Business intelligence-løsninger baserer sig på data fra en virksomheds forskellige it-systemer.
De intelligente forretningssystemer skal gøre det muligt for ledelsen at træffe fornuftige forretningsbeslutninger.
Der er blot et problem. Hvad nu, hvis data ikke afspejler virkeligheden?
Ingen virksomheder med god datakvalitet
"Jeg vil vove den påstand, at der ikke er een virksomhed, der har en god datakvalitet. Der er nok virksomheder der inden for udvalgte områder har en acceptabel datakvalitet, men over en bred kam, så er det et af de største latente problemer i it-verdenen i dag."
Meldingen kommer fra Michael Borges, administrerende direktør i virksomheden Platon, der i mere end 20 år har arbejdet med BI-løsninger.
Da BI-projekter samkørerdata fra en virksomheds forskellige it-systemer, kan inkonsistens i virksomhedens datagrundlag blive fatalt for en BI-løsning.
"De data, man skal bruge i en BI-løsning, stammer sjældent fra et enkelt it-system. De kan komme fra 10, 20 eller potentielt flere hundrede it-systemer. Det er den grundlæggende udfordring. Dér handler det om at lave dataintegration," siger Michael Borges.
Mange udfordringer ved integration
"Udfordringerne ved integrationen er mange. Først og fremmest skal de rigtige systemer identificeres. Så skal der skaffes adgang til dem. Dernæst skal man finde ud af kilden til systemernes data. Nogle data kan være redundante, da de måske er kopieret fra andre systemer. Det er vigtigt at finde kilden til data."
Michael Borges peger på, at en anden udfordring ved samkøring af data kan være, at der anvendes forskellige nøgler til de samme data i forskellige systemer.
"En kunde kan hedde 2511 i et system og abcq i et andet system. Det samme kan gøre sig gældende for medarbejderdata, produktdata, samhandelspartnere, organisatoriske enheder, leverandører osv.. Det er en universel problemstilling på tværs af forskelige dataobjekter," siger Michael Borges.
Er data korrekte?
Han opfordrer til en systematisk gennemgang af data, hvor man blandt andet undersøger komplethed og korrekthed af data.
Ved komplethed menes om alle de ønskede data rent faktisk er registrerede.
"Meget ofte anvendes felter forkert i systemerne eller de bliver ikke udfyldt. Postnummer er måske ikke udfyldt og det kan være centralt for BI-løsningen, at man geografisk kan placere nogle ting," siger Michael Borges.
Data skal være korrekte
Et andet vigtigt kvalitetskriterium for data er selvfølgelig om de er korrekte. Hvad nu, hvis der er angivet forkert postnummer eller forkert produktkategori?
"Man siger som tommelfingerregel, at når man bygger en BI-løsning så bruger man 80 procent af tiden på sammenstilling og rensning af data og kun 20 procent på præsentation af information, altså rapporter og lignende," oplyser Michael Borges.
Det er dog en fejl kun at fokusere på datakvalitet i relation til business intelligence-løsninger.
Ifølge Michael Borges bør virksomheder arbejde med datakvalitet i bredere forstand, fordi bedre data kan medvirke til at effektivisere almindelige forretningsprocesser som for eksempel salgsprocesser eller logistikprocesser.
Må leve med lavere effektivitet
"Det med at leve med dårlig datakvalitet betyder ikke bare at det er svært at lave BI-løsninger. Konsekvensen af en dårlig datakvalitet er, at forretningen generelt set lever med en lavere effektivitet, flere fejl, mere genindtastning, flere rettelser. Dårlig datakvalitet har flere konsekvenser end at man ikke kan lave BI-løsninger."
Derfor er nye discipliner som Master Data Management introduceret. Her udarbejdes eksempelvis een korrekt definition af kunde, så der anvendes korrekte kundedata på tværs af alle organisatoriske enheder, alle processer og dermed alle forskellige systemer," siger Michael Borges.
Projektet der vokser
Typisk gør man det ved at tage et begreb eller entitet ad gangen. Først varer, så kunder, så leverandør og så videre.
"Det er en gigantisk opgave, der starter med, at man bliver enige om, hvad en kunde egentlig er og hvad man gerne vil vide om en kunde. Først når man har styr på den datadefinition, kan man gå igang med den mere tekniske konsolidering af informationen: Hvor ligger kilden til kundedata og hvilke systemer trækker på den kilde. Samtidig skal man sikre, at alle systenmer trækker på den korrekte kilde," siger Michael Borges.
Den tilgang betyder dog også, at hvad der måske startede som et mindre projekt i en salgsafdeling kan ryge helt op på koncern-niveau, hvis det skal gøres rigtigt.
Det tager for lang tid - vi udvikler vores egen afdelingsløsning
Brian Troelsen, senior analytiker hos IDC, mener som Michael Borges, at det er en rigtig ide at konsolidere data når man skal bygge BI-løsninger. Det kan blot være svært at gennemføre i praksis.
"Det helt rigtige ville være at have ens data i hele virksomheden på samme tid. Det er et mål man kan stræbe imod, men det er svært. Den slags projekter bliver meget store og tager lang tid. Det tager for lang tid at få gennemført. Så sidder man ude i en kundeservice eller salgsafdeling og bliver utålmodige. Man kan ikke vente på at få udrullet og standardiseret systemet. Så derfor køber man sin egen BI-løsning."," siger Brian Troelsen og fortsætter:
"Men ideen er god nok. Ellers får du problemet med decentrale datawarehouse. Eksempelvis kan kundeservice have sit eget system med sin egen opfattelse af hvad en kunde er og hvilke informationer man har om den pågældende. Fra centralt hold har man et andet datawarehouse, der har data andre steder fra. Så kan man sidde internt og skændes om, hvem der egentlig har de rigtige data."
Det er ifølge Michael Borges noget man ser i virksomhederne.
"Det har man gjort i salgs-afdelingen, økonomi-afdelingen, i marketing, logistik osv. De har så alle fået en BI-løsning som de isoleret set måske godt kan leve med, men de trækker alle data fra forretningssystemerne baseret på deres egen definition af sandheden. De har fået nogle rapporter som de kan leve med, men på tværs af afdelingerne hænger det slet ikke sammen. Så ender man med møder, hvor man diskuterer hvem der har de rigtige tal, fremfor at diskutere hvad man gør ved tallene," siger Michael Borges.
Er en ikke helt perfekt model af verden god nok?
Hvis man vil undgå de situationer og en langvarig datadefinitionsproces, kan man måske vælge at slække lidt på kravene til datakvaliteten.
"Det er noget som kunden skal holde sig for øje. Hvor perfekt en verden vil man have? Kan man acceptere, at der er en to-tre procents usikkerhed om dine data, hvis du får en langt hurtigere udrulning og dataintegration? Hvis du derimod vil være sikker på at komme ud i alle hjørner og at alle data er korrekte, så kommer det til at tage tid. Og verden står ikke stille i mellemtiden," siger Brian Troelsen.
Han mener, at valget afhænger af hvad man vil.
"Hvad er det man vil opnå? En regnskabsafdeling vil kræve, at data er korrekte. Der er man død og pine nødt til at fokusere på, at data er korrekte. Konsistens og rigtighed af data er ekstremt vigtigt.
I en kundeserviceafdeling er det måske derimod mere hastigheden for datafremskaffelse, der er vigtig."
Michael Borges er principielt enig, men han mener dog, at virksomheder bør få en bedre forståelse af betydningen af at have styr på kvaliteten i deres data - ikke mindst hvis de skal have det fulde udbytte af investeringen i BI.
"Er BI ikke muligt uden Master Data Management? Det bliver en strid om definitioner og ord. Jeg vil vove den påstand, at en god og robust BI-løsning, der er en god investering på den lange bane, ikke er mulig uden master data management," siger Michael Borges for derefter at bløde lidt op:
"Men man kan godt lave en hurtig løsning indenfor et lille område uden at tænke så stort. Så skal du bare leve med de konsekvenser der er ved at tingene ikke er konsistente på tværs af virksomheden."
