自助式商业智能(Self-Service BI)供应商市场地位从2016年到2017年变化十分明显,请参阅那张Gartner的魔力象限图。你可看到微软、Tableau依然是各执牛耳。两家BI翘楚处在领导者行列,而行业其它竞争者已远远甩在身后。若单看微软(PowerBI产品)与Tableau对比,从市场变化似乎微软对Tableau大有后来者压倒之势。 实际上看似Tableau的Tableau产品2003年已面市而微软的PowerBI产品2013年才推向市场,但微软仰仗其优良的IT生态环境(Ecosystem)优势,如:传统的操作系统、数据库(SQL)、Office工具套件(特别是其中的Excel)以及现代的Azure(微软云)平台有机结合,加之人工智能和机器学习功能辅助迅速地碾压了对手。图中位置不光远超其它对手,如IBM、SAP、Oracle这些软件行业大碗级对手,就连BI最大对手Tableau也不敢小觑微软BI产品了。 Power BI自身的优势不去细说了,仅就微软IT生态环境我不得不又提到Excel,毕竟使用该产品已多年。目前我已使用订阅版的Office 365 home(笔者通过摸索设置使得该版本也能激活PowerPivot功能区标签)近三年。Excel作为微软旗舰产品Office中的一员已傲视群雄30年,还在与时俱进,其衍生出了Power BI(包括本地平台的Power BI Desktop和云平台的Power BIService,当然还有SQL相关产品技术的融入)并与整个微软IT生态链有机融合。 作为微软Power BI的忠实拥趸,将Gil Raviv《Compare Tableau vs. Power BI》博文中几个针对Tableau质疑PowerBI不足或缺失所产生的误解观点相关回应,编译并分享给大家(会分几次分享)。Gil Raviv在其系列博文对涉及Tableau质疑的八个方面分别作了一一的客观回应。当然PowerBI和Tableau同时作为BI业界的伟大产品,目前地位差距仅在伯仲之间。Gil Raviv即是PowerBI的极客也是其忠实捍卫者,在了解Gil Raviv观点之前,不妨也用GilRaviv在该博文开始时的一段事先声明来开始此分享,以免造成不必要的误解。 Gil Raviv声明:这不可能是两种不同解决方案之间的代表性比较。在这里我是不客观的,一个不同的环境中,我可能已经成为该种解决方案的积极的鼓吹者。毕竟它具有很好的可视化效果而且有一帮非常棒的专业人士和粉丝社群支持。你也可能争辩(特别如果你是其它产品的粉丝),在这里我没有真的主张要分享我的观点,毕竟我从未使用过其它产品。 不过,如果你是另一种解决方案的粉丝(目前这篇分享给你的博文可能使你有点生气,因为是由另一方的人所分享的),我想你应该阅读该篇博客文章以及随后的系列博文。我不会说服去阻止你使用其它产品。但现在绝对是你开始使用该款全新产品的时候了。下一个10年它将征服BI世界。它已经启程,你不能忍受被落下吧。散点图中忽略了离散值 – Power BI第一个方面缺陷: 正如上一篇博客文章中所讨论的(博文标题是《Compare Tableau vs. Power BI》,非常详尽地回应Tableau的第一个质疑。笔者注),Tableau声称PowerBI的第一个方面的缺陷是它在散点图中忽略了离散值。在上一篇博文我们演示了如何检测离散值,并向你指出另外用于离散值检测的其它自定义视觉效果。 作为第一部分的后续篇(即《Compare Tableau vs. Power BI》该文对第一个方面质疑已有回应。笔者注),有两个要考虑的有意思点:
高密度散点图样本
根据你的反馈,我们更新了散点图的样本算法。这种新算法可以更好地保留数据图形同时也能显示离散值。为此,我们优先显示不会被邻近点隐藏的点,通过这一更新,你应该看到任何超出数据点限制散点图明显改进的体验。这种样本算法允许你在不牺牲性能和加载时间的情况下去呈现大量数据点。
如果你愿意使用以前的样本算法或测试改进,可以关闭格式窗格“通用”卡中的“高密度样本”。我们将继续在这个方面进行投入,并同时改善其它视觉效果,因此请务必向我们反馈新的体验! 该方面解决方案更为详尽的文档请参阅:《Highdensity sampling in Power BI scatter charts》https://docs.microsoft.com/en-us/power-bi/desktop-high-density-scatter-charts