Z VL Á ŠTNÍ NEPRODE JNÁ PŘÍLOHA | LISTOPAD 201 3
Business Intelligence a datová analytika In-memory značně urychlí analytické procesy Vizualizace zpřístupňuje důležité informace pro každého Prediktivní analytika pomáhá i s „neřešitelnými“ problémy
G O L D PA R T N E R S
BI-2013.indd ob1 7 BI_2013_DEF.indd
29.10.13 15:05 10/29/13 11:17 AM
Kulatý stůl V ÝBĚR VLASTNÍHO TÉMATU I DATA
Aktuální témata: BEZPEČNOST V ÉŘE MOBILITY A CLOUDU X Zabezpečení mobilních zařízení a zařízení zaměstnanců X Shadow IT X Zabezpečení cloudových řešení a virtualizovaných prostředí X Data loss prevention
ŘEŠENÍ PRO PERSONALISTIKU, ŘÍZENÍ KARIÉRNÍHO RŮSTU Z POHLEDU CIO X HR systémy X Systémy pro řízení kariérního růstu v podniku X Zvyšování kvalifikace v IT oddělení X Řízení kariéry pro CIO
MOBILNÍ ŘEŠENÍ PRO LEPŠÍ SPOLUPRÁCI A FLEXIBILITU X Vývoj vlastních aplikací X Mobilní aplikace na míru X Podpora spolupráce a práce na dálku X Správa mobilních zařízení
VIRTUALIZACE V ROCE 2013 A DALŠÍ VÝHLED X Automatizace virtuálního prostředí – privátní cloud X Virtualizace kritických aplikací X Virtualizace sítí a storage X Endpoint virtualizace a VDI X Přístup z mobilních zařízení
PRÁVO PRO CIO A ODPOVĚDNOST MANAGEMENTU X Ochrana osobních údajů X Legislativa ve vztahu k IT X Právní audit a compliance v IT FRAUD DETECTION Odhalování podvodů a nestandardních transakcí
X
www.idg.cz www.eventworld.cz
BI-2013.indd ob2 Kulate_stoly_210x295_inzerce.indd 1
ZORGANIZUJEME VÁM KULATÝ STŮL NA MÍRU PŘESNĚ DLE VAŠICH POŽADAVKŮ.
BUSINESS INTELIGENCE A BIG DATA X Práce s daty v reálném čase (in memory) X Analytické nástroje X BI X Dashboards X Úložiště pro Big data IT JAKO PILÍŘ MARKETINGU CRM a další generace nástrojů a aplikací pro marketing X Sociální marketingové nástroje X CIO vs. CMO – rozdělení pravomocí X
IT JAKO GARANT BYZNYS PROCESŮ Procesní řízení X Zvyšování flexibility X Procesy vs. Technologie X Jak z IT specialistů udělat procesní specialisty X Mapování procesů X Automatizace X
OBCHODNÍ A ORGANIZAČNÍ ZÁLEŽITOSTI: Jan Raboch,
[email protected] Michala Najbrtová,
[email protected] Irena Dubová,
[email protected] OBSAHOVÉ ZÁLEŽITOSTI: Ondřej Hergesell,
[email protected] Zbyněk Hutar,
[email protected] ORGANIZÁTOR: IDG Czech Republic, a.s., Seydlerova 2451, 158 00 Praha 5 IČ: 00565211, GSM: + 420 603 228 281, tel.:+ 420 257 088 144, fax: +420 235 520 812, www.idg.cz, www.eventworld.cz
29.10.13 15:05 10/29/13 1:16 PM
1:16 PM
OBSAH | BUSINESS INTELLIGENCE
PAVE L LO UDA vedoucí projektu
Heslem dne je snadnost i automatizace
P
odpora business intelligence (BI) a analytiky patří dlouhodobě mezi nejvyšší priority firemních šéfů IT. Přitom ale tyto pokročilé nástroje, jak uvádí letošní průzkum Gartneru, využívá jen zhruba třetina uživatelů, pro které by přinášely přidanou hodnotu. Vyplývá z toho jediné – podniky se musí zaměřit na otevření svých BI projektů, tak aby se ze současného, mnohdy utajeného řešení stala analytika přístupná a využitelná i pro dosud spíše netradiční uživatele. Současným trendem je sběr obrovského množství dat, které nejsou lidé mnohdy schopni efektivně zpracovávat a na základě nich dělat informovaná rozhodnutí. Ve vysoce konkurenčním prostředí je ale využití důležitých nalezených informací tím, čím se může příslušná firma odlišit od jiné. Z postoje „je to skvělé mít“ se dostáváme do situace, kdy analytiku „je nezbytné mít, abychom vůbec přežili“. Tím, že se podpora analytických funkcí rozšíří nejen mezi top vedení firmy, ale i mezi střední management a dokonce i zákazníky nebo spotřebitele, bude mít podle Gartneru obrovský vliv na obchodní aktivity, inovace, produktivitu i konkurenceschopnost organizací. Gartner nedávno označil tři klíčové trendy, které by měli profesionálové v oblasti BI a analytiky při budoucích plánech vážně zvažovat. Zaprvé by se měla analytika stát akčnější a všudypřítomná. BI specialisté by měli zpřístupnit analytické nástroje uživatelům co nejjednodušší formou – v podstatě by technologii měli učinit z uživatelského hlediska transparentní a běžní zaměstnanci by ji měli užívat bez složitých procedur a pomocí jednoduchých rozhraní využívajících přirozený jazyk. Zadruhé vzrůstající objem dat získávaných v reálném čase a snižující se doba, kdy se musí učinit rozhodnutí, musí vést k implementaci operační inteligence, která dokáže pracovat velice svižně – až na úrovni reálného času. A konečně zatřetí vzrůstající náklady či tlaky dané různými regulačními předpisy motivují podniky k přijetí mnohem preskripčnější analytiky (třeba pomocí tzv. decision management softwaru, který se využívá, pokud je pro rozhodnutí potřeba podpora nějakého výpočetního prostředku). Rozhodnutí postavená na tomto základě budou moci být auditovatelná i opakovatelná a v některých případech dokonce i automatická. To firmám šetří nejen čas, ale i personální náklady. Bez obchodních analýz už dnes podle všeho přežije jen málokterá společnost. V tomto magazínu vám přinášíme návod, jak můžete analytiku ve svých firmách sofistikovaně využít. Ukazujeme i příklady organizací, které pomocí pokročilé BI výrazně zlepšily svou konkurenceschopnost – tak neváhejte a zařaďte se mezi ně i vy.
Partneři vydání Gold partners:
Silver partners:
Obsah 4 8 10 12 16 20 22
Analytiku ovládla vizualizace Začínáme s pokročilou analytikou Technologie in-memory zrychluje datové analýzy Prediktivní analytika pomáhá s „neřešitelnými“ problémy Sociální marketing se bez analýz neobejde Samoobslužné BI lépe zpřístupní analytiku Co přinášejí analýzy Intelu a UPS? CO M P U T E RWO R L D.c z
BI-2013.indd 3
3 29.10.13 15:05
Analytiku ovládla vizualizace Velké množství různých dat není pro organizaci přínosem, pokud osoby odpovědné za rozhodování nedokážou z nich získané informace dostatečně využít. Vyřešit to může například angažování expertů na vizualizaci. TAM H AR B E RT
J
eden obrázek vydá za milion jiných údajů. To je v současné době heslo moderní podnikové analytiky. Jak trend big dat sílí a pokročilé analýzy dat se začínají v podnicích stále více zakořeňovat, roste i potřeba mít ve svém týmu lidi, kteří dokážou prezentovat data snadno srozumitelnými způsoby. Loni na podzim předpověděl Gartner, že v roce 2015 by mělo existovat až 4,4 milionu pracovních míst v segmentu big dat – a mnoho z nich bude vyžadovat netradiční, nově koncipované dovednosti, jako je právě vizualizace dat. Co to ale přesně vizualizace je? Kdo ji dělá a jak se liší od vytváření barevného grafu nebo zajímavé infografiky? Je určitou ironií, že je poměrně těžké získat jasnou představu o datovém vizualizérovi. Tato funkce se zatím ještě úplně přesně nedefinovala a je docela vzácné ji vidět jako součást popisu pracovního zařazení nebo dokonce samostatně, prohlašují pozorovatelé IT kariéry. Je to spíše dovednost, kterou požaduje stále více společností jako součást jiných rolí, zejména pracovních pozic z oblasti business intelligence a obchodní analytiky. „Vizualizace dat“ jako požadavek v popisech práce vzrostl za posledních šest měsíců o 12 %, uvádí Todd Nevins, spoluzakladatel webu icrunchdata, který se jako portál pracovních míst specializuje právě Graf, který navrhl Stephen Few, guru datové vizualizace, využívá skládaný sloupcový graf v jednoduchých barvách, aby pomohl divákům snadno srovnávat tři sady dat. Šipka a připojená vysvětlivka vyjasňují smysl grafu. Na původním obrázku (www.perceptualedge. com/example18.php) můžete vidět předchozí podobu stejného grafu bez použití potřebných principů.
4
na pozice v segmentu datových analýz. Naproti tomu „big data“ jako požadavek v popisech práce vzrostl meziročně až o 63 %. „Vizualizace dat je stále ještě v plenkách, ale postupně nabírá na významu s tím, jak společnosti rozvíjejí své strategie pro extrakci a používání velkého množství údajů,“ shrnuje situaci Nevins. Data, která se obvykle vizualizují, nepocházejí z IT branže – tedy alespoň zatím ne. IT má v oblasti analýz dat poměrně omezenou roli a dokonce ještě menší úlohu při vizualizaci, prohlašují datoví experti. „Oddělení IT je obvykle odpovědné za bezprostřední zajištění funkce informačních panelů a produktů business intelligence,“ tvrdí Gregory Lewandowski, manažer segmentu analýz ve společnosti Cisco Systems. „Často však dochází jen k rutinnímu zpracování požadavků bez větší snahy pochopit samotný výsledek.“ Oddělení IT se obvykle zaměřuje na technologii, která vizualizaci umožňuje, ale ji samotnou už nepoužívá, vysvětluje Stephen Few, ředitel a zakladatel poradenské společnosti Perceptual Edge, jež se specializuje na vizualizaci dat. Few, který má dlouholetou praxi v oblasti IT a business intelligence, založil tuto organizaci v roce 2003 po absolvování semináře, který vedl vizualizační mág Edward Tufte, jenž je známý tím, že se zasadil o rozvoj vizualizace dat jako disciplí-
ny a napsal na toto téma v roce 1983 klíčovou knihu Vizuální znázornění kvantitativních informací (The Visual Display of Quantitative Information). Few se stal sám dobře známým jako expert na vizualizace dat a napsal několik knih včetně titulu Ukaž mi ta čísla: Návrh vysvětlujících tabulek a grafů – Show Me the Numbers: Designing Tables and Graphs to Enlighten. „Dokonce i v oddělení IT, kde mají vlastní analytiky pro business intelligenci, tyto osoby často vytvářejí produkční reporty pouze na vyžádání,“ uvádí Few. „Obvykle však těmto údajům nijak detailně nerozumějí. Ve skutečnosti dokonce ani nevědí, jak se data, jež sami vkládají do reportu, využijí.“ „Je tu propast mezi lidmi, kteří skutečně pracují s daty a rozhodují se na jejich základě, a těmi, kdo tyto potřebné údaje poskytují,“ pokračuje Few. „Najít někoho, kdo by opravdu datům rozuměl a chápal také technologie, které organizace používá k distribuci dat – tedy naleznout tyto dvě schopnosti u jednoho člověka – je obtížné a dochází k tomu jen velmi zřídka.“ Few a další mluví o tom, že vizualizace dat v současné době vyžaduje více než jen dokonalý estetický dojem. Boris Evelson, viceprezident a hlavní analytik ve společnosti Forrester Research, tvrdí, že existují dvě úrovně dovedností vizualizace dat. První se vztahuje ke schopnosti člověka používat nejnovější technologie a nástroje pro analýzu a prezentaci informací. Například spíše než aplikaci Excel nebo dokonce Cognos používají datoví analytici ke tvorbě vizuálně lepších a snáze pochopitelných grafů aplikace Tableau či Spotfire. V některých případech to však nestačí. Nedávno se Evelson dozvěděl od velké banky, že potřebují někoho s rozsáhlejšími dovednostmi k vizuální prezentaci sofistikované a komplexní analýzy portfolia, která analyzuje tisíce klientů s různými typy investic a rizik. Přestože banka měla všechny potřebné nástroje a technologie, hledala někoho, kdo by se specializoval na chápání způsobu, jakým mozek reaguje a zpracovává vizuální informace. „Netýkalo se to technologie vizualizace dat, ale psychologie vizuálního vnímání,“ popisuje Evelson. Banka chtěla někoho, kdo by věděl, jaké typy zobrazovacích metod nejlépe fungují pro různé druhy dat, a znal omezení metod.
BU S I N E S S I N T E L L I G E N C E 2013
BI-2013.indd 4
29.10.13 15:05
Vizualizace dat – stručný návod Chápat svá data, znát své publikum a určit zprávu, kterou chcete sdělit. Omezit data na rozsah potřebný ke sdělení zprávy a pamatovat si, že bez kontextu znamenají čísla jen málo. Určit nejlepší způsob vyjádření. ■ Některé kvantitativní zprávy je nejlepší sdělit slovy, jiné pomocí tabulek s čísly, další pomocí specifických grafů (sloupcových, spojnicových, bodových atd.) a další pomocí různých kombinací. ■ Tyto principy nejsou intuitivní a vyžadují školení o tom, jak lidské oči a mozek zpracovávají vizuální informace. Poraďte se při tomto kroku s odborníkem na vizualizace dat (nebo sebe či svůj personál v této oblasti vzdělávejte). Navrhnout zobrazení tak, aby vyjadřovalo informace jednoduše, jasně a přesně. ■ Nepoužívejte cokoli mimo údaje, pokud to není třeba pro jejich podporu. ■ Vyhněte se zbytečným barevným variacím a vizuálním efektům, nepoužívejte mřížky v grafech, pokud nejsou nutné. ■ Nedatové prvky by měly být dostatečně viditelné, aby splnily svůj účel, ale nikdy by neměly zastínit samotnou informaci. ■ Vizuálně zvýrazněte informace, které jsou ve zprávě nejdůležitější. Navrhnout opatření v reakci na data. Většina kvantitativních zpráv se nepředkládá jen za účelem informovat, ale také motivovat k prospěšné reakci. Zdroj: Stephen Few
Například „významná část populace, přibližně 7 %, je barvoslepá nebo má porušený barvocit,“ poznamenává Evelson. „Nemusí tedy být vhodné spoléhat se vždy výhradně na barvu.“ Tato banka nakonec najala profesionála – ale jako konzultanta na částečný úvazek namísto plného úvazku v zaměstnaneckém poměru, což je trend, který se podle analytiků pravděpodobně bude v mnoha společnostech spolu s nástupem big dat opakovat. Další možností je outsourcing projektů vizualizace dat s využitím konzultačních firem. Společnosti si mezitím zřejmě již uvědomují potřebu vzdělávání v oblasti vizualizace dat, a to nejen pro své podnikové analytiky, ale v rámci zaměstnanců celé organizace. Lewandowski z firmy Cisco se například před šesti lety zúčastnil kurzu, který vedl Few. „Skutečně mi to otevřelo oči, abych si dokázal všímat důležitých, ale sotva patrných věcí, které mnoho lidí vlastně ani nepostřehne,“ pochvaluje si. Zde Few zvolil jednoduchý spojnicový graf, aby byla hlavní nosná informace – podíl na trhu – jasně patrná, s popiskami přímo u spojnic namísto v odděleném rámečku legendy. Začlenění tabulky do dolní části grafu poskytuje přesné hodnoty pro ty, kdo je potřebují, ale nedochází ke snížení přehlednosti samotného grafu. Na původním obrázku (www.perceptualedge. com/example7.php) můžete vidět předchozí podobu stejného grafu bez použití potřebných principů.
„Existuje tolik různých věcí, kterých si hned nemusíte všimnout, přestože způsobují odlišnosti, jichž je svět plný,“ dodává Lewandowski. Stejně jako mnoho specialistů na vizualizaci dat směřoval i Lewandowski do této oblasti oklikou. Začal před 14 lety v divizi prodeje a rozvoje obchodu Ciska. Poté přešel do role správy vztahů partnerských kanálů, kde začal využívat aplikace BI. Postupně rozšířil své odborné znalosti v oblasti BI a analýzy dat a nyní vede tříčlenný tým v rámci oddělení Global Business Operations, které zodpovídá za poskytování BI služeb celé společnosti. Svůj útvar popisuje jako hybridní kombinaci obchodního oddělení s oddělením IT, přestože vizualizaci dat nepovažuje za funkci IT. Tým Lewandowského tráví většinu svého času vizualizací dat, a to jak konkrétních dat Ciska, tak podporou osvědčených postupů. Tým doufá, že o trochu více vzdělání „by mohlo zprovodit zpropadené koláčové 3D grafy ze světa,“ popisuje Lewandowski. „Každý má odpovědnost v tom, aby se pokoušel lépe komunikovat.“ Pro profesionály z oblasti vizualizace dat však není nutně konečným cílem prezentovat data, která odpoví na konkrétní otázky, poznamenává Lewandowski. „Částí tohoto procesu je také umožnit našim představitelům formulovat otázky, které nikdy předtím neměli, protože mohou vidět věci tak, jak je nikdy neviděli,“ vysvětluje Lewandowski. „Pokud je naše oddělení úspěšné, mohou lidé vidět souvislosti způsobem, který jim umožňuje klást hlubší otázky, což vede k lepší strategii a nakonec i k lepším výsledkům společnosti,“ podotýká Lewandowski. Dobrá vizualizace dat prokázala, že je pro podstatu podnikání firmy Cisco přínosná, prohlašuje Lewandowski. Vytvořil například znázornění označované interně jako „pyramida Lewandowského“, které ve finále vedlo ke změnám globální strategie. Je to ve skutečnosti pro Cisco natolik strategicky důležité, že nebyl ochotný poskytnout moc podrobností. „Je to v podsta-
30 % USA ostatní 25 %
20 % Japonsko
15 % Francie
Záp. Německo
10 % 1977
1978
1979
1980
CO M P U T E RWO R L D.c z
BI-2013.indd 5
5 29.10.13 15:05
BUSINESS INTELLIGENCE | ZOBRAZOVÁNÍ DAT
tě model segmentace nebo rozvrstvení, ve kterém něco počítáme, například množství objednávek či zákazníků, a poté to rozdělíme do různých vrstev.“ Postupem času tento model umožňuje manažerům sledovat nepředpokládané změny a identifikovat faktory, které za těmito jevy stojí. Výsledkem je například lepší schopnost korigovat směr nebo využít výhody rozvíjejících se trhů. „Zobrazujeme to způsobem, jak to dříve nikoho nenapadlo, metodou, která vše objasňuje a velmi pomáhá pochopit typy otázek, jež si interní zainteresované osoby potřebují klást,“ popisuje Lewandowski. Dana Zuberová, manažerka pro analýzy v týmu podnikových dat globálního fi-
nančního domu Wells Fargo, říká, že s vizualizací dat se dostatečně neobeznámila, dokud před šesti lety nenastoupila do této banky, a to přestože v průběhu své dosavadní 12leté kariéry analyzovala data na různých pracovních pozicích. Banka ji poslala prostřednictvím interního vzdělávacího programu na kurz vizualizace dat a na některé externí semináře včetně jednoho, který vedl výše zmíněný Tufte. „Předtím jsem netušila, že pro vizualizaci dat existuje celá samostatná disciplína,“ vysvětluje. Manažeři banky totiž jasně cítili, že vizualizace dat se stala rozhodující dovedností, a to nejen pro datové analytiky. „Interní kurz je k dispozici každému, kdo
Vlastnosti dobrého vizualizéra dat ■ Baví ho řešení rébusů a hrátky s daty. ■ Zná a chápe publikum a jeho informační potřeby. ■ Má trpělivost vymýšlet nové nástroje a inovativní způsoby zobrazení dat. ■ Zajímá se o umění dobrého vizuálního návrhu a rozumí mu. ■ Má vysokoškolské vzdělání v oboru matematiky, inženýrství, statistiky, obchodu nebo financí. ■ Naučil se osvědčené oborové postupy od expertů, jako jsou třeba Edward Tufte nebo Stephen Few. ■ Dokáže podle potřeby využívat dovednosti přisuzované levé nebo pravé mozkové hemisféře, někdy i současně.
6
je ve společnosti,“ uvádí Zuberová. „S rostoucím počtem lidí, kteří jím prošli, se zájem o vizualizaci dat v celé organizaci rozšířil,“ popisuje a dodává: „Stále více lidí si uvědomuje její hodnotu a chápe, jak to může při jejich práci pomoci.“ To je pokrok, který by Few chtěl vidět ve větším měřítku. Ačkoli zájem o vizualizaci dat zesílila dostupnost technologií typu big data, je to dovednost, která byla v podnicích velice potřeba již po dlouhou dobu, upozorňuje Few. Přestože organizace začínají chápat její význam, mnoho z nich se zaměřuje na špatné věci. V popisu pracovní pozice například požadují technické dovednosti, jako je schopnost vytvářet grafy v Cognosu, namísto požadavku odbornosti v oblasti grafického návrhu. „Tento druh dovedností, který hledají, nemusí být ve skutečnosti nutně tím, který potřebují,“ varuje Few. Bez pochopení jemnějších aspektů včetně toho, jak lidský mozek vnímá barvu a tvar, „budou výsledkem nevkusně okázalé vizualizace dat s úžasnými barvami a tvary atd.,“ vysvětluje Few. „Je to ale jen pastva pro oči. Podstata, kterou se snažíte pomocí dat sdělit, se přitom ztratí mezi křiklavými efekty,“ uzavírá Few.
BU S I N E S S I N T E L L I G E N C E 2013
BI-2013.indd 6
29.10.13 15:05
Performance management v praxi Snad v každém informačním systému je možné najít dva základní typy dat. Stavová a transakční data. Zatímco stavová data zachycují stav objektů k určitému momentu v čase, transakční data zachycují změny těchto stavů. ROSŤA LEVÍČEK
V
řadě oblastí jsou transakční data nenahraditelná. Obsahují řadu informací, které ve stavových datech nenajdeme. Je jen těžko představitelné, že bychom například neznali podrobně jednotlivé transakce na našem účtu. Zatímco stav našeho účtu je sledován vždy ke konci určitého období, transakce zachycují zcela podrobně jednotlivé změny včetně informací o tom, komu nebo od koho peníze na účet přicházeli, za jakým účelem transakce proběhla apod. V primárních systémech je však zpravidla také celá řada entit, kde se podrobné informace o změnách jejich stavů, nesledují. Pokud pak pro potřeby manažerského informačního systému tato data od primárních systémů požadujeme, primární systémy je zpravidla určitým způsobem zpětně vytvářejí. Tento postup potom často vede k nepřesnostem a výsledkem je nesoulad mezi zpracovávanými „transakcemi“ a jejich výsledným stavem a rostoucí nedůvěra k datům v datovém skladu a MIS vůbec. Příkladem takovýchto transakcí jsou například transakce spojené se změnami zákaznických smluv. Každá smlouva pro-
chází za svůj život celou řadou „stavů“. Na počátku je smlouva ve stavu návrhu, po podpisu vstoupí v platnost, za čas je navýšena nebo je na ní změněn nějaký tarif, pak se prodlouží a nakonec dojde k jejímu ukončení. Ačkoliv každá z těchto změn reflektuje určitou transakci – tedy operaci se smlouvou, tak v primárním systému jsou tyto změny zpravidla zachyceny změnou několika atributů [například: stav (aktivní, neaktivní), hodnota smlouvy (tarif smlouvy), a série dat – datum zaslání návrhu, datum účinnosti, datum platnosti do, datum ukončení, případně prodejní kanál, který provedl poslední změnu]. Pro MIS poskytující konzistentní informace nejen o stavu našich smluv, ale zejména o výkonnosti jednotlivých útvarů je pak nezbytně nutné vycházet z dobře historizovaných dat v datovém skladu. I v takovém případě je však reporting jednotlivých událostí (transakcí často obtížný a nejednoznačný). GLOBTECH se svými partnery – společnostmi DNS a IBM – v takových případech úspěšně implementuje koncept tzv. tagování na základě byznys pravidel. Na místo vyžadování transakčních informací
z primárních systémů se při implementaci MIS soustředíme na důsledné sledování stavu – důslednou historizaci všech stavových entit – a precizní popis byznys pravidel. Byznys pravidla jsou v rámci projektu popsána do podoby byznys slovníku (například v IBM InfoSphere Business Glossary) a odsouhlasena napříč společností. Pro každou entitu jsou v byznys slovníku jednoznačně definovány byznys stavy (často více stavů, než poskytuje primární systém) a dimenze (atributy entit), u kterých budou sledovány změny. Takto připravená pravidla jsou následně „materializována“ v datovém skladu – na základě pravidel jsou přímo v datovém skladu napočítány byznys stavy a následně jsou generovány transakční záznamy (tagy) reflektující změny ve stavech a na vybraných dimenzích. Tyto transakce jsou pak obohaceny o další atributy charakterizující daný záznam (transakci). Ve výše uvedeném příkladu se pak dva stavy z primárního sytému například rozšíří na čtyři – smlouva ve stavu návrhu, aktivní a zrušená. Atributy hodnota smlouvy (tarif) a platnost smlouvy se definují jako dimenze se sledováním změn. A atribut prodejní kanál se používá pro obohacení každé transakce. Z takto připravených dat jsou každodenně generovány jednoznačné transakce: počet zaslaných návrhů, počet uzavřených smluv, počet ukončených smluv, počet prodloužených smluv, počet změn tarifů s jednoznačnou vazbou na prodejní kanál, který transakci provedl, a hodnotu smlouvy (tarif). Napočtená data pak zaručují velice přesný a transparentní přehled o fungování společnosti – o výkonnosti jednotlivých složek – a současně zajišťují konzistenci stavových a transakčních dat, a tím i důvěryhodnost celému manažerskému informačnímu systému. Současně je v případě rozšíření o další dimenze poměrně snadné systém doplnit o další ukazatele bez narušení vnitřní integrity dat. Autor je senior konzultant ve společnosti GLOBTECH
GLOBTECH, spol. s r. o. Karlovo nám. 17 Praha 120 00 E-mail:
[email protected]
CO M P U T E RWO R L D.c z
BI-2013.indd 7
7 29.10.13 15:06
BUSINESS INTELLIGENCE | IMPLEMENTACE
Začínáme s pokročilou analytikou Analýzy dat se často oslavují jako nejlepší způsob, jak pomocí úsudků založených na faktech a na základě vyčíslitelného přehledu získat důležité informace potřebné k lepšímu podnikatelskému rozhodování. I kvůli tomu řada organizací investuje značné prostředky do BI a podnikových systémů řízení výkonnosti. MI C H AE L PAI N
P
ři úspěšných implementacích analytiky mohou shromažďování, správa, reportování a vyhodnocování dat přinášet významný provozní užitek – analytici uvádějí často 15 až 30 procent čistého provozního zisku. Mnoho firem však stále považuje stanovení „závěrů z dat“ za poněkud zapeklitý problém. Existuje pro to hned několik důvodů. Některým podnikům se nepodaří vytvořit vhodný obchodní případ pro analytiku s komplexním pohledem, což znamená, že neuvažují o tom, jak analytické výsledky vyhodnotit a převést na akci, jejímž cílem je zlepšení celkového výkonu firmy. Jde o jeden z největších problémů, které lze při nářcích na analytiku vidět. Organizace také často dělají chybu, která spočívá v doplňování nahodilých zjištění týkajících se podnikových záležitostí namísto selektivního a cíleného přístupu. Kromě toho se snaží držet krok s množstvím údajů pocházejících z rozsáhlých a různorodých datových zdrojů, a to jak interně, tak externě, ale přitom nevědí, jak nejlépe získávat a spravovat cenné informace. Analýzy musejí přinést podnikatelské závěry – jinak jsou to jen vyšperkované zprávy se spoustou grafických doplňků. Položte si tedy hned na začátku otázku, zda vaše organizace opravdu používá analýzy, které pomáhají řešit problémy. V uplynulých letech mnoho firem rozsáhle investovalo do svých analytických řešení, aniž udělaly následující jednoduché kroky. KROK
1
Začněte velmi dobrou otázkou
Nečekejte na odpovědi analytického týmu, aniž nejprve zvážíte, jak pro vás budou výstupy využitelné a jak budou podporovat základní podnikovou strategii. Používání analýz bez přístupu vedeného podnikatelskými potřebami je jen ztrátou času. Jednou z nejlepších oblastí, kde je vhodné začít, jsou firemní KPI (klíčové ukazatele výkonu), které je třeba zlepšit.
8
Správná otázka je ta, jež se týká podnikatelských výsledků, má jasné cíle a lze ji zodpovědět bez nadměrného množství překážek. Nezapomeňte si však klást otázky, co dělat, abyste jasně směřovali k cíli. Je skutečně nutné daný dotaz zodpovědět? Může odpověď přinést nějaké důležité podnikatelské informace, které pomohou k dosažení cíle? Inovativní řešení problému je stejně jednoduché jako řešení jiným způsobem. S podporou silného týmu složeného z různých podnikových oddělení (což může zahrnovat výrobu, analýzy, marketing a prodej) lze analytické úsilí sdílet a transformovat do celého podniku.
KROK
2
Realizace a řízení dat
Vykonávání prozíravějších podnikatelských rozhodnutí obvykle vyžaduje koordinovaný přístup ke shromažďování dat a reakci na to, co tyto údaje sdělují. Vedení firmy by mělo stanovit jasný model pro konzistenci dat, jejich zpracování a včasné dodání informací. Použitím tohoto přístupu k řízení dat se všechny zúčastněné strany v rámci celého podniku povzbuzují, aby spolupracovaly na plnění úkolu správy dat. Firmy také musí vykročit mimo své tradiční zdroje dat, aby tak získaly nový po-
hled na věc. Existuje nepřeberné množství údajů, jež vytvářejí různé informační zdroje – například sledování zkušeností zákazníků v reálném čase pomocí webové analytiky s analýzou vzorů ve vizuálních výstupech může odhalit nové obchodní příležitosti, kterých by si ve velké tabulce nikdo nevšiml. KROK
3
Vyhodnotit a vylepšit
KROK
4
Rozšířením lze dosáhnout návratnosti investic
Praxe ve vyhodnocování dat odlišuje společnosti dosahující vysoké návratnosti investic (ROI) od těch, které stále hledají optimální model. Je proto nezbytné testovat analytické pohledy oproti původní otázce týkající se podstaty podnikání. Aby se minimalizovalo riziko, měly by podniky používat přístup testování a učení, při kterém se nová nabídka nebo řešení použijí na vzorový projekt, jehož cílem je zlepšit zaostávající KPI. To dává příležitost eliminovat všechny případné problémy a vyladit řešení na jeho plný potenciál. Po úspěšném pokusu pak může firemní vedení přemýšlet o použití nového pohledu v dalších odpovídajících oblastech svého podnikání.
Takže jste už položili otázku, shromáždili data a otestovali své postřehy. Pokud to děláte dobře, můžete své poznatky použít ve všech funkčních oblastech včetně řízení vztahů se zákazníky, financí a výkonu, řízení dodavatelského řetězce a správy lidských zdrojů. Zároveň můžete i vytvářet přizpůsobená řešení pro další podnikatelské výzvy. Získání konkurenční výhody pomocí analytiky ale vyžaduje více než jen technologii a datové vědce – chce to velmi dobré otázky, které souvisejí s podnikáním a směrováním firemních sil a zdrojů. Organizace, které dokážou detailně identifikovat a zodpovědět své podnikatelské otázky, mohou udělat potřebná opatření, a získat tak náskok před svými konkurenty. Analytika by se měla považovat za silný nástroj, který by se měl přijímat celou společností, protože při jejím správném použití může poskytovat nevídané výhody v mnoha oblastech. Využití potenciálu analýzy se ale nesmí odkládat jako obtížně řešitelný úkol. S jasnou metodikou a cíleným přístupem poskytne tato nově nalezená inteligence vaší firmě jasné výhody.
BU S I N E S S I N T E L L I G E N C E 2013
BI-2013.indd 8
29.10.13 15:06
Proda
Prodata-MP.indd BI-2013.indd 9 9
23.10.13 29.10.13 16:17 15:06
BUSINESS INTELLIGENCE | IN-MEMORY
Technologie in-memory zrychluje datové analýzy Něco může být rychlé nebo dokonce otravně rychlé. Zeptejte se třeba firmy AdJuggler, která provozuje inzertní platformu v podobě služby SaaS (software jako služba) a její byznys spočívá v párování inzerce s místy na webových stránkách. To bylo vždy spojené s rychlostí, ale s příchodem řízení nabídek v reálném čase se svižnost jejich řešení dostala na zcela novou úroveň. JOHN MOORE
P
ři použití řízení nabídek v reálném čase vydavatel zašle inzertní imprese do on-line systému výměny, který pošle dále žádost o nabídky. Když pak uživatel přijde na konkrétní webovou stránku, dojde k porovnání nabídek inzerentů a na stránku se umístí nejvyšší nabídka. Prodej digitální inzerce tak nastane velice rychle, uvádí Ben Lindquist, technologický viceprezident AdJuggleru. Nakupující má při scénáři nabídek v reálném čase okno 100 milisekund, aby udělal k dané impresi nabídku. Právě tento druh požadavku rychlosti vedl AdJuggler k nákupu produktu pro správu dat, který využívá technologii in-memory. Jde o řešení BigMemory od firmy Terracotta. AdJuggler zavedl tento produkt koncem června 2013 nejprve omezeným způsobem, a to v rámci své nové generace inzertní platformy. Taková nasazení přesouvají databáze z tradičního umístění na disku a namísto toho je ukládají do paměti. Tento přístup zrychluje odezvu databáze na dotazy, protože cesta z paměti do jádra procesoru je mnohem rychlejší, než je tomu při prohledávání dat umístěných na klasickém disku. Mike Allen, viceprezident produktového managementu ve společnosti Terracotta, již plně vlastní Software AG, uvádí, že paměť je podle všeho přibližně 1 000× rychlejší než disk. V případě AdJuggleru, kde se požaduje velmi krátká doba pro zpracování nabídek a obhospodařuje vysoký objem transakcí, tento kapacitní rozdíl hovořil zcela jasně ve prospěch řešení in-memory. „Dražitelé si nemohou dovolit trávit značnou část tohoto času hledáním na disku,“ vysvětluje Lindquist. „Musí se to vyřešit jinak.“
Méně ladění pro databáze Současná platforma AdJuggler, která páruje inzerci s místy na webových stránkách
10
rychlostí až 20 tisíc transakcí za sekundu, využívá databázi mySQL. Ta obsahuje konfigurační údaje o kampaních zákazníků a umístění inzerce na různých webových stránkách. Lindquist zmiňuje, že všechny tyto konfigurační údaje se budou přesouvat z diskově založeného datového skladu mySQL do řešení využívajícího in-memory technologii. AdJuggler k tomu přidá také několik terabajtů dat o anonymizovaném publiku. „Skončíme se záznamem pro každého uživatele, jenž přistupuje k části obsahu, kam lze umístit inzerci prostřednictvím našeho systému,“ tvrdí Lindquist s tím, že uživatelská data budou obsahovat až stovky milionů záznamů. Toto úložiště dat bude i dále růst, protože zákazníci AdJuggleru budou mít možnost umístit do systému správy dat Terracotta svá proprietární data o publiku. Co se týče propustnosti, bude nová platforma schopná růst a podporovat dokonce až 1 milion transakcí za sekundu, poznamenává Lindquist. „Přechod k technologii in-memory nám výrazně rozšiřuje možnosti pro rozhodování v reálném čase s využitím databázových údajů,“ uvádí Lindquist. Zajistit výkon databází na nyní požadované úrovni by podle něj dříve vyžadovalo významné ladění konfigurace paměti a umístění paměti cache do paměti RAM, aby se tak zvýšil výkon. Přístup do paměti cache je rychlejší než opětovné načítání dat z disku, ale vyrovnávací paměť obvykle představuje jen malou část dat uložených v databázi. Lindquist je přesvědčen, že výkon mySQL závisí zejména na tom, zda je potřebná část údajů v paměti právě ve správný okamžik. Proč tam tedy nepřesunout všechna důležitá data? „Rozhodli jsme se, že vše bude v operační paměti,“ vysvětluje Lindquist, „takže se teď nemusíme bát obrovského ladění databáze, které by obvykle bylo nezbytné.“
AdJuggler bude podle svých slov využívat cluster od Terracotty s distribuovanou verzí softwaru BigMemory pro správu dat.
In-memory odhaluje podvody Poštovní služba USPS (US Postal Service) učinila ohledně in-memory podobné rozhodnutí – pokud jde o úlohy jako odhalování podvodů nebo zlepšení směrování pošty. USPS využívá hardware společnosti SGI (Silicon Graphics International) a in-memory databázi Oracle TimesTen. USPS podle současné konfigurace pracuje s více instancemi databáze TimesTen namísto jedné, aby tak zvýšila souběžnost datových zatížení. Přechod na technologii in-memory eliminuje významnou softwarovou režii pro správu disku, latenci způsobenou fyzickou charakteristikou běžného úložiště a omezení daná rychlostí otáčení disku, uvádějí Dan Houston Jr., ředitel služeb správy dat USPS, a Scot Atkins, specialista na informace o produktech společnosti USPS. Podle nich hlavní obchodní přínos databází in-memory spočívá v jejich schopnosti poskytovat velmi rychlé odpovědi téměř v reálném čase při současném zpracování obrovského množství dat. Technologie in-memory pomáhá firmě USPS identifikovat podvody a rychle zjistí, zda má dotyčná poštovní zásilka zaplacené poštovné ve správné výši. Mluvčí zmiňoval databáze in-memory jako jednu z technologií, které poštovní službě umožňují zvládnout úlohy jako dynamické směrování, dodání ve stejný den nebo takzvané prediktivní směrování. „Databáze in-memory nám umožňují dělat v reálném čase věci, které by v minulosti trvaly hodiny nebo dokonce dny,“ uvádějí Houston a Atkins.
Zájem rychle stoupá Technologie in-memory není nijak mimořádně nová. Roger Gaskell, technologický ředitel společnosti Kognitio, dodavatele analytické platformy in-memory, tvrdí, že první systém tohoto typu se vytvořil koncem osmdesátých let v londýnské makléřské firmě Savory Milln. Její makléř tehdy chtěl, aby dokázal vypočítat obchodní riziko cizí měny prakticky v jakémkoliv okamžiku, poznamenává Gaskell. Před použitím systému in-memory se výpočty rizika cizí měny dělaly přes noc. Technologie in-memory „byl tehdy jediný způsob, jak jsme mohli získat data dostatečně rychle pro dosažení postačujícího výpočetního výkonu splňujícího naše měřítka použitelnosti,“ prohlašuje Gaskell. Nyní, téměř o čtvrtstoletí později, je novinkou prudký nárůst zájmu o techno-
BU S I N E S S I N T E L L I G E N C E 2013
BI-2013.indd 10
29.10.13 15:06
IN-MEMORY | BUSINESS INTELLIGENCE
logie in-memory v různých oborech podnikání. „Poslední dva roky pro nás byly největší změnou. In-memory se stala velmi vyhledávanou a z hlediska aplikací došlo k prudkému vzestupu,“ zmiňuje Gaskell. Dříve firmě Kognitio zajišťovaly obrat finanční služby a telekomunikační společnosti, ale nyní nastává poptávka po in-memory řešení i na trzích, jako je maloobchodní prodej, poznamenává Gaskell. Allen z firmy Terracotta dodává, že zájem o technologii in-memory pozoruje mj. v oblasti finančních služeb, logistiky, elektronického obchodu, vládní sféry a zdravotní péče. „Zájem se zvyšuje všude. Lidé se ptají, jak by ji mohli využít,“ popisuje Allen. S růstem poptávky se také zvedl počet dodavateli nabízených technologií in-memory. Například Teradata nedávno představila Intelligent Memory, která podle ní umožňuje zákazníkům využívat paměť pomocí funkcí integrovaných v datových skladech této společnosti. „Není třeba mít samostatnou applianci,“ prohlašuje Alan Greenspan, mluvčí Teradaty. Tato technologie podle něj sleduje zájem o data a dodává, respektive přesouvá nejvíce žádaná a používaná data do operační paměti.
Indexování vs. in-memory Databáze spojené s in-memory mají potenciál produkovat skvělé výsledky, pokud organizace musí v krátké době zpracovat velké množství dat. Tato oblast však není zcela bezproblémová, jak by se mohlo zdát. Jednou z potíží jsou mylné představy o charakteru in-memory. Oboroví manažeři například tvrdí, že nasazení technologie in-memory vyžaduje poněkud více úsilí než jen zkopírování dat do operační paměti. Upozorňují, že software pro správu dat se musí navrhnout tak, aby pracoval i s pamětí. „Nejde jen o umístění všech dat do paměti,“ vysvětluje Chris Hallenbeck, viceprezident pro řešení datových skladů a platformu HANA ve společnosti SAP. „Je to přepsání celé databáze od základu tak, aby se paměť používala jako primární způsob ukládání, na rozdíl od disku.“ HANA je platforma, kterou vytvořil SAP a jež je určená pro práci v reálném čase, která zahrnuje in-memory databázi. Dalším problémem je, že rychlost in-memory řešení klade zvýšené nároky na použité procesory. V důsledku toho musí organizace paralelizovat kód, který bude přistupovat k datům, a také nasadit vyvažování zátěže přes cluster, vysvětluje Lindquist. „Vyvažování zátěže (load balancing) se stává kritickou částí vašich schopností využít
výhody in-memory databáze,“ podotýká Lindquist. Firma AdJuggler vytvořila systém vyvažování zátěže založený na takzvané metodě pull s využitím komoditního hardwaru a interně vyvinutého softwaru. Každá instance stroje AdJuggleru pro zpracování transakcí si převezme práci z komponenty pro vyvažování zátěže, dokončí úlohu a vyžádá si další práci, popisuje Lindquist. Pokud je třeba dodatečná kapacita, využije tento systém více instancí. Organizace s produkty podporujícími in-memory musejí rovněž dávat pozor na databázové indexy. Podniky využívající tradiční databáze si mohou dovolit věnovat velké množství místa na disku indexům. Databáze pro in-memory však vyžadují mnohem větší preciznost. „Pokud používáte úložiště in-memory jako databázi s vyhledáváním, musíte udělat indexování, abyste si zajistili dostatečný výkon,“ uvádí Lindquist. „Musíte to ale udělat poměrně precizně, protože paměť RAM je dražší a je jí omezené množství.“ Netrvalá podstata operační paměti představuje pro osvojitele technologie in-memory další problém. Pokud systém se-
lže, musí se data znovu načíst. To může být časově náročné. Houston a Atkins z USPS uvádějí, že ochrana dat je při použití in-memory databází jednou z největších současných výzev. Jejich firma v současné době dělá veškeré náročné zpracování právě pomocí technologie in-memory a relevantní výsledky se ukládají zpět do relační databáze. USPS také udržuje soubor kontrolního bodu transakcí udělaných pomocí in-memory, takže v případě výpadku lze data omezeně obnovit. „Máme určitou jistotu, že se naše nejdůležitější data chrání,“ uvádějí zástupci USPS. Úloha obnovy systému in-memory ze souboru kontrolního bodu však vyžaduje hodně úsilí. „Jak si asi dokážete představit, opětovné načtení 16 TB z tradičních paměťových médií může trvat poměrně dlouho,“ poznamenávají Houston a Atkins, a zmiňují tak velikost jejich datového úložiště in-memory. „Abychom tento problém vyřešili, zkoumáme v současné době možnost přidání karet s flash pamětí blíže ke zpracování v naději, že tak změníme čas načítání z hodin na pouhé minuty,“ dodávají Houston a Atkins. CO M P U T E RWO R L D.c z
BI-2013.indd 11
11 29.10.13 15:06
BUSINESS INTELLIGENCE | ANALYTIKA PRO IT
Prediktivní analytika pomáhá s „neřešitelnými“ problémy Problémy, které se zatím neprojevily a o kterých ani netušíte. I to mohou odhalit prediktivní systémy, které analyzují stav podnikového IT a pomocí vhodných výstupů pomáhají řešit potíže s výkonem či dostupností. MAR K JAF F E
J
eden z významných maloobchodních prodejců trpěl pravidelnými výpadky své aplikace pro zpracování dárkových karet, takže zaměstnanci v pokladně nemohli zákaznické karty zpracovávat hodinu i déle. Při každém nastalém výpadku trávili odborníci na aplikace, VMware, SQL Server, Windows Server a sítě hodiny zkoumáním velkého množství systémových protokolů a telefonováním s linkami technické podpory, ale bez úspěšného nalezení prvotní příčiny. Oddělení IT poté použilo prediktivní analytiku, aby pomocí ní prozkoumalo gigabajty dat z protokolů souvisejících se systémem aplikace a sítí. Zjistilo se, že chyby připojení k aplikaci, respektive k databázi, časově souvisely se špičkami v síti dvou ze tří hostitelů VMware. S takto získanou informací už dokázali IT pracovníci vystopovat prvotní příčinu – šlo o nesprávnou konfiguraci VLAN pro aplikační provoz a funkci VMware vMotion. Pokaždé, když funkce vMotion zahájila přesun virtuálního stroje, zahltila síť a zabránila aplikaci dárkových karet přistupovat do příslušné databáze.
Vyřešte neřešitelné Je to vynikající příklad, jak může prediktivní analytika pomoci se zdánlivě neřešitelnými problémy s výkonem aplikací. Její největší přínos pro IT segment však spočívá v tom, že jakmile se spustí, může dokonce odhalit a poskytnout informace potřebné pro řešení problémů s výkonem aplikací ještě předtím, než si jich někdo všimne. To je důležité pro klíčové podnikové programy, protože to může zabránit ztrátě obratu a zákazníků. Současné kompozitní webově založené aplikace zahrnují příliš mnoho závislostí včetně webu, aplikačních a databázových serverů běžících na virtualizačních hypervizorech, nemluvě o službách prevence podvodů, zastaralých aplikacích a veškeré
12
hardwarové a síťové infrastruktuře umožňující fungování služeb. V takto složitém IT prostředí může být vysledování prvotních příčin problému skutečně velmi náročné. Separovaná povaha IT odborností nepomůže, protože existuje jen málo lidí se zkušeností a celkovým pochopením systémových vztahů a řetězení událostí, kteří by byli schopni objevit anomálie naznačující problémy. Bohužel klíčové ukazatele výkonu (KPI) a prahové úrovně IT závisejí na ukazatelích, které je nutné vhodně zvolit, a navíc často vytvářejí příliš mnoho falešných poplachů a naopak nezachytí vyskytující se problémy. Týmy IT opravdu potřebují znát, jak všechny tyto systémové vztahy a řetězy událostí nosných aplikací a transakcí fungují normálně a jaké změny indikují pravděpodobný problém s výkonem. Řešení prediktivní analytiky pro oblast IT se zaměřují právě na tento cíl.
Jak to funguje? Prediktivní analytika používá různé metody včetně například strojového učení, modelování a dolování dat k předvídání událostí na základě aktuálních a historických údajů. V současné době se tato řešení využívají k mnoha účelům včetně předvídání chování zákazníků a odhalování podvodů. Pro výkon aplikací prediktivní analytika nasazuje strojové učení a analytické metody big dat. Slouží ke vstřebání a analýze obrovského množství dat ze systémů a infrastruktury, aby se daly popsat obvyklé vztahy komponent aplikace a řetězů událostí a poté zjišťovat odchylky, které předpovídají problémy s výkonem. Ideálně mohou vykonávat působivou analýzu buď z historických dat, nebo v reálném čase. Ve druhém uvedeném případě mohou skutečně předvídat a pomoci řešit problémy s výkonem dříve, než nastanou dopady na obchod či produktivitu.
Krása nejlepších řešení prediktivní analytiky spočívá v tom, že nevyžadují zdlouhavé a složité instalační a konfigurační procesy jako většina současných aplikací a nástrojů pro správu sítě. Nespoléhají na lidi ani při rozhodování, které ukazatele výkonu (KPI) a prahové úrovně se mají sledovat. Namísto toho používají vlastní složité algoritmy strojového učení, aby sama pochopila systémy a veškeré související vztahy a řetězy událostí. Poté pomocí dalších algoritmů předpovídají pravděpodobnost různých událostí a upozorní vás, když nastanou takové, které jsou vysoce nepravděpodobné. Na rozdíl od klíčových ukazatelů výkonu (KPI), které vás mohou tisíckrát upozornit na nějaké drobné anomálie v jednom systému, se prediktivní analytika zaměřuje na abnormality napříč různými systémy, jež typická upozornění na prahové úrovně často opomíjejí. Protože se neustále učí systémům více rozumět, mohou se tato řešení kontinuálně sama přizpůsobovat i legitimním změnám v IT prostředí. Typické současné nástroje pro správu vyžadují po uživatelích, aby takové změny dělali sami. Kromě předvídání a řešení problémů s výkonem je prediktivní analytika skvělá i pro poskytování přehledu o vztazích mezi systémy a problémy, o kterých jste nikdy netušili, že existují.
Cílem je zlepšení spokojenosti Nedávný průzkum společnosti Trac Research zjistil, že 60 % IT oddělení dosahuje méně než 50% úspěšnosti, pokud jde o prevenci problémů s výkonem, které mají dopad na koncové uživatele. Také ukázal, že každý měsíc padne v průměru 46,2 hodiny na řešení krizových scénářů. Mnoho z těchto oddělení přitom nasadilo správu výkonu aplikací a více dalších nástrojů pro správu. Doplnění o řešení pomocí prediktivní analytiky může zmíněný poměr úspěšnosti výrazně zvýšit a podstatně snížit nebo dokonce eliminovat krizové scénáře náročné na čas a zdroje. Tím se také zlepší spokojenost zákazníků a týmy IT budou muset trávit méně času řešením problémů s výkonem a budou moci věnovat více času strategickým iniciativám, které přinášejí podnikům hodnoty a zlepšují jejich postavení vůči konkurenci.
BU S I N E S S I N T E L L I G E N C E 2013
BI-2013.indd 12
29.10.13 15:06
Jak udělat ze zpětného zrcátka dalekohled Společnost Forrester Research označila SAP za lídra ve svém reportu Big Data Predictive Analytics Solutions. Společnost SAP tuto pozici získala zejména díky nasazení in-memory technologie SAP HANA, která svými možnostmi přesně odpovídá potřebám prediktivní analýzy, kde je rychlost získání informace tím nejdůležitějším.
J
estliže jsou řešení SAP v oblasti prediktivní analýzy tím nejlepším na trhu, představte si, co dokážou po spojení s technologiemi KXEN. Tato společnost specializující se právě na řešení pro „předpovídání budoucnosti“ se totiž nedávno stala součástí SAP. KXEN je výkonný prediktivní nástroj ideální pro inteligentní cross-sellové a up -sellové aktivity, optimalizaci nabídky, virální marketing, analýzy sociálních sítí a návrh produktů podle přání zákazníků – máme se tedy na co těšit. Kouzlo, kterým prediktivní řešení SAP vládnou, je schopnost z dat, která jsou všude kolem nás, získat informaci a vizualizovat ji. A to vše díky in-memory řešení SAP HANA v reálném čase, až 100 000× rychleji, než bylo doposud běžné. Výhoda tkví v tom, že místo toho, abyste reagovali na to, co se stalo, můžete jednat podle toho, co se stane. S trochou nadsázky můžeme říct, že z vašeho zpětného zrcátka se stane dalekohled. Studie Aberdeen Group také ukázala, že společnosti využívající prediktivní analýzu mají téměř dvakrát takový nárůst prodejů založených na marketingových kampaních než společnosti, které do budoucna nehledí. To už stojí za zamyšlení.
dotazy, aniž musí spoléhat na informace, které jim dodají specialisté na analýzu dat. A jaká data využívají dnešní organizace pro prediktivní analýzu? 54 % firem využívá data z prodejů, 67 % data z marketingu, 69 % data o zákaznících, 55 % informace o produktech a 51 % finanční data. Dalších 40 % firem využívá nebo plánuje využívat také data ze sociálních sítí. To je stručný recept na úspěch. Stačí vše jen nechat projít rychlým prediktivněanalytickým varem. Prediktivní analýza najde své uplatnění na řadě míst. Může zkoumat vztahy a korelace mezi daty, identifikovat cross-sell a up -sell příležitosti, analyzovat historické i nastupující trendy i náhlé změny ovlivňující byznys. Dokáže odhalit příčiny odchodu zákazníků, fluktuace zaměstnanců a faktory ovlivňující spokojenost zákazníků. Promítnutí těchto parametrů do budoucnosti pak ukáže, jak se současná data promítají do dalšího vývoje společnosti a jak korespondují s jejími cíli. Vedení tak je vždy o krok před realitou a má dostatek prostoru na důležitá rozhodnutí. Využití prediktivní analýzy je vhodné napříč všemi obory od telekomunikací, utilit či bankovnictví přes retail a výrobu až po veřejný sektor nebo zdravotnictví.
Reálná nasazení Společnost MKI například využívá prediktivní analýzu SAP založenou na in-memory platformě SAP HANA k vývoji léků na rakovinu na základě analýzy DNA. Nový systém minimalizuje prodlevy v testování a snižuje náklady. Je 408 000× rychlejší než na tradičních discích založený systém. Samotná analýza je 216× rychlejší. Na místo několika dní tak trvá jen 20 minut. A naděje pro nemocné rakovinou je několikanásobně blíže. Společnost Cisco zase využívá prediktivní analýzu s podporou SAP HANA pro realtimový vhled do údajů o prodejích a simulaci trendů v prodejích jednotlivých produktů do budoucnosti. Může tak dělat okamžitá rozhodnutí, a odstranit tím nedostatek v podobě chybějících údajů o současném stavu trhu a chování zákazníků. Dnes jí taková analýza trvá jen pět vteřin.
Chcete ji i vy? Prediktivní analýza nabízí výhody v těchto pěti oblastech: 1. Umí okamžitě předpovídat tržní trendy a potřeby zákazníků 2. Zvládne vytvářet nabídky na míru pro každý segment a prodejní kanál 3. Předpovídá, jak změny na trhu mohou ovlivnit vaše produktové plány 4. Předvídá změny v nabídce a poptávce napříč dodavatelským řetězcem 5. Umožňuje proaktivně řídit lidské zdroje díky získání a udržení talentů Ze společností, které využívají prediktivní analýzu, jich 68 % považuje toto řešení za výraznou konkurenční výhodu. Pokud si i vy myslíte, že potřebujete být o krok napřed, vědět, s čím v byznyse počítat v budoucnu, a že je tedy prediktivní analýza to, co by vám mohlo pomoci, můžete si stáhnout trial verzi SAP Predictive Analytics na webu store.sap.com. Více informací se dozvíte na webové adrese: www.saphana.com/community/learn/ solutions/predictive-analysis.
Prediktivní analýza v praxi Prediktivní analýza přináší množství benefitů. Přibližně 52 % firem využívá prediktivní analýzu ke zvýšení profitability a 55 % k nalezení nových zdrojů příjmů. Jako nástroj pro zvýšení spokojenosti ji využívá 45 % firem. U 43 % firem jde také o nástroj, který pomáhá vytvořit na míru šitou nabídku zákazníkům a oslovit ty správné zákazníky ve správnou chvíli. Důležitá je kromě analýzy i samotná vizualizace. Umožňuje totiž porozumět výstupům všem pracovníkům napříč společností, aniž musí být experty na statistiku. Díky jednoduchému grafickému rozhraní, jaké nabízí SAP Predictive Analytics, mohou i lidé z byznysu zadávat prediktivní CO M P U T E RWO R L D.c z
BI-2013.indd 13
13 29.10.13 15:06
Business analytics: Od papíru k high performance analytics P E T R K L ÁŠT E R EC K Ý
D
o oblasti business analytics spadá a vždy spadalo jednoduše téměř vše, co lze nějakým způsobem měřit a vyhodnocovat. Zkusme několik příkladů, ze kterých bude ilustrace jasnější. Jste například obchodní firma a sledujete prodeje svých produktů či služeb. Zajímá vás, kolik se prodá celkově od jednotlivých artiklů, ale také vás zajímá, který obchodník (či pobočka) prodala dané produkty a služby a v jakém objemu. Nebo můžete být společnost, která zasílá svým zákazníkům reklamní materiály. Poté musíte sledovat, kdo a kde zareaguje. Nebo se snažíte vybírat z více variant a optimalizovat náklady, ziskovost či vytížení kapacit. A to jsou jen některé z mnoha příkladů. Pokud někdo z vás namítne, že mnoho z uvedeného lze označit jako „business intelligenci“, oblast, pro kterou se již vžila zkratka BI, pak nejste tak daleko od pravdy. V zásadě tedy ano, linie mezi BI a BA může být velice tenká a nejasná, byť termín BI je vyhrazen spíše pro oblast reportingu a věcí souvisejících. Řada společností však do reportingu řadí například i vizualizaci dat, kterou jinde už považují za součást business analytics. Když se na celou problematiku podíváme pod drobnohledem, pak business analytics není v zásadě nic nového – obchodníci si vedli evidenci o prodaném zboží, aby pak mohli na základě těchto dat doobjednávat a dokupovat zásoby odjakživa. Dalšími příklady s dlouhou historií a tradicí mohou být řízení kreditního rizika v bankovnictví (analýza dat klientů, kteří neplní své závazky) nebo přímý marketing se snahou nabídnout zákazníkovi podle jeho profilu (opět klientská data) co nejvýhodnější produkt. Všechny zmíněné analýzy dodnes tvoří základní pilíře BA ve všech typech společností – řízení rizik zejména v bankách a pojišťovnách, přímý marketing téměř všude a forecasting, tedy predikce budoucího vývoje, pak hlavně ve společnostech výrobních a obchodních. Samotná analýza zůstává v principu stále stejná. Co se ale mění, jsou podmínky, ve kterých se analýza provádí. A vše nasvědčuje tomu, že se budou tyto podmínky měnit i nadále.
14
Role IT je pro úspěšné nasazení business analytics v jakékoli firmě naprosto klíčová – IT pracovníci zajišťují infrastrukturu, instalaci, ve spolupráci s dodavatelem obvykle i správu a podporu systému. V rámci IT by se tudíž mělo udržovat i základní povědomí o funkcích a určení daného systému. Přesto se často setkáváme se situací zcela opačnou. A to takovou, že pro IT je analytický software jen další z řady nástrojů, o které se musí starat. Toto „tradiční“ uspořádání – na jedné straně konzumenti (marketing, planning, sales, controlling, risk a další) a na druhé straně IT jako „pouhý“ poskytovatel bez dalšího výraznějšího zapojení a vlivu na chod systému – však nemusí být nutně nejefektivnější. V momentě, kdy se objeví první problémy, začnou se objevovat také snahy nastavený systém a standardní nástroje nějakým způsobem obejít. Nesystémová řešení znamenají především zvýšení rizik a nákladů – duplikování práce, nejednotná vstupní data, neefektivitu a v konečném důsledku frustraci většiny zúčastněných.
Bussiness analytics, HPA a vizualizace dat Zdánlivě nejjednodušší úlohou je vizualizace dat. Díky nim mohou využívat benefity business analytics nejen IT pracovníci a analytici, ale i byznysově orientovaní uživatelé. V praxi to znamená, že není nutné, aby se pracovníci do hloubky orientovali v problematice analytického zpracování. Naopak mohou uplatnit svou odbornost v jejich vlastních oborech jako marketing, finance zásobování apod. Tak, že budou schopni formulovat a zadávat dotazy, které přinesou srozumitelné a okamžitě použitelné odpovědi relevantní pro jejich byznys. Díky vizualizaci mohou tito pracovníci snadno sledovat a predikovat trendy, rozeznávat závislosti a nepravidelnosti, odhalovat vzorce chování zákazníků, konkurentů, produktů, případně včas zjistit, že některý proces nefunguje dobře. Vizuální forma sdělení je přitom velmi důležitá, umožňuje snadno pracovat s informacemi vyprodukovanými pomocí tradičních ana-
lytických metod, jež v „surovém“ stavu nevypadají pro běžné uživatele příliš přátelsky nebo jsou dokonce „nečitelné“. Tím, že je současně možné pracovat se všemi daty společnosti, se navíc otevírá mnoho dalších možností, ať už prostřednictvím nových pohledů nebo přesnějších a detailnějších výstupních informací, vedoucích ke kvalitnějšímu rozhodování. Kombinace účinné vizualizace a pokročilých analytických metod, navázaná na odbornost v daném oboru byznysu, se ukazuje jako velmi efektivní cesta ke skutečnému zlepšování chodu firmy a vytváření nových iniciativ. Je to jako vytěžení zlaté informační žíly z masivu datové horniny. Motivuje přemýšlet o realitě a příležitostech novým způsobem. A je to nejpřirozenější cesta, jak uživatelům představit potenciál informačního bohatství ukrytého v datech. Vizualizovat lze libovolná data – každé oddělení bude mít vlastní požadavky na to, co se má analyzovat a jak. Vizualizace dat formou grafů a případně tabulek je pro člověka přirozenou formou analýzy, ne nadarmo se říká, že jeden obrázek často vydá za několik stran textu nebo čísel. Přesto měla tato oblast historicky v rámci business analytics spíše menší, podpůrnou roli, protože potřeby uživatelů narážely na technické možnosti. Na rozdíl od reportingu nebo OLAP kostek musí být vizualizace dynamická, téměř nic nelze předpočítávat a uživatel musí mít naprostou volnost v tom, co a jak chce analyzovat. Posledním trendem ve vizualizaci dat jsou proto tzv. in-memory nástroje, které dokáží požadovanou analýzu provádět bez předpočítávání rovnou v paměti (a tedy rychle), a to i nad daty o velikosti v řádu stovek GB nebo několika TB. Uživatelům nabízejí komfortní GUI a snadnou orientaci v analyzovaných datech, a přitom je požadovaná doba odezvy u takových systémů v řádu několika sekund. Na první pohled vidíte zřejmé přínosy – pro IT je to hlavně úleva od nekonečných požadavků na přípravu dat a reportů všeho druhu, a tedy více času na řešení „skutečných“ IT záležitostí, pro byznys uživatele je to naprostá volnost a plná kontrola při práci s daty a s tím spojená zodpovědnost za finální podobu analýzy. Vizualizace nám umožní vidět základní trendy a souvislosti nebo rozdíly napří-
BU S I N E S S I N T E L L I G E N C E 2013
BI-2013.indd 14
29.10.13 15:26
Ukázka vizualizace dat v nástroji SAS Visual Analytics.
klad mezi jednotlivými skupinami klientů, smluv a podobně. Tato úroveň detailu je typicky dostačující pro základní manažerský přehled, ale moderní business analytics nástroje mohou nabídnout mnohem více – již poměrně standardně se dnes řeší například segmentační úlohy. Segmentovat lze cokoliv – klienty, smlouvy, produkty, pohledávky, materiály, hovory, pojistné události… Opravdu téměř cokoli. Můžeme tedy pro to zavést pojem univerzální – „entita“. Cílem segmentace je totiž najít mezi všemi entitami takové, které mají něco společného, a ty potom přiřadit do stejné skupiny (segmentu). Pro jednotlivé segmenty pak společnost může definovat strategii, nabídky atd. Zatímco dříve se role IT často omezovala jen na implementaci segmentace do IT systémů, dnes funguje IT daleko častěji jako poskytovatel nástrojů, které všem zainteresovaným oddělením umožní vlastní definice a kombinace segmentů. Výsledkem je snížení zátěže pro IT, a přitom vyšší spokojenost koncových uživatelů – pomocí stejného nástroje může například marketingové oddělení segmentovat klienty podle jejich chování nebo zvyklostí a hned vedle může controlling segmentovat smlouvy podle zcela jiných kritérií.
Věrnostní kartičky a předpověď budoucího chování Máte věrnostní kartu v supermarketu? Pak vězte, že o vás obchodník ví mnohem více, než si možná myslíte – podle vašeho segmentu zná vaše běžné nákupy, ví, kolik průměrně utrácíte, ví, že asi máte morče nebo papouška (kupujete krmivo), a například vidí, že oproti jiným podobným zákazníkům neutrácíte téměř nic za alkohol nebo sýry. V okamžiku, kdy vám bude chtít něco nabídnout tak, aby to vypadalo, že nabídka je určená právě a jenom pro vás, má díky analýze vašeho nákupního chování obrovskou výhodu – může lákat na to, co kupujete nejčastěji, testovat, jaká cena je pro vás ještě zajímavá atd. S pomocí business analytics lze také zařídit to, aby obchodník mohl do budoucna předvídat vaše nákupní chování. S moderními analytickými nástroji to není nic složitého. Výrobní firmy dnes naprosto běžně využívají statistický forecasting jako základ pro plánování výroby, finanční a telekomunikační společnosti
zase ve velkém využívají tzv. prediktivní modely pro odhad budoucího chování jednotlivých klientů.
Prediktivní modelování Počátky prediktivních modelů se datují hluboko do minulého století a k jejich prvním aplikacím patřil aplikační skóring žadatelů o bankovní úvěry – banky potřebovaly posoudit rizikovost klientů a odhadnout, kdo úvěr splatí. Časem se využití modelů masově rozšířilo. Dnes je tak můžeme kromě kreditního skóringu potkat i při výpočtu skóre pro collections (jak bude klient reagovat na zvolenou strategii), marketingové aktivity (jak bude klient reagovat na oslovení konkrétní nabídkou), uplatňují se dokonce i v pojišťovnictví nebo ve státní správě a samosprávě, například při vyhledávání podvodů, podezřelých operací a podobně. Princip prediktivního modelování se od prvopočátku nijak nezměnil – je třeba mít skupinu záznamů, kde znáte modelované chování. Statistické algoritmy potom dokáží najít v datech skupiny záznamů, které mají stejné nebo podobné vzorce tohoto chování, a popsat je pomocí dalších charakteristik, tzv. prediktorů. Princip modelování je tedy stále stejný. Co se však výrazně změnilo, jsou metody, které se pro modelování používají. Rychlý rozvoj výpočetní techniky umožnil masové nasazení výpočetně náročných algoritmů, jako jsou rozhodovací stromy a lesy, neuronové sítě a další. Jedná se vesměs o metody, které jsou teoreticky známé a algoritmizované již několik desítek let. Problémem ale byla jejich vysoká výpočetní náročnost. V dnešní době, kdy je výkonný hardware v podstatě komoditní záležitost, je trendem budování analytických center (někdy se používá i termín analytical factory) podporujících masivní paralelizaci výpočtů a nasazování výkonných nástrojů, které tuto výpočetní
sílu umějí využít. Z hlediska koncových uživatelů je přitom nejzásadnější, aby se o technické záležitosti postaral sám analytický software – běžný analytik nechce řešit například load balancing nebo škálovatelnost analytického serveru, ale chce, aby systém počítal rychle a správně, a to i nad velkými daty. Velcí dodavatelé analytických řešení o této poptávce samozřejmě vědí a nabízejí systémy pojmenované obvykle High Performance Analytics, High Performance Data Mining a podobně. Tyto systémy jsou u nás stále ještě poměrně nové, nicméně zkušenosti ze zahraničí ukazují, že se vyplatí – nasazením těchto nástrojů dochází k výrazným časovým úsporám. Snížit dobu výpočtu můžete i z několika desítek hodin na pouhé minuty.
Co dál? Do oblasti business analytics patří samozřejmě další celá řada témat – především analýza nestrukturovaných, zejména textových dat, predikce poptávky (demand forecasting) a výběr nejlepší dostupné varianty (optimalizace). Penetrace analytických nástrojů téměř do všech oddělení všech typů podniků je už dnes téměř každodenní realitou. Nástroje pro business analytics se dnes využívají pro řešení širokého spektra analytických úloh od vizualizace dat až po komplexní predikční a optimalizační problémy. Zároveň umožnila business analytics otevřít svět analýz a dat širší skupině uživatelů. A vše probíhá při postupném přechodu na technologie umožňující efektivní zpracování velkých datových objemů. Nepochybně bude velmi zajímavé sledovat, jakým směrem se vývoj bude ubírat dále – zda to budou cloudové služby, specializované výpočetní farmy nebo něco zcela jiného. Autor je konzultant SAS Institute ČR CO M P U T E RWO R L D.c z
BI-2013.indd 15
15 29.10.13 15:26
BUSINESS INTELLIGENCE | SOCIÁLNÍ SÍTĚ
Sociální marketing se bez analytiky neobejde Rychlá reakce na základě správných údajů pomáhá firmám získat více zákazníků nebo si udržet existující.
V současné době GE využívá interně vytvořený analytický a vizualizační software, který přes rozhraní API bezprostředně získává údaje ze všech sociálních médií včetně Google Analytics, Facebooku a Twitteru. Manažeři mohou v reálném čase využívat přizpůsobitelné informační panely, které názorně ukazují výkon na denní bázi. Marcum tvrdí, že je tento model mnohem vhodnější pro určování nejlepších platforem sociálních médií pro určité zákaznické segmenty. Jeho konečným cílem je mít jasný přehled o nákladech na jednotlivé případy použití.
Sociální marketing – počátky
S ANDR A GI T T L E N OV Á
Nadnárodní gigant General Electric (GE) si stále udržuje přehled nad desítkami oblastí sociálního marketingu svých divizí a poddivizí, a to především díky pokročilému použití analytiky. Paul Marcum, ředitel globálního digitálního marketingu v GE, pozorně sleduje vzestup a pád nových platforem a posuzuje jejich účinnost. Stejně tak je ale ochoten změnit oblast působení, pokud dostatečně nepřitahuje požadované publikum. Například tato firma přestala využívat Foursquare, když si uvědomila, že platforma neodpovídá jejím potřebám marketingu. GE zjistilo, že vývoj, umístění obsahu a správa každé reakce na jednotlivá publika v sociálních sítích, jako jsou Facebook, Twitter, LinkedIn, YouTube, Pinterest, Google+ a další, ohledně její značky, divizí či poddivizí příliš zatěžují interní zdroje. Přesun vývoje obsahu na jiný subjekt jí umožnil vyvíjet společnou strategii pro sociální sítě, která se hodí pro jednotlivé platformy. Marcum považuje Facebook za „nejpoužitelnější pro GE“, protože má nejvíce obsahu a nejrychlejší odezvy. YouTube
16
zase umožňuje vychvalovat technologie a jejich vliv na výrobu společnosti GE pomocí poutavých videozáběrů. Tyto kanály společně „přibližují lidem firmu mnohem výrazněji, než tomu bylo dříve,“ tvrdí Marcum.
Outsourcing obsahu Při výběru reklamních agentur se přihlíží k jejich odborným zkušenostem s konkrétními typy sociálních médií. Například obsah na Instagramu má na starosti agentura velmi schopná v oblasti vizuální prezentace a videí. Další agentura, která je známá svým umem vytvářet mikroobsah, dodává své služby pro Facebook a Twitter. Marcum uznává, že taková „rozsáhlá kombinace způsobuje další nároky“ z hlediska komplexního řízení, ale výsledek považuje za dobře vynaložený čas. Marcum dále zdokonaluje sociální marketing většinou prostřednictvím pokročilých analytických nástrojů. V počátcích dostával každý týden zprávu ve formátu PDF se základními statistikami pro „lajky“, fanoušky apod. To ale prý nebylo dostačující, protože se to nepřizůsobilo jednotlivým případům použití ani reálnému času a neodráželo to obrovské příležitosti skryté v sociálních médiích.
Mark Fidelman, autor knihy o využití sociálních sítí v nejvýznamnějších firmách (Socialized!: How the Most Powerful Businesses Harness the Power of Social), byl podle svých slov svědkem mnoha omylů v oblasti sociálního marketingu, které většinou způsobily nástavby k tradičním marketingovým strategiím. Marketing uvízne na vedení, popisuje, namísto toho, aby se hledala skutečná hodnota sociálních médií. „Sociální marketing se méně týká převodů kliknutí na počet uzavřených smluv a naopak více se orientuje na vytváření vztahů. Nakonec je to důvěra, co vede lidi ke koupi, a to je správná cesta, jak zpeněžit sociální marketing,“ radí Fidelman, ačkoli neexistují žádná striktní čísla, která by takové tvrzení dokazovala. Podniky však musí nejprve překonat vnitřní překážky, jako je tendence k hromadění informací a udržování separace. Sociální marketing potřebuje získat maximální hodnotu z názorů a analýz, využívat spolupráci všech oddělení. Pro dosažení nejvyšší zralosti sociálního marketingu by se mělo do strategie zapojit také oddělení IT, a to v současné době není úplně běžná podniková praxe. Marketingové týmy řeší své IT potřeby buď samy, nebo využívají externí zdroje. Avšak především IT oddělení musí být součástí týmu, protože data získaná z platforem sociálních médií se musí uložit do back-endových systémů pro pozdější analýzy, jejichž výsledky se mohou distribuovat v rámci celé společnosti pro podporu informovaných rozhodnutí. Uchovávání těchto dat nedostupným způsobem sabotuje samotný účel a snižuje jejich přínos, uvádí Fidelman. Prostřednictvím včasné spolupráce s oddělením IT podle něj společnosti mohou získat svatý grál sociálního marketingu – poskytovat zákazníkům správná sdělení ve správný čas na správné platformě a ve správném kontextu.
BU S I N E S S I N T E L L I G E N C E 2013
BI-2013.indd 16
29.10.13 15:06
SOCIÁLNÍ SÍTĚ | BUSINESS INTELLIGENCE
Změna obsahu na základě dat Publishers Clearing House (PCH) považuje sociální marketing za stejně důležitý jako televizní reklamu, on-line reklamu, události či přímý marketing. Své publikum získává přes Facebook, Twitter, Pinterest, YouTube, Google+ a další populární platformy. Tato firma na svých četných stránkách Facebooku už získala více než 1 milion fanoušků. „Technologie musí strategicky zachycovat stále více dat a ukládat je do našeho datového skladu, abychom mohli lépe identifikovat zákaznické segmenty a zajistit zákazníkům lepší zkušenosti spojené s jejich angažovaností ve všech oblastech našich produktů a programů,“ říká Deborah Hollandová, výkonná viceprezidentka společnosti Publishers Clearing House. „Naším cílem je mít velké, vysoce angažované publikum,“ tvrdí Hollandová. Ona i její tým posuzují úspěšnost sociálního marketingu pomocí analytického softwaru Salesforce Marketing Cloud (dříve Buddy Media) od společnosti Salesforce.com. Uživatelé mohou pomocí něj analyzovat komentáře, tweety a další typy příspěvků na základě předem definovaných filtrů a značek společně s populárními metrikami, jako jsou lajky nebo fanoušci Facebooku či „followeři“ Twitteru.
Ačkoliv reportovací nástroje pro sociální média, které PCH provozuje, v současné době nemají rozhraní pro ostatní podnikové systémy, pokud se uživatel sociální platformy zaregistruje nebo rozhodne pro e-mailový program PCH, zaznamená se, že pochází z dotyčného sociálního kanálu. PCH zaměřuje obsah a reaguje na požadavky zákazníků podle výsledných dat. Analytika nedávno ukázala, že spotřebitelé mají zájem o podrobné profily vítězů stejně jako o krátká videa se zaměstnanci ze zákulisí, takže firma tento typ obsahu rozšířila. Všechny výdaje rozpočtu na sociální média se ručně integrují s celopodnikovým systémem řízení rozpočtu, který poskytuje komplexní pohled na celkové výkazy rozpočtu společnosti. Analýzy zapojení v sociálních médiích se shromažďují pomocí softwaru specifického pro dané kanály, jako jsou Facebook Insights, Salesforce.com nebo WordPress. Manažeři dostávají týdenní komplexní zprávu o úrovni angažovanosti a ředitelé zase ručně připravovanou měsíční zprávu, která zahrnuje objemy sociálních médií s úrovněmi angažovanosti. Hollandová připisuje rozšířený pohled na sociální média podnikové struktuře. Jako šéfka propagace pro všechny oblasti
mohla bez problému zapojit sociální marketing do každého aspektu činnosti firmy. „Máme v našem týmu sociálních médií čtyři lidi, kteří jsou propojeni s dalšími klíčovými osobami v celé organizaci včetně designérů a autorů a vytvářejí obsah pro všechny kanály,“ popisuje Hollandová. PCH podle ní vytvořila dynamickou síť zaměstnanců, kteří vypomáhají a znají sociální média jako součást své práce. Tato týmová spolupráce se často přezkušuje. Angažovanost fanoušků na Facebooku „mluví o tom“ dosahuje hodnoty průměrně 10 až 15 %, ale může dojít i k 80 % těsně před oznámeními velkých výher. Tyto události se přitom však musejí koordinovat ve všech marketingových kanálech, aby mohla sociální média reagovat v reálném čase.
Rozděl a panuj Spontánní potřeba lidské interakce je jedním z nejtvrdších ponaučení, která sociální média společnostem přinášejí. Před čtyřmi lety, kdy hotelová společnost Best Western International zahájila své aktivity na Facebooku, pobízela provozovatele všech svých 2 200 nemovitostí, aby si také vytvořili účet na Facebooku. Firma však záhy zjistila, že ne všichni manažeři mají čas nebo jsou dostatečně
CO M P U T E RWO R L D.c z
BI-2013.indd 17
17 29.10.13 15:06
BUSINESS INTELLIGENCE | SOCIÁLNÍ SÍTĚ
schopní v oblasti vztahů s veřejností, aby zvládli nuance sociálních médií, jako je reakce na rozzlobený příspěvek zákazníka. „Pokud se stránka nespravuje, může se potenciálně dobrá zkušenost změnit na špatnou, která může poškodit značku,“ varuje Michael Morton, viceprezident služeb v Best Western. Firma naslouchá sociálním médiím pomocí softwaru Medallia pro zákaznické zkušenosti. Ten analyzuje text příspěvků, které se týkají značky obecně a konkrétních zkušeností s hotelem. Best Western využívá toto zpravodajství shromážděné prostřednictvím informačních panelů a přizpůsobených reportů k pochopení svých úspěchů a nedostatků a totéž dělá i u svých konkurentů. „Monitoring sociálních médií je pro nás skvělý způsob, jak pochopit, co má na hosty pozitivní vliv a čeho se nejvíce obávají u našich hotelů,“ vysvětluje Morton. „Tyto informace nám kromě vyžádané zpětné vazby pomáhají rozvíjet naši značku.“ Původně jsme nasadili produkt Medallia „bez spoléhání se na IT,“ vysvětluje Morton. „Později jsme je ale už chtěli při zavádění v dalších nemovitostech zapojit.“ Tým IT také pracoval na integraci dat z dalších systémů. Pomohl například obchodnímu oddělení integrovat informace o kupním chování, jako je původ
zákaznické rezervace – přímo přes hotel, cestovní kancelář, web dalšího subjektu atd. Taková informace pomůže zodpovědět otázky, jako zda mají úspěšnější hotely více rezervací. Best Western silně věří výsledkům, které poskytuje sociální marketing, že zvýšily váhu přisuzovanou této zpětné vazbě oproti průzkumům, které rovněž dělá firma Medallia, a dalším typům shromažďování údajů. Morton se domnívá, že vliv sociálních médií bude jen sílit. „Nemáme v úmyslu omezit financování jiných marketingových aktivit, ale do této oblasti investujeme více,“ prohlašuje Morton. Ačkoli Best Western nyní ponechává rozhodnutí o tom, zda využívat sociální média, na jednotlivých majitelích, téměř všechny hotely se zapojily do sociálních médií přes software Medallia. Ten posílá upozornění personálu konkrétního hotelu, pokud komentář, tweet nebo jiný příspěvek vyžaduje okamžitou pozornost. Pokud si zákazník stěžuje na Facebooku na nedostatek ručníků u hotelového bazénu, je manažer nemovitosti upozorněn, takže může rychle doplnit zásoby. Provozovatelé hotelů mají také přístup ke statistikám a přehledu, pokud jde o jejich výsledky ve srovnání s místní konkurencí. „Zpočátku provozovatelé hotelů nechápali závažnost ani hodnotu okamžité kontroly
Sociální marketing a IT Průkopníci sociálního marketingu vědí, že cesta k úspěchu vede přes IT, a proto si zvou na své strategické porady ředitele IT a další vedoucí pracovníky IT. Pam Wickhamová, viceprezidentka podnikových záležitostí a komunikace ve firmě Raytheon, a Deborah Hollandová, výkonná viceprezidentka společnosti Publishers Clearing House (PCH), popisují svůj pohled na základě vlastní zkušenosti se zapojením IT do aktivit sociálního marketingu. „Náš tým pro digitální a sociální média spolupracuje s IT oddělením, které spravuje analytický software pro webové trendy, takže s nimi úzce kooperujeme při sledování aktivit na našich webových stránkách. Také nám pomáhá prověřovat externí dodavatele analytických technologií,“ říká Wickhamová. Podle ní oddělení IT vždy považovali za svého nejsilnějšího partnera, neboť jim zajišťuje komunikační funkce, ať už prostřednictvím hardwaru, softwaru nebo sociálních platforem. „V PCH jsme úspěšně implementovali agilní vývojové prostředí, protože jsme potřebovali řešit potřeby a strategie on-line marketingu rychleji a častěji. Zavádíme také stále více webových služeb a rozhraní API, které jsou provázané
18
s různými platformami angažovanosti našich uživatelů (Okamžitá výhra, Cestovní kampaně atd.), takže je stále snadnější přidávat nové kanály do našich strategií marketingu a získávání zákazníků,“ tvrdí Hollandová. Technologie analytiky sociálního marketingu podle ní musí zachycovat stále více dat a ukládat je do datového skladu, aby bylo možné lépe identifikovat zákaznické segmenty a zajistit klientům lepší zkušenosti spojené s jejich angažovaností ve všech oblastech produktů a programů. Firmy by měly opustit zažité zvyklosti a zkusit něco nového – může to být pro značku obohacující a osvěžující, ale jak poukazuje Hollandová, zajistěte, aby to byl technologický tým schopen skutečně podporovat, nebo alespoň domluvte, aby byl součástí prověřovacího procesu, zejména pokud je to opravdu něco nového a odvážného. „Spolupracujte od začátku a často. Aby marketing využívající sociální média opravdu uspěl, musí vám IT pomoci formovat a inspirovat vaši strategii. Jsou to experti na nástroje a vy byste měli být experty na jejich nasazení. Tato kombinace vytváří silné spojenectví,“ dodává Wickhamová.
a reakce,“ uvádí Morton a dodává, že metriky sociálních médií jim poskytly potřebnou perspektivu.
Potřebná zlepšení K úplnému uskutečnění vize Marcuma z GE je podle něj třeba rozšířit platformy sociálních médií o atribuci, aby mohly firmy vysledovat obsah zpět až k jednotlivcům prostřednictvím re -tweetů a sdílení. „Jakmile budeme mít celkový obrázek, můžeme lépe pochopit, kde se musí přepočítat ceny nebo náklady na získání zákazníka,“ tvrdí Marcum. Morton z Best Western zase tvrdí, že lepší atribuce pomůže zpeněžit sociální marketingové úsilí tím, že odhalí původ prodeje – například vlivný blogger sdílející zprávu o hotelové slevě, což zákazníkům zkrátí pátrání po jejich službě. Je dobré vědět, „kdy a kde zákazník nakupuje,“ uvádí Morton. Jedním z hlavních omezení této vize je nutnost zajistit příslušné provozní údaje, vysvětluje Morton. „IT zde hraje klíčovou roli, protože analytický systém Medallia shromažďuje velké množství dat zpětné vazby od zákazníků a čím více ji dokážeme propojit s provozními metrikami, tím větší potenciál existuje pro pochopení a koncentraci na akci s potřebným vlivem,“ dodává Morton. Podle něj s rostoucí integrovaností systémů půjde lépe automatizovat některé procesy, což umožní zaměřit se na získávání hodnoty z daných informací. Konečným cílem je, aby tento proces nastal co nejdříve. PCH plánuje využít atribuci nejen k vyhodnocení návratnosti investic do reklamy, ale také k identifikování vlivných osob v prostoru sociálních médií a stejně tak nejaktivnějších členů publika. Tato firma ale následuje i mobilní trend. „Třetina našeho publika jsou mobilní uživatelé a tento počet rychle roste,“ uvádí Hollandová. „Aplikace Facebooku však nejsou zcela kompatibilní s mobilními zařízeními a my jsme závislí na jejich vývojářích, zda to opraví.“ Morton ze společnosti Best Western mezitím zkoumá způsoby, jak integrovat analytiku sociálních médií do systému správy firemních nemovitostí. Jeho nadějí je, že jednoho dne bude stačit tweet klienta, že by si přál mít pokoj v prvním patře, a tato informace se zaznamená jako preference v jeho zákaznickém profilu. Wickhamová, Hollandová, Morton a Marcum jsou v souvislosti s budoucností sociálního marketingu všichni optimističtí a jsou si jistí, že se jejich značkám vyplatí. „Je tu spousta práce, kterou je potřebné udělat. Není to však spojené s frustrací, ale se vzrušením a očekáváním,“ popisuje Marcum.
BU S I N E S S I N T E L L I G E N C E 2013
BI-2013.indd 18
29.10.13 15:06
Inteligentní pracoviště nejenom pro business intelligence Business intelligence nejsou jenom programy a procesy, které dokáží v obrovském množství dat vyhledat relevantní informace a sestavit je ve smysluplný výsledek, ale také počítače a infrastruktura, kterou aplikace využívají. Výběr počítače přitom nebývá jednoduchou záležitostí. Nákup, správa, údržba a obnova počítačového parku navíc vyžaduje nemalé počáteční i provozní náklady. Ideální řešení, počítače, jejichž výkon poroste s potřebami uživatelů a jejichž aplikace budou neustále aktuální, však existuje. Inteligentní pracoviště Inteligentní pracoviště tvoří několik služeb, které lze využívat samostatně, kombinovat vzájemně i s dalšími IT službami od O2. Jednoduše, rychle, na míru požadavkům a bez neočekávaných skrytých nákladů umožňuje realizovat komplexní řešení celého firemního IT. Redukuje počáteční investice do nákupu počítačů a umožňuje plánovat celkové náklady na provoz IT. O2 Virtuální Desktop O2 Virtuální Desktop představuje perspektivní cestu, jak doručit funkcionalitu počítače kamkoli, kdykoli a na libovolný počítač, tablet nebo i chytrý telefon. Výpočetní a komunikační činnosti virtuálního počítače jsou vykonávány v datových centrech O2. Zde jsou provozovány i aplikace a uložena data. Uživatelé se přihlašují na dálku z počítače, z notebooku, z chytrého telefonu či tabletu odkudkoli, kde je internetové připojení. Z uživatelského hlediska získávají stejné pracovní prostředí, jako kdyby pracovali na skutečném počítači. Výkon virtuálního počítače nezávisí na uživatelském zařízení a může růst s potřebami uživatele. Data, s nimiž aplikace pracují, i v případě zničení či ztráty uživatelského zařízení zůstanou nedotčena. Úhradu tvoří měsíční poplatek, jehož výše se odvíjí od rozsahu poskytovaných služeb. V ceně služby může být i použití antiviru nebo balíku kancelářských aplikací. O2 poskytuje jako součást služby také hardware, přičemž platby za službu se fakturují jako celek. O2 Desktop Za výhodný poplatek či za jednorázové ceny je formou služby k dispozici rovněž optimálně vybraná kombinace notebooků a tabletů ve třech výkonnostních třídách:
nižší, střední a vysoké, které pokryjí naprostou většinu obvyklých potřeb uživatelů. V ceně je již zahrnuto rozsáhlé příslušenství, např. 3G modem, mobilní internet, rozšířená záruka na tři roky, servis do druhého dne na místě včetně náhradních dílů, cesty a práce technika a v případě operativního leasingu i pojištění. Součástí nabídky jsou i tzv. tenké klienty, cenově nenáročné kancelářské počítače optimalizované pro využití služby O2 Virtuální Desktop. O2 Business Mail O2 Business Mail poskytuje profesionální řešení elektronické pošty postavené na platformě Microsoft Exchange. Zahrnuje využití sdíleného kalendáře, adresáře a veřejných složek pro ukládání sdílených souborů. Volitelnou součástí je provoz a správa zákaznické domény. Pošta, kontakty i kalendář jsou přístupné ze standardních poštovních klientů, přes webové rozhraní, ale také prostřednictvím chytrých telefonů a tabletů. O2 Web Security Gateway O2 Web Security Gateway posunuje kontrolu bezpečnosti do datových center O2. V okamžiku, kdy se uživatel připojí k jakékoli veřejné síti, ať už z pracoviště, z domova nebo odkudkoli ze světa, je veškerá jeho komunikace do internetu bezpečně směrována přes datová centra O2, kde se spolehlivě filtruje. Uživateli jsou doručována pouze bezpečná data odpovídající pravidlům, která určuje zákazník. Změny nastavení se projeví okamžitě pro všechny vybrané uživatele bez ohledu na
místo, kde se nacházejí, a zařízení, které používají. O2 Mobile Device Management Služba O2 Mobile Device Management slouží pro spolehlivou správu a zabezpečení mobilních zařízení připojených do podnikové sítě. Umožňuje spravovat velké množství mobilních zařízení, především chytrých telefonů a tabletů, používaných zaměstnanci, ať se nacházejí kdekoli.
IT služby od O2 O2 je dlouholetým poskytovatelem telekomunikačních i IT a cloud computingových služeb. V současné době disponuje třemi velkými datovými centry o celkové ploše větší než 7 300 m2, která jako první a dosud jediná v České republice obdržela certifikaci Tier III. Jsou založena na
kvalitních a robustních mezinárodních standardech, využívají špičkové technologie, jsou bezpečná a plně vyhovují požadavkům české i evropské legislativy. O2 je prvním držitelem certifikace VMware vCloud Powered v zemích tzv. bývalé východní Evropy a Gold Partnerem společností Microsoft a Cisco Systems. Nechybí certifikace ISO 20000-1:2011, zaručující kvalitu řešení požadovanou zákazníkem, nebo certifikace řízení bezpečnosti ISO 27000, která zajišťuje, že data a aplikace zákazníků budou vždy v bezpečí. Projekty jsou realizovány v souladu s ITIL. Produkty O2 Virtuální Desktop, O2 Web Security Gateway a O2 Mobile Device Management získaly v létech 2012 a 2013 prestižní ocenění IT Produkt roku. Více o ICT pro podniky na www.o2.cz/ corporate/ict a pro veřejnou správu na www.o2.cz/pa/ict. CO M P U T E RWO R L D.c z
BI-2013.indd 19
19 29.10.13 15:06
BUSINESS INTELLIGENCE | IMPLEMENTACE
Samoobslužné BI lépe zpřístupní analytiku Řada společností má se samoobslužnými systémy BI podobné zkušenosti jako s počátky agilního vývoje – neuvědomuje si, kolik práce implementace řešení ve skutečnosti stojí. KI M B E R LY NE VA L AOV Á
K
dysi se firmy hrnuly do agilních metodik přitahovány příslibem rychlejších dodacích cyklů, lepších vztahů mezi obchodem a IT a urychleného dodání. Tato metodika byla obzvláště atraktivní pro subjekty, které se potýkaly s malou angažovaností podnikových uživatelů a nesplněním představ o dodávce. Mnozí si však nedokázali uvědomit, že agilní přístup vyžaduje větší zapojení uživatelů, větší odpovědnost, disciplinované rozhodování a trvalý závazek, nemluvě o rychlejším vývoji, který je schopen reagovat citlivěji. Dodací cykly byly kratší a při dobrém řízení pravděpodobně s lepším výsledkem. Úspěch však nepřišel zdarma. Týmy BI, které se potýkají s lavinou neuspokojených potřeb BI, stejným způsobem přijímají moderní heslo „samoobslužnosti“. Ti, kdo však očekávají rychlé řešení, sami vzápětí zjistí svůj omyl. Samoobslužnost se zaměřuje v oblasti užívání BI na vyšší robustnost a rychlejší dostupnost. Pojem samoobslužné však neznamená totéž co „sebou umožněné“. BI týmy nejsou z obliga. Mají zásadní úlohu ve vytvoření funkčního samoobslužného ekosystému. Promyšlená strategie musí vyřešit následující dobře známé problémy: Jedna velikost nevyhovuje všem – Stejně jako se vaše zákaznická základna skládá z různých segmentů se samostatnými potřebami, jsou i uživatelé BI různorodou skupinou. Pro vedoucí pracovníky může samoobslužnost znamenat přístup k firemním výsledkům přes iPad nebo možnost dostat odpovědi na všechny své otázky na požádání. Pro spoustu uživatelů z podnikových provozů je nejlepším BI řešením to neviditelné – konkrétně zprávy a upozornění se integrují do provozních aplikací a pracovních postupů, takže nejsou odlišené. Znalostní pracovníci včetně rozvíjející se specializace datových vědců potřebují mít přístup k robustním vyhledávacím nástrojům a rozsáhlým objemům dat. Zavedení samoobslužného řešení proto vyžaduje jasné rozvrstvení typů uživatelů a dodání celé řady možností a řešení.
20
Jiný uživatel, jiná smlouva o úrovni poskytovaných služeb (SLA) – Každý uživatelský segment má svá vlastní očekávání a požadavky na podporu. To na druhé straně vyžaduje odlišné smlouvy o úrovni poskytovaných služeb a modelů závazků, nemluvě o různých mechanismech stanovení priorit pro řešení nových požadavků a řešení problémů. Začínat od nuly není dobré – Obecně vzato lidé jsou vždy lepší kritici než autoři. Samoobslužné řešení funguje nejlépe, když se uživatelům poskytne dobrý základ pro inovace. Začněte s intuitivním a robustním informačním panelem nebo interaktivním reportováním či zkušebním prostředím, které řeší nejčastější metriky, dimenze, analýzy nebo data reportů. Potom uživatelům dovolte dělat úpravy a přizpůsobení, aby si tak vytvořili varianty pro své specifické potřeby. Možnosti trumfují vývoj – Historicky se řešení BI dodávala jako reportovací systém, informační panel nebo krychle pro analytiky. Samoobslužné řešení posouvá toto paradigma od BI „udělátka“ k dodání dat a sad nástrojů pro přístup k těmto datům a k jejich využití. Často se přitom opomíjí, že pro tuto změnu je důležité vzdělávání uživatelů. Značně se to ale liší od jednorázového
úkonu. Školení a podpora jsou trvalou nutností, kterou je třeba plnit pomocí více modelů: formální školení v učebně, školení při jídle nebo linky technické podpory uživatelů na vyžádání. Zprovoznění samoobslužného řešení je prací na plný úvazek. BI týmy nejsou z obliga – jen se změnil předmět dodávky. Kvalifikace a role týmu se musí změnit odpovídajícím způsobem. Není to sólistická záležitost – Spolupráce je pro přijetí a životaschopnost samoobslužného řešení klíčová. Kooperace podporuje a využívá sílu kolektivu tím, že poskytuje funkce, které vyzývají uživatele, aby: ■ vzájemně kontrolovali údaje a analýzy, ■ rozvíjeli společné chápání sdílených dat, ■ vyžadovali informace o příčinách a možný dopad hlavních zjištění, ■ zachycovali a sledovali účinnost opatře ní přijatých na základě ohlášených zjištění. Je třeba rovnováha – Samoobslužné prostředí ze své podstaty umožňuje vytvořit ještě více matoucí chaos různorodých reportů a analýz. Naopak vhodně spravovaná prostředí s důrazem na spolupráci přirozeně podporují konsenzus a nakonec konsolidaci. Nalezení správné rovnováhy vyžaduje dobré řízení ve vztahu ke sdílení a zveřejňování informací, zvláště pro oficiální podnikové reporty, výstupy poskytované třetím stranám, jako jsou zákazníci či dodavatelé, a takové, které se uvádějí pro veřejnost z důvodu plnění předpisů. Nakonec samoobslužné řešení je výsledkem strategie robustního řešení BI a analýz. Při správném použití může rozšířit viditelnost, hodnotu i přijetí BI a analytických řešení. Naopak špatná realizace může popudit již tak nespokojenou a přetíženou uživatelskou komunitu.
BU S I N E S S I N T E L L I G E N C E 2013
BI-2013.indd 20
29.10.13 15:06
Přínosy využití big dat v byznys analýze Pojem big data je diskutován v souvislosti s otázkami ohledně jejich zpracování, ukládání a využití informačního potenciálu. EVŽENIE REITMAYEROVÁ
M
anažeři si uvědomují, že pro zajištění úspěchu svých společností musí přestat spoléhat na konvenční analytické nástroje a metody a využít inovativní přístupy. Jednou z cest je právě využití big dat k byznys analýzám. Nejběžnějšími oblastmi pro použití big dat jsou marketing a podpora prodeje. Nové způsoby vytěžování dat pomáhají zefektivnit marketingové kampaně a komunikaci tím, že přesněji definují hodnotu zákazníka, jeho potřeby a doporučené aktivity, ze kterých budou mít jak zákazník, tak společnost největší přínos. Uveďme si dva příklady marketingových analýz:
Hledání nespokojených zákazníků Klíčem k udržení zákazníků není jen rozpoznat vlastní stav nespokojenosti, ale být schopen v detailu analyzovat události, které k nespokojenosti vedly. Big data umožňují použít nové typy analýz a metrik, jako jsou: ■ Budoucí riziko toho, že zákazník přestane nakupovat zboží nebo služby. ■ Ohodnocení angažovanosti zákazníkova vztahu ke společnosti v důležitých bodech, jako jsou prodej, prohlížení webu, komunikace na sociálních sítích, hodnocení a recenze. ■ Zhodnocení negativních a pozitivních reakcí zákazníka podle kontaktní historie, komunikace na sociálních sítích, napsaných recenzí nebo telefonické komunikace. ■ Určení pravděpodobnosti toho, že zákazník doporučí značku nebo produkty přátelům. ■ „Gold path“ analýza, kdy chování daného zákazníka je porovnáno s určeným sledem činností (etalonem), které vedou ke konkrétní akci.
Personalizace webových stránek Rozložení webové stránky, navigace a sdělení musí být aktuální, personalizované a efektivní. Data o chování uživatelů na webové stránce (tzv. click stream data) umožňují analyzovat to, jak webový kontext ovlivňuje nákupní chování zákazníků a jak efektivní jsou navigace a rozložení webových stránek. Analytická činnost se
skládá především ze zhodnocení postupu zákazníků webovými stránkami. Odkud zákazník na web přišel, jak jím procházel a kam odešel po opuštění webu. Dále je možné analyzovat obsah nákupního košíku, případně důvod jeho opuštění. Výsledky analýz umožní optimalizovat komunikační kanály, způsob nabízení produktů a služeb na webových stránkách a upravit funkcionalitu nákupního koše nebo i jiné aplikace pro prodej služeb tak, aby se přizpůsobily přáním zákazníků.
Praktický příklad z bankovního sektoru
s nabídkou úvěru a pojištění. Julie si e -mail otevřela, na nabídku klikla, zjistila podmínky, ale další dny se nic neděje. Banka ví, že musí Julii nabídnout něco navíc. Analýzou dostupných dat byla schopna vytvořit speciální balíček služeb: výhodný úvěr na auto, pojištění a speciální servis ve spřáteleném servisu. Za tři dny volají Julii pracovníci call centra a nabízejí speciální balíček služeb, pokud si vezme úvěr na auto od banky. Odpověď Julie je kladná, ale žádá čas na rozmyšlenou. Pracovníci banky zašlou e -mail s popisem výhod a benefitů nabídky a postupem pro dojednání. Ten samý den se Julie přihlašuje k elektronickému bankovnictví, prodlužuje pojistnou smlouvu a potvrzuje úvěr. Nabídku přebírá lokální pobočka, pracovník pobočky volá s nabídkou pomoci s vyplněním potřebných formalit. Večer dostává Julie domů květiny s poděkováním od vedoucího pobočky. Ještě ten samý večer Julie na sociální síti popisuje své výborné zkušenosti s bankou, pět jejích přátel souhlasí. Z uvedeného příkladu je zřejmé, že nové typy dat mohou přinést i nové podněty do analytických procesů a možnosti v rozhodování. Kritické pro každou společnost zůstává určení oblastí a příležitostí, kdy tato data nejúčelněji využít k podpoře růstu. Stejně tak je nutné mít připravené datové a technologické zázemí pro
Julie je klientkou velké banky se zaměřením na drobnou klientelu, občany. U banky má vedený běžný účet a kreditní kartu. Má 3letý úvěr na auto od leasingové společnosti, který již dva roky ze svého účtu splácí. Od banky má na auto pojištění, které za pět týdnů vyprší. Cílem banky je, aby příští Jednotná analycká úvěr i pojištění bylo od ní. datová plaorma Co o Julii banka ví: ■ Na základě „Gold path“ analýzy transakcí na účtu banka zjistila, že provádí činnosti směřující ke koupi nového auta. Přímý prodej ■ Analýzou „click stream“ Email Online Call center ATM Branch Dotazník dat banka zjistila, že Julie ověřovala podmínky změny pojištění na jejím webu. Na podporu analýz, což znamená získat a přistránky banky přišla z konkurenčních pravit všechny typy interakcí a dat z růzstránek pro nabídky pojištění aut. ných typů komunikačních kanálů a mít je ■ Podle analýzy transakcí na účtu a socidostupné v jednotné datové základně álních sítí je Julie členem relativně uzak použití v analytických funkcích. vřené komunity. Někteří členové skupiny Pro využití celého spektra informací je jsou současní klienti, někteří mají účet nezbytná integrace obvyklých událostních u konkurenční banky. ■ U klientů naší banky jsme zjistili, že dat s novými typy dat, čehož lze dosáhnout polovina má také úvěr na auto od stejné koncepcí Teradata Unified Data Architecspolečnosti jako Julie a navíc Julie jej doture. Článek „Cesta k efektivnímu zhodmluvila první. Předpokládáme velký vliv nocení podnikových informací“ předstaJulie na skupinu. Pokud si Julie pořídí vuje koncepční přístup k této problematiúvěr u konkurence a přepojistí se jinde, je ce a byl zveřejněn v červnové speciální veliká pravděpodobnost, že její přátelé ji publikaci „Neztraťte se v big datech“ časobudou následovat. pisu Computerworld http://data.computerZávěr banky je, že musí Julii co nejdříworld.cz/file/specialy/BigData_2013.pdf. ve nabídnout výhodný úvěr a zaujmout ji natolik, aby o tom řekla svým přátelům. Autorka je senior business consultantka společnosti Banka posílá personalizovaný e -mail Teradata Česká republika Kategorie textu (obsah)
Typ stránky Událost
ID produktu ID prodejce Událost
Událost
ID ATM, Událost, Částka
ID pracovníka, Událost
ID pracovníka, ID dotazníku Kategorie odpovědi
CO M P U T E RWO R L D.c z
BI-2013.indd 21
21 29.10.13 15:06
BUSINESS INTELLIGENCE | PŘÍPADOVÉ STUDIE
Co přinášejí analýzy Intelu a UPS? Dvěma významným globálním firmám přinášejí analýzy dat velký zisk. Přinášíme, co by mohla vaše organizace při liknavém postupu promeškat. J UL I A K I NGOVÁ
P
očítače, mobilní telefony, tablety, senzory, tweety, texty a příspěvky v sociálních sítích, nemluvě o tuctovém prodeji a registraci transakcí on-line – to vše obsahuje potenciálně cenná data. Mnoho dat. IDC odhaduje, že v roce 2020 dosáhne počet on-line transakcí mezi podniky navzájem i mezi organizacemi a zákazníky hodnoty 450 miliard denně. Podívali jsme se na dvě společnosti, které patří ve vytváření velké obchodní hodnoty z big dat a analytických technologií mezi nejlepší. Na vrcholu jejich seznamů cenných zjištění je, že hluboce zakořeněná kultura analýzy a vytrvalé zaměření na efektivitu nákladů a zlepšování procesů jsou nedocenitelné.
Miliony za rozšíření prodeje Tradiční technologii BI se v Intelu daří dobře, ale teprve dolování big dat a prediktivní analýza jsou síly určující efektivitu designu a výroby. Odkrývají také nové zdroje příjmů, které jen v loňském roce 2012 přinesly navíc až desítky milionů dolarů. „Začíná to přesvědčením, že můžete změnit výsledky,“ tvrdí Kim Stevensonová, ředitelka IT tohoto výrobce čipů. To, jak říká, vyžaduje méně času stráveného s otázkami ohledně historie, což je rámec
22
působnosti tradičních systémů BI, a větší zaměření na budoucnost, což je doménou prediktivní analýzy. Predikce v Intelu, jehož obrat činí desítky miliard dolarů ročně, vyžaduje analýzu obrovského množství dat, rozpoznání vzorů a poté aplikování prediktivních algoritmů pro řešení problémů s vysokou podnikovou hodnotou. Například v roce 2012 vytvořilo IT oddělení Intelu nový prodejní nástroj pro distributory, který zvýšil tržby výrobce tak, že jeho prodejnímu týmu umožnil nejprve identifikovat distributory s větším objemem a poté se na ně strategicky zaměřit. Zmíněný nový softwarový stroj doluje údaje z velkých sad interních i externích dat a poté aplikuje prediktivní algoritmus, aby určil nejslibnější distributory. Dosud pomohl identifikovat třikrát více distributorů s vysokým potenciálem v asijsko-tichomořském regionu, než obvykle odkrývaly manuální metody, pochvaluje si Stevensonová. Lze to vyjádřit jako potenciál nových a rozšířených prodejů ve výši zhruba 20 milionů dolarů. Při zavádění těchto nástrojů i pro další regiony se očekávají zase zisky. V oblasti výroby Intel používá prediktivní analytický nástroj, aby pomocí něj zkrátil dobu pro testování mikroprocesorů. Firma tak při testování jen během
doby ověřování konceptu ušetřila zhruba 3 miliony dolarů. Stevensonová očekává, že do roku 2014 dojde v rámci celé společnosti k úspoře dalších 30 milionů dolarů, protože se nástroj nasadí v mnohem větším rozsahu. Úspěch analytických technologií byl v Intelu, mírně řečeno, velmi rychlý. Stevensonová tvrdí, že klíčem je vyřešit problémy s úsporou velkých částek, dosaženou pomocí relativně malých a rychle fungujících týmů. „Věděli jsme, že abychom byli schopni zaměřit podnik na budoucnost a kladli lepší otázky, které by vedly k lepším výsledkům, musíme zvládnout všechny věci rychle,“ vysvětluje Stevensonová. „Vycházeli jsme z tradičního prostředí BI, kde je zkoumání výchozích dat mnohdy neřešitelným problémem. Lidé na tom pracují věčně a firma nutně nemusí získat nějakou přidanou hodnotu.“ Stevensonová tedy přišla s pravidlem „šesti měsíců a 10 milionů dolarů“. „Vyřešit problém s hodnotou 10 milionů dolarů za šest měsíců je důležité. Každý generální ředitel řekne, že by klidně investovali šest měsíců, pokud by mohli ušetřit 10 milionů dolarů,“ prohlašuje Stevensonová. Najala si proto tým pěti lidí složený z obchodního experta, statistika, tvůrce prediktivních modelů, odborníka na strojové učení a datového vědce. „Každý člověk z týmu měl trochu jiný způsob nahlížení na problém, který jsme se pokoušeli vyřešit. Šestiměsíční lhůta byla možností, jak prokázat schopnost skutečně změnit způsob, jakým věci děláme,“ uvádí Stevensonová. Kromě projektů, které zkrátily dobu testování a identifikovaly lukrativní distributory, se tímto způsobem dokončilo dalších 13 analytických projektů. Stevensonová proto zvýšila laťku na vyhledání problémů s hodnotou 100 milionů dolarů a vyzvala další týmy, aby je začaly řešit. „Když máte dobré výsledky, můžete růst,“ vysvětluje Stevensonová. Další projekty zahrnují prediktivní stroj pro zjednodušení návrhu čipů Intel a procesu ladění, jiný zase předvídá nové hrozby zabezpečení informací. Stevensonová však upozorňuje, aby podniky nepodceňovaly potřebné dovednosti pro analytické iniciativy a čas, který může být potřebný k získání těchto dovedností. „Když tak přemýšlím o rychlosti, jakou jsme se učili technologie Hadoopu, a o některých pokročilejších prezentačních vrstvách,
BU S I N E S S I N T E L L I G E N C E 2013
BI-2013.indd 22
29.10.13 15:06
PŘÍPADOVÉ STUDIE | BUSINESS INTELLIGENCE
které se velmi odlišují od řešení SAP nebo tradičních systémů BI, chtěla bych zdůraznit, že křivka učení technických dovedností rozhodně není zanedbatelná,“ varuje Stevensonová. A její další rada zní: „Rozvíjejte chuť k experimentování, zejména kvůli tomu, že se analytické technologie stále vyvíjejí. Vítězové a poražení na technologické straně nejsou zatím zcela jasní,“ popisuje. „Držte si široký záběr.“
Úspory paliva i bezpečnost řidičů Dopravní a logistický obr UPS, který má roční obrat 54 miliard dolarů, do IT každoročně investuje zhruba miliardu, přičemž velmi významná část z toho je vyhrazena pro datové analýzy, uvádí Juan Perez, tamější viceprezident pro informační služby. Současnými cíli jsou zlepšení obchodních procesů, snížení nákladů a zvýšení efektivity. Tato snaha byla úspěšná. Na základě analýzy nepřetržitého toku dat ze senzorů jejích tisíců dopravních kamionů firma zkrátila nájezdy o 8,5 milionu km, snížila dobu volnoběhu motorů o téměř 10 milionů minut, ušetřila 2,5 milionu litrů paliva a snížila emise kysličníku uhličitého o více než 6 500 tun. Srdcem těchto neuvěřitelných ukazatelů je Orion, akronym z anglického názvu „integrovaná optimalizace a navigace na cestách“. Jde o datově náročný systém, který prostřednictvím řady složitých algoritmů jed-
notlivým řidičům určuje nejefektivnější cesty pro doručení nákladů. Navíc tento systém používá velké množství senzorických dat k předpovědím, kdy by mohla selhat určitá součástka kamionu, takže lze včas naplánovat a vykonat preventivní údržbu. Orion manažerům UPS také umožňuje sledovat zvyky jednotlivých řidičů a zjistit například, kolikrát couvají nebo kamion otáčejí. Tyto informace se mohou použít k identifikaci těch, kteří potřebují další školení. „Máme senzory, jež zachycují informace o vozidle i chování jeho řidiče. Tato data propojíme s údaji o dodání a naložení nákladu, takže můžeme získat ucelený obraz o tom, jak šofér každý den plní svou práci,“ prohlašuje Perez. „To má neuvěřitelný vliv na způsob, jakým své podnikání ve všech oblastech řídíme.“ Nyní se zájem UPS o data rozšiřuje dále směrem ven. Jejím cílem je mnohem více se přiblížit ke svým zákazníkům pomocí další analytické služby označované jako UPS My Choice, která lidem umožňuje určit individuální požadavky pro jejich interakci s touto společností. Zákazníci, kteří tuto službu využívají, mohou mimo jiné dát konkrétní pokyny pro způsob a přesné místo doručení svých balíčků na konkrétní adresy, přesměrovat balíčky, pokud se místo změní, a zapnout si zasílání upozornění na stav dodávky. „Zavedli jsme nový přístup k řízení osobních dodávek. Tato úroveň napojení na naše
klienty změní naše podnikání nyní i v následujících letech. Užší integrace se zákazníky je to, co nám umožňuje zvýšit tržby,“ tvrdí Perez. V prvním roce, kdy začala být služba UPS My Choice dostupná, si ji zaregistrovaly více než 2 miliony zákazníků a pod její záštitou se dodalo více než 25 milionů balíčků. Údaje o požadavcích zákazníků pomáhají firmě UPS v reakci na tyto požadavky dále zdokonalovat své vnitřní procesy, „takže můžeme budovat individuální zkušenost,“ pochvaluje si Perez. Ještě důležitější však je, že údaje umožňují pochopit, jaké nové produkty a služby by šlo lidem nabídnout. „Všechny informace o pohybu a doručení a způsob, jak na tato oznámení zákazníci reagují, nám sdělují, co si přejí, takže můžeme odpovídajícím způsobem vytvářet produkty a služby, abychom plnili jejich představy. Je to mnoho dat pro stanovení strategie pro nové produkty a služby,“ pochvaluje si Perez. Dalším krokem bude podle Pereze vše propojit dohromady a vytvořit barvitý obraz různých systémů big dat společnosti UPS, aby se mohlo odhalit nové využití pro tato data a z nich odvodit další obchodní hodnotu. „Začíná to zlepšením procesů, ale jakmile toto všechno budete propojovat dohromady, může to předznamenat velké změny celého podnikání,“ vysvětluje Perez. „A o to přesně nám jde.“
SEZNAM INZERUJÍCÍCH FIREM UCELENÝ INFORMAČNÍ ZDROJ PRO IT PROFESIONÁLY GLOBTECH .................................................................................................................. 7 www.globtech.cz
Prodata Praha ........................................................................................................... 9 www.prodata.cz
SAP ČR ...................................................................................................................... 13 www.sap.com/cz
SAS Institute ČR .................................................................................................. 14, 15 www.sas.cz
Telefónica Czech Republic ........................................................................ 19, 4. obálka www.o2.cz
Teradata Česká republika ......................................................................................... 21
Vydává: IDG Czech Republic, a. s., Seydlerova 2451, 158 00 Praha 5 Tel. ústředna s aut. provolbou: 257 088 + linka; fax: 235 520 812 Recepce: 257 088 111 Výkonný ředitel: RNDr. Jana Pelikánová Šéfredaktor: Radan Dolejš Tajemnice redakce: Růžena Holíková, tel.: 257 088 143 Vedoucí inzertního odd.: Jitka Vyhlídková, tel.: 257 088 181 Vedoucí projektu: Pavel Louda, tel.: 257 088 138 Jazyková úprava: Dana Štropová Obálka: Petr Kubát Adresa redakce: CW, Seydlerova 2451, 158 00 Praha 5 Internet:
[email protected] Zlom a pre-press: TypoText, s. r. o., Praha Tisk: Libertas, a. s. Předplatné a reklamace: IDG Czech Republic, a. s., Seydlerova 2451, 158 00 Praha 5, tel.: 257 088 163, fax 235 520 812; e-mail:
[email protected] Doručuje Česká pošta, s. p., v systému D + 1 Předplatné pro Slovensko: Magnet-Press Slovakia, s. r. o., P.O.BOX 169, 830 00 Bratislava, tel.: +421 267 201 910, 20, 30, e-mail:
[email protected] Copyright: © 2013 IDG Czech Republic, a. s.
www.teradata.com Člen asociace FIPP
BI-2013.indd ob3
29.10.13 15:05
BI-2013.indd ob4 O2_CORPORATE_ICT_FLEXIBILITA_channelworld_210x295.indd 1
29.10.13 15:05 18.10.13 14:39