Zkuste se nyní sami zamyslet nad následujícími otázkami a situacemi: Potřebujete získat souhrnný přehled dat konsolidovaných z několika oddělení firmy, například z marketingových, obchodních a finančních údajů? Váš nadřízený po vás požaduje report, který má být zpracovaný do zítřka, a vy už tušíte, že čas strávený nad shromažďováním informací a následnou přípravou srozumitelné prezentace informací vám a nejspíše i dalším kolegům zapříčiní bezesnou noc? Připravujete analýzu nad daty, která nejsou optimálně uložena ve vašem datovém skladu, ale skládáte pracně potřebná data pomocí Excelu? Potřebujete jednoduchý způsob sdílení živých, interaktivních, automaticky aktualizovaných dashboardů místo toho, abyste rozesílali statické soubory? Chcete mít pod kontrolou přístup ke sdíleným reportům a zároveň přehled o používání těchto reportů? 

Nalezli jste se alespoň v jednom z uvedených případů? Vězte, že rozhodně nejste sami. Běžně se u našich zákazníků setkáváme s tím, že každý požadavek na přípravu složitějšího reportu či analýzy roztáčí následující klasické kolečko: uživatel popíše požadavek, následně si pracně vyjasňuje s IT specialisty zadání a následuje boj o termín, případně cenu realizace. Pokud uživatel uspěje, čeká na výsledky implementace a doufá, že zadání bylo správně pochopené a dostane report včas. Mnoho uživatelů na podobný postup rezignovalo a raději tvoří reporty vlastními silami, bez velké závislosti na IT. Tento přístup vede často k tomu, že v každém oddělení firmy vznikne skupina „reportingových“ specialistů, kteří se zabývají tím, že dávají dohromady data z různých zdrojů a složitě manuálně kompletují vlastní reporty. Nejčastěji používaným nástrojem je zde Excel a po několika letech vzniká ve firmě známé „excelové peklo“. Málokdo tuší, jaké reporty ve firmě existují, jak jsou používány, kolik stojí jejich příprava. A teprve sejdou-li se u jednoho ředitele dva reporty, například se statistikou prodejů, a každý report obsahuje jiné údaje. Té práce s hledáním vysvětlení a nalezením „správných“ údajů!

Nyní další otázka pro vás: Neocenili byste namísto neustálého sepisování požadavků pro IT a zdlouhavého čekání na odpovědi na své otázky raději možnost si sami pohrát s dostupnými daty z různých zdrojů, nejenom z datového skladu? Pevně věříme, že vaše odpověď je kladná.

Self-service BI, aneb Vytvořte si report sami a hned

Co tedy vyplývá z předešlého textu? Že v mnoha firmách je velký prostor pro zlepšení způsobu přípravy reportů a analýz. Cílem by mělo být, aby vedle standardních reportů (například reporty s finančními výsledky, reporty pro vlastníky a management, regulatorní reporty) implementovaných IT odborníky byly k dispozici nástroje pro pokročilé byznys uživatele, které jim umožní efektivně připravovat reporty a ad-hoc analýzy a výsledky sdílet s ostatními uživateli. Byznys analytici by měli místo nudné a náročné manuální přípravy reportů věnovat svůj čas přípravě vhodné prezentace (vizualizace) dat a vyhledávat v datech informace zajímavé pro management. Zároveň by místo psaní požadavků mohli „odladit“ prototypy nových reportů nad reálnými daty s koncovými uživateli. IT by tak dostalo precizní zadání a mohlo prototyp „pouze“ optimalizovat a v případě potřeby převést do robustnějšího prostředí. 

Self-service (samoobslužné) BI technologie nabízejí postupy a způsoby řízení pro flexibilní a rychlé zkoumání dat, ad-hoc analýzy, ověřování prototypů a sdílení informací s minimálními nároky na zapojení vašeho IT oddělení, čímž značně šetří i náklady na jeho provoz. Analýzy si přitom mohou zpracovávat sami byznys uživatelé a to bez nutnosti hlubších znalostí programování a specifických IT nástrojů. K práci potřebujete zajistit pouze relevantní data, která si pomocí self-service BI nástroje zvládnete vizualizovat, pohrát si se vzájemnými závislostmi nebo přidávat další atributy a sledovat nové skutečnosti a dopady v interaktivních dashboardech. Pokročilejší uživatelé zvládnou připravit i kompletní „business story“ – tzn. odprezentovat poutavě informace obsažené v datech tak, aby management firmy mohl učinit odpovídající závěry a rozhodnutí.

Protože teorie je hezká věc, ale my jsme si chtěli v Adastře vyzkoušet self-service BI na vlastní kůži, uspořádali jsme „Power BI hackathon“. Přihlášené týmy si měly vymyslet vlastní business story, sehnat potřebná data a naučit se pracovat s nástrojem Power BI Desktop. Vybrané týmy dostaly jeden a půl dne na přípravu dashboardů a prezentace svého příběhu. Výsledky svého snažení následně předvedly zástupcům managementu, kteří provedli vyhodnocení a ocenění jednotlivých týmů. Ceny však nebyly to hlavní. Důležité je, že se nám podařilo rozšířit znalosti našich konzultantů a vzniklo úžasných šest příběhů podložených řadou dashboardů s úžasnými datovými vizualizacemi.

Další kapitola popisuje jeden z příběhů, jehož autory jsou David Lacina a Jakub Starý, konzultanti Adastry.

Příklad využití self-service BI

V následující krátké případové studii realizované v rámci našeho interního workshopu se názorně podíváme na možné zjednodušené využití self-service BI v praxi za použití nástroje Microsoft Power BI Desktop s následnou vizualizací dat do prezentačních přehledů. Cílem studie bylo zanalyzovat obchodní potenciál vybraných světových lokací pro vhodné umístění nového pivovaru. Ačkoliv námět této studie je čistě smyšlený, data, která byla využita, pocházejí pro tento příklad z volně dostupných zdrojů. Kombinují jak údaje o produkci a spotřebě piva, tak sociodemografické údaje a data o konkurenci. 

Úvodní jednoduchý dashboard přehledně znázorňuje spotřebu a produkci piva 32 uvedených států a oba ukazatele můžeme snadno porovnat. Analýza časových řad dále dokládá, že spotřeba i produkce ve sledovaných letech 2009 až 2014 se vyvíjí relativně stabilně.

Dále můžeme porovnat konkurenční tlak v jednotlivých státech. Analýza v rámci vymezeného období ukázala téměř dvojnásobný nárůst konkurenčních pivovarů díky rostoucímu počtu mikropivovarů, nejvíce v Anglii (téměř o 1000 konkurenčních pivovarů).

Na základě vlastního vytvořeného koeficientu vypočítaného dle vzorce „(výroba – export + import)/spotřeba“ vyhodnotila analýza příležitosti trhu jako nejvíce perspektivní státy pro produkci či import piva Dánsko, Rakousko, Turecko a Kypr, jejichž koeficient se pohyboval pod hodnotou 1.

Jelikož se dánský trh po hlubší analýze dat projevil jako poměrně nestabilní, bylo vyhodnoceno Rakousko jako další nejvhodnější příležitost pro zahájení produkce/importu piva. Vlastní vytvořený indikátor „Average of Opportunity Volume“ následně umožňuje dále sjednotit pohled pro snadné ohodnocení tržní příležitosti. Znázorňuje objem piva v tisících hektolitrech, který je na rakouský trh finančně výhodné importovat, nebo zde produkovat.

Zajímavým zjištěním, které použitý nástroj pomohl odhalit v průběhu práce s daty a hledáním souvislostí, byl odhad potenciálu trhu v exotickém státě Seychelly. I přesto, že data nejprve v roce 2014 vykazovala vysokou spotřebu piva na osobu, a tedy i vhodnou příležitost pro investici v tomto odvětví, po hlubší analýze se ukázalo, že je tento trh velmi nestabilní, a investice by mohla být ve výsledku ztrátová. Investice tedy nebyla doporučena, a analýza tak zamezila potenciální hrozbě neúspěchu.

Popsaná analýza využívající nástroje self-service BI je poměrně zjednodušeným příkladem. Self-service BI nástroje dokáží využít mnohem komplexnějších funkcionalit a nalézt ještě hlubší vztahy mezi daty. V propletených souvislostech tak můžete odhalit mnohdy i zcela skryté klíčové příčiny či možné důsledky do budoucna, které by za pomoci excelovských tabulek nebylo možné objevit. Ve výsledku neušetříte tedy jen náklady na vytížené IT oddělení kvůli vašim požadavkům, ale můžete také předejít značným ztrátám, které by mohly významně ohrozit celé vaše podnikání. 

Závěrem

Ještě nemáte self-service BI nástroje a váháte s jejich nasazením? Následující shrnutí možností těchto nástrojů by vás mohlo přesvědčit o tom, že self-service BI nástroje jsou užitečné pro efektivní přípravu analýz a reportů. Self-service BI nástroje totiž umožňují:

• zpracovávat dostupná data pomocí vlastních transformací připravených v uživatelsky přívětivém prostředí, bez nutnosti psaní skriptů či maker (uživatelské ETL);
• připojit se k různým, heterogenním datovým zdrojům a využívat tato data v jednom konzistentním modelu;
• definovat vlastní sémantickou vrstvu pro zpřístupnění dat běžným uživatelům. Rozšířit dostupná data o vlastní počítané atributy, hierarchie, KPI. Použít sémantickou vrstvu pro překlad technických názvů jednotlivých atributů do uživatelsky srozumitelných názvů;
• vytvářet interaktivní dashboardy s možností dynamického třídění, filtrování a agregování;
• využívat efektivní datové vizualizace a animace;
• publikovat výsledné reporty na portále a prohlížet pomocí běžných webových prohlížečů či na mobilních zařízeních;
• zajistit automatickou aktualizaci publikovaných reportů, bezpečnost a centrální administraci.

Martin Rys