Skenario penggunaan Power BI: BI layanan mandiri terkelola

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.

Biasanya, ada lebih banyak pembuat laporan daripada pembuat model semantik (sebelumnya dikenal sebagai himpunan data). Pembuat laporan ini dapat berada di area organisasi mana pun. Karena pembuat laporan layanan mandiri sering kali perlu menghasilkan konten dengan cepat, pendekatan campuran memungkinkan mereka untuk fokus pada produksi laporan yang mendukung pengambilan keputusan tepat waktu tanpa upaya tambahan untuk membuat model semantik.

Catatan

Skenario BI layanan mandiri terkelola adalah yang pertama dari skenario BI layanan mandiri. Untuk daftar lengkap skenario BI layanan mandiri, lihat 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 ringkasan tingkat tinggi tentang tindakan pengguna yang paling umum dan komponen Power BI untuk mendukung BI layanan mandiri terkelola. Tujuan utamanya adalah bagi banyak pembuat laporan untuk menggunakan kembali model semantik bersama terpusat. Untuk mencapainya, skenario ini berfokus pada pemisahan proses pengembangan model dari proses pembuatan laporan.

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 mengembangkan model dengan 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 karena 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 semantik 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, termasuk laporan yang tersambung ke model semantik.
	Penemuan model semantik di hub data OneLake diaktifkan karena model semantik ditandai sebagai dapat ditemukan. Kemampuan penemuan memungkinkan keberadaan model semantik terlihat di hub data oleh pembuat konten Power BI lainnya yang mencari data.
	Pembuat laporan menggunakan hub data OneLake di layanan Power BI untuk mencari item data yang dapat ditemukan, seperti model semantik.
	Jika pembuat laporan tidak memiliki izin, mereka dapat meminta izin Build pada item data. Hal ini memulai alur kerja untuk meminta izin Build dari pemberi izin yang berwenang. Saat disetujui, pembuat laporan dapat menggunakan kembali item data untuk membuat laporan baru.
	Pembuat laporan membuat laporan baru dengan menggunakan Power BI Desktop. Laporan menggunakan koneksi langsung ke model semantik bersama.
	Pembuat laporan mengembangkan laporan di Power BI Desktop. Selain laporan, pembuat laporan dapat menggunakan tema, gambar, dan visual kustom, dan mereka dapat membuat langkah-langkah tingkat laporan.
	Setelah siap, pembuat laporan menerbitkan file Power BI Desktop mereka (.pbix) ke layanan Power BI.
	Laporan diterbitkan ke ruang kerja yang dikhususkan untuk menyimpan dan mengamankan laporan dan dasbor.
	Laporan yang diterbitkan tetap terhubung ke model semantik bersama yang disimpan di ruang kerja yang berbeda. Setiap perubahan pada model semantik bersama memengaruhi semua laporan yang terhubung ke sana.
	Pembuat laporan layanan mandiri lainnya dapat menulis laporan baru menggunakan model semantik bersama yang ada. Pembuat laporan dapat memilih untuk menggunakan Power BI Desktop, Power BI Report Builder, atau Excel.
	Beberapa sumber data mungkin memerlukan gateway data lokal atau gateway VNet untuk refresh data, seperti yang berada dalam jaringan organisasi privat.
	Administrator Power BI mengawasi dan memantau aktivitas di layanan Power BI.

Poin-poin penting

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

Model semantik bersama

Aspek utama dalam membuat pekerjaan BI layanan mandiri terkelola adalah meminimalkan jumlah model semantik. Skenario ini adalah tentang model semantik bersama yang membantu 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. Tujuan dari BI layanan mandiri terkelola adalah untuk menemukan keseimbangan yang tepat, condong ke model semantik yang relatif sedikit dan menciptakan model semantik baru ketika masuk akal untuk melakukannya.

Memisahkan model dan laporan semantik

Ketika model semantik dipisahkan dari laporan, model tersebut memfasilitasi pemisahan upaya dan tanggung jawab. Model semantik bersama umumnya dikelola oleh tim terpusat (seperti IT, BI, atau Center of Excellence), sementara laporan dikelola oleh pakar subjek di unit bisnis. Namun, hal itu tidak diperlukan. Misalnya, pola ini dapat diadopsi oleh pembuat konten apa pun yang ingin mencapai penggunaan kembali.

Catatan

Untuk kesederhanaan, aliran data tidak digambarkan dalam diagram skenario. Untuk mempelajari tentang aliran data, lihat skenario persiapan data layanan mandiri.

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.

Koneksi langsung ke model semantik bersama

Koneksi langsung Power BI Desktop menyambungkan laporan ke model semantik yang sudah ada. Koneksi langsung menghindari kebutuhan untuk membuat model data baru dalam file Power BI Desktop.

Penting

Saat menggunakan koneksi langsung, semua data yang dibutuhkan pembuat laporan harus berada dalam model semantik yang terhubung. Namun, skenario BI layanan mandiri terkelola yang dapat disesuaikan menjelaskan bagaimana model semantik dapat diperluas dengan data dan perhitungan tambahan.

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.

Penting

Saat Anda menerbitkan laporan Power BI Desktop ke ruang kerja, peran RLS diterapkan ke anggota yang ditetapkan ke peran penampil di ruang kerja. Bahkan jika penonton memiliki izin Build ke model semantik, RLS masih berlaku. Untuk informasi selengkapnya, lihat Menggunakan RLS dengan ruang kerja di Power BI.

Analisis dependensi dan dampak

Ketika model semantik bersama digunakan oleh banyak laporan, laporan 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 laporan dependen mana yang mungkin memerlukan pengeditan atau pengujian.

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, gateway data terpusat dalam mode standar sangat direkomendasikan melalui gateway dalam mode personal. 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, sangat membantu untuk melacak penggunaan model semantik bersama. Rasio model laporan-ke-semantik yang tinggi menunjukkan penggunaan kembali model semantik yang baik.

Konten terkait

Di artikel berikutnya dalam seri ini, pelajari tentang cara menyesuaikan dan memperluas model semantik bersama untuk memenuhi jenis persyaratan tambahan.