Srovnání cloud BI řešení a faktory ovlivňující jejich nasazení

Vysoká škola ekonomická v Praze Fakulta informatiky a statistiky Katedra informačních technologií

Studijní program: Aplikovaná informatika Obor: Informační systémy a technologie

Srovnání cloud BI řešení a faktory ovlivňující jejich nasazení DIPLOMOVÁ PRÁCE

Student

:

Bc. Richard Černý

Vedoucí

:

doc. Ing. Jan Pour, CSc.

Oponent :

Ing. Patrik Tomeš

2014

Prohlášení: Prohlašuji, že jsem diplomovou práci zpracoval samostatně a že jsem uvedl všechny použité prameny a literaturu, ze které jsem čerpal.

V Praze dne 22. dubna 2014

Bc. Richard Černý

Poděkování Na tomto místě bych rád poděkoval svému vedoucímu doc. Ing. Janu Pourovi CSc. Za cenné odborné rady, připomínky a čas strávený nad mojí prací.

Abstrakt Spojení cloud computingu a Business Inteligence (BI) poskytuje mnohé výhody, avšak klasický model nasazení je stále v mnoha případech upřednostňován. Oba modely se liší v mnoha aspektech a jsou vhodné pro různě zaměřené organizace. Tato práce na tyto aspekty pohlíží a analyzuje rozdíly, které do BI přináší cloud computing. Cíle práce tak jsou porovnání obou modelů po stránce architektonické, bezpečnostní, uživatelské a finanční, ovlivnění implementace BI vlivem cloud computing a představení některých řešení. K dosažení cílů autor používá rešerši literatury, elektronických zdrojů a vlastní analýzu. Na základě identifikovaných vlivů faktoru cloudu autor rozšiřuje referenční model Management Byznys Informatiky (MBI).

Klíčová slova Business Inteligence, Cloud computing, Reporting, MBI

Abstract The combination of Cloud Computing and Business Intelligence (BI) gives many advantages, however the classic deployment model is still in many cases preferred. Both models differ in many aspects and are suitable for various organizations. The thesis looks at these aspects and analyzes the differences that cloud computing brings to the Business Intelligence. Aims of the thesis are to compare both models according the architectural, security, user and financial aspects, influencing of the cloud computing on the implementation of BI and presenting some practical examples of BI solution. To achieve the aims the author uses a literature review, electronic sources and own analysis. Based on the identified impact of the cloud factor the author extends the reference model Management of Business Informatics (MBI).

Keywords Business Inteligence, Cloud computing, Reporting, MBI

Obsah 1

Úvod.................................................................................................................................... 8 1.1

Vymezení tématu práce a důvod výběru tématu ........................................................ 8

1.2

Cíle práce...................................................................................................................... 8

1.2.1

Způsob/metoda dosažení cíle .............................................................................. 8

1.2.2

Předpoklady a omezení práce .............................................................................. 9

1.2.3

Struktura práce ..................................................................................................... 9

1.2.4

Výstupy práce a očekávané přínosy. .................................................................... 9

1.2.5

Přístup a zdroje ................................................................................................... 10

1.3

Vymezení použitých pojmů........................................................................................ 10

1.3.1

Modely nasazení ................................................................................................. 11

1.3.2

Kontext pojmu cloud .......................................................................................... 11

2

Rešerše prací na podobné téma ....................................................................................... 12

3

Business intelligence a modely nasazení .......................................................................... 14 3.1

Business Intelligence .................................................................................................. 14

3.1.1

Architektura BI a zpracování dat ........................................................................ 15

3.1.2

Vývojové fáze BI.................................................................................................. 18

3.1.3

Přínosy BI ............................................................................................................ 19

3.1.4

Situace na trhu.................................................................................................... 21

3.2

Rozdíly mezi klasickým a cloudovým řešením ........................................................... 23

3.2.1

Klasické řešení .................................................................................................... 24

3.2.2

Cloud řešení ........................................................................................................ 25

3.2.3

Hostované ........................................................................................................... 26

3.2.4

Náklady klasického a cloudového modelu ......................................................... 27

3.2.5

Nevýhody a rizika klasického a cloudového modelu .......................................... 29

3.3

Business Intelligence v cloudu ................................................................................... 30

3.3.1 3.4

Management of Business Informatics ....................................................................... 37

3.4.1 4

Architektonický rozdíl cloudového BI ................................................................. 31

Faktor v MBI........................................................................................................ 38

Architektury a implementace cloud BI ............................................................................. 40 6

4.1

Architektury cloudového BI ....................................................................................... 40

4.1.1

Varianta 0 ........................................................................................................... 41

4.1.2

Varianta 1 ........................................................................................................... 41

4.1.3

Varianta 2 ........................................................................................................... 41

4.1.4

Varianta 3 ........................................................................................................... 42

4.2

Klasické nebo cloud BI řešení..................................................................................... 43

4.2.1 4.3

Motivace přechodu do cloudu ................................................................................... 47

4.3.1 4.4

5

Migrace mezi cloudy ........................................................................................... 49

Výběr varianty a implementace BI ............................................................................. 49

4.4.1

Faktor cloudu ovlivňující implementaci BI ......................................................... 51

4.4.2

Strategie návratu ................................................................................................ 56

Volba a srovnání řešení .................................................................................................... 57 5.1

Výběr poskytovatele .................................................................................................. 57

5.2

Srovnání BI řešení ...................................................................................................... 58

5.2.1

GoodData ............................................................................................................ 58

5.2.2

Tableau ............................................................................................................... 61

5.2.3

SAP Business Objects .......................................................................................... 64

5.3 6

Vlivy ovlivňující model nasazení ......................................................................... 44

Zhodnocení a doporučení .......................................................................................... 66

Závěr ................................................................................................................................. 68

Terminologický slovník pojmů .................................................................................................. 70 Citovaná literatura .................................................................................................................... 72 Seznam obrázků........................................................................................................................ 76 Přílohy ....................................................................................................................................... 77

7

1 Úvod Business Intelligence (dále BI) a cloud computing představují spojení dvou významných trendů posledních let. BI jako technologie k analyzování dat, předpovídání trendů a napomáhání rozhodnutí ve společnostech, cloudu jako technologie (prostředku) umožňující širokou dostupnost, škálovatelnost a nižší náklady nežli klasické on-premise řešení. Koncepce BI nabízí mnoho analytických funkcí, pro jejich řádný běh však musí být správně integrovány veškeré komponenty BI. Tyto aspekty se mohou mezi klasickým a cloudovým řešením lišit. Tato práce se tak zaměří na tyto aspekty a specifika cloudových řešení. Porovná oba přístupy z několika pohledů a poskytne vodítko pro výběr BI řešení.

1.1 Vymezení tématu práce a důvod výběru tématu Téma této diplomové práce jsem si vybral z důvodu svého zájmu o progresivně se vyvíjející oblast Business Intelligence, který u mě postupně vykrystalizoval během studií. Nejprve mě zaujaly informační systémy ERP a následně, díky zálibě k dotazovacímu jazyku SQL, jsem se zaměřil právě na nástroje BI. BI nástrojům bych se chtěl věnovat i ve svém budoucím zaměstnání, v důsledku toho považuji za více než přínosné věnovat tomuto tématu svoji diplomovou prací.

1.2 Cíle práce Hlavním cílem této diplomové práce je posouzení BI řešení v klasickém modelu nasazení on-premise a v nasazení cloudovém, zaměřeném na malé a střední podniky. Diskuzí nad oběma modely poukážu na hlavní výhody a nevýhody obou modelů a definuji doporučení čtenáři, jež mu pomohou při rozhodovaní o výběru řešení a poskytnou mu vodítko pro jeho výběr. Dalším cílem je analýza faktorů ovlivňujících implementaci BI řešení a posouzení vlivu faktoru cloudu na jednotlivé fáze implementace BI řešení. Závěrečným cílem je srovnání vybraných řešení a poskytnutí základních instrukcí čtenáři tak, aby byl sám schopen začít dané řešení využívat. 1.2.1 Způsob/metoda dosažení cíle Zdroji k úspěšnému dosažení cílů bude v prvé řadě rešerše literatury a článků na relevantní téma. Tato rešerše se bude týkat zejména cíle posouzení klasického a cloudového 8

BI. V práci využiji referenční model Management Byznys Informatiky (MBI), vyvíjený na Katedře informačních technologií Vysoké školy ekonomické v Praze, jako informačního zdroje pro potřeby této práce. Zároveň tento model rozšířím o některé aspekty, které jsou prezentovány v rámci této diplomové práce, což je jedním z definovaných cílů. Závěrečný cíl bude splněn základním srovnáním vybraných řešení a vytvořením formuláře aplikace v modelu MBI pro jednotlivá řešení. Ve srovnání budu vycházet zejména z oficiálních webových stránek poskytovatelů a z vlastních zkušeností nabytých při testování těchto řešení. 1.2.2 Předpoklady a omezení práce Práce nebude hluboce zabíhat do technických specifik jednotlivých řešení, důraz bude kladen především na analytickou a informační oblast, úroveň uživatelských funkcí a komfortu respektive využitelnost pro uživatele. V práci se bohužel nemohu opírat o vlastní zkušenosti z praxe, neboť BI nástroje znám, kromě studia předmětu Business inteligence, pouze v teoretické rovině. Částečné omezení spatřuji v dostupnosti testovaných cloudových BI nástrojů, poněvadž testovací doba nástrojů je téměř vždy omezená, obvykle se pohybuje v intervalu od jednoho týdne až po jeden měsíc. Tato doba tedy bude omezujícím faktorem, po kterou budu mít možnost daná řešení analyzovat. 1.2.3 Struktura práce Dle všeobecných doporučení je práce strukturována následujícím způsobem. Nejdříve jsou čtenáři představeny a kriticky okomentovány práce na podobné téma, případně další relevantní literatura. Následně je čtenář stručně seznámen s teoretickým základem týkající se BI a cloud computingu. Hlavní částí práce je praktická část, kde je dosahováno vymezený cílů práce. Nejprve formou analýzy rozdílů a odchylek cloudových řešení oproti klasickým, dále pak na základě analýzy faktorů ovlivňujících implementaci BI. V závěru práce je uvedeno srovnání vybraných řešení. 1.2.4 Výstupy práce a očekávané přínosy. Výstupem této diplomové práce bude analýza klasických a cloudových BI řešení, která by měla poskytnout čtenáři dostatek informací k tomu, aby byl schopen identifikovat zásadní 9

rozdíly mezi klasickým a cloudovým BI řešením aplikovatelné na jakékoliv jiné BI cloud řešení. Uživateli poskytnu vodítko pro rozhodnutí mezi oběma modely a zároveň rady pro výběr poskytovatele řešení. Dalším výstupem bude rozšíření relevantních úloh MBI o vliv faktoru cloudu při implementaci BI a vytvoření formulářů aplikace pro vybraná řešení do modelu MBI. Určení této práce lze spatřovat ve dvou rovinách, a sice v rovině pracovníků zodpovědných za výběr patřičného BI řešení a zároveň v rovině akademické, která reflektuje rozšíření znalostí mých, případně znalostí dalších čtenářů. 1.2.5 Přístup a zdroje Převážná většina zdrojů pro tuto práci je čerpána z elektronických zdrojů, neboť popisované technologie jsou relativně nové a rychle se rozvíjející, tudíž nejvíce aktuálních informací lze získat právě tímto způsobem. K nalezení elektronických zdrojů k této práci byly využity zejména systémy vyhledávání elektronických informačních zdrojů VŠE1, konkrétně především ACM Digital Library zaměřená na informatiku a počítačovou vědu, dalším nástrojem bylo zkušební vyhledávání ve velmi obsáhlé databázi technologických článků na IEEE Computer Society2, vyhledávání akademických prací z databáze Centra informačních a knihovnických služeb VŠE3 a v neposlední řadě Google Scholar4 spolu s vyhledávačem Google. Z důvodu přesnosti doplňujících obrázků a grafů jsou do této práce vkládány v jejich originální podobě, tzn. i v originálním jazyce, jímž je výlučně angličtina.

1.3 Vymezení použitých pojmů Na konci této práce se nachází terminologický slovních používaných výrazů a zkratek. Některé pojmy mohou být někdy chápany rozdílně, proto v následující podkapitole k vybraným pojmům uvedu kontext, v jakém budou využívány pro účel této práce.

1

Elektronické informační zdroje VŠE: http://www.vse.cz/zdroje/ Databáze technologických článků: http://www.computer.org/ 3 Centrum informačních a knihovnických služeb VŠE: http://ciks.vse.cz/ 4 Google Scholar, vyhledávač informačních zdrojů: http://scholar.google.cz/ 2

10

1.3.1 Modely nasazení Obecně se klasická řešení označují několika výrazy jako on-premise, on-site, local atp. Pro jednoduchost volím výrazy klasické řešení případně on-premise, které budou dále v této práci používány. Analogicky tak cloud computing, který bude nazýván zcela jednoduše cloud. Jelikož je slovo cloud již zakořeněno v jazyce IT, rozhodl jsem se ho používat jako slovo přejaté a běžně skloňovat. 1.3.2 Kontext pojmu cloud Pojem cloud se ve velké míře vžil do označování veškerých aplikací využívajících jako svůj hlavní distribuční kanál internet a to pro uložení, zpracování a prezentaci dat. Cloud je velmi často zaměňován s pojmem SaaS (Software-as-a-service), což je distribuční model poskytování funkcionality (služeb), jejichž hlavní výhodou je absence instalace do vlastního zařízení a veškerá funkcionalita je poskytováno přes různorodé prezentační zařízení tzv. na požádání (on-demand). SaaS tak využívá paradigmatu cloud computingu, nicméně pojem cloud je v současné době tak populární a běžně chápán právě jako distribuční model SaaS, proto bude i v této práci pohlíženo na tyto pojmy jako na sobě rovné. Nebude-li v textu uvedeno jinak, slovem cloud bude myšlen distribuční model SaaS.

11

2 Rešerše prací na podobné téma Jak již bylo předesláno, BI je progresivně se vyvíjející oblast, což lze vysledovat na rostoucím počtu prací na toto téma, nicméně díky rychlému rozvoji se objevují stále nové oblasti k rozboru. V této části bude provedena rešerše akademických prací související více či méně s tématem této práce. Patrně nejvíce obdobně zaměřenou prací se jeví diplomová práce na téma Srovnání řešení BI na bázi SaaS od autora (Košata, 2011). Košatova práce se zaměřuje na podrobné srovnání vybraných cloudových BI nástrojů. I přes podobný název se bude tato diplomová práce věnovat pouze méně podrobnému srovnání, důraz bude kladen na oblast faktorů ovlivňujících nasazení takového řešení, čemuž není v případě Košatovy práce věnováno moc prostoru. Na druhé straně Košatova práce kvalitně hodnotí základní funkcionalitu, silné a slabé stránky třech cloudových BI řešení a informuje o možnostech těchto řešení. Autor v této práci definoval 15 metrik, jimiž dané nástroje hodnotil. Diplomová práce (Filipčík, 2013) porovnává BI nástroje na bázi open source, což je taktéž zajímavá alternativa ke klasickým komerčním řešením, podobně jako cloud. Filipčík se z mého pohledu zajímavě zmiňuje, že jednou z nejpodstatnějších částí celého BI je transformace dat pomocí komponenty ETL a dodává, že každý výrobce se soustředí na něco jiného, např. „příjem dat z internetových služeb, jiní jsou cestou maximalizující funkčnosti na úkor uživatelské přívětivosti.“ Tato práce nabízí detailní pohled do technologických vrstev řešení, taktéž lze vyzdvihnout kvalitně zpracovanou teoretickou část práce. V případě hlubšího zájmu především o oblast ETL je Filipčíkova práce bohatým zdrojem teoretických znalostí a lze ji více než doporučit pro prostudování. Zajímavou částí jsou popisované výhody a nevýhody open source BI, respektive předsudky a bariéry přechodu z klasických řešení, neboť v případě cloudu se jedná víceméně o podobné oblasti, tj. oblast bezpečnosti, funkčnosti, kvality a budoucího vývoje. Tématem ICT v cloudu se zase zabývá obsahově pestrá diplomová práce Jiřího Neumana (Neuman, 2012), která velice zeširoka pojednává o mnohých aspektech cloudu, srovnává na reálném příkladu přechodu do cloudu jeho výhody a nevýhody a hodnotí finanční ukazatele. Pokud se čtenář chce dozvědět o problematice cloudu více, Neumanova

12

práce mu poskytne dostatečné množství teorie, tato práce se samotnému teoretickému popisu základů BI a cloudu bude věnovat pouze okrajově. Na závěr ještě zmíním bakalářskou práci Jakuba Grombíře

na téma Business

Intelligence a Cloudové technologie (Grombíř, 2013). Ten do srovnání klasických a cloudových nástrojů přidává finanční ukazatel ROI a na základě zjednodušené reality zjišťuje, že návratnost investice do cloudového řešení je oproti klasickému přibližně o 0,41 roku kratší a sama o sobě trvá necelý rok.

13

3 Business intelligence a modely nasazení Cílem této kapitoly je definovat teoretický základ, ze kterého vychází analýzy a hodnocení v dalších kapitolách. Je zde popsán základní princip a účel BI řešení, nastíněna je také základní architektura. Dále jsou zde uvedeny a popsány možné modely nasazení, výhody, nevýhody, rozdíly mezi nimi a jejich vliv při implementaci BI řešení. Na závěr se čtenář v této kapitole seznámí se základními objekty modelu Management of Business Informatics (MBI) a jejich užití pro účel této práce.

3.1 Business Intelligence BI se označuje jako sada metodologií a nástrojů napomáhajících k analýzám, reportingu a rozhodování ve společnostech. Z hlediska informačních technologií se jedná o aplikace vytvářející ze shromážděných dat různé reporty a analýzy. Zdroji dat jsou pro BI zejména produkční systémy jako ERP, CRM atd., které generují obrovské množství dat o veškerých aktivitách podniku od seznamu zboží na skladu, sledování transakcí, údaje o zákaznících, ale data mohou získávat třeba i ze sociálních služeb, např. Twitter. Tato data BI umožní analyzovat a za pomoci vhodných prezentačních prostředků (reporty, dashbordy) identifikovat trendy, poskytovat přehled o aktivitách, tržbách, nákladech, výkonu atp. a na jejich základě vykreslit výsledky za definované období, případně predikovat budoucí vývoj. V tomto duchu jsou BI označovány jako systémy napomáhající k rozhodnutí. Proč tomu tak je píše například (Markarian, a další, 2007 str. 3) ve své studii (volně přeloženo): „Pracovníky firem jsou denně uskutečněny tisíce malých rozhodnutí, díky BI technologiím je pro ně snadnější všechna tato malá rozhodnutí podpořit potřebnými fakty k dosažení firemních cílů.“ Dnes je BI také významným produktem pro jeho poskytovatele, což lze demonstrovat na výzkumu společnosti Gartner, která odhaduje velikost trhu s BI za rok 2013 na 14,1 miliard dolarů, viz studie (Sallam, a další, 2014), což jen dokresluje obrovský význam těchto nástrojů pro společnosti. BI je dnes důležitým prvkem moderního řízení organizace a zřejmě neexistuje žádné odvětví, na které by nemohlo být nasazeno a využito. Toto lze demonstrovat na příkladech užití uváděných v publikaci (Novotný, a další, 2005), jež dává názorný přehled využití BI řešení v různých odvětvích organizací:

14



ve finanční oblasti pro plánování a prognózování, finanční výkaznictví a konsolidace, analýzu nákladů a ziskovosti, řízení rizik či finanční optimalizaci,



v oblasti marketingu pro analýzu portfolia služeb a produktů, klasifikaci a segmentaci zákazníků, plánování, analýzu a vyhodnocování marketingových kampaní a nákladů na ně,



podobně v řízení vztahů se zákazníky, jejich segmentace a predikce jejich chování,



dále v oblasti výroby za účelem analýzy a monitorování ukazatelů5 (např. množství zmetků, poškozeného zboží atp.),



důležitou roli může plnit v oblasti logistiky pro analýzu efektivnosti dopravců a nákladů,



taktéž informatika nezůstává pozadu a BI může být použito pro analýzu poskytovaných služeb či v oblasti webů, kde může být použito na analýzu chování návštěvníků na webu6,



lidských zdrojů jako nástroj analýzy pracovní síly, nákladů na ni.

3.1.1 Architektura BI a zpracování dat Výše bylo zmíněno, že BI nástroje získávají převážnou část dat z produkčních systémů. BI však pro uložení těchto dat využívají své vlastní databáze, tzv. datové sklady (DWH). Pro tento fakt je vcelku jasné odůvodnění. Relační databáze produkčních systémů využívající přístupu, jež je optimalizován pro rychlé ukládání velkého množství dat do databáze. Pro detailní analýzu záznamů (např. konkrétních objednávek) mohou však být v některých případech velice vytížené. Například jeden z významných českých eShopů Alza.cz vyřídil podle (Alza, 2013) v roce 2012 více než 2,5 milionu objednávek, což vychází na více jak 6800 objednávek denně. Uvědomíme-li si fakt, že činnost sledující průběh byť jen jedné jediné objednávky vygeneruje desítky nových záznamů v databázi (specifikaci, statusy objednávky, adresy, kontakty, platby, atd.), dojdeme k vysokým počtům záznamů. Zřejmě se nejedná o nikterak extrémní zátěž na dobře naddimenzovaných hardware, avšak zákazníci si neobjednávají zboží pravidelně v průběhu celého dne, nýbrž se zde vyskytují časy, které jsou více exponované než ostatní a v těchto časech může být databáze relativně dost vytížená. Pokud by do takto zaneprázdněné databáze začal zasahovat ještě nějaký specialista, který by

6

Analýza pohybu myši po obrazovce, efektivnost použitých reklam atp.

15

chtěl vytvořit výroční report pro svého manažera pomocí SQL dotazu, rozhodně by mohl začít čelit nepříjemných okolnostem a v extrémním případě až úplnému zkolabování systému. Z tohoto důvodu jsou využívány datové sklady. Nejsou to však pouhé duplikované produkční databáze. Struktura dat se v nich zásadně liší, místo optimalizace na rychlé zpracování transakčních dat jsou optimalizovány pro analytické úlohy. Namísto detailních dat je zde kladen důraz na používání agregovaných dat a „rychlost jakým lze měnit pohledy na modelovanou realitu“ píší (Novotný, a další, 2005), které umožní rychlé vyhodnocení a vytvoření analýzy velké oblasti dat na základě různých ukazatelů (např. času, hodnoty prodejů za určité místo atp.) během okamžiku. Pro přenos dat do datového skladu se využívá komponenty nazvané Extract, Transform, and Load (ETL), česky datová pumpa, která „vytahuje“ data z rozličných zdrojů (databáze produkčním systémů, logy, excelové tabulky, textové soubory, webové aplikace a webový obsah) a dále je upravuje (řadí, spojuje), čistí (vybírá jen některé, mění formáty) a agreguje do podoby vhodné pro OLAP systémy, kde je uloží pro využití analytickými nástroji BI. Zde by bylo možné jít do velkých podrobností, nicméně tato práce si neklade za cíl do nejmenších podrobností vysvětlit fungování BI respektive ETL, proto je tato část nad rámec rozsahu této práce. Na tomto místě lze odkázat na diplomovou práci (Filipčík, 2013), která se tomuto tématu věnuje podrobněji. Hlavními komponentami BI tedy jsou zdrojové systémy, DWH, ETL a samotný BI nástroj, používají se však ještě další komponenty, které jsou velmi hojně využívány zejména u klasických řešení. Komponenty nemusí být vždy od stejného poskytovatele. Následující obrázek (Obrázek 1) zobrazuje typické komponenty klasického BI řešení.

16

Obrázek 1 – Architektura klasického BI řešení (Zdroj (Pour, a další, 2012 str. 23))

V dalších kapitolách této práce jsou uvedeny diagramy konkrétních řešení. Porovnání tohoto obecného diagramu a skutečných řešení může poukázat na možné odlišnosti. 3.1.1.1 Bezpečnost dat v cloudu Této otázce se věnuje bezpočet odborných článků, blogů, ale i přímo webů poskytovatelů. Autor však vidí jeden činitel, který poskytuje významnou záruku bezpečného uložení dat v cloudu – reference. Reference totiž fungují v dnešním světě jako jeden z hlavních marketingových indikátorů a lze se domnívat, že pokud by byla data nějakého zákazníka u určitého poskytovatele jakýmkoliv způsobem zneužita nebo ztracena, daný poskytovatel již nemá na trhu se svým produktem šanci (výjimkou snad mohou být velcí poskytovatelé – Amazon, Microsoft, SAP, Google, jejichž pozice na trhu je taková, že ojedinělý skandál by jejich existenci nemusel vážně ohrozit). Pro menšího poskytovatele by to již mohl být fatální aspekt. Za tohoto předpokladu se autor domnívá, že data jsou v cloudu ještě více zabezpečena než v případě uložení ve vlastní síti. I přes výše zmíněný názor se jedná o významný aspekt, který musí být v případě přechodu do cloudu patřičně zvážen. Samotné uložení dat v cloudu má několik často probíraných problémů, jež vedou k otázkám, které byly autorem identifikovány.

17



Dostupnost dat o Jaká je garance dostupnosti dat? Jaké jsou sankce za nedostupnost a za jakou dobu? o Jak lze data převést k jinému poskytovateli v případě změny poskytovatele?



Bezpečnost (přístup k datům, oprávnění, permanentní smazání) o Jakým způsobem jsou data zálohována? o Jakým způsobem poskytovatel nakládá s přístupy (přidávání, odebírání, změna přístupových práv uživatelů)? Kdo má právo přístupy poskytovat a měnit? o Co se stane, pokud jsou zákazníkova data zneužita? Jaký proces je inicializován ze strany poskytovatele a jakým způsobem zákazníka informuje? o Lze data šifrovat?



Právní aspekt (lokalita uložení dat, oprávnění s nakládáním s daty) o Komu data patří? Poskytovateli nebo zákazníkovi? o Kde jsou fyzicky data uložena? o Je poskytovatel oprávněn zákazníkova data převést k jinému poskytovateli? Bude o tom zákazník informován? o Jakou záruku poskytne poskytovatel, že data jsou v souladu s nastavenou úrovní zabezpečení? Uspokojivé odpovědi na tyto otázky lze považovat za základní fakt pro využívání

cloudu. 3.1.2 Vývojové fáze BI BI je velice široký pojem, který kombinuje řadu již dříve existujících řešení do jednoho řešení. Avšak to neznamená, že všechna BI řešení jsou stejná. Naopak graf ze studie (Eckerson, 2005 str. 11) o vývojových fázích BI řešení ilustruje rozsah užití BI řešení podle toho, jakým způsobem jsou navrženy a implementovány. Z grafu a Eckersonova vysvětlení lze zjistit, že základní fáze BI jsou pouhé reportingy historických dat. Se zvětšující se komplexností postupně nabízejí predikci do budoucnosti, dávají odpovědi na to „co se stalo, co se právě děje, co máme dělat a co můžeme dělat“. Tento graf tak ukazuje veškerý potenciál BI nástrojů, což ovšem neznamená, že každé BI řešení bude všechny tyto fáze splňovat. V dané rovině Eckerson uvádí, že pouze ve vysoce vyspělém prostředí používají organizace BI pro automatizaci rozhodnutí. V takovém případě se BI stane marginálním 18

prvkem organizace. V kontextu této práce nabízí tento graf určité vodítko, jak složité je dosažení jednotlivých funkcionalit, které může BI nabídnout.

Obrázek 2 – Vývojové fáze BI (Zdroj (Eckerson, 2005))

Každá společnost má vlastní cíl, co by mělo zvolené BI systém splňovat. Neznamená tak, že kupříkladu první fáze je pouze částečné či dokonce špatné řešení. Je-li cílem společnosti mít pouhý reporting, je cílem právě dosažení fáze č. 1 na obrázku (Obrázek 2). Za tímto účelem je vhodné vytvořit strategii, jak definovaného cíle dosáhnout. Doporučit lze některou z metodik vývoje a implementace informačních systémů. V kontextu této diplomové práce je možné zmínit metodiku MBI, která se komplexně zabývá celým projektem implementace BI. Výše zmíněný obrázek lze přirovnat k modelu zralosti BI řešení, tj. jakým způsobem může podporovat firemní procesy a vyspělost organizace. Podobně jako model zralosti CMMI určený především pro hodnocení procesů při vývoji softwaru. 3.1.3 Přínosy BI Přínosů lze najít mnoho, některé samozřejmě vypadají na papíře v celku jasně, avšak k jejich dosažení je potřeba mnoho znalostí jak o fungování BI systémů, tak o způsobu jejich práce a vyhodnocování a v neposlední řadě také ve správné implementaci BI systému a jeho používání.

19

Dle autora této práce je jednoznačně nejdůležitějším přínosem BI systémů jejich podpora byznysu a rychlost, jakou jsou schopny vytvořit požadovaný report nebo analyzovat chování zákazníků. Existuje mnoho zdrojů uvádějících různé přínosy BI řešení, například v článku (Schiff, 2010) je jako výhoda brána centralizace dat, snadnější přístup a lepší porozumění klíčovým metrikám jako je prodej a jeho predikce do budoucnosti. Na technologickém webu TechRepublic lze vysledovat výroky od (Miller, 2011) o podstupování vyššího rizika při rozhodování, které je založeno na „nevyhovující a nepřesných informacích“, jež může absence BI řešení přinést. Dále je tvrzeno, že správně zavedené řešení dovolí pracovníkům, kteří nejsou IT odborníci, udělat racionální rozhodnutí, například rychlou identifikaci nákupních návyků zákazníků, obratu zboží a další provozních parametrů. Miller k tomu dodává, že jedním z důvodů je dobře zvládnutá grafická reprezentace dat ulehčující utváření stanoviska pracovníka. Ve stejné rovině píše (Henrichsen, 2012) o důležitosti grafické reprezentace v poskytovaných individualizovaných reportech a dashbordech, které získávají relevantní data pro konkrétního pracovníka/pozici. Správně vytvořený výstup je zásadním prvkem prezentace dat uživateli a měl by poskytovat skutečně pouze nezbytné informace potřebné pro rozhodnutí, report, či analýzu. Report a dashboard je v základu pouze prezentační vrstva pro srozumitelné zobrazení zdrojových dat a jejich tvorba je po zaškolení IT specialistou obvykle dostupná komukoliv (zejména v případě cloud BI řešeních). Tímto se šetří náklady na IT specialisty, autoři (Novotný, a další, 2005 str. 155) uvádí dokonce až o 50 procent. Pracovníkům je tak dávána větší zodpovědnost, jsou pak za svůj vlastní report o to více zodpovědní a nemohou se odvolávat na nekvalitní práci jiného pracovníka. Výše citovaný autor Henrichsen v této souvislosti dodává, že někteří pracovníci nemají znalosti, aby mohli všechna surová data správně interpretovat a právě díky určitému způsobu unifikace předem definovaného modelů výstupních dat je jim tato práce ulehčena, v tomto kontextu se může jednat zejména o vizualizace dat do formy grafů, jež je mnohem intuitivnější nežli samotná číselná reprezentace. Další oblastí přínosů, kterou Henrichsen uvádí, je schopnost vytvářet lepší a rychlejší rozhodnutí a to díky relevantním, přesným a aktuálním informacím. Další výhodou je integrace funkcionality data miningu v některých BI řešeních, které hledají pomocí speciálních algoritmů neznámé závislosti mezi daty různými technikami, dle (Novotný, a další, 2005 str. 35) to jsou například rozhodovací stromy, neutronové sítě, genetické algoritmy, clustering a klasifikace. Jedná se o pokročilé statistické metody umožňující například určení vlivu změny určité proměnné (např. reklamní kampaně) 20

na zákazníky, pro tuto analýzu je však již potřeba mít specializované pracovníky a mít velké množství vstupních dat. Benefitů lze rozpoznat bezpočet, mnoho z nich lze částečně nazvat jako „lehké“, neboť jejich naplnění závisí někdy významně na lidském faktoru (například interpretace výsledků analýz) a sebelepší BI řešení zkrátka není schopno vyřknout rozhodnutí namísto uživatele. V dané rovině poukázal na fakt dnešní viceprezident poradenské společnosti Gartner Patrick Meehan (Goodwin, 2011), že není jednoduché získat od uživatelů podklady pro výstupy z BI. Meehan uvedl na adresu BI: „nejedná se o křišťálovou kouli, která okamžitě poskytne odpověď“. Z čehož vyplývá, že pro dosažení mnoho benefitů je zapotřebí aplikování znalosti od ne IT uživatelů a koresponduje to s dalším Meehanovým výrokem, že pro využívání a navrhování výstupů BI systémů musí být využíváni zejména lidé, kteří tato data potřebují. 3.1.4 Situace na trhu Dříve BI systémy umožňovaly získání strategické výhody oproti konkurenci, dnes v době typových řešení tomu již tak může být jen velice těžko, spíše se BI stává nepostradatelnou službou, podobně jako tomu je u ERP či CRM systémů nebo emailu a kancelářských aplikací. V tomto kontextu je vhodné zmínit tři roky starý článek, ve kterém (Schiff, 2010) poukazoval na tehdejší ekonomickou krizi a zpomalení růstu BI odvětví. Nicméně i přes toto zpomalení sektor BI stále rostl. Firmy totiž investovaly do efektivnější analýzy zdrojů a následnému ušetření nákladů, případně za účelem identifikování nových obchodních příležitostí za pomoci BI řešení, doplnil tehdy Schiff. Trh BI řešení je relativně stabilní. Lídři v tomto odvětví jsou převážně velké a zavedené společnosti (autoři (Pour, a další, 2012 str. 32) je nazývají slovem „megavendors“) s řešeními SAP Business Objects, Oracle BI Enterprise Edition, IBM Cognos, SAS Visual Analytics Designer a Microsoft SQL si udržují stálou pozici na trhu, což demonstrují následující grafy rozložení trhu z let 2010 respektive 2012 (Obrázek 3 a 4).

21

Obrázek 3 – Rozložení trhu BI řešení v roce 2010 (Zdroj dat (Rosebt, 2012), obrázek (autor))

Obrázek 4 – Rozložení trhu BI řešení v roce 2012 (Zdroj dat (Meulen, a další, 2013), obrázek (autor))

Bohužel nebyla nalezena aktuální data z roku 2012 o podílu poskytovatelů řešení, kteří jsou zařazeni v souhrnu Další, oněch 29% procent by rozhodně poukázalo na zajímavá řešení především z oblasti nastupujícího cloudového BI. Nicméně za povšimnutí rozhodně stojí mírně rostoucí podíl poskytovatelů v souhrnu Další (z 27% na 29%) a následující růst lze očekávat. Pro orientaci v současné situaci na trhu je zvolen graf společnosti Gartner nazvaný Magic Quadrant (Obrázek 5), který poskytuje každoroční hodnocení jednotlivých poskytovatelů IT řešení na základě jejich vizí a uvedení dřívějších vizí do praxe. BI, ať už v podobě klasického nebo cloudového modelu, je v grafu zastoupeno současně. Nejlépe se trendy dají zachytit na meziročním srovnání, jež nabízí graf pod tímto textem. Tento graf zachycuje pouze ta řešení, která svým přístupem rychle získávají na popularitě (zelené šipky) a na druhé straně řešení převážně velkých hráčů (červené šipky), kterým již není přisuzována taková inovativní aktivita, což však neznamená, že tato řešení jsou v nějakém ohledu špatná. Na základě výše zmíněného podílu na trhu tito zavedení poskytovatelé „megavendors“ potřebují především pozici upevňovat a být čitelnými pro současné i potenciální zákazníky.

22

Obrázek 5 – Gartner Magic Quadrant Business Intelligence, meziroční změna 2013-2014 (Zdroj (Atkinson, 2014))

Z grafu lze zjistit jasné inovátorské tendence favorizující začínající či již zavedené BI společnosti (ve většině případů cloudové). Oproti gigantům, stavějícím především na vlastní značce a ověřeném řešení (SAP, Oracle a Microsoft), přicházejí tito inovátoři s novými řešeními a vytváří nové možnosti BI. Autoři studie Gartner (Sallam, a další, 2014) uvádějí jako dominantní trendy na rok 2014 zjednodušení tvorby složitých analýz, zajistit lepší řízení BI, jeho rozsah a výkon pro zpracování velkého množství nestrukturalizovaných dat.

3.2 Rozdíly mezi klasickým a cloudovým řešením V této kapitole jsou stručně charakterizovány modely klasického, cloudového řešení a varianty odvozené z těchto modelů. Jsou zde popsány podstatné rozdíly mezi nimi a vliv, který přináší pro IT. Jak již bylo předesláno, trendem dnešní doby je přesouvání IT služeb do cloudu. V souvislosti s těmito modely je třeba zmínit, že existuje mnoho případů, které jednotlivé modely různě kombinují a využívají výhody, které nabízí některý jiný model. Z tohoto důvodu je jejich popis brán ze všeobecné roviny (nikoli pouze z pohledu cloud BI, tomu je věnovaná samostatná kapitola 3.3 Business Intelligence v cloudu), ve které se jednotlivé modely obvykle prezentují. (Obrázek 6) znázorňuje modely nasazení, se kterými se lze v dnešní době setkat. Obrázek ve čtyřech kvadrantech ukazuje vzájemné vztahy a podobnosti kombinující vlastní/cizí provoz a řízení. Čtenáři je tak umožněna lepší orientace 23

v těchto modelech. V následujících podkapitolách je pojednáváno o klasickém řešení (legacy IT), cloudovém řešení (především public cloud, dále pak o private a hybrid cloudu), zmíněno bude i řešení hostované (hybrid hosting a out-sourcing).

Obrázek 6 – Modely nasazení IT řešení (Zdroj (Bilderbeek, 2011))

3.2.1 Klasické řešení Jedním z významů anglického slova premise v překladu do češtiny jsou prostory nebo areál a předložka on znamená v, uvnitř či na povrchu, tedy volně přeloženo uvnitř areálu. Jde tedy o model založený na využívání vlastní počítačové infrastruktury, k čemuž jsou samozřejmě nutné jisté výdaje na prostor, hardware, software a jejich správu. Informační systémy a aplikace tak fungují obvykle pouze pro konkrétní podnik, který si sám nebo s pomocí externí firmy provádí nasazení, aktualizace, podporu a běžnou údržbu. Pro jednoduchost lze demonstrovat použití na ERP systému Microsoft Dynamics AX, který je společně s databází nainstalován na serveru. Koncová zařízení pomocí klientů přistupují na server a pracují s daty. Výhodou tohoto přístupu je vlastní zodpovědnost za celý systém. Veškerá data jsou uložená na vlastních serverech a za bránou firewall, což determinuje potřebnou úroveň bezpečnosti. Ruku v ruce s nastavením vlastní úrovně bezpečnosti je možné customizovat celý systém, přidávat a ubírat funkcionality, řídit a stanovovat přesné zálohování. 24

Doba vlastní implementace (bez analýz a příprav) je u klasického řešení obvykle delší (vývoj, instalace hardwaru a softwaru, customizace), v závislosti na zvoleném řešení lze očekávat dobu od několika hodin až po týdny. 3.2.2 Cloud řešení Oproti tomu cloudové řešení je modelem využívající „cizí“ zdroje a služby. Kromě klientských zařízení zde téměř mizí veškeré náklady spojené s hardwarem a údržbou. Tyto náklady jsou přesunuty do pravidelných plateb za určité období, jejich výše se odvíjí od počtu uživatelů, využitého výpočetního výkonu, přenesených či uložených dat. Použití tohoto modelu je velice komfortní, uživatelé přistupují ze svých klientských zařízení za pomoci webového prohlížeče či jiného tenkého klienta do webového (cloudového) prostředí, které je celé zpracováno u poskytovatele a zobrazeno na koncovém zařízení, nejčastěji formou webové aplikace přístupné právě z webového prohlížeče. Velkou výhodou cloudu je existence pouze jedné verze řešení (kromě vývojových), obvykle ta nejaktuálnější. Těží z toho jak poskytovatel, který nemusí podporovat několik verzí zároveň, tak i zákazník, který má vždy přístup k nejaktuálnější verzi. Navíc update provádí poskytovatel a zákazníka v podstatě vůbec neovlivní – zejména pokud jde o čas. Zkrátka se při dalším přihlášení spustí již nová verze. To, že se cloud stává důležitou součástí všedního podnikového prostředí, jenom potvrzuje fakt, že společnost DELL v České republice spouští prodej respektive předprodej cloudových služeb (výpočetní výkon) (Sedlák, 2013). 3.2.2.1 Hybridní cloud Na výše uvedeném obrázku (Obrázek 6) jsou vidět dva typy cloudu – public a private, tedy veřejný a privátní. Jejich kombinace – hybridní cloud kombinuje vlastní infrastrukturu založenou na zabezpečeném virtualizovaném prostředí (nazýván privátní cloud) a veřejném cloudu (cloud poskytovaný veřejným poskytovatelem), uvádí (Bilderbeek, 2011). Privátní cloud tak eliminuje rizika spojená s daty uloženými ve veřejném cloudu a nabízí interní uložení dat. Hybridní model může být vhodný v situaci, kdy pouze některá data musí být zabezpečená a další mohou být bez problému uložená u veřejného poskytovatele cloudu. Tato varianta je tedy vhodnou alternativou pro klasický model nasazení. Zajímavost tohoto řešení ještě dokresluje zpráva společnost Gartner (Rivera, 2013), která považuje cloudovou architekturu, a speciálně hybridní cloud, za hlavní trendy pro rok 2014. 25

3.2.2.2 Přínosy cloudu Zásadním neustálá

přínosem

dostupnost

(požadovaného)

cloudu

je

potřebného výpočetního

výkonu/úložného prostoru při absenci vlastních zdrojů, na rozdíl od klasického řešení, jehož dostupný výkon/úložná kapacita jsou stále stejné a využívané jednotky

se

neustále

mění,

což

determinuje situace, kdy je systém

Obrázek 7 – Elasticita cloud řešení (Zdroj (Puzio, 2013))

přetížen a naopak kdy je nevytížen. Tyto situace demonstruje obrázek (Obrázek 7). Některé přínosy cloudu byly již zmíněny v předchozím textu, následující seznam slouží k souhrnu těchto přínosů: 

není nutná vlastní infrastruktura,



rychlá implementace,



neustále aktuální verze,



škálovatelnost a elasticita,



platba za skutečně využití služby,



dostupnost (webové rozhraní, mobilní zařízení).

3.2.3 Hostované Tento model je na pomezí mezi oběma výše zmiňovanými, neboť využívá výhod cizích zdrojů (outsourcing) a správy, které kombinuje s vlastním licencovaným softwarem. V podstatě hlavním rozdílem je filosofie využívaného softwaru, který je navržen pro využití pouze jednou entitou a není přímo navržen pro elasticitu a škálovatelnost. Ryzí poskytovatelé hostovaných řešení však provozují tyto hostované řešení obvykle jako virtualizované a poskytovatel hostovaného prostředí tak v podstatě může využívat podobné filosofie nabízející se v cloudu. Při použití stejného příkladu jako u klasického řešení s Microsoft Dynamix AX je hostovaným zařízením aplikační server společně s databázovým, na koncových zařízeních je nainstalován standardní klientský software, ze kterého je přistupováno na server. Koncový 26

uživatel by neměl rozeznat žádný rozdíl ve funkcionalitě (může se objevit delší odezva systému). Tento model je v zásadě velmi podobný klasickému, pouze s externí údržbou od jiné společnosti, a v kontextu této práce zaměřené na porovnání klasického a cloudového modelu je jeho význam především v rovině finanční, kdy může outsourcování služeb přinést úlevu při plnění hlavního byznysu společnosti. Jelikož je hlavním cílem této práce ukázat na rozdíly mezi klasickým a cloudovým řešením, nebude se tato práce tímto modelem dále zabývat. 3.2.4 Náklady klasického a cloudového modelu Z hlediska financí je volba řešení velice záludná. Obecně je tvrzeno např. (Paul, 2012) a (Guardian, 2014), že cloudové služby jsou vhodné

pro

malé

a

střední

podniky.

Společnost se může starat o svůj hlavní byznys a nikoliv o IT, navíc i z finančního hlediska se tento model jeví výhodněji, protože se obvykle platí pravidelné částky za každého uživatele, oproti prvotní vysoké investici do klasického řešení. U větších společností je tato situace obrácená, jak nám to demonstruje tento graf (Obrázek 8). Obrázek 8 – Orientační rozložení nákladů cloud a klasického modelu (Zdroj (Žižka, 2012))

Z grafu je vidět, že zatímco u cloudového řešení náklady společně s počtem uživatelů lineárně stoupají, u klasického řešení se postupně náklady na uživatele nezvyšují takovým tempem (mezi počet uživatelů se dělí vysoké počáteční náklady). Graf je však velice orientační, nelze zcela přesně určit hranici počtu uživatelů, kdy se vyplácí klasické nebo cloudové řešení. Závisí to na mnoha faktorech (počet uživatelů, propustnost sítě, kapacita úložiště, výkon a změna těchto parametrů v čase). Nicméně lze očekávat, že konkurenční boj sníží ceny cloudových řešení natolik, že již za několik let bude cloudové řešení v téměř všech případech výhodnější. 27

3.2.4.1 Náklady klasického modelu Jak již bylo zmíněno, klasický model se vyznačuje vysokými počátečními náklady. V případě nového řešení zahrnují náklady na nákup hardwaru (servery, síťová zařízení, klienty), vytvoření síťové infrastruktury, softwarové licence, implementaci a případné další nastavení. Pokud společnost již vlastní infrastrukturu má a její výkon je dostatečný, může to zásadně ovlivnit rozhodnutí, kterému modelu dát přednost. O této problematice pojednává kapitola 4.2 Klasické nebo cloud BI řešení. Forma licencování je různá, existují jak jednorázové licence pro uživatele, které po zakoupení mají neomezenou platnost, tak měsíční či roční platby za používání, obvykle záleží na konkrétním poskytovateli softwaru. Důležitým prvkem je typ údržby systému – zda má společnost vlastní IT oddělení nebo si IT nechává spravovat od externí firmy. Tento fakt může hrát významnou roli při ceně údržby a za správu IT v organizaci. Pokud si IT spravuje sama organizace je od určitého počtu uživatelů/rozsahu systému nutné zaměstnávat IT odborníka (obvykle administrátora), který se bude starat o plynulý provoz a řešit případné problémy. Tento zaměstnanec bude samozřejmě každý měsíc stát určitý obnos financí, který je také nutné zakalkulovat. 3.2.4.2 Náklady cloudového modelu Počáteční náklady na cloudové řešení jsou mnohem nižší, neboť zde odpadá větší část implementace – velice zjednodušeně lze říci, že stačí pouze registrace, avšak v případě BI rozhodně není implementace vždy jednoduchá. Samozřejmě se nelze vyhnout nákladům na koncová zařízení, což je stejné jako v případě klasického řešení. Kde se z počátku ušetří, jsou investice do licencí, protože se obvykle platí měsíční paušální platba buďto 

za uživatele (Pay Per user),



za množství uložených dat,



za počet přenesených/zpracovaných dat (Pay as you go). Je nutné mít na paměti, že v dlouhodobé bilanci může být i klasický model výhodnější,

neboť u paušálního systému se platí stále a v řádu několika let by se tyto náklady mohly obrátit ve prospěch klasického. V tomto ohledu je třeba brát v potaz přidanou hodnotu řešení a rychlost vývoje dané služby. V případě BI lze očekávat další rychlý rozvoj, proto investice do nákladného klasického řešení se jeví jako nevýhodná varianta. Navíc v případě

28

klasického řešení musí pověřený pracovník řešení spravovat a po určité časové periodě je nutná i obnova hardware. Při přechodu z existujícího systému do cloudu jsou velkou otázkou data (např. v DWH) na původním systému. Původní DWH může zůstat on-premise nebo přesunut ve své původní podobě do cloudu, případně pokud je přechod spojen se změnou struktury DWH, je nutná i migrace dat, i v případě přechodu do cloudu. Migrace dat patří mezi časově náročné operace přechodu, lze tak očekávat zvýšení nákladů, zejména na pracovníky, kteří migraci budou provádět, a riziko nekonzistence. Avšak zde je třeba říci, že při přechodu na jiný klasický systém by bylo třeba tyto prostředky vynaložit ve většině případů taky. Nejvýraznější úsporu lze tedy spatřovat v ušetření na vlastní infrastruktuře. Cenu infrastruktury lze podle autora článku o rozhodnutí mezi klasickým a cloudovým řešením (Forman, 2013) rozdělit na dvě dílčí části, samotný hardware a dále pak náklady spojené s umístěním takového hardwaru. Patrně již nežijeme v době sálových počítačů a většina firem by pro své potřeby vystačila s obyčejným serverem s několika síťovými prvky, které by nezabíraly prostor větší než lednička. Nicméně i tak lze spatřovat jistá specifika, které na nás klade vlastní server. (Wlodarz, 2013) přidává významnou poznámku o elektrické energii, která se podle něj bere do srovnání systémů zcela výjimečně7, neboť je to tzv. „neviditelná komodita“, kterou v každém případě ve společnosti všichni mají a její vliv na celkové náklady si ne zcela připouštějí. Servery většinou pracují v nepřetržitém režimu 24/7 a za rok zcela jistě významnou část energie spotřebují. 3.2.5 Nevýhody a rizika klasického a cloudového modelu Samozřejmě se obě popisované varianty potýkají s riziky, která více či méně ovlivňují motivaci na použití těchto řešení. V tomto ohledu to je u cloudu náročnější, neboť se jedná o relativně novou technologii oproti desítkám let používanému klasickému řešení IS. Tyto rizika pak vlastně poukazují na nevýhody těchto řešení, z tohoto důvodu jsou v této kapitole uvažovány zároveň, neboť spolu významně souvisí. Všechna autorem identifikovaná rizika jsou zde zařazena do kategorií. 7

Zajímavou analýzu na toto téma si lze přečíst zde (Premus, 2012), kde autor ukazuje pomocí metriky organizace SPEC ssj_ops/watt, že „za posledních pět let vzrostla díky lepší technologii efektivita jedné jednotky energie přepočtené na IT výkon průměrně osmkrát“. Tento fakt jednoznačně působí jako motivační faktor pro modernizaci nebo přechod od cloudu.

29



Rizika spojená s klasickým modelem řešením o Nedostatečná podpora o Migrace dat o Náklady na údržbu



Rizika spojená s cloudovým modelem řešením o Bezpečnost dat a jejich ochrana o Dostupnost služby o Migrace dat o Nedostatek kontroly nad řešením o Různé platební způsoby



Rizika spojená s poskytovatelem o Dodání požadovaných služeb a jejich kvality o Pevná vazba na jednoho poskytovatele o Důvěryhodnost a vyspělost poskytovatele (reference) o Podpora



Rizika spojená s vlastní společností o Odpor ke změnám o Měnící se procesy o Firemní kultura o Kvalita dat (standardizace)



Rizika spojená s financemi



Další rizika

3.3 Business Intelligence v cloudu Pod pojmem BI v cloudu je možné zahrnout více různých řešení. V kapitole o architektuře BI řešení byly představeny komponenty, ze kterých se celé BI řešení skládá. Také bylo zmíněno, že komponenty nemusí být vždy od stejného poskytovatele, a právě toto dává možnost vzniku specializovaných řešení například pouze na reporting, ETL, DWH atp. Dle (Evelson, 2012) se lze setkat jak s ryzími aplikacemi vytvářenými od počátku pro cloud (zejména různé startupy například GoodData), tak i s „transformovanými“ klasickými řešeními zavedených společností např. SAP a MicroStrategy do cloudu. Tato původně klasická řešení jsou podobně implementovány na platformách IaaS/PaaS a jejich distribuční 30

model je tak pro koncového zákazníka stejný jako u ryzích cloud řešení. Evelson k tomuto dodává, že změna architektury z klasického řešení na model SaaS není jednoduchý úkol a těmto společnostem to bude ještě pár let trvat. Existují tedy řešení, která staví na dřívějších postupech tvorby BI, pro které se jeví výhodné využít dříve vytvořeného konceptu a aplikovat filosofii cloudu na původní řešení. V hojném počtu vznikají i řešení nová, která všelijak kombinují různé přístupy, ale v zásadě jsou schopny poskytnout zcela nové cloud BI řešení. V kontextu cloudového BI tak autor této práce identifikoval tři hlavní směry, kterými poskytovatelé jdou: 1) transformace klasických BI řešení do cloudu, 2) nové a komplexní řešení v cloudu, 3) řešení pro vizualizaci dat v cloudu. Důležité je říci, že pro pracovníka, respektive koncového uživatele dat pracujícího s BI, je vždy výstupem report, dashboard či jiná analýza, ať už je řešení jakéhokoliv typu, a takové BI obecně splňuje následující charakteristické vlastnosti: 

určeno pro front-line uživatele (bez specializovaných IT znalostí),



funkcionalita dostupná v reálném čase,



dostupnost výstupů BI z různých zařízení/platforem (webová stránka, webová aplikace, mobilní zařízení/aplikace atd.),



jako zdroj slouží ERP, CRM, emaily, webové stránky, dokumenty, webové platformy/aplikace/služby a jejich obsah atd.

3.3.1 Architektonický rozdíl cloudového BI Tato podkapitola se zabývá rozdílným (ne)využíváním komponent v cloudovém modelu oproti klasickému. Cloud poskytuje nový přístup pro dostupnost výkonu/úložného prostoru, proto již jsou některé komponenty, které dříve napomáhaly provádět náročné operace, nadbytečné. Zásadní změnou oproti klasickému řešení je, že poskytovatelé využívají výpočetní výkon a úložný prostor pro výpočetní operace, datové sklady a pro další komponenty veřejné cloudové poskytovatele (např. Amazon AWS/S3, Microsoft Azure) (Hapl, 2010). Tento vliv cloud computingu pak má zásadní význam na výkon a cenu BI řešení oproti klasickému.

31

3.3.1.1 ETL a cloudu Při zavádění BI jsou jednou z nejdůležitějších částí datové pumpy. Filosofie cloudu aplikovaná na ETL nástroj v mnohém využije jeho výhod a tuto komponentu přímo předurčuje ke cloudovému využití. ETL totiž nemusí pracovat neustále, nýbrž přenáší data kupříkladu každou noc. V tomto ohledu je škálovatelný (řízený potřebou) výkon ETL nástroje obzvláště výhodou. V době, kdy ETL nepracuje, zdroje provozovatel cloudu využívá u jiných řešení a naopak v případě zmiňovaného každodenního přenosu je od poskytovatele poskytnut maximální výkon (vhodné pro aplikování platebního modelu Pay as you go). Cloudové ETL by mělo být schopno získat data jak z cloudových, tak i z klasických zdrojových systémů a to napříč platformami a protokoly. Otázkou ohledně cloudového ETL se zabývá (Thomson, 2013), který poukazuje na základní funkcionalitu každého ETL řešení, které musí nabízet následující nástroje, platformy, aplikace a funkce: 

Podporovat standardní protokoly o JDBC, FTP, … o XML, HTML, TXT, …



Konektory na běžně používané aplikace a platformy (obvykle pomocí API) o Amazon, Azure, … o Salesforce.com o Dropbox, SkyDrive o Facebook, Twitter o a mnohé další



Plánovač transformací



ETL funkce o Agregování, řazení, spojování heterogenních a nestrukturovaných dat o Logování

Z pohledu cloudu se pro ETL otevírají nové možnosti, zaprvé zmiňovaný škálovatelný výkon a za druhé dostupnost API u většiny cloudových řešení sloužících jako zdroje pro BI, která velmi usnadňuje vzájemné propojení nesourodých aplikací. Tohoto trendu využívají také další poskytovatelé řešení, tentokrát tzv. konektorů, které se soustředí na propojení různých aplikací obvykle právě pomocí API. Konektory pak velmi ulehčují práci při integraci 32

řešení, neboť propojení mezi aplikacemi je již připraveno a je nutné ho pouze nastavit. Většina ETL nástrojů již v základu nabízí množství podporovaných protokolů, platforem a jiných aplikací, proto použití konektoru není obvykle nutné. Blíže se konektorům věnuje kapitola 3.3.1.5 Konektory. Jako jedna z komponent architektury BI je i ETL nabízeno buďto jako celek komplexního řešení, nebo jako samostatné řešení pro spojení s datovým skladem zvoleného poskytovatele. Zajímavé však je, že autor nenašel žádné cloudové ETL poskytujícího webového klienta pro definování transformací. Všechna nalezená řešení nabízejí pouze tenké desktopové klienty, pomocí kterých se transformace v cloudu nastavují. ETL se v těchto aplikacích tvoří obdobně jako v klasických řešeních, což může demonstrovat níže zobrazený obrázek (Obrázek 9), který vizualizuje datovou pumpu z řešení GoodData získávající data z Twittrovského účtu, které transformuje do datového souboru.

Obrázek 9 – GoodData ETL proces z Twittru (Zdroj (GoodData, 2014))

Cloudová ETL se liší od klasických zejména většími možnostmi napojení na ostatní aplikace. Lze říci, že tomuto faktu nahrává progresivnější vývoj cloudových aplikací a faktu, že uživatelé mají neustále přístup k nejnovější verzi. Poskytovatel tak v případě popularizace některého jiného řešení rychle zareaguje a vytvoří nové propojení na tuto aplikaci. Čekat na nasazení nové verze u klasického řešení je mnohonásobně časově náročnější. Jedním ze slabých míst cloudového řešení je rychlost přenosu mezi aplikacemi, která může být limitujícím faktorem při průběhu procesu ETL. Těžko si lze představit, že by mohl být problém například při nahrávání do úložiště poskytovatele Amazon, avšak v případě některých zdrojových aplikací, zejména v případě napojení na on-premise nástroj, může mít rychlost přenosu dat zásadní vliv na rychlost ETL pumpy. V takovém případě hrozí i přes výhody filosofie cloudu, že datové pumpy budou naopak pomalejší, než lokální transformace. Lze však očekávat, že cloudové ETL je využíváno zejména pro použití z cloudu do cloudu.

33

Z textu je patrné, že cloudové ETL se kromě lepšího výkonu (v případě odpovídající konektivity), širší podpory formátů, aplikací a platforem pro připojení nikterak zásadně neliší od klasických ETL nástrojů. 3.3.1.2 Operační datový sklad v cloudu Operační datové sklady (dále ODS) se hojně vyskytují v architekturách klasických BI systémů. V ryze cloudovém BI se však s použitím této komponenty nelze téměř setkat. V klasickém BI tato komponenta integruje podobně jako DWH data z různých zdrojů, ale na rozdíl od relativně statického DWH se v ODS data dynamicky mění. ODS slouží především k jednoduchým a rychlým dotazům nad aktuálními daty vhodné pro ad-hoc reporting, případně pro využití výstupů z ODS pro jiné podnikové aplikace, což je podle (Hrabáček, 2006) jeden z nejvýznamnějších přínosů celého BI. Tak jak je ODS prezentováno, je již dnes pravděpodobně integrováno do celkové architektury cloudového BI, nejinak si lze vysvětlit absolutní absenci v jakýchkoliv cloud BI řešeních, které by alespoň zmiňovaly jeho využití. Zmínku o cloudovém použití ODS lze najít v dříve zmiňovaných předělaných klasických řešení implementovaných do cloudu, důkazem toho je navržené řešení v článku Designing an ODS with high availability and consistency (Ali, 2009), který primárně pojednává o efektivním způsobu tvorby ODS převážně v klasickém modelu. V dané rovině se však zmiňuje o využití ODS v cloudovém prostředí kombinující PaaS a IaaS platformu Microsoft Azure, přičemž zde ODS pracuje stejným způsobem jako u klasického řešení s tím rozdílem, že se tak neděje lokálně. 3.3.1.3 Datové tržiště v cloudu Datová tržiště, na rozdíl od datových skladů kombinujících data celé společnosti, jsou menší sklady zaměřené na konkrétní předmět nebo oddělení. Jsou používány k rychlým analýzám jen na základě svého zaměření. Jejich použití se jeví stejně jako v případě ODS již v cloudu nepotřebné a lze se s ním setkat jen v klasických a transformovaných řešeních. (Goul, 2009) si všímá, že někteří poskytovatelé cloudového BI prostředí název datového tržiště ponechaly, avšak pouze ve významu původní funkcionality analýzy dat pro konkrétní oddělení, jde však pouze o virtuální rozlišení každého oddělení v daném uživatelském prostředí. Data jsou čerpána ze stejného zdroje, nikoliv z jiného fyzického datového tržiště.

34

3.3.1.4 BI v cloudu bez použití ETL a DWH Vzhledem k celkovému kontextu a obecně známé teorii se jeví možnost BI řešení bez použití ETL jako nemožná. Avšak v rámci konkurence se hrstka firem zaměřila i na tuto oblast a nabízí implementaci vlastního řešení i bez použití ETL. Lze se domnívat, že tyto společnosti hledají konkurenční výhodu na trhu s BI. Jak uvádějí oficiální stránky jednoho takového řešení, příčina tkví v časové náročnosti implementace ETL. Příkladem je společnost InetSoft (InetSoft, 2014), která takovéto řešení nabízí na základě svého patentu Data Block technology, jež nahrazuje ETL a DWH takzvaným Data mashupem8. Tato společnost spatřuje zbytečnou snahu považovat BI za enormní platformu a vytvářet kvůli každému nasazení velké projekty, které zbytečně generují mnoho nepotřebných procesů, tvorbu mnoha ETL pump a datových skladů, z čehož plyne, že se stávají mnohem nedostupnější pro široký okruh především menších společností. Data mashup data transformuje a manipuluje s nimi pouze, pokud jsou vyžadována. To je dle oficiálních materiálů InetSoftu považováno za hlavní výhodu BI bez použití ETL. Na webových stránkách společnosti není snadné najít zmínku o jakékoliv nevýhodě tohoto způsobu, avšak složitěji dostupný dokument (InetSoft, 2013) přiznává, že u složitějších a datově náročných operací lze očekávat o něco pomalejší návratnost výsledků. ETL je zde přirovnáváno k velké nákladní lodi, zatímco Data mashup k letadlu – (volně přeloženo) „letadlo je rychlejší a lehčí, ale unese méně nákladu“. Další zmiňovanou výhodou je možnost rychle zakomponovat nový zdroj dat (např. excelový sešit z externího zdroje) a za pomoci drag-and-drop ho okamžitě přidat do reportingů. Nevýhodu dotazování se do databáze má být zmenšena za pomoci mezipaměti cache. Bližší srovnání výhod a nevýhod zobrazuje následující tabulka (Tabulka 1). Tabulka 1 – Srovnání výhod a nevýhod DWH s ETL a Data mashupu (Zdroj (Bord, 2010))

DWH a ETL

Data mashup

Výhody

Nevýhody

Rychlý běh

Složitě se mění

Zpracování velkého zdroje dat

Dlouhý vývoj a přizpůsobení

Výhody Ad hoc změny a flexibilita Rychle zpracuje data z různých zdrojů

Nevýhody Pomalý běh Lze zpracovat menší množství dat

Rozhodně tak nelze očekávat, že způsob získávání dat přímo z produkčních databází je možné aplikovat na všechna řešení, vždyť nenáročnost na produkční databáze je jednou 8

Více o problematice Data Mashupu lze najít na oficiálních stránkách: http://www.inetsoft.com/info/enterprise_mashup_server/ .

35

z hlavních deviz BI, proto je tento způsob více než překvapivý. Stejně jako ETL dokáže technologie Data mashup kombinovat různé datové zdroje, pracuje s databázemi, tabulkami, soubory atd. Řešení nabízí stejné možnosti jako ostatní BI řešení, obyčejný uživatel BI tak zřejmě rozdíl mezi BI s ETL a bez ETL ani nepozná. Integrace dat pomocí ETL obvykle tvoří nejnáročnější část celého BI projektu, (Penichter, 2009) uvádí 70 – 80 procent, z toho důvodu se jeví vynechání tohoto prvku za zajímavou alternativu. Je zapotřebí si však uvědomit, že síla BI spočívá právě v nově a efektivně konsolidovaných datech. I přes výše uvedené skutečnosti si lze jen stěží představit, že by se analytický nástroj bez ETL pouze za pomocí Data mashupu mohl v dostatečné míře odkazovat například na data uložená v externích transakčních databázích. V daném případě lze očekávat problémy na obou stranách – nesprávný report na straně BI z důvodu chybějících dat a na druhé straně dejme tomu přetížený databázový systém. Na základě výše zmíněných faktů se lze domnívat, že BI bez ETL a DWH může existovat, musí však být dobře zanalyzováno, s kolika daty bude pracováno a jak často budou generovány reporty, potažmo reporty v reálném čase, aby nedošlo k přetížení produkční databáze. 3.3.1.5 Konektory Na trhu BI lze najít velké množství řešení, ať už klasických, cloudových, ale i různých kombinací. Podnikové systémy nabízí velké množství typových řešení, nicméně tato řešení je obvykle možné téměř neomezeně (záleží na řešení) rozšiřovat resp. propojovat s dalšími s využitím jejich API rozhraní, jež je nabízeno v naprosté většině řešení. Klasická řešení jsou také obvykle vytvářena s ohledem na potenciální součinnost s dalšími systémy, proto se lze setkat s případy kombinací několika řešení od různých poskytovatelů. Lze očekávat, že pokud poskytovatel nabízí více typů řešení, vzájemná integrace je vyřešena přímo poskytovatelem. V případě různých poskytovatelů však může nastat problém. Tato oblast proto nezůstala skryta zájmu některých společností, které viděly potenciál v přípravě různých konektorů (middlewarů) propojujících jednotlivá řešení. Zákazníkovi tak nabízí velice snadnou možnost, jak integrovat různorodé systémy rychle a pohodlně. Pro příklad lze jmenovat například řešení Pervasive connector. Za pomoci tohoto řešení lze relativně pohodlně integrovat různé podnikové aplikace, soubory a jiná data, jak ukazuje obrázek pod tímto textem (Obrázek 10).

36

Obrázek 10 – Integrační konektor PERVASIVE. (Zdroj (Pervasive, 2014))

Toto řešení je velmi výhodné v případě velkého počtu vzájemně propojených aplikací, neboť přímé propojení se v případě více jak 3 aplikací stává velice komplikované (podle způsobu komunikace může být počet vazeb roven až N x (N-1)9). V případě využití konektoru je počet vazeb roven počtu aplikací a zejména při přidání/ubrání/změně jedné aplikace je nutné upravit pouze jednu a vazbu a nikoliv vazby ostatní.

3.4 Management of Business Informatics Referenční model Management Byznys Informatiky (anglicky Management of Business Informatics), dále MBI, je vytvářen na Katedře informačních technologií Vysoké školy ekonomické v Praze a jeho primárním cílem je nabídnout pracovníkům řídící IT „konzistentní a flexibilní metodický rámec řízení podnikové informatiky a nejlepší praktiky v oboru“ (Voříšek, a další, 2012). MBI se sestává z 8 objektů (komponent) Úlohy, Faktory, Scénáře, Role, Dokumenty, Metody, Metriky a Aplikace, přičemž základní komponentou je Úloha, ke které jsou vázány ostatní vazby dalších komponent. Autoři tohoto modelu nabízí dle příručky k MBI řešení (MBI, 2014) unikátní přístup přímo k objektu zájmu, který díky vzájemným

9

N je počet aplikací

37

vazbám mezi ostatními objekty naznačí souvislosti vázající se na tento objekt. Tento přístup je autory nazýván jako „dveře do modelu“, kdy je možno využít model z jakéhokoliv typu požadavku. Příklad „dveří“ charakterizuje u každého z objektů následující obrázek (Obrázek 11). Na základě jakéhokoliv problému, úkolu, činnosti či otázky je tak uživateli MBI nabídnut celý kontext týkající se daného tématu, nikoliv pouze odpověď na jediný úsek.

Potřebuji řešit koncepci dalšího rozvoje informatiky

Dokumenty MBI (obsah, struktura, forma)

Potřebuji nadefinovat obsah, či strukturu dokumentu

Faktory MBI (co ovlivňuje informatiku) Potřebuji řešit vybranou úlohu nebo strukturu řízení

Potřebuji řešit problém v řízení, organizaci,…

Potřebuji navrhnout organizaci informatiky

Úlohy řízení v MBI Role MBI

Scénáře MBI (problém, doporučení, řešení)

(účel, proces, vstupy, výstupy, role, CSF…)

(zodpovědnosti, kompetence)

Metody, metodiky (principy, využití)

Potřebuji určit vhodné metody pro úlohy řízení

Aplikace MBI (metriky, funkcionalita)

Metriky MBI (dimenze, ukazatelé,)

Potřebuji vyhodnotit metriky, realizovat analýzy, výpočty Potřebuji definovat systém metrik a jejich využití

Obrázek 11 – Komponenty a „dveře” modelu MBI (Zdroj (Pour, 2013))

Pro tuto práci je nejdůležitější komponenta Faktor, která se přímo váže na definované cíle a z tohoto důvodu bude blíže přiblížena pouze tato komponenta10. 3.4.1 Faktor v MBI Při vytváření, změně, řízení IT stojí zodpovědní pracovníci vždy před nejrůznějšími otázkami. Jedná se o otázky, které se bezprostředně dotýkají známých vlivů na danou společnost. Tyto vlivy se v MBI nazývají faktory a zohledňují v sobě aktuální stav prostředí (hospodářského, legislativního, IT) a možnosti dané společnosti a jejího okolí, píší (Voříšek, a další, 2012 str. 37). Autoři upozorňují, že některé faktory jsou společné (legislativa platí pro 10

Více informací od modelu MBI lze získat v publikace Management podnikové informatiky (Voříšek, a další, 2012) nebo na oficiálních stránkách modelu http://mbi.vse.cz/.

38

všechny stejně, IT technologie jsou dostupné všem), ale některé jsou specifické pro každý podnik (sektor ekonomiky, velikost podniku a počet zaměstnanců, atd.). V kontextu této práce jsou relevantními faktory ty, jež jsou zaměřeny na cloudové využívání služeb. V době psaní této diplomové práce se jejímu tématu jeví relevantní následující faktory uvedené v modelu MBI (MBI, 2014): 

F100: Cloud computing



F101: Veřejný (Public) cloud computing



F102: Soukromý (Private) cloud computing



F103: Hybridní (Hybrid) cloud computing



F104: Komunitní (Comunity) cloud comptuing



F105: Osobní cloud



F106: SaaS – (Service as a Service)



F107: IaaS – (Infrastructure as a Service)



F108: PaaS – (Platform as a Service)



F111: Cloud computing BI



F112: SaaS – BI

Faktory ve větší či menší míře ovlivňují činnosti jako analýza, vývoj, implementace, testování atp. Tyto činnosti jsou v modelu MBI označeny jako úlohy. Ke každé úloze je definováno které faktory a jak silně ovlivňují konkrétní úlohu. Jedním z cílů této práce je rozšíření modelu MBI s ohledem na faktor cloudu. Autor této práce spatřuje v tomto kontextu možnost rozšíření faktorů F111: Cloud computing BI a F112: SaaS – BI. Rozšířením těchto dvou faktorů se zabývají kapitoly dále v této práci.

39

4 Architektury a implementace cloud BI V této části práce jsou analyzovány varianty nasazení komponent BI do či mimo cloudové prostředí. Cílem je představit vhodnost jednotlivých řešení a poukázat, za jakých okolností se každá z variant uplatní. Další část kapitoly doporučuje, na které vlivy je nutné brát zřetel při rozhodování mezi klasickým a cloud řešením a zároveň čtenáři říká, který vliv nahrává klasickému řešení a který cloudovému. V tomto ohledu je třeba zmínit, že autor této práce pouze naznačuje, které okolnosti vyhovující více klasickému, a které cloudovému řešení. Každé řešení je unikátní a všechny níže zmíněné vlivy a faktory závisí na konkrétní úloze, proto lze říci, že hodnocení jiného člověka se může lišit vzhledem k úhlu, ze kterého se na problematiku dívá.

4.1 Architektury cloudového BI V úvodních kapitolách bylo zmíněno, že BI řešení jsou velice komplexní systémy, jejichž architektura se skládá ze tří hlavních komponent – z DWH uchovávající data pro analýzu, ETL nástroje, který získává a transformuje data do podoby potřebné v DWH a ze samotného BI nástroje pro analýzu, vizualizaci a reporting. Spojení klasického a cloudového řešení nabízí různé kombinace, které komponenty (DWH, ETL, BI) budou dostupné lokálně, a které naopak cloudově. Současný trh nabízí různé variace řešení, napomáhají tomu mimo jiné i již dříve zmíněné veřejné cloudy na platformách IaaS, či PaaS (Amazon AWS/S3, Microsoft Azure), na které lze přesunout klasická řešení a využívat tak výhod cloudu, byť s nástrojem určeným pro klasické řešení. Především datové sklady je vhodné umístit do veřejného cloudu, neboť elasticita cloudu poskytuje „neomezený“ prostor pro rostoucí DWH. Toto rozdělení je nutné před implementací řešení patřičně zvážit. Níže prezentované tabulky (Tabulka 2 – 5) ukazují kombinace, se kterými se autor setkal nebo je považuje za vhodné. Je nutné připomenout, že činnosti při zavádění jednotlivých řešení se liší na základě výchozího řešení, variantě řešení, požadavků a rozsahu cílového řešení. Podstatnou otázkou pro následující varianty je umístění zdrojových systémů (ERP, CRM, atd.), neboť výsledná varianta je touto skutečností velmi zásadně ovlivněna. Jen pro ilustraci – postrádá smysl mít zdrojové systémy v cloudu, DWH na vlastní infrastruktuře a BI nástroj opět v cloudu. Při volbě z následujících variant tak má zásadní vliv právě umístění zdrojových systémů. Jednotlivé varianty se zabývají pouze komponentami BI, nicméně 40

umístění zdrojových IS v cloudu lze brát jako jeden ze zásadních motivátorů přesunu do cloudu nebo setrvání u klasického modelu. 4.1.1 Varianta 0 Všechny komponenty BI s využitím klasického modelu. Tabulka 2 – Architektury Varianta 0 (Autor)

Tuto variantu můžeme brát jako výchozí pro

Varianta 0

klasické

ETL

x

varianty následující. Od toho stavu se také budou

DWH

x

odvíjet patřičné kroky, vedoucí ke změně na jinou z

BI

x

variant.

cloudové

4.1.2 Varianta 1 Tabulka 3 – Architektury Varianta 1 (Autor)

DWH ponechat jako klasické řešení, stejně tak ETL

Varianta 1

klasické

ETL

x

Varianta č. 1 se jeví vhodně pro již existující

DWH

x

klasické BI řešení, kde DWH je správně vytvořen a

BI

a pouze analytickou část BI přivést do cloudu.

cloudové

x

kde dochází k přenesení BI komponenty do cloudu (třeba z důvodu lepší dostupnosti výsledků – webové prostředí, mobilní telefony). Toto řešení je relativně snadné na konfiguraci, neboť je nutné pouze napojení nového BI na původní DWH, konfigurace BI a seznámení uživatelů s novým řešením. 4.1.3 Varianta 2 Tabulka 4 – Architektury Varianta 2 (Autor)

Varianta 2 ETL

klasické

cloudové

DWH spolu s BI umístit do cloudu a nástroj ETL využívat jako klasické.

x

DWH

x

Varianta č. 2, podobně jako č. 1, je vhodná pro

BI

x

relativně rychlé přenesení BI i DWH komponent do cloudu a s ETL stále běžícím on-premise. Výhodou

tohoto řešení je právě využití původního konceptu ETL. Takové řešení poskytuje například

41

společnost Romana Staňka GoodData11, která nabízí buďto vlastní ETL on-premise nástroj CloudConnect Designer nebo využití vlastního ETL nástroje. Lze očekávat, že po úpravách cílových tabulek bude možné využít původní ETL v téměř nezměněné podobě. Pokud původní datové zdroje zůstávají nezměněné a on-premise, jeví se tato varianta pro částečný přechod do cloudu jako výhodná. Tato varianta využívající cloudu je vhodná pro rostoucí společnost se zvyšujícími se nároky na množství ukládaných a analyzovaných dat. 4.1.4 Varianta 3 Tabulka 5 – Architektury Varianta 3 (Autor)

Všechny komponenty BI do cloudu.

Varianta 3

klasické

cloudové

Varianta č. 3 využívá všech komponent v cloudu a

ETL

x

její využití lze obecně doporučit pro nově zaváděné

DWH

x

BI

x

BI

řešení,

kde

není nutno

migrovat

data

z původních DWH, tak i v případě, kdy se v cloudu již nachází nebo do cloudu migrují i další informační systémy se zdrojovými daty. Stejně jako v případě modulů u klasických IS tak lze kombinovat i různé cloudové komponenty od různých dodavatelů, avšak v tomto případě existuje snad jen argument nižší ceny a lepší funkcionality některé z komponent. V každém případě je nutné do srovnání započítat i náklady na integraci, neboť nižší cena každé komponenty by mohla být snadno vykoupena vyššími náklady na vzájemnou integraci (pokud by integrace vůbec byla možná). Ke vzájemnému propojení mohou sloužit různé konektory, o těch blíže pojednává kapitola 3.3.1.5 Konektory. V případě, že jsou zvoleny všechny komponenty od jednoho dodavatele, lze očekávat již plně integrované komponenty a tudíž i snadnější implementaci tohoto řešení. Mnozí poskytovatelé také nabízí vlastní konektory na řešení od konkurence 12.

11

Na oficiálních stránkách společnosti a v představení řešení není snadné poznat, že společně s řešením není nabízeno cloudové ETL. Zájemce se tuto skutečnost dozví až při návštěvě vývojové sekce stránky https://developer.gooddata.com 12 Poskytovatel cloudového BI řešení Birst nabízí propojení na tyto systémy: Google Analytics, SAP BW, MS Analysis Service Cubes, Hyperion, MS SQL Server, Oracle, DB2, MySQL, Teradata, Sybase IQ, Generic JDBC, Amazon Redshift a další (Zdroj: http://www.birst.com/product/technology/data-sources).

42

4.2 Klasické nebo cloud BI řešení V kapitole 3.2 Rozdíly mezi klasickým a cloudovým řešením byly popsány rozdíly mezi klasickým a cloudovým řešením. Rozhodnutí je složité, protože oba přístupy nabízí výhody a nevýhody, které je nutno jednotlivě vyhodnocovat a na jejich základě určit, jakým způsobem ovlivní práci, jaké rizika přinesou, jak naplní očekávání a jak budou finančně výhodné. Toto jsou pouze některé faktory ovlivňující rozhodnutí mezi oběma způsoby. Situaci navíc komplikuje fakt, že ony výhody a nevýhody jsou velice často protichůdné, na druhou stranu tak lépe zapadnou do filosofie každé společnosti. (Claybrook, 2012) poukazuje na tyto protichůdné vlastnosti (Tabulka 6 pod tímto textem) obou řešení. Tabulka 6 – Vlastnosti cloudového a klasického řešení (Zdroj (Claybrook, 2012))

Cloudové

Klasické

Customizace

Platba pouze za to, co je využíváno formou Pay as you go, za uživatele, za měsíc Customizace velice omezená

Náklady na pořízení HW, SW licencí, administrátory, prostory, elektrickou energii, klimatizace atd. Customizovatelné, záleží však na řešení

Hardware

O HW a SW se stará poskytovatel

Cena/ náklady

Bezpečnost Přístup

Integrace Správa

Zákazník se stará o vlastní HW infrastrukturu, včetně základní SW vybavení Přístup přes internet zvyšuje riziko Bezpečnost je řízena lokálně, data jsou uchována lokálně Přístup pomocí internetu – webového Přístup z klientů, případně vzdálenou prohlížeče, mobilního telefonu plochou či VPN. Složité pro mobilní zařízení. Složitější integrace s lokálními zdroji dat Připraveno k spolupráci s lokálními – MS Excel apod. aplikacemi Poskytovatel je zodpovědný za správu Společnost si sama spravuje systém i systému, včetně jeho dat data

(Claybrook, 2012) pak navrhuje přiřadit důležitost k jednotlivým vlastnostem a na základě toho provést prvotní hodnocení. Dále pak doporučuje uvažovat následující fakta a otázky: 

Věnovat důkladnou pozornost tomu, co poskytovatelé klasického nebo cloudového řešení nabízí a slibují.



Nabízí poskytovatel řešení, které potřebuji a využiji veškerou funkcionalitu?

43



Cena vždy (není) na prvním místě, je třeba uvažovat komplexně nad bezpečností (viz kapitola 3.1.1.1 Bezpečnost dat v cloudu), customizací, ovládáním, vyhovění legislativě atd.



Znát potřeby pro kapacitu úložiště, přenos dat, počet uživatelů.



Pokud možno, nové řešení nejprve vyzkoušet (u cloudových služeb jsou obvykle dostupné plně funkční trial verze na omezenou dobu).

Další zdroj společnosti ProfiBricks (Profitbricks, 2014) přidává v úvahu následující aspekty: 

Analyzovat Total cost of ownership (TCO) u zvažovaných řešení. Nutno znát přesné platební podmínky, za co se platí.



Jakým způsobem je řešena podpora zákazníka (jak dlouhá je reakční doba).



Věnovat pozornost smluvním podmínkám, dostupnost, komunikace, sankce.



Získat co nejvíce referencí.

4.2.1 Vlivy ovlivňující model nasazení Tato kapitola souhrnně uvádí vlivy, které je nutné brát v úvahu při volbě modelu řešení. Na uvedené vlivy je nutné pohlížet jako na jeden celek, neboť všechny jsou důležité a hrají specifickou roli při volbě modelu. Záleží však na mnoha okolnostech každého řešení. Jednotlivé vlivy jsou zde popsány, případně uvedeny s odkazem na jinou část této práce, která se jim věnovala. 4.2.1.1 Vliv nákladů Náklady a cena řešení je samozřejmě jedním z nejdůležitějších vlivů, ovlivňující rozhodnutí o výběru řešení. Blíže byla problematika nákladů popsána v příslušných kapitole 3.2.4 Náklady klasického a cloudového modelu. 4.2.1.2 Vliv času Čas potřebný na implementaci jakéhokoliv řešení je výrazným činitelem, který ovlivňuje náklady na zavedení nového řešení. Zde se jeví jako jasný vítěz přístup cloudového řešení. Ovšem v tomto případě velice záleží, zda se jedná o implementaci na tzv. na „zelené louce“ nebo o přechod ze současného systému. S tímto vlivem tedy úzce souvisí vliv 4.2.1.9 Vliv „zelené louky“ a nejen ten. Téměř u všech vlivů lze vypozorovat přímou nebo nepřímou 44

závislost na čase, tudíž riziko prodloužení času nutného pro implementaci se může snadno projevit i jako vyšší finanční zátěž. 4.2.1.3 Vliv rizika Rizika jakéhokoliv projektu jsou vždy na místě a je nutné je identifikovat a snažit se jim předcházet již od samotného počátku. Na oba modely působí určitá rizika, která jsou závislá na změření aplikace, využívaných datech, atp. Rizikům je věnována kapitola 3.2.5 Nevýhody a rizika. 4.2.1.4 Vliv nárůst dat Tento vliv doslova nahrává paradigmatu cloudu, jak již bylo zmíněno, tato řešení jsou velice elastická a navýšení výpočetního výkonu, prostoru pro uložení dat nebo rychlosti přenosu dat je velice snadné. V tomto případě se jedná zejména o podmínky, které jsou nastaveny od poskytovatele cloudu, zda je toto navýšení automatické, či je nutné rozšíření objednat. Cloudový poskytovatelé obvykle poskytují proměnlivou škálu využívání jejich služeb – tedy platební model Pay as you go. V případě klasického řešení se lze dostat do potíží, typický je nedostatek úložného prostoru. Pokud nejsou dostupné další zařízení pro uložení dat, riziko selhání systému je velmi vysoké. Jak již bylo zmíněno, je velmi důležité znát základní údaje o velikosti dat a jejich přenosu, tento vliv pak totiž může výrazně ovlivnit cenu řešení, a to nejen toho klasického, ale i cloudového. 4.2.1.5 Vliv poskytovatele Poskytovatel se převážnou měrou podílí na úspěchu implementace a provozu daného řešení. Samo sebou jde v prvé řadě o kvalitu řešení, které poskytovatel nabízí. Za druhé je důležité, jakým způsobem provádí podporu při plánování, implementaci a provozu. Většinu ze zmíněných kritérií lze ověřit na základě referencí konkrétního poskytovatele, které lze vyhledat na technických fórech a blozích. Důležité je nepodlehnout veškerým slibům uvedeným na oficiálních stránkách poskytovatele, neboť hlavním cílem všech řešení je samozřejmě prodej. V tomto ohledu však autor konstatuje, že se při průzkumu trhu s vyloženě negativními zkušenostmi nesetkal, nelze je však vyloučit.

45

4.2.1.6 Vliv integrace s ostatními systémy Integrace řešení mezi další aplikace je zásadní požadavkem všech podnikových IS a ovlivňuje oba modely řešení. Tento vliv pak úzce souvisí s modelem nasazení dalších IS v podniku. V důsledku toho nelze říci, který model je v tomto případě vhodnější, vždy záleží na komplexní analýze celého kontextu IS. 4.2.1.7 Vliv změn procesů Procesy ve společnostech prochází vývojem, který musí být reflektován také v používaném IS. Jelikož je BI navázáno na další podnikové aplikace, je nutné změny procesů rychle reflektovat i v BI (například měření parametrů výroby v reportech). V tomto ohledu je cloudové řešení obecně lepší, neboť změnu reportů respektive dashbordů lze provést velmi rychle. Toto neplatí vždy pro klasické BI. Mnohdy jsou reporty a dashboardy tvořeny dodavatelem, což přináší větší časovou prodlevu. 4.2.1.8 Vliv přidané hodnoty Velice důležitým vlivem při výběru řešení je jeho přidaná hodnota. Odpovědi na otázky, zda přechod na dané řešení přinese výhody, jsou na místě. A například migraci z klasického řešení do cloudu dobře zvážit (s přihlédnutím na další vlivy), zda společnosti cloudové řešení přinese vyšší užitek. 4.2.1.9 Vliv „zelené louky“ V kapitole zabývajících se náklady 3.2.4 Náklady klasického a cloudového modelu bylo zmíněno, že významnou roli při volbě řešení mají výchozí podmínky ve společnosti. Pokud společnost již disponuje vlastní infrastrukturou, která dostatečně splňuje výkonové a kapacitní nároky na nové řešení, a náklady na údržbu nedosahují vysokých částek, lze konstatovat využití stávající infrastruktury jako významný element příklonu ke klasickému řešení. V případě tvorby řešení tzv. na zelené louce, tedy vytvořením zcela nového řešení, stojí společnost před rozhodnutím dávající v dnešní době větší šanci právě cloudu. Absence nutnosti instalovat hardware se jeví jako výrazná výhoda. V zásadě postačuje pouze připojení k internetu a koncové stanice (např. wifi router a notebooky).

46

4.3 Motivace přechodu do cloudu Motivací k přechodu do cloudu mohou být přínosy, jež byly zmiňovaný v kapitole 3.2.2.2 Přínosy cloudu. Pro podporu těchto tvrzení je možné prezentovat výstup ze společného průzkumu australské Technické univerzity, Sydney a české Vysoké školy ekonomické v Praze v českých a australských společnostech (Margaris, a další, 2012)13 (Obrázek 12). Výzkum ukázal hlavní společné motivátory přechodu do cloudu: snížení nákladů, elasticitu a flexibilitu. Zatímco v českých společnostech je hlavní motivátor snížení nákladů, australské společnosti pohlížejí na danou oblast komplexněji a cena zde není

Obrázek 12 – Motivátory pro přechod do cloudu (Zdroj (Margaris, a další, 2012))

mandatorním činitelem. Průzkum nabízí i pohled na obavy, které české společnosti pociťovaly před a jak se tyto obavy změnily po zavedení cloudového řešení. Bariéry australských společností víceméně korespondují s těmi českými, z tohoto důvodu je zde prezentován pouze graf českých společností14 (Obrázek 13).

13

Pozn. k průzkumu: Průzkum byl proveden v obecné rovině cloudových distribučních modelů SaaS, IaaS, PaaS a jakýchkoliv služeb, jež mohou být poskytovány. V každé zemi byl hodnocen vzorek cca 100 společností, přibližně polovina společností v obou zemích měla více než 250 zaměstnanců; v České republice tvořilo 47% procent firem se zaměřením na IT, v Austrálii to bylo procent 17%. 14 Bariéry australských společností je možné najít ve zdrojovém odkazu v popisu obrázku (Obrázek 13).

47

Obrázek 13 – Bariéry českých společností pro přechod do cloudu (Zdroj (Margaris, a další, 2012))

Dalším motivátorem může být migrace zdrojových systémů do cloudu, v tomto ohledu se jeví jako přínosné přenést/vytvořit i celé BI založené na cloudu. Zobecnění toho, proč přecházet do cloudu a čeho se případně obávat, ukazuje následující SWOT analýza (Tabulka 7) na následující stránce.

48

Tabulka 7 – SWOT analýza motivace přechodu do cloudu (Zdroj (Bibi, a další, 2012))

S

Silné stránky • • • • • •

O

Nízká počáteční investice Snadné zavedení Jednoduchá údržba Škálovatelnost (počet uživatelů, množství dat) Online přístup Úbytek technických specialistů

Příležitosti • • • •

Elasticita, škálovatelnost Rychlá doba uvedení na trh Různé typy placení (pay per user/as you go,…) Přístup pomocí mobilních zařízení

W

Slabé stránky • • • • • •

T

Dostupnost Spolehlivost Omezená customizace a konfigurace Migrace dat Změna procesů/firemní kultury Závislost na poskytovateli

Hrozby • • • • • • •

Výběr cloudové poskytovatele Zabezpečení Důvěrnost, integrita a dostupnost dat Právní stránka – uložení dat napříč právními rámci Problémy s kompatibilitou Žádná garance návratu investice Závislost na externím poskytovateli

4.3.1 Migrace mezi cloudy Významnou otázkou pojící se s využíváním cloudu je možnost migrace mezi poskytovateli, hlavním elementem tohoto procesu je zpětné získání všech dat. Často se uvádí jako významná nevýhoda cloudu uzamknutí se k jednomu poskytovateli. V kontextu BI je toto riziko nutno postoupit v každém případě, ať už se jedná o klasické či cloud řešení, vždy jsme podle využitých komponent nějakým způsobem omezení. Důležité je mít smluvně ošetřeno, kdo je vlastníkem dat. Tyto informace lze získat z obchodních podmínek od poskytovatele služby. Zákazník by měl být vždy vlastníkem dat, souhlasí-li s převedením vlastnického práva na poskytovatele, vystavuje se tak možným komplikacím spojeným s právní stránkou věci a data jsou vystavena morální hrozbě zneužití, neboť s nimi může nakládat i někdo jiný.

4.4 Výběr varianty a implementace BI V kapitole 4.1 Architektury cloudového BI byly představeny jednotlivé varianty řešení s kombinacemi cloudových a klasických komponent BI. V této kapitole jsou specifikovány důležité aspekty, které by měly být brány v úvahu při volbě vhodné varianty a její implementaci. Každá varianta poskytuje výhodu v určité oblasti a generalizovat, která ze čtyř 49

zmíněných je nejlepší, se jeví velice obtížně. Co se týče výběru varianty, lze odkázat na již dříve zmíněné vlivy v kapitole 4.2 Klasické nebo cloud řešení, které jsou pro tuto volbu významné spolu s aspekty v následujícím seznamu: 

dostupnost prostředků (HW resp. financí),



potřeba konkurenční výhody (cloudové řešení jsou obvykle standardizovaná řešení a velkou konkurenční výhodu nenabízejí),



citlivosti dat (zvážení do jaké míry je vhodné citlivá data např. o zákaznících a zakázkách přesunout do cloudového úložiště),



náročnost migrace dat,



dostupnost dat a propustnost sítě/vzhledem k množství dat. Každý vliv či otázku z tohoto souhrnu je nutné patřičně analyzovat a dát do kontextu

zejména financí, využitelnosti a proveditelnosti. Na základě této analýzy je pak možné zvolit jednu z variant, ve které bude BI implementováno. Implementace BI řešení se může lišit podle použitých architektur (pro komplexní řešení to jsou různé varianty nasazení) a komponent (např. implementace pouze komponenty pro vizualizaci dat SaaS). Vzhledem k širokému rozsahu těchto možností implementace BI pro PaaS, IaaS a SaaS jsou pro zjednodušení uvažovány pouze dvě možnosti a to: a) přechod z klasického na cloudové řešení: Přechod existujícího klasického BI na cloudové je náročný projekt. Zejména v případě robustního komplexního řešení se všemi komponentami architektury BI. V tomto případě je nutné mít tým specialistů, který převede databáze a nakonfiguruje nový BI systém. Cloudová implementace se zde od klasické liší pouze jinou formou a je velmi časově náročná. b) zavedení nové cloudové komponenty pro vizualizaci dat: Vizualizační cloudové BI ve formě SaaS může být implementováno naopak velice rychle a zde nastupuje výhoda cloudu. Lze očekávat, že i v případě zavádění klasického vizualizačního BI by bylo třeba několik specialistů, cloudové BI však lze získat v podstatě jednoduchou registrací na internetových stránkách provozovatele vybraného cloud BI řešení. 50

V případě, že společnost začíná na zelené louce a nejlépe získává všechny služby od jednoho poskytovatele, nasazení je velice jednoduché. V takovém případě se lze domnívat, že k využívání skutečně postačí pouhá registrace/zaplacení licence. Nezačíná-li se na zelené louce, zavedení i pouhého vizualizačního BI si vyžádá určitý časový fond pro propojení na datové sklady a jiné zdroje a opětovně se nadefinují reporty a dashboardy. Záleží zde na spoustě okolností, které dělají řešení více či méně časově náročným. 4.4.1 Faktor cloudu ovlivňující implementaci BI V této části práce jsou znázorněny vlivy faktoru cloudu na implementaci BI řešení. Jednotlivé fáze implementace BI řešení jsou založeny na úlohách implementace BI v modelu MBI. V následujícím textu je pro každou z těchto úloh posouzen vliv u dvou vybraných faktorů vztahujících se ke cloud BI a této práci (viz kapitola 3.4.1 Faktor v MBI). MBI faktory obsahují vazbu na konkrétní úlohu a pojí se tak s touto úlohou ve všech výstupech z MBI a zároveň jsou doplněny vzájemné vazby mezi ostatními objekty MBI. Vybranými faktory jsou pro tuto práci: 

F111 – Cloud computing BI Tento faktor se zabývá cloudovými službami jako celku, patří do něj tedy všechny modely nasazení IaaS, PaaS a SaaS. Toto implikuje vhodnost faktoru pro komplexní BI řešení s návrhy komponent, databází, vazbami atp.



F112 – SaaS BI. Tento faktor cílí pouze na SaaS BI, což jsou koncovému zákazníku nejvíce viditelné aplikace, neboť s nimi především pracuje. Tento model obvykle předpokládá již existující DWH, či jiný zdroj dat v klasické nebo cloudové podobě.

V následujících podkapitolách jsou uvedeny úlohy implementace BI na základě úloh z MBI a k nim definované ovlivňující faktory.

51

4.4.1.1 Zpracování Úvodní studie Úloha: U431A, BI: Zpracování Úvodní studie Cíl (MBI, 2014): „Zajistit komplexní zmapování prostředí, do něhož má být BI řešení zasazeno, určit přístup k řešení BI, určit priority oblastí řešení, resp. podnikových procesů, které má BI pokrývat, vytvořit celkovou koncepci BI řešení.” Tato fáze implementace je z hlediska cloudu velmi důležitá, neboť se v této fázi navrhuje architektura řešení. Úlohu ovlivňuje zejména faktor F111 – Cloud computing BI. Pokud je rozhodnuto o využití cloudového řešení, je nutné tuto okolnost zahrnout do návrhu této architektury, určit, které komponenty budou v cloudu a které nikoliv. V dalších fázích jsou tyto návrh podrobněji rozpracovány. Faktor F112 – SaaS BI má vliv zanedbatelný, neboť se jedná pouze o rozhraní k celému BI. Tabulka 8 – Faktor cloudu v úloze Zpracování úvodní studie (Zdroj (Autor) a (MBI, 2014))

Id. faktoru 111 (BI v cloudu)

Síla vlivu faktoru na Poznámky úlohu 3 Cloud BI úlohu zásadně ovlivní. Při návrhu architektury se určují komponenty, které jsou v cloudu a které nikoliv. Architektura se navrhuje s ohledem k pojetí cloudu a častěji se nevyužívají všechny tradiční komponenty BI.

4.4.1.2 Specifikace přírůstku řešení Úloha: U432A, BI: Specifikace přírůstku řešení Cíl (MBI, 2014): „Vytvořit konkrétní zadání pro analýzu a implementaci dalšího přírůstku, tedy rozšíření stávajících řešení a aplikací BI.” Tato fáze se zaobírá rozšířením existujícího BI řešení. Předpokladem je velmi dobrá znalost původního prostředí. Tuto fázi ovlivňuje faktor cloudového BI pouze v případě, že jde o rozšíření existujícího cloudového řešení nebo o přidání nějaké cloudové komponenty (nástroje, zdroje dat), migrace komponenty z on-premise do cloudu. V druhém případě faktor F112 – SaaS ovlivňuje úlohu minimálně. Je třeba pouze vzít v úvahu cloudovou komponentu. Samotný přírůstek se musí v každém případě (klasickém i cloudovém) propojit na analytický BI nástroj.

52

Tabulka 9 – Faktor cloudu v úloze Specifikace přírůstku (Zdroj (Autor) a (MBI, 2014))

Id. faktoru 111 (BI v cloudu)

Síla vlivu faktoru na Poznámky úlohu 2 Úloha je ovlivněna v případě přesunu některé z BI komponent do cloudu, případně přidáním nového cloudové zdroje.

4.4.1.3 Analýza stavu a požadavků na BI Úloha: U433A, BI: Analýza stavu a požadavků na BI Cíl (MBI, 2014): „Na jedné straně detailně posoudit aktuální uživatelské požadavky a na straně druhé zhodnotit existující aplikace a datové zdroje, jejich kvalitu a dostupnost a navrhnout celkový obsah řešení přírůstku.” Získávání požadavků se zásadně neliší mezi klasickým a cloudovým řešením. Na jejich základě je však možno analyzovat vhodnost obou řešení. Tomuto tématu se věnovala kapitola 4.2 Klasické nebo cloud BI řešení této práce. Tabulka 10 – Faktor cloudu v úloze Analýza stavu a požadavků na BI (Zdroj (Autor) a (MBI, 2014))

Id. faktoru 111 (BI v cloudu)

Síla vlivu faktoru na Poznámky úlohu 1 Faktor ovlivňuje možnost využití BI a jeho provozu vzhledem k pojetí cloudu.

4.4.1.4 Modelování a návrh řešení Úloha: U434A, BI: Modelování a návrh řešení Cíl (MBI, 2014): „Na základě řešení dimenzionální analýzy a modelování navrhnout datové modely datového skladu, resp. datových tržišť a dalších databázových komponent řešení (DSA, ODS a OLAP databází).“ Faktorem F111 – Cloud computing BI je úloha ovlivněna pouze částečně, neboť návrh takového řešení je velmi podobný klasickému. Hlavním rozdílem zde je implementace na cloudovou infrastrukturu a s tím související náležitost zdrojů a vzájemných propojení s dalšími podnikovými aplikacemi. V druhém případě faktor F112 – SaaS BI ovlivňuje tvorbu dimenzí. Ty je vhodné tvořit s ohledem na konkrétní cloudové řešení.

53

Tabulka 11 – Faktor cloudu v úloze Modelování a návrh řešení (Zdroj (Autor) a (MBI, 2014))

Id. faktoru 111 (BI v cloudu) 112 (SaaS BI)

Síla vlivu faktoru na Poznámky úlohu 2 Úloha je ovlivněna návrhem cloudové architektury a vzdálenou implementací. 2 Tento faktor ovlivňuje tvorbu dimenzí. Ty je vhodné tvořit s ohledem na konkrétní cloudové řešení.

4.4.1.5 Návrh technologické platformy přírůstku Úloha: U435A, BI: Návrh technologické platformy přírůstku Cíl (MBI, 2014): „Specifikovat komplexní nároky na odpovídající softwarové a technické zajištění a současně i některá provozní opatření, vzhledem k potřebám daného přírůstku.” Faktor F111 Cloud computing BI a F112 SaaS BI ovlivňují úlohu především vzhledem k dimenzování řešení respektive potřebě specifikovat potřebný výkon, kapacitu úložiště (současnou a s potenciálním nárůstem dat), případně počet uživatelů a na základě těchto informací zvolit patřičný model placení za využívání cloudového řešení. Tabulka 12 – Faktor cloudu v úloze Návrh technologické platformy přírůstku (Zdroj (Autor) a (MBI, 2014))

Id. faktoru 111 (BI v cloudu)

112 (SaaS BI)

Síla vlivu faktoru na Poznámky úlohu 2 Úloha ovlivňuje faktor vzhledem k návrhu specifikace potřebného výkonu, kapacity úložiště (současnou a s potenciálním nárůstem dat), případně počet uživatelů. Na základě těchto údajů zvolit model placení. 1 Úloha je mírně ovlivněna cloudovým řešením. Návrh potřebné kapacity úložiště (současné i budoucí) a počet uživatelů musí být definován s ohledem ke cloudovému řešení. Na základě těchto údajů zvolit model placení.

4.4.1.6 Návrh transformací dat – ETL Úloha: U436A, BI: Návrh transformací dat - ETL Cíl (MBI, 2014): „Detailně definovat transformační pravidla mezi produkčními daty a analytickými daty uloženými v BI databázích, zajistit odpovídající kvalitu dat a navrhnout komplex čistících a transformačních procedur.”

54

V případě využití ETL pro cloudová řešení nebo přímo cloudové ETL není úloha nijak zásadně ovlivněna. Podstata ETL pump zůstává stejná jako v případě on-premise řešení, jak bylo uvedeno v kapitole 3.3.1.1 ETL a cloudu. 4.4.1.7 Implementace řešení Úloha: U437A, BI: Implementace řešení Cíl (MBI, 2014): „Zajistit vytvoření požadovaných aplikací a nástrojů BI.” Tato úloha se zásadně váže k faktoru F111 – Cloud computing BI, a to při implementaci na platformy PaaS a IaaS, jelikož je nutné implementované komponenty nasadit v cloudu. Toto klade specifické nároky na implementaci vzhledem ke cloudu. Zajistit dostupnost cloudového prostředí, ověřit počáteční softwarovou výbava cloudu, ověřit vzdálený přístup.V případě faktoru F112 – SaaS BI je úloha snadnější, jelikož je BI poskytnuto poskytovatelem a sestává se z umožnění přístupu k uživatelskému rozhraní (webovému prostředí) a napojení na zdrojová data. Tabulka 13 – Faktor cloudu v úloze Implementace řešení (Zdroj (Autor) a (MBI, 2014))

Id. faktoru 111 (BI v cloudu)

112 (SaaS BI)

Síla vlivu faktoru na Poznámky úlohu 3 Úloha je ovlivněna zásadně. Komponenty jsou implementovány v cloudovém prostředí. Zajištění dostupnosti cloudového prostředí, správná počáteční softwarová výbava cloudu, funkční vzdálený přístup. 2 Tento faktor úlohu ovlivňuje, neboť je převážná část dodána poskytovatelem. Úloha implementace je tak jednodušší, sestává se z aktivování přístupu k uživatelskému rozhraní a napojení na zdrojová data.

4.4.1.8 Zavedení do provozu, migrace Úloha: U438A, BI: Zavedení do provozu, migrace Cíl (MBI, 2014): „Zajistit vytvoření provozního prostředí pro ETL, datové sklady, datová tržiště, OLAP databáze, aplikace a další součásti BI řešení.” Tato úloha je finální v projektu implementace cloudového BI řešení. Cloudové specifikum je zejména ve vzdáleném přístupu a obvykle je dodávána poskytovatelem.

55

Společnost tak nemusí vynaložit při vlastní implementaci své lidské zdroje. Důležitým předpokladem však je důsledně provedená analýza a správnost návrhu řešení. Tabulka 14 – Faktor cloudu v úloze Zavedení do provozu, migrace (Zdroj (Autor) a (MBI, 2014))

Id. faktoru 111 (BI v cloudu)

112 (SaaS BI)

Síla vlivu faktoru na Poznámky úlohu 3 Faktor ovlivňuje zavedení a migraci zásadně. Vytváří se v cloudovém prostředí. Předpokladem je správně provedená analýza a návrh řešení a následná implementace. 2 Tato úloha je prováděna zejména ze strany poskytovatele, faktor cloudu z pohledu zákazníka tak má pouze malý vliv. Nasazení takového SaaS BI řešení je snadné a rychlé.

4.4.2 Strategie návratu Ať se může zdát model cloudu jako samospasitelný, autoři článku o cloudovém BI (Menon, a další, 2012) doporučují ponechat si zadní vrátka pro návrat k původnímu řešení pro případ, že cloudové řešení se nepovede implementovat nebo je jeho funkcionalita zcela nevyhovující a eventuální náprava je prakticky neuskutečnitelná nebo nevýhodná (vysoké náklady, špatný koncept, atp.). V tomto případě je také důležité určit konkrétního viníka (dodavatel, integrátor apod.) a případnou ztrátu kompenzovat.

56

5 Volba a srovnání řešení V této části práce je provedeno srovnání BI řešení. Data pro srovnání jsou čerpána převážně z oficiálních stránek poskytovatelů a zkušebních verzí daných řešení. Cílem je poukázat na různorodá řešení a vzájemně porovnat přístup, kterým se poskytovatel daného řešení vydal a odlišil od konkurence. Výstupem není volba nejlepšího řešení, nýbrž obecné srovnání řešení, které je možné analogicky aplikovat i na další BI řešení. Pozornost je věnována zejména uživatelskému přístupu, nikoliv technickým specifikacím jednotlivých řešení (koncový uživatel vidí pouze vizuální stránku a funkční mu je skryta). U každého řešení je základně popsána funkcionalita a zaměření konkrétního nástroje, případně další zajímavosti. Významným ukazatelem je již zmiňovaný průzkum společnosti Gartner (Sallam, a další, 2014), který na základě zkušeností zákazníků hodnotil jednotlivá řešení a jejich poskytovatele. Nejprve je však vhodné uvést, jakým způsobem vybrat poskytovatele řešení.

5.1 Výběr poskytovatele Výběr poskytovatele je další fází při zavádění jakýchkoliv systémů. V případě cloudu se může postup v mnohém lišit. Hlavním rozdílem může být fakt, že se zákazník s poskytovatelem/dodavatelem služby nikdy fyzicky nepotká a komunikují nanejvýš pomocí telefonu15 (především pro model SaaS). Samozřejmě taková situace může nastat i u klasického řešení, lze však říci, že je v případě IS spíše výjimečná. Na tomto místě je nutné dodat, že na základě autorových zkušeností jsou poskytovatelé velice aktivní v prvotní fázi získávání zákazníků. Bohužel nemohlo být ověřeno, jakým způsobem probíhá komunikace se stávajícím zákazníkem. Lze ale očekávat, že v současném konkurenčním prostředí si poskytovatel nemůže dovolit být neaktivní. Dnešní doba velice nahrává malým firmám a startupům. Oblast cloud BI není výjimkou a lze se setkat jak se zavedenými společnostmi, tak i s těmi, které se teprve „rodí“. Oba druhy mají určité výhody a nevýhody. Zavedená společnost zřejmě bude poskytovat běžnou funkcionalitu, jistotu budoucího rozvoje a podpory, naopak menší společnosti přináší do

15

Pozn. autora: Při vlastním testování různých cloudových BI řešení, které vyžadují pro zkušební přístup registraci, byl autor v téměř všech případech kontaktován pomocí telefonu nebo emailu danou společností. Typicky se zajímaly o spokojenost s testovaným BI nástrojem, účel testování a hlavní důraz byl kladen na pomoc s využitím programu, případně na vyvstalé problémy.

57

odvětví novinky a do určité míry mohou poskytnout konkurenční výhodu. Řešení od zavedených společností novinky integrují až s určitým časovým odstupem. Vyhledáváním v internetových zdrojích je možno najít mnoho tipů a příkladů otázek checklistů16, co brát v úvahu při volbě poskytovatele. Z autorova pohledu nejlépe zpracovaný checklist se nachází v příloze této práce (Příloha 1). Na základě (Isutility, 2014) lze říci, že je třeba se zabývat následujícími oblastmi: 

renomé společnosti,



nabízené služby a plnění norem a standardů,



cenová politika,



zabezpečení,



technická podpora,



obnovení po havárii.

5.2 Srovnání BI řešení 5.2.1 GoodData V této práci bylo řešení od poskytovatele GoodData již několikrát zmiňováno. GoodData je navíc původně české řešení, což je rozhodně ukázka toho, že kvalitní IT řešení se nemusí rodit pouze ve Spojených státech amerických. Pro zařazení řešení od GoodData do srovnání v této práci se kromě původu a obecném povědomí podílela i dostupnost vhodného zdroje – článku od Martina Hapla (Hapl, 2010) o volbě platformy při vzniku společnosti, na které GoodData dnes funguje. Na základě tohoto článku si lze představit komplexnost, ale na druhé straně i jednoduchost tohoto řešení. Podobné popisy jednotlivých řešení jsou velice obtížně dostupné, z tohoto důvodu autor této práce spatřuje příležitost čtenáře stručně seznámit s řešením GoodData na základě zmíněného článku a poukázat tak hlouběji na podstatu tohoto řešení.

16

Checklisty provedou pracovníky zodpovědného za výběr poskytovatele/řešení otázkami a napoví okolnosti, na které je nutné brát zřetel. Odkazy na některé checklisty pro výběr cloud poskytovatele:  http://info.isutility.com/cloud-computing-provider-checklist/  https://www.cisco.com/web/about/doing_business/legal/privacy_compliance/docs/CloudComplianc eChecklist.pdf Checklist pro výběř BI poskytovatele:  http://www.m87systems.com/Assets/BIRequirementsChecklist.pdf

58

GoodData využívá varianty č. 2, představené v kapitole 4.1 Architektury cloudového BI. Řešení je založeno na IaaS platformě od Amazonu AWS (Amazon Web Services), která řešení umožňuje využívat veškeré výhody „neomezeného“ výpočetního cloudu výkonu (Amazon Elastic Compute Cloud) bez nákladů na údržbu fyzického hardwaru. Zároveň tento veřejný cloud slouží i pro uložení dat (Amazon S3). Na této infrastruktuře pak je pomocí nespecifikovaných aplikací třetích stran vytvořeno prostředí pro komponenty BI řešení. Vrstvy, ze kterých je složeno celé řešení, jsou zobrazeny na následujícím obrázku (Obrázek 14).

Obrázek 14 – Vrstvy BI řešení GoodData (Zdroj (Hapl, 2010))

V kapitole 3.1.1 Architektura BI a zpracování dat byla popsána a pomocí názorného diagramu (Obrázek 1) zobrazena základní architektura BI řešení. Obrázek 14 na první pohled nevypadá, že by s původně prezentovanou klasickou architekturou měl něco společného, ale jde pouze o rozdílné pojaté znázornění u obou diagramů. Tímto lze demonstrovat, že obecná architektura BI je aplikovatelná i na dnešní cloudová řešení. Rozdíly existují u některých komponent, které se přizpůsobují cloudovému přístupu. Jednou ze zásadní výhod GoodData je jeho integrace v rámci dalších cloudových aplikací17. GoodData poskytuje propracované API, které umožní integraci dat přímo z GoodData do jiného nástroje. Hapl uvádí především cloudový CRM produkt Salesforce.com, 17

Seznam všech podporovaných řešení a formátů v tomto odkazu http://info.GoodData.com/rs/GoodData/images/GoodData_DataSources.pdf

59

kdy je přímo ve webovém uživatelském prostředí Saleforce.com dostupná záložka GoodData a veškerá data zde zobrazená pochází přímo z tohoto řešení GoodData. GoodData také může poskytovat jiné aplikaci pouze hrubá data a tato aplikace pak data zpracuje/vykreslí na základě vlastní funkcionality. GoodData řešení tak není pouze vizualizační nástroj pro reporty a dashbordy, ale plnohodnotné BI řešení. GoodData samozřejmě nabízí i 30 denní zkušební trial verzi. Po registraci do je uživateli představeno základní rozložení ovládacích prvků a jejich funkce. Uživatel je krok po kroku prováděn přes jednotlivé komponenty. Tvorba reportů a dashbordů je následně prezentována na vloženém instruktážním videu. Poté již aplikace nabádá k nahrání testovacích dat. Trial verze řešení GoodData nabízí pro testování import dat pouze ve formátu CSV18. Z tohoto důvodu nebylo možno vyzkoušet podrobněji práci se zdrojovými daty. Po importování zkušebních dat aplikace automaticky nabídne velký počet kombinací různých reportů v předpřipraveném dashboardu, který lze dále přizpůsobovat, viz zobrazení údajů pro Českou republiku (Obrázek 15).

Obrázek 15 – Dashboard řešení GoodData (Zdroj (Autor))

Mnohé z reportů jsou zcela nepoužitelné (například report počítající součet id 19), avšak některé jsou vesměs použitelné a po nenáročném přizpůsobení je možné je využít jako jeden z prvků dashboardu. Lze samozřejmě vytvořit i report zcela podle vlastní představy. Slouží 18

Testovací data byla získána z generátoru náhodných CSV záznamů Mockaroo. Webové stránky nástroje: http://www.mockaroo.com/. Zkušební soubor obsahoval tyto položky: id, company, country, profit. Bylo vygenerováno 1000 záznamů. 19 id je třeba specifikovat jako Text.

60

k tomu nástroj na jejich tvorbu. Uživatel specifikuje, co a jak chce zobrazit, případně je možno přidat filtr. Pro základní srovnání jsou automaticky nabídnuty dimenze času. Na základě importovaných dat si uživatel v menu zvolí potřebný ukazatel a jeho hodnotu viz report ukazující zisk jednotlivých zemí (Obrázek 16), v reportu je taktéž použit filtr zobrazující pouze země s profitem větším než 3000.

Obrázek 16 – Report v řešení GoodData (Zdroj (Autor))

Prostředí je relativně svižné a zpracovávání dat nebo generování grafů je uživateli indikováno grafickým prvkem v podobě rotujících paprsků v kruhu (podobně jako tomu je u operačních systémů). Dle autorových pozorování se data zobrazí během 1-5 sekund podle typu grafu a množství prvků. Autor se domnívá, že nemožnost nahrát do trial verze jiná data než-li z CSV souboru velmi limituje možnost jeho testování. Avšak jedná se snad o jedinou výtku k tomuto řešení. 5.2.2 Tableau Další aplikací do srovnání je nástroj Tableau, který je v průzkumu společnosti Gartner hodnocen velmi kladně a samotný Gartner na základě hodnocení v dříve uvedeném grafu

61

(Obrázek 5) označuje toto řešení za lídra mezi novými poskytovateli20. Jestliže GoodData je plnohodnotné BI řešení, Tableau je zaměřeno zejména na vizualizaci dat. Poskytovatel nabízí jak klasické řešení založené na produktech Tableau Desktop a Tableau Server, tak i cloudové řešení pod názvem Tableau Online. V klasické variantě je Table Desktop klientským nástrojem pro tvorbu reportů a dashbordů, které lze pomocí Tableau Serveru poskytovat i na další zařízení, kterým postačí webový prohlížeč. V tomto případě je samozřejmě zapotřebí vlastní infrastruktura. V kontextu této práce je tak vhodnější představit Tableau Online21, jež integruje funkcionality obou on-premise produktů (desktop a server) skrze webové prostředí. Webový klient je téměř přesnou kopií desktopového klienta, viz (Obrázek 17).

Obrázek 17 – Porovnání GUI Tableau Online vlevo (Zdroj (Smithee, 2013)) a Tableau Desktop (Zdroj (Autor))

Tableau Online patří do stejné skupiny nástrojů jako dříve prezentované řešení od InetSoftu. Nabízí tedy pouze analytickou a prezentační část BI. Řešení je vhodné pro jednoduché statistiky a reporty nad strukturovanými daty. Tableau čerpá data z externích datových zdrojů, kterými mohou být různé databáze, datové sklady, jiná (cloudová) řešení, případně soubory ve formátech MS Excel, TXT, CSV, XML, atd. Diagram architektury řešení Tableau demonstruje (Obrázek 18). Na obrázku lze vidět on-premise produkty a další možné elementy, z nichž se celé řešení skládá. V případě řešení Tableau Online by byly v diagramu

20

Tato společnost funguje od roku 2003, nicméně od zavedených společností se liší nižším počtem zaměstnanců, kterých je k prosinci 2013 1 212, oproti SAPu s téměř 65 000 (SAP nabízí mnohá další řešení, počet tak nelze zcela přesně porovnat). 21 Trial verze se bohužel vztahuje pouze na Tableau Desktop a Server, není tak možné řešení Tableau Online pro účel této práce vyzkoušet.

62

nahrazeny produkty Tableau Desktop a Server právě tímto řešením. Jak již bylo zmíněno, cloudové řešení zastane všechny on-premise funkce.

Obrázek 18 – Architektura řešení Tableau Desktop, Server (Online) (Zdroj (Metric, 2014))

Jak již bylo zmíněno, cloudové řešení je zcela postaveno na základech klasického, viz (Obrázek 17) výše, Tableau tímto řešením bravurně zjednodušuje dilema mezi klasickým a cloudovým modelem. Společnostem využívajícím původně pouze klasické řešení tak Tableau nabízí možnost snadného přechodu do cloudu. Zároveň nabízí společnostem, které do cloudového prostředí nechtějí nyní vstupovat, možnost klasického řešení s možností pozdějšího přechodu. Jak již bylo zmíněno v poznámce pod čarou č. 21, Tableau poskytuje zkušební verzi pouze desktopového klienta. Oproti řešení od GoodData, které zobrazí ihned po spuštění průvodce v prostředí, je uživateli Tableau Desktop nabídnuty titěrné a těžko viditelné odkazy vedoucí na instruktážní videa. Nutno podotknout, že tato videa (cca 30 videí dlouhých 3-20 minut) jsou velice kvalitně zpracována. Společnost také nabízí zdarma živý trénink trvající přibližně hodinu. Přímo v aplikaci jsou k dispozici pouze ukázkové reporty. Samotný program se pak již ovládá intuitivně. Pro zdrojová data je připravena řada konektorů 22. Tvorba reportů je pak velice podobná té v aplikaci GoodData, což demonstruje vpravo umístěný snímek obrazovky na (Obrázku 17). Kdy je taktéž sledován zisk podle jednotlivých zemí s aplikovaným filtrem, podobně jako v příkladu u řešení GoodData. Desktopová trial verze 22

Autorovi se nepodařilo importovat stejné CSV, které bylo importováno do řešení GoodData. Aplikace hlásila blíže nespecifikovanou chybu ověření připojení k SQL. Z tohoto důvodu byla pro prezentaci použita předpřipravená data.

63

reagovala a generovala grafy mnohem rychleji než webové řešení od GoodData, avšak tento rozdíl by byl s největší pravděpodobností smazán při použití webového GUI Tableau Online. Nebýt problémů s importováním CSV souboru, byl by tento nástroj pro základní použití bez chyby. 5.2.3 SAP Business Objects SAP je jedním z klíčových hráčů na trhu BI, neboť nabízí kromě BI nástrojů také podnikové informační systémy ERP, kde SAP dlouhá léta dominuje s celou čtvrtinou podílu na trhu těchto řešení (více o podílech jednotlivých řešení v kapitole 3.1.4 Situace na trhu). Nicméně konkurence rozhodně nezahálí a například na poli CRM se SAPu zmenšil podíl na desetinu trhu, naopak zde dominuje cloudové CRM řešení Salesforce. Předpovědět podobný trend i cloudovému BI se zdá být nasnadě, neboť BI a CRM nabízí ve své analytické části podobnou funkcionalitu jako BI (bonitnost zákazníků, zaměření reklamní kampaní). Z výše uvedených důvodu nepřekvapí, že společnosti mající ERP systém od společnosti SAP, sáhnou i v případě BI pro řešení od stejného poskytovatele. Na základě průzkum společnosti Gartner (Sallam, a další, 2014) lze shledat v tomto řešení nedostatky. Průzkum například konstatuje, že řešení postrádá propracovanou prediktivní analýzu dat, v tomto kontextu je však třeba dodat, že společnost SAP v roce 2013 získala dva startupy zaměřené právě na tuto oblast. Dále je zmíněno nízké porozumění byznysu ze strany podpory poskytovatele SAP, což se v tomto ohledu jeví jako velmi závažný problém. Zdá se tedy, že společnost SAP má hodně co dělat, aby její služby byly na úrovni cloudové konkurence. Využívá k tomu především akvizice startupů, které zařazuje do svého portfolia. SAP tak již kromě klasického BI řešení SAP Business Objects experimentuje i s cloudovým SAP Lumira. Tyto nedostatky nicméně stále neubírají na kreditu společnosti, kterým se může SAP chlubit zejména u velkých organizací. SAP Business Objects řešení se skládá z několika komponent. Zmíněné akvizice startupů přidávají do portfolia nové komponenty, jejichž funkcionalita se často překrývá s původními. Základní desktopová verze nabízí nástroje Crystal reports – pro tvorbu reportů, Xcelious – pro tvorbu dashboardů, Web Intelligence – pro tvorbu ad-hoc reportů (nejvíce podobné cloudovým BI aplikacím, neboť nabízí přístup přes webového klienta a tvorbu reportů pro pracovníky bez hlubokých IT znalostí přímo v prohlížeči) a Explorer – pro data 64

mining. Mezi komponenty s překrývající funkcionalitou pak patří SAP Lumira – desktopové i cloudové BI analytické a vizualizační řešení podobné tomu od Tableau. SAP nabízí jednoznačně nejkomplikovanější dostupnost trialové verze. Prvním důvodem je zdlouhavá registrace a dlouhá doba čekání na potvrzující email o registraci 23. Uživateli je pak nabídnuto několik verzí bez patřičného komentáře. Dalším důvodem je relativně velká velikost stahovaných souborů přes 1 GB a dostupnost pro 64-bitový systém Windows Server. Autorovi se tak toto řešení nepovedlo vyzkoušet. Pro základní popis tak byl zvolen video tutoriál, kterých se pro SAP řešení nachází na internetu mnoho. Desktopové řešení nabízí pro koncové pracovníky sadu komponent pro veškerou analýzu a vizualizaci dat. Z video tutoriálu se nástroj jeví jako standardní aplikace operačního systému Windows. Oproti cloud řešení postrádá pestrobarevné prvky v uživatelském prostředí a obecně se zde nachází mnohem více možností pro nastavení programu, úpravu dat, jež mohou způsobit nepřehlednost ovládacích prvků, která je pro začátečníka matoucí. Zmiňovaný průzkum poukazuje na složitější tvorbu reportů a analýz, autor nicméně tuto skutečnost nesledoval. Z tutoriálu bylo možné vypozorovat velmi podobnou funkcionalitu v oblasti tvorby reportů a dashboardů. Sestavování reportů probíhá vesměs formou drag-and-drop jako v ostatních řešeních. Odlišnosti jsou minimální. GoodData například nabízí automatickou tvorbu dashboardů z existujících reportů. Tableau zase velký počet grafických prvků pro reprezentaci dat. Pro příklad lze na níže uvedeném obrázku (Obrázek 19) vidět tvorbu dashboardu. Obrazovka je rozdělena do několika sekcí – navigace horní panel, prvky dashboardu panel vlevo, parametry užitých prvků v dashboardu panel vpravo, zdrojová data uprostřed dole, uprostřed samotný dashboard.

23

Autorovi přišel tento email až druhý den, oproti ostatním řešením s téměř okamžitým doručením.

65

Obrázek 19 – Ukázka tvorby dashbordu v aplikaci SAP (Zdroj (SAP-School, 2013))

5.3 Zhodnocení a doporučení Zde srovnávaná řešení se liší komponentami, nabízenými modely nasazení, zaměřením na typ zákazníka. GoodData je nástroj nabízející komplexní řešení se všemi komponentami potřebnými pro nasazení robustního BI. Vhodnost tohoto řešení lze vidět pro rostoucí malé a střední organizace, které dosud žádný BI nástroj nevyužívají či chtějí nástroj změnit. Tableau je naopak řešení poskytující pouze specializovanou komponentu BI, avšak tu nejvíce viditelnou – analytickou, vizualizační a prezentační část, ostatní komponenty BI tak musí být vytvořeny na základě jiných řešení. Může tak být snadno využit DWH existujícího on-premise řešení, kde je třeba vylepšit dostupnost například pro mobilní zařízení a Tableau nabízející cloudového klienta tento úkol zastane dostatečně. Toto řešení je vhodné do jakéhokoliv typu a velikosti organizace. SAP nabízí komplexní BI řešení, ale lze využívat i specializované komponenty samostatně. Ve srovnání výše to byly například komponenty pro vizualizaci, podobně jako v případě Tableau. Dle autora se bude stále prosazovat u velkých organizací, které potřebují silného partnera a nemohou si dovolit svěřit implementaci BI systému malému poskytovateli. V takovém případě chybí jistota neustálé podpory, zabezpečení atd. Lze říci, že toto řešení tak více než nejlepší funkcionalitu nabízí standardní řešení, avšak s velkou jistotou pro potencionálního zákazníka. 66

Autor se domnívá, že v rovině analytické a prezentační jsou si nabízená řešení velice podobná a ať si zvolí společnost jakékoliv řešení, její potřebě pro tvorbu reportů, dashboardů a jiných analytických komponent dostojí všechna tato řešení.

67

6 Závěr Business Intelligence řešení využívající rozmachu cloudových technologií jsou charakteristické svou elasticitou a škálovatelností, přístupem z webového prostředí a systémem plateb za skutečně využité zdroje Pay as you go. I přes tyto výhody je klasický onpremise model stále využíván a nelze ho považovat za zastaralý. Analyzovat tento kontrast mezi klasickým a cloudovým BI byl definován jako hlavní cíl této práce. Tématu se věnovala kapitola 3 Business intelligence a modely nasazení, kde jsem vzájemně porovnával oba tyto modely a poukazoval na výhody a nevýhody a na jejich architektonické, bezpečnostní, uživatelské a finančním rozdíly. Ukázal jsem na odlišnosti při využívání komponent v cloudovém BI – absence ODS, fyzického datového tržiště, ukázal jsem vhodnost ETL komponenty využívající filosofie cloud computing. Cílem nebylo vybrat jeden z modelů, spíše přiblížit situace, pro které se konkrétní řešení jeví jako vhodnější. Formulováním otázek a shrnutím vlivů jsem čtenáři v kapitole 4 Architektury a integrace cloud BI poskytl vodítko při volbě modelu nasazení. Čtenář může na základě představených variant identifikovat, za jaké situace je pro něj vhodnější varianta klasická, cloudová, případně jejich kombinace, což byl další z definovaných cílů. V téže části práce dále analyzuji faktor cloudového BI a posuzuji jeho vliv na jednotlivé fáze implementace BI. Tyto faktory jsem definoval a rozšířil jsem jimi model MBI. Zjistil jsem, že některé fáze jsou faktorem cloudu ovlivněny zásadně a některé naopak zcela vůbec. Závěrečným cílem bylo srovnání vybraných řešení, které je zpracováno v kapitole 5 Srovnání různých BI řešení, kde jsou čtenáři představeny tři koncepty BI řešení (komplexní BI v cloudu, SaaS BI a klasické BI) na skutečných řešeních. Před samotným srovnáním jsou čtenáři představeny tzv. checklisty, jež jsou vhodným doplňkem pro výběr poskytovatele řešení. Samotné srovnání obsahují základní popis řešení, princip jeho ovládání a zaměření na konkrétní typ organizace. Jako přílohy této práce (Přílohy 2 – 4) jsou uvedeny formuláře aplikace modelu MBI, které shrnují dané řešení a uvádí základní odkazy na oficiální stránky, zkušební verze a školení a usnadňují tak úvodní orientaci a první použití konkrétního řešení. Na základě uvedeného souhrnu dosažených cílů je přínosem této práce obeznámení čtenáře s problematikou klasických a cloudových modelů nasazení BI, specifik cloudového modelu, aspektů při výběru modelu nasazení a poskytovatele. Dalším přínosem je rozšíření 68

modelu MBI o faktory ovlivňující jednotlivé fáze implementace cloudového BI a stručné představení třech různě zaměřených BI řešení. Tyto informace mohou být využity pro snadnější orientaci v daných řešeních. Všechny v úvodu definované cíle, výstupy a přínosy tak byly touto prací splněny. Tato práce zasahuje do oblasti cloudového BI velice zeširoka, budoucím rozšířením by tak mohla být konkretizace zejména na oblast implementace v modelch PaaS a IaaS, neboť SaaS oblasti se již věnuje relativně hodně prací.

69

Terminologický slovník pojmů Termín Ad-hoc reporting

Zkratka -

Application Programming Interface

API

Business Intelligence

BI

Cloud computing

Cloud

Capability Maturity Model Integration

CMMI

Dashboard

-

Data mining

-

Datový sklad

DWH

Elasticity

-

Enterprise ressource planning

ERP

Datové pumpy

ETL

Informační systém

IS

Význam (Zdroj) V terminologii této práce se jedná o bezprostředně zpracované reporty. (Autor) API je sada programovacích instrukcí a standardů pro přístup k softwarové aplikaci nebo webový nástroj. Softwarová firma vydává své API pro svůj produkt veřejnosti, takže ostatní vývojáři softwaru mohou navrhovat produkty, které jsou napojeny na jeho služby. Volně přeloženo z (Roos, 2007) Sada procesů, aplikací a technologií, jejichž cílem je účinně a účelně podporovat rozhodovací procesy ve firmě. Podporují analytické a plánovací činnosti podniků a organizací a jsou postaveny na principech multidimenzionálních pohledů na podniková data. (Novotný, a další, 2005 str. 19) Model nasazení SW, který je provozován vzdáleně u poskytovatele a uživatelům nabízí škálovatelný a elastický výkon a neustálou dostupnost nejnovější verze softwaru. Uživatel přistupuje přes uživatelský interface (obvykle webový prohlížeč). (Autor) Model zralosti procesů, má 5 úrovní a hodnotí se prostřednictvím auditu. Určuje vyspělost procesu ve společnosti. (Autor) Vizuální zobrazení nejdůležitějších informací na jednom místě, podobné přístrojové desce automobilu. Jeho součástí jsou jednotlivé reporty. (Greif, 2013) Data miningem lze definovat jako „získávání dosud neznámých, ověřených a použitelných znalostí z rozsáhlých databází pro provádění klíčových podnikatelských rozhodnutí.“ (Šály, 2001) Datový sklad (angl. Data warehouse) je databáze, která slouží pro reporting a analýzu dat. Integruje data z jednoho nebo více různých zdrojů vytváří tak centrální úložiště dat. Datové sklady ukládají aktuální a historická data a jsou používány pro vytváření reportů pro management jako jsou roční a čtvrtletní srovnání. (Wikipedia, 2014) „Elasticita v cloudu je schopnost systému/aplikace přizpůsobit se aktuálnímu vytížení a poskytnout potřebné prostředky pro aktuální poptávku.“ Volně přeloženo z (Wikipedia, 2014) „Enterprise Resource Planning (ERP) je informační systém, který integruje a automatizuje velké množství procesů souvisejících s relevantními činnostmi podniku. Typicky se jedná o výrobu, logistiku, distribuci, správu majetku, prodej, fakturaci a účetnictví.“ (Wikipedia, 2014) Datová pumpa (angl. Extract, tranform, load) je systém pro extrakci, transformaci a přenos dat mezi produkčními systémy a datovým skladem. (Autor) V kontextu IT je pod tímto pojmem chápán jako soubor počítačových aplikací v organizaci, které podporují jeho činnost. (Autor)

70

Termín

Zkratka

Význam (Zdroj)

Infrastructure/ Platform/ Software as a Service

IaaS/ PaaS/ SaaS

„IaaS (Infrastructure as a Service): infrastruktura jako služba: Poskytování výpočetní infrastruktury (typicky virtuálního stroje s odpovídajícím úložným prostorem a síťovou konektivitou) formou služby. Klient se nemusí starat o údržbu a provoz hardwaru. PaaS (Platform as a Service): platforma jako služba: Poskytnutí výpočetní a softwarové infrastruktury formou služby. Součástí je nejen samotný hardware, ale také tzv. solution stack, tedy software potřebný k provozu vlastních aplikací. Solution stack bude typicky zahrnovat operační systém a softwarový ekosystém dle potřeby – např. webový server, databázový server apod. Klient se nemusí zabývat provozem platformy, řeší pouze instalaci, provoz a údržbu své aplikace. SaaS (Software as a Service): software jako služba: Poskytování softwarové aplikace prostřednictvím internetu tak, že aplikace běží na serverech poskytovatele služby. Klient se nemusí zabývat instalací, správou ani údržbou této aplikace.“ Zdroj (BusinessIT, 2014)

Malý, střední a velký podnik

-

Management Byznys Informatiky

MBI

Middleware

-

On-demand

-

On-premise

-

Outsourcing

-

Reporting

-

Startup

-

Structured Query Language

SQL

Dotazovací jazyk používající se v relačních databázích. (Autor)

-

„Škálovatelnost neboli rozšiřitelnost je žádoucí vlastnost systému, sítě nebo procesu – schopnost pracovat s náhlými změnami potřeby obsluhy čili zvyšovat sledované parametry v případě, že taková potřeba nastane. V užším smyslu je to nejenom schopnost vydržet náhlou zátěž, ale též hospodárnost, pokud vysoký výkon aktuálně není potřeba.“ (Wikipedia, 2013)

Škálovatelnost

Malý podnik je obchodní útvar s méně než 50 zaměstnanci, střední podnik pak má méně než 250 zaměstnanců. Více než 250 platí pro podnik velký. (Autor) MBI (angl. Management of Business Informatics) je referenční model obsahující zobecněné principy a postupy v řízení a řešení provozu a rozvoje podnikové informatiky. Jeho smyslem je presentovat, sdílet a využívat znalosti, zkušenosti, doporučení vyplývající z praxe, analytických studií a z dalších zdrojů v informatice. (MBI, 2014) Software zjednodušující propojení softwarových komponent mezi sebou. (Autor) Označení pro dostupnost softwarových služeb, výpočetního výkonu, diskové kapacity na požádání, tj. ve chvílích jejich potřeby. Ondemand řešení jsou vesměs provozována v modelu cloud computing. (Autor) Označení pro komponenty a software náležící do vlastního prostředí společnosti (vlastní server). (Autor) V IT terminologii se jedná o vytěsňování služeb provozovaných lokálně do provozu cizího. Provozovatel (dodavatel) je na základě smlouvy zodpovědný za provoz vytěsněného SW, HW, atp. (Autor) Reporting vytváří analytické souhrny, požadovaných ukazatelů, které jsou připraveny k tisku a parametrizovatelné. (Atkinson, 2014) (Rivera, 2013) Výstupem jsou reporty. (Autor) „Startup (též start up či start-up) je pojem označující nově vznikající projekt či začínající firmu často ještě ve fázi tvorby podnikatelského záměru.“ (Wikipedia, 2013)

71

Citovaná literatura Ali, Arshad. 2009. Designing an ODS with high availability and consistency. [Online] 2009. [Citace: 29. 1 2014.] http://download.microsoft.com/download/C/9/B/C9BC9572-992B-4937-9B73-0B1B3D7308F1/AliDesigning_ODS_with_high_availability_and_consistency.pdf. Alza. 2013. Historie a současnost. Alza.cz. [Online] 2013. [Citace: 26. 11 2013.] http://www.alza.cz/historie-asoucasnost-art141.htm. Atkinson, Doug. 2014. Gartner Business Intelligence Magic Quadrant: Winners & Losers 2014. Solutions Review. [Online] 2. 3 2014. [Citace: 7. 3 2014.] http://solutions-review.com/blog/gartner-business-intelligencemagic-quadrant-winners-losers-2014-2/. Bibi, Stamatia, Katsaros, Dimitrios a Bozanis, Panayiotis. 2012. Business Application Acqusition: On-Premise or SaaS-Based Solutions? [Online] 5. 2012. [Citace: 5. 10. 2013.] doi: 10.1109/MS.2011.119. Ročník 29. číslo 3. s. 86-93. Bilderbeek, Pim. 2011. Four Hybrid IT Environments: It Is Not Just About Hybrid Cloud! Bilderbeek consulting. [Online] 23. 2 2011. [Citace: 15. 3 2014.] http://www.bilderbeekconsulting.com/2011/02/four-hybrid-itenvironments-it-is-not-just-about-hybrid-cloud/. Bord, Mike. 2010. Data Mashups - presentation. InetSoft Technology Corp. . [Online] 5. 5 2010. [Citace: 5. 2 2014.] http://www.slideshare.net/MikeBord/inetsoft-self-learning-data-mashups-may10. BusinessIT. 2014. Cloud Computing: Slovník pojmů. BusinessIT.cz. [Online] 2014. [Citace: 20. 4 2014.] http://www.businessit.cz/cz/cloud-computing-slovnik-pojmu-saas-paas-iaas.php. Claybrook, Bill. 2012. On-premises vs. SaaS: Making the choice. SearchCloudApplications. [Online] 30. 7 2012. [Citace: 29. 1 2014.] http://searchcloudapplications.techtarget.com/tutorial/On-premises-vs-SaaS-Making-thechoice. Eckerson, Wayne. 2005. The Keys to Enterprise Business: Critical Success Factors. [Online] 6 2005. [Citace: 7. 3 2014.] http://download.101com.com/pub/TDWI/Files/TDWIMonograph2-BO.pdf. Evelson, Boris. 2012. To Be (To Cloud) Or Not To Be (Not To Cloud) BI. Boris Evelson's Blog. [Online] 16. 2 2012. [Citace: 3. 2 2014.] http://blogs.forrester.com/boris_evelson/12-02-16to_be_to_cloud_or_not_to_be_not_to_cloud_bi. Filipčík, Zdeněk. 2013. Nástroje Business Intelligence jako Open Source. [Online] 2013. [Citace: 11. 11 2013.] https://www.vse.cz/vskp/34862_nastroje_business_intelligence_jako_open_source. Vedoucí práce: Pour, Jan; doc. Ing., CSc.. Forman, Richards Sandi. 2013. Cloud BI vs On-premise BI. Bio4Analytics. [Online] 22. 8 2013. [Citace: 27. 1 2014.] http://www.bio4analytics.com/index.php/news-a-resources/easyblog/entry/cloud-bi-vs-on-premise-bi. GoodData. 2014. Preparing a Data Loading Process. GoodData. [Online] 2014. [Citace: 22. 3 2014.] https://developer.gooddata.com/getting-started/tutorial/preparing-data-loading-process. Goodwin, Bill. 2011. Poor communication to blame for business intelligence failure, says Gartner. ComputerWeekly.com. [Online] 10. 1 2011. [Citace: 14. 10 2013.] http://www.computerweekly.com/news/1280094776/Poor-communication-to-blame-for-businessintelligence-failure-says-Gartner. Goul, Michael. 2009. Internal Data Cloud Sandboxes: The New Data Marts. Ebiz. [Online] 11. 5 2009. [Citace: 10. 3 2014.] http://www.ebizq.net/topics/soa_management/features/1185.html. Greif, Tomáš. 2013. Co je dashboard. [Online] http://analytikdat.cz/index.php/entry/co-je-dashboard.

15.

2

2013.

[Citace:

7.

4

2014.]

72

Grombíř, Jakub. 2013. Business Intelligence a Cloudové technologie. [Online] 2013. [Citace: 11. 11 2013.] http://www.vse.cz/vskp/36955_business_intelligence_a%C2%A0cloudove_technologie. Vedoucí práce: Pour, Jan; doc. Ing., CSc.. Guardian. 2014. Why cloud computing is perfect for small businesses. Guardian News. [Online] 2014. [Citace: 7. 3 2014.] http://www.theguardian.com/media-network/partner-zone-microsoft/cloud-computing-perfectsmall-businesses. Hapl, Martin. 2010. Implementace SaaS BI Platformy v Cloudu. GoodData, s.r.o. [Online] 2010. [Citace: 9. 3 2014.] http://si.vse.cz/archive/proceedings/2010/hapl-implementace-saas-bi-platformy-v-cloudu.pdf. SYSTEMS INTEGRATION 2010. s. 190 - 197. Henrichsen, Nikolaj. 2012. What are the benefits of business intelligence? Business Intelligence Tutorial. [Online] 2012. [Citace: 15. 10 2013.] http://businessintelligencetutorial.blogspot.cz/2010/07/33-what-arebenefits-of-business.html. Hrabáček, Jan. 2006. Operační datový sklad nabízí integraci znalostí. SystemOnline. [Online] 2006. [Citace: 15. 2 2014.] http://www.systemonline.cz/business-intelligence/operacni-datovy-sklad-nabizi-integraci-znalosti.htm. InetSoft. 2014. InetSoft Technology: Business Intelligence Without ETL or a Data Warehouse. InetSoft Technology Corp. . [Online] 2014. [Citace: 5. 2 2014.] http://www.inetsoft.com/company/biwithoutetl/. InetSoft. 2013. White Paper: End-user defined data mashup. InetSoft Technology Corporation. [Online] 2013. [Citace: 5. 2 2014.] http://www.inetsoft.com/dl/docs/index.jsp?wp=Data_Mashup.pdf. Isutility. 2014. 35-Point Cloud Computing Vendor Checklist and Comparison Chart. IsUtility®. [Online] 2014. [Citace: 30. 3 2014.] http://info.isutility.com/cloud-computing-provider-checklist/. Košata, Václav. 2011. Srovnání řešení BI na bázi SaaS. Vysoká škola ekonomická v Praze. [Online] 2011. [Citace: 13. 11 2013.] http://www.vse.cz/vskp/31896_srovnani_reseni_bi_na_bazi_saas. Vedoucí práce: Novotný, Ota; doc. Ing., Ph.D.. Margaris, Nikos a Feuerlicht, George. 2012. Cloud Computing Adoption: A comparative study. Published by WSEAS Press. [Online] 2012. [Citace: 8. 3 2014.] http://www.wseas.us/elibrary/conferences/2012/Vienna/COMPUTERS/COMPUTERS-71.pdf. ISBN: 978-1-61804-134-0. s. 441-448.. Markarian, James, Brobst, Stephan a Bedell, Jeff. 2007. Critical Success Factors Deploying Pervasive BI. Informatica, Teradata, MicroStrategy. [Online] 9 2007. [Citace: 21. 10 2013.] https://www.microstrategy.com/Strategy/media/downloads/solutions/Pervasive-BI.pdf. MBI. 2014. Management Byznys Informatiky. [Online] 2014. [Citace: 24. 3 2014.] http://mbi.vse.cz. MBI. 2014. Uživatelská příručka MBI (help). Management Byznys Informatiky. [Online] 16. 1 2014. [Citace: 25. 3 2014.] http://mbi.vse.cz/mbi/files/help.pdf. Menon, Lekha, Rehani, Bhawna a Gund, Sudharshan. 2012. Business Intelligence on the Cloud Overview, Use Cases and RoI. IJCA Proceedings on National Conference on Communication Technologies & its impact on Next Generation Computing 2012. [Online] 11. 7 2012. [Citace: 15. 3 2014.] http://ijcaonline.net/proceedings/ctngc/number2/9058-1018. s. 25-30. Metric. 2014. Metric-x Business Intelligence. [Online] 2014. [Citace: 2. 4 http://metricx.com/services/business-intelligence-services/tableau-consulting/tableau-server-learn/.

2014.]

Meulen, Rob van der a Rivera, Janessa. 2013. Gartner Says Worldwide Business Intelligence, CPM and Analytic Applications/Performance Management Software Market Grew Seven Percent in 2012. Gartner, Inc. [Online] 6. 6 2013. [Citace: 21. 3 2014.] http://www.gartner.com/newsroom/id/2507915. Miller, Robert. 2011. The benefits of a successful strategic BI implementation. TechRepublic.com. [Online] 12. 10 2011. [Citace: 14. 10 2013.] http://www.techrepublic.com/blog/tech-decision-maker/the-benefits-of-asuccessful-strategic-bi-implementation/.

73

Neuman, Jiří. 2012. Poskytování ICT služeb v cloudu. [Online] 2012. [Citace: 10. 1 2014.] http://www.vse.cz/vskp/31756_poskytovani_ict_sluzeb_v%C2%A0cloudu. Vedoucí práce: Voříšek, Jiří; prof. Ing. CSc. Novotný, Ota, Pour, Jan a Slánský, David. 2005. Business intelligence: jak využít bohatství ve vašich datech. Praha : Grada Publishind, 2005. 80-247-1094-3. Paul, Fredric. 2012. 8 Reasons Why Cloud Computing is Even Better for Small Businesses. Say Media Inc. [Online] 6. 4 2012. [Citace: 7. 3 2013.] http://readwrite.com/2012/04/06/8-reasons-why-cloudcomputing#awesm=~oy04xQicuG9lZW. Penichter, Tom. 2009. Biggest BI Mistakes - Mistake #1: Not Using an ETL Platform. TGP Associates. [Online] 3. 5 2009. [Citace: 25. 1 2014.] http://blogs.tgpassociates.com/post/2009/06/03/Biggest-BI-Mistakes-Mistake-1Not-Using-an-ETL-Platform.aspx. Pervasive. 2014. Pervasive Software Inc. [Online] 2014. [Citace: http://integration.pervasive.com/Portals/29/images/Universal_Connect_grey.png.

10.

3

2014.]

Pour, Jan. 2013. MBI projekt. KIT VŠE. [Online] 12. 9 2013. [Citace: 25. 3 2014.] Pour, Jan, Maryška, Miloš a Novotný, Ota. 2012. Business Intelligence v podnikové praxi. Praha : Professional Publishing. 276 stran, 2012. ISBN: 978-80-7431-065-2. Premus, Dalibor. 2012. Praktický pohled na přínosy virtualizace a privátního cloudu. SystemOnline.cz. [Online] 8 2012. [Citace: 15. 3 2014.] http://www.systemonline.cz/virtualizace/prakticky-pohled-na-prinosyvirtualizace.htm. Profitbricks. 2014. How To Choose A Cloud Hosting Provider: Find The Right Provider For You. Profitbricks. [Online] 2014. [Citace: 3. 2 2014.] https://www.profitbricks.com/choosing-a-cloud-provider. Puzio, Pasquale. 2013. How to detect side-channel attacks in cloud infrastructures. Elastic-security.com. [Online] 11. 9 2013. [Citace: 15. 3 2014.] http://elastic-security.com/2013/09/11/how-to-detect-side-channelattacks-in-cloud-infrastructures/. Rivera, Janessa. 2013. Gartner Identifies the Top 10 Strategic Technology Trends for 2014. Gartner, Inc. [Online] 8. 10 2013. [Citace: 15. 3 2014.] http://www.gartner.com/newsroom/id/2603623. Roos, Dave. 2007. What is an API? HowStuffWorks.com. [Online] 23. 11 2007. [Citace: 10. 4 2014.] http://money.howstuffworks.com/business-communications/how-to-leverage-an-api-for-conferencing1.ht. Rosebt. 2012. Business Intelligence and Analytic Applications Market Share, Worldwide, 2008-2010. [Online] 17. 1 2012. [Citace: 8. 3 2014.] http://www.rosebt.com/1/post/2012/01/business-intelligence-and-analyticapplications-market-share-worldwide-2008-2010.html. Sallam, Rita, a další. 2014. Magic Quadrant for Business Intelligence and Analytics Platforms. [Online] 20. 2 2014. [Citace: 8. 3 2014.] http://www.gartner.com/technology/reprints.do?id=1-1QLGACN&ct=140210&st=sb. SAP-School. 2013. SAP BOBJ Video Training. SAP-school.com. [Online] 14. 8 2013. [Citace: 7. 4 2014.] http://sap-school.com/BobJVideoTraining.html. Sedlák, Jan. 2013. Dell v Česku spouští vlastní cloud. Je mezi prvními. Connect.cz. [Online] 16. 10 2013. [Citace: 16. 10 2013.] Dell v Česku spouští vlastní cloud. Je mezi prvními. Schiff, Jennifer. 2010. EnterpriseAppsToday.com. Ten Benefits of Business Intelligence Software. [Online] 9. 11 2010. [Citace: 8. 10 2013.] http://www.enterpriseappstoday.com/business-intelligence/ten-benefits-ofbusiness-intelligence-software-1.html. Smithee, Alan. 2013. Tableau Server Integration with Salesforce. [Online] 5. 3 2013. [Citace: 2. 4 2014.] http://www.alansmitheepresents.org/2013/03/tableau-server-integration-with.html.

74

Šály, Martin. 2001. Data mining v praxi. [Online] 2001. [Citace: 4. http://si.vse.cz/archive/proceedings/2001/data-mining-v-praxi.pdf. System Integration 2001.

7

2014.]

Thomson, Jamie. 2013. What would a cloud-based ETL tool look like? SQLblog.com. [Online] 12. 2 2013. [Citace: 30. 3 2014.] http://sqlblog.com/blogs/jamie_thomson/archive/2013/02/12/what-would-a-cloudbased-etl-tool-look-like.aspx. Voříšek, Jiří, Pour, Jan a kolektiv, a. 2012. Management podnikové informatiky. Praha : Professional publishing, 2012. ISBN 978-80-7431-102-4. Wikipedia. 2014. Data warehouse. Wikipedia.org. [Online] 4. 4 2014. [Citace: 18. 4 2014.] http://en.wikipedia.org/wiki/Data_warehouse. Wikipedia. 2014. Elasticity (cloud computing). Wikipedia.org. [Online] 6. 2 2014. [Citace: 10. 4 2014.] http://en.wikipedia.org/wiki/Elasticity_(cloud_computing). Wikipedia. 2014. Enterprise resource planning. Wikipedia.org. [Online] 13. 2 2014. [Citace: 7. 4 2014.] http://cs.wikipedia.org/wiki/Enterprise_resource_planning. Wikipedia. 2013. Startup. Wikipedia.org. http://cs.wikipedia.org/wiki/Startup#cite_note-1.

[Online]

3.

Wikipedia. 2013. Škálovatelnost. Wikipedia.org. [Online] http://cs.wikipedia.org/wiki/%C5%A0k%C3%A1lovatelnost.

12 25.

2013. 7

2013.

[Citace: [Citace:

7. 10.

4 4

2014.] 2014.]

Wlodarz, Derrick. 2013. Comparing cloud vs on-premise? Six hidden costs people always forget about. BetaNews.com. [Online] 12 2013. [Citace: 9. 3 2014.] http://betanews.com/2013/11/04/comparing-cloud-vson-premise-six-hidden-costs-people-always-forget-about/. Žižka, Petr. 2012. Pro koho jsou vhodnější aplikace v cloudu? SystemOnline. [Online] 3 2012. [Citace: 2. 2 2014.] http://www.systemonline.cz/virtualizace/pro-koho-jsou-vhodnejsi-aplikace-v-cloudu.htm.

75

Seznam obrázků Obrázek 1 – Architektura klasického BI řešení ...................................................................................................... 17 Obrázek 2 – Vývojové fáze BI ................................................................................................................................ 19 Obrázek 3 – Rozložení trhu BI řešení v roce 2010…………………………………………………………………..………..…..22 Obrázek 4 – Rozložení trhu BI řešení v roce 2012………………………….………………………………………………………………….22 Obrázek 5 – Gartner Magic Quadrant Business Intelligence ................................................................................. 23 Obrázek 6 – Modely nasazení IT řešení ................................................................................................................. 24 Obrázek 7 – Elasticita cloud řešení ........................................................................................................................ 26 Obrázek 8 – Orientační rozložení nákladů cloud a klasického modelu ................................................................. 27 Obrázek 9 – GoodData ETL proces z Twittru ......................................................................................................... 33 Obrázek 10 – Integrační konektor PERVASIVE ...................................................................................................... 37 Obrázek 11 – Komponenty a „dveře” modelu MBI ............................................................................................... 38 Obrázek 12 – Motivátory pro přechod do cloudu ................................................................................................ 47 Obrázek 13 – Bariéry českých společností pro přechod do cloudu ....................................................................... 48 Obrázek 14 – Vrstvy BI řešení GoodData............................................................................................................... 59 Obrázek 15 – Dashboard řešení GoodData ........................................................................................................... 60 Obrázek 16 – Report v řešení GoodData ............................................................................................................... 61 Obrázek 17 – Porovnání GUI Tableau Online vlevo a Tableau Desktop ................................................................ 62 Obrázek 18 – Architektura řešení Tableau Desktop, Server (Online) .................................................................... 63 Obrázek 19 – Ukázka tvorby dashbordu v aplikaci SAP ......................................................................................... 66

Seznam tabulek Tabulka 1 – Srovnání výhod a nevýhod DWH s ETL a Data mashupu. ................................................................... 35 Tabulka 2 – Architektury Varianta 0 ...................................................................................................................... 41 Tabulka 3 – Architektury Varianta 1 ...................................................................................................................... 41 Tabulka 4 – Architektury Varianta 2 ...................................................................................................................... 41 Tabulka 5 – Architektury Varianta 3 ...................................................................................................................... 42 Tabulka 6 – Vlastnosti cloudového a klasického řešení. ........................................................................................ 43 Tabulka 7 – SWOT analýza motivace přechodu do cloudu.................................................................................... 49 Tabulka 8 – Faktor cloudu v úloze Zpracování úvodní studie. ............................................................................... 52 Tabulka 9 – Faktor cloudu v úloze Specifikace přírůstku ....................................................................................... 53 Tabulka 10 – Faktor cloudu v úloze Analýza stavu a požadavků na BI. ................................................................. 53 Tabulka 11 – Faktor cloudu v úloze Modelování a návrh řešení. .......................................................................... 54 Tabulka 12 – Faktor cloudu v úloze Návrh technologické platformy přírůstku. .................................................... 54 Tabulka 13 – Faktor cloudu v úloze Implementace řešení .................................................................................... 55 Tabulka 14 – Faktor cloudu v úloze Zavedení do provozu, migrace ...................................................................... 56

76

Přílohy Příloha 1 – Checklist pro výběr BI poskytovatele (Zdroj: http://info.isutility.com/cloud-computing-provider-checklist/)

77

Příloha 2 – MBI formulář aplikace – GoodData

Id. aplikace, nástroje Id. podskupiny aplikací, nástrojů Kód aplikace, nástroje Název aplikace GoodData Autor Černý, R. (KIT VŠE) Datum poslední úpravy 2014-03-24 Tvůrce, řešitel, aplikace, resp. nástroje Typ aplikace BI Popis, obsahové vymezení GoodData je sada cloudových nástrojů pro analýzu dat nabízející komplexní BI řešení. Definování funkcionality GoodData pokrývá veškerou funkcionalitu klasického BI nástroje – získání dat ze zdrojových systémů, transformace dat do datového skladu, vizualizace a tvorba reportingů a dashbordů pro analýzu a predikci ukazatelů společnosti. Standardně podporuje velké množství formátů a konektorů na jiná řešení (ERP, CRM, databáze, atd.) sloužících jako zdrojová data. Široké možnosti API dovolují integraci GoodData řešení do jiných podnikových aplikací. Schéma Nenalezeno Reference na demo aplikace, video apod. Oficiální stránky - http://www.gooddata.com/ GoodData Trial verze - http://www.gooddata.com/free-trial/ GoodData Demo ukázka - http://www.gooddata.com/live-demo/ Poznámky Nástroj je určen pro využití v marketingu, prodeji a zákaznickému servisu. Demo aplikace

78

Příloha 3 – MBI formulář aplikace – Tableau

Id. aplikace, nástroje Id. podskupiny aplikací, nástrojů Kód aplikace, nástroje Název aplikace Tableau Autor Černý, R. (KIT VŠE) Datum poslední úpravy 2014-03-31 Tvůrce, řešitel, aplikace, resp. nástroje Typ aplikace BI Popis, obsahové vymezení Tableau je nástroj určený pro analýzu a vizualizaci dat a tvorbu reportů a dashboardů pro méně zkušené uživatele BI. Definování funkcionality Tableau je nástroj určený k vizualizaci dat, tvorbě reportů a dashboardů z různých datových zdrojů (ERP, CRM, databáze, atd.). Nabízí desktopového klienta pro MS Windows (Tableau Desktop) , on-premise Tableu Server sloužící pro publikování reportů a dashboardů na další zařízení podporující webové prohlížeč. Posledním produktem je cloudové řešení Tableau Online nabízející stejnou funkcionalitu jako Tableau Server a Desktop skrze webové prostředí. Schéma Nenalezeno Reference na demo aplikace, video apod. Oficiální stránky - http://www.tableausoftware.com/ Zkušební verze - http://www.tableausoftware.com/products/trial?os=windows Instruktážní videa - http://www.tableausoftware.com/learn/training Poznámky Nástroj nenabízí vlastní DWH. S daty je pracováno napojením na DWH napřímo metodou mashup. Demo aplikace

79

Příloha 4 – MBI formulář aplikace – SAP Business Objects

Id. aplikace, nástroje Id. podskupiny aplikací, nástrojů Kód aplikace, nástroje Název aplikace SAP Business Objects Autor Černý, R. (KIT VŠE) Datum poslední úpravy 2014-04-06 Tvůrce, řešitel, aplikace, resp. nástroje Typ aplikace BI Popis, obsahové vymezení SAP Business Objects (SAP BO) je profesionální komplexní nástroj pro reporting, analýzu, dashboardy a vizualizace dat. Poskytovatel nabízí toto řešení včetně nástrojů na datovou integraci. Řešení je nabízeno v desktopové i cloudové variantě. Definování funkcionality SAP Business Objects se skládá z mnoha komponent, jejichž funkcionalita se mnohdy překrývá. Řešení obsahuje specializovaný dotazovací a analytický nástroj Lumira (v klasické či cloudové formě), komponentu pro tvorbu reportů a dynamických dashboardů Crystal Reports. Klient pro MS Windows obsahuje také plugin pro integraci do MS Excelu. Společně s dalšími SAP nástroji pro datové sklady, datové pumpy a podnikovými IS je SAP komplexní řešení podporující IT napříč celou organizací. Cena za tato řešení je obecně vyšší. Schéma Nenalezeno Reference na demo aplikace, video apod. Odkaz na oficiální stránky, možnost vyzkoušení trial verze http://www.sap.com/solution/sme/software/analytics/edge-medium-bi/index.html Poznámky Demo aplikace

80