Блог. RU

Как работают псевдо-консультанты Power BI

В рыночных отношениях клиент и консультант стремятся прежде всего к своей собственной выгоде: один — дешевле купить услугу, другой — дороже ее продать. Минимизация затрат консультантов Power BI скрыта в псевдо преимуществах – собственное решение из коробки. В итоге настройка системы выполняется методом  “подгонки” данных клиента под готовый шаблон. 

В результате:

  • Не выполнен анализ качества данных в источниках клиента, не предоставлены рекомендации по повышению чистоты данных
  • В поле зрения консультантов только узкий спектр информации, не раскрыт максимальный потенциал данных
  • Шаблон предполагает набор показателей которые клиенту не знакомы, сложны в понимании и не востребованы внутри компании. Клиент просто не понимает, что на самом деле происходит, и не отдает себе отчета, что платит лишние деньги 
  • Внедряя новую систему зачастую псевдо-консультанты не допускают к работе персонал компании клиента, с целью дальнейшего развития системы только с привлечением тех же консультантов

Так же зачастую мы сталкиваемся с отсутствием технических знаний специалистов внедрения продуктов бизнес аналитики:

  • Узкие знания линейки продуктов Microsoft, как результат некорректный подбор технологии под потребности клиента
  • Отсутствие компетенций в процессе распаковки, трансформации и загрузки данных (ETL) из источников. Как результат отсутствие части данных в конечной модели.
  • Отсутствие компетенций по построению хранилища данных для системы бизнес аналитики, как результат низкая скорость и возможность масштабирования решения.
  • Отсутствие компетенции в написании оптимальных формул расчетных показателей, как результат низкая скорость отражения информации в бордах.

По роду своей деятельности часто встречаем компании с внедренным Power BI. Яркие примеры:

  1. Бизнес Horeca – данные по чекам забирают из 1С, хотя имеется Front система. В результате анализа источника выявлены отклонения с первичным источником. В итоге – не корректное количество чеков и всех производных показателей.
  2. У одного из клиентов настроено ”Озеро данных” из Excel файлов для аналитической системы. Подготовка и выгрузка файлов легла на плечи Заказчика. Как результат было нарушено правила “целостности” данных, простым языком – часть данных не попала в отчетность.  
  3. У клиента розничной торговли модель настроена напрямую в СУБД основной транзакционной системы. В результате получили двойную нагрузку на базу и как следствие медленные  отчеты в Power BI и недовольные клиенты в магазине.


Правильный подход к внедрению продукта бизнес аналитики:

  • Изучение бизнес модели клиента
  • Проведение встреч с ключевыми участниками для сбора и анализа требований клиента
  • Анализ данных в источниках компании
  • Выделение предметных областей, определение бизнес заказчиков и точек болей
  • Разработка паспорта проекта
  • Согласование модели и технического задания
  • Развёртывание площадки
  • Настройка выгрузки данных из источников
  • Настройка витрин данных
  • Визуализация данных
  • Тестирование заказчиком
  • Настройка доступов
  • Обучение ключевых пользователей
  • Оформление документации
  • Ввод в эксплуатацию

Правильная архитектура с использованием стека Microsoft:

  1. Построение хранилище данных – отдельная база данных в MS SQL Server.
  2. Настройка загрузки данные с использованием службы SSIS – это дает гибкость в процессе распаковки, трансформации и загрузки данных (ETL).
  3. Построение моделей данных в службе SSAS, одно из главных преимуществ — это возможность обновления данных модели частями, высокая скорость отдачи. А также не стоит забывать о настройке персональных доступов к данным через AD, что сильно экономит время поддержки.
  4. Report Server for Power BI – свой портал с неограниченным количеством подключений, он тоже может смотреть в мир. Это позволит настроить борд для собственника в мобильном телефоне.
  5. Знатокам Excel существует возможность подключения к модели в SSAS и построения сводных таблиц на основе данных модели. Также, при необходимости возможно организовать обратную запись данных из Excel в хранилище данных.
  6. И чуть не забыли, есть служба ML (Machine learning). Можно смело использовать данные хранилища и применять пакеты Python либо R.

PS: все это можно собрать как на отдельных облачных сервисах, так и непосредственно на ваших мощностях.