Business Intelligence

L

I

S

T

O

P

A

D

2

0

1

2

Business Intelligence a datová analýza

Přínosy obchodní analytiky Svět prediktivních analýz Co všechno získáte ze sociálních sítí?

BI-zlom.indd ob1 BI_datova analyza_def7.indd 11

24.10.12 13:01 10/24/12 11:58 AM

HIGH-PERFORMANCE

Vyzvěte Big Data na souboj Je to nečekaný úder rychlosti a přesnosti. Analyzujte Big Data v horizontu minut a sekund místo dnů a hodin. Ušetřený čas pak využijte k předvídání a řešení složitých obchodních problémů, které na vás útočí ze všech stran. Vaše konkurence bude jen zírat.

Oskenujte QR kód pro zobrazení videa nebo navštivte www.sas.com/cz a dozvíte se víc.

SAS Institute Inc. product or service names are registered trademarks or trademarks of SAS Institute Inc. in the USA and other countries. ® indicates USA registration. Other brand and product names are trademarks of their respective companies. © 2012 SAS Institute Inc. All rights reserved. S71418US.0212

BI-zlom.indd ob2

24.10.12 13:02

Pohled pod pokličku PAVE L LO UDA vedoucí projektu

E

xistuje mnoho dat. Spíše by se dalo říci, že neuvěřitelně moc dat. Dat, která jsou uchována v různých úložištích, ale tam jejich přínos mnohdy i končí. Pokud se v nich firmy nedokážou orientovat či zjistit, jaký potenciál pro ně mohou mít nebo jak dokážou zlepšit jejich byznys, jsou to jen pasivní či neproduktivní informace. Aby se z nich daly učinit informace aktivní, tedy ty, které dokážou podnikání povznést na vyšší úroveň, musí podniky sáhnout po aplikacích, které přinášejí k uloženým datům přidanou, pro podnikání významnou hodnotu. A těmi mohou být řešení jako analytické systémy, business intelligence, hloubkové analýzy, prediktivní rozbory, jejichž nasazení zatím řada firem sice opomíjí, ale jejich potenciál do budoucna je obrovský. Obchodní analytika totiž představuje trh, jenž v příštích letech velmi významně poroste. Například podle IDC má tento segment do roku 2016 růst v průměru ročně o desetinu a v roce 2016 dosáhne obratu přesahujícího hodnotu 50 miliard dolarů. Motorem vzestupu zájmu o analytické funkce jsou podle odborníků IDC především nutnost dodržovat různé zákonné a regulatorní předpisy, detekce rozličných podvodů či vyšší odolnost proti bezpečnostním rizikům – s klasickými reportovacími nástroji si tedy podniky už brzy nevystačí. Díky podrobným analýzám včetně prediktivních jsou organizace schopny nejen snížit své provozní a jiné náklady, ale také najít nové obchodní příležitosti, které by bez pokročilých analytických nástrojů vůbec nebyly schopny objevit. Uživatelé se také mohou těšit na vysoce specializované produkty, které se zaměří například na specifické vertikály nebo dokonce obchodní procesy. A jak využít potenciál, který obchodní analytika i business intelligence přináší už dnes? V tomto magazínu vám nabízíme nejen přehled, na co byste se měli zaměřit, ale také vám poradíme, jak výhody pokročilých datových analýz využít co nejvíce ve svůj prospěch. Stejně jako u jiných IT produktů i zde se vyplatí začít u menších úloh, a až získáte potřebnou expertizu, můžete se do báječného světa pokročilých analýz neohroženě vrhnout.

Obsah 3 8 10 12 17 18 20 21

Obchodní analytika: Jak ji lze využít? Business intelligence ve vašich podnikových IS Urychlete vývoj, byznys nečeká Zprovoznění prediktivní analytiky IT projekty rychleji a bez chyb MIS pomáhá provést zdravotní pojišťovnu MV bouřlivými vodami Inteligentní výroba s pomocí BI analýz Agilní vývoj urychlí nasazení BI

w w w.c i o.c z | w w w.c w.c z

BI-zlom.indd 3

3 24.10.12 13:12

Obchodní analytika: Jak ji lze využít? Díky pokroku v technologiích analýz a business intelligence mohou šéfové IT pracovat s podnikovými daty rychle, detailně, levně i mobilně. DAVI D F. C AR R

S

oučasné trendy se soustřeďují na řešení analytických problémů jako třeba využití příležitostí získaných novými podnikatelskými postřehy. Například se objevují technologie pro správu a analýzu velkých různorodých datových souborů, protože mnoho organizací se doslova topí v údajích a snaží se v nich najít nějaký vzorec nebo jiný smysl. Mnoho trendů pokročilé analytiky v oblasti nákladů a výkonu umožňuje organizacím klást složitější dotazy než kdykoli dříve a dostávat výrazně užitečnější informace pro své podnikání. Šéfové IT odpovídající v různých dotaznících důsledně odlišují pět trendů,

4

které mají vliv na zajištění analytických funkcí: vzestup big dat, technologie pro rychlejší zpracování informací, klesající náklady na IT systémy, množící se mobilní zařízení a konečně všudypřítomné sociální sítě.

1. Big data Pojem big dat je používán pro velké sady dat, zejména takové, které nemají dostatečnou strukturu, aby je bylo možné uložit v tradičním datovém skladu. Informace získané z robotů procházejících weby, kanály sociálních sítí a protokoly serverů nebo údaje z dodavatelských řetězců, průmyslových, environmentálních či dohledových snímačů – výsledkem toho

všeho jsou složitější korporátní data, než tomu bylo kdykoliv předtím. Přestože ne každá organizace potřebuje metody a technologie pro manipulaci s velkými nestrukturovanými sadami dat, Perry Rotella, ředitel IT firmy Verisk Analytics, si myslí, že by se všichni ředitelé IT měli s analytickými nástroji pro big data alespoň seznámit. Společnost Verisk, která pomáhá finančním institucím vyhodnotit rizika a spolupracuje s pojišťovnami na identifikaci podvodů v pojistných údajích, dosáhla v roce 2010 tržeb ve výši více než 1 miliardy dolarů. „Technologičtí lídři by měli zaujmout postoj, a to že je lepší zpracovávat více dat a přijmout jejich ohromná množství,“ tvrdí Rotella, jehož činnost zahrnuje hledání různých vzorců a souvislostí mezi věcmi, které sami dopředu nevíte. „Big data jsou explozivním trendem,“

BU S I N E S S I N T E L L I G E N C E 2012

BI-zlom.indd 4

24.10.12 13:12

souhlasí Cynthia Nustadová, ředitelka IT ve firmě HMS, která pomáhá organizacím zvládnout náklady ve zdravotnictví. Mezi její klienty patří provozovatelé zdravotních a sociálních služeb. HMS pomohla svým klientům uspořit miliardy dolarů za náklady v roce 2010 – šetří tím, že předchází chybným platbám. „Dostáváme a sledujeme spoustu materiálů, strukturovaná i nestrukturovaná data a není vždy jasné, co se v nich vlastně hledá,“ prohlašuje Nustadová. Jednou z nejvíce diskutovaných technologií ze sféry big dat je Hadoop, open source platforma zpracování distribuovaných dat, původně vytvořená pro úlohy jako například sestavování indexů vyhledávání na webu. Je jednou z několika tzv. NoSQL technologií (další jsou CouchDB a MongoDB), které vznikly jako nový způsob organizace dat ve webovém měřítku. Hadoop dokáže zpracovat petabajty údajů přiřazením podmnožin těchto dat stovkám či tisícům serverů, z nichž každý ohlásí zpět své výsledky, které jsou nakonec sestaveny hlavním plánovačem úlohy. Hadoop může být buď použit k přípravě dat pro analýzu, nebo jako samotný analytický nástroj s jeho původním smyslem. Organizace, které nemají „tisíce náhradních serverů na hraní“, si mohou také zakoupit přístup na vyžádání k instancím Hadoop od dodavatelů cloudu, jako je třeba Amazon. Nustadová uvádí, že HMS zkoumá možnosti využití technologií NoSQL, i když ne pro své masivní databáze medicínských nároků. Ty obsahují strukturovaná data a lze je zpracovat jen tradičními metodami datových skladů. Nemá příliš smysl hledat jiné řešení, než nabízí správa tradiční relační databáze, když se řeší problémy, pro které je relační technologie vyzkoušeným a dobrým řešením, dodává Nustadová. Nicméně vidí roli řešení Hadoop při analýzách podvodů a plýtvání a možná při analýzách záznamů o návštěvách pacientů, které by mohly být hlášeny v různých formátech. Mezi řediteli IT dotazovanými pro účely tohoto příspěvku jsou i ti, kteří už měli praktické zkušenosti s technologií Hadoop včetně výše zmíněného Rotella či Jody Mulkeye, ředitele IT ve společnosti Shopzilla, kteří byli zaměstnáni právě ve

firmách poskytujících datové služby jako součást svého podnikání. „Používáme Hadoop k tomu, co jsme byli dříve zvyklí dělat prostřednictvím datového skladu,“ říká Mulkey a dodává, že důležitější je to, že jej využívají i k „opravdu zajímavé analytice, kterou jsme nikdy předtím dělat nemohli.“ Například Shopzilla jako srovnávací web pro nákupy přes internet denně hromadí terabajty dat. „Dříve bychom data museli navzorkovat a rozdělit, což u takového objemu bylo samo o sobě velké množství práce,“ vysvětluje Mulkey. S technologií Hadoop dokáže Shopzilla analyzovat surová data, a zmíněné mezikroky tak přeskočit. Nemocniční zařízení Good Samaritan Hospital je na druhém konci spektra. „Nemáme to, co bych mohl klasifikovat jako big data,“ tvrdí Chuck Christian, tamější ředitel IT. Regulatorní požadavky ho nicméně nutí ukládat ve velkých množstvích celé nové kategorie údajů, jako jsou elektronické zdravotní záznamy. „Zde existuje nepochybně velký potenciál pro získání informací o kvalitě zdravotní péče z dat,“ vysvětluje Christian, „ale to pravděpodobně využijí různá regionální nebo národní zdravotnická sdružení než samotná nemocnice.“ Je tedy poměrně nepravděpodobné, že Good Samaritan bude do nových exotických technologií investovat. John Ternent, ředitel IT ve společnosti

Island One Resorts, prohlašuje, že použití big dat pro analytiku závisí na tom, jak velké jsou objemy těchto údajů. Vážně totiž zvažuje použití instancí Hadoop v cloudu jako ekonomického způsobu provádění komplexních analýz portfolia hypoték pro jejich společnost, která spravuje různé rekreační objekty. „Je to potenciální řešení velmi reálného problému, který teď máme,“ dodává Ternent.

2. Obchodní analytika se zrychluje „Technologie big dat jsou jen jedním z prvků širšího trendu rychlejší analytiky,“ tvrdí Vince Kellen, ředitel IT University of Kentucky. „To, co skutečně chceme, je pokročilá analytika pro opravdu pekelně velké množství dat,“ prohlašuje Kellen. „Objem dat, která lidé mají, je méně důležitý než efektivita, s jakou je lze analyzovat, protože rozbor je požadován rychle.“ Kapacita dnešních počítačů umožňuje zpracování mnohem většího množství údajů přímo v operační paměti, a nabízí tak rychlejší výsledky, než je tomu při vyhledávání v datech na disku, přestože z nich zpracováváte jen gigabajty. Přestože se databázím už desítky let stále zlepšuje výkon pomocí ukládání často používaných dat do vyrovnávací paměti cache, nyní je mnohem praktičtější načíst celé velké datové soubory do paměti serveru nebo clusteru serverů a disky používat jen jako zálohu. Protože je načítání dat z rotujících

Matematika, která směřuje k vizualizacím, je velmi podobná té, která se používá pro statistickou analýzu. Grafické procesory díky tomu mohou dělat výpočty stokrát rychleji, než tak činí konvenční procesory desktopů nebo serverů. ALLAN HACKNEY, ŘEDITEL IT, JOHN HANCOCK

w w w.c i o.c z | w w w.c w.c z

BI-zlom.indd 5

5 24.10.12 13:12

magnetických disků částečně mechanickým procesem, je o několik řádů pomalejší, než je tomu v případě zpracování dat přímo v paměti. Rotella tvrdí, že nyní dokáže za několik sekund udělat analýzy, které by před pěti lety trvaly celou noc. Jeho firma uskutečňuje prediktivní analytiku u velkých datových soustav, což často zahrnuje spouštění dotazu hledajícího různé vzorce a úpravy před spuštěním následujícího dotazu. Množství času potřebného ke zpracování dotazu způsobuje velký rozdíl v rychlosti celého postupu analýzy. „Dříve trval běh déle než vytváření samotného modelu dotazu, ale teď trvá vytvoření struktury otázky déle než její realizace,“ popisuje Rotella. Servery sloupcových databází, které invertují tradiční organizaci řádků a sloupců relačních databází, řeší jinou kategorii výkonnostních požadavků – namísto načtení celých záznamů a extrakce vybraných sloupců dokáže dotaz přistupovat pouze k potřebným sloupcům. To výrazně zlepšuje výkon aplikací, které seskupují či vyhodnocují několik klíčových sloupců. Ternent varuje, že výkonnostní výhody sloupcové databáze se týkají jen vhodného návrhu aplikace a dotazu. „Musíte klást správné otázky správným způsobem, abyste zaznamenali rozdíl,“ vysvětluje Ternent a dodává, že sloupcové databáze mají skutečně smysl jen pro aplikace, které musí zpracovat více než 500 GB dat. „Musíte mít určité množství dat, než začne dávat sloupcové řešení smysl, protože při dosahování efektivity spoléhá na určitou míru opakovanosti.“ Při snaze zlepšit výkon analytiky hraje

Objem dat, která firmy mají, je méně důležitý než efektivita, s jakou je lze analyzovat, protože rozbor je požadován rychle. VINCE KELLEN, ŠÉF IT, UNIVERSITY OF KENTUCKY

významnou roli také hardware. Allan Hackney, ředitel IT ve společnosti John Hancock, která nabízí pojišťovnické a finanční služby, má ve svém arzenálu grafické procesory používané obvykle v herních systémech. „Matematika, která směřuje k vizualizacím, je velmi podobná té, která se používá pro statistickou analýzu,“ říká Hackney. „Grafické procesory díky tomu mohou dělat výpočty stokrát rychleji, než tak činí konvenční procesory desktopů nebo serverů. Naši analytici jsou s tímto vybavením velmi spokojeni.“

3. Technologie stojí méně Spolu s růstem výpočetní kapacity těží analytika z klesajících cen za paměti a úložiště a z open source softwaru, který poskytuje alternativu ke komerčním produktům a vytváří konkurenční tlak na ceny. Ternent je evangelistou open source řešení. Před svým nástupem do Island One byl viceprezidentem pro technická řešení ve společnosti Pentaho, která je dodavatelem open source systémů business intelligence, a také pracoval jako konzultant se zaměřením na BI a open source. „Z mého pohledu open source vytváří férové podmínky,“ prohlašuje Ternent, „protože i středně velká společnost jako Island One může pro statistickou analýzu používat open source aplikaci ‚R‘ namísto proprietárního řešení SAS.“ Dříve byly nástroje open source k dis-

pozici pouze pro základní reporting, jak uvádí Ternent, ale teď nabízejí i nejmodernější prediktivní analytiku. „V současnosti existuje dodavatel open source systémů snad v každé oblasti, což znamená, že jsou k dispozici nástroje pro kohokoliv, kdo má kuráž se do něčeho takového pustit.“ Nustadová z HMS se domnívá, že měnící se ekonomické nároky ohledně použití výpočetní techniky kladou jiné požadavky i na základní architektonické schopnosti. Například jedním z tradičních důvodů pro vytváření datových skladů bylo shromáždit data na serverech s vysokým výpočetním výkonem vhodným pro jejich další zpracování. Protože dříve ale byl výpočetní výkon vzácnější, než je tomu dnes, bylo důležité odklonit zátěž tvořenou analytickými úlohami z provozních systémů, aby se zamezilo snížení výkonu při každodenním zpracování úloh. „Nyní to ale není vždy správná volba,“ prohlašuje Nustadová. „Cena hardwaru a úložných systémů je v současné době tak nízká, že si můžete klidně dovolit posílit provozní systémy, aby zároveň zvládly i analytickou vrstvu,“ vysvětluje Nustadová. Díky tomu, že se všechny úkony přesunu, změny formátu a načtení do datového skladu dělají na jednom místě, může analytika postavená přímo na provozní aplikaci nabídnout rychlejší odpovědi. Hackney nicméně podotýká, že i když klesající trendy cen vztažených na výkon pomáhají snižovat náklady, jsou potenciální úspory často eliminovány zvýšenými nároky na kapacitu. „Je to jako běh na místě.“ Zatímco u společnosti John Hancock letos klesly náklady na jednotku úložiště o 2 až 3 procenta, potřeba úložných kapacit vzrostla o plnou pětinu.

4. Všichni jsou mobilní Jako téměř všechny ostatní aplikace přechází také business intelligence do mobilní sféry. Pro Nustadovou je mobilní BI prioritou, „protože to chce každý,“ a ona sama prý potřebuje na svém iPadu, když právě není ve své kanceláři, přístup ke zprávám oznamujícím, zda její organizace plní dohody o úrovni poskytovaných služeb. Chce také nabízet mobilní přístup

6

BU S I N E S S I N T E L L I G E N C E 2012

BI-zlom.indd 6

24.10.12 13:12

k těmto údajům i firemním zákazníkům, aby tak mohli lépe sledovat a řídit své náklady na zdravotní péči. Je to podle ní funkce prospěšná pro klienty, která sice před pěti lety ještě nebyla vyžadována, ale v současné době je už silně poptávána. Pro ředitele IT se uspokojení tohoto trendu týká spíše vytváření uživatelských rozhraní pro tablety a smartphony – tedy pro malé dotykové obrazovky – než schopností sofistikované analýzy. Možná proto to Kellen nepovažuje za důležité, protože jde o poměrně snadno řešitelnou záležitost. „Pro mě je to zcela triviální,“ tvrdí Kellen. Rotella si ale nemyslí, že je to tak jednoduché. „Mobilní výpočetní technika ovlivňuje každého. Počet lidí, kteří k práci využívají iPad a další mobilní zařízení, prudce roste. Tento trend se bude zrychlovat a měnit způsob, jakým komunikujeme s našimi výpočetními zdroji v podniku.“ Například společnost Verisk vyvinula produkty, které likvidátorům pojistných událostí poskytují přístup k analýzám z terénu, takže mohou odhadovat plnění. „To je způsob, jak využít naše analytické služby a poskytnout je lidem, kteří je potřebují,“ říká Rotella. Problém ale vzniká tím, že se mobilní technologie příliš rychle mění. „Před dvěma lety jsme iPady neměli. Nyní má tento tablet u nás v podstatě každý. Protože je ale ve hře více operačních systémů, snažíme se zjistit, jak co nejlépe využít náš

vývoj, abychom tutéž aplikaci nevytvářeli hned několikrát,“ popisuje Rotella. Na druhou stranu může požadavek vytvářet nativní aplikace pro každou mobilní platformu již nyní slábnout, protože prohlížeče v telefonech a tabletech jsou dostatečně funkční, jak tvrdí Ternent z Island One. „Nejsem si jist, zda bych investoval do aplikace přizpůsobené mobilnímu zařízení, když mohu pro toto mobilní řešení vytvořit jen specifické zobrazení příslušné webové aplikace.“

5. Kombinace sociálních sítí S explozivním rozšířením Facebooku, Twitteru a dalších sociálních sítí chce stále více firem analyzovat data generovaná těmito weby. Objevily se tak nově koncipované analytické aplikace, které podporují statistické metody, jako jsou například zpracování přirozeného jazyka, názorové či síťové analýzy, které nejsou součástí typické sady nástrojů business intelligence. Vzhledem k tomu, že jde o poměrně novou záležitost, je mnoho analytických nástrojů sociálních sítí k dispozici v podobě služeb. Příkladem významného dodavatele může být Radian6, produkt typu SaaS, který nedávno zakoupila společnost Salesforce.com. Radian6 představuje informační panel o zmínkách značky v pozitivním, negativním či neutrálním významu na kanálech Twitteru, veřejných příspěvcích Face-

booku a v komentářích na blozích a v diskuzních fórech. Pokud si takový nástroj oddělení marketingu nebo služeb zákazníkům pořídí, nemusí pro oddělení IT představovat významnou zátěž. Kellen z University of Kentucky je však přesto přesvědčen, že by jim měli IT pracovníci věnovat pozornost. „Mou prací je mimo jiné identifikovat tyto technologie, sledovat jejich přínos pro organizaci z hlediska konkurenceschopnosti a začít se vzděláváním vhodných osob,“ prohlašuje Kellen. Tato univerzita má stejný zájem o sledování názorů na sebe sama jako jakákoliv jiná organizace, ale Kellen tvrdí, že tak lze identifikovat také příležitosti pro rozvoj použití specifického pro školní záležitosti, jako je udržení studentů. Například sledování studentských příspěvků na sociálních sítích může pomáhat fakultám a správcům zjistit v raném stadiu, že mají studenti různé akademické problémy, stejně jako to dělá firma Dell, když pomáhá zjistit osoby tweetující informace o poškozených noteboocích. IT vývojáři by měli také hledat způsoby, jak vestavět upozorňovací zprávy generované analýzou sociálních sítí přímo do aplikací, aby tak bylo možné na tyto události patřičně reagovat, říká Kellen. „Sami nemáme ani znalosti, ani nástroje, které by pomohly využít obrovské množství příspěvků v sociálních sítích,“ tvrdí Allan Hackney. „Jakmile taková data máte, musíte být schopni získat dostatek informací o událostech, které se dějí ve firmě, abyste je mohli dát do souvislostí.“ Přestože jsou podle Hackneye snahy společnosti John Hancock v této oblasti teprve v zárodku, sám nad rolí IT ve zjišťování souvislostí údajů ze služby sociální analýzy s podnikovými daty přemítá. Pokud například data ze sociálních sítí ukážou na záporný vývoj názorů na společnost v určité geografické oblasti, chtěl by vědět, zda v té době podnik třeba změnil ceny nebo politiku v daném regionu způsobem, který by takový trend mohl svým způsobem vysvětlit. „Nalezení takových vzájemných souvislostí může přesvědčit vedení společnosti, že existuje návratnost investic do podpory využití sociálních sítí,“ tvrdí Hackney. „V mém oboru jsou všichni pojistnými matematiky a každý hledá přesná čísla.“

Dostáváme a sledujeme spoustu materiálů, strukturovaná i nestrukturovaná data a není vždy jasné, co se v nich vlastně hledá. CYNTHIA NUSTADOVÁ, ŘEDITELKA IT, HMS

w w w.c i o.c z | w w w.c w.c z

BI-zlom.indd 7

7 24.10.12 13:13

Business intelligence ve vašich podnikových informačních systémech Business intelligence (BI) neboli nástroje pro pokročilou analýzu obrovských objemů dat, které vám umožní vidět v nich nové souvislosti důležité pro řízení vaší firmy, se v IT používají ve velkém již několik let. Nyní se však BI díky Microsoftu stává cenově dostupnější a mohou si ho dovolit i malé firmy. Velkou část, anebo dokonce všechny nástroje, které jsou pro BI potřeba, totiž firmy už často mají k dispozici. Co je to business intelligence Business intelligence (BI) je zjednodušeně řečeno nástroj, který umožňuje pracovat s velkými objemy dat z různých zdrojů a hledat v nich nové souvislosti a trendy. Důležitým charakteristickým prvkem (BI) nástrojů je možnost dívat se na data z různých pohledů – podle regionů, středisek či divizí, produktů, produktových řad, jednotlivých obchodníků atd. Díky tomu je možné odhalit trendy, které v celkových číslech mohou snadno zaniknout, třeba fakt, že většinu prodejů dělá firma v jednom regionu nebo v jednom konkrétním tržním segmentu. BI navíc umožňuje sledovat vývoj jednotlivých ukazatelů v čase, a to jak do minulosti, tak i do budoucnosti, s využitím příslušného statistického a matematického aparátu v podobě regresních funkcí. Pod pojmem BI se přitom skrývá cokoliv z výše uvedeného – od jednoduchých reportů, které pouze poskytnou hlubší souhrnný pohled na celková čísla třeba až na úroveň jednotlivých středisek, produktů či dnů v týdnu, až po modelovací nástroje, které ukážou například vývoj prodejů daného produktu v čase od minulosti až po blízkou budoucnost, a umožní tak firmě efektivněji provádět product lifecycle management.

Nástroje pro business intelligence od Microsoftu už často máte Business intelligence do Microsoftu stojí na třech klíčových produktech, které řada firem už používá. Nasazení nástrojů business intelligence tak pro ně často nevyžaduje žádnou další investici do softwaru. Tím prvním nástrojem je Microsoft SQL Server, rozšířený základ pro firemní databáze, podnikové informační systémy, e -shopy i další on-line aplikace. Jeho úkolem je hlavně spravovat data, připravovat pohledy a provádět s nimi příslušné analytické a početní operace. Druhým stavebním kamenem je Microsoft Excel, jeho role se spolu s nástupem nové verze Office ještě podstatně rozšíří. Excel už od

8

verze 2010 umí zpracovávat obrovské objemy dat. Díky tomu mohou uživatelé provádět náročné databázové operace s využitím výpočetního výkonu vlastního počítače a bez negativního vlivu na výkonnost celé databáze, která v tu dobu slouží třeba stovkám dalších uživatelů a zákazníků.

Posledním stavebním kamenem je pak Microsoft SharePoint. Ten slouží jako platforma pro přípravu, sdílení a každodenní používání statických i interaktivních reportů, umožňuje jednotlivé výstupy včetně např. výpočtů KPI zobrazovat přímo na intranetu či extranetu a slouží také k tomu, aby bylo možné jednotlivé dynamické tabulky či grafy vkládat do PowerPointu a přímo odsud s nimi např. uprostřed prezentace pro management pracovat.

Základem jsou reporting services v SQL Serveru 2012 Základní BI funkce, které jsou dostupné v Microsoft SQL Serveru, jsou integration, analysis a reporting services. Poslední zmíněné umožňují využívat nad

daty např. z podnikového informačního systému, databáze, e -shopu apod. tzv. OLAP (Online Analytical Processing) funkce. OLAP dává možnost dívat se na data z několika různých bodů pohledu – tzv. dimenzí – které mají k analyzovanému ukazateli nějaký vztah. Pokud se budeme zajímat například o objem prodejů, můžeme se na něj dívat podle zákazníků, druhů zboží, regionů atd. Každý bod pohledu je jedna dimenze. Souboru dimenzí u jednoho zvoleného ukazatele se pak říká OLAP kostka (kostka kvůli tomu, že využíváme OLAP např. ve třech a více dimenzích). Kromě pohledů samotných existují také nadhledy – tzv. vyšší dimenze – kdy například námi zvolený objem prodejů budeme zkoumat podle stře-

disek, skupiny zboží, jejich kódů, dodavatelů, zaměstnanců, kteří zboží prodali, atd. Abychom získali přístup ke všem těmto informacím a pohledům na jednotlivé OLAP kostky, je třeba předpřipravit tzv. reporty. Jejich příprava většinou vyžaduje pokročilé znalosti jazyka SQL, ve kterém Microsoft SQL Server pracuje. Proto připravuje jednotlivé reporty a OLAP kostky zpravidla implementační partner. V základní úrovni s nimi umí pracovat každý partner certifikovaný pro implementaci produktů Microsoft Dynamics či Microsoft SQL Server. Samotné využití OLAP kostek a reporting services je zdarma, neboť se jedná o standardní součást Microsoft SQL Serveru. Firma platí pouze za přípravu OLAP kostek a reportů implementačním partnerem.

BU S I N E S S I N T E L L I G E N C E 2012

BI-zlom.indd 8

24.10.12 13:13

PowerPivot pro Excel 2010, komponenta BI zcela zdarma Na BI analýzu dat z podnikového informačního systému lze využívat přímo Microsoft Excel 2010. Stačí do něj doinstalovat zdarma dostupný doplněk Microsoft PowerPivot for Excel 2010, který je dostupný i v české jazykové mutaci. V nové verzi Microsoft Excel je pak PowerPivot už integrální součástí. Jediné, co je třeba mít pro využití PowerPivotu k dispozici, jsou připravené OLAP kostky v SQL Serveru. Velkou výhodou PowerPivotu je přitom fakt, že je možné provádět interaktivní analýzu včetně nejrůznějších grafů nad aktuálními daty přímo např. z podnikového informačního systému a že je k té analýze možné využívat i všechny další dostupné nástroje, které Excel nabízí. Vytvořený report, který se z připravených OLAP kostek dělá identicky jako například kontingenční tabulka či graf, lze navíc jednoduše uložit jako klasický excelový soubor a využívat jej i off-line, případně pak pouze aktualizovat data z databáze prostřednictvím jednoho kliknutí. Velká výhoda je, že potřebný výstup i jeho formu si může vytvořit sám uživatel bez nutnosti asistence ze strany implementačního partnera a že jakákoliv analýza nezatěžuje přímo databázový server, ale jen počítač, na kterém analýza probíhá. K PowerPivotu je navíc k dispozici i podrobný návod v českém jazyce, který počáteční seznámení s jeho funkcemi výrazně usnadní. Microsoft PowerPivot existuje i ve verzi pro SharePoint 2010, kdy je možné provádět tytéž funkce přímo na intranetovém či extranetovém portálu ve webovém prohlížeči s tím, že je možné snadno předdefinovat jednotné, skupinové i individuální pohledy pro jednotlivé uživatele. To znamená, že na jediný report sdružující například informace o prodejích za celou

Proč využívat business intelligence Dalibor Kačmář, manažer serverové divize, Microsoft: „Nástroje pro business intelligence od Microsoftu vám dají možnost dívat se na data od celku po detail a obráceně. Umožní vám hledat různé souvislosti, které by vám jinak v záplavě dat unikly. Můžete zjistit třeba, že v jednom regionu se prodává více červené oblečení než v jiném, a okamžitě tomu přizpůsobit logistiku. Můžete zkoumat, kdy se vaše zboží prodává nejvíce, které zboží si zákazníci kupují pohromadě, odkud jsou vaši noví zákazníci, ve které dny v týdnu se co nejvíce prodává, jak výkonní jsou vaši obchodníci, kteří zákazníci vám generují největší obraty a na kterých nejvíce vyděláte atd. Důležité přitom je, že pokud dáte svým zaměstnancům do ruky snadno použitelné nástroje s přehlednými a pochopitelnými výstupy, jako nabízí například PowerPivot a PowerView, budou zaměstnanci tyto nástroje používat, budou sami tyto nové souvislosti hledat a budou moci na základě nich činit kvalifikovaná rozhodnutí, která pomohou zvýšit vaše tržby i marže.“

Evropu lze na SharePointu nadefinovat, že management společnosti uvidí všechna data, ředitel národní pobočky v tom samém reportu uvidí jen data za svoji zemi a vedoucí jednotlivých prodejen zase jen data za své prodejny. Když pak bude potřeba report jakkoliv upravit, doplnit nebo rozšířit, provede se to právě jednou a pohled se změní všem uživatelům najednou a opět jen na ta data, která mají vidět.

PowerView aneb cesta k interaktivnímu BI Microsoft SQL Server 2012 přinesl v kombinaci se SharePointem 2010 velice podstatnou novinku – nástroj zvaný PowerView, který se objeví i v novém Excelu. PowerView umožňuje provádět řadu operací, na které bylo třeba dříve využívat služeb implementačního partnera. K datům lze díky PowerView a SharePointu přistupovat přímo z webového prohlížeče a všechny reporty jsou navíc plně interaktivní. Vytvoření nového reportu je otázkou několika málo sekund a není o nic náročnější než třeba vytvoření kontin-

genční tabulky nebo grafu v Excelu. V základu jsou k dispozici animace reportů (i grafů) v čase a procházení daty je plně interaktivní se snadnou možností dostat se pouhým kliknutím o úroveň níž. SQL Server 2012 také pracuje se sémantickým modelem, který umožňuje jednoduše graficky dávat jednotlivé položky dat do souvislostí a vztahů, které uživatel následně může snadno u jednotlivých položek či skupin dat sledovat. SharePoint 2010 nabízí také Visio Services, které umožňují nechat si při analýze zobrazit data v grafickém znázornění např. procesů, rozložení zboží v prodejně či na mapových podkladech Bing map. Výstupy z jednotlivých reportů lze také jedním kliknutím exportovat do formátů Microsoft Excel, Word či PowerPoint, a to včetně zachování použitých grafických prvků. SQL Server 2012 navíc přichází i se zcela novým fulltextovým statistickým sémantickým vyhledáváním, které umožňuje snadnou orientaci i v nestrukturovaných datech a umožňuje hledat souvislosti mezi jednotlivými položkami či dokumenty v databázi.

Vsadili jsme na business intelligence od Microsoftu Martin Pidrman, IT manažer, STROJÍRNY POLDI Nasazení nástrojů business intelligence bylo dalším logickým krokem rozvoje ICT služeb. Zjednodušeně řečeno, díky informačnímu systému máme kvalitní data, ale pro správné rozhodování a řízení jsme potřebovali informace. Proto jsme ve spolupráci s BI Experts zvolili řešení BI postavené na technologiích Microsoft s maximálním využitím integračních služeb nového SQL Serveru 2012. Implementované řešení dokáže plně pokrýt nejen naše požadavky na manažerský reporting, sledování klíčových ukazatelů a kontroling, ale má i přesah do výroby a jejího každodenního řízení. Radek Benda, business controller, ISS Česká a slovenská pobočka nadnárodní korporace ISS Facility Services využívá již několik let řešení BI, cílem kterého je poskytování aktuálních komplexních informací v oblasti financí. Toto řešení vyvinula a dodala společnost Clever Decision. Řešení nám jak spoří čas, který bychom museli věno-

vat každodenní tvorbě velkého množství reportů, tak zároveň zefektivňuje manažerské rozhodování, což má vliv na produktivitu a ziskovost firmy. Jan Novotný, obchodní ředitel, Ambica V dnešním vysoce konkurenčním prostředí se stává nutností řídit podnik a jeho operace pomocí vhodně navrženého systému pro řízení výkonnosti. I naši úspěšní zákazníci si postupně uvědomují potřebu posunout se od využívání reportů a analýz odbornými útvary k přímé podpoře řídicích procesů prostřednictvím interaktivních manažerských panelů s klíčovými ukazateli výkonu. S využitím platformy Microsoft Business Intelligence, zejména SQL Serveru 2008 R2 a SharePointu 2010, jsme konečně měli k dispozici nástroje pro úspěšnou realizaci takových řešení. Například implementace systému řízení obchodní sítě ve společnosti Mountfield přinesla centrálnímu managementu systematičtější hodnocení obchodního výkonu prodejních center, efektivnější komunikaci a reportování výsledků. w w w.c i o.c z | w w w.c w.c z

BI-zlom.indd 9

9 24.10.12 13:13

Urychlete vývoj, byznys nečeká!    

Z DE NĚ K DVO Ř Á K

Pilot – test a důkaz správnosti konceptu řešení Tvorba nových experimentálních dat pro datamining Testování hypotéz Datové sklady – agilní, nebo ne? Extrémně privátní byznys data, kam ani IT nemá přístup Kdykoliv slyšíme v jedné větě slova jako datový sklad a agilní Data Lab, který bývá rozdělen na několik sandboxů, je přederychlá implementace, automaticky se nám vybaví mnoho arguvším rezervovaný prostor, výkon, sada nástrojů a procesů datomentů, proč to nejde. V případě rozšíření či změny jádra datového skladu nám nevyvstanou na mysli hodiny, dny či týdny, navého skladu, sloužící pro zodpovězení jedné či více kritických opak spíše cítíme měsíce či kvartály. To samozřejmě neplatí pro byznys otázek. Je vlastněn a spravován přímo uživatelem s minivývoj business intelligence nad existujícím úložištěm, kde se již mální součinností IT. Může obsahovat suboptimálně napsaný delší dobu prosazují různé agilní metodologie. kód či data s neznámou kvalitou. Jedná se o dočasnou strukturu, V tomto článku rozebereme, jak lze výhody inovativních pokterá zaniká v řádu týdnů až měsíců. Vylučuje periodické běhy stupů využít přímo v souvislosti s tvorbou podnikové datové záplnění dat, nepotřebuje optimalizaci. Zároveň nemusí plnit kladny (EDW – Enterprise Data Warehouse). žádná SLA. Ukazuje směr nových projektů a produktů, nevytváří Důvod, proč je potřeba hledat tyto nové cesty, je znázorněn však cílová robustní řešení. na následujícím obrázku: V praxi to znamená, že byznys uživatelé mohou samoobslužně vytvářet a spravovat struktury v části EDW prostředí a analyzovat data takto vytvoAnalytický průzkum B ná p ípadová studie v analytickém pr zkumu: řená ve spojení s existující podnikovou datovou bází. Není potřeba replikovat či přesouvat data Nahrání nov ch V sledkem je, e na jiný systém. Tím se snižuje závislost byznysu datov ch p ír stk mnoho business Nov ch dat do jádra datového analytik jde cestou na IT, neboť řešení umožňuje samostatně sprapot ebn ch skladu je svázáno Dat pot ebn ch nejmen ího odporu vovat Data Lab v prostoru EDW. Navíc díky v konjunkci k anal ze je rigorózními procesy a vyextrahují si faktu, že vše běží přímo v databázi Teradata, s p edchozími pro ochranu jeho dostupn ch zmín n ch 90 % dat mohou uživatelé využít výkon celého datového EDW daty v datovém skladu na sv j po íta integrity skladu.

10 %

90 %

+

+

=

Která firma může zodpovědně prohlásit, že nemá alespoň jednoho analytika, který si téměř pokoutně zajišťuje data z různých zdrojů a přichází se zajímavými, překvapivými, avšak mnohdy rušivými výstupy? Důvodem prvních dvou přívlastků je mnohdy kreativní náhled a propojení dat, která spolu zdánlivě nemusí souviset. Negativní přívlastek si však vyslouží různá necertifikovaná data, která mohou ukazovat až zavádějící výsledky, neboť pro ně neplatí korporátní byznys pravidla. Proč ale nevyužít kreativitu a elán těchto lidí a neposkytnout jim potřebné nástroje? Pokud takovouto otázku položíte administrátorovi databáze, dostanete jasnou odpověď: „Protože se neumí správně zeptat!“ Oddělení datového skladu začne zdlouhavý proces sběru uživatelských požadavků, plánování a implementace. Mezitím analytik problém již vyřešil nezávisle na oddělení datového skladu a zkoumá další nápady. Tento vzor chování vidí konzultanti společnosti Teradata u většiny svých zákazníků. Vzhledem k tomu, že základní principy naší technologie umožňují agilní vývoj, byla vyvinuta sada nástrojů, metodik, procesů a služeb, které otevírají dvířka k tomuto přístupu přímo byznys uživatelům.

Přínosy zavedení Data Labu Řešení Data Lab přináší přidanou hodnotu jak byznysu, tak IT, viz následující tabulka: Přínosy z pohledu byznysu:

Přínosy z pohledu IT:

N ezá visl o st • Silní uživatelé jsou sami schopni vytvořit si své prostředí v cloudu Data Labů • Samoobslužná analýza zhodnocuje existující BI a statistické nástroje

J e d n o d u c h o st • Centralizuje správu analytického ekosystému • Zjednodušuje produkční řešení aplikací a datových přírůstků

Efe k tivit a • Žádný nový HW či SW není potřeba • Propojení s EDW daty eliminuje nepotřebné přesuny dat • Snižuje závislost na IT

Rychlost Ce n a • Využívá výkon EDW platformy s o řád vyšším • Snižuje spotřebu systémových prostředků díky výkonem a z toho plynoucím rychlejším zpra- eliminaci redundantních datových přenosů cováním • Eliminuje stínové IT v byznys jednotkách a privátní datamárty

Agilní vývoj v pojetí společnosti Teradata – Data Lab Naše metodika odpovídá na základní požadavek byznys oddělení, kterým je především rychlost odpovědí destilovaných z podnikových dat – co nejnižší „Time to Market“. Žádná metodika se však nehodí pro každý typ požadavku. Představu o vhodnosti užití ukazuje následující graf (v sousedním sloupci), kde úroveň autonomie a latence předurčují agilní způsobilost. Zatímco se metodika Data Lab nehodí pro vývoj samotného řešení EDW jako celku, jsou primárními případovými studiemi vhodnými pro tento typ vývoje následující oblasti:  Rychlá analýza a otestování nové byznys teorie  Datový průzkum nových dat ve spojení s existujícími daty v EDW  Jednorázová ad hoc byznys otázka

10

Kontrolovatelnost • Workload management pro minimalizaci dopadu na datový sklad • Řešení bezpečnosti • Nastavení předdefinovaných životních cyklů a limitů velikosti Data Labů

DWH Autonomy (Team - IT) Data Lab Private space

Data Lab User Prototyping Advance Analycs

Low Latency (Business) Data Lab »BICC«

High Latency (Business)

Data Lab IT Prototyping

Data Lab Patch Run

»Industrial DWH« (Cerfied Data & process)

DWH Dependence (Team -IT)

BU S I N E S S I N T E L L I G E N C E 2012

BI-zlom.indd 10

24.10.12 13:13

Kritické prvky zavádění Data Labů Základním principem metodiky Data Lab je dočasnost nasazení jednotlivých sandboxů. Před koncem jejich životního cyklu je třeba rozhodnout, zda nový pohled na data přináší pro společnost dostatečnou hodnotu, která zdůvodní řádnou implementaci v EDW. V případě, že ano, dochází k návrhu funkčního řešení pro nasazení do produkce. V opačném případě je sandbox zrušen. V žádném případě by nemělo docházet k dlouhodobému produkčnímu reportingu z Data Labu. To by v dlouhodobém výhledu vedlo k minimalizaci řádného vývoje EDW se všemi problémy, které tento stav přináší. Proto se doporučuje stanovit již zcela na začátku maximální dobu životnosti pro konkrétní sandbox – a to v řádu týdnů až měsíců. Napojení na procesy BI kompetenčního centra společnosti nebo jiného oddělení, které má za úkol sběr a realizaci uživatelských požadavků na BI výstupy z podnikových dat, je nejdůležitější komponentou organizačního zajištění Data Labu. Architektonicky doporučuje společnost Teradata nasazení Data Labu uvnitř EDW platformy. Jeho budování bez EDW přináší značná rizika především v oblastech sjednocení byznys pravidel a výkonu. Na následujícím obrázku je základní schéma umístění Data Labu s uživatelsky spravovanými daty a jejich propojení na data v integrovaném datovém modelu. Pro zajištění výkonu uživatelských dotazů vedle produkční zátěže je třeba využít nástroje pro rozdělování zdrojů platformy Teradata.

Acve Workload Management

SAS data

Data Lab

Integrated Data Warehouse

csv data

External Data

Read, write

Read only for Data Lab users

Use analyc tools to join and explore combined data

Vytvoření Data Lab prostředí je založeno na následujících komponentách řešení Teradata:  Škálovatelná databázová platforma  TASM (Teradata Active System Management): Nástroj umožňující dedikovat výkon pro produkční zátěž a uživatelské ad hoc dotazy prostředí Data Lab v komplexním workloadu EDW  Teradata ViewPoint: Webový server se sadou portletů s tenkým klientem. Primárně se jedná o portlet Data Labs, určený ke správě, samoobslužné tvorbě a plnění sandboxů včetně nástroje pro nahrávání dat a dotazování

 Teradata nástroje a utility: Tlustý klient pro práci s Teradata platformou  Partnerské nástroje zahrnují funkcionality business intelligence, Online Analytical Processing (BI/OLAP), in-database datamining, textovou analýzu a vizualizaci.

Případové studie Z mnoha případových studií zmiňujeme implementaci Data Labů ve francouzském Bouygues Telecom. U tohoto zákazníka došlo k implementaci programu Globální Data Lab v produkčním prostředí EDW. Z pohledu zákazníka jsou hlavními přínosy této implementace:  Zrychlení „Time To Market“: řešení inovací pro všechny oblasti byznysu  Byla definována služba Agilní Data Lab a Governance řízená dedikovaným agilním týmem  Bylo identifikováno téměř 200 iniciativ Data Labů, řízených tímto řešením, s cílem úplné eliminace privátních datamártů  Došlo ke zlepšení Total Cost of Ownership vlastního EDW a BI řešení společnosti  Doba řešení uživatelských požadavků se snížila ze dnů až týdnů na hodiny  Data Lab je využit i ve fázi před industrializací evoluce EDW, a to především pro data discovery, řešení datové kvality a datové modelování Druhým příkladem praktického užití je oblast dataminingu jednoho českého telekomunikačního operátora. Zde je Data Lab využíván pro přípravu analytického datového setu a výpočet stovek navržených prediktorů, které jsou pak díky možnosti propojení s produkčními daty snadno validovány. Úspěšné algoritmy jsou pak optimalizovány a zařazeny do produkčního skóringu. Hlavní výhodou je, že celým vývojovým EDW cyklem prochází jen 10 % dataminingových proměnných, zbytek je vyřazen již v Data Labu.

Shrnutí Vzhledem k tomu, že primární sférou zájmu společnosti Teradata je oblast budování datových skladů, nabízí společnost i inovativní pohledy a přístupy k problematice zrychlení vývoje BI aplikací. K zajištění agilního vývoje využívá klasické nástroje EDW a doplňuje portfolio těchto tradičních nástrojů i o nové, dedikované pro řešení Data Labs. Využívá konkurenční výhody své vlajkové lodi, databázové platformy Teradata, jako je lineární škálovatelnost, a v oboru bezkonkurenční řešení workload managementu. Toto vše doplňuje organizací professional services, zahrnující jak implementační konzultanty, tak i školicí a podpůrné organizace. Aktuální situace na trhu se díky rostoucí digitalizaci zrychluje ve všech segmentech podnikání a konkurenceschopnost závisí čím dál více na rychlém rozhodování, inovativním přístupu a na využití všech vědomostí podniku a schopností jeho zaměstnanců. Společnost Teradata umožňuje dát jim k dispozici ty správné nástroje pro to, aby mohli dělat nejlepší možná rozhodnutí ve své každodenní práci. Popis řešení Teradata, reference, případové studie a další informace najdete na www.teradata.com. Autor je solution architect společnosti Teradata

w w w.c i o.c z | w w w.c w.c z

BI-zlom.indd 11

11 24.10.12 13:13

Zprovoznění prediktivní analytiky Navzdory obvyklému názoru nepotřebujete velký rozpočet, abyste mohli s prediktivní analýzou začít. ROBERT L . MITCHELL

G

areth Herschel, analytik společnosti Gartner, říká: „Použití prediktivní analytiky je běžné v odvětvích, jako jsou telekomunikace, finanční služby a maloobchod. Celkově však stále jde jen o malé procento organizací, které ji aktivně používají – možná něco okolo 5 %.“ Zájem je nicméně vysoký ve společnostech, které jsou stále zaměřeny na historickou, „popisnou analytiku“, a v podnicích se zavedenými postupy prediktivní analytiky, kde nyní dochází k přesunům mimo tradiční oblasti, jako jsou marketing a řízení rizik. Nové metody tak předpovídají množství prokliků na webech a celkové chování, pomáhají personalistům předvídat, kteří zaměstnanci by mohli dát výpověď a podobně. Další oblastí je směrování hovorů na linky podpory, kde lze modely použít k určení toho, který agent pravděpodobně nej-

12

lépe odpoví na otázku daného volajícího zákazníka. „Mají větší zájem, protože mají více dat,“ tvrdí Dean Abbott, prezident poradenské společnosti Abbott Analytics. „Pozornost je zaměřena na rozvojový potenciál. Lidé říkají, že je to něco, co musejí udělat.“ Musíte se však nejdříve naučit chodit, než můžete běhat, a s nároky organizací na big data není prediktivní analýza něco, co lze využívat lehkovážně nebo nahodile. Požádali jsme firmy, které jsou v této oblasti nové, i zkušené profesionály, aby se podělili o své zkušenosti. Doporučují začít v malém, úzce spolupracovat s firemními odděleními na definici problému, neustále testovat a zdokonalovat model, předávat výsledky v pojmech, kterým mohou porozumět osoby se zodpovědností za podnikové rozhodování, a především se ujistit, že firma bude ochotna na základě těchto předpovědí jednat.

Predikce pro sportovní utkání Analytická skupina týmu NBA (severoamerická národní basketbalová liga) Orlando Magic strávila plné dva roky zdokonalováním svých schopností v oblasti podnikání. „Před dvěma lety jsme o prediktivní analýze nevěděli prakticky nic,“ tvrdí Anthony Perez, ředitel obchodní strategie pro franšízu NBA. Zatímco jeho tým pracoval na prediktivní analytice částečně již předtím, Perez dodává, že jejich nástroje nebyly dostatečně výkonné, aby jim poskytly potřebné postřehy, takže je to celé stálo velké úsilí. Perez tedy koupil nový výkonnější software od SAS a začal vzestup po křivce učení. Dnes je zavedenou praxí nejen pomoc při optimalizaci prodeje lístků, ale také poskytování nástrojů usnadňujících trenérům předvídat nejlepší sestavy pro každý basketbalový zápas a informace, kteří potenciální hráči nabídnou za vynaložené investice nejlepší hodnotu. Perezův tým začal pomocí analytických modelů předpovídat, které zápasy bu-

BU S I N E S S I N T E L L I G E N C E 2012

BI-zlom.indd 12

24.10.12 13:13

dou vyprodány a o jaké bude zájem menší. Pokladna potom tyto informace používá k úpravě cen s cílem maximalizovat návštěvnost a zisk. „Poslední sezonu jsme měli největší obrat ze vstupenek v historii naší franšízy, přestože jsme z důvodu výluky hráli jen 34 zápasů v sezoně, která ale dovoluje mít až 45 zápasů,“ popisuje Perez. Nyní jsou tyto modely používány a ceny upravovány každý den. Pokud se Pereze zeptáte, jak jsou využívány k předpovědím pro sestavení nejlepších týmů a herní strategie, je už méně otevřený. „To je tajemství, o kterém nikdo nemluví,“ odpovídá. I když je to vše stále poměrně v zárodku, také další organizace postupují po křivce učení prediktivní analytiky. Je to disciplína dolování dat s předpovědí, která kombinuje algoritmické modely s historickými údaji za účelem zodpovězení otázek, například jak je pravděpodobné, že si daný zákazník zase koupí lístek platící na celou sezonu. Modely přiřadí tyto pravděpodobnosti pro každou osobu. Podnik pak může na základě takových údajů připravit opatření. Další analýza se pak může použít k předpovědi, jak úspěšné mohou být různé zvažované kroky.

Nalezení vhodného použití „Společnost Procter & Gamble (P&G) produkující spotřebitelské výrobky intenzivně využívá analytiku k předvídání budoucích trendů, ale nebylo to tak vždy,“ říká Guy Peri, tamější ředitel business intelligence v divizi Global Business Services. „Dříve jsme jen sledovali údaje z minulosti, ale zhruba před půl rokem došlo k významné pozitivní změně. Nyní využíváme pokročilou analytiku, abychom byli lépe připraveni na budoucnost a dokázali při řízení zohlednit výjimky, což znamená separaci anomálií za účelem rozpoznat a připravit se na skutečné trendy,“ prohlašuje Peri. P&G používá prediktivní analytiku pro všechno – od projektování růstu trhů a tržních podílů po předvídání, kdy selže výrobní zařízení. Vizualizace pomáhá manažerům v rozhodování, které události jsou běžnými obchodními odchylkami a jaké vyžadují zásah. „Zaměřujeme se na skutečně důležité záležitosti,“ tvrdí Peri. Je potřebné reagovat s jasným pochopením obchodních okolností, a to vyžaduje spolupráci.

„Musíme přesně znát problematiku a potřebnou odezvu, když se vrátí výsledky,“ vysvětluje Peri. Je také důležité udržet soustředění na danou oblast. Ztráta kontroly může rychle zničit vaši důvěryhodnost, připomíná Peri. Hned na začátku P&G vyvinula model pro odhady budoucích podílů na trhu pro regionální obchodní lídry v oblasti podnikání, kterou nechtěl specifikovat. Fungovalo to, dokud se společnost nepokusila použít tentýž model pro naplnění potřeb lídrů v dalších oblastech. V těchto případech bylo potřeba stanovit větší podrobnosti, ale jeho skupina se pokusila použít stejný, už jednou použitý model. „Tento model se ale stal nespolehlivým a podkopal důvěryhodnost původních analýz, které ale byly zcela přesné,“ popisuje nepříjemnou zkušenost Peri. Noví uživatelé podle Periho musí udělat několik kroků, aby mohli začít: Najmout si školeného analytika, který ví, jak příslušný model vyvinout a jak jej použít pro obchodní problematiku, jak najít správná data, která je potřebné do něj vložit, či jak získat podporu obchodních manažerů nebo podporovatele z řad vyššího managementu, kteří budou řešení dále prosazovat. „Všimněte si, že jsem nezmínil nástroje,“ upozorňuje Peri. „Odolejte pokušení koupit za spoustu peněz kus softwaru, o kterém si budete myslet, že bude řešit veškeré vaše problémy. Takový prostě neexistuje.“

Nemusíte tedy do svých prvních pár projektů investovat tolik. Místo toho vložte peníze do školení zaměstnanců v oblasti pokročilého modelování za pomoci tabulek. „Chcete-li začít, lze všechno zvládnout i pomocí klasického Excelu. Prozkoumávat pokročilejší nástroje na úrovni platforem je potřeba jen tehdy, když chcete svůj záběr rozšířit,“ radí Peri.

Těsná spolupráce s uživateli Bryan Jones začal s omezeným rozpočtem, ale to není hlavní důvod, proč jeho první snaha o využití prediktivní analýzy skončila neúspěchem. Tento ředitel pro hodnocení výkonnosti u organizace poskytující poštovní služby chtěl využít prediktivní analytiku k tomu, aby pomohl určit, které reklamace byly s největší pravděpodobností podvodné. Po osmi měsících práce měl funkční model, ale nezávislá analytická skupina pracující na projektu nebyla s oddělením, které mělo tento nástroj využívat, plně propojena. V důsledku toho byl tabulkový výstup zasílaný každé kanceláři z velké míry ignorován. Naštěstí měla Jonesova skupina neochvějnou podporu vrchního inspektora. „Pokud nemáte podporu od vedení, jste jak mrtvola plovoucí ve vodě,“ varuje Jones. Napodruhé si Jones najal poradce, který mu pomohl s modelováním a přípravou dat. Zajistil také, aby byl z každé skupiny, která měla výsledky využívat, přítomen jejich analytik.

„Využíváme pokročilou analytiku, abychom byli lépe připraveni na budoucnost a dokázali při řízení zohlednit výjimky.“ GUY PERI, ŘEDITEL BUSINESS INTELLIGENCE JEDNÉ Z OBCHODNÍCH DIVIZÍ SPOLEČNOSTI PROCTER & GAMBLE

w w w.c i o.c z | w w w.c w.c z

BI-zlom.indd 13

13 24.10.12 13:13

Překonání podnikové skepse „Přestože najmutí konzultanta může s některými technickými detaily pomoci, je to jen část problému,“ říká John Elder, ředitel poradenské společnosti Elder Research. „Více než 16 let jsme poskytovali řešení pro technické problémy, kde jsme byli požádáni o pomoc, ale jen dvě třetiny z nich bylo nakonec implementováno.“ Obecným problémem je, že lidé, kterým by měl model pomoci, ho nakonec nepoužívají. „Jako technicky zaměření lidé musíme odvádět lepší práci při nabídce modelu pro podnikové prostředí a při vysvětlování jeho přínosu,“ připomíná Elder.

Grafické mapy, jež jsou výsledkem analýz, jsou jako data mnohem využitelnější než samotná surová čísla, prohlašují jejich realizátoři. Výsledky jsou díky nim pro uživatele reálnější. Pro skupinu vyšetřující podvodné smlouvy například jeho tým umístil výsledky do webové interaktivní mapy, která zobrazuje každou smlouvu jako kruh – s většími kruhy představujícími největší náklady a červenými kruhy znamenajícími nejvyšší riziko podvodu. Vyšetřovatelé potom mohou kliknout na kruhy, a dostanou se tak k podrobnostem o každé smlouvě a k souvisejícím smlouvám, kterých se riziko týká. „Potom si lidé začali uvědomovat, že skutečně máme něco, co by jim mohlo pomoci,“ popisuje Jones. Nyní k němu chodí různá oddělení se svými dalšími požadavky a ze své vlastní skupiny přiřazují někoho, kdo bude s týmem Jonese spolupracovat. Jakmile je výstup připravený, vrátí se tato osoba ke své původní skupině a naučí ostatní, jak ho začít využívat. Jones zatím nemá přesná čísla o úspěšnosti jeho predikcí, ale už teď se to projevuje ve zvýšeném množství zatčení, zachráněných financí a dalších metrikách. Objevily se i další neočekávané výhody. „Teprve nyní lidé pochopili, jak moc jim můžeme být prospěšní. To je přínos, který jsme neplánovali,“ pochvaluje si Jones. Noví vyšetřovatelé, kteří nemají spousty let zkušeností a konexe, mohou okamžitě nasadit stejné tempo jako jejich starší spolupracovníci. „Tyto nástroje vyrovnávají i pracovní podmínky,“ domnívá se Jones. Jones tedy radí: Získejte těsný vztah s koncovým uživatelem, využijte při vytváření svého prvního modelu odbornou pomoc a prezentujte výsledky přesvědčivým a snadno srozumitelným způsobem.“ „Neměli jsme pro náš začátek správné lidi ani odbornost. Ani jsme nevěděli, co nevíme,“ vzpomíná Jones, takže se obrátili na externího odborníka na dolování dat, aby jim pomohl s modely. „Tento vztah nám pomohl pochopit, proč jsme byli neúspěšní, a uchránil nás od opakování stejné chyby.“

14

Organizování analytiky Určení, kdo a kde bude analýzy uskutečňovat, může být stejně kritickým faktorem úspěchu jako dovednosti týmů, prohlašují odborníci. Měli byste je integrovat do struktury IT, vytvořit pro ně nezávislou skupinu, nebo tuto funkci integrovat do každého firemního oddělení? Máme tu kompromisy: ■ Varianta 1: Analýzy v rámci provozu IT Personál IT má odborné znalosti pro práci s daty. Vytvoření analytického týmu jako součásti IT může být rozumné i účelné

a vztah spolupráce může podpořit rychlejší integraci analýz s dalšími podnikovými aplikacemi. Bez těsné součinnosti s koncovými uživateli však takové skupiny riskují vytvoření sice skvělých modelů, které ale nebude nikdo používat. „Analytické skupiny mohou být také pohlceny firemní IT strukturou,“ varuje John Elder, ředitel poradenské společnosti Elder Research. „Já bych je nevytvářel v rámci IT, protože by je mohly pohltit jiné priority.“ ■ Varianta 2: Ať každé firemní oddělení založí svou vlastní analytickou skupinu Ustavení datových analytiků v rámci jednotlivých oddělení zajišťuje jejich soulad s podnikovými potřebami a usnadňuje spolupráci. Vztah s oddělením IT, které spravuje data, však nemusí být dostatečně blízký. Zatímco analytici mohou požadovat inovace, oddělení IT se může více zajímat o dostupnost systému a zajištění výkonu. „Někteří členové oddělení IT mohou vnímat analytiku dokonce jako otravnou záleži-

BU S I N E S S I N T E L L I G E N C E 2012

BI-zlom.indd 14

24.10.12 13:13

tost,“ upozorňuje Dean Abbott, prezident poradenské společnosti Abbott Analytics, „protože to znamená v jejich pracovní době více hodin věnovaných něčemu, o co se vlastně nestarají.“ ■ Varianta 3: Vytvoření skupiny sdílených služeb Tento přístup umožňuje standardizaci společného souboru modelů a metod, odstranění redundance a rovněž zvýšení produktivity. Existence této skupiny mimo podnikový tým však může snížit zájem ze strany firmy, jak zjistil Bryan Jones z významné organizace poskytující poštovní služby. „Nedařilo se nám získat pozornost, protože jsme byli vnějším subjektem,“ popisuje, takže nasadil analytiky přímo do podnikových skupin. Dnes však jsou posíláni auditoři a vyšetřovatelé k němu, aby pomohli vytvořit nové modely. „Teď jsme opět skupinou organizační podpory,“ dodává Jones. Také Procter & Gamble má skupinu sdílených služeb, která se zodpovídá řediteli IT, ale obsahuje cca 300 analytiků v jednotlivých odděleních, kteří pracují

jako „důvěryhodní poradci“ šéfů společnosti, uvádí Guy Peri, tamější ředitel pro business intelligenci. Použitím agilního vývojového modelu může skupina vyladit současný model do 24 hodin, nasadit nový do 30 dnů a rozšířit dobrý model i pro další podniková oddělení během 90 dnů. „Nakonec správné rozhodnutí závisí na existující struktuře organizace,“ tvrdí Gareth Herschel, analytik Gartneru. „Pokud jste příliš soustředěni okolo IT, nechte je jako součást IT. Pokud mají vaše podniková oddělení velmi rozdílná zaměření, integrujte analytické skupiny do jejich struktury. A pokud mají podniková oddělení stejné zákazníky i dodavatele a dochází k překryvu produktů, použijte skupinu sdílených služeb.“ Přesvědčit osoby s rozhodovací pravomocí, aby využívaly výsledky analýz, může být stejně obtížné jako nejprve zajistit jejich účast v projektu. „Předpovědi totiž mohou být přesným opakem toho, co jim řekne jejich obchodní intuice,“ vysvětluje Anne Robinsonová, prezidentka institutu Informs (Institute for Operations Research and the Management Sciences), který se profesionálně zabývá oblastí podnikové analýzy. „Když se začnete více zajímat o analýzy, jde to proti intuici. Prospěch však přinášejí právě odchylky od toho, co děláte, protože když jsou výsledky intuitivní, zjistíte, že to už tak dělá většina lidí.“ Před několika lety vytvořilo Cisco Systems modely „tendence k nákupu“, aby pomocí nich zjistilo pravděpodobnost, zda budou zákazníci nakupovat v právě probíhajícím čtvrtletí, v tom dalším nebo nikdy. Tyto modely pokrývají všechny výrobky ve všech oblastech prodeje. Prodejci si mysleli, že již vědí, co někteří lidé identifikovaní podle modelu budou kupovat, takže Cisco při výpočtu návratnosti tohoto modelu tyto prodeje vyloučilo. „První rok jsme stáli za nárůstem obratu v hodnotě jedné miliardy dolarů,“ uvádí Theresa Kushnerová, ředitelka Customer and Influencer Intelligence ve společnosti Cisco. „Měli jsme už zkušenost postavit se proti tomu, o čem jiní byli přesvědčeni.“ Také Peri se nepříjemně poučil, že až 80 % projektu prediktivních analýz je kulturního charakteru. „Naivně jsem si myslel, že když mám model, který dělá všechny tyto skvělé věci, bude vše fungovat. Musíte si však být vědomi toho, jak se lidé rozhodují a jak to bude tento proces transformovat.“ P&G jednou vyvinula model, jenž měl poskytovat „včasné varování“ ohledně toho, jaké výsledky budou mít jednotlivé podnikové divize. „Bylo to vlastně docela přesné, ale varo-

vání byla podána takovým způsobem, že lidé nechápali, jak by na ně měli reagovat, takže nedošlo k aktivním rozhodnutím, což byl původní záměr,“ vzpomíná Peri. Poučení: Analytika je cenná jen tehdy, když na základě takové informace dojde k nějakému opatření. Lidé se také mohou cítit analytikou ohroženi. „Existuje tu nejprve obava, že model má určovat konečné rozhodování nebo že nebude respektovat obchodní znalosti uživatele,“ tvrdí Peri. Uživatelé proto musí pochopit, že prediktivní model slouží jako nástroj pro podporu rozhodování a jak mohou tento výstup využít ve svých vlastních rozhodovacích procesech. „Neztrácejte čas přesvědčováním lidí, aby modelu věřili,“ radí Kushnerová z Ciska. Namísto toho udělejte test a prezentujte výsledky. Tímto způsobem nezpochybníte jejich znalosti vy – udělá to věda. „To je matematika, to je statistika, to je fakt. Máte vlastní experiment, který postavíte proti tomu, o čem jsou oni sami přesvědčeni.“ Nakonec je ale prediktivní analýzy přinutí konfrontovat způsoby rozhodování založené na datech a intuici, myslí si Eric Siegel, prezident společnosti Prediction Impact, která v oblasti analytiky dělá školení a organizuje konference. „Je to velká ideologická bitva. Je to doslova jako náboženská debata.“

Získání dostatečně dobrých dat Po technologické stránce může být jak vytváření modelu, tak i příprava dat místem, kde lze udělat chybu. Prediktivní analytika je umění i věda. Vyžaduje čas a úsilí k vytvoření prvního modelu a získání správných dat. „Jakmile vytvoříte první, je tvorba příštího modelu mnohem levnější – za předpokladu, že používáte stejná data. Analytici, kteří vytvářejí nový a zcela odlišný model využívající jiné údaje, naopak mohou zjistit, že projekt je stejně časově náročný jako ten první,“ říká Abbott. „Rychlost procesu závisí také na množství zkušeností.“ Problematika přípravy dat může projekt rychle vykolejit. „Dodavatelé softwaru tento bod přeskakují, protože všechna data v demonstračních verzích již byla zadána ve správném formátu,“ varuje Siegel. „Nepouštějí se do toho, protože je to největší překážka z technického pohledu realizace projektu a nelze to zautomatizovat. Je to programátorská práce.“ Když Perez z týmu NBA Orlando Magic v roce 2010 začínal, podle svých slov velice špatně vypočítal čas potřebný na přípravu dat. w w w.c i o.c z | w w w.c w.c z

BI-zlom.indd 15

15 24.10.12 13:13

„Neměli jsme správná očekávání. Všichni jsme si mysleli, že to bude jednodušší, než to nakonec bylo,“ vzpomíná. Sloučení dat z aplikace Ticketmaster od dodavatelů koncesí a dalších obchodních partnerů do datového skladu trvalo mnohem déle, než se předpokládalo. „Uplynula téměř celá sezona bez existence našeho plně funkčního datového skladu. Nejvýznamnější věcí, kterou jsme se naučili, je, že to opravdu vyžaduje trpělivost,“ konstatuje Perez. „Co se týče kvality dat, je každý v rozpacích,“ uvádí Elder, ale čekat, až se všechny problémy vyřeší, je také chyba. Elder tvrdí, že data, na kterých opravdu záleží, jsou obvykle v dobrém stavu. „Přemlouvám lidi, aby postupovali dopředu a udělali tzv. salát – potom uvidí, co lze získat,“ popisuje. Ve společnosti Blue Health Intelligence (BHI) neměli žádné problémy s daty o zdravotní péči pacientů ze svých 39 poboček, ale s daty o mnoha milionech lidí za sedm let bylo problémů mnoho. „Zdravotní péče je, co se týče využití analytiky, pozadu kvůli složitosti dat,“ uvádí Swati Abbotová, výkonná ředitelka BHI. „Lidé mají tendenci honit se za daty, přestože nevědí, proč je potřebují.“ Klinické poznatky musejí přijít na řadu jako první, zdůrazňuje. „Teprve potom přijde na řadu matematika.“ BHI vyvinula modely předpovídající vhodnost hospitalizace nejrizikovějších pacientů – například kdo má odvratitelné riziko, kdo by s největší pravděpodobností reagoval na intervenci a jaké akce by pravděpodobně v jednotlivých případech pacientů zabraly. Zpočátku se v BHI zaměřili na pacienty s cukrovkou s vysokým rizikem hospitalizace – tedy na skupinu, u které se oče-

16

kává, že bude globálně stát zdravotní pojišťovny za pár let biliony korun. „První kolo analytických projektů nebylo úspěšné, protože koncoví uživatelé nebyli dostatečně angažováni. Stalo se z toho cvičení IT,“ dodává Abbotová. Protože zprávy nesdělovaly nic o důvodech, proč by konkrétní pacient měl mít vyšší riziko, kliničtí profesionálové si toho nevšímali. Abbotová tedy zajistila, aby byly v modelu patrné příčiny rizika a sdělovalo se nejen to, kdo má vysoké riziko, ale také proč a jaké intervence by mohly s vysokou pravděpodobností zlepšit výsledek. „Zajistěte transparentnost,“ radí Abbotová, „a předkládejte informace správným způsobem, aby nenarušovaly obvyklé pracovní postupy.“

Nejprve iterace, později změna velikosti „Ve firmě Intuit začínají všechny projekty v malém měřítku a procházejí přes neustálé cykly zlepšování,“ říká George Roumeliotis, tamější vedoucí týmu datové vědy. „Náš proces využívá iterace a malé měřítko před přechodem na to velké.“ Tato firma nabízející finanční služby začala používat prediktivní analytiku k optimalizaci svého marketingu či pro zvýšení prodeje a nyní se zaměřuje na optimalizaci zkušenosti zákazníků s jejími produkty. Intuit vyvinul prediktivní algoritmy úloh k předpovědi, jak budou zákazníci třídit transakce v různých finančních produktech, a předkládá klientům návrhy, když začínají s novými finančními operacemi. Nabízí také iniciativně obsah a rady, když zákazníci využívají produkty společnosti, a snaží se předvídat otázky dříve, než je uživatel vznese.

„Začněte s jasně formulovaným obchodním výsledkem, vytvořte hypotézu o tom, jak tento proces k tomuto výsledku přispěje, a pak proveďte experimentální nasazení,“ radí Roumeliotis. Prostřednictvím testování mohou analytici získat důvěru vedoucích pracovníků firmy. Mohou rovněž vytvořit paralelní obchodní procesy a demonstrovat měřitelné zlepšení. „Jen se ujistěte, že vyberete existující podnikový proces, který lze optimalizovat s minimálním rizikem pro podnikání,“ radí Roumeliotis. „Zákaznická podpora, udržení klientů a uživatelské zkušenosti jsou skvělými místy, kde lze začít.“ Zatímco projekty prediktivní analytiky mohou vyžadovat významné počáteční investice, studie jejich návratnosti ukazují, že mají obrovský vliv, jak ukazuje zkušenost firmy Cisco. Dokonce i malé projekty mohou mít obrovský dopad na podstatné oblasti. „Prediktivní analytika se týká předvídání a transformace celé společnosti,“ uvádí Peri. „Rizika jsou vysoká, ale stejně tak i zisk,“ myslí si Robinsonová z institutu Informs. „Reagujte na to, co jste se naučili, a budete úspěšní.“

Použité podklady Použití zde uvedených osvědčených postupů vám umožní úspěšně využívat prediktivní analytiku. K článku jsme využili zdroje, které nám poskytli tito jednotlivci a organizace: Guy Peri, Procter & Gamble; George Roumeliotis, Intuit; Dean Abbott, Abbott Analytics; Eric Siegel, Prediction Impact; Jon Elder, Elder Research a Anne Robinsonová, Informs (The Institute for Operations Research and the Management Sciences).

BU S I N E S S I N T E L L I G E N C E 2012

BI-zlom.indd 16

24.10.12 13:13

DŘÍVE

NYNÍ

Požadavek na změnu

Požadavek na změnu

Model Driven Architecture Změna se do jednotlivých komponent zadává ručně

Automatizace procesu zadávání změn

Automatické testy

BI-zlom.indd 17

Reporty

Instalační skript

Extract-Transform-Load

ETL

WIKI

Automatické testy

Reporty

Instalační skript

Extract-Transform-Load

WIKI

ETL

24.10.12 13:13

Manažerský informační systém pomáhá provést Zdravotní pojišťovnu ministerstva vnitra bouřlivými vodami péče, financí a procesů – významných pro Spolehlivě předpovídat budoucnost je nemožné, ale ti, kdo zajištění kvalitních služeb svým pojištěnvnímají lépe vazby a složitosti současné situace, se dovedou cům, pro optimalizaci obchodních vztahů se smluvními zdravotnickými zařízeními snadněji rozhodovat a odhadovat budoucí vývoj. Úkolem zvyšování efektivity a konkurencemanažerů každé společnosti je co nejlépe posoudit současný stav a pro schopnosti podnikání ZP MV ČR a její a pozici podniku na trhu, jeho příležitosti a hrozby. Každá velká schopnosti rychle a flexibilně reagovat na změny vnitřního a vnějšího prostředí. změna je signalizována příznaky, které ji předcházejí. Hodnota včasné informace pak spočívá v tom, že vedení má dostatečný Naše řešení Společnost Komix byla pro ZP MV ČR čas k přijetí patřičných rozhodnutí o adekvátní reakci na zajímavá svými specifickými znalostmi signalizovanou změnu. podnikání zdravotní pojišťovny, získaný-

Charakteristika zákazníka Zdravotní pojišťovna ministerstva vnitra ČR (ZP MV ČR), založená v roce 1992, je s 1,2 milionu pojištěnců největší zaměstnaneckou zdravotní pojišťovnou v ČR. Má rozsáhlou síť více než 25 000 smluvních zdravotnických zařízení po celé ČR, díky nimž zajišťuje svým pojištěncům kvalitní, dostupnou a moderní zdravotní péči. V posledních letech výrazně podporuje prevenci a zdravý životní styl prostřednictvím projektu Zdraví jako vášeň s Pavlem Křížem. Od září roku 2009 ZP MV ČR svým klientům nabízí unikátní elektronický produkt Karta života, jehož

součástí je mj. i osobní účet klienta s údaji o výdajích na zdravotní péči za poslední tři roky. Karta života je klientům k dispozici po zadání PIN a hesla na internetu a od roku 2011 i na chytrém telefonu. Údaje z ní mohou klienti získat na svůj mobil i prostřednictvím SMS zprávy.

Výchozí situace zákazníka Sílící konkurenční tlaky v systému zdravotního pojištění ČR ve druhé polovině devadesátých let přiměly ZP MV ČR hledat dostatečně kvalitní, přesný a komplexní nástroj k získávání, analýze a reportování dat – zejména z oblasti zdravotní

Příklad výběru: Stavy a porovnání počtu pojištěnců podle jednotlivých poboček ve vybraných letech

18

mi během více než pětileté spolupráce s Oborovou zdravotní pojišťovnou (OZP). V roce 2001 byl spuštěn společný projekt DAPO – vytváření a rozvoj datového portálu. Rozsah služeb poskytovaných společností Komix se neomezil na dodání hotového nástroje, ale obsahoval i aktivní účast na návrhu celého systému včetně koncepce a obsahu generovaných reportů. Systém DAPO integruje informace z provozních systémů, zpracovává stanovený reporting a poskytuje nástroje pro zpracování ad hoc dotazů. Údaje jsou podle stupně oprávnění poskytovány pracovníkům pojišťovny na intranetu v prostředí portálu. DAPO zpracovává a kombinuje informace z oblasti zdravotního pojištění i z oblasti účetnictví, a díky portálovému řešení umožňuje i začlenění dalších informačních systémů. V prostředí portálu je rovněž vybudováno call centrum. V první verzi byl datový portál postaven na technologii společnosti MicroStrategy. Projekt se úspěšně rozvíjel a během následujících let byla vytvořena řada datových skladů a datových tržišť. I když datový portál ZP MV ČR představoval ve své době moderní a mocný nástroj pro podporu řízení, byl zde prostor ke zlepšení: jakékoliv úpravy definovaných výkazů vyžadovaly zapojení specialistů IT a uživatelé se také často potýkali s nepříjemně dlouhými odezvami systému. To byla tehdy ovšem standardní situace všech řešení business intelligence. Roku 2008 přišla společnost Komix s námětem vylepšení systému na bázi zajímavého produktu QlikView a nové technologie IMA – In Memory Analysis. Tato technologie řeší problém dlouhých odezev pramenící z nutnosti neustálé komunikace s databázovými servery, kde jsou uložena jak zdrojová data, tak informace

BU S I N E S S I N T E L L I G E N C E 2012

BI-zlom.indd 18

24.10.12 13:13

© Kurhan – Fotolia.com

o struktuře datového skladu. QlikView ukládá data v komprimované podobě do operační paměti, a díky patentované asociativní technologii je schopno výrazně zkrátit doby odezev – třeba místo deseti minut na jednotky vteřin. ZP MV ČR byla jedním z prvních zákazníků, u něhož byl produkt QlikView na tak velká data nasazen. Prvním realizovaným projektem byl převod datového tržiště „Kmen pojištěnců“. I u zákazníka se plně potvrdily již otestované vlastnosti, zejména pak zkrácení doby odezvy z minutových časů na odezvy v podstatě okamžité či maximálně několikavteřinové. Po úspěšném ověření pak bylo rozhodnuto převést k začátku roku 2010 do prostředí QlikView celé existující řešení.

Vysoký komfort práce pro koncového uživatele se logicky projevil i v počtu koncových uživatelů. Po přechodu celého řešení se počet koncových uživatelů navýšil z cca 15 na více než 100 a dále narůstá. Nezanedbatelnou výhodou pro zákazníka je také skutečnost, že koncoví uživatelé systému nyní pracují s aplikacemi zcela intuitivně a nevyžadují žádná speciální školení. Podstatným způsobem klesly požadavky na vytváření reportů či ad hoc analýz specialisty IT. Uživatelé jsou schopni si potřebné analýzy dělat sami.

Hodnocení – přínos pro zákazníka Analytické informace o aktuální situaci i trendech ve všech významných oblastech podnikání ZP MV ČR nejsou dnes vý-

sadou několika jedinců ve vedení či ve specializovaných útvarech, ale jsou dostupné všem zaměstnancům, kteří je potřebují pro svoji práci. To umožňuje jak rychlejší, kvalitnější a operativnější rozhodování na všech úrovních řízení, tak i lepší komunikaci mezi vedením společnosti a jejími zaměstnanci. Použitá technologie podporuje delegování některých rozhodnutí z úrovně vrcholového vedení na střední management v duchu nejmodernějších trendů v řízení organizací (každý pracovník v organizaci má k dispozici informace, které potřebuje ke svému rozhodování). ZP MV ČR je dnes podle publikovaných finančních i výkonnostních parametrů jednou z nejlépe hodnocených zdravotních pojišťoven ČR, která se díky kvalitnímu řízení velice dobře vypořádává s náročnými situacemi a požadavky, jimž v turbulentním prostředí českého zdravotnictví posledních let musí čelit. Výsledky hospodaření ZP MV ČR dokazují, že její ekonomická situace je dlouhodobě stabilní. Lékaři a zdravotnická zařízení řadí ZP MV ČR k nejspolehlivějším zdravotním pojišťovnám s komplexními, kvalitními a flexibilními službami a velmi dobrou platební disciplínou. A svou zásluhu na těchto výsledcích ZP MV ČR má i manažerský informační systém vyvíjený společností Komix. www.analyzyareporting.cz

Pět věcí, které potřebujete vědět o sociální analytice CHRIS KANARACUS

1

Stal se z toho velký byznys. Weby jako Facebook a Twitter pomáhají organizacím uvádět na trh nové produkty a služby, ale umožňují také zákazníkům sdílet svou nespokojenost mezi milionovým publikem. Řada dodavatelů přišla s nástroji, obvykle založenými na cloudu, které dokážou sledovat, shromažďovat, analyzovat a reagovat na konverzace v sociálních sítích. Tyto produkty mají zásadní význam pro společnosti, které chtějí chápat, jak jsou vnímány v on-line světě, jak tvrdí Zach Hofer-Shall, analytik agentury Forrester Research. „Sociální web je prostě příliš velký, příliš rychlý a příliš zaplněný irelevantním obsahem a spamem, než aby ho bylo možné samostatně zvládnout,“ uvádí Hofer-Shall ve své nedávné zprávě.

2

Trh dozrál. Divize Radian6 společnosti Salesforce.com byla založena v roce 2006 v podobě nezávislého dodavatele, prohlašuje Rob Begg, viceprezident marketingu pro Radian6.

„Tenkrát byl sociální obsah spojen zejména s rychlostí a hlavním cílem byly vztahy s veřejností a marketing značky,“ popisuje Begg. Jak technologie postupovala, přesunulo se sociální naslouchání díky pokrokům v oblasti zpracování přirozeného jazyka a dalším technickým oblastem směrem k získání hlubších poznatků o zákaznících, vysvětluje Begg.

3

Pro pořizování je nyní komplikovaná doba. Podniky hodnotící trh ‚naslouchacích platforem‘ mají před sebou těžký úkol, uvádí ve své zprávě Hofer-Shall. „Tato oblast je už doslova přeplněna dodavateli a rozlišování mezi nimi může být proto poměrně obtížné.“ Vlna nedávných fúzí a akvizic situaci nevyřešila a velcí dodavatelé analytických nástrojů jako IBM a SAS Institute nedávno také uveřejnili své pokročilé produkty zaměřené právě na sociální sítě.

4

Ředitelé IT neurčují směr. Radian6 jedná při prodeji svých služeb především s manažery ze sféry marketingu a zákaznicky orientovaných služeb.

„Ředitelé IT by měli ve svých organizacích zvážit své zapojení do iniciativ zaměřených na sociální sítě,“ prohlašuje Jeremy Epstein, viceprezident marketingu společnosti Sprinklr, která je konkurentem pro Radian6. „Je tu skutečně vzrušující příležitost být zdrojem inovací.“ Kromě toho mohou sociální analýzy ovlivnit provoz služeb firmy, právní či personální oddělení a další oblasti zájmu CIO, dodává Epstein.

5

Netýká se to jen marketingu. Jason Thatcher, docent na Clemson University, měl studenty, kteří využívali nové školní kontrolní centrum sociálních sítí, které užívá ve svých podnikových přednáškách ke sledování měnového trhu. Vytvářeli pomocí něj obchodní algoritmy, které označovaly významné prodejní a nákupní trendy. Myslí si tedy, že sociální analýzy mají širokou použitelnost včetně rizik vývoje produktů a dodavatelského řetězce. Thatcher dále uvádí, že jejich laboratoř v Clemsonu navštívily desítky společností z různých průmyslových odvětví a „všichni mohli vidět jiné použití tohoto nástroje“.

w w w.c i o.c z | w w w.c w.c z

BI-zlom.indd 19

19 24.10.12 13:13

Inteligentní výroba s pomocí BI analýz J I Ř Í R ÁKO SNÍ K

Ž

e řízení výroby a business intelligence analýzy nejdou dohromady? Omyl – v současné době o propojení obchodní a manažerské analytiky s výrobními procesy mají výrobní podniky velký zájem. Mohou tak totiž snadno a rychle vyhodnocovat důležité ukazatele, adekvátně na ně reagovat a vyrábět tak efektivněji, rychleji a levněji než dříve. A správné informace včas přinášejí náskok před konkurencí! Business intelligence analýzy byly dříve určené především pro vyšší management velkých korporací. Díky dostupnosti moderních technologií mohou jejích výhod, ku prospěchu celé organizace, nově využít i střední a menší společnosti a všichni jejich řídicí pracovníci. Jedním z nastupujících trendů je totiž oblast samoobslužného BI, kdy si může vybraná data analyzovat každý, kdo k tomu má oprávnění, za pomocí jednoduchých nástrojů v prostředí podobném kancelářským aplikacím. Mezi hlavní výhody BI analýz patří dynamické výstupy a rychlost zpracování velkého množství dat. Včasné a přesné informace lze využívat k pružné a rychlé reakci na změny vývoje obchodních aktivit. Pomocí business intelligence pro výrobní organizace mimo lze například provádět vyhodnocení sledovaných ukazatelů a detailní analýzu u vybraných zakázek, získat celkový přehled vyhodnocení zakázek v čase, analyzovat nárůstové a denní pracnosti a vyhodnocovat vybrané ukazatele v průběhu času. Bez technologií business intelligence mohou přitom uživatelé narážet mimo jiné na nemožnost rychle a pružně měnit kritéria dotazu a jejich kombinaci, obtížné zobrazování agregovaných dat a detailních hodnot, vysokou výpočetní a časovou náročnost, problémy s velkým objemem analyzovaných dat a v neposlední řadě na neúplnost a nekonzistentnost dat. Ideálním řešením, jak z hlediska rychlosti nasazení, ceny, rozsahu funkcionalit a možností přizpůsobení, je přitom integrace business intelligence s podporou výroby v rámci jednoho ERP systému, který zastřešuje veškeré firemní procesy. Pojďme se podívat, jaké možnosti nabízí podpora výroby v rámci ERP řešení.

skladů polotovarů při přípravě výroby je možné místo přikázání jejich výroby některé polotovary pouze vyskladnit, a zkrátit tak celý výrobní cyklus. Se způsobem řízení skladových zásob souvisí i plánování výroby. Plánovací systém, který má přímý přístup do skladu, umožňuje plánování podle aktuální dostupnosti materiálu, podle vytížení hlavních i vedlejších výrobních zdrojů. Dále umí aktivně pracovat s dodacími lhůtami materiálů a dodávku materiálů a dílů od subdodavatelů navrhuje zajistit tak, aby požadované vstupy byly k dispozici těsně před plánovaným použitím ve výrobě (JIT).

Byznys BI pro výrobu Novinkou na českém trhu je business intelligence řešení připravené na míru výrobním podnikům – Byznys BI pro výrobu. Díky moderním technologiím mohou BI nově využít i střední a menší společnosti a všichni jejich řídicí pracovníci. Bez drahých investic do databázového vybavení může s pomocí jednoduchých nástrojů v rámci Byznys ERP analyzovat každý, kdo k tomu má oprávnění. S pomocí Byznys BI pro výrobu lze například provádět vyhodnocení sledovaných ukazatelů a detailní analýzu u vybraných zakázek, získat celkový přehled vyhodnocení zakázek v čase, analyzovat nárůstové a denní pracnosti a vyhodnocovat vybrané ukazatele v průběhu času.

Podpora výrobních procesů v informačním systému Komplexní podnikový informační systém ERP s integrovaným řízením výroby standardně umožňuje převádět automaticky do výroby požadavky obchodu zadané formou objednávek a podle TPV procesů vytvářet výrobní příkazy k jejich zajištění. Výrobní příkazy se zaplánují na příslušná pracoviště a provede se automatická rezervace vstupního materiálu na skladech materiálu, na kterou lze snadno navázat činnostmi souvisejícími s jeho zajišťováním u dodavatelů. Na základě zjišťování okamžitých stavů

20 BI-zlom.indd 20

Také funkce pro sledování výroby jsou přímo propojeny se skladovými funkcemi pro výdej materiálů do výroby a příjem výrobků, polotovarů a zmetků na jednotlivé sklady. Pracovní výkony na zakázkách, výrobcích a pracovištích si jednotliví pracovníci mohou sami zadávat snímáním údajů z identifikačních čipů a čárových kódů z výrobních průvodek. Tyto technologie zaručují minimální chybovost, a proto lze zadávání provádět v reálném čase. Pro fungování kvalitního řídicího a plánovacího výrobního systému je zadávání výkonů v reálném čase nutnou podmínkou. S ohledem na skutečné plnění výroby lze pak lépe reagovat na nepředvídané problémy ve výrobě jejím častějším operativním přeplánováním. Dlouhodobě se takto mohou zpřesňovat technologické časy pro jejich další využití při plánování v budoucnu. Včasnost a přesnost takto vkládaných informací se pak pozitivně promítá do kvalitnějších manažerských rozhodnutí. Autor je obchodním ředitelem společnosti JKR, která je dodavatelem podnikových informačních systémů Byznys ERP.

BU S I N E S S I N T E L L I G E N C E 2012

24.10.12 13:13

Agilní vývoj urychlí nasazení BI Máte pocit, že vaše výsledky ve sféře business intelligence jsou poněkud zdlouhavé a neodpovídají potřebám vaší organizace? Možná je na čase zkusit agilní BI, metodiku rychlého vývoje, která nabízí brzké a časté vstupy od koncových uživatelů a zajistí rychlé dodání funkčního BI. B O B VI O L I NO

I

když je použití agilní metodiky vývoje softwaru významnou součástí agilního systému BI, v žádném případě to není jeho jediná vlastnost – říká Boris Evelson, analytik společnosti Forrester Research. Forrester definuje agilní BI jako přístup, který kombinuje procesy, metodiky, nástroje i technologie a zároveň obsahuje organizační strukturu, takže manažerům pomáhá ve strategické, taktické a provozní oblasti při rozhodování, jak zvýšit flexibilitu a schopnost reakce na neustále se měnící obchodní a regulační požadavky. „Agilní BI podle definice Forresteru má implementováno zatím relativně málo organizací,“ uvádí Evelson. Na základě různých svědectví a diskuzí s klienty odhaduje, že ze všech organizací, které používají aplikace BI, pravděpodobně méně než pětina uživatelů BI v těchto společnostech využívá nějakou podobu agilního BI. Předpovídá však, že toto číslo stoupne v blízké budoucnosti až na cca 80 %. „Business intelligence se pro agilní přístup a agilní metodiku vývoje obzvláště hodí,“ tvrdí David White, analytik specializující se na BI ve výzkumné organizaci Aberdeen Group. Výzkum provedený touto firmou v únoru a březnu 2012 ukazuje, že organizace čelí třem významným problémům, pokud jde o efektivní zajištění řešení BI, které je opravdu cenné pro podnikání. Za prvé rostou objemy dat a počet datových zdrojů pro BI. Za druhé se zmenšuje množství času, který mohou manažeři věnovat procesu rozhodování. A konečně za třetí se stále zvyšuje poptávka po manažerských informacích. Je zřejmé, že implementace business intelligence musí být agilnější, aby manažeři mohli snadno najít potřebné informace v návaznosti na to, jak rychle se mění podnikatelské požadavky. „K dosažení tohoto cíle firmy musejí podrobně zkoumat své obchodní potřeby a vzít je v úvahu při konfiguraci a nasazení BI softwaru,“ vysvětluje White. Výzkum Aberdeenu ukazuje, že u organizací s nejagilnější implementací BI je větší pravděpodobnost, že mají procesy

schopné zajistit naplnění podnikatelských potřeb. Dalším klíčem k úspěchu je intenzivně zapojit koncové uživatele do procesu vývoje BI. V téměř 70 % organizací, které úspěšně nasazují agilní BI, dochází k intenzivní spolupráci mezi podnikovými zaměstnanci a personálem IT, uvádí Aberdeen. Taková interakce není tak běžná u společností, které jsou méně agilní – pouze 50 % z nich uvádí častou spolupráci mezi IT a dalšími firemními odděleními. „Dosažení potřebných interakcí ale nemusí být snadné,“poznamenává White. „Vždy byla překážkou komunikační bariéra mezi IT a zbytkem firmy.“ Pokud se má stát agilní BI realitou, musí být tato bariéra odstraněna. „Toto těsné zapojení a iterativní proces

jsou součástí agilní metodiky. A pro BI je to velmi vhodné. Vývojáři pracující v těsném kontaktu s firemními uživateli jsou velmi výkonní.“

Rychlé dodání Organizace používající agilní BI tuto schopnost využívají. Jedním z příkladů je neziskové sdružení Kiva, které zajišťuje půjčky mezi osobami přes internet, a pomáhá tak mírnit chudobu. Před dvěma lety tato organizace zavedla nový datový sklad a aplikaci BI založenou na technologii Pentaho Agile BI, aby zvládla svou rychle rostoucí zásobu dat a nahradila stále více neefektivní ad hoc analýzy procesu, které byly prováděny pomocí tabulek. Kiva od svého založení v roce 2005 rychle rostla, a to pomohlo prostředníkům po celém světě zajistit více než 200 milionů dolarů v mikroúvěrech od jednotlivých věřitelů. Od dubna 2011 organizace celosvětově propojila více než 570 tisíc věřitelů, 131 mikrofinančních institucí a cca 450 dobrovolníků. Nezisková organizace používá vývojovou open source platformu Pentaho k vytváření měsíčních, týdenních a programově specifických informačních panelů, které produktoví manažeři a další finanční specialisté mohou využít ke sledo-

w w w.c i o.c z | w w w.c w.c z

BI-zlom.indd 21

21 24.10.12 13:13

vání a řízení klíčových ukazatelů, jako jsou objemy transakcí, nové uživatelské registrace a výsledek propagace. Kiva vyvinula nástroje jako průzkumník přidělených půjček, což je aplikace umožňující manažerům pro rizika analyzovat vzory přidělování půjček na základě regionů a zemí, druh půjčky a typ příjemce půjčky, popisuje Greg Allen, obchodní analytik společnosti. Největším přínosem nasazení agilní BI je v tomto případě schopnost rychle a postupně poskytovat informace koncovým uživatelům. „Máme velkou vizi našeho komplexního projektu datového skladu, který ale bude pro dokončení vyžadovat značné množství času,“ říká Allen. „Namísto toho, že bychom nutili naši organizaci čekat na ‚velkou změnu‘, jsme schopni se zaměřit na konkrétní oblasti podnikání při návrhu, vytváření a vydávání datamartů a reportů v rámci našeho iterativního vývoje.“ Dokumentace uživatelských požadavků je rozhodující pro návrh datových struktur, na nichž je BI systém společnosti Kiva založen, myslí si Allen. „Zjistili jsme například, že naši uživatelé nejlépe reagují na testování raných verzí našeho řešení BI,“ pochvaluje si Allen. „Datové zdroje ad hoc nám umožňují testovat obchodní logiku pro rychlý sběr a integraci zpětné vazby od uživatelů, dříve než vyvineme robustnější reportovací datové

Adaptace na změny Pfizer je jednou z firem, které v agilním BI vidí výhody. Tento farmaceutický výrobce v posledních třech letech využívá agilní přístup pro vývoj spojený s integrací dat, pro poskytování nových služeb, pro aplikace zachycující data a k BI reportům. „Zjistili jsme, že interní zákazníci každé námi poskytované služby potřebují velmi rychlý a flexibilní přístup k uspokojení svých potřeb,“ říká Michael Linhares, výzkumný pracovník podnikových informačních systémů a farmaceutických věd ve Pfizeru. „Očekává se, že naše aplikace a systém lze odpovídající rychlostí přizpůsobit změnám v podnikání.“ Pfizer využívá nástroje pro vývoj BI aplikací od různých dodavatelů a poskytuje aplikace a data BI pro cca tisíc uživatelů. „Naše aplikace umožňují sběr, integraci a reporting pro projekty vývoje léků,“ říká Linhares. „To zahrnuje stav projektu, předpovědi ohledně financí či zdrojů a také integraci s několika dalšími prvky, třeba s řetězci majícími na starosti prodej léků.“ Nový přístup k BI umožňuje vývojářům aplikací Pfizeru rychlejší reakci. Například původně trvalo šest až dvanáct týdnů, aby se mohl významně změnit způsob prezentace dat z datového skladu. S agilní metodikou vývoje to obvykle trvá tři až sedm dní, dodává Linhares. Pfizer také v maximálním možném rozsahu zapojuje koncové uživatele do vývojového procesu. „Zákazník (zaměstnanec Pfizeru) je klíčem k tomuto způsobu vývoje,“ tvrdí Linhares. „Kontroluje papírový i funkční prototyp, provádí testování a validuje příslušná data. Zároveň je klíčem k podpoře produkční verze pro vetší komunitu uživatelů.“ „Naše systémy jsou navrženy a vytvořeny pro koncové uživatele. Bez jejich neustálé interakce by náš tým tak užitečný produkt nedokázal vytvořit,“ uzavírá Linhares.

struktury. To může odhalit neočekávané problémy a vést ke komplexnějším řešením.“ Allen dále uvádí, že větší agilita vývoje BI poskytuje organizaci vyšší stupeň flexibility. „Naše podnikání se může rychle změnit a schopnost pohotově reagovat s využitím rozhodování na základě dat je pro náš růst rozhodující,“ zdůrazňuje Allen. „Agilní BI nám umožňuje zachytit

nové údaje a transformovat je na informace.“ Přestože je Kiva teprve na počátku ambiciózního plánu pro datový sklad a schopnosti reportování, „jsme již schopni poskytnout nové pohledy na naši uživatelskou základnu a partnery,“ dodává Allen. „Tyto zúžené názory na oblasti podnikání často vyvolaly nové otázky, které zlepšily další kroky vývoje.“

SEZNAM INZERUJÍCÍCH FIREM UCELENÝ INFORMAČNÍ ZDROJ PRO IT PROFESIONÁLY GEM System .............................................................................................................. 17 www.gemsystem.cz

J.K.R. ....................................................................................................... 20, 4. obálka www.jkr.cz

KOMIX ................................................................................................................. 18, 19 www.komix.cz

MEMOS Software ........................................................................................... 3. obálka www.memos.cz

MICROSOFT ............................................................................................................ 8, 9 www.microsoft.cz

SAS Institute ČR ............................................................................................ 2. obálka www.sas.cz

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.: Ing. Jitka Vyhlídková, tel.: 257 088 181 Vedoucí projektu: Ing. Pavel Louda, tel.: 257 088 138 Jazyková úprava: Dana Štropová, Vladimíra Bezecná 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: © 2012 IDG Czech Republic, a. s.

Teradata Česká republika .................................................................................... 10, 11 www.teradata.com Člen asociace FIPP

22

BU S I N E S S I N T E L L I G E N C E 2012

BI-zlom.indd 22

24.10.12 13:13

Finální leták.ai 1 19.10.2012 21:11:43

úspora Āasu, penďz a práce

inteligentní vytďžování dokumentĪ Redque je nový inovativní software, který pomocí umďlé inteligence zpracuje Vaše dokumenty.

www.redque.cz

BI-zlom.indd ob3

24.10.12 13:02

www.jkr.eu

S námi budete vědět více. J.K.R. nabízí novinku na českém trhu – BYZNYS BI pro výrobu. Pokročilé analýzy dat jsou tak dostupné i středním a menším výrobním podnikům bez drahých investic do databázového vybavení.

Informační systémy BYZNYS ERP BI-zlom.indd ob4

24.10.12 13:02