Nabídněte datovou analýzu celé firmě

Rozhodování založené na datech je klíčovým atributem moderního digitálního podnikání. Zkušení datoví analytici a datoví vědci však mívají značné platové nároky a bývá je obtížné nalézt a udržet.

Přečtěte si také:

Chybějí vám lidi? Najděte skryté IT talenty ve své organizaci!

Jedním z možných řešení tohoto problému je zavedení samoobslužné analýzy, což je typ business intelligence (BI), který umožňuje podnikovým uživatelům klást dotazy a generovat sestavy samostatně jen s minimální pomocí IT nebo datových specialistů, případně zcela vlastními silami.

Samoobslužná datová analýza obvykle zahrnuje nástroje, jež se snadno používají a nabízejí základní analytické funkce. Obchodníci a manažeři je mohou využít k práci s daty, aby mohli například identifikovat tržní trendy a příležitosti. Nepotřebují žádné předchozí znalosti a zkušenosti v oblasti datové analýzy, statistiky ani v jiných souvisejících oborech.

Vzhledem k přetrvávající propasti mezi poptávkou po zkušených datových analyticích a nabídkou těchto odborníků na trhu práce – a snahou podniků rychle dostat důležité obchodní informace do rukou uživatelů, kteří je nejvíce potřebují – je snadné pochopit, proč se samoobslužná datová analýza stává atraktivní variantou.

Existují však správné a nesprávné způsoby, jak samoobslužnou analýzu zavést a používat. Shromáždili jsme několik tipů pro manažery IT, kteří chtějí své firmě umožnit využít potenciál samoobslužných datově analytických nástrojů.

Mějte jasný a komplexní plán pro datovou analýzu

Datová analýza a analytické nástroje získaly v mnoha firmách takovou oblibu, že snadno může docházet k jejich nevhodnému nebo nadměrnému užívání. U samoobslužné analýzy je problém ještě závažnější, protože umožňuje analyzovat data mnohem většímu okruhu uživatelů.

Z tohoto důvodu je důležité sestavit plán, kde a kdy má smysl analýzu používat, a zavést odpovídající kontrolní mechanismy, aby se vaše analytická strategie nevymkla z ruky.

„Stanovte poslání, vizi a otázky ohledně datové analýzy, které je nutné zodpovědět dříve, než s ní začnete,“ říká Brittany Meiklejohn, analytička obchodních a prodejních procesů ve společnosti Swagelok, jež vyvíjí produkty a služby fluidních systémů pro ropný, plynárenský, chemický a energetický průmysl.

„Je velmi snadné nechat se unést širokými možnostmi, všemi tabulkami a grafy, které můžete vytvořit, ale to vám velmi rychle přeroste přes hlavu. Mít od počátku jasný plán pomáhá zaměřit se na to, co je užitečné, na metriky, na nichž skutečně záleží. Potřebujete také plán správy dat kvůli udržování jejich pořádku a čistoty. Jakmile začne být některá metrika nepřesná nebo nespolehlivá, je těžké znovu získat důvěru uživatelů, takže je nesmírně důležité rutinní potvrzování přesnosti u všech analýz.“

Podle jejího názoru by analytický plán měl co nejvíce zdůrazňovat využití aktivních dat. „Zaměřte se na data, která jsou prakticky využitelná při řízení podniku a jeho jednotlivých činností. Využijte získané poznatky k transformaci procesů a rozhodování na úrovni celého podniku. Je skvělé pochopit historii svého podnikání, ale je těžké jej změnit, pokud se díváte pouze do minulosti,“ upozorňuje Brittany Meiklejohn.

Přečtěte si také:

Co by měl CIO vědět na začátku kariéry?

Ve společnosti Swagelok používají jednotlivá oddělení samoobslužné analytické nástroje od společnosti Domo ke zjištění, zda se vyřízení objednávek opozdí, k plánování výrobních dávek, analýze výkonnosti prodeje a rozhodování o dodavatelském řetězci.

„Zaznamenali jsme nárůst efektivity. Každý je schopný získat data potřebná k rozhodování mnohem rychleji než dříve,“ říká Brittany Meiklejohn. „Všechna oddělení díky tomu rozhodují odpovědněji a informovaněji.“

Snažte se o rychlé úspěchy

I když je důležité mít dlouhodobou strategii analýzy dat, neznamená to, že by podniky měly při zavádění samoobslužných nástrojů postupovat šnečím tempem.

„V mém předchozím působišti jsme se řídili heslem ‚postupuj rychle, riskuj a uč se‘,“ říká Keith Carey, CIO ve společnosti Hemlock Semiconductor, která vyrábí součástky pro elektrotechnický a solární průmysl. „Přesně to bych poradil těm, kdo právě začínají se samoobslužnou analýzou. Nechápejte mě špatně, celková koordinace a řízení jsou velmi důležité, ale mohou být o krok pozadu, aby nebrzdily kreativitu.

Přečtěte si také:

Přečtěte si, co píšeme v novém vydání magazínu CIO Business World 2/23

Není špatný nápad sestavit malou pracovní skupinu a zadat jí ambiciózní úkol, aby ukázala, co je možné,“ říká Carey. Navrhuje zaměřit se na toky dat, na nichž stojí obchodní logika a celopodnikové metriky. Pochopit důležitost kvality a aktuálnosti dat, která slouží jako podklad k důležitým rozhodnutím. Od toho je potřeba začít.“

Společnost Hemlock začala zavádět samoobslužnou analýzu dat v roce 2018 s využitím platformy Spotfire firmy Tibco, kterou v současné době využívají všechny složky podniku. „Předtím IT vyvíjelo vlastní aplikace .NET, které manipulovaly s daty a poskytovaly prvotní možnosti vytváření grafů,“ vysvětluje Carey. „Nejoblíbenější funkcí těchto aplikací bylo tlačítko ‚exportovat do Excelu‘, kde tabulka sloužila jako analytická platforma.

Několik nejchytřejších inženýrů firmy také sestavilo makra ke zpracování nových souborů dat, což na PC trvalo celou noc. A pokud se počítač nezasekl, výsledek si mezi sebou inženýři sdíleli.“

Díky funkcím samoobslužné analýzy dat společnost Hemlock zaznamenala přínosy, jako je rychlejší rozhodování a dosahování výsledků. Analytická samoobsluha umožňuje všem funkcím včetně provozu, financí, zásobování, dodavatelského řetězce a týmů řízení kvality získávat potřebná data a vytvářet vizualizace s vysokou vypovídací hodnotou.

„Zkrátili jsme křivku učení, rychleji dosahujeme výsledků a lépe rozumíme našim výrobním procesům, což vedlo ke zlepšení našich produktů a snížení nákladů,“ říká Keith Carey. „Ve velmi krátké době jsme ušetřili miliony dolarů díky zlepšením dosavadních reportingových metod a získání nových poznatků.“

Využijte zpracování přirozeného jazyka

Zpracování přirozeného jazyka (NLP) zpřístupňuje datovou analýzu širšímu okruhu uživatelů tím, že eliminuje potřebu znalosti SQL, databázových struktur a konceptu propojování tabulek, říká Dave Menninger, viceprezident a ředitel výzkumu společnosti Ventana Research.

Existují dva hlavní aspekty NLP, pokud jde o analýzu dat, říká Menninger: vyhledávání v přirozeném jazyce – také označované jako dotaz v přirozeném jazyce – a prezentace přirozeného jazyka – také označovaná jako generování přirozeného jazyka.

Přečtěte si také:

Proč je umělá inteligence při najímání a udržení vývojářů klíčová

„Vyhledávání v přirozeném jazyce umožňuje uživatelům klást otázky a dostávat odpovědi bez speciální syntaxe,“ říká Menninger. „Stejně jako při zadávání do vyhledávacího pole Googlu můžete napsat nebo v některých případech i ústně položit dotaz pomocí běžného jazyka.“

Uživatel může například požádat o zobrazení produktů, které v daném měsíci zaznamenaly největší nárůst nebo pokles prodeje. Výsledky se zobrazí a uživatel může následně upřesnit zadání, například dotázat se na skladové zásoby určitého produktu.

„Prezentace v přirozeném jazyce se naopak zabývá výsledkem analýzy,“ říká Dave Menninger. „Jakmile je dotaz formulován – ať pomocí NLP nebo jinak – výsledky se zobrazí jako popis vysvětlující, co bylo zjištěno.“

U zmiňovaného příkladu produktů by se místo grafu znázorňujícího nárůst nebo pokles prodeje vygeneroval popis v přirozeném jazyce o rozsahu několika vět, uvádějící konkrétní podrobnosti.

„Různí lidé upřednostňují rozličné způsoby získávání informací,“ říká Menninger. „Někteří mají raději tabulky, jiní preferují grafy. Další nevědí, jak interpretovat tabulky ani grafy, a dávají přednost vyprávění. Prezentace v přirozeném jazyce pomáhá snáze pochopit, co v analýze hledat. Odstraňuje také nekonzistentnost ve způsobu interpretace dat tím, že přesně vysvětluje, co by si měl uživatel z analýzy odnést.“

Používejte integrované analytické nástroje

Integrované nástroje zpřístupňují analytické funkce a vizualizace dat v podnikových aplikacích. Zpřístupnění reportů a přehledových panelů v reálném čase v těchto aplikacích umožňuje uživatelům analyzovat data přímo v nich.

Přečtěte si také:

Tucet chyb při hledání zaměstnání, které byste neměli udělat

„Takové nástroje přinášejí analýzu do aplikací, které pracovníci užívají při svých každodenních činnostech,“ říká Dave Menninger. To může zahrnovat podnikové aplikace, jako je plánování podnikových zdrojů (ERP), řízení vztahů se zákazníky (CRM) nebo informační systémy lidských zdrojů (HRIS) stejně jako kancelářské a komunikační aplikace.

„Předem připravené analýzy v kontextu podnikových aplikací pracovníkům výrazně usnadňují přístup k datům a jejich zkoumání. Zlepšují také celkové řízení, protože data jsou spravována příslušnou aplikací, kde jsou již definována přístupová práva.“

Zvolte správné nástroje

Rozdíl mezi úspěchem a neúspěchem samoobslužné datové analýzy může záviset na zvolených technických prostředcích. Podnikoví manažeři musejí úzce spolupracovat s vedením IT a společně posoudit, které nástroje budou nejlépe vyhovovat potřebám podniku a zároveň budou dobře fungovat v rámci existující infrastruktury.

Mezi požadavky, které měl poskytovatel finančních služeb Western Union při výběru samoobslužné analytické platformy, bylo, aby byla snadno integrovatelná s různorodými zdroji dat, flexibilní a snadno použitelná, poskytovala výkonné analytické schopnosti a měla minimální požadavky na infrastrukturu.

Společnost nasadila platformu od společnosti Tableau, která umožňuje podnikovým uživatelům rozhodovat se na základě vlastních dotazů a analýz v řízeném prostředí, říká Harveer Singh, hlavní datový architekt a vedoucí datového inženýrství a architektury ve společnosti Western Union.

„Jednotlivá oddělení mohou vytvářet své vlastní dotazy a reporty a spolupracovat bez nutnosti podpory ze strany IT. Uživatelé přitom mají svobodu zkoumat data i bez technických znalostí a data mohou pocházet z vícero zdrojů v různých formátech.

Je to prostředek, který reaguje na dynamické obchodní požadavky,“ uzavírá Harveer Singh.