Stiller man spørsmålet “Hvor mange nye kunder fikk vi i Q2 2019?”, kan du potensielt få mange ulike svar. Er det riktige tallet de som sa ja til å bli kunde per telefon? Eller er det de som også betalte første regning? Eller er det kun de som du rakk å installere dine greier hos?
Ulike mennesker, i ulike stillinger, i samme bedrift vil gi deg ulike svar – så sant man ikke har kommet til en enighet om hva man mener med de ulike nøkkeltallene.
Det er her det semantiske laget kommer inn i bildet. Dette er rett og slett et entydig lag som definerer en gang for alle hvordan man beregner de ulike nøkkeltallene bedriften bruker og består i tillegg av en klar definisjon av hva man mener med dette nøkkeltallet.
Hvordan lager man et semantisk lag?
Et semantisk lag fungerer som et mellomledd mellom oss og datakildene. Ulike BI-verktøy har ulike måter å komme frem til det samme svaret på. Hvordan data aggregeres og beregnes gjøres på ulike måter og krever spisskompetanse i det enkelte verktøy. Skal man f.eks regne ut Hittil i år tall (YTD) i Power BI, kan det f.eks gjøres på følgende måte:
YTDSumOfSales = TOTALYTD([SumOfSales],’Calendar'[Date])
Mens man i Qlik f.eks ville brukt:
YTDSumOfSales = Sum{{<År={2019}>} SumOfSales)
Et godt verktøy gir deg muligheten til å uttrykke dine nøkkeltall og beregninger på ulike måter, tilpasset de ulike BI-verktøy man benytter i organisasjonen. Så sørger verktøyet for å rulle ut korrekte beregninger til de ulike BI-plattformene man i etterkant skal kjøre analyser og rapporteringer i.
Det er derfor viktig å velge en plattform som understøtter de BI-verktøyet man benytter i virksomheten. Det er ikke lenger uvanlig at man i en bedrift opererer med ulike BI-verktøy til ulike grupper og formål. Det er jo heller ikke slik at man nødvendigvis blir stående på samme verktøy i all fremtid.
Hvorfor bør man ha et semantisk lag?
Det som er viktig er at denne typen beregninger gjøres entydig på tvers av organisasjonen, slik at man får det samme svaret på det samme spørsmålet uansett rapport eller kontekst. Får man ulike svar på samme spørsmål, undergraver man tilliten til BI-systemet.
Det semantiske laget utvikles gjerne av en med god forståelse av forretningslogikken i samarbeide med en BI-utvikler. De enkelte objektene blir navngitt og deretter klassifisert etter bruksområde. I tillegg påføres en klar og forståelig definisjon av hva objektet er tenkt brukt til og gjerne også en forklaring på hvordan det beregnes.
Med et godt og gjennomtenkt semantisk lag sørger man for en entydig bruk av definisjoner, noe som igjen er med på å understøtte kvaliteten på BI-løsningen. I tillegg vil et slikt semantisk lag sikre at man har ett og bare ett sted å gjøre endringer dersom man endrer på en forretningsregel i.f.t beregninger av nøkkeltall, eller det viser seg at man har gjort en feil under utviklingen.
Ved å bruke vanlige forretningsbegreper, snarere enn dataspråk, bidrar et semantisk lag med en klar forståelse av forretningen ut til alle, også de som ikke er IT/BI-kyndige.
Et godt verktøy gir også god støtte for det vi kaller Impact Analysis – hvor ender disse dataene opp, og Data Lineage – hvor kommer disse dataene fra? Det gjør det mulig å spore data helt fra kilde til rapport, og også se hvilke beregninger i et semantisk lag som ligger til grunn for de endelige nøkkeltall man ser i rapportene og de ulike dashboards.
Gratis guide: 5 steg for bedre data management
Selskaper i dag bruker utrolig mye tid på å finne, klargjøre og organisere store mengder data, slik at de kan brukes til analyse. Hva kan bedrifter gjøre for å redusere denne tiden brukt på å finne og preppe data? TimeXtender gir deg 5 konkrete steg du kan ta nå.