Mer än bara ettor och nollor - Datastudion är podden om människorna som skapar insikterna
Coops data börjar med en kvittorad
Coops kontor i Sundbyberg har en rutschkana. Du får åka den din första och din sista dag. Däremellan bygger Emil Nilsson, Head of Analytics på Coop, en ny dataplattform från grunden.
Hugo och Benny pratar med Emil om varför det kan vara viktigare att sitta nära dataingenjörerna än nära verksamheten, och om varför en kvittorad är en kvittorad. Med robusta Kimball-modeller, datakontrakt och en affärssemantik som inte låses in hos en leverantör har Coop kunnat låta medarbetarna ställa frågor direkt till datan. Vi pratar också om “gerillamarknadsföring” för AI-agenter, ontologi, och vad det innebär att vara analytiker när du inte längre kan vara en one trick pony.
Och ja, Benny försöker knäcka datamodellen med en hyrd kastrull. Det går sådär.
Referenser
- Axfood, 7-Eleven, Pressbyrån – Emils tidigare arbetsgivare inom dagligvaruhandeln
- Stjärnschema – Kimballs dimensionella modellering
- Ralph Kimball – pionjär inom datalager
- Datakontrakt – överenskommelse om datans format, källa och retention
- Data mesh – decentraliserat dataägarskap
- Shadow IT – IT-lösningar utanför den officiella miljön
- SAP – affärssystem
- Power BI – BI-verktyg
- Looker – BI-verktyg
- Databricks Metric Views – semantiska mått i Databricks
- Datastudion avsnitt 30, Semantiskt lager – varför är det viktigt? m. Olof Evenvik
- Ontologi – formell beskrivning av begrepp och deras relationer
- A/B-test – jämförande experiment
- WAU – Weekly Active Users, veckovisa användare
- SLA – Service Level Agreement
- T-formad kompetens – djup inom ett område, bredd över flera
- Analytisk mognadsmodell (Gartner) – deskriptiv, diagnostisk, prediktiv, preskriptiv
Lyssna där poddar finns
Fler avsnitt
Utforska fler perspektiv, fler röster och ännu mer data.
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
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
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
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
