Integrera era affärssystem

Integrera era affärssystem

ETL, ELT, API eller iPaaS? Så väljer ni integrationsmönster och slipper manuella Excel-exporter.

Systemintegration kopplar ihop affärssystem (ERP), CRM och ekonomisystem så att data flyttas automatiskt i stället för via manuella exporter. Använd ETL eller ELT när datan ska till rapportering via en gemensam dataplattform, och API-integration eller iPaaS när ett system ska agera på händelser i ett annat. Välj mönster per dataflöde, och bestäm vem som äger varje flöde. Ägarskapet betyder lika mycket som verktyget.

De flesta medelstora företag har redan de system de behöver: ett affärssystem för order och produktion, ett CRM för kunder och affärsmöjligheter och ett ekonomisystem för fakturor och kostnader. Problemet är utrymmet mellan dem. Någon exporterar en fil varje måndag, klistrar in den i ett kalkylark, rättar kundnamnen för hand och mejlar resultatet. Den personen är integrationen.

Den här guiden kommer från Devies, en produkt- och teknikkonsult i Göteborg som bygger dataplattformar åt nordiska företag. Den jämför de vanligaste integrationsmönstren, förklarar ETL och ELT, visar var iPaaS passar in och slutar med det som de flesta projekt underskattar: vem som äger varje flöde när det väl är i drift.

Fyra mönster för systemintegration och när de passar

Det finns fyra vanliga mönster för systemintegration, och vilket som passar beror på om datan behövs för rapportering eller för en operativ åtgärd i ett annat system.

Filöverföring är schemalagd export och import av filer, till exempel CSV- eller SIE-filer, mellan system. Punkt-till-punkt-integration via API är en direkt koppling där ett system anropar ett annats API. En iPaaS (integration platform as a service) är en molntjänst som samlar många integrationer på ett ställe, med färdiga anslutningar, mappning och övervakning. En datapipeline är ett schemalagt flöde som kopierar data från flera källor till en central dataplattform för analys.

Mönster

Passar bäst för

Fördröjning

Största risk

Filöverföring

Passar bäst för

Enkla utbyten som sker sällan

Fördröjning

Timmar till dagar

Största risk

Fel som inte märks, manuella steg smyger sig tillbaka

API-integration punkt till punkt

Passar bäst för

Ett system som agerar på ett annats händelser, till exempel att en vunnen affär skapar en order

Fördröjning

Sekunder

Största risk

Många sköra engångskopplingar

iPaaS

Passar bäst för

Många operativa flöden mellan SaaS-system

Fördröjning

Sekunder till minuter

Största risk

Licenskostnad, logik som döljs i plattformen

Datapipeline (ETL eller ELT)

Passar bäst för

Rapportering och analys över alla källor

Fördröjning

Minuter till dygn

Största risk

Att den används som operativ integration

Många företag behöver två av dessa samtidigt: API-integration eller iPaaS för det operativa flödet från CRM till affärssystemet, och en datapipeline för rapporteringen. Att blanda de två uppgifterna i ett och samma verktyg är en vanlig orsak till sköra lösningar.

ETL eller ELT: var sker transformationen?

ETL och ELT skiljer sig bara i var datan transformeras: innan den laddas in i målet, eller inne i målet efter laddningen.

ETL (extract, transform, load) är en process som hämtar data från källorna, transformerar den i en separat motor enligt affärsregler och sedan laddar resultatet i ett datalager. ELT (extract, load, transform) laddar först in rådatan och använder sedan mållagret, ett data warehouse eller lakehouse, för att transformera den. Microsofts arkitekturguide om ETL och ELT rekommenderar ETL när tunga transformationer måste hållas borta från ett begränsat målsystem, och ELT när målet skalar elastiskt och ni vill spara rådatan för senare analys.

För rapportering från affärssystem, CRM och ekonomi är ELT till en lagerindelad plattform ofta det praktiska standardvalet. När rådatan finns kvar kan ni bygga om ett mått när en definition ändras, utan att be källsystemet om historik som det kanske inte längre visar.

I Microsoftmiljöer är Azure Data Factory det vanliga verktygsvalet, en hanterad molntjänst för att bygga och schemalägga ETL- och ELT-pipelines. I oktober 2026 beskriver Microsofts introduktion till Azure Data Factory Data Factory i Microsoft Fabric som nästa generation och rekommenderar att team som är nya inom dataintegration börjar där. Befintliga arbetsflöden i Azure Data Factory fortsätter att köras, så frågan blir främst aktuell när ni väljer verktyg för en ny plattform.

Att bara ladda ändrade poster i stället för allt är där pipelines lyckas eller misslyckas. Microsofts vägledning om inkrementell kopiering beskriver vattenmärken och ändringsspårning. Testa uppdateringar och borttagningar, inte bara nya rader: en faktura kan krediteras flera veckor efter att den skapades.

iPaaS och API-integration för operativa flöden

iPaaS och API-integration är rätt val när ett system ska reagera på en händelse i ett annat, till exempel när en vunnen affär i CRM ska skapa en kund och en order i affärssystemet.

En enskild API-integration går snabbt att bygga och är lätt att förstå. Problemen börjar vid den femte eller tionde kopplingen, när var och en har sin egen felhantering, sina egna inloggningsuppgifter och sin egen odokumenterade mappning. En iPaaS samlar flödena på ett ställe med gemensam övervakning, omförsök och anslutningar. Den är värd licensen när ni har många operativa flöden mellan SaaS-system, och sällan när ni har två. Avvägningen beskrivs närmare i artikeln om iPaaS eller egenbyggda integrationer.

Två förbehåll gäller båda varianterna. För det första bevisar inte en färdig anslutning att den exponerar de fält, den historik eller de ändringssignaler ni behöver, så testa ett riktigt uttag tidigt. För det andra är operativa integrationer dåliga rapportverktyg. Rapporter som byggs genom att kedja API-anrop vid frågetillfället ger långsamma dashboards och siffror som ändras beroende på när någon klickade.

Automatisera rapporteringen utan manuella Excel-exporter

Att automatisera rapporteringen betyder att ersätta den återkommande rutinen med export och inklistring med en övervakad pipeline till en gemensam dataplattform, validerad mot det kalkylark den ersätter.

ERP, CRM and finance data flow through mapping and layered storage into one report, with exceptions set aside

Ett praktiskt arbetssätt för den första rapporten:

  1. Välj en återkommande rapport med en känd ägare, till exempel pipeline jämfört med fakturerad intäkt.
  2. Dokumentera hur den tas fram i dag, inklusive manuella rättelser. En handpåläggning döljer ofta en odokumenterad affärsregel.
  3. Bekräfta åtkomsten till källan med varje systemägare: API, rapportdatabas, godkänd export eller anslutning.
  4. Mappa kunder och produkter mellan affärssystem, CRM och ekonomi med uttryckliga nycklar, inte namn, och lägg omatchade poster i en synlig undantagslista.
  5. Ladda datan med ETL eller ELT till lagerindelad lagring, och bygg de gemensamma måtten en gång i en rapportmodell.
  6. Kör den gamla och den nya rapporten parallellt för samma period och förklara varje avvikelse innan kalkylarket stängs av.

Mappningssteget är där felmatchade kundposter blir motstridiga nyckeltal. Det problemet beskrivs i detalj i artikeln om varför Power BI visar olika siffror för ekonomi och sälj.

Samma arbete går att göra i en plattform som redan finns. I kundcaset med Stena Line beskrivs hur Devies integrerade nya datakällor i en befintlig dataplattform byggd på Azure.

Ägarskap: vem håller integrationen igång?

Varje integration behöver en namngiven ägare i verksamheten för vad datan betyder och en namngiven teknisk ägare för flödet, annars försämras den i det tysta inom ett år.

Integrationer går sönder av vardagliga skäl: en inloggningsuppgift som har gått ut, ett fält som bytt namn efter en uppgradering av affärssystemet, en ny bolagskod i ekonomisystemet. Kom överens i förväg om:

  • Vem som larmas när en laddning misslyckas, och inom vilken tid.
  • Vem som godkänner ändringar av definitioner och mappningar.
  • Hur rapportanvändarna ser hur färsk datan är, så att en misslyckad laddning visar en varning i stället för gårdagens siffror utan kommentar.
  • Hur lösningen dokumenteras, så att återställning inte hänger på den person som byggde den.

Devies

Vill ni ha en second opinion?

Devies, en produkt- och utvecklingskonsult i Göteborg, arbetar med frågor som den här tillsammans med nordiska produkt- och IT-team. Berätta var ni står så föreslår vi ett rimligt första steg.

Prata med Devies

Vanliga frågor

Vad är skillnaden mellan ETL och ELT?

ETL transformerar datan i en separat motor innan den laddas in i målet. ELT laddar först in rådatan och transformerar den inne i målet, ett data warehouse eller lakehouse. ELT behåller rådatan, vilket gör det lättare att bygga om mått när definitioner ändras. ETL passar när tunga transformationer måste hållas borta från ett begränsat målsystem, eller när kurerad data ska granskas innan den laddas.

Behöver vi en iPaaS för att koppla ihop affärssystemet och CRM?

Inte alltid. Med ett eller två operativa flöden räcker ofta en väldokumenterad API-integration. En iPaaS gör skäl för licensen när ni har många flöden mellan SaaS-system och behöver gemensam övervakning, omförsök och anslutningar. För rapportering är ingen av dem rätt verktyg: använd i stället en datapipeline till en gemensam dataplattform.

Är Azure Data Factory fortfarande rätt val 2026?

I oktober 2026 beskriver Microsoft Data Factory i Microsoft Fabric som nästa generation av Azure Data Factory och rekommenderar att nya dataintegrationsprojekt börjar där. Befintliga pipelines i Azure Data Factory fortsätter att köras. Valet beror på er nuvarande Azuremiljö, era licenser och om ni planerar att använda Fabric för rapportering och analys.

Källor

Here’s more

Join Our Newsletter

We handle your data according to our privacy policy.

Shopping Cart

We use cookies

We use cookies to improve your experience on this website. You may choose which types of cookies to allow and change your preferences at any time. Disabling cookies may impact your experience on this website. You can learn more by viewing our Cookie Policy.

Check out

Contact Form text

We will contact you text

We handle your data according to our privacy policy.