Byly doby, kdy tiskárna uměla jen tisknout

BI již není tím, čím bylo ještě před pár lety, výstupem nejsou jen jednoduché reporty. Dochází k obohacení, ne-li splynutí BI s funkčnostmi řešení, které jsme viděli u jiných typů řešení, jako jsou manažerské informační systémy, komunikační platformy, mobilní aplikace nebo prediktivní analytiky. Právě poslední zmiňovaná oblast na klasické BI dlouhodobě „útočí“. Pokročilé analytiky (prediktivní analytiky) se přizpůsobují znalostem a možnostem business analytika a zdaleka už nejsou výsadou datových vědců. Rozdíl v přístupu je podstatný. Dochází k demokratizaci prediktivních analýz a jejich masovému využití, samozřejmě zdaleka ne jen v oblasti BI. Zatímco datový vědec je jako doma v různých algoritmech (např. open source R jich má více než 4 000) a dokáže posoudit, který algoritmus je vhodný pro jakou situaci, má znalosti o tom, jaká data mají být pro daný typ algoritmu připravena a je schopen následně výsledky algoritmu také interpretovat, business analytik těmito znalostmi nedisponuje. Ale ruku na srdce, kdo z nás ví, na jakých „algoritmech“ funguje operační systém MS Windows, který denně používáme? Přesto výhod takového systému využíváme ve své praxi. Přesně to je cílem demokratizace prediktivních analytik, mají být jednoduše dostupné co nejširšímu spektru pracovníků a maximalizovat tak pozitivní dopad na oblasti získávání či udržení zákazníků, prediktivní údržbu nebo predikce odchodů zaměstnanců. Zdá se to jednoduché, ale pokud jste se danému tématu věnovali, víte, že realita je jiná. Pro demokratizaci prediktivních analytik je potřeba:

1. Automatická příprava dat odolná vůči běžným datovým nedostatkům, jako jsou chybějící data, různé typy dat s nutností daná data konvertovat, binovat atp.
2. Odolné algoritmy a machine learning principy pro výběr nejdůležitějších proměnných, tedy faktorů, jejichž kombinace má největší efekt na tzv. target - veličinu, jejíž chování chceme proměnnými vysvětlit
3. Výběr nejkvalitnějšího prediktivního modelu. To znamená spolehlivost při vysvětlování chování našeho targetu, ale také stálost a odolnost kvality modelu při použití dalších nových dat.

Zásadní fází je pak začlenit výsledky prediktivních analytik do procesů společnosti, ať už to je oblast BI nebo provozní procesy typu call centrum, marketingové kampaně, údržba, finanční procesy nebo HR procesy. Efekt těchto prediktivních modelů je skutečně impozantní. Co byste řekli zvýšení response rate vašich marketingových kampaní o 300 %? Nebo byste radši zvýšení vašich tržeb o 5– 10 %?

Z klasického reportingového BI nástroje se stává komplexní podniková analytická platforma. Lze to tak trochu přirovnat k vývoji firemního tisku. Dříve byla jedna tiskárna na celou firmu a přístup k ní měli jen vybraní uživatelé. S dostupností technologie se z tiskáren stala běžná a nakonec nepostradatelná věc. S postupem času začaly přibývat tiskárnám funkce a dnes už většina uživatelů preferuje multifunkční tiskárny. Moderní BI je vlastně takovou multifunkční virtuální tiskárnou, která „tiskne“ informace potřebné pro rozhodování.

Ve tmě daleko nedojedete!

Stejně jako při řízení automobilu, kdy je dobré si v noci rozsvítit přední světlomety, i v oblasti BI nesmí chybět pohled do budoucnosti. Pokud máme dostatek dat, je možné použít prediktivní algoritmy, které nám s vysokou přesností dokáží např. předpovědět tržby nebo příjmy na další den nebo týden. Pokud nemáme dostatek dat, z BI se nám stává manažerský informační systém, aneb začneme používat různé plánovací a rozpočtovací funkce. Typickými scénáři je tvorba prodejního, marketingového nebo finančního plánu či forecastu s funkcemi modelování dat, alokačními funkcemi a samozřejmě prací v OLAP prostředí ideálního pro multidimenzionální analýzy i distribuované plánování. Nechybí ani koordinace plánů, verzování, schvalování nebo diskuzní fóra či úkolování v rámci týmu. Plánovací systém se tak stává komunikační platformou, nikoli otrockým vyplňováním excelových plánovacích formulářů.

Nechyťte se na vábničku

Kdo někdy lovil dravé ryby, ví, jak je úspěšný lov za použití barevných třpytek, woblerů či streamerů. Výrobci řešení business intelligence také úspěšně vybarvují a přiznejme si, kdo z vás se už někdy na líbivé vizualizace chytil? Lákavé vizualizace jdou ruku v ruce s jednoduchostí ovládání a přesunem řady činností směrem od IT k běžným uživatelům. Moderní přístupy založené především na „self-service“ umožňují snížit náklady reportingu a analýz v průměru o 36 %. Trendy je také práce s mapovými podklady, kdy mapy jsou interaktivní a umožňují dostat se kdekoli na světě až na úroveň ulic. Na mapě je většinou několik vrstev informací, kromě klasických zón typu stát to může být spádová oblast nebo jakýkoli polygon dle vašeho výběru. Zajímavé je také kombinovat business data s tzv. point of interest. Jsou např. vaše prodeje závislé na vzdálenosti od fotbalového stadionu? Vizualizační nástroje mají nicméně své nástrahy a je třeba dbát na konzistenci analyzovaných dat, jejich kvalitu a dostatečné zabezpečení a jít tak cestou tzv. trusted discovery. Nesmíme podlehnout falešnému nadšení a bezhlavě nechat různá oddělení nesystematicky používat vizualizační nástroje. V BI je vždy podstatné mít k dispozici relevantní, ověřené a plně zabezpečené informace. K čemu by potom manažerům bylo, že si mohou zobrazit informace ze systému rychle, přehledně a barevně, ale na společném meetingu bude mít každý ve svém inovativním D3 grafu jiné výsledky a business slovník?

BIG data? Žádný problém

Ať už definujeme velká data jakkoli, zpravidla si představíme velké objemy dat. Pokud jste četli dostatečně pozorně odstavec o prediktivních analytikách, uvědomíte si, že velká data nemusí spočívat pouze v počtu řádek, ale především, a to je hodnotnější, v co největším počtu sloupců, tedy charakteristikách popisujících náš objekt, třeba zákazníka. Kolik takových sloupců byste o vašem zákazníkovi dokázali poskládat vy? Běžně by to byly desítky až stovky sloupců. V oblasti prediktivních analytik se ovšem sloupce dostávají u zákaznických projektů až k počtu 10 000 a více. Je zřejmé, že pomocí vhodného algoritmu a dostatečného výpočetního výkonu vám taková data dokáží najít a predikovat s extrémní přesností. Velké objemy dat už dnes zpravidla neleží na pevných discích a tam se s nimi také z velké části pracuje. Přitom čtení z disků je přibližně sto tisíckrát pomalejší než čtení z paměti. Z toho důvodu byla vyvinuta technologie in-memory computing. Ta je určena ke značnému zrychlení čtení i operací nad velkým množstvím dat v reálném čase. Technologie in-memory computing je kombinaci HW inovací, jako je např. MPP architektura, optimalizace chipů, multijádrová CPU, a SW inovací, jako je sloupcové uložení dat, datová komprese, partitioning a další. Výsledky jsou pak k dispozici během zlomku času, který byl potřeba dříve. To může v době, kdy je potřeba dělat rychlá a správná rozhodnutí, výrazně pomoci k dalšímu rozvoji společnosti, nemluvě o snížení nákladů a zvýšení uživatelského komfortu uživatelů. Důležitým aspektem in-memory technologie je také její vysoká flexibilita pro změny a úpravy datových modelů. Vše je uloženo v paměti, a tak není potřeba respektovat klasické vrstvy datového skladu ani neustále kopírovat data. Všechny datové modely a úpravy jsou virtuální. In-memory technologie se také často kombinují s distribuovanými systému typu Hadoop, které slouží k levnějšímu uložení méně používaných dat.

Ve světě byznysu jde o zvýšení zisku. Toho lze dosáhnout dvěma způsoby - snížením nákladů nebo zvýšením příjmů. In-memory technologie může pomoci s oběma přístupy. Díky novým možnostem přístupu k informacím, plánování a modelování nebo analýz dochází k objevování nových příležitostí pro růst výnosů a na druhé straně k odhalení skrytých nákladů a mezer v oblasti profitability. Známá pravda „čas jsou peníze“ tak nabývá nových rozměrů.

Když stroj ví

Doba klasických počítačů je na ústupu. Ve světě informačních systémů se pozvolna začínají prosazovat „stroje“ schopné učit se a otevírají tak bránu k nepředstavitelným inovacím. Začíná to z pravidla v běžném každodenním světě našich životů, tedy ve spotřebitelském prostředí. Chytré domácí aplikace, osobní asistenti nebo samořiditelná auta. Celá ekonomika prochází díky moderním technologiím výraznou změnou, která se pak přenáší i do byznysového prostředí. Digitalizaci tak uživatelé přináší ze svých domovů do firem a ty pak musí s jejich požadavky držet krok.

Machine learning systémy představují v poslední době největší pokrok v oblasti umělé inteligence. Díky tomu, že je počítač schopen pracovat s opakovanými vstupy a zpětnou vazbou, dokáže postupně zlepšovat svou výkonnost a správně zpracovávat informace. Stejně tak se mohou systémy učit z dat, aniž by byly explicitně programované. Kromě klasických strukturovaných dat jsou schopny zpracovávat informace z webů, emailů, ale také interpretovat video. To je pochopitelně velká výhoda pro jejich využití v business intelligence. Práce s nestrukturovanými daty, jejichž množství roste, se stává zajímavým doplňkem klasických dat, výrazně se tím rozšiřuje obsah a informační hodnota výstupů.

Tyto vlastnosti umožnily business intelligence stát se nepostradatelným rádcem řady manažerů, aniž si to možná někdy uvědomují. Jen čas ukáže, kam až se BI může v budoucnu dostat. Možná se dočkáme i toho, že bude podniky řídit autonomně. Ano, už i to se testuje.

Jiří Přibyslavský Autor článku je konzultant pro analytiku a finance ve společnosti SAP.