Self service business intelligence velký potenciál, nezbytné předpoklady

Transkript

1 Self service business intelligence velký ptenciál, nezbytné předpklady Jan Pur Fakulta infrmatiky a statistiky Vyská škla eknmická v Praze nám. W. Churchilla 4, Praha 3 pur@vse.cz Abstrakt: Self service business intelligence (SSBI) přestavuje jeden z nejvýraznějších trendů sučasných pdnikvých analytických a plánvacích aplikací. Tyt technlgie a nástrje znamenají výrazné psílení rle uživatelů v dané blasti a nabízejí pdstatně větší flexibilitu vzhledem k ptřebám manažerů a pracvníků v byznysu. Na druhé straně se většinu SSBI řešení pvažují puze za dplněk kmplexních BI systémů. Cílem článku je zhdntit sučasné mžnsti SSBI a určit i nezbytné předpklady pr jejich efektivní nasazení v praxi. Klíčvá slva: pdnikvá infrmatika, řízení pdnikvé infrmatiky, business intelligence, self service business intelligence, dimenzinální mdelvání, metriky, dimenze, analytické aplikace, datvé zdrje, data gvernance. Abstract: Self service business intelligence (SSBI) presents ne f the mst impressive trends in the tdays analytical and planning applicatins. Such technlgies and tls mean significant enfrcement f the user s rle in this field and ffer substantially mre flexibility related t the needs f managers and business wrkers. On the ther side SSBI slutins are thught nly as a supplement t the cmplex BI systems. The paper s gal is t analyze actual SSBI pssibilities and t specify needed prerequisites fr their effective implementatin in practice. Keywrds: business infrmatics, management f business infrmatics, business intelligence, dimensinal mdeling, metrics, dimensins, analytical applicatins, data surces, data gvernance. Business intelligence představuje dnes běžnu sučást pdnikvé infrmatiky a dluhdbě je na prvních místech průzkumů (splečnstí Gartner, Frrester Research a dalších) pkud jde pririty investic d IT. V psledních létech se vedle kmplexních a převážně i velmi slžitých BI systémů prsazují rzsahem pdstatně menší tzv. self service business intelligence (SSBI) řešení, které mají své výhdy, ale také mezení, a tedy i nezbytné předpklady pr jejich úspěšnst v praxi. Cílem tht příspěvku je ukázat ptenciál těcht aplikací a na druhé straně vymezit nejpdstatnější předpklady pr jejich racinální implementace a finální využití. SYSTÉMOVÁ INTEGRACE 3/

2 Jan Pur 1. Pdstata a principy self service BI Vzhledem k tmu, že self service BI se v praxi již pměrně rychle rzšiřuje a infrmace něm jsu pstupně publikvány, bsahuje tat první část článku puze stručnu rekapitulaci základních charakteristik: bdbně jak aplikace BI, tak i SSBI jsu výlučně zaměřeny na analytické a plánvací úlhy v pdnikvém řízení a řídí se i bdbnými principy při jejich řešení a využití, rzsah jejich řešení je čast výrazně menší než u kmplexních BI systémů a jedntlivé aplikace jsu bvykle zaměřeny na jednh, neb mezenu skupinu uživatelů, využívají speciálních sftwarvých nástrjů, k nimž paří celá skupina nástrjů splečnsti Micrsft (Pwer BI, Pwer Pivt, Pwer Query, Pwer Map), splečnsti Tableau, splečnsti Qlik (Qlik Sense, Qlik View) a další. Tyt nástrje se využívají samstatně v desk tp verzích, neb jak cludvé služby, i když mají SSBI aplikace v řadě případů samstatný charakter, většinu, zejména u větších firem se pvažují za efektivní dplněk velkých, kmplexních BI systémů, i když mají SSBI aplikace a jejich technlgie více či méně individuální charakter, musí být jejich rzvj a nasazvání sučástí řízení celéh pdnikvéh IT a pd kntrlu IT útvaru. V další části příspěvku se zaměříme na analýzu pdstatných důvdů pr SSBI a efektů, které d pdnikvéh IT přinášejí. 2. Opdstatnění SSBI na pli analytických aplikací Ze specializvanéh průzkumu splečnsti Frrester Research (TechTarget, 2016) zaměřenéh na 427 respndentů z managementu IT i byznysu vyplynul, že puze 20 % dtazů a aplikací analytickéh charakteru je nutné realizvat prstřednictvím IT specialistů, zbývajících 80 % mhu při sučasných technlgiích a nástrjích si zajišťvat uživatelé sami. V tét suvislsti se ukázal, že pr mnhé pdniky a jejich vedení je efektivnější investvat d přípravy a rzvje analytické a IT kvalifikace uživatelů, než d zajišťvání a plateb služeb specializvaných IT dbrníků. Dalším zřejmým fenménem hvřícím pr rzšiřvání SSBI aplikací je rychle narůstající bjem dat, s nímž se pdniky musejí vyrvnávat, ať už jak předmět zpracvání, neb jak infrmační zdrj pr zkvalitňvání řízení a zejména pr psilvání pzice pdniku na trhu. S tím a sučasně s rstucími znalstmi uživatelů rstu tedy i jejich pžadavky na analytické výstupy, a t rzsahem i slžitstí. V dané situaci se IT útvary pdniků dstávají d situace, kdy nemhu pkrývat takt rstucí ptřeby minimálně v čase a s dbu dezvy, kteru uživatelské sféra čekává. I t je v řadě případů půvd pzitivníh přístupu k uplatnění SSBI v analytické a plánvací praxi pdniků. Výše zmíněný průzkum splečnsti Frrester Research (TechTarget, 2016) se v daném kntextu zaměřil i na sledvání nejčastějších faktrů a důvdů pr mezené uplatňvání byznys analytiky jak průběžné pdpry rzhdvacích aktivit 34 SYSTÉMOVÁ INTEGRACE 3/2017

3 Self service business intelligence velký ptenciál, nezbytné předpklady v pdnicích. Výsledky tét části průzkumu ukazuje Obrázek 1. Z grafu vyplývají následující hlavní faktry: nedstatek znalstí a dvednstí, nedstatečná kvalifikační příprava, jak pkud jde analytické principy a metdy, tak analytické nástrje (18,8 %), nedstatek finančních a dalších zdrjů (17,6 %) t je významný důvd pr SSBI zejména u menších rganizací, kde financvání nákladných BI řešení a s nimi spjených externích služeb je čast mim jejich mžnsti, případně zájem neb pririty. SSBI naprti tmu v jistých případech nabízí výrazně méně nárčná řešení, např. MS Pwer Pivt je sučástí MS Excel a s nvými verzemi psktuje stále širší mžnsti, náklady na Pwer BI v základní desk tp pdbě jsu prakticky nulvé, bdbné je t i u dalších prduktů (Aspin, 2016) (Cllie, Singh, 2016), nedstatečná pdpra vrchlvéh vedení pdniků (9,7 %) cž d značné míry suvisí i s výše zmíněnými znalstmi a představami mžnstech BI, resp. SSBI, v tmt případě na vrchlvé manažerské úrvni, nedstatky v integraci dat (8,8 %) a špatná kvalita dat (6 %) zejména u kvality dat je t prcent hdně překvapivé sudě pdle zkušenstí z české praxe, kde právě kvalita dat je vzhledem k uplatňvání BI aplikací pvažvána za velmi silný prblém, další faktry s menším pdílem, 11,1 % respndentů uvedl, že nevidí žádné faktry, které by mezvaly nasazvání a využívání byznys analytiky. Dalším zdrjem infrmací pdstatňujících rzšiřvání sféry uplatňvání SSBI byly výsledky průzkumu BI splečnsti půsbící v Bstnu (USA) Lavastrm Analytics realizvaný v rce 2016 u 425 respndentů, převážně pdnikvých analytiků. Jhn Jseph, vicepresident Lavastrm Analytics, na základě průzkumu zdůraznil, že pdle 83 % respndentů je využívání byznys analytiky kritické pr úspěch pdnikání každéh pdniku. Na druhé straně 65 % dtázaných zmínil ale nedstatek dbrníků pr zadávání a řešení analytických a plánvacích aplikací. Řešení tht nedstatku právě s pmcí SSBI nástrjů je jednu z mžných cest. SYSTÉMOVÁ INTEGRACE 3/

4 Jan Pur Obrázek 1: Důvdy nevyužívání analytických aplikací (Zdrj: Průzkum splečnsti Frrester Research, publikván v TechTarget, 2016) Jedna z nejvýznamnějších sbnstí v blasti datawarehusingu Claudia Imhf, presidentka a zakladatelka splečnsti Intelligent Slutins Inc. v suvislsti s SSBI uvedla, že nabízí pdstatně širší rzsah a dpad analytických úlh a sučasně vytváří více persnalizvané a kperativní prstředí pr řízení a rzhdvání v pdnicích. Claudia Imhf je splu s Clinem Whitem autrka významné studie (Imhff, White, 2011) publikvané v rámci The Data Warehusing Institute (TDWI). V rámci studie se uvádí, že implementace SSBI se mají sustřeďvat na 4 základní cíle: jednduchý přístup k datům pr reprting a analýzy, kvalitní uživatelské rzhraní pskytvané SSBI nástrji, jednduchý a dbře kastmizvatelný uživatelský interface, technlgie datvých skladů využitelné pr SSBI aplikace a systémy SSBI zalžené na cludvých službách. 3. Předpklady úspěšných řešení SSBI Pslední uvedené pznámky znamenají i určitý přechd k vymezení pdstatných předpkladů pr úspěšná řešení SSBI. K nim je nutné dplnit něklik dalších. 36 SYSTÉMOVÁ INTEGRACE 3/2017

5 Self service business intelligence velký ptenciál, nezbytné předpklady Zcela klíčvým předpkladem je získání ptřebných znalstí na straně uživatelů, IT specialistech ani nemluvě. Na rzdíl d jiných typů aplikací mají zde naprst větší váhu znalsti datvéh a dimenzinálníh mdelvání (Kimball, Rss, 2010), (Pur, Nvtný, Maryška, 2012). Fáze analýzy a návrhu SSBI aplikací je i přes jejich menší rzsah, velmi významná a jejich nezvládnutí vede k nekvalitním výslednými aplikacím. Zejména u uživatelů je t nutně jistý znalstní psun, ale vzhledem k charakteru těcht úlh, nezbytný. V suvislsti se znalstními předpklady je dbré upzrnit i na jisté úrvně znalstí suvisejícími s funkcinalitu SSBI nástrjů. Pdbně jak je tmu u základních uživatelsky zaměřených nástrjů, tedy kancelářských prduktů, je svjvání zmíněné funkcinality účelné realizvat pstupně. Na příklad mžnsti jazyka DAX (Data Analysis Exressins) jsu rientvány na uživatele, ale některé funkce, např. v blasti časvých analýz (time intelligence) jsu relativně kmplikvané a vyžadují již určitu zkušenst a širší znalstní základ jejich uživatelů (Cllie, Singh, 2016), (Russ, Ferrari, 2013). T např. platí i pr zvládnutí funkcí pr prediktivní analýzy (Prvst, Fawcett, 2013), které rvněž mhu být sučástí SSBI. Sučástí analytických činnstí, zejména na pčátku při vytváření celkvé strategie pdniku v SSBI je třeba jasně definvat klíčvé pžadavky na SSBI vzhledem k prstředí a stavu pdniku. K těm bvykle patří: snadn dstupná zdrjvá data - data se mhu čerpat z datvéh skladu, neb je lze dstupnými nástrji čerpat přím z primárních či externích zdrjů, a t včetně nestrukturvaných dat, např. ů, dat ze sciálních sítí a dalších, rychlst vývje a nasazení - rychlejší vytvření a nasazení SSBI aplikací výrazně přispívá k psílení zájmu uživatelů SSBI (v relaci k statním typům aplikací), k jejich prduktivitě a výknnsti a následně i k psílení jejich účasti na dalším rzvji těcht aplikací, srzumitelnst SSBI výstupů využívající jasnu strukturalizaci výstupů, dplňující neb vysvětlující kmentáře a využití rzsáhlých mžnstí presentace a vizualizace dat a výstupních infrmací, nástrje pr pdpru splupráce představuje spjení nástrjů pr splupráci a SSBI a přináší kladný efekt ve zlepšení kmunikace v SSBI prstředí, tyt nástrje pskytují také mžnsti kperace nad samtnými výstupy a jejich následné vylepšvání, mbilní rzhraní - prezentační vrstva SSBI musí být mbile-friendly, jedndušší mbilní rzhraní a pužívání SSBI aplikací tak dkáže přilákat méně technické a také mladé uživatele, jednduchst SSBI nástrjů častým prblémem je slžitst nástrjů, které byly navrhnuty puze pr technicky zaměřené uživatele. SSBI nástrje musí nabízet intuitivní prvádění vlastních analýz a tvrbu reprtů. Tent pžadavek zahrnuje: jednduchst pužívání představuje velmi snadn pužitelné nástrje pr pchpení a práci s SSBI výstupy a sučasně méně kmplexní a snadn pužitelné nástrje pr vývj SSBI aplikací, autmatizace řešení řada uživatelů chce užívat SSBI výstupy puze pasivním způsbem, kde řešením je autmatizace prvzu SSBI aplikací, SYSTÉMOVÁ INTEGRACE 3/

6 Jan Pur např. upzrnění na hdntu sledvaných indikátrů, autmaticky naprgramvané akce dle hdnt jedntlivých indikátrů apd., jednduchá architektura zejména pr menší rganizace je významná míra rbustnsti řešení SSBI s tendencemi k méně slžitým řešením pskytvaných v cludu, či jednduchým all-in-ne řešením, mžnst využívání dat z velmi hetergenních datvých zdrjů, a tedy i mžnst připjení SSBI nástrje na různé databáze a datvé zdrje. Pr efektivní využití SSBI nástrjů je právě tat charakteristika klíčvá. Jak příklad takt širce zalžené škály využitelných datvých zdrjů ukazuje Obrázek 2 mžnsti MS Pwer Pivt Obrázek 2: Mžnsti využití různých datvých zdrjů v MS Pwer Pivt 2016 Dalším významným předpkladem úspěchu je nastavení a zvládnutí řízení rzvje a prvzu SSBI, včetně data gvernance IT útvarem pdniku (Dhnal, Pur, 2016). T znamená zajištění a nastavení přiměřené míry vlnsti uživatelů v rzvji a užití SSBI. Např. je nutné, aby každý uživatel pracval, pkud mžn, puze s čištěnými knslidvanými daty se striktně řízeným přístupem k nim. Na druhé straně je výhdné nechat klíčvé uživatele tvřit tzv. experimentální tržiště, resp. analytické sandbxy, ve kterých mhu pracvat s jakýmikliv daty. Tat řešení jsu následně velmi dbrým základem pr pzdější pkrčilejší řešení vyvinuté s pmcí IT útvaru. 38 SYSTÉMOVÁ INTEGRACE 3/2017

7 Self service business intelligence velký ptenciál, nezbytné předpklady Zřejmě by byl mžné najít i další pdstatné předpklady pr úspěch SSBI, které by byly již více pplatné knkrétnímu pdnikvému prstředí. 4. Závěr Pslední rky v IT ukázaly, že vedle rzsáhlých, velmi kmplikvaných a výknných výpčetních systémů, je sučasně patrná tendence k hledání a využívání relativně jedndušších, lehce dstupných a zvládnutelných prstředků pr práci jedntlivých uživatelů, či jejich menších skupin. Jedním z nejvýraznějších představitelů těcht tendencí jsu prdukty a řešení self service business intelligence, které vedle kmplexních, celpdnikvých BI systémů znamenají jejich velmi efektivní a účinný dplněk. Řešení, aplikace i technlgie self service business intelligence představují v sučasnsti velmi silný faktr nejen v samtném IT, ale i v rzvji kvality pdnikvéh řízení. Předpkladem je jejich kvalitní zvládnutí a zasazení d praxe. T je zřejmě i důvd, abychm se i v příštích číslech časpisu k tmut tématu vrátili. Literatura Aspin, A., 2016: Pr Pwer BI Desktp. Apress. Staffrdshire. ISBN Cllie, R., Singh, A., 2016: Pwer Pivt and Pwer BI, Hly Macr Bks, ISBN-13: Dhnal, J., Pur, J., 2016: IT v řízení pdniku, Praha, Prfessinal publishing, ISBN: Imhff, C., White, C., 2011: Self-Service Business Intelligence: Empwering Users t Generate Insights. The Data Warehusing InstituteTM, Rentn, WA Kimball, R., Rss, M., 2010: Relentlessly Practical Tls fr Data Warehusing and Business Intelligence. Indianplis, Jhn Wiley Publishing. ISBN Pur, J., Nvtný, O., Maryška, M., 2012: Business Intelligence v pdnikvé praxi. Praha, Prfessinal Publishing, ISBN Prvst, F., Fawcett, T., 2013: Data Science fr Business. What Yu Need t Knw Abut Data Mining and Data-Analytic Thinking. O Reilly Media. Sebastpl. ISBN: Russ, M., Ferrari, A., 2013: Micrsft Excel 2013: Building Data Mdels with PwerPivt. Califrnia, O Reilly Media, Inc. ISBN: Tech Target, 2016: Self-Service BI, Majr Benefits and Mistakes t Avid, Analytická studie splečnsti Tech Target JEL Classificatins: M10, C88 SYSTÉMOVÁ INTEGRACE 3/