što nam daje:

Zamislimo da želimo dodatno opisati podatak o prodanom iznosu svake godine. Vidimo da je 2008 godine iznos bio nešto preko 100 tis. Kn, no zanima nas koliko je prodano u kojem kvartalu? U tu svrhu upravo postoji Drop zona “split Measure” na koju odvlačimo dimenziju Kvartala kako bismo Mjeru Prodaja razbili na članove dimenzije Kvartal po godinama. Postavljanjem na:

Dobijamo:

Primjetite kako je jedna mjera (Prodaja) postala 4 nove mjere (prodaja po svakom pojedinom kvartalu). Ovime smo dobili dublji uvid u detalje prodaje po godinama s obzirom na kvartale. Primjerice, možemo vidjeti kako je prodaja u 2011 opadala za sve kvartale osim Q1. Bez ove dodatne analize mogli smo samo zaključiti kako je prodaja općenito opadala.

Ukoliko se ovom opcijom mjera razbije u više od desetak mjera, graf je potencijalno nepregledan. Iz tog razloga BusinessQ grafovi su interaktivni – preko legende na grafu jednostavnim prelaskom mišem izoliramo mjeru koju želimo istaknuti, kao npr. Q1:

Isti prikaz može se prikazati u više načina, ovo je varijanta sa stupčastim prikazom:

Ovo je dio originalne tablice iz VL:

Kroz tablicu je moguće vidjeti “najdeblje” i “najtanje” nacije, no to je otprilike sve. Inače, indeks tjelesne mase mjeri se u BMI (eng. body mass index) jedinicama. Računa se dijeljenjem mase osobe s kvadratom njene visine. Prema tome, ostaje mi nepoznato zašto se od naslova, do mnogo puta u tekstu govori o “težini” kada je jasno da se radi o masi. No, razlika između težine i mase prelazi okvir onoga što želim kazati u ovom postu.

Napravio sam nekoliko grafova u našem BusinessQ  koji opisuju podatke na razne načine i stavio ih na Dashboard:

(klik za veću sliku)

Na prvom prikazu po državama su prikazani prosjeci BMI-a sortirani silazno, no za svaku državu sam stavio i crvenu crticu za BMI žena, odnosno plavu za BMI muškaraca. Time se otkrivaju neki zanimljivi detalji:

Znali smo već i iz tablice da je najveći indeks u Kuvajtu, a najmanji u Bangladešu, no sada imamo priliku vidjeti i koliko su vrijednosti rasipane između muškog i ženskog indeksa;  za deblje nacije je veća razlika između muškaraca i žena s time da su žene u pravilu deblje. Izuzetak je Argentina gdje je razlika vrlo mala.

Ovaj graf ima još dvije varijante, sortiran po indeksu za žene:

odnosno za muškarce:

Drugi graf na Dashboardu prikazuje razliku indeksa između muškaraca i žena po državama (plavi graf). Desnije na grafu su države sa debljim muškarcima, a lijevije sa debljim ženama. Lako vidimo da je maksimalna razlika u Njemačkoj (skroz desno) s puno debljim muškarcima te na Trinidadu i Tobagu (skroz lijevo) s puno debljim ženama. Hrvatska opasno naginje Njemačkom tipu.

Na kraju je prikazana korelacija indeksa žena i muškaraca u scatter plotu. Vidljivo je da su mjere korelirane oko zamišljenog pravca i da se nijedna točka ne ističe ekstremno.

Naravno, u BusinessQ svi grafički prikazu su interaktivni:

Kako biste vi izvukli još malo zanimljivih uvida iz ovih podataka?

Slikovito, krajnji korisnik u BusinessQ portalu klikne na

a zatim na REPORT:

Time dolazi do dijela gdje samo treba odabrati koji Business Model će mu biti izvor za izvještaj te odabrati poslovne mjere i dimenzije za sam izvještaj (plavo uokvireno je Business MOdel):

Time je definicija izvještaja gotova, preostaje izvještaj pokrenuti i odabrati željenu vizualizaciju odabranih podataka.

Unutar izvještaja administratori mogu u svakom trenutku pogledati SQL upit kojeg je BusinessQ za njih kreirao:

Više detalja o Business Modelu donosit ćemo u sljedećim blogovima!

Slijedi drugi dio teksta :

Cleveland i McGill su 1984. i 1987. ispitivali različite vrste grafikona s obzirom na elementarni perceptivni zadatak koji je uključen pri njihovoj analizi. Uspoređivali su grafikone kod kojih je elementarni zadatak procjena pozicije u odnosu na procjenu dužine, te kuta. Na osnovi rezultata kreirali su teoriju o elementarnim perceptivnim kodovima. Prema njoj, u grafikonu su kodirane informacije kroz razne aspekte kao što su položaj simbola, dužina i nagib segmenta, površina, tekstura, boja itd.

Na slici je primjer korištenja nekih elementarnih kodova. pod I. prikazan scatter plot grafikon kod kojeg je informacija kodirana položajem na dvije kontinuirane skale, pod II. je stupčasti grafikon gdje je informacija kodirana dužinom stupca, a pod III. tortni grafikon, a veličina je kodirana površinom, kutom i dužinom luka. Na temelju točnosti procjena rangirali su elementarne kodove, kao što je to prikazano u tablici.

Za kodove koji se nalaze ispod crtkane linije nema formalne eksperimentalne potvrde, dok su rangovi kodova iznad linije bazirani na teoriji vidne percepcije i imaju određenu dozu eksperimentalne provjere. Nagib pokriva više rangova, jer je zavisan od magnitude. U skladu s time autori navode da pri konstrukciji grafikona treba upotrebljavati one koji uključuju više rangirane kodove (pozicija i dužina), te predlažu neke alternativne tipove prikaza (točkasti i složeni točkasti grafikon) kao zamjenu za tortne i složene trakaste grafikone.

Isti autori su se bavili i problemom odnosa širine i visine kod linijskih grafikona. Prema njihovim rezultatima razlikovanje dva nagiba je najbolje kada je njihov međukut 45° i ono kontinuirano opada kako se on povećava ili smanjuje, što su nazvali teoremom maksimalne razlučljivosti.

Kosslyn je dao velik doprinos kognitivnoj psihologiji svojim radom na području vizualne percepcije, a u segmentu vizualizacije podataka predložio je korištenje složenog frameworka koji bi služio za analizu i evaluaciju grafikona. Ovaj sustav se temelji na spoznajama o načinu na koji ljudi procesiraju vizualne informacije i Goddmanovoj teoriji simbola. Kosslyn grafikon definira kao set osnovnih komponenti (pozadine, okvira, specifikatora i oznaka) i odnosa među njima, a njih analizira na tri razine: sintaktičkoj, semantičkoj i pragmatičkoj. Iako ovaj model nije zaživio u praksi kao cjelovit sustav procjene grafikona, praktičari se vrlo često u svome radu rukovode načelima koja Kosslyn naziva načelima prihvatljivosti, a temelj su im spoznaje o tome kako funkcioniraju naša percepcija i pamćenje.

1991. Spence i Lewandowski su pokazali da su različiti tipovi grafikona bolji za različite vrste zadatka. Ustanovili su da su trakasti grafikoni bolji za procjenu veličine, dok su tortni bolji od trakastih u situacijama kada se treba procijeniti više od same veličine pojedinih komponenti (npr. u situacijama kada treba procijeniti odnos dijela i cjeline i kada to uključuje procjenu proporcije). Pred toga, njihovi rezultati upućuju na to da je tablica najmanje efikasan medij za prezentaciju podataka, ali je superiorna grafikonima kada je zadatak prenošenje točnih brojčanih veličina.

Hollands i Spence (1998) kreirali sumacijski model s kojim su pokušali objasniti način na koji dajemo procjene o odnosu dijela prema cjelini. Od ispitanika su tražili da procjene odnos segmenta prema cjelini kod stupčastih, složenih stupčastih i tortnih grafikona. Dobiveni su rezultati prema kojima su pogreške procjene i vrijeme potrebno za davanje procjene bili veći kod stupčastih nego kod ostala dva tipa grafikona. Pretpostavili su da ispitanici svoje procjene daju na taj način što mentalno zbrajaju dužine svih stupaca kako bi dobili podatak koliko je velika cjelina. U skladu s time, zaključuju da svaki grafikon koji ne uključuje reprezentaciju cjeline nije dobar izbor za prikaz odnosa dijela i cjeline i da će kod njega biti potrebno duže vrijeme za dekodiranje takve informacije, kao i da će se to dodatno vrijeme povećavati u funkciji broja prikazanih komponenata. Autori su izračunali i prosječno trajanje jedne sumacije, koje iznosi oko 1,7 sekundi.

Većina praktičara i teoretičara slaže se da dodavanje znakova dubine u grafikonima nije dobra praksa i da je treba izbjegavati. 1998. Zacks i suradnici su ispitivali preciznost procjena kod dvodimenzionalnih i trodimenzionalnih grafikona i u tri od pet eksperimenata u kojima su varirali različite varijable pronašli mali, ali sistematski negativan učinak trodimenzionalnosti na preciznost procjena iako treba spomenuti da postoje i istraživanja u kojima nije dobiven ovaj efekt.

Psihologija nesumnjivo može pružiti veliki doprinos vizualizaciji podataka kroz istraživanja i davanje empirijskih i teoretskih odrednica o tome kako prikazati podatke uzimajući u obzir pri tome perceptivne i kognitivne osobitosti i limite koji postoje kod ljudi. Razvoj i ekspanzija vizualizacije podataka u svakodnevne živote vjerojatno će potaknuti nova istraživanja u ovom području, međutim ne treba očekivati da će nam ona donijeti jednostavne i univerzalne recepte o tome kako podatke dobro vizualizirati. Rezultati istraživanja u velikoj mjeri su ovisni i o metodologiji i zadatku koji se u njima postavlja, tako da ne možemo ni jedan tip grafičke prezentacije podataka izdvojiti kao superioran drugima, ali zahvaljujući njima možemo definirati neka generalna načela koja govore o tome što u kojoj situaciji treba koristiti, a što ne.

Korištena i preporučena literatura za one koje zanima ovo područje:

Cleveland, W. S. i McGill, R. (1984), Graphical Perception: Theory, Experimentation, and Application to the Development of Graphical Methods, Journal of the American Statistical Association, 79, (378), 531-554.

Cleveland, W. S. i McGill R. (1987), Graphical Perception: The Visual Decoding of Quantitative Information on Graphical Displays of Data. Journal of the Royal Statistical Society. Series A (General), 150, 3, 192-229.

Hollands, J. G. i Spence, I. (1998), Judging Proportions with Graphs: The Summation Model. Applied Cognitive Psychology, 12, 173-190.

Kosslyn, S. M., (1989), Understanding Charts and Graphs, Applied Cognitive Psychology, 3, 185-226.

Kosslyn, S. M. i Chabris, C.F. (1992), Minding Information Graphics: Knowing a Little about Human Perception Can Help Make Your Graphics a Lot More Informative. Folio, 21, 69-71.

MacDonald-Ross, M. (1977), How Numbers Are Shown: A Review of Research on the Presentation of Quantitative Data inTextsAuthor. AV Communication Review, 25, 4, 359-409.

Simkin, D. i Hastie, R. (1987), An Information-Processing Analysis of Graph Perception. Journal of the American Statistical Association, 82, 398, 454-465.

Spence, I. (1990), Visual Psychophysics of Simple Graphical Elements. Journal of Experimental Psychology: Human Perception and Performance, 16, 4, 683-692.

Spence, I. i Lewandowsky S. (1991), Displaying Proportions and Percentages. Applied Cognitive Psychology, 5, 61-77.

Tufte, E. R. (2007), The Visual Display of Quantitative Information – 2nd Edition, Cheshire: Graphics Press.

Zacks, J., Levy E., Tversky B. i Schiano D. J. (1998), Reading Bar Graphs: Effects of Extraneous Depth Cues and Graphical Context. Journal of Experimental Psychology: Applied, 4, 4, 119-138.

Slijedi prvi dio teksta, sljedeće ćemo objaviti kroz par dana:

Vizualizacija podataka je interdisciplinarno područje i u sebi objedinjava matematiku, statistiku, grafički dizajn, ali kao jedan od temeljnih preduvjeta za izradu dobre grafičke prezentacije kvantitativnih podataka nameće se i poznavanje kognitivnih procesa i faktora koji su uključeni u kodiranje i dekodiranje tako prezentiranih informacija. Ovo je predmet istraživanja psihologije i u nastavku teksta biti će prikazana neka od psihologijskih istraživanja čiji se rezultati mogu aplicirati na vizualizaciju podatka i njihovu prezentaciju grafikonima.

Ovaj članak nije i nema ambiciju biti cjeloviti prikaz psihologijskih istraživanja u području vizualizacije podataka, već ga treba čitati kao sažetu informaciju i referencu o nekima od značajnijih istraživanja s ovoga područja.

Prvi interes psihologije za grafikone javlja se u 30-im godinama prošloga stoljeća, iako su se i prije toga psihologijske spoznaje koristile u izradi grafikona i to najčešće kroz upotrebu načela perceptivnog grupiranja definiranih od strane gestalt psihologije, ili kroz spoznaje o tome kako se intenzitet osjeta mijenja u funkciji intenziteta podražaja, što je temeljni predmet proučavanja kojim se bavi psihofizika.

Psihofizička istraživanja su jasno pokazala da ljudi bolje procjenjuju razlike u dužini, nego u površini ili kutu, pa su stoga i oni grafikoni kod kojih je veličina kodirana dužinom (stupčasti, trakasti) smatrani superiornijim nego onih kod kojih je veličina prikazana na drugi način.

Eells je 1926. proveo istraživanje čiji rezultati su pokazali da ljudi bolje procjenjuju proporcije prikazane tortnim, neko složenim trakastim grafikonom (što je u suprotnosti s psihofizičkim spoznajama). Ovo istraživanje je izazvalo brojne reakcije u znanstvenim krugovima i izvor je kontraverze o tortnim grafikonima koja se nije stišala do danas. Pored toga što su ovi rezultati potaknuli niz drugih istraživanja koja su ih podupirala ili osporavala, možemo ga okarakterizirati kao neslužbeni početak istraživanja vizualizacije podatka u okviru eksperimentalne psihologije.

Sustavni interes i bavljenje dijela kognitivnih psihologa istraživanjima grafičkom prezentacijom kvantitativnih podataka započeo je u osamdesetim godinama prošloga stoljeća. U nastavku su navedena neka od tih istraživanja čiji su rezultati najčešće citirani u literaturi.

Simkin i Hastie su 1978. iznijeli analitičku teoriju informacijskih procesa pri grafičkoj percepciji. Prema njima ljudi koriste četiri rutine pri percepciji grafikona. To su:

1. Referenciranje (anchoring),
2. Skeniranje,
3. Projekcija,
4. Superimpozicija.

Prve dvije (referenciranje i skeniranje) koriste se pri određivanju veličine, a projekcijom i superimpozicijom se koristimo kada uspoređujemo veličine elemenata.

Referenciranje (anchoring) omogućava promatraču da segmentira komponente kako bi mogao kreirati kasniju procjenu. Npr. kod tortnog grafikona promatrač ga može podijeliti na četvrtine koje predstavljaju 25, 50, 75 i 100% ukupne površine.

Kod skeniranja promatrač određuje razmak do najbliže referentne točke i točke za koju procjenjuje veličinu. U navedenom primjeru to znači da promatrač određuje je li veličina koju procjenjujemo bliža četvrtini ili polovini i ovisno o tome daje procjenu veličine.

Pri projekciji zamišljamo crtu koja se proteže od vrha jedne veličine na grafikonu do druge i ona nam pomaže dati procjenu odnosa veličina dva stupca.

Superimpozicija predstavlja mentalno pomicanje elemenata grafikona kako bi lakše usporedili neke veličine. Npr. ako trebamo usporediti zbrojeve parova komponenata na stupčastom grafikonu, mentalno ćemo rearanžirati grafikon tako da ćemo zamišljeno stupce koje trebamo zbrojiti postaviti jedan na drugi.

Korištena i preporučena literatura za one koje zanima ovo područje:

Cleveland, W. S. i McGill, R. (1984), Graphical Perception: Theory, Experimentation, and Application to the Development of Graphical Methods, Journal of the American Statistical Association, 79, (378), 531-554.

Cleveland, W. S. i McGill R. (1987), Graphical Perception: The Visual Decoding of Quantitative Information on Graphical Displays of Data. Journal of the Royal Statistical Society. Series A (General), 150, 3, 192-229.

Hollands, J. G. i Spence, I. (1998), Judging Proportions with Graphs: The Summation Model. Applied Cognitive Psychology, 12, 173-190.

Kosslyn, S. M., (1989), Understanding Charts and Graphs, Applied Cognitive Psychology, 3, 185-226.

Kosslyn, S. M. i Chabris, C.F. (1992), Minding Information Graphics: Knowing a Little about Human Perception Can Help Make Your Graphics a Lot More Informative. Folio, 21, 69-71.

MacDonald-Ross, M. (1977), How Numbers Are Shown: A Review of Research on the Presentation of Quantitative Data inTextsAuthor. AV Communication Review, 25, 4, 359-409.

Simkin, D. i Hastie, R. (1987), An Information-Processing Analysis of Graph Perception. Journal of the American Statistical Association, 82, 398, 454-465.

Spence, I. (1990), Visual Psychophysics of Simple Graphical Elements. Journal of Experimental Psychology: Human Perception and Performance, 16, 4, 683-692.

Spence, I. i Lewandowsky S. (1991), Displaying Proportions and Percentages. Applied Cognitive Psychology, 5, 61-77.

Tufte, E. R. (2007), The Visual Display of Quantitative Information – 2nd Edition, Cheshire: Graphics Press.

Zacks, J., Levy E., Tversky B. i Schiano D. J. (1998), Reading Bar Graphs: Effects of Extraneous Depth Cues and Graphical Context. Journal of Experimental Psychology: Applied, 4, 4, 119-138.

We will continue to add new Reports and Dashboards. For now, take the role of an Sales Analyst:

Demo site access

Feel free to contact us if you want to see your data in BusinessQ!

Best Regards,
BusinessQ Team

Prije svega, graf nije loš po mnogo stvari. Kao kategorijska os izabrano je vrijeme, graf prikazuje trend tako da je linijski graf najprimjereniji ovdje.

Dizajnerske zamjerke kreću se oko nepotrebnih iscrtkanih linija koje samo dodaju na “gužvi” na grafu, a ne informacijama; Isto tako, izbor boja nije najsretniji jer u tiskanom izdanju treba dati nagradu onome tko može razlikovati boju za Laburiste i SDP.

Najveća zamjerka, koja me motivirala da ipak o ovome pišem jest činjenica da svi periodi na vremenskoj osi nisu jednaki. Umjesto Prosinca (kao za sve ostale godine), 2011. se pojavljuju rezultati za Studeni. Time se laže na trendu u podacima, jer se utječe na nabig linije. Studeni je ispred prosinca, tako da svaki skok linije između Rujna i Studenog ’11 i nije toliki, već je preuveličan ovim efektom.

Razlika nije velika, ali danas se osjećam pedantno…

Primjerice, ovako izgleda tipičan ScatterPlot:

Na x osi nalazi se Trošak nabave robe, a na y osi Iznos Prodaje te robe. Prednost ovakve vizualizacije jest u tome što je na prvi pogled vidljivo koreliraju li podaci i koliko dobro. Naime, ako su podaci (točke) grupirani oko jednog pravca, postoji veza među njima. Koliko su točke blizu tog pravca, toliko je jaka i korelacija. Ukoliko pravac raste udesno, odnos je proporcionalan, u suprotnom je obrnuto proporcionalan.

Na gornjem primjeru lako vidimo da što je veći trošak nabave, veća je i prodana vrijednost.

Na sljedećem primjeru ubacili smo u graf i korelaciju Iznosa prodaje sa Profitom (plavo) i Prodanom Količinom (žuti križići). Kako je su količine puno manje od iznosa profita, u BusinessQ možete takve mjere staviti na drugu vertikalnu os (desna):

Vidljivo je da nema jasne korelacije Prodane količine i Troška nabavne robe (za razliku od prodaje i profita). Ako je nešto skupo nabavljeno, ne znači da će se lako ili teško prodati. (ne ovisi prodaja samo o tome).

Vidljivo je i da Profit nije jako koreliran sa Iznosom prodaje, da ima točaka koje jako odstupaju od pravca.

Kao i sve druge stvari u BusinessQ, ScatterPlot graf se jednostavno i intuitivno gradi drag-and-drop sučeljem. Gornji graf dobijen je s tri klika mišem, dostupni podaci odvučeni su u pripadajuće kućice desno:

Primjetite da postoji drop zona i za Detalje (Tooltip details). Ovo je vrlo korisna funkcionalnost kada želite saznati više detalja o nekoj točki grafa. Nas zanimaju detalji o točkama Profita koje jako odstupaju od ostalih da vidimo tko je to prodao i o kojem se artiklu radi. Zato smo na Detalje dovukli dimenzije SalesPerson i Item. Sada mišem možemo saznati i dodatne informacije:

Negativni profit ostvarila je Laura Freeman za artikl Floor Uplighter.

U BusinessQ svaku mjeru možete prikazati na bilo koji prikadan način, predvidjeli smo pregršt opcija za iscrtavanje:

Tako možete izrađivati precizne i efikasne izvještaje ili vršiti analizu nad podacima:

Sretno izvještavanje!

There is an interesting project going on – A Farce with numbers.

Organizer asked students to locate resources that showed how graphs and charts can mislead. What is (I think) very educational is that he also asked them to look at color theory, word-image association, juxtaposition, and other aesthetic methods of influencing meaning and interpretation.

Unlike Forbes’ graph makeover contest in which I also participated here , thihs assignment is different and very interesting. The students were asked to take the data in the Forbes contest and lie with it, to use visual rhetoric to change the perception of the data without changing any of the numbers.

I decided to take part in this project. So, with actual numbers, my task now is to intentionally lie with graphs.

First of all, here are the raw data in the form of table:

I decided not to do anything exotic in order to lie with graphs. As a matter of fact, I will intentionally just repeat mistakes that are all around us, unfortunatelly made by professionals, and I will do them in Excel.

So, on with the lying part. The first trick will be that I will not include all categories of consumer spending and I will show them in part-to whole ratio. In that way, I will show exact numbers, but I will neatly lie in percentages.

My source table becomes:

What I now did, you shouldn’t do at your home. I put the (incomplete) data in pie chart, I made pie chart 3D, with perspective so twisted that everything become a lie:

Just observe Entertainment and Food slices. On first look, my impression is that Entertainment is twice bigger then Food, and 3x bigger then Healtcare.

The truth revealed is shocking:

Entertainment is not twice bigger then the Food slice, but Food is almost 3x bigger then Entertainment, which makes my rough estimate become disastrous error. Can you believe that Entertainment and Healtcare are actually the same size slices? And can you believe that I did that happily in Excel? I always have difficulty to understand why a charting tool will help you to make such an error, why those types of graphical representations even exist in such a software?

I have another fine example how to lie with graphs, which (again unfortunatelly) you can see so often in newspapers.

I used again my incomplete set of categories. The trick now is to represent the data in 3D column graph, with perspective skewed again. That alone will make reading of values very difficult and will make an impression that values are bigger then they actually are. The main trick, though, is to change the value axis scale – not it doues not begin at “zero”. Instead, it begins at 2700.  With that change, I made Entertainment looks like nothing compared to almose any other category. Or, Food category appears to be, I don’t know, 10 times the value of Apparel category:

Again, the truth is shocking:

Food is not 10x bigger then Apparel, just 2.6x. and so on.

The point I want to make is that I managed to produce 2 chart junks with actual data.

• In pie chart I managed to make impression that Entertainment category is the biggest one, with skewing up perspective.
• In Column chart I make the opposite impression. All with the same data, in Excel.

Finally, it will be educational to see proper comparison of categories:

What do you think? Can you make even worse-looking graphs with this data?

Sve organizacije imaju potrebu za inteligentnim izvještavanjem na nekom nivou. Kada smo i mi osnovali vlastitu tvrtku, nismo imali nikakav ERP sustav i u početku nismo imali baš nikakvih transakcija. No ubrzo smo se započeli pitati osnovna i tipična pitanja poput – “Što mi se sve nalazi u prodajnim kanalima i koji je postotak uspješnosti?”, “Koji je prosječan iznos računa kojeg izdajemo i što možemo očekivati ako se trend nastavi?” i sl. Poanta je, čak i najmanje tvrtke trebaju neki oblik inteligentnih izvještaja, analiza podataka ili nadzornih ploča.

Poslovna inteligencija (BI) u malim i srednjim tvrtkama

Male i srednje velike tvrtke imaju iste razloge da je koriste kao i velike korporacije. Poslovna inteligencija takvim tvrtkama pomaže da budu konkurentnije, da bolje razumiju kako posluju, da podrži odluke koje će usmjeriti tvrtke u budućnosti ili da pravovremeno uoče potencijalne ili prave poslovne probleme. Kod manjih tvrtki će opseg projekta vjerojatno biti manji, no utjecaj koji će dobar izvještajni sustav imati na poslovanje bit će jednako valjan kao i kod velikih poduzeća.

Problemi

Ustvari, vrlo je vjerojatno da vaša tvrtka već koristi neki oblik poslovne inteligencije, zvali je vi tako ili ne. Najčešće je ona u obliku proračunskih tablica (Excel). Međutim, s tim pristupom postoji nekoliko velikih problema.

Često u tvrtkama imamo nekoliko zaposlenika s nekoliko proračunskih tablica koje u stvari služe kao “ljudska skladišta podataka”. Ti zaposlenici izrađuju izvještaje često bez ikakve međusobne koordinacije, što kao rezultat ima više verzija istine. Kada vlasnik tvrtke upita jednostavno pitanje poput “Kakvi su nam prihodi u usporedbi s prošlim mjesecom?”, dobija nekoliko različitih odgovora. Štoviše, vjerojatno će trebati i nekoliko dana da se odgovori na slična jednostavna pitanja i to nepouzdanim odgovorom. Nadalje, kako tvrtka raste, broj transakcija koje ona proizvodi, kao i broj izvora podataka također rastu. Ubrzo to može biti previše za nekoliko osoba koje su dobile zadatak da izrađuju izvještaje i analiziraju podatke.
 

Naše rješenje

Navedeni problemi rješavaju se definiranjem i identificiranjem Ključnih pokazatelja poslovanja i metrika sustava, zajedno s implementacijom procedura za kvalitetu i čišćenje podataka, skladišta podataka i naposlijetku uvođenjem izvještajnog sustava nad tim, pročišćenim skladištem.

Zamislimo da smo vlasnik tvrtke koja se bavi veleprodajom i da možemo analizirati listu svih naših kupaca. Tada saznajemo da kupci sa sjevera grada puno češće kupuju i naručuju moje proizvode od kupaca sa juga grada. Ako tada tu informaciju iskoristimo kako bismo marketinški ulagali u te dijelove grada različito, očigledno smo učinili djelo poslovne inteligencije. Iskoristili smo pravu informaciju za pravu odluku.

Da bi takve informacije bile dostupne, one trebaju dolaziti pravim ljudima u pravo vrijeme. Upravo tome služi cijeli sustav poslovne inteligencije. To nam je bilo na umu kada smo razvijali vlastiti softverski alat za poslovnu inteligenciju, BusinessQ. Uz pomoć novih tehnologija poput open source, oblak, in-memory procesiranja, web 2.0 interaktivnih sučelja i zadnjih spoznaja iz tehnologije vizualizacije napravili smo BI alat koji je i cijenom potpuno prilagođen malim i srednjim tvrtkama.

Još kao odgovor na pitanje iz naslova posta, poslovna inteligencija je nešto što vlasnici i menadžment u tvrtkama trebaju koristiti svakodnevno.