Datová analytika je proces práce s informacemi, kde se udržuje nad daty přehled, probíhá čištění, transformace a modelování informací s cílem objevit užitečné informace, potvrdit / vyvrátit hypotézy, navrhnout určité závěry a podpořit ve firmě rozhodování.

Jak totiž pronesl W. Edwards Deming:

“Without data you’re just another person with opinion.”

V překladu znamená, že když své tvrzení nepodložíte daty, jste jen další člověk s názorem.

Datová analytika jako taková není ovšem něco, co by se dalo považovat za cílovou stanici. Má být chápana jako nekončící proces, který podporuje růst dané společnosti a pomáhá všem napříč všemi odděleními se rozhodovat na základě dat a ne pocitů. Pro tento přístup je zde populární označení “data-driven”.

Proces datové analytiky

  1. Určení cílů KPI

Ještě před tím, než začne zabývání se prací s informacemi, je třeba odpovědět na otázku, jaké klíčové hodnoty u kterých ukazatelů určují, že dané podnikání roste. K této otázce se musí přidat další cíle, které chtějí být zjištěny a otázky, na které mají být nalezeny odpovědi, protože veškeré budoucí aktivity spojené s datovou analytikou se budou odvíjet od ukazatelů, které se určí na začátku. Pro tyto cíle samozřejmě platí, že musí být měřitelné.

  1. Identifikace datových vstupů

Po definování oblastí, které budou sledovány, cílů, které budou měřeny a otázek, na které budou hledány odpovědi, je třeba identifikovat, k jakým informacím a jakým způsobem může daná organizace mít přístup. Je dobré si položit otázky jako:

  • K jakým informacím máme přístup nyní?
  • Z jakých všech systémů / zdrojů dat můžeme mít informace?
  • Kde informace z jednotlivých zdrojů dat máme uloženy?
    • Musíme informace čerpat z každého zdroje zvlášť, nebo máme místo, kde informace máme centrálně uloženy?
  • Jak máme jednotlivá data dostupná? Jak často k nim můžeme přistupovat a za jakých podmínek?

Pro datovou analytiku v tomto kroku platí, že čím více informací a více zdrojů dat, tím zajímavější a hodnotnější výstupy mohou být.

Pro dostupnost a správnost informací firmy často využívají technologii datových skladů, kde propojí všechny své zdroje dat s centrální databází, která poté slouží v dané společnosti jako zdroj pravdy.

  1. Určení informací, které nám pomohou k dosažení dílů

Jsou určeny cíle, které chtějí být datovou analytikou dosáhnuty a místa, odkud mohou být data čerpána. Nyní je třeba určit, jaké konkrétní typy dostupných informací můžou pomoci daných cílů dosáhnout. V tomto kroku je potřeba se zaměřit na čištění dat a datovou kvalitu jako takovou. Často v tomto kroku dochází k opravám překlepů, doplnění chybějících dat a odstranění zbytečností. Informace je třeba připravit tak, aby byly připraveny dynamicky navyšovat možnosti využití.

  1. Datové modely

Výsledky tohoto kroku velmi záleží na odborných schopnostech datového analytika, popřípadě celého týmu datových analytiků. V tomto kroku datoví analytici hledají konkrétní vazby mezi definovanými informacemi a hledají odpovědi na otázky, které byly položeny v 1. kroku procesu datové analytiky. Podle odborných znalostí analytiků mohou datové modely obsahovat také určité predikce, tedy předpovědi, jak se určitý ukazatel bude vyvíjet v budoucnu.

Při tvorbě datových modelů se také nastavuje reporting, který, když se zvládne dobře nastavit, může být z velké části automatizovaný.

  1. Podpora, optimalizace, další rozvoj

Bylo už zmíněno, že datová analytika je nekončící proces a může být s klidem označena za přístup ke zpracování dostupných informací.

V případě, že se povede nastavit datové modely správně, můžeme očekávat hodnotné návrhy, jak se dají určité oblasti daného podniku vylepšit. Na základě těchto návrhů podnik dané oblasti upraví a změří výsledky. Změřené výsledky poté slouží jako podklad pro rozhodování, jestli má cenu se daným směrem ubírat a implementovat změny.

V případě, že se změny implementují, začíná tento proces znovu a opět se vrací k 1. bodu tohoto článku, hledá odpovědi na položené otázky a sleduje konkrétní ukazatele.

Osobně jsem velký fanoušek Lean metodologie, která doporučuje tento proces provádět v co nejmenším možném rozsahu, ovšem o to častěji. Celá metodologie je založena na myšlence “vytvořit – změřit – poučit se – a zase na začátek: vytvořit – změřit – …”

—

Pro datovou analytiku je tedy třeba:

  • určit business cíle
  • mít připraveny technologie databází pro proces datové analytiky, nejlépe datový sklad
  • mít / postavit tým datových analytiků, popř. přizvat ke spolupráci odbornou 3. stranu
  • vytvořit – změřit – upravit – a zase znova – …

V případě, že je proces datové analytiky zvládnutý, je logický další krok přemýšlet, jak využít zjištěné informace pro marketingové účely.