ANALYTICS AS A SERVICE
Utvärdering över funktionalitet inom Cloud BI
ANALYTICS AS A SERVICE
Evaluation over functionality in Cloud BI
Examensarbete inom huvudområdet Informationsteknologi
Grundnivå/Avancerad nivå 30 Högskolepoäng Vårtermin 2020
Oskar Dahlberg
Handledare: Christian Lennerholt Examinator: Mikael Berndtsson
Sammanfattning
Business Intelligence (BI) hjälper organisationer att kunna nå sina mål genom ett mer effektivt beslutsfattande. Ny teknik kommer ständigt och att tillämpa Cloud Computing (CC) tillsammans med BI ger många fördelar. Detta är väldigt ny teknologi som har en låg mognadsnivå men ständigt utvecklas och i denna rapport kan du läsa om den funktionalitet som finns tillgänglig om du väljer att använda dig av CC för att utföra BI.
Det har utförts intervjuer för samla in kvalitativ data som kan beskriva detta fenomen för att kunna ge organisationer mer insikt i hur detta fungerar. Genom att utföra semistrukturerade intervjuer med mycket rum för diskussion har många intressanta mönster framtagits. Totalt deltog fyra stycken respondenter som arbetat eller arbetar med BI och erfarenhet inom CC.
Resultatet fokuserar på att ge förslag och ideer till en organisation som kan tänka sig välja en CC lösning för att utföra BI. Mognadsnivån för denna ny teknologi är fortfarande väldigt låg och användningsområden och datatyper samt visualiserings funktioner kommer att tas upp.
Nyckelord: Business Intelligence, Cloud Computing, Analytics as a Service, Cloud BI.
Förord
Tack för alla som deltagit under denna tidsperiod.
Jag vill tacka dem som faktiskt kunde ställa upp i undersökningen som haft problem då det varit kris i världen i form av pandemi. Undersökningen och arbetet hade aldrig kunnat utföras om inte det var för respondenterna.
Tack till Högskolan i Skövde som ställt upp och hjälpt mig att hitta personer som är aktuella för en sådan studie. Stort tack även till handledaren Christian Lennerholt som alltid svarat på mail och skaffat fram lösningar för att hålla handledningar på distans.
INNEHÅLLSFÖRTECKNING
1 INLEDNING 1
2 BAKGRUNDSKAPITEL 2
2.1 Business Intelligence 2
2.2 Traditionell BI arkitektur 3
2.3 Cloud Computing 4
2.4 Service models 5
2.5 Deployment models 6
2.6 Cloud BI 7
2.7 Analytics as a Service 9
2.8 Funktionalitet inom AaaS 11
3 PROBLEMOMRÅDE 13
3.1 Problem/fråga 14
3.2 Syfte 14
3.3 Avgränsningar 14
3.4 Förväntat resultat 15
4 METOD 16
4.1 Forskningsstrategi 16
4.2 Datainsamling 16
4.3 Forskningsetik 18
4.4 Analys 18
5 GENOMFÖRANDE 20
5.1 Val av respondenter 20
5.2 Datainsamling 20
5.3 Analys 21
6 EMPIRI 22
6.1 Presentation av teman inom kategorin: funktionalitet (SaaS) 22
6.2 Presentation av teman inom kategorin: Service models 23
6.3 Presentation av teman inom kategorin: Leverantörer 24
7 ANALYS 25
7.1 Tolkning av teman inom kategorin: funktionalitet (SaaS) 25
7.2 Tolkning av teman inom kategorin: PaaS 26
7.3 Tolkning av teman inom kategorin: IaaS 26
7.4 Tolkning av teman inom kategorin: AaaS leverantörer 27
8 RESULTAT 28
8.1 Användbar funktionalitet SaaS 28
8.2 Mindre användbar funktionalitet SaaS 29
8.3 Förslag till en förbättrad affärsmodell 30
9 SLUTSATS 32
10 DISKUSSION 33
10.1 Pågående pandemi 33
10.2 Datainsamling 33
10.3 Analys 33
10.4 Resultat 34
10.5 Samhälleliga aspekter 34
10.6 Etiska aspekter 34
10.7 Framtida forskning 35
REFERENSER 36
BILAGOR 38
1
1 Inledning
Många organisationer idag är helt beroende på att deras data och informationshantering underlättas av informationsteknologi, för att kunna samla in, lagra, hantera och
analysera data bättre (Demirkan & Delen, 2013). Information är en viktig resurs inom organisationer som idag börjar ses som organisationers främsta resurs för utveckling och framsteg på marknaden (Demirkan & Delen, 2013). Organisationer är idag tvingade att anpassa sig till den tekniska utvecklingen inom IT för att kunna fortsätta vara
konkurrenskraftiga.
Business Intelligence (BI) ska förmedla information vid rätt tid till rätt person, för att möjliggöra det lättare för beslutfattare att ta beslut. Informationen som hanteras ska kunna stödja beslutet inom organisationen. BI hjälper organisationen att ta beslut baserat på data, och ger ett underlag om varför ett beslut är fattat. Kortfattat så
möjliggör BI att insamlad information kan förvandlas och användas som kunskap för en organisation, och hjälper då organisationen att vara konkurrenskraftiga inom
marknaden. Att använda traditionella Data-Warehouse (DW) med lokal hårdvara kräver mycket tid, pengar och kunskap. Nya tekniker bortser dessa nackdelar och fokuserar på att leverera det som ses som komplicerat och svårt, som en service. Efterfrågan av BI verktyg, teknologi och nya strategier ökar varje dag över hela världen (Murugesan &
Karthikeyan, 2016) och BI är något som börjar få mer vikt i en organisation.
Cloud Computing (CC) är en teknologi som enligt många stor potential att förvandla IT industrin (Olszak, 2014). CC möjliggör för organisationer att kunna hyra
resursanvändning av datorkraft, genom webbaserad teknologi. Det gör det möjligt för organisationer att få tillgång till mjukvara och hårdvara på begäran utan att behöva konfigurering, och en endast betala för användningen (Olszak, 2014). CC används redan flitigt inom andra områden som t.ex. Google Drive där användare kan få tillgång till lagringsutrymme via webbteknologi. För BI är detta en ny teknologi som är svår att integrera med dem lokala lösningar som utvecklats inom organisationen för att utföra BI.
BI och CC är båda teknologier som tagit utrymme inom organisationer dem senaste åren, och en kombinering mellan dem två teknologierna är oundvikligt. Kombinationen av BI och CC har tagit fram service modellen Analytics as a Service (AaaS). AaaS ska kunna erbjuda organisationer det som efterfrågas för att kunna utföra Business Analytics (BA), hela vägen från infrastruktur till plattform till mjukvara. Ny funktionalitet har också framtagits via kombinationen av CC och BI som t.ex. den oändliga mängd resurser för lagringsutrymme möjliggör hantering av Big Data och teknologier för att analysera data i realtid via Internet of Things (IoT) uppkopplade enheter. Detta är funktionalitet som skapar nya möjligheter för BI och BA, och för organisationer som vill vara
konkurrenskraftiga på marknaden.
2
2 Bakgrundskapitel
Här presenteras de områden som studien kommer att ta upp, även begrepp kommer att definieras. Dem områden som tas upp är BI och CC och som kombinerat blir begreppet Cloud BI. Inom CC förklaras dem vanligaste service modellerna för att sedan gå djupare in på service modellen AaaS. Arkitekturer för att utföra BI tas upp och egenskaper för varje arkitektur lyfts fram, för att argumentera varför forskning inom denna typ av arkitektur är viktig, och förstår varför organisationer väljer sig att använda en arkitektur.
2.1 Business Intelligence
Begreppet “Business Intelligence” introducerades på 1950-talet, i en artikel skriven av Luhn (1958) - “A business intelligence system”. Begreppet växte och fick sitt genombrott på 90-talet då analytiska applikationer började refereras till BI (Wixom & Watson, 2010;
Watson & Wixom, 2007). Begreppet har sedan dess växt och använts inom akademin för att beskriva nya tekniker inom dataanalys (Wixom & Watson, 2010). CC är en av dessa nya teknologier som kommer att användas tillsammans med BI. Wixom och Watsons definition av begreppet, en ny teknik som kan kombineras med det traditionella för att förbättra BI processen är en bra definition av begreppet BI. Målet med BI är att kunna göra beslutsprocessen lättare för beslutsfattare genom att kunna leverera relevant information vid rätt tid och plats.
BI kallas processen för dataanalys på strukturerad samt ostrukturerade data, från att samla in data till att förvandla till att skapa en förståelse för datan och presentera datan.
Om den här processen görs rätt kan organisationen förvandla data till kunskap för organisationen, och ta beslut baserat på den insamlade datan. BI beskriver dem olika teknologier, applikationer och processer för att samla, lagra och analysera data som möjliggör att användare kan ta bättre beslut, som är baserad på den insamlade datan(Wixom & Watson, 2010). Analyser kan delas upp i tre kategorier, deskriptiva, prediktiva och preskriptiva analyser (Berndtsson et al., 2018).
Deskriptiva analyser hjälper organisationen att kolla tillbaka i tiden för att t.ex. kunna se vad dem sålde mest av förra året. Detta görs genom att kolla på historiska data, och få en bild över vad som har hänt. Deskriptiva analyser gör att det lättare för en organisation att se kundbeteende, det kan även lyfta fram styrkor och svagheter som att t.ex. en speciell produkt säljer dåligt under en viss tidsperiod. Deskriptiva analyser ger svar på frågan “Vad har hänt?”.
Prediktiva analyser kommer att hjälpa organisationen att se framåt och troligtvis vad dem kommer sälja mest av nästa år genom att hitta mönster i insamlad data
(Berndtsson et al., 2018). För att kunna se i framtiden behöver man speciella verktyg i form av algoritmer för maskininlärning (Soltanpoor & Sellis, 2016). Prediktiva analyser ger svar på frågan “Vad kommer att hända i framtiden?”.
Preskriptiva analyser hjälper organisationen att automatisera beslutsprocessen i organisationen (Berndtsson et al., 2018). Med hjälp av preskriptiva analyser kan vi få tips på åtgärder för att kunna uppnå förväntat resultat. Det kan ses som en form av prediktiv analys men den kan föreslå olika utfall beroende på åtgärder (Soltanpoor &
Sellis, 2016).
3
2.2 Traditionell BI arkitektur
Traditionell BI arkitektur har ett brett fokus på backend, och komponenterna är implementerade lokalt inom verksamheten. Under utvecklingen av ny teknologi har även BI utvecklats till svårt komplexa arkitekturer, och för många organisationer är den traditionella arkitekturen en dyr lösning (Olszak, 2014). Anledningen är att
organisationen måste betala för hårdvaran och datorkraften, och dessutom måste sköta konfigurering och utveckling av mjukvara m.m. för sin egen infrastruktur.
I den traditionella BI arkitekturen är det mycket fokus på ett centralt DW inom organisationen, något som skiljer sig mot CC där resurserna för ett DW levereras via webbteknologi. CC erbjuder även mer funktionalitet och en annan arkitektur än ett traditionellt DW, samt att olika leverantörer marknadsför sina DW lösningar med andra namn.
Dem komponenter som ingår i den här komplexa traditionella BI arkitekturen är DW, BA (En samling verktyg för att manipulera, data mine och analysera data), Business
Performance Management (BPM) (verktyg för att utvärdera prestanda och användargränssnitt) och User Interface (UI) (visualiseringsverktyg för rapporter m.m) (Hadhoud and Salameh, 2020).
Figur 1 - Traditionell BI arkitektur (Inspirerad av Hadhoud and Salameh, 2020)
Dem olika datakällorna som beskrivs i figur 1 är väldigt beroende på vilken organisation det handlar om, beroende på vad organisationen kan förvandla till kunskap och skapa ett värde för organisationen (Hadhoud and Salameh, 2020). Ett exempel kan vara en organisation som arbetar med försäljning av kläder vill lagra olika kundgrupper och försäljningsstatistik men en organisation som arbetar med resor vill lagra data som t.ex.
väder, avgångs förseningar m.m. för att förbättra besluten som tas inom organisationen.
4 Större organisationer med olika avdelningar kan även dela upp data i olika Data Marts (DM), enhetsspecifika enheter som möjliggör rätt data till rätt enhet. Den hårdvara som behövs kan snabbt växa och bli komplex samt väldigt tidskrävande i underhåll och konfiguration.
Förklaringen på ett traditionellt DW är ett lagringsutrymme för data, ett DW samlar och hanterar data från olika operativsystem (t.ex. ERP, CRM) och även externa datakällor som social media, bloggar, videos m.m. (Hadhoud and Salameh, 2020). Data i ett DW ska alltid vara ämnesorienterad, tidsstämpel (för att kunna se historiska data), skalbar (så den kan sträcka sig med organisationen), nonvolatile (så att det inte går att ändra på data som är lagrad) (Hooi & Husain, 2012). Extract Transform Load (ETL) processen är processen som utförs innan data lagras i ett DW. ETL processen rensar och förvandlar data till önskat format för att sedan göra den redo att laddas in i ett DW (Hadhoud and Salameh, 2020). ETL processen gör att insamlad data senare kan förvandlas till kunskap, och möjliggör för sökningar och drilldown/slice/dice i lagrad data.
BA är applikationer och tekniker som används för att samla in, sortera och analysera data (Hadhoud and Salameh, 2020). BA handlar om att kunna förvandla insamlad data till ett värde för organisationen, med hjälp av olika verktyg för dataanalys och
visualisering. Här ingår tekniker som OLAP, Data mining och OLAM (Online Analytical Mining). Dessa verktyg hjälper en organisation att förvandla data till kunskap, och sätter ett värde på insamlad data. BPM är ett system för att optimera hela organisationen och inte bara en viss avdelning eller division. Det hjälper organisationen att uppnå
övergripande mål med hjälp av rapporter och KPI verktyg (Hadhoud & Salameh, 2020).
UI innebär visualiseringsverktyg som används för att presentera data. Ett vanligt verktyg är en dashboard, med olika typer av grafer som är lättlästa för en användare.
Visualiseringsverktyg gör det möjligt för en användare att hovra, highlight, slice/dice, drill-down genom olika nivåer, eller se relationer mellan olika grafer och data (Hadhoud
& Salameh, 2020).
Den traditionella BI arkitekturen är komplex och kräver mycket arbete, allt från ETL processen till att skapa ett mervärde på insamlad data. Det krävs mycket arbete att upprätthålla den traditionella BI arkitekturen t.ex. uppdatering av mjukvara,
underhåll av infrastruktur m.m. och den traditionella arkitekturen är ingen billig lösning då det krävs dyr hårdvara som aldrig kommer att användas till sin fulla potential. Nya tekniker och funktionalitet utvecklas hela tiden inom IT, och CC tillsammans med BI skapar begreppet Cloud BI en ny arkitektur som kan kombineras med det lokala traditionella BI arkitekturen. CC har många fördelar som den traditionella lokala self- hosted saknar, och en full övergång för organisationer från traditionella arkitekturen till CC är något som troligtvis kommer att ske när tekniken är redo.
2.3 Cloud Computing
Iden bakom begreppet CC föreslogs av John McCarthy redan 1960. Framtida
beräkningar skulle göras genom “public utilities”, menat att det skulle vara möjligt att hyra datorresurser för användning av datorkraft (Arutyunov, 2012). Iden slog aldrig igenom, utan det fick sin popularitet 2007 när ökningen av informationssystem för privat och affärs användande växte fram. Begreppet CC användes först av Google 2008, när Eric Schmidth föreslog det på en konferens, och ordet kommer senare att få den betydelse som det har idag (Arutyunov, 2012).
5 CC innebär en metod som gör det möjligt att datorresurser delas via nätverk till
användarna som efterfrågar dem (Rajaraman, 2014). Detta möjliggör att användarna kan få tillgång till resurser oavsett vart den befinner sig eller vilken enhet de använder.
Dem resurserna som delas körs på hårdvara inom CC nätverket, det kan vara
applikationer, nätverk, virtuella maskiner, lagringsutrymme eller servrar. Det här gör det möjligt för organisationer att minimera antalet resurser för få ett fungerande IT- system, mycket av det som kostar tid och pengar blir en service, som användaren betalar för.
CC kan erbjuda sina service modeller via webbteknologi och är då helt oberoende av vart användaren befinner sig vid tidpunkten den används, och kan användas på dem flesta enheterna som t.ex. smartphones, bärbara datorer och stationära datorer (Mell &
Grance, 2011). Användaren av CC kan begära användning av resurser från leverantören, och gör att det blir enkelt och snabbt att använda sig av dem tillgängliga resurserna (Mell & Grance, 2011). Resurserna som finns tillgängliga hos leverantören är
sammanlänkade som gör det möjligt att användas av flera användare samtidigt, och en automatisk tilldelning av resurser sker på begäran av den enskilda användaren (Mell &
Grance, 2011). Detta möjliggör ett mycket effektivare sätt att använda sig av resurserna som finns tillgängliga än den traditionella arkitekturen där mycket resurser inte
används fullt ut. CC gör det möjligt för användaren av tjänsten att öka/minska samt börja eller avsluta användningen av resurser, och resurserna ses som obegränsade från en användares perspektiv (Mell & Grance, 2011). CC har även funktionalitet
i mätverktyg för att optimera resurserna, och gör att resurserna som användaren utnyttjar kan kontrolleras och presenteras för användaren (Mell & Grance, 2011). Detta möjliggör att CC kan ta betalt per resursanvändning och gör att det blir en billig lösning för organisationer, och skapar en transparens till användaren av servicen.
Mycket av egenskaperna som CC har kan användas som en fördel inom BA, som att t.ex.
kunna använda sig av lagringsalternativ som erbjuder oändligt med utrymme. Det ger möjligheter för analyser på stora mängder data, och möjligheter för nya analystekniker att utvecklas.
2.4 Service models
Dem olika services som CC kan erbjuda kan delas in till tre service modeller,
Infrastructure as a Service (IaaS);Platform as a Service (PaaS) och Software as a Service (SaaS) (Rajaraman, 2014). Det finns fördelar och nackdelar med varje modell, och valet av servicemodell kan skilja sig från organisationer, beroende på vad som ger ett värde för användarna av servicen. Dem olika modellerna kan kombineras beroende på vad organisationen vill skapa för arkitektur t.ex. om en organisation endast vill åt
lagringsutrymme i CC med hjälp av databaser behövs endast IaaS kombinerat med PaaS.
6
Figur 2 - Cloud Service models(Inspirerad av Rao & Kumar, 2013)
Figur 2 beskriver sambandet mellan dem olika service modellerna som CC erbjuder. En användare kan t.ex. hyra en IaaS utan att behöva PaaS eller SaaS, men om en användare vill ha en PaaS så behöver användaren också en IaaS. SaaS är det sista lagret i denna modell som också är det som dem flesta använder sig av, SaaS måste hostas på en PaaS.
Alla leverantörer av CC erbjuder dessa tre service modeller, men utvecklingen av CC har det kommit till flera modeller.
IaaS modellen erbjuder en infrastruktur som är byggd för att underhålla och sköta om den hårdvara som används för CC. Det handlar om att bygga upp ett datacenter med fysisk säkerhet, ventilation, obegränsat med el (Rajaraman, 2014). Servicen som
levereras till kunden är i form av hårdvara (server, lagringsutrymme och nätverk), med tillhörande mjukvara (Bhardwaj m.fl., 2010). Detta möjliggör användning av PaaS.
PaaS bygger vidare på IaaS, det är hårdvaran från IaaS tillsammans med mjukvara. Detta gör det möjligt för organisationen att bygga sin egen infrastruktur för sina applikationer.
En kort förklaring är “verktygen som behövs för att en kund ska kunna utveckla sina applikationer”. Detta kan vara t.ex., olika programmeringsspråk eller databaser (Bhardwaj m.fl., 2010).
Iden bakom SaaS är att en användare ska kunna hyra en applikation/mjukvara som en service, som hostas på PaaS och IaaS (Bhardwaj m.fl., 2010). Mjukvaran kan endast användas via webb, och detta möjliggör att IaaS leverantörer kan utveckla sina egna mjukvaror för olika syften, som sedan en användare kan ta del av. Ansvaret för att mjukvaran ska fungera är leverantörens, detta gör att användaren kan fokusera på fördelarna med mjukvaran och slippa konfigurering, installation och uppdatering av applikationer på varje enskild dator (Waters, 2005; Bhardwaj m.fl., 2010).
2.5 Deployment models
Det finns olika modeller för att specificera vilken typ av miljö som används i CC, kallas för deployment models. Det finns fyra stycken deployment models Public, Private, Community och Hybrid. En deployment model inom CC berättar vem som har kontroll över infrastrukturen, och definierar vem som kommer att använda sig av den. Valet av
7 deployment model görs baserat på vad organisationen behöver. Varje modell har olika fördelar och nackdelar, och spelar en stor roll i hur organisationens IT infrastruktur kommer att se ut.
Public är en infrastruktur som hostas av en tredje part över internet. Alla har en chans att använda sig av en public CC service. Det finns public CC tjänster som är gratis (t.ex.
Google Drive) men även dem som kostar pengar för användning (Rao & Kumar, 2013).
De lösningar som presenteras för AaaS skulle kategoriseras som public CC, en resurs som alla kan betala och använda sig av.
Community CC kan förklaras som en hybridlösning på private, där ett begränsat antal individer eller organisationer vill dela en infrastruktur. Istället för att sprida ut
kostnaderna på olika public CC lösningar kan dem arbeta tillsammans för att hitta en gemensam lösning. Detta ger en högre nivå av integritet och säkerhet (Rao & Kumar, 2013).
Hybridlösningar kan ha två innebörder. Det kan innebära en sammanslagning mellan två separata CC miljöer, eller en mix mellan virtuella servrar tillsammans med fysisk
hårdvara (Rao & Kumar, 2013). Detta är en intressant modell då det inom BI kan innebära att en organisation blandar den traditionella lokala arkitekturen tillsammans med CC services, och helt nya arkitekturer kan uppstå. Komplicerade lösningar men kan medföra att organisationer kan bibehålla sina egna lösningar för BA, vilket är svårt om en hel övergång till ett public CC görs.
Private CC är byggt för säkerhet och som endast specifika användare kan använda.
Miljöer byggs för en specifik användare och ger också mer kontroll och integritet (Rao &
Kumar, 2013). Oftast är private CC inom organisationens egna nätverk, men kan även vara från en tredje parts leverantör, som är byggt specifikt för användaren.
2.6 Cloud BI
CC har fått genombrott i popularitet för dem klara fördelarna det finns med IT- infrastrukturen jämfört med den traditionella infrastrukturen (Al-Aqrabi m.fl.,
2015). Med ett snabbt växande behov av BA inom organisationer, har nya arkitekturer kommit för att kunna hantera dem stora mängder data som genereras (strukturerad som ostrukturerad) på kortare tid (Demirkan & Delen, 2013). Att hantera stora
datamängder av strukturerade och ostrukturerade data kräver hårdvara och mjukvara med väldigt hög prestanda, något som är dyrt och inte möjligt för många organisationer att investera i (Demirkan & Delen, 2013).
Att förflytta hela BI processen från det traditionella till CC löser problem med åtkomst, skalbarhet, rörlighet och kostnader då en organisation inte behöver köpa lösningar eller infrastrukturen som behövs (Kazeli H,2014). Många områden inom IT har förflyttat sig till CC, men för BI är detta en ny och en arkitektur under utveckling. Forskning visar att organisationer idag väljer att använda sig av CC för att utföra BI (Raghavendra, 2019).
Att kombinera BI med CC ger många viktiga fördelar och skapar ny funktionalitet (Papachristodoulou m.fl., 2017).
Cloud BI är ett begrepp för att beskriva kombinationen mellan BI och CC, och beskriver hur BI kan utföras inom CC. Det innebär applikationer, Dashboards, KPI:s och annat inom BA samt en plattform och infrastruktur som stöttar BA genom hantering av datamängder.
8
Figur 3 - BI arkitektur i CC (Inspirerad av Hadhoud and Salameh, 2020)
Den traditionella BI arkitekturen innebär att en organisation behöver betala för resurser som inte kommer att användas fullt ut i form av dyr hårdvara och underhåll. CC gör det möjligt för användaren att bara betala för dem resurser som används, genom
mätverktyg och att ge användaren möjlighet att avsluta/påbörja samt öka eller minska resursanvändningen. CC blir en billigare lösning för alla organisationer som idag
använder sig av den traditionella arkitekturen eller för organisationer som ska utveckla en arkitektur för att utföra BI. Cloud BI möjliggör också resurser via internet, något som en traditionell lokal arkitektur inte kan. Detta är en stor fördel då det går att komma åt resurserna överallt det finns en internetuppkoppling, men bidrar också med
säkerhetsrisker som annars inte hade existerat i en lokal lösning då det ökar åtkomsten.
Tillgängligheten som CC bidrar med gör det lättare för en organisation att “få rätt information, vid rätt tid och rätt plats” för att kunna ta beslut baserat på insamlad data.
Organisationen är dock beroende av en internetuppkoppling, vilket kan ses
problematiskt jämfört med den traditionella arkitekturen. En stor utmaning med denna arkitektur är att kunna integrera med BI-produkter och verktyg som är self-hosted på lokala maskiner (Demirkan & Delen, 2013). Hybrid deployment models av CC möjliggör ett visst samarbete mellan det lokala och CC men detta kan också bidra till en krånglig och svår arkitektur för användarna.
9
Tabell 1 Skillnader mellan traditionell bi och Cloud BI inspirerad av (Raghavendra, 2019)
Fördelarna traditionell BI får mot en Cloud BI arkitektur är att arkitekturen blir
anpassningsbar till organisationen, då det är organisationen själva som skapar lösningar och kan utveckla det mot organisationens mål. Det finns mer utrymme för egna
lösningar som är anpassade till organisationen. Säkerheten är också en fördel i den traditionella arkitekturen, då CC ger högre åtkomst skapar det också fler
säkerhetsbrister. Fler användare som kan komma åt systemen och åtkomsten kan ske överallt, vid uppkoppling till internet.
2.7 Analytics as a Service
Behovet av BA i organisationer ökar och den traditionella BI modellen kan inte hänga med i utvecklingen för behoven av komplexa KPI’s, mätverktyg och Dashboards
(Demirkan & Delen, 2013). Att strukturera om infrastrukturen från det traditionella self- hosted till en mer central men flexibel infrastruktur ses som ett måste idag för att
organisationer ska kunna vara med i utvecklingen.
Analytics as a Service (AaaS) är begreppet som används idag för att förklara service modellen för BA som leverantören av CC kan erbjuda. AaaS är ett samlingsord för mjukvara och funktioner genom web-baserad teknologi som leverantörer har att erbjuda inom BA. CC erbjuder en plattform för att hyra resurserna som krävs för att utföra BI (Cloud BI), AaaS blir därför en väldigt effektiv lösning för många
organisationer.
Begreppet AaaS är väldigt vagt definierat i forskningen och kan innebära Data mining genom SaaS, men kan även innebära PaaS för data scientists och utvecklare (Naous m.fl., 2017). AaaS kan även kopplas ihop med IaaS, för att vara en resurs som kan hosta den data som ska analyseras (Naous m.fl., 2017). Syftet är att kunna göra hela BA
plattformen till en delad resurs inom en organisation (Demirkan & Delen, 2013).
10
Figur 4 - AaaS arkitektur (Inspirerad av Rao & Kumar, 2013)
Figur 4 visar sambanden mellan dem tre olika service modellerna inom CC. AaaS kan samarbeta med alla dem tre olika service modellerna (IaaS, PaaS och SaaS) och beroende på hur organisationens infrastruktur ser ut så kan t.ex. hybridlösningar
innebära att dem endast använder sig av IaaS och PaaS för att sedan använda sina lokala mjukvaror för att utföra BA.
AaaS sträcker sig över alla olika service lager IaaS, PaaS och SaaS därför är det även olika användare som kommer använda sig utav AaaS, beroende på om det arbetas i SaaS, PaaS eller IaaS. Dem två primära användare grupperna av AaaS som Naous identifierat i sin rapport är Business users och Dataexperts, men mer detaljerat är det uppdelat i fyra kategorier:
1. Business users i olika avdelningar som kan utforska och ta användning av self- service analytics, användare av SaaS (Naous m.fl., 2017).
2. Business analysts som kan ta användning av self-servicefunktioner för att
förbereda rapporter och analyser, dessa användare har stor nytta av rapport och visualiseringsverktyg och är användare av SaaS (Naous m.fl., 2017).
3. Data scientists och integrators kan skapa datamodeller på arbetsflöden för att analysera data. Inom den här kategorin ingår också utvecklare som kan bygga applikationer till plattformen, dessa användare kan kategoriseras till användare av PaaS.
4. IT architects ansvarar för hantering och konfigurering av de olika datakällorna och är användare av IaaS (Naous m.fl., 2017).
Marknaden för AaaS ser ljus ut, den globala marknaden ser ut att nå 30 biljoner USD år 2023, en 35 % tillväxt sedan år 2016 (Analytics as a Service Market Research Report – Global Forecast to 2023| MRFR, 2017). Datamängderna som produceras av
organisationer växer ständigt och AaaS ser ut att vara en lösning för att kunna hantera dem stora datamängderna, då AaaS kan erbjuda ny teknik för att hantera realtidsdata och större datamängder som ostrukturerad Big Data.
11
2.8 Funktionalitet inom AaaS
Leverantörer av AaaS har alla olika funktionalitet, och den här kategoriseringen ger en överblick på hur utvecklat AaaS är idag. Det är en utmaning att implementera egna lösningar från den traditionella arkitekturen, och en överblick över utbud och funktionalitet inom AaaS blir då viktigt för organisationer. Kategoriseringen av
egenskaper på det som levereras genom SaaS modellen från leverantörerna av AaaS kan klassificeras till datakällor, analytisk förmåga, data integration (ETL) och visualisering.
Datakällor innebär förmågan att kunna ta emot data från olika källor, där det finns tre underkategorier business data, streaming data och mobil, webb och sociala data.
Business data är strukturerad data som försäljning och kunddata eller dokument (text eller bilder) från organisationens system och databaser (Naous m.fl., 2017), i en traditionell BI lösning är detta det den datan som hanteras och lagras av ett DW.
Streaming data är ny funktionalitet som innebär att enheter uppkopplade via IoT lösningar kan direkt skicka in data för analys, som sedan inte lagras utan bara hanteras och leverera realtids analyser till användaren (Naous m.fl., 2017). Mobil,webb och social data innefattar data från källor som genererar Big Data där det är strukturerad,
ostrukturerad och semi strukturerad data (Naous m.fl., 2017).
data integration innefattar förmågan att utföra ETL processen, att processa datan och för att kunna utföra analyser på den insamlade datan. Den analytiska förmågan är kategoriserad till deskriptiv, prediktiv och preskriptiv. Deskriptiv analys är vanliga sökningar i den insamlade datan för att göra rapporter, eller multidimensionella OLAP sökningar för rapporter (Naous m.fl., 2017). Prediktiva analyser inkluderar att kunna ta fram prediktiva modeller, utföra maskininlärning samt data-mining, text-mining och plats-mining. Det inkluderar också Big Data analyser på sociala medier och analyser på streaming data i realtid (Naous m.fl., 2017). Preskriptiv innefattar simulering och
optimering av olika scenarion, detta kan också användas tillsammans med ihopkopplade enheter (Naous m.fl., 2017).
Visualiseringen är kategoriserad till visuella upptäckter och utforskning (möjligheten att utforska data på en dashboard eller platskartor), dela och samarbeta (förmågan att kunna samarbeta flera användare) och mobilgränssnitt (förmågan att kunna presentera analyser visuellt på mobila enheter) (Naous m.fl., 2017).
Tabell 2 Funktionalitet inom AaaS leverantörer inspirerad av (Raghavendra, 2019; Naous m.fl., 2017)
Tabell 2 innehåller de kategorier som levereras via SaaS (data sources, analys och visualisering), och kategorier som innefattar IaaS och PaaS tas inte med i denna tabell.
12 Detta är också den delen av Cloud BI arkitekturen som används av Business users och Business analysts.
Valet av vilka leverantörer som tas upp är baserat på Raghavendra tabell över
leverantörer, där det tas upp tio olika leverantörer tillsammans med ett sammanställt betyg, och utav dem tio leverantörer återspeglas åtta med i Naous tabell. Dessa åtta är dem som tagits med i tabellen ovan. Det sammantagna betyget är taget från
Raghavendra, och innebär den sammanställda bedömningen av funktionalitet att utföra Cloud BI från leverantören, och innefattar även egenskaper såsom hur enkelt det är att använda sig av tjänsten. Olika leverantörer kan ha flera olika erbjudanden inom AaaS, tex Microsoft har även Azure (Intelligence + Analytics), vilket har mer funktionalitet inom IaaS och PaaS än Power BI som tas upp i den här tabellen. Även IBM och SAP har flera erbjudanden inom AaaS och det sammanlagda betyget speglar även dem andra erbjudanden som dessa leverantörer har att erbjuda inom AaaS.
13
3 Problemområde
Marknadsundersökningar tror att organisationer håller på att genomgå en stor förändring på hur BI används och den förändringen är på grund av CC och nya SaaS lösningar (Spruit & de Boer, 2014). Det tas upp att 66 % av dem mest framgångsrika organisationerna redan använder sig av CC för att utföra BI, och vilka fördelar det medför för en organisation (ElMalah & Nasr, 2019).
Cloud BI saknar akademisk undersökning och det finns endast ett fåtal publicerade artiklar på det ämnet (Ereth & Baars, 2015). Behovet av mer forskning har påpekats av flera författare (Larson & Chang, 2016; Sangupamba Mwilu m.fl., 2016; Naous m.fl., 2017). Mycket av det som tas upp i forskningen har anknytning till CC arkitekturen, och hur modellen skulle kunna se ut jämfört mot den traditionella lokala lösningen.
Fördelarna med denna arkitektur tas upp i flertalet artiklar (ElMalah & Nasr, 2019;(Al- Aqrabi m.fl., 2015; Olszak, 2014; Rajagopalan & Jayasingh, 2019; Bhardwaj m.fl., 2010).
Forskningen fokuserar på dem fördelarna arkitekturen har, men saknar forskning från praktiskt användande av AaaS. Fördelarna med en CC arkitektur betyder inte att
organisationer ska använda sig av det för att utföra BI. Problemområden inom Cloud BI beskrivs av Sangupamba Mwilum i sin litteraturstudie, där det tydligt finns flertalet problem i servicen. Det saknas metoder för organisationer att skapa egna applikationer för både analyser av data samt för datainsamling (Sangupamba Mwilum.fl., 2016). Den tabell som framtagits (tabell 2) beskriver redan vissa problemområden i
funktionaliteten som är identifierade inom litteraturen, då många områden saknar full funktionalitet. Funktionalitet som t.ex. att kunna utföra prediktiva analyser saknas i dem erbjudanden av AaaS som tas upp i tabell 2, där det är halvfärdiga lösningar som tyder på att det finns områden att utforska inom SaaS. När organisationen inte har möjlighet att utveckla egna lösningar inom Cloud BI arkitekturen måste de anpassa sig efter det utbudet som servicen levererar. Det lyfts fram att det saknas forskning kring praktiskt användande av AaaS från flertalet författare (Naous m.fl., 2017; Baars & Kemper, 2010).
Att kombinera CC med BI är oundvikligt då det skapar många fördelar jämfört med den traditionella arkitekturen. Många organisationer idag använder sig av en hybrid lösning mellan traditionell BI och AaaS. Hybrid modellen används av totalt 63 % av
organisationer inom sjukvård och energi (Varghese & Buyya, 2018). En stor utmaning för organisationer är att kunna ta användning av produkter och verktyg som är i den lokala infrastrukturen (Demirkan & Delen, 2013). Användningen av hybridlösning mellan Cloud BI och traditionell BI pekar på att det saknas verktyg och värde i servicen för att helt övergå till en CC baserad lösning, och lokala lösningar kan vara svåra att föra över till en CC infrastruktur. Det kan bero på att det saknas lösningar inom SaaS som ger ett mervärde för användaren mot vad som redan existerar i den lokala miljön. Det saknas modeller för att organisationer ska kunna utveckla sina egna applikationer för dataanalys och även lägga till komponenter för dessa applikationer i Cloud BI
(Sangupamba Mwilum.fl., 2016). Detta gör det svårt för organisationer att föra över egna lokala lösningar till Cloud BI arkitekturen och organisationer måste anpassa sig efter det leverantören har att erbjuda.
Naous påpekar hur viktigt det är med mer forskning i ämnet AaaS “Integrera också kundens röst genom att analysera vad en användare vill ha i AaaS” (Naous m.fl., 2017).
Det skrivs också i en annan rapport om hur det behövs mer forskning kring hur kundens databas och BI verktyg ska kunna integreras med Cloud BI (Demirkan & Delen, 2013).
14 Att det saknas forskning kring hur databaser och BI verktyg ska integreras med AaaS tyder på att det är en infrastruktur under utveckling, som saknar viktiga funktioner.
Eftersom det saknas modeller som gör det möjligt för organisationer att utveckla sina egna verktyg inom Cloud BI är det viktigt att utvecklarna inom AaaS vet vad användarna behöver. Det finns en lucka i forskningen där det finns utrymme att fylla med
information över hur AaaS ser ut idag, och vad som är efterfrågat och vad som behövs.
Mer forskning kan bidra till att fler av dem verktygen som finns till BA även kan anpassa sig och utvecklas till Cloud BI (Naous m.fl., 2017).
Forskningen tyder på att CC kommer att ta över den traditionella infrastrukturen, och då överlämnar man också ansvaret för infrastruktur, software och plattform till en
tredjeparts leverantör. Det gör det viktigt att förmedla användaren/kundens åsikter på vad som saknas inom AaaS. Dem olika leverantörerna av AaaS kan alla ta del av
informationen och fokusera på rätt saker, vilket också gör att frågan får ett mervärde i och med att flera kan ta användning av resultatet.
3.1 Problem/fråga
Beskrivet ovan i den forskning som finns så är AaaS en service som är under utveckling och det saknas åsikter från användarna/kunderna av Aaas. Organisationer använder hybridlösningar och det är ett område inom utveckling, där nya åsikter och forskning är önskvärt. Att det även är stor problematik med applikationer gör att området SaaS kombinerat med AaaS behövs utvärderas.
Frågan som tagits fram är:
Vilken funktionalitet inom Software as a Service efterfrågas från dem praktiska användarna av Analytics as a Service?
3.2 Syfte
Syftet är inte att lyfta fram fördelar och nackdelar. Syftet är att uppmuntra
mjukvaruutvecklare att gå i rätt riktning, och hitta bristningar på funktioner inom AaaS.
Det är också viktigt att framföra åsikter från dem praktiska användarna av AaaS, då i det saknas åsikter i litteraturen från dem praktiska användarna av AaaS.
3.3 Avgränsningar
Avgränsningen i CC är konkret, där kommer fokus att ligga på AaaS modellen. Inom AaaS kommer det vara fokus det som erbjuds inom SaaS, trots att SaaS är baserat på PaaS och IaaS så kommer fokus ligga på att identifiera förbättringar inom det som erbjuds inom SaaS från leverantörerna av AaaS. Forskningen är också menad att alla leverantörer ska kunna ta del av resultatet, därför är det viktigt att inte sätta fokus på en enskild
leverantör av CC.
Begreppet praktiska användare innebär användarna som utnyttjar och använder servicen i praktiken. Användarna som är identifierade att använda sig av SaaS inom AaaS är Business users som främst använder sig av Self Service verktyg, och användarna Business analysts som utför analyser och hanterar rapporter mm. Det ska också vara fokus på användarnas åsikter, inte vad leverantören av CC tycker.
15
3.4 Förväntat resultat
Resultatet ska kunna beskriva problemområden och önskemål från dem praktiska användarna inom AaaS. Det ska kunna beskriva varför denna arkitektur kanske inte passar alla organisationer, även om fördelarna är många med arkitekturen. Stämmer det praktiska användandet överens med forskningen som är framtagen? Det innebär en bra arkitektur med många fördelar men bristningar i mjukvaran och funktionalitet.
16
4 Metod
I bakgrunden uppstår flera hypoteser kopplade till forskningen som finns inom Cloud BI, och mycket obesvarade frågor. Det finns ett problemområde över hur funktionaliteten inom AaaS är anpassad för organisationer och vad dem praktiska användarna tycker.
Insamling av åsikter från Business users och Business analysts kan bidra med
beslutsstöd för en organisation som kan tänka sig att välja en Cloud BI lösning framför det traditionella, samt förbättringsområden inom AaaS. De framtagna metoderna är för att kunna ge en beskrivande bild över vad dem praktiska användarna efterfrågar inom servicelagret SaaS inom Cloud BI. Funktionaliteten kan även vara beskriven i (tabell 2), men upplevas som ofärdig/svåranvänd från praktiska användarna.
4.1 Forskningsstrategi
Det finns två tillvägagångssätt att utföra metodval, dem kvalitativa och kvantitativa metoderna. Kvalitativa metoder handlar om att hitta sociala sammanhang och kunna få en förståelse för ett fenomen eller sammanhang (Berndtsson et al., 2008). Den
kvantitativa metoden ger en bild över hur något fungerar, genom datainsamling som representerar insamlad data istället för insamlade åsikter. Målet med en kvantitativ metod är att skapa modeller och teorier för att kunna stärka en hypotes (Berndtsson et al., 2008). Kvantitativa metoder presenterar sitt resultat i siffror, kvalitativa metoderna använder sig av ord och uttryck.
I den här forskningen användes en fallstudie med kvalitativ datainsamlingsmetod för att kunna hitta information som kan stärka hypotesen att det saknas funktionalitet inom Cloud BI. Fallstudie gör det möjligt att utforska ett fenomen i verklig miljö, där ett fall kan vara en organisation, en avdelning, en grupp eller en person(Berndtsson et al., 2008). Fallstudien kommer att beskriva upplevelser från dem praktiska användarna av AaaS, men kommer även att bidra med en utforskande vy och skapa nya hypoteser för framtida forskning. Användarna av AaaS har identifierats och fallstudien baserar sig på Business users och Business analysts. Detta ger studien mervärde då dem är i fokus som användarna av SaaS inom AaaS.
Den kvantitativa datan användes för att samla in variabler som beskriver erfarenhet inom området. För att samla in kvalitativ och kvantitativ data användes
semistrukturerade intervjuer, där mycket av insamlad data är kvalitativ. Frågorna måste vara öppna för att få in en experimentell vy av åsikter från dem praktiska användarna, och inte en beskrivande bild över hur dem arbetar. Undersökningen fokuserade på Business users och Business analysts som representerar dem praktiska användarna av AaaS, där de förkunskaper om begrepp och funktionalitet som behövs för att utföra undersökningen existerar. För att kunna besvara frågeställningen med insamlade data har det genomförts semistrukturerade intervjuer på praktiska användare av AaaS.
4.2 Datainsamling
En fördel med intervjuer är att få in ett brett perspektiv av dem praktiska användarna utav AaaS. Dem praktiska användarna har förväntade kunskaper som krävs för att genomföra intervjun, då dem representeras av Business users och Business analysts. Det kommer att vara anonymt för respondenterna men deras erfarenhet inom BI kommer att presenteras för att stötta resultatet.
17
Figur 5 – Operation (Inspirerad av Wohlin et al., 2012)
Detta ger bättre resultat från dem deltagande, det finns en risk att dem inte deltar till sin förmåga om dem inte får bakgrunden förklarad för sig, och insamlad data blir invalid (Wohlin et al., 2012). Varje respondent är informerade om att det är fritt att dra sig ur undersökningen, även i efterhand. Resultatet kommer inte att presentera känsliga personuppgifter och arbetet kommer att göras publikt. Det som går att tänka på är att undersökningen kommer någonstans berätta den deltagandes kompetens (vilket gör det till känsliga uppgifter), men personen i sig kommer att förbli anonym. Att förbereda dem deltagande är en viktig process, då det innebär att få tillstånd från respondenterna med att driva forskningsfrågan.
Utförandet av intervjuerna sker via webbteknologi/telefonsamtal. Alla intervjuer har spelats in för transkribering. Under intervjuerna sker datainsamlingen och en fördel med att göra intervjuer är att intervjuaren kan kommunicera med dem deltagande och förstå dem bättre, än om det hade varit en enkät (Wohlin et al., 2012). Nackdelarna är att intervjuerna tar längre tid än enkäter. Intervjuerna är semistrukturerade men med mer öppen diskussion om ämnet, dem få strukturerade frågorna som tas upp är hur mycket erfarenhet personen har inom ämnet. Det gör det svårt att ta anteckningar under utförandet därför spelas allting in och transkriberades efteråt.
Att säkerställa att de deltagande har förstått intervjun är viktigt för data valideringen (Wohlin et al., 2012). Data valideringen går ut på att säkerställa kvaliteten i den insamlade datan. Kan vara oseriösa deltagare som inte kan räknas till resultatet, eller brist på kunskap. Viktigt att alla dem som deltar inte har missförstått vad intervjun går ut på, så att rätt information kan samlas in.
Formatet på intervjun kommer att vara utformat enligt dem funktionerna inom SaaS som är beskrivet i tabell 2, med semistrukturerad design med mycket öppet tänkande.
1. Funktionalitet (datakällor, analysförmåga, visualisering och UI)
2. Fördelarna och nackdelarna med arkitekturen (implementation, kostnader, anpassningsbar, mobilitet, rörlighet och säkerhet)
Datakällor representeras av förmågan att hantera Business data, Streaming data, mobil web och social data samt så ingår data integration (förmågan att utföra ETL) i denna kategori. Analysförmåga representeras av förmågan att kunna utföra deskriptiva
18 analyser, prediktiva analyser och preskriptiva analyser. Visualisering och UI
representeras av förmågan att göra visuella upptäckter samt utforskning av data visuellt, kunna samarbeta och dela analyser och mobilt gränssnitt. Utöver detta så har respondenterna fått angett vilken AaaS tjänst som används. Det har utförts tillräckligt med intervjuer för att få fram ett resultat, det innebär att de måste uppstå kategorier och mönster från kodord som sedan kan bidra till ett resultat.
4.3 Forskningsetik
Vetenskapsrådet har fyra huvudkategorier kopplat till etik i forskning;
informationskravet; samtyckeskravet; konfidentialitetskravet och nyttjandekravet.
Arbetet har respekterat dessa krav och respondenter har blivit informerade över hur data kommer att användas. De mål och nya kunskap forskningen kan bidra med
presenteras för dem deltagande, och dem risker med att delta som att respondenternas erfarenhet presenteras i rapporten. Respondenter har rätt att ta tillbaka sitt deltagande.
Respondenten måste godkänna sitt deltagande efter blivit informerade om vad
undersökningen går ut på. Då erfarenheten presenterad kan vara tillräckligt detaljerad för att identifiera en person är det viktigt att informera om detta innan, och rätten att ta bort hemligstämpla material i efterhand.
4.4 Analys
Genom att försöka få störst förståelse med minst antal variabler minskar arbetet med analyser (Wohlin et al., 2012). Intervjuerna har varit väldigt öppna och analysen görs baserat på det som står i bakgrunden, för att hitta mönster med forskningen.
Den insamlade datan ger en beskrivande bild av verkligheten upplevt från dem praktiska användarna av AaaS. Den kvalitativa datan kommer att analyseras med en induktiv konventionell innehållsanalys. En konventionell innehållsanalys används för att beskriva ett fenomen, och åsikterna från de deltagande (Hsieh & Shannon, 2005). Den här typen av innehållsanalys är vanlig när det saknas teorier och forskningsmaterial (Hsieh & Shannon, 2005), och AaaS är beskrivet som “behövs mer forskning från praktiska användare av AaaS” (Naous m.fl., 2017).
Figur 6 – Analys (författarens egna)
Första steget i analysfasen är transkribering insamlad data, för att sedan läsa igenom det som är nedskrivet och få en förståelse över innehållet. Steg två är att identifiera
nyckelord som kan skapa kategorier, baserat på dem kodord som tagits fram kan nu
19 olika kategorier växa fram. Kategorierna har skapats i efterhand beroende på innehållet och gjort det möjligt för nya insikter i ämnet (Hsieh & Shannon, 2005). Identifiering av underkategorier är sista steget och är en utvärdering på dem kategorierna som skapats, för att förtydliga arbetet.
20
5 Genomförande
Detta kapitel beskriver hur studien har genomfört de olika momenten från urval av respondenter till att utföra en metod för datainsamling och att sedan analysera insamlad data. Under rådande konsekvenser (Se kap 10.1) har genomförandet av intervjuer varit svårt. Trots detta har studien kunnat genomföras och en mer detaljerad beskrivning på vilka respondenter som deltagit samt hur datainsamling och analys gått till finns beskrivet i detta kapitel.
5.1 Val av respondenter
Dem deltagande i fallstudien är eller har varit praktiska användare av AaaS, och erfarenhet och kunskap inom området har granskats under intervjun. Den här studien inkluderar endast personer med kunskapsnivå god nog för att berätta om sina
erfarenheter av användningen av AaaS. Användandet av AaaS ökar hos organisationer men det är fortfarande svårt att hitta praktiska användare av AaaS, därför fick ett stort antal organisationer kontaktas för förfrågan om deltagande för att kunna öka chanserna på att hitta kvalitativa respondenter. Denna kontakt har skett via mail, för att sedan ringa upp och utföra intervjun via telefon. Förberedelserna är beskrivna i metodkapitlet, där den deltagande blir informerad om samtycke till ljudinspelning.
Respondent 1 verksamhet 1
Arbetserfarenhet: 5 år med Self Service, totalt 10 år med BI. Aktiv användare av Cloud lösningar för att utföra BI.
Erfarenhet av arkitektur: Azure + Power BI samt traditionella arkitekturen.
Respondent 2 verksamhet 1
Arbetserfarenhet: 25 år inom BI, och en yrkesutbildning om BI.
Erfarenhet av arkitektur: Azure + Power BI, samt traditionella arkitekturen.
Respondent 3 verksamhet 2
Arbetserfarenhet: 6 år inom BI, halvår med BI inom CC.
Erfarenhet av arkitektur: Traditionella arkitekturen, Oracle och IBM.
Respondent 4 verksamhet 2
Arbetserfarenhet: 10 år med ERP system, 3 år med DW.
Erfarenhet av arkitektur: Traditionella arkitekturen, Oracle.
5.2 Datainsamling
Intervjuerna är utförda enligt intervjuguiden som finns i bilaga A, där det är
semistrukturerade frågor men fokus har alltid varit att föra en öppen diskussion kring ämnet Cloud BI där det försökts att ta fram allting respondenten har att säga om Cloud BI. Intervjuerna har försökts att göras korta men informationsrika genom att hålla sig till ämnet, detta gör att transkriberingen blev en snabbare process. Intervjuerna har tagit
21 mellan 30-35 min att utföra. Eftersom intervjuerna är inspelade behövs inte
transkriberingen kontrolleras med respondenterna, då dem är informerade innan hur innehållet kommer att användas. Intervjuerna som gjorts på verksamhet 2 är
genomförda på engelska för att öka förståelsen då det finns en språkbarriär mellan respondenten och intervjuaren. Språkbarriären beror på att respondenterna är från ett annat land, detta skapar en bra bredd på dem deltagande.
5.3 Analys
Analysfasen började med att transkribera dem insamlade ljudfilerna till textformat.
Efter transkribering av samtliga ljudfiler lästes varje enskild intervju igenom för att bilda en uppfattning innehållet. Viktiga citat som är bidragande åsikter stryks under, och från dessa kan kategorier skapas. Arbetet med analysen har varit väldigt tidskrävande trots att det endast har intervjuats fyra personer.
22
6 Empiri
Här presenteras det insamlade materialet. Läsaren ska kunna få en förståelse över innehållet som samlats in i datainsamlingen. Genom att presentera mycket insamlad data kan läsaren skapa sig en egen uppfattning om resultatet.
6.1 Presentation av teman inom kategorin: funktionalitet (SaaS)
De teman som skapats inom denna kategori är baserade på (tabell 2).
Datakällor
R4 har tidigare erfarenhet inom streaming data, men nämner att det var i en on-premise miljö. R2,som inte är lika erfaren inom Cloud BI som de andra, nämner att han även har jobbat med bara business data inom Cloud. R1 beskriver att det inte finns någon direkt efterfrågan på marknaden för streaming data och mobile/social/web data. Det är ingen av dem tillfrågade som arbetat med Big data (mobile/social/web data). Samtliga
respondenter arbetar med strukturerad Business data.
Data integration(ETL processen)
Denna process beskrivs som väldigt välfungerande av R3. R2 och R4 har inte använt sig av processen. R1 berättar att data integration blir bättre och bättre, men att dem
använder mycket traditionella verktyg. “I praktiken kör vi mycket traditionella verktyg och använder inte mycket CC för data integration. Inom Power BI fungerar detta bra om man läser in en lokal DB eller från Azure DB. ETL verktygen kommer mer och mer, t.ex.
Azure data factory “ (R1). R3 beskriver funktionaliteten som väldigt väl fungerande
“Många av dem moderna data integration verktygen som t.ex. Oracle data integrator har funktionalitet för nästan allting som går att tänka sig. Den kan läsa från filer, läsa från databaser, läsa från intermedia, den kan läsa i princip allting som går att tänka sig. Detta gör att du slipper “folder system files” som t.ex. text filer eller CSV filer, detta gör data integration processen mycket enklare, vilket också gör den snabbare” (R3 - översatt från engelska).
Analys:
Samtliga respondenter arbetar endast med deskriptiva analyser. R3 och R4 beskriver också att målet är att jobba med prediktiva analyser men att det tar tid att komma dit.
“Det är mest deskriptiva analyser, men jag har jobbat lite med prediktiva” (R4 - översatt från engelska). Funktionaliteten för att arbeta med prediktiva analyser beskrivs av samtliga respondenter som bra men att det tar tid att bygga en bas som stödjer detta.
“När basen är gjord i molnet, då är det endast icke-prediktiva analyser som utförs. Målet är att göra prediktiva analyser” (R3 - översatt från engelska). R1 beskriver även att funktionaliteten för att utföra deskriptiva och prediktiva analyser är väldigt bra.
“Deskriptivt är traditionell BI och det fungerar bra, prediktiva analyser finns med Azure machine learning och det fungerar bra, men vi har inte gjort så många projekt inom det”
(R1). R2 beskriver också att efterfrågan saknas på marknaden för att utföra prediktiva och preskriptiva analyser. “Inte stött på efterfrågan efter prediktiva och preskriptiva analyser men det kommer mer och mer funktionalitet för AI” (R2). Det är ingen av dem
23 tillfrågade som har arbetat med preskriptiva analyser och vill inte uttala sig för
detaljerat om detta område.
Visualisering:
Samtliga respondenter använder/har använt sig av dashboards. Funktionaliteten har beskrivits som väldigt bra för att utföra visuella upptäckter och utforskning från samtliga respondenter. “Visualisering är den delen som är väldigt lik det som du skulle använda i en lokal lösning” (R4-översatt från engelska). Att kunna samarbeta på olika dashboards beskrivs som en viktig och väldigt bra funktion inom CC av samtliga respondenter, och något som alla har testat på. R4 beskriver detta som viktigt då det minskar antalet filer. “Vi vill inte ha 100 spreadsheets, vi vill ha transparens och att alla använder samma” (R4 - översatt från engelska). R3 beskriver också funktionaliteten för att samarbeta “Låt oss säga att två personer jobbar på en dashboard, det kommer att ske live och båda kommer att se vad den andra jobbar med.” (R3 -översatt från engelska). R3 fortsätter att beskriva det som att arbeta i Google docs (som även är en molnlösning), där alla kan se vad som skrivs live i ett dokument. Mobilt UI var det ingen av
respondenterna som använde sig av, men det beskrivs som fungerande. R3 beskriver detta som något för framtiden “Mot slutet kommer vi börja kolla på mobila gränssnitt och göra användarupplevelsen bättre för användaren” (R3 - översatt från engelska).
6.2 Presentation av teman inom kategorin: Service models
Mycket problem och fördelar beskrevs tillhörande PaaS och IaaS, därför kommer även dessa att presenteras.
PaaS
Det beskrivs som problematiskt att få rätt data av R4. “Inom visualisering är allting bra, problematiken är mer att få korrekt data” (R4 - översatt från engelska). Detta problem är kopplat till databaserna inom plattformen. R4 fortsätter att beskriva problematiken med databaserna inom PaaS “Att göra analyser har inte varit några problem, men inom DW i molnet har det uppstått problem. Detta pga det är ny teknik.” (R4 - översatt från
engelska). R4 fortsätter att berätta hur det är en ny teknik och det viktigt att förstå att med ny teknologi kommer också problematik. R1 önskar också att det ska vara en färdig plattform, utan tekniska problem. “Från mitt perspektiv i ett BI tänkt, det man vill komma åt är en slutprodukt och infrastrukturen ska vara en färdig produkt” (R1).
IaaS
R3 som är en användare av IBM/Oracle beskriver hur viktig kund supporten är, och att dem får hjälp av IBM/Oracle vid problem. “De har bra kundsupport och varje gång vi behöver hjälp med något så kan dem fixa det, det fungerar bra” (R3 - översatt från engelska). R4 tar upp hur det kan vara känsligt att spara data i ett annat land, detta kopplas direkt till IaaS. “Kunder har ibland känslig data och är inte alltid helt nöjda med att spara det i molnet. De vet inte om det är säkert och vilket land det sparas i, om något t.ex. händer i landet att det skulle bli krig ex så komprimeras kontrollen över datan” (R4 - översatt från engelska). Det beskrivs också hur denna infrastruktur inte är optimal för
24 alla organisationer. ”Sjukvård och kommuner kan det vara känslig data och där tvekar man” (R1). R4 beskriver hur infrastrukturen kan förändras för att tillämpas på
organisationer som hanterar känslig data. “En bra sak är att du kan ha något som kallas för “Cloud for Customers”. Du kommer få all funktionalitet som CC erbjuder men din data kommer att sparas lokalt” (R4 - översatt från engelska).
6.3 Presentation av teman inom kategorin: Leverantörer
Sista temat som identifieras är data rörande hur de olika leverantörerna arbetar, vad som kan ses som positivt från användarens perspektiv. Fördelar och nackdelar som leverantörerna av CC kan bidra med. Då mycket av det som nämns är gemensamma åsikter och inte specifikt till en leverantör så läggs allt under samma tema.
AaaS leverantörer
Microsoft arbetar mycket utifrån kundernas åsikter och önskningar. Detta uppskattas av R1 och R2, som båda är användare av Microsoft Power BI. “Det som är bra med microsoft är att dem arbetar med communityn, och man får rösta om olika funktioner och kan ladda ner färdiga presets för visualiseringar. “ (R2). R2 fortsätter att beskriva hur Microsoft arbetar mycket med att användarna får rösta fram vad som ska prioriteras i
uppdateringar. “Microsoft tittar mycket på röstsiffror och gör uppdateringar efter dem”
(R2). R2 beskriver också hur olika leverantörer kan vara specialiserade på olika
funktionalitet “Det kommer mer och mer funktionalitet för AI. Jämför man med SAS som är mer specialiserade för detta” (R2). R2 beskriver också att prismodellen är svår att förstå.
R4 berättar hur funktionaliteten inom CC blir bättre och bättre. “Det viktigaste är att du inte förlorar någon funktionalitet när du flyttar över till CC” (R4 - översatt från engelska).
Detta backas upp av R3 som berättar att flytta till CC kan ge dig mer funktionalitet.
“Uppgradera till CC ger dig ibland mer verktyg än att ta ifrån dem” (R3). R3 fortsätter att berätta hur IBM Cognos släpper vissa uppdateringar bara som molnverktyg. “Cognos har meddelat att dem jobbar på ny funktionalitet och att en stor del av den endast kommer till molnlösningen” (R3). R2 och R3 berättar båda hur viktigt det är att kunna öka eller minska datorkraft. ”Fördelen med CC är att man kan öka minska prestanda beroende på resursanvändning. Det tycker jag är viktigt.” (R2). R3 fortsätter att berätta hur detta är viktigt för just BI: “Jag tycker CC är perfekt för att utföra BI, för mycket av dessa processer tar mycket datorkraft. Vi kommer tillbaka till det här med pengar och vi vill inte göra något som kostar för mycket” (R3 - översatt från engelska).
25
7 Analys
Här presenteras analysen som är gjord på empirin. Datan är analyserad via en konventionell innehållsanalys för att kunna beskriva vilken funktionalitet som efterfrågas av användarna inom AaaS. Det har framkommit mycket problem och diskussioner kring PaaS och IaaS, därför kommer även teman att presenteras som tillhör dessa kategorier.
7.1 Tolkning av teman inom kategorin: funktionalitet (SaaS)
Figur 4 beskriver sammanhanget mellan dem olika service modellerna och
kategoriseringen av funktionalitet kommer att delas upp och presenteras för samtliga service modeller (IaaS,PaaS och SaaS). Kopplingen mellan dem tre service modellerna framgick tydligt hos respondenterna och att svaret på vilken funktionalitet som efterfrågas inom SaaS måste stödjas av plattformen och infrastrukturen, detta stöds även i litteraturen av Bhardwaj (2010) beskriver att en applikation (SaaS) ska hostas på en plattform och infrastruktur.
Användbar funktionalitet: SaaS
Att jobba med deskriptiva analyser innebär att kolla historiskt på den insamlade datan, för att kunna ge svar på frågan “ Vad har hänt?”. Alla de tillfrågade respondenterna beskriver hur dem arbetar med analyser och samtliga har arbetat deskriptivt. Att arbeta deskriptivt innebär att arbeta med business data från olika datakällor, beskriver (R3 och R4). I litteraturen beskriver Naous (2017) hur business data kommer från
organisationens system och databaser, och hur detta i en traditionell lösning är datan lagrad i ett DW. Även (R1 och R2) jobbar dem med deskriptiva analyser på business data. Funktionaliteten för att arbeta med deskriptiva analyser ska enligt tabell 2 vara väl utvecklad (Raghavendra, 2019; Naous m.fl., 2017), detta håller samtliga respondenter (R1,R2,R3,R4) med om. Kopplingen mellan att arbeta med deskriptiva analyser på business data från olika data källor är tydlig.
Tabell 2 beskriver en halvfärdig funktionalitet för att arbeta med prediktiva analyser hos dem flesta leverantörer (Raghavendra, 2019; Naous m.fl., 2017), detta återspeglas hos dem tillfrågande. Att arbeta med prediktiva analyser ses som ett framtida mål hos (R3 och R4). Även (R1 och R2) beskriver att det inte finns efterfrågan på marknaden.
Microsoft arbetar med uppdateringar mot vad kunderna önskar (R2). Detta kan vara en anledning till att funktionaliteten för att utföra prediktiva analyser saknas till viss grad, och ses som ett mål i framtiden. För att kunna utföra denna typ av analys behövs det en bra “bas” i plattformen (R3 och R4).
Data integration processen är beskrivet som väldigt väl fungerande (R3) och tabell 2 beskriver att denna funktionalitet vara väl fungerande (Raghavendra, 2019; Naous m.fl., 2017). Det här är en viktig process inom BI som garanterar att datan är korrekt. Att kunna ha en applikation som kan läsa alla filtyper är till stor fördel och organisationer kan tjäna mycket på att använda sig av denna process inom Cloud BI. Processen gör arbetet med analyser enklare och snabbare, vilket blir mer ekonomiskt i en
organisation.
Visualisering och användning av dashboards har samtliga respondenter erfarenhet av och samtliga respondenter (R1, R2, R3, R4) tycker att funktionaliteten som helhet är väldigt bra. R1 och R2 är användare av Microsoft Power BI och R3/R4 är användare av
