Únor 2011 12/1 Controlling 12/1strana 1 Controlling Lze nalézt řadu různých definic pojmu controlling. Základem všech těchto definic jsou ale dva základní pojmy – informace a řízení. Obecně je controlling chápán jako podpora, resp. nástroj řízení prostřednictvím informací. Z toho tedy plyne, že pro controlling je důležité získání, zpracování a analýza informací a poskytnutí úplných a správných podkladů pro řízení. Právě tato cesta získání, zpracování, analýzy a poskytnutí informací potřebných pro řízení bude naším klíčovým směrem. První postupy podobné controllingu se objevily v USA koncem 19. a začátkem 20. století. K velkému rozvoji přispěla světová hospodářská krize, kdy tlak na minimalizaci nákladů vedl k nutnosti změnit dosavadní principy řízení. V Evropě se začal controlling v řízení prosazovat až po druhé světové válce. Dalším impulsem controllingu se stala ropná krize v 70. letech 20. století. Základy controllingu v České republice položil Tomáš Baťa (zakladatel obuvnické firmy Baťa a jeden z největších podnikatelů své doby). V dobách centralizovaného plánování a řízení se controlling příliš nerozvíjel a jeho rozvoj nastal až po roce 1989. V současné době dochází opět k rozvoji controllingu v souvislosti s hospodářskou stagnací a poklesem. Informace – základ controllingu Řízení každé společnosti je velmi složitým mechanismem. Veškeré požadavky na řízení není možné dopředu přesně definovat. Proto řízení mnohdy vyžaduje ad hoc požadavky. pojem controlling a historie controllingu Únor 2011 12/1 strana 2 Nástroje IT manažera Řízení je samozřejmě o informacích. Pouze správné, přesné, korektní a adekvátní informace umožní správná rozhodnutí v rámci řídicích mechanismů. Controlling je systémem podpory podnikového řízení prostřednictvím stanovených cílů a cest k dosažení těchto cílů. Controlling není pouze kontrola, se kterou je někdy zaměňován, ale je to proces řízení. Obsahuje postupy, principy a nástroje pro definování cílů (plánování) a sledování dosažení těchto cílů (skutečnost). Co znamená controlling na základě cílů – jedná se o stanovení cílů v jednotlivých oblastech a sledování těchto cílů. Základem controllingu je controllingový cyklus, který vede k pravidelnému vyhodnocování stavu stanovených cílů a případnému přijímání opatření ke zlepšení stavu. controllingový cyklus Únor 2011 Controlling 12/1strana 3 Opakují se jednotlivé fáze controllingu: plán – definice či úprava definice cílů, vyhodnocení plánu – zjištění stavu plnění cílů, řešení odchylek – přijetí opatření, změna plánu. V rámci controllingového cyklu je nutné stanovení konkrétní zodpovědnosti za naplnění jednotlivých cílů a zainteresovanosti na plnění cílů. Jak je vidět na obrázku 1, jednotlivé dílčí cíle jsou kumulovány do cílů globálnějších, a vzniká tak „pyramida“ cílů. Pyramida cílů logicky kopíruje pyramidu řízení společnosti. Vrcholový management má stanoveny (nebo stanovuje) globální cíle. Pro jejich splnění musí aktivovat střední management a stanovit mu dílčí cíle. A poté je aktivován management na základní úrovni a základní cíle. Naopak stav plnění základních cílů určuje plnění dílčích cílů a to určuje plnění globálních cílů. Pro plánování a vyhodnocení stavu cílů jsou nutné informace. Informací je v rámci podnikového řídicího procesu spousta. Pro controllingový cyklus je však nutná schopnost rychle získat potřebné a adekvátní informace a mít možnost tyto informace analyzovat. Zdroje informací Zdrojem informací v podniku jsou většinou podnikové informační systémy a další SW aplikace v podniku používané (dále jen „informační zdroje“). Mohou zde existovat samozřejmě i další informace, které nejsou vedené ve výše fáze controllingu pyramida cílů Únor 2011 12/1 strana 4 Nástroje IT manažera zmíněných informačních zdrojích (informace vedené písemně, informace z externích zdrojů, …), ale pro jednodušší pochopení základních principů se omezme na informace z informačních zdrojů. Podnikový informační systém je zdrojem řady informací, které jsou sice logicky uspořádané (většinou z hlediska databázové struktury), ale jejich adekvátnost z hlediska hodnocení konkrétních cílů je různá. Podnikové informační systémy obsahují obrovské množství informací, které jsou detailní. Informační systém musí obsahovat detailní informace, protože slouží k podpoře jednotlivých dílčích činností, které probíhají v podniku. Toto je nutný požadavek pro správné fungování podnikového informačního systému. Je však v rozporu s naším požadavkem na přesné, korektní a adekvátní informace pro vyhodnocení cílů v rámci controllingu. Tyto potřebné informace se většinou získávají pomocí výstupních tiskových sestav a reportů z informačního systému. Výsledky těchto reportů se použijí pro hodnocení cílů. Většinou jsme z informačního systému schopni získat reporty např. o přehledu tržeb. Report je však statický – řekne nám stav tržeb z hlediska stanovených kritérií (definované období, rozsah – všechny/vybrané tržby). Pokud zjistíme nesoulad s cílem a chceme jej analyzovat, musíme většinou vytvořit další a další reporty s různými kritérii. Obvykle se po určitém množství práce a času dostaneme k vyhodnocení cíle. Čím více je cílů, tím více práce musíme vynaložit. ! Únor 2011 Controlling 12/1strana 5 Nicméně rutinní činnosti získávání podkladů a informací často zbytečně ubírají čas, který je možné věnovat analýze plnění cílů, vyhodnocování odchylek a přijímání opatření pro nápravu – což jsou skutečné stavební kameny control- lingu. Pojďme se podívat na cestu, jak rychle získávat potřebné informace a mít časový prostor a nástroje na jejich ana- lýzu. Controlling a ukazatele Řekli jsme, že naše informační zdroje obsahují dílčí, jednotlivé informace. My však potřebujeme informace kumulované, které nám umožní popsat složitější „jevy“, jež v podniku probíhají. Jak popsat jednotlivé podnikové jevy? Samozřejmě existuje slovní popis. Tento přístup má však dva základní nedostatky – je většinou subjektivním pohledem „popisovatele“ a zejména je „neměřitelný“. Druhým pohledem je číselné (měřitelné a objektivní) vyjádření stavu jevu. Pro toto vyjádření se použije ukazatel a jeho číselná hodnota. Ukazatele existují absolutní (např. výše zisku) a relativní (podílové – např. procento zisku z tržeb). Dále ukazatele členíme na stavové (ukazatele k určitému datu) a tokové (ukazatele za určité období). Stejně jako se jednotlivé podnikové jevy ovlivňují a souvisí spolu, je tomu tak i u ukazatelů. Ukazatele většinou vytváří Únor 2011 12/1 strana 6 Nástroje IT manažera soustavy návazností a souvislostí (tzv. pyramidální soustavy). Jednoduchým, ale velice známým příkladem je pyramidální soustava DU PONT: Jak jste si jistě všimli, tato soustava úzce souvisí s cíli stanovenými na obrázku č. 1 a definuje ukazatele pro hodnocení plnění cílů. Dalším podstatným faktorem úspěšnosti controllingu je volba vhodného počtu cílů, a tudíž jevů a ukazatelů. Přemíra informací nevede k lepšímu vyhodnocení, ale spíše k zahlcení informacemi. Multidimenzionální analýza Výše jsme mluvili o ukazatelích a o hodnotách ukazatelů. Pojďme se zastavit u otázky, kolik hodnot má ukazatel. Možná by nás napadlo – jeden ukazatel, jedna hodnota. Pokud se ale trochu zamyslíme, dojdeme k závěru, že tomu tak není. Vezměme například již dříve uvedený ukazatel Tržby (Utržené finanční prostředky za prodej našich produktů a služeb). hodnoty ukazatele Únor 2011 Controlling 12/1strana 7 Pokud chceme zjistit hodnotu tržeb, nestačí dotaz „Jaká je hodnota tržeb?“, ale otázku musíme upřesnit, např. „Jaká je hodnota tržeb v letošním roce, za všechny produkty a všechny zákazníky?“, „Jaká je hodnota tržeb v uplynulém měsíci, za skupinu produktů a všechny zákazníky?“, „Jaká je hodnota tržeb v letošním roce, za všechny produkty a zákazníka XY?“. Na každou otázku dostaneme odpověď, odpovědi jsou různé, ale v kontextu dotazu správné. Ukazatel má tedy více hodnot a tyto hodnoty jsou dány úhly pohledu, ze kterých se na ukazatel chceme dívat. My jsme v našem příkladu použili tři úhly pohledu: časové období (rok, měsíc, den, minulý rok, …), produkt (typ produktu /služby, výrobky, …/, skupina produktů, podskupiny, konkrétní produkty), zákazník (zákazníci jednoho obchodníka, zákazníci jednoho území, skupiny zákazníků, konkrétní zákazník). Jak vidíme, úhel pohledu má svoji hierarchii. Např. na produkt lze nahlížet takto: všechny produkty, rozdělení produktů na služby, výrobky, zboží, rozdělení výrobků na jednotlivé skupiny, rozdělení výrobků na podskupiny, konkrétní výrobky. ! Únor 2011 12/1 strana 8 Nástroje IT manažera Každá úroveň hierarchie nabývá konkrétních hodnot (konkrétní kódy skupin, podskupin, konkrétní výrobky, …). Pokud zkombinujeme všechny úhly pohledu, dostaneme vždy hodnotu ukazatele Tržby. Takže hodnoty ukazatele si můžeme představit jako krychli plnou hodnot ukazatele. Krychle má ještě složitější strukturu, než je zobrazeno na obrázku, protože jednotlivé úhly pohledu (nadále budeme již používat odborný pojem „dimenze“) mají hierarchickou strukturu. Takže krychli můžeme chápat jako zobrazení elementárních úrovní hierarchií dimenzí (např. jeden den, konkrétní produkt, konkrétní zákazník) a vyšší úrovně hierarchií jsou dány souhrnem (součet, maximum, minimum, poslední člen, první člen). I v tak jednoduchém příkladu, který jsme zvolili, dostáváme řadu možných hodnot jednotlivých ukazatelů. Pokud bychom volili výše zmíněný princip výpočtu ukazatele pomocí reportů, tak spočítat všechny hodnoty ukazatelů je téměř nadlidský úkol. Proto se teď zaměřme na možné nástroje, jak tyto výpočty zjednodušit. Únor 2011 Controlling 12/1strana 9 OLTP a OLAP systémy Vraťme se nyní k pojmu informační systém. V oddíle Zdroje informací jsme již o informačních systémech mluvili jako o zdroji informací, použili jsme pojem podnikový informační systém a dopustili jsme se určitého zjednodušení. Za informační systémy jsme považovali systémy pro podporu rutinních činností podniku. Tyto informační systémy tvoří pouze část informačních systémů a řadí se do skupiny OLTP systémů (z On-Line Transaction Processing). Systémy jsou určeny a optimalizovány pro zpracování řady operací (transakcí), které je v systému nutné vykonat při provádění rutinních činností podniku (zapsání faktury do systému, příjem materiálu, vytvoření dodacího listu, …). Tyto systémy jsou zdrojem našich informací pro controlling, nejsou však vhodné pro zpracování těchto informací. Pro zpracování velkého množství informací je určena druhá skupina systémů známá pod zkratkou OLAP (On-Line Analytical Processing). Tyto systémy jsou optimalizované pro uložení řady (většinou hierarchických) informací a jejich analýzu. Nejsou primárně určeny pro vstup informací (zadávání transakcí). A právě OLAP systémy slouží jako vhodná podpora controllingového cyklu. Přehledné porovnání základních vlastností OLTP a OLAP databází je uvedeno v následující tabulce: Únor 2011 12/1 strana 10 Nástroje IT manažera OLTP databáze OLAP databáze Jsou určeny a optimalizovány pro zadávání a vstup informací do systému. Jsou určeny a optimalizovány pro získání informací ze systému. V databázích je možné zadávat, měnit a rušit údaje. Z databází se údaje většinou jen získávají (čtou). Jsou určeny primárně pro podporu opakujících se rutinních činností uživatelů. Obsahují nástroje pro kreativní a analytickou činnost uživatelů. Struktura aplikace je z pohledu uživatelů statická. Podporují každodenní činnosti probíhající ve společnosti. Aplikace jsou dynamické, uživatel sám navrhuje a mění obsah aplikace. Podporují tvorbu a vyhodnocování dlouhodobých strategií firmy. Zpracovávají velké objemy relativně malých transakcí. Zpracovávají malý počet komplexních dotazů. Probíhající transakce neustále přidávají a aktualizují data. Data se do databáze načítají a aktualizují dávkově. Z hlediska návrhů databáze jsou využívány normalizované databáze s důrazem na minimalizaci redundance dat. Základem návrhu je hledisko rychlého přístupu k datům z pohledu analýz a prezentací. Integrace dat je zajišťována v rámci datového modelu. Integrace dat se zajišťuje při dávkových importech a transformacích dat. Níže se budeme detailněji zabývat OLAP databázemi. Datové sklady Jak plyne z předcházejícího textu, OLAP databáze potřebují někde získat informace, protože nejsou určeny pro rutinní vstup údajů. Zdrojem informací jsou OLTP databáze. Nelze samozřejmě použít celou OLTP databázi jako zdroj informací. OLAP databáze je založená na výběru důležitých, potřebných informací. Schematicky je tento postup znázorněn na obrázku č. 4. OLTP databáze Únor 2011 Controlling 12/1strana 11 Pojďme se nyní zaměřit na postup transformace dat z OLTP databáze (databází) do OLAP databáze. Získání a transformace dat z OLTP databází je nedílnou součástí OLAP databází. Jak jsme uvedli již dříve, zdrojů informací existuje více, mohou to být různé OLTP databáze, případně i jiné zdroje. Proto je nutné jednak vhodně vybrat potřebné informace a zejména informace transformovat tak, aby byly srovnatelné (problém může spočívat v tom, že informace v různých OLTP databázích mohou být např. v různých jednotkách – kg/tuna, měnách EUR/USD/CZK, …). Při transformacích dat a informací také často dochází ke kontrolám dat. Veškeré tyto činnosti je potřeba provést ve fázi transformace dat. Způsobů získání a transformace dat z OLTP databází existuje více, popíšeme si dva základní. Únor 2011 12/1 strana 12 Nástroje IT manažera Nejprve si popíšeme jednodušší princip přímého použití vybraných dat z OLTP databáze. V OLTP databázi použijeme pohled (view), který nám zpřístupní vybraná data z OLTP databáze. Pohled je realizován pomocí sql dotazu, který uskuteční výběr dat (viz příklad): SELECT base.kod_zakaznika, -- zákazník kód base.jmeno_zakaznika, -- zákazník název base.datum_dokladu, -- datum base.prodej_bez_dph, -- cena bez DPH base.kod_artiklu, -- kód artiklu base.nazev_artiklu, -- název artiklu base.mnozstvi, -- množství base.jednotka, -- měrná jednotka SELECT naklad -- náklady FROM C_vyrobky_ceny kal WHERE kal.kod_vyrobku = base.kod_artiklu AND kal. datum_od <= base.datum_dokladu AND kal.datum_do >= base.datum_dokladu) FROM r_prodej base WHERE (datum_dokladu > ‚2007-01-01ʻ OR datum_dokladu IS NULL) AND base.mnozstvi <> 0 Jak ukazuje předchozí příklad, pohled si připravíme tak, aby obsahoval všechny potřebné informace (v našem případě informace o zákazníkovi, artiklu, datu, tržbách, nákladech, množství a měrné jednotce). princip pohledu (view) Únor 2011 Controlling 12/1strana 13 Tento princip je časově rychlý a jednoduchý. Tím pádem nám umožní relativně rychle vytvořit datovou část OLAP databáze. Omezení tohoto postupu spočívá jednak v omezeních, která jsou dána definicí pohledu – proto některé náročnější transformace a kontroly není možné v pohledu provést. Dále pohled poskytuje přímý náhled na data, proto například archivací historických dat tato data z pohledu vypadnou. Druhý princip je náročnější na přípravu, umožní nám však s informacemi pracovat nezávisle na zdrojové OLTP databázi. Jedná se o princip datového skladu. Jde o samostatnou databázi, do které jsou informace „zkopírovány“ v rámci procesu transformace. Proto datový sklad vytváří kromě zdroje dat a informací také archiv informací bez princip datového skladu Únor 2011 12/1 strana 14 Nástroje IT manažera ohledu na to, zda byly informace v původním systému zaarchivovány a vymazány. Schéma z obrázku č. 4 pak vypadá takto: Problematika budování datových skladů je sama o sobě velmi rozsáhlá a budeme se jí věnovat v některém z dalších pokračování. Ukažme si datový sklad ve své nejjednodušší podobě relačního datového skladu – ROLAP – na jednoduchém příkladě: Datový sklad je realizován jako relační databáze, která obsahuje hodnoty sledovaných ukazatelů z hlediska časového období, produktu, struktury. Pro pochopení struktury datového skladu je nutné si uvědomit jeho relační podobu. Hodnoty jednotlivých ukazatelů jsou uloženy v tabulce W_D_ Sklad, která kromě hodnot obsahuje odkazy (cizí klíče) do dalších tabulek, jež obsahují informace o období (W_D_ Únor 2011 Controlling 12/1strana 15 Obdobi), výrobku (W_D_Produkt), zákaznících (W_D_Struktura) a ukazatelích (W_D_Ukazatele). Popsali jsme dva principy získání dat z OLTP databáze, a to pomocí pohledu (view) nebo datového skladu. Zatím se jedná pouze o data (hodnoty ukazatelů z různých pohledů), nedošlo však k jejich uspořádání. Získali jsme informace z OLTP databáze, ale ve vazbě na informace jsme daleko nedošli. Pokud si ukážeme data, která jsme získali, nesplňují požadavky přehlednosti a jednoduché analyzovatelnosti. Vytvořili jsme extrakt dat z OLTP (jsou to pouze vybraná data určitého charakteru), ale stále je to pouze seznam. V prvním případě (pohled na data) je seznam i poměrně čitelný: Únor 2011 12/1 strana 16 Nástroje IT manažera V případě datového skladu data bez dalšího zpracování ne- využijeme: Právě proto, abychom s výše získanými daty mohli pracovat, musíme vytvořit OLAP databázi. Zjednodušeně řečeno musíme definovat naše krychle hodnot ukazatelů (datové kostky), tj. stanovit, jaké ukazatele (hodnoty) nás budou zajímat (v našem případě množství, prodejní cena a náklady) a z jakých pohledů se na ně budeme dívat (zákazník, výrobek, období). To bude tvořit definici naší OLAP databáze. Základní návrh OLAP databáze Již v předcházejícím textu jsme uvedli, že OLAP databáze je vlastně náš požadavek na informace, tj. jaké ukazatele a z jakých pohledů chceme sledovat. Než si dvě OLAP databáze navrhneme, uvedeme si několik pojmů, které se při návrhu OLAP databází používají: data source (datový zdroj) – zdroj dat z OLTP databáze, který pro OLAP databázi využijeme (pohled, nebo datový sklad), Únor 2011 Controlling 12/1strana 17 cubes (datové krychle) – krychle hodnot ukazatelů (obsahují míry a dimenze – viz dále), measures (míry, fakta) – ukazatele, jejichž hodnoty budeme sledovat, dimensions (dimenze) – pohledy, ze kterých chceme ukazatele sledovat. Pomocí těchto čtyř objektů jsme schopni definovat základní jednoduché OLAP databáze. Existují i další objekty, které lze v rámci OLAP databáze definovat (kalkulované položky, KPI, akce, …), ale k nim se dostaneme až v dalších pokračováních. Pojďme si nyní navrhnout dvě jednoduché OLAP da- tabáze. Jednoduchá OLAP databáze nad pohledem Nyní si ukážeme, že opravdu pouze definice čtyř výše zmíněných objektů nám přinese OLAP definovanou databázi. První z nich je definice datového zdroje (data source). Tím bude náš už dříve definovaný pohled: Únor 2011 12/1 strana 18 Nástroje IT manažera Dále definujeme míry (measures), tedy naše ukazatele – Množství, Náklad, Prodej bez DPH. Jen jsme do názvů doplnili diakritiku. Následuje definice dimenzí (dimensions). Zde je potřeba větší promyšlení. Jak jsme o dimenzích mluvili výše, jejich struktura může být složitější, hierarchická, a my tyto hierarchie musíme nadefinovat. V našem případě máme dvě jednoduché dimenze Datum a Zákazník a hierarchickou dimenzi Výrobek s dvouúrovňovou hierarchií – Skupina výrobků a Konkrétní výrobek. Únor 2011 Controlling 12/1strana 19 A máme tedy nadefinovanou celou datovou kostku: Takže jsme vytvořili OLAP, která obsahuje informace o našich prodejích ve finančním i množstevním vyjádření včetně nákladových cen a jsme tyto informace schopni sledovat z hlediska data (období), prodaných výrobků a našich zá- kazníků. Únor 2011 12/1 strana 20 Nástroje IT manažera OLAP databáze nad datovým skladem Postup definice této databáze je podobný jako v předchozím případě, jen je definice o něco náročnější díky relační struktuře datového skladu. Nemáme nyní míry a dimenze v jedné tabulce, ale musíme využít tabulek několik. Jako datový zdroj slouží veškeré tabulky z datového skladu: Pracujeme tedy nejen s tabulkou obsahující hodnotová data (d_dsklad), ale i s pomocnými tabulkami pro dimenze. Tabulka s hodnotovými daty obsahuje pouze cizí klíče dimenzí, proto potřebujeme i pomocné tabulky s popisnými daty dimenzí. Únor 2011 Controlling 12/1strana 21 Když si prohlédneme tabulku d_dsklad, vidíme, že obsahuje pouze jednu hodnotovou položku – castka. Míra tedy bude jediná a její význam dá až nová dimenze ukazatel: Takže jsme vytvořili dvě OLAP databáze nad pohledem a nad datovým skladem obsahující stejné údaje o obchodech společnosti. Jak lze nyní pracovat s informacemi uloženými v těchto OLAP databázích? Zde asi nejvíce začneme oceňovat výhody OLAP databází. V OLTP databázích pracujeme s dopředu připravenými náhledy na data (z menu spouštěné sestavy, přehledy, zobrazení detailních informací). OLAP databáze slouží naopak jako zdroj údajů (informací) pro dynamicky se měnící pohledy na informace. Výstupy z OLAP databází nejsou statické, uživatel si je může přizpůsobovat svým potřebám a požadavkům. Možností, jak k údajům v OLAP databázích přistupovat, je řada. My si ukážeme nejjednodušší cestu, která využívá standardních prostředků prostředí Microsoft Excel. Zjedno- Únor 2011 12/1 strana 22 Nástroje IT manažera dušeně by se dalo říct, že propojíme OLAP databázi s listem v prostředí Microsoft Excel. Díky tomu budeme moci bez nutnosti přepisování nebo importování pracovat v Microsoft Excelu s daty z OLAP databáze. Analýza ukazatelů Než přejdeme k praktickému příkladu, pojďme se zastavit nad pojmem analýza ukazatelů. Víme, co je to ukazatel, že nabývá řady hodnot, a to ve vazbě na „úhel“ pohledu, ze kterého se na něj díváme. Analýza ukazatelů je pak vlastně sledování a porovnávání ukazatelů z různých pohledů. Pokud si vezmeme naši konkrétní situaci, pak můžeme analyzovat ukazatel „Prodej bez DPH“ např. takto: zobrazení zákazníků podle hodnoty „Prodeje bez DPH“ od nejvyšší hodnoty, zobrazení výrobků podle hodnoty „Prodeje bez DPH“ od nejvyšší hodnoty, zobrazení zákazníků a výrobků, které jim byly prodány, porovnání prodejů za různá období. Veškeré tyto i další analýzy máme nyní k dispozici ihned pouze volbou zobrazovaných parametrů. Každá analýza ukazatelů vlastně znamená „řez“ datovou kostkou. V rámci našich možností, kdy lze pracovat s tabulkou, která má řádky a sloupce (více rozměrů rozumně nezvládneme zobrazit, případně vytisknout), hledáme tedy pohled na hodnoty ukazatelů z hlediska definování takové tabulky. analýza ukazatelů Únor 2011 Controlling 12/1strana 23 Jako prostředí jsme zvolili Microsoft Excel. Po jeho napojení na OLAP databázi se nám automaticky zpřístupní data z OLAP databáze pro vytvoření kontingenční tabulky – tedy definování řádků, sloupců a filtrů na základě dimenzí definovaných v OLAP databázi a dále hodnot do kontingenční tabulky na základě měr definovaných v OLAP data- bázi. Tímto postupem jsme schopni provádět analýzy ukazatelů. Podívejme se na příklady analýz zmíněných výše. Pro zobrazení zákazníků podle objemu prodeje zvolíme do řádků sestavy dimenzi Zákazník a do sloupců jednotlivé roky z dimenze Datum. Jako hodnoty zvolíme míru Prodej bez DPH. Únor 2011 12/1 strana 24 Nástroje IT manažera Detailně můžeme analyzovat prodeje do jednotlivých měsíců nebo dnů. Obdobně získáme analýzu výrobků podle objemu výroby, s možností kromě roků detailně analyzovat i výrobky podle hierarchie dimenze Výrobek. Únor 2011 Controlling 12/1strana 25 Jednotlivé dimenze můžeme samozřejmě i kombinovat, tedy např. analyzovat Prodej jednotlivým zákazníkům z hlediska prodaných výrobků. Únor 2011 12/1 strana 26 Nástroje IT manažera Hodnotové analýzy jsou sice důležitým prvkem controllingu, mnohdy však mají větší výpovědní hodnotu grafické výstupy. I tento typ výstupů je možné nad OLAP databází vytvářet, a to velmi jednoduše. Jen zaměníme tabulkové zobrazení za graf. Pokud tedy chceme např. analyzovat konkrétního zákazníka a jeho prodeje v jednotlivých letech a měsících, můžeme použít následující graf, kde v ose x využijeme Měsíc z dimenze Datum, jako hodnoty bude použit opět Prodej bez DPH a jako sloupce (datové sady) Roky z dimenze Datum. Celý graf budeme filtrovat ve vazbě na dimenzi Zákazník. Dalším porovnávacím grafem může být porovnání Prodeje bez DPH a Nákladů na tento prodej, nejprve v detailu ob- dobí. Únor 2011 Controlling 12/1strana 27 Závěrečnou ukázkou možností analýz je porovnání Prodeje bez DPH a Nákladů poměrově (tedy struktura prodejů podle jednotlivých výrobků – skupin, a vůči tomu struktura ná- kladů). Jak dále aneb co nás ještě čeká Předchozí text o controllingu a controllingových nástrojích představuje úplný úvod do této problematiky, který měl spíše nastínit možnosti a šíři problematiky. V dalších pokračováních se budeme věnovat složitějším ukazatelům, které nezískáme přímo z údajů OLTP databáze a musíme je počítat až v OLAP databázi (např. ziskovost, rentabilita a další podílové ukazatele), analýzám založeným na klíčových indi- Únor 2011 12/1 strana 28 Nástroje IT manažera kátorech výkonu (KPI – Key Performance Idicators), statistickým metodám v analýzách a dalším možnostem potřebným pro controlling. Odkazy na použitou a doporučenou literaturu: Eschenbach, Rolf: Controlling; edited by Stefan Güldenberg – Werner Hoffmann; 2. vydání; Praha: ASPI, 2004; ISBN 80-7357-035-1 Manažerská ekonomika; edited by Miloslav Synek; 4., aktualizované a rozšířené vydání; Praha: Grada, 2007; ISBN 978-80-247-1992 Lacko, Luboslav: Business Intelligence v SQL Serveru 2005 Reportovací, analytické a další datové služby; 1. vydání; Brno: Computer Press, 2006; ISBN 80-251-1110-5 Hajn, Pavel: OLAP nástroje obchodního controllingu; Brno: ELEGIS s. r. o., 2010 Srpen 2011 12/1.1 Využití controllingových nástrojů v praxi 12/1.1strana 1 Využití controllingových nástrojů v praxi Cílem této kapitoly je vytvoření praktického modelu controllingového nástroje použitelného pro hodnocení obchodních aktivit libovolného typu společností. Před a v rámci vlastního návrhu tohoto nástroje si ještě rozšíříme požadavky na to, co bychom od našeho controllingového nástroje očekávali. Analýza požadavků jednoduchého obchodního control- lingu Jak jsme již uvedli, vytvoříme sice jednoduchý, ale prakticky použitelný model informací potřebných pro obchodní controlling. Nejprve si proveďme obecnou analýzu požadavků pro informace obchodního controllingu. Zaměříme se na prodeje zákazníkům, zajímá nás také územní rozčlenění našich zákazníků (tj. do kterých států, oblastí a obcí prodáváme). Sledovat budeme rovněž naše výrobky, které máme podle sortimentu členěny do sortimentních skupin a podskupin. Obchody realizují obchodníci a z hlediska jejich provizí chceme informace o prodejích, které uskutečňují. Z hlediska sledovaných hodnot nás zajímá objem obchodu (tržby), příjmy od zákazníků (uhrazené částky), vytvořený zisk (tržby minus náklady na dosažení tržeb), a to jak hodnotově, tak i procentem z tržeb (ziskovost), dluhy (neuhrazené částky), opět jak hodnotově, tak i procentem. Vše Srpen 2011 12/1.1 strana 2 Nástroje IT manažera samozřejmě chceme sledovat v časových obdobích. Pokud tedy analýzu převedeme do pojmů OLAP databáze, vychází následující databázová struktura: OLAP krychle – PRODEJ – bude jediná obsahující veškeré potřebné informace Dimenze – Zákazník – dimenze obsahující stát, oblast a obec zákazníka a konkrétní údaje o zákazníkovi – Obchodník – dimenze obsahující obchodníka a jeho zákazníky – Výrobek – dimenze obsahující sortimentní skupinu, podskupinu a jednotlivé výrobky – Období – časová dimenze – rok, měsíc, datum Míry – Hodnota „Prodej bez DPH“ – tržby – Hodnota „Náklad“ – náklady potřebné pro dosažení tržeb – Hodnota „Množství“ – množství prodaných výrobků – Hodnota „Uhrazeno“ – částka uhrazená od zákazníka Další potřebné informace – Zisk – rozdíl mezi „Prodejem bez DPH“ a „Nákla- dem“ – Ziskovost – % zisku z hodnoty „Prodej bez DPH“ – Neuhrazeno – rozdíl mezi „Prodejem bez DPH“ a „Uhrazeno“ struktura OLAP databáze Srpen 2011 – Neuhrazeno v % – neuhrazeno z hodnoty „Prodej bez DPH“ Ve výše uvedeném přehledu vidíme, že nevystačíme z možnostmi OLAP databáze zmíněnými v předchozí kapitole 12/1. Chybí nám možnost dopočítání údajů, které nejsou součástí dat, jež nám poskytuje informační systém. V našem případě se jedná o hodnoty Zisk, Ziskovost, Neuhrazeno a Neuhrazeno v %. Calculations – Dopočtené hodnoty Jak vidíme v naší analýze, potřebujeme v OLAP databázi dopočítat některé hodnoty, které nedostaneme ze základního informačního systému. Některé z těchto hodnot ani nemůžeme získat, protože jejich výpočet závisí na struktuře OLAP databáze. Uvažme například hodnotu Ziskovost. Uvažovat o ní má smysl pro konkrétní výrobek, pro zákazníka, obchodníka atd. v různých obdobích. Na rozdíl od výše uvedených měr, jejichž hodnota se sčítá, je potřeba Ziskovost (na rozdíl třeba od Zisku) počítat vždy znovu. Proto OLAP databáze disponuje nástrojem Calculations – Dopočtené položky. Základní využití dopočtených položek vychází z výpočtu, při kterém využijeme míry a dříve definované dopočtené položky. Předvedeme si tento postup na ziskovosti. Abychom ji mohli definovat, potřebujeme nejprve definovat zisk jako rozdíl měr „Prodej bez DPH“ a „Náklad“: Využití controllingových nástrojů v praxi 12/1.1strana 3 ziskovost využití dopočtených položek Srpen 2011 12/1.1 strana 4 Nástroje IT manažera Obrázek č. 1 – Definice dopočtené hodnoty Zisk Nyní můžeme použít „Zisk“ pro definici další dopočtené položky „Ziskovost“: Obrázek 2 – Definice dopočtené hodnoty Ziskovost Pro naše potřeby toto využití dopočtených hodnot stačí. Dále se ještě zmíníme o definici dopočtených hodnot ve spojení s hodnotou „Dimenze“. Srpen 2011 Návrh OLAP databáze Nyní již můžeme přistoupit k návrhu OLAP databáze. Začneme od zdroje dat. Nebudeme se zabývat detaily, jak data získat z informačního systému. Uvažujme situaci využití pohledu (view) na data informačního systému, který nám poskytne požadované informace. V SQL databázi máme tedy view, které obsahuje následující údaje: Klíč – unikátní klíč v pohledu, Zákazník – informace o zákazníkovi, Stát – stát zákazníka, ZIP kód – kód území zákazníka, Obec – obec zákazníka, Obchodník – obchodník, který prodej uskutečnil, Výrobek – identifikace prodaného výrobku, Skupina – sortimentní skupina výrobku, Podskupina – sortimentní podskupina výrobku, Datum dokladu – datum dokladu, kterým byl prodej uskutečněn, Množství – prodané množství, Jednotka – měrná jednotka prodaného zboží, Prodej bez DHP – hodnota prodeje bez DPH, Náklad – náklad potřebný pro provedení prodeje, Uhrazeno – uhrazená částka. Využití controllingových nástrojů v praxi 12/1.1strana 5 Srpen 2011 12/1.1 strana 6 Nástroje IT manažera Obrázek č. 3 – Obsah pohledu z informačního systému Tento pohled použijeme jako zdroj dat pro naši OLAP databázi. Pro možnosti období do něj ještě doplníme v rámci OLAP databáze informace „Rok“ a „Měsíc“ odvozené z data dokladu: Obrázek č. 4 – Datový zdroj OLAP databáze Srpen 2011 Pokud máme datový zdroj, můžeme definovat strukturu OLAP databáze. Začneme od měr, které vycházejí přímo z pohledu – jedná se o hodnoty: Množství – prodané množství, Prodej bez DPH – hodnota prodeje bez DPH, Náklad – náklad potřebný pro provedení prodeje, Uhrazeno – uhrazená částka. Obrázek č. 5 – Míry z OLAP databáze Pokračujme nyní s dimenzemi. Zde je zapotřebí nejvíce analytických schopností. Musíme určit nejen jednotlivé dimenze, ale i hierarchie určující, jak se chceme na data dívat. Ukažme si možnosti pro dimenzi „Zákazník“. Informace, které máme o zákaznících k dispozici, jsou stát, oblast (určená ZIP kódem), obec a vlastní identifikace zákazníka. Proto první hierarchie, která přichází do úvahy, je úplná hierarchie Stát ➞ Oblast ➞ Obec ➞ Zákazník. Dále si však přidáme pro sledování států hierarchii Stát ➞ Zákazník. Můžeme samozřejmě využít také samostatně jednotlivé atributy Stát, Oblast, Obec, Zákazník. Naopak s klíčovým atributem pracovat nechceme, proto jeho viditelnost nastavíme na FALSE. Využití controllingových nástrojů v praxi 12/1.1strana 7 dimenze zákazník Srpen 2011 12/1.1 strana 8 Nástroje IT manažera Obrázek č. 6 – Dimenze Zákazník Podobně nadefinujeme dimenze „Výrobek“, „Obchodník“ a „Období“: Obrázek č. 7 – Dimenze Výrobek Obrázek č. 8 – Dimenze Obchodník Srpen 2011 Obrázek č. 9 – Dimenze Období Zbývá definice dopočtených položek. Těm jsme se věnovali již výše, proto jen pro shrnutí nadefinujeme čtyři dopočtené položky „Zisk“, „Ziskovost“, „Neuhrazeno“, „Neuhrazeno v procentech“. Obrázek č. 10 – Calculations Máme tedy připravenou OLAP databázi a po naplnění údaji („processing database“) ji můžeme použít pro tvorbu controllingových výstupů. Definice controllingových výstupů OLAP databáze je pouze prvním krokem k cíli. Hlavní, co Využití controllingových nástrojů v praxi 12/1.1strana 9 definice dopočtených položek Srpen 2011 12/1.1 strana 10 Nástroje IT manažera manažer potřebuje, jsou informace. Nadefinujme si nyní strukturu informací, které manažer potřebuje pro řízení obchodního/prodejního útvaru. Začneme od nejjednodušších analýz. Jedná se o přehledy nejprodávanějších výrobků a zákazníků s největším obratem. V obou případech nás bude zajímat deset nejvýznamnějších zákazníků, resp. výrobků. Dále se budeme věnovat vývoji tržeb v čase. Bylo by vhodné členit tyto informace po státech a obchodnících. Stejné analýzy by nás zajímaly z hlediska zisku, ziskovosti a u zákazníků i negativní analýza z hlediska našich pohledávek. Další analýza, která nás bude zajímat, jsou prodejní informace podle územního členění, tj. výše tržeb, zisku, ziskovost, pohledávky a procento pohledávek z tržeb. Analýza nás zajímá podle období. Obdobně budeme analyzovat údaje o sortimentu: zde nás zajímají údaje o tržbách, nákladech, zisku a ziskovosti – opět podle období a s možností analýz detailu. Důležitá je také analýza našich obchodníků, jak přispívají našemu obchodu. Jedná se o informace o tržbách a jejich vývoji, zisku a ziskovosti podle jednotlivých obchodníků. Chtěli bychom je analyzovat z hlediska jednotlivých zákazníků i výrobků, které obchodník prodal. Podobných analýz bychom mohli vymyslet celou řadu, ale byly by to pouze variace na ty, které jsme definovali. Pokrastruktura informací Srpen 2011 čujme však dále – kromě informací hodnotových nás budou zajímat také informace grafické. První graf navazuje na analýzu obchodníků a stanoví vývoj prodeje jednotlivých obchodníků. Dále porovnáme strukturu deseti největších zákazníků z hlediska tržeb a zisku. Podíváme se na vývoj pohledávek, tržeb a zisku. Samozřejmě by vše definované výše bylo možné připravit i bez OLAP databáze, ale OLAP databáze zpřístupní veškeré informace na „jedno kliknutí“. Rychle uvidíme všechno, co potřebujeme, a navíc můžeme analyzovat de- taily. Vytvoření controllingových výstupů z OLAP databáze Analýza nejvýznamnějších zákazníků Rychlou analýzu nejvýznamnějších zákazníků připravíme na základě následujících pravidel: zobrazení deseti zákazníků s nejvyššími tržbami, sledování vývoje tržeb za uplynulá období, možnost filtrovat nejvýznamnější zákazníky vcelku nebo podle států, možnost analyzovat sortiment, který nejvýznamnější zákazníci odebírají. Výsledný výstup z OLAP databáze získáme takto: Řádky: zákazník, případně sortiment, Sloupce: období, Hodnoty: tržby, Filtr: stát, Využití controllingových nástrojů v praxi 12/1.1strana 11 Srpen 2011 12/1.1 strana 12 Nástroje IT manažera Ostatní: zákazníky seřadit sestupně podle hodnoty „Prodej bez DPH“, vybrat deset největších. U prvního výstupu si jednotlivé kroky návrhu projdeme detailně. Nastavíme základní tvar výstupu, tj. řádky, sloupce, filtr a hodnoty podle nabídky údajů z OLAP databáze (volíme dimenze a míry). Na závěr nastavíme třídění (seřazení) dimenze „Zákazník“: Obrázek č. 11 – Základní návrh výstupu nejvýznamnějších zákazníků Dále provedeme omezení na určitý počet nejvýznamnějších zákazníků, a to počtem nebo procentem: Srpen 2011 Obrázek č. 12 – Omezení výběru nejvýznamnějších zákazníků Získáme finální tvar našeho výstupu s možností výběru státu nebo detailnějšího členění období: Obrázek č. 13 – Přehled nejvýznamnějších zákazníků Pokud chceme detailně analyzovat sortiment nejvýznamnějších zákazníků, doplníme pouze do řádků dimenzi „Výrobek“ v členění Skupina ➞ Podskupina ➞ Výrobek: Využití controllingových nástrojů v praxi 12/1.1strana 13 Srpen 2011 12/1.1 strana 14 Nástroje IT manažera Obrázek č. 14 – Analýza sortimentu nejvýznamnějších zákazníků Analýza nejvýznamnějších výrobků Tato analýza je velmi podobná analýze nejvýznamnějších zákazníků, a proto se u ní zastavíme jen krátce. Připravíme ji na základě následujících pravidel: zobrazení výrobků s nejvyššími tržbami, které tvoří 60% objemu tržeb, sledování vývoje tržeb za uplynulá období, možnost filtrovat podle sortimentních skupin. Výsledný výstup z OLAP databáze získáme takto: Řádky: výrobek, Sloupce: období, Hodnoty: tržby, Filtr: sortimentní skupina, Ostatní: výrobek seřadit sestupně podle hodnoty „Prodej bez DPH“, vybrat 60% největších výrobků. Srpen 2011 Obrázek č. 15 – Analýza nejprodávanějších výrobků Územní analýza prodeje Další analýza existuje ve vazbě na území, kam je prodej směrován. Zajímají nás státy s možností detailních analýz a všechny prodejní ukazatele. Analýzu připravíme na základě následujících pravidel: zobrazení států prodeje s možností detailní analýzy, sledování vývoje prodejních ukazatelů za uplynulá období, možnost filtrovat podle sortimentních skupin. Výsledný výstup z OLAP databáze získáme takto: Řádky: stát s možností detailního rozpadu, Sloupce: období, Hodnoty: tržby, zisk, ziskovost, neuhrazeno, neuhrazeno v procentech, Filtr: sortimentní skupina, Ostatní: výrobek seřadit sestupně podle hodnoty „Prodej bez DPH“. Využití controllingových nástrojů v praxi 12/1.1strana 15 Srpen 2011 12/1.1 strana 16 Nástroje IT manažera Jedná se opět o klasický OLAP výstup, jen zobrazujeme více hodnot (měr), a proto volíme, zda budou ve sloupcích, nebo v řádcích (my volíme variantu řádků): Obrázek č. 16 – Analýza prodeje dle území Analýza prodeje obchodníků Analýzu připravíme na základě následujících pravidel: zobrazení obchodníků s možností detailní analýzy jejich zákazníků, případně prodaných výrobků, sledování vývoje prodejních ukazatelů za uplynulá období, možnost filtrovat podle sortimentních skupin. Výsledný výstup z OLAP databáze získáme takto: Řádky: obchodník s možností detailního rozpadu zákazník, případně sortiment, Sloupce: období, Hodnoty: tržby, zisk, ziskovost, neuhrazeno, neuhrazeno v procentech, Srpen 2011 Filtr: sortimentní skupina, Ostatní: obchodníky seřadit sestupně podle hodnoty „Ziskovost“. Obrázek č. 17 – Analýza prodeje obchodníků Ve výstupu, díky hierarchii Obchodník ➞ Zákazník, můžeme ihned provádět analýzy prodeje obchodníků jednotlivým zá- kazníkům: Využití controllingových nástrojů v praxi 12/1.1strana 17 Srpen 2011 12/1.1 strana 18 Nástroje IT manažera Obrázek č. 18 – Analýza prodeje obchodníků jednotlivým zákazníkům Dále můžeme přidáním atributu „Skupina“ do řádků sestavy provádět i analýzu prodeje obchodníků ve vazbě na sorti- ment: Obrázek č. 19 – Analýza prodeje obchodníků ve vazbě na sortiment Srpen 2011 Jak již bylo řečeno, obdobných analýz bychom mohli vytvářet celou řadu. Jedná se vždy jen o vhodnou kombinaci dimenzí v řádcích, sloupcích, filtrech, a hodnot. Jako poslední příklad takových výstupů si uveďme možnost analýzy množství prodeje jednotlivých sortimentů do států s možností detailní analýzy: Obrázek č. 20 – Analýza prodeje sortimentu do jednotlivých států Nyní se zaměříme na grafické výstupy. Graf historie prodeje obchodníků Z hlediska grafů můžeme volit řadu typů. Pro časové analýzy je nejvhodnější spojnicový graf. Pro jeho návrh volíme údaje vynášené na ose x (pole osy) – vhodná dimenze OLAP databáze, hodnoty na ose y (Hodnoty) – míra OLAP databáze, údaje zobrazené v gradu (pole legendy – řady) – vhodná dimenze OLAP databáze. Protože je i graf z OLAP databáze „živý“, lze jej průběžně filtrovat i provádět detailní drill-down (zobrazení detailu). Využití controllingových nástrojů v praxi 12/1.1strana 19 spojnicový graf – časové analýzy Srpen 2011 12/1.1 strana 20 Nástroje IT manažera Náš první grafický výstup je navržen takto: Graf připravíme na základě následujících pravidel: zobrazeníspojnice hodnot „Prodeje bez DPH“ pro jednotlivé obchodníky, sledování vývoje podle měsíců s možností seskupit nedůležitá období do roku, možnost filtrovat podle sortimentních skupin. Výsledný výstup z OLAP databáze získáme takto: Pole osy: období – měsíce, případně roky, Pole kategorie: obchodník, Hodnoty: tržby, Filtr: sortimentní skupina. Obrázek č. 21 – Graf historie prodeje obchodníků Graf struktury tržeb a zisku zákazníků Pro grafické zobrazení struktury využijeme koláčové grafy. Opět určíme jejich obsah ve vazbě na OLAP databázi. koláčový graf – zobrazení struktury Srpen 2011 Grafy připravíme na základě následujících pravidel: zobrazení struktury hodnot „Prodej bez DPH“ a „Zisk“, sledování deseti nejvýznamnějších zákazníků, možnost filtrovat podle sortimentních skupin. Výsledný výstup z OLAP databáze získáme takto: Pole osy: zákazník, Pole kategorie: Hodnoty: tržby, zisk, Filtr: sortimentní skupina. Obrázek č. 22 – Graf struktury tržeb a zisku zákazníků Graf porovnání tržeb, neuhrazenosti a zisku Pro tento graf zvolíme prostorový graf, ve kterém porovnáme výši tržeb, neuhrazenosti a zisku. Graf připravíme na základě následujících pravidel: zobrazení porovnání hodnot „Prodej bez DPH“, „Neuhrazeno“ a „Zisk“, sledování po letech, možnost filtrovat podle území, případně zákazníků. Využití controllingových nástrojů v praxi 12/1.1strana 21 Srpen 2011 12/1.1 strana 22 Nástroje IT manažera Výsledný výstup z OLAP databáze získáme takto: Pole osy: období, Pole kategorie: Hodnoty: tržby, zisk, neuhrazeno, Filtr: území, Obrázek č. 23 – Graf porovnání tržeb, neuhrazenosti a zisku Klíčové ukazatele výkonu (KPI) V předchozí kapitole jsme si připravili řadu výstupů z OLAP databáze. Jejich výhodou je možnost okamžité přípravy z OLAP databáze a online analýz. Společným rysem těchto výstupů je poskytnutí informací manažerům pro možné controllingové analýzy. Nyní si naše možnosti OLAP databáze rozšíříme o jeden prvek, který bude již částečně provádět controllingové analýzy za manažery. Klíčové ukazatele výkonu (Key performance indicators – KPI) jsou základním prvkem systémů pro měření výkonnosti a pomáhají organizacím dosahovat stanovených cílů. Jedná se o konkrétní měřitelné hodnoty, u kterých navíc můžeme klíčové ukazatele výkonu Srpen 2011 stanovit cíl, jehož chceme dosáhnout, trend, kterým se ukazatel vyvíjí, a meze, jež určují stav ukazatele. Ukážeme si využití na našem ukazateli „Ziskovost“. Předpokládejme, že potřebná hodnota ziskovosti pro naše podnikání se pohybuje kolem 10%. Stanovme následující skupiny podle hodnoty ziskovosti: Výborná ziskovost hodnota ≥ 20 % Dobrá ziskovost hodnota > 10 % a < 20 % Podprůměrná ziskovost hodnota > 5 % a ≤ 10 % Nedostatečná ziskovost hodnota ≥ 0 % a ≤ 5 % Ztrátové hodnota < 0 %. Nyní OLAP databáze poskytuje informace o KPI „Ziskovost“ ve vazbě na jednotlivé dimenze, tzn. že zjistíme stav ziskovosti pro sortiment, zákazníka, obchodníka, období. Pro definici KPI v OLAP databázi musíme stanovit způsob výpočtu (stejným způsobem jako v dopočítávaných položkách, my využijeme již stanoveného ukazatele „Ziskovost“), cílovou hodnotu, výpočet stanovující stav a trend. Využití controllingových nástrojů v praxi 12/1.1strana 23 Srpen 2011 12/1.1 strana 24 Nástroje IT manažera Obrázek č. 24 – Definice KPI Ziskovost Ve výstupech si využití KPI ukážeme na sledování obchodníků. KPI se stává další hodnotou, kterou lze ve výstupu z OLAP databáze použít. Většinou budeme z KPI používat jeho stav a trend. Trend musí být samozřejmě určen ve vazbě na časovou dimenzi. Použijeme již dříve vytvořený výstup pro hodnocení obchodníků s tím, že využijeme stav a trend KPI „Ziskovost“: Srpen 2011 Obrázek č. 25 – Hodnocení obchodníků dle KPI Ziskovost I v případě KPI lze použít online analýzy ve vazbě na OLAP databázi. Lze tedy například zjistit stav a trend KPI v jednotlivých měsících: Obrázek č. 26 – Hodnocení obchodníků dle KPI Ziskovost detail měsíců Využití controllingových nástrojů v praxi 12/1.1strana 25 Srpen 2011 12/1.1 strana 26 Nástroje IT manažera nebo naopak provést analýzu neúspěšného obchodníka z hlediska zákazníků, kterým prodává: Obrázek č. 27 – Hodnocení obchodníků dle KPI Ziskovost detail zákazníka Odkazy na použitou a doporučenou literaturu: Eschenbach, Rolf: Controlling; Edited by Stefan Güldenberg – Werner Hoffmann; 2. vydání; Praha: ASPI, 2004; ISBN 80-7357-035-1 Manažerská ekonomika; Edited by Miloslav Synek; 4. aktualizované a rozšířené vydání; Praha: Grada, 2007; ISBN 978-80-247-1992 Lacko, Luboslav: Business Intelligence v SQL Serveru 2005. Reportovací, analytické a další datové služby; 1. vydání; Brno: Computer Press, 2006; ISBN 80-251-1110-5 Hajn, Pavel: OLAP nástroje obchodního controllingu; Brno: ELEGIS, s. r. o., 2010