{"canonical_url":"https://engineer.company/da/glossary/business-intelligence/","content_markdown":"# Business intelligence\n\n## Hvad det er\n\nBusiness intelligence, i daglig tale forkortet BI, er arbejdet med at gøre en\norganisations egne data til rapporter, dashboards og analyser, som de mennesker,\nder træffer beslutningerne, kan handle på. Som forled bruges næsten altid\nforkortelsen, som i BI-værktøj.\n\nUdtrykket er ældre end softwaren. I oktober 1958 bragte IBM Journal of Research\nand Development en artikel af H. P. Luhn med titlen »A Business Intelligence\nSystem«. Luhn beskrev et maskinelt system, der skulle tage de dokumenter, en\norganisation modtager eller selv skriver, lave et automatisk resumé af hvert\nenkelt, beskrive det ved et mønster af dets ord og sende det til de steder i\norganisationen — Luhn kaldte dem action points — hvis interesseprofil passede.\nEt sådant sted kunne være en enkelt person, en gruppe, en afdeling eller en hel\ndivision. Han gav ordet business en bevidst bred betydning, enhver organiseret\naktivitet fra videnskab og handel til jura, offentlig forvaltning og forsvar, og\nforstod intelligence som evnen til at se, hvordan de foreliggende fakta hænger\nsammen, godt nok til at styre handlingen mod et mål. Efter at have gennemgået\nteknikkerne gav han helheden et navn: »We call this a Business Intelligence\nSystem.«\n\nLuhns materiale var tekst. Nutidens BI arbejder mest med tal i tabeller, og\nKimball Groups beskrivelse af et datavarehus- og BI-system viser den sædvanlige\nopbygning. I baglokalet (back room) hentes data fra kildesystemerne, renses,\ngøres ensartede og indlæses. I forlokalet (front room) præsenteres de, ordnet\nefter forretningsproces og gemt på det mest detaljerede niveau, med aggregerede\nopsummeringer lagt oveni for at gøre det hurtigere. Øverst ligger\nBI-applikationerne: ad hoc-forespørgsler, standardrapporter, dashboards og\nscorecards samt tungere applikationer til analyse og data mining.\n\nDet, der binder de to betydninger sammen, er Luhns spørgsmål: hvem har brug for\nat vide dette, og hvordan når det frem til dem i en form, de faktisk læser?\n\n## Hvorfor det betyder noget\n\nEnhver organisation styrer allerede efter tal. Spørgsmålet er, om tallene\nstemmer overens. Når salgsafdelingen tæller en ordre med fra den dag, kontrakten\nunderskrives, og økonomiafdelingen fra den dag, fakturaen sendes, møder de to\nafdelinger op til samme møde med hver sit omsætningstal, og mødet går med\nforskellen i stedet for beslutningen. Et BI-system tjener sig ind ved at\nfastlægge én definition pr. nøgletal, beregne det ét sted og vise det samme tal\ntil alle, der spørger.\n\nLuhns diagnose fra 1958 passer stadig på de fleste fælles rapportmapper. Han så\norganisationer sprede information bredt for at være på den sikre side og\nbemærkede, at modtagerne druknede i papir, så risikoen for, at intet nåede frem,\nblev stor. Et dashboard med fyrre diagrammer gør det samme på en skærm. Luhns\nmiddel var udvælgelse. Hvert modtagersted fik først kun løbenummer, titel og\nforfatter på de dokumenter, systemet havde valgt til det. Derefter kunne det\ndreje numrene på en telefon for at få resuméerne og bede om dem, det ville have,\ni fuld længde. Hver gang det tog imod et dokument, blev profilen opdateret, så\nudvælgelsen blev bedre med brugen. En god rapport i dag virker på samme måde:\nden tager udgangspunkt i en person og en beslutning og viser de få tal,\nbeslutningen afhænger af.\n\nDer er også en praktisk side. Databasen bag en applikation er bygget til dens\nmange små læsninger og skrivninger. Et spørgsmål, der læser et helt års ordrer,\nkonkurrerer med de skrivninger, når det kører samme sted, og det er én grund\ntil, at BI-data som regel ligger i et separat lager, der fyldes efter en fast\nplan. At holde det lager på det mest detaljerede niveau, som Kimball beskriver,\nafgør, hvilke spørgsmål man stadig kan besvare næste år uden at skulle tilbage\ntil kilderne.\n\n## Sådan ser det ud i praksis\n\nEt typisk BI-spørgsmål: omsætningen i tredje kvartal 2026 fordelt på region og\nprodukt, med en subtotal for hver region og en samlet total. Med en tabel\n`sales`, der har én række pr. salg med `sold_on`, `region`, `product` og\n`amount`, besvarer standard-SQL det i én forespørgsel:\n\n```sql\nSELECT region,\n       product,\n       sum(amount)               AS revenue,\n       GROUPING(region, product) AS level\nFROM   sales\nWHERE  sold_on \u003e= DATE '2026-07-01'\nAND    sold_on \u003c  DATE '2026-10-01'\nGROUP  BY ROLLUP (region, product)\nORDER  BY GROUPING(region), region, GROUPING(product), product;\n```\n\nMed en håndfuld eksempelrækker giver den:\n\n```text\n region | product | revenue | level\n--------+---------+---------+-------\n North  | Boots   |    1200 |     0\n North  | Jackets |     800 |     0\n North  |         |    2000 |     1\n South  | Boots   |     500 |     0\n South  | Jackets |    1500 |     0\n South  |         |    2000 |     1\n        |         |    4000 |     3\n```\n\n`ROLLUP (region, product)` er en forkortelse for\n`GROUPING SETS ((region, product), (region), ())`: hele listen, hvert kortere\npræfiks af den og til sidst den tomme mængde, som lægger alle rækker sammen.\nPostgreSQL-dokumentationen nævner den som det sædvanlige redskab til hierarkiske\ndata, for eksempel løn pr. afdeling, pr. division og for hele virksomheden.\n`CUBE (region, product)` ville i stedet gruppere efter alle delmængder og dermed\ntilføje en total for hvert produkt på tværs af regionerne.\n\nEn kolonne, der ikke indgår i rækkens grupperingsmængde, kommer tilbage som\nNULL, og derfor har subtotalrækkerne tomme felter. `GROUPING(region, product)`\nfortæller, hvilke kolonner det drejer sig om. Den returnerer en bitmaske med én\nbit pr. argument, det sidste argument i den laveste bit, og en bit er 1, når\nkolonnen ikke var grupperet i rækken. Altså markerer 0 en detaljerække, 1 en\nsubtotal for en region (produktet er ikke grupperet) og 3 den samlede total\n(ingen af dem er grupperet). En rapport læser `level` for at afgøre, hvilke\nrækker der skal stå med fed.\n\nVirksomhedens\n[ydelse inden for dataanalyse og BI-dashboards](/da/services/data-analytics-bi/)\nbeskriver målet som dashboards og rapporter, der viser de få tal, en beslutning\nfaktisk afhænger af, og som opdateres, uden at nogen beder om det. En\nforespørgsel som denne er laget under sådan en rapport: totalerne beregnes én\ngang, i databasen, og dashboardet tegner dem blot.\n\n## Hvor det går galt\n\n**To tal under samme navn.** Omsætning, aktiv kunde og kundeafgang har hver\nflere rimelige definitioner, og hver rapport, der regner selv, vælger én. Skriv\nhvert nøgletal ned én gang, med hvad det tæller, fra hvilken kilde og pr.\nhvilken dato, og beregn det i databasen, for eksempel som et view, frem for i\nhver rapports formler. Kimball kalder den sproglige del for forretningsmetadata:\nhvilke data der findes, hvor de kommer fra, og hvad de betyder.\n\n**Alt sendt til alle.** Et dashboard med snesevis af diagrammer og en\nmodtagerliste med hele afdelingen genskaber den oversvømmelse, Luhn ville\nstandse. Begynd med en navngiven person og den beslutning, vedkommende træffer,\nvis de tal, beslutningen kræver, og nedlæg de rapporter, ingen har åbnet i et\nkvartal.\n\n**Rapporter, der gør applikationen langsom.** En tung forespørgsel mod den\nprimære database i et system i drift konkurrerer med de kunder, der bruger det.\nKør rapporteringen på en læsereplika eller i et separat datavarehus, der fyldes\nefter en fast plan. Aggregater, der er dyre at beregne og efterspørges ofte, kan\nlægges i et materialiseret view, der genopfriskes efter hver indlæsning.\n\n**Totaler bygget af totaler.** Gennemsnittet af hver regions gennemsnitlige\nordreværdi er ikke virksomhedens gennemsnitlige ordreværdi, medmindre alle\nregioner har lige mange ordrer. Antallet af forskellige kunder pr. måned kan\nikke lægges sammen til et kvartal, for en kunde, der købte både i juli og i\naugust, tælles to gange. Behold detaljerækkerne, og aggreger hvert niveau ud fra\ndem. Grupperingsmængder gør netop det: hvert niveau i forespørgslen ovenfor\nberegnes ud fra salgsrækkerne, ikke ud fra niveauet under.\n\n**Et tomt felt med to betydninger.** Tilføj ét salg, hvor regionen er ukendt, og\nforespørgslen ovenfor giver en detaljerække med tom region, en subtotal for den\nmed to tomme felter og en samlet total, også med to tomme felter. Med `CUBE`\nbliver det værre: to rækker viser tom region og Boots, den ene for Boots solgt,\nhvor regionen er ukendt, og den anden for Boots i alle regioner tilsammen.\nPostgreSQL-dokumentationen advarer om, at en NULL i data ikke kan skelnes fra\nden NULL, der står for en kolonne, som er grupperet væk. Brug `GROUPING()`,\naldrig `IS NULL`, til at finde subtotalrækker, og giv manglende værdier en\nsynlig betegnelse som »ukendt«, når data indlæses.\n\n**Gårsdagens tal læst som dagens.** Når en natlig indlæsning fejler, bliver\ndashboardet ved med at vise de sidste gode tal, og intet på skærmen fortæller,\nat de er gamle. Skriv tidspunktet for den seneste vellykkede indlæsning på hver\nrapport, og lad overvågningen sende en alarm til en navngiven person, når en\nplanlagt indlæsning ikke bliver færdig.\n\n## Læs mere\n\n- [A Business Intelligence System](https://doi.org/10.1147/rd.24.0314) — H. P.\n  Luhns artikel i IBM Journal of Research and Development, oktober 1958, som\n  udtrykket stammer fra.\n- [Kimball Technical DW/BI System Architecture](https://www.kimballgroup.com/data-warehouse-business-intelligence-resources/kimball-techniques/technical-dw-bi-system-architecture/)\n  — Kimball Groups gennemgang af baglokalet, præsentationsområdet,\n  BI-applikationerne og metadata.\n- [Table Expressions](https://www.postgresql.org/docs/current/queries-table-expressions.html)\n  — PostgreSQL's reference for `GROUPING SETS`, `ROLLUP` og `CUBE` og for,\n  hvordan NULL står i stedet for en kolonne, der ikke er grupperet.\n- [Aggregate Functions](https://www.postgresql.org/docs/current/functions-aggregate.html)\n  — funktionen `GROUPING` og dens bitmaske, med et gennemregnet eksempel.\n\n\u003chttps://engineer.company/da/glossary/business-intelligence/\u003e\n","date_modified":"2026-10-29T11:17:41Z","description":"Hvad business intelligence er: Luhns idé fra 1958, nutidens datavarehus og rapporter, en SQL-forespørgsel med ROLLUP og de typiske faldgruber.","formats":{"gemtext":"https://engineer.company/da/glossary/business-intelligence/index.gmi","gopher":"https://engineer.company/da/glossary/business-intelligence/gophermap","html":"https://engineer.company/da/glossary/business-intelligence/","json":"https://engineer.company/da/glossary/business-intelligence/index.json","markdown":"https://engineer.company/da/glossary/business-intelligence/index.md","pdf":"https://engineer.company/da/glossary/business-intelligence/index.pdf"},"kind":"page","language":"da","title":"Hvad er business intelligence?","url":"https://engineer.company/da/glossary/business-intelligence/","version":1}