V této vrstvě také dochází k očištění a transformaci do požadovaného formátu dat. Konkrétně sem patří ETL a EAI komponenta. [6]
Ve vrstvě pro ukládání dat se ukládají přetransformovaná data, se kterými následně pracují další komponenty BI řešení. Mezi komponenty vrstvy pro ukládání dat patří: Datový sklad, datové tržiště, operativní datové úložiště, dočasné úložiště dat. [6]
Ve vrstvě pro analýzu dat vrstvě dochází přímo k analytickým úlohám. Patří sem reporting, který poskytuje standardní a ad hoc dotazy do databází. Dále OLAP kostky sloužící pro pokročilejší analytické úlohy a také data mining pro analýzu většího objemu dat. [6]
Do prezenční vrstvy patří nástroje pro koncové uživatele. Dochází zde ke sběru požadavků na analytické operace a následnou prezentaci výsledků v podobě různých grafů, tabulek atd.
Komponentami jsou např.: portálové aplikace, manažerské aplikace a analytické aplikace.
[6]
Vrstva oborové znalosti svým způsobem zahrnuje všechny komponenty (vrstvy) BI, patří sem totiž best practices, tedy veškerá oborová znalost, zkušenosti, postupy aj. využívané při návrhu, implementaci a nasazování BI do podniku. [6]
Do vrstvy obecné technologie pro práci s daty patří komponenty, které se starají o zajištění kvalitních a reálných dat, správu metadat sloužící jako popis či dokumentace systémů a procesů. Zahrnuje se sem ale také technické znalosti v programovací a technologické podobě implementačního týmu. [6]
Obrázek 1: Obecná koncepce architektury BI (Zdroj: [6])
4 Komponenty BI
V této části práce jsou představeny podrobněji jednotlivé komponenty Business Intelligence. Stejně jako vrstvy BI se mohou v různých podnicích na základě jejich potřeb ve výsledném BI řešení lišit i jednotlivé komponenty BI. Tato kapitola vychází z obecné koncepce v knižní publikaci Business Intelligence v podnikové praxi.
4.1 Zdrojové databáze
Do skupiny zdrojových databází patří veškeré databáze aplikací, ze kterých Business Intelligence sbírá data a analyzuje je. [5] Z pravidla se jedná o databáze transakčních aplikací jako je ERP, SCM, CRM atd. Zdroje dat pro BI však mohou být různého charakteru, nemusí se tedy jednat pouze o interní systémy podniku. Zdroji dat může být například i běžný dokument v Excelu. Dále mohou zdroje dat být také externího charakteru, tudíž BI může například pracovat i s databázemi partnerské firmy, databázemi analytických společností apod. Zdrojové systémy a její kvalita dat jsou alfou a omegou úrovně výstupů v Business Intelligence aplikacích. [8]
4.2 ETL
Zkratka “ETL” odpovídá třem anglickým slovům, které rovněž definují její činnost. Těmi slovy jsou extraction, transformation a loading. Čili ETL nejdříve vybere data ze zdrojových systémů, následně je upraví a očistí od různých duplicit či chybných dat, a nakonec nahraje do některého úložiště dat, zpravidla datového skladu nebo tržiště. V českém překladu se u této komponenty také můžeme setkat s termínem datová pumpa. ETL nástroje pracují na principu dávkového režimu, to znamená, že procesy ETL jsou zpracovávány v určitém intervalu (např. denně, týdně nebo měsíčně), v předem naplánovaném a pravidelném čase, většinou se jedná o pozdní hodiny. K přenosu dat může docházet mezi jakýmikoliv dvěma nebo více databázemi/datovými soubory. [5]
Kvalitně navržená a fungující datová pumpa nabízí podniku řadu výhod a také zkvalitňuje řízení podniku. Hlavní takovou výhodou je zajisté extrakce podstatných dat podporující přímo zákaznické požadavky. Dalším přínosem ETL komponenty je schopnost načítat data s neúplnou referenční integritou a zaznamenávat chyby do chybového žurnálu. Poskytuje také schopnost tvorby a správy metadat. [9]
Celý tento velký proces musí však ctít určitá pravidla, aby nedocházelo k problémům.
Základem je vybrat správná data ze zdrojových systémů. Ne všechny data v těchto systémech jsou určená pro analytické, plánovací a rozhodovací aktivity, proto je na toto třeba dávat pozor ze strany analytiků. Je také možné, že ve zdrojových systémech jsou jedna stejná data uložena vícekrát. Do datového skladu by však měla tato data vstupovat pouze
jedenkrát. V neposlední řadě by nové datové struktury transformované z těchto dat měly být navrženy podle potřeb daného podniku. [9]
4.3 EAI
EAI (Enterprise Application Integration) jsou nástroje, které pracují v reálném čase na úrovni datové a aplikační integrace. V rámci úrovně datové integrace je EAI využíváno pro integraci a distribuci dat a v případě aplikační integrace jsou EAI nástroje využívány mimo integrace a distribuce i pro sdílení určitých funkcí aplikací. Hlavním cílem EAI nástrojů je integrace zdrojových informačních systémů a redukce jejich vzájemných rozhraní. Nejvíce jsou EAI využívány ve vrstvě datové transformace. V této vrstvě slouží jako prostředek real- time přesunu dat do datového skladu. [6]
4.4 DSA
Dočasné uložiště dat je komponenta BI, do které se extrahují detailní, neagregovaná, neočištěná data ze zdrojových systémů. Do DSA se ukládají pouze aktuální data, neexistuje zde tedy žádná historie. Hlavním úkolem DSA je data připravit na vstup do datového skladu.
Tím je na mysli kontrola kvality dat a čištění. Poté, co se daná data v DSA zpracují a přenesou do datového skladu, případně datového tržiště, tak v DSA zaniknou. [8]
Komponenta DSA není pro BI řešení nepostradatelná, avšak podniky s implementovaným DSA snižují vytížení primárních systémů, urychlují proces extrakce dat a snižují náklady plynoucí z provozu datového skladu. Implementace datového skladu se však naopak s DSA prodražuje. [10]
4.5 Datový sklad
Datový sklad je komplikovaný systém skládající se z několika vrstev, které slouží k shromažďování, organizaci, uchovávání a sdílení historických dat. [7] Je obvyklé, že jsou data do datového skladu transformována z více zdrojových systémů, kde se stává, že se v nich opakují stejná data. V databázi datového skladu jsou však tyto data uloženy pouze jedenkrát. [5] Do datového skladu jsou ukládána data z celého podniku za různá časová období tak, aby z nich mohly vznikat různé analýzy vývoje dat. I když to není tak časté, datový sklad může být zaměřený i na určitý obor činnosti. Může tedy být podnik, který má datový sklad výhradně sloužící pro finance. [7] Žádná data nejsou v datovém skladu získána ručně a nelze je zde ani nijak měnit. Uložena jsou zde v takové formě, v jaké jsou zde pomocí ETL načítána a existují zde po celou dobu existence datového skladu. [5]
Uživatelské nároky na datový sklad jsou velmi vysoké. Zpravidla tyto nároky zahrnují rychlý přístup ke kvalitním, správným, jednoduše dostupným a pochopitelným informacím. Dále by se DWH měl přizpůsobovat změnám v požadavcích uživatelů, technologiím a podnikovému prostředí. Mělo by být také zajištěno zabezpečení dat v DWH, jelikož data
v něm obsažená bývají citlivá. Implementace DWH by měla přinést efekt zkvalitnění řídících a rozhodovacích procesů. [11]
Z těchto všech požadavků samozřejmě plyne vysoká technologická a finanční náročnost na implementaci. Proto velká část projektů překročí stanovený rozpočet, případně není ani dokončena. [11]
4.6 Datové tržiště
Datové tržiště funguje na podobném principu jako datový sklad. Rozdíl oproti datovému skladu tkví v jeho určení. Datová tržiště jsou většinou implementována jen pro část firmy, respektive například oddělení nebo divizi. [8] Datová tržiště mohou v podniku fungovat dvěma způsoby. V jednom případě jako takový mezistupeň, který se postupně integruje do celopodnikového datového skladu. Výhodou implementace datového tržiště oproti datovému skladu je v tomto případě kratší doba návratu investic a nižší náklady s riziky.
Druhá možnost je využití datového tržiště pro část podniku. Taková datová tržiště pracují s menším počtem dat a pokrývají například pouze sektor financí. Data se do datového tržiště extrahují z celopodnikového datového skladu. Tento princip je označován také jako Inmonův přístup. [12]
4.7 OLAP databáze
OLAP databáze jsou databáze, které jsou tvořeny takzvanými OLAP kostkami. OLAP kostka je technologie, která umožňuje uživatelům pracovat s nepřeberným množstvím dimenzí.
Data z jednotlivých dimenzí můžeme spolu kombinovat a vytvářet tak velmi sofistikované analýzy. Tuto technologii můžeme také označit jako multidimenzionální analýzu. [13]
OLAP technologie se dělí na různé typy. První písmenko zkratky jednotlivých typů zpravidla indikuje, v čem je daný typ odlišný.
ROLAP (Relational OLAP) je technologie poskytující přímý přístup k relačním databázím.
K datům v relačních databázích přistupují pomocí jazyka SQL. Hlavní výhodou tohoto typu OLAP databází je větší škálovatelnost při práci s větším množství dat. [14] Naopak jeho nevýhodou je horší doba odezvy při SQL dotazování. [15]
MOLAP technologie je založena na multidimenzionálním modelování. Narozdíl od relačních databázích, které jsou tvořeny tabulkami, multidimenzionální databáze je tvořena kostkami. Tyto kostky umožňují uživatelům pracovat s nepřeberným množství dimenzí, uživatel může do databází přidávat další dimenze, ne pouze tabulky jako je to v případě relačních databází. [14]
Typ HOLAP kombinuje přístupy ROLAP a MOLAP. To znamená, že data jsou ukládána v relačních databázích a agregace jsou ukládány do předem vypočítaných OLAP kostkách.
[14]
HTAP (Hybrid transaction/Analytical Processing) je systém spojující OLAP a OLTP. Termín HTAP poprvé představila společnost Gartner Inc. v roce 2014 jako architekturu umožňující transakční i analytické zpracování. [14]
DOLAP (Desktop OLAP) umožňuje uživatelům stáhnout si část modelu OLAP na svůj lokální počítač, kde s ní dále mohou pracovat. [14]
WOLAP (Web based OLAP) je technologií, která je čistě webová. Pro přístup k datům nevyžaduje tudíž žádnou instalaci nebo klienta. Dá se říct, že výhoda tohoto typu již zanikla.
Důvodem je, že v dnešní době všechny typy OLAP již poskytují webové rozhraní, a navíc poskytují uživateli další možnosti nad rámec typu WOLAP. [14]
Dalším ne tak často využívaným typem OLAP databází je SOLAP (Spatial OLAP). Tento typ integruje GIS (geografický informační systém) a OLAP do jednoho řešení. Cíl tohoto řešení je poskytnout uživatelům relevantní data geografického kontextu v krátkém časovém měřítku. [14]
4.8 Reporting
Reporting představuje uživatelské dotazy do databází pomocí SQL příkazů, jejichž výstupem je určitý přehled ukazatelů, které představují činnosti společnosti. Reporting tedy umožňuje uživatelům monitorovat a analyzovat podnikové procesy. Díky tomu mohou uživatelé nalézt problémy a jejich příčiny. [16] Existují dva druhy reportingu, standardní a ad hoc. Ve standartní reporting jsou v určených časech spuštěny předpřipravené dotazy do databází. [5] Standardní reporting lze ještě dále rozdělit na statický a dynamický.
V dynamickém reportu má uživatel možnost data upravovat, většinou pomocí filtrů na jiné než přednastavené hodnoty. U statického reportu upravovat již nelze. [16] Ad hoc reporting představuje konkrétní jednorázové dotazy ze strany uživatelů. [5]
4.9 Data mining
Dolování dat slouží k extrakci neupravených, neznámých dat z databází, z kterých vznikají analýzy objevující nové skutečnosti. [8] Tyto analýzy jsou odvozované z obsahu dat, nejedná se tedy o analýzy předem definované uživateli. [17] Dolování dat je založeno na metodách jako jsou rozhodovací stromy, neuronové sítě, shluková analýza atd. [8] V datech vyhledává strategické informace, které mají sloužit k prediktivním nebo deskriptivním analýzám. Data mining napomáhá k objevování faktorů, které vedou k zvýšení příjmů a snížení nákladů podniku. Velmi dobré uplatnění má především v oblasti marketingu, financích, vědy a kriminality. [17]
4.10 Analytické aplikace
Analytické aplikace jsou BI aplikacemi, které poskytují informace vedoucí k podpoře manažerského rozhodování. Patří sem sledování plnění firemních cílů, analýzy trendů, firemní procesy atd. Z pravidla se jedná o klientské aplikace realizované nad OLAP databázemi. Grafické výstupy se vytvářejí pomocí specializovaných produktů nebo můžeme využít například Microsoft Excel. [8] Výstupy zahrnují funkce pro účetnictví, controlling, různé ekonomické analýzy, sledování profitability atd. Moderní analytické aplikace jsou již dnes přívětivé pro uživatele a umožňují komunikaci přirozeným jazykem. [18] Více o moderních funkcí a trendech v oblasti analytických aplikací bude rozebráno v další kapitole.
4.11 Nástroje pro řízení kvality dat
Nástroje pro řízení kvality dat začaly být pro podnik důležité s rozvojem analytických aplikací. Ty totiž pro správné fungování vyžadují korektní data. Nástroje pro řízení kvality dat tedy zajišťují, aby měla data určitý stupeň kvality. [5]
Kvalita dat se dá pochopitelně změřit. Potřebujeme k tomu však definovat určité metriky, podle kterých se bude kvalita určovat. [19] Zpravidla kvalita vychází z těchto čtyř hledisek:
• Dostupnost definuje, jaký má uživatel přístup k informacím ve chvíli, kdy je potřebuje. Dělí se dále na několik dalších směrů. [5] Prvním je dostupnost v čase, která měří časový rozdíl mezi časem, kdy data očekáváte, a kdy je reálně máte k dispozici. [19] Dále je to dostupnost v místě, kde mají být informace využity, dostupnost v požadované struktuře a dostupnost v požadovaném formátu. [5]
• Přesnost určuje, zda data odpovídají správnému kontextu. [5] Nejtypičtější metrikou z tohoto hlediska bývá metrika, která sleduje poměr dat k chybám.
Zvyšujícím poměrem chybovost dat klesá. [19]
• Konzistence vymezuje, zda nejsou hodnoty dat z různých datových sad v rozporu čili v obou sadách jiné hodnoty. [19]
• Úplnost sleduje, jak dostatečně jsou informace kompletní pro daný kontext. [5]
Tudíž by nemělo docházet k situaci, kdy jsou nějaké pole datového záznamu prázdné nebo neúplné. [19]
4.12 Nástroje pro správu metadat
Metadata lze definovat jako data, která poskytují informace o jiných datech, jsou to tzv. data o datech. V Business Intelligence slouží jako dokumentace jeho jednotlivých částí.
Dokumentace v BI zahrnuje především datové modely, popisy transformačních a business pravidel, popisy funkcí, reportů, požadavků na reporty atd. [6]
Nástroje pro správu metadat jsou pro podnik mající implementované BI řešení zásadní z důvodu nutnosti popisu obsahu a principu fungování jednotlivých komponent tohoto
řešení. Metadata umožní podniku tyto principy, funkcionality a obsah řešení lépe pochopit.
[6]
5 Trendy v Business Intelligence
Technologie se neustále vyvíjí vpřed, a to platí i v případě Business Intelligence. Objevují se stále nové trendy, které více a více pomáhají společnostem v jejich správném fungování.
Z jejich pohledu je velmi důležité na tyto trendy reagovat a konkurenčně nezaostávat. Tato kapitola identifikuje aktuální trendy v BI. Ty rozebírá řada společností ve svých studiích a uváděné trendy v nich se většinou alespoň mírně liší. Proto se autor v jeho výběru snažil nalézt určitý kompromis. Především však autor vychází ze studie společnosti BARC.
Vzhledem k tomu, že u některých trendů není český překlad tolik vžitý, je v některých případech raději užíván anglický název.
Společnost BARC uvádí trendů nespočet, pro tuto práci však budou popsány jen ty, které autor práce shledal jako nejdůležitější. Ty jsou rozebrány v dalších podkapitolách. Přestože se uváděné trendy v různých studií nebo článcích liší, tak se často shodují v trendech, které souvisí s kvalitou dat, cloudem, Self-Service řešením a často zmiňovaná je také umělá inteligence.
Pro základ uvedených trendů byl použit průzkum společnosti BARC. Jedná se o poradenskou a analytickou společnost, která se soustředí na podnikové informační systémy.
Radí tedy jiným podnikům s výběrem vhodného softwaru a podnikové strategie. [20] BARC uvádí trendy v BI pravidelně a přichází s aktuálními trendy pro každý nový rok. Pro rok 2021 si připravil sérii trendů, které jsou založeny na názorech 2259 uživatelů, prodejců a konzultantů. [21]
Průzkum funguje tak, že jednotliví respondenti jsou dotázáni, jak moc je daný trend důležitý a mají mu přidělit bodové ohodnocení na škále od 1 do 10. S tím, že číslo 10 znamená, že je daný trend maximálně důležitý. Konečný výsledek je tedy průměrem těchto ohodnocení všech respondentů. [21]
Z letošního průzkumu vyplynulo, že nejdůležitějšími trendy jsou data management, vizualizace, daty řízená kultura, data governance a self-service. První tři zmíněné trendy přesáhly sedmi bodové ohodnocení, data governance a self-service získali 6,9 a 6,7 bodů.
[21]
Obrázek 2: Průzkum společnosti BARC (Zdroj: [21])
Vzhledem k tomu, že průzkum vychází každým rokem, BARC tedy sleduje i vývoj důležitosti trendů v čase. Na základě výsledků každého roku může vytvářet i grafy, které znázorňují postup nebo naopak útlum. BARC ve svém článku například tento rok uvádí rozdíly vybraných trendů mezi roky 2017 a 2021. Z něho plyne, že na důležitosti nabírá data management, data governance, modernizace datového skladu, cloud a data labs. Strmější pád zaznamenalo mobilní BI a umělá inteligence. V tomto případě o 0,8 bodu. [21] Ačkoliv se může zdát, že se jedná o velký sestup. Jde stále o významné trendy, které uvádějí ve svých článcích i další společnosti. Vliv na poklesu některých trendů měla zajisté také pandemie COVID-19, kvůli které se zkrátka společnosti začaly soustředit spíše na základní operace a procesy. [21]
Významný autor práce shledává také článek s trendy, které uvádí uznávaná společnost Gartner. V tomto případě se též jedná o výzkumnou a poradenskou společnost. [22] Velmi populární jsou pro své tzv. Magic Quadrants, které umisťují společnosti do grafu na základě toho, jak dobře plní své vize, a jak dobře si vedou oproti tržnímu pohledu společnosti Gartner. [23] Také Gartner pravidelně vydává článek s aktuálními trendy. Gartner posledních několik let jako nejvýznamnější trend uvádí umělou inteligenci. [24]
Dále autor ve své práci čerpá ze stránek poskytovatelů BI platforem jako Qlik, Tableau, Datapine. Ve finálním seznamu uvedených trendů budou brány v potaz všechny trendy uváděné vyjmenovanými společnostmi. Autor práce se bude snažit vybrat ty, které se umístily na předních příčkách, případně ty, které se objevily nejčastěji. Samozřejmě by se dalo uvézt více významných trendů, v takovém případě by si však tato problematika zasloužila práci věnovanou výhradně tomuto tématu.
5.1 Vizualizace
Žijeme v době, kdy se firmy potýkají s čím dál větším objemem dat, což podniku ztěžuje orientaci v nich. Tento problém firmám vizualizace pomáhá zvládnout. [25] Vizualizace dat není důležitá jen z pohledu růstu množství dat, ale je hlavně důležitá z důvodu jejich správného pochopení a práce s nimi. [12] Pro člověka je zajisté mnohem příjemnější a rychlejší se orientovat v určitém grafickém zpracování než v nepřehledných blocích textů, čísel apod. Vizualizace dat může uživateli potřebné informace předat v různých přehledných formách. Většina dnešních nástrojů nabízí možnost prezentace v rámci různých typů grafů jako sloupcové grafy, liniové grafy, výsečové grafy, spojnicové grafy, dále pomocí časových os, map, histogramů, diagramů, tabulek atd. [25]
Dnešní BI nástroje mají také zpravidla řadu voleb, jak si připravit vizuály a navrhnout samotný dashboard. Obvykle v nich je obsažený nějaký panel, který obsahuje funkce jako je volba zdroje dat, datové sady, typu vizualizace (jestli chceme daná data prezentovat například jako graf, tabulku apod.). Panel neobsahuje však jen nástroje pro samotnou tvorbu, jsou zde možnosti jako je aktualizace vizuálu na základě aktualizace dat nebo sdílení reportů. Samotné vizuály není třeba vytvářet ručně, nástroje mývají šablony, které si uživatel může upravovat a přizpůsobovat dle svého. [26]
5.1.1 Zpracování vizualizace
Prezentovaná data na obrazovce, která má k dispozici konečný uživatel, jsou výsledkem dlouhého a složitého procesu. Tento proces byl již podrobněji popsán v předchozích kapitolách, nicméně ve zkratce je zde připomenut. Na úplném začátku je potřeba definovat zdroje dat a datové typy. Následuje určení metod transformace dat. Dále jsou data extrahována ze zdrojových systémů (ERP, CRM, SCM atd.) a poté jsou pomocí ETL transformována, očištěna, jsou vymazané duplicity a chybná data. Očištěná data jsou přesunuta do datového skladu či tržiště, z kterého si následně pomocí určitých analytických nástrojů taháme data a zpracováváme vizualizaci neboli prezentaci dat pro konečného uživatele. [26]
5.1.2 Zásady správné vizualizace
Jak jsem již uvedl, grafické zpracování je určitě přehlednější než samotný text a čísla, avšak při grafickém zpracování je třeba zvolit vhodné postupy a dodržovat určitá pravidla. Pokud začnu dashboardem jako takovým, tak ten by dle Kožušníka, M. a Kratochvíla, T. měl splňovat následující kritéria, aby se dal považovat za vhodný: „Dashboardy by měly
respektovat principy názornosti a viditelnosti všech sledovaných metrik, umožnit posouzení plán vs. skutečnost, poskytnout přehled o zlepšujících se a zhoršujících se metrikách a sledovat výkonnost zaměstnanců.“ [27]
Z hlediska přehlednosti by měl dashboard být určitě jednostránkový a jednoduše ovladatelný. Uživatel tak nemusí zbytečně listovat mezi dalšími stranami a zdlouhavě hledat danou informaci, má vše přehledně na jedné obrazovce a neochuzuje se o svůj čas. Pokud potřebuje uživatel zobrazit podrobnější data, je možné je zobrazit kliknutím na hodnotu za principu drill-down jako poznámku, bublinu nebo další okno. Pokud to není zcela nezbytné, při návrhu dashboardu by se mělo vyvarovat používání log a popisků. Detail zobrazených dat byl měl být správně určen. Manažeři, kteří s dashboardem pracují, nepotřebují zcela detailní čísla, proto je třeba při návrhu na toto brát ohled. Aby bylo velké množství dat na jedné obrazovce přehledné, je vhodné si dashboard rozdělit na sekce. Pozor je třeba si také dávat na vhodné zvolení barev. Určitě by se to s barvami nemělo přehánět a je vhodné tak používat barvy neutrální (modré a šedé odstíny). Pozadí by mělo být jednobarevné a také v neutrálních barvách. Kontrastní barvy by se měly používat spíše pro zvýraznění důležitých sledovaných dat jako kladné, záporné hodnoty nebo limity aj. Dále by se mělo vyhýbat 3D zobrazením a mřížkám. Struktura by měla odpovídat zvyklostem, kdy jsou lidé zvyklí číst od shoda dolů a zleva doprava. Data, která jsou pro uživatele primárně důležitá, by měla být umístěna nahoře. [12]
Podobně by se mělo přistupovat i k samotným grafům nebo tabulkám. Krom základních zásad jako je správný výběr barev, fontů aj. je třeba před prezentací dat se zamyslet nad správným zvolením formátu vizualizace. Ne každý typ grafu, tabulky se hodí pro daná data.
Časté chyby se dělají ve zvolením typu grafu, který není ideálně řešen pro velké množství dat. V takovém případě pak dochází k nahuštění a splynutí výsledných hodnot. Uživatel se pak v těchto hodnotách špatně orientuje a těžko rozeznává rozdíly mezi nimi. [12]
5.2 Master Data Management and Data Quality Management
Data jsou základním pilířem kterékoliv společnosti. Podnik může disponovat širokou škálou nejrůznějších systémů, ať už je to komplexní ERP nebo další systémy jako CRM, SCM atd.
Tyto systémy podniku napomáhají správně fungovat, avšak jsou pro ně zbytečné ve chvíli, kdy neobsahují správná data. V konečném důsledku tyto nesprávná data mohou firmě velmi ublížit, v horším případě zcela zničit. Z toho plyne, že datová kvalita je pro podnik klíčová.
V případě BI se od ní odvíjí analytické procesy a jejich vyhodnocování. Právě na jejich základě manažeři stanovují klíčová rozhodnutí, a když data nebudou kvalitní, nebudou kvalitní ani rozhodnutí plynoucí z výsledků analýz.
Úkolem zajištění potřebné úrovně kvality dat se zabývá DQM. DQM (Řízení kvality dat) je soubor postupů, které si kladou za cíl udržet vysokou úroveň kvality dat. [19] Kvalita dat se dá definovat mnoha způsoby, měla by však splňovat tyto základní požadavky: přesnost, úplnost, konzistenci, včasnost, konzistenci, jedinečnost, platnost. [28] Ačkoliv podstatou DQM jsou data, ve firmě jde především o finance, proto jeho finálním cílem je tudíž návratnost investic. [19]
5.2.1 Kroky k dosažení kvalitních dat
K dosažení kvalitních dat ve firmě je za potřebí, aby firma podnikla několik základních kroků, které jsou níže popsány.
Strategie
Podnik by se měl jasně definovat strategii dosažení kvalitních dat. Společnost by měla o této strategii informovat všechny zaměstnance, aby jí všichni rozuměli a dodržovali. [29]
Organizační struktura
Bez lidí by žádná technologie nemohla správně fungovat, proto se v podniku musí definovat role s danými úkoly a kompetencemi, aby bylo jasné, kdo je za co odpovědný. [28]
Základními pozicemi by měl být manažer programu DQM, manažer změn v organizaci a datový analytik. [19] Manažer programu je zodpovědný za splnění cílů v rámci rozpočtu a kvality dat. Dále by měl dohlížet nad každodenní činností v oblasti řízení kvality dat.
Manažer změn v organizaci rozhoduje o datové infrastruktuře a procesech. Datový analytik zpracovává data a vytváří z nich analýzy. [30]
Definice kvality dat
Dalším krokem by mělo být konkrétní definování specifikace kvalitních dat. Ta by měla být definována za základě strategie, obchodních cílů a požadavků. [19]
Oprava dat
Po definování specifikace datové kvality by mělo dojít ke kontrole stávajících dat. Objevená chybná data by se měla analyzovat a zjistit příčinu chybovosti. Zjištění příčiny je zásadní k tomu, aby se chyba neopakovala. Díky tomu mohou být zavedena nová pravidla, které budou napomáhat k jejímu předejetí. [29] Po nalezení chybných dat a identifikování příčin se chybná data upraví nebo odstraní. [30]
Reporting
Po nápravě současných dat by se podnik měl soustředit na udržení úrovně kvality dat. Tudíž by podnik měl zavést do podniku reportovací systém, který bude poskytovat přehled o stavu dat v reálném čase a zaznamenávat chybná data. Datoví analytici tak budou moci ihned pracovat na jejich nápravě. [19]
5.2.2 Master data
Předtím než představím Master data management, který také zajišťuje potřebnou kvalitu dat, rád bych představil samotný pojem master data. Na portálu MBI je tento pojem definován takto: „Master data jsou vysoce ceněná a klíčová data, používané k podpoře kritických podnikových procesů napříč celým podnikem. Tato data jsou důležitá v každé
obchodní transakci, aplikaci, reportu a rozhodovacím procesu.“ [31] Mezi typická Master Data se řadí údaje o zákaznících, produktech, službách, dodavatelích atd. [12]
Master data management je sadou procesů, přístupů, nástrojů, technologií, metodologií, které podporují identifikaci a integraci celopodnikových sdílených klíčových dat ve společnosti. Dále zvyšují kvalitu klíčových dat a mají na starost správu významu klíčových dat a také spravují vazby mezi klíčovými a ostatními daty. Master data management je důležitý zejména z důvodu konzistence dat. MDM zabraňuje situacím, kdy se daná data v různých systémech liší. [8] Firma totiž zpravidla využívá více systémů jako je ERP, CRM, SCM a další. Master data management zajišťuje tedy potřebnou konzistenci dat mezi těmito systémy. [28]
Jedním z hlavních přínosů master data managementu se nachází na poli zákazníka. Díky konsolidaci kmenových dat do centrálního úložiště v konzistentní formě je k dispozici zdroj nabízející komplexní informace o zákazníkovi, který je připravený pro různé podnikové aplikace. To vede ke zkvalitnění zákaznických služeb, jelikož je podnik lépe vybavený reagovat na poptávky, objednávky a také dotazy svých zákazníků. Dalšími přínosy jsou snížení nákladů v oblasti IT, zefektivnění rozhodovacích procesů, zjednodušení vývoje a integrace nových aplikací a systémů v podniku, zlepšení komunikace a výměny dat v podniku i s externími partnery aj. [8]
5.3 Data governance
Data governance je program, který zajišťuje srozumitelné, správné, úplné, důvěryhodné, zabezpečené a zjistitelná data v podniku. Oblastí v podniku, které data governance pokrývá je nespočet. Příklady jsou: datová architektura, datová kvalita, modelování a návrh dat, metadata, zabezpečení dat, master data, datová integrita a další. [32]
Data governance souvisí zejména s datovou kvalitou. Zatímco datová kvalita zajišťuje, že jsou data v podniku úplná, přesná a připravená pro použití. Tak naopak data governance vytváří pravidla, podle kterých se budou data používat. [33] Mezi cíle data governance patří minimalizace rizik, stanovení pravidel pro používání dat, implementace předpisů, zlepšení komunikace, zvýšení hodnoty dat, dohled nad dodržováním zavedených pravidel a snížení nákladů. [32]
Programu se účastní IT tým, ale také zástupci zpravidla obchodního oddělení. Tato společnost spolu vytváří standarty a pravidla pro správu dat. [34]
Data governance je důležitá z mnoha hledisek. Zabraňuje nekonzistentním datům mezi různými podnikovými odděleními a systémy, zabraňuje chybovosti v datech, dále zvyšuje přesnost reportů a dává tak manažerům spolehlivé informace. [34] Také zřizuje procesy pro řízení datové kvality a metriky, které je měří. Definuje role v podniku zodpovídající za data a také zajišťuje bezpečnost dat. Nesmí se také ani opomenout podpora v oblasti dodržování zákonů a legislativy. Ta je s dalšími uvedenými cíli data governance úzce spjata. Nejvíce zmiňovanými normami jsou například Basel 1, Basel 2, Basel 3 a Sarbances-Oxley. [12]
V Evropské unii je v posledních letech důležitý především zákon o ochraně osobních údajů (GDPR). Data governance napomáhá tyto předpisy dodržovat. [34]
5.3.1 Implementace data governance
K implementaci Data Governance do podniku by se mělo přistupovat jako k jiným projektům. BARC [32] doporučuje v rámci projektu provést tyto kroky:
• Definovat cíle a porozumět výhodám
• Analyzovat aktuální stav
• Odvodit plán
• Stanovit rozpočet
• Plánovat a rozvíjet program data governance
• Implementovat data governance
• Kontrolovat a sledovat
5.4 Self-Service BI
Self-Service BI je trendem, který se drží na předních příčkách trendů několik posledních let.
Jeho rozdíl, dá se říct, že i výhoda oproti klasickému BI tkví v samoobslužnosti, respektive umožňuje realizaci analytických úloh běžným uživatelům bez pokročilých IT znalostí. [12]
Podniky díky tomu nepotřebují obrovské IT oddělení, jelikož si běžní uživatelé po potřebném školení s většinou operací poradí sami. Cestou Self-Service se především vydávají menší podniky, které nemají dostatek prostředků na klasické BI řešení. Nejenže firma bude mít mnohem nižší náklady při jeho zavedení, ale také ušetří nemalé peníze za jeho provoz. Především na mzdách, které by musela firma platit specializovaným IT pracovníkům vytvářející analýzy a reporty. Další výhodou spojenou se Self-Service je rychlost. Implementace analytických aplikací do podniku je mnohem jednodušší. Dále se zrychluje práce samotných uživatelů. Díky tomu, že si uživatelé jsou schopni zajistit potřebné informace sami pomocí poskytnutých nástrojů, nemusí čekat na informace až jim je dodá IT oddělení. [35] IT oddělení následně ve firmě získává trochu odlišnou roli.
Zajišťuje především, aby uživatelé byli schopni bezproblémově vytvářet analýzy a reporty.
Stará se tedy o přístup k datům, kterým uživatelé rozumí a o jejich bezpečnost. IT oddělení také sleduje práci uživatelů a kontroluje náročnost aplikací. [12]
Pochopitelně se nedá říct, že by Self-Service BI mělo jen samé výhody. Největší nevýhody jsou spojené s jeho omezenými vlastnostmi. Většinou jsou schopny uskutečňovat pouze jednodušší úlohy. [35] V rámci větších podniků tak není implementováno v rámci celého podniku, ale spíše do určitých odděleních. [12] Mezi omezené vlastnosti spočívají například v možnostech čištění a konsolidace dat, integrace dat a v reportingu. [35]
5.5 Umělá inteligence
Svět se vyvíjí, stejně jako práce v podniku. Tradiční způsoby tvorby analýz dnes již nejsou aktuální. Dnes manažeři očekávají, že nebudou muset čekat, až mu jeho datoví analytici poskytnou data z požadované analýzy. To může trvat i několik dní a výsledky z ní tak pravděpodobně budou již neaktuální a manažerovi k ničemu. Z tohoto důvodu datoví analytici následně analyzují jen část dat, aby se čas zkrátil. [36]
Umělá inteligence představuje pojem používaný pro počítačové systémy, které mají vlastnosti lidské inteligence. Mezi ně patří rozhodování, učení se a řešení problémů. [37]
Oproti lidské mysli je však schopna operace řešit v nebývale rychlém čase. [38]
AI nabízí řadu funkcí, tyto funkce prakticky zajišťuje veškerý komfort, na který jsou manažeři zvyklí a berou ho jako samozřejmost. Jednou takovou funkcí je učení se z historických dat a na jejich základě tvoření prediktivních analýz a generování přehledů v reálném čase. [39] Umělá inteligence neustále sleduje, co se děje a ihned uživateli hlásí, pokud není něco v pořádku. [38]
Další funkcí AI jsou automatické výpočty při tvorbě dashboardu. Uživatel vybere jen data, která chce analyzovat a veškeré výsledky už obstará AI. Jazyk, kterým uživatel s AI komunikuje se také zjednodušil. Uživateli stačí položit jednoduchý dotaz a AI na ní vygeneruje odpověď. [38]
Samozřejmě se zvýšil také objem dat, který je možný analyzovat. Efektem jsou podrobnější a přesnější výsledky v rukou manažerů. Umělá inteligence může zastat i funkce, které běžně připadají na datového analytika. Mohou tedy pomoci v případě jejich nedostatku na trhu práce. [39] S narůstající tendencí hald informací se umělá inteligence prakticky stává povinností a důležitou obchodní výhodou.
5.5.1 Rozšířená analýza
Rozšířená analýza je jednou z funkcí AI a zároveň jedním z nejdůležitějších trendů v BI. Je to automatizovaný systém založený na AI a strojovém učení, který přebírá práci lidské síly a uvolňuje ji pro jiné oblasti tím, že sbírá a analyzuje data. [40]
Strojové učení funguje svým způsobem jako lidský mozek. Je schopno se učit na základě zkušeností ze zpracovaných dat, aniž by k tomu byly vyloženě naprogramovány. Tím se zlepšují a zdokonalují, což má za příčinu zpracování velkého množství dat s vyšší přesností, než je v možnostech člověka. [41]
Zároveň je stroj schopen komunikovat s uživatelem v rámci přirozeného jazyka (NLG). Své výstupy dat podává koncovému uživateli ve formě, v které je schopen přirozené přečíst.
Vyhledávání konkrétních sestav funguje stejně, proto uživatel klidně může položit stejnou otázku, jako by dal svému datovému analytikovi. [41]
Spojením strojového učení a přirozeného jazyka dá za vznik automatizovaným analýzám založené na algoritmech. Automatizované přehledy jsou schopné manažerovi poskytnout
výsledky jako celkového zdraví firmy, výkonnost, příležitosti, na jejímž základě může srovnat, jak si vede podnik oproti trhu. Tato automatizace neposkytuje pouze výsledky v podobě čísel, ale také umí hledat jejich příčiny. Tudíž se uživatel může klidně pokládat otázky „proč“. [41]
Rozšířená analýza se prakticky stává pro firmu výhodnou ve všech směrech. Poskytuje obrovskou přesnost a rychlost, kterou neoplývá žádný člověk. S vyšším objemem dat se rychlost a přesnost u datových analytiků rapidně zmenšuje. [42] Dále rozšířená analýza dává možnost sdílet dat prostřednictvím dashboardu mezi různé osoby, úseky nebo pobočky podniku. [40] Tím, že AI zastane práci datových analytiků, se jim samotným otevře prostor pro důležitější otázky, které stroje zatím nezvládají. [41]
5.5.2 Preskriptivní analýza
Preskriptivní analytika je jedna z mnoha kategorií, které spadají do obchodní analytiky.
Dalšími kategoriemi jsou plánovací analýza, popisná analýza, diagnostická analýza a prediktivní analýza. [43] Předtím než je představena samotná preskriptivní analýza, krátce jsou vylíčeny i ostatní kategorie.
První kategorií je analýza plánování, které se stručně odpovědět na otázku „Jaký je náš plán?“. [43] Další kategorií je popisná analýza. Ta se na základě historických dat snaží uživatelům pomoci se poučit z minulosti a vysvětlit, co se stalo. Diagnostická analýza vysvětluje, proč se něco stalo. To umožňuje analytikům identifikovat potenciální zdroje anomálií. [44] Zatímco se všechny tyto analýzy řeší otázky z minulosti. Tak prediktivní analýza se zabývá budoucími scénáři. Predikuje, co se stane s určitou úrovní chybovosti.
Nabízí také alternativní scénáře a posudek rizik. [38]
Preskriptivní analýza jde ještě o krůček dále než v případě prediktivní analýzy. Stejně jako ona předpovídá budoucnost, avšak zkoumá, co by se mělo podniknout na základě vstupů z prediktivní analýzy. [43] Manažerům tedy říká, jaký bude účinek budoucího rozhodnutí.
To má za příčinu optimalizaci plánování, výroby, skladových zásob tak, aby zákazníci dostávali to, co skutečně chtějí. [38] Stejně jako u prediktivní analýzy i tady je určité procento chybovosti. [44]
Preskriptivní analýza založená na AI a strojovém učení účinně pracuje s nestrukturovanými podnikovými daty a vytváří scénáře „co by-kdyby“, které lze různě parametrizovat a získat více možných scénářů k naleznutí nejlepšího možného řešení pro podnik. Zkrátka preskriptivní analýza podniku přináší obrovskou rychlost a efektivitu v rozhodování, které ovlivňuje budoucí kroky podniku a může pomoci v konkurenční výhodě. [45]
5.6 SaaS BI
Cloud computing představuje jednu z nejdůležitějších internetovou technologií posledních let. Jedná se o model umožňující přístup k IT službám a zdrojům napříč internetovou sítí v reálném čase, odkudkoliv na světě, aniž by uživatel potřeboval velký výpočetní výkon.
Služba je zákazníkům poskytována v rámci velkých výpočetních serverů v rukou dodavatele.
Mezi základní charakteristiky Cloud computingu patří nastavení výpočetní kapacity na základě potřeby zákazníka. Výkon si zákazník může měnit podle svých potřeb, samozřejmě zde pak ale bude docházet k cenovým změnám. Cena služby se měří a odvíjí od kvalitativních i kvantitativních nabízených prostředků. Těmi může být například rychlost, kapacita úložiště, zabezpečení, dostupnost, výkon serverů a další. [46] Služba bývá dostupná jak z klasického počítače, tak chytrých zařízeních jako tablet nebo smartphone. [46] Zákazník s dodavatelem služby také uzavírá smlouvu tzv. SLA (Service Level Agreement), které definuje pravidla dodržování určité úrovně poskytované služby dodavatelem. Stanovuje metriky, podle kterých se bude služba měřit a také stanovuje sankce, pokud by nebyly pravidla dodržovány. [47]
Existují tři typy služeb nabízených v rámci Cloud computingu: IaaS1, PaaS2 a SaaS3. V případě BI nás bude nejvíce třetí varianta SaaS. SaaS BI, také známá jako on-demand BI a cloud BI představuje poskytování BI nástrojů a aplikací podniku pomocí zabezpečeného internetového připojení k serverům dodavatele, na kterých běží. [48]
Zákazník nepotřebuje žádný velký výpočetní výkon, nestará se o instalaci, údržbu BI, je mu dodáváno finální řešení a může se soustředit pouze na vytváření reportů. Výhoda SaaS spočívá také v mnohem rychlejším a méně nákladnějším zavedení do podniku než v případě on-premise4 BI řešení. SaaS BI, stejně jako v případě Self-Service BI volí především malé a střední podniky, které nemají dostatek financí pro zavedení on-premise řešení. [48]
I v případě SaaS jsou určité nevýhody. Mezi největší problém nebo otázku patří bezpečnost dat. Společnost totiž prakticky svěřuje svá data třetí straně a je tedy odkázána na to jim důvěřovat. Dalším problémem je obtížná konsolidace dat z různých datových zdrojů. S tou může mít SaaS problémy. [49]
5.7 Mobilní BI
Business Intelligence na chytrých zařízeních jsou velice významným trendem řadu let.
Ačkoliv se určitě nejedná o trend, který by zaujímal přední příčky, stále se jedná o trend, který si zaslouží své místo v této práci.
Mobilní BI reprezentuje přístup k informacím prostřednictvím chytrého telefonu, tabletu a jiných. Jeho jádrem je přenést Business Intelligence mimo sféry desktopových zařízeních a nabídnout uživatelům přístup k datům mimo kanceláře firmy. Díky chytrému zařízení má uživatel informace vždy u sebe. Nemusí se bát, že by mu něco uniklo, když je třeba na cestách nebo zkrátka jinde mimo prostory firmy. Hlavním důvodem zavedení mobilního BI do firmy je nezbytnost přijímaní rychlých rozhodnutí a s tím spjatá konkurenční výhoda. [50]
1 IaaS – Infrastructure as a Service, v překladu „software jako služba“.
2 PaaS – Platform as a Service, v překladu „platforma jako služba“.
3 SaaS – Software as a Service, v překladu „software jako služba“.
4 On-premise – varianta, kdy software běží na prostředcích (serverech) společnosti, která software využívá.
Mobilní BI určitě nenabízí plnohodnotné možnosti desktopové verze, to však není ani jeho záměr. [51]
O rozdílech ve velikosti obrazovky u počítače a mobilního zařízení se není třeba bavit, to je totiž rozdíl naprosto znatelný. Je to však hlavní důvod v představení rozdílů obou verzí. Na malou obrazovku mobilního telefonu se toho příliš nevejde, proto slouží spíše pro zobrazení klíčových dat. Slouží pro kontrolu a nastínění výkonu firmy. Dashboard na mobilu je možné upravovat a přizpůsobit si ho na základě specifických požadavků uživatele na jednotlivé KPI nebo metriky. [52]
Práce s BI na různých mobilních platformách se trochu liší, především je to způsobeno různými velikostmi displeje. Pro uživatele bývá příjemnější varianta v podobě tabletu.
Obrazovka je podstatně větší než na smartphonu, a tudíž má uživatel větší prostor na zobrazení většího obsahu. BI řešení může být přizpůsobena mnoho typům mobilních zařízeních, avšak odvíjí se to od navržení samotné aplikace. [50]
Existuje množství způsobů, v jaké podobě bude Mobilní BI implementováno. Nejvíce používanými variantami je sdílení PDF reportů do mobilního zařízení, nativní aplikace, HTML5 stránka, hybridní aplikace v rámci spojení HTML5 a nativní aplikace, v neposlední řadě se může objevit i varianta HTML stránky vyžadující další software pro zobrazení jako je například Adobe Flash nebo Microsoft Silverlight. [50]
I mobilní BI řeší řadu otázek v podobě nevýhod nebo problémů. V případě nativních aplikacích je třeba řešení dostatečně optimalizovat, jelikož se mobilní verze od desktopové zcela liší. Pro každou mobilní platformu, tedy operační systém zařízení je třeba aplikaci vyvinout zvlášť, i zde jsou totiž rozdíly. Podnik se pochopitelně může vydat cestou HTML5, zde však hrozí zastarání řešení kvůli nízké flexibilitě. [51] Problémy mohou také nastat v bezpečnosti dat firmy, vysoká úroveň zabezpečení podnikových dat bývá jedním z nejdůležitějších bodů implementace. [50]
6 Analýza vybrané společnosti
První kapitola praktické části této práce představuje vybranou společnost. Jedná se o mateřskou společnost společnosti, ve které autor práce pracuje. Společnost patří mezi největší hráče mezi bankovními institucemi. Vzhledem k situaci, že si společnost nepřála zveřejňovat její název, bude společnost dále v práci označována jako „Banka a.s.“.
Na začátku kapitoly je představena společnost a její organizační struktura. Dále je uvedena BI architektura řešení v Bance a.s. a blíže popsána BI platforma, kterou aktuálně vybraná společnost využívá. Následně je krátce představeno, jak je BI ve společnosti využíváno a jsou definovány základní požadavky na potenciální novou BI platformu.
6.1 Představení společnosti
Pro nastínění pozadí společnosti, bude společnost alespoň v krátkosti neurčitě představena.
Banka a.s. působí na českém trhu již řadu let, a proto se jedná o společnost s již jistou tradicí na českém trhu. Momentálně je banka vlastněna zahraniční bankou a je součástí skupiny, která nabízí nejrůznější finanční a bankovní služby. V produktovém portfoliu skupiny nalezneme standardní bankovní služby, hypotéky, stavební spoření, obchodování s akciemi, pojistné produkty, produkty kolektivního financování, leasing a další. Své produkty nabízí fyzickým osobám i podnikatelským subjektům. Celá skupina, jenž je Banka a.s. součástí, má několik tisíc zaměstnanců, několik stovek poboček a několik milionů klientů. Centrální sídlo banky se nachází v Praze.
Filozofie Banky a.s. se zakládá na dlouhodobé, stabilní spolupráci s každým klientem a hledání vhodných řešení pro klienta. Také se snaží reagovat na nové trendy, především na nástup digitalizace a nabízet tedy své produkty v co nejrychlejší a nejjednodušší formě.
Společnost také funguje v několika dobročinných programech. Tyto programy zahrnují vzdělání, ochranu přírody, podporu začínajících podniků, pomoc starším a hendikepovaným osobám.
6.1.1 Organizační struktura
Jelikož je organizační struktura svým způsobem ojedinělá, diagram nebude uveden, ale pouze popsán. Řízení společnosti je v rukách členů představenstva Banky a.s. Je rozděleno do sedmi bloků, v nichž každý člen představenstva představuje takzvaného hlavního ředitele jednotlivých úseků. Každý takový blok se skládá z jednotlivých útvarů Banky a.s. nebo dceřiných společností.
Orgány Banky a.s. jsou valná hromada, představenstvo, dozorčí rada a výbor pro audit.
Nejvyšším orgánem je valná hromada, která schvaluje působnost a činnost společnosti.
Představenstvo je pravidelně volenou valnou hromadou. Řídí se a plní úkoly, které jsou stanoveny stanovami a předpisy společnosti. Na činnost představenstva dohlíží dozorčí
