Předpokladem pro hodnotné rozhodnutí jsou však kvalitní informace, jež jsou k dispozici ve správný čas na správném místě a v požadované podobě. Kvalitní a včas získané informace jsou v současném ekonomickém prostředí strategickou komoditou a zdrojem konkurenční výhody. Zdůrazňujeme, že se bavíme o informacích, a ne o údajích. No a právě analytické nástroje jsou prostředkem, jak z obrovského množství dat získat cenné informace potřebné pro podporu rozhodování.
Motivací pro modernizaci analytických nástrojů a také databázových platforem s integrovanými analytickými moduly je nejen implementace stále dokonalejších algoritmů na bázi umělé inteligence a strojového učení, ale i snaha o co nejvyšší liberalizaci analýz.
Cílem liberalizace je, aby tvorba analytických modelů byla dostupná všem, kteří potřebují analyzovat informace, a to bez nutnosti čekat, dokud IT oddělení, nebo dokonce datoví vědci připraví analytické modely. Tento proces v minulosti trval poměrně dlouho a vyžadoval podrobnou znalost struktury dat. V dnešním dynamickém byznysu je nemyslitelné čekat několik dní či hodin na požadovaný výstup. Žádají, aby si mohli připravit ty informace, které potřebují, a v takové podobě, v jaké je potřebují.
„Vodu káže a víno pije.“ Přesně toto jste si zřejmě pomysleli při čtení předchozích vět, v nichž byl v souvislosti se samoobslužností analýz dvakrát zmíněný pojem analytické modely a struktury dat. Máte naprostou pravdu. Uživatelské rozhraní aplikací pro analýzu dat musí být natolik intuitivní a přívětivé, aby manažer, ekonom, potažmo obchodník zadal své požadavky na analýzu tak, aby ani netušil, že vlastně vytváří analytický model.
Teoretické minimum
Kvůli lepšímu pochopení, co jsou to vlastně analýzy a co od nich můžeme a nemůžeme očekávat, se nevyhneme několika definicím. Pod pojmem analytika se rozumí rozsáhlé použití dat, statistické a kvantitativní analýzy, vysvětlujících a prediktivních modelů a na faktech založeného řízení s cílem usměrňovat proces rozhodování.
Připomeneme dvě definice od analytiků společnosti Gartner: business intelligence je množina konceptů a metodik, které zlepšují rozhodovací proces za použití metrik nebo systémů založených na metrikách.
Účelem procesu je konvertovat velké objemy dat na poznatky, které jsou potřebné pro koncové uživatele. Tyto poznatky mohou pak efektivně využít například v procesu rozhodování. Pokročilou analytiku Gartner definuje jako komplexní analýzu všech druhů dat s využitím sofistikovaných kvantitativních metod, například statistiky, prediktivního hloubkového dolování dat, simulace a optimalizace, přičemž je vysoce nepravděpodobné, že poznatky z těchto analýz by se daly získat klasickými analytickými nástroji a metodami.
Požadavek na samoobslužnost
Zpočátku byla analytická řešení doménou velkých firem, nejen z důvodu ceny produktů, ale i jejich složitosti. Výběr algoritmů pro řešení typických okruhů úloh není jednoduchý a už zdaleka ne jednoznačný.
Management potřebuje získat odpovědi na otázky typu:
- „Jaké typy kampaní a členských karet má nabízet obchodní firma?“
- „Jaký okruh zájemců osloví reklamní a marketingová kampaň?“
- „Proč firma ztrácí zákazníky?“
- „Bude zamýšlený produkt úspěšný?“
Analytické modely na základě požadavků manažerů a analytiků vytvářeli specialisté z IT oddělení. Dodavatelé analytických řešení se stále více orientují i na SMB, samozřejmě řešení tomu musejí být přizpůsobena – nejen cenou, ale hlavně jednoduchým používáním.
Do popředí vystupuje koncept tzv. samoobslužné BI, kdy si manažeři a analytici sami v intuitivním návrhovém prostředí vytvářejí analytické modely, aniž jsou odkázáni na databázového specialistu. Vzhledem k ceně se často používají analytické nástroje integrované do databázových serverů, a dokonce i do kancelářských balíků.
Tomu jsou přizpůsobené i tutoriály, které jsou interdisciplinární a maximálně srozumitelné až žertovné. Například tutoriál Oraclu využívá fiktivní tabulku s údaji o tom, jak jednotlivá plemena psů hrají poker. Je to parodie na hru dogsplayingpoker.org. Pokud by byl použitý námět příkladu z byznysu, nemuseli by mu rozumět biologové a naopak. Stejně srozumitelný, ale tentokrát z reálné praxe je cvičný příklad dataminingu nebo-li dolování dat na platformě SQL Server. Analýza umožňuje na základě atributů a natrénování modelu určit, zda je zkoumána houba jedlá nebo nejedlá či jedovatá.
Vizualizace a personalizace informací
Několik desetiletí jsme byli zvyklí na prezentování dat na klasických displejích, ať už v tabulkové nebo ve stále více sofistikované grafické podobě. Standardní byla a vlastně i stále je interakce pomocí klávesnice a myši. Smartphony a tablety sice dokážou zobrazit najednou méně údajů než monitor v kanceláři, avšak poskytují mnohem interaktivnější možnosti propojení s uživatelem. Výsledky analýz se zobrazují přehledně v grafické podobě, a pokud je to možné, i prostřednictvím geografické reprezentace.
Personalizace v kontextu BI znamená především generování personalizovaných výsledných analýz a reportů, které obsahují všechny informace, jež zaměstnanec, obchodník či manažer potřebují, a to v jimi preferovaném formátu. Je to analogie z klasického řízení, kdy zaměstnanci reportují nadřízenému takovou formou, jakou vyžaduje, případně nejlépe přijímá. Stejně i analytické systémy mají na základě konfigurace vytvořené profily zaměstnanců a manažerů, kterým „reportují“, a ty sofistikovanější využívající strojové učení si profily upřesňují na základě průběžných požadavků, které příslušní pracovníci zadávají.
Důležité je definování rolí vzhledem k analytickým nástrojům, nejen kvůli personalizaci, ale také z hlediska informační bezpečnosti, jelikož agregované informace jsou mnohem citlivější, ale také v rámci efektivity. Zkuste si ve vztahu ke konkrétním funkcím nebo zaměstnancům, již potřebují výsledky analýz pro svou práci, položit několik klíčových otázek:
- Jakou posloupnost kroků budou tito pracovníci využívat k dosažení rozhodnutí?
- Jsou tyto kroky k přípravě rozhodnutí známé a opakovatelné, nebo neznámé a unikátní?
- Kdo se podílí na vytváření rozhodnutí?
- Jak jsou rozhodnutí oznámena ve firmě, klientům, zákazníkům či partnerům?
Na základě odpovědí je možné sestavit BI uživatelské profily, které zároveň poslouží jako kritéria při výběru analytických nástrojů.
Zpravidla jde o následující typy uživatelů:
- Exekutiva: manažeři nemají příliš velkou ochotu učit se, jak dosáhnout výsledků analýz, které nezbytně potřebují k definování obchodní strategie. Preferují nástroje s jednoduchým a intuitivním uživatelským rozhraním, přehlednou byznys grafikou, názornými ukazateli klíčových parametrů, vyspělejší manažeři kladou důraz i na modelování a simulace.
- Běžní uživatelé: čili konzumenti informací potřebují reporty obsahující agregované údaje z různých zdrojů. Využívají samoobslužné nástroje s vysokou mírou vizualizace sledování svěřené oblasti. U obchodníků jsou to například prodejní statistiky a komplexní informace o zákaznících.
- Pokročilí uživatelé: takzvaní producenti informací mají dobré znalosti jednak o technologii a jednak o možnosti analyzování příslušné oblasti. Aktivní využívají pokročilé analytické nástroje na multidimenzionální on-line analytické zpracování (OLAP), ad hoc dotazování, potažmo vytváření dataminingových modelů, aby lépe pochopili příčiny a souvislosti například prodejních změn či zkušeností zákazníků.
Samoobslužná BI je jen špičkou ledovce
Předchozí odstavce by mohly navodit očekávání, že moderní samoobslužné BI systémy stačí jednoduše nasadit do podnikového prostředí s více nebo méně heterogenní strukturou údajů a pověření zaměstnanci budou moci začít vytvářet analýzy. Od běžného uživatele, například obchodníka, totiž nemůžete očekávat, že bude znát strukturu dat, nad kterými bude analytický model, potažmo report pomocí interaktivních vizuálních nástrojů navrhovat. Proto ve velkých firmách s velkým množstvím heterogenních zdrojů dat musejí kvalifikovaní specialisté připravit jakousi modelovou mezivrstvu – „business model“, který bude východiskem pro návrh reportů uživatelům.
Samoobslužné analytické nástroje samy o sobě nestačí. Velkou roli hraje kvalifikace zaměstnanců. Manažerovi, který nemá jasnou představu o možnostech moderních analytických nástrojů, jenž zjednodušeně řečeno neví, co může získat, samoobslužnost nepomůže. Proto je velká poptávka po školeních v této oblasti.
Samoobslužnost BI je i velkou výzvou pro vývojáře aplikací, ať už webových nebo mobilních, kteří využívají API rozhraní analytických nástrojů, aby poskytli manažerům intuitivní uživatelské rozhraní pro tvorbu modelů.
Vývoj se však ani v této oblasti nezastavil a nejen futurologové, ale i analytici naznačují, že samoobslužnost zanedlouho vystřídá kvalitativně vyšší úroveň – takzvané zlidštění analytiky. Nové technologie umožní firmám, které tyto nástroje implementují, přetvářet zažité obchodní modely a ještě více vyniknout v souboji s konkurencí.
