AWS-Datenvisualisierungsservices: Dashboards und BI richtig gemacht
AWS-Datenvisualisierungsservices für Dashboards und BI. Was es braucht, um zuverlässige Analysen auf AWS zu erstellen, und die Pipeline, die hinter je...
Ein Finanzteam hat uns einmal ein wunderschönes AWS-Dashboard gezeigt, das sein letzter Anbieter erstellt hat. Klare Diagramme, die richtigen Farben, Führungskräfte waren begeistert. Es war auch falsch — zwei der Top-Line-Zahlen stammten aus einer Tabelle, die seit Wochen nicht mehr aktualisiert wurde, und niemand konnte es erkennen, weil das Dashboard das nie sagte. Das ist die ganze Lektion der Datenvisualisierung auf AWS in einer Geschichte: Das Diagramm ist der einfache Teil, und ein hübsches Diagramm, das auf einer kaputten Pipeline basiert, ist schlimmer als gar kein Dashboard.
Die Pipeline hinter einem guten Dashboard
Jede zuverlässige Visualisierung steht an der Spitze einer Kette, die die meisten Menschen nie sehen. Daten werden aus Ihren Quellen aufgenommen — Datenbanken, SaaS-Tools, Dateien. Es landet im Speicher, normalerweise S3. Es wird bereinigt und neu geformt, weil Rohdaten immer chaotischer sind, als irgendjemand zugibt. Es wird in Metriken modelliert, die eine konsistente Sache bedeuten. Erst dann erreicht es ein Diagramm.
Wenn Sie einen dieser Schritte überspringen oder überstürzen, wird das Dashboard trotzdem gerendert — es macht nur etwas falsch. Der technische Wert liegt in den darunter liegenden Ebenen, und genau dort machen billige Arbeiten am Armaturenbrett Abstriche.
Wie sieht ein AWS-Stack aus
Die spezifischen Dienste hängen von Ihren Daten ab, aber die Form ist konsistent:
- S3 als langlebiges, kostengünstiges Zuhause für Rohdaten und verarbeitete Daten
- Ein Warehouse oder eine Abfrage-Engine — Redshift oder Athena, die S3 direkt abfragen — für Analysen im großen Maßstab
- Ein Transformationsschritt, der Daten nach einem Zeitplan bereinigt und modelliert
- Eine Visualisierungsebene — QuickSight für Standard-BI oder ein benutzerdefiniertes eingebettetes Dashboard, wenn die Daten in Ihr eigenes Produkt gehören
- Planung und Überwachung, sodass Aktualisierungen vorhersehbar sind und Fehler erkannt werden
Wenn Sie diese auf AWS und nicht auf einer einzigen All-in-One-Plattform zusammenstellen, behalten Sie die Kontrolle über die Kosten, wenn die Datenmenge wächst. So ist jede Ebene das richtige Tool und nicht das, was im Paket enthalten ist.
Eigenständiges BI oder eingebettet
Einige Kunden wünschen sich einen BI-Workspace, in den sich ihre Analysten einloggen. Andere möchten, dass die Diagramme in ihrer eigenen App oder ihrem eigenen Portal gespeichert werden, sodass Benutzer das Produkt niemals verlassen, um ihre Zahlen zu sehen. Wir machen beides — die eingebettete Route bedeutet, dass ein benutzerdefiniertes Frontend in React und Node auf derselben AWS-Pipeline sitzt. Das ist die Art von Full-Stack-Datenarbeit, die wir regelmäßig erstellen.
Wie unterscheidet man ein funktionierendes Dashboard von einem hübschen
Drei Schecks sorgen dafür, dass alles schnell erledigt ist. Stimmen die Zahlen mit einer Quelle überein, der Sie bereits vertrauen? Wird es nach einem Zeitplan aktualisiert, den Sie benennen können, und erfahren Sie, wann es zuletzt aktualisiert wurde? Wird eine bestimmte Metrik überall, wo sie erscheint, identisch gelesen? Ein Dashboard, das diese Anforderungen erfüllt, macht seinen Job. Eine, die bei keinem von ihnen durchfällt, ist eine Diashow mit Live-Daten-Cosplay — und du wirst es erst herausfinden, wenn eine Entscheidung über eine Zahl getroffen wird, die veraltet war.
Häufig gestellte Fragen
Das sichtbare Diagramm ist der letzte Schritt. Bevor es darum geht, Daten aus Ihren Quellen aufzunehmen, zu speichern, zu bereinigen und zu transformieren und sie in zuverlässige Kennzahlen umzuwandeln. Ein Dashboard, das auf einer wackeligen Pipeline basiert, sieht gut aus und liegt zuverlässig. Der größte Teil des technischen Aufwands fließt in die Schichten, die niemand sieht.
Ein typischer Stack verwendet S3 zur Speicherung, ein Warehouse wie Redshift oder Abfragen über S3 zur Analyse, einen Verarbeitungsschritt zum Bereinigen und Umformen von Daten und eine Visualisierungsebene wie QuickSight oder ein eingebettetes benutzerdefiniertes Dashboard. Die genauen Teile hängen von Ihrem Datenvolumen ab und davon, wie live die Zahlen sein müssen.
Prüfen Sie, ob die Zahlen mit einer Quelle übereinstimmen, der Sie vertrauen, ob sie nach einem bekannten Zeitplan aktualisiert werden und ob dieselbe Metrik überall, wo sie angezeigt wird, gleich angezeigt wird. Ein Dashboard, das nicht mit Quelldaten verknüpft werden kann oder das „Umsatz“ auf zwei Bildschirmen unterschiedlich definiert, ist Dekoration, nicht Analytik.
Ja. Neben eigenständigen BI-Tools können Visualisierungen auch direkt in Ihr Produkt oder internes Portal eingebettet werden, sodass Benutzer Ihre App nie verlassen, um ihre Daten zu sehen. Das bedeutet normalerweise ein benutzerdefiniertes Frontend, das von derselben AWS-Pipeline unterstützt wird, die wir in React und Node erstellen.