De kern in het kort
- Leveranciers van appliances, datavirtualisatie en data-discoverytools beweren dat het einde van het datawarehouse nabij is; die alternatieven zijn hooguit deeloplossingen.
- Een datawarehouse brengt interne en externe data op één plek samen en creëert zo één versie van de waarheid.
- Het legt wijzigingen in de bronnen automatisch vast, waardoor historische analyses eenvoudig worden.
- Het maakt informatie alleen herkenbaar als het is opgezet met de business als vertrekpunt: begin bij de beslissingen, niet bij de bronsystemen.
- Veel repetitief data-engineeringwerk is inmiddels te automatiseren, wat de drempel voor mkb+-organisaties verlaagt.
Wat is het nut van een datawarehouse?
Steeds meer organisaties vragen zich hardop af wat het nut is van een datawarehouse en of het de investering waard is. Ze willen ook weten welke alternatieven er zijn. Een groeiend aantal IT-leveranciers en enkele zogenaamde experts beweren dat het einde van het datawarehouse in zicht is. Het gaat dan om leveranciers van datawarehouse-appliances, datavirtualisatietools en data-discoverytools.
Wij hebben een andere overtuiging. Het datawarehouse is nog altijd het kloppende hart van elke intelligente, datagedreven organisatie. Het vervult negen vitale functies.
Een datawarehouse is een aparte omgeving waarin data uit verschillende bronsystemen wordt geïntegreerd, met historie wordt bewaard en is gestructureerd voor snelle rapportage en analyse.
1. De integratie verbeteren
Een organisatie registreert gegevens in verschillende systemen die de verschillende bedrijfsprocessen ondersteunen. Om een integraal beeld van de bedrijfsvoering, klanten en leveranciers te krijgen, moet je de gegevens op één plek laten samenkomen en compatibel maken. Zo ontstaat ook één versie van de waarheid. Zowel externe data (uit de omgeving) als interne data (uit ERP-, CRM- en financiële systemen) vloeit samen in het datawarehouse en wordt netjes gegroepeerd, zodat eindgebruikers gegevens uit verschillende bronnen moeiteloos kunnen combineren en analyseren.
2. De responstijden versnellen
Bronsystemen zijn volledig geoptimaliseerd om veel kleine transacties in korte tijd te verwerken: orders, aanvragen of meldingen toevoegen. Voor managementinformatie over de prestaties van de organisatie stuur je slechts een paar grote ‘transacties’ naar je databronnen, zoals de omzetcijfers over de afgelopen twaalf maanden, waarvoor miljoenen records nodig zijn. Je wilt heel veel gegevens met één druk op de knop verzamelen, aggregeren en weergeven. De structuur van een datawarehouse is speciaal ontworpen om zulke grote hoeveelheden data snel op te halen en te analyseren.
3. Sneller en flexibeler rapporteren en analyseren
De structuur van een datawarehouse stelt eindgebruikers in staat snel en flexibel te rapporteren. Met de juiste tools kunnen ze ook interactieve analyses uitvoeren vanuit verschillende vooraf gedefinieerde invalshoeken, de dimensies. Gebruikers springen met één muisklik van jaar naar kwartaal naar maand en schakelen snel tussen de klant- en productdimensie, terwijl ze dezelfde indicator blijven zien. Zo kunnen ze echt jongleren met de data, snel waardevolle kennis opdoen over de bedrijfsvoering en klanten en de scores op prestatie-indicatoren monitoren.
4. Wijzigingen vastleggen en historie opbouwen
Veel bronsystemen houden de historie van cruciale records niet goed vast. Als een klant verhuist of een productmanager een product overhevelt naar een andere productgroep, overschrijft het systeem waarschijnlijk gewoon de oude waarden, en die ben je dan kwijt. Het ‘geheugen’ van het bronsysteem verdwijnt.
Om betrouwbare informatie te maken heb je die oude waarden nodig, zodat gebruikers de prestaties van de organisatie vanuit historisch perspectief kunnen bekijken: in overeenstemming met de organisatiestructuur, klantlocaties en productclassificaties van toen. Als ze de gegevens alleen vanuit de huidige context kunnen bekijken, missen ze cruciale informatie. Een datawarehouse houdt de wijzigingen in je databronnen automatisch vast, wat historische analyses zeer eenvoudig maakt.
5. De kwaliteit van gegevens verhogen
Organisaties overschatten nogal eens de kwaliteit van de gegevens in hun bronsystemen, totdat ze in de data gaan grasduinen en met eigen ogen zien dat veel gegevens niet kloppen of incompleet zijn. Met een datawarehouse kunnen ze de datakwaliteit stap voor stap en structureel verbeteren. Fouten worden weggewerkt, hetzij door de gegevens tijdens het laden automatisch te corrigeren, hetzij door slimme detectie en het aanpakken van het kwaliteitsprobleem aan de bron.
6. De operationele systemen ontlasten
Door gegevens over te dragen naar een aparte omgeving ontlasten organisaties de operationele systemen, die bij omvangrijke of complexe analyses onderuit zouden kunnen gaan. Dankzij een datawarehouse kan het bronsysteem zijn primaire rol altijd blijven vervullen. De operatie gaat ongestoord door terwijl gebruikers de meest complexe analyses maken, en de historische, geïntegreerde analyseomgeving kan volledig voor haar taak worden geoptimaliseerd.
7. De IT-afdeling ontzorgen
Een datawarehouse en gebruiksvriendelijke Business Intelligence-tools stellen medewerkers in staat zelfstandig rapporten te maken en analyses uit te voeren. Een organisatie moet wel eerst investeren in de vereiste infrastructuur. Hoe beter de architectuur is opgezet en ontwikkeld, hoe eenvoudiger gebruikers onafhankelijk van IT complexe rapporten en analyses kunnen maken.
Eindgebruikers hebben uiteraard eerst voldoende training en ondersteuning nodig. In de praktijk maakt de BI-afdeling veel van de complexere rapporten vaak toch zelf, omdat gebruikers tijd of proceskennis missen, omdat de structuur van de databronnen te complex is of omdat ze de tool te moeilijk vinden. Een andere reden kan zijn dat er te weinig is geïnvesteerd in de juiste architectuur. Daar zit vaak de bottleneck: het opzetten en onderhouden van de architectuur kost tijd, dure data-engineers en doorlopend beheer. Gelukkig is een groot deel van dat repetitieve engineeringwerk inmiddels te automatiseren, bijvoorbeeld met Diamond DWH.
8. De herkenbaarheid vergroten
Indicatoren worden zo veel mogelijk ‘voorgebakken’ in het datawarehouse, ook de complexere, onvervalste KPI’s. Daardoor kunnen gebruikers complexere rapporten in een paar eenvoudige stappen maken, bijvoorbeeld een rapport met het rendement op klantniveau, uitgesplitst naar maand, klantgroep en land. In het bronsysteem kun je deze informatie pas maken na een groot aantal handmatige acties en berekeningen en door gegevens uit andere bronnen erbij te halen.
Een datawarehouse vergroot dus de herkenbaarheid van de informatie die beslissers nodig hebben om de organisatie te sturen. Dat gaat alleen op als het datawarehouse is opgezet met de business als vertrekpunt en een spiegel vormt van de bedrijfsprocessen. Idealiter begin je daarom niet bij de bronsystemen, maar bij de beslissingen die je wilt verbeteren: een decision-first-aanpak.
9. De vindbaarheid verhogen
Een datawarehouse geeft gebruikers ook snel toegang tot de betekenis en het ontstaan van gegevens (metadata). In veel bronsystemen, zeker in de cloud of van specifieke leveranciers, zijn die betekenissen niet altijd gemakkelijk te achterhalen en soms zeer slecht toegankelijk. Met een datawarehouse vinden gebruikers sneller de juiste gegevens en werken ze die op tot bruikbare informatie, inzichten en kennis.
Rapporteren op bronsystemen versus een datawarehouse
De negen redenen samengevat in vijf verschillen.
Bronsystemen
Datawarehouse
Geoptimaliseerd voor
Veel kleine transacties
Grote analytische vragen
Historie
Vaak overschreven
Automatisch bewaard
Integratie
Per systeem
Eén versie van de waarheid
KPI’s
Handmatig berekend
Voorgebakken
Belasting door analyses
Belast de operatie
Aparte omgeving
Wel de lusten, niet de lasten: hoe Diamond Decisions een datawarehouse bouwt
Veel mkb+-organisaties aarzelen, niet omdat ze het nut van een datawarehouse betwijfelen, maar omdat het klassieke beeld afschrikt: een forse investering, een lange doorlooptijd en waarde die maanden op zich laat wachten. Binnen de Diamond Decisions-methodiek draaien we het klassieke denken om. We starten bij de beslissing die je wilt verbeteren en de signalen die je daarvoor nodig hebt, en bouwen daar met Diamond DWH een lichtgewicht maar robuust datafundament omheen.
- Eerste beslissingen ondersteund binnen weken, niet maanden: je bewijst de waarde in het klein voordat je grootschalig investeert.
- Tot 75% minder technische consultancy, doordat het repetitieve data-engineeringwerk grotendeels is geautomatiseerd.
- Een lage beheerlast en voorspelbare kosten via een abonnement, desgewenst onder SLA, zonder hoge investering vooraf.
- Privacy by design en automatische historieopbouw conform AVG- en ISO-principes, ingebouwd in plaats van zelf gebouwd.
Conclusie
De negen redenen maken duidelijk waarom een datawarehouse nog altijd het kloppende hart is van een datagedreven organisatie. Alternatieven zoals appliances of datavirtualisatie kunnen een deeloplossing zijn, maar tippen niet aan de totaaloplossing die een datawarehouse biedt. En de keuze is niet alles of niets: snel waar het kan, grondig waar het moet.
Verder lezen
- Datawarehouse
- Datakwaliteit
- Blog: Power BI en het datawarehouse
- Blog: 6 redenen om geen data lake aan te leggen
- Blog: De voor- en nadelen van een data vault
Over de auteur
Over Diamond Decisions
Diamond Decisions helpt organisaties beter te worden door betere beslissingen mogelijk te maken. We starten niet bij data, dashboards of AI, maar bij de beslissing die beter moet, en bouwen van daaruit terug naar KPI’s, data en technologie. Dat doen we in vier stappen: inspiratie en alignment, business modeling, analytics en dataplatform en datagedreven beslissers. Zo zorgen we dat BI en AI geen IT-project blijven, maar elke dag waarde opleveren.
Veelgestelde vragen
01
Waarom heb je een datawarehouse nodig?
Om negen redenen: integratie van data uit meerdere systemen, snelle responstijden, flexibel rapporteren en analyseren, historie, betere datakwaliteit, ontlasting van operationele systemen, ontlasting van IT, herkenbare informatie met voorberekende KPI’s en vindbare metadata.
02
Wat is het verschil tussen een datawarehouse en datavirtualisatie?
Datavirtualisatie laat de data in de bronsystemen en combineert die op het moment van de vraag. Een datawarehouse kopieert en integreert de data in een aparte omgeving, bewaart de historie en ontlast de bronnen. Virtualisatie kan een deeloplossing zijn, maar bouwt geen historie op en belast de bronsystemen nog steeds.
03
Is het datawarehouse achterhaald?
Nee. De functies die het vervult, integratie, historie, kwaliteit en snelheid, blijven nodig voor elke organisatie die op data wil sturen. Wat is veranderd is de manier van bouwen: veel engineeringwerk is te automatiseren en je kunt klein beginnen, vanuit één beslissing.
04
Is een datawarehouse haalbaar voor een mkb-bedrijf?
Ja, mits je niet met alle bronsystemen tegelijk begint. Start bij de beslissing die je wilt verbeteren, sluit alleen de bronnen aan die daarvoor nodig zijn en breid stap voor stap uit. Met geautomatiseerde data-engineering zijn de eerste resultaten er binnen weken.
Benieuwd wat een decision-first datawarehouse oplevert?
Ontdek Diamond DWH binnen de Diamond Decisions-methodiek, of neem contact op om je situatie te bespreken.