Big data a možné přínosy v úloze strategického řízení podnikové informatiky

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

Otázky kurzu 4IT417 Řízení podnikové informatiky verze z 1/2/2009. 1.Podniková informatika pojmy a komponenty

Otázky kurzu 4IT417 Řízení podnikové informatiky verze z 1/2/2009. 1.Podniková informatika pojmy a komponenty Otázky kurzu 4IT417 Řízení podnikové informatiky verze z 1/2/2009 1.Podniková informatika pojmy a komponenty (1) Objasněte pojmy: IS, ICT, ICT služba, ICT proces, ICT zdroj. Jakou dokumentaci k ICT službám,

Více

CobiT. Control Objectives for Information and related Technology. Teplá u Mariánských Lázní, 6. října 2004

CobiT. Control Objectives for Information and related Technology. Teplá u Mariánských Lázní, 6. října 2004 CobiT Control Objectives for Information and related Technology Teplá u Mariánských Lázní, 6. října 2004 Agenda Základy CobiT Pojem CobiT Domény CobiT Hodnocení a metriky dle CobiT IT Governance Řízení

Více

Outsourcing v podmínkách Statutárního města Ostravy

Outsourcing v podmínkách Statutárního města Ostravy Outsourcing v podmínkách Statutárního města Ostravy Říjen 2009 Ing. Stanislav Richtar Ředitel společnosti 1 OBSAH PREZENTACE 1. Outsourcing - obecně 2. Výchozí stav projektu 3. Model poskytovaných služeb

Více

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

Informace a znalosti v organizaci

Informace a znalosti v organizaci Informace a znalosti v organizaci Vladimíra Zádová Postavení informací a znalostí z hlediska úspěšnosti firmy Vnitřní faktory Rámec 7S faktorů úspěchu firmy [ Mc Kinsey ] Struktura Strategie Systémy Spolupracovníci

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

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

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

Architektury Informačních systémů. Jaroslav Žáček jaroslav.zacek@osu.cz http://www1.osu.cz/~zacek/

Architektury Informačních systémů. Jaroslav Žáček jaroslav.zacek@osu.cz http://www1.osu.cz/~zacek/ Architektury Informačních systémů Jaroslav Žáček jaroslav.zacek@osu.cz http://www1.osu.cz/~zacek/ Nutné pojmy Co je to informační systém? Jaké oblasti zahrnuje? Jaká je vazba IS na podnikovou strategii?

Více

Vývoj informačních systémů. Obecně o IS

Vývoj informačních systémů. Obecně o IS Vývoj informačních systémů Obecně o IS Informační systém Informační systém je propojení informačních technologií a lidských aktivit směřující k zajištění podpory procesů v organizaci. V širším slova smyslu

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

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

Řízení ICT služeb na bázi katalogu služeb

Řízení ICT služeb na bázi katalogu služeb Řízení ICT služeb na bázi katalogu služeb Jiří Voř katedra IT, IT, VŠE vorisek@vse.cz nb.vse.cz/~vorisek 1 Služby fenomén současné etapy rozvoje společnosti 2 Vlastnosti služeb služby se od produktů liší

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

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

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

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

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

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

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

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

Procesy, procesní řízení organizace. Výklad procesů pro vedoucí odborů krajského úřadu Karlovarského kraje

Procesy, procesní řízení organizace. Výklad procesů pro vedoucí odborů krajského úřadu Karlovarského kraje Procesy, procesní řízení organizace Výklad procesů pro vedoucí odborů krajského úřadu Karlovarského kraje Co nového přináší ISO 9001:2008? Vnímání jednotlivých procesů organizace jako prostředku a nástroje

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

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

Předmluva: Vítejte v ITIL! Úvod 15 IT Infrastructure Library O této knize ITIL (IT Infrastructure Library ) 1.3. Služby a správa služeb

Předmluva: Vítejte v ITIL! Úvod 15 IT Infrastructure Library O této knize ITIL (IT Infrastructure Library ) 1.3. Služby a správa služeb Obsah Předmluva: Vítejte v ITIL! 13 Úvod 15 IT Infrastructure Library 15 Podpora podniku 15 Myšlenka ABC 15 O této knize 16 Členění knihy 16 Tým stojící za knihou 17 KAPITOLA 1 ITIL (IT Infrastructure

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

Ekonomika IT PRE od A do Z

Ekonomika IT PRE od A do Z Ekonomika IT PRE od A do Z 9. konference itsmf 22. ledna 2015 Miroslav Hübner vedoucí sekce Informatika (CIO) Jiří Kalousek ved. odd. Analýzy, organizace a rozvoj IS Cíle prezentace navázat na přednášku

Více

Vysoká škola technická a ekonomická v Českých Budějovicích. Institute of Technology And Business In České Budějovice

Vysoká škola technická a ekonomická v Českých Budějovicích. Institute of Technology And Business In České Budějovice PROCES STRATEGICKÉHO ŘÍZENÍ, HIERARCHIE STRATEGIE (KOMPLEXNÍ PODNIKOVÁ STRATEGIE CORPORATE STRATEGY,, OBCHODNÍ STRATEGIE, DÍLČÍ STRATEGIE) Vysoká škola technická a ekonomická v Českých Budějovicích Institute

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

Strategie, architektury a projekty jako nástroj řízení IT ve veřejné správě

Strategie, architektury a projekty jako nástroj řízení IT ve veřejné správě Strategie, architektury a projekty jako nástroj řízení IT ve veřejné správě Tomáš Hrabík ICZ a.s. Konference Řízení informatiky v soukromém a veřejném sektoru 1 Otázky 1. Je egovernment o elektronizaci

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

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

Role BI v e-business řešeních pohled do budoucnosti

Role BI v e-business řešeních pohled do budoucnosti Ing. Ota Novotný, Ph.D. katedra informačních technologií Vysoká škola ekonomická v Praze novotnyo@vse.cz katedra informačních technologií VŠE Praha jsme uznávanou autoritou v oblasti aplikované informatiky

Více

Tovek Server. Tovek Server nabízí následující základní a servisní funkce: Bezpečnost Statistiky Locale

Tovek Server. Tovek Server nabízí následující základní a servisní funkce: Bezpečnost Statistiky Locale je serverová aplikace určená pro efektivní zpracování velkého objemu sdílených nestrukturovaných dat. Umožňuje automaticky indexovat data z různých informačních zdrojů, intuitivně vyhledávat informace,

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

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

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

Řízení IT v PRE. Velmi stručné teze

Řízení IT v PRE. Velmi stručné teze Řízení IT v PRE Velmi stručné teze M. Hübner J. Kalousek listopad 2013 Jak představit řízení IT v PRE? představit prakticky využívané principy postřehy a útržky z našeho systému proto budou teze, úspěšné

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

KATEDRA ŘÍZENÍ PODNIKU. Obchodní, organizační, personální plán, IT

KATEDRA ŘÍZENÍ PODNIKU. Obchodní, organizační, personální plán, IT Business model KATEDRA ŘÍZENÍ PODNIKU Obchodní, organizační, personální plán, IT Mapa cílů Vyšší zisk Vyšší tržby Finanční stabilita image Rozšíření na další trhy Navýšení stávajícíc h tržních podílů Udržení

Více

CorSet KNIHA 5. Informační architektura. David Melichar Tomáš Hrabík Tomáš Kuba Michal Hala Ivana Protivová

CorSet KNIHA 5. Informační architektura. David Melichar Tomáš Hrabík Tomáš Kuba Michal Hala Ivana Protivová CorSet KNIHA 5 Informační architektura David Melichar Tomáš Hrabík Tomáš Kuba Michal Hala Ivana Protivová 31. 07. 2008 Shrnutí Metodický referenční rámec CorSet vznikl proto, aby organizace ve veřejném

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

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

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

Na co se můžete s Oracle BI těšit

<Insert Picture Here> Na co se můžete s Oracle BI těšit Na co se můžete s Oracle BI těšit Tomáš Pospíšil, Oracle Czech Olomouc, 6.3.2014 Oracle BI Ukázka Oracle BI Možnosti platformy Oracle Business

Více

Vysoká škola finanční a správní, o.p.s. KMK ML Základy marketingu

Vysoká škola finanční a správní, o.p.s. KMK ML Základy marketingu Základy marketingu (B_Zmar) ZS 09 Bakalářské studium Garant předmětu: Ing.Miloslav Vaňák Vyučující:.. Ing. M. Vaňák Typ studijního předmětu: povinný roč./sem.:.. 1/1 Rozsah studijního předmětu:.. 6 (KS)

Více

3 Bezpečnostní politika 3/1 Základní pojmy, principy standardy a požadavky

3 Bezpečnostní politika 3/1 Základní pojmy, principy standardy a požadavky Obsah strana 3 1 Školení uživatelů 1/1 Školení zaměstnanců 1/4 Bezpečnost práce 1/4.1 Bezpečnost a ochrana zdraví při práci s počítačem 1/4.2 Manuál pro začínající uživatele 1/5 Vzdělávání formou e -learningu

Více

CISAŽP. Celostátní informační systém pro sběr a hodnocení informací o znečištění životního prostředí

CISAŽP. Celostátní informační systém pro sběr a hodnocení informací o znečištění životního prostředí CISAŽP Celostátní informační systém pro sběr a hodnocení informací o znečištění životního prostředí Cíl budování systému Komplexně přispět k ochraně a zlepšování životního prostředí v České republice prostřednictvím

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

Ing. Jiří Fejfar, Ph.D. Geo-informační systémy

Ing. Jiří Fejfar, Ph.D. Geo-informační systémy Ing. Jiří Fejfar, Ph.D. Geo-informační systémy Definice, budování a život GIS Kapitola 1: Vztahy strana 2 Data, informace, IS, GIS Kapitola 1: Vztahy strana 3 Rozhodnutí Znalosti Znalostní systémy. Informace

Více

Soutěž o nejlepší studentský návrh telekomunikační (ICT) služby. Ales Pajgrt 24.2.2008

Soutěž o nejlepší studentský návrh telekomunikační (ICT) služby. Ales Pajgrt 24.2.2008 Soutěž o nejlepší studentský návrh telekomunikační (ICT) služby Ales Pajgrt 24.2.2008 Slide2 Agenda 1. Pravidla a termíny soutěže 2. Popis šablony návrhu nového produktu 3. Projekt spolupráce TO2-VŠE 4.

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

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

Stav řešení Enterprise Architektury na Moravskoslezském kraji

Stav řešení Enterprise Architektury na Moravskoslezském kraji Stav řešení Enterprise Architektury na Moravskoslezském kraji Zpracoval(a): Ing. Tomáš Vašica Datum: 23. 9. 2015 Obsah prezentace 1. Představení projektového záměru 2. Co očekává Moravskoslezský kraj od

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

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

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

Využití IT nástrojů pro měření a řízení výkonnosti. Michal Kroutil 22.11.2005

Využití IT nástrojů pro měření a řízení výkonnosti. Michal Kroutil 22.11.2005 Využití IT nástrojů pro měření a řízení výkonnosti Michal Kroutil 22.11.2005 1 Obsah 1 2 3 4 5 Představení Ciber Novasoft Klíčové ukazatele výkonnosti Zdroje dat SAP SEM Implementační projekt 2 Představení

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

Řízení rizik. Ing. Petra Plevová. plevova.petra@klikni.cz http://plevovapetra.wbs.cz

Řízení rizik. Ing. Petra Plevová. plevova.petra@klikni.cz http://plevovapetra.wbs.cz Řízení rizik Ing. Petra Plevová plevova.petra@klikni.cz http://plevovapetra.wbs.cz Procesní řízení a řízení rizik V kontextu současných změn je třeba vnímat řízení jakékoli organizace jako jednoduchý,

Více

SOUBOR OTÁZEK PRO INTERNÍ AUDIT (Checklist)

SOUBOR OTÁZEK PRO INTERNÍ AUDIT (Checklist) SOUBOR OTÁZEK PRO INTERNÍ AUDIT (Checklist) Oblast 1. STRATEGICKÉ PLÁNOVÁNÍ Jsou identifikovány procesy v takovém rozsahu, aby byly dostačující pro zajištění systému managementu jakosti v oblasti vzdělávání?

Více

BIG DATA je oveľa viac ako Hadoop. Martin Pavlík

BIG DATA je oveľa viac ako Hadoop. Martin Pavlík BIG DATA je oveľa viac ako Hadoop Martin Pavlík Analýza všech dostupných dat? Big data =? = Buzzword? = Hadoop? Hadoop Jen ke zpracování nestrukturovaných dat? Mentální posun něco za něco 2 Big data =

Více

Aktuální otázky provozu datových skladů PAVEL HNÍK

Aktuální otázky provozu datových skladů PAVEL HNÍK Aktuální otázky provozu datových skladů PAVEL HNÍK K čemu slouží datové sklady IT podporuje business podniků S velikostí podniku se zvyšuje náročnost zpracování dat DWH = unifikovaná datová základna pro

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

Téma dizertační práce - Strategie ŠKODA AUTO pro čínský trh

Téma dizertační práce - Strategie ŠKODA AUTO pro čínský trh Téma dizertační práce - Strategie ŠKODA AUTO pro čínský trh - Spolupráce při stanovování dlouhodobé strategie ŠKODA AUTO pro čínský trh se zaměřením na produktový management - Analýza současné pozice ŠKODA

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

Efektivní komunikace díky inovativním hlasovým technologiím. Praha, 25.11.2011 Call centrum ve finančních službách

Efektivní komunikace díky inovativním hlasovým technologiím. Praha, 25.11.2011 Call centrum ve finančních službách Efektivní komunikace díky inovativním hlasovým technologiím Praha, 25.11.2011 Call centrum ve finančních službách Agenda Představení společnosti Ovládání hlasových aplikací přirozenou řečí Nové bezpečností

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

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

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

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

Co je to COBIT? metodika

Co je to COBIT? metodika COBIT Houška, Kunc Co je to COBIT? COBIT (Control OBjectives for Information and related Technology) soubor těch nejlepších praktik pro řízení informatiky (IT Governance) metodika určena především pro

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

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

Efektivní správa ICT jako základ poskytování služby outsourcing IT

Efektivní správa ICT jako základ poskytování služby outsourcing IT Efektivní správa ICT jako základ poskytování služby outsourcing IT Aleš Mahdal, ANECT a.s. ISSS 12. 4. 2010, Hradec Králové Agenda Technologické trendy Outsourcing IT možný rozsah nasazení Podpůrné provozní

Více

Vysoká škola finanční a správní, o.p.s. KMK ML Základy marketingu

Vysoká škola finanční a správní, o.p.s. KMK ML Základy marketingu Základy marketingu (B_Mar) ZS 09 Bakalářské studium Garant předmětu: Ing.Miloslav Vaňák Vyučující:.. Ing. M. Vaňák Typ studijního předmětu: povinný roč./sem.:.. 1/1 Rozsah studijního předmětu:.. 2/0/0

Více

icc Next Generation atlantis Copyright 2011, atlantis

icc Next Generation atlantis Copyright 2011, atlantis icc Next Generation atlantis Copyright 2011, atlantis Zaměření icc zdravotnická zařízení výrobní podniky instituce a samospráva jednotky až stovky agentů malé, střední a velké organizace kontextově zaměřený

Více

PŘÍLOHA C Požadavky na Dokumentaci

PŘÍLOHA C Požadavky na Dokumentaci PŘÍLOHA C Požadavky na Dokumentaci Příloha C Požadavky na Dokumentaci Stránka 1 z 5 1. Obecné požadavky Dodavatel dokumentaci zpracuje a bude dokumentaci v celém rozsahu průběžně aktualizovat při každé

Více

Softwarová podpora v procesním řízení

Softwarová podpora v procesním řízení Softwarová podpora v procesním řízení Zkušenosti z praxe využití software ATTIS Ostrava, 7. října 2010 www.attis.cz ATTN Consulting s.r.o. 1 Obsah Koncepce řízení výkonnosti Koncepce řízení výkonnosti

Více

OČEKÁVÁNÍ FIREM A FAKTORY FIREMN Í ÚSPĚŠNOSTI

OČEKÁVÁNÍ FIREM A FAKTORY FIREMN Í ÚSPĚŠNOSTI OČEKÁVÁNÍ FIREM A FAKTORY FIREMN Í ÚSPĚŠNOSTI VÝZKUM MEZI MAJITELI A MANAŽERY FIREM 2013 Strana 1 z 9 Obsah: 1. Úvod 3 2. Hlavní závěry výzkumu 4 3. Metodika 7 4. Vzorek respondentů 7 5. Organizátoři a

Více

INFORMAČNÍ SYSTÉMY (IS) Ing. Pavel Náplava Katedra počítačů K336, ČVUT FEL Praha 2004/2005

INFORMAČNÍ SYSTÉMY (IS) Ing. Pavel Náplava Katedra počítačů K336, ČVUT FEL Praha 2004/2005 INFORMAČNÍ SYSTÉMY (IS) Ing. Pavel Náplava Katedra počítačů K336, ČVUT FEL Praha 2004/2005 AGENDA definice IS, zavedení pojmů možnosti a rozdělení typická struktura technologie nasazení praktická ukázka

Více

ZÁKLADNÍ ANALÝZA TRHU FACILITY MANAGEMENTU ČESKÉ REPUBLIKY. Vzdělávací a výzkumná společnost FM Institute

ZÁKLADNÍ ANALÝZA TRHU FACILITY MANAGEMENTU ČESKÉ REPUBLIKY. Vzdělávací a výzkumná společnost FM Institute ZÁKLADNÍ ANALÝZA TRHU FACILITY MANAGEMENTU ČESKÉ REPUBLIKY Vzdělávací a výzkumná společnost FM Institute www.fminstitute.cz 14. 3. 2013 Analýza trhu Facility managementu 1 Vstupní informace ohledně průzkumu

Více

29.02.2008 Brno. Aktuální a připravované výzvy v rámci Operačního programu podnikání a inovace. Mgr. et Mgr. Martin Potůček

29.02.2008 Brno. Aktuální a připravované výzvy v rámci Operačního programu podnikání a inovace. Mgr. et Mgr. Martin Potůček 29.02.2008 Brno Aktuální a připravované výzvy v rámci Operačního programu podnikání a inovace Mgr. et Mgr. Martin Potůček Priority, programy, alokace Operační program Podnikání a inovace Prioritní osa

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

Inovace CRM systémů využitím internetových zdrojů dat pro malé a střední podniky. Ing. Jan Ministr, Ph.D.

Inovace CRM systémů využitím internetových zdrojů dat pro malé a střední podniky. Ing. Jan Ministr, Ph.D. Inovace CRM systémů využitím internetových zdrojů dat pro malé a střední podniky Ing. Jan Ministr, Ph.D. I. Úvod Agenda II. Customer Intelligence (CI),zpracování dat z Internetu III. Analýza obsahu IV.

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

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

Monitoring. dotačních příležitostí. Obsah. Číslo: 01/2015 Datum vydání: 6. 1. 2015

Monitoring. dotačních příležitostí. Obsah. Číslo: 01/2015 Datum vydání: 6. 1. 2015 Číslo: 01/2015 Datum vydání: 6. 1. 2015 Monitoring gg dotačních příležitostí Obsah 1. Hamonogram výzev Operačního programu Podnikání a inovace pro konkurenceschopnost... 3 2. Program Inovace... 4 3. Program

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

OUTSOURCING SKLADOVÁNÍ

OUTSOURCING SKLADOVÁNÍ LOGISTIKŮ 2012 Šiklův Mlýn 17. 18. května 2012 OUTSOURCING SKLADOVÁNÍ jako konkurenční výhoda Ing. MarFn D U B O V Ý, ALog. Mo#o: Ten, kdo dělá to, co nemá, nedělá to, co má. A-N? OUTSOURCING SKLADOVÁNÍ

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

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

Představení výsledků projektu. Implementace procesního modelu s využitím ADONIS na Městském úřadě Prostějov

Představení výsledků projektu. Implementace procesního modelu s využitím ADONIS na Městském úřadě Prostějov Představení výsledků projektu Implementace procesního modelu s využitím ADONIS na Městském úřadě Prostějov Procesy Městského úřadu Prostějov Identifikováno 923 procesů Setříděno do 173 procesů Jeden proces

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

ÚVOD DO PROBLEMATIKY PROJEKTŮ, KATEGORIE

ÚVOD DO PROBLEMATIKY PROJEKTŮ, KATEGORIE PROJEKTOVÉ ŘÍZENÍ STAVEB ÚVOD DO PROBLEMATIKY PROJEKTŮ, KATEGORIE Vysoká škola technická a ekonomická v Českých PROJEKTŮ Budějovicích Institute of Technology And Business In České Budějovice Tento učební

Více

Efektivnější systém pro vyřizování požadavků na IT v ČMSS

Efektivnější systém pro vyřizování požadavků na IT v ČMSS 2 Shared Experience Technologická řešení Efektivnější systém pro vyřizování požadavků na IT v ČMSS Efektivnější systém pro vyřizování požadavků na IT v ČMSS přinesl procesní zpracování požadavků všech

Více

RDF DSPS ROZVOJ PORTÁLU

RDF DSPS ROZVOJ PORTÁLU RDF DSPS ROZVOJ PORTÁLU ČEZ Distribuce, a.s. HSI, spol. s r.o. Zbyněk Businský Miroslav Kaňka ZÁKAZNÍK A DODAVATEL ČEZ DISTRIBUCE, A.S. ČEZ distribuční síť Od r. 2012 implementován GEOPORTÁL (1. ETAPA),

Více

Návrh a management projektu

Návrh a management projektu Návrh a management projektu Metody ekonomického posouzení projektu ČVUT FAKULTA BIOMEDICÍNSKÉHO INŽENÝRSTVÍ strana 1 Ing. Vladimír Jurka 2013 Ekonomické posouzení Druhy nákladů a výnosů Jednoduché metody

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