Power BI & AnalyticsCreator: Effizientes Berichtswesen (Video)

 Analytics Creator is a German company founded in 2017 but the team has been actively involved in data Automation for more than 15 years. Globally we've have more than 50 value added partners with a strong emphasis on Microsoft as primary Partner.  Given that Software developed on Microsoft Stack we've got a network of over 690 active developers that enjoy using AnalyticsCreator and also love recommending AnalyticsCreator to others. Our primary focus is in EU and APAC and we love talking about a solution that creates, simplifies and automates data modeling faster than any other traditional or manual methods. We also help data engineers reduce repetitive tasks that they have to deal with on a daily basis and we believe this is probably the biggest Engineering Challenge, so while the industry (through different Software Stacks and platforms or combination of these) support data engineers, it just gets more and more complicated and we believe that Automation is the best way to cut through all of this. AnalyticsCreator simplifies and automates the modeling development and deployment of an Analytics platform up to 10 times faster than traditional coding methods. It is a highly adaptable solution and we don't only focus on restoring engineers freedom, but also on making the sequel Code free from any Runtime dependencies. Let me show some more. insights on this in the in the next few slides. 

AnalyticsCreator is a design time tool with zero runtime requirements. With Analytics Creator you can connect to almost any data source, and quickly extract the data that you need for your analytics projects. You can then refine and describe your data using AnalyticsCreator intelligent Wizards, which will help you to create a draft version of your model across all layers of your analytics platform. You can choose different modeling approaches, data vault or Kimble and you can add business logic and use automated transformations to refine your data model and finally you can generate deployment packages into any environment test prototypes and add data challenges for reliable data quality and so minimize project risks. 

You know that we not the only ones that are great fans of our own product in the latest Bark data management we ranked the first place for 18 of the 25 KPIs and we rank no lower than third for the other seven this is a six year in AOW that we've achieved top results in the Bark data management survey there is a link on our website where you can download the Bark Report; perhaps Erin can share it afterwards here some of the KPIs out of the survey that we've ranked for just to show that our technical expertise commitment to product development owning user experience product. It's now time to hand over to Markus to show us how we can achieve efficient Controlling with Power BI und das könen wir jetzt wieder auf Deutsch machen sehr gerne vielen Dank Richard bitte sehr noch eine kleine organisatorische Sache ich müsste noch das Teilen freigegeben bekommen und dann kann ich gerne starten ja ne das mache ich jetzt sofort perfekt ganz kurz Moment das sehr gut aus perfekt gut dann starte ich jetzt meinen Teil und zwar das ist die falsche Ansicht so herum genau ja herzlich willkommen auch von mir Markus passong ist mein Name ich bin Business Development Manager da bei der Xax und ja auch wir setzen mit AnalyticsCreator unsere Data Warehouse und Data automatization Projekte und ich möchte ihn heute einmal zeigen anhand einer kleinen Demo wo wir mit Analytics Creator tatsächlich große Vorteile haben und uns sehr schnell und sehr gut weiterentwickeln können und vor allem auch unsere Kunden und Projekte damit voranbringen können.

 zunächst einmal möchte ich Sie noch einmal abholen was was erwartet uns und was steht uns quasi bevor grundsätzlich können wir sagen anhand unserer Projekte und anhand unserer Erfahrung das Controlling in den Unternehmen wird immer komplexer die datengetriebenen Herausforderungen die an das Controlling herangetrieben werden werden immer größer und wir haben einfach gemerkt dass viele Controlling Abteilungen damit teilweise überfordert sind und wir haben uns darauf spezialisiert mit Hilfe von Analytics creator bei den jeweiligen Firmen bei unseren Kunden ein professionelles Datenmanagement aufzubauen und somit ein performantes Controlling aufzusetzen um damit einerlei Aspekte oder vielerlei Aspekte abdecken zu können Datenqualität Datenverfügbarkeit die Bereitstellung und auch die Nachvollziehbarkeit von Daten sollen dadurch gesteigert werden und mit Analytics Creator können wir eben die Entwicklung von Data Management Lösung in einem Data Warehouse beschleunigen und können damit maßgeblich die die und die Effektivität des Controllings erhöhen und warum Analytics Creator dafür eine ideale Basis ist möchten wir Ihnen zeigen anhand einer Demo zusammen mit dem Visualisierungstool Power bi was ja auch auf dem Microsoft steck basiert und gemeinsam möchte ich mit Ihnen einmal das Thema den Analytics Creator einmal vorstellen und wie wir Data Management mit dem Analytics Creator zusammen umsetzen und erfolgreich in unsere Projekte bei den Kunden integrieren können dazu haben wir uns für die Demo ein Szenario jetzt einmal herangenommen was wir so oder in ähnlicher Form auch in unseren taktäglichen Projekten wiederfinden wir nehmen an der Stelle einmal an wir haben eine ein Unternehmen was ihre Verkaufsdaten in einer Microsoft Access Datenbank verwaltet und mit der Zeit und mit der Entwicklung des Unternehmens stöt das stößt das Berichtswesen immer wieder an Grenzen was eben diese Punkte Datenqualität verfüg keit nachfolgziehbarkeit und Bereitstellung betrifft und die Aufgabe ist es nun die uns gestellt wurde ein sales data warehouse aufzubauen auf Basis der auf Basis der Daten aus der exess Datei und eine verbesserte Analyse und ein reporting zu ermöglichen die Daten sollen nachher in power bi visualisiert werden und das Data Warehouse soll auf einem SQL Server basieren und das Ergebnis nachher im Power bi soll möglicherweise so oder so ähnlich aussehen dass wir Umsatzzahlen analysieren können über verschiedene Produkte hinweg über die Zeit hinweg dass wir verschiedene Möglichkeiten haben zur zur Demonstration der Daten genau so viel vor ab.

 ich habe auch schon das Tool direkt aufgemacht so mache ich es am liebsten bei einer Demo direkt im Tool einmal zeigen wie sieht das aus was kann ich damit machen und welche Herausforderung nimmt mir das Tool tatsächlich ab wir sehen es auch schon auf meinem Bildschirm Analytics Creator ist geöffnet und wir haben zunächst eine große weiße Oberfläche wir sind im Moment in einem leeren Bereich in einem neuen Projekt das ganze nennt sich ein Repository bei bei Analytics Creator und wir starten quasi auf einer grünen Wiese das allererste was wir brauchen für unser Data Warehouse und zum Aufbau unseres Data Warehouse ist die Anbindung an unsere Ursprungsdaten wie in dem Szenario beschrieben die Access Datenbank dazu gibt's in Analytics Creator die Möglichkeit sogenannte connektoren anzulegen und jeder Connector den ich anlege definiert die den Zugang zu einer spezifischen Datenquelle mit rechtsklick auf diesen Ordner der Konnektoren bekomme ich ein Kontextmenü und kann an der Stelle einen neuen knektor hinzufügen was ich hier bekomme ist jetzt ein ein Fenster dass ich mit verschiedenen Parametern befüllen kann und wie ich finde ein sehr großer Vorteil den ich habe ich kann hier tatsächlich sehr frei definieren wie ich mein mein Connector aufbauen kann z.B was für ein Typ von von Daten möchte ich gerne anbinden in unserem Fall eine Access Datenbank und automatisch wird ein Template von einem Connection String hier unten ausgefüllt mit dem Hinweis an dieser Stelle muss noch einmal der dateifah eingetragen werden den hole ich einmal dazu trag an der Stelle den dateifahrt ein jeder Connector benötigt natürlich auch einen Namen also jedes Objekt was wir anlegen in Analytics Creator braucht einen Namen und ich nenne den Connector an der Stelle der einfachheitthalber einfach mal sales Daten unten links habe ich jetzt auch die Möglichkeit die Verbindung einmal zu testen es gibt einen Knopf Test connection und bekomme die Rückmeldung connection successfully established und habe damit den Hinweis alles klar ich habe meine Daten erfolgreich angebunden ich speichere meinen Connector unten rechts haben wir den Knopf zum Speichern und automatisch wir sehen es links in der Liste wird dieses Connector Objekt angelegt auch mit einem kleinen Icon mit dem Hinweis um was für eine Datenquelle sich handelt der große Vorteil ist dadurch dass wir wir nicht nur Access Datenbank anwienden können sondern auch SQL Server Oracle Datenbanken etc und der Connection String jedes Mal mit einem Template vorausgefüllt wird ist es zum einen sehr einfach die Connection aufzubauen weil die jeweiligen Parameter schon benannt sind und zum anderen kann ich tatsächlich sehr genau über die Definition des connection Strings sagen wie ich mich auf die Datenbank verbinden möchte mit welchen anmeldeinformation bei welcher Datenbank ich das machen möchte oder weitere Parameter kann ich dort auch mitgeben an der Stelle haben wir unseren connektor eingetragen auf dem Home Button oben links das agiert quasi immer wie so ein zurück also ich komme wieder auf diese gesamte Übersicht noch ist in unserer Übersicht nicht viel zu sehen aber dieser Home Button dient tatsächlich etwas zur zur Navigation um wieder an seinen Ursprung zurückzukommen von wo man starten möchte an der Stelle möchte ich ihn ein weiteres sehr tolles Feature sehr gutes Feature vorstellen was der Analytics Creator hat und was uns tatsächlich in den Projekten einiges an Zeit und auch nerven erspart und das ist nämlich der Data Warehouse Wizard mit dem Data Warehouse Wizard haben wir die Möglichkeit automatisiert auf Basis von Informationen aus unseren Vorsystemen ein Datenbankmodell ein Data warehouseemodell aufzubauen und den möchte ich Ihnen gerne einmal zeigen wie der aussieht und was der für uns übernehmen kann ich kann jetzt auf diesen Connector sales Daten einfach mit dem rechtsklick drauf gehen auch da kriege ich wieder ein Kontextmenü und kriege den Hinweis ich kann jetzt auf diesem Connector ein Data Warehouse Wizard starten wenn ich das Feld öffne oder wenn ich den Befehl öffne öffnet sich ein ein Fenster wo ich jetzt eigenige Einstellungen tätigen kann wir sehen zum einen in der ersten Tabelle die aufgelistet wird die verschiedenen Tabellen die die in unserer sales dataten in unseren Demodaten zur Verfügung stehen und daraus kann ich mir jetzt die Tabellen auswählen die ich in mein datawh übernehmen möchte an der Stelle der einfachheitalber möchte ich alle auswählen und damit ich alle auswählen kann gibt's einen kleinen Trick ich kann hier oben links in der in die Ecke von der Tabelle klicken alle Elemente werden ausgewählt um sie jetzt in die Generierung für mein Data Warehouse überführen zu können muss ich sie mit diesen PIL Elementen auf der unteren oder im mittleren Bereich übernehmen in die untere Tabelle und dort habe ich dann auch die Möglichkeit schon verschiedene Schritte verschiedene typische Import oder transformationsschritte in einem Warehouse schon im Vorhinein generieren zu lassen ganz klassisch zunächst ein importschritt alle unsere Daten sollen zunächst aus der Datenquelle übernommen werden das machen wir tatsächlich auch für alle unsere Tabellen die wir identifiziert haben den transformationsschritt lassen wir an der Stelle einmal raus weil wir unsere Rohdaten an der Stelle noch nicht transformieren möchten aber und das möchte ich gerne hervorheben die Spalte hist steht für Historisierung und wir haben hiermit die Möglichkeit voll automatisch für jede Tabelle die wir ja haben historisierte Datensätze anzulegen heißt im im übersetzt für jede veränderte für Jen veränderten Datensatz den wir aus unseren Ursprungsdaten bekommen bekommen wir eine komplette Historie wie hat er sich im Verlauf verändert welche Attribute haben sich zu welchem Tag jeweils verändert zu welcher Uhrzeit haben die sich verändert und das kann ich voll automatisch mit Analytics Creator generieren lassen und das ist tatsächlich ein sehr großer Vorteil weil das ansonsten in den Projekten die wir gemacht haben ohne und vor Analytics Creator eine sehr große Herausforderung und ein sehr großer ja Umfang ist das umzusetzen die nächste Spalte geht darum automatisch Dimensionen abzuleiten aus meinen Daten wenn wir uns jetzt in in power bi z.B unser Modell vorstellen oder auch in anderen Visualisierungstools dann wird dort oft von Dimensionen und faktentabellen gesprochen m an der Stelle ist es so dass wir nicht alle Felder als Dimensionen übernehmen möchten sondern ich übernehme nur einige davon und zwar genau sind das die Bestelldaten Bestellung und Produkte alle anderen Daten möchte ich erstmal noch nicht als Dimension anlegen kann ich aber später auch noch hinzufügen und zusätzlich möchte ich noch einen eine fakttabelle definieren und zwar die Bestelldaten die enthalten faktinformationen wie Umsatz Menge Verkaufspreis und deshalb möchte ich gerne diese Tabelle automatisch ableiten lassen in eine in einer fakttabelle in einer faktransformation wir sehen auch im oberen Bereich da bin ich eben erst einmal drüber gegangen wir haben die Möglichkeit einen DWH Typen zu definieren also ich habe hier an der Stelle ist das Objekt classic ausgewählt ein klassisches DWH was eine ja in eine dimensionale m Modellierung meine Daten übernimmt ich habe allerdings auch die Möglichkeit und das ist auch ein Punkt den wir in unseren Projekten sehr schätzen eine data world Architektur von unserem Data Warehouse automatisch generieren zu lassen und mit dieser data vo Technik haben wir tatsächlich die Möglichkeit auch agile Data Warehouse Architekturen aufzusetzen und sehr gut skalierbare Architekturen aufzusetzen das ist auch einer der großen Vorteile mit Analytics Creator dadurch dass die Objekte die im Data world sehr ja sehr vielseitig und auch sehr ja sehr viele Objekte werden in data world generiert dadurch dass sie automatisch generiert werden von dem Tool ist das tatsächlich ein sehr sehr großer Vorteil den wir damit haben an der Stelle bleibe ich erstmal auf einer klassischen Architektur und gehe nun auf weiter das Fenster was wir hier jetzt sehen ähm da möchte ich an der Stelle nicht viel verändern aber ich möchte dazu so ein paar Anekdoten geben und zwar ist es so dass wir hier äh quasi Namenskonventionen vergeben können es sind schon Namenskonventionen vorgegeben für bestimmte Objekttypen die angelegt werden für importpakete für Tabellennamen für wenn wir ein Data world generiert hätten für hlink und satellite Tabellen m und hier haben wir eben die Möglichkeit diese Konvention zu überarbeiten das Gute daran ist wenn ich mir überlege äh wie wir Projekte ohne Analytics Creator umgesetzt haben dann gab es dort immer ein festes Regelwerk was von den Entwicklern eingehalten werden musste in dem Fall hier ist es so dass die Generierung von Objekten automatisch mit dieser Namenskonvention ausgeführt wird und wir uns immer sichern sein können dass die Objekte tatsächlich gleich benannt sind und wir darüber Standards in unsere Entwicklung in unsere Data Warehouse Entwicklung hineinbringen können was natürlich auch die Nachvollziehbarkeit weiter schärft und auch das Thema Einarbeitung für neue Kollegen möglicherweise erleichtert an der Stelle möchte ich keine Änderung machen die Namenskonventionen die vergeben werden sind in der Regel schon sehr passend und daher gehe ich auch hier auf weiter das Fenster was wir hier jetzt sehen gibt uns noch ein paar Möglichkeiten die Generierung weiter anzupassen ich sag mal in für den fall in dem wir jetzt sind wir haben keine SAP Datenquelle z.B da müssen wir nicht drauf achten das was für uns hier möglicherweise anes ist die automatische Generierung einer kalenderdimension einer Zeitdimension nachher in unserem Datenmodell und die möchte ich an der Stelle kurz anpassen weil ich nämlich weiß dass die Daten in unserer Exis Datenbank nicht im Jahr 1980 starten wo ich hier sagen kann der Kalender startet und endet zu einem bestimmten Zeitpunkt da kann ich einmal eintragen oder möchte ich einmal eintragen dass unser Kalender an der Stelle erst um im Jahr 2005 starten soll weil wir vorher einfach keine keine Daten in unser Haus haben werden alle anderen Einstellungen kann ich so lassen wie sie sind und kann an der Stelle unten rechts auf Finish klicken und was jetzt passiert man sieht jetzt hier so ein fortschrittzbalken der sich Stück für Stück füllt es werden jetzt komplett automatisiert auf Basis der Information die ich mitgegeben habe über den Wizard und der Informationen wie sind die Daten strukturiert in dieser Access Datenbank wird jetzt automatisch ein ein vorgedachtes Modell generiert mit all den Schritten die wir definiert haben importschritte historisierungsschritte Transformationen zu Dimensionen und faktentabellen und wenn der Generierung gleich durch ist dann sehe ich sofort jetzt hat sich hier im großen Fenster im großen weißen Fenster haben sich jetzt einige Objekte platziert ich scroll mal kleines Stück herein damit man es vielleicht ein bisschen besser lesen kann ich habe auf einen Blick kann ich sehen welche Objekte wurden jetzt alle von dem Data Warehouse Wizard erzeugt und ich finde dieser Überblick den ich direkt bekomme dieses Feedback was ich direkt bekomme das gibt mir an der Stelle schon die Sicherheit alles hat so funktioniert wie ich mir das vorgestellt habe das ist tatsächlich auch ein Punkt warum wir Analytics Creator so schätzen und so gerne in unseren Projekten einsetzen weil wir tatsächlich immer auch ein visuelles Feedback darüber bekommen wie sieht unser Data Warehouse Modell gerade aus das ist in anderen Tools teilweise ein bisschen versteckter schwieriger herauszufinden das ist tatsächlich einer der Punkte warum wir Analytics Creator so schätzen dass wir diesen Überblick und diese diese Übersicht sofort bekommen wir sehen jetzt hier auch die verschiedenen Ebenen die wir eben beim datawareus Wizard quasi wiedergefunden haben wir haben zunächst unsere sourcesebene alle unsere en die wir aus dem Connector herausziehen die wir aus unserer Exis Datenbank herausziehen auf der nächsten Ebene werden die importjobs automatisiert und standardisiert generiert und auch das ist schon ein großer Vorteil dass wir auf Basis der vorhandenen Daten und der Strukturen in Access die direkt generieren können und wirklich herausstehen tut das Thema Historisierung da sind wir nämlich im Bereich des persistent staging layers so wird es standardmäßig genannt dass die Daten aus der Datenquelle historisiert werden veränderte Attribute werden mitgeschrieben zu welchem Zeitstempel haben sich haben sich Daten verändert und das wirklich automatisiert zu generieren ist ein absoluter Mehrwert den wir sehr sehr schätzen die weiteren Transformationen im corelayer gehen dann in Richtung ähm dimensions und faktengenerierung wir sehen es auch an den Namen auch da gilt wieder Namenskonvention die wir angegeben haben oder mitgegeben haben das wird immer ein dim_terstrich vor die Tabellen gestellt oder ein fact_terstrich zur Identifikation was für einen Typ von Objekt habe ich hier gerade und die letzte Schicht ist der sogenannte dataart Layer also die Ebene die wir aus unserem Warehouse nach außen hin freigeben zum Konsum hin zum Konsumenten hin freigeben und da gibt's dann eben auch noch mal die Möglichkeit verschiedene Einstellungen zu tätigen das werde ich gleich im im weiteren Detail auch noch mal zeigen was wir in den datamart Layer definieren können zunächst bin ich mit dem Modell was hier generiert wurde schon sehr zufrieden m ich muss allerdings um die Anforderungen die aus dem Szenario kommen zu erfüllen tatsächlich noch ein paar Erweiterungen an dem Modell tätigen und das betrifft vor allem die Faktentabelle die generiert wurde 

 ich kann mit einem Doppelklick auf das auf das Objekt kann ich in diese Transformation hineinsteigen wenn ich da reingehe bekomme ich dieses Fenster angezeigt und auch hier geht es jetzt wieder darum zu konfigurieren wie soll meine Transformation aussehen was soll sie was soll sie tätigen was wir hier sehen ist erstmal im Kopfbereich ja ich würde sagen einige Eigenschaften die die Transformation selber hat wie ihren Namen in welchem Datenbankschema soll sie nachher liegen ist das ganze eine faktransformation oder möglicherweise nicht das sind alles ja grundlegende Daten über die über die Transformation auch der historisierungstyp welcher welche Version der Daten aus der Historie soll gerade gelesen werden der zweite Bereich den wir sehen ist die Definition der Colums also welche Spalten gibt meine Transformation wieder und da sehen wir auch schon hier sind verschiedene FK Spalten sogenannte Foreign Keys benannt aus den jeweiligen Tabellen die wir die wir in unsere in unser Data Warehouse Modell eingetragen haben und diese Tabellen finden wir tatsächlich auch noch mal weiter unten wieder hier im unteren Bereich haben wir die Auflistung aller Tabellen die notwendig sind für unsere Transformation und die notwendig sind um unsere faktransformation aufzubauen wir sehen auch jede Tabelle hat eine Sequenz Nummer das ist die erste Spalte hier vorne vor und diese Sequenznummer ist tatsächlich ja sehr wichtig wenn ich eine Transformation aufbaue die Sequenznummer findet sich nämlich wieder in den Colums die wir hier oben sehen und aus jeder Tabelle wird an der Stelle ein FOREIGN KEY herausgezogen aus der Tabelle 1 bis 4 wird jeweils ein FOREIGN KEY herausgezogen was jetzt unserer faktentransformation allerdings noch fehlt sind tatsächliche faktdaten also was ist unser unser unsere verkaufte Menge was ist unser Umsatz und das können wir an der Stelle jetzt sehr einfach hinzufügen zwar weil ich das Datenmodell jetzt kenne weiß ich dass ich in der Tabelle mit der Sequenz Nummer 1 die trage ich zuerst ein noch meine mengeninformationen habe wie viel wurde denn verkauft wie viel Stück wurden verkauft sobald ich die Tabellen Sequenznummer eingetragen habe kann ich über das Feld reference wirklich sehr einfach und im Prinzip ohne ohne Fehler möglich zu machen ein Feld auswählen das aus der Tabelle mit der Sequenz Nummer 1 kommt und das ist an der Stelle das Feld Menge was ich hier hinzuziehen möchte das ist nicht das einzige Feld wenn ich das jetzt einmal bestätigen möchte diese diese Auswahl gehe ich auf Enter oder ich kann auch alternativ mit der Maus auf save klicken und bekomme quasi eine eine neue lehrzeile wo ich jetzt weitere Informationen hinzufügen kann dazu gehört z.B auch dass ich aus der Tabelle 1 das Feld Verkaufspreis hinzuziehen möchte jetzt weiß ich aus den Daten Verkaufspreis ist hier an der Stelle ein Einzelpreis also der Einzelpreis für ein ein Produkt was verkauft wird und um jetzt daraus eine eine umsatzkennzahl zu generieren kann ich jetzt auch mehrere sp miteinander verrechnen ich muss jetzt im Prinzip Menge und Verkaufspreis multiplizieren um auf eine neue Information Umsatz zu kommen und auch das kann ich hier an der Stelle tätigen mit Hilfe dieser tabellensequenznummer mit der Nummer 1 und es gibt dann noch einen kleinen Trick den ich ihn an der Stelle gerne zeige ich habe die Möglichkeit nämlich nicht nur einzelne Felder aus der aus der Tabelle zu benennen sondern hier in diesem Bereich statement kann ich jetzt ein ein Statement was basiert auf ja was nachher basiert auf SQL Code kann ich hiermit einfügen habe ich jetzt mal ein ein Feld mit eingefügt ah und wir sehen auch schon ich wollte gerade auf save klicken es kam ein Fehler ich mach's einfach noch mal colum names cannot be empty es hat nämlich jetzt den Fall gegeben dass in dieser Spalte die ich hinzugefügt habe dass ich den colum Name nicht definiert habe und ich habe direkt über die Fehlermeldung das Feedback bekommen ah ich muss ja noch den die den Spaltennamen mit hinzufügen und kann darüber direkt identifizieren ja welche Konfiguration möglicherweise noch fehlt und kann das in die in den Spaltennamen ergänzen wenn ich dann auf safe geklickt habe kommt der Fehler an der Stelle auch schon nicht mehr in dem Statement finden wir jetzt die Multiplikation wieder aus Menge und Verkaufspreis und was wir auch sehen ist ein Platzhalter dieses al das ist auch eine spezif Spezifikation innerhalb von Analytics Creator die ja die Umsetzung an vielen Stellen leichter machen es gibt mehrere von diesen von diesen Platzhaltern und this alies bedeutet jetzt an der Stelle dass der tabellenaliias wir sehen im unteren Bereich jede Tabelle die wir eintragen hat ein Alias das an der Stelle der Alias der Tabelle genannt wird und mit der Notation tabellenalias Menge referenziere ich auf das gleiche feldme genauso mit dem Verkaufspreis bekomme ich dann darüber die Multiplikation hin zum Umsatz so jetzt haben wir unsere Kennzahlen aufbereitet in unserer faktentransformation was jetzt noch fehlt und was klassisch ist in einer in einer Analyse ist die ist der Bezug auf einen Kalender auf unsere kalenderdimension wir hatten es vorhin im Data Warehouse Wizard gesehen die senderdimension wurde auch mit angelegt und die möchte ich jetzt hier auch noch mit in Bezug setzen dazu möchte ich eine neue Tabelle in die Transformation einfügen und zwar kann ich hier jetzt unten auch in dem Lehrbereich beim Bereich Tabelle hineink klicken es wird die Zeile zunächst erst einmal aktiviert und auch hier kann ich jetzt über einen Dropdown alle Objekte sehen alle Tabellen und transformationsobjekte sehen die grundsätzlich mir zur Verfügung stehen das heißt ich kann auch da wieder sehr fehlerfrei und sehr leicht und sehr geführt kann ich hier die Dimension Kalender auswählen dass ich die mit in Bezug setzen möchte was jetzt noch fehlt ist ein ist ein Join Statement ein reference statement was ich hinzufüge damit ich jetzt nämlich die Information aus meinen Bestellung und Bestelldaten in Bezug setzen kann zum Kalender es ist nämlich an der Tabelle 2 in der Tabelle der Bestellungen da gibt es ein Feld Bestelldatum und das möchte ich jetzt gerne gleichsetzen oder in den reference Statement benutzen mit dem Feld Date aus dem Kalender und füge dieses Statement hier unten mit hinzu ich speichere einmal die Änderung die ich getätigt habe und bin im Prinzip weil ich das Modell jetzt kenne schon fertig mit den Transformationen die ich brauche großer großer großer Vorteil den wir haben auf Basis dieser ganzen Definitionen die wir hier getätigt haben in dem definitionenreiter sage ich an der Stelle schon einmal mit können wir jetzt noch einmal ableiten wie sieht denn diese Transformation jetzt noch mal technisch aus und die technische Ansicht bekomme ich dann über den Reiter view wenn ich da drauf Wechsel wird mir nämlich das SQL Statement noch einmal angezeigt was jetzt auf Basis meiner Konfigurationen angelegt hat und da sehe ich zum einen meine drei Spalten die ich neu hinzugefügt habe mit jeweiligen Namen dem tabellenalias und auch dem Spaltennamen den ich verwendet habe aber auch die verschiedenen join Bedingungen die ich hier drin habe und so ist z.B auch die Dimension Kalender jetzt hier hinzugezogen worden über die joinbedingung Datum ist gleich Bestelldatum und so habe ich noch mal wenn ich als als dataengineer hier unterwegs bin und das Data warehe aufbaue direktes Feedback darüber was wird tatsächlich umgesetzt nachher im Warehouse gut mit diesen Änderung haben wir unseren Fakt auch soweit aufbereitet ich speichere noch einmal und kann dann anschließend über den Home Button wieder zurück in meine Übersicht ich habe jetzt eine Änderung an meinen Data Warehouse Modell vorgenommen und es ist an der Stelle jetzt notwendig oder das ist an der Stelle jetzt üblich dass ich alle Änderungen die ich am Modell tätige ja auch weitertragen möchte alles was ich in dieser Fakt Bestellungen Transformation eingerichtet habe soll auch bitte sich auswirken auf meine auf meine datamart Transformation und das muss ich jetzt nicht manuell tätigen sondern ich kann ganz einfach oben links den Knopf Sync Data Warehouse benutzen und an der Stelle wird das gesamte Modell starte einmal den Prozess ich mache h eine Fulle eine full synchronize ähm das heißt alle Informationen und das gesamte Modell wird noch mal durchgeprüft wird noch mal nachgesehen es wird auch ein ein ein syntaxcheck noch mal gemacht ob an einzelnen Stellen möglicherweise Fehler vorhanden sind und was der größte Vorteil ist ist jetzt dass diese die Veränderung der Transformation aus unserer faktbestelldaten jetzt auch weiterhin auf die Fakt Bestelldaten in datamart ausgeführt wird an der Stelle sind jetzt nämlich die Felder Menge Verkaufspreis und Umsatz noch dazu gekommen hab gerade gesehen wo ich in den Bestelldaten war das Datum fehlt noch das habe ich gar nicht hinzugefügt in den Feldern von daher gehen wir noch mal kurz zurück in die faktbestelldaten und muss an der Stelle jetzt noch eine Information hinzusetzen und zwar der FOREIGN KEY für unseren Kalender alle andere Tabellen die ersten vier Tabellen wurden per foring Key schon eingerichtet und ich möchte jetzt gerne noch aus der Tabelle mit der Sequenz Nummer 5 unserem Kalender wie auch bei den anderen Tabellen da folge ich einfach dem Schema die satzid hinzufügen die satzid ist ein generiertes Feld was Analytics Creator automatisch als Schlüssel verwendet und nenne auch das wieder gemäß der Namenskonvention ähm das nenne ich FK Kalender weichere das einmal und was ich auch noch einmal mache hier im hinteren Bereich wir sehen für die anderen Dimensionen ist auch immer ein sogenannter friendly Name definiert den definiere ich hier auch und mit der Anpassung die wir jetzt hier gemacht haben gehe ich noch mal auf Home drücke noch mal auf Sync DWH damit jetzt die Änderung für unseren Kalender auch noch mal übertragen wird und nachdem die Übertragung stattgefunden hat man sieht dann der Preis dreht sich so lange das geht in der Regel relativ schnell und nach der Änderung sehe ich jetzt auch in den faktbestellaten dass unser FOREIGN KEY für den Kalender mit aufgenommen wurde sehr gut was wir an der Stelle auch sehen in unserem datamart das ist die nächste Ebene in der wir uns Sachen anschauen wollen dass ich direkt sehen kann aus welcher aus welcher Tabelle kommen die jeweiligen Objekte das kann ich bei bei der ganzen bei der ganzen Ansicht immer nachvollziehen wie ist die data lineage aus welchem Ursprung kommen welche Daten für welche Transformation sind welche Tabellen genutzt worden und ich sehe auch über diese lei grau grau markierten Felder dass in unserem datamart ähm zwischen dem Fakt der Bestelldaten diese ganzen Beziehungen mit inander in Referenz stehen und das kann ich mir jetzt auch noch einmal anschauen und zwar auf dieser faktbelldaten transansformation gibt es hinten dran ein kleines gelbes t und da kann ich jetzt noch weitere Änderungen an dieser Tabelle vornehmen die jetzt nicht direkt mit dem im Endeffekt mit dem SQL zu tun haben die dahinter stehen sondern dann vor allem hier spezifisch für die Funktion eines datamarts und ich kann z.B sehen dass in der Au reference verschiedene Dimensionen benannt worden sind also verschiedene Referenzen schon benannt worden sind die jetzt Dimensionen dienen sollen und was ich auch machen kann und das ist speziell für Modelle die ich nachher in power bi analysieren möchte ich kann measures direkt hier im Tool anlegen ich kann die zentral anlegen und zentral verwalten dazu klicke ich einfach in die Tabelle bekomme einen weiteren Vorschlag generiert und kann auch hier wieder sehr einfach aus den vorgeschlagenen aus den vorgeschlagenen Feldern kann ich jetzt measures aufbauen in power bi oder für Power bi ich kann z.B die Menge die Summe aus dem Umsatz und die Summe der Menge definieren und bekomme automatisch nachher im Power bi diese measures mit angezeigt was ich an der Stelle auch schon gerne mache was auch sehr sehr hilfreich ist sind die sogenannten formatstings in power bi also wie soll die Kennzahl nachher aussehen und formatiert werden ich gebe jetzt hier zwei formatstrings an dass die Menge immer in in mit dem Suffix Stück hinten angezeigt werden sollen und den Tausender Trennzeichen getrennt werden sollen und ohne Nachkommastellen genau das gleiche für den Umsatz der wird standardmäßig in Euro ausgegeben so ich gehe wieder zurück auf Home und bin mit der Modellierung des Data Warehouses soweit durch 

 was jetzt als nächstes folgt ist das Deployment also wir möchten jetzt unser Modell was wir hier aufgebaut haben tatsächlich auf einen SQL Server aufspielen und dazu dient uns das Deployment und in dem Deployment oder deployment heißt an der Stelle wir müssen ein deployment package anlegen hier sehen wir zunächst mal eine eine leere eine leere Liste wir müssen nämlich zunächst ein neues deployment package anlegen unten rechts haben wir dazu die Möglichkeit und bekommen auch hier wieder einen Assistenten wo ich zunächst das Deployment package mit einem Namen benenne und hier im oberen Bereich kann ich jetzt definieren wie das Data Warehouse aufgebaut werden soll oder dass das Data warehuse aufgebaut werden soll dazu nutzt Analytics Creator den duckpack Standard und das ist tatsächlich auch ein sehr großer Vorteil wir haben hier einen ja einen von Microsoft gesetzten Standard den sie nutzen für ihre für deployment von Objekten auf data oder auf Datenbanken und genau da wollen wir von profitieren möchten das duckpack was unser gesamtes Modell enthält auch deployen ich kann auch sagen in welcher Version ich das duckpark nutzen möchte im Prinzip in welcher Version liegt mein sql- Server vor wie möchte ich mich darauf verbinden mit welchen oder welche Datenbank möchte ich generieren auf mit welchem Benutzer möchte ich mich verbinden kann ich hier angeben der weitere der nächste Bereich geht ums Thema SSIS also tatsächlich Integration Services Daten von A nach B bringen und Prozesse starten da möchte ich hier auch ein paar Einstellungen tätigen ich habe z.B hier ein anderes kompatibilitätslevel bei mir lokal auf meinem SQL Server setze auch noch einige Haken dass z.B eine Umgebungsvariable acrn gesetzt werden soll mit ja mit eigenen Parametern die zur Ausführung der der SSS Pakete notwendig sind und was ich jetzt auch noch machen möchte ist ich möchte ein tabular olab deployment durchführen heißt ich möchte den datamart den ich generiert habe direkt auf einem auf einem S auf einem SQL Server tabular Model deployen und zwar möchte ich das einmal bringen auf meinen localhost da habe ich eine separate Instanz SSIS tabular nennt die sich und ich möchte dort gerne eine Datenbank einrichten mit dem Namen DWH sales wie melde ich mich daran an da muss ich jetzt meinen eigenen Benutzer einmal benennen und auch hier habe ich wieder ein abweichendes kompatibilitätslevel was ich einrichten muss das ist jetzt eben aufgrund meiner eigenen Umgebung die ich habe bei mir und ich möchte gleichzeitig den Cube im sogenannten Workflow package da gehe ich gleich drauf ein einmal gerne ausführen genauso soll der Cube während des deployments angelegt werden der letzte Bereich den wir hier noch haben im deployment package geht um die sogenannten Pakete das haben wir oben rechts wir haben immer mindestens ein Workflow package in jedem deployment package und dieses Workflow package ist der zentrale Punkt der alle anderen Pakete und alle anderen Ausführungen orchestriert in richtige Reihenfolge bringt Abhängigkeiten beachtet und das ist auch ein sehr großer Vorteil den wir mit anertics Creator haben und auch sehen dass wir dieses eine Workflow package im Grunde einfach starten können und unser gesamtes wareh Haus mit all seinen Abhängigkeiten mit all seinen Beladung ähm dann auch befüllt wird ich möchte gerne alle ssespakete generieren diese Haken kann ich hier an der Stelle setzen und mit der mit den Einstellungen die ich hier habe ich schaue noch mal gerade ob ich alles richtig gesetzt habe kann ich dann das Deployment starten dazu gibt's unten links den Knopf deploy das Deployment dauert jetzt immer ein in der regelen kleinen Moment ein Z Minuten aber was ich ih sagen kann hätten wir dieses gesamte Modell was wir jetzt in Analytics Creator modelliert haben und auch mit Hilfe des Data Warehouse Wizard automatisch generiert haben hätten wir das in selber Qualität und mit selben Standards jetzt manuell auf einer Datenbank eingerichtet da wären wir wahrscheinlich ungefähr bei einem Faktor 10 bis 15 was das an mehren Aufwand bedeutet hätte und jetzt hier anhand unseres Beispiels können wir schon sehen wir kommen sehr schnell an den Punkt dass wir m dass wir erste Ergebnisse haben und wir können mit diesen Ergebnissen das haben wir in unseren Projekten gelernt sehr früh schon an unsere Kunden herangehen und Feedback bekommen und darüber einfach die Zufriedenheit des Kunden ähm sehr gut sehr gut steigern und auch sehr gut mit den Kunden zusammenarbeiten also es ist weniger aneinander vorbei als es vielleicht in anderen Projekten ist SN wirklich man geht Hand in Hand es wird ein Ergebnis erzeugt man spricht das mit dem Kunden durch bekommt ein direktes Feedback und das erfreut dann sowohl uns weil wir erfolgreiche Projekte haben als natürlich dann auch unsere Kunden dass S sich an dem Erfolg der Projekte auch messen lassen können und tatsächlich sehr schnell Ergebnisse erzielen können und ihr Investment sehr früh und sehr schnell sich tatsächlich rentiert weil wir mit Analytics Creator hier diese Vorteile einfach heben können wir sehen unten rechts in deployment Lock geht er jetzt einzelne Schritte durch er hat das Data Warehouse bereits erstellt und auch schon deployed er ist jetzt an der Stelle dabei noch das letzte package das Workflow package zu generieren das wird auf Basis der Information die wir mitgegeben haben wir das über einen Dienst generiert und an letzter Stelle kommt dann diese Information dann unser deploy ist jetzt fertig und um jetzt die Inhalte auf das Data Warehouse aufzuspielen nutze ich an der Stelle Visual Studio und das zeige ich ihn gleich auch einmal das muss ich einmal kurz öffnen den mit Visual Studio kann ich jetzt mein mein deployment Projekt was entstanden ist einfach mal öffnen das liegt hier in dem fad das habe ich im deployment package quasi definiert dass ich einen fad habe wo meine Pakete abgelegt werden wo mein Projekt abgelegt wird und habe dann tatsächlich das ganze Projekt in Visual Studio geöffnet m zu Demozwecken bin ich jetzt gehe ich jetzt an der Stelle her und starte das Workflow package direkt von hier aus s dass unser Warehouse mit Daten beladen wird üblicherweise oder normalerweise in den Projekten gehen wir dann hin wir deployen dieses ganze deployment package auf den SQL Server wir richten einen Job ein dass er möglicherweise jede Nacht die Daten zieht jede Nacht neue Information in unser Data Warehouse lädt an der Stelle gehe ich jetzt mal den einfacheren Weg einfach zu Demonstrationszwecken ich kann auch hier direkt in Visual Studio in der Umgebung wo man auch sonst wirlich Weise SSIS Pakete entwickelt und wo man mit ja mit zurechtkmt wo man sich auskennt m kann ich auch schon hier direkt die Ausführung starten und sehe dann auch im Workflow package überall habe ich meine grünen Haken gesetzt und wer sich mit SSIS auskennt und da so ein bisschen weiß wie das wie das aussieht hat dann auch die Möglichkeit direkt in die erzeugten Ergebnisse noch mal hereinzuschauen sich anzuschauen was wurde dort generiert gut unser Warehouse ist jetzt befüllt 

 und ich möchte jetzt an der Stelle mal einen Power bi Bericht Öffnen der sich jetzt auf unsere generierte tabular Datenbank einmal aufschalten soll und dazu öffne ich mal den Power bi Bericht den hatte ich vorhin schon mal kurz gezeigt der sich jetzt auf unsere Daten verbinden soll auf unser tabellarisches Modell auf unser tabul model und wir haben dann hier in power bi was wir gleich sehen direkt ein aufbereitetes und sehr hoch ja sehr hoch vorbereitetes Datenmodell mit Tabellen mit deren Beziehung mit den measures die ich zentral vordefinieren kann also auch da habe ich gerade im Zusammenspiel mit Power Bi und dem Microsoft Stack die Möglichkeit mit Analytics Creator den gesamten Stack von source bis zum bis zum bis zum Power bi Bericht tatsächlich da drin zentral vorzuhalten da drin zu managen und hier sehen wir jetzt unseren Power bi Bericht können auch direkt sehen in den data source Settings der geht hier auf die Datenbank die wir vorhin generiert haben und ich habe jetzt hier die Möglichkeit interaktiv in den Bericht meine Auswahl zu tätigen und habe direkt meine Analysen fertig gestellt genau das kurz zu der Demo 

 da muss ich noch mal kurz die wechseln so was haben wir jetzt in den letzten paar Minuten gemacht wir haben das wollte ich noch nicht wir haben eine Quelle an Analytics Creator angebunden wir haben den Data Warehouse Wizard genutzt und automatisch unser Data Warehouse aufbauen lassen wir haben eine automatische kalenderdimension angelegt dass sie automatisch generiert wird und wir haben auch unser Datenmodell und unsere KPIs unsere Umsatz und mengenkennzahlen in Analytics Creator tatsächlich angelegt W mein deployment ausgeführt und die Bewirtschaftung des Data Warehouse mit Daten einmal angestartet sowie nachher die Daten in power bi visualisiert und ich würde jetzt mal schätzen würden wir das gleiche Projekt von Hand noch mal aufsetzen müssten ohne ein Data Warehouse automatization Tool ohne Analytics Creator dann werden wir da wahrscheinlich bei einem Projekt wenn wir es wirklich in der Qualität umsetzen wollen würden mit ungefähr ja etwa dre Tagen Aufwand hab ich jetzt mal so geschätzt ich möchte noch kurz was über uns und uns als kacks erzählen wie als kagt wir sehen uns als Expertin im Bereich bi corporate Performance Management und Datenmanagement mit dem Schwerpunkt für Controlling und Finanzen aber auch andere Bereiche Tri Logistik haben wir einige Projekte auch mit Analytics Creator umgesetzt wir selber sind ja man kann fast sagen Hersteller unabhängig also wir haben ein breites Portfolio sehen aber Analytics Creator bei uns tatsächlich als eins der zentralen Tools für das Thema Data Management und darüber hinaus bedienen wir eben noch weitere bi Lösungen wie z.B auch Power bi oder auch Corp Performance Management wie inffor Board oder jeddox g zu unseren Referenzen wir sind tatsächlich sehr breit tätig wir haben keinen großen Branchenfokus sind häufig im ja im Dachbereich unterwegs das ist unser hauptsächlicher Markt und haben da auch ja Kunden in der Größe von einer Coca-Cola bis auch zu kleineren mittelständischen Betrieben und sind da wirklich sehr breit aufgestellt dann bleibt mir nur noch zu sagen vielen Dank für Ihre Aufmerksamkeit und dann übergebe ich wieder an die Kollegen von Analytics Creator vielen dank Markus.