
Digitaliseringen ger tillgång till stora mängder detaljdata, vilket idag ses som ”det nya guldet”. Värdet ligger i möjligheten att analysera data och ta fram bättre beslutsunderlag. Men stora mängder data innebär också stora utmaningar: Hur ska vi inhämta, lagra, tillgängliggöra, utnyttja, strukturera och säkra vår data på bästa sätt?
Data Management handlar om hur du på bästa sätt tar vara på den fulla potentialen i ert digitala guld.
Intresset för Data Management ökar i takt med att allt fler kommer igång med avancerade Business Intelligence-satsningar, exempelvis Self Service BI och prediktiv analys med Data Science/Machine Learning. Detta har i sin tur ökat behovet av data från fler källor – och att säkerställa att rätt grunddata med maximal kvalitet och detaljeringsgrad används vid dessa analyser.
Det vanligaste problemet är att data finns uppdelad i flera olika källsystem, och att dessa inte kommunicerar med varandra på ett bra sätt. Lösningen har traditionellt varit att bygga ett datalager på en server i en serverhall, och sedan hämta, konvertera och lagra data från datakällorna i datalagret. Där har relevant data sedan varit tillgänglig för rapporter och analys.
Men mycket har hänt under de senaste åren och just nu är Data Management-området under kraftig förändring. Trender som exempelvis data i molnet, Self Service BI och efterfrågan på proaktiva, prediktiva eller till och med preskriptiva insikter har ökat förändringstakten hos många bolag.
Idag satsar även traditionella verksamheter på analysavdelningar med data scientists och dataanalytiker. Därmed blir dataarkitekturen och data management-lösningen allt viktigare. Frågor att lösa ut är bland andra: Hur ska modellen sättas upp? Hur och för vem ska informationen vara tillgänglig? Hur ska lösningen se ut för att informationen ska bli så korrekt som möjligt? Hur snabbt kan jag få informationen?
De nya utmaningarna, och samtidigt möjligheterna som företag och organisationer ställs inför, har ändrat synen på data och hur vi kan nyttja dess fulla potential.
Behöver du hjälp med att ta vara på guldet i er data? Välkommen att kontakta oss!
Många Data Management-projekt har kört i diket på grund av en alltför rigid process eller ett manuellt kodat datalager. Att skriva kod tar lång tid och dessutom kan koden bli svår att administrera över tid, i takt med att lösningarna växer. För att snabba på utvecklingsarbetet och implementationen, och för att skapa en enhetlig struktur, har olika teknologier vuxit fram de senaste åren.
Du kan se dem som ett slags Best Practice för en trygg och rimligt framtidssäker Data Management-plattform.
BIML – första steget bort från manuell kodning
BIML är ett scriptspråk baserat på XML som är utformat för DW-utveckling. Istället för att bygga manuella rutiner, tabeller, vyer, procedurer med kod och/eller SSIS-paket utvecklas generiska script i BIML som sedan kan köras på olika plattformar. Detta nyttjas främst vid starten av ett datalager-projekt eller när det är aktuellt med en uppgradering alternativt byte av plattform som datalagret körs på.
Istället för att manuellt skriva kod eller använda BIML-script, kan datalagret modelleras och byggas via ett Data Warehouse Automation-verktyg. Objekt, relationer och operationer modelleras då i ett grafiskt gränssnitt, sedan genererar verktyget automatiskt nödvändiga objekt på den databasplattform som ligger till grund. Detta sparar mycket tid i projekten och administrationen underlättas över tid då alla objekt och all logik är byggd på samma sätt, oavsett vem som byggt dem.
I takt med att Data Management-lösningen fylls med data, ökar behovet av ordning och reda. För att kunna underhålla lösningarna och dess innehåll över tid behöver innehållet dokumenteras och katalogiseras. Innehållet blir då även sökbart.
Även metadata (data om sitt data) bör uppdateras för att kunna spåra dess relationer till andra objekt. Denna typ av relationsspårabarhet brukar kallas för Data Lineage, medan objekten katalogiseras i en Data Catalog.
Vissa verktyg har inbyggda funktioner för Data Lineage, andra kräver att du bygger detta manuellt. Oavsett metod så är det värt investeringen att göra detta.
Nya modelleringstekniker har därmed vuxit fram för att vara mer flexibla och agila jämfört med tidigare. Vi ser att modelleringskonceptet Data Vault vinner mark och nu är ett seriöst alternativ till den klassiska Kimball-modelleringen. Framförallt om verksamhetens regelverk förändras löpande över tid samt att kravet på spårbarhet är stort.
Datavolymerna ökar kontinuerligt och som regel i en allt snabbare takt. Samtidigt är den styrande principen att inte lagra samma data flera gånger. Detta har drivit uppkomsten av Data Virtualization (Data Sharing och Data Cloning) – tekniker som kan sprida data utan att duplicera eller flytta den. Data Virtualization ersätter inte datalager, men kan vara ett komplement för att stödja olika modeller av ett Business Intelligence-ramverk.
Ofta finns en traditionell BI-lösning med färdiga rapporter, men för mer agila rapporter via ett Self Service BI-verktyg kan Data Virtualization vara en del i en lösning. I ett Data Virtualization-verktyg kan ny data läggas till snabbt och enkelt, exempelvis för att testa en tes eller göra analyser av engångskaraktär eller liknande.
Så här långt har vi i princip endast uppehållit oss kring olika tekniska lösningar i form av system och verktyg. Men Data Management har inget egenvärde. Det är först när rätt data av rätt kvalitet kommer till praktisk användning genom olika rapporter och analyser som det uppstår värde. En bra Data Management-plattform måste därför bygga på de strategier, affärs- och styrmodeller som utgör basen för er verksamhet. Samtidigt bör dessa ifrågasättas, och eventuellt förändras för att bättre utnyttja kraften i er data. Detsamma kan även gälla aktuell kompetens, arbetssätt och organisation.
Master Data Management är definitionerna, processerna, ansvarsfördelningen och teknikplattformen för att skapa och underhålla masterdata. Masterdata är den typ av data som är gemensam för ett företag eller i en myndighet, exempel på detta är definitionen av kund, organisationsnummer, anställd, personnummer, leverantör, partner, avtal, konto eller produkt. Dessa data delas ofta av många intressenter, affärsprocesser och IT-system.
Masterdata är extra viktig data som vi vill koppla beskrivande termer till, exempelvis personnummer där man vill ha beskrivande så kallad information som exempelvis förnamn, efternamn, adress, telefonnummer och kundnummer. Personnummer är masterdata som attributen tillhör och masterdata tillsammans med attribut utgör en masterdatadomän.
På liknande sätt kan vi jobba med produkter, kunder, anställda, huvudböcker med mera. Masterdata är ofta en förutsättning för att man skall kunna göra en massa andra saker som exempelvis en lyckad digitalisering, self-service BI av olika slag, rapportering, uppfylla lagkrav (t.ex. GDPR) och data science – om inte datakvaliteten är bra så kommer inte dessa initiativ att lyckas.
Data Management är ett komplext område som omfattar flera olika delar. Advectas specialister hjälper dig helheten; allt från att sätta upp ett litet, traditionellt datalager till att ta fram unika strategidokument och färdplaner (roadmaps) för stora projekt.
Att välja rätt väg för sin Data Management-plattform i en snabbt föränderlig värld kräver kvalificerad kompetens. Likaså att genomföra de projekt som blir aktuella. Advectas har under många år byggt upp den kunskap och erfarenhet som krävs. Bland våra kunder finns många av Sveriges största företag och organisationer.
Advectas är också oberoende när det kommer till produktlösningar och rekommenderar alltid det som är lämpligt utifrån aktuella förutsättningar. Samtidigt har vi samarbete med ett antal strategiska partners – aktörer med produkter som ligger längst fram inom respektive område avseende utveckling, mognad och marknadsnärvaro.
Att exempelvis fatta beslut om att flytta hela eller delar av sin data till molnet är en process med många olika aspekter att ta hänsyn till. Med beprövad metodik stödjer och säkrar vi hela processen från initiativ och POC till fullskalig lösning. Genom åren har vi hjälpt kunder både med nyetableringar av Cloud Data, Datalager/Data Lakes samt ”lift and shift” av befintliga On-premise lösningar till molnet.
När det gäller just Cloud Data Warehousing så är Advectas partner med Amazon, Microsoft, Google samt Snowflake, Matillion och Birst. Alla dessa är byggda för att kunna tillgodogöra sig alla de fördelar vi sett med molnet. Området förändras i rask takt och vi ligger ständigt i framkant, vilket kan resultera i ytterligare partnerskap på sikt.
Oavsett område inom Data Management strävar vi efter att alla våra konsulter ligger i framkant kunskapsmässigt, allteftersom ny teknik och nya användningsområden tillkommer och andra områden mer går in i en mognadsfas.
Advectas har, till skillnad från många andra, expertis inom hela Business Intelligence-området. Det innebär att vi inte bara har specialistkompetens Data Management, utan inom allt som är kopplade till detta: budget och planering, koncernrapportering, Self Service BI, Data Science m.m. Detta gör att vi kan leverera Data Management-lösningar som är optimalt anpassade för era behov av BI.
Advectas har även kvalificerade Management-konsulter med stor insikt inom BI och Data Management. En närmast unik resurs som kan bidra med strategiska råd och praktiskt stöd kring de förutsättningar och organisatoriska förmågor som behövs för att arbeta insiktsdrivet. Läs mer om Advectas Management Consulting.
Kontakta oss gärna för en dialog kring era utmaningar inom
Data Management!