W poprzednim artykule zacząłem pokazywać, jak z danych w Excelu, zawierających informacje o różnych fakturach, można szybko stworzyć wiekowanie należności i zobowiązań według kontrahentów. Nasze poprzednie spotkanie zakończyliśmy tuż przed tym, gdy mieliśmy domknąć pętlę przetwarzającą dane poszczególnych kontrahentów. Zatem – domknijmy ją i analizujmy dalej.

Praktyka czyni mistrzów, czyli tworzymy workflow w KNIME (cz. 2)

W momencie, w którym się rozstawaliśmy, dysponowaliśmy tabelą dla jednego z kontrahentów, składającą się z trzech kolumn: przedziałów wiekowania, wartości w tych przedziałach i numeru NIP. Dane te znajdowały się w porcie wyjścia węzła Constant Value Column, gdzie dodaliśmy kolumnę ze stałą wartością – właśnie NIP-em – na podstawie wyciągniętej wcześniej zmiennej.

W tym miejscu winien jestem jedno wyjaśnienie. Można było uzyskać ten efekt nieco prostszym sposobem. Zamiast tworzyć zmienną przechowującą NIP kontrahenta, poprzez nią dodawać kolumnę, mogliśmy ustawić te parametry w węźle grupującym Wg przedziałów. Zależało mi jednak na tym, aby pokazać jak najwięcej możliwości KNIME. W ten sposób widać, że z danych przetworzonych przez workflow można tworzyć zmienne, które potem mogą nim sterować. Jednocześnie zmienne możemy wprowadzać na różnych etapach do danych i wykorzystywać w dalszej analizie.

Bez względu na to, jak uzyskamy naszą tabelę z wiekowaniem, to wszystko, co możemy z nią zrobić na tym etapie. Pora przekazać ją węzłowi zamykającemu pętlę, aby móc utworzyć zestawienie dla wszystkich naszych kontrahentów. Dlatego węzeł Constant Value Column podłączamy do górnego portu węzła Recursive Loop End, który czekał na ten moment od dawna. Do tej pory miał podłączony do dolnego portu jedynie węzeł Row Splitter, dzielący tabelę unikatowych NIP-ów. Teraz pętla jest gotowa i możemy ją uruchomić. Zwracam uwagę, że – w zależności od rozmiaru naszych danych, jak i mocy obliczeniowych komputera – jej zakończenie może trochę potrwać, niemniej nie powinno to przekroczyć kilkunastu–kilkudziesięciu sekund. O zakończeniu działania pętli poinformuje nas zielone światło pod kończącym ją węzłem. W jej porcie wyjściowym powinna czekać na nas tabela składająca się z trzech kolumn zawierających: przedziały wiekowania, salda dla tych przedziałów oraz NIP-y naszych kontrahentów. W zależności od sposobu przetwarzania danych w pętli (z wykorzystaniem tworzenia zmiennej lub tylko za pomocą grupowania danych) kolejność tych kolumn może być różna.

Tak ułożone dane należy przetworzyć do bardziej zrozumiałej postaci. Użytkownicy Excela zapewne zakrzykną w tym momencie „tabela przestawna!” – i będą mieli rację. Ale obiecałem, że nie wyjdziemy z KNIME. Dlatego następnym węzłem po zamknięciu pętli będzie Pivoting. Pozwala on na przekształcenie danych w tabeli przestawnej dokładnie tak, jak robi to Excel. Ma też trzy porty wyjścia, ale o nich za chwilę. Najpierw przetwórzmy nasze dane.

Pozostałe 77% artykułu dostępne jest dla zalogowanych użytkowników serwisu.

Jeśli posiadasz aktywną prenumeratę przejdź do LOGOWANIA. Jeśli nie jesteś jeszcze naszym Czytelnikiem wybierz najkorzystniejszy WARIANT PRENUMERATY.

Zaloguj Zamów prenumeratę Kup dostęp do artykułu

Możesz zobaczyć ten artykuł, jak i wiele innych w naszym portalu Controlling 24. Wystarczy, że klikniesz tutaj.

Ulubione Drukuj

Zobacz również

System ERP jako rozwiązanie dla problemów logistycznych i finansowych

System ERP jako rozwiązanie dla problemów logistycznych i finansowych

Decydując się na wdrożenie nowoczesnego systemu klasy ERP, organizacja może znacznie zwiększyć swój potencjał generowania informacji na temat rozmaitych obszarów funkcjonowania. Najczęściej zarządzający nie do końca zdają sobie sprawę z korzyści, jakie płyną z powiązania w jednym systemie funkcji finansowych, CRM i logistycznych.

Czytaj więcej

Czy analizy self‑service to dobry pomysł dla biznesu?

Czy analizy self-service to dobry pomysł dla biznesu?

Choć każda firma jest wyjątkowa, to jednak podobieństwa między organizacjami są oczywiste, a co za tym idzie – podobne mogą być także potrzeby analityczne i raportowe. Czasami nie warto robić rzeczy od początku, lecz wykorzystać gotowe rozwiązania, które bazują na najlepszych praktykach z innych firm. W artykule przedstawione zostaną przykłady gotowych analiz self-service na bazie platformy Infor d/EPM, które umożliwiają łatwe i szybkie wyciąganie informacji z danych zgromadzonych w systemach informatycznych, bazach danych i hurtowniach danych.

Czytaj więcej

Przejdź do

Partnerzy

Reklama

Polityka cookies

Dalsze aktywne korzystanie z Serwisu (przeglądanie treści, zamknięcie komunikatu, kliknięcie w odnośniki na stronie) bez zmian ustawień prywatności, wyrażasz zgodę na przetwarzanie danych osobowych przez EXPLANATOR oraz partnerów w celu realizacji usług, zgodnie z Polityką prywatności. Możesz określić warunki przechowywania lub dostępu do plików cookies w Twojej przeglądarce.

Usługa Cel użycia Włączone
Pliki cookies niezbędne do funkcjonowania strony Nie możesz wyłączyć tych plików cookies, ponieważ są one niezbędne by strona działała prawidłowo. W ramach tych plików cookies zapisywane są również zdefiniowane przez Ciebie ustawienia cookies. TAK
Pliki cookies analityczne Pliki cookies umożliwiające zbieranie informacji o sposobie korzystania przez użytkownika ze strony internetowej w celu optymalizacji jej funkcjonowania, oraz dostosowania do oczekiwań użytkownika. Informacje zebrane przez te pliki nie identyfikują żadnego konkretnego użytkownika.
Pliki cookies marketingowe Pliki cookies umożliwiające wyświetlanie użytkownikowi treści marketingowych dostosowanych do jego preferencji, oraz kierowanie do niego powiadomień o ofertach marketingowych odpowiadających jego zainteresowaniom, obejmujących informacje dotyczące produktów i usług administratora strony i podmiotów trzecich. Jeśli zdecydujesz się usunąć lub wyłączyć te pliki cookie, reklamy nadal będą wyświetlane, ale mogą one nie być odpowiednie dla Ciebie.