Dataanalys i stor skala: från Excel till en analysplattform
Kort svar: Excel slutar räcka när filerna blir för stora, när flera personer räknar på samma data i olika kopior och när ingen längre vet vilken version som gäller. En modern analysplattform har fem delar: källsystem, en pipeline som hämtar data automatiskt, ett datalager där data struktureras, ett BI-verktyg för rapporter och analys, och en tydlig ägare. AI kan snabba upp analysen, men det ersätter inte rena data och klara definitioner. Bygg plattformen i etapper, ett område i taget.
Nästan alla företag börjar med Excel. Det är snabbt, alla kan det och det kräver ingen beställning från IT. Det är därför Excel ofta stannar kvar långt efter att det slutat vara rätt verktyg.
När Excel slutar skala
Det handlar sällan om att Excel tar slut på rader. Det handlar om att arbetssättet runt Excel inte håller när mer data, fler system och fler användare kommer in. Typiska tecken:
- Filerna tar minuter att öppna och kraschar när någon lägger till en flik.
- Samma data finns i flera kopior med namn som “slutlig_v3” och “slutlig_v3_rättad”.
- Månadsrapporten tar dagar eftersom data exporteras, klistras in och stäms av för hand.
- Formlerna förstås bara av den som byggde dem. När den personen är borta står rapporten still.
- Ni kan inte gå på djupet. Frågor som “vilka kunder minskade sina köp i fjol, och vad köpte de i stället?” kräver mer data än en fil klarar.
- Ingen spårbarhet. När en siffra är fel går det inte att se var felet kom in.
Känner ni igen tre eller fler av punkterna är det inte Excel som är problemet. Det är att analysen saknar en grund.
Så ser en modern analysplattform ut
En analysplattform behöver inte vara stor. Men den har alltid samma byggstenar.
| Del | Vad den gör | Vanlig fallgrop |
|---|---|---|
| Källsystem | Affärssystem, ekonomi, CRM, e-handel, filer från partner | Ingen vet vilket system som äger vilken uppgift |
| Pipeline | Hämtar data automatiskt via API, filer eller databaskoppling, ofta kallat ETL | Inläsningen fallerar tyst och rapporten visar gamla siffror |
| Datalager | Samlar, rensar och strukturerar data i cloud | Rådata läggs in men omvandlas aldrig till färdiga tabeller |
| BI-verktyg | Rapporter, dashboards och egen analys, till exempel Power BI | Varje rapport bygger sin egen logik i stället för att återanvända |
| Ägarskap | Någon ansvarar för definitioner, behörigheter och drift | Plattformen blir ett projekt som ingen förvaltar |
Den viktigaste skillnaden mot Excel är att logiken flyttar från enskilda filer till ett gemensamt ställe. En beräkning av marginal görs en gång, versionshanteras och används av alla rapporter. Hur ni avgör om ni behöver ett datalager beskriver vi i guiden Behöver vi ett datalager?.
Varför cloud
De stora analystjänsterna, till exempel Snowflake, BigQuery och motsvarande tjänster hos AWS och Azure, är byggda för att skala. Ni betalar i regel efter hur mycket ni lagrar och kör. Det gör att ett medelstort företag kan börja litet utan att investera i egna servrar. Det gör också att kostnaden behöver följas upp, eftersom tunga frågor som körs ofta syns direkt på fakturan. Vi har själva byggt om en datapipeline i en reglerad miljö, med kraftigt sänkta cloud-kostnader som följd.
Där AI hjälper, och där det inte gör det
AI är ett verktyg bland flera i en analysplattform. Rätt använt kortar det tiden från fråga till svar.
AI snabbar upp:
- att skriva och förklara SQL-frågor, så att fler kan hämta data själva
- att sammanfatta resultat i text inför ett möte
- att hitta avvikelser i stora datamängder som en människa inte skulle se
- att dokumentera tabeller och beräkningar
- att föreslå hur en ny datakälla kan mappas mot befintliga tabeller
AI ersätter inte:
- Definitioner. Vad en aktiv kund är bestäms av verksamheten, inte av en modell.
- Datakvalitet. Felaktiga data ger felaktiga svar, bara snabbare och med större självsäkerhet.
- Omdöme. Om en siffra är rimlig kräver kunskap om er marknad och era kunder.
- Ansvar. Någon ska stå för siffran som går till styrelsen.
Låt därför AI arbeta mot det strukturerade datalagret, inte mot spridda Excel-filer. Vad som behöver vara på plats innan ni kopplar AI till er data går vi igenom i Använd er data med AI.
En väg i etapper för ett medelstort företag
Försök inte bygga allt på en gång. Den här ordningen fungerar för de flesta.
Etapp 1: Ett område hela vägen
Välj det område där smärtan är störst, ofta försäljning eller ekonomi. Koppla de två eller tre källsystem som behövs, bygg en pipeline, några färdiga tabeller och en rapport som ersätter den mest tidskrävande Excel-filen. Målet är att någon slutar exportera för hand.
Etapp 2: Gemensamma definitioner
Skriv ner hur nyckeltalen räknas och vem som äger dem. Gå igenom dem med dem som använder rapporterna. Här brukar det visa sig att olika avdelningar räknat på olika sätt. Det är inget misslyckande, det är precis vad etappen är till för. Mer om det i Datakvalitet: varför rapporterna visar olika siffror.
Etapp 3: Fler källor och självbetjäning
Lägg till nya källsystem ett i taget. Ge fler användare tillgång till färdiga datamodeller i BI-verktyget, så att de kan analysera själva utan att bygga egen logik.
Etapp 4: Drift, övervakning och AI
Inför larm när inläsningar misslyckas, följ upp kostnader och behörigheter regelbundet. När grunden håller är det rätt tid att låta AI hjälpa till med analys och sammanfattningar.
Checklista innan ni börjar
- Vi vet vilka fem rapporter som betyder mest för besluten
- Vi vet vilka källsystem de bygger på
- Vi har valt ett första område med tydlig avgränsning
- Det finns en ägare i verksamheten för definitionerna
- Det finns en plan för drift efter att projektet är klart
- Vi har bestämt vilka data som är känsliga och vem som får se dem
Vanliga misstag
- Att flytta Excel-logiken rakt in i plattformen. Ta chansen att städa och förenkla.
- Att börja med verktyget. Valet av BI-verktyg eller datalager är sällan det som avgör. Det gör definitionerna och ägarskapet.
- Att bygga för många rapporter för tidigt. Några som används slår många som ingen öppnar.
- Att glömma driften. En plattform utan ägare förfaller på några månader.
Läs mer om hur vi arbetar med data och BI. Har ni vuxit ur Excel och vill veta vad nästa steg är? På 30 minuter går vi igenom era källor och rapporter och föreslår var ni bör börja. Kostnadsfritt: boka en genomgång.
Vanliga frågor
Ska vi sluta använda Excel?
Nej. Excel är bra för att utforska, räkna på ett scenario eller göra en snabb sammanställning. Problemet uppstår när Excel blir platsen där data lagras, kombineras och räknas fram för rapporter som många är beroende av. Låt Excel vara ett verktyg för analys, inte grunden för den.
Vad är skillnaden mellan en analysplattform och ett datalager?
Datalagret är en del av plattformen: platsen där data samlas och struktureras. Plattformen omfattar också inläsningen från källsystemen, omvandlingen, BI-verktyget, behörigheterna, övervakningen och ägarskapet. Det är helheten som gör att analysen håller.
Kan AI ersätta en analytiker?
Nej, men det kan göra en analytiker snabbare. AI hjälper till att skriva frågor, sammanfatta resultat och hitta avvikelser. Det kan inte avgöra vilken fråga som är värd att ställa, vilken definition som gäller eller om en siffra är rimlig för just er verksamhet.
Hur lång tid tar det att komma igång?
Det beror på antalet källsystem och hur ordnade definitionerna är. Ett första område, till exempel försäljning, går ofta att få på plats på några veckor om ni avgränsar det tydligt. Hela plattformen växer sedan i etapper.