Business Intelligence påverkan på beslutsprocesser

Business Intelligence påverkan på

beslutsprocesser

En undersökning av BI-systemens påverkan på

beslutsprocesser och förändring av beslutsunderlaget hos en

organisation

Aron Berhane, Mohamad Nabeel

Självständigt arbete

Huvudområde: Industriell organisation och ekonomi Högskolepoäng: 15

Termin/år: VT/2020

Handledare: Christine Grosse Examinator: Håkan Sundberg

Kurskod/registreringsnummer: IG027G

Utbildningsprogram: Civilingenjör i industriell ekonomi

Sammanfattning

Business Intelligence-system (BI-system) är idag väl inbäddade i det dagliga arbetet hos ledningen i organisationer. Dessa system har en stor inverkan på hanteringen av Big Data och hjälper cheferna att fatta beslut. Studien syftar till att undersöka BI-systemens påverkan på beslutsprocesser och förändringen av beslutsunderlag hos organisationer och dess verksamheter, genom att undersöka tre aspekter inom BI som kan ha ett inflytande hos beslutsprocessen och beslutsunderlaget: Datakvalitet, dataanalys och mänskliga faktorn. Studiens tillvägagångssätt består av en litteraturstudie och intervjuer med organisationer som har ett BI-system implementerat i sin verksamhet.

Resultaten visar på att datakvalitet inte har någon direkt påverkan på framgången med BI men att kvalitetssäkring av data fortfarande är en essentiell del vid bearbetning av information för beslutsunderlaget, samt att dataanalysverktyg erbjuder variationer av metoder för att hjälpa en beslutsfattare med att skapa beslutsunderlag för olika typer av beslut. BI-systemen påverkar beslutsprocesserna genom att organisationer tänker mer systematiskt vid beslutshantering i jämförelse med att ta beslut på intuition.

Nyckelord: Beslut, beslutsprocess, beslutsunderlag, BI-system, dataanalys, datakvalitet, mänskliga faktorn.

Abstract

Business Intelligence-systems are well embedded in the daily work of managers in the organizations today. These systems have a significant impact on the management of Big Data as well as assisting managers in making decisions. The purpose of this study is to investigate how BI-systems affect decision making processes and the change of decision making in organizations and their activities, by looking into three aspects in Business Intelligence: Data quality, data analysis and the human factor. This study's approach consists of a literature review and interviews with organizations who have implemented a BI-system in their activities. The results show that data quality does not have a direct impact on the successful use of BI but is still an essential aspect when it comes to information management for decision making. Data analysis tools offer various of methods to help a decision maker in creating a decision basis for different types of decisions. BI-systems affect the decision-making process by making organizations think systematically in comparison with making decisions based on intuitions.

Keywords: Decision, decision making process, BI-system, data analysis, data quality, human factor.

Förord

Vi vill passa på att tacka våra respondenter från Invativa, CSN, Energimyndigheten och Bolagsverket för att ha bidragit med information till vårt arbete samt tacka vår handledare Christine Grosse från Mittuniversitetet som har varit till god hjälp och stöd samt bidragit med värdefull återkoppling under arbetets gång.

Innehållsförteckning

Sammanfattning ... 1

Abstract ... 2

Förord ... 3

1 Inledning ... 5

1.1 Bakgrund ... 5

1.2 Syfte ... 6

1.3 Mål ... 6

1.4 Avgränsningar ... 6

1.5 Disposition ... 6

1.6 Författarnas bidrag... 6

2 Teori ... 7

2.1 Business Intelligence ... 7

2.2 Tidigare forskning ... 16

2.3 Teoretiskt ramverk... 19

3 Metod ... 20

3.1 Övergripande metod ... 20

3.2 Information- och datainsamling ... 22

3.3 Metoddiskussion... 26

3.4 Forskningsetiska överväganden ... 28

4 Resultat och analys ... 29

4.1 Resultat från litteraturstudien ... 29

4.2 Resultat från intervjuerna ... 30

4.3 Analys ... 36

5 Diskussion ... 41

5.1 Innebörden för praktiken ... 41

5.2 Jämförelse med tidigare forskning ... 42

5.3 Metodkritik och kritik på data ... 42

6 Slutsats ... 44

6.1 Forskningsfrågor ... 44

6.2 Studiens bidrag och förslag på fortsatt arbete ... 45

Källförteckning ... 46

Bilaga A: Intervjufrågor ... 50

1 Inledning

1.1 Bakgrund

Idag står termen "Big Data" i centrum för många aktörer inom informationshantering.

Den stora mängd data som överförs från källsystem till en användare måste gå igenom lager av processer för att omvandlas till tolkbar information innan den kan utvärderas och tillämpas i verksamheten. En av dessa processer är Business Intelligence (BI) vars mål är att möjliggöra en enkel tolkning av Big Data.

BI omfattar en samling av tekniker, metoder och processer som används för att fatta beslut med hjälp av information som extraheras från stora mängder data (Dedić &

Stanier, 2016; Raisinghani, 2004). Tillämpningen av BI-system stödjer och förbättrar företagets verksamheter kring informationshantering och beslutsfattning (Raisinghani, 2004). Sådana tillämpningar kan vara att upptäcka dolda trender/mönster, en köpares beteende på marknaden, försäljning och annan viktig information (Fan, Lau & Zhao, 2015).

Till följd av de fördelar som BI ger har flera företag idag tillämpat olika applikationer inom området (Chugh & Grandhi, 2013). Heesen (2016) menar att BI är långt ifrån att vara fullständigt tillämpat och ytterligare utveckling kan förväntas komma och detta innebär att BI kan ha ytterligare påverkan i framtiden för organisationer och företag.

Företagen jobbar ständigt med sina BI-system och utveckling av dessa system sker löpande. Miljön som företagen befinner sig i är en viktig faktor och olika trender förekommer, det gäller därför för organisationer att hålla sig aktuella med de senaste innovationerna som finns tillgängliga. De ständiga förändringarna kräver också att organisationer håller sig uppdaterade på forskningen för att ifrågasätta samt främja trenderna och innovationer.

Organisationernas värld är idag väldigt komplex med hänsyn till den stora mängd data som hanteras i varje verksamhet. BI-system är därmed essentiella för beslutsnivåns effektivitet men även för att förbättra relationer med kunderna, arbetarna och leverantörerna genom att främja beslutsprocessen, öka produktivitet hos arbetarna, minimera kostnader och att öka affärsutvecklingen (Agiu, Mateescu & Muntean, 2014).

Med andra ord är BI ett verktyg som transformerar rådata till användbar information för beslutsfattande (Negash, 2003). Tidigare forskning påpekar att det finns signifikanta fördelar med att använda ett BI-system i verksamheten. Slutresultatet av att använda ett BI-system är väldokumenterat inom tidigare forskning men få artiklar besvarar frågan om hur det faktiskt påverkar en verksamhet i detalj. Det är därmed intressant att undersöka hur BI-systemet påverkar beslutsprocessen och beslutsunderlaget hos en verksamhet.

1.2 Syfte

Syftet med arbetet är att öka kunskap och förståelsen om hur BI systemen påverkar beslutsprocesser och hur beslutsunderlaget förändras till följd av en implementering i en verksamhet.

1.3 Mål

Målet med arbetet är att kartlägga utvecklingen i dagsläget och förändringen av beslutsprocessen som genereras av BI-system. Kartläggningen ska bidra till att besvara hur ett beslutsunderlag ändras vid implementering av BI-system i en organisation.

Arbetet syftar till att besvara frågeställningarna:

• Hur påverkas beslutsprocessen av BI-system?

• Hur har beslutsunderlaget förändrats till följd av att ett BI-system har implementerats?

För att besvara frågorna, kommer den här studien att genomföra analys av litteratur samt intervjua organisationer som jobbar med BI-system och undersöka BI-systemens påverkan på beslutsprocesser genom tre aspekter: Datakvalitet, dataanalysverktyg och mänskliga faktorn.

1.4 Avgränsningar

BI-system tillhandahåller flera tekniker, metoder och processer som påverkar beslutsprocessen hos en organisation. Flera forskningar undersöker kvaliteten och effektiviteten på besluten som tas, detta kommer inte att undersökas. Studien utgår från ett övergripande perspektiv gällande beslutsprocessen och kommer ej heller att fördjupa sig inom de tekniska aspekterna som påverkar beslutsprocessen (det vill säga fördjupningar om tekniker, tekniska specifikationer hos systemen, algoritmer och modeller.).

1.5 Disposition

Rapporten är utformad enligt följande: Kapitel 2 tar upp teorier och tidigare forskning i syfte att få en förståelse för problemområdet. Kapitel 3 beskriver de valda metoderna för att angripa frågeställningarna. Kapitel 4 innehåller resultatet. Kapitel 5 diskuterar resultaten och kapitel 6 är slutsatser från resultatet samt studien.

1.6 Författarnas bidrag

Båda författarna har varit lika delaktiga genom hela arbetet och har tillsammans framställt rapporten och dess innehåll.

2 Teori

Kapitlet ger läsaren en inblick över vad som har genomförts tidigare i det här fältet, vilka terminologier som används, idéer och tankesätt som förekommer inom problemområdet. 2.1 nämner Business Intelligence och 2.2 fördjupar läsaren inom tidigare forskning medan 2.3 nämner teoretiskt ramverk som ska förklara hur teorierna kommer att användas genom studien.

2.1 Business Intelligence

Begreppet “Business Intelligence” (BI) har sina rötter tillbaka till 1865, där Richard Miller Devens uttryckte ordet i “Cyclopædia of Commercial and Business Anecdotes”

(Keith, 2017). Devens använde ordet som en beskrivning av hur bankmannen Henry Furnese tjänade pengar på information, genom att samla och hantera data. Flera definitioner av Business Intelligence förekommer idag, vissa anser att BI är ett paraplybegrepp, andra syftar på målen inom BI. I det här arbetet associeras termen mer med affärsinformationshämtning. Termen omfattar de strategier, processer, applikationer, data, produkter, tekniker och tekniska arkitekturer vars syfte är att stödja insamlingen, analysen, presentationen och spridningen av affärsinformation (Dedić &

Stanier, 2016).

Figur 1: Business Intelligence som en paraplyterm.

2.1.1 Business Intelligence-system

Med Business Intelligence-system avses ett mjukvarusystem som utövar processerna inom BI. Arkitekturen hos ett BI-system kan bestå av följande komponenter: Datakälla, databehandling, samt analys och datapresentation (Arghir, Duşa, & Onuţă, 2019).

Data hämtas in med hjälp av exempelvis affärssystem (med affärssystem avses ett IT- system vars mål är att informera användaren med löner, lagerstyrning, rekrytering med mera)¹, csv filer, txt o.s.v. Data i källsystemen kan antingen vara ostrukturerade, semistrukturerade eller strukturerade (Negash, 2003). Data omvandlas i syfte av operationalisering för att slutligen laddas. Processen kallas för ETL (Extract Transform Load) (Denney, Long, Armistead, Anderson & Conway, 2016).

De laddade data i BI-systemet är inte alltid idealiskt strukturerad för operativt bruk d.v.s. för att fatta beslut, därmed gäller det att sortera och strukturera data för att få rätt data i rätt tid. I databehandlingsprocessen sker databehandlingen med hjälp av data warehousing. I data warehousing (datalagring) sammanställs data i ett lager, detta för att sedan analyseras med hjälp av de olika verktygen som BI tillhandahåller (Informatica, u.å.).

I analysprocessen undersöks data som har hämtats, där används analysverktyg (som beskrivs närmare i 2.1.3) som OLAP (Online Analytical Processing) och Data Mining i syfte att predicera data och utge ett resultat som sedan ska evalueras och användas som information för beslutsunderlaget.

BI-funktioner omfattar bland annat datavisualiseringar som Data Mining och OLAP.

1 Skillnaden mellan ett affärssystem och ett BI-system är att målet med ett BI-system är att förse användaren med mera detaljerade data för strategiska beslut. Detta genomförs med hjälp av verktyg som

datautvinningsapplikationer, operationella dashboards med mera. Målet med ett affärssystem är att ge användaren information för varje steg i en verksamhet. Detta omfattar rapporteringar, löner, lagerstyrning och rekrytering (för BI-system är det endast rapporteringar). (Toolbox, 2017)

Figur 2: Arkitekturen hos ett BI-system.

2.1.2 Datakvalitet

BI förlitar sig på att det finns data som kan undersökas. Utan data, går det inte att tillämpa processen. Janssen, Voort och Wahyudi (2016) kom till slutsatsen att datakvalitet har ett inflytande hos beslutsfattande vid hantering av Big Data, som BI bland annat hanterar. Vidare påpekas att säkerställning av god datakvalitet är en av de viktiga faktorerna för att förbättra beslutskvalitet. Således har organisationer ett behov av att hantera mängden data som tas in på ett lämpligt sätt. Datakvalitet är ett multidimensionellt koncept som kan definieras utifrån flera perspektiv (Fürber, 2016).

Enligt Fürber (2016) definieras datakvalitet som i vilken grad data uppfyller kraven som ställs. Bland dessa krav är:

• Kvalitetskrav av grupper och individer.

• Kvalitetstandardskrav.

• Lagar och andra tillsynskrav.

• Affärspolicy.

• Förväntningar av databehandlingsapplikationer, när endast vissa värden eller strukturer ska bearbetas.

Strong, Lee och Wang (1997) identifierade femton dimensioner som tilldelades till fyra kategorier inom datakvalitet: Inneboende, kontextualitet, tillgänglighet och föreställande datakvalitet (se tabell 1).

Tabell 1: Dimensionernas definition (Strong, Lee & Wang, 1997).

Kategori (Datakvalitet)

Dimension Definition av dimensionen

Inneboende (Intrinsic)

Trovärdighet (Believability)

“data accepteras eller betraktas som sann, verklig och

trovärdig”

Noggrannhet (Accuracy) “data är korrekt, pålitlig och certifierad utan fel “ Objektivitet (Objectivity) ”data är opartisk”

Rykte (Reputation) ”data är tillförlitlig eller mycket betraktas i termer av dess källa eller innehåll"

Tillgänglighet (Accessibility)

Tillgänglighet (accessibility)

”data är tillgänglig eller enkel och kan snabbt hämtas”

Säkerhetsåtkomst (access security)

”tillgången till data kan vara begränsad och hålls därmed säker”

Kontextuell (Contextual)

Relevans (Relevancy) ”data kan tillämpas och är användbar för uppgiften."

Värdetillagd (Value- added)

”data är gynnsam och ger fördelar med användningen”

Aktualitet (Timeliness) ”ålder på data är

passande för den aktuella uppgiften”

Fullständighet (Completeness)

”data är tillräcklig

djup och bred för den aktuella uppgiften”

Mängd data (amount of data)

”mängden och volymen av tillgängliga data är lämplig ” Föreställande

(Representational)

Tolkningsbarhet (Interpretability)

”data har ett lämpligt språk och enheter och datadefinitionerna är konsekventa"

Enkel förståelse

(Ease of understanding)

”data är tydlig utan

tvetydighet och lätt att förstå”

Kortfattad representation (Concise representation)

”data presenteras alltid i samma format och är kompatibel med tidigare data”

Konsekvent representation (Consistent representation)

”data är kompakt

representerat utan att vara överväldigande (dvs.

kort i presentation, men ändå fullständigt och till

punkt)"

Dessa dimensioner används som en utgångspunkt vid värdering av kvaliteten hos data som presenteras. I vissa fall kan det vara svårt att skilja på data och information. Data beskrivs som entiteter med olika attribut. Information utvecklas utifrån data när en viss kontext läggs till. Exempel på kontext är att hitta vilket datum en person är född. Data visualiserar attributen: dag, månad och år. Utifrån kontexten kan granskaren dra slutsatser över vad data visar, nämligen födelsedatumet.

2.1.3 Dataanalys

Idag finns många dataanalysverktyg som används för att stödja beslut. Sådana verktyg är OLAP och Data Mining, som antingen kan användas som separata verktyg, men som med fördel kombineras för att bidra till att skapa ett beslutsunderlag. Nuförtiden har de flesta företag sina egna BI-tekniker för att manipulera företagsdata till nyckeltal (key performance indicator²). Specifikt är kärnan i BI-teknologier baserad på dataanalys (Xia

& Gong, 2012). Dataanalysverktyg hjälper beslutsfattare att kunna fatta de bästa besluten relaterade till företagens mål. Dessa verktyg hjälper till att bland annat att skapa förutsägelser om intäkter och kostnader, analysera försäljningen och identifiera utvecklingen av finansiella indikatorer. Vilket därmed hjälper beslutsfattarna att ha sina egna perspektiv på data i allmänhet och finansiella redovisningsuppgifter i synnerhet.

2.1.3.1 Data Mining

Data Mining eller datautvinning betecknar verktyg och metoder för att hitta mönster, samband, klassifikationer med mera hos stora datamängder. Den vanligaste arbetsprocessen som används vid datautvinning är den så kallade CRISP-DM-modellen (Cross-industry standard process for Data Mining) (CRISP-DM, 2000). Processen består av förståelse av verksamheten, förståelse av data, databehandling, modellering, validering och sedan sammanställning (tillämpning i verksamheten).

2Key Performance Indicator - mätning av hur framgångsrikt affärsmålen har uppnåtts.

Figur 3: CRISP-DM-modellen (CRISP-DM, 2000).

Business understanding: Syftar på verksamheten som datautvinningen ska tillämpas i.

En förståelse krävs för projektets mål och kraven från ett affärsperspektiv (CRISP-DM, 2000). Kunskapen som har genererats utifrån processen ska sedan omvandlas till ett datautvinningsproblem och en plan sätts upp i syfte att uppnå målen.

Data understanding: Här samlas all data som ska analyseras. Syftet med processen är att bekanta sig med data, identifiera datakvalitetsproblem, utforska attributen samt antal instanser.

Data preparation: Data är inte alltid fullständig. I flera fall kan attributen sakna värden, ofullständiga instanser kan förekomma. Där gäller det att formatera och rensa data för att tillämpning av datautvinningen ska ge ett mer noggrannare resultat och att modellens precision inte påverkas av exempelvis brusdata³.

Modelling: Här byggs modellen upp som ska visualisera sambandet, mönstret eller klassifikationerna av den stora datamängden. I den här processen presenteras de algoritmer och metoderna som skall användas beroende på vilket mål som har kartlagts.

Evaluation: Modellen utvärderas och stegen som utförs för att skapa den granskas.

Detta sker för att säkerhet ska beaktas på att modellen korrekt uppnår affärsmålen som är uppsatta. Ett viktigt mål är att avgöra om det finns någon viktig affärsfråga som inte

3Exempel på brusdata är data vars värden skiljer sig alltför mycket i jämförelse med andra data som befinner sig i samma kontext.

har beaktats tillräckligt. I slutet av denna fas beslutas det om användningen av resultatet för datainsamlingen ska tas.

Deployment: Den här processen involverar hur införandet av resultatet ska appliceras i verksamheten som berörs. Enligt IBM (2012) inkluderar den här processen två typer av aktiviteter:

• Planera och övervaka implementeringen av resultatet

• Producera en rapport och genomföra en projektgranskning

Resultatet av Data Mining ska senare granskas och användas som verktyg för att planera och fatta ett beslut.

2.1.3.2 OLAP

OLAP (Online analytical processing) gör det möjligt för en användare att granska data.

Vanligtvis är en organisations data distribuerade över flera datakällor och varje bit av data är inte kompatibel med den andra (Kamagate, 2013). En del av processen i OLAP är att sätta ihop olika dataförvaringar och göra dem kompatibla för analys. Denna hopslagning sker vanligtvis vid hjälp av en flerdimensionell datamodell.

Denna flerdimensionella datamodell är ett tillvägagångssätt för BI-användare att analysera information enkelt och effektivt. Svårigheterna är att få data att förvandlas till ett format som stödjer den flerdimensionella analysen. Eftersom data hämtas från den operativa databasen, vars syfte är att stödja dag-för-dag operationer för en verksamhet. Av den anledningen benämns operativa system vanligtvis vid behandling av OLTP (Online Transaction Processing). Detta system används däremot inte vid verksamhetsanalyser, eftersom OLTP oftast svarar på enstaka transaktionsfrågor istället för övergripande verksamhetsanalysfrågor.

Även om OLTP är till liten användning för analyser, samlar systemet fortfarande data för den flerdimensionella analysen. De flesta moderna BI-system är utformade för en specifik analysmodell, OLAP. Förutom att OLAP stödjer en flerdimensionell modell, är den också snabb för användaren och har en robust förmåga för kalkyleringar.

Inom en organisation används OLAP för att ge enkel och snabb åtkomst till de analytiska resurserna som ligger till grund för de beslutsfattande och hanterandeprocesserna (Codreanu, 2011).

Figur 4: OLAP Arkitektur (Codreanu, 2011).

2.1.4 Mänskliga faktorn

Känslor anses vara en viktig drivkraft för mänskligt beteende och beslutsfattande. Sauter (1999) påpekar att en beslutsfattare har fyra typer av beslutsfattningsmetodik. “Left brain”, “Right brain”, tillmötesgående och integrerad beslutsfattningsmetodik. “Left brain” betonar analytiska och kvantitativa tekniker och använder rationella och logiska resonemang. Beslutsfattaren bryter ner problemen i smådelar och närmar sig varje delproblem med hjälp av logik och data, denna typ av beslutsstil lämpar sig under förutsättningarna att beslutsfattaren har kvantitativa analyser av databaslagrad information i hand (Sauter, 1999). Denna stil fungerar därmed bäst när alla relevanta variabler kan kontrolleras, förutsägas, mätas eller när fullständig information är tillgänglig. Vidare menar Sauter (1999) att dessa villkor inte alltid uppfylls, och det är därför inte ovanligt att beslutsfattaren därmed kan välja en annan beslutsstil. Ett annat alternativ är “Right brain” som omfattar intuitiva tekniker som placerar mer vikt på känsla än fakta. Dessa typer av beslut kännetecknas av ostrukturerade och spontana procedurer, vilket skiljer sig enormt i jämförelse med det analytiska tillvägagångssättet. Hur detta påverkar beslutsprocessen och förändrar beslutsunderlaget med hänsyn till att ett BI-system är implementerat är i huvudsak upp till beslutsfattaren. Om denne väljer att systematisera besluten med hjälp av logik och data eller om denne väljer att ta beslut på intuition. Studien kommer därmed undersöka utifrån beslutsfattarens perspektiv om hur denne väljer att resonera, med tanke på att ett BI-system finns som beslutstöd. Detta för att sedan undersöka vidare om hur detta påverkar beslutsprocessen och förändrar beslutsunderlaget.

2.1.4.1 Beslutsprocess

Martin (2016) identifierar en femstegsmodell för en beslutsprocess. Första steget i processen är en situationell analys av förändring eller behov. Processen inleds med att

identifiera, klargöra och prioritera en lista med faktorer som en beslutsfattare vill ändra på. Behovet av förändring uppstår vid missnöje med en nuvarande situation eller andra motsvarande anledningar. Detta för att beslutsfattaren vill gå mot ett mer positivt framtida tillstånd. Andra steget i processen är orsaksanalys, steget består av två huvud faser. I den första fasen analyserar beslutsfattaren de avgörande indikatorerna för orsaken till behovet av att ändra den nuvarande situationen. Detta sker i samband med att beslutsfattaren identifierar de underliggande faktorerna som förhindrar förverkligande av det ideala framtida tillståndet. Dessa faktorer identifieras, klargörs och prioriteras sedan. I den andra fasen analyseras de bakomliggande orsakerna till utmaningarna i båda situationerna. I det tredje steget tar beslutsfattaren upp de alternativ och idéer som kan användas för att minska, eliminera eller neutralisera problemen och / eller förbättra, stärka eller öka möjligheterna i syfte att närma sig det framtida tillståndet. I det fjärde steget tar beslutsfattaren upp en eller flera lösningsförslag för att uppnå det framtida tillståndet, varav en av dess används som en primär lösning och andra som reservlösningar. I det femte steget implementeras lösningen och en uppföljning av planen sker. Löpande under den här processen finns olika moment där ett BI-system kan bidra med verktygen i syfte att bland annat underlätta med informationsinhämtning.

Figur 5: Femstegsmodellen som beslutsprocess.

I vissa fall är beslutsprocesserna inte strukturerade på ett systematiskt sätt som tidigare nämnts. Beslutsfattarna kan i vissa eller till och med i flera fall fatta beslut på erfarenhet och magkänsla. Dessa beslut kan tas utan att ha tillgång till alla fakta, alltså Intuitiva beslut.

2.1.4.2 Intuitiva beslut

Intuition är hjärnans förmåga att bilda en omedelbar uppfattning eller göra en omedelbar bedömning. Utan att (medvetet) ha tillgång till alla fakta (Borking, Danielson, Ekenberg, Idefeldt & Larsson, 2009). Denna förmåga användes ofta i djungelmiljö, där beslut fattades snabbt för att undvika faror. I senare tid har beslut baserad på intuition blivit mer nyttjad vid organisatoriska beslut (Borking, et al. 2009).

Forskning om intuition och beslutstagandets effektivitet, föreslår att intuition är av begränsad nytta vid beslut som kan nedbrytas och löses sekventiellt. Beslut som ofta baseras på matematik och logik bör hanteras genom analytiska metoder (Dane, Rockmann & Pratt, 2012).

Däremot används intuitiva färdigheter mest av personer som verkar i förutsägbara miljöer. Intuitiva beslut är därför lämpliga vid hantering av linjära system, där orsak och effekt inte är komplicerade att identifiera. Medan i Icke linjära system som exempelvis en aktiemarknad, förekommer intuitiva beslut mer sällan (Hagstrom, 2013).

Philip Tetlock, psykologiprofessor vid Pennsylvania universitet undersökte 284 experters beslutsfattandeprocess under 15 år, där experter avgränsas till personer som bland annat citeras i tidningar och syns på TV. Alla experter blev frågade om statusen i världen. Det sammanlagda resultatet var att experternas prognoser inte ansågs vara särskilt precisa (Hagstrom, 2013). Tetlock kom fram till att orsaken till denna oprecisa prognos var att experter lider av bland annat övertro och efterklokhet.

Enligt Stanovich, professor i mänsklig utveckling och tillämpad psykologi vid Universitetet i Toronto (Hagstrom, 2013) arbetar människor dåligt med informationsbearbetning när ett problem ska försöka lösas. Detta på grund av att människor har olika kognitiva mekanismer att välja mellan, bland annat en stor beräkningskraft som kräver mycket koncentration och agerar långsamt, samt en låg beräkningskraft, som kräver liten koncentration och agerar snabbt. Stanovich beskriver människor som kognitiva människor, eftersom vår grundläggande tendens är att standardisera bearbetningsmekanismer som kräver lägre beräkningskraft, även om de är mindre exakta. Med andra ord är människor lata tänkare och tar den enkla vägen när problem ska lösas. Vidare så resonerar Charlie Munger, att en enorm uppsättning färdigheter inom olika discipliner, ger människor per definition flera verktyg och kommer därför att begränsa dåliga kognitiva beslut (Hagstrom, 2013). Med hänsyn till att BI är ett verktyg som samlar data från olika områden och sammanställer till ett tydligare svar kan detta anses vara ett verktyg för att förhindra dåliga kognitiva beslut.

2.2 Tidigare forskning

Flera undersökningar av Business Intelligences påverkan på beslutsfattning har genomförts. Rouhani, Ashrafi, Ravasan och Afshari (2016) studerade relationen mellan BI-funktioner, beslutsstödsfördelar och organisatoriska fördelar i beslutssammanhang.

Slutsatsen som forskarna kom fram till är att som svar på utmaningarna i beslutsprocessen krävs att organisationerna löser sina problem genom att använda olika BI-funktioner. I det avseendet är det avgörande för organisationerna att vara medvetna om de viktigaste fördelarna med varje BI-funktion. Syftet med det är att använda lämpliga funktioner anpassad efter deras affärsbehov som följer det strategiska och empiriska mönstret.

Vidare menar Rouhani et al. (2016) att en utveckling av en konceptuell modell för organisationerna är ett lämpligt behov vid anpassning av BI-funktioner för beslutsfattning. Relationen mellan BI-funktioner och beslutsstödsfördelar omfattar bättre kunskapsbearbetning och reducerad beslutstid. Med bättre kunskapsbearbetning och reducerad beslutstid för organisationen, innebär det ökade fördelar för organisationen i sin helhet.

Arghir et al. (2019) presenterar Business Intelligences koncept och deras påverkan på beslut, genom att inledningsvis jämföra och välja mellan fyra BI-system, Microsoft

Power Bi, IBM cognos, Oracle BI och SAS, utifrån kriterierna “funktionalitet”,

“prestanda”, “användbarhet” och “kostnad”. Forskarna i sin tur använde BI-funktionen Data Mining på en viss data set och jämförde mellan tre olika modelleringsmetoder:

“KNN”, “Apriori” och “Clustering”. Slutsatsen var att en beslutsfattare kan få olika typer av information från metoderna. Detta beror i synnerhet på vilket mål som skall uppnås. Associeringsmetoder som “Apriori” hjälper en beslutsfattare att förstå exempelvis hur en kund beter sig på marknaden genom att undersöka vilka associationer den kunden har för vissa produkter. Klassifikationsmetoden “KNN”

hjälper ett företag att kategorisera en ny produkt, i syfte att hjälpa exempelvis en kund att associera en ny produkt med en viss produktfamilj.

Det har även genomförts undersökningar om hur beslutsfattningsmetodik istället kan vara anpassad för BI-system. Pourshahid, Johari, Richards, Amyot och Akhigbe (2014) undersökte just detta, där de utvecklade en målinriktad och BI-stödd metodik för beslutsfattande. Motivationen är att trots den enorma mängden av tid och ansträngning som har spenderats på Business Intelligence-tekniker, har systemen oftast misslyckats med att påverka ledningens beslutsfattande. Ett problem anses vara att BI kan ses som ett verktyg vars syfte är att konsolidera data, och inte ett verktyg som presenterar ledningens beslutsfattande.

Resultatet var tillhandahållandet av flera bidrag till en målinriktad och BI-stödd metodik för beslutsfattande där det integrerades målmodeller, beslutsmodeller, situationer och processer tillsammans med analysfunktioner på ett nytt sätt, genom att försöka integrera modellbaserat beslutsstöd i ett BI-system och därmed förbättra beslutsprocessen.

I och med att det sker stor utveckling av digitala tekniker som kan samla och analysera stora mängder data (Big Data), anser Frisk och Bannister (2017) att det gäller även för chefer att kunna ändra sina beslutsfattningsmetodiker. Här menas även att BI-forskning fokuserar mycket på teknologin och inte på hur den används eller hur beslutsfattaren använder den. Frisk och Bannister undersökte hur beslutsfattningskulturen hos chefer kunde ändras genom att använda designtänkande.

Beslutsfattande kan vara en komplex del för ledningen i ett företag. Utmaningen i den moderna verksamheten är att hitta alternativ som kan förbättra beslutsfattandet. Istrat, Stanisavljev och Markoski (2015) undersökte vilken betydelse Business Intelligence- verktyg och tekniker har som stöd till beslutsprocessen hos chefer, genom att tillämpa BI-metoder och verktyg. I synnerhet Data Mining, för att sedan analysera de besluten som kan vidtas.

Visinescu, Jones och Sidorova (2017) utforskade och undersökte kvaliteten på beslut som fattats i samband med BI. Här menas att mycket fokus ligger på Business Intelligence-system och att dessa system har potentialen att ytterligare förbättra beslutsfattandet, men empirisk forskning om BI-framgång har i stort sett förbisett kvaliteten på besluten som fattats i samband med BI.

Genom att skapa fem hypoteser (H1: Ju större nivå av BI-användning i beslutsprocessen, desto högre uppfattas kvaliteten på beslutet. H2: Ju högre problem minneskomplexitet⁴, desto högre upplevs kvaliteten på beslutet. H3: Ju högre informationskvalitet i BI, desto högre upplevd kvalitet på beslutet som fattas med BI.

H4: Problemens minneskomplexitet modererar effekten av informationskvalitet på upplevd beslutskvalitet. H5: Nivån av BI-användning modererar effekten av informationskvaliteten på upplevd beslutskvalitet.), genomfördes en kvantitativ studie där företag som har använt BI-system utfrågades i enkätundersökning. Resultatet och hypoteserna granskades med hjälp av χ² test. Samtliga hypoteser förutom H1 hade stöd.

En annan tidigare forskningsartikel som undersökte liknande problem var från Wieder och Ossimitz (2015), där de menade att BI-systemen har varit topp-prioriterat för IT- direktörer under en längre period men att hantera systemen bortom implementationsfasen har varit en bristfällig kunskap. Därmed undersöktes de direkta och indirekta effekterna från BI-hanteringskvaliteten på kvaliteten av beslutsfattande med hjälp av PLS (Partial Least Square) analys av en enkätundersökning där IT-chefer utfrågades i Australien. Syftet var att undersöka om BI verkligen möjliggör bättre beslutsfattande, och ifall det gör, hur då?

Resultaten från PLS-analysen bekräftade att BI-hanteringskvaliteten har positiva direkta och indirekta effekter på datakvaliteten, informationskvaliteten och omfattningen av BI-lösningar. Det finns en väg genom datakvaliteten och informationskvalitet (datakvalitet påverkar indirekt via informationskvaliteten) som påverkar beslutskvaliteten. För praktiskt utövande visar det sig att en ordentlig hantering av BI är en viktig faktor för data och informationskvaliteten.

Popovič, Hackney, Coelho och Jaklič (2012) menar att informationssystems positiva inverkan på beslutsfattande är väl betonade. Däremot är kunskapen om hur dimensionerna i BI-system är sammanhängande och hur de påverkar Business intelligence-systemen begränsad. Författarna undersökte relationen mellan mognad, informationskvalitet, analytiskt beslutsfattande kultur och användningen av information för beslutsfattande som viktiga element i framgången för BI-systemen.

Borissova, Mustakerov och Korsemov (2016) föreslog ett BI-verktyg som är baserat på grupp beslutsfattande. Motiveringen till det är för att förbättra beslutsfattande och verksamhetsbeslut finns det flera organisationer som beror sig av beslutsfattning i gruppnivå. Dessa typer av beslutsfattningar utför bättre beslut genom att grupperna består av experter i beslutsprocessen, anser författarna. Problemen är multidimensionella och besluten måste vara baserade på procedurer som kräver integrering av ett brett antal varierande och motstridande synvinklar. Det föreslagna BI-verktyget skulle bland annat kunna ta hänsyn till kunskapsnivån hos

4 Minneskomplexitet: mängden minnesutrymme som används för att lösa ett beräkningsproblem, som en funktion av datastorleken (Kuo & Zuo, 2003)

gruppmedlemmarna som ska vidta ett beslut, vikten av åsikterna med de involverade, samt evaluering.

Tanks mål med sin undersökning (2015) var att visa att BI i realtidslösning skulle vara fördelaktigt för att stödja de operativa och taktiska lagren av beslutsfattande inom en organisation. Tank menar att för lite undersökningar finns om hur en realtidslösning skulle vara fördelaktig. Flera beslutsprocesser påverkas på grund av brist på uppdaterade och pålitliga data. Genom att lägga till ett realtidslager kan verksamheterna få pålitlig och korrekt information för att stödja sina beslutsprocesser kopplade till de strategier mål som är uppsatta. På det sättet förändras beslutsprocessen till följd av ett nytt lager inom BI.

De stora utmaningarna med BI i realtidlösning är att processerna är manuella, vilket innebär att data måste fysiskt matas in i systemen. För en realtidslösning innebär det att processerna måste vara automatiserade (Tank, 2015). Med automatiserade processer kan verksamheten upprätthålla en ideal kommunikation som resulterar till snabbare och noggrannare information till beslutsfattaren.

2.3 Teoretiskt ramverk

Teorin och tidigare forskningar tyder på att olika delar i arkitekturen för ett BI-system påverkar beslutsprocessen, och i denna studie kommer syftet att vara att undersöka ytterligare hur vissa aspekter i BI har inverkan på processen. Sådana aspekter är till exempel BI-funktioner som OLAP och Data Mining. Rouhani et al. (2016) påpekar att organisationer skall vara medvetna om de olika roller BI-funktioner kan utgöra, och vilken påverkan de har på beslutsunderlaget. I den här studien kommer dessa två BI- funktionerna (Data Mining och OLAP) att undersökas, gällande hur dessa används i beslutsprocessen och hur de påverkar beslutsfattandet. Datakvaliteten kommer också att undersökas, eftersom de första stegen i en beslutsprocess är att samla in information utifrån data. Janssen et al. (2016) antyder att beslutsunderlaget påverkas av datakvaliteten. Slutligen kommer den mänskliga faktorn att undersökas, hur beslutsfattarens agerande påverkas av att ett BI-system finns som hjälpmedel i beslutsprocessen.

För att tydligt framhäva studiens tre huvudaspekter, har aspekterna sammanfattats i tabell 2.

Tabell 2: Operationalisering av studiens tre huvudaspekter.

Datakvaliteten • Datakvaliteten vid hantering av större mängder data (Big Data)

• Hur påverkar datakvaliteten beslutsprocessen

Dataanalys • Användning av analysverktygen OLAP och Data Mining inom verksamheten samt vilken roll har de i beslutsunderlaget.

• Generellt utforska dataanalysens påverkan på beslutsprocessen

Mänskliga faktorn

• På vilket sätt har BI-implementationen påverkat det mänskliga beslutsfattandet

- Hur har aktiviteterna i beslutsprocessen påverkats - Förekommer det fortfarande intuitiva beslut

3 Metod

I det här kapitlet beskrivs metoden för studien. Kapitlet nämner studiens upplägg, hur undersökningarna genomfördes och vilken metod som har valts.

3.1 Övergripande metod

Studiens övergripande metodval består av en litteraturstudie och intervjuer av myndighet och företagsanställda som i dagsläget arbetar med BI-system. Litteraturen som har granskats består av vetenskapliga publikationer som artiklar och avhandlingar i vetenskapliga tidskrifter. Syftet med litteraturstudien är att skapa en överblick över forskningsfältet och att ta fram insikter från tidigare studier kring hur beslutsprocessen påverkas av BI-system. Syftet med intervjuerna är att undersöka de ändringarna som verksamheter har upplevt i beslutsprocessen samt de formella ändringarna som har skett. Forskningsprocessen har följt stegen enligt figur 6, dock är det viktigt att påpeka att arbetet har genomförts i form av en iterativ process.

Figur 6: Undersökningsprocess arbetsflödet.

3.1.1 Litteraturstudie

En litteraturstudie genomförs för kartläggning av vetenskapliga artiklar, böcker och andra källor kopplade till det specifika problemområdet. Detta i syfte att ge läsaren förklaringar, sammanfattningar och kritiska evalueringar samt skapa större förståelse av problemet. Hart (2018) beskriver att meningen med en litteraturstudie är att skapa en förståelse för ämnet, en översikt över vilka forskningar som redan genomförts och att eventuellt hitta nyckelproblem som behöver adresseras. Vidare redogör Hart (2018) några av fördelarna med att göra en litteraturstudie. En av punkterna som tas upp handlar om att identifiera tidigare forskning för att undvika duplicering. Detta är viktigt då mycket resurser går ut på forskning och kan vara av begränsad nytta om den inte kommer fram till något nytt. Andra fördelar med litteraturstudien är att den kan hjälpa forskaren att undvika fel från tidigare forskning och ge möjligheterna att rätta fel vid ny forskning. Vid kombination av en ytterligare analysmetod (kvalitativa intervjuer 3.1.2) kan även kartläggningen i sig ge ett forskningsvärde.

3.1.2 Intervjuer

För genomförandet av intervjuerna följer arbetet en kvalitativ metod. Detta innebär “ett försök att överskrida naturvetenskapens subjekt - objektförhållande mellan forskare och undersökningsenheter” (Holme & Solvang, 1997). Syftet med intervjuerna är bland annat att få en djupare kunskap inom problemområdet, antingen som är i enlighet med litteraturen eller ger ett nytt perspektiv. Det är också fördelaktigt med respondenternas meningar, värderingar och argument i den förmågan att det kan ge en annan bild på studiens synvinkel. Målet med intervjun är att få kunskap om hur det speglar sig i praktiken samt att få relevant information om problemområdet.

Fördelarna och nackdelarna vid sådana intervjuer beror på resultatet av intervjun, som berörs av olika faktorer. Holme och Solvang (1997) diskuterar “fyra huvudelement”

som kan lyfta eller dra ner validiteten av intervjun. Dessa huvudelement innefattar:

teman, roller, aktörer och kulisser. Det första av elementen är teman, med detta syftar Holme och Solvang (1997) på känsliga ämnen som kan vara svåra att diskutera. Detta kan leda till förlust av information som kan ge en vriden bild eller ett ofullständigt sammanhang. Det andra elementet är roller, med det menas att intervjuer bygger ofta på tillit och förståelse mellan intervjuaren och respondenten, eftersom respondenten kan inta en roll där det skapas en uppfattning på svar de tror intervjuaren vill höra. Den bästa hanteringen av denna situation är att intervjuaren antar sig rollen som den

“intresserade lyssnaren” (Holme & Solvang, 1997). Syftet med detta är att intervjuaren ska vara mer passiv i sitt agerande.

Det tredje elementet som diskuteras är “aktörens samspelsförmåga” (Holme och Solvang, 1997). Detta innebär att intervjuaren ska eftersträva ett samspel med respondenten, detta uppnås genom att bland annat inte gå för fort fram och försöka fånga upp signaler som respondenter ger. Målet är att eftersträva en balans där intervjuaren inte pressar respondenten till att ge mer information än vad respondenten är villig att dela med sig, men samtidigt utvinna den informationen personen är villig att utge.

Det sista elementet av de “fyra huvudelementen” som Holme och Solvang (1997) nämner handlar om kulissen (miljön) där intervjun sker. Elementet består av detaljer som tid, plats och huruvida intervjun spelas in eller inte. Den kvalitativa intervjumetoden har alltså flera kritiska variabler som enskilt eller tillsammans kan skapa variationer i hur intervjun resulterar.

3.1.3 Analys av data

Helhetsanalys är en form av textanalys som innebär att studien ser på helheten av den insamlade informationen (Holme & Solvang, 1997). Denna form av analysmetod är relevant för studiens fall då forskningsfrågorna besvaras från två olika synvinklar, litteraturen och praktiken (intervjuerna). Utifrån det teoretiska ramverket (Tabell 2) har en litteraturstudie genomförts. Intervjuer transkriberades och delades in efter forskningens tre huvudaspekter, där analysen jämför praktikens synpunkt på problemområdet med litteraturens synpunkt. Litteraturstudien och intervjuerna hänger därför ihop för att besvara forskningsfrågorna.

3.2 Information- och datainsamling

För arbetet användes triangulering för datainsamlingen, vilket innebär att två eller flera metoder används för att svara på samma fråga. I det här fallet användes litteraturstudier samt intervjuer för datainsamlingen. Den akademiska databasen Primo användes för litteraturstudien. Forskningsfrågorna ska besvaras genom en kombination av litteraturstudie och intervjuer av organisationer. På det sättet kan studien besvara forskningsfrågorna utifrån två angreppssätt. Sedan kommer metoderna att jämföras med varandra för att slutligen analysera vart dessa är eniga med varandra samt vart de skiljer sig åt.

3.2.1 Litteraturstudie

Datainsamlingen för litteraturstudien har skett först och främst via Primo (Mittuniversitetets akademiska databas), eftersom dessa databaser har kvalitetsgranskad forskning och vetenskapliga publikationer (Friberg, 2017).

Sökningarna genomfördes på engelska.

I den inledande informationssökningen (bakgrund och tidigare forskning) följdes en experimentell metod för att få en överblick av ämnet och kunna precisera bättre sökningar vid litteratursökningen (Litteraturstudien).

Figur 7: processen för urval av artikeln.

Urvalet av artiklar förbättrades vid undersökningens gång och är baserade på sökorden/ämnesorden, artikelns titel och sammanfattningens innehåll. Detta sammanfattas i figur 7.

Sökningarna har utgått från denna studies syfte, mål och problemområde. Utifrån detta har relevanta sökord tagits fram. Sedan har synonyma termer tillförts, i syfte att utvidga ramverket.

Alla sökningar i datainsamlingen har blivit dokumenterade i ett separat dokument och resultatet visas i tabell 3 och 4.

Tabell 3: Sökordstabell.

Sökord

Business intelligence, BI

Management systems, Strategic Management

Decision, Decision making, Decision process, Decision environment

Data quality, Information quality

Data analysis, OLAP, Data Mining,

Söktekniker som har använts är en kombination av trunkering och boolesk söklogik.

Med trunkering menas endast ordstammen skrivs in av ordet och sedan läggs ett trunkeringstecken i slutet av ordet, i denna studie har tecknet “*” använts. Detta görs för att hitta alla böjningsformer av ordet. Exempelvis om “Beslut*” skrivs, kommer databasen söka efter beslutsprocess, beslutsanalys, beslutstagande och så vidare.

Boolesk söklogik används för antingen att kombinera olika termer eller kräver att minst en term är i söksträngen. De sök-operatorer som använts är AND och OR.

Exempelvis: Beslut* AND BI*, får fram alla böjningsformer av beslut kombinerat med alla böjningsformer av BI. Vidare har filtrering skett enligt tabell 4, för att kunna underlätta sökningen av relevanta artiklar.

Tabell 4: Söksträng.

Söksträng Träffar Antal valda

artiklar

Filtrering

(BI OR Business

Intelligence) AND (Data

quality OR information

quality) AND decision*

55 2

journals, år 2000–2020, artiklar, engelska, Business Intelligence, decision making

Data Mining AND

Business Intelligence

126 2

journals, år 2000–2020, artiklar, engelska, Business Intelligence, Data Mining

Business Intelligence AND

Organization*

404 1

journals, artiklar, Business Intelligence, engelska, år 2000–2020

Business Intelligence AND

Dimensions

127 1

journals, år

2000–2020, artiklar, engelska, Business Intelligence

Business Intelligence AND

Strategic Management

BI AND decision

environment*

91 1

journals, artiklar, Business Intelligence, engelska, år 2000–2020

State of Business

Intelligence

184 1

journals, artiklar, engelska, år 2000–2020, Business Intelligence

En annan metod som har använts är sekundärsökning, på det sättet har referenslistor undersökts för att ytterligare ta fram relevanta källor.

3.2.2 Urval och beskrivning av de intervjuade organisationerna

När det gäller den kvalitativa intervjun, är intervjufrågorna baserade delvis på litteraturstudien och tidigare forskning. Huvudsyftet med frågorna är att de ska ha en inverkan på att besvara forskningsfrågan. Anledningen till att intervjufrågorna ställdes enligt Bilaga A är att de antas besvara forskningsfrågan baserade på författarnas uppfattning av problemområdet. Flera organisationer kontaktades via e-post för förfrågan av intervjuer. Intervjuerna genomfördes digitalt via kommunikationsprogrammet Zoom och webbtjänsten Telia videomöte.

Sammanlagt intervjuades fyra organisationer, Invativa AB, CSN, Energimyndigheten och Bolagsverket. Det är inte ovanligt att dessa organisationer jobbar med Big Data, framförallt de myndigheter som jobbar med handläggning av flera ärenden.

Första intervjun som genomfördes var med Invativa AB, organisationen är ett konsultföretag. Hos Invativa har ett egenbyggt BI-system implementerats för fyra år sedan. Respondenten har jobbat i företaget i sin nuvarande befattning som affärsprojektledare sedan BI-systemet implementerades. Bolagets intäkter kommer från fakturering av antalet timmar. Fokuset hos implementeringen har därmed varit att dokumentera timfaktureringen. Detta inkluderar element som ackumulerade timmar tillgängliga per år per konsult. För varje konsult som rekryteras, kan fler timmar läggas till. Detta används för att skapa en budget som sedan analyseras för att ta reda på hur mycket pengar verksamheten kan omsätta. Omsättningen jämförs med antalet

tillgängliga arbeten. Systemet är byggd med hjälp av olika antal webbapplikationer.

Detta omfattar tidrapporteringssystem, planeringssystem och ekonomisystem. Data plockas utifrån dessa system och placeras i antal Google kalkylark som sedan läses in via Google data studios. Där byggs bland annat egna grafer och dashboards. För beslutsunderlaget används systemet för att besvara om hur många timmar som finns i verksamheten, hur många timmar som kan tas ut samt vad snittpriset är för en konsult.

Andra intervjun som genomfördes var med CSN, tre respondenter medverkade under intervjun. Respondent 1 jobbade bland annat som verksamhetscontroller på staben för utveckling och kommunikation, respondent 2 på utbetalningsavdelningen (CSN:s avdelning för att administrera och betala studiestöd) och respondent 3 på inbetalningsavdelningen (CSN:s avdelning för att administrera inbetalningen av studielånen). Respondent 1 har jobbat ett år i nuvarande befattning (och 6 år för CSN).

Respondent 2 har jobbat 24 år för CSN, bland annat med verksamhetsutveckling samt med nuvarande befattning i fem år. Respondent 3 har jobbat 26 år för CSN, har även bland annat jobbat som verksamhetsutvecklare och sedan 2010 med nuvarande befattning. Bortsett från att CSN tillhandahåller studiemedel för studenter i universitet och högskolor, betalar CSN även ut studiemedel för gymnasieelever, ersättningar för personer med funktionsnedsättningar, körkortslån med mera. CSN använder IBM cognos som BI-system. Vissa data ligger utanför BI-systemet, dessa består av äldre system som används för uppföljningstabeller. Data lagras i data warehouse som sker med hjälp av IBM cognos. Uppföljning av telefontjänster sker externt via Telias system.

Det påpekas även att CSN har haft BI-systemet under en lång period.

Tredje intervjun genomfördes med Energimyndigheten. Energimyndigheten är en förvaltningsmyndighet vars syfte är att verka för hållbar tillförsel, omvandling, distribution och användning av energi. Respondenten jobbar som utvecklare på myndigheten och har jobbat där i nästan nio år. På myndigheten har de två data warehouse och två BI-system. Ena BI-systemet är SAS som används för den officiella statistiken och andra systemet är Microsoft Power bi. Fokuset har legat på Power bi som används för rekrytering, ekonomi och HR. Systemet har de haft i ungefär två till tre år.

För rapporteringar ligger data warehouse:n i kärnan. Data warehouse:n som myndigheten använder är byggd från grunden för 6–7 år sedan. Alla i verksamheten har tillgång till BI-systemet.

Fjärde intervjun genomfördes med Bolagsverket. Bolagsverkets uppdrag är att registrera och tillgängliggöra företagsinformation vilket skapar värde för samhället (Bolagsverket, 2020). Respondenten jobbar som enhetschef för styrning och uppföljning i myndigheten och har jobbat inom befattningen i sju år. Respondenten ansvarar för myndighetens styrmodell. Detta omfattar metodik för styrning, planering och uppföljning (inklusive myndighetens datalager och BI-lösning) samt kompetens inom dataanalys. Myndigheten använder sig av SAS Institutes system, för BI används modulerna SAS Visual Analytics.

Figur 8: BI-strukturen för Bolagsverket.

Myndigheten har använt sig av SAS sedan tolv år tillbaka och haft SAS Visual Analytics sedan sex år tillbaka. Figur 8 visar BI-lösningen som bolagsverket använder. Systemet tar upp data från 23 källsystem och lagras in i 669 tabeller (Stage DW⁵), som motsvarar en kapacitet på 362 GB. Data warehouse:n har en kapacitet på 286 tabeller (145 GB), Stage Mart på 53 tabeller (97 GB) och Data mart⁶ på 198 tabeller (107 GB). Vidare till ”Visual Analytics” som motsvarar det interaktiva grafiska gränssnittet för dataanalyseringen. Där genereras rapporterna som beslutsfattarna kan ta ut från statistikportalen. Lösningen är baserad på programvaror från SAS Institute.

Statistikplattformen ger myndigheten möjligheten att bearbeta, visualisera och analysera data. Fokuset ligger på att beskriva och förstå en företeelse utifrån historiska data, men ligger även till grund för prediktiva analyser vilket används för regressionsanalys och forecasting.

3.3 Metoddiskussion

En vetenskaplig undersökning bedöms av två kriterier, nämligen validitet och reliabilitet. För att säkerställa en god kvalitet på arbetet krävs det att forskningen har både en hög validitet och reliabilitet. Med validitet avses ifall det som ska undersökas är relevant för undersökningen (Holme & Solvang, 1997). För att stärka validiteten, gäller det att data och källorna som har använts i undersökningen är relevanta för studien. Med reliabilitet avses ifall resultat som har hittats är konsistent, d.v.s. att liknande resultat kan förekomma vid upprepande av studien, givet att samma metoder har använts (Holme & Solvang, 1997). För att styrka intervjuernas validitet och reliabilitet har forskningsprinciper följts i stora delar enligt forskningsmetodikens litteratur från Holme och Solvang (1997). På grund av de aktuella omständigheterna

5 Stage DW (DW staging area) är en temporär lokalisering för data som överförs från källsystemen. Detta sker p.g.a. att all krävda data måste vara tillgängliga innan dessa kan överföras vidare till datalagringen (Data warehouses, u.å.).

6 Data warehouse är en stor, centraliserad förvaringsplats för data samlad från flera källor i en organisation. Data mart är en delmängd av DW:n och innehåller samlade data för en specifik sektion eller enhet inom en organisation (Panoply, u.å.).

med pandemin covid-19, arrangerades inga intervjuer på ett sätt som skulle kräva att parterna träffas fysiskt.

För datainsamlingen har tydliga avgränsningar genomförts. Eftersom forskning är färskvara i många fall, har denna studie varit kritisk till äldre forskning, främst när det gäller litteraturstudien men även i teorin. Litteraturstudien består av nio artiklar från 2006–2017.

Orsaken till att sökningen genomfördes på engelska (som nämnts i kapitel 3.2), är av den anledningen att en sökning på undersökarens modersmål skulle begränsa studien, eftersom det finns ett begränsat antal forskningspublikationer på svenska. Referenserna för litteraturstudien som använts i den här studien är forskningspublikationer som doktorsavhandlingar, konferenspublikationer och forskningsartiklar. Där har endast peer-reviewed artiklar använts.

3.3.1 Validitet

Under datainsamlingen granskades flera källor med relevant information. Källor som bland annat var forskningsartiklar, böcker, intervjuer och hemsidor. Att hitta gemensamma faktorer i de källorna som användes för denna studie förstärker validiteten.

Under den kvalitativa intervjuprocessen har några åtgärder tagits för att på bästa möjliga sättet hantera intervjun. Urvalet av respondenter har skett konsekvent där företagsstorlek, bransch, expertis och hur många respondenter har tagits i beaktning för att få den variationsbredd som behövs för att informationen ska vara valid. En annan åtgärd är att det har varit i närhet till undersökningsenheterna, något som har gjort det möjligt att fånga upp signaler från respondenter. En viktig faktor för författarna är att vara pålästa innan intervjun och ha med sig viktiga punkter nedskrivna på en manual för att täcka dessa punkter i intervjun.

En annan viktig åtgärd var att använda sig av en intervjuteknik som går ut på att ha självmedvetenhet som intervjuare under intervjun.

3.3.2 Reliabilitet

I denna studie har tekniker för att förstärka reliabiliteten i litteraturstudien använts.

Några av dessa tekniker är källkritik, d.v.s. att källorna som har använts har varit av en högre grad än denna studies nivå. Dessa omfattar forskningslitteratur, forskningsartiklar och doktorsavhandlingar.

Hög reliabilitet i en kvalitativ intervju styrkas inte på samma sätt som vid en kvantitativ intervju, där reproduktion av information är viktigare för att reliabiliteten ska styrkas.

Orsaken till detta är att det bland annat är svårt att återskapa den sociala processen. Av den anledning valdes åtgärder för att styrka reliabiliteten. En av åtgärderna som har tagits är att vara väl förberedd inför intervjun på det sättet att teorier om BI har studerats grundligt med tidigare forskning, litteraturstudie och annan lämplig teori. På det sättet kan författarna få en högre kvalitet på informationen vid att bättre kunna förstå respondentens formuleringar. Detta för att respondenten kan ge mer detaljerade svar när den uppfattar intervjuaren som kunnig i sina frågeformuleringar och uppföljningsfrågor. För att öka tillförlitligheten och underlättande av analysering av

intervjuerna har de spelats in vid samtyckandet av respondenterna. Möjligheten för att ställa kompletterande frågor till respondenterna har säkerställts.

3.4 Forskningsetiska överväganden

Grundläggande individskyddskravet delas upp i fyra allmänna huvudkrav.

Principerna har följts enligt “God forskningssed” av vetenskapsrådet (2017):

• Informationskravet är tänkt att uppfyllas genom att alla de som intervjuats kommer informeras om vad syftet med studien är, vad deras uppgift är i arbetet och vilka villkor som gäller.

• För att uppfylla samtyckeskravet kommer deltagarna i intervjuerna vara informerade i förväg om att intervjuerna är helt frivilliga och att när som helst kommer det att gå att avbryta intervjuerna samt att all data samlad under den tiden kommer raderas.

• Konfidentialitetskravet är tänkt att uppfyllas genom att deltagarna i undersökningen kommer att vara anonyma och eventuell sekretessbelagd information kommer att förvaras på ett säkert sätt utan möjlighet för obehöriga att få tillgång till informationen.

• Nyttjandekravet kommer att uppfyllas genom att informationen som samlas endast kommer att nyttjas för forskningsändamålet.

Referenser och citat har tagits hänsyn till i syfte att forskningsresultaten förblir unika och att rätt forskare krediteras för utföranden. Avsikten för arbetets gång har alltid varit att sträva efter objektivitet och opartiskhet.

4 Resultat och analys

Här redovisas resultatet från intervjuerna och litteraturstudien samt analysen av datainsamlingen.

4.1 Resultat från litteraturstudien

4.1.1 Datakvalitet

Forskningsartikel från Işık, Jones och Sidorova (2012) visar att datakvaliteten inte har några direkta korrelationer med framgång för BI, oavsett beslutsmiljö. Enligt forskarna kan en möjlig förklaring vara att datakvaliteten som tillhandahålls av BI anses vara

"tillräckligt bra" och att ytterligare förbättringar av datakvaliteten kan gå på bekostnad av andra BI-funktioner.

Vidare visar det sig att när det gäller problemen med informationskvalitet som tillhandahålls av ett informationssystem ligger fokus främst på datakvalitet och dess dimensioner. För ett BI-system är problemet istället hur pass relevant informationen är för beslutsfattaren som ett BI-system tillhandahåller till problemet som förekommer, eftersom ett nyckelproblem av en ostrukturerad affärsprocess är relevant information till beslutsfattarna (Grublješič & Jaklič, 2014).

I studien från Conradle och Kruger (2006) identifieras strategier och processer för att förbättra informationskvalitet som vidare leder till ett mer komplett data warehouse.

Studien genomfördes i syfte att förbättra affärsbeslut. Conradel och Kruger påpekar att eftersom BI-system är analytiska av natur, är de baserade på OLAP:s tillvägagångssätt.

Av den orsak kan problem med datakvalitet ofta knytas till transaktionssystem (exempelvis OLTP) som används som källa i BI-system. Vidare beskriver Conradle och Kruger relationen mellan data, information, kunskap och visdom som en värdekedja.

Argumentet bygger på att denna värdekedja alltid har data som grundkomponent (Conradle & Kruger, 2006) och av den anledningen är datakvalitet en stor faktor i hela BI-processen. Huruvida denna data påverkar beslutsprocessen är diskutabel. Men av dessa grunder kommer Conradle och Kruger fram till att applicering av traditionella kvalitetssäkra verktyg och genomtänkta processer relaterade till företags datakvalitet, bidrar till en stor förbättring i beslutstagande, eftersom beslutstagande blir mer beroende av BI-system, som igen är baserad på väldesignat data warehouse.

4.1.2 Dataanalys

I en beslutsprocess är informationsinsamlingen en viktig del. Medan Data Warehousing sorterar och sätter ihop de data som samlats in från externa källor, är datautvinning steget som möjliggör kommunikation mellan användare och databas. Det är den delen i processen som tar fram information. Efter att data har förbehandlats (utvinning av data, integration och konvertering) samt att teknisk utvärdering av klassificering av information erhållits, granskas förhållandena mellan data. Efter det steget erhålls specifik information (Bayer, Aksogan, Celik & Kondiloglu, 2017).

Datautvinning utgör vidare ett verktyg för att lösa olika affärsproblem (Enache, 2006).

Exempel på affärsproblem är Market basket analysis, som används för att upptäcka dolda mönster i en köpares beteende i marknaden genom att modellen använder associationsregler. Vidare finns Fraud detection through purchase sequences som innebär att genom att analysera historiska data kan en beslutsfattare detektera data som varierar mycket från mängden av andra tupler och avgöra om det sker bedrägeri vid ett visst köp.

4.1.3 Mänskliga faktorn

BI-användare kan ha olika avsikter för hur BI-systemet ska användas. Det kan vara att BI-användare använder systemet olika beroende på om systemet är avsett för personlig användning eller för organisatorisk användning (med organisatorisk användning innebär det att systemet används på sådant sätt som har tänkts i organisatorisk nivå) (Wang, 2014).

Det tyder vidare på att ett BI-systems påverkan på en beslutsprocess beror på BI- användarens avsikter och hur eller om systemet används i verksamheten.

BI-system i organisationer har gjort det möjligt för beslutsfattare att också tänka prediktivt i syfte att analysera vad som sker härnäst i organisationen (Watson & Wixom, 2007). Vidare utgör tillämpningen av BI-system en förändring av organisationens kultur i hantering av beslutsprocessen genom att utföra besluten systematiskt med hjälp av information och analys, detta i kontrast med att fatta intuitiva beslut. Det tyder vidare på att en sådan förändring kräver att beslutsfattarna behöver ändra sitt beslutshanteringsbeteende för att detta ska möjliggöras.

En undersökning (Silahtaroğlu & Alayoglu, 2016) poängterar att utav 10 intervjuer av beslutsfattare, använder samtliga informationssystem på operationell nivå.

Användning av AI, smarta system och Big Data kan vara till nytta i organisationen och dessa mekanismer är generellt sett accepterade av beslutsfattarna, men erfarenhet, intuition och perceptioner spelar fortfarande en stor roll i beslutsfattandet. Därmed används inte BI-systemen som det har tänkts. Förklaringen enligt intervjupersonerna är bland annat att systemen inte är lämpliga för sektorn eller att firman inte är tillräckligt stor nog för att hantera det.

4.2 Resultat från intervjuerna

4.2.1 Datakvalitet

För Invativa AB:s interna styrsystem har ledningsgruppen själva lagt in data, och anser att kvaliteten där är något de kan lita på. I säljkanalerna finns det inte så mycket data, och är något de kan se över. Det anses vara för lite data i bolagets verksamhetskanaler för att anse att brist på datakvalitet skulle påverka beslutsunderlaget. Det har hittills inte varit ett problem för bolaget.

Hos CSN är säkerställning av data och kvalitet av data ett löpande arbete. Det genomförs tester vid uttagning av data. Förståelse för data förekommer redan i källsystemen. Enligt CSN, har datakvaliteten en inverkan på beslutsunderlaget och när