Data warehouse
Et data warehouse er ét sted i jeres egen cloud, hvor data fra jeres systemer bliver samlet, renset og gemt med deres historik. Jeres team og jeres agenter stiller deres spørgsmål dér, og hvert tal kan spores tilbage til det bilag, det kommer fra. Vi bygger det på Google Cloud med BigQuery eller på Microsoft Azure med Fabric, og I ejer det.
Kender I det?
- To rapporter viser to forskellige tal for det samme, og ingen kan sige, hvilket der er rigtigt.
- Jeres systemer viser kun, hvordan det ser ud i dag, og sidste års tal ligger i gamle regneark.
- I vil have jeres AI-værktøj til at svare ud fra jeres egne tal, men hvert system kender kun sin egen del.
Det får I
- Resultatet
- Ét sted til jeres tal, i jeres egen cloud. Jeres rapporter, jeres team og jeres agenter læser de samme tal, defineret én gang. I bestemmer, hvem der må læse hvad, og I kan tage data med jer.
- Historikken bevares
- Data gemmes, som de var. Så kan I sammenligne perioder og se, hvad et tal var, da rapporten blev sendt.
- Definitioner ét sted
- Jeres forretningsregler, for eksempel hvordan omsætningen opgøres, eller hvordan en udbetaling afstemmes, skrives én gang i data warehouset og bruges overalt.
- Kontrolleret adgang
- Ingen læser direkte i data warehouset. Mennesker og agenter kommer ind gennem MCP-servere eller en færdig rapport, og hver rolle ser kun sine egne data, inden for sine egne grænser.
Hvad vi gør, hvad I gør
| Vi | I |
|---|---|
| Gennemgår med jer, hvilke tal der betyder noget, og hvordan hvert tal er defineret. | Fortæller os, hvilke rapporter I stoler på, og hvilke spørgsmål I ikke kan få svar på i dag. |
| Sætter data warehouset op i jeres Google Cloud-projekt eller jeres Microsoft-tenant med tabellerne og kontrollerne. | Opretter projektet eller tenanten via en med administratorrettigheder og vælger, hvor data skal ligge. |
| Sætter rollerne op, så hver person og hver agent kun læser det, de skal, og der logges, hvem der har læst hvad. | Bestemmer, hvem der må læse hvad. |
| Overdrager koden og indstillingerne. Gathenas agenter bygger og vedligeholder data warehouset, og hver ændring venter på jeres godkendelse. | Ejer det hele, i jeres egen cloud. |
Godt at vide
Et data warehouse betaler sig, når tal fra flere systemer skal afstemmes med hinanden. Kommer jeres tal fra ét økonomisystem, hvis rapporter svarer på jeres spørgsmål, har I nok ikke brug for et endnu. Så start med at rydde op i de data, I har, og skriv ned, hvad hvert nøgletal betyder.
Jeres spørgsmål
- BigQuery eller Fabric: hvad skal vi vælge?
- Som regel det, der passer til de værktøjer, I allerede arbejder i, og til det sted, jeres økonomidata ligger. Vores sammenligning gennemgår, hvordan data kommer ind, hvordan I betaler, den indbyggede AI, de kompetencer, hver platform kræver, og hvor let det er at skifte.
- Hvad er forskellen på et data warehouse og vores økonomisystem?
- Økonomisystemet rummer regnskabet, og det er dér, posteringer foretages. Data warehouset rummer kopier af data fra alle jeres systemer side om side og med historik, så de kan afstemmes og spørges til. Der bogføres intet i data warehouset.
- Kan vores AI-værktøj læse det?
- Ja, gennem en MCP-server i jeres egen cloud. Hver person logger ind som sig selv og ser kun det, rollen giver adgang til, og hvert kald skrives i logbogen.
- Hvor ligger data?
- I jeres eget Google Cloud-projekt eller jeres Microsoft-tenant, i den region, I vælger; i DuffBeauty-casen i EU. I styrer adgangen. Den model, der svarer på et spørgsmål, kører hos den udbyder, I har valgt.
- Kan vi skifte væk?
- Ja. Koden og indstillingerne er jeres, og begge platforme kan eksportere jeres tabeller i åbne formater.