Kennissessie Business Intelligence Strategie & Implementatie

Kennissessie “Business Intelligence Strategie & Implementatie”

Spreker – Robert Mansour Profiel Business Intelligence expert sinds 1992 Advies en projectmanagement Business management Opleiding Wiskunde & Informatica, TU Delft Financial Management MBA, Webster Leiden Ervaring Divers IT bedrijven sinds 1988 (Exact, BSO, CMG) Sinds 2006 bij TopBI, medeoprichter Persoonlijk 1967 Barendrecht

1

TopBI | Elke dag betere beslissingen TopBI is een onafhankelijke dienstverlener die bedrijven helpt succesvoller te worden door toepassing van Business Intelligence. Wij richten ons op het realiseren van rendement met informatievoorziening binnen uw organisatie. Onze diensten: Consultancy | Realisatie| Toepassingen

Professionals in Business Intelligence  Uw strategische partner voor Business Intelligence  Gericht op het sneller, flexibeler en rendabeler maken van BI toepassingen  Professionele en persoonlijke aanpak, gericht op toegevoegde waarde  Gedrevenheid en passie voor het vakgebied en resultaat bij organisaties

Agenda Wat gaan we doen? 16:30 Overzicht BI vakgebied 17:00 BI architectuur en toepassingen BI en DWH architectuur BI en DWH tools BI in bedrijfsprocessen

17:30 BI maturity en strategie BI maturity BI organisatie van BI en aanpak

17:45 Break en broodjes 18:15 Data kwaliteit en andere randvoorwaarden DQ probleem, Aanpakken voor DQ

18:45 Big data De hype Technologie Toepassing in de praktijk

19:15 Plenaire round-up 19:30 Einde

2

Overzicht BI vakgebied

Wat is Business Intelligence?  Wikipedia:  het verzamelen van gegevens binnen de eigen handelsactiviteit  proces van gegevens omzetten in informatie, moet leiden tot kennis en adequate actie  competitief voordeel creëren en organisaties slimmer laten werken

 Eigen definitie:  Gegevens, rapportages, analyses en processen voor informatievoorziening  gericht op betere besluiten en business rendement.

 Wel:    

Alle vormen van rapportage en analyse Management informatie Gegevensintegratie en historische opslag Verbeteren gegevenskwaliteit

 Niet:  Master data management  HRM performance management

3

BI vakgebied Overzicht Bronapplicaties

Gegevensintegratie

BI databases

CRM ERP Budget & planning

Sturing

EDW

Legacy

KPIs

Bedrijfsproces BI rapportage en analyse

BI verschijningsvormen Wanneer krijgt een IT manager ermee te maken?  BI projecten  Strategische investering in een data warehouse  Rapportage oplossing rond specifieke processen of applicaties

 BI als onderdeel van ERP implementaties  SAP BW of SAP BusinessObjects bij SAP  Siebel analytics bij Siebel  Oracle OBIEE bij Oracle EBS

 Onderdeel van business process change management projecten  Informatievoorziening als driver  Fact based decision making mogelijk maken

 Informatie management strategie  Als onderdeel van strategie om alle stakeholders van informatie te voorzien  Als onderdeel van ICT-architectuur en/of toolselecties

 BI organisatie / BICC  Organiseren van capabilities om BI binnen de organisatie te leveren

4

BI: Grensvlak tussen Business en IT competenties  Business kennis     

Bedrijfskunde Economie, econometrie Bedrijfsinformatiekunde Accounting Analyse

 IT kennis    

Databases, datamodellen en gegevens, SQL Bronsystemen en administraties Gegevensintegratie Presentatie en visualusatie

BI specifiek Wat is anders, wat is onderscheidend? Waarmee succesvol?  Business Intelligence gaat over informatievoorziening. Niet over transacties of procesmatige ondersteuning.  Goede informatievoorziening helpt om bedrijfsprocessen beter te besturen. Lagere kosten, meer opbrengst.  Hoge flexibiliteit van oplossingen is gewenst vanwege dynamische behoeften. Niet statisch.  Performance verdient aandacht. Grote volumes data, dynamisch bevraagd.  Attractieve en bruikbare presentatie van gegevens is belangrijk.

5

BI architectuur en tools

Advies Best practice Scheiding tussen:  Opslag en verwerking van bedrijfsgegevens    

Efficiënte centrale verwerking Eén plek voor datakwaliteit Rekenkracht voor performance Secure

 Presentatie en gebruik van rapportage  Introduceer standaarden voor rapportage  Biedt voldoende flexibiliteit BI database BI rapportage

6

BI metadata laag Verberg technische complexiteit, vereenvoudig gebruik

Database

Metadata SQL

Operations Data mart

objecten

Data

Resultaten

Bouwstenen voor rapportage: • Data elementen • Filters • Combinaties • Berekeningen

BI rapportage en analyse

BusinessObjects: ‘Universe’

BI – enterprise data warehouse Database 1 Applicatie 1 Enterprise Data Warehouse Database 2 Applicatie 2 Extra database XLSX file, etc

ETL

Opslag bedrijfsgegevens • Correct • Consistent • Volledig • Historische opslag ‘One version of the truth’

Data marts: gericht op performance, rapportage per afdeling of proces

7

Waar zitten de kosten van een BI oplossing?

Slechts 30% van tijd en budget besteding wordt daadwerkelijk ingezet voor realisatie van het resultaat wat echt tastbaar is.

Kosten realisatie BI oplossing

Customer data mart

Sales data mart

70% van tijd en budget zit in integratie en juist organiseren van de data voor rapportage & analyse doeleinden.

Maatwerk laadprocessen (ETL)

Data warehouse Maatwerk laadprocessen (ETL)

CRM

ERP

Is als resultaat niet zichtbaar voor de business gebruikers, maar wel voorwaardelijk.

Legacy

DWH en BI Tools Overzicht Bronapplicaties

Interface

CRM ERP Budget & planning

Legacy

Staging laag

Data warehouse

Staging

Data mart(s)

Operations Data mart

Bestand

EDW Financial Data mart

Bestand

Data integration/ETL en DQ tools

Databases

BI tools

 Offerings    

Database Data Integration (ETL) & Data quality tools BI tools (reports, dashboard, analytics) Ready-made architectures & solutions

 Grote leveranciers:  SAP/BusinessObjects, IBM/Cognos, Microsoft, Oracle, SAS, Informatica, Qlikview, Information Builders

8

BI toepassing

Informatievoorziening Definities Manager

Sturing Input

SMART KPI: • Specifiek • Meetbaar • Acceptabel • Realistisch • Tijdgebonden

Meting = Key Performance Indicators = KPIs

Bedrijfsproces

Output

Is de doelstelling eenduidig? Onder welke meetbare voorwaarden of vorm is het doel bereikt? Is deze acceptabel genoeg voor de doelgroep en/of management? Is het doel haalbaar? Wanneer in de tijd moet het doel bereikt zijn?

9

Corporate Performance Management CPM  CPM=Corporate Performance Management  Definities  “All of the processes, methodologies, metrics and systems needed to measure and manage the performance of an organization.” (Gartner)  “Top-down framework by which to align planning and execution, strategy and tactics, and business unit and enterprise objectives.”

 Andere namen:  Business Performance Management  Enterprise Performance management

 CPM is Business, geen IT.

 Betreft het meten van resultaten bij de realisatie van business strategie.  Onderdelen:  Management processen  Analytische processen  Technologische invulling

BI vs Analytics  Business Intelligence = rapportage  Rapportage op basis van feiten  Technieken: RDBMS, OLAP

Feiten

Business rules

Rapportage

 Analytics = verbanden in gegevenssets zoeken en exploiteren 1. Modelvorming: wat is de samenhang tussen gegevens? 2. Hoe kunnen we hiermee voorspellingen doen?  Technieken: Statistiek, inferentie etc.

Parameters Feiten

Model

Rapportage

10

BI maturity en strategie

BI maturity model TDWI

% of Organisations

Data Marts

Data Warehouses

Enterprise Data Warehouse

Spreadmarts

Analytical Services

Production Reporting

1. Prenatal

2. Infant

3. Child

4. Teenager

5. Adult

6. Sage

Wayne Eckerson, The Data Warehouse Institute

11

BI strategie TOP

• Data architectuur • Infrastructuur (hardware & software) • BI applicatie architectuur

BI Roadmap

Techniek

Organisatie

Proces

• BI competentie, projecten en operations • Business governance en programma management • Gebruikersorganisatie • BI Projectaanpak • BI Delivery processen • Performance management

BI maturity development TOP Example: BI data architecture

Spreadmarts

Data silos

Stakeholder Needs : • Information workers • Managers and workers • Clients and suppliers • IT

Data warehouses

Enterprise Data warehouses

BI Services

Use of BI Best Practices: • Technology • Organisation • Process

12

BI BI Strategy implementation TOP Best practice planning

BI project calendar

Year 1

Year 2

Year 3

Technology

….

….

….

Organisation

….

….

….

Process

….

….

….

Year 1

Year 2

Year 3

Project 1 Project 2 Project 3 Project 4 Project 5 Project 6

BI Raamwerk

BI Visie & Roadmap

Fundament voor slagvaardige BI

Governance

• Hoe is de besturing van BI geregeld?

Organisatie

• Hoe is de BI expertise georganiseerd en binnen de organisatie gepositioneerd?

Processen

• Hoe zien de BI processen eruit en sluiten ze aan op die van de staande organisatie?

Diensten

•Welke informatie producten en oplossing worden geleverd en aan wie?

13

Valkuilen voor projecten  Problemen met BI specificaties  ‘Dit is niet wat ik bedoelde’  ‘Bij nader inzien moet het toch anders’

 Onvoldoende datakwaliteit  Slechte bron  Geen gemeenschappelijke referentiedata

 Instabiele bronnen  Parallelle verbouwing of migratie

 Performance issues  Te langzaam, niet tijdig beschikbaar

 Onvoldoende added value in gebruik  Niet aansluitend bij behoefte  Geen business case

 Onvoldoende management support  Geen ‘fact-based’ cultuur

Datakwaliteit

14

Generieke vs. specifieke datakwaliteit Generiek

Specifiek

 Zegt iets over de datakwaliteit van het bronsysteem.  Vanuit het DWH gezien een kwaliteits-toets van de dataleverantie (conform SLA).  Rapportages nemen (kwalitatief en kwalitatief) toe bij aansluiting van meer bronnen.

 Zegt iets over de betrouwbaarheid van de gebruikte data en MI.  Vanuit het DWH gezien een kwaliteits-toets tbv de afnemers van data.  Voor een bepaald doel en/of gebruikersgroep  “Maatwerk”, realisatie door project

Voorbeelden: - Not Null - Valid values - Ref. integrity

Source Systems

DM

DWH

Generiek

1

Specifiek

Voorbeelden: - if column A = "X“ then column B > 10 - Comparisons based on functions or aggregates

2  69

Data Quality Life Cycle – DMAIC Measure

Define

 Verzamelen meetwaarden  Bereken DQI’s

 DQ Requirements  DQI’s  Data Definities  Rapportages

Measure

Analyse & Report

Control & Monitor  DQ dashboards  Monitor DQ plans  Issue management  SLA Management

Control & Monitor

Define

Analyse & Report

 Analyse meetwaarden  Controle reportages  Aandragen van DQ issues  Maak DQ (fouten) zichtbaar

Improve

Improve  Oplossen huidige DQ fouten  Voorkomen van nieuwe DQ fouten

15

Data Quality Management Maturity Model Level 5 Optimised

Ability to deliver

DQ Implementation Increment 2 DQ Implementation Increment 1

Level 1 Initial

Level 2 Repeatable

Level 4 Managed Level 3 Defined

“Enterprise DQ”

“DQ Management”

“Improve DQ”

“Provide Insight”

Time  Ad hoc  Reactive  Ad hoc rework  Only fixing DQ issues  No formalized DQ processes

 Basic measure & report  Reactive  Targeted rework  Fix & Basic prevent  DQ processes  Basic organisation

 Data Quality assurance

 Data Quality Program

 Pro-active  Less rework

 Pro-active  Minimal rework

 Fix & Prevent  Data Quality Life Cycle

 Prevent & Fix  DQ Management

 Formal DQ organisation

 Formal DQ Governance & Master Data Mgt

 No DQ organisation

 Enterprise DQ Program

Big data

16

Exponential growth Processing capacity lags behind

Gap

“Data volumes are fundamentally outgrowing our capacities for processing.”

Moore’s law for processing capacity

Big data volume Time

3V model

17

Big data definitions  Definition 1 (Gartner) o Big data is high-volume, high-velocity and high-variety information assets that demand cost-effective, innovative forms of information processing for enhanced insight and decision making.  High-value: Big data must have added value

Definition 2 (Wikipedia) o In information technology, big data is a collection of data sets so large and complex that it becomes difficult to process using on-hand database management tools or traditional data processing applications.

Big data challenges for decision making

Storage

Analytics

How to collect and store Big data in a practical manner?

How to process and present Big data for meaningful insights for decision making?

18

Big data –hype cycle August 2012

Big data for decision making conclusions  Data volumes, velocity and variety are growing exponentially.  The challenge is to process, store and analyze Big data. New technologies such as Hadoop make a difference.  The hype around Big data is slowing down. The focus is away from technology, towards finding and realizing real business cases. These are all about Analytics.  Many companies have a lot of data, but not yet BIG data. Existing BI strategies and state-of-the-art BI technology are sufficient here. So much for markets and theory, how about BI and Big data in YOUR company?

19

Contact information

Robert Mansour +31 654 696 386 [email protected] TopBI B.V. Einsteinlaan 20 2289 CC Rijswijk +31(0)70 300 24 80 www.topbi.nl kvk: 244.03.722

100

20