facebook
Tematické sekce
 
Branžové sekce
Přehledy
 
Tematické seriály
 

GDPR

General Data Protection Regulation zásadně mění zpracování osobních údajů a zavádí nové povinnosti...

články >>

 

Jak uřídit IT projekt a nezbláznit se

Užitečné tipy a nástroje pro řešení problémů řízení inovací a vývoje produktů...

články >>

 

Industry 4.0

Průmysl 4.0

Jaký vliv bude mít čtvrtá průmyslová revoluce na výrobu a výrobní firmy?

články >>

 

Komplexní svět eIDAS

O nařízení eIDAS již bylo mnoho řečeno i napsáno. A proto jediné, o čem...

články >>

 

Trendy v CRM

Systémy pro řízení vztahů se zákazníky (CRM) prochází v posledních letech výraznou změnou. Zatímco dříve...

články >>

 

Příručka úspěšného IT manažera

Dnes je řada IT manažerů opomíjena. Úspěšní bývají brouci Pytlíci a Ferdové...

články >>

 
Partneři webu
Navisys
Big Data a Business Intelligence , AI a Business Intelligence

Do hlubin kvality informací

Základní principy k budování systému kvality informací

Milan Kučera


Inspirací pro sepsání článku byl průzkum realizovaný Danem Myersem [1], zabývající se důležitostí a využíváním metrik datové kvality mezi firmami, které se průzkumu účastnily. Na základě posledního průzkumu (za rok 2018) lze totiž konstatovat, že došlo k významnému poklesu využívání metrik v rámci masivních inspekcí a zároveň došlo k nárůstu využívání metrik kvality dat v případě nutnosti nebo na základě požadavku (ad-hoc).


Průzkum se zaměřuje také na jednotlivé metriky kvality dat, u kterých můžeme sledovat posuny z hlediska jejich důležitosti. Výsledek zjištění je shrnut v následující tabulce [1], str. 8:

Pořadí 2017 2018
Dimenze Dimenze
1 Accuracy (Přesnost) Completeness (Úplnost)
2 Completeness (Úplnost) Validity (Správnost)
3 Consistency (Konzistence) Consistency (Konzistence)
4 Validity (Správnost) Accuracy (Přesnost)
5 Timeliness (Včasnost) Integrity (Integrita)
6 Integrity (Integrita) Timeliness (Včasnost)
7 Accessibility (Dostupnost) Accessibility (Dostupnost)
8 Currency (Aktuálnost dat – data representují realitu a odráží současný stav) Lineage (Existence dokumentace informačního toku)
9 Precision (Přesnost) Representation (Prezentace)
10 Lineage (Existence dokumentace informačního toku) Precision (Přesnost)
11 Representation (Prezentace) Currency (Aktuálnost dat – data representují realitu a odráží současný stav)

Z výše uvedeného je zřejmý ústup od metriky přesnosti a přiklonění se k požadavkům na úplnost a správnost, tedy metriky, které lze mnohem snadněji měřit, než je tomu např. v případě metriky – Přesnost (Accuracy). Jako velmi zajímavé lze také hodnotit „umístění“ metriky Prezentace (Presentation), neboť srozumitelnost prezentovaných údajů a jejich správná a přesná interpretace uživateli je jednou z velmi důležitých metrik.

Domníváme se, že tomuto trendu nahrávají nejen současné přístupy k problematice kvality dat, ale také i výchova nových odborníků na tuto problematiku, jejichž vzdělávání směřuje spíše k technologickému přístupu k problematice kvality dat.

Přístup k problematice kvality dat je primárně založen na cyklu „inspekce ↔ opravy“ s aplikací primárně nad datovým skladem. Implementace cyklu není náročná, a to zejména proto, že podpora oblasti kvality dat se stala také nedílnou součástí ETL procesů (nástrojů). Otázku, kterou by si měli specialisté na kvalitu dat položit může znít „Kolik to firmu stojí a jaký je přínos“, případně „Je tento postup v souladu se standardními principy řízení kvality?“

Cílem článku je komplexně rozebrat problematiku řízení kvality informací a nastínit možnosti vybudování systému řízení kvality informací s využitím několika základních principů řízení kvality.

Vztah firmy a informací

Současné firmy de-facto nemají možnost se vyhnout vytváření, zpracování a poskytování informací. Rozsah těchto informací (dat) se neustále zvyšuje a je tak vytvářen tlak na firmy informace efektivně zpracovávat, v čemž jim výrazně pomáhají nejmodernější technologie využívané pro sofistikované analýzy, diagnózy a podobně.

Peter Drucker [2] zavádí pojem „information based organization“, který představuje firmy v nichž dochází k významnému zpracování informací pro podporu podnikání, a zároveň firmu, která implementuje kroky vedoucí k řízení informací, jejich využívání v rámci firmy atd. Z tohoto pohledu a z pohledu moderní doby, můžeme s určitou nadsázkou konstatovat, že „každá“ firma zpracovávající informace je na jejich kvalitě závislá.

Zpracování informací s sebou přináší určité požadavky nejen na efektivnost zpracování, ale také na organizační strukturu firmy. V rámci provozu je potřebné se ptát: Odkud informace pochází?, V jaké formě jsou získávány?, Jaký je jejich tok?, Jaká je jejich kvalita? A mnohé další otázky, které v minulosti nebyly akutními, neb zpracovávaný objem dal byl signifikantně menší.

Informačně založená organizace vyžaduje mnohem více specialistů schopných konvergovat uložená data v systémech na informace a zároveň v souvislosti s jejich tokem napříč organizací je potřebná efektivní spolupráce mezi těmito specialisty či jednotlivými útvary firmy.

Informace, její vytvoření, správa a interpretace jsou tak důležitými aktivitami, které musí být firma schopna efektivně řídit. V této souvislosti se otevírá otázka, jak nahlížet na informaci. Například Larry P. English se na informaci dívá jako na produkt, zatímco někteří jiní, např. Douglas Laney považuje informaci a firemní aktivum. Aby informace byla považována za aktivum, musí naplňovat určité podmínky [3] a zároveň se zabývá tím, že informace by tedy měla být řízena jako jakékoliv jiné podnikové aktivum.

Pokud firma přijme to, že informaci považuje za své aktivum, pak toto „rozhodnutí“ má své dopady na pojem „vlastnictví“ a tak nepřímo do oblasti tzv. Data Governance nebo Information Governance. Data Governance pracuje s těmito základními pojmy: „data owner“ a „data steward“. Jejich obsah je potřebné důkladně diskutovat, možná i naléhavě, s ohledem na primární otázku: „Kdo vlastní podniková aktiva?“

Co se týče vlastního řízení kvality informací / dat lze využít různých přístupů, avšak lze konstatovat, že tím nejčastěji používaným je cyklus inspekce ↔ opravy, který je velmi efektivně podporovaný různými technologiemi. Technologie jsou zároveň využívány pro vlastní hodnocení kvality opírající se o definování a měření tzv. indexů kvality.

V případě, že firma považuje řízení kvality informací (dat) za standardní systém kvality, pak by měla implementovat některou z dostupných systémů, jako například Total Information Quality Management (TIQM®), jehož první verzi představil Larry P. English v publikaci [4] a jeho modifikovanou verzi pak v publikaci [5].

Mnohé firmy, však mají obavy z implementace uceleného systému řízení kvality informací, pravděpodobně na základě neúspěšných implementací jiných systémů kvality, jako např. Six Sigma, či Lean Six Sigma.

V článku, se budeme zabývat implementací systému kvality informací opřeného pouze o vybrané principy kvality, zatímco systém řízení kvality informací TIQM jich využívá mnohem více a lze je považovat za mnohem komplexnější než systém prezentovaný v tomto článku.

Informace

Pokud chceme hovořit o kvalitě informací, pak je potřebné definovat to, co považujeme za informaci. Informace je definována formulí [4, p. 27]:

Informace = f{Data + Definice + Prezentace}

Z uvedené formule je zřejmé, že informace je tvořena třemi základními komponentami (samostatné, rozdílné). Abychom mohli hovořit o tom, že informace je kvalitní, pak každá z těchto jednotlivých komponent musí být kvalitní. Nekvalita v některé z nich, nebo jejich libovolné kombinaci, pak znamená, že výsledná informace je nekvalitní.

Pokud se zaměříme na informaci, pak se na rozdíl od dat, pohybujeme na úrovni procesů, což je pro posuzování kvality informací zcela zásadní a zároveň jsme schopni identifikovat dopady nekvality do těchto firemních procesů.

Z tohoto důvodu budeme primárně hovořit o kvalitě informací, a nikoliv kvalitě dat, kdy kvalita dat se týká již uložených dat v jednotlivých databázích firmy. Kvalita těchto dat je měřena převážně na každodenní bázi (masivně) a následně jsou pak reportovány určité defekty, které by měly být opravovány s cílem zajistit to, aby data byla bez defektů („zero-defect“).

Pokud se informaci podíváme jako na aktivum, pak její hodnota se s ohledem na sedm zákonů informace mění, [6]. Zvyšování hodnoty informace přináší s sebou požadavky na kvalitu informační architektury, zejména na sdílení, využívání a přesnost. Přesnost je klíčový pojem, metrika, s nímž v oblasti kvality informací pracujeme. Bohužel se lze setkat s různými definicemi / interpretacemi tohoto pojmu (metriky), což se projevuje také v mnoha diplomových pracích.

V další části se zaměříme na vybrané principy řízení kvality, které mohou vést k zavedení takového systému kvality, který bude v souladu s obecnými principy kvality a zároveň vytvoří základ pro zavedení komplexního systému, např. TIQM.

Základní principy k budování systému kvality informací

Mnohé firmy se soustředí primárně na kvalitu dat (inspekce, profiling) a následné opravy defektů, což je cyklus, který vede k otázce „Co je kvalita dat – přínos, náklad?“ Pokud firma vyhodnocuje náklady a přínosy kvality dat, pak je to velmi zřídka nebo vůbec. Mj. přibližně před 10 lety to byla jedna z velmi živých otázek na síti LinkedIn.

Současný přístup inspekce ↔ čištění dat/opravy představuje pouze náklady, je vhodné uvést několik základních principů na jejich aplikace do oblasti kvality informací lze vybudovat počáteční systém řízení kvality informací:

Princip 1. Hodnocení kvality jsou náklady na nekvalitu, ne indexy [7]
Princip 2. Umět odpovědět na otázky:
a. Kdo je závislý ve firmě na mne a na jakých informacích [2]
b. Na kom jsem závislý [a jaké informace potřebuji] [2]
Princip 3. Všichni zaměstnanci jsou povinni pečovat o kvalitu informací
Princip 4. Zbavte se závislosti na masivní inspekci [a opravě] [4]
Princip 5. Zaveďte školení a tréningy pro oblast kvality informací [4]
Princip 6. Rušte bariéry mezi informačními systémy a organizačními jednotkami [4]
Princip 7. Zaměření se na zlepšování procesů a prevence vzniku chyb
Princip 8. Vytvoření trvalého zájmu o zlepšování kvality informací [4]
Princip 9. Sledujte a hodnoťte úplnost, vhodnost budovaného systému a zlepšujte jej

Pokud bychom potřebovali vybudovat komplexnější systém kvality, pak lze přidávat další principy, či implementovat již existující a praxí ověřené principy řízení kvality, které jsou aplikovány na informaci.

Princip 1: Hodnocení kvality jsou náklady na nekvalitu, ne indexy

Pokud se firma rozhodne věnovat problematice kvality informací (dat) je potřebné, aby byla schopna odpovědět, co pro ni nekvalita informací znamená a jaké má dopady. Dopady, s nimiž se na úrovni procesu lze setkat, jsou jednak finanční tak i výkonnostní – negativní dopad do KPI (Key Performance Indicator). Znalost nákladů na nekvalitu je, na základě zkušeností, jednou z cest, jak prezentovat managementu, který „obvykle neví, jaké náklady jsou spojeny s nekvalitou“ [7, p. 5].

Firma by pro naplnění tohoto principu měla implementovat některý z modelů hodnocení nákladů nekvality. Jedním z nich je například PAF model [8], [4], [5] prostřednictvím kterého je možné objasnit, jak se z nákladového pohledu má firma dívat na nejčastěji implementovaný cyklus inspekce ↔ opravy.

Implementace modelu je také důležitá proto, že:

  • jedná se o manažerský nástroj pro řízení kvality,
  • poskytuje celkový pohled na kvalitu (finanční),
  • pomáhá k prioritizaci problémů,
  • pomáhá hodnotit dopady implementovaných nápravných opatření.

Zároveň, pokud náklady sledujeme v průběhu doby v určitých, více či méně pravidelných intervalech, dostáváme pohled na trendy v jednotlivých kategoriích PAF (Prevention, Appraisal, Failure) a můžeme je efektivně řídit (Obrázek 1).

Obr. 1: Trendy v modelu PAF na základě zralosti organizace
Obr. 1: Trendy v modelu PAF na základě zralosti organizace

Bohužel ve většině případů firmy se soustředí primárně na definování metrik kvality dat, avšak ty většinou vypovídají pouze o stavu „kvality“ dat v databázích a od těchto metrik, je komplikované se dostat k vyhodnocení finančních dopadů a rizik způsobených nekvalitními informacemi.

Princip 2: Umět odpovědět na otázky

Pokud se klient / zákazník podívá velmi zjednodušeně na firmu (odebírá od ní produkty, služby), vnímá asi takto: poskytnuté informace (požadavek) → FIRMA → výstup (služba, produkt), přičemž očekává, že doba zpracování požadavku firmou bude co nejkratší, a případně bez kontaktování ohledně dodatečných informací. Tímto se dostáváme do vnitřního prostředí firmy, ve které by jednotlivé procesy měly na sebe vzájemně navazovat a informační tok by měl být co možná nejrychlejší. Aby vyřízení požadavku bylo co nejrychlejší, bez zbytečných nadbytečných aktivit, je nutné, aby informace měly požadovanou kvalitu.

Aby toto bylo možné, vzájemně navazující procesy by měly fungovat tak, aby proces, zpracovávající v daném okamžiku požadavek, si byl jist, že:

  1. definoval požadavek kvality na vstupní informace,
  2. definoval požadované informace,
  3. znal požadavky na kvalitu výstupu od konzumenta,
  4. znal požadavky na strukturu předávaných informací.

Zmíněné body, zcela jednoznačně korespondují s požadavky informačně založené organizace [2]. Ti z čtenářů, kteří znají Six Sigma, nebo se potkali s nástrojem SIPOC jej mohou v bodech a) – d) objevit s tím, že je doplněn o požadavky na kvalitu a zpětnou vazbu. V tom případě pak mluvíme o modelu TRIPROL (Triple Role), viz. [9, p. 132].

Obr 2: Požadavek na komunikaci v případě informačně založené organizace
Obr 2: Požadavek na komunikaci v případě informačně založené organizace

Komunikace mezi jednotlivými účastníky ohledně požadavků na kvalitu informací a zpětná vazba je jedním ze zásadních požadavků systému kvality a to proto, aby:

  • byly známy požadavky na kvalitu, neb nekvalita má dopad na proces zpracovávající informace z hlediska nadbytečných aktivit,
  • poskytovatel informací byl informován případně o změněných požadavcích na kvalitu,
  • byly prezentovány nadbytečné náklady, které má zpracovatel informací v případě, že vstupní informace jsou nekvalitní.

Jedná se o princip, který zároveň pomáhá odstraňovat bariéry mezi jednotlivými odděleními a zároveň je možné jej implementovat do společnosti po určitém zaškolení.

Princip 3: Všichni zaměstnanci jsou povinni pečovat o kvalitu informací

Jedná se o zcela základní princip využívaný v jakémkoliv systému kvality, kdy všichni zaměstnanci jsou za kvalitu odpovědní, tedy i za kvalitu informací, které jsou vytvářeny, aktualizovány, prezentovány a vysvětlovány. Odpovědnost za kvalitu informací bývá součástí tzv Data Governance nebo lépe Information Governance, avšak jak bylo uvedeno výše, narážíme zde na problém „owner vs. steward“, a to zejména z pohledu organizační struktury a definice jednotlivých pojmů („vlastník“, „správce“), které navíc v kombinaci s potenciálním předpokladem, že informace je firemní aktivum, jsou ve významném konfliktu.

Princip 4: Zbavte se závislosti na masivní inspekci [a opravě]

Jedná se o jeden ze základních Demingových bodů kvality, které rozpracoval a modifikoval do oblasti informace Larry P. English. Důvodem k zařazení tohoto specifického bodu je skutečnost, že současné přístupy k problematice kvality dat jsou založeny na implementaci cyklu inspekce ↔ opravy na pravidelné, mnohokráte na dennodenní. To, že tento postup (výpočet indexů) je nesprávný, vyplývá z Principu 1.

Princip 5: Zaveďte školení a tréningy pro oblast kvality informací

Opět se jedná o jednu z oblastí systému kvality, která je ve stávajícím přístupu velmi opomíjena. Obecně lze říci, že lidé pracují tak dobře, kvalitně, jak jsou na danou práci vyškoleni. To znamená, že firma by měla vypracovat systém školení kvality informací, avšak je nutné, aby bylo připraveno pro všechny úrovně, tj. včetně managementu. A dále je nutné, se zaměřit na doplnění, revizi stávajících procesů a doplnit je o potřeby vyplývající z požadavků kvality informací. V neposlední řadě, je potřebné vyškolit osoby odpovědné za řízení oddělení o způsobu kalkulací dopadů nekvalitních informací, a v případě, že tyto nejdou exaktně spočítat, tak je umět uvést jako potenciální riziko.

Princip 6: Rušte bariéry mezi IS a organizačními jednotkami

Vzhledem k tomu, že požadavky na kvalitu vstupních informací se mohou měnit, je potřebné, aby útvary, které zpracovávají informace byly schopny svým poskytovatelům komunikovat požadavky na jejich kvalitu, jakož i poskytovat zpětnou vazbu. Avšak aby setkání ke zpětné vazbě byly efektivní, jejich nutnou podmínkou je prezentace finančních dopadů do procesů zpracovatele (Princip 1, Princip 2).

Pokud bychom šli do větších detailů, pak bychom zde museli přidat další z Demingových bodů kvality, velmi důležitý, který hovoří o nutnosti současně vytvořit prostředí, které nehledá viníka nebo neodsuzuje zaměstnance za chybu. Důvodem je to, že zaměstnanec by měl být proškolen v oblasti kvality informací, měl by znát požadavky na kvalitu informací, které vytváří – aktualizuje – prezentuje. Pokud těmito školeními zaměstnanec neprošel, může se cítit značně nekomfortně a tomu je potřebné předejít.

Princip 7: Zaměření se na zlepšování procesů a prevence vzniku chyb

Je potřebné si položit zásadní otázku, co se bude považovat za zlepšení. Vzhledem k tomu, že nyní hovoříme o dvou základních momentech (náklady a indexy) je nutné se nad těmito pozastavit. Výsledkem inspekce kvality dat (profiling) je mnohdy celá řada metrik kvality dat u kterých je sledován trend jejich hodnoty. Za zlepšení se považuje zlepšení hodnoty v dané metrice, avšak je otázkou „Jaké dopady do procesů využívajících tato data to přineslo“?

Velmi zjednodušeně můžeme říci, že na úrovni databáze jsou snahy o dosažení „zero-defect“, tedy nulových defektů, což je finančně nákladné a to je možná také důvod, proč mnozí manažeři vidí kvalitu dat jako firemní náklady (lidé, software, opravy, atd.). Avšak pokud se zaměříme na metriku Přesnost, pak zcela určitě nebude dosaženo 100% přesnosti vůči realitě kterou informace prezentuje, a to z mnoha prozaických důvodů, např. lidé se stěhují, ztrácí mobily, mění e-mailové adresy, atd. To znamená, že firma musí počítat s určitými nepřesnostmi a k tomu související náklady, aby bylo zhodnoceno, zda nekvalita má nebo nemá významné finanční dopady, a tedy tuto nekvalitu je nutné řešit.

Primárně kvalita je zaměřena na zlepšování / prevenci. S tímto jednoduchým procesem opět souvisí několik nástrojů, technik, které je vhodné zahrnou do budovaného systému kvality informací a to buď kompletně novým procesem (např. PDCA, nebo rozšířený PDCA, RCA – Root Cause Analysis, využitím a adaptací stávajících procesů, atd. A zároveň zde můžeme jednoduše aplikovat princip „Go To Gemba“ znamenající zjednodušeně to, že prevence či náprava chyb jsou realizovány v místě vzniku informace.

Princip 8: Vytvoření trvalého zájmu o zlepšování kvality informací

Aby zlepšování kvality informací mělo smysl a bylo udržitelné, je úlohou managementu vytvářet takové podmínky ve firmě, aby zaměstnanci byly odpovědni za zlepšování kvality informací, aby byli motivování k návrhům na zlepšování a případně aby firma byla schopna realizovaná preventivní opatření ocenit, třeba i finančně. Nestačí pouhá deklarace firmy, že prioritou je kvalita informací / dat, ale je potřebné vybudovat takové prostředí, které bude vést k trvalému zlepšování systému řízení kvality informací a všichni zaměstnanci budou se podílet na udržitelnosti tohoto prostředí.

Princip 9: Sledujte a hodnoťte úplnost systému a zlepšujte jej

Posledním principem, který bychom doporučili je hodnocení úrovně budovaného systému řízení kvality informací a na základě výsledků navrhnout a realizovat zlepšení. Pro hodnocení stavu řízení kvality informací ve firmě jsou využívány modely zralosti. Je však důležité, aby modely, na jejichž základě se hodnotí stav úrovně řízení kvality informací / dat obsahoval všechny kritické oblasti a nebyl primárně zaměřený na implementaci technologie, definování indexů. Vzhledem k tomu, že v současné době se v souvislosti s tím, že informace jsou považovány za firemní aktivum, hovoří se o hodnotě informací, je potřebné, aby tzv. zralostní modely obsahovaly i tuto část.

Závěr

Na základě dosavadních zkušeností a situací v oblasti řízení kvality informací lze konstatovat to, že k zásadním změnám v této oblasti nedošlo a i nadále preferovaným přístupem je cyklus inspekce ↔ opravy. Masivní využívání zmíněného cyklu je v rozporu s Demingovým bodem kvality.

Firmy se sice chtějí věnovat problematice kvality informací, avšak se spíše zaměřují pouze na kvalitu dat neb oblast je výrazně podporována sofistikovanými technologiemi. Důvodem může být také to, že implementace nástroje, definování indexů kvality, atd. nepředstavuje složitý problém a jedná se o kroky, které jsou dobře prezentovatelné a mohou se realizovat v rámci malé skupiny specialistů. Následně je tento přístup doplněn o základní prvky Data Governance s tím, že vznikne útvar Kvality dat.

Implementace technologií, technik, metod kvality informací trvá přibližně 2 roky, implementace prostředí plně podporujícího řízení kvality informací je běh na cca 4-5 let, a tedy to je něco, co je pro management firmy v hodně vzdálené době.

Pokud se firma chce skutečně této problematice věnovat, doporučujeme:

  1. zpracovat analýzu nákladů a rizik souvisejících s nekvalitními informacemi
  2. zhodnocení zralosti řízení kvality informací.
Milan Kučera Milan Kučera
Autor článku je konzultantem v oblasti Information Quality Management (milan.kucera@d2i.cz).

Odkazy a zdroje:

Přesné definice jednotlivých metrik datové kvality lze nalézt na: http://dimensionsofdataquality.com/alldimensions

[1] D. Myers, 2018 Anual Report on the Dimensions of Data Quality, DQ Matters Data Quality eLearning, 2018.
[2] P. F. Drucker, The New Realities, Transaction Publishers, 2007.
[3] D. B. Laney, Infonomics: How To Monetize, Manage, and Measure Information as an Asset for Competitive Advantage, Bibliomotion, Inc., 2018.
[4] L. P. English, Improving Data Warehouse and Business Information Quality, John Wiley & Sons, Inc., 1999.
[5] L. P. English, Information Quality Applied, Wiley Publishing, Inc., 2009.
[6] D. Moody a P. Walsh, „Measuring the Value of Information: An Asset Valuation Approach,“ v European Conference on Information Systems, 1999.
[7] P. B. Crosby, Quality without tears, McGraw-Hill, 1995.
[8] H. J. Harrington, Poor Quality Cost, American Society for Quality Control, Marcel Dekker, 1987.
[9] J. deFeo, Juran’s Six Sigma: breakthrough and beyond, McGraw-Hill, Inc., 2004.
[10] W. E. Deming, Out of the Crisis, The MIT Press, 2000.
[11] P. B. Crosby, Quality is Free, Penguin Books, Ltd., 1980.

Chcete získat časopis IT Systems s tímto a mnoha dalšími články z oblasti informačních systémů a řízení podnikové informatiky? Objednejte si předplatné nebo konkrétní vydání časopisu IT Systems z našeho archivu.
EDU Trainings IT školení


Inzerce

Kontaktní centra se přemisťují do cloudu kvůli zlepšení péče o zákazníky

GenesysTechnologický svět míří do cloudu a péče. Výjimkou nejsou ani technologie call center, které se z tradičních „on-premise“ řešení transformují do moderních cloudových kontaktních center. Proč se přesun do cloudu vyplácí?