Whitepaper
Tableau Data Management
Förtroende, visibilitet och kontroll för självbetjäningsanalys i stor skala
Tableau förändrade BI-landskapet med modern självbetjäningsanalys. Genom att sätta intuitiv, visuell analys i händerna på domänexperter kan människor börja utforska sina egna datafrågor och på ett enkelt sätt upprepa sina analyser för att få nya insikter – utan att behöva be IT-avdelningen om hjälp. När allt fler nu börjar använda modern analys ställs IT-avdelningarna inför svårigheter med att anpassa, hantera och lyfta fram rätt data samtidigt som företagsanvändarna kämpar med att hitta relevant och tillförlitlig data till sina analyser.
Tableaus uppdrag är att hjälpa människor att se och förstå data, och vi investerar därför i datahantering för våra användare på ett unikt sätt. Med en mycket visuell lösning som når användare i kontexten av deras analys hjälper vi till så att alla i organisationen vet att de har rätt data och kan lita på den när de ska fatta beslut. Ökad visibilitet, bättre möjlighet att upptäcka data och förbättrat förtroende bidrar till att skala upp en kontrollerad datamiljö. Det innebär att IT bättre kan hantera spridningen av datakällor och analysinnehåll medan slutanvändarna snabbare kan hitta den data de söker och känner sig trygga med sina analyser.
Traditionella datahanteringsprocesser kan inte längre skalas.
För att den moderna analysen ska lyckas måste organisationer hitta rätt balans av möjligheter och kontroll utan att tumma på säkerheten. Det betyder att man för att kunna skala upp behöver gå över till datahantering med ökad visibilitet och hjälpa slutanvändarna att hitta tillförlitlig data.
Tidigare hämtade och bevarade organisationer enbart relevant företagsdata. Nu har varje avdelning – från marknad och försäljning till ekonomi – olika typer av data och nischade analysbehov för att maximera sitt eget värde. Människor samlar data innan de ens vet vad de ska göra med den, och viss avdelningsdata och användningen av den kanske inte ens finns på IT-avdelningens radar.
Förutom den här spridningen av data tillkommer även allt arbete som görs för att ge datan rätt form och format för analys. I traditionella modeller förbereder IT data för en specifik analys och bevarar sedan databaserna eller filerna. När allt mer data samlas söker IT stabilitet för att stötta datamiljön men möter problem när det gäller att ersätta tabeller och datakällor utan att veta vilken effekt det har på användarna längre fram. Samtidigt behöver de vara försiktiga med att inte bryta upp verksamhetskritiska dashboards.
Modern analys har hjälpt till att förändra IT:s roll. Man har gått från att skapa rapporter till att underhålla och skydda de system som gör att hela organisationen får självständighet att fatta datadrivna beslut. Företagsanvändare kommer nu med olika typer av data som är viktiga för dem, men det sker ännu inte på ett skalbart sätt. Många processer är fortfarande manuella och kan bland annat inbegripa att flytta data från kontrollerade till icke kontrollerade system för analys. IT använder kontroll som barriär för att utforska data och analys snarare än att begränsa åtkomst och skapa flaskhalsar. Men IT har fortfarande ansvaret att skala självbetjäningsanalys till en bredare målgrupp, vilket kräver processer för att operationalisera och automatisera processer såväl som en balans av kontroll och agilitet.
Eftersom organisationer i allt högre grad förlitar sig på datadrivet beslutsfattande för organisatoriska förändringar vill allt fler ha åtkomst till och analysera data. Vissa företagsanvändare utvecklar mer sofistikerade datafärdigheter medan de flesta inte vet vilken data de ska använda eller var de kan hitta den. Det är svårt för personer som använder data varje dag att kunna sådant som hur data ska namnges eller hur komplexa datastrukturer ser ut, förstå databaser och veta vilka tabeller som ska förenas. När dataåtkomst var något som bara berörde några få personer i företaget var det enklare att helt enkelt fråga sin vanliga dataexpert. Det fungerar inte idag när antalet dataärenden stiger och modern analys snabbt börjar användas.
Historiskt sett har arbetet med att förstå hur datatillgångar används inom organisationen varit antingen anekdotiskt – ”vem använder det här och hur?” – eller en kodningsutmaning där man skrapat innehåll för att försöka hitta svar. Låt oss säga att ett ETL-jobb misslyckas eller att en tabell ska tas bort från en databas. I en traditionell datahanteringsmodell skulle en administratör kunna uppdatera en wikisida eller skicka ett massmejl och hoppas på att det skulle nå de människor som påverkas. En organisation kan ha en företagsdatakatalog med användbara databeskrivningar, dokumenterat ursprung och indikatorer på datans färskhet, men hur ofta loggar slutanvändarna in i det här systemet för att se om den data de använder är tillförlitlig och uppdaterad innan de börjar analysera?
Efterlevnadskrav gör det också svårare att säkerställa att man använder rätt data, vilket kan skada uppfattningen av att en organisation hanterar känsliga data korrekt. Om IT vill att slutanvändarna ska förstå vilken data de bör använda och huruvida det finns kvalitetsproblem behöver människor kvalitetsinformation i kontexten av sina analyser – inte i ett separat system eller verktyg. Att få den metadatan direkt hjälper användarna att lita på sin data.
Enligt Gartners enkätdata kräver datakonsumenter att få data snabbare samtidigt som dataproducenter har högre tryck på sig att komma åt, granska, kvalificera och leverera data snabbt. Båda överväldigar traditionella datahanteringslösningar (integrering, mer specifikt).
Tableau tar sig an datahantering på ett annat sätt
I otaliga samtal med kunder har vi sett tydliga problem med enorma variationer i data, outnyttjade investeringar i datalager och andra hanteringsverktyg samt svårigheter att säkerställa att användarna får rätt data för att fatta beslut. Vår inställning till datahantering skiljer sig från traditionella lösningar eftersom den lyfter fram metadata och integrerar hanteringsprocesser i Tableaus analysplattform där användarna redan befinner sig. Det ger inte bara en visuell upplevelse som är till stor nytta för både IT och de dagliga användarna, utan kan även ge ökad kraft åt befintliga investeringar i datahantering.
Traditionella lösningar för datahantering är oftast inte designade med flera slutanvändare i åtanke. För att skala en självbetjäningsmiljö där fler människor använder data lägger vi vikt vid att slutanvändarna delar en del av det traditionella ansvaret för datahantering med administratörer.
Medan andra datahanteringslösningar kanske hjälper till att flytta data eller integrera program ligger Tableaus fokus alltid på analysen. Vi vet hur viktigt det är att ge människor den information de behöver när och där de behöver den – direkt i sina analysflöden.
Vi tror att ett visuellt gränssnitt är det bästa sättet att interagera med din data. Oavsett om du söker efter rätt data, förbereder din data för analys eller utforskar den efter insikter blir processen både snabbare och enklare med visuella interaktioner.
Vi förstår hur viktigt det är att utnyttja dina befintliga investeringar när miljön för din företagsdata utvecklas. Vi erbjuder enastående valmöjligheter – från driftsättningsalternativ till våra många inbyggda datakopplingar – och samma flexibilitet och möjlighet att utvidga i våra datahanteringslösningar.
Vi presenterar Tableau Data Management Add-on
Med vår inställning till datahantering ger vi IT möjligheter att utveckla och underhålla en skalbar, kontrollerad och självständig datamiljö i ett datalandskap som ständigt förändras. Data Management Add-on inkluderar Tableau Prep Conductor och Tableau Catalog.
Visibilitet
Öka visibiliteten i din organisations datatillgångar för att hantera miljön på ett mer effektivt sätt.
Förtroende och kontroll
Skapa kontroll och förtroende i den data som används för att fatta beslut i alla delar av organisationen.
Upptäckbarhet
Öka upptäckbarheten så att användarna snabbt och tryggt kan hitta rätt data till sina analyser.
Skalbarhet
Hantera data effektivt i stor skala med hjälp av repeterbara processer för att hålla data och metadata uppdaterad.
Tableau Prep Conductor
Schemalagda flöden skapas med Tableau Prep Builder för att köras i en centraliserad, skalbar och tillförlitlig servermiljö så att organisationens data alltid är uppdaterad. Ge administratörer visibilitet i dataförberedelse genom självbetjäning i hela organisationen. Med Tableau Prep Builder kan du hantera, övervaka och skydda flöden med hjälp av din Tableau Server- eller Tableau Cloud-miljö. Läs mer.
Tableau Catalog
Hantera dina analyser med en fullständig vy över datan i din Tableau-miljö. Ge alla användare möjlighet att hitta, förstå och använda tillförlitlig data med effektiv sökning, dataordlista, ursprung och effektanalys. Integrera med dina befintliga metadatasystem med hjälp av Metadata-API:et och utväxla värdefull metadata med Tableau för att se var människor utför analyser. Läs mer.
Nära integrerat med Tableau-plattformen
Kritisk information är tillgänglig för människor där de behöver den – i kontexten av sina analyser. Företagsanvändare kan enkelt hitta kontrollerad data i Tableau utan att söka på wikisidor eller logga in i en företagskatalog för att bekräfta att den är tillförlitlig och uppdaterad. Dessutom kan IT utnyttja befintliga funktioner i Tableau-plattformen – bland annat säkerhet, kontroll, behörigheter, övervakning och hantering. Och ingen installation krävs – datatillgångar i din Tableau Server-miljö katalogiseras automatiskt.
Tableau Data Management Add-on licensieras separat från din Tableau Server- eller Online-miljö.
Tableau Data Management är till fördel för alla i din organisation
När din data har absorberats och lagrats flyttas den genom preppning och analys innan den delas i hela organisationen. Vi har skapat nära integreringar av datahanteringsprocesserna – till exempel att uppdatera preppflöden, lägga till och komma åt metadata och förstå dataursprung – i Tableau Server och Online där IT och företagsanvändare redan har sina analysarbetsflöden.
Anpassa och upptäcka data
Dataförvaltare och datatekniker kan lägga till beskrivningar och metadata i databaser, tabeller och kolumner. De kan även certifiera datatillgångar som hjälper användare att hitta tillförlitlig och rekommenderad data. Utvecklare kan även använda metadatametoder i Tableau Servers REST-API för att programmässigt uppdatera viss metadata. Datatekniker och databasadministratörer kommer ha nytta av metadata om användning för att se förändringar i tabeller och utifrån det optimera datakällor.
Innehållsförfattare kan söka i befintliga datakällor, databaser, filer eller tabeller i Tableau Server och Online för att se om den data de behöver redan finns, vilket bidrar till att minimera dubbletter av datakällor. Innehållskonsumenter kan på ett enklare sätt hitta tillförlitlig data genom att de ser beskrivningar, användning och certifiering av datakällor. När användare tittar på en visualisering kan de enkelt komma åt fältbeskrivningar på fliken med datadetaljer i dashboarden och kan därmed vara säkra på att de använder rätt data för analysen.
Ursprungs- och effektanalys
IT kan utföra effektanalyser för att förstå vilka datatillgångar och användare som kommer att påverkas av förändringar – om till exempel en databasadministratör eller datatekniker ändrar en kolumn eller tabell eller om en dataförvaltare modifierar en beräkning. IT kan mejla påverkade datatillgångars ägare inifrån Tableau-plattformen.
Företagsanvändare kan snabbt se ursprung för den data de använder för analys, bland annat var den kommer ifrån och vem som äger den, huruvida den är certifierad eller inte samt historik för körning av preppflöden, innan de ens öppnar en visualisering. Mer avancerade användare kan hitta analysinnehåll som publicerats på servern och kasta sig in och utforska beräkningar i arbetsböcker.
Kvalitetsvarningar och -aviseringar
Datatekniker och dataförvaltare kan ställa in kvalitetsvarningar direkt i servermiljön eller genom ett API. Dessa indikatorer – varning, föråldrad, inaktuell data eller underhåll pågår – hjälper till att avisera användare om datatillgångars status och ge ytterligare information, till exempel om en uppdatering är försenad eller om det saknas data som kan kompromettera analysen. Ägare av preppflöden (såsom dataförvaltare eller -analytiker) får direkt aviseringar om preppkörningar misslyckas, till exempel om en databas uppnår tidsgränsen eller om det saknas en kolumn, så att de snabbt kan vidta åtgärder.
Företagsanvändare ser kvalitetsindikatorer för datatillgångar i sina analysers kontext i Tableau. Det kan hjälpa människor på alla kunskapsnivåer att känna sig trygga med att fatta affärsbeslut med datan. Om det gäller en varning kan de läsa information från IT och utifrån den bestämma om de ska gå vidare med analysen eller inte.
Integrering med Metadata-API
IT kan utnyttja Metadata-API:et för att ge mer kraft åt den befintliga lösningen för metadatahantering. Hämta metadata till Tableau som databasadministratörer och -tekniker har anpassat i metadatatabeller eller en företagskatalog och extrahera metadata från Tableau att använda i andra dataprogram och affärsflöden.
Företagsanvändare kan få visibilitet i det arbete som IT har gjort med värdefull metadata från företagskatalogen där det är mest troligt att de ser och använder informationen: i sina analysers kontext i Tableau.
Prova Tableau Data Management Add-on som en del av provversionen av Tableau Server – kom igång idag!
*Gartner stödjer inte någon leverantör, produkt eller tjänst som framställs i deras forskningspublikationer och råder inte teknikanvändare att enbart välja de säljare som har högsta betyg eller annan beteckning. Gartners forskningspublikationer består av Gartners forskningsorganisationers åsikter och bör inte tolkas som faktautsagor. Gartner avvisar alla garantier, uttryckta eller underförstådda, med avseende på denna forskning, inklusive eventuella garantier för säljbarhet eller lämplighet för ett visst ändamål.