Proč (ne)integrovat ERP přímo s Power BI a zapojit datový sklad?| Mňamka #536
Velmi často na úvodní schůzce s klientem zazní, že data řešit nemusí, mají vše již napojeno ze svého ERP a vizualizují v Power BI. Ale jak to vnímáme my z pohledu datové vyzrálosti?
Z naší perspektivy, je toto řešení, které může být první krokem k tomu, jak začít, jak získat první informace, na kterých je vedení schopno do větší hloubky porozumět, co se ve firmě děje. Ale z dlouhodobého hlediska to není ideální řešení.
My stav, kdy je vizualizační nástroj přímo napojen na ERP, vidíme, jako ten první stupeň odkud se odrazit a jít dále, ne jako koncepčně správné řešení, které bude vyhovovat potřebám a růstu firmy. Nemělo by to být řešení, se kterým se vedení smíří jako s tou finální podobou, naopak, brát to jako odrazový můstek odkud růst z pohledu datově řízené firmy dále. Ale setkáváme se spíše s tím, že firma začne postupně příjímat toto řešení jako konečné a začne přehlížet, že to nefunguje optimálně, začne snižovat své nároky na to, co by dané řešení mělo poskytovat za přidanou hodnotu a rezignuje na rozvoj a inovaci v této oblasti.
Kdy začít uvažovat o tom, že je čas na budování datového skladu?
Přímé napojení ERP na analytické nástroje, například jako je Power BI, je tou první cestou, kterou se firmy vydávají a má to i své zcela určitě jasně obhajitelné důvody jako je:
cena,
dostupnost
a rychlost vytvoření.
Tento model má však rozhodně i své limity. Pokud firma z dlouhodobého hlediska nevyužívá všechna dostupná data, která by měla být mezi sebou logicky propojena, je zde velká šance, že vám ty zásadní informace protečou mezi prsty. Firmy mají čím dál více dat, ať už z dodavatelského řetězce (externí) či z nástrojů k zefektivnění své práce.
Kdy je tedy ten správný čas začít uvažovat o vybudování kvalitně postaveného datového skladu?
Jak však poznat tu správnou dobu?
Zde je několik příkladů situací, které vám mohou pomoci:
Problémy s výkonem
Závislost na 1-2 klíčových lidech
Pokud je přímé napojení ERP na vizualizační nástroj spravováno jen jedním či dvěma lidmi, vytváří se obrovské riziko. V případě, že tito lidé onemocní, odejdou nebo nejsou k dispozici, kdo se postará o funkčnost a údržbu řešení? Znalost systému je totiž často uložená pouze v jejich hlavách, což firmu činí extrémně zranitelnou.
Úpravy zabírají příliš mnoho času
Systém, který vznikal „na koleni“ a postupně se rozšiřoval během několika let, bývá často bez jasné koncepce. To vede k situacím, kdy existuje mnoho nezdokumentovaných závislostí mezi daty a reporty. Jaké jsou konkrétní problémy?
Rizikové úpravy: Změna jedné metriky v reportu může nečekaně rozbít jiný report.
Duplicitní kód: Části kódu nebo logiky jsou spravovány na různých místech. Úprava v jednom reportu nemusí být reflektována jinde, což vede k neaktuálním nebo nekonzistentním datům.
Neefektivita: Každá úprava zabere zbytečně mnoho času a energie, což omezuje schopnost reagovat na aktuální potřeby byznysu.
Klesající důvěra v data
Pokud dojde k chybám v reportech nebo nekonzistentním výsledkům (například jedny čísla ukazují něco jiného než jiné reporty), uživatelé začnou pochybovat o kvalitě dat. Ztráta důvěry může vést k tomu, že:
Klíčová rozhodnutí nejsou založena na datech, protože lidé je přestanou používat.
Hodnota dat se snižuje, což je v rozporu s potřebou firem dělat rozhodnutí založená na datech.
Potřeba konsolidace dat
Každá moderní firma spravuje více datových zdrojů. ERP systém poskytuje přehled o financích a zásobách, CRM eviduje zákazníky a jejich chování, e-commerce platformy zaznamenávají online prodeje. Chcete-li získat komplexní pohled na fungování firmy, je nezbytné tato data sjednotit. Datový sklad je navržen právě pro tento účel.
Historická a prediktivní analýza
ERP systémy se často zaměřují na aktuální data, ale co když chcete vidět trendy, analyzovat vývoj v čase nebo dokonce předvídat budoucí vývoj? Datový sklad umožňuje uchovávat a analyzovat historická data, čímž poskytuje pevný základ pro prediktivní analytiku a lepší rozhodování.
Pokročilé analytické požadavky
Pokud vaše firma překročila základní reporty a potřebuje pokročilé metriky, real-time analýzu nebo hlubší vhledy do svých dat, přímé napojení ERP přestává stačit. Datový sklad umožňuje vytvářet složité datové modely a využívat moderní analytické technologie, jako je strojové učení.
Snížení zátěže na IT
Ruční zásahy při změnách a úpravách reportů
Pokud se uživatelé nebo management rozhodnou upravit nebo vytvořit nový report, IT tým je často jediný, kdo má dostatečné technické znalosti a přístup k ERP systému a analytickému nástroji.
To zahrnuje:
Přidávání nových datových zdrojů.
Úpravy existujících dotazů na data v ERP.
Ladění výkonu při zpomalování reportů.
Řešení problémů s výkonem a dostupností dat
ERP systémy nejsou optimalizované pro velkoobjemové analytické dotazy. Pokud je například požadováno velké množství dat pro složitý report, může to:
Zpomalit ERP systém a omezit jeho dostupnost pro operativní procesy.
Vést ke vzniku chyb, které musí IT tým neustále řešit, aby zajistil plynulost provozu.
Ad hoc požadavky na IT tým
Uživatelské požadavky na nové metriky, dimenze nebo pohledy na data vyžadují, aby IT tým:
Vytvářel nové SQL dotazy přímo v ERP.
Přidával nové atributy nebo tabulky, což může být náročné a neflexibilní.
Přepisoval stávající logiku v reportech, pokud se změní podnikové potřeby.
Takové požadavky se často kumulují, což vede k zahlcení IT oddělení a prodloužení doby, než jsou změny nasazeny.
Chybovost a závislost na technickém týmu
Pokud dojde k chybám ve spojení mezi ERP a vizualizačním nástrojem (například špatné datové mapování nebo nekompatibilita verzí), musí IT tým tyto problémy manuálně diagnostikovat a opravit.
Uživatelé jsou pak závislí na dostupnosti IT, což zpomaluje jejich práci.
Neschopnost škálovat
Jak firma roste a přidává nové datové zdroje, IT tým musí neustále ručně upravovat integrace mezi ERP a analytickými nástroji. To zvyšuje nároky na údržbu a zvyšuje riziko vzniku nekonzistentních dat nastavené KPI a přehledné dashboardy nejsou jen ukazatele a grafy – jsou to strategické nástroje, které mohou změnit způsob, jakým organizace funguje. Když jsou dobře navržené, jasně ukazují cestu k dosažení cílů, pomáhají rychle identifikovat problémy a podporují rozhodování založené na datech. Co měříme, tím se stáváme – a dobře nastavené KPI mohou být tím rozdílem mezi organizací, která se řídí intuicí, a tou, která je skutečně "data-driven".
Jak začít?
Prvním krokem je důkladně zhodnotit aktuální stav a identifikovat problémy, které přímé propojení ERP způsobuje. Následně je vhodné navrhnout datovou architekturu, která umožní integraci všech datových zdrojů. Přechod na datový sklad je investicí, která se vrátí v podobě rychlejšího rozhodování, lepšího výkonu a konkurenční výhody.
Přechod na datový sklad není jen technickým krokem, ale strategickým rozhodnutím, které firmě umožní plně využít její datový potenciál. Máte-li pocit, že vaše firma začíná být limitována možnostmi ERP, možná je čas se posunout dál.
