Skenario Tutorial Analysis Services

Berlaku untuk: SQL Server Analysis Services Azure Analysis Services Fabric/Power BI Premium

Tutorial ini didasarkan pada Adventure Works Cycles, sebuah perusahaan fiktif. Adventure Works Cycles adalah perusahaan manufaktur multinasial besar yang memproduksi dan mendistribusikan sepeda logam dan komposit ke pasar komersial di Amerika Utara, Eropa, dan Asia. Kantor pusat untuk Adventure Works Cycles adalah Bothell, Washington, tempat perusahaan mempekerjakan 500 pekerja. Selain itu, Adventure Works Cycles mempekerjakan beberapa tim penjualan regional di seluruh basis pasarnya.

Dalam beberapa tahun terakhir, Adventure Works Cycles membeli pabrik manufaktur kecil, Importadores Neptuno, yang terletak di Meksiko. Importadores Neptuno memproduksi beberapa subkomponen penting untuk lini produk Adventure Works Cycles. Subkomponen ini dikirim ke lokasi Bothell untuk perakitan produk akhir. Pada tahun 2005, Importadores Neptuno menjadi satu-satunya produsen dan distributor grup produk sepeda touring.

Setelah tahun fiskal yang sukses, Adventure Works Cycles sekarang ingin memperluas pangsa pasarnya dengan menargetkan iklan kepada pelanggan terbaiknya, memperluas ketersediaan produk melalui situs Web eksternal, dan mengurangi biaya penjualan dengan mengurangi biaya produksi.

Lingkungan Analisis Saat Ini

Untuk mendukung kebutuhan analisis data tim penjualan dan pemasaran serta manajemen senior, perusahaan saat ini mengambil data transaksional dari database AdventureWorks2012, dan informasi non-transaksional seperti kuota penjualan dari spreadsheet, dan mengonsolidasikan informasi ini ke dalam gudang data relasional AdventureWorksDW2019 . Namun, gudang data relasional menghadirkan tantangan berikut:

• Laporan bersifat statis. Pengguna tidak memiliki cara untuk menjelajahi data secara interaktif dalam laporan untuk mendapatkan informasi yang lebih rinci, seperti yang bisa mereka lakukan dengan tabel pivot Microsoft Office Excel. Meskipun kumpulan laporan yang telah ditentukan sebelumnya sudah cukup untuk banyak pengguna, pengguna yang lebih canggih memerlukan akses kueri langsung ke database untuk kueri interaktif dan laporan khusus. Namun, karena kompleksitas database AdventureWorksDW2019 , terlalu banyak waktu yang diperlukan pengguna tersebut untuk mempelajari cara membuat kueri yang efektif.

• Performa kueri sangat bervariasi. Misalnya, beberapa kueri mengembalikan hasil dengan sangat cepat, hanya dalam beberapa detik, sementara kueri lain membutuhkan waktu beberapa menit untuk dikembalikan.

• Tabel agregat sulit dikelola. Dalam upaya untuk meningkatkan waktu respons kueri, tim gudang data di Adventure Works membangun beberapa tabel agregat dalam database AdventureWorksDW2019 . Misalnya, mereka membangun tabel yang meringkas penjualan menurut bulan. Namun, meskipun tabel agregat ini sangat meningkatkan performa kueri, infrastruktur yang mereka bangun untuk mempertahankan tabel dari waktu ke waktu rapuh dan rentan terhadap kesalahan.

• Logika perhitungan kompleks dikubur dalam definisi laporan dan sulit untuk dibagikan di antara laporan. Karena logika bisnis ini dihasilkan secara terpisah untuk setiap laporan, informasi ringkasan terkadang berbeda di antara laporan. Oleh karena itu, manajemen memiliki keyakinan terbatas pada laporan gudang data.

• Pengguna di unit bisnis yang berbeda tertarik pada tampilan data yang berbeda. Setiap grup terganggu dan bingung oleh elemen data yang tidak relevan dengan mereka.

• Logika perhitungan sangat menantang bagi pengguna yang membutuhkan laporan khusus. Karena pengguna tersebut harus menentukan logika perhitungan secara terpisah untuk setiap laporan, tidak ada kontrol terpusat atas bagaimana logika penghitungan ditentukan. Misalnya, beberapa pengguna tahu bahwa mereka harus menggunakan teknik statistik dasar seperti rata-rata bergerak, tetapi mereka tidak tahu cara membuat perhitungan tersebut dan jadi jangan gunakan teknik ini.

• Sulit untuk menggabungkan sekumpulan informasi terkait. Kueri khusus yang menggabungkan dua set informasi terkait, seperti kuota penjualan dan penjualan, sulit dibuat oleh pengguna bisnis. Kueri tersebut membuat database kewalahan, sehingga perusahaan mengharuskan pengguna meminta kumpulan data lintas area subjek dari tim gudang data. Akibatnya, hanya beberapa laporan yang telah ditentukan sebelumnya yang telah ditentukan yang menggabungkan data dari beberapa area subjek. Selain itu, pengguna enggan mencoba memodifikasi laporan ini karena kompleksitasnya.

• Laporan difokuskan terutama pada informasi bisnis dalam Amerika Serikat. Pengguna di non-A.S. anak perusahaan sangat tidak puas dengan fokus ini, dan ingin dapat melihat laporan dalam mata uang yang berbeda dan bahasa yang berbeda.

• Informasi sulit diaudit. Departemen Keuangan saat ini menggunakan database AdventureWorksDW2019 hanya sebagai sumber data untuk kueri secara massal. Mereka kemudian mengunduh data ke spreadsheet individual, dan menghabiskan waktu yang signifikan untuk menyiapkan data dan memanipulasi spreadsheet. Oleh karena itu, laporan keuangan perusahaan sulit disiapkan, diaudit, dan dikelola di seluruh perusahaan.

Solusinya

Tim gudang data baru-baru ini melakukan tinjauan desain sistem analisis saat ini. Tinjauan tersebut mencakup analisis kesenjangan dari masalah saat ini dan tuntutan di masa mendatang. Tim gudang data menentukan bahwa database AdventureWorksDW2019 adalah database dimensi yang dirancang dengan baik dengan dimensi dan kunci pengganti yang sesuai. Dimensi yang sesuai memungkinkan dimensi digunakan di beberapa mart data, seperti dimensi waktu atau dimensi produk. Kunci pengganti adalah kunci buatan yang menautkan dimensi dan tabel fakta dan yang digunakan untuk memastikan keunikan dan untuk meningkatkan performa. Selain itu, tim gudang data menentukan bahwa saat ini tidak ada masalah signifikan dengan pemuatan dan manajemen tabel dasar dalam database AdventureWorksDW2019 . Oleh karena itu, tim telah memutuskan untuk menggunakan Microsoft SQL Server Analysis Services untuk menyelesaikan hal-hal berikut:

• Menyediakan akses data terpadu melalui lapisan metadata umum untuk analisis dan pelaporan analitis.

• Menyederhanakan tampilan data pengguna, mempercepat pengembangan kueri interaktif dan yang telah ditentukan sebelumnya serta laporan yang telah ditentukan sebelumnya.

• Buat kueri dengan benar yang menggabungkan data dari beberapa area subjek.

• Mengelola agregat.

• Simpan dan gunakan kembali perhitungan kompleks.

• Menyajikan pengalaman yang dilokalkan kepada pengguna bisnis di luar Amerika Serikat.

Lihat juga

Pemodelan Multidimensi (Tutorial Adventure Works)