Datový sklad dává smysl ve chvíli, kdy firma pravidelně skládá odpovědi z více systémů, potřebuje společnou historii a různá oddělení pracují s různými verzemi stejných čísel. Pokud potřebujete jen dostat objednávku z e-shopu do ERP nebo zobrazit v CRM stav faktur, bývá jednodušší propojit systémy. A někdy stačí opravit reporting v nástroji, který už máte.
Ve firmách často potkáváme podobný obrázek. ERP drží ekonomiku, CRM obchod, další systém servis nebo výrobu, část agendy žije v Excelu a několik důležitých informací se mezi systémy stále přepisuje ručně. Dokud firma roste a lidé vědí, kam sáhnout, může to fungovat překvapivě dlouho.
Problém se obvykle ukáže ve chvíli, kdy vedení položí jednoduchou otázku: „Jak jsme na tom?“ A místo odpovědi začne někdo stahovat exporty, porovnávat tabulky a zjišťovat, proč obchod, finance a provoz ukazují trochu jiná čísla.
V tu chvíli se často objeví návrh: postavme datový sklad. Někdy je to přesně správně. Jindy by firma přidala další systém do už tak složité architektury. Rozhodující není počet databází, ale způsob, jakým firma data používá.
1. Kolik zdrojů musíte spojit, abyste dostali jednu odpověď?
První otázka je jednoduchá: odkud se berou data, podle kterých firmu řídíte? Pokud většinu důležitých informací drží jeden podnikový systém a problém je pouze v tom, že nemáte dobrý dashboard, datový sklad může být zbytečně velké řešení. Často stačí upravit podnikový informační systém nebo nad jeho daty postavit lepší reporting.
Jiná situace nastává, když chcete například spojit objednávky z ERP, obchodní příležitosti z CRM, marketingové náklady, servisní data a finance. Jednorázově to lze udělat v Excelu. Pokud ale stejnou skládačku vytváříte každý týden, začíná dávat smysl společná datová vrstva.
V jedné firmě, se kterou jsme řešili technologickou architekturu, například běžela část provozu ve specializovaném systému, další agenda v tabulkách a část finančních podkladů se připravovala ručně. Management přitom potřeboval vidět náklady a výkonnost až na úroveň jednotlivých provozních jednotek. Samotný počet systémů ještě neříkal, že potřebují datový sklad. Důležitější bylo určit, která data mají pravidelně spojovat a pro jaké rozhodnutí.
2. Jak často se na stejná data ptáte?
Jednou za půl roku potřebujete spojit dva exporty kvůli strategickému rozhodnutí? Pravděpodobně není důvod stavět novou datovou infrastrukturu.
Každé pondělí ale někdo připravuje management report, každý měsíc se znovu počítají stejné KPI a při každém forecastu se ručně spojují stejné tabulky? Opakovaná ruční práce je jeden z nejsilnějších signálů, že se problém přesunul z reportu do architektury dat.
Datový sklad je v takovém případě užitečný hlavně proto, že data sbírá a připravuje opakovaně stejným způsobem. Lidé pak nemusí pokaždé znovu vyrábět logiku, kterou firma používá každý týden.
3. Věří všichni ve firmě stejným číslům?
Tohle bývá ještě důležitější než počet systémů. Obchod může pod slovem „obrat“ chápat podepsané objednávky, finance vystavené faktury a management peníze skutečně přijaté na účet. Všechny tři pohledy mohou být legitimní. Problém nastává, když se jejich význam nikde jasně nepopíše a na poradě se porovnávají jako stejné číslo.
Datový sklad proto není pouze místo, kam se kopírují data. U dobře navrženého řešení vzniká také společný datový model a jasná pravidla, co jednotlivá čísla ve firmě znamenají.
Pokud má každý report vlastní výpočet marže, zákazníka, aktivní zakázky nebo obratu, další dashboard problém spíš rozmnoží. Nejdřív je potřeba sjednotit definice.
Kdy stačí propojit systémy
Datový sklad není univerzální mezivrstva pro každou výměnu dat. Velká část firemních problémů je jednodušší.
Potřebujete, aby se nová objednávka z e-shopu založila v ERP. CRM má zobrazovat, zda zákazník dluží. Servisní aplikace má po dokončení zásahu předat podklady do fakturace. V těchto případech je hlavním úkolem spolehlivě dostat konkrétní data z bodu A do bodu B.
Právě tady typicky dává smysl integrace firemních systémů. Dobré propojení může odstranit přepisování dat, duplicity a zpoždění, aniž by firma budovala další centrální platformu.
Datový sklad začíná být zajímavější ve chvíli, kdy už nejde pouze o přenos. Potřebujete nad více zdroji vytvářet společný pohled, uchovávat historii a stejná data používat pro různé typy analýz.
Kdy už datový sklad dává smysl
V praxi bychom se dívali hlavně na několik signálů: data se pravidelně kombinují z více systémů, firma potřebuje historické pohledy, stejné KPI používá více oddělení, reporty vznikají ručně nebo si jejich výsledky odporují. Dalším důvodem může být situace, kdy nad stejnými daty chcete postupně stavět business intelligence (BI), predikce, automatizaci nebo AI.
AI je v tomto směru spíš další konzument dat než kouzelná zkratka. Pokud má asistent odpovídat na otázky typu „které zakázky mají nejhorší marži?“ nebo „proč se tento měsíc zhoršilo cash flow?“, potřebuje pracovat se spolehlivými daty a rozumět jejich významu. Nekonzistentní čísla se připojením AI sama nesrovnají.
U složitějších firem tak může datový sklad nebo společná datová platforma vytvořit stabilní základ, na kterém postupně vznikají další nástroje. Smysl má tehdy, když tuto společnou základnu skutečně využívá více procesů a rozhodnutí ve firmě.
Jednoduchý rozhodovací rámec
| Situace | Co bychom nejdřív zvažovali |
|---|---|
| Potřebujeme předat konkrétní data mezi dvěma systémy | Integraci |
| Všechna důležitá data už jsou v jednom systému | Lepší reporting nebo úpravu stávajícího systému |
| Pravidelně spojujeme data z několika aplikací | Datový sklad nebo společnou datovou vrstvu |
| Obchod, finance a provoz mají různé verze stejných KPI | Sjednocení definic a datového modelu |
| Potřebujeme analyzovat historii napříč systémy | Datový sklad |
| Jde o jednorázový report nebo malý problém | Možná nic nového |
| Chceme nad více firemními zdroji stavět BI, predikce nebo AI | Nejdřív společný a spolehlivý datový základ |
Tenhle rámec je samozřejmě zjednodušený. Firma může například nejdřív propojit ERP, CRM a další aplikace a datový sklad přidat až později, když začne společná data využívat pro více reportů a modelů. Jinde naopak dává smysl vytvořit centrální datovou vrstvu rovnou, protože zdrojových systémů je mnoho a reporting už dnes stojí na ručním skládání.
Nejčastější chyba je začít technologií
„Potřebujeme datový sklad“ zní jako zadání. Ve skutečnosti je to už návrh řešení. Stejně jako při zavádění AI se vyplatí začít u problému.
Na začátku bychom raději chtěli vědět, jaká rozhodnutí firma potřebuje dělat, která čísla k nim používá, kde vznikají a kolik práce dnes stojí jejich získání. Až potom má smysl rozhodovat, jestli potřebujeme datový sklad, integrační vrstvu, nový dashboard nebo zásah do stávajícího podnikového systému.
Tohle je důležité i kvůli provozu. Každá nová datová platforma přináší další integrace, monitoring, oprávnění, dokumentaci a odpovědnost za kvalitu dat. Pokud přínos není jasný, firma si může místo jednoduššího reportingu vytvořit další systém, o který se musí starat.
Datový sklad je prostředek
Správným výsledkem analýzy může být datový sklad. Stejně dobře ale může vyjít, že stačí propojit dva systémy, upravit podnikový software nebo odstranit několik ručních kroků.
Cílem je dostat správná data ke správným lidem ve chvíli, kdy podle nich potřebují rozhodovat. Velikost technického řešení má odpovídat velikosti problému.
Pokud dnes skládáte management reporting z několika systémů, čísla si odporují nebo si nejste jistí, jestli potřebujete integraci, datový sklad či nový informační systém, můžeme s vámi projít současnou architekturu a navrhnout nejjednodušší smysluplnou cestu. Popište nám současný stav a co potřebujete vyřešit.
Nejčastější otázky
Co je datový sklad?
Datový sklad je centrální datová vrstva určená hlavně pro reporting, analýzu a práci s historickými daty. Typicky sbírá informace z více zdrojových systémů a převádí je do společného modelu, nad kterým lze konzistentně počítat firemní ukazatele.
Jaký je rozdíl mezi datovým skladem a integrací?
Integrace obvykle řeší přenos nebo synchronizaci dat mezi konkrétními systémy. Datový sklad vytváří společný pohled nad více zdroji, uchovává historii a připravuje data pro reporting, analýzy a další využití.
Potřebuje datový sklad každá větší firma?
Ne. Velikost firmy sama o sobě není rozhodující. Podstatnější je počet zdrojů, četnost společného reportingu, potřeba historie a to, zda různé části firmy potřebují pracovat se stejnými definicemi dat.
Musíme mít datový sklad, pokud chceme ve firmě používat AI?
Ne vždy. Pro některé AI use cases stačí bezpečný přístup ke konkrétnímu systému nebo dokumentům. Pokud ale má AI pracovat s daty z více firemních systémů a odpovídat konzistentně na manažerské otázky, společná datová vrstva může být velmi důležitý základ.
