Financiële analyse

Data Architectuur

Het maken van een rapportage in een Analytics Tool, zoals Power BI, heeft veel vereisten. Een daarvan is het maken van een goede data architectuur. Wij beschouwen dit als de belangrijkste stap in het proces om een financiële analyse en betrouwbare rapportage op te stellen. Benieuwd waarom dit zo belangrijk is? Wij leggen het belang van een goede data architectuur uit in dit blog!

Boodschappenlijst

Bij het creëren van een rapportage weet je wat voor rapportage het eindproduct moet zijn, maar hoe maak je deze overzichtelijke rapportages? Welke datasets van welke systemen zijn nodig? Bedenk welke informatie jij nodig hebt voor de rapportage die je wil maken. Bij het gebruiken van veel onnodige data wordt het systeem onnodig veel belast en wordt het maken van zowel relaties als rapportages veel moeilijker.

In ons blog over Power BI hebben we behandeld hoe jij deze applicatie kan gebruiken voor jouw organisatie. In dit blog introduceren we het fictieve bedrijf EEBC B.V.: een handelsbedrijf dat meubilair verkoopt in de EU en een aantal landen daarbuiten. EEBC wil graag weten wat de omzet per medewerker is. Hiervoor haal je uit je administratie, vaak een ERP-systeem, een bestand met alle namen van je werknemers Daarnaast wordt de omzet uit het boekhoudpakket onttrokken op basis van een verwijzing naar wie verantwoordelijk was voor de verkoop.Rechts, het bestand van de verkoopmedewerkers van EEBC B.V. Dit heeft verder geen aanpassingen nodig om functioneel te zijn. Daarnaast hebben de omzet nodig, dit komt vrij in de vorm van een orderbestand, in dit voorbeeld. Hieronder het orderbestand van EEBC B.V. Waarin informatie als de verkoopprijs, het aantal en de verkoper beschikbaar zijn.[/vc_column_text][/vc_column][vc_column width=”1/3″][vc_single_image image=”10577″ img_size=”full”][vc_column_text]Afbeelding 1: Medewerkersbestand van EEBC (fictief)[/vc_column_text][/vc_column][/vc_row][vc_row][vc_column][vc_single_image image=”10578″ img_size=”full”][vc_column_text]Afbeelding 2: Orderbestand van EEBC (fictief)[/vc_column_text][/vc_column][/vc_row][vc_row][vc_column][vc_column_text]Als je de benodigde data hebt, dan is de volgende stap om uit te zoeken welke applicatie deze data heeft en in welke vorm deze data in het systeem staat. Voor veel Analytics Tools ligt de voorkeur voor bestandstype bij een dataset die geen aanpassingen nodig heeft. Al zullen bepaalde tools de mogelijkheid hebben om een aantal standaardaanpassingen te maken in een importbestand, is het wenselijk om een bestand aan te leveren met alleen kolomtitels en data.[/vc_column_text][/vc_column][/vc_row][vc_row][vc_column width=”1/4″][vc_single_image image=”10577″ img_size=”full”][vc_column_text]Afbeelding 3: Medewerkersbestand van EEBC (fictief)[vc_column_text]Natuurlijk is het niet altijd mogelijk om ideale dataset vanuit de applicatie te exporteren. In zo’n geval zal je handmatig aanpassingen moeten maken in de export van de dataset. Het is in zo’n geval goed om te noteren welke handelingen je maakt en deze op te slaan. Om hier een voorbeeld voor te nemen gaan we terug naar het fictieve bedrijf, EEBC B.V.

Dit is het medewerkersbestand van EEBC B.V. Hiervoor willen we de volledige naam kunnen tonen. Met een klein bestand is dit nog te overzien, om handmatig over te typen, maar met grotere datasets moet dit snel gedaan kunnen worden. Dit soort handelingen wordt al snel tijdsintensief voor grotere datasets.[/vc_column_text][/vc_column][/vc_row][vc_row][vc_column][vc_single_image image=”10580″ img_size=”full”][vc_column_text]Afbeelding 4: Voorbeeld van datatransformatie van medewerkersbestand EEBC (fictief)

In de bovenstaande formule wordt dit gedaan. Dit is een voorbeeld van datatransformatie. Zonder deze handelingen kan je niet verder met jouw data.[/vc_column_text][/vc_column][/vc_row][vc_row][vc_column][vc_column_text]

Importeren

Er zijn veel mogelijkheden wat betreft het importeren van data, maar dit kan per programma verschillen. Binnen CBEE In Control wordt gebruik gemaakt van Power BI voor rapportages en inzichten. Zoals eerder is aangegeven, is het gebruik van kant en klare bestanden de beste en meest gemakkelijk oplossing. Als je de data eenmaal hebt geïmporteerd zal je schoonheidsfoutjes moeten opruimen en de benodigde aanpassingen moeten maken in de Analytics tool om de data gereed te maken voor gebruik.

Nu ben je klaar om de droomrapportage te maken, maar eerst nog een klein klusje. Dit is de laatste! Het leggen van relaties tussen de datasets die je hebt geïmporteerd. Door deze stap goed uit te voeren kan je bijvoorbeeld de omzet per artikel inzien. Hiervoor moet je het artikelbestand kunnen linken aan je transactie of omzetbestand. Als je veel artikelen in je voorraad hebt en categorieën voor je artikelen hebt, kan je door deze stap ook de omzet per categorie inzien. De sleutel achter deze stap is om de gegevens te herkennen en de unieke code van de dataset in te zien en deze variabele terug te kunnen vinden in andere datasets.

Met een één op één relatie, kan je bepaalde databases wat overzichtelijker houden, maar zijn niet nodig en ook niet zeer gewoonlijk. Een veel op veel relatie, komt voor als je bijvoorbeeld een student hebt die een bepaalde les volgt. In dat geval zijn er meer studenten die deze ene les volgen, maar deze ene student kan ook meerdere lessen volgen. Een veel op veel relatie dus.[/vc_column_text][/vc_column][/vc_row][vc_row][vc_column][vc_column_text]

Databasemodellen

Binnen het concept Data Architectuur en het leggen van relaties zijn er in hoofdlijnen twee opties. Voor kleinere datasets wordt het ster model gezien als optimaal. Bij dit model wordt er een centraal bestand aangehouden en maken alle andere datasets een connectie met het centraal bestand, maar niet met andere bestanden. Er is bij dit model altijd sprake van een één op veel relatie naar het hoofdbestand.[/vc_column_text][/vc_column][/vc_row][vc_row][vc_column][vc_single_image image=”10581″ img_size=”full” alignment=”center”][vc_column_text]

Afbeelding 5: Een voorbeeld van het Stermodel

[/vc_column_text][/vc_column][/vc_row][vc_row][vc_column][vc_column_text]Optie nummer twee is het Snowflake model. Door de naam Snowflake heb je misschien al een idee hoe dit er uit moet zien. In dit model wordt er in het transactiebestand in principe dezelfde data meegenomen. Al moet wel gezegd worden dat het Snowflake model efficiënter werkt in grote datasets, vooral in vergelijking met het stermodel.  Veel concepten blijven hetzelfde zoals het centrale bestand. Alleen worden datasets die informatie aan het centrale bestand leveren verder uitgesplitst.[/vc_column_text][/vc_column][/vc_row][vc_row][vc_column][vc_single_image image=”10582″ img_size=”full” alignment=”center”][/vc_column][/vc_row][vc_row][vc_column][vc_column_text]

Afbeelding 6: Een voorbeeld van het snowflakemodel

Nu ben je klaar en kan je jouw eigen rapportages en Analytics rapportages maken!

Ben je benieuwd hoe jij data in kan zetten voor jouw bedrijf? Of heb je hulp nodig bij het maken van managementrapportages? Neem dan contact met ons op! Wij helpen je graag verder.

Deel dit bericht

Share on facebook
Share on google
Share on twitter
Share on linkedin
Share on pinterest
Share on print
Share on email

Wij als CBEE maken gebruik van cookies om jouw ervaring op onze site zo relevant en persoonlijk mogelijk te laten verlopen. Door het gebruik van cookies kunnen wij jouw internetgedrag op onze website maar ook daarbuiten volgen. Door verder te gaan op onze site ga je akkoord met het verzamelen van cookies.