Tajemství úspěšné business intelligence: Špičkový datový sklad

Rensselaerský polytechnický institut (RPI) hledal lepší způsob provádění finančních a dalších rozhodnutí. Jako v mnoha jiných organizacích, byly i v RPI systémy a procesy pro sběr a analýzu obchodních dat značně fragmentovány. Strategické schůzky vedení proto často ztroskotávaly na neshodách týkající se přesnosti reportovaných čísel.

Například kolik studentů vlastně univerzita dohromady měla? Nikdo se nedokázal dohodnout na jednotné definici a toto číslo jednoznačně určit. Místo toho každé oddělení přišlo s vlastní definicí a vlastním způsobem pohledu na data. Navíc finanční zprávy ne vždy obsahovaly aktuální informace a v podstatě vše kvůli fragmentovaným informačním zdrojům trvalo podstatně déle, než bylo nutné.

Se situací bylo třeba něco udělat, a to bez přesných dat zkrátka nešlo. A jelikož je oblast univerzitního vzdělávání hlavně z finančního hlediska stále náročnější, mohl RPI optimalizací administrativních zdrojů uspořit peníze, tolik potřebné například k zahájení nových kurzů. Řešením v tomto případě byla implementace business inteligence (BI) a zavedení podnikového datového skladu. Nástroje BI univerzitě pomohly v redefinici náborových strategií nových studentů, čímž se dosáhlo nemalých časových úspor a nárůstu efektivity. Definice a dosažení kýžené návratnosti investic (ROI) však u takovýchto projektů bývá zrádné (už kvůli změnám v datovém reportingu). CIO John Kolb a jeho tým tedy museli pro projekt zavést v rámci univerzity víceúrovňovou podporu, vyvinout vizi, která by mohla být postupně v krocích realizována, vytvořit podnikové procesy pro sběr a použití dat i podporovat koncové uživatele prostřednictvím aktivní komunikace a plánovaných školení. Podívejme se, jak toho dosáhli.

MULTIFUNKČNÍ PODPORA

Jakmile se vedení univerzity shodlo na tom, že systém BI bude potřeba, vytvořila prezidentka Shirley Ann Jacksonová komisi garantů z členů nejvyššího vedení. Této komisi, jež měla za úkol mj. stanovit strategii projektu, předsedal právě CIO Kolb a finanční viceprezident.

Obchodníci z komise pak vybrali představitele řídícího výboru, jehož úkolem bylo vypracovat obecný plán implementace a kontrolovat rozsah projekt i náklady. Kromě toho byla zformována celá řada implementačních skupin včetně skupiny pro datový sklad, která zahrnovala jak technický, tak obchodní personál, mající na starost specifické fáze projektu.

„Samozřejmě, že je tvorba multifunkční strategie a plánovacích týmů důležitou součástí jakéhokoli IT projektu,“ říká analytik společnosti AMR Research John Hagerty. „Obzvláště důležité je to však u projektů implementace podnikových datových skladů a business inteligence, neboť jejich úspěch závisí na široké podpoře uživatelů a protože jsou všechna konsekventní obchodní rozhodnutí vykonávána s vírou v přesnost získaných dat.“

Když nadešel v Rensselaeru čas pro implementaci nástrojů BI, ukázalo se, že ona víceúrovňová multifunkční podpora byla kritická. Například Jacksonová totiž zdůraznila, že chce vidět pouze data, která přijdou z datového skladu. Striktní datová kontrola byla umožněna dohledem několika skupin. Tvorba nových procesů pro datový reporting byla zase usnadněna multifunkčním přístupem a ve vývojové fázi vybudovanými vztahy mezi jednotlivými skupinami.

MYSLETE PERSPEKTIVNĚ, ZAČNĚTE S MÁLEM, IMPLEMENTUJTE RYCHLE

Poté, co v Rensselaeru padlo rozhodnutí o nasazení BI, bylo prvních šest měsíců věnováno kladení pevných základů. Jakási celková vize projektu počítala s tím, že jednou budou pomocí nástrojů BI filtrována všechna obchodní data. Univerzita tedy vyvinula překlenující datovou politiku a procedury, které mohly být využívány jakoukoli skupinou vytvořenou k průběžnému definování, čištění a správě informací. Zároveň vytvořila Kolbova skupina systémovou architekturu založenou na datovém skladu Oracle, datové integrační platformě společnosti Informatica a technologii business intelligence firmy Hyperion.

Pro svou první sadu reportů zvolila univerzita finanční informace a poprvé využila datového tržiště (Data Mart – určitá část datového skladu, která se zabývá jednou ucelenou problematikou) a reportovacích nástrojů v listopadu 2002. „Chtěli jsme zakusit úspěch již na nejzákladnější úrovni a finance se týkají úplně všeho,“ vysvětluje Kolb. „Nejde přitom jen o finanční data, ale také o lidi, kteří s nimi pracují, a v podstatě o každou divizi disponující budgetem,“ dodává Kolb.

Hagerty ze společnosti AMR Research říká, že klíčem k úspěchu jakéhokoli projektu BI je soustředit se na okamžité zisky. „Začněte s málem, zprostředkujte přidanou hodnotu a časem do projektu zapojujte lidi,“ říká.

Prvotní projekt v systému ERP odhalil spoustu nepřesných „nečistých“ dat, která uživatelům zprostředkovala pohled na drsnou realitu. Zmíněné chyby – kupříkladu chybějící nula v čísle – mohly být dílem lajdáckého zaměstnance. Se zlepšeným systémem reportingu měl však finanční manažer v ruce nástroj, který mu pomohl takovéto chyby eliminovat poměrně rychle. Výsledkem bylo, že se celé finanční oddělení stalo obhájcem čistoty dat a aktivně pomáhalo při prosazování nových datových politik v podniku.

Další z raných projektů sloužil k podpoře přihlášek a dodával data žadatelů o studium do datového skladu. Vyhodnocování žádostí na základě různých faktorů – kdo žádal, jak si žadatel stál v porovnání s ostatními, kdo už byl přijat apod. – bylo často komplikováno tím, že šlo o zastaralé informace (student byl například již přijat, to však ještě nebylo zaznamenáno). Díky reportingu v nástrojích business intelligence mohou posuzovatelé žádostí vidět změny ve statusu složek jednotlivých žadatelů aktualizované na denní bázi. To škole umožnilo kvalitnější selekci studentů na základě jí zvolených faktorů (prospěch, zkušenosti, geografický původ atd.).

VYTVOŘTE JEDINOU VERZI DATOVÉ PRAVDY

Na RPI ustanovili multifunkční skupiny k zajištění přesnosti dat, včetně týmů, jejichž úkolem bylo vytvářet společné datové definice. Takováto činnost je, nehledě na její obtížnost kritická pro úspěch projektu nasazení business intelligence. Kolb jmenuje „jednu verzi pravdy“ jako hlavní důvod, proč snahy institutu nesly ovoce.

Zakladatel a prezident firmy BI Research Colin White souhlasí. Nástroje business intelligence a řídící panely, s nimiž přicházejí do styku koncoví uživatelé, mohou působit jako ta přitažlivější část celého BI. Pravdou však je, že datové sklady a data governance zajištující čistá a konzistentní data jsou základem každého úspěšného systému BI. „Když do systému vložíte odpad, budete mít na výstupu zase odpad. Bez přesných dat zkrátka žádné přínosy nezaznamenáte,“ podotýká White. „A nasazení podnikového datového skladu je často tou správnou cestou, která vám může garantovat čistá a konzistentní data.“

„Abyste zajistili, že data zůstanou neposkvrněná, musíte zavést procesy, v jejichž rámci lidé hledají chyby a starají se o jejich nápravu,“ myslí si Ora Fishová, projektová manažerka datového skladu a business intelligence v Rensselaeru. Na univerzitě hned zpočátku projektu ustavili takzvané „datové inspektory“ a „datové experty“, kteří pak byli odpovědni za čistotu dat. „Lidé nebudou kontrolovat čistotu dat jen z vlastní iniciativy a touhy konat dobrou věc,“ upozorňuje Fishová. Funkčně jsou datoví inspektoři, zástupci viceprezidentů zodpovědní za nastavování procedur a politik pro datovou správu. Datoví experti jsou zase obvykle senior manažeři, kteří jsou odpovědní datovým inspektorům. Datoví experti se scházejí, aby nastavili datové definice platné pro univerzitu, a mají zodpovědnost za veškeré nezbytné čištění existujících informací.

To však není všechno, na Rensselaerské univerzitě mají také další způsoby zajištění datové čistoty. Jedním z nich je definice obchodních pravidel pro datový sklad, takže jsou chybná data odmítnuta (například pokud je určitý výdaj spárován s neaktivním fondem nebo pokud je zmínka o studentově přijetí na školu do systému zadána duplicitně) a původci je zaslán e-mail s upozorněním a žádostí o nápravu. Dalším způsobem kontrol je značení nestandardních dat (jako je grant bez kódového označení schválený klíčovým zaměstnancem z finanční divize). Třetí alternativa dodatečné kontroly čistoty dat je nechat reporty a žádosti pravidelně analyzovat datovými experty.

Poslední pojistkou je pak to, že jsou koncoví uživatelé a zaměstnanci zodpovědní za vše, co zadají (nebo nezadají) do datového skladu. Když se tedy viceprezident pro zápis studentů podívá na řídící panel a zjistí, že u některých studujících chybí informace například o původu, jistě své podřízené nepochválí. Ti mají naopak zvýšenou motivaci udržovat informace aktuální a v kompletním stavu.

POSKYTUJTE PODPORU NOVÝM VZORCŮM CHOVÁNÍ

Bylo jasné, že tak obsáhlé změny – nasazení systému BI a datového skladu – budou vyžadovat podporu, aby zapustily kořeny. A to platilo dvojnásob v akademickém prostředí, kde si lidé zakládají hlavně na individualizmu a svobodě.

Pro zajištění úspěchu spolupracoval tým mající na starosti datový sklad s oddělením lidských zdrojů (HR), které zaneslo používání datového skladu a nástrojů business intelligence do hodnotících tabulek svých manažerů.

Nadto vedení a pracovníci fakulty prošli školením v oblasti nástrojů business intelligence, datových modelů a datových operací. Kromě toho tým okolo datového skladu nabízel bezplatná školení a podporu, stejně jako zájemcům pravidelně rozesílaný newsletter s různými tipy na používání nového systému BI a jeho nástrojů. Vedoucí projektu také vytvořili speciální webovou stránku s informacemi o BI, kde se zájemci mohli dozvědět cokoli souvisejícího s projektem BI a datového skladu na univerzitě.

JEDNIČKA PRO RENSSELAER

Rensselaerská univerzita zpočátku investovala 1,2 milionu dolarů do podnikového datového skladu a systémů business intelligence. Jejich obsluha stojí asi 537 tisíc dolarů ročně.

Vedení však odhaduje, že díky kvalitnějšímu rozhodování, které je umožněno zlepšenou datovou analýzou, univerzita ušetří minimálně 820 000 dolarů ročně. Nástroje BI Rensselaerské univerzitě zase umožnily být vybíravější v tom, komu poskytnout finanční granty, což ročně uspoří další asi půl milion dolarů. Kromě toho byly tedy optimalizovány výdaje. Například automatizace tvorby finančních reportů pomocí nástrojů BI umožnily ročně ušetřit 320 000 dolarů za personál a snížit čas potřebný k vytvoření finanční zprávy z několika dnů na pouhých pár hodin. A jelikož jsou finanční informace dostupné takřka v reálném čase, mohou být finanční výpomoc a rozpočty blíže sledovány, což zlepšuje správu budgetů. Kvalitnější historická data navíc umožňují přesnější finanční předpovědi.

„Pracovníci univerzity nyní přijímají mnohem kvalifikovanější rozhodnutí,“ říká Hagerty z AMR Research. „Které žadatele o studium přijmout, jak rozdělovat granty atd. – s tím vším jim pomáhají nástroje BI a kvalitní analýza dat.“ Hagerty také upozorňuje, že až příliš často chybí snahám o implementaci BI přechod od pochopení principu k akci, díky čemuž mnohé organizace nedokáží naplno využít potenciál BI.

Tým z Rensselaeru na to souhlasně kýve hlavami. Opravdu lze podle něj získat, pouze pokud je určitá technologie přizpůsobena potřebám organizace a poté včleněna do jejich vlastních procesů. Takový úspěch vyžaduje základní změny na několika úrovních, čehož lze dosáhnout pouze s podporou a odhodláním vedení a za úzké kooperace obchodního a IT oddělení.

Projekt BI a datového skladu na Rensselaerské univerzitě umožnil významné zlepšení v oblastech konzistence dat a přístupu pracovníků k důležitým informacím. To dále přispělo ke zlepšenému plánování, kvalitnějším výhledovým reportům a hodnotnějším procesům rozhodování v prakticky všech součástech univerzitní organizace. „Úspěšná implementace projektu zdárně ilustruje měnící se povahu informačních technologií,“ dodává nakonec CIO na univerzitě John Kolb.