Kvalita dat v datovém skladu - nezbytný předpoklad reportingu

Bankovní institut vysoká škola Praha

Kvalita dat v datovém skladu - nezbytný předpoklad reportingu Diplomová práce

Michal Houštecký

Duben, 2010

1

Bankovní institut vysoká škola Praha Katedra informačních technologií a elektronického obchodování

Kvalita dat v datovém skladu - nezbytný předpoklad reportingu Diplomová práce

Autor:

Bc. Michal Houštecký Informační technologie a management

Vedoucí práce:

Doc. Ing. Bohumil Miniberger, CSc.

Praha

Duben, 2010

2

Prohlášení: Prohlašuji, že jsem diplomovou práci vypracoval samostatně pod odborným dohledem vedoucího diplomové práce a s použitím uvedené literatury.

V Praze dne 10. dubna 2010

Bc. Michal Houštecký

3

Poděkování: Touto cestou bych rád poděkoval panu Doc. Ing. Bohumilu Minibergerovi, CSc., za jeho podporu a odborné vedení při vypracovávání této diplomové práce.

4

Anotace Hlavním cílem diplomové práce na téma „Kvalita dat v datovém skladu - nezbytný předpoklad reportingu“ je zanalyzovat a popsat úzkou vazbu mezi kvalitou dat ve zdrojových systémech a controllingovými výstupy, které jsou nezbytným podkladem pro včasné a správné rozhodování vrcholového managementu společnosti. První část této práce tvoří úvod do teoretické oblasti datových skladů, včetně charakteristiky jejich vztahu k řízení podniku. Dále je zde vyzdvižen význam kvality podnikových dat, její řízení a zajišťování v primárních a sekundárních systémech. Praktická část diplomové práce se zabývá identifikací klíčových zdrojových dat, která jsou nezbytným podkladem pro útvar controllingu v telekomunikační společnosti T-Mobile Czech Republic a jejich datovým tokem. Tato část rovněž obsahuje popis kontroly kvality controllingových dat v průběhu celého jejich zpracování, od uložení v datovém skladu až po reportování majoritnímu akcionáři. V neposlední řadě zde nechybí autorův návrh na zlepšení kvality finančních dat a celkové zhodnocení stávajícího zajištění kvality těchto významných podnikových dat. The main goal of the graduation thesis „Data warehouse quality – the precondition of reporting“ is analyze and describe the close tie between the quality of data in source systems and controlling reports, which are a necessary basis for timely and correct decisions of company top management. The first part of this thesis is dedicated to

theoretical

introduction

of

data

warehousing,

including

the

characteristics

of their relationship to company management. Furthermore there is highlighted the importance of the quality of business data, its quality management and providing in the primary and secondary company systems. The practical part of the thesis is dedicated to identification of key source data, which are a necessary basis for the controlling department of telecommunication copany T-Mobile Czech Republic and its data flows. This section also contains a description of the controlling data quality check during whole processing, from their storage in the data warehouse up to reporting to the majority shareholder. Finally, there is not missing the authors suggestion fro financial data quality improvement and overall assessment of the quality assurance of these important business data.

5

Úvod ...................................................................................................................................... 7 1

Datové sklady ............................................................................................................. 9

1.1

Definice a vlastnosti datových skladů ............................................................. 10

1.2

Úloha datových skladů v podnicích................................................................. 12

1.3

Implementace datových skladů v podnicích .................................................. 16

2

Kvalita podnikových dat ........................................................................................ 18

2.1

Význam kvality podnikových dat ..................................................................... 18

2.2

Řízení kvality dat v podniku ............................................................................. 24

3

2.2.1

Význam řízení kvality dat .......................................................................... 24

2.2.2

Postup implementace řízení kvality ........................................................ 26

2.2.3

Kvalita dat v podnikových systémech ..................................................... 29

Kvalita a reporting controllingových dat ve společnosti T-Mobile ........... 42

3.1

Profil společnosti ................................................................................................ 43

3.2

Stručný přehled reportovaných ukazatelů ..................................................... 44

3.3

Architektura systémů využívaných pro controllingový reporting ................ 49

3.4

Zachycení procesu reportování controllingových dat................................... 54

3.5

Detailní analýza procesu zpracování finančních dat .................................... 59

3.6

Návrh na odstranění nekonzistence ve finančních datech ......................... 62

3.7

Důležité nástroje zajišťující kvalitu dat ve společnosti ................................. 66

3.8

3.7.1

Rekonciliace reportovaných informací ................................................... 67

3.7.2

Sledování kvality reportů .......................................................................... 70

Autorova identifikace oblastí pro rozvoj kvality dat....................................... 72

Závěr ................................................................................................................................... 74 Zkratky použité v textu ................................................................................................... 76 Seznam použité literatury: ............................................................................................ 77 Zadání diplomové práce ............................................... Chyba! Záložka není definována.

6

Úvod Tato diplomová práce se ve své teoretické části opírá o své dva základní pilíře. První z nich se zabývá problematikou datových skladů, jejich vlastnostmi, implementací a v neposlední řadě také jejich úlohou v podniku. Datové sklady v dnešní době obsahují velké objemy různorodých a často významných dat, která pro většinu společností představují nejen velké bohatství, ale také neocenitelnou podporu pro operativní a strategické rozhodování. Diplomová práce proto popisuje definici a vlastnosti datových skladů, jejich úlohu a význam v podnicích, jejich implementaci a nejčastější typy. Hodnota těchto dat v datových skladech je závislá také na způsobu, rychlosti a spolehlivosti a metodologie jejich dobývání. Druhý pilíř teoretické práce představuje význam kvality dat a informací v organizacích. Do této kapitoly také spadají nejčastější příčiny snižující kvalitu dat, které jsou pro podnik nežádoucí. Velká pozornost je kladena také na samotné řízení kvality dat a informací v podniku. Řízení kvality přináší mnoho výhod a zcela jistě by nemělo chybět v žádném podniku, který pracuje s velkým množstvím dat. Z tohoto důvodu je v práci popsán i postup implementace řízení kvality dat. Kvalita dat je v této části diplomové práce rozdělena podle systému, ve kterém se data nacházejí. Jedná se systémy zdrojové nebo-li primární a systémy cílové nebo-li sekundární. Moderní, datově hospodařící společnost by měla pravidelně provádět nezbytné kroky, zajišťující dostatečnou kvalitu a spolehlivost vstupních dat v primárních systémech. Tyto kroky jsou dále popsány v kapitole přibližující nejčastěji používané disciplíny týkající se oblasti datové kvality ve zdrojových systémech. Stručně jsou v diplomové práci uvedené také nástroje, které umožňují implementaci a realizaci těchto disciplín a celkově tak podporují zajišťování kvality dat v primárních systémech.

7

Oblast kvalita dat v sekundárních systémech je zaměřena především na efektivní využívání ETL procesů a Data Quality Agreement dokumentů. Nechybí zde ani problematika řešící nekonzistence mezi kvalitou podnikových dat ve zdrojových a cílových systémech, kterými se zabývá téma rekonciliace dat. Tato témata jsou dále zahrnutá v praktické části. V praktické část diplomové práce se autor snaží zhodnotit a popis dopadu kvality dat na podnikový reporting. Z důvodu limitovaného rozsahu diplomové práce je tato problematika a její řešení stručně demonstrovaná na controllingovém reportingu telekomunikační společnosti T-Mobile Czech Republic, jehož výstupy jsou určené především mateřské společnosti Deutsche Telekom. Hlavním sekundárním systémem je v tomto případě podnikový datový sklad vybudovaný na platformě Oracle, ze kterého jsou data pomocí ETL procesů exportována do OLAP nástroje Hyperion Essbase. Po úpravách jsou tato data agregována a finálně uvolněna do centrálního datového úložiště. V praktické části nechybí ani autorovo zmapování datového toku controllingových dat a autorův návrh na odstranění nekonzistence ve finančních datech. Velmi zajímavou oblastí je v tomto případě výše zmíněná rekonciliace reportovaných dat mezi transakčními a cílovými systémy. Dalším nástrojem je Report katalog sloužící ke sledování kvality výstupů, které poté jednotliví uživatelé používají pro realizaci vlastního reportingu. Jelikož mají všechna výše uvedená témata pro telekomunikačního operátora T-Mobile Czech Republic velký význam a jsou používána nejen ve vztahu k odesílání dat majoritnímu akcionáři, nemůže v této diplomové práci chybět ani autorův návrh oblastí, které je vhodné i nadále rozvíjet a neustále zlepšovat pro zajištění vyšší kvality controllingových dat.

8

1 Datové sklady Každý podnik má potřebu pružně reagovat na měnící se požadavky trhu a opatření konkurence. Proto musí mít k dispozici spolehlivé, včasné a úplné informace nejen ze svého vnitřního prostředí, ale také z jeho vnějšího okolí. V dnešní době těchto informací neustále přibývá. Zároveň rostou nároky na jejich množství, detail a rychlost zpracování. Dříve nebo později pak ve společnosti vzniká potřeba na jejich automatické pořizování, zpracovávání, ukládání a v neposlední řadě také kontrolu a vyhodnocování. V dnešní době je zcela bez problémů možné se s datovými sklady setkat téměř v každé střední a velké společnosti, které do jejich implementace a provozování investují nemalé finanční prostředky. Tento pojem spolu s data miningem dnes patří mezi základní stavební kameny Business Intelligence řešení, které svým uživatelům snadno, rychle a spolehlivě poskytují celou řadu informací důležitých pro kvalitní a efektivní fungování podniku. Díky svým funkcionalitám a vlastnostem se datové sklady v posledních letech těší velké oblibě nejen u pracovníků v oddělení informačních technologií, ale u všech zaměstnanců společnosti, kteří pro vykonávání své práce potřebují stále více a více dat ve větším detailu a vyšší kvalitě. Data obsažená v datových skladech často slouží jako opora managementu při řízení společnosti, manažerském rozhodování a volbě podnikové strategie.

9

1.1 Definice a vlastnosti datových skladů Obecně lze datové sklady prezentovat jako nedílnou součást moderního informačního věku. Z pohledu informačních technologií funguje datový sklad jako optimalizovaná databáze umožňující dotazy, analýzu dat a tvorbu reportingu, do které se transformují data z ostatních podnikových systémů. Pojem Datový Sklad pochází z anglických slov Data Warehouse (DWH). „Poprvé byl pojem datový sklad použit na konci 80. let minulého století Williamem Inmonem. Ten jej definoval jako strategii přístupu k datům určeným pro rozsáhlé analýzy dat. Současně považuje za datový sklad kolekci sjednocených, předmětově orientovaných databází vyhovujících této strategii.“ 1 Této definice a jednotlivým vlastnostem datových skladů se autor blíže věnuje v následujících odstavcích. Pro komplexní pochopení Inmonovy definice datových skladů je důležité alespoň stručně vysvětlit, co se vlastně pod jednotlivými těmito vlastnostmi datových skladů skrývá. Rovněž je vhodné podotknout, že právě tyto charakteristiky vytyčují pomyslné mantinely rozsáhlé oblasti datových skladů, které jsou v dnešní době velmi rozšířené a žádané. 1. Integrovaný Zdrojem dat pro datové sklady mohou být nejen data pořízená v transakčních podnikových systémech, ale také data externí. Jednotlivé provozní systémy pořizují různé záznamy, které mají často podobný charakter, týkají se stejného subjektu nebo spolu určitým způsobem souvisejí. Pokud tyto systémy nebyly implementované integrovaně, nejsou sjednoceny. Nejednotnost pořízených záznamů může způsobit nekonzistenci či duplicitu pořízených záznamů. Datový sklad tedy slouží jako integrační pojítko veškerých vstupních dat 1

KOCAN, Marek. Www.dbsvet.cz [online]. 2002-05-15 [cit. 2009-10-24]. Datové sklady I. Dostupné

z WWW: .

10

z různých primárních systémů a externích dat do jednotné datové základny. Externí data jsou data poskytnutá třetími stranami, včetně obchodních partnerů, zákazníků, úřadů a organizací, pro které je podnikatelským cílem vytvářet zisk prodejem svých dat. 2. Subjektově orientovaný Stále více společností po provedení reengineeringu obchodních procesů využívá procesně zaměřené týmy a pracovníky na určitou oblast. Zároveň jsou veškerá data vzájemně propojena podle jejich předmětu zájmu, události, subjektu či oblastí jejich využití, nikoliv pouze podle aplikace jejich vzniku. Data týkající se určitého zájmu nebo konkrétního případu jsou v datovém skladu uložena pouze jednou a jsou předmětově kategorizována. Tato vlastnost umožňuje komplexní vyhodnocování a analýza dat podle konkrétní oblasti, resp. kategorie, z pohledu celé organizace. 3. Stálý Data v datovém skladu by měla být stálá a zůstat v takovém stavu, v jaké byla prvotně pomocí ETL procesů do datového skladu načtena. To znamená, že se nikdy nepřepisují, nemažou a většině uživatelů slouží pouze pro čtení. To platí pro celou jejich existence v datové skladu. 4. Časově rozlišený Kromě těchto důležitých vlastností datové sklady sledují a zaznamenávají veškeré změny dat v čase. Data jsou tedy časově závislá, což umožňuje vyhodnocování, analyzování a v neposlední řadě porovnávání konkrétních ukazatelů z časového hlediska. Časová závislost je zajištěna pomocí časové dimenze a časového razítka faktových dat.

11

1.2 Úloha datových skladů v podnicích Jelikož se potřeby podniků neustále mění, je pro střední a vrcholový management často obtížné včas a kvalitně rozhodovat. To může negativně ovlivnit nejen fungování obchodních procesů, ale také samotnou globální strategii podniku. Mají-li navíc manažeři k dispozici pouze data z transakčních systémů, mohou rozhodovat se zpožděním nebo dokonce chybně. V důsledku velkého objemu pořizovaných, zpravidla nesourodých, záznamů dochází ve zdrojových systémech relativně často k zanesení chyb či nepřesností. Z tohoto důvodu nejsou tyto systémy a jejich data zcela vhodné pro provádění analýz. Tyto analýzy jsou mnohdy časově náročné, nepřesné, a proto by neměly sloužit jako informační zdroj středního a vrcholového managementu v podniku. Datové sklady mají za úkol transakční nesourodá data z provozních systémů sjednocovat a umožňovat jejich čištění. Proto je pro podniky výhodné používat datové sklady, které slouží k agregaci, čištění a narovnávání dat z provozních systémů. Datové sklady představují v podnicích sekundární systémy, které mají v organizacích důležitou roli. Používají technologii umožňující získání, uchování a používání kvalitních informací, na jejichž základě podnikový management přijímá operativní i strategická rozhodnutí. Mark Humphries a Michael Hawkins definovali hlavní důvody zavádění datových skladů v podnicích takto: „Zpřístupnění dat obchodním uživatelům Datové sklady zajišťují přístup k jednotným podnikovým datům dříve uzavřených v nepřívětivých obtížně ovladatelných prostředcích. Obchodní uživatelé se nyní mohou s minimálním úsilím bezpečně připojit do datových skladů prostřednictvím klasické pracovní stanice. Bezpečnost je zajištěna buď nástroji pro koncové uživatele nebo servery, případně oběma stranami.

12

Vzhledem k povaze integrace chrání datové sklady uživatele před nutností učit se, chápat či přistupovat k provozním datům v rámci jejich přirozených provozních prostředí či datových struktur. Jedna verze pravdy Data v datových skladech jsou konzistentní a kvalitní dříve, než jsou zpřístupněna uživatelům. Oproti dobám, kdy byly používány běžné zdroje informací, jsou nyní používány datové sklady, díky kterým jsou všechny diskuse o pravdomluvnosti použitých, či na mítincích citovaných dat bezpředmětné. Datové sklady se stávají běžným zdrojem informací pro rozhodování v rámci celé organizace. Uvědomte si, že „jedna verze pravdy“ je často možná pouze po mnoha diskusích a debatách o pojmech použitých v rámci organizace. Například, pojem zákazník může mít diametrálně odlišný význam – není výjimkou pro některé zaměstnance označovat možné klienty jako zákazníky, zatímco někteří jiní zaměstnanci té samé organizace mohou používat tento pojem pro označení pouze současných klientů. Zatímco se tyto rozdíly mohou na první pohled zdát zanedbatelné, drobné nuance existující v závislosti na kontextu mohou mít za následek mnoho nesprávných a špatně informovaných rozhodnutí. Například, pokud se manažer prodeje pro západní oblast zeptá na počet zákazníků, pravděpodobně se ptá na počet zákazníků západního regionu, nikoli na počet zákazníků celé společnosti. Přesně zaznamenaná minulost Mnoho grafů a čísel, které získávají manažeři, má malý význam bez srovnání s historickými hodnotami. Například, zcela běžná je sestava porovnávající výkonnost podniku oproti výkonnosti předchozího roku. Velmi důležité jsou také sestavy zobrazující výkonnost podniku pro jeden a tentýž měsíc tři roky po sobě.

13

Transakční systémy ze zcela pochopitelných příčin nemohou být schopny vyrovnat se s tímto typem požadavku na informace. Datové sklady by měly být využívány pro záznam minulosti, čímž transakční systémy mohou zůstat zaměřené na správný záznam aktuálních transakcí. Skutečné historické hodnoty nejsou uloženy v transakčních systémech nebo nejsou odvoditelné přidáním či odebráním posledních transakčních hodnot k poslednímu známému stavu. Spíše jsou (za účelem rychlého přístupu) tato historická data nahrána a sjednocena s dalšími daty do datových skladů. Porcování a krájení dat Jak již bylo konstatováno, dynamické sestavy umožňují uživatelům pohlížet na datové sklady z různých úhlů, na různých úrovních podrobností. Obchodní uživatelé s finančními prostředky a schopností rozporcování a nakrájení dat v datových skladech mohou aktivně získat informace, které potřebují. Snadná dostupnost rozdílných pohledů na data také zdokonaluje obchodní analýzy snížením času a úsilí nutného na sběr, formátování a čištění informací ze surových dat. Oddělení analytického a transakčního zpracování Proces rozhodování a proces transakčního zpracování mají velmi odlišné požadavky na architekturu. Pokusy sloučit jak rozhodovací, tak transakční informace vyžadující stejný systém či stejnou systémovou architekturu zvyšují křehkost architektury IT a vede z hlediska správy systémů ke vzniku mnoha nočních můr. Datové sklady oddělují analytické zpracování od transakčního nabídnutím odlišné systémové architektury pro implementaci rozhodování. Toto činí celou architekturu IT podniku více přizpůsobivou změnám potřeb.

14

Podpora zpětného inženýrství procesu rozhodování Na konci každé iniciativy BPR2 přicházejí projekty požadující založení technologických a organizačních systémů pro podporu nově zjištěných a definovaných obchodních procesů. Ačkoli projekty zpětného inženýrství jsou již tradičně zaměřeny na provozní procesy, technologie datových skladů umožňují také zpětné inženýrství rozhodovacích obchodních procesů. Datové sklady se zaměřením na potřeby obchodního rozhodování jsou ideálními systémy pro podporu reengineeringu rozhodovacích obchodních procesů.“ 3

S narůstajícím významem výše uvedených důvodů implementace a postupem rozšířením technologií datových skladů si rovněž ekonomičtí manažeři začínají uvědomovat, že datové sklady již nejsou pouze finančně nákladné systémy testované v informatických odděleních, ale že to mohou být velmi silné a efektivní nástroje pro podporu rozhodování.

Popularita datových skladů spočívá nejen ve vysoké kvalitě agregovaných dat, ale také v jejich flexibilitě týkající se jejich prohlížení. Data je možné analyzovat podle jednotlivých dimenzí, jejich jednotlivých úrovní a prvků. Pomocí dimenze charakterizující určité období datové sklady umožňují historický pohled na data. Vhodně navržený datový sklad umožňuje realizovat také požadavky, které nemusely být v době implementace známy.

2

Business Process Reengineering

3

HUMPHRIES, Mark, HAWKINS, Michael. Data warehousing: návrh a implementace. 1. vydání. Praha:

Computer Press, 2001. 256 s. ISBN 80-7226-560-1.

15

1.3 Implementace datových skladů v podnicích Pro podnik je zpravidla velmi složité stanovit vhodný okamžik zavedení datového skladu. Tento okamžik se očekává především ve společnostech, ve kterých se vyskytují databáze s velkými objemy dat nebo ve společnostech se složitou organizační strukturou. Další důležitou podmínkou úspěšného nasazení datového skladu v podniku je určení vhodné metodologie, kterých v dnešní době existuje celá řada. Metodologie by měla především umožňovat permanentní aktualizaci funkcionalit datového skladu podle potřeb dané organizace. Dodavatelé nabízející vlastní řešení datového skladu ve většině případů disponují rovněž vlastní implementační metodologií. Obecně lze říci, že jsou tyto metodologie postaveny na podobných principech a často se liší pouze v některých etapách procesu datového skladování. Mezi základní implementační etapy patří:

1. Analýza potřeb a návrh datového skladu Obecně lze říci, že je tato první etapa nedůležitější z celého procesu implementace datového skladu. Spočívá především v identifikaci podnikových, resp. uživatelských potřeb. Tyto potřeby je vhodné sbírat, detailně analyzovat diskutovat s odborníky jak na datové sklady, tak s odborníky spravující zdrojové systémy. Již v této fázi je vhodné analyzovat potenciál růst objemu dat a uživatelských požadavků. Tato fáze by tedy v žádném případě neměla zahrnovat pouze analýzu současných zdrojů a potřeb. V této etapě je vhodné provést následující: Identifikace kýžených cílů, které má implementace datového skladu přinést. Zajistit si možnosti výběru z několika možných řešení celé implementace tak, aby byly splněny definované cíle. Porovnání výhod a nevýhod nabízených řešení ze všech možných pohledů. Vymezení problémových oblastí a případných rizik.

16

Kalkulace zisku nebo zhodnocení nefinančních benefitů, které implementace datového skladu společnosti přinese. Stanovení odhadu celkových nákladů na implementaci a jejich porovnání s očekávanými benefity. Zohledňujícího implementaci nového datového skladu v konceptuálním modelu stávajícího prostředí v podniku. Na základě analýzy potřeb a získaných požadavků stanovit finální řešení pro samotnou implementaci datového skladu. Rozhodnutí managementu o samotné realizaci implementace datového skladu.

2. Vlastní implementace datového skladu V rámci fáze samotného vzniku datového skladu by mělo být zajištěno: Provedení analýzy současného stavu implementačního prostředí v podniku, architektury systémů, podnikových dat, požadavků na výstupy z datového skladu. Veškeré tyto analýzy musejí být prováděné tak, aby byly zajištěné veškeré cíle a přínosy, které má implementace datového skladu organizaci přinést. V této etapě musí vzniknout samotný logický a následně i fyzický datový model. Oba modely musí respektovat veškeré uživatelské požadavky, včetně identifikovaných problémových oblastí. Zajištění procesu plnění databáze a její testování na konkrétní množině dat. V neposlední řadě nesmí chybět implementace a testování softwarových aplikací, které splňují uživatelské požadavky.

3. Provoz a podpora datového skladu Tato poslední etapa zahrnuje především: Finální testování v rámci pilotního provozu. Definování uživatelských reportů v softwarové aplikaci. Odstraňování identifikovaných nedostatků či nekonzistencí. Stanovení a zajištění politiky přístupových práv. Implementace dodavatelských úprav či uvolněných rozšíření.

17

2 Kvalita podnikových dat 2.1 Význam kvality podnikových dat

Data a informace v podniku Obecně jsou data definována jako poznatky o určité realitě, které lze nejen interpretovat, ale především zpracovávat a dále přenášet. Data proto společně se znalostmi tvoří základní stavební kamen informace, která má konkrétní význam a zároveň je sdělitelná. Kvalita informací tedy závisí kvalitě příslušných dat. V této kapitole je nutné zmínit fakt, že v posledních letech dochází k výraznému rozvoji zejména v oblasti informačních technologií. Ten má za následek nejen růst samotného významu dat a informací, ale také způsob jejich: zaznamenání, zpracování, uchování, kontroly, a vyhodnocování. Kromě výše uvedených aspektů dále dochází k výraznému zvýšení úrovně týkající se požadovaného rozsahu, detailu a kvality dat dnešních společností, a to především v zákaznicky orientovaných segmentech. Nejsou-li v podniku zajištěna kvalitních data na operativní úrovni, lze jen velmi těžko zajistit ani plánování na úrovni strategické.

18

V neposlední řadě je téměř nezbytné poznamenat skutečnost, že paralelně se vzestupem informačních technologií a růstem významu dat a informací rovněž dochází k prudkému vývoji v oblasti automatizace podnikových procesů. To má závažný dopad nejen na zlepšení komplexního zpracování dat v podniku, nýbrž i zvýšení celkové efektivity jednotlivých společností či průmyslových sektorů. Z výše uvedeného lze tedy odvodit, že hlavními směry většiny současných úspěšných společností je především rozvoj informačních technologií a dosažení určitého stupně automatizace podnikových procesů. Řídí-li se společnost těmito směry najednou, měla by bez problému zajistit dostatečnou míru detailu a vysokou úroveň kvality podnikových dat a informací včetně jejich vlastního zaznamenání, zpracování, kontroly a vyhodnocení. Z procesního hlediska podniku je nutné brát v potaz nejen zajišťování vysoké kvality dat v primárních systémech, ale také v systémech cílových nebo-li sekundárních. Z toho vyplývá, že v rámci hodnocení celkové kvality dat musí podnik rozlišovat: 1. data, která jsou pořizována číselnými a alfanumerickými hodnotami bezprostředně během realizace zejména vlastních obchodních a výrobních procesů a 2. data, která jsou ukládána a případně dále zpracovávána v systémech sekundárních, které slouží především pro účely reportingu, analýzy, trendy a prognózy společnosti. Kvalitě dat v primárních a sekundárních systémech se podrobněji věnuje kapitola "2.2.3 Kvalita dat v podnikových systémech“. Jestliže podnik zajistí dostatečné rozsah, detail a vysokou úroveň kvality podnikových dat, stávají se tato data důležitým aktivem podniku s nevyčíslitelnou přidanou hodnotou. Z pohledu podniku a jeho vedení se však často jedná o nelehkou a dlouhodobou aktivitu, jejíž hlavním výsledkem je kromě zajištění samotného manažerského reportingu, také podpora efektivního fungování všech ostatních oddělení společnosti.

19

Kvalita dat v podniku V úvodu této kapitoly je vhodné zmínit čtyři základní dimenze kvality podnikových dat. Těmito atributy jsou: „Přesnost. Úplnost. Konzistentnost. Včasnost.“ 4 Splňují-li data v podniku veškeré podmínky plynoucí z výše uvedených atributů, lze je považovat za kvalitní. Takováto data jsou pro podnik velmi užitečná a to především v následujících oblastech: 1) Konkurenceschopnost Má-li podnik k dispozici kvalitní data, může se plně spolehnout na správnost veškerých systémových výstupů, informací a rovněž i fungování podnikových procesů. Tato data se pak zejména u zákaznicky orientovaných firem stávají důležitým instrumentem v konkurenčním boji. Podstatnou roli zde hraje i časové hledisko, a to v rámci celého procesu zpracování dat, tedy od jejich pořízení až po jejich vyhodnocení. Kvalitní a rychlé zpracování dat může vést k akceleraci celkového rozhodovacího procesu. 2) Podpora rozhodování a řízení podniku Kvalita dat je úzce spojena s manažerským rozhodováním a strategickým řízením podniku. Podniková data tvoří hlavní základnu pro včasné, rychlé, kvalitní a věrohodné vypracování veškerých zákaznických a operativních analýz podniku, finančních reportů, trendů, 4

MINIBERGER, Bohumil. Kvalita dat datových skladů - nezbytný předpoklad předcházení rizik

manažerského rozhodování. Sborník z 11. ročníku mezinárodní konference“Současnost a budoucnost krizového řízení“. Praha, 2009. ISBN 978-80-254-5912-6.

20

plánovacích souborů a budoucích prognóz. Tyto výstupy zpravidla ovlivňují rozhodovací procesy společnosti a často slouží jako podpora středního a vrcholového managementu. Mají dopad na operativní a strategické řízení podniku. Nekvalitní podniková data mohou mít za následek nejen špatná rozhodnutí, ale i zpomalení celého rozhodovacího procesu, což může vést až ke ztrátě image, zákazníků a posléze i finančním ztrátám. 3) Snížení kapacitních nároků zaměstnanců Kvalitně udržovaná a automaticky zpracovávaná data obecně zjednodušují práci všem zaměstnancům v podniku. Toto zjednodušení se odráží především v pořizovacích, zpracovatelských, kontrolních a vyhodnocovacích aktivitách zaměstnanců, a to zejména z časového hlediska. Obecně lze říci, že kvalitně zpracovávaná data vyžadují nižší kapacitní nároky zaměstnanců, což snižuje možné riziko vzniku lidské chyby. Na druhé straně však často rostou kapacitní nároky na vybavení podporující zajištění vysoké kvality dat a jejich automatického zpracování především v rámci oddělení informačních technologií. 4) Snížení nákladů podniku V přímé souvislosti se snížením kapacitních nároků zaměstnanců společnosti může dojít ke snížení personálních nákladů podniku. Jak už ale bylo zmíněno v předchozím bodě, může dojít ke zvýšení investičních nákladů na straně informačních technologií. Z tohoto důvodu je vhodné tyto náklady vzájemně porovnávat. Další nepřímou úsporu nákladů může znamenat i odvrácení nesprávného strategického nebo marketingového rozhodnutí, které by mohlo vést až k ekonomickým ztrátám. U zákaznicky orientovaných společností mohou kvalitní a detailní data prospívat v efektivním investování akvizičních a retenčních nákladů. I zde je na místě porovnání nákladů vydaných na zajištění kvalitních dat s celkovými jejich přínosy pro podnik a posouzení jejich návratnosti v čase.

21

5) Zlepšení zákaznických služeb V tomto směru mají kvalitní data neocenitelný přínos pro organizaci zejména při analyzování potřeb trhu a zákazníků, zavádění nového produktu na trh a marketingové cílení na konkrétní zákaznický segment. Kvalitní data napomáhají k uspokojení poptávky a poskytnutí lepšího zákaznického servisu. Po uvedení nového produktu na trh je nezbytné zajistit zpracování dat nejen v primárních systémech, ale také v cílových systémech podporující podnikový reporting. Bez zajištění ukládání a vyhodnocování dat v těchto systémech je pro útvar controllingu velmi složité, někdy i nemožné, kvalitně, včasně a věrohodně vyhodnotit přínosy nového produktu nebo celé marketingové kampaně. Obecně lze konstatovat, že kvalitně pořízená, zpracovaná, zkontrolovaná a správně vyhodnocená podniková data snižují možné riziko nesprávného rozhodnutí či zvolení nevhodné podnikové strategie, šetří čas zaměstnanců a eliminují potenciální náklady společnosti. Kvalitní data rovněž dobře působí na zákazníky a pozitivně podporují vnímání podniku na trhu a jeho společenskou prestiž. Ne vždy je ale možné zajistit maximální kvalitu dat v podniku. Během celého procesu zpracování dat, tedy od pořízení dat v primárních systémech až po jejich vyhodnocení v sekundárních systémech, může dojít k celé řadě událostí, které mohou snižovat kvalitu podnikových dat. Mezi nejčastější příčny snižující kvalitu dat patří: a) Obsahové chyby chybné záznamy, chybějící data, nesmyslné kombinace dat, nesprávný či nevěrohodný obsah dat.

22

b) Chyby v datových tocích ztracené záznamy, duplicitní data, chybně přepsané záznamy, nekonzistence dat. c) Strukturální chyby nedostatečná transparentnost datových atributů (např.: více kódů se stejným významem, různý význam stejně pojmenovaných atributů, atp.), chyby v metadatech. d) Chyby v procesech zpracování dat nejednoznačnost a nedodržování pravidel zpracování dat, chybná rekonciliace dat. Každá společnost by se měla snažit neustále snižovat možné riziko vzniku výše uvedených chyb. Eliminaci těchto chyb lze zajistit pravidelným prováděním validací stávajících pravidel týkajících se datové kvality a nastavováním pravidel nových. Tím může dojít nejen k odstranění stávajících typů chyb, ale také k preventivnímu zabránění vzniku zcela nových chyb. Kromě kontroly a eliminace chyb vlastních dat je pro podnik téměř nezbytné sledovat a aktualizovat veškeré procesy zpracování dat, a to ve všech jejich průběhových fázích. Je tedy zřejmé, že nekvalitní data mohou společnosti přinést určitá úskalí ba dokonce finanční ztráty. Tím největším je beze sporu skutečnost, že nekvalitní data mnohdy vedou k chybným znalostem, poznatkům, informacím a někdy dokonce i k nesprávným manažerským či strategickým rozhodnutím. Dalším úskalím je i vynakládání finančních prostředků na zpracovávání, uchovávání a archivaci nadbytečných či dokonce nesmyslných dat. Kvalita dat může být ohrožena nejen chybou lidského faktoru, ale také nekvalitně zajištěnými procesy zpracování, uchování a automatizace dat v podnikových systémech. Právě tyto procesy mohou pomoci ke zvýšení celkové efektivity organizace. 23

2.2 Řízení kvality dat v podniku

2.2.1 Význam řízení kvality dat Kvalitní data a informace v organizaci mají přímý vliv na zvyšování informační hodnoty současných údajů v primárních i sekundárních systémech. Vysoká úroveň kvality dat přináší společnosti celou řadu výhod. Kvalitní data jsou důležitá nejen pro vrcholový management, ale také pro všechna oddělení ve společnosti. Řízení kvality dat a informací tedy poskytují podporu nejen při rozhodování a řízení organizace, ale má také velmi důležitou roli například v oblasti konkurenceschopnosti, marketingových průzkumů jednotlivých segmentů trhu, uspokojování tržní poptávky, snižování nákladů podniku, zajišťování kvalitních a důvěryhodných informací posílaných z podniku do jeho okolí. Další důležitou úlohou řízení kvality dat a informací ve společnosti je zajištění efektivního fungování všech obchodních procesů a splnění firemních cílů. Aby bylo možné splnit všechny tyto úkoly, musí podnik disponovat daty, která mu poskytují přesný obraz skutečnosti a pocházejí z důvěryhodného zdroje. Struktura dat a integrační vazba mezi zdrojovými daty musí být ve všech podnikových systémech neustále rozvíjena a konzistentně udržovaná. Data podniku musejí být v případě potřeby spolehlivá, úplná a rovněž snadno dostupná. Každá organizace by měla disponovat procesy řízení kvality dat a informací včetně stanovení vlastních podnikových metrik. Velmi důležitá je neustálá prevence vzniku chybných dat, nikoliv pouze jejich dodatečná identifikace a odstraňování. Řízení kvality dat a informací je nutné zajistit během celého jejich životního cyklu. Samotné řízení vychází nejen z obecných principu řízení, ale také z platné legislativy. Obecně lze řízení kvality dat chápat jako komplexní soubor metod, postupů, procesů, nástrojů, měření a doporučení.

24

Hlavní přínosy řízení kvality dat a informací pro podnik: poskytnutí dostatečných a kvalitních informací pro řízení podniku, zkvalitnění podkladů pro veškeré rozhodování v podniku, potenciální zvýšení tržeb podniku, zlepšení marketingového cílení na koncovou skupinu zákazníků, zefektivnění nabídky služeb a výrobků pro konkrétní zákaznický segment, zlepšení vztahů se zákazníky a obchodními partnery, snížení nákladů v oblasti informačních dat, akvizičních a retenčních zákaznických nákladů společnosti, nákladů na odstraňování defektů, zajištění integrace a vzájemné konzistence mezi podnikovými systémy, zajištění návratnosti investovaných nákladů do rozvoje informačních technologií podporující automatizaci obchodních procesů, zabezpečení důvěryhodnosti reportingu, získání kvalitního podkladu pro plánování a prognózování, zajištění komunikace věrohodných dat s externím prostředím podniku. Řízení kvality dat a informací ve společnosti má přímou vazbu na efektivní fungování obchodních procesů. Výstupem řízení kvality dat jsou spolehlivá data, která tvoří základní pilíř pro efektivní fungování celého podniku. Podnik by však neměl v oblasti řízení kvality dat nijak zásadně experimentovat. V dnešní době na trhu existují hotové a ověřené metodiky. Jednou z nejuznávanějších je metodika TIQM - Total Information Quality Management, jejímž autorem je celosvětově uznávaná autorita v oblasti řízení kvality informací Larry P. English.5.

5

KUČERA, Milan. Digi a věda : Ještě ke kvalitě a čistotě dat [online]. 2008-12-03 [cit. 2009-12-12].

IHNed.cz. Dostupné z WWW: .

25

2.2.2 Postup implementace řízení kvality Řízení kvality dat a informací zpravidla nebývá pouze jednokrokové, ale představuje složitý a dlouhodobý proces, který ovlivňuje celou organizaci, obchodní a vnitropodnikové procesy a v neposlední řadě i samotné technologie. Pro rozhodnutí o zavedení řízení kvality dat a informací by mělo vedení společnosti obdržet dostatek kvalitních informací, na základě kterých odsouhlasí nebo zamítne následující realizaci. Zajištění těchto podkladů je často velmi složité a náročné, protože kvalita dat prochází celým podnikem a ovlivňuje řadu obchodních i provozních procesů. Podobně to platí i u vlastního zavádění řízení kvality dat a informací. Samotná implementace má projektový charakter a prochází několika fázemi, které je nutné dodržovat a žádnou z nich nepodcenit. Každá fáze by měla mít vlastní cíl, časování a rozpočet. Důležitá je rovněž podpora vedení. Implementační fáze řízení kvality 1. Rozhodnutí o realizaci Zvažuje-li společnosti zavedení řízení kvality dat a informací, měla by si před spuštěním vlastní realizace stanovit cíle, kterých chce pomocí této implementaci dosáhnout. V praxi se často nejedná pouze o identifikaci přínosů, ale také zvážení rizik, stanovení rozpočtu a časového rámce, kapacitních nároků a dopadů na veškeré procesy v rámci organizace. Po vzájemném porovnání všech podmínek projektu musí vedení společnosti jednoznačně rozhodnout, zda řízení kvality dat a informací uskuteční či nikoliv. Samotné porovnání není vždy jednoduché, poněvadž některé přínosy a rizika nelze přímo ocenit. Pro zajištění úspěšné implementace je takřka nezbytné určit zodpovědnou osobu či vlastníka na úrovni středního nebo vrcholového managementu. Dále by měl být určen projektový manažer, který sestaví projektový tým a zahájí vlastní realizaci formou projektu.

26

2. Analýza současného stavu V případě pozitivního rozhodnutí managementu o realizaci projektu řízení kvality dat a informací může dojít k zahájení analytické fáze projektu. Tato fáze bývá v praxi nejdelší a nejnáročnější. Obecně ji lze rozdělit do dvou částí. První část se zpravidla zabývá hodnocením celkové úrovně kvality dat a informací v podniku. Identifikuje všechny afektované obchodní a provozní procesy, určuje zúčastněné systémy, posuzuje jejich architekturu, popisuje relevantní datové toky a současné kontrolní mechanismy. Ve druhé části analýzy dochází k posuzování kvality dat a informací konkrétních datových zdrojů. V rámci této fáze je nutné sledovat kvalitu dat a informací v průběhu jejich celého životního cyklu, tedy od jejich zaznamenání, přes zpracování, uchování, kontroly, vyhodnocování a archivaci. Velmi důležitým úkolem této etapy je specifikování stávajících procesů, postupů, odpovědností a veškerých firemních pravidel týkajících se řízení kvality dat a informací. Výstupem této fáze musí být popis všech dat a informací, technický popis zdrojových systémů, zmapování datových toků, procesů, postupů, pravidel, odpovědností a analýza kontrolních mechanismů zajišťující kvalitu dat a informací. V této fázi rovněž identifikujeme nedostatky včetně popisu příčin jejich vzniku. 3. Návrh na zlepšení Jednotlivé návrhy na zlepšení přicházejí bezprostředně po ukončení druhé části analytické fáze. Velmi důležitým úkolem této etapy je porovnání všech stávajících procesů, postupů, odpovědností, validací a firemních pravidel týkajících se řízení kvality dat a informací. V tomto okamžiku je vhodné navrhnout konkrétní role a k nim přiřadit odpovědné osoby včetně manažera řízení kvality dat a informací, který bude odpovídat za celý proces řízení kvality dat a informací v organizaci. Neméně důležitou částí je i návrh na odstranění identifikovaných defektů, vylepšení kontrolních mechanismů, vznik nových či vylepšení stávajících procesů, postupů, pravidel, zavedení kontrolních mechanismů a odpovědností.

27

4. Realizace návrhů a měření kvality dat Pro plnohodnotnou realizaci této fáze je nezbytné odsouhlasení všech navržených metrik pro měření kvality dat a informací. Jsou-li odsouhlasené, dochází k pravidelnému sledování a měření kvality dat a informací. Jako součást této etapy by také určitě nemělo chybět zajištění doručování pravidelně získávaných výsledků měření kvality dat a informací všem jejich vlastníkům a koncovým uživatelům. Je-li zjištěna odchylka, je nutné tuto část dat a informací znovu analyzovat a dohledat příčiny vzniklé odchylky. 5. Zlepšování kvality a procesů jejího řízení Jsou-li v rámci měření kvality dat a informací detekovány určité nedostatky, je nutné zanalyzovat příčiny jejich vzniku a přijmout taková opatření, která zabrání jejich opětovnému výskytu. Cílem této fáze je tedy zajistit neustálé zlepšování kvality dat a informací v podniku. Jejím výstupem jsou zpravidla aktualizace a vylepšování procesů, postupů, pravidel, odpovědností a kontrolních mechanismů sloužících jako preventivní opatření nebo jako důsledek odstranění již zjištěných nedostatků. Veškeré aktualizace a inovace musejí být prováděné v souladu s legislativou, aktuální situací na trhu, novými obchodními i provozními procesy. V neposlední řadě by neměla chybět jejich dokumentace a jejich komunikace napříč celou společností.

28

2.2.3 Kvalita dat v podnikových systémech Předpokladem bezchybného fungování informačních systémů v podniku je zajištění spolehlivých a kvalitních vstupních dat, které slouží jako nosný pilíř pravidelného poskytování požadovaných výstupů koncovým uživatelům. „Kvalita dat je neodmyslitelným atributem kteréhokoliv informačního systému, počínaje transakčními systémy (TPS), systémy sloužícími pro manažerské řízení (MIS) a neposledními v řadě i systémy pro rozhodování EIS), využívající převážně OLAP architekturu (On-line Analytical Processing)“ 6. Obecně lze tedy data podniku rozdělit na vstupní a výstupní. Vstupní data jsou pořizována číselnými a alfanumerickými záznamy okamžitě a opakovaně během realizace probíhajících obchodních, výrobních, řídících a provozních procesů. Výstupní data jsou ukládána a případně dále zpracovávána v systémech, které slouží především managementu a koncovým uživatelům. V souladu se způsobem pořízení dat lze také rozdělit i podnikové systémy. Systémy, ve kterých jsou data ukládána prvotně jako součást informace o uskutečněném obchodním, výrobním, řídícím či provozním procesu se v praxi označují jako transakční, někdy také primární nebo zdrojové. Systémy, do kterých se data dále transferují, jsou chápány jako sekundární, někdy také cílové. Sekundární systémy mají zejména uživatelský charakter a slouží především pro účely reportingu, analýzy, trendy a prognózy společnosti. Mezi sekundární systémy patří také systémy podporující manažerské řízení a rozhodování.

6

MINIBERGER, Bohumil. Kvalita dat datových skladů - nezbytný předpoklad předcházení rizik

manažerského rozhodování. Sborník z 11. ročníku mezinárodní konference“Současnost a budoucnost krizového řízení“. Praha, 2009. ISBN 978-80-254-5912-6.

29

Transakční podnikové systémy tvoří zdroj pro centrální úložiště veškerých důležitých a mnohdy pro společnost nezbytných dat a informací pro celou organizaci. Tyto zdrojové systémy mohou fungovat jako vzájemně propojené jednotky, které data na vstupu přijímají a na výstupu dále odevzdávají nebo přímo vyhodnocují v největším možném detailu. Export dat z transakčních podnikových systémů může být realizován přenosem ve formě souborů mezi několika různými systémy a následně importovány v rámci finálního souboru do sekundárních systémů. Před samotným importem dochází k transformaci dat do strukturované podoby cílového systému. Jedná se o nejrozšířenější způsob datové integrace. Výhodou tohoto způsobu je jeho jednoduchost a minimální závislost zdrojových a cílových systémů. Vlastnímu přenosu dat do sekundárních systémů se blíže věnují odstavce týkající se ETL procesů.

Obrázek č.1. Hierarchická struktura informačních systémů podniku.

OI

S

I

Odborní pracovníci

Zdroj: Doc. Miniberger, BIVŠ

30

S

e TP

Střední management

ED

Analytici a specialisté

Wa Dat reh a ou s

Top mangement

MI S

Ředitelé odborů

EIS

Představenstvo, dozorčí rada

Kvalita dat v primárních systémech Většinu zdrojových systémů tvoří transakční systémy, ve kterých dochází k primárnímu pořizování velkého množství dat a to jak manuálně, tak automaticky. S rostoucím objemem dat, složitostí systémů a podílem manuálních vstupů roste riziko možné chyby, čemuž je třeba neustále zabraňovat a případné chyby odstraňovat. Mezi významné příčiny nekvalitních dat v transakčních systémech bývá lidský faktor, technické nedostatky při prvotním pořizování dat, různá pravidla pro zápis, časté a nekvalitní migrační a integrační aktivity na úrovni zdrojových systémů a složité datové toky. Podnik proto musí provádět nejen preventivní opatření při pořizování primárních dat, také pravidelná opatření směřující ke zvyšování jejich kvality. Preventivní opatření nejčastěji spočívají v implementaci validačních kontrol metadat, číselníků, registrů a logických datových vazeb, nastavování jednotných pravidel zápisu včetně povinných polí, substitucí a workflow přímo ve zdrojovém systému. Tato opatření zajišťují kompletní dodávku vstupních dat, správnost a smysluplnost jejich vzájemných kombinací a okamžitou informovanost v případě výskytu chyby. Ačkoliv tato opatření bývají nejnáročnější, mají pro většinu společností největší přínos. Cílem těchto opatření je předcházet nedostatkům a snižovaní kvality dat ve zdrojových systémech okamžitě během samotného pořizování dat. Ne vždy jsou ale identifikovány všechny nedostatky nebo rizika potenciálních chyb a implementovány veškeré možné kontrolní mechanismy. Z tohoto důvodu může snadno dojít ke vzniku chyb ve zdrojových systémech a tím i ke snížení celkové kvality a spolehlivosti dat, které tyto systémy obsahují. Kromě preventivních systémových opatření by tedy měla dnešní datově hospodařící společnost pravidelně provádět další nezbytné kroky, zajišťující dostatečnou kvalitu spolehlivost vstupních dat v primárních systémech.

31

Mezi nejrozšířenější disciplíny v oblasti datové kvality patří: 1. Data profiling Data profilig je první částí celkového podnikového managementu dat. „Pojem data profiling (analýza kvality dat) se stává v dnešní době stále zřetelnějším ve všech oblastech souvisejících s managementem dat, který má za úkol zajistit v daný okamžik uživatelům přesná, kompletní a korektní data za pomoci nastavení relevantních firemních procesů. Díky data profilingu analyzujeme nejen obsah, kvalitu a strukturu, ale také vzájemnou propojenost vstupních dat. Představte si například, že si potřebujete ověřit adresy svých zákazníků. Vycházíme z logické úvahy, že pro dané PSČ by mělo existovat pouze jedno město. Použitím data profilingu jsme schopni během pár minut ověřit tuto hypotézu pro databázi obsahující milion záznamů, což už je úctyhodný výkon. V rámci jedné analýzy ale můžeme ověřit mnohem více informací, jako například rozložení unikátních nebo nulových hodnot v jednotlivých polích, překlepy, např. zda má PSČ pouze numerické hodnoty, a mnoho dalších.“ 7. Data profilingem identifikované nedostatky bývají odstraňovány v průběhu dalších kroků vedoucích ke zlepšování kvality dat a mohou být dále použity jako metriky pro některé procesy řízení kvality dat. V praxi se jedná především o identifikaci nekonzistentních, chybějících a duplicitních dat. Průběžné, pravidelné a důkladné provádění data profilingu zvyšují celkovou kvalitu dat v organizaci.

7

ROZEHNALOVÁ, Helena . Jak ušetřit pomocí data profilingu. IT SYSTEMS [online]. 2005, 03, [cit. 2009-

12-15]. Dostupný z WWW: .

32

2. Cleansing „Čištění dat (Data Cleansing) – proces transformace dat za účelem odstranění duplicitních a nekorektních záznamů v datech“ 8 Čištění dat je proces, jehož cílem je odstranění nesprávných nebo duplicitních záznamů podnikových dat uložených ve zdrojových systémech. Společně s data profilingem tvoří počáteční fázi podnikové řízení dat. Po provedení data profiligu je nutné opravit data v souladu s pravidly řízení dat ve společnosti. Součástí těchto oprav musí být i odstranění duplicitních záznamů. Čištění lze provádět jednorázově nejčastěji při migraci systémů, pravidelně jako součást některých procesů řízení kvality dat nebo permanentě. Pravidelně se opakující čištění vede k udržení či zvýšení kvality podnikových dat. Permanentní čištění je zajišťováno okamžitě během pořizování vstupních dat do primárních systémů. Do metody čištění obecně spadají systémové aktivity zajišťující standardizaci a normalizace dat, opravy chyb a překlepů, validace dat s externími a interními číselníky a registry, obohacení a doplňování dat a v neposlední řadě již zmiňovanou deduplikace dat. Jednotlivé fáze procesu čištění dat: Analýza. Standardizace. Obohacení informací (enrichment). Hledání souvislostí (linking) Integrace.

8

PIRKL, David. Kvalita dat : Využití asociačních pravidel pro zvyšování kvality dat [online]. 2004, 05. Slide

8. [cit. 2009-12-20]. Dostupné z WWW: .

33

3. Match-Merge „Pomocí této metody se na základě předem definovaných pravidel dají určit záznamy, které reprezentují stejná data, a podle dalších pravidel se tyto záznamy dají sloučit do jediného. Tato metoda spolu s metodou čištění poskytuje nástroj pro jednoznačnou identifikaci kontaktních informací o zákaznících. Prvním krokem při použití metody Match-Merge je definice porovnávacích pravidel. Pravidel může být více, záznamy jsou označeny jako identické, pokud splní jedno z následujících pravidel.“9

Mezi hlavní příčiny nekvalitních dat v transakčních systémech bývá lidský faktor, technické nedostatky při prvotním pořizování dat, časté a nekvalitní migrační a integrační aktivity na úrovni zdrojových systémů a složité datové toky. V současné době existuje na našem trhu řada sofistikovaných nástrojů, které výše uvedené činnosti podporují. Některé z nich jsou blíže uvedené v následujících odstavcích.

Nástroje zajišťující kvalitu dat v primárních systémech V zájmu každé společnosti nejen zajištění vysoké kvality a spolehlivosti vstupních dat a informací,

ale

také

nastavení

spolehlivých

a

smysluplných

datových

toků

a

automatizovaných procesů zpracování dat a informací. Nemalou úlohu zde hrají také nástroje, které tyto činnosti zajišťují. Společnost by měla při pořizování takového sofistikovaného nástroje vždy porovnávat jeho implementační a provozní náklady s jeho skutečnými přínosy pro společnost. Ani zde nemusí platit pravidlo, že nejdražší nástroj je také nejlepší.

9

BOHUSLAV, Jiří. Metody a procesy čištění dat. IT SYSTEM [online]. 2006, 08, [cit. 2010-01-04]. Dostupný

z WWW: .

34

Data Flux Data Flux je nástroj firmy SAS Institute10, resp. její dceřiné společnosti Data Flux určený pro řízení datové kvality a master data management dostupný na českém a slovenském trhu. Nástroj se zaměřuje na jednotlivé kroky komplexního procesu správy data, jako jsou např. profilace dat, obohacování a monitorování dat, datová kvalita nebo datová integrace. Prostřednictvím technologie a prověřené metodologie jsou surová data transformována do konzistentních přesných a věrohodných informací. „Řešení Data Flux poskytuje nástroj pro datovou kvalitu – dfPower Studio, a nástroj DataFlux Integration Server pro komplexní Master Data Management. dfPower Studio představuje výkonného pomocníka datových stewardu a byznys analytiku a slouží především pro tvorbu byznys pravidel a DataFlux Integration Server, poskytuje platformu pro vytvoření jednotné báze integrující datovou kvalitu napříc celou organizací. Jádro řešení DataFlux - QKB (Quality Knowledge Base), je v současné době plně lokalizováno pro Českou i Slovenskou republiku.„.11

Adastra Purity „Adastra Purity je nástroj pro řízení datové kvality. Umožňuje zvyšovat informační hodnotu stávajících údajů v informačních systémech a zároveň zajišťuje řízení kvality dat na vstupu do systému. Primárně je připraven k jednoznačné identifikaci zákazníků, adres a vozidel. Na rozdíl od jiných produktů je nástroj Purity od začátku šitý na míru českému a slovenskému národnímu prostředí, zná jeho specifika a plně integruje všechny dostupné externí datové zdroje.

10

http://www.sas.com/offices/europe/czech/

11

LÁVICKOVÁ, Petra. SAS Czech Republic [online]. 2008 [cit. 2010-01-10]. DataFlux, nástroj pro rízení

datové kvality, a Master Data Management je. Dostupné z WWW: .

35

Technicky je nástroj Purity řešen modulární systém. Základní moduly jsou dva, přičemž první je určen pro obecné čištění, identifikaci a unifikaci dat (Purity), zatímco druhý slouží pro specifické čištění a identifikaci adres (Purity modul Adresy). Purity lze typicky použít pro řešení tradiční úlohy identifikace zákazníků. Umožňuje integrovat data z různých zdrojů, tato správně interpretovat a čistit na základě definovaných pravidel, a to včetně ověření proti číselníkům.“ 12

Trillium Software System „Trillium je nástroj firmy Harte-Hanks pro čištění dat o zákaznících. Trillium se skládá z modulů, ve kterých jsou data analyzována a transformována, a z databází zeměpisných údajů, katalogů jmen, titulů, apod. pomocí nichž se opravují chyby. V procesu čištění se nejprve analyzují všechny vstupní údaje a určí se jejich význam - jméno, příjmení, název ulice, název města, apod. Drobné chyby v datech se opravují za pomoci zeměpisných a jmenných katalogů. V analyzovaných a setříděných datech se dále vyhledávají významné shody a přiděluje se jim skóre podle pravděpodobnosti. Nakonec se identifikují jednotliví klienti. S použitím dodatečných informací, které lze získat z úvěrových žádostí a některých transakcí, je možné s určitou mírou pravděpodobnosti identifikovat domácnosti. V systému Trillium jsou obsaženy dlouholeté zkušenosti s identifikací. Tvůrci Trillia se začali zabývat čištěním a identifikací poštovních adres koncem šedesátých let minulého století. Od té doby vyvinuli celou řadu technologií, jež jsou dnes integrovány v robustním, škálovatelném a multiplatforním řešení.“ 13

12

Nástroje pro Data Quality Management (Purity) [online]. 2009 [cit. 2010-01-10]. Adastra. Dostupné

z WWW: . 13

VAVRUŠKA, Jindřich . ETL a kvalita dat. IT SYSTEMS [online]. 2003, 03, [cit. 2010-01-10]. Dostupný

z WWW: .

36

Metadata „Měření datové kvality většinou probíhá formou srovnání skutečnosti s očekávaným stavem a očekávaný stav je popsán metadaty. Ta zahrnují popisy pravidel, kterými se řídí business procesy a tato pravidla se také v transformované podobě stávají pravidly, kterými se řídí toky dat. Aplikací takových transformovaných pravidel lze lehce odlišit ta data, která pravidlům vyhovují a ta, která nevyhovují. Metadata, tedy data o datech, bývají nedílnou součástí datového skladu. Jsou využívána pro sémantický popis obsahu jednotlivých dat uložených v datovém skladu, dále pro popis transformací, které byly na datech vykonány při jejich přenosu z primárních systémů. V neposlední řadě jsou metadata využívána různými reportovacími nástroji, které je využívají ke skrytí složitých technických závislostí a prezentují svým uživatelům informace v jim srozumitelné podobě – za pomocí business termínů. Metadata, respektive jejich sběr a uchování, bývá často označováno za základní kámen managementu znalostí – tzv. Knowledge Management. Metadata umožňují zachytit ve strukturované podobě určité znalosti. Tyto znalosti se většinou týkají různých procesů v organizaci. Procesy mívají svůj odraz v datech, která proudí organizací prostřednictvím informačních systémů a popis obsahu a struktury dat je právě jednou z úloh metadat.“ 14 Úkolem metadat je tedy popis celé řady charakteristik všech používaných dat, jako např.: co je jejich obsahem, popis sloupců, tabulek, formát a datový typ, kdo a kdy je vytvořil, kde se nacházejí, atd. Dalším důležitým úkolem je funkce jakéhosi pojítka mezi daty v transakčních a sekundárních systémech. K uskutečnění takového propojení musí tedy metadata popisovat nejen data z primárních systémů, ale také data systémů cílových. Aby bylo možné s metadaty z různých systémů centrálně pracovat, je nutné je ukládat do metasystému.

14

PAVLIS, David Pozice a úloha datového skladu v rámci informační strategie firmy. Systémová integrace [online]. Praha : VŠE, 04/2004 [cit. 2010-02-12]. Dostupné z WWW: <www.cssi.cz/cssi/system/files/all/SI_04_4_pavlis.pdf>

37

Každý metasystém by měl v podniku plnit následující: „Popsat vztah business a technických metadat Dopadová analýza („změna ve vstupním extraktu ovlivní tyto tabulky, ETL procesy a reporty“). Důvodová analýza („tato položka v tomto reportu vznikla těmito transformacemi z těchto zdrojů“ = revers předchozí). Rozdílová analýza (skutečné závislosti ETL programů x závislosti nastavené v řídícím systému). Optimalizace datového modelu, databází a ETL.“15

Metadata hrají významnou roli nejen v datové toku podniku, ale jejich úroveň velmi výrazně ovlivňuje především také kontrolu, stav a zvyšování kvality vlastních podnikových dat. Kvalitu podnikových dat by podnik stěží mohl kontrolovat a zlepšovat, aniž by ji mohl nejprve změřit. Většina dnešních nástrojů nabízí uživatelům komfortní správu metadat a jejich rozsáhlé používání při automatizaci procesů. Jedná se o automatizace procesů nejen v oblasti extrakce a transformace, ale také procesů zajišťujících vyšší kvalitu dat. Tyto procesy spočívají zejména v určování přípustných hodnot konkrétních datových záznamů v transakčním i cílovém systému. Pomocí metadat lze pak snadno detekovat a odstranit chybné položky.

15

STUDNIČKA, Zbyněk. Případová studie: Metasystém datového skladu, řízení kvality v datovém skladu

ČSOB [online]. Praha. Československá obchodní banka. 2008 [cit. 2010-04-12]. Dostupné z WWW:

38

Kvalita dat v sekundárních systémech Z procesního hlediska podniku je nutné brát v potaz zajišťování vysoké kvality dat v systémech cílových nebo-li sekundárních, do kterých jsou data transformována právě ze zdrojových systémů. Data v cílových systémech zpravidla pocházejí z více transakčních podnikových systémů a jsou určena k prezentaci formou uživatelských výstupů. Ve většině případů tato data neobsahují stejný detail jako data v transakčních podnikových systémech. Značnou roli zde hraje právě jejich podnikový význam, úroveň jejich kvality a v neposlední řadě také skupina koncových uživatelů, pro které jsou data určena. K zajištění kvality dat v sekundárních systémech slouží především: a) ETL procesy Do této kapitoly patří především zajišťování kvality dat v rámci datových pump, resp. ETL procesů. Jedná se o jakousi mezifázi charakterizovanou datovými toky z transakčních systémů do systémů zdrojových, která je definovaná právě z důvodu naplnění sekundárních systémů požadovanými daty. ETL procesy umožňují pravidelný výběr a úpravu dat ze zdrojových a externích systémů. Následně jsou tato data převáděná do jednotného formátu a uložena do datového skladu. Tyto procesy by měly být co nejvíce automatizované a pravidelně realizované. Obecně zahrnují procesy zajišťující extrakci, transformaci a přenos dat. Extrakce – jedná se o výběr údajů, které mají být přenesené do datového skladu. Tyto údaje jsou uložené v různých zdrojových a externích systémech a formátech. Hlavním úkolem extrakce je výběr všech požadovaných údajů z těchto systémů pomocí patřičných nástrojů a technologií. Transformace – představuje čištění extrahovaných údajů ze zdrojových a externích systémů. Jejím hlavním cílem je zajištění požadované kvality těchto dat a odstranění

39

případných nekonzistencí. Mezi nejčastější případy nekonzistencí patří především rozdílné formáty, duplicity, chybějící data, nejednoznačné údaje atd.. Loading – v této fázi jsou data přenášená a následně ukládána do cílových systémů. „Komplexní řešení ETL Dodávka ETL řešení má svá pravidla. Její součástí musí být komponenty, které zajistí správné fungování, kontrolovatelnost a udržovatelnost implementovaného řešení. Součástí dodávky jsou: Metodika řešení - konvence pro pojmenovávání objektů, struktura a obsah dokumentace, apod.. Funkcionalita - postavená na pečlivé analýze datových zdrojů a cílového datového modelu všech transformací. Zahrnuje plánování běhu datových pump včetně žurnálování, datový audit, ošetření chybových situací, systém monitoringu, reportování a notifikace, nastavení přístupových práv uživatelů a v neposlední řadě plán obnovy datového skladu. Systém archivace - výběr objektů pro zálohování, nastavení pravidel a intervalů zálohování, příprava hardwaru a médií pro zálohování. Dokumentace - dokumentace architektury, technologií, přístupových práv; dokumentace pro správce datového skladu. Zaškolení správce.“ 16 b) Rekonciliace dat Pro každý podnik je důležité svá data bezpečně zpracovávat, ukládat, chránit a vzájemně porovnávat nejen v samotném úložišti, ale také během celého jejich procesního zpracování. Se stoupajícím množstvím dat, transakčních a cílových systému rostou také potřeby kapacit pro rekonciliaci dat. Spotřebovaná práce, energie a finanční prostředky závisí na zajištění

16

VAVRUŠKA, Jindřich . ETL a kvalita dat. IT SYSTEMS [online]. 2003, 03, [cit. 2010-01-10]. Dostupný z

WWW: .

40

kvality a efektivity využívaných systémů, jejich množství, složitosti údržby, vzájemné provázanosti jejich dat a celkové kvalitě rekonciliační platformy.Rekonciliace dat by v moderní společnosti měla zajišťovat porovnání všech dat a datových toků mezi jednotlivými systémy. Zpravidla to znamená vytvoření centrální rekonciliační platformy v podniku. Rekonciliační platforma je aplikace postavená zpravidla na bázi určitého ETL nástroje (např. Ab Initio17 blíže uvedené v praktické části této práce). Vstupem této aplikace by měla být data z primárních a sekundárních systémů, která jsou převáděna na jednotný formát a prostřednictvím rekonciliačního mechanismu (v případě Ab Initio je to soustava Abi grafů) následně porovnávána. Rekonciliační výstupy a související data by měly být ve společnosti dále ukládány a zpřístupněny kompetentním uživatelům. Pro jejich interpretaci je možné použít wiki systém18 nebo přímo databázi. c) Data Quality Agreement (DQA) Cílem DQA je zajištění kvality dat při přenosu z primárního systému do cílového systému. Jde o písemnou dohodu, která potvrzuje zodpovědnosti a specifikuje kritéria pro vyhodnocování kvality dat, postup pro odstraňování chyb, kontrolní a eskalační mechanizmy. DQA zároveň definuje metriku, která slouží ve společnosti pro měření datové kvality.DQA vytváří vlastník cílového systému, v jehož kompetenci je rozvoj cílového systému. Tento dokument se vytváří vždy, když vznikne nový interface mezi tzv. primárním systémem a cílovým systémem. DQA udržuje v aktuálním stavu vlastník cílového systému. Termín pro finalizaci DQA bývá zpravidla ukončení pilotního provozu nově vzniklého interface. Nové DQA není nutné vytvářet v případě, že již existuje pro danou oblast DQA. Pak stačí provést update původního DQA. 17

http://www.abinitio.com/abinitio/ab.nsf/about_abinitio

18

http://www.opensourcehosting.cz/cz/56*wiki-systemy/

41

3 Kvalita a reporting controllingových dat ve společnosti T-Mobile Doposud se veškeré předchozí kapitoly zabývaly pouze teoretickou rovinou datových skladů, kvality dat a jejího dopadu na podnikový reporting. Následující část diplomové práce bude prakticky zaměřena na klíčové ukazatele, které zpracovává, sleduje a vyhodnocuje útvar controllingu. Ten tyto ukazatele dále reportuje nejen svému lokálnímu managementu, ale také mateřské společnosti. Tato témata budou dále zpracovávána a interpretovaná pomocí telekomunikačního operátora T-Mobile Czech Republic, a.s.. Nedílnou součástí následujících kapitol bude také analýza, popis významu a datových toků výše zmíněných controllingových ukazatelů a zajištění jejich kvality v rámci lokálního manažerského reportingu. Podrobněji zde bude popsán význam a využívání procesu rekonciliace dat a DQA dokumentů. V neposlední řadě nebude chybět ani autorův návrh na zajištění konzistence finančních dat v DWH a reportovanými daty mateřské společnosti. Vzhledem k limitovanému rozsahu bude tato diplomová práce zaměřena především na reportingovou část oblasti controllingu podporující jak vnitřní fungování a řízení společnosti, tak rozhodování majoritního akcionáře. Cílem diplomové práce nejsou popisy, analýzy, objasňování ani posuzování procesů týkajících se kvality detailních dat, generovaných v rámci primárních telekomunikačních procesů v transakčních podnikových systémech. Diplomová práce se bude blíže zabývat teprve agregovanou formou výše uvedených primárních dat uložených v samostatném Enterprise Data Warehouse od společnosti Oracle19, který ve společnosti slouží jako celopodniková strategická platforma. V rámci tohoto sekundárního systému budou použita pouze data nezbytná k sestavení požadovaných controllingových výstupů a provádění potřebných analýz a prognóz jednotlivých trendů. Z důvodu zvýšené citlivosti některých ukazatelů, datových toků a procesních schémat, budou v této práci některé údaje úmyslně zaměněné nebo případně vynechané.

19

http://www.oracle.com/global/cz/index.html

42

3.1 Profil společnosti Jak již bylo zmíněno, praktická část této diplomové práce bude interpretována na controllingových datech a datových procesech společnosti T-Mobile Czech Republic, a.s.. Společnost T-Mobile Czech Republic, a.s. (dále jen T-Mobile) působí na českém trhu od roku 1996. K konci roku 2009 společnost obsluhovala téměř 5,5 milionu zákazníků, a to jak formou tarifů, tak formou předplacených karet. Jejími klienty jsou nejen společnosti všech velikostí a různých odvětví, ale také soukromé osoby. Hlavním pilířem podnikové strategie je zajištění vysoké kvality nabízených služeb, vynikající péči o své zákazníky a korektní chování k obchodním partnerům, zaměstnancům a životnímu prostředí. T-Mobile je operátorem veřejné mobilní komunikační sítě ve standardu GSM 900 MHz a 1800 MHz, zároveň je oprávněn provozovat síť UMTS. Tuto technologii třetí generace spustil jako první v České republice v říjnu 2005. Kromě hlasových služeb společnost poskytuje i nehlasové služby jako například textové zprávy, MMS, datové přenosy s využitím technologií GPRS, Wi-Fi, EDGE a xDSL. T-Mobile je členem mezinárodní telekomunikační skupiny Deutsche Telekom20. Zákazníci díky mezinárodnímu zázemí mohou v zahraničí počítat s dostupností služeb, na něž jsou zvyklí z domova, či využít jednotné a velmi výhodné ceny za volání. K zajištění veškerého telekomunikačního i operativního provozu a jeho rozsáhlého reportování používá společnost celou řadu sofistikovaných nástrojů, systémů, technologií, rozhraní, procesů a strategií. Některé z nich budou stručně zmíněné v kapitolách týkajících se architektury systémů, datových toků, rekonciliace dat a autorových návrhů na zlepšení.

20

http://www.deutschetelekom.cz/dtag/cms/content/dt/de/start

43

3.2 Stručný přehled reportovaných ukazatelů Kvalitně, kompletně a včas reportované informace v podniku mají celou řadu výhod. Úroveň informační hodnoty údajů obsažených v podnikových systémech je přímo závislá na celkové kvalitě dat. Proto by měl management společnosti podporovat řízení kvality dat a rozvoj jednotlivých podnikových systémů. Tím si pro svá strategická rozhodnutí a operativní řízení zajistí vždy dostupná, přesná a věrohodná data. Aspektem pro rozhodnutí může být rovněž návratnost investice do zajištění kvalitních dat a jejich zpracování. Jsou-li data kvalitní, nemusí se vedení podniku obávat jejich sdílení jak uvnitř společnosti, tak při komunikaci svou mateřskou společností a vnějším okolím. Tyto veškeré skutečnosti si vedení společnosti T-Mobile velmi dobře uvědomuje a řízení kvality dat a s tím spojených podnikových procesů plně podporuje. Výsledkem je velmi dobrý stav kvality dat jak v primárních systémech, tak v systémech sekundárních, které jsou nezbytné pro zajištění kompletního podnikového reportingu. Kvalita dat ve společnosti T-Mobile neznamená pouze definici úrovně primárních dat ukládaných ve zdrojových systémech, ale kompletní proces zpracování dat od uložení až po jejich odeslání koncovým uživatelům a jejich následného vyhodnocení. V rámci sledování a posuzování datové kvality společnost T-Mobile pravidelně vyhodnocuje zejména tyto datové charakteristiky: Úplnost. Jednoznačnost. Správnost. Věrohodnost. Konzistence. Včasnost. Náročnost na zpracování. Dostupnost.

44

Splňují-li data kontinuálně a dlouhodobě výše uvedené charakteristiky, přináší podniku celou řadu výhod a stávají se neocenitelným nástrojem pro podporu rozhodovacích procesů a celého managementu. Společnost je povinna reportovat majoritnímu akcionáři celou řadu důležitých finančních i nefinančních ukazatelů, které jsou uvedené ve zkrácené formě rovněž v této kapitole. Tyto ukazatelé mají vliv nejen na finanční výsledky podniku, ale především na strategická rozhodování vrcholového managementu a akcionářů. Reportované informace musejí být kvalitní, konzistentní a prezentovaná v přehledné, dlouhodobě porovnatelné a akcionářem požadované či schválené formě. Nemalou úlohu zde proto hraje nejen tým „Business Intelligence“ z útvaru informačních technologií, ale také útvar Controllingu, který je součástí finančního úseku. Právě Controlling je zodpovědný za včasné a kvalitní reportování všech finančních a nefinančních (někdy též funkčních) ukazatelů, které pravdivě a spolehlivě odrážejí obraz všech událostí, které v reportovaném období nastaly nebo vznikly v důsledku aktivit v měsících předchozích. Všechny reportované ukazatelé útvar controllingu reportuje nejen jako skutečné měsíční a year-to-date (dále jen YTD) hodnoty, ale také jako plánované hodnoty v rámci ročního plánu, střednědobého plánu nebo jednotlivých forecastů prováděných v průběhu roku. V následující části této kapitoly budou uvedené některé významné ukazatelé nebo skupiny ukazatelů začleněné do jednotlivých reportovaných oblastí. Tyto ukazatelé jsou dále reportovány do manažerského informačního systému existujícího přímo v mateřské společnosti. Vlastní datový tok je blíže popsán v následující kapitole. Pro transparentnost budou u těchto významných ukazatelů uvedeny jejich hodnoty za celý rok 2009, které společnost již zveřejnila ve své tiskové zprávě 21.

21

http://t-press.cz/tiskove_zpravy/2010/1063/

45

1. Finanční ukazatelé 1.1. Tržby Společnost T-Mobile vykázala za rok 2009 tržby v celkové výši 31,472 miliardy korun. Ve srovnání s předchozím rokem tato hodnota představuje meziroční pokles o 5 %. Tržby ze služeb dosáhly 30,2 miliardy Kč. 1.2. EBITDA (zisk před úroky, zdaněním, odpisy a amortizací) EBITDA (zkratka z anglického názvu Earnings before Interest, Taxes, Depreciation and Amortization) je indikátor, který ukazuje provozní výkonnost společnosti. Jedná se o hrubý provozní zisk společnosti, jehož hodnota ke konci roku 2009 činila 16,2 miliardy Kč. Ve srovnání se stejným obdobím roku 2008 to znamená nárůst o 2,6 %, přičemž marže EBITDA dosáhla 51,5 %. 1.3. ARPU (průměrná měsíční útrata na zákazníka) Ačkoliv se zvýšil podíl tarifních klientů na celkové zákaznické bázi, hodnota ukazatele průměrné měsíční útraty jednoho zákazníka na konci roku 2009 meziročně poklesla o 7,2 % na 464 Kč. Hlavním důvodem bylo uvedení tarifů nové generace na trh, migrace uživatelů na předplacené služby a regulační opatření. Podíl nehlasových služeb na tržbách ARPU tvořil 23 %. Tabulka č. 1. Přehled hodnot klíčových finančních ukazatelů společnosti za rok 2009 Kč

2009

2008

Změna (%)

Tržby celkem (mil.)

31 472

33 140

-5,0

Tržby ARPU (mil.)

30 196

31 997

-5,6

EBITDA (mil.)

16 219

15 811

2,6

EBITDA marže (celk. tržby) EBITDA marže (tržby ARPU)

51,50%

47,70%

3,8 %p.b.

53,70%

49,40%

4,3 %p.b.

464

501

-7,2

ARPU

Zdroj: http://t-press.cz/tiskove_zpravy/2010/1063/

46

K dalším, velmi významným a reportovaným finančním ukazatelům společnosti patří Capex (investiční výdaje jsou náklady společnosti na pořízení nového nebo obnovu starého (jak hmotného, tak nehmotného) majetku, jako např. zařízení, nemovitosti, technické vybavení, atd.), Operating Free Cash Flow (hotovost prezentující volné finanční prostředky jako rozdíl mezi všemi náklady a výnosy společnosti, které zbudou po zaplacení všech položek nutných k zabezpečení podniku). 2. Funkční ukazatelé (KPIs) Tyto ukazatele společnost T-mobile nereportuje pouze jako jednu celkovou hodnotu, ale jako rozpad celkové hodnoty podle různých dimenzí požadovaných mateřskou společností. Mezi tyto dimenze patří především Typ služby, Tarify, Zákaznický segment, Prodejní kanál, Direction (zda se jedná o příchozí nebo odchozí jednotku) a celou řadu dalších. 2.1. Zákazníci Celkový počet zákazníků v roce 2009 činil 5,46 milionu. Ve srovnání s rokem 2008 počet zákazníků meziročně vzrostl o 0,8 %. Vzhledem k tomuto růstu má společnost T-Mobile vedoucí pozici v počtu aktivních SIM karet. Nemalou zásluhu na tomto výsledku má především segmentu tarifních zákazníků používajících paušální programy. Jejich počet dosáhl téměř 2,66 milionu, což představuje meziroční nárůst o 6,4 %. Tito tarifní zákazníci nyní tvoří více než 49 % z celkové zákaznické báze. 2.2. Gross Adds Tento ukazatel představuje počet nových zákazníků z trhu, kteří buď přišli od konkurence, nebo začali zcela nově využívat služeb telekomunikačního operátora. Za první tři měsíce roku 2009 činil celkový přírůstek zákazníků společnosti T-Mobile 25 tisíc, což v porovnání za stejné období roku 2008 znamená pokles o více než 68%. Hlavním důvodem je vysoká penetrace telekomunikačního trhu v České republice. 2.3. Průměrný měsíční churn Ukazatel Churn, někdy nazýván jako Disconnection nebo Deaktivace představuje procentuální podíl zákazníků, kteří odešli od společnosti T-Mobile ke konkurenci nebo

47

zcela přestali využívat služeb telekomunikačních operátorů. Deaktivace SIM se provádí po 13 měsících neaktivity. V roce 2009 dosahoval průměrný měsíční churn hodnoty 1,4 %. Tabulka č. 2. Přehled hodnot klíčových funkčních ukazatelů společnosti za rok 2009 v tis.

2009

2008

Změna (%)

Počet zákazníků

5 464

5 422

0,8

43

151

-71,5

1,4 %

1,4 %

0,0 %p.b.

Noví zákazníci Průměrný měsíční churn

Zdroj: http://t-press.cz/tiskove_zpravy/2010/1063/

2.4. Usage Jedná se o ukazatel, který představuje spotřebované jednotky všech služeb zákazníkem. Obsahuje různé měrné jednotky jako např. minuty, kusy, bity, atp.. Tento ukazatel je opět reportován podle Typu služeb, Tarifů, Zákaznických segmentů, Prodejních kanálů, Directions a celou řadu dalších. Hodnoty tohoto ukazatele zpravidla kopírují poměr těchto dimenzí a jejich jednotlivých prvků ukazatele Zákazníci a KPI Based Net Revenues. Výjimkou však mohou být např. tarify s neomezeným voláním, SMS, MMS atp., u kterých je Usage výrazně vyšší a čisté výnosy naopak nižší. 2.5. KPI Based Net Revenues Tento ukazatel představuje rozdíl mezi Hrubými výnosy a zákaznickými slevami rozpadnutými opět podle všech dimenzí a jejích prvků. Jeho celková hodnota se rovná čistým výnosům ve výsledovce, která je dále v rámci reportingu buď přímo, nebo nepřímo (pomocí alokačních klíčů) rozpadnutá do výše podle dimenzí a jejích prvků. Ačkoliv je trend hrubých výnosů rostoucí, je hodnota tohoto ukazatele klesající. Důvodem jsou především vysoké slevy poskytované zákazníkům.

K dalším významným funkčním ukazatelům společnosti patří Inaktivita (zákazník v zákaznické bázi, který určité období nevykazuje Usage), Prolongace (prodloužení smluv) a Migrace (přesun zákazníků mezi segmenty a Net adds (čistý přírůstek zákazníků).

48

3.3 Architektura systémů využívaných pro controllingový reporting Aby mohla společnost T-Mobile rychle a bez potíží reagovat na měnící se požadavky trhu, musí mít včas k dispozici kompletní a spolehlivé informace nejen ze svého vnitřního prostředí, ale také z jeho vnějšího okolí. Těchto informací neustále přibývá, rostou nároky na jejich množství a detail. Ve společnosti tak vzniká potřeba na jejich automatické pořizování, zpracovávání, ukládání a v neposlední řadě také kontrolu a vyhodnocování. V důsledku této potřeby musí podnik budovat a spravovat řadu vzájemně propojených systémů, které mají buď primární, nebo sekundární charakter. Do primárních systémů data vstupují formou jednotlivých transakčních záznamů, kde se dále zpracovávají a kontrolují. Tato data se dále transformují do cílových systémů, které poskytují informace koncovým uživatelům v požadované, často agregované podobě. Společnost T-Mobile v současné době používá celou řadu automatizovaných primárních i sekundárních systémů, technologií, rozhraní, nástrojů a strategií. Rozsah i význam těchto systémů a technologií se liší v závislosti na konkrétní procesní oblasti, ve které se používají a jak velký objem dat periodicky zpracovávají. Z procesního pohledu lze automatizované aktivity společnosti T-Mobile rozdělit do následujících čtyř oblastí: 

Poskytování telekomunikačních služeb – do této oblasti patří nejen základní telefonování, SMS MMS messaging a datová spojení, ale i VPN, hlasová schránka a služby poskytované ve spolupráci s partnery (např. loga, vyzváněcí tóny,…).



Vyřizování zákaznických požadavků a obsluha zákazníků (CRM) – do této oblasti spadá vyřizování dotazů potenciálních zákazníků a podpora pro jejich získání, uzavírání nových smluv se zákazníky, péče o stávající zákazníky a zajištění jejich udržení (např. pomocí zvýhodněných nabídek apod.). 49



Účtování telekomunikačních služeb pro zákazníky a partnery – zde se jedná kromě oceňování a účtování jednotlivých událostí a paušálních poplatků také vystavování měsíčního vyúčtování pro zákazníky a partnery.



Servisní procesy, podpora vnitřního fungování firmy a reporting – do této oblasti jsou zahrnuté veškeré BI/ERP systémy, které podporují jak technologie a jejich provoz, HR, účetnictví závazků a pohledávek, tak především reporting a rozhodování managementu. Zároveň sem spadá jak zajišťování vnitropodnikového reportingu, tak reporting pro mateřskou společnost, kterými se bude tato diplomová práce dále podrobněji zabývat.

Tyto procesní oblasti se zabývají zpracování a sbírání jednotlivých událostí, které nastaly v telekomunikační síti, jejich oceněním, zohledněním věrnostních programů a slev a v neposlední řadě i proúčtováním do finančního, potažmo controllingového modulu v systémech SAP22 R/3 a SAP IS-T, uložením všech událostí do datového skladu a tiskem zákaznické faktury a zajištěním podnikového i nadnárodního reportingu. Obsah této diplomové práce je blíže věnován především poslední oblasti týkající se systémů, zajišťujících lokální i mezinárodní controllingový reporting. Do této oblasti spadají především podnikové systémy SAP R/3 a SAP IS-T, které mají ve společnosti charakter zdrojových systémů a právě v oblasti controllingového reportingu hrají významnou roli. Pro pochopení datového toku reportovaných ukazatelů je nezbytné zmínit druhý významný transakční systém Amdocs23, zajišťující především účtování a oceňování (billing & rating) telekomunikačních událostí. Ostatní důležité primární systémy (Mediation, Integrated Shop System, Clarify, Marketing Manager) pro zjednodušení autor nepopisuje, ale jsou nezbytnou součástí procesního schématu na obrázku č. 2. Data z těchto systémů jsou pomocí ETL procesů transformována a ukládána v DWH. 22

http://www.sap.com/cz/index.epx

23

http://www.amdocs.com/Pages/HomePage.aspx

50

Obrázek č. 2. Procesní schéma podnikových systémů nezbytných pro controlling

Zdroj: Interní dokumentace T-Mobile (vlastní úprava)

Pro zajištění controllingového reportingu jsou důležité především tyto procesy: Proces 1c – zajištění dat pro Amdocs, kde dojde k zaznamenání všech událostí v telekomunikační síti a jejich ocenění. Proces 2b – data z Amdocsu jsou ukládána do DWH. Proces 2a – události z Amdocsu jsou dále posílány do SAP IS-T, kde dojde k proúčtování všech telekomunikačních událostí do hlavních a vedlejších operací. Ty jsou namapované na konkrétní finanční účty a controllingové objekty. Proces 3a – data z SAP IS-T jsou pomocí IDocs (Intermediate Dokumenty používané v SAPu) odesílané v agregované formě do SAP R/3, kde jsou proúčtované na konkrétní finanční účty a controllingové objekty. Proces 5 – Po provedení měsíční uzávěrky modulu controlling v systému SAP R/3 jsou data odeslána ke zpracování do DWH. 51

K zajištění tohoto reportingu se používají technologie a systémy uvedené v tabulce č. 3. Tabulka č. 3. Technologie a systémy společnosti podporující controllingový reporting Programovací jazyk / technologie Oracle Web Toolkit24

PL/SQL – kód uložený v databázi Oracle, zpřístupněný přes Oracle Internet Application Server

Oracle Forms25

PL/SQL – část kódu uložená přímo do formulářů uložených na aplikačním serveru, část v databázi Oracle

SAP R/3

SAP R/3 verze 4.7 Enterprise

SAP IS-T

Odvětvové řešení SAP pro telekomunikační odvětví

Oracle Discoverer26

Komplexní reportovací nástroj

Hyperion Essbase a HE

OLAP server umožňující datové multidimenzionální

System 927

úložiště systému Oracle Hyperion

Hyperion Analyzer

Reportovací nástroj pro Hyperion Essbase

Zdroj: autor

Většina z výše uvedených produktů pochází od společnosti Oracle, a to včetně přímé podpory ve vývojářských nástrojích Oracle Designer28. Tyto prostředky umožňují vývojářům rychlé, snadno použitelné řešení a jednoduchou implementaci transakcí zahrnujících více systémů. Technologie a systémy uvedené v tabulce č. 1 mohou zpravidla používat všechny úseky a oddělením ve společnosti. V této diplomové práci se však zaměříme především na data, která jsou nezbytná nejen pro lokální střední a vrcholový management, ale také pro majoritního akcionáře. Klíčovými uživateli těchto dat a systémů jsou zejména pracovníci útvaru controlling.

24

http://www.oracle.com/technology/software/products/intermedia/htdocs/descriptions/web_access.html

25

http://www.oracle.com/technology/products/forms/index.html

26

http://www.oracle.com/global/cz/applications/cpm/discoverer.html

27

http://www.oracle.com/appserver/business-intelligence/essbase.html

28

http://www.oracle.com/technology/products/designer/index.html

52

Všechna reportovaná data jsou ukládána do centrálního datového skladu Enterprise Data Warehouse (EDW), který funguje jako celopodniková integrovaná kolekce dat na platformě Oracle. Veškeré záznamy jsou nejprve z primárních systémů ukládány do operativního datového skladu (ODS). Odtud jsou v rámci tzv. Matrixu transformované a odesílané do samotného EDW. Správcem EDW je podniková „doména“ Business Inteligence. Matrix představuje skupinu ETL procesů řešených v již dříve zmíněném nástroji Ab Initio, který za využití definovaných a automaticky spouštěných grafů aktualizuje a ukládá veškeré nové prvky jednotlivých dimenzí v EDW. Pomocí této funkcionality mohou být nově vzniklé prvky nahrané a integrována do vzájemných logických vazeb v EDW. Do kompetence Matrixu rovněž spadá načítání faktové tabulky a kontrola všech jejích záznamů na jednotlivé prvky aktualizovaných dimenzí. Neméně důležitou činností Matrixu ve vztahu k reportingu dat do mateřské společnosti je rovněž spouštění grafů pro výpočet finančních i funkčních ukazatelů. Pro fungování Matrixu je nezbytné Repository Ab Initio EME (Enterprise Meta Environment) uložené na odděleném serveru. Uživateli požadovaná data z EDW jsou pak prezentovaná buď přímo prostřednictvím sady reportů definovaných v Oracle Discoverer nebo dále přes ETL Ab Initio grafy načítána do OLAP nástroje Hyperion Essbase, kde jsou následně kalkulovaná, kontrolovaná a prezentována pomocí MS Excel Add-In nebo aplikaci Hyperion Analyzer. Obrázek č. 3. Detail zpracování controllingových dat v DWH

Zdroj: Interní dokumentace T-Mobile (vlastní úprava)

53

3.4 Zachycení procesu reportování controllingových dat Jelikož je společnost T-Mobile majoritně vlastněná zahraniční společností Deutsche Telekom, je nezbytné zajistit také odesílání klíčových ukazatelů do centrálního reportovacího systému T-Mobile Management Information Platform, interpretovaný jako TM-MIP systém. Tento je vybudovaný na mezinárodní platformě Hyperion System 9. Všechny klíčové ukazatele je nutné reportovat nejen v dlouhodobě stanoveném rozsahu a detailu, ale rovněž ve vysoké kvalitě a požadovaném období. Pro většinu těchto ukazatelů je nezbytné mateřské společnosti a jejímu managementu poskytnout jak data skutečná, tak data plánovací, která se později stávají nedílnou součástí konsolidačních procesů celé nadnárodní skupiny Deutsche Telekom.

V kapitole „3.2. Stručný přehled reportovaných ukazatelů“ jsou reportované ukazatele rozděleny podle podnikové metodiky na finanční a funkční. Každý ukazatel má přiřazené vlastní identifikátor, název, detailní popis, zodpovědnou osobu v T-Mobile a v Deutsche Telekomu, rozsah období jeho platnosti, název cílové OLAP kostky, reportovací den. Je-li ukazatel kalkulovaný, musí jeho definice obsahovat také vzorec jeho výpočtu. Všechny tyto informace jsou uložené v tzv. „Business Dictionary“, který je součástí již zmíněného TM-MIP nástroje. Většinu takto reportovaných ukazatelů společnosti T-Mobile využívá také pro potřeby svého lokálního managementu.Primárním zdrojem finančních dat je systém SAP R/3 včetně jeho jednotlivých modulů. V tomto systému jsou data buď pořizovaná přímo nebo importovaná z telekomunikační nástavby SAP IS-T či Integrated Shop Systemu. Zdrojem pro controllingová funkční data je především již dříve zmíněný transakční systém Amdocs, zajišťující účtování a oceňování telekomunikačních událostí. Všechny ukazatelé, ať již finanční či funkční, jsou pravidelně ukládané v EDW. V datovém skladu se tedy potkávají jak finanční, tak funkční data. To je důležité pro potřeby controllingového reportingu z toho důvodu, že některá funkční data se v rámci celkové sumární hodnoty musejí rovnat účetním zůstatkům (např. KPI Based Revenues, KPI Based Sales Reduction, apod). Této rovnosti se blíže věnuje odstavec popisující zpracování dat v OLAP nástroji.

54

Proces reportování controllingových dat do mateřské společnosti stručně popisuje obrázek č.5. Pro jeho zjednodušení vychází z předpokladu, že jsou kompletní a úplná controllingová data uložená konzistentně a včas v EDW. Obrázek č.4. Zjednodušený datový tok controllingových ukazatelů v rámci reportování

Legenda:

TM-MIP (Hyperion System 9) FI01

FI02

FI03

FU01

FU02

FU03

stávající systémy a moduly

TKPI

Staging area (validation entry area) datové kostky TMCZ Hyperion Essbase

Manual entries

TXT files FU02

FU03

PAv1

TKPI

datový tok oddělení systémové vrstvy

SAP CO

EDW

SAP FI IS-T

Zdroj: Autor

HR

SD

MM AM Amdocs

Other Primary systems

Data jsou z EDW ve formě faktové tabulky exportovaná a transformovaná pomocí Ab Inition ETL procesů do multidimenzionálních kostek v lokálním OLAP systému Hyperion Essbase. Mezi hlavní kostky patří PAv1 pro finanční ukazatele a kostky FU02, FU03 a TKPI pro funkční ukazatele. Téměř každá kostka obsahují několik velmi rozsáhlých a hierarchicky členěných dimenzí.

55

Prvky dimenzí jsou do nástroje Hyperion Essbase přidávané nebo aktualizované manuálně na základě uživatelských požadavků. V současné době dochází k manuálním úpravám struktur Hyperion Essbase zřídka. Většina těchto manuálních úprav zpravidla vyplývá ze změn systému TM-MIP, které definuje mateřská společnost v tzv. „Change Request Releasech“. Tyto požadavky se realizují maximálně čtyřikrát ročně a jsou vždy implementované lokálně v plném rozsahu. Struktury OLAP kostek včetně jednotlivých ukazatelů víceméně odpovídají kostkám definovaným v centrálním systému TM-MIPu. Důvodem je fakt, že se v minulosti lokálně dodržovala analogická kopie OLAP kostek z TM-MIPu, od které se v nedávné době upustilo. Jelikož je pro zajištění reportingu mateřské společnosti požadován podstatně menší detail, jedná se v rámci transformace dat především o mapování, resp. provázání lokálních prvků EDW do OLAP struktur a jejich následnou agregaci. Toto provázání je zajišťováno pomocí vazebních tabulek v Matrixu. Další důležitou funkcí těchto vazebních tabulek je zajištění alokační kalkulace účetní hodnoty ze systému SAP R/3 do všech požadovaných prvků dimenzí daného funkčního ukazatele. Správci těchto vazebních tabulek jsou pracovníci Controllingu, kteří jsou zároveň vlastníci všech jednotlivých ukazatelů reportovaných do mateřské společnosti Deutsche Telekom. Poněvadž je zejména oblast funkčních dat velmi košatá, objemná a často složitá, dochází v ní u mnoha ukazatelů k provedení dodatečných korekcí a řady „umělých“ alokací podle předem stanovených a odsouhlasených alokačních klíčů, tzv. driverů. Vložené korekce a alokace jsou pak v rámci Hyperion Essbase zkalkulované a opětně agregované. Důvodem těchto alokací je zajištění rozpadu jednotlivých ukazatelů do všech požadovaných prvků dimenzí. Požadované dimenze a detail povolených jednotlivých řezů všech reportovaných ukazatelů stanovuje mateřská společnost. Je-li hodnota odeslána na nepovolený řez dimenzemi, je detekována jako chyba na úrovni Staging Area v TM-MIPu. Nad celým nástrojem Hyperion Essbase je vytvořen uživatelský (v tomto případě především controllingový) reporting. Uživatelům jsou reporty zpřístupněny pomocí nástroje Hyperion Analyzer nebo pomocí MS Excel Add-ins. Obrázek č.5 popisuje

56

existující role na controllingu, umožňující reportování dat z Hyperion Essbase. V současné době je nejvíce rozšířen MS Excel Add-in umožňující flexibilní a rychlé vytváření reportů. Administrátorem oblasti controlling v Hyperion Essbase je sám autor. Obrázek č.5. Role v rámci reportovacích nástrojů pro Hyperion Essbase

Hyperion Essbase

Administrátor

Hyperion Analyzer uživatelé

Aplikační server

Essbase Application manager

Hyperion Analyzer

Essbase Excel Add -in

Essbase server

Databáze

Zdroj: Interní dokumentace T-Mobile (vlastní úprava)

Jsou-li data v lokální Hyperion Essbase zkontrolována a odsouhlasená se systémem SAP R/3 a na reporty definované v Oracle Discoverer, je možné začít s jejich odesíláním do systému TM-MIP. Tento přenos je prováděn pomocí dalšího Ab Initio ETL procesu uloženého v Matrixu, pomocí kterého je možné odeslat faktovou tabulku pro daný měsíc do centrálního TM-MIPu. Takto odeslaná data procházejí validační kontrolou na úrovni 57

MS Excel Ad uživatelé

TM-MIP Staging Area. Další možností je uživatelské odeslání dat přes webové rozhraní pomocí textového souboru. Tento způsob se využívá pouze omezeně, a to zejména v případě dodatečných oprav. Změny jednotlivých hodnot ukazatelů lze rovněž provádět manuálně prostřednictvím zpřístupněných webových reportů. Tento způsob je ale velmi pracný a časově náročný. Jsou-li data bezchybná, je možné je prostřednictvím funkce „publikování“ převzít do samotného TM-MIPu. Na této úrovni je rovněž zpřístupněný uživatelský reporting, který kromě vstupních údajů obsahuje i kalkulované a agregované pozice. Celý proces odeslání dat zde končí závěrečnou kalkulací a uvolněním (releasem) dat. Takto odeslaná, zkalkulovaná a především uvolněná data jsou finální a bez souhlasu mateřské společnosti neměnná. V neposlední řadě se provádí kontrola odesílaných dat na úrovni systému TM-MIP. V tomto kroku dochází ke kontrole mezi finančními daty, která jsou reportovaná sedmý pracovní den a některými funkčními daty odesílanými desátý pracovní den. Jedná se především o již zmíněné ukazatele mající konkrétní sumární hodnotu ve výsledovce rozpadnuté do požadovaných dimenzí. Kontrola vazby finančních a funkčních dat je zajišťována sadou validačních reportů, definovaných mateřskou společností. Tyto reporty jsou tedy až na úrovni systému TM-MIP. V případě vložení dodatečný úprav do tohoto centrálního systému přes webové rozhraní nebo textový soubor je nutné provést znovu kalkulaci a následně data uvolnit. Je-li potřeba opravit uvolněná data dodatečně, je nezbytné tento krok odsouhlasit s vlastníkem konkrétního ukazatele na straně systému TM-MIP, který na své straně zajistí odemčení Staging Area v TM-MIP systému.

58

3.5 Detailní analýza procesu zpracování finančních dat Jak již bylo řečeno, veškerá finanční data jsou primárně pořizovaná manuálním nebo automatickým zaúčtováním ve finančním modulu systému R/3 vždy za daný měsíc. Manuálně data pořizují finanční účetní. Automaticky jsou data do finančního účetnictví pořizovaná buď z ostatních modulů systému SAP R/3 nebo z primárních systémů jako je např. SAP IS-T, Integrated Shop System, atp.. Po měsíčním uzavření tohoto modulu následně dochází k uzavření období v modulu Controlling. Tato měsíční uzávěrka se týká capexových a výsledkových účtů a jejich povinného přiřazení controllingovému objektu, kterým je v případě společnosti T-mobile nákladové středisko nebo vnitropodniková (interní) zakázka. Každý controllingový objekt má svého vlastníka a spadá do kompetence konkrétního controllera. Vlastník nese zodpovědnost za operace na controllingovém objektu a čerpání jeho rozpočtu. Controller má zodpovědnost za kontrolu účtování skutečných hodnot, ale především za sledování rozpočtu a vyhodnocování měsíční a YTD odchylky skutečnosti proti plánu na těchto objektech nebo skupinách objektů. Je-li ve finančním účetnictví účtováno na capexový nebo výsledkový účet je controllingový objekt nastaven jako povinné pole. Primární systémy a finanční účetní tedy musejí vždy k těmto kategoriím účtů přiřadit relevantní controllingový objekt. Dojde-li z nějakého důvodu k zaúčtování s chybným controllingovým objektem, musí controller zajistit přeúčtování na správný controllingový objekt v rámci controllingové měsíční uzávěrky. To je důležité nejen pro lokální řízení celé společnosti, ale také pro kvalitní odesílání dat do mateřské společnosti. Náklady jsou ve společnosti T-Mobile vždy účtované na nákladová střediska nebo vnitropodnikové zakázky. Výnosy jsou účtované pouze na vnitropodnikové zakázky. Nejedná se však o stejné zakázky, které jsou určené k účtování nákladů. Nákladová střediska a vnitropodnikové zakázky jsou vždy navázané na tzv. Profit centrum. Profit centrum je tedy jediný objekt, na kterém je možné sledovat výsledek hospodaření, tj.

59

náklady i výnosy. Hodnoty profit center jsou však v systému účtovány jako sekundární nebo-li statistické a primárně se pro podnikový reporting nepoužívají. Celý datový tok finančních dat je procesně znázorněn na obrázku č.6. Obrázek č.6. Proces zpracování finančních dat společnosti T-Mobile v systému SAP R/3

Ostatní moduly SAP R/3 (MM, SD, HR, ...)

SAP IS-T

ISS

Finanční účetnictví

Controlling

Zdroj: Autor.

Nákladová střediska

Profit centra

Interní zakázky

Interní zakázky

Každý controllingový objekt ve svém kmenovém záznamu nese informaci o jeho zařazení Náklady

Výnosy

do organizační struktury mateřské společnosti, která se liší od organizační struktury společnosti T-Mobile. Toto pole se nazývá „funkční oblast“. Tato informace je tedy nezbytná při reportování finančních dat mateřské společnosti Deutsche Telekom. Pro každý syntetický účet jsou definované konkrétní oblasti organizační struktury, se kterými může být operace zaúčtovaná. Tato kombinace je striktně určená mateřskou společností. Dodržení těchto pravidel je zajišťováno pomocí validačního mechanismu v systému 60

Other

SAP R/3, a to jak při samotném účtování, tak v rámci controllingové uzávěrky. V případě výskytu nevalidní kombinace je nutné zajistit korektní přeúčtování. Jsou-li veškerá data zaúčtovaná s povoleným controllingovým objektem, je možné je v podobě extrahovaného souboru uložit na SAP server. Jako metrika jsou definované měsíční zůstatky na účtech. Mezi ostatní odesílané dimenze patří: syntetické účty, funkční oblasti, interní zakázky, nákladová střediska, verze a typ hodnoty. Automatický job pak tato data ukládá na speciální server, odkud jsou dále nahrávána zpracovávaná Matrixem a po aktualizaci všech dimenzí ukládáno do samotného EDW. Tento proces je znázorněný na obrázku č.7. Obrázek č.7. Proces odesílání finančních dat do EDW ve společnosti T-Mobile

SAP R/3

FI

CO

SD

MM

HR

Server hketl12 0

2

1

3

MATRIX Aktualizace hodnot všech číselníků

EDW1

Nahrání číselníků

Nahrání tabulek faktů

Zdroj: Autor.

Pokud by z nějakého důvodu došlo k zaúčtování na nevalidní kombinaci, je možné tato data zpracovat v EDW a odeslat do OLAP kostky PL01. Při exportu dat do Staging Area systému TM-MIP však dojde k označení těchto kombinací jako chybových.

61

3.6 Návrh na odstranění nekonzistence ve finančních datech Předchozí kapitola pojednává o zajišťování požadované kvality finanční dat, která jsou velmi pečlivě a automaticky kontrolovaná v okamžiku jejich pořizování. Tato kontrola pracovníkům útvaru controllingu šetří mnoho času při měsíčním zavírání tohoto modulu v SAP R/3. Jakmile je do systému účtován účet s nepovoleným controllingovým objektem nesoucí funkční oblast nezbytnou důležitou pro mateřskou společnost, systém vrátí chybové hlášení a k zaúčtování nedojde. Spoluautorem tohoto rozsáhlého kontrolního mechanismu je rovněž autor této diplomové práce. Tento kontrolní mechanismus se dlouhou dobu jevil jako bezchybný a controllingová data bylo bez problémů možné odesílat přímo do datového skladu k dalšímu zpracování a v neposlední řadě odeslání do TM-MIP systému. Obecně lze konstatovat, že takto odeslaná data jsou jediný pravidelně zajišťovaným rozhraním controllingových dat ze systému SAP R/3 a datovým skladem. V rámci tohoto rozhraní jsou do datového skladu ukládané již zmíněné měsíční zůstatky na účtech a ostatní odesílané dimenze: syntetické účty, funkční oblasti, interní zakázky, nákladová střediska, verze a typ hodnoty. Jelikož datový sklad ani OLAP systém neobsahují žádné validační mechanismy, je možné data odeslat přímo až do Staging Area systému TM-MIP. Zde je možné bezchybná data buď „publikovat“ do systému nebo analyzovat chyby, které systém TM-MIP detekoval. Pro zajištění včasného, správného a komplexního reportingu dat do systému TM-MIP je nutné vždy odeslat kompletní sadu finančních dat rekonciliovaných na systém SAP R/3. V případě, že dojde k detekci určité chyby na úrovni Staging Area systému TM-MIP, je nutné tyto chyby opravit manuálně, tedy buď přímo přes webový portál, nebo pomocí textového souboru. Na spuštění celkového zpracování dat od počátku, tj. ze systému SAP R/3, přes nahrání do datového skladu a OLAP nástroje, nemá v rámci měsíčního reportingu (sedmý pracovní den) společnost T-Mobile nemá dostatek času. Problém spočívá v tom, že manuálně opravené a do mateřské společnosti odeslané záznamy se již zpětně neopravují

62

v lokálním datovém skladu, který slouží jako formální zdroj dat (včetně těchto finančních) celé společnosti. V posledních měsících však dochází ve stále větší míře k nekonzistenci výsledků reportovaných mateřské společnosti Deutsche Telekom. Ta stále častěji vyžaduje komentáře k těmto nekonzistencím, ale především jejich procesní odstranění. Důvodem je fakt, že data jsou mateřské společnosti odesílaná několika směry. Beze sporu tím nejvýznamnější a správným je systém TM-MIP. Bohužel však tento systém není jediným odesílatelem finančních dat mateřské společnosti. Obrázek č.8. Znázornění nekonzistence reportovaných finančních dat mateřské společnosti

T-Mobile DWH

EDW

Deutsche Telekom

Úprava dat ve Staging Area

Zdroj: Autor.

TM-MIP reporting Fin. dat

63

Ostatní reporting Fin. dat

Autorova analýza a návrh řešení Aby mohla společnost T-Mobile garantovat jednotný reporting finančních dat směrem k mateřské společnosti, je důležité zajistit konzistenci dat již v lokálním datovém skladu. Tímto zároveň nebude nutné data manuálně upravovat ve Staging Area systému TM-MIP. Po autorově analýze nekonzistencí controllingových dat provedené na několika již uzavřených a mateřské společnosti reportovaných měsících byly identifikovány příčiny jejich vzniku. Jedná se především o: 1) dodatečné

povolování

zakázaných

kombinací

v již

existujícím

validačním

mechanismu. K tomuto povolení dochází nejčastěji v případech, kdy je třeba zaúčtovat storno účetního zápisu, který používá controllingový objekt, u něhož se změnila funkční oblast na základě aktualizace kombinací mateřskou společností. Podobné případy jsou i u účetních zápisů, které byly dodatečně pořízeny z primárních systémů. 2) Chyby způsobené špatně, pozdě nebo neúplně aktualizovanou maticí povolených kombinací v již existujícím validačním mechanismu. 3) Přístup pro povolování validních kombinací neoprávněnými osobami. Z výše uvedených důvodů je zřejmé, že zejména u storen a zápisů účetních záznamů z primárních systémů se společnost T-Mobile nevyhne výjimkám při povolování zakázaných kombinací v „on-line“ validačním mechanismu. Z tohoto důvodu je nutné rozšířit koncept controllingových validací o procesní část. Nosným pilířem tohoto rozšíření je vytvoření relativně jednoduchého reportu, který bude v rámci controllingové závěrky kontrolovat kombinaci syntetických účtů a funkčních oblastí obsažených v controllingových objektech proti povoleným kombinacím určených mateřskou společností Deutsche Telekom. Výstupem reportu budou detekované nevalidní kombinace včetně popisu afektovaného účtu, controllingového objektu, funkční oblasti a částky. Na základě tohoto reportu mohou být data v systému SAP R/3 ještě před odeslání do datového skladu opravena a znovu zkontrolována.

64

Tabulka č. 4. Příklad ukázky výstupu validačního reportu Synt.účet 60110005 61386005 61386005 Zdroj: Autor.

Nákl.středisko 99440 99424 99430

Zakázka

Částka Částka - 497 Kč 60110 - 30 199 Kč 61386 - 71 320 Kč 61386

Funkční oblast 1411 1281 1311

Jednotlivé kroky, které je nutné podniknout: 1) Striktní přidělení oprávnění na změnu současných validačních kombinací na úzkou skupinu uživatelů, kteří budou pouze z útvaru Controlling. 2) Vytvoření controllingového reportu, který bude navíc doplňovat „on-line“ spouštěný validační mechanismus. Spuštění reportu musí následovat vždy po realizaci měsíční controllingové uzávěrky a zároveň před odeslání finančních dat do datového skladu. Objeví-li report nevalidní kombinace, nesmí dojít k odeslání dat do DWH, dokud se tyto chyby neodstraní a validační report nebude prázdný. 3) Přiřazení zodpovědnosti konkrétní osobě za spouštění tohoto kontrolního reportu. 4) Začlenění aktivity spouštění validačního reportu do již existujícího interního procesu pro spouštění controllingové měsíční uzávěrky, který podléhá internímu auditu. Obrázek č.9. Zjednodušené procesní schéma zobrazující roli nového validačního reportu

Uzavřené finančních účetnictví Controllingové uzávěrkové operace

Zdroj: Autor.

Report bez záznamů

65

SAP R/3

Validační report

3.7 Důležité nástroje zajišťující kvalitu dat ve společnosti Výsledkem předchozí kapitoly by mělo být téměř dokonalé zajištění správnosti a přesnosti finančních dat nejen před samotným odeslání do datového skladu ze systému SAP R/3, ale také při zpracovávání těchto dat v samotném datovém skladu. Tím by měla být zajištěno odstranění nekonzistence hodnot a jednotné výstupy v rámci celého podniku směrem k mateřské společnosti. Zcela odlišná situace nastává u funkčních dat, která jsou do lokálního EDW plněná pomocí ETL procesů z různých primárních systémů. Tato diplomová práce neřeší vlastní zajišťování kvality dat v těchto primárních systémech, které společnost T-Mobile používá. Pro hodnocení a zvyšování kvality dat v sekundárních systémech je proto nezbytné vycházet z teoretického předpokladu, že data získávaná z primárních systému jsou zcela kompletní a maximálně kvalitní. Většina ETL procesů je ve společnosti zajišťované pomocí nástroje Ab Initio, o kterém již byla v této diplomové práci několikrát řeč. Ačkoliv je tento nástroj značně nákladný, je velmi výkonný pro programování ETL procesů v prostředí rozsáhlých datových skladů. Hlavní vlastností Ab Initia je podpora paralelního zpracování dat, modularita a podpora široké škály průmyslových standardů. Schopnost Ab Initia zvládat obrovské objemy dat a plně využít kapacitu víceprocesorových serverů je velmi cenná pro provoz datových skladů. Díky tomuto nástroji jsou veškeré ETL procesy kvalitně zpracovávané, automatizované, řízené, sledované, aktualizované a v žádném případě netvoří slabé místo při kontinuálním zajišťování vysoké kvality reportovaných dat. Tento nástroj hraje významnou roli také v dalších oblastech ovlivňující kvalitu dat v sekundárních systémech. Jsou to především Rrekonciliace dat a Sledování kvality reportů, které společnost T-Mobile rovněž používá.

66

3.7.1 Rekonciliace reportovaných informací Cílem rekonciliace dat ve společnosti je zajišťování konceptuální, logické a fyzické infrastruktury pro analyzování, měření a řízení datových toků a odsouhlasení mezi primární a sekundární systémy. Zpravidla to znamená vytvoření centrální rekonciliační platformy, identifikaci

datových

toků

vhodných

pro

rekonciliaci,

stanovení

jednotlivých

rekonciliačních pravidel a implementaci procesů zajišťující efektivní využívání rekonciliace v podniku. Původním impulsem implementace rekonciliační platformy ve společnosti T-Mobile bylo zajištění infrastruktury pro rekonciliaci zákaznických dat mezi primárními a sekundárními systémy. Dalším důvodem byly nekonzistence těchto systémů, které mohou ovlivnit nejen kvalitu reportovaných dat, ale mohou také přímo ovlivnit faktury koncových zákazníků a tím i výnosy společnosti. Implementace této infrastruktury byla doplněná o požadavek na definování metodologie a vytvoření Data Quality Agreement Reconciliation (DQAR). Všechny tyto oblasti byly řešeny projektem RARE5. Postupně byl tento projekt doplněn i řadou dalších projektů, jejichž cílem bylo do rekonciliační platformy zaimplementovat další důležité datové toky. Pro zajištění správného fungování rekonciliační platformy a procesů k ní vázanými, je nezbytné, aby každý datový tok měl přiřazeného svého vlastníka, stanovenou metodologii měření a vyhodnocování, definované klíčové ukazatele pro měření a vyhodnocování a v neposlední řadě sepsaný, odsouhlasený a odpovědnými osobami podepsaný dokument DQAR. Každá rekonciliace má definována: pravidla rekonciliace určující periodicitu, přenos dat pro rekonciliaci atp., měření a vyhodnocování včetně oprav, odpovědnosti a postupy, včetně vlastnictví business strany, správy aplikace atp., pravidla komunikace.

67

Rekonciliační platforma je aplikace postavená zpravidla na bázi určitého ETL nástroje. V případě společnosti T-Mobile je to nástroj Ab Initio. Vstupem této aplikace jsou data z primárních a sekundárních systémů, která jsou převáděna na jednotný formát a prostřednictvím rekonciliačního mechanismu následně porovnávána. Tento proces je zjednodušeně znázorněný na obrázku níže. Obrázek č.10. Rekonciliační proces ve společnosti T-Mobile Integration system messages

Primary system

Primary system extraction Full scan all concerned tables

Secondary system

Second. system extraction Full scan all concerned tables 1

List of modified IDs

Primary Dump

1

Secondary Dump

Responsible person

2

Responsible person

2

3

3

Business owner

11

RARE Compare Platform Regular incremental comparison RARE Compare Platform

10

Regular full comparison Transformation of primary system data

Transformation of secondary system data

Reporting

1

2

3

Alerting

Comparison

KPI evaluation

Difference evaluation Difference log

TMCZ Reporting

Detail data

Difference log storage

Correction script

Zdroj: Feasibility Study projektu RARE5. Interní dokumentace T-Mobile.

Rekonciliační platforma nejen detekuje nekonzistence, ale dokáže je také automaticky opravit. Je založena na dříve zmíněném vysoce výkonném ETL nástroji Ab Initio, v rámci kterého byly implementované jednotlivé rekonciliační algoritmy. Určitou iniciativu při její implementaci měla také mateřská společnost, pro kterou je vysoká kvalita reportovaných dat důležitá pro budoucí strategická rozhodnutí, řízení a plánování.

68

V rekonciliační platformě jsou vytvořeny statistiky jednotlivých zpracování, včetně jejich historie. Jsou evidované jak statistiky v okamžiku předávání opravných souborů, tak statistiky provedené rekonciliace (opět podle druhu, celkové počty provedených oprav, dále co se nepodařilo atp.). Pro vlastníky datových toků jsou k dispozici rovněž grafická zobrazení rekonciliačních výstupů. Ukázka reálného výstupu statistiky z rekonciliační platformy je zobrazena na obrázku č.11. Obrázek č.11. Denní rekonciliace služeb a jejich parametrů

Zdroj: Rekonciliační platforma T-Mobile (uživatelský výstup provedený autorem)

Veškeré rekonciliační procesy jsou monitorované. Nekonzistence v datech jsou identifikované podle předem stanovených pravidel a datové rozdíly mezi systémy jsou vyjádřeny procentuálně. Je-li to vhodné a technicky možné, může vlastník schválit provedení automatických oprav datového toku. Rekonciliační výstupy a související data (např. DQAR) jsou ve společnosti T-Mobile dále ukládány a zpřístupněny kompetentním uživatelům. Pro jejich interpretaci se ve společnosti používá Wiki server, na kterém je vytvoření portál Data Quality.

69

3.7.2 Sledování kvality reportů Ve společnosti T-mobile existuje celá řada výstupních reportů, jejich zdrojem je především datový sklad. Tyto reporty se spouštějí v různých periodách a lze je použít pro různé účely a koncové skupiny. Mohou sloužit jako podklad pro detailní analýzy, sledování trendu, jako podklad pro přeúčtování dohadných položek nebo stanovení alokačního klíče a celou řadu dalších důležitých aktivit. Tyto reporty jsou tedy nezbytné pro zajištění operativního řízení a plánování celého telekomunikačního procesu. Nepřímo pak také mohou výrazně ovlivnit přijímání budoucích strategických rozhodnutí. Jedná se tedy o soubor důležitých nástrojů, které podporují lokální management. Ve spojitosti s reportování klíčových ukazatelů mateřské společnosti mají tyto lokální reporty především kontrolní roli. Jak už bylo řečeno v jedné z předchozích kapitol, funkční data jsou před odesláním do systému TM-MIP zkontrolovaná s dalšími reporty vytvořenými v Oracle Discoverer nad daty z EDW. V praxi to znamená, že funkční data jsou importována do lokálního OLAP systému Hyperion Essbase, kde dochází ke vkládání potřebných korekcí uživateli, resp. vlastníky jednotlivých ukazatelů. Po provedení lokálních kalkulací jsou hodnoty výše uvedených ukazatelů zkontrolovány podle reportů, jejichž zdrojem je přímo datový sklad. Je tedy nutné, aby tyto lokální reporty obsahovali správné výsledky za vyhodnocované období. Tyto kontroly jsou často prováděné pouze na úrovni celkové hodnoty ukazatele nebo na úrovni řezů pouze klíčových dimenzí, mezi které patří zejména segment, tarif a typ služby. Detailní kontrola je totiž u většiny ukazatelů velmi složitá ba nemožná, poněvadž se často velmi výrazně liší samotný detail prvků dimenzí zobrazovaných v lokálních reportech z EDW od detailu a členění požadovaného mateřskou společností Deutsche Telekom. Sledování a měření všech lokálních reportů jsou součástí T-Mobile Report katalogu, který je podobně jako rekonciliační výstupy umístěn na portálu Data Quality. Report katalog přiděluje čísla reportů, dokumentuje informace o reportech, některé části (view, table, column) pak automaticky doplňuje. Report katalog obsahuje seznam a monitorování reportů, status tabulek pro každý report a dokumentace jednotlivých výstupů. Jeho 70

aktualizace probíhá denně a je automatická. Na obrázku č.12 je praktická ukázka úvodní obrazovky měření reportů, která obsahuje celkový seznam controllingových reportů. Obrázek č.12. Úvodní obrazovka monitorování reportů

Zdroj: Katalog reportů T-Mobile (uživatelský výstup provedený autorem)

Na levé straně je uvedený Report, který lze dále rozkliknout , následuje jméno a popis reportu, interní kód oddělení a stav reportu (NULL / Cancelled). Na pravé straně je zobrazena barva charakterizující stav dat, vlastník reportu a jeho status a pozice, autor a jeho status. Stanovení chybovosti reportů slouží ke zpětnému stanovení přesnosti tabulek. Stanovení chybovosti tabulek je definováno v kapitole „Kriteria hodnocení kvality dat“ obsažené v každém DQA dokumentu. Údaje zde uvedené musí splňovat minimálně požadavky na definovanou chybovost reportů, které danou tabulku využívají. Samotný report se skládá z různých tabulek, které podléhají měření. Z vyhodnocení stavu charakteristik jednotlivých tabulek se určí také stav reportu a to tak, že se zobrazuje ta “nejhorší barva”. Je-li některá z tabulek vyhodnocena např. jako červená, je celý report označen červený.

71

3.8 Autorova identifikace oblastí pro rozvoj kvality dat 1) Neustálé zvyšování kvality dat v primárních systémech T-Mobile, podobně jako každá moderní společnost, musí respektovat skutečnost, že kvalita zdrojových dat zásadně ovlivňuje manažerské výkazy a tím i celé její operativní či strategické řízení. Prvním velmi důležitým krokem vedoucím k zajištění vysoké kvality služeb společnosti T-Mobile, je zvyšování kvality dat v primárních systémech. Ačkoliv tato oblast není zahrnuta v praktické části této diplomové práce, je na místě zmínit skutečnost, že společnost T-Mobile má oblast datové kvality v primárních systémech velmi pečlivě a sofistikovaně ošetřenou. Kvalitní data v primárních systémech jsou klíčovým předpokladem pro zajištění kvalitních a spolehlivých dat v systémech cílových, ze kterých se generují data nejen pro lokální management, ale také pro mateřskou společnost Deutsche Telekom. Z tohoto důvodu je potřeba tuto kvalitu nejen udržovat, ale i neustále vylepšovat a zvyšovat, a to jak na straně používaných nástrojů, tak v oblasti metodologie a procesů zajišťujících kvalitu dat ve všech zdrojových systémech. 2) Pokračování v rozvoji rekonciliační platformy Rekonciliační platforma ve společnosti T-Mobile představuje velmi propracovaný a cenný nástroj, který slouží ke sjednocení dat z primárních a sekundárních systémů. Společnost by v tomto směru měla zajistit začlenění co nejvíce datových toků a primárních systémů do těchto rekonciliačních procesů a jejich implementace do rekonciliační platformy. Důležitá je neustálá aktualizace jednotlivých vlastníků, metodologií pro měření a vyhodnocování, rekonciliačních algoritmů atp.. V neposlední řadě je nutné analyzovat rozdíly plynoucí z rekonciliace a výsledky těchto analýz pak nově zakomponovat do rekonciliačních procesů, metrik a DQAR dokumentů. Tyto dokumenty, metodologie a metriky by měly být zpřístupněné kompetentním osobám. Toto platí také pro výsledky rekonciliace, které by navíc měly být kontinuálně monitorované a kontrolované. Hlavním nedostatkem společnosti T-Mobile je současná neexistence odpovědné osoby za tuto oblast.

72

3) Rozvoj a efektivnější využívání Report katalogu Report katalog přestavuje ve společnosti T-Mobile kvalitní a sofistikovaný nástroj, jehož implementace a uvedení do produktivního provozu bylo dokončeno teprve nedávno. Během krátké doby se stal významným nástrojem při zajišťování reportingu v organizaci. Nejedná se pouze o reportování dat majoritnímu akcionáři, ale veškerého reportingu nezbytného pro zajištění kvalitního řízení ve společnosti. Cílem společnosti by tedy mělo být zahrnutí všech uživatelských reportů do tohoto sofistikovaného nástroje. V současné době prozatím chybí nastavení procesu, který by řešil informování vlastníka nebo skupinu uživatelů o tom, že report nedoběhnul nebo byl ukončen s chybou. Zároveň nedochází k automatickému vyhodnocování a opravování chyb. To je zajišťováno manuálně a výsledek opravy je známý až po opětném doběhnutí reportu. Další oblastí, která by neměla být opomínána je aktualizace definic jednotlivých výkazů, jejich vlastníků jak na straně businessu, tak na straně informačních technologií. V neposlední řadě by mělo být monitorované používání těchto reportů. V případě dlouhodobého nevyužívání daného reportu by tento report měl být z Report katalogu vyjmut, resp. graficky nezobrazován. 4) Eliminace vkládání manuálních korekcí v nástroji Hyperion Essbase V rámci popisování procesu datového toku funkčních ukazatelů byly zmíněné i operace týkající se vkládání manuálních korekcí a provádění alokací podle určitého driveru. Vlastníci dotčených ukazatelů by měli zajistit automatické plnění těchto manuálních korekcí do OLAP nástroje Hyperion Essbase přímo z EDW, čímž by došlo k výraznému zjednodušení a zrychlení celého procesu zpracování reportovaných funkčních dat. Rovněž by bylo vhodné zanalyzovat přesnost a tím také smysluplnost některých alokací a jejich driverů, které mohou být v případě některých ukazatelů značně zkreslené a požadovaný detail nemusí mít očekávanou vypovídací schopnost. Jejich význam dnes často spočívá pouze v odeslání detailních hodnot na řezech, které požaduje mateřská společnost. Takovéto manuální úpravy pak způsobují nekonzistence dat mezi OLAP kostkami a EDW.

73

Závěr Na závěr lze konstatovat, že prvním cílem této diplomové práce bylo vyzdvižení velmi úzké vazby mezi kvalitou dat v podnikových systémech a reportingem sloužícím pro účely operativního řízení a strategického rozhodování managementu. Dalším cílem bylo zhodnocení úrovně zajištění kvality dat v sekundárních systémech společnosti T-Mobile, které jsou zdrojem reportovaných výstupů mateřské společnosti Deutsche Telekom. Posledním stěžejním cílem bylo zmapování datových toků controllingových dat a návrh na odstranění nekonzistence ve finančních datech společnosti T-Mobile. Jak již bylo v této práci několikrát zmíněno, mají kvalitní data a informace v podniku velký vliv nejen na zvyšování informační hodnoty primárních a sekundárních systémů, ale především na rozhodování a řízení organizace využívající výstupy z těchto systémů formou reportingu. Tento reporting je v různých formách určen všem oddělením ve společnosti, střednímu i vrcholovému managementu, ale také majoritnímu akcionáři. Je proto nezbytné, aby vycházel z kvalitních, spolehlivých, včas dostupných a vzájemně konzistentních dat. Každá datově orientovaná společnost by proto měla věnovat maximální úsilí efektivnímu řízení kvality dat a informací. Reporting vybudovaný nad kvalitními daty snadno podporuje společnost jako celek především v oblastech konkurenceschopnosti, marketingu, uspokojování tržní poptávky, snižování nákladů podniku, růstu výnosů a čistého zisku, efektivního fungování všech obchodních procesů a tím tak přispět ke splnění firemních cílů určených majoritním akcionářem. Dnešní společnosti musejí brát v úvahu fakt, že řízení, hodnocení a kontrola kvality dat a informací není v České Republice legislativně ošetřeno. Jedná se o nedostatek, který snižuje efektivitu informačních technologií mnoha podniků, a proto je v zájmu každého z nich, aby v rámci svých možností systém řízení kvality dat implementoval.

74

Hlavním přínosem této diplomové práce pro společnost T-Mobile je nejen zmapování datových toků významných controllingových ukazatelů, detailního popisu procesu zpracování finančních dat v rámci reportingu mateřské společnosti, ale především návrh na odstranění nekonzistence ve finančních datech, jejíž příčinou byla změna organizační struktury na úrovni mateřské společnosti Deutsche Telekom. V rámci celkového zhodnocení kvality dat ve společnosti T-Mobile je možné konstatovat, že má tato společnost velmi dobře ošetřené řízení kvality dat ve všech svých systémech využívaných k zajištění controllingového reportingu. Přesto by společnost měla i nadále pokračovat ve zvyšování, modernizaci, kontrole a zefektivňování procesů a využívání všech dostupných nástrojů, které má v současné době k dispozici. Zajímavými směry rozvoje a zvyšování kvality dat jsou uvedené v kapitole „3.8 Autorova identifikace oblastí pro rozvoj kvality dat“. Důležitá je rovněž skutečnost, že společnost T-Mobile v roce 2009 představila řadu inovativních služeb a produktů, např. mobilní reklamu, internetové připojení DSL bez nutnosti platit paušál za pevnou linku, bezplatné stahování hudby v rámci tarifu BAV SE nebo přístroje iPhone 3GS a CPA Halo. T-Mobile rovněž zahájil významné technologické a strategické projekty - 2G modernizaci či výstavbu optické a 3G sítě. V září se T-Mobile stal druhým největším poskytovatelem internetového připojení DSL v České republice díky akvizici maloobchodní části společnosti České Radiokomunikace. Všechny tyto služby a produkty je nutné co nejdříve zahrnout jak do komplexního lokálního controllingového reportingu, tak do všech důležitých ukazatelů reportovaných mateřské společnosti Deutsche Telekom. Zároveň by tyto služby a produkty měly být zohledněné ve všech datových tocích a procesech souvisejících s řízením kvality dat v primárních i sekundárních systémech. Z pohledu samotného controllingového reportingu by tak neměly chybět ani v rekonciliačních procesech a reportech obsažených v Report katalogu.

75

Zkratky použité v textu ARPU – průměrná měsíční útrata na zákazníka BPR - Business Process Reengineering BI – Business Intelligence DQA – Data Quality Agreement DQAR - Data Quality Agreement Reconciliation DWH – Data Warehouse/ Datový sklad EBITDA – zisk před úroky, zdaněním, odpisy a amortizací EDI - Electronic Data Interchange EIS – Executive Information System EME - Enterprise Meta Environment ERP – Enterprise Ressource Planning ETL – Extraction, Transformation and Loading HE – Hyperion Essbase ISS – Integrated Shop System KDD - Knowledge Discovery in Databases MIS – Manažerský Informační Systém ODS – Operational Data Store OLAP – On-Line Analytical Processing OLTP – On-Line Transaction Processing TIQM - metodika Total Information Quality Management TM-MIP – T-Mobile Management Information Platform TPS – Transakční Podnikový Systém YTD – kumulativní hodnota ukazatele od začátku fiskálního roku (year-to-date)

76

Seznam použité literatury: Tištěné monografie 1)

BERKA, Petr. Dobývání znalostí z databází. 1 vydání. Praha: Academia, 2003. 366 s. ISBN 80-200-1062-9.

2)

HUMPHRIES, Mark, HAWKINS, Michael. Data warehousing: návrh a implementace. První vydání. Praha: Computer Press, a.s., 2001. 256 s. ISBN 807226-560-1.

3)

LACKO, Luboslav. Databáze: datové sklady, OLAP a dolování dat. První vydání. Praha: Computer Press, a.s., 2003. 488 s. ISBN 80-7226-969-0

4)

MINIBERGER, Bohumil. Kvalita dat datových skladů - nezbytný předpoklad předcházení rizik manažerského rozhodování. Sborník z 11. ročníku mezinárodní konference“Současnost a budoucnost krizového řízení“. Praha, 2009. ISBN 978-80254-5912-6.

5)

NOVOTNÝ, Jan, POUR, Jan, SLÁNSKÝ David. Business Inteligence: Jak využít bohatství ve vašich datech. První vydání. Praha: Grada, 2005. 256 s. ISBN 80-2471094-3.

6)

OPPEL, Andrew. Databáze bez předchozích znalostí : Průvodce pro samouky. První vydání. Brno: Computer Press, a.s., 2006. 319 s. ISBN 80-251-1199-7.

Elektronické monografie webovská sídla 7)

BOHUSLAV, Jiří. Metody a procesy čištění dat. IT SYSTEM [online]. 2006, 08, [cit. 2010-01-04]. Dostupný z WWW: .

8)

KOCAN, Marek. Www.dbsvet.cz [online]. 2002-05-15 [cit. 2009-10-24]. Datové sklady I. Dostupné z WWW: .

77

9)

KUČERA, Milan. Digi a věda : Ještě ke kvalitě a čistotě dat [online]. 2008-12-03 [cit. 2009-12-12]. IHNed.cz. Dostupné z WWW: .

10)

LÁVICKOVÁ, Petra. SAS Czech Republic [online]. 2008 [cit. 2010-01-10]. DataFlux, nástroj pro rízení datové kvality, a Master Data Management je. Dostupné z WWW: .

11)

PAVLIS, David Pozice a úloha datového skladu v rámci informační strategie firmy. Systémová integrace [online]. Praha : VŠE, 04/2004 [cit. 2010-02-12]. Dostupné z WWW: <www.cssi.cz/cssi/system/files/all/SI_04_4_pavlis.pdf>

12)

PIRKL, David. Kvalita dat : Využití asociačních pravidel pro zvyšování kvality dat [online]. 2004, 05. [cit. 2009-12-20]. Dostupné z WWW: .

13)

ROZEHNALOVÁ, Helena . Jak ušetřit pomocí data profilingu. IT SYSTEMS [online]. 2005, 03, [cit. 2009-12-15]. Dostupný z WWW: .

14)

SCHILLER, Martin. Kvalitní data znamenají kvalitní rozhodování. IT SYSTEM [online]. 2004, 03, [cit. 2010-01-04]. Dostupný z WWW: .

15)

STUDNIČKA, Zbyněk. Případová studie: Metasystém datového skladu, řízení kvality v datovém skladu ČSOB [online]. Praha. Československá obchodní banka. 2008 [cit. 2010-04-12]. Dostupné z WWW:

16)

VAVRUŠKA, Jindřich . ETL a kvalita dat. IT SYSTEMS [online]. 2003, 03, [cit. 2010-01-10]. Dostupný z WWW: .

17)

VRÁNA, Jan. Datové sklady a jejich optimalizace (pokračování). IT SYSTEMS [online]. 2001, 06, [cit. 2010-01-15]. Dostupný z WWW: .

78

18)

Nástroje pro Data Quality Management (Purity) [online]. 2009 [cit. 2010-01-10]. Adastra. Dostupné z WWW: .

19)

http://www.sas.com/offices/europe/czech/

20)

http://www.abinitio.com/abinitio/ab.nsf/about_abinitio

21)

http://www.opensourcehosting.cz/cz/56*wiki-systemy/

22)

http://www.oracle.com/global/cz/index.html

23)

http://www.oracle.com/technology/software/products/intermedia/htdocs/description s/web_access.html

24)

http://www.oracle.com/technology/products/forms/index.html

25)

http://www.oracle.com/global/cz/applications/cpm/discoverer.html

26)

http://www.sas.com/technologies/bi/query_reporting/guide/

27)

http://www.oracle.com/appserver/business-intelligence/essbase.html

28)

http://www.oracle.com/technology/products/designer/index.html

29)

http://www.deutschetelekom.cz/dtag/cms/content/dt/de/start

30)

http://www.sap.com/cz/index.epx

31)

http://t-press.cz/tiskove_zpravy/2010/1063/

32)

http://www.amdocs.com/Pages/HomePage.aspx

79