facilitando a análise e a visualização de dados

Nota: O seguinte artigo irá ajudá-lo com: facilitando a análise e a visualização de dados

Misturar conjuntos de dados para gerar insights complexos pode ajudar até mesmo a menor organização a maximizar o valor comercial de seus dados.

A ferramenta de análise Power BI da Microsoft pode não obter a publicidade do restante da Power Platform, mas como a empresa continua investindo em seu aplicativo de negócios e plataforma de automação, ela continua recebendo atualizações regulares com novos recursos. O lote mais recente torna muito mais fácil personalizar modelos e trabalhar com mais fontes de dados e até mesmo usar a análise do Power BI em ferramentas de análise e visualização de terceiros.

Um dos recursos mais importantes do Power BI é o DirectQuery, que fornece um mecanismo para se conectar a fontes de dados externas sem importar os dados para seu próprio repositório de análise local. Embora as importações de dados sempre sejam mais eficientes do que trabalhar com fontes de dados remotas, você pode estar em uma posição em que não pode trazer dados para sua instância do Power BI. Isso pode ser por motivos regulatórios ou de propriedade de dados, ou quando os dados estão mudando rapidamente e não há escopo para importações, ou se você simplesmente não tem capacidade de armazenamento para replicar dados.

Como usar o DirectQuery

As conexões DirectQuery se comportam de maneira diferente das importações padrão. Você cria consultas da mesma maneira que faria para qualquer outra conexão, selecionando fontes e tabelas. A diferença é que nenhum dado é importado e, quando você cria ou atualiza uma visualização, o Power BI consulta a fonte de dados remota como parte do processo de criação de relatório. Isso pode levar algum tempo, especialmente se você estiver trabalhando com conjuntos de dados muito grandes que podem não dar e a consultas na memória ou outras otimizações do Power BI.

Nem todos os conectores com e oferecem DirectQuery, embora você descubra que a maioria dos que oferecem são outras ferramentas de análise de negócios ou são armazéns de grande escala. Isso faz sentido: você não quer gastar todo esse tempo construindo um enorme warehouse Teradata ou configurando o SQL Server Analysis Services para replicar todo esse trabalho dentro do Power BI. Ao criar seus modelos usando ferramentas familiares e, em seguida, usar o Power BI como uma camada de visualização e relatório, você está fazendo o melhor uso dos recursos e conjuntos de habilidades disponíveis, com análises acontecendo em escala em servidores e visualização e exploração em PCs.

Ao usar o DirectQuery, você pode começar a criar em torno desses modelos existentes, combinando-os com dados adicionais para criar análises personalizadas rapidamente. Talvez você tenha um data warehouse de vendas para uma grande loja e queira vinculá-lo aos dados do seu sistema ERP, sem sobrecarregar nenhum sistema com consultas complexas ou preencher servidores de relatórios com terabytes de dados caros. A Microsoft está prometendo mais conectores DirectQuery em versões futuras, concentrando-se em sistemas como esses projetados para funcionar de forma interativa.

Criando relatórios a partir de dados dinâmicos com DirectQuery

Como os modelos de serviços de análise existentes geralmente são construídos em torno de suas próprias medidas, eles já estão usando dados agregados. O DirectQuery pode trabalhar com essas medidas em vez dos dados subjacentes, de modo que você não está duplicando o esforço, adicionando complexidade desnecessária às suas consultas. Agora você pode trabalhar com ferramentas de análise de big data, como o Apache Spark, permitindo que ferramentas especializadas gerenciem dados não estruturados e aproveitem seus recursos especializados de dentro do Power BI sem precisar projetar suas próprias consultas complexas.

Depois de criar uma visualização ou um relatório baseado em uma conexão DirectQuery, a visualização será inicialmente estática, com base na última consulta feita na fonte. Se você atualizar a visualização, ela será recarregada. Se você os estiver usando como blocos em um , precisará configurar uma programação de atualização, geralmente de hora em hora. Ao abrir um relatório, você verá o último estado de atualização e, se desejar dados atualizados fora de uma programação de atualização de relatório, será necessário atualizar os dados manualmente.

VEJO: Truques do menu Iniciar do Windows 10 (TechRepublic )

Há outro bom motivo para usar o DirectQuery: se seus dados precisarem ser seguros, aplicar uma camada de gerenciamento de direitos de o aos dados de origem significa que apenas os dados aprovados serão entregues ao Power BI. A conexão DirectQuery a credenciais do Power BI para a origem, permitindo que dados protegidos sejam liberados para usuários autorizados. A compartimentação de consultas dessa forma garante que os painéis para CEOs e CFOs possam ser testados por equipes de desenvolvimento sem comprometer dados confidenciais.

É importante observar que o DirectQuery limita alguns recursos do Power BI, tanto na criação de modelos quanto na execução de relatórios. Eles não são problemas significativos, mas se você depender de tabelas calculadas, por exemplo, talvez prefira usar uma conexão tradicional. Você está impedido de usar alguns dos recursos baseados em aprendizado de máquina do Power BI, como Quick Insights e perguntas e respostas, pois eles dependem de conjuntos de dados locais para velocidade ou para criar modelos de ML.

Criando análises encadeadas com DirectQuery e Power BI

Onde as coisas ficam interessantes é usando DirectQuery com conjuntos de dados do Power BI e Azure Analysis Services. Lançado recentemente em visualização, permite combinar dados de seus próprios modelos com outros dados, de conexões DirectQuery existentes ou de outras fontes de dados. Talvez você tenha um conjunto de dados aproximado no Excel e queira ver como isso afeta as previsões ou outras análises. Você pode configurar rapidamente uma conexão em tempo real com seus modelos existentes do Power BI e começar a fazer alterações.

Essa abordagem oferece a opção de encadear modelos e conjuntos de dados, começando com, digamos, um modelo do Azure Analysis Services que traz várias fontes em um Azure Data Lake. Com uma conexão DirectQuery no Power BI, você pode misturar isso com outras fontes para criar um novo modelo. Talvez você esteja usando dados de IoT de um parque eólico para mostrar a saída de energia em diferentes velocidades do vento e misturando isso com previsões meteorológicas para produzir um modelo do Power BI que prevê o desempenho do parque eólico. Encadear esse modelo em outro que prevê preços permite que você construa um sistema que sugira o tempo e a quantidade de produção necessária para obter o melhor preço.

VEJO: 60 dicas do Excel que todo usuário deve dominar

Atualmente, você pode encadear até três modelos – mais do que isso causará um erro. Você também precisa estar ciente de que os dados de um modelo podem fluir para outro, possivelmente permitindo vazamento de informações não intencional, especialmente se um dos conjuntos de dados provisórios for uma consulta padrão.

Não é difícil ver a importância desses novos recursos. A Microsoft está trazendo recursos de análise que costumavam exigir quantidades significativas de trabalho de desenvolvimento em suas ferramentas de business intelligence para desktop. A combinação de conjuntos de dados para gerar insights complexos pode ajudar até mesmo a menor organização a obter o máximo valor comercial de seus dados, desde big data no Azure até painéis direcionados em desktops executivos em poucas consultas. As informações resultantes ajudarão esses executivos a tomar melhores decisões, de maneira muito mais oportuna. Em um mundo incerto, isso é algo que vale a pena construir.

Table of Contents