Mõõdikud andmeanalüüsi lahenduses BI4Dynamics

Autor: BCS Itera ärianalüüsi valdkonna juht Mihkel Nugis

Mida kujutab endast andmete analüüsimine?  Wikipedia ütleb: ‘Andmeanalüüs sisaldab andmete ülevaatamist, kustutamist, muutmist ja modelleerimist eesmärgiga saada soovitud infot, teha selle põhjal järeldusi ja hõlbustada otsustuste tegemist.’

Praktikas tähendab see seda, et meil on kasutada tarkvara, mis võimaldab ligipääsu andmetele ja oskab võimalikult väikese vaevaga need andmed esitada selliselt, millest kasutaja on võimeline välja lugema endale olulist informatsiooni, tuvastama trende ja mustreid andmetes. Üks käepärasemaid tööriistu andmete analüüsiks on Exceli Pivot tabel. Ühendatuna andmebaasi külge annab Pivot tabel meile kasutada valiku mõõdikuid ja dimensioone. Kasutaja kombineerib neid aruandeks või koostab graafikuid ja diagramme. Mõnikord nimetatakse selliselt üles ehitatud andmebaasi multi-dimensionaalseks.

Mõõdikud on arvulised suuruseid, mida on võimalik summeerida, arvutada keskmist ja teha muid nn agregeerimis toiminguid. Näiteks võib tuua tavapärased mõõdikud nagu müügikäive, kliendi võla saldo, kaupade laokogus jne.

Dimensioonid on tunnused, mille lõikes me oma mõõdikuid soovime näha. Aeg on dimensioon, ilma milleta ei saa hakkama ükski ärianalüüsi andmemudel. Aja dimensioon annab võimaluse kuvada müügi käibeid aastate või kuude lõikes, mis on aja dimensiooni atribuudid. Kui on soov veelgi detailsemaks minna, siis päeva täpsusega, mis on veel üks atribuut aja dimensioonil. Kui dimensioonil esineb struktuur, mis võimaldab vaadelda andmeid erineva detailsuse tasemel, siis nimetame seda struktuuri hierarhiaks. Juba jutuks olnud aja dimensioonil on võimalik näiteks sellised hierarhilised tasemed nagu aasta à kvartal à kuu à päev.

Kliendi dimensioon võib olla ülesehitatud samuti hierarhiana: riik à piirkond àlinn/asula à klient.

Ei ole palju fantaasiat vaja, et aru saada kuivõrd palju erinevaid mõõdikuid ja dimensioone on võimalik koostada oma majandustarkvaras talletatud andmete põhjal. Probleem on aga sellest, et  majandustarkvara baasis ei ole need andmed sugugi mugavalt valmiskujul võtta. Toorandmete viimine nn multi-dimensionaalsele kujule nõuab tehnilist teadmist olemas oleva majandustarkvara andmebaasi struktuurist ja võib võtta mitmeid kümneid ja sadu töötunde aega, et need ärianalüüsi jaoks ära ’tõlkida’.

Majandustarkvara Dynamics NAV tarvis on meie õnneks see töö ära tehtud. Ärianalüüsi lahendust BI4Dynamics oleme varemgi ajakirja „Äri IT“ lugejatele tutvustanud. See on spetsiaalne rakendus, mis võtab Dynamics NAV andmebaasist andmed ja pöörab need ärianalüüsi vahenditele sobivale multi-dimensionaalsele kujule. Üks suur lisaväärtus on BI4Dynamicsil ka selles, et see rikastab NAV-ist võetud andmeid uute mõõdikutega. Need mõõdikud kasutavad matemaatilisi algoritme, et tuletada põhiandmetest uusi numbrilisi väärtusi, mis oluliselt avardavad kasutaja võimalusi saada ärilisteks otsusteks kasulikku infot. Ainuüksi BI4Dynamicsi müügianalüüsi moodulis on üle 200 mõõdiku ja u. 90 dimensiooni atribuuti, mille lõikes neid mõõdikuid esitada.

Toome järgnevalt mõned näited sellistest mõõdikutest, mis tulevad kaasa Bi4Dynamics’i andmemudeliga.

• Lao ringluse kiirus

’Lao ringluse koefitsient’ on varude analüüsimisel üks võimalike indikaatoreid hindamaks seda, kui efektiivselt on korraldatud lao täiendamine uute kaupadega. Koefitsiendi arvväärtus näitab, mitu korda aastas jõuab laost läbi käia keskmise laoseisu jagu kaupu. Kui jagada koefitsient 365 -ga saame lao ringluse päevades, mida võib tõlgendada nii, et kui mitu päeva kulub, et ladu tühjaks müüa. Sõltuvalt ettevõtlusvaldkonnast võivad need näitajad olla erinevad. Samas kui võrrelda seda koefitsienti läbi aja perioodide ühe lao piires, saame pildi, mis iseloomustab laoringluse dünaamikat. Kui selgub, et see koefitsient näitab kahanemise trendi, siis on põhjust karta, et laos on seisvat kaupa rohkem kui varasematel aegadel.

Joonis 1. Laoringluse koefitsiendi dünaamika kuude lõikes

• Varude aegumine

Mõõdik ’aeguva lao väärtus’ aitab meil hinnata, milline on laos varude jaotus vanuse järgi. Varude vanuse võib rühmitada sobivatesse aja vahemikesse. Näiteks varud, mille vanus on alla kuu, siis järgmine rühm kaupadest mis kuni 100 päeva vanad jne. Nüüd saame ülevaate kui suure osa kogu laoväärtusest ühe või teise vanuse rühmaga kaubad moodustavad.

Joonis 2. Varude vanuseline koostis kuude lõikes mõõdetud varude vääruses

• Kliendi võlgnevus päevades

Klientide maksete laekumiste jälgimine on kriitilise tähtsusega. Sama tähtis on õigeaegselt tuvastada, kui klientide makse käitumises hakkavad tekkima soovimatud häired. Mõõdik ’kliendi keskmine üle tähtaja võlgnevus päevades’ aitab maksedistsipliinil silma peal hoida. Selle abil saame tuvastada kroonilised maksetega hilinejad. Samuti aitab see mõõdik välja tuua need kliendid, kellel muidu on laekumistega korras olnud aga viimasel ajal on hakanud pahatihti võlgnevus üle tähtaja minema.

• Müügipakkumisest tellimuseks indeks

Müügi protsess saab alguse pakkumisest. Osa müügipakkumisi realiseerub tellimuseks, teine osa läheb arhiivi. BI4Dynamicsi müügi analüüsi moodulis on võimalik mõõta, kui suur osa pakkumistest pöörati tellimuseks mõõdikuga ’müügipakkumisest tellimuseks indeks’. Vaadeldes seda indeksit näiteks müügiisikute lõikes saame teada, kes on oma müügitöös efektiivsem.

Vaatamata sellele, et valmiskujul on meil BI4Dynamicsis kohe võimalik kasutusele võtta suur hulk mõõdikuid ja dimensioone, on alati võimalik, et vajalik oluline näitaja, mis on ettevõtte seisukohast kriitilise tähtsusega, puudub. Tänu lahenduse avatusele saame sellisel juhul puuduvad indikaatorid andmemudelisse juurde arendada. Näiteks oli kasutajal soov mõõta eraklientidele tehtud müüke kliendi vanuse rühmade lõikes. Sellise dimensiooni lisamine vajas vaid paar tundi tööd. Tänu eraldi seisvale andmelaole saab sellised täiendused teha andmelao baasi piires ilma NAV-i igapäeva tööd häirimata.