Hvad er et data warehouse?

Et data warehouse er en central database, der samler data fra virksomhedens forskellige systemer, renser dem og lægger dem i et fælles format, som er bygget til analyse. Formålet er ikke at registrere den enkelte transaktion, men at kunne se på tværs af dem. Det er forskellen på at vide, hvad der skete i går, og at vide, hvad der er ved at ske.

De fleste virksomheder har allerede rigeligt med data. Problemet er, at de ligger spredt: omsætningen i ERP-systemet, kundedialogen i CRM, lagerbevægelser i et tredje system, og timeforbruget i et fjerde. Hver for sig giver de mening. Sat ved siden af hinanden gør de det sjældent, fordi den samme kunde optræder med tre forskellige kundenumre, og fordi “salg” betyder noget lidt forskelligt i hvert system.

Et data warehouse løser netop det problem. Nedenfor gennemgår vi, hvordan det er bygget op, hvordan det adskiller sig fra en almindelig database og en data lake, og hvilke signaler der tyder på, at din virksomhed har brug for et.

Sådan er et data warehouse bygget op

Et data warehouse-setup består typisk af fire dele, og det er værd at kende dem, fordi det er her, tidsforbruget i et projekt reelt ligger.

• Datakilderne — de systemer, data hentes fra. ERP, CRM, lønsystem, webshop, produktionsanlæg og regneark tæller alle med.
• ETL-processen — data udtrækkes, transformeres til et fælles format og indlæses i lageret. Nogle løsninger vender rækkefølgen om og transformerer efter indlæsningen; det kaldes ELT.
• Selve lageret — den strukturerede database, hvor data ligger klar.
• Præsentationslaget — rapporter, dashboards og analyseværktøjer, hvor brugerne rent faktisk møder tallene.

Langt de fleste undervurderer trin to. Selve databasen er sjældent det svære — det er transformationen, altså arbejdet med at få tal fra fem systemer til at betyde det samme. Den del kræver, at nogen tager stilling til, hvad en “kunde” er, og hvornår et salg tæller med.

Data warehouse, database eller data lake?

De tre begreber bliver brugt i flæng, men de løser hver sin opgave.

En almindelig database understøtter drift. Den svarer på, hvad der sker lige nu: er varen på lager, er fakturaen betalt.

Et data warehouse understøtter analyse. Data er struktureret på forhånd, renset og lagt i faste tabeller, så man kan regne på dem med det samme. Til gengæld koster det arbejde at få nye datatyper ind, fordi strukturen skal defineres først.

En data lake er et råt lager, hvor data gemmes i den form, de kommer i  logfiler, billeder, sensordata, tekst. Det er fleksibelt og billigt, men rådata kan ikke bruges til rapportering uden bearbejdning. Uden styring ender en data lake som en datasump, hvor ingen ved, hvad der ligger hvor.

De udelukker ikke hinanden. Mange virksomheder bruger en data lake til at opsamle store og ustrukturerede datamængder og et data warehouse til de tal, der skal kunne stå i en ledelsesrapport.

Ensartede dimensioner og transaktionstyper

Her ligger det egentlige arbejde, og det er også her, de fleste projekter går galt.

Data skal kunne sammenlignes på tværs af forretningen, og det er sjældent tilfældet fra start. Den samme kunde findes i to systemer med hvert sit kundenummer. Den samme varegruppe hedder noget forskelligt i indkøb og i salg. Uden en fælles nøgle kan man ikke lægge tallene sammen — og lægger man dem sammen alligevel, får man et forkert resultat, der ser rigtigt ud.

Løsningen er konsolideringsdimensioner: et fælles lag oven på kildesystemernes egne nøgler, så salget til én kunde kan opgøres samlet, uanset hvilket system det stammer fra. Samme princip gælder transaktionstyperne. Køb, returneringer, lagerbevægelser og krediteringer registreres forskelligt fra system til system, og datamodellen skal kunne standardisere dem, før tallene giver mening samlet set.

Det lyder teknisk, men konsekvensen er meget konkret: det er forskellen på en omsætningsrapport, ledelsen tør bruge, og en, der bliver diskuteret på hvert møde.

Valuta, sprog og perioder på tværs af lande

Arbejder virksomheden i flere lande, kommer der et lag mere på.

Beløb skal kunne opgøres i lokalvaluta, selskabets egen valuta og en fælles rapporteringsvaluta. Bruger man forskellige kurser forskellige steder, stemmer koncerntallene ikke og fejlen er svær at finde bagefter. Derfor bør omregningen altid ske ud fra én fælles valutakurstabel, så udgangspunktet er det samme hver gang.

Sprog fortjener samme opmærksomhed. En controller i Hamborg skal kunne læse rapporten på tysk, uden at der skal bygges en parallel model. Det klares ved at lægge dimensionsteksterne i alle relevante sprog i en samlet tabel. Endelig skal periodebegreberne standardiseres på tværs af lande og tidszoner, så en måned betyder det samme overalt. Det er kedeligt arbejde, men det er præcis det, der gør analyser på tværs af landegrænser mulige.

Skal der også laves finansiel konsolidering, forudsætter det tabeller, hvor reglerne kan sættes op interne mellemregninger, konti og dimensioner.

For dokumentation og underbygning af de enkelte analyser kan det nogle gang være nødvendigt, at give direkte adgang til grunddata opsat i tabeller.

Adgangen til links, billeder, websider o.l. fra analyserne ligger klar i InfoSuites Data Warehouse – det eneste der mangler er at I siger hvor dokumentationen skal hentes fra.

Dette var blot nogle af de elementer der udgør InfoSuites Data Warehouse og datamodel. Har du lyst til at vide mere eller har du spørgsmål til hvordan vi vil håndtere dine data, så kontakt os så vi kan hjælpe dig.

Hvornår har din virksomhed brug for et data warehouse?

Der findes ikke en bestemt omsætning eller medarbejderantal, hvor behovet opstår. Men nogle signaler går igen:

• Månedsafslutningen bruger flere dage på at samle tal frem for at analysere dem.
• To afdelinger møder op med hvert sit tal for det samme og kan begge dokumentere deres.
• Rapporteringen afhænger af én person og hendes regneark.
• Data skal hentes fra flere selskaber eller flere ERP-systemer.
• Nye analyser tager uger, fordi datagrundlaget skal bygges forfra hver gang.

Kan du nikke genkendende til to eller tre af punkterne, er det som regel ikke rapporteringen, der er problemet. Det er fundamentet under den. Et data warehouse er forudsætningen for, at en Business Intelligence-løsning kan levere pålidelige tal — uden det bliver BI-værktøjet en pæn overflade oven på et rodet grundlag.

Sådan arbejder InfoSuite med data warehouse

InfoSuite leverer et færdigopbygget data warehouse med en tilhørende datamodel, så strukturen ikke skal designes fra bunden ved hver implementering. Modellen håndterer konsolideringsdimensioner, standardiserede transaktionstyper, flersprogede dimensionstekster og en fælles valutakurstabel, og alle beløb findes i lokalvaluta, firmavaluta og rapporteringsvaluta. Til de mest udbredte systemer, blandt andre Dynamics NAV og Dynamics AX, findes færdige opsætninger, og integration af virksomhedens øvrige datakilder håndteres i samme model. Har du spørgsmål til, hvordan jeres data konkret skal håndteres, er du velkommen til at kontakte os.