Miten liiketoimintalogiikka kannattaa toteuttaa Power BI:ssä?
Helborgilla etsimme jatkuvasta tapoja luoda asiakkaillemme mahdollisimman toimivia ja dynaamisia raportteja, jotka tekevät datasta tehokkaan työkalun johdon päätöksenteon tueksi. Olemme myös kohdanneet alalla tiettyjä uskomuksia nimenomaan Power BI:hin liittyen, joihin olemme kokemuksen myötä muodostaneet oman näkemyksemme. Yksi näistä on se, että Power BI:n päälle tulee tehdä mahdollisimman vähän logiikkaa tai laskentaa.
Onko todella näin, vai voisiko kaiken laskennan jopa toteuttaa Power BI:n puolella? Tässä on meidän suosituksemme:
Onko riski lisätä liiketoimintalogiikka Power BI:ssä?
Ratkaisua suunniteltaessa syy miksi laskentaa ja logiikkaa ei haluta toteuttaa Power BI:ssä on yleensä huoli siitä, että ratkaisut jäävät Power BI:ssä vain yhteen malliin - eräänlaiseen “mustaan aukkoon”.
Tämä riski on pieni, jos datan ja tietomallin perusta on fiksusti rakennettu. Kun laskenta ja logiikka tehdään Power BI:ssä, saadaan datasta itseasiassa paljon dynaamisempaa ja monipuolisempaa, koska Power BI:n mittarit sallivat datan yhdistelyn ja liiketoimintalogiikoiden luomisen kantaa monipuolisemmin.
Toinen riski nähdään siinä, että täysin raakamuotoisen datan tuominen Power BI:hin tekee raporteista hitaampia, erityisesti jos tietomalli ja mittarit ovat tehottomasti rakennettuja. Tämä puoli onkin tärkeä huomioida suunnittelussa, jotta raporteissa toteutuu liiketoiminnan kannalta hyvä tasapaino mahdollisimman monipuolisen ja nopeasti saatavilla olevan datan välillä.
Milloin logiikka kannattaa tehdä täysin kannassa?
Kun laskennat ja logiikka tehdään kannassa, on raporttien luominen Power BI:n puolella nopeampaa ja helpompaa. Jos tavoite on luoda yritykselle yksinkertainen ja staattinen raportti, jossa lasketaan esimerkiksi summia ja keskiarvoja, valmiiksi laskettu data voi olla toimiva ratkaisu. Mutta jos tavoitteesi on pystyä hyödyntämään dataa monipuolisemmin ja pystyä tekemään siitä monipuolisempia päätelmiä, jää tällä tavalla toteutettu raportti turhan yksitasoiseksi.
Tehokkain raportointi syntyy yhdistelmällä
Kuten arvata saattaa, parhaat Power BI-raportoinnin ratkaisut syntyvät näiden kahden vaihtoehdon yhdistelmällä. Meidän näkemyksen mukaan on aina hyvä idea aggregoida dataa sekä viedä osan loogiikasta kantaan, mutta vain sen verran kuin on tarpeellista. Kärjistettynä, jos logiikka tehdään pelkästään datakerrokseen, raportit jäävät usein yksinkertaiseksi ja mahdollistavat vain tiedon katselun. Sen sijaan kun raporttien logiikkaa tuodaan myös Power BI:n puolelle, tarjoavat raportit myös aidosti analysoitavaa tietoa ja ovat hyödyllinen työkalu liiketoiminnan johtamisen tueksi.
Power BI:n asiantuntijoina meidän tehtävä Helborgilla on kertoa asiakkaillemme, miten nämä ratkaisut on juuri heidän datan ja liiketoiminnan tarpeiden kannalta parasta toteuttaa. Lisäksi olemme huomanneet, että Power BI on myös tehokas työkalu sen kartoittamiseen, minkälaista dataa yrityksessä tarvitaan. Projektin aloittamisessa ei siis tarvitse vielä tietää, mitä tietoa datasta tarkalleen pitää saada irti. Tällöin Power BI:hin kannattaa tuoda mahdollisimman monipuolinen data, jotta sitä voi peilata liiketoiminnan määrityksiin peilaten. Kun datan ja raportoinnin tarpeet on selvät, voidaan laskentaa aina siirtää myöhemmin tietokannan puolelle.
Esimerkki laskennan ja logiikan määrityksestä
Projektin alussa on usein tiedossa perustason tarpeet raportoinnille, kuten kuukausittaiset myyntiluvut liiketoiminnoittain, tiimeittäin ja tuotteittain. Tämä ei usein kuitenkaan anna tarpeeksi syvällistä tietoa liiketoiminnalle, vaan yleensä nousee tarve saada datasta syvempää tietoa irti. Miltä myynti näyttää päivä- tai viikkotasolla? Miksi katteet laskevat? Kannattaako kaikkia tuotteita myydä kaikilla alueilla? Mitkä asiakkaat ovat kannattavimpia? Kuinka moni asiakas on lähdössä? Mikä yhdistää pitkiä asiakkuuksia? Miten hintamuutos on vaikuttanut asiakasmäärään ja liikevaihtoon?
Jos tällaisessa tilanteessa raportointi olisi valmiiksi aggregoitu kannassa aluperin annettujen tarpeiden mukaan, pitäisi datakerros rakentaa osittain tai täysin uudelleen raportoinnin tarpeiden laajentuessa. Sen sijaan, kun data on viety kantaan mahdollisimman granulaarisella tasolla ja laskenta toteutetaan pääosin Power BI:ssä, ei datakerrokseen tarvitse tehdä jatkossa suuria muutoksia. Tämä säästää aikaa ja resursseja, sillä alkuperäisen datan avulla Power BI:ssä voi toteuttaa uusia, monipuolisempia raportteja, joista saa laajemmin liiketoiminnalle hyödyllistä tietoa irti.
Yksi asia mitä kuitenkin kannattaa välttää on isommat datan muokkaukset Power BI:n kyselyn puolella. Aina se ei ole kuitenkaan mahdollista. Query Editor:ssa voi tehdä paljon, mutta se voi johtaa hitaasti päivittyvään tietomalliin, vaikka datamäärä ei olisikaan suuri. Erityisesti Append- ja Mege- toiminnot sekä aggregoinnit ovat raskaita, ja niitä tulisi välttää. Pienemmissä datan muokkauksissa, rivikohtaisessa laskennassa ja yksinkertaisissa korjauksissa Power BI:n Query Editor on kuitenkin hyvä työkalu.