Hvordan velge rettanalyseverktøy
I denne guiden gir vi deg 10 konkrete tips til hva du bør tenke på når du skal vurdere et analyseverktøy. Guiden fungerer som en veileder som kan hjelpe deg å forstå når ulike analyseløsninger passer. Du får også en enkel innføring i kostnadsbildet på hvert analyseverktøy og tips for valg av leverandør og implementeringspartner.
Hva bør du egentlig tenke på når du skal velge nytt analyseverktøy?
Hvilket analyseverktøy bør du velge? Når er det riktig tidspunkt å revolusjonere datastrategien din, og når holder det å fortsette med de Excel-arkene du allerede bruker? I en verden der teknologi utvikler seg i rekordfart, finnes det utallige verktøy som lover å gi deg full kontroll over bedriftens data. Det er lett å gå seg vill i begreper som data lake, skyplattform, maskinlæring og IoT.
Denne guiden nøster opp i noen av disse begrepene og gir deg 10 konkrete tips for hva du bør vurdere når du skal velge nytt analyseverktøy.
Alle bedrifter har data, men ofte ligger informasjonen spredt i ulike kildesystemer og Excel-ark. Verdien ligger i å gjøre data om til innsikt, og dette oppnås med riktig analyseverktøy. Men hvordan vet du hvilket verktøy som passer best for din bedrift?
Innhold
Hva bør du egentlig tenke på når du skal velge nytt analyseverktøy?
En gjennomstenkt datastrategi vil gjøre jobben med valg av analyseverktøy enklere
10 spørsmål for å kartlegge hvilket analyseverktøy du burde velge
Hva koster verktøyene i en analyseløsning?
Tips til valg av verktøy og leverandør
En gjennomtenkt datastrategi vil gjøre jobben med valg av analyseverktøy enklere
Et nytt analyseverktøy bør være i tråd med bedriftens datastrategi. Start med å kartlegge hvordan data og analyse brukes i dag, og hvordan dere ønsker å bruke det i fremtiden.
Hvor datadrevet ønsker vi å være?
Før du kaster deg på alle teknologitrender, må du avgjøre hvor datadrevet bedriften ønsker å være. Buzzord som maskinlæring, IoT og digitale tvillinger kan høres spennende ut, men uten en klar strategi kan de bli en tidstyv.
En datastrategi handler ikke bare om teknologi. Den handler like mye om menneskene som skal bruke verktøyene og prosessene de skal støtte. Spørsmål å stille seg:
- Er den interne kompetansen og prosessene våre tilpasset målene for utnyttelse av data?
- Hvilke steg må vi ta for å nå ønsket nivå av datadrevet beslutningstaking?
4 typer analyseverktøy
Et analyseverktøy kan være enkel eller kompleks og den kan bestå av ett enkelt verktøy eller flere komponenter satt sammen til én samlet arkitektur. På samme måte som andre produkter går gjennom en prosess fra råvare til ferdig produkt, går også data gjennom en prosess fra rådata til innsiktsfull data som kan brukes til å ta beslutninger.
De ulike typene analyseverktøy håndterer stegene i dataverdikjeden på ulik måte. Ved å sammenligne dataverdikjeden med prosessen for å gjøre om korn til bakverk, kan man få en forståelse av den kompleksiteten en analyseløsning skal håndtere.
Å gjøre korn om til bakverk starter med å hente råvaren, blande den med andre ingredienser, bearbeide og steke den. Det ferdige bakverket må deretter distribueres til kundene på en effektiv måte. Enkelte bakverk er mer komplekse, men kundene er villige til å betale ekstra for dem. Ledetid og tilgjengelighet spiller også en rolle: noen vil ha rask levering, andre kan vente.
Små aktører kan selge direkte fra gården, mens større produsenter bruker fabrikker og butikker. Fabrikkene er ofte automatiserte og krever lite manuelt arbeid, samtidig som lagring og sikkerhet må ivaretas, for eksempel å holde oppskriften hemmelig eller kontrollere tilgangen til produktene.
Denne ganske banale sammenligningen viser at akkurat som i andre verdikjeder må du i dataverdikjeden tilpasse de forskjellige verktøyene som brukes etter hvilket sluttprodukt du ønsker og etter hvor mye som skal produseres. Hvis bedriften din har lite komplekse analysebehov, og det bare rapporteres et par ganger i året, er det kanskje tilstrekkelig å bruke tradisjonelle regneark som analyseverktøy. Regnearket kan både hente inn data, transformere og visualisere. Men det er ikke særlig spesialisert på noen av disse funksjonene. Med komplekse analysebehov og med flere brukere som skal betjenes, bør du derfor velge mer avansert analyseverktøy som er spesialisert for hvert ledd i dataverdikjeden. Det bør brukes ett verktøy for lagring, ett verktøy for bearbeiding og ett verktøy for visualisering.
Helt enkelt kan vi si at vi har følgende 4 forskjellige typer analyseverktøy:
1. Regneark
Regneark som Excel eller Google Sheets brukes til å hente ut, analysere og visualisere data. Excel har også funksjoner som Power Pivot og Power Query som gir muligheten til mer avanserte analyser enn de klassiske utregningene kolonne for kolonne.
2. «Out-of-the-box» analyseløsning
For noen analysebehov er det mulig å kjøpe ferdige analyseverktøy som standardiserte applikasjonsverktøy. Disse installeres hurtig og kan visualisere generelle KPI’er som er tilpasset ett eller to enkle kildesystem. Disse fokuserer mer på finansielle data enn bedriftsspesifikke mål og er fordelaktige når man skal ta hurtige beslutninger eller ønsker et hurtig overblikk på selskapets helse. Et eksempel på et slik analyseverktøy kan være PowerAnalyze.
3. BI-verktøy
Det er mulig å koble et BI-verktøy direkte til datakilder. BI-verktøyet lar deg sammenstille, transformere og visualisere data fra ulike kilder. I tillegg har de ofte funksjonalitet for sikkerhet, samhandling og deling av ferdige rapporter. Eksempler på BI-verktøy er Power BI, Qlik og Tableau.
4. Dataplattform med BI-verktøy
Dette er det mest avanserte alternativet. Med dataplattform mener vi en sentralisert datahub som inneholder ulike komponenter for lagring, sammenstilling, transformering og visualisering av data. Dette vil ofte innebære funksjonalitet fra skyplattformer levert av aktører som Microsoft, Google eller Amazon. En dataplattform bør være dynamisk og legge til rette for utvidede analysebehov, som for eksempel maskinlæring eller prosessering av sanntidsdata.
10 spørsmål for å kartlegge hvilket analyseverktøy du burde velge
For å avgjøre hvilket analyseverktøy som passer til din bedrift bør du kartlegge følgende 10 spørsmål:
1. Hvem er brukerne av analyseverktøy?
Det første du bør kartlegge er hvem som skal bruke analyseverktøyet, hvilke roller de forskjellige brukerne har, og hva slags behov hver rolle har. Kanskje ønsker du å starte med rapportering for én avdeling, men ha mulighet til å utvide til andre deler av organisasjonen. En bedrift der rapportering kun gjøres kvartalsvis av én person har kanskje ikke behov for å investere i et nytt analyseverktøy i det hele tatt. Kanskje det er tilstrekkelig å eksportere data fra eksisterende systemer til et regneark, eller kanskje kildesystemene som brukes har inkludert rapportering som dekker de behovene bedriften har.
I andre enden av skalaen er de som stadig benytter seg av komplekse analyser for å hjelpe dem i å ta de rette beslutningene. Dette vil antakelig kreve et mer avansert analyseverktøy.
2. Hvilket dataprodukt skal verktøyet legge til rette for?
Med dataprodukt mener vi hva analyseverktøy skal brukes til. Et analyseverktøy kan brukes til mer enn bare tradisjonell rapportering. Den kan også være et datasenter for applikasjoner eller integrasjoner mellom systemer. Den kan levere data som er rettet mot kunden, eller til bedriftens analytikere som skal bruke analyseverktøyet til dype analyser og maskinlæring. Hvem som skal bruke verktøyet og hvilket dataprodukt du ønsker avgjør hvilket format dataen skal lagres i.
Det er andre krav når data skal vises på en intuitiv måte til forretningsbrukere i bedriften, enn når dataen skal vises til kunder eller analytikere. De enkleste analyseverktøyene er stort sett kun tilpasset rapportering. Hvis du skal bruke analyseverktøyet til andre ting, bør du derfor velge et mer kompleks analyseverktøy.
3. Hva er deres analysebehov?
Når du vet hvem som skal bruke verktøyet bør du kartlegge hvilke krav til rapportering som finnes og hvilke KPI’er som skal måles. Her må du både ta hensyn til de kravene som finnes i dag og til de spørsmålene du ønsker svar på i fremtiden. På dette punktet er det særlig nyttig å ha tenkt gjennom en datastrategi. Hvor datadrevet du ønsker å være avgjør hvilke analysebehov du har.
Deskriptiv analyse: Hva skjedde?
Dette er den enkleste formen for analyse. Den gjengir historiske fakta og gir innsikt i tidligere resultater, for eksempel “Vi presterte bedre enn i fjor”. Den forteller hva som skjedde, men ikke hvorfor, eller hvordan man kan forbedre resultatene fremover.
Diagnostisk analyse: Hvorfor skjedde det?
Går ett steg videre ved å kombinere data fra ulike kilder for å finne mønstre og årsaker. Eksempel: “Vi ansatte noen nøkkelressurser som kan være grunnen til de gode resultatene”. Diagnostisk analyse hjelper deg med å forstå årsakssammenhenger, ikke bare resultatene.
Prediktiv analyse: Hva kommer til å skje?
Bruker historiske data og statistiske modeller for å forutsi fremtidige trender og scenarioer. Eksempel: “Etterspørselen etter dette produktet vil øke til våren”. Prediktiv analyse gjør det mulig å planlegge ressurser, produksjon og strategiske tiltak på forhånd.
Preskriptiv analyse: Hva bør vi gjøre?
Den mest avanserte typen analyse bruker data til å optimalisere beslutninger. Ved å ta hensyn til alle faktorer som påvirker resultatet, kan man foreslå konkrete handlinger. Dette gjøres ofte med maskinlæring eller optimeringsalgoritmer. Eksempel: “Under disse betingelsene vil vi maksimere resultatet ved å produsere X antall av hvert produkt”. Preskriptiv analyse gir beslutningsstøtte på et nivå som går langt utover tradisjonell rapportering.
4. Hvilken data har dere og hvor tilgjengelig er denne dataen?
Når analysebehovene er kartlagt vil neste steg være å kartlegge hvilke datakilder du har og hvordan data hentes ut fra disse systemene. Hvis du får svar på bedriftens analysebehov ved å hente ut historisk data fra kun ett system (deskriptiv analyse) er det kanskje tilstrekkelig med et helt enkel analyseverktøy. Hvis du derimot må hente ut og sammenstille data fra mange ulike datakilder for å se trender og sammenhenger (diagnostisk, prediktiv eller preskriptiv analyse) bør du heller gå for et mer avansert analyseverktøy. Kanskje har du ikke alt grunnlaget som skal til for å svare på alle spørsmålene som ble kartlagt i punktene over. Da bør du sørge for at analyseverktøyet tillater å enkelt legge til nye kildesystemer.
Det bør også kartlegges om det er sannsynlig at kildesystemer kommer til å byttes ut i nærmeste fremtid. Hvis dette er tilfelle bør du typisk ikke gå for en «out-of-the-box» verktøy som ofte er spesialtilpasset én kilde, men heller velge et analyseverktøy som tillater at du bytter ut kildesystemene. Hvis du har andre analysebehov på sikt enn det du har i dag bør du også velge et dynamisk analyseverktøy som enkelt lar seg utvide.
Hvordan data hentes ut fra kildesystemene må også vurderes. Fra SQL databaser er det relativt enkelt å hente ut dataene direkte til et Excel-ark eller en Power BI rapport. Dersom data må hentes ut via API-kall bør du i noen tilfeller velge et verktøy med spesialiserte komponenter for transformering og lagring av data.
5. Ønsker dere å analysere historikk som ikke tas vare på i kildesystemene?
Kravene til historikk må også vurderes. Ikke alle kildesystemer tar vare på historikk, og dersom du ønsker å bygge din egen historikk bør du velge et analyseverktøy med spesialiserte komponenter for lagring og transformasjon av data.
6. Hvor mye data har dere og hva er deres krav til ytelse og oppdateringsfrekvens?
Forskjellig typer analyseverktøy har forskjellig evne til å prosessere data. Jo mer avansert analyseverktøy man velger, jo bedre ytelse vil man typisk ha. De som har jobbet mye med Excel vet at hvis man prøver å analysere noe særlig mer enn 1 million rader vil ytelsen bli kraftig redusert. Hvis du har høye krav til ytelse og store mengder data bør du derfor velge et mer avansert verktøy.
7 . Har dere behov for automatisk rapportering?
Hvis du rapporterer sjeldent med enkle analyser, kan det gå greit å oppdatere rapportene manuelt.
Men ved større og mer komplekse analysebehov blir manuelle spørringer og oppdateringer raskt tidkrevende og kjedelige. Excel-basert rapportering krever ofte mye manuelt arbeid med innhenting og oppdatering av data.
Med mer avanserte analyseverktøy kan prosessen helautomatiseres, og oppdateringer kan planlegges så ofte du ønsker. På denne måten kan også data oppdateres på tidspunkter som belaster kildesystemene minst mulig.
8. Hva er deres krav til sikkerhet?
Bedrifter har ofte ulike krav til datasikkerhet. Ikke alle i organisasjonen skal ha tilgang til all informasjon, og dersom personsensitiv data skal analyseres, må man ta hensyn til anonymisering.
Et Excel-basert analyseverktøy har begrensede sikkerhetsfunksjoner. Det er mulig å kryptere filen, men utover dette er det få muligheter til å kontrollere hvem som kan se innholdet.
BI-verktøy og mer avanserte dataplattformer tilbyr ofte omfattende sikkerhetsfunksjoner. Du kan styre hvem som har tilgang til ulike rapporter, og hvem som har tilgang til forskjellig data innen samme rapport. I tillegg kan disse verktøyene ha avanserte sikkerhetsmekanismer som regulerer pålogging, for eksempel gjennom to-faktor-autentisering eller IP-basert identifisering.
Hvis du bruker spesialiserte komponenter for transformasjon av data, kan du også utføre nødvendige anonymiseringer før dataene rapporteres, noe som gir bedre kontroll over sensitive opplysninger.
9. Hvordan ønsker dere å samhandle med data og dele data?
Avhengig av hvor mange som jobber med samme rapport er det viktig å ta hensyn til hvordan man samhandler med og deler data. Hvis mange jobber med samme Excel-fil blir det fort forskjellige versjoner fordi man lagrer rapportene på hvert sitt område og fortsetter å jobbe videre med sine egne analyser der.
Det trenger ikke ta lang tid før du ikke husker hva som var det originale datasettet, eller at du blir usikker på om det svaret du har er riktig, fordi det er så mange som har jobbet i filen.
Når mange personer jobber med samme data er det viktig at man er enig i hva som er den faktiske sannheten. Sentralisert data i form av et BI-verktøy eller en dataplattform gjør at man har én kilde til sannhet som alle er enig i. Med et BI-verktøy kan du ha rapporter som kan brukes av forskjellige mennesker i organisasjonen, uten at det påvirker hva de andre ser. Disse verktøyene har også funksjoner for deling av data på forskjellige måter, som for eksempel automatisk tilsending av en rapport på epost, muligheten til å legge til en rapport direkte inn i en PowerPoint eller å lage rapporter tilpasset mobilformat.
10. Hvilken kompetanse har dere internt?
Har bedriften egne analytikere som klør i fingrene etter å ta i bruk et nytt analyseverktøy? Eller er datakompetansen mer spredt, der de fleste synes det er mer enn komplisert nok å bruke Excel til enkle beregninger? Hva er egentlig dataforståelsen hos de ansatte, og er de vant til å bruke data til å ta beslutninger?
Lav analytisk og teknisk kompetanse internt kan tale både for og imot et mer avansert analyseverktøy. På den ene siden er det ikke noe poeng i å investere store summer i et nytt verktøy hvis de ansatte ikke klarer å bruke det. På den andre siden kan det rette analyseverktøyet gjøre det enklere å bruke data til å ta beslutninger. BI-verktøy er laget for å fremstille data på en forståelig måte for sluttbrukere, og kan kreve mindre teknisk kompetanse enn å analysere data i et Excel-ark.
Hvis bedriften har egne analytikere, bør du tilrettelegge for at de kan gjøre egne analyser. Dette kan gjøres gjennom en sentralisert dataplattform som sørger for kvalitetssikrede datasett. Det bør unngås at analytikere kobler seg direkte til kildesystemene og transformerer data på hver sin måte. Mange forretningsregler kan variere avhengig av hvem man spør i organisasjonen, men med sentraliserte datasett defineres reglene kun én gang, og man får én kilde til sannhet.
Til slutt er intern kompetanse også avgjørende for driften av løsningen. Har bedriften de IT-ressursene som trengs for å drifte et mer komplekst analyseverktøy, eller må man belage seg på innleid personell?
Hva koster verktøyene i en analyseløsning?
Det er vanskelig å angi eksakte kostnader for hvert analyseverktøy, fordi prisen ofte avhenger av mengden data som prosesseres og hvilken ytelse man ønsker.
Generelt kan man si at et regneark-basert verktøy (som Excel eller Google Sheets) vanligvis er det rimeligste alternativet. De fleste bedrifter bruker allerede regneark, og å analysere data i dette medfører derfor sjelden ekstra kostnader.
Prisen på et «out-of-the-box» analyseverktøy vil avhenge av det konkrete produktet. BI-verktøy har ofte månedlige lisenser som varierer med antall brukere eller kapasitet. Det mest avanserte alternativet, en dataplattform med BI-verktøy, vil typisk være det dyreste. Prisen her påvirkes av ytelse og hvilke komponenter som brukes. Arkitekturen kan imidlertid bygges kostnadseffektivt, og ved skybaserte løsninger betaler man ofte kun for den lagringsplassen og prosesseringskraften som faktisk brukes.
I tillegg til selve verktøyene må implementerings- og driftskostnader medregnes. For alle løsninger utenom «out-of-the-box»-verktøy vil utvikling og tilpasning ta tid, og kostnadene vil avhenge av intern kompetanse og hvilken partner man velger for implementering og drift. I enkelte tilfeller kan det også komme kostnader for å hente ut data fra kildesystemer, avhengig av avtalen med leverandøren.
Tabellen viser eksempler på hva de ulike typene analyseløsninger kan koste, gitt en spesifikk leverandør og under visse forutsetninger. Merk at kostnadsestimatene kun gjelder verktøyet/plattformen – utvikling, implementering og drift er ikke inkludert.
De totale kostnadene for å ta i bruk et nytt analyseverktøy kan for mange virke avskrekkende. Det er derfor viktig at du velger det analyseverktøyet som passer for din bedrift. I tillegg må du tenke på det bedriften kan få ut av et godt analyseverktøy som gir innsikt til å ta de rette beslutningene. Man vil se at en investering i riktig analyseverktøy vil kunne gi kostnadsbesparelser eller økt inntjening, som raskt dekker utgiftene til en slik investering.
Tips til valg av verktøy og leverandør
Det er mange ulike verktøy og leverandører å velge mellom når du skal investere i et nytt analyseverktøy. Verktøy fra forskjellige leverandører kan ha mange av de samme funksjonene og det kan være vanskelig å vite hva som er best. Vi har følgende tips når det kommer til valg av verktøy:
1. Kompetanse internt: Hvis noen internt har erfaring med et spesifikt verktøy bør du kanskje velge dette.
2. Kompetanse eksternt: Ofte har bedriften behov for å leie inn personell for å implementere eller drifte løsningen, eller det ansettes nye personer. Det er da lurt å velge et verktøy og leverandør som det er en del kompetanse på i markedet.
3. Kompatibilitet med andre systemer: Hvis bedriften har en eksisterende løsning som du ønsker å utvide, er det ofte lurt at nye verktøy leveres fra samme leverandør. Hvis du velger et mer komplekst analyseverktøy, er det generelt smart å velge samme leverandør for de ulike komponentene i verktøyet.
4. Andre verktøy fra leverandøren: Du bør også sjekke hvilke verktøy som finnes i økosystemet til leverandøren. Har leverandøren verktøy som dekker både gjeldende og fremtidige behov?
Tips til valg av implementerings-partner
Når du skal implementere et nytt analyseverktøy bør du også tenke over hvilken partner du velger for implementering og drift. Vi har følgende tips når det kommer til valg av partner:
1. Velg en partner med kompetanse og erfaring med implementering av lignende løsning.
2. Velg en partner som har en god forståelse for hvorfor du ønsker å implementere et nytt analyseverktøy. Partneres rolle bør være å veilede din bedrift til å ta de riktige valgene når det kommer til valg av analyseverktøy, valg av arkitektur og valg av verktøy. Det er derfor viktig at partneren har fokus på bedriftens faktiske behov. Det er nok av eksempler der bedrifter har investert i et nytt analyseverktøy som ingen ender opp med å bruke, fordi den ikke møter de faktiske behovene i bedriften.
3. Velg en partner som har fokus på opplæring og kompetanseoverføring. Når implementeringen er gjennomført, er det din bedrift som skal bruke verktøyet. Hvis de ansatte ikke vet hvordan de skal bruke løsningen kunne man like gjerne latt være å implementere den i utgangspunktet.
Kort oppsummert
Vi har satt sammen en enkelt tabell som kan veilede deg i valg av analyseverktøy, avhengig av svarene du fikk på de 10 spørsmålene over:
