UNIVERZA V LJUBLJANI EKONOMSKA FAKULTETA
MAGISTRSKO DELO
ŽAN SLEMENJAK
UNIVERZA V LJUBLJANI EKONOMSKA FAKULTETA
MAGISTRSKO DELO
PRENOVA SISTEMA POROČANJA S SAP ORODJI ZA POSLOVNO INTELIGENCO V FINANČNI UPRAVI REPUBLIKE SLOVENIJE
Ljubljana, april 2021 ŽAN SLEMENJAK
IZJAVA O AVTO RSTVU
Podpisani Žan Slemenjak, študent Ekonomske fakultete Univerze v Ljubljani, avtor predloženega dela z naslovom Prenova sistema poročanja s SAP orodji za poslovno inteligenco v Finančni upravi Republike Slovenije, pripravljenega v sodelovanju s svetovalcem red. prof. dr. Alešem Popovičem
I Z J A V L J A M
1. da sem predloženo delo pripravil samostojno;
2. da je tiskana oblika predloženega dela istovetna njegovi elektronski obliki;
3. da je besedilo predloženega dela jezikovno korektno in tehnično pripravljeno v skladu z Navodili za izdelavo zaključnih nalog Ekonomske fakultete Univerze v Ljubljani, kar pomeni, da sem poskrbel, da so dela in mnenja drugih avtorjev oziroma avtoric, ki jih uporabljam oziroma navajam v besedilu, citirana oziroma povzeta v skladu z Navodili za izdelavo zaključnih nalog Ekonomske fakultete Univerze v Ljubljani;
4. da se zavedam, da je plagiatorstvo – predstavljanje tujih del (v pisni ali grafični obliki) kot mojih lastnih – kaznivo po Kazenskem zakoniku Republike Slovenije;
5. da se zavedam posledic, ki bi jih na osnovi predloženega dela dokazano plagiatorstvo lahko predstavljalo za moj status na Ekonomski fakulteti Univerze v Ljubljani v skladu z relevantnim pravilnikom;
6. da sem pridobil vsa potrebna dovoljenja za uporabo podatkov in avtorskih del v predloženem delu in jih v njem jasno označil;
7. da sem pri pripravi predloženega dela ravnal v skladu z etičnimi načeli in, kjer je to potrebno, za raziskavo pridobil soglasje etične komisije;
8. da soglašam, da se elektronska oblika predloženega dela uporabi za preverjanje podobnosti vsebine z drugimi deli s programsko opremo za preverjanje podobnosti vsebine, ki je povezana s študijskim informacijskim sistemom članice;
9. da na Univerzo v Ljubljani neodplačno, neizključno, prostorsko in časovno neomejeno prenašam pravico shranitve predloženega dela v elektronski obliki, pravico reproduciranja ter pravico dajanja predloženega dela na voljo javnosti na svetovnem spletu preko Repozitorija Univerze v Ljubljani;
10. da hkrati z objavo predloženega dela dovoljujem objavo svojih osebnih podatkov, ki so navedeni v njem in v tej izjavi.
V Ljubljani, dne _________________ Podpis študenta: _________________
i
KAZALO
UVOD ... 1
1 POSLOVNA INTELIGENCA ... 3
1.1 Poslovna vrednost poslovne inteligence ... 4
1.2 Vpliv poslovne inteligence na poslovanje in poslovno odločanje ... 7
1.3 Sprejemanje poslovne inteligence ... 9
2 PROCES UVAJANJA POSLOVNE INTELIGENCE ... 12
2.1 Ključni dejavniki uspeha uvedbe sistemov poslovne inteligence ... 14
2.2 Koraki uvajanja poslovne inteligence ... 14
2.2.1 Pridobivanje podatkov ... 15
2.2.2 Skladiščenje podatkov ... 18
2.2.3 Vizualizacija podatkov ... 20
3 PRIMER PRENOVE SISTEMA POROČANJA V FINANČNI UPRAVI REPUBLIKE SLOVENIJE ... 25
3.1 Poslovna področja Finančne uprave Republike Slovenije ... 26
3.2 Pomen poročanja na Finančni upravi Republike Slovenije ... 27
3.3 Opis obstoječega sistema poročanja ... 27
3.4 Razvoj novega sistema poročanja ... 29
3.4.1 SAP BW in SAP HANA ... 29
3.4.2 Pregled toka podatkov v glavno podatkovno bazo na Finančni upravi Republike Slovenije ... 31
3.4.3 Novi sistem poročanja ... 32
3.5 Nabor in potek zajema podatkov ... 33
3.5.1 Pridobivanje podatkov in struktura ... 33
3.5.2 Napredni objekt za skladiščenje podatkov ... 36
3.5.3 Proces analize HANA ... 37
3.5.4 Transformacija podatkov ... 40
3.5.5 Proces prenosa podatkov ... 40
3.5.6 Verige nalaganj podatkov in prikaz aktivnih podatkov ... 41
3.6 Vizualizacija pripravljenih podatkov ... 44
3.6.1 Nadzorna plošča ... 44
3.6.2 Poslovni trendi ... 46
ii
3.6.3 Poslovne zgodbe ... 47
3.7 Analiza novega sistema poročanja ... 48
SKLEP ... 49
LITERATURA IN VIRI ... 51
PRILOGE ... 55
KAZALO TABEL
Tabela 1: Kriteriji kakovosti informacij ... 6Tabela 2: Vrste podatkovnih vizualizacij ... 20
Tabela 3: Pogoste oblike vizualizacij poslovne inteligence ... 22
Tabela 4: Primer vgrajenega elementa ... 22
Tabela 5: Primeri grafikonov ... 23
KAZALO SLIK
Slika 1: Uspešnost poslovne inteligence ... 5Slika 2: Uporabnost poslovne inteligence ... 8
Slika 3: Odstotek posameznega pristopa uvajanja ... 13
Slika 4: Oblike poslovne analitike ... 16
Slika 5: Primer grafikona: linijski grafikon ... 23
Slika 6: Primer predstavitvenega zemljevida ... 24
Slika 7: Primer nadzorne plošče ... 25
Slika 8: Obstoječ sistem poročanja ... 28
Slika 9: Tok podatkov v glavno podatkovno bazo SAP BW ... 31
Slika 10: Novi sistem poročanja za poslovno inteligenco ... 32
Slika 11: Primer zajema podatkov ... 35
Slika 12: Napredni podatkovni objekt za shranjevanje podatkov ... 37
Slika 13: Proces analize HANA: pregled ... 38
Slika 14: Proces analize HANA: izvor ... 38
Slika 15: Proces analize HANA: definicija postopka ... 39
Slika 16: Proces analize HANA: cilj podatkov ... 39
Slika 17: Transformacija podatkov ... 40
Slika 18: Proces nalaganj podatkov ... 40
Slika 19: Planiranje verige nalaganj podatkov ... 41
Slika 20: Verige za vsa poslovna področja ... 42
Slika 21: Primer verige nalaganj podatkov ... 42
Slika 22: Avtomatsko naloženi podatki prek verig nalaganj ... 43
Slika 23: Aktivna tabela naloženih podatkov ... 44
iii
Slika 24: Nadzorna plošča 12 poslovnih področij ... 45
Slika 25: Prehod na ostala poročila pripadajočega poslovnega področja ... 46
Slika 26: Časovni trendi ... 46
Slika 27: Vhodni parameter za zgodbo ... 47
Slika 28: Primer poslovnih zgodb ... 48
KAZALO PRILOG
Priloga 1: Primer koščka SQL procedure za poslovno področje pritožbe in ponovni postopki ... 1KAZALO KRATIC
angl. – angleško
FURS – Finančna uprava Republike Slovenije RS – Republika Slovenije
GFU – Generalni Finančni Urad
BI (angl. Business intelligence); Poslovna inteligenca BW (angl. Business Warehouse); Podatkovno skladišče
SQL (angl. Structured query language); Strukturirani povpraševalni jezik za delo s podatkovnimi bazami
ETL (angl. Extract, Transform, Load); Dostop, preoblikovanje, nalaganje
ERP (angl. Enterprice resource planning); Celovito načrtovanje virov organizacije CRM (angl. Customer Relationship Management); upravljanje odnosov s strankami KPI (angl. Key Performance Indicators); Ključni kazalniki uspešnosti
HAP (angl. HANA analysis process); Proces analize HANA
aDSO (angl. Data Store Object (advanced)); napredni objekt za shranjevanje podatkov ODP (angl. Operational data provisioning); Zagotavljanje operativnih podatkov SLT (angl. SAP landscape transformation)
DTP (angl. Data Transfer Process); Proces nalaganja podatkov
1
UVOD
Poslovna inteligenca (angl. Business intelligence) je v zadnjih letih postala pomembno raziskovalno področje. Njeni temelji izvirajo iz podpornih sistemov za odločanje, ki so se prvič pojavili v 70. letih prejšnjega stoletja (Olszak, 2014). Poslovna inteligenca je skupek metod in tehnik, ki nam omogočajo pretvorbo surovih podatkov v grafično predstavitev informacij, ki odraža smiselne poslovne vpoglede na podlagi podatkovnih analiz. Poslovna inteligenca ima načeloma več faz, in sicer: pridobivanje, skladiščenje in vizualizacijo podatkov (Zheng, 2017). Celoten proces poslovne inteligence je odvisen od ciljev, ki si jih zastavi organizacija. Raziskave kažejo, da imajo organizacijski dejavniki pomembno vlogo pri merjenju uspešnosti uvajanja sistemov poslovne inteligence. Zatorej bi morali deležniki pred uvedbo sistemov poslovne inteligence prioritetno postaviti jasne organizacijske cilje, pripraviti dober poslovni primer in zagotoviti vse potrebne vire (Popovič & Yeoh, 2015).
Da bi izkoristili celoten potencial, ki ga ponuja poslovna inteligenca, je potrebno pravilno pripraviti, strukturirati, zapisovati in pretvoriti podatke v informacije ter jih vizualno predstaviti na način, ki bo odražal poslovno stanje in pregled poslovnih področij. Slednje posledično pozitivno vpliva na poslovno inteligenco. Rouhani, Ashrafi, Zareravasan in Afshari (2016) ugotavljajo, da poslovna inteligenca pozitivno vpliva na poslovne odločitve v smislu boljšega izkoriščanja organizacijskega znanja, učinkovitih odločitev, povišanja konkurenčnosti in zadovoljstva vpletenih v proces.
Vsak dan se generira na milijone podatkov, ki pridejo v sistem. Ti podatki morajo biti ustrezno skladiščeni in pretvorjeni v uporabne informacije (Ruzgas & Bagdonavičienė, 2017). Finančna uprava Republike Slovenije (v nadaljevanju FURS), ki jo kasneje obravnavam kot študijo primera v drugem delu magistrske naloge, uporablja programske rešitve SAP. Vsi podatki se nalagajo in skladiščijo v podatkovno bazo SAP BW. Programska oprema, ki jo nudi SAP, je odlična rešitev za upravljanje z veliko količino podatkov, seveda pa mora biti celoten proces poslovne inteligence pravilno zastavljen in načrtovan (Christensen in drugi, 2016). FURS spremlja in nadzoruje evidenco o 12 poslovnih področjih. Med ta področja spadajo: javnofinančni prihodki, davki, nadzor, proračun, dolg, carina, kazniva ravnanja, kadri, izterjava, plačilne ugodnosti, pritožbe in ponovni postopki ter zavezanci Republike Slovenije. Vsako poslovno področje ima pripadajoče mesečne kazalce poslovanja. Obstoječi sistem poročanja v FURS-u za vseh 12 poslovnih področij stoji na podlagi enotne obsežne preglednice. Na generalni finančni urad se mesečno pošljejo podatki s posamičnega urada (17 uradov vključno z generalnim finančnim uradom), ki se nato konsolidirajo v eno samo preglednico. Ta služi kot pregled ključnih kazalcev poslovanja. Obstoječi sistem predstavlja problematiko, saj je zastarel in potrebuje prenovo.
Namen magistrske naloge je preučiti pomembnost poročanja na vseh ravneh v FURS-u.
Poročanje v FURS-u je ključnega pomena, zato je potrebno upoštevati tehnološke napredke ter prikazovati pregledne podatke za vodstvo in različne skupine uporabnikov. Podatki obstoječega sistema so nenazorno prikazani v enotni obsežni preglednici brez grafične
2
ponazoritve pomembnih delov podatkov, kar lahko predstavlja problem interpretacije in dojemanja informacij. Vso delo je ročno s strani zaposlenih na posamičnih uradih, kjer se pojavi problem človeških napak in preobremenjenosti delovne sile, ki bi bila potrebna drugod. FURS potrebuje kakovostne pregledne podatke, ki jih lahko uporablja za razna poročila (tako interna, kot zunanja), obenem pa lahko te informacije in poročila brez težav deli z drugimi brez čakanja in pošiljanja e-poštnih sporočil. FURS na podlagi poročil sprejema ključne poslovne odločitve, ki so z obstoječim sistemom otežene.
S SAP orodji za poslovno inteligenco (SAP HANA, SAP BW on HANA, SAP BW in SAP BOBJ) je cilj magistrske naloge razviti novi sistem poročanja, kar vključuje proces priprave, skladiščenja in vizualizacije podatkov. Celoten sistem poročanja bo tudi avtomatiziran. S poslovnega vidika se to prevede v razbremenitev delovne sile, sledljivost podatkov in informacij, boljše razumevanje poslovnih področij, lažje deljenje informacij in znanja ter poslovno odločanje na podlagi preverljivih in sledljivih podatkov. S prenovo ni cilj samo odložiti in prikazati podatke na centralni digitalni nadzorni plošči, temveč jih tudi oblikovati in prikazati na bogat način, ki bo pokazal razne poslovne trende in zgodbe, kjer bo moč razbrati pomembne informacije brez dodatnih analiz podatkov, ki bi bile časovno zahtevne.
Magistrsko delo je sestavljeno iz teoretičnega in empiričnega dela. V prvem delu se s pomočjo znanstvenih člankov, raziskav in knjig osredotočim na celoten proces in pomembnost poslovne inteligence. Osredotočim se na poslovno vrednost poslovne inteligence ter kakšen vpliv ima slednja na poslovno odločanje. Prav tako eno poglavje namenim sprejemanju poslovne inteligence v organizacijah. Nadaljujem s tehnikami uvajanja poslovne inteligence, kar vključuje tudi celoten proces pridobitve in priprave podatkov do skladiščenja in vizualizacije.
V drugem delu naloge obravnavam študijo primera Finančne uprave Republike Slovenije, kjer predstavim potek razvoja prenovljenega sistema poročanja. Ves razvoj je potekal v okolju SAP z BI orodji. Najprej predstavim in opišem obstoječi sistem poročanja, nato nadaljujem s problematiko, ki sem jo opisal že uvodoma. Ta naslavlja vse probleme in pomanjkljivosti obstoječega sistema. V nadaljevanju opišem pretok podatkov v glavno podatkovno bazo SAP BW on HANA in grafično predstavim razvoj nove arhitekture poročanja za prenovo. S tehničnega vidika podrobno opišem razvito rešitev, ki je potekala v SAP BW on HANA in SAP BOBJ s pomočjo SQL-a in ostalih standardnih funkcij, rešitev in objektov, ki jih ponuja SAP – to predstavlja glavnino magistrskega dela. V poglavjih empiričnega dela kot temelj uporabim teoretični del. Rezultat uvedene rešitve so premišljeno pridobljeni in pripravljeni podatki, ki so skladiščeni v podatkovnem objektu, ki služi za neposredno vizualizacijo oziroma poročanje podatkov. Agregirani podatki so prikazani na nadzorni plošči, ki predstavlja najvišji nivo poročanja. Iz pripravljenih podatkov so sestavljene tudi zgodbe in trendi za vsa poslovna področja. Na voljo so posamezni primeri.
Vse skupaj zaključim s sklepom, kjer so izpostavljene ključne ugotovitve in prednosti novega sistema poročanja.
3
1 POSLOVNA INTELIGENCA
Posledica evolucije informacijske tehnologije je izjemna rast podatkov, ki so postali pomembno sredstvo v organizacijah. Podatki niso pomembni samo za poročevalne namene, temveč tudi za razne vpoglede v poslovanje. Tako sta zbiranje in analiza podatkov postala glavna skrb pri vodenju poslovne uspešnosti, s tem se poveča tudi pomembnost poslovne inteligence (Abai, Yahaya & Deraman, 2016).
Poslovna inteligenca je širok pojem, ki se nanaša na nabor metod, procesov, arhitektur, aplikacij in tehnologij za pretvarjanje nestrukturiranih in surovih podatkov v smiselne in koristne informacije, ki nam omogočijo vpogled v poslovanje in pomagajo pri organizacijski rasti (Zheng, Li & Zhang, 2014). Uporablja se za povečanje učinkovitosti strateških, taktičnih in operativnih vpogledov poslovnega odločanja (Elbashir, Collier, Sutton, Davern
& Leech, 2013). Sistemi poslovne inteligence združujejo pridobivanje podatkov, skladiščenje podatkov in integracijo le-teh z raznimi analitičnimi orodji, ki omogočajo vizualizacijo podatkov (Zheng, Li & Zhang, 2014).
Številne organizacije se odločijo za uporabo poslovne inteligence, v kolikor hočejo obdržati kompetentnost na trgu. Poslovna inteligenca omogoča organizacijam boljše razumevanje internih procesov in s tem povišanje kompetentnosti na podlagi sistematskega pridobivanja, primerjave, analize in interpretacije podatkov (Tunowski, 2015).
Poslovna inteligenca je v zadnjih letih postala pomembno raziskovalno področje v domeni upravljanja informacijskih sistemov. Korenine poslovne inteligence izvirajo iz podpornih sistemov za odločanje, ki so se prvič pojavili v 70. letih prejšnjega stoletja. Skozi leta so postale pomembne tudi ostale aplikacije kot na primer OLAP (angl. Online analytical processing), podatkovno skladiščenje (angl. data warehousing) in podatkovno rudarjenje (angl. data mining) (Olszak, 2014).
Danes lahko poslovno inteligenco primerjamo z naborom tehnologij, s katerimi lahko opišemo procese za pridobivanje, skladiščenje in vizualizacijo podatkov v namen pomoči ključnim uporabnikom in vodstvu pri sprejemanju poslovnih odločitev na podlagi preverljivih in izsledljivih podatkov (Olszak, 2014).
Poslovna inteligenca je sestavljena tako iz tehničnih kot organizacijskih elementov. S tehničnega vidika je poslovna inteligenca integriran skupek orodij, tehnologij in programske opreme, s katerimi lahko zajamemo želene podatke iz različnih virov. Podatke lahko v naslednjih korakih analiziramo in integriramo na način, da so dostopni ciljni skupini. Med ključne tehnologije poslovne inteligence spadajo: podatkovno skladiščenje, OLAP in podatkovno rudarjenje (Olszak, 2014). Iz organizacijske perspektive predstavlja poslovna inteligenca celostni in prefinjeni pristop za podporo poslovnih odločitev. Poslovna inteligenca je odgovorna za transformacijo raznih podatkov v informacije in znanje. Poleg tega ustvari okolje za učinkovito poslovno odločanje, delovanje poslovnih procesov,
4
strateško razmišljanje in pridobivanje konkurenčne prednosti (Negash & Gray 2008).
Raziskave kažejo, da imajo organizacijski dejavniki ključno vlogo pri merjenju uspešnosti uvajanja sistemov poslovne inteligence. Zatorej bi morali deležniki pred uvedbo sistemov poslovne inteligence prioritetno postaviti jasne organizacijske cilje, pripraviti dober poslovni primer in zagotoviti vse potrebne vire (Popovič & Yeoh 2015).
Na eni strani poslovna inteligenca omogoča identifikacijo dodane vrednosti, na drugi strani pa predstavlja potencialne grožnje, ki jih organizacija lahko sreča med sodelovanjem z naročniki, dobavitelji in konkurenco (Olszak, 2014). Zato je zelo pomembno, kako se lotimo procesa uvajanja in zakaj.
Preden bom obravnaval celoten proces uvajanja poslovne inteligence (pridobivanje, skladiščenje in vizualizacija podatkov), v prvem poglavju najprej predstavim tri podpoglavja, in sicer identificiram, kakšna je sploh poslovna vrednost poslovne inteligence in kako uvedba poslovne inteligence v organizaciji vpliva na poslovno odločanje ter kako uporabniki sprejemajo sisteme poslovne inteligence.
1.1 Poslovna vrednost poslovne inteligence
Pri poslovni inteligenci je pomembno, da se osredotočimo tako na organizacijski kot tehnični vidik za maksimalno poslovno vrednost. Nekatere definicije poslovne inteligence obravnavajo samo programsko opremo in tehnološke komponente, kar je dokaj enodimenzionalno. Pod ključne elemente poslovne inteligence spada tudi razumevanje stanja znotraj organizacije in razumevanje njenega poslovnega okolja. Iz tega izhaja pomembnost človeškega dejavnika pri poslovni inteligenci. Poslovna inteligenca brez ljudi ne obstaja, saj mora nekdo interpretirati pomen informacij in delovati na podlagi pridobljenega znanja ter s tem prispevati dodano vrednost organizaciji (Popovič, Turk &
Jaklič, 2010).
Poslovna inteligenca ostaja prioriteta za številne organizacije v zadnjih letih in posledično postaja temelj konkurenčnosti med organizacijami (Isik, Jones & Sidorova, 2013). Seveda uvedba poslovne inteligence kot same ne doda poslovne vrednosti za bolj uspešno poslovanje organizacij. Akademske raziskave kažejo, da uspešnost poslovne inteligence v mnogih organizacijah še ni bila realizirana, saj ni ustrezne povezave med sistemom poslovne inteligence in odločevalnim okoljem, kljub temu da so bile zmožnosti poslovne inteligence temeljito raziskane tako s poslovne kot tehnične perspektive. To bi lahko bila posledica neraziskanosti povezanosti med samim okoljem poslovnih odločitev in sistemom poslovne inteligence. Se pravi, v kolikor hočemo, da organizacija pridobi popolno poslovno vrednost poslovne inteligence, morajo biti med uvedbo postavljeni dobri cilji, ki spadajo oziroma so vzporedni z odločevalnim okoljem (Isik, Jones & Sidorova, 2013).
Odločevalno okolje (angl. Decision environment) Isik, Jones in Sidorova (2013) definirajo kot razmerje med zahtevami obdelave informacij z različnimi vrstami odločitev, ki jih
5
sprejema vodstvo. Ker poslovna inteligenca predstavlja podporni sistem, ki se odraža z razno vizualno predstavo podatkov, se po tej definiciji popolno ujema z odločevalnim okoljem. To še posebej velja za bolj kompleksne poslovne odločitve, ki igrajo ključno vlogo pri poslovni uspešnosti.
Slika 1: Uspešnost poslovne inteligence
Vir: Prirejeno po Isik, Jones in Sidorova (2013).
Na sliki (Slika 1) so razvidni dejavniki, ki vplivajo na uspešnost sistema poslovne inteligence. Poslovna inteligenca je tukaj razdeljena na tehnično in organizacijsko perspektivo. Isik, Jones in Sidorova (2013) ugotavljajo, da uporabniški dostop (angl. user access), integracija z ostalimi sistemi (angl. Integration with other systems) in fleksibilnost (angl. flexibility) pozitivno vplivajo na poslovno uspešnost za vse vrste odločitev. Kljub temu, da je to skladno s pričakovanji, je to dober primer, da moramo biti pozorni tako na organizacijske kot na tehnične dejavnike poslovne inteligence. Zelo presenetljiva je ugotovitev, da kakovost podatkov sploh ni povezana s poslovno uspešnostjo, ne glede na vrsto odločitve. Možna razlaga je, da je pomembnost kakovosti podatkov vedno poudarjana v organizacijah, zato so podatki načeloma vedno dovolj dobri oziroma sprejemljivi.
Spremenljivost zbranih podatkov o kakovosti podatkov je v tej raziskavi relativno nizka. Če
6
bi bile zajete še ostale organizacije, bi verjetno bili rezultati nekoliko drugačni (Isik, Jones
& Sidorova, 2013).
Popovič, Turk in Jaklič (2010) ugotavljajo, da so organizacije podatkovno bogate, po drugi strani pa imajo primanjkljaj v smislu informacij, ki bi jih lahko pridobile iz teh podatkov. To pomeni, da tem organizacijam primanjkuje koristnih informacij in analitičnih orodij, s katerimi bi lahko organizacija izboljšala učinkovitost svojega delovanja.
Ocenjujem, da je kakovost podatkov in informacij s tehničnega vidika še vedno ena od najbolj pomembnih stvari pri uvajanju sistema poročanja oziroma sistema poslovne inteligence. Seveda je slednje samo po sebi odvisno od interpretacije pojma »kakovost podatkov« oziroma od same definicije le-tega. Načeloma je kakovost podatkov definirana kot podatki, ki so primerni za uporabo. Menim, da se na kakovost podatkov oziroma informacij nanaša več različnih pogledov, in sicer kot pišeta Wang in Strong (2013), celovitost in dostopnost poleg same natančnosti podatkov. Zato je pomembno, da so podatki pripravljeni in prikazani na način, ki je skladen s cilji organizacije. Le tako bo lahko organizacija spremljala želene procese.
Eppler (2003) je določil 16 kriterijev, ki določajo kakovost informacij, in sicer:
Tabela 1: Kriteriji kakovosti informacij
Ime Opis
Vsebina
Celovitost Je obseg informacij primeren? (ni prevelik in ni premajhen) Jedrnatost So informacije jasne, brez nepotrebnih elementov?
Jasnost So informacije razumljive in dojemljive za ključne uporabnike?
Pravilnost So informacije brez napak in motenj?
Natančnost So informacije dovolj natančne, da odražajo realno stanje?
Doslednost So informacije dosledne brez protislovij?
Uporabnost So lahko informacije neposredno aplicirane?
Pravočasnost So informacije procesirane brez predolgih nalaganj?
Dostop
Sledljivost Je ozadje informacij in izvor na voljo?
Vzdrževanje So lahko informacije nemoteno vzdrževane in organizirane?
Interaktivnost So lahko informacije prilagodljive po potrebah uporabnikov?
Hitrost Se informacije predstavljene na način, da se ujemajo s tempom uporabnika?
Varnost Ali so informacije varne pred nepooblaščenimi dostopi?
Stanje Ali so informacije osvežene in aktualizirane?
Dostopnost Ali so informacije vedno na voljo brez raznih ovir dostopa?
Priročnost Ali zagotovljene informacije ustrezajo uporabnikovim potrebam in navadam?
Vir: Prirejeno po Popovič, Turk in Jaklič (2010).
V tabeli (tabela 1) lahko vidimo vrsto kriterijev, ki vplivajo na kakovost informacij. Med temi so mnogi dejavniki, ki so zelo pomembni za samo poslovno vrednost organizacije. Na primer podatki lahko na prvi pogled zgledajo dobri in primerni za razne vpoglede poslovanja – recimo imajo dobro celovitost, jedrnatost in uporabnost. Ko pa želimo pogledati v globino
7
samih podatkov izvemo, da nimajo sledljivosti, interaktivnosti in podobno. Zato je pomembno, da je izpolnjena večina kriterijev, ki so prikazani v tabeli (tabela 1).
1.2 Vpliv poslovne inteligence na poslovanje in poslovno odločanje
Številne raziskave so že poudarile izboljšave poslovnega odločanja na podlagi informacij, ki jih zagotavljajo sistemi za poslovno odločanje, zlasti kadar organizacije delujejo v zelo konkurenčnih okoljih (Popovič, Hackney, Coelho & Jaklič, 2014). Poslovna analitika (kot del poslovne inteligence) pozitivno vpliva na organizacijsko uspešnost, če je le-ta usklajena s pobudami usmerjanja procesov. Ključno vprašanje je, če lahko uporabniki po uvedbi sistema poslovne inteligence dejansko sprejemajo, uporabljajo in v celoti izkoriščajo vse njegove zmogljivosti (Jaklič & Grublješič, 2015).
Podpora odločanja (angl. Decision support) ima v tradicionalnem konceptu vlogo preživetja in konkurenčnosti organizacij. Danes to poznamo pod novejšim izrazom poslovna inteligenca, ki ponuja različne funkcionalnosti podpore poslovnega odločanja (Rouhani, Ashrafi, Zareravasan & Afshari, 2016).
Kot odgovor na popularnost pomena informacijske inteligence za vodstvo, današnje organizacije izjemne finančne vložke namenijo za sisteme poslovne inteligence. Pravzaprav je poslovna inteligenca načrtovana na način, da predstavi informacijska sredstva za dojemanje natančnega stanja poslovne dinamike iz različnih virov, kar posledično pozitivno vpliva na poslovno odločanje (Aruldoss, Lakshmi & Venkatesan, 2014). Za poslovno inteligenco načeloma velja, da vodstvo oziroma osebe, ki so zadolžene za poslovne odločitve, opremi s potrebnimi informacijami na strateški ravni za razumevanje, upravljanje in usklajevanje operacij in procesov v organizacijah (Aruldoss, Lakshmi & Venkatesan, 2014).
Rouhani, Ashrafi, Zareravasan in Afshari (2016) na podlagi analize 228 različnih organizacij ugotavljajo, da poslovna inteligenca pozitivno vpliva na dojemanje znanja in čas posamezne odločitve. Priprava okolja odločanja je ključna za vodstvo s pripravo posebnih (analitičnih) poročil, ki dodajo vrednost poslovnemu odločanju. S poslovnimi poročili se izkoristijo dani podatki, iz njih pa se izlušči uporabne informacije in znanje, ki je nujno za podporo kompleksnejših odločitev. Vitalnega pomena je tudi optimalni prikaz podatkov, saj vpliva na hitrost odločitve. Tak primer je digitalna nadzorna plošča, saj nudi vizualno predstavitev ključnih dejavnikov uspeha oziroma interpretacijo vseh pomembnih podatkov, ki jih potrebuje vodstvo.
Tehnike ki jih ponuja poslovna inteligenca (pridobivanje, skladiščenje in vizualizacija podatkov) odpravijo potrebo po ročnem zbiranju podatkov, ki je potencialen vir napak.
Podatki so načeloma spravljeni skupaj v en sam sistem, kar omogoča organizacijam dostop in interakcijo s podatki, ki jih lahko uporabljajo po želji. Posledično igra slednje ključno vlogo pri poslovnem odločanju. Poslužujejo se je vse velike organizacije ter jo uporabljajo
8
v namen upravljanja velike količine podatkov. Učijo se prikazovati te podatke na optimalen način (Oza, 2020).
Azeroual in Theel (2018) ugotavljata, da veliko majhnih organizacij in »start-upov«
izkorišča poslovno inteligenco za analizo podatkov (97 %), poročanje in distribucijo (84 %), planiranje in proračun (58 %) in tako dalje (slika 2). Če organizacije še ne uporabljajo poslovne inteligence za razne aplikacije, je pa načeloma to njihov plan v prihodnosti. Na primer s slike 2 lahko razberemo, da bodo sčasoma vse organizacije poslovno inteligenco koristile v veliki meri.
Slika 2: Uporabnost poslovne inteligence
Vir: Prirejeno po Azeroual in Theel (2018).
Poslovna inteligenca je lahko učinkovito uvedena tako v privatnem kot javnem sektorju.
Medtem ko je poslovna inteligenca v privatnem sektorju uporabljena predvsem za izboljšanje konkurenčne prednosti, je lahko v javnem sektorju uporabljena za merjenje poslovnih procesov in njihove učinkovitosti, za razpolaganje virov (tako finančnih kot človeških) in podobno (Barbieri, 2012).
V kolikor hočejo organizacije upravljati zbirke informacij na učinkovit način, je uvedba poslovne inteligence pomembna. Sposobnost poslovne inteligence pri upravljanju z velikimi količinami podatkov je neizpodbitna. Medtem ko sem v tem poglavju že predstavil pomembnost poslovne inteligence nasploh, dobiva načeloma poslovna inteligenca v javnem sektorju manj pozornosti (Abai, Yahaya & Deraman, 2015).
Vladne organizacije morajo sprejemati ključne odločitve glede upravljanja denarja. Ker te odločitve vplivajo na življenja vseh ljudi, bi morale biti le-te podprte s strani sistemov za poslovno inteligenco (Abai, Yahaya & Deraman, 2015).
23 23 32
36 47
49 58
84 97
27 31
25 32
50 46
39 16
3
50 46
43 32
3 6
3
0% 20% 40% 60% 80% 100%
Uravnotežene kartice rezultatov Konsolidacija skupin Rudarjenje podatkov Analiza tveganj Nadzorna plošča Napovedovanje Planiranje in proračun Poročanje in distribucija Analiza podatkov
v uporabi planirana uporaba ni uporabno
9
Aberdeen Group (2010) na podlagi analize 82 organizacij javnega sektorja ugotavlja, da poskuša vodstvo izkoristiti vse organizacijske vire za dostavo vpogledov poslovanja.
Razlogi, ki vodijo v naložbo poslovne inteligence, so različni. Med najbolj pomembne spadajo potreba vpogleda v ključne poslovne procese in področja, potreba po odstranitvi procesov, ki temeljijo na obsežnih preglednicah (angl. spreadsheet-based processes), potreba po odločitvah, ki so sprejete na podlagi dejstev in ne na podlagi intuicije, ter pomanjkljive tehnične sposobnosti. Enotne preglednice poslovanja sicer prispevajo dodano vrednost k poslovanju, ampak niso primerne kot primarno orodje za poslovne analize in predstavitev podatkov. Organizacije načeloma gredo v smer uvedbe novega sistema poročanja, ampak se soočijo z raznimi izzivi, ki jim otežujejo spremembo, na primer težave integracije podatkov in informacij iz različnih virov, necelovitost podatkov, nezmožnost dostopa do potrebnih podatkov in informacij in nesodelovanje med ključnimi deležniki poslovnih procesov.
Abai, Yahaya in Deraman (2015) na podlagi kvalitativne raziskave ugotavljajo, da je poslovna inteligenca pomagala številnim vladnim organizacijam pri upravljanju s podatki.
Anketiranci, ki so zaposleni v javnem sektorju se strinjajo, da je poslovna inteligenca ena od najpomembnejših tehnologij, ki poveča učinkovitost pri sprejemanju poslovnih odločitev.
Obenem tudi izpostavljajo, da predstavlja uspešna uvedba sistema številne izzive, ki se nanašajo na poenotenje poslovnih procesov, kakovost podatkov, merjenje uspešnosti novega sistema in podobno. Zanimiva je tudi ugotovitev, da se nekatere odločitve še vedno sprejemajo na podlagi intuicije vodstva in ne na podlagi prikazanih podatkov.
Iz zapisanega lahko povzamemo, da vsaka organizacija (tako v javnem kot privatnem sektorju), teži k spremembam, ki zagotavljajo doprinos poslovne vrednosti, ki posledično obogati poslovno uspešnost. Ni pa to odločitev iz danes na jutri, temveč proces, pri kateremu se morajo jasno postaviti cilji in problematika, vselej pa morajo biti prisotni vsi ključni deležniki.
Poslovna inteligenca ima nedvomno močan vpliv na poslovne odločitve organizacije. Da bi bil ta vpliv res dragocen za organizacijo, mora seveda potek uvedbe potekati načrtovano, se pravi postavljeni morajo biti jasni cilji, vizija in sam tehnični načrt izvedbe.
Pri načrtovanju sistema poslovne inteligence moramo biti pozorni na človeški dejavnik poslovne inteligence oziroma na ključne deležnike in uporabnike. Med uvajanjem jih moramo vključevati v proces, saj lahko v nasprotnem primeru pride do nesprejetja ali odpora uporabe sistema poslovne inteligence. To tematiko podrobnejše obravnavam v naslednjem podpoglavju.
1.3 Sprejemanje poslovne inteligence
Eden od izzivov poslovne inteligence v organizacijah predstavlja sprejemanje (novih uvedenih sistemov) s strani zaposlenih in uporabnikov. Dillon in Morris (1996) uporabniško sprejemanje (angl. user acceptance) definirata kot dokazljivo pripravljenost znotraj uporabniških skupin. Uporabniške skupine morajo za zadolžene službene aktivnosti
10
uporabiti informacijsko tehnologijo novih sistemov, ki so bili uvedeni za podporo in izvajanje teh aktivnosti. Seveda pri realizaciji sistema vedno pride do določenih zapletov.
Ključno je, da odstopanja oziroma zapleti pri uporabi niso bistvenega pomena in so lahko hitro odpravljeni brez prekomernih težav (Dillon & Morris, 1996).
Jaklič in Grublješič (2015) na podlagi dveh študij primera ugotavljata, da sistemi poslovne inteligence načeloma niso sprejeti po pričakovanjih. Pričakovanja so višja kot nato dejanska uporaba sistema po implementaciji. Nekateri uporabniki zato nočejo spoznavati sistema in jim posledično ne prinaša nobene dodane vrednosti, po drugi strani pa so uporabniki, ki jim novi sistem olajša delo, saj imajo podatke na voljo 24 ur brez dodatnih potrebnih analiz in validacije podatkov.
Organizacije pričakujejo, da bo implementacija tovrstnih sistemov nemudoma rešila vse poslovne probleme, ampak to večkrat ni res (Jaklič & Grublješič, 2015).
Pri anketirancih v dveh organizacijah, kjer je bil uveden sistem poslovne inteligence, Jaklič in Grublješič (2015) ugotavljata, da 80 % uporabnikov ne izkorišča zmogljivosti sistema v celoti. Uporabnikom se gre večinoma za to, da opravijo svoje delo hitreje in lažje. Se pravi večina uporabnikov pozna osnovne funkcije sistema, ampak ista večina ne zna sistema uporabiti v celoti. To je bolj posledica vsebinske kompleksnosti sistema in ne toliko tehnične. To pomeni, da je sistem kakovosten, v kolikšni meri ga uporabniki izkoriščajo, je odvisno od njihovega vloženega napora.
V nadaljevanju so bili anketiranci povprašani o glavnih razlogih, ki po njihovem mnenju vplivajo na nizko ali visoko stopnjo uporabniškega sprejemanja novih sistemov. Vodeni so bili k pogovoru o 1) individualnih karakteristikah, 2) tehnoloških karakteristikah, 3) organizacijskih dejavnikih, 4) družbenih karakteristikah in 5) makro-okolijskih karakteristikah (Jaklič & Grublješič, 2015).
Vsi anketiranci so najprej omenili pomembnost organizacijskih dejavnikov. V eni od organizacij, je po uvedbi novega sistema projektni vodja (ki je veliko pripomogel) zapustil organizacijo, kar je posledično zmanjšalo stopnjo uporabe sistema poslovne inteligence.
Poudarjeno je bilo, da je projektni vodja nujen za razvoj vzpostavitve kulture poslovne inteligence v organizaciji. Prav tako pripomore k večji uporabi sistemov poslovne inteligence sponzorstvo, mentorstvo in podpora. Tako bodo uporabniki sistem vzeli bolj resno in ga uporabljali. V obeh organizacijah so imeli usposabljanje uporabnikov. Slednje je zelo pomagalo uporabnikom seznaniti se z novim sistemom, ampak samo po sebi jih ni vzpodbujalo k nadaljnji uporabi novega sistema. V eni od organizacij so po usposabljanju videli pogosto uporabo sistema s strani uporabnikov, kasneje so ga uporabljali le tisti, ki so imeli iz uporabe koristi. V drugi organizaciji so uvedli tedenske delavnice, kjer se uporabniki ne seznanjajo samo s sistemom, temveč sčasoma razumejo tudi logiko in napredne funkcionalnosti, ki jih ponuja novi sistem. Slednje seveda pozitivno vpliva na sprejemanje s strani uporabnikov (Jaklič & Grublješič, 2015).
11
Kar se tiče individualnih karakteristik, je mnenje vzajemno, da so le-te zelo pomembne. Če so uporabniki vsebinsko močni, jim bo lažje sprejeti novi sistem. Seveda je uporaba odvisna od posamičnega uporabnika in njegove odprtosti do sprejemanja sprememb in uporabe računalnika. Izpostavljeno je bilo, da lahko delo z računalnikom predstavlja problem predvsem za starejše uporabnike (Jaklič & Grublješič, 2015).
Pri tehnoloških karakteristikah anketiranci omenijo pomembnost kompatibilnosti novega sistema s starim, saj je tako prehod med sistemi lažji. Prav tako je pomembno, kako je prikazana vsebina podatkov (Jaklič & Grublješič, 2015).
Družbene karakteristike igrajo pomembno vlogo predvsem v javnem sektorju. Če direktor naznani, da bo uveden in uporabljen novi sistem poslovne inteligence, ima to veliko težo na zaposlene. Zelo pomembno je tudi, da direktor potem dejansko sam uporablja novi sistem in je posledično zgled ostalim zaposlenim oziroma uporabnikom (Jaklič & Grublješič, 2015).
Yoon, Ghosh in Jeong (2014) so prav tako identificirali številne dejavnike, ki vplivajo na sprejemanje sistemov poslovne inteligence. Ob predpostavki, da so odločitve novih sistemov poslovne inteligence načeloma sprejete na organizacijski ravni, je učinkovita uporaba teh sistemov in aplikacij odvisna od poslovnih procesov v organizaciji. Na te procese seveda vplivajo številni individualni dejavniki. Slednji se razdelijo v štiri različne kategorije, in sicer: tehnologija, motivacija, družbeni vpliv in situacijske omejitve. Nekatere dejavnike sem pokril že v zgornjih odstavkih, kljub temu se mi zdi relevantno poudariti družbeni vpliv in situacijske omejitve. Družbeni vpliv govori o vedenju uporabnikov na podlagi družbe, sodelavcev, vodij. Če na primer sodelavci menijo, da je uvedba novega sistema uporabna, bodo temu sledili tudi ostali uporabniki, ki mogoče niso tako prepričani v to, kar nas pripelje do situacijskih omejitev. Če uporabnik ni seznanjen s tehnologijo novega sistema in obenem nima potrebnega vsebinskega znanja, se bo zelo težko navadil na aktivno uporabo novega sistema (Yoon, Ghosh & Jeong, 2014).
V kolikor želimo, da uporabniki pozitivno sprejmejo novi sistem poslovne inteligence, menim, da jih moramo aktivno vključevati v procese med uvajanjem. Za številne uporabnike je sicer to lahko zelo težka naloga, saj so lahko vsebinsko zelo močni, ampak nimajo primernega tehničnega znanja. Zato je pomembno sodelovanje z IT oddelkom, ki lahko pri teh stvareh pomaga. Nenazadnje je tudi zelo pomembna aktivnost vodstva, še posebej v javnem sektorju. Če bo vodstvo redno uporabljalo sistem in vzpodbujalo uporabnike, bodo le-ti v prihodnosti bolj zagnani. Poleg tega je ključnega pomena, da se za napredek in osveževanje znanja organizirajo delavnice, ki bodo posebej v pomoč uporabnikom, ki težje sprejmejo novi sistem. Tako se lahko vzpostavi zdrava kultura sistema poslovne inteligence znotraj organizacije, ki bo ultimativno vplivala na rast le-te.
12
2 PROCES UVAJANJA POSLOVNE INTELIGENCE
Uvajanje poslovne inteligence v organizaciji lahko pripomore k izboljšanju kakovosti informacij z različnih pogledov, kot na primer hitrejši dostop do informacij, lažje poizvedovanje in analiza podatkov, višja stopnja interaktivnosti, boljša konsistentnost podatkov zaradi procesov integracije podatkov in ostalih aktivnosti upravljanja podatkov (Popovič, Coelho & Jaklič, 2009).
Potreba po povečanju usposobljenosti na področju poslovne inteligence je postala prednostna naloga mnogih organizacij. Vodstvo se vse bolj zaveda, kako dragoceni so podatki, shranjeni v izvornih sistemih. Z uvedbo poslovne inteligence je mogoče ustvariti pametno organizacijo, ki temelji na znanju in učenju iz svojih napak, ki jih prepoznamo skozi podatke.
Tunowski (2015) ugotavlja različne koristi in tveganja pri uvajanju poslovne inteligence:
koristi:
Ustvariti inteligentno organizacijo, ki temelji na znanju in učenju: izraz »Inteligentna organizacija« se nanaša na pametno organizacijo, ki ima na voljo pridobitev znanja (na podlagi analiz podatkov), ki ga lahko aplicira na povišanje učinkovitosti in konkurenčnosti organizacije.
Izboljšanje poslovnega odločanja s preverljivimi podatki in ne z intuicijo.
Možnost učinkovitega merjenja in analiz različnih naborov podatkov.
Zmanjšanje časa, namenjenega zbiranju in obdelavi podatkov.
Uporaba napredne vizualizacije podatkov. Prednost je v veliko večji informacijski zmogljivosti v primerjavi s tradicionalnimi vizualizacijami (npr. Excel).
Zmožnost zahtevnejših in naprednejših poslovnih analiz.
Tveganja:
Pomanjkanje profesionalnega upravljanja sprememb med uvajanjem sistemov poslovne inteligence. Samo po sebi uvajanje poslovne inteligence vodi do zmanjšanja vrednote organizacije, zaradi dejstva, da se porabljajo sredstva organizacije (delovna sila, denar).
Vključevanje ključnih zaposlenih med uvajanjem lahko vodi do upada učinkovitosti pri njihovih trenutnih aktivnosti.
Rouhani, Asgari in Mirhosseini (2012) na podlagi analize 85 različnih študij ugotavljajo, da so pristopi uvajanja poslovne inteligence razdeljeni v tri kategorije, in sicer v: vodstveni (angl. managerial), tehnični (angl. technical) in omogočevalni (angl. enabler).
Na sliki 3 lahko vidimo delež uvajanja na podlagi treh pristopov uvajanja. Kot je razvidno iz grafa, si vodstveni pristop pridržuje največji delež (50 %), in sicer kar polovico vseh pristopov uvajanj poslovne inteligence v organizacijah. Vloga poslovne inteligence je v tem
13
pogledu ustvariti informacijsko okolje, v katerem je moč analizirati operativne podatke, zbrane iz raznih sistemov in zunanjih virov. S tem se zagotovi strateško znanje, ki podpira poslovne odločitve. 50 % definicij se torej osredotoča na doseganje maksimalne odličnosti procesa za učinkovito poslovno odločanje. Tehnični pristop si pridržuje drugi največji delež (29 %). Ta pristop deluje v okviru uporabe orodij za pridobivanje, čiščenje, zbiranje in skladiščenje podatkov, kar izboljša proces odločanja z raznimi analizami in predstavitvami podatkov. Preostane še omogočevalni pristop z 21 % deležem. Ta pristop poudarja zmožnosti dodanih vrednosti za informacijsko podporo ter teži k uspešnemu razvoju organizacij in doseganju konkurenčnih prednosti (Rouhani, Asgari & Mirhosseini, 2012).
Slika 3: Odstotek posameznega pristopa uvajanja
Vir: Prirejeno po Rouhani, Asgari in Mirhosseini (2012).
Poslovna inteligenca je načeloma vodstveni koncept, ki vključuje nabor raznih programov in tehnologij, ki omogočajo zbiranje, analizo in dostop do podatkov o določenih procesih organizacije. Pomaga organizacijam, ki imajo celovito znanje o dejavnikih, ki imajo vpliv na poslovanje, npr. standardi v prodaji, proizvodnji in o procesih znotraj organizacije.
Ultimativni cilj sistemov poslovne inteligence v kateri koli organizaciji je pomagati k čimbolj optimalnim odločitvam na vseh ravneh organizacije (Rouhani, Asgari &
Mirhosseini, 2012).
Menim, da so za uspešno uvedbo sistemov poslovne inteligence pomembni vsi trije pogledi.
V poglavju nadaljujem s ključnimi dejavniki uspeha, ki so v bistvu smernice za uspešno uvedbo poslovne inteligence v organizaciji. Kasneje se osredotočim tudi na tehnike oziroma korake uvajanja poslovne inteligence, kar vključuje pridobivanje, skladiščenje in vizualizacijo podatkov.
50%
29%
21%
Vodstveni pristop Tehnični pristop Omogočevalni pristop
14
2.1 Ključni dejavniki uspeha uvedbe sistemov poslovne inteligence
Ključni dejavniki uspeha (angl. Critical success factors), v nadaljevanju KDU, so aktivnosti, ki zagotavljajo uspeh uvajanja poslovne inteligence v organizaciji. Kot sem že omenil, poslovna inteligenca oziroma sistemi poslovne inteligence sami po sebi nimajo dodane vrednosti, zato se moramo pred uvedbo skrbno pripraviti in temeljito analizirati ter načrtovati sistem za maksimalni izkupiček (Popovič & Yeoh, 2016).
Uvajanje poslovne inteligence na podlagi ključnih dejavnikov uspeha vključuje tri dimenzije:
organizacijska dimenzija. Nanaša se na zavzeto podporo vodstva, jasno vizijo uvajanja in dobro načrtovan poslovni primer;
procesna dimenzija. Predstavlja iterativni razvojni pristop, uporabniško usmerjeno upravljanje sprememb in uravnoteženo sestavo ekipe (izvajalcev);
tehnološka dimenzija. Poslovno razširljivo in prilagodljivo tehnično omrežje ter trajnostna kakovost in integriteta podatkov.
Merjenje vseh treh dimenzij se nato pretvori v stopnjo uspeha po kriterijih infrastrukturne zmogljivosti (kakovost sistema, kakovost informacij in uporaba sistema) in učinkovitosti poslovnega procesa (budžet, časovni razpored).
Popovič in Yeoh (2016) ugotavljata, da imajo organizacije z jasno vizijo, dobro pripravljenimi študijami primera in podporo vodstva primera več možnosti za uspešno uvedbo sistema poslovne inteligence. Organizacije, ki se osredotočajo predvsem na tehnologijo imajo manjše možnosti za uspešno uvedbo. Dodajata, da je poleg pomembnosti dobre definicije KDU potrebno te nasloviti v pravilnem vrstnem redu. V prvi vrsti je potrebno definirati ključne potrebe organizacije iz organizacijskega vidika. V študiji primera navajata neuspešen primer uvedbe po KDU, saj se je organizacija primarno osredotočala na tehnologijo, medtem pa zanemarila ključne organizacijske potrebe. Pet primerov je bilo uspešnih, iz česar tudi izhaja poudarek na pomembnost organizacijskih dejavnikov.
2.2 Koraki uvajanja poslovne inteligence
Kot že zapisano, je poslovna inteligenca dobro znana v poslovnem svetu. Vpliva na poslovno odločanje ter pomaga (ključnim) uporabnikom pri raznih dnevnih opravilih. Pomembno je, da nam omogoča analizo preteklosti, saj lahko s tem vplivamo na poslovno uspešnost v prihodnosti (Hani, Abal, Yahaya & Deraman, 2016). V ta namen je potrebno sistem dobro postaviti z vseh vidikov. Pridobiti moramo vse dimenzije koristnih podatkov, jih ustrezno pretvoriti oziroma prečistiti v uporabne podatke in jih skladiščiti na pregleden in optimalen način. To nam omogoča integracijo teh podatkov z raznimi orodji za analizo in vizualizacijo, kjer se podatki predstavijo na enostaven način, ki bo dostopen vsem uporabnikom.
15
V tem poglavju se osredotočim na tradicionalni proces uvajanja sistemov poslovne inteligence za pridobivanje (zajem in čiščenje podatkov), nalaganje (skladiščenje) in vizualizacijo podatkov. Nekaj besed namenim tudi poslovni inteligenci v realnem času, ki se razlikuje od tradicionalnih sistemov nalaganja in osveževanja podatkov, saj prikazuje trenutne podatke (angl. live data).
2.2.1 Pridobivanje podatkov
Chisholm (2018) definira pridobivanje podatkov kot proces, ki je bil ustvarjen za prenos podatkov izven organizacije v organizacijo. Izraz »pridobivanje podatkov« se večkrat nanaša na podatke, ki jih ustvari organizacija, in ne na podatke, ki prihajajo izven organizacije. Chisholm nadaljuje, da je to zmota, saj so podatki, ki jih proizvede organizacija, načeloma že pridobljeni.
Lyko, Nitzschke in Ngomo (2016) pridobivanje podatkov opišejo kot proces nabiranja, filtriranja in čiščenja podatkov, preden so le-ti shranjeni v podatkovno bazo. Če gre za velike količine podatkov, jih pogosto spremljamo skozi obseg (angl. volume), hitrost generiranja (angl. velocity), raznolikost (angl. variety) in vrednost (angl. value) podatkov. Večina scenarijev predpostavlja visok obseg, visoko hitrost generiranja, visoko raznolikost in nizko vrednost podatkov. Zato moramo vedno poskrbeti za časovno učinkovite in prilagodljive algoritme nabiranja, filtriranja in čiščenja, saj tako zagotovimo samo podatke z visoko vrednostjo, ki ji bomo nato skladiščili in jih uporabljali za nadaljnje analize (Lyko, Nitzschke
& Ngomo, 2016).
Christensen in drugi (2016) menijo, da je eden od najbolj pomembnih procesov poslovne inteligence zmožnost dostopa, zbiranja, ohranjanja in usklajevanja podatkov iz različnih izvornih sistemov. V računalniškem žargonu, se ta proces imenuje pridobivanje, preoblikovanje in nalaganje, bolj znano pod angleško kratico ETL (angl. Extract, Transform, Load).
Namen transformacije podatkov je vzpostavitev procesov za čiščenje, oblikovanje in poenotenje podatkov in podatkovnih tipov, ki prihajajo iz različnih virov (Kalna, Erraissi, Banane & Belangour, 2019).
Pred revolucijo velike količine podatkov (angl. big data) so organizacije s podatkovnimi skladišči upravljale le s podatki, ustvarjenimi znotraj organizacije. Z razvojem podatkovne znanosti (angl. data science), deskriptivne (angl. descriptive analytics) in prediktivne analitike (angl. predictive analytics) je večina organizacij spoznala, da morajo biti podatki združeni z zunanjimi podatki iz drugih virov, v kolikor se hočejo dokončno digitalno preobraziti (Chisolm, 2018). Z izjemo manjših aplikacij morajo biti vse aplikacije poslovne inteligence integrirane z ostalimi sistemi, kot so podatkovne baze, starejši sistemi organizacije, ERP (angl. enterprise resource planning), CRM (angl. customer relationship management). Orodja za poslovno inteligenco morajo biti integrirana med seboj, saj se s tem
16
ustvari sinergija. Potreba po integraciji je ponudnike programske opreme prisilila k neprestanemu dodajanju zmožnosti za njihove izdelke. Naročniki načeloma lahko kupijo paket »vse v enem« in se posledično ne potrebujejo obremenjevati s povezanostjo z drugimi sistemi. Obenem lahko izgubijo prednost sistemov, ki so sestavljeni iz več ponudnikov (Sharda, Delen & Turban, 2017).
Informacije lahko prikazujemo na različne načine, zato je potrebno tudi podatke temu primerno pripraviti. Na primer, če podatke prikazujemo za vodstvo, ki jih zanimajo le rezultati na najvišji ravni, bomo zajeli samo agregirane podatke, kjer bodo podrobne dimenzije, ki narekujejo globino podatkov, zanemarjene. Nasprotno, če podatke gledajo uporabniki, katerih cilj je povišati učinkovitost poslovnih procesov, v katere so vključeni, bodo potrebni bolj podrobni podatki, tako imenovani analitični podatki. Za potrebe, kot je npr. napovedovanje dogodkov v prihodnosti ali v smeri vpliva na prihodnost z dejanji, so potrebne naprednejše analize na podlagi prediktivne in preskriptivne analitike. Na sliki 4 lahko vidimo tri različne oblike poslovne analitike. Kljub temu, da se načeloma na poslovno inteligenco nanaša deskriptivna analitika, sem vključil še dve obliki naprednejših analitik, saj sta slednji neposredno povezani s poslovno inteligenco.
Slika 4: Oblike poslovne analitike
Vir: Prirejeno po Sharda, Delen in Turban (2017).
17
Deskriptivna ali opisna analitika se kot del poslovne inteligence nanaša na dogajanje v organizaciji. Prikazuje organizacijske trende in pojasnjuje, zakaj se to dogaja. Vključuje konsolidacijo in dostopnost vseh relevantnih podatkov v obliki, ki je primerna za poročanje in analizo. Največkrat poteka razvoj oziroma priprava takšnih podatkov v podatkovnem skladišču. Naj še izpostavim, da je tehnologija na tem področju postala ključni igralec. Z uporabo privlačnih vizualizacij se lahko ustvarijo bogati vpogledi v poslovne procese organizacij (Sharda, Delen & Turban, 2017).
Prediktivna analitika se nanaša na »kaj se bo verjetno zgodilo v prihodnosti«. Tovrstna analiza podatkov temelji na podlagi statističnih metod in raznih tehnik, ki spadajo pod kategorijo podatkovnega rudarjenja. Cilj je zmožnost predvidevanja dogodkov na podlagi zbranih podatkov, na primer »kakšna je verjetnost, da bo stranka šla h konkurenci, na katere promocije se bo odzvala stranka, katere izdelke bo najverjetneje kupila stranka in podobno«
(Sharda, Delen & Turban, 2017).
Zadnja v kategoriji je preskriptivna analitika. Namen preskriptivne analitike je prepoznati, kaj se trenutno dogaja, in napovedati, kaj se bo najverjetneje dogajalo, ter na podlagi tega sprejeti odločitve, ki bodo prinesle najboljši možni rezultat. Ta skupina tehnik se na splošno nanaša na optimizacijo učinkovitosti sistema. Cilj je torej zagotoviti odločitev oziroma priporočilo za določeno aktivnost (Sharda, Delen & Turban, 2017).
Povpraševanje po takojšnjem dostopu informacij na zahtevo narašča, saj je potreba po odpravi vrzeli med operativnimi podatki in strateškimi vse večja. Kot rezultat se pojavljajo kategorije izdelkov, ki odražajo podatke v realnem času (poslovna inteligenca v realnem času). Tradicionalni sistemi poslovne inteligence uporabljajo velike količine podatkov za pridobivanje, čiščenje in nalaganje podatkov v podatkovno skladišče, na podlagi katerih se nato ustvarijo poročila s predstavitvami zbranih podatkov. Potrebe pa niso samo pri poročanju podatkov, saj uporabniki potrebujejo spremljanje poslovanja, analize učinkovitosti poslovnih procesov in nenazadnje razumevanje, zakaj se določene stvari dogajajo (Sharda, Delen & Turban, 2017).
Menim, da lahko proces pridobivanja podatkov gledamo z različnih perspektiv. Izraz sam po sebi odraža, da se gre za pridobitev podatkov, ampak če zaplavamo v globino izraza, moramo premisliti, na kakšen način bomo vse te podatke pridobili oziroma procesirali, da bomo iz njih dobili maksimalno vrednost, preden jih bomo replicirali in shranili v podatkovno bazo.
Na tej točki bi izpostavil, da je pridobivanje podatkov večplastni proces, ki gre z roko v roki oziroma se prekriva s podatkovnim rudarjenjem (angl. data mining) in odkrivanjem znanja (angl. knowledge discovery). Se pravi, pridobivanje podatkov se prične s centralizacijo podatkov iz različnih organizacijskih in ne organizacijskih (zunanjih) virov. Nabrane oz.
zajete podatke je cilj zapisovati v centralno podatkovno bazo. Ko so podatki shranjeni in dostopni v bazi, nam to omogoča ponovno nabiranje in poizvedovanje po podatkih, iz katerih
18
pridobimo vedno več uporabnih informacij in znanja, ki jih hočemo na koncu ultimativno uporabiti v prid boljših poslovnih izidov. Da bi se izognili nepotrebnim nevšečnostim, moramo podatke skladiščiti na način, ki bo predstavljal dober temelj za nadaljnje modeliranje, analizo in spoznavanje podatkov.
2.2.2 Skladiščenje podatkov
Sharma, Payal, Kaur, Dixit in Dadhich (2019) podatkovno skladišče definirajo kot centralno odlagališče informacij in podatkov iz enega ali več virov. Podatki lahko prihajajo iz transakcijskih sistemov in drugih relacijskih podatkovnih baz. Podatkovna baza je načeloma sestavljena iz strukturiranih, pol-strukturiranih in ne-strukturiranih podatkov. Ti podatki so naloženi, procesirani in uporabljeni na dnevni ravni. Uporabniki, kot na primer poslovni analitiki, razvijalci, uporabljajo orodja poslovne inteligence (angl. Business intelligence tools) za dostopanje podatkov, shranjenih v podatkovnem skladišču.
Preprosto povedano je podatkovno skladišče zbirka podatkov, ki so odloženi na centralnem mestu za namene poslovnega odločanja. Je skladišče sedanjih in preteklih podatkov, ki se jih poslužujejo vodilni uporabniki celotne organizacije. Podatki v podatkovnem skladišču so običajno strukturirani v obliki pripravljeni za analitične obdelave, rudarjenje podatkov, poizvedovanje in poročanje (Sharda, Delen & Turban, 2017).
Za organizacije je ključno, da sprejemajo hitre in natančne poslovne odločitve, v kolikor hočejo na trgu biti bolj konkurenčni in prepoznavni. Podatkovna skladišča so ključ tehnoloških elementov za raziskovanje in analizo podatkov (Almeida, 2017). Za organizacije ima številne prednosti in slabosti, ki pa jih je včasih težko meriti, saj so odvisni od različnih dejavnikov in vplivov (Watson, Goodhue & Wixom, 2002).
Inmon (2005) trdi, da za podatkovna skladišča velja naslednje:
Podatkovna skladišča so zgrajena z različno raziskovalno metodologijo kot aplikacije.
Če se tega ne držimo, dobimo recept za katastrofo.
Podatkovna skladišča se v temeljih razlikujejo od podatkovnih struktur (angl. data mart).
Dvoje se ne meša, sta kot voda in olje.
Podatkovna skladišča izpolnjujejo svoje obljube v nasprotju s številnimi pretiranimi tehnologijami, ki so preprosto zbledele.
Podatkovna skladišča sprejemajo ogromne količine podatkov. Celo do te mere, da so potrebni novi pristopi k upravljanju velikih količin podatkov.
Almeida (2017) identificira različne prednosti in slabosti podatkovnega skladišča:
prednosti:
sledenje, upravljanje in izboljševanje uspešnosti organizacije,
19
povečevanje efektivnosti razvoja in produktov,
združevanje informacij iz različnih virov,
napovedovanje obnašanja posla v prihodnost, analiza potreb in rezultatov,
izboljšanje kakovosti podatkov organizacije,
standardizacija podatkov v organizaciji,
izboljšanje časa obratovanja za analizo in poročanje,
deljenje podatkov z drugimi.
Slabosti:
zamudna priprava in implementacija,
težave pri integraciji in kompatibilnosti podatki, kjer se uporabljajo različne tehnologije in ponudniki,
stroški licenc in vzdrževanja,
lastništvo in varnost podatkov – posebej problem pri storitvah v oblaku,
uporabniki postanejo bolj zahtevni,
nezmožnost zajemanja zahtevanih podatkov.
Tako prednosti kot slabosti so odvisne od različnih dejavnikov, nemalokrat pa te dejavnike predstavljajo človeški viri.
2.2.2.1 Karakteristike podatkovnega skladiščenja
Podatkovno skladišče lahko predstavimo tudi na podlagi temeljnih karakteristik, ki definirajo podatkovno skladišče kot (Inmon, 2005):
predmetno usmerjeno (angl. Subject oriented). Predmetna usmerjenost ponuja celovit pogled na organizacijo. Podatki so razvrščeni po podrobnih zadevah kot na primer prodaja, izdelki, naročniki, dobavitelji ter vsebujejo izključno pripadajoče informacije za podporo odločanja. Ti podatki uporabnikom omogočajo identificirati, kako poteka njihovo področje poslovanja in zakaj tako poteka.
Integrirano (angl. Integrated). Integracija je tesno povezana s predmetno usmerjenostjo.
Podatkovno skladišče mora shraniti podatke iz različnih virov v konsistenten format.
Načeloma se predpostavlja, da je podatkovno skladišče popolnoma integrirano.
Časovno razlikovano (angl. Time variant). Podatki ne zagotavljajo nujno trenutnega stanja (razen v določenih sistemih, ki odražajo realen čas), temveč zaznavajo trende skozi časovno dimenzijo kot na primer odstopanja, dolgoročna razmerja za napovedovanje in primerjavo, kar se nato uporabi za poslovne odločitve. Časovna dimenzija je pomembna v podatkovnem skladišču, saj se vanj zapisujejo zgodovinski podatki. Podatki za analizo iz različnih virov vsebujejo več časovnih pogledov (na primer dnevni, tedenski, mesečni).
20
Neprebojno (angl. Nonvolatile). Ko se podatki zapišejo v podatkovno skladišče, uporabniki teh podatkov ne morajo več spreminjati oziroma jih prirejati. Zastareli podatki se zavržejo, spremembe pa se zabeležijo kot novi (aktivni) podatki.
2.2.3 Vizualizacija podatkov
V fazi vizualizacije oziroma predstavitve podatkov (angl. data visualization) so rezultati poizvedb in analiz predstavljeni in posredovani v razumljivih oblikah (kot so tabele in grafi), kar neposredno podpira sprejemanje poslovnih odločitev. Pod vizualizacijo podatkov spadajo interaktivne poizvedbe in možnost raziskovanja podatkov, ki uporabnikom pomaga do željenih informacij. S tehničnega vidika seveda vsa sodobna orodja omogočajo vse to in še več: statična in dinamična poročila, digitalne nadzorne plošče in razne bolj kompleksne oblike predstave podatkov.
Vizualizacija podatkov na področju poslovne inteligence in analitike v zadnjih letih hitro narašča. Igra pomembno vlogo pri raziskovanju podatkov ter vplivu na boljše poslovne odločitve (Chawla, Bamal & Khatana, 2018). Predvsem popularna postajajo tako imenovana samopostrežna orodja poslovne inteligence (Zheng, 2017). Vizualizacija podatkov prav tako predstavlja velik delež pri podatkovni znanosti. Obstaja nemalo orodij in sistemov, ki omogočajo funkcije za vizualizacijo podatkov. Kot interdisciplinarno področje vizualizacijo podatkov združujejo psihologija, tehnologija, umetnost in sama znanost odločanja, ki uporabnikom omogoči analitično zmogljivost (tabela 2).
Tabela 2: Vrste podatkovnih vizualizacij
Vsebina Oblike Namen
Vizualizacija poslovnih podatkov
Kvantitativni podatki, metrike, ključni dejavniki uspeha
Grafi, diagrami in nadzorne plošče
Raziskovanje podatkov, analiza in poslovno odločanje
Vizualizacija informacij
Vse vrste informacij, tako kvalitativne, kot tudi kvantitativne
Infografika, ilustracijski diagrami
Artistične ilustracije, pripovedovanje zgodb, priložnostna
komunikacija Ilustracija Procesi, strukture
konceptov, ideje
Diagrami, slike, grafična
oblikovanja
Predstava vsebine na privlačen način za lažjo razumevanje
kompleksnosti Znanstvena
vizualizacija
Predmeti resničnega sveta, matematične funkcije in formule
Računalniško generirana grafika, 3D virtualna realnost
Simulacija realnega sveta in objektov
Simulacija Izračunani podatki na podlagi pravil in formul
Animirani diagrami ali virtualna
realnost
Demonstracija scenarijev pod določenimi pravili Vir: Prirejeno po Zheng (2017).
21
V mojem magistrskem delu se bo seveda vizualizacija podatkov nanašala izključno na predstavitev poslovnih podatkov (prva vrstica v tabeli 2). Zheng (2017) slednje poimenuje kot vizualizacijo poslovnih podatkov (angl. Business data visualization). Lahko jo enačimo s podatkovno vizualizacijo poslovne inteligence. Služi iskanju informacij, analizi, komunikaciji in poslovnemu odločanju. Eno od ključnih vprašanj je seveda, kako in v kakšni obliki vizualizacija podatkov prispeva sistemom in procesom poslovne inteligence na splošno. Izraz vizualizacija podatkov predstavlja povezovalni sloj med podatki in človekom.
Podatki so predstavljeni uporabnikom v želenih oblikah in formatih kot sem omenil že na začetku poglavja. Poznamo več oblik vizualizacije podatkov, in sicer tekstovne, tabelarne in grafične. Značilno za ta postopek je, da z orodji ustvarimo konkretno »poslovno zgodbo« z raznimi predstavitvenimi elementi, barvami in postavitvijo. Cilj vizualizacije poslovnih podatkov je raziskovanje informacij in vpliv na poslovno odločanje, kar tipično razdelimo na dva pomembna dela, in sicer: a) vizualizacija ključnih kazalnikov poslovanja za enostavno in hitro razumevanje procesa, ki neposredno poenostavi poslovno odločanje in b) zagotovitev podatkov na interaktivni način, ki omogoča raziskovanje podatkov. Najbolje je, da so v poročilih oziroma vizualizacijah uporabljeni enostavni in standardni grafi, diagrami ter tabele. Zahtevnejše povezave med različnimi podatki pa naj se pripravijo na spodnji ravni, to je pri pripravi in skladiščenju podatkov (Zheng, 2017).
Številne raziskave so že dokazale vrednost in prispevek vizualizacije podatkov pri odločevalnih procesih (Vessey, 1991).
Vizualizacija podatkov olajša kognitivno obremenitev obdelave informacij in pomaga k lažjemu sledenju in dojemanju informacij zaradi same predstavitve podatkov z grafičnimi elementi (Borkinin drugi, 2013).
Tehnike vizualizacije podatkov načeloma omogočajo kompleksne podatke predstaviti na enostavnejši način in s tem odkriti razne vzorce, strukture, razmerja in trende podatkov na najvišji ravni (Zheng, 2017).
Vizualizacije ponujajo vizualne namige, ki privabijo pozornost ljudi da se osredotočijo na posamezna področja zanimanj (npr. barve – rdeča: slabo, zelena: dobro). To podzavestno vpliva na samo naravo odločitev in v katero smer bo ta odločitev usmerjena (Tegarden, 1999).
Vizualizacija izkorišča človeški sistem dojemanja za vizualne objekte za pridobivanje dodatnih (implicitnih) informacij pomena, kar včasih imenujemo tudi intuicija.
2.2.3.1 Oblike vizualizacij poslovnih podatkov
Z rastjo prepoznavnosti vizualizacije podatkov in vrednosti, ki jih ta doprinaša k poslovanju, so orodja in aplikacije za izdelavo vizualizacij poslovnih podatkov postali splošno dostopni.
Poznamo različne tehnike in načine vizualizacij podatkov. Načeloma so poročila predstavljena v obliki nadzornih plošč (angl. dashboard), poročil (angl. reports) in analitičnih aplikacij (angl. Analytical applications). Med temi so nadzorne plošče v večini nagnjene k
22
vizualizaciji ključnih podatkov, poročila so bolj statična oblika, ki ne ponujajo interaktivnosti, ponujajo pa bolj podrobne informacije. Sodobna poročila že vključujejo več različnih elementov in možnosti interakcije, ki povečajo berljivost in dojemljivost (Zheng, 2017).
V tabeli 3 so razvidne najbolj pogoste oblike vizualizacij podatkov:
Tabela 3: Pogoste oblike vizualizacij poslovne inteligence
Oblika Opis Primer
Vgrajen element Je vgrajen ali pa oblikuje tekst (npr.
v tabelah)
Pogojno oblikovanje, vrstni grafikon
Predstavitveni blok
Prikazan je kot neodvisen element in ne zavzame malo prostora.
Načeloma je to del poročila ali nadzorne plošče in se prikazuje z ostalo vsebino.
Graf, ploščica s podatki, grafični zemljevid
Samostojna aplikacija
Je samostojna aplikacija, ki je neodvisna od druge vsebine; večina interakcij se zgodi znotraj tega vizuala; lahko je sestavljen iz več predstavitvenih blokov
Nadzorna plošča, analitično orodje, večji grafični zemljevidi
Vir: Prirejeno po Zheng (2017).
Vgrajeni elementi: so vizualni učinki, ki so vgrajeni v drugih objektih. Kot lahko razberemo iz tabele 3, je to pogojno oblikovanje ali vrstni grafikon. Načeloma so vgrajeni učinki namenjeni bolj za dekoracijo in obogatitev objektov ter za lažje branje oziroma dojemanje informacij (Zheng 2017).
Enostaven primer pogojnega oblikovanja:
Tabela 4: Primer vgrajenega elementa
Ime Dobiček (€)
Izdelek A 7642
Izdelek B –890
Izdelek C 4421
Izdelek D 4325
Izdelek E –1000
Vir: Lastno delo.
V tabeli 4 lahko vidimo najbolj pogosto obliko vgrajenega elementa: pogojno oblikovanje Vizualni bloki: so del samostojne aplikacije, na primer nadzorne plošče. Najbolj pogosta oblika tovrstne vizualizacije so grafikoni in diagrami. Grafikoni so vizualna kombinacija simbolov (točke elementov, črte, stolpci, območja) in spremenljivk (barve, oblike,
