Sammanfatta detta blogginlägg med:
Business Intelligence och datalager är två separata men nära sammanlänkade teknologier. Dessa teknologier hjälper en organisation att upptäcka det dolda värdet i sina data.
Men innan vi förklarar deras förhållande i detalj, låt oss först förstå vad dessa teknologier gör!
Affärsinformationär en teknikdriven metod som omvandlar rådata till handlingsbar information. Data Warehouse fungerar som en mellanprogramvara i Business Intelligence-arkitekturen. Det extraherar data från operativa databaser eller externa källor. Det omvandlar den till ett enda format och lagrar den för vidare analys.
Även om det verkar nytt, såg konceptet med datalager sin uppkomst 1990. Det introducerades först avBill Inmon som anses vara datalagerets fader. Han definierade ettdatalagersom:
"En ämnesorienterad, integrerad, tidsvariabel och icke-flyktig datasamling som stöder ledningens beslutsfattandeprocess".
Varje organisation har dataproblem. Dessa problem kan delas in i två grupper.
Inkonsekvens:Varje avdelning i ett företag producerar data. Men informationen är spridd över applikationerna i en mängd olika format. Detta gör det svårt att få värdefull input från den informationen.
Åtkomst:Eftersom data lagras i operativa silos i företaget blir det svårt att komma åt och använda dem för beslutsfattande.
Genom att sammanställa, standardisera och ladda data kan Data Warehouse lösa problemet för Business Intelligence-verktyg genom att säkerställa åtkomst och tillhandahålla en enda version av sanningen.
Hur gör de det?
Implementeringspartnern utvecklar, i samarbete med IT-teamet, den programvara och de protokoll som krävs. Denna programvara och dessa protokoll omvandlar data till ett gemensamt format. Detta eliminerar systemfel och kopplar logiskt informationen som samlats in från andra källor.
När dessa data slutligen lagras av datalagret kan de användas av Business Intelligence-system för analys och rapportering.
Ett utökat exempel
Datalagret erbjuder en"enda version av sanningen". Det ger ett stort värde i att ha rena och konsoliderade data som alla användare kan se. Men implementeringen av systemet medför flera organisatoriska såväl som tekniska utmaningar. Dessa utmaningar måste åtgärdas för att realisera ett datalagres fulla potential.
Låt oss ta exemplet med ettkonsumentvaruföretag. Företaget vill installera ett datalager för att hantera sina försäljningsdata. Företaget driver tre produktionsanläggningar och säljer sina produkter till mer än hundra länder. Områdeschefer och lokala dotterbolag hanterar produktförsäljningen.
Ursprungligen fanns deras data i kalkylblad som hanterades av en separat kontrollavdelning. Det fanns olika format för försäljningsplansiffror. Analysen gjordes främst med hjälp av pivottabellen. Dessa kalkylblad var tvungna att sammanställas och synkroniseras manuellt genom komplexa frågor. Detta ledde till omfattande redundans och tvetydiga versioner av försäljningssiffror.
För att förstå dessa data beslutade företaget därför att implementera ett datalager. Huvudsyftet var att tillhandahålla aktuell och konsoliderad data till lokala dotterbolag och områdeschefer. Implementeringen av ett datalager började med att ersättakalkylbladsbaserad planering. Det införde försäljningsplanering med stöd av datalager. Att mata data från olika källtabeller med automatiserade ETL-processer gjorde proceduren enklare. Detta har ställt stopp för den ohanterliga manuella dataimporten.
Nu kan underliggande data läsas direkt och uppdateras automatiskt. Ändringarna i operativa data återspeglas regelbundet. Detta ger ett enhetligt utseende med mer granularitet än tidigare. Det ger till och med datatillgänglighet för varje individ som är involverad i planeringsprocessen. Det minimerar också ineffektiviteten som orsakas av kommunikationsluckor genom att tillhandahålla en enda version av företagets försäljningsdata.
Du kan undra varför det är viktigt att ha en enda version av sanningen? För korrekt visualisering av företagets KPI är det viktigt att ha tillgång till all relevant data. Därför är ett datalager avgörande för Business Intelligence-verktyg för att ge användaren möjlighet att fatta strategiska beslut baserat på all data.
Upptäck potentialen hos företagsanalysplattformar
Använd företagsanalysverktyg som Power BI och Azure-datatjänster för att skapa en analyslösning som konkurrerar med företagets krav.
Läs mer för att veta hur
För att överleva i den kunddrivna tidsåldern av företag utvecklas BI ständigt. Tekniken anpassar sig för att hålla jämna steg med datatrenderna. Men på något sätt har det observerats att datalager har övergått teknikens mognad. Detta har krävt att man har tagit fram en datalagermodell med vissa funktioner:
- Modellen måste vara agil för att lösa specifika affärsproblem för att snabbt leverera affärsvärde.
- Datalager måste välkomna"nästa generations data". Det har skett betydande förändringar inom datalagring och datautvinning. Data från sakernas internet förväntas blomstra på den konkurrensutsatta fältet. Därför måste det nya datalagret erbjuda kraftfulla sätt att uppnå dataströmning i realtid. Detta steg kan vara till hjälp för att initiera bättre affärsinformation.
Business Intelligence och datalagerhar blomstrat oberoende av varandra. Men tillsammans har de utvecklats med en bredd av fysisk erfarenhet som för några år sedan förklarades vara omöjlig. Deras kombination har utvecklat verksamheten bortom organisationens mål och hävdat att de två disciplinerna är omöjliga att separera. Detta gör att"produkten av dessa teknologier är mer avgörande för företaget än summan av deras fördelar oberoende av varandra".
Få erfarenhet av datalagerhantering över molnet
Bygg ett datalager för realtidsanalys och ta in årtionden av innovationer inom datahantering i molnet.
Prata med våra experter
Denna infografik sammanfattar framväxten ochinförandet av dataanalysunder det senaste kvartsseklet, driven av insikten om dess betydelse inom branscher och företag.
