Co dalej z systemami BI?

Co dalej z systemami BI?

Data dodania: 15 września 2022
Podziel się informacją:

O wyzwaniach, kierunkach rozwoju i perspektywach na przyszłość

Autorka: Natalia Pawlak.

Jakie są największe wyzwania dla klasycznych systemów BI oraz w jakim kierunku rozwija się oprogramowanie, aby jego twórcy mogli jak najlepiej sprostać oczekiwaniom użytkowników?  W artykule postaram się odpowiedzieć na powyższe pytanie bazując na własnych doświadczeniach w pracy z systemami IBM, takimi jak: IBM Planning Analytics, IBM Cognos Analytics oraz IBM Cognos Controller.

Dynamiczny rozwój organizacji, różnorodność procesów, jakie w biznesie musimy opanować na bieżąco oraz nieustannie rosnące wymagania użytkowników powodują, że oczekiwania wobec systemów BI są coraz bardziej złożone i w systemach dostępnych na rynku pojawiają się ‘wąskie gardła’. Przede wszystkim dane raportowane systemach BI są wciąż danymi historycznymi. Nawet jeśli to jest historia sprzed kilku minut, jest to cały czas historia. Dlatego twórcy takich systemów dążą obecnie do tego, żeby analiza nie była tylko patrzeniem w przeszłość, ale też żeby uwzględniała prognozy. Do tego dochodzi koszt posiadania wielu systemów. W organizacjach funkcjonuje często kilka, czasem kilkanaście systemów BI, a każdy dział posiada swoje własne narzędzia i posługuje się swoimi danymi i swoimi raportami. To generuje problemy ze stwierdzeniem, które dane są prawdziwym źródłem wiedzy, a które zakrzywiają obraz rzeczywistości. Kolejnym wyzwaniem jest uzależnienie organizacji od IT. To IT jest często działem, który dostarcza dane. Bez wiedzy, czy są to wszystkie dane i czy są one spójne nie możemy w pełni zaufać analizom, jakie są tworzone na ich podstawie.

Jakie powinny być systemy BI nowej generacji?

Bez wątpienia powinno się zmierzać w kierunku, w którym system BI będzie w stanie pomagać i wykrywać zależności między danymi, które ułatwią podejmowanie decyzji. Chodzi o to, żeby system skupiał się na dodatkowych czynnikach, widząc trochę więcej niż osoba, która opiera na tym systemie swoje analizy i decyzje. Dobrze, żeby był w stanie przetwarzać komunikaty i dodatkowe informacje o tym, co może się wydarzyć. System BI i tworzone w nim analizy mają służyć nie tylko temu, żeby pokazać coś na ekranie i zwizualizować dane, ale również powinny być podstawą do podjęcia decyzji i integracji z innymi systemami dostępnymi w organizacji. Do takich rozwiązań należą m.in. systemy data science do budowania modeli predykcyjnych czy różnego rodzaju mechanizmy RPA. Liczy się również to, żeby dane, które otrzymujemy mogły posłużyć do prognozowania czy budżetowania w innych systemach – tak, żeby środowisko, które tworzymy zawierało wszelkie dane niezbędne w codziennej pracy.

Wymagania stawiane systemom BI przez użytkowników

Analizując możliwości systemów planistycznych i analitycznych posłużę się przykładem systemów IBM, ponieważ jako Cogit pracujemy z systemami: IBM Planning Analytics, IBM Cognos Analytics oraz IBM Cognos Controller. Dzięki IBM Cognos Analytics użytkownik może działać szybciej i w bardziej przemyślany sposób – wszystko dzięki wykrywaniu konkretnych zależności między danymi. Możliwości prognostyczne umożliwiają użytkownikowi wybieganie w przyszłość, dzięki czemu może być pewniejszy podejmowanych decyzji. Ma to sens nie tylko w postaci czysto desktopowej, ale też w wersjach mobilnych, kiedy otrzymujemy konkretne alerty o nowych danych czy pojawieniu się niepokojących czynników. Obecnie system pokrywa takie obszary jak: automatyzacja odkrywania znaczenia danych, eksploracja danych, prognozowanie przyszłości. Istotne jest również to, że IBM Cognos Analytics ułatwia nam współpracę między użytkownikami dając możliwość korzystania z tego, co ktoś już stworzył. Działają mechanizmy łatwego dostosowywania bieżących raportów i analiz do potrzeb użytkownika, ale też rozwijania tych analiz w jednej platformie, bez projektowania za każdym razem nowego kokpitu. Każdy użytkownik, który posiada do tego uprawnienia może uruchomić edycję kokpitu i dostosowywać go do swoich potrzeb. Aplikacja zapewnia samoobsługę, czyli korzystanie z danych i KPI wyliczanych w oparciu o udostępnione modele danych, nawet jeżeli nie mamy tych danych bezpośrednio w naszych zintegrowanych zewnętrznych źródłach danych.

Możliwości integracji wbudowane w system

Dobrze, żeby system analityczny był wyposażony w komponenty umożliwiające patrzenie w przyszłość. Przykładowo, jeśli chodzi o informacje o kliencie, wykorzystuje się nie tylko dane posiadane wewnątrz organizacji, ale też dane zgromadzone w systemach chmurowych dotyczące m.in.: jego preferencji zakupowych, lokalizacji, opinii itp. Są to informacje, które mogą znacząco wpłynąć na postrzeganie marki. Przykładowo, obecna wersja IBM Cognos Analytics ma wbudowane mechanizmy sztucznej inteligencji pomagające w przygotowywaniu danych, które umożliwiają m.in. podawanie określeń, których szukamy, a które znajdują się w naszych składnicach danych. System wyszukuje metadane, na podstawie których możemy wybrać kilka pojęć i automatycznie przygotowuje tabele ze składnicy danych, które odpowiadają zapytaniu łącząc dane w odpowiedni sposób. Kolejnym obszarem są kokpity – obecna wersja IBM Cognos Analytics zawiera mechanizm tworzenia kokpitu ‘od zera’ na podstawie wizualizacji czy też wydania polecenia. System tworzy startowy dashboard, który można następnie dostosować do swoich potrzeb.

Sztuczna inteligencja w systemach

Kolejny raz na przykładzie IBM Cognos Analytics, który szybko uczy się zachowania i stylu pracy użytkownika. Jeżeli ktoś standardowo wizualizując dane używa wykresów słupkowych to aplikacja w pierwszym kroku zaproponuje mu właśnie taki wykres, który oczywiście w kolejnych krokach można zmieniać. Drugim przykładem niech będzie analiza dokumentów oraz to, żeby pomoc udzielana użytkownikowi przez system kierowała do konkretnych, przydatnych w danym momencie danych. Dla danej wizualizacji pokazywane są preferencje i właściwości oraz sugerowany jest odpowiedni ‘wycinek’ dokumentacji. Przyspiesza to proces uczenia się i pracy z narzędziem.

Integracja systemów wewnątrz organizacji

W integracji systemów wewnętrznych w organizacji chodzi o to, żeby nawet posiadając kilka systemów w organizacji mieć pewność, że mamy jedno źródło prawdy. Żeby móc wykorzystywać analizy i kokpity stworzone w jednym systemie. Jak to wygląda w praktyce? Tak, że część kokpitu tworzymy np. w IBM Cognos Analytics dołączając do tego np. kawałek kokpitu z Tableau. Nie chodzi tylko o wyświetlenie lub kopiowanie kawałka tego drugiego pulpitu, ale też przekazanie kontekstu użytkownika i możliwość jego filtrowania poprzez filtry. Tak powinny być integrowane systemy – zyskujemy wówczas pewność, że zostały nałożone te same mechanizmy bezpieczeństwa, a użytkownicy korzystający z kilku systemów otrzymują tylko i wyłącznie swoje dane.

Integracja z systemami zewnętrznymi

Tutaj na szczególną uwagę zasługuje opcja asystenta, który w IBM nazywany jest Watson Assistant. Jest on w stanie rozpoznawać to, o czym użytkownik mówi, ale też jest w stanie integrować się i wywoływać różne akcje w systemach zewnętrznych. Dochodzi tutaj do integracji, w której mamy pewne dane z systemu czy innych źródeł wewnętrznych danych i do tego dołączmy pewne pytania z zewnętrznego asystenta. Co ważne, asystent jest w stanie zrozumieć pytanie, połączyć się z zewnętrznymi systemami, uzyskać odpowiedź i zwrócić nam ją do systemu (przykładowo odpowiadając na pytanie o kurs walut i jego wpływ na prowadzoną analizę).

Jakość danych ma znaczenie

Musimy mieć zaufanie do danych. I to system powinien analizować jakość danych. Bo nie chodzi o to, żeby mieć tysiące pól, które opisują klienta, tylko żeby posiadane informacje były odpowiednio wyselekcjonowane i porównywalne. System ma pokazywać, jakie są rozkłady danych, dla ilu klientów mamy podobny poziom informacji i na tej podstawie sugerować, czy jesteśmy w stanie je wykorzystać. Kolejną kwestią jest budowanie słowników pojęć metadanych. Służą one temu, żeby być w stanie określić, że pewne dane, którymi dysponujemy w naszych składnicach danych, dotyczą konkretnego obszaru: kosztów, obszaru klienta, czy np. płatności. Chodzi o takie opisanie tych danych, żeby użytkownik szukając informacji do swojego raportu mógł korzystać z pól nazwanych w konkretny sposób oraz wskazywać i wyszukiwać powiązania między metadanymi.

Ekosystem aplikacji i systemów

Kiedy współdziałające systemy są dostępne na jednej platformie, zdecydowanie łatwiej jest integrować dane, opisywać je i stworzyć tym samym miejsce pracy dla analityków danych. Co więcej, platforma typu IBM Cloud for Data, jest miejscem, w którym możemy dołączać kolejne funkcjonalności m.in.: wykorzystując posiadaną bazę danych lub dokonując wirtualizacji danych. Polega ona na zdefiniowaniu, jakie posiadamy bazy i poprzez sięgnięcie do Cloud Pack for Data, wysłanie zapytania do kilku baz, integrację wyników i zestawienie w Cognos Analytics już zintegrowanych danych na potrzeby tworzenia raportów czy wizualizacji. Kolejnym narzędziem jest Watson Knowledge Catalogue, który stanowi rozszerzenie wcześniej przedstawionych funkcjonalności w Cognosie o wszystkie dodatkowe systemy i bazy. Jest to katalog, który umożliwia określenie lokalizacji danych w konkretnej bazie w ramach konkretnego systemu dziedzinowego. Dostęp do tych danych umożliwia budowanie modeli przez analityków danych i później prezentację wyników w Cognos Analytics. Powstaje w ten sposób zintegrowane środowisko pozyskiwania danych, opisywania danych i analizy danych – z założeniem, że uzyskamy wszystkie dane, wiarygodne dane i będziemy wiedzieć skąd pochodzą.

Wiatr zmian

Kierunków rozwoju systemów BI jest tak wiele, że nie sposób omówić je w jednym artykule. Natomiast nie można ich chociażby nie wymienić. To z pewnością rozwinięcie mechanizmów predykcyjnych tak, aby móc prognozować wiele zmiennych, które się zazębiają i wzajemnie na siebie wpływają. To współtworzenie treści, które stało się kluczowe podczas pandemii – celem i wyzwaniem okazało się umożliwienie wspólnej pracy wielu użytkowników nad jednym kokpitem, tak aby każdy osoba widziała kokpit i aby wszyscy mogli równocześnie wprowadzać zmiany, widząc przy tym zmiany naniesione przez pozostałych użytkowników. Kolejnym obszarem jest automatyczne tłumaczenie. Przykładowo, IBM dysponuje serwisem Watson Language Translator, którego funkcja polega na automatycznym tłumaczeniu treści, jednak dążymy do tego, żeby narzędzia takie jak translator umożliwiały automatyczną, błyskawiczną zmianę języka i tworzenie opisów w innym języku bez wpisywania informacji ‘z palca’. Kolejnym obszarem jest inteligentne wyszukiwanie danych do analizy – chodzi o to, żeby system sam analizował podstawowe dane i budował na ich podstawie pierwsze, chociażby wstępne, kokpity w sposób bardziej zautomatyzowany. Powyżej przedstawiłam kierunki rozwoju systemów BI. Pracując z Cognos Analytics widzę zapotrzebowanie na takie funkcjonalności i możliwości u naszych klientów. System jest dla nich nie tylko nieocenioną pomocą w prowadzeniu każdego rodzaju analiz, ale też realnym wsparciem w dążeniu do tego, aby działać szybciej, robić więcej i pewniej wybiegać w przyszłość.