Leistung von Kennzahlen, Beziehungen und Visuals überprüfen
Wenn Ihr semantisches Modell mehrere Tabellen, komplexe Beziehungen, komplizierte Berechnungen, mehrere Visuals oder redundante Daten aufweist, kann dies zu einer schlechten Berichtsleistung führen. Die schlechte Leistung eines Berichts hat negative Auswirkungen auf die Benutzererfahrung.
Um die Leistung zu optimieren, müssen Sie zunächst die Ursache des Problems ermitteln, d. h. herausfinden, welche Elemente Ihres Berichts und semantischen Modells die Leistungsprobleme verursachen. Anschließend können Sie Maßnahmen ergreifen, um diese Probleme zu beheben und somit die Leistung zu verbessern.
Leistungsengpässe bei Berichten identifizieren
Um eine optimale Leistung Ihrer Berichte zu erzielen, müssen Sie ein effizientes semantisches Modell erstellen, das über schnell ausgeführte Abfragen und Kennzahlen verfügt. Mit einer guten Grundlage können Sie das Modell weiter verbessern, indem Sie die Abfragepläne und Abhängigkeiten analysieren und dann Änderungen vornehmen, um die Leistung weiter zu optimieren.
Sie sollten die Kennzahlen und Abfragen in Ihrem semantischen Modell überprüfen, um sicherzustellen, dass Sie die effizienteste Methode verwenden, um die gewünschten Ergebnisse zu erzielen. Ihr Ausgangspunkt sollte das Identifizieren von im Code vorhandenen Engpässen sein. Wenn Sie die langsamste Abfrage im semantischen Modell identifizieren, können Sie sich zunächst auf den größten Engpass konzentrieren und eine Prioritätenliste erstellen, um die anderen Probleme zu beheben.
Leistung analysieren
Mithilfe des Leistungsanalysators in Power BI Desktop können Sie die Leistung der einzelnen Berichtselemente bei der Interaktion der Benutzer ermitteln. Beispielsweise können Sie ermitteln, wie lange ein durch eine Benutzerinteraktion initiiertes Aktualisieren eines bestimmten Visuals dauert. Mithilfe der Leistungsanalyse können Sie die Elemente identifizieren, die zu den Leistungsproblemen beitragen, was bei der Problembehandlung hilfreich sein kann.
Stellen Sie vor dem Ausführen der Leistungsanalyse sicher, dass Sie mit einem leeren Visualcache und einem leeren Daten-Engine-Cache beginnen, um bei der Analyse (dem Test) so korrekte Ergebnisse wie möglich zu erhalten.
Visueller Cache – Wenn Sie ein visuelles Element laden, können Sie diesen visuellen Cache nicht leeren, ohne Power BI Desktop zu schließen und erneut zu öffnen. Sie müssen die Analyse mit einem leeren Visualcache starten, um zu verhindern, dass ein Zwischenspeichern das Ergebnis beeinflusst.
Um sicherzustellen, dass Ihr Visualcache leer ist, fügen Sie Ihrer Power BI Desktop-Datei (.pbix) eine leere Seite hinzu und speichern und schließen Sie die Datei anschließend, während Sie die Seite ausgewählt haben. Öffnen Sie die Power BI Desktop-Datei (.pbix), die Sie analysieren möchten, erneut. Sie wird auf der leeren Seite geöffnet.
Daten-Engine-Cache: Wenn eine Abfrage ausgeführt wird, werden die Ergebnisse zwischengespeichert. Dies führt zu irreführenden Ergebnissen bei der Analyse. Sie müssen den Datencache bereinigen, bevor Sie das Visual erneut ausführen.
Zum Leeren des Datencaches können Sie Power BI Desktop neu starten oder DAX Studio mit dem semantischen Modell verbinden und dann „Cache löschen“ aufrufen.
Wenn Sie die Caches geleert und die Power BI Desktop-Datei auf der leeren Seite geöffnet haben, wechseln Sie zur Registerkarte Ansicht, und wählen die Option Leistungsanalyse aus.
Klicken Sie auf Aufzeichnung starten, um mit der Analyse zu beginnen, wählen Sie die Seite des zu analysierenden Berichts aus, und interagieren Sie mit den Elementen des Berichts, deren Leistung Sie messen möchten. Die Ergebnisse Ihrer Interaktionen werden im Bereich Leistungsanalyse angezeigt, noch während Sie daran arbeiten. Wählen Sie Beenden aus, wenn Sie fertig sind.
Ausführlichere Informationen finden Sie unter Leistungsanalyse verwenden, um die Leistung des Berichtselements zu überprüfen.
Ergebnisse überprüfen
Die Ergebnisse Ihres Leistungstests können Sie im Bereich Leistungsanalyse überprüfen. Damit Sie die Aufgaben in Reihenfolge der Dauer (von der längsten bis zur kürzesten Aufgabe) überprüfen können, klicken Sie mit der rechten Maustaste auf das Symbol Sortieren neben der Spaltenüberschrift Duration (ms), und wählen Sie dann Gesamtzeit in absteigender Reihenfolge.
Die Protokollinformationen für die einzelnen Visuals zeigen an, wie lange es gedauert hat, bis die folgenden Aufgabenkategorien ausgeführt wurden:
DAX-Abfrage – Hier wird die Zeit angegeben, die das Visual zum Senden der Abfrage und Analysis Services zum Zurückgeben der Ergebnisse benötigen.
Visualanzeige – Hier wird die Zeit angegeben, die zum Rendern des Visuals in der Anzeige benötigt wurde, einschließlich der Zeit zum Abrufen von Webbildern oder Geocodierungen.
Andere – Hier wird die Zeit angegeben, die das Visual zum Vorbereiten von Abfragen, zum Warten auf die Ausführung anderer Visuals oder zum Durchführen anderer Hintergrundverarbeitungsaufgaben benötigt hat. Wenn in dieser Kategorie eine lange Dauer angezeigt wird, können Sie diese nur reduzieren, indem Sie DAX-Abfragen für andere Visuals optimieren oder die Anzahl der Visuals im Bericht reduzieren.
Die Ergebnisse des Analysetests helfen Ihnen, das Verhalten Ihres semantischen Modells zu verstehen und die Elemente zu identifizieren, die Sie optimieren müssen. Sie können die Dauer der einzelnen Elemente im Bericht vergleichen und die Elemente mit einer langen Dauer identifizieren. Sie sollten sich auf diese Elemente konzentrieren und untersuchen, warum es so lange dauert, bis sie auf der Berichtsseite geladen sind.
Sie können DAX Studio verwenden, um Ihre Abfragen ausführlicher zu analysieren. Dabei handelt es sich um ein kostenloses Open Source-Tool, das von einem anderen Dienst bereitgestellt wird.
Probleme lösen und Leistung optimieren
Die Ergebnisse Ihrer Analyse helfen Ihnen dabei, verbesserungswürdige Bereiche und Möglichkeiten zur Leistungsoptimierung zu identifizieren. Möglicherweise stellen Sie fest, dass Sie Verbesserungen an den Visuals, der DAX-Abfrage oder anderen Elementen in Ihrem semantischen Modell vornehmen müssen. Die folgenden Informationen enthalten Anweisungen dazu, worauf Sie achten müssen und welche Änderungen Sie vornehmen können.
Visuals
Wenn Sie Visuals als Leistungsengpässe identifizieren, sollten Sie einen Weg finden, die Leistung mit minimalen Auswirkungen auf die Benutzererfahrung zu verbessern.
Berücksichtigen Sie die Anzahl der Visuals auf der Berichtsseite. Weniger Visuals bedeuten eine bessere Leistung. Stellen Sie sich die Frage, ob ein Visual wirklich notwendig ist und ob es für die Endbenutzer wichtig ist. Wenn die Antwort auf diese Frage nein lautet, sollten Sie das Visual entfernen. Anstatt mehrere Visuals auf der Seite zu verwenden, sollten Sie andere Möglichkeiten zur Bereitstellung zusätzlicher Details in Betracht ziehen, z. B. Drillthroughseiten und QuickInfos zur Berichtsseite.
Untersuchen Sie die Anzahl der Felder in allen Visuals. Je mehr Visuals im Bericht enthalten sind, desto wahrscheinlicher sind Leistungsprobleme. Darüber hinaus gilt, dass der Bericht überfüllter und unklarer sein kann, je mehr Visuals enthalten sind. Die Obergrenze für Visuals liegt bei 100 Feldern (Kennzahlen oder Spalten). Ein Visual mit mehr als 100 Feldern wird also langsam geladen. Sie sollten hinterfragen, ob Sie all diese Daten wirklich in einem Visual benötigen. Möglicherweise stellen Sie fest, dass Sie die Anzahl der aktuellen Felder reduzieren können.
DAX-Abfrage
Wenn Sie die Ergebnisse im Bereich Leistungsanalyse überprüfen, können Sie ermitteln, wie lange das Power BI Desktop-Modul zum Auswerten jeder Abfrage benötigt hat (in Millisekunden). DAX-Abfragen, die mehr als 120 Millisekunden benötigen, sind ein guter Ausgangspunkt. In diesem Beispiel identifizieren Sie eine bestimmte Abfrage mit einer langen Verarbeitungszeit.
Die Leistungsanalyse hebt mögliche Probleme hervor, gibt aber nicht an, welche Verbesserungsschritte Sie durchführen müssen. Sie sollten weitere Untersuchungen anstellen, um in Erfahrung zu bringen, wieso die Verarbeitung dieser Kennzahl so lange dauert. Sie können DAX Studio verwenden, um Ihre Abfragen ausführlicher zu untersuchen.
Klicken Sie beispielsweise auf Abfrage kopieren, um die Berechnungsformel in die Zwischenablage zu kopieren, und fügen Sie diese dann in DAX Studio ein. Sie können den Berechnungsschritt dann ausführlicher überprüfen. In diesem Beispiel versuchen Sie, die Gesamtzahl der Produkte mit Bestellmengen über oder gleich fünf zu zählen.
Count Customers =
CALCULATE (
DISTINCTCOUNT ( Order[ProductID] ),
FILTER ( Order, Order[OrderQty] >= 5 )
)
Nachdem Sie die Abfrage analysiert haben, können Sie anhand Ihres eigenen Wissens und Ihrer Erfahrung identifizieren, wo Leistungsprobleme vorliegen. Sie können auch verschiedene DAX-Funktionen testen, um zu überprüfen, ob diese die Leistung verbessern. Im folgenden Beispiel wurde die FILTER-Funktion durch die KEEPFILTER-Funktion ersetzt. Als der Test erneut in der Leistungsanalyse durchgeführt wurde, war die Verarbeitungszeit aufgrund der KEEPFILTER-Funktion kürzer.
Count Customers =
CALCULATE (
DISTINCTCOUNT ( Order[ProductID] ),
KEEPFILTERS (Order[OrderQty] >= 5 )
)
In diesem Fall können Sie die FILTER-Funktion durch die KEEPFILTER-Funktion ersetzen, um die Auswertungsdauer für diese Abfrage maßgeblich zu reduzieren. Wenn Sie diese Änderung vornehmen, sollten Sie zur Überprüfung, ob die Verarbeitungszeit verbessert wurde, den Datencache bereinigen und dann die Leistungsanalyse erneut durchführen.
Semantisches Modell
Wenn für Kennzahlen und Visuals niedrige Zeitwerte angezeigt werden (d. h. sie weisen eine kurze Verarbeitungszeit auf), sind diese nicht die Ursache für die Leistungsprobleme. Wenn die DAX-Abfrage stattdessen einen hohen Wert für die Dauer anzeigt, liegt das wahrscheinlich daran, dass eine Kennzahl schlecht geschrieben oder ein Problem mit dem semantischen Modell aufgetreten ist. Ein solches Problem könnte von den Beziehungen, Spalten oder Metadaten in Ihrem Modell ausgelöst werden. Alternativ kann auch die Option Autom. Datum/Uhrzeit die Ursache sein (siehe folgender Abschnitt).
Verbindungen
Sie sollten die Beziehungen zwischen Ihren Tabellen überprüfen, um sicherzustellen, dass Sie die richtigen Beziehungen eingerichtet haben. Stellen Sie sicher, dass die Eigenschaften der Beziehungskardinalität ordnungsgemäß konfiguriert sind. Beispielsweise könnte eine einseitige Spalte mit eindeutigen Werten fälschlicherweise als mehrseitige Spalte konfiguriert sein. An späterer Stelle in diesem Modul erfahren Sie mehr darüber, wie sich Kardinalität auf die Leistung auswirkt.
Spalten
Es ist eine bewährte Methode, keine Spalten mit Daten zu importieren, die Sie nicht benötigen. Um das Löschen von Spalten im Power Query-Editor zu vermeiden, sollten Sie versuchen, diese beim Laden der Daten in Power BI Desktop an der Quelle zu verarbeiten. Wenn es jedoch nicht möglich ist, redundante Spalten aus der Quellabfrage zu entfernen oder die Daten bereits im Rohzustand importiert wurden, können Sie jede Spalte immer mit dem Power Query-Editor überprüfen. Sie sollten hinterfragen, ob Sie jede Spalte wirklich benötigen, und versuchen herauszufinden, welchen Nutzen jede einzelne Spalte Ihrem semantischen Modell bietet. Wenn Sie feststellen, dass eine Spalte keinen Vorteil bietet, sollten Sie sie aus Ihrem semantischen Modell entfernen. Angenommen, Sie verfügen über eine ID-Spalte mit Tausenden von eindeutigen Zeilen. Sie wissen, dass Sie diese spezifische Spalte nicht in Beziehungen verwenden werden, weshalb sie auch nicht in Berichten verwendet wird. Daher sollten Sie diese Spalte als unnötig betrachten und zugeben, dass sie in Ihrem semantischen Modell Platz verschwendet.
Wenn Sie eine überflüssige Spalte entfernen, verringern Sie die Größe des semantischen Modells, was wiederum zu einer geringeren Dateigröße und einer schnelleren Aktualisierungszeit führt. Da das semantische Modell nur relevante Daten enthält, wird außerdem die Gesamtleistung des Berichts verbessert.
Weitere Informationen finden Sie unter Verfahren zur Datenreduktion für die Importmodellierung.
Metadaten
Metadaten sind Informationen über andere Daten. Power BI-Metadaten enthalten Informationen zu Ihrem semantischen Modell, wie etwa den Namen, den Datentyp und das Format der einzelnen Spalten, das Schema der Datenbank, das Berichtsdesign, das Datum der letzten Änderung der Datei, die Datenaktualisierungsraten und vieles mehr.
Wenn Sie Daten in Power BI Desktop laden, empfiehlt es sich, die entsprechenden Metadaten zu analysieren, damit Sie etwaige Inkonsistenzen mit Ihrem semantischen Modell ermitteln und die Daten normalisieren können, bevor Sie mit der Erstellung von Berichten beginnen. Durch die Analyse Ihrer Metadaten verbessern Sie die Leistung des semantischen Modells, da Sie bei der Analyse Ihrer Metadaten unnötige Spalten, Fehler in Ihren Daten, falsche Datentypen, das Volumen der geladenen Daten (das Laden großer semantischer Modelle, einschließlich Transaktions‑ oder historischer Daten, dauert länger) und vieles mehr identifizieren.
Mit dem Power Query-Editor in Power BI Desktop können Sie Spalten, Zeilen und Werte der Rohdaten überprüfen. Anschließend können Sie die verfügbaren Tools verwenden (beispielsweise die im folgenden Screenshot hervorgehobenen), um die erforderlichen Änderungen vorzunehmen.
Zu den Power Query-Optionen gehören:
Unnötige Spalten – Hiermit werden alle Spalten ausgewertet, um zu ermitteln, ob sie notwendig sind. Wenn mindestens eine Spalte nicht im Bericht verwendet wird und daher unnötig ist, sollten Sie diese mithilfe der Option Spalten entfernen auf der Registerkarte Start entfernen.
Unnötige Zeilen – Überprüft die ersten Zeilen im semantischen Modell, um zu ermitteln, ob sie leer sind oder Daten enthalten, die Sie in Ihren Berichten nicht benötigen. Wenn dies der Fall ist, werden diese Zeilen mit der Option Zeilen entfernen auf der Registerkarte Startseite entfernt.
Data type (Datentyp): Hiermit werden die Datentypen der Spalten auf Richtigkeit überprüft. Wenn ein falscher Datentyp ermittelt wird, ändern Sie diesen, indem Sie die Spalte auswählen, auf der Registerkarte Transform auf Datentyp klicken und dann den richtigen Datentyp aus der Liste auswählen.
Abfragenamen – Hiermit werden die Namen der Abfragen (Tabellen) im Bereich Abfragen überprüft. Wie bei den Namen der Spaltenüberschriften sollten Sie ungewöhnliche oder nicht hilfreiche Abfragenamen in Namen ändern, die sinnvoller oder den Benutzern vertraut sind. Sie können eine Abfrage umbenennen, indem Sie mit der rechten Maustaste auf die Abfrage klicken, Umbenennen auswählen, den Namen nach Bedarf bearbeiten und dann die EINGABETASTE drücken.
Spaltendetails – Der Power Query-Editor verfügt über die folgenden drei Optionen für die Datenvorschau, die Sie zum Analysieren der mit Ihren Spalten verknüpften Metadaten verwenden können. Wie im folgenden Screenshot gezeigt finden Sie diese Optionen auf der Registerkarte Ansicht.
Spaltenqualität – Hiermit wird ermittelt, welcher Prozentsatz der Elemente in der Spalte gültig, fehlerhaft oder leer ist. Wenn der Prozentsatz an gültigen Elementen nicht 100 % ist, sollten Sie der Ursache auf den Grund gehen, die Fehler korrigieren und leere Werte auffüllen.
Spaltenverteilung – Zeigt Häufigkeit und Verteilung der Werte in den einzelnen Spalten an. Später in diesem Modul werden Sie diese Option noch genauer analysieren.
Spaltenprofil – Zeigt ein Spaltenstatistikdiagramm und ein Spaltenverteilungsdiagramm an.
Hinweis
Wenn Sie ein großes semantisches Modell mit mehr als 1.000 Zeilen überprüfen und das gesamte semantische Modell analysieren möchten, müssen Sie die Standardoption unten im Fenster ändern. Wählen Sie Spaltenprofilerstellung basierend auf obersten 1.000 Zeilen>Spaltenprofilierung basierend auf dem gesamten DataSet aus.
Andere Metadaten, die Sie berücksichtigen sollten, sind Informationen zum gesamten semantischen Modell, wie etwa die Dateigröße und die Datenaktualisierungsrate. Sie finden diese Metadaten in der zugehörigen Power BI Desktop-Datei (.pbix). Die Daten, die Sie in Power BI Desktop laden, werden von der VertiPaq-Speicher-Engine komprimiert und auf der Festplatte gespeichert. Die Größe Ihres semantischen Modells wirkt sich direkt auf seine Leistung aus. Ein kleineres semantisches Modell verbraucht weniger Ressourcen (Speicher) und ermöglicht eine schnellere Datenaktualisierung, Berechnung und Darstellung von Grafiken in Berichten.
Die Funktion „Autom. Datum/Uhrzeit“
Ein weiterer Punkt, der bei der Leistungsoptimierung berücksichtigt werden muss, ist die Option Automatisches Datum/Uhrzeit in Power BI Desktop. Diese Funktion ist standardmäßig global aktiviert, was bedeutet, dass Power BI Desktop automatisch eine ausgeblendete berechnete Tabelle für jede Datumsspalte erstellt, sofern bestimmte Bedingungen erfüllt sind. Die neuen, ausgeblendeten Tabellen ergänzen die Tabellen, die sich bereits in Ihrem semantischen Modell befinden.
Die Option Autom. Datum/Uhrzeit ermöglicht Ihnen das Arbeiten mit Zeitintelligenz, wenn Sie Filter-, Gruppier‑ und Drilldownvorgänge für Kalenderzeiträume ausführen. Es wird empfohlen, dass Sie die Aktivierung der Option Autom. Datum/Uhrzeit nur dann beibehalten, wenn Sie mit Kalenderzeiträumen arbeiten und im Bezug auf die Zeit einfache Modellanforderungen haben.
Wenn Ihre Datenquelle bereits eine Datendimensionsquelle definiert, sollte diese Tabelle verwendet werden, um Zeit innerhalb Ihrer Organisation konsistent zu definieren. Folglich sollten Sie die globale Option Autom. Datum/Uhrzeit deaktivieren. Durch Deaktivieren dieser Option können Sie die Größe Ihres semantischen Modells verringern und die Aktualisierungszeit verkürzen.
Sie können diese Option Automatisches Datum/Uhrzeit global aktivieren/deaktivieren, sodass sie für alle Ihre Power BI Desktop-Dateien gilt, oder Sie können die Option für die aktuelle Datei aktivieren/deaktivieren, sodass sie nur für eine einzelne Datei gilt.
Um diese Option Automatisches Datum/Uhrzeit zu aktivieren/deaktivieren, gehen Sie zu Datei>Optionen und Einstellungen>Optionen und wählen dann entweder die Seite Global oder Aktuelle Datei aus. Klicken Sie auf der ausgewählten Seite dann auf Daten laden, und klicken Sie dann wie gewünscht im Bereich Zeitintelligenz auf das Kontrollkästchen, oder entfernen Sie das Häkchen daraus.
Eine Übersicht über die Funktion Automatisches Datum/Uhrzeit und eine Einführung dazu finden Sie unter Automatischen Angabe von Datum/Uhrzeit in Power BI Desktop anwenden.