När kunskapen om data ökar och verksamheters insikter om hur data kan användas blir allt bättre, så tenderar de self service-portaler som verksamheter tidigare har byggt upp att bli till återvändsgränder. De har blivit för begränsade och oflexibla och kommer inte att kunna tillgodose de behov som användarna och verksamheten har. 

Det behövs därför en ny syn på vad self-service BI/analytics bör vara och hur samverkan i en datadriven organisation sker.

Self service BI/analytics, en uppdaterad modell

En uppdaterad modell för self service BI/analytics tar sitt avstamp i arbetssätt som baseras på fakta och där verksamhetsledningen ser data som en central tillgång. Det innebär att det finns ett antal krav att kunna stödja en verksamhets konkurrenskraft och operativa mål över tid med 

  • strukturerad informationsanalys efter föränderliga behov
  • möjlighet att kontinuerligt fördjupa och bredda insikter baserade på data
  • anpassade analysmöjligheter efter användarens och verksamhetens aktuella behov
  • kostnadseffektiv utveckling av analytiska förmågor för minskade kostnader eller ökade intäkter

Ur detta kan man utkristallisera behov av ett antal strukturella förändringar, där flera kunskaper och förmågor behöver vässas jämfört med den relativt statiska syn på self service BI/Analytics som Gartners IT Glossary definerar och som främst fokuserar på verktygen (grundläggande analysförmågor, enkla verktyg, förenklad datamängd).

Vad innebär då detta? Vi ser ett antal områden som behöver vara tätt sammanlänkade och tillsammans bilda en helhet för att få self service BI/analytics att motsvara de krav som en datadriven organisation ställer.

Detta är del 2 av artikelserien om behovet av en uppdaterad modell av self service BI/analytics. I denna del diskuteras områdena Organisation och Verktyg. I del 1 diskuteras områdena Kultur och kunskap samt Arbetssätt.

Organisation

Hur ser vi då på self service BI/analytics ur ett organisatoriskt perspektiv? Av tidigare fört resonemang förstår vi att vissa områden som tidigare hamnat under ett traditionellt IT-förvaltningsansvar nu skjuts mot verksamheten, som behöver fånga upp det ansvaret. Det innebär att arbetsuppgifter, roller och ansvar förändras över hela linjen och att gränserna mellan vad som är ”IT” och vad som är ”verksamhet” suddas ut eller förändras. Det är lättare att förstå förändringsbehovet ur ett organisatoriskt och ansvarsperspektiv om man i stället beskriver organisationen utifrån vilka frågor som behöver vara gemensamma, eller centrala och vilka förmågor som behöver vara distribuerade eller lokala i respektive verksamhetsgren. 

Vi kan också förvänta oss att fördelningen av förmågor centralt och lokalt kan vara beroende av i vilket skede man befinner sig i under transformationen av self-service BI/analytics. 

Ett exempel är att inledningsvis i ett transformationsarbete så delar flera verksamhetsgrenar samma statistikerresurs medan man i ett senare skede kanske har rekryterat egna sådana resurser i flera verksamhetsgrenar allteftersom resursbehovet utvecklas.

Ett annat exempel kan vara att vissa gemensamma verktyg förvaltas centralt, medan andra specialiserade analysverktyg förvaltas lokalt.

Ett tredje exempel kopplat till förvaltningsansvar är att man centralt har ansvaret för att säkerställa, definiera och upprätthålla begreppsdefinitioner, datakataloger och datavirtualiseringstjänster medan informationsägare i verksamheten har ansvar för att vidmakthålla datakvaliteten för olika informationsdomäner.

Rent generellt kan man i samband med ett transformationsprojekt för self service BI/analytics utgå ifrån att en organisatorisk, ansvarsmässig och resursmässig grundkonfiguration etableras. Man kan vidare förvänta sig att vissa ansvar inom organisationen som inledningsvis ligger centralt kommer att distribueras ut lokalt i ett senare skede, allt eftersom transformationsarbetet fortgår. Rent generellt kan man också förvänta sig att den gemensamma, eller centrala organisationen i större utsträckning agerar i stöttande och rådgivande roller och att den lokala organisationen i större utsträckning arbetar i operativa roller. 

Självfallet är det så att den gemensamma eller centrala organisationen sannolikt kommer att ha ett stort operativt ansvar för förvaltning av gemensamma resurser. All utveckling av self service-förmågor kan heller inte enbart ligga lokalt. Här är det sannolikt så att iterativt orienterat utvecklingsarbete kommer att ske både lokalt och centralt och att vidareutveckling av self service-förmågorna sker på ett koordinerat sätt.

Området data management, det vill säga strategier för att tillhandahålla och kvalitetssäkra information, är ett område som också behöver hanteras och där det finns tydliga beroenden mellan self service-området och data management.

Verktyg

Verktygsområdet är förmodligen det som var och en vanligen förknippar med self service BI/analytics. Det finns i dag en stor mängd verktygsleverantörer som var och en hävdar att just deras verktyg är allt som behövs för att lyckas med self service BI/analytics. Verktygen är ofta mycket kapabla att presentera, visualisera och analysera information och man har vinnlagt sig om att de ska vara enkla att förstå och stödja effektiv analys av data. 

Vi vill dock framhålla att utan att beakta de områden som diskuterats tidigare, Kultur och kunskap, Arbetssätt och Organisation, så kommer ett self service BI/analytics-initiativ inteatt få full kraft, utan vara otillräckligt anpassat för att stötta en datadriven organisation.

Några verktygsområden som är lätta att glömma bort och som kommer att påverka såväl effektivitet som kvalitet i arbetet förtjänar dock att lyftas fram:

Datakataloger. I ett self service BI/analytics-sammanhang är det få saker som kan säkerställa förståelsen för de data som ska användas för analys och därmed för den övergripande kvaliteten på en BI/Analyticslösning, som en datakatalog. Datakatalogen är platsen där information om begreppens definitioner, källor och annan metadatainformation förvaras och varifrån den kan förmedlas till alla som använder en self service BI/analytics-plattform. 

Datavirtualisering. Datavirtualisering är ett angreppssätt som ur ett arkitektoniskt perspektiv kompletterar en datakatalog. Datavirtualisering är speciellt användbart i komplexa källsystemmiljöer eller i fall där man vill abstrahera och förenkla åtkomsten av data. Datavirtualisering möjliggör publicering av data till applikationer och slutanvändare utan att man behöver känna till detaljer om den ursprungliga källan eller dess datastrukturer.

Data warehouse automation. Det är ofta en komplex uppgift att skapa ett datalager genom att manuellt programmera upp alla datahanteringsprocesser, transformationer etcetera som krävs i ett datalager. Det är lätt hänt att det blir en oöverskådlig arbetsuppgift med komplex felsökning och ett kostsamt underhåll. Genom att parametrisera programmeringen av ett datalager skapas ett kvalitetssäkrat och mycket tidseffektivt sätt att bygga datalager. Ett sådant arbetssätt lämpar sig också väl för iterativ utveckling eftersom det är enkelt och överskådligt att genomföra förändringar med full kvalitetskontroll. CGI använder med stor framgång Darwin för detta ändamål.

Avslutning

Vi har i denna artikel diskuterat några viktiga ämnen kopplade till ett modernt synsätt på self service BI/analytics, där avsikten har varit att beskriva viktiga förutsättningar för self service BI/analytics i en datadriven organisation.

Vi har inte berört frågeställningen beträffande hur en uppdaterad Self Service BI/Analytics-miljö kan realiseras, men vi hoppas att det har blivit tydligt att det inte bara är en verktygsfråga, utan att det också handlar om ett integrerat transformationsarbete. Mer om detta vid ett senare tillfälle.