Présentation de l’optimisation des performances
L’optimisation des niveaux de performance, également appelée réglage des performances, consiste à apporter des modifications à l’état actuel du modèle sémantique afin qu’il s’exécute plus efficacement. En gros, quand votre modèle sémantique est optimisé, il fonctionne mieux.
Vous constaterez peut-être que votre rapport s’exécute correctement dans les environnements de test et de développement, mais que des problèmes de performances se produisent quand il est déployé en production en vue d’une consommation élargie. Du point de vue d’un utilisateur du rapport, les performances médiocres se caractérisent par un chargement des pages de rapport et une mise à jour des visuels qui prennent plus de temps. Cette dégradation des performances entraîne une expérience utilisateur négative.
En tant qu’analyste de données, vous passez environ 90 % de votre temps à travailler avec vos données et, neuf fois sur dix, les performances médiocres sont le résultat direct d’un modèle sémantique incorrect et/ou d’expressions DAX (Data Analysis Expressions) incorrectes. Le processus de conception d’un modèle sémantique prenant en compte les performances peut être fastidieux et est souvent sous-estimé. Toutefois, si vous résolvez les problèmes de performances pendant le développement, vous obtenez un modèle sémantique Power BI robuste qui affiche de meilleures performances de création de rapports et procure une expérience utilisateur plus positive. Au final, vous serez aussi en mesure de maintenir des performances optimisées. À mesure que votre organisation se développe, la taille de ses données croît et son modèle sémantique devient plus complexe. En optimisant votre modèle sémantique de façon anticipée, vous pouvez atténuer l’impact négatif que cette croissance peut avoir sur les performances de votre modèle sémantique.
Un modèle sémantique de taille inférieure utilise moins de ressources (mémoire) et permet d’accélérer l’actualisation des données, les calculs et le rendu des visuels dans les rapports. Ainsi, le processus d’optimisation des performances implique de réduire la taille du modèle sémantique et de tirer pleinement parti des données dans le modèle, notamment en :
S’assurant que les types de données corrects sont utilisés
Supprimant les colonnes et les lignes inutiles
Évitant les valeurs répétées
Remplaçant les colonnes numériques par des mesures
Réduisant les cardinalités
Analysant les métadonnées du modèle
Résumant les données dans la mesure du possible
Dans ce module, vous allez découvrir les étapes, les processus et les concepts nécessaires à l’optimisation d’un modèle sémantique pour améliorer les performances au niveau de l’entreprise. Toutefois, gardez à l’esprit que, même si vous pouvez la plupart du temps vous appuyer sur les recommandations de base en matière de performances et de bonnes pratiques dans Power BI, pour optimiser un modèle sémantique afin d’améliorer les performances des requêtes, vous devrez probablement vous associer à un ingénieur Données pour conduire l’optimisation du modèle de données dans les sources de données sources.
Par exemple, supposons que vous travaillez en tant que développeur Microsoft Power BI pour Tailwind Traders. Il vous a été demandé d’examiner un modèle sémantique créé il y a quelques années par un autre développeur, qui ne fait plus partie de l’organisation.
Le modèle sémantique produit un rapport qui a fait l’objet de commentaires négatifs de la part des utilisateurs. Les utilisateurs sont satisfaits des résultats qu’ils voient dans le rapport, mais pas des performances de ce dernier. Le chargement des pages dans le rapport prend trop de temps et les tables ne sont pas actualisées suffisamment rapidement quand certaines sélections sont effectuées. En plus de ces commentaires, l’équipe informatique a mis en évidence que la taille de fichier de ce modèle sémantique particulier est trop grande, au point de peser sur les ressources de l’organisation.
Vous devez examiner le modèle sémantique pour identifier la cause racine des problèmes de performances et procéder à des changements pour optimiser les performances.
À la fin de ce module, vous serez en mesure de :
Passer en revue les performances des mesures, des relations et des visuels
Utiliser des variables pour améliorer les performances et la résolution des problèmes
Améliorer les performances en réduisant les niveaux de cardinalité
Optimiser les modèles DirectQuery avec un stockage au niveau de la table
Créer et gérer des agrégations