I mange selskap er det første startpunktet for arbeid med data og innsikt ofte Excel-filer som inneholder både rådata, kalkulasjoner og visualiseringer. Dette er lite skalerbart, veldig personavhengig og sårbart for manuelle feil. Oppsummeringen under viser at det kun er enkle grep i arbeidsflyten for dataarbeid som skal til, for å komme seg ett nivå opp på modenhetsstigen for bruk av data. Likevel vil det alltid være andre utfordringer på neste modenhetsnivå.

Tipsene i denne artikkelen beskriver typiske tiltak og verktøy du kan bruke for å komme deg ett trinn videre opp på modenhetsstigen for bruk av data. For eksempel, hvis du kjenner deg igjen i utfordringene på nivå 1, kan du sannsynligvis hoppe rett til tips 2.

1. Skap innsikt raskt ved å koble Power BI rett på Excel-filene dine

For mange organisasjoner er det å koble Power BI rett til Excel-filer den enkleste måten å komme seg videre med å øke modenheten på databruk. Disse kildene kan enten være manuelt vedlikeholdte Excel-filer eller uttrekk fra kildesystemer. Fordelen med dette er at det er en rask og ukomplisert prosess. Excel er et velkjent verktøy, og mange bedrifter bruker allerede Excel til å lagre og analysere data. Ved å bruke Power BI til å visualisere dataene, kan man raskt omforme rådata til oversiktlige grafer og brukervennlige rapporter med mulighet for bedre filtrering og mer avanserte analyser og beregninger.

Denne tilnærmingen er også kostnadseffektiv, ettersom den ikke krever ekstra investeringer i dataplattformer eller avanserte verktøy. Dette gjør at det er en veldig rask vei til mål, spesielt hvis målet er å skape innsikt raskt med enkle midler. Ulempen er imidlertid at dette ikke er en skalerbar løsning. Når datamengdene blir store, kan Power BI-filer som baserer seg på Excel bli tunge og vanskelige å jobbe med.

En annen utfordring er at forretningslogikken (hvordan man for eksempel regner ut nøkkeltall eller klassifiserer kunder) ofte bygges direkte i Power BI, noe som gjør det vanskelig å gjenbruke denne logikken i andre rapporter. Dette kan igjen føre til at nøkkeltall beregnes ulikt i forskjellige rapporter, og det blir vanskelig å sikre konsistens på tvers av organisasjonen – man kan ende opp med ulike svar på samme forretningsspørsmål. Videre er det utfordrende at deler av prosessen er manuelle, som for eksempel oppdatering av rådata i Excel-filer, noe som øker risikoen for feil.

Oppsummert er dette en enkel og rask måte å komme videre med datadrevet innsikt, spesielt for mindre datamengder, med noen fordeler og ulemper:

2. Gjør innsikten mer robust ved å koble Power BI rett på kildesystemene dine

Et mer robust alternativ er å koble Power BI direkte til kildesystemene dine. Dette kan være CRM-systemer, databaser eller andre interne kildesystemer hvor dataene dine allerede ligger. En stor fordel med dette er at du kan få tilgang til data som oppdateres regelmessig, noe som gir rapportene dine økt verdi ettersom innsikten de gir ikke er basert på et gammelt uttrekk i Excel. Oppdateringen blir heller ikke lenger personavhengig, når du kobler rapporten rett på kildedataene uten at en person med riktige tilganger må gjøre en manuell eksport på riktig tidspunkt.

I tillegg reduseres behovet for manuelle prosesser og samtidig risikoen for manuelle feil. Dataene trekkes automatisk ut av kildesystemene, og rapportene kan oppdateres uten at det trengs å lastes ned nye datafiler manuelt. Dette gjør det også enklere å automatisere innsiktsarbeidet.

På den andre siden krever denne tilnærmingen at dataene i kildesystemene er godt strukturert for analyseformål. Hvis kildedataene ikke er optimalisert for rapportene man ønsker å bygge, kan Power BI-filene bli store, trege og vanskelig å jobbe med. Feil struktur på kildedataene kan føre til at det blir vanskeligere å skape varig innsikt, ettersom det ofte kreves komplekse transformasjoner av rådata i Power BI. Dette reduserer transparensen rundt hvor tall og visualiseringer kommer fra og gjør det vanskeligere å forstå og gjenbruke forretningslogikken.

Videre er det utfordrende å sikre god datakvalitet og god forvaltning av data på tvers av flere kildesystemer, uten en sentralisert løsning. Dette begrenser mulighetene for dypere analyser, med mindre man har stålkontroll på hvordan og fra hvor dataene blir hentet inn og behandlet direkte i Power BI.

En annen ulempe er at det kan bli unødvendig stor belastning på kildesystemene, spesielt om dataene skal benyttes i flere rapporter og dermed må hentes ut flere ganger fra hvert kildesystem. Det er fordi det krever ressurser fra kildesystemene å «levere» dataene til en Power BI-rapport eller andre dataløsninger. Hvis det er 5 rapporter som henter dataen direkte fra kildesystemet, så krever det 5 ganger så mye ressurser for kildesystemet å levere dataene. Hvis man ikke er nøye på hvordan og når dataene hentes fra kildesystemet, kan det føre til at kildesystemet oppleves tregt for sluttbrukerne i perioder hvor rapportene oppdateres, eller faktisk slutter å fungere som ønsket.

Oppsummert gir denne fremgangsmåten mer oppdaterte data og reduserer manuelle prosesser og feilkilder ved å hente data direkte fra kildesystemer:

3. Skap en skalerbar innsiktsløsning ved å bygge en dataplattform og koble Power BI til denne

Den mest robuste og samtidig skalerbare løsningen for å jobbe med data og innsikt er å bygge en moderne dataplattform som samler, strukturerer og vasker dataene før de visualiseres eller benyttes i AI-løsninger. Da kan data fra flere kilder enkelt sammenstilles for å skape innsikt som ikke er tilgjengelig i hvert enkelt kildesystem.

Et eksempel på dette er når en bedrift samler kundedata fra CRM-systemet, kjøpshistorikk fra salgssystemet og tilbakemeldinger fra kundeservice i en dataplattform. Når disse dataene kobles sammen på tvers kan det for eksempel bli mulig å utforske og visualisere kundemønstre, identifisere hvilke produkter som er mest populære blant ulike kundegrupper, og oppdage muligheter for kryssalg.

I en dataplattform vil man også bygge forretningslogikk på en måte som gjør den gjenbrukbar og transparent for hele organisasjonen. Dette bidrar til å sikre konsistens i rapporteringen, ettersom nøkkeltall og beregninger er definert ett sted og brukes likt på tvers av alle rapporter. I tillegg blir Power BI-filene «lettere», noe som gir raskere lastetider og mer effektive oppdateringer. Samlet forretningslogikk er også en forutsetning for «self-service» innen data og innsikt, siden det sørger for at det som lages i forskjellige deler av organisasjonen gir samme resultater.

En annen fordel er at dataplattformer muliggjør mer avanserte analyser. De integreres ofte enkelt med maskinlæringsmodeller og prediktive analyser, samt åpner for dypere innsikt og muligheten til å ta i bruk AI-løsninger på toppen av dataene i plattformen.

Ulempen med en dataplattform er at den krever bredere kompetanse, og det vil være behov for bistand fra IT-ressurser og sannsynligvis en dedikert dataingeniør for å sette opp og vedlikeholde løsningen. Dette innebærer også økte kostnader, både i form av infrastruktur og vedlikehold, samt kostnadene knyttet til lagring og bearbeiding av store datamengder i skyen.

Selv om det tar lengre tid å sette opp en dataplattform, vil gevinsten i form av skalerbarhet, effektivitet og muligheten for avansert analyse veie opp for denne investeringen over tid. Ettersom dataen i en dataplattform er bearbeidet og bygget for å kunne gjenbrukes til ulike bruksområder, vil en dataplattform på sikt også føre til raskere utvikling av ny innsikt.

Oppsummert gir denne fremgangsmåten en robust og skalerbar løsning som gir mulighet til å sammenstille data fra ulike kilder og forberede dem for avansert analyse:

I tillegg er det en lang rekke mer tekniske fordeler som vi ikke har fokusert på i denne artikkelen. Effektene av disse tekniske fordelene er blant annet forenklet og forbedret sikkerhet og tilgangsstyring til data, tilrettelegging for bedre forvaltning av data og større fleksibilitet i å styre hvordan data hentes fra kildesystemene og dyttes tilbake i kildesystemene for å operasjonaliseres.

Avsluttende tips for å skape god og vedvarende innsikt

Vær strukturert i datamodellering og -arkitektur

Et viktig prinsipp er å skille datamodellen fra visualiseringene. Dette gjør det enklere å gjenbruke datamodellene og vedlikeholde logikken uten å påvirke visualiseringene. Et klassisk bruksområde for dette er hvis flere deler av organisasjonen ønsker innsikt i samme dataene, men presentert på forskjellig måter eller forskjellig detaljnivå – da lønner det seg at disse to rapportene bruker samme datamodell, slik at man slipper å gjenskape mye av logikken. Ved å fristille modellen fra selve presentasjonen kan man også sikre at rapportene forblir konsistente over tid, selv når det gjøres oppdateringer i datamodellen.

I tillegg kan riktig dataarkitektur gjøre det mulig å slå sammen flere datamodeller, noe som gir økt fleksibilitet. For eksempel kan du kombinere en modell med kunde- eller medlemsdata og en annen med salgsdata, uten at modellene trenger å bli store og kompliserte. Dette gjør det enklere å bygge gjenbrukbare løsninger og forenkler vedlikehold.

Tenk design, konsistens og brukervennlighet fra start

For å sikre at innsiktsarbeidet blir effektivt og at rapporter blir konsistente og profesjonelle, er det viktig å tenke på design og brukervennlighet. Å ha en felles visuell utforming for alle rapporter bidrar til at farger og stil er konsistente, noe som både styrker lesbarheten og gjør det lettere å navigere. Konsekvent språkbruk og tydelige definisjoner av terminologi er også en viktig del av å gjøre organisasjonene i stand til å forstå innholdet i rapportene. Videre kan bruk av standard bakgrunnsbilder bidra til en enhetlig visuell stil – disse kan enkelt lages i for eksempel Power Point, eller dere kan få hjelp av deres egne designere.

En god style guide bør også være på plass. Dette bør inkludere hvilke typer grafer som brukes for ulike typer innsikt, hvordan filtre/slicere skal plasseres og benyttes, samt retningslinjer for marginer, avstander og andre designprinsipper. Det kan også være lurt å rådføre seg med deres egne designere for å sikre at stilvalgene er i tråd med organisasjonens visuelle profil.

Til slutt er det viktig å sørge for at style guiden er implementert i malen for deres visualiseringsverktøy, og at denne oppdateres regelmessig for å sikre konsistens på tvers av rapportene. Dette vil også bidra til å gjøre innsiktsarbeidet mer brukervennlig for alle i organisasjonen.

Prioriter bruksområder som raskt skaper forretningsverdi for mange brukere

Som nevnt i innledningen så er det viktig å huske å prioritere strategiske innsiktsbehov som gir stor forretningsverdi for flest mulig brukere, slik at man kan vise til konkrete gevinster allerede fra første stund. På den måten er det enklere å få med seg hele organisasjonen, og sannsynligheten for videre investering og langsiktig suksess øker betraktelig! Et spennende bruksområde å vurdere er hvordan data og innsikt kan bidra til bedre prioritering og måling av forbedringsarbeidet i en organisasjon, som du kan lese mer om her.

Konklusjon

Å forbedre måten man jobber med data og innsikt kan gjøres på flere måter, og hvilken metode som er riktig for din organisasjon avhenger av modenheten på deres nåværende dataarbeid og hvilke mål dere har. Enten du starter med noen enkle grep i Excel, eller bygger en robust dataplattform, er det viktig å ha en klar strategi for hvordan dataene skal struktureres og brukes for å støtte beslutninger og skape verdi for virksomheten.

Er du nysgjerrig på hvordan din bedrift kan bli bedre på å utnytte data og innsikt? Vi har allerede hjulpet flere selskaper i mange ulike bransjer med ulike utgangspunkt for modenhet, og diskuterer gjerne temaet med deg. Ta kontakt for en uforpliktende prat!

Vi holder også et seminar med tittel «Fra data til beslutning: Bygg en innsiktsdrevet organisasjon for å realisere potensialet i AI» torsdag 14. november fra kl 17.00-18.30 – du kan melde deg på her↗