Hlavní trendy současnosti souvisí s možností zpracování většího objemu dat, jejich snadným zpřístupněním koncovému uživateli, umožněním náročnějších „what-if“ analýz či s integrací jednotlivých částí „datového“ řešení do jednoho kompaktního celku. Díky rostoucímu objemu dat je potřeba optimalizovat jejich sběr z různých datových zdrojů (systémů), dále je kvalitněji třídit a kvůli jednoznačnosti terminologie pak zavádět slovníky „byznys“ pojmů. Je nutné jednoduše spojovat (a to i pro koncového uživatele) výstupy z plánování spolu s výsledky what-if analýz a s vykazováním aktuálních čísel. Tyto základní trendy posouvají požadavky na BI řešení pro firmu dále, než jsme byli zvyklí. V následujících odstavcích se na jednotlivé trendy podíváme podrobněji.

Více dat pro koncové uživatele

Prvním trendem je zpřístupnění většího objemu dat jednotlivým uživatelům – koncoví uživatelé budou pro svá strategická rozhodnutí potřebovat stále detailnější data. Nejedná se jen o fakta – ukazatele přiřazené jednotlivým prvkům hierarchií (například zisk nebo počet zaměstnanců pro jednotlivá obchodní oddělení) –, ale i počet prvků v hierarchiích (například více podrobný pohled na obchodní oddělení). Současně také narůstá počet hierarchií, které je potřeba sledovat. Již nestačí pouze pohled na obchodní oddělení, ale je nutné přidat i typ obchodní jednotky, čas nebo třeba velikost. Pokud koncový uživatel nebude mít příležitost provádět minimálně ad-hoc reporty sám, povede tento trend k přetížení IT oddělení. Každý měsíc bude mimo standardních reportů potřeba vytvořit i řadu dalších speciálních pohledů na data, která budou do jisté míry nerelevantní pro další období, a to právě kvůli jejich specifickému charakteru.

Prostředí pro ad-hoc reporty

V případě, že si koncový uživatel vytváří ad-hoc reporty sám, je nezbytné, aby pro to měl uživatelsky příjemné prostředí. Velký počet hierarchií a ukazatelů může mít při špatné kombinaci vliv na správnost výsledku. Proto musí být řešení dostatečně přehledné, aby uživatel stále věděl, jaký pohled na data zvolil. Současně je nutné, aby řešení bylo schopné zobrazit jen některá data podle uživatele, který je přihlášen a neumožňovalo vytvořit neplatné kombinace – tedy nepovolovalo zkombinovat ukazatele a hierarchie bez logické souvislosti. IT oddělení tím získá více prostoru pro údržbu datových tržišť, nad kterými stojí reporting BI, údržbu samotných datových skladů či optimalizaci výkonnosti ETL procesů plnících datové sklady a tržiště.

Podrobnější plánování

Stejný trend je možné pozorovat i při plánování. Plánovací modely jsou stále podrobnější a obsahují složitější výpočty. Uživatel tedy potřebuje více podkladů (nejčastěji data z minulého roku), aby byl schopen dostatečně přesného plánování. To opět klade požadavky na intuitivnost plánovacího prostředí. V souvislosti s plánováním ale vzniká další otázka – kdo bude udržovat samotný plánovací model (tedy logiku výpočtů a nastavené workflow plánovacího procesu)? Výhodné je svěřit tuto činnost oddělení, které je zodpovědné za plánování ve firmě (často to bývá oddělení planningu a controllingu), což opět pomůže odlehčit IT oddělení a zlepší flexibilitu koncového uživatele. Plánovací řešení tedy musí být dostatečně intuitivní, aby ho byl schopen udržovat pokročilejší koncový uživatel (například právě zaměstnanec planningu a controllingu). Současně ale musí být dostatečně robustní, aby zvládlo velké objemy dat a složitější výpočty. Mělo by obsahovat i jednoduché rozhraní pro uživatele, jejichž cílem je jen dodat data bez jakékoliv údržby modelu.

Pokročilé what-if analýzy

Druhým trendem je možnost vytváření pokročilých what-if analýz. První typ what-if analýzy je obsažen již v plánování. Za tento typ analýzy lze částečně považovat forecasting (tedy upřesnění plánu ke konci roku) nebo rolling forecasting (pravidelné, zpravidla měsíční přeplánování na určité fixní časové období). Ve chvíli, kdy uživatel dostane aktualizované výsledky, měl by upravit plán tak, aby korespondoval s nově zjištěnou skutečností. Většinou ale není možné věnovat se plánování v tak podrobném rozsahu jako při sestavování ročního plánu. Proto je žádoucí, aby uživatel okamžitě po změně nastavení základních parametrů (úroková sazba, cena základních surovin či třeba pokles poptávky) viděl, jaký je celkový dopad těchto změn. Na základě toho může dojít k rychlému přeplánování. Z toho tedy plyne, že požadavky na nástroje pro what-if analýzy by měly obsahovat i nástroje, které jsou určeny pro plánování.

Nástroje pro what-if analýzu je však možné využít i pro jiné účely, než je pouze plánování. Tyto nástroje by měly umožnit rychle zpracovat a přepočítat data na základě změny vstupů (zejména ruční změny) a výsledky pak poskytnout ostatním uživatelům. Typickým využitím takovýchto nástrojů je třeba výpočet alokace nákladů. Uživatel například mění přiřazení alokačních klíčů k jednotlivým typům nákladů a analyzuje tak změny v profitabilitě jednotlivých oddělení nebo produktů. Dalším příkladem takové analýzy je zvažování optimalizace procesu (například nakoupení hardwaru a softwaru, které umožní určité úkony automatizovat). Pomocí nástroje můžeme okamžitě vidět, jaký dopad bude mít tato změna na konkrétní produkty.

I zde se setkáváme s požadavkem na detailnější data – alokace nás zajímá nejen na produkt či obchodní jednotku, ale potřebujeme vidět podrobnější informace například o zákazníkovi nebo dodavateli. Je jasné, že počet dat potřebných pro takovéto výpočty bude daleko vyšší. Zároveň však pro tyto nástroje platí stejné požadavky jako pro plánování – nástroj musí být intuitivní pro koncového uživatele, tvorba a údržba modelů a výpočtů by měla probíhat jinde než v IT oddělení (jedině tak nebude docházet k nepřiměřenému zatěžování tohoto oddělení). Samozřejmostí pro tento nástroj by také měl být snadný export výsledných dat, aby je mohli okamžitě sdílet ostatní uživatelé – nejlépe tedy přímé napojení do BI nástrojů určených pro reporting.

Blíže koncovým uživatelům

Poslední trend diskutovaný v tomto článku je možné charakterizovat jako přiblížení datové integrace podnikovým uživatelům. Mnohým organizacím je již zřejmé, že pro kvalitní reporting, plánování a what-if analýzy je nutné sledovat data ve stále širším kontextu. Vždy šlo ale o doménu, ve které primární úlohu hrálo oddělení IT. To vždy zajišťovalo integraci dat z různých zdrojových systémů do datového skladu a následně do datových tržišť, kde pak byla data dostupná koncovým uživatelům prostřednictvím nástrojů BI.

V poslední době se ukazuje, že ačkoliv je pro potřeby všech diskutovaných disciplín BI nutné udržovat tzv. jednu verzi pravdy, tak právě u větších organizací dochází k tomu, že jsou stejné artefakty označovány různými termíny, a naopak jeden termín často označuje artefakty odlišné. Díky tomu, že je datová integrace typicky realizována IT oddělením, které většinou nemá možnost z podstaty věci odlišit jednotlivé drobnější rozdíly v byznys terminologii, dochází často k tomu, že určitá klíčová fakta jsou na sebe nesprávným způsobem napojena nebo jsou nesprávně interpretována.

Tento problém se dá snadno vyřešit zapojením jednotlivých oddělení organizací do procesu datové integrace, jež ve spolupráci s IT oddělením definují jednotlivé byznys termíny, jejich vzájemné vztahy, a zejména pak jejich vazby směrem k IT objektům. Těmi jsou typicky sloupce databázových tabulek či složitější výpočty. V momentě, kdy koncové nástroje pro BI umožňují napojení na nástroje pro datovou integraci, získají podnikoví uživatelé vedle skutečné jednotné verze navíc i možnost zobrazování definice byznys termínů a jejich vazeb na další termíny přímo v rámci koncového nástroje BI. To výrazně zvyšuje čitelnost reportů a zabraňuje to jejich případné chybné interpretaci. Existence vazeb mezi byznys termíny a jednotlivými objekty ze světa IT pak zkušenějším uživatelům může nabídnout cennou informaci o tom, odkud a jakým způsobem jsou data v jednotlivých reportech získávána.