Блог. UA

Як працюють псевдо-консультанти Power BI

У ринкових відносинах клієнт та консультант прагнуть передусім до своєї власної вигоди: один — дешевше купити послугу, інший — дорожче її продати.

Мінімізація витрат консультантів Power BI прихована у псевдо перевагах – власне рішення із коробки. В результаті налаштування системи виконується шляхом «підгонки» даних клієнта під готовий шаблон.

В результаті:

  • Не виконаний аналіз якості даних у джерелах клієнта, не надані рекомендації щодо підвищення чистоти даних.
  • У полі зору консультантів лише вузький спектр інформації, не розкритий максимальний потенціал даних.
  • Шаблон передбачає набір показників, які клієнту не знайомі, складні в розумінні і не затребувані всередині компанії. Клієнт просто не розуміє, що насправді відбувається, і не усвідомлює, що платить зайві гроші.
  • Впроваджуючи нову систему часто псевдо-консультанти не допускають до роботи персонал компанії клієнта, з метою подальшого розвитку системи тільки із залученням тих самих консультантів.

Також ми часто зіштовхуємось з відсутністю технічних знань фахівців впровадження продуктів бізнес-аналітики:

  • Вузькі знання лінійки продуктів Microsoft, як результат некоректного підбору технології під потреби клієнта.
  • Відсутність компетенцій у процесі розпакування, трансформації та завантаження даних (ETL) із джерел. Як результат відсутність частини даних у кінцевій моделі.
  • Відсутність компетенцій щодо побудови сховища даних для системи бізнес-аналітики, як результат, низька швидкість і можливість масштабування рішення.
  • Відсутність компетенції у написанні оптимальних формул розрахункових показників, як наслідок низька швидкість відображення інформації у бордах.

За родом своєї діяльності часто зустрічаємо компанії із впровадженим Power BI. Яскраві приклади:

  • Бізнес Horeca – дані по чеках забирають з 1С, але є Front система. В результаті аналізу джерела виявлено відхилення з первинним джерелом. У результаті – не коректна кількість чеків та всіх похідних показників.
  • В одного із клієнтів налаштовано ”Озеро даних” із Excel файлів для аналітичної системи. Підготовка та вивантаження файлів лягла на плечі Замовника. Як результат було порушено правила "цілісності" даних, простою мовою – частина даних не потрапила до звітності.
  • У клієнта роздрібної торгівлі модель налаштована безпосередньо в СУБД основної системи транзакції. В результаті отримали подвійне навантаження на базу і, як наслідок, повільні звіти в Power BI та незадоволені клієнти в магазині.

Вірний підхід до впровадження продукту бізнес-аналітики:

  • Вивчення бізнес-моделі клієнта
  • Проведення зустрічей із ключовими учасниками для збору та аналізу вимог клієнта
  • Аналіз даних у джерелах компанії
  • Виділення предметних областей, визначення бізнес замовників і точок болю
  • Розробка паспорту проекту
  • Погодження моделі та технічного завдання
  • Розгортання майданчика
  • Налаштування вивантаження даних із джерел
  • Налаштування вітрин даних
  • Візуалізація даних
  • Тестування замовником
  • Налаштування доступів
  • Навчання ключових користувачів
  • Оформлення документації
  • Введення в експлуатацію

Вірна архітектура з використанням стеку Microsoft:

  • Побудова сховища даних – окрема база даних у MS SQL Server.
  • Налаштування завантаження даних із використанням служби SSIS – це дає гнучкість у процесі розпакування, трансформації та завантаження даних (ETL).
  • Побудова моделей даних у службі SSAS, одна з головних переваг – це можливість оновлення даних моделі частинами, висока швидкість віддачі. А також не варто забувати про налаштування персональних доступів до даних через AD, що заощаджує час підтримки.
  • Report Server for Power BI – свій портал з необмеженою кількістю підключень, він теж може дивитися у світ. Це дозволить налаштувати борд для власника в мобільному телефоні.
  • Знавцям Excel існує можливість підключення до моделі в SSAS та побудови зведених таблиць на основі даних моделі. Також, при необхідності, можливо організувати зворотний запис даних з Excel у сховище даних.
  • І мало не забули, є служба ML (Machine learning). Можна сміливо використовувати дані сховища та використовувати пакети Python або R.

PS: все це можна зібрати як на окремих хмарних сервісах, так і безпосередньо на ваших потужностях.