Big data a možné přínosy v úloze strategického řízení podnikové informatiky

Save this PDF as:
 WORD  PNG  TXT  JPG

Rozměr: px
Začít zobrazení ze stránky:

Download "Big data a možné přínosy v úloze strategického řízení podnikové informatiky"

Transkript

1 Big data a možné přínosy v úloze strategického řízení podnikové informatiky Richard Novák Vysoká škola ekonomická v Praze katedra systémové analýzy Abstrakt: Článek se zabývá tématem Big data v souvislosti s řízením podnikové informatiky. Nejprve je vysvětlen pojem Big data zejména v obecnějším kontextu data managementu a jsou popsány principy vybraných technologií zpracování Big data. Následně je vymezena vlastní úloha strategického řízeni podnikové informatiky, kdy článek navrhuje postupy, jak posuzovat přínosy vybrané technologie zpracování Big data v závislosti na strategických cílech podniku. Článek dále vymezuje modelový subjekt z oboru telekomunikací a na tomto subjektu ukazuje možné dopady vybrané technologie analýzy řeči na útvar marketingu a péče o zákazníka modelového subjektu. Na závěr je provedena kvantifikace dopadů změny dílčích KPI metrik vybraných funkčních útvarů modelového subjektu ve vazbě na definované cílové KGI metriky podniku. Klíčová slova: Big data, data management, analýza řeči, řízení podnikové informatiky, metriky KPI, KGI, marketing, péče o zákazníka Abstract: The article deals with the Big data in connection with management of business informatics. Firstly the term Big data is generally explained in a context of data management and principles of selected Big data technologies are described. Further the article defines main tasks of strategic management of business informatics and suggests how to evaluate benefits of Big data processing depending on a strategic goals of a business. The article defines a telecommunication firm as a model subject on which he shows impact of speech recognition technology on marketing and customer care units. The author also tries to quantify change of partial KPI metrics of selected units in relation to defined global KGI metrics. Keywords: Big data, data management, speech recognition, management of business informatics, KGI, KPI metrics, marketing, customers care 1. Úvod Termínem Big data nenazýváme konkrétní objem dat ve smyslu jednotek datové kapacity (terabyte, petabyte), ale objem dat, který překračuje velikost, rozmanitost, rychlost změny a zpracování, která je běžná v jednotlivých oborech činnosti a pro kterou byla dříve ICT prostředí navrhována (Manyika et al, 2011). Výstižnou definici pojmu Big data uvádí například Gartner (Gartner, 2013): Big data is generally defined as high volume, velocity and variety information assets that demand cost-effective, innovative forms of information processing for enhanced insight and decision making. Důvodem pro začlenění nových IT nástrojů a metod schopných pracovat s Big data do podnikových systémů by neměla být jen nová povaha dat, ale především obchodní 40

2 Big data a možné přínosy v úloze strategického řízení podnikové informatiky přínosy, které odpovídají strategii společnosti (Inmon et al, 2001) a jsou měřitelné pomocí definovaných globálních a specifických indikátorů společností KGIs/KPIs (Key Goal / Key Performance Indicators) 1. Na začátku článku bude provedeno shrnutí provedené rešerše z dostupných zdrojů na téma Big data a bude poskytnut přehled nových metod a aplikací pro práci s daty s ohledem na jejich přínos pro řízení podnikové informatiky (Management of Business Informatics, MBI). Na základě této analýzy je práce zacílena na konkrétní obor telekomunikací a vybranou funkční oblast marketingu a péče o zákazníky a vymezené téma a oblast dále do hloubky rozvíjí. 2. Metodický přístup k tématu Cílem této práce je nalézt a zhodnotit možné obchodní přínosy technologií Big data ve vztahu k telekomunikacím jakožto klíčového oboru podnikání se zaměřením na velké telekomunikační korporace a vybrané funkční oblasti, jako je marketing a péče o zákazníka. Při tomto hledání budeme postupovat způsobem řešení nové vlastní úlohy doplněné do oblasti úloh strategického řízení v rámci metodiky řízení podnikové informatiky (MBI) uvedené v knize Voříška, Poura a kol. Management podnikové informatiky (Voříšek, Pour a kol., 2012). Vlastní doplněná úloha strategického řízení se zaměří na to, jak k celkovým cílům podniku vymezeným stávajícím a cílovým stavem popsaným metrikami KGIs mohou přispět konkrétní funkční oblasti marketingu a péče o zákazníky a jejich dílčí KPIs. Jako příklad možných přínosů Big data uveďme u KGI mj. nárůst výnosů, zisku, počtu zákazníků nebo snížení celkových nákladů a u specifických KPIs jednotlivých funkčních útvarů pak snížení odlivu zákazníků (churn rate), zvýšení úspěšnosti prodejních kampaní, snížení průměrné doby řešení zákaznického incidentu, zvýšení loajality zákazníků, povědomí o značce, zlepšení spokojenosti zákazníků (měřeno dle CSI Customer Satisfaction Index) a další. V definované úloze se soustředíme především na byznys pohled jako jeden z důležitých pohledů na podnikovou architekturu (EA, Enterprise Architecture). Při řešení vlastní doplněné úlohy budeme postupovat následujícím způsobem: nejdříve provedeme popis modelového subjektu z oboru telekomunikací, poté vydefinujeme stávající a cílový stav pomocí KGIs/KPIs, následně provedeme identifikaci klíčových procesů a jejich reengineering (BPR, Business Process Reengineering), navrhneme požadavek na nové IT služby a na závěr provedeme zhodnocení dopadu možného zapojení Big data na zlepšení sledovaných KGIs/KPIs. 1 Využívání metrik, tedy měřených, kvantitativně vyjádřených ukazatelů, není v řízení podnikové informatiky ničím novým. Příkladem může být jejich uplatnění v modelu SPSPR (viz. Voříšek et al.,2008, kapitola 6.3.4), v modelech ITIL i COBIT, případně dalších. (Voříšek, Pour a kol., 2012). KGIs (Key Goal Indicators) cílové metriky, měří výsledek celé úlohy KPIs (Key Performance Indicators) metriky výkonnosti, měří jednotlivé dílčí činnosti 41

3 Richard Novák 3. Datový management A big data Velký objem dat není pro informatiky novou skutečností, jak je vidět z více zdrojů zabývajících se problematikou datového managementu, tento trend však byl akcelerován technologickým rozvojem, který vede k novým nárokům na zpracování dat, jak uvádí své práci W. H. Inmon (Inmon, 2001). Atributy spojované s termínem Big data souvisí zejména s novými zdroji rozmanitých datových struktur označovaných jako variabilita dat, která nás nutí hledat rozšíření metod spojovaných s tradičním budováním datových skladů (Kimball, 1998). Pokud hovoříme o variabilních datových strukturách, máme na mysli data ze sociálních sítí a internetu obecně, mediální data zahrnující jak text, obraz, video nebo hlasový záznam, tak i logy z ICT systémů, souřadnice o poloze nebo záznamy z takzvaných chytrých zařízení (Manyika et al, 2011). Jako chytrá zařízení přitom označujeme elektroniku vybavenou komunikačním modulem, která umožnuje sdílet data s dalšími zařízeními a aplikacemi jako jsou mobilní telefony, tablety, parkovací automaty a mýtné systémy, vybavení budov a infrastrukturních staveb nebo domácí elektronika (Manyika et al, 2011). S rozvojem levné elektroniky, která je zdrojem velkého objemu jak strukturovaných, tak nestrukturovaných dat a se zvýšenou dostupností levnějších záznamových komponent s velkou kapacitou vznikají nové nároky na metody a technologie pro zpracování a interpretaci dat, které často označujeme jako Big data (Chen at al, 2012) Big data je možné označit jako další evoluční krok v datovém managementu, který následuje koncepty Datových skladů (Inmon, 2005) a Business Inteligence (Pour a kol, 2012) tak, jak je původně představil v roce 1989 Howard Dresner (později Gartner Analytik). Datový management jako IT disciplína se rychle vyvíjí. Dobrý přehled jeho vývoje lze najít v článku Daniela J. Powera A Brief History of Decision Support Systems (Power, 2007), přičemž v současné době již hovoříme o nových technologiích jako no-sql databáze nebo technologie Hadoop (Hortonworks, Teradata, 2013), které umožňují pracovat s kombinací variabilních datových struktur. Dobrý přehled technologií označovaných jako Big data poskytuje například Gartner ve svém Hype Cycle (Gartner, 2013) a krátký přehled relevantních technologií pro navrženou úlohu uvedeme také v následující kapitole. Fenomén označovaný jako Big data může mít pro organizace značný komerční přínos v případě, že tyto technologie přispívají k podnikovým cílům a znamenají zlepšení sledovaných metrik podniku na jednotlivých úrovních agregace KGIs pro globální pohled a KPIs pro dílčí pohled. Big data technologie ale mohou znamenat rovněž riziko s negativními dopady na společnost, jakými je například ztráta soukromí (Marshall, 2013), bezpečnostní rizika, problém s interoperabilitou systémů nebo riziko zásadních a chybných závěrů pocházejících z nedokonalých dat a souvisejících algoritmů (Hilbert, 2013). Zabývat se termínem Big data znamená využít známé techniky a postupy jako Knowledge and Data Discovery (KDD), Data Governance, Data Quality Management, Master Data Management a další klasické techniky dobře popsané ve zdroji (Han et al, 2012). Novou výzvou v oblasti Data managementu a Big data je naučit se za pomoci pokročilých matematicko-statistických nástrojů a IT pracovat s komplexitou a její redukcí. Redukci komplexity lze provést například formou vizualizace dat (Fayyad, 2002), která může díky IT zpracování napomoci výběru správného rozhodnutí, i když v samém závěru musí rozhodnout člověk, nikoliv stroje. 42

4 Big data a možné přínosy v úloze strategického řízení podnikové informatiky Obecně se dá říci, že fenomén Big data v oblasti informačního managementu velmi aktivně přispívá k transformaci informační společnosti ke společnosti znalostní (David, Foray. 2003). 4. Přehled technologií Big Data V rámci přehledu technologií Big data vyjdeme z křivky očekávaní spojovaných s danou technologickou oblastí tak, jak ji prezentuje Gartner v rámci svého Hype Cycle for Big data (Gartner, 2013) Jako příklady technologií, které již dosáhly své zralosti a jsou komerčně běžně zaváděny v rámci nabídky produktů řady dodavatelů, uvádíme webovou analytiku, prediktivní analýzy, monitoring sociálních sítí, rozpoznání řeči, zpracování velkých objemů dat v operační paměti, cloud computing a specificky poskytování databáze jako služby (dbaas) nebo MapReduce (Hadoop) databázový model a algoritmy či obecnější databázový model označovaný jako nosql. Jako příklad technologií, o kterých se jako o možných začíná teprve mluvit, a roste tak očekávání spojené s jejich možnými pozdějšími přínosy, uveďme vyhledávání podle video záznamu nebo automatickou analytiku v kontextu vícera zdrojů. Vzhledem k rozsahu tohoto článku se blíže zaměříme pouze na čtyři technologické oblasti, kde lze při zavedení technologie do modelového prostředí popisovaných telekomunikačních firem vidět největší komerční benefit. Přehled technologií je uveden v kapitolách a na obrázku níže: Ostatní Prediktivní analýza No-SQL Aplikovaná Matematika Apache Hadoop Externí zdroje Dat.. Mongo DBs.. výběr Big Data technologie Zpracování dat v paměti Hlasová biometrie dbsaas.. Konverze Řeč na text.. Cloud computing Analýza hlasu 4.1 MapReduce (Hadoop) Obrázek 1 Vybrané technologie Big data (autor) Jako Hadoop označujeme opensource platformu, která byla vyvinuta společným úsilím Douga Cuttinga z firmy Yahoo a Mikea Carafella z Michigan University během práce 43

5 Richard Novák na internetovém vyhledávači Nutch (Cafarella, Cutting, 2004), který byl inspirován dřívější prací společnosti Google. První klíčovou komponentou Hadoop databází jsou metody označované jako MapReduce algoritmus, které ve své Map fázi provede rozdělení (namapování) výpočetní databázové úlohy na větší počet komoditního (a tedy levného) hardwaru, přičemž tyto komoditní počítače označované jako slaves provedou vlastní výpočet, a v následné Reduce fázi dojde ke konsolidaci dílčích výpočtů na jednom hlavním počítači označovaném jako master. Toto distribuované zpracování dat je možné díky druhé klíčové komponentě označované jako HDFS, tj. distribuovaný souborový systém (Hadoop Distributed File System), který ukládá data ve více redundantních kopiích, typicky ve třech kopiích na různých počítačích. Výpočet vždy běží na stejném počítači, kde je uložena kopie dat. Díky tomu dochází k redundanci a robustnosti srovnatelné s RAID mechanismy (Redundant Array of Independent Disks) velkých datových polí a zároveň díky použití interních disků počítačů (DAS = Direct Attached Storage) je dosahováno velké propustnosti měřené metrikami obdobnými IOPS (Input Output Operations per Second). Společnost Apache, která působí v současnosti jako garant opensource platformy Hadoop, vyvinula jako nadstavbu nerelační databázi označovanou jako HBase, která je rozšířením HFDS a která se používá jako vstup a výstup pro výpočty formou MapReduce algoritmu. Zároveň Apache vyvinul také datový sklad označovaný jako Hive, který se skládá z kombinace klasické relační databáze (RDBS, Relation Database) určené pro metadata a HBase, přičemž tento datový sklad používá dotazovací jazyk označovaný jako HiveQL, který je obdobný známému SQL (Structure Query Language). Pro lepší pochopení rozdílů mezi relačními databázemi a Hadoop je přiložena tabulka rozdílů v klíčových oblastech. Tabulka níže je založena na zdrojích z firem Teradata a Hortonworks (Hortonworks, Teradata, 2013). Tabulka 1 Porovnání RDBS a Hadoop (Hortonworks, Teradata,2013) Parametr Relační databáze Hadoop Co se ukládá: Klíčová data Všechna data Typ Dat Strukturovaná (tabulky) Všechna (soubory) Zralost schématu Stabilní Překotný vývoj Práce s Daty ANSi SQL Programovací jazyky (JAVA, Pearl..atd) Kvalita Dat Čistá data Špinavá (raw) data Požadovaný HW Optimalizovaný HW (RAID, SAN, CPU/IO) Levné komponenty (Servery, PC, DAS) 44

6 Big data a možné přínosy v úloze strategického řízení podnikové informatiky Přístup k datům Dotazy na vyhledávání Skenování Přednosti Nevýhody Stabilita SLA, Garantované parametry Vysoké náklady Flexibilita Nízká cena Nároky na IT znalosti - programátory V praktické implementaci je Hadoop typicky nasazován v kombinaci se standardními relačními databázemi. Zkušenosti ze světa také ukazují, že jsou obory, u kterých zavedení Hadoop a Big data dává větší smysl než v jiných oborech. Takovými obory jsou například maloobchod, média, finančnictví, telekomunikace a infrastrukturní obory obecně (Kart, 2013). 4.2 Analýza řeči Komunikace hlasem je nejběžnější způsob lidské komunikace. Pro účely zpracování hlasové komunikace v IT je nutné převést hlasový projev do digitální podoby, a to nejen vzorkováním a uložením v binárním formátu, ale i převodem hlasu na text v digitální podobě a obráceně. Existuje mnoho charakteristik souvisejících s individuálním hlasovým projevem, například hlasová biometrie, identifikace řečníka a jazyka, kterým hovoří, nebo rozpoznání emocí v mluveném projevu (Cenek, 2012). Technologie pro IT zpracování hlasové komunikace se vyvíjejí již delší dobu a v současné době je lze označit jako zralé a tedy i vhodné pro zavedení do běžného komerčního prostředí. S ohledem na poskytovanou IT podporu je třeba rozlišovat zpracování hlasu v reálném čase a odložené zpracování hlasové nahrávky uložené v paměti, neboť první případ má díky podporovanému matematicko-statistickému aparátu výrazně vyšší nároky na výkon požadované IT podpory. Jako příklady pro možné zavedení technologií pro zpracování hlasu v komerčním prostředí můžeme uvést prostředí call center a hlasové automaty IVR (Interactive Voice Recognition) nebo vyhodnocení práce agentů call center díky analýze emocí zjištěných během hovoru se zákazníky. Detekce klíčových slov během hovoru může být také využita v rámci aktivit zpravodajských služeb, jak jsme mohli nedávno zjistit v důsledku zveřejnění informací o programu PRISM využívaném Národní bezpečnostní agenturou ve Spojených státech amerických (Marshall, Edward, 2013) 4.3 Cloud computing a databáze jako služba (dbaas) Cloud computing ve své oblasti poskytování infrastruktury jako služby (IaaS, Infrastructure as a Service) umožňuje dynamickou alokaci a zpoplatnění operační paměti, což může být výhodné pro pokrytí nárazových potřeb rozsáhlého zpracování dat v paměti. Nárazové nároky se vyskytují například na konci měsíce při zpracování finančních reportů nebo při jiných jednorázových projektech, jakým je např. testování nové aplikace. Databáze jako služba (dbaas) může menším a středním firmám pomoci získat formou pronájmu licencí velká a drahá databázová prostředí jako Microsoft SQL nebo Oracle v enterprise edici. Poskytovatel cloudových služeb se stará o instalaci, provoz a 45

7 Richard Novák výkonové nastavení databázového prostředí a zákazník získává práva pro zakládání vlastních tabulek, propojení, editace obsahu a práce se svými daty v rámci využívaného prostředí. Výhodou pro zákazníka v rámci popsaného cloud computing prostředí je možná úspora nákladů, flexibilita v rámci proměnných nároků na výkon prostředí, dostupnost aktuálních a drahých softwarových nástrojů a obecně výhody outsourcingu spojené se zacílením na vlastní klíčový obor podnikání při současném využití expertní podpory specialistů vně vlastní firmy. 4.4 Prediktivní analýza Předpovídání vývoje vybraných ukazatelů je běžnou praxí v komerční oblasti i státní správě. V rámci útvarů obchodu, marketingu a provozu se běžně předpovídá vývoj prodejů, počtu zákazníků nebo spotřeba materiálů za pomoci extrapolace historických dat při znalosti trendové a sezónní složky. Novým přístupem při použití Big data technologií je kombinace vstupů z externích zdrojů, jako jsou sociální sítě. Korelováním dat z externích a interních zdrojů firem a státní správy pak může vzniknout konkurenční výhoda nebo nová hodnota. Při zpracování velkého objemu dat s rozlišnou strukturou a formáty jsou kladeny nové nároky na použití matematicko-statistického aparátu v kombinaci s vyžadovanou IT podporou např. samoučících algoritmů, rozhodovacích stromů nebo neuronových sítí (Roebuck, 2011). Existuje celá řada zajímavých příkladů z oblasti internetových firem nebo specificky vyhledávačů a sociálních sítí. Například firmy jako Google, Yahoo nebo Facebook jsou za pomoci analýzy klíčových slov a souvisejícího kontextu schopny předpovídat tržby filmů nově uváděných na trh (Kumar, 2009) a další parametry. Byla rovněž prokázána souvislost změny Dow-Jones indexu s klíčovými slovy používanými na sociální síti Twitter vyjadřujícími emoce strachu (Gilbert, Karahalios, 2009). V rámci kombinace externích dat z internetu s interními databázemi jsme schopni předpovídat ekonomické veličiny, jako jsou prodeje konkrétních produktů nebo změny trhu, nezaměstnanost či vývoj HDP, politické směřování včetně výsledku voleb nebo nestability v regionu, či sociální veličiny, jako je spokojenost obyvatel nebo šíření chřipkové epidemie v regionech, a to jak na mikroekonomické, tak makroekonomické úrovni (Procházka, 2012). 5. Vymezení modelového subjektu úlohy (U011A) Jako modelový subjekt pro zpracování úlohy strategického řízení v rámci metodiky řízení podnikové informatiky (MBI) uvedené v knize Voříška, Poura a kol. Management podnikové informatiky (Voříšek, Pour a kol., 2012) budeme uvažovat velkou telekomunikační firmu působící na trhu v rámci střední a východní Evropy (CEE, Central and Eastern Europe). Modelový subjekt byl zvolen jako abstrakce více konkrétních firem působících v regionu CEE podle znalosti autora článku. Budeme uvažovat subjekt, který působí na trhu déle než deset let, má tržní podíl do 10% z celkového potenciálu telekomunikačního trhu dané země a zaměřuje se výhradně na oblast firemních zákazníků, tedy neobsluhuje jednotlivce a domácnosti. 46

8 Big data a možné přínosy v úloze strategického řízení podnikové informatiky Subjekt působí v rámci dané země celonárodně se zaměřením své přístupové telekomunikační sítě na větší městské lokality, kde je větší koncentrace firemních zákazníků. Menší oblasti, kde subjekt nemá vlastní síť, pokrývá radiovou sítí a méně atraktivní lokality pokrývá v rámci pronájmu infrastruktury od dalších operátorů dle principu velkoprodeje. Organizační struktura je členěna dle logických byznys jednotek a dále dle funkčních útvarů v rámci jednoho právního subjektu v dané zemi. Logické obchodní jednotky jsou následující: maloobchod, velkoprodej a mezinárodní prodej. Hlavní funkční útvary (divize) působící napříč byznys jednotkami jsou následující: obchodní, technická, finanční, marketingová a podpůrná divize. 5.1 Byznys model vybraného subjektu Pro rychlé přiblížení modelového subjektu bude použita šablona byznys modelu dle zdroje (2013. Business model canvas). Tabulka 2 Busines model modelového subjektu (2013. Business model canvas) Tržní segment Prodejní kanály Vztahy se zákazníky Klíčová nabídka Pouze firemní segment (B2B, Business to Business), Region střední Evropy, Maloobchod telekomunikačních služeb pro všechny obory činnosti se zaměřením na střední a velké firmy, Velkoprodej hlasových a datových služeb dalším poskytovatelům v regionu Přímý prodej vlastními obchodníky Nepřímý prodej za pomoci obchodních partnerů Tele-sales v rámci využívání vlastního call centra Prodej přes webové kanály za pomoci Selfcare aplikací Nepoužívá vlastní kamenné prodejny Osobní vztahy obchodníků Zprostředkované vztahy přes obchodní partnery Nepřímý vztah přes web nebo call centrum Nepoužívá komunitní prodej Komplexní portfolio služeb Fixní a Mobilní telekomunikace (Hlas, VPN data, Internet) IT služby (Datová centra (DC) a kolokace, IT a komplexní outsourcing) Prémiová zákaznická podpora Obchodní zástupci Kombinace VIP péče a řadových agentů zákaznické péče Procesně zajištěná podpora napříč celou firmou 47

9 Richard Novák Flexibilita a individuální řešení pro svoje zákazníky Vysoká kvalita poskytovaných služeb Zaměření pouze na firemní zákazníky Hlavní zdroje Hlavní partneři Klíčové aktivity Nákladová struktura Vlastní infrastruktura (Síť, DC) Lidé a jejich znalosti Finanční zázemí pro inovace a velké projekty Organizační a procesní zajištění firmy Obchodní partneři Dodavatelé technologie (Cisco, HP, Huawei, IBM atd.) Finanční partneři (banky, akcionáři) Dodavatelé služeb (firmy pro instalaci technologie v regionech, subdodavatelé a techničtí partneři pro dodávku služeb) Vývoj a řízení služeb Prodej služeb Zřizování služeb Provoz a podpora služeb Zpoplatnění služeb CAPEX ve výši cca 10-15% z výnosů OPEX řízen hlavně v přímé závislosti na konkrétní obchodní případy, velikost SGA je cca 20-25% z výnosů EBITDA marže se pohybuje v rozmezí 25-35% z celkových výnosů 5.2 Popis tržního okolí subjektu Modelový subjekt se nachází na telekomunikačním trhu, který v CEE regionu vykazuje během let setrvalý pokles s CAGR 2 cca -5%, přičemž s ohledem na tržní podíl do 10% a hlavní konkurenty je orientace subjektu především na nákladovou efektivitu, provozní dokonalost a individuální zákaznický přístup. Modelový subjekt působí jak na telekomunikačním trhu, tak na trhu IT služeb, který je ale velmi fragmentovaný v rámci celého CEE regionu, a konkurenční výhoda subjektu se zakládá na konvergenci služeb s oblastmi telekomunikací a IT a také na vlastnictví rozsáhlých prostor v rámci vlastních Datových center (DC). 2 CAGR, Compounded Annual Growth Rate, měří průměrný meziroční růst nebo pokles ekonomických veličin v rámci delšího časového období 48

10 Big data a možné přínosy v úloze strategického řízení podnikové informatiky 5.3 Podnikové cíle a KGIs/KPIs Podnikové cíle v tržním případě bývají nejčastěji vyjádřeny měřitelnými ukazateli v rozlišení na různá časová období, jako jsou například měsíc, kvartál, rok nebo delší období. Přehled sledovaných cílových KGIs na úrovni podniku pro zvolený modelový subjekt a jeho jednotlivých KPIs pro útvar marketingu a zákaznické péče bude proveden v následující kapitole popisující vlastní úlohu strategického řízení zaměřenou na Big data. Ve speciální kapitole následující za popisem vlastní úlohy uvedeme rovněž hodnoty pro stávající a cílové hodnoty KGIs/KPIs popsaného modelového subjektu. 5.4 Výběr technologie Analýza řeči pro sledování dopadu na KGIs/KPIs Z přehledu Big data technologií v předchozích kapitolách je vidět rozsáhlost této oblasti. Pro posouzení dopadu na jednotlivé sledované metriky KGIs/KPIs byla vybrána konkrétní technologie označovaná jako Analýza řeči (Speech recognition), blíže popsaná v kapitole věnované přehledu Big data technologií. Důvodem pro volbu této technologie a sledování dopadu jejího zavedení v modelovém subjektu je skutečnost, že uplatnění této technologie lze vidět ve dvou funkčních jednotkách zároveň. Možné užití a dopad na KPIs lze totiž vidět jak v útvaru marketingu, tak v útvaru péče o zákazníka. Dopad zavedení technologie analýzy řeči na tyto útvary je popsán v následujících odstavcích. a) dopad Analýzy řeči na útvar marketingu Ve funkčním útvaru marketingu je zvažován dopad na KPI 3 měřící úspěšnost prodejních kampaní zaměřenými na doprodej dalších produktů stávajícím zákazníkům (Cross-sale success ratio). Cílová skupina zákazníků vhodná pro doprodej je vybírána pomocí tvrdých segmentačních kritérií (potenciál, stávající služby a další) a také pomocí semaforu emocí, který vznikne analýzou nahrávek hovorů s jednotlivými zákazníky během komunikace s útvarem péče o zákazníky. Podle analýzy emocí jsou zákazníci rozřazeni v kombinaci s údaji v CRM 4 systému do tří skupin (pozitivní, negativní a neutrální emoce), přičemž do cílové skupiny jsou řazeni především zákazníci, u kterých lze z analýzy hlasové komunikace rozpoznat, že mají kladný vztah k firmě a jsou dle segmentačních kritérií zároveň vhodnými kandidáty pro doprodej dalšího produktu. Vzhledem k tomu, že modelový subjekt má dlouhodobě problém s úspěšností doprodeje dalších služeb do své stávající zákaznické báze, lze očekávat přiblížení sledovaného KPI ukazatele hodnotě srovnatelné s konkurenty na trhu. Standard KPI na trhu se pohybuje v rozmezí hodnot mezi 4 až 10% úspěšnosti prodejů 3 Definice KPIs metrik pro tuto úlohu je provedena v samostatné kapitole Metriky, v Tabulce 6. 4 CRM systém (Customer Relationship Management), lze v rámci IT považovat za databázovou technologií podporovaný proces shromažďování, zpracování a využití informací o zákaznících firmy 49

11 Richard Novák nových služeb nad vybranou cílovou skupinou oproti stávající hodnotě KPI modelového subjektu, která je 2%. b) dopad Analýzy řeči na útvar péče o zákazníka Ve funkčním útvaru péče o zákazníka je posuzováno zavedení stejné technologie Big data, tedy Analýzy řeči, tentokrát však zaměřené na zlepšení KPI měřícího hodnotu odchodu zákazníků od společnosti (churn). Toto KPI se měří buď v počtech zákazníků, nebo v celkové velikosti výnosů odcházejících od firmy a vztahuje se v relativní nebo absolutní hodnotě k určenému časovému období, nejčastěji měsíci či roku. Pokud by firma například na základě analýzy hlasových nahrávek komunikace s útvarem péče o zákazníky dopředu podle semaforu emocí věděla, kteří zákazníci mají negativní vztah k firmě, mohla by v důsledku této informace podniknout proaktivně kroky směřující k udržení zákazníka. V obchodě platí pravidlo, že udržet stávajícího zákazníka stojí méně peněz než získat zákazníka nového, a tak se vyplatí proaktivně nabídnout slevu na stávající služby před koncem smluvního závazku u rizikových zákazníků, kteří jsou včas identifikováni jako kandidáti na odchod od společnosti. Pokud včas identifikujeme rizikové zákazníky, kteří podle semaforu emocí směřují k odchodu od společnosti, máme prostor zjistit, jaké jsou skutečné důvody této nespokojenosti. Nemusí to vždy být jen vysoká cena, ale důvodem může být i snížená kvalita poskytované služby nebo špatné vyúčtovaní či dlouhá doba dodávky služeb nebo reakcí na zákaznické požadavky. Tyto primární důvody lze u takto identifikovaných zákazníků zjistit analýzou interních systémů, jako jsou CRM, Billing systém nebo poruchové lístky v Trouble Ticket systému. Pokud je skutečný důvod nespokojenosti zákazníků znám, lze jej snáze odstranit a následně toto odstranění komunikovat zákazníkovi, čímž lze zákazníka u společnosti spíše udržet, a to velmi často za nižší cenu, než za jakou by byl získán zákazník nový. 6. Popis vlastní úlohy strategického řízení (Gstg) Jako metodiku pro návrh vlastní úlohu byla použita MBI dle zdroje (Voříšek, Pour a kol., 2012). Tabulky 3 až 8 Popis vlastní úlohy (upraveno autorem) ID_ÚLOHY: U_099 VARIANTA: Pro telekomunikační firmy NÁZEV ÚLOHY: Big data a možné přínosy v úloze strategického řízení podnikové informatiky MBI SKUPINA: Strategické řízení podnikové informatiky AUTOR: Richard Novák DATUM POSLEDNÍ ÚPRAVY:

12 Big data a možné přínosy v úloze strategického řízení podnikové informatiky 6.1 Cíl/Účel Cílem úlohy je nalézt a ohodnotit možné obchodní přínosy Big data technologií a metod ve vztahu k telekomunikacím jako klíčovému oboru podnikání se zaměřením na velké telekomunikační korporace a zhodnotit dopad konkrétní vybrané technologie na funkční oblasti marketingu a péče o zákazníka. 6.2 Obsah Úloha je zaměřena na bližší pochopení možných přínosů Big data ve vztahu k zavedení této technologie do jednotlivých funkčních oblastí podniku v daném oboru podnikání. Jsou hledány odpovědi na tyto otázky: Jak lze měřit přínos Big data technologií v prostředí velkého podniku? U kterých modelových subjektů a útvarů dává zavedení vybrané technologie největší smysl? Které metriky KGIs, KPIs jsou vhodné pro měření přínosu Big data v modelovém podniku? Jak konkrétně lze Big data použít ve funkčních útvarech marketingu a péče o zákazníka? Jaký je výsledek zhodnocení možného zavedení vybrané Big data technologie? 6.3 Klíčové činnosti Tabulka 4 Pořadí Klíčová činnost Popis 1 Určení oblastí v podnikové strategii a měřitelných cílů, na které se při zapojení Big data technologie zaměřím. 2 Určení konkrétní technologie Big data, jejíž nasazení a dopad na jednotlivé funkční oblasti budeme v úloze posuzovat. Vstupem jsou dokumenty jako analýza trhu a konkurence, podniková a byznys strategie a navazující strategie řízení podnikové informatiky. Výstupem činnosti jsou vybrané KGIs metriky v rámci kterých budeme přínos technologie Big data měřit, v souladu s podnikovou strategií. Může jít o jednu nebo i více KGIs metrik jako například o celkové výnosy, zisk, změnu tržního podílu a další. Vstupem je přehled Big data technologií uvedený například v Gartner Hype Cycle (Gartner, 2013) nebo v jiných volně dostupných zdrojích. 51

13 Richard Novák S ohledem na podnikovou strategii a předchozí bod vyberu z dostupných technologií Big data takovou, jejíž nasazení dává pro plnění vybraného KGI cíle největší smysl. Provedu bližší popis určené technologie tak aby v rámci analýzy možností určené technologie bylo možné pojmenovat více variant nasazení stejné technologie, které mohou přispět ke splnění vybraných podnikových cílů a KGIs metrik. Určíme, v jakých funkčních oblastech podniku budeme nasazení vybrané technologie posuzovat. Navrhneme možné uplatnění Big data technologie do vybraných funkčních jednotek jako je například obchod, marketing, provoz, finance, podpora zákazníků a další. 3 Definice metrik KGIs, ale i KPIs v rámci kterých bude přínos zavedení Big data měřen 4 Určení a analýza relevantních procesů a návrh na možnou úpravu (BPR) zohledňující zavedení konkrétní Big data technologie Volba vhodných metrik (KGIs, KPIs) řízení podniku a funkčních jednotek rozšířené o vlastní parametry, specifické pro novou technologii a vybrané funkční oblasti. Vstupem je podniková strategie a zde používané metriky. Výstupem je popis metrik KGIs, KPIs, které budu v rámci úlohy sledovat, případně definice nových metrik nad rámec stávajících a uvedených v podnikové strategii. Zaměříme se dále na takové KPI metriky a související procesy, u kterých očekáváme zlepšení díky zavedení nové Big data technologie. Budou uvedeny stávající hodnoty a cílové hodnoty vybraných metrik v horizontu 2-3 let. Vstupem do úlohy je procesní model nebo jinak provedený popis procesů popisující činnosti podniku. 52

14 Big data a možné přínosy v úloze strategického řízení podnikové informatiky Lze využít již dříve zpracovanou analýzu procesů jako je např. dílčí úloha MBI (U026A) dle zdroje (Voříšek, Pour a kol, 2012) nebo analýzu zpracovanou pro účely ISO certifikace (ISO 9000, ISO 20000). Případně provedeme vlastní specifickou analýzu procesního modelu podniku se zaměřením na procesy, kde vidíme možné nasazení vybrané Big data technologie. U vybraných procesů (hlavní, řídící, podpůrné) bude provedena hlubší analýza a následný reengineering procesů (BPR, Business Process Reengineering) se zaměřením na zvýšenou zralost a podrobnost procesů dle zdroje (Voříšek, 2008) Výstupem bude provedení návrhu nových procesů nebo optimalizace stávajících s ohledem na konkrétní nově začleněnou Big data technologii a to nejlépe v detailu na jednotlivé funkční jednotky a jejích podpůrné procesy. 5 Popsání nové funkcionality získané začleněním Big data technologie. 6 Kalkulace dopadů začlenění nové funkcionality na vybrané metriky. Na základě navržené úpravy procesů a začlenění Big data technologie získáme novou funkcionalitu, kterou blíže popíšeme. Příkladem nové funkcionality může být semafor emocí zákazníků jako výstup analýzy hlasových nahrávek uložených na call centru. Provedeme kalkulaci dopadu nasazení nové funkcionality na změnu metrik KPIs ve vybraných funkčních oblastech. Provedeme odvození dopadu změny dílčích KPIs na následné změny vybraných cílových KGIs nejlépe ve finančním vyjádření. Pokud například zlepšíme KPI měřící měsíční odchod zákazníků od společnosti (churn) tak nás bude zajímat celkový roční dopad do výnosů jako sledovaného KGI. 53

15 Richard Novák Odvození dopadu změny KPI na KGI provedeme v tomto příkladu finančním přepočtem přes zachráněné počty zákazníků, průměrný výnos zachráněných zákazníků a kalkulací jejich celkových ročních dopadů do udržených výnosů. 7 Odvození požadavku na nové IT služby Na základě analýzy vybraných procesů a možného zavedení Big data, byly v předchozích bodech definovány nové funkcionality, které určují požadavky na nové IT služby. Při definici požadavku na nové IT služby budeme postupovat dle metodiky MBI nebo ITIL popsané například ve zdroji (Voříšek, 2008). 8 Zhodnocení přínosů v rámci změny definovaných metrik Provedeme zhodnocení dopadu nasazení Big data technologie dle změny definovaných KGIs metrik v porovnání stávají a cílový stav. Zhodnotíme změny KGIs, KPIs a jejich dopad na firmu v kontextu celkových podnikatelských cílů v konkrétním subjektu. 6.4 Dokumenty, data, systémy Tabulka 5 Vstupy Informace o subjektu Podniková a byznys strategie Strategie podnikové informatiky Procesní model podniku Seznam a popis sledovaných metrik podniku a reporty subjektu s hodnotami stávajících i cílových KGIs, KPIs metrik Interní zdroje subjektu popisující fungování jednotlivých funkčních útvarů Výstupy Návrh nových procesů nebo úprava stávajících (BPR) zohledňující nasazení nové Big data technologie Popsání nové funkcionality získané začleněním Big data technologie do jednotlivých procesů vybraných funkčních útvarů. 54

16 Big data a možné přínosy v úloze strategického řízení podnikové informatiky Informace o trhu a konkurenci Analýza trhu a tržního okolí Report nezávislých analytiků (IDC, AISA) ohledně telekomunikačních trhů v CEE regionu Výroční zprávy hlavních poskytovatelů na vybraném CEE trhu Agregovaný monitoring trhu dle placených zdrojů, např. CIA (Czech Information Agency, Informace o interní informatice: Rozpočet podnikové informatiky Katalog informatických služeb Podniková architektura Nákladové analýzy informatiky Kvantifikace dopadu začlenění nové Big data technologie Vyhodnocení změny vybraných metrik KPIs u sledovaných funkčních útvarů Kalkulace dopadů změny dílčích KPIs na sledované cílové metriky podniku KGIs. Dopad na Informatiku Definice požadavků na nové IT služby 6.5 Metriky Stávající a cílové hodnoty metrik modelového subjektu jsou uvedeny v samostatné kapitole, zde je proto uveden pouze přehled a popis sledovaných ukazatelů KGIs/KPIs. Tabulka 6 Název Popis KGI/KPI Oblast Výnosy Celkové roční výnosy společnosti zahrnující jak pravidelné tak i jednorázové poplatky. KGI 5 Finanční Náklady Celkové roční náklady zahrnující jak Investiční (CAPEX) tak i provozní (OPEX) náklady. KGI Finanční EBITDA Absolutní hodnota hrubého provozního zisku dle definice finančního parametru EBITDA (Earnings Before Interest, Taxes, Depreciation and Amortization) KGI Finanční 5 Zdrojem hodnot KGIs je výroční zpráva společnosti případně finanční výkazy společnosti jako je výsledovka, bilance a cash flow výkaz 55

17 Richard Novák EBITDA Margin Relativní ukazatel provozní výkonnosti vztažený poměrem ukazatele EBITDA k celkovým výnosům. KGI Finanční Počet zaměstnanců Absolutní číslo počtu zaměstnanců společnosti KGI Obecně popisné Tržní podíl Tržní podíl je poměr výnosů společnosti vztažený k relevantnímu celkovému trhu v našem případě celkovým tržbám za Telekomunikační služby v dané zemi. KGI Obecně popisné Význam firmy odvozený od podílu na trhu předurčuje strategii chování jako (pricing, products positioning atd) Počet zákazníků Celkový počet zákazníků. Důležitý parametr pro potenciální cosssale, upsale, mezi-oborové partnerství nebo prodej firmy KGI Obecně popisné Nový prodej /Intake Nový prodej služeb za sledované období jednoho kalendářního měsíce. KPI Obchodní Do této hodnoty se započítávají nově podepsané smlouvy se zákazníky během jednoho kalendářního měsíce. Do hodnoty Intake zahrnujeme garantované opakované platby zákazníka na smluvně ošetřené období delší než 12 měsíců. V případě jednorázově poskytnutých služeb nebo služeb poskytnutých na kratší období než 12 měsíců se provede přepočet na měsíční ekvivalent Intake dle vzorce: celková hodnota prodané služby / 12 měsíců. Reportu zpracovává obchodní úsek za podpory CRM, Billing systému. Hodnota sledovaného ukazatele Intake je stanovena jako měsíční průměr během celého kalendářního roku. 56

18 Big data a možné přínosy v úloze strategického řízení podnikové informatiky Ztráta výnosů /Churn Revenue Hodnota výnosů, o které měsíčně přijde společnost díky odchodu zákazníků od společnosti. Report této hodnoty zpracovává útvar zákaznické péče na základě evidence přijatých výpovědí. KPI Zákaznická péče /CC Hodnota ukazatele stanovena jako měsíční průměr během celého kalendářního roku. Zlevňování /price erosion Hodnota o kolik poklesnou měsíčně výnosy, díky slevám u stávajících zákazníků společnosti. Ukazatel měřen dle vyhodnocení obchodního úseku, který provádí evidenci změn u stávajících zákazníků v CRM a Billing systému. KPI Obchodní Hodnota ukazatele stanovena jako měsíční průměr během celého kalendářního roku Úspěšnost prodejní kampaně 1 - celkem Úspěšnost kampaně v procentech stanovena jako poměr počtu zákazníků, kterým jsou prodány nové služby, děleno počtem všech oslovených zákazníků v kampani. KPI Marketing Hodnotu tohoto ukazatele stanovuje útvar segmentové marketingu na základě definice kampaně a vyhodnocení průběhu kampaně vedené v CRM systému. ARPU Průměrný výnos na zákazníka vztažený na jednoho zákazníka a jeho měsíční platbu služeb. (ARPU, Average Revenue Per User) KPI Marketing Hodnota ukazatele stanovena jako celoroční průměr z reportu, zpracovaného útvarem segmentové marketingu nad datovou základnou vedenou v CRM systému. 57

19 Richard Novák Odchod zákazníků /Churn customers Měřeno v počtech odcházejících zákazníků. Uváděný relativní údaj je poměrem počtu odcházejících zákazníků vůči celkovému počtu stávajících zákazníků. KPI Zákaznická péče /CC Report této hodnoty zpracovává útvar zákaznické péče na základě evidence přijatých výpovědí. Hodnota ukazatele stanovena jako měsíční průměr během celého kalendářního roku 6.6 Ostatní parametry úlohy Tabulka 7 CSF (Kritické faktory úspěchu) Životní situace Dostupnost a kvalita informací o modelovém subjektu Dostupnost a kvalita informací o relevantním trhu a konkurenci Průřezová znalost řešitele v oblasti podnikové architektury, IT prostředí a jednotlivých funkčních jednotek a útvarů marketingu a péče o zákazníka 6.7 Vhodnost úlohy pro typ podniku Výnosy modelového subjektu a počty jeho zákazníků dlouhodobě klesají, je nutné efektivně snižovat náklady a zároveň spouštět inovační projekty v celé firmě i IT tak, aby management subjektu vyhověl požadavku akcionářů, kteří očekávají růst EBITDA ukazatele. Vyplňují se hodnoty 0 až 4, přičemž 4 znamená vhodnost pro danou úlohu a daný podnik v jednotlivém sektoru podnikání nejvyšší. Členění podniku dle jeho velikosti je provedeno do třech úrovní a to Velký, Střední a Malý podnik. Kritérium velikosti podniku tvoří kombinace faktoru počtu zaměstnanců, celkového obratu a rozpočtu IT útvaru. 6.8 Vliv úlohy na objekty podniku a jeho ICT vlastnosti Pro posouzení vlivu úlohy použijeme tabulku níže. 58

20 Big data a možné přínosy v úloze strategického řízení podnikové informatiky Tabulka 8 OBJEKTY PODNIKU X VLASTNOSTI IS/ICT X OVLIVNĚNÉ ÚLOHOU OVLIVNĚNÉ ÚLOHOU ICT služby X Pokrytí požadované funkcionality ICT procesy X Přiměřená dostupnost a doba odezvy ICT zdroje: Správnost a důvěryhodnost X potřebných funkcí a informací Aplikace (ASW) X Soulad s legislativou X Technologické zdroje X Uživatelská přívětivost (ZSW, HW, komunikační infrastruktura) Datové zdroje X Bezpečnost X Finanční zdroje X Flexibilita X Personální zdroje (ICT útvaru a jeho znalostí) X Otevřenost X Organizace ICT útvaru Integrita Pravidla řízení podnikové Standardizace informatiky ICT projekty Výkonnost Podnikové procesy Efektivita X Podnikové organizace Podnikové směrnice a pravidla Externí partneři dodavatelé, X zákazníci, konkurence, veřejná správa (z pohledu celého podniku) Rozvojové projekty podniku X 7. Stávající a cílové hodnoty KGIS /KPIs modelového subjektu Stávající hodnoty jsou vztaženy k posledně známým ročním ukazatelům, cílové hodnoty vyjadřují stanovené podnikové cíle v horizontu dvou let od současného okamžiku. Vedle stávající a cílové hodnoty sledovaného parametru KGI/KPI je uvedena také hodnota změny sledovaného parametru vyjádřená v procentech. U parametrů KPIs byly zvoleny dva funkční útvary, na které se v této práci zaměřujeme, a to útvar marketingu a péče o zákazníka. Práce se zaměřuje rovněž i na aplikaci vybrané technologie Big data, konkrétně na aplikaci analýzy hlasu a následného semaforu emocí, kde byl zkoumán dopad na vybrané KPI metriky pro funkční útvary marketingu a zákaznické péče, konkrétně jde o metriky označené jako: Ztráta výnosů / Churn Revenue Úspěšnost prodejní kampaně Odchod zákazníků / Churn customers 59

IT Outsourcing COMPLUS CZ a.s. Petr Taševský 21. 10. 2011

IT Outsourcing COMPLUS CZ a.s. Petr Taševský 21. 10. 2011 IT Outsourcing COMPLUS CZ a.s. Petr Taševský 21. 10. 2011 Definice - outsourcing Outside resource using Termín outsourcing se všeobecně používá pro dlouhodobé převedení určité oblasti služeb na poskytovatele

Více

Řízení výkonnosti nemovitostního portfolia. Integrační platforma innosys. Květen 2014

Řízení výkonnosti nemovitostního portfolia. Integrační platforma innosys. Květen 2014 Řízení výkonnosti nemovitostního portfolia Integrační platforma innosys Květen 2014 Technologické trendy 2014 Narušitelé zavedených postupů Kognitivní analýza Industrializace zdrojů mas Blízká setkávání

Více

Informační systémy. Jaroslav Žáček jaroslav.zacek@osu.cz

Informační systémy. Jaroslav Žáček jaroslav.zacek@osu.cz Informační systémy Jaroslav Žáček jaroslav.zacek@osu.cz Úvod - co možná umíte z předmětu SWENG Rozdělení IT Architektura IS Klíčový prvek řízení IS z něj vycházejí detailní analytické i plánovací charakteristiky

Více

Obsah Úvod 11 Jak být úspěšný Základy IT

Obsah Úvod 11 Jak být úspěšný Základy IT Obsah Úvod 11 Jak být úspěšný 13 Krok 0: Než začneme 13 Krok 1: Vybrat si dobře placenou oblast 14 Krok 2: Vytvořit si plán osobního rozvoje 15 Krok 3: Naplnit osobní rozvoj 16 Krok 4: Osvojit si důležité

Více

Aplikace IS, outsourcing, systémová integrace. Jaroslav Žáček jaroslav.zacek@osu.cz http://www1.osu.cz/~zacek/

Aplikace IS, outsourcing, systémová integrace. Jaroslav Žáček jaroslav.zacek@osu.cz http://www1.osu.cz/~zacek/ Aplikace IS, outsourcing, systémová integrace Jaroslav Žáček jaroslav.zacek@osu.cz http://www1.osu.cz/~zacek/ Kontext Dodavatelé Strategická Zákazníci ERP Taktická Operativní Kategorie ERP - zaměřeno na

Více

Moderní metody automatizace a hodnocení marketingových kampaní

Moderní metody automatizace a hodnocení marketingových kampaní Moderní metody automatizace a hodnocení marketingových kampaní SAS CI Roadshow 2014 24/09/2014 Vít Stinka Agenda Představení společnosti Unicorn Systems Aliance Unicorn Systems a SAS Celkový koncept Customer

Více

Výhody a rizika outsourcingu formou cloud computingu

Výhody a rizika outsourcingu formou cloud computingu Výhody a rizika outsourcingu formou cloud computingu Jiří Voříšek katedra informačních technologií Vysoká škola ekonomická v Praze vorisek@vse.cz 1 Výchozí model MMDIS pro identifikaci možností outsourcingu

Více

Efektivní informační služby NTK pro veřejnost a státní správu. 25. dubna 2012

Efektivní informační služby NTK pro veřejnost a státní správu. 25. dubna 2012 Efektivní informační služby NTK pro veřejnost a státní správu 25. dubna 2012 1 Agenda prezentace 1. Cíle projektu; 2. Realizované činnosti v projektu; 3. Příklady výstupů z projektu; 4. Harmonogram projektu;

Více

Audit ICT. KATALOG služeb. Ing. Jiří Štěrba

Audit ICT. KATALOG služeb. Ing. Jiří Štěrba KATALOG služeb Ing. Jiří Štěrba Obsah Úvod 3 Služby 4 Zaměření 5 Nabídka 7 Poptávka 8 Ke stažení 9 Reference 10 Informace 11 Kontakty 12 2 Úvod Dovolte, abychom Vám poskytli informace, které jsou věnovány

Více

Vytváření důvěry manažerů byznysu a IT

Vytváření důvěry manažerů byznysu a IT MBI, Management byznys informatiky Vytváření důvěry manažerů byznysu a IT reflexe v modelu MBI Jan Dohnal Katedra softwarového inženýrství, FIT, ČVUT MBI, Management byznys informatiky Snímek 1 Vytváření

Více

CPM/BI a jeho návaznost na podnikové informační systémy. Martin Závodný

CPM/BI a jeho návaznost na podnikové informační systémy. Martin Závodný CPM/BI a jeho návaznost na podnikové informační systémy Martin Závodný Agenda Význam CPM/BI Aplikace CPM/BI Projekty CPM/BI Kritické body CPM/BI projektů Trendy v oblasti CPM/BI Diskuse Manažerské rozhodování

Více

Využití technologie k dosažení nových obchodních příležitostí

Využití technologie k dosažení nových obchodních příležitostí Využití technologie k dosažení nových obchodních příležitostí Tomáš Kadlec Agenda 1. Zákaznicky orientované IT Komplikace s tradičním IT Centric Pricing and Billing Příklady použití nástroje a benefity

Více

Standardy/praktiky pro řízení služeb informační bezpečnosti. Doc. Ing. Vlasta Svatá, CSc. Vysoká škola ekonomická Praha

Standardy/praktiky pro řízení služeb informační bezpečnosti. Doc. Ing. Vlasta Svatá, CSc. Vysoká škola ekonomická Praha Standardy/praktiky pro řízení služeb informační bezpečnosti Doc. Ing. Vlasta Svatá, CSc. Vysoká škola ekonomická Praha Služby informační bezpečnosti Nemožnost oddělit informační bezpečnost od IT služeb

Více

Management IS. Doc.Ing.Miloš Koch,CSc. koch@fbm.vutbr.cz 22/ 1

Management IS. Doc.Ing.Miloš Koch,CSc. koch@fbm.vutbr.cz 22/ 1 Management IS Doc.Ing.Miloš Koch,CSc. koch@fbm.vutbr.cz 22/ 1 Učitelé Přednášející: Cvičící: Doc.Ing.Miloš Koch,CSc. Ing.Aleš Klusák Kontakt: koch@fbm.vutbr.cz 22/ 2 Literatura Skripta: Koch,M. Dovrtěl,J.:

Více

Outsourcing & Cloud. v českých firmách

Outsourcing & Cloud. v českých firmách Outsourcing & Cloud v českých firmách Už jste asi slyšeli: Firmy dnes dávají jen nanejvýš 30 % IT rozpočtu na podporu růstu společnosti a generovaní nového businessu. Bez potřebných investic do nových

Více

IBM Enterprise Marketing Management Představení

IBM Enterprise Marketing Management Představení IBM Enterprise Marketing Management Představení Jiří Slabý, Business Solution Architect Lenka Vraná, Consultant IBM skupina Enterprise Marketing Managementu (EMM) EMM mise Podpořit marketingová oddělení

Více

Podnik jako živý organismus - konkurenční výhoda. Ing. Olga Girstlová Víceprezidentka a generální ředitelka skupiny GiTy

Podnik jako živý organismus - konkurenční výhoda. Ing. Olga Girstlová Víceprezidentka a generální ředitelka skupiny GiTy Podnik jako živý organismus - konkurenční výhoda Ing. Olga Girstlová Víceprezidentka a generální ředitelka skupiny GiTy PODNIKATEL Vytváří podnikatelský model v daném oboru podnikání Definuje svého zákazníka

Více

Seminář VŠE, ČSSI a ICT UNIE 26.10.2011

Seminář VŠE, ČSSI a ICT UNIE 26.10.2011 Výsledky průzkumu nabídky a poptávky po IT profesích v ČR Seminář VŠE, ČSSI a ICT UNIE 26.10.2011 Výzkum Lidské zdroje v ICT vznikl za finanční podpory MŠMT ČR v rámci projektu Sociální síť v regionech

Více

Brno. 30. května 2014

Brno. 30. května 2014 Brno 30. května 2014 IBM regionální zástupci - Morava Lubomír Korbel Dagmar Krejčíková phone: +420 737 264 440 phone: +420 737 264 334 e-mail: lubomir_korbel@cz.ibm.com e-mail: dagmar_krejcikova@cz.ibm.com

Více

Obsah ČÁST I JAK SE UCHÁZET O ZÁKAZNÍKY NA WEBU KAPITOLA 1

Obsah ČÁST I JAK SE UCHÁZET O ZÁKAZNÍKY NA WEBU KAPITOLA 1 Obsah O autorech 11 Poděkování 13 Předmluva 15 Úvod 17 Proč byste se měli přečíst tuto knihu 17 Co tato kniha obsahuje 18 Jak používat tuto knihu 19 Zpětná vazba od čtenářů 20 Errata 20 ČÁST I JAK SE UCHÁZET

Více

Trendy: Růst významu analytického reportingu. Tomáš Pospíšil, Oracle Czech Olomouc, 6.3.2014

Trendy: Růst významu analytického reportingu. Tomáš Pospíšil, Oracle Czech Olomouc, 6.3.2014 Trendy: Růst významu analytického reportingu Tomáš Pospíšil, Oracle Czech Olomouc, 6.3.2014 Témata Údaje, informace, poznání Analytický reporting opravdu to někdo potřebuje? Aktivní

Více

Trendy v (mobilní) Business Inteligence v ČR dotazníkové šetření

Trendy v (mobilní) Business Inteligence v ČR dotazníkové šetření Trendy v (mobilní) Business Inteligence v ČR dotazníkové šetření Vytvořil: Distribuce dokumentu: Česká asociace pro finanční řízení Controller Institut elektronicky na finanční a controllingové specialisty

Více

jaromir.slesinger@ca.com

jaromir.slesinger@ca.com Jarom jaromir.slesinger@ca.com Source: IDC Server Virtualization MCS 2007, 2008, 2009; IDC Datacenter and Cloud Survey 2010 Rostou nároky na rychlost technologických inovací s cílem: 2 Virtualizace hnací

Více

Fenomén Cloudu v kontextu střední a východní Evropy. Petr Zajonc, IDC pzajonc@idc.com

Fenomén Cloudu v kontextu střední a východní Evropy. Petr Zajonc, IDC pzajonc@idc.com Fenomén Cloudu v kontextu střední a východní Evropy Petr Zajonc, IDC pzajonc@idc.com Představení IDC CEMA Výzkum IT trhu Komunikace s prodejci, poskytovateli a konzumenty Přes 1000+ analytiků (120+ v CEMA)

Více

Cloud. Nebo zatím jen mlha? Workshop Day 2011 WG06 Jaromír Šlesinger, CA Technologies Bratislava, 13. október 2011

Cloud. Nebo zatím jen mlha? Workshop Day 2011 WG06 Jaromír Šlesinger, CA Technologies Bratislava, 13. október 2011 Cloud. Nebo zatím jen mlha? Workshop Day 2011 WG06 Jaromír Šlesinger, CA Technologies Bratislava, 13. október 2011 Představení CA Technologies #1 na trhu IT Management Software 4.5 miliard USD ročního

Více

Big Data od velkých očekávání k praktickému využití. DSW, Praha, 23.9.2014

Big Data od velkých očekávání k praktickému využití. DSW, Praha, 23.9.2014 Big Data od velkých očekávání k praktickému využití DSW, Praha, 23.9.2014 Gartner: Hype Cycle for Emerging Technologies Zdroj: Gartner 3D scanners? NFC předběhlo cloud compu3ng? Internet of things zrychlil

Více

People Manager Komplexní řízení zdrojů a projektů jednoduše

People Manager Komplexní řízení zdrojů a projektů jednoduše People Manager Komplexní řízení zdrojů a projektů jednoduše Hlavní funkce Řízení portfolia projektů Podpora pro Demand Management a prioritizaci Podpora pro rozhodování při plánování releasů aplikací Přehled

Více

KIV/SI. Přednáška č.2. Jan Valdman, Ph.D. jvaldman@dns.cz

KIV/SI. Přednáška č.2. Jan Valdman, Ph.D. jvaldman@dns.cz KIV/SI Přednáška č.2 Jan Valdman, Ph.D. jvaldman@dns.cz 8.3.2011 ITIL Information Technology Infrastructure Library ITIL v současnosti zahrnuje: Samotnou knihovnu Oblast vzdělávání a certifikace odborné

Více

Customer Intelligence, aneb Jak může neoblíbená analýza dat usnadnit práci marketingu

Customer Intelligence, aneb Jak může neoblíbená analýza dat usnadnit práci marketingu Customer Intelligence, aneb Jak může neoblíbená analýza dat usnadnit práci marketingu Filip Trojan Applied Analytics Manager, Deloitte Advisory Listopad 2012 Obsah 1. Představení 2. Marketing versus analýza

Více

Přístupy k efektivnímu využití modelu MBI

Přístupy k efektivnímu využití modelu MBI MBI, Management byznys informatiky Přístupy k efektivnímu využití modelu MBI Jan Dohnal Katedra softwarového inženýrství, F, ČVUT Jan Pour Katedra, FIS, VŠE MBI, Management byznys Snímek informatiky 1

Více

Obsah: Základní pojmy, definice Informační systémy IT architektura Typické aplikační komponenty Implementace aplikací

Obsah: Základní pojmy, definice Informační systémy IT architektura Typické aplikační komponenty Implementace aplikací Monitorovací indikátor: 06.43.10 Počet nově vytvořených/inovovaných produktů Akce: Přednáška, KA 5 Číslo přednášky: 30 Téma: INFORMAČNÍ SYSTÉMY A ARCHITEKTURA IT V PODNIKU Lektor: Ing. Michal Beránek Třída/y:

Více

Byznys versus IT perspektiva

Byznys versus IT perspektiva Byznys versus IT perspektiva 7.10.2010 Holiday Inn, Brno Ing. Zdeněk Kvapil Senior ITIL Consultant Od roku 1994 práce v mezinárodním IT ITSM od roku 2005 Téma prezentace 1. Perspektiva Byznysu - User Perspective

Více

PROCESY CO ZÍSKÁTE: Předpoklad pro certifikace ISO. Lean Six Sigma Fast Track

PROCESY CO ZÍSKÁTE: Předpoklad pro certifikace ISO. Lean Six Sigma Fast Track PROCESY CO ZÍSKÁTE: Jasná pravidla pro provádění činností, uložení know-how Jasně definované zodpovědnosti za celý proces i jednotlivé kroky Zprůhlednění organizace plynoucí z jasně definovaných vstupů,

Více

Nástroje IT manažera

Nástroje IT manažera Obsah Nástroje IT manažera Školení uživatelů Ochrana osobních údajů Bezpečnostní politika Software a právo Legální software Management jakosti Výběr a řízení dodavatelů Pracovněprávní minimum manažerů

Více

Komplexní ICT outsourcing

Komplexní ICT outsourcing Komplexní ICT outsourcing Jan Košátko 28.2.2012 Danube House Algotech Telefon: +420 225 006 555 Fax: +420 225 006 194 E-mail: info@algotech.cz Web: www.algotech.cz Adresa: Zirkon Office Center, Sokolovská

Více

Business Intelligence

Business Intelligence Business Intelligence Josef Mlnařík ISSS Hradec Králové 7.4.2008 Obsah Co je Oracle Business Intelligence? Definice, Od dat k informacím, Nástroj pro operativní řízení, Integrace informací, Jednotná platforma

Více

Infrastruktura jako služba

Infrastruktura jako služba Infrastruktura jako služba Pavel Řezníček #19198 Jiří Šolc ICZ a. s. 20.9.2011 1 Agenda Outsourcing infrastruktury IaaS projekty Společná diskuze 2 Pavel Řezníček OUTSOURCING INFRASTRUKTURY 3 ICZ Plný

Více

Proč nový styl řízení ICT

Proč nový styl řízení ICT Řízení informatických služeb Jan Smolík Proč nový styl řízení ICT ICT nepřináší efekt samo o sobě musí podpořit podnikové procesy ICT stále komplexnější a komplikovanější Vysoké investice často malá návratnost

Více

Technická specifikace předmětu plnění:

Technická specifikace předmětu plnění: Technická specifikace předmětu plnění: Poskytnutí standardní služby Premier Support zahrnující konzultační a implementační podporu, řešení problémů u produktů v nepřetržitém režimu 24x7 v rámci aktuálního

Více

DATABÁZOVÉ SYSTÉMY. Metodický list č. 1

DATABÁZOVÉ SYSTÉMY. Metodický list č. 1 Metodický list č. 1 Cíl: Cílem předmětu je získat přehled o možnostech a principech databázového zpracování, získat v tomto směru znalosti potřebné pro informačního manažera. Databázové systémy, databázové

Více

Cloud Computing. Petr Leština IBM Česká Republika. Cloud computing z finančního pohledu. 2011 IBM Corporation

Cloud Computing. Petr Leština IBM Česká Republika. Cloud computing z finančního pohledu. 2011 IBM Corporation Cloud Computing Cloud computing z finančního pohledu Petr Leština IBM Česká Republika 2011 IBM Corporation Agenda Úvod do cloud computingu - IBM pohled - Výhody Cloud Computingu a zejména finanční Modelový

Více

HODNOCENÍ VÝKONNOSTI PODNIKU VE SPOJITOSTI SE STRATEGICKÝMI CÍLY

HODNOCENÍ VÝKONNOSTI PODNIKU VE SPOJITOSTI SE STRATEGICKÝMI CÍLY 29 HODNOCENÍ VÝKONNOSTI PODNIKU VE SPOJITOSTI SE STRATEGICKÝMI CÍLY POKORNÝ Karel Abstrakt: Metoda Balanced Scorecard (BSC) její podstata, obsah a principy. Vztah BSC ke strategickému a operativnímu řízení

Více

Operační program Lidské zdroje a zaměstnanost

Operační program Lidské zdroje a zaměstnanost Operační program Lidské zdroje a zaměstnanost EDUCA III Další profesní vzdělávání zaměstnanců společnosti T-MAPY spol. s r.o. 2013-2015 září 2013 - únor 2015 Charakteristika projektu Projekt je zaměřen

Více

3. Očekávání a efektivnost aplikací

3. Očekávání a efektivnost aplikací VYUŽÍVANÍ INFORMAČNÍCH SYSTÉMŮ V ŘÍZENÍ FIREM Ota Formánek 1 1. Úvod Informační systémy (IS) jsou v současnosti naprosto nezbytné pro úspěšné řízení firem. Informačním ním systémem rozumíme ucelené softwarové

Více

MORAVSKÁ VYSOKÁ ŠKOLA OLOMOUC

MORAVSKÁ VYSOKÁ ŠKOLA OLOMOUC MORAVSKÁ VYSOKÁ ŠKOLA OLOMOUC partner pro byznys inovace MORAVSKÁ VYSOKÁ ŠKOLA OLOMOUC Hlavní zaměření: Odborná specializace: EKONOMIKA a MANAGEMENT Inovační management Informační a komunikační technologie

Více

České Budějovice. 2. dubna 2014

České Budějovice. 2. dubna 2014 České Budějovice 2. dubna 2014 1 IBM regionální zástupci - Jihočeský kraj Michal Duba phone: +420 737 264 058 e-mail: michal_duba@cz.ibm.com Zdeněk Barlok phone: +420 731 435 534 e-mail: zdenek_barlok@cz.ibm.com

Více

CA Business Service Insight

CA Business Service Insight SPECIFIKACE PRODUKTU: CA Business Service Insight CA Business Service Insight agility made possible Díky produktu CA Business Service Insight budete vědět, které služby jsou v rámci vaší společnosti využívány,

Více

Mobilní aplikace ve světě ERP. Asseco Solutions, a.s. a Simac Technik ČR, a.s.

Mobilní aplikace ve světě ERP. Asseco Solutions, a.s. a Simac Technik ČR, a.s. Mobilní aplikace ve světě ERP Michal Hanko Petr Kolda Asseco Solutions, a.s. a Simac Technik ČR, a.s. Skupina Asseco Solutions Asseco Solutions je průkopníkem a vizionářem na poli informačních systémů

Více

Oponentní vyjádření k analýze outsourcingu IT na ÚMČ Praha 10. Městská část Praha 10

Oponentní vyjádření k analýze outsourcingu IT na ÚMČ Praha 10. Městská část Praha 10 Oponentní vyjádření k analýze outsourcingu IT na ÚMČ Praha 10 Městská část Praha 10 Finální verze 2.3.2015 1 Předmět zakázky a přístup k realizaci 1.1 Předmět zakázky Předmětem tohoto oponentního vyjádření

Více

Problémové domény a jejich charakteristiky

Problémové domény a jejich charakteristiky Milan Mišovič (ČVUT FIT) Pokročilé informační systémy MI-PIS, 2011, Přednáška 02 1/16 Problémové domény a jejich charakteristiky Prof. RNDr. Milan Mišovič, CSc. Katedra softwarového inženýrství Fakulta

Více

v praxi Rizika a přínosy zavádění BI jako nástroje pro řízení podnikání

v praxi Rizika a přínosy zavádění BI jako nástroje pro řízení podnikání Podpora rozhodování v praxi Rizika a přínosy zavádění BI jako nástroje pro řízení podnikání HanušRais Business DevelopmentManager SAS Institute ČR s.r.o. Agenda Úvod - Profil SAS Institute Pojem Business

Více

Manažerská ekonomika

Manažerská ekonomika PODNIKOVÝ MANAGEMENT (zkouška č. 12) Cíl předmětu Získat znalosti zákonitostí úspěšného řízení organizace a přehled o současné teorii a praxi managementu. Seznámit se s moderními manažerskými metodami

Více

Podrobná analýza k aktivitě č. 3 - implementace procesního řízení do praxe úřadu

Podrobná analýza k aktivitě č. 3 - implementace procesního řízení do praxe úřadu Příjemce dotace: Město Moravská Třebová Název projektu: Zvýšení kvality řízení a poskytovaných služeb MÚ Moravská Třebová Registrační číslo projektu: CZ.1.04/4.1.01/89.00116 Podrobná analýza k aktivitě

Více

Systémy pro podporu. rozhodování. 2. Úvod do problematiky systémů pro podporu. rozhodování

Systémy pro podporu. rozhodování. 2. Úvod do problematiky systémů pro podporu. rozhodování 1 Systémy pro podporu rozhodování 2. Úvod do problematiky systémů pro podporu rozhodování 2 Připomenutí obsahu minulé přednášky Rozhodování a jeho počítačová podpora Manažeři a rozhodování K čemu počítačová

Více

Procesní řízení. Hlavní zásady a praxe dodavatele Komix

Procesní řízení. Hlavní zásady a praxe dodavatele Komix Procesní řízení Hlavní zásady a praxe dodavatele Komix 1 Obsah prezentace Teoretická část (menšího objemu) orientace na zákazníka hodnocení procesu podmínky procesního řízení cyklus zlepšování procesu

Více

Helios Easy. integrované řešení pro řízení

Helios Easy. integrované řešení pro řízení integrované řešení pro řízení Skupina ASSECO je jedním z nejvýznamnějších softwarových domů ve střední Evropě. Chcete držet své náklady více pod kontrolou? Potřebujete, aby vaše investice měly rychlou

Více

JAK SE DAŘÍ KOMERČNÍMU LINUXU? Ondřej Suchý Enlogit s.r.o.

JAK SE DAŘÍ KOMERČNÍMU LINUXU? Ondřej Suchý Enlogit s.r.o. JAK SE DAŘÍ KOMERČNÍMU LINUXU? Ondřej Suchý Enlogit s.r.o. Část 1 O Enlogit Enlogit: o nás IT pro firmy primární zaměření: služby významný implementátor Linux & open source v ČR řešení serverové infrastruktury,

Více

Jak si udržet zákazníky a nabídnout jim co nejvíce?

Jak si udržet zákazníky a nabídnout jim co nejvíce? Jak si udržet zákazníky a nabídnout jim co nejvíce? 16. dubna 2010 Presentation title to go here Name of presenter Tradiční produktově orientovaný prodej 1. Produkt 2. Komu ho prodat? 3. Jak? 4. Koupě

Více

Procesní řízení IT. Ing. Hana Neničková, MBA

Procesní řízení IT. Ing. Hana Neničková, MBA Procesní řízení IT Ing. Hana Neničková, MBA Hewlett-Packard 11.místo v žebříčku časopisu Fortune Za fiskální rok 2007 jsme dosáhli organického růstu ve výší 7 miliard dolarů CEO HP je Mark Hurd, sídlo

Více

Úvod do Softwarového inženýrství, trendy IS/ IT. Jaroslav Žáček jaroslav.zacek@osu.cz http://www1.osu.cz/~zacek/

Úvod do Softwarového inženýrství, trendy IS/ IT. Jaroslav Žáček jaroslav.zacek@osu.cz http://www1.osu.cz/~zacek/ Úvod do Softwarového inženýrství, trendy IS/ IT Jaroslav Žáček jaroslav.zacek@osu.cz http://www1.osu.cz/~zacek/ Vliv IT na změny ve společnosti Vznik nových produktů (platební karty, digitální kamery,

Více

VÝBĚR CLOUDU, ANEB JAK ZVOLIT TEN NEJLEPŠÍ

VÝBĚR CLOUDU, ANEB JAK ZVOLIT TEN NEJLEPŠÍ VÝBĚR CLOUDU, ANEB JAK ZVOLIT TEN NEJLEPŠÍ Infinity, a.s. U Panasonicu 375 Pardubice 530 06 Tel.: (+420) 467 005 333 www.infinity.cz PROČ SE ZABÝVAT VÝBĚREM CLOUDU 2 IT služba Jakákoliv služba poskytovaná

Více

P R Ů M Y S L O V Ý M A R K E T I N G

P R Ů M Y S L O V Ý M A R K E T I N G P R Ů M Y S L O V Ý M A R K E T I N G 5 ZS, akad.rok 2014/2015 Průmyslový marketing - VŽ 1 M A R K E T I N G O V Ý I N F O R M A Č N Í S Y S T É M ZS, akad.rok 2014/2015 Průmyslový marketing - VŽ 2 Mnoho

Více

Alternativy k SAP HANA appliance? Představení možnosti TDI a cloudové infrastruktury

Alternativy k SAP HANA appliance? Představení možnosti TDI a cloudové infrastruktury Alternativy k SAP HANA appliance? Představení možnosti TDI a cloudové infrastruktury Jiří Vrbický Senior Architekt 10. září 2015 Infrastruktura pro SAP HANA Možnosti zajištění infrastruktury pro SAP HANA:

Více

Řízení vztahů se zákazníky

Řízení vztahů se zákazníky Řízení vztahů se zákazníky Řízení vztahů se zákazníky Vychází z představy, že podnik je řízen zákazníkem Používanými nástroji jsou: Call Centra Customer Relationship Management (CRM) Základní vazby v řízení

Více

HUMAN CAPITAL IN ICT. Petr Doucek, Lea Nedomová Informační technologie pro praxi 1. září 2009, Ostrava

HUMAN CAPITAL IN ICT. Petr Doucek, Lea Nedomová Informační technologie pro praxi 1. září 2009, Ostrava HUMAN CAPITAL IN ICT Petr Doucek, Lea Nedomová Informační technologie pro praxi 1. září 2009, Ostrava Obsah LIDSKÉ ZDROJE V ICT BUDOUCNOST ICT V ČESKÉ REPUBLICE Cíle projektu 3 Budu hovořit o business

Více

Konsolidace v datacentru. Miroslav Kotrle, Ph.D. CONVENIO CONSULTING

Konsolidace v datacentru. Miroslav Kotrle, Ph.D. CONVENIO CONSULTING Konsolidace v datacentru Miroslav Kotrle, Ph.D. CONVENIO CONSULTING 1 Konsolidace v datacentru Konsolidace v datacentru znamená seskupení služeb či zařízení informačních technologií do nové struktury a

Více

Česká telekomunikační infrastruktura

Česká telekomunikační infrastruktura Česká telekomunikační infrastruktura Prezentace společnosti Mikulov 8-9.9.2015 Petr Slováček Dobrovolná funkční separace Česká telekomunikační infrastruktura, a.s. (CETIN) vznikla oddělením ze společnosti

Více

Projektové řízení jako základ řízení organizace

Projektové řízení jako základ řízení organizace Projektové řízení jako základ řízení organizace Aleš Chudý, ředitel divize IW ales.chudy@microsoft.com Technický seminář Bratislava 6.10.2008 Obsah Potřeby byznysu a IT Řešení EPM Microsoft EPM Optimalizační

Více

ČD Telematika a.s. Efektivní správa infrastruktury. 11. května 2010. Konference FÓRUM e-time, Kongresové centrum Praha. Ing.

ČD Telematika a.s. Efektivní správa infrastruktury. 11. května 2010. Konference FÓRUM e-time, Kongresové centrum Praha. Ing. ČD Telematika a.s. Efektivní správa infrastruktury 11. května 2010 Konference FÓRUM e-time, Kongresové centrum Praha Ing. František Nedvěd Agenda O společnosti ČD Telematika a.s. Efektivní správa konfigurací

Více

POSKYTOVÁNÍ ZÁKLADNÍCH PROVOZNÍCH APLIKACÍ VEŘEJNÉ SPRÁVY

POSKYTOVÁNÍ ZÁKLADNÍCH PROVOZNÍCH APLIKACÍ VEŘEJNÉ SPRÁVY POSKYTOVÁNÍ ZÁKLADNÍCH PROVOZNÍCH APLIKACÍ VEŘEJNÉ SPRÁVY Ing. Juraj Žoldák ve spolupráci s Datum Duben 2014 Místo Hradec Králové, ISSS http://itsolutions.vitkovice.cz Charakteristika trhu Možnost využití

Více

Databáze Bc. Veronika Tomsová

Databáze Bc. Veronika Tomsová Databáze Bc. Veronika Tomsová Databázové schéma Mapování konceptuálního modelu do (relačního) databázového schématu. 2/21 Fyzické ik schéma databáze Určuje č jakým způsobem ů jsou data v databázi ukládána

Více

X36SIN: Softwarové inženýrství. Životní cyklus a plánování

X36SIN: Softwarové inženýrství. Životní cyklus a plánování X36SIN: Softwarové inženýrství Životní cyklus a plánování 1 Kontext Minule jsme si řekli, co to je deklarace záměru, odborný článek, katalog požadavků, seznam aktérů a seznam událostí. Seznam aktérů a

Více

Manažerské účetnictví

Manažerské účetnictví Manažerské účetnictví Program 1. Úvod 2. Význam manažerského účetnictví pro řízení 3. Několik definic 4. Řízení nákladů 5. Podpora typických rozhodování manažerským účetnictvím 6. Jednotlivé složky manažerského

Více

ARBES LEASING. www.arbes.com

ARBES LEASING. www.arbes.com ARBES LEASING Moderní modulární systém pro leasingové a úvěrové společnosti s vysokou mírou automatizace rutinních činností a maximální uživatelskou přívětivostí. www.arbes.com ARBES LEASING SOFTWAROVÉ

Více

POŘÍZENÍ A IMPLEMENTACE INFORMAČNÍCH SYSTÉMŮ

POŘÍZENÍ A IMPLEMENTACE INFORMAČNÍCH SYSTÉMŮ POŘÍZENÍ A IMPLEMENTACE INFORMAČNÍCH SYSTÉMŮ ŽIVOTNÍ CYKLUS IS Stejně jako stroje a technologické linky, které jsou pořízeny, provozovány a následně, po opotřebování vyřazeny, má i informační systém svůj

Více

Zároveň společně probereme vlastnosti, které jsou orientované na zákazníka firmy, a zjistíme, zda je máte v pořádku právě vy.

Zároveň společně probereme vlastnosti, které jsou orientované na zákazníka firmy, a zjistíme, zda je máte v pořádku právě vy. V tomto materiálu se Vám pokusíme povědět o základních elementech a praktických aspektech procesu řízení vztahů se zákazníky (CRM, customer relationship management) a zákaznické zkušenosti (CEM, customer

Více

Tomáš HEBELKA, MSc. Skepse vůči cloudu. 21. června 2011 VI. Konference ČIMIB, Hotel Continental, Brno

Tomáš HEBELKA, MSc. Skepse vůči cloudu. 21. června 2011 VI. Konference ČIMIB, Hotel Continental, Brno Tomáš HEBELKA, MSc Skepse vůči cloudu 21. června 2011 VI. Konference ČIMIB, Hotel Continental, Brno Co je to cloud? Cloud computing je na Internetu založený model vývoje a používání počítačových technologií.

Více

Manažerská ekonomika

Manažerská ekonomika MANAŽERSKÁ EKONOMIKA (zkouška č. 4) Cíl předmětu Pochopit principy ekonomického stylu myšlení a seznámit se s příklady jeho aplikace v ekonomických analýzách profesního účetního. Porozumět fungování ekonomiky

Více

Vývoj moderních technologií při vyhledávání. Patrik Plachý SEFIRA spol. s.r.o. plachy@sefira.cz

Vývoj moderních technologií při vyhledávání. Patrik Plachý SEFIRA spol. s.r.o. plachy@sefira.cz Vývoj moderních technologií při vyhledávání Patrik Plachý SEFIRA spol. s.r.o. plachy@sefira.cz INFORUM 2007: 13. konference o profesionálních informačních zdrojích Praha, 22. - 24.5. 2007 Abstrakt Vzhledem

Více

VOIPEX Pavel Píštěk, strategie a nové Sdílet projek ts y práv, I né PEX inf a.s orm. ace se správnými lidmi ve správný čas WWW.IPEX.

VOIPEX Pavel Píštěk, strategie a nové Sdílet projek ts y práv, I né PEX inf a.s orm. ace se správnými lidmi ve správný čas WWW.IPEX. VOIPEX Pavel Píštěk, strategie a nové projekty, Sdílet správné IPEX a.s. informace se správnými lidmi ve správný čas Byznys začíná komunikací Agenda 1. Cesta do Cloud služeb. 2. Přínos pro nás a naše zákazníky.

Více

Odbor informatiky a provozu informačních technologií

Odbor informatiky a provozu informačních technologií POLICEJNÍ PREZIDIUM ČR Odbor informatiky a provozu informačních technologií Příloha č. 1 a) název zakázky, Technická podpora software pro systém NS-VIS a VISMAIL b) předmět a rozsah plnění veřejné zakázky

Více

Osnova studie proveditelnosti pro projekt zakládání a rozvoje klastrů

Osnova studie proveditelnosti pro projekt zakládání a rozvoje klastrů Osnova studie proveditelnosti pro projekt zakládání a rozvoje klastrů V rámci tohoto dokumentu se předpokládá využití informací a dat, zjištěných v rámci projektu Vyhledávání vhodných firem pro klastry

Více

Poradenské služby pro veřejný sektor

Poradenské služby pro veřejný sektor Poradenské služby pro veřejný sektor Committed to your success Poradenské služby pro veřejný sektor Informační a komunikační technologie Oceňování oceňování, odhady hodnoty / majetkového práva softwaru

Více

Jak na jakost v podnikovém IT Evropský týden kvality Praha 10.11.2004

Jak na jakost v podnikovém IT Evropský týden kvality Praha 10.11.2004 Jak na jakost v podnikovém IT Evropský týden kvality Praha 10.11.2004 Jiří Sedláček AIT s.r.o, Sinkulova 83, 140 00 Praha 4 tel. 261 225 072 www.ait.cz AIT, 2004 1 Program Současné postavení IT v podniku

Více

SAP PROCUREMENT DAY 2013

SAP PROCUREMENT DAY 2013 SAP PROCUREMENT DAY 2013 Portfolio řešení SAP pro oblast nákupu Vladimír Heřt, SAP ČR Agenda Stručný úvod Portfolio řešení SAP Řešení SAP pro oblast nákupu On Premise & On Demand Nadstavbová řešení SAP

Více

Projekt: Koordinační centrum pro zavádění e-gov v územní veřejné správě. Koncepční dokument pro oblast řízení. Procesní model

Projekt: Koordinační centrum pro zavádění e-gov v územní veřejné správě. Koncepční dokument pro oblast řízení. Procesní model Koncepční dokument pro oblast řízení a koordinaci e-gov: Procesní model 18. 09. 2013 OBSAH Obsah... 2 Seznam zkratek... 3 Použité pojmy... 4 1 Úvodní informace... 6 2 Procesní model: životní cyklus e-gov...

Více

JAK SE DAŘÍ KOMERČNÍMU OPEN SOURCE? Ondřej Suchý Enlogit s.r.o.

JAK SE DAŘÍ KOMERČNÍMU OPEN SOURCE? Ondřej Suchý Enlogit s.r.o. JAK SE DAŘÍ KOMERČNÍMU OPEN SOURCE? Ondřej Suchý Enlogit s.r.o. Část 1 O Enlogit Enlogit: o nás IT pro firmy primární zaměření: služby významný implementátor Linux & open source v ČR řešení serverové infrastruktury,

Více

Informační systémy ve strojírenství

Informační systémy ve strojírenství 1 Vysoká škola báňská Technická univerzita Ostrava Fakulta strojní, Katedra automatizační techniky a řízení Informační systémy ve strojírenství Radim Farana 1 Obsah Požadavky kreditového systému. Projekt.

Více

Cobit 5: Struktura dokumentů

Cobit 5: Struktura dokumentů Cobit 5: Struktura dokumentů Cobit 5 Framework; popisuje základní rámec (principy, předpoklady, vazby na jiné rámce), Cobit 5 Enabler Guides; jde o dokumenty, které jsou obecným návodem na vytváření předpokladů

Více

Siebel CRM pro podporu řízení outsourcingu IT Služeb

Siebel CRM pro podporu řízení outsourcingu IT Služeb Siebel CRM pro podporu řízení outsourcingu IT Služeb konference eostrava říjen 2009 Michal Dufek Oksystem s.r.o. Martin Rubina Ovanet a.s. 1 Agenda Východiska a potřeby Produkt Siebel CRM Implementace

Více

Řízení podniku a elektronické obchodování

Řízení podniku a elektronické obchodování Řízení podniku a elektronické obchodování Elektronické podnikání Všechny podnikové procesy ovlivněné internetem Elektronický obchod Řízení dodavatelských sítí Řízení zdrojů podniku Řízení vztahů se zákazníky

Více

Abychom definovali dimenze kompetencí, položili jsme si otázku: S kým/čím vstupujete do vzájemné interakce?

Abychom definovali dimenze kompetencí, položili jsme si otázku: S kým/čím vstupujete do vzájemné interakce? Profily kompetencí Úvodní situace před testováním E-learningový modul obsahuje šest interaktivních situací orientovaných na kompetence, které mají svou roli v maloobchodní společnosti. Všechny maloobchodní

Více

Přednáší: doc. Ing. Jan Skrbek, Dr. - KIN. Konzultace: pondělí 10 00 11 00 nebo dle dohody Spojení: e-mail: jan.skrbek@tul.cz tel.

Přednáší: doc. Ing. Jan Skrbek, Dr. - KIN. Konzultace: pondělí 10 00 11 00 nebo dle dohody Spojení: e-mail: jan.skrbek@tul.cz tel. 1 Informační systémy Přednáší: doc. Ing. Jan Skrbek, Dr. - KIN Konzultace: pondělí 10 00 11 00 nebo dle dohody Spojení: e-mail: jan.skrbek@tul.cz tel.: 485 352 442 Přednášky: úterý 12 30 H35 Cvičení: Mgr.

Více

Potřebujeme kybernetickou bezpečnost? Jak chráníme informační aktiva?

Potřebujeme kybernetickou bezpečnost? Jak chráníme informační aktiva? Potřebujeme kybernetickou bezpečnost? Jak chráníme informační aktiva? Ing. Jiří Sedláček Chief of Security Experts jiri.sedlacek@nsmcluster.com Kybernetická bezpečnost III Kdo jsme Kooperační odvětvové

Více

Virtualizace serverů v ČSOB

Virtualizace serverů v ČSOB 5 Shared Experience Technická řešení Virtualizace serverů v ČSOB ČSOB jsme pomohli vybudovat globální evropské data-centrum, ušetřit náklady a zkrátit dobu dodání serverů pro nové aplikace a to díky virtualizaci

Více

Využití ICT v podnicích (ve znění platném od 1.1. 2007)

Využití ICT v podnicích (ve znění platném od 1.1. 2007) Změna: (datum změny) Využití ICT v podnicích (ve znění platném od 1.1. 2007) Tento program realizuje Prioritu 1 Podnikání a inovace, Operačního programu Podnikání a Inovace 2007 2013. 1. Cíl programu Cílem

Více

Znalostní systém Environmentálního helpdesku

Znalostní systém Environmentálního helpdesku Martin Tax a Martin Bedroš Telefónica, Praha martin.bedros@o2.com Abstrakt: Projekt Environmentálního helpdesku je jedním z prvních projektů komplexních znalostních systémů nové generace ve veřejné správě

Více

Co je doma, to se počítá, aneb Jak ušetřit na komunikaci. Petr SOLNAŘ / Liberecká IS, a.s. Michal NOVÁK / SOITRON CZ, s.r.o. 12.6.

Co je doma, to se počítá, aneb Jak ušetřit na komunikaci. Petr SOLNAŘ / Liberecká IS, a.s. Michal NOVÁK / SOITRON CZ, s.r.o. 12.6. Co je doma, to se počítá, aneb Jak ušetřit na komunikaci. Petr SOLNAŘ / Liberecká IS, a.s. Michal NOVÁK / SOITRON CZ, s.r.o. 12.6.2008 VoIP Liberec Proč by se o telefony mělo starat IT? Případová studie

Více

Tematické okruhy diplomových (magisterských) prací pro akademický rok 2014/15. Katedra podnikání a managementu

Tematické okruhy diplomových (magisterských) prací pro akademický rok 2014/15. Katedra podnikání a managementu Tematické okruhy diplomových (magisterských) prací pro akademický rok 2014/15 Katedra podnikání a managementu doc. Ing. Jiří Cienciala, CSc. doc. Ing. Jiří Cienciala, CSc. doc. Ing. Milan Michalko, Ph.D.

Více