エピソード

  • #073 Wie wichtig ist das Datenmodell?

    #073 Wie wichtig ist das Datenmodell?
    2024/09/30
    In dieser Podcast-Episode dreht sich alles um die Bedeutung von Datenmodellen in Power BI. Wir starten mit der Frage: Wie wichtig ist das richtige Datenmodell für den Erfolg in BI-Projekten? Dabei werfen wir einen genauen Blick auf das Sternschema und das Snowflake-Schema – zwei der bekanntesten Ansätze zur Datenmodellierung. Das Sternschema bietet eine einfache und effiziente Möglichkeit, Daten zu organisieren, sodass Analysen und Berichte schnell und übersichtlich erstellt werden können. Es eignet sich perfekt für Szenarien mit klaren Beziehungen zwischen Fakten- und Dimensionstabellen. Im Gegensatz dazu bietet das Snowflake-Schema eine detailliertere und normalisierte Struktur, die besonders in komplexeren Datenlandschaften glänzt. Wir besprechen auch die Rolle von Dimensionen in diesen Modellen. Sie sind der Schlüssel zu flexiblen und aussagekräftigen Berichten, da sie uns ermöglichen, Daten aus verschiedenen Blickwinkeln zu analysieren. Ein gutes Verständnis von Dimensionen und deren Einsatz in den beiden Modelltypen ist entscheidend, um das Beste aus Power BI herauszuholen. Natürlich darf auch das Thema Datenqualität nicht fehlen! Ein solides Datenmodell ist die Grundlage für vertrauenswürdige Analysen. Wir diskutieren, wie die Wahl des richtigen Modells dazu beitragen kann, dass deine Daten sauber und konsistent bleiben. Freut euch auf spannende Einsichten, wie Andreas und Marcus im Gespräch über ihre eigenen Erfahrungen mit Datenmodellen in Power BI berichten. Sie teilen bewährte Praktiken, wann welches Schema am besten geeignet ist und wie Dimensionen dabei helfen, tiefer in die Datenanalyse einzutauchen. Wie immer gibt es die drei Dinge für den Nachhauseweg! Was ist eure bevorzugte Methode zur Datenmodellierung? Lasst es uns wissen! Wir freuen uns auf eure Meinungen und Diskussionen.
    続きを読む 一部表示
    44 分
  • #072 Was sind unsere Lieblingsfunktionen in Power BI?

    #072 Was sind unsere Lieblingsfunktionen in Power BI?
    2024/09/16
    In dieser Podcast-Episode dreht sich alles um unsere Lieblingsfunktionen in Power BI und wie sie uns helfen, Daten effizienter zu analysieren und bessere Entscheidungen zu treffen. Wir starten mit der Frage: Welche Funktionen machen Power BI so leistungsfähig? Dabei werfen wir einen Blick auf die wichtigsten Features – von der Verwendung von Berechnungsgruppen bis hin zur Spalten-Split-Funktion. Wir besprechen, wie Berechnungsgruppen es uns ermöglichen, dynamische Kennzahlen zu erstellen und die Wartung zu vereinfachen. Ein weiteres Highlight ist die Möglichkeit, Spalten zu splitten, um Daten für Analysen besser vorzubereiten. Beide Funktionen tragen dazu bei, dass wir unsere Berichte schneller und strukturierter erstellen können. Natürlich darf auch das Thema DAX und die Power Query-Funktionalitäten nicht fehlen! Wir tauchen tief in die Vorteile ein, die diese Tools bieten, und teilen Tipps, wie man das Beste aus ihnen herausholen kann. Diese Episode ist vollgepackt mit wertvollen Einsichten für alle, die ihre Arbeit mit Power BI noch produktiver gestalten wollen. Seid gespannt, wie Andreas und Marcus im Gespräch ihre Lieblingsfunktionen in Power BI beleuchten. Sie teilen ihre Erfahrungen, Tipps und Tricks – und natürlich gibt es wieder die drei Dinge für den Nachhauseweg. Welche Funktionen liebt ihr in Power BI? Lasst es uns wissen! Wir freuen uns auf eure Meinungen!
    続きを読む 一部表示
    1分未満
  • #071 Wie baue ich eine BI-Community auf? Gast: Ulrik Harnisch

    #071 Wie baue ich eine BI-Community auf? Gast: Ulrik Harnisch
    2024/09/02
    In dieser Podcast-Episode dreht sich alles darum, wie man erfolgreich eine Community aufbaut und managt. Wir starten mit der Frage: Wie baue ich eine Community auf? Dabei werfen wir einen Blick auf die wesentlichen Schritte – von der Entwicklung einer klaren Vision bis hin zur Auswahl der passenden Plattform und der Schaffung von Mehrwerten für die Mitglieder. Ulrik spricht über den persönlichen Einsatz, der notwendig ist, um eine Community lebendig zu machen und langfristig zu erhalten. Dabei geht es um die Wichtigkeit von aktiver Moderation, regelmäßiger Interaktion und persönlichem Engagement – das sind die Dinge, die wirklich den Unterschied ausmachen. Natürlich darf auch das Thema Engagement nicht fehlen! Wir besprechen, wie man Mitglieder motiviert und eine Kultur der aktiven Teilnahme fördert. Es gibt viele praktische Tipps, wie man eine lebendige und unterstützende Gemeinschaft aufbaut, in der sich jeder wohlfühlt und gerne mitmacht. Diese Episode ist vollgepackt mit wertvollen Einsichten für alle, die eine erfolgreiche Community gestalten möchten. Und was das Ganze mit den Beastie Boys zu tun hat? Hört einfach rein! Es ist an der Zeit, den Horizont zu erweitern und herauszufinden, welche Vorteile eine aktive Community bieten kann – besonders, wenn es darum geht, unseren BI-Alltag zu erleichtern. Seid gespannt, wie Andreas und Marcus im Gespräch mit Ulrik das Thema Community in Bezug auf ihr Lieblingsprodukt beleuchten. Sie teilen ihre Erfahrungen und Meinungen – und natürlich sind auch die drei Dinge für den Nachhauseweg wieder mit dabei! Was denkt ihr dazu? Wir freuen uns auf eure Meinungen!
    続きを読む 一部表示
    33 分
  • #70 Wie bekommen wir die Daten sauber in unser BI-System?

    #70 Wie bekommen wir die Daten sauber in unser BI-System?
    2024/08/19
    In den letzten zehn Folgen haben wir uns mit zentralen Themen der Business Intelligence (BI) beschäftigt. Dazu gehörten die Trennung von Datenmodell und Visualisierung sowie die Einführung neuer Funktionen wie Direct Lake. Wir haben auch die Frage erörtert, ob Excel nach wie vor das beste BI-Werkzeug ist. Zudem haben wir diskutiert, ob es sinnvoller ist, BI-Lösungen zu kaufen oder selbst zu entwickeln, wie sich die Kosten für BI steuern lassen und ob es von Vorteil ist, ein Projekt aus einer Hand zu realisieren. Weitere Schwerpunkte waren die Quellen für Expertisen, das Verständnis von Datenprodukten und die Rolle von dbt. Wir haben uns auch damit beschäftigt, ob jeder die DAX-Sprache in Power BI beherrschen sollte. Ist jetzt noch Zeit für ein neues Thema? Nach diesem umfassenden Rückblick stellt sich die Frage, ob noch Raum für ein neues Thema bleibt. Die Antwort ist ein klares Ja. Um Daten sauber in ein BI-System zu integrieren, müssen mehrere Herausforderungen gemeistert werden. Eine der ersten Aufgaben besteht darin, die Datenlage zu bereinigen, indem überflüssige Informationen identifiziert und eliminiert werden. Dabei stellt sich die Frage, wie detailliert die Daten tatsächlich sein müssen, um wertvolle Erkenntnisse zu liefern, ohne das System zu überlasten. Die Wahl der richtigen Systeme spielt eine zentrale Rolle, da sie die Grundlage für eine nahtlose Datenintegration bilden. Verschiedene Datenstrukturen stellen dabei eine besondere Herausforderung dar, da sie harmonisiert werden müssen, um ein einheitliches und verwertbares Gesamtbild zu erzeugen. Bei der Einführung eines neuen Systems ist es entscheidend, die Altdatenübernahme sorgfältig zu planen, damit bestehende Informationen verlustfrei und korrekt in die neue Umgebung überführt werden können. All diese Aspekte tragen dazu bei, dass das BI-System sauber und effizient arbeitet, was die Grundlage für fundierte geschäftliche Entscheidungen bildet. Wie sehen es Andreas und Marcus? Sind wir derselben Meinung oder haben wir unterschiedliche Ansichten? Welche Erfahrungen haben wir in unseren BI-Projekten mit Datenaufbereitung und Bereitstellung gemacht? Gibt es unterschiedliche Herangehensweisen an das Thema? Hört mal rein was wir zu sagen haben. Natürlich gibt es auch wieder drei interessante Takeaways für euch!
    続きを読む 一部表示
    39 分
  • #069 Muss in Power BI jeder DAX können?

    #069 Muss in Power BI jeder DAX können?
    2024/08/05
    Die Notwendigkeit, dass jeder in Power BI DAX beherrschen muss, hängt stark von der Struktur und den Anforderungen des jeweiligen Teams und Projekts ab. Während ein grundlegendes Verständnis von DAX für viele Teammitglieder nützlich sein kann, sind tiefergehende Kenntnisse vor allem für spezialisierte Rollen wie Datenanalysten und Datenmodellierer essenziell. Eine ausgewogene Verteilung der DAX-Kompetenzen und eine klare Rollenverteilung können die Effizienz und Qualität der Arbeit in Power BI-Projekten erheblich steigern. Letztlich sollte jede Organisation eine auf ihre spezifischen Bedürfnisse zugeschnittene Schulungs- und Kompetenzstrategie entwickeln. Argumente dafür: • Flexibilität und Unabhängigkeit: Alle Teammitglieder können selbständig arbeiten. • Bessere Zusammenarbeit: Gemeinsames Verständnis erleichtert die Kommunikation. • Effiziente Problemlösung: Schnellere Anpassungen und Fehlerbehebungen. • Höhere Qualität: Korrekte und optimierte Berechnungen durch das gesamte Team. Argumente dagegen: • Spezialisierung: Datenanalysten übernehmen komplexe Berechnungen, während andere sich auf ihre Kernkompetenzen konzentrieren. • Komplexität: DAX erfordert viel Lernaufwand, denn nicht jeder aufbringen kann oder möchte. • Ressourcenmanagement: Schulung aller Mitarbeiter kann teuer und zeitaufwendig sein. • Werkzeugvielfalt: Viele Power BI-Funktionen sind auch ohne tiefgehende DAX-Kenntnisse nutzbar. Nicht jeder muss DAX beherrschen. Während grundlegende Kenntnisse für viele hilfreich sind, sollten tiefergehende Fähigkeiten auf spezialisierte Rollen beschränkt bleiben. Eine ausgewogene Verteilung der DAX-Kompetenzen steigert die Effizienz und Qualität der Arbeit in Power BI-Projekten. Wie sehen es Andreas und Marcus? Sind sie derselben Meinung oder haben sie unterschiedliche Ansichten? Welche Erfahrungen haben sie in ihren BI-Projekten mit Power BI und DAX gemacht? Oder gibt es Bereiche, in denen sie unterschiedliche Meinungen haben? Natürlich gibt es auch wieder drei interessante Takeaways für euch!
    続きを読む 一部表示
    36 分
  • #068 Was ist eigentlich dieses dbt?

    #068 Was ist eigentlich dieses dbt?
    2024/07/22
    dbt oder Data Build Tool, ist ein wesentlicher Bestandteil von Datenpipelines. Es ermöglicht in unseren BI-Projekten, SQL-Abfragen zu verwalten und Daten effizient zu transformieren. Eines der größten Vorteile von dbt ist die Fähigkeit, Änderungen an den Datenmodellen nachvollziehen zu können. Das ist besonders hilfreich, um sicherzustellen, dass man konsistente und genaue Daten in den Data Warehouses hat. Und wenn jeder im Team weiß, wie man Markdown verwendet, kann man sich dann als dbt-Experte bezeichnen? Der größte Vorteil von dbt ist die Versionierung und Dokumentation von Änderungen an den Datenmodellen, was die Nachverfolgbarkeit und Transparenz erheblich verbessert. Wenn man dann noch seinen Code gut strukturiert, mit klaren Namenskonventionen arbeitet erleichtert es das Verständnis, die Qualität und die Wartbarkeit des Codes. Erfahrt, wie dbt die Datenprozesse revolutionieren kann und ob es das Zeug hat, zum unverzichtbaren Begleiter in unserer Datenlandschaft zu werden. Wie sehen es Andreas und Marcus? Sind sie derselben Meinung oder haben sie unterschiedliche Ansichten? Welche Erfahrungen haben sie in ihren BI-Projekten mit dbt gemacht? Oder gibt es Bereiche, in denen sie unterschiedliche Meinungen haben? Natürlich gibt es auch wieder drei interessante Takeaways für euch!
    続きを読む 一部表示
    33 分
  • #067 Wie verstehen wir Datenprodukte?

    #067 Wie verstehen wir Datenprodukte?
    2024/07/08
    Datenprodukte sind speziell entwickelte Anwendungen, Tools oder Systeme, die aus vorhandenen Daten nützliche Informationen und Erkenntnisse generieren. Sie entstehen durch Prozesse, die Daten sammeln, verarbeiten, analysieren und präsentieren, um sie für Nutzer wertvoll und zugänglich zu machen. Aber ist das wirklich alles? Gibt es klare Definitionen, was dazu gehört, wie beispielsweise Berichte, Dashboards, Algorithmen, APIs oder ganze Analytikplattformen? Oder sind diese Themen unterschiedlich, weil jeder eine andere Sicht auf die Inhalte von Datenprodukten hat? Beginnt man mit der Sammlung von Daten aus unterschiedlichen Quellen oder klar festgelegten Systemen? Obwohl diese Themen für den Endverbraucher oft uninteressant sind, sind sie entscheidend für die Qualität und Inhalte der Datenprodukte. Welche Perspektiven gibt es bei der Erstellung und Nutzung von Datenprodukten? Aus Sicht des Erstellers eines Datenprodukts sind mehrere Elemente wichtig. Dazu gehören ein Prüfsiegel zur Qualitätssicherung, eine klare Spezifikation der Anforderungen, ein Handbuch zur Nutzung und die Bewerbung des Produkts. Aus Sicht des Konsumenten liegt der Schwerpunkt auf der Bedienbarkeit. Ein Datenprodukt muss so gestaltet sein, dass der Nutzer es leicht verstehen und anwenden kann, um die Akzeptanz zu maximieren. Datenprodukte sollen dazu beitragen, datengetriebene Entscheidungen zu erleichtern und die Effizienz sowie die Genauigkeit von Geschäftsprozessen zu steigern. Sehen Andreas und Marcus das genauso wie viele Experten oder haben sie dazu eine andere Meinung? Welche Erfahrungen haben sie in Ihren BI-Projekten damit gemacht? Natürlich gibt es auch wieder drei interessante Takeaways für euch!
    続きを読む 一部表示
    39 分
  • #066 Wo ist die Quelle für die Expertise, Meinung oder Best Practice?

    #066 Wo ist die Quelle für die Expertise, Meinung oder Best Practice?
    2024/06/24
    „Wo ist die Quelle für die Expertise, Meinung oder Best Practice?“ Die Wahrnehmung von außen, sei es durch Kunden, Partner oder der Öffentlichkeit, kann eine wichtige Quelle für Expertise und Best Practices sein. Transparente Quellenangaben sind daher entscheidend, um Glaubwürdigkeit zu gewinnen. Feedback und Beobachtungen von anderen können dazu beitragen, die eigenen Ansätze zu verbessern und erfolgreiche Strategien zu erkennen. Expertenwissen kann erlernt oder durch praktische Erfahrungen erworben sein. Ein echter Experte kombiniert tiefes Wissen mit umfangreicher Erfahrung und der Fähigkeit, komplexe Themen verständlich zu erklären. Mehr Wissen führt zu fundierteren Entscheidungen, aber unterschiedliche Menschen können mit dem gleichen Wissen zu verschiedenen Schlussfolgerungen kommen. Was hat sie noch geprägt? Oder ist ein Experte jemand, der sein Unternehmen mit wenigen Vorgaben steuern kann? Der IBCS-Standard, insbesondere die SUCCESS-Regeln und Dashboard Konzepte, helfen dabei, Informationen klar und verständlich zu präsentieren. Ist es ein Muss und kann man Kundenanforderungen, CI und Design-Anforderungen integrieren, oder gibt es nur ein entweder oder? Schränken zu viele Standards die Freiheit ein, oder sind es Leitplanken, die die Zusammenarbeit im Team leichter machen? Während Standards Qualität und Konsistenz sichern, dürfen sie nicht die Kreativität und Flexibilität ersticken? Welche Meinungen haben Andreas und Marcus dazu? Geht es darum, das richtige Gleichgewicht zu finden? Hört rein welche Erfahrungen Andreas und Marcus in ihren BI-Projekten mit Best Practice und Standards gemacht haben und warum es besser ist im Team zu arbeiten. Oder sind sie da nicht einer Meinung? Natürlich gibt es auch wieder mindestens drei interessante Takeaways für euch!
    続きを読む 一部表示
    36 分