Z VL Á ŠTNÍ NEPRODE JNÁ PŘÍLOHA | LISTOPAD 201 3
Business
Intelligence
a datová analytika
In-memory značně urychlí
analytické procesy
Vizualizace zpřístupňuje
důležité informace pro každého
Prediktivní analytika
pomáhá i s „neřešitelnými“
problémy
G O L D PA R T N E R S
BI-2013.indd ob1 7
BI_2013_DEF.indd
29.10.13
15:05
10/29/13
11:17
AM
Kulatý stůl
V ÝBĚR VLASTNÍHO TÉMATU I DATA
Aktuální témata:
BEZPEČNOST V ÉŘE MOBILITY
A CLOUDU
X Zabezpečení mobilních zařízení
a zařízení zaměstnanců
X Shadow IT
X Zabezpečení cloudových řešení
a virtualizovaných prostředí
X Data loss prevention
ŘEŠENÍ PRO PERSONALISTIKU,
ŘÍZENÍ KARIÉRNÍHO RŮSTU
Z POHLEDU CIO
X HR systémy
X Systémy pro řízení kariérního
růstu v podniku
X Zvyšování kvalifikace v IT oddělení
X Řízení kariéry pro CIO
MOBILNÍ ŘEŠENÍ
PRO LEPŠÍ SPOLUPRÁCI
A FLEXIBILITU
X Vývoj vlastních aplikací
X Mobilní aplikace na míru
X Podpora spolupráce a práce
na dálku
X Správa mobilních zařízení
VIRTUALIZACE V ROCE 2013
A DALŠÍ VÝHLED
X Automatizace virtuálního
prostředí – privátní cloud
X Virtualizace kritických aplikací
X Virtualizace sítí a storage
X Endpoint virtualizace a VDI
X Přístup z mobilních zařízení
PRÁVO PRO CIO A ODPOVĚDNOST
MANAGEMENTU
X Ochrana osobních údajů
X Legislativa ve vztahu k IT
X Právní audit a compliance v IT
FRAUD DETECTION
Odhalování podvodů
a nestandardních transakcí
X
www.idg.cz
www.eventworld.cz
BI-2013.indd ob2
Kulate_stoly_210x295_inzerce.indd 1
ZORGANIZUJEME
VÁM KULATÝ STŮL
NA MÍRU PŘESNĚ
DLE VAŠICH
POŽADAVKŮ.
BUSINESS INTELIGENCE
A BIG DATA
X Práce s daty v reálném čase
(in memory)
X Analytické nástroje
X BI
X Dashboards
X Úložiště pro Big data
IT JAKO PILÍŘ MARKETINGU
CRM a další generace nástrojů
a aplikací pro marketing
X Sociální marketingové nástroje
X CIO vs. CMO – rozdělení
pravomocí
X
IT JAKO GARANT BYZNYS PROCESŮ
Procesní řízení
X Zvyšování flexibility
X Procesy vs. Technologie
X Jak z IT specialistů
udělat procesní specialisty
X Mapování procesů
X Automatizace
X
OBCHODNÍ A ORGANIZAČNÍ ZÁLEŽITOSTI:
Jan Raboch, [email protected]
Michala Najbrtová, [email protected]
Irena Dubová, [email protected]
OBSAHOVÉ ZÁLEŽITOSTI:
Ondřej Hergesell, [email protected]
Zbyněk Hutar, [email protected]
ORGANIZÁTOR:
IDG Czech Republic, a.s., Seydlerova 2451, 158 00 Praha 5
IČ: 00565211, GSM: + 420 603 228 281, tel.:+ 420 257 088 144,
fax: +420 235 520 812, www.idg.cz, www.eventworld.cz
29.10.13 15:05
10/29/13 1:16 PM
1:16 PM
OBSAH | BUSINESS INTELLIGENCE
PAVE L LO UDA
vedoucí projektu
Heslem dne je snadnost
i automatizace
P
odpora 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
sofistikovaně využít.
Ukazujeme i příklady organizací, které pomocí pokročilé BI výrazně zlepšily
svou konkurenceschopnost – tak neváhejte a zařaďte se mezi ně i vy.
Partneři vydání
Gold partners:
Silver partners:
Obsah
4
8
10
12
16
20
22
Analytiku ovládla vizualizace
Začínáme s pokročilou analytikou
Technologie in-memory zrychluje datové analýzy
Prediktivní analytika pomáhá s „neřešitelnými“ problémy
Sociální marketing se bez analýz neobejde
Samoobslužné BI lépe zpřístupní analytiku
Co přinášejí analýzy Intelu a UPS?
CO M P U T E RWO R L D.c z
BI-2013.indd 3
3
29.10.13 15:05
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 H AR B E RT
J
eden 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
(www.perceptualedge.
com/example18.php)
můžete vidět předchozí
podobu stejného grafu
bez použití potřebných
principů.
4
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 disciplí-
ny 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.
BU S I N E S S I N T E L L I G E N C E 2013
BI-2013.indd 4
29.10.13 15:05
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 (www.perceptualedge.
com/example7.php) můžete vidět
předchozí podobu stejného grafu
bez použití potřebných principů.
„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-
30 %
USA
ostatní
25 %
20 %
Japonsko
15 %
Francie
Záp. Německo
10 %
1977
1978
1979
1980
CO M P U T E RWO R L D.c z
BI-2013.indd 5
5
29.10.13 15:05
BUSINESS INTELLIGENCE | ZOBRAZOVÁNÍ 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 fi-
nančního 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
Vlastnosti dobrého vizualizéra dat
■ 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.
6
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
požadují 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.
BU S I N E S S I N T E L L I G E N C E 2013
BI-2013.indd 6
29.10.13 15:05
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
V
řadě 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 120 00
E-mail: [email protected]
CO M P U T E RWO R L D.c z
BI-2013.indd 7
7
29.10.13 15:06
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.
MI C H AE L PAI N
P
ři 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.
KROK
1
Začněte velmi dobrou
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.
8
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.
KROK
2
Realizace a řízení dat
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 po-
hled 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.
KROK
3
Vyhodnotit a vylepšit
KROK
4
Rozšířením lze dosáhnout
návratnosti investic
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.
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.
BU S I N E S S I N T E L L I G E N C E 2013
BI-2013.indd 8
29.10.13 15:06
Proda
Prodata-MP.indd
BI-2013.indd 9 9
23.10.13
29.10.13 16:17
15:06
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
P
ři použití řízení nabídek v reálném
čase vydavatel zašle 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 1 000×
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
10
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-
BU S I N E S S I N T E L L I G E N C E 2013
BI-2013.indd 10
29.10.13 15:06
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 se-
lže, 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.
CO M P U T E RWO R L D.c z
BI-2013.indd 11
11
29.10.13 15:06
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.
MAR K JAF F E
J
eden 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
12
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.
BU S I N E S S I N T E L L I G E N C E 2013
BI-2013.indd 12
29.10.13 15:06
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.
J
estliže 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 100 000×
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.
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-memory platformě SAP HANA k vývoji léků
na rakovinu na základě analýzy DNA.
Nový systém minimalizuje prodlevy v testování a snižuje náklady. Je 408 000×
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:
www.saphana.com/community/learn/
solutions/predictive-analysis.
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
CO M P U T E RWO R L D.c z
BI-2013.indd 13
13
29.10.13 15:06
Business analytics: Od papíru
k high performance analytics
P E T R K L ÁŠT E R EC K Ý
D
o 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
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 ana-
lytických 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-
BU S I N E S S I N T E L L I G E N C E 2013
BI-2013.indd 14
29.10.13 15:26
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
CO M P U T E RWO R L D.c z
BI-2013.indd 15
15
29.10.13 15:26
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.
Sociální marketing – počátky
S ANDR A GI T T L E N OV Á
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
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.
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.
BU S I N E S S I N T E L L I G E N C E 2013
BI-2013.indd 16
29.10.13 15:06
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 skladu, 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 2 200 nemovitostí, aby si také
vytvořili účet na Facebooku.
Firma však záhy zjistila, že ne všichni
manažeři mají čas nebo jsou dostatečně
CO M P U T E RWO R L D.c z
BI-2013.indd 17
17
29.10.13 15:06
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
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
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
18
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.
Wickhamová, 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.
BU S I N E S S I N T E L L I G E N C E 2013
BI-2013.indd 18
29.10.13 15:06
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 7 300 m2, 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 20000-1:2011, 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 www.o2.cz/
corporate/ict a pro veřejnou správu na
www.o2.cz/pa/ict.
CO M P U T E RWO R L D.c z
BI-2013.indd 19
19
29.10.13 15:06
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.
KI M B E R LY NE VA L AOV Á
K
dysi 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.
20
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
dodavatelé, 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.
BU S I N E S S I N T E L L I G E N C E 2013
BI-2013.indd 20
29.10.13 15:06
Přínosy využití big dat
v byznys analýze
Pojem big data je diskutován v souvislosti s otázkami ohledně
jejich zpracování, ukládání a využití informačního potenciálu.
EVŽENIE REITMAYEROVÁ
M
anažeři si uvědomují, že pro zajištění úspěchu svých společností
musí přestat spoléhat na konvenční analytické nástroje a metody a využít
inovativní přístupy. Jednou z cest je právě
využití big dat k byznys analýzám.
Nejběžnějšími oblastmi pro použití big
dat jsou marketing a podpora prodeje.
Nové způsoby vytěžování dat pomáhají zefektivnit marketingové kampaně a komunikaci tím, že přesněji definují hodnotu
zákazníka, jeho potřeby a doporučené aktivity, ze kterých budou mít jak zákazník,
tak společnost největší přínos.
Uveďme si dva příklady marketingových analýz:
Hledání nespokojených zákazníků
Klíčem k udržení zákazníků není jen rozpoznat vlastní stav nespokojenosti, ale být
schopen v detailu analyzovat události, které k nespokojenosti vedly.
Big data umožňují použít nové typy
analýz a metrik, jako jsou:
■ Budoucí riziko toho, že zákazník přestane nakupovat zboží nebo služby.
■ Ohodnocení angažovanosti zákazníkova vztahu ke společnosti v důležitých bodech, jako jsou prodej, prohlížení webu,
komunikace na sociálních sítích, hodnocení a recenze.
■ Zhodnocení negativních a pozitivních
reakcí zákazníka podle kontaktní historie,
komunikace na sociálních sítích, napsaných
recenzí nebo telefonické komunikace.
■ Určení pravděpodobnosti toho, že zákazník doporučí značku nebo produkty
přátelům.
■ „Gold path“ analýza, kdy chování daného zákazníka je porovnáno s určeným sledem činností (etalonem), které vedou ke
konkrétní akci.
Personalizace webových stránek
Rozložení webové stránky, navigace a sdělení musí být aktuální, personalizované
a efektivní. Data o chování uživatelů na
webové stránce (tzv. click stream data)
umožňují analyzovat to, jak webový kontext ovlivňuje nákupní chování zákazníků
a jak efektivní jsou navigace a rozložení
webových stránek. Analytická činnost se
skládá především ze zhodnocení postupu
zákazníků webovými stránkami. Odkud
zákazník na web přišel, jak jím procházel
a kam odešel po opuštění webu. Dále je
možné analyzovat obsah nákupního košíku, případně důvod jeho opuštění.
Výsledky analýz umožní optimalizovat
komunikační kanály, způsob nabízení produktů a služeb na webových stránkách
a upravit funkcionalitu nákupního koše
nebo i jiné aplikace pro prodej služeb tak,
aby se přizpůsobily přáním zákazníků.
Praktický příklad z bankovního
sektoru
s nabídkou úvěru a pojištění. Julie si
e -mail otevřela, na nabídku klikla, zjistila
podmínky, ale další dny se nic neděje.
Banka ví, že musí Julii nabídnout něco navíc. Analýzou dostupných dat byla schopna vytvořit speciální balíček služeb: výhodný úvěr na auto, pojištění a speciální
servis ve spřáteleném servisu. Za tři dny
volají Julii pracovníci call centra a nabízejí speciální balíček služeb, pokud si vezme
úvěr na auto od banky.
Odpověď Julie je kladná, ale žádá čas
na rozmyšlenou. Pracovníci banky zašlou
e -mail s popisem výhod a benefitů nabídky a postupem pro dojednání. Ten samý
den se Julie přihlašuje k elektronickému
bankovnictví, prodlužuje pojistnou smlouvu a potvrzuje úvěr. Nabídku přebírá lokální pobočka, pracovník pobočky volá
s nabídkou pomoci s vyplněním potřebných formalit. Večer dostává Julie domů
květiny s poděkováním od vedoucího pobočky. Ještě ten samý večer Julie na sociální síti popisuje své výborné zkušenosti
s bankou, pět jejích přátel souhlasí.
Z uvedeného příkladu je zřejmé, že
nové typy dat mohou přinést i nové podněty do analytických procesů a možnosti
v rozhodování. Kritické pro každou společnost zůstává určení oblastí a příležitostí, kdy tato data nejúčelněji využít k podpoře růstu. Stejně tak je nutné mít připravené datové a technologické zázemí pro
Julie je klientkou velké banky se zaměřením na drobnou klientelu, občany. U banky má vedený běžný účet a kreditní kartu.
Má 3letý úvěr na auto od leasingové společnosti, který již dva roky ze svého účtu
splácí. Od banky má na auto pojištění,
které za pět týdnů vyprší.
Cílem banky je, aby příští
Jednotná analycká
úvěr i pojištění bylo od ní.
datová plaorma
Co o Julii banka ví:
■ Na základě „Gold path“
analýzy transakcí na účtu
banka zjistila, že provádí
činnosti směřující ke koupi
nového auta.
Přímý prodej
■ Analýzou „click stream“
Email
Online
Call center
ATM
Branch
Dotazník
dat banka zjistila, že Julie
ověřovala podmínky změny
pojištění na jejím webu. Na
podporu analýz, což znamená získat a přistránky banky přišla z konkurenčních
pravit všechny typy interakcí a dat z růzstránek pro nabídky pojištění aut.
ných typů komunikačních kanálů a mít je
■ Podle analýzy transakcí na účtu a socidostupné v jednotné datové základně
álních sítí je Julie členem relativně uzak použití v analytických funkcích.
vřené komunity. Někteří členové skupiny
Pro využití celého spektra informací je
jsou současní klienti, někteří mají účet
nezbytná integrace obvyklých událostních
u konkurenční banky.
■ U klientů naší banky jsme zjistili, že
dat s novými typy dat, čehož lze dosáhnout
polovina má také úvěr na auto od stejné
koncepcí Teradata Unified Data Architecspolečnosti jako Julie a navíc Julie jej doture. Článek „Cesta k efektivnímu zhodmluvila první. Předpokládáme velký vliv
nocení podnikových informací“ předstaJulie na skupinu. Pokud si Julie pořídí
vuje koncepční přístup k této problematiúvěr u konkurence a přepojistí se jinde, je ce a byl zveřejněn v červnové speciální
veliká pravděpodobnost, že její přátelé ji
publikaci „Neztraťte se v big datech“ časobudou následovat.
pisu Computerworld http://data.computerZávěr banky je, že musí Julii co nejdříworld.cz/file/specialy/BigData_2013.pdf.
ve nabídnout výhodný úvěr a zaujmout ji
natolik, aby o tom řekla svým přátelům.
Autorka je senior business consultantka společnosti
Banka posílá personalizovaný e -mail
Teradata Česká republika
Kategorie textu
(obsah)
Typ stránky
Událost
ID produktu
ID prodejce
Událost
Událost
ID ATM,
Událost,
Částka
ID pracovníka,
Událost
ID pracovníka,
ID dotazníku
Kategorie odpovědi
CO M P U T E RWO R L D.c z
BI-2013.indd 21
21
29.10.13 15:06
BUSINESS INTELLIGENCE | PŘÍPADOVÉ STUDIE
Co přinášejí analýzy Intelu a UPS?
Dvěma významným globálním firmám přinášejí analýzy dat
velký zisk. Přinášíme, co by mohla vaše organizace
při liknavém postupu promeškat.
J UL I A K I NGOVÁ
P
očítače, mobilní telefony, tablety,
senzory, tweety, texty a příspěvky
v sociálních sítích, nemluvě o tuctovém prodeji a registraci transakcí on-line – to vše obsahuje potenciálně cenná
data. Mnoho dat.
IDC odhaduje, že v roce 2020 dosáhne
počet on-line transakcí mezi podniky navzájem i mezi organizacemi a zákazníky
hodnoty 450 miliard denně.
Podívali jsme se na dvě společnosti,
které patří ve vytváření velké obchodní
hodnoty z big dat a analytických technologií mezi nejlepší. Na vrcholu jejich seznamů cenných zjištění je, že hluboce
zakořeněná kultura analýzy a vytrvalé
zaměření na efektivitu nákladů a zlepšování procesů jsou nedocenitelné.
Miliony za rozšíření prodeje
Tradiční technologii BI se v Intelu daří
dobře, ale teprve dolování big dat a prediktivní analýza jsou síly určující efektivitu designu a výroby. Odkrývají také nové
zdroje příjmů, které jen v loňském roce
2012 přinesly navíc až desítky milionů dolarů.
„Začíná to přesvědčením, že můžete změnit výsledky,“ tvrdí Kim Stevensonová, ředitelka IT tohoto výrobce čipů. To, jak
říká, vyžaduje méně času stráveného
s otázkami ohledně historie, což je rámec
22
působnosti tradičních systémů BI, a větší
zaměření na budoucnost, což je doménou
prediktivní analýzy.
Predikce v Intelu, jehož obrat činí desítky miliard dolarů ročně, vyžaduje analýzu obrovského množství dat, rozpoznání
vzorů a poté aplikování prediktivních algoritmů pro řešení problémů s vysokou
podnikovou hodnotou.
Například v roce 2012 vytvořilo IT oddělení Intelu nový prodejní nástroj pro
distributory, který zvýšil tržby výrobce tak,
že jeho prodejnímu týmu umožnil nejprve
identifikovat distributory s větším objemem a poté se na ně strategicky zaměřit.
Zmíněný nový softwarový stroj doluje
údaje z velkých sad interních i externích
dat a poté aplikuje prediktivní algoritmus,
aby určil nejslibnější distributory. Dosud
pomohl identifikovat třikrát více distributorů s vysokým potenciálem v asijsko-tichomořském regionu, než obvykle odkrývaly manuální metody, pochvaluje si
Stevensonová.
Lze to vyjádřit jako potenciál nových
a rozšířených prodejů ve výši zhruba
20 milionů dolarů. Při zavádění těchto
nástrojů i pro další regiony se očekávají
zase zisky.
V oblasti výroby Intel používá prediktivní analytický nástroj, aby pomocí něj
zkrátil dobu pro testování mikroprocesorů. Firma tak při testování jen během
doby ověřování konceptu ušetřila zhruba
3 miliony dolarů. Stevensonová očekává,
že do roku 2014 dojde v rámci celé společnosti k úspoře dalších 30 milionů dolarů,
protože se nástroj nasadí v mnohem větším rozsahu.
Úspěch analytických technologií byl
v Intelu, mírně řečeno, velmi rychlý. Stevensonová tvrdí, že klíčem je vyřešit problémy s úsporou velkých částek, dosaženou pomocí relativně malých a rychle
fungujících týmů.
„Věděli jsme, že abychom byli schopni zaměřit podnik na budoucnost a kladli lepší
otázky, které by vedly k lepším výsledkům,
musíme zvládnout všechny věci rychle,“ vysvětluje Stevensonová.
„Vycházeli jsme z tradičního prostředí BI,
kde je zkoumání výchozích dat mnohdy neřešitelným problémem. Lidé na tom pracují
věčně a firma nutně nemusí získat nějakou
přidanou hodnotu.“
Stevensonová tedy přišla s pravidlem
„šesti měsíců a 10 milionů dolarů“. „Vyřešit problém s hodnotou 10 milionů dolarů za
šest měsíců je důležité. Každý generální ředitel řekne, že by klidně investovali šest měsíců, pokud by mohli ušetřit 10 milionů dolarů,“ prohlašuje Stevensonová.
Najala si proto tým pěti lidí složený
z obchodního experta, statistika, tvůrce
prediktivních modelů, odborníka na strojové učení a datového vědce.
„Každý člověk z týmu měl trochu jiný
způsob nahlížení na problém, který jsme se
pokoušeli vyřešit. Šestiměsíční lhůta byla
možností, jak prokázat schopnost skutečně
změnit způsob, jakým věci děláme,“ uvádí
Stevensonová.
Kromě projektů, které zkrátily dobu
testování a identifikovaly lukrativní distributory, se tímto způsobem dokončilo dalších 13 analytických projektů. Stevensonová proto zvýšila laťku na vyhledání problémů s hodnotou 100 milionů dolarů a vyzvala další týmy, aby je začaly řešit.
„Když máte dobré výsledky, můžete růst,“
vysvětluje Stevensonová. Další projekty
zahrnují prediktivní stroj pro zjednodušení návrhu čipů Intel a procesu ladění, jiný
zase předvídá nové hrozby zabezpečení
informací.
Stevensonová však upozorňuje, aby
podniky nepodceňovaly potřebné dovednosti pro analytické iniciativy a čas, který
může být potřebný k získání těchto
dovedností.
„Když tak přemýšlím o rychlosti, jakou
jsme se učili technologie Hadoopu, a o některých pokročilejších prezentačních vrstvách,
BU S I N E S S I N T E L L I G E N C E 2013
BI-2013.indd 22
29.10.13 15:06
PŘÍPADOVÉ STUDIE | BUSINESS INTELLIGENCE
které se velmi odlišují od řešení SAP nebo
tradičních systémů BI, chtěla bych zdůraznit, že křivka učení technických dovedností
rozhodně není zanedbatelná,“ varuje
Stevensonová.
A její další rada zní: „Rozvíjejte chuť
k experimentování, zejména kvůli tomu, že
se analytické technologie stále vyvíjejí. Vítězové a poražení na technologické straně nejsou zatím zcela jasní,“ popisuje. „Držte si
široký záběr.“
Úspory paliva i bezpečnost řidičů
Dopravní a logistický obr UPS, který má
roční obrat 54 miliard dolarů, do IT každoročně investuje zhruba miliardu, přičemž velmi významná část z toho je vyhrazena pro datové analýzy, uvádí Juan
Perez, tamější viceprezident pro informační služby. Současnými cíli jsou zlepšení obchodních procesů, snížení nákladů
a zvýšení efektivity.
Tato snaha byla úspěšná. Na základě
analýzy nepřetržitého toku dat ze senzorů
jejích tisíců dopravních kamionů firma
zkrátila nájezdy o 8,5 milionu km, snížila
dobu volnoběhu motorů o téměř 10 milionů minut, ušetřila 2,5 milionu litrů paliva
a snížila emise kysličníku uhličitého
o více než 6 500 tun.
Srdcem těchto neuvěřitelných ukazatelů je Orion, akronym z anglického názvu
„integrovaná optimalizace a navigace na
cestách“.
Jde o datově náročný systém, který prostřednictvím řady složitých algoritmů jed-
notlivým řidičům určuje nejefektivnější
cesty pro doručení nákladů. Navíc tento
systém používá velké množství senzorických dat k předpovědím, kdy by mohla selhat určitá součástka kamionu, takže lze
včas naplánovat a vykonat preventivní
údržbu.
Orion manažerům UPS také umožňuje
sledovat zvyky jednotlivých řidičů a zjistit
například, kolikrát couvají nebo kamion
otáčejí. Tyto informace se mohou použít
k identifikaci těch, kteří potřebují další
školení.
„Máme senzory, jež zachycují informace
o vozidle i chování jeho řidiče. Tato data propojíme s údaji o dodání a naložení nákladu,
takže můžeme získat ucelený obraz o tom,
jak šofér každý den plní svou práci,“ prohlašuje Perez. „To má neuvěřitelný vliv na způsob, jakým své podnikání ve všech oblastech
řídíme.“
Nyní se zájem UPS o data rozšiřuje
dále směrem ven. Jejím cílem je mnohem
více se přiblížit ke svým zákazníkům pomocí další analytické služby označované
jako UPS My Choice, která lidem umožňuje určit individuální požadavky pro jejich interakci s touto společností.
Zákazníci, kteří tuto službu využívají,
mohou mimo jiné dát konkrétní pokyny
pro způsob a přesné místo doručení svých
balíčků na konkrétní adresy, přesměrovat
balíčky, pokud se místo změní, a zapnout
si zasílání upozornění na stav dodávky.
„Zavedli jsme nový přístup k řízení osobních dodávek. Tato úroveň napojení na naše
klienty změní naše podnikání nyní i v následujících letech. Užší integrace se zákazníky
je to, co nám umožňuje zvýšit tržby,“ tvrdí
Perez.
V prvním roce, kdy začala být služba
UPS My Choice dostupná, si ji zaregistrovaly více než 2 miliony zákazníků a pod
její záštitou se dodalo více než 25 milionů
balíčků.
Údaje o požadavcích zákazníků pomáhají firmě UPS v reakci na tyto požadavky
dále zdokonalovat své vnitřní procesy,
„takže můžeme budovat individuální zkušenost,“ pochvaluje si Perez.
Ještě důležitější však je, že údaje umožňují pochopit, jaké nové produkty a služby
by šlo lidem nabídnout.
„Všechny informace o pohybu a doručení
a způsob, jak na tato oznámení zákazníci reagují, nám sdělují, co si přejí, takže můžeme
odpovídajícím způsobem vytvářet produkty
a služby, abychom plnili jejich představy. Je
to mnoho dat pro stanovení strategie pro
nové produkty a služby,“ pochvaluje si
Perez.
Dalším krokem bude podle Pereze vše
propojit dohromady a vytvořit barvitý obraz různých systémů big dat společnosti
UPS, aby se mohlo odhalit nové využití
pro tato data a z nich odvodit další obchodní hodnotu.
„Začíná to zlepšením procesů, ale jakmile
toto všechno budete propojovat dohromady,
může to předznamenat velké změny celého
podnikání,“ vysvětluje Perez. „A o to přesně
nám jde.“
SEZNAM INZERUJÍCÍCH FIREM
UCELENÝ INFORMAČNÍ ZDROJ PRO IT PROFESIONÁLY
GLOBTECH .................................................................................................................. 7
www.globtech.cz
Prodata Praha ........................................................................................................... 9
www.prodata.cz
SAP ČR ...................................................................................................................... 13
www.sap.com/cz
SAS Institute ČR .................................................................................................. 14, 15
www.sas.cz
Telefónica Czech Republic ........................................................................ 19, 4. obálka
www.o2.cz
Teradata Česká republika ......................................................................................... 21
Vydává: IDG Czech Republic, a. s., Seydlerova 2451,
158 00 Praha 5
Tel. ústředna s aut. provolbou: 257 088 + linka; fax: 235 520 812
Recepce: 257 088 111
Výkonný ředitel: RNDr. Jana Pelikánová
Šéfredaktor: Radan Dolejš
Tajemnice redakce: Růžena Holíková, tel.: 257 088 143
Vedoucí inzertního odd.: Jitka Vyhlídková, tel.: 257 088 181
Vedoucí projektu: Pavel Louda, tel.: 257 088 138
Jazyková úprava: Dana Štropová
Obálka: Petr Kubát
Adresa redakce: CW, Seydlerova 2451, 158 00 Praha 5
Internet: [email protected]
Zlom a pre-press: TypoText, s. r. o., Praha
Tisk: Libertas, a. s.
Předplatné a reklamace: IDG Czech Republic, a. s., Seydlerova 2451,
158 00 Praha 5, tel.: 257 088 163,
fax 235 520 812; e-mail: [email protected]
Doručuje Česká pošta, s. p., v systému D + 1
Předplatné pro Slovensko: Magnet-Press Slovakia, s. r. o.,
P.O.BOX 169, 830 00 Bratislava,
tel.: +421 267 201 910, 20, 30,
e-mail: [email protected]
Copyright: © 2013 IDG Czech Republic, a. s.
www.teradata.com
Člen asociace FIPP
BI-2013.indd ob3
29.10.13 15:05
BI-2013.indd ob4
O2_CORPORATE_ICT_FLEXIBILITA_channelworld_210x295.indd 1
29.10.13 15:05
18.10.13 14:39
Download

Business Intelligence a datová analytika