Aplikace pro podporou manažerského rozhodování

Mendelova univerzita v Brně Provozně ekonomická fakulta

Aplikace pro podporou manažerského rozhodování Diplomová práce

Vedoucí práce: Ing. Pavel Turčínek, Ph.D.

Bc. Jiří Nevídal Brno 2015

Rád bych tímto poděkoval vedoucímu mojí práce panu Ing. Pavlovi Turčínkovi, Ph.D. za odborné vedení, čas, který mi věnoval a za cenné rady, které vedly ke zkvalitnění této práce. Dále bych chtěl poděkovat panu Ing. Radkovi Staňkovi ze společnosti ISNO IT, s. r. o. za užitečné podklady k této práci, a v neposlední řadě pak svojí rodině a přítelkyni za podporu.

Čestné prohlášení Prohlašuji, že jsem tuto práci: Aplikace pro podporu manažerského rozhodování vypracoval samostatně a veškeré použité prameny a informace jsou uvedeny v seznamu použité literatury. Souhlasím, aby moje práce byla zveřejněna v souladu s § 47b zákona č. 111/1998 Sb., o vysokých školách ve znění pozdějších předpisů, a v souladu s platnou Směrnicí o zveřejňování vysokoškolských závěrečných prací. Jsem si vědom, že se na moji práci vztahuje zákon č. 121/2000 Sb., autorský zákon, a že Mendelova univerzita v Brně má právo na uzavření licenční smlouvy a užití této práce jako školního díla podle § 60 odst. 1 Autorského zákona. Dále se zavazuji, že před sepsáním licenční smlouvy o využití díla jinou osobou (subjektem) si vyžádám písemné stanovisko univerzity o tom, že předmětná licenční smlouva není v rozporu s oprávněnými zájmy univerzity, a zavazuji se uhradit případný příspěvek na úhradu nákladů spojených se vznikem díla, a to až do jejich skutečné výše. V Brně dne 20. dubna 2015

_______________________________

Abstract Nevídal, J. Application for business decisions. Diploma thesis. Brno: Mendel University, 2015 In this thesis are described a data processing techniques with a focus on Business Intelligence with using data warehouses. Then is performed analysis of the business environment and determined key performance indicators that will be monitored. In the next section is designed data warehouse that enables reporting the above mentioned of indicators, including their evolution in time. Subsequently is designed and implemented a user interface that makes the resulting reports will be available by the users. In conclusion, the resulting solution is evaluated, both from an economic and from an implementation viewpoint. Keywords Business Intelligence, Web application, Nette Framework, PHP, Power BI

Abstrakt Nevídal, J. Aplikace pro podporu manažerského rozhodování. Diplomová práce. Brno: Mendelova Univerzita, 2015. V této práci jsou popsány techniky zpracování dat se zaměřením na problematiku Business Intelligence s využitím datových skladů. Dále je provedena analýza podnikového prostředí a jsou stanoveny klíčové ukazatele výkonnosti, které budou dále sledovány. V další části je navržen datový sklad, který umožní reporting výše zmíněných ukazatelů a to včetně jejich vývoje v čase. Následně je navrženo a implementováno uživatelské rozhraní, díky kterému budou výsledné reporty dostupné daným uživatelům. V závěru je zhodnoceno výsledné řešení, a to jak z ekonomického tak z implementačního hlediska. Klíčová slova Business Intelligence, Webová aplikace, Nette framework, PHP, Power BI

Obsah

9

Obsah 1

2

Úvod a cíl práce

17

1.1

Úvod....................................................................................................................................... 17

1.2

Cíl práce................................................................................................................................ 17

Přehled literatury a pramenů 2.1

18

Manažerské rozhodování .............................................................................................. 18

2.1.1

Proces manažerského rozhodování ................................................................ 18

Identifikace rozhodovacího problému ............................................................................ 18 Analýza a formulace problému .......................................................................................... 18 Tvorba variant rozhodování................................................................................................ 19 Stanovení kritérií hodnocení............................................................................................... 19 Určení důsledků jednotlivých variant ............................................................................. 19 Hodnocení a výběr vhodné varianty ................................................................................ 20 Realizace zvolené varianty................................................................................................... 20 Kontrola výsledků ................................................................................................................... 20 2.2

Systémy pro podporu rozhodování........................................................................... 21

2.2.1

Manažerské informační systémy ..................................................................... 21

2.2.2

Systémy na podporu rozhodování ................................................................... 21

2.2.3

Expertní systémy .................................................................................................... 22

2.3

Business Intelligence ...................................................................................................... 23

2.3.1

Historie BI ................................................................................................................. 23

2.3.2

Principy zpracování dat v BI .............................................................................. 24

Architektura multidimenzionální databáze .................................................................. 24 2.3.3

Hlavní komponenty BI aplikací ......................................................................... 25

Zdrojové systémy..................................................................................................................... 26 Datový sklad .............................................................................................................................. 27 Proces ETL .................................................................................................................................. 27 Databáze OLAP ......................................................................................................................... 28

Obsah

10

Klientské nástroje .................................................................................................................... 28 2.3.4

Trendy v oblasti BI ................................................................................................. 28

Cloud computing ...................................................................................................................... 29 Mobilita BI .................................................................................................................................. 29 Sociální BI ................................................................................................................................... 30 Spojení BI a ERP ....................................................................................................................... 30 BI pro všechny........................................................................................................................... 31 2.3.5

Významní hráči na poli BI ................................................................................... 31

GoodData ..................................................................................................................................... 31 SAP

....................................................................................................................................... 32

Microsoft ..................................................................................................................................... 33 2.4

Společnost ISNO IT, s. r. o. ............................................................................................. 35

2.4.1

Inteligentní systém nakládání s odpady ........................................................ 35

Hlavní motivace pro vznik ISNO ........................................................................................ 36 V čem je ISNO spravedlivější ............................................................................................... 36 Nastavení motivačního systému ISNO ............................................................................. 36 Pohodlnost systému ISNO .................................................................................................... 37 3

Materiály a metody 3.1

38

Programové prostředky ................................................................................................. 38

3.1.1

PHP ............................................................................................................................... 38

3.1.2

Nette Framework ................................................................................................... 39

3.1.3

MySQL ......................................................................................................................... 39

3.1.4

Microsoft Excel 2013 a jeho doplňky .............................................................. 39

Power Query .............................................................................................................................. 40 Power Pivot ................................................................................................................................ 43 Power View ................................................................................................................................ 46 4

Výsledky 4.1

47

Analýza vnitřního/vnějšího prostředí ISNO IT, s. r. o. ....................................... 47

4.1.1

Analýza vnitřního prostředí ............................................................................... 47

Silné stránky .............................................................................................................................. 47

Obsah

11

Slabé stránky ............................................................................................................................. 47 4.1.2

Analýza vnějšího prostředí ................................................................................. 48

Příležitosti .................................................................................................................................. 48 Hrozby 49 4.2

Návrh BI řešení ................................................................................................................. 50

4.2.1 4.3

Databáze .................................................................................................................... 50

Implementace BI ............................................................................................................... 50

4.3.1

Ověření verze Excel a přítomnosti Power Query ....................................... 50

4.3.2

Zabezpečení vzdáleného přístupu do databáze ......................................... 50

4.3.3

Power Query dotazy .............................................................................................. 50

Dotaz Svoz .................................................................................................................................. 51 Dotaz Datum .............................................................................................................................. 51 Dotaz Stanoviste....................................................................................................................... 51 Dotaz Obec_ISNOIT ................................................................................................................. 51 Dotaz Obec.................................................................................................................................. 51 Dotaz Produkce odpadu ČR-kraje ..................................................................................... 51 Dotaz Nadoba ............................................................................................................................ 52 Dotaz Nadoba_objem.............................................................................................................. 52 Dotaz Nadoba_typ .................................................................................................................... 52 Dotaz Komodita ........................................................................................................................ 52 4.3.4

Datový model ........................................................................................................... 52

4.3.5

Reporting ................................................................................................................... 53

Počet nádob ............................................................................................................................... 53 Vývoj komodit ........................................................................................................................... 54 Počet zapojených domácností ............................................................................................ 55 Váha komunálního/tříděného odpadu............................................................................ 56 4.4

Návrh uživatelského rozhraní ..................................................................................... 57

4.4.1

Požadavky na aplikaci ze strany společnosti ISNO IT, s. r. o. ................ 58

4.4.2

Návrh databázové základny ............................................................................... 58

4.4.3

Grafický návrh ......................................................................................................... 59

4.5

Implementace uživatelského rozhraní .................................................................... 60

Obsah

5

12

4.5.1

Autentizace ............................................................................................................... 60

4.5.2

Heslo ............................................................................................................................ 60

4.5.3

Autorizace ................................................................................................................. 60

4.5.4

NiftyGrid..................................................................................................................... 61

4.5.5

Řádkové funkce ....................................................................................................... 61

4.5.6

Grafické formátování buněk............................................................................... 62

4.5.7

Filtrování záznamů ................................................................................................ 62

4.5.8

SubGrid ....................................................................................................................... 62

4.5.9

Modul Reporty/Analýza ...................................................................................... 63

Diskuse

65

5.1

Možnosti rozšíření ........................................................................................................... 65

5.2

Ekonomické zhodnocení ................................................................................................ 65

5.3

Přínos pro praxi ................................................................................................................ 66

6

Závěr

67

7

Literatura

68

A

Makra vytvořená v Excelu

71

B

A.1

Kontrola verze Excel 2013 ............................................................................................ 71

A.1

Kontrola přítomnosti doplňku Power Query ......................................................... 71

A.2

Kontrola připojení doplňku Power Query .............................................................. 71

Dotazy doplňku Power Query

73

B.1

Dotaz Svoz ........................................................................................................................... 73

B.2

Dotaz Datum ....................................................................................................................... 73

B.3

Dotaz Stanoviste ............................................................................................................... 74

B.4

Dotaz Obec_ISNOIT .......................................................................................................... 75

B.5

Dotaz Obec........................................................................................................................... 76

B.6

Dotaz Nadoba ..................................................................................................................... 76

B.7

Dotaz Nadoba_objem....................................................................................................... 77

B.8

Dotaz Nadoby_typ ............................................................................................................ 78

B.9

Dotaz Komodita ................................................................................................................. 78

Obsah

C

Referenční list

13

79

Seznam obrázků

14

Seznam obrázků Obrázek 1: Princip multidimenzionální databáze [15] Obrázek 2: Architektura Business Intelligence [7] Obrázek 3: Platforma Power BI [13] Obrázek 4: Logická architektura ISNO [9] Obrázek 5: Karta Power Query v prostředí Excel 2013 Obrázek 6: Samostatné okno doplňku Power Query Obrázek 7: Rozšířený editor jazyka M v doplňku Power Query Obrázek 8: Diagram datového modelu v Power Pivot Obrázek 9: Kalkulovaná pole a kalkulovaný sloupec v Power Pivot Obrázek 10: Ukázka interaktivních prvků v Power View Obrázek 11: Datový model navrhovaného BI řešení Obrázek 12: Ukázka reportu - Počet nádob Obrázek 13: Ukázka reportu - Vývoj svezených komodit Obrázek 14: Ukázka reportu - Počet zapojených domácností Obrázek 15: Ukázka reportu - Váha komunálního a tříděného odpadu Obrázek 16: ERD diagram webové aplikace Obrázek 17: Hlavní grid - Obce Obrázek 18: Subgrid Průběžná evidence odpadu Obrázek 19: Modul Reporty/Analýza

25 26 33 35 40 41 42 44 45 46 53 54 55 56 57 59 61 63 64

Seznam tabulek

15

Seznam tabulek Tabulka 1: SWOT analýza – silné stránky Tabulka 2: SWOT analýza – slabé stránky Tabulka 3: SWOT analýza – příležitosti Tabulka 4: SWOT analýza – hrozby

47 48 48 49

Úvod a cíl práce

17

1 Úvod a cíl práce 1.1

Úvod

V současné době se v oboru informačních technologií, ale i v mnohých dalších oblastech čím dál více hovoří o pojmu „Business Intelligence (BI). Společnosti, které jsou úspěšné na dnešním konkurenčně nabitém trhu, mají dokonalý přehled nejen o dění na trhu, ale i činnostech svých přímých konkurentů. Zároveň dovedou uchovávat velké množství dat, ze kterých následnou analýzou dokáží získat užitečné informace, které následně mohou využít nejen jako podporu pro rozhodování, ale mohou tyto informace využít také ke zvýšení konkurenceschopnosti na trhu nebo zefektivnění podnikových procesů. Právě podpora rozhodování je z hlediska dnešního působení na trhu důležitým doplňkem vnitropodnikových informačních systémů. Aplikováním technologií BI může společnost získat komplexní pohled na situaci v podniku. Tyto technologie dokáží zpracovávat velké množství dat a dokáží identifikovat a přinášet společnosti nové příležitosti. Díky BI technologiím získává společnost ucelený pohled na sledované klíčové ukazatele výkonnosti a to včetně jejich vývoje v čase. Tyto užitečné informace pak může využít například při plánování reklamních kampaní, k pravidelnému vyhodnocení úspěšnosti působení společnosti na trhu či k zefektivnění manažerského rozhodování. Díky moderním technologiím se čím dál více stává BI řešení dostupnější i pro menší společnosti. Tento jev je způsoben především prudkým rozvojem Cloud technologií a self-service BI, které umožňují koncovým uživatelům vytvářet kvalitní analýzy a reporty nad datovou základnou, což v mnoha směrech zefektivňuje práci podnikových manažerů a přináší společnosti spoustu dalších výhod.

1.2

Cíl práce

Cílem práce je navrhnout a implementovat prostředí pro podporu manažerského rozhodování. Součástí této aplikace, která je vytvářena pro společnost ISNO IT, s. r. o., je prostředí pro sdílení a stahování interaktivních reportů, které jsou vytvořeny pomocí doplňků Microsoft Office 365, konkrétně pomocí doplňků Power Query, Power Pivot a Power View. Výsledné reporty mohou dále sloužit manažerům společnosti jako podpora při strategickém či operativním rozhodování. Uživatelům aplikace umožní stahování navržených reportů od IT pracovníků, následnou analýzu informací, či tvorbu vlastních reportů ve známém prostředí Excel. Součástí této aplikace je také uživatelsky přívětivý tabulkový data grid, kde je uživatelům umožněno ukládat informace získané z trhu a tyto informace následně analyzovat, exportovat apod.

Přehled literatury a pramenů

18

2 Přehled literatury a pramenů 2.1

Manažerské rozhodování

Rozhodování je proces, který každý člověk zažívá dnes a denně. Například při výběru vhodného oblečení do zaměstnání, způsobu stravování nebo při koupi nového automobilu. Ne jinak je tomu v prostředí malých ale i velkých společností, jejichž manažeři musí každodenně řešit problémy spojené s existencí jejich podniku. Jedná se především o rozhodování mezi alespoň dvěma variantami. Učinit správné rozhodnutí, není často zcela jednoduchá záležitost, zejména pokud na správném rozhodnutí manažera závisí budoucí existence společnosti. Kvalitní manažeři jsou proto v dnešní době nezbytnou součástí úspěšných společností. K úspěšnému rozhodování již nestačí pouze dokonalá znalost dané problematiky, selský rozum a intuice daného manažera, ale manažerské rozhodování využívá jako podporu k tomu, jak se efektivně a hlavně správně rozhodovat, také nejrůznější matematické metody a IT technologie. 2.1.1

Proces manažerského rozhodování

Výsledkem rozhodovacího procesu by měl být výběr optimální varianty. Tento proces se skládá z několika po sobě jdoucích činností, přesněji řečeno se tento proces skládá celkem z osmi etap, přičemž správné provedení všech těchto etap by mělo vést ke konečnému výběru dané varianty (řešení problému). Jednotlivé etapy rozhodovacího procesu jsou popsány v následujících odstavcích této kapitoly. Identifikace rozhodovacího problému Jedná se o prvotní etapu rozhodovacího procesu. Její podstatou je uvědomění si vznikajícího problému. Identifikace rozhodovacího problému je založena na systematickém získávání, analýze a vyhodnocení vnitropodnikových informací, či informací získaných z tržního prostředí týkajících se jak společnosti, tak i jejího okolí. Častým nedostatkem při řešení rozhodovacího problému v běžné praxi, bývá necitlivost manažerů (odpovědných za rozhodování ve společnosti) vůči vzniklým problémům a jejich opožděná identifikace teprve v okamžiku, kdy je již problém značně prohlouben [1]. Analýza a formulace problému Základním prvkem této etapy je detailnější poznání daného problému. Dalším krokem je identifikace příčin vzniku problému. V této fázi je především důležité posoudit, zda jsou příčiny této nežádoucí situace známé či nikoli. Kromě vyjádření příčin je také třeba vymezit a specifikovat stránky a faktory, i jejich vzájemné vazby, posoudit rozsah problému v časovém horizontu a vymezit skupinu zainteresovaných stran (osob, oddělení nebo organizací), které by mohli být určitým řešením daného


19

problému nějakým způsobem ovlivněny. V neposlední řadě je také důležité stanovit cíl řešení dané situace. Výsledkem této etapy by měla být vlastní formulace problému, která má pro kvalitu řešení zásadní význam [1]. Tvorba variant rozhodování Jedná se o etapu, která patří mezi nejvýznamnější fáze rozhodovacího procesu, ve které jsou kladeny vysoké nároky na tvůrčí schopnosti manažerů. Manažeři musí často řešit převážně špatně strukturované rozhodovací problémy, v nichž hrají velkou roli jejich zkušenosti, znalosti a osobnostní charakteristiky. Informace o chybných rozhodnutích, může manažerům umožnit vyvarovat se následných chyb v jejich rozhodovacích činnostech [24]. Snahou manažerů by proto mělo být zpracování co možná nejrozsáhlejšího souboru koncepčně odlišných variant. Optimální variantu řešení lze totiž vybrat pouze ze souboru zpracovaných variant. Čím více připravených variant, tím větší je pravděpodobnost dosažení dobrého řešení daného problému. Ke zvýšení efektivnosti výběru možných variant při řešení rozhodovacích problémů může přispět využití týmové spolupráce (zapojení více pracovníků s odlišnou profesní orientací, informační vybaveností apod.). Členové stanoveného týmu mohou rovněž využít některé metody, jako je brainstorming nebo např. modelování pomocí výpočetní techniky, jež mohou také pomoci při vytváření jednotlivých variant řešení [1]. Častým nedostatkem této etapy je vytvoření malého počtu variant, protože se rozhodovatel velice často spokojí pouze s jediným navrženým řešením. Stanovení kritérií hodnocení Další etapou v rozhodovacím procesu je stanovení kritérií hodnocení variant. Tato kritéria slouží k lepšímu posuzování jednotlivých variant a jsou odvozená od daných cílů řešení rozhodovacího problému. Tyto kritéria se dále rozdělují na kvantitativní (číselně vyjádřitelná) a kvalitativní (vyjádřitelná slovně). Zvolená kritéria pro hodnocení variant rozhodovacího problému, by dále měla splňovat tyto požadavky [1]:  úplnost (soubor kritérií by měl umožnit posuzování a hodnocení všech přímých a nepřímých, pozitivních i negativních důsledků variant),  neredundance (každý aspekt by měl ovlivňovat hodnocení pouze jednou). Určení důsledků jednotlivých variant V této etapě rozhodovacího procesu, který je v mnohých odborných publikacích zaměřujících se na problematiku manažerského rozhodování, zahrnutý přímo do etapy tvorby variant, dochází ke stanovení potenciálních důsledků jednotlivých variant vzhledem ke všem zvoleným kritériím. Často dochází k tomu, že v předchozí etapě stanovený soubor kritérií bude rozšířen o další, a některá již zvolená kritéria budou upřesněna.


20

V této fázi rozhodovacího procesu se často manažeři uchylují k oslovení externích pracovníků, kteří by zpracovali budoucí důsledky, které pro společnost bude mít výběr té či oné varianty [1]. Hodnocení a výběr vhodné varianty Podstatou této etapy je interpretace rozhodnutí, která zahrnuje všechny procesy nezbytné k tomu, aby výsledné rozhodnutí mohlo být realizováno. Tedy i jednoznačnou a srozumitelnou formulaci rozhodnutí, pokyny k provedení nebo uložení příslušného úkolu a informování příslušných zaměstnanců [24]. V praxi se jedná především o posuzování daných variant podle zvolených kritérií a zjištění, která varianta řešení daného problému má nejlepší souborové hodnocení. Při tomto hodnocení variant se uplatňují pomocné expertní metody např. posouzení výhod a nevýhod jednotlivých variant, nebo metody vícekriteriálního hodnocení, kde se jednotlivým kritériím přiřazují váhy důležitosti, a následným postupem je vypočítáván optimální způsob řešení vzniklého problému [1]. Realizace zvolené varianty Fáze realizace, je přirozeným vyústěním rozhodovacího procesu. Jako takový však vyžaduje nejvíce odvahy. Ve společnosti se totiž musí najít osoba, která ponese zodpovědnost za konečný výsledek rozhodovacího procesu, který v celém jeho cyklu ovlivňovala celá řada lidí, často i externích osob, a který ze své podstaty ovlivňují i externí faktory, které nemůže společnost nijak ovlivnit, a které třeba nebyly uvažovány (např. povodně, zemětřesení apod.) [1]. Kontrola výsledků Podobně jako u drtivé většiny procesů ve společnosti, tak i v případě manažerského rozhodování je závěrečnou etapou kontrola výsledků. Tato kontrola přináší odpovědi na dvě zásadní otázky. Zda zvolené rozhodnutí vedlo k určenému cíli daného rozhodnutí nebo zda je třeba dalším řídícím cyklem připravit a uskutečnit nápravná opatření nebo jinou variantu rozhodnutí, či případně provést korekci daného cíle. [24].


2.2

21

Systémy pro podporu rozhodování

Již nějakou dobu je možno pozorovat prudký nárůst informací. Dnešní svět je doslova přesycen nejrůznějšími informacemi, mezi kterými je velice složité se orientovat. Kdo se však v množství těchto informací dokáže zorientovat, může získat velkou výhodu v dnešním, konkurenčně nabitém podnikatelském prostředí. Ruku v ruce s neustálým nárůstem dostupných informací jde i vývoj informačních technologií, díky nimž mohou společnosti tyto informace získávat z nejrůznějších zdrojů. Takto získané informace je velice často nutné dále zpracovávat a provádět různé analýzy, díky kterým lze získané informace využít ve svůj prospěch. Sun Tzu ve své knize [2] „Umění války“ napsal: „Porážka je omluvitelná, překvapení nikoliv“. Andrew Grove ve své knize [3] „Only Paranoid Survive“ napsal: „Dříve nebo později se ve vaší organizaci něco zásadního změní a vy musíte být na tuto situaci připraveni“. Z výše zmíněných vět vyplývá jeden z klíčových aspektů úspěšného působení společnosti na dnešním trhu, a to především schopnost předvídat neočekávané situace, a pokud již tato situace (vzniklý problém, například pokles tržeb) nastane, dokázat najít takové varianty řešení, které přinesou zmírnění dopadu vzniklých problémů nebo dokonce povedou ke zlepšení dané situace. Jako podporu při řešení zásadních rozhodnutí ve společnosti je v současné době hojně využívána výpočetní technika, především osobní počítače. Podpora rozhodování za pomocí informačních technologií může mít tři formy, a to informační, modelovou a expertní. 2.2.1

Manažerské informační systémy

Informační podpora je spojena především s existencí manažerských informačních systémů, resp. informačních systémů pro řízení (MIS - Management Information System). Za pomoci MIS jsou vytvářeny rozsáhlé relační databáze, které v sobě soustřeďují informace jak interní (z jednotlivých oblastí společnosti, tj. informace o výrobním zařízení, pracovnících, výrobním programu, finanční situaci aj.), tak i informace o podnikatelském okolí (např. informace o hlavních konkurentech, dodavatelích, odběratelích, vývoji na trhu aj.). Přitom může jít jak o informace historické, týkající se minulosti, resp. současnosti, tak informace vztahující se k budoucnosti, tj. informace prognostického charakteru. Informace tvořící obsah databází mohou být kdykoliv v případě potřeby vyvolány a použity jako součást informačního zabezpečení pro řešení rozhodovacích problémů v dané organizaci [4]. MIS může společnosti také poskytnout pohodlné nástroje pro zpracování analýz, plánování, tvorbu rozpočtů, vytváření reportů apod. 2.2.2

Systémy na podporu rozhodování

Systémy na podporu rozhodování (DSS Decision Support System) jsou počítačové aplikace, které sbírají, organizují a analyzují obchodní data (surová data, dokumenty, osobní znalosti zaměstnanců, obchodní informace apod.). Díky tomu mohou


22

tyto systémy výrazně zkvalitnit a zefektivnit manažerské rozhodování, plánování a řízení dané organizace. Díky těmto systémům mohou manažeři rovněž srovnávat dílčí výsledky řešení různých problémů se svými naplánovanými cíli, a na základě těchto výsledků ovlivňovat další průběh řešení. Tyto systémy pomáhají společnostem identifikovat problémy a následně mohou nabídnout postup řešení tohoto problému. Systémy DSS ovšem nenahrazují rozhodovatele. Jejich výsledkem tedy není rozhodnutí jako takové, ale rozhodovateli přináší pouze jakýsi soubor variant, urychlují a zpřesňují propočty jejich důsledků, kvantifikují rizika apod. Odpovědnost za řešený problém však zůstává i nadále na rozhodovateli [23]. 2.2.3

Expertní systémy

Nejvyšší stupeň podpory, tj. podpory znalostní, poskytují expertní systémy. Jsou to interakční počítačové programy, které simulují činnost experta při řešení složitých úloh a využívají vhodně zakódovaných speciálních znalostí od experta převzatých. Jejich cílem je dosáhnout ve zvolené problémové oblasti kvality řešení problémů srovnatelné s expertem. Základní složku těchto systémů tvoří báze znalostí, která soustřeďuje znalosti z daného oboru potřebné pro řešení problémů, pro něž je expertní systém určen. Mezi další složky expertního systému patří inferenční (odvozovací) mechanismus, který umožňuje odvozovat nové znalosti na základě znalostí existujících, dále báze dat, soustřeďující informace o řešeném problému, vysvětlovací modul, který poskytuje uživateli vysvětlení a zdůvodnění řešení, k němuž expertní systém dospěl, a konečně komunikační modul, jenž zabezpečuje komunikaci uživatele s expertním systémem v průběhu řešení problému. Podpora poskytovaná těmito systémy má často povahu stanovení příčin daného problému, tvorby variant řešení aj. Na rozdíl od systémů na podporu rozhodování (DSS), mohou tyto systémy v některých případech zcela nahradit rozhodovatele[4]. Pro efektivní fungování organizace není ovšem postačující pouhá analýza dat. Důležitá je i schopnost rozpoznat spolehlivost informací, jejich správná interpretace a účelné seřazení tak, aby výsledkem bylo kvalifikované, kvalitní a dostatečně strukturované rozhodnutí.


2.3

23

Business Intelligence

Business Intelligence, dále bude v této práci využívána pro tento pojem zkratka BI, je oblast podnikové informatiky, která prochází v posledních letech velmi dynamickým vývojem. V celosvětových průzkumech zaujímá právě oblast BI jedno z předních míst v investičních prioritách organizací i informačních manažerů. I přes relativně dlouhou dobu, po kterou se oblast BI vyvíjí a uplatňuje v běžné praxi, existuje stále mnoho nevyjasněných otázek, různých přístupů i nových aplikací a informačních technologií, které jsou předmětem celé řady diskusí manažerských, analytických ale i dalších pracovníků mnoha organizací po celém světě. Lze konstatovat, že tato oblast v současné době klíčovým způsobem ovlivňuje kvalitu informatiky a její přínos pro společnost, která chce být úspěšná na dnešním trhu. 2.3.1

Historie BI

Pokusy o řešení směřující k podpoře manažerských a analytických úloh v podnikovém řízení se začaly objevovat již koncem 70. let minulého století v souvislosti s rozvojem využívání počítačových terminálů a s nimi spojeného on-line zpracování dat. V druhé polovině 80. let přišly v USA na trh první firmy (Comshare a Pilot) s komerčními systémy označovanými jako EIS (Executive Information System), založenými na multidimenzionálním ukládání a zpracovávání dat. Trh z EIS systémy se pak velice rychle rozvíjel a od roku 1993 se tyto systémy začaly postupně objevovat a prosazovat i na českém ICT trhu. Začátkem 90. let se v USA začal velice silně uplatňovat další trend v oblasti multidimenzionálních technologiích – datové sklady (Data Warehouse) a datová tržiště (Data Mart). V prostředí České republiky jsme využívání tohoto trendu mohli zaznamenat spíše až v polovině 90. let. Termín BI jako takový zavedl až v roce 1989 Howard J. Dresner, analytik společnosti Gartner Group, který definoval BI jako „sadu konceptů a metod určených pro zkvalitnění rozhodnutí společnosti“ [5]. V současné době pozorujeme zvýšenou poptávku po aplikacích BI. Společnosti přikládají této oblasti informatiky čím dál tím větší význam tak, jak se stává strategickým nástrojem podnikového řízení a postupně proniká na všechny úrovně řízení podniku. Jedná se tak o výrazný obrat oproti raným fázím vývoje BI, kdy se předpokládalo, že problematika BI je určena pouze pro pracovníky top managementu společnosti. Společnost Gartner Group v této souvislosti zdůrazňuje, že BI začíná mít charakter tzv. „pervasive BI1“ [26]. Vychází totiž z toho, že BI nástroje budou dostupné většině zaměstnanců podniku, tj. jako běžné kancelářské nástroje jako je například balíček kancelářských nástrojů Microsoft Office. BI nástroje jsou především díky

Pervasive (všudypřítomné) BI – Dostupnost BI řešení všem zainteresovaným osobám ve společnosti. 1


24

silné integraci, zejména s tabulkovými procesory jako je Excel, s webovými prohlížeči, ale i velkými programovými balíky, jako je ERP, CRM apod. čím dál více dostupnější, a dramaticky roste i počet společností, které v rámci svého podnikového informačního systému nástroje BI využívají. 2.3.2

Principy zpracování dat v BI

Informační systémy, které jsou součástí dnešních organizací, mohou pracovat se dvěma základními typy informací, a to s operativními a analytickými. Operativní informace, slouží pro realizaci obchodních a dalších transakcí v podniku. Tyto informace jsou často ukládány do relačních databází, zobrazují aktuální stav podniku a mohou se často měnit, dokonce i několikrát denně. Jako příklad lze uvést účetnickou agendu. Transakční systémy realizují zpracování těchto informací v reálném čase a jsou označovány jako OLTP (On Line Transaction Processing) systémy. Vzhledem k analytickým aplikacím jsou data z OLTP systémů chápána jako primární nebo zdrojová. Na druhé straně systémy pracující s analytickými informacemi využívají primární data vytvořená v OLTP systémech. Pro své techniky ukládání a využívání operací nad těmito daty, se pro tyto systémy již od 80. let minulého století používá název OLAP (On Line Analytical Processing). Technologie OLAP je založena na koncepci multidimenzionálních databázích. Jejím hlavním principem je několikadimenzionální databázová tabulka, která umožňuje rychle a elasticky měnit jednotlivé dimenze, a měnit tak pohledy uživatele na modelovanou ekonomickou realitu. Na rozdíl od OLTP systémů představují OLAP systémy tyto vlastnosti [6]:  informace poskytují na základě vstupů získaných z primárních dat,  data jsou zde uložena v multidimenzionálních databázích,  obsahují různé úrovně agregace dat, podle hierarchické struktury dimenzí,  zachycují faktor času a umožňují realizovat časová srovnání, časové řady apod. Architektura multidimenzionální databáze Pro analytická data není vhodné, aby byla ukládána v relačních databázích do podoby třetí normální formy (typické pro transakční systémy). K tomu, aby OLAP systémy mohly poskytovat různé analýzy a přehledy pro strategické rozhodování, je nezbytné, aby bylo možné se na data dívat z více hledisek současně. Mělo by tedy být možné vytvářet tzv. multidimenzionální pohledy, což je pro data uložená v třetí normální formě velký problém. Navíc je nutné procházet a analyzovat velké množství dat, rychle měnit pohledy na data, a tyto pohledy co nejrychleji, pokud je to možné i automatizovaně, ukládat do přehledných tabulek a grafů. Nespornou výhodou multidimenzionálních databází (resp. OLAP databází), je rychlost zpracování a efektivita při vytváření analýz multidimenzionálních dat [6].


25

Hlavním principem, na kterém jsou současné BI aplikace založeny je tedy multidimenzionální tabulka umožňující rychle a pružně měnit jednotlivé dimenze, a nabízet tím uživatelům rozdílné pohledy na modelovou realitu. Princip multidimenzionální tabulky je vyobrazen na obrázku 1.

Obrázek 1: Princip multidimenzionální databáze [15]

Z obrázku 1 vyplývá, že v tomto případě existují tři dimenze pohledu na data, a to z pohledu ekonomických ukazatelů, z pohledu času a z pohledu jednotlivých produktů. Ostatní dimenze se pro jednotlivé modely modelované reality mohou definovat průběžně dle potřeby uživatele, např. organizační jednotka, komodita, zákazník, konkurent apod. Obsah těchto dimenzí pak tvoří prvky dimenzí, např. konkrétní závody, zákazníci, dodavatelé, komodity apod. Promítnutí všech zvolených dimenzí do jednoho bodu pak tvoří prvek multidimenzionální databáze. Každý takový prvek pak může obsahovat data nebo algoritmy pro jejich transformace. Jednotlivé prvky dimenzí jsou často uspořádány do hierarchické struktury. V praxi to znamená, že jsou tyto prvky rozděleny na skupiny prvků, podskupin až na jednotlivé prvky. Aplikace BI jsou pak schopny zajistit automatizované agregace hodnot (např. ekonomických ukazatelů), a to podle výše definovaných hierarchických úrovní dimenzí. 2.3.3

Hlavní komponenty BI aplikací

Architektura BI není jen o systematickém ukládání dat do multidimenzionálních databází a následném vyhodnocování různých analýz z těchto dat. K detailnějšímu pochopení celé této problematiky je nutné znát, co vše stojí za celým procesem. K tomu, aby byly BI nástroje využitelné pro běžnou praxi, a dokázaly tak přinést společnosti


26

požadovanou přidanou hodnotu ke svým datům, je nutné znát určité pojmy (komponenty), na kterých stojí úspěch těchto aplikací. Obecná architektura BI se skládá z několika komponent, které jsou vyobrazeny na následujícím obrázku a detailněji popsány v následujících odstavcích této práce.

Obrázek 2: Architektura Business Intelligence [7]

Zdrojové systémy Jak již bylo zmíněno výše v této práci, informační data jsou prakticky vždy ukládána do transakčních databází. Struktura těchto databází ovšem není k následnému analyzování dat vhodná, protože je primárně optimalizovaná pro zpracování velkého množství transakcí. Data jsou v těchto databázích (OLTP databáze resp. relační databáze) z důvodu odstranění redundancí typicky ukládána ve velkém počtu vzájemně provázaných tabulek. Ovšem získat např. odpověď na otázku: Jaký byl objem prodeje v daném regionu, v daném časovém horizontu v porovnání s předchozím obdobím? To by znamenalo propojit řadu tabulek v dané databázi a agregovat velké množství záznamů. Současné relační databáze si sice s takovým problémem poradí, ovšem na odpověď bude muset uživatel čekat velice dlouho a navíc požadovaný výsledek bude databázový server vypočítávat na úkor ostatních transakcí zajišťujících skutečný chod podnikových procesů. Tato skutečnost tak může vést k jejich zpomalení nebo dokonce k zastavení, což je většinou nežádoucí, v některých případech dokonce absolutně nepřístupné. Kromě toho jsou data ve většině organizací uložena v nejrůznějších systémech, které využívají nejrůznějších platforem a mezi nimiž typicky není žádná přímá vazba. Data získaná z těchto systémů nejsou proto bez dalšího zpracování konzistentní, a lze je jen obtížně použít pro získání správných a smysluplných informací, které přinesou požadovanou přidanou hodnotu [7].


27

Datový sklad Efektivním a známým řešením odstraňujícím problémy s různorodými zdroji je centrální úložiště konzistentních a důvěryhodných dat, které je známé pod pojmem datový sklad (označovaný zkratkou DW z anglického Data Warehouse). Ten je základem architektury BI, protože poskytuje pravdivý a ucelený pohled na data pro celou organizaci. Datový sklad typicky obsahuje veškerá data dostupná v daném podniku, a to jak aktuální, tak i historická. Jedná se sice o relační databázi, její struktura je však optimalizovaná pro tvorbu datových analýz. Aby bylo možné informace z datového skladu získávat rychle a efektivně, jsou jednotlivé tabulky organizovány ve strukturách připomínajících symbol hvězdy. Tato struktura umožňuje získat požadované informace bez nutnosti propojení mnoha tabulek relační databáze. Uprostřed tohoto schématu (schéma hvězdy) je tzv. faktová tabulka obsahující sledované číselné hodnoty určené k analýze, kterým říkáme KPI2. Klíčový ukazatel výkonnosti může být například počet prodaných kusů, obrat prodeje, zisk nebo třeba zůstatek prostředků na účtu. Na faktovou tabulku jsou napojené další tabulky, kterým říkáme dimenze. Každá taková dimenze popisuje některou z entit vyskytujících se v daném oboru podnikání, jako je třeba produkt, čas nebo region. Dimenze tak určují význam jednotlivým číselným hodnotám uloženým v tabulce faktů. Ke konkrétnímu počtu prodaných kusů tak z dimenzí můžeme vyčíst například informaci jakého produktu, v jakém časovém období a ve kterém regionu se daný počet kusů prodal. Data v datových skladech se na rozdíl od databází OLTP nemění a používají se jen ke čtení. Výjimkou z tohoto pravidla je plnění nových dat, které se provádí v pravidelných intervalech tak často, aby byly splněny požadavky na aktuálnost informací pro účely analýzy [8]. Proces ETL Pro automatizované plnění datového skladu daty z různých datových zdrojů se používají nástroje označované zkratkou ETL (Extract Transform and Load), v některých literárních publikacích se místo této zkratky používá pojem datová pumpa. Zdrojové systémy často dostatečně nekontrolují, zda zadané informace splňují důležité podmínky pro platnost, jestli jsou vzájemně konzistentní nebo zda nejsou redundantní. Úlohou nástrojů ETL je tak nejen načítání dat ze zdrojových systémů a jejich ukládání do centrálního datového skladu, ale zejména jejich konsolidace a integrace, validace, čištění a transformace tak, aby datový sklad obsahoval pouze správná a důvěryhodná data. Tato data jsou pak zásadní k získávání přesných výstupů z BI aplikací a jedině na jejich základě lze pak přijímat správná manažerská rozhodnutí [7].

2 Key Performance Indicator -

v českých literárních dílech a pracích se často pro tento pojem používá výraz klíčové ukazatele výkonnosti.


28

Velice často se setkáváme s potřebou pracovat sice s konzistentními, ale hlavně s aktuálními daty s minimální odezvou. Například v call centru, kdy je potřeba u každého zákazníka znát jeho profil, jeho aktivované či objednané produkty apod. To vyžaduje další komponentu datového skladu, a to tzv. operativní datové uložiště ODS (Operating Data Store). Pro maximální operativnost je ODS často napojeno na datové zdroje prostřednictvím EAI (Enterprise Application Integration) platformu, kde zprostředkovávají komunikaci mezi libovolnými aplikacemi v reálném čase a bez nutnosti tyto aplikace nijak přímo propojovat [8]. Na rozdíl od ETL platforem, které zpracovávají události dávkovým způsobem v předem definovaném čase, EAI platforma reaguje na dané události okamžitě. Databáze OLAP Pro rychlé vyhodnocení komplexních a jednorázových analytických dotazů jsou data z datového skladu ukládána v OLAP databázi. Jádrem databáze OLAP je jedna nebo více datových kostek, které modelují data z tabulek faktů a dimenzí do logického vícerozměrného prostoru, ve kterém je během analýzy možné se rychle a intuitivně orientovat a vybrané KPI analyzovat z nejrůznějších pohledů. Odezva databáze OLAP při dotazování je typicky daleko rychlejší než vyhodnocení pokládaného dotazu v relační databázi. Je to především díky tomu, že datová kostka v sobě uchovává již agregované hodnoty a informace ukládá v optimalizovaném formátu. Při dotazu na počet prodaných kusů daného produktu v daném časovém období se tak nemusí agregovat velké množství hodnot z jednotlivých obchodních transakcí, neboť kostka v sobě uchovává již „předpočítaný“ výsledek a je tak schopna na požadovaný dotaz rychleji reagovat [7]. Klientské nástroje Posledním pilířem úspěšné implementace BI je zpřístupnění všech relevantních dat a informací všem, kdo z nich mohou těžit. Přístup ke správným informacím v pravou dobu a k analytickým nástrojům odpovídajícím jejich potřebám umožní lidem získat hlubší náhled na data, správně jim porozumět a správně je interpretovat. BI k tomuto účelu obsahuje nástroje pro kvalitní a přehledné reportování společně s nástroji pro online analýzy, které uživatelům a zejména pak analytikům umožní nahlížet na data z nejrůznějších perspektiv a transformovat je na informace a znalosti [7]. Nástroje BI mohou využívat uživatelé na všech úrovních rozhodování, přičemž analytické sestavy mohou být dostupné v rámci portálových řešení, prostřednictvím webu, z aplikací Microsoft Office či mobilních zařízení. 2.3.4

Trendy v oblasti BI

Vývoj oblasti BI je nezadržitelný a to co fungovalo a platilo pro tuto oblast v minulých letech, dnes již nemusí být zcela využitelné a aktuální. V současné době můžeme


29

sledovat několik trendů, o kterých se v souvislosti s BI v posledních letech často hovoří v odborných kruzích, a také často píše na webech věnovaných této problematice. Cloud computing Jedním takovým trendem, o kterém se v současné době hovoří asi nejvíce, je cloud computing3. Tento způsob řešení BI aplikací má jak mnohá pozitiva, tak i negativa, která se liší dle konkrétní situace kde je toto řešení využíváno. Asi nejvýznamnějším důvodem, proč se některé společnosti pro řešení tohoto typu rozhodnou, jsou především nižší investiční náklady, případně absence klasického systému BI. Také specifika, jako je například sezónnost, kdy je ve společnosti nárazově potřeba vysoký výpočetní výkon, hrají významnou roli. Z hlediska velikosti společností je pak řešení BI formou této služby většinou lepší volbou pro menší organizace, protože v tomto ohledu nemají tak unikátní a náročné požadavky jako větší podniky. Další výhodou tohoto řešení je škálovatelnost, pružné vztahy s pronajímatelem služby nebo dostupnost a stabilita. Samozřejmě jako v každé jiné oblasti i zde lze najít nevýhody. Zde je například otázkou, jak bude pronajímatel této služby reagovat na neschopnost platit „nájemné“ dané služby v případě potíží dané společnosti. Dalším často diskutovaným problémem tohoto řešení je nedůvěřivost mnoho společností k tomu, že mají svá data ukládat „někam“ na internet. Tento problém je předmětem mnoha diskuzí, a nikdo zatím s jistotou nemůže tvrdit, že tato služba je absolutně bezpečná. V zásadě platí jeden fakt, a to ten, že využívání BI nástrojů prostřednictvím služby cloud computingu má zcela jistě co nabídnout, ale nehodí se pro každou organizaci [10]. Mobilita BI Navzdory tomu, že mobilní BI je v nabídce řady dodavatelů již několik let, stále ho není možné považovat za plně rozvinutý segment. V současnosti existují technické možnosti, jak jeho rozvoj urychlit. Využitím standardu HTML 5 odpadá dodavatelům nutnost vytvářet nativní aplikace pro každé jednotlivé zařízení, čímž se vývoj mobilního BI zrychluje a zlevňuje. Systémy MDM (Mobile Device Management) umožňují nastavit přístupová práva každého uživatele do systému BI a také vymazat data nebo uzamknout ukradené mobilní zařízení. Spolu se zvyšující se úrovní mobilního hardware roste i možnost práce s daty offline, která byla doposud na mobilních zařízeních velmi omezená [27].

Cloud computing – jedná se o sdílení hardwarových i softwarových prostředků pomocí sítě. Právě tento princip dal tomuto systému název. V diagramu se podobá mraku (anglicky Cloud) [11]. 3


30

Sociální BI V poslední době se v oblasti BI začíná mohutně prosazovat také vliv sociálních sítí a využívání různých analýz dat dostupných z těchto zdrojů, ze kterých můžeme získat velice cenné informace. V souvislosti s tímto trendem bude pravděpodobně docházet i k rozšiřování technologií pro data mining, a obecně také k rozšiřování možností v oblasti analýzy nestrukturovaných dat. S tím souvisí také trend nasazování řešení pro takzvaná big data, tedy pro práci s velkými objemy dat bez jasně definované struktury, typicky generované provozem na webech, senzory a dalšími zdroji mimo běžné podnikové aplikace. Ačkoliv totiž BI dokáže analyzovat data z velkých souborů, jedná se o přesně strukturovaná data. Řešením pro obrovské datové sklady v řádech terabytů a jedním z východisek pro rychle rostoucí objem dat je data warehouse appliance, u kterého lze navíc očekávat v průběhu času ještě další zrychlování, a to především díky novým zdrojům dat, k nimž se bude upírat čím dál větší pozornost ze strany zainteresovaných osob či organizací. Jedná se o již zmiňovaná nestrukturovaná data v podobě webu nebo sociálních sítí. Nevýhodou těchto řešení je, že jsou zatím velice drahá. Tento trend je v současnosti patrný hlavně u velkých a některých středních podniků. U menších společností se projeví až v dalších letech až bude toto řešení finančně více dostupné [10]. Spojení BI a ERP Pokud se podíváme na trendy v oblasti využití BI v rámci systémů ERP4, pak lze za nejvýznamnější nejspíše považovat snahy o přiblížení BI širšímu spektru zaměstnanců na nižší úrovně řízení, a také samotný zájem menších společností o tato řešení. Prakticky všichni významní výrobci ERP systémů pro střední společnosti působící na českém trhu tuto oblast již nějakým způsobem řeší a umožňují rozšířit poskytovaná řešení i o nástroje BI. Trendem je také daleko větší integrace systémů v podniku, snaha mít vše v jednom systému a celková elektronizace podnikání. Díky těmto integračním snahám budou klesat náklady na systémové integrátory a samozřejmě také náklady na samotné nasazení řešení BI. Ve prospěch tohoto trendu v tomto případě hraje i fakt, že rozšíření o funkcionalitu, bude vytvářet přímo dodavatel ERP systému, který zná strukturu dat v daném systému a také situaci dané společnosti. Hlas pro nasazení BI již také nevychází především z IT oddělení, ale hlavně z oddělení obchodního, kam se rovněž přesouvá dohled nad celou oblastí BI. Pro danou firmu se tak po nasazení ERP systému a s tím související automatizací a integrací firemních procesů stává rozšíření o možnosti BI obvykle již poměrně „jednoduchou a levnou“ záležitostí [10].

Enterprise resource planning - informační systém, který je schopen propojit, integrovat a zautomatizovat sadu podnivých procesů a aplikací [12]. 4


31

BI pro všechny Oblast BI se stále více dostává do obecného povědomí v oblasti středních firem a ruku v ruce se stále nižšími náklady na toto řešení bude nutným řešením pro analýzu dat stejně tak, jako se v dnešní době stala například prezentace společnosti na webu. Také se problematika a hlavně aplikace budou neustále zjednodušovat, protože jednoduchost je klíčovým faktorem pro úspěšnost většiny technologií. Do popředí se budou stále více dostávat také technologie typu self-service, případně „samoobslužné BI“, kdy si uživatel pomocí jednoduchého rozhraní své informační požadavky dokáže obsloužit včas a sám, aniž by musel zatěžovat jakéhokoliv pracovníka z IT oddělení [10]. Technologie typu self-service jsou v současné době již dostupné i českým firmám. Jedná se na příklad o službu Power BI, kterou nabízí společnost Microsoft. Více informací o této revoluční službě bude uvedeno v následujících kapitolách této práce. 2.3.5

Významní hráči na poli BI

V minulosti byly nástroje, které řešily problematiku BI záležitostí jen několika silných dodavatelů, kteří toto řešení nabízeli. V současné době je však nabídka těchto produktů a také kvalita (intuitivní uživatelské prostředí a možnosti, které tyto nástroje uživatelům přináší) úplně na jiné úrovni. V následujících řádcích této podkapitoly, jsou zmíněni významní producenti nástrojů řešících problematiku BI, které by mohly být, dle autora této práce, dobrým řešením k realizaci Business Inteligence v prostředí malých a středních podniků. GoodData Jedná se o českou společnost, jež vznikla až v roce 2007, nabízející kvalitní platformu pro BI a analýzu Big Data. Podstatou celé platformy je cloudové umístění všech jejích komponent na vlastních serverech (tyto servery hostuje společnost Amazon). Díky tomu koncový zákazník nemusí vynakládat další finanční prostředky spojené s pořízením dodatečného hardwaru a speciálního softwaru. GoodData, na rozdíl od jiných dodavatelů BI řešení, nejenže vyvíjí svoji vlastní platformu, ale dokonce provádí i celkovou implementaci BI. V běžné praxi to znamená, že koncový zákazník nepotřebuje dalšího subdodavatele, případně IT pracovníky pro vytváření vlastních řešení. Tento fakt může být ne jednu stranu velkou výhodou, na druhou stranu i nevýhodou, protože díky tomu je služba mnohem dražší. Společnost GoodData doporučuje pro proces ETL využívat nástroj CloudConnect Designer, což je aplikace navržená pro integraci a budování datových integrací pro platformu GoodData. Díky snadno použitelnému uživatelskému rozhraní a obsáhlé knihovně předdefinovaných komponent může uživatel snadno a rychle sestavit ETL proces. Kvalitní testovací nástroje zase umožňují provádět testování a ladění ETL, než bude tento proces publikován. Jakmile je návrh ETL procesu kompletně hotov, je možné publikovat veškerá data do svých projektů.


32

Po úspěšném nahrání všech dat do cloudu je možné vytvářet metriky (KPI) nebo počítaná pole. Tyto metriky jsou vytvářeny pomocí jednoduchého grafického průvodce, případně pro složitější výpočty je využíván pokročilejší editor. Tento editor umožňuje definovat dotazy v jazyce MAQL5, který byl vyvinut přímo společností GoodData. Jakmile jsou KPI vytvořeny, mohou se využívat a přidávat v reportech příslušného projektu. Tyto metriky mohou být také využívány a přidávány do reportů pomocí Report editoru. Tento editor nabízí grafické prostředí pro přidávání KPI do reportů, nebo vytváření KPI přímo při vytváření reportu. Po přidání KPI do reportů, je zde možnost k těmto metrikám připojit atributy (např. region, oddělení, datum, produkt apod.). Nakonec je možné přidat filtry, které omezují vizualizaci požadovaných informací. Načtená data lze přímo v reportu vizualizovat pomocí různých grafů, tabulek apod. Pro jednotlivé reporty je možné nastavit různá přístupová oprávnění [14]. Cenu tohoto řešení představují dvě části. Jedna část je cena za implementaci projektu, jež není nikde přesně uvedena. Druhou část tvoří měsíční poplatek, který činí 500 USD pro neomezený počet uživatelů a pouze jeden report [15]. Výhoda řešení od GoodData spočívá v přístupnosti a aktuálnosti dat odkudkoli a z jakéhokoli zařízení. Nevýhoda pak může být, díky cloudové službě, slabá kontrola nad svými daty, sdílení svých dat s externí společností a vysoká cena, která je placena formou měsíčního poplatku. SAP SAP je jednou z klíčových společností na trhu BI, a to především z pohledu toho, že také nabízí podnikové informační systémy ERP, kde tato společnost dlouhodobě dominuje. Díky dominanci na trhu s ERP systémy tudíž nepřekvapuje, že společnosti, které vlastní ERP systém od společnosti SAP, velice často upřednostňují při výběru BI řešení právě tuto společnost. SAP Business Objects je řešení skládající se z několika komponent. Základní verze nabízí nástroj Crystal reports , který se stará o tvorbu reportů, dále nástroj Xcelious, pro tvorbu dashboardů a také Web Intelligence, který nabízí tvorbu ad-hoc reportů (nejvíce se podobá cloudovým BI aplikacím, neboť umožňuje přístup z internetového prohlížeče a tvorbu výsledných reportů pracovníkům bez hlubších IT znalostí přímo z webového klienta). Posledním nabízeným nástrojem je Explorer, který je určen pro datamining. Základní verze řešení nabízí pro koncového uživatele sadu komponent pro analýzu a vizualizaci dat. Výsledné reporty se vytváří především metodou drag and drop. Toto řešení však postrádá detailnější vizualizační prvky a uživatelské prostředí není zcela intuitivní. Také se zde nachází mnoho možností konfigurace dat, jež může působit nepřehledně a může být pro začínajícího uživatele matoucí. Společnost SAP má cenovou politiku tohoto produktu postavenou na jednorázové platbě za toto řešení, která činí 2200 EUR za jednoho uživatele [25]. Tato cena 5

Multi - dimensional Analytical Query Language


33

je ovšem pro mnoho společností zcela neakceptující. Proto toto řešení využívají především velké společnosti, které si mohou dovolit financovat takto náročný projekt. Microsoft Společnost Microsoft se v několika málo letech začíná výrazně prosazovat na trhu BI. Za významným úspěchem této společnosti v posledních letech stojí především „self-service“ platforma Power BI. Tato platforma obsahuje dva „moduly“, které obsluhují celý BI proces v dané organizaci. První modul tvoří všem uživatelům dobře známý tabulkový procesor Microsoft Excel a několik jeho doplňků podporujících toto řešení. Pokud společnost nemá nějaké speciální nároky na fungování, tak je tento modul zcela dostačující. Zmíněné doplňky pro Microsoft Excel představují Power Query, Power Pivot, Power Map a Power View.

Obrázek 3: Platforma Power BI [13]

Power Query představuje zdarma stažitelný doplněk pro Excel, který obstarává import dat. Díky tomuto doplňku je možné importovat data z nejrůznějších externích zdrojů (např. relační databáze, jednotlivé excelovské sešity, soubory csv a mnoho dalších) a následně tato data transformovat a ukládat do datového modelu. Popsaný proces vytváří „dotaz“, který je pak následně možné sdílet mezi jednotlivými pracovníky společnosti díky službě Power BI. Jelikož jsou generované dotazy aktualizovatelné, tak není potřeba znovu provádět stále stejné operace. Power Pivot zajišťuje funkcionalitu datového modelu na pozadí aplikace Excel. Od verze Excel 2013 je tento doplněk přímo implementován v této aplikaci a není třeba nic stahovat ani instalovat. Nižší verze Microsoft Excel však tento doplněk neobsahují. Doplněk Power Pivot velice usnadňuje práci s objemnými daty díky využívání xVelecity enginu a desktopové verzi Analysis Services. Ve vytvořeném datovém


34

modelu lze definovat vazby (relace) mezi jednotlivými tabulkami a vytvářet různá počítaná pole nebo klíčové identifikátory výkonu (KPI). Doplněk Power View pak slouží jako vizuální obrazovka pro zobrazování dat z datového modelu. Tento doplněk slouží především k tvorbě intuitivních reportů, které se tvoří za pomocí interaktivních grafů, tabulkových přehledů, různých průřezů apod. Výhodou tohoto doplňku je jednoduchá ovladatelnost a vysoká čitelnost důležitých informací. Vytváření výsledných reportů je zde velice jednoduché, především je toto prostředí uzpůsobeno tomu, aby vytváření cílových reportů zvládali i netechnicky orientovaní uživatelé (např. manažeři společností), což patří mezi velkou výhodu tohoto doplňku. Poslední doplněk pro řešení BI je Power Map. Jedná se o další vizualizační nástroj, který je zaměřen především na geografické údaje. Díky tomuto doplňku je možné vytvářet virtuální prohlídky a videa, která zkoumají změny v čase na jednotlivých částech geografické mapy. Druhý modul služby Power BI je samotná služba Power BI umístěná v cloudovém uložišti. Hlavním úkolem této služby je sdílení a práce s výslednými reporty přímo v internetovém prohlížeči. Jakmile uživatel vytvoří nějaký report v aplikaci Microsoft Excel, může ho umístit na stránku Power BI, kde pak může tyto reporty procházet, sdílet se svými spolupracovníky apod. Další funkcí jsou tzv. Otázky a odpovědi, ve kterých se uživatel může dotazovat na uložená data pomocí přirozeného jazyka. Dotazování funguje jednoduše tak, že uživatel napíše svůj dotaz a systém zobrazí odpověď v takovém formátu, který bude nejčitelnější. Například pokud se uživatel dotáže na informace o určitě lokalitě, tak mu bude nabídnuta mapa. Cena služby Power BI je 40 dolarů měsíčně za jednoho uživatele, v případě, že společnost již vlastní licenci Microsoft Excel 2013 a jeho přídavné doplňky. Pokud tuto licenci společnost nevlastní tak musí zaplatit 52 dolarů za jednoho uživatele měsíčně, přičemž za tuto cenu získá ke službě Power BI také balíček Office 365 pro Plus, který obsahuje vše potřebné. Celá platforma Power BI je založena na velké rozšířenosti kancelářského nástroje Microsoft Excel. Sílu tohoto nástroje vyjadřuje především fakt, že si uživatel může vytvářet reporty jen pomocí této aplikace. Díky tomu má společnost Microsoft vůči svým konkurentům obrovskou výhodu. Nevýhodou tohoto řešení může být poněkud složité nastavení všech doplňků tak, aby spolu správně komunikovali, a také ne příliš velká míra uživatelské konfigurace vizualizační stránky reportů v doplňku Power View. Doplňky služby Power BI jsou využívány jako BI řešení (předmět této diplomové práce) pro společnost ISNO IT, s. r. o, a jednotlivé její komponenty budou detailněji popsány v dalších kapitolách této práce. Mezi další významné dodavatele nástrojů řešících problematiku BI patří také společnost Oracle nebo Tabelau.


2.4

35

Společnost ISNO IT, s. r. o.

Přestože byla společnost založena panem Ing. Radkem Staňkou, který je jejím jediným vlastníkem, až v roce 2014, vlastní zásady a postoj k odpadovému hospodářství provozoval v praxi pan Ing. Radek Staňka již od roku 2010, kdy ještě pracoval jako živnostník. Samotný systém, který společnost provozuje (systém ISNO) původně vznikl jako studentský projekt, jako podklad k diplomové práci pana majitele. Po ukončení vysokoškolského studia svůj projekt nadále zdokonaloval a následně uvedl do běžné praxe. V současné době produkt společnosti (systém ISNO) využívá cca 20 obcí v Jihomoravském kraji a jedna svozová společnost, která se stará o odvoz odpadů z těchto obcí, a jedna svozová společnost v Moravskoslezském kraji. Postupně se však tento systém pro svoji oblíbenost a prokazatelné výsledky, dostává do podvědomí dalším potencionálním zákazníkům a již dnes společnost zaznamenává zvýšenou poptávku po tomto systému. 2.4.1

Inteligentní systém nakládání s odpady

Podstatou systému ISNO je evidence obsloužených nádob (popelnic, pytlů, volných balíků apod.) jednotlivých domácností či organizací. Díky technologiím RFID tagů a čárových kódu se získávají informace o tom, od jaké domácnosti, jakého objemu a jakého druhu odpadu bylo odevzdáno. Když je známo, kolik je třeba zaplatit za odstranění směsného odpadu a kolik peněz se utrží z prodeje vytříděného papíru, plastu atd., není problém jednotlivým domácnostem navrhnout úlevu na poplatku. Logickou architektura tohoto systému, můžeme vidět na obrázku 4.

Obrázek 4: Logická architektura ISNO [9]


36

Hlavní motivace pro vznik ISNO Na uvědomělého občana, který si váží svého životního prostředí, je na většině území ČR pohlíženo stejně jako na občana, který si neváží ničeho. Ať už domácnost či organizace třídí nebo netřídí odpady, všichni platí stejný poplatek za odvoz odpadu (dle nastavení výše poplatku v jednotlivých obcích/městech). Společnost ISNO IT, s. r. o., proto nechtěla jen stát a kritizovat. Chtěla zavést spravedlivější, motivační a pohodlnější systém nakládání s odpady, a tím tak konečně ocenit snahu uvědomělých občanů. Tato myšlenka pak byla hlavní motivací pro vznik systému ISNO. Každý, kdo se zapojí do tohoto systému, si může pohodlně vytřídit úlevu na poplatku [9]. V čem je ISNO spravedlivější Společnost ISNO IT, s. r. o, pohlíží na ekonomiku odpadového hospodářství poněkud střízlivě. Pokud náklady na odvoz komunálního odpadu činí např. 1000 Kč na osobu, je třeba tuto službu zaplatit a ne ji doplácet z rozpočtu obce či města. Velice často se totiž stává, že poplatky které obec/město vybere od občanů, nepokryjí náklady na svoz komunálního odpadu, a obec tak musí mnohdy nemalou částku za likvidaci tohoto odpadu doplácet z vlastního rozpočtu. Ze zkušeností této společnosti vyplývá, že pokud se odpadové hospodářství obce/města správně nastaví, může se odpadové hospodářství provozovat i za 300 Kč na osobu. Proto doporučuje obcím či městům poplatek stanovit pro své občany dle skutečných nákladů, a motivovat tyto občany formou úlev k ekonomicky a k environmentálně výhodnějším způsobům nakládání s odpady. Domácnosti, které k odpadům přistupují opravdu zodpovědně, dosahují úlev na poplatku až 70 % [9]. Nastavení motivačního systému ISNO V rámci inteligentního systému nakládání s odpady jsou stanoveny tři druhy bonusů a to:  bonus třídění,  bonus efektivního využívání sběrných nádob,  bonus snižování produkce odpadů. Jak už z názvů těchto jednotlivých bonusů vyplývá, ISNO není jen o třídění odpadků. Společnost ISNO IT, s. r. o, si klade za cíl nejen to, aby se třídilo co nejvíce, ale chce také, aby třídění bylo efektivní, tzn. ekonomicky výhodné. Například když náklady na obsloužení jedné nádoby činí 20 Kč a v nádobě je kvůli špatně sešlapaným pet lahvím o dvě třetiny méně odpadů, než jaký je skutečný potenciál těchto nádob, tzn., že výnos z prodeje vytříděného odpadu je stěží 10 Kč, tak už není z čeho úlevy na poplatku udílet. Jelikož nejekologičtější je takový odpad, který vůbec nevzniká, systém ISNO podporuje i další způsob, jakým domácnosti předcházejí vzniku odpadů [9].


37

Pohodlnost systému ISNO Společnost ISNO IT, s. r. o, si plnohodnotně uvědomuje, že spousta občanů, v dnešní době plné shonu a povinností, nemá čas nosit či vozit nádoby s vytříděným odpadem např. na sběrný dvůr nebo na jiné sběrné místo. S tímto vědomím své partnery (svozové společnosti) vede ke svozu nádob jak na komunální odpad, tak nádob na tříděný odpad přímo od jednotlivých domů. V některých obcích/městech obdrží občané do domácnosti modrou a žlutou nádobu (popelnici) na třídění odpadů, jinde je prováděn tzv. pytlový sběr, kdy je tříděný odpad vkládán do igelitových pytlů a ty jsou pak sváženy svozovou firmou nebo si svoz těchto nádob řeší obec či město vlastními silami. V místech, kde není ani jedna z výše uvedených variant možná, se vytvoří společné sběrné místo s barevnými kontejnery. Snahou ISNO je, aby třídění odpadů bylo pro jednotlivé občany stejně náročné, jako odkládání odpadu do nádob na komunální odpad [9].

Materiály a metody

38

3 Materiály a metody 3.1

Programové prostředky

Jako hlavní programovací prostředek pro implementaci webové aplikace byl zvolen jazyk PHP. Mezi hlavní důvody, které ovlivnily autora této práce při výběru právě tohoto skriptovacího jazyka, patřily především dosavadní zkušenosti s tímto jazykem. Dále pak jeho dostupnost, otevřenost kódu, množství dostupných knihoven, velice kvalitně zpracovaná dokumentace a rozsáhlá komunita programátorů, kteří tento jazyk využívají při programování svých projektů. Nadstavbou pro tento jazyk je v dnešní době velice oblíbený Nette Framework, který se může rovněž pochlubit velkým množstvím užitečných doplňků, a je určen k vývoji webových aplikací v PHP 5. Jako řešení pro zpracování relační databáze byl zvolen databázový systém MySQL. V současnosti se jedná o nejrozšířenější databázový systém, který je kompletně dostupný zdarma, což lze považovat za velkou výhodu tohoto databázového systému. Jedním z klíčových faktorů při výběru výše zmíněných programových prostředků je také skutečnost, že společnost ISNO IT, s. r. o. má svůj systém (ISNO) hostovaný u společnosti, jejichž systém všechny výše zmíněné prostředky podporuje. Pro návrh a implementaci datového skladu byl využit tabulkový procesor Microsoft Excel 2013, konkrétně jeho doplněk Power Pivot, který umožnuje vytvářet datové modely, hierarchie, klíčové identifikátory výkonnosti a další důležité faktory, určující kvalitu datového skladu. Pro výslednou tvorbu reportů a vizualizaci dat (data jsou importována z externích zdrojů díky doplňku Power Query) byl využit doplněk Power View. Tento doplněk umožňuje tvorbu intuitivních reportů pomocí implementovaných grafů, tabulek, průřezů apod. 3.1.1

PHP

Tento skriptovací jazyk, jehož autorem je dánsko-kanadský programátor Rasmus Lerdorf, byl představen světu v roce 1995. V současné době se jedná o nejrozšířenější a nejpoužívanější skriptovací jazyk pro tvorbu webových aplikací a dynamických webových prezentací. Kód jazyka PHP je umístěn přímo v HTML kódu stránky a jeho obsah je prováděn při každém generování webové stránky, přičemž uživatel vidí pouze výsledek daného kódu. Hlavní konkurenty pro PHP představují jazyky: Perl, Ruby, Python nebo třeba ASP. NET, a mezi jeho hlavní výhody patří:  velké množství implementovaných funkcí a knihoven,  podpora mnoha databázových systémů,  přenositelnost,  dostupnost zdrojového kódu,  kvalitně zpracovaná dokumentace,  relativně strmá křivka učení [16].

Materiály a metody

3.1.2

39

Nette Framework

Nette je open source framework, který slouží k vytváření webových aplikací v PHP 5. Autorem tohoto frameworku je David Grudl a o samotný vývoj se stará společnost Nette Foundation. Tento framework se zaměřuje na eliminaci bezpečnostních rizik, podporuje AJAX, MVC6 architekturu a vede programátora k čistému návrhu aplikace s důrazem na budoucí rozšiřitelnost. Za největší konkurenty Nette Frameworku lze v současnosti považovat: Laravel, Zend Framework nebo Symphony. Mezi hlavní přednosti tohoto frameworku patří:  výborný šablonovací systém Latte,  excelentní ladící nástroj Tester,  kvalitní zabezpečení před zranitelnostmi,  kvalitně zpracovaná dokumentace,  nejrozšířenější komunita v ČR,  efektivní databázová vrstva,  znovupoužitelnost kódu [17]. 3.1.3

MySQL

Databázový systém, jež vlastní společnost Oracle. Autoři tohoto systému jsou dva pánové ze Švédska, konkrétně Michael Widenius a David Axmark, kteří společně tento systém představili široké veřejnosti v roce 1996. Ke komunikaci s databází využívá jazyk SQL (Structured Query Language), což je celosvětově používaný dotazovací jazyk. Hlavní konkurenční databázové systémy pro MySQL jsou: PostgreSQL, Microsoft Server SQL a Oracle. Mezi hlavní přednosti tohoto systému patří:  vysoká stabilita,  přenositelnost (zejména Linux a Windows platformy),  kvalitní podpora ze strany hostingových služeb,  dostupnost zdrojového kódu,  rozsáhlá komunita programátorů,  kvalitně zpracovaná dokumentace [16]. 3.1.4

Microsoft Excel 2013 a jeho doplňky

Tento tabulkový procesor s přídavnými doplňky (Power Query, Power Pivot, Power View a Power Map) podporující řešení pro BI byl veřejnosti představen začátkem roku 2014. Jak již z názvu vyplývá, vývoj této aplikace zajišťuje společnost Microsoft, která se snaží tento software postupně zdokonalovat a plnit tak požadavky svých Model-View-Controller - softwarová architektura, která vznikla z potřeby oddělit u aplikací s grafickým rozhraním kód obsluhy (controller) od kódu aplikační logiky (model) a od kódu zobrazujícího data (view) [18] 6

Materiály a metody

40

klientů. Hlavním cílem této společnosti je totiž co nejvíce přiblížit BI řešení svým klientům tak, aby byli schopni vytvářet svoje vlastní reporty a analýzy dle jejich aktuálních požadavků. Power Query Hlavním úkolem doplňku Power Query je usnadnění importu dat z externích zdrojů přímo do aplikace Excel. V praxi to znamená, že se tento doplněk postará o všechny fáze procesu ETL, tzn. o načítání dat z různých zdrojů přes transformaci a úpravu dat až po uložení těchto dat přímo do excelovského sešitu nebo načtení do datového modelu. První fází pro práci s tímto doplňkem je výběr externího zdroje, ze kterého se data budou načítat. Jakmile je tento zdroj vybrán a jsou nastaveny všechny požadované parametry, jsou data načtena do samostatného okna, ve kterém mohou probíhat všechny výše zmíněné úpravy. Tyto úpravy, ať už se jedná o smazání nepotřebného sloupce nebo úpravu datového typu, jsou ukládány v jednotlivých krocích jako součást dotazu, které se v případě používání tohoto dotazu opakují. Jakmile jsou všechny transformace dokončeny, konečná podoba dat se uloží jako dotaz v sešitu Excel. Výsledné dotazy jsou dostupné z panelu doplňku Power Query, a v případě potřeby uživatele mohou být tyto dotazy kdykoliv po stisknutí tlačítka aktualizovány (jsou provedeny jednotlivé kroky uložené v konfiguraci daného dotazu).

Obrázek 5: Karta Power Query v prostředí Excel 2013

V levé části obr. 5 lze vypozorovat podporované možnosti pro import dat z externích zdrojů. Dále je zde možnost různého kombinování a spojování jednotlivých dotazů a sekce Nastavení sešitu, kde si uživatel vybírá jazykové prostředí zdrojů. Následuje volba Nastavení, která obsahuje správu hesel a připojení pro jednotlivé dotazy. Poslední dostupnou sekcí na této kartě je sekce Power BI, která se stará, díky cloudové službě Power BI o sdílení jednotlivých dotazů. Podporované možnosti importu dat z externích zdrojů, jsou rozděleny do těchto skupin:  Z webu – jedná se bezesporu o jednu z nejimpozantnějších součástí doplňku Power Query. Podporuje možnost načítání dat z kterékoliv webové stránky. Na základě zadané url adresy odkazovaného webu, na kterém se požadovaná data nachází, doplněk tyto data sám vyhledá a naimportuje. Princip tohoto hledání spočívá ve vyhledání HTML anotace pro tabulku v textu webové stránky a tuto tabulku následně nabídne jako zdroj dat.  Ze souboru – v rámci této možnosti jsou dostupné nástroje pro import dat z různých souborů. Mezi podporované formáty pro import patří soubory Excel

Materiály a metody

41

(xlsx), dále pak soubory s příponou csv, soubory XML nebo obyčejné textové soubory.  Z databáze – jedná se nejspíše o nejdůležitější a nejvíce využívanou možnost importu dat v běžném podnikovém prostředí v rámci doplňku Power Query. Data lze jednoduše získat z mnoha databází, jako příklad jsou uvedeny pouze, dle autora, nejvýznamnější z nich: Oracle, IBM, MySQL, PostgreSQL, SQL Server, Access.  Z jiných zdrojů – jedná se o možnost importu dat z nedatabázových systémů a zdrojů dat. Jako příklad lze uvést: Facebook, Azure Blob Storage, nebo Odata. Samostatnou sekcí je funkce Online hledání, které umožňuje vyhledávání ve veřejných zdrojích. Při výběru této funkce je otevřeno vyhledávací okno, kde je možnost zadání požadovaného výrazu. Takto jsou prohledávána dostupná data veřejné správy a data z webu wikipedia. Bohužel tato funkce podporuje pouze hledání v anglickém jazyce, podpora češtiny do dnešního dne nebyla implementována, což znamená, že český uživatel může vyhledávat pouze z některých zahraničních zdrojů, což je dle autora této práce škoda. Po výběru datového zdroje, ze kterého se budou data importovat a zadání požadovaných parametrů, je otevřeno okno doplňku Power Query, ve kterém může uživatel provádět transformaci dat. Ukázku samostatného okna importovaných dat můžeme vidět na obrázku 6.

Obrázek 6: Samostatné okno doplňku Power Query

Materiály a metody

42

Toto okno je rovněž rozděleno do několika sekcí. Pod sekcí Domů se skrývají nástroje pro základní práci s daným dotazem, přesněji řečeno se zde řeší, jestli budou data načtena přímo do sešitu Excel, či budou uložena přímo do datového modelu. Dále je zde tlačítko pro aktualizaci dotazu, nástroje pro změnu datových typů jednotlivých atributů, a tlačítka na odebrání, přejmenování a řazení sloupců. V sekci Transformace se provádí veškeré úpravy dat do požadované podoby. V hlavním okně tohoto doplňku se zobrazuje náhled importovaných dat, se kterými uživatel dále pracuje. Po jakékoliv transformaci těchto dat se změny okamžitě projeví, a je možné ihned po této změně vidět výsledný efekt. Z důvodu efektivity načítání dat, se do Power Query neimportují veškerá data z vybraného zdroje. V náhledu je vždy vidět maximálně 100 řádků, což představuje obrovskou úsporu výpočetních prostředků. V pravé části náhledového okna se nachází panel Nastavení dotazů, který slouží pro název a popis daného dotazu. Tento název je rovněž použit jako název tabulky (entity) v datovém modelu. Součástí tohoto panelu je rovněž část s názvem Použitý postup, ve kterém jsou uloženy všechny změny, které byly nad daty provedeny. Jednotlivé změny jsou řazeny pod sebe na základě toho, v jakém časovém sledu byly tyto změny provedeny. Tyto změny se mohou v průběhu práce na projektu rovněž mazat upravovat či dokonce nahrazovat za změny jiné. Hlavní výhodou samotného doplňku Power Query je však jazyk M. Jedná se o neoficiální název pro Power Query formula language. Power Query generuje kód M pro každý krok daného dotazu. Uživatelům tohoto doplňku umožňuje také zápis vlastních M výrazů, kdy potřebuje větší flexibilitu a kontrolu nad tím, co jeho dotaz dělá [19]. Kód M tak pro uživatele doplňku Power Query představuje mocný nástroj, díky kterému mohou vytvářet náročnější struktury a funkce.

Obrázek 7: Rozšířený editor jazyka M v doplňku Power Query

Materiály a metody

43

Možnost vytváření funkcí uvnitř dotazu je jednou z hlavních předností tohoto jazyka. K tomu je ovšem zapotřebí podrobnější znalost jazyka M. Power Query umožňuje dva typy importu transformovaných dat, a to přímo do listu Excel nebo do datového modelu doplňku Power Pivot. Při importu do listu může uživatel s daty ihned pracovat, vytvářet různé vzorce, promazávat data apod. Naproti tomu při importu do Power Pivot se pouze vytvoří spojení s externím zdrojem a data jsou ukládána na pozadí. Další režie s daty již probíhá přímo v doplňku Power Pivot. Hlavní rozdíl mezi jednotlivými typy importu dat je tedy v pohledu na to, jak se bude s daty nadále pracovat. Výsledný dotaz je uložen uvnitř sešitu a je připraven pro případnou práci s aktuálními daty tak, aniž by uživatel musel opakovat stále stejné kroky. Tato skutečnost je hlavní myšlenka doplňku Power Query, který se snaží opakující se procesy zautomatizovat k tomu, aby tyto procesy nemusel uživatel provádět opakovaně a trávit tak nad nimi zbytečný čas. Doplněk Power Query se neustále vyvíjí. Společnost Microsoft vydává jeho pravidelné aktualizace a každá aktualizace přináší více funkcí a možností. Na druhou stranu jako nevýhoda pro některé uživatele může být absence jakéhokoliv zvýrazňování kódu v rozšířeném editoru M a také absence našeptávání a dokončování syntaxe. Power Pivot Jedná se o doplněk kancelářského softwaru Excel, který přináší nástroj pro již dříve zmíněný self-service BI. Tento nástroj představuje opravdovou revoluci ve světě analýz, protože dává uživatelům mocný nástroj pro tvorbu kompletní analýzy dat, bez nutnosti zásahu IT či BI techniků. Tento doplněk implementuje rychlou in-memory databázi, která se využívá k organizaci dat, k odhalování důležitých vztahů v datech. Tato databáze rovněž poskytuje rychlý způsob procházení informací [20]. Aplikace Excel představuje databázový stroj na pozadí doplňku Power Pivot, který byl dostupný již ve verzi Excel 2010. V této verzi byl však Power Pivot samostatná jednotka, která se skládala z uživatelského rozhraní a databázového stroje. Ve verzi Excel 2013 došlo k několika změnám, především byl doplněk rozdělen na dvě části, kde samotný doplněk představuje pouze uživatelské rozhraní a databázový engine byl vložen přímo do aplikace Excel. Aby bylo možné využívat složitější funkce, je nutné využít Power Pivot doplněk pro Excel 2013 [19]. Mezi nejvýznamnější funkce tohoto doplňku patří především:  neomezené množství ukládaných dat,  vysoká výpočetní rychlost a kalkulace,  vytváření relací, hierarchií a KPI,  jazyk DAX7. V rámci listu Excel 2013 lze uložit maximálně 1 048 576 řádků, zatímco datový model umožňuje díky in-memory databázi ukládat mnohem větší množství dat,

7

Data Analysis Expressions

Materiály a metody

44

které je omezeno pouze dostupnou pamětí stroje, na kterém je tento doplněk nainstalován. Další, bezesporu obrovskou výhodou je, že díky xVelocity enginu je na data aplikována komprese v poměru 10:1, což způsobuje, že jsou jednotlivé sešity datového modelu mnohonásobně menší a mohou tak efektivněji pracovat s uloženými daty. Na obrázku 8 je vyobrazeno samostatné okno Power Pivot. Konkrétně se jedná o zobrazení diagramu datového modelu, kde hlavní část tohoto okna tvoří jednotlivé tabulky (entity) a vztahy (relace) mezi těmito tabulkami. V diagramu umožňuje propojování jednotlivých tabulek pomocí jedinečných atributů, vytvářet různé hierarchické modely a přejmenovávat jednotlivé sloupce daných tabulek. Dále tento doplněk umožňuje výpočet složitější kalkulace nad datovým modelem.

Obrázek 8: Diagram datového modelu v Power Pivot

Kalkulační výpočty se v doplňku Power Pivot rozdělují do dvou skupin, a to na kalkulovaná pole a kalkulované sloupce. Na obrázku 9 lze vidět v pravé části kalkulované sloupce (sloupec Počet obyvatel, připojený z jiné tabulky na základě cizího klíče) a pod tabulkou se nachází část kalkulovaných polí. Rozdíl mezi těmito typy kalkulací spočívá pouze v kontextu, ve kterém se s nimi pracuje. Všechny řádky kalkulovaného sloupce obsahují tentýž vzorec. Na rozdíl od tabulky v sešitu Excel se

Materiály a metody

45

nemohou pro různé řádky používat jiné vzorce, ale pouze jediný vzorec pro celý kalkulovaný sloupec [21]. Naproti tomu kalkulované pole se definuje jako agregační funkce pro celou tabulku. Největší síla těchto polí pak spočívá především v tom, že umožňují filtrování a využívají výpočtu jiných kalkulačních polí. Díky tomu lze pak snadno vypočítat například kumulované množství svezeného odpadu pro určité datum, nebo procentuální vyjádření váhy jednotlivých svozů daných komodit. Všechny výše zmíněné kalkulace se zapisují pomocí jazyka DAX. Jazyk DAX ve své syntaxi při tvorbě vzorců využívá, podobně jako aplikace Excel, kombinaci operátorů, hodnot a funkcí. Hlavní rozdíl však spočívá v tom, že na rozdíl od obyčejných vzorců aplikace Excel, které pracují přímo s jednotlivými buňkami, vzorce jazyka DAX dokáží pracovat přímo s tabulkami a sloupci, a umožňují uživateli vytvářet složitá vyhledávání z odpovídajících tabulek. Díky tomu uživatel může vytvářet agregace, k jejichž vytvoření by jinak byly zapotřebí hlubší znalosti problematiky OLAP kostek a relačních databázových systémů. Pro výpočet DAX vzorců je využíván vysoce efektivní in-memory engine, díky kterému může uživatel rychleji vyhledávat a vypočítávat požadované hodnoty skrze rozsáhlý počet tabulek a sloupců[22].

Obrázek 9: Kalkulovaná pole a kalkulovaný sloupec v Power Pivot

Materiály a metody

46

Power View Tento doplněk slouží pro vizualizaci a reporting dostupných dat. Konkrétně se jedná o speciální list aplikace Excel, pod kterým jsou výsledné reporty dostupné. Jako zdroj dat využívá převážně datový model z Power Pivot, je však možné využít také data z běžných tabulek Excel. Pro lepší optimalizaci Power View reportů je však vhodnější využívat datový model [13]. Vizualizační list Power View si lze lépe představit jako stěnu, na které se zobrazují data z datového modelu pomocí tabulek, různých průřezů, interaktivních grafů apod. Uživateli jsou v pravém panelu zobrazeny všechny dostupné tabulky, ze kterých si může vybírat atributy dle aktuálních požadavků, a dané atributy jednoduše principem drag & drop vkládat do rozpracovaného reportu. Hlavní předností doplňku Power View je, dle autora této práce, především jednoduchá tvorba reportů. Všechny vizualizační prvky jsou dobře zpracované, pracují interaktivně a přináší tak pro data významnou přidanou hodnotu. Pokud je označena část grafu, ostatní prvky jsou interaktivně přizpůsobeny tomuto výběru, jak je vidět na obrázku 10. Naopak jako nevýhodu lze vnímat absenci možnosti grafických úprav jednotlivých sloupců grafu na základě zobrazené legendy, případně podrobnější nastavení os grafů (měřené jednotky, číselné rozpětí a popisky grafů).

Obrázek 10: Ukázka interaktivních prvků v Power View

Výsledky

47

4 Výsledky 4.1

Analýza vnitřního/vnějšího prostředí ISNO IT, s. r. o.

Aby bylo možné posoudit současnou, ale i budoucí pozici na trhu společnosti ISNO IT, je nutné znát nejen vnitřní, ale také vnější faktory, které mohou ovlivňovat existenci společnosti. Předmětem této kapitoly je tedy analýza vnitřního a vnějšího prostředí, která je provedena pomocí SWOT analýzy, jež je k této problematice určena. Na základě výstupů této analýzy je stanoveno několik klíčových identifikátorů výkonu, které jsou podstatné pro další působení této společnosti na českém trhu. 4.1.1

Analýza vnitřního prostředí

Analýza vnitřního prostředí v kontextu SWOT analýzy představuje nalezení silných a slabých stránek společnosti. Následující odstavce obsahují výčet silných a slabých stránek společnosti ISNO IT, které byly vypozorovány autorem této práce v průběhu ročního působení v této společnosti. Silné stránky Hlavní výhodu společnosti ISNO IT představují především dlouhodobé zkušenosti jejího vrcholového managementu. Díky těmto zkušenostem má společnost detailní přehled o fungování trhu s odpady, a je tak schopna svůj produkt (systém ISNO) zdokonalovat a přizpůsobovat individuálním požadavkům svých klientů. Jednou z dalších silných stránek je pak zainteresovanost pracovního kolektivu, který se na základě požadavků vedení společnosti zabývá vývojem samotného systému. Výčet všech silných stránek můžeme vidět v tabulce 1. Silné stránky Know- how Zainteresovanost pracovního kolektivu Systém ISNO Individuální přistup k jednotlivým zákazníkům Prokazatelné výsledky Tabulka 1: SWOT analýza – silné stránky

Slabé stránky Slabou stránku v kontextu SWOT analýzy představuje zejména malá rozšířenost systému mezi jednotlivými obcemi/městy ČR (do systému ISNO je zapojeno cca 20 obcí převážně z Břeclavska). Tento fakt je dle autora této práce způsoben hlavně nedostatečným počtem zaměstnanců, především v oblasti marketingu, kteří by měli na starost propagaci a zviditelnění tohoto systému. Většinu zaměstnanců společnosti totiž tvoří programátoři a veškeré finanční prostředky putují na vývoj systému. Dle

Výsledky

48

autora této práce, je prakticky neexistující systém propagace největší slabou stránkou společnosti. Za další slabé stránky lze považovat také neprověřenost systému ve větších městech nebo nízkou hodnotu finančního kapitálu, jež je potřebný k dalšímu vývoji a propagaci systému. Přehled všech slabých stánek můžeme vidět v tabulce 2. Slabé stránky Malá rozšířenost systému Prakticky neexistující marketing Neprověřenost systému ve větších městech Omezené portfolio služeb Nedostatek kapitálu na propagaci Tabulka 2: SWOT analýza – slabé stránky

4.1.2

Analýza vnějšího prostředí

Analýza vnějšího prostředí v kontextu SWOT analýzy spočívá v odhalení potenciálních příležitostí a hrozeb, jež mohou zásadně ovlivnit budoucí vývoj společnosti. Následující odstavce obsahují výčet potenciálních příležitostí a hrozeb, jež korespondují s působením společnosti ISNO IT na trhu s odpadovým hospodářstvím. Příležitosti Významnou roli v budoucím vývoji společnosti bude hrát bezesporu počet zapojených obcí/měst a především spokojenost se systémem samotným. Vzhledem k sílícím hlasům s řad občanů, kteří nejsou spokojeni se současným systémem vybírání poplatků za odvoz odpadu. Tomuto předpokladu nahrávají také dosavadní pozitivní reference ze strany zapojených obcí a také „zelený trend“, díky kterému je kladen čím dál větší důraz na ekologii v mnoha aspektech běžného života. Jako další příležitost vidí autor této práce v rozšíření portfolia služeb. Jedná se například o prodej bio výrobků. Současné portfolio služeb může rozšířit také navrhované BI řešení, jež může přispět k rozšíření poradenských služeb v oblasti odpadového hospodářství pro klienty společnosti. Příležitosti Ekologický trend Vstup na zahraniční trhy (především Slovensko) Možnost rozšíření portfolia společnosti Vstup nového investora Nespokojenost občanů se současným systémem plateb za odpad Tabulka 3: SWOT analýza – příležitosti

Výsledky

49

Hrozby Přestože v současné době v podstatě neexistuje přímý konkurent na trhu, který by se zabýval problematikou efektivního odpadového hospodářství, je třeba vnímat faktor vstupu nové konkurence jako potenciální hrozbu. Tato hrozba však může být částečně eliminována neustálým zvyšováním kvality a rozšiřováním portfolia služeb poskytovaných společností ISNO IT. Další potenciální hrozbu vidí autor této práce v případném odchodu klíčových zaměstnanců, což by zásadním způsobem ovlivnilo fungování společnosti. Výčet všech potenciálních hrozeb můžeme vidět v tabulce 4. Hrozby Legislativní nařízení Růst cen informačních technologií Odchod klíčových zaměstnanců Vznik konkurenčních projektů Neschopnost uspokojit veškerou poptávku na trhu Tabulka 4: SWOT analýza – hrozby

Hlavním cílem společnosti ISNO IT, je nabídnout občanům svých klientů (obce a svozové společnosti) možnost snížit si svůj poplatek za odvoz odpadu prostřednictvím dodržování podmínek k tomu určených (třídění, předcházení vzniku odpadu, kompostování apod.). S tímto cílem zároveň koresponduje další cíl této společnosti, kterým je snižování produkce komunálního odpadu a naopak zvyšování podílu tříděného odpadu (na úkor odpadu komunálního) v daných obcích či městech zapojených do systému ISNO. Na základě těchto cílů a také s přihlédnutím na výstupy provedené SWOT analýzy, byly definovány klíčové identifikátory výkonu (KPI). Jedná se o tyto ukazatele:  počet zapojených uživatelů ISNO,  komunální odpad (kg/obyvatel),  tříděný odpad (kg/obyvatel). Díky těmto ukazatelům může společnost monitorovat a kontrolovat, zda jsou její výše zmíněné cíle průběžně naplňovány. Ke sledování průběhu naplňování těchto cílů mohou pomoci níže navržené vizuální reporty, díky kterým je toto sledování mnohem efektivnější.

Výsledky

4.2

50

Návrh BI řešení

Hlavním cílem této práce je vytvoření BI řešení pro společnost ISNO IT, s. r. o. Díky kancelářskému balíku Office 365 (obsahuje aplikaci Excel a dříve zmíněné doplňky) od společnosti Microsoft bylo toto řešení navrženo a implementováno. Skládá se z datového modelu, jednotlivých dotazů a několika navržených reportů. Je zde také jednoduchá nápověda při prvotní konfiguraci tohoto BI nástroje. 4.2.1

Databáze

Při návrhu BI řešení, autor této práce nemusel řešit návrh datové základny. V rámci aplikace Excel bylo využito dat z databáze společnosti ISNO IT, a na jejím základě byl následně navržen datový sklad, jež bude detailněji popsán v jedné z následujících kapitol.

4.3 4.3.1

Implementace BI Ověření verze Excel a přítomnosti Power Query

K tomu, aby mohlo být navrhované BI řešení používáno, je nutné disponovat aplikací Microsoft Excel 2013 a nainstalovaným a povoleným doplňkem Power Query. Z tohoto důvodu byly vytvořeny funkce, které při otevření sešitu kontrolují, zda jsou všechny tyto náležitosti v pořádku. Jedná se o funkce: CheckVersion(), IsPowerQueryAvailable() a IsPowerQueryConnected() (viz Přílohy). Pokud uživatel nedisponuje danou verzí Excel nebo nemá stažený, či povolený doplněk Power Query, je na tuto skutečnost upozorněn systémovou hláškou. V opačném případě může bez jakéhokoliv omezení využívat všechny dostupné funkce navrženého BI řešení. Někdy se může stát, že se navržené reporty nezobrazují správně. V tomto případě je potřeba si aktualizovat verzi Microsoft Silverlight. 4.3.2

Zabezpečení vzdáleného přístupu do databáze

Jelikož jsou data doplňkem Power Query načítána z MySQL databáze společnosti ISNO IT, je toto vzdálené připojení zabezpečeno proti přístupu neoprávněných osob. Zmíněné zabezpečení spočívá ve vytvoření přístupových údajů (login, heslo), a přiřazení oprávnění (přístup k jednotlivým databázím, tabulkám apod.) daným uživatelům. Toto zabezpečení je řešeno na straně databázového serveru a je využíváno jak při importu dat, tak při jejich aktualizaci. 4.3.3

Power Query dotazy

Power Query dotazy, které jsou součástí navrhovaného BI řešení, slouží k importu dat z MySQL databáze do datového modelu doplňku Power Pivot. V rámci tohoto nástroje bylo vytvořeno celkem 10 Power Query dotazů. Jednotlivé dotazy jsou detailněji popsány v následujících odstavcích této práce.

Výsledky

51

Dotaz Svoz Tento dotaz představuje informace o uskutečněných svozech, provedených odpadovou společností. Zároveň se jedná v kontextu datového skladu o faktovací tabulku. V importovaných datech byly kvůli vyšší uživatelské přívětivosti přejmenovány názvy sloupců, a také odstraněny některé nepotřebné sloupce. Jelikož Power Query ne zcela dokonale importuje datové typy daných atributů, byla také v některých případech nutná změna datových typů a jejich formátování. Dotaz Datum V kontextu datového skladu, představuje tento dotaz dimenzi čas. Díky tomu, může být vývoj vyžadovaných informací a klíčových identifikátorů výkonnosti sledován v časovém horizontu. Tato datumová tabulka obsahuje sloupce jako je rok, měsíc, čtvrtletí apod. Tyto časové informace jsou následně v doplňku Power View využity při vytváření výsledných reportů. Dotaz Stanoviste Jedná se o informace týkající se stanovišť (domácností), které produkují a třídí odpad. Tato tabulka obsahuje sloupce jako město, ulice, číslo popisné, psč, název stanoviště apod. Zároveň se jedná, o dimenzi místo. V rámci procesu ETL bylo rovněž potřeba pozměnit některé datové typy sloupců, přejmenovat názvy sloupců a odstranit nepotřebné sloupce. Dotaz Obec_ISNOIT Tato tabulka představuje databázi všech obcí a měst ČR, a obsahuje informace jako název obce/města, okres, kraj, počet obyvatel apod. Právě atribut počet obyvatel byl „vypůjčen“ z této tabulky jako kalkulovaný sloupec pro tabulku Obec, kde byl využit při výpočtu KPI Počet zapojených uživatelů ISNO. Dotaz Obec Tabulka Obec představuje informace o obcích/městech, jež jsou zapojeny do systému ISNO. Zároveň tato tabulka představuje společně s tabulkou Stanoviste dimenzi místo. V tomto dotazu je rovněž větší množství kalkulovaných polí (např. počet zapojených domácností, počet nádob v obci apod.), které následně posloužily pro výpočet některých klíčových ukazatelů výkonosti a také při samotném vytváření reportů. Dotaz Produkce odpadu ČR-kraje Tento dotaz obsahuje informace o roční produkci komunálního a tříděného odpadu v jednotlivých krajích České republiky. Informace do tohoto dotazu, byly získány ze statistického úřadu. Dále zde byly přidány kalkulované sloupce Komunální odpad (kg/obyvatel/měsíc), Komunální odpad (kg/obyvatel/čtvrtletí), Tříděný odpad

Výsledky

52

(kg/obyvatel/měsíc) a Tříděný odpad (kg/obyvatel/čtvrtletí). Tyto sloupce následně posloužily při vytváření KPI Komunální odpad – kg/obyvatel a Tříděný odpad – kg/obyvatel. Dotaz Nadoba Dotaz Nadoba obsahuje informace o nádobách všech obcí zapojených do systému ISNO. Tyto informace následně posloužily pro výpočet celkového počtu nádob v jednotlivých obcích. Dotaz Nadoba_objem Dotaz Nadoba_objem obsahuje informace o všech možných objemech evidovaných nádob. Tyto informace jsou následně využívány dotazem Nadoba. Dotaz Nadoba_typ Tento dotaz obsahuje informace o všech možných typech evidovaných nádob. Jedná se např. o typ: pytel, kontejner, malá plast/kov (110-120l) apod. Tyto informace jsou podobně jako informace z dotazu Nadoba_objem využívány dotazem Nadoba, a posloužily při vytváření jednoho z reportů. Dotaz Komodita Podobně jako předchozí dva dotazy jsou informace z tohoto dotazu využívány dotazem Nadoba. Jsou zde evidovány všechny možné komodity (papír, plast, směsný odpad apod.), které jsou ukládany do evidovaných nádob. Tyto informace byly rovněž využity při vytváření jednoho z reportů. Zdrojový kód všech zmíněných dotazů je dostupný v kapitole Přílohy. 4.3.4

Datový model

Po vytvoření všech dotazů v doplňku Power Query začíná tvorba datového modelu v doplňku Power View. Jednotlivé dotazy, jak je patrné z jejich předchozího popisu, jsou v datovém modelu prezentovány jako tabulky. Prvním krokem při vytváření datového modelu, je vytvoření relací (vazeb) mezi těmito tabulkami. To je umožněno díky diagramovému zobrazení, kde lze jednoduchým přetažením cizího klíče na odkazovanou tabulku vytvořit jejich relaci. Důkladná příprava datového modelu hraje klíčovou roli při vytváření následných reportů. Proto je v rámci tohoto procesu důležité, aby všechny atributy měli správné datové typy, odpovídající popisky a formátování. Po úspěšném sestavení jednotlivých relací, tabulek, datových typů apod., je model hotov, a je možné vytvářet pomocné výpočty, kalkulovaná pole a sloupce, jež budou dále sloužit při vytváření samotných reportů. Datový model je znázorněn na obrázku 11.

Výsledky

53

Obrázek 11: Datový model navrhovaného BI řešení

Z tohoto diagramu jsou patrné výše zmíněné tabulky (dotazy) a relace mezi nimi. V tabulce Obec_ISNOIT můžeme vidět např. atribut Poloha. Jedná se o vytvořenou hierarchii z údajů o dané obci v posloupnosti atributů Kraj, Okres a Obec. V tabulce Svoz, můžeme také vidět několik kalkulovaných polí, jako Váha svozů, Váha komunálního odpadu apod., které jsou využity při návrhu výsledných reportů. 4.3.5

Reporting

Po vytvoření datového modelu následuje tvorba reportů v doplňku Power View. V rámci této práce byly vytvořeny celkem 4 reporty, které sledují požadované ukazatele jako je počet nádob v daných obcích, vývoj svezených komodit, počet zapojených uživatelů ISNO, či vývoj komunálního a tříděného odpadu v jednotlivých obcích. Jelikož reporty mají sloužit především k vizualizaci sledovaných ukazatelů, jsou tyto reporty tvořeny především grafy, které nejlépe vystihují podstatu daných ukazatelů. V některých případech jsou z důvodu komplexnosti reportů využity rovněž tabulky a průřezy. Všechny reporty byly navrženy pro svozovou společnost STKO, spol. s r. o., jež je jedním ze zákazníků společnosti ISNO IT. Počet nádob Tento report sleduje aktuální počet nádob evidovaných (obsluhovaných) svozovou firmou v dané obci/městě. Navržený report, jak je patrné z obrázku 12, se skládá ze dvou částí. Horní část je tvořena průřezovou tabulkou, která představuje jak vizuální

Výsledky

54

tak číselný pohled na počty jednotlivých typů nádob v dané obci. Dolní část je tvořená grafem, který znázorňuje stejné informace jako průřezová tabulka. Tento druh vizualizace byl zvolen zejména pro jeho další využití, například ve výročních zprávách nebo při vytváření příloh k fakturám daným obcím. Pro kalkulaci počtu nádob byl využit kalkulovaný sloupec Nádoby-celkem nacházející se v tabulce Obec. Ten získává požadované informace na základě vzájemné relace s tabulky Nadoba, ve které jsou informace o nádobách uchovávány.

Obrázek 12: Ukázka reportu - Počet nádob

Vývoj komodit Jedná se o report sledující průběžnou produkci svezených komodit v daných obcích. Tento report se skládá z jednoduchého průřezu, kde si uživatel zvolí obec, kterou chce sledovat, a z celkového přehledu produkce daných komodit ve zvolené obci. Dále je zde graf, který znázorňuje produkci svezených komodit z hlediska vývoje tohoto ukazatele v měsíčních intervalech. Pro ukazatel časového horizontu byl využit atribut Měsíc rok z tabulky Datum. Ke správnému výpočtu ukazatele pro danou produkci byl využit kalkulovaný sloupec Váha svozů z tabulky Svoz, který přiřazuje jednotlivým obcím produkci daných komodit. Navržený report je vyobrazen na obrázku 13.

Výsledky

55

Obrázek 13: Ukázka reportu - Vývoj svezených komodit

Počet zapojených domácností Díky tomuto reportu může společnost sledovat procentuální zapojení domácností (stanovišť) do systému ISNO v jednotlivých obcích. K tomuto účelu byl vytvořen klíčový identifikátor výkonu (KPI) s názvem Zapojení uživatelé ISNO, který na základě navolených intervalů znázorňuje u jednotlivých obcí barevná kolečka. Pokud je procento zapojených domácností v rozmezí 0 - 30 %, zobrazuje se u dané obce červené kolečko, pokud je zapojeno 30 – 70 % domácností, je zobrazeno žluté, a pokud je počet zapojených domácností větší jak 70 %, pak je zobrazeno kolečko zelené.

Výsledky

56

Obrázek 14: Ukázka reportu - Počet zapojených domácností

Váha komunálního/tříděného odpadu Tento report umožňuje sledovat průběžnou váhu komunálního a tříděného odpadu na obyvatele v daných obcích. Vzhledem k neustálému zdražování likvidace komunálního odpadu, je sledování těchto hodnot pro společnost ISNO IT jednou z hlavních priorit. Pro výpočet tohoto ukazatele byly získány informace z tabulky Produkce odpadu ČR – kraje, kde jsou evidovány informace o váze komunálního a tříděného odpadu na osobu podle krajů České republiky. Na základě těchto informací byly vytvořeny klíčové identifikátory výkonu Komunální odpad – kg/obyvatel a Tříděný odpad – kg/obyvatel. Z informací o produkci odpadu v jednotlivých krajích byly vypočítány maximální (v případě tříděného odpadu) a minimální (v případě komunálního odpadu) hodnoty, které byly následně využity pro definování rozmezí při sledování těchto ukazatelů. V případě tříděného odpadu je nejvíce třídícím krajem Vysočina, a proto byl ukazatel Tříděný odpad – kg/obyvatel porovnáván s hodnotami tohoto kraje. Pokud daná obec dosahuje méně, než 75 % ukazatele pro kraj Vysočina je k dané obci zobrazeno červené kolečko. Pokud je tato hodnota mezi 75 – 100 % je zobrazeno oranžové, a je-li hodnota vyšší než 100% je zobrazeno zelené kolečko. Naopak v produkci komunálního odpadu je na tom nejlépe (produkuje nejmenší množství komunálního odpadu) Plzeňský kraj. Při sledování ukazatele Komunální odpad – kg/obyvatel bylo využito stejného postupu jako v případě tříděného

Výsledky

57

odpadu, s tím rozdílem, že zde platí opačné pravidlo, tedy čím méně komunálního odpadu, tím lépe. V praxi to znamená, že je-li hodnota sledovaného ukazatele v dané obci menší než 75 % produkce komunálního odpadu pro Plzeňský kraj, je zobrazeno zelené kolečko. Pokud je tato hodnota mezi 75 – 100 %, je zobrazeno oranžové, a pokud je hodnota vyšší než 100 %, je zobrazeno kolečko červené. Z obrázku 15 je patrné, že z pohledu daných obcí jsou v drtivé většině tyto ukazatele zcela v pořádku.

Obrázek 15: Ukázka reportu - Váha komunálního a tříděného odpadu

4.4

Návrh uživatelského rozhraní

Jedním z požadavků pro splnění zadání diplomové práce je také vytvoření uživatelsky přívětivého prostředí, které umožní sledování a analyzování dat a to i z pohledu času. Na základě tohoto požadavku byla navržena a implementována webová aplikace, která byla vyvinuta v Nette Frameworku a samotný programový kód byl napsán ve vývojovém prostředí Sublime Text2, který velice zpřehledňuje a zrychluje práci se samotným kódem.

Výsledky

4.4.1

58

Požadavky na aplikaci ze strany společnosti ISNO IT, s. r. o.

Kromě výše zmíněného účelu této aplikace, kterým je dostupnost navržených reportů a analýz podnikových informací, vznikl se strany společnosti ISNO IT další požadavek. Tímto požadavkem bylo, aby navržená aplikace umožňovala partnerům a dispečerům této společnosti evidovat a filtrovat informace o svých zákaznících (obcích), dále evidovat náklady spojené s integrací systému ISNO v daných obcích a v neposlední řadě evidovat, filtrovat a propočítávat průběžnou evidenci odpadů. Tato evidence je velice důležitá z pohledu udělování odměn od společnosti EKOKOM, která jednotlivé obce a města odměňuje na základě množství vyprodukovaného komunálního a tříděného odpadu. Tyto odměny jsou následně přerozdělovány občanům na základě jejich třídění, či předcházení vzniku odpadu. 4.4.2

Návrh databázové základny

Prvotním krokem při vývoji webové aplikace byl návrh databázové struktury. Na základě obdržených dat od společnosti ISNO IT, bylo vytvořeno 11 entit (tabulek), a to včetně entity pro přihlašování uživatelů do systému. Pro společnost ISNO IT jsou klíčové především tabulky Nadoba, Svoz, Produkce_odpadu, Dodavatel_naklady a Obec_informace. Tabulka Obec obsahuje základní informace o všech obcích a městech v ČR. Dále pak obsahuje detailnější informace jako například kontakt na starostu obce nebo zda je daná obec či město zapojena v programu ISNO. Tabulka Obec_historie představuje kopii tabulky Obec. Tato tabulka slouží především pro zaměstnance společnosti jako kontrola nad tím, kdo, kdy a jaké informace k dané obci měnil. Tabulka Obec_informace obsahuje detailnější informace k obcím, které následně slouží jako podklad pro kvalitnější nastavení systému ISNO v dané obci/městu. Tabulka Dodavatel_naklady slouží k evidenci nákladů spojené s jednáním jednotlivých partnerů společnosti ISNO IT v dané obci (např. časová náročnost vyjednávání, počet schůzek, počet ujetých kilometrů aj.). Tabulka Produkce_odpadu slouží pro evidenci vyprodukovaného odpadu v dané obci. Tyto informace jsou poté využity jako podklad pro obalovou společnost EKOKOM, ale i k případné podrobnější analýze. Tabulka Nadoba představuje informace o všech nádobách v dané obci, které jsou sváženy svozovou společností. Tabulka Komodita je pouze pomocná pro tabulku Nadoba. Ta ukládá všechny druhy komodit, které svozová společnost sváží a je propojena s tabulkou Nadoba pomocí cizího klíče. Tabulka Objem je rovněž pomocná a představuje všechny možné objemy nádob (110l, 120l, 1100l apod.), a je rovněž propojena s tabulkou Nadoba. Tabulka Svoz obsahuje detailní informace o uskutečněných svozech jednotlivých nádob (váha svozu, datum svozu, čistota, složení, status svozu aj.). Rovněž slouží jako zdroj informací pro výpočet průběžné evidence odpadů v dané obci. Tabulka Svozovka_dodavatel představuje výčet všech dispečerů, partnerských svozových firem a partnerů (obchodních zástupců) společnosti ISNO IT. Poslední tabulka Osoba obsahuje informace o uživatelích (jméno, příjmení, login, heslo a role), a slouží jako zdrojová tabulka pro přístup uživatelů do systému.

Výsledky

59

Pro vizuální návrh datové struktury slouží entitně relační diagram (ERD), který obsahuje entity a relace (vazby mezi jednotlivými tabulkami). Schéma datové struktury pro navrhovanou aplikaci je vyobrazeno na obrázku 16.

Obrázek 16: ERD diagram webové aplikace

4.4.3

Grafický návrh

Ze strany vedení společnosti ISNO IT nevznikl žádný speciální požadavek na grafickou stránku aplikace, a proto byl design aplikace plně v režii autora této práce. Webová aplikace se skládá z přehledné šablony (layoutu), která vychází z barev, které jsou nějakým způsobem spojeny s odpadem. Jedná se o barvu černou (směsný odpad), která se rovněž nachází v logu společnosti ISNO IT, dále pak o barvu zelenou (sklo), červenou (elektro) a modrou (papír). Hlavní důraz při návrhu grafické stránky byl kladen především na jednoduché ovládání a na přehlednost celé aplikace. Díky šablonovacímu systému Latte, který je součástí Nette Frameworku, je grafická vrstva dokonale oddělena od aplikační, což přispívá k přehlednosti nejen kódu, ale i celé aplikace.

Výsledky

4.5

60

Implementace uživatelského rozhraní

Aplikace byla navržena tak, aby splňovala všechny požadavky vedení společnosti ISNO IT, s. r. o., a to především z pohledu funkčnosti a přehlednosti aplikace. 4.5.1

Autentizace

K tomu, aby uživatel mohl využívat veškeré funkce navržené aplikace, je nutné, se do aplikace přihlásit. Po zadání URL adresy www.mojeodpadky.cz je uživatel přesměrován na úvodní obrazovku s přihlašovacím formulářem, který vybízí k vyplnění loginu a hesla. Díky těmto údajům je možné se do aplikace přihlásit. Pokud uživatel tyto údaje zadá špatně, či je nevyplní vůbec, je na tuto skutečnost upozorněn systémovou hláškou. Po zadání loginu a hesla jsou tyto údaje porovnávány s daty uloženými v databázi, a pokud se oba faktory s uloženými daty shodují, je uživatel přesměrován do části nazvané Poznámky k obcím. Kvůli bezpečnosti je v aplikaci implementována funkce automatického odhlášení. Pokud je uživatel nečinný déle jak 60 minut nebo zavře svůj webový prohlížeč, je automaticky odhlášen. Jelikož člověk je tvor zapomětlivý, je pro osoby, které svoje heslo do aplikace zapomněly nebo ztratily, přístupná funkce Zapomenuté heslo. Po kliknutí na tento odkaz, který se nachází přímo pod přihlašovacím formulářem, je uživatel přesměrován na speciální formulář, kde je po zadání emailu (musí být evidován v databázi pod přihlašovacím účtem) vygenerováno náhodné heslo a odesláno na zadaný email. 4.5.2

Heslo

Heslo je klíčovým prvkem pro vstup do aplikace. Z tohoto důvodu by ho měl znát jen sám uživatel, a neměl by toto heslo poskytovat třetím stranám. Z důvodu zabezpečení jsou hesla v aplikaci šifrována, a takto zašifrovaná jsou ukládaná v databázi. Pro šifrování hesla je využit algoritmus SHA18, který dané heslo (řetězec znaků) převede na šifrovaný kód. Tento bezpečnostní prvek byl zvolen hlavně proto, že v případě napadení, či dokonce odcizení databáze, se útočník sice k heslům dostane, ale ze zašifrovaného hesla není schopen zpětně dekódovat jeho původní podobu. Po úspěšném přihlášení do aplikace se může uživatel kdykoliv odhlásit kliknutím na odkaz Odhlásit se, případně si zde může změnit svoje současné heslo kliknutím na odkaz Změna hesla. Pokud bude chtít po svém odhlášení opět využívat služeb aplikace, je nucen se znovu přihlásit. 4.5.3

Autorizace

Po úspěšné autentizaci uživatele následuje jeho autorizace. Ke každému uživatelskému profilu je přiřazena určitá role (Administrátor, Dispečer, Host apod.), na základě které jsou uživateli zpřístupněny jednotlivé části a funkce navržené aplikace. V praxi to znamená, že pokud uživatel disponuje odpovídající rolí, může například 8

Secure Hash Algorithm verze 1

Výsledky

61

mazat, upravovat, či exportovat záznamy uložené v databázi. Pokud touto rolí nedisponuje, je na tuto skutečnost upozorněn systémovou hláškou. 4.5.4

NiftyGrid

Základ navržené aplikace tvoří komponenta NiftyGrid, která je jedním z mnoha dostupných rozšíření Nette Frameworku. Tato komponenta byla následně upravena, a byly doprogramovány další funkce a možnosti tak, aby aplikace splňovala všechny požadavky, které byly zmíněny v podkapitole 4.2.1. Komponenta Niftygrid představuje nástroj pro grafické zobrazení a manipulaci s daty, jež tato komponenta načítá z databáze, což patří mezi její hlavní přednosti. Jako další výhodu komponenty NiftyGrid, vidí autor této práce podporu AJAX9. Tato komponenta má však integrováno mnoho dalších užitečných funkcí. Jedná se například o řádkové funkce, řádkovou editaci záznamů, řazení a filtrování jednotlivých záznamů, sloupcový našeptávač (autocomplete) a podporu subgridů [28].

Obrázek 17: Hlavní grid - Obce

4.5.5

Řádkové funkce

Mezi hlavní řádkové funkce navržené aplikace patří možnost mazání a editace jednotlivých záznamů uložených v databázi. Dále je u každého subgridu dostupná funkce přidání nového záznamu v podobě globálního tlačítka, které je umístěno nad Asynchronous JavaScript and XML - technologie vývoje webových aplikací, jež mění obsah stránky bez nutnosti jejího znovunačtení 9

Výsledky

62

každým tímto subgridem. Speciální řádkovou funkcí je v případě subgridu Průběžná evidence odpadu možnost kopírování již vloženého záznamu, což v mnoha ohledech zrychlí práci při vkládání nového záznamu. 4.5.6

Grafické formátování buněk

Díky této funkci se velice zlepšuje orientace v navržené aplikaci. Jedná se o účelnou grafickou pomůcku při zobrazování dostupných informací. Tato funkcionalita je využita převážně v subgridu Průběžná evidence odpadu. Například jsou zde jednotlivé komodity (papír, plast, směsný odpad apod.) podbarveny barvami, pod kterými jsou tyto komodity běžně známé například z barevných kontejnerů, do kterých se odkládá vyprodukovaný odpad. Dalšími podbarvenými buňkami jsou také buňky, které slouží pro výpočet celkové hmotnosti a celkového počtu svezených nádob dané komodity nebo také buňky, které slouží k evidenci nákladů (kolik stojí obec/město likvidace odpadu) a příjmů (kolik obec/město utrží z produkce odpadu). 4.5.7

Filtrování záznamů

Jedním z požadavků na aplikaci bylo filtrování evidovaných informací. Díky komponentě NiftyGrid, která má v sobě tuto funkci integrovanou, si uživatel může vyfiltrovat požadované informace na základě zvolených atributů. Velice užitečnou pomůckou při filtrování záznamů je integrovaný autocomplete. Ten po zadání prvotních znaků do filtrovacího pole automaticky nabídne uživateli sadu odpovídajících možností, což zvyšuje uživatelskou přívětivost, usnadňuje filtrování a také velice zkracuje dobu, která je potřeba k vyfiltrování požadovaných záznamů. Jediným omezením pro autocomplete (našeptávač) je, že filtrované záznamy musí být typu string nebo text. Ostatní informace, např. číslo nebo datum jsou rovněž vyfiltrovatelné za pomoci matematických symbolů (např. >, <, =). 4.5.8

SubGrid

Další funkcionalitou, kterou komponenta NiftyGrid disponuje, je možnost využití vnořených tabulek tzv. subgridů. V praxi to znamená, že jednotlivé gridy (tabulky), mohou mít jeden, či více subgridů (podtabulek). Takových subgridů obsahuje navrhovaná aplikace celkem 4. Jedná se o subgridy: Historie obce, Náklady dodavatele ISNO, Analýza obce a Průběžná evidence odpadu. Informace o průběžné evidenci odpadu k obcím jsou z pohledu vedení společnosti ISNO IT velice důležité a jsou tak klíčovými a nejzajímavějšími informacemi v rámci této aplikace. Subgrid evidující tyto informace nabízí uživateli možnost evidovat produkci jednotlivých komodit v dané obci za určité odbobí, možnost automatického propočtu celkové hmotnosti a kusů obsloužených nádob dle zadaných kritérií, a také možnost evidovat doplňující informace k této produkci. Tento subgrid rovněž disponuje možností exportu jednotlivých záznamů ve formátu xlsx aplikace Excel, což uživateli umožňuje provádět další analýzy nad těmito informacemi. Důležitou pomůckou zrychlující zadávání jednotlivých záznamů

Výsledky

63

o této produkci je již zmíněná řádková funkce „rozmnožení“ jednotlivých záznamů, a také funkce, která uživateli nabízí na základě zvolené komodity všechny datumy, kdy byla tato komodita v dané obci svezena, což rovněž zefektivňuje práci při zadávání nových záznamů. Průběžná evidence odpadu je znázorněna na obrázku 18.

Obrázek 18: Subgrid Průběžná evidence odpadu

4.5.9

Modul Reporty/Analýza

Druhou část této aplikace představuje modul Reporty/Analýza. Jedná se o grafické prostředí pro vkládání a sdílení navržených reportů pro zákazníky společnosti ISNO IT. Toto prostředí se skládá ze vstupního formuláře, který slouží pro vkládání reportů, studií, analýz a dalších dokumentů. V rámci tohoto modulu lze vkládat soubory v mnoha formátech (doc, docx, xls, xlsx, xlsm, pdf, jpg, png, jpeg, gif), a maximální velikost vkládaného souboru je 30 megabitů. Pod vstupním formulářem se nachází pole, s již vloženými reporty. Toto pole obsahuje informace jako stručný popis souboru, kdy a kdo tento soubor vložil nebo také možnost smazání sdíleného reportu. Samozřejmostí je možnost stažení souboru do počítače uživatele této aplikace a tlačítko pro návrat do sekce Poznámky k obcím. Grafickou ukázku tohoto modulu můžeme vidět na obrázku 19.

Výsledky

Obrázek 19: Modul Reporty/Analýza

64

Diskuse

65

5 Diskuse 5.1

Možnosti rozšíření

Navržené BI řešení společně s vytvořenou webovou aplikací splňují všechny požadavky vedení společnosti ISNO IT, jež byly stanoveny na začátku této práce. Nicméně v průběhu vývoje webové aplikace se vyskytly určité problémy, na kterých je nutné do budoucna ještě zapracovat. Jedná se především o responzivní design uživatelského prostředí, konkrétně pak modulu Poznámky k obcím. V průběhu testování této aplikace totiž došlo k zjištění, že navržené gridy se na zařízeních s menším rozlišením nezobrazují v dostatečné šířce, což může snižovat uživatelský komfort při využívání této aplikace. Bez ohledu na tento fakt, je však tato aplikace již dnes využívána společností ISNO IT. Navržené BI řešení může být v budoucnu rovněž zdokonalováno. Jedná se především o rozšíření počtu reportů a dalších vizualizací důležitých ukazatelů, zejména finančního charakteru. Při návrhu BI řešení nebylo využito cloudové služby Power BI. Tato služba byla vynechána záměrně z důvodu její nejasné budoucnosti. Společnost Microsoft totiž plánuje tuto službu nahradit zcela jiným řešením. Potenciální rozšíření navrhovaného BI řešení o tuto službu však může v budoucnosti přinést další možnosti v oblasti vytváření reportů a sledování klíčových ukazatelů výkonosti společnosti.

5.2

Ekonomické zhodnocení

Navrhované BI řešení na platformě Microsoft Excel 2013 je jedním z nejméně finančně náročných nástrojů řešících problematiku Business Intelligence, které jsou dostupné na dnešním trhu. Jelikož většina klientů společnosti ISNO IT v současné době disponuje licencí (Excel 2013), potřebnou k využívání navrhovaného řešení, jsou náklady na jeho vybudování zanedbatelné. Příprava a implementace datového skladu společně s vytvořením 4 reportů byla ohodnocena částkou 15 000 Kč (100 hodin práce při hodinové mzdě 150 Kč/hod.). V případě rozšíření navrhovaného řešení o cloudovou službu Powe BI, je společností Microsoft účtován měsíční poplatek ve výši 40 dolarů/měsíc (licence pro jednoho uživatele). Náklady pro společnost by tak představovaly, při využívání této služby, částku 23 520 Kč/rok (v případě licence pro dva uživatele), což je dle autora této práce, přijatelná cena pro většinu dnešních společností. Hodnota webové aplikace s moduly „Poznámky k obcím“ a „Reporty/Analýza“, byla vyčíslena na částku 12 000 Kč (80 hodin práce při hodinové mzdě 150 Kč/hod.).

Diskuse

5.3

66

Přínos pro praxi

Navržená webová aplikace bude sloužit především pracovníkům z řad ekonomického oddělení společnosti ISNO IT, s. r. o. Díky modulu Poznámky k obcím budou tito zaměstnanci schopni sledovat, evidovat a analyzovat důležité informace o svých klientech. Modul Reporty/Analýza bude využíván jako médium pro sdílení navržených reportů a analýz. Tyto reporty může společnost využít jako nástroj pro sledování průběžného plnění stanovených cílů, jako podporu pro manažerské rozhodování nebo např. při plánování reklamních kampaní. Hlavní výhoda navrženého BI řešení spočívá především v tom, že si v případě potřeby mohou pracovníci ekonomického oddělení kdykoliv vytvořit potřebný report, a to bez potřeby IT nebo BI odborníků. Zároveň může toto řešení v budoucnosti společnosti ISNO IT ušetřit nemalé finanční prostředky, které mohou být použity např. k rozvoji marketingu, či k propagaci systému ISNO.

Závěr

67

6 Závěr Úvod této práce se zabývá představením důležitých pojmů, jako je např. manažerské rozhodování a Business Intelligence. Vymezení těchto pojmů je důležité především z hlediska pochopení základních technik, které byly praktikovány pří návrhu a implementaci BI řešení, jehož vytvoření bylo hlavním cílem této práce. V další části této práce se zabývám představením společnosti ISNO IT, a zároveň je zde představen její revoluční systém ISNO, který přináší občanům možnosti ke snížení jejich poplatku za odvoz odpadu. V následující části této práce jsou představeny programové prostředky, s jejichž pomocí bylo vytvářeno požadované BI řešení a webové aplikace. Po nezbytné teoretické části, následuje kapitola vlastní práce. V jejím úvodu byla provedena analýza vnitřního a vnějšího prostředí společnosti, a na základě výstupů této analýzy byly stanoveny klíčové ukazatele výkonosti (KPI), jejichž sledování je pro společnost ISNO IT velice důležité. Potřeba sledování těchto ukazatelů vedla k vytvoření datového skladu a následné tvorbě interaktivních reportů v prostředí Microsoft Excel 2013. Díky navrženým reportům, může být vývoj klíčových ukazatelů sledován rovněž z historického hlediska. Druhou část vlastní práce představuje webová aplikace složená z modulů Poznámky k obcím a Reporty/Analýza. Díky modulu Reporty/Analýza jsou navržené reporty dostupné oprávněným uživatelům, kteří jsou přihlášeni do systému. Navržená aplikace rovněž obsahuje prostředí (modul Poznámky k obcím), které slouží k evidenci a následné analýze informací o klientech společnosti. Toto prostředí se skládá s několika tabulek (gridů) jež zobrazují informace týkající se např. průběžné evidence odpadu v obci/městě, nákladů týkajících se zavádění systému ISNO u jednotlivých zákazníků, případě podrobnějších informací o jednotlivých obcích a městech. Toto prostředí uživatelům rovněž umožňuje evidované informace upravovat, přidávat, filtrovat nebo mazat. V případě údajů o průběžné evidenci odpadu je dostupná také funkce exportu evidovaných informací. Jelikož cílem této práce bylo vytvořit BI řešení pro společnost ISNO IT, představuje modul Poznámky k obcím přesah této práce. Vytvořená webová aplikace společně s navrženým BI řešením splňuje veškeré požadavky, které byly na začátku této práce stanoveny, je plně funkční a v současné době je již využívána společností ISNO IT. V závěru této práce, přesněji řečeno v kapitole Diskuse je poté ve stručnosti zhodnocena finanční náročnost celého projektu, a je zde také zmíněn samotný přínos navrhovaného řešení pro společnost ISNO IT, s. r. o.

Literatura

68

7 Literatura [1] FOTR, J. et al. Manažerské rozhodování: postupy, metody a nástroje. Praha: Ekopress, 2006. 409 s. ISBN 80-86929-15-9. [2] TZU, S. The art of War. Oxford: Oxford University Press, 1971. ISBN 0-19-5014766. [3] GROVE, A. S. Only the Paranoid Survive. Doubleday, 1996. ISBN 10: 0385482582. [4] JIRKA, R. SystemOnLine. Analýza dat v manažerském rozhodování. [online]. 2012 [cit. 2015-04-01]. Dostupné z: http://www.systemonline.cz/clanky/analyzadat-v-manazerskem-rozhodovani.htm. [5] POUR, J. Co lze očekávat od Business Intelligence. [online]. [cit. 2015-04-16]. Dostupné z: https://www.vsem.cz/data/data/ces-soubory/konference-seminare/gf_Praha0906_ICT.pdf. [6] NOVOTNÝ, O., POUR, J. a SLÁNSKÝ, D. Business intelligence: jak využít bohatství ve vašich datech. Praha: Grada Publishing, 2005, 254 s. ISBN 80-247-1094-3. [7] PETERKA, M. Seznamte se s BI. [online]. [cit. 2015-04-20]. Dostupné z: http://www.daquas.cz/Articles/379-seznamte-se-s-bi.aspx. [8] DANEL, R. Datový sklad. [online]. [cit. 2015-04-16]. Dostupné z: http://homel.vsb.cz/~dan11/is_skripta/IS%202010%20-%20Danel%20-%20Datovy%20sklad.pdf. [9] MOJEODPADKY.CZ. O ISNO. [online]. 2015 [cit. 2015-04-23]. Dostupné z: https://www.mojeodpadky.cz/o-isno/. [10] PILOUS, J. SystemOnLine. Trendy business intelligence. [online]. 2015 [cit. 201504-26]. Dostupné z http://www.systemonline.cz/business-intelligence/trendy-business-intelligence.htm. [11] CLOUD COMPUTING. Co to je Cloud computing. [online]. 2015 [cit. 2015-04-17]. Dostupné z: http://www.cloudcomputing.cz/. [12] GARTNER.COM. Enterprise resource planning (ERP). [online]. [cit. 2015-04-19]. Dostupné z: http://www.gartner.com/it-glossary/enterprise-resource-planning-erp. [13] ASPIN, A. High Impact Data Visualization with Power View, Power Map, and Power BI. Apress, 2014. ISBN 978-1-4302-6616-7. [14] GoodData. GoodData Developers. [online]. 2014 [cit. 2015-04-17]. Dostupné z: https://developer.gooddata.com/.

Literatura

69

[15] LACKO, Ľ. Business Intelligence v SQL Serveru 2008: reportovací, analytické a další datové služby. 1. vyd. Brno: Computer Press, 2009. 456 s. ISBN 978-80251-2887-9. [16] WELLING, L. PHP a MySQL – rozvoj webových aplikací: programujeme internetové aplikace. 1. vyd. Praha. SoftPress, 2002. ISBN 80-864-9720-8. [17] Nette Framework. Rychlý a pohodlný vývoj webových aplikací v PHP. [online]. 2012 [cit. 2015-04-23]. Dostupné z: http://www.nette.org. [18] Nette Framework. MVC aplikace & presentery. [online]. 2012 [cit. 2015-04-24]. Dostupné z: http://doc.nette.org/cs/2.3/presenters. [19] Webb, Ch. Power Query for Power BI and Excel. Apress, 2014. ISBN 978-1-43026691-4. [20] Ferrari, A., Russo, M. Microsoft Excel 2013: building data models with Power Pivot. Sebastopol: O'Reilly, 2013 ISBN 978-0-73-567634-3. [21] Collie, R. DAX formulas for powerpivot: the excel pro's guide to mastering dax. Uniontown: Holy Macro! Books, 2012. ISBN 978-1-615-47015-0. [22] TechNet Microsoft. Data Analysis Expressions (DAX) Language. [online]. 2014 [cit. 2015-04-24]. Dostupné z: http://technet.microsoft.com/library/ee835613.aspx. [23] JANSSEN C. Decision Support System (DSS). [online]. 2014 [cit. 2015-04-28]. Dostupné z: http://www.techopedia.com/definition/770/decision-support-system-dss. [24] MARTINOVIČOVÁ, D., KONEČNÝ, M., VAVŘINA, J. Úvod do podnikové ekonomiky. 1. vyd. Praha: Grada Publishing, 2014. 208 s. ISBN 978-80-247-5316-4. [25] AVNET SERVICES. SAP Business Objects BI Package Opportunity for SAP Customers Using SAP Business Objects. [online]. 2014 [cit. 2015-04-28]. Dostupné z: http://www.ts.avnet.com/clientsolutions/suppliers/sap_business_objects/sapbusinessobjects_package.html. [26] GARTNER.COM. Gartner Says the Self-Driving Vehicle Will Be the First Pervasive. [online]. [cit. 2015-04-30]. Dostupné z: http://www.gartner.com/newsroom/id/2884317. [27] NOCTUINT.CZ. Pět trendů v Business Intelligence pro rok 2014. [online]. [cit. 2015-04-17]. Dostupné z: http://www.noctuint.cz/blog/2014-06-06-bitrends. [28] HOLUB, J. NiftyGrid. In: Nette Framework. [online]. 2012 [cit. 2015-05-05]. Dostupné z: www.addons.nette.org/cs/niftygrid.

Přílohy

70

Přílohy


71

A Makra vytvořená v Excelu A.1 Kontrola verze Excel 2013 Function Version() Application.ScreenUpdating = False If Val(Application.Version) < 15 Then OldVersion.Show Else If IsPowerQueryAvailable() = False Then PQNotInstalled.Show Else If IsPowerQueryConnected() = False Then PQNotActivated.Show End If End If End If End Sub

A.1 Kontrola přítomnosti doplňku Power Query Function IsPowerQueryAvailable() As Boolean On Error GoTo ErrorHandle Dim availability As Boolean Dim pqOK As Boolean availability = True pqOK = Application.COMAddIns("Microsoft.Mashup.Client.Excel").Connect IsPowerQueryAvailable = availability Exit Function ErrorHandle: availability = False Resume Next End Function

A.2

Kontrola připojení doplňku Power Query

Function IsPowerQueryConnected() As Boolean On Error GoTo ErrorHandle Dim availability As Boolean Dim PQconnected As COMAddIn


72

On Error Resume Next Set PQconnected = Application.COMAddIns("Microsoft.Mashup.Client.Excel") If Not PQconnected Is Nothing Then If Not PQconnected.Connect Then PQconnected.Connect = True availability = PQconnected.Connect End If IsPowerQueryConnected = availability Exit Function ErrorHandle: MsgBox ("V aplikaci ISNOIT-Business Intelligence se vyskytla chyba, v případě opakováání chyby kontaktujte správce aplikace.") End Function


73

B Dotazy doplňku Power Query B.1 Dotaz Svoz let Zdroj = MySQL.Database("77.93.200.2", "sv_stko"), sv_stko_svoz = Zdroj{[Schema="sv_stko",Item="svoz"]}[Data], #"Odebrané sloupce" = Table.RemoveColumns(sv_stko_svoz,{"barcode", "katalogove_cislo", "gps_vyska", "gps_sirka", "cas_vysypu", "porizeni_zaznamu", "puvod_zaznamu", "jiny_objem_id", "typ_cistota_id", "typ_slozeni_id", "typ_sberu", "prijmy", "naklady", "status_svoz", "poznamka", "checksum", "zmena", "aktualizoval_id", "sv_stko.jiny_objem", "sv_stko.komodita","sv_stko.nadoba","sv_stko.obec", "sv_stko.typ_cistota", "sv_stko.typ_slozeni"}), #"Přejmenované sloupce" = Table.RenameColumns(#"Odebrané sloupce",{{"vaha", "Váha"}, {"datum_svozu", "Datum svozu"}}), #"Změněný typ" = Table.TransformColumnTypes(#"Přejmenované sloupce",{{"Váha", type number}}), Rounding = Table.TransformColumns(#"Změněný typ",{{"Váha", each Number.Round(_, 1)}}) in Rounding

B.2 Dotaz Datum let PocetDni = Duration.Days(Duration.From(#date(2025, 1, 1) #date(2013, 1, 1))), Zdroj = List.Dates(#date(2012, 1, 1),PocetDni,#duration(1,0,0,0)), TableFromList = Table.FromList(Zdroj, Splitter.SplitByNothing()), ZmenenyTyp = Table.TransformColumnTypes(TableFromList,{{"Column1", type date}}), PrejmenovaneSloupce = Table.RenameColumns(ZmenenyTyp,{{"Column1", "Datum"}}), #"Vložené: Rok" = Table.AddColumn(PrejmenovaneSloupce, "Year", each Date.Year([Datum]), type number), #"Vložené: Čtvrtletí" = Table.AddColumn(#"Vložené: Rok", "Quarter", each Date.QuarterOfYear([Datum]), type number), #"Vložené: Měsíc" = Table.AddColumn(#"Vložené: Čtvrtletí", "Month", each Date.Month([Datum]), type number),


74

#"Vložené: Den" = Table.AddColumn(#"Vložené: Měsíc", "Day", each Date.Day([Datum]), type number), VlozitMesicInt = Table.AddColumn(#"Vložené: Den", "MesicInt", each [Year] * 100 + [Month]),VlozitMonthName = Table.AddColumn(VlozitMesicInt, "Měsíc", each Date.ToText([Datum], "MMMM", "cs-CZ"), type text), VlozitCalendarMonth = Table.AddColumn(VlozitMonthName, "Měsíc rok", each (Text.Proper([Měsíc])) & " " & Number.ToText([Year])), VlozitCalendarQtr = Table.AddColumn(VlozitCalendarMonth, "Kvartál rok", each "Q" & Number.ToText([Quarter]) & " " & Number.ToText([Year])),#"Vložené: Den týdne" = Table.AddColumn(VlozitCalendarQtr, "DayOfWeek", each Date.DayOfWeek([Datum],Day.Monday)+1, type number),VlozitDayName = Table.AddColumn(#"Vložené: Den týdne", "Den v týdnu", each Date.ToText([Datum], "dddd", "cs-CZ"), type text), #"Vložené: Začátek měsíce" = Table.AddColumn(VlozitDayName, "StartOfMonth", each Date.StartOfMonth([Datum]), type date),#"Vložené: Konec měsíce" = Table.AddColumn(#"Vložené: Začátek měsíce", "EndOfMonth", each Date.EndOfMonth([Datum]), type date), #"Přejmenované sloupce" = Table.RenameColumns(#"Vložené: Konec měsíce",{{"Year", "Rok"}, {"Quarter", "Kvartál"}, {"Month", "Měsíc číslo"}, {"Day", "Den"}, {"DayOfWeek", "Den v týdnu číslo"}, {"StartOfMonth", "Měsíc začátek"}, {"EndOfMonth", "Měsíc konec"}}), #"Změněný typ" = Table.TransformColumnTypes(#"Přejmenované sloupce",{{"Datum", type date}, {"Rok", Int64.Type}, {"Kvartál", Int64.Type}, {"Měsíc číslo", Int64.Type}, {"Den", Int64.Type}, {"MesicInt", Int64.Type}, {"Měsíc rok", type text}, {"Kvartál rok", type text}, {"Den v týdnu číslo", Int64.Type}, {"Den v týdnu", type text}, {"Měsíc začátek", type date}, {"Měsíc konec", type date}}), #"Velké první písmeno každého slova" = Table.TransformColumns(#"Změněný typ",{{"Měsíc", Text.Proper}, {"Den v týdnu", Text.Proper}}) in #"Velké první písmeno každého slova"

B.3 Dotaz Stanoviste let Zdroj = MySQL.Database("77.93.200.2", "sv_stko"), sv_stko_stanoviste = Zdroj{[Schema="sv_stko",Item="stanoviste"]}[Data],


75

#"Přejmenované sloupce" = Table.RenameColumns(sv_stko_stanoviste,{{"ids", "IDS"}, {"nazev", "Název stanoviště"}, {"typ_zastavby", "Typ zástavby"}, {"status", "Status"}, {"ulice", "Ulice"}, {"cislo_popisne", "Číslo popisné"}}), #"Odebrané sloupce" = Table.RemoveColumns(#"Přejmenované sloupce",{"poznamka", "overeni_google", "zmena", "aktualizoval_id", "sv_stko.nadoba_stanoviste", "sv_stko.obec", "sv_stko.odpadovy_dotaznik", "sv_stko.osoba_stanoviste", "sv_stko.stanoviste_hodnoceni", "sv_stko.stanoviste_zmena_nazev", "gps_sirka", "gps_vyska"}), #"Přejmenované sloupce1" = Table.RenameColumns(#"Odebrané sloupce",{{"mesto", "Město"}, {"psc", "PSČ"}, {"cislo_orientacni", "Číslo orientační"}, {"kraj", "Kraj"}, {"potvrzeni_inventura", "Potvrzená inventura"}, {"pocet_osob", "Počet osob"}, {"pocet_osob_dle_adresy", "Počet osob/Adresa"}, {"pocet_nadob", "Počet nádob"}}), #"Změněný typ" = Table.TransformColumnTypes(#"Přejmenované sloupce1",{{"Počet nádob", Int64.Type}, {"Počet osob/Adresa", Int64.Type}, {"Počet osob", Int64.Type}, {"Potvrzená inventura", type date}, {"obec_id", Int64.Type}, {"odpadovy_dotaznik_id", Int64.Type}, {"id", Int64.Type}}) in #"Změněný typ"

B.4 Dotaz Obec_ISNOIT let Zdroj = MySQL.Database("77.93.200.2", "sv_stko"), sv_isnoit_obec = Zdroj{[Schema="sv_isnoit",Item="obec"]}[Data], #"Odebrané sloupce" = Table.RemoveColumns(sv_isnoit_obec,{"psc", "kod_obec", "nazev_obec_s_rozsirenou_pusobnosti", "kod_so_orp", "kod_okres", "kod_kraj", "adresa_ou", "starosta", "starosta_email", "starosta_telefon", "www", "cesta", "poznamka_obec", "vytvoril_id", "datum_vytvoreni", "aktualizoval_id", "datum_aktualizace", "dev_stko.dodavatel_naklady", "dev_stko.obec_analyza", "dev_stko2.obec", "sv_isnoit.svozovka_dodavatel(dodavatel_id)", "sv_isnoit.svozovka_dodavatel(koordinator_id)", "sv_isnoit.svozovka_dodavatel(poradce_isno_id)", "sv_isnoit.svozovka_dodavatel(svozovka_id)", "sv_radekstanka.dodavatel_naklady", "sv_radekstanka.obec_analyza", "sv_radekstanka.prubezna_evidence_odpadu", "sv_stko.dodavatel_naklady", "sv_stko.obec", "sv_stko.obec_analyza",


76

"sv_stko.prubezna_evidence_odpadu", "sv_tsbruntal.dodavatel_naklady", "sv_tsbruntal.obec", "sv_tsbruntal.obec_analyza", "sv_tsbruntal.prubezna_evidence_odpadu"}) in #"Odebrané sloupce"

B.5 Dotaz Obec let Zdroj = MySQL.Database("77.93.200.2", "sv_stko"), sv_stko_obec = Zdroj{[Schema="sv_stko",Item="obec"]}[Data], #"Odebrané sloupce" = Table.RemoveColumns(sv_stko_obec,{"nazev_bez_diakritiky", "skin", "kontrola_vs", "kontrola_rok", "kontrola_mesic", "predchozi_isno_rok_id", "soucasny_isno_rok_id", "verejne_nadoby", "aktuality", "isno", "zahlavi_hodnoceni", "resitel_jmeno", "resitel_prijmeni", "resitel_email", "resitel_telefon", "poplatek", "max_ozvo_obdobi1","max_ozvo_obdobi2","max_ozvo_obdobi3","max_ozvo_obdobi4", "max_suma_ozvo_obdobi1","max_suma_ozvo_obdobi2","max_suma_ozvo_obdobi3", "max_suma_ozvo_obdobi4","sv_isnoit.obec","sv_stko.historie_nadoba","sv_stko.historie_osoba","sv_stko.isno_rok(predchozi_isno_rok_id)","sv_stko.isno_rok(soucasny_isno_rok_id)","sv_stko.nadoba","sv_stko.obec_bs","sv_stko. obec_bt", "sv_stko.obec_bv","sv_stko.obec_dokumenty", "sv_stko.obec_komodity", "sv_stko.obec_mp", "sv_stko.osoba", "sv_stko.osoba_zmena_jmeno", "sv_stko.smlouva(hlavni_smlouva_id)", "sv_stko.smlouva(id)", "sv_stko.stanoviste", "sv_stko.svoz"}), #"Přejmenované sloupce" = Table.RenameColumns(#"Odebrané sloupce",{{"nazev", "Obec"}, {"psc", "PSČ"}}), #"Odebrané horní řádky" = Table.Skip(#"Přejmenované sloupce",1) in #"Odebrané horní řádky"

B.6 Dotaz Nadoba let Zdroj = MySQL.Database("77.93.200.2", "sv_stko"), sv_stko_nadoba = Zdroj{[Schema="sv_stko",Item="nadoba"]}[Data],


77

#"Odebrané sloupce" = Table.RemoveColumns(sv_stko_nadoba,{"puvod_zaznamu", "poznamka_nadoba", "zmena", "aktualizoval_id", "sv_stko.komodita", "sv_stko.nadoba_stanoviste", "sv_stko.obec", "sv_stko.objem_nadoba", "sv_stko.smlouva", "sv_stko.svoz", "sv_stko.typ_nadoba", "sv_stko.uzivani_nadoba", "sv_stko.uzivani_nadoba_zmena"}), #"Přejmenované sloupce" = Table.RenameColumns(#"Odebrané sloupce",{{"idn", "IDN"}, {"aktivita", "Aktivita"}, {"umisteni_winyx", "Umístění Winyx"}, {"nejasne_umisteni", "Nejasné umístění"}, {"zkontrolovano", "Zkontrolováno"}, {"pocet_stanovist", "Počet stanovišť"}, {"pocet_svozu", "Pocet svozů"}, {"vlastnictvi", "Vlastnictví nádoby"}, {"pohyb_nadob", "Pohyb nádoby"}, {"data_mesic", "Data - měsíc"}, {"data_rok", "Data rok"}, {"datum_import", "Datum importu"}}), #"Změněný typ" = Table.TransformColumnTypes(#"Přejmenované sloupce",{{"Datum importu", type date}, {"Data - rok", Int64.Type}, {"Data - měsíc", Int64.Type}, {"Pohyb nádoby", type text}, {"Vlastnictví nádoby", type text}}), #"Odebrané sloupce1" = Table.RemoveColumns(#"Změněný typ",{"Vlastnictví nádoby", "Pohyb nádoby"}), #"Změněný typ1" = Table.TransformColumnTypes(#"Odebrané sloupce1",{{"Počet stanovišť", Int64.Type}, {"Pocet svozů", Int64.Type}, {"uzivani_nadoba_id", Int64.Type}, {"obec_id", Int64.Type}, {"smlouva_id", Int64.Type}, {"typ_nadoba_id", Int64.Type}, {"komodita_id", Int64.Type}, {"objem_nadoba_id", Int64.Type}, {"id", Int64.Type}}) in #"Změněný typ1"

B.7 Dotaz Nadoba_objem let Zdroj = MySQL.Database("77.93.200.2", "sv_stko"), sv_stko_objem_nadoba = Zdroj{[Schema="sv_stko",Item="objem_nadoba"]}[Data], #"Odebrané sloupce" = Table.RemoveColumns(sv_stko_objem_nadoba,{"sv_stko.historie_nadoba", "sv_stko.nadoba"}), #"Přejmenované sloupce" = Table.RenameColumns(#"Odebrané sloupce",{{"objem", "Objem"}}) in #"Přejmenované sloupce"


78

B.8 Dotaz Nadoby_typ let Zdroj = MySQL.Database("77.93.200.2", "sv_stko"), sv_stko_typ_nadoba= Zdroj{[Schema="sv_stko",Item="typ_nadoba"]}[Data], #"Odebrané sloupce" = Table.RemoveColumns(sv_stko_typ_nadoba,{"sv_stko.historie_nadoba", "sv_stko.nadoba"}), #"Přejmenované sloupce" = Table.RenameColumns(#"Odebrané sloupce",{{"typ", "Typ nádoby"}}) in #"Přejmenované sloupce"

B.9 Dotaz Komodita let Zdroj = MySQL.Database("77.93.200.2", "sv_stko"), sv_stko_komodita = Zdroj{[Schema="sv_stko",Item="komodita"]}[Data], #"Odebrané sloupce" = Table.RemoveColumns(sv_stko_komodita,{"sv_stko.historie_nadoba", "sv_stko.nadoba", "sv_stko.prubezna_evidence_odpadu", "sv_stko.svoz"}), #"Přejmenované sloupce" = Table.RenameColumns(#"Odebrané sloupce",{{"nazev_komodity", "Komodita"}, {"katalogove_cislo_15", "Katalogové číslo 15"}, {"katalogove_cislo_20", "Katalogové číslo 20"}}) in #"Přejmenované sloupce"

ISNO IT s.r.o. Uherčice 125, 691 62 Uherčice, IČ 026 96 371, DIČ: CZ02696371 Bankovní spojení: 107-6709400287/0100

C Referenční list Přestože se v současné době na trhu nevyskytuje mnoho firem, které by se zabývaly efektivním systémem nakládání s odpady, je sledování průběžného naplňování stanovených cílů naší společnosti velice důležité. Proto jsem uvítal, když nás pan Jiří Nevídal, oslovil se svým plánem na vybudování datového skladu. Díky navrženým reportům můžeme sledovat průběžný ale i historický vývoj důležitých ukazatelů, které přispívají k úspěšnému naplňování našich cílů. Současně pro naši společnost vytvořil, pan Jiří Nevídal, webovou aplikaci Poznámky k obcím, která slouží k evidenci a vyhodnocování důležitých informací o našich klientech a rozšířila tak možnosti systému ISNO. Tato aplikace je již dnes běžně využívána, a za její hlavní výhody považuji fakt, že jsou data ukládána do databáze a lze je filtrovat, kopírovat, editovat, exportovat apod. Pan Jiří Nevídal tak splnil všechny požadavky, které jsme si před zahájením této práce a také v jejím průběhu stanovili.

Ing. Radek Staňka jednatel ISNO IT Uherčice 10. 5. 2015

Společnost je zapsaná v OR, vedeného krajským soudem v Brně, oddíl C vložce číslo 82060

Aplikace pro podporou manažerského rozhodování

Recommend Documents