Datastudion

Hemsö vill köpa och bygga fler fastigheter, men utan att anställa fler. Moa Eriksson, ansvarig data och analys på Hemsö, berättar hur data ska göra det möjligt.Benny och Hugo pratar med Moa om vägen från webbyråer och A/B-tester till ett bolag med runt 500 samhällsfastigheter, från polisstationer till skolor. Det började med energidata, mitt i stigande energipriser och räntor. I dag samlas felanmälningar, sensordata och en digital tvilling i Databricks och ThoughtSpot.Vi pratar om varför datateamet flyttade in i ett nytt team tillsammans med business control och fastighetsvärdering, hur hållbara obligationer fick energi och finans att jobba tätt ihop, och hur man vinner över tekniska förvaltare som mest tänker ”inte ett till system”. Moa berättar också hur hon hittar ambassadörer, och varför AI på dashboards kräver en noga utvald testgrupp.Och undrar du vad LOA betyder är du i gott sällskap. Hugo är gift med någon i fastighetsbranschen och glömde det ändå på vägen.ReferenserData Innovation Summit – konferens där Moa taladeHoudini Sportswear – tidigare kund under byråtidenA/B-testning – jämför två varianterThoughtSpot – BI-plattform med semantiskt lagerDatabricks – dataplattform och datasjöDatastudion avsnitt 30, Semantiskt lager - varför är det viktigt? m. Olof Evenvik – mer om semantiska lagerAtemp, LOA och BTA – uppvärmd yta, uthyrningsbar yta och bruttoareaDigital tvilling – digital kopia av fastighetenHållbara obligationer – lån kopplade till fastigheternas energiprestandaCDO – Chief Digital OfficerPrediktivt underhåll – åtgärda innan felet uppstårMinority Report – Bennys liknelse Hosted on Acast. See acast.com/privacy for more information.

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.ReferenserAxfood, 7-Eleven, Pressbyrån – Emils tidigare arbetsgivare inom dagligvaruhandelnStjärnschema – Kimballs dimensionella modelleringRalph Kimball – pionjär inom datalagerDatakontrakt – överenskommelse om datans format, källa och retentionData mesh – decentraliserat dataägarskapShadow IT – IT-lösningar utanför den officiella miljönSAP – affärssystemPower BI – BI-verktygLooker – BI-verktygDatabricks Metric Views – semantiska mått i DatabricksDatastudion avsnitt 30, Semantiskt lager – varför är det viktigt? m. Olof EvenvikOntologi – formell beskrivning av begrepp och deras relationerA/B-test – jämförande experimentWAU – Weekly Active Users, veckovisa användareSLA – Service Level AgreementT-formad kompetens – djup inom ett område, bredd över fleraAnalytisk mognadsmodell (Gartner) – deskriptiv, diagnostisk, prediktiv, preskriptiv Hosted on Acast. See acast.com/privacy for more information.

"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.ReferenserClickHouse – kolumnbaserat data warehouse för realtidsanalysKolumnorienterad databas – lagrar data per kolumn istället för radRealtidsanalys – analys av data så fort den genererasBatchbearbetning – data bearbetas i klump, t.ex. dagligenData quality dimensions – korrekthet, fullständighet, samstämmighet, giltighet, unikhet, aktualitetdbt – verktyg för datatransformationerAirflow, Dagster, Prefect – orchestratorsdlt – Python-bibliotek för dataingestionPrimary key / Foreign key – nycklar i relationsdatabaserNumerisk analys – approximationer istället för exakta lösningarFalse dichotomy – falsk motsättningSLA – Service Level Agreement Hosted on Acast. See acast.com/privacy for more information.

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.ReferenserMETR-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 % långsammareCanaries 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 anställningBun – JavaScript-runtime vars omskrivning från Zig till Rust till stor del gjordes av AIAGI – Artificial General Intelligence, generell AI som klarar det mesta en människa klararCobol – gammalt programmeringsspråk, nämns som exempel på kompetens som blivit historiaAnthropic – AI-säkerhetsbolaget som nämns i avsnittet Hosted on Acast. See acast.com/privacy for more information.

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?ReferenserTUI – ett av världens största resebolagQliro – fintech, reglerad av FinansinspektionenVoi – elsparkcykelbolag, nämns som exempel på datateamsstrukturSnowflake – cloud data warehousedbt – transformationsverktyg för analytics engineeringAirflow – orkestrering av datapipelinesSSIS – Microsofts äldre ETL-verktygHadoop / Big Data-eranXGBoost – gradientboostingmodell för maskininlärningFeature store – lagring av features för ML-modellerA/B-testningData mesh – decentraliserat dataägarskapGitLab hub-spoke-modell – GitLabs datahandboksmodellGuild-konceptet (Spotify-modellen)Semantic layer / Cube – semantiskt lager för konsistenta KPI:erMetricFlow / dbt Semantic LayerMCP (Model Context Protocol)The Invisible Women – Caroline Criado Perez – om bias i dataTristan Handy (dbt Labs) – grundare av dbt, bloggpost: I built a very small agent swarmBino Catasús – tidigare Datastudio-gäst, citat om bias vid visualiseringAirbnb data engineering – nämns som förebildSuperpower – software development methodology for coding agents Hosted on Acast. See acast.com/privacy for more information.

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.ReferenserCtrl Digital – digitalt analyskonsultbolagBigQuery Conversational Analytics – Googles implementation av conversational analyticsETL – Extract, Transform, LoadData warehouse – centralt datalagerSemantiskt lager – definierar affärslogik och KPI:erBigQuery – Googles molnbaserade dataplattformLooker Studio – Googles verktyg för datavisualisering (tidigare Data Studio)CLV – Customer Lifetime ValueSQL – Structured Query LanguageData Innovation Summit 2026 – konferens om data och AIPower BI – Microsofts BI-verktyg Hosted on Acast. See acast.com/privacy for more information.

Hugo och Johnny reagerar på veckans stora nyhet: dbt Core v2.0 är här — omskrivet i Rust, open sourceat under Apache 2-licens, och med sqlmesh bästa feature inbyggd.Men hur hamnade vi här? dbt köpte SDF. Fivetran köpte sqlmesh. Fivetran köpte dbt. På några månader förvandlades modern data stack från ett ekosystem till ett konglomerat — och oron för closed source var inte obefogad.Nu verkar Fivetran/dbt Labs ändå ha valt rätt väg. dbt Fusion-motorn är öppen, community:t välkomnas tillbaka, och prestandan lovar att bli dramatiskt bättre för den som jobbar mot Snowflake, BigQuery eller Databricks.Hugo och Johnny reder ut vad som faktiskt förändras, vad som kostar extra, och om man nu äntligen kan sluta oroa sig.Referenserdbt Core v2 — release blog — officiellt tillkännagivande av version 2.0dbt Core — open source transformationsverktyg för datadbt Fusion — ny Rust-baserad motor i dbt Core v2.0dbt State — stateful körning; kör bara om modeller där data förändratsFivetran — ELT-verktyg för datainladdning; förvärvade dbt Labs och sqlmeshsqlmesh — tidigare dbt-konkurrent, nu donerad till Linux FoundationSDF — Rust-baserat verktyg som dbt förvärvade; grund till Fusion-motornSnowflake Summit — konferens där dbt Core v2.0 offentliggjordesDremio — data lakehouse-plattform; adapter för dbt Fusion saknas ännuApache 2-licens — öppen licens som tillåter kommersiell användning och vidareutvecklingElastic License 2.0 — tidigare licens för Fusion; begränsade managed service-användningLinux Foundation — tog över förvaltningen av sqlmesh efter Fivetran-förvärvet Hosted on Acast. See acast.com/privacy for more information.

Daniel Hansson driver konsultbolaget Signific och har de senaste fem åren byggt Mother Brain – SVT:s egenbyggda system för demokratisering av insikter. Fyrtiofyra procent aktiv adoption i en organisation med tusen möjliga användare. Det är inte en slump.I det här avsnittet pratar Daniel och Benny om vad som krävs för att ett självserviceverktyg faktiskt används: snabba laddningstider som en icke-förhandlingsbar princip, transparens om sin egen adoption varje vecka i Slack, och modet att kavla upp ärmarna när datan är dåligt tvättad.Vi pratar också om hur SVT det senaste året byggt ett agentflöde som automatiserat analyserar episoder – vad engagerar, vad inte, och varför standup visade sig vara det absolut sämsta test-caset. Plus: hur balanserar man algoritmstyrning med ett publicistiskt uppdrag?ReferenserSignific – Daniels konsultbolag inom data och produktutvecklingEric Ries – The Lean StartupFoo Café – Malmö-baserat tech-communityMother Brain – SVT:s interna BI- och insiktssystemDaniels artikel: Agentic and Automated TV Program Analysis at SVTTableau – BI-verktygLooker – BI-verktygAllsång på Skansen – SVT-program, första testkasset för episodanalysHistorien om Sverige – SVT-dokumentärserie, nämnd i engagemangsanalysenEBU – European Broadcasting UnionPlaymaker AI – sportvisualisering, nämnd som inspiration för trendlinjevisualiseringGemini – används för kvalitetssäkring i SVT:s agentflödenAnthropic / Claude – används i SVT:s agentflöden Hosted on Acast. See acast.com/privacy for more information.

Martin Mazur har jobbat med mjukvaruutveckling och tekniskt ledarskap i tjugo år. Han lyssnade på vårt förra avsnitt om spec-driven development och agilt – och ville hoppa in i samtalet. Så det fick han göra.Vi pratar om varför spec-driven development inte har ett dugg med Vattenfall att göra. Spec är inte ett kravdokument för människor – det är kontext för maskinen. Martin förklarar varför det är en avgörande skillnad.Vi diskuterar också vad som händer med mjukvaruutvecklare när kodning blir commoditized, hur produktorganisationer är bättre rustade för AI-eran än de som fortfarande kör feature factories – och varför vi befinner oss i det Martin kallar "hobbyfasen" av agentisk utveckling.Och: har vi en AI-bubbla på gång? Ja, troligen. Och det kanske inte är så farligt som det låter.Det här avsnittet finns även som video – se det här.ReferenserMartin Mazur – konsult och rådgivare inom tekniskt ledarskap och mjukvaruorganisationerAgile Manifesto – manifestet som startade Agile-rörelsenBennys agila manifest för AI-assisterad kodning – Bennys ramverk för hur agila principer kan tillämpas i AI-assisterad mjukvaruutvecklingSpec-driven development – utvecklingsmetodik där specifikationer ger kontext till AI-agenterClaude Code – Anthropics terminalbaserade kodagentMelissa Perri – produktstrateg, Product Operations ModelMarty Cagan – SVPG, empowered product teamsEmpowered engineer – Kagans koncept om självständiga produktteamFake door testing – metod för att validera idéer innan man byggerMechanical Turk – manuell simulering av automatiserade processer för valideringDotcom-bubblan – spekulationsbubblan kring internetbolag runt år 2000S-kurvan för innovation – modell för hur teknologier sprids och mognarKodsnack – svensk podd om mjukvaruutvecklingDatastudion avsnitt 48 m. Jakob Wolman – föregående avsnitt om AI, agilt och spec-driven development Hosted on Acast. See acast.com/privacy for more information.

Hugo och Johnny har snart jobbat ett decennium i datavärlden – och i det här avsnittet stannar de upp och reflekterar. Vilka branscher har de egentligen rört sig i? Vad är den gemensamma nämnaren i alla uppdrag? Och varför är det så svårt att få ett bolag att på riktigt bli datadrivet?De pratar om lärdomen att alltid fråga "varför?" innan man börjar bygga, om dashboards som aldrig används, och om varför domänkunskap är minst lika viktigt som tekniken. Plus: vad tror de att de nästa tio åren har att erbjuda – och vilken roll spelar AI i det?Det här avsnittet finns även som video – se det här. Hosted on Acast. See acast.com/privacy for more information.