Hvad er big data? Forstå begrebet i en økonomisk kontekst

Hvad er big data egentlig, når vi skærer de tekniske buzzwords fra? Når du søger svar på, hvad er big data, handler det grundlæggende om informationsmængder, der er så store, hurtige eller komplekse, at traditionelle databaser og metoder ikke længere slår til. For økonomifunktionen handler disciplinen ikke om at samle flest mulige bytes på en server, men om at omdanne disse enorme mængder af rå information til et præcist styringsredskab for forretningen.

Rigtig mange artikler om emnet fokuserer stærkt på marketing, kundeadfærd og målrettet annoncering. Som CFO, økonomichef eller controller er dit fokus typisk et helt andet. Her drejer det sig om, hvordan den voksende datamængde kan oversættes til håndgribelige tal, der påvirker bundlinjen direkte. Det kan være optimering af forsyningskæder, spildreduktion i produktionen eller mere præcise forecasts, der bygger på et langt bredere fundament end blot de historiske tal fra jeres ERP-system.

Det kræver en systematisk tilgang at omsætte rå tal til datadrevet beslutningstagning. Det starter med at forstå, hvilke informationer virksomheden reelt genererer, og hvordan de kan struktureres.

Forstå de fem V’er i big data

For at begribe den sande big data betydning, refererer fagfolk ofte til en fast model. Oprindeligt beskrev analytikeren Doug Laney de tre V’er i 2001, som definerede rammen for, hvornår noget falder uden for normale datasystemers kapacitet. Sidenhen er modellen blevet udvidet for at fange kompleksiteten i moderne forretningsanalyse.

Volume (Mængde)

Dette er selve størrelsen på de data, virksomheden genererer. Der er tale om store datamængder, som hurtigt overstiger kapaciteten i et standard servermiljø. Maskiner, sensorer og systemlogs danner konstant nye datapunkter, der samlet set udgør terabytes eller endda petabytes af information.

Velocity (Hastighed)

Hastigheden, hvormed nye data genereres og skal behandles. Hvor traditionel finansiel rapportering typisk kigger bagud på månedsbasis, strømmer information fra produktionsanlæg og digitale kassesystemer ind i realtid. Denne strøm kræver systemer, der kan modtage og behandle tallene, mens de opstår.

Variety (Forskelligartethed)

Tidligere bestod virksomhedsdata primært af pæne rækker og kolonner i relationsdatabaser. I dag udgøres begrebet volume velocity variety af en blanding af mange formater, som kommer fra vidt forskellige kilder, der ikke umiddelbart taler samme sprog.

Veracity (Pålidelighed)

Når man samler information fra mange forskellige kilder, svinger nøjagtigheden. Veracity handler om graden af tillid til datagrundlaget. Upræcise sensorer eller tastefejl i manuelle systemer skaber støj, som skal renses væk, før tallene rammer ledelsens dashboards.

Value (Værdi)

Det måske vigtigste punkt for økonomifunktionen. Der er ingen forretningsmæssig logik i at opbevare store mængder information, hvis det ikke omsættes til værdi. Værdien opstår, når I kan finde mønstre, reducere omkostninger eller forudsige fremtidige finansielle behov.

Struktureret og ustruktureret data i praksis

For at bygge en solid bro mellem IT og økonomi, skal man forstå forskellen på struktureret og ustruktureret data. Forskellen dikterer nemlig, hvor mange ressourcer I skal bruge på at klargøre materialet til analyse.

Struktureret data er den form, økonomiafdelingen kender bedst. Det er information organiseret i et foruddefineret format, som passer direkte ind i tabeller. Et klassisk eksempel er posteringerne i jeres ERP-system. Hver transaktion har en dato, et kontonummer, et beløb og en valuta. Fordi formatet er fastlåst, er det utrolig nemt for en computer at søge i, beregne på og aggregere disse tal.

Ustruktureret data er den diametrale modsætning. Her mangler der en foruddefineret datamodel. Det omfatter e-mails, PDF-fakturaer, billeder, maskinlogs og sensoraflæsninger med skiftende frekvens. Ustruktureret information udgør langt størstedelen af al ny data, der skabes i dag. Udfordringen for enhver dataanalyse er at trække den meningsfulde kerne ud af det ustrukturerede rod og give det en form, som kan bruges til udregning af afvigelser og KPI’er.

Hvorfor regneark ikke kan håndtere store datamængder

Regneark har historisk været økonomifunktionens vigtigste værktøj. De er fremragende til ad hoc-analyser og opstillinger, men de kommer til kort, når mængden og hastigheden af information stiger eksponentielt.

Et regneark har en fysisk grænse for antallet af rækker, og længe før du rammer den grænse, vil beregningstiden gøre filen tung og ustabil. Ydermere opstår der hurtigt versioneringsproblemer. Hvis tre controllere forsøger at opdatere det samme tunge ark baseret på nye udtræk fra produktionen, stiger risikoen for fatale formelfejl drastisk.

Når man ønsker at udnytte big data i virksomheder, kræver det et skifte i værktøjskassen. Man har brug for systemer, der kan læse og processere informationerne maskinelt i baggrunden, så økonomiafdelingen kan bruge tiden på afvigelsesforklaringer frem for manuel tastearbejde og vedligeholdelse af formler. Læs eventuelt mere om begrænsninger i regneark her.

Typiske kilder til big data i virksomheder

Der florerer en udbredt myte om, at avanceret dataopsamling kun er forbeholdt store multinationale tech-giganter. Sandheden er, at helt almindelige danske produktionsvirksomheder, forsyninger og detailkæder sidder på en guldgrube af information, der bare venter på at blive aktiveret.

Konkrete eksempler på datakilder, som findes i mange danske virksomheder, omfatter:

• PLC’er (Programmable Logic Controllers): Maskinstyring i produktionen, der registrerer hastighed, temperatur og nedetid på sekundbasis.
• Kundetællere: Sensorer ved indgangspartier i detailhandlen, der logger besøgstal fordelt på timer og minutter.
• Telefonsystemer og callcentre: Logfiler over ventetider, opkaldsvarighed og spidsbelastningsperioder.
• SRO-anlæg (Styring, Regulering og Overvågning): Centrale kilder til driftsdata, særligt i industri- og forsyningssektoren.
• Forbrugsafregningssystemer (FAS): Detaljerede målinger af vand-, varme- og elforbrug hos slutkunderne.
• Geografiske informationssystemer (GIS): Data bundet op på fysiske lokationer og ruter.
• Sociale medier og hjemmesidestatistik: Detaljeret adfærd fra virksomhedens digitale tilstedeværelse.

Disse kilder genererer ofte millioner af rækker. Isolerede er de svære at overskue, men når de kombineres, skaber de grundlaget for sand finansiel og operationel transparens.

Big data og business intelligence hænger uløseligt sammen

Rådata har ingen isoleret værdi for en økonomichef. De skal vaskes, struktureres og præsenteres, før de kan bruges til at træffe beslutninger. Det er her koblingen mellem big data og business intelligence bliver afgørende.

Før informationerne kan overføres til et dashboard, skal de samles. Dette gøres typisk i et data warehouse, som fungerer som maskinrummet i virksomhedens it-arkitektur. Her trækkes data ud af kildesystemerne (for eksempel SRO-anlægget og ERP-systemet), renses for fejl, og struktureres i en fælles model. Data warehouset sikrer den altafgørende “single source of truth”, så alle afdelinger i virksomheden kigger på de præcis samme tal.

Oven på dette maskinrum placeres selve BI-løsningen. Her omsættes de komplicerede datamodeller til visuelle dashboards, grafer og tabeller. En professionel BI-løsning lader controlleren bore sig ned i tallene fra et overordnet koncernniveau og helt ned til rentabiliteten af en specifik maskine eller et enkelt varenummer. Det er InfoSuites kernekompetence at bygge disse broer mellem uoverskuelige datamængder og letforståelig økonomistyring. Du kan dykke dybere ned i forståelse af Business Intelligence her.

Konkrete eksempler på anvendelse i danske brancher

Teori er én ting, men den reelle værdi viser sig først, når vi kigger på den praktiske anvendelse. Her er tre eksempler på, hvordan danske virksomheder konverterer tunge datamængder til økonomiske resultater.

Produktionsvirksomheden

En maskinfabrik indsamler data fra deres PLC’er på produktionslinjen. Sensordata viser præcis, hvornår maskinerne kører, hvornår de står stille, og hvor meget strøm de bruger. Ved at integrere disse informationer med ordre- og løndata i BI-systemet, kan controlleren pludselig beregne den reelle fremstillingspris pr. enhed baseret på faktiske maskintimer og strømforbrug, frem for standardomkostninger. Det afslører præcist, hvilke ordrer der skaber margin, og hvilke der reelt koster penge at producere.

Forsyningsselskabet

Et forsyningsselskab modtager data fra tusindvis af fjernaflæste målere hver time via deres forbrugsafregningssystem (FAS). Denne enorme mængde indikationer kan analyseres for at identificere unormale forbrugsmønstre, der tyder på lækager i ledningsnettet, længe før kunderne selv opdager det. Samtidig bruger økonomifunktionen tallene til at lave langt mere akkurate likviditetsbudgetter, da de fakturerer baseret på præcist, aktuelt forbrug i stedet for årlige acontoberegninger.

Detailkæden

En landsdækkende kæde af butikker kombinerer data fra kundetællere i dørpartierne med kvitteringsdata (POS) og vagtplanlægningssystemet. Det giver ledelsen et klart overblik over konverteringsraten – altså hvor mange af de besøgende der reelt køber noget. Hvis konverteringsraten falder drastisk i et specifikt tidsrum, kan økonomiafdelingen regne direkte på den tabte omsætning og holde den op imod omkostningen ved at have en ekstra medarbejder på gulvet i de travle timer.

Faldgruber: Datakvalitet, GDPR og strategisk fokus

Når man åbner døren til omfattende dataanalyse, medfølger der også et markant ansvar og en række risici, man som økonomiansvarlig skal navigere uden om.

Den største og dyreste faldgrube er manglende datakvalitet. Arbejder man ud fra devisen “garbage in, garbage out”, kan man risikere at træffe store, strategiske beslutninger på et forkert grundlag. Hvis sensorerne på produktionslinjen er kalibreret forkert, vil de efterfølgende omkostningsberegninger i BI-systemet være direkte misvisende. Derfor skal der altid etableres faste procedurer for validering af datagrundlaget.

Man skal ligeledes være yderst opmærksom på GDPR og persondataret. Indsamler I logfiler fra telefonsystemer eller geografiske data, der kan spores tilbage til enkeltpersoner, træder stramme lovkrav i kraft. Data skal anonymiseres, hvis formålet udelukkende er overordnet finansiel analyse.

Endelig ser vi ofte virksomheder, der begynder at samle data ind, udelukkende fordi de teknisk set kan. De opbygger dyre servermiljøer fyldt med information, der aldrig bliver brugt. Datadrevet ledelse handler om at starte med forretningsbehovet. Definer hvilke økonomiske eller operationelle spørgsmål I ønsker svar på, og identificer derefter præcis hvilke datakilder, der kræves for at levere de svar.