DevOps, CI/CD, die Verwendung von Git-Repos - all das gehört in der klassischen Software-Entwicklung seit Jahren zum Standard. In der Berichtsentwicklung ist dies auch heute noch eher die Ausnahme. Deswegen wollen wir in diesem Blogbeitrag vorführen, wie man mit Buildpipelines verlässliche und konsistente Power BI-Berichte im Team entwickeln kann, die zudem definierten Regeln folgen, z.B. für DAX-Codierungen, Sortierungen oder Formatierungen.

Durch Datenvisualisierungssoftware wie Tableau und PowerBI und deren Self-Service Vermarktung und Anwendung, ist gute Datenvisualisierung von wichtigster Bedeutung. Mit immer größeren Datenmengen, die wir verarbeiten müssen, wird es zunehmend wichtig, komplexe Informationen klar und prägnant darzustellen. Tools wie Tableau oder Power BI ermöglichen es, in wenigen Schritten aussagekräftige Visualisierungen zu erstellen. Doch was macht eine Visualisierung besonders wirkungsvoll? Ein entscheidender Faktor ist die präattentive Wahrnehmung.

DevOps, CI/CD, die Verwendung von Git-Repos - all das gehört in der klassischen Software-Entwicklung seit Jahren zum Standard. In der Berichtsentwicklung ist dies auch heute noch eher die Ausnahme. Deswegen wollen wir in diesem Blogbeitrag vorführen, wie man mit Buildpipelines verlässliche und konsistente Power BI-Berichte im Team entwickeln kann, die zudem definierten Regeln folgen, z.B. für DAX-Codierungen, Sortierungen oder Formatierungen.

Data-Governance ist die Summe von Richtlinien, Rollen, Prozessen und Standards, die ein Unternehmen, bis runter auf die einzelnen Mitarbeitenden befähigen, effektiv und effizient mit Daten umzugehen, um darauf aufbauend zielgerichtete Entscheidungen zu treffen. Dieser Blogbeitrag beleuchtet die Bedeutung und die Schritte, die Unternehmen ergreifen können, um sie erfolgreich zu implementieren.

Power BI hat sich als eines der führenden Tools für Datenanalyse und -visualisierung etabliert. Allerdings gibt es auch bei diesen Tool Stolpersteine bei der Entwicklung von Power BI Berichten, über die man sich Gedanken machen muss.

DataOps ist eine Praktik, die sich auf die Integration von Datenmanagement und operativen Prozessen konzentriert, um die Datenpipeline effizienter und agiler zu gestalten. Ähnlich wie DevOps für Softwareentwicklung bezieht sich DataOps auf eine methodische und automatisierte Herangehensweise an die Verwaltung von Daten, um die Zusammenarbeit zwischen Datenanalysten, Data Scientisten, Data Engineers und anderen relevanten Stakeholdern zu verbessern.

In unserem Blogbeitrag gehen wir auf Gründe und Umsetzungsoptionen, sowie Nachteile und Optimierungsmöglichkeiten für die manuelle Dateneingabe in Business Intelligence Systemen ein. Bei der manuellen Dateneingabe werden Daten in einem definierten Prozess von Unternehmensmitarbeiterinnen und -mitarbeitern in ein BI System eingetragen bzw. übertragen. Erhalten Sie Einblicke in verschiedene Möglichkeiten zur Umsetzung eines manuellen Eingabeprozess und zur Reduzierung von Fehleranfälligkeit und Kosten.

Bis heute wird bei der Betrachtung des Zusammenhangs von Data Engineering und Künstlicher Intelligenz das Erstere vor allem als Grundlage für Letzteres gesehen: Zunächst muss man mit Data Engineering einen großen und qualitativ hochwertigen Datenpool bereitstellen, um dann im nächsten Schritt aussagekräftige KI-Modelle entwickeln zu können. Wie sieht es aber mit der umgekehrten Richtung aus? Wie beeinflusst die Künstliche Intelligenz selbst das Data Engineering?