Som konsult levererar jag och mina kollegor Qlik-lösningar mot en mängd olika företag och verksamheter som sedan används av flera anställda i organisationen inom olika användningsområden. I många fall lär sig användarna på egen hand att använda applikationen genom att undersöka och leta i datamängder som utan Qlik hade varit en oändlig labyrint att navigera i. Självfallet försöker vi som konsulter bygga med en tydlig struktur så att användaren lätt kan dra olika slutsatser men tyvärr sitter vi inte ute hos varje enskild individ vid varje användningstillfälle och de flesta användare är tyvärr mindre involverade i diskussionerna och arbetet som leder fram till en färdig Qlik-applikation än man önskar som utvecklare. Detta ställer höga krav på mig som utvecklare att förstå kundens utmaningar men jag tror det skulle hjälpa många användare om de förstår en del av den metodik vi utvecklare använder. Idag tänkte jag därför förklara tankesättet bakom DAR.

Många diskuterar vad som definierar en bra Qlik-applikation. Ska den vara visuellt tilltalande? Presenteras relevant data på rätt sätt? Eller kanske är det en kombination av ett flertal faktorer? Detta är frågor vi kan diskutera i all oändlighet och i en viss grad även komma överens om. Däremot känner jag, som utvecklare, att det finns en fråga som sällan ställs; Förstår användaren applikationens struktur och är inte det den viktigaste delen att börja med? Det identifierar hur jag som utvecklare tänkt att applikationen ska användas.

DAR står för Dashboard, Analysis och Reports och det är vanligtvis dessa tre delar som tillsammans utgör en fullständig Qlik applikation. DAR är en metodik som vi på Vimur uppskattar och som är rekommenderad av Qlik, bland annat för att den ger tydlighet och struktur för både utvecklare och användare.

Dashboard är första arket av en applikation och är generellt bara ett enda ark, även om det givetvis förekommer undantag. För att enklare förstå, tänk er ett berg av information. Första arket är toppen av berget och här hittar användaren vanligtvis olika KPI:er, stapeldiagram och linjediagram för att snabbt få en överblick över status och senaste trenderna. Med ett fåtal klick ska användaren få snabb tillgång till den allra viktigaste informationen. Dock kan det få användaren att ställa följdfrågor. Varför har försäljningen gått sämre den här månaden i jämförelse med förra? Varför har vi flera försenade leveranser? Varför säljer den här butiken bättre det här kvartalet i jämförelse med samma kvartal, föregående år? För att svara på dessa frågor måste vi gå djupare ner i informationsberget.

Efter Dashboard-fliken bör användaren hitta en eller flera Analys-flikar. Flikarna här är oftast mer interaktiva och du som användare ska kunna börja besvara frågor som har uppstått tidigare. Du lär även upptäcka att det finns en större variation på diagrammen och vanligtvis kan en användare spendera mer tid här än i en Dashboard-flik. Data blir dessutom mer detaljerad och visualiseras på ett sätt som möjliggör en mer noggrann dataanalys.

Slutligen finner vi Rapport-fliken eller flikarna. Här ska du som användare hitta den allra mest detaljerade informationen och spendera mest tid på. Dessa arken är tänkta att möjliggöra beslutsstödsunderlag genom flest antal klick. Här hittar vi främst raka- och pivottabeller där du genom olika selektioner kan gräva ner dig till den allra djupaste delen av berget. Ingen ytlig information finns här, istället ska du som användare befinna dig på ett ark som besvarar frågor och leder till riktiga insikter. Genom att sortera och filtrera i tabellerna kan du dessutom vända och vrida på data på ett sätt som är lämpligt i en aktuell situation.

DAR strukturen är ett best-practice som många utvecklare idag väljer att använda för att förenkla dataupptäckter på olika nivåer. Det blir ofta tydligare för användaren när det råder en struktur som leder användaren på en resa som börjar i toppen och gradvis blir alltmer detaljerad. För att maximera strukturens effektivitet krävs det å andra sidan att användaren förstår utvecklarens tankegång. Detta uppnås givetvis genom god kommunikation och en iterativ process där utvecklaren bygger applikationer som passar verksamheten. Men förstår användaren DAR tror jag dessutom till att användarna lättare kan komma med synpunkter på applikationen. Den är trots allt ämnad för en verksamhet som de känner till bättre än konsulten.

BI-konsult Malmö

Ahmad Gazzawi
BI-konsult på Vimur AB

Som BI konsulter möter vi ofta representanter från små till medelstora bolag vars verksamheter vuxit de senaste åren. Många vi träffar har gått från att kunna fatta operativa beslut baserat på magkänsla till att behöva gör allt fler och mer komplexa beräkningar i Excel. När detta inte längre räcker till kan det bli aktuellt att skaffa ett BI system, då hamnar Power BI och Qlik Sense med rätta högt upp på listan som potentiella BI system. Båda produkterna är lämpliga för dataanalys och rapportering men vilken plattform ska man då välja?

Det finns otaliga inlägg och analyser (t.ex. Gartner Magic Quadrant for Analytics and Business Intelligence Platforms) som jämför dessa plattformar och slutsatsen är att vilken plattform som passar bäst beror på hur datakällorna ser ut och vad användarna behöver.

Ständig utveckling

Det är viktigt att känna till att både Power BI och Qlik Sense är två produkter som utvecklas och får nya funktioner flera gånger per år. Var noggrann med att kontrollera den information ni finner så den inte är för gammal, för faller avgörandet på grund av att en specifik förmåga saknas i någon av programmen så kan det vara så att denna feature precis har lanserats i produkten.

Vi behöver olika

Båda beslutsstöden har en mängd förmågor och möjligheter för att integreras med tjänster för avancerad dataanalys och stora datamängder. Med det sagt så för någon som kommer från Excel så är det viktigare att förstå vad produkterna kan erbjuda för den som behöver bygga upp en BI förmåga från grunden till en rimlig kostnad.

Rent tekniskt

Ett BI system skall i första hand hämta, transformera och presentera data (extract, transform, load) från många olika källor för ett antal användare.

Det som sker bakom kulisserna är att tabeller med källdata räknas om, filtreras och rättas så att man slutligen har ett antal tabeller som hänger ihop på ett korrekt sett i vad vi kallar en Datamodell. Denna datamodell bygger man sedan rapporter på i form av tabeller och diagram som användarna interagerar med.

Här, i hur deras förmåga fungerar med att hantera flödet från källsystem till datamodeller, har Power BI och Qlik Sense viktiga skillnader.

Power BI

Med Power BI Pro kan vi i nuläget inte spara och återanvända tabeller mellan applikationer. Det betyder att om man behöver i flera applikationer använda samma beräknade tabell så måste den beräknas på flera ställen, vilket ökar risken för fel och ökar även tiden det tar att utveckla och underhålla företagets BI system.

Qlik Sense

Med Qlik Sense kan man spara och återanvända tabeller igenom flödet vilket förenklar livet om vi behöver ha flera olika applikationer t.ex. för inköp, produktion och försäljning. Ska mycket data analyseras är det också viktigt att inte behöva räkna om tabeller flera gånger.

Av den anledningen rekommenderas det att använda en databas tillsammans med Power BI om man behöver göra något annat än enklare behandling av källdatat. Databasen (Data Warehouse) har förmågan att spara tabeller som återanvänds igenom flödet men öppnar också upp möjligheter att med säkerhet spara data samt använda datan med andra applikationer än Power BI. Men man ska veta att en databas är en dyr historia.

Användaren

När vi väl har gjort våra beräkningar så behöver informationen visualiseras med kpi-kort, tabeller och diagram. Både Power BI och Qlik Sense är kompetenta visualiseringsverktyg där också användaren har möjlighet att skapa egna rapporter som de kan dela med kollegor. En stor skillnad mellan Power BI och Qlik Sense är hur programmen hanterar selektioner och filtrering. I båda programmen används filter för att begränsa vad rapporterna visar som till exepmpel ett filter för vilken månad eller kund vi vill visa beräkningar för. Skillnaden mellan dem är att i Qlik Sense så är filtreringen mer intuitiv och användaren ser vad som är bortvalt vilket möjliggör kraftfullare analyser, exempelvis att visa alla produkter som inte har sålts i Tyskland.

Molntjänst eller lokal server

Båda produkterna har varsin molnplattform som gör att man inte behöver ha en lokal server som kör systemen.

Power BI

Power BI har funnits som molntjänst länge och omladdning och data likväl som delning och administrering av användare fungerar väldigt bra. Dessutom har man en gateway för att säkrare och enklare skicka information från lokala servrar till molnet. Nackdelen är att Power BI cloud har begränsningar för hur mycket data en rapport kan innehålla.

Qlik Sense

För Qlik Sense del så har man nyligen lanserat en förbättrad version av sitt Qlik Sense Cloud men man saknar gateway så min rekommendation är att inte använda molnversionen av Qlik Sense utan att välja Qlik Sens versionen som man installerar på en lokal (eller hostad) maskin. Fördelen med det är att man kan hantera stora datamängder genom att anpassa serverns prestanda.

Kostnader

Slutligen kommer vi till licenskostnaden där Power BI utmärker sig som betydligt billigare än Qlik Sense för små projekt eller i uppstart.

Licenskostnaden är främst relevant om man har en BI strategi som går ut på att ge många användare licenser eller/och om man har väldigt grundläggande behov så att ingen avancerad transformering av data behöver ske och budgeten är liten.

Ökar kraven på transformering kräver Power BI en databas för att vara jämförbar med Qlik Sense och då ökar implementationstider och licenskostnader. I de fallen måste man se till den totala kostnaden och licensernas relativa bidrag till kostnaden kommer minska ju mer arbetstimmar som krävs för att sätta upp och hantera behandlingen av data.

Hoppas detta ger en bättre förståelse för vilket beslutsstöd som passar just er!