Według Komisji Europejskiej z 2020 roku wartość gospodarki opartej na danych w UE wynosiła w 2018 roku 301 mld euro, w roku 2025 będzie to już 829 mld euro. Dane są dziś niewątpliwie kluczem do sukcesu i fundamentem rozwoju przedsiębiorstw, o ile potrafią one zrozumieć je i wyciągnąć z nich wartość, co w rezultacie prowadzi do podejmowania właściwych decyzji biznesowych. W tym celu muszą szczegółowo przeanalizować posiadane dane, aby poznać i ocenić faktyczny stan firmy i zachowania klientów, odkryć błędy lub nieproduktywne strategie i je wyeliminować.
Analiza danych jest jednak niełatwym wyzwaniem z kilku powodów: rosnących wolumenów danych, zwiększającej się liczby źródeł z których są czerpane oraz ich struktury. Jak wyliczono w badaniu IDG MarketPulse, przeprowadzonym przez Matillion i IDG Research, ilość danych w firmach zwiększa się miesięcznie o 63%. Zbierane są one średnio z 400 różnych źródeł. Nie wszystkie z nich są w formacie gotowym do analizy, co według 90% respondentów IDG stanowi sporą trudność. Dane ustrukturyzowane pochodzące z transakcji, z systemów źródłowych, z procesów biznesowych nie sprawiają problemu. Jednak dużą część stanowią tzw. dane niesutrykturyzowane, takie jak m. in. obrazy z kamer, filmy, informacje z mediów społecznościowych czy też spływające z czujników IoT. Nieustrukturyzowane dane, jak podaje firma badawczo-analityczna Gartner, stanowią nawet 80% danych w przedsiębiorstwach, a aż 43% z nich nie jest w ogóle używanych. Dzieje się to z dużą szkodą dla jakości analiz, gdyż takie dane mogą być przydatne do identyfikowania większych trendów oraz konstruowania modeli predykcyjnych. Dlatego, by wyciągnąć właściwe wnioski biznesowe i poznać prawdziwy stan rzeczy, analiza powinna obejmować zarówno dane ustrukturyzowane, jak i nieustrukturyzowane. Tradycyjne arkusze kalkulacyjne nie są niestety w stanie sprostać temu zadaniu. Umożliwiają to jednak zaawansowane rozwiązania technologiczne wyposażone w mechanizmy sztucznej inteligencji i machine learning. Mogą one pobierać różnorodne dane z bardzo wielu źródeł i przetwarzać je w czasie rzeczywistym, w celu określenia, np. czy produkty lub linie biznesowe spełniają oczekiwania dotyczące rentowności.
Jak analizować dane
Inwestycja w analitykę jest opłacalna. Według badania firma McKinsey, zajmującej się doradztwem strategicznym, organizacje, które wdrażają właściwe narzędzia do analizy dużych zbiorów danych (Big Data) osiągają średnio 6% wzrost zysków. Nowoczesny system analityczny pozwala na przeprowadzanie nawet bardzo skomplikowanych obliczeń i symulacji na podstawie zdefiniowanych przez użytkownika kryteriów, zgodnie z przyjętymi założeniami. Przykładem tego rodzaju rozwiązania jest np. SAP Profitability and Performance Management (PaPM) dedykowany dla systemów SAP (może to być klasyczny system SAP lub SAP S/4HANA). PaPM składa się z trzech komponentów: agregatora danych biznesowych, silnika obliczeniowego i aplikacji do symulacji. Rozwiązanie pracuje na wszystkich danych, zarówno surowych, jak i końcowych oraz śledzi obliczenia na wszystkich etapach, podając dla każdego z nich szczegółowe wyniki. Automatyzuje także wiele zadań eliminując dzięki temu błędy obliczeniowe. - Ważną funkcją, która usprawnia codzienną pracę i analizę są możliwości symulacji i wykorzystania opcji „What if”, które pozwalają użytkownikom sprawdzać jak zachowa się model w przypadku zmian parametrów wykorzystywanych do obliczeń. Jako realny przykład, usprawniający proces biznesowy w organizacji możemy wziąć pod uwagę skomplikowany i żmudny proces zamykania miesiąca. Dzięki systemowi PaPM proces ten można zautomatyzować i rozliczać w szybkim czasie koszty, marże i zyski z dokładnością do pojedynczego produktu. Co więcej system ten daje możliwość sprawdzania prawidłowości wprowadzanych danych. - mówi Michał Bekus SAP Analytics Expert w Hicron.
Gdzie można stosować PaPM
PaPM można zastosować w wielu branżach: w motoryzacji, logistyce, transporcie publicznym (system umożliwia oszacowanie rentowności poszczególnych tras i określanie najkorzystniejszych połączeń), szpitalach (szacowanie kosztów generowanych przez szpitale i przychodnie, podsumowanie kosztów pobytu w placówce dla każdego pacjenta). System może być z powodzeniem stosowany także w bankowości, przemyśle chemicznym, telekomunikacji, sektorze publicznym, górnictwie, budownictwie, przedsiębiorstwach użyteczności publicznej.
Jeśli chodzi o wielkości przedsiębiorstw wdrażających PaPM, to są to zazwyczaj organizacje duże. Jednak po rozwiązanie może też sięgnąć sektor MŚP - nie ma tu ograniczeń związanych z wolumenem danych - jego funkcjonalność zawsze jest taka sama. Do tego przy mniej zawiłych procesach, jakie zazwyczaj charakteryzują mniejsze przedsiębiorstwa, implementacja PaPM będzie łatwiejsza, a ponieważ system jest skalowalny, będzie rósł razem z organizacją.
