Dataharmonisering: så får du ERP, CRM och andra system att tala samma språk

De flesta företag har inte brist på data. Problemet är snarare att informationen finns utspridd över ERP-system, CRM, e-handel, produktionssystem, PIM, Excel-filer och andra verksamhetssystem.

Samma kund kan heta en sak i CRM-systemet och något annat i ERP-systemet. Produktinformation kan beskrivas olika beroende på var den används. Ett datum kan lagras i olika format och definitionen av exempelvis "aktiv kund" kan variera mellan avdelningar.

Resultatet blir datasilos: information finns, men är svår att kombinera och använda på ett tillförlitligt sätt.

Det är här dataharmonisering och koncept som Data Fabric kommer in.

Dataharmonisering innebär att data från olika källor anpassas så att informationen får en gemensam struktur, betydelse och kvalitet.

Det räcker alltså inte att bara flytta data från ett system till ett annat.

Om CRM-systemet använder "SE", ERP-systemet "Sverige" och e-handeln "Sweden" behöver systemen förstå att alla tre värden beskriver samma land.

På samma sätt kan:

• "Customer ID" i CRM
• "Customer No." i ERP
• "Account ID" i en webbshop

beskriva samma typ av affärsobjekt.

Dataharmonisering skapar ett gemensamt sätt att tolka informationen. Man kan beskriva dataharmonisering som processen att standardisera data mellan olika källor, korrigera fel och hantera skillnader i bland annat format, scheman och enheter. 

Men i moderna IT-miljöer finns ytterligare en utmaning: systemen förändras hela tiden.

Ett medelstort eller stort företag använder sällan bara ett affärssystem.

Du kan exempelvis ha:

Microsoft Dynamics 365 Business Central för ekonomi och order
↓
ett CRM-system för kundrelationer
↓
ett MES för produktionen
↓
ett PIM för produktinformation
↓
Shopify för e-handel
↓
Power BI för analys
↓
olika AI-agenter och Copilots

Varje lösning kan vara bra på sin uppgift. Problemet uppstår i kopplingarna mellan dem.

Traditionellt löses detta ofta med punkt-till-punkt-integrationer:

ERP ↔ CRM

ERP ↔ webshop

PIM ↔ webshop

CRM ↔ marketing automation

När antalet system ökar växer därför också antalet beroenden. En förändring i ett system kan kräva ändringar i flera integrationer.

Det här är särskilt vanligt inom tillverkande företag. Tillverkare kan ha flera ERP-miljöer från exempelvis SAP, NetSuite, Dynamics och Sage, ibland kombinerade med egenutvecklade system. 

Ett alternativ är därför att skapa ett gemensamt datalager mellan systemen.

Det är grundidén bakom en Data Fabric.

En Data Fabric är ett arkitekturellt lager som hjälper företag att koppla samman, hantera och tillgängliggöra data från flera olika system.

Tänk på den som ett gemensamt språk ovanpå företagets IT-landskap.

ERP-systemet behöver inte bli CRM.

CRM-systemet behöver inte bli PIM.

Och ett äldre produktionssystem behöver inte nödvändigtvis ersättas bara för att ett nytt digitalt initiativ startas.

I stället kan systemen fortsätta göra det de är bra på medan ett gemensamt datalager beskriver hur informationen hänger ihop.

Det är också principen bakom COSMO Anyfy. Plattformen kopplar ERP, CRM, MES, PLM, PIM och andra applikationer mot ett gemensamt, ontologibaserat Enterprise Data Model. Systemen kan fortsätta vara självständiga samtidigt som informationen får en gemensam affärsmässig betydelse.

Det intressanta är egentligen inte var informationen ligger.

Det intressanta är vad informationen betyder.

Ta begreppet kund.

Information om samma kund kan finnas i:

• ERP-systemet
• CRM-systemet
• webbshoppen
• supportlösningen
• marketing automation
• faktureringssystemet.

Ett traditionellt integrationsperspektiv fokuserar mycket på att flytta information mellan system A och B.

Ett semantiskt dataperspektiv börjar i stället med frågan:

Vad är en kund i vår verksamhet, vilken information beskriver kunden och hur är kunden relaterad till exempelvis kontaktpersoner, produkter, order och avtal?

Samma metod kan användas för produkter, leverantörer, maskiner, produktionsorder och anläggningar.

I COSMO Anyfy används ett ontologibaserat Enterprise Data Model för just detta. Affärsobjekt och deras relationer får en gemensam digital identitet som inte är bunden till strukturen i ett enskilt affärssystem.

Ett konkret exempel finns hos en COSMO-kund i Schweiz.

Bakom företagets Education Shop för den schweiziska marknaden finns flera olika system med olika uppgifter:

• Shopify hanterar webshop och beställningsprocess
• Business Central hanterar relevanta kund- och faktureringsprocesser
• Microsoft Customer Insights CRM används i hanteringen av deltagarregistreringar
• Ainavio PIM bidrar med produktinformation
• COSMO Anyfy kopplar samman delar av denna systemmiljö.

Vid produktionsstarten var bland annat integrationen mellan Shopify och CRM implementerad via COSMO Anyfy, tillsammans med två av flera planerade integrationer mellan Shopify och Business Central. 

Det intressanta med exemplet är inte antalet system.

Det är processen mellan systemen.

En användare ser bara en webshop. Men bakom ett köp kan produktinformation, registreringsuppgifter, kunddata, orderinformation och faktureringsdata behöva hanteras av flera olika system.

Det är precis den typen av situation där integration och dataharmonisering blir en verksamhetsfråga snarare än en ren IT-fråga.

Tänk dig också ett svenskt industriföretag som köper en konkurrent.

Detta är ett illustrativt exempel.

Det ena bolaget använder Business Central och det andra ett äldre ERP-system. Båda har dessutom egna:

• artikelnummer
• kundregister
• produktstrukturer
• leverantörsregister
• definitioner av lagerstatus.

Ledningen vill snabbt kunna analysera försäljning och marginal för hela koncernen.

Att bara kopiera båda ERP-systemens data till samma databas löser inte problemet.

Om samma typ av produkt klassificeras på två olika sätt kommer analysen fortfarande att jämföra äpplen med päron.

Först behöver företaget definiera vad exempelvis:

kund, produkt, lager, order och leverantör

betyder gemensamt.

Därefter kan information från respektive system mappas mot dessa gemensamma definitioner.

Det är dataharmonisering i praktiken.

Generativ AI har gjort den gamla integrationsfrågan betydligt mer aktuell.

En AI-agent kan bara fatta bra beslut utifrån den information den faktiskt kan komma åt och förstå.

Anta att en medarbetare frågar:

"Vilka av våra kunder har köpt produkt X det senaste året, har öppna supportärenden och bör kontaktas av sin account manager?"

Informationen kan behöva hämtas från tre olika system:

ERP: vad kunden har köpt
CRM: vem som ansvarar för kunden
Support: vilka ärenden som är öppna

En AI-modell behöver därför inte bara tillgång till data. Den behöver också förstå relationerna och den affärsmässiga betydelsen bakom informationen.

Det är ett av skälen till att semantiska datamodeller blir viktiga för Enterprise AI. COSMO Anyfy kan harmonisera och semantiskt berika data innan den görs tillgänglig för AI-applikationer och agenter, samtidigt som behörigheter begränsar vilken information som får användas. 

Det betyder inte att tekniken automatiskt löser dålig datakvalitet. Organisationen behöver fortfarande bestämma vad information betyder, vem som äger den och vilka system som är auktoritativa källor.

Begreppen blandas ofta ihop.

Integration

Handlar främst om att koppla ihop system och flytta information mellan dem.

Data warehouse

Är framför allt optimerat för att samla historisk data för rapportering och analys.

Dataharmonisering

Handlar om att säkerställa att information från olika källor går att tolka och jämföra på ett konsekvent sätt. 

Data Fabric

Försöker skapa ett mer övergripande lager för att koppla samman och strukturera data över systemgränserna.

De ersätter därför inte nödvändigtvis varandra.

Ett företag kan fortfarande använda ett data warehouse, ERP-system, API:er och integrationsplattformar som delar av samma arkitektur.

Alla organisationer behöver inte en Data Fabric.

Har du ett relativt enkelt IT-landskap med ett centralt affärssystem och några standardintegrationer kan en traditionell integration vara både enklare och billigare dvs för företag med ett enkelt kärnsystem kan en standardadapter vara det lämpligare alternativet.

Behovet blir mer relevant när:

• flera affärskritiska system använder samma information
• ERP, CRM, MES, PIM och e-handel behöver samverka
• punkt-till-punkt-integrationerna blir svåra att underhålla
• organisationen växer genom förvärv
• gamla system behöver behållas samtidigt som nya tjänster utvecklas
• data ska göras tillgänglig via appar, portaler eller API:er
• organisationen vill använda egna företagsdata i AI och AI-agenter.

Det handlar alltså mindre om hur stort företaget är och mer om hur komplext dess data- och systemlandskap har blivit.

Här gör många organisationer ett misstag.

De börjar med frågan:

"Vilken plattform ska vi köpa?"

En bättre startpunkt är:

"Vilken affärsprocess vill vi förbättra, och vilken data krävs för att göra det?"

Det kan till exempel vara:

"Vi vill ge återförsäljare orderstatus i realtid."

Då kan man identifiera:

1. Var finns orderinformationen?
2. Var finns kundinformationen?
3. Vilka definitioner skiljer sig mellan systemen?
4. Vilken information får externa användare se?
5. Hur aktuell måste informationen vara?
6. Vilket system äger respektive information?

Först därefter kommer arkitekturen.

Det är också möjligt att börja smått. För COSMO Anyfy finns arbetssätt där Enterprise Data Model byggs iterativt kring ett avgränsat use case snarare än att hela företagets datamodell måste definieras från början.

Den kanske viktigaste förändringen är därför inte teknisk.

Det är att gå från att tänka:

"Hur kopplar vi CRM till ERP?"

till:

"Hur definierar vi kund, produkt och order så att hela organisationen förstår informationen på samma sätt?"

När den grunden finns blir det lättare att byta system, bygga digitala tjänster, skapa analys, integrera partners och använda AI.

Och kanske är det den enklaste definitionen av dataharmonisering:

Systemen behöver inte vara likadana. Men de måste förstå vad informationen betyder.