Användningsscenarier för Power BI: Anpassningsbart hanterat självbetjänings-BI

Som beskrivs i översikten för infrastrukturimplementering kännetecknas hanterad självbetjänings-BI av en blandad metod som betonar disciplin i grunden och flexibilitet vid gränsen. Dataarkitekturen underhålls vanligtvis av ett enda team med centraliserade BI-experter, medan rapporteringsansvaret tillhör skapare inom avdelningar eller affärsenheter.

Men när kärndataarkitekturen inte innehåller alla data som krävs kan semantiska modellskapare utöka, anpassa eller anpassa befintliga delade semantiska modeller. Nya specialiserade semantiska modeller kan skapas som uppfyller affärskrav som inte uppfylls av befintliga centralt levererade semantiska modeller. Det är viktigt att det inte finns någon duplicering av kärndata. Det här användningsscenariot kallas anpassningsbart hanterat självbetjänings-BI.

Scenariodiagram

Följande diagram visar en översikt på hög nivå över de vanligaste användaråtgärderna och Power BI-komponenterna för att stödja anpassningsbar hanterad självbetjänings-BI. Det primära fokuset ligger på att ge innehållsskapare i affärsenheterna möjlighet att skapa en specialiserad datamodell genom att utöka en befintlig delad semantisk modell. Målet är att uppnå återanvändning när det är möjligt och att tillåta flexibilitet för att uppfylla ytterligare analytiska krav.

Scenariodiagrammet visar följande användaråtgärder, verktyg och funktioner:

Artikel	Beskrivning
	Semantisk modellskapare A utvecklar en modell med Power BI Desktop. För en semantisk modell som är avsedd för återanvändning är det vanligt (men inte nödvändigt) att skaparen tillhör ett centraliserat team som stöder användare över organisationsgränser (till exempel IT, enterprise BI eller Center of Excellence).
	Power BI Desktop ansluter till data från en eller flera datakällor.
	Datamodellutveckling sker i Power BI Desktop. Ytterligare arbete görs för att skapa en väldesignad och användarvänlig modell så att den kan användas som datakälla av många rapportskapare med självbetjäning. Modellskapare kan använda DAX-frågor för att utveckla och utforska modellen under utvecklingen.
	När den är klar publicerar modellskapare A sin Power BI Desktop-fil (.pbix) eller Power BI-projektfil (.pbip) som endast innehåller en modell till Power BI-tjänst.
	Den semantiska modellen publiceras till en arbetsyta som är dedikerad för att lagra och skydda delade semantiska modeller. Eftersom den semantiska modellen är avsedd för återanvändning godkänns den (certifierad eller befordrad efter behov). Den semantiska modellen är också markerad som identifierbar för att ytterligare uppmuntra dess återanvändning. Ursprungsvyn i Power BI-tjänst kan användas för att spåra beroenden som finns mellan Power BI-objekt.
	Dataidentifiering i OneLake-datahubben är aktiverat eftersom den semantiska modellen är markerad som identifierbar. Med identifieringsbarhet kan en semantisk modell vara synlig i OneLake-datahubben av andra Power BI-innehållsskapare som letar efter data.
	Innehållsskapare använder OneLake-datahubben i Power BI-tjänst för att söka efter identifieringsbara dataobjekt, till exempel semantiska modeller.
	Om innehållsskapare har behörighet kan de begära byggbehörighet för dataobjekt. Detta startar ett arbetsflöde för att begära byggbehörighet från en auktoriserad godkännare. När de har behörighet kan innehållsskapare återanvända dataobjekten för att skapa nya lösningar.
	I Power BI Desktop skapar modellskaparen B en live-anslutning till den ursprungliga delade semantiska modellen som finns i Power BI-tjänst. Eftersom avsikten är att utöka och anpassa den ursprungliga semantiska modellen konverteras live-anslutningen till en DirectQuery-modell. Den här åtgärden resulterar i en lokal modell i Power BI Desktop-filen.
	Power BI Desktop ansluter till data från ytterligare datakällor. Målet är att utöka den delade semantiska modellen så att ytterligare analyskrav uppfylls av den nya specialiserade sammansatta semantiska modellen.
	Relationer skapas i Power BI Desktop mellan de befintliga tabellerna (från den delade semantiska modellen, även kallad fjärrmodellen) och nya tabeller som precis har importerats (lagras i den lokala modellen). Ytterligare beräkningar och modelleringsarbete utförs i Power BI Desktop för att slutföra utformningen av den specialiserade sammansatta modellen.
	När den är klar publicerar den semantiska modellskaparen B sin .pbix- eller .pbip-fil till Power BI-tjänst.
	Den nya specialiserade sammansatta semantiska modellen publiceras till en arbetsyta som är dedikerad för att lagra och skydda semantiska modeller som ägs och hanteras av avdelningen.
	Den specialiserade semantiska modellen är fortfarande ansluten till den ursprungliga delade Power BI-semantikmodellen. Ändringar i den ursprungliga delade semantiska modellen påverkar underordnade specialiserade sammansatta semantiska modeller som är beroende av den.
	Andra rapportskapare med självbetjäning kan skapa nya rapporter som är anslutna till den specialiserade sammansatta semantiska modellen. Rapportskapare kan välja att använda Power BI Desktop, Power BI Report Builder eller Excel.
	Rapporter publiceras till en arbetsyta som är dedikerad för att lagra och skydda rapporter och instrumentpaneler.
	Publicerade rapporter förblir anslutna till den specialiserade semantiska modellen som lagras på en annan arbetsyta. Eventuella ändringar i den specialiserade semantiska modellen påverkar alla rapporter som är anslutna till den.
	Vissa datakällor kan kräva en lokal datagateway eller VNet-gateway för datauppdatering, som de som finns i ett privat organisationsnätverk.
	Infrastrukturadministratörer övervakar och övervakar aktivitet i Infrastrukturresursportalen.

Huvudpunkter

Följande är några viktiga punkter att betona om det anpassningsbara hanterade BI-scenariot med självbetjäning.

Delad semantisk modell

Den viktigaste aspekten av att göra hanterad självbetjänings-BI-arbete är att minimera antalet semantiska modeller. Det här scenariot visar en delad semantisk modell som bidrar till att uppnå en enda version av sanningen.

Utöka den inledande delade semantiska modellen

Ibland måste självbetjäningsskapare utöka en befintlig semantisk modell med till exempel ytterligare data som är specifika för deras avdelning. I det här fallet kan de använda DirectQuery-anslutningar till Power BI-semantiska modeller. Den här funktionen möjliggör en idealisk balans mellan självbetjäningsaktivering samtidigt som du drar nytta av investeringen i centralt hanterade datatillgångar. Scenariodiagrammet visar en DirectQuery-anslutning. När du konverterar en live-anslutning till en DirectQuery-anslutning skapas en lokal modell som gör att nya tabeller kan läggas till. Relationer kan skapas mellan tabeller från den ursprungliga delade semantiska modellen (fjärrmodellen) och nya tabeller som precis har lagts till (den lokala modellen). Ytterligare beräkningar och datamodellering kan göras för att anpassa den nya datamodellen.

Stöd för semantisk modell

Eftersom delade semantiska modeller är avsedda för återanvändning är det bra att godkänna dem. En certifierad semantisk modell förmedlar till rapportskapare att data är tillförlitliga och uppfyller organisationens kvalitetsstandarder. En upphöjd semantisk modell visar att ägaren av semantikmodellen anser att data är värdefulla och värdefulla för andra att använda.

Identifiering av semantisk modell

OneLake-datahubben hjälper rapportskapare att hitta, utforska och använda semantiska modeller i hela organisationen. Förutom semantisk modellgodkännande är det viktigt att aktivera identifiering av semantiska modeller för att främja återanvändning. En semantisk modell som kan identifieras visas i datahubben för rapportskapare som söker efter data.

Begära semantisk modellåtkomst

En rapportskapare kan hitta en semantisk modell i den datahubb som de vill använda. Om de inte har build-behörighet för semantikmodellen kan de begära åtkomst. Beroende på inställningen för begärandeåtkomst för den semantiska modellen skickas ett e-postmeddelande till semantikmodellens ägare eller anpassade instruktioner visas för den person som begär åtkomst.

Publicera till separata arbetsytor

Det finns flera fördelar med att publicera rapporter till en arbetsyta som skiljer sig från den plats där den semantiska modellen lagras.

Först är det tydligt vem som ansvarar för att hantera innehåll på vilken arbetsyta. För det andra har rapportskapare behörighet att publicera innehåll till en rapportarbetsyta (via arbetsyteadministratör, medlem eller deltagarroller). De har dock bara läs- och byggbehörigheter för specifika semantiska modeller. Med den här tekniken kan säkerhet på radnivå (RLS) börja gälla när det behövs för användare som har tilldelats visningsrollen.

Beroende- och påverkansanalys

När en delad semantisk modell används av andra semantiska modeller eller rapporter kan dessa beroende objekt finnas på många arbetsytor. Ursprungsvyn hjälper dig att identifiera och förstå underordnade beroenden. När du planerar att ändra en semantisk modell ska du först utföra konsekvensanalys för att förstå vilka semantiska modeller eller rapporter som ska redigeras eller testas.

Gateway-konfiguration

Normalt krävs en datagateway vid åtkomst till datakällor som finns i det privata organisationsnätverket eller ett virtuellt nätverk. Den lokala datagatewayen blir relevant när en Power BI Desktop-fil har publicerats till Power BI-tjänst. De två syftena med en gateway är att uppdatera importerade data eller visa en rapport som frågar en live-anslutning eller directquery-semantisk modell.

Systemtillsyn

Aktivitetsloggen registrerar användaraktiviteter som inträffar i Power BI-tjänst. Power BI-administratörer kan använda aktivitetsloggdata som samlas in för att utföra granskning för att hjälpa dem att förstå användningsmönster och implementering. Aktivitetsloggen är också värdefull för att stödja styrningsinsatser, säkerhetsgranskningar och efterlevnadskrav. Med ett anpassningsbart hanterat BI-scenario med självbetjäning är det särskilt användbart att spåra användningen av den ursprungliga delade semantiska modellen samt beroende semantiska modeller.

Relaterat innehåll

I nästa artikel i den här serien får du lära dig mer om att återanvända dataförberedelsearbete med dataflöden i scenariot för dataförberedelse med självbetjäning.