Wenn ich die Power BI-Umgebung eines Kunden betrete, gibt es drei Dinge, nach denen ich fast sofort schaue.
- Ist Auto date/time deaktiviert?
- Sind die semantischen Modelle um einen klaren analytischen Zweck herum entworfen?
- Gibt es irgendeine Form von Versionskontrolle?
Warum gerade diese drei? Weil sie mir früh einen Hinweis auf drei verschiedene Bereiche der Reife geben:
- Versteht man Power BI als Werkzeug?
- Versteht man dimensionale Modellierung?
- Behandelt man die Power BI-Entwicklung als Softwareentwicklung?
Natürlich sind das keine endgültigen Maßstäbe für die Erfahrung einer Person. Es gibt immer Ausnahmen. Aber sie sind überraschend nützliche Hinweise darauf, wie eine Umgebung entworfen, entwickelt und gepflegt wurde. Schauen wir uns an, warum sie wichtig sind. Und wenn Sie möchten, dass wir Ihre Umgebung bewerten, laden Sie unser Health-Check-Formular herunter, um mehr zu erfahren.
Versteckte Auto date/time-Tabellen
Auto date/time ist eine dieser Einstellungen in Power BI Desktop, die leicht unbemerkt bleiben. Ist sie aktiviert, und das ist standardmäßig der Fall, erstellt Power BI für jede geeignete Datumsspalte in Import-Modellen automatisch eine versteckte Datumstabelle. Jede Tabelle hat eine eigene berechnete Datumsspalte und zusätzliche Spalten für gängige Datumsattribute. Und normalerweise sehen Sie diese Tabellen nicht, wenn Sie sich Ihr Modell ansehen.
Je nach Daten können so mehrere zusätzliche Tabellen entstehen, ohne dass Sie es merken. Warum ist das wichtig? Weil diese Tabellen Speicher belegen, das Modell vergrößern und die Aktualisierung verlangsamen können. Und vielleicht noch wichtiger: Sie sind nicht unbedingt die beste Grundlage für eine einheitliche Time Intelligence in Ihrer gesamten Analyselösung.
Für die meisten Produktivmodelle empfehle ich stattdessen eine richtige Datumsdimension. Eine, die Sie selbst kontrollieren und für alle Faktentabellen wiederverwenden können. Auto date/time ist nicht grundsätzlich falsch, aber es ist eine Einstellung, die Sie verstehen und bewusst einsetzen sollten.
Monster-Modelle
Das ist wahrscheinlich der Bereich, der mir am meisten am Herzen liegt. Und ich sehe ihn überraschend oft.
Ein semantisches Modell beginnt mit dem Vertriebsreporting. Dann braucht jemand den Lagerbestand. Dann den Einkauf. Dann die Finanzen. Und anstatt zu überlegen, ob diese Anforderungen zusammengehören, kommen immer mehr Tabellen, Beziehungen und Measures hinzu. Am Ende steht ein riesiges Modell, das jede Frage beantworten soll, die das Unternehmen überhaupt stellen könnte.
Aber nur weil Sie alles in ein semantisches Modell packen können, heißt das nicht, dass Sie es tun sollten.
Mehrere Faktentabellen sind dabei nicht grundsätzlich falsch. Ein gut entworfenes Modell kann durchaus mehrere Faktentabellen enthalten, sogar mit unterschiedlicher Granularität. Entscheidend ist, dass das Modell einen klar definierten analytischen Zweck hat und jede Faktentabelle eine einheitliche Granularität. Werden diese Prinzipien übersehen, wird es schnell kompliziert. Beziehungen werden schwerer verständlich. DAX-Measures werden immer komplexer. Entwickler bauen Workarounds, und Anwender beginnen, die Zahlen anzuzweifeln.
Ein großes Modell ist nicht automatisch ein schlechtes Modell. Aber Komplexität sollte beabsichtigt sein und nicht das Ergebnis davon, immer mehr hinzuzufügen, ohne das Design zu überdenken.
Wenn Sie vor einem Monster-Modell stehen, ermitteln Sie zuerst, welche Analysebereiche es abdecken muss. Vielleicht finden Sie Möglichkeiten, Zuständigkeiten zu trennen, Dimensionen wiederzuverwenden und Modelle zu schaffen, die leichter zu verstehen und zu pflegen sind.
Das Ziel ist nicht, möglichst viele semantische Modelle zu erstellen. Sondern die richtigen.
Entwicklung mit Versionskontrolle
Als Drittes achte ich auf Versionskontrolle. Ganz gleich, ob Sie einen Entwickler haben oder ein ganzes Team. Was passiert, wenn jemand eine Änderung einführt, die etwas kaputt macht, das gestern noch funktioniert hat? Können Sie feststellen, was sich geändert hat? Können Sie zurück? Und können mehrere Entwickler zusammenarbeiten, ohne die Arbeit der anderen zu gefährden?
Besteht Ihre Versionskontrolle aus einem Ordner voller PBIX-Dateien namens Final, Final_v2 und Final_ReallyFinal, ist es vielleicht Zeit, Ihren Ansatz zu überdenken.
Mit Power BI Projects (PBIP), textbasierten Modell- und Berichtsdefinitionen und der Git-Integration haben wir viel bessere Möglichkeiten, die Power BI-Entwicklung zu steuern. Aber die Werkzeuge selbst sind nicht das Wichtigste.
Es geht um einen bewussten Prozess, um Änderungen zu steuern, zu schützen, was funktioniert, und mit Zuversicht weiterzumachen. Power BI-Entwicklung ist Softwareentwicklung. Sie verdient die gleiche Aufmerksamkeit für Qualität und Wartbarkeit.
Drei Prüfungen. Drei Perspektiven.
Diese drei Prüfungen verraten mir nicht alles über die Qualität einer Power BI-Umgebung. Aber zusammen sind sie ein nützlicher Ausgangspunkt.
Sie sagen mir etwas darüber, wie gut die Organisation das Werkzeug versteht, die Prinzipien der dimensionalen Modellierung und die Praktiken, die nötig sind, um Analyselösungen über die Zeit zu pflegen.
Und letztlich wirken sich alle drei auf das Geschäft aus. Leistung, Zuverlässigkeit, Wartbarkeit und das Vertrauen, das Anwender in ihre Berichte haben.
Einen Bericht zu bauen, der heute funktioniert, ist das eine. Eine Analyselösung zu bauen, die weiter Wert liefert, während sich das Unternehmen verändert, ist etwas ganz anderes.
Wie steht Ihre Power BI-Umgebung da?
Wenn Sie nicht sicher sind, wie Ihre Umgebung bei diesen Grundlagen dasteht, oder Sie bereits Leistungsprobleme, komplizierte Modelle oder Schwierigkeiten bei der Steuerung der Entwicklung erleben, helfen wir Ihnen gern.
Unser Analytics Health Check liefert eine unabhängige Bewertung Ihrer Analyseumgebung und hilft, Risiken, Verbesserungsmöglichkeiten und die richtigen Schwerpunkte zu erkennen.
Denn zu wissen, was sich verbessern lässt, ist oft der erste Schritt, um mehr aus dem herauszuholen, was Sie bereits aufgebaut haben.
Neugierig auf Ihre Umgebung? Nehmen Sie Kontakt auf oder starten Sie mit unserem Analytics Health Check.
