Tre typiske scenarier (use cases)

Det lærer du¶

Du kan genkende de tre typiske mønstre i dataopgaver - og se hvilket værktøj de hver især peger på.

For at gøre den abstrakte diskussion konkret, ser vi på tre typiske scenarier fra ingeniør- og produktionsverdenen. Mens du læser, så tænk på: Hvilket af de tre ligner mest mit eget arbejde lige nu?

Scenarie A — Excel er rigeligt¶

Du har lige fået en CSV-fil med 10.000 målinger fra en test-kørsel. Du skal hurtigt finde middelværdien pr. maskine og lave et lille notat til din kollega.

Egenskab	Status
Brugere	1 person (dig)
Datavolumen	~10.000 rækker
Refresh	Aldrig — engangsanalyse
Deling	Du sender en PDF eller en mail
Tidshorisont	Færdig i dag

Konklusion

Excel passer perfekt. Power BI ville være overkill — du bruger længere tid på at sætte op end på selve analysen.

Hvorfor? Du skal hverken dele en levende rapport eller opdatere noget. Du skal finde et tal og sende det videre. Det er præcis dét, Excel er bygget til.

Scenarie B — Excel rammer en mur¶

Du har en månedlig produktionsrapport. Hver måned skal nye data ind. Pivots knækker, når kollegaer rører ved dem. Filen er nu 50 MB, åbner langsomt, og du bruger en time hver måned bare på at opdatere den.

Egenskab	Status
Brugere	5-10 personer
Datavolumen	Vokser med tiden
Refresh	Manuelt hver måned, vedligeholdes af én
Deling	Du sender filen rundt — flere versioner i omløb
Tidshorisont	Permanent, gentagende proces

Konklusion

Peger mod Power BI — eller mod en bedre proces i Excel.

Hvorfor? Du har bevæget dig fra analyse til proces. Excel er ikke bygget til processer, der lever videre. Tegnene er:

Flere brugere ændrer i samme fil
Filen vokser måned for måned
Du bruger mere tid på vedligeholdelse end på analyse
Versioner spreder sig via mail

Mellemvej: Power Query i Excel kan automatisere meget af opdateringen. Men hvis flere skal kunne bruge resultatet samtidigt, peger pilen entydigt på Power BI.

Scenarie C — Power BI er klart bedre¶

Et dashboard for 8 produktionslinjer. Opdateres dagligt fra databaser og sensorer. Skal kunne ses af 30 personer. Skal kunne filtreres efter linje, dato og fejltype.

Egenskab	Status
Brugere	30+
Datavolumen	Millioner af rækker
Refresh	Automatisk, dagligt
Deling	Publiceret rapport med rolle-baseret adgang
Tidshorisont	Løbende, kritisk infrastruktur

Konklusion

Excel ville ikke kunne følge med. Det er ikke en Excel-opgave.

Hvorfor? Alt peger samme vej:

Datamængden overstiger, hvad Excel håndterer komfortabelt
30 brugere kan ikke arbejde i samme fil samtidigt
Daglig refresh fra databaser kræver en automatiseret pipeline
Filtre, slicere og interaktivitet er præcis det, Power BI-rapporter giver

Beslutningsmønster¶

De tre scenarier illustrerer et mønster:

graph TD
    Start[Ny opgave] --> Q1{Engangs-<br/>analyse?}
    Q1 -->|Ja| Excel1[Excel — A]
    Q1 -->|Nej, gentages| Q2{Hvor mange<br/>brugere?}
    Q2 -->|1-2 personer| ExcelOK[Excel kan stadig dække — B]
    Q2 -->|5+ personer| PBI1[Power BI — C]
    ExcelOK --> Q3{Vokser data<br/>med tiden?}
    Q3 -->|Lidt| ExcelOK2[Bliv i Excel]
    Q3 -->|Markant| PBI2[Overvej Power BI]

    classDef excelBox fill:#1F7244,stroke:#0E4D2C,color:#fff
    classDef pbiBox fill:#F2C811,stroke:#A88800,color:#000
    classDef neutralBox fill:#3F51B5,stroke:#1A237E,color:#fff
    class Excel1,ExcelOK,ExcelOK2 excelBox
    class PBI1,PBI2 pbiBox
    class Start,Q1,Q2,Q3 neutralBox

Refleksion¶

Til dig

Tænk på en konkret opgave, du har haft de seneste 30 dage.

Hvilket af de tre scenarier ligner den mest?
Hvilket værktøj brugte du faktisk?
Var det det rigtige valg?

Det er denne refleksion, der er målet med forløbet — ikke at lære features udenad, men at kunne genkende mønsteret når det opstår igen.

Næste skridt¶

I modul 3 går vi fra scenarier til fem objektive dimensioner, du kan måle din opgave på: datamængde, kilder, modellering, vedligeholdelse og governance. Det er det operationelle redskab.