Z V L Á Š T N Í N E P R O D E J N Á P Ř Í L O H A | L I S T O P A D 2 0 1 3Z V L Á Š T N Í N E P R O D E J N Á P Ř Í L O H A | L I S T O P A D 2 0 1 3

BusinessIntelligence

a datová analytikaIn-memory značně urychlí analytické procesy

Vizualizace zpřístupňuje důležité informace pro každého

Prediktivní analytika pomáhá i s „neřešitelnými“ problémy

G O L D P A R T N E R S

BI_2013_DEF.indd 7 10/29/13 11:17 AM BI-2013.indd ob1 BI-2013.indd ob1 29.10.13 15:0529.10.13 15:05

BEZPEČNOST V ÉŘE MOBILITY A CLOUDU

Zabezpečení mobilních zařízení a zařízení zaměstnanců

Shadow IT Zabezpečení cloudových řešení

a virtualizovaných prostředí Data loss prevention

MOBILNÍ ŘEŠENÍ PRO LEPŠÍ SPOLUPRÁCI A FLEXIBILITU

Vývoj vlastních aplikací Mobilní aplikace na míru Podpora spolupráce a práce

na dálku Správa mobilních zařízení

PRÁVO PRO CIO A ODPOVĚDNOST MANAGEMENTU

Ochrana osobních údajů Legislativa ve vztahu k IT Právní audit a compliance v IT

FRAUD DETECTION Odhalování podvodů

a nestandardních transakcí

ŘEŠENÍ PRO PERSONALISTIKU, ŘÍZENÍ KARIÉRNÍHO RŮSTU Z POHLEDU CIO

HR systémy Systémy pro řízení kariérního

růstu v podniku Zvyšování kvalifi kace v IT oddělení Řízení kariéry pro CIO

VIRTUALIZACE V ROCE 2013 A DALŠÍ VÝHLED

Automatizace virtuálního prostředí – privátní cloud

Virtualizace kritických aplikací Virtualizace sítí a storage Endpoint virtualizace a VDI Přístup z mobilních zařízení

BUSINESS INTELIGENCE A BIG DATA

Práce s daty v reálném čase (in memory)

Analytické nástroje BI Dashboards Úložiště pro Big data

IT JAKO PILÍŘ MARKETINGU CRM a další generace nástrojů

a aplikací pro marketing Sociální marketingové nástroje CIO vs. CMO – rozdělení

pravomocí

IT JAKO GARANT BYZNYS PROCESŮ Procesní řízení Zvyšování fl exibility Procesy vs. Technologie Jak z IT specialistů

udělat procesní specialisty Mapování procesů Automatizace

Aktuální témata:

ZORGANIZUJEME VÁM KULATÝ STŮL NA MÍRU PŘESNĚ

DLE VAŠICH POŽADAVKŮ.

Kulatý stůlKulatý stůlV Ý B Ě R V L A S T N Í H O T É M A T U I D A T A

www.idg.czwww.eventworld.cz

OBCHODNÍ A ORGANIZAČNÍ ZÁLEŽITOSTI: Jan Raboch, jan_raboch@idg.cz Michala Najbrtová, michala_najbrtova@idg.czIrena Dubová, irena_dubova@idg.czOBSAHOVÉ ZÁLEŽITOSTI: Ondřej Hergesell, ondrej_hergesell@idg.czZbyněk Hutar, zbynek_hutar@idg.czORGANIZÁTOR: IDG Czech Republic, a.s., Seydlerova 2451, 158 00 Praha 5 IČ: 00565211, GSM: + 420 603 228 281, tel.:+ 420 257 088 144, fax: +420 235 520 812, www.idg.cz, www.eventworld.cz

Kulate_stoly_210x295_inzerce.indd 1 10/29/13 1:16 PM BI-2013.indd ob2 BI-2013.indd ob2 29.10.13 15:0529.10.13 15:05

CO M P U T E RWO R L D.c z 3

OBSAH | BUSINESS INTELLIGENCE

Partneři vydání

Gold partners:

Silver partners:

Heslem dne je snadnosti automatizace

Podpora business intelligence (BI) a analytiky patří dlouhodobě mezi nejvyšší priority firemních šéfů IT. Přitom ale tyto pokročilé nástroje, jak uvádí letošní průzkum Gartneru, využívá jen zhruba třetina uživatelů, pro které by přinášely

přidanou hodnotu.Vyplývá z toho jediné – podniky se musí zaměřit na otevření svých BI projektů,

tak aby se ze současného, mnohdy utajeného řešení stala analytika přístupná a vy-užitelná i pro dosud spíše netradiční uživatele.

Současným trendem je sběr obrovského množství dat, které nejsou lidé mnohdy schopni efektivně zpracovávat a na základě nich dělat informovaná rozhodnutí. Ve vysoce konkurenčním prostředí je ale využití důležitých nalezených informací tím, čím se může příslušná firma odlišit od jiné. Z postoje „je to skvělé mít“ se dostává-me do situace, kdy analytiku „je nezbytné mít, abychom vůbec přežili“.

Tím, že se podpora analytických funkcí rozšíří nejen mezi top vedení firmy, ale i mezi střední management a dokonce i zákazníky nebo spotřebitele, bude mít po-dle Gartneru obrovský vliv na obchodní aktivity, inovace, produktivitu i konkuren-ceschopnost organizací.

Gartner nedávno označil tři klíčové trendy, které by měli profesionálové v oblasti BI a analytiky při budoucích plánech vážně zvažovat.

Zaprvé by se měla analytika stát akčnější a všudypřítomná. BI specialisté by měli zpřístupnit analytické nástroje uživatelům co nejjednodušší formou – v podstatě by technologii měli učinit z uživatelského hlediska transparentní a běžní zaměstnanci by ji měli užívat bez složitých procedur a pomocí jednoduchých rozhraní využívají-cích přirozený jazyk.

Zadruhé vzrůstající objem dat získávaných v reálném čase a snižující se doba, kdy se musí učinit rozhodnutí, musí vést k implementaci operační inteligence, kte-rá dokáže pracovat velice svižně – až na úrovni reálného času.

A konečně zatřetí vzrůstající náklady či tlaky dané různými regulačními předpisy motivují podniky k přijetí mnohem preskripčnější analytiky (třeba pomocí tzv. deci-sion management softwaru, který se využívá, pokud je pro rozhodnutí potřeba pod-pora nějakého výpočetního prostředku).

Rozhodnutí postavená na tomto základě budou moci být auditovatelná i opako-vatelná a v některých případech dokonce i automatická. To firmám šetří nejen čas, ale i personální náklady.

Bez obchodních analýz už dnes podle všeho přežije jen málokterá společnost. V tomto magazínu vám přinášíme návod, jak můžete analytiku ve svých firmách sofisti kovaně využít.

Ukazujeme i příklady organizací, které pomocí pokročilé BI výrazně zlepšily svou konkurenceschopnost – tak neváhejte a zařaďte se mezi ně i vy.

PAVEL LOUDAvedoucí projektu

Obsah 4 Analytiku ovládla vizualizace

8 Začínáme s pokročilou analytikou

10 Technologie in-memory zrychluje datové analýzy

12 Prediktivní analytika pomáhá s „neřešitelnými“ problémy

16 Sociální marketing se bez analýz neobejde

20 Samoobslužné BI lépe zpřístupní analytiku

22 Co přinášejí analýzy Intelu a UPS?

Kulate_stoly_210x295_inzerce.indd 1 10/29/13 1:16 PM BI-2013.indd 3 BI-2013.indd 3 29.10.13 15:0529.10.13 15:05

4 BU S I N E S S I N T E L L I G E N C E 2013

Analytiku ovládla vizualizaceVelké množství různých dat není pro organizaci přínosem, pokud osoby odpovědné za rozhodování nedokážou z nich získané informace dostatečně využít. Vyřešit to může například angažování expertů na vizualizaci.

TAM HARBERT

Jeden obrázek vydá za milion jiných údajů. To je v současné době heslo mo-derní podnikové analytiky. Jak trend

big dat sílí a pokročilé analýzy dat se začí-nají v podnicích stále více zakořeňovat, roste i potřeba mít ve svém týmu lidi, kte-ří dokážou prezentovat data snadno sro-zumitelnými způsoby.

Loni na podzim předpověděl Gartner, že v roce 2015 by mělo existovat až 4,4 milionu pracovních míst v segmentu big dat – a mnoho z nich bude vyžadovat netradiční, nově koncipované dovednosti, jako je právě vizualizace dat.

Co to ale přesně vizualizace je? Kdo ji dělá a jak se liší od vytváření barevného grafu nebo zajímavé infografiky?

Je určitou ironií, že je poměrně těžké získat jasnou představu o datovém vizuali-zérovi. Tato funkce se zatím ještě úplně přesně nedefinovala a je docela vzácné ji vidět jako součást popisu pracovního zařa-zení nebo dokonce samostatně, prohlašují pozorovatelé IT kariéry.

Je to spíše dovednost, kterou požaduje stále více společností jako součást jiných rolí, zejména pracovních pozic z oblasti business intelligence a obchodní analytiky.

„Vizualizace dat“ jako požadavek v po-pisech práce vzrostl za posledních šest měsíců o 12 %, uvádí Todd Nevins, spolu-zakladatel webu icrunchdata, který se jako portál pracovních míst specializuje právě

na pozice v segmentu datových analýz. Naproti tomu „big data“ jako požadavek v popisech práce vzrostl meziročně až o 63 %.

„Vizualizace dat je stále ještě v plenkách, ale postupně nabírá na významu s tím, jak společnosti rozvíjejí své strategie pro extrakci a používání velkého množství údajů,“ shrnu-je situaci Nevins.

Data, která se obvykle vizualizují, ne-pocházejí z IT branže – tedy alespoň za-tím ne. IT má v oblasti analýz dat poměr-ně omezenou roli a dokonce ještě menší úlohu při vizualizaci, prohlašují datoví experti.

„Oddělení IT je obvykle odpovědné za bezprostřední zajištění funkce informačních panelů a produktů business intelligence,“ tvrdí Gregory Lewandowski, manažer seg-mentu analýz ve společnosti Cisco Sys-tems. „Často však dochází jen k rutinnímu zpracování požadavků bez větší snahy po-chopit samotný výsledek.“

Oddělení IT se obvykle zaměřuje na technologii, která vizualizaci umožňuje, ale ji samotnou už nepoužívá, vysvětluje Stephen Few, ředitel a zakladatel pora-denské společnosti Perceptual Edge, jež se specializuje na vizualizaci dat.

Few, který má dlouholetou praxi v ob-lasti IT a business intelligence, založil tuto organizaci v roce 2003 po absolvová-ní semináře, který vedl vizualizační mág Edward Tufte, jenž je známý tím, že se za-sadil o rozvoj vizualizace dat jako disciplí-

ny a napsal na toto téma v roce 1983 klíčo-vou knihu Vizuální znázornění kvantita-tivních informací (The Visual Display of Quantitative Information).

Few se stal sám dobře známým jako expert na vizualizace dat a napsal několik knih včetně titulu Ukaž mi ta čísla: Návrh vysvětlujících tabulek a grafů – Show Me the Numbers: Designing Tables and Graphs to Enlighten.

„Dokonce i v oddělení IT, kde mají vlastní analytiky pro business intelligenci, tyto oso-by často vytvářejí produkční reporty pouze na vyžádání,“ uvádí Few. „Obvykle však těmto údajům nijak detailně nerozumějí. Ve skutečnosti dokonce ani nevědí, jak se data, jež sami vkládají do reportu, využijí.“

„Je tu propast mezi lidmi, kteří skutečně pracují s daty a rozhodují se na jejich zákla-dě, a těmi, kdo tyto potřebné údaje posky-tují,“ pokračuje Few.

„Najít někoho, kdo by opravdu datům rozuměl a chápal také technologie, které organizace používá k distribuci dat – tedy naleznout tyto dvě schopnosti u jednoho člo-věka – je obtížné a dochází k tomu jen velmi zřídka.“

Few a další mluví o tom, že vizualizace dat v současné době vyžaduje více než jen dokonalý estetický dojem. Boris Evelson, viceprezident a hlavní analytik ve společ-nosti Forrester Research, tvrdí, že existují dvě úrovně dovedností vizualizace dat.

První se vztahuje ke schopnosti člověka používat nejnovější technologie a nástroje pro analýzu a prezentaci informací. Na-příklad spíše než aplikaci Excel nebo do-konce Cognos používají datoví analytici ke tvorbě vizuálně lepších a snáze po-chopitelných grafů aplikace Tableau či Spotfire.

V některých případech to však nestačí. Nedávno se Evelson dozvěděl od velké banky, že potřebují někoho s rozsáhlejšími dovednostmi k vizuální prezentaci sofisti-kované a komplexní analýzy portfolia, kte-rá analyzuje tisíce klientů s různými typy investic a rizik.

Přestože banka měla všechny potřebné nástroje a technologie, hledala někoho, kdo by se specializoval na chápání způso-bu, jakým mozek reaguje a zpracovává vi-zuální informace.

„Netýkalo se to technologie vizualizace dat, ale psychologie vizuálního vnímání,“ popisuje Evelson.

Banka chtěla někoho, kdo by věděl, jaké typy zobrazovacích metod nejlépe fungují pro různé druhy dat, a znal ome-zení metod.

Graf, který navrhl Stephen Few, guru dato-vé vizualizace, využívá skládaný sloupcový graf v jednoduchých barvách, aby pomohl divákům snadno srovnávat tři sady dat. Šipka a připoje-ná vysvětlivka vyjasňují smysl grafu.Na původním obrázku (www.perceptualedge.com/example18.php) můžete vidět předchozí podobu stejného grafu bez použití potřebných principů.

BI-2013.indd 4 BI-2013.indd 4 29.10.13 15:0529.10.13 15:05

CO M P U T E RWO R L D.c z 5

Například „významná část populace, při-bližně 7 %, je barvoslepá nebo má porušený barvocit,“ poznamenává Evelson. „Nemusí tedy být vhodné spoléhat se vždy výhradně na barvu.“

Tato banka nakonec najala profesioná-la – ale jako konzultanta na částečný úva-zek namísto plného úvazku v zaměstna-neckém poměru, což je trend, který se po-dle analytiků pravděpodobně bude v mno-ha společnostech spolu s nástupem big dat opakovat. Další možností je outsour-cing projektů vizualizace dat s využitím konzultačních firem.

Společnosti si mezitím zřejmě již uvě-domují potřebu vzdělávání v oblasti vizua-lizace dat, a to nejen pro své podnikové analytiky, ale v rámci zaměstnanců celé organizace.

Lewandowski z firmy Cisco se napří-klad před šesti lety zúčastnil kurzu, který vedl Few. „Skutečně mi to otevřelo oči, abych si dokázal všímat důležitých, ale sotva patrných věcí, které mnoho lidí vlastně ani nepostřehne,“ pochvaluje si.

„Existuje tolik různých věcí, kterých si hned nemusíte všimnout, přestože způsobují odlišnosti, jichž je svět plný,“ dodává Lewandowski.

Stejně jako mnoho specialistů na vizua-lizaci dat směřoval i Lewandowski do této oblasti oklikou. Začal před 14 lety v divizi prodeje a rozvoje obchodu Ciska. Poté přešel do role správy vztahů partnerských kanálů, kde začal využívat aplikace BI.

Postupně rozšířil své odborné znalosti v oblasti BI a analýzy dat a nyní vede tří-členný tým v rámci oddělení Global Busi-ness Operations, které zodpovídá za po-skytování BI služeb celé společnosti.

Svůj útvar popisuje jako hybridní kom-binaci obchodního oddělení s oddělením IT, přestože vizualizaci dat nepovažuje za funkci IT.

Tým Lewandowského tráví většinu své-ho času vizualizací dat, a to jak konkrét-ních dat Ciska, tak podporou osvědčených postupů. Tým doufá, že o trochu více vzdělání „by mohlo zprovodit zpropadené koláčové 3D grafy ze světa,“ popisuje Le-wandowski. „Každý má odpovědnost v tom, aby se pokoušel lépe komunikovat.“

Pro profesionály z oblasti vizualizace dat však není nutně konečným cílem pre-zentovat data, která odpoví na konkrétní otázky, poznamenává Lewandowski.

„Částí tohoto procesu je také umožnit na-šim představitelům formulovat otázky, které nikdy předtím neměli, protože mohou vidět věci tak, jak je nikdy neviděli,“ vysvětluje Lewandowski.

„Pokud je naše oddělení úspěšné, mohou lidé vidět souvislosti způsobem, který jim umožňuje klást hlubší otázky, což vede k lep-ší strategii a nakonec i k lepším výsledkům společnosti,“ podotýká Lewandowski.

Dobrá vizualizace dat prokázala, že je pro podstatu podnikání firmy Cisco pří-nosná, prohlašuje Lewandowski. Vytvořil například znázornění označované interně jako „pyramida Lewandowského“, které ve finále vedlo ke změnám globální strategie.

Je to ve skutečnosti pro Cisco natolik strategicky důležité, že nebyl ochotný po-skytnout moc podrobností. „Je to v podsta-

Zde Few zvolil jednoduchý spojni-cový graf, aby byla hlavní nosná in-formace – podíl na trhu – jasně pa-trná, s popiskami přímo u spojnic namísto v odděleném rámečku le-gendy. Začlenění tabulky do dolní části grafu poskytuje přesné hod-noty pro ty, kdo je potřebují, ale nedochází ke snížení přehlednosti samotného grafu. Na původním obrázku (www.perceptualedge.com/example7.php) můžete vidět předchozí podobu stejného grafu bez použití potřebných principů.

10 %1977 1978 1979 1980

15 %

20 %

25 %

30 %

Záp. Německo

USAostatní

Francie

Japonsko

Vizualizace dat – stručný návodChápat svá data, znát své publikum a určit zprávu, kterou chcete sdělit.Omezit data na rozsah potřebný ke sdělení zprávy a pamatovat si, že bez kontextu zna-menají čísla jen málo.Určit nejlepší způsob vyjádření.

■ Některé kvantitativní zprávy je nejlepší sdělit slovy, jiné pomocí tabulek s čísly, další pomocí specifických grafů (sloupco-vých, spojnicových, bodových atd.) a další pomocí různých kombinací.

■ Tyto principy nejsou intuitivní a vyžadují školení o tom, jak lidské oči a mozek zpra-covávají vizuální informace. Poraďte se při tomto kroku s odborníkem na vizualizace dat (nebo sebe či svůj personál v této ob-lasti vzdělávejte).

Navrhnout zobrazení tak, aby vyjadřova-lo informace jednoduše, jasně a přesně.

■ Nepoužívejte cokoli mimo údaje, pokud to není třeba pro jejich podporu.

■ Vyhněte se zbytečným barevným varia-cím a vizuálním efektům, nepoužívejte mřížky v grafech, pokud nejsou nutné.

■ Nedatové prvky by měly být dostatečně viditelné, aby splnily svůj účel, ale nikdy by neměly zastínit samotnou informaci.

■ Vizuálně zvýrazněte informace, které jsou ve zprávě nejdůležitější.

Navrhnout opatření v reakci na data. Většina kvantitativních zpráv se nepředklá-dá jen za účelem informovat, ale také moti-vovat k prospěšné reakci.

Zdroj: Stephen Few

BI-2013.indd 5 BI-2013.indd 5 29.10.13 15:0529.10.13 15:05

6 BU S I N E S S I N T E L L I G E N C E 2013

BUSINESS INTELLIGENCE | ZOBRAZOVÁNÍ DAT

tě model segmentace nebo rozvrstvení, ve kterém něco počítáme, například množství objednávek či zákazníků, a poté to rozdělíme do různých vrstev.“

Postupem času tento model umožňuje manažerům sledovat nepředpokládané změny a identifikovat faktory, které za tě-mito jevy stojí. Výsledkem je například lepší schopnost korigovat směr nebo vy-užít výhody rozvíjejících se trhů.

„Zobrazujeme to způsobem, jak to dříve nikoho nenapadlo, metodou, která vše objas-ňuje a velmi pomáhá pochopit typy otázek, jež si interní zainteresované osoby potřebují klást,“ popisuje Lewandowski.

Dana Zuberová, manažerka pro analýzy v týmu podnikových dat globálního fi-

nančního domu Wells Fargo, říká, že s vi-zualizací dat se dostatečně neobeznámila, dokud před šesti lety nenastoupila do této banky, a to přestože v průběhu své dosa-vadní 12leté kariéry analyzovala data na různých pracovních pozicích.

Banka ji poslala prostřednictvím inter-ního vzdělávacího programu na kurz vizu-alizace dat a na některé externí semináře včetně jednoho, který vedl výše zmíněný Tufte. „Předtím jsem netušila, že pro vizuali-zaci dat existuje celá samostatná disciplína,“ vysvětluje.

Manažeři banky totiž jasně cítili, že vi-zualizace dat se stala rozhodující doved-ností, a to nejen pro datové analytiky.

„Interní kurz je k dispozici každému, kdo

je ve společnosti,“ uvádí Zuberová. „S ros-toucím počtem lidí, kteří jím prošli, se zájem o vizualizaci dat v celé organizaci rozšířil,“ popisuje a dodává: „Stále více lidí si uvědo-muje její hodnotu a chápe, jak to může při jejich práci pomoci.“

To je pokrok, který by Few chtěl vidět ve větším měřítku. Ačkoli zájem o vizuali-zaci dat zesílila dostupnost technologií typu big data, je to dovednost, která byla v podnicích velice potřeba již po dlouhou dobu, upozorňuje Few.

Přestože organizace začínají chápat její význam, mnoho z nich se zaměřuje na špatné věci.

V popisu pracovní pozice například poža dují technické dovednosti, jako je schopnost vytvářet grafy v Cognosu, na-místo požadavku odbornosti v oblasti gra-fického návrhu.

„Tento druh dovedností, který hledají, ne-musí být ve skutečnosti nutně tím, který po-třebují,“ varuje Few.

Bez pochopení jemnějších aspektů včetně toho, jak lidský mozek vnímá bar-vu a tvar, „budou výsledkem nevkusně oká-zalé vizualizace dat s úžasnými barvami a tvary atd.,“ vysvětluje Few.

„Je to ale jen pastva pro oči. Podstata, kterou se snažíte pomocí dat sdělit, se přitom ztratí mezi křiklavými efekty,“ uzavírá Few.

Vlastnosti dobrého vizualizéra dat ■ Baví ho řešení rébusů a hrátky s daty. ■ Zná a chápe publikum a jeho informační potřeby. ■ Má trpělivost vymýšlet nové nástroje a inovativní způsoby zobrazení dat. ■ Zajímá se o umění dobrého vizuálního návrhu a rozumí mu. ■ Má vysokoškolské vzdělání v oboru matematiky, inženýrství, statistiky, obchodu nebo financí. ■ Naučil se osvědčené oborové postupy od expertů, jako jsou třeba Edward Tufte nebo Stephen Few.

■ Dokáže podle potřeby využívat dovednosti přisuzované levé nebo pravé mozkové hemisféře, ně-kdy i současně.

BI-2013.indd 6 BI-2013.indd 6 29.10.13 15:0529.10.13 15:05

CO M P U T E RWO R L D.c z 7

chází za svůj život celou řa-dou „stavů“. Na počátku je smlouva ve stavu návrhu, po podpisu vstoupí v platnost, za čas je navýšena nebo je na ní změněn nějaký tarif, pak se prodlouží a nakonec dojde k jejímu ukončení. Ač-koliv každá z těchto změn reflektuje určitou transak-ci – tedy operaci se smlou-vou, tak v primárním systé-mu jsou tyto změny zpravi-dla zachyceny změnou něko-

lika atributů [například: stav (aktivní, neaktivní), hodnota smlouvy (tarif smlouvy), a série dat – datum zaslání ná-vrhu, datum účinnosti, datum platnosti do, datum ukončení, případně prodejní kanál, který provedl poslední změnu].

Pro MIS poskytující konzistentní infor-mace nejen o stavu našich smluv, ale ze-jména o výkonnosti jednotlivých útvarů je pak nezbytně nutné vycházet z dobře his-torizovaných dat v datovém skladu. I v ta-kovém případě je však reporting jednotli-vých událostí (transakcí často obtížný a nejednoznačný).

GLOBTECH se svými partnery – spo-lečnostmi DNS a IBM – v takových přípa-dech úspěšně implementuje koncept tzv. tagování na základě byznys pravidel. Na místo vyžadování transakčních informací

z primárních systémů se při implementaci MIS soustředíme na důsledné sledování stavu – důslednou historizaci všech stavo-vých entit – a precizní popis byznys pravidel.

Byznys pravidla jsou v rámci projektu popsána do podoby byznys slovníku (na-příklad v IBM InfoSphere Business Glos-sary) a odsouhlasena napříč společností.

Pro každou entitu jsou v byznys slovní-ku jednoznačně definovány byznys stavy (často více stavů, než poskytuje primární systém) a dimenze (atributy entit), u kte-rých budou sledovány změny. Takto při-pravená pravidla jsou následně „materiali-zována“ v datovém skladu – na základě pravidel jsou přímo v datovém skladu na-počítány byznys stavy a následně jsou ge-nerovány transakční záznamy (tagy) re-flektující změny ve stavech a na vybra-ných dimenzích. Tyto transakce jsou pak obohaceny o další atributy charakterizují-cí daný záznam (transakci).

Ve výše uvedeném příkladu se pak dva stavy z primárního sytému například roz-šíří na čtyři – smlouva ve stavu návrhu, aktivní a zrušená. Atributy hodnota smlouvy (tarif) a platnost smlouvy se defi-nují jako dimenze se sledováním změn. A atribut prodejní kanál se používá pro obohacení každé transakce.

Z takto připravených dat jsou každo-denně generovány jednoznačné transakce: počet zaslaných návrhů, počet uzavřených smluv, počet ukončených smluv, počet prodloužených smluv, počet změn tarifů s jednoznačnou vazbou na prodejní kanál, který transakci provedl, a hodnotu smlou-vy (tarif).

Napočtená data pak zaručují velice přesný a transparentní přehled o fungová-ní společnosti – o výkonnosti jednotlivých složek – a současně zajišťují konzistenci stavových a transakčních dat, a tím i dů-věryhodnost celému manažerskému infor-mačnímu systému. Současně je v případě rozšíření o další dimenze poměrně snad-né systém doplnit o další ukazatele bez narušení vnitřní integrity dat.

Autor je senior konzultant ve společnosti GLOBTECH

Performance management v praxiSnad v každém informačním systému je možné najít dva základní typy dat. Stavová a transakční data. Zatímco stavová data zachycují stav objektů k určitému momentu v čase, transakční data zachycují změny těchto stavů.

ROSŤA LEVÍČEK

V řadě oblastí jsou trans-akční data nenahradi-telná. Obsahují řadu

informací, které ve stavových datech nenajdeme. Je jen těž-ko představitelné, že bychom například neznali podrobně jednotlivé transakce na na-šem účtu. Zatímco stav naše-ho účtu je sledován vždy ke konci určitého období, trans-akce zachycují zcela podrob-ně jednotlivé změny včetně informací o tom, komu nebo od koho pe-níze na účet přicházeli, za jakým účelem transakce proběhla apod.

V primárních systémech je však zpravi-dla také celá řada entit, kde se podrobné informace o změnách jejich stavů, nesle-dují. Pokud pak pro potřeby manažerské-ho informačního systému tato data od pri-márních systémů požadujeme, primární systémy je zpravidla určitým způsobem zpětně vytvářejí. Tento postup potom čas-to vede k nepřesnostem a výsledkem je nesoulad mezi zpracovávanými „transak-cemi“ a jejich výsledným stavem a rostou-cí nedůvěra k datům v datovém skladu a MIS vůbec.

Příkladem takovýchto transakcí jsou například transakce spojené se změnami zákaznických smluv. Každá smlouva pro-

GLOBTECH, spol. s r. o.Karlovo nám. 17Praha 120 00E -mail: info@globtech.cz

BI-2013.indd 7 BI-2013.indd 7 29.10.13 15:0629.10.13 15:06

8 BU S I N E S S I N T E L L I G E N C E 2013

BUSINESS INTELLIGENCE | IMPLEMENTACE

Začínáme s pokročilou analytikouAnalýzy dat se často oslavují jako nejlepší způsob, jak pomocí úsudků založených na faktech a na základě vyčíslitelného pře-hledu získat důležité informace potřebné k lepšímu podnikatel-skému rozhodování. I kvůli tomu řada organizací investuje znač- né prostředky do BI a podnikových systémů řízení výkonnosti.

MICHAEL PAIN

Při úspěšných implementacích analy-tiky mohou shromažďování, správa, reportování a vyhodnocování dat při-

nášet významný provozní užitek – analy-tici uvádějí často 15 až 30 procent čistého provozního zisku. Mnoho firem však stále považuje stanovení „závěrů z dat“ za po-někud zapeklitý problém.

Existuje pro to hned několik důvodů. Některým podnikům se nepodaří vytvořit vhodný obchodní případ pro analytiku s komplexním pohledem, což znamená, že neuvažují o tom, jak analytické výsled-ky vyhodnotit a převést na akci, jejímž cí-lem je zlepšení celkového výkonu firmy. Jde o jeden z největších problémů, které lze při nářcích na analytiku vidět.

Organizace také často dělají chybu, která spočívá v doplňování nahodilých zjištění týkajících se podnikových záleži-tostí namísto selektivního a cíleného přístupu.

Kromě toho se snaží držet krok s množ-stvím údajů pocházejících z rozsáhlých a různorodých datových zdrojů, a to jak interně, tak externě, ale přitom nevědí, jak nejlépe získávat a spravovat cenné informace.

Analýzy musejí přinést podnikatelské závěry – jinak jsou to jen vyšperkované zprávy se spoustou grafických doplňků. Položte si tedy hned na začátku otázku, zda vaše organizace opravdu používá ana-lýzy, které pomáhají řešit problémy.

V uplynulých letech mnoho firem roz-sáhle investovalo do svých analytických řešení, aniž udělaly následující jednodu-ché kroky.

KROK 1 Začněte velmi dobrou otázkou

Nečekejte na odpovědi analytického týmu, aniž nejprve zvážíte, jak pro vás bu-dou výstupy využitelné a jak budou pod-porovat základní podnikovou strategii.

Používání analýz bez přístupu vedené-ho podnikatelskými potřebami je jen ztrá-tou času.

Jednou z nejlepších oblastí, kde je vhodné začít, jsou firemní KPI (klíčové ukazatele výkonu), které je třeba zlepšit.

Správná otázka je ta, jež se týká podnika-telských výsledků, má jasné cíle a lze ji zodpovědět bez nadměrného množství překážek.

Nezapomeňte si však klást otázky, co dělat, abyste jasně směřovali k cíli. Je sku-tečně nutné daný dotaz zodpovědět? Může odpověď přinést nějaké důležité podnikatelské informace, které pomohou k dosažení cíle?

Inovativní řešení problému je stejně jednoduché jako řešení jiným způsobem. S podporou silného týmu složeného z růz-ných podnikových oddělení (což může za-hrnovat výrobu, analýzy, marketing a pro-dej) lze analytické úsilí sdílet a transfor-movat do celého podniku.

KROK 2 Realizace a řízení datVykonávání prozíravějších pod-

nikatelských rozhodnutí obvykle vyžaduje koordinovaný přístup ke shromažďování dat a reakci na to, co tyto údaje sdělují. Vedení firmy by mělo stanovit jasný mo-del pro konzistenci dat, jejich zpracování a včasné dodání informací.

Použitím tohoto přístupu k řízení dat se všechny zúčastněné strany v rámci ce-lého podniku povzbuzují, aby spolupraco-valy na plnění úkolu správy dat.

Firmy také musí vykročit mimo své tra-diční zdroje dat, aby tak získaly nový po-

hled na věc. Existuje nepřeberné množství údajů, jež vytvářejí různé informační zdroje – například sledování zkušeností zákazníků v reálném čase pomocí webové analytiky s analýzou vzorů ve vizuálních výstupech může odhalit nové obchodní příležitosti, kterých by si ve velké tabulce nikdo nevšiml.

KROK 3 Vyhodnotit a vylepšitPraxe ve vyhodnocování dat od-

lišuje společnosti dosahující vysoké ná-vratnosti investic (ROI) od těch, které stále hledají optimální model.

Je proto nezbytné testovat analytické pohledy oproti původní otázce týkající se podstaty podnikání.

Aby se minimalizovalo riziko, měly by podniky používat přístup testování a uče-ní, při kterém se nová nabídka nebo řeše-ní použijí na vzorový projekt, jehož cílem je zlepšit zaostávající KPI. To dává příleži-tost eliminovat všechny případné problé-my a vyladit řešení na jeho plný potenciál.

Po úspěšném pokusu pak může firemní vedení přemýšlet o použití nového pohle-du v dalších odpovídajících oblastech své-ho podnikání.

KROK 4 Rozšířením lze dosáhnout návratnosti investic

Takže jste už položili otázku, shromáždili data a otestovali své postřehy. Pokud to děláte dobře, můžete své poznatky použít ve všech funkčních oblastech včetně říze-ní vztahů se zákazníky, financí a výkonu, řízení dodavatelského řetězce a správy lid-ských zdrojů.

Zároveň můžete i vytvářet přizpůsobe-ná řešení pro další podnikatelské výzvy.

Získání konkurenční výhody pomocí analytiky ale vyžaduje více než jen tech-nologii a datové vědce – chce to velmi dobré otázky, které souvisejí s podnikáním a směrováním firemních sil a zdrojů.

Organizace, které dokážou detailně identifikovat a zodpovědět své podnikatel-ské otázky, mohou udělat potřebná opat-ření, a získat tak náskok před svými konkurenty.

Analytika by se měla považovat za silný nástroj, který by se měl přijímat celou společností, protože při jejím správném použití může poskytovat nevídané výhody v mnoha oblastech.

Využití potenciálu analýzy se ale nesmí odkládat jako obtížně řešitelný úkol. S jas-nou metodikou a cíleným přístupem po-skytne tato nově nalezená inteligence vaší firmě jasné výhody.

Prodata-MP.indd 9 23.10.13 16:17 BI-2013.indd 8 BI-2013.indd 8 29.10.13 15:0629.10.13 15:06

Prodata-MP.indd 9 23.10.13 16:17 BI-2013.indd 9 BI-2013.indd 9 29.10.13 15:0629.10.13 15:06

10 BU S I N E S S I N T E L L I G E N C E 2013

BUSINESS INTELLIGENCE | IN-MEMORY

Technologie in -memory zrychluje datové analýzyNěco může být rychlé nebo dokonce otravně rychlé. Zeptejte se třeba firmy AdJuggler, která provozuje inzertní platformu v podobě služby SaaS (software jako služba) a její byznys spočívá v párování inzerce s místy na webových stránkách. To bylo vždy spojené s rychlostí, ale s příchodem řízení nabídek v reálném čase se svižnost jejich řešení dostala na zcela novou úroveň.

JOHN MOORE

Při použití řízení nabídek v reálném čase vydavatel zašl e inzertní imprese do on -line systému výměny, který po-

šle dále žádost o nabídky. Když pak uživa-tel přijde na konkrétní webovou stránku, dojde k porovnání nabídek inzerentů a na stránku se umístí nejvyšší nabídka.

Prodej digitální inzerce tak nastane ve-lice rychle, uvádí Ben Lindquist, techno-logický viceprezident AdJuggleru. Naku-pující má při scénáři nabídek v reálném čase okno 100 milisekund, aby udělal k dané impresi nabídku.

Právě tento druh požadavku rychlosti vedl AdJuggler k nákupu produktu pro správu dat, který využívá technologii in--memory. Jde o řešení BigMemory od fir-my Terracotta. AdJuggler zavedl tento produkt koncem června 2013 nejprve omezeným způsobem, a to v rámci své nové generace inzertní platformy.

Taková nasazení přesouvají databáze z tradičního umístění na disku a namísto toho je ukládají do paměti.

Tento přístup zrychluje odezvu databá-ze na dotazy, protože cesta z paměti do já-dra procesoru je mnohem rychlejší, než je tomu při prohledávání dat umístěných na klasickém disku.

Mike Allen, viceprezident produktové-ho managementu ve společnosti Terracot-ta, již plně vlastní Software AG, uvádí, že paměť je podle všeho přibližně 1 000× rychlejší než disk. V případě AdJuggleru, kde se požaduje velmi krátká doba pro zpracování nabídek a obhospodařuje vyso-ký objem transakcí, tento kapacitní rozdíl hovořil zcela jasně ve prospěch řešení in -memory.

„Dražitelé si nemohou dovolit trávit znač-nou část tohoto času hledáním na disku,“ vy-světluje Lindquist. „Musí se to vyřešit jinak.“

Méně ladění pro databázeSoučasná platforma AdJuggler, která páru-je inzerci s místy na webových stránkách

rychlostí až 20 tisíc transakcí za sekundu, využívá databázi mySQL. Ta obsahuje konfigurační údaje o kampaních zákazní-ků a umístění inzerce na různých webo-vých stránkách.

Lindquist zmiňuje, že všechny tyto konfigurační údaje se budou přesouvat z diskově založeného datového skladu mySQL do řešení využívajícího in--memory technologii. AdJuggler k tomu přidá také několik terabajtů dat o anony-mizovaném publiku.

„Skončíme se záznamem pro každého uživatele, jenž přistupuje k části obsahu, kam lze umístit inzerci prostřednictvím na-šeho systému,“ tvrdí Lindquist s tím, že uživatelská data budou obsahovat až stov-ky milionů záznamů.

Toto úložiště dat bude i dále růst, pro-tože zákazníci AdJuggleru budou mít možnost umístit do systému správy dat Terracotta svá proprietární data o publiku. Co se týče propustnosti, bude nová plat-forma schopná růst a podporovat dokonce až 1 milion transakcí za sekundu, pozna-menává Lindquist.

„Přechod k technologii in -memory nám výrazně rozšiřuje možnosti pro rozhodování v reálném čase s využitím databázových úda-jů,“ uvádí Lindquist. Zajistit výkon databá-zí na nyní požadované úrovni by podle něj dříve vyžadovalo významné ladění konfi-gurace paměti a umístění paměti cache do paměti RAM, aby se tak zvýšil výkon.

Přístup do paměti cache je rychlejší než opětovné načítání dat z disku, ale vyrov-návací paměť obvykle představuje jen ma-lou část dat uložených v databázi. Lind-quist je přesvědčen, že výkon mySQL zá-visí zejména na tom, zda je potřebná část údajů v paměti právě ve správný okamžik.

Proč tam tedy nepřesunout všechna důležitá data? „Rozhodli jsme se, že vše bude v operační paměti,“ vysvětluje Lind-quist, „takže se teď nemusíme bát obrovské-ho ladění databáze, které by obvykle bylo nezbytné.“

AdJuggler bude podle svých slov využí-vat cluster od Terracotty s distribuovanou verzí softwaru BigMemory pro správu dat.

In -memory odhaluje podvodyPoštovní služba USPS (US Postal Service) učinila ohledně in -memory podobné roz-hodnutí – pokud jde o úlohy jako odhalo-vání podvodů nebo zlepšení směrování pošty. USPS využívá hardware společnosti SGI (Silicon Graphics International) a in--memory databázi Oracle TimesTen.

USPS podle současné konfigurace pra-cuje s více instancemi databáze TimesTen namísto jedné, aby tak zvýšila souběžnost datových zatížení.

Přechod na technologii in -memory eliminuje významnou softwarovou režii pro správu disku, latenci způsobenou fy-zickou charakteristikou běžného úložiště a omezení daná rychlostí otáčení disku, uvádějí Dan Houston Jr., ředitel služeb správy dat USPS, a Scot Atkins, specialista na informace o produktech společnosti USPS.

Podle nich hlavní obchodní přínos da-tabází in -memory spočívá v jejich schop-nosti poskytovat velmi rychlé odpovědi té-měř v reálném čase při současném zpraco-vání obrovského množství dat.

Technologie in -memory pomáhá firmě USPS identifikovat podvody a rychle zjis-tí, zda má dotyčná poštovní zásilka zapla-cené poštovné ve správné výši. Mluvčí zmiňoval databáze in -memory jako jednu z technologií, které poštovní službě umož-ňují zvládnout úlohy jako dynamické smě-rování, dodání ve stejný den nebo takzva-né prediktivní směrování.

„Databáze in -memory nám umožňují dě-lat v reálném čase věci, které by v minulosti trvaly hodiny nebo dokonce dny,“ uvádějí Houston a Atkins.

Zájem rychle stoupáTechnologie in -memory není nijak mimo-řádně nová. Roger Gaskell, technologický ředitel společnosti Kognitio, dodavatele analytické platformy in -memory, tvrdí, že první systém tohoto typu se vytvořil kon-cem osmdesátých let v londýnské makléř-ské firmě Savory Milln.

Její makléř tehdy chtěl, aby dokázal vy-počítat obchodní riziko cizí měny praktic-ky v jakémkoliv okamžiku, poznamenává Gaskell.

Před použitím systému in -memory se výpočty rizika cizí měny dělaly přes noc. Technologie in -memory „byl tehdy jediný způsob, jak jsme mohli získat data dostateč-ně rychle pro dosažení postačujícího výpo-četního výkonu splňujícího naše měřítka po-užitelnosti,“ prohlašuje Gaskell.

Nyní, téměř o čtvrtstoletí později, je novinkou prudký nárůst zájmu o techno-

BI-2013.indd 10 BI-2013.indd 10 29.10.13 15:0629.10.13 15:06

CO M P U T E RWO R L D.c z 11

IN-MEMORY | BUSINESS INTELLIGENCE

logie in -memory v různých oborech podnikání.

„Poslední dva roky pro nás byly největší změnou. In -memory se stala velmi vyhledá-vanou a z hlediska aplikací došlo k prudké-mu vzestupu,“ zmiňuje Gaskell.

Dříve firmě Kognitio zajišťovaly obrat finanční služby a telekomunikační společ-nosti, ale nyní nastává poptávka po in--memory řešení i na trzích, jako je malo-obchodní prodej, poznamenává Gaskell.

Allen z firmy Terracotta dodává, že zá-jem o technologii in -memory pozoruje mj. v oblasti finančních služeb, logistiky, elek-tronického obchodu, vládní sféry a zdra-votní péče. „Zájem se zvyšuje všude. Lidé se ptají, jak by ji mohli využít,“ popisuje Allen.

S růstem poptávky se také zvedl počet dodavateli nabízených technologií in--memory. Například Teradata nedávno představila Intelligent Memory, která po-dle ní umožňuje zákazníkům využívat pa-měť pomocí funkcí integrovaných v dato-vých skladech této společnosti.

„Není třeba mít samostatnou applianci,“ prohlašuje Alan Greenspan, mluvčí Tera-daty. Tato technologie podle něj sleduje zájem o data a dodává, respektive přesou-vá nejvíce žádaná a používaná data do operační paměti.

Indexování vs. in -memoryDatabáze spojené s in -memory mají po-tenciál produkovat skvělé výsledky, pokud organizace musí v krátké době zpracovat velké množství dat. Tato oblast však není zcela bezproblémová, jak by se mohlo zdát.

Jednou z potíží jsou mylné představy o charakteru in -memory.

Oboroví manažeři například tvrdí, že nasazení technologie in -memory vyžaduje poněkud více úsilí než jen zkopírování dat do operační paměti. Upozorňují, že soft-ware pro správu dat se musí navrhnout tak, aby pracoval i s pamětí.

„Nejde jen o umístění všech dat do pamě-ti,“ vysvětluje Chris Hallenbeck, vicepre-zident pro řešení datových skladů a plat-formu HANA ve společnosti SAP. „Je to přepsání celé databáze od základu tak, aby se paměť používala jako primární způsob ukládání, na rozdíl od disku.“

HANA je platforma, kterou vytvořil SAP a jež je určená pro práci v reálném čase, která zahrnuje in -memory databázi.

Dalším problémem je, že rychlost in--memory řešení klade zvýšené nároky na použité procesory. V důsledku toho musí organizace paralelizovat kód, který bude přistupovat k datům, a také nasadit vyva-žování zátěže přes cluster, vysvětluje Lindquist.

„Vyvažování zátěže (load balancing) se stává kritickou částí vašich schopností využít

výhody in -memory databáze,“ podotýká Lindquist.

Firma AdJuggler vytvořila systém vyva-žování zátěže založený na takzvané meto-dě pull s využitím komoditního hardwaru a interně vyvinutého softwaru.

Každá instance stroje AdJuggleru pro zpracování transakcí si převezme práci z komponenty pro vyvažování zátěže, do-končí úlohu a vyžádá si další práci, popi-suje Lindquist.

Pokud je třeba dodatečná kapacita, vy-užije tento systém více instancí.

Organizace s produkty podporujícími in -memory musejí rovněž dávat pozor na databázové indexy. Podniky využívající tradiční databáze si mohou dovolit věno-vat velké množství místa na disku inde-xům. Databáze pro in -memory však vyža-dují mnohem větší preciznost.

„Pokud používáte úložiště in -memory jako databázi s vyhledáváním, musíte udělat indexování, abyste si zajistili dostatečný vý-kon,“ uvádí Lindquist. „Musíte to ale udělat poměrně precizně, protože paměť RAM je dražší a je jí omezené množství.“

Netrvalá podstata operační paměti představuje pro osvojitele technologie in--memory další problém. Pokud systém se-

lže, musí se data znovu načíst. To může být časově náročné.

Houston a Atkins z USPS uvádějí, že ochrana dat je při použití in -memory da-tabází jednou z největších současných vý-zev. Jejich firma v současné době dělá veš-keré náročné zpracování právě pomocí technologie in -memory a relevantní vý-sledky se ukládají zpět do relační databáze.

USPS také udržuje soubor kontrolního bodu transakcí udělaných pomocí in--memory, takže v případě výpadku lze data omezeně obnovit. „Máme určitou jis-totu, že se naše nejdůležitější data chrání,“ uvádějí zástupci USPS.

Úloha obnovy systému in -memory ze souboru kontrolního bodu však vyžaduje hodně úsilí. „Jak si asi dokážete představit, opětovné načtení 16 TB z tradičních pamě-ťových médií může trvat poměrně dlouho,“ poznamenávají Houston a Atkins, a zmi-ňují tak velikost jejich datového úložiště in -memory.

„Abychom tento problém vyřešili, zkou-máme v současné době možnost přidání ka-ret s flash pamětí blíže ke zpracování v nadě-ji, že tak změníme čas načítání z hodin na pouhé minuty,“ dodávají Houston a Atkins.

BI-2013.indd 11 BI-2013.indd 11 29.10.13 15:0629.10.13 15:06

12 BU S I N E S S I N T E L L I G E N C E 2013

BUSINESS INTELLIGENCE | ANALYTIKA PRO IT

Prediktivní analytika pomáhá s „neřešitelnými“ problémyProblémy, které se zatím neprojevily a o kterých ani netušíte. I to mohou odhalit prediktivní systémy, které analyzují stav podnikového IT a pomocí vhodných výstupů pomáhají řešit potíže s výkonem či dostupností.

MARK JAFFE

Jeden z významných maloobchodních prodejců trpěl pravidelnými výpadky své aplikace pro zpracování dárkových

karet, takže zaměstnanci v pokladně ne-mohli zákaznické karty zpracovávat hodi-nu i déle.

Při každém nastalém výpadku trávili odborníci na aplikace, VMware, SQL Ser-ver, Windows Server a sítě hodiny zkou-máním velkého množství systémových protokolů a telefonováním s linkami tech-nické podpory, ale bez úspěšného naleze-ní prvotní příčiny.

Oddělení IT poté použilo prediktivní analytiku, aby pomocí ní prozkoumalo gi-gabajty dat z protokolů souvisejících se sy-stémem aplikace a sítí.

Zjistilo se, že chyby připojení k aplika-ci, respektive k databázi, časově souvisely se špičkami v síti dvou ze tří hostitelů VMware. S takto získanou informací už dokázali IT pracovníci vystopovat prvotní příčinu – šlo o nesprávnou konfiguraci VLAN pro aplikační provoz a funkci VMware vMotion.

Pokaždé, když funkce vMotion zahájila přesun virtuálního stroje, zahltila síť a za-bránila aplikaci dárkových karet přistupo-vat do příslušné databáze.

Vyřešte neřešitelnéJe to vynikající příklad, jak může predik-tivní analytika pomoci se zdánlivě neřeši-telnými problémy s výkonem aplikací.

Její největší přínos pro IT segment však spočívá v tom, že jakmile se spustí, může dokonce odhalit a poskytnout informace potřebné pro řešení problémů s výkonem aplikací ještě předtím, než si jich někdo všimne.

To je důležité pro klíčové podnikové programy, protože to může zabránit ztrátě obratu a zákazníků.

Současné kompozitní webově založené aplikace zahrnují příliš mnoho závislostí včetně webu, aplikačních a databázových serverů běžících na virtualizačních hyper-vizorech, nemluvě o službách prevence podvodů, zastaralých aplikacích a veškeré

hardwarové a síťové infrastruktuře umož-ňující fungování služeb.

V takto složitém IT prostředí může být vysledování prvotních příčin problému skutečně velmi náročné.

Separovaná povaha IT odborností ne-pomůže, protože existuje jen málo lidí se zkušeností a celkovým pochopením systé-mových vztahů a řetězení událostí, kteří by byli schopni objevit anomálie naznaču-jící problémy.

Bohužel klíčové ukazatele výkonu (KPI) a prahové úrovně IT závisejí na uka-zatelích, které je nutné vhodně zvolit, a navíc často vytvářejí příliš mnoho faleš-ných poplachů a naopak nezachytí vysky-tující se problémy.

Týmy IT opravdu potřebují znát, jak všechny tyto systémové vztahy a řetězy událostí nosných aplikací a transakcí fun-gují normálně a jaké změny indikují prav-děpodobný problém s výkonem. Řešení prediktivní analytiky pro oblast IT se za-měřují právě na tento cíl.

Jak to funguje?Prediktivní analytika používá různé meto-dy včetně například strojového učení, modelování a dolování dat k předvídání událostí na základě aktuálních a historic-kých údajů.

V současné době se tato řešení využí-vají k mnoha účelům včetně předvídání chování zákazníků a odhalování podvodů.

Pro výkon aplikací prediktivní analyti-ka nasazuje strojové učení a analytické metody big dat.

Slouží ke vstřebání a analýze obrovské-ho množství dat ze systémů a infrastruk-tury, aby se daly popsat obvyklé vztahy komponent aplikace a řetězů událostí a poté zjišťovat odchylky, které předpoví-dají problémy s výkonem.

Ideálně mohou vykonávat působivou analýzu buď z historických dat, nebo v re-álném čase.

Ve druhém uvedeném případě mohou skutečně předvídat a pomoci řešit problé-my s výkonem dříve, než nastanou dopady na obchod či produktivitu.

Krása nejlepších řešení prediktivní ana-lytiky spočívá v tom, že nevyžadují zdlou-havé a složité instalační a konfigurační procesy jako většina současných aplikací a nástrojů pro správu sítě.

Nespoléhají na lidi ani při rozhodová-ní, které ukazatele výkonu (KPI) a praho-vé úrovně se mají sledovat.

Namísto toho používají vlastní složité algoritmy strojového učení, aby sama po-chopila systémy a veškeré související vzta-hy a řetězy událostí.

Poté pomocí dalších algoritmů předpo-vídají pravděpodobnost různých událostí a upozorní vás, když nastanou takové, kte-ré jsou vysoce nepravděpodobné.

Na rozdíl od klíčových ukazatelů výko-nu (KPI), které vás mohou tisíckrát upo-zornit na nějaké drobné anomálie v jed-nom systému, se prediktivní analytika za-měřuje na abnormality napříč různými sy-stémy, jež typická upozornění na prahové úrovně často opomíjejí.

Protože se neustále učí systémům více rozumět, mohou se tato řešení kontinuál-ně sama přizpůsobovat i legitimním změ-nám v IT prostředí. Typické současné ná-stroje pro správu vyžadují po uživatelích, aby takové změny dělali sami.

Kromě předvídání a řešení problémů s výkonem je prediktivní analytika skvělá i pro poskytování přehledu o vztazích mezi systémy a problémy, o kterých jste nikdy netušili, že existují.

Cílem je zlepšení spokojenostiNedávný průzkum společnosti Trac Re-search zjistil, že 60 % IT oddělení dosahu-je méně než 50% úspěšnosti, pokud jde o prevenci problémů s výkonem, které mají dopad na koncové uživatele. Také ukázal, že každý měsíc padne v průměru 46,2 hodiny na řešení krizových scénářů.

Mnoho z těchto oddělení přitom nasa-dilo správu výkonu aplikací a více dalších nástrojů pro správu. Doplnění o řešení po-mocí prediktivní analytiky může zmíněný poměr úspěšnosti výrazně zvýšit a pod-statně snížit nebo dokonce eliminovat kri-zové scénáře náročné na čas a zdroje.

Tím se také zlepší spokojenost zákazní-ků a týmy IT budou muset trávit méně času řešením problémů s výkonem a bu-dou moci věnovat více času strategickým iniciativám, které přinášejí podnikům hodnoty a zlepšují jejich postavení vůči konkurenci.

BI-2013.indd 12 BI-2013.indd 12 29.10.13 15:0629.10.13 15:06

CO M P U T E RWO R L D.c z 13

Reálná nasazeníSpolečnost MKI například využívá pre-diktivní analýzu SAP založenou na in -me -mory platformě SAP HANA k vývoji léků na rakovinu na základě analýzy DNA. Nový systém minimalizuje prodlevy v tes-tování a snižuje náklady. Je 408 000× rychlejší než na tradičních discích založe-ný systém. Samotná analýza je 216× rych-lejší. Na místo několika dní tak trvá jen 20 minut. A naděje pro nemocné rakovi-nou je několikanásobně blíže. Společnost Cisco zase využívá prediktivní analýzu s podporou SAP HANA pro realtimový vhled do údajů o prodejích a simulaci trendů v prodejích jednotlivých produktů do budoucnosti. Může tak dělat okamžitá rozhodnutí, a odstranit tím nedostatek v podobě chybějících údajů o současném stavu trhu a chování zákazníků. Dnes jí taková analýza trvá jen pět vteřin.

Chcete ji i vy?Prediktivní analýza nabízí výhody v těchto pěti oblastech:1. Umí okamžitě předpovídat tržní trendy

a potřeby zákazníků2. Zvládne vytvářet nabídky na míru pro

každý segment a prodejní kanál3. Předpovídá, jak změny na trhu mohou

ovlivnit vaše produktové plány4. Předvídá změny v  nabídce a  poptávce

napříč dodavatelským řetězcem5. Umožňuje proaktivně řídit lidské zdroje

díky získání a udržení talentůZe společností, které využívají predik-

tivní analýzu, jich 68 % považuje toto ře-šení za výraznou konkurenční výhodu. Pokud si i vy myslíte, že potřebujete být o krok napřed, vědět, s čím v byznyse po-čítat v budoucnu, a že je tedy prediktivní analýza to, co by vám mohlo pomoci, mů-žete si stáhnout trial verzi SAP Predictive Analytics na webu store.sap.com. Více informací se dozvíte na webové adrese: www.saphana.com/community/learn/solutions/predictive -analysis.

Jak udělat ze zpětného zrcátka dalekohledSpolečnost Forrester Research označila SAP za lídra ve svém reportu Big Data Predictive Analytics Solutions. Společnost SAP tuto pozici získala zejména díky nasazení in -memory technologie SAP HANA, která svými možnostmi přesně odpovídá potřebám prediktivní analýzy, kde je rychlost získání informace tím nejdůležitějším.

Jestliže jsou řešení SAP v oblasti pre-diktivní analýzy tím nejlepším na trhu, představte si, co dokážou po spojení

s technologiemi KXEN. Tato společnost specializující se právě na řešení pro „před-povídání budoucnosti“ se totiž nedávno stala součástí SAP. KXEN je výkonný pre-diktivní nástroj ideální pro inteligentní cross -sellové a up -sellové aktivity, optima-lizaci nabídky, virální marketing, analýzy sociálních sítí a návrh produktů podle přání zákazníků – máme se tedy na co těšit.

Kouzlo, kterým prediktivní řešení SAP vládnou, je schopnost z dat, která jsou všude kolem nás, získat informaci a vizu-alizovat ji. A to vše díky in -memory řešení SAP HANA v reálném čase, až 100 000× rychleji, než bylo doposud běžné. Výhoda tkví v tom, že místo toho, abyste reagovali na to, co se stalo, můžete jednat podle toho, co se stane. S trochou nadsázky mů-žeme říct, že z vašeho zpětného zrcátka se stane dalekohled. Studie Aberdeen Group také ukázala, že společnosti využí-vající prediktivní analýzu mají téměř dva-krát takový nárůst prodejů založených na marketingových kampaních než společ-nosti, které do budoucna nehledí. To už stojí za zamyšlení.

Prediktivní analýza v praxiPrediktivní analýza přináší množství be-nefitů. Přibližně 52 % firem využívá pre-diktivní analýzu ke zvýšení profitability a 55 % k nalezení nových zdrojů příjmů. Jako nástroj pro zvýšení spokojenosti ji vy-užívá 45 % firem. U 43 % firem jde také o nástroj, který pomáhá vytvořit na míru šitou nabídku zákazníkům a oslovit ty správné zákazníky ve správnou chvíli.

Důležitá je kromě analýzy i samotná vi-zualizace. Umožňuje totiž porozumět vý-stupům všem pracovníkům napříč společ-ností, aniž musí být experty na statistiku. Díky jednoduchému grafickému rozhraní, jaké nabízí SAP Predictive Analytics, mo-hou i lidé z byznysu zadávat prediktivní

dotazy, aniž musí spoléhat na informace, které jim dodají specialisté na analýzu dat.

A jaká data využívají dnešní organizace pro prediktivní analýzu? 54 % firem vy-užívá data z prodejů, 67 % data z marke-tingu, 69 % data o zákaznících, 55 % in-formace o produktech a 51 % finanční data. Dalších 40 % firem využívá nebo plánuje využívat také data ze sociálních sítí. To je stručný recept na úspěch. Stačí vše jen nechat projít rychlým prediktiv-něanalytickým varem.

Prediktivní analýza najde své uplatnění na řadě míst. Může zkoumat vztahy a ko-relace mezi daty, identifikovat cross -sell a up -sell příležitosti, analyzovat historické i nastupující trendy i náhlé změny ovliv-ňující byznys. Dokáže odhalit příčiny od-chodu zákazníků, fluktuace zaměstnanců a faktory ovlivňující spokojenost zákazní-ků. Promítnutí těchto parametrů do bu-doucnosti pak ukáže, jak se současná data promítají do dalšího vývoje společnosti a jak korespondují s jejími cíli. Vedení tak je vždy o krok před realitou a má dostatek prostoru na důležitá rozhodnutí. Využití prediktivní analýzy je vhodné napříč vše-mi obory od telekomunikací, utilit či ban-kovnictví přes retail a výrobu až po veřej-ný sektor nebo zdravotnictví.

BI-2013.indd 13 BI-2013.indd 13 29.10.13 15:0629.10.13 15:06

14 BU S I N E S S I N T E L L I G E N C E 2013

Business analytics: Od papíru k high performance analyticsPETR KLÁŠTERECKÝ

Do oblasti business analy-tics spadá a vždy spadalo jednoduše téměř vše, co

lze nějakým způsobem měřit a vyhodnocovat. Zkusme ně-kolik příkladů, ze kterých bude ilustrace jasnější. Jste například obchodní firma a sledujete prodeje svých pro-duktů či služeb. Zajímá vás, kolik se prodá celkově od jed-notlivých artiklů, ale také vás zajímá, který obchodník (či pobočka) pro-dala dané produkty a služby a v jakém ob-jemu. Nebo můžete být společnost, která zasílá svým zákazníkům reklamní materi-ály. Poté musíte sledovat, kdo a kde zarea-guje. Nebo se snažíte vybírat z více variant a optimalizovat náklady, ziskovost či vytí-žení kapacit. A to jsou jen některé z mno-ha příkladů.

Pokud někdo z vás namítne, že mnoho z uvedeného lze označit jako „business in-telligenci“, oblast, pro kterou se již vžila zkratka BI, pak nejste tak daleko od prav-dy. V zásadě tedy ano, linie mezi BI a BA může být velice tenká a nejasná, byť ter-mín BI je vyhrazen spíše pro oblast repor-tingu a věcí souvisejících. Řada společnos-tí však do reportingu řadí například i vizu-alizaci dat, kterou jinde už považují za součást business analytics.

Když se na celou problematiku podívá-me pod drobnohledem, pak business ana-lytics není v zásadě nic nového – obchod-níci si vedli evidenci o prodaném zboží, aby pak mohli na základě těchto dat doob-jednávat a dokupovat zásoby odjakživa. Dalšími příklady s dlouhou historií a tra-dicí mohou být řízení kreditního rizika v bankovnictví (analýza dat klientů, kteří neplní své závazky) nebo přímý marketing se snahou nabídnout zákazníkovi podle jeho profilu (opět klientská data) co nej-výhodnější produkt. Všechny zmíněné analýzy dodnes tvoří základní pilíře BA ve všech typech společností – řízení rizik ze-jména v bankách a pojišťovnách, přímý marketing téměř všude a forecasting, tedy predikce budoucího vývoje, pak hlavně ve společnostech výrobních a obchodních. Samotná analýza zůstává v principu stále stejná. Co se ale mění, jsou podmínky, ve kterých se analýza provádí. A vše nasvěd-čuje tomu, že se budou tyto podmínky měnit i nadále.

Role IT je pro úspěšné na-sazení business analytics v ja-kékoli firmě naprosto klíčo-vá – IT pracovníci zajišťují infrastrukturu, instalaci, ve spolupráci s dodavatelem ob-vykle i správu a podporu sy-stému. V rámci IT by se tudíž mělo udržovat i základní po-vědomí o funkcích a určení daného systému. Přesto se často setkáváme se situací zcela opačnou. A to takovou,

že pro IT je analytický software jen další z řady nástrojů, o které se musí starat. Toto „tradiční“ uspořádání – na jedné straně konzumenti (marketing, planning, sales, controlling, risk a další) a na druhé straně IT jako „pouhý“ poskytovatel bez dalšího výraznějšího zapojení a vlivu na chod systému – však nemusí být nutně nejefektivnější. V momentě, kdy se objeví první problémy, začnou se objevovat také snahy nastavený systém a standardní ná-stroje nějakým způsobem obejít. Nesysté-mová řešení znamenají především zvýšení rizik a nákladů – duplikování práce, ne-jednotná vstupní data, neefektivitu a v ko-nečném důsledku frustraci většiny zúčastněných.

Bussiness analytics, HPA a vizualizace datZdánlivě nejjednodušší úlohou je vizuali-zace dat. Díky nim mohou využívat bene-fity business analytics nejen IT pracovníci a analytici, ale i byznysově orientovaní uživatelé. V praxi to znamená, že není nutné, aby se pracovníci do hloubky ori-entovali v problematice analytického zpracování.

Naopak mohou uplatnit svou odbor-nost v jejich vlastních oborech jako mar-keting, finance zásobování apod. Tak, že budou schopni formulovat a zadávat dota-zy, které přinesou srozumitelné a okamži-tě použitelné odpovědi relevantní pro je-jich byznys.

Díky vizualizaci mohou tito pracovníci snadno sledovat a predikovat trendy, roze-znávat závislosti a nepravidelnosti, odha-lovat vzorce chování zákazníků, konku-rentů, produktů, případně včas zjistit, že některý proces nefunguje dobře. Vizuální forma sdělení je přitom velmi důležitá, umožňuje snadno pracovat s informacemi vyprodukovanými pomocí tradičních ana-

lytických metod, jež v „surovém“ stavu ne-vypadají pro běžné uživatele příliš přátel-sky nebo jsou dokonce „nečitelné“.

Tím, že je současně možné pracovat se všemi daty společnosti, se navíc otevírá mnoho dalších možností, ať už prostřed-nictvím nových pohledů nebo přesnějších a detailnějších výstupních informací, ve-doucích ke kvalitnějšímu rozhodování. Kombinace účinné vizualizace a pokroči-lých analytických metod, navázaná na od-bornost v daném oboru byznysu, se uka-zuje jako velmi efektivní cesta ke skuteč-nému zlepšování chodu firmy a vytváření nových iniciativ. Je to jako vytěžení zlaté informační žíly z masivu datové horniny. Motivuje přemýšlet o realitě a příležitos-tech novým způsobem. A je to nejpřiroze-nější cesta, jak uživatelům představit po-tenciál informačního bohatství ukrytého v datech.

Vizualizovat lze libovolná data – každé oddělení bude mít vlastní požadavky na to, co se má analyzovat a jak. Vizualizace dat formou grafů a případně tabulek je pro člověka přirozenou formou analýzy, ne nadarmo se říká, že jeden obrázek čas-to vydá za několik stran textu nebo čísel. Přesto měla tato oblast historicky v rámci business analytics spíše menší, podpůr-nou roli, protože potřeby uživatelů nará-žely na technické možnosti. Na rozdíl od reportingu nebo OLAP kostek musí být vizualizace dynamická, téměř nic nelze předpočítávat a uživatel musí mít napros-tou volnost v tom, co a jak chce analyzovat.

Posledním trendem ve vizualizaci dat jsou proto tzv. in -memory nástroje, které dokáží požadovanou analýzu provádět bez předpočítávání rovnou v paměti (a tedy rychle), a to i nad daty o velikosti v řádu stovek GB nebo několika TB. Uživatelům nabízejí komfortní GUI a snadnou orienta-ci v analyzovaných datech, a přitom je po-žadovaná doba odezvy u takových systémů v řádu několika sekund. Na první pohled vidíte zřejmé přínosy – pro IT je to hlavně úleva od nekonečných požadavků na pří-pravu dat a reportů všeho druhu, a tedy více času na řešení „skutečných“ IT záleži-tostí, pro byznys uživatele je to naprostá volnost a plná kontrola při práci s daty a s tím spojená zodpovědnost za finální podobu analýzy.

Vizualizace nám umožní vidět základní trendy a souvislosti nebo rozdíly napří-

BI-2013.indd 14 BI-2013.indd 14 29.10.13 15:2629.10.13 15:26

CO M P U T E RWO R L D.c z 15

klad mezi jednotlivými skupinami klientů, smluv a podobně. Tato úro-veň detailu je typicky dostačující pro základní manažerský přehled, ale moderní business analytics nástroje mohou nabídnout mnohem více – již poměrně standardně se dnes řeší na-příklad segmentační úlohy. Segmen-tovat lze cokoliv – klienty, smlouvy, produkty, pohledávky, materiály, ho-vory, pojistné události… Opravdu té-měř cokoli. Můžeme tedy pro to za-vést pojem univerzální – „entita“. Cílem segmentace je totiž najít mezi všemi enti-tami takové, které mají něco společného, a ty potom přiřadit do stejné skupiny (seg-mentu). Pro jednotlivé segmenty pak spo-lečnost může definovat strategii, nabídky atd. Zatímco dříve se role IT často omezo-vala jen na implementaci segmentace do IT systémů, dnes funguje IT daleko častěji jako poskytovatel nástrojů, které všem za-interesovaným oddělením umožní vlastní definice a kombinace segmentů. Výsled-kem je snížení zátěže pro IT, a přitom vyš-ší spokojenost koncových uživatelů – po-mocí stejného nástroje může například marketingové oddělení segmentovat kli-enty podle jejich chování nebo zvyklostí a hned vedle může controlling segmento-vat smlouvy podle zcela jiných kritérií.

Věrnostní kartičky a předpověď budoucího chováníMáte věrnostní kartu v supermarketu? Pak vězte, že o vás obchodník ví mnohem více, než si možná myslíte – podle vašeho seg-mentu zná vaše běžné nákupy, ví, kolik průměrně utrácíte, ví, že asi máte morče nebo papouška (kupujete krmivo), a napří-klad vidí, že oproti jiným podobným zákaz-níkům neutrácíte téměř nic za alkohol nebo sýry. V okamžiku, kdy vám bude chtít něco nabídnout tak, aby to vypadalo, že na-bídka je určená právě a jenom pro vás, má díky analýze vašeho nákupního chování obrovskou výhodu – může lákat na to, co kupujete nejčastěji, testovat, jaká cena je pro vás ještě zajímavá atd.

S pomocí business analytics lze také zařídit to, aby obchodník mohl do bu-doucna předvídat vaše nákupní chování. S moderními analytickými nástroji to není nic složitého. Výrobní firmy dnes naprosto běžně využívají statistický fore-casting jako základ pro plánování výroby, finanční a telekomunikační společnosti

zase ve velkém využívají tzv. prediktivní modely pro odhad budoucího chování jed-notlivých klientů.

Prediktivní modelováníPočátky prediktivních modelů se datují hluboko do minulého století a k jejich prvním aplikacím patřil aplikační skóring žadatelů o bankovní úvěry – banky potře-bovaly posoudit rizikovost klientů a od-hadnout, kdo úvěr splatí. Časem se využití modelů masově rozšířilo. Dnes je tak mů-žeme kromě kreditního skóringu potkat i při výpočtu skóre pro collections (jak bude klient reagovat na zvolenou strate-gii), marketingové aktivity (jak bude kli-ent reagovat na oslovení konkrétní nabíd-kou), uplatňují se dokonce i v pojišťovnic-tví nebo ve státní správě a samosprávě, například při vyhledávání podvodů, pode-zřelých operací a podobně.

Princip prediktivního modelování se od prvopočátku nijak nezměnil – je třeba mít skupinu záznamů, kde znáte modelované chování. Statistické algoritmy potom doká-ží najít v datech skupiny záznamů, které mají stejné nebo podobné vzorce tohoto chování, a popsat je pomocí dalších cha-rakteristik, tzv. prediktorů. Princip mode-lování je tedy stále stejný. Co se však vý-razně změnilo, jsou metody, které se pro modelování používají. Rychlý rozvoj výpo-četní techniky umožnil masové nasazení výpočetně náročných algoritmů, jako jsou rozhodovací stromy a lesy, neuronové sítě a další. Jedná se vesměs o metody, které jsou teoreticky známé a algoritmizované již několik desítek let. Problémem ale byla jejich vysoká výpočetní náročnost. V dneš-ní době, kdy je výkonný hardware v podsta-tě komoditní záležitost, je trendem budo-vání analytických center (někdy se používá i termín analytical factory) podporujících masivní paralelizaci výpočtů a nasazování výkonných nástrojů, které tuto výpočetní

sílu umějí využít. Z hlediska koncových uživatelů je přitom nejzásadnější, aby se o technické záležitosti postaral sám analy-tický software – běžný analytik nechce ře-šit například load balancing nebo škálova-telnost analytického serveru, ale chce, aby systém počítal rychle a správně, a to i nad velkými daty. Velcí dodavatelé analytických řešení o této poptávce samozřejmě vědí a nabízejí systémy pojmenované obvykle High Performance Analytics, High Perfor-mance Data Mining a podobně. Tyto systé-my jsou u nás stále ještě poměrně nové, nicméně zkušenosti ze zahraničí ukazují, že se vyplatí – nasazením těchto nástrojů dochází k výrazným časovým úsporám. Snížit dobu výpočtu můžete i z několika desítek hodin na pouhé minuty.

Co dál?Do oblasti business analytics patří samo-zřejmě další celá řada témat – především analýza nestrukturovaných, zejména tex-tových dat, predikce poptávky (demand forecasting) a výběr nejlepší dostupné va-rianty (optimalizace).

Penetrace analytických nástrojů téměř do všech oddělení všech typů podniků je už dnes téměř každodenní realitou. Ná-stroje pro business analytics se dnes vy-užívají pro řešení širokého spektra analy-tických úloh od vizualizace dat až po kom-plexní predikční a optimalizační problé-my. Zároveň umožnila business analytics otevřít svět analýz a dat širší skupině uži-vatelů. A vše probíhá při postupném pře-chodu na technologie umožňující efektiv-ní zpracování velkých datových objemů. Nepochybně bude velmi zajímavé sledo-vat, jakým směrem se vývoj bude ubírat dále – zda to budou cloudové služby, spe-cializované výpočetní farmy nebo něco zcela jiného.

Autor je konzultant SAS Institute ČR

Ukázka vizualizace dat v nástroji SAS Visual Analytics.

BI-2013.indd 15 BI-2013.indd 15 29.10.13 15:2629.10.13 15:26

16 BU S I N E S S I N T E L L I G E N C E 2013

BUSINESS INTELLIGENCE | SOCIÁLNÍ SÍTĚ

Sociální marketing se bez analytiky neobejdeRychlá reakce na základě správných údajů pomáhá firmám získat více zákazníků nebo si udržet existující.

SANDRA GITTLENOVÁ

Nadnárodní gigant General Electric (GE) si stále udržuje přehled nad desítkami ob-lastí sociálního marketingu svých divizí a poddivizí, a to především díky pokroči-lému použití analytiky.

Paul Marcum, ředitel globálního digi-tálního marketingu v GE, pozorně sleduje vzestup a pád nových platforem a posuzu-je jejich účinnost.

Stejně tak je ale ochoten změnit oblast působení, pokud dostatečně nepřitahuje požadované publikum. Například tato fir-ma přestala využívat Foursquare, když si uvědomila, že platforma neodpovídá jejím potřebám marketingu.

GE zjistilo, že vývoj, umístění obsahu a správa každé reakce na jednotlivá publi-ka v sociálních sítích, jako jsou Facebook, Twitter, LinkedIn, YouTube, Pinterest, Google+ a další, ohledně její značky, divi-zí či poddivizí příliš zatěžují interní zdroje.

Přesun vývoje obsahu na jiný subjekt jí umožnil vyvíjet společnou strategii pro so-ciální sítě, která se hodí pro jednotlivé platformy.

Marcum považuje Facebook za „nejpo-užitelnější pro GE“, protože má nejvíce obsahu a nejrychlejší odezvy. YouTube

zase umožňuje vychvalovat technologie a jejich vliv na výrobu společnosti GE po-mocí poutavých videozáběrů.

Tyto kanály společně „přibližují lidem firmu mnohem výrazněji, než tomu bylo dří-ve,“ tvrdí Marcum.

Outsourcing obsahuPři výběru reklamních agentur se přihlíží k jejich odborným zkušenostem s konkrét-ními typy sociálních médií. Například ob-sah na Instagramu má na starosti agentura velmi schopná v oblasti vizuální prezenta-ce a videí. Další agentura, která je známá svým umem vytvářet mikroobsah, dodává své služby pro Facebook a Twitter.

Marcum uznává, že taková „rozsáhlá kombinace způsobuje další nároky“ z hledis-ka komplexního řízení, ale výsledek pova-žuje za dobře vynaložený čas.

Marcum dále zdokonaluje sociální marketing většinou prostřednictvím po-kročilých analytických nástrojů. V počát-cích dostával každý týden zprávu ve for-mátu PDF se základními statistikami pro „lajky“, fanoušky apod. To ale prý nebylo dostačující, protože se to nepřizůsobilo jednotlivým případům použití ani reálné-mu času a neodráželo to obrovské příleži-tosti skryté v sociálních médiích.

V současné době GE využívá interně vytvořený analytický a vizualizační soft-ware, který přes rozhraní API bezpro-středně získává údaje ze všech sociálních médií včetně Google Analytics, Facebooku a Twitteru.

Manažeři mohou v reálném čase využí-vat přizpůsobitelné informační panely, které názorně ukazují výkon na denní bázi. Marcum tvrdí, že je tento model mnohem vhodnější pro určování nejlep-ších platforem sociálních médií pro určité zákaznické segmenty. Jeho konečným cí-lem je mít jasný přehled o nákladech na jednotlivé případy použití.

Sociální marketing – počátkyMark Fidelman, autor knihy o využití so-ciálních sítí v nejvýznamnějších firmách (Socialized!: How the Most Powerful Bu-sinesses Harness the Power of Social), byl podle svých slov svědkem mnoha omylů v oblasti sociálního marketingu, které vět-šinou způsobily nástavby k tradičním mar-ketingovým strategiím.

Marketing uvízne na vedení, popisuje, namísto toho, aby se hledala skutečná hodnota sociálních médií.

„Sociální marketing se méně týká převo-dů kliknutí na počet uzavřených smluv a na-opak více se orientuje na vytváření vztahů. Nakonec je to důvěra, co vede lidi ke koupi, a to je správná cesta, jak zpeněžit sociální marketing,“ radí Fidelman, ačkoli neexis-tují žádná striktní čísla, která by takové tvrzení dokazovala.

Podniky však musí nejprve překonat vnitřní překážky, jako je tendence k hro-madění informací a udržování separace. Sociální marketing potřebuje získat maxi-mální hodnotu z názorů a analýz, využívat spolupráci všech oddělení.

Pro dosažení nejvyšší zralosti sociál-ního marketingu by se mělo do strategie zapojit také oddělení IT, a to v současné době není úplně běžná podniková pra-xe. Marketingové týmy řeší své IT po-třeby buď samy, nebo využívají externí zdroje.

Avšak především IT oddělení musí být součástí týmu, protože data získaná z plat-forem sociálních médií se musí uložit do back -endových systémů pro pozdější ana-lýzy, jejichž výsledky se mohou distribuo-vat v rámci celé společnosti pro podporu informovaných rozhodnutí.

Uchovávání těchto dat nedostupným způsobem sabotuje samotný účel a snižuje jejich přínos, uvádí Fidelman.

Prostřednictvím včasné spolupráce s oddělením IT podle něj společnosti mo-hou získat svatý grál sociálního marketin-gu – poskytovat zákazníkům správná sdě-lení ve správný čas na správné platformě a ve správném kontextu.

BI-2013.indd 16 BI-2013.indd 16 29.10.13 15:0629.10.13 15:06

CO M P U T E RWO R L D.c z 17

SOCIÁLNÍ SÍTĚ | BUSINESS INTELLIGENCE

Změna obsahu na základě datPublishers Clearing House (PCH) považu-je sociální marketing za stejně důležitý jako televizní reklamu, on -line reklamu, události či přímý marketing. Své publi-kum získává přes Facebook, Twitter, Pin-terest, YouTube, Google+ a další populár-ní platformy.

Tato firma na svých četných stránkách Facebooku už získala více než 1 milion fa-noušků. „Technologie musí strategicky za-chycovat stále více dat a ukládat je do naše-ho datového sklad u, abychom mohli lépe identifikovat zákaznické segmenty a zajistit zákazníkům lepší zkušenosti spojené s jejich angažovaností ve všech oblastech našich pro-duktů a programů,“ říká Deborah Hollan-dová, výkonná viceprezidentka společnos-ti Publishers Clearing House.

„Naším cílem je mít velké, vysoce angažo-vané publikum,“ tvrdí Hollandová. Ona i její tým posuzují úspěšnost sociálního marketingu pomocí analytického softwaru Salesforce Marketing Cloud (dříve Buddy Media) od společnosti Salesforce.com.

Uživatelé mohou pomocí něj analyzo-vat komentáře, tweety a další typy pří-spěvků na základě předem definovaných filtrů a značek společně s populárními metrikami, jako jsou lajky nebo fanoušci Facebooku či „followeři“ Twitteru.

Ačkoliv reportovací nástroje pro sociál-ní média, které PCH provozuje, v součas-né době nemají rozhraní pro ostatní pod-nikové systémy, pokud se uživatel sociální platformy zaregistruje nebo rozhodne pro e -mailový program PCH, zaznamená se, že pochází z dotyčného sociálního kanálu.

PCH zaměřuje obsah a reaguje na po-žadavky zákazníků podle výsledných dat. Analytika nedávno ukázala, že spotřebite-lé mají zájem o podrobné profily vítězů stejně jako o krátká videa se zaměstnanci ze zákulisí, takže firma tento typ obsahu rozšířila.

Všechny výdaje rozpočtu na sociální média se ručně integrují s celopodniko-vým systémem řízení rozpočtu, který po-skytuje komplexní pohled na celkové vý-kazy rozpočtu společnosti. Analýzy zapo-jení v sociálních médiích se shromažďují pomocí softwaru specifického pro dané kanály, jako jsou Facebook Insights, Sales-force.com nebo WordPress.

Manažeři dostávají týdenní komplexní zprávu o úrovni angažovanosti a ředitelé zase ručně připravovanou měsíční zprávu, která zahrnuje objemy sociálních médií s úrovněmi angažovanosti.

Hollandová připisuje rozšířený pohled na sociální média podnikové struktuře. Jako šéfka propagace pro všechny oblasti

mohla bez problému zapojit sociální mar-keting do každého aspektu činnosti firmy.

„Máme v našem týmu sociálních médií čtyři lidi, kteří jsou propojeni s dalšími klíčo-vými osobami v celé organizaci včetně desig-nérů a autorů a vytvářejí obsah pro všechny kanály,“ popisuje Hollandová.

PCH podle ní vytvořila dynamickou síť zaměstnanců, kteří vypomáhají a znají so-ciální média jako součást své práce. Tato týmová spolupráce se často přezkušuje.

Angažovanost fanoušků na Facebooku „mluví o tom“ dosahuje hodnoty průměr-ně 10 až 15 %, ale může dojít i k 80 % těs-ně před oznámeními velkých výher.

Tyto události se přitom však musejí ko-ordinovat ve všech marketingových kaná-lech, aby mohla sociální média reagovat v reálném čase.

Rozděl a panujSpontánní potřeba lidské interakce je jed-ním z nejtvrdších ponaučení, která sociál-ní média společnostem přinášejí. Před čtyřmi lety, kdy hotelová společnost Best Western International zahájila své aktivity na Facebooku, pobízela provozovatele všech svých 2 200 nemovitostí, aby si také vytvořili účet na Facebooku.

Firma však záhy zjistila, že ne všichni manažeři mají čas nebo jsou dostatečně

BI-2013.indd 17 BI-2013.indd 17 29.10.13 15:0629.10.13 15:06

18 BU S I N E S S I N T E L L I G E N C E 2013

BUSINESS INTELLIGENCE | SOCIÁLNÍ SÍTĚ

schopní v oblasti vztahů s veřejností, aby zvládli nuance sociálních médií, jako je reakce na rozzlobený příspěvek zákazníka.

„Pokud se stránka nespravuje, může se potenciálně dobrá zkušenost změnit na špat-nou, která může poškodit značku,“ varuje Michael Morton, viceprezident služeb v Best Western.

Firma naslouchá sociálním médiím po-mocí softwaru Medallia pro zákaznické zkušenosti. Ten analyzuje text příspěvků, které se týkají značky obecně a konkrét-ních zkušeností s hotelem. Best Western využívá toto zpravodajství shromážděné prostřednictvím informačních panelů a přizpůsobených reportů k pochopení svých úspěchů a nedostatků a totéž dělá i u svých konkurentů.

„Monitoring sociálních médií je pro nás skvělý způsob, jak pochopit, co má na hosty pozitivní vliv a čeho se nejvíce obávají u na-šich hotelů,“ vysvětluje Morton. „Tyto infor-mace nám kromě vyžádané zpětné vazby po-máhají rozvíjet naši značku.“

Původně jsme nasadili produkt Medal-lia „bez spoléhání se na IT,“ vysvětluje Mor-ton. „Později jsme je ale už chtěli při zavá-dění v dalších nemovitostech zapojit.“

Tým IT také pracoval na integraci dat z dalších systémů. Pomohl například obchodnímu oddělení integrovat infor-mace o kupním chování, jako je původ

zákaznické rezervace – přímo přes hotel, cestovní kancelář, web dalšího subjektu atd.

Taková informace pomůže zodpovědět otázky, jako zda mají úspěšnější hotely více rezervací. Best Western silně věří vý-sledkům, které poskytuje sociální marke-ting, že zvýšily váhu přisuzovanou této zpětné vazbě oproti průzkumům, které rovněž dělá firma Medallia, a dalším ty-pům shromažďování údajů.

Morton se domnívá, že vliv sociálních médií bude jen sílit. „Nemáme v úmyslu omezit financování jiných marketingových aktivit, ale do této oblasti investujeme více,“ prohlašuje Morton.

Ačkoli Best Western nyní ponechává rozhodnutí o tom, zda využívat sociální média, na jednotlivých majitelích, téměř všechny hotely se zapojily do sociálních médií přes software Medallia. Ten posílá upozornění personálu konkrétního hote-lu, pokud komentář, tweet nebo jiný pří-spěvek vyžaduje okamžitou pozornost.

Pokud si zákazník stěžuje na Faceboo-ku na nedostatek ručníků u hotelového bazénu, je manažer nemovitosti upozor-něn, takže může rychle doplnit zásoby. Provozovatelé hotelů mají také přístup ke statistikám a přehledu, pokud jde o jejich výsledky ve srovnání s místní konkurencí.

„Zpočátku provozovatelé hotelů nechápa-li závažnost ani hodnotu okamžité kontroly

a reakce,“ uvádí Morton a dodává, že met-riky sociálních médií jim poskytly potřeb-nou perspektivu.

Potřebná zlepšeníK úplnému uskutečnění vize Marcuma z GE je podle něj třeba rozšířit platformy sociálních médií o atribuci, aby mohly fir-my vysledovat obsah zpět až k jednotliv-cům prostřednictvím re -tweetů a sdílení.

„Jakmile budeme mít celkový obrázek, můžeme lépe pochopit, kde se musí přepočí-tat ceny nebo náklady na získání zákazní-ka,“ tvrdí Marcum. Morton z Best Wes-tern zase tvrdí, že lepší atribuce pomůže zpeněžit sociální marketingové úsilí tím, že odhalí původ prodeje – například vliv-ný blogger sdílející zprávu o hotelové sle-vě, což zákazníkům zkrátí pátrání po je-jich službě. Je dobré vědět, „kdy a kde zá-kazník nakupuje,“ uvádí Morton.

Jedním z hlavních omezení této vize je nutnost zajistit příslušné provozní údaje, vysvětluje Morton.

„IT zde hraje klíčovou roli, protože analy-tický systém Medallia shromažďuje velké množství dat zpětné vazby od zákazníků a čím více ji dokážeme propojit s provozními metrikami, tím větší potenciál existuje pro pochopení a koncentraci na akci s potřeb-ným vlivem,“ dodává Morton.

Podle něj s rostoucí integrovaností sy-stémů půjde lépe automatizovat některé procesy, což umožní zaměřit se na získá-vání hodnoty z daných informací. Koneč-ným cílem je, aby tento proces nastal co nejdříve.

PCH plánuje využít atribuci nejen k vy-hodnocení návratnosti investic do rekla-my, ale také k identifikování vlivných osob v prostoru sociálních médií a stejně tak nejaktivnějších členů publika.

Tato firma ale následuje i mobilní trend. „Třetina našeho publika jsou mobilní uživatelé a tento počet rychle roste,“ uvádí Hollandová. „Aplikace Facebooku však ne-jsou zcela kompatibilní s mobilními zařízení-mi a my jsme závislí na jejich vývojářích, zda to opraví.“

Morton ze společnosti Best Western mezitím zkoumá způsoby, jak integrovat analytiku sociálních médií do systému správy firemních nemovitostí. Jeho nadějí je, že jednoho dne bude stačit tweet klien-ta, že by si přál mít pokoj v prvním patře, a tato informace se zaznamená jako prefe-rence v jeho zákaznickém profilu.

W ickhamová, Hollandová, Morton a Marcum jsou v souvislosti s budoucností sociálního marketingu všichni optimistič-tí a jsou si jistí, že se jejich značkám vy-platí. „Je tu spousta práce, kterou je potřeb-né udělat. Není to však spojené s frustrací, ale se vzrušením a očekáváním,“ popisuje Marcum.

Sociální marketing a ITPrůkopníci sociálního marketingu vědí, že cesta k úspěchu vede přes IT, a proto si zvou na své strategické porady ředitele IT a další vedoucí pracovníky IT.

Pam Wickhamová, viceprezidentka podniko-vých záležitostí a komunikace ve firmě Raythe-on, a Deborah Hollandová, výkonná viceprezi-dentka společnosti Publishers Clearing House (PCH), popisují svůj pohled na základě vlastní zkušenosti se zapojením IT do aktivit sociálního marketingu.

„Náš tým pro digitální a sociální média spolu-pracuje s IT oddělením, které spravuje analytic-ký software pro webové trendy, takže s nimi úzce kooperujeme při sledování aktivit na na-šich webových stránkách. Také nám pomáhá prověřovat externí dodavatele analytických technologií,“ říká Wickhamová.

Podle ní oddělení IT vždy považovali za svého nejsilnějšího partnera, neboť jim zajišťuje komu-nikační funkce, ať už prostřednictvím hardwaru, softwaru nebo sociálních platforem.

„V PCH jsme úspěšně implementovali agilní vývojové prostředí, protože jsme potřebovali ře-šit potřeby a strategie on -line marketingu rych-leji a častěji. Zavádíme také stále více webových služeb a rozhraní API, které jsou provázané

s různými platformami angažovanosti našich uživatelů (Okamžitá výhra, Cestovní kampaně atd.), takže je stále snadnější přidávat nové ka-nály do našich strategií marketingu a získávání zákazníků,“ tvrdí Hollandová.

Technologie analytiky sociálního marketingu podle ní musí zachycovat stále více dat a ukládat je do datového skladu, aby bylo možné lépe identifikovat zákaznické segmenty a zajistit klientům lepší zkušenosti spojené s jejich angažovaností ve všech oblastech produktů a programů.

Firmy by měly opustit zažité zvyklosti a zkusit něco nového – může to být pro značku obohacu-jící a osvěžující, ale jak poukazuje Hollandová, zajistěte, aby to byl technologický tým schopen skutečně podporovat, nebo alespoň domluvte, aby byl součástí prověřovacího procesu, zejmé-na pokud je to opravdu něco nového a odvážného.

„Spolupracujte od začátku a často. Aby mar-keting využívající sociální média opravdu uspěl, musí vám IT pomoci formovat a inspirovat vaši strategii. Jsou to experti na nástroje a vy byste měli být experty na jejich nasazení. Tato kom-binace vytváří silné spojenectví,“ dodává Wickhamová.

BI-2013.indd 18 BI-2013.indd 18 29.10.13 15:0629.10.13 15:06

CO M P U T E RWO R L D.c z 19

místo, kde se nacházejí, a zařízení, které používají.

O2 Mobile Device ManagementSlužba O2 Mobile Device Management slouží pro spolehlivou správu a zabezpe-čení mobilních zařízení připojených do podnikové sítě. Umožňuje spravovat velké množství mobilních zařízení, především chytrých telefonů a tabletů, používaných zaměstnanci, ať se nacházejí kdekoli.

IT služby od O2O2 je dlouholetým poskytovatelem tele-komunikačních i IT a cloud computingo-vých služeb. V současné době disponuje třemi velkými datovými centry o celkové ploše větší než 7 300 m2, která jako první a dosud jediná v České republice obdrže-la certifikaci Tier III. Jsou založena na

kvalitních a robustních mezinárodních standardech, využívají špičkové technolo-gie, jsou bezpečná a plně vyhovují poža-davkům české i evropské legislativy. O2 je prvním držitelem certifikace VMware vCloud Powered v zemích tzv. bývalé vý-chodní Evropy a Gold Partnerem společ-ností Microsoft a Cisco Systems. Nechybí certifikace ISO 20000 -1:2011, zaručující kvalitu řešení požadovanou zákazníkem, nebo certifikace řízení bezpečnosti ISO 27000, která zajišťuje, že data a aplikace zákazníků budou vždy v bezpečí. Projekty jsou realizovány v souladu s ITIL. Produk-ty O2 Virtuální Desktop, O2 Web Security Gateway a O2 Mobile Device Manage-ment získaly v létech 2012 a 2013 prestiž-ní ocenění IT Produkt roku.

Více o ICT pro podniky na www.o2.cz/corporate/ict a pro veřejnou správu na www.o2.cz/pa/ict.

Inteligentní pracoviště nejenom pro business intelligenceBusiness intelligence nejsou jenom programy a procesy, které dokáží v obrovském množství dat vyhledat relevantní informace a sestavit je ve smysluplný výsledek, ale také počítače a infrastruktura, kterou aplikace využívají. Výběr počítače přitom nebývá jednoduchou záležitostí. Nákup, správa, údržba a obnova počítačového parku navíc vyžaduje nemalé počáteční i provozní náklady. Ideální řešení, počítače, jejichž výkon poroste s potřebami uživatelů a jejichž aplikace budou neustále aktuální, však existuje.

Inteligentní pracovištěInteligentní pracoviště tvoří několik slu-žeb, které lze využívat samostatně, kombi-novat vzájemně i s dalšími IT službami od O2. Jednoduše, rychle, na míru požadav-kům a bez neočekávaných skrytých nákla-dů umožňuje realizovat komplexní řešení celého firemního IT. Redukuje počáteční investice do nákupu počítačů a umožňuje plánovat celkové náklady na provoz IT.

O2 Virtuální DesktopO2 Virtuální Desktop představuje per-spektivní cestu, jak doručit funkcionalitu počítače kamkoli, kdykoli a na libovolný počítač, tablet nebo i chytrý telefon. Vý-početní a komunikační činnosti virtuální-ho počítače jsou vykonávány v datových centrech O2. Zde jsou provozovány i apli-kace a uložena data. Uživatelé se přihla-šují na dálku z počítače, z notebooku, z chytrého telefonu či tabletu odkudkoli, kde je internetové připojení. Z uživatel-ského hlediska získávají stejné pracovní prostředí, jako kdyby pracovali na skuteč-ném počítači. Výkon virtuálního počítače nezávisí na uživatelském zařízení a může růst s potřebami uživatele. Data, s nimiž aplikace pracují, i v případě zničení či ztráty uživatelského zařízení zůstanou ne-dotčena. Úhradu tvoří měsíční poplatek, jehož výše se odvíjí od rozsahu poskytova-ných služeb. V ceně služby může být i po-užití antiviru nebo balíku kancelářských aplikací. O2 poskytuje jako součást služby také hardware, přičemž platby za službu se fakturují jako celek.

O2 DesktopZa výhodný poplatek či za jednorázové ceny je formou služby k dispozici rovněž optimálně vybraná kombinace notebooků a tabletů ve třech výkonnostních třídách:

nižší, střední a vysoké, které pokryjí na-prostou většinu obvyklých potřeb uživate-lů. V ceně je již zahrnuto rozsáhlé příslu-šenství, např. 3G modem, mobilní inter-net, rozšířená záruka na tři roky, servis do druhého dne na místě včetně náhradních dílů, cesty a práce technika a v případě operativního lea-singu i pojištění. Součástí na-bídky jsou i tzv. tenké klienty, cenově nenáročné kancelář-ské počítače optimalizované pro využití služby O2 Virtuál-ní Desktop.

O2 Business MailO2 Business Mail poskytuje profesionální řešení elektro-nické pošty postavené na plat-formě Microsoft Exchange. Zahrnuje využití sdíleného kalendáře, adresáře a veřej-ných složek pro ukládání sdílených soubo-rů. Volitelnou součástí je provoz a správa zákaznické domény. Pošta, kontakty i ka-lendář jsou přístupné ze standardních poštovních klientů, přes webové rozhraní, ale také prostřednictvím chytrých telefo-nů a tabletů.

O2 Web Security GatewayO2 Web Security Gateway posunuje kon-trolu bezpečnosti do datových center O2. V okamžiku, kdy se uživatel připojí k ja-kékoli veřejné síti, ať už z pracoviště, z domova nebo odkudkoli ze světa, je veš-kerá jeho komunikace do internetu bez-pečně směrována přes datová centra O2, kde se spolehlivě filtruje. Uživateli jsou doručována pouze bezpečná data odpoví-dající pravidlům, která určuje zákazník. Změny nastavení se projeví okamžitě pro všechny vybrané uživatele bez ohledu na

BI-2013.indd 19 BI-2013.indd 19 29.10.13 15:0629.10.13 15:06

20 BU S I N E S S I N T E L L I G E N C E 2013

Řada společností má se samoobslužnými systémy BI podobné zkušenosti jako s počátky agilního vývoje – neuvědomuje si, kolik práce implementace řešení ve skutečnosti stojí.

KIMBERLY NEVAL AOVÁ

Kdysi se firmy hrnuly do agilních meto-dik přitahovány příslibem rychlejších dodacích cyklů, lepších vztahů mezi

obchodem a IT a urychleného dodání.Tato metodika byla obzvláště atraktivní

pro subjekty, které se potýkaly s malou an-gažovaností podnikových uživatelů a ne-splněním představ o dodávce.

Mnozí si však nedokázali uvědomit, že agilní přístup vyžaduje větší zapojení uži-vatelů, větší odpovědnost, disciplinované rozhodování a trvalý závazek, nemluvě o rychlejším vývoji, který je schopen reago-vat citlivěji. Dodací cykly byly kratší a při dobrém řízení pravděpodobně s lepším výsledkem. Úspěch však nepřišel zdarma.

Týmy BI, které se potýkají s lavinou ne-uspokojených potřeb BI, stejným způso-bem přijímají moderní heslo „samoob-služnosti“. Ti, kdo však očekávají rychlé řešení, sami vzápětí zjistí svůj omyl.

Samoobslužnost se zaměřuje v oblasti užívání BI na vyšší robustnost a rychlejší dostupnost. Pojem samoobslužné však ne-znamená totéž co „sebou umožněné“. BI týmy nejsou z obliga. Mají zásadní úlohu ve vytvoření funkčního samoobslužného ekosystému.

Promyšlená strategie musí vyřešit ná-sledující dobře známé problémy:

Jedna velikost nevyhovuje všem – Stejně jako se vaše zákaznická základna skládá z různých segmentů se samostat-nými potřebami, jsou i uživatelé BI různo-rodou skupinou.

Pro vedoucí pracovníky může samoob-služnost znamenat přístup k firemním vý-sledkům přes iPad nebo možnost dostat odpovědi na všechny své otázky na požá-dání. Pro spoustu uživatelů z podnikových provozů je nejlepším BI řešením to nevi-ditelné – konkrétně zprávy a upozornění se integrují do provozních aplikací a pra-covních postupů, takže nejsou odlišené.

Znalostní pracovníci včetně rozvíjející se specializace datových vědců potřebují mít přístup k robustním vyhledávacím ná-strojům a rozsáhlým objemům dat. Zave-dení samoobslužného řešení proto vyža-duje jasné rozvrstvení typů uživatelů a do-dání celé řady možností a řešení.

Jiný uživatel, jiná smlouva o úrovni poskytovaných služeb (SLA) – Každý uživatelský segment má svá vlastní očeká-vání a požadavky na podporu. To na druhé straně vyžaduje odlišné smlouvy o úrovni poskytovaných služeb a modelů závazků, nemluvě o různých mechanismech stano-vení priorit pro řešení nových požadavků a řešení problémů.

Začínat od nuly není dobré – Obecně vzato lidé jsou vždy lepší kritici než au-toři. Samoobslužné řešení funguje nej-lépe, když se uživatelům poskytne dobrý základ pro inovace.

Začněte s intuitivním a robustním in-formačním panelem nebo interaktivním reportováním či zkušebním prostředím, které řeší nejčastější metriky, dimenze, analýzy nebo data reportů.

Potom uživatelům dovolte dělat úpravy a přizpůsobení, aby si tak vytvořili varian-ty pro své specifické potřeby.

Možnosti trumfují vývoj – Historicky se řešení BI dodávala jako reportovací sy-stém, informační panel nebo krychle pro analytiky. Samoobslužné řešení posouvá toto paradigma od BI „udělátka“ k dodání dat a sad nástrojů pro přístup k těmto da-tům a k jejich využití.

Často se přitom opomíjí, že pro tuto změnu je důležité vzdělávání uživatelů. Značně se to ale liší od jednorázového

BUSINESS INTELLIGENCE | IMPLEMENTACE

Samoobslužné BI lépe zpřístupní analytiku

úkonu. Školení a podpora jsou trvalou nutností, kterou je třeba plnit pomocí více modelů: formální školení v učebně, škole-ní při jídle nebo linky technické podpory uživatelů na vyžádání.

Zprovoznění samoobslužného řešení je prací na plný úvazek. BI týmy nejsou z ob-liga – jen se změnil předmět dodávky. Kvalifikace a role týmu se musí změnit odpovídajícím způsobem.

Není to sólistická záležitost – Spolu-práce je pro přijetí a životaschopnost sa-moobslužného řešení klíčová. Kooperace podporuje a využívá sílu kolektivu tím, že poskytuje funkce, které vyzývají uživatele, aby:

■ vzájemně kontrolovali údaje a analýzy, ■ rozvíjeli společné chápání sdílených

dat, ■ vyžadovali informace o příčinách

a možný dopad hlavních zjištění, ■ zachycovali a sledovali účinnost opatře -

ní přijatých na základě ohlášených zjištění.Je třeba rovnováha – Samoobslužné

prostředí ze své podstaty umožňuje vytvo-řit ještě více matoucí chaos různorodých reportů a analýz. Naopak vhodně spravo-vaná prostředí s důrazem na spolupráci přirozeně podporují konsenzus a nakonec konsolidaci.

Nalezení správné rovnováhy vyžaduje dobré řízení ve vztahu ke sdílení a zveřej-ňování informací, zvláště pro oficiální podnikové reporty, výstupy poskytované třetím stranám, jako jsou zákazníci či doda vatelé, a takové, které se uvádějí pro veřejnost z důvodu plnění předpisů.

Nakonec samoobslužné řešení je vý-sledkem strategie robustního řešení BI a analýz. Při správném použití může rozší-řit viditelnost, hodnotu i přijetí BI a ana-lytických řešení.

Naopak špatná realizace může popudit již tak nespokojenou a přetíženou uživa-telskou komunitu.

BI-2013.indd 20 BI-2013.indd 20 29.10.13 15:0629.10.13 15:06

CO M P U T E RWO R L D.c z 21

Přínosy využití big dat v byznys analýzePojem big data je diskutován v souvislosti s otázkami ohledně jejich zpracování, ukládání a využití informačního potenciálu.

EVŽENIE REITMAYEROVÁ

Manažeři si uvědomují, že pro zajiš-tění úspěchu svých společností musí přestat spoléhat na konvenč-

ní analytické nástroje a metody a využít inovativní přístupy. Jednou z cest je právě využití big dat k byznys analýzám.

Nejběžnějšími oblastmi pro použití big dat jsou marketing a podpora prodeje. Nové způsoby vytěžování dat pomáhají ze-fektivnit marketingové kampaně a komu-nikaci tím, že přesněji definují hodnotu zákazníka, jeho potřeby a doporučené ak-tivity, ze kterých budou mít jak zákazník, tak společnost největší přínos.

Uveďme si dva příklady marketingo-vých analýz:

Hledání nespokojených zákazníkůKlíčem k udržení zákazníků není jen roz-poznat vlastní stav nespokojenosti, ale být schopen v detailu analyzovat události, kte-ré k nespokojenosti vedly.

Big data umožňují použít nové typy analýz a metrik, jako jsou:

■ Budoucí riziko toho, že zákazník pře-stane nakupovat zboží nebo služby.

■ Ohodnocení angažovanosti zákazníko-va vztahu ke společnosti v důležitých bo-dech, jako jsou prodej, prohlížení webu, komunikace na sociálních sítích, hodno-cení a recenze.

■ Zhodnocení negativních a pozitivních reakcí zákazníka podle kontaktní historie, komunikace na sociálních sítích, napsaných recenzí nebo telefonické komunikace.

■ Určení pravděpodobnosti toho, že zá-kazník doporučí značku nebo produkty přátelům.

■ „Gold path“ analýza, kdy chování dané-ho zákazníka je porovnáno s určeným sle-dem činností (etalonem), které vedou ke konkrétní akci.

Personalizace webových stránekRozložení webové stránky, navigace a sdě-lení musí být aktuální, personalizované a efektivní. Data o chování uživatelů na webové stránce (tzv. click stream data) umožňují analyzovat to, jak webový kon-text ovlivňuje nákupní chování zákazníků a jak efektivní jsou navigace a rozložení webových stránek. Analytická činnost se

skládá především ze zhodnocení postupu zákazníků webovými stránkami. Odkud zákazník na web přišel, jak jím procházel a kam odešel po opuštění webu. Dále je možné analyzovat obsah nákupního koší-ku, případně důvod jeho opuštění.

Výsledky analýz umožní optimalizovat komunikační kanály, způsob nabízení pro-duktů a služeb na webových stránkách a upravit funkcionalitu nákupního koše nebo i jiné aplikace pro prodej služeb tak, aby se přizpůsobily přáním zákazníků.

Praktický příklad z bankovního sektoruJulie je klientkou velké banky se zaměře-ním na drobnou klientelu, občany. U ban-ky má vedený běžný účet a kreditní kartu. Má 3letý úvěr na auto od leasingové spo-lečnosti, který již dva roky ze svého účtu splácí. Od banky má na auto pojištění, které za pět týdnů vyprší. Cílem banky je, aby příští úvěr i pojištění bylo od ní.

Co o Julii banka ví: ■ Na základě „Gold path“

analýzy transakcí na účtu banka zjistila, že provádí činnosti směřující ke koupi nového auta.

■ Analýzou „click stream“ dat banka zjistila, že Julie ověřovala podmínky změny pojištění na jejím webu. Na stránky banky přišla z konkurenčních stránek pro nabídky pojištění aut.

■ Podle analýzy transakcí na účtu a soci-álních sítí je Julie členem relativně uza-vřené komunity. Někteří členové skupiny jsou současní klienti, někteří mají účet u konkurenční banky.

■ U klientů naší banky jsme zjistili, že polovina má také úvěr na auto od stejné společnosti jako Julie a navíc Julie jej do-mluvila první. Předpokládáme velký vliv Julie na skupinu. Pokud si Julie pořídí úvěr u konkurence a přepojistí se jinde, je veliká pravděpodobnost, že její přátelé ji budou následovat.

Závěr banky je, že musí Julii co nejdří-ve nabídnout výhodný úvěr a zaujmout ji natolik, aby o tom řekla svým přátelům.

Banka posílá personalizovaný e -mail

s nabídkou úvěru a pojištění. Julie si e -mail otevřela, na nabídku klikla, zjistila podmínky, ale další dny se nic neděje. Banka ví, že musí Julii nabídnout něco na-víc. Analýzou dostupných dat byla schop-na vytvořit speciální balíček služeb: vý-hodný úvěr na auto, pojištění a speciální servis ve spřáteleném servisu. Za tři dny volají Julii pracovníci call centra a nabíze-jí speciální balíček služeb, pokud si vezme úvěr na auto od banky.

Odpověď Julie je kladná, ale žádá čas na rozmyšlenou. Pracovníci banky zašlou e -mail s popisem výhod a benefitů nabíd-ky a postupem pro dojednání. Ten samý den se Julie přihlašuje k elektronickému bankovnictví, prodlužuje pojistnou smlou-vu a potvrzuje úvěr. Nabídku přebírá lo-kální pobočka, pracovník pobočky volá s nabídkou pomoci s vyplněním potřeb-ných formalit. Večer dostává Julie domů květiny s poděkováním od vedoucího po-bočky. Ještě ten samý večer Julie na sociál-ní síti popisuje své výborné zkušenosti s bankou, pět jejích přátel souhlasí.

Z uvedeného příkladu je zřejmé, že nové typy dat mohou přinést i nové pod-něty do analytických procesů a možnosti v rozhodování. Kritické pro každou spo-lečnost zůstává určení oblastí a příležitos-tí, kdy tato data nejúčelněji využít k pod-poře růstu. Stejně tak je nutné mít připra-vené datové a technologické zázemí pro

podporu analýz, což znamená získat a při-pravit všechny typy interakcí a dat z růz-ných typů komunikačních kanálů a mít je dostupné v jednotné datové základně k použití v analytických funkcích.

Pro využití celého spektra informací je nezbytná integrace obvyklých událostních dat s novými typy dat, čehož lze dosáhnout koncepcí Teradata Unified Data Architec-ture. Článek „Cesta k efektivnímu zhod-nocení podnikových informací“ předsta-vuje koncepční přístup k této problemati-ce a byl zveřejněn v červnové speciální publikaci „Neztraťte se v big datech“ ča so-pisu Computerworld http://data.computer-world.cz/file/specialy/BigData_2013.pdf.

Autorka je senior business consultantka společnosti Teradata Česká republika

Kategorie textu(obsah)

EmailTyp stránky

Událost

OnlineID produktuID prodejce

Událost

Přímý prodejUdálost

Call centerID ATM, Událost,Částka

ATM BranchID pracovníka,

UdálostID pracovníka,ID dotazníku

Kategorie odpovědi

Dotazník

Jednotná analy�cká datová pla�orma

BI-2013.indd 21 BI-2013.indd 21 29.10.13 15:0629.10.13 15:06

22 BU S I N E S S I N T E L L I G E N C E 2013

BUSINESS INTELLIGENCE | PŘÍPADOVÉ STUDIE

Co přinášejí analýzy Intelu a UPS?Dvěma významným globálním firmám přinášejí analýzy dat velký zisk. Přinášíme, co by mohla vaše organizace při liknavém postupu promeškat.

JULIA KINGOVÁ

Počítače, mobilní telefony, tablety, senzory, tweety, texty a příspěvky v sociálních sítích, nemluvě o tuc-

tovém prodeji a registraci transakcí on--line – to vše obsahuje potenciálně cenná data. Mnoho dat.

IDC odhaduje, že v roce 2020 dosáhne počet on -line transakcí mezi podniky na-vzájem i mezi organizacemi a zákazníky hodnoty 450 miliard denně.

Podívali jsme se na dvě společnosti, které patří ve vytváření velké obchodní hodnoty z big dat a analytických techno-logií mezi nejlepší. Na vrcholu jejich se-znamů cenných zjištění je, že hluboce zakořeněná kultura analýzy a vytrvalé zaměření na efektivitu nákladů a zlepšo-vání procesů jsou nedocenitelné.

Miliony za rozšíření prodejeTradiční technologii BI se v Intelu daří dobře, ale teprve dolování big dat a pre-diktivní analýza jsou síly určující efektivi-tu designu a výroby. Odkrývají také nové zdroje příjmů, které jen v loňském roce 2012 přinesly navíc až desítky milionů do-larů.

„Začíná to přesvědčením, že můžete změ-nit výsledky,“ tvrdí Kim Stevensonová, ře-ditelka IT tohoto výrobce čipů. To, jak říká, vyžaduje méně času stráveného s otázkami ohledně historie, což je rámec

působnosti tradičních systémů BI, a větší zaměření na budoucnost, což je doménou prediktivní analýzy.

Predikce v Intelu, jehož obrat činí de-sítky miliard dolarů ročně, vyžaduje ana-lýzu obrovského množství dat, rozpoznání vzorů a poté aplikování prediktivních al-goritmů pro řešení problémů s vysokou podnikovou hodnotou.

Například v roce 2012 vytvořilo IT od-dělení Intelu nový prodejní nástroj pro distributory, který zvýšil tržby výrobce tak, že jeho prodejnímu týmu umožnil nejprve identifikovat distributory s větším obje-mem a poté se na ně strategicky zaměřit.

Zmíněný nový softwarový stroj doluje údaje z velkých sad interních i externích dat a poté aplikuje prediktivní algoritmus, aby určil nejslibnější distributory. Dosud pomohl identifikovat třikrát více distribu-torů s vysokým potenciálem v asijsko--tichomořském regionu, než obvykle od-krývaly manuální metody, pochvaluje si Stevensonová.

Lze to vyjádřit jako potenciál nových a rozšířených prodejů ve výši zhruba 20 milionů dolarů. Při zavádění těchto nástrojů i pro další regiony se očekávají zase zisky.

V oblasti výroby Intel používá predik-tivní analytický nástroj, aby pomocí něj zkrátil dobu pro testování mikroproceso-rů. Firma tak při testování jen během

doby ověřování konceptu ušetřila zhruba 3 miliony dolarů. Stevensonová očekává, že do roku 2014 dojde v rámci celé společ-nosti k úspoře dalších 30 milionů dolarů, protože se nástroj nasadí v mnohem vět-ším rozsahu.

Úspěch analytických technologií byl v Intelu, mírně řečeno, velmi rychlý. Ste-vensonová tvrdí, že klíčem je vyřešit pro-blémy s úsporou velkých částek, dosaže-nou pomocí relativně malých a rychle fungujících týmů.

„Věděli jsme, že abychom byli schopni za-měřit podnik na budoucnost a kladli lepší otázky, které by vedly k lepším výsledkům, musíme zvládnout všechny věci rychle,“ vy-světluje Stevensonová.

„Vycházeli jsme z tradičního prostředí BI, kde je zkoumání výchozích dat mnohdy ne-řešitelným problémem. Lidé na tom pracují věčně a firma nutně nemusí získat nějakou přidanou hodnotu.“

Stevensonová tedy přišla s pravidlem „šesti měsíců a 10 milionů dolarů“. „Vyře-šit problém s hodnotou 10 milionů dolarů za šest měsíců je důležité. Každý generální ředi-tel řekne, že by klidně investovali šest měsí-ců, pokud by mohli ušetřit 10 milionů dola-rů,“ prohlašuje Stevensonová.

Najala si proto tým pěti lidí složený z obchodního experta, statistika, tvůrce prediktivních modelů, odborníka na stro-jové učení a datového vědce.

„Každý člověk z týmu měl trochu jiný způsob nahlížení na problém, který jsme se pokoušeli vyřešit. Šestiměsíční lhůta byla možností, jak prokázat schopnost skutečně změnit způsob, jakým věci děláme,“ uvádí Stevensonová.

Kromě projektů, které zkrátily dobu testování a identifikovaly lukrativní distri-butory, se tímto způsobem dokončilo dal-ších 13 analytických projektů. Stevensono-vá proto zvýšila laťku na vyhledání problé-mů s hodnotou 100 milionů dolarů a vy-zvala další týmy, aby je začaly řešit.

„Když máte dobré výsledky, můžete růst,“ vysvětluje Stevensonová. Další projekty zahrnují prediktivní stroj pro zjednoduše-ní návrhu čipů Intel a procesu ladění, jiný zase předvídá nové hrozby zabezpečení informací.

Stevensonová však upozorňuje, aby podniky nepodceňovaly potřebné doved-nosti pro analytické iniciativy a čas, který může být potřebný k získání těchto dovedností.

„Když tak přemýšlím o rychlosti, jakou jsme se učili technologie Hadoopu, a o někte-rých pokročilejších prezentačních vrstvách,

BI-2013.indd 22 BI-2013.indd 22 29.10.13 15:0629.10.13 15:06

PŘÍPADOVÉ STUDIE | BUSINESS INTELLIGENCE

UCELENÝ INFORMAČNÍ ZDROJ PRO IT PROFESIONÁLY

Vydává: IDG Czech Republic, a. s., Seydlerova 2451, 158 00 Praha 5

Tel. ústředna s aut. provolbou: 257 088 + linka; fax: 235 520 812 Recepce: 257 088 111 Výkonný ředitel: RNDr. Jana Pelikánová Šéfredaktor: Radan Dolejš Tajemnice redakce: Růžena Holíková, tel.: 257 088 143 Vedoucí inzertního odd.: Jitka Vyhlídková, tel.: 257 088 181 Vedoucí projektu: Pavel Louda, tel.: 257 088 138 Jazyková úprava: Dana Štropová Obálka: Petr Kubát Adresa redakce: CW, Seydlerova 2451, 158 00 Praha 5 Internet: jmeno_prijmeni@idg.cz Zlom a pre-press: TypoText, s. r. o., Praha Tisk: Libertas, a. s. Předplatné a reklamace: IDG Czech Republic, a. s., Seydlerova 2451, 158 00 Praha 5, tel.: 257 088 163, fax 235 520 812; e-mail: predplatne@idg.cz Doručuje Česká pošta, s. p., v systému D + 1 Předplatné pro Slovensko: Magnet-Press Slovakia, s. r. o.,

P.O.BOX 169, 830 00 Bratislava, tel.: +421 267 201 910, 20, 30, e-mail: predplatne@press.sk

Copyright: © 2013 IDG Czech Republic, a. s.

Člen asociace FIPP

SEZNAM INZERUJÍCÍCH FIREM

GLOBTECH .................................................................................................................. 7

www.globtech.cz

Prodata Praha ........................................................................................................... 9

www.prodata.cz

SAP ČR ...................................................................................................................... 13

www.sap.com/cz

SAS Institute ČR .................................................................................................. 14, 15

www.sas.cz

Telefónica Czech Republic ........................................................................ 19, 4. obálka

www.o2.cz

Teradata Česká republika ......................................................................................... 21

www.teradata.com

které se velmi odlišují od řešení SAP nebo tradičních systémů BI, chtěla bych zdůraz-nit, že křivka učení technických dovedností rozhodně není zanedbatelná,“ varuje Stevensonová.

A její další rada zní: „Rozvíjejte chuť k experimentování, zejména kvůli tomu, že se analytické technologie stále vyvíjejí. Vítě-zové a poražení na technologické straně ne-jsou zatím zcela jasní,“ popisuje. „Držte si široký záběr.“

Úspory paliva i bezpečnost řidičůDopravní a logistický obr UPS, který má roční obrat 54 miliard dolarů, do IT kaž-doročně investuje zhruba miliardu, při-čemž velmi významná část z toho je vy-hrazena pro datové analýzy, uvádí Juan Perez, tamější viceprezident pro infor-mační služby. Současnými cíli jsou zlepše-ní obchodních procesů, snížení nákladů a zvýšení efektivity.

Tato snaha byla úspěšná. Na základě analýzy nepřetržitého toku dat ze senzorů jejích tisíců dopravních kamionů firma zkrátila nájezdy o 8,5 milionu km, snížila dobu volnoběhu motorů o téměř 10 milio-nů minut, ušetřila 2,5 milionu litrů paliva a snížila emise kysličníku uhličitého o více než 6 500 tun.

Srdcem těchto neuvěřitelných ukazate-lů je Orion, akronym z anglického názvu „integrovaná optimalizace a navigace na cestách“.

Jde o datově náročný systém, který pro-střednictvím řady složitých algoritmů jed-

notlivým řidičům určuje nejefektivnější cesty pro doručení nákladů. Navíc tento systém používá velké množství senzoric-kých dat k předpovědím, kdy by mohla se-lhat určitá součástka kamionu, takže lze včas naplánovat a vykonat preventivní údržbu.

Orion manažerům UPS také umožňuje sledovat zvyky jednotlivých řidičů a zjistit například, kolikrát couvají nebo kamion otáčejí. Tyto informace se mohou použít k identifikaci těch, kteří potřebují další školení.

„Máme senzory, jež zachycují informace o vozidle i chování jeho řidiče. Tato data pro-pojíme s údaji o dodání a naložení nákladu, takže můžeme získat ucelený obraz o tom, jak šofér každý den plní svou práci,“ prohla-šuje Perez. „To má neuvěřitelný vliv na způ-sob, jakým své podnikání ve všech oblastech řídíme.“

Nyní se zájem UPS o data rozšiřuje dále směrem ven. Jejím cílem je mnohem více se přiblížit ke svým zákazníkům po-mocí další analytické služby označované jako UPS My Choice, která lidem umož-ňuje určit individuální požadavky pro je-jich interakci s touto společností.

Zákazníci, kteří tuto službu využívají, mohou mimo jiné dát konkrétní pokyny pro způsob a přesné místo doručení svých balíčků na konkrétní adresy, přesměrovat balíčky, pokud se místo změní, a zapnout si zasílání upozornění na stav dodávky.

„Zavedli jsme nový přístup k řízení osob-ních dodávek. Tato úroveň napojení na naše

klienty změní naše podnikání nyní i v násle-dujících letech. Užší integrace se zákazníky je to, co nám umožňuje zvýšit tržby,“ tvrdí Perez.

V prvním roce, kdy začala být služba UPS My Choice dostupná, si ji zaregistro-valy více než 2 miliony zákazníků a pod její záštitou se dodalo více než 25 milionů balíčků.

Údaje o požadavcích zákazníků pomá-hají firmě UPS v reakci na tyto požadavky dále zdokonalovat své vnitřní procesy, „takže můžeme budovat individuální zkuše-nost,“ pochvaluje si Perez.

Ještě důležitější však je, že údaje umož-ňují pochopit, jaké nové produkty a služby by šlo lidem nabídnout.

„Všechny informace o pohybu a doručení a způsob, jak na tato oznámení zákazníci re-agují, nám sdělují, co si přejí, takže můžeme odpovídajícím způsobem vytvářet produkty a služby, abychom plnili jejich představy. Je to mnoho dat pro stanovení strategie pro nové produkty a služby,“ pochvaluje si Perez.

Dalším krokem bude podle Pereze vše propojit dohromady a vytvořit barvitý ob-raz různých systémů big dat společnosti UPS, aby se mohlo odhalit nové využití pro tato data a z nich odvodit další ob-chodní hodnotu.

„Začíná to zlepšením procesů, ale jakmile toto všechno budete propojovat dohromady, může to předznamenat velké změny celého podnikání,“ vysvětluje Perez. „A o to přesně nám jde.“

BI-2013.indd ob3 BI-2013.indd ob3 29.10.13 15:0529.10.13 15:05

O2_CORPORATE_ICT_FLEXIBILITA_channelworld_210x295.indd 1 18.10.13 14:39 BI-2013.indd ob4 BI-2013.indd ob4 29.10.13 15:0529.10.13 15:05