เทคโนโลยีการวิเคราะห์ข้อมูลที่พวกเราจำเป็นต้องรู้
สวัสดีค่ะ ผู้วิเคราะห์ข้อมูลทั้งหลาย ทั้ง data scientist และ data engineer ปัจจุบันซอฟแวร์ที่ใช้ในการพัฒนาการทำ data analytics หรือการวิเคราะห์ข้อมูลมีการพัฒนาอย่างต่อเนื่อง ซึ่งช่วงปี 2022-2023 นี้ ซอฟต์แวร์การวิเคราะห์ข้อมูลของแต่ละค่ายมีการเปลี่ยนแปลง ไม่ว่าจะเป็นการอัปเกรดเพื่อให้ซอฟต์แวร์มีประสิทธิภาพมากยิ่งขึ้น หรือการเพิ่มโมดูลใหม่ๆ ให้ตอบโจทย์กับการใช้งาน จึงอยากนำข้อมูลมาแชร์ให้ท่านผู้อ่านได้รู้ว่าแต่ละตัวมีการพัฒนาอะไรขึ้นบ้างนะคะ
- Snowflake
- เพิ่มประสิทธิภาพการค้นหา (Search Optimization):
search optimization service จะสามารถใช้คอลัมน์ใน join predicate ที่ใช้ string-pattern, ข้อมูลกึ่งโครงสร้าง (semi-structured data) และ geospatial function ซึ่งจะเป็นประโยชน์อย่างมากสำหรับชุดข้อมูล (dataset) ขนาดใหญ่และมีความซับซ้อน และยังมีประโยชน์โดยเฉพาะอย่างยิ่งกับการนำไปประยุกต์กับงาน data science ซึ่งมักจะใช้ประโยชน์จากข้อมูลดิบและข้อมูลกึ่งโครงสร้าง (semi-structured data)
นอกจากนี้ query จะยังสามารถเพิ่มความเร็วขึ้นได้โดยไม่ต้องเพิ่มขนาดของ warehouse และจะมีการรองรับ table with masking และ row-access policies ซึ่งก่อนหน้านี้ระบบทำการตอบกลับด้วย error
- EXECUTE TASK Command:
task ซึ่งเดิมทีเป็นเพียง SQL statements ที่ดำเนินการด้วยการระบุจะสามารถดำเนินการด้วยตนเองได้ผ่าน EXECUTE TASK command ซึ่งช่วยในการทดสอบ task ก่อนนำมาใช้ในระบบการผลิต โดยเฉพาะเมื่อ task รองรับ DAG (neural network for deep learning)
- การรองรับ Database Replication สำหรับ Stream และ Task:
Snowflake มีฟังก์ชันการทำ database replication เพื่อรองรับ Disaster Recovery (DR) และ High Availability (HA) ซึ่งเวอร์ชั่นเก่าๆ ไม่สามารถทำ database replication ได้ อย่างไรก็ตาม ฟังก์ชันนี้มีข้อจำกัดบางประการ คือ ไม่ว่าจะเป็นการที่ไม่สามารถทำสำเนาข้อมูลบางชิ้น หรือสามารถทำสำเนาได้แต่ต้องอยู่ภายใต้เงื่อนไขบางอย่าง หรือเรื่องของการที่ฟีเจอร์บางอย่างถูกจำกัดเมื่อทำสำเนาข้อมูลในแอคเคาท์เครื่องสำรอง รวมถึงการที่ทำสำเนาของสิทธิ์ (role) จะทำให้การสร้างสิทธิ์ (role) ในแอคเคาท์ที่ถูกสำรองถูกห้าม นอกจากนี้ยังมีเรื่องของการไม่รองรับการทำสำเนาของฟีเจอร์สองชนิดก่อนหน้านี้ ซึ่งคือ task และ stream ซึ่งเป็นไปเพื่อหลีกเลี่ยงการรบกวน stream offset ที่มาจาก source 2 ที่หรือข้อมูล 2 แหล่ง เช่นการที่แอคเคาท์หลักทำการเคลื่อนย้าย offset ของ stream ของตนเอง อันเนื่องมาจาก reads จากแอคเคาท์สำรอง
ด้วยฟีเจอร์ใหม่นี้ stream และ task สามารถถูกทำสำเนาได้ อย่างไรก็ตาม ยังมีบางสิ่งที่เราควรจะพิจารณาสำหรับการทำสำเนา task เพื่อการรับประกันความต่อเนื่องในกรณีของ DR และ HA
- ‘Snowpark API’ Stored Procedures สำหรับ Python:
developer สามารถเพิ่มขั้นตอนตอนทำ pipeline ด้วย API เพื่อ query และ process ดาต้า Snowflake ได้ในขณะที่ใช้ compute ของ Snowflake โดยที่ไม่มีความจำเป็นต้องเคลื่อนย้ายดาต้าออกจาก Snowflake และยังทำให้เราสามารถเขียน stored procedures ใน python โดยใช้ Snowpark API ในการโฮสต์ stored procedures ใน Snowflake ซึ่งจะทำให้ฟังก์ชันการทำงานของคนที่เป็น data engineer ของ Snowflake เพิ่มขึ้น และยังจะ centralize compute, storage, และโค้ดภายใน Snowflake ทั้งหมด
- Python UDFs/UDTF:
ขณะนี้ Snowflake รับรองฟังก์ชันแบบ user-defined และฟังก์ชันของ table ที่สามารถใช้เสมือนว่าเป็นฟังก์ชันแบบ built-in ซึ่งหมายความว่าเราสามารถใช้ python ในการกำหนด UDFs และ UDTFs แทนการใช้ SQL ซึ่งเรียกได้ว่ามีประโยชน์อย่างมากสำหรับผู้ที่ใช้ python ร่วมกับ Snowflake อยู่แล้ว
- SELECT: Excluding and Renaming Specific Columns:
ฟีเจอร์นี้ทำให้เราสามารถเลือกคอลัมน์ทั้งหมดในขณะที่ยกเว้นบางคอลัมน์ได้โดยไม่ต้องตั้งชื่อให้คอลัมน์ที่เราต้องการ และหากต้องการจะตั้งชื่อให้บางคอลัมน์ ก็ไม่มีความจำเป็นจะต้องเลือกคอลัมน์ที่ต้องการเหล่านี้โดยเฉพาะ สำหรับคนที่ใช้ query บน Snowflake
- Database Roles:
นี่จะเป็นพรีวิวฟีเจอร์ที่จะเข้าใหม่ สิ่งนี้จะทำให้เราสามารถกำหนด ให้ หรือถอนอภิสิทธิ์ภายในสโคปของฐานข้อมูลแทนการใช้สิทธิ์บนฟังก์ชันของแอคเคาท์โดยการทำงานยังคงเหมือนเดิม คือ อภิสิทธิ์ทั้งหมดของ securable objects สามารถถูกนำมาใช้ได้ ซึ่งนี่จะช่วยให้โมเดล Snowflake’s Role Based Access Control มีความสมบูรณ์แบบ (fined-tuned) มากขึ้น ณ ระดับฐานข้อมูล
- Databricks
Databricks ของไตรมาสนี้โฟกัสไปที่การทำการพัฒนา UI และ Unity Catalog ซึ่ง query engine Photon อันใหม่เพิ่งจะถูกปล่อยมาเมื่อช่วงเดือน 7 ซึ่งได้รับ traction เป็นอย่างมากเมื่อผู้ใช้งานอัปเกรดเป็น Databricks runtime 11 บน cluster ของตน
การอัปเดตครั้งนี้มีทั้งเรื่องเล็กแต่จำเป็น เช่น การอัปเดตของ Add Data UI, table search และ Privilege Inheritance ใน Unity Catalog และด้านอื่นๆ เช่น
- Data Lineage สำหรับ Table ที่ managed โดย Unity Catalog (ธันวาคม 2022)
Lineage data สามารถถูกแคปเจอร์ได้ด้วย table ที่ managed โดย Unity Catalog และจะถูกเก็บไวัเป็นเวลา 30 วัน lineage data นี้สามารถถูก queried ผ่าน work space ต่างๆได้ และยังถูกทำให้เห็นภาพได้ใน Data Explorer
- การรองรับ Repos สำหรับ ไฟล์ non-notebook (ตุลาคม 2022)
เราสามารถแก้ไขไฟล์ non-notebook ได้ใน remote git Repository โดยไม่ต้องออกจาก Databricks นี่ช่วยให้ developer ไม่ต้องสลับไปที่ Git provider เพียงเพื่อทำการแก้ไขเล็กน้อยกับ Markdown หรือ Text files
- การแจ้งเตือนที่ถูกปรับปรุงสำหรับ Databricks Jobs (พฤศจิกายน 2022)
Databricks ได้เพิ่มออปชันอย่าง native Slack และการแจ้งเตือน webhook เพื่อให้องค์กรรับรู้อยู่เสมอเมื่อ Job สำคัญ run เริ่ม เสร็จสิ้นแล้ว หรือล้มเหลว และเรายังสามารถ customize การแจ้งเตือนได้มากขึ้นอีกด้วย
- Photon (กรกฎาคม 2022)
query engin Photon อันใหม่นี้ถูกสร้างขึ้นเพื่อเร่งความเร็ว query และลดค่าใช้จ่าย ซึ่งไม่ต้องการ code changes และจะทำงานได้เพียงแค่อัปเกรด cluster ให้เป็น runtime11.1+ และเปิดใช้งาน Photon
- UI ที่เล็กลง และคุณภาพของการเพิ่มประสิทธิภาพของชีวิต (Q4 2022):
UI แบบ Add Data อันใหม่ทำให้การเชื่อมต่อกับแหล่งข้อมูลและการอัปโหลดไฟล์ง่ายขึ้นและสามารถถูกควบคุมได้ด้วยแอดมิน เราสามารถค้นหา table ใน Unity Catalog เข้าถึงสิ่งของล่าสุด และค้นหา Job จากบาร์ข้างบนสุดภายใน workspace
Privilege Inheritance ใน Unity Catalog ทำให้การให้อภิสิทธิ์ ณ ระดับแคตาล็อกหรือ schema เป็นไปได้ ซึ่งจะเชื่อมโยง (cascade) ลงมาถึงสิ่งของในปัจจุบันและในอนาคตทั้งหมด ภายในแคตาล็อกหรือ schema นั้นๆ
- dbt
ในไตรมาสนี้ dbt ได้เปลี่ยนแปลง Cloud Teams Version และได้ทำการแนะนำ semantic layer ซึ่งสิ่งที่จะเกิดการเปลี่ยนแปลงคือ ณ ต้นเดือนภุมภาพันธ์ ราคาของการออกใบอนุญาตของ dbt Cloud Teams จะอยู่ที่ 100 ดอลลาร์สหรัฐต่อผู้ใช้งานแต่ละคน และแต่ละบัญชีจะถูกจำกัดให้มี developer เพียง 8 ที่เท่านั้น นอกจากนี้ บัญชี teams ใหม่ทั้งหมดจะถูกจำกัดให้ใช้งานกับโปรเจกต์เดียวเพียงเท่านั้นโดยมีผลในทันที ซึ่งนี่จะช่วยให้การออกใบอนุญาตมีกฏเกณฑ์ที่ชัดเจนมากขึ้นสำหรับทีมดาต้าทั้งใหญ่และเล็กแตกต่างกันไป อันเป็นผลมาจากการที่องค์กรใหญ่หลายที่ได้นำเครื่องมือที่นำมาซึ่งการเปลี่ยนแปลงมาใช้ในช่วงไม่กี่ปีมานี้
ข้อจำกัดเรื่องจำนวนโปรเจกต์และdeveloper จะส่งผลต่อการออกใบอนุญาตสำหรับทีมดาต้าใหญ่ๆ ในกรณีที่เราเผชิญหน้ากับข้อจำกัดเหล่านี้ dbt Cloud Enterprise นั้นนับว่าเป็นทางออกของปัญหาที่ราคารับไหว ซึ่ง semantic layer ตัวใหม่ของ dbt นี้กำลังมี Public Preview สำหรับบัญชี dbt Cloud แบบ multi-tenant ซึ่งถูกโฮสต์ในอเมริกาเหนือ
Semantic layer นี้นั้นเป็นสิ่งที่จัดเตรียมอินเตอร์เฟซไว้ภายใน dbt เพื่อกำหนด metric ที่มั่นคงสำหรับการรองรับ use case ต่างๆของ downstream ซึ่งการผสานเครื่องมือ downstream นั้นเป็นวิธีที่เยี่ยมในการขยายดาต้าเกินไปจากทีมดาต้า นี่หมายความว่าเราสามารถใช้เลเยอร์นี้รวมดาต้าสแตคเข้ากับคำจำกัดความที่เหมาะสมได้อย่างครบถ้วน เรียกได้ว่าเป็นก้าวที่ยิ่งใหญ่ในการแก้ปัญหาเรื่องการเชื่อมต่อเครื่องมือในยุคที่มี cloud microservice มากมายเช่นนี้ และจะเป็นประโยชน์โดยเฉพาะอย่างยิ่งสำหรับโปรเจกต์ dbt ที่มี downstream destination หลายทาง
ขณะนี้ dbt สามารถประสานได้กับ Atlan, Deepnote, Hex, Houseware, Lightdash และ Mode นอกจากนี้ยังไม่คิดค่าใช้จ่ายใน public preview อีกด้วย
- BigQuery
ขณะนี้ผู้ใช้บริการสามารถโอนย้ายข้อมูลแบบ cross-cloud ได้อย่างง่ายดายกว่าก่อน โดยการใช้สเตทเม้นท์ LOAD DATA ย้ายข้อมูลจากพื้นที่จัดเก็บของ Amazon S3 และ Azure Blob ไปยัง BigQuery และยังมีฟีเจอร์เพิ่มเติมในการโหลดข้อมูล เช่น สามารถสร้าง reference file ที่ระบุโครงร่างของ external table ที่คาดหวัง และรหัส ASCII control characters สำหรับไฟล์ CSV ฟีเจอร์เหล่านี้ช่วยให้การโหลดข้อมูลที่เสียหายหรือไม่ตรงรูปแบบสามารถทำได้ง่ายขึ้นมาก
- Looker
- คอนเนคชันของ Looker กับ Looker Studio (หรือเดิม: Data Studio):
ฟีเจอร์ใหม่นี้ช่วยให้ผู้ใช้บริการที่มี instance ที่โฮสต์ด้วย Google Cloud เคลื่อนที่ระหว่าง Looker และ Looker Studio ได้โดยง่าย ซึ่งเราสามารถสำรวจและเชื่อมต่อได้โดยตรง การเชื่อมนี้เป็นหนึ่งในหลายสิ่งซึ่ง Google กำลังว่งแผนระหว่าง Looker และ โปรดักต์ Google Cloud Platform (GCP) อื่นๆ เมื่อการเชื่อมเช่นนี้ถูกเพิ่มมากขึ้น ผู้ใช้จะสามารถใช้งานเครื่องมือที่เหมาะสมกับงานของตนได้โดยลงแรงอย่างน้อยที่สุด
การที่ Looker โฟกัสกับการผสานกับโปรดักต์ GCP อื่นๆ ทำให้ “full Google stack” สามารถทำงานได้สำหรับระบบนิเวศข้อมูล (data ecosystem)
- การอัปเดตใหม่ด้าน user experience เมื่อ navigate แดชบอร์ด และสร้างการแสดงภาพ:
จะมีการ playback ประวัติดาต้าสำหรับการแสดงภาพ (labs feature) ซึ่งผู้ใช้งานสามารถสำรวจการเปลี่ยนแปลงของข้อมูลซึ่งอาจจะเปลี่ยนเมื่อเวลาผ่านไปสำหรับการแสดงภาพภายในแดชบอร์ดได้ และยังจะมีการกำหนดค่าการแสดงภาพแผนภูมิ scatterplot แบบใหม่ 2 รูปแบบ คือ Cluster Points และ Plot Quadrants รวมไปถึงมีความสามารถอื่นๆ คือ การซ่อน individual pivot จากการแสดงภาพ การซูมแผนภูมิคาร์ทิเซียน และการดูการแสดงภาพเต็มหน้าจอและในมุมมองขยายภายในแดชบอร์ด นอกจากนี้ยังมี WYSIWYG Text Tiles ฉะนั้นผู้ใช้งานจะไม่จำเป็นต้องใช้ markdown code ในการจัดรูปแบบมาตรฐานใน text tiles แต่ก็ยังสามารถใช้ markdown ได้
เราจะสามารถสร้างและดูแดชบอร์ดได้ง่ายขึ้น และผู้ใช้งานจะสามารถสร้างการแสดงภาพที่เยี่ยมยอดได้
- Qlik
เมื่อต้นปีนี้ Qlik ได้ถือสิทธิ์ครอบครอง Talend จึงทำให้ความสามารถในการรวบรวมข้อมูลของแพลตฟอร์มของ Qlik เพิ่มสูงขึ้นอย่างสังเกตได้ และยังเน้นย้ำถึงการที่ Qlik สร้างข้อเสนอของผลิตภัณฑ์การจัดการข้อมูลโดยรวมต่างๆออกมา
- Qlik Cloud Data Integration:
แพลตฟอร์มสำหรับการนำเข้า จัดวาง และการแปลงข้อมูลเป็น data marts ที่มีการควบคุมผ่านแพลตฟอร์ม Qlik Cloud ซึ่งสามารถช่วยให้การโหลดและการเตรียม source data สำหรับ analytics use cases นั้นเป็นไปในทางที่มีการจัดการและเป็นหนึ่งเดียวภายในแพลตฟอร์ม Qlik Cloud ซึ่งฟีเจอร์นี้เหมาะสำหรับผู้ใช้บริการ Qlik ดั้งเดิม รวมไปถึงคนที่กำลังมองหาแพลตฟอร์มดาต้าใหม่ๆ ที่มีฟีเจอร์หลากหลาย
ฟีเจอร์นี้ของแพลตฟอร์มมีความสามารถในการนำดาต้าเข้าในระบบนิเวศ Qlik ในขณะที่ยังคงเก็บไว้ซึ่งแนวทางปฏิบัติที่ดีที่สุดของ data stack สมัยใหม่และ cloud database ความสามารถในการนำเข้าและจัดการดาต้าด้วย Change-Data-Capture และความสามารถด้าน batch scheduling สามารถทำให้การสร้างคลังข้อมูลง่ายขึ้นเป็นอย่างมากสำหรับผู้ใช้งานที่มีความต้องการอย่างง่ายสำหรับแบบจำลองของดาต้า นอกจากนี้ power user ยังสามารถให้บริการตนเองได้ในส่วน back-end data เหมือนกับที่ทำได้ใน แอป analytics ของ Qlik
สิ่งที่จะเป็นประโยชน์อย่างสูงในการกำจัด data silos และการควบคุมโครงสร้างพื้นฐานของดาต้าคือการมีข้อมูลบนแพลตฟอร์มเดียว การเฝ้าดูการขยายของฟีเจอร์ของแพลตฟอร์มไปสู่แหล่งที่มาและเป้าหมายอื่นๆ นั้นนับเป็นการดีสำหรับผู้ใช้บริการที่มีความต้องการการรวมดาต้าภายในแพลตฟอร์ม Qlik Cloud ของตน
- HIPAA compliance/Customer Managed Keys:
HIPAA compliance ช่วยให้ผู้ใช้บริการที่มีความกังวลอย่างมากเรื่องความเป็นส่วนตัวของ HIPAA ให้สามารถใช้ Qlik Cloud Platform ได้เหมือนการที่เราใช้บริการข้อมูล HIPAA อื่นๆ นี่นับเป็นการเปิดทางให้ผู้ใช้บริการหน้าใหม่ที่อาจมีความกังวลด้านการรักษาความปลอดภัยมารับบริการของ Qlik หรือสำหรับผู้ที่มีข้อจำกัดในการรายงาน Qlik ก็มี Customer Managed Keys เป็นอีกฟีเจอร์หนึ่งซึ่งมักจะเป็นที่ประสงค์ของมาตรฐานการรักษาความปลอดภัยของดาต้ามากมาย
สองสิ่งนี้ (HIPAA compliance และ Customer Managed Keys) เป็นฟังชั่นด้านการรักษาปลอดภัยของดาต้าที่สำคัญมากสำหรับองค์กรที่มีPII และมาตรฐานการรักษาความปลอดภัยขั้นสูง การป้องกันเหล่านี้ช่วยบรรเทาความกังวลด้านความเป็นส่วนตัวของ Infosec ภายในหมู่องค์กรด้านไอทีในวงกว้างและในหมู่ผู้บริหาร
- ประวัติการแก้ไข Data Load:
การเปลี่ยนแปลงสคริปต์สามารถถูกติดตามและสามารถดูย้อนหลังได้ผ่าน editor
- Qlik Cloud Reporting with PowerPoint:
PowerPoint สามารถถูกใช้เป็น export type ในเครื่องมือการรายงาน
- การเพิ่มประสิทธิภาพการจัดรูปแบบฟอนต์:
ผู้ใช้งานสามารถเปลี่ยนฟอนต์ในการแสดงภาพ
- Multi-Tenant Provisioning:
ใบอนุญาตหนึ่ง สามารถมี tenant ที่แตกต่างกันได้หลายราย
นอกจากนี้ยังมีการอัปเดตเพอร์ฟอร์แมนซ์ต่างๆ สำหรับการเชื่อมต่อและการส่งออก รวมถึงเทมเพลตแบบใหม่ของการทำงานอัตโนมัติของแอปพลิเคชัน และยังมีตัวเชื่อมต่อใหม่สำหรับ direct query
- Tableau
ในไตรมาสที่ผ่านมานี้ (ควอเตอร์ที่ 4 ปี 2022) Tableau ได้เปิดตัว service ใหม่สุดยิ่งใหญ่อลังการสองตัวซึ่งโฟกัสกับการจัดการข้อมูลที่แข็งแรงและมีประสิทธิภาพมากขึ้น และการสร้างคุณภาพชีวิตที่ดีขึ้นสำหรับ developer
patch ที่อัปเดตนี้เน้นย้ำถึงความสามารถในการทำงานร่วมกันระหว่าง Salesforce และ Tableau
Tableau 2022.4 (ธันวาคม 2022):
- Tableau External Actions:
มีการผสานแบบ Native เข้ากับ flow ของ Salesforce เพื่อช่วยให้กระบวนการทางธุรกิจเป็นไปได้โดยอัตโนมัติ ซึ่งเกิดจากการเชื่อมต่อแดชบอร์ดของ Tableau กับ Salesforce อันส่งผลให้ผู้ใช้งานสามารถอยู่ใน “flow” ได้ด้วยการตัดสินใจด้วย context ในระบบ (การส่งต่อ(escalating) case , การส่งใบแจ้งหนี้หรือ CRM workflow ไม่จำกัดจำนวน) การวิเคราะห์ข้อมูลสามารถถูกผนวกเข้ากับกระบวนการทางธุรกิจเพื่อปรับปรุงกระบวนการที่ซับซ้อนและเข้ากับการตัดสินใจอันซึ่งได้รับประโยชน์จากการวิเคราะห์และการแสดงผลบน dashboard
- Image Role:
การดูรูปภาพเป็นแถวหรือการดู column headers ในแดชบอร์ดได้โดยง่ายและถูกรับรองแบบ native
ตัวอย่าง use case เช่น การที่เราสามารถดูโปรดักต์ที่มีการเคลื่อนไหวอย่างรวดเร็ว และราคาและจำนวนมีการเปลี่ยนแปลงบ่อย ได้ใน analytics setting โดยการ map asset location เข้ากับองค์ประกอบในข้อมูลของเราได้โดยที่ไม่มีการจัดเก็บหรือดูแลรูปภาพในระบบของ Tableau สิ่งที่จำเป็นของฟีเจอร์นี้นั้นคือการที่ image asset เปิด public ให้คนเข้าถึงได้หรือสามารถเข้าถึงเน็ตเวิร์คภายในที่อยู่ในวงเดียวกับเซิร์ฟเวอร์ Tableau
- PowerBi
- การสมัครสมาชิกแบบ Filter-Based ใน Power BI Service:
Power BI Service อนุญาตให้ end user กรองดาต้าของตน และรับผลลัพธ์ของข้อมูลที่กรองได้แล้วในขณะนี้ เพื่อที่ผู้ใช้งานหลายคนจะได้มีความชำนาญในมุมมองอันเป็นอุดมคติของตนต่อรายงานได้ ซึ่งสามารถนำไปสู่การที่ end user สามารถประหยัดเวลาได้อย่างมีประสิทธิภาพ และเข้าถึงการแจ้งเตือนทางอีเมลว่าด้วยผลลัพธ์ของดาต้าที่ตนต้องการ หมายความว่าผู้ใช้งานจะสามารถสมัครรับมุมมองของดาต้าที่ถูกกรองมาแล้ว ซึ่งทำให้มีอำนาจมากขึ้นในการปลูกฝั่งมุมมองที่ต้องการลงในดาต้าของตน
- Google BigQuery Data Connection:
ผู้ใช้สามารถเชื่อมต่อกับ Google BigQuery dataset เพื่อการวิเคราะห์ได้
- กลุ่มเป้าหมายหลายกลุ่มใน Power BI Service:
แอปของ Power BI Service สามารถถูกปรับแต่งเพื่อสร้าง user experience แบบกำหนดเองได้อิงจากกลุ่มเป้าหมาย หมายความว่า แอปสากลแอปหนึ่งสามารถถูกออกแบบเพื่อให้แผนกต่างๆ ขององค์กรสอดคล้องกับ flow ของผู้ใช้งานที่แตกต่างกันตามกลุ่มความปลอดภัย ก่อให้เกิดการสร้าง flow ของผู้ใช้ในองค์กรของแอปในระดับองค์กรที่ง่ายดายกว่า ซึ่งผู้ใช้งานจากทุกแผนกและทุกระดับสามารถใช้ดาต้าได้ตามใจโดยไม่จำเป็นในการบำรุงรักษาแอพหลายตัวที่แตกต่างกันสำหรับแต่ละหน่วยธุรกิจ
- Slicer Type พร้อมใช้งานแล้วบน Format pane
- การควบคุม/ปรับแต่ง Data Labels ใน Azure Maps visual
- การปรับปรุงประสิทธิภาพ DirectQuery เมื่อใช้ TopN filter