I det här kapitlet lär du dig om de viktigaste användningsfallen för datamodeller i Sigma. Med en datamodell kan du skapa anpassade datakällor som är tillgängliga för andra Sigma-dokument i din organisation. Det gör att du kan skala upp, styra och underhålla teamets insikter, analyser och appar.

Vad är en datamodell?

Datamodeller vs. arbetsböcker

Centralisera KPI-uppdateringar

Joins och unions i en datamodell

Kombinera två tabeller med en union

Bygga en bastabells för en datamodell

Kombinera två tabeller med en join

Publicera och använda en datamodell

Använda en datamodell i en arbetsbok

Hållbara insikter som håller över tid

I det här kapitlet lär du dig hur du skalar insikter bortom en enskild tabell med hjälp av mätvärden och relationer. Du bygger ett exempel på var och en av dessa centrala datamodellfunktioner och ser dem sedan i praktiken i en arbetsbok, så att du direkt förstår deras effekt. När du har lärt dig om dessa funktioner kan du tillhandahålla beräkningar till hela analysteamet och styra join-logik centralt från en datamodell – utan att begränsa flexibiliteten för användarna.

Definiera kärnberäkningar med mätvärden

Skapa en källa för sanning för ett KPI

Mätvärden vs. beräknade kolumner

Berika en datamodell genom att lägga till ett mått

Skapa ditt första mått

Använd ett mätvärde i en arbetsbok

Hantera kopplingar effektivt med relationer

Relationer vs. joins

Relationstyper

Lägg till kolumner i en bastabell med en relation

Lägga till en relation mellan lån och kunder

Utforska relationer i arbetsboken

Berika tabeller med mätvärden och relationer

I det här kapitlet lär du dig om två avancerade funktioner i datamodeller – parametrar och kolumnsäkerhet – innan du omsätter allt du lärt dig i ett avslutande exempel. Parametrar ger dig möjlighet att konfigurera flexibla filter för dina modeller, och säkerhetsfunktionen hjälper dig att skydda känsliga data. Genom att kombinera alla funktioner och bästa praxis du har lärt dig hittills får du sedan chansen att befästa dina kunskaper om skalbar analys.

Filtrera data med datamodellparametrar

Parametrar vs. filter

Lägg till en parameter i en datamodell

Använda kolumnsäkerhet för att skydda känsliga data

Lägg till kolumnsäkerhet i en datamodell

Stöd ditt team med en komplett datamodell

Slutför en datamodell utifrån en specifikation

Prototypanalys

Avslutning

Sätt ihop allt med parametrar och säkerhet

Sluta skriva om samma joins och beräkningar – och börja arbeta med välstrukturerad, skalbar analys med hjälp av Sigmas datamodeller. I den här kursen lär du dig när och varför man använder datamodeller i Sigma, och hur de kan förbättra prestanda, standardisera beräkningar inom en organisation och styra åtkomsten till känslig information.

Vi går igenom unions, joins, relationer, mätvärden, parametrar och säkerhet på kolumnnivå för att skapa stabila byggstenar för analys som du kan dela med andra.

När du har slutfört kursen vet du när du bör skapa en datamodell och vilka funktioner som passar ditt användningsfall. Inga fler ad hoc-joins och ingen mer förvirring bland användarna.

Sluta skriva om samma joins och beräkningar om och om igen, och fördjupa dig i välstyrd, skalbar analys med Sigma data models. I den här kursen lär du dig när och varför datamodeller i Sigma används, och får förståelse för deras unika möjligheter att öka prestandan, standardisera beräkningar i hela organisationen och hantera känslig information.

Vi kommer att utforska unioner, joins, relationer, mått, parametrar och kolumnnivåsäkerhet för att skapa och dela stabila byggstenar för analys.

I slutet av den här kursen kommer du att veta när du ska skapa en datamodell och vilka funktioner du behöver för att passa ditt användningsområde. Inga fler ad hoc-joins, och ingen mer förvirring för användarna.

Sluta omskriva samma joins och beräkningar, använd Sigma datamodeller för skalbar analys.

Datamodellering i Sigma

Sluta skriva om samma joins och beräkningar, och gå in i välstyrd, skalbar analys med Sigma data models.

Avslutning

Create Your Free Account