性能优化简介
性能优化（也称为性能调整）涉及更改语义模型的当前状态，使它更高效地运行。 本质上，语义模型进行优化后，其性能会更好。
你可能会发现报表在测试和开发环境中运行良好，但在将它部署到生产环境时，会出现性能问题。 从报表用户的角度来看，性能不佳的特征表现在报表页的加载时间更长，而视觉对象的更新时间更长。 这种性能不佳会导致消极的用户体验。
作为数据分析师，你会花费大约 90% 的时间来处理数据，性能不佳十有八九是糟糕的语义模型、糟糕的数据分析表达式 (DAX) 或二者混合的直接后果。 针对性能设计语义模型的过程可能会十分繁琐，并且通常会被低估。 但是，如果在开发过程中解决了性能问题，那么你将拥有一个可靠的 Power BI 语义模型，它将返回更好的报告性能和更积极的用户体验。 最终，你还能够维持优化性能。 随着组织发展，其数据大小会增长，其语义模型会变得更加复杂。 通过在早期优化语义模型，可以减轻此增长可能对语义模型性能造成的负面影响。
更小的语义模型使用更少的资源（内存），并在报表中实现更快速的数据刷新、计算和呈现的视觉效果。 因此，性能优化过程涉及最大程度减小语义模型大小，并最高效地使用模型中的数据，这包括：
确保使用正确的数据类型。
删除不需要的列和行。
避免重复值。
将数值列替换为度量值。
减少基数。
分析模型元数据。
尽可能汇总数据。
在本模块中，我们将介绍优化语义模型所需的步骤、过程和概念，以实现企业级性能。 但是请记住，尽管 Power BI 中的基本性能和最佳做法指导将为你带来很大的帮助，不过若要优化语义模型以提高查询性能，你可能需要与数据工程师合作来推动源数据源中的语义模型优化。
例如，假设你是为 Tailwind Traders 工作的 Microsoft Power BI 开发人员。 你收到了一项任务，是评审另一个开发人员几年前构建的语义模型，该开发人员之后离开了组织。
该语义模型生成的报表收到了来自用户的负面反馈。 用户对他们在报表中看到的结果感到满意，但对于报表性能不满意。 在报表中加载页花费的时间太长，并且在进行某些选择时，表刷新得不够快。 除了此反馈之外，IT 团队强调此特定语义模型的文件大小太大，对组织的资源造成了压力。
你需要评审该语义模型，以确定性能问题的根本原因并进行更改以优化性能。
学完本模块后，你将能够：
查看度量值、关系和视觉对象的性能。
使用变量改进性能和故障排除。
通过减少基数级别来提高性能。
使用表级别存储优化 DirectQuery 模型。
创建和管理聚合。