Introduktion till prestandaoptimering
Prestandaoptimering, även kallat prestandajustering, innebär att göra ändringar i semantikmodellens aktuella tillstånd så att den körs effektivare. När din semantikmodell optimeras presterar den i princip bättre.
Du kanske upptäcker att rapporten fungerar bra i test- och utvecklingsmiljöer, men när den distribueras till produktion för att få en vidare konsumtion uppstår prestandaproblem. Från en rapportanvändares perspektiv karakteriseras dåliga prestanda av att rapportsidor tar längre tid att läsa in och att visuella objekt tar längre tid att uppdatera. Dessa dåliga prestanda resulterar i en negativ användarupplevelse.
Som dataanalytiker kommer du att ägna cirka 90 procent av din tid åt att arbeta med dina data, och nio gånger av tio är dåliga prestanda ett direkt resultat av en dålig semantisk modell, dåliga dataanalysuttryck (DAX) eller blandningen av de två. Processen med att utforma en semantisk modell för prestanda kan vara omständlig och underskattas ofta. Men om du löser prestandaproblem under utvecklingen har du en robust Power BI-semantikmodell som ger bättre rapporteringsprestanda och en mer positiv användarupplevelse. Slutligen kommer du även att kunna underhålla optimala prestanda. När din organisation växer växer storleken på dess data och dess semantiska modell blir mer komplex. Genom att optimera din semantiska modell tidigt kan du minimera den negativa inverkan som den här tillväxten kan ha på din semantiska modells prestanda.
En mindre semantisk modell använder mindre resurser (minne) och uppnår snabbare datauppdatering, beräkningar och återgivning av visuella objekt i rapporter. Därför innebär prestandaoptimeringsprocessen att minimera storleken på den semantiska modellen och göra den mest effektiva användningen av data i modellen, vilket inkluderar:
Se till att rätt datatyper används.
Tar bort onödiga kolumner och rader.
Undvika upprepade värden.
Ersätta numeriska kolumner med mått.
Minska kardinalitet.
Analysera modellens metadata.
Sammanfatta data där det är möjligt.
I den här modulen får du en introduktion till de steg, processer och begrepp som krävs för att optimera en semantisk modell för prestanda på företagsnivå. Tänk dock på att även om vägledningen om grundläggande prestanda och bästa praxis i Power BI kommer att leda dig långt, måste du förmodligen samarbeta med en datatekniker för att optimera semantikmodellen i källdatakällorna för att optimera en semantisk modell.
Anta till exempel att du arbetar som Microsoft Power BI-utvecklare för Tailwind Traders. Du har fått uppgiften att granska en semantisk modell som skapades för några år sedan av en annan utvecklare, en person som sedan dess har lämnat organisationen.
Semantikmodellen skapar en rapport som har fått negativ feedback från användare. Användarna är nöjda med resultatet de ser i rapporten, men de är inte nöjda med rapportens prestanda. Det tar för lång tid att läsa in sidor i rapporten, och tabeller uppdateras inte tillräckligt snabbt när vissa val görs. Förutom den här feedbacken har IT-teamet betonat att filstorleken för just den här semantiska modellen är för stor och att den belastar organisationens resurser.
Du måste granska semantikmodellen för att identifiera rotorsaken till prestandaproblemen och göra ändringar för att optimera prestanda.
I slutet av den här modulen kan du:
Granska prestanda för åtgärder, relationer och visuella objekt.
Använda variabler för att förbättra prestanda och felsökning.
Förbättra prestanda genom att minska kardinalitetsnivåer.
Optimera DirectQuery-modeller med lagring på tabellnivå.
Skapa och hantera sammansättningar.