Modelování Business Procesů s Řízením Kmenových Dat (Master Data Management)

V dnešním komplexním a rychle se měnícím podnikatelském prostředí je efektivní řízení podnikových procesů klíčové pro úspěch organizace. Aby byla organizace schopna účinně řídit velký počet procesů, které procházejí různými systémy, a rychle v nich zavádět změny, potřebuje také jednotnou správu rozhodovacích pravidel v různých procesech a jistotu, že důležitá data jsou pravdivá a aktuální. Právě to umožňují disciplíny řízení rozhodovacích pravidel (BRMS) a správa kmenových dat (MDM). Tento článek se zaměřuje na modelování business procesů s důrazem na správu kmenových dat, jejich význam, implementaci a související koncepty.

Business Process Management (BPM) v Kostce

Problematika BPM se týká řízení procesů procházejících napříč heterogenním prostředím - oddělenými informačními systémy a aplikacemi, případně se zapojením lidských vykonavatelů (uživatelů) z různých organizačních jednotek. Z technologického hlediska lze koncept BPM stručně vyložit tak, že nad stávajícími informačními systémy je implementována procesní vrstva umožňující vizualizovat, řídit a měnit provoz mezi těmito systémy. Koncepce BPM je s výhodou využívána tam, kde je pro organizaci životně důležité, aby dokázala rychle a efektivně řídit (ale také měnit) významný proces procházející napříč různými systémy. Může se jednat o přípravu nového produktového balíčku v bance nebo telekomunikačního operátora, vyřízení složitého případu se striktním dodržením zákonem určené lhůty u úřadu, třeba zpracování komplexní zakázky ve výrobním podniku nebo prokazatelné dodržení nové směrnice v energetice. Dosáhne-li infrastruktura organizace určité složitosti, je BPM nejrychlejší a nejefektivnější cestou, jak tyto procesy zvládnout.

Při řadě projektů však nejde jen o perfektní řízení jednoho nebo několika procesů, ale především o vytvoření v prostředí, ve kterém bude možné tímto způsobem řídit celou řadu procesů procházejících komplexní heterogenní infrastrukturou. Klíčovými požadavky je možnost rychlého a bezproblémového přidávání dalších procesů a okamžité, nebo téměř okamžité provádění změn.

Význam Kmenových Dat v Podnikových Procesech

Do každého procesu vstupují nějaká data a v každém procesu nějaká data vznikají. Některá se týkají jen konkrétní instance procesu, ale jiná jsou důležitá pro celou organizaci a budou využita i v jiných procesech - obvykle to jsou údaje o zákaznících, dodavatelích, produktech. Práce s každým dalším procesem by byla výrazně usnadněna, pokud by bylo možné se plně spolehnout na to, že veškerá kmenová data jsou v pořádku.

Master Data (česky také kmenová data) jsou data sdílená napříč různými systémy, nemění se příliš často a netransakční. Jedná se o informace o obchodních partnerech, produktech, vlastních pracovnících. Zvláštní oblastí master dat jsou referenční data (česky číselníky). Referenční data představují povolené hodnoty v polích jiných dat. Například stav objednávky, typ zákazníka, kategorie produktu atd.

Čtěte také: Ekonomický cyklus a podpora rodin

Požadavky na Kvalitu Kmenových Dat

Aby bylo možné se plně spolehnout na kmenová data, je třeba zajistit jejich kvalitu. To zahrnuje několik klíčových faktorů:

  • Přesnost: Data musí obsahovat všechno, co potřebujeme vědět o zákaznících, produktech nebo jiných objektech ke správné realizaci procesů.
  • Úplnost: Nesmí se stát, že bychom chtěli použít zákaznická data a zjistili, že v mnoha případech není uvedeno směrovací číslo.
  • Konzistence: Nesmí se stát, že by informace uložené v různých systémech byly v rozporu (například doba, po jakou zákazník odebírá zboží, verzus datum narození).
  • Neduplikovanost: Jeden objekt by neměl být v systémech veden víckrát. Je možné, aby o jednom zákazníkovi byly v různých systémech informace, které se navzájem doplňují (například kontaktní údaje a odebírané produkty), ale není přijatelné, aby byl stejný zákazník veden dvakrát (například pod současným příjmením a rodným příjmením).
  • Aktuálnost: Data musí být aktuální, aby odrážela současný stav reality.

Aby byly tyto požadavky splněny, obsahují pokročilá BPM řešení produkty umožňující jednotný přístup k datům uloženým v různých systémech a databázích. Existuje několik variant architektury, jak centrální správu kmenových dat zajistit.

Architektury pro Centrální Správu Kmenových Dat

Existuje několik variant architektury, jak centrální správu kmenových dat zajistit. Představte si, že řešíte komplikovaný proces objednávky a dodávky produktu. Proces prochází přes mnoho různých systémů a jeho součástí je rozhodovací krok - výpočet odměny, jaká náleží obchodnímu zástupci. Představte si, že v rámci BPM je řízeno deset a více obdobných procesů pro různé produkty.

Nejnižší úroveň znamená decentralizované řešení správy dat. Jednotlivé systémy spolu komunikují na přímo bez vzájemné znalosti svého širšího okolí. Druhá úroveň označuje firmy, které začínají tušit, že něco s jejich daty není v pořádku a začínají řešit datové problémy. Většina velkých firem se dnes nachází třetí úrovni vyspělosti MDM řešení, kdy MDM data jsou centralizována v MDM řešení, ale stále jsou primárně udržována v samostatných systémech (Back-endech) a do MDM řešení jsou pouze synchronizována (online batch).

Řízení Rozhodovacích Pravidel (BRMS)

U každého procesu je sledována výkonnost a u každého provádějí manažeři změny - podle kampaní konkurence, chování zákazníků, tlaku na obchodní výsledky apod. Mění se také provize vyplácené obchodním zástupcům. Jak udržet jednotná odměňovací pravidla například všemi produkty a jak zajistit, že tato pravidla budou ve shodě s celkovou strategií rozvoje? Právě na to odpovídá koncept řízení rozhodovacích pravidel (BRMS - business rules management system).

Čtěte také: Modelování interiéru svépomocí

Z hlediska architektury spočívá v tom, že automatizované rozhodování je centralizováno do jednoho místa, kam různé procesy a systémy zadávají dotazy. Je tudíž možné zajistit konsistenci, a to i tam, kde se pravidla velmi často mění. Centralizované řešení zpravidla automaticky upozorňuje na nekonzistence, tedy logické rozpory mezi rozhodovacími pravidly v různých procesech. To vše společně přináší schopnost velmi rychle reagovat - bez obavy, že by změnou mohla být narušena konzistence pravidel. Systém takovou změnu nedovolí provést, nebo na ni alespoň upozorní.

Implementace Master Data Management (MDM)

Při zavádění procesu Master Data Management nejprve zmapujeme danou oblasti a vyjasníme odpovědnosti. To již samo o sobě představuje zlepšení situace. Aplikace si rozdělíme na producenty (data v nich vznikají) a konzumenty (data získávají odjinud). Detailněji si popíšeme výměnu dat. Z jakého zdrojového systému do jakého cílového systému přenášíme jaká data, jak často, jakou technologií, v jakém formátu. Je třeba stanovit, kdo je zodpovědný za jaká data. Vlastník dat je zodpovědný za kvalitu dat a měl by to být někdo z managementu společnosti. Datový stevard spravuje data, jejich strukturu a pravidla dle rozhodnutí vlastníka.

Kmenová data nejsou izolovanými tabulkami. Je důležité znát jejich strukturu a vazbu na další data. Existuje několik konceptů práce s master daty. Jedním z nich je pořizování a správa všech master dat v jednom k tomu určeném systému a distribuce dat do všech dalších. Tento koncept jednoho místa pravdy nám totiž krásně řeší předchozí problém. Z pragmatických důvodů ale volíme různé přístupy. Přechod na tento systém totiž vyžaduje úpravu aplikací, v nichž data nově nemají být zadávána, ale které je mají odebírat z centrálního systému. Přechod k cílové architektuře závisí na vstupních podmínkách firmy. Organizace, která si důležitost master dat uvědomuje na začátku budování systémů, je na tom jinak než firma, v níž docházelo k překotnému rozvoji informačních systémů a která má v této oblasti určitý dluh. Postupnou aplikací pravidel, postupně začneme data zkvalitňovat a řešit stávající problémy. To, že to bude v případě již rozvinutého informačního systému běh na delší trať, je třeba brát jako realitu a nezaleknout se toho.

Při implementaci řešení MDM je zejména důležité získat business vlastníky dat, zavést procesy Data Governance, organizačně zajistit tým datových stewardů a tak dále. Zavedení MDM se tak nestane ze dne na den.

Kroky k Implementaci MDM

Pro úspěšnou implementaci MDM je doporučeno dodržovat následující kroky:

Čtěte také: Environmentální modelování: hlubší analýza

  1. Definování aplikací: Sepíšeme si jednotlivé aplikace, které s těmito daty pracují.
  2. Identifikace producentů a konzumentů dat: Aplikace si rozdělíme na producenty (data v nich vznikají) a konzumenty (data získávají odjinud).
  3. Popis výměny dat: Detailněji si popíšeme výměnu dat. Z jakého zdrojového systému do jakého cílového systému přenášíme jaká data, jak často, jakou technologií, v jakém formátu.
  4. Určení odpovědnosti za data: Je třeba stanovit, kdo je zodpovědný za jaká data. Vlastník dat je zodpovědný za kvalitu dat a měl by to být někdo z managementu společnosti. Datový stevard spravuje data, jejich strukturu a pravidla dle rozhodnutí vlastníka.
  5. Analýza struktury kmenových dat: Kmenová data nejsou izolovanými tabulkami. Je důležité znát jejich strukturu a vazbu na další data.

Související Koncepty v Data Managementu

Termínem Data Management lze označit celou řadu podnikových procesů a činností, které zajišťují efektivní správu dat po celou dobu jejich životního cyklu (od pořízení dat přes jejich znovupoužití až po jejich archivaci). Kromě MDM a BRMS existuje řada dalších disciplín v oblasti správy dat, které mají vliv na modelování business procesů:

  • Data Governance: Je soubor činností, lidí, postupů a technologií zaměřující se na efektivnější využívání dat uvnitř firmy s cílem zvýšit datovou kvalitu pomocí standardizace práce s daty a definice vlastníků dat.
  • Data Quality Management: Je oblast data managementu zabývající se kvalitou dat a jejím měřením, čištěním dat (cleansing) a následným obohacováním dat (enrichment) o standardizované hodnoty. Příkladem je čištění a kompletace adres dle číselníku adres.
  • Database Management: Zahrnuje činnosti samotné administrace úložiště dat, včetně zajištění jeho dostupnosti dle definovaných požadavků (SLA). Z pohledu uživatelů dat jde především o jejich vysokou dostupnost, v případě velkých společností i o geografické oddělení záložních serverů.
  • Data Security Management: Řízení bezpečnosti přístupu k datům a bezpečnost jejich správy. Z pohledu bezpečnosti se data klasifikují podle svého charakteru od utajovaných a důvěrných až po veřejně dostupné informace. Bezpečnost (a oprávnění jejich využití) dat je často upravována specializovanými zákony (např. dle Zákona o bankovním tajemství nebo Zákona o ochraně osobních údajů), které kladou velké nároky na zabezpečení a omezují využití dat v podnikových procesech.
  • Data Warehousing (datový sklad): Je datová disciplína zabývající je shromažďováním dat napříč všemi systémy firmy, a to včetně historických řezů umožňujících například vyhodnocování trendové analýzy chování klientů v čase.
  • Business Intelligence (BI): Je pak sada nástrojů, postupů a technologií, jak získat z dat (obvykle z Datového skladu) co nejvíce informací v přehledných reportech.
  • Data Mining: Je disciplína zaměřující se na pokročilé techniky vytěžování dat (definování statistických modelů) a jejich sledování v čase.
  • Document Management (nestrukturované informace): Tato oblast se zabývá uložením a správou nestrukturovaných dat. Nezbytnou součástí uložení těchto dat je jejich indexování (vytvoření metadat) a uložení ve specializovaných systémech (Document Management Systems).
  • Metadata Management: Řízení „dat o datech“ - jde o popis dat a znázornění jejich topologie a business významu.
  • Contact Management: Je soubor procesů firmy, který využívá a spravuje konsolidovaná, vyčištěná data (především ta klientská) pro účely podnikání firmy.

Problémy a Výzvy v Data Managementu

Firmy hromadí mnoho dat, bez ohledu na jejich reálné použití a stárnutí. Je tak plýtváno zdroji (lidskými i technologickými). Data se agregují do reportů, které už dávno nikdo nečte. Rostoucí požadavky na dostupnost dat. Většina řešení dnešních datových skladů je postavena na dávkovém nahrávání dat z předešlého dne. Většina velkých firem, které v minulých letech investovaly do Data Managementu, proto hledá cestu, jak zvládnout nepřeberné množství dat a zlepšit nedostatky, které v této oblasti firmy trápí. Na otázku „Kolik máme klientů?“ stále neexistuje jednoznačná odpověď.

Alternativy a Trendy v BPM

Výše uvedenými jsme zdaleka nevyčerpaly všechny změny, kterými odvětví BPM prochází. Pořád zůstává částečně nedoceněna možnost provozování BPM řešení v cloudu, respektive v modelu SaaS, což by zákazníkovi umožnilo platit nejen podle momentálního počtu uživatelů, ale i třeba podle počtu realizovaných procesů (například počet zpracovaných objednávek). Málokdo si také uvědomuje, že některé BPM nástroje otevírají možnost poskytování procesních aplikací i netechnologickým firmám a konzultantům. Kdo zná dobře proces a rozumí podnikání zákazníka, může nabídnout funkce informačního systému s tím, že si potřebnou technologii pronajme.

tags: #modelování #business #procesu #master #data #management

Oblíbené příspěvky: