Helt siden lanseringen av ChatGPT har AI, og spesielt Generativ AI, vært på alles lepper. Mange bruker ChatGPT nærmest daglig for hjelp med koding av både SQL og Python. Sammenliknet med å søke i diverse forum etter kodesnutter som kanskje kan passe ditt scenario, er ChatGPT en mye mer effektiv måte for feilsøking i kode. Men, det er slik at de fleste i en bedrift ikke jobber med kode, og det har også vært en del begrensninger for hva Generativ AI da kan hjelpe din bedrift med. Frem til nå.
Den nyeste utviklingen innenfor Generativ AI lar deg lage visualiseringer basert på all data internt i bedriften ved hjelp av et chatterom tilsvarende ChatGPT. Siden datavisualiseringer ofte er knyttet til Business Intelligence, har verktøy som lar deg spørre mot data på denne måten fått navnet Generativ BI, eller GenBI. Om du synes dette høres interessant ut har du kommet til rett sted, for i dette blogginnlegget skal jeg svare på disse spørsmålene:
- Hva er GenBI?
- Hvorfor bør jeg tenke på å bruke GenBI?
- Hvordan kan jeg begynne å bruke GenBI?
Hva er GenBI?
Kort forklart er GenBI en AI-drevet tilnærming for å ta den tunge manuelle jobben ut av Business Intelligence, som i seg selv handler om å ta bedre beslutninger med analyse og visualisering av data. Faget er ikke nytt, men har utviklet seg fra en veldig manuell jobb, til en teknisk jobb hvor man lagrer data digitalt og får hjelp av kalkulasjoner og visualiseringsverktøy som Power BI til å lage avanserte samlinger av visualiseringer i et dashboard for å raskt kunne få mest mulig informasjon. GenBI kommer som en naturlig videreutvikling av dette faget, og vil hjelpe med å bryte ned den tekniske kompleksiteten for sluttbrukeren ved at du nå kan spørre et verktøy om å lage visualiseringer uten å skrive kode. Målet er å transformere rådata til et strategisk verktøy som støtter og forbedrer beslutningstaking i bedriften.
GenBI kommer i litt forskjellige varianter, men den vi tror vil utgjøre den største endringen er en varianten som lager visualiseringer basert på all data internt i bedriften med hjelp av et chatterom tilsvarende det man er vandt med fra generative AI-løsninger som ChatGPT. Verktøyet vil ta seg av kalkulasjonene og du vil få svaret tilnærmet øyeblikkelig. Dette vil tilgjengeliggjøre datavisualisering for et helt nytt publikum internt i din bedrift, da det tetter gapet mellom datakyndige og datablyge ansatte, som begge nå kan lage gode analyser og visualiseringer.
Eksempelbruk av Genie, et GenBI-verktøy utviklet av Databricks
Hvorfor bør jeg tenke på å bruke GenBI?
Det er enkelt å være litt kynisk å tenke at «det kun er en hype, på slutten av dagen vil man uansett sitte igjen med et dashboard». Og selv om dashboards mest sannsynlig ikke forsvinner med det første, gir GenBI oss en ny måte å jobbe med data på. En måte som har vært forsøkt tidligere, men som ikke har fungert veldig bra før nå. Verktøy som Genie (Databricks), Pyramid, og til dels Copilot (Microsoft) og Quicksight (Amazon), lar deg chatte med din bedrifts data og lage visualiseringer kun ved hjelp av naturlig språk. Denne måten å interagere med data legger grunnlaget for et stort skifte din bedrift kan ta del i. Et skifte som kan hjelpe din bedrift med å:
Forbedre innsikt for in-house data
Som nevnt tidligere så kan GenBI-verktøy nærmest øyeblikkelig generere avanserte visualiseringer basert på komplekse kalkulasjoner. Med mer nøyaktig og omfattende analyser vil bedriften kunne ta datadrevne beslutninger raskere. Prediktive kapabiliteter gir også en mulighet for å forutse trender og risikoer. Et GenBI-verktøy vil også kunne trenes til å passe din bedrift som hånd-i-hanske. Denne «personaliseringen» bidrar med identifisering av unike trender og risikoer som et generisk verktøy kanskje bommer på.
Senke behovet for datakompetanse
De fleste bedrifter har et ønske om å bli mer datadrevet, men det er mange som ikke oppnår dette fordi datakompetansen internt i bedriften setter en stopper for det. Det har vist seg vanskelig å heve gulvet på ansattes dataferdigheter, for det er ofte mange som foretrekker å beholde måten de tidligere har jobbet på. På samme måte som du i dag vil gå til en dataanalytiker å forklare hva du ønsker å se visualisert, kan du spørre en chat. Dette betyr at du på en måte «blir kvitt» oversetteren mellom deg og bedriftsdata. Et GenBI verktøy begrenser behovet for antallet datakyndige i bedriften, fordi interaksjonene foregår på naturlig språk. Det vil fortsatt være et behov å ha data-ingeniører som kan fikse alle kravene for data inn i modellen, men å bruke modellen vil bli enklere på for alle andre i organisasjonen.
Redusere kostnader og tidsbruk
Automatisering av dataanalyse og rapportering reduserer nødvendigheten av store data teams med manuell prosessering, som bidrar med å senke utgiftene over tid. Siden det også vil gå raskere å generere opp innsikt kan man justere strategier raskere, som kan føre til mer inntekt. Samtidig vil bedriften få dekket analysebehov raskere, da det ikke trenger å gå gjennom like mange personer før du har visualiseringen foran deg, noe som vil drastisk senke tiden fra bestilling til leveranse på visualiseringer, noe som sparer bedriften for mye tid.
Sikre skalerbarhet og tilpasningsevne
GenBI er laget for, og kan bli brukt på, alle mengder data. Dette gjør verktøyene ideelle for små bedrifter som ønsker å utforske hva et slikt verktøy kan gjøre for dem, men også for større bedrifter med mye data. Verktøyene er laget for å håndtere store mengder data, som bidrar til å sikre skalerbarhet og tilpasningsevne for bedrifter i alle størrelser.
Forbedre data governance
Om man ikke har data governance så vil ikke noen generative verktøy fungere veldig bra på din bedriftsdata. Den kan gjøre forsøk med å gjette, men om den ikke kan lese kolonner, se relasjone, eller se bruk, så vil svarene være dårligere enn det kunne vært med en god governance. Som vi nå skal se så er det et grunnprinsipp å ha god kontroll på deler av data governance for å bruke GenBI-verktøy, men selv uten å ta i bruk et GenBI vil en god governance uansett være med å bygge et fremtidsrettet datafundament for din bedrift.
Hvordan kan jeg starte å bruke GenBI?
Om du har lest så langt tenker du mest sannsynlig at GenBI høres ganske spennende ut, og du lurer kanskje derfor også på hva som skal til for å begynne å benytte seg av slike verktøy. Å bruke verktøyene i seg selv har en ganske lav barriere, men om man skal bruke det i produksjon er det noen grunnprinsipp som bør være på plass, før man velger verktøyet som passer best for deg og gjennomfører en opplæring- og testfase.
Grunnprinsipper
Det mest grunnleggende man må ha på plass for å kunne starte med å bruke GenBI-verktøy er Data Governance. Data Governance er en samlet betegnelse for praksiser som handler om å ha ansvar for og kontroll over forvaltning av data. Det er vanskelig å velge ett område av Data Governance som er viktigere enn et annet, fordi alle områder er viktige for en bedrift på generell basis. Men, sett i kontekst av GenBI er det tre områder som er viktigere enn andre:
- God dokumentasjon av data
- Organisert og sikker tilgangsstyring
- Master Data Management
Alle disse områdene har ulike utfordringer med å bli skikkelig innført i bedrifter, men den mest vanlige metoden de siste årene er å lage en sentralisert dataplattform.
Sentraliserte dataplattformer fortjener et eget blogginnlegg, men i kontekst av dette blogginnlegget nøyer vi oss med å si at det er en sentral lokasjon for all data i din bedrift, og at de ikke lenger er så vanskelige å innføre som de tidligere har vært på grunn av fremskritt i teknologi. Dette kommer godt med, for som vi vil se i punktene nedenfor så kan en sentralisert dataplattform bidra med å forenkle utfordringene knyttet til grunnprinsippkravene for bruk av GenBI-verktøy:
Datadokumentasjon
I teorien bør ikke datadokumentasjon være veldig vanskelig å få til, men i praksis ser vi at det er noen utfordringer som ofte gjentar seg. Et eksempel er at dokumentering av data er tidkrevende og kan tidvis være kjedelig. I tillegg er det mange som ikke ser poenget i å bruke masse tid og penger på dokumentasjon, fordi det i stor grad er noe kun data-ingeniører og analytikere forholder seg til. Dette fører til at de som ikke jobber tett på dataen ofte ikke ser hva de får igjen for solid dokumentasjon.
En annen utfordring med god datadokumentasjon er å bli enige om fellesbetegnelser og navn på beskrivelser på tvers av forretningsområder i bedriften. Denne utfordringen kan av og til være overraskende vanskelig å komme til enighet om, men belønningene av å komme til en enighet om fellesbetegnelser, er at GenBI-verktøy blir mer treffsikre. En sentralisert dataplattform kan hjelpe med alle disse utfordringene. Dokumentasjonen og å komme til enighet om fellesbetegnelser vil kanskje fortsatt være tidkrevende, kjedelig og vanskelig, men det vil kun trengs gjøres én gang for at alle i bedriften skal kunne benytte seg av det. Helst bør dette bli gjort sammen med flere forretningsområder i bedriften, slik at dere sammen spikrer én sannhet som på sikt vil være enklere for alle i bedriften å forholde seg til. Dette vil også gjøre at dokumentasjonen bli brukt mer av forretningsbrukere og det vil bli større nysgjerrighet knyttet til hvilke data bedriften sitter på.
Tilgangsstyring
Tilgangsstyring er utrolig viktig, og det er også strenge regler om hvilke data som kan være synlige både internt og eksternt. I dagens BI-landskap kan det være utrolig krevende å holde styr på hvem som har tilgang til hva, fordi de fleste teknologier som brukes har noen svakheter. Verktøy som Power BI har noen sikre metoder for tilgangsstyring, men for større bedrifter kan det etter hvert bli vanskelig å håndtere, fordi du ender opp med veldig mange brukergrupper og rapporter. Dette kan føre til at du på sikt mister oversikt over tilgangsstyring, og den eneste måten å sikre den på igjen er ved å stenge ned store deler av rapportdelingen. Dette fører igjen til at mange ikke får se dataen de trenger for å ta bedre avgjørelser. Alternativt kan du ha tilgangsstyring i datavarehus, som gjør at data er mer sentralisert og man har bedre kontroll over tilgangsstyringen. Men datavarehus krever ofte et høyere kompetansenivå for manøvrering, det kan være tidkrevende å hente ut data, samtidig som tabulere data tar lengre tid for mennesker å lese sammenliknet med visualiseringer. Et tredje alternativ er å sitte i brukergrensesnittet til kildesystemet. Dette struper ofte ned tilgang til et par nøkkelpersoner i bedriften fordi det stiller store kompetansekrav for et spesifikt verktøy. Samtidig er det ofte flere kildesystemer som brukes i en bedrift, som gjør at du må ha god oversikt på hvem som kan hvilket system om du ønsker å se data derfra.
Dette er de tre vanligste metodene vi ser for tilgangsstyring og distribuering av data i en bedrift uten en sentralisert dataplattform. En ting alle har til felles er at de sliter med skalerbarhet. For å sikre at bedriften drar nytte av GenBI-verktøyet, er det avgjørende å implementere en robust og skalerbar tilgangsstyringsmodell. En sentralisert dataplattform kan være løsningen som gir deg den nødvendige oversikten over hvem som har tilgang til hva, samtidig som det gir fleksibilitet til å tilpasse tilganger etter behov. På denne måten vil du kunne redusere risikoen for datasikkerhetsbrudd og sørge for at riktige personer har tilgang til nødvendig informasjon, uten å kompromittere sikkerheten.
Master Data Management
Det siste grunnprinsippet som kan være utfordrende å fikse er Master Data Management. Om du ser på en liste over ansatte i to systemer, men de er ulike, hvordan vet du da hvilken liste som er den riktige? «Én kilde til sannhet» er en fin oppsummering av hva som menes med MDM. Om du slurver med dokumentasjon av data eller har laget redigerte tabeller som har fjernet nødvendige, men sensitive, deler, fordi du ikke ønsker å risikere at tilgangsstyringen feiler, så vil personer rundt i bedriften sitte med helt forskjellige syn på hva som er riktig informasjon. En sentralisert dataplattform har som hovedmål å sørge for at det kun er én kilde til sannheten, og det er den ansattlisten som ligger i dataplattformen. Dette gjør det mer oversiktlig for ansatte, men også for et GenBI-verktøy å produsere visualiseringer.
Valg av verktøy
Det finnes flere gode alternativer for hvilken teknologi du bør velge når det kommer til GenBI-verktøy, og hvilket verktøy som er best for deg og din bedrift vil variere basert på størrelse, eksisterende løsninger, og hvordan du er vant å jobbe. Teknologiselskaper som Microsoft, Databricks, Amazon, Google og Snowflake har alle sine versjoner av GenBI-verktøy samtidig som de har produkter som tilrettelegger for å bygge en sentralisert dataplattform. Av disse selskapene så er det Databricks og Microsoft som ofte er det beste alternativet for norske selskaper, mye på grunn av Microsoft sin markedsposisjon i Norge. Om man er vant med Power BI og man er et medium eller mindre selskap så er CoPilot bygget på en Microsoft Fabric løsning et godt alternativ, mens om man er et større selskap så er Genie bygget på Databricks og Unity Catalog helt klart det beste alternativet av disse to.
Opplæring og testing
Før du setter GenBI i produksjon, bør du gjennomføre opplæring for alle relevante brukere. Det er viktig at de ansatte forstår hvordan de kan bruke verktøyet effektivt for å få mest mulig ut av det. I tillegg bør du gjennomføre en testfase der du tester verktøyets evner til å håndtere både små og store datamengder. Testing bør også omfatte simuleringer av faktiske forretningsscenarioer, slik at du kan være sikker på at verktøyet er klar for produksjon. Dette vil også avdekke om det er behov for justeringer i datagrunnlaget eller tilgangsstyringen før det rulles ut bredt i organisasjonen.
Kort oppsummert
GenBI representerer en revolusjon innen datavisualisering og BI. Ved å kombinere kraften av generativ AI med en robust dataplattform, kan bedrifter dra nytte av raskere innsikt, redusert behov for manuell databehandling og lavere kostnader. Implementeringen av GenBI krever imidlertid en gjennomtenkt tilnærming til data governance, verktøyvalg, og opplæring og testing. Når disse elementene er på plass, vil GenBI ikke bare forbedre datainnsikten, men også gi bedriften evnen til å tilpasse seg raskt i en stadig mer data-drevet verden. Det er nå enklere enn noensinne å komme i gang, og fordelene er klare – økt effektivitet, lavere kostnader, og en fremtidsrettet plattform for kontinuerlig vekst og innovasjon.
