GLS
每年为数以百万计客户提供商品，快速获得商业智能洞察是有效决策的基础。 对于 GLS Denmark 来说，BI 和数据是其所做的一切的支柱，创造了他们的洞察力必须满足的高标准。
本文探讨了 GLS 如何利用 Tabular Editor 3 来解决在正确的时间向组织提供正确数据的关键问题——最终通过在 BI 工具堆栈中实现 Tabular Editor，实现更快的洞察速度、更高质量的语义模型和更强大的跨组织合作。
关于
GLS Denmark 是一家包裹物流公司，专门从事中小型包裹的配送。 作为全球 GLS 集团的一部分，GLS Denmark 拥有强大的国际网络，使其能够在世界各地进出口包裹。 GLS 为客户提供日常配送服务，每天将数千个包裹送到家庭地址和遍布丹麦的 1700 家包裹店。
商业智能在 GLS Denmark 组织中发挥着至关重要的作用，既可用于回顾性分析，也可用于支持日常运营中的任务，包括班次规划、包裹分拣等。
挑战
交付时间：日常运营依赖于数据解决方案的快速交付时间。
保持数据质量：在不影响数据质量的情况下交付数据价值链。
频繁崩溃：之前的工具堆栈导致了大量崩溃和无效的停机时间。
解决方案
提高模型质量：C# 脚本、Vertipaq Analyzer 和序列化语义模型，显著提高了 GLS 语义模型的质量。
提高对商业智能洞察的信任：速度、模型质量和协作的提高带来了更一致、更可靠的商业智能报告，从而提高了利益相关者对 GLS 数据和洞察的信任。
GLS 在快速交付数据洞察而不影响质量方面的挑战
由于数据是其许多决策的支柱，GLS 依赖于其数据解决方案的快速交付时间。 但是，由于他们之前的工具堆栈是一个分散的环境，有许多不同的平台和数据孤岛，他们遇到了常见问题，例如笨拙的界面、频繁崩溃和随后的延迟时间。 一个相关的痛点是，在不影响数据质量的情况下，以快速的速度向内部利益相关者交付数据价值链。 另一个重大挑战是团队之间的内部合作，因为几个大型语义模型的特点是逻辑冗余和缺乏最佳实践。 这导致上市时间长，并且与开发和部署新模型相关的重大风险。
GLS 在 Tabular Editor 中的工作始于开源版本 Tabular Editor 2，他们在本地数据仓库中使用该版本来构建其语义模型。 根据 GLS 数据和人工智能主管 Andreas Benthin-Bruun 的说法，他们最初被 Tabular Editor 对解决语义模型开发人员需求的明确承诺所吸引；这种承诺在各个版本中都显而易见。
选择 Tabular Editor 3
作为 Tabular Editor 2 的先前用户，升级到 Tabular Editor 3 并解锁高级语义建模功能是自然而然的选择。 此举的另一个重要驱动因素是 Tabular Editor 3 功能与 Fabric 直接关联，在 GLS 的 Fabric 数据平台中创造了众多优势。
从一开始，Tabular Editor 就是首选的应用程序——如果您使用的是 Microsoft Fabric，这几乎是理所当然的。
GLS Denmark 数据和人工智能主管 Andreas Benthin-Bruun
GLS 如何使用 Tabular Editor 改善其数据价值链
快速获得洞察
对于 GLS 来说，当他们能够在正确的时间为正确的人提供高质量的洞察时，就创造了真正的价值。 使用 Tabular Editor 3，洞察速度处于历史最高水平，使 GLS 能够利用其 BI 洞察每天做出明智的决策。
Tabular Editor 使 GLS 能够加快其语义模型的开发过程——从而提高其数据产品的交付速度和更快的洞察速度——通过：
- 更容易识别性能瓶颈
- 提供更快的模型开发
- 由于项目结构的改进，可以更快、更轻松地审查拉取请求
- 通过引入清晰的建模最佳实践，最大限度地降低故障和停机风险
改进的模型质量
凭借 Tabular Editor 中的高级建模功能，GLS 的模型质量得到了全面提升。 在实现这一目标方面，一些最值得注意的功能包括：
- 序列化语义模型带来了清晰的版本控制体验，提高了对已进行更改的可见性，并实现了并行模型开发。
- 使用 Tabular Editor 的内置 C# 脚本功能编写其语义模型，使测试和实施跨语义模型的最佳实践更容易。 C# 脚本还可以自动执行模型上的某些日常维护，从而节省宝贵的时间。
- Vertipaq Analyzer 提供了有关模型的良好概述，使在模型中找到要优化的主题更轻松。
Tabular Editor 中的功能不仅提高了 GLS 语义模型的质量。 还使建模体验更加愉快。
跨组织合作
使用 Tabular Editor 增强了 GLS 数据工程师和数据分析师之间的协作机会。 让分散的数据分析师团队参与进来，帮助创建和维护 Tabular Editor 中的语义模型，让团队对语义模型拥有更大的所有权，同时还提高了交付速度，因为工作负载从中央数据团队转移到分散的数据分析师。
让分散的数据分析师参与语义模型的创建和维护提高了模型的质量，因为具有领域知识的员工现在在语义模型的开发中发挥着直接作用。
提高对商业智能洞察的信任
更快的洞察速度、优化的模型质量和数据团队之间合作的改善，提高了 GLS 内部对商业智能洞察的信任。 数据和人工智能团队体验了更可靠的报表，因为他们发现更容易确保他们的各种语义模型是最新的，并且在关键指标上保持一致。
其语义模型之间的一致性提高创造了更可靠的数据产品，最终提高了利益相关者对数据及其商业智能报表的信任。
Tabular Editor 是 GLS 商业智能战略的基石
对于 GLS 的数据与 AI 团队而言，Tabular Editor 已成为其商业智能战略的基石，也是语义模型开发工具方面唯一真正的选择，因为其他替代方案无法满足他们对 BI 工具在速度和功能方面的高要求。 与基于 Fabric 的数据平台相结合，Tabular Editor 是其 BI 工作中的重要工具，从长远来看将继续发挥影响。。
与 Fabric 生态系统中的模型、现代模型类型和表格的轻松交互使 Tabular Editor 3 在生活质量和易用性方面都非常值得。 在使用 Fabric 时，也非常清楚 Tabular Editor 3 非常接近 Fabric 的持续开发，因此从长远来看，它将是一款有用的产品。
GLS Denmark 数据和人工智能主管 Andreas Benthin-Bruun