Data warehouse har länge varit, och är fortfarande, en viktig tillgång för organisationer för att lagra data för analys. Under det senaste årtionde har en exponentiell ökning av data skett, vilket givit organisationer allt större möjligheter att fatta datadrivna beslut i en helt ny utsträckning. Likväl har det i många fall även satt press på organisationer att utnyttja data som en tillgång för att reagera och ta tillvara på möjligheter i ett hårdnande affärsklimat, eller rent av för att bibehålla konkurrenskraft. För att möjliggöra för organisationer att kunna reagera i tid ställs flexibilitetskrav på de tekniker som används för att hantera data för analys. Praxis som länge rått för data warehouse spås inom kort inte längre vara aktuellt. Organisationer behöver hitta nya vägar för att snabbt lyckas ställa om och anpassa sig efter marknadens behov. Många organisationer har i dagsläget ett traditionellt data warehouse, och denna studie undersöker hur väl data virtualization kan bidra till att öka flexibiliteten genom att adderas som ett komplement. Detta undersöks genom frågeställningen:Hur kan data virtualization komplettera och förbättra ett traditionellt data warehouse?För att besvara frågeställningen genomförs en litteraturanalys och en fallstudie följt av en implementation, där datainsamlingen primärt består av tester utförda utifrån implementationsresultatet, observationer och intervjuer.Resultatet visar på en delad bild, där utförda tester potentiellt kan ses ifrågasätta delar av intervjuresultatet och befintlig litteratur. Utifrån resultatet kan en del konstateranden göras om i vilka användningsfall data virtualization inte passar, samt ge en bild av när det kan vara ett alternativ. Data virtualization bör ses som en utbyggnad av ett data warehouse som möjliggör sammansättning, transformering och beräkning av data, där datastrukturer kan ändras när som helst. En organisation som anammar denna flexiblare lösning måste dock vara beredda på rejält höjda svarstider för att utvinna data. / Data warehouse has for a long time been, and still is, an important asset for organizations to store data for analysis. In the last decade, an exponential increase in data has taken place, giving organizations increasingly greater opportunities to make data-driven decisions in completely new ways. Nevertheless, in many cases, it also puts pressure on organizations to use data as an asset to react and take advantage of opportunities in a harder business climate, or even to maintain competitiveness. In order to enable organizations to be able to react in time, flexibility requirements are imposed on the techniques used to handle data for analysis. The traditional best practices for data warehouse is predicted to soon be out of date. Organizations need to find new ways to quickly change and adapt to the needs of the market. Many organizations currently have a traditional data warehouse, and this study examines how well data virtualization can help increase flexibility by being added as a complement. This is examined through the question:How can data virtualization complement and improve a traditional data warehouse?To answer this question, a literature analysis, and a case study followed by an implementation is carried out, in which the data collection consists primarily of tests performed on the implementation result, observations and interviews.The result shows a divided picture, where performed tests can potentially be seen as questioning parts of the interview results and existing literature. Based on the result, some findings can be made about in which use-cases data virtualization does not fit, and gives a picture of when it can be an alternative. Data virtualization should be seen as an extension of a data warehouse that enables the federation, transformation and computation of data, where data structures can be changed at any time. However, an organization that embraces this more flexible solution must be prepared for substantially increased response times in data extraction.

Data är idag en central resurs i många organisationer och mängden data ökar för varje år. Detta kan innebära att organisationer påverkas till att söka efter nya teknologier som kan ge dem möjligheter att fatta datadrivna beslut i större omfattning. Den teknologi som denna studie undersöker är Data Virtualization (DV) av den anledning att det finns ett tydligt forskningsgap gällande varför organisationer väljer att implementera DV. Studien använder TOE-ramverket med syftet att kartlägga vad som gör att organisationer tar beslut om att implementera DV. Studiens datainsamlingsmetod är semistrukturerade intervjuer där fyra respondenter från olika företag i Norden intervjuades. Empirin analyserades för att identifiera vilka faktorer som var betydande för implementeringen av DV. Resultatet visade att nordiska organisationers beslut att implementera DV påverkades av många faktorer som redan har fastställts av tidigare forskning. Dessa faktorer är: relativ fördel, testbarhet, roller och kompetens, stöd från ledning och externt stöd. Slutligen har även två nya faktorer identifierats som betydande för implementationen av DV, vilket var storlek och spridning av data samt i specifika fall omorganisering. / Data is today a central resource in many organizations and the amount of data increases every year. This could result in organizations being influenced to search for new technologies that can give them opportunities to make data-driven decisions on a larger scale. The technology that this study investigates is Data Virtualization (DV) since there is a clear research gap regarding why organizations choose to implement DV. The study uses the TOE framework with the purpose of mapping what makes organizations decide to implement DV. The study's data collection method is semi-structured interviews where four respondents from different companies in the Nordics were interviewed. The empirical data was analyzed to identify which factors were important for the implementation of DV. The result showed that the adoption decision of Nordic organizations is influenced by factors that have already been determined by previous research. These factors are: relative advantage, testability, roles and skills, top management support and external support. Finally, two new factors have also been identified as important for the implementation of DV: size and distribution of data and, in specific cases, reorganization.

No description available.