Vad är ett data warehouse?

Av Weapp · Uppdaterad

Ett data warehouse, eller datalager, är den städade och strukturerade samlingsplatsen där data från olika system görs jämförbar för rapporter och analys. Till skillnad från de operativa databaser som driver den dagliga verksamheten är lagret byggt för att svara på frågor och ge överblick. Data från affärssystemen går in, dashboards och beslutsunderlag kommer ut.

Data warehouse, eller datalager på svenska, är ett begrepp som dyker upp så fort ett företag vill få ordning på sina siffror och fatta beslut på fakta i stället för magkänsla. Men vad ett datalager egentligen är, och hur det skiljer sig från både vanliga databaser och en datasjö, är sällan självklart. Här är förklaringen.

Vad ett datalager är

Ett data warehouse är en central, städad och strukturerad samlingsplats för data. Hit förs information från många olika system i verksamheten, tvättas och ordnas, så att den kan användas för rapporter, analys och beslut.

Nyckelordet är jämförbar. I den dagliga driften ligger data utspridd i skilda system som var och en beskriver saker på sitt eget sätt. Datalagret samlar detta på ett ställe och ser till att det talar samma språk, så att man kan ställa frågor om hela verksamheten och lita på svaret.

Poängen med lagret är alltså inte att driva verksamheten, utan att förstå den. Det är byggt för överblick, inte för det dagliga görandet.

Skillnaden mot operativa databaser och datasjön

För att placera datalagret rätt hjälper det att ställa det mot två närliggande saker som ofta blandas ihop med det.

En operativ databas driver den dagliga driften. Den hanterar ordern i samma stund som du lägger den, håller reda på lagersaldot just nu, sköter inloggningen medan du loggar in. Den är byggd för många snabba, enskilda operationer i nuet. Datalagret gör motsatsen: det samlar stora mängder data från sådana databaser och är byggt för att analysera helheten över tid, inte för att sköta enskilda händelser.

En datasjö liknar lagret i att den samlar data från många källor, men skiljer sig i ordningen: sjön sparar rådata i originalformat och strukturerar först vid användning, medan lagret strukturerar innan lagring så att allt ligger analysklart. Sjön är det rymliga råvarulagret, datalagret det ordnade skyltfönstret. Många större organisationer använder båda.

Ett typiskt flöde: affärssystem in, dashboards ut

Det enklaste sättet att förstå datalagret är att följa dataflödet genom det.

  • In: Data hämtas löpande från de operativa systemen – affärssystemet, e-handeln, CRM:et, ekonomisystemet. På vägen in tvättas och harmoniseras den, så att kundnamn, datum och belopp från olika källor blir jämförbara.
  • I lagret: Den städade datan struktureras och samlas, ordnad för att kunna summeras och jämföras över hela verksamheten.
  • Ut: Ur lagret hämtas rapporter, dashboards och analyser. Det är här beslutsfattare ser försäljning per region, trender över tid eller lönsamhet per produkt – på ett underlag de kan lita på.

Kortfattat: rådata från verksamheten går in, beslutsunderlag kommer ut.

Ett konkret scenario

Säg att en återförsäljare vill veta vilka produkter som säljer bäst, kanal för kanal. Försäljningen ligger i tre olika system: nätbutiken, kassorna i fysiska butiker och en marknadsplats. Var för sig ger de tre skilda bilder, med olika produktnamn och format, som inte går att jämföra rakt av.

Med ett datalager förs försäljningen från alla tre in, harmoniseras så att samma produkt heter samma sak överallt, och samlas i en gemensam struktur. Nu kan ledningen i en enda dashboard se total försäljning per produkt över alla kanaler, jämföra perioder och upptäcka mönster. Utan lagret hade någon fått exportera och klistra ihop kalkylblad för hand varje månad, med stor risk för fel.

Moderna molnexempel

I dag ligger datalager nästan alltid i molnet, med tjänster som BigQuery och Snowflake som vanligt förekommande exempel. De tar bort mycket av det tunga i att sätta upp och skala ett lager på egen hand. Vilken lösning som passar just er beror på era behov och er befintliga miljö – det avgörs av en utredning, inte av ett varumärke.

Så tar du nästa steg

Ett datalager blir aktuellt när data ligger utspridd i flera system och ni vill fatta beslut på en gemensam, pålitlig bild i stället för hopklistrade kalkylblad. Börjar ni, är det avgörande att flödet in – hur data hämtas och tvättas – blir rätt, för det är där de flesta felkällor sitter. Vill ni bygga en beslutsgrund som håller, tar vi på Weapp gärna med det i systemarbetet från början.

Vanliga frågor

Vad är skillnaden mot en vanlig databas?

En operativ databas driver den dagliga driften – den hanterar ordern medan du lägger den och är byggd för snabba enskilda operationer. Ett data warehouse samlar i stället data från flera sådana system och är byggt för att analysera stora mängder på en gång. Den ena sköter det som händer nu, det andra svarar på frågor om helheten.

Vad är skillnaden mot ett datalake?

Ett data warehouse strukturerar data innan den lagras, så att den ligger städad och analysklar. Ett datalake sparar rådata i originalformat och strukturerar först vid användning. Lagret är det ordnade skyltfönstret för kända frågor; sjön det rymliga råvarulagret för okända behov. Många större organisationer använder båda tillsammans.

Vad menas med att göra data jämförbar?

Olika system beskriver samma sak på olika sätt – en kund kan heta olika, datum skrivas olika, belopp anges i olika valutor. I datalagret tvättas och harmoniseras detta så att data från skilda källor talar samma språk. Först då går det att jämföra och summera över hela verksamheten utan att jämföra äpplen med päron.

Hur ser flödet in och ut ur ett datalager ut?

In går data från de operativa systemen – affärssystem, e-handel, CRM – ofta via en process som hämtar, tvättar och laddar den. I lagret struktureras och samlas den. Ut kommer rapporter, dashboards och analyser som beslutsfattare använder. Grovt: rådata från verksamheten in, beslutsunderlag ut.

Vilka moderna alternativ finns?

I dag ligger datalager oftast i molnet, med tjänster som BigQuery och Snowflake som vanliga exempel. De tar bort mycket av det tunga med att sätta upp och skala ett lager själv. Vilken lösning som passar beror på era behov och er övriga miljö – det är en fråga att utreda, inte att avgöra på varumärke.