<img src="https://secure.leadforensics.com/133892.png" alt="" style="display:none;">

Nyligen träffade jag en kund som är involverad i flera projekt med oss på Columbus. Vi pratade lite om olika saker, och bland annat frågade jag om det inte var dags att titta över sin analys och BI-strategi för att få ut lite mer av all deras data?

”Jo... men det har vi ju gjort länge” fick jag till svar.

Det var minst sagt ett oväntat svar och inte det svar jag hade förväntat mig. För även om de hade köpt över 50 000 konsulttimmar av oss, hade inte en enda av dessa timmar något med dataanalys att göra. Dessa timmar hade företaget nämligen köpt av en så kallad specialiserad BI leverantör. I huvudsak för att de inte kände till att det är ett område som vi på Columbus faktiskt sysslar med.

Det var ju lite trist, med tanke på att Analytics är ett strategiskt fokusområde som vi satsat hårt på och som vi har flera riktigt kompetenta medarbetare inom. Det är uppenbart att vi behöver bli bättre på att berätta om det.

Mycket mer än en brevkurs i Power BI

Men det handlar om så mycket mer än bara kommunikation. Analytics och BI ligger så pass långt utanför många av de typiska ERP-konsultbolagens kompetens att jag har en förståelse varför de inte tror att vi kan erbjuda denna tjänst.

Och när vissa inom Analytics- och BI-branschen retar oss (och våra kolleger i ERP-branschen) för att vår kunskap inom BI-området skulle vara begränsad till en brevkurs i Power BI, så stämde det säkert på en del ERP-leverantörer tidigare.

Men Analytics har utvecklats till ett område av så vital betydelse för våra kunder att vi har samlat på oss betydande erfarenhet och specialkunskaper i området.

Idag har jag mer än 100 BI konsulter som kollegor inom Columbus med erfarenhet av att leverera lösningar inom många olika branscher och mot de flesta förekommande system. Att vi är extra starka på Manufacturing, Food, Forest, Agro och Distribution på system som Dynamics AX/365, Dynamics Nav, Infor M3 och Microsoft CRM är bara naturligt då det är våra fokusområden.

Vi har naturligtvis stor erfarenhet av att implementera BI i förhållande till ditt ERP – vilket våra kunder förväntar sig – men vi fungerar även som utvalda globala kunders interna BI-avdelningar. Dessutom har vi etablerat en dedikerad Analytics-avdelning på vårt globala Delivery Center i Indien.

Även Analytics flyttar upp i molnet

I stort sett alla verksamhetskritiska data och processer har idag någon koppling till kundernas ERP-system på ett eller annat sätt, vare sig det handlar om SAP, Dynamics AX/365 eller M3. Därför är det allt naturligare att samarbeta med ERP- och processpecialisten för att garantera en smartare och intelligentare användning av informationen.

Detta gäller inte minst i takt med att allt fler processer flyttar upp i molnet – eller efterhand som själva ERP-systemet flyttas dit och blir till webbaserade byggklossar som t.ex. Dynamics 365.

Dessutom har bland annat Analytics, Machine Learning och IoT blivit en del av den samlade och molnbaserade Microsoft-plattformen. Så där det tidigare var vanligt att specialisera sig på enskilda produkter, kan man idag se på allt från ERP, CRM, BI och Advanced Analytics som ett mer normalt, integrerat, molnbaserat system. Det är det vi här på Columbus, utan att skryta, är riktigt bra på.

Ska projektet ta ett år eller en vecka?

Denna typ av holistisk frågeställning är mer och mer relevant i takt med att själva implementeringen av t.ex. Analytics rör sig från att vara ett projekt som tar månader och år till att gå mycket fortare idag. Nyligen kickstartade vi faktiskt en komplett Analytics-lösning på ett mellanstort företag på några få veckor.

Det var endast möjligt tack vare att alla de grundläggande elementen är standardiserade och behovet för ett egentligt utvecklingsarbete var minimalt. Fokus låg dessutom på processintegration och på att utnyttja den samlade, integrerade Microsoft-stacken på ett optimalt sätt snarare än på enskilda produkter.

”Det hade varit mycket enklare att köpa av er”

Om man ska kunna arbeta utifrån standardiserade plattformar – och i övrigt vara säker på att allt fungerar tillsammans som en helhet – då är det enklare att lyckas med en enda leverantör i stället för 3-4 olika. Det minimerar även risken för att man kastas runt mellan olika konsultbolag, där alla argumenterar helhjärtat för att ansvaret för eventuella problem helt säkert ligger hos en annan leverantör.

Eller som vår trevliga kund konstaterade:

”Det hade varit mycket enklare att göra Analytics och BI tillsammans med er än att köpa det på stan. Vi känner ju er, och ni sitter redan på alla våra data och processer.”

Ladda ner guiden

Diskutera detta inlägg

Rekommenderad läsning

If you organize your data and use AI strategically, you can make better decisions faster. You can for example improve your market understanding and forecasting, optimize your maintenance or reduce food waste. Choose what is most important for you!
Demand forecasters do the impossible — predict what products and services customers want in the future. Their forecasts inform decision-making about production and inventory levels, pricing, budgeting, hiring and more. "While crystal balls remain imaginary, machine learning (ML) methods can give global supply chain leaders the support they need in the real world to create more accurate forecasts." The goal is to produce exactly the amount of product to meet demand. No more. No less. Demand forecasting is used to anticipate the demand with enough time to manufacture the right stock to get as close to this reality as possible. The cost is high if you don’t get it right. Your customers will go to your competitors if you don’t have what they need. Unfortunately, capacity, demand and cost aren’t always known parameters. Variations in demand, supplies, transportation, lead times and more create uncertainties. Ultimately demand uncertainties greatly influence supply chain performance with widespread effects on production scheduling, inventory planning and transportation. On the heels of the global pandemic, supply chain disruptions and a pending economic downturn, many demand forecasters wish for a crystal ball. While crystal balls remain imaginary, machine learning (ML) methods can give global supply chain leaders the support they need in the real world to create more accurate forecasts.
If you have identified possible AI use cases for your business, the next step will be to test if they are possible to implement and if they will create great value. While there is a lot of momentum and excitement about using AI to propel your business, the reality is only 54% of AI projects are deployed. How do you ensure you’re one of the businesses that does unlock the new opportunities AI promises? Your success with AI begins by discovering AI use cases that work for your business. In the first blog of our Columbus AI blog series, we shared five areas where organizations should focus their efforts to generate ideas for AI implementations based on our experience. After generating some ideas for AI use cases that could potentially benefit your company from the first step of the Columbus AI Innovation Lab, the next step is to test which AI use cases could be operationalized by evaluating them. Columbus AI Innovation Lab
Only half of the companies starting an AI pilot project are actually executing it. The key is to choose an idea that will benefit your business. Read more about how! In 2022, 27% of chief information officers confirmed they deployed artificial intelligence (AI), according to a Gartner AI survey. Even though businesses across all industries are turning to AI and machine learning, prepare your organization before jumping on the AI bandwagon by considering a few factors. Ask yourself: Is AI necessary for achieving the project requirements or is there another way? Does your team have the skills to support AI and machine learning? How will AI impact your current operations if you adopt it? How will you integrate AI with existing systems? What are the data, security and infrastructure requirements of AI and machine learning? The Gartner AI survey found only 54% of projects made it from the pilot phase to production. After significant investment in AI, why aren’t companies deploying it? We found the problem begins when companies define a use case. Too often, companies are not identifying AI use cases that benefit their businesses and end-users will adopt. The question is then, how should companies unlock the value and new opportunities AI promises? It starts with a systematic approach for each stage of the AI life cycle. We developed the Columbus AI Innovation Lab, a comprehensive method to address and account for all challenges when adding AI to your business operations and bring stakeholders into the process at the right time to help you operationalize AI.
It doesn’t matter how good your artificial intelligence technology is. If you have bad data, you’ll get bad results. While AI is one of the most innovative and impactful innovations for businesses today, bad data can prevent AI projects from getting off the ground. Having high-quality data and following data preparation best practices are crucial for a successful AI project. In the Transform phase of the Columbus AI Innovation Lab, the one we detail here, data is collected and prepared for use by AI and machine learning (ML) algorithms. Major phases in Machine Learning Machine learning, frequently used synonymously with “artificial intelligence,” is about using predictive methods to simplify tasks. There are several essential steps to building ML models, and these steps can change based on the issue you are trying to solve and the kind of ML model you are building. However, in general, the steps involved in creating and implementing an ML model are as follows: Define: Different approaches for finding AI use cases Discover: Scope and prioritize ideas before developing an AI solution and implementation strategy Transform: Transforming the business case including data acquisition and preparation with AI/ML (current blog) Model and evaluate: Analyze and enhance the business use cases using AI/ML algorithms Deploy and support: Deployment of AI/ML models and support/monitoring to guarantee quality and effectiveness
right-arrow share search phone phone-filled menu filter envelope envelope-filled close checkmark caret-down arrow-up arrow-right arrow-left arrow-down right-arrow share search phone phone-filled menu filter envelope envelope-filled close checkmark caret-down arrow-up arrow-right arrow-left arrow-down