Automatizace zpracování ﬁnančních výkazů · ness Intelligence as well as the speciﬁcs of...

Mendelova univerzita v BrněProvozně ekonomická fakulta

Automatizace zpracování finančníchvýkazů

Diplomová práce

Vedoucí práce:Ing. Pavel Turčínek, Ph.D. Bc. David Sochora

Brno 2015

2

Rád bych poděkoval především svému mentorovi Ing. Michalu Hodinkovi, Ph.D.za odborná školení, praktické rady a zkušenosti, které mi ochotně předal. Také zatrpělivost, kterou se mnou měl v celém průběhu zpracování diplomové práce. Rádbych také poděkoval Ing. Pavlu Turčínkovi, Ph.D. za příkladné metodické vedení aposkytnutí cenných rad a připomínek.

Čestné prohlášeníProhlašuji, že jsem tuto práci: Automatizace zpracování finančních výkazůvypracoval samostatně a veškeré použité prameny a informace jsou uvedeny v se-znamu použité literatury. Souhlasím, aby moje práce byla zveřejněna v souladus § 47b zákona č. 111/1998 Sb., o vysokých školách ve znění pozdějších předpisů,a v souladu s platnou Směrnicí o zveřejňování vysokoškolských závěrečných prací.Jsem si vědom, že se na moji práci vztahuje zákon č. 121/2000 Sb., autorský zákon,a že Mendelova univerzita v Brně má právo na uzavření licenční smlouvy a užití tétopráce jako školního díla podle § 60 odst. 1 Autorského zákona.Dále se zavazuji, že před sepsáním licenční smlouvy o využití díla jinou osobou(subjektem) si vyžádám písemné stanovisko univerzity o tom, že předmětná licenčnísmlouva není v rozporu s oprávněnými zájmy univerzity, a zavazuji se uhradit pří-padný příspěvek na úhradu nákladů spojených se vznikem díla, a to až do jejichskutečné výše.

V Brně dne 15. května 2015 ................................................................

5

AbstractSOCHORA, D. Automating the financial data processing. PEF MENDELU, Brno,2015

This thesis deals with automating the financial data processing for the needsof auditors. In the theoretical part is described the process of transfering financialdata between companies and standards defining their format. The following sectiondescribes the procedure for export of financial data from the SAP system and theirtransformation to the Business Intelligence tools, where is processing and visuali-zation part. The main aim of the work is to design and implement BI applicationaccording to given specification. There is description of the general principle of Busi-ness Intelligence as well as the specifics of tools used, QlikView and Qlik Sense. Thepractical part of the thesis is focused on app features presentation and quantificationof economic benefit for the particular company in comparison to the actual testingprocedures used for financial data testing. The conclusion is devoted to analyzingthe practical usage of the application and evaluation of set goals.Keywords: QlikView, Qlik Sense, Business Intelligence, Diploma thesis.

6

AbstraktSOCHORA, D. Automatizace zpracování finančních výkazů. Diplomová práce. PEFMENDELU, Brno, 2015.

Diplomová práce se zabývá automatizací procesu zpracování finančních dat propotřeby auditorů. V literárním přehledu je popsána problematika přenosu finanč-ních výkazů mezi podniky a standardy definující jejich formát a obsah. Následněje popsán postup pro export finančních výkazů ze systému SAP a jejich následnýpřenos do Business Intelligence nástrojů, kde probíhá jejich zpracování a vizualizace.Hlavní náplní práce je návrh a implementace BI aplikace dle specifikace zadavatele.Je zde popsán obecný princip Business Intelligence i konkrétní specifikace použitýchnástrojů QlikView a Qlik Sense. Součástí praktické části je popis vytvořené apli-kace a vyčíslení ekonomického přínosu pro zadavatelskou firmu. Pomocí kalkulaceje vyčíslena úspora při využití navržené aplikace v porovnání s aktuálními postupytestování finančních dat. Závěr práce je věnován analýze využití aplikace v praxia zhodnocení stanovených cílů.Klíčová slova: QlikView, Qlik Sense, Business Intelligence, Diplomová práce.

OBSAH 7

Obsah1 Úvod a cíl práce 9

1.1 Úvod . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91.2 Cíl práce . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10

2 Literární přehled 112.1 Standardy pro finanční reporting . . . . . . . . . . . . . . . . . . . . 11

2.1.1 IFRS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 112.1.2 XBRL . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12

2.2 SAP . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 132.3 Business Intelligence . . . . . . . . . . . . . . . . . . . . . . . . . . . 14

2.3.1 Architektura BI . . . . . . . . . . . . . . . . . . . . . . . . . . 162.3.2 ETL procesy . . . . . . . . . . . . . . . . . . . . . . . . . . . 162.3.3 Datový sklad . . . . . . . . . . . . . . . . . . . . . . . . . . . 172.3.4 Datové tržiště . . . . . . . . . . . . . . . . . . . . . . . . . . . 172.3.5 OLTP a OLAP . . . . . . . . . . . . . . . . . . . . . . . . . . 182.3.6 Technologie In-memory . . . . . . . . . . . . . . . . . . . . . 182.3.7 Self-service BI . . . . . . . . . . . . . . . . . . . . . . . . . . . 192.3.8 Reporting . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 202.3.9 Dashboard . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20

2.4 Data mining . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 202.5 Big data . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 242.6 Cloud computing . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 252.7 QlikView . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26

2.7.1 Zmapování trhu BI nástrojů . . . . . . . . . . . . . . . . . . . 272.7.2 Architektura . . . . . . . . . . . . . . . . . . . . . . . . . . . 292.7.3 In-memory . . . . . . . . . . . . . . . . . . . . . . . . . . . . 312.7.4 Asociativní datový model . . . . . . . . . . . . . . . . . . . . 322.7.5 Instalace . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33

2.8 Qlik Sense . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33

3 Metodika práce 353.1 Příprava dat . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35

3.1.1 Zdroje dat . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 353.1.2 Čištění dat . . . . . . . . . . . . . . . . . . . . . . . . . . . . 373.1.3 Tvorba datového modelu . . . . . . . . . . . . . . . . . . . . . 383.1.4 Načítání dat . . . . . . . . . . . . . . . . . . . . . . . . . . . 38

3.2 Vizualizace dat v QlikView . . . . . . . . . . . . . . . . . . . . . . . . 403.2.1 Výběr . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43

3.3 Vizualizace dat v Qlik Sense . . . . . . . . . . . . . . . . . . . . . . . 44

OBSAH 8

4 Výsledky práce 474.1 Návrh aplikace . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 474.2 Tvorba aplikace . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48

4.2.1 QlikView . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 484.2.2 Qlik Sense . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 524.2.3 Srovnání QlikView a Qlik Sense . . . . . . . . . . . . . . . . . 54

4.3 Testování aplikace . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55

5 Diskuze 59

6 Závěr 61

7 Reference 62

8 Přílohy 66

1 ÚVOD A CÍL PRÁCE 9

1 Úvod a cíl práceFirmy svým provozem generují velké množství dat. Ta pochází z různých oblastífirmy, jako je výroba, logistika, marketing, finance a další. Všechna data se ukládajído databází a jejich množství roste exponenciálním způsobem. To způsobuje nejenčím dál větší závislost firem na IT systémech, ale i zvyšující se náklady na jejichpořízení a správu. Pro firmy není měřítkem úspěchu množství produkovaných dat,ale efektivita jejich využití. Mnoho firem totiž svá data neumí efektivně využívata neumí z nich získat žádnou přidanou hodnotu. Firmy, které to umí, tím pak zís-kávají konkurenční výhodu. Jejich manažeři jsou díky efektivní analýze dat schopnídělat lepší rozhodnutí, které mohou mít vliv na fungování celé společnosti.

1.1 ÚvodOblast zabývající se efektivním využíváním dat pro podporu rozhodování, se nazýváBusiness Intelligence (BI). BI nástroje tedy umožní podnikům provádět sofistiko-vané analýzy vnitropodnikových dat a výsledky prezentovat na všech úrovních ma-nagementu. Pojem Business Intelligence zahrnuje procesy zajišťující sběr dat, jejichanalýzu a následnou vizualizaci koncovým uživatelům. Proces zavádění BusinessIntelligence ve firmě není jednoduchý a vyžaduje aktivní přístup ze strany firmy.Často je potřeba změnit zavedené procesy ve firmě a třeba i její strategické cíle.Firma musí být schopna rychle reagovat na měnící se podmínky, aby co nejvíce vy-užila potenciál, který se v BI skrývá. Zavedení se často provádí v první fázi pouzepro management podniku. Na základě jejich spokojenosti se může v další fázi rozšířitdo dalších oblastí firmy. Čím více zaměstnanců je zapojeno do BI, tím větší přínosby mělo mít pro firmu.

Existují společnosti, které produkují enormní množství dat. Ať už kvůli jejichvelikosti nebo zaměření. Od určitého množství se jedná o tzv. Big Data. Tento po-jem bude dále v práci blíže představen. Jeden z mnoha moderních trendů je CloudComputing. Jedná se o technologický model využívající internet k poskytování apli-kací a služeb na serverech, kde k nim mají přístup uživatelé odkudkoliv. Uživateléneplatí za vlastní software ani hardware, ale platí pouze měsíční poplatky za pří-stup ke službě, za předpokladu, že je placená. Oblast Big Data i Cloud Computingblízce souvisí s Business Intelligence. Dodavatelé BI řešení jsou často velmi ino-vativní a progresivní společnosti, které jsou poměrně rychle schopny reagovat napožadavky trhu. Díky jejich technologiím se provádějí datové analýzy nad obrov-ským množstvím dat, což ještě donedávna nebylo možné. Moderní BI společnostijiž nabízí své produkty i v prostředí Cloud. To přináší pro koncové zákazníky po-měrně velkou změnu. Zákazník si tak nemusí budovat vlastní infrastrukturu pro BI.Veškerou infrastrukturu si může od poskytovatele pronajmout a přistupovat k BIjako ke službě dostupné přes webové rozhraní svého internetového prohlížeče. Tímpádem zákazníkovi odpadají starosti s budováním vlastní infrastruktury, správoutechnologií i poruchami hardwaru.

1.2 Cíl práce 10

Business Intelligence může mít i jiné využití, než je podpora rozhodování ma-nagementu. Ikdyž tento případ využití je nejčastější, existují i další možnosti uplat-nění. Jedním takovým příkladem se zabývá tato práce. Zde bude Business Intelli-gence využito jako nástroj pro zefektivnění práce auditorů při testování finančníchdat.

1.2 Cíl prácePráce se zabývá možnostmi využití Business Intelligence nástrojů pro účely testo-vání finančních dat. V rámci dílčích cílů bude nastudována problematika přenosufinančních dat mezi podniky, export finančních dat z ERP systému SAP a možnostivyužití Business Intelligence nástrojů pro zpracování a vizualizaci finančních dat.

Hlavní náplní práce je návrh a implementace BI aplikace dle specifikace za-davatele. Aplikace bude navržena pomocí Use Case diagramu a bude testována natestovacím vzorku dat. Po odstranění případných nedostatků bude provedena da-tová analýza a vizualizace dat, která bude schopna zpracovat účetnictví libovolnéspolečnosti za jeden finanční rok, označit potenciálně chybně zaúčtované operacea vizualizovat výsledky. Cílem aplikace je dosáhnout zefektivnění práce auditorů.Na základě provedeného měření bude vyčíslen ekonomický přínos aplikace pro za-davatelskou firmu při využití vytvořené aplikace v porovnání s aktuálními postupytestování finančních dat.

2 LITERÁRNÍ PŘEHLED 11

2 Literární přehledV rámci kapitoly bude popsána teorie a důležité pojmy, které je nutné znát předprací na praktické části této diplomové práce. V úvodu jsou popsány souvislosti sevznikem standardů pro tvorbu a přenos finančních výkazů. Dále jsou prozkoumánymožnosti extrakce dat z ERP systému SAP. Velká část kapitoly se věnuje BusinessIntelligence, kde bude rozebrána definice, architektura i procesy, které s tímto po-jmem souvisí. Dále zde budou popsány techniky Data miningu, Big Data a CloudComputingu, které souvisí s moderním přístupem k Business Intelligence. Závěrkapitoly je věnován představení BI nástrojů QlikView a Qlik Sense od společnostiQlikTech.

2.1 Standardy pro finanční reportingVzhledem k rozvoji informačních a telekomunikačních technologií v posledním deseti-letí musejí firmy zpracovávat a uchovávat stále větší množství dat. Rozvoj možnostípro přenos dat mezi různými subjekty však nebyl tak rychlý. Firmy rozvíjely svésystémy, aby byly schopné zpracovávat požadované množství dat, ale nerozvíjely setolik možnosti jejich výměny a sdílení s jinými subjekty. Mezi konkrétními firmamivznikaly dohody o sdíleném formátu pro snadnější výměnu dat. Často však chybělstandardizovaný formát pro sdílení dat s libovolným subjektem. Tento problém na-stával i v případě přenosu finančních dat. Mimo jiné i díky globalizaci ekonomikyzačalo docházet k vytváření standardních formátů, aby bylo možné například vedenéfinanční data sdílet pomocí internetu a analyzovat je na jiné pobočce v jiném státě.

2.1.1 IFRS

Z důvodu globalizace vznikla potřeba standardizovat účetní uzávěrky v celosvěto-vém měřítku. Nejen kvůli výměně dat mezi podniky, ale i kvůli sjednocení účetnictvív rámci jedné firmy. Pokud se například mateřská společnost skládá z několika dal-ších firem, které se nacházejí v různých státech, je potřeba sjednotit účetní uzávěrkypro celou firmu. Z toho důvodu vznikl standard IFRS (International Financial Re-porting Standards). Česká pobočka zahraniční firmy tak účtuje jak v českém účetnic-tví, tak v IFRS. Potřeba IFRS vychází z historického vývoje účetnictví. Jako prvníse globální harmonizace začala řešit ve Spojených státech amerických ve 30. letech20. století, kdy AICPA (Institut autorizovaných účetních a auditorů) vypracovalkoncept některých oblastí z finančního a účetního výkaznictví. Celosvětově platnástandardní forma účetních uzávěrek je zatím ve vývoji. IFRS je však uznávána vevětšině států jako základní norma pro sestavování účetních uzávěrek a momentálněse jedná o nejpoužívanější normu na světě. Normu IFRS bere jako východisko prosestavování uzávěrek i celá řada firem v České republice. Především se jedná o spo-lečnosti, jejichž cenné papíry jsou obchodovány na veřejném trhu nebo jsou součástíkonsolidovaného celku. Stejně jako v ostatních zemích Evropské unie jim to jakopovinnost ukládá zákon o účetnictví. (Sládková, 2013)

2.1 Standardy pro finanční reporting 12

2.1.2 XBRL

Pomocí IFRS byla definována forma finančních dat. Dalším problémem však bylostandardizovat formát pro samotný přenos dat. Nejvhodnější řešení problému s pře-nosem dat nabízely značkovací jazyky založené na formátu XML (eXtended MarkupLanguage). Jazyk XML je obecný značkovací jazyk, který je možné použít na datas jakýmkoliv zaměřením. Jako nadstavba XML byl vytvořen formát XBRL (eXten-ded Business Reporting Language), který se využívá ke komunikaci podnikovýchdat. Nejedná se o nový účetní standard, protože nereguluje obsah předávaných dat,ale pouze jejich význam. O regulaci obsahové části se postarají jiné standardy, na-příklad mezinárodní standard účetního výkaznictví IRFS. XBRL tedy zabezpečujeefektivní přenos účetních informací a reguluje jejich významovou čitelnost.

Dokument XML, tedy i XBRL, tvoří kombinace informací a značek. Aby bylomožné potřebné informace z dokumentu vyčíst je potřeba použít proces zvaný par-sing, který realizuje XML procesor. Proces se skládá ze třech bloků, které jsou po-psány na obr. 1. Na jedné straně je XML dokument, který čeká na zpracování. Naopačné straně je aplikace, pro kterou je XML dokument vstupem a případně i vý-stupem. Mezi nimi se nachází třetí blok, představující parser, který připravuje XMLdokument pro danou aplikaci (Gála, Pour, Šedivá, 2009).

Obrázek 1: Princip fungování XML parseru. Zdroj: (Gála, Pour, Šedivá, 2009)

Nezisková organizace XBRL International, která je tvůrcem a správcem stan-dardu XBRL, byla založena v New Yorku v roce 1998. Hlavním iniciátorem vytvořeníorganizace byla Americká komora auditorů (AICPA). Organizace XBRL Internationfunguje na principu přerozdělování pravomocí na individuální jurisdikce, které se na-cházejí v jednotlivých zemích a jsou taktéž neziskové. Jejich cílem je prosazení XBRLv dané zemi, a to především tvorbou taxonomií a aplikací XBRL v různých oblas-tech použití. Jurisdikce na národní úrovni musí být schváleny, aby dosáhly členstvív XBRL International a tím zároveň získají právo podílet se na řízení celosvětovéorganizace (Kadeřábek, 2007).

2.2 SAP 13

I přes všechny výhody, které XBRL přináší, není jeho nasazení v praxi jed-noduché. Velký vliv na to mají regulační orgány, které mohou stanovovat pravidlapro zveřejňování podnikových dat. Mezi instituce, které mají tuto pravomoc patříkomise pro cenné papíry, centrální banka, komerční banky, vláda, kontrolní úřadynebo statistické úřady. Tyto orgány vydávají regulační pravidla, do kterých mo-hou přidat povinnost použití formátu XBRL. V České republice je rozvoj standarduXBRL spojen s nástupem Mezinárodních standardů finančního výkaznictví IFRS(Ištvánfyová, Mejzlík, 2006).

Finanční výkazy se v dnešní době nevytvářejí ručně, ale vytvářejí je automati-zované systémy. Proto se klade velký důraz na kontrolu systémů, které s finančnímidaty pracují. (PwC, 2014) Dnešní informační systémy zvládají zpracovávat data veformátu XBRL a díky tomu podniky snižují časové i finanční náklady, které vyna-kládají uživatelé jak uvnitř, tak vně podniku na analyzování dat. Cílem do budoucnaje, aby se účetní výkazy sestavené podle IFRS distribuovali ve formátu XBRL. Datatak budou čitelná a srozumitelná pro libovolný počítač. (Kadeřábek, 2007).

Otázkou zůstává, kdo se může s formátem XBRL v praxi setkat. Dle XBRLInternational (2015) jsou to především:

• Zaměstnanci, kteří se na vytváření XBRL dokumentů podílí

• Investoři, kteří sledují aktuální reporty i aktivitu konkurence

• Akademičtí pracovníci, kteří díky standardizovanému formátu mohou jednodu-šeji provádět výzkumy jednotlivých společností i trhu jako celku

• Auditoři, kteří díky XBRL mohou snadno provádět automatizované hloubkovéanalýzy svých klientů

• Regulátoři, kteří mohou sledovat fungování trhu zevnitř a pracovat na optima-lizaci a vývoji XBRL

2.2 SAPVýměna finančních dat, ať už ve formátu XBRL, či jiném formátu, probíhá meziinformačními systémy podniků. Nejpoužívanějším systémem ve velkých podnicíchje SAP. Společnost SAP byla založena v roce 1972 v Německu a patří mezi největšíproducenty podnikového softwaru. Mezi nejznámější produkty firmy patří ”SAPR/3”, komplexní ERP systém pro řízení velkých podniků, a SAP Business One,který je zaměřen na střední a malé podniky. SAP používá pro implementaci svýchproduktů vlastní proprietární jazyk ABAP. Díky své otevřenosti umožňuje systémSAP snadnou integraci s dalšími moduly a aplikacemi prostřednictvím vlastníchrozhraní a integračních nástrojů (Versino, 2013).

Export finančních dat ze systému SAP lze provést několika způsoby. Nejdříveje však potřeba definovat, co je myšleno pojmem finanční data. Pro potřeby tétopráce se jedná o data obsahující účetnictví. Každý účetní doklad se v SAPu ukládá

2.3 Business Intelligence 14

do dvou tabulek. Hlavička dokladu se zapisuje do tabulky s názvem BKPF. TabulkaBSEG pak obsahuje jednotlivé účetní položky dokladu. V příslušné aplikaci systémuSAP je možné tyto tabulky exportovat do formátů TXT, CSV nebo XLS.

Obrázek 2: Princip přístupu k datům SAPu přes QlikView konektor. Zdroj: (QlikTech,2011)

Další možností je importovat tabulky ze systému SAP přímo do BI nástrojeQlikView. Tento krok standardně SAP nepodporuje. Lze však zakoupit komerčníQlikView connector for SAP, který je schopný se připojit k datovému skladu sys-tému SAP a získat tím přístup ke čtení dat. V našem případě k účetnictví, kteréspravuje FI modul. QlikView konektor je kompatibilní s verzí SAPu R/3 4.7 a no-vější. Samotný konektor se skládá z pěti částí (SQL Connector, Query Connector,Report Connector, OLAP Connector, DSO/ODS Connector), které jsou znázorněnyna obr. 2. První část konektoru je nainstalována do systému SAP a druhá část tvořítzv. QlikView SAP Connector Client. Přenos dat využívá SNC (Secure NetworkCommunication), což je technologie SAPu, která zajistí zabezpečenou komunikacinejen mezi jednotlivými komponentami SAPu, ale také mezi SAPem a QlikViewkonektorem (QlikTech, 2011).

2.3 Business IntelligencePojem Business Intelligence se neustále vyvíjí a je používán v různých oblastech,proto není snadné jej přesně definovat. V této práci bude brán pojem Business


Intelligence z pohledu informatiky, kde je vnímána především technická stránka danéoblasti zahrnující práci s daty, informačními systémy a podnikovými aplikacemi.Pojem také zahrnuje efektivní analýzy dat, získávané za cílem poskytovat podnikurelevantní informace pro rozhodování.

Jedna z definic říká, že Business Intelligence je: ”Sada procesů, aplikací a tech-nologií, jejichž cílem je účinně a účelně podporovat rozhodovací procesy ve firmě.Podporují analytické a plánovací činnosti podniků a organizací a jsou postavenyna principech multidimenzionálních pohledů na podniková data“ (Novotný, Pour,Slánský, 2005). Podle společnosti Gartner (2013) je Business Intelligence definovánajako: ”Zastřešující pojem, který zahrnuje aplikace, infrastrukturu, nástroje a bestpractices, jež umožňují přístup k analýze a informacím důležitým pro zlepšení rozho-dování a optimalizaci výkonnosti.“ Jiná definice pojem vymezuje jako: ”Sadu teorií,metodologií, architektur, procesů a technologií, co transformují nezpracovaná datado využitelných a užitečných informací, použitelných pro business účely a rozhodo-vání“ (Olivia, 2009).

Pojem Business Intelligence (zkráceně BI) vznikl na konci 60. let, kdy se o němzmínil zaměstnanec IBM Hans Peter Luhn (1958) ve svém článku A Business In-telligence System v magazínu IBM Journal of Research and Development. Zde jejdefinoval jako: „”schopnost pochopit vzájemné vztahy prezentovaných faktů takovýzpůsobem, který umožní provést akci k dosažení požadovaného cíle.“ Jedná se spíšeo teoretické vymezení pojmu, které v rámci podnikových informačních systému patřído oblasti systémů pro podporu rozhodování (Decicion Support Systems). Pozdějibyla vytvořena modernější definice, kterou v roce 1989 zveřejnil analytik společnostiGartner Howard Dresner. Pojem popisuje jako: ”zastřešující pojem pro konceptya metody zlepšující obchodní rozhodování za využití podpůrných systémů pracují-cích s fakty.“

V České republice je nyní pojem Business Intelligence velmi často používána pomáhá tomu i fakt, že neexistuje ekvivalentní výraz v českém jazyce. BI nástrojese začaly v praxi používat ve větší míře až ve druhé polovině 90. let minulého století,kdy firmy měly dostatečné množství dat a byly k dispozici výkonnější servery, kteréposkytovaly na provádění analýzy dostatečný výpočetní výkon (Zikmund, 2012).

Business Intelligence platforma je důležitou součástí velkých podniků, která byměla poskytovat následující:

• Srozumitelné informace a nástroje, které odpovídají potřebám uživatelů. Mělyby být snadno použitelné, spolehlivé a jednoduché na naučení.

• Relevantní informace směřující k vedení podniku na všech úrovních manage-mentu včas a ve správném formátu, aby mohl management podniku sledovatvýkonnost a měřit úspěšnost produktů, služeb či strategií.

• Možnosti, které zajistí účinné a flexibilní analýzy a reporty, které budou efek-tivně využívat veškeré datové zdroje.


V následujících podkapitolách budou představeny důležité pojmy, které je po-třeba nastudovat k pochopení výše uvedených definic i samotného principu fungováníBusiness Intelligence.

2.3.1 Architektura BI

Business Intelligence může mít různou strukturu, která závisí od konkrétního řešení.Jeden z typů je zobrazen na obr. 3. V klasickém přístupu k BI se data ukládají dodatového skladu (Data Warehouse). Zdroji dat jsou nejčastěji podnikové informačnísystémy typu ERP (Enterprise Resource Planning), CRM (Customer RelationshipManagement) nebo SCM (Supply Chain Management). Data se však mohou čer-pat z libovolných zdrojů, například ze sociálních sítí. Data se do datového skladudostávají ETL procesy. Následně jsou data transformována do OLAP kostky, kteráumožní zkoumání dat z různých dimenzí. To je jedna z klíčových vlastností BI. Dalšíanalýza může probíhat metodou dolování dat (data mining) nebo mohou být datapoužita pro klasický reporting založený na matematických a statistických operacích.

Obrázek 3: Zjednodušená struktura Business Intelligence. Zdroj: (Humphries, 2015)

2.3.2 ETL procesy

ETL (Extract, Transform, Load) procesy zajišťují transformaci dat mezi transakč-ními databázemi zdrojových systémů a centrálním datovým skladem. ETL nástroje,někdy označovány jako datové pumpy, tedy zajišťují získávání dat z různých zdrojů(Extract), transformaci dat (Transform) a načítání dat (Load). Data nemohou býtpřenesena přímo bez patřičných úprav. Během transformace musí být data opti-malizována pro dosažení co nejvyšší efektivnosti datového skladu, protože čím lépebudou provedeny ETL procesy, tím kvalitnější data budou v datovém skladu. Datajsou v této části procesu očištěna o duplicitní záznamy a nekompletní či nepotřebná


data. Probíhá zde také konverze do správného datového typu, upravování dat a spo-jování dat z různých zdrojů. ETL procesy jsou časově náročné, nákladné a důležité,protože na jejich výsledcích staví další vrstvy. Čím více datových zdrojů je pou-žito, tím je celý proces náročnější. Provedení je možné například pomocí nástrojeIntegration Services, který je součástí Microsoft SQL serveru (Vavruška, 2003).

2.3.3 Datový sklad

Datový sklad patří mezi nejdůležitější komponenty BI. Jeden z jeho zakladatelů BillInmon vytvořil následující definici: ”Datový sklad (Data Warehouse) je integrovaný,subjektově orientovaný, stálý a časově rozlišený souhrn dat, uspořádaný pro podporupotřeb managementu“ (Novotný, Pour, Slánský, 2005). Datový sklad je centrálněřízená integrovaná databáze, která by měla obsahovat strukturovaná a časově roz-lišená data, aby bylo možné provádět multidimenzionální analýzy. Jeho cílem jeposkytovat v co nejkratším čase odpovědi na dotazy. Výsledky dotazů slouží jakopodpora pro rozhodování řídícím pracovníkům podniků. V datovém skladu probí-hají dva základní procesy. Prvním z nich je plnění daty a druhý je přístup k datům.Neprovádějí se zde žádné úpravy, transformace ani mazání dat.

Data uložená v datovém skladu musí splňovat několik vlastností:

• Subjektivita - Data jsou ukládána tak, aby byla rozlišitelná podle předmětuzájmu a ne jen podle zdroje.

• Integrita - Data jsou před uložením do datového skladu transformována podlestandardizovaného tvaru, aby mohla být vytvořena centrální databáze s datyz různých zdrojů. Tím je zajištěna integrita dat, tedy možnost jejich využití procelý podnik.

• Časové rozlišení - Data by měla obsahovat informaci o čase, aby bylo možnéprovádět analýzy dat za konkrétní časové období a sledovat vývoj vybranýchukazatelů v čase.

• Stálost - Uložená data není možné modifikovat ani smazat. Datový sklad lzepouze plnit novými daty, které se často provádí v pravidelných časových inter-valech.

2.3.4 Datové tržiště

Datové tržiště (Datamart) je podobné datovému skladu. Jedná se o podmnožinudatového skladu, kdy data jsou zaměřena pro konkrétní účel, například se můžejednat analytickou databázi směřující zabezpečená data na jedno oddělení firmy.Firma tak může mít i více datových tržišť směřující na různá oddělení. Datovétržiště tvoří základ multidimenzionální analýzy. ”Datové trhy (anglicky datamart)jsou určité přesně specifikované podmnožiny datového skladu, které jsou určeny promenší organizační složky firmy“ (Lacko, 2006).


Datová tržiště mohou být implementovány různými způsoby. Jedním z nichmůže být vytvoření dynamického pohledu (View), který může kombinovat dataz různých tabulek. Snadno se vytváří i edituje a hlavní výhodou je, že nezabírážádnou diskovou kapacitu, protože pouze odkazuje na zdrojová data. Pro rychlouodezvu dotazů je potřeba poměrně vysoký výpočetní výkon.

Další možností jsou dynamicky vytvářené pohledy na předem připravené ta-bulky. Jejich optimalizací lze dosáhnout snížení odezvy na dotazy. Je však potřebapočítat s zvýšenými nároky na kapacitu disků.

2.3.5 OLTP a OLAP

Online analytical processing (OLAP) zahrnuje technologie, procesy a metody, kterése nachází v datových skladech a Business Intelligence systémech. Tak jako datovýsklad a ETL procesy se starají o získání, zpracování a ukládání dat, OLAP nástrojek nim tvoří prezentační vrstvu umožňující data analyzovat a vizualizovat. OLAPumožňuje uživatelům ad-hoc analýzu multidimenziálních dat. Například manažeřitím získají rychlý a interaktivní přístup k efektivní analýze dat, na která je možnánahlížet z různých úhlů pohledu.

Rozdíl oproti standardnímu přístupu Online Transaction Processing (OLTP) jehlavně v účelu použití. OLTP slouží k ukládání operativních dat, které produkujípodnikové systémy za účelem optimalizace a automatizace běžných procesů, kterése v podniku provádějí. Z toho důvodu je kladen velký důraz na dodržování 3.normální formy. Počítá se s tím, že data budou často modifikována. To naopakneplatí o OLAP. Tam jsou data optimalizována pro analytické činnosti a mohou býtčasto i redundantní. Nepočítá se tedy s jejich editací, ale potřebou rychlé agregacea možností nahlížet na data z různých dimenzí. Časté indexování také pomáhá kezrychlení odezvy. OLAP zpracovává především analytické informace, které sloužípro podporu rozhodování řídících pracovníků podniku.

Analýza probíhá nad OLAP kostkou, ve které se ukládají připravená agregovanádata. Otáčením OLAP kostky je možné nad daty rychle vytvářet odlišné pohledy.To zajišťuje rychlou odezvu nad analytickými dotazy. Typické tři dimenze OLAPkostky jsou čas, produkt, lokalita. OLAP nabízí funkce jako roll-up (agregace), drill-down (deagregace), pivoting (změna pohledu na data) nebo drill across (přechodz jedné dimenze do druhé). OLAP technologie se dají rozdělit do čtyř skupin: RO-LAP, MOLAP, HOLAP a DOLAP. Liší se ve způsobu zpracování a ukládání dat(Tvrdíková, 2005).

2.3.6 Technologie In-memory

Tradiční BI technologie ukládají data na disku v podobě tabulek a multidimenzi-onálních kostek, nad kterými se lze dotazovat. Použitím In-Memory se data na-čtou do rychlé paměti RAM (Memory Random Access) nebo flash paměti namístopevných disků a díky tomu zaměstnanci IT oddělení stráví méně času vytvářenímdatových modelů, analyzováním dotazů, budováním kostky a navrhováním tabulek.


In-Memory databáze jsou mnohem rychlejší než klasické databáze ukládající data napevné disky, protože vnitřní algoritmy pro optimalizaci dat jsou jednodušší a méněnáročné na výkon procesoru. Díky přístupu k datům přímo z paměti odpadají ak-tivity zajišťující vstupně výstupní operace pro přístup k diskům, což přináší vyššíspolehlivost a rychlejší přístup k datům.

In-Memory se může vyskytovat v různých formách:

• Jako samostatná bezdisková databáze

• Aplikace s vestavěnými analytickými moduly (IBM-Netezza, SAP-Hana, OracleExalytics)

• Součást mnoha ERP systémů a dalších podnikových aplikací, které jsou datověnáročné

• Součást Business Intelligence platforem

• Součást datově zaměřených cloudových aplikací a infrastruktur

• Open source projekty (WebDNA7)

• Velká sada analytických nástrojů a modulů integrovaných s In-Memory, častooptimalizovaných pro průmysl a podnikové funkce, jako je provozní reporting.

In-Memory technologie může mít pro podniky velkou hodnotu a to předevšímdíky tomu, že umožní manažerům rozhodování v reálném čase založené na aktuálníchinformacích z klíčových podnikových procesů. Podle studie Oxford Economics jedůležité rozhodování v reálném čase především v podnicích se zaměřením na ropu,zemní plyn, maloobchod, prodej spotřebního zboží a elektroniky. V rámci výzkumubylo zjištěno, jak mohou firmy získat konkurenční výhodu díky využití přístupuk datům v reálném čase a to především na dvou úrovních:

Na úrovni operativního řízení: Rychlejší sběr dat a zjednodušení rozhodovánípro vedoucí pracovníky může snížit potřeby zásob, minimalizovat obchodní rizika,snížit provozní náklady, zrychlit schopnost reakce na změny trhu, zvýšení produk-tivity a schopnost lépe porozumět potřebám zákazníků.

Na úrovní manažerského řízení: Urychlením rozhodování a plánování mohouřídící pracovníci využívat rychleji příležitostí na trhu, dříve eliminovat konkurenčníhrozby, rychleji reagovat na změny na trhu a přizpůsobit mu stagnující podnik.

Klíčové oblasti, kde má In-Memory velkou přidanou hodnotu jsou finance, vý-konnostní management, ERP systémy, operativní Business Intelligence, CRM a mo-bilní BI (Auditore, 2012).

2.3.7 Self-service BI

Self-service BI obsahuje prostředky, které umožní uživatelům stát se více samostat-nými. Jsou schopni pracovat s BI aplikacemi a reporty bez potřeby IT oddělení(Imhoff, 2011). Do češtiny bývá tento pojem často překládán jako samoobslužné

2.4 Data mining 20

BI. Dle definice je podstatou Self-service BI umožnit uživatelům tvorbu reportů,vytváření dotazů a provádění analýz bez nutné podpory IT oddělení. Self-serviceBI nabízí spíše moderní produkty disponující intuitivním uživatelským rozhraním,jednoduchým sdílením reportů a podporou běžně používaných formátů, napříkladPDF. Self-service BI může značným způsobem nejen snížit náklady, ale i zefektiv-nit rozhodování manažerů. Ti si mohou jednoduše vytvořit vlastní reporty podleaktuálních potřeb nebo při nejmenším si reporty editovat tak, aby poskytovaly in-formace podporující jejich rozhodování. Manažer tak může mít k dispozici potřebnéinformace během pár okamžiků a nemusí čekat, až se uvolní kapacita v IT oddě-lení, aby mu některý z IT specialistů provedl požadované změny v reportu. To bymohlo v horším případě trvat i několik dní. Přitom platí, že čím déle trvá dodánípotřebných informací uživateli, tím jsou pro něj informace méně hodnotné a vícezastaralé.

2.3.8 Reporting

Reporting zahrnuje činnosti, které slouží pro dotazování nad databází za účelemzískání dat potřebných pro podporu rozhodování. Reporting je zaměřený na stan-dardizované reporty a ad-hoc reporty. Standardizované reporty umožňují přístupk datovému skladu, datovému tržišti nebo jinému zdroji dat. Z něj se pak čerpajídata pro analýzu. Výstupem jsou nejčastěji standardizované tabulky a grafy. Ad-hocreporty pracují na výše zmíněném principu self-service BI. Uživatelé si tak můžousami tvořit nebo přizpůsobovat reporty dle vlastních aktuálních potřeb (Novotný,Pour, Slánský, 2005).

2.3.9 Dashboard

Definice dashboardu není sjednocená a některé definice se od sebe mírně liší. Spo-lečnost Gartner (2013) definovala dashboard jako: ”reportovací mechanismus, kterýagreguje a zobrazuje metriky a klíčové ukazatele výkonnosti (KPI), které můžou býtk dispozici různým uživatelům ještě před použitím dalších analytických nástrojů. Da-shboardy usnadňují rozhodování tím, že odhalí pohled na vnitřní výkonnost podnikua zobrazí KPI nebo jiné podnikové metriky. Výsledky jsou prezentovány interaktivnívizuální formou včetně grafů, číselníků, měřidel a semaforů, které indikují průběhKPI směrem k dosažení definovaných cílů.“

2.4 Data miningSoučástí analýzy dat bývá Data mining (dolování dat). Jedná se o proces objevováníznalosti v datech. Jedna z definic říká, že ”Dolování dat je proces výběru, prohle-dávání a modelování ve velkých objemech dat sloužící k odhalení dříve neznámýchvztahů mezi daty za účelem získání obchodní výhody.“ (Půlpán, 2001). K tomu jsoupoužity různé matematické analýzy, které jsou schopné v datech hledat souvislosti,vzory nebo trendy. Vhledem k tomu, že se obvykle zpracovává velké množství dat

2.4 Data mining 21

a vztahy mezi daty jsou velmi složité, není možné najít tyto souvislosti běžnýmizpůsoby.

Data mining má široké možnosti uplatnění. Mezi typické úlohy patří predikováníbudoucích prodejů, hledání souvislostí mezi obsahem nákupních košíků, segmentacezákazníků a podobně. Data mining využívají například supermarkety, telekomuni-kační společnosti, banky nebo pojišťovny. Využití lze nalézt i v lékařství, kde jemožné hledat podobnosti mezi pacienty se stejnou nemocí, případně na základnězdravotního stavu odhadovat diagnózu. Cílem je tedy najít skryté informace, kteréjsou využitelné k obchodním či vědeckým účelům.

Pro firmy není nejdůležitější najít skrytou informaci, ale umět ji využít v praxijako obchodní příležitost. V první fázi je nutné stanovit si obchodní příležitosti a pro-blémy, kterým podnik čelí. Následně je možné pomocí data miningu hledat v datechznalost a skryté informace. Na jejich základě je možné vykonat akci a využít novězískané informace jako obchodní příležitost. Na závěr se provádí měření výsledkůdané akce. Pokud byly analýzy dataminingu úspěšné a jejich přínos byl měřenímpotvrzen, bude znovu aplikován podobným způsobem na další problémy.

Data mining lze využít v širokém spektru oblastí. Většina základních úloh by sedala podle Berryho a Linoffa (2004) zařadit do šesti základních typů, kterými jsouklasifikace, odhady, predikce, seskupování, shlukování a popisování.

Klasifikace umožňuje data řadit do tříd. Podle podle Berryho a Linoffa (2004)je klasifikace proces zkoumání vlastností dat, která jsou následně klasifikována dopředem stanovených tříd. Správné zařazení dat do tříd je vždy s určitou pravděpo-dobností, která se liší použitou technikou. Příkladem klasifikačních algoritmů jsourozhodovací stromy, diskriminační analýza, logistická regresní analýza nebo neuro-nové sítě.

Dalším typem úlohy řešené pomocí data miningu může být odhadování chy-bějících hodnot spojité proměnné. Odhady se provádí na základě analyzování sadyvstupních proměnných. K tomuto typu úlohy se používá například neuronová síť.

Jako predikce je označován proces hledání chybějících atributů nebo předpo-vídání budoucích hodnot na základě analýzy historických dat. Z historických dat sevytvářejí modely, které popisují současné hodnoty atributů. Pokud jsou k dispozicii současná data, výsledkem je predikce budoucího vývoje dat v časových řadách.Predikce se používá například k odhadování budoucích prodejů nebo budoucíhochování zákazníků. Mezi metody predikce patří korelační metody, neuronové sítě,rozhodovací stromy nebo autoregresní modely.

Seskupování je speciální případ shlukování, který je aplikovatelný na analýzuchování spotřebitelů při výběru produktů do nákupního koše. Zkoumá souvislostimezi nakupovaným zbožím. Výsledkem je pravděpodobnost nákupu určitého zbožívzhledem k produktům, které jsou nakupovány společně s ním. Cílem je hledatkombinace produktů, které se nejčastěji nakupují společně.

Cílem shlukování je segmentování objektů do podmnožin (shluků). Při procesushlukování dochází ke snížení objemu odpovídajících dat za cenu ztráty určité infor-

2.4 Data mining 22

mace. Speciálním případem shlukování je histogram, kdy každý prvek tvoří právějeden shluk.

Jednotlivé metody shlukování by se daly rozdělit do tří skupin:

• Hierarchické shlukování - shluky jsou hierarchicky uspořádány

• Rozdělovací shlukování - všechny objekty jsou roztříděny do jednotlivýchpřihrádek

• Pravděpodobnostní shlukování - objekty jsou tříděny do skupiny na základěpravděpodobnosti

Shlukové analýzy bývají využívány často v meteorologii, biologii, medicíně, mar-ketingu nebo pojišťovnictví. Mezi metody pro shlukování patří shluková analýza,genetické algoritmy, rozdělovací algoritmy, pravděpodobnostní shlukování, k-meansmetody nebo neuronové shlukování.

Dalším typem data miningu může být popisování, které slouží k popisu datuložených v databázích a vztahů mezi nimi. Cílem je lepší pochopení obsahu zkou-maných dat a jejich chování. Výstup může mít formu grafů a vizualizací.

Obrázek 4: Struktura dat z pohledu data miningu. Zdroj: (University of East Anglia, 2015)

V data miningu se používají dva základní přístupy. Prvním je testování statis-tických hypotéz, kdy je cílem úlohy potvrdit nebo vyvrátit stanovenou hypotézu.Druhým přístupem data miningu je objevování znalosti v datech. Na obr. 4 je vidětstruktura dat z pohledu data miningu. Nad shromážděnými daty jsou prováděnyanalýzy, které z dat získají informace. V informacích jsou následně objevovány zna-losti (knowledge). Na základě objevených znalostí jsou definována rozhodnutí (deci-sions), která uplatní získanou znalost v praxi. Pyramidová struktura také naznačuje,že směrem dolů roste objem a směrem nahoru roste hodnota. To znamená, že datje k dispozici větší množství než informací nebo znalostí. Znalost má však většíhodnotu než informace nebo data.

2.4 Data mining 23

Objevování znalostí může probíhat přímo, kdy jsou vysvětleny hodnoty určitéproměnné na základě vztahu s ostatními proměnnými. Další možností je nepřímézískávání znalosti. Tento přístup nemá za cíl vysvětlit hodnotu nějaké závislé pro-měnné, ale najít v datech významné souvislosti. Oba přístupy lze při analýze datkombinovat.

Podle Berryho a Linoffa (2004) lze přímé i nepřímé metody data miningu ka-tegorizovat na sedm základních typů:

1. Rozhodovací stromy (Decision Trees)

2. Neuronové sítě (Neural Networks)

3. Genetické algoritmy (Genetics Algorithms)

4. Analýzy spojitostí (Link Analysis)

5. Analýzy nákupního koše (Market Basket Analysis)

6. Paměťovou dedukci (Memory - Based Reasoning)

7. Detekci shluků (Cluster Detection)

Rozhodovací stromy jsou nejčastěji využívány pro klasifikaci. Cílem rozhodova-cích stromů je rozdělit data do podmnožin, které se od sebe nejvíce odlišují. Rozdílyjsou popsány jednoznačnými pravidly vyjádřenými pomocí logických podmínek, cožusnadňuje interpretaci výsledků. Z výsledků lze identifikovat klíčové atributy, kterémají na klasifikaci největší vliv.

Neuronové sítě mají velké možnosti uplatnění a velké množství nástrojů, kterés nimi umí pracovat. Používají se pro přímé i nepřímé dolování dat. Je možné jepoužít pro predikci, klasifikaci, odhady, segmentaci a další typy úloh. Výhodou neu-ronových sítí je, že při získávání výsledků se umí poučit z každé iterace. Nevýhodouje, že modely neuronových sítí poměrně rychle zastarávají. Výsledky neuronové sítějsou poměrně citlivé na kvalitu dat, čím lépe jsou tedy data připravena, tím lepšíchvýsledků lze dosáhnout.

Genetické algoritmy patří mezi přímé metody objevování znalostí v datech. Jsoupodobné těm v biologickém vývoji, kdy v evolučním vývoji přežijí jen ti nejodolnějšíjedinci. Na modelu dat probíhá optimalizace do té doby, než není nalezen optimálnímodel. Genetické algoritmy jsou vhodné pro úlohy typu shlukování dat. Genetickéalgoritmy jsou výpočetně náročné a bývají často kombinovány s neuronovými sítěmipro zvýšení účinnosti.

Analýza spojitostí je jedna z nepřímých technik získávání znalosti a jedná sevlastně o aplikaci teorie grafů. Při analýze dat jsou v nich hledány skryté závislostia výsledkem může být vizualizace spojitostí jednotlivých prvků. Typicky se používajív oblasti telekomunikací a marketingu. Analýzy spojitostí jsou poměrně náročné navýpočetní výkon a mezi softwarovými nástroji nejsou příliš rozšířené.

Analýza nákupního koše má za cíl analyzovat položky, které se prodávají spo-lečně. Tím je možné zjistit kombinace zboží, které se prodávají společně a spočí-

2.5 Big data 24

tat pravděpodobnost s jakou bude nějaká konkrétní položka zakoupena vzhledemk ostatním položkám nákupního koše. Výsledky jsou uplatnitelné například při plá-nování rozmístění zboží v supermarketech, tak aby rozložení položek v obchoděodpovídalo jejich prodejní strategii.

Paměťová dedukce objevuje znalosti přímou metodou. Pracuje na principu po-užití známých vzorových situací ke klasifikaci prvků nebo k predikci nových, zatímneznámých případů. Nové případy jsou porovnávány s těmi, které jsou známé. Hle-dají se tak nejbližší sousedé sdílející podobné vlastnosti. Model je schopný se učitz nových situací.

Detekce shluků je metoda identifikující data, která jsou si navzájem co nejvícepodobná.

2.5 Big dataKaždá organizace svou činností generuje velké množství dat. Podniky zaměřenéna nakupování shromažďují co nejvíce informací o nákupním chování zákazníků.Výrobní podniky shromažďují informace o svých produktech, výrobních procesecha systémech. Vládní organizace sbírají informace o obyvatelstvu a jeho pracovním,ekonomickém i zdravotním stavu. Samy IT systémy generují data o tom, jak pracujía co provádějí. Množství ukládaných dat roste exponenciální rychlostí každý roka údajně až 80 % dat vzniklo za posledních několik let. V této souvislosti se hovořío novodobém trendu zvaném Big Data (Komix, 2014).

Poradenská firma Gartner (2013) za Big Data označuje taková data, jejichžvelikost je mimo schopnosti zachycovat, spravovat a zpracovávat běžně používa-nými softwarovými prostředky v rozumném čase. Pro využití takového množstvídat k rozhodování a k jejich porozumění je potřeba použít inovativní a efektivníformy zpracování dat.

Pro lepší představu o tom, kolik některé společnosti zpracovávají dat, je určitěna místě zmínit několik praktických příkladů:

• Web eBay.com využívá pro svůj běh dva datové sklady o velikosti 7,5 a 40petabytů a další čtyřiceti petabytový Hadoop cluster pro vyhledávání. (Tay,2013)

• Společnost Amazon zpracovává každý den miliony vlastních operací, navíc vícenež půl milionu dotazů od třetích stran. Amazon vlastní jednu z největšíchdatabází běžících na linuxu o velikosti desítek terabytů. (Layton, 2015)

• Facebook má uložených přes 50 miliard fotografií, které uživatelé nahráli na svéprofily. (Johnson, 2010)

• Společnost Walmart musí zpracovat více než 1 milion požadavků od svých zá-kazníků každou hodinu, které se ukládají do databáze o velikosti více než 2,5petabytu, což je 167x větší velikost, než obsahují informace ve všech kniháchv knihovně US Library of Congress (The Economist, 2010).

2.6 Cloud computing 25

Obvykle jsou velké objemy dat ukládány do datových skladů pomocí ETL pro-cedur v již strukturované podobě. Data jsou cyklicky přenášena do datových skladůa následně jsou podrobena analýze pomocí připravených algoritmů. V datovýchskladech se většinou pracuje s daty o velikosti terabytů, v Big Data se pak hovořío objemech v řádu petabytů, tedy o tři řády vyšší.

Příchod webu, mobilních zařízení a dalších technologií způsobili velkou změnu vezpůsobu využívání dat. Ta již nejsou vysoce strukturovaná, centralizovaná a snadnozpracovatelná, ale čím dál častěji jsou naopak nestrukturovaná, vysoce distribuovanáa velmi rychle zvyšují svůj objem.

V této souvislosti bývají data v literatuře charakterizována pomocí 3V, kterépředstavují počáteční písmena tří charakteristik Big Data, přičemž některé zdrojepřidávají čtvrtou charakteristiku:

1. Volume (objem) - Provozní data ve firmách rostou každý rok exponenciálnírychlostí.

2. Variety (typ) - Data jsou často nestrukturovaná a různorodá.

3. Velocity (rychlost) - Kvůli rychlé digitalizaci v mnoha oblastech vzrůstá nejenrychlost, s jakou se data tvoří, ale i rychlost, s jakou je potřeba je analyzovat.

4. Veracity (věrohodnost) - V důsledku nekonzistence a nejasnosti dat není za-jištěna jejich věrohodnost.

Datové sklady a nástroje pro zpracování tradičních firemních dat nejsou při-praveny na zpracování Big Data v krátkém čase a nákladově efektivním způsobem,proto vznikla potřeba hledat nové způsoby a metody pro analýzu větších objemůdat. Při datové analýze platí, že čím větší vzorek dat máme, tím přesnější výsledkydostaneme. Z toho důvodu je kladen důraz na zvětšování objemu analyzovaných dat(Dolák, 2011).

Až 80 % dat v podniku má nestrukturovanou formu. Proto je těžké najít v nichinformace důležité pro daný podnik. Mnoho IT pracovníků tráví až 25 % času vyhle-dáváním dat. Z toho plyne, že dostupnost informací je klíčová z hlediska produktivityfirmy a může mít dopad i na spokojenost jejich zákazníků. Při budování Big Dataprojektů se snaží celý proces co nejvíce usnadnit a zefektivnit, protože klíčovýmprvkem úspěšnosti projektů bude rychlost dosažených přínosů (time-to-value).

Podle průzkumu společnosti Gartner až 64 % dotázaných společností plánujeinvestovat do Big Data technologií, nebo tak již učinily (Adastra, 2014). Což jenpodtrhuje velký význam Big Data do budoucna.

2.6 Cloud computingServer cloud.cz definoval cloud computing následovně, ”Cloud computing je novýzpůsob využívání zdrojů (zejména hardware, software) v IT, vycházející z možnosti

2.7 QlikView 26

jejich sdílení mezi aplikacemi a odstranění přímé vazby aplikační logiky na fyzickékomponenty (virtualizace).“

Využití cloudu především přispívá k efektivnější práci ve firmě díky přístupuk datům nebo aplikacím odkudkoliv bez nutnosti vlastnit a spravovat HW. Cloudposkytuje obrovské možnosti škálovatelnosti a distribuce výkonu, který se přizpůsobíindividuálním požadavkům klientů. V cloudu se rozlišují tři typy distribuce:

1. IaaS (infrastruktura jako služba) - poskytovatel nabízí infrastrukturu, kdyse klient nemusí starat o problémy s HW. Ty za něj řeší poskytovatel. Příklademmůže být Amazon WS, Rackspace nebo Windows Azure.

2. Paas (platforma jako služba) - poskytovatel zajistí všechny prostředky propodporu celého životního cyklu tvorby a provozu webových aplikací běžících nainternetu bez možnosti stažení SW. Příkladem může být Google App Engine,Force.com nebo GoodData.

3. SaaS (software jako služba) - aplikace je dostupná na internetu a poskytova-tel ji pronajímá uživatelům, kteří si kupují přistup k aplikaci. Není možné koupitaplikaci samotnou. Příkladem je například sada aplikací Google Apps nebo Sa-lesforce.

2.7 QlikViewExistuje celá řada IT systémů, které umí ukládat a zpracovávat velké objemy dat,jako například hadoop clustery, které jsou optimalizovány pro ukládání a analyzo-vání velkého množství nestrukturovaných distribuovaných dat až v řádu exabytů.Většina dnešních BI řešení je sice schopná zpracovávat velké objemy dat, ale protvorbu reportů je nutné data propojit s dalšími systémy a externími zdroji. Navícjsou většinou orientovány na škálovatelnost a ne na výkon. Provádění jednotlivýchanalytických výpočtů je tak pomalé a pro provádění změn je nutné kontaktovat IToddělení, které musí měnit dotazy v programu. Uživatel nemá možnost upravovatdotazy, změny jsou tak nákladné a trvají dlouhou dobu.

QlikView je jedno z řešení nabízející analýzu řízenou uživatelem, což znamená,že si uživatel může sám měnit analýzy bez nutnosti změn v programu a kontaktováníIT oddělení. Veškerá data jsou uložena v operační paměti, dotazování je proto velmirychlé a efektivní. Uživatel se může na jednu analýzu dívat z různých pohledů s téměřokamžitou odezvou (Komix, 2014).

QlikTech je švédská softwarová firma založená v roce 1993 zabývající se vývojemsoftwaru v oblasti self-service Business Intelligence. Jedná se o jednu z nejrychlejirostoucích IT firem vyvíjející software pro oblast BI. Jejich hlavním produktem jeQlikView, který by se dal nazvat platformou pro vyvíjení BI aplikací. Skládá sez desktopové aplikace, která byla později rozšířena o serverovou verzi a mobilníverze. Tu je možné používat na tabletech a smartphonech s operačním systémemandroid, iOS a BlackBerry.

2.7 QlikView 27

Jedná se o nástroj pro analyzování multidimenzionálních dat, který je používán34 000 zákazníky ve více než 100 státech světa. V České republice jej používá na-příklad Globus Czech Republic, Zdravotní pojišťovna ministerstva vnitra ČR, J&TBanka, Hamé, Electro World nebo Zentiva.

2.7.1 Zmapování trhu BI nástrojů

Pro srovnání BI nástrojů bude využit Magic Quadrant, který graficky znázorňujesituaci na trhu za konkrétní časové období. Společnost Gartner pravidelně srovnávájednotlivé dodavatele BI nástrojů ve své studii s názvem Magic Quadrant For Busi-ness Intelligence And Analytics Platforms a analyzuje jejich postavení na trhu podlepředem stanovených kritérií.

Shrnutí výsledků analýzy je vždy zakresleno do grafu. Pozice na ose X znázor-ňuje, nakolik má produkt ucelenou vizi. U jednotlivých dodavatelů jsou hodnocenyjejich schopnosti definovat svou vizi, která zahrnuje současné i budoucí směřováníjejich produktu v rámci trhu, vývoj inovací, sledování potřeb zákazníků i otázkukonkurenceschopnosti. Firmy musí být schopny pochopit situaci na trhu a využít jipro vytváření nových příležitostí.

Osa Y znázorňuje schopnost firem vizi uskutečnit. Zde je hodnocena kvalitaproduktu z hlediska propracovanosti a efektivnosti procesů, systémů a technologií.Produkt musí být maximálně účinný a efektivní, aby získal co největší konkurenčnívýhodu.

Graf prezentující výsledky je rozdělen na 4 kvadranty s názvy niche players,visionaries, challengers a leaders. Do kvadrantu leaders (lídři) patří nejúspěšnějšíspolečnosti, které nabízí komplexní produkty obsahující širokou řadu funkcí, kteréprodávají i servisují v celosvětovém měřítku. Také jsou schopni do svých produktůimplementovat inovativní a unikátní řešení.

Challengers (vyzyvatelé) nemusí poskytovat tak širokou škálu funkcí jako lídři.Přicházejí na trh s řešením, které nemusí být až tak rozšířené. Je však inovativnía díky tomu si chtějí vydobýt své místo na trhu.

Visionaries (vizionáři) nabízí nové, praxí zatím neosvědčené, produkty. Umíporozumět trhu a využívají zpětnou vazbu k vývoji inovací. Snaží se ukázat budoucívývoj trhu. Zatím však nemají takový vliv, aby mohli trh ovlivnit.

Niche players (okrajoví hráči) nedokáží dostatečně naplnit své vize. Jejichprodukty nabízí omezené množství funkcí. Nabízí méně rozšířené produkty a jejichcílem do budoucna je rozšíření celosvětových prodejů.

V posledních letech vykazuje Business Intelligence neustálý růst. Jedná seo jednu z nejvíce rozvíjejících se oblastí v rámci podnikového softwaru.

V roce 2014 se výrazně rozrostl trh co do počtu dodavatelů BI řešení. Nárůsttrhu od roku 2013 činí 9 %. Dodavatelé ERP systémů se stále zaměřují primárněna řízení výroby a jejich systémy jsou relativně drahé. Vývoj je nepružný a častonenabízí integrované BI řešení. Proto vzniká prostor pro nové dodavatele podniko-vého softwaru zaměřující se na obchodní procesy a analýzu podnikových dat. Díky

2.7 QlikView 28

specializovanému přístupu pro specifickou oblast jsou tito relativně noví dodavateléschopni vyvíjet produkt pružně a inovativně dle požadavků trhu.

V roce 2014 podle studie nastal mírný pokles o cloudové BI, a to o 3 %. Přesto seočekává rapidní růst cloudových řešení v budoucích letech. Podle společnosti Gartnerby už v roce 2017 měla mít většina podnikových uživatelů přístup k analytickýmnástrojům typu Self-service BI.

Obrázek 5: Gartner Magic Quadrant pro oblast Business Intelligence. Zdroj: (Gartner,2015)

Významným trendem do budoucna je schopnost propojovat strukturovaná a ne-strukturovaná data. Například spojením strukturovaných finančních dat s nestruktu-rovanými daty z výroby lze analyzovat nejen běžné KPI, ale i individuální ukazatelespecifické pro každou společnost. Další přínos by mohlo přinést spojení Business In-telligence se systémy dodavatelského řetězce, které by mohly přinést nejen zlepšeníkvality výroby, ale i její plánování. Výsledkem by byla vyšší efektivita výroby.

Dalším trendem jistě bude čím dál častější zapojování mobilních zařízení, jakojsou chytré telefony a tablety, přímo do výroby nebo do oddělení nákupu a kontroly

2.7 QlikView 29

kvality. Mobilní BI může velmi urychlit odezvu na nestandardní situace ve výroběnebo nestandardní požadavky zákazníků (Columbus, 2015).

Jak je možné vidět na obr. 5, nejvýznamnější dodavatelé patřící do kvadrantuleaders jsou Tableau, Qlik, Microsoft, MicroStrategy, Oracle, IBM, Information Bu-ilders, SAS nebo SAP. Birst, Logi Analytics jsou v kvadrantu challengers. Alteryx,Tibco Software a Panorama Software se umístili v kvadrantu visionaries. Mezi Nicheplayers patří Board International, DataWatch, GoodData, OpenText, Salient Ma-nagement Company, Targit, Pentaho, Prognoz, Pyramid Analytics a Yellowfin.

Společnost QlikTech patří mezi lídry v oboru, avšak nebylo tomu vždy tak. Dokvadrantu lídrů se jim podařilo umístit poprvé v roce 2011. Od té doby se zde držía upevňují své postavení.

2.7.2 Architektura

Produkt QlikView představuje celou platformu, která se skládá z různých částí. Mezihlavní komponenty patří QlikView Developer pro vytváření obsahu, QlikView Servera QlikView Publisher pro nasazení obsahu a QlikView klienti pro procházení obsahu.

Obrázek 6: Architektura platformy QlikView. Zdroj: (QlikTech, 2014)

2.7 QlikView 30

QlikView Developer je desktopový software omezený na operační systémWindows. Jeho cílem je umožnit vytvářet aplikace pro platformu QlikView. To za-hrnuje připojení na zdroje dat, úpravu dat, vytvoření datového modelu aplikacea uživatelské rozhraní pro vizualizaci dat v grafické podobě, respektive vytvořeníprezentační vrstvy. K vytvoření spojení mezi aplikací a datovým zdrojem se použí-vají load scripty. Ty definují nejen zdroj, ale určí i data, která mají být přenášenaa případně i jakým způsobem mají být transformována. Nástroj disponuje minimálně350 připravenými možnostmi pro transformaci dat. Data lze načíst z různorodýchzdrojů. Podporovány jsou ODBC a OLEDB databáze nebo externí soubory ve for-mátu XLS, XML, CSV, HTML, TXT a další. QlikView obsahuje i nástroje prosnadnou integraci s dalšími podnikovými systémy a aplikacemi. Pomocí API konek-toru je možné získávat data například ze systému SAP nebo ze stránek jako jsouFacebook, Twitter, Youtube, DropBox, SalesForce nebo Google Analytics (IndustrialCodeBox, 2015).

QlikView Developer obsahuje bohaté možnosti vizualizace dat. K tomu lze vy-užít prvky jako jsou tabulky, grafy, měřidla, semafory, budíky a jiné grafické prvky.To vše se odehrává v první fázi životního cyklu, který je znázorněn na obr. 6.

QlikView Server slouží především pro sdílení dat v rámci počítačové sítě (in-ternetu). Ve druhé fázi znázorněné na obr. 6 je vidět, že QlikView Server a QlikViewPublisher jsou spojovací článek mezi tvůrci aplikace a jejich uživateli. Slouží takék ukládání dokumentů a zpřístupňuje je oprávněným koncovým uživatelům. Důleži-tými vlastnostmi jsou zabezpečení a aktuálnost. Pro každého uživatele jsou zajištěnaaktuální data. Přístup k nim je však důkladně zabezpečen pomocí systému přidělo-vání rolí (QlikTech, 2011).

Cílem produktu QlikView je, aby byl sdílený obsah dostupný pro koncové uži-vatele odkudkoliv. Z toho důvodu využívá různé technologie pro připojení k serveru,který umožní připojení následujícím typům klientů:

• QlikView Desktop je aplikace pro Windows, která umožní pracovat s obsahemv online i offline režimu. Díky uložení komprimovaných dat do souboru je možnépracovat v offline režimu stejným způsobem, jako v případě režimu online.

• Ajaxový klient dostupný přes webový prohlížeč umožní přístup k online obsahua nevyžaduje instalaci dalších doplňků.

• Internet Explorer ActiveX plug-in klient je doplněk k provádění analýz v pro-hlížeči Internet Explorer.

• Mobilní klienti umožní přístup k datům odkudkoliv a je dostupný pro operačnísystémy iOS, Android a BlackBerry.

QlikView Publisher je nadstavba pro QlikView Server, která jej rozšiřujeo další funkcionalitu. QlikView Publisher zajišťuje, aby se správná data dostalave správném formátu ve správnou chvíli k příslušnému koncovému uživateli. Při-

2.7 QlikView 31

spívá k dalšímu zabezpečení obsahu vytvářením specifických skupin uživatelů. Takéusnadňuje plánování, distribuci a správu QlikView aplikací, dokumentů a reportů.QlikView Publisher poskytuje kompletní kontrolu nad veškerým obsahem a v pří-padě potřeby zajišťuje obnovu dat ze zálohy. Jako rozšíření je možné dodat modulQlikView PDF Report Distribution, který řeší správu a distribuci PDF reportů (Qlik-Tech, 2011).

QlikView AccessPoint je portál, který sdružuje seznam sdílených dokumentůa umožňuje k nim přístup uživatelům. Dle uživatelského oprávnění zde uživatelénajdou příslušný obsah, který si můžou zobrazit v podobě seznamu. Obsah samotnýzde není uložen, ale lze k němu přes QlikView AccessPoint získat přístup. Obsahzůstává uložen v části QlikView Server.

2.7.3 In-memory

Tradiční BI řešení založené na dotazech a multidimenzionálních kostkách může taképracovat v řežimu in-memory, které přinese zlepšení odezvy. Uživatelé jsou však zá-vislí na IT oddělení, které musí manuálně vytvořit asociace mezi daty a vybudovatdatové sklady. Klíčovou vlastností QlikView je patentovaná in-memory asociativnítechnologie, která má schopnost sama a plně automaticky najít asociace mezi datya vytvořit datový model. QlikView není jediný produkt na trhu, který touto techno-logií disponuje. Je však první, který s ní přišel a je důležitou součástí celé strategiea vize produktu. Díky pokročilým metodám komprimace lze data komprimovat až na10 procent původní velikosti, což pomáhá k optimalizaci výkonu procesoru. QlikViewnevyžaduje uložení dat v databázi, ale data jsou načtena do operační paměti. Díkytomu je možné analyzovat data o milionech řádků z různých pohledů s okamžitouodezvou. Díky technologii in-memory mohou mobilní zařízení pracovat i v offline re-žimu, protože data zůstanou načtena v operační paměti přístroje (QlikTech, 2015).

In-momory technologie umožní například zpracovat 2TB dat, které se kompri-mují a spotřebují 256 GB serverové paměti. V tomto případě se však stále nejednáo výše zmíněné Big Data. Pro práci s externí Big Data infrastrukturou disponujeQlikView tzv. Direct Discovery, kdy je použit hybridní přístup spojující data v in-memory s daty získanými pomocí dotazů z externích zdrojů. Agregované výsledkydotazů jsou následně zobrazeny v QlikView, aniž by byly přidány do jeho datovéhomodelu. Uživatel tímto způsobem může pracovat s Big Data bez znalosti progra-mování a v případě potřeby může využít funkci drill down k přiblížení se až nakonkrétní detailní informaci. To, že se používá funkce Direct Discovery pozná jenpodle toho, že dotazy nejsou zpracovány okamžitě. Odezvu na dotazy je možnénadále zvýšit optimalizací architektury řešení nebo kešováním výsledků externíchdotazů pro snadnější znovupoužití. Do In-memory se alokují data, která uživatelpoužívá nejčastěji, například průměrné, sumární nebo detailní data za aktuální ob-dobí. Zbylá část dat, u které se nepředpokládá časté využití, je uložena v rozsáhlýchfaktových tabulkách na externích zdrojích. Data Discovery tak není nahrazení tech-

2.7 QlikView 32

nologie In-memory, ale její doplnění pro přístup k většímu množství dat z externíchzdrojů (Komix, 2014).

QlikView byl od počátku navržen tak, aby byla všechna data načtena do pa-měti a odtud se zpracovávala. Výpočty jsou prováděny až v případě volání dotazu,ne dříve. Dříve by to samozřejmě nebylo možné z důvodu nízké kapacity pamětía chybějícího výkonu procesorů. Nyní to však je možné a to i díky technologii In-memory.

V QlikView je technologie In-memory tvořena třemi prvky:

1. Fast Query Engine - rychlý asociativní vyhledávací mechanismus umožňujícíefektivní dotazování

2. On-demand Calculation Engline - agregační mechanismus zajišťující rychlévykonání všech výpočtů

3. Visually Interactive User Interface - vizualizuje prvky uživatelského rozhranía reaguje na interakci uživatele

2.7.4 Asociativní datový model

Celkový výkon aplikace je díky In-memory výrazně vyšší, než klasické BI řešenídotazující se nad OLAP kostkou. QlikView je navrženo tak, aby bylo možné výkonsnadno škálovat. Spokojenost koncových uživatelů s odezvou je závislá především navýpočetním výkonu procesorů a velikost pamětí. Mezi další prvky, které ovlivňujívýkon patří množství unikátních dat, složitost datového modelu, počet uživatelůpracujících současně nebo návrh uživatelského rozhraní.

Pro dosažení větší rychlosti se používá asocitativní datový model. Většina BInástrojů jej používá a díky tomu se vytvářejí asociace mezi daty. QlikView tuto myš-lenku posunulo o úroveň výš, a to tím, že asociace nevytváří na aplikační úrovni,ale na úrovni enginu s názvem QlikView Association Engline. V klasickém přístupudotazy probíhají mezi aplikační vrstvou a databází. Některé BI nástroje pak sle-dují vztahy mezi jednotlivými dotazy. Asociace se ukládají a editují na základětoho, jak uživatel pracuje a jaké dotazy volá. Princip dotazování v QlikView jeodlišný. Tabulky jsou uloženy v In-memory a mezi nimi jsou vytvořeny asociace.Vše na úrovni asociativního enginu. Díky asociacím je možné odpovídat na dotazybez změny v aplikační vrstvě, která je v tomto případě spojena s datovou vrstvou(English, 2010).

Díky asociativní architektuře mohou uživatelé provádět různé dotazy, které jimpomohou hledat odpovědi na jejich dotazy nebo je navedou na určité vzory, kteréjim ukážou další možnosti, které by mohli hledat. Postupně mohou objevovat sou-vislosti v datech, které na první pohled nejsou zřejmé. V QlikView jsou všechna datanavzájem propojena, jak je vidět na obr. 7 vpravo.

V tradičním BI přístupu založeném na OLAP technologii to však neplatí. Tamje většinou vytvořena určitá hierarchie, kterou je nutné dodržovat a uživatel sepřesouvá z vyšší úrovně do nižší. Uživatelé tak mohou zjišťovat odpovědi pouze

2.8 Qlik Sense 33

Obrázek 7: Asociativní model dotazování v QlikView. Zdroj: (QlikTech, 2014)

na předem stanovené otázky a nemohou v průběhu vidět další souvislosti, protoženavigační cesty jsou předem stanoveny. Tento koncept je představen v levé částiobr. 7.

2.7.5 Instalace

Po registraci na webu výrobce je možné získat přístup k instalačnímu souboruQlikView Desktop, který je určený pro operační systém Windows. Minimální po-žadavky jsou operační systém Windows XP a novější, paměť 1 GB RAM, 250 GBvolného místa na pevném disku. Verze QlikView Desktop je dostupná zdarma k otes-tování. Je však omezena. Není zde možnost sdílet vytvořené dokumenty a je ome-zen počet vytvořených vlastních aplikací. K plnohodnotnému využití QlikView jepotřeba zakoupit licenci na serverovou část, která zajistí sdílení vytvořených doku-mentů a přístup uživatelům k aktuálním datům. Cena osobní licence se pohybujeokolo 1350 dolarů za uživatele. Serverová licence je dražší, ta stojí okolo 35000 dolarůza server.

2.8 Qlik SenseQlik Sense je zcela nový produkt firmy QlikTech. Skládá se z desktopové osobní verzea cloudové verze. Qlik Sense je napsaný v jazyce HTML5, což přináší mnoho výhodve srovnání se starší verzí QlikView. Největší výhodou je zřejmě nové uživatelskérozhraní. To je nyní velmi intuitivní, založené na principu Drag & Drop. Uživatelské

2.8 Qlik Sense 34

rozhraní je responzivní, to znamená, že se umí přizpůsobit jakékoliv velikosti obra-zovky. Je tak použitelné jak na počítači, tak na mobilu či tabletu.

Qlik Sense Desktop je osobní verze produktu Qlik Sense, který je dostupnýzdarma na webu výrobce a je možné jej použít pro osobní i komerční použití bezomezení. Ke sdílení aplikací je potřeba serverová verze, která nově funguje v cloudu.

Qlik Sense Cloud je SaaS (Software as a Service) verze pro sdílení osobníchaplikací vytvořených v Qlik Sense. Umožňuje tak sdílet vytvořené aplikace v cloudu.Zdarma je zde možné sdílet 5 aplikací s pěti uživateli. Za větší množství se již musíplatit. Dalším omezením je maximální velikost aplikace na 25 MB. Každý uživatelmá celkově v cloudu k dispozici 1 GB prostoru zdarma.

Novinkou je funkce Storytelling, pomocí níž je možné vytvořit interaktivní pří-běh popisující analyzovaná data. Skládá se z jednotlivých obrazovek, kdy každá ob-razovka obsahuje kombinaci grafiky, obrázků a textu. Během prezentace je možnézvýraznit důležité body v grafu. Data lze zachytit pomocí snapshotů. Tím se však ne-vytvoří jen obrázek aktuálního grafu, nýbrž dynamický graf, který ukazuje hodnoty,které byly na grafu v době vytvoření snapshotu. Na slidy je možné přidávat efekty,které upozorní například na nejvyšší hodnotu v grafu. To vše je možné pomocí mo-dulu Qlik Sense Data Storytelling, který je kompatibilní s Qlik Sense Desktop a QlikSense Server (Nieuwbourg, 2014).

Všechny výhody architektury QlikView včetně technologie In-memory zůstalyv Qlik Sense zachovány. Podstatnou nevýhodou Qlik Sense ve srovnání s QlikViewje množství funkcí. Qlik Sense zatím obsahuje velmi omezenou část funkcí, kteréQlikView zvládá. Rozdíly ve funkcionalitě budou rozebrány dále v této práci. Nutnotaké dodat, že aplikace vytvořené v Qlik Sense nejsou kompatibilní s QlikViewa opačně.

3 METODIKA PRÁCE 35

3 Metodika práceKapitola je rozdělena do několika částí a zabývá se popisem použité metodiky přitvorbě aplikace. V první fázi je popsána nezbytná příprava dat, možnosti zdrojůdat a tvorba datového modelu. Následně je popsán postup pro tvorbu uživatelskéhorozhraní a implementaci testů v QlikView. Závěr kapitoly je věnován popisu tvorbyobdobné aplikace v Qlik Sense.

3.1 Příprava datPři analýze dat je důležité nepodcenit první fázi, kterou je příprava dat. Ta obsahujezískání dat z datového zdroje a jejich čištění, normalizaci a převod do standard-ního formátu. Podle Cuesty (2015) je datový zdroj pojem, který označuje veškerétechnologie související se získáváním a ukládáním dat. Může se jednat napříklado jednoduchý textový soubor, rozsáhlou databázi nebo cokoliv mezi tím. Sbírka datje většinou tvořena tabulkou, kde sloupce představují jednotlivé proměnné a každýřádek odpovídá jedné instanci dat. Tabulka by měla v prvním řádku obsahovatzáhlaví, které definuje obsah jednotlivých sloupců.

Fyzickou implementaci datového zdroje tvoří datová sada, která podle Cuesty(2015) nejčastěji nese následující znaky:

• Charakteristiky datové sady

• Počet instancí

• Oblast (například život, obchod apod.)

• Znaky atributů (data jsou skutečná, kategorická nebo číselná)

• Počet atributů

• Přiřazené úkony (například klasifikace a rozdělení do clusterů)

• Chybějící hodnoty

3.1.1 Zdroje dat

Data mohou být uložena v souborech různých formátů. Častým formátem je oby-čejný textový soubor. Tento formát je široce podporován, je jednoduchý a snadno sezpracovává i konvertuje do dalších formátů. Textové soubory mohou být napříkladve formátu CSV (data oddělená čárkami), TXV (data oddělená tabulátorem) neboXML (data strukturovaná značkovacím jazykem).

Velmi rozšířeným nástrojem pro zpracování dat je Microsoft Excel. Pracovats ním umí spousta lidí, ne každý však umí využít jeho potenciál. Excel obsahujei pokročilejší funkce, jako je například filtrování, agregační funkce nebo možnostpřipojení na externí databázi. Analytické schopnosti excelu lze dále rozšířit nástro-jem Analysis ToolPak, který umožňuje provádět regresi, korelaci, Fourierovu analýzu

3.1 Příprava dat 36

a další. Nevýhodou však je, že lze pracovat vždy jen s jednou tabulkou. Tím je pou-žitelnost tohoto rozšíření omezena na jednoduchá data. Excel je možné také rozšířito nástroj Power Pivot, který obsahuje základní funkce z Business Intelligence. Mezinevýhody Excelu patří neschopnost práce s chybějícími hodnotami nebo automa-tické formátování datových typů, které nepracuje úplně spolehlivě.

Dalším zdrojem dat může být SQL databáze. Jedná se o organizovanou sbírkudat, se kterou se pracuje pomocí dotazovacího jazyka SQL, který umožňuje správudat v systémech RDBMS (Relational Database Management Systems). SystémDBMS (Database Management System) zajišťuje zabezpečení a integritu uloženýchdat. V případě selhání disku pak zajišťuje i obnovu dat ze zálohy. Data jsou v re-lačních databázích rozdělena do tabulek na základě logických vazeb. Jazyk SQL bylnavržen tak, aby se jeho syntaxe co nejvíce blížila přirozenému jazyku, což usnad-ňuje dotazování se nad daty. SQL se skládá ze dvou základních sad příkazů. DLL(Data Definition Language) a DML (Data Manipulation Language). Jazyk DDLslouží k vytváření, mazání a úpravě tabulek v databázi. Umožňuje také definovatcizí klíče, které definují vztahy mezi tabulkami a jejich omezení. Jazyk DML ob-sahuje sadu příkazů pro práci se samotnými daty. Například příkaz SELECT pronačtení dat z databáze, INSERT INTO pro vložení nových dat, UPDATE pro editacidat nebo DELETE pro mazání dat z databáze.

NoSQL (Not only SQL) používá technologie, které nepoužívají relační model,jako tomu bylo u SQL databáze. Jedná se o další možný zdroj dat, který navícdosahuje vyšší stability, výkonu a škálovatelnosti (Cuesta, 2015).

Podle Cuesty (2015) jsou následující typy NoSQL datových úložišť nejpoužíva-nější:

• Úložiště dokumentů – Data se uchovávají a třídí jako sbírky dokumentů.Schéma modelu je flexibilní. Všechny sbírky dokáží obsloužit libovolný početpolí. Například databáze MongoDB pracuje s typem BSON (binární JSON)a CouchDB používá dokumenty ve formátu JSON.

• Úložiště klíčů a hodnot – Data se uchovávají jako dvojice klíčů a hodnotbez předdefinovaného schématu. Hodnoty se načítají z klíčů. Příkladem jsouApache Cassandra, Dynamo, Hbase a Amazon SimpleDB.

• Úložiště založené na grafech – Data se uchovávají v grafových strukturáchs uzly a hranami. Disponují vlastnostmi pro ukládání a načítání dat, které jsouodvozené z teorie grafů. Tyto typy databází dokážou skvěle zachytit vztahyv sociální síti. Příkladem jsou Neo4js, InfoGrid a Horton.

Firmy používají různé informační systémy, které ukládají finanční data v růz-ných formátech. Z toho důvodu se k auditorům dostávají data exportovaná z růz-ných tabulek a v různých typech souborů. Většina velkých firem však používá ERPsystém SAP, který ukládá účetní deník do dvou tabulek. Tabulka BKPF obsahujehlavičky dokladů a BSEG jednotlivé položky dokladu. Tabulky lze exportovat v pří-slušné části finančního modulu. Protože SAP je německý systém, hlavičky tabulek


nesou názvy sloupců označených německými zkratkami. Například sloupec BELNRoznačuje číslo dokumentu, BLDAT datum dokumentu, BKTXT popis dokumentunebo USNAM obsahuje uživatelské jméno uživatele, který dokument zaúčtoval. Jinéinformační systémy účetnictví ukládají pouze do jedné tabulky. Auditoři data do-stávají nejčastěji v textových formátech CSV a TXT. Data mají různou strukturui obsah. Aby s nimi bylo možné dále pracovat, je potřeba je očistit a převést dostandardního formátu.

3.1.2 Čištění dat

V rámci čištění dat se provádí různé procesy, při kterých jsou odstraněna chybná,neúplná, nesprávně formátovaná nebo duplicitní data. Výsledky datové analýzy ne-závisí pouze na použitých algoritmech a metodách. Důležitým faktorem je kvalitazdrojových dat. Ta významným způsobem ovlivňuje celkovou práci s daty. Proto jedůležité data očistit a zpracovat tak, aby byla jejich analýza co nejvíce efektivní.

Chybějící, neúplná nebo chybná data vedou k vysoce zavádějícím výsledkům.Proto by měla datová sada připravená na analýzu splňovat následující charakteris-tiky: správnost, úplnost, přesnost, konzistentnost a jednotnost.

Čištění dat může probíhat mnoha způsoby, přičemž jedním z nich je využitístatistických metod. Statistické metody jsou vhodné například pro doplnění chybě-jících číselných dat průměrnou nebo středovou hodnotou. Pomocí statistické validaceje také možné zredukovat datovou sadu pomocí decimování. Pro validaci textu jevhodné použít parsování, pomocí kterého lze zjistit, zda je řetězec ve správném for-mátu a vyhnout se tak syntaktickým chybám. Typickým příkladem parsování textuje validace e-mailové adresy, což je ověření, zda je ve správném formátu. Složitéčištění dat probíhá také v ETL procesech. Ty jsou tvořeny třemi kroky. V prvnímkroku dochází k extrakci dat z datového zdroje. Ve druhém kroku dochází k transfor-maci dat a ve třetím kroku jsou data nahrána do cílové destinace, kterou je typickydatový sklad (Cuesta, 2015). Více informací o ETL procesech se nachází v kapitole2.3 Business Intelligence.

Pro testování účetních dat není potřeba provádět čištění dat pomocí složitýchmetod. Je však potřeba provést určité metody, aby byla data připravena k analýze.V programu Microsoft Excel je provedena jednoduchá úprava, která vyhledává pro-blémové znaky. Účetní často napíšou do popisu účtovaného dokumentu středník,kterým oddělují nějaké informace. To je typický příklad problému, který znemožnísprávné načtení dat z formátu CSV, protože tam jsou jednotlivé proměnné oddělenystředníkem a středník navíc způsobí posunutí dat. Výsledkem pak jsou posunutésloupce. Podobný problém může nastat u textového souboru s uvozovkami. Dáleje kontrolována kompletnost dat, správné přiřazení záhlaví tabulky nebo formát, vekterém jsou zobrazeny částky. Při zpracování dat v excelu je potřeba dát si pozor naautomatický formát, který excel datům přiřadí. Další chyba může nastat u dat, kterájsou exportována z databáze, kde je použita tečka jako oddělovač desetinných míst.Pokud je totiž v excelu načtena menší částka, například 9.5, tak excel ji automa-


ticky převede na datum 9. května. Neodstranění podobných chyb, ke kterým běžnědochází, vede ke zdlouhavému zjišťování, proč výsledky analýzy nedávají smysl.

3.1.3 Tvorba datového modelu

Vytváření datového modelu v QlikView je odlišné od tradiční relační databáze. Přinahrání dat do QlikView je totiž datový model vytvořen zcela automaticky. Tabulkyjsou spojeny na základě názvů sloupců a datových struktur nebo na základě pře-dem definovaných parametrů v load scriptu. Datový model využívá strukturu typuhvězda (star). Ta je nejvhodnější z hlediska efektivnosti datové analýzy. Jak je zná-zorněno na obr. 8, datový model se skládá z faktové tabulky uprostřed, na kteroujsou navázány dimenzionální tabulky. Qlik View podporuje samozřejmě i jiné typydatových modelů, jako je například typ sněhové vločky (snowflake) nebo pouze sa-mostatná tabulka. Hvězdicová struktura je však flexibilnější než typ sněhové vločky.Je také vhodnější z hlediska využití paměti RAM a doby potřebné pro běh scriptunež data uložená v jediné tabulce (QlikTech, 2015).

Obrázek 8: Datový model typu hvězda. Zdroj: (QlikTech, 2015)

3.1.4 Načítání dat

Pro určení zdrojových dat je potřeba vytvořit load script, který zajistí správné na-čtení dat ze zdroje do datového modelu v QlikView. V panelu nástrojů se nacházítlačítko pro editaci zdroje dat. Po jeho stisknutí se otevře nové okno (obr. 9), kdeje možné editovat load script.


Obrázek 9: Okno pro editaci datového zdroje v QlikView. Zdroj: Autor

Script je možné editovat ručně, k tomu je však nutné znát scriptovací jazykzvaný Datascript. Tento jazyk na první pohled vypadá jako jazyk SQL. Datascripje založený na scriptovacím open-source jazyku Lua. Jeho syntaxe je tak mírně od-lišná. Připojení dat může ulehčit průvodce, pomocí něhož lze vybrat data z různýchzdrojů. Script pro jednoduché připojení datového zdroje pak bude vygenerován au-tomaticky. Následně může být doplněn o další funkce nebo editován dle požadavků.Následující ukázka zdrojového kódu slouží pro načtení CSV souboru, který obsa-huje čísla dokumentů exportovaných jako výsledek jednoho z testů. Kód říká, žebude načten zadaný soubor, ze kterého budou načteny čísla dokumentů a budek nim přiřazen atribut Test1_4. Ten bude mít vždy hodnotu ”1.4“, která označuječíslo testu. Na data bude aplikována funkce Transpose(), která transponuje sloupcea řádky zdrojového souboru. Načtená data budou uložena do tabulky Tests. Podob-ným způsobem jsou načteny další soubory sloužící pro další testy. Pomocí klíčovéhoslova JOIN jsou pak data připojena do stejné tabulky s názvem Tests.

Specifický zdrojový kód musel být použit pro vytvoření hierarchické struktury,pomocí níž by byl možný výběr syntetických účtů postupným výběrem počátečníchčíslic. Díky tomu je možné provést výběr účtů, které začínají číslicí 3, následně vý-běr rozšířit na účty začínající číslem 32 a 33. A na základě výsledků upravit výběrnapříklad jen na účety 321, 322 a 331. Aby byl tento postup výběru možný, je po-třeba vytvořit hierarchii účtů, aby byly mezi nimi zachovány asocicace. K vytvořenítabulky Hier-table bylo potřeba použít následující kód.

3.2 Vizualizace dat v QlikView 40

Hier_data:SQL SELECT UCET,Left(UCET,3) as UCET_3,Left(UCET,2) as UCET_2,Left(UCET,1) as UCET_1FROM DATABAZE.dbo.TABULKA;

Hier_tree:LOAD Distinct UCET as VALUE, UCET as NODE_ID,UCET_3 as PARENT_NODE_ID resident Hier_data;LOAD Distinct UCET_3 as VALUE, UCET_3 as NODE_ID,UCET_2 as PARENT_NODE_ID resident Hier_data;LOAD Distinct UCET_2 as VALUE, UCET_2 as NODE_ID,UCET_1 as PARENT_NODE_ID resident Hier_data;LOAD Distinct UCET_1 as VALUE, UCET_1 as NODE_ID,UCET_1 as PARENT_NODE_ID resident Hier_data;

Hier-table:Hierarchy(NODE_ID_H,PARENT_NODE_ID_H, ID,PARENT_NAME, NAME, Accounts_hierarchy) loadNODE_ID,NODE_ID as NODE_ID_H,PARENT_NODE_ID as PARENT_NODE_ID_H,VALUE as ID,VALUE as NAMEresident Hier_tree;

3.2 Vizualizace dat v QlikViewQlikView disponuje klasickým rozložením prvků uživatelského rozhraní (obr. 10), jakjsou uživatelé zvyklí z programů v prostředí Windows. V horní části okna aplikaceje hlavní menu a panel nástrojů. Ve spodní části je stavový řádek a oblast mezi nimije vyplněna pracovní částí. Nejdůležitější je právě pracovní oblast, protože na ní senachází všechny prvky umožňující práci s daty a jejich vizualizaci. QlikView nabízík použití velké množství interaktivních objektů. Dotazy lze tvořit již samotnýmklikáním na objekty. Pozice objektů a vzhled celé aplikace je uložen ve formátuXML,lze tedy uložit jako šablonu pro další použití. Nejdůležitější objekty budoublíže specifikovány.

List Box je nejzákladnější objekt, který obsahuje seznam hodnot určitého atri-butu. V seznamu jsou zobrazeny všechny hodnoty, které jsou pod daným sloupcem


uloženy v databázi. Pokud se některé hodnoty v daném sloupci nacházejí vícekrát,jsou ze seznamu vyřazeny. Zobrazeny jsou tak pouze unikátní hodnoty. V případěpotřeby je možné u každé hodnoty zobrazit počet opakujících se výskytů. Zobrazo-vané hodnoty lze seřadit i naformátovat dle požadavků.

Obrázek 10: Uživatelské rozhraní QlikView. Zdroj: Autor

Multi Box sdružuje několik List Boxů do jednoho objektu. Umožní vybrathodnotu atributu pomocí rozbalovacího seznamu nebo pomocí vyhledávání.

Občas je potřeba zadat na vstup nějaký řetězec nebo číselnou hodnotu, kteráby ovlivnila zobrazená data. To obvykle není možné, protože v tabulce, list boxuani grafu není možné data přepisovat. QlikView používá pro zvýšení interaktivityproměnné, které je možné kdykoliv změnit či vyvolat jejich hodnotu. Pomocí nichlze ovlivnit výsledky dotazů. Pro pohodlné zadávání hodnoty proměnné lze použítobjekt zvaný Input Box.

Table Box představuje základní objekt pro zobrazení tabulky. Sloupce tabulkymohou pocházet z různých zdrojových tabulek, pokud mezi nimi existuje vazba. Vevlastnostech tabulky lze nastavit různé možnosti řazení, filtrování i formátování dat.Speciálním typem tabulky je Pivot table. Jedná se o kontingenční tabulku, která jeschopná zobrazit mezisoučty, případně ji lze použít pro přechod do nižších úrovníněkteré z dimenzí. Zajímavostí je, že tabulky jsou zařazeny mezi grafy. Je tomu tak,protože sdílí společné vlastnosti. Například provedení výběru dat.

Buttons (tlačítka) slouží k provádění specifických akcí či příkazů. Každémutlačítku lze nastavit akce, kterou má zmáčknutí tlačítka vyvolat. Lze tak pomocíněj například exportovat data do souboru, provést specifický výběr, spustit externíaplikaci, přepnout záložku nebo otevřít URL adresu.


Text Object je klasický textový objekt, který může obsahovat text nebo ob-rázek. U textu lze vybírat z bohaté nabídky formátování.

Current Selections Box je objekt prezentující aktuální výběr. Přehledně jsouzde zobrazeny všechny atributy upravující filtrování a označené hodnoty atributů,které byly přidány do výběru.

Search Object zobrazí vstupní pole pro vyhledávání.Bookmark Object (záložka) slouží k oddělení objektů do několika oblastí,

mezi kterými lze přepínat. Větší počet objektů lze rozdělit do skupin a zobrazitkaždou skupinu objektů na jiné záložce pro zachování větší přehlednosti.

Obrázek 11: Nabídka pro výběr grafů v QlikView. Zdroj: Autor

Grafy tvoří skupinu objektů, které jsou zřejmě nejdůležitější, protože se provizualizaci dat používají nejčastěji. QlikView umožňuje použít následující typy grafů,které lze vybírat pomocí nabídky zobrazené na obr. 11.

• Sloupcový graf - Jedná se o nejzákladnější typ grafu, kde každé hodnotě na osex je přiřazen jeden sloupec. Výška sloupce je závislá na odpovídající hodnotěna ose y. Používá se pro diskrétní data.

• Spojnicový graf - Je definován podobným způsobem jako sloupcový graf. Narozdíl od něj však nemá sloupce, ale hodnota je vyjádřena křivkou a používá sepro spojitá data.

• Kombinovaný graf - Kombinace dvou předchozích grafů do jednoho. Jedna pro-měnná je zobrazena pomocí sloupců a druhá pomocí křivky.

• Koláčový graf - Ukazuje závislost mezi zvolenou dimenzí a jedním atributem.Plocha kruhu tvoří celek a jednotlivé výseče odlišené barvou znázorňují jednot-livé hodnoty.

• Bodový graf - Graf zobrazující hodnoty na dvou osách. Data jsou znázorněnajako množina bodů, jejichž horizontální umístění je závislé na hodnotě prvníproměnné a vertikální umístění na hodnotě druhé proměnné.

• Radarový graf - Způsob zobrazení vícerozměrných dat ve formě dvourozměrnéhografu se třemi a více osami.

• Mřížový graf - Jedná se o specifickou variantu bodového grafu, kdy jsou naosách dimenze a hodnota proměnné je vyjádřena pomocí symbolu. Je možné


přidat i třetí dimenzi, která je představována koláčovými grafy jako symbolyoznačující hodnoty.

• Budíkový graf - Používá se pro zobrazení jedné proměnné, bez možnosti použítdimenzi. Budíky zaujmou vizuální stránkou, nejsou však příliš efektivním způ-sobem zobrazení dat, protože zabírají hodně místa a je těžké porovnat hodnotymezi jinými budíky s rozdílným rozsahem.

• Blokový graf - Ukazuje vztah mezi proměnnými prostřednictvím bloků. Cel-ková plocha bloků představuje 100 % hodnoty proměnné. Umožňuje vyzualizo-vat jednu proměnnou až ve třech dimenzích.

• Trychtýřový graf - Slouží především pro zobrazení toku dat. Vzhledově je po-dobný koláčovému grafu.

3.2.1 Výběr

Provedení výběru v QlikView je možné mnoha způsoby. Výběrem hodnoty v ListBoxu, označením oblasti v grafu nebo například označením atributů v tabulce.QlikView disponuje specifickou logikou výběru, kterou jeho tvůrci přímo nazvalikoncept zelené, bílé a šedé. Pokud uživatel klikne myší na nějakou hodnotu, zbarvíse do zelené barvy a tím je označena jako vybraná. Tento výběr pak může ovlivnitdalší prvky. Asociovaná data jsou podbarvena bílou barvou a šedou jsou podbar-vena data, která s výběrem nejsou spojena. Pokud je například v tabulce nebo grafuoznačena hodnota konkrétního měsíce, ostatní grafy, které se nacházejí ve stejnémstavu, změní své hodnoty pouze pro data asociována s označeným měsícem. Po vy-brání konkrétní hodnoty jsou dynamicky vytvořeny vazby typu inner join, kteréspojí všechny asociované tabulky. Ostatní hodnoty v tabulce, které nebyly vybrány,změní barvu buňky na bílou, šedou, případně jednu z dalších barev, které označujístav vzhledem k provedenému výběru. Výběrový stav jednotlivých hodnot je defino-ván pomocí barev. Různým významům lze přiřadit i vlastní barvy. Zde jsou uvedenyvýchozí barvy a stavy, které představují:

• Zelená - vybraný (aktuálně vybraná data)

• Bílá - volitelný (lze přidat do výběru)

• Bílá nebo žlutá - alternativní

• Modrá - zamčený

• Šedá - vyloučený (nelze přidat do výběru)

• Červená - vynuceně vyloučený

Celý koncept lze vidět na obr. 12. Pokud je v kategorii ovoce vybrána položkajablko, zbarví se zeleně a ostatní položky stejné kategorie se zbarví do šedé barvy,

3.3 Vizualizace dat v Qlik Sense 44

která říká, že dané položky nemají s vybranou žádný vztah. Ve druhé kategorii ob-sahující barvy zůstanou první dvě hodnoty podbarvené bílou barvou, což znamená,že je lze přidat do výběru a upřesnit tak filtrování. Jablko je v asociaci se zelenoua červenou barvou. Žlutá barva je zvýrazněna šedou barvou, což znamená, že nemás jablkem žádnou asociaci.

Obrázek 12: Výběr pomocí konceptu zelená, bílá a šedá. Zdroj: (QlikTech, 2015)

3.3 Vizualizace dat v Qlik SensePráce v Qlik Sense je poměrně odlišná od staršího QlikView. Celá aplikace je na-vržena moderním způsobem a práce s novým uživatelským rozhraním je o mnohojednodušší. Velkou změnu přináší responzivní design. Jednotlivé prvky se na pracovníplochu dají přetahovat z nabídky pomocí drag & drop. Jejich umístění je ukotvenov mřížce, pomocí níž je definována velikost jednotlivých objektů. Díky tomu se ob-sah přizpůsobí automaticky velikosti jakéhokoliv displeje. Tuto vlastnost QlikViewnemá. Tam mají objekty pevně stanovenou velikost, proto se může stát, že uživatelna velkém monitoru uvidí vizualizaci pouze na malé části monitoru a jiný uživatels malým monitorem neuvidí kompletní obsah, aniž by musel posunovat obrazovku.V Qlik Sense se nejen mění velikost objektů v závislosti na velikosti monitoru, alemění se i vlastnosti objektů. Například u grafů se mění měřítko popisující osy nebomnožství zobrazovaných informací.

Jak je možné vidět na obr. 13, uživatelské rozhraní je velice přehledné a jedno-duché. V levé části aplikace je možné vybírat objekty pro vizualizaci. Pro usnadněníhledání objektu lze použít vstupní pole pro vyhledávání. Výběr objektu se provedepřetažením na pracovní plochu a jeho velikost lze upravit tažením šipek nacházejí-cích se na hranách objektu. Poměrnou velikost objektu určuje množství obsazenýchpolí v mřížce. Největší plochu uprostřed uživatelského rozhraní tedy zabírá pracovníplocha, která v režimu pro editaci slouží jako náhled vizualizovaných objektů. Pooznačení libovolného objektu lze v pravé části aplikaci měnit jeho vlastnosti. Zde jemožné objektům nastavit požadované výrazy a dimenze k zobrazení, nastavit typobjektu, popis, barvy a podobně. Možnosti nastavení zde nejsou tak bohaté jakou QlikView. Na druhou stranu je nabídka přehledná a jednoduchá. Díky tomu jepráce s Qlik Sense mnohem rychlejší. Ve spodní části obrazovky se nachází lištaobsahující několik ikon. Ty slouží pro rychlou práci s vybraným objektem. Umí ob-jekt kopírovat, vyjmout, vložit nebo smazat. V horní liště se nachází jednoduchý


panel nástrojů, který zajišťuje přístup k nezbytným funkcím pro vytváření a správuvizualizací.

Obrázek 13: Uživatelské rozhraní Qlik Sense. Zdroj: Autor

Podobně, jako tomu bylo v Qlik View, lze objekty seskupit a rozmístit na vícezáložek. Procházet mezi jednotlivými záložkami je možné pomocí šipek, které senachází v pravé horní části obrazovky. Je zde možnost i zobrazení přehledu všechzáložek pomocí miniatur, který je zobrazen na obr. 14.

Obrázek 14: Přehled záložek v Qlik Sense. Zdroj: Autor

Pomocí ikony umístěné na panelu nástrojů je možné zachytit různé okamžikyobjektů a ty pak následně použít pro prezentaci zajímavých hodnot ve funkci Story-telling. Zachyceným obrázkům objektů lze přidat komentáře, odkazy, ikony, obrázkya vytvořit tak zajímavou prezentaci, přičemž objekty si uchovávají odkaz na původnídata. Grafy je možné obohatit o efekty, které například upozorní na nejvyšší hod-noty v grafu. Interaktivní prezentaci lze sdílet s kolegy. Je to moderní způsob, jakukázat kolegům zajímavé informace včetně interaktivní vizualizace dat.


Objekty pro vizualizaci dat jsou v Qlik Sense podobné, jako v QlikView. Majívšak přepracovanou grafickou podobu i možnosti nastavení. QlikView umožňuje na-víc používání tlačítek. V Qlik Sense je naopak navíc prvek s názvem KPI pro vizu-alizaci číselných ukazatelů.

4 VÝSLEDKY PRÁCE 47

4 Výsledky práceV metodické části byli popsány postupy pro přípravu dat a tvorbu aplikacív QlikView a Qlik Sense. Nyní se práce můžu zabývat samotným návrhem finálníaplikace. Návrh musí zachytit všechny požadavky zadavatele. Dle návrhu bude pro-vedena implementace aplikace v nástroji QlikView a Qlik Sense. Následně bude pro-vedeno zhodnocení aplikací a na základě testování bude vyhodnocen jejich přínospro zadavatele.

4.1 Návrh aplikaceAplikace byla navržena podle požadavků zadavatele. Aby bylo možné požadavkyzpracovat přehledným způsobem, byly zachyceny pomocí Use Case diagramu. Tenzobrazuje funkcionalitu systému z pohledu uživatele.

Obrázek 15: Use Case diagram aplikace. Zdroj: Autor

Use Case diagram je znázorněn na obr. 15. Skládá se ze tří aktorů a desetipřípadů užití. Každý use case (případ užití) definuje jeden z požadavků na aplikaci.Administrátor musí mít přístup ke správě datových zdrojů, které aplikace využívá,

4.2 Tvorba aplikace 48

aby v ní mohl měnit data jednotlivých klientů. Také má možnost uploadovat vytvo-řenou aplikaci na server a spravovat přístupová práva, aby k ní mohli mít přístupdalší uživatelé. Nejdůležitější pro administrátora je, aby měl přístup k testům. Tentouse case je pomocí vazeb typu « include » navázán na další případy užití, které před-stavují jednotlivé skupiny testů. Součástí je test na kompletnost, nevybalancovanédokumenty a neobvyklé účetní kombinace. Obsahuje také analýzu aktivity uživa-telů, skupinu testů pro filtrování dokumentů na základě specifikovaných parametrůa možnost výsledky testů exportovat. K testování má také přístup aktor auditor.Jak administrátor, tak auditor mají přístup ke shrnutí reportu. Třetí aktor předsta-vuje klienta, který má omezená přístupová práva, a to pouze na prohlížení shrnutívýsledného reportu.

4.2 Tvorba aplikace4.2.1 QlikView

Aplikace byla vytvořena podle postupů popsaných v kapitole 3 Metodika práce.Uživatelské rozhraní aplikace bylo vytvořeno tak, aby korespondovalo s firemnímstylem zadavatele.

Obrázek 16: Menu pro přepínání záložek s testy v QlikView. Zdroj: Autor

Navigace aplikace v QlikView je řešena pomocí záložek. Záložky se nacházív záhlaví uživatelského rozhraní a rozdělují testy do jednotlivých skupin. Jak jeznázorněno na obr. 16, aktivní záložka je vždy zvýrazněna. Na každé záložce setedy nachází tabulky, grafy a jiné objekty, které vizualizují výsledky testů. Součástízáhlaví je také filtr, který může sloužit i pro vyhledávání dokumentů. Po vybráníčísla dokumentu, účtu, uživatele nebo strany účtování se upraví odpovídající tabulkypodle zadaných kritérií pro filtrování. V pravé části se nachází počítadlo, které zob-razuje počet dokumentů, které vyhovují aktuálnímu výběru. Pod něj bylo umístěnožluté tlačítko, které nastaví filtr do výchozího stavu.

Na první záložce s názvem Summary se nachází shrnutí reportu. To je de-tailně zobrazeno na obr. 17. V horní části jsou zvýrazněny tři informace. Obratspolečnosti, procento manuálně zaúčtovaných dokumentů a počet dokumentů, kteréneprošly některým z testů. Ty jsou pak níže roztříděny do pěti skupin, aby bylo pře-hledně zobrazeno, ve které skupině testů nevyhověly. Níže se nachází sloupcový grafznázorňující objem účtovaných dokumentů. Každý sloupec představuje počet do-kumentů zaúčtovaných v daném měsíci. Například pro výpočet množství manuálnězaúčtovaných dokumentů byl výraz definován následujícím kódem.


Obrázek 17: Shrnutí reportu v QlikView. Zdroj: Autor

=round(count({1}DOC_NUM) /Count({1}DOC_NUM),0.01,0)*100 & ' % '

Na obr. 18 je test na neobvyklé kombinace účtů. V horní části se nachází třioranžová tlačítka, která definují tři přednastavené kombinace účtů. Ty je možnénastavit i manuálně. Stačí kliknout v levé části výčtu na účty požadované na de-bitu a v pravé části na účty požadované na kreditu. Stisknutím žlutého tlačítkaRun test se test spustí a výsledkem bude seznam dokumentů, které obsahují danoukombinaci účtování. Tlačítku pro spuštění testu byla nastavena funkce select in fields výběrem proměnné DOC_NUM označující číslo dokumentu. Následně se provedeprůnik dokumentů nacházejících se ve stavu 1 a ve stavu 2, přičemž ve stavu 1 senacházejí dokumenty, které obsahují označené účty na debitu a ve stavu 2 se nacházídokumenty se zadanými účty na kreditu. Výsledkem je seznam dokumentů, kteréobsahují některou z vybraných kombinací účtování. Nastavení akce a definice výrazupomocí scriptu je zachycena na obr. 19.

Výsledky se zobrazí v tabulce pod zadáním testu. V pravé horní části se takénachází tři tlačítka, která slouží k exportu čísel dokumentů, které odpovídají zadáníjednotlivých testů. Exportované čísla dokumentů se uloží do externího CSV souboru,


který má stejný název jako je název testu.

Obrázek 18: Test neobvyklých kombinací účtů v QlikView. Zdroj: Autor

Test na nevybalancované dokumenty (obr. 20) není potřeba spouštět žádnýmtlačítkem. Provede se automaticky po spuštění aplikace za předpokladu, že je připo-jena na zdroj dat. Vizualizace je řešena pomocí jednoduché tabulky, kde je zobrazenočíslo dokumentu, součet částek účtovaných na debit, součet částek účtovaných nakredit a jejich rozdíl. Pod tabulkou se nachází tlačítko pro exportování výsledků.

Obrázek 19: Editace výrazu pomocí scriptu v QlikView. Zdroj: Autor

Na záložce Users se nachází vizualizace analýzy uživatelů (obr. 21). V horní částise nachází sloupcový graf, který zobrazuje počet dokumentů zaúčtovaných jednot-livými uživateli pomocí křivky. Sloupce představují celkovou zaúčtovanou částku.


Graf byl vytvořen pomocí prvku combo graph, který kombinuje sloupcový a spojni-cový graf. Jako dimenze byl použit identifikátor uživatele a jako výraz byl použitsoučet částek v absolutní hodnotě a počet dokumentů. Pod grafem lze vidět tabulkuzobrazující přehled o zaúčtovaných částkách jednotlivých uživatelů. V pravé částilze vyhledat podezřelého uživatele zadáním hledaného řetězce do vstupního pole.Zadaná hodnota se uloží do proměnné a je použita ve scriptu, který definuje výrazv tabulce.

Obrázek 20: Zobrazení nevybalancovaných žurnálů v QlikView. Zdroj: Autor

Obrázek 21: Analýza aktivity uživatelů v QlikView. Zdroj: Autor

Další kategorie testů, která se nachází na záložce Amounts je zobrazena na obr.22. Pomocí kombinace grafů, tabulek, vstupních polí a tlačítek zde lze provést něko-lik dalších testů. Pomocí nich lze v datech najít dokumenty, které obsahují podezřelezaokrouhlené částky, duplicitní dokumenty, dokumenty s opakující se vysokou část-kou nebo dokumenty se zadaným řetězcem v popisu. Také je zde tabulka zobrazujícídokumenty s nejvyššími zaúčtovanými částkami.


Obrázek 22: Zobrazení testů z kategorie Amounts v QlikView. Zdroj: Autor

4.2.2 Qlik Sense

Z důvodu možnosti porovnání byla vytvořena stejná aplikace i v nástroji Qlik Sense.Jak lze vidět na obr. 23, uživatelské rozhraní vypadá odlišně od aplikace vytvořenév QlikView. Je to způsobeno tím, že Qlik Sense nenabízí tolik možností individuali-zace uživatelského rozhraní. Vzhled se tedy musel přizpůsobit možnostem nástroje.Zde jsou také jednotlivé skupiny testů rozděleny do záložek. Na obr. 23 je zobrazenzákladní přehled o datech, kde se lze dozvědět roční obrat společnosti, procento ma-nuálně zaúčtovaných dokumentů, počet nevyhovujících dokumentů, počet zaúčto-vaných operací, celkový počet dokumentů nebo průměrný počet účetních operacív jednom dokumentu. Dále se zde nachází sloupcový graf znázorňující objem zaúčto-vaných dokumentů. Sloupce představují objem finančních prostředků zaúčtovanýchv daném měsíci. Kolečkem je pak označen počet dokumentů pro každý měsíc. Vespodní části se nachází blokový graf, který zobrazuje přehled o typech dokumentů.

Obrázek 23: Shrnutí reportu v Qlik Sense. Zdroj: Autor

Na obr. 24 je vidět ukázka vizualizace testu kompletnosti pomocí budíkovýchgrafů. Ty zobrazuje rozdíl částek účtovaných na debit a kredit v hlavní knize, účet-ním deníku a následně jejich rozdíl. Ten je definovaný následujícím výrazem.


=round(((sum({1}DR)-sum({1}CR))-(sum( {1 }AMOUNT) + sum( {1 } AMOUNT))),0.01,0)

Obrázek 24: Test kompletnosti v Qlik Sense. Zdroj: Autor

Hlavním nedostatkem Qlik Sense z hlediska požadavků na aplikaci je, že v nínelze vykonat test na neobvyklé kombinace účtů. Tento test byl v QlikView vyřešenpomocí alternativních stavů a následné aplikace akce, která po stisknutí tlačítkaprovedla průnik dvou stavů. V QlikSense nelze používat tlačítka, alternativní stavyani akce. Provedení tohoto testu tedy není možné. Jak je znázorněno na obr. 25, jezde možné pouze vizualizovat data v tabulce a filtrovat je pomocí hierarchie účtů.

Obrázek 25: Test neobvyklých kombinací účtů v Qlik Sense. Zdroj: Autor

Analýza aktivity uživatelů je vizualizována pomocí kombinovaného grafu a ta-bulky s přesnými údaji (obr. 26). V grafu lze opět vidět objem finančních prostředků


a počet zaúčtovaných dokumentů pro každý měsíc. V tabulce níže je u každého uži-vatele uveden počet dokumentů, který zaúčtoval. V dalším sloupci je celková suma,kterou každý z uživatelů zaúčtoval a průměrná částka jejich dokumentů.

Obrázek 26: Analýza aktivity uživatelů v Qlik Sense. Zdroj: Autor

4.2.3 Srovnání QlikView a Qlik Sense

V tab. 1 je znázorněn přehled funkcí, které je nutno použít, aby aplikace mohla spl-nit požadavky zadavatele. Qlik Sense je velice moderní nástroj, který má přívětivéuživatelské prostředí a práce s ním je velice snadná a rychlá. Jedná se však o po-měrně nový produkt, který zatím neobsahuje tolik funkcí, jako má starší QlikView.QlikView tedy umí o poznání více funkcí, na druhou stranu má méně přívětivé uži-vatelské rozhraní a práce s ním je pomalejší a náročnější.

Jak je znázorněno v tab. 1, Qlik Sense nenabízí možnost používat vstupní pole.To je zásadní nedostatek, který znemožní provedení některých testů. Například přihledání dokumentů obsahujících zadaný řetězec v popisu nebo dokumentů, kterébyly účtovány po zadaném datu. Uživatel nemá možnost vložením řetězce ovlivnitdotaz, který zpracovává test. Dále Qlik Sense nepodporuje alternativní stavy, kterébyly v QlikView použity pro testování neobvyklých kombinací účtů. Tato funkce bylanezbytná k tomu, aby bylo možné označit vybrané účty, které byly účtovány na debita jiná sada účtů, která byla účtována na kredit. Jednotlivé sady účtů byly oddělenydo různých stavů, aby je bylo možné odlišit a provést mezi nimi výpočet, jehožvýsledkem jsou dokumenty nacházející se v průniku obou stavů. V Qlik Sense tedynení možné provést tento test. Dále Qlik Sense neumí pracovat s tlačítky a akcemi,které jsou pomocí nich volány. Tlačítka byla použita převážně ke spouštění některých

4.3 Testování aplikace 55

Tabulka 1: Srovnání QlikView a Qlik Sense z hlediska požadavků

Funkce QlikView Qlik Senseseznam ano anotabulka ano anograf ano anovstupní pole ano netlačítko ano netextový objekt ano anoalternativní stavy ano neakce ano nezáložky ano anoexport výběru do CSV ano anoexport tabulky do excelu ano anozápis zpět do zdroje ne ne

testů a k volání akce pro exportování výsledků do CSV souborů. Export výsledkůpředstavuje jedinou možnost, jak lze označit dokumenty, které neprošly testy, abyje bylo následně možné znovu načíst v poslední záložce aplikace, kde je zobrazensouhrn výsledků. Qlik Sense tuto funkci nemá. Umožňuje exportovat dílčí výsledkyjednotlivých testů, z nich však není možné vytvořit souhrn, který by u každéhoz dokumentů uvedl, kterými testy neprošel. Exportováním a následným načtenímčísel dokumentů tak lze nahradit jedinou funkci, kterou QlikView neumí. Zapisovatzpět do zdrojových dat neumí ani QlikView, ani Qlik Sense, u kterého navíc tentonedostatek není čím nahradit.

Z uvedeného plyne, že dokud nebude do Qlik Sense doplněna chybějící funk-cionalita, není vhodný pro testování finančních dat dle potřeb zadavatele. NaopakQlikView je vhodný pro tento účel. Měl by dokonce zefektivnit práci auditorů. Tototvrzení bude potvrzeno nebo vyvráceno v následující kapitole, kde proběhne testo-vání a měření.

4.3 Testování aplikaceJak bylo uvedeno v předchozí kapitole, Qlik Sense neobsahuje všechny funkce, kteréjsou potřebné k provedení testování. Z toho důvodu bude provedeno testování pouzeaplikace v QlikView.


Pro potřeby testování bylo vytvořeno 11 úkolů, které byly stanoveny mezi po-žadavky zadavatele na aplikaci:

1. Porovnat souhrn účtů z deníku na hlavní knihu

2. Zjistit roční obrat společnosti

3. Zjistit měsíc, ve kterém bylo zaúčtováno nejvíce dokladů

4. Zjistit, který uživatel zaúčtoval nejvyšší částku v součtu za celý rok

5. Zjistit počet nevybalancovaných dokumentů

6. Vyhledat doklad, který má v popisu řetězec podvod

7. Najít počet duplicitních dokumentů

8. Najít doklad s největším obratem

9. Najít doklady obsahující účtování 5x / 6x

10. Najít doklady s účtováním 32x / jiný než 5x

11. Najít doklady s účtováním 221x, 321x / jiný než 6x

Aby bylo možné aplikaci v praxi použít, je potřeba, aby umožnila splnění stano-vených úkolů. Zmíněné úkoly budou provedeny také tradičním způsobem přes SQLserver na stejném vzorku dat, aby bylo možné posoudit efektivnost procesu testovánídat.

K testování byla použita data o velikosti 772 MB obsahující 1 700 000 účetníchzáznamů. Jsou rozdělena do několika souborů ve formátu CSV, podle zdrojovýchtabulek ze systému SAP. Hlavičky dokumentů byly exportovány z tabulky BKPF.Jednotlivé účetní zápisy pak z tabulky BSEG. Třetí soubor obsahuje účetní deník.

První probíhalo testování pomocí SQL serveru. V úvodní fázi bylo potřebapřipravit data k testování, což obnáší i nahrání dat do databáze na SQL server.Upload dat na server byl proveden aplikací SQL Server Import and Export Wizard.Pro usnadnění budoucích procesů byl vytvořen pohled nad vytvořenými tabulkami.Tím došlo ke sloučení dat z různých tabulek a jejich konverze do správného da-tového typu. Při vytváření pohledu došlo také k přejmenování sloupců, aby bylomožné využít některých z předem připravených SQL dotazů. Pohled neobsahuježádná data, ta jsou čerpána přímo ze zdrojových tabulek. V další fázi mohlo dojítk samotnému plnění úkolů. Pro každý úkol byl vytvořen SQL dotaz, který provedlvýpočet nad předem vytvořeným pohledem. Výsledky dotazů byly dokumentoványdo připravených souborů, které následně slouží jako podklady pro práci auditorů.

Ve druhé fázi testování byly provedeny stejné úkoly v aplikaci vytvořené pomocíQlikView. Příprava dat zahrnovala vytvoření nového souboru v programu MicrosoftExcel, kde byly uloženy vybrané informace z účetního deníku tak, aby byly ve for-mátu, který load script aplikace očekává. Následně byl deník spolu s tabulkamiBSEG a BKPF připojen k aplikaci pomocí metod, které jsou popsány v kapitole


3 Metodika práce. Aplikace byla navržena tak, aby co nejvíce informací zobrazilauživateli automaticky po načtení dat. Z toho důvodu bylo prvních osm úkolů zobra-zeno ihned bez nutnosti spouštět nějaké testy. Testy 9, 10 a 11, které jsou podobnéhotypu, bohužel není možné vizualizovat ihned po načtení dat. Je potřeba definovat,které účty mají být na straně má dáti a které na straně dal. Poté je potřeba stisknouttlačítko pro provedení testu. Dokumentace výsledků probíhala stejným způsobem,jako v předešlém případě.

Tabulka 2: Výsledky testování

Úkoly k testování Čas SQL Čas QlikView1. úkol 0:03 02. úkol 0:02 03. úkol 0:03 04. úkol 0:03 05. úkol 0:09 06. úkol 0:07 07. úkol 0:12 08. úkol 0:14 09. úkol 0:05 0:3410. úkol 0:06 2:4311. úkol 0:09 2:45

Příprava dat 19:56 5:10Dokumentace a příprava testů 31:00 16:48

Celkem 52 minut 28 minut

Výsledky měření jsou uvedeny v tab. 2. Časový údaj uvedený u jednotlivýchúkolů představuje čas potřebný k provedení výpočtu nad daty. Ze všeho nejdříveje však nutné připravit data, aby bylo vůbec možné provádět testování. Proto jsoudo celkového času testování započteny nejen časy výpočtů jednotlivých úkolů, aletaké čas potřebný na přípravu dat a dokumentování výsledků. Hlavním důvodem jepřiblížení průběhu testování co nejvíce situaci, která nastává v praxi.

Jak je z výsledků patrné, čas potřebný k provedení výpočtů nad daty je mi-nimální ve srovnání s celkovým časem testování. SQL Server potřeboval při plněnívšech úkolů pouze několik sekund na vrácení výsledků ze zadaného dotazu. Nejdéletrval výpočet nad dotazem zjišťujícím doklad s největším obratem, a to 14 sekund.V QlikView je situace mírně odlišná. Jak bylo zmíněno dříve, prvních osm úkolůbylo splněno v okamžiku načtení zdrojových dat. Další tři úkoly využívají kombi-naci několika stavů, kde se hledá jejich průnik. Tato operace je náročnější, a proto


trvá déle. Časově nejnáročnější výpočet byl v posledním úkolu a trval 2 minuty a 45sekund. Výraznější rozdíl lze vidět v času potřebném na přípravu dat. Kvůli časověnáročnějšímu nahrávání dat na SQL Server bylo v prvním případě potřeba 19 mi-nut a 56 sekund na přípravu dat. V QlikView byla data připravena k testování za5 minut a 10 sekund. Čas potřebný na dokumentování výsledků a přípravu testůbyl v případě SQL Serveru vypočítán odečtením času jednotlivých úkolů a přípravydat od celkového času, který testování trvalo. Celé testování trvalo 52 minut v pří-padě SQL Serveru a 28 minut v případě QlikView. Z uvedeného plyne časová úsporazhruba 46 % při testování pomocí aplikace vytvořené v QlikView.

Pro vyčíslení ekonomického přínosu aplikace je potřeba počítat s tím, že k tes-tování náleží další neméně důležité procesy. Data, která byla pro testování použita,byla již očištěna a připravena pro plnění úkolů. Takový případ v praxi není běžný.Data, která firmy exportují ze svých informačních systémů, je potřeba nejdříve očis-tit a zpracovat. Očištění a příprava dat se provádí způsoby popsanými v kapitole3.1 Příprava dat. Čištění a příprava dat trvá často déle než provádění samotnýchtestů. Vzhledem k tomu bude výpočet ekonomického přínosu vycházet z toho, že za-městnanec pověřený testováním dat stihne provést testování maximálně 4x za den.Pokud by tedy bylo testování provedeno 4x za den, 20 dní v měsíci a s hodinovousazbou zaměstnance 600 Kč, bude měsíční úspora zavedením QlikView 19200 Kč nazaměstnance.

Aplikace by mohla zadavateli přinést další neméně důležitý, avšak těžce kvan-tifikovatelný přínos. Auditoři jsou specialisté na účetnictví a neočekává se od nichznalost jazyka SQL, ani práce s SQL Serverem. Zavedením QlikView by mohli i au-ditoři získat přístup k testům. Jak je zmíněno výše, většina testů se provede au-tomaticky při spuštění aplikace. Zbývající stačí spustit tlačítkem. Práce s QlikViewa používání již vytvořené aplikace je jednoduché, intuitivní a nevyžaduje znalost IT.To usnadní a urychlí provádění testů především v případě, že výsledkem jednohoz testů je příliš mnoho dokladů. Například pokud bude výsledkem některého z testůna neobvyklé účetní kombinace 10000 dokumentů, auditoři je nebudou všechny jed-notlivě procházet. Podívají se na nejčastěji opakující se vzory účtování a na jejichzákladě upraví zadání testu. Následně je potřeba upravit SQL dotaz o kombinace,které jsou v podniku standardní a provést test znovu. Tento proces se může opako-vat a prodlužovat tak celkovou dobu testování dat. Kdyby auditor měl přístup keQlikView, celá situace by byla jednodušší. Mohl by sám upravit zadání testu podlepotřeby pouze označením jiného účtu v tabulce zobrazující dostupné účty. Výsledkytestu by se přepočítaly a na jejich základě by mohlo být opět upraveno zadání.Nové výsledky by pak byly dostupné během několika okamžiků. Přístup k aplikaciby auditorům mohl být zajištěn díky komponentě QlikView Server, který umožníaplikacím běžet na serveru. Aplikace jsou dostupné všem oprávněným uživatelůmv rámci počítačové sítě, jak bylo popsáno v kapitole 2.7 QlikView.

5 DISKUZE 59

5 DiskuzeBusiness Intelligence je oblast, která se zabývá především analýzou podnikovýchdat a vizualizací klíčových ukazatelů výkonnosti (KPI) pro řídící pracovníky, kte-rým poskytuje podporu pro rozhodování. Tato oblast je velmi progresivní, a protoBI nástroje nachází uplatnění i pro jiné účely, než pro které byly původně vytvořeny.Business Intelligence je inovativní mimo jiné i v tom, že přináší možnost provádětanalýzu dat pro manažery, marketéry nebo obchodní zástupce. Ještě nedávno mohlidatové analýzy provádět pouze IT odborníci. Tuto myšlenku rozvíjí i v jedné z vel-kých auditorských firem patřící do velké čtyřky. Tam zpracovávají velké množstvífinančních dat, a tak stále pracují na zlepšování procesů a zvyšování efektivity práces daty.

Jeden z projektů se týká zavedení Business Intelligence pro testování účet-ních dat, které probíhá v rámci každého auditu. K testování byl zvolen BI nástrojQlikView od společnosti QlikTech, který je dle analýzy společnosti Gartner jedenz nejlepších na trhu. Jedním z hlavních cílů této práce je vyhodnotit, zda je QlikViewvhodným nástrojem pro automatizaci testování účetních dat pro potřeby auditu.Práce se zabývá porovnáním aktuálních metod pro testování dat v zadavatelskéfirmě s možností testovat data v QlikView. Nyní se testování dat ve firmě pro-vádí pomocí SQL Serveru, kde se nahrají data a nad nimi se spouští testy napsanév podobě SQL dotazů. Data k testování jsou získávána od klientů v různých for-mátech, protože firmy používají různé informační systémy nabízející různé možnostiexportu dat. Většina klientů zadavatelské firmy používá ERP systém SAP, proto sepráce zabývá extrakcí dat pouze z tohoto systému. Data získaná od klientů častoobsahují nějaké nedostatky, proto je potřeba data nejprve zpracovat, aby mohlo tes-tování proběhnout bez chyb a co nejefektivnějším způsobem. Z toho důvodu častotrvá příprava dat déle, než samotné testování. Zavedením QlikView by se částečněmohla urychlit příprava dat, protože QlikView umí například data konvertovat dosprávného datového typu automaticky. Stejně tak umí vytvořit automaticky i da-tový model. Proces přípravy dat však nelze zcela automatizovat a bude nutné jejprovádět i v případě zavedení QlikView.

Nad daty se provádí desítky různých testů. Pro návrh testovací aplikace bylostanoveno několik skupin testů, na základě kterých lze rozhodnout, zda je QlikViewpro zadavatele vhodným nástrojem, či nikoliv. V rámci práce byla implementovánaaplikace, která umožňuje provést testování účetních dat například za celý finančnírok. Následně bylo provedeno měření, ve kterém byla otestována stejná data pomocíSQL Serveru a pomocí aplikace vytvořené v QlikView. Měřením bylo zjištěno, žetestování v QlikView bylo o 46 % rychlejší, než pomocí SQL Serveru. Předpokládalose, že dojde k časové úspoře během fáze přípravy dat. V očekávání však nebylo, žeQlikView bude potřebovat 5x více času čistě k analyzování dat než SQL Server. Tobylo pravděpodobně způsobeno tím, že testování dat ve firmě momentálně probíhána SQL Serveru a v případě zavedení QlikView by byla analýza dat prováděna,zejména v úvodní fázi, pouze na desktopovém počítači. Proto byla tato skutečnost

5 DISKUZE 60

zohledněna při testování a QlikView běželo také pouze na desktopu.V době kdy probíhala tvorba aplikace v QlikView, byla zveřejněna testovací beta

verze nového produktu s názvem Qlik Sense. Jedná se o zcela nový produkt, kterýje natolik zajímavý, že byla práce rozšířena o jeho srovnání s QlikView. V obounástrojích se používá stejný scriptovací jazyk. Uživatelské rozhraní je však zcelaodlišné. Díky tomu, že byl Qlik Sense navržen podle nejnovějších trendů, je práces ním velice rychlá a uživatelsky přívětivá. Bohužel zatím nemá tolik funkcí jakoQlikView, ale s každou novou verzí se přidávají další. Momentálně mu chybí klíčovéprvky, které jsou nutné k provedení testů. Proto Qlik Sense není momentálně prozadavatele vhodný. QlikView naopak splňuje požadavky zadavatele a je tedy vhodnýpro testování finančních dat v rámci auditů.

Výsledky práce byly prezentovány zadavatelské firmě, která se rozhodla aplikacipoužít v testovacím provozu. V polovině roku 2015 bude provoz aplikace vyhodnocena bude rozhodnuto, zda se bude projekt dále rozvíjet, či nikoliv. Prostor pro rozvojzde určitě je, a to především v provozu aplikace na serveru. Bohužel jsem nemělmožnost aplikaci otestovat v prostředí QlikView Server, které umožní běh aplikacena serveru a zpřístupní ji všem uživatelům s příslušným oprávněním. Pro pilotní fáziprojektu nebyla k dispozici serverová licence, proto byla aplikace testována pouzena desktopovém počítači.

6 ZÁVĚR 61

6 ZávěrPráce se zabývá využitím Business Intelligence jako prostředku pro automatizacitestování finančních dat. V úvodní části byla nastudována problematika přenosufinančních dat mezi podniky a byly prozkoumány možnosti extrakce dat z ERP sys-tému SAP. V literárním přehledu je zpracována problematika Business Intelligencea související pojmy. Nachází se zde také přehled BI nástrojů QlikView a Qlik Sensevčetně popisu architektury, asociativního datového modelu a srovnání s konkurenč-ními produkty. V metodice je popsána nezbytná příprava dat, možnosti zdrojů data tvorba datového modelu. Následně je popsán postup pro tvorbu uživatelskéhorozhraní a implementaci testů v QlikView a Qlik Sense.

Hlavní náplní práce bylo vytvoření BI aplikace. Tvorbě aplikace předcházelo vy-tvoření návrhu, který zachytí požadavky zadavatele. Návrh požadavků byl zhotovenpomocí use case diagramu. V nástroji QlikView bylo vytvořeno uživatelské rozhraníaplikace, které bylo rozděleno na několik záložek. Na každé záložce se nachází testy,které jsou tvořeny kombinací objektů uživatelského rozhraní a scriptů. Pomocí loadscriptu se do aplikace načítají data. Výsledkem je aplikace, která je schopná pracovatna stolním počítači, serveru nebo mobilním zařízení. Pomocí aplikace je možné ana-lyzovat účetní data libovolné společnosti například za celý finanční rok. Výsledkyjsou vizualizovány pomocí přehledných tabulek a grafů. Z výstupu lze napříkladzjistit obrat společnosti, provést analýzu uživatelů, odhalit podezřele zaúčtovanédokumenty a další důležité informace, které jsou v práci blíže popsány.

Cílem práce bylo také vyhodnotit, zda zavedení QlikView může zefektivnit práciauditorů. Testováním a měřením bylo zjištěno, že zavedení QlikView by mohlo sní-žit čas potřebný na provedení testů o 46 % a za předpokladů blíže specifikovanýchv práci by tak mohlo dojít k úspoře 19200 Kč na zaměstnance za měsíc. Dalšímdůležitým přínosem by bylo zefektivnění opakovaných testů na neobvyklé účetníkombinace, které by si mohl auditor provádět sám bez podpory IT oddělení v ne-srovnatelně kratším čase.

Přínosem práce pro teorii je ucelený přehled popisující práci v QlikView a QlikSense a srovnání těchto dvou nástrojů. Kromě přínosu pro teorii a praxi měla prácepřínos i pro autora, a to v podobě nově získaných znalostí a praktických zkušeností.

Navržená aplikace splnila požadavky zadavatele a nyní je v testovacím provozu.Po jeho vyhodnocení bude rozhodnuto o dalším rozvoji projektu. Cíle stanovené nazačátku práce byly splněny.

7 REFERENCE 62

7 ReferenceAdastra. BIG DATA – VELKÉ VÝZVY A PŘÍLEŽITOSTI [online]. 2014, [cit.

2015-02-04]. Dostupné z: http://www.adastra.cz/ict-reseni/big-data.

Adastra. Business Intelligence a Mobile BI [online]. 2014, [cit. 2015-02-04].Dostupné z: http://www.adastra.cz/ict-reseni/business-intelligence-a-mobile-bi?tid=15.

Auditore, P. In-Memory Technology: Innovation in Business Intelligence?[online]. 2012, [cit. 2015-03-02]. Dostupné z: http://sandhill.com/article/In-Memory-technology-innovation-in-business-intelligence/.

Berry, M. J. A., Linoff, G. S. Data Mining Techniques 2. vyd. New York:Wiley, 2004.ISBN 978-0764569074.

Dvořáková, D. Finanční účetnictví a výkaznictví podle mezinárodních standardůIFRS 3. vyd. Brno: Computer Press, 2011. 344 s.ISBN 978-80-251-3652-2.

Cloud.cz Novinky [online]. [cit. 2015-02-14]. Dostupné z: http://www.cloud.cz/.

Columbus, L. Key Take-Aways From Gartner’s 2015 Magic Quadrant ForBusiness Intelligence And Analytics Platforms [online]. [cit. 2015-04-14].Dostupné z: http://www.forbes.com/sites/louiscolumbus/2015/02/25/key-take-aways-from-gartners-2015-magic-quadrant-for-business-intelligence-and-analytics-platforms/.

Cuesta, H. Analýza dat Brno: Computer Press, 2015. 296 s.EAN 9788025143612.

Dolák, O. Big data, Nové způsoby zpracování a analýzy velkých objemů dat [online].2011, [cit. 2015-01-20]. Dostupné z: http://www.systemonline.cz/clanky/big-data.htm.

English, D. Understanding QlikView’s associative architecture [online]. 2010,[cit. 2015-04-20]. Dostupné z: http://web.austral.edu.ar/descargas/facultad-ingenieria/2010-jornada-datamining-WhitePaper-Understanding-QlikViews-Associative-Architecture-v11.pdf.

Gála, L., Pour, J., Šedivá, Z. Podniková informatika 2. vyd. Praha : GradaPublishing, 2009ISBN 978-80-247-2615-1.

Gartner. Big Data Analytics - Free Gartner Research [online]. 2013, [cit. 2015-02-04]. Dostupné z: http://www.gartner.com/it-glossary/big-data/.

7 REFERENCE 63

Gartner. Magic Quadrant for Business Intelligence and Ana-lytics Platforms [online]. 2015, [cit. 2015-05-01]. Do-stupné z: http://www.gartner.com/technology/reprints.do?id=1-2ACLP1P&ct=150220&st=sb.

Gartner. Business Intelligence [online]. 2013, [cit. 2015-02-14]. Dostupné z:http://www.gartner.com/it-glossary/business-intelligence-bi/.

Gartner. Dashboards [online]. 2013, [cit. 2015-04-24]. Dostupné z:http://www.gartner.com/it-glossary/dashboard.

Hoffman, Ch., Watson, L. XBRL For Dummies US: Wiley, 2009. 436 s.ISBN 978-0470499795.

Humphries, D. Compare Business Intelligence (BI) Soft-ware Tools [online]. 2015, [cit. 2015-05-01]. Dostupné z:http://www.softwareadvice.com/bi/?layout=var_ch0.

Imhoff, C, White, C. Self-service Business Intelligence: EmpoweringUsers to Generate Insights. TDWI Best Practices Report [on-line]. 2011, Third Quarter, s. 40 [cit. 2015-02-25]. Dostupné z:http://www.sas.com/resources/asset/TDWI_BestPractices.pdf.

Industrial CodeBox. List Of Connectors For QlikView & Qlik Sense [online].2015, [cit. 2015-04-04]. Dostupné z: http://www.qvsource.com/Connectors-For-QlikView/All.

Ištvánfyová, J., Mejzlík, L. Vykazování podnikových dat v elek-tronické podobě – XBRL [online]. [cit. 2015-02-03]. Dostupné z:http://www.vse.cz/cfuc/cislo.php?cislo=2&rocnik=2006.

Johnson, R. Scaling Facebook to 500 Million Users and Beyond [online].[cit. 2015-01-18]. Dostupné z: https://www.facebook.com/notes/facebook-engineering/scaling-facebook-to-500-million-users-and-beyond/409881258919.

Kadeřábek, F. Zvyšování konkurenceschopnosti: Kdybychom vě-děli, co nevíme [online]. 2006, [cit. 2015-02-12]. Dostupné z:http://businessworld.cz/ostatni/zvysovani-konkurenceschopnosti-kdybychom-vedeli-co-nevime-3113.

Komix. Big Data spolehlivě a rychle zpracuje QlikView [online]. 2014, [cit. 2015-02-14]. Dostupné z: http://www.itpoint.cz/komix/clanky/?i=big-data-qlikview-9648.

Laberge, R. Datové sklady, agilní metody a business intelligence Brno: ComputerPress, 2012. 350 s.ISBN 978-80-251-3729-1.

7 REFERENCE 64

Lacko, L. Business Intelligence v SQL Serveru 2005: Reportovací, analytické adalší datové služby Brno: Computer Press, 2006.ISBN 80-251-1110-5.

Layton, J. How Amazon works [online]. 2015, [cit. 2015-01-18]. Dostupné z:http://money.howstuffworks.com/amazon1.htm.

Luhn, H. P. A Business Intelligence System [online]. 1958, [cit. 2015-03-18]. Do-stupné z: http://altaplana.com/ibmrd0204H.pdf.

Mladá Fronta. Společnost Cognos se umístila v sektoru Leaders Quadrant vezprávě New Analyst Report - Živě.cz [online]. 2008, [cit. 2015-02-03. Dostupnéz: http://www.zive.cz/tiskove-zpravy/spolecnost-cognos-se-umistila-v-sektoru-leaders-quadrant-ve-zprave-new-analyst-report/sc-5-a-140989/default.aspx.

Nieuwbourg, P. Qlik is finally coming to Data Storytelling with Qlik Sense [on-line]. 2014, [cit. 2015-04-03. Dostupné z: http://www.datastorytelling.tv/Qlik-is-finally-coming-to-Data-Storytelling-with-Qlik-Sense_a78.html.

Novotný, O., Pour, J. Business Intellige e. 1. vyd. Praha : Grada Publishing,2005ISBN 80-247-1094-3.

Patel, M. SAP ERP Financials Brno: Computer press, 2014. 344 s.978-80-251-2488-8.

Půlpán, J. Dolování dat aneb Hledání skrytých souvislostí [online]. 2001, [cit. 2015-05-01]. Dostupné z: http://www.systemonline.cz/clanky/dolovani-dat-aneb-hledani-skrytych-souvislosti.htm.

PwC. How companies can minimize reporting risks and re-alize benefits [online]. 2014, [cit. 2015-02-09]. Dostupné z:http://www.pwc.com/en_GX/gx/xbrl/assets/xbrl-submission-processes.pdf.

QlikTech. Introducing the QlikView Business DiscoveryPlatform [online]. 2015, [cit. 2015-03-09]. Dostupné z:http://www.qlik.com/uImhoffs/explore/products/qlikview.

QlikTech. QlikView architectural overview [online]. 2014, [cit. 2015-04-09]. Do-stupné z: https://community.qlik.com/servlet/JiveServlet/previewBody/7673-102-1-10318/WP-QlikView-Architectural-Overview-EN.pdf.

QlikTech. QlikView community [online]. 2014, [cit. 2015-04-09]. Dostupné z:https://community.qlik.com/thread/134223.

QlikTech. THE QLIKVIEW PRODUCT FAMILY[online]. 2011, [cit. 2015-04-02]. Dostupné z:http://www.macrologic.pl/resources/qlikview/rodzina_produktow.pdf.

7 REFERENCE 65

QlikTech. QlikView Connector for use with SAP Ne-tweaver [online]. 2011, [cit. 2015-04-02]. Dostupné z:https://community.qlik.com/servlet/JiveServlet/previewBody/1795-102-1-1792/QlikView%20Connector%20Manual.pdf.

Reiman, C., Ramin, K. IFRS and XBRL: How to improve Business Reportingthrough Technology and Object Tracking UK: Wiley, 2013. 752 s.ISBN 978-1118369739.

Sládková, E. Základy IFRS. Znojmo: Soukromá vysoká škola ekonomická Znojmo,spol. s r.o., 2013. 123 s.ISBN SBN 978-80-87314-34-0.

Tay, L. Inside eBay’s 90PB data warehouse [online]. 2013, [cit. 2015-01-20].Dostupné z: http://www.itnews.com.au/News/342615,inside-ebay8217s-90pb-data-warehouse.aspx.

The Economist. Data, data everywhere [online]. 2010, [cit. 2015-02-20]. Dostupnéz: http://www.economist.com/node/15557443.

Tvrdíková, M. . Nástroje Business Inteligence - struktura a integrační char [on-line]. Praha: Česká společnost pro systémovou integraci, 2005, č. 2. ISSN 1210-9. [cit. 2015-04-27]. Dostupné z: http://www.cssi.cz/cssi/nastroje-business-inteligence-struktura-integracni-charakter.

UEA, University of East Anglia. Study MSc Knowledge Discovery andDatamining at the University of East Anglia (UEA) - UEA [online]. [cit.2015-04-20]. Dostupné z: https://www.uea.ac.uk/study/postgraduate/taught-degree/detail/msc-knowledge-discovery-and-datamining.

Versino Podnikový informační systém SAP Business One [online]. 2013, [cit. 2015-02-11]. Dostupné z: http://www.versino.cz/Produkty/Podnikovy-informacni-system-SAP-Business-One.aspx.

Vavruška, J. ETL a kvalita dat [online]. 2003, [cit. 2015-03-14]. Dostupné z:http://www.systemonline.cz/clanky/etl-a-kvalita-dat.htm.

XBRL International. XBRL [online]. [cit. 2015-03-18]. Dostupné z:https://www.xbrl.org/the-standard/what/an-introduction-to-xbrl/.

Zikmund, M. Business Intelligence bez obalu a s příklady [online]. [cit. 2015-03-08]. Dostupné z: http://www.businessvize.cz/informacni-systemy/business-intelligence-bez-obalu-a-s-priklady.

8 PŘÍLOHY 66

8 PřílohyZdrojové soubory aplikací se nachází na přiloženém CD.

Date post:	25-Aug-2020
Category:	Documents
Upload:	others
View:	0 times
Download:	0 times

Automatizace zpracování ﬁnančních výkazů · ness Intelligence as well as the speciﬁcs of...

Documents