Skenario penggunaan Power BI: BI layanan mandiri terkelola yang dapat disesuaikan

Catatan

Artikel ini merupakan bagian dari rangkaian artikel Perencanaan implementasi Power BI. Seri ini berfokus terutama pada pengalaman Power BI dalam Microsoft Fabric. Untuk pengantar rangkaian ini, lihat Perencanaan implementasi Power BI.

Seperti yang dijelaskan dalam peta jalan adopsi Fabric, BI layanan mandiri terkelola ditandai dengan pendekatan campuran yang menekankan disiplin pada inti dan fleksibilitas di tepi. Arsitektur data biasanya dikelola oleh satu tim pakar BI terpusat, sementara melaporkan tanggung jawab milik kreator dalam departemen atau unit bisnis.

Namun, ketika arsitektur data inti tidak menyertakan semua data yang diperlukan, pembuat model semantik (sebelumnya dikenal sebagai himpunan data) dapat memperluas, mempersonalisasi, atau menyesuaikan model semantik bersama yang ada. Model semantik khusus baru dapat dibuat yang memenuhi persyaratan bisnis yang tidak terpenuhi oleh model semantik yang dikirimkan secara terpusat. Yang penting, tidak ada duplikasi data inti. Skenario penggunaan ini disebut BI layanan mandiri terkelola yang dapat disesuaikan.

Catatan

Skenario BI layanan mandiri terkelola yang dapat disesuaikan ini adalah yang kedua dari skenario BI layanan mandiri. Skenario ini dibangun berdasarkan apa yang dapat dilakukan dengan model semantik bersama terpusat (yang diperkenalkan dalam skenario BI layanan mandiri terkelola). Daftar semua skenario dapat ditemukan di artikel skenario penggunaan Power BI.

Singkatnya, beberapa aspek yang dijelaskan dalam topik kolaborasi konten dan skenario pengiriman tidak dibahas dalam artikel ini. Untuk cakupan lengkap, baca artikel tersebut terlebih dahulu.

Diagram skenario

Diagram berikut menggambarkan gambaran umum tingkat tinggi tentang tindakan pengguna yang paling umum dan komponen Power BI untuk mendukung BI layanan mandiri terkelola yang dapat disesuaikan. Fokus utama adalah menyediakan pembuat konten di unit bisnis dengan kemampuan untuk membuat model data khusus dengan memperluas model semantik bersama yang ada. Tujuannya adalah untuk mencapai penggunaan kembali jika memungkinkan dan memungkinkan fleksibilitas untuk memenuhi persyaratan analitik tambahan.

Tip

Kami mendorong Anda untuk mengunduh diagram skenario jika Anda ingin menyematkannya dalam presentasi, dokumentasi, atau posting blog Anda—atau mencetaknya sebagai poster dinding. Karena ini adalah gambar Scalable Vector Graphics (SVG), Anda dapat meningkatkan atau menurunkan skalanya tanpa kehilangan kualitas.

Diagram skenario menggambarkan tindakan, alat, dan fitur pengguna berikut:

Benda	Keterangan
	Pembuat model semantik A mengembangkan model menggunakan Power BI Desktop. Untuk model semantik yang ditujukan untuk digunakan kembali, umum (tetapi tidak diperlukan) bagi pembuat untuk termasuk dalam tim terpusat yang mendukung pengguna di seluruh batas organisasi (seperti IT, BI perusahaan, atau Center of Excellence).
	Power BI Desktop menyambungkan ke data dari satu atau beberapa sumber data.
	Pengembangan model data dilakukan di Power BI Desktop. Upaya tambahan dilakukan untuk membuat model yang dirancang dengan baik dan mudah digunakan sehingga dapat digunakan sebagai sumber data oleh banyak pembuat laporan layanan mandiri. Pembuat model dapat menggunakan kueri DAX untuk mengembangkan dan menjelajahi model selama pengembangan.
	Jika sudah siap, pembuat model A menerbitkan file Power BI Desktop mereka (.pbix) atau file proyek Power BI (.pbip) yang hanya berisi model ke layanan Power BI.
	Model semantik diterbitkan ke ruang kerja yang didedikasikan untuk menyimpan dan mengamankan model semantik bersama. Karena model semantik ditujukan untuk digunakan kembali, model tersebut didukung (disertifikasi atau dipromosikan , sebagaimana mewajibkan). Model semantik juga ditandai sebagai dapat ditemukan untuk lebih mendorong penggunaan kembali. Tampilan silsilah data di layanan Power BI dapat digunakan untuk melacak dependensi yang ada di antara item Power BI.
	Penemuan data di hub data OneLake diaktifkan karena model semantik ditandai sebagai dapat ditemukan. Kemampuan penemuan memungkinkan keberadaan model semantik terlihat di hub data OneLake oleh pembuat konten Power BI lainnya yang mencari data.
	Pembuat konten menggunakan hub data OneLake di layanan Power BI untuk mencari item data yang dapat ditemukan, seperti model semantik.
	Jika pembuat konten memiliki izin, mereka dapat meminta izin Build pada item data. Hal ini memulai alur kerja untuk meminta izin Build dari pemberi izin yang berwenang. Setelah mereka memiliki izin, pembuat konten dapat menggunakan kembali item data untuk membangun solusi baru.
	Di Power BI Desktop, pembuat model B membuat koneksi langsung ke model semantik bersama asli yang terletak di layanan Power BI. Karena niatnya adalah untuk memperluas dan menyesuaikan model semantik asli, koneksi langsung dikonversi ke model DirectQuery. Tindakan ini menghasilkan model lokal dalam file Power BI Desktop.
	Power BI Desktop menyambungkan ke data dari sumber data tambahan. Tujuannya adalah untuk menambah model semantik bersama sehingga persyaratan analitik tambahan dipenuhi oleh model semantik komposit khusus baru.
	Hubungan dibuat di Power BI Desktop antara tabel yang ada (dari model semantik bersama, juga dikenal sebagai model jarak jauh) dan tabel baru yang baru saja diimpor (disimpan dalam model lokal). Penghitungan dan pekerjaan pemodelan tambahan dilakukan di Power BI Desktop untuk menyelesaikan desain model komposit khusus.
	Setelah siap, pembuat model semantik B menerbitkan file .pbix atau .pbip mereka ke layanan Power BI.
	Model semantik komposit khusus baru diterbitkan ke ruang kerja yang didedikasikan untuk menyimpan dan mengamankan model semantik yang dimiliki dan dikelola oleh departemen.
	Model semantik khusus tetap terhubung ke model semantik bersama Power BI asli. Setiap perubahan pada model semantik bersama asli akan memengaruhi model semantik komposit khusus hilir yang memiliki dependensi padanya.
	Pembuat laporan layanan mandiri lainnya dapat menulis laporan baru yang terhubung ke model semantik komposit khusus. Pembuat laporan dapat memilih untuk menggunakan Power BI Desktop, Power BI Report Builder, atau Excel.
	Laporan diterbitkan ke ruang kerja yang dikhususkan untuk menyimpan dan mengamankan laporan dan dasbor.
	Laporan yang diterbitkan tetap terhubung ke model semantik khusus yang disimpan di ruang kerja yang berbeda. Setiap perubahan pada model semantik khusus memengaruhi semua laporan yang terhubung ke dalamnya.
	Beberapa sumber data mungkin memerlukan gateway data lokal atau gateway VNet untuk refresh data, seperti yang berada dalam jaringan organisasi privat.
	Administrator Fabric mengawasi dan memantau aktivitas di portal Fabric.

Poin-poin penting

Berikut ini adalah beberapa poin penting untuk ditekankan tentang skenario BI layanan mandiri terkelola yang dapat disesuaikan.

Model semantik bersama

Aspek utama dalam membuat pekerjaan BI layanan mandiri terkelola adalah meminimalkan jumlah model semantik. Skenario ini menggambarkan model semantik bersama yang berkontribusi dalam mencapai satu versi kebenaran.

Catatan

Untuk kesederhanaan, diagram skenario hanya menggambarkan satu model semantik bersama. Namun, biasanya tidak praktis untuk memodelkan semua data organisasi dalam satu model semantik. Ekstrem lainnya adalah membuat model semantik baru untuk setiap laporan, seperti yang sering dilakukan pembuat konten yang kurang berpengalaman. Tujuannya adalah untuk menemukan keseimbangan yang tepat, condong ke model semantik yang relatif sedikit dan menciptakan model semantik baru ketika masuk akal untuk melakukannya.

Menambah model semantik bersama awal

Terkadang pembuat layanan mandiri perlu menambah model semantik yang ada dengan, misalnya, data tambahan yang khusus untuk departemen mereka. Dalam hal ini, mereka dapat menggunakan koneksi DirectQuery ke model semantik Power BI. Fitur ini memungkinkan keseimbangan ideal pengaktifan layanan mandiri sambil memanfaatkan investasi dalam aset data yang dikelola secara terpusat. Diagram skenario menggambarkan koneksi DirectQuery. Tindakan mengonversi koneksi langsung ke koneksi DirectQuery membuat model lokal yang memungkinkan tabel baru ditambahkan. Hubungan dapat dibuat di antara tabel dari model semantik bersama asli (model jarak jauh) dan tabel baru yang baru saja ditambahkan (model lokal). Perhitungan tambahan dan pemodelan data dapat dilakukan untuk menyesuaikan model data baru.

Tip

Skenario ini menyoroti penggunaan kembali model semantik bersama. Namun, terkadang ada situasi ketika pemodel data ingin membatasi pembuatan model downstream. Dalam hal ini, mereka dapat mengaktifkan properti koneksi Cegah koneksi DirectQuery di pengaturan Power BI Desktop.

Dukungan model semantik

Karena model semantik bersama ditujukan untuk digunakan kembali, sangat membantu untuk mendukungnya . Model semantik bersertifikat menyampaikan kepada pembuat laporan bahwa data dapat dipercaya dan memenuhi standar kualitas organisasi. Model semantik yang dipromosikan menyoroti bahwa pemilik model semantik percaya data itu berharga dan bermanfaat bagi orang lain untuk digunakan.

Tip

Ini adalah praktik terbaik untuk memiliki proses yang konsisten, berulang, dan ketat guna mendukung konten. Konten bersertifikat harus menunjukkan bahwa kualitas data telah divalidasi. Hal tersebut juga harus mengikuti aturan manajemen perubahan, memiliki dukungan formal, dan didokumentasikan sepenuhnya. Karena konten bersertifikat telah melewati standar yang ketat, harapan untuk kepercayaan lebih tinggi.

Penemuan model semantik

Hub data OneLake membantu pembuat laporan menemukan, menjelajahi, dan menggunakan model semantik di seluruh organisasi. Selain dukungan model semantik, memungkinkan penemuan model semantik sangat penting untuk mempromosikan penggunaan kembali. Model semantik yang dapat ditemukan terlihat di hub data untuk pembuat laporan yang mencari data.

Catatan

Jika model semantik tidak dikonfigurasi agar dapat ditemukan, hanya pengguna Power BI dengan izin Build yang dapat menemukannya.

Meminta akses model semantik

Pembuat laporan mungkin menemukan model semantik di hub data yang ingin mereka gunakan. Jika mereka tidak memiliki izin Build untuk model semantik, mereka dapat meminta akses. Bergantung pada pengaturan akses permintaan untuk model semantik, email akan dikirimkan ke pemilik model semantik atau instruksi kustom akan disajikan kepada orang yang meminta akses.

Menerbitkan ke ruang kerja terpisah

Ada beberapa keuntungan untuk menerbitkan laporan ke ruang kerja yang berbeda dari tempat model semantik disimpan.

Pertama, ada kejelasan tentang siapa yang bertanggung jawab untuk mengelola konten di ruang kerja mana. Kedua, pembuat laporan memiliki izin untuk menerbitkan konten ke ruang kerja pelaporan (melalui peran admin ruang kerja, anggota, atau kontributor). Namun, mereka hanya memiliki izin Baca dan Bangun untuk model semantik tertentu. Teknik ini memungkinkan keamanan tingkat baris (RLS) berlaku jika perlu bagi pengguna yang ditetapkan ke peran penampil.

Analisis dependensi dan dampak

Ketika model semantik bersama digunakan oleh model atau laporan semantik lainnya, objek dependen tersebut dapat ada di banyak ruang kerja. Tampilan silsilah membantu mengidentifikasi dan memahami dependensi hilir. Saat merencanakan perubahan model semantik, pertama-tama lakukan analisis dampak untuk memahami model atau laporan semantik mana yang harus diedit atau diuji.

Penyetelan gateway

Biasanya, gateway data diperlukan saat mengakses sumber data yang berada dalam jaringan organisasi privat atau jaringan virtual. Gateway data lokal menjadi relevan setelah file Power BI Desktop diterbitkan ke layanan Power BI. Dua tujuan gateway adalah untuk me-refresh data yang diimpor, atau melihat laporan yang meminta koneksi langsung atau model semantik DirectQuery .

Catatan

Untuk skenario BI layanan mandiri terkelola yang dapat disesuaikan, gateway data terpusat dalam mode standar sangat direkomendasikan melalui gateway dalam mode pribadi. Dalam mode standar, gateway data mendukung operasi koneksi langsung dan DirectQuery (selain operasi refresh data terjadwal).

Pengawasan sistem

Log aktivitas merekam aktivitas pengguna yang terjadi di layanan Power BI. Administrator Power BI dapat menggunakan data log aktivitas yang dikumpulkan untuk menjalankan audit guna membantu mereka memahami pola penggunaan dan adopsi. Log aktivitas juga berharga untuk mendukung upaya tata kelola, audit keamanan, dan persyaratan kepatuhan. Dengan skenario BI layanan mandiri terkelola yang dapat disesuaikan, sangat membantu untuk melacak penggunaan model semantik bersama asli serta model semantik dependen.

Konten terkait

Dalam artikel berikutnya dalam seri ini, pelajari tentang menggunakan kembali pekerjaan persiapan data dengan aliran data dalam skenario persiapan data layanan mandiri.