top of page

Capana

AI og Business Intelligence: Fra dashboards til dialog med jeres data

3 days ago
9 min read

AI er på alles læber. Det gælder også inden for Business Intelligence, hvor teknologien allerede er en integreret del af platforme som Power BI, Qlik og Looker.

AI giver nye muligheder for at arbejde med virksomhedens data. Brugerne kan blandt andet stille spørgsmål i almindeligt sprog, få hjælp til at undersøge udviklinger og generere analyser og visualiseringer. Dermed kan AI gøre det hurtigere og lettere for flere medarbejdere at finde og anvende relevant viden.

Men hvad betyder udviklingen for den måde, virksomheder arbejder med BI på, og for BI-husenes rolle? Erstatter AI de traditionelle rapporter og dashboards? Og kan man stole på svarene, blot fordi AI har adgang til virksomhedens data?

I denne artikel ser vi nærmere på sammenhængen mellem AI og Business Intelligence. Vi undersøger, hvad AI kan tilføre en BI-løsning, hvilke begrænsninger og faldgruber virksomheder skal være opmærksomme på, og hvorfor datagrundlaget fortsat er afgørende. Vi ser også på, hvordan AI allerede anvendes i Power BI, Qlik og Looker, og hvordan udviklingen kan forme fremtidens BI.


Illustration af AI og Business Intelligence, der giver hånd som symbol på samarbejde mellem AI og BI

Hvad betyder AI i Business Intelligence?

Business Intelligence hjælper virksomheder med at samle data fra forskellige systemer, strukturere dem og gøre dem anvendelige gennem rapporter, dashboards og analyser. BI skaber med andre ord et fælles grundlag for at forstå, hvad der sker i forretningen, og træffe beslutninger på baggrund af data.

AI kan tilføre nye muligheder oven på dette grundlag. Hvor brugerne tidligere primært navigerede i færdige rapporter, kan de nu i stigende grad stille spørgsmål til data i almindeligt sprog og få hjælp til at undersøge resultaterne.

AI kan blandt andet bruges til at:

  • Besvare spørgsmål om virksomhedens data

  • Forklare udviklinger og afvigelser

  • Identificere mønstre og sammenhænge

  • Opsummere centrale resultater

  • Generere analyser og visualiseringer

  • Besvare opfølgende spørgsmål

David Henkin beskriver udviklingen i Forbes således:

“Leading platforms are integrating machine learning models, natural language processing, and automation to democratize data access.”

AI kan dermed gøre virksomhedens data lettere tilgængelige for medarbejdere, som ikke selv kan skrive databaseforespørgsler eller bygge rapporter. Det forenkler adgangen til analyse, men fjerner ikke behovet for det bagvedliggende arbejde.

AI erstatter nemlig ikke datagrundlaget, datamodellen eller virksomhedens forretningslogik. Teknologien giver i stedet brugerne en ny måde at tilgå og undersøge den information, som BI-løsningen allerede har samlet og struktureret.

BI organiserer og definerer virksomhedens data. AI gør det lettere at gå i dialog med dem.


AI bliver ikke bedre end det datagrundlag, den arbejder med

Det er ikke nok at give AI adgang til virksomhedens database og forvente, at den automatisk leverer korrekte og brugbare svar. AI kan kun arbejde med de data, definitioner og sammenhænge, den får stillet til rådighed.

Hvis data ikke er opdaterede, har varierende kvalitet eller bygger på forskellige definitioner, vil det påvirke resultaterne. Derfor er det bagvedliggende dataarbejde mindst lige så vigtigt, når AI bliver en del af BI-løsningen.

BI har altid handlet om at gøre data klar

Business Intelligence har i mange år haft to grundlæggende opgaver: at gøre virksomhedens data klar og at gøre dem anvendelige.

Den første opgave foregår bagved. Data indsamles fra relevante systemer, struktureres og kvalitetssikres. Relationer etableres, og KPI’er, beregninger og forretningsbegreber defineres. Det er dette arbejde, der sikrer, at virksomhedens tal hænger sammen og betyder det samme på tværs af rapporter og afdelinger.

Den anden opgave har traditionelt været mere synlig. Data er blevet gjort anvendelige gennem rapporter, dashboards og visualiseringer, som BI-specialister har udviklet til bestemte behov og brugere.

AI ændrer især den anden del. Når brugerne kan stille spørgsmål til data i almindeligt sprog, bliver det lettere at undersøge resultater og få hjælp til analyser uden selv at kunne skrive SQL eller opbygge en rapport. Den tekniske barriere bliver mindre, og flere medarbejdere kan arbejde aktivt med virksomhedens data.

Men det gør ikke arbejdet med at klargøre data mindre vigtigt. Tværtimod. Når flere brugere kan stille flere spørgsmål uden at kende den bagvedliggende datamodel, stiger behovet for, at modellen er korrekt, begreberne er entydige, og adgangsrettighederne er på plads.

Illustration af krav til AI-klare data: struktur, metadata, adgang, sikkerhed og sporbarhed

AI demokratiserer dermed adgangen til data, men ikke ansvaret for dem. Brugerne skal stadig kunne vurdere resultaterne kritisk, og nogen skal fortsat sikre, at AI arbejder ud fra de rigtige data og definitioner.

En del af BI-specialistens arbejde kan derfor flytte sig fra at bygge den enkelte analyse til at skabe og vedligeholde det kontrollerede grundlag, som både rapporter, dashboards og AI kan arbejde ud fra.

AI skal kende virksomhedens definitioner

Hvis en bruger spørger til virksomhedens omsætning, skal det eksempelvis være tydeligt, om der menes ordreindgang, faktureret omsætning eller nettoomsætning efter returneringer. AI kan ikke selv afgøre, hvilken definition virksomheden ønsker at anvende, hvis den ikke fremgår af datamodellen.

Microsoft fremhæver selv denne udfordring i sin vejledning om at klargøre Power BI-data til Copilot:

“When data is unstructured or ambiguous, AI systems can struggle to correctly interpret it.”

For at kunne levere relevante og troværdige svar har AI derfor brug for:

  • Samlede og opdaterede data

  • En gennemarbejdet datamodel

  • Korrekte relationer og beregninger

  • Entydige KPI’er og forretningsbegreber

  • Beskrivelser og metadata

  • Kontrollerede adgangsrettigheder

Det er blandt andet den funktion, det semantiske lag udfylder i moderne BI. Her forbindes de bagvedliggende tabeller og felter med fælles forretningsbegreber, beregninger og regler, som AI kan anvende, når den fortolker brugerens spørgsmål.

AI gør data lettere at bruge. Det gør kompetencerne til at gøre data klar endnu vigtigere.

Fordelen ved allerede at have en BI-løsning

En virksomhed med en velfungerende BI-løsning har ofte allerede udført en stor del af det arbejde, der er nødvendigt for at anvende AI på virksomhedens data.

Datakilderne er typisk forbundet, data opdateres løbende, og virksomhedens vigtigste KPI’er og beregninger er defineret. Der er også etableret en datamodel, som beskriver sammenhængene mellem eksempelvis kunder, produkter, salg og økonomi.

Det betyder, at virksomheden allerede kan have et fundament, som AI kan bygges oven på:

  • Data er samlet fra relevante systemer

  • Data opdateres og kvalitetssikres

  • KPI’er og beregninger er defineret

  • Relationer og forretningslogik er etableret

  • Adgangen til data er styret

  • Brugerne kender allerede rapporterne og virksomhedens nøgletal

En anden fordel er, at AI allerede er en integreret del af de førende BI-platforme. Virksomheder med Power BI, Qlik eller Looker behøver derfor ikke nødvendigvis anskaffe en helt ny platform for at begynde at undersøge mulighederne.

I Power BI kan Copilot blandt andet besvare spørgsmål om data, analysere rapportvisualiseringer og hjælpe med at oprette rapportsider. Qlik Answers giver mulighed for at stille spørgsmål til strukturerede data i Qlik-applikationer og kombinere dem med ustrukturerede kilder. I Looker bruger Conversational Analytics Gemini og virksomhedens LookML-model til at forbinde spørgsmål i almindeligt sprog med fælles KPI’er, beregninger og adgangsregler.

Mulighederne varierer mellem platformene, men fælles for dem er, at AI gør det lettere at undersøge og anvende de data, der allerede findes i BI-løsningen.

En eksisterende BI-løsning er dog ikke automatisk klar til AI. Datamodellen kan stadig have brug for tydeligere beskrivelser, synonymer og instruktioner, som hjælper AI med at forstå virksomhedens sprog og fortolke spørgsmål korrekt. Det kan også være nødvendigt at opstille verificerede svar på kendte spørgsmål og teste, hvordan AI håndterer forskellige formuleringer.

Microsoft anbefaler eksempelvis, at Power BI-modeller klargøres med AI-dataschemaer, instruktioner og verificerede svar, før Copilot stilles til rådighed for brugerne. Formålet er at reducere tvetydighed og gøre svarene mere relevante og konsistente.

Virksomheder med BI starter derfor ikke nødvendigvis forfra, når de vil undersøge mulighederne med AI. De kan i stedet videreudvikle det datagrundlag, den forretningslogik og den platform, de allerede har investeret i.

En eksisterende BI-løsning er ikke en garanti for gode AI-svar. Men en veldesignet BI-løsning kan være en stærk løftestang.


AI faldgrupper

AI har som alle andre teknologier sine faldgruber og er ikke en mirakelkur. Som beskrevet ovenfor er AI afhængig af pålidelige data og tydelige definitioner for at kunne levere brugbare svar.

AI kan ikke nødvendigvis:

  • Vurdere, om data fra kildesystemet er korrekte

  • Afgøre, hvilken KPI-definition virksomheden ønsker at anvende

  • Forstå udokumenterede undtagelser og arbejdsgange

  • Overtage ansvaret for datakvalitet, sikkerhed eller governance

Selv når det bagvedliggende dataarbejde er på plads, har AI nogle grundlæggende begrænsninger, som virksomheden bør være opmærksom på.

Generativ AI kan præsentere et forkert resultat på en sikker og velformuleret måde. Det kan gøre fejlen vanskelig at opdage, især hvis brugeren ikke selv kender data eller forretningsområdet tilstrækkeligt.

Det amerikanske National Institute of Standards and Technology beskriver denne risiko som:

“The production of confidently stated but erroneous or false content”

Kilde: Artificial Intelligence Risk Management Framework: Generative Artificial Intelligence Profile, NIST

Et AI-genereret svar bør derfor ikke vurderes ud fra, hvor overbevisende det lyder, men ud fra om resultatet kan dokumenteres og kontrolleres.

AI skal fortolke brugerens spørgsmål. Hvis en medarbejder spørger efter virksomhedens bedste kunder, kan der eksempelvis menes kunderne med den højeste omsætning, den største avance eller den største vækst.

Hvis spørgsmålet eller de bagvedliggende definitioner er uklare, kan AI vælge en anden fortolkning end den, brugeren havde i tankerne. I nogle tilfælde bør løsningen derfor bede om en præcisering frem for blot at levere et svar.

AI kan arbejde hurtigt med data, men den kan ikke automatisk vide, om oplysningerne i kildesystemet er mangelfulde eller forkerte. Hvis salg er registreret forkert, produkter mangler kategorier, eller kundedata ikke er opdateret, kan fejlene blive videreført i analysen.

AI kan muligvis hjælpe med at identificere afvigelser og mistænkelige mønstre, men det er ikke det samme som at vide, hvad der er korrekt.

Når brugerne kan stille frie spørgsmål til virksomhedens data, bliver adgangsstyring særlig vigtig. AI må kun kunne anvende og vise de oplysninger, som den enkelte bruger har ret til at se.

En medarbejder skal eksempelvis ikke kunne få adgang til personfølsomme oplysninger, løndata eller fortrolige kundedata gennem et spørgsmål, hvis vedkommende ikke kan se de samme oplysninger i den almindelige BI-løsning.

AI skaber ikke værdi, blot fordi teknologien bliver taget i brug. Et projekt uden et konkret problem, en tydelig arbejdsgang eller en relevant forretningsmålsætning kan ende med at bruge tid og penge uden at skabe et mærkbart resultat.

Virksomheden bør derfor begynde med at afklare, hvilket problem AI skal løse, og hvordan værdien skal vurderes. Først derefter giver det mening at vælge teknologi og løsning.

En brugervenlig samtale med AI kan få det til at føles, som om man kommunikerer med en kompetent analytiker. Men AI har ikke selvstændig forretningsforståelse eller ansvar for konsekvenserne af sit svar.

Virksomheden skal derfor fastlægge, hvilke resultater der kan bruges direkte, hvilke der skal kontrolleres, og hvem der har ansvaret for den endelige vurdering. Jo større betydning analysen har for en beslutning, desto vigtigere er menneskelig kontrol.


Målet er ikke at undgå AI, men at anvende teknologien med den nødvendige forståelse og kontrol. AI kan gøre analysearbejdet hurtigere og mere tilgængeligt, men virksomheden har fortsat ansvaret for dataene, anvendelsen og de beslutninger, der træffes på baggrund af resultaterne.


Fremtiden for AI og Business Intelligence

AI er allerede i gang med at ændre den måde, virksomheder arbejder med Business Intelligence på. Det betyder ikke nødvendigvis, at de traditionelle rapporter og dashboards forsvinder. De vil fortsat være værdifulde, når virksomheden skal følge faste KPI’er, overvåge udviklingen og skabe et fælles overblik.


AI tilføjer nye muligheder omkring det eksisterende BI-miljø. Brugerne kan stille spørgsmål til data, undersøge resultater og få hjælp til at identificere relevante mønstre og forklaringer. Hvor et dashboard viser de områder, virksomheden allerede har besluttet at følge, kan AI gøre det lettere at udforske de spørgsmål, der opstår undervejs.


Udviklingen peger derfor mod en kombination af:

  • Faste dashboards til styring og overvågning

  • Samtalebaserede analyser til spørgsmål og undersøgelser

  • Specialiserede dataagenter til bestemte forretningsområder

  • Automatiske forklaringer, opsummeringer og advarsler

  • Mere AI-assisteret udvikling af analyser og rapporter

  • Større krav til datamodeller, governance og dokumentation


BI-specialistens rolle vil også udvikle sig. Noget af det manuelle arbejde med at bygge analyser og visualiseringer kan blive hurtigere, mens arbejdet med at strukturere data, definere forretningslogik og kontrollere resultater bliver endnu vigtigere.


Fremtidens BI handler derfor ikke kun om at se på data, men også om at kunne føre en kvalificeret dialog med dem. Kvaliteten af dialogen vil fortsat afhænge af kvaliteten af det arbejde, der ligger bag.


Sådan kommer I i gang med AI i jeres BI-løsning

I behøver ikke begynde med et stort AI-projekt. Et bedre udgangspunkt er at vælge et konkret forretningsområde, hvor AI kan gøre det lettere at finde svar, undersøge resultater eller reducere manuelt analysearbejde.


Herefter bør I vurdere:

  • Hvilket problem AI skal hjælpe med at løse

  • Om de nødvendige data findes i BI-løsningen

  • Om KPI’er, beregninger og begreber er tydeligt defineret

  • Hvem der skal have adgang til data og resultater

  • Hvordan AI-genererede svar skal testes og kontrolleres


Begynd med en afgrænset anvendelse, test den på kendte spørgsmål, og udvid først løsningen, når I ved, at den skaber værdi og leverer resultater, I kan stole på.


Klar til at undersøge mulighederne i jeres data?

Hos Capana har vi i mere end 20 år hjulpet virksomheder med at samle, strukturere og anvende deres data gennem Business Intelligence. Den erfaring bruger vi nu til at hjælpe virksomheder med at gøre deres BI-løsninger klar til AI og udnytte de muligheder, der allerede findes i Power BI, Qlik og Looker.


Vi hjælper jer med at vurdere potentialet, klargøre datagrundlaget og finde et konkret sted at begynde.


Kilder og fagligt grundlag

Artiklen bygger på officielle beskrivelser af AI-funktionerne i Power BI, Qlik og Looker samt materiale om muligheder, begrænsninger og risici ved generativ AI.

Artiklen bygger desuden på Capanas erfaring fra mere end 20 års arbejde med Business Intelligence. I den periode har vi hjulpet virksomheder med at samle, strukturere og kvalitetssikre data samt udvikle datamodeller, rapporter, dashboards og analyser i blandt andet Qlik, Power BI og Looker. Denne praktiske erfaring danner grundlag for vores vurderinger af, hvordan AI påvirker BI, og hvilke forudsætninger der skal være på plads for at skabe troværdige og værdiskabende resultater.

bottom of page