Power BI - vše, co potřebujete vědět | Mňamka #162

Takový ten divný pocit, když vás Eva požádá, ať napíšete článek o Power BI, protože víte, že ať napíšete cokoliv, moc dobrý feedback na to nedostanete. Proč? Protože většina lidí Power BI buď bezmězně miluje nebo naopak z duše nenávidí. I já si toho s Power BI prožila spoustu - krásné chvilky plné radosti i bezesné noci, kdy se slzami v očích už nevíte, jak dál. Tvrzení aplikovatelné na většinu mých vztahů nejen s BI tooly :)

Co je Power BI?

BI tool od Microsoftu, v současnosti považovaný za industry leadera (v kombinaci s ostatními produkty MS). Kromě vizualizací poskytuje i self-service pro přípravu dat a spojování dat z více zdrojů PowerQuery. A v neposlední řadě, alespoň v naší firmě - noční můra majitelů mekařů :)

Cena

Základní Pro licence vás vyjde na $10 za uživatele za měsíc, musíte si ale dávat pozor na 1GB limit per dataset a 10GB limit per pracovní prostor. Hlavně první ze zmiňovaných limitů je opravdu limitující a ve firmách, kde zatím není budget na pořízení Premium pracovního prostoru (od $5000 za měsíc), je třeba s tímto limitem velmi aktivně pracovat při designu každého use casu. Úzce to souvisí se způsobem napojení dat.

Způsob napojení dat

Existují 4 způsoby připojení dat: live (pro OLAP kostky a vypublikované datasety), direct (pro podporované databáze), import (klasický extrakt) a push (vhodný pro realtime). Lze vytvořit i tzv. composite model, který může být kombinací například 3 direct tabulek a 5 importovaných tabulek. Před volbou správného způsobu napojení je třeba nastudovat, jak to funguje, je tam i pár limitů. O tom třeba příště :)

PowerQuery - dobrý sluha, sakra špatný pán

PowerQuery je sice neuvěřitelně užitečný nástroj pro ad hoc přípravu dat, prototyping apod., ale používá-li se u větších než totálně prťavých projektů i pro celofiremní produkční reporting, tak je to cesta do pekel. 

  • Single source of truth neexistuje a nezajistíte to, ani kdybyste se na hlavu postavili
  • Když se vám něco rozbije, dohledat chybu může být někdy na mašli
  • Změnit logiku kalkulace, optimalizovat, nedejbože očišťovat data trvá asi tak 100000000000000x déle než v SQL

A ano, teď už existují dataflows, které alespoň problém se single source of truth při extrémně kvalitní implementaci dokáží řešit, ale ostatní zmiňované problémy dle mého názoru stále přetrvávají. Power BI je vizualizační nástroj, nikoliv ETL. Na hraní je to ale šikovné :)

Datový model a metriky

Ať si řiká, kdo chce to chce, mě se v tom modeluje dobře a i ty metriky se píšou celkem jednodušše. DAX dokáže občas trochu pozlobit, ale pokud si správně postavíte model, tak abyste to pak nemuseli v metrikách dohánět a ohýbat přes koleno, jde to. Samozřejmě zkomplikovat se dá cokoliv a v tomto ohledu je třeba přistupovat například k radám na Power BI forech velmi kriticky, ať si tam nezanesete nějaký vynález, co neměl nikdy vzniknout.

Vizualizace

Za mě silná stránka Power BI, jde skoro všechno, je spoustu custom vizuálů (a můžete si i nakódit vlastní), můžete integrovat s Power Apps (například abyste obchoďákovi přímo v reportu dovolili upravovat sales forecast a koukat jak to vychází). Interakce, drill-ups, drill-downs, drill-through (i cross-report), tooltipy, bookmarky jsou super. Lze vytvořit zjednodušenou mobilní verzi. Takže opět jen pozor na to, abyste to nepřekombinovali.

Time-Intelligence

Pokud začínáte, zkuste se odrazit od tzv. quick measures. Lze se na nich naučit, jak ten DAX vlastně funguje. MoM, YoY, moving average, kumulativní sumu atd. máte nakliknuté na 3 kliky. Co zatím Power BI nemá moc dobře vymyšlené, je porovnání s předchozí periodou ve chvíli, kdy chcete dynamicky měnit granularitu dané periody (den, měsíc, týden, rok). Jde to vyřešit, ale musíte si zaDAXovat.

Power BI Service

Vypublikované reporty můžete vystavit jako appku (lze pak konzumovat přes Power BI Mobile), můžete z nich vytvořit dashboard (na kterém lze nastavit alerty na vývoj metrik), posílat si emaily s linkem na report vždycky když se refreshne apod. Můžete tam report i upravit, ale jen na úrovni vizualizace, na datový model se nedostanete (ani vzorec metriky si nezobrazíte). Co se nám líbí je možnost označit report či dataset jako certifikovaný, to rádi využíváme jako součást governance nad BI platformou.

Power BI Desktop

Tak a jsme u té noční můry mekařů. Ona to teda může být noční můra i všech ostatních... Když máte za úkol opravit/upravit nějaký monstrózní report, tak je to analogie k monstróznímu Excelu, co se 10 minut otvírá, aby vám pak dalších 10 minut crashoval. Je třeba to nenechat takhle daleko zajít, pečlivě designovat reporty per use case, řídit vývoj skrze governace, sledovat usage a optimalizovat. Dokud je soubor rozumně veliký a drží se best-practices, lze s tím na Windows pracovat celkem dobře. Mekaři si musí pořádně přitopit VM.

Těch témat je spoustu - embeddování, kompatibilita s non-MS systémy, scheduled refresh a getaways, API, RLS, parametry, Report builder, optimalizace, DAX Studio... Tak třeba dáme nějaké pokračování :)

Zapomněla jsem na něco? Chcete se na něco zeptat? Napište mi. 

Verča

Veronika Špryslová
datový detektiv
LinkedIn

Jak na pavučinové grafy | Mňamka #437

Jak na pavučinové grafy | Mňamka #437

Pavučinové (neboli paprskové) grafy patří k nejimpozantnějším grafům, se kterými se v moderních byznysových vizualizacích můžete setkat. Hodí se např. k porovnání dvou produktů na základě široké škály různých ukazatelů. Nebo jsou hojně využívány ve sportovní analytice ke komparativnímu srovnání výkonů jednotlivých hráčů. Pro nezasvěcené publikum ale mohou být jen obtížně stravitelné. Dnes si proto ukážeme, jakých zásad se při vytváření pavučinových grafů držet a jak se v nich co nejlépe orientovat!

5 mýtů o cloudu | Mňamka #436

5 mýtů o cloudu | Mňamka #436

Řešit data v cloudu dává smysl čím dál většímu počtu firem. A není se čemu divit, cloud totiž nabízí neuvěřitelnou flexibilitu a jednoduchost použití. Přesto se ale stále najde spousta firem, které jedou kompletně on-premise a s přechodem na cloud váhají. Někdy má takové rozhodnutí objektivní důvody, často ale bývá spíše výsledkem mylných představ, které o cloudových datových skladech panují. A právě na to si posvítíme v této mňamce. Pojďte se se spolu s námi podívat na 5 nejčastějších mýtů o cloudu!

Pandas – k čemu slouží, k čemu jej raději nepoužijeme a jeho alternativy | Mňamka #435

Pandas – k čemu slouží, k čemu jej raději nepoužijeme a jeho alternativy | Mňamka #435

Pandas je jednou z nejpoužívanějších knihoven pro zpracování dat v jazyce Python. Jeho největší předností je zejména jednoduchá a intuitivní syntaxe a také rychlost, se kterou můžete zpracovávat velké datové soubory. V BizzTreatu ho proto často využíváme např. pro ad hoc analýzy dat, kdy potřebujeme rychle prozkoumat, jak data vlastně vypadají a jaká je jejich kvalita. V dnešní mňamce od Báry si ukážeme, kde všude lze Pandas použít a jak si stojí v porovnání s ostatními knihovnami!