De laatste tijd zie je dat steeds meer bedrijven aan de slag gaan met Power BI. Het is een populair product, men heeft er weleens van gehoord en het is makkelijk zelf, en gratis, te downloaden. Self-service BI is populair. De drempel om een dashboard te bouwen is laag en het ziet er al snel erg mooi en interactief uit. Wat is nu nog de meerwaarde van een datawarehouse of een semantische laag als iedereen gewoon zelf met power BI aan de slag kan? 

 

Power BI

 

Databron

Als men binnen een organisatie zelf aan de slag gaat met Power BI als self-service tool zien we waak dat Power BI wordt gevoed door Excel files. Deze Excel files worden vaak uit een bronapplicatie geĆ«xporteerd en daarna, voordat ze in Power BI worden geladen, als dan niet bewerkt. Om een rapportage te updaten moeten een aantal handelingen worden verricht en de herkomst van de data van de verschillende dashboards is soms zelfs lastig te achterhalen. Voor je het weet wordt de organisatie gestuurd op dashboard waarvan eigenlijk niemand ooit goed heeft gecontroleerd of de data echt wel klopt. 

Organisaties die de data al rechtstreeks uit het bronsysteem halen denken deze problemen voor te zijn, maar ook dan kan het erg nuttig zijn om na te denken over de architectuur. Een model in Power BI is zo gemodelleerd, maar waar leg je dan je definities vast en hoe zorg je dat de tabellen altijd op de goede manier aan elkaar worden gekoppeld?  

Semantische laag

 

Screen Shot 2018 03 23

 

Door het gebruik van een semantische laag tussen de database en de rapportage tool kunnen een hoop van bovenstaande problemen weggenomen worden. Een semantische laag (of data management laag) is eigenlijk een fysieke of virtuele laag tussen de databron(nen) en de rapportage tool waarin de data vertaald wordt naar een makkelijk te gebruiken model voor de eindgebruiker. Een veel gebruikte oplossing hiervoor binnen de Microsoft BI-stack is kubussen. Deze bieden tevens nog het voordeel dat je hierop met Power BI live kan connecteren. Wat is nu de meerwaarde van een semantische laag tussen de database en de rapportage tool?  

  • Definities kunnen op 1 plek worden vastgelegd
  • Modellering hoeft maar 1 keer te worden gedaan
  • De modellering wordt juist gedaan, waardoor iedereen over de juiste cijfers beschikt
  • Een eindgebruiker hoeft geen verstand van databases te hebben
  • Men kan rapporteren aan de hand van businesstermen
  • Afhankelijk van de architectuur wordt het bronsysteem niet continu belast met query's
  • Er kan met verschillende tools over dezelfde data worden gerapporteerd 

Ontwikkeling onder controle

Door het aanbieden van een goede en bruikbare rapportageomgeving aan de eindgebruikers kan ook een wildgroei aan rapportages binnen de organisatie voorkomen worden. Alle rapportages maken op dezelfde manier een connectie met verschillende bronsysteem en deze kunnen op een gestructureerde manier, al dan niet in de cloud, worden opgeslagen. Door middel van de verschillende security mogelijkheden kan ook nog bepaald worden wie welke data mag zien en wie welke rapportages kan wijzigen of ontwikkelen. 

Conclusie

De opkomst van self-service BI is zeker niet verkeerd, maar denk als organisatie wel goed na over de inzet van de verschillende tools en tevens ook de beheerbaarheid ervan. Power BI gebruiken om even snel een analyse te doen op bepaalde data kan heel waardevol zijn, maar als de rapportages een dagelijks onderwerp van gesprek worden is het wellicht toch goed om even kritisch naar de architectuur en de inzet van de tool te kijken. 

This website uses cookies: more information