Databricks bringt Unity-Catalog-Metrikansichten zu Power BI

Eine Definition für Metriken in BI und KI

Databricks zufolge soll die Integration ein verbreitetes Governance-Problem lösen: Unternehmen verwalten häufig separate semantische Modelle in vielen Power-BI-Arbeitsbereichen, während einzelne Teams Metriken und Beziehungen in unterschiedlichen Tools neu erstellen. Dadurch können Berichte unterschiedliche Definitionen für Kennzahlen wie Umsatz, Marge und aktive Kunden verwenden.

Mit Unity Catalog Semantics lassen sich Metrikansichten, Beziehungen und weitere Modellierungsmetadaten im Unity Catalog speichern. Teams definieren Geschäfts-KPIs in Databricks und veröffentlichen sie anschließend in semantischen Power-BI-Modellen. Dieselben verwalteten Definitionen können auch von AI/BI-Dashboards und Genie genutzt werden, sodass Teams mit konsistenten Zahlen arbeiten.

Laut Databricks können Fachanwender Self-Service-Power-BI-Berichte erstellen und Metriken über verschiedene Dimensionen hinweg untersuchen, ohne darauf zu warten, dass ein Datenteam das Modell neu erstellt oder DAX schreibt. Datenteams pflegen die zugrunde liegende Definition in Databricks, statt mehrere Kopien in verschiedenen Systemen zu aktualisieren.

So erscheinen Metrikansichten in Power BI

Wird eine Unity-Catalog-Metrikansicht veröffentlicht, erscheint sie als Tabelle im semantischen Power-BI-Modell. Ihre Dimensionen, auch Felder genannt, werden zu Spalten, während ihre Measures zu DAX-Measures werden. Power BI fragt die Metrikansicht selbst ab, und in der Metrikansicht definierte Joins werden in Databricks ausgeführt.

Databricks zufolge erscheinen verknüpfte Dimensionen wie Kampagnenkanal oder Region als gewöhnliche Spalten in Power BI. Nutzer müssen diese Beziehungen dort daher nicht neu erstellen. Im von dem Unternehmen bereitgestellten Beispiel enthält eine campaign_performance-Metrikansicht die Dimensionen Kanal und Region sowie Measures für die Gesamtausgaben, den Gesamtumsatz und den Return on Ad Spend.

Ändert ein Team die Definition des Gesamtumsatzes, kann es die Metrikansicht einmalig aktualisieren. Anschließend kann ein Power-BI-Task in einem Lakeflow Job das Modell erneut veröffentlichen. Dadurch erhalten Berichte die aktualisierte Definition, ohne dass jede Kopie manuell geändert werden muss.

Governance, Leistung und automatisierte Aktualisierungen

DirectQuery ist der standardmäßige Speichermodus. Damit kann Power BI verwaltete Lakehouse-Daten über Lakehouse//RT oder Databricks SQL abfragen. Databricks zufolge gelten Unity-Catalog-Zeilenfilter, Spaltenmasken und ABAC-Richtlinien weiterhin, während die Datenherkunft mit den in AI/BI-Dashboards, Genie und Databricks Lakehouse verwendeten Metriken verbunden bleibt.

Das Unternehmen erklärt außerdem, dass Power BI von der Materialisierung von Metrikansichten profitieren kann. Diese Optimierung berechnet Ergebnisse vorab, ohne die Berechnung der Metriken zu verändern. Ist eine passende Materialisierung vorhanden, kann Databricks die Abfrage daraus bedienen. Andernfalls wird die Abfrage wie gewohnt gegen die Metrikansicht ausgeführt, mit denselben Definitionen und Ergebnissen.

Unternehmen können Metrikansichten bei Bedarf über den Catalog Explorer veröffentlichen oder die Veröffentlichung mit Power-BI-Tasks in Lakeflow Jobs automatisieren. Diese Tasks können nach einem Zeitplan oder nach der Aktualisierung vorgelagerter Tabellen ausgeführt werden. Aktualisierte Measures, neue Measures und neue Dimensionen können automatisch in Power BI übernommen werden.

Verfügbarkeit als Private Preview

Die Veröffentlichung in Power BI ist als Private Preview verfügbar. Databricks empfiehlt Kunden, sich zum Testen an ihr Account-Team zu wenden.

Für die Einrichtung müssen Metrikansichten vorbereitet werden, indem Measure-Eingaben als Dimensionen hinzugefügt und alle Felder benannt werden. Anschließend wählen Nutzer im Catalog Explorer Publish > Publish to Power BI, melden sich mit ihren Power-BI-Zugangsdaten an und wählen einen Zielarbeitsbereich aus. Danach können sie überprüfen, ob die Metrikansicht als Tabelle erscheint, mit Dimensionen als Spalten und Measures als DAX-Measures. Für Produktionsprozesse empfiehlt Databricks, einen Power-BI-Task zu einem Lakeflow Job hinzuzufügen, damit das semantische Power-BI-Modell mit der Metrikansicht synchron bleibt.