Topp 10 data-, BI- och analystrender för 2022

Många företag arbetar fortfarande med att anpassa sig till de nya riktlinjerna på grund av covid-19. Vissa företag arbetar fortfarande för att hantera nedgången de senaste åren, medan andra försöker hantera störningar i försörjningskedjan.

Om vi ​​tittar på årets business intelligence-, data- och analystrender ser vi att företag fortfarande arbetar med att positionera sig för framtiden och att de arbetar med grunden för sin datoranvändning. Liksom 2020 har 2021 inte heller varit ett år av stora hypetrender. Istället fokuserar företag på grundorsakerna till sina utmaningar, såsom datakvalitet, samt att ta itu med den holistiska etableringen av en datadriven kultur.

Business Intelligence trender för 2020

BARC har frågat 2 396 användare, konsulter och leverantörer om deras syn på vad som kommer att bli de viktigaste BI-trenderna under 2021. Rapporten visar därför vilka trender som för närvarande anses viktiga av en bred grupp av yrkesverksamma inom BI och analys. Deras svar ger en omfattande inblick i utvecklingen av BI-marknaden och framtiden för BI.

Datakvalitet och masterdatahantering har rankats som den viktigaste trenden fem år i rad nu. Detta är i linje med rön från andra Barc-undersökningar, som gång på gång visar att företag ständigt har utmaningar med otillräcklig datakvalitet.

Låt oss ta en titt på varje trend.

1. Masterdatahantering / datakvalitet

Vikten av datakvalitet och masterdatahantering kan förklaras mycket enkelt:
BARC påpekar att det finns en enkel anledning till varför just datakvalitet och datahantering 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 masterdatahantering är att samla in och dela data, såsom kund-, leverantörs- eller produkt- master data, över flera system.

Läs mer om datahantering här.

2. Datadriven kultur

En av de största förändringarna i dagens affärsvärld är omvandlingen från isolerad och projektorienterad dataanvändning till en mer bred datadriven verksamhet.
Datadriven innebär i detta sammanhang att alla beslut och processer i en verksamhet baseras på data. Organisationer ändrar sin strategi från att bara några fåtal utvalda har tillgång till data och insikter, till att ha data spridd i hela organisationen så att alla kan fatta datadrivna beslut. Data måste bli en del av organisationens identitet. Medarbetarna har ett gemensamt mål att med hjälp av data förbättra och utveckla organisationen och sig själva.

Läs även: Hur skapar man en datakultur?

3. Datastyrning

Till skillnad från BI- eller analyshantering, som handlar om att förbereda och presentera data för affärsledningssystem, fokuserar datastyrning (datahantering) på själva datat i dessa system. Datahantering behövs som en mekanism för datastrategi.
En bra datastrategi tar upp hur affärsstrategi översätts till data och analys.

Datastyrning krävs för att implementera en datastrategi, och innehåller regler och ramverk för att hantera, övervaka och skydda data, samtidigt som man tar hänsyn till människor, processer och teknik. Att etablera datastyrning är ett långsiktigt arbete. Först och främst kräver det ett tydligt och medvetet ledningsbeslut om hur man arbetar med och använder data.

Läs även: Hur TimeXtender hjälper företag med datastyrning

4. Dataupptäckt och datavisualisering

Dataupptäckt handlar om att upptäcka mönster och/eller avvikelser i data.
Datavisualisering handlar i sin tur om hur man presenterar data, för rätt personer, vid rätt tidpunkt. Denna trend fokuserar därför på att tillgängliggöra data.
Utvecklingen inom dataupptäckt och datavisualisering sker inom två områden.
Att förbättra 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 byggs funktioner för dataupptäckt allt mer in i analys- och BI-plattformar, så att data enkelt kan delas med hela verksamheten.

5. Self-Service Analytics

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

Företag fokuserar inte längre enbart på att erbjuda möjligheter till självbetjäning. De vill också demokratisera datatillgången samtidigt som de säkerställer konsekventa och högkvalitativa data och resultat.

Läs mer: Flexibilitet med Self-service BI

6. Modernisering av datalager

Det gamla datalagerlandskapet har blivit för komplext för att stödja smidig utveckling och är ofta för dyrt. Dessutom är implementeringsmodellen förlegad, eftersom den inte är designad och optimerad för hur man arbetar med analys idag.

Fler och fler företag förstår de nya utmaningarna och ser potentialen och möjligheterna som följer med moderna datalager. En innovation inom data warehouse-teknik är data warehouse-automation, 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. Flexibel BI-utveckling

Begreppet ”flexibel” har använts alltmer i samband med business intelligence de senaste åren. Begreppet används ofta i samband med utveckling av stora IT-lösningar, men nu används det även i samband med utveckling av datormodeller, rapporter, dashboards och visualisering. Flexibel utveckling av BI-projekt kräver att verksamhet och IT fungerar bra tillsammans.

De flesta som använder termen ”flexibel 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.

Flexibel BI kräver att företaget antar ett iterativt tillvägagångssätt för utveckling, med ett nära samarbete mellan affärsverksamhet och IT. Många företag är inte organisatoriskt redo för detta och vissa organisationsstrukturer kan behöva ändras. Helst bör flexibel BI-utveckling också stödjas av flexibel projektledning som iterativt hanterar planering, kravinsamling och även automatisk testning.

Läs även: Data lake vs data warehouse – de största skillnaderna?

8. Notifiering / varning

Notifiering är ingen ny funktion inom analys och BI, men den senaste tiden har applikationen förändrats rejält. Notifiering har alltid syftat till att spara tid genom att säkerställa att användarnas uppmärksamhet riktas rätt genom att använda aviseringar. Tillvägagångssättet krävde dock att man har en tydlig definition av vad som är relevant, och därför har det inte levt upp till det som utlovats.

På senare tid har varningar förbättrats genom att gå från fördefinierad relevans till maskingjorda rekommendationer baserade på användningsmönster.

9. Realtidsanalys

Snabbare datarapportering och analys är en utmaning i 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 annan ny data direkt efter att de inträffat och de kommer att vara redo för visualisering eller analys.

Är du intresserad av realtidsanalys? Kolla in våra tjänster här.

10. Data prep

Att kunna förbereda sin data är en grundläggande komponent för att nå bra resultat med BI. Dataprep handlar om processen där användarna tvättar, strukturerar och berikar data för användning i analyser. Målet med dataprep är att omvandla rådata till värdefulla insikter som kan användas för att svara på specifika affärsfrågor.

Det ständiga behovet av dataförberedelser visar att uppgiften i allt högre grad flyttas från IT till företagsanvändare. Därför är det viktigt med ett bra samarbete mellan utvecklingsresurser inom IT och företagsanvändare. Användarvänliga och intuitiva verktyg som erbjuder automatisering baserad på maskininlärning är viktiga för att få effektivitet och kvalitet i dataförberedelserna. Vikten av datastyrning i denna process kan inte överskattas.

Summering

Trenderna från BARC:s undersökning visar att företag är redo att kunna hantera sin egen data och använda den. Dessutom visar de att företag är måna om hög datakvalitet och effektiv dataanvändning. Sammanfattningsvis tyder detta på 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 med modernisering av datalager.