APLIKACE BI A JEJICH POŘÍZENÍ Manažerské informační systémy

Transakční systémy (ERP) (stav podniku) MIS (BI) (chování podniku) CI (budoucí vývoj podniku) Probíhá selekce a agregace interních informací Roste - neurčitost - význam externích informací. - závažnost rozhodnutí Postavení Competitive a Business Intelligence v architektuře IS organizace 2

„Nedostatky zdrojových (transakčních) systémů Neustálá změna – neustálý (on-line) režim aktualizace – vysoká zátěž systému Nedostupnost historie – zachycují jen aktuální stav – případně mají „krátkou“ paměť Čistota dat (konsistence a integrita) – nedostatečná identifikace entit (duplicity), roztroušenost a nekonsistence hodnot atributů, odlišná fyzická struktura a formáty Prof. Molnár3

BI aplikace Tyto aplikace poskytují především obchodní informace z historických i současných podnikatelských operací a jsou schopné i předpovědí. Pomocí těchto aplikací se zpracovávají data z prodeje, výroby, financí apod. a slouží především v řízení výkonnosti podniku. BI aplikace dokonce dovedou shromažďovat informace z různých částí společnosti a mohou je porovnávat ve srovnatelných ukazatelích. All-in-one Tyto aplikace pokrývají všechny klíčové procesy v organizaci Mají vysoký stupeň integrace Náročnější upravování pro jednotlivé obory (branšová řešení) Best-of-Breed Tyto aplikace se orientují na jednotlivé obory nebo procesy Přinášejí detailnější a vyšíí funkcionalitu a oborové řešení Ale zato hůře koordinují procesy

OLAP a Data Mining OLAP, neboli Online Analitical Processing, je technologie ukládání dat v databázích umožňující uspořádání dat, aby tyto data byla snadno přístupná uživatelům, kteří tyto data analyzují a sledují trendy obchodních procesů a výsledků. Data bývají uložena takovým způsobem, aby byla umožněna rychlá realizace složitějších dotazů, a často se jedná o vícenásobné uložení stejných dat. Tato technologie používá k ukládání dat vícero indexů, které pak umožňují rychlejší vyhledávání dle vícero kritérií. K ukládání dat používá technologie OLAP předpočítané, agregované a odvozené hodnoty. Data Mining vytváří obecná pravidla o naších zákaznicích, dodavatelích a spolupracujících. Jedná se například o data ve smyslu toho, v kterých dnech či hodinách firmu klienti kontaktují, zda preferují podávání informací osobně, telefonicky nebo em, jak rychle reagují naši dodavatelé či spolupracovníci na naše žádosti a podněty, apod. Jedná se spíše o statistické vyhodnocení našich dat z obchodních a podnikatelských aktivit apod.

Architektura BI Prof. Molnár6 Interní provozní Informační systém Relační databáze OLAP databáze OLAP aplikace Externí databáze

DW se často používají jako systémy spojení dat pocházejících z různých transakčních (operačních) systémů (tzv. základní systémy) Prof. Molnár7 DataWarehouse Datová pumpa (Staging Area) výrobaekonomika odbyt Externí data Externí data zásobování

ETL proces V datech přenášených do datového skladu se téměř vždy objevují duplicity a datové chyby, které není jednoduché odhalit. Tyto nepřesnosti způsobuje proměnlivé názvosloví („str. 56“/„stránka 56“), používání, či nepoužívání diakritiky („František Novák“/„Frantisek Novak“), pravopisné a jiné chyby, které způsobují nekonzistenci a je nutné je rozpoznat. Většinou neexistuje korekce chyb ve zdrojovém systému, proto je třeba nekonzistence dohledat, opravit a záznamy logicky spojit do jednoho při plnění datového skladu Tento proces čištění dat při plnění datového skladu může pak zpětně sloužit jako opravná zpětná vazba pro zdrojový provozní informační systém. Udává se, že až 15 % všech zdrojových dat je nekonzistentních nebo nesprávných. Prof. Molnár8

Pro ETL proces lze nastavit strategii pro čištění dat, jako například remove (data, která nesplňují pravidla se nepřenesou dále, jsou odstraněna), match (očištění dat na základě nejbližší shody hodnoty atributů – odstranění překlepů, velká/malá písmena apod.) nebo custom (libovolná vlastní logika čištění dat). Prof. Molnár9

Analýza segmentů trhu Prof. Molnár10 SKUPINA ZÁKAZNÍKŮ OBOR REGION Obchodní domy Velkoobchod Maloobchod Sklo Keramika Plasty sever jih východ

Analýza nákladů Prof. Molnár11 NAKLADOVY DRUH VÝROBEK STŘEDISKO Materiál Mzdy Energie SU15 VOC25 NCU10 S01 S02 S03 ČAS

Fakta a jejich aditivnost Aditivní fakta – mohou být agregována pomocí jednoduchých funkcí jako je průměr, součet apod. přes všechny dimenze (např. výše tržeb může být sečtena jak za libovolné časové období a za všechny prodejny) Semiaditivní fakta – mohou být agregována podle jednotlivých dimenzí jen částečně (např. hotovost v bance může být sečtena jen za všechny účty, nikoliv za nějaké časové období) Neaditivní fakta – nemohou být agregována jednoduchými funkcemi (např. průměrná produktivita v jednotlivých měsících nemůže být sečtena za za rok, ani za všechny organizační jednotky) Prof. Molnár12

Vlastnosti dimenzí Hierarchie Granularita Sdílení Proměnlivost Prof. Molnár13

Vlastnosti dimenzí (1) Hierarchie dimenze – umožňuje procházet daty od úrovně s nejvyšší mírou agregace k nižší úrovni (drill-down) a naopak (roll-up). Např. ústav, fakulta, univerzita, vysoké školy, nebo stavba, závod, divize, celá společnost. Granularita dimenze– základní úroveň detailu dat uložených v DW odpovídá nejnižší úrovni detailu u všech dimenzí. Tak vzniká problém balancování mezi objemem dat a mírou detailu zachycených dat. Daná metrika se může lišit podle dalších dimenzí Např. chceme-li sledovat denní výjezdy pohotovostních vozidel plynárenské služby v Praze, tak se může stát, že u řady dalších měst toto nemá smysl, protože stačí sledovat jen za týden. Prof. Molnár14

Vlastnosti dimenzí (2) Sdílené dimenze (common shared dimension) – jsou společné pro všechna fakta a tím poskytují uživateli jednotný pohled na fakta a usnadňují implementaci. Typickými sdílenými dimenzemi jsou čas, organizační jednotka, produkt, zákazník apod. Proměnlivost dimenze (slowly changing dimension) – znamená, že atributy dimenze se mohou v čase měnit, což může komplikovat historické přehledy (sledování trendů). To je většinou řešeno ukládáním dvojích hodnot staré a nové. Pokud se dimenze mění často, vede to k nežádoucímu nárůstu atributů (dat). Např. zákazník se přejmenuje, sloučí s jiným či přestěhuje do jiného regionu. Prof. Molnár15

Základní operace v OLAP systémech Drill-down – umožňuje uživateli ve zvolené(-ých) instanci(-ích) jisté agregační úrovně nastavit nižší(jemnější) agregační úroveň Roll-up – jde o opak předešlé operace. Ve zvolených instancích jisté agregační úrovně nastavuje vyšší (hrubší) agregační úroveň. Pivoting – umožňuje „otáčet“ datovou krychlí, tj. měnit úhel pohledu na data na úrovni presentace obsahu datového skladu. Slicing – dovoluje provádět řezy datovou kostkou, tj. nalézt pohled, v němž je jedna dimenze fixována v jisté(-ých) instanci(- ích) jisté agregační úrovně. Jinými slovy tato dimenze aplikuje filtr na instance příslušné agregační úrovně dané dimenze. Dicing – je obdobou „slicingu“, jenž umožňuje nastavit takový filtr pro více dimenzí Prof. Molnár16

Příklady dimenzí u aplikace prodeje Čas (rok, měsíc, případně den v roce či den v měsíci) Stav (prognóza, plán skutečnost) Útvar (dle konkrétního organizačního uspořádání) Zákazník (obchodní zástupce, významný zákazník, přímý odběratel apod.) Segment trhu (státní sektor, soukromý sektor, bytová výstavba apod.) Produkt/zakázka (typ, provedení apod.) Teritorium (Evropa, ČR, kraj apod.) Nákladový druh (materiál, mzdy, cestovné,provize a pod.) a další dle konkrétních požadavků obchodníků Prof. Molnár17

Příklady fakt u aplikace prodeje Objem tržeb Náklady Zisk Počet zákazníků a další dle konkrétních požadavků obchodníků Z hodnot fakt a jejich dimenzí pak systém tvoří ukazatele Např. % nákladů na provize z celkových tržeb či z celkového zisku a jejich vývoj v čase a to dle jednotlivých útvarů Prof. Molnár18

Hierarchie dimensí Prof. Molnár19

Tabulka vazeb faktů a dimensí Prof. Molnár20

Datový model - prodeje čas produkt zákazník způsob prodeje kraj denkomediefanoušcie-shopPraha týdenpsychoteaneagersřetězceStřední čechy měsícthrillersingelsmaloobchodKarlovarský roklove storyothersdealeratd. Prof. Molnár21 FAKTA: tržba zisk pohledávky Dimenze: čas produkt zákazník způsob prodeje region granularita

Vazba tržba - dimense Prof. Molnár22 tržba čas produkt zákazník způsob kraj

Vazba zisk - dimense Prof. Molnár23 zisk čas způsob produkt

Vazba pohledávky - dimense Prof. Molnár24 pohledávky čas zákazník způsob

Model fakta-dimenze Prof. Molnár25 tržba časprodukt zákazník způsob kraj zisk pohledávky

Prof. Molnár28

Prof. Molnár29

/ Ukázka BI řešení foundation/obiee-samples html foundation/obiee-samples html px.rtrk.nl/EEU_2014_LandingPages_PRG_Tch1_LP.html px.rtrk.nl/EEU_2014_LandingPages_PRG_Tch1_LP.html dwords&utm_medium=ppc&utm_campaign=cognos&gclid=Cjw KEAiAmuCnBRCLj4D7nMWqp1USJABcT4dfCYkg4sYVHQiD1q 9_VyTVbwIA-bJojj9g5zUDPrGFrRoCXBjw_wcB dwords&utm_medium=ppc&utm_campaign=cognos&gclid=Cjw KEAiAmuCnBRCLj4D7nMWqp1USJABcT4dfCYkg4sYVHQiD1q 9_VyTVbwIA-bJojj9g5zUDPrGFrRoCXBjw_wcB

Pořízení BI Vlastním vývojem (většinou na bázi EXCELu s připojením na vybrané databáze v ERP) Nákupem standardní aplikace BI, která je součástí komplexního podnikového IS jako nadstavba ERP (SAP, ORACLE, Microsft Dynamics (NAVISION), MFG/Pro a pod.) tzv. systém all-in-one nákupem specializované aplikace BI, která je přes standardizovaný interface napojena na libovolný základní ERP systém (COGNOS, SAS Institute, ADASTRA, Inekon MIS Alea, Ortex, GIST, apod.) tzv. systém best-of breed Prof. Molnár31

32 Postup při výběru BI definování potřeb a požadavků stanovení hodnotících kriterií a jejich důležitosti identifikace vhodných produktů (short list) zpracování nabídek a prezentace produktů expertní vyhodnocení nabídek výběr produktu projednání kontraktu s dodavatelem

33 Hodnotící kriteria pro výběr BI (vybíráme produkt a jeho dodavatele) funkčnost resp. odvětvová (branšová) nebo procesní specializace dodavatel, jeho reference a kapacita konsultantů integrace se stávajícím ERP (all-in-one, best of breed) cena

Prof. Molnár34 Cena BI cena HW (ceník), závislá na potřebném výkonu cena SW (ceník), závislá na počtu licencí cena služeb (školení, úpravy, zavádění), závislá na rozsahu prací (počet člověkodní) cena údržby (maintenance), závislá na smluvním vztahu (obyčejně 10 až 20 % ceny SW)

Prof. Molnár35 Srovnání nákladu

36 RYCHLE? KVALITNĚ? (funkčnost) LACINO? Magický trojúhelník

Postup při zavádění BI Identifikace problému (nejsložitější etapa) – projekt musí být podložen nějakým problémem, v důsledku jehož vyřešení se očekává přínos pro podnik. Vytvoření prototypu – identifikace určitého podproblému (například jenom problém sledování a vyhodnocování nákladů), jehož vyřešení nevyžaduje příliš mnoho úsilí, ale výsledek bude jasně naznačovat, jak bude vypadat cílový systém. Prototyp má dva efekty Koncovému uživateli jasně ukazuje jak bude vypadat výsledek a co lze od budovaného řešení očekávat Dává možnost řešiteli vyzkoušet si i ověřit své předpoklady a získat konkrétná zkušenosti z analýzy, návrhu a technické realizace prototypu včetně seznámení se s prostředím uživatele a navázání komunikace s budoucími uživateli Rozvinutí (roll-out) systému - postupné (step-by-step) rozšiřování řešení do dalších oblastí podnikového řízení. Prof. Molnár37

SEMINÁRNÍ PRÁCE BI Manažerské informační systémy

Váš dvoučlenný tým byl pověřen úkolem vybrat pro středně velký stavební podnik z nabídky ERP systémů pro stavebnictví takový, který obsahuje také modul BI. Pro získání potřebných informací o produktů a dodavatelích využijte především server dále webové stránky dodavatelů, všeobecné vyhledávače, případně proveďte vlastní šetření u vybraného stavebního podniku. Vyberte alespoň tři vhodné produkty ERP, případně jejich dodavatele z množiny produktů dle tabulky „Zadání produktů“. Tyto produkty stručně charakterizujte a vzájemně srovnejte co do funkčnosti, referenčních aplikací ve stavebních firmách a ceny (pokud je jí možno zjistit u dodavatele). Zaměřte se zejména na modul BI. Zpracujte písemně příslušnou zprávu (cca 5 stran) a připravte presentaci v délce max. 10 minut) pro vedení společnosti (své spolužáky) s doporučením a zdůvodněním jakou aplikaci BI si má stavební podnik pořídit. Zadání typu A – aplikace pro BI (all-in-one)