Data må sammenstilles og ­presenteres

Både privat og i næringslivet genererer vi mer data enn noen gang. Dette er en eksponentiell vekst som vi også kommer til å se fremover. Utfordringen blir å kunne selektere hvilke data som er viktige for virksomheten og jobbe med disse.

Det er gjort undersøkelser på hvilke datamengder som genereres i verden i dag og vi snakker om mange titalls milliarder GB hver DAG og dette er bare begynnelsen. Mange mener at dette om 5–6 år vil være ti ganger så mye.

Så store datamengder krever også at teknologien til å sammenstille og presentere disse dataene henger med i utviklingen.

Teknologi også for de små

Denne teknologien var for noen år siden kun tilgjengelig for de store virksomhetene på grunn av pris og kompleksitet, men slik er det ikke lenger – stadig mer satsing på skyløsninger og «software as a service» – dvs. mindre kapitalbinding i programvare gjennom løsninger hvor brukerne betaler for det de bruker av kapasitet, lagring og prosessering.

Prosesser må på plass

For å omdanne data til informasjon er det viktig å ha noen prosesser på plass. Det må utvikles en dataflyt som flytter dataene fra kilden gjennom f.eks. en ETL-prosess (Ekstrahere, Transformere og Laste) til lagring i for eksempel en database/datavarehus/datalake eller lignende. Det handler om å samle data fra alle kilder på ett sted, slik at det etableres en felles sannhet og alle begreper og definisjoner har samme navnestandard og benevnelse. Et slikt flytskjema kan da se slik ut:

Eksempel – POS (kassesystem)

Et eksempel på dette er en handelstransaksjon i POS (kassesystem). Dataen i dette er en lang linje med masse tall og betegnelser. Den viser at det var et salg med et beløp på en viss dato. Når denne dataen kombineres med varelinje og innkjøpssystemet, har man straks informasjon om margin på dette salget, omsetning på produkt, butikk og tidspunkt.

Dette kan virke som en selvfølge, men for mange er ikke dette en selvfølge – dette gjøres svært manuelt hos mange bedrifter og er tidkrevende. Manuelle prosesser øker også risikoen for feil – og man ønsker ikke feil i viktig beslutningsinformasjon.

Kundeeksempel

En kunde tok kontakt for to år siden og hadde en konkret utfordring.

Denne kunden leverer tjenester til boligbyggelag innen forsikring og medlemsfordeler (fordelsprogram). De hadde flere systemer som samlet data: medlemsregister, transaksjonssystemer, brukersystemer, CRM-system og sikkerhetssystemer.

Hvert av disse kildesystemene hadde ulik struktur og definisjoner som gjorde det svært manuelt og komplekst å hente ut data.

Det var et stort rapporteringsbehov både fra interne og eksterne med tanke på å måle effekten av kampanjer de kjørte for kundene, intern prosjektrapportering, rapporter til boligbyggelagene og styringsinformasjon til styre og ledelse.

Kunden ønsket å sammenstille data fra alle datakildene sine for raskere å kunne få innsikt og kunne foreta raskere og bedre beslutninger.

Det ble gjennomført en strukturert prosess med å kartlegge behovene og føringene til kunden og deres kunder når det gjaldt informasjonsbehov.

Kravspesifikasjon

Det ble deretter utarbeidet en kravspesifikasjon og en anbefalt løsning for å tilfredsstille dette behovet for kunden.

Prosjektet ble gjennomført med tett dialog og samarbeid med kunden, og hadde hyppige interaksjoner og avklaringer for å sørge for smidig utvikling. Dette gir kundene rask verdi og sterk involvering og eierskap til løsningen.

Arkitekturen for denne kunden ble en løsning som vist i figur 2 og de trengte ikke kjøpe inn noen ny programvare. Vi brukte de IT-lisensene de allerede hadde og kombinerte disse til en effektiv og funksjonell løsning.

Kan ta raskere beslutninger

I dag får kunden daglig oppdaterte tall som er tilpasset den enkelte brukergruppen og vil raskt kunne ta beslutninger basert på fakta.

De som har ansvar for kampanjer, kan raskt se på effekten av kampanjene. Hvis de har hatt en kampanje på vegne av noen kunder i spesielle butikker eller områder, kan de raskt se om denne kampanjen har gitt effekt gjennom å analysere omsetning, antall handler (kunder) og snittomsetning. Dette er informasjon som det hadde tatt veldig lang tid å hente inn hvis den skulle ha blitt innhentet manuelt.

Nå kan kunden få denne informasjonen så hyppig som de ønsker og i ulike dimensjoner – det vil si presentert grafisk i kart, slik at de kan analysere geografiske effekter av nasjonale og regionale kampanjer, sammenligne salg pr. butikk og rangering på ulike nøkkeltall.

Rapporter og analyser

Løsningen har utviklet ulike rapporter og analyser som gir brukerne tilgang til både grafisk og numerisk informasjon på en lettfattelig og tilpasset måte. Brukerne kan også på en enkel måte gjøre ulike valg i løsningen, som endrer innholdet. For eksempel kan kampanjeansvarlig velge på fylke og/eller kommune for å se kampanjeresultatene eller se på ulike kampanjeperioder – time, dag, uke, måned, kvartal eller år – og se hvordan utviklingen har vært eller hvordan de ulike butikkene har prestert i denne perioden. Alt dette avhenger av den enkeltes behov for styringsinformasjon.

Kunden kan på en enkel og rask måte få oversikt over handelsmønstre og ved hjelp av informasjonen fra alle sine datakilder utvikle nye modeller og konsepter for bedre å treffe kundens behov. Boligbyggelag har stor medlemsmasse og slik innsikt er svært verdi­full for å bedre medlemmenes tilbud av varer og tjenester.

Kom i gang!

Min anbefaling er å sette i gang med å utnytte dataene bedre enn dere gjør i dag. Konkurrentene deres venter garantert ikke med å få et forsprang og dette forspranget kan bli tungt å ta igjen.

Det trenger ikke bli omfattende – mitt råd er å tenke stort, men starte smått!