Vema je česká softwarová firma, která vyvíjí a dodává zákazníkům aplikace tvořící tzv. Best-of-Breed ERP systém (1). Konkrétně se jedná o:

• Aplikace pro podporu řízení lidských zdrojů (HRIS - Human Resources Information System) – zpracování mezd, personální evidence, docházkový systém, správa vzdělávání zaměstnanců apod.
• Aplikace pro podporu řízení podnikové ekonomiky, logistiky a řízení – účetnictví, fakturace, pokladna, majetky, sklady apod.

Portfolio našich aplikací se v poslední době rozrostlo také o podnikový systém pro správu obsahu (ECMS - Enterprise Content Management System) (2), který označujeme zkratkou SPM - Směrnice Pravidla Metriky (3). Hlavním účelem SPM je správa širokého rozsahu podnikových pravidel (označovaných jako Směrnice a Pravidla). SPM je určeno především pro podporu systémů managementu jakosti (QMS - Quality Management System). Velmi dobře se ale uplatní i v organizacích, které takový systém managementu jakosti nezavádějí.

Pod systémy managementu jakosti míníme systémy odvozené od standardu ISO 9001. Za více než dvacet let existence této normy vznikla totiž řada dalších standardů, které rozšiřují principy této normy do specifických oblastí fungování organizací a do různých průmyslových odvětví a služeb. Neoddělitelnou součástí takového systému managementu jakosti je systém procesních metrik. Nelze hledat kvalitu v procesech, které nejsou měřeny, a metriky pravidelně vyhodnocovány. Je tedy zcela přirozené, že byla aplikace SPM rozšířena o datový sklad procesních metrik. Nyní tedy může být aplikace SPM používána pro podporu systému řízení jakosti v širokém rozsahu podniků a dalších organizací.

Přirozeně první implementace SPM s datovým skladem procesních metrik proběhla právě ve společnosti Vema. V následujícím textu se budu zabývat řešením datového skladu procesních metrik. Použiji přitom specifické příklady procesů a jim odpovídajících procesních metrik ve společnosti Vema.

Požadavky na datový sklad

Datový sklad je skladištěm elektronicky ukládaných podnikových dat (5). Datové sklady jsou optimalizovány tak, aby upřednostňovaly operace prezentace dat a datové analýzy. Jaké jsou ale základní požadavky na datový sklad procesních metrik? Existuje široké portfolio podnikových procesů. Procesy, které hrají důležitou roli v systému managementu jakosti, jsou například:

• výrobní a logistické procesy,
• servisní procesy,
• prodejní a marketingové procesy,
• procesy personálního rozvoje a další.

Tomu odpovídá i široká škála procesních metrik. Takové metriky jsou často velmi heterogenní. Procesní metriky jsou určeny k měření podnikové výkonnosti (4). Procesní metriky se vyznačují standardy a příležitostí pro zlepšování. Procesní metriky jsou zpravidla numerické hodnoty a jako zdroje pro analýzy je můžeme sledovat z různých dimenzí. Typické dimenze procesních metrik jsou:

• časové období (např. den, měsíc nebo rok),
• prvek organizační struktury,
• výrobek nebo služba,
• projekt apod.

Navrhovaný datový sklad by měl být schopen ukládat všechny takové procesní metriky včetně jejich dimenzí. Z toho vyplývá, že datový model takového skladu musí být dostatečně univerzální. Model procesní metriky musí být schopen reprezentovat všechny typické dimenze a hodnoty použitých procesních metrik.

Některé procesní metriky jsou statistické hodnoty jako průměrná hodnota (například průměrná doba řešení požadavku na call centrum). A protože je nemožné zpracovávat průměry průměrů, je řešením hodnoty takové metriky strukturovaná numerická hodnota. Jako příklad strukturované numerické hodnoty bych uvedl dvojici – celková doba řešení požadavků na call centrum a počet těchto požadavků.

Řešení datového skladu

V souladu s požadavky z minulé kapitoly jsme vyvinuli datový sklad a implementovali jej. Na obrázku č. 1 můžete vidět základní komponenty datového skladu.

Obr. 1: Architektura datového skladu
(Klikněte na obrázek pro zvětšení)

Datový sklad procesních metrik se skládá ze tří hlavních částí: databáze metrik, datové pumpy a funkce pro prezentaci procesních metrik. Datové pumpy a prezentační funkce jsou napsány ve skriptovacím jazyku Python. Hlavní výhodou tohoto řešení je flexibilita. Prakticky jakýkoliv datový soubor (např. SQL databáze, XML soubor, sešit MS Excelu) může být zdrojem pro vyhodnocování procesních metrik. Pro databázi procesních metrik jsme použili univerzální datový model, takže do datového skladu je možno ukládat velmi širokou škálu metrik.

Nejprve se budu zabývat datovými zdroji procesních metrik. Pak se soustředím na databázi metrik a její datový model. A v následující části popíšu řešení datových pump a funkce prezentace procesních metrik.

Datové zdroje procesních metrik

Nyní se podíváme, kde můžeme najít datové zdroje procesních metrik v naší společnosti. Vema vyvíjí a dodává podnikové aplikace a poskytuje služby spojené s těmito aplikacemi. Provozuje call centrum, implementuje vlastní software, poskytuje aplikace formou služby SaaS (Software as a Service) a externí zpracování mezd. Hlavní datové zdroje můžeme vidět na obrázku č. 2.

Obr. 2: Datové zdroje procesních metrik
(Klikněte na obrázek pro zvětšení)

V našem případě mají všechny hlavní procesy velmi komplexní softwarovou podporu. Pro oblasti softwarového vývoje, servisní logistiky a řízení vztahů se zákazníky jsme vyvinuli speciální aplikace a v oblastech finančního řízení a řízení lidských zdrojů využíváme stejné podnikové aplikace, které dodáváme zákazníkům.

Logistika vývoje aplikací, call centra a řízení služeb

Pro podporu klíčových procesů vývoje aplikací, správy call centra a řízení služeb využívá společnost aplikaci PSV (Produkt a Služby Vema). Tato aplikace je bohatým zdrojem dat pro procesní metriky.

Řízení vztahů se zákazníky

V této oblasti je využívána specializovaná aplikace CRM (Customer Relationship Management). Také tato aplikace je významným zdrojem dat.

Finanční řízení

Zdrojem dat v oblasti finančního managementu jsou využívané aplikace z portfolia pro podnikovou ekonomiku Účetnictví a Majetek.

Řízení lidských zdrojů a Talent Management

Personální rozvoj je velmi důležitou součástí systému managementu jakosti a HR aplikace Vema jsou velmi komplexní. Jsou velmi užitečným zdrojem v personální oblasti.

Databáze procesních metrik

Pro veškeré ukládání dat aplikací, tedy i pro ukládání procesních metrik, používáme vlastní řešení databázového systému, který označujeme jako DBV (DataBáze Vema). Datovým modelem DBV je rozšířený relační model, který kromě relací umožňuje také sub-relace (tabulka v řádku) a variabilní sloupce v neklíčové části tabulky. Velkou výhodou řešení je velmi efektivní architektura aplikační server/tenký klient.

Datový model procesních metrik

Datový model metrik musí korespondovat s požadavky na potřebné dimenze a strukturované hodnoty metrik. Datová struktura metriky musí být natolik univerzální, aby pokryla všechny varianty dimenzí a hodnot. Datový model je definován v interních dokumentech společnosti Vema.

Nyní vysvětlím dimenze a hodnoty procesních metrik podle obrázku č. 3.

Každý řádek odpovídá jedné hodnotě určité procesní metriky. První sloupec Ukazatel reprezentuje identifikační číslo metriky. Například hodnota 3 v prvním řádku tabulky odpovídá metrice – počet úkolů řešených ve fázi vývoje aplikací.

Další čtyři sloupce jsou dimenze.

Sloupce Obdobi označuje časové období. Tato dimenze kategorizuje stavové nebo tokové hodnoty metriky za období (v našem případě 01.04.10 znamená za duben 2010).

Sloupec Utvar reprezentuje útvar organizační struktury. CVCR v dolních řádcích tabulky znamená za všechny organizační útvary Vema v ČR.

Sloupec Aplikace slouží ke kategorizaci metrik podle vyvíjených aplikací. BAN v posledním řádku například znamená aplikaci Banka, která zajišťuje elektronickou komunikaci účetního systému s bankami.

Poslední dimenze Dalsi dimenze může být u některých metrik využita pro další kategorizaci.

Obr. 3: Tabulka procesních metrik
(Klikněte na obrázek pro zvětšení)

Hodnoty metrik mohou být strukturovány. Všechny následující sloupce reprezentují strukturovanou hodnotu metriky.

Nejkomplexnější hodnotou metriky může být tabulka trojic numerických hodnot. Sloupec Klic je klíčem takové tabulky. Klíč může být použit jako další kategorizační položka metriky. V našem případě prvního řádku metriky počet řešených vývojových úkolů vidíme Klic=1, což znamená vývojové úkoly, které jsou opravou chyb (ty byly čtyři, což vidíte ve sloupci Hodnota1), Klic=2 v druhém řádku znamená vývojové úkoly, které řeší nové funkce v aplikacích (takových bylo šest, jak vidíte ve sloupci Hodnota1).

Sloupec Hodnota1 představuje vlastní numerickou hodnotu metriky, tabulka ještě obsahuje sloupce Hodnota2 a Hodnota3, které doplňují zmiňovanou trojici numerických hodnot. Pro vysvětlující příklad jsem zvolil jednoduché metriky jen s jednou hodnotou, takže jsou tyto sloupce prázdné a na obrázku je nevidíte.

Funkce datových pump

Datové pumpy jsou významnou částí řešení datového skladu. Datová pumpa je funkce, která transformuje data z primárního datového zdroje na procesní metriku uloženou v datovém skladu.

Primární datové zdroje jsou uloženy v různých databázích. V případě naší implementace je většina dat uložena v homogenních databázích DBV.

Ovšem v případě dalších implementací je pravděpodobné, že zdroje budou mnohem více heterogenní. Podniky používají různé integrované podnikové systémy. Data v takových systémech jsou obvykle uložena v SQL databázích. V některých případech jsou důležité primární údaje uloženy v sešitech MS Excelu nebo v jiných souborech. Je zřejmé, že velmi důležitým rysem datových pump je schopnost integrovat data z mnoha zdrojů. Existuje řada technologií, které umožňují takovou integraci zdrojů.

Jednou z nejnadějnějších technologií je použití skriptovacího jazyka Python (6), a právě tuto technologii jsme využili také my. Datové pumpy napsané v Pythonu umožňují prakticky libovolnou transformaci primárních dat do procesních metrik. S využitím objektů v Pythonu můžeme snadno zapouzdřit libovolný datový zdroj (DBV databáze, SQL databáze, sešit MS Excelu, XML soubor, datový zdroj z Google Analytics apod.). Při psaní datových pump byla vytvořena univerzální agregační funkce, která plně využívá datové struktury Pythonu, jako jsou seznamy, n-tice a adresáře.

Funkce prezentace metrik

Z technologií, které mohou být použity pro prezentaci procesních metrik z datového skladu, jsme vybrali jednoduché řešení prezentace ve formě grafů MS Excelu.

Datový sklad je integrální součástí aplikace SPM, a to je intranetová aplikace. Funkce prezentace metrik generuje grafy v MS Excelu. Tato funkce používá MS Excel API (z anglického Application Programming Interface) (8). Vygenerované grafy jsou uloženy jako součást dynamických webových stránek. Výsledek prezentační funkce můžeme vidět na obrázku č. 4. Prezentační funkce je také napsána v Pythonu. Přidání nového grafu je velmi jednoduché. Stejně jako v případě datových pump, i tady využíváme vlastností univerzálních datových struktur v Pythonu.

Obr. 4: Prezentace procesních metrik
(Klikněte na obrázek pro zvětšení)

Ve skriptovacím jazyku Python je velmi jednoduché změnit prezentační technologii. Například je jednoduché generovat jiné typy intranetových grafů nebo třeba kontingenční tabulky z MS Excelu.

Shrnutí a perspektiva dalšího vývoje

Datový sklad procesních metrik je nedílnou součástí aplikace SPM, která je podporou systému managementu jakosti.

Datový sklad procesních metrik se skládá z těchto hlavních komponent: databáze procesních metrik, funkce datových pump a funkce prezentace metrik.

Pro ukládání procesních metrik používá společnost Vema své vlastní řešení databázového systému. Hlavní výhodou tohoto řešení je efektivita, která je důležitá v případě uložení rozsáhlé databáze metrik. Funkce datových pump a prezentační funkce jsou napsány ve skriptovacím jazyku Python. Jedná se o velmi flexibilní řešení, které umožňuje téměř neomezenou škálu datových zdrojů. Prakticky libovolný soubor (libovolná databáze, sešity MS Excelu, XML a další textové soubory aj.) může být použit jako datový zdroj procesních metrik. Pro prezentační funkci využíváme grafy MS Excelu. Prezentační funkce generuje grafy, které jsou součástí dynamických webových stránek.

V budoucnu plánujeme přidat nové typy procesních metrik. Mohou to být například kontingenční tabulky nebo kontingenční grafy z MS Excelu. Plánujeme také vyvinout nové nástroje pro podporu implementace SPM u zákazníků. Každá organizace je jiná, potřebuje jiné procesní metriky a používá jiné datové zdroje.

Literatura

1. SODOMKA, Petr. Informační systémy v podnikové praxi. Brno: Computer Press, 2006. ISBN 80-251-1200-4.
2. Enterprise content management. Wikipedia, The Free Encyclopedia [online]. 2008 [cit. 2008-10-27]. WWW: http://en.wikipedia.org/wiki/Enterprise_Content_Management.
3. ŠMARDA, Jaroslav. Systém pro správu podnikových pravidel. Centrum pro výzkum informačních systémů [online]. 12.2008, 2, [cit. 2010-04-25]. WWW: http://www.cvis.cz/eng/hlavni.php?stranka=novinky/clanek.php&id=43. ISSN 1214-9489.
4. About.com, a part of The New York Times Company [online]. 2010 [cit. 2010-04-25]. Small Business Information. WWW: http://sbinformation.about.com/od/startingabusiness/l/bldef_metric.htm.
5. Data warehouse In Wikipedia : the free encyclopedia [online]. St. Petersburg (Florida) : Wikipedia Foundation, , 2010-04-27 [cit. 2010-04-29]. WWW: http://en.wikipedia.org/wiki/Data_warehouse.
6. Python (programming language) In Wikipedia : the free encyclopedia [online]. St. Petersburg (Florida) : Wikipedia Foundation, , [cit. 2010-04-30]. WWW: http://en.wikipedia.org/wiki/Python_(programming_language).
7. API In Wikipedia : the free encyclopedia [online]. St. Petersburg (Florida) : Wikipedia Foundation, , [cit. 2010-05-02]. WWW: http://cs.wikipedia.org/wiki/API.[cit.28.4.2010]

05.02.2011 - Jaroslav Šmarda - četlo 27148 čtenářů.

Tento článek ješte není ohodnocen.

Hodnocení článku: nejlepší [ 1 | 2 | 3 | 4 | 5 ] nejhorší

Diskusní fórum ke článku
Jméno
E-mail
Opište kód :
Text *)