Emilie Lundblad Data & AI. Digital:Steps18 Casper Rønnow Data & AI

Transkript

1 Emilie Lundblad Data & AI Digital:Steps18 Casper Rønnow Data & AI

2 Agenda > Hvem er vi og hvad laver vi her? > Business Intelligence en saga om data > Jeg har BI stop så > Data, data og nå ja data > Hvor er mit BI og hvor skal det hen? > Business Intelligence på tværs > Men hvorfor? > Case 1 > Case 2 > Okay Men hvordan kommer jeg i gang? > Q&A 2

3 Hvem er vi og hvad laver vi her? Microsoft Partner of the Year 4 times 21 Microsoft Partner Awards 3

4 We transform your entire business Modern Workplace Project Services Business Applications Data & AI Cloud, Infrastructure & Security Documents Office 365 Collaboration Digital Assistants PPM Sales CRM Marketing Automation IoT Data Warehouse Bots Windows EMS Cloud Transition Intranet Workflows Project Online Field Service Power BI Business Intelligence Azure Skype for Business

5 We are thinking your business all the way Transformation Adoption Performance Strategy Standard solutions Infrastructure Development Test and quality assurance Change Management User involvement User adoption Training Evaluation Results Support Operations Licenses

6 En saga om data > Der var engang for længe siden, før jeg blev født (don t ask, før 1980 erne) > 1865 bliver termet Business Intelligence præsenteret af Richard Millar Devens, til at beskrive Sir Henry Furnese ( ) data strategi > 1956 IBM opfinder hard-disken > 1958 A Business Intelligence System af Hans Peter Luhn fra IBM > De første BI systemer > 1970 Relational database model af Edgar Codd 6

7 1980 serne > 1980 Decision support systems DSS moderen til moderne BI > Datawarehouses & OLAP > 1988 Multiway Data Analysis consortium i Rome > 1989 Howard Dresner definere business intelligence som vi kender det : Concepts and methods to improve business decision making by using fact-based fact-based support systems > SAP & TM1 7

8 1990 serne BI 1.0 > 1997 Business intelligence som udtryk bliver udbredt > Tableau > OLAP Cubes, MDX > From corporate inflexible to userfriendly > Full-stack on premise > Cognos, Hyperion, Netezza > KPI s 8

9 2000 BI 2.0 > 2005 Facebook, Twitter & Google Analytics gav eksplotion i data (open source) > 2006 Microsoft starter Gemini en ny version af SQL Server Analysis services > 2009 Gemini bliver til Power Pivot > 2008 Ifølge Gartner omsættes der nu for næsten 9 miliard $ årligt indenfor BI > 2010 BI slår igennem i de fleste store virksomheder 9

10 2010 Analytics > 2010 Azure cloud computing service lanceres > 2012 Microsoft introducere Power View (data visualisering) > 2013 Power Query ETL til de foregående > 2013 Tableau på børsen > 2015 Power BI 10

11 2018 Cloud, mobile & Selfservice > 2017 Machine learning og predition indbygget i BI produkter > Cloud BI overtager markedet > 2020 forventes at blive året for mobile analytics 11

12 BI i fremtiden? > Real-time predictions > AI 12

13 Men hvorfor BI? given context, becomes given insights, becomes given meaning, becomes given purpose, becomes Decisions change Wisdom Understanding, actionable Knowledge Contextual, learning Information Useful, organized, structured Data Signals, know-nothing 13

14 Jeg har BI stop så 14

15 Data, data og nå ja data Payroll Accounting Inventory CRM Vendor management Intranet Content management Service desk Quality management Project management Warehouse management Time management.. 15

16 Hvor er mit BI og hvor skal det hen? Difficulty 16

17 Business intelligence på tværs af brancher > Produktion Indsigt produktionsprocesser, costing, planning og forecasting > Logistik Supplychain, rutevisualisering og fragt flow > Finansielle services Markeds analyser, likviditets scenarier (IFRS9 & BASEL III), Fraud prevention > Retail Lagerstyrring, salgs trends, Category management, kunderejse > Restauration Optimering af vagtplanlægning, menu sammensætning og forecasting med brug af online data 17

18 Business intelligence på tværs af organisationen > R&D Konkurrent/Kunde/markeds analyser, produktbrug og forbedring > HR Ressource planlægning, pension, medarbejder churn, medarbejder tilfredshed > Produktion Process optimering, costing, lagerstyrring, fejlminimering, > Marketing Kunde segmentering, Cross-selling, Kampagne planlægning & feedback-loop, leadkonverteringsrater > Salg CRM data, Pipeline, forecasting, Customer lifetime value > Finans P&L, Controlling, Financial planning, forecasting, What-if & likviditets scenarier 18

19 Hvorfor var det nu lige igen? 19

20 Hvorfor var det nu lige igen? > Kend dig selv > Størst omsætning er ikke alt lig mest profit 20

21 Hvorfor var det nu lige igen? > Kend din kunde > Hvem er de? (Køn, alder, location osv.) > Hvad køber de? 21

22 Hvorfor var det nu lige igen? > Actionable insights 22

23 Hvorfor var det nu lige igen? > Procesoptimering 23

24 Hvorfor var det nu lige igen? > Produkt/Service forbedring > En historie om et køleskab 24

25 Case 1 > Mellemstor dansk produktionsvirksomhed med base i Jylland > Det går godt, men det kunne gå bedre ƒ(salg) = ALO 25

26 Case 1 26

27 Case 1 27

28 Case 1 28

29 Case 1 29

30 Case 2 Fra modetrends til datatrends > Dansk modehus med egne butikker og verdensomspændende salg, bliver opkøbt af udenlandsk private equity selskab. > Nyt behov for at få styr på data og skabe vækst på baggrund af facts, fremfor mavefornemmelse. > Data fra Navision, Pos (DdD), Salesforce, E-commerce & Google analytics > Data samles i Azure datafactory, SQL Datawarehouse i Azure, Blob Storage til billedmateriale mm. Direkte integration til Power BI model med self-service rapportering > Power BI model forbinder og indeholder data fra: > Indkøb -> lager -> Salg -> Invoicing -> logistik -> Butikker -> E-commerce -> Kundedata -> returnering & kundeservice -> Finans & budgetopfølgning. 30

31 Case 2 Fra modetrends til datatrends 31

32 Case 2 Fra modetrends til datatrends Rapportering på returnerede produkter 32

33 Case 2 Fra modetrends til datatrends Rapportering på returnerede produkter 33

34 Case 2 Fra modetrends til datatrends 34

35 Okay men hvordan kommer jeg i gang? 35

36 Okay men hvordan kommer jeg i gang? > Du starter her 36

37 Okay men hvordan kommer jeg i gang? 37

38 Business Impact Okay men hvordan kommer jeg i gang? High Must haves Quick wins Low Money pits Low-hanging fruit Ease of Execution High 38

39 Okay men hvordan kommer jeg i gang? > Det kan virke uoverskueligt Full scope Fase 1 Fase 2 Fase 3 Fase 4 Full scope 39

40 Tilbage til de fire stadier Difficulty 40

41 Okay men hvordan kommer jeg i gang? Movex / DB2 DB2 DB2 Ingestion/ Staging Orchestration Data Storage Analysis DB2 Excel OPOF Data Factory Storage Blob Azure SQL Database Azure Analysis Services Visualization Other sources Data Factory Azure Automation Machine learning 41

42 Q&A 42

43 Emilie Lundblad Data & AI Tlf: Casper Rønnow Data & AI Tlf: Digital:Steps18

44 Få mere viden Hold dig opdateret om vores nyheder og begivenheder ProActive Nyhedsbrev Få brugbare tips og del din viden i vores Yammer netværk ProActive Productivity Lab Hold dig opdateret om vores aktiviteter og ledige jobs på LinkedIn Hold dig opdateret om vores aktiviteter på Twitter

45 København Rosenørns Allé Frederiksberg C Aarhus Åbogade Aarhus N Odense Egelundsvej Odense T: M: info@proactive.dk W: Aalborg Stigsborgvej Nørresundby