Senaste nytt

Här får du tips om verktyget och de senaste uppdateringar.

BI-verktyg eller specialiserat spendanalysverktyg?

Vilka är egentligen för- och nackdelarna med att använda ett spendanalyssystem istället för att använda ett BI-system när man ska göra en spendanalys? Frågan är aktuell för många, låt oss ge er vår syn på saken.

Det finns en mängd olika BI-system på marknaden; Qlik, Tableau och Microsoft Power BI för att nämna några. Det som karaktäriserar dessa är att de är utmärkta verktyg för att visualisera sammanställningar av stora mängder data, och att dataflödena bör vara konsistenta över tid. Man får lägga ner en hel det tid och tanke på att själv kravställa vad man vill kunna granska i detalj, och sedan behöver detta byggas.

För en inköpsfunktion finns det vanligen tre givna fördelar med BI-verktyg:

  1. Det egna företaget har ofta redan slutit avtal med en leverantör, det finns licenser att tillgå, eller köpa in. Det blir helt enkelt inte ett stort beslut att ta när man ansluter sig till företagets övriga hantering av Big Data.
  2. Genom att välja den leverantör som andra delar av företaget nyttjar kan man också dela med sig av ”inköpsdata” på ett bra sätt till övriga delar av företaget. All data kan integreras.
  3. Det går att skräddarsy till den egna verksamheten. Om man inte tar hänsyn till vilka resurser som krävs, kan man bygga i princip vad som helst. Det blir istället den egna datakvalitén som sätter gränserna.

Ur ett spendanalysperspektiv finns det dock tre tydliga funktionella utmaningar:

  1. I BI-verktygen finns det inte stöd för att förändra den ingående datan. Det blir därför svårt att normalisera (slå samman dubbletter i indata) eller göra en hantering för det. Har man dubbletter bland leverantörerna så behåller man alltså dem. Det är vanligt att inköpare vill hålla ett förnuftigt lågt antal leverantörer aktiva. Här kommer man inte trovärdigt att kunna mäta hur många man har då det lika gärna kan bero på att någon lagt upp en ny leverantör av misstag i ekonomisystemet.
  2. I BI-verktyget finns det inte heller stöd för att bearbeta den ingående datan. När man genomför en spendanalys vill man göra den leverantörsmarknadskategoriserad, och för att kunna göra det på ett korrekt sätt behöver man kunna sätta regler på leverantörsnivå.

Utmaningen uppstår i att företaget har ett kontinuerligt inflöde av nya leverantörer. Leverantörsdata (baserat på namn, organisationsnummer eller liknande) blir därför inte konsistent utan den förändras över tid. Konteringen är däremot mer likriktad och det faller sig naturligt att låta konteringen styra kategoriseringen. Resultatet blir förvisso underhållsfritt, men också av låg kvalitet. När man gör en spendanalys vill man som inköpare ta ekonomernas redovisningsdata och omforma den till att möta en inköpares behov. Genom att som här beskrivet snarare visualisera konteringen så skapar man ingen spendanalys, framförallt av två skäl:

    • Man får leva med alla följdfel som skapas inom redovisningen (olika kontering av samma inköpsslag).
    • Den noggrannhetsnivå man vill åstadkomma är divergerande. Som exempel: företaget har ett konto för resor men inköparen vill kunna skilja på flyg, hotell, tåg, buss, taxi o.s.v. Man har ett konto för konsulttjänster men inköparen vill kunna skilja på management-, IT-, tekniska-, inköps- konsulter och liknande. man kanske även vill kunna upphandla arkitekter, men företaget har konterat dem som fastighetsservice och då blir det genast problem.

Om man vill hantera dessa utmaningar behöver man skapa en motor för hantering av data vid sidan av sitt BI-verktyg, vilket blir ett omfattande bygge som man vanligen inte kalkylerar med initialt i projektet. I Microsofts BI-verktyg finns det ytterligare en begränsning. Som inköpare vill man ofta granska sin källdata (kontrollera om allt stämmer), man vill också sannolikt vrida och vända på den, skapa en pivot-tabell. Att då granska den underliggande datan i Excel är ett utmärkt tillvägagångssätt. Just nu (31 maj 2017) begränsar dock Microsoft Power BI exportmöjligheterna till Excel på så vis att man enbart kan ta ut 30.000 rader i den fria versionen, och 150.000 rader i den kommersiella. Vid analys av ekonomiska data är risken stor att detta är otillräckligt, och innan man väljer detta verktyg bör man säkerställa att möjligheterna har förbättrats.

När man gör en spendanalys vill man kunna hantera dålig kvalitet på indata genom att normalisera dubbletter. Man vill sedan utifrån leverantörens namn styra dem till en kategori, och möjligen använda kontering eller andra nycklar som stöd när en leverantör ska fördelas ut till flera kategorier. Därefter vill man kunna exportera den mängd data man behöver ha tillgång till för att kunna laborera vidare med den vid vissa tillfällen.

Vår slutsats är tydlig. BI-verktyg är utmärkta verktyg för att visualisera stora mängder data, men om man gör en spendanalys med ett BI-verktyg där man i någon form tummar på de tydliga nycklarna i tillvägagångssättet, så blir resultatet att inköpsavdelningen inte får det datastöd den behöver för att kunna göra ett bra faktabaserat arbete. Det blir lite som att man ska orientera och man har en karta, men man vet inte var man är och inte heller var man ska.