Self-service reprting jak aktuální trend v Business Intelligence, jeh přínsy, prblémy a úlha metadat Martin Matějka Vyská škla eknmická v Praze Fakulta infrmatiky a statistiky nám. W. Churchilla 4, 130 67 Praha 3 martin.matejka.kit@vse.cz Abstrakt: Článek se zaměřuje na Self-service reprting jak aktuální trend v blasti Business Intelligence. Je zhdncena pzice a rle self-service reprtingvých nástrjů vůči tradiční Business Intelligence architektuře a trend je dále diskutván v kntextu statních Business Intelligence trendů. Článek dchází ke zhdncení, že celá blast směřuje k pskytvání pdkladů pr rzhdvání businessvých uživatelů rychleji a ve vyšší kvalitě, než tmu byl v minulsti. Dále je diskutvána rle metadat v Business Intelligence becně za účelem využití získaných pznatků pr aplikaci na specifika self-service reprtingu. Ta jsu splu s aktuálními výzvami, kterým selfservice reprting čelí, analyzvána v předpslední kapitle článku. Ten v závěru dchází ke knstatvání, že metadata mají pr self-service reprting zásadní význam, který je pravděpdbně ještě větší než v případě tradičníh Business Intelligence prstředí. Organizace, která chce self-service reprting úspěšně využívat, bude zárveň muset aplikvat nezbytné pstupy řízení celéh prstředí vč. zmíněných metadat. Klíčvá slva: Business Intelligence, metadata, self-service, reprting, data gvernance Abstract: Article fcuses n Self-service reprting as current trend in Business Intelligence. Psitin f self-service reprting tls in traditinal Business Intelligence architecture is evaluated and the trend is discussed in cntext f ther Business Intelligence trends. The discussin cncludes that the whle area is aiming twards prviding business users with data supprting their decisins faster and in higher quality than ever befre. Article further discusses the rle f metadata in Business Intelligence generally t use gathered infrmatin fr prjectin f these results n self-service reprting specifics. These are tgether witch current challenges f the area analyzed in the secnd t last sectin f the article. The article cncludes that metadata have a crucial rle in self-service reprting that is likely t be even mre imprtant than in traditinal Business Intelligence setup. An rganizatin that wants t succeed with its self-service reprting initiative will als have t adpt necessary gvernance. Keywrds: Business Intelligence, metadata, self-service, reprting, data gvernance Úvd Tent článek si dává za cíl zasadit Self-service reprting jak aktuální trend v blasti Business Intelligence (BI) d kntextu tradiční architektury Business Intelligence a z ní 40 SYSTÉMOVÁ INTEGRACE 3/2017
Self-service reprting jak aktuální trend v BI, jeh přínsy, prblémya úlha metadat vyplývajících pžadavků, které se snaží Self-service reprting řešit. Ve druhé části tht článku tak shrnuji standardní architekturu BI za účelem ppsání výchzíh bdu. Ve třetí části pak představuji aktuální trendy v BI, které reagují na nedstatky tradiční architektury a přinášejí nvá řešení pžadavků business uživatelů. Jedním z nich je právě Self-service Business Intelligence 1 (SSBI). Čtvrtá část se zabývá becně prblematiku metadat v blasti Business Intelligence, aby pak pátá sekce ukázala v kntextu přínsů a prblémů SSBI význam metadat právě pr Self-service reprting. Celý článek je ve své pdstatě kmentvanu rešerší článků a zdrjů publikvaných v psledních letech, v nutných případech dplněných vybrané zdrje staršíh data. Závěr pak shrnuje zjištěné pznatky a tevírá diskusi pr další směr řešení zjištěných prblémů. 1. Tradiční architektura Business Intelligence Splečnst Gartner definuje Business Intelligence jak zastřešující termín zahrnující aplikace, infrastrukturu, nástrje a pstupy, které umžňují získání a analýzu infrmací pr zlepšení a ptimalizaci rzhdnutí a výknu (Gartner, Inc. and/r its Affiliates, 2017a). Další definici nabízí (Nvtný, a další, 2005), tedy že Business Intelligence (BI) představuje kmplex přístupů a aplikací IS/ICT, které téměř výlučně pdprují analytické a plánvací činnsti pdniků a rganizací a jsu pstaveny na principu multidimenzinality, kterým zde rzumíme mžnst phlížet na realitu z něklika mžných úhlů. Business Intelligence lze tedy vystihnut následujícími výrky (Matějka, 2014): Zahrnuje jak nástrje, tak přístupy a pstupy. Pdpruje rzhdvání. Za tímt účelem využívá dstupná data. Umžňuje na tat data phlížet z různých úhlů. Tradičně se tak aplikace Business Intelligence d statních bvyklých pdnikvých aplikací jak je ERP a CRM liší tím, že neklade důraz na c nejrychlejší přístup k detailním datům a jejich editaci, ale napak se snaží pskytnut hdnty pdnikvých ukazatelů vypčtených na základě dat z těcht systémů. Business Intelligence aplikace musí umžnit analýzu těcht hdnt z různých phledů (např. přes čas, pbčky, zákaznické segmenty a další) (Gála, a další, 2006). 1 V tmt článku jsu termíny Self-service Business Intelligence a Self-service reprting pvažvány za zaměnitelné, ačkliv p relativně nedávném vzniku kategrie nástrjů Self-service Data Preparatin a dalších je dle méh názru vhdné využívat pjem Self-service Business Intelligence pr značení celé rdiny Self-service nástrjů využitelných v blasti Business Intelligence a pr jedntlivé dílčí typy nástrjů pak pužívat knkrétnější pjmy jak právě Self-service reprting. SYSTÉMOVÁ INTEGRACE 3/2017 41
Martin Matějka Obrázek 1: Tradiční architektura Business Intelligence, zdrj (Pur, a další, 2012) Za účelem dsažení tht cíle se tak architektura Business Intelligence řešení standardně skládá z databází zdrjvých systémů, mezi které spadá právě např. ERP a CRM. Z těch jsu pmcí datvých pump, které také bývají značvány jak ETL (extract, transfrm and lad) nástrje, přenášena data d datvéh skladu. Při tmt přensu mnhdy dchází k jejich čištění a transfrmaci d ptřebné pdby. K tmu bývá využit dčasné úlžiště bvykle značvané jak data staging area. Z datvéh skladu, který bsahuje integrvaná data ze zdrjvých systémů, mhu být data přenášena d účelvě rientvaných datvých tržišť, d kterých je ukládána puze relevantní pdmnžina dat ve frmě, která pdpruje zamýšlené analytické využití, ke kterému byl datvé tržiště vytvřen. Eventuálně mhu být data také ukládána d OLAP databází, které svým charakterem vhdně pdprují analyticku činnst. Uživatelé k datům následně mhu přistupvat přes reprtingvé a data miningvé nástrje. Celým prcesem by měl prstupvat řízení kvality dat a správa metadat (Pur, a další, 2012). Jedntlivé kmpnenty tét architektury splu se vzájemnými vazbami zachycuje Obrázek 1. 2. Sučasné trendy v Business Intelligence Pradenská splečnst BARC prvedla v rce 2016 výzkum vnímání důležitsti jedntlivých trendů v blasti Business Intelligence na vzrku 2 772 respndentů napříč průmyslvými dvětvími, světvými reginy i pstavením respndentů vůči Business Intelligence trhu (business/it uživatel, ddavatel, knzultant). Respndenti hdntili 42 SYSTÉMOVÁ INTEGRACE 3/2017
Self-service reprting jak aktuální trend v BI, jeh přínsy, prblémya úlha metadat důležitst 21 trendů pr rk 2017 na škále d 0 (nedůležitý) d 10 (velmi důležitý). V průměru více jak šest bdů získaly následující trendy (BARC GmbH, 2016): Data Discvery / Visualisatin (7,2 bdů) Nástrje, které umžňují business uživateli rychle prniknut d bsahu zkumanéh datasetu mj. pmcí využití vizuálních prvků Self-service BI (7,1 bdů) Nástrje pskytující business uživatelům mžnst vytvářet vlastní dtazy nad daty, reprty, mdely a dashbardy Master Data / Data Quality management (6,9 bdů) Nástrje, metdy a pstupy zajišťující správnst analyzvaných dat Analytické databáze (6,4 bdů) Databáze rientvaná na analytické využití z phledu ulžení dat (slupcvě-rientvaná úlžiště), využití dpvídajícíh hardwaru (zpracvání v perační paměti), integrvané funkcinality (analýza textu) a architektnickéh přístupu Data Gvernance (6,4 bdů) Principy a pstupy řízení dat využívaných v analytických a prvzních systémech za účelem umžnění jejich efektivníh využití Prediktivní analytika (6,3 bdů) Pkrčilé analytické metdy zalžené na matematick-statistických mdelech za účelem dvzení nvých infrmací, dhalení vzrů chvání, závislstí a tvrbu předpvědí Agilní BI vývj (6,1 bdu) Aplikace iterativníh přístupu při vývji BI / analytických výstupů a aplikací, využití prttypů a rientace na aktuální ptřeby business zadavatele pžadavků Výsledky výzkumu shrnuje Obrázek 2. Pět z těcht sedmi trendů splu velice úzce suvisí a mají jeden splečný cíl pskytnut business uživateli pdklady pr rzhdvání rychleji a ve vyšší kvalitě, než se dařil v minulsti. Kvalita a vhdnst dat pr analytické využití je řešena v rámci Master Data / Data Quality managementu. Zrychlení pskytnutí pdkladů pr rzhdvání (a zajištění jejich relevance) je cílem Agilníh BI vývje. Tent pžadavek je pak t více akcentván v Self-service BI a Data Discvery / Visualisatin, kdy se business uživateli dstávají d ruku survá data a tent uživatel tak může díky uživatelsky přívětivým aplikacím nalézt dpvědi rychleji, než by tmu byl při využití standardníh prcesu BI/IT vývje. Při aplikaci tht přístupu je navíc mžné, že prces vlastní analýzy umžní business uživateli dhalit nvé suvislsti a relevantní tázky, které by mu unikly, kdyby pžadvaný výstup připravval BI/IT specialista, který nemusí nutně dispnvat hlubku dménvu znalstí, kteru má právě business uživatel. Efektivita celéh prcesu a jeh udržitelnst jsu pak témata řešená v rámci Data Gvernance. Tent směr vývje Business Intelligence ptvrzuje i splečnst Gartner ve svém Magickém kvadrantu pr Business Intelligence a analytické platfrmy z únru 2016 SYSTÉMOVÁ INTEGRACE 3/2017 43
Martin Matějka (Parentau, a další, 2016). Knstatuje, že pptávka na Business Intelligence trhu se psunula směrem k nástrjům, které jsu snadn pužitelné, svjí funkcinalitu pdprují kmpletní analytické wrkflw a nevyžadují významné zapjení ze strany IT za účelem předdefinvání datvých mdelů a datasetů jak předpklad pr prvedení knkrétních analýz. Důvdem je rstucí ptřeba rychlsti a agility při vývji analytických nástrjů, aplikací či vyknání ad-hc analýz na základě zjištění ptřeby nvých, dpsud nevyžadvaných infrmací. Obrázek 2: Význam trendů BI pr rk 2017, zdrj (BARC GmbH, 2016) D tht kntextu jasně zapadá dhad splečnsti Gartner uveřejněný v rk pzději vydaném stejném Magickém kvadrantu, že rganizace, ve kterých mají uživatelé přístup k aktualizvanému katalgu interně a externě dstupných dat, budu d rku 2020 dsahvat dvjnásbné návratnsti investic vynalžených na analýzu dat, než rganizace, které takvým katalgem nedispnují. (Sallam, a další, 2017) 44 SYSTÉMOVÁ INTEGRACE 3/2017
Self-service reprting jak aktuální trend v BI, jeh přínsy, prblémya úlha metadat 3. Metadata v Business Intelligence Ačkliv metadata nesuvisejí puze s blastí Business Intelligence, hrají zde významnu rli, jelikž právě v tét blasti dchází k integraci, analýze a využití dat z celé rganizace. Aby mhla být tat data úspěšně využita v rzhdvacím prcesu, je nutné, aby jejich uživatel měl jasnu představu tm, jaký je význam a kvalita jím využívaných datvých pdkladů. Tent pžadavek získává na důležitsti v kntextu sučasných trendů, kdy samtní business uživatelé mají k dispzici prstředky pr zpracvání těcht dat a jejich vzájemnu kmbinaci. Rizik špatné interpretace (a tedy i následnéh využití) dat je tak bez dpvídajících metadat velmi vyské. (Shankaranarayanan, a další, 2006) uvádí, že metadata jsu čast vnímána puze jak datvý slvník zachycující definice datvých plžek a jejich vzájemné vztahy. Tt vnímání je však velice mezené a přehlíží kmplexnst metadat. Vyjmenvává tak něklik mžných kategrií metadat: Infrastrukturní metadata zachycující jedntlivé kmpnenty systému využitelné zejména pr účely správy systému Metadata mdelu ppisující jedntlivé entity a jejich vzájemné vztahy na knceptuální, lgické a fyzické úrvni zahrnující sémanticku vrstvu umžňující překlad z fyzických datvých plžek na businessvé pjmy uchpitelné kncvými uživateli Prcesní metadata ppisující způsb zachycení a transfrmace jedntlivých datvých plžek d datvéh zdrje až p cílvu plžku, tedy datvý tk (dnes jsu tat metadata mnhdy nazývána jak data lineage ) Metadata kvalitě hdntící data z phledu jedntlivých kvalitativních dimenzí (úplnst, přesnst atd.) Metadata ddávce dat, resp. reprtingvá metadata, tj. metadata ppisující jakými způsby jsu data jejich kncvými uživateli knzumvána, v jakých reprtech a jakých frmách jsu dstupná Administrační metadata sledující využití a zabezpečení (přístupvá práva) jedntlivých datvých plžek Autři v článku dcházejí k závěru, že ačkliv ddavatelé BI nástrjů uznávají důležitst metadat a zahrnují suvisející funkcinalitu d svých prduktů, trpí tyt prdukty něklika nedstatky. Mim jiné jde rztříštěnst jedntlivých typů metadat mezi různé typy prduktů (databáze, ETL nástrje, reprtingvé nástrje), cž znesnadňuje jejich integraci, těsnu vazbu metadat na prdukty danéh ddavatele pět znemžňující jejich efektivní výměnu a integraci a dále mezenu pdpru pr správu businessvých metadat, tj. business pjmů vysvětlujících význam jedntlivých datvých plžek. Článek dále představuje kncept metadata repsitry jakžt jedntnéh integrvanéh úlžiště metadat a pvažuje jej za trend, kterým se v dbě psaní článku začala blast správy metadat ubírat. Nutn ddat, že v psledních letech již vznikly specializvané prdukty, které se snaží pkrýt širší spektrum metadat nezávisle na nástrji, který samtná data bsahuje. Jmenvat lze např. prdukty Semanta neb Cllibra d stejnjmenných firem. Tyt nástrje také kladu důraz na výše zmíněné business pjmy a jejich správu. SYSTÉMOVÁ INTEGRACE 3/2017 45
Martin Matějka Autři (Fshay, a další, 2007) zkumají, jaký dpad mají metadata na využití datvéh skladu. Tvrdí, že pdniky čast využívají puze zlmek ptenciálu a mžnstí svých datvých skladů, jelikž uživatelé bez metadat plně nerzumí datům, která mají k dispzici, neb jim nevěří, jelikž neví, zda se mhu splehnut na jejich kvalitu. Pr svůj výzkum tak stanvili následující tři hyptézy: 1. Kvalita a využití metadat určených pr kncvé uživatele má dpad na pstj těcht uživatelů vůči datům v datvém skladu. 2. Tent pstj vlivňuje t, jak kncví uživatelé vnímají užitečnst a jednduchst využití datvéh skladu. 3. T, jak kncví uživatelé vnímají užitečnst a jednduchst využití datvéh skladu, má dpad na samtnu míru využití datvéh skladu. Obrázek 3 zbrazuje tyt hyptézy na mdelu prvedenéh výzkumu. Pr účely výzkumu (Fshay, a další, 2007) zárveň vytváří následující taxnmii metadat určených pr kncvé uživatele datvéh skladu (DWH): Definiční metadata ppisující význam dat v DWH - víceméně dpvídají Metadatům mdelu z (Shankaranarayanan, a další, 2006) Metadata datvé kvality hdntící data z phledu jedntlivých dimenzí datvé kvality shdují se s Metadaty kvalitě z (Shankaranarayanan, a další, 2006) Navigační metadata ppisující, kde lze pžadvané data nalézt dpvídá Metadatům ddávce z (Shankaranarayanan, a další, 2006) Datvé lineage infrmující půvdním zdrji a tku dat shduje se s Prcesními metadaty z (Shankaranarayanan, a další, 2006) Taxnmie se tedy shduje s ppsanu kategrizací metadat z (Shankaranarayanan, a další, 2006) s tím, že vynechává metadata administrační a infrastrukturní, jelikž ta nemají pr kncvéh uživatele význam. Obrázek 3: Mdel výzkumu prvedenéh ve (Fshay, a další, 2007) 46 SYSTÉMOVÁ INTEGRACE 3/2017
Self-service reprting jak aktuální trend v BI, jeh přínsy, prblémya úlha metadat Všechny tři hyptézy byly v prvedeném výzkumu ptvrzeny. Zárveň byla získána následující zjištění: Techničtí dbrníci vyvíjející datvé sklady věří, že zásadní pr business uživatele jsu definiční metadata, zatímc tit uživatelé značili za nejpřínsnější metadata datvé kvality. Kncví uživatelé nejsu s metadaty, která mají k dispzici, plně spkjeni. Metadata mají na pstj kncvých uživatelů k datům v datvém skladu pdbný dpad, jak vnímaná kvalita pskytnutých šklení, využitelnst BI nástrjů a vlastní datvá kvalita. Na svůj výzkum autři navázali v (Fshay, a další, 2014). Zde knstatují, že stále platí, že BI aplikace nejsu využívány ve svém plném ptenciálu a že jedním z důvdů selhání těcht iniciativ bývá dmítnutí uživateli. Opakují, že metadata mají významný dpad na využití datvých skladů a že je nutné se zaměřit nejen na jejich existenci, ale také na jejich kvalitu. Na základě prvedených výzkumů shrnují, že metadata nemají puze dpad na efektivnst rzhdvacíh prcesu, ale také na kvalitu jeh výsledků. Uživatelé ptřebují mít k dispzici businessvě rientvané definice, pravidla, která ppisují kntext a pstupy případných výpčtů a lgiku využitu při dvzvání nvých dat. Stejně tak je kritická (a čast prblematická) samtná kvalita dstupných dat. (Fshay, a další, 2014) dále rzpracvává mdel z (Fshay, a další, 2007) a dále člení půvdní hyptézy. Závěry výzkumu jsu vesměs ttžné s tím, že nepdařil prkázat suvislst mezi metadaty tku dat (Data Lineage) a pstjem uživatelů vůči datům v datvém skladu. Předpkládám, že důvdem je slžitá uchpitelnst tht typu metadat businessvými uživateli, pr které jde příliš technicku infrmaci. Autři p sedmi letech pět dcházejí ke zjištění, že kncví uživatelé nejsu s metadaty celkvě příliš spkjeni. V tmt případě se pkusili zjistit důvdy tét nespkjensti a dhalili dvě základní příčiny: 1. Neprzumění pžadavkům kncvých uživatelů na metadata ze strany BI dbrníků 2. Způsby pskytvání metadat U neprzumění pžadavkům kncvých uživatelů se autři dvlávají na svůj dřívější výzkum (Fshay, a další, 2007), kde zjistili, že zatímc BI dbrníci pvažují za nejpřínsnější (pr business uživatele) definiční metadata, samtní uživatelé přikládají největší váhu metadatům datvé kvality. Nemyslím si, že tt implikuje, že by nebyl ptřeba sustředit se na definiční metadata (statně (Fshay, a další, 2014) prkazuje v knečném důsledku jejich pzitivní vliv na využití datvé skladu), ale že snaha pskytnutí metadat uživatelům není mnhdy vhdně rzlžená mezi jedntlivé kategrie metadat. Pvažuji za pravděpdbné (a má dsavadní zkušenst tmu dpvídá), že v případech, kdy mají kncví uživatelé k dispzici alespň nějaká metadata, jde puze metadata definiční, v některých případech pak navíc dplněná metadata navigační. Uživatelům pak chybí infrmace kvalitě dat k tmu, aby mhli psudit, zda se na tat data mhu splehnut. (Fshay, a další, 2014) dále analyzuje způsby pskytvání metadat kncvým uživatelům a zjišťuje, že mnhdy jsu využívány primitivní metdy. Knkrétně 68 % zkumaných rganizací udržuje metadata ve statických dkumentech, které SYSTÉMOVÁ INTEGRACE 3/2017 47
Martin Matějka neumžňují snadný přístup. Puze 15,1 % rganizací dispnuje nějakým metadata repsitry nástrjem, který zmiňuje (Shankaranarayanan, a další, 2006). 4. Self-service reprting Self-service Business Intelligence je v (Gartner, Inc. and/r its Affiliates, 2017b) definván jak kncví uživatelé navrhující a využívající své vlastní reprty a analýzy v rámci schválené a pdprvané architektury a prtflia nástrjů. (Pur, 2014) uvádí klíčvé charakteristiky a důvdy pr adpci Self-service reprtingu. Patří mezi ně krátký čas ptřebný k implementaci nvých analytických aplikací, flexibilita, ale i ptřeba pskytnut mžnst analýzy dat nižším úrvním managementu, na kterých se nachází vyšší przumění businessu. Nicméně tent přístup má zárveň i své stinné stránky. Patří mezi ně např. mezené mžnsti čištění dat a knslidace. Důsledkem mezených mžnstí datvé knslidace je úzký předmětný rzsah analytických aplikací, které mhu být frmu Self-service reprtingu vytvřeny. Pdle (Pur, 2014) např. nelze Self-service reprting bvykle využít pr řešení celpdnikvých úlh. Článek (Alpar, a další, 2016) shrnuje na základě dalších výzkumů aktuální dění v blasti Business Intelligence. Např. (McAfee, a další, 2012) knstatují, že v dnešní dbě pdniky zpracvávají více dat, než tmu byl v minulsti. Zárveň se úlhy Business Intelligence prhlubují d strategických úlh k perativním (Böhringer, a další, 2010). V důsledku th vzniká vyšší pptávka p službách Business Intelligence (Alpar, a další, 2016) a stejně tak rste i pčet změn pžadvaných businessem (Yu, a další, 2013). Výsledkem je, že BI dbrníci nezvládají vznikající pžadavky dbavvat. (White, a další, 2011) navrhuje jak řešení právě Self-service Business Intelligence (SSBI), kdy není ptřeba ke všem BI úknům využít BI dbrníky, cž je stávající stav (Stdder, 2015). Při využití SSBI pak dchází k psunu d běžné knzumace a využití dat business uživateli k jejich bjevvání explratin a discvery (Stdder, 2015). Psun v pžadavcích uživatelů sleduje i (Schlesinger, a další, 2015). Business uživatelé chtějí činit rychlá rzhdnutí na základě nejčerstvějších infrmací, redefinvat reprty a ve vyšší míře využívat filtrvání a drillvání, tedy rzpadání analyzvaných hdnt na nižší hierarchické úrvně dimenzí, které jsu pří analýze využívány. Splu s těmit pžadavky uživatelů se bjevil velké mnžství SSBI nástrjů, které pskytují širku funkcinalitu pr analýzu dat a jsu snadn pužitelné právě pr data explratin / discvery, manipulaci s daty, jejich frmátvání a vizualizaci. (Schlesinger, a další, 2015) však pukazuje na t, že v případech, kdy mají business uživatelé přístup k širkému rzsahu dat pdniku, dchází mnhdy k chybám z důvdu hádání jejich významu, spjvání různých datasetů přes nevhdné slupce apd. Článek připmíná, že aby uživatel mhl bjevvat, využívat a sdílet infrmace, musí pužívaným datům nejprve rzumět. Vzniká tak ptřeba sémantické vrstvy (definičních) metadat. (Schlesinger, a další, 2015) ppisuje pměrně specificku tvrbu takvé vrstvy pmcí mdelu nad standardním fyzickým datvým mdelem datvéh skladu pr využití splu s nástrjem SAP BusinessObjects. Ačkliv je ppisvané řešení dle méh názru btížně udržitelné a těžk přensitelné d jinéh prstředí, pdařil se prkázat, že ve vybudvaném prstředí jsu analytici schpni dsahvat knzistentních výsledků a zárveň byla pdpřena kmunikace v pdniku. 48 SYSTÉMOVÁ INTEGRACE 3/2017
Self-service reprting jak aktuální trend v BI, jeh přínsy, prblémya úlha metadat Stejně tak i (Burke, a další, 2016) uvádí mžné důvdy selhání Self-service Business Intelligence: Uživatelé tráví příliš času přípravu a čištěním dat Neexistují prcesy a gvernance, díky kterým by byl mžné validvat využívaná data Využitá aplikace není v suladu s architektnickými pžadavky na udržitelnst a řízení živtníh cyklu Uživatelé nemají schpnst přípravy výstupů, které jsu vhdné pr pdpru rzhdvání Výsledkem tak může být neefektivní využití času zaměstnanců a btížně využitelné výstupy zalžené na nevhdných datech, která mhu být špatně interpretvána. Jak řešení navrhuje (Burke, a další, 2016) vytvření centralizvanéh týmu, jehž členvé by dispnvali ptřebnými znalstmi a schpnstmi. Tent tým by pak prdukval SSBI výstupy na základě pžadavků business uživatelů. Ptám se však, jakým způsbem je tent přístup dlišný d standardníh centralizvanéh vývje reprtů, jehž nevýhdy má právě SSBI řešit? Je takvé SSBI stále schpné snížit zatížení úzce specializvaných dbrníků? Umžňuje rychlu analýzu a bjevvání dat, které dnes business uživatelé pptávají? Dle méh názru tmu tak není a je ptřeba hledat jiné řešení. (Weber, 2013) uvádí pdbné přínsy SSBI jak výše uvedené články. Ppisuje však, že p prvtním úspěchu SSBI, kdy se pdaří snížit přímé náklady na reprting a analýzu dat, dchází čast ke zjištění, že sučasný stav není udržitelný. Mezi prblémy, které zmiňuje, patří situace, kdy všichni mají přístup ke všemu myšlen ke všem pdnikvým datům. Tat situace však může být v prtikladu k tradičnímu BI principu jedné verze pravdy, jelikž uživatelé mhu pd stejnými daty rzumět různé věci a může tak dcházet k již zmiňvaným prblémům s chybnu interpretací a neknzistentními výstupy. Vzhledem k tmu, že při nasazení SSBI dchází k ddělení kmpetencí vývje datvéh skladu a vývje datvých prduktů (reprtů, dashbardů, analýz atp.), nemusí již být návrh datvéh skladu vhdný pr zamýšlené využití a pužívaný SSBI nástrj. Pr řešení těcht prblémů tak navrhuje připravvat výstupy zacílené na řešení tázek týkající se knkrétní blasti neb ddělení. Může jít například datvá tržiště bsahující puze data relevantní pr tut blast. Dále (Weber, 2013) navrhuje již d pčátku vývje splupracvat s dbrníky na daný SSBI sftware, aby byla zajištěna vhdnst navrženéh datvéh mdelu. Samzřejmstí pak je aplikace principů BI/Data Gvernance, ustanvení ptřebných rgánů, nastavení rlí a prcesů. (Meyers, 2014) cituje statistiku z (Eckersn, 2012), která tvrdí, že 64 % Self-service iniciativ měl pdle BI dbrníků jen průměrnu neb nižší míru úspěchu. (Meyers, 2014) navazuje tím, že každý BI prgram nezávisle na tm, zda Self-service neb nikliv, selže v kamžiku, kdy uživatelé nevěří pskytvaným datům. U SSBI je, jak už byl něklikrát zmíněn výše, rizik neknzistencí a nekvalitních výstupů vyšší, než v případě, kdy výstupy připravuje centralizvaný BI tým. Autrka prt akcentuje význam zavedení Data Management a Gvernance (DMG) prgramu před nasazením SSBI. V rámci tht prgramu je pak nutné nastavit standardy datvé kvality a přístupu k datům, zavést principy datvéh mdelvání, které umžní snadnu aplikaci sémantické vrstvy, a principy datvéh vlastnictví a tzv. stewardshipu, které v širším kntextu umžňují tvrbu a správu business (definičních) metadat. Stejně tak SYSTÉMOVÁ INTEGRACE 3/2017 49
Martin Matějka by tent prgram měl řešit zavedení katalgu reprtů, principy jejich dkumentace, standardy vývje a řízení (datvé) kvality reprtů a výstupů aj. (Meyers, 2014) dále dpručuje zavedení mdelu tzv. Pwer Users, kteří by rganizačně spadali d jedntlivých ddělení splečnsti, ale byli by pršklení na zavedené standardy DMG. Tit Pwer Users by pak byli nápmcni statním business uživatelům při využívání SSBI a aplikaci standardů a principů DMG. 5. Závěr V tmt článku jsem představil aktuální trendy v blasti Business Intelligence v jejichž kntextu jsem následně prvedl kmentvanu rešerši článků, které byly v psledních letech napsány na téma metadat a Self-service reprtingu (pr úplnst dplněné vybranými staršími zdrji). Z rešerše je patrné, že Self-service reprting, který je jedním ze sučasných trendů BI, řeší aktuální prblémy v tét blasti. Stejně tak však z rešerše vyplývá, že při jeh využití v praxi je nutné řešit řadu prblémů. Ačkliv se přístupy jedntlivých autrů různí, bvykle je spjuje rzpznání ptřeby existence metadat, která je v případě SSBI ještě důležitější, než u d nedávna tradiční BI architektury, kdy byly infrmační výstupy vyvíjeny zpravidla centralizvaně. T je v kntrastu se zjištěními z rešerše na téma metadat, která dhalila jejich becný význam a dpad v Business Intelligence a zárveň i pměrně neutěšenu situaci v praxi, kdy metadata nedpvídají ptřebám uživatelů. Zárveň se zdá být nezbytné celé prstředí pdpřit vhdnými principy a standardy řízení, tzv. Data Gvernance. Jak těmit principy a standardy, tak ptřebu metadat, jejich řízení a správy a využití v SSBI se plánuji zabývat ve svém dalším výzkumu. Jak velice vhdný se mi pr pdpru využití SSBI jeví mdel Pwer Users navržený v (Meyers, 2014). Vzhledem k pdstatě nástrjů pr Self-service reprting a rizikům spjatých s jejich využitím pvažuji za vhdnu integraci metadat definičních a částečně i datvé kvality d výstupů vytvřených v těcht nástrjích. Díky tmu by byl mžné snížit rizik špatné interpretace dat a připravených výstupů, eventuálně i rizik rzhdvání se na základě nevěřených a nekvalitních dat. Věřím, že tent přístup by mhl vhdně pdpřen knceptem metadata repsitry a vydefinvaným standardem výměny těcht typů metadat, který by byl implementván jak v metadata repsitry, tak v SSBI nástrjích. Citvaná literatura Alpar, Paul a Schulz, Michael, 2016: Self-Service Business Intelligence. Business & Infrmatin Systems Engineering, 58(2): 151-155 BARC GmbH, 2016: BI Trend Mnitr 2017 Böhringer, Martin, a další, 2010: A business intelligence perspective n the future internet. Prceedings f the Sixteenth Americas Cnference n Infrmatin Systems, Lima, Peru, August 12-15, 2010 Burke, Marsha, Simpsn, Wayne a Staples, Shad, 2016: The Cure fr Ailing Self- Service Business Intelligence. Business Intelligence Jurnal, 21(3): Eckersn, Wayne, 2012: Business-Driven BI. BeyeRESEARCH. [Online] 2012. http://www.beyeresearch.cm/study/16441 Fshay, Neil, Mukherjee, Avinandan a Taylr, Andrew, 2007: Des Data Warehuse End-User Metadata Add Value? Cmmunicatins f the ACM, 50(11): 70-77 50 SYSTÉMOVÁ INTEGRACE 3/2017
Self-service reprting jak aktuální trend v BI, jeh přínsy, prblémya úlha metadat Fshay, Neil, Taylr, Andrew a Mukherjee, Avinandan, 2014: Winning the Hearts and Minds f Business Intelligence Users: The Rle f Metadata. Infrmatin Systems Management,. 31(2): 167-180 Gála, Libr, Pur, Jan a Tman, Prkp, 2006: Pdnikvá infrmatika. Praha : Grada Publishing, a.s. Gartner, Inc. and/r its Affiliates. 2017a: Business Intelligence. Gartner IT Glssary. [Online] 2017a. http://www.gartner.cm/it-glssary/business-intelligence-bi/.. 2017b: Self-service Business Intelligence. Gartner IT Glssary. [Online] 2017b. http://www.gartner.cm/it-glssary/self-service-business-intelligence/. Matějka, Martin, 2014: Implementace nástje pr analýzu dat phybu sb. Praha : Vyská škla eknmická v Praze McAfee, Andrew a Brynjlfssn, Erik, 2012: Big data: the management revlutin. Harvard Business Review. 2012, 90(3): 60-69 Meyers, Crystal, 2014: Hw Data Management and Gvernance Can Enable Successful Self-Service BI. Business Intelligence Jurnal, 19(4): Nvtný, Ota, Pur, Jan a Slánský, David, 2005: Business Intelligence: Jak využít bhatství ve vašich datech. Praha, Grada Parentau, Jsh, a další, 2016: Magic Quadrant fr Business Intelligence and Analytics Platfrms Pur, Jan, 2014: Self-service business intelligence. Systémvá integrace, 21(1-2): 135-146 Pur, Jan, Maryška, Milš a Nvtný, Ota, 2012: Business Intelligence v pdnikvé praxi. Praha : Prfessinal Publishing Sallam, Rita L., a další, 2017: Magic Quadrant fr Business Intelligence and Analytics Platfrms, Gartner Shankaranarayanan, Ganesan a Even, Adir, 2006: The Metadata Engima. Cmmunicatins f the ACM, 49(2): 88-94 Schlesinger, Peggy A. a Rahman, Nayem, 2015: Self-Service Business Intelligence Resulting in Disruptive Technlgy. The Jurnal f Cmputer Infrmatin Systems, 56(1): 11-21 Stdder, David, 2015: Visual analytics fr making smarter decisins faster - applying self-service business intelligence technlgies t data-driven bjectives. TDWI Best Practices ReprtWeber, Myrn. 2013. Keys t Sustainable Self-Service Business Intelligence. Business Intelligence Jurnal, 18(1): 18-24 White, Clin a Imhff, Claudia, 2011: Self-service business intelligence: Empwering Users t Generate Insights. TDWI Best Practices Reprt Yu, Eric, Lapuchnian, Alexei a Deng, Stephanie, 2013: Adapting t uncertain and evlving enterprise requirements: The case f business-driven business intelligence. 7th IEEE Internatinal Cnference n Research Challenges in Infrmatin Science JEL Classificatins: C80, L86 SYSTÉMOVÁ INTEGRACE 3/2017 51