Beslutsstödsystem (DSS)

Beslutsstödsystem kan användas som ett paraplybegrepp för att beskriva alla datorbaserade system som stödjer beslutsfattande i en organisation (Sharda, Delen & Turban, 2014). Ett sätt att uppnå målet med att samla in användbar information och modeller för informerat beslutfattande är att använda sig av beslutsstödsystem (DSS). Sauter (2010) beskriver att ett beslutsstödsystem är som ett datorbaserat system som samlar in information från olika källor. Sauter (2010) beskriver vidare att dess syfte är att hjälpa till att organisera, analysera information och underlätta utvärderingen av de förutsättningar som ligger till grund för tillämpning av specifika modeller. Med andra ord menar Sauter (2010) att dessa system skapar en möjlighet för beslutfattare att få tillgång till relevant information över hela organisationen. Med ett beslutsstödsystem blir det möjligt för beslutfattare att effektivt analysera data som kan framställas från transaktionsbehandlingssystem och andra interna informationskällor (Sauter, 2010). Vidare beskriver Sauter (2010) att beslutsstödsystem tillåter åtkomst till extern information från olika företag, där beslutfattarna har förmågan till att analysera information på ett sätt som hjälper det specifika beslutet och ger det stöd som verksamheten är i behov av. Därför är tillgången till ett beslutsstödsystem en möjlighet till att förbättra datainsamlingen och analysera processer som kan förknippas med beslutsfattande. Genom att företag använder sig av beslutsstödsystem kan företagsledningen förbättras samtidigt som lyhördheten och kvaliteten i beslutfattandet kan förbättras. (Sauter, 2010).

Ett beslutsstödsystem kan stödja företag och andra verksamheter i områden som handlar om problemlösning och modellering. Typiska användningsområden för beslutsstödsystem är planering och ledning inom företagsverksamheter, hälso-sjukvård, militären och andra områden där planering och ledning har en stor betydelse för att möta komplexa Beslutssituationer.

Beslutsstödsystem används vanligtvis när strategiska och taktiska beslut ska fattas (Bates, 2012).

BI och beslutsstödsystem anses vara väldigt lika när det kommer till arkitekturen, detta eftersom BI utvecklades baserat på beslutsstödsystem. BI är starkt förknippat med ett datalager, något som beslutsstödsystem däremot inte behöver. I och med detta anses beslutsstödsystem vara ett alternativ lämpat för flera olika företag och BI till större företag som har råd att investera i ett dyrt datalager.

Dessutom anses beslutsstödsystem vara anpassade för att direkt stödja specifika beslutfattande. BI är utvecklade med syfte till att ge information på ett rätt och smidigt sätt och därmed agera som ett beslutsstöd, vilket i sin tur bidrar till stöd för beslutsfattande men på ett indirekt sätt (Sharda, Delen

& Turban, 2014).

Enligt Bates (2012) finns det tre grundläggande komponenter som används i beslutsstödsystem.

Dessa är Database management system (DBMS), Model- base management system (MBMS) och Dialog generation and management system (DGMS)

Bates (2012) beskriver Komponenten DBMS som en databank för beslutsstödsystemen, Där uppgiften är att spara stora mängder av data som kan vara relevanta för företagen. Den ska även informera användaren om vilka typer av data som finns tillgängliga och hur användaren kan få tillgång till dem. Bates (2012) beskriver vidare att komponenten MBMS grundläggande funktion är att ge oberoende mellan specifika modeller som kan används i ett beslutsstödsystem. Dess syfte är att omvandla data från DBMS till information som kan vara användbar vid beslutsfattande. Den sista komponenten DGMS ansvarar för att öka systemanvändares förmåga till att använda och dra nytta av beslutsstödsystemet (Bates, 2012).

Figur 3 - En högnivåarkitektur av Business Intelligence (av Sharda, Delen & Turban, 2014) Figuren ovan illustrerar ett BI-system med fyra huvudkomponenter (se figur 3). Ett datalager med dess källdata, Business Analytics som ett samlings verktyg för att analysera, bryta ner och manipulera data i datalagret. Business Performance Management (BPM) för övervakning och analys av prestanda och sist ett användargränssnitt för att visa förhållandet mellan dessa komponenter (Sharda et al. 2014).

3.2.1 Business Intelligence

Business Intelligence även kallat BI är ett paraplybegrepp som kan definieras på många olika sätt.

För att förklara BI på ett enkelt och smidigt sätt handlar det om att leverera relevant och pålitlig information till rätt personer vid rätt tillfälle, med målet att uppfylla snabbare beslutfattande. För att kunna göra detta kräver BI olika metoder och program. Program och metoder som skapar möjligheten till att samla in och strukturera data för att sedan kunna konvertera det till information som sedan presenteras för att förbättra företagets beslutfattande (Rouhani et al. 2012, s.63). Enligt Rouhani et al. (2012) är BI ett verktyg som kan tillämpas för att hjälpa organisationer att hantera information smidigt med målet att effektivisera beslutfattandet. Vidare beskriver författarna Rouhani et al. (2012) att BI är en uppsättning av lösningar, processer, arkitekturer, tekniker och verktyg som hjälper chefer att lättare förstå den nuvarande affärssituationen som de befinner sig i.

BI används för att omvandla rådata till meningsfull och användbar information som sedan kan tillämpas för att möjliggöra effektivare operativa, strategiska, taktiska insikter och beslutsfattande.

företagschefer samt erbjuda de förmågan att göra analyser.¹ BI omfattar verktyg som datawarehousing, Business Analytics (BA) och Datamining ². Företag som inte använder sig av BI kan resultera till ogynnsam strategisk och taktiska beslutsfattande (Passi, 2014).

Det finns tre områden som ett företag bör identifiera och analysera vid anskaffningen av en BI lösning. Det första steget handlar om att ta fram ett verktyg som skapar bättre förutsättningar för samtliga inom organisationen inte endast för några få. Organisationen bör även ta fram en BI lösning som har goda möjligheter till att integrerar med andra system. Exempelvis system som kan bidra med värdefull data. Sista aspekten som bör behandlas är flexibilitet. Med flexibilitet menas att ta fram en lösning som kan hantera förändringar genom tiden när nya krav på funktioner tillkommer. (Agiu et al. 2014, s.34).

Business Intelligence behöver inte ses som ett verktyg, en produkt eller ett system utan som ett nytt tillvägagångssätt i organisationsarkitektur. Baserat på analysering av information skapas också möjligheten till att få fram bättre och optimerad underlag vid framtagning av strategiska beslut.

(Aghaei & Asadollah, 2013)

Figur 4-Utveckling av Business Intelligence (av Sharda, Delen & Turban, 2014)

Figuren ovan illustrerar de olika teknikerna och verktygen som kan innefattas i ett BI system. Det illustrerar även utvecklingen av BI. Verktygen som visas (Se figur 4) är BI funktioner som ingår i paraplybegreppet Business Intelligence (Sharda et al. 2014)

1Gideon Mbiydzenyuy, föreläsning Business Intelligence Lecture 1. Högskolan i Borås, 2019.

2Gideon Mbiydzenyuy, föreläsning Business Intelligence Lecture 1. Högskolan i Borås, 2019.

3.2.2 Business Analytics

Bayark (2015) beskriver Business Analytics (BA) som en bred kategori av processer, applikationer och tekniker för att analysera, få tillgång till, samla in och lagra data för att effektivare kunna hjälpa företag att fatta bättre beslut. Vidare menar författaren att BA har på senaste tiden utvecklats och har börjat bli en del av företagens affärsbeslutsprocess och menar på att BA har stora potentialer att förändra företag när det kommer till beslutsfattande. BA försöker se till att företag får hjälp med operativa, taktiska och strategiska beslut (Bayark, 2015). Med BA kan det skapas större möjligheter till företag att hantera en ny typ av data som bland annat text, bilder, video, loggfiler och röst. Företag kan tillämpa sig av BA till största delen inom områden där företagen är beroende av kvantitativ information som ekonomi, marknadsföring och strategisk planering (Bayark, 2015).

Inom BA finns det tre typer av analytics som kan tillämpas av ett företag nämligen perspective, descriptive/reporting och predictive analytics (se figur 5). Enligt Bayark (2015) kan Descriptive/reporting analytics göra att företag får en omfattande insyn på sina affärsresultat, vilket skapar större möjlighet för användarna att kontrollera och hantera sina affärsprocesser. Vidare beskriver Bayark (2015) att Descriptive analytics tillämpar sig av Datamining och Business Intelligence för att erbjuda företag viktig information om nuvarande händelseförlopp eller tidigare.

Vidare beskriver författaren att Predictive analytics använder en rad olika tekniker och modeller vilket gör att företag kan lättare förutse det framtida resultatet baserat på historisk och nuvarande data. Predictive analytics kan tillämpas när företag behöver omvandla stora mängder data till meningsfull och användbara data. Med Predictive analytics kan beslutsfattare inom företagen få större möjlighet till att förutsäga framtida beteenden hos individer i företaget.

Figur 5 - Tre typer av analyser inom Business analytics (av Sharda, Delen & Turban, 2014) Bayark (2015) beskriver ytterligare att Perspective analytics kan definieras som en uppsättning av matematiska tekniker som kan beräkna en serie av alternativa åtgärder eller komplexa beslut

analytics blir det inte bara möjligt för beslutsfattare att upplysa framtida uppdrag utan perspective analytics skapar också möjligheten för företagen att ge råd om möjliga resultat och besvarar på frågan “vad ska vi göra”? (Bayark, 2015).

Enligt Bayark (2015) är en av de två bästa IT prioriteringar för stora företag Business analytics.

Företag investerar i BA eftersom det är en teknik som gör att företag kan fatta snabbare, proaktiva och bättre beslut. För att förbättra den ökade automatiseringen och samtidigt avskilja redundanta verktyg. Vidare menar författaren att företag kan lättare effektivisera processer och få bättre konkurrensfördel till företagets kunder med hjälp av BA.

3.2.3 Data warehousing

Data warehouse (DW) är en rationell databas som är designad för att utföra frågor som en analys berörs. DW innehåller oftast historisk data som kommer från transaktionsdata, men datan kan även hämtas från andra olika källor.³ Enligt Passi (2014) handlar DW helt enkelt om stabilisering av data från olika sorters källor som är designade för att hjälpa företag med taktiska och strategiska beslutsfattande. DW grundläggande syfte är att ge företag en enhetlig bild av affärer vid en tidpunkt. Genom att företag använder sig av olika DW verktygssatser får användaren större möjlighet till att utföra frågor online och “ansvara” för deras egen data. Passi (2014) beskriver att det är många framgångsrika företag som har investerat enorma summor på Data warehouse verkyg, Business Intelligence och andra tekniker. Företag kan dra nytta av att tillämpa sig av DW, eftersom det hjälper företaget att åstadkomma olika mål som till exempel bättre dataintegritet, Informationskonsistens och normalisering av data.

Data warehouse lagrar data som är utspridd genom olika system inom företaget. Anledningen till detta är för att skapa en centraliserad databas som undviker redundant data. Ett så kallat Data warehouse eliminerar redundant data för att skapa bättre BI resultat till organisationen. Passi (2014) beskriver att med hjälp av Data warehouse kan företag få tillgång till pålitlig och trovärdig data som är tillgänglig för alla.

En av de största anledningarna till att organisationer är i behov av DW är för att förfrågan hos beslutsstödsverktyg kan bli för komplext och invecklat. En vanlig databas som hanterar försäljning kan ta fram siffror och statistik baserat på information som redan finns lagrad i databasen men när frågor som berör andra områden än bara försäljning dyker fram kan det bli för svårt att hantera.

DW som lagrar data från olika system kan däremot enkel ta fram data från olika källor som sedan kan användas av BI verktyg för att ta fram svar på komplexa frågor. Ännu en fördel med att använda sig av DW är att datan genereras fram direkt ur själva DW och behöver inte gå via den ursprungliga källan (Thakur & Gosain, 2011).

3Gideon Mbiydzenyuy, föreläsning Business Intelligence Lecture 5. Högskolan i Borås, 2019.

3.2.4 Online Analytical Processing (OLAP)

Online Analytical Processing även kallat OLAP är en teknologi som används för att organisera stora mängder data från databaser och stödja Business Intelligence. För att lyckas få tillgång och analysera data på bästa sätt är OLAP databaser fördelade i en eller flera kuber och varje kub är organiserad och designad av en så kallad kubadministratör. OLAP databaser är starkt kopplat med begreppet Business Intelligence eftersom den underlättar för Business Intelligence applikationer att besvara frågor från användare. OLAP databaser är designade på ett sätt som gör att data går att komma åt mycket snabbare. Detta tillvägagångssätt tillåter dig att arbeta med mycket större datamängder, än att datan finns lagrad i en traditionell databas. (Microsoft, 2020)

Begreppet OLAP består av ett flertal aktiviteter som genomförs av slutanvändare. Det är inte fastställt vilka de olika aktiviteterna är utan innefattar diverse aktiviteter som att generera fram queries, genomföra analyser men även ta fram grafer och rapporter som resulterar i grafiska presentationer. Verktyget OLAP är utvecklad på ett sätt för att kunna hantera stora mängder av data med hjälp av data warehouse eller databaser. Den grundläggande syftet med att använda OLAP är att kunna analysera den samlade datan som finns inom företaget genom att presentera informationen i vyer och kuber som slutanvändaren själv är intresserad av.

OLAP möjliggör för chefer och analytiker att interaktivt undersöka och manipulera stora mängder data men även detaljerade och konsoliderade data från olika perspektiv. OLAP möjliggör analys av komplexa förhållanden mellan tusentals eller till och med miljontals data inom ett datalager och andra flerdimensionella databaser för att upptäcka mönster (O´Brien & Marakas, 2010).

Det bästa sättet att förstå fördelen med OLAP är att jämföra den med liknande affärsapplikationstekniker. OLAPs styrka ligger i förhållandet med data och modeller i stora skalor samt förmågan att kunna presentera data i olika kuber. Genom detta förhållande kan chefer lösa en mängd problem, som exempelvis presentation av data vilket tidigare skulle anses vara för komplexa att kunna hantera (O´Brien & Marakas, 2010).

3.2.5 Olika perspektiv på Business Intelligence

Paraplybegreppet Business Intelligence kan uppfattas på en mängd olika sätt beroende på vilken verksamhet begreppet används i och till vilken utsträckning det rör sig om (Rouhani et al. 2012).

Enligt Heang och Mohan (2017) uppfattas Business Intelligence som ett ramverk som omvandlar data till relvanat information för att förbättra beslutfattandet inom organisationen. Däremot har Lönnqvist och Pirttimäki (2006) ett annat perspektiv gällande Business Intelligence nämligen att Business Intelligence är en systematisk och organiserad process som används för att göra analyser och dela relevant information från både interna och externa datakällor som är viktiga för organisationen och för beslutfattandet. Thomsen (2002) argumenterar mot både mot Heang och Mohan (2017); Lönnqvist och Pirttimäki (2006) och menar på att Business Intelligence är som en analysmekanism som frambringar automatiserad beslutfattande med hänsyn till affärssatus, försäljningsanalys, produktrefrens och kundefterfrågan med mera. Vidare beskriver Thomsen (2002) att Business Intelligence är till för organisationer som arbetar med stor databasanalys, matematik, statistik, maskininlärning, data mining och med OLAP.

Enligt Negash och Gray (2008) är Business Intelligence ett datadrivet beslutsstödsystem som sammanställer datainsamling, datalagrig och kunskapshantering med analys för att ge input till beslutfattandet. Detta är något som Sharda et al. (2014) beskriver på ett liknande sätt där de tolkar Business Intelligence som ett paraplybegrepp som kombinerar olika verktyg, arkitekturer,

Intelligence är som ett beslutsstödsystem som stödjer beslutfattandet och kan uppfattas olika beroende vem som besvarar frågan.

Enligt Nofal och Yusof (2013) kännetecknas Business Intelligence som ett ramverk som samlar, ändrar och visar organiserad information från olika informationskällor. Vidare beskriver Nofal och Yusof (2013) att Business Intelligence är ett system och en lösning som hjälper beslutfattare att förstå företagets ekonomiska omständigheter.