Gå til innhold
Kvinne som ser på data

Hva er et datavarehus?

 

Denne websiden er maskinoversatt for å hjelpe deg. SAP kan ikke garantere at maskinoversettelsen er riktig eller fullstendig oversatt. Den opprinnelige engelske nettsiden finner du ved å bruke verdenskartet i øvre høyre hjørne av denne siden.

Et datavarehus (DW) er et digitalt lagringssystem som knytter sammen og harmoniserer store mengder data fra mange forskjellige kilder. Formålet er å mate Business Intelligence (BI), rapportere og analysere og støtte lovbestemte krav, slik at foretak kan gjøre dataene sine om til innsikt og ta smarte, datastyrte beslutninger. Datalagre lagrer aktuelle og historiske data på ett sted og fungerer som den sentrale datapoolen for en organisasjon.

 

Dataflyter inn i et datavarehus fra operative systemer (som ERP og CRM), databaser og eksterne kilder som partnersystemer, IoT-enheter (Internet of Things), værapper og sosiale medier – vanligvis på vanlig måte. Fremveksten av nettskybasert databehandling har forårsaket et skifte i landskapet. I de siste årene har datalagringssteder flyttet seg bort fra tradisjonell on-premise-infrastruktur til flere steder, inkludert on-premise, privat sky og offentlig sky.

 

Moderne datavarehus er designet for å håndtere både strukturerte og ustrukturerte data, som videoer, bildefiler og sensordata. Noen bruker integrert analyseteknologi og databaseteknologi i minnet (som inneholder datasettet i dataminne i stedet for i disklagring) for å gi sanntidstilgang til pålitelige data og oppnå sikker beslutningstaking. Uten datalagring er det svært vanskelig å kombinere data fra heterogene kilder, sikre at de er i riktig format for analyser og får både en aktuell og lang dataoversikt over tid.

Hva er et datavarehus?

Hva er et datavarehus?

Fordeler ved datalagring

Et veldesignet datavarehus er grunnlaget for et hvilket som helst vellykket BI-- eller analyseprogram. Hovedjobben er å drive rapportene, dashboardene og analyseverktøyene som har blitt uunnværlige for bedrifter i dag. Et datavarehus gir informasjon om databaserte beslutninger, og hjelper deg med å foreta det riktige anropet for alt fra ny produktutvikling til beholdningsnivåer. Det er mange fordeler med et datavarehus. Her er bare noen få: 

  • Bedre forretningsanalyse: Med datalagring har beslutningstakere tilgang til data fra flere kilder, og trenger ikke lenger å ta beslutninger basert på ufullstendig informasjon.  
  • Raskere spørringer: Datavarehus bygges spesielt for rask datainnsamling og -analyse. Med en DW kan du raskt spørre etter store mengder konsoliderte data uten støtte fra IT.  
  • Forbedret datakvalitet: Før lasting til DW opprettes dataoppryddingstilfeller av systemet og legges inn i en arbeidsliste for videre behandling, og sikrer at data transformeres til et konsistent format for å støtte analyser og beslutninger – basert på nøyaktige data av høy kvalitet.
  • Historisk innsikt: Ved å lagre rike historiske data, lar et datavarehus beslutningstakere lære av tidligere trender og utfordringer, komme med prognoser og fremme kontinuerlig forretningsforbedring.
placeholder

Skjermdump av datavarehus som viser dataavstamning.

Hva kan en datalagerbutikk?

Da datavarehus først ble populaere på slutten av 1980-tallet, ble de designet for å lagre informasjon om mennesker, produkter og transaksjoner. Disse dataene – kalt strukturerte data – var neppe organisert og formatert for enkel tilgang. Men virksomheter ønsket snart å lagre, hente og analysere ustrukturerte data – for eksempel dokumenter, bilder, videoer, e-poster, innlegg i sosiale medier og rådata fra maskinsensorer.

 

Et moderne datavarehus har plass til både strukturerte og ustrukturerte data. Ved å slå sammen disse datatypene og bryte ned siloer mellom de to, kan bedrifter få et fullstendig, omfattende bilde for de mest verdifulle innsikten.

Noen nøkkelbegreper

Det er mange begreper å gi mening for i DWs verden. Her er noen av de viktigste. Utforsk noen andre termer og ofte stilte spørsmål i vår ordliste.

 

Datavarehus vs. database

 

Databaser og datavarehus er begge datalagringssystemer, men de tjener ulike formål.  En database lagrer data vanligvis for et bestemt forretningsområde. Et datavarehus lagrer aktuelle og historiske data for hele virksomheten, og mater BI og analyser. Datalagre bruker en databaseserver til å hente inn data fra en organisasjons databaser, og har tilleggsfunksjoner for datamodellering, datalivssyklusstyring, datakildeintegrasjon med mer.

 

Datavarehus vs. datasjø

 

Både datavarehus og datasjøer brukes til lagring av Big Data, men de er veldig forskjellige lagringssystemer. Et datavarehus lagrer data som er formatert for et bestemt formål, mens en datasjøen lagrer data i sin rå, ubehandlede tilstand – hvis formål ikke er definert ennå. Datalagre og innsjøer kompletterer ofte hverandre. Når for eksempel rådata som er lagret i en innsjø er nødvendig for å svare på et forretningsspørsmål, kan de ekstraheres, rengjøres, transformeres og brukes i et datavarehus til analyse. Volumet av data, databaseprestasjon og lagringsprisfastsetting spiller en viktig rolle for å hjelpe deg med å velge riktig lagringsløsning.

Datavarehus vs. datasjø

Diagram over et datavarehus sammenlignet med en datasjøen.

Datavarehus versus datamarked 

 

En datamarked er en underdel av et datavarehus, inndelt spesielt for en avdeling eller bransje - som salg, markedsføring eller økonomi. Noen datamarter opprettes også for selvstendige operative formål. Mens et datavarehus fungerer som sentralt datalager for et helt firma, tjener en datamarked relevante data til en utvelgelsesgruppe av brukere. Dette forenkler datatilgang, raskere analyse og gir dem kontroll over egne data. Flere datafelter rulles ofte ut innenfor et datavarehus.

Datavarehus vs. datamarked

Diagram over en datamarked og hvordan det fungerer.

Hva er nøkkelkomponentene i et datavarehus?

Et typisk datavarehus har fire hovedkomponenter: en sentral database, ETL (ekstrakt, transformasjon, lasting) verktøy, metadata og tilgangsverktøy. Alle disse komponentene er konstruert for hastighet, slik at du kan få resultater raskt og analysere data på sparket.

Komponenter for datavarehus

Diagram som viser komponentene i et datavarehus.

  1. Sentral database: En database fungerer som grunnlaget for datavarehuset. Tradisjonelt har disse vært standard relasjonsdatabaser som kjører på premise eller i skyen. Men på grunn av store datamengder, behovet for sann ytelse i sanntid og en drastisk reduksjon i kostnadene ved RAM, er in-memory-databaser raskt i popularitet.
  2. Dataintegrasjon: Data hentes fra kildesystemer og endres for å justere informasjonen for raskt analytisk forbruk ved hjelp av en rekke dataintegrasjonsmetoder som ETL (ekstrakt, transformasjon, lasting) og ELT samt datareplikering i sanntid, behandling av bulk-load, datatransformasjon og datakvalitet og suppleringstjenester.
  3. Metadata: Metadata er data om dataene. Den oppgir kilde, bruk, verdier og andre funksjoner for datasettene i datalageret. Det finnes forretningsmetadata, som legger til kontekst i dataene og tekniske metadata, som beskriver hvordan du får tilgang til data – inkludert hvor de ligger og hvordan de er strukturert.
  4. Verktøy for tilgang til datavarehus: Med tilgangsverktøy kan brukere samhandle med dataene i datavarehuset. Eksempler på tilgangsverktøy er spørrings- og rapporteringsverktøy, verktøy for applikasjonsutvikling, datautvinningsverktøy og OLAP-verktøy.

Datavarehusarkitektur

Tidligere opererte datavarehus i lag som stemte overens med flyten av forretningsdataene.

Diagram over datavarehusarkitektur

Diagram over datavarehusarkitektur. Et vanlig datavarehus inkluderer de tre separate lagene ovenfor. I dag kombinerer moderne datavarehus OLTP og OLAP i ett system.

 

  • Datalag: Data ekstraheres fra kildene dine og transformeres og lastes deretter til nederste nivå ved hjelp av ETL-verktøy. Det nederste nivået består av databaseserveren din, datamarkene og datasjjøene. Metadata er skapt i dette nivået – og dataintegrasjonsverktøy, som datavialisering, brukes for å kombinere og aggregere data sømløst.
  • Semantikklag: På mellomlaget restrukturerer onlineanalytisk behandling (OLAP) og online transaksjonsbehandlingsservere data for raske, komplekse spørringer og analyser.
  • Analyselaget: Toppnivået er frontendklientlaget. Den inneholder verktøy for tilgang til datavarehus som gjør det mulig for brukere å samhandle med data, opprette dashboards og rapporter, overvåke KPI-er, mine og analysere data, bygge apper med mer. Dette nivået inkluderer ofte en workbench eller et område med sandkasse for utforskning av data og ny datamodell utvikling.

 

Datalagre har blitt designet for å støtte beslutningstaking og har i hovedsak blitt bygget og vedlikeholdt av IT-team, men i løpet av de siste årene har de utviklet seg til å gi forretningsbrukere større innflytelse, noe som reduserer deres avhengighet av IT-avdelingen til å få tilgang til dataene og utlede handlekraftig innsikt. Noen få nøkkelfunksjoner for datalagring som har forretningsbrukere med makt, er:

  1. Det semantiske laget eller forretningslaget som gir naturlige språkfraser, gjør at alle umiddelbart kan forstå data, definere relasjoner mellom elementer i datamodellen og supplere datafelt med ny forretningsinformasjon.
  2. Virtuelle arbeidsområder gjør at teamene kan bringe datamodeller og forbindelser inn i ett sikret og styrt sted som støtter bedre samarbeid med kollegaer gjennom ett felles rom og ett felles datasett.
  3. Cloud har forbedret beslutningstakingen ytterligere ved å globalt styrke medarbeiderne med et rikt sett med verktøy og funksjoner, slik at de enkelt kan utføre dataanalyseoppgaver. De kan koble til nye apper og datakilder uten mye IT-støtte.
    placeholder

    Kom i gang

    Prøv vårt skydatavarehus i dag.

    De syv beste fordelene med et skydatavarehus

    Nettskybaserte datavarehus stiger i popularitet – av god grunn. Disse moderne lagrene gir flere fordeler over tradisjonelle, on-premise-versjoner. Her er de øverste sju fordelene med et skybasert datavarehus:  

    1. Hurtigdistribusjon: Med skybasert datalagring kan du kjøpe nesten ubegrenset datalagring med bare et par klikk – og du kan bygge ditt eget datavarehus, datamerter og sandbokser fra hvor som helst, i minutter.
    2. Lave totale eierkostnader (TCO): Prismodeller for datavarehus-as-a-service (DWaaS) konfigureres slik at du bare betaler for ressursene du trenger, når du trenger dem. Du trenger ikke å forutsi langsiktige behov eller betale for mer beregning gjennom året enn nødvendig. Du kan også unngå kostnader på forskudd, for eksempel dyre maskinvare, serverrom og vedlikeholdsmedarbeidere. Hvis du skiller prisfastsettingen for lagringsplassen fra kalkulasjonsprisfastsettingen, kan du også styre kostnadene ned.
    3. Elastisitet: Med et skybasert datavarehus kan du dynamisk skalere opp eller ned etter behov. Cloud gir oss et virtualisert, meget distribuert miljø som kan håndtere store datavolumer som kan skalere opp og ned.
    4. Sikkerhets- og katastrofegjenoppretting: I mange tilfeller gir skybaserte datalagre faktisk sterkere datasikkerhet og kryptering enn on-premise DWs. Data dupliseres og sikkerhetskopieres automatisk, slik at du kan minimere risikoen for tapte data.
    5. Sanntidsteknologier: Nettskylagre bygd på databaseteknologi i minnet kan gi svært rask databehandlingshastighet for å levere sanntidsdata for øyeblikkelig situasjonsbevissthet.
    6. Nye teknologier: Med datavarehus i Cloud kan du enkelt integrere nye teknologier som maskinlæring, som kan gi en veiledet opplevelse for forretningsbrukere og beslutningsstøtte i form av anbefalte spørsmål du kan stille, som et eksempel.
    7. Styrke forretningsbrukere: Cloud-datavarehus gir medarbeiderne samme og globalt med en enkelt visning av data fra en rekke kilder og et rikt sett med verktøy og funksjoner som enkelt kan utføre dataanalyseoppgaver. De kan koble til nye apper og datakilder uten IT.
    placeholder

    Datalagring støtter omfattende analyse av firmautgifter etter avdeling, leverandører, region og status, for å få et par navn.

    Beste praksis for datalagring

    Når du bygger et nytt datavarehus eller legger til nye applikasjoner i et eksisterende lager, er det beviste trinn for å oppnå målene når du sparer tid og penger. Noen fokuserer på din forretningsbruk, og andre praksiser er en del av det generelle IT-programmet. Følgende liste er et godt utgangspunkt, og du vil ta opp ytterligere god forretningsførsel når du arbeider med teknologien og servicepartnerne. 

    Forretningsbeste praksis

    • Definer informasjonen du trenger. Når du har god forståelse for de første behovene dine, kan du finne datakildene som støtter dem. Ofte får handelsgrupper, kunder og leverandører dataanbefalinger for deg. 
    • Dokumenterer plasseringen, strukturen og kvaliteten på de aktuelle dataene. Deretter kan du identifisere manglende data og forretningsregler for å transformere dataene til dine lagerbehov.
    • Bygg et team. Dette inkluderer ledersponsorer, ledere og medarbeidere som skal bruke og levere informasjonen. Identifiser for eksempel standardrapporteringen og KPI-ene de må utføre jobbene sine.
    • Prioriter datavarehusapplikasjonene. Velg ett eller to pilotprosjekter som har rimelige krav og god forretningsverdi. 
    • Velg en sterk teknologipartner for datavarehus. De må ha de nødvendige implementeringstjenestene og -opplevelsen for prosjektene dine. Sørg for at de støtter implementeringsbehovene dine, inkludert alternativer for både skytjenester og on-premise. 
    • Utvikle en god prosjektplan. Samarbeid med teamet om en realistisk blueprint og tidsplan som støtter kommunikasjon og statusrapportering. 

    IT Best Practices

    • Overvåk ytelse og sikkerhet. Informasjonen i datalageret er verdifullt, men den må være lett tilgjengelig for å gi verdien til organisasjonen. Overvåk systembruken nøye for å sikre at ytelsesnivåene er høye. 
    • Vedlikehold datakvalitetsstandarder, metadata, struktur og governance. Nye kilder for verdifulle data blir tilgjengelige rutinemessig, men de krever konsistent styring som en del av et datavarehus. Følg framgangsmåtene for å rense data, definere metadata og oppfylle styringsstandarder.
    • Gi en smidig arkitektur. Etter hvert som bruken av bedrifter og forretningsenheter øker, vil du oppdage en lang rekke datamarked- og lagerbehov. En fleksibel plattform vil støtte dem langt bedre enn et begrenset, restriktivt produkt. 
    • Automatisere prosesser som vedlikehold. I tillegg til å legge til verdi i Business Intelligence, kan maskinlæring automatisere funksjoner for teknisk styring av datavarehus for å opprettholde hastighet og redusere driftskostnadene. 
    • Bruk skyen strategisk. Forretningsenheter og avdelinger har forskjellige utrullingsbehov. Bruk on-premise-systemer når det er nødvendig, og aktiver dem i nettskydatalagre for skalerbarhet, redusert kostnad og tilgang til telefon og nettbrett.  

    I oppsummering

    Moderne datavarehus, og i økende grad nettskybaserte datalagre, vil være en nøkkeldel av alle digitale transformasjonsinitiativer for morselskaper og deres forretningsenheter. De aktiverer gjeldende forretningssystemer, særlig når du kombinerer data fra flere interne systemer med ny, viktig informasjon fra eksterne organisasjoner. 

     

    Dashboards, KPI-er, varsler og rapporteringsstøtte for leder-, ledelses- og personalkrav samt viktige kunde- og leverandørbehov. Datalagre tilbyr også rask, kompleks datautvinning og analyse, og de forstyrrer ikke ytelsen til andre forretningssystemer. 

     

    På grunn av fleksibiliteten til å starte små og utvidete etter behov, kan både bedriftskontorer og forretningsenheter forbedre beslutningstakingen og bunnlinjelinjeytelsen med moderne datavarehusteknologi.

    placeholder

    Utforsk SAPs datavarehusløsning

    Få enhetlige data og analyser for pålitelige beslutninger i skyen.

    Mer i denne serien

    Ofte stilte spørsmål fra datavarehus

    En datasjøen er et sted der du kan lagre alle typer store data, uansett om det er strukturerte data fra forretningsapplikasjoner eller ustrukturerte data fra mobile apper, sosiale medier eller Internet of Things-enheter (IoT). Fordi data lagres i sitt naturlige format – strukturert, ustrukturert, halvstrukturert eller binær – kan det være nødvendig med konvertering, normalisering eller annen behandling for å muliggjøre analyser på tvers av flere datatyper. De fleste datasjøer er skybaserte på grunn av de store datavolumene de lagrer, behovet for høyhastighetsforbindelser til distribuerte kilder, og behovet for skalerbarhet.

    ETL står for «ekstrakt, transformasjon og belastning». Sammen utgjør disse aktivitetene prosessen som brukes til å ta data fra kilden og konvertere dem til et brukbart format – og deretter flytte dem til et datavarehus eller annet dataarkiv. ETL er spesielt nyttig for transaksjonsdata, men mer avanserte verktøy kan også administrere en rekke ustrukturerte datatyper.

    En datamarked er et inndelt segment i et datavarehus som er orientert mot et bestemt forretningsområde eller team, for eksempel økonomi eller markedsføring. Datamarter gjør det enklere for avdelinger å få rask tilgang til data og innsikt som er relevante for dem, og til å kontrollere egne datasett i det større datalageret.

    Datamodeller er et grunnleggende element i programvareutvikling og -analyse. En datamodell er en beskrivelse av hvordan data struktureres, og hvilket formular dataene skal lagres i i databasen. En datamodell gir et rammeverk for relasjoner mellom dataelementer innenfor en database, i tillegg til en veiledning for bruk av dataene.

     

    Datamodellering er prosessen med å opprette datamodeller. Ved oppretting av en database- eller datavarehusstruktur starter designeren med et diagram som viser hvordan data vil flyte inn i og ut av database- eller datavarehuset. Dette flytdiagrammet brukes til å definere kjennetegnene for dataformater, -strukturer og -funksjoner for databasehåndtering for å støtte dataflytkravene på en effektiv måte. Modelleringen har en standardisert metode for definisjon og formatering av databaseinnhold på tvers av systemer, noe som gjør det mulig for ulike applikasjoner å dele de samme dataene. 

    Et datavarehus (EDW) lagrer alle aktuelle og historiske forretningsdata på ett sted – omfanget av stamdatastyring, datalagring og en datastrategi basert på en helhetlig tilnærming til dataadministrasjon. EDWs tilbyr et velkomsthiljø for analyseprogramvare og vedlikehold av nøyaktige KPI-er og rapportering for hele firmaet. Mange EDWer er skybaserte for skalerbarhet, tilgang og brukervennlighet.

    Nyhetsbrev for SAP Insights

    placeholder
    Abonner i dag

    Få nøkkelinnsikt ved å abonnere på nyhetsbrevet vårt.

    Videre lesing

    Tilbake til toppen