BI jest definowane przez firmę Gartner (Gartner 2003) jako zorientowany na użytkownika proces zbierania, eksploracji, interpretacji i analizy danych, który prowadzi do usprawnienia i zracjonalizowania procesu podejmowania decyzji. Systemy te wspierają kadrę menedżerską w podejmowaniu taktycznych decyzji biznesowych, umożliwiają modyfikację i doskonalenie strategii biznesowych oraz procesów tak, aby uzyskać przewagę konkurencyjną, usprawnić proces, zwiększyć zyskowność, czy też generalnie osiągnąć postawione cele zarządcze. Taka definicja jednoznacznie identyfikuje BI jako system informatyczny zarządzania (Nowicki 1998). Tak rozumiane systemy wspomagania decyzji biznesowych obejmują szerokie spektrum technologii, w tym głównie: narzędzia OLAP (ang. on-line analytical processing): oprogramowanie umożliwiające analizę wielowymiarową danych biznesowych poprzez integrację, agregację, i odpowiedni sposób prezentacji (wizualizacji) różnego rodzaju danych. narzędzia eksploracji danych: algorytmy do automatycznej analizy dużych wolumenów danych, wykorzystujące metody statystyczne, ekonometryczne, czy też metody maszynowego uczenia się, umożliwiające analizę danych nie tylko o charakterze ilościowym, ale również jakościowym. narzędzia zarządzania wiedzą: umożliwiające składowanie, indeksowanie i analizę dokumentów tekstowych oraz powiązanie ich z innymi danymi.
Udany rozwój BI umożliwił generalnie realizację wizji Herberta Simona. Zgodnie z jego pracami, zadania z którymi ma do czynienia kadra zarządzająca, dzielą się na trzy obszary (Simon 1977): nadzór, czyli standardowe działania związane z kierowaniem podwładnymi; rozwiązywanie zadań (problemów) dobrze ustrukturalizowanych (ang. well-structured), czyli decyzje programowalne, które mają charakter rutynowy i powtarzalny oraz dla których opracowano ścisłe procedury służące do ich podejmowania. Zatem nie występuje np. konieczność rozpatrywania od początku każdego przypadku, np.wysokość opłaty za dostawę; rozwiązywanie zadań (problemów) źle ustrukturalizowanych (ang. ill-structured), czyli decyzje nieprogramowalne, które dotyczą spraw nowych, nie występuje ustalony schemat postępowania oraz nie są znane ich następstwa. Nie ma gotowej metody rozwiązania, np. decyzja o rozpoczęciu działalności w nowym kraju.
|
Hurtownia danych to uporządkowany tematycznie (subject oriented), zintegrowany (integrated), zawierający wymiar czasowy (time variant), nieulotny (non-volatile) zbiór danych (baza danych) wspomagający podejmowanie decyzji. Uzasadnienie: - źródło (wiarygodnych, rzetelnych) danych; - ujednolicony format zapisu danych; - ułatwiona możliwość eksploracji i analizy danych (gromadzenie danych z różnych działów w jednym miejscu); - relacyjny charakter pozwala na dokonywanie operacji na danych z różnych działów; - serce systemu BI.
Za przykład schematu gwiaździstego (modelu wielowymiarowego) może służyć raport sprzedaży danego produktu w danym okresie, podstawą którego są tablica faktów - sprzedaż oraz tablice wymiarów - produkt oraz czas. Każdemu wierszowi z poszczególnych tablic przypisany jest tzw. klucz własny określający konkretne parametry (np. ilość, miesiąc, wartość). Powiązania pomiędzy tablicami wymiarowymi a tablicą faktów zachowują stosunek jak 1:N - oznacza to, że każdemu wierszowi z tablicy wymiarów odpowiadać może 0,1 lub więcej wierszy w tablicy faktów (natomiast relacja odwrotna zawsze wynosi 1:1). Poszczególne tablice z danymi zwane są zbiorami encji, natomiast poszczególne wiersze pojedynczymi encjami. Model wyspecyfikowany, w postaci diagramu związków encji, nazywany jest modelem logicznym konceptualnym, a jego realizacja w konkretnej bazie danych nazywana jest modelem fizycznym.
Generalnie można wyróżnić następujące źródła danych: |
Na przetwarzanie analityczne on-line składają się dwa zasadnicze elementy: wielowymiarowy model danych; zbiór operacji - narzędzia spełniające wymagania OLAP funkcjonują w dwóch, wzajemnie przenikających się, płaszczyznach zastosowań: dostarczanie informacji: możliwość budowania raportów w pożądanym układzie i standardach związanych z ich wyglądem oraz sposobem prezentacji danych, możliwość tworzenia zapytań ad-hoc, odpowiednia dystrybucja i możliwość rozpowszechniania informacji, automatyczne powiadamianie o zdarzeniach (alerty) oraz personalizacja dostępu. analiza danych: operacje analityczne umożliwiające poprawną interpretację dostarczanych informacji oraz analizę związków przyczynowo-skutkowych.
Do podstawowych operacji analizy danych wielowymiarowych zalicza się:
|
Informacja - I określa znaczenie (treść), jakie przy odpowiedniej interpretacji, przypisuje się komunikatom (wiadomościom) - K. Komunikat - K = ( O, X, x, t ), gdzie: O - opisywany obiekt, X - cecha(atrybut) obiektu, - wartość cechy X, t - czas, w którym cecha X obiektu O ma wartość x; na poziomie technicznym dane; informacja - dana przeanalizowana, zinterpretowana przez człowieka. przykłady: informacja zarządcza; informacja strategiczna; sprzedaż danej pozycji w danym czasie; porównywanie sprzedaży danego produktu w interwałach czasu.
Różnice: Odbiorca (kierownicy, dyrektorzy vs. prezes, zarząd); perspektywa czasowa: (bieżąca vs. długofalowa); źródło: (wnętrze vs. otocznie); wiarygodność: (duża vs. ograniczona); zakres (wąski vs. szeroki); szczegółowość (duża - analiza vs. mała - synynteza); zarządzanie (taktyczne, operacyjne vs. strategiczne); strategia (realizacja vs. planowanie)
Procesy podstawowe: Sprzedaż, marketing, serwis: analiza klienta w czasie, analiza odchyleń sprzedaży produktów o zróżnicowanym asortymencie, optymalizacja cen, analiza rentowności sprzedaży.
Logistyka (wew. zew.) - analiza stanów magazynowych, analiza dostaw do klienta. Procesy pomocnicze: zarządzanie zasobami ludzkimi - planowanie szkoleń; zarządzanie dostawcami - ranking dostawców Procesy zarządzania (finansowe): analiza sprawozdań finansowych, wykrywanie zagrożeń (system wczesnego ostrzegania), analiza majątku obrotowego
Generalnie wskaźnik powinien być (SMART): dziedzinowo zorientowany,(ang. specific), mierzalny (ang. measurable), akceptowalny przez odpowiedzialnego za wskaźnik (ang. agreed to), realistyczny w zakresie wpływu na to, co mierzy i ustalonych wartości planowanych (ang. realistic), mierzony w określonych interwałach czasu (ang. timely).
Zakres wykorzystania balanced scorecard w przedsiębiorstwie: tworzenie strategii wewnątrz organizacji; powiązanie celów strategicznych z budżetami rocznymi oraz wskaźników z wartościami planowanymi; powiązania celów poszczególnych komórek organizacyjnych i pracowników z realizacją strategii; powoływanie i nadzór nad inicjatywami (projektami) strategicznymi; systematyczna analiza okresowa realizacji strategii; pozyskiwanie informacji zwrotnej, aby aktualizować i poprawiać strategię; powiązanie stopnia realizacji celów strategicznych. |
Na proces zarządzania informacją strategiczną składają się następujące fazy: Analiza wymagań (ang. determination of information requirements) - określenie obszaru zainteresowań (ang. key intelligence topic) oraz podstawowych pytań, na które będzie poszukiwana odpowiedź (ang. key intelligence question). Analiza wymagań jest prowadzona z zarządem firmy i określone obszary zainteresowań, jak i konkretne pytania są ukierunkowane na wsparcie (racjonalizację) decyzji strategicznych. Zbieranie danych źródłowych (ang. raw data collection) - na podstawie analizy wymagań określane są źródła informacji, a następnie zbierane są "surowe" dane. Jak już wspomniano są to zwykle zewnętrzne źródła danych mogące stanowić nawet do 95% wszystkich źródeł, z czego zdecydowana większość to źródła opublikowane i publicznie dostępne (patrz rys. 3). Przetwarzanie danych i analiza (ang. editorial processing) - kluczowy etap całego procesu, który polega na przekształceniu zebranych "surowych" danych źródłowych w informację strategiczną. Pojawia się w tym miejscu kluczowe zagadnienie związane z opracowywaniem informacji strategicznej, gdzie zgodnie z opinią Herberta Simona, problem nie tkwi w braku ilości informacji tylko w odpowiednim ich filtrowaniu i finalnym udostępnianiu decydentom tylko tej najbardziej istotnej Kluczowe jest tutaj głębokie zrozumienie przez zespół brokerów potrzeb zarządu firmy, wyspecyfikowanych w etapie 1 oraz szerszego kontekstu rynkowego. Niezbedna jest również umiejętność wybrania odpowiednich informacji i finalnie ich syntezy. Naturalną konsekwencją tej fazy jest składowanie danych w systemie informatycznym (ang. data storage), co umożliwia ich dalsze przetwarzanie, analizę, prezentację i rozpowszechnianie. Obecny rozwój technologii informatycznych może tylko w ograniczonym zakresie wspierać przetwarzanie danych i analizę. Prezentacja i rozpowszechnianie informacji (ang. distribution and visualization) - końcowy etap związany z przygotowaniem formy prezentacji informacji zarządczej dla zarzadu oraz odpowiednią jej dystrybucją. Kluczowa jest tutaj umiejętność syntezy informacji, tj. wybór informacji istotnych oraz ich uporządkowanie. Mając do dyspozycji zdecydowanie więcej źródeł informacji niż reszta ludzi, liderzy łatwiej mogą stracić orientację lub wybrać fałszywy trop. Rozległa wiedza i poprawnie przeprowadzona synteza, pozwala menedżerowi dostrzec ukryte relacje i anomalie oraz co najważniejsze, finalnie implikuje umiejętność wyczulenia na to, co strategicznie istotne (Gardner 2007).
Eksploracja danych tekstowych (ang. text mining)4 (niestrukturalizowanych) polega na wydobywaniu informacji z nieustrukturalizowanych danych tekstowych. W trakcie etapu analizy danych źródłowych metody eksploracji danych tekstowych mogą być wykorzystywane do:
|
Eksploracja danych jest definiowana jako:
4 podstawowe zastosowania biznesowe: 1) klasyfikacja - przyporządkowanie obiektu do predefiniowanej klasy, realizowane z wykorzystaniem drzew decyzyjnych lub sztucznych sieci neuronalnych; 2) estymacja - podobne do klasyfikacji, różnica: klasa do której obiekt zostaje przyporządkowywany ma ciągły a nie dyskretny zbiór wartości. zwykle wykorzystywana dla zadania prognozowania przy użyciu tzw. regresyjnej odmiany drzewa decyzyjnego oraz sztucznych sieci neuronalnych; 3) odkrywanie reguł asocjacyjnych - wyszukiwanie grup obiektów, które występują razem w określonych kontekstach. np. analiza koszyka zakupów 4) grupowanie - znajdowanie w zbiorze obiektów podzbiorów obiektów o podobnych właściwościach np. segmentacja rynku cluster analisis
Rozwiązanie zadania klasyfikacji polega na zdefiniowaniu klasyfikatora, który umożliwiałby zakwalifikowane danego obiektu do jednej z (dwóch) ustalonych klas. Wyróżnia się dwa rodzaje atrybutów: charakteryzujący oraz decyzyjny. Do rozwiązania zadania klasyfikacji wykorzystuje się drzewa decyzyjne, które są w stanie w sposób jawny reprezentować wiedzę o decyzjach klasyfikacyjnych. W węzłach drzewa decyzyjnego znajdują się wybrane atrybuty; gałęzie reprezentują wartości danego atrybutu i finalnie liście drzewa (węzły końcowe) reprezentują decyzję klasyfikacyjną. Podstawowa idea budowy klasyfikatora polega na uczeniu się (generowaniu drzewa decyzyjnego) na podstawie przykładów uczących (ciągu uczącego).
1. Problem indukcji - uczenie się na podstawie przykładów jest wnioskowaniem indukcyjnym - na podstawie jednostkowych obserwacji (faktów) określa się wiarygodne uogólnienie wyjaśniające te obserwacje. Nie możliwe jest z tego względu (tak jak to ma miejsce w przypadku dedukcji), że wniosek indukcyjny jest prawdziwy. Wnioskowanie indukcyjne podtrzymuje fałsz tzn. jeżeli uogólnione fakty są nieprawdziwe to wnioski indukcyjne również będą nieprawdziwe; natomiast prawdziwe fakty niekoniecznie muszą przynosić prawdziwe wnioski. Z definicji każdy wniosek indukcyjny jest niepewny. 2. Problem historii i aktualizacji. Proces generowania klasyfikatora następuje na podstawie już zaistniałych (historycznych) faktów. Zdarzenia mają charakter dynamiczny i zmienny w czasie, więc nawet krótko po procesie uczenia, klasyfikator może generować błędne decyzje w wyniku zmian zewnętrznych i nieprzewidywalnych. Pojawia się tu problem aktualizacji klasyfikatora w oparciu o nowe fakty i dezaktualizacji danych archaicznych. 3. Problem przeuczenia - klasyfikator powinien podejmować trafne decyzje nie dla przykładów ze zbioru na którym był uczony, ale dla przykładów z poza zbioru uczącego. Overfitting -zjawisko nadmiernego dopasowania klasyfikatora do zbioru uczącego. |
Celem algorytmu grupowania jest podział zbioru obiektów na podzbiory (grupy), dla których podobieństwo obiektów wewnątrz grupy (ang. inter class similarity) jest maksymalizowane, a podobieństw od obiektów z innych grup (ang. intra class similarity) jest minimalizowane Kluczowym zagadnieniem w zadaniu grupowania jest określenie podobieństwa pomiędzy obiektami. W przypadku kiedy obiekty są opisane atrybutami o charakterystyce ilościowej np. wolumen sprzedaży, ilość osób na utrzymaniu, płynność, koszty stałe, itp. stosuje się zwykle miary podobieństwa bazujące na pojęciu odległości i do obliczeń wykorzystuje miarę euklidesową. Trudniejsze jest zagadnie obliczania podobieństwa kiedy atrybuty maja charakterystykę jakościową np. atrybuty użyte dla problemu klasyfikacji wniosku kredytowego. W takich sytuacjach stosuje się techniki przekształcania atrybutów jakościowych w ilościowe, tak aby w efekcie użyć miary oparte o pojęcie odległości pomiędzy obiektami w przestrzeni, której wymiary są określone przez atrybuty (Anderberg 1973). Jednym z najpopularniejszych podejść do zadania grupowania jest algorytm k-średnich1 (ang. k-means) (MacQeen 1967) (Hartigan, Wong 1979). Algorytm ten działa następująco: 1) Losowo wybieramy K obserwacji (liczna K jest ustala priori) jako klasy jednoelementowe, które będą środkami ciężkości (centroidami). 2) Każdą obserwację przyporządkowujemy do najbliższej klasy (do jej środka ciężkości) 3) Obliczamy nowe środki ciężkości dla każdej z K klas 4) Jeśli środek ciężkości nie zmieniły się znacznie to koniec, w przeciwnym razie 2)
Odkrywanie reguł asocjacyjnych polega na wyszukiwaniu grup obiektów, które występują razem w określonym kontekście. Zadanie to jest realizowane poprzez wykorzystanie algorytmów analiz związków (ang. association rules analysis) Istota odkrywania reguł asocjacyjnych dla badania koszyka zakupów polega na formułowaniu reguł typu: jeśli do koszyka został włożony produkt A, to istnieje duże przekonanie, że do koszyka zostanie również włożony produkt B. Prawdziwość takiej reguły, w kontekście poziomu przekonania o zaistnieniu takiego zdarzenia, jest opisana dwoma parametrami: wsparcie (ang. support) - określa, jak często produkty A i B występują razem w koszyku w stosunku do wszystkich transakcji; ufność (ang. confidence) - określa warunkowe prawdopodobieństwo włożenia do koszyka produktu B pod warunkiem, że uprzednio został tam włożony produkt A.
analityczny CRM - analiza danych związanych z rejestracją zdarzeń dotyczących obsługi klienta (tj. analiza preferencji i zachowań w celu generowania decyzji co do sprzedaży dod., sugerowania odpowiednich promocji, segmentacja klientów i obliczenie tzw. wartości klienta w czasie) - klasyfikacja, grupowanie, metody asocjacyjne. Ocena stopnia możliwości odejścia klienta do konkurencji - analiza przyczyn odejść i określania prawdopodobieństwa dla obecnych klientów - odpowiednie ukierunkowanie akcji marketingowych. a. kl. i grup. profilowanie klientów wg RFM (recency, frequency, monetary) - segementacja klientów na podstawie czasu ostatniego zakupu, częstości zakupów oraz wartości. strategia sprzedaży dodatkowej oraz powiązanej - algorytm grupowania. |
1. analiza zachowań klienta indywidualnego 2. monitoring i pełna rejestracja zachowań klienta. 3. wykorzystanie zaawansowanych technik analitycznych. 3 możliwość integracji danych o kliencie z różnych źródeł np. karta kredytowa + portal społecznościowy. 4. profilowanie przekazu marketingowe. 5. identyfikacja potencjalnych klientów. 6. wybór kanału komunikacji. 7. dobór odpowiedniego komunikatu i terminu jego przekazu. 8. udoskonalone badania ankietowe itp. 9.
analityczne przetwarzanie danych o kliencie w celach marketingowych. W ramach tego podejścia realizowany jest proces zbierania, analizy i wykorzystania danych o kliencie. Rejestrowanie historii zachowań klienta analizuje się w celu określenia jego profilu, preferencji i potrzeb. Jest to wykorzystywane do przygotowania dostosowanego do konkretnego klienta komunikatu marketingowego
… |
Tradycyjne sprawozdania finansowe oparte na prezentacji aktywów materialnych nie są rzetelnym źródłem informacji na temat faktycznej wartości firmy we współczesnej dynamicznie zmieniającej się gospodarce. Wzrost roli aktywów niematerialnych w kreowaniu wartości przedsiębiorstwa skutkuje z jednej strony odchodzeniem od tradycyjnego paradygmatu sprawozdawczości finansowej, z drugiej natomiast wymaga opracowywania wiarygodnych metod określenia ich wpływu na wartość firmy. Jedną ze skutecznych metod jest opracowana przez Kaplana i Nortona koncepcja zrównoważonej karty wyników (balanced scorecard) zgodnie z którą wyróżnia się 3 kategorie zasobów niematerialnych o kluczowym znaczeniu dla realizacji strategii firmy: 1) kapitał ludzki - umiejętności, zdolności oraz wiedza pracowników; 2) kapitał organizacyjny - kultura organizacyjna, jakość przywództwa, dostosowywanie ludzi do zadań strategicznych, zdolność pracowników do dzielenia się wiedzą z innymi; 3) kapitał informacyjny. Główne problemy: 1. Pośrednie kreowanie wartości - aktywa niematerialne rzadko mają bezpośredni wpływ na wyniki finansowe, złożone zależności przyczynowo-skutkowe np. automatyzacja pewnego procesu wpływa na redukcję kosztów, ale sama w sobie też jest kosztem; 2. Problem potencjalnej wartości - sama inwestycja nie implikuje wzrostu wartości firmy, co wręcz może być jedynie kosztem; 3. Problem powiązania - aktywa niematerialne nie tworzą wartości samej z siebie, a muszą być łączone z innymi (np. szkoleniami pracowników w zakresie obsługi danego rozwiązania) 4. Problem wymiaru czasu - potencjalny łańcuch wartości generowany przez ak. niem. uzależniony jest od upływu czasu. Pierwotna przewaga może być szybko utracona w wyniku działań konkurencji. Brak odpowiedniej opieki powoduje szybki proces starzenia (np. brak aktualizacji) i w efekcie negatywny wpływ na wartość firmy. Aktywa niematerialne umiejscowione są w perspektywie uczenia się i rozwoju zrównoważonej karty wyników. Realizacja strategii powinna skutkować wzrostem wartości finansowej firmy mierzonym EVA (economy value added)
W aktywach niematerialnych w kategorii aplikacje analityczne. Ponadto K i N wyróżniają aplikacje transformacyjne, systemy transakcyjne oraz infrastrukturę technologiczną.
Aby wdrożenie systemu BI kreowało wartość firmy (a nie było tylko np. nowinką technologiczną generującą koszt) koniecznym jest powiązanie z procesami biznesowymi oraz uwzględnienie kontekstu organizacyjnego i czynnika ludzkiego. Aby wykazać związek z EVA oszacowanie ROI powinno odbyć się poprzez estymację NPV (Net Present Value). Wyróżnia się dwa etapy: Etap 1. Analiza (faza 1 - odwołanie się do stategii; faza 2-3: re-inżynieria procesów biznesowych; faza 4: opracowanie rekomendacji) Etap 2. Realizacja (Faza 5-6 implementacja realizacji Faza 7-8 użytkowanie i analiza ROI)
1. Automatyzacja - istniejący proces zostaje zautomatyzowany, poprawiane są parametry procesu - niższy koszt, krótszy czas, opcjonalnie jakość i elastyczność; np. automatyzacja procesu raportowania; najniższy poziom zmian możliwy przy zastosowaniu IT; czas zwrotu z inwestycji może być długi przy małych korzyściach doraźnych; czasami wręcz konieczny 2. usprawnienie - istniejący proces zostaje usprawniony; wsparcie na poziomie taktycznym, modyfikacji podlega przebieg procesu lub sposób realizowanych zadań, zwiększa się efektywność, efekt końcowy może być znacząco lepszy niż w przypadku automatyzacji (np. dodatkowy wymiar analizy); zerwanie ze starym procesem i stworzenie w jego miejsce nowego, lepszego - re-inżynieria w duchu Hammer'a, korzystanie z najlepszych praktyk, gdzie owy system został już wdrożony. 3. nowy proces - wprowadzenie nowego procesu, który zazwyczaj nie może istnieć bez technologii informatycznej - tzw. procesy `IT driven', zwrot z inwestycji koncentruje się na estymacji wzrostu przychodów; bardzo często powiązany z wdrożeniem aplikacji transformacyjnych.
Wsparcie na poziomie operacyjnym jest automatyzacją procesu biznesowego, znanego w firmie i stanowiącego integralną część perspektywy procesów wewnętrznych. W tym podejściu zwykle skraca się czas realizacji procesu i poprawia jakość generowanych przez niego produktów. Dla przykładu automatyzacji procesu raportowania można wyróżnić dwa podstawowe KCS dla tego procesu: zmniejszenie czasu opracowania raportu i poprawa jego jakości, które są mierzone odpowiednio wskaźnikami: czas realizacji raportu oraz ilość błędów. Poprawa obu wskaźników może być bezpośrednio wykorzystana do estymacji redukcji kosztów, co w zestawieniu z kosztem wdrożenia będzie podstawą oceny finansowej tej inwestycji. Automatyzacja procesu biznesowego to generalnie najbardziej oczywisty poziom wykorzystania technologii informatycznych i jednocześnie najbardziej wątpliwy z biznesowego punktu widzenia. Zastosowanie techniki informatycznej implikuje automatyzację procesu i związaną z tym skrócenie czasu jego wykonania. Automatyzacja procesu jest najniższym poziomem zmian, możliwym do osiągnięcia w wyniku zastosowania IT. Czas zwrotu z inwestycji może być kontrowersyjnie długi, zwłaszcza przy kosztownych wdrożeniach, przy jednocześnie niskim poczuciu wartości dodanej uzyskanej z systemu
Wsparcie na poziomie taktycznym, czyli usprawnienie procesu biznesowego, który jest w firmie znany, stanowi integralną część perspektywy procesów wewnętrznych. W tym podejściu modyfikacji podlega przebieg procesu albo sposób realizowanych przez niego zadań, przez co jego realizacja staje się bardziej efektywna. W przeciwieństwie do automatyzacji procesu, gdzie przepływ procesu i jego produkty pozostają zasadniczo niezmienione, w przypadku usprawnienia efekt końcowy usprawnianego procesu może być znacząco lepszy. Nawiązując do przykładu z systemem klasy OLAP, umiejętne wykorzystanie nowego systemu raportowania ilustrującego poziom operacyjny może stać się czynnikiem wsparcia poziomu taktycznego, kiedy poprawnie wykorzystane są możliwości analityczne dające nową jakość informacyjną dla menedżera. Inwestycje na poziomie taktycznym odzwierciedlają podejście procesowe, gdzie - zgodnie z wizja Hammera, duchowego ojca podejścia usprawniania organizacji poprzez reinżynierię procesów: prawdziwa siła technologii nie polega na tym, że może ona usprawnić funkcjonowanie starych procesów, lecz na tym, że umożliwia firmom zerwanie ze starymi regułami i stworzenie nowych sposobów wykonania pracy, czyli dokonanie reinżynierii (Hammer 1996). W tym duchu, często w ramach wdrożeń systemów informatycznych, sugerowane jest wykorzystanie ich standardowych funkcjonalności, które odzwierciedlają tzw. najlepsze praktyki (ang. best practices) oparte na doświadczeniach i specyfice branżowej wielu przedsiębiorstw, które uczestniczyły we wdrożeniach wcześniejszych wersji systemu. Oznacza to często naturalne wymuszenie zmian w organizacji podczas wdrożenia systemu informatycznego. Przykłady: usprawnienie planowania popytu, usprawnienie planowania zakupów, analizy zakupów.
Wprowadzenie nowego rozwiązania informatycznego wymaga powołania nowego procesu biznesowego, który będzie stanowić integralną cześć perspektywy procesów wewnętrznych, a zmiany te będą odczuwalne dla klienta. Brak istnienia wcześniej danego procesu biznesowego wynika zwykle z tego, że nie może on efektywnie egzystować bez technologii informatycznej, jest to charakterystyczne dla tzw. procesów "IT driven", których egzystencja jest uzależniona od technologii informatycznych. Poziom strategiczny ilustrowany jest na przykładzie wdrożenia systemu zarządzania kampaniami marketingowymi. W przeciwieństwie do poziomu taktycznego i operacyjnego w tym przypadku nie jesteśmy w stanie pokazać różnicy pomiędzy stanem AS_IS i TO_BE. Wynika to z prostego powodu - nieistnienia wcześniej punktu odniesienia, czyli stanu AS_IS, gdyż kreowany jest faktycznie nowy proces. W tym kontekście niemożliwe jest pokazanie bezpośrednio redukcji kosztów i cała analiza inwestycyjna zwykle koncentruje się na estymacji wzrostu przychodów. |
Związek pomiędzy wartością firmy a wdrożeniem systemu informatycznego (w tym w system BI) można wykazać przy interpretacji wdrożenia jako projektu inwestycyjnego. Zakładając pomiar opłacalności projektu inwestycyjnego poprzez użycie wartości bieżącej netto (ang. Net Present Value), można wykazać bezpośrednio zależność (Cwynar 2002): NPV > O. Mówimy o potencjalnym wzroście wartości, gdyż konkretny projekt inwestycyjny nie istnieje w próżni, tylko dzieli zasoby z procesami firmy i współistnieje z innymi projektami inwestycyjnymi. W tym kontekście możliwa jest sytuacja, kiedy projekt sam w sobie kończy się powodzeniem w sensie inwestycyjnym, ale dzieje się to ze stratą w innych przedsięwzięciach (np. poprzez ponadnormatywne zaangażowanie kluczowych pracowników) i w efekcie utratę wartości przed przedsiębiorstwo. Zagadnienie interpretacji projektów BI w kategoriach finansowych jest omówione pierwszy raz dogłębnie w artykule Williams'a (Williams 2003). Formalnie, z finansowego punktu widzenia, wdrożenie systemu informatycznego jest inwestycją rzeczową dla której można stosować zarówno proste jak i złożone metody oceny opłacalności. Pełny przegląd metod oceny opłacalności projektów inwestycyjnych zawiera opracowanie Rogowskiego (Rogowski 2004). W praktyce stosowane są metody proste: stopa zwrotu, okres zwrotu, księgowa stopu zwrotu oraz metody dyskontowe takie jak: wartość bieżąca netto, wewnętrzna stopu zwrotu, wskaźnik rentowności, zdyskontowany okres zwrotu. Podstawowy problemem związanym w wykorzystaniem finansowych metod oceny inwestycji jest potrzeba prognozowania przepływów pieniężnych implikowanych przez rozważaną inwestycję. Te prognozy z definicji skazane są na spore ryzyko błędu. Dodatnie przepływy pieniężne mogą być generowane poprzez redukcję kosztów (np. system raportowania) i jest to relatywnie łatwe do oszacowania w przypadku inwestycji informatycznych. Niezwykle trudne do oszacowania są przepływy gotówkowe powodowane wzrostem dochodów dla inwestycji w aktywa niematerialne. Wynika to z ich pośredniego wpływu na wynik finansowy, płynący z zależności przyczynowo-skutkowych przebiegających poprzez procesy wewnętrzne. Trudność z mierzeniem jakości, szybszej możliwości reakcji itp.
Wdrożenie musi być powiązane z pozostałymi procesami biznesowymi, z uwzględnieniem czynnika ludzkiego, kultury organizacyjnej. Zarządzanie zmianą ma fundamentalne znaczenie przy wdrażaniu systemu BI, aby projekt prowadził do trwałego wzrostu firmy. Zarządzanie zmianami ma na celu systematyczne wsparcie dla aspektów miękkich oraz takich jak: zapewnienie poparcia zarządu, zarządzanie zespołem, ocena uczestników i komunikacja między nimi, identyfikacji działań niezbędnych. Umiejętne powiązanie kapitału informatycznego z ludzkim i organizacyjnymi - psychologia wdrożenia i użytkowania SI, wytworzenie w użytkownikach poczucia wartości dodanej. Zapewnienie pełnej symbiozy z kapitałem ludzkim i organizacyjnym w perspektywie uczenie się i rozwoju zrównoważonej karty wyników; wyznaczanie KCS związanych z weryfikacją wdrożeń. Powiązanie inwestycji w IT z celami strategicznymi. Zbudowanie odpowiedniej mapy strategii. |
1. Konwergencja mediów - personalizacja dostępu do zunifikowanych mediów w urządzeniu mobilnym 2. web mining + analiza danych tekstowych - analiza zachowań w port. społecz. oraz społ. sieciowych; 3. sieci semantyczne - próba semantycznej interpretacji zasobów sieci WWW w kontekście rozwoju tzw. `Semantic Web', formułowanie zapytań w języku naturalnym; 4. systemy lokalizacji przestrzennej - GIS, powiązanie zachowań klientów z ich lokalizacją; 5. wirtualna rzeczywistość - próba rozwiązania testu Turinga tj. umiejętność prowadzenia rozmowy przez maszynę w języku naturalnym Zarysowywuje się trend odchodzący od spojrzenia specjalizowanego (punktowego) na rzecz spojrzenia holistycznego i tworzeniu zintegrowanych systemów informatycznych obsługujących całe przedsiębiorstwo kompleksowo. Inteligenta aktywacja działań na podstawie monitorowania zdarzeń. Rozwiązywanie zadań źle strukturalizowanych. Artificial Intelligence. |