Annonsørinnhold fra  
Advertiser company logo

Tre trinn for å komme deg ut av datavarehuset

For deg som har en masse data, men ikke får utnyttet dem fullt ut

DVH_Unsplash_Originals
DVH_Unsplash_Originals
Del
Ruth Marie Dahl Jensen (øverst) og Anne Karin Dahle.
Ruth Marie Dahl Jensen (øverst) og Anne Karin Dahle.

Du sitter med et datavarehus fullt av opplysninger fra forskjellige deler av driften. Mye data er spredt over systemer og formater som i beste fall ikke snakker så godt sammen. Du vet at du har råmateriale som kan gi bedre beslutningsstøtte til resten av organisasjonen, hvis du bare får dra nytte av dataene dine. Men hvor skal du begynne? Er det noe du kan gjøre selv? Kommer det til å koste en formue?

– Ofte kan det være enkle grep som skal til. Den digitale dørstokkmila er nok det største hinderet. Veldig mange bedrifter sitter på gamle eller innfløkte systemer, og tror på en måte at de er dømt til å bli værende der. Men det finnes alltids en løsning, og måter du kan komme i gang med analyser og prediksjoner for å finne ut hvordan dere kan gjøre ting bedre, sier Ruth Marie Dahl Jensen.

Som henholdsvis avdelingsleder og teamleder i Computas er hun og Anne Karin Dahle del av Nordens største fagmiljø på Google Cloud Platform, Microsoft Gold Partner, og eksperter på kombinasjoner av forskjellige typer og leverandører av skytjenester. De vet at det moderne IT-landskapet kan virke vanskelig å navigere, men har flere grep du kan ta for å komme videre med å nyttegjøre deg dataene du har.

Forarbeidet teller

Aller først peker Jensen på at forarbeidet er viktig for hvordan det kommer til å gå. Man må være både klar over og innstilt på at man må opp i skyen for å få maksimal verdi av sine data. Dernest må man vite hva man har, og hva som påvirker ens eget miljø.

 
 

– Det er en god del du kan gjøre selv. Generelt kan en god fremgangsmåte være å starte i det små, for så å gradvis utvide satsingen sin. Disse rådene kan gi en enkel retning på veien videre, både for virksomheter som knapt har begynt og for de som har kommet et godt stykke på vei, sier Jensen.

Hun peker også på et «trinn 0,5» som må være på plass aller først: At man faktisk har informasjon digitalt. Hvis IT og forretning ikke snakker sammen vil tross alt ikke all verdens digitale løsninger ha så mye å si – og hvis man ikke mater analoge opplysninger inn i analyseprogrammene man bruker får man knapt analysert dem i skyen heller.

– Dette er ikke akkurat et nytt tips, men det er greit å påpeke det. Selv om det kan virke åpenbart er det nemlig fort gjort å overse det «selvsagte», nettopp fordi man tar for gitt at det er på plass.

Trinn en

Hva trenger du å ta med?

Med de første forberedelsene unnagjort er kartlegging en viktig del av jobben med å komme seg opp i skyen. Da må du prioritere, for du hverken kan, vil eller bør begynne med å migrere alle data på en gang. Finn ut hvilke data som i størst grad sier noe om driften, eller kan påvirke den. Dette er nøkkeltallene som har størst verdi når du senere skal analysere dem.

– Mange sitter på systemer som er gamle eller enkle, og man kan tro at det vanskelig å migrere til en moderne skyløsning. Men skyleverandørene har stort sett bedre systemer for migrering enn mange tror. Utfordringen for mange er heller at de ikke vet hvilke data de skal migrere, så en skikkelig kartlegging vil tjene deg på mange måter, sier Dahle.

Hvis du senere tar kontakt med en ekspert for å få hjelp vil du også tjene på å ha systematisert hvilke data du har. Det er nemlig bare du som kjenner konteksten til opplysningene du sitter på. Eksterne vil for eksempel ikke vite hvordan dere definerer en kunde – da en fysisk butikk typisk vil mene noe annet enn noen som selger abonnementer eller bedriftstjenester, og selv innad i disse kategoriene vil hver organisasjon være forskjellig lagt opp.

Trinn to

Snakk med hverandre – og andre

  Foto: Computas

Neste steg er å finne ut hvordan dataene skal brukes. God kommunikasjon internt vil være nødvendig også i første fase, men dette trinnet handler mer om at dataene skal tas i bruk. For å få det til, og for å realisere den potensielle verdien i dataene du har valgt ut, er det helt andre samtaler som må tas.

– Her må du sette deg ned med de som gjør prognosene. For å klare det må du se på organisasjonen, finne ut hvem som faktisk gjør forecasting, og spørre dem hva de ser på helt konkret. Kanskje noen leser avisen, noen sjekker Facebook-gruppa for hva som skjer lokalt i området. Slik kan du finne ut om det er andre datakilder som kan kobles på, og avdekke om dere har mer data enn det de som utarbeider prognosene tror. Her kan du virkelig begynne å skape gevinster.

Jensen sier det ofte kan være at IT-avdelingen vet mer enn det de som lager prognoser er klar over, og faktisk kan sitte på viktige opplysninger som forretningsområdene ikke engang har et forhold til.

– Det finnes flere tall enn omsetning, salg og varebeholdning. IT kan for eksempel ha sensorer som forteller om antall passeringer inn og ut døren, som forteller noe om fottrafikk inn og ut av lokalet. Kan du koble dette opp mot salgsdata kan du finne gull. Så snakk med alle som jobber med informasjon i alle sine former. Vi i Computas kan også komme inn og snakke med interne ressurser, for å hjelpe dere videreformidle både kompetanse og informasjon. Men det er en fordel om dere har tenkt en del på forhånd, og funnet litt ut av retningen dere vil gå.

En Data Discovery Workshop kan hjelpe dere i denne fasen. Workshopen munner ut i en rapport med konkrete anbefalinger om veien videre for deres organisasjon. Les mer her »

Trinn tre

Der det skjer

Når dere vet hva dere har, hva dere trenger, hvordan alt skal brukes og hva dere vil oppnå er det tid for handling. Det tredje steget er å flytte data ut i skyen, mens dere sikrer at datakvaliteten er ivaretatt. Dette er det mest krevende steget i timer og arbeidsinnsats, men er også avgjørende for å få svar du kan stole på ut i den andre enden.

– Enkelt sagt handler det om å sikre at du ser på epler og pærer, og at det ikke er appelsiner også i miksen. I et tenkt eksempel vil du kanskje overvåke luftkvaliteten ute for å kunne foreslå gode sykkelruter. Men hva hvis noen tenner en røyk under en målestasjon? Er det da mer forurensing i den gaten? Datakvalitet innebærer å identifisere og håndtere slike anomaliteter som ikke skal regnes inn, selv om de er med i beregningsgrunnlaget, sier Jensen.

Jo mer data som inkluderes, desto flere slike avvik vil oppstå. Derfor er det også slik at jo større datasett, desto viktigere er det at dataeierne i organisasjonen blir med på jobben.

– Det er de som kjenner dataene best, så de må være med på jobben. En ekstern konsulent, uansett hvor dyktig den er, kan ikke være fullstendig frikoblet dersom du skal ha kvalitet på sluttresultatet. Hvis vi kommer inn for å hjelpe deg kan vi stille de riktige spørsmålene, og kanskje utfordre dere på noen områder, men vi har også stor respekt for at det er dere som forstår hva deres data sier, sier Dahle.

Veien videre

Etter å ha fulgt disse tre trinnene kan du virkelig begynne å prøve ut avanserte hjelpemidler. Jensen understreker imidlertid at dette ikke er en plan for å begrave datavarehuset; det er heller en fremgangsmåte for å la deg dra mest mulig nytte av dataene du har.

– Det er som regel en enorm jobb som ligger til grunn for datavarehusene som finnes. Det er verdifulle data, bygget opp over tid, med mye som er gjort for å gi innsikt. Hvorfor skal du duplisere den jobben når du heller kan speile de viktigste dataene til skyen? Da beholder du datavarehuset som historiebok for organisasjonen, samtidig som du kan se trender fremover, sette alt i kontekster ved hjelp av eksterne data, og få andre typer innsikt ved hjelp av nye datakilder, sier hun.

Selv om maskinlæring er i vinden, og det finnes en rekke trendy komponenter man kan koble på, er det altså ikke gitt at det er det man bør kaste seg over med en gang. Den største verdien kan heller komme ved å sikre at dataene som skal analyseres er helhetlige, er forstått, og passer sammen.

– Test gjerne ut teknologien; se om den gjør det man ønsker å oppnå. Men det er først når du har gjennomført disse tre stegene du virkelig kan slå deg løs og automatisere prosesser med god effekt. I motsatt fall kan du ende med å få feil læring av maskinlæringen, og det er jo ingen tjent med, avslutter hun.