Jde o rychlost...

Jedním z hlavních omezujících faktorů na straně analytických řešení byla rychlost zpracování analytického dotazu nad velikými objemy dat. Cena operační paměti databázového nebo analytického serveru byla ještě nedávno tak velká, že nám neumožňovala umístit do paměti za přijatelnou cenu datové objemy řádu jednotek nebo desítek terabyte, tedy objemy dnes zcela běžné. Situace se změnila v posledních letech, kdy se jednotková cena čipu operační paměti dramaticky snížila. To umožnilo konstrukci nových, relativně levných serverů, které dovolují umístit do operační paměti veliké objemy dat řádu terabyte.

Dnes se již každý producent nástrojů pro business intelligence chlubí tím, že umožňuje provoz celé analytické platformy v operační paměti (in-memory computing). Co však odlišuje skutečné lídry na trhu, je nabídka takových platforem, které nejen umožňují, ale především optimalizují provoz in-memory. Optimalizací se pak myslí schopnost platformy dynamicky a inteligentně přesouvat veliké bloky dat mezi operační pamětí, flash pamětí a diskovými poli tak, aby odezva systému byla optimální i v případě desítek či stovek současně pracujících uživatelů a při velmi rozmanitém charakteru analytických dotazů. Je nepochybné, že v tomto případě mají navrch specializované analytické HW platformy, které optimálně podporují specifické analytické nástroje.

...a velká data

Dalším omezujícím faktorem, který bránil analytickým platformám dostat se blíže k jádru věci, byly formáty dat, které jsme uměli zpracovávat v masovém měřítku. V zásadě se jednalo pouze o relační datové sklady, které vyžadovaly, aby data byla ukládána v přísně strukturované formě relační databáze. Uživatelé však stále více vyžadují přístup i k datům například z technologických celků nebo z veřejných sociálních sítí, což jsou data zcela odlišného formátu. Řešení, která umožňovala zpracování těchto výrazně nestrukturovaných dat, tady pochopitelně existovala i v minulosti. Byla však doménou převážně vědeckých nebo technologických aplikací, které byly procesně zcela odděleny od business řešení založených na relačním datovém modelu. Zásluhou open source iniciativ, které přiblížily nerelační databázové systémy komerčnímu světu, se oba tyto původně nekompatibilní světy začaly technologicky přibližovat a umožnily zrod současného fenoménu big data. Lídři v oboru business intelligence využili open source platformy pro big data k vytvoření specializovaných řešení (big data appliance) a analytických nástrojů, které musí umět integrovat a analyzovat i data z nerelačních datových úložišť.

Nové postupy a možnosti

Jedním z příkladů komercializace původně zcela vědeckého světa je stále širší využívání statistického jazyka R pro podporu klíčových komerčních aktivit. V minulosti byl datový analytik používající jazyk R (v nyní užívané terminologii Data scientist) omezen datovým objemem, který byl schopen umístit do operační paměti svého PC, a jednalo se tedy spíše o modelování nad omezenými vzorky nerelačních dat. Teprve masový rozvoj in-memory computingu v poslední době umožnil analyzovat v jazyce R celé objemy produkčních dat v řádech desítek nebo stovek terabyte ve prospěch klíčového businessu, čemuž se přizpůsobily i funkční vlastnosti posledních verzí analytických nástrojů. Důsledkem tohoto vývoje je, že například letecké společnosti najímají datové analytiky znalé jazyka R, aby jim pomohli predikovat vývoj výnosů z letecké dopravy na základě kombinace ohromného množství historických dat ze svých relačních datových úložišť a takových nejednoznačných parametrů, jako je vývoj počasí či demografické situace – a to vše za využití komerčních analytických nástrojů.

Obr. 1: Současné analytické platformy musí umět integrovat prostředí jako je jazyk R

Rychlá akce, rychlý přínos

Současný nástup fenoménu big data, postupná konverze komerčních a technologických informačních systémů, nebo internet věcí (tj. data z různých čidel, senzorů, mobilních telefonů apod.), přinášejí řadu dalších možností a příležitostí, které lze využít ve prospěch vlastního businessu. Vzniká tak postupně nový směr ve využívání analytických nástrojů, nástroje pro real-time business intelligence. Největší tržní příležitosti v této oblasti jsou spojeny s obory, kde je subjektem obchodního zájmu jednotlivý retailový zákazník, jako jsou energetika, bankovnictví nebo telekomunikace. Základní myšlenkou konceptu real-time business intelligence je poznatek, že člověk často rozhoduje o nákupu nějaké služby nebo produktu intuitivně, na základě okamžité nálady, pozitivních emocí nebo krátkodobého rozhodnutí, které však může velice rychle vyprchat (často během pár minut). Pokud dodavatel služby nedokáže ihned vhodně zareagovat s atraktivní nabídkou, je obchodní příležitost obvykle navždy ztracena.

Co jsou takové události, které mohou spustit zájem zákazníka uskutečnit okamžitý obchod? Představme si scénář, že klient banky si přes svůj účet internetového bankovnictví během jednoho týdne otevře opakovaně stránku s nabídkou konkrétního produktu. Dá se pak logicky předpokládat, že klient má o produkt zájem, pouze stále váhá, zda-li si jej zakoupit (proč by se jinak na uvedené stránky opakovaně vracel?). Systém může tyto opakované návštěvy stránky zaznamenat a například při třetí návštěvě okamžitě nabídnout přímo na stránce nějakou dodatečnou výhodu (slevu, výhodný balíček služeb apod.), aby zákazník produkt objednal na základě okamžitých kladných emocí.

Nebo jiný příklad - jedna významná indická banka využívá vhodně integrace telekomunikačních služeb s vlastními produkty za účelem zvýšení loajality svých klientů. Banka indikuje on-line platby kreditní kartou a na základě geolokační informace zašle klientovi zajímavou věrnostní nabídku formou SMS na mobilní telefon. Ta například obsahuje krátkodobou slevu pro konkrétní služby nebo produkty v rámci nákupního střediska, kde se klient právě nachází.

Zdá se, že řešení pro real-time business intelligence zcela vylučují živého člověka – business analytika – z rozhodovacího procesu, kterým se generuje příslušná reakce v reálném čase. Tak to ale ve skutečnosti není, úloha business analytika a kvalita nástrojů, s nimiž pracuje, jsou i v tomto případě významné. Řešení pro real-time business intelligence jsou velice významně svázány se schopností informačního systému poskytnout podpůrné informace, které ovlivňují rozhodovací proces. Aby systém v reálném čase správně zareagoval v souladu s tržními cíli (tedy maximalizoval pravděpodobnost uskutečnit obchod nebo zvýšil loajalitu zákazníka), musí být vhodně vyladěn tak, aby nejen reagoval na okamžitou zkušenost systému s akceptací či odmítnutím určité služby (na základě samoučících algoritmů), ale aby také fungoval v souladu se střednědobými cíli společnosti. A tady je úloha vhodných nástrojů a business analytika, který analyzuje dlouhodobější trendy, zcela nezastupitelná. Řešení real-time business intelligence pak musí být schopno nastavit rámcová pravidla, navržená business analytikem pro různé tržní segmenty nebo scénáře chování systému, v nichž se pak celý proces reakce v reálném čase odehrává.

Agilní BI – nutnost nebo módní trend?

V poslední době se hodně rozšířil i termín „agilní BI“. Jde o reakci na bouřlivý vývoj na trhu především rezidenčních zákazníků v sektoru bankovnictví, telekomunikací nebo energetiky, kde se zákazník stal tím, kdo určuje úspěch nebo neúspěch v podnikání. Úspěšná společnost musí být schopna rychle otestovat tržní příležitost, například míru akceptace nové služby, a v případě nedostatečné akceptace od jejího uvedení na trhu od ní upustit s minimalizací případných ztrát. To je možné pouze tehdy, pokud nástroje BI umožní rychlou analýzu dat s minimální interakcí s oddělením IT, což snižuje jak případnou finanční ztrátu v případě neúspěchu dané služby, tak i čas spojený s vlastní analýzou. A tedy vše, co podporuje uživatelskou samoobslužnost, možnost rychle integrovat vlastní data a jejich přímočarou a názornou analýzu například v korelaci se zaznamenanou historií exekuce marketingové kampaně v reálném čase, má ohromný význam pro nalezení těch nejlepších tržních příležitostí. Dá se tedy říci, že agilní BI je nástrojem agilního businessu.

Agilní BI by se však nemělo stát dogmatem, „hračkou“ v případech, kdy potřeby konkrétního uživatele jsou založeny na potřebě sledovat stav ustáleného obchodního, výrobního nebo technologického procesu. Například pokud je potřeba znát v každém okamžiku stav technologického zařízení či zjistit detailní příčiny případné odchylky, přičemž se jedná o víceméně dlouhodobě stabilní technologický proces se známým chováním. V takovém případě jsou požadavky na platformu BI jiné: je to především robustnost, bezpečnost a škálovatelnost, a také názornost (jednoduchost) prezentace dat s přirozenou podporou mobility.

Dokonalé nástroje nebo transformace informační architektury?

Je úspěšné užívání business Intelligence se všemi současnými požadavky jenom věcí dokonalých nástrojů nebo je klíčová transformace celé informační architektury? Z výše uvedených trendů vyplývá, že pro naplnění současných analytických potřeb si nevystačíme s klasickou architekturou a technologií datových skladů, tak jak jsme ji znali za posledních deset nebo patnáct let. Důvodem je, že se stále více pro analýzu tržních nebo technologických procesů využívají i nestrukturovaná data, nebo data s rychlým tokem (fast data), přičemž celkové objemy neustále dramaticky narůstají. Nejdokonalejší analytické nástroje by byly k ničemu, pokud bychom jim neposkytli stejně dokonalou datovou infrastrukturu.

Na potřebu analyzovat nestrukturovaná data odpovídá již zmíněný technologický trend v IT – big data. Teprve integrace s tradičním prostředím relačního datových skladů, nikoliv jejich náhrada, poskytuje současným analytickým nástrojům dostatečně kvalitní datovou základnu.

Při výběru vhodného dodavatele informační architektury dle současných trendů je tedy třeba vždy pečlivě zvažovat, jak takový dodavatel dokáže zvládnout zpracování nejen nestrukturovaných dat, či rychlých datových toků z technologických zařízení, ale především i to, jak dokáže toto prostředí integrovat s relačními datovými sklady, či transakčními systémy postavenými na relačních databázích.

Modernizace konceptu tradičních datových skladů neznamená za každou cenu zvýšení nákladů na celou infrastrukturu. Big data úložiště poskytují relativně levnou datovou kapacitu bez nároku na licenci relační databáze. A v případě, že se proces modernizace informační architektury spojí s implementací moderní HW in-memory platformy, lze dosáhnout dalších efektů spojených s celkovou úsporou nákladů na provoz celé infrastruktury.

Dalším trendem, který se stal realitou i v oblasti BI řešení, je implementace analytického prostředí v cloudu. BI cloud, který je komplementární součástí celkové informační architektury, umožňuje nejen se zbavit části investičních nákladů, ale nabízí především velmi pružný vývoj a rychlé zprovoznění analytického prostředí, a to především tam, kde je vyžadován jednodušší operativní reporting například s podporou mobilních zařízení.

Martin Zikmunda