LISTOP AD 201 2 Business Intelligence · NoSQL tech-nologií (další jsou CouchDB a MongoDB),...

BusinessIntelligencea datová analýza

Přínosy obchodní analytikySvět prediktivních analýz

Co všechno získáte ze sociálních sítí?

L I S T O P A D 2 0 1 2

BI_datova analyza_def7.indd 11 10/24/12 11:58 AM BI-zlom.indd ob1 BI-zlom.indd ob1 24.10.12 13:0124.10.12 13:01

Vyzvěte Big Data na souboj

HIGH-PERFORMANCE

SAS Institute Inc. product or service names are registered trademarks or trademarks of SAS Institute Inc. in the USA and other countries. ® indicates USA registration. Other brand and product names are trademarks of their respective companies. © 2012 SAS Institute Inc. All rights reserved. S71418US.0212

Oskenujte QR kód pro zobrazení videa nebo navštivte www.sas.com/cz a dozvíte se víc.

Je to nečekaný úder rychlosti a přesnosti. Analyzujte Big Data v horizontu minut a sekund místo dnů a hodin.Ušetřený čas pak využijte k předvídání a řešení složitých obchodních problémů, které na vás útočí ze všech stran. Vaše konkurence bude jen zírat.

BI-zlom.indd ob2 BI-zlom.indd ob2 24.10.12 13:0224.10.12 13:02

w w w.c i o.c z | w w w.c w.c z 3

Pohled pod pokličku

Existuje mnoho dat. Spíše by se dalo říci, že neuvěřitelně moc dat. Dat, která jsou uchována v různých úložištích, ale tam jejich přínos mnohdy i končí.

Pokud se v nich firmy nedokážou orientovat či zjistit, jaký potenciál pro ně mohou mít nebo jak dokážou zlepšit jejich byznys, jsou to jen pasivní či neproduk-tivní informace.

Aby se z nich daly učinit informace aktivní, tedy ty, které dokážou podnikání povznést na vyšší úroveň, musí podniky sáhnout po aplikacích, které přinášejí k ulože ným datům přidanou, pro podnikání významnou hodnotu.

A těmi mohou být řešení jako analytické systémy, business intelligence, hloub-kové analýzy, prediktivní rozbory, jejichž nasazení zatím řada firem sice opomíjí, ale jejich potenciál do budoucna je obrovský.

Obchodní analytika totiž představuje trh, jenž v příštích letech velmi významně poroste. Například podle IDC má tento segment do roku 2016 růst v průměru ročně o desetinu a v roce 2016 dosáhne obratu přesahujícího hodnotu 50 miliard dolarů.

Motorem vzestupu zájmu o analytické funkce jsou podle odborníků IDC přede-vším nutnost dodržovat různé zákonné a regulatorní předpisy, detekce rozličných podvodů či vyšší odolnost proti bezpečnostním rizikům – s klasickými reportova-cími nástroji si tedy podniky už brzy nevystačí.

Díky podrobným analýzám včetně prediktivních jsou organizace schopny nejen snížit své provozní a jiné náklady, ale také najít nové obchodní příležitosti, které by bez pokročilých analytických nástrojů vůbec nebyly schopny objevit.

Uživatelé se také mohou těšit na vysoce specializované produkty, které se zaměří například na specifické vertikály nebo dokonce obchodní procesy.

A jak využít potenciál, který obchodní analytika i business intelligence přináší už dnes? V tomto magazínu vám nabízíme nejen přehled, na co byste se měli zaměřit, ale také vám poradíme, jak výhody pokročilých datových analýz využít co nejvíce ve svůj prospěch.

Stejně jako u jiných IT produktů i zde se vyplatí začít u menších úloh, a až zís-káte potřebnou expertizu, můžete se do báječného světa pokročilých analýz neohro-ženě vrhnout.

PAVEL LOUDAvedoucí projektu

Obsah 3 Obchodní analytika: Jak ji lze využít?

8 Business intelligence ve vašich podnikových IS

10 Urychlete vývoj, byznys nečeká

12 Zprovoznění prediktivní analytiky

17 IT projekty rychleji a bez chyb

18 MIS pomáhá provést zdravotní pojišťovnu MV bouřlivými vodami

20 Inteligentní výroba s pomocí BI analýz

21 Agilní vývoj urychlí nasazení BI

BI-zlom.indd 3 BI-zlom.indd 3 24.10.12 13:1224.10.12 13:12

4 BU S I N E S S I N T E L L I G E N C E 2012

DAVID F. C ARR

Současné trendy se soustřeďují na ře-šení analytických problémů jako třeba využití příležitostí získaných

novými podnikatelskými postřehy.Například se objevují technologie pro

správu a analýzu velkých různorodých da-tových souborů, protože mnoho organi-zací se doslova topí v údajích a snaží se v nich najít nějaký vzorec nebo jiný smysl.

Mnoho trendů pokročilé analytiky v oblasti nákladů a výkonu umožňuje or-ganizacím klást složitější dotazy než kdy-koli dříve a dostávat výrazně užitečnější informace pro své podnikání.

Šéfové IT odpovídající v různých do-taznících důsledně odlišují pět trendů,

které mají vliv na zajištění analytických funkcí: vzestup big dat, technologie pro rychlejší zpracování informací, klesající náklady na IT systémy, množící se mobilní zařízení a konečně všudypřítomné soci-ální sítě.

1. Big dataPojem big dat je používán pro velké sady dat, zejména takové, které nemají dosta-tečnou strukturu, aby je bylo možné ulo-žit v tradičním datovém skladu. Infor-mace získané z robotů procházejících weby, kanály sociálních sítí a protokoly serverů nebo údaje z dodavatelských ře-tězců, průmyslových, environmentálních či dohledových snímačů – výsledkem toho

Obchodní analytika: Jak ji lze využít?Díky pokroku v technologiích analýz a business intelligence mohou šéfové IT pracovat s podnikovými daty rychle, detailně, levně i mobilně.

všeho jsou složitější korporátní data, než tomu bylo kdykoliv předtím.

Přestože ne každá organizace potřebuje metody a technologie pro manipulaci s velkými nestrukturovanými sadami dat, Perry Rotella, ředitel IT firmy Verisk Ana-lytics, si myslí, že by se všichni ředitelé IT měli s analytickými nástroji pro big data alespoň seznámit.

Společnost Verisk, která pomáhá fi-nančním institucím vyhodnotit rizika a spolupracuje s pojišťovnami na identifi-kaci podvodů v pojistných údajích, do-sáhla v roce 2010 tržeb ve výši více než 1 miliardy dolarů.

„Technologičtí lídři by měli zaujmout po-stoj, a to že je lepší zpracovávat více dat a přijmout jejich ohromná množství,“ tvrdí Rotella, jehož činnost zahrnuje hledání různých vzorců a souvislostí mezi věcmi, které sami dopředu nevíte.

„Big data jsou explozivním trendem,“



souhlasí Cynthia Nustadová, ředitelka IT ve firmě HMS, která pomáhá organizacím zvládnout náklady ve zdravotnictví. Mezi její klienty patří provozovatelé zdravot-ních a sociálních služeb.

HMS pomohla svým klientům uspořit miliardy dolarů za náklady v roce 2010 – šetří tím, že předchází chybným platbám.

„Dostáváme a sledujeme spoustu mate-riálů, strukturovaná i nestrukturovaná data a není vždy jasné, co se v nich vlastně hledá,“ prohlašuje Nustadová.

Jednou z nejvíce diskutovaných tech-nologií ze sféry big dat je Hadoop, open source platforma zpracování distribuova-ných dat, původně vytvořená pro úlohy jako například sestavování indexů vyhle-dávání na webu.

Je jednou z několika tzv. NoSQL tech-nologií (další jsou CouchDB a MongoDB), které vznikly jako nový způsob organizace dat ve webovém měřítku.

Hadoop dokáže zpracovat petabajty údajů přiřazením podmnožin těchto dat stovkám či tisícům serverů, z nichž kaž-dý ohlásí zpět své výsledky, které jsou nakonec sestaveny hlavním plánovačem úlohy.

Hadoop může být buď použit k pří-pravě dat pro analýzu, nebo jako samotný analytický nástroj s jeho původním smys-lem. Organizace, které nemají „tisíce ná-hradních serverů na hraní“, si mohou také zakoupit přístup na vyžádání k instancím Hadoop od dodavatelů cloudu, jako je třeba Amazon.

Nustadová uvádí, že HMS zkoumá možnosti využití technologií NoSQL, i když ne pro své masivní databáze medi-cínských nároků. Ty obsahují strukturo-vaná data a lze je zpracovat jen tradičními metodami datových skladů.

Nemá příliš smysl hledat jiné řešení, než nabízí správa tradiční relační data-báze, když se řeší problémy, pro které je relační technologie vyzkoušeným a dob-rým řešením, dodává Nustadová.

Nicméně vidí roli řešení Hadoop při analýzách podvodů a plýtvání a možná při analýzách záznamů o návštěvách paci-entů, které by mohly být hlášeny v růz-ných formátech.

Mezi řediteli IT dotazovanými pro účely tohoto příspěvku jsou i ti, kteří už měli praktické zkušenosti s technologií Hadoop včetně výše zmíněného Rotella či Jody Mulkeye, ředitele IT ve společnosti Shopzilla, kteří byli zaměstnáni právě ve

firmách poskytujících datové služby jako součást svého podnikání.

„Používáme Hadoop k tomu, co jsme byli dříve zvyklí dělat prostřednictvím datového skladu,“ říká Mulkey a dodává, že důleži-tější je to, že jej využívají i k „opravdu zají-mavé analytice, kterou jsme nikdy předtím dělat nemohli.“

Například Shopzilla jako srovnávací web pro nákupy přes internet denně hro-madí terabajty dat. „Dříve bychom data mu-seli navzorkovat a rozdělit, což u takového objemu bylo samo o sobě velké množství práce,“ vysvětluje Mulkey.

S technologií Hadoop dokáže Shopzilla analyzovat surová data, a zmíněné mezi-kroky tak přeskočit.

Nemocniční zařízení Good Samaritan Hospital je na druhém konci spektra. „Ne-máme to, co bych mohl klasifikovat jako big data,“ tvrdí Chuck Christian, tamější ředi-tel IT.

Regulatorní požadavky ho nicméně nutí ukládat ve velkých množstvích celé nové kategorie údajů, jako jsou elektro-nické zdravotní záznamy.

„Zde existuje nepochybně velký potenciál pro získání informací o kvalitě zdravotní péče z dat,“ vysvětluje Christian, „ale to pravděpodobně využijí různá regionální nebo národní zdravotnická sdružení než sa-motná nemocnice.“

Je tedy poměrně nepravděpodobné, že Good Samaritan bude do nových exotic-kých technologií investovat.

John Ternent, ředitel IT ve společnosti

Island One Resorts, prohlašuje, že použití big dat pro analytiku závisí na tom, jak velké jsou objemy těchto údajů.

Vážně totiž zvažuje použití instancí Hadoop v cloudu jako ekonomického způ-sobu provádění komplexních analýz port-folia hypoték pro jejich společnost, která spravuje různé rekreační objekty.

„Je to potenciální řešení velmi reálného problému, který teď máme,“ dodává Ternent.

2. Obchodní analytika se zrychluje„Technologie big dat jsou jen jedním z prvků širšího trendu rychlejší analytiky,“ tvrdí Vince Kellen, ředitel IT University of Ken-tucky.

„To, co skutečně chceme, je pokročilá analytika pro opravdu pekelně velké množ-ství dat,“ prohlašuje Kellen. „Objem dat, která lidé mají, je méně důležitý než efekti-vita, s jakou je lze analyzovat, protože rozbor je požadován rychle.“

Kapacita dnešních počítačů umožňuje zpracování mnohem většího množství údajů přímo v operační paměti, a nabízí tak rychlejší výsledky, než je tomu při vy-hledávání v datech na disku, přestože z nich zpracováváte jen gigabajty.

Přestože se databázím už desítky let stále zlepšuje výkon pomocí ukládání často používaných dat do vyrovnávací pa-měti cache, nyní je mnohem praktičtější načíst celé velké datové soubory do pa-měti serveru nebo clusteru serverů a disky používat jen jako zálohu.

Protože je načítání dat z rotujících

Matematika, která směřuje k vizualizacím, je velmi podobná té, která se používá pro statistickou analýzu. Grafické procesory díky tomu mohou dělat výpočty stokrát rychleji, než tak činí konvenční procesory desktopů nebo serverů.ALLAN HACKNEY, ŘEDITEL IT, JOHN HANCOCK



magnetických disků částečně mechanic-kým procesem, je o několik řádů poma-lejší, než je tomu v případě zpracování dat přímo v paměti.

Rotella tvrdí, že nyní dokáže za několik sekund udělat analýzy, které by před pěti lety trvaly celou noc.

Jeho firma uskutečňuje prediktivní analytiku u velkých datových soustav, což často zahrnuje spouštění dotazu hledají-cího různé vzorce a úpravy před spuště-ním následujícího dotazu.

Množství času potřebného ke zpraco-vání dotazu způsobuje velký rozdíl v rych-losti celého postupu analýzy.

„Dříve trval běh déle než vytváření samot-ného modelu dotazu, ale teď trvá vytvoření struktury otázky déle než její realizace,“ po-pisuje Rotella.

Servery sloupcových databází, které in-vertují tradiční organizaci řádků a sloupců relačních databází, řeší jinou kategorii vý-konnostních požadavků – namísto na-čtení celých záznamů a extrakce vybra-ných sloupců dokáže dotaz přistupovat pouze k potřebným sloupcům.

To výrazně zlepšuje výkon aplikací, které seskupují či vyhodnocují několik klí-čových sloupců.

Ternent varuje, že výkonnostní výhody sloupcové databáze se týkají jen vhodného návrhu aplikace a dotazu.

„Musíte klást správné otázky správným způsobem, abyste zaznamenali rozdíl,“ vy-světluje Ternent a dodává, že sloupcové databáze mají skutečně smysl jen pro apli-kace, které musí zpracovat více než 500 GB dat.

„Musíte mít určité množství dat, než za-čne dávat sloupcové řešení smysl, protože při dosahování efektivity spoléhá na určitou míru opakovanosti.“

Při snaze zlepšit výkon analytiky hraje

významnou roli také hardware. Allan Hackney, ředitel IT ve společnosti John Hancock, která nabízí pojišťovnické a fi-nanční služby, má ve svém arzenálu gra-fické procesory používané obvykle v her-ních systémech.

„Matematika, která směřuje k vizualiza-cím, je velmi podobná té, která se používá pro statistickou analýzu,“ říká Hackney.

„Grafické procesory díky tomu mohou dě-lat výpočty stokrát rychleji, než tak činí kon-venční procesory desktopů nebo serverů. Naši analytici jsou s tímto vybavením velmi spokojeni.“

3. Technologie stojí méněSpolu s růstem výpočetní kapacity těží analytika z klesajících cen za paměti a úložiště a z open source softwaru, který poskytuje alternativu ke komerčním pro-duktům a vytváří konkurenční tlak na ceny.

Ternent je evangelistou open source ře-šení. Před svým nástupem do Island One byl viceprezidentem pro technická řešení ve společnosti Pentaho, která je dodavate-lem open source systémů business intelli-gence, a také pracoval jako konzultant se zaměřením na BI a open source.

„Z mého pohledu open source vytváří fé-rové podmínky,“ prohlašuje Ternent, „pro-tože i středně velká společnost jako Island One může pro statistickou analýzu používat open source aplikaci ‚R‘ namísto proprietár-ního řešení SAS.“

Dříve byly nástroje open source k dis-

pozici pouze pro základní reporting, jak uvádí Ternent, ale teď nabízejí i nejmo-dernější prediktivní analytiku.

„V současnosti existuje dodavatel open source systémů snad v každé oblasti, což znamená, že jsou k dispozici nástroje pro ko-hokoliv, kdo má kuráž se do něčeho takového pustit.“

Nustadová z HMS se domnívá, že mě-nící se ekonomické nároky ohledně po-užití výpočetní techniky kladou jiné po-žadavky i na základní architektonické schopnosti.

Například jedním z tradičních důvodů pro vytváření datových skladů bylo shro-máždit data na serverech s vysokým výpo-četním výkonem vhodným pro jejich další zpracování.

Protože dříve ale byl výpočetní výkon vzácnější, než je tomu dnes, bylo důležité odklonit zátěž tvořenou analytickými úlo-hami z provozních systémů, aby se zame-zilo snížení výkonu při každodenním zpracování úloh.

„Nyní to ale není vždy správná volba,“ prohlašuje Nustadová.

„Cena hardwaru a úložných systémů je v současné době tak nízká, že si můžete klidně dovolit posílit provozní systémy, aby zároveň zvládly i analytickou vrstvu,“ vy-světluje Nustadová.

Díky tomu, že se všechny úkony pře-sunu, změny formátu a načtení do dato-vého skladu dělají na jednom místě, může analytika postavená přímo na provozní aplikaci nabídnout rychlejší odpovědi.

Hackney nicméně podotýká, že i když klesající trendy cen vztažených na výkon pomáhají snižovat náklady, jsou potenci-ální úspory často eliminovány zvýšenými nároky na kapacitu.

„Je to jako běh na místě.“Zatímco u společnosti John Hancock

letos klesly náklady na jednotku úložiště o 2 až 3 procenta, potřeba úložných kapa-cit vzrostla o plnou pětinu.

4. Všichni jsou mobilníJako téměř všechny ostatní aplikace pře-chází také business intelligence do mo-bilní sféry.

Pro Nustadovou je mobilní BI priori-tou, „protože to chce každý,“ a ona sama prý potřebuje na svém iPadu, když právě není ve své kanceláři, přístup ke zprávám oznamujícím, zda její organizace plní do-hody o úrovni poskytovaných služeb.

Chce také nabízet mobilní přístup

Objem dat, která firmy mají, je méně důležitý než efektivita, s jakou je lze analyzovat, protože rozbor je požadován rychle.VINCE KELLEN, ŠÉF IT, UNIVERSITY OF KENTUCKY



k těmto údajům i firemním zákazníkům, aby tak mohli lépe sledovat a řídit své ná-klady na zdravotní péči.

Je to podle ní funkce prospěšná pro kli-enty, která sice před pěti lety ještě nebyla vyžadována, ale v současné době je už silně poptávána.

Pro ředitele IT se uspokojení tohoto trendu týká spíše vytváření uživatelských rozhraní pro tablety a smartphony – tedy pro malé dotykové obrazovky – než schop-ností sofistikované analýzy.

Možná proto to Kellen nepovažuje za důležité, protože jde o poměrně snadno řešitelnou záležitost. „Pro mě je to zcela triviální,“ tvrdí Kellen.

Rotella si ale nemyslí, že je to tak jed-noduché.

„Mobilní výpočetní technika ovlivňuje každého. Počet lidí, kteří k práci využívají iPad a další mobilní zařízení, prudce roste. Tento trend se bude zrychlovat a měnit způ-sob, jakým komunikujeme s našimi výpočet-ními zdroji v podniku.“

Například společnost Verisk vyvinula produkty, které likvidátorům pojistných událostí poskytují přístup k analýzám z te-rénu, takže mohou odhadovat plnění.

„To je způsob, jak využít naše analytické služby a poskytnout je lidem, kteří je potře-bují,“ říká Rotella.

Problém ale vzniká tím, že se mobilní technologie příliš rychle mění.

„Před dvěma lety jsme iPady neměli. Nyní má tento tablet u nás v podstatě každý. Pro-tože je ale ve hře více operačních systémů, snažíme se zjistit, jak co nejlépe využít náš

vývoj, abychom tutéž aplikaci nevytvářeli hned několikrát,“ popisuje Rotella.

Na druhou stranu může požadavek vy-tvářet nativní aplikace pro každou mo-bilní platformu již nyní slábnout, protože prohlížeče v telefonech a tabletech jsou dostatečně funkční, jak tvrdí Ternent z Island One.

„Nejsem si jist, zda bych investoval do aplikace přizpůsobené mobilnímu zařízení, když mohu pro toto mobilní řešení vytvořit jen specifické zobrazení příslušné webové aplikace.“

5. Kombinace sociálních sítíS explozivním rozšířením Facebooku, Twitteru a dalších sociálních sítí chce stále více firem analyzovat data genero-vaná těmito weby.

Objevily se tak nově koncipované ana-lytické aplikace, které podporují statis-tické metody, jako jsou například zpraco-vání přirozeného jazyka, názorové či sí-ťové analýzy, které nejsou součástí typické sady nástrojů business intelligence.

Vzhledem k tomu, že jde o poměrně novou záležitost, je mnoho analytických nástrojů sociálních sítí k dispozici v po-době služeb.

Příkladem významného dodavatele může být Radian6, produkt typu SaaS, který nedávno zakoupila společnost Sales-force.com.

Radian6 představuje informační panel o zmínkách značky v pozitivním, negativ-ním či neutrálním významu na kanálech Twitteru, veřejných příspěvcích Face-

booku a v komentářích na blozích a v dis-kuzních fórech.

Pokud si takový nástroj oddělení mar-ketingu nebo služeb zákazníkům pořídí, nemusí pro oddělení IT představovat vý-znamnou zátěž.

Kellen z University of Kentucky je však přesto přesvědčen, že by jim měli IT pra-covníci věnovat pozornost.

„Mou prací je mimo jiné identifikovat tyto technologie, sledovat jejich přínos pro orga-nizaci z hlediska konkurenceschopnosti a začít se vzděláváním vhodných osob,“ pro-hlašuje Kellen.

Tato univerzita má stejný zájem o sle-dování názorů na sebe sama jako jakákoliv jiná organizace, ale Kellen tvrdí, že tak lze identifikovat také příležitosti pro rozvoj použití specifického pro školní záležitosti, jako je udržení studentů.

Například sledování studentských pří-spěvků na sociálních sítích může pomáhat fakultám a správcům zjistit v raném sta-diu, že mají studenti různé akademické problémy, stejně jako to dělá firma Dell, když pomáhá zjistit osoby tweetující in-formace o poškozených noteboocích.

IT vývojáři by měli také hledat způsoby, jak vestavět upozorňovací zprávy genero-vané analýzou sociálních sítí přímo do aplikací, aby tak bylo možné na tyto udá-losti patřičně reagovat, říká Kellen.

„Sami nemáme ani znalosti, ani nástroje, které by pomohly využít obrovské množství příspěvků v sociálních sítích,“ tvrdí Allan Hackney.

„Jakmile taková data máte, musíte být schopni získat dostatek informací o událos-tech, které se dějí ve firmě, abyste je mohli dát do souvislostí.“

Přestože jsou podle Hackneye snahy společnosti John Hancock v této oblasti teprve v zárodku, sám nad rolí IT ve zjiš-ťování souvislostí údajů ze služby sociální analýzy s podnikovými daty přemítá.

Pokud například data ze sociálních sítí ukážou na záporný vývoj názorů na spo-lečnost v určité geografické oblasti, chtěl by vědět, zda v té době podnik třeba změ-nil ceny nebo politiku v daném regionu způsobem, který by takový trend mohl svým způsobem vysvětlit.

„Nalezení takových vzájemných souvis-lostí může přesvědčit vedení společnosti, že existuje návratnost investic do podpory vy-užití sociálních sítí,“ tvrdí Hackney.

„V mém oboru jsou všichni pojistnými matematiky a každý hledá přesná čísla.“

Dostáváme a sledujeme spoustu materiálů, strukturovaná i nestrukturovaná data a není vždy jasné, co se v nich vlastně hledá.CYNTHIA NUSTADOVÁ, ŘEDITELKA IT, HMS



Co je to business intelligenceBusiness intelligence (BI) je zjednodu-šeně řečeno nástroj, který umožňuje pracovat s velkými objemy dat z různých zdrojů a hledat v nich nové souvislosti a trendy. Důležitým charakteristickým prvkem (BI) nástrojů je možnost dívat se na data z různých pohledů – podle regio- nů, středisek či divizí, produktů, produk-tových řad, jednotlivých obchodníků atd. Díky tomu je možné odhalit trendy, které v celkových číslech mohou snadno zanik-nout, třeba fakt, že většinu prodejů dělá firma v jednom regionu nebo v jednom konkrétním tržním segmentu. BI navíc umožňuje sledovat vývoj jednotlivých uka-zatelů v čase, a to jak do minulosti, tak i do budoucnosti, s využitím příslušného statistického a matematického aparátu v podobě regresních funkcí. Pod pojmem BI se přitom skrývá cokoliv z výše uvede-ného – od jednoduchých reportů, které pouze poskytnou hlubší souhrnný pohled na celková čísla třeba až na úroveň jednot-livých středisek, produktů či dnů v týdnu, až po modelovací nástroje, které ukážou například vývoj prodejů daného produktu v čase od minulosti až po blízkou budouc-nost, a umožní tak firmě efektivněji pro-vádět product lifecycle management.

Nástroje pro business intelligence od Microsoftu už často máteBusiness intelligence do Microsoftu stojí na třech klíčových produktech, které řada firem už používá. Nasazení nástrojů busi-ness intelligence tak pro ně často nevyža-duje žádnou další investici do softwaru. Tím prvním nástrojem je Microsoft SQL Server, rozšířený základ pro firemní data-báze, podnikové informační systémy, e -shopy i další on -line aplikace. Jeho úko-lem je hlavně spravovat data, připravovat pohledy a provádět s nimi příslušné analy-tické a početní operace. Druhým staveb-ním kamenem je Microsoft Excel, jeho role se spolu s nástupem nové verze Of-fice ještě podstatně rozšíří. Excel už od

verze 2010 umí zpracovávat obrovské ob-jemy dat. Díky tomu mohou uživatelé pro-vádět náročné databázové operace s využi-tím výpočetního výkonu vlastního počí-tače a bez negativního vlivu na výkonnost celé databáze, která v tu dobu slouží třeba stovkám dalších uživatelů a zákazníků.

Posledním stavebním kamenem je pak Microsoft SharePoint. Ten slouží jako platforma pro přípravu, sdílení a každo-denní používání statických i interaktiv-ních reportů, umožňuje jednotlivé vý-stupy včetně např. výpočtů KPI zobrazo-vat přímo na intranetu či extranetu a slouží také k tomu, aby bylo možné jed-notlivé dynamické tabulky či grafy vkládat do PowerPointu a přímo odsud s nimi např. uprostřed prezentace pro manage-ment pracovat.

Základem jsou reporting services v SQL Serveru 2012Základní BI funkce, které jsou dostupné v Microsoft SQL Serveru, jsou integra-tion, analysis a reporting services. Po-slední zmíněné umožňují využívat nad

Business intelligence ve vašich podnikových informačních systémechBusiness intelligence (BI) neboli nástroje pro pokročilou analýzu obrovských objemů dat, které vám umožní vidět v nich nové souvislosti důležité pro řízení vaší firmy, se v IT používají ve velkém již několik let. Nyní se však BI díky Microsoftu stává cenově dostupnější a mohou si ho dovolit i malé firmy. Velkou část, anebo dokonce všechny nástroje, které jsou pro BI potřeba, totiž firmy už často mají k dispozici.

daty např. z podnikového informačního systému, databáze, e -shopu apod. tzv. OLAP (Online Analytical Processing) funkce. OLAP dává možnost dívat se na data z několika různých bodů pohledu – tzv. dimenzí – které mají k analyzova-nému ukazateli nějaký vztah. Pokud se budeme zajímat například o objem pro-dejů, můžeme se na něj dívat podle zákaz-níků, druhů zboží, regionů atd. Každý bod pohledu je jedna dimenze. Souboru di-menzí u jednoho zvoleného ukazatele se pak říká OLAP kostka (kostka kvůli tomu, že využíváme OLAP např. ve třech a více dimenzích). Kromě pohledů samotných existují také nadhledy – tzv. vyšší di-menze – kdy například námi zvolený ob-jem prodejů budeme zkoumat podle stře-

disek, skupiny zboží, jejich kódů, dodava-telů, zaměstnanců, kteří zboží prodali, atd. Abychom získali přístup ke všem těmto informacím a pohledům na jednot-livé OLAP kostky, je třeba předpřipravit tzv. reporty. Jejich příprava většinou vyža-duje pokročilé znalosti jazyka SQL, ve kte-rém Microsoft SQL Server pracuje. Proto připravuje jednotlivé reporty a OLAP kostky zpravidla implementační partner. V základní úrovni s nimi umí pracovat každý partner certifikovaný pro imple-mentaci produktů Microsoft Dynamics či Microsoft SQL Server. Samotné využití OLAP kostek a reporting services je zdarma, neboť se jedná o standardní sou-část Microsoft SQL Serveru. Firma platí pouze za přípravu OLAP kostek a reportů implementačním partnerem.



PowerPivot pro Excel 2010, komponenta BI zcela zdarmaNa BI analýzu dat z podnikového infor-mačního systému lze využívat přímo Microsoft Excel 2010. Stačí do něj doin-stalovat zdarma dostupný doplněk Mic-rosoft PowerPivot for Excel 2010, který je dostupný i v české jazykové mutaci. V nové verzi Microsoft Excel je pak PowerPivot už integrální součástí. Jediné, co je třeba mít pro využití PowerPivotu k dispozici, jsou připravené OLAP kostky v SQL Serveru. Velkou výhodou Power-Pivotu je přitom fakt, že je možné prová-dět interaktivní analýzu včetně nejrůz-nějších grafů nad aktuálními daty přímo např. z podnikového informačního sy-stému a že je k té analýze možné využívat i všechny další dostupné nástroje, které Excel nabízí. Vytvořený report, který se z připravených OLAP kostek dělá iden-ticky jako například kontingenční tabulka či graf, lze navíc jednoduše uložit jako klasický excelový soubor a využívat jej i off -line, případně pak pouze aktualizo-vat data z databáze prostřednictvím jed-noho kliknutí. Velká výhoda je, že po-třebný výstup i jeho formu si může vytvo-řit sám uživatel bez nutnosti asistence ze strany implementačního partnera a že ja-kákoliv analýza nezatěžuje přímo databá-zový server, ale jen počítač, na kterém analýza probíhá. K PowerPivotu je navíc k dispozici i podrobný návod v českém ja-zyce, který počáteční seznámení s jeho funkcemi výrazně usnadní. Microsoft PowerPivot existuje i ve verzi pro Share-Point 2010, kdy je možné provádět tytéž funkce přímo na intranetovém či extrane-tovém portálu ve webovém prohlížeči s tím, že je možné snadno předdefinovat jednotné, skupinové i individuální po-hledy pro jednotlivé uživatele. To zna-mená, že na jediný report sdružující na-příklad informace o prodejích za celou

Evropu lze na SharePointu nadefinovat, že management společnosti uvidí všechna data, ředitel národní pobočky v tom sa-mém reportu uvidí jen data za svoji zemi a vedoucí jednotlivých prodejen zase jen data za své prodejny. Když pak bude po-třeba report jakkoliv upravit, doplnit nebo rozšířit, provede se to právě jednou a pohled se změní všem uživatelům na-jednou a opět jen na ta data, která mají vidět.

PowerView aneb cesta k interaktivnímu BIMicrosoft SQL Server 2012 přinesl v kombinaci se SharePointem 2010 velice podstatnou novinku – nástroj zvaný PowerView, který se objeví i v novém Ex-celu. PowerView umožňuje provádět řadu operací, na které bylo třeba dříve využívat služeb implementačního partnera. K da-tům lze díky PowerView a SharePointu přistupovat přímo z webového prohlížeče a všechny reporty jsou navíc plně interak-tivní. Vytvoření nového reportu je otáz-kou několika málo sekund a není o nic náročnější než třeba vytvoření kontin-

genční tabulky nebo grafu v Excelu. V zá-kladu jsou k dispozici animace reportů (i grafů) v čase a procházení daty je plně interaktivní se snadnou možností dostat se pouhým kliknutím o úroveň níž. SQL Server 2012 také pracuje se sémantickým modelem, který umožňuje jednoduše gra-ficky dávat jednotlivé položky dat do sou-vislostí a vztahů, které uživatel následně může snadno u jednotlivých položek či skupin dat sledovat. SharePoint 2010 na-bízí také Visio Services, které umožňují nechat si při analýze zobrazit data v gra-fickém znázornění např. procesů, rozlo-žení zboží v prodejně či na mapových podkladech Bing map. Výstupy z jednotli-vých reportů lze také jedním kliknutím exportovat do formátů Microsoft Excel, Word či PowerPoint, a to včetně zacho-vání použitých grafických prvků. SQL Server 2012 navíc přichází i se zcela no-vým fulltextovým statistickým sémantic-kým vyhledáváním, které umožňuje snad-nou orientaci i v nestrukturovaných da-tech a umožňuje hledat souvislosti mezi jednotlivými položkami či dokumenty v databázi.

Vsadili jsme na business intelligence od Microsoftu

Proč využívat business intelligenceDalibor Kačmář, manažer serverové divize, Microsoft:„Nástroje pro business intelligence od Microsoftu vám dají možnost dívat se na data od celku po detail a obráceně. Umožní vám hledat různé souvislosti, které by vám jinak v záplavě dat unikly. Můžete zjistit třeba, že v jednom re-gionu se prodává více červené oblečení než v jiném, a okamžitě tomu přizpů-sobit logistiku. Můžete zkoumat, kdy se vaše zboží prodává nejvíce, které zboží si zákazníci kupují pohromadě, odkud jsou vaši noví zákazníci, ve které dny v týdnu se co nejvíce prodává, jak výkonní jsou vaši obchodníci, kteří zá-kazníci vám generují největší obraty a na kterých nejvíce vyděláte atd. Důle-

žité přitom je, že pokud dáte svým zaměstnancům do ruky snadno použitelné nástroje s přehled-nými a pochopitelnými výstupy, jako nabízí například PowerPivot a PowerView, budou zaměstnanci tyto nástroje používat, budou sami tyto nové souvislosti hledat a budou moci na základě nich činit kvalifikovaná rozhodnutí, která pomohou zvýšit vaše tržby i marže.“

Martin Pidrman, IT manažer, STROJÍRNY POLDINasazení nástrojů business intelligence bylo dalším logickým krokem r oz-voje ICT služeb. Zjednodušeně řečeno, díky informačnímu systému máme kvalitní data, ale pro správné rozhodování a řízení jsme potřebovali infor-mace. Proto jsme ve spolupráci s BI Experts zvolili řešení BI postavené na technologiích Microsoft s maximálním využitím integračních služeb nového SQL Serveru 2012. Implementované řešení dokáže plně pokrýt nejen naše požadavky na manažerský reporting, sledování klíčových ukazatelů a kon-troling, ale má i přesah do výroby a jejího každodenního řízení.

Radek Benda, business controller, ISSČeská a slovenská pobočka nadnárodní korporace ISS Facility Services vy-užívá již několik let řešení BI, cílem kterého je poskytování aktuálních kom-plexních informací v oblasti financí. Toto řešení vyvinula a dodala společ-nost Clever Decision. Řešení nám jak spoří čas, který bychom museli věno-

vat každodenní tvorbě velkého množství reportů, tak zároveň zefektivňuje manažerské rozhodování, což má vliv na produktivitu a ziskovost firmy.

Jan Novotný, obchodní ředitel, AmbicaV dnešním vysoce konkurenčním prostředí se stává nutností řídit podnik a jeho operace pomocí vhodně navrženého systému pro řízení výkonnosti. I naši úspěšní zákazníci si postupně uvědomují potřebu posunout se od využívání reportů a analýz odbornými útvary k přímé podpoře řídicích procesů prostřednictvím interaktivních manažerských panelů s klíčovými ukazateli výkonu. S využitím platformy Microsoft Business Intelligence, zejména SQL Serveru 2008 R2 a SharePointu 2010, jsme konečně měli k dispozici nástroje pro úspěšnou realizaci takových řešení. Například implementace systému řízení obchodní sítě ve společnosti Mountfield při-nesla centrálnímu managementu systematičtější hodnocení obchodního výkonu prodejních center, efektivnější komunikaci a reportování výsledků.



ZDENĚK DVOŘÁK

Datové sklady – agilní, nebo ne?Kdykoliv slyšíme v jedné větě slova jako datový sklad a agilní rychlá implementace, automaticky se nám vybaví mnoho argu-mentů, proč to nejde. V případě rozšíření či změny jádra dato-vého skladu nám nevyvstanou na mysli hodiny, dny či týdny, na-opak spíše cítíme měsíce či kvartály. To samozřejmě neplatí pro vývoj business intelligence nad existujícím úložištěm, kde se již delší dobu prosazují různé agilní metodologie.

V tomto článku rozebereme, jak lze výhody inovativních po-stupů využít přímo v souvislosti s tvorbou podnikové datové zá-kladny (EDW – Enterprise Data Warehouse).

Důvod, proč je potřeba hledat tyto nové cesty, je znázorněn na následujícím obrázku:

Která firma může zodpovědně prohlásit, že nemá alespoň jed-noho analytika, který si téměř pokoutně zajišťuje data z různých zdrojů a přichází se zajímavými, překvapivými, avšak mnohdy rušivými výstupy? Důvodem prvních dvou přívlastků je mnohdy kreativní náhled a propojení dat, která spolu zdánlivě nemusí souviset. Negativní přívlastek si však vyslouží různá necertifiko-vaná data, která mohou ukazovat až zavádějící výsledky, neboť pro ně neplatí korporátní byznys pravidla. Proč ale nevyužít krea-tivitu a elán těchto lidí a neposkytnout jim potřebné nástroje?

Pokud takovouto otázku položíte administrátorovi databáze, dostanete jasnou odpověď: „Protože se neumí správně zeptat!“ Oddělení datového skladu začne zdlouhavý proces sběru uživa-telských požadavků, plánování a implementace. Mezitím analy-tik problém již vyřešil nezávisle na oddělení datového skladu a zkoumá další nápady.

Tento vzor chování vidí konzultanti společnosti Teradata u většiny svých zákazníků. Vzhledem k tomu, že základní prin-cipy naší technologie umožňují agilní vývoj, byla vyvinuta sada nástrojů, metodik, procesů a služeb, které otevírají dvířka k to-muto přístupu přímo byznys uživatelům.

Agilní vývoj v pojetí společnosti Teradata – Data LabNaše metodika odpovídá na základní p ožadavek byznys oddělení, kterým je především rychlost odpovědí destilovaných z podniko-vých dat – co nejnižší „Time to Market“. Žádná metodika se však nehodí pro každý typ požadavku. Představu o vhodnosti užití ukazuje následující graf (v sousedním sloupci), kde úroveň auto-nomie a latence předurčují agilní způsobilost.

Zatímco se metodika Data Lab nehodí pro vývoj samotného řešení EDW jako celku, jsou primárními případovými studiemi vhodnými pro tento typ vývoje následující oblasti:

Rychlá analýza a otestování nové byznys teorie Datový průzkum nových dat ve spojení s existujícími daty

v EDW Jednorázová ad hoc byznys otázka

Pilot – test a důkaz správnosti konceptu řešení Tvorba nových experimentálních dat pro datamining Testování hypotéz Extrémně privátní byznys data, kam ani IT nemá přístupData Lab, který bývá rozdělen na několik sandboxů, je přede-

vším rezervovaný prostor, výkon, sada nástrojů a procesů dato-vého skladu, sloužící pro zodpovězení jedné či více kritických byznys otázek. Je vlastněn a spravován přímo uživatelem s mini-mální součinností IT. Může obsahovat suboptimálně napsaný kód či data s neznámou kvalitou. Jedná se o dočasnou strukturu, která zaniká v řádu týdnů až měsíců. Vylučuje periodické běhy plnění dat, nepotřebuje optimalizaci. Zároveň nemusí plnit žádná SLA. Ukazuje směr nových projektů a produktů, nevytváří však cílová robustní řešení.

V praxi to znamená, že byznys uživatelé mohou samoob-služně vytvářet a spravovat struktury v části EDW prostředí a analyzovat data takto vytvo-řená ve spojení s existující podnikovou datovou bází. Není potřeba replikovat či přesouvat data na jiný systém. Tím se snižuje závislost byznysu na IT, neboť řešení umožňuje samostatně spra-vovat Data Lab v prostoru EDW. Navíc díky faktu, že vše běží přímo v databázi Teradata, mohou uživatelé využít výkon celého datového skladu.

Přínosy zavedení Data LabuŘešení Data Lab přináší přidanou hodnotu jak byznysu, tak IT, viz následující tabulka:

Přínosy z pohledu byznysu:

N ez á v i s l o s t• Silní uživatelé jsou sami schopni vytvořit si

své prostředí v cloudu Data Labů• Samoobslužná analýza zhodnocuje existující

BI a statistické nástroje

Efe k t i v i t a• Žádný nový HW či SW není potřeba• Propojení s EDW daty eliminuje nepotřebné

přesuny dat• Snižuje závislost na IT

R y c h l o s t• Využívá výkon EDW platformy s o řád vyšším

výkonem a z toho plynoucím rychlejším zpra-cováním

Přínosy z pohledu IT:

J e d n o d u c h o s t• Centralizuje správu analytického ekosystému• Zjednodušuje produkční řešení aplikací a dato-

vých přírůstků

Ko n t ro l o v a te l n o s t• Workload management pro minimalizaci do-

padu na datový sklad• Řešení bezpečnosti• Nastavení předdefinovaných životních cyklů

a limitů velikosti Data Labů

Ce n a• Snižuje spotřebu systémových prostředků díky

eliminaci redundantních datových přenosů• Eliminuje stínové IT v byznys jednotkách a pri-

vátní datamárty

Urychlete vývoj, byznys nečeká!

Dat pot ebn ch k anal ze je dostupn ch

v datovém skladu

90 % Nov ch dat pot ebn ch v

konjunkci

s

p edchozími EDW daty

10 % Nahrání nov ch datov ch p ír stk do jádra datového skladu je svázáno

rigorózními procesy pro ochranu jeho

integrity

Analytický průzkum B ná p ípadová studie v analytickém pr zkumu:

+ +

V sledkem je, e mnoho business

analytik jde cestou nejmen ího odporu

vyextrahují si zmín n ch 90 % dat

na sv j po íta= a

»Industrial DWH«(Cer�fied Data & process)

- IT)

DWH Dependence (Team -IT)

Low Latency (Business) High Latency (Business)

Data LabIT Prototyping

Data LabUser PrototypingAdvance Analy�cs

Data Lab»BICC«

Data LabPrivate space

Data LabPatch Run

DWH Autonomy (Team



Kritické prvky zavádění Data LabůZákladním principem metodiky Data Lab je dočasnost nasazení jednotlivých sandboxů. Před koncem jejich životního cyklu je třeba rozhodnout, zda nový pohled na data přináší pro společ-nost dostatečnou hodnotu, která zdůvodní řádnou implementaci v EDW.

V případě, že ano, dochází k návrhu funkčního řešení pro na-sazení do produkce. V opačném případě je sandbox zrušen.

V žádném případě by nemělo docházet k dlouhodobému pro-dukčnímu reportingu z Data Labu. To by v dlouhodobém vý-hledu vedlo k minimalizaci řádného vývoje EDW se všemi pro-blémy, které tento stav přináší. Proto se doporučuje stanovit již zcela na začátku maximální dobu životnosti pro konkrétní sand-box – a to v řádu týdnů až měsíců.

Napojení na procesy BI kompetenčního centra společnosti nebo jiného oddělení, které má za úkol sběr a realizaci uživatel-ských požadavků na BI výstupy z podnikových dat, je nejdůleži-tější komponentou organizačního zajištění Data Labu.

Architektonicky doporučuje společnost Teradata nasazení Data Labu uvnitř EDW platformy. Jeho budování bez EDW při-náší značná rizika především v oblastech sjednocení byznys pra-videl a výkonu. Na následujícím obrázku je základní schéma umístění Data Labu s uživatelsky spravovanými daty a jejich pro-pojení na data v integrovaném datovém modelu. Pro zajištění vý-konu uživatelských dotazů vedle produkční zátěže je třeba využít nástroje pro rozdělování zdrojů platformy Teradata.

Vytvoření Data Lab prostředí je založeno na následujících komponentách řešení Teradata:

Škálovatelná databázová platforma TASM (Teradata Active System Management): Nástroj umož-

ňující dedikovat výkon pro produkční zátěž a uživatelské ad hoc dotazy prostředí Data Lab v komplexním workloadu EDW

Teradata ViewPoint: Webový server se sadou portletů s ten-kým klientem. Primárně se jedná o portlet Data Labs, určený ke správě, samoobslužné tvorbě a plnění sandboxů včetně nástroje pro nahrávání dat a dotazování

Teradata nástroje a utility: Tlustý klient pro práci s Teradata platformou

Partnerské nástroje zahrnují funkcionality business intelli-gence, Online Analytical Processing (BI/OLAP), in -database da-tamining, textovou analýzu a vizualizaci.

Případové studieZ mnoha případových studií zmiňujeme implementaci Data Labů ve francouzském Bouygues Telecom. U tohoto zákazníka došlo k implementaci programu Globální Data Lab v produkč-ním prostředí EDW. Z pohledu zákazníka jsou hlavními přínosy této implementace:

Zrychlení „Time To Market“: řešení inovací pro všechny ob-lasti byznysu

Byla definována služba Agilní Data Lab a Governance řízená dedikovaným agilním týmem

Bylo identifikováno téměř 200 iniciativ Data Labů, řízených tímto řešením, s cílem úplné eliminace privátních datamártů

Došlo ke zlepšení Total Cost of Ownership vlastního EDW a BI řešení společnosti

Doba řešení uživatelských požadavků se snížila ze dnů až týdnů na hodiny

Data Lab je využit i ve fázi před industrializací evoluce EDW, a to především pro data discovery, řešení datové kvality a datové modelování

Druhým příkladem praktického užití je oblast dataminingu jednoho českého telekomunikačního operátora. Zde je Data Lab využíván pro přípravu analytického datového setu a výpočet sto-vek navržených prediktorů, které jsou pak díky možnosti propo-jení s produkčními daty snadno validovány. Úspěšné algoritmy jsou pak optimalizovány a zařazeny do produkčního skóringu. Hlavní výhodou je, že celým vývojovým EDW cyklem prochází jen 10 % dataminingových proměnných, zbytek je vyřazen již v Data Labu.

ShrnutíVzhledem k tomu, že primární sférou zájmu společnosti Tera-data je oblast budování datových skladů, nabízí společnost i ino-vativní pohledy a přístupy k problematice zrychlení vývoje BI aplikací. K zajištění agilního vývoje využívá klasické nástroje EDW a doplňuje portfolio těchto tradičních nástrojů i o nové, dedikované pro řešení Data Labs.

Využívá konkurenční výhody své vlajkové lodi, databázové platformy Teradata, jako je lineární škálovatelnost, a v oboru bezkonkurenční řešení workload managementu. Toto vše dopl-ňuje organizací professional services, zahrnující jak implemen-tační konzultanty, tak i školicí a podpůrné organizace.

Aktuální situace na trhu se díky rostoucí digitalizaci zrychluje ve všech segmentech podnikání a konkurenceschopnost závisí čím dál více na rychlém rozhodování, inovativním přístupu a na využití všech vědomostí podniku a schopností jeho zaměstnanců. Společnost Teradata umožňuje dát jim k dispozici ty správné ná-stroje pro to, aby mohli dělat nejlepší možná rozhodnutí ve své každodenní práci.

Popis řešení Teradata, reference, přípa-dové studie a další informace najdete na www.teradata.com.

Autor je solution architect společnosti Teradata

IntegratedData

Warehouse

Ac�ve Workload Management

External Data

Data Lab

Use analy�c tools to join and explore combined data

Read only for Data Lab users

Read, write

SASdata

csvdata



ROBERT L . MITCHELL

Gareth Herschel, analytik společnosti Gartner, říká: „Použití prediktivní analytiky je běžné v odvětvích, jako

jsou telekomunikace, finanční služby a ma-loobchod. Celkově však stále jde jen o malé procento organizací, které ji aktivně použí-vají – možná něco okolo 5 %.“

Zájem je nicméně vysoký ve společnos-tech, které jsou stále zaměřeny na histo-rickou, „popisnou analytiku“, a v podni-cích se zavedenými postupy prediktivní analytiky, kde nyní dochází k přesunům mimo tradiční oblasti, jako jsou marke-ting a řízení rizik.

Nové metody tak předpovídají množ-ství prokliků na webech a celkové cho-vání, pomáhají personalistům předvídat, kteří zaměstnanci by mohli dát výpověď a podobně.

Další oblastí je směrování hovorů na linky podpory, kde lze modely použít k ur-čení toho, který agent pravděpodobně nej-

lépe odpoví na otázku daného volajícího zákazníka.

„Mají větší zájem, protože mají více dat,“ tvrdí Dean Abbott, prezident poradenské společnosti Abbott Analytics. „Pozornost je zaměřena na rozvojový potenciál. Lidé říkají, že je to něco, co musejí udělat.“

Musíte se však nejdříve naučit chodit, než můžete běhat, a s nároky organizací na big data není prediktivní analýza něco, co lze využívat lehkovážně nebo nahodile.

Požádali jsme firmy, které jsou v této oblasti nové, i zkušené profesionály, aby se podělili o své zkušenosti.

Doporučují začít v malém, úzce spo-lupracovat s firemními odděleními na defini ci problému, neustále testovat a zdokonalovat model, předávat výsledky v pojmech, kterým mohou porozumět osoby se zodpovědností za podnikové roz-hodování, a především se ujistit, že firma bude ochot na na základě těchto předpo-vědí jednat.

Zprovoznění prediktivní analytikyNavzdory obvyklému názoru nepotřebujete velký rozpočet, abyste mohli s prediktivní analýzou začít.

Predikce pro sportovní utkáníAnalytická skupina týmu NBA (severo-americká národní basketbalová liga) Or-lando Magic strávila plné dva roky zdo-konalováním svých schopností v oblasti podnikání.

„Před dvěma lety jsme o prediktivní ana-lýze nevěděli prakticky nic,“ tvrdí Anthony Perez, ředitel obchodní strategie pro fran-šízu NBA.

Zatímco jeho tým pracoval na predik-tivní analytice částečně již předtím, Perez dodává, že jejich nástroje nebyly dosta-tečně výkonné, aby jim poskytly potřebné postřehy, takže je to celé stálo velké úsilí.

Perez tedy koupil nový výkonnější soft-ware od SAS a začal vzestup po křivce učení.

Dnes je zavedenou praxí nejen pomoc při optimalizaci prodeje lístků, ale také poskytování nástrojů usnadňujících trené-rům předvídat nejlepší sestavy pro každý basketbalový zápas a informace, kteří po-tenciální hráči nabídnou za vynaložené investice nejlepší hodnotu.

Perezův tým začal pomocí analytic-kých modelů předpovídat, které zápasy bu-



dou vyprodány a o jaké bude zájem menší.Pokladna potom tyto informace použí-

vá k úpravě cen s cílem maximalizovat ná-vštěvnost a zisk.

„Poslední sezonu jsme měli největší obrat ze vstupenek v historii naší franšízy, přestože jsme z důvodu výluky hráli jen 34 zápasů v sezoně, která ale dovoluje mít až 45 zápa- sů,“ popisuje Perez.

Nyní jsou tyto modely používány a ceny upravovány každý den.

Pokud se Pereze zeptáte, jak jsou využí-vány k předpovědím pro sestavení nejlep-ších týmů a herní strategie, je už méně otevřený. „To je tajemství, o kterém nikdo nemluví,“ odpovídá.

I když je to vše stále poměrně v zá-rodku, také další organizace postupují po křivce učení prediktivní analytiky.

Je to disciplína dolování dat s předpo-vědí, která kombinuje algoritmické mo-dely s historickými údaji za účelem zod-povězení otázek, například jak je pravdě-podobné, že si daný zákazník zase koupí lístek platící na celou sezonu.

Modely přiřadí tyto pravděpodobnosti pro každou osobu. Podnik pak může na základě takových údajů připravit opatření. Další analýza se pak může použít k před-povědi, jak úspěšné mohou být různé zva-žované kroky.

Nalezení vhodného použití„Společnost Procter & Gamble (P&G) produ-kující spotřebitelské výrobky intenzivně vy-užívá analytiku k předvídání budoucích trendů, ale nebylo to tak vždy,“ říká Guy Peri, tamější ředitel business intelligence v divizi Global Business Services.

„Dříve jsme jen sledovali údaje z minu-losti, ale zhruba před půl rokem došlo k vý-znamné pozitivní změně. Nyní využíváme pokročilou analytiku, abychom byli lépe při-praveni na budoucnost a dokázali při řízení zohlednit výjimky, což znamená separaci anomálií za účelem rozpoznat a připravit se na skutečné trendy,“ prohlašuje Peri.

P&G používá prediktivní analytiku pro všechno – od projektování růstu trhů a tržních podílů po předvídání, kdy selže výrobní zařízení. Vizualizace pomáhá ma-nažerům v rozhodování, které události jsou běžnými obchodními odchylkami a jaké vyžadují zásah.

„Zaměřujeme se na skutečně důležité zá-ležitosti,“ tvrdí Peri.

Je potřebné reagovat s jasným pocho-pením obchodních okolností, a to vyža-duje spolupráci.

„Musíme přesně znát problematiku a po-třebnou odezvu, když se vrátí výsledky,“ vy-světluje Peri.

Je také důležité udržet soustředění na danou oblast. Ztráta kontroly může rychle zničit vaši důvěryhodnost, připomíná Peri.

Hned na začátku P&G vyvinula model pro odhady budoucích podílů na trhu pro regionální obchodní lídry v oblasti podni-kání, kterou nechtěl specifikovat. Fungo-valo to, dokud se společnost nepokusila použít tentýž model pro naplnění potřeb lídrů v dalších oblastech.

V těchto případech bylo potřeba stano-vit větší podrobnosti, ale jeho skupina se pokusila použít stejný, už jednou použitý model.

„Tento model se ale stal nespolehlivým a podkopal důvěryhodnost původních ana-lýz, které ale byly zcela přesné,“ popisuje nepříjemnou zkušenost Peri.

Noví uživatelé podle Periho musí udě-lat několik kroků, aby mohli začít: Na-jmout si školeného analytika, který ví, jak příslušný model vyvinout a jak jej použít pro obchodní problematiku, jak najít správná data, která je potřebné do něj vlo-žit, či jak získat podporu obchodních ma-nažerů nebo podporovatele z řad vyššího managementu, kteří budou řešení dále prosazovat.

„Všimněte si, že jsem nezmínil nástroje,“ upozorňuje Peri. „Odolejte pokušení koupit za spoustu peněz kus softwaru, o kterém si budete myslet, že bude řešit veškeré vaše problémy. Takový prostě neexistuje.“

Nemusíte tedy do svých prvních pár projektů investovat tolik. Místo toho vložte peníze do školení zaměstnanců v oblasti pokročilého modelování za po-moci tabulek.

„Chcete -li začít, lze všechno zvládnout i pomocí klasického Excelu. Prozkoumávat pokročilejší nástroje na úrovni platforem je potřeba jen tehdy, když chcete svůj záběr rozšířit,“ radí Peri.

Těsná spolupráce s uživateliBryan Jones začal s omezeným rozpoč-tem, ale to není hlavní důvod, proč jeho první snaha o využití prediktivní analýzy skončila neúspěchem.

Tento ředitel pro hodnocení výkonnosti u organizace poskytující poštovní služby chtěl využít prediktivní analytiku k tomu, aby pomohl určit, které reklamace byly s největší pravděpodobností podvodné.

Po osmi měsících práce měl funkční model, ale nezávislá analytická skupina pracující na projektu nebyla s oddělením, které mělo tento nástroj využívat, plně propojena. V důsledku toho byl tabulkový výstup zasílaný každé kanceláři z velké míry ignorován.

Naštěstí měla Jonesova skupina ne-ochvějnou podporu vrchního inspektora. „Pokud nemáte podporu od vedení, jste jak mrtvola plovoucí ve vodě,“ varuje Jones.

Napodruhé si Jones najal poradce, který mu pomohl s modelováním a přípra-vou dat. Zajistil také, aby byl z každé sku-piny, která měla výsledky využívat, příto-men jejich analytik.

„Využíváme pokročilou analytiku, abychom byli lépe připraveni na budoucnost a dokázali při řízení zohlednit výjimky.“GUY PERI, ŘEDITEL BUSINESS INTELLIGENCE JEDNÉ Z OBCHODNÍCH DIVIZÍ SPOLEČNOSTI PROCTER & GAMBLE



Grafické mapy, jež jsou výsledkem ana-lýz, jsou jako data mnohem využitelnější než samotná surová čísla, prohlašují jejich realizátoři. Výsledky jsou díky nim pro uživatele reálnější.

Pro skupinu vyšetřující podvodné smlouvy například jeho tým umístil vý-sledky do webové interaktivní mapy, která zobrazuje každou smlouvu jako kruh – s většími kruhy představujícími největší náklady a červenými kruhy znamenají-cími nejvyšší riziko podvodu.

Vyšetřovatelé potom mohou kliknout na kruhy, a dostanou se tak k podrobnos-tem o každé smlouvě a k souvisejícím smlouvám, kterých se riziko týká.

„Potom si lidé začali uvědomovat, že sku-tečně máme něco, co by jim mohlo pomoci,“ popisuje Jones.

Nyní k němu chodí různá oddělení se svými dalšími požadavky a ze své vlastní skupiny přiřazují někoho, kdo bude s tý-mem Jonese spolupracovat.

Jakmile je výstup připravený, vrátí se tato osoba ke své původní skupině a naučí ostatní, jak ho začít využívat. Jones zatím nemá přesná čísla o úspěšnosti jeho pre-dikcí, ale už teď se to projevuje ve zvýše-ném množství zatčení, zachráněných fi-nancí a dalších metrikách.

Objevily se i další neočekávané výhody.„Teprve nyní lidé pochopili, jak moc jim

můžeme být prospěšní. To je přínos, který jsme neplánovali,“ pochvaluje si Jones.

Noví vyšetřovatelé, kteří nemají spousty let zkušeností a konexe, mohou okamžitě nasadit stejné tempo jako jejich starší spolupracovníci. „Tyto nástroje vy-rovnávají i pracovní podmínky,“ domnívá se Jones.

Jones tedy radí: Získejte těsný vztah s koncovým uživatelem, využijte při vytvá-ření svého prvního modelu odbornou pomoc a prezentujte výsledky přesvědčivým a snadno srozumitelným způsobem.“

„Neměli jsme pro náš začátek správné lidi ani odbornost. Ani jsme nevěděli, co ne-víme,“ vzpomíná Jones, takže se obrátili na externího odborníka na dolování dat, aby jim pomohl s modely.

„Tento vztah nám pomohl pochopit, proč jsme byli neúspěšní, a uchránil nás od opa-kování stejné chyby.“

Organizování analytikyUrčení, kdo a kde bude analýzy uskuteč-ňovat, může být stejně kritickým fakto-rem úspěchu jako dovednosti týmů, pro-hlašují odborníci.

Měli byste je integrovat do struktury IT, vytvořit pro ně nezávislou skupinu, nebo tuto funkci integrovat do každého fi-remního oddělení?

Máme tu kompromisy:

■ Varianta 1: Analýzy v rámci provozu ITPersonál IT má odborné znalosti pro práci s daty. Vytvoření analytického týmu jako součásti IT může být rozumné i účelné

a vztah spolupráce může podpořit rych-lejší integraci analýz s dalšími podniko-vými aplikacemi.

Bez těsné součinnosti s koncovými uži-vateli však takové skupiny riskují vytvo-ření sice skvělých modelů, které ale ne-bude nikdo používat.

„Analytické skupiny mohou být také po-hlceny firemní IT strukturou,“ varuje John Elder, ředitel poradenské společnosti El-der Research.

„Já bych je nevytvářel v rámci IT, protože by je mohly pohltit jiné priority.“

■ Varianta 2: Ať každé firemní oddělení založí svou vlastní analytickou skupinuUstavení datových analytiků v rámci jed-notlivých oddělení zajišťuje jejich soulad s podnikovými potřebami a usnadňuje spolupráci. Vztah s oddělením IT, které spravuje data, však nemusí být dostatečně blízký.

Zatímco analytici mohou požadovat inovace, oddělení IT se může více zajímat o dostupnost systému a zajištění výkonu.

„Někteří členové oddělení IT mohou vní-mat analytiku dokonce jako otravnou záleži-

Překonání podnikové skepse„Přestože najmutí konzultanta může s některými technickými detaily pomoci, je to jen část pro-blému,“ říká John Elder, ředitel poradenské společnosti Elder Research.

„Více než 16 let jsme poskytovali řešení pro technické problémy, kde jsme byli požádáni o pomoc, ale jen dvě třetiny z nich bylo nakonec implementováno.“

Obecným problémem je, že lidé, kterým by měl model pomoci, ho nakonec nepoužívají. „Jako technicky zaměření lidé musíme odvádět lepší práci při nabídce modelu pro podnikové prostředí a při vysvětlování jeho přínosu,“ připomíná Elder.



tost,“ upozorňuje Dean Abbott, prezident poradenské společnosti Abbott Analytics, „protože to znamená v jejich pracovní době více hodin věnovaných něčemu, o co se vlastně nestarají.“

■ Varianta 3: Vytvoření skupiny sdílených služebTento přístup umožňuje standardizaci společného souboru modelů a metod, od-stranění redundance a rovněž zvýšení pro-duktivity.

Existence tét o skupiny mimo podni-kový tým však může snížit zájem ze strany firmy, jak zjistil Bryan Jones z významné organizace poskytující poštovní služby.

„Nedařilo se nám získat pozornost, pro-tože jsme byli vnějším subjektem,“ popisuje, takže nasadil analytiky přímo do podniko-vých skupin.

Dnes však jsou posíláni auditoři a vy-šetřovatelé k němu, aby pomohli vytvořit nové modely. „Teď jsme opět skupinou orga-nizační podpory,“ dodává Jones.

Také Procter & Gamble má skupinu sdílených služeb, která se zodpovídá ředi-teli IT, ale obsahuje cca 300 analytiků v jednotlivých odděleních, kteří pracují

jako „důvěryhodní poradci“ šéfů společ-nosti, uvádí Guy Peri, tamější ředitel pro business intelligenci.

Použitím agilního vývojového modelu může skupina vyladit současný model do 24 hodin, nasadit nový do 30 dnů a rozší-řit dobrý model i pro další podniková od-dělení během 90 dnů.

„Nakonec správné rozhodnutí závisí na existující struktuře organizace,“ tvrdí Ga-reth Herschel, analytik Gartneru.

„Pokud jste příliš soustředěni okolo IT, nechte je jako součást IT. Pokud mají vaše podniková oddělení velmi rozdílná zaměření, integrujte analytické skupiny do jejich struk-tury. A pokud mají podniková oddělení stejné zákazníky i dodavatele a dochází k překryvu produktů, použijte skupinu sdíle-ných služeb.“

Přesvědčit osoby s rozhodovací pravo-mocí, aby využívaly výsledky analýz, může být stejně obtížné jako nejprve zajistit je-jich účast v projektu.

„Předpovědi totiž mohou být přesným opakem toho, co jim řekne jejich obchodní intuice,“ vysvětluje Anne Robinsonová, prezidentka institutu Informs (Institute for Operations Research and the Manage-ment Sciences), který se profesionálně za-bývá oblastí podnikové analýzy.

„Když se začnete více zajímat o analýzy, jde to proti intuici. Prospěch však přinášejí právě odchylky od toho, co děláte, protože když jsou výsledky intuitivní, zjistíte, že to už tak dělá většina lidí.“

Před několika lety vytvořilo Cisco Sys-tems modely „tendence k nákupu“, aby pomocí nich zjistilo pravděpodobnost, zda budou zákazníci nakupovat v právě probí-hajícím čtvrtletí, v tom dalším nebo nikdy.

Tyto modely pokrývají všechn y výrobky ve všech oblastech prodeje. Prodejci si mysleli, že již vědí, co někteří lidé identi-fikovaní podle modelu budou kupovat, takže Cisco při výpočtu návratnosti tohoto modelu tyto prodeje vyloučilo.

„První rok jsme stáli za nárůstem obratu v hodnotě jedné miliardy dolarů,“ uvádí Theresa Kushnerová, ředitelka Customer and Influencer Intelligence ve společnosti Cisco. „Měli jsme už zkušenost postavit se proti tomu, o čem jiní byli přesvědčeni.“

Také Peri se nepříjemně poučil, že až 80 % projektu prediktivních analýz je kul-turního charakteru.

„Naivně jsem si myslel, že když mám mo-del, který dělá všechny tyto skvělé věci, bude vše fungovat. Musíte si však být vědomi toho, jak se lidé rozhodují a jak to bude tento pro-ces transformovat.“

P&G jednou vyvinula model, jenž měl poskytovat „včasné varování“ ohledně toho, jaké výsledky budou mít jednotlivé podnikové divize.

„Bylo to vlastně docela přesné, ale varo-

vání byla podána takovým způsobem, že lidé nechápali, jak by na ně měli reagovat, takže nedošlo k aktivním rozhodnutím, což byl pů-vodní záměr,“ vzpomíná Peri.

Poučení: Analytika je cenná jen tehdy, když na základě takové informace dojde k nějakému opatření.

Lidé se také mohou cítit analytikou ohroženi. „Existuje tu nejprve obava, že mo-del má určovat konečné rozhodování nebo že nebude respektovat obchodní znalosti uživa-tele,“ tvrdí Peri.

Uživatelé proto musí pochopit, že pre-diktivní model slouží jako nástroj pro pod-poru rozhodování a jak mohou tento vý-stup využít ve svých vlastních rozhodova-cích procesech.

„Neztrácejte čas přesvědčováním lidí, aby modelu věřili,“ radí Kushnerová z Ciska. Namísto toho udělejte test a prezentujte výsledky. Tímto způsobem nezpochybnít e jejich znalosti vy – udělá to věda.

„To je matematika, to je statistika, to je fakt. Máte vlastní experiment, který posta-víte proti tomu, o čem jsou oni sami pře-svědčeni.“

Nakonec je ale prediktivní analýzy při-nutí konfrontovat způsoby rozhodování založené na datech a intuici, myslí si Eric Siegel, prezident společnosti Prediction Impact, která v oblasti analytiky dělá ško-lení a organizuje konference.

„Je to velká ideologická bitva. Je to do-slova jako náboženská debata.“

Získání dostatečně dobrých datPo technologické stránce může být jak vy-tváření modelu, tak i příprava dat místem, kde lze udělat chybu. Prediktivní analy-tika je umění i věda. Vyžaduje čas a úsilí k vytvoření prvního modelu a získání správných dat.

„Jakmile vytvoříte první, je tvorba příštího modelu mnohem levnější – za před-pokladu, že používáte stejná data. Analytici, kteří vytvářejí nový a zcela odlišný model vy-užívající jiné údaje, naopak mohou zjistit, že projekt je stejně časově náročný jako ten první,“ říká Abbott.

„Rychlost procesu závisí také na množství zkušeností.“

Problematika přípravy dat může pro-jekt rychle vykolejit.

„Dodavatelé softwaru tento bod přeska-kují, protože všechna data v demonstračních verzích již byla zadána ve správném for-mátu,“ varuje Siegel.

„Nepouštějí se do toho, protože je to nej-větší překážka z technického pohledu reali-zace projektu a nelze to zautomatizovat. Je to programátorská práce.“

Když Perez z týmu NBA Orlando Ma-gic v roce 2010 začínal, podle svých slov velice špatně vypočítal čas potřebný na přípravu dat.



„Neměli jsme správná očekávání. Všichni jsme si mysleli, že to bude jednodušší, než to nakonec bylo,“ vzpomíná.

Sloučení dat z aplikace Ticketmaster od dodavatelů koncesí a dalších obchod-ních partnerů do datového skladu trvalo mnohem déle, než se předpokládalo. „Uplynula téměř celá sezona bez existence našeho plně funkčního datového skladu. Nej-významnější věcí, kterou jsme se naučili, je, že to opravdu vyžaduje trpělivost,“ konsta-tuje Perez.

„Co se týče kvality dat, je každý v rozpa-cích,“ uvádí Elder, ale čekat, až se všechny problémy vyřeší, je také chyba. Elder tvrdí, že data, na kterých opravdu záleží, jsou obvykle v dobrém stavu. „Přemlou-vám lidi, aby postupovali dopředu a udělali tzv. salát – potom uvidí, co lze získat,“ popisuje.

Ve společnosti Blue Health Intelligence (BHI) neměli žádné problémy s daty o zdravotní péči pacientů ze svých 39 po-boček, ale s daty o mnoha milionech lidí za sedm let bylo problémů mnoho.

„Zdravotní péče je, co se týče využití ana-lytiky, pozadu kvůli složitosti dat,“ uvádí Swati Abbotová, výkonná ředitelka BHI. „Lidé mají tendenci honit se za daty, přes-tože nevědí, proč je potřebují.“ Klinické po-znatky musejí přijít na řadu jako první, zdůrazňuje. „T eprve potom přijde na řadu matematika.“

BHI vyvinula modely předpovídající vhodnost hospitalizace nejrizikovějších pacientů – například kdo má odvratitelné riziko, kdo by s největší pravděpodobností reagoval na intervenci a jaké akce by prav-děpodobně v jednotlivých případech paci-entů zabraly.

Zpočátku se v BHI zaměřili na pacienty s cukrovkou s vysokým rizikem hospitali-zace – tedy na skupinu, u které se oče-

kává, že bude globálně stát zdravotní po-jišťovny za pár let biliony korun.

„První kolo analytických projektů nebylo úspěšné, protože koncoví uživatelé nebyli do-statečně angažováni. Stalo se z toho cvičení IT,“ dodává Abbotová.

Protože zprávy nesdělovaly nic o důvo-dech, proč by konkrétní pacient měl mít vyšší riziko, kliničtí profesionálové si toho nevšímali.

Abbotová tedy zajistila, aby byly v mo-delu patrné příčiny rizika a sdělovalo se nejen to, kdo má vysoké riziko, ale také proč a jaké intervence by mohly s vysokou pravděpodobností zlepšit výsledek.

„Zajistěte transparentnost,“ radí Abbo-tová, „a předkládejte informace správným způsobem, aby nenarušovaly obvyklé pra-covní postupy.“

Nejprve iterace, později změna velikosti„Ve firmě Intuit začínají všechny projekty v malém měřítku a procházejí přes neustálé cykly zlepšování,“ říká George Roumelio-tis, tamější vedoucí týmu datové vědy. „Náš proces využívá iterace a malé měřítko před přechodem na to velké.“

Tato firma nabízející finanční služby začala používat prediktivní analytiku k op-timalizaci svého marketingu či pro zvýšení prodeje a nyní se zaměřuje na optimalizaci zkušenosti zákazníků s jejími produkty.

Intuit vyvinul prediktivní algoritmy úloh k předpovědi, jak budou zákazníci třídit transakce v různých finančních produktech, a předkládá klientům ná-vrhy, když začínají s novými finančními operacemi.

Nabízí také iniciativně obsah a rady, když zákazníci využívají produkty společ-nosti, a snaží se předvídat otázky dříve, než je uživatel vznese.

„Začněte s jasně formulovaným obchod-ním výsledkem, vytvořte hypotézu o tom, jak tento proces k tomuto výsledku přispěje, a pak proveďte ex perimentální nasazení,“ radí Roumeliotis.

Prostřednictvím testování mohou ana-lytici získat důvěru vedoucích pracovníků firmy. Mohou rovněž vytvořit paralelní obchodní procesy a demonstrovat měři-telné zlepšení. „Jen se ujistěte, že vyberete existující podnikový proces, který lze optima-lizovat s minimálním rizikem pro podni-kání,“ radí Roumeliotis. „Zákaznická pod-pora, udržení klientů a uživatelské zkuše-nosti jsou skvělými místy, kde lze začít.“

Zatímco projekty prediktivní analytiky moh ou vyžadovat významné počáteční in-vestice, studie jejich návratnosti ukazují, že mají obrovský vliv, jak ukazuje zkuše-nost firmy Cisco.

Dokonce i malé projekty mohou mít obrovský dopad na podstatné oblasti. „Pre-diktivní analytika se týká předvídání a trans-formace celé společnosti,“ uvádí Peri.

„Rizika jsou vysoká, ale stejně tak i zisk,“ myslí si Robinsonová z institutu Informs. „Reagujte na to, co jste se naučili, a budete úspěšní.“

Použité podkladyPoužití zde uvedených osvědčených postupů vám umožní úspěšně využívat prediktivní analytiku. K článku jsme využili zdroje, které nám poskytli tito jednotlivci a organizace: Guy Peri, Procter & Gamble; George Roume-liotis, Intuit; Dean Abbott, Abbott Analytics; Eric Siegel, Prediction Impact; Jon Elder, El-der Research a Anne Robinsonová, Informs (The Institute for Operations Research and the Management Sciences).


Změna se do jednotlivých komponent zadává ručně

DŘÍVE

Požadavek na změnu

Automatizace procesu zadávání změn

NYNÍ

Požadavek na změnu

Model Driven Architecture

WIKIAutoma-tické testy

Instalačnískript

ReportyETL

Extract-Transform-Load WIKIAutoma-tické testy

Instalačnískript

ReportyETL

Extract-Transform-Load



Charakteristika zákazníkaZdravotní pojišťovna ministerstva vni-tra ČR (ZP MV ČR), založená v roce 1992, je s 1,2 milionu pojištěnců největší zaměstnaneckou zdravotní pojišťovnou v ČR. Má rozsáhlou síť více než 25 000 smluvních zdravotnických zařízení po celé ČR, díky nimž zajišťuje svým pojiš-těncům kvalitní, dostupnou a moderní zdravotní péči. V posledních letech vý-razně podporuje prevenci a zdravý životní styl prostřednictvím projektu Zdraví jako vášeň s Pavlem Křížem. Od září roku 2009 ZP MV ČR svým klientům nabízí unikátní elektronický produkt Karta života, jehož

součástí je mj. i osobní účet klienta s údaji o výdajích na zdravotní péči za poslední tři roky. Karta života je klientům k dispo-zici po zadání PIN a hesla na internetu a od roku 2011 i na chytrém telefonu. Údaje z ní mohou klienti získat na svůj mobil i prostřednictvím SMS zprávy.

Výchozí situace zákazníkaSílící konkurenční tlaky v systému zdra-votního pojištění ČR ve druhé polovině devadesátých let přiměly ZP MV ČR hle-dat dostatečně kvalitní, přesný a komplex- ní nástroj k získávání, analýze a reporto-vání dat – zejména z oblasti zdravotní

Manažerský informační systém pomáhá provést Zdravotní pojišťovnu ministerstva vnitra bouřlivými vodamiSpolehlivě předpovídat budoucnost je nemožné, ale ti, kdo vnímají lépe vazby a složitosti současné situace, se dovedou snadněji rozhodovat a odhadovat budoucí vývoj. Úkolem manažerů každé společnosti je co nejlépe posoudit současný stav a pozici podniku na trhu, jeho příležitosti a hrozby. Každá velká změna je signalizována příznaky, které ji předcházejí. Hodnota včasné informace pak spočívá v tom, že vedení má dostatečný čas k přijetí patřičných rozhodnutí o adekvátní reakci na signalizovanou změnu.

péče, financí a procesů – významných pro zajištění kvalitních služeb svým pojištěn-cům, pro optimalizaci obchodních vztahů se smluvními zdravotnickými zařízeními a pro zvyšování efektivity a konkurence-schopnosti podnikání ZP MV ČR a její schopnosti rychle a flexibilně reagovat na změny vnitřního a vnějšího prostředí.

Naše řešeníSpolečnost Komix byla pro ZP MV ČR zajímavá svými specifickými znalostmi podnikání zdravotní pojišťovny, získaný-mi během více než pětileté spolupráce s Oborovou zdravotní pojišťovnou (OZP). V roce 2001 byl spuštěn společný projekt DAPO – vytváření a rozvoj datového por-tálu. Rozsah služeb poskytovaných společ-ností Komix se neomezil na dodání hoto-vého nástroje, ale obsahoval i aktivní účast na návrhu celého systému včetně koncepce a obsahu generovaných reportů.

Systém DAPO integruje informace z provozních systémů, zpracovává stano-vený reporting a poskytuje nástroje pro zpracování ad hoc dotazů. Údaje jsou po-dle stupně oprávnění poskytovány pracov-níkům pojišťovny na intranetu v prostředí portálu. DAPO zpracovává a kombinuje informace z oblasti zdravotního pojištění i z oblasti účetnictví, a díky portálovému řešení umožňuje i začlenění dalších infor-mačních systémů. V prostředí portálu je rovněž vybudováno call centrum. V první verzi byl datový portál postaven na tech-nologii společnosti MicroStrategy.

Projekt se úspěšně rozvíjel a během ná-sledujících let byla vytvořena řada dato-vých skladů a datových tržišť. I když da-tový portál ZP MV ČR představoval ve své době moderní a mocný nástroj pro pod-poru řízení, byl zde prostor ke zlepšení: jakékoliv úpravy definovaných výkazů vyžadovaly zapojení specialistů IT a uži-vatelé se také často potýkali s nepříjem-ně dlouhými odezvami systému. To byla tehdy ovšem standardní situace všech ře-šení business intelligence.

Roku 2008 přišla společnost Komix s námětem vylepšení systému na bázi zají-mavého produktu QlikView a nové tech-nologie IMA – In Memory Analysis. Tato technologie řeší problém dlouhých odezev pramenící z nutnosti neustálé komuni-kace s databázovými servery, kde jsou ulo-žena jak zdrojová data, tak informace Příklad výběru: Stavy a porovnání počtu pojištěnců podle jednotlivých poboček ve vybraných letech



o struktuře datového skladu. QlikView ukládá data v komprimované podobě do operační paměti, a díky patentované aso-ciativní technologii je schopno výrazně zkrátit doby odezev – třeba místo deseti minut na jednotky vteřin.

ZP MV ČR byla jedním z prvních zá-kazníků, u něhož byl produkt QlikView na tak velká data nasazen. Prvním realizova-ným projektem byl převod datového tr-žiště „Kmen pojištěnců“. I u zákazníka se plně potvrdily již otestované vlastnosti, zejména pak zkrácení doby odezvy z mi-nutových časů na odezvy v podstatě oka-mžité či maximálně několikavteřinové. Po úspěšném ověření pak bylo rozhodnuto převést k začátku roku 2010 do prostředí QlikView celé existující řešení.

Vysoký komfort práce pro koncového uživatele se logicky projevil i v počtu kon-cových uživatelů. Po přechodu celého ře-šení se počet koncových uživatelů navýšil z cca 15 na více než 100 a dále narůstá. Nezanedbatelnou výhodou pro zákazníka je také skutečnost, že koncoví uživatelé systému nyní pracují s aplikacemi zcela intuitivně a nevyžadují žádná speciální školení. Podstatným způsobem klesly po-žadavky na vytváření reportů či ad hoc analýz specialisty IT. Uživatelé jsou schopni si potřebné analýzy dělat sami.

Hodnocení – přínos pro zákazníkaAnalytické informace o aktuální situaci i trendech ve všech významných oblas-tech podnikání ZP MV ČR nejsou dnes vý-

sadou několika jedinců ve vedení či ve specializovaných útvarech, ale jsou do-stupné všem zaměstnancům, kteří je po-třebují pro svoji práci. To umožňuje jak rychlejší, kvalitnější a operativnější rozho-dování na všech úrovních řízení, tak i lepší komunikaci mezi vedením společ-nosti a jejími zaměstnanci. Použitá tech-nologie podporuje delegování některých rozhodnutí z úrovně vrcholového vedení na střední management v duchu nejmo-dernějších trendů v řízení organizací (každý pracovník v organizaci má k dispo-zici informace, které potřebuje ke svému roz-hodování).

ZP MV ČR je dnes podle publikova-ných finančních i výkonnostních parame-trů jednou z nejlépe hodnocených zdra-votních pojišťoven ČR, která se díky kva-litnímu řízení velice dobře vypořádává s náročnými situacemi a požadavky, jimž v turbulentním prostředí českého zdravot-nictví posledních let musí čelit. Výsledky hospodaření ZP MV ČR dokazují, že její ekonomická situace je dlouhodobě sta-bilní. Lékaři a zdravotnická zařízení řadí ZP MV ČR k nejspolehlivějším zdravot-ním pojišťovnám s komplexními, kvalit-ními a flexibilními službami a velmi dob-rou platební disciplínou. A svou zásluhu na těchto výsledcích ZP MV ČR má i ma-nažerský informační systém vyvíjený spo-lečností Komix.

www.analyzyareporting.cz

Pět věcí, které potřebujete vědět o sociální analyticeCHRIS KANARACUS

1Stal se z toho velký byznys. Weby jako Fa-cebook a Twitter pomáhají organizacím uvá-

dět na trh nové produkty a služby, ale umožňují také zákazníkům sdílet svou nespokojenost mezi milionovým publikem.

Řada dodavatelů přišla s nástroji, obvykle za-loženými na cloudu, které dokážou sledovat, shromažďovat, analyzovat a reagovat na konver-zace v sociálních sítích.

Tyto produkty mají zásadní význam pro spo-lečnosti, které chtějí chápat, jak jsou vnímány v on -line světě, jak tvrdí Zach Hofer -Shall, analy-tik agentury Forrester Research.

„Sociální web je prostě příliš velký, příliš rychlý a příliš zaplněný irelevantním obsahem a spamem, než aby ho bylo možné samostatně zvládnout,“ uvádí Hofer -Shall ve své nedávné zprávě.

2Trh dozrál. Divize Radian6 společnosti Salesforce.com byla založena v roce 2006

v podobě nezávislého dodavatele, prohlašuje Rob Begg, viceprezident marketingu pro Ra-dian6.

„Tenkrát byl sociální obsah spojen zejména s rychlostí a hlavním cílem byly vztahy s veřej-ností a marketing značky,“ popisuje Begg.

Jak technologie postupovala, přesunulo se so-ciální naslouchání díky pokrokům v oblasti zpra-cování přirozeného jazyka a dalším technickým oblastem směrem k získání hlubších poznatků o zákaznících, vysvětluje Begg.

3Pro pořizování je nyní komplikovaná doba. Podniky hodnotící trh ‚nasloucha-

cích platforem‘ mají před sebou těžký úkol, uvádí ve své zprávě Hofer -Shall.

„Tato oblast je už doslova přeplněna dodava-teli a rozlišování mezi nimi může být proto po-měrně obtížné.“

Vlna nedávných fúzí a akvizic situaci nevyře-šila a velcí dodavatelé analytických nástrojů jako IBM a SAS Institute nedávno také uveřejnili své pokročilé produkty zaměřené právě na sociální sítě.

4Ředitelé IT neurčují směr. Radian6 jedná při prodeji svých služeb především

s manažery ze sféry marketingu a zákaznicky orientovaných služeb.

„Ředitelé IT by měli ve svých organizacích zvá-žit své zapojení do iniciativ zaměřených na soci-ální sítě,“ prohlašuje Jeremy Epstein, viceprezi-dent marketingu společnosti Sprinklr, která je konkurentem pro Radian6. „Je tu skutečně vzru-šující příležitost být zdrojem inovací.“

Kromě toho mohou sociální analýzy ovlivnit provoz služeb firmy, právní či personální oddě-lení a další oblasti zájmu CIO, dodává Epstein.

5Netýká se to jen marketingu. Jason Tha-tcher, docent na Clemson University, měl

studenty, kteří využívali nové školní kontrolní centrum sociálních sítí, které užívá ve svých pod-nikových přednáškách ke sledování měnového trhu.

Vytvářeli pomocí něj obchodní algoritmy, které označovaly významné prodejní a nákupní trendy. Myslí si tedy, že sociální analýzy mají širo-kou použitelnost včetně rizik vývoje produktů a dodavatelského řetězce.

Thatcher dále uvádí, že jejich laboratoř v Clemsonu navštívily desítky společností z růz-ných průmyslových odvětví a „všichni mohli vidět jiné použití tohoto nástroje“.

© K

urha

n –

Foto

lia.c

om



JIŘÍ RÁKOSNÍK

Že řízení výroby a business intelligence analýzy nejdou do-hromady? Omyl – v současné době o propojení obchodní a manažerské analytiky s výrobními procesy mají výrobní

podniky velký zájem. Mohou tak totiž snadno a rychle vyhodno-covat důležité ukazatele, adekvátně na ně reagovat a vyrábět tak efektivněji, rychleji a levněji než dříve. A správné informace včas přinášejí náskok před konkurencí!

Business intelligence analýzy byly dříve určené především pro vyšší management velkých korporací. Díky dostupnosti moder-ních technologií mohou jejích výhod, ku prospěchu celé organi-zace, nově využít i střední a menší společnosti a všichni jejich řídicí pracovníci. Jedním z nastupujících trendů je totiž oblast samoobslužného BI, kdy si může vybraná data analyzovat každý, kdo k tomu má oprávnění, za pomocí jednoduchých nástrojů v prostředí podobném kancelářským aplikacím.

Mezi hlavní výhody BI analýz patří dynamické výstupy a rych-lost zpracování velkého množství dat. Včasné a přesné informace lze využívat k pružné a rychlé reakci na změny vývoje obchod-ních aktivit. Pomocí business intelligence pro výrobní organizace mimo lze například provádět vyhodnocení sledovaných ukazatelů a detailní analýzu u vybraných zakázek, získat celkový přehled vyhodnocení zakázek v čase, analyzovat nárůstové a den ní prac-nosti a vyhodnocovat vybrané ukazatele v průběhu času.

Bez technologií business intelligence mohou přitom uživatelé narážet mimo jiné na nemožnost rychle a pružně měnit kritéria dotazu a jejich kombinaci, obtížné zobrazování agregovaných dat a detailních hodnot, vysokou výpočetní a časovou náročnost, problémy s velkým objemem analyzovaných dat a v neposlední řadě na neúplnost a nekonzistentnost dat. Ideálním řešením, jak z hlediska rychlosti nasazení, ceny, rozsahu funkcionalit a mož-ností přizpůsobení, je přitom integrace business intelligence s podporou výroby v rámci jednoho ERP systému, který zastře-šuje veškeré firemní procesy. Pojďme se podívat, jaké možnosti nabízí podpora výroby v rámci ERP řešení.

Podpora výrobních procesů v informačním systémuKomplexní podnikový informační systém ERP s integrovaným ří-zením výroby standardně umožňuje převádět automaticky do vý-roby požadavky obchodu zadané formou objednávek a podle TPV procesů vytvářet výrobní příkazy k jejich zajištění. Výrobní pří-kazy se zaplánují na příslušná pracoviště a provede se automa-tická rezervace vstupního materiálu na skladech materiálu, na kterou lze snadno navázat činnostmi souvisejícími s jeho zajišťo-váním u dodavatelů. Na základě zjišťování okamžitých stavů

skladů polotovarů při přípravě výroby je možné místo přiká-zání jejich výroby některé polotovary pouze vyskladnit, a zkrátit tak celý výrobní cyklus. Se způsobem řízení skladových zásob souvisí i plánování výroby. Plánovací systém, který má přímý pří-stup do skladu, umožňuje plánování podle aktuální dostupnosti materiálu, podle vytížení hlavních i vedlejších výrobních zdrojů. Dále umí aktivně pracovat s dodacími lhůtami materiálů a do-dávku materiálů a dílů od subdodavatelů navrhuje zajistit tak, aby požadované vstupy byly k dispozici těsně před plánovaným použitím ve výrobě (JIT).

Také funkce pro sledování výroby jsou přímo propojeny se skladovými funkcemi pro výdej materiálů do výroby a příjem výrobků, polotovarů a zmetků na jednotlivé sklady. Pracovní výko ny na zakázkách, výrobcích a pracovištích si jednotliví pra-covníci mohou sami zadávat snímáním údajů z identifikačních čipů a čárových kódů z výrobních průvodek. Tyto technologie zaru čují minimální chybovost, a proto lze zadávání provádět v reálném čase. Pro fungování kvalitního řídicího a plánovacího výrobního systému je zadávání výkonů v reálném čase nutnou podmín kou. S ohledem na skutečné plnění výroby lze pak lépe reagovat na nepředvídané problémy ve výrobě jejím častějším operativním přeplánováním. Dlouhodobě se takto mohou zpřes-ňovat technologické časy pro jejich další využití při plánování v budoucnu. Včasnost a přesnost takto vkládaných informací se pak pozitivně promítá do kvalitnějších manažerských rozhodnutí.

Autor je obchodním ředitelem společnosti JKR, která je dodavatelem podniko-vých informačních systémů Byznys ERP.

Inteligentní výroba s pomocí BI analýz

Byznys BI pro výrobuNovinkou na českém trhu je business intelligence řešení připravené na míru výrobním podnikům – Byznys BI pro výrobu. Díky moderním tech-nologiím mohou BI nově využít i střední a menší společnosti a všichni je-jich řídicí pracovníci. Bez drahých investic do databázového vybavení může s pomocí jednoduchých nástrojů v rámci Byznys ERP ana lyzovat každý, kdo k tomu má oprávnění. S pomocí Byznys BI pro výrobu lze na-příklad provádět vyhodnocení sledovaných ukazatelů a detailní analýzu u vybraných zakázek, získat celkový přehled vyhodnocení zakázek v čase, analyzovat nárůstové a denní pracnosti a vyhodnocovat vybrané ukaza-tele v průběhu času.



BOB VIOLINO

Ikdyž je použití agilní metodiky vývoje soft-waru významnou součástí agilního sy-stému BI, v žádném případě to není jeho

jediná vlastnost – říká Boris Evelson, ana-lytik společnosti Forrester Research.

Forrester definuje agilní BI jako pří-stup, který kombinuje procesy, metodiky, nástroje i technologie a zároveň obsahuje organizační strukturu, takže manažerům pomáhá ve strategické, taktické a pro-vozní oblasti při rozhodování, jak zvýšit flexibilitu a schopnost reakce na neustále se měnící obchodní a regulační poža-davky.

„Agilní BI podle definice Forresteru má implementováno zatím relativně málo orga-nizací,“ uvádí Evelson. Na základě růz-ných svědectví a diskuzí s klienty odha-duje, že ze všech organizací, které použí-vají aplikace BI, pravděpodobně méně než pětina uživatelů BI v těchto společnostech využívá nějakou podobu agilního BI. Před-povídá však, že toto číslo stoupne v blízké budoucnosti až na cca 80 %.

„Business intelligence se pro agilní pří-stup a agilní metodiku vývoje obzvláště hodí,“ tvrdí David White, analytik speciali-zující se na BI ve výzkumné organizaci Aberdeen Group.

Výzkum provedený touto firmou v únoru a březnu 2012 ukazuje, že organi-zace čelí třem významným problémům, pokud jde o efektivní zajištění řešení BI, které je opravdu cenné pro podnikání.

Za prvé rostou objemy dat a počet da-tových zdrojů pro BI. Za druhé se zmen-šuje množství času, který mohou mana-žeři věnovat procesu rozhodování. A ko-nečně za třetí se stále zvyšuje poptávka po manažerských informacích.

Je zřejmé, že implementace business intelligence musí být agilnější, aby mana-žeři mohli snadno najít potřebné infor-mace v návaznosti na to, jak rychle se mění podnikatelské požadavky.

„K dosažení tohoto cíle firmy musejí po-drobně zkoumat své obchodní potřeby a vzít je v úvahu při konfiguraci a nasazení BI soft-waru,“ vysvětluje White.

Výzkum Aberdeenu ukazuje, že u orga-nizací s nejagilnější implementací BI je větší pravděpodobnost, že mají procesy

schopné zajistit naplnění podnikatelských potřeb.

Dalším klíčem k úspěchu je intenzivně zapojit koncové uživatele do procesu vý-voje BI.

V téměř 70 % organizací, které úspěšně nasazují agilní BI, dochází k in-tenzivní spolupráci mezi podnikovými za-městnanci a personálem IT, uvádí Aber-deen. Taková interakce není tak běžná u společností, které jsou méně agilní – pouze 50 % z nich uvádí častou spolupráci mezi IT a dalšími firemními odděleními.

„Dosažení potřebných interakcí ale ne-musí být snadné,“poznamenává White. „Vždy byla překážkou komunikační bariéra mezi IT a zbytkem firmy.“

Pokud se má stát agilní BI realitou, musí být tato bariéra odstraněna.

„Toto těsné zapojení a iterativní proces

Agilní vývoj urychlí nasazení BIMáte pocit, že vaše výsledky ve sféře business intelligence jsou poněkud zdlouhavé a neodpovídají potřebám vaší organizace? Možná je na čase zkusit agilní BI, metodiku rychlého vývoje, která nabízí brzké a časté vstupy od koncových uživatelů a zajistí rychlé dodání funkčního BI.

jsou součástí agilní metodiky. A pro BI je to velmi vhodné. Vývojáři pracující v těsném kontaktu s firemními uživateli jsou velmi vý-konní.“

Rychlé dodáníOrganizace používající agilní BI tuto schopnost využívají. Jedním z příkladů je neziskové sdružení Kiva, které zajišťuje půjčky mezi osobami přes internet, a po-máhá tak mírnit chudobu.

Před dvěma lety tato organizace za-vedla nový datový sklad a aplikaci BI za-loženou na technologii Pentaho Agile BI, aby zvládla svou rychle rostoucí zásobu dat a nahradila stále více neefektivní ad hoc analýzy procesu, které byly prováděny pomocí tabulek.

Kiva od svého založení v roce 2005 rychle rostla, a to pomohlo prostřední-kům po celém světě zajistit více než 200 milionů dolarů v mikroúvěrech od jednot-livých věřitelů. Od dubna 2011 organizace celosvětově propojila více než 570 tisíc vě-řitelů, 131 mikrofinančních institucí a cca 450 dobrovolníků.

Nezisková organizace používá vývojo-vou open source platformu Pentaho k vy-tváření měsíčních, týdenních a progra-mově specifických informačních panelů, které produktoví manažeři a další fi-nanční specialisté mohou využít ke sledo-



UCELENÝ INFORMAČNÍ ZDROJ PRO IT PROFESIONÁLY

Vydává: IDG Czech Republic, a. s., Seydlerova 2451, 158 00 Praha 5

Tel. ústředna s aut. provolbou: 257 088 + linka; fax: 235 520 812 Recepce: 257 088 111 Výkonný ředitel: RNDr. Jana Pelikánová Šéfredaktor: Radan Dolejš Tajemnice redakce: Růžena Holíková, tel.: 257 088 143 Vedoucí inzertního odd.: Ing. Jitka Vyhlídková, tel.: 257 088 181 Vedoucí projektu: Ing. Pavel Louda, tel.: 257 088 138 Jazyková úprava: Dana Štropová, Vladimíra Bezecná Obálka: Petr Kubát Adresa redakce: CW, Seydlerova 2451, 158 00 Praha 5 Internet: [email protected] Zlom a pre-press: TypoText, s. r. o., Praha Tisk: Libertas, a. s. Předplatné a reklamace: IDG Czech Republic, a. s., Seydlerova 2451, 158 00 Praha 5, tel.: 257 088 163, fax 235 520 812; e-mail: [email protected] Doručuje Česká pošta, s. p., v systému D + 1 Předplatné pro Slovensko: Magnet-Press Slovakia, s. r. o.,

P.O.BOX 169, 830 00 Bratislava, tel.: +421 267 201 910, 20, 30, e-mail: [email protected]

Copyright: © 2012 IDG Czech Republic, a. s.

Člen asociace FIPP

SEZNAM INZERUJÍCÍCH FIREM

GEM System .............................................................................................................. 17

www.gemsystem.cz

J.K.R. ....................................................................................................... 20, 4. obálka

www.jkr.cz

KOMIX ................................................................................................................. 18, 19

www.komix.cz

MEMOS Software ........................................................................................... 3. obálka

www.memos.cz

MICROSOFT ............................................................................................................ 8, 9

www.microsoft.cz

SAS Institute ČR ............................................................................................ 2. obálka

www.sas.cz

Teradata Česká republika .................................................................................... 10, 11

www.teradata.com

vání a řízení klíčových ukazatelů, jako jsou objemy transakcí, nové uživatelské registrace a výsledek propagace.

Kiva vyvinula nástroje jako průzkum-ník přidělených půjček, což je aplikace umožňující manažerům pro rizika analy-zovat vzory přidělování půjček na základě regionů a zemí, druh půjčky a typ pří-jemce půjčky, popisuje Greg Allen, ob-chodní analytik společnosti.

Největším přínosem nasazení agilní BI je v tomto případě schopnost rychle a po-stupně poskytovat informace koncovým uživatelům.

„Máme velkou vizi našeho komplexního projektu datového skladu, který ale bude pro dokončení vyžadovat značné množství času,“ říká Allen.

„Namísto toho, že bychom nutili naši or-ganizaci čekat na ‚velkou změnu‘, jsme schopni se zaměřit na konkrétní oblasti pod-nikání při návrhu, vytváření a vydávání da-tamartů a reportů v rámci našeho iterativ-ního vývoje.“

Dokumentace uživatelských požadavků je rozhodující pro návrh datových struk-tur, na nichž je BI systém společnosti Kiva založen, myslí si Allen.

„Zjistili jsme například, že naši uživatelé nejlépe reagují na testování raných verzí na-šeho řešení BI,“ pochvaluje si Allen.

„Datové zdroje ad hoc nám umožňují tes-tovat obchodní logiku pro rychlý sběr a inte-graci zpětné vazby od uživatelů, dříve než vyvineme robustnější reportovací datové

struktury. To může odhalit neočekávané pro-blémy a vést ke komplexnějším řešením.“

Allen dále uvádí, že větší agilita vývo- je BI poskytuje organizaci vyšší stupeň flexibility. „Naše podnikání se může rychle změnit a schopnost pohotově reagovat s využitím rozhodování na základě dat je pro náš růst rozhodující,“ zdůrazňuje Allen. „Agilní BI nám umožňuje zachytit

nové údaje a transformovat je na informace.“Přestože je Kiva teprve na počátku am-

biciózního plánu pro datový sklad a schopnosti reportování, „jsme již schopni poskytnout nové pohledy na naši uživatel-skou základnu a partnery,“ dodává Allen. „Tyto zúžené názory na oblasti podnikání často vyvolaly nové otázky, které zlepšily další kroky vývoje.“

Adaptace na změnyPfizer je jednou z firem, které v agilním BI vidí výhody. Tento farmaceutický výrobce v posledních třech letech využívá agilní přístup pro vývoj spojený s integrací dat, pro poskytování nových služeb, pro aplikace zachycující data a k BI reportům.

„Zjistili jsme, že interní zákazníci každé námi poskytované služby potřebují velmi rychlý a flexi-bilní přístup k uspokojení svých potřeb,“ říká Michael Linhares, výzkumný pracovník podnikových informačních systémů a farmaceutických věd ve Pfizeru. „Očekává se, že naše aplikace a systém lze odpovídající rychlostí přizpůsobit změnám v podnikání.“

Pfizer využívá nástroje pro vývoj BI aplikací od různých dodavatelů a poskytuje aplikace a data BI pro cca tisíc uživatelů.

„Naše aplikace umožňují sběr, integraci a reporting pro projekty vývoje léků,“ říká Linhares. „To zahrnuje stav projektu, předpovědi ohledně financí či zdrojů a také integraci s několika dalšími prvky, třeba s řetězci majícími na starosti prodej léků.“

Nový přístup k BI umožňuje vývojářům aplikací Pfizeru rychlejší reakci. Například původně trvalo šest až dvanáct týdnů, aby se mohl významně změnit způsob prezentace dat z datového skladu. S agilní metodikou vývoje to obvykle trvá tři až sedm dní, dodává Linhares.

Pfizer také v maximálním možném rozsahu zapojuje koncové uživatele do vývojového procesu.„Zákazník (zaměstnanec Pfizeru) je klíčem k tomuto způsobu vývoje,“ tvrdí Linhares. „Kontroluje

papírový i funkční prototyp, provádí testování a validuje příslušná data. Zároveň je klíčem k pod-poře produkční verze pro vetší komunitu uživatelů.“

„Naše systémy jsou navrženy a vytvořeny pro koncové uživatele. Bez jejich neustálé interakce by náš tým tak užitečný produkt nedokázal vytvořit,“ uzavírá Linhares.

Finální leták.ai 1 19.10.2012 21:11:43


úspora asu, pen z a práce

inteligentní vyt žování dokumentRedque je nový inovativní software, který pomocí um lé inteligence zpracuje Vaše dokumenty.

www.redque.cz

Finální leták.ai 1 19.10.2012 21:11:43


S námi budete vědět více.

Informační systémy BYZNYS ERP

www.jkr.eu

J.K.R. nabízí novinku na českém trhu – BYZNYS BI pro výrobu. Pokročilé analýzy dat jsou tak dostupné i středním a menším výrobním podnikům bez drahých investic do databázového vybavení.


LISTOP AD 201 2 Business Intelligence · NoSQL tech-nologií (další jsou CouchDB a MongoDB),...

Documents

Transcript of LISTOP AD 201 2 Business Intelligence · NoSQL tech-nologií (další jsou CouchDB a MongoDB),...