Je lepší dělat reporty v Power BI, nebo v Pythonu? Nebo v čem teda?
Nikdy bych nečekal, že takovýhle kacířský článek budu psát. Protože Python neumím a Power BI (Query, Pivot…) jsou mi naopak velmi blízké. Takže?
Power BI má za mě dvě velké výhody.
- Integraci do Microsoft prostředí. Všechny ty Excely, SharePointy, OneDrive. S tím souvisí i velmi propracované zabezpečení.
- Příjemná a efektivní práce. Power BI je za těch asi 11 let, co je na trhu, už vyladěné, intuitivní a přehledné.
Jenomže Power BI má také jednu velkou nevýhodu. A to je, alespoň někdy, cena. V LinkedIn postech celkově se tohle trapné téma občas přechází mlčením, ale je tady a dokáže zabolet.
To máte dvacet lidí, krát 300 za měsíc, krát dvanáct měsíců, pak přijdou ještě noví lidi… Jasně, můžete využít Fabric, ale tam můžete zase krvácet na kapacitě. Nebo používat jen Desktop, ale zase přijít o spoustu výhod.
No a pak si člověk hraje s Pythonem a vidí, že:
- Licence nula
- Platba za výkon nějakého serveru skoro nula (pokud nedrtíte nějaká mega velká data)
- Škálovatelnost pro neomezený počet uživatelů
- Třeba i možnost autorizace pomocí Microsoft účtu, když už na Microsoftu jedete
- Úžasné možnosti reportingu
- Potenciálně obrovský výkon nad velkými daty
A nevýhody? S nástupem AI jsou hned trochu relativní. Protože výhoda low-code přístupu „i skladník ve šroubárně si může udělat svůj report“, která dřív byla velkou přidanou hodnotou Power BI, se trochu rozplývá.
Vůbec si nemyslím, že je dobré hned přejít z Power BI na Python. Nicméně use cases, ve kterých to dává smysl, nebezpečně přibývá. A trochu mě nebaví microsoftí přístup „plať za uživatele, plať za kapacitu, a ještě plať za AI, která v tom pracuje“.
A jak to máte vy? Je pro vás cena za licence důležitá? A jestli jo, jak se díváte na Power BI?
Vyzkoušet si můžete obojí: kurz Power BI, Python v Pandas pro datové analytiky, nebo rovnou celou kolekci Datová analytika v Pythonu a v Power BI.




