Jag går sällan på utbildningar. Att tillbringa åtta timmar inlåst i ett klassrum känns numera ofta som bortkastad tid. Men det gäller inte specialiserade kurser som löser ett konkret problem – och jag hade precis ett sådant problem med vår företagsdata.
Mitt problem: massor av företagsdata, men jag kunde inte använda dem tillräckligt bra
På nanoSPACE är hela företaget uppbyggt av många dellösningar – vi har inget centralt system (som ett ERP) som styr allt. Vår pusselbild fungerar bra; vi hanterar utan problem tiotusentals beställningar i månaden till en bråkdel av kostnaden för robusta helhetsystem, men det finns nackdelar.
Den största är fragmenteringen av data. Beställningar hamnar i Shoptet, returer i Retino, e-postutskick sköts via Ecomail, bokföringsunderlag flödar in i Flexibee, Amazon hanteras via Expando, projektledning sköts via Freelo, B2B-beställningar är dels i Shoptet och dels direkt i bokföringen – och så kan jag fortsätta ett tag till.
Och det säger jag inte ens om att Shoptet saknar bra moduler för djupare analys av order- eller kunddata – RFM-analys kan vi glömma direkt.
Allt detta försvårar enormt utvärderingen av hela företagets prestanda och leder till att vi har minst ett hundratalet Excel- och Google Sheets-kalkylblad där vi för separat statistik som sedan måste slås ihop manuellt.
Efter den senaste covid-vågen, när tempot i företaget lugnade ner sig lite, fick jag mer tid för analys och började titta djupare på olika rapporter, till exempel:
- Omsättning och vinst per marknadsföringskanal, rensat för returer och reklamationer
- Uppföljning av marginalutveckling över tid ner på produktnivå
- Automatisk beräkning av rabattkuponger och resultatuppföljning
- RFM-analys, kundsegmentering, kohorter
- Definiera traffic builders, etc.
- Finansiell analys, kostnadsgenomgång, uppföljning och prognos av kassaflöde (t.ex. automatisk beräkning av värdet på levererade men ännu inte utbetalda postförskott)
Varje sådan rapport innebar för mig en massa exporter och sammanslagning av olikartade data i Excel – och resultatet gick inte ens att lita på helt. Jag visste förstås att det finns ett sätt att bygga upp hela systemet från grunden: koppla ihop data från alla system, rensa bort extremvärden och rapportera till Power BI eller Looker. Men hur gör man det i praktiken?
Business Intelligence: att styra företaget med data
Det var då jag råkade få en inbjudan till en kurs med titeln Ta din dataanalys bortom Excel. Kursen lovade att jag äntligen skulle lära mig strukturera företagets data – marknadsförings-, kund- och finansdata. Så jag anmälde mig. 😎
Utbildningen var helt rätt för mig! Jag är inte helt ovan vid data – vi har ett eget datalager på företaget och har tillsammans med Digitální architekti redan satt ihop ett antal skräddarsydda rapporter – men jag saknade en bredare överblick och förståelse för vad man faktiskt kan göra med data från våra system. Det fick jag på den här kursen.
Kursen leds av Přemek Horáček, som enligt min bedömning är en rutinerad specialist inom Business Intelligence. Han arbetar med att koppla ihop datakällor för företag och hitta samband i dem – vilket hjälper kunder att styra sin verksamhet baserat på hårda fakta snarare än känsla.
Keboola: extrahera data från vilket system som helst
Om jag bara fick ta med mig en sak från kursen skulle det vara: skaffa Keboola! Keboola är precis det verktyg jag behövde. Det möjliggör regelbunden nedladdning av data från vilken källa som helst – jag kopplade ihop dessa:
- Google Analytics
- Google Ads
- Facebook Ads
- Sklik
- Shoptet
- Flexibee
- Marketing Miner
- Google Kalkylark
Keboola ansluter sig via API till respektive källa och laddar ner önskad data.
Data kan transformeras i Keboola (med hjälp av SQL eller R – grundläggande kommandon gås igenom på kursen) och sedan sparas eller exporteras till ett datalager. Jag exporterar till Google BigQuery, men Google Kalkylark fungerar också.
En transformation kan till exempel vara att rensa bort extremvärden (ta bort testbeställningar, enstaka orders på 20 000 € osv.) eller att slå ihop data från olika tabeller via ett gemensamt ID – eller vilken annan bearbetning du behöver göra.
Vad kan man använda det till?
Till att förbereda data för vilken rapport som helst som du kan bygga utifrån din företagsdata. Här är vad jag har gjort eller planerar att göra:
- Rensa data från annonssystem på avbrutna eller returnerade beställningar
- Skapa automatiserade rapporter för använda kuponger med beräkning av faktisk rabatt och uppnådd marginal
- Beräkna marginaler per order och gruppera dem i buckets (segmentera orders efter storlek och marginalitet)
- RFM-analys på kunddata hämtad från Shoptet
- Kassaflödesdashboard berikad med data om postförskott
På kursen tas även Google BigQuery upp – ett liknande verktyg för extraktion och bearbetning av data. Det är förmodligen mer lämpligt för vissa användningsfall, men är inte lika intuitivt för vanliga användare.
Hur bearbetar och transformerar man data?
Det går tyvärr inte att undvika lite programmering. Big data är stora tabeller, och därför behöver man kunna grunderna i SQL eller R. Båda gås igenom på kursen och efteråt fick vi ett ”fuskblad” med grundläggande kommandon. Jag har inga ambitioner att lära mig dessa språk på djupet, men tack vare kursen har jag tillräcklig överblick för att veta vad jag ska be våra dataanalytiker om – och i vilken omfattning.
Keboola tar dessutom fram mallar för enkel datautvinning. Den här funktionen är fortfarande i betaversion, men det finns redan ett antal grundläggande scheman för att slå ihop data från annonssystem och skicka till Google Kalkylark eller Power BI. För de vanligaste användningsfall kommer programmering alltså snart inte att behövas alls.
Hur visualiserar man data?
När datan är förberedd vill man visualisera den – det är ju hela poängen. Marknadsförare känner säkert till Looker (Google Data Studio), som jag själv använder flitigt för diverse marknadsföringsrapporter.
Men det som verkligen fångade mitt intresse var Power BI, som jag hittills (mest för att det inte körs på Mac 😎) framgångsrikt ignorerat. Efter kursen förstod jag att Looker är ungefär som en demoversion av Power BI – och även om de två systemen ständigt närmar sig varandra har Power BI fortfarande ett övertag.
Totalt tillbringade jag 8 timmar på kursen – en tid jag betraktar som en god investering. Jag fick ett nytt perspektiv på företagsdata och hur man arbetar med dem. På lediga stunder testar jag att bygga egna rapporter och håller gradvis på att ta fram nya kravspecifikationer för Digitální architekti, för jag känner att det är dags att ta vår analys till nästa nivå. 😎
