Topp 10 Business Intelligence-trender för 2021

2020 har bjudit på stora förändringar i många företag. För många har detta inneburit osäkra tider, vilket kännetecknar trendbilden för 2021. BARC rapporterar att de observerar att hypade ämnen, såsom artificiell intelligens (AI) och maskininlärning (ML), har ställts i bakgrunden inför en pandemi. Istället har företag fokuserat mer på grundläggande funktioner och processer.

De flesta trender är ganska stabila jämfört med föregående år, vilket visar oss att även i förändrade tider ändrar inte företag sitt fokus drastiskt.

BARC har frågat 2 295 användare, konsulter och leverantörer om deras syn på vad som kommer att bli de viktigaste BI-trenderna 2021. Rapporten visar därför vilka trender som för närvarande anses vara viktiga av en bred grupp yrkesverksamma inom BI och analys. Deras svar ger en omfattande inblick i utvecklingen av BI-marknaden och framtiden för BI.

Master data management, Data discovery och datavisualisering, och datadriven kultur är de tre teman som identifieras som de viktigaste trenderna för 2021. Att Master data management hamnar på första plats och Data discovery som nummer två är inte förvånande, eftersom det här är två trender vi har sett i topprankingen fyra år i rad.

Låt oss ta en titt på varje trend:

1. Master data management

För fjärde året i rad är data management den största trenden på BI- och analysmarknaden. BARC påpekar att det finns en enkel anledning till att korrekt datakvalitet och data management trendar på marknaden, nämligen att rätt beslut bara kan baseras på data som är korrekt och uppdaterad. Man måste därför kunna lita på att uppgifterna är korrekta för att kunna fatta bra beslut.

Målet med master data management är att samla in och dela data, såsom kund-, leverantörs- eller produktmasterdata över flera system. Läs mer om data management här.

2. Data discovery och visualisering av data

Data discovery handlar om att upptäcka mönster och/eller avvikelser i data. Datavisualisering handlar om hur man presenterar data för rätt personer vid rätt tidpunkt. Denna trend fokuserar därför på att göra data tillgänglig. 

Utvecklingen inom Data discovery och datavisualisering sker särskilt inom två områden. Förbättring av användarvägledning och automatisering är högst upp på agendan för många av leverantörerna i denna bransch. Maskininlärning används i större utsträckning för att vägleda analytiker och för att automatisera uppgifter genom alla steg, från dataförberedelse till visualisering. Dessutom är funktioner för Data discovery alltmer inbyggda i analys- och BI-plattformar, så att data enkelt kan delas med hela verksamheten.

3. Datadriven kultur

I detta sammanhang betyder datadriven att alla beslut och processer i ett företag baseras på data. Organisationer förändrar sin strategi från att bara ha få utvalda tillgångar till data och insikter, till att data sprids i hela organisationen så att alla kan fatta datadrivna beslut. Data måste bli en del av organisationens identitet. De anställda har ett gemensamt mål att förbättra och utveckla organisationen och sig själva med hjälp av data.

4. Data governance

Till skillnad från BI- eller analyshantering, som handlar om att förbereda och presentera data för affärshanteringssystem, fokuserar data governance (datastyrning) på den faktiska informationen i dessa system. Datastyrning behövs som en mekanism för datastrategi. En bra datastrategi behandlar hur affärsstrategi översätts till data och analys.

Data governance krävs för att implementera en datastrategi och innehåller regler och ramar för hantering, övervakning och skydd av data, samtidigt som man tar hänsyn till människor, processer och teknik. Att etablera data governance är en långsiktig insats. Först och främst kräver det ett tydligt och medvetet ledningsbeslut om hur man arbetar med och använder data.

5. Self-Service Analytics

Self-Service Analytics har länge varit på många företags önskelista och har fortfarande hög prioritet. Användare kräver att data är tillgängliga när som helst, var som helst och på vilken enhet som helst.

Företag fokuserar inte längre enbart på att erbjuda möjligheter för self-service. De vill också demokratisera datatillgången samtidigt som de säkerställer konsekvent och hög kvalitet på data och resultat.

6. Modernisering av datalager

Det gamla datalagerlandskapet har blivit för komplext för att stödja en smidig utveckling och är ofta för dyrt. Dessutom är implementeringsmodellen föråldrad, eftersom den inte är utformad och optimerad för det sätt man arbetar med analys idag.

Fler och fler företag förstår de nya utmaningarna och ser potentialen och möjligheterna med moderna datalager. En innovation inom datalagerteknik är datalagerautomation, vilket sparar tid och effektiviserar arbetet med ETL. Företagen börjar nu se de stora möjligheter som finns med dessa metoder.

Läs mer: Deep Dive to Data Warehouse Automation

7. Dataförberedelse

Att kunna förbereda dina data är en mycket grundläggande komponent för att uppnå bra resultat med BI. Dataförberedelse handlar om processen där användare tvättar, strukturerar och berikar data för användning i analyser. Målet med dataförberedelse är att förvandla rådata till värdefull insikt som kan användas för att svara på specifika affärsfrågor. 

Det ständiga behovet av dataförberedelse visar att uppgiften alltmer går från IT till affärsanvändare. Därför är det viktigt att ha ett bra samarbete mellan utvecklingsresurser inom IT och affärsanvändare. Användarvänliga och intuitiva verktyg som erbjuder automatisering baserat på maskininlärning är viktiga för att få effektivitet och kvalitet i dataförberedelsen. Vikten av datastyrning i denna process kan inte överdrivas.

Läs mer om Data Management här.

8. Smidig BI-utveckling

Termen ”smidig” har i allt högre grad använts i samband med affärsinformation under de senaste åren. Termen används ofta i samband med utvecklingen av stora IT-lösningar, men nu används den också i samband med utvecklingen av datormodeller, rapporter, instrumentpaneler och visualiseringar. Smidig utveckling av BI-projekt kräver att verksamheten och IT samarbetar bra tillsammans.

De flesta som använder termen ”smidig BI” använder termen för att uttrycka sina förväntningar på att äldre, befintliga BI-lösningar och BI-organisationer snabbare kommer att stödja förändringar i affärsprocesser som balanserar mellan självbetjäning och traditionell projektleverans. 

Smidig BI kräver att företaget använder sig av en iterativ strategi för utveckling, med ett nära samarbete mellan företag och IT. Många företag är inte organisatoriskt redo för detta, och vissa organisationsstrukturer kan behöva ändras. Helst bör smidig BI-utveckling också stödjas av smidig projektledning som iterativt hanterar planering, kravuppsamling och även automatisk testning.

9. Real-time Analytics

Snabbare rapportering och analys av data är en utmaning för många företag. Det finns ett växande behov av att göra data tillgänglig omedelbart för att stödja snabbare och faktabaserat operativt beslutsfattande. Realtidsanalys innebär nästan omedelbar bearbetning eller streaming av information om verksamheten i realtid. Du kommer då att kunna fånga händelser eller andra nya data direkt efter att de inträffat och de är redo för visualisering eller analys.

10. Notifieringar

Alerting, eller notifiering på svenska, är inte en ny funktion inom analys och BI, men nyligen har applikationen förändrats avsevärt. Varningar har alltid syftat till att spara tid genom att säkerställa att användarnas uppmärksamhet riktas ordentligt med hjälp av notifieringar. Tillvägagångssättet krävde att man hade en tydlig definition av vad som är relevant och därför har man inte levt upp till vad man lovade.

På senare tid har notifieringar förbättrats genom att gå från fördefinierad relevans till maskinframställda rekommendationer baserat på användningsmönster.

Sammanfattning

Trenderna från BARCs undersökning visar att företag är redo att kunna hantera sina egna data och använda dem. Dessutom visar de att företag är intresserade av hög kvalitet och effektiv användning av data. Sammanfattningsvis indikerar detta att företag vill gå längre än att bara samla in så mycket data som möjligt, men att de aktivt vill använda data av god kvalitet för att kunna förbättra sina beslut. Detta stöds också av trenden att modernisera datalager.