Big data a možné přínosy v úloze strategického řízení podnikové informatiky

Big data a možné přínosy v úloze strategického řízení podnikové informatiky Richard Novák Vysoká škola ekonomická v Praze katedra systémové analýzy [email protected] Abstrakt: Článek se zabývá tématem Big data v souvislosti s řízením podnikové informatiky. Nejprve je vysvětlen pojem Big data zejména v obecnějším kontextu data managementu a jsou popsány principy vybraných technologií zpracování Big data. Následně je vymezena vlastní úloha strategického řízeni podnikové informatiky, kdy článek navrhuje postupy, jak posuzovat přínosy vybrané technologie zpracování Big data v závislosti na strategických cílech podniku. Článek dále vymezuje modelový subjekt z oboru telekomunikací a na tomto subjektu ukazuje možné dopady vybrané technologie analýzy řeči na útvar marketingu a péče o zákazníka modelového subjektu. Na závěr je provedena kvantifikace dopadů změny dílčích KPI metrik vybraných funkčních útvarů modelového subjektu ve vazbě na definované cílové KGI metriky podniku. Klíčová slova: Big data, data management, analýza řeči, řízení podnikové informatiky, metriky KPI, KGI, marketing, péče o zákazníka Abstract: The article deals with the Big data in connection with management of business informatics. Firstly the term Big data is generally explained in a context of data management and principles of selected Big data technologies are described. Further the article defines main tasks of strategic management of business informatics and suggests how to evaluate benefits of Big data processing depending on a strategic goals of a business. The article defines a telecommunication firm as a model subject on which he shows impact of speech recognition technology on marketing and customer care units. The author also tries to quantify change of partial KPI metrics of selected units in relation to defined global KGI metrics. Keywords: Big data, data management, speech recognition, management of business informatics, KGI, KPI metrics, marketing, customers care

1. Úvod Termínem Big data nenazýváme konkrétní objem dat ve smyslu jednotek datové kapacity (terabyte, petabyte), ale objem dat, který překračuje velikost, rozmanitost, rychlost změny a zpracování, která je běžná v jednotlivých oborech činnosti a pro kterou byla dříve ICT prostředí navrhována (Manyika et al, 2011). Výstižnou definici pojmu Big data uvádí například Gartner (Gartner, 2013): „Big data is generally defined as high volume, velocity and variety information assets that demand cost-effective, innovative forms of information processing for enhanced insight and decision making.“ Důvodem pro začlenění nových IT nástrojů a metod schopných pracovat s Big data do podnikových systémů by neměla být jen nová povaha dat, ale především obchodní 40

SYSTÉMOVÁ INTEGRACE 1-2/2014

Big data a možné přínosy v úloze strategického řízení podnikové informatiky

přínosy, které odpovídají strategii společnosti (Inmon et al, 2001) a jsou měřitelné pomocí definovaných globálních a specifických indikátorů společností KGIs/KPIs (Key 1 Goal / Key Performance Indicators) . Na začátku článku bude provedeno shrnutí provedené rešerše z dostupných zdrojů na téma Big data a bude poskytnut přehled nových metod a aplikací pro práci s daty s ohledem na jejich přínos pro řízení podnikové informatiky (Management of Business Informatics, MBI). Na základě této analýzy je práce zacílena na konkrétní obor telekomunikací a vybranou funkční oblast marketingu a péče o zákazníky a vymezené téma a oblast dále do hloubky rozvíjí.

2. Metodický přístup k tématu Cílem této práce je nalézt a zhodnotit možné obchodní přínosy technologií Big data ve vztahu k telekomunikacím jakožto klíčového oboru podnikání se zaměřením na velké telekomunikační korporace a vybrané funkční oblasti, jako je marketing a péče o zákazníka. Při tomto hledání budeme postupovat způsobem řešení nové vlastní úlohy doplněné do oblasti úloh strategického řízení v rámci metodiky řízení podnikové informatiky (MBI) uvedené v knize Voříška, Poura a kol. Management podnikové informatiky (Voříšek, Pour a kol., 2012). Vlastní doplněná úloha strategického řízení se zaměří na to, jak k celkovým cílům podniku vymezeným stávajícím a cílovým stavem popsaným metrikami KGIs mohou přispět konkrétní funkční oblasti marketingu a péče o zákazníky a jejich dílčí KPIs. Jako příklad možných přínosů Big data uveďme u KGI mj. nárůst výnosů, zisku, počtu zákazníků nebo snížení celkových nákladů a u specifických KPIs jednotlivých funkčních útvarů pak snížení odlivu zákazníků (churn rate), zvýšení úspěšnosti prodejních kampaní, snížení průměrné doby řešení zákaznického incidentu, zvýšení loajality zákazníků, povědomí o značce, zlepšení spokojenosti zákazníků (měřeno dle CSI Customer Satisfaction Index) a další. V definované úloze se soustředíme především na byznys pohled jako jeden z důležitých pohledů na podnikovou architekturu (EA, Enterprise Architecture). Při řešení vlastní doplněné úlohy budeme postupovat následujícím způsobem: nejdříve provedeme popis modelového subjektu z oboru telekomunikací, poté vydefinujeme stávající a cílový stav pomocí KGIs/KPIs, následně provedeme identifikaci klíčových procesů a jejich reengineering (BPR, Business Process Reengineering), navrhneme požadavek na nové IT služby a na závěr provedeme zhodnocení dopadu možného zapojení Big data na zlepšení sledovaných KGIs/KPIs.

1

„Využívání metrik, tedy měřených, kvantitativně vyjádřených ukazatelů, není v řízení podnikové informatiky ničím novým. Příkladem může být jejich uplatnění v modelu SPSPR (viz. Voříšek et al.,2008, kapitola 6.3.4), v modelech ITIL i COBIT, případně dalších.“ (Voříšek, Pour a kol., 2012). KGIs (Key Goal Indicators) – cílové metriky, měří výsledek celé úlohy KPIs (Key Performance Indicators) – metriky výkonnosti, měří jednotlivé dílčí činnosti SYSTÉMOVÁ INTEGRACE 1-2/2014

41

Richard Novák

3. Datový management A bIG dATA Velký objem dat není pro informatiky novou skutečností, jak je vidět z více zdrojů zabývajících se problematikou datového managementu, tento trend však byl akcelerován technologickým rozvojem, který vede k novým nárokům na zpracování dat, jak uvádí své práci W. H. Inmon (Inmon, 2001). Atributy spojované s termínem Big data souvisí zejména s novými zdroji rozmanitých datových struktur označovaných jako variabilita dat, která nás nutí hledat rozšíření metod spojovaných s tradičním budováním datových skladů (Kimball, 1998). Pokud hovoříme o variabilních datových strukturách, máme na mysli data ze sociálních sítí a internetu obecně, mediální data zahrnující jak text, obraz, video nebo hlasový záznam, tak i logy z ICT systémů, souřadnice o poloze nebo záznamy z takzvaných chytrých zařízení (Manyika et al, 2011). Jako chytrá zařízení přitom označujeme elektroniku vybavenou komunikačním modulem, která umožnuje sdílet data s dalšími zařízeními a aplikacemi jako jsou mobilní telefony, tablety, parkovací automaty a mýtné systémy, vybavení budov a infrastrukturních staveb nebo domácí elektronika (Manyika et al, 2011). S rozvojem levné elektroniky, která je zdrojem velkého objemu jak strukturovaných, tak nestrukturovaných dat a se zvýšenou dostupností levnějších záznamových komponent s velkou kapacitou vznikají nové nároky na metody a technologie pro zpracování a interpretaci dat, které často označujeme jako Big data (Chen at al, 2012) Big data je možné označit jako další evoluční krok v datovém managementu, který následuje koncepty Datových skladů (Inmon, 2005) a Business Inteligence (Pour a kol, 2012) tak, jak je původně představil v roce 1989 Howard Dresner (později Gartner Analytik). Datový management jako IT disciplína se rychle vyvíjí. Dobrý přehled jeho vývoje lze najít v článku Daniela J. Powera A Brief History of Decision Support Systems (Power, 2007), přičemž v současné době již hovoříme o nových technologiích jako no-SQL databáze nebo technologie Hadoop (Hortonworks, Teradata, 2013), které umožňují pracovat s kombinací variabilních datových struktur. Dobrý přehled technologií označovaných jako Big data poskytuje například Gartner ve svém Hype Cycle (Gartner, 2013) a krátký přehled relevantních technologií pro navrženou úlohu uvedeme také v následující kapitole. Fenomén označovaný jako Big data může mít pro organizace značný komerční přínos v případě, že tyto technologie přispívají k podnikovým cílům a znamenají zlepšení sledovaných metrik podniku na jednotlivých úrovních agregace KGIs pro globální pohled a KPIs pro dílčí pohled. Big data technologie ale mohou znamenat rovněž riziko s negativními dopady na společnost, jakými je například ztráta soukromí (Marshall, 2013), bezpečnostní rizika, problém s interoperabilitou systémů nebo riziko zásadních a chybných závěrů pocházejících z nedokonalých dat a souvisejících algoritmů (Hilbert, 2013). Zabývat se termínem Big data znamená využít známé techniky a postupy jako Knowledge and Data Discovery (KDD), Data Governance, Data Quality Management, Master Data Management a další klasické techniky dobře popsané ve zdroji (Han et al, 2012). Novou výzvou v oblasti Data managementu a Big data je naučit se za pomoci pokročilých matematicko-statistických nástrojů a IT pracovat s komplexitou a její redukcí. Redukci komplexity lze provést například formou vizualizace dat (Fayyad, 2002), která může díky IT zpracování napomoci výběru správného rozhodnutí, i když v samém závěru musí rozhodnout člověk, nikoliv stroje.

42



Obecně se dá říci, že fenomén Big data v oblasti informačního managementu velmi aktivně přispívá k transformaci informační společnosti ke společnosti znalostní (David, Foray. 2003).

4. Přehled technologií Big Data V rámci přehledu technologií Big data vyjdeme z křivky očekávaní spojovaných s danou technologickou oblastí tak, jak ji prezentuje Gartner v rámci svého Hype Cycle for Big data (Gartner, 2013) Jako příklady technologií, které již dosáhly své zralosti a jsou komerčně běžně zaváděny v rámci nabídky produktů řady dodavatelů, uvádíme webovou analytiku, prediktivní analýzy, monitoring sociálních sítí, rozpoznání řeči, zpracování velkých objemů dat v operační paměti, cloud computing a specificky poskytování databáze jako služby (dbaaS) nebo MapReduce (Hadoop) databázový model a algoritmy či obecnější databázový model označovaný jako noSQL. Jako příklad technologií, o kterých se jako o možných začíná teprve mluvit, a roste tak očekávání spojené s jejich možnými pozdějšími přínosy, uveďme vyhledávání podle video záznamu nebo automatickou analytiku v kontextu vícera zdrojů. Vzhledem k rozsahu tohoto článku se blíže zaměříme pouze na čtyři technologické oblasti, kde lze při zavedení technologie do modelového prostředí popisovaných telekomunikačních firem vidět největší komerční benefit. Přehled technologií je uveden v kapitolách a na obrázku níže:

Ostatní

Prediktivní analýza

Aplikovaná Matematika Externí zdroje Dat..

No-SQL

Apache Hadoop

Mongo DBs..

Big Data technologie

výběr

Zpracování dat v paměti

dbSaaS..

Cloud computing

Hlasová biometrie

Konverze Řeč na text ..

Analýza hlasu

Obrázek 1 – Vybrané technologie Big data (autor)

4.1 MapReduce (Hadoop) Jako Hadoop označujeme opensource platformu, která byla vyvinuta společným úsilím Douga Cuttinga z firmy Yahoo a Mikea Carafella z Michigan University během práce SYSTÉMOVÁ INTEGRACE 1-2/2014

43

Richard Novák

na internetovém vyhledávači Nutch (Cafarella, Cutting, 2004), který byl inspirován dřívější prací společnosti Google. První klíčovou komponentou Hadoop databází jsou metody označované jako MapReduce algoritmus, které ve své Map fázi provede rozdělení (namapování) výpočetní databázové úlohy na větší počet komoditního (a tedy levného) hardwaru, přičemž tyto komoditní počítače označované jako „slaves“ provedou vlastní výpočet, a v následné Reduce fázi dojde ke konsolidaci dílčích výpočtů na jednom hlavním počítači označovaném jako „master“. Toto distribuované zpracování dat je možné díky druhé klíčové komponentě označované jako HDFS, tj. distribuovaný souborový systém (Hadoop Distributed File System), který ukládá data ve více redundantních kopiích, typicky ve třech kopiích na různých počítačích. Výpočet vždy běží na stejném počítači, kde je uložena kopie dat. Díky tomu dochází k redundanci a robustnosti srovnatelné s RAID mechanismy (Redundant Array of Independent Disks) velkých datových polí a zároveň díky použití interních disků počítačů (DAS = Direct Attached Storage) je dosahováno velké propustnosti měřené metrikami obdobnými IOPS (Input Output Operations per Second). Společnost Apache, která působí v současnosti jako garant opensource platformy Hadoop, vyvinula jako nadstavbu nerelační databázi označovanou jako HBase, která je rozšířením HFDS a která se používá jako vstup a výstup pro výpočty formou MapReduce algoritmu. Zároveň Apache vyvinul také datový sklad označovaný jako Hive, který se skládá z kombinace klasické relační databáze (RDBS, Relation Database) určené pro metadata a HBase, přičemž tento datový sklad používá dotazovací jazyk označovaný jako HiveQL, který je obdobný známému SQL (Structure Query Language). Pro lepší pochopení rozdílů mezi relačními databázemi a Hadoop je přiložena tabulka rozdílů v klíčových oblastech. Tabulka níže je založena na zdrojích z firem Teradata a Hortonworks (Hortonworks, Teradata, 2013). Tabulka 1 – Porovnání RDBS a Hadoop (Hortonworks, Teradata,2013)

Parametr

Relační databáze

Hadoop

Klíčová data

Všechna data

Strukturovaná (tabulky)

Všechna (soubory)

Stabilní

Překotný vývoj

Práce s Daty

ANSi SQL

Programovací jazyky (JAVA, Pearl ..atd)

Kvalita Dat

Čistá data

Špinavá (raw) data

Optimalizovaný HW (RAID, SAN, CPU/IO)

Levné komponenty (Servery, PC, DAS)

Co se ukládá: Typ Dat Zralost schématu

Požadovaný HW

44



Přístup k datům

Dotazy na vyhledávání

Skenování

Přednosti

Stabilita SLA, Garantované parametry

Flexibilita Nízká cena

Nevýhody

Vysoké náklady

Nároky na IT znalosti programátory

V praktické implementaci je Hadoop typicky nasazován v kombinaci se standardními relačními databázemi. Zkušenosti ze světa také ukazují, že jsou obory, u kterých zavedení Hadoop a Big data dává větší smysl než v jiných oborech. Takovými obory jsou například maloobchod, média, finančnictví, telekomunikace a infrastrukturní obory obecně (Kart, 2013).

4.2 Analýza řeči Komunikace hlasem je nejběžnější způsob lidské komunikace. Pro účely zpracování hlasové komunikace v IT je nutné převést hlasový projev do digitální podoby, a to nejen vzorkováním a uložením v binárním formátu, ale i převodem hlasu na text v digitální podobě a obráceně. Existuje mnoho charakteristik souvisejících s individuálním hlasovým projevem, například hlasová biometrie, identifikace řečníka a jazyka, kterým hovoří, nebo rozpoznání emocí v mluveném projevu (Cenek, 2012). Technologie pro IT zpracování hlasové komunikace se vyvíjejí již delší dobu a v současné době je lze označit jako zralé a tedy i vhodné pro zavedení do běžného komerčního prostředí. S ohledem na poskytovanou IT podporu je třeba rozlišovat zpracování hlasu v reálném čase a odložené zpracování hlasové nahrávky uložené v paměti, neboť první případ má díky podporovanému matematicko-statistickému aparátu výrazně vyšší nároky na výkon požadované IT podpory. Jako příklady pro možné zavedení technologií pro zpracování hlasu v komerčním prostředí můžeme uvést prostředí call center a hlasové automaty IVR (Interactive Voice Recognition) nebo vyhodnocení práce agentů call center díky analýze emocí zjištěných během hovoru se zákazníky. Detekce klíčových slov během hovoru může být také využita v rámci aktivit zpravodajských služeb, jak jsme mohli nedávno zjistit v důsledku zveřejnění informací o programu PRISM využívaném Národní bezpečnostní agenturou ve Spojených státech amerických (Marshall, Edward, 2013)

4.3 Cloud computing a databáze jako služba (dbaaS) Cloud computing ve své oblasti poskytování infrastruktury jako služby (IaaS, Infrastructure as a Service) umožňuje dynamickou alokaci a zpoplatnění operační paměti, což může být výhodné pro pokrytí nárazových potřeb rozsáhlého zpracování dat v paměti. Nárazové nároky se vyskytují například na konci měsíce při zpracování finančních reportů nebo při jiných jednorázových projektech, jakým je např. testování nové aplikace. Databáze jako služba (dbaaS) může menším a středním firmám pomoci získat formou pronájmu licencí velká a drahá databázová prostředí jako Microsoft SQL nebo Oracle v enterprise edici. Poskytovatel cloudových služeb se stará o instalaci, provoz a


45

Richard Novák

výkonové nastavení databázového prostředí a zákazník získává práva pro zakládání vlastních tabulek, propojení, editace obsahu a práce se svými daty v rámci využívaného prostředí. Výhodou pro zákazníka v rámci popsaného cloud computing prostředí je možná úspora nákladů, flexibilita v rámci proměnných nároků na výkon prostředí, dostupnost aktuálních a drahých softwarových nástrojů a obecně výhody outsourcingu spojené se zacílením na vlastní klíčový obor podnikání při současném využití expertní podpory specialistů vně vlastní firmy.

4.4 Prediktivní analýza Předpovídání vývoje vybraných ukazatelů je běžnou praxí v komerční oblasti i státní správě. V rámci útvarů obchodu, marketingu a provozu se běžně předpovídá vývoj prodejů, počtu zákazníků nebo spotřeba materiálů za pomoci extrapolace historických dat při znalosti trendové a sezónní složky. Novým přístupem při použití Big data technologií je kombinace vstupů z externích zdrojů, jako jsou sociální sítě. Korelováním dat z externích a interních zdrojů firem a státní správy pak může vzniknout konkurenční výhoda nebo nová hodnota. Při zpracování velkého objemu dat s rozlišnou strukturou a formáty jsou kladeny nové nároky na použití matematicko-statistického aparátu v kombinaci s vyžadovanou IT podporou např. samoučících algoritmů, rozhodovacích stromů nebo neuronových sítí (Roebuck, 2011). Existuje celá řada zajímavých příkladů z oblasti internetových firem nebo specificky vyhledávačů a sociálních sítí. Například firmy jako Google, Yahoo nebo Facebook jsou za pomoci analýzy klíčových slov a souvisejícího kontextu schopny předpovídat tržby filmů nově uváděných na trh (Kumar, 2009) a další parametry. Byla rovněž prokázána souvislost změny Dow-Jones indexu s klíčovými slovy používanými na sociální síti Twitter vyjadřujícími emoce strachu (Gilbert, Karahalios, 2009). V rámci kombinace externích dat z internetu s interními databázemi jsme schopni předpovídat ekonomické veličiny, jako jsou prodeje konkrétních produktů nebo změny trhu, nezaměstnanost či vývoj HDP, politické směřování včetně výsledku voleb nebo nestability v regionu, či sociální veličiny, jako je spokojenost obyvatel nebo šíření chřipkové epidemie v regionech, a to jak na mikroekonomické, tak makroekonomické úrovni (Procházka, 2012).

5. Vymezení modelového subjektu úlohy (U011A) Jako modelový subjekt pro zpracování úlohy strategického řízení v rámci metodiky řízení podnikové informatiky (MBI) uvedené v knize Voříška, Poura a kol. Management podnikové informatiky (Voříšek, Pour a kol., 2012) budeme uvažovat velkou telekomunikační firmu působící na trhu v rámci střední a východní Evropy (CEE, Central and Eastern Europe). Modelový subjekt byl zvolen jako abstrakce více konkrétních firem působících v regionu CEE podle znalosti autora článku. Budeme uvažovat subjekt, který působí na trhu déle než deset let, má tržní podíl do 10% z celkového potenciálu telekomunikačního trhu dané země a zaměřuje se výhradně na oblast firemních zákazníků, tedy neobsluhuje jednotlivce a domácnosti.

46



Subjekt působí v rámci dané země celonárodně se zaměřením své přístupové telekomunikační sítě na větší městské lokality, kde je větší koncentrace firemních zákazníků. Menší oblasti, kde subjekt nemá vlastní síť, pokrývá radiovou sítí a méně atraktivní lokality pokrývá v rámci pronájmu infrastruktury od dalších operátorů dle principu velkoprodeje. Organizační struktura je členěna dle logických byznys jednotek a dále dle funkčních útvarů v rámci jednoho právního subjektu v dané zemi. Logické obchodní jednotky jsou následující: maloobchod, velkoprodej a mezinárodní prodej. Hlavní funkční útvary (divize) působící napříč byznys jednotkami jsou následující: obchodní, technická, finanční, marketingová a podpůrná divize.

5.1 Byznys model vybraného subjektu Pro rychlé přiblížení modelového subjektu bude použita šablona byznys modelu dle zdroje (2013. Business model canvas). Tabulka 2 – Busines model modelového subjektu (2013. Business model canvas) Tržní segment

Pouze firemní segment (B2B, Business to Business), Region střední Evropy, Maloobchod telekomunikačních služeb pro všechny obory činnosti se zaměřením na střední a velké firmy, Velkoprodej hlasových a datových služeb dalším poskytovatelům v regionu

Prodejní kanály

Přímý prodej vlastními obchodníky Nepřímý prodej za pomoci obchodních partnerů Tele-sales v rámci využívání vlastního call centra Prodej přes webové kanály za pomoci Selfcare aplikací Nepoužívá vlastní „kamenné“ prodejny

Vztahy se zákazníky

Osobní vztahy obchodníků Zprostředkované vztahy přes obchodní partnery Nepřímý vztah přes web nebo call centrum Nepoužívá komunitní prodej

Klíčová nabídka

Komplexní portfolio služeb ˗ Fixní a Mobilní telekomunikace (Hlas, VPN data, Internet) ˗ IT služby (Datová centra (DC) a kolokace, IT a komplexní outsourcing) Prémiová zákaznická podpora ˗ Obchodní zástupci ˗ Kombinace VIP péče a řadových agentů zákaznické péče ˗ Procesně zajištěná podpora napříč celou firmou


47

Richard Novák

Flexibilita a individuální řešení pro svoje zákazníky Vysoká kvalita poskytovaných služeb Zaměření pouze na firemní zákazníky Hlavní zdroje

Vlastní infrastruktura (Síť, DC) Lidé a jejich znalosti Finanční zázemí pro inovace a velké projekty Organizační a procesní zajištění firmy

Hlavní partneři

Obchodní partneři Dodavatelé technologie (Cisco, HP, Huawei, IBM atd.) Finanční partneři (banky, akcionáři) Dodavatelé služeb (firmy pro instalaci technologie v regionech, subdodavatelé a techničtí partneři pro dodávku služeb)

Klíčové aktivity

Vývoj a řízení služeb Prodej služeb Zřizování služeb Provoz a podpora služeb Zpoplatnění služeb

Nákladová struktura

CAPEX ve výši cca 10-15% z výnosů OPEX řízen hlavně v přímé závislosti na konkrétní obchodní případy, velikost SGA je cca 20-25% z výnosů EBITDA marže se pohybuje v rozmezí 25-35% z celkových výnosů

5.2 Popis tržního okolí subjektu Modelový subjekt se nachází na telekomunikačním trhu, který v CEE regionu vykazuje 2 během let 2008-2013 setrvalý pokles s CAGR cca -5%, přičemž s ohledem na tržní podíl do 10% a hlavní konkurenty je orientace subjektu především na nákladovou efektivitu, provozní dokonalost a individuální zákaznický přístup. Modelový subjekt působí jak na telekomunikačním trhu, tak na trhu IT služeb, který je ale velmi fragmentovaný v rámci celého CEE regionu, a konkurenční výhoda subjektu se zakládá na konvergenci služeb s oblastmi telekomunikací a IT a také na vlastnictví rozsáhlých prostor v rámci vlastních Datových center (DC).

2

CAGR, Compounded Annual Growth Rate, měří průměrný meziroční růst nebo pokles ekonomických veličin v rámci delšího časového období 48



5.3 Podnikové cíle a KGIs/KPIs Podnikové cíle v tržním případě bývají nejčastěji vyjádřeny měřitelnými ukazateli v rozlišení na různá časová období, jako jsou například měsíc, kvartál, rok nebo delší období. Přehled sledovaných cílových KGIs na úrovni podniku pro zvolený modelový subjekt a jeho jednotlivých KPIs pro útvar marketingu a zákaznické péče bude proveden v následující kapitole popisující vlastní úlohu strategického řízení zaměřenou na Big data. Ve speciální kapitole následující za popisem vlastní úlohy uvedeme rovněž hodnoty pro stávající a cílové hodnoty KGIs/KPIs popsaného modelového subjektu.

5.4 Výběr technologie Analýza řeči pro sledování dopadu na KGIs/KPIs Z přehledu Big data technologií v předchozích kapitolách je vidět rozsáhlost této oblasti. Pro posouzení dopadu na jednotlivé sledované metriky KGIs/KPIs byla vybrána konkrétní technologie označovaná jako Analýza řeči (Speech recognition), blíže popsaná v kapitole věnované přehledu Big data technologií. Důvodem pro volbu této technologie a sledování dopadu jejího zavedení v modelovém subjektu je skutečnost, že uplatnění této technologie lze vidět ve dvou funkčních jednotkách zároveň. Možné užití a dopad na KPIs lze totiž vidět jak v útvaru marketingu, tak v útvaru péče o zákazníka. Dopad zavedení technologie analýzy řeči na tyto útvary je popsán v následujících odstavcích.

a) dopad Analýzy řeči na útvar marketingu 3

Ve funkčním útvaru marketingu je zvažován dopad na KPI měřící úspěšnost prodejních kampaní zaměřenými na doprodej dalších produktů stávajícím zákazníkům (Cross-sale success ratio). Cílová skupina zákazníků vhodná pro doprodej je vybírána pomocí tvrdých segmentačních kritérií (potenciál, stávající služby a další) a také pomocí semaforu emocí, který vznikne analýzou nahrávek hovorů s jednotlivými zákazníky během komunikace s útvarem péče o zákazníky. 4 Podle analýzy emocí jsou zákazníci rozřazeni v kombinaci s údaji v CRM systému do tří skupin (pozitivní, negativní a neutrální emoce), přičemž do cílové skupiny jsou řazeni především zákazníci, u kterých lze z analýzy hlasové komunikace rozpoznat, že mají kladný vztah k firmě a jsou dle segmentačních kritérií zároveň vhodnými kandidáty pro doprodej dalšího produktu. Vzhledem k tomu, že modelový subjekt má dlouhodobě problém s úspěšností doprodeje dalších služeb do své stávající zákaznické báze, lze očekávat přiblížení sledovaného KPI ukazatele hodnotě srovnatelné s konkurenty na trhu. Standard KPI na trhu se pohybuje v rozmezí hodnot mezi 4 až 10% úspěšnosti prodejů

3

Definice KPIs metrik pro tuto úlohu je provedena v samostatné kapitole Metriky, v Tabulce 6. 4 CRM systém (Customer Relationship Management), lze v rámci IT považovat za databázovou technologií podporovaný proces shromažďování, zpracování a využití informací o zákaznících firmy SYSTÉMOVÁ INTEGRACE 1-2/2014

49

Richard Novák

nových služeb nad vybranou cílovou skupinou oproti stávající hodnotě KPI modelového subjektu, která je 2%.

b) dopad Analýzy řeči na útvar péče o zákazníka Ve funkčním útvaru péče o zákazníka je posuzováno zavedení stejné technologie Big data, tedy Analýzy řeči, tentokrát však zaměřené na zlepšení KPI měřícího hodnotu odchodu zákazníků od společnosti (churn). Toto KPI se měří buď v počtech zákazníků, nebo v celkové velikosti výnosů odcházejících od firmy a vztahuje se v relativní nebo absolutní hodnotě k určenému časovému období, nejčastěji měsíci či roku. Pokud by firma například na základě analýzy hlasových nahrávek komunikace s útvarem péče o zákazníky dopředu podle semaforu emocí věděla, kteří zákazníci mají negativní vztah k firmě, mohla by v důsledku této informace podniknout proaktivně kroky směřující k udržení zákazníka. V obchodě platí pravidlo, že udržet stávajícího zákazníka stojí méně peněz než získat zákazníka nového, a tak se vyplatí proaktivně nabídnout slevu na stávající služby před koncem smluvního závazku u rizikových zákazníků, kteří jsou včas identifikováni jako kandidáti na odchod od společnosti. Pokud včas identifikujeme rizikové zákazníky, kteří podle semaforu emocí směřují k odchodu od společnosti, máme prostor zjistit, jaké jsou skutečné důvody této nespokojenosti. Nemusí to vždy být jen vysoká cena, ale důvodem může být i snížená kvalita poskytované služby nebo špatné vyúčtovaní či dlouhá doba dodávky služeb nebo reakcí na zákaznické požadavky. Tyto primární důvody lze u takto identifikovaných zákazníků zjistit analýzou interních systémů, jako jsou CRM, Billing systém nebo poruchové lístky v Trouble Ticket systému. Pokud je skutečný důvod nespokojenosti zákazníků znám, lze jej snáze odstranit a následně toto odstranění komunikovat zákazníkovi, čímž lze zákazníka u společnosti spíše udržet, a to velmi často za nižší cenu, než za jakou by byl získán zákazník nový.

6. Popis vlastní úlohy strategického řízení (Gstg) Jako metodiku pro návrh vlastní úlohu byla použita MBI dle zdroje (Voříšek, Pour a kol., 2012). Tabulky 3 až 8 – Popis vlastní úlohy (upraveno autorem)

50

ID_ÚLOHY: U_099

NÁZEV ÚLOHY: Big data a možné přínosy v úloze strategického řízení podnikové informatiky

VARIANTA: Pro telekomunikační firmy

MBI SKUPINA: Strategické řízení podnikové informatiky

AUTOR: Richard Novák

DATUM POSLEDNÍ ÚPRAVY: 30. 10. 2013



6.1 Cíl/Účel Cílem úlohy je nalézt a ohodnotit možné obchodní přínosy Big data technologií a metod ve vztahu k telekomunikacím jako klíčovému oboru podnikání se zaměřením na velké telekomunikační korporace a zhodnotit dopad konkrétní vybrané technologie na funkční oblasti marketingu a péče o zákazníka.

6.2 Obsah Úloha je zaměřena na bližší pochopení možných přínosů Big data ve vztahu k zavedení této technologie do jednotlivých funkčních oblastí podniku v daném oboru podnikání. Jsou hledány odpovědi na tyto otázky: Jak lze měřit přínos Big data technologií v prostředí velkého podniku? U kterých modelových subjektů a útvarů dává zavedení vybrané technologie největší smysl? Které metriky KGIs, KPIs jsou vhodné pro měření přínosu Big data v modelovém podniku? Jak konkrétně lze Big data použít ve funkčních útvarech marketingu a péče o zákazníka? Jaký je výsledek zhodnocení možného zavedení vybrané Big data technologie?

6.3 Klíčové činnosti Tabulka 4 Pořadí

Klíčová činnost

Popis

1

Určení oblastí v podnikové strategii a měřitelných cílů, na které se při zapojení Big data technologie zaměřím.

Vstupem jsou dokumenty jako analýza trhu a konkurence, podniková a byznys strategie a navazující strategie řízení podnikové informatiky. Výstupem činnosti jsou vybrané KGIs metriky v rámci kterých budeme přínos technologie Big data měřit, v souladu s podnikovou strategií. Může jít o jednu nebo i více KGIs metrik jako například o celkové výnosy, zisk, změnu tržního podílu a další.

2

Určení konkrétní technologie Big data, jejíž nasazení a dopad na jednotlivé funkční oblasti budeme v úloze posuzovat.

Vstupem je přehled Big data technologií uvedený například v Gartner Hype Cycle (Gartner, 2013) nebo v jiných volně dostupných zdrojích.


51

Richard Novák

S ohledem na podnikovou strategii a předchozí bod vyberu z dostupných technologií Big data takovou, jejíž nasazení dává pro plnění vybraného KGI cíle největší smysl. Provedu bližší popis určené technologie tak aby v rámci analýzy možností určené technologie bylo možné pojmenovat více variant nasazení stejné technologie, které mohou přispět ke splnění vybraných podnikových cílů a KGIs metrik. Určíme, v jakých funkčních oblastech podniku budeme nasazení vybrané technologie posuzovat. Navrhneme možné uplatnění Big data technologie do vybraných funkčních jednotek jako je například obchod, marketing, provoz, finance, podpora zákazníků a další. 3

Definice metrik KGIs, ale i KPIs v rámci kterých bude přínos zavedení Big data měřen

Volba vhodných metrik (KGIs, KPIs) řízení podniku a funkčních jednotek rozšířené o vlastní parametry, specifické pro novou technologii a vybrané funkční oblasti. Vstupem je podniková strategie a zde používané metriky. Výstupem je popis metrik KGIs, KPIs, které budu v rámci úlohy sledovat, případně definice nových metrik nad rámec stávajících a uvedených v podnikové strategii. Zaměříme se dále na takové KPI metriky a související procesy, u kterých očekáváme zlepšení díky zavedení nové Big data technologie. Budou uvedeny stávající hodnoty a cílové hodnoty vybraných metrik v horizontu 2-3 let.

4

Určení a analýza relevantních procesů a návrh na možnou úpravu (BPR) zohledňující zavedení konkrétní Big data technologie

Vstupem do úlohy je procesní model nebo jinak provedený popis procesů popisující činnosti podniku.

52



Lze využít již dříve zpracovanou analýzu procesů jako je např. dílčí úloha MBI (U026A) dle zdroje (Voříšek, Pour a kol, 2012) nebo analýzu zpracovanou pro účely ISO certifikace (ISO 9000, ISO 20000). Případně provedeme vlastní specifickou analýzu procesního modelu podniku se zaměřením na procesy, kde vidíme možné nasazení vybrané Big data technologie. U vybraných procesů (hlavní, řídící, podpůrné) bude provedena hlubší analýza a následný reengineering procesů (BPR, Business Process Reengineering) se zaměřením na zvýšenou zralost a podrobnost procesů dle zdroje (Voříšek, 2008) Výstupem bude provedení návrhu nových procesů nebo optimalizace stávajících s ohledem na konkrétní nově začleněnou Big data technologii a to nejlépe v detailu na jednotlivé funkční jednotky a jejích podpůrné procesy. 5

Popsání nové funkcionality získané začleněním Big data technologie.

Na základě navržené úpravy procesů a začlenění Big data technologie získáme novou funkcionalitu, kterou blíže popíšeme. Příkladem nové funkcionality může být semafor emocí zákazníků jako výstup analýzy hlasových nahrávek uložených na call centru.

6

Kalkulace dopadů začlenění nové funkcionality na vybrané metriky.

Provedeme kalkulaci dopadu nasazení nové funkcionality na změnu metrik KPIs ve vybraných funkčních oblastech. Provedeme odvození dopadu změny dílčích KPIs na následné změny vybraných cílových KGIs nejlépe ve finančním vyjádření. Pokud například zlepšíme KPI měřící měsíční odchod zákazníků od společnosti (churn) tak nás bude zajímat celkový roční dopad do výnosů jako sledovaného KGI.


53

Richard Novák

Odvození dopadu změny KPI na KGI provedeme v tomto příkladu finančním přepočtem přes zachráněné počty zákazníků, průměrný výnos zachráněných zákazníků a kalkulací jejich celkových ročních dopadů do udržených výnosů. 7

Odvození požadavku na nové IT služby

Na základě analýzy vybraných procesů a možného zavedení Big data, byly v předchozích bodech definovány nové funkcionality, které určují požadavky na nové IT služby. Při definici požadavku na nové IT služby budeme postupovat dle metodiky MBI nebo ITIL popsané například ve zdroji (Voříšek, 2008).

8

Zhodnocení přínosů v rámci změny definovaných metrik

Provedeme zhodnocení dopadu nasazení Big data technologie dle změny definovaných KGIs metrik v porovnání stávají a cílový stav. Zhodnotíme změny KGIs, KPIs a jejich dopad na firmu v kontextu celkových podnikatelských cílů v konkrétním subjektu.

6.4 Dokumenty, data, systémy Tabulka 5 Vstupy

Výstupy

Informace o subjektu Podniková a byznys strategie Strategie podnikové informatiky Procesní model podniku Seznam a popis sledovaných metrik podniku a reporty subjektu s hodnotami stávajících i cílových KGIs, KPIs metrik

Návrh nových procesů nebo úprava stávajících (BPR) zohledňující nasazení nové Big data technologie Popsání nové funkcionality získané začleněním Big data technologie do jednotlivých procesů vybraných funkčních útvarů.

Interní zdroje subjektu popisující fungování jednotlivých funkčních útvarů

54



Informace o trhu a konkurenci Analýza trhu a tržního okolí

Kvantifikace dopadu začlenění nové Big data technologie

Report nezávislých analytiků (IDC, AISA) ohledně telekomunikačních trhů v CEE regionu

Vyhodnocení změny vybraných metrik KPIs u sledovaných funkčních útvarů

Výroční zprávy hlavních poskytovatelů na vybraném CEE trhu

Kalkulace dopadů změny dílčích KPIs na sledované cílové metriky podniku KGIs.

Agregovaný monitoring trhu dle placených zdrojů, např. CIA (Czech Information Agency, http://www.cianews.cz/) Informace o interní informatice: Rozpočet podnikové informatiky Katalog informatických služeb

Dopad na Informatiku Definice požadavků na nové IT služby

Podniková architektura Nákladové analýzy informatiky

6.5 Metriky Stávající a cílové hodnoty metrik modelového subjektu jsou uvedeny v samostatné kapitole, zde je proto uveden pouze přehled a popis sledovaných ukazatelů KGIs/KPIs. Tabulka 6 Název

Popis

KGI/KPI

Výnosy

Celkové roční výnosy společnosti zahrnující jak pravidelné tak i jednorázové poplatky.

KGI

Náklady

Celkové roční náklady zahrnující jak Investiční (CAPEX) tak i provozní (OPEX) náklady.

KGI

Finanční

EBITDA

Absolutní hodnota hrubého provozního zisku dle definice finančního parametru EBITDA (Earnings Before Interest, Taxes, Depreciation and Amortization)

KGI

Finanční

5

Oblast Finanční

5

Zdrojem hodnot KGIs je výroční zpráva společnosti případně finanční výkazy společnosti jako je výsledovka, bilance a cash flow výkaz SYSTÉMOVÁ INTEGRACE 1-2/2014

55

Richard Novák

EBITDA Margin

Relativní ukazatel provozní výkonnosti vztažený poměrem ukazatele EBITDA k celkovým výnosům.

KGI

Finanční

Počet zaměstnanců

Absolutní číslo počtu zaměstnanců společnosti

KGI

Obecně popisné

Tržní podíl

Tržní podíl je poměr výnosů společnosti vztažený k relevantnímu celkovému trhu v našem případě celkovým tržbám za Telekomunikační služby v dané zemi. Význam firmy odvozený od podílu na trhu předurčuje strategii chování jako (pricing, products positioning atd)

KGI

Obecně popisné

Počet zákazníků

Celkový počet zákazníků. Důležitý parametr pro potenciální cosssale, upsale, mezi-oborové partnerství nebo prodej firmy

KGI

Obecně popisné

Nový prodej /Intake

Nový prodej služeb za sledované období jednoho kalendářního měsíce. Do této hodnoty se započítávají nově podepsané smlouvy se zákazníky během jednoho kalendářního měsíce. Do hodnoty Intake zahrnujeme garantované opakované platby zákazníka na smluvně ošetřené období delší než 12 měsíců. V případě jednorázově poskytnutých služeb nebo služeb poskytnutých na kratší období než 12 měsíců se provede přepočet na měsíční ekvivalent Intake dle vzorce: celková hodnota prodané služby / 12 měsíců. Reportu zpracovává obchodní úsek za podpory CRM, Billing systému. Hodnota sledovaného ukazatele Intake je stanovena jako měsíční průměr během celého kalendářního roku.

KPI

Obchodní

56



Ztráta výnosů /Churn Revenue

Hodnota výnosů, o které měsíčně přijde společnost díky odchodu zákazníků od společnosti. Report této hodnoty zpracovává útvar zákaznické péče na základě evidence přijatých výpovědí. Hodnota ukazatele stanovena jako měsíční průměr během celého kalendářního roku.

KPI

Zákaznická péče /CC

Zlevňování /price erosion

Hodnota o kolik poklesnou měsíčně výnosy, díky slevám u stávajících zákazníků společnosti. Ukazatel měřen dle vyhodnocení obchodního úseku, který provádí evidenci změn u stávajících zákazníků v CRM a Billing systému. Hodnota ukazatele stanovena jako měsíční průměr během celého kalendářního roku

KPI

Obchodní

Úspěšnost prodejní kampaně 1 celkem

Úspěšnost kampaně v procentech stanovena jako poměr počtu zákazníků, kterým jsou prodány nové služby, děleno počtem všech oslovených zákazníků v kampani. Hodnotu tohoto ukazatele stanovuje útvar segmentové marketingu na základě definice kampaně a vyhodnocení průběhu kampaně vedené v CRM systému.

KPI

Marketing

ARPU

Průměrný výnos na zákazníka vztažený na jednoho zákazníka a jeho měsíční platbu služeb. (ARPU, Average Revenue Per User)

KPI

Marketing

Hodnota ukazatele stanovena jako celoroční průměr z reportu, zpracovaného útvarem segmentové marketingu nad datovou základnou vedenou v CRM systému.


57

Richard Novák

Odchod zákazníků /Churn customers

Měřeno v počtech odcházejících zákazníků. Uváděný relativní údaj je poměrem počtu odcházejících zákazníků vůči celkovému počtu stávajících zákazníků. Report této hodnoty zpracovává útvar zákaznické péče na základě evidence přijatých výpovědí. Hodnota ukazatele stanovena jako měsíční průměr během celého kalendářního roku

KPI

Zákaznická péče /CC

6.6 Ostatní parametry úlohy Tabulka 7 CSF (Kritické faktory úspěchu) Dostupnost a kvalita informací o modelovém subjektu Dostupnost a kvalita informací o relevantním trhu a konkurenci Průřezová znalost řešitele v oblasti podnikové architektury, IT prostředí a jednotlivých funkčních jednotek a útvarů marketingu a péče o zákazníka

Životní situace Výnosy modelového subjektu a počty jeho zákazníků dlouhodobě klesají, je nutné efektivně snižovat náklady a zároveň spouštět inovační projekty v celé firmě i IT tak, aby management subjektu vyhověl požadavku akcionářů, kteří očekávají růst EBITDA ukazatele.

6.7 Vhodnost úlohy pro typ podniku Vyplňují se hodnoty 0 až 4, přičemž 4 znamená vhodnost pro danou úlohu a daný podnik v jednotlivém sektoru podnikání nejvyšší. Členění podniku dle jeho velikosti je provedeno do třech úrovní a to Velký, Střední a Malý podnik. Kritérium velikosti podniku tvoří kombinace faktoru počtu zaměstnanců, celkového obratu a rozpočtu IT útvaru.

6.8 Vliv úlohy na objekty podniku a jeho ICT vlastnosti Pro posouzení vlivu úlohy použijeme tabulku níže.

58



Tabulka 8 OBJEKTY PODNIKU OVLIVNĚNÉ ÚLOHOU ICT služby ICT procesy

X

X

X X

VLASTNOSTI IS/ICT OVLIVNĚNÉ ÚLOHOU Pokrytí požadované funkcionality Přiměřená dostupnost a doba odezvy Správnost a důvěryhodnost potřebných funkcí a informací Soulad s legislativou Uživatelská přívětivost

X X X

Bezpečnost Flexibilita Otevřenost

X X X

X X

ICT zdroje: Aplikace (ASW) Technologické zdroje (ZSW, HW, komunikační infrastruktura) Datové zdroje Finanční zdroje Personální zdroje (ICT útvaru a jeho znalostí) Organizace ICT útvaru Pravidla řízení podnikové informatiky ICT projekty Podnikové procesy Podnikové organizace Podnikové směrnice a pravidla Externí partneři – dodavatelé, zákazníci, konkurence, veřejná správa (z pohledu celého podniku) Rozvojové projekty podniku

X X

Integrita Standardizace Výkonnost Efektivita

X

X X

7. Stávající a cílové hodnoty KGIS /KPIs modelového subjektu Stávající hodnoty jsou vztaženy k posledně známým ročním ukazatelům, cílové hodnoty vyjadřují stanovené podnikové cíle v horizontu dvou let od současného okamžiku. Vedle stávající a cílové hodnoty sledovaného parametru KGI/KPI je uvedena také hodnota změny sledovaného parametru vyjádřená v procentech. U parametrů KPIs byly zvoleny dva funkční útvary, na které se v této práci zaměřujeme, a to útvar marketingu a péče o zákazníka. Práce se zaměřuje rovněž i na aplikaci vybrané technologie Big data, konkrétně na aplikaci analýzy hlasu a následného semaforu emocí, kde byl zkoumán dopad na vybrané KPI metriky pro funkční útvary marketingu a zákaznické péče, konkrétně jde o metriky označené jako: Ztráta výnosů / Churn Revenue Úspěšnost prodejní kampaně Odchod zákazníků / Churn customers SYSTÉMOVÁ INTEGRACE 1-2/2014

59

Richard Novák

Tabulka 9 – Stávající a cílové metriky KGIs, KPIs Název

KGI

Oblast

Současná Hodnota

Cílová Hodnota během 2 let

Změna

5%

/KPI Výnosy

KGI

Finanční

1 250 000 000 Kč

1 312 500 000 Kč

Náklady

KGI

Finanční

n/a

n/a

EBITDA

KGI

Finanční

390 625 000 Kč

410 156 250 Kč

5%

EBITDA Margin

KGI

Finanční

31%

31%

0%

Počet zaměstnanců

KGI

Obecně popisné

270

230

-15%

Tržní podíl

KGI

Obecně popisné

10%

12%

20%

Počet zákazníků

KGI

Obecně popisné

12 750

13 388

5%

Nový prodej /Intake

KPI

Obchodní

2 450 000 Kč

2 572 500 Kč

5%

Ztráta výnosů /Churn Revenue

KPI

Zákaznická péče

1 050 000 Kč

997 500 Kč

-5%

Zlevňování /price erosion

KPI

Obchodní

10%

10%

0%

Úspěšnost prodejní kampaně 1

KPI

Marketing

2%

4%

100%

ARPU

KPI

Marketing

8 170 Kč

8 170 Kč

0%

Odchod zákazníků/ Churn customers

KPI

Zákaznická péče

11%

10%

-5%

8. Procesní schéma modelového subjektu V této kapitole jsou popsány hlavní, řídící a podpůrné procesy vybrané telekomunikační firmy a vybrány takové procesy, u kterých je zavedení Big data z pohledu přispění k cílovému stavu KGIs modelového subjektu ve vybrané funkční oblasti marketingu a péče o zákazníka nejvhodnější.

60


Big data a možné přínosy v úloze strategického řízení podnikové informatiky Řídící procesy

11. Definování a implementace vize a strategie

12. Tvorba obchodních plánů

14. Řízení projektů

15. Řízení vnějších vztahů

17. Plánování a řízení kvality a environmentu

19. Zabezpečení komunikace společnosti

Hlavní procesy

56. Vývoj a úprava produktů

61. Prodej služeb

67. Zřizování služeb zákazníkům

65. Velkoobchodní prodej služeb

69. Fakturace služeb 71. Zajištění péče o zákazníka; 75. Zabezpečení provozu a kvality sítě a služeb

Podpůrné procesy 21. Nákup materiálu a služeb

23. Zabezpečení účetnictví a controllingu

25. Řízení majetku a logistiky

27. Poskytování právních služeb

32. Řízení lidských zdrojů

34. Řízení informačních technologií

35. Zabezpečení bezpečnosti

38. Tvorba a rozvoj reportů

41. Monitorování trhu a konkurence

43. Zajištění marketingové podpory

77. Výstavba a rozvoj sítě

79. Zabezpečení údržby sítě

Zákazník

Zákazník

51. Řízení produktů a portfolia

Obrázek 2 – Hlavní, řídíci a podpůrné procesy (modelový subjekt)

8.1 Optimalizace vybraných procesů Pro další optimalizaci byl vybrán sledovaný dopad Big data technologie Analýza řeči na vybraná KPIs útvarů marketingu a péče o zákazníka. Konkrétně jde o KPI měřící úspěšnost prodejních kampaní zaměřených na doprodej dalších produktů stávajícím zákazníkům (Cross-sale success ratio) a KPI měřící odchody zákazníků od společnosti (Churn). K další analýze byl tedy zvolen proces 43. Zajištění marketingové podpory a proces 71. Zajištění péče o zákazníka (viz procesní schéma modelového subjektu na předchozí straně). Pro hodnocení zralosti procesu byla zvolena metodika CMM (Capability Maturity Model) vyvinutá Institutem pro softwarové inženýrství (SEI – Carnegie Mellon University) uvedená v knize Jiřího Voříška Principy a modely řízení podnikové informatiky (Voříšek, 2008). Dle této metodiky jsou vybrané procesy 43. a 71. na velmi odlišné úrovni z hlediska zralosti i podrobnosti popisu, jak je detailněji analyzováno níže.

a) Analýza procesu 43. Zajištění marketingové podpory Proces 43. Zajištění marketingové podpory je sice opakovaný, ale není formalizovaný svým popisem a opírá se o znalost kvalifikovaného personálu. Z pohledu metodiky CMM a jejích šesti stupňů zralosti označovaných jako: 1. Neexistující, 2. Náhodný, 3. Opakovaný, 4. Formalizovaný, 5. Měřitelný a 6. Optimalizovaný lze proces v marketingu u modelového subjektu označit jako stupeň zralosti tři, tedy jako proces opakovaný.


61

Richard Novák

Zlepšování zralosti tohoto procesu marketingu lze provést částečně jeho formálním zakreslením, tedy přenesením znalosti od jednotlivých pracovníků do vlastního procesu, a následnou optimalizací a automatizací při doplnění procesu o nejlepší praktiky oboru (best practices) dle doporučení konzultantů a také doplněním Big data technologie analýzy řeči do vlastního procesu. Pokud jde o modelování a reengineering proces, byla použita metoda KBPR (Knowledge Based Process Reengineering) vyvinutá na VŠE Praha, uvedená rovněž v knize Jiřího Voříška Principy a modely řízení podnikové informatiky (Voříšek, 2008), která rozlišuje ve svých čtyřech stupních nejen různou úroveň detailu popisu procesu, ale také kdo je nositelem znalosti v rozlišení pracovníků podílejících se na návrhu a realizaci procesu. Tabulka 10 - Pohled na zralost a podrobnost vybraných procesu Zralost procesu Proces

Podrobnost procesu Aktuální Cílová

Aktuální

Cílová

43. Zajištění marketingové podpory

3

5

1

2

43008. Řízení kampaní

3

5

1

2

Argumentace

Aktuální proces není formalizovaný popisem a opírá se o znalost pracovníků Aktuální proces není formalizovaný popisem a bude navržen

START 43. Zajištění Marketingové podpory

Identifikace požadavku nebo aktivity

Sub-procesy

Komunikace Interní /Externí

43001 Zpracování komunikačních aktivit

Event (marketingová akce)

43002 Organizace Eventu

Reporting

Práce s daty

43003 Zpracování reportingu

43004 Zpracování a úpravy marketingových dat

Zpracování Strategických dokumentu

Konzultační podpora

43005 Zpracování strategických a analytických dokumentů

43006 Poskytnutí konzultační podpory

Vytvoření hodnoty pro zákazníka

43007 Vytváření Value proposition a souvisejícíh materiálů (Web, Case Study..)

Řízení kampaní

43008 Řízení kampaní

KONEC

Obrázek 3 – Schéma cílového procesu 43. Zajištění marketingové podpory 62



b) Optimalizace a návrh procesu 43008. Řízení kampaní Tabulka 11 ID a název procesu:

43008. Řízení kampaní

Vlastník procesu

Manažer segmentového marketingu

Spouštěč procesu:

Požadavek obchodu nebo vlastní aktivita teamu marketingu

Vstup procesu:

Zadání kampaně

Výstup procesu

Vyhodnocení kampaně

Odpovědnost:

Specialista segmentového marketingu

IT nástroje:

CRM kampaňový modul, DW, Office aplikace: Excel, Outlook

Popis procesu:

Tento proces slouží k získávání nových zákazníků (akvizice) a především doprodeji dalších služeb zákazníkům stávajícím (cross-sale), o kterých máme v CRM podrobnější údaje. Klíčové pro měřený úspěch, kterým je objem prodaných služeb, je vlastní nabídka nových služeb a také vhodné vybrání cílové skupiny, kde bude nově použita i technologie pro analýzu řeči.


63

Richard Novák

VSTUP do Řízení kampaňí

Formulace zadání a očekávaní kampaně

Vytvoření nabídky pro zákazníka

Výběr cílové skupiny

(Value Proposition)

Segmentační kritéria

Nabídka

Výběr zákazníků dle semaforu emocí

Zvolení Komunikačního kanálu Oslovení zákazníka

Nezájem o službu

Zájem o službu

VYSTUP do 61. Prodej sluzeb

Vyhodnocení kampaně

KONEC

Obrázek 4 - Schéma cílového procesu 43008. Řízení prodejních kampaní Do procesu 43008. Řízení kampaní byla v rámci optimalizace začleněna technologie analýzy řeči (viz černou barvou zvýrazněná část procesu ve schématu výše).

c) Analýza procesu 71. Zajištění péče o zákazníka Proces 71. Zajištění péče o zákazníka je díky velkému objemu požadavků, který zpracovává, a tím danému velkému počtu opakování velmi dobře popsán a také podporován automatizací do softwarového nástroje zvaného TTS (Trouble Ticket System), který je podporován dalšími systémy jako je CRM částečně integrovaný s funkcí pobočkové ústředny a také dalšími Office aplikacemi. Klasifikace procesu z pohledu zralosti dle CMM modelu a také KBPR metodiky je uvedena níže.

64



Tabulka 12 - Pohled na zralost a podrobnost vybraných procesů zákaznické péče: Zralost procesu Proces

Podrobnost procesu Aktuální Cílová

Aktuální

Cílová

5

5

3

3

n/a

4

n/a

2

Proces 71. Zajištění péče o zákazníka Sub-proces 710007. Proaktivní retence

Argumentace Aktuální proces je formalizovaný popisem a měřený. Tento subproces neexistuje a bude tedy navržen.

START

Identifikace požadavku zákazníka

Proaktivní aktivity

Sub-procesy

VSTUP do 71007. Proaktivn9 retence Žádost o informaci

Poptávka po produktu

Požadavek na změnu služby

Stížnost/ Reklamace

Technický problém

Výpověď zákazníka

710001 Zpracování informačního požadavku

710002 Zpracování poptávky po produktu

710003 Zpracování požadavku na změnu služby/údajů

710004 Zpracování stížnosti/ reklamace

710005 Zpracování technického problému zákazníka

710006 Zpracování výpovědi zákazníka

VÝSTUP do 75. Zabezpečení provozu a kvality sítě a služeb

VÝSTUP do 61. Prodej služeb

710007 Spuštěné Retenčních aktivit

VÝSTUP do 7107 Zpracování výpovědi a následná záchrana zákazníka

KONEC

Obrázek 5 - Schéma procesu 71. Zajištění péče o zákazníka a jednotlivých subprocesů: Do původního procesu 71. byla v rámci optimalizace začleněna oblast proaktivní retence (viz černou barvou zvýrazněná část procesu ve schématu výše).

d) Návrh procesu 710007. Proaktivní retence


65

Richard Novák

Tabulka 13 ID a název procesu: Vlastník procesu Spouštěč procesu:

710007. Proaktivní retence Ředitel zákaznické péče Požadavek obchodu, marketingu nebo vlastní aktivita teamu zákaznické péče Zadání požadavku Vyhodnocení retenčních aktivit Manažer úseku retence na zákaznické péči CRM, TTS, Office aplikace: Excel, Outlook Předmětem proaktivní retence jsou tzv. rizikoví zákazníci, tedy zákazníci bez závazku nebo se závazkem končícím, kteří vykazují dle analýzy řeči nebo dle segmentačních kritérií (historicky velká cena, velký počet poruch u služby aj.) příznaky nespokojenosti, kterou se vyplatí řešit dříve, než dojde k podání výpovědi.

Vstup procesu: Výstup procesu Odpovědnost: IT nástroje: Popis procesu:

VSTUP do Proaktivní retence

Identifikace rizika u skupiny zákazníků

Výběr rizikové skupiny

Příprava WINBACK nabídky

Nabídka

Výběr zákazníků dle semaforu emocí

Segmentační kritéria

Zvolení Komunikačního kanálu Oslovení zákazníka

Nezájem o WINBACK nabídku

Prodloužení Smlouvy / doprodej dalších služeb

VYSTUP do 61. Prodej sluzeb

Vyhodnocení Kampaně na retenci

KONEC

Obrázek 6 - Schéma cílového procesu 710007. Proaktivní retence:

66



Do procesu 710007. Proaktivní retence byla v rámci optimalizace začleněna technologie analýzy řeči (viz černou barvou zvýrazněná část procesu ve schématu výše).

9. Požadavky na nové IT služby Skupina úloh v IT určená pro návrh a realizaci služeb podnikové informatiky je dobře popsanou oblastí (Voříšek, 2008) v rámci jednotlivých metodik, jako je ITIL nebo MBI, a proto se zde soustředíme pouze na vstupní souhrn požadavků z pohledu byznys útvaru marketingu a péče o zákazníka. Tabulka 14 - Seznam požadavků na IT službu Název služby

Semafor emocí na základě analýzy řeči zákazníků

Typ služby

Aplikační – smíšená s Infrastrukturální

Popis a požadovaný obsah služby

Semafor emocí je výstup, v němž jsou každému zákazníkovi na základě analýzy jeho hlasového projevu přiřazeny emoce ve třech úrovních (negativní, neutrální, pozitivní). Požadavkem je sestavení semaforu emocí zákazníků a přiřazení tohoto příznaku do CRM k jednotlivým zákazníkům na základě analýzy historických hlasových nahrávek komunikace mezi zákazníkem a call centrem.

Požadované objemové charakteristiky

Objem sledovaných zákazníků je shodný s aktivní zákaznickou bází. Požadavek na sledované období nahrávek je 3-6 měsíců zpětně od aktuálního data. Po sestavení semaforu emocí je možno hlasové nahrávky mazat, nejsou-li využívány nad rámec této úlohy.

Požadované kvalitativní charakteristiky

Nepožadujeme zpracování hlasu v reálném čase, ale dávkové zpracování s cyklem 7 dnů. Dostupnost systému není díky zpětnému zpracování záznamů kritická a postačí obnova po výpadku do 48 hodin.

Očekávaná cena služby

Bude odvozena od obchodních přínosů stanovených v kapitole Zhodnocení.

10. Zhodnocení Na začátku článku tohoto jsme uvedli, že pro rozhodnutí o možném zavedení nové Big data technologie bude zásadní zhodnocení měřitelných přínosů. Abychom byli schopni tyto přínosy zhodnotit, byla zvolena konkrétní Big data technologie, Analýza řeči, a popsána modelová telekomunikační firma jako subjekt, pro který byla úloha dále řešena. V navržené úloze strategického řízení podnikové informatiky jsme se dále zaměřili na možné procesní začlenění technologie analýzy řeči do funkčních útvarů marketingu a SYSTÉMOVÁ INTEGRACE 1-2/2014

67

Richard Novák

péče o zákazníka, kde má podle názoru autora zavedení této technologie nejvyšší potenciál. Bylo pozorováno zlepšení sledovaných KPIs v daných útvarech, které následně přispěly k celkově definovaným KGIs modelového subjektu tak, jak bylo popsáno výše. Zhodnocení změny KPIs pro útvar marketingu a péče o zákazníka a dopad na změnu celkových výnosu jako sledovaného KGI parametru je uveden níže.

10.1 Dopad změny KPI v marketingu na KGIs Bylo provedeno začlenění technologie analýzy řeči do procesu 43. Zajištění marketingové podpory a detailněji do sub-procesu 43008. Řízení kampaní, přičemž předpoklady a zhodnocení přínosů je uvedeno v tabulce níže. Tabulka 15 Veličina

Popis veličiny

Hodnota

Stávající KPI

Úspěšnost prodejní kampaně 1 celkem cross-sale

2%

Cílové KPI

Úspěšnost prodejní kampaně 1 celkem cross-sale

4%

Rozdíl v hodnotě KPI

Očekávaná změna KPI ukazatele díky zavedení analýzy řeči

2%

Předpoklady kampaně Báze pro kampaň v %

V procentech z celkového počtu zákazníků

10%

Báze pro kampaň v počtu zákazníků

Celkový počet zákazníků vhodných pro kampaň

1275

ARPU cross-sale

Vztaženo k průměrnému výnosu na zákazníka (ARPU) jednoho doplňkového produktu, který je nabízen v rámci kampaně

5 000 Kč

Počet kampaní za rok

Celkový počet cross-sale kampaní spouštěných během roku

6

Výpočet dopadu při změně KPI Úspěšnost kampaně v počtu zákazníků

Celkový počet nových zákazníků v jedné kampani, kterým díky zlepšenému KPI byl prodány další služby

26

Novy prodej crosssale (měsíčně)

Nové měsíční výnosy

127 500 Kč

68



Dopad kampaně do výnosů následujícího roku

Celkové výnosy za 12 měsíců v následujícím roce

1 530 000 Kč

Celkový dopad do výnosů díky zlepšení kampaní

Součet přínosů za všechny kampaně konané v jednom roce

9 180 000 Kč

Změna cílové hodnoty KGI

Očekávaná změna výnosů modelového subjektu během dvouletého sledovaného období (viz podnikové cíle)

62 500 000 Kč

Příspěvek na cílovém KGI (výnosy)

Příspěvek změny KPI na sledované KGI v % nakolik ovlivní změna KPI celkovou hodnotu cílového KGI (výnosy společnosti)

15%

10.2 Dopad změny KPI v péči o zákazníka na KGIs Bylo provedeno začlenění analýzy řeči do procesu 71. Zajištění péče o zákazníka a detailněji do 710007. Proaktivní retence, přičemž předpoklady a zhodnocení přínosů je uvedeno v tabulce níže. Tabulka 16 Veličina

Popis veličiny

Hodnota

Churn měsíčně / ve výnosech

Měsíční hodnota výnosu od odcházejících zákazníků (měsíční hodnota stanovena jako průměr za celý rok).

1 050 000 Kč

Churn měsíčně / v počtech zákazníků v%

Počty zákazníků, kteří měsíčně odchází, měřeno relativně vůči celé bázi

1%

Churn měsíčně / v počtech zákazníků v absolutním počtu

Absolutní počet odcházejících zákazníků měsíčně

117

ARPU ztraceného zákazníka

Průměrná hodnota výnosů na odcházejícího zákazníka

8 984 Kč

Rozdíl v hodnotě KPI - zlepšení churnu

Relativní změna vůči stávající hodnotě Viz podnikové cíle

-5%

Zlepšení výnosů díky redukci churnu - měsíční dopad

Dopad zapojení cílených aktivit na proaktivní retenci

52 500 Kč


69

Richard Novák

Zlepšení výnosů díky redukci churnu - roční dopad

Dopad pro následující rok po zavedení opatření na zlepšení; celkové zlepšení ve 12 měsících

630 000 Kč

Změna cílové hodnoty KGI

Očekávaná změna výnosů modelového subjektu během dvouletého sledovaného období

62 500 000 Kč

Příspěvek na cílovém KGI (výnosy)

Příspěvek změny KPI na sledované KGI v % nakolik ovlivní změna KPI celkovou hodnotu cílového KGI (výnosy společnosti)

1%

10.3 Zhodnocení Celkový příspěvek do výnosů zlepšených KPIs díky zvýšení úspěšností kampaní a redukci churnu v útvaru marketingu a péče o zákazníka je 9 810 000 Kč. Tato hodnota představuje 16% z plánované změny KGI celkových výnosů tak, jak je modelový subjekt plánoval v horizontu dvou let. Hodnota zlepšených výnosů nám pomáhá určit, jak velký může být maximální rozpočet IT útvaru, který bude vyhrazen na zavedení nové služby podporující semafor emocí a analýzu řeči. Modelový subjekt se totiž pohybuje na telekomunikačním trhu, kde očekávaná návratnost investice do nových IT technologií je maximálně dva roky za předpokladu, že životnost nasazované technologie představuje minimálně dvojnásobek návratnosti, tedy v našem případě čtyři roky a více. V provedeném zhodnocení je k diskusi celá řada předpokladů, mj. zda je zavedením nové IT služby pro semafor emocí skutečně dosaženo plánovaného zlepšení KPI pro úspěšnost kampaní, zda se dopady do výnosů projeví již během prvního roku zavádění nové IT služby nebo až v roce následujícím či jaký produkt bude v rámci kampaně nabízen. Samostatnou oblastí k diskusi je úvaha, nakolik přispívá ke zlepšeným metrikám vlastní Big data technologie a jak velký podíl na kalkulovaných přínosech má provedená úprava procesů modelového subjektu a další s tím spojené faktory. Autor se domnívá, že přínos v měřitelných ukazatelích přichází právě díky vhodné kombinaci úpravy procesů (BPR) a nasazení vhodné technologie. Procesy a Big data technologie jsou dvě věcí, které od sebe v oblasti analýzy dopadu na zlepšené metriky nelze snadno oddělit, ale je to zajímavá oblast pro další výzkum. Přínosy Big data technologie v úloze strategického řízení podnikové informatiky je podle mínění autora vždy nutno posuzovat na odpovídající úrovni detailu tak, aby přínosy byly měřitelné stanovenou metrikou jednotlivých funkčních útvarů. Jako vhodný postup je proto doporučován výběr dané konkrétní Big data technologie, popsání modelového nebo konkrétního subjektu a jeho procesů se zaměřením na nejvíce dotčené funkční útvary a sledování změn jejich KPIs a následného příspěvku k celkovým KGIs, které jsou v souladu s podnikovými cíli. Závěrem popsané úlohy tedy je zjištění, že pro popsaný modelový subjekt se zdá zavedení technologie analýzy řeči a IT služby pro semafor emocí dobrým krokem pro naplnění podnikových cílů a stanovených KGIs. Dalším krokem pro ověření 70



uvedených předpokladů by bylo skutečné zavedení dané technologie u konkrétního subjektu na trhu tak, aby postupy popsané v úloze byly porovnány se zkušenostmi z praxe.

Použitá literatura Business model canvas, 2013: Businessmodelhub [online]. Available from: http://businessmodelhub.com/page/business-model-canvas [Accessed 2013-11-15] Cafarella, M. & Cutting, D. 2004. Building Nutch: Open Source Search. Magazine Queue - Search engines [online], 2004 Article. Available from: http://dl.acm.org/citation.cfm?id=988408 [cit. 2013-10-04] Capra, F. 1996. The web of life: a new scientific understanding of living systems. 1st Anchor Books ed., New York: Anchor Books. Cenek, P. OPTIMSYS, s.r.o. 2012. Technologie počítačového zpracování řeči: Seminář OPTIMSYS: Telefonie a řečové technologie: OPTIMSYS seminar. Prague. David, P. & Foray, D. 2003. Economic Fundamentals of the Knowledge Society. University of Oxford, United Kingdom and Stanford University, CNRS and ParisDauphine University [online], no. 1, pp. 30. Available from: http://books.google.com/ [cit. 2013-11-15] Fayyad, U., Wierse, A. & Grinstein, G. c2002. Information visualization in data mining and knowledge discovery. San Francisco: Morgan Kaufmann Publishers. Gartner Inc. 2013. Big Data definition. Gartner Group [online]. Available from: http://www.gartner.com/it-glossary/big-data/ [Accessed 2013-10-03] Gartner Inc. 2013. Hype Cycle Big Data 2013. IN: Hype Cycle Special Report [online]. Available from: http://www.gartner.com/technology/research/hype-cycles/ [Accessed 2013-10-04] Gilbert, E. & Karahalios, K.. 2009. Widespread Worry and the Stock Market. Department of Computer Science, University of Illinois at Urbana-Champaign. Available from: www.aaai.org/ocs/index.php/ICWSM/ Han, J., Kamber, M. & Pei, J. c2012. Data mining: concepts and techniques. 3rd ed. Waltham: Morgan Kaufmann. Hilbert, M. 2013. Big Data for Development. From Information- to Knowledge Societies [online], pre-published version, pp. 39. Available from: https://papers.ssrn.com/sol3/papers.cfm?abstract_id=2205145 [cit. 2013-10-04] Hortonworks & Teradata. 2013. Hadoop & Data Warehouse: When to use which?. IN: Baldesch, E. & Brobst, S.. Webinar [online]. Available from: http://hortonworks.com/webinars/#library [Accessed 2013-10-04] Chen, H., Chiang, R. & Storey., V. 2012. Business Intelligence and Analytics: From Big Data to Big Impact. IN: MIS Quarterly 36(4). Germany: Inivesitat Trier, pp. 25. Inmon, W. c2001. Data warehousing for e-business. New York: John Wiley. Inmon, W. c2005. Building the data warehouse. 4th ed. Indianapolis, Ind.: Wiley. Inmon, W., Imhoff, C. & Sousa, R. 2001. Corporate information factory. 2nd ed. New York: John Wiley.


71

Richard Novák

Kart, L. Gartner. 2012. Big data: Industry insight [Business Intelligence and Analytics summit]. Dallas, US: Gartner inc. [Accessed 2013] Kimball, R. c1998. The data warehouse lifecycle toolkit: expert methods for designing, developing, and deploying data warehouses. New York: Wiley. Kumar, A. & Et. 2009. Predicting the Outcome of Events Based on Related Internet Activity: [patent]. USA. 706/46, 709/224. IN: YAHOO! [online]. Available from: http://www.google.com/patents/US20100205131 [Accessed 2013-10-04] Manyika, J., Chui, M., Brown, B., Bughin, J., Dobbs, R., Roxburgh, C. & Hung, A. 2011. Big Data: The next frontier for innovation, competition, and productivity. IN: Big Data [online]. US: McKinsey Global Institute. Available from: http://www.mckinsey.com/insights/business_technology/big_data_the_next_frontier_fo r_innovation [Accessed 2013-10-03] Marshall, C. & Edward, C.. 2013. NSA Surveillance Leaks: Background and. Congressional Research Service [online], July. Available from: http://webcache.googleusercontent.com/search?q=cache:gLrJVs6JuxIJ:www.fas.org/s gp/crs/intel/R43134.pdf+&cd=1&hl=cs&ct=clnk&gl=cz [cit. 2013-10-04] Maslow, A. 1943. A theory of human motivation. Psychological Review, 50(4), 370–96. Available from: http://psychclassics.yorku.ca/Maslow/motivation.htm Molnár, Z. 2012. Competitive intelligence, aneb, jak získat konkurenční výhodu. Vyd. 1. V Praze: Oeconomica. Pour, J., Maryška, M. & Novotný, O. 2012. Business intelligence v podnikové praxi. 1. vyd. Praha: Professional Publishing. Power, D. 2007. A Brief History of Decision Support Systems. DSSResources.COM [online], version 4.0. Available from: http://dssresources.com/history/dsshistory.html [cit. 2013-10-04] Procházka, J. 2012. Prediktivní analýza v prostředí internetu. Bakalářská práce. Brno: MASARYKOVA UNIVERZITA - Filosofická fakulta. Available from: http://is.muni.cz/th/362031/ff_b_a2/?lang=en Roebuck, K. 2011. Predictive Analysis: High-impact Emerging Technology - What You Need to Know: Definitions, Adoptions, Impact, Benefits, Maturity, Vendors. NY: Tebbo. Rosický, A. 2011. Konceptuální myšlení a změna paradigmatu: IN: Systémové přístupy ‘11. Praha: Vysoká škola ekonomická v Praze, pp. 108-129. Voříšek, J. & Pour, J. 2012. Management podnikové informatiky. 1. vyd. Praha: Professional Publishing. Voříšek, J. 2008. Principy a modely řízení podnikové informatiky. Vyd. 1. Praha: Oeconomica.

JEL Classification: L10, M15

72


Big data a možné přínosy v úloze strategického řízení podnikové informatiky

Recommend Documents