Domener og eiere først. Resten er hypoteser.
Kom i gang med dataforvaltning: start med ett domene, én eier og ett eller to kritiske dataprodukter.
Vi deler faglige meninger om data på vår egen datablogg
Ymse om data. Skrevet av folk i Glitni.
Glitni er DN Gaselle 2026
Glitni er DN Gaselle 2026. Om målet fra 2021, veksten og det vi fortsatt må bli bedre på.
Hvordan agentbasert AI endrer datarollene
Hvilke roller vokser når AI-agentene skriver koden, og hvem i datateamet trenger upskilling eller reskilling?
Datateamets harness og kontekst avgjør mer enn modellen
Harnesset og konteksten rundt en AI-agent for data avgjør svarene. Slik eier og vedlikeholder dere konteksten.
Apache Ossie viser hvor nøkkeltallene er definert
Vi testet Apache Ossie, standarden for flyttbare nøkkeltall: god til kartlegging, men umoden.
Metadata og ontologi har blitt fundamentet AI leser fra
Målinger fra 2026 viser at beskrivelser, forretningsregler og eiere avgjør om en AI-agent svarer riktig på egne data. Slik bygger du laget.
Datakvalitet: hvor gode må dataene være, og hvem bestemmer det?
Hvor gode dataene må være, avhenger av hva de skal brukes til. Slik kommer du i gang, fra masterdata til eierskap.
Slik skaper du verdi fra data: fire faser og fire fallgruver
Verdi fra data kommer når organisasjonen modner, ikke når plattformen kjøpes. Fire faser og fire fallgruver.
Glitni | Oppsummering av første halvår 2026
Glitnis ærlige oppsummering av første halvår 2026: fullbooket, nye kunder, 16 ansatte og rammeverket vi ga bort.
Dataeierskap: hvem eier dataene, og hva koster uklarhet?
Dataeierskap er første steg til god data governance. Lær hva en dataeier gjør, hvilke feil som oftest begås, og hvordan du kommer i gang med seks konkrete steg.
Datateam: Dere vet ikke hva dere bygger
Datakvalitet dreper ikke datateam. Det gjør stilltiende antagelser om hva som ble bygget, og hva det skal brukes til. Vi ser på spennet mellom System 1 og System 2 i datateam.
AI gjør oss raskere. Det er ikke problemet.
Hvordan Glitni bruker AI i dataplattform- og data engineering-arbeid – med tydelige rammer for sikkerhet, konkrete eksempler og en vurdering av effekter og praksis.
Produktforum, 100 dager og Lær mer
Produktforum for dataprodukter: beslutninger, backlog og endringspraksis. 100-dagersplan for dataprodukteiere. Pensumliste innen data mesh og datakontrakter.
Endring, versjonering og utfasingspraksis
Breaking changes i dataprodukter (semantikk, keys, tidslogikk), SemVer som felles språk, endringspolicy med varsling og overgang, og ryddig utfasingspraksis.
Dataprodukter som fundament for AI
Dataprodukter er fundamentet for AI-agenter, ikke bare for menneskelig deling. Forskjellen på analytics-klar og AI-klar, ni modenhetsdimensjoner og hva som må kodes inn når brukeren ikke lenger er en analytiker.
Kvalitet og pålitelighet
Datakvalitet i dataprodukter: utforskning/standard/forretningskritisk, SLO for ferskhet/tilgjengelighet/kvalitet, kodekvalitet som tredje dimensjon, og responsmønstre ved avvik.
I praksis: produktside, katalog og komponenter
Hvordan dataprodukter bør se ut i praksis: produktside, kontaktpunkt, endringslogg, runbook, katalog og minimumspraksis for komponenter.
Grensesnitt først: deling og datakontrakter
Hvordan dele dataprodukter innen et domene, mellom domener og eksternt. Datakontrakt når risiko og avhengighet tilsier det.
Verdi: hvorfor dataprodukter er verdt bryet
Hvorfor dataprodukter gir verdi: mindre fragmentering, mer gjenbruk og målbar nytte. Eksempler på verdihypoteser, målepunkter og vanlige feller å unngå.
Business canvas og MVDP
Business canvas og Minimum Viable Data Product (MVDP): slik definerer dere kunder, verdi og produktflate - med Definition of Done og hva dere trygt kan utsette.
Regelbok og portefølje
Ti regler som skiller dataprodukt fra komponent, pluss livsløp, porteføljestyring og dataeierskap. Regelbok for data-team som vil holde begrepet nyttig.
Hva er et dataprodukt?
Hva er et dataprodukt - og hva skiller det fra en tabell? Definisjon, fire kjennetegn og eksempler på leveranser som fortjener produktstatus.
Fem arkitekturvalg som bør tas før data- og analysefornyelsen starter
Fem arkitekturvalg som bør landes før bygging starter – for å redusere risiko, unngå teknisk gjeld og øke leveransefart i data- og analyseprogrammer.
Glitni | Oppsummering av andre halvår 2025
Les vår ærlige oppsummering av andre halvdel av 2025 hos Glitni. Vi ser tilbake på nye kunder - og nytt kontor.
Data Mesh | En komplett guide til de fire prinsippene
Data mesh er ikke teknologi – det er et rammeverk for dataorganisering basert på domeneeierskap, data som produkt, federert styring og selvbetjening. Lær hva det krever i praksis.
Slik kan en faggruppe ta tilbake kontrollen over data engineering-standardene
Hvordan går du fra vill vest i datapipelines til gjenbrukbare fabrikkmønstre – uten å ødelegge for desentraliserte produktteam? I denne artikkelen ser vi hvordan en liten faggruppe kan koordinere felles læring og ta ansvar for standarder, mønstre og verktøy for data engineering.
Integrasjonsplattform og dataplattform: hva er forskjellen?
Integrasjonsplattformen får virksomheten til å reagere, dataplattformen får den til å lære. Slik skiller du dem.
Deklarative dataplattformer: beskriv hva dataene skal være, ikke hvordan
Deklarative dataplattformer lar deg beskrive hva som skal være sant om dataene. Slik virker det i dbt, Spark og Snowflake, og derfor passer det AI-agenter.
Glitni | Oppsummering av første halvår 2025
Les vår ærlige oppsummering av første halvdel av 2025 hos Glitni. Vi ser tilbake på nye kunder og flere nyansatte.
Guide til datakontrakter
Hva en datakontrakt er, hva den inneholder, og hvordan dere innfører den med ODCS, dbt og ett team om gangen.
Microsoft Fabric | Glitni har Microsoft-ekspertise
Microsoft Fabric | Glitni har en rekke konsulenter med erfaring med Microsoft Fabric.
Microsoft Fabric | Hvordan Glitni kan hjelpe deg
Microsoft Fabric | Glitni har en rekke konsulenter med erfaring med Microsoft Fabric.
Sliter du med trege eller dyre API-lastejobber i Azure Data Factory?
Vi foreslår en løsning for å senke kjøretid og kostnad ved å erstatte Copy-aktiviteter med Azure Functions i Azure Data Factory, som er særlig relevant ved et stort antall enkle aktiviteter.
Glitni | Oppsummering av andre halvår 2024
Les vår ærlige oppsummering av andre halvdel av 2024 hos Glitni. Vi ser tilbake på nye kunder og flere nyansatte.
Korleis bruke unit-testar i dbt for makroar
Glitni deler deler eit foreslått test-rammeverk som mogleggjere einingstesting av makroar i dbt.
Datamodellering i AI-alderen
AI kan bygge datamodellen og bruke den, men ikke bestemme hva den skal bety. Slik endrer AI-agentene datamodelleringen, og dette trenger de fra modellen.
Generativ AI - fra snikksnakk til handling
Oppdag hvordan du kan komme raskt i gang med generativ AI basert på råd fra erfarne data scientists og data engineers.
Glitni | Oppsummering av første halvår 2024
Les vår ærlige oppsummering av første halvdel av 2024 hos Glitni. Vi ser tilbake på stabil prosjektportefølje, rekruttering og økt synlighet.
5 steg for å komme i gang med AI-produkter
Forstå hvordan AI kan løse kognitive oppgaver. Vi guider deg gjennom fem steg fra strategi til implementering, med fokus på norske eksempler og praktiske tips.
Dataplattform | Komponentene i en dataplattform
Lær om komponentene i en moderne dataplattform, fra datakilder til konsum. Utforsk hvordan de samarbeider for å samle, lagre, prosessere og presentere data.
Ord og begrep innen data
Utforsk utviklingen av datarelaterte begreper fra Business Intelligence til Data Mesh og Microsoft Fabric i denne artikkelen. Perfekt for deg som er ny i dataverdenen og ønsker å lære mer.
Datavarehusmonolitten
Lær mer om overgangen fra datavarehus-monolitter til en domene-inndelte dataplattformer, og hvilke fordeler dette gir.
Gjesteinnlegg: Verdien av metadata
Mange data-team har en reaktiv tilnærming til prosjekter og er ofte atskilt fra resten av selskapet. Ved å aktivt ta i bruk metadata kan jobbe mye mer proaktivt og fokusere mer på arbeid som leverer maksimal verdi til selskapet.
Glitni lanserer podcasten Datautforskerne
Ny podcast på norsk! "Datautforskerne" utforsker trender, teknologi og strategier innen data. Abonner for å lære om datadrevne virksomheter og få faglige tips.
Hvordan ser tech-stacken i Glitni ut?
Oppdag Glitnis tech-stack! Fra Google Cloud til GitHub, se hvilke verktøy vi bruker for infrastruktur, salg, markedsføring, admin, HR og utvikling.
Trender | Landskapet for maskinlæring, AI og data (MAD) - 2024
Utforsk trendene innen maskinlæring, AI og dataarkitektur for 2024. Viktige aktører, teknologiutvikling og spådommer fra FirstMark Capital.
Glitni | Oppsummering av andre halvår 2023
Glitni har hatt en innholdsrik andre halvdel av 2023, med oppturer og nedturer underveis. Vi kjører nok en gang retro for siste halvår.
10 konsulentfeil som fortjener buksevann
Erfarne konsulenter innen data og analyse deler ti vanlige feil. Les for å lære, enten du er konsulent eller ansetter konsulenter.
Glitni | Oppsummering av første halvår 2023
Konsulentselskapet Glitni vokser, med litt friksjon, men meste stolte øyeblikk. Vi kjører retro for halvåret som har gått.
Dataplattform | Kan den bygges på 6 uker?
Etablering av en dataplattform må ikke ta måneder og år. Vi skisserer noen enkle steg for å levere verdi raskt - men husk at utviklingen må ikke stoppe der.
Tips | 15 bøker å få med seg innen data og analyse
Lær mer om bøkene du bør lese innen data og analyse
En komplett guide til DataOps
DataOps gjør dataleveranser raske og pålitelige: automatisering, CI/CD, testing og observability. Guide med 10 steg og forskjellen fra DevOps.
Azure Data Factory sitt orkestreringsproblem
Vi har skrevet en artikkel om en sentral begrensning i Azure Data Factory som foreløpig ikke løses av Microsoft Fabric
Synapse Analytics | Glitni har Azure-ekspertise
Azure | Glitni har en rekke konsulenter med sertifiseringer og erfaring med Microsoft Azure.
Synapse Analytics | Hvordan Glitni kan hjelpe deg
Azure Synapse Analytics | Glitni har en rekke konsulenter med sertifiseringer og erfaring med Azure Analytics.
Snowflake | Glitni er Snowflake-partner
Snowflake | Glitni har erfarne konsulenter som hjelper deg med arkitektur og implementering av Snowflake.
Google BigQuery | Glitni er Google-partner
Glitni har erfarne konsulenter som hjelper deg med arkitektur og implementering i Google Cloud.
Databricks | Glitni er Databricks-partner
Databricks | Glitni har erfarne konsulenter som hjelper deg med arkitektur og implementering av Databricks.
Snowflake | Hvordan Glitni kan hjelpe deg
Snowflake | Glitni har erfarne konsulenter som hjelper deg med arkitektur og implementering av Snowflake
Google BigQuery | Hvordan Glitni kan hjelpe deg
Glitni har erfarne konsulenter som hjelper deg med arkitektur og implementering av Google BigQuery
Databricks | Hvordan Glitni kan hjelpe deg
Databricks | Glitni har erfarne konsulenter som hjelper deg med arkitektur og implementering av Databricks
GUI mot kode: hva skal jeg velge for datatransformasjon?
Grafiske ETL-verktøy der logikken bare finnes som klikk, er en blindvei når AI-agentene skriver koden.
Trender | Landskapet for maskinlæring, AI og data (MAD) - 2023
Glitni oppsummerer MAD-landskapet 2023, som viser teknologiutviklingen innen maskinlæring, AI og data.
Trender | 7 spådommer for data og analyse i 2023
Har du full oversikt over alt som skal til for å bli mer datadrevet? Her er 7 utviklingstrekk du bør kjenne til.
Glitni | Oppsummering av andre halvår 2022 for Glitni
OK. Det var litt jobb å få prosjekter til alle. Beslutningsprosesser tar nemlig tid. Men det endte bra.
Dataplattform: 5 ting å tenke på før dataplattformen står klar
Fem ting organisasjonen må ha på plass før en ny dataplattform står klar: strategi, arbeidsmåter, omstilling, kompetanse og kommunikasjon.
Glitni | Vi inngår partneravtaler
Glitni har nå inngått partnerskap med flere av de største navnene innen moderne dataplattformer: dbt Labs, Snowflake, Google Cloud og Databricks.
Datastrategi: hva det er, og hva den må svare på for AI
Hva en datastrategi er, hvilket problem den løser, hva den bør inneholde, og hva AI krever av lagene under.
DataOps | Vi slår et slag for å ha et sentralt dataplattformteam
Skybasert arkitektur endrer hvordan vi jobber og organiserer oss. Her er grunnen til at du trenger et sentralisert plattformteam.
dbt | Oppsummering av Coalesce 2022
Vi tar en rask titt på lanseringene til dbt Labs under Coalesce 2022, som inkluderte et nytt semantisk lag og støtte for python-utviklede modeller.
Dataplattform | Historisk utvikling
Vi begynte med rapportering på toppen av databaser, beveget oss over til 30 år med datavarehus, før data lake og nå data lakehouse har tatt over.
Data lakehouse | Hva er et data lakehouse?
Data lakehouset er kjærlighetsbarnet til data laken og datavarehuset, og er egnet til å lagre og prosessere alle former for data innen rapportering og analyse.
Datavarehus | Hva er et datavarehus?
Et datavarehus samler strukturerte data fra mange kilder i én modellert form med historikk. Slik fungerer det i skyen, og derfor trenger AI-agenter det.
Data lake | Hva er en data lake?
En data lake er egnet for å lagre alle former for data for analytiske brukerhistorier, men også data vi ikke er helt sikre på at vi skal bruke.
Database | Hva er en database?
En database er laget for å kunne lagre data og er en vanlig komponent i svært mange IT-løsninger, for hvordan skal vi ellers kunne ta vare på alt som skjer?
Glitni | Oppsummering av første halvår 2022 for Glitni
Det har vært gøy å drive konsulentselskap dette halvåret! For det er litt gøy når alle løper i samme retning, og bretter opp ermene når det gjelder.
Dataplattform | Få kontroll på skykostnadene!
Dataprosesseringskostnadene kan fort løpe løpsk i skyen. Vi har noen enkle råd - du vil vel ikke gi bort penger når det er enkelt å gjøre noe med det?
Analysere JSON i Synapse, BigQuery, Databricks og Snowflake
Me har publisert ein medium-artikkel som samanliknar schema-on-read-støtta for JSON i eit utval populære dataprosesseringsmotorar
Glitni | Her er hva vi har lært om å starte konsulentselskap
Vi har nettopp vært gjennom noen øvelser som vi tror de fleste som tenker å starte konsulentselskap må gjennom, så da deler vi!
Trender | 7 spådommer for data og analyse i 2022
Har du full oversikt over alt som skal til for å bli datadrevet? Her er 7 trender, bl.a data lakehouse, dataops, ELT og Pub/sub, forretningsanalyse, data mesh.
dbt | 10 tips til deg som vil kome i gong
Få tips for korleis du kan starte eit dbt-prosjekt (data build tool) frå ein data platform engineer. Dbt bør vurderast som ein sentral del av ein data stack i 2022.
Fem steder data gir verdi, og hva KI har endret
Fem steder data gir verdi i en virksomhet, to spor for å hente den ut, og hva generativ KI har endret siden 2022. Med et case fra netthandel.
Fem arkitekturvalg som bør tas før data- og analysefornyelsen starter
Fem arkitekturvalg som bør landes før bygging starter – for å redusere risiko, unngå teknisk gjeld og øke leveransefart i data- og analyseprogrammer.
Slik kan en faggruppe ta tilbake kontrollen over data engineering-standardene
Hvordan går du fra vill vest i datapipelines til gjenbrukbare fabrikkmønstre – uten å ødelegge for desentraliserte produktteam? I denne artikkelen ser vi hvordan en liten faggruppe kan koordinere felles læring og ta ansvar for standarder, mønstre og verktøy for data engineering.
Integrasjonsplattform og dataplattform: hva er forskjellen?
Integrasjonsplattformen får virksomheten til å reagere, dataplattformen får den til å lære. Slik skiller du dem.
Deklarative dataplattformer: beskriv hva dataene skal være, ikke hvordan
Deklarative dataplattformer lar deg beskrive hva som skal være sant om dataene. Slik virker det i dbt, Spark og Snowflake, og derfor passer det AI-agenter.
Dataplattform | Komponentene i en dataplattform
Lær om komponentene i en moderne dataplattform, fra datakilder til konsum. Utforsk hvordan de samarbeider for å samle, lagre, prosessere og presentere data.
Dataplattform | Kan den bygges på 6 uker?
Etablering av en dataplattform må ikke ta måneder og år. Vi skisserer noen enkle steg for å levere verdi raskt - men husk at utviklingen må ikke stoppe der.
Dataplattform: 5 ting å tenke på før dataplattformen står klar
Fem ting organisasjonen må ha på plass før en ny dataplattform står klar: strategi, arbeidsmåter, omstilling, kompetanse og kommunikasjon.
DataOps | Vi slår et slag for å ha et sentralt dataplattformteam
Skybasert arkitektur endrer hvordan vi jobber og organiserer oss. Her er grunnen til at du trenger et sentralisert plattformteam.
Dataplattform | En guide til dataplattformer
Hva er en dataplattform? Slik henter den inn, lagrer og leverer data fra mange kilder, hvilke typer som finnes, og hva AI krever av plattformen.
Dataplattform | Få kontroll på skykostnadene!
Dataprosesseringskostnadene kan fort løpe løpsk i skyen. Vi har noen enkle råd - du vil vel ikke gi bort penger når det er enkelt å gjøre noe med det?