Extract Transform Load-testing – ofte kalt ETL-testing – er et viktig verktøy innen moderne business intelligence og dataanalyse.
Teamene må samle inn data fra ulike kilder, slik at de kan lagre dem i datavarehus eller klargjøre dem for business intelligence-verktøyene for å bidra til gode beslutninger eller innsikt. ETL-testing bidrar til å sikre at prosessene, dataene og innsikten holder mål og er klare til å støtte virksomheten.
La oss se nærmere på hva Extract Transform Load-testing er og hvordan det fungerer, før vi går gjennom noen av de ulike tilnærmingene og verktøyene du kan bruke til ETL-testing.
Hva er Extract-Transform-Load,
og hvordan fungerer det?
ETL (Extract-Transform-Load) er et viktig konsept innen datalagring og analyse. ETL beskriver prosessen med å samle inn data fra flere kilder og sentralisere dem i et datavarehus eller en datasjø.
La oss dele opp ETL-prosessen i ulike deler, slik at du kan forstå den bedre.
1. Utdrag:
Data hentes fra ulike kilder. Disse kildene kan være en eksisterende database, en ERP- eller CRM-applikasjon, regneark, nettjenester eller ulike filer.
2. Forvandle:
Når dataene er hentet ut, må du transformere dem slik at de egner seg for lagring eller analyse. Prosessen kan omfatte rensing og normalisering av dataene og konvertering til et egnet format.
3. Last:
Den siste delen av prosessen består i å laste inn data i målsystemet. Målsystemet kan være et datavarehus, en datasjø eller et annet datalager.
ETL har eksistert siden 1970-tallet, men har fått økt betydning i den senere tid på grunn av næringslivets økende bruk av skybaserte systemer, sanntidsdata, analyse og ML/AI-verktøy.
Hva er ETL-testing?
ETL-testing er en type databehandlingstesting som verifiserer at data som er samlet inn fra én kilde, er korrekt overført til bestemmelsesstedet. Som du kan lese ovenfor, må dataene transformeres i henhold til forretningskravene når de er hentet ut. Denne transformasjonen kan av og til føre til problemer med dataene. ETL-testing bidrar til å sikre at dataene er pålitelige og nøyaktige.
ETL-testing er en form for black box-testing fordi den validerer utvekslings-, transformerings- og innlastingsprosessen ved å sammenligne input med output. Den fokuserer på hva systemet gjør som respons på ulike input, og ikke på hvordan det oppnår disse resultatene. I visse situasjoner vil testere imidlertid se på hva som skjer inne i boksen, spesielt når uventede scenarier oppstår.
Hvordan transformerer ekstrakt
belastningstesting fungerer?
Den enkleste måten å forklare hvordan ETL-testing fungerer på, er å dele det opp i tre deler: ekstraksjon, transformasjon og lasting. Derfra kan du forstå de ulike elementene i ETL-validering, før vi bryter ned trinnene mer detaljert.
1. Utdrag
ETL-testing validerer at dataene som hentes fra kilden, er nøyaktige og feilfrie. Denne prosessen innebærer å kontrollere at grunnverdiene er korrekte og at dataene er fullstendige.
En annen del av prosessen omfatter dataprofilering. Denne prosessen består i å forstå kildedataenes struktur, innhold og kvalitet. Tanken her er at du kan avdekke eventuelle avvik, inkonsekvenser eller potensielle kartleggingsproblemer.
2. Forvandle
Den neste delen av prosessen handler om å følge reglene for datatransformasjon til punkt og prikke. En av hovedtilnærmingene her er å teste transformasjonslogikken opp mot forskrifter, lover og andre forretningsregler.
Noen av de typiske testene her er å sjekke om data konverteres til forventede formater, om beregningene er nøyaktige og om oppslagene kobler elementer mellom datasett.
Datakvaliteten må også tas i betraktning. Testerne må finne og fjerne formateringsinkonsistenser og duplikater og løse eventuelle motstridende data ved hjelp av datarensingsprosesser.
Til slutt testes også den generelle ytelsen for å finne ut hvordan ETL-prosessen påvirkes av store datamengder.
3. Last
Til slutt, når dataene lastes inn i datavarehuset, datasjøen eller andre endelige mål, må testerne kontrollere at de er fullstendige, nøyaktige og presentert i riktig format.
Sammenligninger kjøres for å kontrollere at ingen data har gått tapt eller blitt ødelagt på veien mellom kilden, mellomlagringsområdet og målene.
Til slutt undersøkes revisjonssporene for å kontrollere at prosessen sporer alle endringer som skjer under ETL-prosessen, og for å verifisere om historikk og metadata er til stede.
Dette avsnittet bør gi deg en grunnleggende oversikt over hvordan ETL-datakvalitetskontrollene utføres. Du vil legge merke til at det utføres tester på hvert trinn i dataoverføringen fordi det er den beste måten å identifisere og løse spesielle problemer på.
For å få en dypere forståelse av ETL-testkonsepter må du imidlertid utforske de ulike typene ETL-testing og stadiene der de brukes. I de to følgende avsnittene finner du denne informasjonen, slik at du får det helhetsbildet du trenger.
Ulike typer ETL-testing
Det finnes mange ulike typer validering i ETL-testing. De brukes i ulike scenarier og til en rekke ulike formål. La oss se nærmere på ulike typer ETL-testing, og hvor og når du bør bruke dem.
1. Valideringstesting av kildedata
Viktighet:
Valideringstesting av kildedata sikrer at kildedataene holder høy kvalitet og er konsistente før de trekkes ut for transformasjon.
Hva den sjekker:
- Følger dataene forretningsreglene?
- Stemmer datatyper og -formater overens med forventningene?
- Faller dataene innenfor gyldige intervaller?
- Er det nullverdier eller manglende verdier på uventede steder?
2. Testing av avstemming av kilde til måldata
Viktighet:
Denne typen testing validerer om alle data fra en bestemt kilde er hentet ut, transformert og lastet inn i målsystemet.
Hva den sjekker:
- Gikk data tapt under ETL-prosessen?
- Ble data duplisert under ETL-prosessen?
3. Testing av datatransformasjon
Viktighet:
Datatransformasjoner kan innebære mange forskjellige ting, som formatendringer, beregninger, aggregeringer og så videre. Datatransformasjonstesting kontrollerer om transformasjonene har skjedd som tiltenkt.
Hva den sjekker:
- Er dataene som forventet etter transformasjonen?
- Er forretningslogikken implementert på riktig måte under transformasjonene?
- Har beregningene som utføres under transformasjonen, gitt riktig resultat?
4. Testing av datavalidering
Viktighet:
Tester om de endelige dataene er i samsvar med forretningskravene etter å ha blitt transformert.
Hva den sjekker:
- Oppfylles standardene for datakvalitet (dvs. nøyaktighet og fullstendighet)?
- Blir forretningsreglene fulgt?
5. Test av referansemessig integritet i ETL
Viktighet:
Validerer at relasjonene mellom tabellene i kildedataene er korrekt gjengitt i måldataene.
Hva den sjekker:
- Stemmer fremmednøklene i dataene overens med de tilsvarende primærnøklene?
- Opprettholdes relasjonene mellom underordnede og overordnede tabeller etter ETL?
6. Integrasjonstesting
Viktighet:
Integrasjonstester validerer om ETL-prosessen integreres og fungerer i det større dataøkosystemet.
Hva den sjekker:
- Fungerer dataflyten fra ende til ende uten problemer?
- Hvor godt samhandler ETL-prosessen med de andre systemene, for eksempel kilden, målet eller andre nedstrømsapplikasjoner som er avhengige av dataene?
7. Ytelsestesting
Viktighet:
ETL-ytelsestesting evaluerer hvor effektiv ETL-prosessen er når den utsettes for påkjenninger, for eksempel høy belastning.
Hva den sjekker:
- Oppfyller ETL-behandlingstiden virksomhetens krav eller referanseverdier?
- Kan ETL-prosessen skaleres i takt med økende datamengder?
- Har ETL-prosessen noen ressursbegrensninger eller flaskehalser som må håndteres?
8. Funksjonstesting
Viktighet:
Funksjonstesting validerer om ETL-prosessen oppfyller prosjektkravene fra brukerens perspektiv.
Hva den sjekker:
- Er resultatene i tråd med de oppgitte forretningskravene?
- Genererer rapportene nøyaktige resultater?
- Viser dashbordene forventede data?
9. Regresjonstesting
Viktighet:
ETL-prosesser er svært komplekse, med mange data som henger sammen. Selv små endringer i prosessen kan påvirke resultatet ved kilden. Regresjonstesting er avgjørende for å identifisere slike uventede utfall.
Hva den sjekker:
- Får endringer i koden eller underliggende data plutselig negative effekter?
- Har endringene hatt den ønskede effekten når det gjelder å forbedre ETL-prosessen?
Det er verdt å merke seg at vi kan inkludere enhetstesting på denne listen. I stedet har vi tatt med de ulike delene som enhetstesting omfatter, for eksempel testing av kildevalidering, testing av avstemming mellom kilde- og måldata og så videre.
8 stadier av ETL-testing med
8 eksperttips for å lykkes
OK, nå som du forstår de ulike typene validering i ETL-testing, er det på tide å sette det hele sammen. ETL-testing utføres vanligvis med en flerstegstilnærming, som vi presenterer nedenfor.
#1. Innsamling av forretningskrav
Det første trinnet i en testprosess er å samle inn krav. Testerne må være enige om hva ETL-prosessen skal levere. Noen spørsmål som bør besvares på dette tidlige stadiet, er for eksempel:
- Hvordan skal dataene brukes?
- Hvilke utdataformater kreves?
- Hva er forventningene til ytelse?
- Hvilke forskrifter, lover eller retningslinjer styrer bruken av dataene?
Eksperttips:
Selv om det er viktig å overholde kravene, bør ETL-testere bruke kunnskapen og ekspertisen sin til proaktivt å se etter potensielle problemer, inkonsekvenser eller feil tidlig i prosessen. Det er mye enklere og langt mindre tidkrevende å identifisere og eliminere problemer tidlig.
#2. Identifisere og validere datakilder
ETL handler om å hente data fra ulike datakilder, for eksempel ERP- eller CRM-verktøy, applikasjoner, andre databaser, regneark og så videre. Testerne må bekrefte at de nødvendige dataene er tilgjengelige, er riktig strukturert og har tilstrekkelig kvalitet til at de kan brukes som tiltenkt.
Eksperttips:
Kildedata i virkelige systemer er vanligvis rotete. Det er viktig å utarbeide grundige dataprofileringsrapporter på dette stadiet for å sikre at du identifiserer manglende verdier, formatproblemer, avvik og andre inkonsekvenser som du ønsker å holde utenfor transformasjonslogikken senere.
#3. Skrive testtilfeller
Når forretningskravene og dataprofileringsrapportene er klare, er det på tide å lage testtilfellene du trenger for å verifisere ETL-prosessen. Testtilfellene bør omfatte funksjonelle tester, men også “edge cases” og områder som du har identifisert som områder med høy risiko for feil.
Eksperttips:
Det er bra å teste enkelttransformasjoner, men det er bedre å bygge testtilfeller som forstår hvordan data påvirkes når de overføres gjennom hele ETL-pipelinen.
#4. Utførelse av testtilfeller
Nå er det på tide å bruke testtilfellene. Testerne bør gjøre sitt beste for å simulere reelle forhold, eller om mulig bruke reelle forhold.
Eksperttips:
Verktøy for ETL-automatiseringstesting er avgjørende her. Å kunne produsere konsistente og reproduserbare tester sparer mye tid og krefter. I tillegg er ETL-testing et konstant krav etter hvert som datakildene oppdateres eller det gjøres endringer i selve ETL-prosessen.
#5. Generere rapporter
Når du har utført testene, må du dokumentere funnene nøye. Skriv ned resultatene dine, og inkluder dem:
- Suksesser
- Feil
- Avvik fra forventningene
- Hvilke rettelser eller endringer som må gjøres
Disse rapportene gjør mye mer enn bare å bekrefte systemets tilstand. De gir deg også en tidsplan for eventuelle korrigeringer du må gjøre, samtidig som du får viktig informasjon som er nødvendig for å optimalisere ETL-prosessen.
Eksperttips:
Rapporter er for alle, også ikke-tekniske interessenter. Forsøk å redusere sjargong og altfor tekniske begreper, og bruk visuelle oppsummeringer som grafer, diagrammer og annet for å forklare prosessen.
#6. Tester på nytt for feil og mangler
Deretter må du kontrollere at feil og mangler som ble oppdaget under testkjøringen, er løst. I tillegg bør du bekrefte at eventuelle endringer som er implementert i løpet av denne prosessen, ikke har ført til nye problemer.
Eksperttips:
Regresjonstesting er avgjørende på dette stadiet fordi ETL-prosessen er kompleks og sammenhengende. En rettelse kan få utilsiktede og helt uventede konsekvenser for hele ETL-prosessen.
#7. Sluttrapporter
Sluttrapporten gir en detaljert oppsummering av ETL-testprosessen. Fremhev områder som har vært vellykkede, og områder som krever mer arbeid. Gi til slutt en samlet vurdering av kvaliteten og påliteligheten til ETL-dataene.
Eksperttips:
Sluttrapporten er ikke bare en registrering. Velskrevne og velstrukturerte testrapporter blir en del av produksjonsdokumentasjonen og bidrar til at ETL-prosessen hele tiden forbedres og optimaliseres.
#8. Avslutning av rapportene
Til slutt, når rapportene er levert og forstått av de ulike relevante interessentene, må de godkjennes formelt. Rapportene bør inneholde en klar plan for hvilke punkter som må løses eller hvilke ytterligere tiltak som må iverksettes.
Eksperttips:
Selv om det å lukke rapportene er et sterkt tegn på at ETL-prosessen har nådd et akseptabelt nivå, er det viktig å huske på at dette arbeidet egentlig aldri er ferdig. Kontinuerlig forbedring og respons på endringer i kildedata, maskinvare eller endrede forretningsregler betyr at enhver godkjenning bare er en milepæl i en kontinuerlig prosess.
Ekstrahere fordelene ved å transformere belastningstesting
En omfattende ETL-testprosess er avgjørende for team og produkter som er avhengige av dataanalyse. La oss ta en titt på fordelene du kan oppnå når du velger en ETL-testmetode.
1. Datanøyaktighet og -integritet
Kjernen i ETL-validering er å sikre at du får rene og pålitelige data inn i datavarehuset. Riktig tilnærming til ETL-testing betyr:
- Du mister ikke data under uttrekkingen
- Transformasjonene dine inneholder ikke feil
- Dataene kommer til målsystemet slik du hadde tenkt.
2. Sparer tid og penger
ETL-testing av datalageret er viktig fordi det fanger opp feil tidlig. Det er langt bedre å identifisere og eliminere dataproblemer på et tidlig tidspunkt enn å løse dem når hesten har stukket av fra stallen. Ifølge Gartner koster data av dårlig kvalitet teamene i gjennomsnitt 13 millioner dollar hvert år. Begynn ETL-testing tidlig, så sparer du både tid og penger.
3. Ytelse
Dårlige ETL-prosesser kan hindre datasystemene dine og redusere kvaliteten på analyser, rapportering og beslutninger. En god ETL-testprosess bidrar til å holde deg på rett spor ved å identifisere flaskehalser og andre områder som må forbedres.
4. Etterlevelse
Det finnes strenge regler for datastyring for finansinstitusjoner og helsepersonell. Hvis data ikke håndteres og forvaltes på riktig måte, kan det føre til inndratt lisens eller høye bøter. ETL-testing bidrar til å sikre at du holder deg innenfor grensene for samsvar og beskytter sensitiv informasjon.
5. Bedre beslutningstaking
Jo mer nøyaktige og pålitelige dataene dine er, desto tryggere kan du ta datadrevne beslutninger. ETL-testing sikrer at du kan stole på at innholdet i datavarehuset gir deg den innsikten du trenger for å ta de riktige beslutningene.
Utfordringer knyttet til ETL-testing
Det er viktig å sikre at datapipelinen din er i god stand, men det er ikke alltid like enkelt. La oss se nærmere på utfordringene knyttet til solide ETL-datakvalitetskontroller.
1. Datavolum og kompleksitet
En god ETL-testprosess innebærer at man må håndtere store mengder ulike typer data, fra strukturerte til ustrukturerte. Denne variasjonen av data kan fort bli kompleks og vanskelig å håndtere.
2. Avhengighet av kildesystemet
Som vi har beskrevet ovenfor, handler ETL-testing om å sikre en smidig kilde-til-mål-pipeline. Kvaliteten på resultatet avhenger imidlertid i stor grad av kvaliteten på innsatsfaktorene. Endringer i kildens utdataskjema, format eller kvalitet kan føre til ETL-testfeil som ikke alltid er like enkle å diagnostisere.
3. Kompleksiteten i transformasjonen
Å bygge logikken for datatransformasjoner er en spesialistoppgave. Det er komplekst å anvende forretningsregler og rense eller reformatere data, og det er ikke alltid lett å verifisere kvaliteten på disse transformasjonene.
4. Skiftende krav
Alle testere kjenner smerten ved raskt skiftende forretningskrav. ETL-prosessen er et dynamisk område, og det samme gjelder ETL-testing. Etter hvert som forretningsrollene oppdateres og endres, må testerne tilpasse testtilfellene og sørge for at databasens ytelse optimaliseres.
5. Begrensninger i testmiljøet
Det er komplisert og kostbart å kjøre et fullskala produksjonsmiljø for ETL-testing. Testmiljøer i mindre skala gir imidlertid ikke alltid en reell validering, fordi de ikke gjenskaper hvordan håndtering av store datamengder kan føre til ytelsesflaskehalser.
ETL-tips og beste praksis
ETL-testing tar tid å mestre. Her er noen tips som kan hjelpe deg på vei.
#1. Kontinuerlig testing
ETL-testing er ikke noe man gjør en gang for alle. Det er et perspektiv for å sikre god datakvalitet som du må utføre og overvåke kontinuerlig. Det er ikke uten grunn at en ETL QA-tester er en heltidsjobb i bedrifter som bruker business intelligence-verktøy.
#2. Ingen ETL-tester er en øy
Selv om ETL-testing har en black-box-tilnærming, bør ETL QA-ingeniører samarbeide med interessenter, databaseadministratorer og utviklerne som bygger ETL-logikken, hvis de ønsker å utforme meningsfulle tester som virkelig validerer ETL-prosessen.
#3. Solid dokumentasjon er avgjørende.
God og detaljert dokumentasjon, inkludert mappinger fra kilde til mål og en oversikt over dataenes opprinnelse, er avgjørende for å finne ut hvor det har oppstått feil i datapipelinen.
#4. Automatiser så mye som mulig
Dette er kanskje det viktigste poenget. Omfattende ETL-testing er ressurskrevende. Det er også en kontinuerlig prosess, noe som betyr at det krever mye manuelt arbeid med jevne mellomrom. Derfor er ETL-testing en perfekt jobb for programvare for testautomatisering og RPA-verktøy.
De beste verktøyene for ETL-automatiseringstesting
Det bør nå være klart at ETL-automatiseringstesting er en betydelig fordel for testteamene når det gjelder å få mest mulig ut av ressursene.
Heldigvis finnes det flere gode ETL-testverktøy på markedet. Hvert verktøy har sine egne fordeler og ulemper, med funksjoner og funksjonalitet som passer til ulike behov.
Valget av riktig verktøy avhenger av flere ulike faktorer, blant annet:
- ETL-prosessens og forretningslogikkens kompleksitet
- Datavolumet du overfører
- Tilstedeværelse eller konsentrasjon av ustrukturerte data i ETL-prosessen din
- Testernes tekniske kompetanse og ferdigheter
- Budsjettet ditt.
La oss ta en titt på de fem beste ETL-testverktøyene.
#5. QuerySurge
QuerySurge er et abonnementsbasert ETL-testverktøy med vekt på kontinuerlig testing. Den støtter kombinasjoner av kilde- og måldatabaser, har sterke automatiseringsfunksjoner og er utviklet for store, komplekse datalagringsbehov.
Brukergrensesnittet er behagelig å bruke, og rapporteringsfunksjonene er utmerkede. Noen brukere har imidlertid beklaget seg over QuerySurges dyre og uoversiktlige priser, mens andre har kritisert den manglende brukervennligheten og den bratte læringskurven for uerfarne brukere.
#4. iCEDQ
iCEDQ er et kvalitetsverktøy for datatesting og overvåking av datakvalitet. Den tilbyr regelbasert testing og interessant ML-assistert feildeteksjon. Sporing, rapportering og visualisering er spesielt sterke sider ved iCEDQ, noe som gjør det til et godt verktøy for bedrifter med kritiske behov for å overholde lover og regler.
Når det er sagt, er implementeringen av verktøyet i komplekse ETL-landskap en av iCEDQs største ulemper. I tillegg er brukergrensesnittet ganske komplekst og passer ikke for mindre tekniske team.
#3. RightData
RightData er et brukervennlig verktøy som kan skilte med gode muligheter for både ETL-testing og datavalidering uten bruk av kode. Verktøyet er svært fleksibelt og fungerer på tvers av ulike databaser og datavarehus i skyen. Med en rekke forhåndsbygde testmaler, suverene visualiseringsfunksjoner og sømløs integrering med arbeidsflytverktøy er det lett å forstå hvorfor RightData har blitt så populært de siste årene.
Selv om RightData har mange gode egenskaper, kan det være dyrt hvis du har behov for å teste mange ETL-prosesser. Selv om den er abonnementsbasert, kan prisene raskt stige med høyt databruk og tilleggsfunksjoner. Sammenlignet med ZAPTESTs forutsigbare, faste prismodell og ubegrensede lisenser ser RightDatas tilnærming ut til å straffe selskaper i vekst eller skalering.
#2. BiG EVAL
BiG EVAL er et godt valg for komplekse ETL-systemer og eldre lagerimplementeringer. Det bruker regelbasert datavalidering og har kraftige dataprofileringsfunksjoner, noe som gjør det til et godt valg for ETL-testing. BiG EVAL gir også brukerne gode automatiseringsalternativer for utforming og planlegging av tester, og kombinert med utmerkede rapporterings- og visualiseringsmuligheter er det blant de mest omfattende verktøyene for ETL-testing.
Når det er sagt, er det en enda større jobb å implementere BiG EVAL. Sammenlignet med kodefrie verktøy som ZAPTEST kan grensesnittet virke litt gammeldags. Det er viktig å merke seg at ETL-testing bare er ett av BiG EVALs bruksområder, så den lisensbaserte prissettingen kan vise seg å være uoverkommelig for noen team hvis du betaler for funksjoner du ikke strengt tatt trenger.
#1. ZAPTEST: Det første valget for ETL-testing
ZAPTEST er ikke et dedikert ETL-testverktøy, men det er fleksibelt og skalerbart nok til å utføre flere av oppgavene som inngår i en grundig ETL-testmetode.
Som du kan se i avsnittet om ulike typer ETL-testing ovenfor, krever testing av ETL-prosessen datavalidering, integrasjon, ytelse, funksjonalitet og regresjonstesting. ZAPTEST kan gjøre alt dette og mer til. Verktøyene våre for ende-til-ende-testing og metadatatesting er viktige funksjoner for å sikre at analyse- og forretningsinformasjonen din holder mål og er klar til å levere resultater og verdi.
ZAPTEST leveres også med et av de beste RPA-verktøyene på markedet. I forbindelse med ETL-testing kan RPA gi stor verdi ved å generere realistiske testdata, automatisere repetitive manuelle oppgaver og hjelpe deg med å innføre den kontinuerlige testingen du trenger for å få en bunnsolid ETL-prosess.
Med ZAPTETs kodefrie funksjoner, lynraske testoppretting og sømløse integrasjon med andre bedriftsverktøy er det en one-stop-shop for automatisert ETL-testing og mye, mye mer.
Siste tanker
Lasttesting av uttrekkstransformasjon er som å etablere en avdeling for kvalitetskontroll av datavarehuset. Det handler ikke bare om hvorvidt data har blitt overført fra kilde til mål, men også om å sikre at de har kommet frem intakte og som forventet.
Hvis du har dårlige data, ender du opp med å ta feilaktige beslutninger når det kommer til stykket. Riktig ETL-testing er en investering i integriteten til hele dataøkosystemet. Mange bedrifter har imidlertid ikke råd til å bruke tid og penger på ETL-testing.
Automatisering av ETL-testing hjelper deg med å teste raskere og mer effektivt, samtidig som du sparer penger på lang sikt. Økt testdekning og regresjonstesting kan bidra til å øke dataintegriteten, fordi du kan teste langt hyppigere enn om du hadde holdt deg til manuell testing .
Ved å bruke verktøy for ETL-automatiseringstesting kan man dessuten redusere menneskelige feil og frigjøre testere til mer kreative og verdidrevne oppgaver. Å ta i bruk testautomatiserings- og RPA-verktøy som ZAPTEST er en beslutning du ikke trenger å ta gjennom business intelligence-verktøyene dine.
