Dataanalyse er hjørnesteinen i strategisk beslutningstaking i nesten alle bransjer i dag. I eiendomsforvaltningsbransjen, der forståelsen av prestasjonsmålinger kan utgjøre forskjellen mellom vekst og stagnasjon, er det enda viktigere å bruke data. Å bruke datastrukturen i et tradisjonelt eiendomsforvaltningssystem til dette formålet byr imidlertid på en rekke utfordringer. Disse systemene, som først og fremst er utviklet for å håndtere juridisk informasjon, kommer ofte til kort når det gjelder å tilby analysevennlige data. Som vi skal se, kan det som starter som en tilsynelatende enkel oppgave, raskt bli en kompleks og feilutsatt prosess.

I næringslivet er vi ofte på jakt etter innsikt i resultater som strekker seg over ulike tidsrammer. Noen ganger vil vi kanskje ha en oppsummering av resultatene for et kvartal, mens vi andre ganger ønsker å oppdage trender ved å undersøke spesifikke perioder.

For eiendomsbesittere er forvaltningssystemet vanligvis den primære datakilden for forretningsdata. Disse systemene fungerer i hovedsak som plattformer for kontraktsadministrasjon, og lagrer juridisk informasjon om hvilke leietakere som har tillatelse til å bruke bestemte bygningsarealer i gitte tidsrom. På grunn av dette fokuset mangler disse systemene de viktigste egenskapene som kreves for effektiv dataanalyse.

Ta for eksempel et eiendomsselskap som er interessert i å følge utviklingen i leieinntektene på kontorlokalene sine over en periode på 36 måneder. Det første trinnet for mange vil være å gå inn i eiendomsforvaltningssystemet og eksportere data, spesielt kontraktsobjekter som gjelder den valgte tidsperioden.

For å visualisere disse dataene som en trend må de organiseres og plottes inn på en tidslinje. Det innebærer blant annet følgende trinn:

(1) Rensing av data ved å allokere leietallene spesifikt til kontorarealene under hvert kontraktsobjekt og fjerne urelaterte arealer som lager, fellesarealer og utearealer.

(2) Beregning av antall dager mellom start- og sluttdato for hvert kontraktsobjekt og fordeling av den totale leien på disse dagene.

(3) Eliminere alle dager fra datasettet som ikke samsvarer med den valgte 36-månedersperioden.

Når du har utført disse handlingene, bør du få et regneark med 1098 kolonner som hver representerer en dag i 36-månedersintervallet, og rader for hvert kontraktsobjekt. Dette oppsettet gjør det mulig å summere den daglige leien, som deretter kan vises i en graf for visuell tolkning i Excel-arket eller i et eiendomsdashbord.

Men hva om det analytiske målet også omfatter beregninger som "månedlig kvadratmeterpris per utleid kvadratmeter"? For å beregne dette må vi innføre to ekstra dimensjoner - "ledig" og "utleid" - og legge til en ny variabel for kvadratmeter. I tillegg må ledige kvadratmeter fjernes fra datasettet de dagene de var ledige.

Som du skjønner, kan selv enkle analyser fort bli kompliserte og føre til inkonsekvenser. Tenk deg variasjonen hvis fem forskjellige personer skulle utføre denne oppgaven, hver med sitt eget Excel-ark. Disse personene ville sannsynligvis hente ut data på ulike tidspunkter og manipulere dataene på en personlig måte, særlig når de evaluerer sine egne prestasjonsmålinger. Dette vil uunngåelig føre til motstridende konklusjoner og inkonsekvente beslutninger, for ikke å snakke om hvor mye tid som går med til manuelt arbeid hver gang man trenger data for en bestemt periode.

Som vi har sett, er det langt fra enkelt å hente ut nyttig informasjon fra eiendomsforvaltningssystemer. Selv grunnleggende analyser kan utvikle seg til komplekse prosedyrer med risiko for inkonsekvenser og feil. Denne kompleksiteten krever ikke bare betydelig manuell innsats, men innebærer også en risiko for motstridende resultater, særlig når flere interessenter er involvert. På bakgrunn av disse utfordringene blir det stadig tydeligere at spesialiserte analyseverktøy som er utviklet for å fungere sammen med eiendomsforvaltningssystemer, ikke bare er en luksus, men en nødvendighet for å kunne ta pålitelige og konsekvente beslutninger.