Data kan brukes til så mangt.

Mange selskap begynner å bli flinke til å automatisere databehandling og rapportering i BI-verktøy, mens noen også begynner å bevege seg mot mer komplekse analyser og beregninger.

Men, en maskinlæringsmodell som skal predikere fremtidige logistikkbehov krever en helt annen datastruktur enn tradisjonelle rapporter for generell virksomhetsstyring.

Og dette er en av utfordringene ERP-leverandører står ovenfor.

Omfanget, kompleksiteten og brukernes generelle kompetansenivå gjør det umulig å tilgjengeliggjøre hele rådatamodellen til alle kunder med "enkle" BI-behov

Hvordan kan man da standardisere, automatisere og dokumentere mens fleksibiliteten også opprettholdes?

Med RamBase valgte vi en tilnærming hvor tre ulike former for datatilganger ville løse både kundenes og RamBase' egne behov best mulig:

1) Standard uttrekkbare rapporter dekker noens behov

Av og til er det enkle enda det beste. Standard uttrekkbare lister til Excel har vært tilgjengelig og godt brukt siden tidenes morgen. Avhengig av behov og kompetanse kan dette i mange situasjoner være beste løsning - enten de mates manuelt videre til et BI-verktøy eller ei.

2) Standardisering av BI-optimaliserte views i stjerneskjema-modell for de mest brukte dataene dekker de flestes behov

Her ligger gullet for systemleverandører som klarer å løse dette best mulig.

Den økte populæriteten av BI-verktøy fører til mange nye brukere som ikke alltid vet helt hva de trenger. Vi sier gjerne vi ønsker tilgang til "alt", men i praksis er det ofte langt fra tilfellet. Stort sett kommer du langt raskere til målet om det er god struktur og riktig detaljgrad på dataene. Trenger du egentlig ha med en linje for alle historiske endringer som er gjort på en ordre?

Datamodelleringen kan gjøres i BI-verktøyet direkte eller nærmere kilden.

Det vil være fordeler og ulemper med begge metoder - men "Roches Maxim for Data Transformation" er en god grunnregel i slike tilfeller ("data should be transformed as far upstream as possible, and as far downstream as necessary").

Ved å tilgjengeliggjøre standardiserte skybaserte SQL-views i ferdig definert stjerneskjemaformat, så er dataene ferdig massert for hvilket som helst BI-verktøy.

Da trenger man som BI-utvikler heller ikke knote med APIer.

Og ved å lage dette for de vanligste behovene som regnskapsdata, salg og logistikk så vil den jevne BI-bruker ha klart et godt dokumentert datasett på minutter.

3) Tilgjengeliggjøring av rådatamodell ved behov løser de mer komplekse behovene

Så har du selvfølgelig tilfellene hvor det er de sære og spesifikke detaljene som er viktig. Hvor hver enkelt endring i en ordre er helt sentral for analysen - eller andre tilsvarende kompliserende elementer.

Da er det "rådatamodellen" som gjelder - kombinert med mye tid til opplæring i datastrukturen for å komme til mål.

De systemleverandørene som tar BI-brukere på alvor vil vinne

Som Power BI-entusiast er jeg selvfølgelig ikke objektiv, men jeg har vært i dialog med 20+ systemleverandører rundt datatilgang det siste året.

Noen viser til at eneste mulighet er å hente ut excel-ark manuelt og viser null interessere for mine ønsker og behov.

Noen få sitter klar med inhouse Power BI-kompetanse og gode ferdige modeller. Både RamBase og Munu som jeg jobber med er gode eksempler her.

De fleste er en plass midt mellom.

Med det økende behovet og fokuset det er på Business Intelligence så ville jeg virkelig tatt dette på alvor om jeg selv var en systemleverandør som satt på kundenes data.