Mer än bara ettor och nollor - Datastudion är podden om människorna som skapar insikterna
Realtidsanalys: när är snabbt bättre än korrekt?
"Om datan är en timme gammal så är den per definition dålig."
Alex är tillbaka i studion, nedtågad från Stockholm efter en kurs i realtidsanalys hos ClickHouse. Kursen fick honom att fundera på en enkel fråga: vad är egentligen datakvalitet? Hugo och Alex reder ut vad realtidsanalys är, och varför de flesta av oss aldrig har jobbat med det.
Korrekthet, fullständighet och unikhet brukar definiera bra data. Men i realtid kan aktualitet trumfa allt. Ibland är en approximativ siffra nu värd mer än en exakt siffra om en timme. Det gäller bara att veta när.
Referenser
- ClickHouse – kolumnbaserat data warehouse för realtidsanalys
- Kolumnorienterad databas – lagrar data per kolumn istället för rad
- Realtidsanalys – analys av data så fort den genereras
- Batchbearbetning – data bearbetas i klump, t.ex. dagligen
- Data quality dimensions – korrekthet, fullständighet, samstämmighet, giltighet, unikhet, aktualitet
- dbt – verktyg för datatransformationer
- Airflow, Dagster, Prefect – orchestrators
- dlt – Python-bibliotek för dataingestion
- Primary key / Foreign key – nycklar i relationsdatabaser
- Numerisk analys – approximationer istället för exakta lösningar
- False dichotomy – falsk motsättning
- SLA – Service Level Agreement
Lyssna där poddar finns
Fler avsnitt
Utforska fler perspektiv, fler röster och ännu mer data.
Ersätts vi av AI?
Efter sommaren är Hugo, Erik och Johnny tillbaka i mikrofonerna, och kastar sig rakt in i frågan som snurrat på kontoret hos Data Dao i Malmö: kommer vi som jobbar med data bli ersatta av AI?
Erik och Johnny representerar varsin sida av samma mynt – den ena kodar knappt utan AI längre, den andra använder det knappt alls. Tillsammans går de igenom vad som faktiskt håller på att förändras: grunt work som juniorer tidigare fick lära sig på, kodifierad kunskap som AI:n redan är bättre på än de flesta – och den mänskliga kontakt som Hugo menar aldrig går att automatisera bort.
Ni får bland annat höra om studien där utvecklare trodde att AI gjorde dem 20 % snabbare – men i verkligheten blev de 19 % långsammare. Och om Stanfordforskningen som visar att det inte är de seniora som får det svårare på arbetsmarknaden.
Frågan är kanske inte om AI:n är tillräckligt bra. Frågan är vad vi väljer att göra med tiden den faktiskt sparar.
Referenser
- METR-studien: Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity – utvecklare trodde AI gjorde dem 20 % snabbare, i verkligheten blev de 19 % långsammare
- Canaries in the Coal Mine? Six Facts about the Recent Employment Effects of AI – Stanfordstudie som visar att unga i AI-exponerade yrken halkar efter i anställning
- Bun – JavaScript-runtime vars omskrivning från Zig till Rust till stor del gjordes av AI
- AGI – Artificial General Intelligence, generell AI som klarar det mesta en människa klarar
- Cobol – gammalt programmeringsspråk, nämns som exempel på kompetens som blivit historia
- Anthropic – AI-säkerhetsbolaget som nämns i avsnittet
Datadriven kultur börjar hos VD:n
Andreas Markerud har byggt dataplattformar från grunden – på TUI, på Qliro, och nu igen. Det han har lärt sig är att tekniken sällan är problemet.
I det här avsnittet pratar Hugo, Benny och Andreas om varför datadriven kultur alltid börjar i ledningsgruppen, hur man förklarar värdet av maskininlärning för en vd som inte kan ett ord om XGBoost – och hur man faktiskt får en frontend-utvecklare att bry sig om datakvalitet i sina events.
Vi landar också i frågan alla ställer just nu: finns det dashboards kvar om två år? Och hur skiljer man på automatisering och självständighet när det kommer till AI-agenter?
Referenser
- TUI – ett av världens största resebolag
- Qliro – fintech, reglerad av Finansinspektionen
- Voi – elsparkcykelbolag, nämns som exempel på datateamsstruktur
- Snowflake – cloud data warehouse
- dbt – transformationsverktyg för analytics engineering
- Airflow – orkestrering av datapipelines
- SSIS – Microsofts äldre ETL-verktyg
- Hadoop / Big Data-eran
- XGBoost – gradientboostingmodell för maskininlärning
- Feature store – lagring av features för ML-modeller
- A/B-testning
- Data mesh – decentraliserat dataägarskap
- GitLab hub-spoke-modell – GitLabs datahandboksmodell
- Guild-konceptet (Spotify-modellen)
- Semantic layer / Cube – semantiskt lager för konsistenta KPI:er
- MetricFlow / dbt Semantic Layer
- MCP (Model Context Protocol)
- The Invisible Women – Caroline Criado Perez – om bias i data
- Tristan Handy (dbt Labs) – grundare av dbt, bloggpost: I built a very small agent swarm
- Bino Catasús – tidigare Datastudio-gäst, citat om bias vid visualisering
- Airbnb data engineering – nämns som förebild
- Superpower – software development methodology for coding agents
Vad är conversational analytics?
Har du en OKR om att "implementera AI" 2026? Lyssna här.
Johan Strand, senior digital analytiker på Ctrl Digital, hörde av sig till oss och ville vara med. Det är vi glada för.
Conversational analytics handlar om att konversera med din data – ställa frågor i fritext och få svar tillbaka, istället för att skriva SQL eller klicka runt i en dashboard. Men varför har det inte funnits tidigare, och varför är det aktuellt just nu?
Johan reder ut vad som faktiskt krävs för att det ska fungera på riktigt: samlad data, ett semantiskt lager som definierar vad försäljning faktiskt betyder i er verksamhet – och en LLM som kan använda det. Han förklarar varför conversational analytics inte ersätter dashboarden – utan kompletterar den. Och varför AI alltid är första dagen på jobbet.
Referenser
- Ctrl Digital – digitalt analyskonsultbolag
- BigQuery Conversational Analytics – Googles implementation av conversational analytics
- ETL – Extract, Transform, Load
- Data warehouse – centralt datalager
- Semantiskt lager – definierar affärslogik och KPI:er
- BigQuery – Googles molnbaserade dataplattform
- Looker Studio – Googles verktyg för datavisualisering (tidigare Data Studio)
- CLV – Customer Lifetime Value
- SQL – Structured Query Language
- Data Innovation Summit 2026 – konferens om data och AI
- Power BI – Microsofts BI-verktyg
Ersätts vi av AI?
Efter sommaren är Hugo, Erik och Johnny tillbaka i mikrofonerna, och kastar sig rakt in i frågan som snurrat på kontoret hos Data Dao i Malmö: kommer vi som jobbar med data bli ersatta av AI?
Erik och Johnny representerar varsin sida av samma mynt – den ena kodar knappt utan AI längre, den andra använder det knappt alls. Tillsammans går de igenom vad som faktiskt håller på att förändras: grunt work som juniorer tidigare fick lära sig på, kodifierad kunskap som AI:n redan är bättre på än de flesta – och den mänskliga kontakt som Hugo menar aldrig går att automatisera bort.
Ni får bland annat höra om studien där utvecklare trodde att AI gjorde dem 20 % snabbare – men i verkligheten blev de 19 % långsammare. Och om Stanfordforskningen som visar att det inte är de seniora som får det svårare på arbetsmarknaden.
Frågan är kanske inte om AI:n är tillräckligt bra. Frågan är vad vi väljer att göra med tiden den faktiskt sparar.
Referenser
- METR-studien: Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity – utvecklare trodde AI gjorde dem 20 % snabbare, i verkligheten blev de 19 % långsammare
- Canaries in the Coal Mine? Six Facts about the Recent Employment Effects of AI – Stanfordstudie som visar att unga i AI-exponerade yrken halkar efter i anställning
- Bun – JavaScript-runtime vars omskrivning från Zig till Rust till stor del gjordes av AI
- AGI – Artificial General Intelligence, generell AI som klarar det mesta en människa klarar
- Cobol – gammalt programmeringsspråk, nämns som exempel på kompetens som blivit historia
- Anthropic – AI-säkerhetsbolaget som nämns i avsnittet
Datadriven kultur börjar hos VD:n
Andreas Markerud har byggt dataplattformar från grunden – på TUI, på Qliro, och nu igen. Det han har lärt sig är att tekniken sällan är problemet.
I det här avsnittet pratar Hugo, Benny och Andreas om varför datadriven kultur alltid börjar i ledningsgruppen, hur man förklarar värdet av maskininlärning för en vd som inte kan ett ord om XGBoost – och hur man faktiskt får en frontend-utvecklare att bry sig om datakvalitet i sina events.
Vi landar också i frågan alla ställer just nu: finns det dashboards kvar om två år? Och hur skiljer man på automatisering och självständighet när det kommer till AI-agenter?
Referenser
- TUI – ett av världens största resebolag
- Qliro – fintech, reglerad av Finansinspektionen
- Voi – elsparkcykelbolag, nämns som exempel på datateamsstruktur
- Snowflake – cloud data warehouse
- dbt – transformationsverktyg för analytics engineering
- Airflow – orkestrering av datapipelines
- SSIS – Microsofts äldre ETL-verktyg
- Hadoop / Big Data-eran
- XGBoost – gradientboostingmodell för maskininlärning
- Feature store – lagring av features för ML-modeller
- A/B-testning
- Data mesh – decentraliserat dataägarskap
- GitLab hub-spoke-modell – GitLabs datahandboksmodell
- Guild-konceptet (Spotify-modellen)
- Semantic layer / Cube – semantiskt lager för konsistenta KPI:er
- MetricFlow / dbt Semantic Layer
- MCP (Model Context Protocol)
- The Invisible Women – Caroline Criado Perez – om bias i data
- Tristan Handy (dbt Labs) – grundare av dbt, bloggpost: I built a very small agent swarm
- Bino Catasús – tidigare Datastudio-gäst, citat om bias vid visualisering
- Airbnb data engineering – nämns som förebild
- Superpower – software development methodology for coding agents
Vad är conversational analytics?
Har du en OKR om att "implementera AI" 2026? Lyssna här.
Johan Strand, senior digital analytiker på Ctrl Digital, hörde av sig till oss och ville vara med. Det är vi glada för.
Conversational analytics handlar om att konversera med din data – ställa frågor i fritext och få svar tillbaka, istället för att skriva SQL eller klicka runt i en dashboard. Men varför har det inte funnits tidigare, och varför är det aktuellt just nu?
Johan reder ut vad som faktiskt krävs för att det ska fungera på riktigt: samlad data, ett semantiskt lager som definierar vad försäljning faktiskt betyder i er verksamhet – och en LLM som kan använda det. Han förklarar varför conversational analytics inte ersätter dashboarden – utan kompletterar den. Och varför AI alltid är första dagen på jobbet.
Referenser
- Ctrl Digital – digitalt analyskonsultbolag
- BigQuery Conversational Analytics – Googles implementation av conversational analytics
- ETL – Extract, Transform, Load
- Data warehouse – centralt datalager
- Semantiskt lager – definierar affärslogik och KPI:er
- BigQuery – Googles molnbaserade dataplattform
- Looker Studio – Googles verktyg för datavisualisering (tidigare Data Studio)
- CLV – Customer Lifetime Value
- SQL – Structured Query Language
- Data Innovation Summit 2026 – konferens om data och AI
- Power BI – Microsofts BI-verktyg
