Ajťák

Úvod do business intelligence

Možná jste již toto marketingově pozitivní slovní spojení slyšeli. Ať už ve spojitosti s informačními systémy nebo ve spojitosti s podnikáním a marketingem. Já se dnes pokusím vysvětlit tento pojem (především na příkladech) z hlediska informačních systémů.

Na úvod si tedy vysvětleme, co to tedy business intelligence je. Pokud se tento výraz pokusíme přeložit z angličtiny, dostaneme výraz obchodní inteligence. Moc jsme nepokročili. Použijeme tedy volnější překlad a vyjde nám obchodní znalosti. Já upřesním, že se spíše používá výraz znalosti pro obchod. Tím jsme také moc daleko nepostoupili. Jedná se o znalosti potřebné pro obchod, znalosti jak obchodovat či co přesně?

Nyní je čas na příklad. Určitě víte, že pokud chcete nabízet nějaký produkt, musíte pro něho najít vhodnou cílovou skupinu zákazníků, případně musíte na trhu hledat takovou skupinu zákazníků, jejichž potřeby nejsou uspokojeny. K tomu je možno využít spotřebitelských průzkumů (to pokud začínáte), či prozkoumat Vaše obchodní data, abyste viděli, kterou skupinu máte oslovit.

Už tušíte, kam mířím? Ano, business intelligence je o hledání informací a souvislostí mezi těmito informacemi a jejich následné využití v obchodování. A je jedno, zda je to kvůli zavádění úplně nového výrobku, či marketingová podpora služeb nebo zjišťování, proč tento výrobek nemá takové obchodní výsledky, jaké by měl mít.

Krásným příkladem je výrobce čokoládových tyčinek (nebudu jmenovat). Ten dlouhá léta cíli reklamu i výrobky na děti. Ovšem v poslední době se snaží cílit i na dospělé (nebudu řešit, zda úspěšně či neúspěšně). My se zkusíme zamyslet nad tím, co ho k tomu vedlo. Samozřejmě je to zisk. Ale též snaha, zacílit svůj produkt jiné věkové skupině zákazníků než doposud, neboť tato skupina generuje větší zisky než stávající. A jak k tomu došel? Zkoumáním a hledáním vzájemných souvislostí mezi daty.

Samozřejmě, business inteligence se primárně nevyužívá pro tyto poměrně jasné a předpokládatelné situace. Hlavní síla tkví v hledání především těch méně nápadných a méně viditelných souvislostí, jež mohou přinést kýžený efekt.

Opět příklad. Jistý mobilní operátor měl akci, kdy po 6. minutě již zákazník více neplatil (tedy že zaplatil pouze 6 minut, ačkoliv hovor trval třeba 30 či 50 minut). Všimněte si poměrně nezaokrouhlené striktně stanovené časové hodnotě. Důvod je jasný. Na základě analýzy dat operátor zjistil, že průměrná doba (respektive, že nejčastější doba délky hovoru) je zhruba 5 - 6 minut. Namodeloval si (např. podle dynamického modelování - budu se mu věnovat možná někdy později), že pokud zákazníci zaplatí pouze do doby 6 minut, tak „ušlý zisk“ je zanedbatelný, ale naopak, lze toto využít pro marketingové účely, jež mu přinesou více zákazníků, a tím vyšší zisky a vyšší goodwill pro zákazníky (operátor dělá akce, na kterých já, jako zákazník „vydělám“, či mi přinesou jakýsi pocit uspokojení). Všimněte si, že takovéto akce mají obvykle firmy, jež mají poměrně velký soubor dat.

Abychom to tedy shrnuly. business inteligence představuje soubor nástrojů, činností a způsobu myšlení, jež nám umožňuje z našich dat, získat informace, jež nám přinesou užitek; pomocí nichž můžeme hledat a nacházet nové souvislosti, jež nám přinesou zisk.

Nyní se podíváme na technickou stránku věci. Jak asi víte, informace jsou ve formě dat ukládány do relačních databází. Ty si můžeme velice zjednodušeně představit, jako několik excelovských tabulek, které mají mezi sebou nějakou vazbu. V nich se tyto data různě mění a aktualizují dle momentální situace. Pro použití business intelligence však potřebujeme data historická. Jak se vyvíjel prodej, jak se měnila struktura zákazníků a podobně. K tomuto účelu se používá struktura zvaná OLAP kostka. Tu si lze představit, jako když listy Excelu seřadíme za sebou podle data.

Jak je patrno z obrázku, jsou jednotlivé stavy databáze „zmrazeny“ v čase (tzv. časový otisk) a uloženy do prostorové struktury. Samotná kostka představuje zvláštní typ relační databáze ovšem se zcela odlišnou strukturou. Jedná se o tzv. strukturu typu STAR. V kostce jsou uložena data, a parametry pro strukturování těchto dat jsou uloženy mimo, v dalších tabulkách (viz obrázek).

To nám, umožňuje velmi efektivně vyhledávat jednotlivá data dle parametrů v různém období.

Ještě se lze setkat s různými typy struktur (SNOWFLAKE, GALAXY), ty však představují rozšíření struktury STAR

Pro tyto OLAP kostky se vžilo označení datový sklad (DATAWAREHOUSE, DW). Smyslem totiž je, že v DW jsou „otisky“ hodnot relačních databází. Nedochází tedy k náhradě databázového serveru za datový sklad. Jedná se o zcela odlišné zařízení. Zatímco do relačních databází jsou neustále vkládána a upravována aktuální data či aktuální stavy, do DW se v pravidelných intervalech informace z tabulek vyextrahují a uloží do skladu. K tomu slouží tzv. ETL pumpy. (Ano, stále hovoříme o softwarových nástrojích). Protože data v relačních databázích můžou mít různou podobu (spíše by bylo vhodnější použít různou formu stejných dat - např. způsob zápisu času v jednotlivých lokálních pobočkách), je potřeba, než jsou uloženy v datovém skladu tyto rozdíly sjednotit. Samotné dolování dat (data mining) probíhá v době nejmenší zátěže, protože je poměrně náročné na systémové zdroje. Zde je však mnohdy problém, protože abychom získaly rozumné množství dat, je potřeba je provádět někdy i častěji (např. u systému s tisíci zápisy za hodinu). Zda přichází ke slovu kompromisy a priority, případně se hledají skulinky v zátěži (například čas oběda apod.).

V tuto chvíli máme data připravena a můžeme je začít využívat. K tomu slouží statistické nástroje (regresní analýza) případně analytické nástroje či samoučící se neuronové sítě. Výsledkem jsou pak křivky, jež predikují, určitý vývoj průběhu, a lze na nich nasimulovat průběh nějakého jevu.

Pokud chce zákazník využívat ve svém informačním systému business intelligence, obvykle již dostává hotové řešení, jež přináší konkrétní výsledky v grafické podobě. Případně může použít hotové nástroje, které provedou analýzu z dat samy.