Reproducibility dashboards: Power BI vs. Python Dash

Abstract

Η διπλωματική εργασία συγκρίνει δύο προσεγγίσεις δημιουργίας διαδραστικών πινάκων (dashboards)—το Power BI και το Python Dash—για την οπτικοποίηση δεδομένων αξιολόγησης έρευνας. Το έργο περιλάμβανε την ανάπτυξη διαδραστικών πινάκων με τα δύο εργαλεία, με σκοπό την παρακολούθηση βασικών δεικτών απόδοσης, της ερευνητικής επίδρασης και δεικτών αναπαραγωγιμότητας. Το Power BI παρείχε ένα εύχρηστο περιβάλλον με ελάχιστο κώδικα, καλαίσθητες οπτικοποιήσεις και εύκολες επιλογές κοινοποίησης, καθιστώντας το κατάλληλο για δημόσια dashboards και επιχειρησιακούς χρήστες. Αντίθετα, το Python Dash απαίτησε περισσότερο χρόνο ανάπτυξης αλλά προσέφερε μεγαλύτερη ευελιξία, αρθρωτότητα και δυνατότητα αναπαραγωγής, επιτρέποντας ευκολότερες ενημερώσεις και προσαρμογή σε διαφορετικά σύνολα δεδομένων. Το πλαίσιο αξιολόγησης κάλυψε την οπτική ποιότητα, τη διαδραστικότητα, την προσπάθεια ανάπτυξης, την απόδοση, την επεκτασιμότητα και την επικοινωνία με τους φορείς χρηματοδότησης. Στη λύση με Python δημιουργήθηκαν επαναχρησιμοποιήσιμα components και κεντρική λογική παραμετροποίησης (π.χ. COLUMN_MAP), διατηρώντας συνέπεια σε όλες τις καρτέλες. Τα αποτελέσματα δείχνουν ότι το Power BI είναι καταλληλότερο για σύντομα, κοινοποιήσιμα business reports, ενώ το Dash εξυπηρετεί καλύτερα τις ανάγκες ερευνητικών περιβαλλόντων που απαιτούν προσαρμογή, διαφάνεια και μακροπρόθεσμη συντήρηση.This thesis compares two dashboarding approaches—Power BI and Python Dash—for visualizing research evaluation data. The project involved creating interactive dashboards with both tools to help stakeholders monitor key performance indicators, research impact, and reproducibility metrics. Power BI provided an easy-to-use, low-code platform with polished visuals and simple sharing options, making it well-suited for public dashboards and business users. On the other hand, Python Dash took more development time but offered greater flexibility, modularity, and reproducibility, allowing for easier updates and integration with machine learning workflows. The evaluation framework covered visual quality, interactivity, development effort, performance, scalability, and stakeholder communication. In the Python version, reusable components and centralized configuration logic (e.g. COLUMN_MAP) were created to support adaptability and version control. Visual and functional consistency was kept across all tabs, with custom features such as filter reset buttons and dynamic KPIs showing Dash’s flexibility. The results show that while Power BI is better for quick, shareable business reports, Python Dash is ideal for research environments that need customization, traceability, and long-term maintenance.