Utvärderingsmatris för modern dataplattform: 25 kriterier för en shortlist 2026

För data- och teknikansvariga som ska välja modern dataplattform gör en utvärderingsmatris det möjligt att jämföra alternativen utifrån samma krav, i stället för att välja utifrån funktionslistor eller leverantörsdemos. De här 25 urvalskriterierna täcker arbetsbelastning, arkitektur, styrning, drift och kostnad. Sätt först era ska-krav, bestäm viktningen före utvärderingen och poängsätt bara sådant som stöds av dokumentation eller pilotresultat.

Om ni fortfarande definierar kategorin kan ni börja med vad en modern dataplattform är. Om ni behöver identifiera kandidater till en första lista kan ni jämföra de bästa moderna dataplattformarna 2026 innan ni använder matrisen för att bygga er shortlist.

Att välja modern dataplattform: viktigaste slutsatserna

• Sätt ska-kraven först. Ett underkänt krav på säkerhet, datahemvist, anslutningar, återställning eller avtal kan inte vägas upp av en högre totalpoäng.
• Vikta före leverantörsutvärderingen. Det minskar risken för att reglerna ändras för att gynna en attraktiv demo.
• Poängsätt underlag, inte löften. Använd aktuell dokumentation, avtalsvillkor och representativa pilotresultat.
• Behåll underlaget bredvid poängen. En siffra utan källa, testresultat eller beslutsnotering går inte att granska.
• Jämför driftmodellen. Plattformen måste passa de kompetenser, ansvarsområden och supportmodeller som organisationen kan upprätthålla.

På den här sidan

• Så använder du matrisen
• Poängsättningsmodell
• De 25 urvalskriterierna
• Tom återanvändbar matris
• Illustrativt räkneexempel
• Underlag att samla in i en pilot
• Vanliga urvalsmisstag
• Vanliga frågor
• Officiella källor och metodnotering

Så använder du utvärderingsmatrisen för moderna dataplattformar

1. Definiera beslutet. Namnge affärsmålen, de kritiska arbetsbelastningarna, användarna, datakällorna, begränsningarna och beslutsägarna.
2. Sätt ska-kraven. Dokumentera de krav som varje alternativ måste uppfylla innan den viktade poängsättningen börjar.
3. Enas om viktningen. Ge vart och ett av de 25 kriterierna en vikt från 1 till 3 före leverantörsmöten, kommersiella förslag eller piloter.
4. Samla jämförbart underlag. Be varje leverantör om samma dokumentation och kör samma representativa tester.
5. Poängsätt, utmana och besluta. Granska kategoripoäng, luckor i underlaget, ska-krav och avvägningar tillsammans med arkitektur, säkerhet, ekonomi, inköp och verksamhet.

Matrisen ska stödja ett beslut, inte automatisera det. En skillnad på två poäng kan vara mindre viktig än en oprövad återställningsprocess, ett kritiskt kompetensgap eller ett avtalsvillkor som gör framtida dataflytt svår.

Sätt ska-krav före viktad poängsättning

Ska-krav bedöms som godkända eller underkända. Exempel på ska-krav:

• krav på dataregion eller datahemvist
• minimikrav för identitet, åtkomst och säkerhet
• anslutning till kritiska ERP-system och operativa datakällor
• krav på återställning och tjänstekontinuitet
• godkänd budgetram
• avtalskrav för dataåtkomst, portabilitet och exit

Markera varje krav som godkänt, underkänt eller ej verifierat. Behandla ej verifierade ska-krav som öppna risker, inte som godkända.

Poängsättningsmodell: underlagspoäng × vikt

Poängsätt varje kriterium från 0 till 5. Multiplicera därefter poängen med en vikt från 1 till 3.

Skala för underlagspoäng

Poäng	Betydelse
0	Det finns inget användbart underlag eller kravet uppfylls inte.
1	Stort gap med betydande behov av speciallösning, beroende eller risk.
2	Kravet uppfylls delvis.
3	Kravet uppfylls med godtagbart underlag.
4	Kravet överträffas på ett relevant sätt.
5	Stark passform som har bevisats under representativa förhållanden.

Skala för viktning

Vikt	Betydelse
1	Bra att ha: skapar nytta men är inte centralt för beslutet.
2	Viktigt: är en betydande del av målplattformen.
3	Kritiskt: är centralt för affärsnytta, risk eller driftmodell.

Viktade poäng: underlagspoäng × vikt.

Normaliserad poäng: totalt antal viktade poäng ÷ högsta möjliga antal viktade poäng × 100.

Procentsatsen gör det enklare att jämföra olika viktningsmodeller. Den gör inte en subjektiv bedömning objektiv, så se till att underlag och antaganden är synliga.

De 25 urvalskriterierna för en modern dataplattform

1. Arbetsbelastning och affärsnytta

Kriterium 1–5: arbetsbelastning och affärsnytta

Nr	Kriterium	Fråga att besvara	Underlag att begära eller testa
1	Kritiska användningsfall och mätbara resultat	Kan plattformen stödja de få användningsfall som motiverar investeringen?	Namngivna arbetsbelastningar, användare, ägare, servicenivåer och mätbara framgångskriterier.
2	Datavolym, hastighet, variation och lagringstid	Passar plattformen nuvarande och förväntade datamönster utan onödig komplexitet?	Nuvarande volymer, tillväxt, fil- och tabellmönster, inläsningshastigheter och lagringskrav.
3	Frågeprestanda och samtidighet	Kan prioriterade arbetsbelastningar nå målen för svarstid och genomströmning vid högsta belastning?	Representativa frågor, samtidiga användare, kötid, P95/P99-latens och felfrekvens.
4	Batch, streaming och aktualitetskrav	Kan plattformen möta kraven på datans aktualitet för varje arbetsbelastning?	Sluttider för batchjobb, streaminglatens, hantering av sena data, återuppspelning och återställningstester.
5	Passform för BI, data engineering, data science, ML och AI	Stödjer plattformen den verkliga mixen av arbetsbelastningar utan att tvinga alla team till samma verktyg?	End-to-end-tester för rapportering, pipelines, notebooks, modellutveckling, modellservering och åtkomstmönster för AI.

2. Arkitektur och interoperabilitet

Kriterium 6–10: arkitektur och interoperabilitet

Nr	Kriterium	Fråga att besvara	Underlag att begära eller testa
6	Passform för källsystem och anslutningar	Kan plattformen ansluta tillförlitligt till de ERP-system, operativa system, applikationer och filer som är viktiga?	Stödda integrationsmönster, change data capture, API-begränsningar, extraktionsfönster och ansvar för underhåll av anslutningar.
7	Passform för moln, region, nätverk och identitet	Passar plattformen befintliga beslut om moln, region, nätverk, identitet och landing zones?	Regional tillgänglighet, privat anslutning, identitetsfederering, nätverksarkitektur och beroenden mellan moln.
8	Modell för lagring, beräkning och isolering av arbetsbelastningar	Kan team skala eller isolera arbetsbelastningar utan oacceptabel resurskonkurrens eller outnyttjad kapacitet?	Arkitekturdiagram, skalningskontroller, jobbköer, kapacitetsgränser och tester vid högsta belastning.
9	Öppna format, API:er och åtkomst från flera motorer	Kan godkända verktyg komma åt styrda data via användbara standarder och gränssnitt?	Fil- och tabellformat, läs- och skrivbeteende, API-täckning, metadataportabilitet och tester mellan olika motorer.
10	Portabilitet, dataflytt och exitväg	Kan organisationen flytta data, kod och metadata utan orimliga operativa eller kommersiella hinder?	Exportformat, egressvägar, migreringsverktyg, avtalsvillkor, beroenden och ett övergripande exittest.

3. Styrning och säkerhet

Kriterium 11–15: styrning och säkerhet

Nr	Kriterium	Fråga att besvara	Underlag att begära eller testa
11	Identitets- och åtkomstkontroll	Kan åtkomsten följa organisationens krav på identitet, minsta privilegium och åtskillnad av arbetsuppgifter?	SSO, MFA, tjänsteidentiteter, rolldesign, privilegierad åtkomst, tester för nyanställning, rollbyte och avslut samt beroenden till licensnivå.
12	Granulärt dataskydd	Kan policyer skydda känsliga data på rätt nivå i de verktyg som använder dem?	Kontroller på rad-, kolumn- och objektnivå, maskering, tokenisering, policyarv och tillämpning mellan olika motorer.
13	Katalog, sökbarhet och ägarskap	Kan användare hitta betrodda data och förstå vem som äger dem?	Katalogtäckning, affärsdefinitioner, ägarfält, certifieringsflöden, sökfunktion och ansvar för dataförvaltning.
14	Data lineage, spårbarhet och ändringshistorik	Kan organisationen förklara var data kommer ifrån, hur de har förändrats och vem som har använt dem?	End-to-end-lineage, fråge- och åtkomstloggar, schemahistorik, policyändringar, lagringstid och export till säkerhetsverktyg.
15	Datahemvist, kryptering och underlag för regelefterlevnad	Kan plattformen möta organisationens krav på placering, kryptering och verifierbar efterlevnad?	Datalokalisering, krypterings- och nyckelhanteringsalternativ, certifieringar, underleverantörer, modell för delat ansvar och juridisk granskning.

4. Drift och tillförlitlighet

Kriterium 16–20: drift och tillförlitlighet

Nr	Kriterium	Fråga att besvara	Underlag att begära eller testa
16	Tillgänglighet, återställning och tjänstekontinuitet	Kan plattformen möta återställningsmålen för kritiska dataprodukter och arbetsbelastningar?	Tjänsteåtaganden, felgränser för zoner och regioner, backup, återläsning, failover, RTO/RPO och delat ansvar.
17	Övervakning och observerbarhet	Kan team upptäcka problem med prestanda, tillförlitlighet, kvalitet och kostnad innan användarna rapporterar dem?	Mätvärden, loggar, traces, frågehistorik, telemetri för datakvalitet, larm, lagringstid och integration med driftverktyg.
18	Driftsättning, automatisering och versionshantering	Kan förändringar flyttas säkert mellan miljöer med repeterbara kontroller?	Infrastructure as code, API:er/CLI, källkodshantering, CI/CD, testning, promotion, rollback och separering av miljöer.
19	Datakvalitet, schemaändringar och felhantering	Kan plattformen förebygga, upptäcka och återhämta sig från vanliga datafel?	Valideringsregler, schemautveckling, karantän, återförsök, idempotens, sena data, återuppspelning och incidentansvar.
20	Kompetens, support och driftansvar	Kan organisationen driva plattformen utan att skapa ett sårbart beroende av ett fåtal specialister?	Kompetenskartläggning, inlärningskurva, rekryteringsmarknad, supportmodell, eskaleringsväg, RACI och uppskattad driftinsats.

5. Kostnad och kommersiell passform

Kriterium 21–25: kostnad och kommersiell passform

Nr	Kriterium	Fråga att besvara	Underlag att begära eller testa
21	Prismodell och kostnadsdrivare	Kan teamet förklara vilka aktiviteter som skapar kostnad och vilka kontroller som påverkar den?	Aktuella pris- och avtalsdokument, mätenheter, miniminivåer, utgåvor, regioner, support och angränsande molnkostnader.
22	Enhetskostnad per arbetsbelastning	Vad kostar en relevant arbetsenhet under normal och hög belastning?	Kostnad per pipelinekörning, dashboardbelastning, bearbetad terabyte, modelljobb eller annan affärsrelevant enhet.
23	Kostnadsfördelning, budgetar och skyddsräcken	Kan ägare se, fördela och styra kostnaden innan den blir en överraskning?	Taggar eller etiketter, chargeback/showback, budgetar, larm, kvoter, belastningsgränser, kontroll av outnyttjade resurser och avvikelsedetektering.
24	Total kostnad för implementation och drift	Vad är kostnaden över 12–36 månader utöver plattformens förbrukningsmätare?	Implementation, migrering, integrationer, säkerhet, styrning, nätverk, verktyg, utbildning, support och internt arbete.
25	Avtalsflexibilitet, möjlighet att skala ned och exitkostnad	Kan åtaganden förändras om efterfrågan, strategin eller leverantörsrelationen förändras?	Bindningstider, förnyelse, rabatter, true-up, nedskalning, uppsägning, datauttag och övergångsstöd.

Tom återanvändbar utvärderingsmatris

Kopiera tabellen till ett kalkylblad. Sätt viktningen innan ni poängsätter alternativen. Spara en länk eller notering för varje poäng.

Tom jämförelse med 25 kriterier

Nr	Kriterium	Vikt 1–3	Alternativ A 0–5	Alternativ B 0–5	Alternativ C 0–5	Underlag och noteringar
1	Kritiska användningsfall och mätbara resultat
2	Datavolym, hastighet, variation och lagringstid
3	Frågeprestanda och samtidighet
4	Batch, streaming och aktualitetskrav
5	Passform för BI, data engineering, data science, ML och AI
6	Passform för källsystem och anslutningar
7	Passform för moln, region, nätverk och identitet
8	Modell för lagring, beräkning och isolering av arbetsbelastningar
9	Öppna format, API:er och åtkomst från flera motorer
10	Portabilitet, dataflytt och exitväg
11	Identitets- och åtkomstkontroll
12	Granulärt dataskydd
13	Katalog, sökbarhet och ägarskap
14	Data lineage, spårbarhet och ändringshistorik
15	Datahemvist, kryptering och underlag för regelefterlevnad
16	Tillgänglighet, återställning och tjänstekontinuitet
17	Övervakning och observerbarhet
18	Driftsättning, automatisering och versionshantering
19	Datakvalitet, schemaändringar och felhantering
20	Kompetens, support och driftansvar
21	Prismodell och kostnadsdrivare
22	Enhetskostnad per arbetsbelastning
23	Kostnadsfördelning, budgetar och skyddsräcken
24	Total kostnad för implementation och drift
25	Avtalsflexibilitet, möjlighet att skala ned och exitkostnad

Illustrativt räkneexempel

Exemplet är fiktivt. Företaget, kraven, alternativen, viktningen och poängen är påhittade enbart för att visa hur metoden fungerar. Alternativ A, B och C representerar inte namngivna produkter, Elvenites kundresultat eller egna leverantörstester.

En fiktiv nordisk tillverkningskoncern vill ha en gemensam plattform för nattliga ERP-data, Power BI-rapportering, produktionssignaler och framtida arbetsbelastningar för maskininlärning. Företaget har ett litet centralt plattformsteam. Europeisk datalagring, SSO för organisationen och en överenskommen återställningsprocess är ska-krav.

Urvalsgruppen enas om viktningen före piloten. Tre exempelrader visar hur olika prioriteringar påverkar resultatet:

Illustrativa beräkningar på kriteriumsnivå

Kriterium	Vikt	Alternativ A	Alternativ B	Alternativ C
Batch, streaming och aktualitetskrav	3	Poäng 4 = 12 viktade poäng	Poäng 5 = 15 viktade poäng	Poäng 3 = 9 viktade poäng
Kompetens, support och driftansvar	3	Poäng 3 = 9 viktade poäng	Poäng 2 = 6 viktade poäng	Poäng 5 = 15 viktade poäng
Prismodell och kostnadsdrivare	3	Poäng 3 = 9 viktade poäng	Poäng 2 = 6 viktade poäng	Poäng 5 = 15 viktade poäng

När alla 25 rader har poängsatts blir de fiktiva kategorisummorna:

Illustrativt resultat för 25 kriterier

Kategori	Högsta poäng	Alternativ A	Alternativ B	Alternativ C
Arbetsbelastning och affärsnytta	65	53	56	45
Arkitektur och interoperabilitet	65	51	47	52
Styrning och säkerhet	70	58	53	49
Drift och tillförlitlighet	65	49	43	54
Kostnad och kommersiell passform	65	46	42	53
Totalt	330	257	241	253
Normaliserad poäng	100 %	77,9 %	73,0 %	76,7 %

Alternativ A leder med 1,2 procentenheter, men alternativ B har högst poäng för arbetsbelastning och alternativ C leder inom drift och kostnad. Resultatet är ännu inget beslut. Gruppen behöver fortfarande verifiera återställningsprocessen och månadskostnaden för alternativ A under högsta belastning. Om ett ska-krav fortfarande är ej verifierat kan alternativ A inte väljas enbart för att det har högst totalpoäng.

Underlag att samla in i en representativ pilot

Använd samma data, tidsperiod och framgångskriterier för varje plattform på shortlisten. En användbar pilot bör omfatta:

• två eller tre kritiska arbetsbelastningar från verksamheten, inte bara en teknisk demo
• representativ datavolym och realistiska tillväxtantaganden
• högsta samtidiga belastning och P95/P99-prestanda, inte bara genomsnittlig frågetid
• en batchpipeline och ett aktualitetskänsligt flöde där det är relevant
• en verklig policy för identitet, åtkomst och känsliga data
• kontroller av data lineage, loggning och ägarskap i de valda verktygen
• en schemaändring, ett misslyckat jobb, återuppspelning och återställning
• kostnadsmätning under normal, outnyttjad och hög belastning
• en driftsättning genom den avsedda utvecklings- och releaseprocessen
• en logg över driftinsatsen för engineering, styrning och support

Dokumentera varje optimeringsändring. Om ett alternativ får mer optimeringsarbete än ett annat ska det framgå i beslutsunderlaget.

Vanliga misstag när företag väljer dataplattform

Att börja med leverantörslistan

En lång funktionsjämförelse kan se grundlig ut men ändå undvika det verkliga beslutet. Definiera mål, begränsningar och ska-krav först. Bygg därefter shortlisten.

Att ändra viktningen efter leverantörsdemon

Viktningen ska spegla verksamhetens prioriteringar, inte presentationens kvalitet. Enas om den före utvärderingen och dokumentera varje senare ändring med orsak och godkännare.

Att använda dokumentation som bevis för implementation

Officiell dokumentation visar att en funktion finns. Den visar inte att er utgåva, region, arkitektur och organisation kan använda och driva den effektivt. Använd dokumentation som ett första underlag och en pilot för kritiska påståenden.

Att jämföra listpriser i stället för enhetskostnad

Olika plattformar mäter och debiterar olika resurser. Jämför kostnaden för representativa arbetsbelastningar och inkludera nätverk, lagring, support, styrningsverktyg och driftarbete.

Att låta totalpoängen dölja ett underkänt ska-krav

En hög poäng kan inte kompensera för ett underkänt obligatoriskt krav. Håll beslutet om ska-kraven synligt bredvid det viktade resultatet.

Vanliga frågor

Vad är en utvärderingsmatris för moderna dataplattformar?

En utvärderingsmatris för moderna dataplattformar är ett viktat ramverk för att jämföra alternativ utifrån samma krav på verksamhet, arkitektur, styrning, drift och kostnad. Den skiljer ska-krav från poängsatta kriterier och behåller underlaget bredvid varje poäng så att shortlisten kan granskas och försvaras.

Hur många dataplattformar bör vi pilottesta?

För de flesta team ger två trovärdiga finalister en bättre pilot än ett brett test av alla alternativ på den första listan. Ta först bort alternativ som inte klarar ska-kraven. Kör därefter samma representativa arbetsbelastningar på finalisterna så att underlaget blir jämförbart.

Ska alla kriterier ha samma vikt?

Nej. Använd samma vikt bara om organisationen verkligen värderar alla kriterier lika. En viktning från 1 till 3 är enkel nog för att intressenter ska kunna utmana den. Sätt viktningen före leverantörsutvärderingen och ge kritiska krav på risk, arbetsbelastning och drift den vikt de förtjänar.

Kan leverantörsdokumentation användas som underlag för poängsättning?

Ja, för att bekräfta dokumenterade funktioner, tillgänglighet och produktbegränsningar. Den räcker inte för prestanda, driftinsats eller total kostnad. Använd aktuella avtal, arkitekturgranskning och representativa pilotresultat för kriterier som beror på er miljö.

Vinner alternativet med högst poäng automatiskt?

Nej. Den högsta viktade poängen är ett av flera beslutsunderlag. Ska-krav, tillförlitligheten i underlaget, kategoriavvägningar, kommersiella villkor och olösta risker spelar fortfarande roll. Dokumentera det slutliga beslutet och varför ett alternativ med lägre poäng valdes om en annan faktor väger tyngre.

Gör utvärderingsmatrisen till ett beslut

Det praktiska värdet av en modern dataplattform avgörs av hur väl den stödjer verklig drift, tillförlitliga data, bättre beslut, automatisering och AI, inte av hur lång funktionslistan är. Använd de här 25 kriterierna när ni ska välja modern dataplattform, gör kraven tydliga och validera sedan den slutliga shortlisten under representativa förhållanden.

Vårt team inom Data Intelligence arbetar med datastrategi, moderna dataplattformar, dataarkitektur, styrning, analys, automatisering och affärsvärde med stöd av AI. Använd ramverket internt, eller ta hjälp av en specialist när arkitekturen, piloten eller driftmodellen behöver en oberoende granskning.

Officiella källor och metodnotering

Metoden har tagits fram med stöd av aktuell officiell vägledning, bland annat NIST Cybersecurity Framework 2.0, FinOps Framework, AWS Well-Architected Data Analytics Lens och Microsofts vägledning om organisatorisk beredskap för en sammanhållen dataplattform.

Plattformsfunktioner bör kontrolleras mot aktuell förstahandsdokumentation från Snowflake, Databricks, Microsoft Fabric, Google BigQuery och Amazon Redshift.

Officiell dokumentation beskriver funktioner som stöds. Den bevisar inte jämförande prestanda, driftinsats eller total kostnad i er miljö. Produktfunktioner, utgåvor, regioner, tjänsteåtaganden, priser och avtalsvillkor förändras. Verifiera aktuell information och använd representativa pilotresultat innan ni fattar ett slutligt beslut.