Äripäeva ja NabuMindsi tee Microsoft Fabricusse

Kolmapäeval, 21. oktoobril, veetsime hommikupooliku Palo Alto Clubis (Telliskivi 57) Tallinn Data Weeki satelliitüritusel. Ürituse korraldas SparkleSolutions OÜ, osalema oli kutsutud ka Estonian Fabric User Groupi kogukond ning ettekandeid sai jälgida otseülekandena. Teema oli „Fabric nende pilgu läbi, kes sellega iga päev töötavad“: Äripäev ja NabuMinds rääkisid oma teest Microsoft Fabricusse ning sellest, mis õnnestus ja mis mitte. Pidasin ise hommiku esimese ja viimase ettekande, seega põhineb osa kokkuvõttest minu enda märkmetel. Äripäeva ja NabuMindsi arvud ning siin näidatud slaidid on pärit nende endi ettekannetest. Aitäh kõigile, kes olid saalis või jälgisid ülekannet.

Fabric 2026. aastal: väärtus, kulu ja esimesed otsused

Minu esimene ettekanne keerles kolme küsimuse ümber, mis olid ka selle pealkirjas: mida Fabric 2026. aastal annab, mida see maksab ja mida tuleb kõigepealt otsustada. Põhisõnum oli lihtne: Power BI jääb alles ning Fabric lisab sellele ülejäänud andmeplatvormi võimalused. Olemasolevaid tööruume, mudeleid ja aruandeid ei pea ära viskama, need saab üle tuua senisel kujul. Rendid ühe ressursiruumi ehk kindla hulga arvutusvõimsust, mitte hulga eraldi tööriistu, ning seda jagavad nii andmekonveierid, andmeladu, mudelid, aruanded kui ka Copilot. Olemasolevad Power BI litsentsid jäävad kehtima. Kulude kohta soovitasin alustada kasutuspõhise hinnaga, mõõta ja alles siis reserveerida mõõdetud suurus, mitte oletatud. Järgmises kahes ettekandes rääkisid samadest küsimustest praktilise kogemuse põhjal inimesed, kes seda tööd iga päev teevad.

Äripäev: Qlikist Fabricusse tehisintellekti abiga

Liis Rush juhib Äripäevas andme- ja äriplatvormi ning tema vastutusalas on kolm valdkonda (andmed, CRM ja turundustehnoloogia) ja üheksa inimest. Äripäevas töötab umbes 250 inimest ja ettevõttel on üle 20 äriüksuse, alates uudistest ja konverentsidest kuni koolituste, raamatute ja raadioni. Eesmärk on üks andmeplatvorm kogu ettevõtte analüütika jaoks. Esimeses etapis ehitati lakehouse, mis koondab medaljonarhitektuuri järgi umbes 20 allikat. Praegu käib teine etapp, aruandluse kolimine: kahe CRM-i ja Infopanga andmete põhjal luuakse kliendi tervikvaadet ehk 360-kraadist vaadet ning Qliki aruanded viiakse üle Power BI-sse.

Enne ehitamist selgitati välja, mida päriselt kasutatakse. Fookusgruppide töötubades kaardistati aruandlusvajadused ja kasutusanalüüsis vaadati läbi kõik 89 kasutusel olevat Qliki aruannet: 18 jäeti kõrvale, ülejäänud koondati ning üle viia jäi 46, mis seati järjekorda kasutuse ja ärilise tähtsuse järgi.

Esimene katse: tehisintellekt Qliki metaandmetest

Probleem oli kiirus. Analüütikutel tuli korraga hoida töös olemasolevat aruandlust, vastata jooksvatele päringutele, õppida uut platvormi ja luua uusi lahendusi. Kõigi 46 aruande jaoks oli vaja kavandada ja üle vaadata semantilised mudelid. Tehisintellekt aitas juba koodi kirjutada, aga mitte mudeleid ehitada ega aruandeid kujundada.

Nii tekkis mõte anda tehisintellektile Qliki aruannete loogika ja lasta tal selle põhjal uued aruanded luua. Kõigi Qliki rakenduste skriptid ja objektide definitsioonid võeti qlik-cli abil välja, iga rakenduse kohta eraldati laadimisskriptid, dimensioonid ja mõõdikud ning tehisintellektil paluti nende põhjal aruanne teha. Tulemus nägi välja nagu aruanne. Mõni number oli õigele lähedal, mõni täiesti vale, puuduvate sisendandmete asemel mõtles tehisintellekt mõõdikud ise välja, graafikud kordusid, lehti oli liiga palju ja selge kujundus puudus. Liisi järeldus: tehisintellekt andis endast parima, aga sisend polnud piisavalt hea.

Teine katse: kontekst, agendid ja analüütiku kontroll

Teisel katsel ei piirdutud ühe viibaga, vaid ehitati terve protsess: kõik on Gitis, ärikontekst on kirja pandud, ligipääs on hallatud ja kontroll jääb analüütikule. Kontekst on vundament. Selleks kirjeldatakse kõiki allikaid, tabeleid, välju ja mõõdikuid. Kirjeldused talletatakse Confluence'is ja sünkroonitakse Fabricuga. Alustatakse põhimõistetest: kes on tellija ja mis on toode. Sellele kontekstile toetuvad agendid, igaühel oma roll ning ainult need tööriistad ja oskused, mida see roll vajab: Jira-agent, planeerija, Fabricus objekte leidev navigaator, olemasolevaid Qliki lahendusi analüüsiv agent, Fabricu ja Power BI arendajad, testija ning ülevaataja.

Analüütik juhib tööd algusest lõpuni. Ta paneb ülesande Jirasse kirja, tehisintellekt koostab plaani, analüütik kinnitab selle, tehisintellekt ehitab ja testib ning muudatused vaadatakse üle ja kinnitatakse enne, kui need tootmisse lähevad. Ilma ülevaatuseta ei jõua tootmisse midagi. Eeldused olid Fabric MCP 1.0 (aprill 2026) ja Power BI modeling MCP 1.0 (september 2026).

Mida see muutis

Aruande üleviimine võtab nüüd kaks kuni neli päeva senise umbes kümne asemel. Muudatuse tegemiseks andmekihis kulub pool päeva senise kahe-kolme päeva asemel ning meeskond säästab kuni kolmandiku oma tööajast. Muutus ka töö ise. Iga Fabricu muudatus läbib sama kontrollitud töövoo Jira ülesandest kuni tootmisse viimiseni. Analüütikud kirjeldavad nõuded, vaatavad muudatused üle ja kinnitavad need. Arendustöö teeb tehisintellekt.

Liisi soovitused olid lihtsad. Hoia kontekst ja juhised värsked. Varu aega piirangute ja reeglite paikapanekuks, sest see nõuab vaeva. Vastutad kõige eest, mille tehisintellekt loob ja sina edasi annad, sealhulgas väljamõeldud tulemuste eest. Ja ole valmis kohanema, sest meetod ja tööriistad muutuvad pidevalt. Äripäeva järgmised sammud on põhjalikumad konteksti kirjeldused, kus ärimõisted on selgitatud nii inimestele kui ka agentidele, vestluspõhine analüütika, mida kasutajad saavad usaldada, ning finantsandmete ja -aruandluse toomine samale platvormile.

NabuMinds: ainult aruandluseks kasutatud Power BI-st Fabricusse

NabuMindsi ärianalüütika juht Aaron Lee Amarga alustas tuntud ütlusega „Mis pole katki, seda ära paranda“: midagi ei olnudki katki ja just see oli probleem. NabuMinds on Tallinnas asuv andme- ja CRM-konsultatsiooniettevõte. Aaron rääkis finants- ja makseteenuste kliendist, kelle ärianalüütika platvormi NabuMinds algusest lõpuni haldab, andmevoogudest ja semantilistest mudelitest aruannete ja hoiatusteni. Makseandmed liiguvad kiiresti ning tunde hiljem leitud viga maksab päris raha.

Kliendi vanas, ainult aruandluseks kasutatud Power BI keskkonnas polnud andmekihti, nii et eri semantilistel mudelitel põhinevad aruanded võisid näidata eri numbreid. Andmed värskenesid ajakava järgi, mistõttu vead tulid välja alles siis, kui andmed aruannetesse jõudsid. Aruandeid oli üle 60 ja parandused ootasid kliendi IT-osakonna järel. Ainult aruandluskeskkonna vahetamise asemel valiti Fabric. See koondab töö ühele platvormile ja hoiab andmeid ühe koopiana OneLake'is. Direct Lake'i semantilised mudelid loevad Delta tabeleid otse, eraldi impordikoopiateta. Samu hallatud andmeid kasutavad ka Real-Time Intelligence, Copilot ja andmeagendid.

Nelja kuu pikkune käivitusprojekt, seejärel oma meeskond

Üleminek algas lühikese käivitusprojektiga, mille NabuMinds tegi 2025. aasta detsembrist 2026. aasta märtsini koos Sparkle Solutionsiga, kus ma ise töötan. Sellel oli neli töösuunda: vana Power BI keskkonna kolimine uude Fabricu keskkonda, Fabricu baaskeskkonna loomine (ressursiruumid, tööruumid, lakehouse), Power BI jaoks vajaliku medaljonarhitektuuri rajamine ning Real-Time Intelligence ja Copilot. Aruanded korrastati enne kolimist: üle viidi 43 ning arendus- ja tootmisressursiruum olid esimesest päevast peale eraldi.

Power BI toetub medaljonarhitektuurile. Kliendi andmebaasid peegeldatakse Fabricusse ja jõuavad töötlemata kujul pronkskihti (Bronze). Hõbekihi puhastatud ja ühtlustatud andmed (Silver) ning kuldkihi koondtabelid (Gold) asuvad Fabric Warehouse'is ning neile toetuvad Direct Lake'i semantilised mudelid teenindavad Power BI-d ja andmeagenti. Iga samm pronkskihist hõbekihi kaudu kuldkihti on dbt SQL-mudel, mida käivitavad ajastatud Fabricu andmekonveierid ja mis on Gitis versioonihalduses.

Nüüd haldab platvormi NabuMindsi enda meeskond: ressursiruumi jälgimisest ja DAX-i optimeerimisest kuni paigaldusteni REST API kaudu ja Warehouse'i tabelitele ümber ehitatud kuldkihini. Aaroni slaidi järgi on BI-meeskonnas kaks suunda: arendussuund tegeleb nõuete, semantiliste mudelite ja armatuurlaudadega ning platvormi käigushoidmise eest vastutavad BI-protsessiinsenerid hoolitsevad taristu, paigalduste, kvaliteedikontrolli ja platvormi halduse eest.

Andmeagent, mida testiti kolmes voorus

Äripoolelt tuleb meeskonnale umbes kümme jooksvat küsimust nädalas. Iga küsimus registreeritakse eraldi kasutajatoe pöördumisena. Tüüpiline on makseteenuste juhi küsimus: millised kliendid tegid tehingu just selle makseviisiga? Nüüd vastab sellistele küsimustele Fabricu andmeagent, mis toetub kuldkihi semantilistele mudelitele ja millele on seatud piirid: mida see käsitleb, milliseid juhiseid järgib ja kellel on sellele ligipääs. Agendil on 25 kasutajat.

Enne agendi vastuste usaldamist õpetati teda ja kontrolliti tulemusi. Kesksetes semantilistes mudelites on iga väli ja seos kirjeldatud ning äripoole eelistused lisavad sünonüümid, korrelatsioonid ja reegli „kui küsitakse seda, mõeldakse toda“. Seejärel testiti agenti kolmes voorus: 80 päris kasutajatoe küsimusel oli täpsus 75%, samadel küsimustel pärast ümberhäälestamist 93% ning 80 juhuslikul tehisintellekti loodud küsimusel, mida keegi meeskonnast polnud kirjutanud, 95%.

Real-Time Intelligence maksete jälgimisel

Kõigi makseteenuse pakkujate tehinguandmed liiguvad Eventstreami kaudu Eventhouse'i. Iga 15 minuti järel koondatakse andmed pakkuja kaupa ja võrreldakse kokkulepitud piiridega, näiteks kas läbi läheb alla 80% maksetest, kas 15 minutiga on tulnud 20 keeldumist või kas tehinguid on oodatust vähem. Kui piir ületatakse, saadab Activator hoiatuse õigele inimesele. Nii saab äripool pakkuja probleemidest teada umbes 15 minutiga ega pea ootama aruande järgmist värskendust.

Aaron nimetas seda signaaliks, mitte otsuseks: hoiatus ütleb, et pakkujaga võib midagi viga olla, ja ütleb seda piisavalt vara, et jõuab veel tegutseda. Varane teadasaamine on oluline, sest Aaroni sõnul kaotab klient iga tunniga, mil makseteenuse pakkuja ei tööta, keskmiselt umbes 10 000 eurot.

Mis oli oodatust raskem

Kõigepealt ressursiruumi suurus: alustati F16-ga ja selgus, et tehingute maht vajab võimsamat ressursiruumi. Tööruumidele pääses ligi alles pärast administraatorirollide määramist ja liiga palju tööd oli koondunud üksikute inimeste kätte. Ressursiruumi tõhusaks kasutamiseks tuleb valida sobiv võimsus, vajaduse korral lahendust optimeerida ning mõõdikutest jälgida, mis arvutusvõimsust tegelikult kasutab.

Aaron tõi välja kolm õppetundi, mida meeskond oleks tahtnud teada juba esimesel päeval: korrasta enne kolimist, arvesta ressursiruumi kuludega juba esimesest nädalast peale ja jaga platvormi puudutavaid teadmisi, enne kui need koos mõne töötajaga ettevõttest lahkuvad. Ettekande lõpetas ta mõttega: „Platvormi saab osta, omanikutunnet mitte.“ Pärast ettekannet kirjutas ta LinkedInis, et viimased kuud olid meeskonnale rasked, aga nad said hakkama.

Fabric IQ: ärikontekst agentidele

Minu teine ettekanne jätkas mõtet, mis jäi kõlama mõlemast loost: tehisintellektiagendi tarkus sõltub sellest, kui palju ärikonteksti sa talle annad. Minu näide oli sügavkülmik, mille temperatuur tõuseb laupäeva pärastlõunal üle −18 °C. Hooldus, poejuhataja, kvaliteediosakond ja finantsosakond näevad igaüks killukest pildist ning keegi ei oska öelda, millised tooted on ohus, kui suur on nende väärtus ja kes peab tegutsema.

Fabric IQ abil saab andmete põhjal kirjeldada ettevõtte toimimist. Semantilises mudelis on endiselt kirjas kokkulepitud mõõdikud. Ontoloogia lisab kirjelduse äriobjektidest, nende omavahelistest seostest ning nendega seotud reeglitest ja tegevustest. Soovitasin alustada ühe küsimusega. Kogu ettevõtte korraga modelleerimise asemel kirjelda ainult seda, mida on vaja sellele küsimusele vastamiseks. Võta aluseks mudel, mida usaldad, ühenda andmetega üks agent ja kontrolli, kas lahendus töötab. Ettekande lõpus näitasin kohapeal, kuidas agent vastab küsimustele kogu ettevõtte kohta.

Lõuna ja demonurgad

Lõuna ajal oli neli demonurka: Real-Time Intelligence, ontoloogiad Fabric IQ-ga, Fabricu andmeagent ja Fabricu rakendus. Seal sai näha, kuidas tööriistad töötavad, ja küsida enda jaoks olulisi küsimusi. Andmeagendi nurka juhtis Anneli Tomingas.

Kolm järeldust

Korrasta enne, kui kolid

Mõlemad meeskonnad vähendasid enne kolimist aruannete arvu: Äripäev 89 kasutusel olevalt Qliki aruandelt 46-le, NabuMinds enam kui 60-lt 43-le. See oli ka Aaroni esimene õppetund ja see vähendab iga järgmise sammu töömahtu.

Anna agendile kontekst enne, kui teda usaldad

Äripäeva esimene katse tehisintellektiga kukkus läbi kehva sisendi tõttu ja teine õnnestus, sest kontekst pandi enne kirja. NabuMinds selgitas iga välja ja testis agenti kolmes voorus, enne kui selle vastustele toetuma hakkas. Fabric IQ rakendab sama põhimõtet kogu ettevõtte ulatuses. Agent töötab sellega, mis talle antakse, nii et pane kontekst kirja ja kontrolli vastuseid.

Inimene otsustab, teadmine liigub

Äripäevas ei jõua tootmisse midagi ilma analüütiku ülevaatuseta. Kliendi platvormi haldab nüüd NabuMindsi enda meeskond. Aaroni soovitus oli jagada teadmisi aegsasti, et need ei kaoks koos mõne töötaja lahkumisega.

Järgmine kohtumine

Kogukonna järgmine kohtumine on neljapäeval, 5. novembril 2026, kell 18–21 Digmatixis (Mäealuse 2-4, B, Tallinn). Osalemine on tasuta ning kava ja registreerimislingi leiad novembri kohtumise lehelt. Selle hommiku kava, salvestus ja fotod on 21. oktoobri ürituse lehel.