En pod om data och datadrivenhet med fokus på människorna som jobber med eller runt data.
Har du frågor, feedback eller ett favoritämne vi måste täcka? Hör av dig till oss på datastudion@datadao.se (mailto:datastudion@datadao.se) eller kika in på vår hemsida datastudion.se (https://datastudion.se/).
Hosted on Acast. See acast.com/privacy (https://acast.com/privacy) for more information.
56. Fler fastigheter utan fler anställda - data på Hemsö m. Moa Eriksson
Hemsö (https://www.hemso.se/) vill köpa och bygga fler fastigheter, men utan att anställa fler. Moa Eriksson (https://www.linkedin.com/in/moa-eriksson-4494983/), 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.
Referenser
Data Innovation Summit (https://datainnovationsummit.com/) – konferens där Moa talade
Houdini Sportswear (https://houdinisportswear.com/) – tidigare kund under byråtiden
A/B-testning (https://en.wikipedia.org/wiki/A/B_testing) – jämför två varianter
ThoughtSpot (https://www.thoughtspot.com/) – BI-plattform med semantiskt lager
Databricks (https://www.databricks.com/) – dataplattform och datasjö
Datastudion avsnitt 30, Semantiskt lager - varför är det viktigt? m. Olof Evenvik (https://open.spotify.com/episode/5v4kJOvNy9ZkKRPYamP0pO?si=53baa5e1fd424f1f) – mer om semantiska lager
Atemp, LOA och BTA – uppvärmd yta, uthyrningsbar yta och bruttoarea
Digital tvilling (https://en.wikipedia.org/wiki/Digital_twin) – digital kopia av fastigheten
Hållbara obligationer – lån kopplade till fastigheternas energiprestanda
CDO – Chief Digital Officer
Prediktivt underhåll (https://en.wikipedia.org/wiki/Predictive_maintenance) – åtgärda innan felet uppstår
Minority Report (https://en.wikipedia.org/wiki/Minority_Report_(film)) – Bennys liknelse
Hosted on Acast. See acast.com/privacy (https://acast.com/privacy) for more information.
20 Oct 2026
55. Coops data börjar med en kvittorad m. Emil Nilsson
Coops kontor i Sundbyberg har en rutschkana. Du får åka den din första och din sista dag. Däremellan bygger Emil Nilsson (https://www.linkedin.com/in/emil-nilsson-044776b3), Head of Analytics på Coop (https://www.coop.se/), 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 (https://www.axfood.se/), 7-Eleven (https://www.7-eleven.se/), Pressbyrån (https://www.pressbyran.se/) – Emils tidigare arbetsgivare inom dagligvaruhandeln
Stjärnschema (https://en.wikipedia.org/wiki/Star_schema) – Kimballs dimensionella modellering
Ralph Kimball (https://en.wikipedia.org/wiki/Ralph_Kimball) – pionjär inom datalager
Datakontrakt (https://en.wikipedia.org/wiki/Data_contract) – överenskommelse om datans format, källa och retention
Data mesh (https://en.wikipedia.org/wiki/Data_mesh) – decentraliserat dataägarskap
Shadow IT (https://en.wikipedia.org/wiki/Shadow_IT) – IT-lösningar utanför den officiella miljön
SAP (https://www.sap.com/) – affärssystem
Power BI (https://www.microsoft.com/en-us/power-platform/products/power-bi) – BI-verktyg
Looker (https://cloud.google.com/looker) – BI-verktyg
Databricks Metric Views (https://docs.databricks.com/aws/en/metric-views/) – semantiska mått i Databricks
Datastudion avsnitt 30, Semantiskt lager – varför är det viktigt? m. Olof Evenvik (https://open.spotify.com/episode/5v4kJOvNy9ZkKRPYamP0pO?si=53baa5e1fd424f1f)
Ontologi (https://en.wikipedia.org/wiki/Ontology_(information_science)) – formell beskrivning av begrepp och deras relationer
A/B-test (https://en.wikipedia.org/wiki/A/B_testing) – jämförande experiment
WAU – Weekly Active Users, veckovisa användare
SLA – Service Level Agreement
T-formad kompetens (https://en.wikipedia.org/wiki/T-shaped_skills) – djup inom ett område, bredd över flera
Analytisk mognadsmodell (Gartner) – deskriptiv, diagnostisk, prediktiv, preskriptiv
Hosted on Acast. See acast.com/privacy (https://acast.com/privacy) for more information.
5 Oct 2026
54. 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 (https://clickhouse.com/) – kolumnbaserat data warehouse för realtidsanalys
Kolumnorienterad databas (https://en.wikipedia.org/wiki/Column-oriented_DBMS) – lagrar data per kolumn istället för rad
Realtidsanalys (https://clickhouse.com/resources/engineering/what-is-real-time-analytics) – analys av data så fort den genereras
Batchbearbetning (https://en.wikipedia.org/wiki/Batch_processing) – data bearbetas i klump, t.ex. dagligen
Data quality dimensions (https://dama-nl.org/dimensions-of-data-quality-en/) – korrekthet, fullständighet, samstämmighet, giltighet, unikhet, aktualitet
dbt (https://www.getdbt.com/) – verktyg för datatransformationer
Airflow (https://airflow.apache.org/), Dagster (https://dagster.io/), Prefect (https://www.prefect.io/) – orchestrators
dlt (https://dlthub.com/) – Python-bibliotek för dataingestion
Primary key (https://en.wikipedia.org/wiki/Primary_key) / Foreign key (https://en.wikipedia.org/wiki/Foreign_key) – nycklar i relationsdatabaser
Numerisk analys (https://sv.wikipedia.org/wiki/Numerisk_analys) – approximationer istället för exakta lösningar
False dichotomy (https://en.wikipedia.org/wiki/False_dilemma) – falsk motsättning
SLA (https://en.wikipedia.org/wiki/Service-level_agreement) – Service Level Agreement
Hosted on Acast. See acast.com/privacy (https://acast.com/privacy) for more information.
Reach and audience
Public platform figures. Ratings count people who left a rating, not total listeners.
Pod Engine is an independent podcast discovery and analytics service and is not affiliated with or endorsed by this podcast. Artwork and show content belong to their owners. Full legal notice.
Explore this show Podcast research with Pod Engine
