Świat coraz częściej opiera się na danych, a decyzje biznesowe podejmowane są na ich podstawie. Podejście data-driven cechuje już wiele organizacji, zwłaszcza w dobie rozwoju big-data (ilość i forma danych) oraz sztucznej inteligencji. Data-driven nie oznacza, że biznes przestaje kierować się doświadczeniem i ludzką perspektywą przy podejmowaniu decyzji, ale że bierze pod uwagę dodatkowy wymiar w postaci danych i wniosków płynących z ich analizy. Zanim jednak Machine Learning i Sztuczna Inteligencja dojdą do głosu, warto zastanowić się czy dane, którymi dysponujemy w organizacji są łatwo dostępne dla osób decyzyjnych. W ogromie informacji płynących zewsząd zwłaszcza dla osób zarządzających dużymi organizacjami trudno jest się czasem odnaleźć, dlatego istotny jest łatwy i prosty dostęp do najważniejszych informacji. Self-service BI w rodzaju Tableau czy PowerBI doskonale sprawdzają się w tej roli.
Na początek – backend
Bez zaplecza w postaci danych i ich odpowiedniej transformacji oczywiście nic nie zrobimy. Brak danych w erze powszechnej digitalizacji i informatyzacji raczej obecnie nie jest problemem – wręcz możemy mówić o ich nadmiarze. Nieco gorzej wypada jakość i dostępność. Zwłaszcza jakość jest istotna – decyzje oparte na błędnych, niepełnych danych będą obarczone dużym ryzykiem. Dostępność również jest istotna – jeżeli dane istnieją ale ciężko się do nich dostać również utrudnia to proces. Dlatego konieczne jest zadbanie o spięcie systemów transakcyjnych/ERP z bazami/hurtowniami danych, które będą źródłem danych do analizy. Technologii jest tutaj sporo – przy czym królują modele relacyjne jak Microsoft SQL Server czy chmurowy Snowflake. Oczywiście dostęp do danych to jedno – potrzebne są do tego również narzędzia przekształcające dane do formy nadającej się do dalszej analizy. Odbywa się to za pomocą narzędzi ETL, czyli Extract-Transform-Load. Narzędzia to umożliwiają sourcing danych z różnego rodzaju źródeł (m.in. baza danych, hurtownie, data lake, czy nawet po prostu pliku tekstowe/excelowe), następnie ich transformacje – łączenie, przekształcanie, dodawanie dodatkowych informacji, modelowanie, a na koniec eksport w celu dalszej analizy w dedykowanym narzędziu. Jak w przypadku hurtowni narzędzi jest dostępnych tutaj cała masa, przykładowo Tableau Prep (obsługujący eksport w formie plików Tableau) czy PowerQuery, będący integralną częścią PowerBI. Cały backend jest oczywiście kluczowy do sukcesu transformacji w celu bycia data-driven, bywa też czasochłonny – ale warto na koniec mieć stabilny, efektywny system dostarczający pełne i prawidłowe dane.
Mamy dane – co dalej?
Mając dostępne dane, możemy przystąpić do równie istotnego procesu co przygotowanie danych – odpowiedniego ich przedstawienia i udostępnienia dla odbiorcy. Bardzo istotne na tym etapie jest zrozumienie potrzeb użytkownika – co innego kluczowe jest dla Prezesa/CEO, co innego dla Dyrektora Regionu, a co innego dla Kierownika Sprzedaży. Dobór odpowiedniego zakresu udostępnianych informacji jest więc kluczowy – kadra zarządzająca operuje na wyższym poziomie ogólności niż pracownicy operacyjni, zarządzający mniejszym obszarem (zarówno funkcjonalnym jak sprzedaż/produkcja/logistyka jak i regionalnym czy segmentowym). Dlatego mając na uwadze naszego odbiorcę w postaci osoby czy grupy osób zarządzających całościowo biznesem – czyli całą linią P&L (profit-loss) – projektowane narzędzie analityczne musi odpowiadać na ich potrzeby. Kluczowe wskaźniki efektywności muszą więc odzwierciedlać obecną kondycję biznesu i w prosty sposób umożliwić ocenę czy nasza organizacja radzi sobie lepiej, czy gorzej. Wskaźników nie może być również zbyt dużo, gdyż utrudnia to odnalezienie się w tym, co jest istotne. Oprócz samych wartości wskaźnika, istotna jest także referencja – czyli punkt odniesienia dla naszego KPI. Postać referencji jest różna, ale najczęściej jest to poprzedni okres (rok, miesiąc) albo zadany cel w postaci budżetu czy prognozy. Oprócz wartości wskaźnika oraz odniesienia do referencji istotny jest także trend czasowy – najczęściej miesięczny. Tak złożona wizualizacja tworzy kartę KPI, która jest podstawowym elementem każdego dashboardu zarządczego:
Tak skonstruowane karty wskaźników są dość ogólne, ale już na pierwszy rzut oka pozwalają ocenić stan najważniejszych KPI w organizacji. Powinny również stanowić punkt wyjścia do dalszej analizy, umożliwiającej zrozumienie bieżącej wartości i zachowania wobec referencji.
Od ogółu do szczegółu
Pomimo operowania na wyższym poziomie ogólności osoby zarządzające również bardzo często chcą dotrzeć do przyczyn i bardziej szczegółowych informacji – co dashboardy zarządcze również powinny umożliwiać. Pierwszym krokiem jest zejście na wyższy poziom szczegółowości wskaźników z różnych obszarów – powyżej jako starter mieliśmy cztery główne KPI, poniżej mamy już ich nieco więcej:
Warto zwrócić uwagę tutaj na tematyczne grupowanie KPI, co ułatwia odnalezienie się na dashboardzie. Informacji tutaj jest dość sporo, i zrozumienie co jest czym i dlaczego ma daną wartość wymaga przestudiowania poszczególnych elementów. Po pierwsze mamy dostępne filtry, gdzie możemy zmienić analizowany okres oraz co istotne – okres referencyjny. Panel sprzedażowy to klasyczna karta KPI, ale z trendem miesięcznym oraz rozbiciem po kategoriach w postaci bar chartu. Informacje sprzedażowe wspomaga analiza pipeline’u handlowego, informując o statusie obecnych negocjacji. Informacje finansowe przedstawione są w postaci bardzo użytecznego wykresu typu waterfall, umożliwiającego analizę czynników wpływających na wielkość danego wskaźnika. Jest to bardzo skondensowany ale efektywny sposób przedstawienia income statement oraz balance sheet. Poza sprzedażą i finansami mamy również dostępne informacji z innych obszarów – głównie po stronie kosztów, czyli logistyka i HR. Istotnym wskaźnikiem, na który obecnie bardzo zwraca się uwagę jest Customer Satisfaction, mierzony za pomocą przykładowo Net Promoter Score (NPS) lub CSAT score.
Na co zwrócić jeszcze uwagę przy projekcie dashboardu?
Projektowany dashboard na poziomie executive powinien uwzględniać pewne dość uniwersalne reguły. Po pierwsze, musimy wymagać czytelności – nic tak nie zniechęca odbiorcy jak nadmiar niepotrzebnych informacji na początek. Dotyczy to zarówno elementów wizualnych, jak i kolorów. Sam układ i interfejs powinny być spójne wizualnie oraz funkcjonalnie – panel nawigacyjny zawsze w tym samym miejscu, podobnie panel filtrów, tytuły czy dodatkowe informacje. Ułatwi to użytkownikowi poruszanie się po dashboardzie. Zwłaszcza nawigacji warto poświęcić nieco uwagi. Jeżeli projektowane narzędzi składa się z wielu dashboardów, dobrym rozwiązaniem jest budowa osobnego panelu nawigacyjnego. Nie ma nic gorszego niż szukanie linków do odpowiednich narzędzi – umieszczając wszystko w jednym miejscu znacznie ułatwiamy nawigację po całym środowisku analitycznym. Bardzo sprawdzi się tutaj również osadzanie dashboardów w istniejących systemach, czyli Tableau Embedded.
Idealny dashboard zarządczy
Podsumowując, stworzenie idealnego dashbaordu na poziomie zarządczym wymaga przede wszystkim pełnych i prawidłowych danych, zebranych z systemów transakcyjnych, przekształconych w procesach i narzędziach ETL. Następnie wysycenia tak zebranych informacji do najbardziej istotnych wskaźników efektywności, świadczących o kondycji naszego biznesu – w odniesieniu do zadanej referencji oraz w ujęciu czasowym. Następnie narzędzie powinno umożliwiać zejście na wyższy poziom szczegółowości, umożliwiający dotarcie do przyczyn takich a nie innych wartości i odchyleń naszych KPI. Należy przy tym wszystkim pamiętać, czy to projektując dashboard czy też będąc jego odbiorcą, o konieczności zapewnienia czytelności i łatwości w poruszania się w środowisku analitycznym. Te zabiegi powinny ułatwić dostęp do danych w procesie podejmowania decyzji oraz wspomagać transformacje organizacji w kierunku data-driven.
Mateusz Karmalski Tableau Author
