Allgemeine Begriffe in Microsoft Power BI:
•App
Begriffe, die die Datenstruktur betreffen:
•Facts (Measures) und Dimensions
•Data Warehouse (DWH) (Datenlager)
Ein Bericht bietet Ihnen eine differenzierte Sicht auf einen Datensatz auf einer oder mehreren Seiten. Jede Seite enthält eine Vielzahl von Visualisierungen, die verschiedene Ergebnisse und Erkenntnisse aus diesem Datensatz darstellen.
Siehe Berichte für eine detaillierte Erklärung.
Die Folgende Abbildung zeigt den 6-seitigen Bericht "BIZ - Commercial“, in diesem Fall die Seite "Overview".
Eine Visualisierung ist eine visuelle Darstellung von Daten, z. B. ein Diagramm, eine Grafik, eine farbcodierte Karte usw., mit denen Sie Ihre Daten visuell darstellen können.
Siehe Welche Kacheltypen gibt es? und Wie können Sie mit den Visualisierungen interagieren? für weitere Informationen.
Die folgende Abbildung zeigt verschiedene Visualisierungen für "Margins".
In Power BI ist eine Kachel eine einzelne Visualisierung in einem Bericht oder Dashboard.
Ein Dashboard fasst die wichtigsten Visualisierungen aus verschiedenen Berichten auf einer einzigen Seite zusammen.
Im Beispiel sehen Sie ein „CEO Dashboard“.
Zu diesem Thema gibt es ein Video:
Video Tutorial: Leistungsfähigkeit von Dashboards
Eine App ist eine Sammlung von Dashboards und Berichten, die erstellt wurde, um Schlüsselzahlen für Ihre Organisation bereitzustellen.
Die folgende Abbildung zeigt die App "Prinect Smart BI".
Ein Dataset ist eine Sammlung von Daten, mit denen Power BI die Visualisierungen erstellt. Ein Dataset kann z. B. eine einfache Excel-Tabelle sein. Datasets können auch eine Kombination aus vielen verschiedenen Quellen sein, die Sie filtern und kombinieren können.
Heidelberg liefert mehrere Datasets für die Visualisierung Ihrer Geschäfts- und Produktionsdaten:
•Production ("Production")
•Job Profibility ("Business")
•Invoices ("Business")
•Invoice Profibility ("Business")
•Sales Order Intake ("Business")
•Job Profibility ("Business")
•Productivity („Business“)
•Profibility ("Business")
Facts (Measures) und Dimensions
Facts (Measures) und Dimensions sind die kleinsten Bestandteile des Datensatzes. Sie sind die Daten, aus denen schließlich die Abfragen und Diagramme erstellt werden (z. B. Bestellmenge, Versandmenge, Gutbogen, Makulaturbogen, Standort, Maschine, Monat, Kunde usw.).
Dabei sind Facts (Measures) alle messbaren Daten (Bestellmenge, Versandmenge, Gutbogen, Makulaturbogen usw.).
Dimensions sind Daten, mit denen die Facts (Measures) gruppiert werden (Standort, Maschine, Monat, Kunde usw.).
Aus den Facts (Measures) und Dimensions können z. B. folgende Abfragen erzeugt werden:
•Bestellmenge des jeweiligen Kunden
Makulaturquote pro Monat und Maschine
Data Warehouse (DWH) (Datenlager)
Als Data Warehouse (Datenlager) wird eine Datenbank bezeichnet, in der unterschiedliche Daten, Fakten und Informationen, die im laufenden Geschäftsbetrieb anfallen, in einer einheitlichen Form zusammengefasst werden. Dadurch entsteht ein unternehmensinterner Datenpool, auf den die Geschäftsführung bei Entscheidungen aller Art zurückgreifen kann.
Größere Unternehmen nutzen gewöhnlich mehrere Datenbanken und Datenbanksysteme, um ihre Kunden- und Rechnungsdaten zu verwalten, den Lagerbestand zu kontrollieren und die Buchhaltung abzuwickeln. In der Regel entstehen dabei große, heterogene Datenmengen.
Im Data Warehouse werden diese heterogenen Datenbestände in einem einheitlichen Format zusammengefasst, sobald der jeweilige Geschäftsvorgang abgeschlossen ist. In diesem Sinne stellt Data Warehouse ein Archiv dar, auf dessen Informationen schnell zugegriffen werden kann. Zudem können in dieser Datenbank auch Informationen gespeichert werden, die zunächst keinem Geschäftsvorgang zuzuordnen sind, aber später für das Unternehmen interessant werden könnten.
Ein Data Mart ist eine Kopie des Teildatenbestandes eines Data Warehouse (DWH), die für einen bestimmten Organisationsbereich oder eine bestimmte Anwendung oder Analyse (siehe unten) erstellt wird. Es kann auch als Teilansicht auf das Data Warehouse oder nicht-persistenter Zwischenspeicher verstanden werden.
Gründe für das Arbeiten mit einem Data Mart ("Kopien" aus dem Data Warehouse) anstelle des direkten Zugriffs auf die Daten im Data Warehouse anhand von Sichten (Views) sind:
•Die Notwendigkeit spezieller Datenstrukturen (die in dieser Form nicht im DWH vorhanden sind) für bestimmte Analysen, z. B. für die mehrdimensionale Analyse, das sogenannte Online Analytical Processing (OLAP).
•Bessere Leistung (Performance): Verlagerung von Rechnerleistung auf einen anderen Rechner und/oder Verlagerung von Zugriffen auf einen anderen Speicher und/oder im Falle von lokaler Nutzung weniger Netzbelastung.
•Eigenständigkeit der Anwender (z. B. Mobilität, Unabhängigkeit von anderen Organisationsbereichen). Unterscheidung zu
•Zugriffsschutz: Abgrenzung gegenüber anderen Nutzern oder Öffnung für weitere Nutzer (es wird nicht direkt auf die Daten im Data Warehouse zugegriffen, sondern nur indirekt über den Data Mart).
•Durch den Einsatz von Data Marts kann auf das jeweilige Anwendungsgebiet (fachlich), das Zielsystem (technisch) und die Anwender (organisatorisch) weitgehend Rücksicht genommen werden.
Das Datenmodell eines Data Marts entspricht häufig einer multidimensionalen oder OLAP-Struktur. Die technische Realisierung dieses Datenmodells kann als multidimensionale Datenbank, als relationale Datenbank oder zunehmend auch im Arbeitsspeicher des Rechners erfolgen.
Ein Cube (Domain) ist eine analytische Datenbank für Informationen. Ein Cube (Domain), wird auch als OLAP-Würfel oder Datenwürfel bezeichnet und dient zur logischen Aufbereitung von quantitativen Daten. Die Daten werden dabei als Elemente eines mehrdimensionalen Würfels angeordnet und kommen in der Regel aus einem strukturierten Data Warehouse bzw. Data Mart. Die Dimensionen des Würfels beschreiben die Daten und erlauben auf einfache Weise den Zugriff. Daten können über eine oder mehrere Achsen des Würfels ausgewählt werden. Die Bezeichnung OLAP (Online Analytical Processing) stammt aus der Datenanalyse.
Diese Art der Darstellung ist für die Analyse von Daten von Vorteil, da auf verschiedene Aspekte (Dimensionen) der Daten auf gleiche Weise zugegriffen wird. Daher auch der Einsatz bei OLAP-Anwendungen, welche die Daten in einem Data Warehouse analysieren oder visuell aufbereiten.
Es können beispielsweise Umsätze, Lagerbestände und Verkäufe analysiert werden. Zu den Dimensionen, die hier wichtig sein können, zählen beispielsweise Zeit, Filiale, Verkäufer und Produkt.
Der Würfel stellt also Daten (auch Fakten genannt), Umsatz, Lagerbestand, Verkäufe abhängig von den Dimensionen Zeitraum, Filiale, Verkäufer, Kunde und Produkt dar.
Es lassen sich somit sehr leicht die folgenden Fragen beantworten:
Wieviel Papier wurde vergangene Woche in der Druckerei Marburg verbraucht?
Wieviel Papier befindet sich dort im Lager?
Welcher Verkäufer hat am meisten verkauft?
Welche Druckerei hat vergangenes Jahr den meisten Umsatz gemacht?
HD Datenschutzerklärung | Impressum | Prinect Know How