Business Intelligence

Transkript

1 ZVLÁŠTNÍ NEPRODEJNÁ PŘÍLOHA LISTOPAD 2013 Business Intelligence a datová analytika In-memory značně urychlí analytické procesy Vizualizace zpřístupňuje důležité informace pro každého Prediktivní analytika pomáhá i s neřešitelnými problémy GOLD PARTNERS

2 Kulatý stůl VÝBĚR VLASTNÍHO TÉMATU I DATA Aktuální témata: BEZPEČNOST V ÉŘE MOBILITY A CLOUDU Zabezpečení mobilních zařízení a zařízení zaměstnanců Shadow IT Zabezpečení cloudových řešení a virtualizovaných prostředí Data loss prevention ŘEŠENÍ PRO PERSONALISTIKU, ŘÍZENÍ KARIÉRNÍHO RŮSTU Z POHLEDU CIO HR systémy Systémy pro řízení kariérního růstu v podniku Zvyšování kvalifikace v IT oddělení Řízení kariéry pro CIO BUSINESS INTELIGENCE A BIG DATA Práce s daty v reálném čase (in memory) Analytické nástroje BI Dashboards Úložiště pro Big data MOBILNÍ ŘEŠENÍ PRO LEPŠÍ SPOLUPRÁCI A FLEXIBILITU Vývoj vlastních aplikací Mobilní aplikace na míru Podpora spolupráce a práce na dálku Správa mobilních zařízení VIRTUALIZACE V ROCE 2013 A DALŠÍ VÝHLED Automatizace virtuálního prostředí privátní cloud Virtualizace kritických aplikací Virtualizace sítí a storage Endpoint virtualizace a VDI Přístup z mobilních zařízení IT JAKO PILÍŘ MARKETINGU CRM a další generace nástrojů a aplikací pro marketing Sociální marketingové nástroje CIO vs. CMO rozdělení pravomocí PRÁVO PRO CIO A ODPOVĚDNOST MANAGEMENTU Ochrana osobních údajů Legislativa ve vztahu k IT Právní audit a compliance v IT FRAUD DETECTION Odhalování podvodů a nestandardních transakcí ZORGANIZUJEME VÁM KULATÝ STŮL NA MÍRU PŘESNĚ DLE VAŠICH POŽADAVKŮ. IT JAKO GARANT BYZNYS PROCESŮ Procesní řízení Zvyšování flexibility Procesy vs. Technologie Jak z IT specialistů udělat procesní specialisty Mapování procesů Automatizace OBCHODNÍ A ORGANIZAČNÍ ZÁLEŽITOSTI: Jan Raboch, jan_raboch@idg.cz Michala Najbrtová, michala_najbrtova@idg.cz Irena Dubová, irena_dubova@idg.cz OBSAHOVÉ ZÁLEŽITOSTI: Ondřej Hergesell, ondrej_hergesell@idg.cz Zbyněk Hutar, zbynek_hutar@idg.cz ORGANIZÁTOR: IDG Czech Republic, a.s., Seydlerova 2451, Praha 5 IČ: , GSM: , tel.: , fax: ,

3 OBSAH BUSINESS INTELLIGENCE PAVEL LOUDA vedoucí projektu Heslem dne je snadnost i automatizace Podpora business intelligence (BI) a analytiky patří dlouhodobě mezi nejvyšší priority firemních šéfů IT. Přitom ale tyto pokročilé nástroje, jak uvádí letošní průzkum Gartneru, využívá jen zhruba třetina uživatelů, pro které by přinášely přidanou hodnotu. Vyplývá z toho jediné podniky se musí zaměřit na otevření svých BI projektů, tak aby se ze současného, mnohdy utajeného řešení stala analytika přístupná a využitelná i pro dosud spíše netradiční uživatele. Současným trendem je sběr obrovského množství dat, které nejsou lidé mnohdy schopni efektivně zpracovávat a na základě nich dělat informovaná rozhodnutí. Ve vysoce konkurenčním prostředí je ale využití důležitých nalezených informací tím, čím se může příslušná firma odlišit od jiné. Z postoje je to skvělé mít se dostáváme do situace, kdy analytiku je nezbytné mít, abychom vůbec přežili. Tím, že se podpora analytických funkcí rozšíří nejen mezi top vedení firmy, ale i mezi střední management a dokonce i zákazníky nebo spotřebitele, bude mít podle Gartneru obrovský vliv na obchodní aktivity, inovace, produktivitu i konkurenceschopnost organizací. Gartner nedávno označil tři klíčové trendy, které by měli profesionálové v oblasti BI a analytiky při budoucích plánech vážně zvažovat. Zaprvé by se měla analytika stát akčnější a všudypřítomná. BI specialisté by měli zpřístupnit analytické nástroje uživatelům co nejjednodušší formou v podstatě by technologii měli učinit z uživatelského hlediska transparentní a běžní zaměstnanci by ji měli užívat bez složitých procedur a pomocí jednoduchých rozhraní využívajících přirozený jazyk. Zadruhé vzrůstající objem dat získávaných v reálném čase a snižující se doba, kdy se musí učinit rozhodnutí, musí vést k implementaci operační inteligence, která dokáže pracovat velice svižně až na úrovni reálného času. A konečně zatřetí vzrůstající náklady či tlaky dané různými regulačními předpisy motivují podniky k přijetí mnohem preskripčnější analytiky (třeba pomocí tzv. decision management softwaru, který se využívá, pokud je pro rozhodnutí potřeba podpora nějakého výpočetního prostředku). Rozhodnutí postavená na tomto základě budou moci být auditovatelná i opakovatelná a v některých případech dokonce i automatická. To firmám šetří nejen čas, ale i personální náklady. Bez obchodních analýz už dnes podle všeho přežije jen málokterá společnost. V tomto magazínu vám přinášíme návod, jak můžete analytiku ve svých firmách sofisti kovaně využít. Ukazujeme i příklady organizací, které pomocí pokročilé BI výrazně zlepšily svou konkurenceschopnost tak neváhejte a zařaďte se mezi ně i vy. Obsah 4 Analytiku ovládla vizualizace 8 Začínáme s pokročilou analytikou 10 Technologie in-memory zrychluje datové analýzy 12 Prediktivní analytika pomáhá s neřešitelnými problémy 16 Sociální marketing se bez analýz neobejde 20 Samoobslužné BI lépe zpřístupní analytiku 22 Co přinášejí analýzy Intelu a UPS? Partneři vydání Gold partners: Silver partners: COMPUTERWORLD.cz 3

4 Analytiku ovládla vizualizace Velké množství různých dat není pro organizaci přínosem, pokud osoby odpovědné za rozhodování nedokážou z nich získané informace dostatečně využít. Vyřešit to může například angažování expertů na vizualizaci. TAM HARBERT Jeden obrázek vydá za milion jiných údajů. To je v současné době heslo moderní podnikové analytiky. Jak trend big dat sílí a pokročilé analýzy dat se začínají v podnicích stále více zakořeňovat, roste i potřeba mít ve svém týmu lidi, kteří dokážou prezentovat data snadno srozumitelnými způsoby. Loni na podzim předpověděl Gartner, že v roce 2015 by mělo existovat až 4,4 milionu pracovních míst v segmentu big dat a mnoho z nich bude vyžadovat netradiční, nově koncipované dovednosti, jako je právě vizualizace dat. Co to ale přesně vizualizace je? Kdo ji dělá a jak se liší od vytváření barevného grafu nebo zajímavé infografiky? Je určitou ironií, že je poměrně těžké získat jasnou představu o datovém vizualizérovi. Tato funkce se zatím ještě úplně přesně nedefinovala a je docela vzácné ji vidět jako součást popisu pracovního zařazení nebo dokonce samostatně, prohlašují pozorovatelé IT kariéry. Je to spíše dovednost, kterou požaduje stále více společností jako součást jiných rolí, zejména pracovních pozic z oblasti business intelligence a obchodní analytiky. Vizualizace dat jako požadavek v popisech práce vzrostl za posledních šest měsíců o 12 %, uvádí Todd Nevins, spoluzakladatel webu icrunchdata, který se jako portál pracovních míst specializuje právě Graf, který navrhl Stephen Few, guru datové vizualizace, využívá skládaný sloupcový graf v jednoduchých barvách, aby pomohl divákům snadno srovnávat tři sady dat. Šipka a připojená vysvětlivka vyjasňují smysl grafu. Na původním obrázku ( com/example18.php) můžete vidět předchozí podobu stejného grafu bez použití potřebných principů. na pozice v segmentu datových analýz. Naproti tomu big data jako požadavek v popisech práce vzrostl meziročně až o 63 %. Vizualizace dat je stále ještě v plenkách, ale postupně nabírá na významu s tím, jak společnosti rozvíjejí své strategie pro extrakci a používání velkého množství údajů, shrnuje situaci Nevins. Data, která se obvykle vizualizují, nepocházejí z IT branže tedy alespoň zatím ne. IT má v oblasti analýz dat poměrně omezenou roli a dokonce ještě menší úlohu při vizualizaci, prohlašují datoví experti. Oddělení IT je obvykle odpovědné za bezprostřední zajištění funkce informačních panelů a produktů business intelligence, tvrdí Gregory Lewandowski, manažer segmentu analýz ve společnosti Cisco Systems. Často však dochází jen k rutinnímu zpracování požadavků bez větší snahy pochopit samotný výsledek. Oddělení IT se obvykle zaměřuje na technologii, která vizualizaci umožňuje, ale ji samotnou už nepoužívá, vysvětluje Stephen Few, ředitel a zakladatel poradenské společnosti Perceptual Edge, jež se specializuje na vizualizaci dat. Few, který má dlouholetou praxi v oblasti IT a business intelligence, založil tuto organizaci v roce 2003 po absolvování semináře, který vedl vizualizační mág Edward Tufte, jenž je známý tím, že se zasadil o rozvoj vizualizace dat jako disciplíny a napsal na toto téma v roce 1983 klíčovou knihu Vizuální znázornění kvantitativních informací (The Visual Display of Quantitative Information). Few se stal sám dobře známým jako expert na vizualizace dat a napsal několik knih včetně titulu Ukaž mi ta čísla: Návrh vysvětlujících tabulek a grafů Show Me the Numbers: Designing Tables and Graphs to Enlighten. Dokonce i v oddělení IT, kde mají vlastní analytiky pro business intelligenci, tyto osoby často vytvářejí produkční reporty pouze na vyžádání, uvádí Few. Obvykle však těmto údajům nijak detailně nerozumějí. Ve skutečnosti dokonce ani nevědí, jak se data, jež sami vkládají do reportu, využijí. Je tu propast mezi lidmi, kteří skutečně pracují s daty a rozhodují se na jejich základě, a těmi, kdo tyto potřebné údaje poskytují, pokračuje Few. Najít někoho, kdo by opravdu datům rozuměl a chápal také technologie, které organizace používá k distribuci dat tedy naleznout tyto dvě schopnosti u jednoho člověka je obtížné a dochází k tomu jen velmi zřídka. Few a další mluví o tom, že vizualizace dat v současné době vyžaduje více než jen dokonalý estetický dojem. Boris Evelson, viceprezident a hlavní analytik ve společnosti Forrester Research, tvrdí, že existují dvě úrovně dovedností vizualizace dat. První se vztahuje ke schopnosti člověka používat nejnovější technologie a nástroje pro analýzu a prezentaci informací. Například spíše než aplikaci Excel nebo dokonce Cognos používají datoví analytici ke tvorbě vizuálně lepších a snáze pochopitelných grafů aplikace Tableau či Spotfire. V některých případech to však nestačí. Nedávno se Evelson dozvěděl od velké banky, že potřebují někoho s rozsáhlejšími dovednostmi k vizuální prezentaci sofistikované a komplexní analýzy portfolia, která analyzuje tisíce klientů s různými typy investic a rizik. Přestože banka měla všechny potřebné nástroje a technologie, hledala někoho, kdo by se specializoval na chápání způsobu, jakým mozek reaguje a zpracovává vizuální informace. Netýkalo se to technologie vizualizace dat, ale psychologie vizuálního vnímání, popisuje Evelson. Banka chtěla někoho, kdo by věděl, jaké typy zobrazovacích metod nejlépe fungují pro různé druhy dat, a znal omezení metod. 4 BUSINESS INTELLIGENCE 2013

5 Vizualizace dat stručný návod Chápat svá data, znát své publikum a určit zprávu, kterou chcete sdělit. Omezit data na rozsah potřebný ke sdělení zprávy a pamatovat si, že bez kontextu znamenají čísla jen málo. Určit nejlepší způsob vyjádření. Některé kvantitativní zprávy je nejlepší sdělit slovy, jiné pomocí tabulek s čísly, další pomocí specifických grafů (sloupcových, spojnicových, bodových atd.) a další pomocí různých kombinací. Tyto principy nejsou intuitivní a vyžadují školení o tom, jak lidské oči a mozek zpracovávají vizuální informace. Poraďte se při tomto kroku s odborníkem na vizualizace dat (nebo sebe či svůj personál v této oblasti vzdělávejte). Navrhnout zobrazení tak, aby vyjadřovalo informace jednoduše, jasně a přesně. Nepoužívejte cokoli mimo údaje, pokud to není třeba pro jejich podporu. Vyhněte se zbytečným barevným variacím a vizuálním efektům, nepoužívejte mřížky v grafech, pokud nejsou nutné. Nedatové prvky by měly být dostatečně viditelné, aby splnily svůj účel, ale nikdy by neměly zastínit samotnou informaci. Vizuálně zvýrazněte informace, které jsou ve zprávě nejdůležitější. Navrhnout opatření v reakci na data. Většina kvantitativních zpráv se nepředkládá jen za účelem informovat, ale také motivovat k prospěšné reakci. Zdroj: Stephen Few Například významná část populace, přibližně 7 %, je barvoslepá nebo má porušený barvocit, poznamenává Evelson. Nemusí tedy být vhodné spoléhat se vždy výhradně na barvu. Tato banka nakonec najala profesionála ale jako konzultanta na částečný úvazek namísto plného úvazku v zaměstnaneckém poměru, což je trend, který se podle analytiků pravděpodobně bude v mnoha společnostech spolu s nástupem big dat opakovat. Další možností je outsourcing projektů vizualizace dat s využitím konzultačních firem. Společnosti si mezitím zřejmě již uvědomují potřebu vzdělávání v oblasti vizualizace dat, a to nejen pro své podnikové analytiky, ale v rámci zaměstnanců celé organizace. Lewandowski z firmy Cisco se například před šesti lety zúčastnil kurzu, který vedl Few. Skutečně mi to otevřelo oči, abych si dokázal všímat důležitých, ale sotva patrných věcí, které mnoho lidí vlastně ani nepostřehne, pochvaluje si. Zde Few zvolil jednoduchý spojnicový graf, aby byla hlavní nosná informace podíl na trhu jasně patrná, s popiskami přímo u spojnic namísto v odděleném rámečku legendy. Začlenění tabulky do dolní části grafu poskytuje přesné hodnoty pro ty, kdo je potřebují, ale nedochází ke snížení přehlednosti samotného grafu. Na původním obrázku ( com/example7.php) můžete vidět předchozí podobu stejného grafu bez použití potřebných principů. 30 % 25 % 20 % 15 % 10 % USA Japonsko Záp. Německo Existuje tolik různých věcí, kterých si hned nemusíte všimnout, přestože způsobují odlišnosti, jichž je svět plný, dodává Lewandowski. Stejně jako mnoho specialistů na vizualizaci dat směřoval i Lewandowski do této oblasti oklikou. Začal před 14 lety v divizi prodeje a rozvoje obchodu Ciska. Poté přešel do role správy vztahů partnerských kanálů, kde začal využívat aplikace BI. Postupně rozšířil své odborné znalosti v oblasti BI a analýzy dat a nyní vede tříčlenný tým v rámci oddělení Global Business Operations, které zodpovídá za poskytování BI služeb celé společnosti. Svůj útvar popisuje jako hybridní kombinaci obchodního oddělení s oddělením IT, přestože vizualizaci dat nepovažuje za funkci IT. Tým Lewandowského tráví většinu svého času vizualizací dat, a to jak konkrétních dat Ciska, tak podporou osvědčených postupů. Tým doufá, že o trochu více vzdělání by mohlo zprovodit zpropadené koláčové 3D grafy ze světa, popisuje Lewandowski. Každý má odpovědnost v tom, aby se pokoušel lépe komunikovat. Pro profesionály z oblasti vizualizace dat však není nutně konečným cílem prezentovat data, která odpoví na konkrétní otázky, poznamenává Lewandowski. Částí tohoto procesu je také umožnit našim představitelům formulovat otázky, které nikdy předtím neměli, protože mohou vidět věci tak, jak je nikdy neviděli, vysvětluje Lewandowski. Pokud je naše oddělení úspěšné, mohou lidé vidět souvislosti způsobem, který jim umožňuje klást hlubší otázky, což vede k lepší strategii a nakonec i k lepším výsledkům společnosti, podotýká Lewandowski. Dobrá vizualizace dat prokázala, že je pro podstatu podnikání firmy Cisco přínosná, prohlašuje Lewandowski. Vytvořil například znázornění označované interně jako pyramida Lewandowského, které ve finále vedlo ke změnám globální strategie. Je to ve skutečnosti pro Cisco natolik strategicky důležité, že nebyl ochotný poskytnout moc podrobností. Je to v podsta- ostatní Francie COMPUTERWORLD.cz 5

6 BUSINESS INTELLIGENCE ZOBRAZOVÁNÍ DAT Vlastnosti dobrého vizualizéra dat tě model segmentace nebo rozvrstvení, ve kterém něco počítáme, například množství objednávek či zákazníků, a poté to rozdělíme do různých vrstev. Postupem času tento model umožňuje manažerům sledovat nepředpokládané změny a identifikovat faktory, které za těmito jevy stojí. Výsledkem je například lepší schopnost korigovat směr nebo využít výhody rozvíjejících se trhů. Zobrazujeme to způsobem, jak to dříve nikoho nenapadlo, metodou, která vše objasňuje a velmi pomáhá pochopit typy otázek, jež si interní zainteresované osoby potřebují klást, popisuje Lewandowski. Dana Zuberová, manažerka pro analýzy v týmu podnikových dat globálního finančního domu Wells Fargo, říká, že s vizualizací dat se dostatečně neobeznámila, dokud před šesti lety nenastoupila do této banky, a to přestože v průběhu své dosavadní 12leté kariéry analyzovala data na různých pracovních pozicích. Banka ji poslala prostřednictvím interního vzdělávacího programu na kurz vizualizace dat a na některé externí semináře včetně jednoho, který vedl výše zmíněný Tufte. Předtím jsem netušila, že pro vizualizaci dat existuje celá samostatná disciplína, vysvětluje. Manažeři banky totiž jasně cítili, že vizualizace dat se stala rozhodující dovedností, a to nejen pro datové analytiky. Interní kurz je k dispozici každému, kdo Baví ho řešení rébusů a hrátky s daty. Zná a chápe publikum a jeho informační potřeby. Má trpělivost vymýšlet nové nástroje a inovativní způsoby zobrazení dat. Zajímá se o umění dobrého vizuálního návrhu a rozumí mu. Má vysokoškolské vzdělání v oboru matematiky, inženýrství, statistiky, obchodu nebo financí. Naučil se osvědčené oborové postupy od expertů, jako jsou třeba Edward Tufte nebo Stephen Few. Dokáže podle potřeby využívat dovednosti přisuzované levé nebo pravé mozkové hemisféře, někdy i současně. je ve společnosti, uvádí Zuberová. S rostoucím počtem lidí, kteří jím prošli, se zájem o vizualizaci dat v celé organizaci rozšířil, popisuje a dodává: Stále více lidí si uvědomuje její hodnotu a chápe, jak to může při jejich práci pomoci. To je pokrok, který by Few chtěl vidět ve větším měřítku. Ačkoli zájem o vizualizaci dat zesílila dostupnost technologií typu big data, je to dovednost, která byla v podnicích velice potřeba již po dlouhou dobu, upozorňuje Few. Přestože organizace začínají chápat její význam, mnoho z nich se zaměřuje na špatné věci. V popisu pracovní pozice například poža dují technické dovednosti, jako je schopnost vytvářet grafy v Cognosu, namísto požadavku odbornosti v oblasti grafického návrhu. Tento druh dovedností, který hledají, nemusí být ve skutečnosti nutně tím, který potřebují, varuje Few. Bez pochopení jemnějších aspektů včetně toho, jak lidský mozek vnímá barvu a tvar, budou výsledkem nevkusně okázalé vizualizace dat s úžasnými barvami a tvary atd., vysvětluje Few. Je to ale jen pastva pro oči. Podstata, kterou se snažíte pomocí dat sdělit, se přitom ztratí mezi křiklavými efekty, uzavírá Few. 6 BUSINESS INTELLIGENCE 2013

7 Performance management v praxi Snad v každém informačním systému je možné najít dva základní typy dat. Stavová a transakční data. Zatímco stavová data zachycují stav objektů k určitému momentu v čase, transakční data zachycují změny těchto stavů. ROSŤA LEVÍČEK Vřadě oblastí jsou transakční data nenahraditelná. Obsahují řadu informací, které ve stavových datech nenajdeme. Je jen těžko představitelné, že bychom například neznali podrobně jednotlivé transakce na našem účtu. Zatímco stav našeho účtu je sledován vždy ke konci určitého období, transakce zachycují zcela podrobně jednotlivé změny včetně informací o tom, komu nebo od koho peníze na účet přicházeli, za jakým účelem transakce proběhla apod. V primárních systémech je však zpravidla také celá řada entit, kde se podrobné informace o změnách jejich stavů, nesledují. Pokud pak pro potřeby manažerského informačního systému tato data od primárních systémů požadujeme, primární systémy je zpravidla určitým způsobem zpětně vytvářejí. Tento postup potom často vede k nepřesnostem a výsledkem je nesoulad mezi zpracovávanými transakcemi a jejich výsledným stavem a rostoucí nedůvěra k datům v datovém skladu a MIS vůbec. Příkladem takovýchto transakcí jsou například transakce spojené se změnami zákaznických smluv. Každá smlouva pro- chází za svůj život celou řadou stavů. Na počátku je smlouva ve stavu návrhu, po podpisu vstoupí v platnost, za čas je navýšena nebo je na ní změněn nějaký tarif, pak se prodlouží a nakonec dojde k jejímu ukončení. Ačkoliv každá z těchto změn reflektuje určitou transakci tedy operaci se smlouvou, tak v primárním systému jsou tyto změny zpravidla zachyceny změnou několika atributů [například: stav (aktivní, neaktivní), hodnota smlouvy (tarif smlouvy), a série dat datum zaslání návrhu, datum účinnosti, datum platnosti do, datum ukončení, případně prodejní kanál, který provedl poslední změnu]. Pro MIS poskytující konzistentní informace nejen o stavu našich smluv, ale zejména o výkonnosti jednotlivých útvarů je pak nezbytně nutné vycházet z dobře historizovaných dat v datovém skladu. I v takovém případě je však reporting jednotlivých událostí (transakcí často obtížný a nejednoznačný). GLOBTECH se svými partnery společnostmi DNS a IBM v takových případech úspěšně implementuje koncept tzv. tagování na základě byznys pravidel. Na místo vyžadování transakčních informací z primárních systémů se při implementaci MIS soustředíme na důsledné sledování stavu důslednou historizaci všech stavových entit a precizní popis byznys pravidel. Byznys pravidla jsou v rámci projektu popsána do podoby byznys slovníku (například v IBM InfoSphere Business Glossary) a odsouhlasena napříč společností. Pro každou entitu jsou v byznys slovníku jednoznačně definovány byznys stavy (často více stavů, než poskytuje primární systém) a dimenze (atributy entit), u kterých budou sledovány změny. Takto připravená pravidla jsou následně materializována v datovém skladu na základě pravidel jsou přímo v datovém skladu napočítány byznys stavy a následně jsou generovány transakční záznamy (tagy) reflektující změny ve stavech a na vybraných dimenzích. Tyto transakce jsou pak obohaceny o další atributy charakterizující daný záznam (transakci). Ve výše uvedeném příkladu se pak dva stavy z primárního sytému například rozšíří na čtyři smlouva ve stavu návrhu, aktivní a zrušená. Atributy hodnota smlouvy (tarif) a platnost smlouvy se definují jako dimenze se sledováním změn. A atribut prodejní kanál se používá pro obohacení každé transakce. Z takto připravených dat jsou každodenně generovány jednoznačné transakce: počet zaslaných návrhů, počet uzavřených smluv, počet ukončených smluv, počet prodloužených smluv, počet změn tarifů s jednoznačnou vazbou na prodejní kanál, který transakci provedl, a hodnotu smlouvy (tarif). Napočtená data pak zaručují velice přesný a transparentní přehled o fungování společnosti o výkonnosti jednotlivých složek a současně zajišťují konzistenci stavových a transakčních dat, a tím i důvěryhodnost celému manažerskému informačnímu systému. Současně je v případě rozšíření o další dimenze poměrně snadné systém doplnit o další ukazatele bez narušení vnitřní integrity dat. Autor je senior konzultant ve společnosti GLOBTECH GLOBTECH, spol. s r. o. Karlovo nám. 17 Praha E -mail: info@globtech.cz COMPUTERWORLD.cz 7

8 BUSINESS INTELLIGENCE IMPLEMENTACE Začínáme s pokročilou analytikou Analýzy dat se často oslavují jako nejlepší způsob, jak pomocí úsudků založených na faktech a na základě vyčíslitelného přehledu získat důležité informace potřebné k lepšímu podnikatelskému rozhodování. I kvůli tomu řada organizací investuje značné prostředky do BI a podnikových systémů řízení výkonnosti. MICHAEL PAIN Při úspěšných implementacích analytiky mohou shromažďování, správa, reportování a vyhodnocování dat přinášet významný provozní užitek analytici uvádějí často 15 až 30 procent čistého provozního zisku. Mnoho firem však stále považuje stanovení závěrů z dat za poněkud zapeklitý problém. Existuje pro to hned několik důvodů. Některým podnikům se nepodaří vytvořit vhodný obchodní případ pro analytiku s komplexním pohledem, což znamená, že neuvažují o tom, jak analytické výsledky vyhodnotit a převést na akci, jejímž cílem je zlepšení celkového výkonu firmy. Jde o jeden z největších problémů, které lze při nářcích na analytiku vidět. Organizace také často dělají chybu, která spočívá v doplňování nahodilých zjištění týkajících se podnikových záležitostí namísto selektivního a cíleného přístupu. Kromě toho se snaží držet krok s množstvím údajů pocházejících z rozsáhlých a různorodých datových zdrojů, a to jak interně, tak externě, ale přitom nevědí, jak nejlépe získávat a spravovat cenné informace. Analýzy musejí přinést podnikatelské závěry jinak jsou to jen vyšperkované zprávy se spoustou grafických doplňků. Položte si tedy hned na začátku otázku, zda vaše organizace opravdu používá analýzy, které pomáhají řešit problémy. V uplynulých letech mnoho firem rozsáhle investovalo do svých analytických řešení, aniž udělaly následující jednoduché kroky. Začněte velmi dobrou KROK 1 otázkou Nečekejte na odpovědi analytického týmu, aniž nejprve zvážíte, jak pro vás budou výstupy využitelné a jak budou podporovat základní podnikovou strategii. Používání analýz bez přístupu vedeného podnikatelskými potřebami je jen ztrátou času. Jednou z nejlepších oblastí, kde je vhodné začít, jsou firemní KPI (klíčové ukazatele výkonu), které je třeba zlepšit. Správná otázka je ta, jež se týká podnikatelských výsledků, má jasné cíle a lze ji zodpovědět bez nadměrného množství překážek. Nezapomeňte si však klást otázky, co dělat, abyste jasně směřovali k cíli. Je skutečně nutné daný dotaz zodpovědět? Může odpověď přinést nějaké důležité podnikatelské informace, které pomohou k dosažení cíle? Inovativní řešení problému je stejně jednoduché jako řešení jiným způsobem. S podporou silného týmu složeného z různých podnikových oddělení (což může zahrnovat výrobu, analýzy, marketing a prodej) lze analytické úsilí sdílet a transformovat do celého podniku. Realizace a řízení dat KROK 2 Vykonávání prozíravějších podnikatelských rozhodnutí obvykle vyžaduje koordinovaný přístup ke shromažďování dat a reakci na to, co tyto údaje sdělují. Vedení firmy by mělo stanovit jasný model pro konzistenci dat, jejich zpracování a včasné dodání informací. Použitím tohoto přístupu k řízení dat se všechny zúčastněné strany v rámci celého podniku povzbuzují, aby spolupracovaly na plnění úkolu správy dat. Firmy také musí vykročit mimo své tradiční zdroje dat, aby tak získaly nový pohled na věc. Existuje nepřeberné množství údajů, jež vytvářejí různé informační zdroje například sledování zkušeností zákazníků v reálném čase pomocí webové analytiky s analýzou vzorů ve vizuálních výstupech může odhalit nové obchodní příležitosti, kterých by si ve velké tabulce nikdo nevšiml. Vyhodnotit a vylepšit KROK 3 Praxe ve vyhodnocování dat odlišuje společnosti dosahující vysoké návratnosti investic (ROI) od těch, které stále hledají optimální model. Je proto nezbytné testovat analytické pohledy oproti původní otázce týkající se podstaty podnikání. Aby se minimalizovalo riziko, měly by podniky používat přístup testování a učení, při kterém se nová nabídka nebo řešení použijí na vzorový projekt, jehož cílem je zlepšit zaostávající KPI. To dává příležitost eliminovat všechny případné problémy a vyladit řešení na jeho plný potenciál. Po úspěšném pokusu pak může firemní vedení přemýšlet o použití nového pohledu v dalších odpovídajících oblastech svého podnikání. Rozšířením lze dosáhnout KROK 4 návratnosti investic Takže jste už položili otázku, shromáždili data a otestovali své postřehy. Pokud to děláte dobře, můžete své poznatky použít ve všech funkčních oblastech včetně řízení vztahů se zákazníky, financí a výkonu, řízení dodavatelského řetězce a správy lidských zdrojů. Zároveň můžete i vytvářet přizpůsobená řešení pro další podnikatelské výzvy. Získání konkurenční výhody pomocí analytiky ale vyžaduje více než jen technologii a datové vědce chce to velmi dobré otázky, které souvisejí s podnikáním a směrováním firemních sil a zdrojů. Organizace, které dokážou detailně identifikovat a zodpovědět své podnikatelské otázky, mohou udělat potřebná opatření, a získat tak náskok před svými konkurenty. Analytika by se měla považovat za silný nástroj, který by se měl přijímat celou společností, protože při jejím správném použití může poskytovat nevídané výhody v mnoha oblastech. Využití potenciálu analýzy se ale nesmí odkládat jako obtížně řešitelný úkol. S jasnou metodikou a cíleným přístupem poskytne tato nově nalezená inteligence vaší firmě jasné výhody. 8 BUSINESS INTELLIGENCE 2013

9

10 BUSINESS INTELLIGENCE IN-MEMORY Technologie in -memory zrychluje datové analýzy Něco může být rychlé nebo dokonce otravně rychlé. Zeptejte se třeba firmy AdJuggler, která provozuje inzertní platformu v podobě služby SaaS (software jako služba) a její byznys spočívá v párování inzerce s místy na webových stránkách. To bylo vždy spojené s rychlostí, ale s příchodem řízení nabídek v reálném čase se svižnost jejich řešení dostala na zcela novou úroveň. JOHN MOORE Při použití řízení nabídek v reálném čase vydavatel zašl e inzertní imprese do on -line systému výměny, který pošle dále žádost o nabídky. Když pak uživatel přijde na konkrétní webovou stránku, dojde k porovnání nabídek inzerentů a na stránku se umístí nejvyšší nabídka. Prodej digitální inzerce tak nastane velice rychle, uvádí Ben Lindquist, technologický viceprezident AdJuggleru. Nakupující má při scénáři nabídek v reálném čase okno 100 milisekund, aby udělal k dané impresi nabídku. Právě tento druh požadavku rychlosti vedl AdJuggler k nákupu produktu pro správu dat, který využívá technologii in- -memory. Jde o řešení BigMemory od firmy Terracotta. AdJuggler zavedl tento produkt koncem června 2013 nejprve omezeným způsobem, a to v rámci své nové generace inzertní platformy. Taková nasazení přesouvají databáze z tradičního umístění na disku a namísto toho je ukládají do paměti. Tento přístup zrychluje odezvu databáze na dotazy, protože cesta z paměti do jádra procesoru je mnohem rychlejší, než je tomu při prohledávání dat umístěných na klasickém disku. Mike Allen, viceprezident produktového managementu ve společnosti Terracotta, již plně vlastní Software AG, uvádí, že paměť je podle všeho přibližně rychlejší než disk. V případě AdJuggleru, kde se požaduje velmi krátká doba pro zpracování nabídek a obhospodařuje vysoký objem transakcí, tento kapacitní rozdíl hovořil zcela jasně ve prospěch řešení in -memory. Dražitelé si nemohou dovolit trávit značnou část tohoto času hledáním na disku, vysvětluje Lindquist. Musí se to vyřešit jinak. Méně ladění pro databáze Současná platforma AdJuggler, která páruje inzerci s místy na webových stránkách rychlostí až 20 tisíc transakcí za sekundu, využívá databázi mysql. Ta obsahuje konfigurační údaje o kampaních zákazníků a umístění inzerce na různých webových stránkách. Lindquist zmiňuje, že všechny tyto konfigurační údaje se budou přesouvat z diskově založeného datového skladu mysql do řešení využívajícího in- -memory technologii. AdJuggler k tomu přidá také několik terabajtů dat o anonymizovaném publiku. Skončíme se záznamem pro každého uživatele, jenž přistupuje k části obsahu, kam lze umístit inzerci prostřednictvím našeho systému, tvrdí Lindquist s tím, že uživatelská data budou obsahovat až stovky milionů záznamů. Toto úložiště dat bude i dále růst, protože zákazníci AdJuggleru budou mít možnost umístit do systému správy dat Terracotta svá proprietární data o publiku. Co se týče propustnosti, bude nová platforma schopná růst a podporovat dokonce až 1 milion transakcí za sekundu, poznamenává Lindquist. Přechod k technologii in -memory nám výrazně rozšiřuje možnosti pro rozhodování v reálném čase s využitím databázových údajů, uvádí Lindquist. Zajistit výkon databází na nyní požadované úrovni by podle něj dříve vyžadovalo významné ladění konfigurace paměti a umístění paměti cache do paměti RAM, aby se tak zvýšil výkon. Přístup do paměti cache je rychlejší než opětovné načítání dat z disku, ale vyrovnávací paměť obvykle představuje jen malou část dat uložených v databázi. Lindquist je přesvědčen, že výkon mysql závisí zejména na tom, zda je potřebná část údajů v paměti právě ve správný okamžik. Proč tam tedy nepřesunout všechna důležitá data? Rozhodli jsme se, že vše bude v operační paměti, vysvětluje Lindquist, takže se teď nemusíme bát obrovského ladění databáze, které by obvykle bylo nezbytné. AdJuggler bude podle svých slov využívat cluster od Terracotty s distribuovanou verzí softwaru BigMemory pro správu dat. In -memory odhaluje podvody Poštovní služba USPS (US Postal Service) učinila ohledně in -memory podobné rozhodnutí pokud jde o úlohy jako odhalování podvodů nebo zlepšení směrování pošty. USPS využívá hardware společnosti SGI (Silicon Graphics International) a in- -memory databázi Oracle TimesTen. USPS podle současné konfigurace pracuje s více instancemi databáze TimesTen namísto jedné, aby tak zvýšila souběžnost datových zatížení. Přechod na technologii in -memory eliminuje významnou softwarovou režii pro správu disku, latenci způsobenou fyzickou charakteristikou běžného úložiště a omezení daná rychlostí otáčení disku, uvádějí Dan Houston Jr., ředitel služeb správy dat USPS, a Scot Atkins, specialista na informace o produktech společnosti USPS. Podle nich hlavní obchodní přínos databází in -memory spočívá v jejich schopnosti poskytovat velmi rychlé odpovědi téměř v reálném čase při současném zpracování obrovského množství dat. Technologie in -memory pomáhá firmě USPS identifikovat podvody a rychle zjistí, zda má dotyčná poštovní zásilka zaplacené poštovné ve správné výši. Mluvčí zmiňoval databáze in -memory jako jednu z technologií, které poštovní službě umožňují zvládnout úlohy jako dynamické směrování, dodání ve stejný den nebo takzvané prediktivní směrování. Databáze in -memory nám umožňují dělat v reálném čase věci, které by v minulosti trvaly hodiny nebo dokonce dny, uvádějí Houston a Atkins. Zájem rychle stoupá Technologie in -memory není nijak mimořádně nová. Roger Gaskell, technologický ředitel společnosti Kognitio, dodavatele analytické platformy in -memory, tvrdí, že první systém tohoto typu se vytvořil koncem osmdesátých let v londýnské makléřské firmě Savory Milln. Její makléř tehdy chtěl, aby dokázal vypočítat obchodní riziko cizí měny prakticky v jakémkoliv okamžiku, poznamenává Gaskell. Před použitím systému in -memory se výpočty rizika cizí měny dělaly přes noc. Technologie in -memory byl tehdy jediný způsob, jak jsme mohli získat data dostatečně rychle pro dosažení postačujícího výpočetního výkonu splňujícího naše měřítka použitelnosti, prohlašuje Gaskell. Nyní, téměř o čtvrtstoletí později, je novinkou prudký nárůst zájmu o techno- 10 BUSINESS INTELLIGENCE 2013

11 IN-MEMORY BUSINESS INTELLIGENCE logie in -memory v různých oborech podnikání. Poslední dva roky pro nás byly největší změnou. In -memory se stala velmi vyhledávanou a z hlediska aplikací došlo k prudkému vzestupu, zmiňuje Gaskell. Dříve firmě Kognitio zajišťovaly obrat finanční služby a telekomunikační společnosti, ale nyní nastává poptávka po in- -memory řešení i na trzích, jako je maloobchodní prodej, poznamenává Gaskell. Allen z firmy Terracotta dodává, že zájem o technologii in -memory pozoruje mj. v oblasti finančních služeb, logistiky, elektronického obchodu, vládní sféry a zdravotní péče. Zájem se zvyšuje všude. Lidé se ptají, jak by ji mohli využít, popisuje Allen. S růstem poptávky se také zvedl počet dodavateli nabízených technologií in- -memory. Například Teradata nedávno představila Intelligent Memory, která podle ní umožňuje zákazníkům využívat paměť pomocí funkcí integrovaných v datových skladech této společnosti. Není třeba mít samostatnou applianci, prohlašuje Alan Greenspan, mluvčí Teradaty. Tato technologie podle něj sleduje zájem o data a dodává, respektive přesouvá nejvíce žádaná a používaná data do operační paměti. Indexování vs. in -memory Databáze spojené s in -memory mají potenciál produkovat skvělé výsledky, pokud organizace musí v krátké době zpracovat velké množství dat. Tato oblast však není zcela bezproblémová, jak by se mohlo zdát. Jednou z potíží jsou mylné představy o charakteru in -memory. Oboroví manažeři například tvrdí, že nasazení technologie in -memory vyžaduje poněkud více úsilí než jen zkopírování dat do operační paměti. Upozorňují, že software pro správu dat se musí navrhnout tak, aby pracoval i s pamětí. Nejde jen o umístění všech dat do paměti, vysvětluje Chris Hallenbeck, viceprezident pro řešení datových skladů a platformu HANA ve společnosti SAP. Je to přepsání celé databáze od základu tak, aby se paměť používala jako primární způsob ukládání, na rozdíl od disku. HANA je platforma, kterou vytvořil SAP a jež je určená pro práci v reálném čase, která zahrnuje in -memory databázi. Dalším problémem je, že rychlost in- -memory řešení klade zvýšené nároky na použité procesory. V důsledku toho musí organizace paralelizovat kód, který bude přistupovat k datům, a také nasadit vyvažování zátěže přes cluster, vysvětluje Lindquist. Vyvažování zátěže (load balancing) se stává kritickou částí vašich schopností využít výhody in -memory databáze, podotýká Lindquist. Firma AdJuggler vytvořila systém vyvažování zátěže založený na takzvané metodě pull s využitím komoditního hardwaru a interně vyvinutého softwaru. Každá instance stroje AdJuggleru pro zpracování transakcí si převezme práci z komponenty pro vyvažování zátěže, dokončí úlohu a vyžádá si další práci, popisuje Lindquist. Pokud je třeba dodatečná kapacita, využije tento systém více instancí. Organizace s produkty podporujícími in -memory musejí rovněž dávat pozor na databázové indexy. Podniky využívající tradiční databáze si mohou dovolit věnovat velké množství místa na disku indexům. Databáze pro in -memory však vyžadují mnohem větší preciznost. Pokud používáte úložiště in -memory jako databázi s vyhledáváním, musíte udělat indexování, abyste si zajistili dostatečný výkon, uvádí Lindquist. Musíte to ale udělat poměrně precizně, protože paměť RAM je dražší a je jí omezené množství. Netrvalá podstata operační paměti představuje pro osvojitele technologie in- -memory další problém. Pokud systém selže, musí se data znovu načíst. To může být časově náročné. Houston a Atkins z USPS uvádějí, že ochrana dat je při použití in -memory databází jednou z největších současných výzev. Jejich firma v současné době dělá veškeré náročné zpracování právě pomocí technologie in -memory a relevantní výsledky se ukládají zpět do relační databáze. USPS také udržuje soubor kontrolního bodu transakcí udělaných pomocí in- -memory, takže v případě výpadku lze data omezeně obnovit. Máme určitou jistotu, že se naše nejdůležitější data chrání, uvádějí zástupci USPS. Úloha obnovy systému in -memory ze souboru kontrolního bodu však vyžaduje hodně úsilí. Jak si asi dokážete představit, opětovné načtení 16 TB z tradičních paměťových médií může trvat poměrně dlouho, poznamenávají Houston a Atkins, a zmiňují tak velikost jejich datového úložiště in -memory. Abychom tento problém vyřešili, zkoumáme v současné době možnost přidání karet s flash pamětí blíže ke zpracování v naději, že tak změníme čas načítání z hodin na pouhé minuty, dodávají Houston a Atkins. COMPUTERWORLD.cz 11

12 BUSINESS INTELLIGENCE ANALYTIKA PRO IT Prediktivní analytika pomáhá s neřešitelnými problémy Problémy, které se zatím neprojevily a o kterých ani netušíte. I to mohou odhalit prediktivní systémy, které analyzují stav podnikového IT a pomocí vhodných výstupů pomáhají řešit potíže s výkonem či dostupností. MARK JAFFE Jeden z významných maloobchodních prodejců trpěl pravidelnými výpadky své aplikace pro zpracování dárkových karet, takže zaměstnanci v pokladně nemohli zákaznické karty zpracovávat hodinu i déle. Při každém nastalém výpadku trávili odborníci na aplikace, VMware, SQL Server, Windows Server a sítě hodiny zkoumáním velkého množství systémových protokolů a telefonováním s linkami technické podpory, ale bez úspěšného nalezení prvotní příčiny. Oddělení IT poté použilo prediktivní analytiku, aby pomocí ní prozkoumalo gigabajty dat z protokolů souvisejících se systémem aplikace a sítí. Zjistilo se, že chyby připojení k aplikaci, respektive k databázi, časově souvisely se špičkami v síti dvou ze tří hostitelů VMware. S takto získanou informací už dokázali IT pracovníci vystopovat prvotní příčinu šlo o nesprávnou konfiguraci VLAN pro aplikační provoz a funkci VMware vmotion. Pokaždé, když funkce vmotion zahájila přesun virtuálního stroje, zahltila síť a zabránila aplikaci dárkových karet přistupovat do příslušné databáze. Vyřešte neřešitelné Je to vynikající příklad, jak může prediktivní analytika pomoci se zdánlivě neřešitelnými problémy s výkonem aplikací. Její největší přínos pro IT segment však spočívá v tom, že jakmile se spustí, může dokonce odhalit a poskytnout informace potřebné pro řešení problémů s výkonem aplikací ještě předtím, než si jich někdo všimne. To je důležité pro klíčové podnikové programy, protože to může zabránit ztrátě obratu a zákazníků. Současné kompozitní webově založené aplikace zahrnují příliš mnoho závislostí včetně webu, aplikačních a databázových serverů běžících na virtualizačních hypervizorech, nemluvě o službách prevence podvodů, zastaralých aplikacích a veškeré hardwarové a síťové infrastruktuře umožňující fungování služeb. V takto složitém IT prostředí může být vysledování prvotních příčin problému skutečně velmi náročné. Separovaná povaha IT odborností nepomůže, protože existuje jen málo lidí se zkušeností a celkovým pochopením systémových vztahů a řetězení událostí, kteří by byli schopni objevit anomálie naznačující problémy. Bohužel klíčové ukazatele výkonu (KPI) a prahové úrovně IT závisejí na ukazatelích, které je nutné vhodně zvolit, a navíc často vytvářejí příliš mnoho falešných poplachů a naopak nezachytí vyskytující se problémy. Týmy IT opravdu potřebují znát, jak všechny tyto systémové vztahy a řetězy událostí nosných aplikací a transakcí fungují normálně a jaké změny indikují pravděpodobný problém s výkonem. Řešení prediktivní analytiky pro oblast IT se zaměřují právě na tento cíl. Jak to funguje? Prediktivní analytika používá různé metody včetně například strojového učení, modelování a dolování dat k předvídání událostí na základě aktuálních a historických údajů. V současné době se tato řešení využívají k mnoha účelům včetně předvídání chování zákazníků a odhalování podvodů. Pro výkon aplikací prediktivní analytika nasazuje strojové učení a analytické metody big dat. Slouží ke vstřebání a analýze obrovského množství dat ze systémů a infrastruktury, aby se daly popsat obvyklé vztahy komponent aplikace a řetězů událostí a poté zjišťovat odchylky, které předpovídají problémy s výkonem. Ideálně mohou vykonávat působivou analýzu buď z historických dat, nebo v reálném čase. Ve druhém uvedeném případě mohou skutečně předvídat a pomoci řešit problémy s výkonem dříve, než nastanou dopady na obchod či produktivitu. Krása nejlepších řešení prediktivní analytiky spočívá v tom, že nevyžadují zdlouhavé a složité instalační a konfigurační procesy jako většina současných aplikací a nástrojů pro správu sítě. Nespoléhají na lidi ani při rozhodování, které ukazatele výkonu (KPI) a prahové úrovně se mají sledovat. Namísto toho používají vlastní složité algoritmy strojového učení, aby sama pochopila systémy a veškeré související vztahy a řetězy událostí. Poté pomocí dalších algoritmů předpovídají pravděpodobnost různých událostí a upozorní vás, když nastanou takové, které jsou vysoce nepravděpodobné. Na rozdíl od klíčových ukazatelů výkonu (KPI), které vás mohou tisíckrát upozornit na nějaké drobné anomálie v jednom systému, se prediktivní analytika zaměřuje na abnormality napříč různými systémy, jež typická upozornění na prahové úrovně často opomíjejí. Protože se neustále učí systémům více rozumět, mohou se tato řešení kontinuálně sama přizpůsobovat i legitimním změnám v IT prostředí. Typické současné nástroje pro správu vyžadují po uživatelích, aby takové změny dělali sami. Kromě předvídání a řešení problémů s výkonem je prediktivní analytika skvělá i pro poskytování přehledu o vztazích mezi systémy a problémy, o kterých jste nikdy netušili, že existují. Cílem je zlepšení spokojenosti Nedávný průzkum společnosti Trac Research zjistil, že 60 % IT oddělení dosahuje méně než 50% úspěšnosti, pokud jde o prevenci problémů s výkonem, které mají dopad na koncové uživatele. Také ukázal, že každý měsíc padne v průměru 46,2 hodiny na řešení krizových scénářů. Mnoho z těchto oddělení přitom nasadilo správu výkonu aplikací a více dalších nástrojů pro správu. Doplnění o řešení pomocí prediktivní analytiky může zmíněný poměr úspěšnosti výrazně zvýšit a podstatně snížit nebo dokonce eliminovat krizové scénáře náročné na čas a zdroje. Tím se také zlepší spokojenost zákazníků a týmy IT budou muset trávit méně času řešením problémů s výkonem a budou moci věnovat více času strategickým iniciativám, které přinášejí podnikům hodnoty a zlepšují jejich postavení vůči konkurenci. 12 BUSINESS INTELLIGENCE 2013

13 Jak udělat ze zpětného zrcátka dalekohled Společnost Forrester Research označila SAP za lídra ve svém reportu Big Data Predictive Analytics Solutions. Společnost SAP tuto pozici získala zejména díky nasazení in -memory technologie SAP HANA, která svými možnostmi přesně odpovídá potřebám prediktivní analýzy, kde je rychlost získání informace tím nejdůležitějším. Jestliže jsou řešení SAP v oblasti prediktivní analýzy tím nejlepším na trhu, představte si, co dokážou po spojení s technologiemi KXEN. Tato společnost specializující se právě na řešení pro předpovídání budoucnosti se totiž nedávno stala součástí SAP. KXEN je výkonný prediktivní nástroj ideální pro inteligentní cross -sellové a up -sellové aktivity, optimalizaci nabídky, virální marketing, analýzy sociálních sítí a návrh produktů podle přání zákazníků máme se tedy na co těšit. Kouzlo, kterým prediktivní řešení SAP vládnou, je schopnost z dat, která jsou všude kolem nás, získat informaci a vizualizovat ji. A to vše díky in -memory řešení SAP HANA v reálném čase, až rychleji, než bylo doposud běžné. Výhoda tkví v tom, že místo toho, abyste reagovali na to, co se stalo, můžete jednat podle toho, co se stane. S trochou nadsázky můžeme říct, že z vašeho zpětného zrcátka se stane dalekohled. Studie Aberdeen Group také ukázala, že společnosti využívající prediktivní analýzu mají téměř dvakrát takový nárůst prodejů založených na marketingových kampaních než společnosti, které do budoucna nehledí. To už stojí za zamyšlení. Prediktivní analýza v praxi Prediktivní analýza přináší množství benefitů. Přibližně 52 % firem využívá prediktivní analýzu ke zvýšení profitability a 55 % k nalezení nových zdrojů příjmů. Jako nástroj pro zvýšení spokojenosti ji využívá 45 % firem. U 43 % firem jde také o nástroj, který pomáhá vytvořit na míru šitou nabídku zákazníkům a oslovit ty správné zákazníky ve správnou chvíli. Důležitá je kromě analýzy i samotná vizualizace. Umožňuje totiž porozumět výstupům všem pracovníkům napříč společností, aniž musí být experty na statistiku. Díky jednoduchému grafickému rozhraní, jaké nabízí SAP Predictive Analytics, mohou i lidé z byznysu zadávat prediktivní dotazy, aniž musí spoléhat na informace, které jim dodají specialisté na analýzu dat. A jaká data využívají dnešní organizace pro prediktivní analýzu? 54 % firem využívá data z prodejů, 67 % data z marketingu, 69 % data o zákaznících, 55 % informace o produktech a 51 % finanční data. Dalších 40 % firem využívá nebo plánuje využívat také data ze sociálních sítí. To je stručný recept na úspěch. Stačí vše jen nechat projít rychlým prediktivněanalytickým varem. Prediktivní analýza najde své uplatnění na řadě míst. Může zkoumat vztahy a korelace mezi daty, identifikovat cross -sell a up -sell příležitosti, analyzovat historické i nastupující trendy i náhlé změny ovlivňující byznys. Dokáže odhalit příčiny odchodu zákazníků, fluktuace zaměstnanců a faktory ovlivňující spokojenost zákazníků. Promítnutí těchto parametrů do budoucnosti pak ukáže, jak se současná data promítají do dalšího vývoje společnosti a jak korespondují s jejími cíli. Vedení tak je vždy o krok před realitou a má dostatek prostoru na důležitá rozhodnutí. Využití prediktivní analýzy je vhodné napříč všemi obory od telekomunikací, utilit či bankovnictví přes retail a výrobu až po veřejný sektor nebo zdravotnictví. Reálná nasazení Společnost MKI například využívá prediktivní analýzu SAP založenou na in -me - mory platformě SAP HANA k vývoji léků na rakovinu na základě analýzy DNA. Nový systém minimalizuje prodlevy v testování a snižuje náklady. Je rychlejší než na tradičních discích založený systém. Samotná analýza je 216 rychlejší. Na místo několika dní tak trvá jen 20 minut. A naděje pro nemocné rakovinou je několikanásobně blíže. Společnost Cisco zase využívá prediktivní analýzu s podporou SAP HANA pro realtimový vhled do údajů o prodejích a simulaci trendů v prodejích jednotlivých produktů do budoucnosti. Může tak dělat okamžitá rozhodnutí, a odstranit tím nedostatek v podobě chybějících údajů o současném stavu trhu a chování zákazníků. Dnes jí taková analýza trvá jen pět vteřin. Chcete ji i vy? Prediktivní analýza nabízí výhody v těchto pěti oblastech: 1. Umí okamžitě předpovídat tržní trendy a potřeby zákazníků 2. Zvládne vytvářet nabídky na míru pro každý segment a prodejní kanál 3. Předpovídá, jak změny na trhu mohou ovlivnit vaše produktové plány 4. Předvídá změny v nabídce a poptávce napříč dodavatelským řetězcem 5. Umožňuje proaktivně řídit lidské zdroje díky získání a udržení talentů Ze společností, které využívají prediktivní analýzu, jich 68 % považuje toto řešení za výraznou konkurenční výhodu. Pokud si i vy myslíte, že potřebujete být o krok napřed, vědět, s čím v byznyse počítat v budoucnu, a že je tedy prediktivní analýza to, co by vám mohlo pomoci, můžete si stáhnout trial verzi SAP Predictive Analytics na webu store.sap.com. Více informací se dozvíte na webové adrese: solutions/predictive -analysis. COMPUTERWORLD.cz 13

14 Business analytics: Od papíru k high performance analytics PETR KLÁŠTERECKÝ Do oblasti business analytics spadá a vždy spadalo jednoduše téměř vše, co lze nějakým způsobem měřit a vyhodnocovat. Zkusme několik příkladů, ze kterých bude ilustrace jasnější. Jste například obchodní firma a sledujete prodeje svých produktů či služeb. Zajímá vás, kolik se prodá celkově od jednotlivých artiklů, ale také vás zajímá, který obchodník (či pobočka) prodala dané produkty a služby a v jakém objemu. Nebo můžete být společnost, která zasílá svým zákazníkům reklamní materiály. Poté musíte sledovat, kdo a kde zareaguje. Nebo se snažíte vybírat z více variant a optimalizovat náklady, ziskovost či vytížení kapacit. A to jsou jen některé z mnoha příkladů. Pokud někdo z vás namítne, že mnoho z uvedeného lze označit jako business intelligenci, oblast, pro kterou se již vžila zkratka BI, pak nejste tak daleko od pravdy. V zásadě tedy ano, linie mezi BI a BA může být velice tenká a nejasná, byť termín BI je vyhrazen spíše pro oblast reportingu a věcí souvisejících. Řada společností však do reportingu řadí například i vizualizaci dat, kterou jinde už považují za součást business analytics. Když se na celou problematiku podíváme pod drobnohledem, pak business analytics není v zásadě nic nového obchodníci si vedli evidenci o prodaném zboží, aby pak mohli na základě těchto dat doobjednávat a dokupovat zásoby odjakživa. Dalšími příklady s dlouhou historií a tradicí mohou být řízení kreditního rizika v bankovnictví (analýza dat klientů, kteří neplní své závazky) nebo přímý marketing se snahou nabídnout zákazníkovi podle jeho profilu (opět klientská data) co nejvýhodnější produkt. Všechny zmíněné analýzy dodnes tvoří základní pilíře BA ve všech typech společností řízení rizik zejména v bankách a pojišťovnách, přímý marketing téměř všude a forecasting, tedy predikce budoucího vývoje, pak hlavně ve společnostech výrobních a obchodních. Samotná analýza zůstává v principu stále stejná. Co se ale mění, jsou podmínky, ve kterých se analýza provádí. A vše nasvědčuje tomu, že se budou tyto podmínky měnit i nadále. 14 BUSINESS INTELLIGENCE 2013 Role IT je pro úspěšné nasazení business analytics v jakékoli firmě naprosto klíčová IT pracovníci zajišťují infrastrukturu, instalaci, ve spolupráci s dodavatelem obvykle i správu a podporu systému. V rámci IT by se tudíž mělo udržovat i základní povědomí o funkcích a určení daného systému. Přesto se často setkáváme se situací zcela opačnou. A to takovou, že pro IT je analytický software jen další z řady nástrojů, o které se musí starat. Toto tradiční uspořádání na jedné straně konzumenti (marketing, planning, sales, controlling, risk a další) a na druhé straně IT jako pouhý poskytovatel bez dalšího výraznějšího zapojení a vlivu na chod systému však nemusí být nutně nejefektivnější. V momentě, kdy se objeví první problémy, začnou se objevovat také snahy nastavený systém a standardní nástroje nějakým způsobem obejít. Nesystémová řešení znamenají především zvýšení rizik a nákladů duplikování práce, nejednotná vstupní data, neefektivitu a v konečném důsledku frustraci většiny zúčastněných. Bussiness analytics, HPA a vizualizace dat Zdánlivě nejjednodušší úlohou je vizualizace dat. Díky nim mohou využívat benefity business analytics nejen IT pracovníci a analytici, ale i byznysově orientovaní uživatelé. V praxi to znamená, že není nutné, aby se pracovníci do hloubky orientovali v problematice analytického zpracování. Naopak mohou uplatnit svou odbornost v jejich vlastních oborech jako marketing, finance zásobování apod. Tak, že budou schopni formulovat a zadávat dotazy, které přinesou srozumitelné a okamžitě použitelné odpovědi relevantní pro jejich byznys. Díky vizualizaci mohou tito pracovníci snadno sledovat a predikovat trendy, rozeznávat závislosti a nepravidelnosti, odhalovat vzorce chování zákazníků, konkurentů, produktů, případně včas zjistit, že některý proces nefunguje dobře. Vizuální forma sdělení je přitom velmi důležitá, umožňuje snadno pracovat s informacemi vyprodukovanými pomocí tradičních analytických metod, jež v surovém stavu nevypadají pro běžné uživatele příliš přátelsky nebo jsou dokonce nečitelné. Tím, že je současně možné pracovat se všemi daty společnosti, se navíc otevírá mnoho dalších možností, ať už prostřednictvím nových pohledů nebo přesnějších a detailnějších výstupních informací, vedoucích ke kvalitnějšímu rozhodování. Kombinace účinné vizualizace a pokročilých analytických metod, navázaná na odbornost v daném oboru byznysu, se ukazuje jako velmi efektivní cesta ke skutečnému zlepšování chodu firmy a vytváření nových iniciativ. Je to jako vytěžení zlaté informační žíly z masivu datové horniny. Motivuje přemýšlet o realitě a příležitostech novým způsobem. A je to nejpřirozenější cesta, jak uživatelům představit potenciál informačního bohatství ukrytého v datech. Vizualizovat lze libovolná data každé oddělení bude mít vlastní požadavky na to, co se má analyzovat a jak. Vizualizace dat formou grafů a případně tabulek je pro člověka přirozenou formou analýzy, ne nadarmo se říká, že jeden obrázek často vydá za několik stran textu nebo čísel. Přesto měla tato oblast historicky v rámci business analytics spíše menší, podpůrnou roli, protože potřeby uživatelů narážely na technické možnosti. Na rozdíl od reportingu nebo OLAP kostek musí být vizualizace dynamická, téměř nic nelze předpočítávat a uživatel musí mít naprostou volnost v tom, co a jak chce analyzovat. Posledním trendem ve vizualizaci dat jsou proto tzv. in -memory nástroje, které dokáží požadovanou analýzu provádět bez předpočítávání rovnou v paměti (a tedy rychle), a to i nad daty o velikosti v řádu stovek GB nebo několika TB. Uživatelům nabízejí komfortní GUI a snadnou orientaci v analyzovaných datech, a přitom je požadovaná doba odezvy u takových systémů v řádu několika sekund. Na první pohled vidíte zřejmé přínosy pro IT je to hlavně úleva od nekonečných požadavků na přípravu dat a reportů všeho druhu, a tedy více času na řešení skutečných IT záležitostí, pro byznys uživatele je to naprostá volnost a plná kontrola při práci s daty a s tím spojená zodpovědnost za finální podobu analýzy. Vizualizace nám umožní vidět základní trendy a souvislosti nebo rozdíly napří-

15 Ukázka vizualizace dat v nástroji SAS Visual Analytics. klad mezi jednotlivými skupinami klientů, smluv a podobně. Tato úroveň detailu je typicky dostačující pro základní manažerský přehled, ale moderní business analytics nástroje mohou nabídnout mnohem více již poměrně standardně se dnes řeší například segmentační úlohy. Segmentovat lze cokoliv klienty, smlouvy, produkty, pohledávky, materiály, hovory, pojistné události Opravdu téměř cokoli. Můžeme tedy pro to zavést pojem univerzální entita. Cílem segmentace je totiž najít mezi všemi entitami takové, které mají něco společného, a ty potom přiřadit do stejné skupiny (segmentu). Pro jednotlivé segmenty pak společnost může definovat strategii, nabídky atd. Zatímco dříve se role IT často omezovala jen na implementaci segmentace do IT systémů, dnes funguje IT daleko častěji jako poskytovatel nástrojů, které všem zainteresovaným oddělením umožní vlastní definice a kombinace segmentů. Výsledkem je snížení zátěže pro IT, a přitom vyšší spokojenost koncových uživatelů pomocí stejného nástroje může například marketingové oddělení segmentovat klienty podle jejich chování nebo zvyklostí a hned vedle může controlling segmentovat smlouvy podle zcela jiných kritérií. Věrnostní kartičky a předpověď budoucího chování Máte věrnostní kartu v supermarketu? Pak vězte, že o vás obchodník ví mnohem více, než si možná myslíte podle vašeho segmentu zná vaše běžné nákupy, ví, kolik průměrně utrácíte, ví, že asi máte morče nebo papouška (kupujete krmivo), a například vidí, že oproti jiným podobným zákazníkům neutrácíte téměř nic za alkohol nebo sýry. V okamžiku, kdy vám bude chtít něco nabídnout tak, aby to vypadalo, že nabídka je určená právě a jenom pro vás, má díky analýze vašeho nákupního chování obrovskou výhodu může lákat na to, co kupujete nejčastěji, testovat, jaká cena je pro vás ještě zajímavá atd. S pomocí business analytics lze také zařídit to, aby obchodník mohl do budoucna předvídat vaše nákupní chování. S moderními analytickými nástroji to není nic složitého. Výrobní firmy dnes naprosto běžně využívají statistický forecasting jako základ pro plánování výroby, finanční a telekomunikační společnosti zase ve velkém využívají tzv. prediktivní modely pro odhad budoucího chování jednotlivých klientů. Prediktivní modelování Počátky prediktivních modelů se datují hluboko do minulého století a k jejich prvním aplikacím patřil aplikační skóring žadatelů o bankovní úvěry banky potřebovaly posoudit rizikovost klientů a odhadnout, kdo úvěr splatí. Časem se využití modelů masově rozšířilo. Dnes je tak můžeme kromě kreditního skóringu potkat i při výpočtu skóre pro collections (jak bude klient reagovat na zvolenou strategii), marketingové aktivity (jak bude klient reagovat na oslovení konkrétní nabídkou), uplatňují se dokonce i v pojišťovnictví nebo ve státní správě a samosprávě, například při vyhledávání podvodů, podezřelých operací a podobně. Princip prediktivního modelování se od prvopočátku nijak nezměnil je třeba mít skupinu záznamů, kde znáte modelované chování. Statistické algoritmy potom dokáží najít v datech skupiny záznamů, které mají stejné nebo podobné vzorce tohoto chování, a popsat je pomocí dalších charakteristik, tzv. prediktorů. Princip modelování je tedy stále stejný. Co se však výrazně změnilo, jsou metody, které se pro modelování používají. Rychlý rozvoj výpočetní techniky umožnil masové nasazení výpočetně náročných algoritmů, jako jsou rozhodovací stromy a lesy, neuronové sítě a další. Jedná se vesměs o metody, které jsou teoreticky známé a algoritmizované již několik desítek let. Problémem ale byla jejich vysoká výpočetní náročnost. V dnešní době, kdy je výkonný hardware v podstatě komoditní záležitost, je trendem budování analytických center (někdy se používá i termín analytical factory) podporujících masivní paralelizaci výpočtů a nasazování výkonných nástrojů, které tuto výpočetní sílu umějí využít. Z hlediska koncových uživatelů je přitom nejzásadnější, aby se o technické záležitosti postaral sám analytický software běžný analytik nechce řešit například load balancing nebo škálovatelnost analytického serveru, ale chce, aby systém počítal rychle a správně, a to i nad velkými daty. Velcí dodavatelé analytických řešení o této poptávce samozřejmě vědí a nabízejí systémy pojmenované obvykle High Performance Analytics, High Performance Data Mining a podobně. Tyto systémy jsou u nás stále ještě poměrně nové, nicméně zkušenosti ze zahraničí ukazují, že se vyplatí nasazením těchto nástrojů dochází k výrazným časovým úsporám. Snížit dobu výpočtu můžete i z několika desítek hodin na pouhé minuty. Co dál? Do oblasti business analytics patří samozřejmě další celá řada témat především analýza nestrukturovaných, zejména textových dat, predikce poptávky (demand forecasting) a výběr nejlepší dostupné varianty (optimalizace). Penetrace analytických nástrojů téměř do všech oddělení všech typů podniků je už dnes téměř každodenní realitou. Nástroje pro business analytics se dnes využívají pro řešení širokého spektra analytických úloh od vizualizace dat až po komplexní predikční a optimalizační problémy. Zároveň umožnila business analytics otevřít svět analýz a dat širší skupině uživatelů. A vše probíhá při postupném přechodu na technologie umožňující efektivní zpracování velkých datových objemů. Nepochybně bude velmi zajímavé sledovat, jakým směrem se vývoj bude ubírat dále zda to budou cloudové služby, specializované výpočetní farmy nebo něco zcela jiného. Autor je konzultant SAS Institute ČR COMPUTERWORLD.cz 15

16 BUSINESS INTELLIGENCE SOCIÁLNÍ SÍTĚ Sociální marketing se bez analytiky neobejde Rychlá reakce na základě správných údajů pomáhá firmám získat více zákazníků nebo si udržet existující. V současné době GE využívá interně vytvořený analytický a vizualizační software, který přes rozhraní API bezprostředně získává údaje ze všech sociálních médií včetně Google Analytics, Facebooku a Twitteru. Manažeři mohou v reálném čase využívat přizpůsobitelné informační panely, které názorně ukazují výkon na denní bázi. Marcum tvrdí, že je tento model mnohem vhodnější pro určování nejlepších platforem sociálních médií pro určité zákaznické segmenty. Jeho konečným cílem je mít jasný přehled o nákladech na jednotlivé případy použití. SANDRA GITTLENOVÁ Nadnárodní gigant General Electric (GE) si stále udržuje přehled nad desítkami oblastí sociálního marketingu svých divizí a poddivizí, a to především díky pokročilému použití analytiky. Paul Marcum, ředitel globálního digitálního marketingu v GE, pozorně sleduje vzestup a pád nových platforem a posuzuje jejich účinnost. Stejně tak je ale ochoten změnit oblast působení, pokud dostatečně nepřitahuje požadované publikum. Například tato firma přestala využívat Foursquare, když si uvědomila, že platforma neodpovídá jejím potřebám marketingu. GE zjistilo, že vývoj, umístění obsahu a správa každé reakce na jednotlivá publika v sociálních sítích, jako jsou Facebook, Twitter, LinkedIn, YouTube, Pinterest, Google+ a další, ohledně její značky, divizí či poddivizí příliš zatěžují interní zdroje. Přesun vývoje obsahu na jiný subjekt jí umožnil vyvíjet společnou strategii pro sociální sítě, která se hodí pro jednotlivé platformy. Marcum považuje Facebook za nejpoužitelnější pro GE, protože má nejvíce obsahu a nejrychlejší odezvy. YouTube 16 BUSINESS INTELLIGENCE 2013 zase umožňuje vychvalovat technologie a jejich vliv na výrobu společnosti GE pomocí poutavých videozáběrů. Tyto kanály společně přibližují lidem firmu mnohem výrazněji, než tomu bylo dříve, tvrdí Marcum. Outsourcing obsahu Při výběru reklamních agentur se přihlíží k jejich odborným zkušenostem s konkrétními typy sociálních médií. Například obsah na Instagramu má na starosti agentura velmi schopná v oblasti vizuální prezentace a videí. Další agentura, která je známá svým umem vytvářet mikroobsah, dodává své služby pro Facebook a Twitter. Marcum uznává, že taková rozsáhlá kombinace způsobuje další nároky z hlediska komplexního řízení, ale výsledek považuje za dobře vynaložený čas. Marcum dále zdokonaluje sociální marketing většinou prostřednictvím pokročilých analytických nástrojů. V počátcích dostával každý týden zprávu ve formátu PDF se základními statistikami pro lajky, fanoušky apod. To ale prý nebylo dostačující, protože se to nepřizůsobilo jednotlivým případům použití ani reálnému času a neodráželo to obrovské příležitosti skryté v sociálních médiích. Sociální marketing počátky Mark Fidelman, autor knihy o využití sociálních sítí v nejvýznamnějších firmách (Socialized!: How the Most Powerful Businesses Harness the Power of Social), byl podle svých slov svědkem mnoha omylů v oblasti sociálního marketingu, které většinou způsobily nástavby k tradičním marketingovým strategiím. Marketing uvízne na vedení, popisuje, namísto toho, aby se hledala skutečná hodnota sociálních médií. Sociální marketing se méně týká převodů kliknutí na počet uzavřených smluv a naopak více se orientuje na vytváření vztahů. Nakonec je to důvěra, co vede lidi ke koupi, a to je správná cesta, jak zpeněžit sociální marketing, radí Fidelman, ačkoli neexistují žádná striktní čísla, která by takové tvrzení dokazovala. Podniky však musí nejprve překonat vnitřní překážky, jako je tendence k hromadění informací a udržování separace. Sociální marketing potřebuje získat maximální hodnotu z názorů a analýz, využívat spolupráci všech oddělení. Pro dosažení nejvyšší zralosti sociálního marketingu by se mělo do strategie zapojit také oddělení IT, a to v současné době není úplně běžná podniková praxe. Marketingové týmy řeší své IT potřeby buď samy, nebo využívají externí zdroje. Avšak především IT oddělení musí být součástí týmu, protože data získaná z platforem sociálních médií se musí uložit do back -endových systémů pro pozdější analýzy, jejichž výsledky se mohou distribuovat v rámci celé společnosti pro podporu informovaných rozhodnutí. Uchovávání těchto dat nedostupným způsobem sabotuje samotný účel a snižuje jejich přínos, uvádí Fidelman. Prostřednictvím včasné spolupráce s oddělením IT podle něj společnosti mohou získat svatý grál sociálního marketingu poskytovat zákazníkům správná sdělení ve správný čas na správné platformě a ve správném kontextu.

17 SOCIÁLNÍ SÍTĚ BUSINESS INTELLIGENCE Změna obsahu na základě dat Publishers Clearing House (PCH) považuje sociální marketing za stejně důležitý jako televizní reklamu, on -line reklamu, události či přímý marketing. Své publikum získává přes Facebook, Twitter, Pinterest, YouTube, Google+ a další populární platformy. Tato firma na svých četných stránkách Facebooku už získala více než 1 milion fanoušků. Technologie musí strategicky zachycovat stále více dat a ukládat je do našeho datového sklad u, abychom mohli lépe identifikovat zákaznické segmenty a zajistit zákazníkům lepší zkušenosti spojené s jejich angažovaností ve všech oblastech našich produktů a programů, říká Deborah Hollandová, výkonná viceprezidentka společnosti Publishers Clearing House. Naším cílem je mít velké, vysoce angažované publikum, tvrdí Hollandová. Ona i její tým posuzují úspěšnost sociálního marketingu pomocí analytického softwaru Salesforce Marketing Cloud (dříve Buddy Media) od společnosti Salesforce.com. Uživatelé mohou pomocí něj analyzovat komentáře, tweety a další typy příspěvků na základě předem definovaných filtrů a značek společně s populárními metrikami, jako jsou lajky nebo fanoušci Facebooku či followeři Twitteru. Ačkoliv reportovací nástroje pro sociální média, které PCH provozuje, v současné době nemají rozhraní pro ostatní podnikové systémy, pokud se uživatel sociální platformy zaregistruje nebo rozhodne pro e -mailový program PCH, zaznamená se, že pochází z dotyčného sociálního kanálu. PCH zaměřuje obsah a reaguje na požadavky zákazníků podle výsledných dat. Analytika nedávno ukázala, že spotřebitelé mají zájem o podrobné profily vítězů stejně jako o krátká videa se zaměstnanci ze zákulisí, takže firma tento typ obsahu rozšířila. Všechny výdaje rozpočtu na sociální média se ručně integrují s celopodnikovým systémem řízení rozpočtu, který poskytuje komplexní pohled na celkové výkazy rozpočtu společnosti. Analýzy zapojení v sociálních médiích se shromažďují pomocí softwaru specifického pro dané kanály, jako jsou Facebook Insights, Salesforce.com nebo WordPress. Manažeři dostávají týdenní komplexní zprávu o úrovni angažovanosti a ředitelé zase ručně připravovanou měsíční zprávu, která zahrnuje objemy sociálních médií s úrovněmi angažovanosti. Hollandová připisuje rozšířený pohled na sociální média podnikové struktuře. Jako šéfka propagace pro všechny oblasti mohla bez problému zapojit sociální marketing do každého aspektu činnosti firmy. Máme v našem týmu sociálních médií čtyři lidi, kteří jsou propojeni s dalšími klíčovými osobami v celé organizaci včetně designérů a autorů a vytvářejí obsah pro všechny kanály, popisuje Hollandová. PCH podle ní vytvořila dynamickou síť zaměstnanců, kteří vypomáhají a znají sociální média jako součást své práce. Tato týmová spolupráce se často přezkušuje. Angažovanost fanoušků na Facebooku mluví o tom dosahuje hodnoty průměrně 10 až 15 %, ale může dojít i k 80 % těsně před oznámeními velkých výher. Tyto události se přitom však musejí koordinovat ve všech marketingových kanálech, aby mohla sociální média reagovat v reálném čase. Rozděl a panuj Spontánní potřeba lidské interakce je jedním z nejtvrdších ponaučení, která sociální média společnostem přinášejí. Před čtyřmi lety, kdy hotelová společnost Best Western International zahájila své aktivity na Facebooku, pobízela provozovatele všech svých nemovitostí, aby si také vytvořili účet na Facebooku. Firma však záhy zjistila, že ne všichni manažeři mají čas nebo jsou dostatečně COMPUTERWORLD.cz 17

18 BUSINESS INTELLIGENCE SOCIÁLNÍ SÍTĚ schopní v oblasti vztahů s veřejností, aby zvládli nuance sociálních médií, jako je reakce na rozzlobený příspěvek zákazníka. Pokud se stránka nespravuje, může se potenciálně dobrá zkušenost změnit na špatnou, která může poškodit značku, varuje Michael Morton, viceprezident služeb v Best Western. Firma naslouchá sociálním médiím pomocí softwaru Medallia pro zákaznické zkušenosti. Ten analyzuje text příspěvků, které se týkají značky obecně a konkrétních zkušeností s hotelem. Best Western využívá toto zpravodajství shromážděné prostřednictvím informačních panelů a přizpůsobených reportů k pochopení svých úspěchů a nedostatků a totéž dělá i u svých konkurentů. Monitoring sociálních médií je pro nás skvělý způsob, jak pochopit, co má na hosty pozitivní vliv a čeho se nejvíce obávají u našich hotelů, vysvětluje Morton. Tyto informace nám kromě vyžádané zpětné vazby pomáhají rozvíjet naši značku. Původně jsme nasadili produkt Medallia bez spoléhání se na IT, vysvětluje Morton. Později jsme je ale už chtěli při zavádění v dalších nemovitostech zapojit. Tým IT také pracoval na integraci dat z dalších systémů. Pomohl například obchodnímu oddělení integrovat informace o kupním chování, jako je původ Sociální marketing a IT Průkopníci sociálního marketingu vědí, že cesta k úspěchu vede přes IT, a proto si zvou na své strategické porady ředitele IT a další vedoucí pracovníky IT. Pam Wickhamová, viceprezidentka podnikových záležitostí a komunikace ve firmě Raytheon, a Deborah Hollandová, výkonná viceprezidentka společnosti Publishers Clearing House (PCH), popisují svůj pohled na základě vlastní zkušenosti se zapojením IT do aktivit sociálního marketingu. Náš tým pro digitální a sociální média spolupracuje s IT oddělením, které spravuje analytický software pro webové trendy, takže s nimi úzce kooperujeme při sledování aktivit na našich webových stránkách. Také nám pomáhá prověřovat externí dodavatele analytických technologií, říká Wickhamová. Podle ní oddělení IT vždy považovali za svého nejsilnějšího partnera, neboť jim zajišťuje komunikační funkce, ať už prostřednictvím hardwaru, softwaru nebo sociálních platforem. V PCH jsme úspěšně implementovali agilní vývojové prostředí, protože jsme potřebovali řešit potřeby a strategie on -line marketingu rychleji a častěji. Zavádíme také stále více webových služeb a rozhraní API, které jsou provázané zákaznické rezervace přímo přes hotel, cestovní kancelář, web dalšího subjektu atd. Taková informace pomůže zodpovědět otázky, jako zda mají úspěšnější hotely více rezervací. Best Western silně věří výsledkům, které poskytuje sociální marketing, že zvýšily váhu přisuzovanou této zpětné vazbě oproti průzkumům, které rovněž dělá firma Medallia, a dalším typům shromažďování údajů. Morton se domnívá, že vliv sociálních médií bude jen sílit. Nemáme v úmyslu omezit financování jiných marketingových aktivit, ale do této oblasti investujeme více, prohlašuje Morton. Ačkoli Best Western nyní ponechává rozhodnutí o tom, zda využívat sociální média, na jednotlivých majitelích, téměř všechny hotely se zapojily do sociálních médií přes software Medallia. Ten posílá upozornění personálu konkrétního hotelu, pokud komentář, tweet nebo jiný příspěvek vyžaduje okamžitou pozornost. Pokud si zákazník stěžuje na Facebooku na nedostatek ručníků u hotelového bazénu, je manažer nemovitosti upozorněn, takže může rychle doplnit zásoby. Provozovatelé hotelů mají také přístup ke statistikám a přehledu, pokud jde o jejich výsledky ve srovnání s místní konkurencí. Zpočátku provozovatelé hotelů nechápali závažnost ani hodnotu okamžité kontroly s různými platformami angažovanosti našich uživatelů (Okamžitá výhra, Cestovní kampaně atd.), takže je stále snadnější přidávat nové kanály do našich strategií marketingu a získávání zákazníků, tvrdí Hollandová. Technologie analytiky sociálního marketingu podle ní musí zachycovat stále více dat a ukládat je do datového skladu, aby bylo možné lépe identifikovat zákaznické segmenty a zajistit klientům lepší zkušenosti spojené s jejich angažovaností ve všech oblastech produktů a programů. Firmy by měly opustit zažité zvyklosti a zkusit něco nového může to být pro značku obohacující a osvěžující, ale jak poukazuje Hollandová, zajistěte, aby to byl technologický tým schopen skutečně podporovat, nebo alespoň domluvte, aby byl součástí prověřovacího procesu, zejména pokud je to opravdu něco nového a odvážného. Spolupracujte od začátku a často. Aby marketing využívající sociální média opravdu uspěl, musí vám IT pomoci formovat a inspirovat vaši strategii. Jsou to experti na nástroje a vy byste měli být experty na jejich nasazení. Tato kombinace vytváří silné spojenectví, dodává Wickhamová. a reakce, uvádí Morton a dodává, že metriky sociálních médií jim poskytly potřebnou perspektivu. Potřebná zlepšení K úplnému uskutečnění vize Marcuma z GE je podle něj třeba rozšířit platformy sociálních médií o atribuci, aby mohly firmy vysledovat obsah zpět až k jednotlivcům prostřednictvím re -tweetů a sdílení. Jakmile budeme mít celkový obrázek, můžeme lépe pochopit, kde se musí přepočítat ceny nebo náklady na získání zákazníka, tvrdí Marcum. Morton z Best Western zase tvrdí, že lepší atribuce pomůže zpeněžit sociální marketingové úsilí tím, že odhalí původ prodeje například vlivný blogger sdílející zprávu o hotelové slevě, což zákazníkům zkrátí pátrání po jejich službě. Je dobré vědět, kdy a kde zákazník nakupuje, uvádí Morton. Jedním z hlavních omezení této vize je nutnost zajistit příslušné provozní údaje, vysvětluje Morton. IT zde hraje klíčovou roli, protože analytický systém Medallia shromažďuje velké množství dat zpětné vazby od zákazníků a čím více ji dokážeme propojit s provozními metrikami, tím větší potenciál existuje pro pochopení a koncentraci na akci s potřebným vlivem, dodává Morton. Podle něj s rostoucí integrovaností systémů půjde lépe automatizovat některé procesy, což umožní zaměřit se na získávání hodnoty z daných informací. Konečným cílem je, aby tento proces nastal co nejdříve. PCH plánuje využít atribuci nejen k vyhodnocení návratnosti investic do reklamy, ale také k identifikování vlivných osob v prostoru sociálních médií a stejně tak nejaktivnějších členů publika. Tato firma ale následuje i mobilní trend. Třetina našeho publika jsou mobilní uživatelé a tento počet rychle roste, uvádí Hollandová. Aplikace Facebooku však nejsou zcela kompatibilní s mobilními zařízeními a my jsme závislí na jejich vývojářích, zda to opraví. Morton ze společnosti Best Western mezitím zkoumá způsoby, jak integrovat analytiku sociálních médií do systému správy firemních nemovitostí. Jeho nadějí je, že jednoho dne bude stačit tweet klienta, že by si přál mít pokoj v prvním patře, a tato informace se zaznamená jako preference v jeho zákaznickém profilu. W ickhamová, Hollandová, Morton a Marcum jsou v souvislosti s budoucností sociálního marketingu všichni optimističtí a jsou si jistí, že se jejich značkám vyplatí. Je tu spousta práce, kterou je potřebné udělat. Není to však spojené s frustrací, ale se vzrušením a očekáváním, popisuje Marcum. 18 BUSINESS INTELLIGENCE 2013

19 Inteligentní pracoviště nejenom pro business intelligence Business intelligence nejsou jenom programy a procesy, které dokáží v obrovském množství dat vyhledat relevantní informace a sestavit je ve smysluplný výsledek, ale také počítače a infrastruktura, kterou aplikace využívají. Výběr počítače přitom nebývá jednoduchou záležitostí. Nákup, správa, údržba a obnova počítačového parku navíc vyžaduje nemalé počáteční i provozní náklady. Ideální řešení, počítače, jejichž výkon poroste s potřebami uživatelů a jejichž aplikace budou neustále aktuální, však existuje. Inteligentní pracoviště Inteligentní pracoviště tvoří několik služeb, které lze využívat samostatně, kombinovat vzájemně i s dalšími IT službami od O2. Jednoduše, rychle, na míru požadavkům a bez neočekávaných skrytých nákladů umožňuje realizovat komplexní řešení celého firemního IT. Redukuje počáteční investice do nákupu počítačů a umožňuje plánovat celkové náklady na provoz IT. O2 Virtuální Desktop O2 Virtuální Desktop představuje perspektivní cestu, jak doručit funkcionalitu počítače kamkoli, kdykoli a na libovolný počítač, tablet nebo i chytrý telefon. Výpočetní a komunikační činnosti virtuálního počítače jsou vykonávány v datových centrech O2. Zde jsou provozovány i aplikace a uložena data. Uživatelé se přihlašují na dálku z počítače, z notebooku, z chytrého telefonu či tabletu odkudkoli, kde je internetové připojení. Z uživatelského hlediska získávají stejné pracovní prostředí, jako kdyby pracovali na skutečném počítači. Výkon virtuálního počítače nezávisí na uživatelském zařízení a může růst s potřebami uživatele. Data, s nimiž aplikace pracují, i v případě zničení či ztráty uživatelského zařízení zůstanou nedotčena. Úhradu tvoří měsíční poplatek, jehož výše se odvíjí od rozsahu poskytovaných služeb. V ceně služby může být i použití antiviru nebo balíku kancelářských aplikací. O2 poskytuje jako součást služby také hardware, přičemž platby za službu se fakturují jako celek. O2 Desktop Za výhodný poplatek či za jednorázové ceny je formou služby k dispozici rovněž optimálně vybraná kombinace notebooků a tabletů ve třech výkonnostních třídách: nižší, střední a vysoké, které pokryjí naprostou většinu obvyklých potřeb uživatelů. V ceně je již zahrnuto rozsáhlé příslušenství, např. 3G modem, mobilní internet, rozšířená záruka na tři roky, servis do druhého dne na místě včetně náhradních dílů, cesty a práce technika a v případě operativního leasingu i pojištění. Součástí nabídky jsou i tzv. tenké klienty, cenově nenáročné kancelářské počítače optimalizované pro využití služby O2 Virtuální Desktop. O2 Business Mail O2 Business Mail poskytuje profesionální řešení elektronické pošty postavené na platformě Microsoft Exchange. Zahrnuje využití sdíleného kalendáře, adresáře a veřejných složek pro ukládání sdílených souborů. Volitelnou součástí je provoz a správa zákaznické domény. Pošta, kontakty i kalendář jsou přístupné ze standardních poštovních klientů, přes webové rozhraní, ale také prostřednictvím chytrých telefonů a tabletů. O2 Web Security Gateway O2 Web Security Gateway posunuje kontrolu bezpečnosti do datových center O2. V okamžiku, kdy se uživatel připojí k jakékoli veřejné síti, ať už z pracoviště, z domova nebo odkudkoli ze světa, je veškerá jeho komunikace do internetu bezpečně směrována přes datová centra O2, kde se spolehlivě filtruje. Uživateli jsou doručována pouze bezpečná data odpovídající pravidlům, která určuje zákazník. Změny nastavení se projeví okamžitě pro všechny vybrané uživatele bez ohledu na místo, kde se nacházejí, a zařízení, které používají. O2 Mobile Device Management Služba O2 Mobile Device Management slouží pro spolehlivou správu a zabezpečení mobilních zařízení připojených do podnikové sítě. Umožňuje spravovat velké množství mobilních zařízení, především chytrých telefonů a tabletů, používaných zaměstnanci, ať se nacházejí kdekoli. IT služby od O2 O2 je dlouholetým poskytovatelem telekomunikačních i IT a cloud computingových služeb. V současné době disponuje třemi velkými datovými centry o celkové ploše větší než m 2, která jako první a dosud jediná v České republice obdržela certifikaci Tier III. Jsou založena na kvalitních a robustních mezinárodních standardech, využívají špičkové technologie, jsou bezpečná a plně vyhovují požadavkům české i evropské legislativy. O2 je prvním držitelem certifikace VMware vcloud Powered v zemích tzv. bývalé východní Evropy a Gold Partnerem společností Microsoft a Cisco Systems. Nechybí certifikace ISO :2011, zaručující kvalitu řešení požadovanou zákazníkem, nebo certifikace řízení bezpečnosti ISO 27000, která zajišťuje, že data a aplikace zákazníků budou vždy v bezpečí. Projekty jsou realizovány v souladu s ITIL. Produkty O2 Virtuální Desktop, O2 Web Security Gateway a O2 Mobile Device Management získaly v létech 2012 a 2013 prestižní ocenění IT Produkt roku. Více o ICT pro podniky na corporate/ict a pro veřejnou správu na COMPUTERWORLD.cz 19

20 BUSINESS INTELLIGENCE IMPLEMENTACE Samoobslužné BI lépe zpřístupní analytiku Řada společností má se samoobslužnými systémy BI podobné zkušenosti jako s počátky agilního vývoje neuvědomuje si, kolik práce implementace řešení ve skutečnosti stojí. KIMBERLY NEVALAOVÁ Kdysi se firmy hrnuly do agilních metodik přitahovány příslibem rychlejších dodacích cyklů, lepších vztahů mezi obchodem a IT a urychleného dodání. Tato metodika byla obzvláště atraktivní pro subjekty, které se potýkaly s malou angažovaností podnikových uživatelů a nesplněním představ o dodávce. Mnozí si však nedokázali uvědomit, že agilní přístup vyžaduje větší zapojení uživatelů, větší odpovědnost, disciplinované rozhodování a trvalý závazek, nemluvě o rychlejším vývoji, který je schopen reagovat citlivěji. Dodací cykly byly kratší a při dobrém řízení pravděpodobně s lepším výsledkem. Úspěch však nepřišel zdarma. Týmy BI, které se potýkají s lavinou neuspokojených potřeb BI, stejným způsobem přijímají moderní heslo samoobslužnosti. Ti, kdo však očekávají rychlé řešení, sami vzápětí zjistí svůj omyl. Samoobslužnost se zaměřuje v oblasti užívání BI na vyšší robustnost a rychlejší dostupnost. Pojem samoobslužné však neznamená totéž co sebou umožněné. BI týmy nejsou z obliga. Mají zásadní úlohu ve vytvoření funkčního samoobslužného ekosystému. Promyšlená strategie musí vyřešit následující dobře známé problémy: Jedna velikost nevyhovuje všem Stejně jako se vaše zákaznická základna skládá z různých segmentů se samostatnými potřebami, jsou i uživatelé BI různorodou skupinou. Pro vedoucí pracovníky může samoobslužnost znamenat přístup k firemním výsledkům přes ipad nebo možnost dostat odpovědi na všechny své otázky na požádání. Pro spoustu uživatelů z podnikových provozů je nejlepším BI řešením to neviditelné konkrétně zprávy a upozornění se integrují do provozních aplikací a pracovních postupů, takže nejsou odlišené. Znalostní pracovníci včetně rozvíjející se specializace datových vědců potřebují mít přístup k robustním vyhledávacím nástrojům a rozsáhlým objemům dat. Zavedení samoobslužného řešení proto vyžaduje jasné rozvrstvení typů uživatelů a dodání celé řady možností a řešení. Jiný uživatel, jiná smlouva o úrovni poskytovaných služeb (SLA) Každý uživatelský segment má svá vlastní očekávání a požadavky na podporu. To na druhé straně vyžaduje odlišné smlouvy o úrovni poskytovaných služeb a modelů závazků, nemluvě o různých mechanismech stanovení priorit pro řešení nových požadavků a řešení problémů. Začínat od nuly není dobré Obecně vzato lidé jsou vždy lepší kritici než autoři. Samoobslužné řešení funguje nejlépe, když se uživatelům poskytne dobrý základ pro inovace. Začněte s intuitivním a robustním informačním panelem nebo interaktivním reportováním či zkušebním prostředím, které řeší nejčastější metriky, dimenze, analýzy nebo data reportů. Potom uživatelům dovolte dělat úpravy a přizpůsobení, aby si tak vytvořili varianty pro své specifické potřeby. Možnosti trumfují vývoj Historicky se řešení BI dodávala jako reportovací systém, informační panel nebo krychle pro analytiky. Samoobslužné řešení posouvá toto paradigma od BI udělátka k dodání dat a sad nástrojů pro přístup k těmto datům a k jejich využití. Často se přitom opomíjí, že pro tuto změnu je důležité vzdělávání uživatelů. Značně se to ale liší od jednorázového úkonu. Školení a podpora jsou trvalou nutností, kterou je třeba plnit pomocí více modelů: formální školení v učebně, školení při jídle nebo linky technické podpory uživatelů na vyžádání. Zprovoznění samoobslužného řešení je prací na plný úvazek. BI týmy nejsou z obliga jen se změnil předmět dodávky. Kvalifikace a role týmu se musí změnit odpovídajícím způsobem. Není to sólistická záležitost Spolupráce je pro přijetí a životaschopnost samoobslužného řešení klíčová. Kooperace podporuje a využívá sílu kolektivu tím, že poskytuje funkce, které vyzývají uživatele, aby: vzájemně kontrolovali údaje a analýzy, rozvíjeli společné chápání sdílených dat, vyžadovali informace o příčinách a možný dopad hlavních zjištění, zachycovali a sledovali účinnost opatře - ní přijatých na základě ohlášených zjištění. Je třeba rovnováha Samoobslužné prostředí ze své podstaty umožňuje vytvořit ještě více matoucí chaos různorodých reportů a analýz. Naopak vhodně spravovaná prostředí s důrazem na spolupráci přirozeně podporují konsenzus a nakonec konsolidaci. Nalezení správné rovnováhy vyžaduje dobré řízení ve vztahu ke sdílení a zveřejňování informací, zvláště pro oficiální podnikové reporty, výstupy poskytované třetím stranám, jako jsou zákazníci či doda vatelé, a takové, které se uvádějí pro veřejnost z důvodu plnění předpisů. Nakonec samoobslužné řešení je výsledkem strategie robustního řešení BI a analýz. Při správném použití může rozšířit viditelnost, hodnotu i přijetí BI a analytických řešení. Naopak špatná realizace může popudit již tak nespokojenou a přetíženou uživatelskou komunitu. 20 BUSINESS INTELLIGENCE 2013