Efter en lång tid med modeordet Big Data har fler och fler börjat se värdet i vad man kallar Advanced Analytics. Skillnaden här är att datamängden i sig är irrelevant – det är informationen och nyttan som står i centrum. Jag har själv träffat många företag som inte alls känner igen sig i Big Data: "det där är något för Facebook och Google, vi har inga petabyte här!" Men när man visar konkreta fall med avancerad analys (där tekniken kanske är hämtade från Big Data-världen) blir nyttan tydlig och intresset stort. På Knowit ser vi hur våra kunder har allt att vinna på att bli än mer data-drivna. Vi vill gärna dela våra erfarenheter och insikter inom området, så låt oss börja med vad avancerad analys är.
Avancerad analys är egentligen ett samlingsnamn för de sofistikerade tekniker, verktyg och metoder som möjliggör bredare användning av information. Praktiskt kan det handla om prediktiv analys, data mining, visualisering, geografisk analys, parallellisering, massprocessande, molntjänster, sakernas internet med mera. Detta är ett steg vidare från traditionell business intelligence som tidigare inte varit möjligt rent tekniskt eller begränsat för invigda specialister.
Den utveckling som skett de senaste åren har gett oss en uppsjö av ny teknik och nya verktyg att använda – och man behöver inte längre vara specialist. Nu kan man äntligen få djup insikt i vad som verkligen påverkade verksamheten, hur framtiden ser ut att utveckla sig, vilken effekt olika beslut kommer få och inte minst upptäcka nytt värde i alla de data man samlar på sig.
Fler och fler företag har redan insett detta och börjat skissa på satsningar för avancerad analys. Det pratas om att bredda sina business analysts med en data scientist, bygga en riktig advanced analytics-miljö lokalt eller i molnet, utvärdera NoSQL lösningar som komplement till sina datakällor och datavaruhus, eller varför inte bygga en riktig data lake? Vi kommer titta närmare på dessa praktiska frågor i kommande poster men vill här börja med frågan: hur kommer man igång?
Kärnan är att bryta fram nytt värde ur befintlig och tillgänglig information. Värdet måste stå i centrum för all avancerad analys och följa arbetet från idé och möjlighet till utvärdering. Jag har sett flera initiativ där man vill börja med en stor bred satsning: etablera en grupp, skaffa hårdvara eller licenser och anställa kompetent personal. Sen ska arbetet börja. Även om detta säkert kan fungera är riskerna stora: man förlorar inledningsvis tid, man riskerar att tappa kopplingen till verksamheten och man ställer höga prestationskrav på den nya grupperingen, som kanske inte är optimalt tillsatt.
Knowits modell är att börja enkelt och agilt med fokus på att snabbt visa värdet. Hur kan avancerad analys se ut praktiskt för oss? Vad ger det för nytta? Vilka verktyg passar för oss? Hur lång tid tar det? Vad kostar det? Detta är viktiga frågor som vi vill diskutera tillsammans!
I kommande inlägg tittar vi närmre på hur ett uppstartsprojekt i avancerad analys kan se ut. Vi kommer även berätta om exempel på framgångsrika satsningar, vilka möjligheterna är med molnlösningar, vad NoSQL kan ge utöver SQL-lösningar, hur en data lake rent praktiskt kan komplettera ett data warehouse, diskutera vem en data scientist är med mycket mera.
Vad har du som läsare gjort för erfarenheter av avancerad analys?