Mange lurer på hvordan vi analyserer oss frem til de beste vinene som lanseres i vinslippene til Vinmonopolet. Det er ingen heksekunst og noe som alle med litt erfaring med Excel kan gjennomføre. Vi ønsker å dele vår kunnskap om hvordan man kan lage en gjenbrukbar BI løsning som muliggjør rask og effektiv analyse av vinanmeldelser for å komme frem til de beste kjøpene.

Firstpoint inviterer med dette til et lærerikt frokostseminar 3. oktober på kontoret til Firstpoint i Bergen. Frokost vil bli servert mens vi går gjennom bruk av nye Microsoft verktøy i Excel for å lage en analysemodell for vinanmeldelser.

Basert på anmeldelsene av viner fra vinslippet til Vinmonopolet vil vi konsolidert terningkast og poeng for å finne hvilke viner som generelt kommer best ut i testene.

Mulige bruksområder for analysemodellen vil være:

• Beste kjøp: Vi ønsker a finne det beste kjøpet i vår prisklasse
• Middagsvin: Vi ønsker å servere den beste vinen til gjestene våre
• Til kjelleren: Vi ønsker de beste kandidatene til å legge i kjelleren
• Vindistrikt: Vi ønsker å prøve en ny vin fra vårt favorittdistrikt

Du finner resultetet av analysen for juli- og september-slippet her.

Tid: 3 oktoberkl 0830-1000
Sted: Firstpoint: Thor Møhlensgt 53C, 5006 Bergen.
Adkomst: Bybane - stopp Florida. Bil: Parkering i P-hus

Påmelding: Ja, jeg vil komme på seminaret

​Jeg kan dessverre ikke denne dagen, men vil gjerne ha informasjon om kommende seminar

Fagruppen for BI og Information Management til den norske dataforeningen avholder nettverksmøte "Organisering av BICC i Skatteetaten" på vinbaren Amarone i Bergen den 29. September 2014 kl.17.30-20.00.

Denne gang er det organisering av innsatsen på Business Intelligence i Skatteetaten som er tema. Det er Paul Gunnar Larssen og Elin Sætre Arnevik, begge fra Skatteetaten som skal presentere sin tilnærming til dette interessante området for oss.

Skatteetaten har bygget opp et slagkraftig BI-miljø som samlet bidrar til å skape merverdi av etatens data. Det skjer hovedsaklig gjennom risikobaserte kontrollutvelgelse, resultatforbedring og effektivisering av arbeidsprosesser. Viktige oppgaver på kort sikt har vært å implementere BI-strategien, implementere nytt BI- verktøy og bygge opp og utvikle et BI kompetansesenter (BICC)

Skatteetaten består av Skattedirektoratet og fem regioner: Skatt nord, Skatt Midt-Norge, Skatt vest, Skatt sør og Skatt øst i tillegg til Skatteopplysningen, Oljeskattekontoret og Skatteetatens IT- og servicepartner. Skattedirektoratet har den sentrale faglige og administrative ledelsen av Skatteetaten.

Du kan lese mer om arrangementet og melde deg på her.

​Kart for å finne frem til Amarone vinbar finner du her.

​Vi skal se på de grunnleggende forskjellene mellom et datavarehus og databasene for virksomhetens operasjonelle systemer, for å vise hvorfor datavarehuset må modelleres med helt andre prinsipper enn transaksjonsbaserte systemer. Vi skal se på hva som skiller relasjonsdatabaser fra dimensjonsdatabaser og forklare hvorfor dimensjonsdatabaser er et naturlig valg for BI løsninger.

​Operative systemer og datavarehus har fundamentalt forskjellige formål. Operative systemer støtte gjennomføringen av forretningsprosesser, mens datavarehus støtter evaluering av disse forretningsprosessene. For å kjøre effektivt må operative systemer optimaliseres for online transaksjonsbehandling (OLTP), i motsetning til datavarehus som må optimaliseres for behandling av spørringen og brukervennlighet. Tabellen under oppsummerer disse forskjellene.

​ER-modellering er en standard tilnærming for design av OLAP databaser. Den klassifiserer alle data som en av tre ting; en entitet, en relasjon, eller et attributt. Diagrammet under viser et eksempel hvor entiteter vises som bokser og relasjoner vises som linjer som kobler boksene sammen. Kardinaliteten for hver relasjon - antall mulige kombinasjoner av verdier på hver side av relasjonen - vises som ved hjelp av kråkeføtter for mange, | for en og 0 for null (også kjent som valgfritt).

​Dimensjonale modeller definere forretningsprosesser og deres enkelthendelser i form av målinger (fakta) og beskrivelser (dimensjoner) som kan brukes til å filtrere, gruppere og aggregere målingene. Datakuber blir ofte brukt til å visualisere enkle dimensjonale modeller.

​Dimensjonale modeller i den virkelige verden brukes til å måle langt mer komplekse forretningsprosesser (med flere dimensjoner) og med mange flere detaljer enn det man enkelt vil kunne se for seg kuber med mer enn tre dimensjoner, men de kan lett representeres ved hjelp av stjerneskjema diagrammer. Diagrammet under viser et klassisk stjerneskjema for detaljomsetningen som inneholder en fjerde dimensjon PROMOTION.

​Et stjernediagram består av en sentral fakatabell omgitt av en rekke dimensjonstabeller. Faktatabellen inneholder fakta; de numeriske (kvantitative) målingene av en forretningsprosess. Dimensjonstabeller inneholder hovedsakelig tekstlige (kvalitative) beskrivelser av hendelsen og gir kontekst til faktaene.

Før man setter igang med å modellering og gjennomføring en BI løsning kan det være nyttig å se litt på de grunnleggende målene for datavarehuset.

Behovet for et datavarehus kan plukkes opp ved å gå gjennom korridorene i en hvilken som helst organisasjon og lytter til bedriftens ledere og fagpersoner. Følgende problemstillinger er noe man typisk kan overhøre at det klages over:

• Vi har et fjell av data i dette selskapet, men vi får ikke tilgang til det!
• Vi har behov for å slice & dice data på alle mulige måter!
• Du er nødt til å gjøre det enkelt for forretningsfolk å få direkte tilgang til data'ene!
• Bare vise meg hva som er viktig!
• Jeg blir gal av at to personer presentere de samme forretningsberegningene på et møte men med forskjellige tall!
• Vi vil at folk skal bruke informasjonen for å støtte en mer faktabasert beslutningsprosess!

Basert på vår erfaring er disse bekymringene så universell at de styrer de grunnleggende kravene til datavarehuset. La oss omforme disse sitater til datavarehuskrav.

Tilgjengelighet av informasjon
Innholdet i datavarehuset må være forståelig. Dataene må være intuitivt og åpenbart for forretningsbrukeren og ikke bare for utviklerne. Forståelighet innebærer lesbarhet; innholdet i datavarehuset må ha en meningsfull navngivning. Forretningsbrukere ønsker å splitte opp og kombinere dataene i utallige kombinasjoner i en prosess ofte referert til som "slicing og dicing". Verktøyene som gir tilgang til datavarehuset må være enkele og lette å bruke. De må også returnere søkeresultatene til brukeren med minimal ventetid.

Overenstemt presentasjon av informasjon
Dataene i datavarehuset må være troverdig. Data må nøye settes sammen fra en rekke kilder rundt om i organisasjonen, renses, kvalitetssikres og gjøres tilgjengelig først når informasjonen er klar for bruk. Informasjon fra en forretningsprosess skal samsvare med informasjon fra de andre forretningsprosessene. Hvis to målinger har samme navn så må de bety det samme. Hvis to målinger derimot ikke betyr det samme så må de navngis forskjellig. Overenstemt informasjon betyr informasjon av høy kvalitet. Det betyr at alle dataene er regnskapsført og komplett. Overenstemt innebærer også at felles definisjoner for innholdet i datavarehuset er tilgjengelige for brukerne.

Tilpasningsdyktige i forhold til endringer
Vi kan simpelthen ikke unngå forandring. Brukernes behov, forretningsmessige forhold, data og teknologi er alle underlagt endringer i tiden. Datavarehuset må være utformet slik at den klarer å håndtere disse uunngåelig endringene. Endringer i datavarehuset skal være grasiøse i den forstand at noe som betyr at de ivaretar eksisterende data og ikke får eksisterende applikasjoner til å feile. Eksisterende data og programmer bør ikke måtte endres eller avbrytes når forretningsbrukere stiller nye spørsmål eller nye data legges til datavarehuset. Hvis beskrivelsen av data i datavarehuset blir endret må vi ta hensyn til endringene på riktig måte.

Sikker bastion som beskytter informasjonsaktiva
Organisasjonens informasjonskronjuveler blir lagret i datavarehuset. I det minste vil datavarehuset sannsynlig inneholder informasjon om hva vi selger, til hvem og til hvilken pris. Noe som potensielt er skadelige detaljer i hendene på feil person. Datavarehuset må effektivt kontrollere tilgangen til organisasjonens konfidensielle informasjon.

Et grunnlag for bedre beslutninger
Datavarehuset må ha de riktige dataene for å kunne støtte beslutningsprosesser. Det er bare ett riktig svar fra et datavarehus. Beslutninger gjøres på bakgrunn av bevis presentert av datavarehuset. Disse beslutningene levere den mest presserende verdien knyttet til datavarehuset. Den opprinnelige navnet som forut for datavarehuset er fortsatt den beste beskrivelsen av hva vi utarbeider; et beslutningsstøttesystem.

Forretningsbrukerne må akseptere datavarehuset for at det skal bli vellykket
Det spiller ingen rolle om vi har bygget en elegant løsning med de beste produktene på den beste plattformen. Hvis forretningsbrukerne ikke omfavner datavarehus og fortsatte å bruke det aktivt seks måneder etter opplæring, da feiler vi akseptansetesten. I motsetning til vedereutvikling av et operativt system, hvor forretningsbrukerne ikke har annet valg enn å bruke det nye systemet, er bruk av datavarehuset noen ganger valgfritt. Aksept fra forretningsbrukerne har mer å gjøre med enkelhet enn noe annet.
​
Disse punktene viser at et vellykkede datavarehus krever mye mer av oss enn å være en fantastisk database administrator eller systemutvikler. Med et datavarehus initiativ har vi en fot i vår informasjonsteknologi komfortsone, mens vår andre foten er på ukjente grunn hos forretningsbrukere. Vi må skreve over de to og endre noen av våre utprøvde ferdigheter for å tilpasse oss til de unike kravene til datavarehuset. Åpenbart må vi ta med oss alle våre ferdigheter når vi prøver å oppføre oss som om vi er en hybrid DBA/MBA.

Hele hensikten med en selvbetjening BI løsning er at forretningsbrukere får tilgang til å utforske og analysere bedriftens informasjon uten å være avhengig av IT-avdelingen. Prosjekter som innfører selvbetjent BI sliter imidlertid med å skalere løsninger utviklet for de enkelte avdelingene opp til en felles løsning for hele bedriften. Mange opplever at ulike rapporter ikke stemmer overens grunnet dårlig kvalitet på kildedata og at den behandles ulikt fra avdeling til avdeling. Vi skal her se på hvilken rolle Master Data Management spiller ved innføring av selvbetjening BI.

Selv om selvbetjent BI innføres for å styrke brukerne kan det være vanskelig å overbevise dem om å basere virksomhetskritiske beslutninger på løsningen uten noen form for Master Data Management. Med en gang beslutningstakeren oppdager at salgstallene for en kunde fremdeles tilhører et salgsdistrikt som kunden ikke lenger tilhører vil tillitten til resultatene fra BI løsningen bli svekket. Uten skikkelig administrasjon av dataene så vil bruken av løsningen raskt avta etter hvert som flere brukere opplever inkonsekvente resultater.

Ofte vil ansatte spørre en venn på IT-avdelingen om uttrekk fra produksjonsdatabaser eller analytikere vil opprette en egne datamodell i Access for et gitt forretningsområde. Slike datauttrekk som ikke er underlagt sentral administrasjon vil være som regel være inkonsistente og dårlige kilder for forretningsanalyse.
Vi skal her se på hvorfor du bør vurdere Master Data Management som et viktig element i implementeringen av selvbetjent BI.

Selvstendighet til brukere og fageksperter
En god implementering av Master Data Management oppfordrer til løsrivelse fra avhengigheten til IT-avdelingen for utforskning, analyse og forvaltning av felles data. Ikke bare vil brukere og fageksperter føle seg mer frigjort, men dette vil også gi IT-avdelingen mulighet til å fokusere på andre viktige oppgaver som applikasjonsutvikling, infrastruktur og sikkerhet. Eksperter i de enkelte forretningsområdene vil ta eierskap til dataene ved håndtering av forretningsregler og forretningshierarkier helt uten kjennskap til den underliggende databasestrukturen. Dette kan utføres ved riktig bruk av Excel med Microsoft Master Data Services (MDS) plugin installert. Det er flere nøkler til denne selvstendighet:

• Brukere kan administrere og vedlikeholde data
• Brukere kan definere og håndheve forretningsregler
• Brukere kan optimalisere arbeidsflyt for godkjenning
• Brukere kan iterere trygt gjennom den innebygde versjonskontrollen

Konsolidert og troverdig data
Problemstillinger relatert til dårlig datakvalitet er kostbar og truer organisasjoner som ikke har implementert standardisert praksis for administrasjon av data. En av de grunnleggende årsakene til problemer med troverdighet er mangel på fagkunnskap. Som oftest er det sluttbrukere med fagkompetanse som best vil kunne vurdere troverdigheten til kildedata og definere forretningsreglene som styrer disse dataene og ikke utviklerne på IT-avdelingen.

Håndheving av valideringsregler og arbeidsflyt for godkjenning av data som strømmer inn i Master Data Management system vil sikre nøyaktighet og kvalitetsstandarder for masterdata. For eksempel når du arbeider med kundedata vil felt for by og kommune ofte ikke fylles ut eller bli feilstavet. Ved å opprette en regel som fyller ut disse attributtene basert på postnummeret vil sikre at dataene ikke bare er mer nøyaktig men også at de kan brukes på riktig måte når man kartlegger geografiske data i rapporter. Når reglene er satt i MDS vil alle adressedataene som er trukket inn anta regelen naturlig. Anvende av slike regler vil øke sluttbrukers tillit til at de konsumerer rene, nøyaktige og troverdige data.

Integrasjon av ulike systemer
Det er veldig vanlig at organisasjoner vil ha flere ulike systemer innen områder som kundestøtte, ordrebehandling, lagerstyring og regnskap. Det er en god sjanse for at disse systemene har overlappende data som ofte ikke er lagret på samme måte som igjen kan gjøre det vanskelig å holde dataene synkronisert. For eksempel kan ordrebehandlingssystem lagre valuta i et forkortet format (NOK) mens kundestøttesystemet lagre dem som sitt fulle navn (norske kroner). Uten tilstrekkelig Master Data Management kan forvaltningen av mappingen mellom disse systemene bli en tidskrevende oppgave. Med Master Data Management verktøy som MDS for Excel kan dataene fra de ulike kildesystemer bli konsolidert og forbli i synk slik at de kan brukes av sluttbruker av bedriftens rapporteringssystem.

Positive endringer i forretningsprosesser
Avdelinger i en organisasjon med lite eller ingen Master Data Management vil typisk administrere sine egne data og kan være tilbakeholdne med å gi tilgang direkte til andre forretningsenheter. Denne formen for administrasjon av data vil skape informasjonssiloer som avskrekker samarbeid, informasjonsdeling og datautforskning.

En vellykket strategi for Master Data Management vil bryte ned organisatoriske og avdelingsmessige grensene ved å definere et rammeverk for de prosesser og personer som er involvert. Roller som data administrator vil bli definert og tildelt Tiltak vil også innføres for å håndtere forslag-, kontroll- og godkjenningsprosess for opprettelse av ny eller endring av eksisterende data. Å muliggjøre dette nivået av samarbeidet vil gi grunnlag for en skalerbar BI løsning for bedriften som er i stand til å møte virksomhetens økende behov for analyse og rapportering.