Sisense är ett företag som samlar ny fart i BI-området för självbetjäning.
I september 2018 tillkännagav företaget en ny investering på 80 miljoner dollar från det New York-baserade riskkapitalföretaget Insight Venture Partners.
Om du är bekant med BI-verktyg kommer du sannolikt att bli imponerad av Sisense (som endast prissätts av anpassad offert).
Det är en attraktiv produkt med stor kraft.
Fortfarande saknar Sisense varumärkesigenkänning av andra BI-tungvikter som IBM Watson Analytics och Microsoft Power BI.
Men med sitt intuitiva användargränssnitt (UI) och det betydande djupet i dess datavisualiseringsfunktioner är Sisense värt att överväga.
Även om dess användargränssnitt och kommandon inte är så bekanta som Microsoft Power BI, är det ett allvarligt hot mot Tableau Desktop med tanke på funktionerna i topphyllan, som in-chip snarare än in-memory-bearbetning, och naturliga språkkommandon och -frågor som du kan använda i appar från tredje part som Microsoft Skype och Slack.
På allvar kan du ställa en fråga i Skype och Sisense kommer att svara dig i Skype.
Det räcker för att även IBM Watson Analytics ska kunna sitta upp och lägga märke till det.
Inga bekymmer ännu, Watson, eftersom inte allt i Sisense stöder naturligt språk, vilket är en del av anledningen till att det inte är ett av våra redaktörsval.
På nackdelen är Sisense fortfarande lite för klumpig för att vara redo för bästa tid i en helt datademokratiserad organisation där du vill att människor ska använda data i sina jobbbeslut oavsett deras kompetensnivå inom datavetenskap eller statistik.
Du vet, som alla i en viss organisation kan använda Microsoft Word ($ 128,00 på Amazon) utan att behöva veta hur man skriver kod eller till och med hur man stavar korrekt.
Det är sant att kunna komma åt Sisenses analys helt enkelt genom att poppa en naturlig språkfråga i en tredjepartsapp går långt för att göra plattformen universellt användbar.
Resten av plattformens användargränssnitt är dock fortfarande nödvändigt och det matchar bara inte den nivå av användarvänlighet som behövs för att tillfredsställa användare som inte är datakunniga.
Ändå arbetar företaget med denna svaghet och gör ett värdefullt jobb som tillhandahåller onlineutbildning och lärande med en välorganiserad supportavdelning och en välskött blogg.
Ändå är det här en bra - vågar jag säga, badass - app som genomsnittliga och mycket skickliga affärsanalytiker säkert kommer att uppskatta.
Det lyfter större delen av bördan från skicklig personal utan att behöva köpa ytterligare verktyg.
Det är ett fullstaplingsverktyg så det är mindre beroende av IT eller högkvalificerade resurser.
Sisense spelar också bra med andra analyser och appar, vilket förklarar varför företaget tjänar hälften av sina intäkter från inbäddad användning i andra produkter.
Sisense har ännu inte nått kritisk massa på marknaden, men det kommer sannolikt att nå den milstolpen snart.
Under tiden är företaget mamma på priser så du måste be dem om en offert.
Det är också en nackdel, med tanke på att det fortsätter att utföra en låg total ägandekostnad (TCO).
Det är svårt att göra matematiken på det kravet utan att först veta priset.
Komma igång
Tänk på Sisense som består av två delar: Det finns det intuitiva webbgränssnittet och sedan finns ElastiCube, Sisenses egen analytiska databas.
ElastiCube måste laddas ner och köras lokalt, något jag inte hade med andra spelare att göra.
Efter nedladdningen gick jag till Windows Start-meny och öppnade Sisense ElastiCube Manager.
Om du vill göra självstudien först med exempeldata som redan finns i systemet, välj sedan Arkiv> Ny ElastiCube-fil och namnge filen "självstudie", "testning", "röra sig" eller något som senare kommer att betyda att detta inte är 't filen du behöver för något annat.
Följ sedan anvisningarna för att doppa tån innan du dyker in i poolens djupa ände.
Efter att ha fått tillräckligt med kunskap om datavetenskap hoppade jag rakt in i djupänden.
Jag såg självstudierna senare och de är välgjorda och lätta att följa.
Det är smartare att titta på dem först eftersom användargränssnittet inte är så intuitivt som det borde vara och något av en besvikelse trots allt det naturliga språkets godhet.
Hur som helst, där var jag med Sisense öppen i min webbläsare och ElastiCube Manager öppen på mitt skrivbord.
Jag gick direkt för "Open File" på ElastiCube.
Nej, det är tydligen inte vägen till mina uppgifter.
Det tog upp lokala filer men kunde inte öppna mina CSV-filer (Comma Separated Values).
Därefter klickade jag på "Ansluta till data" och det tog mig till en guide som listade kontakterna, som det finns gott om.
Där fick jag veta att CSV-kontakten är en av flera som är förinstallerade.
Ytterligare ett klick på "Arbeta med data" och det pekades på en "+" -knapp där jag kunde ladda upp mina lokala CSV-data.
Jag kommer att kalla det med tre klickar och inga allvarliga fumlar, vilket innebär att om du är en erfaren affärsanalytiker är det inte svårt att utforska systemets handledning.
Men om du inte gör det, kommer du troligen att vara helt förlorad, snabbt.
Det finns en betydande inlärningskurva här så titta på handledningarna och anteckna.
Men kort sagt, klicka på Lägg till data, välj dina datakällor och ange dina inloggningsuppgifter efter behov för att ansluta.
Alla tillgängliga tabeller presenteras i varje databas och du väljer sedan de du vill använda.
Du kan förhandsgranska och mashup flera datakällor innan du lägger till i ditt schema.
Att skapa en koppling görs genom att dra och släppa.
Stora datamängder kan kombineras i en enda kub.
Efter det kunde jag analysera data och skapa instrumentpaneler med webbgränssnittet.
Allt detta låter enkelt och det är om du har arbetat med BI-appar tidigare, men inte så mycket om det här är din första razzia för att arbeta med data.
Du kan hämta in data från flera datakällor, inklusive eBay, Facebook, QuickBooks och PayPal.
Det integreras också med molnlagringsplattformar som Box.
Dessutom kan du införliva data från databas-som-en-tjänst (DBaaS) plattformar som Google BigQuery.
När data väl var laddad följde jag uppmaningen till kommandot Bygg där jag kunde konfigurera och bygga en ElastiCube.
Där fick jag två alternativ: Build Schema Changes och Build Entire ElastiCube.
Återigen kan första timers och lekanvändare stanna ut och bli förvirrade.
Jag valde det första alternativet, och systemet tog cirka fyra minuter att slutföra bygg- och importprocessen.
Då var jag redo att utforma en instrumentpanel och köra valfritt antal ad hoc-analyser.
Jag hade nu en ElastiCube-fil på mitt skrivbord.
Upptäcktsprocessen
Klicka på "Dashboard" i ElastiCube Manager och du flyttas automatiskt till Sisenses webbgränssnitt i din webbläsare.
Alternativt, vid ett senare tillfälle, hade jag inget behov av att öppna ElastiCube Manager först.
Jag gick helt enkelt till webbgränssnittet för att använda data som redan finns i ElastiCube.
En gång blev jag ombedd att välja en datamängd (från de som redan finns i ElastiCube), aka en kub.
Jag kan också ge den nya instrumentpanelen ett namn här innan jag klickar på Skapa.
Under underrubriken "Widget" på nästa sida bad den mig att välja data igen.
Men den här gången betydde det inte för mig att välja en hel datamängd eftersom jag redan hade gjort det på föregående sida.
Snarare innebar det för mig att välja fält från tabellerna i de valda datamängderna.
Om du väljer fält från olika tabeller som du inte redan har gått med får du ett felmeddelande - ännu en punkt i processen som affärsanvändare kan snubbla.
Det finns kommandot "Försök igen" men det gör ingenting om tabellerna inte går med.
Jag dök tillbaka till ElastiCube och gick med i borden där.
Från min kub valde jag fälten "varumärke" och "enhet" och sedan en visualisering: treemap.
Klicka på knappen "Skapa", skriv in en titel i namnlisten, lägg till ett par filter och voila: Jag hade en interaktiv visualisering att utforska.
Om du är en vanlig Tableau Desktop-användare (Besök Store at Tableau) kommer du att tycka att den här processen är cool och supereffektiv.
Om du är mer av en "Berätta för mig som om det är" -användaren av IBM Watson Analytics, kommer det att ta dig ett tag att förstå nog om den här appen för att verkligen uppskatta den.
Datavisualiseringar
Till skillnad från andra självbetjänings-BI-appar ligger värdet av visualiseringar i Sisense inte i antalet mönster och format som du kan välja från, utan i djupet av insikter de exponerar.
Kort sagt, de flerdimensionella widgetsna gör interaktiva, "borra till var som helst" -visualiseringar som ger massor av insikter genom att helt enkelt bläddra med musen över dem eller klicka på olika sektioner.
Sisense låter också användare flytta om och ändra storlek på visualiseringar på instrumentpaneler innan de delas så att de är lättare att läsa i antingen e-post- eller matningslägen, vilket gör den idealisk för visning på flera enheter.
Jag skulle dock hävda att det tillgängliga djupet av dess visualisering kan vara den viktigaste skillnaden för Sisense.
Dessa innebär att en analytiker eller en lekanvändare lätt kan upptäcka mer än vad de ursprungligen förväntade sig från en given analys utan ytterligare ansträngning.
Men för att denna fördel ska kunna uppnås fullt ut i en datademokratiserad organisation måste Sisense först göra det lättare för lekanvändare att komma till denna punkt.
Nackdelar
Kanske lite komplicerat för ett självbetjäningsverktyg (BI).
Analytics-processen behöver fungera.
Naturliga språkegenskaper har begränsningar.
Poängen
Sisense kommer lätt att tilltala erfarna BI-användare med sina omfattande funktioner, men det kan frustrera nybörjare.
Sisense är ett företag som samlar ny fart i BI-området för självbetjäning.
I september 2018 tillkännagav företaget en ny investering på 80 miljoner dollar från det New York-baserade riskkapitalföretaget Insight Venture Partners.
Om du är bekant med BI-verktyg kommer du sannolikt att bli imponerad av Sisense (som endast prissätts av anpassad offert).
Det är en attraktiv produkt med stor kraft.
Fortfarande saknar Sisense varumärkesigenkänning av andra BI-tungvikter som IBM Watson Analytics och Microsoft Power BI.
Men med sitt intuitiva användargränssnitt (UI) och det betydande djupet i dess datavisualiseringsfunktioner är Sisense värt att överväga.
Även om dess användargränssnitt och kommandon inte är så bekanta som Microsoft Power BI, är det ett allvarligt hot mot Tableau Desktop med tanke på funktionerna i topphyllan, som in-chip snarare än in-memory-bearbetning, och naturliga språkkommandon och -frågor som du kan använda i appar från tredje part som Microsoft Skype och Slack.
På allvar kan du ställa en fråga i Skype och Sisense kommer att svara dig i Skype.
Det räcker för att även IBM Watson Analytics ska kunna sitta upp och lägga märke till det.
Inga bekymmer ännu, Watson, eftersom inte allt i Sisense stöder naturligt språk, vilket är en del av anledningen till att det inte är ett av våra redaktörsval.
På nackdelen är Sisense fortfarande lite för klumpig för att vara redo för bästa tid i en helt datademokratiserad organisation där du vill att människor ska använda data i sina jobbbeslut oavsett deras kompetensnivå inom datavetenskap eller statistik.
Du vet, som alla i en viss organisation kan använda Microsoft Word ($ 128,00 på Amazon) utan att behöva veta hur man skriver kod eller till och med hur man stavar korrekt.
Det är sant att kunna komma åt Sisenses analys helt enkelt genom att poppa en naturlig språkfråga i en tredjepartsapp går långt för att göra plattformen universellt användbar.
Resten av plattformens användargränssnitt är dock fortfarande nödvändigt och det matchar bara inte den nivå av användarvänlighet som behövs för att tillfredsställa användare som inte är datakunniga.
Ändå arbetar företaget med denna svaghet och gör ett värdefullt jobb som tillhandahåller onlineutbildning och lärande med en välorganiserad supportavdelning och en välskött blogg.
Ändå är det här en bra - vågar jag säga, badass - app som genomsnittliga och mycket skickliga affärsanalytiker säkert kommer att uppskatta.
Det lyfter större delen av bördan från skicklig personal utan att behöva köpa ytterligare verktyg.
Det är ett fullstaplingsverktyg så det är mindre beroende av IT eller högkvalificerade resurser.
Sisense spelar också bra med andra analyser och appar, vilket förklarar varför företaget tjänar hälften av sina intäkter från inbäddad användning i andra produkter.
Sisense har ännu inte nått kritisk massa på marknaden, men det kommer sannolikt att nå den milstolpen snart.
Under tiden är företaget mamma på priser så du måste be dem om en offert.
Det är också en nackdel, med tanke på att det fortsätter att utföra en låg total ägandekostnad (TCO).
Det är svårt att göra matematiken på det kravet utan att först veta priset.
Komma igång
Tänk på Sisense som består av två delar: Det finns det intuitiva webbgränssnittet och sedan finns ElastiCube, Sisenses egen analytiska databas.
ElastiCube måste laddas ner och köras lokalt, något jag inte hade med andra spelare att göra.
Efter nedladdningen gick jag till Windows Start-meny och öppnade Sisense ElastiCube Manager.
Om du vill göra självstudien först med exempeldata som redan finns i systemet, välj sedan Arkiv> Ny ElastiCube-fil och namnge filen "självstudie", "testning", "röra sig" eller något som senare kommer att betyda att detta inte är 't filen du behöver för något annat.
Följ sedan anvisningarna för att doppa tån innan du dyker in i poolens djupa ände.
Efter att ha fått tillräckligt med kunskap om datavetenskap hoppade jag rakt in i djupänden.
Jag såg självstudierna senare och de är välgjorda och lätta att följa.
Det är smartare att titta på dem först eftersom användargränssnittet inte är så intuitivt som det borde vara och något av en besvikelse trots allt det naturliga språkets godhet.
Hur som helst, där var jag med Sisense öppen i min webbläsare och ElastiCube Manager öppen på mitt skrivbord.
Jag gick direkt för "Open File" på ElastiCube.
Nej, det är tydligen inte vägen till mina uppgifter.
Det tog upp lokala filer men kunde inte öppna mina CSV-filer (Comma Separated Values).
Därefter klickade jag på "Ansluta till data" och det tog mig till en guide som listade kontakterna, som det finns gott om.
Där fick jag veta att CSV-kontakten är en av flera som är förinstallerade.
Ytterligare ett klick på "Arbeta med data" och det pekades på en "+" -knapp där jag kunde ladda upp mina lokala CSV-data.
Jag kommer att kalla det med tre klickar och inga allvarliga fumlar, vilket innebär att om du är en erfaren affärsanalytiker är det inte svårt att utforska systemets handledning.
Men om du inte gör det, kommer du troligen att vara helt förlorad, snabbt.
Det finns en betydande inlärningskurva här så titta på handledningarna och anteckna.
Men kort sagt, klicka på Lägg till data, välj dina datakällor och ange dina inloggningsuppgifter efter behov för att ansluta.
Alla tillgängliga tabeller presenteras i varje databas och du väljer sedan de du vill använda.
Du kan förhandsgranska och mashup flera datakällor innan du lägger till i ditt schema.
Att skapa en koppling görs genom att dra och släppa.
Stora datamängder kan kombineras i en enda kub.
Efter det kunde jag analysera data och skapa instrumentpaneler med webbgränssnittet.
Allt detta låter enkelt och det är om du har arbetat med BI-appar tidigare, men inte så mycket om det här är din första razzia för att arbeta med data.
Du kan hämta in data från flera datakällor, inklusive eBay, Facebook, QuickBooks och PayPal.
Det integreras också med molnlagringsplattformar som Box.
Dessutom kan du införliva data från databas-som-en-tjänst (DBaaS) plattformar som Google BigQuery.
När data väl var laddad följde jag uppmaningen till kommandot Bygg där jag kunde konfigurera och bygga en ElastiCube.
Där fick jag två alternativ: Build Schema Changes och Build Entire ElastiCube.
Återigen kan första timers och lekanvändare stanna ut och bli förvirrade.
Jag valde det första alternativet, och systemet tog cirka fyra minuter att slutföra bygg- och importprocessen.
Då var jag redo att utforma en instrumentpanel och köra valfritt antal ad hoc-analyser.
Jag hade nu en ElastiCube-fil på mitt skrivbord.
Upptäcktsprocessen
Klicka på "Dashboard" i ElastiCube Manager och du flyttas automatiskt till Sisenses webbgränssnitt i din webbläsare.
Alternativt, vid ett senare tillfälle, hade jag inget behov av att öppna ElastiCube Manager först.
Jag gick helt enkelt till webbgränssnittet för att använda data som redan finns i ElastiCube.
En gång blev jag ombedd att välja en datamängd (från de som redan finns i ElastiCube), aka en kub.
Jag kan också ge den nya instrumentpanelen ett namn här innan jag klickar på Skapa.
Under underrubriken "Widget" på nästa sida bad den mig att välja data igen.
Men den här gången betydde det inte för mig att välja en hel datamängd eftersom jag redan hade gjort det på föregående sida.
Snarare innebar det för mig att välja fält från tabellerna i de valda datamängderna.
Om du väljer fält från olika tabeller som du inte redan har gått med får du ett felmeddelande - ännu en punkt i processen som affärsanvändare kan snubbla.
Det finns kommandot "Försök igen" men det gör ingenting om tabellerna inte går med.
Jag dök tillbaka till ElastiCube och gick med i borden där.
Från min kub valde jag fälten "varumärke" och "enhet" och sedan en visualisering: treemap.
Klicka på knappen "Skapa", skriv in en titel i namnlisten, lägg till ett par filter och voila: Jag hade en interaktiv visualisering att utforska.
Om du är en vanlig Tableau Desktop-användare (Besök Store at Tableau) kommer du att tycka att den här processen är cool och supereffektiv.
Om du är mer av en "Berätta för mig som om det är" -användaren av IBM Watson Analytics, kommer det att ta dig ett tag att förstå nog om den här appen för att verkligen uppskatta den.
Datavisualiseringar
Till skillnad från andra självbetjänings-BI-appar ligger värdet av visualiseringar i Sisense inte i antalet mönster och format som du kan välja från, utan i djupet av insikter de exponerar.
Kort sagt, de flerdimensionella widgetsna gör interaktiva, "borra till var som helst" -visualiseringar som ger massor av insikter genom att helt enkelt bläddra med musen över dem eller klicka på olika sektioner.
Sisense låter också användare flytta om och ändra storlek på visualiseringar på instrumentpaneler innan de delas så att de är lättare att läsa i antingen e-post- eller matningslägen, vilket gör den idealisk för visning på flera enheter.
Jag skulle dock hävda att det tillgängliga djupet av dess visualisering kan vara den viktigaste skillnaden för Sisense.
Dessa innebär att en analytiker eller en lekanvändare lätt kan upptäcka mer än vad de ursprungligen förväntade sig från en given analys utan ytterligare ansträngning.
Men för att denna fördel ska kunna uppnås fullt ut i en datademokratiserad organisation måste Sisense först göra det lättare för lekanvändare att komma till denna punkt.
Nackdelar
Kanske lite komplicerat för ett självbetjäningsverktyg (BI).
Analytics-processen behöver fungera.
Naturliga språkegenskaper har begränsningar.
Poängen
Sisense kommer lätt att tilltala erfarna BI-användare med sina omfattande funktioner, men det kan frustrera nybörjare.
