Self service BI aneb "naklikat to zvládnu sám" | Mňamka #234

Představte si to. Právě jste zjistili, že by vám vlastně pomohlo, kdybyste trochu víc pracovali s daty. Jenže co teď? Stavět datový sklad? Nakoupit servery? Ale ne … v dnešní době spíš jít a zaregistrovat se do Snowflake nebo Google BigQuery. Jenže, tohle je jen začátek. Mysleli jste si, že koupí té nové výkonné cool databáze to končí? Ale kdeže. To je vážně jen začátek. Celé datové řešení totiž není jen o výběru vhodného nástroje… je to mnohem komplexnější.

Musíte se rozhodnout, jestli budete stavět analytiku svépomocí. Nebo ne. Stavět analytiku / datové řešení svépomocí bych přirovnal ke stavbě domu. Asi to uděláte, ale připravte se na to, že to bude skřípat. Pravděpodobně ztratíte hodně času, budete řešit už dávno vyřešené a občas budete možná vynalézat kolo. 

Zajímavě o tom psali GoodData v “buy vs. build”. Když jsem se nad tím zamyslel, co bych poradil někomu, kdo chce stavět “self service BI”, napadlo mě několik variant řešení:

Varianta 1 - Koupíte si Snowflake, BigQuery nebo něco podobného jako databázi a k tomu třeba Tableau nebo GoodData. Zavřete se na celou zimu do sklepa a začnete drtit SQL, jak dostat data do databáze, jak je dostat ven, co a jak s nimi dělat atd. atd. No, možná byste v tom sklepě zůstali pár let… Takže pokud nemáte alespoň nějaké zkušenosti, asi se víc vyplatí soustředit se na svůj business a tuhle věc předat někomu jinému. Za mě tohle není cesta.

Varianta 2 - Najmete někoho, aby “vám ten nástroj nainstaloval”, ale ty reporty už si naklikáte sami. Self service. Easy. Ikea style. No jo… jenže dost možná zase zjistíte, že sice něco si naklikat zvládnete, ale tu je potřeba něco přepočítat, upravit, přemodelovat. Prostě jako když si přivezete kuchyň z IKEA a potřebujete to celé tak nějak dořezat, aby pasovala mezi ty ne uplně rovné stěny, podlahu, ... Boj.

Varianta 3 - Najmu si někoho kdo mi postaví interně celé řešení. To zvládne jeden člověk přece. Bude to levnější než najímat nějakou firmu “na klíč” … jo asi jo. Může to zvládnout. Pokud ho vyberete dobře, je to možné řešení. Nicméně ten člověk bude mít někdy dovolenou, někdy bude nemocný a pak taky třeba odejde a nechá nezdokumentované řešení, které “nějak udělal”, ale nikdo ho neumí ovládat. Jó pár takových už jsem viděl… Riziko.

Varianta 4 - Excel mi stačí. Tohle je samozřejmě s nadsázkou. No prostě čistá kapitulace. Zůstanete u Excelu :)

A pozor. Tím, že datové řešení postavíte, to zase nekončí. Odpovědi na otázky generují další otázky a tak pořád dokola. Je to vlastně nikdy nekončící proces vývoje, učení, testování. Ten se jednoho dne určitě vyplatí mít “pod svojí střechou”, ale do té doby… je to na zvážení.

V dnešní době existuje určitě hodně nástrojů, které jsou tzv. “self service”. Nicméně, jak jsem psal na začátku, celé to zdaleka není jen o tom nástroji...

Máte k článku nějaké otázky nebo připomínky? Klidně mi napište, rád to s Vámi proberu :-)

Jirka Tobolka
datový detektiv
LinkedIn

Keboola a Kai PromtLab | Mňamka #524

Keboola a Kai PromtLab | Mňamka #524

Objavte PromptLab, sofistikované riešenie od Kebooly a Kai PromtLab na zlepšenie interakcií s umelou inteligenciou. V tomto článku sa dozviete, ako PromptLab využíva technológiu Streamlit na automatické prispôsobovanie výziev za účelom dosiahnutia lepšej jasnosti a presnosti vo vašich projektoch. Oboznámte sa s intuitívnym rozhraním, ktoré vám umožní porovnávať výsledky a optimalizovať pracovné postupy.

Základní pojmy v datovém modelování | Mňamka #457

Základní pojmy v datovém modelování | Mňamka #457

Co je to datový model? Jaký je rozdíl mezi konceptuálním a logickým modelem? A k čemu slouží proces tzv. normalizace? Bez datového modelování se dnes v BI obejdete už jen stěží, Kuba si o něm proto připravil krátkou minisérii, ve které si vše probereme od úplných základů. V prvním díle se seznámíme s nejdůležitějšími pojmy, které byste v této souvislosti měli znát, a na jednoduchém příkladu z oblasti sales si ukážeme, jak takový datový model vlastně vypadá. Tak pojďme na to!

MAQL II. - MAQL Reuse factů & Nesting metrik | Mňamka #454

MAQL II. - MAQL Reuse factů & Nesting metrik | Mňamka #454

Proč se vyplatí recyklovat metriky v MAQL? Máme tady pokračování naší krátké minisérie o dotazovacím jazyku MAQL od Péti. V minulém díle jsme si osvětlili základní rozdíl mezi SQL a MAQL a dnes se zaměříme na výhody metrik vytvořených pomocí MAQL a jejich recyklaci. Funguje to přitom podobně jako v případě klasické recyklace surovin. Pokud ji dělat nebudete, ušetříte si možná půl minutky práce, v budoucnu se vám to ale může velmi nepříjemně vrátit. Tak se na to pojďte podívat!