Reporting, BI, analytics — co je co a kdy co potřebujete

Když si firma kupuje „business intelligence", ve většině případů jí stačí reporting. Když si kupuje „analytics", ve většině případů potřebuje BI.

Tří pojmy, které dodavatelé střídají jak sako, jsou ve skutečnosti tři různé věci. A každá stojí jinak.

Ve 3 větách

• Reporting: „Co se stalo?" — pohledové výstupy nad existujícími daty
• Business Intelligence (BI): „Proč se to stalo?" — vrstva, která data zpracuje, modeluje a umožní pokládat otázky
• Analytics / Data Science: „Co se stane?" — statistické a prediktivní modely, AI

Každý má smysl. Ale každý stojí jinak, trvá jinak a požaduje jinou kvalitu dat.

Reporting v praxi

Co to je: Dashboard nebo report, který ukazuje historická čísla v přehledné podobě. Power BI report, Excel pivot, Google Looker Studio. Refresh trvá pár vteřin.

Příklady:

• Týdenní obrat podle obchodního zástupce
• Měsíční počet zakázek podle kategorie
• Roční srovnání let

Co potřebujete: Stabilní zdroj dat (databáze, ERP, CRM). Jasné definice (co je obrat? co je zakázka?). Někdo, kdo postaví dashboard.

Co dostanete: „Tady to máš, otevři si na mobilu."

Cena: První report indikativně od ~ 60 tis. Kč. Další reporty rychleji (datový model už stojí), typicky v řádu desítek tisíc. Záleží na zdrojích dat, rozsahu a požadavcích.

Kdy to chcete: Pokud řešíte „pondělní porady s 5 verzemi Excelu" a každý chce stejná čísla.

Business Intelligence v praxi

Co to je: Vrstva nad reportingem — datový model + transformace + integrace zdrojů. Klíčové slovo: single source of truth.

Reporting je dům. BI je instalatérská a elektrická infrastruktura, kterou dům potřebuje, aby ho šlo používat.

Příklady:

• Datový sklad, ze kterého čtou všechny reporty
• Integrace ERP + CRM + e-shop + výroba do jednoho modelu
• Konzistentní definice metrik napříč celou firmou

Co potřebujete: Mapu existujících zdrojů. Definice metrik. Investici v řádu měsíců na vybudování první verze. Pak roky postupného rozšiřování.

Co dostanete: Schopnost ptát se firmy „co kdyby" a dostat odpověď v pondělí ráno, ne za 2 týdny.

Cena: Pilot indikativně 200–500 tis. Kč, plná architektura v řádu jednotek milionů Kč. Údržba obvykle ~15 % setupu / rok. Skutečná cena se odvíjí od počtu zdrojů a komplexity dat.

Kdy to chcete: Pokud máte víc než 50 lidí, víc než 2 systémy, a začínáte řešit, kde je v Excelech pravda.

Analytics, Data Science, AI v praxi

Co to je: Modely nad daty, které odpovídají na otázku „co se stane". Predikce poptávky, detekce anomálií, kategorizace zákazníků, generování textů, predikce odchodu zákazníka.

Příklady:

• Predikce, který zákazník odejde do 3 měsíců
• AI návrh ceny pro novou zakázku na základě historické úspěšnosti
• Detekce neobvyklého vzorce v transakcích (potenciální fraud)

Co potřebujete: Historická data (minimálně 2 roky, lépe 5). Tým s data science zkušeností. Jasnou definici, co je „dobrá" predikce (přesnost vs. recall vs. byznys dopad). Trpělivost — výsledky bývají nejasné a iterativní.

Co dostanete: Konkrétní model, který spustíte v produkci. Údržba modelu je nutná — modely degradují.

Cena: Pilot stovky tisíc, produkční model v řádu jednotek milionů Kč. Údržba 20–30 % setupu ročně. Modely degradují, údržba je nutná, ne volitelná.

Kdy to chcete: Pokud máte funkční BI vrstvu s čistými daty a chcete z toho vytěžit predikci. Nemá smysl dělat analytics, dokud nemáte spolehlivá historická data.

Jak to nejde dohromady

Klasická chyba: firma se nadchne pro AI, koupí AI projekt bez BI vrstvy a po půl roce zjistí, že většina rozpočtu šla na čištění dat. Ne na model.

Správný postup typicky vypadá takto:

Reporting (1–3 měsíce)
   ↓
BI / datový model (3–12 měsíců)
   ↓
Analytics / AI (3–12 měsíců dále)

Nemusí to být tahle posloupnost vždy. Ale nepřeskakujte BI vrstvu, pokud nemáte velmi specifický důvod.

Jak poznat, co potřebujete

Tabulka pro netechnické vedoucí:

Pokud váháte, do které kolonky patříte, napište nám jednu větou popis vašeho problému. Odpovíme do 2 pracovních dnů s doporučením, který typ projektu dává smysl. Bez vázanosti.