Einführung in die Leistungsoptimierung

Abgeschlossen

Bei der Leistungsoptimierung werden Änderungen am aktuellen Zustand des Datenmodells vorgenommen, sodass es effizienter ausgeführt werden kann. Grundsätzlich sorgt ein optimiertes Datenmodell für eine bessere Leistung.

Möglicherweise stellen Sie fest, dass der Bericht in Test- und Entwicklungsumgebungen zwar gut funktioniert, bei der Bereitstellung in der Produktionsumgebung zur umfassenderen Nutzung jedoch Leistungsprobleme auftreten. Berichtsbenutzer bemerken schlechte Leistung durch längeres Laden von Berichtsseiten und langsameres Aktualisieren von Visuals. Dies beeinträchtigt die Benutzerfreundlichkeit.

Als Datenanalyst verbringen Sie ungefähr 90 % Ihrer Arbeitszeit mit Daten, und in neun von zehn Fällen entstehen Leistungsprobleme durch schlechte Datenmodelle und/oder DAX. Das Entwerfen eines Datenmodells mit guter Leistung kann sehr langwierig sein und wird häufig unterschätzt. Wenn Sie jedoch Leistungsprobleme schon bei der Entwicklung angehen, erhalten Sie ein robustes Power BI-Datenmodell mit besserer Leistung bei der Berichterstattung und zufriedeneren Benutzern. Letzten Endes sind Sie dadurch auch in der Lage, die optimierte Leistung aufrechtzuerhalten. Wenn Ihre Organisation wächst, wächst auch die Menge an Daten, und das Datenmodell wird komplexer. Wenn Sie Ihr Datenmodell frühzeitig optimieren, können Sie die möglichen negativen Auswirkungen dieses Wachstums auf die Leistung des Datenmodells mindern.

Ein Datenmodell mit geringerer Größe verwendet weniger Ressourcen (Arbeitsspeicher) und beschleunigt die Aktualisierung von Daten, Berechnungen sowie das Rendern von Visuals in Berichten. Zur Optimierung der Leistung sollte daher die Größe des Datenmodells minimiert und die Daten in dem Modell sollten möglichst effizient verwendet werden. Dies umfasst Folgendes:

  • Sicherstellen, dass die richtigen Datentypen verwendet werden

  • Löschen unnötiger Spalten und Zeilen

  • Vermeiden von sich wiederholenden Werten

  • Ersetzen numerischer Spalten durch Measures

  • Reduzieren von Kardinalitäten

  • Analysieren von Modellmetadaten

  • Zusammenfassen von Daten, sofern möglich

Screenshot: Demo der Aufgaben in diesem Modul.

In diesem Modul werden die Schritte, Prozesse und Konzepte vorgestellt, die zur Optimierung eines Datenmodells für die Leistung auf Unternehmensebene erforderlich sind. Beachten Sie jedoch, dass Sie zwar mit Leitfäden zur allgemeinen Leistung und bewährten Methoden in Power BI weit kommen, aber dass Sie zur Optimierung eines Datenmodells für eine bessere Abfrageleistung wahrscheinlich mit einem Data Engineer zusammenarbeiten müssen, um die Optimierung in den Quelldaten voranzubringen.

Nehmen wir beispielsweise an, dass Sie als Microsoft Power BI-Entwickler für Tailwind Traders arbeiten. Ihnen wurde die Aufgabe zugeteilt, ein Datenmodell zu prüfen, dass vor einigen Jahren von einem anderen Entwickler erstellt wurde, der mittlerweile das Unternehmen verlassen hat.

Das Datenmodell erzeugt einen Bericht, zu dem von den Benutzern negatives Feedback eingegangen ist. Die Benutzer sind zufrieden mit den Ergebnissen in dem Bericht, aber die Berichtsleistung gefällt ihnen nicht. Das Laden der Seiten im Bericht dauert zu lange, und Tabellen werden nicht schnell genug aktualisiert, wenn eine bestimmte Auswahl getroffen wird. Zusätzlich zu diesem Feedback hat das IT-Team angemerkt, dass dieses bestimmte Datenmodell zu groß ist und die Ressourcen der Organisation überlastet.

Sie müssen das Datenmodell überprüfen, um die Grundursache der Leistungsprobleme zu ermitteln und zur Optimierung der Leistung Änderungen vorzunehmen.

In diesem Modul lernen Sie Folgendes:

  • Überprüfen der Leistung von Measures, Beziehungen und Visuals

  • Verwenden von Variablen zur Verbesserung der Leistung und zur Problembehandlung

  • Verbessern der Leistung durch Reduzieren der Kardinalitätsebenen

  • Optimieren von DirectQuery-Modelle mithilfe des Speichers auf Tabellenebene

  • Erstellen und Verwalten von Aggregationen