Blog Db Vs Dw 1

Database vs. data warehouse: Hvad er forskellen?

I erhvervslivet anno 2019 er data en valuta, der virkelig tæller. Enhver virksomheds succes vil i de kommende år fuldstændig afhænge af mængden, nøjagtigheden og rapportegnetheden af de data, de indsamler – og hvordan virksomheden har mulighed for at analysere, få indsigt i og handle på disse data.

Men det grundlæggende skridt i at få data til at drive din virksomhed fremad består først og fremmest i at sikre sig, at de kan indsamles og identificeres på en måde, der gør dem enkle at finde og rapportere ud fra, med den indsigt, der har betydning for dig.

Hvad enten rapporteringen foretages af en slutbruger, en data-ekspert eller en AI-algoritme, afhænger din virksomheds fremtid af din evne til at bruge data til at øge kvaliteten for dine kunder til en lavere omkostning. Så når det drejer sig om at indsamle, opbevare og analysere data, hvad er så det rette valg for din forretning? Beslutningen vil kunne koges ned til en database vs. et data warehouse – men lad os begynde med at forklare, hvad de hver især er, og hvordan de benyttes.

Hvad er en database?

En database er pr. definition ‘enhver samling af data, der er organiseret til at opbevare dem, gøre dem tilgængelige og trække dem ud.’ Databaser består sædvanligvis af information arrangeret i rækker, kolonner og tabeller, især organiseret med henblik på nemt input og indsamling af forskellige begivenheder. De almindelige databaser, som de fleste af os hver dag oplever, er relationsdatabaser, som omfatter ERP og administrationssystemer for forretningsproces, SQL-databaser, CRM-systemer og endda Excel-regneark.

En database indeholder mange tabeller, som hver består af kolonner og rækker. Hver kolonne tildeles en egenskab, og hver række indeholder en enkelt optegnelse. For eksempel kan du forestille dig, at du har en database, der indsamler kunders transaktioner. Kolonnerne specificerer egenskaberne ved disse optegnelser og aktiviteter (kundenavn, kundenummer, ansvarlig salgsperson, transaktionsbeløbet, dato osv.), mens rækkerne indeholder selve de individuelle begivenheder og handler. Derudover kan den samme database have et helt nyt afsnit, der er beregnet til at holde styr på tilsvarende transaktionsoplysninger pr. vare, men indeholder yderligere detaljer om varernes placering, forsendelse, leverandør m.m. En database fungerer i bund og grund med mange forskellige tabeller, der er koblet sammen med nøgler, der kan hjælpe forespørgere med at forstå sammenhængene mellem dem. For at rapportere om disse data har du ikke kun brug for at forstå hvor dataene ligger, men også relationerne mellem disse tabeller og deres afhængighedsforhold.

Databaser kan opbevares enten på en lokal server eller i skyen, og man kan få adgang til rapportering fra dem på mange forskellige måder, lige fra begrænsede, lokale værktøjer, der er knyttet til selve indsamlingen af data, til Excel-rapporter eller forskellige direkte opkoblingsmuligheder. Relationsdatabaser er utroligt nyttige, når det gælder om at drive en virksomhed, men de er ikke optimeret til at få informationerne ud. Det gør processen med at udarbejde rapporter fra mange tabeller eller mange databaser tidsrøvende og besværlig, om ikke umulig, for ikke-teknisk personale. Tabelbaseret rapportering skaber også rutinemæssigt performanceproblemer, især ved store datasamlinger.

Nu hvor du er bekendt med databaser, så lad os se på, hvordan de kan sammenlignes med deres store, muskuløse fætter – data warehouses.

Sådan fungerer et data warehouse

Som udgangspunkt er et data warehouse en samling af forretningsdata fra mange kilder, der bruges optimeret til at rapportere, analysere og træffe beslutninger. I modsætning til en database er et data warehouses arkitektur designet til at få data ud, ikke kun ved hjælp af teknisk ekspertise, men for almindelige brugere som ledelse, forvaltningsansvarlige, økonomiske fagfolk og andet personale. Som fundament for business intelligence og analyse udtrækker det data fra dine eksisterende datakilder (databaser), fastsætter et sæt regler til at transformere disse data og lægger dem derpå ind i et enkelt, centralt lager, som du har hurtig adgang til og kan kontrollere. Denne automatiserede proces med at udtrække, transformere og indlæse data til et data warehouse kaldes sædvanligvis for ETL og er en kæmpestor fordel, når du skal analysere dine data.

Et data warehouse lagrer informationer på transaktionsniveau og opfylder en organisations bredere rapporterings- og analysebehov – ved at oprette en enkelt sandhedskilde til opbygning af semantiske modeller eller ved at videreformidle strukturerede, forenklede og harmoniserede data til værktøjer som Power BI, Excel eller endog SSRS. Hvor databaser bruger Online Transactional Processing (OLTP) til at lagre aktuelle transaktioner og sikre hurtig adgang til specifikke transaktioner til brug for løbende forretningsprocesser, opretter data warehouses derudover kuber til at lagre store mængder historiske data, automatisere og forudberegne evalueringer af disse data og til at muliggøre hurtige, komplekse søgninger på tværs af disse data.

Et data warehouse bruges typisk af selskaber med et højt niveau af datadiversitet eller analytiske krav. Almindelige datatransformationer som standardomkostninger, valutavekslinger, konvertering af måleenheder og andre anerkendte og validerede forretningskalkulationer bliver alle bygget ind i data warehouset og dets kuber, hvorved det sikres, at rapporterne giver et sandfærdigt billede af de forventede resultater. Det dimensionelle modeldesign af et data warehouse giver plads til implementeringen af langsomt skiftende dimensioner, der viser status for de forskellige transaktioner og egenskaber, nøjagtigt som de var på det pågældende tidspunkt.

Det eneste minus ved et data warehouse er at det historisk har et ry for at være komplekst, tidsrøvende og dyrt at oprette og vedligeholde. Den gode nyhed er, at du nu til dags kan finde business intelligence-løsninger med foruddefinerede data warehouses, der fjerner kompleksiteten, reducerer omkostningerne væsentligt og mindsker risikoen.

Et styrket data warehouse med kuber

For at håndtere alle de integrerede data i et data warehouse bygger mange selskaber kuber (OLAP eller tabelbaserede) til hurtig rapportering og analyse. En kube er et multidimensionelt afsnit af data, opbygget fra tabellerne i dit data warehouse. De indeholder kalkulationer og formler, der ofte er grupperet omkring specifikke forretningsfunktioner: en kube til salg, en til indkøb, en anden til inventar osv., hvor hver kube indeholder kontekstuelle, relevante og nyttige mål for det specifikke forretningsområde.

CUBES 101 - Introduktion til Business Intelligence kuber

Download Now

Kuber er en storartet måde for ikke-tekniske brugere at få adgang til data og rapportere ud fra dem på grund af den måde, de er struktureret – det tunge løft er allerede klaret gennem forudberegning. Når du ønsker at få svar fra dine data, går din forespørgsel direkte til den relevante kube. Rapporter, der tidligere tog 5 minutter at generere, bliver nu sammensat på sekunder, og slutbrugere behøver ikke længere forstå det komplekse spind af referencer, der forbinder de mange tabeller.

Når organisationer begynder at indsamle data i mange databaser, vokser størrelsen på datasæt eksponentielt. At gennemføre en standardforespørgsel til store datasæt fra den fungerende relationsdatabase skaber alvorlige præstationsproblemer, der ikke kun går ud over produktiviteten, men kan føre til at brugere helt og holdent opgiver at rapportere. Når det sker, bliver vigtige indsigter tilsidesat, fordi brugerne simpelthen ikke har tid til at vente på, at dataene bliver bearbejdet. Når man bruger kuber, uanset om man ser på gårsdagens salgstransaktioner eller salget igennem de seneste fem år, tager det den samme tid at køre din analyse – i de fleste tilfælde kun få sekunder takket være effektiviteten ved forudberegning af værdierne.

Database vs data warehouse

Efterhånden som kompleksiteten og omfanget af de data, der bruges i virksomheden, eskalerer, og organisationerne ønsker at få mere ud af deres analytiske anstrengelser, vinder data warehousene mere ind til rapportering og analyse i forhold til databaserne. Lad os se på hvorfor:

  • Datakvalitet og -konsistens

Brugen af data warehouse indebærer konvertering af data fra talrige kilder, at de bliver standardiseret, emnesorteret og organiseret, og at det sikres, at de bliver sorteret og markeret efter ensartede, begrænsende principper. Dette sikrer større tillid til de data, der bliver præsenteret, reducerer organisationens blinde vinkler og giver større muligheder for samarbejde, idet individuelle forretningsenheder som salg, marketing og økonomi alle er afhængige af rapportering fra det samme datalager. Organisationens afstemning bliver til enhver tid høj, da isolerede afdelinger omsider bliver i stand til at bruge de samme data til at nå de samme konklusioner.

  • Business Intelligence med superkræfter

Én af de største fordele ved brugen af data warehousing er det udvidede råderum og den øgede pålidelighed ved de lagrede data. Ved at forbedre tilgangen til din organisations data forbedrer du ledelsens evne til at udføre en klogere strategi baseret på et mere komplet og præcist billede. Ved at benytte data warehousing kan virksomheder bedre korrelere data fra helt forskellige systemer til at informere punkt til punkt-forretningsbeslutninger, der tager alle faktorer i betragtning. Business intelligence drevet af data warehouses giver større indsigt i din forsyningskæde, dine salgsprocesser, økonomiske tilstand m.m.

  • Høj ROI

Brugen af data warehousing gør det muligt for virksomheder at spare mere på deres analyse og som konsekvens heraf at generere en højere indkomst. Efterhånden som prisen på data warehousing falder, vil denne virkning stige eksponentielt, og ved at bruge data warehousing og BI-software i forening til essentielt at demokratisere data og spare ressourcer på analyse og rapportering, kan virksomheder præstere et investeringsafkast hurtigere end nogensinde før.

  • Forbedret performance

Data warehouses er bygget til hastighed, specifikt for at tilbyde store organisationer hurtig adgang til dataudtræk og -analyse. Snarere end at dedikere værdifuld computerkraft til at redigere og håndtere individuelle dataoptegnelser handler data warehouses om at være i stand til at tilgå, sammenligne og analysere data så hurtigt som muligt – og derved sikre, at kritiske forretningsbeslutninger kan træffes på et øjeblik, og at beslutningstagere ikke spilder kostbare timer på at vente på, at forespørgslerne indlæses.

Hvis du er kunde hos Microsoft Dynamics, laver din relationsdatabase det arbejde, den blev designet til: at håndtere transaktioner. Hvis du er på udkig efter en løsning, der skal hjælpe dig med at analysere transaktionsdata, kan vi kun anbefale, at du overvejer et data warehouse.

Da vi ved at ikke alle har budgettet eller den tekniske ekspertise til at opbygge et data warehouse og kuber, har Jet Global lavet en rapporterings- og forretningsløsning, der leverer et foruddefineret data warehouse- og kubesæt, der er klar til brug lige fra starten. Med sit ekstensive bibliotek af dashboards og rapportskabeloner er Jet Analytics designet til at give dig værdifuld indsigt i dine data fra dag ét.

I de kommende år vil kvaliteten, konsistensen og tilgængeligheden af data gøre hele forskellen for virksomheder af alle størrelser – så, for at sikre organisationens fremtidig succes er det afgørende at vælge den rette infrastruktur og datalagring.

Se Jet Analytics i funktion

 

BOOK EN PERSONLIG DEMO