Pengantar pengoptimalan performa
Pengoptimalan performa, juga dikenal sebagai penyetelan performa, melibatkan pembuatan perubahan pada status model semantik saat ini sehingga berjalan lebih efisien. Pada dasarnya, ketika model semantik Anda dioptimalkan, performanya lebih baik.
Anda mungkin menemukan bahwa laporan Anda berjalan dengan baik di lingkungan pengujian dan pengembangan, tetapi ketika disebarkan ke produksi untuk penggunaan yang lebih luas, masalah performa muncul. Dari perspektif pengguna laporan, performa yang buruk ditandai dengan halaman laporan yang membutuhkan waktu lebih lama untuk dimuat dan visual yang membutuhkan waktu yang lebih lama untuk diperbarui. Performa yang buruk ini menghasilkan pengalaman pengguna yang negatif.
Sebagai analis data, Anda akan menghabiskan sekitar 90 persen dari waktu Anda bekerja dengan data Anda, dan sembilan kali dari sepuluh, performa yang buruk adalah hasil langsung dari model semantik yang buruk, Ekspresi Analisis Data (DAX) yang buruk, atau campuran keduanya. Proses merancang model semantik untuk performa bisa melelahkan, dan sering diremehkan. Namun, jika Anda mengatasi masalah performa selama pengembangan, Anda akan memiliki model semantik Power BI yang kuat yang akan mengembalikan performa pelaporan yang lebih baik dan pengalaman pengguna yang lebih positif. Pada akhirnya, Anda juga akan dapat mempertahankan performa yang dioptimalkan. Seiring pertumbuhan organisasi Anda, ukuran datanya tumbuh, dan model semantiknya menjadi lebih kompleks. Dengan mengoptimalkan model semantik Anda lebih awal, Anda dapat mengurangi dampak negatif yang mungkin ditimbutkan oleh pertumbuhan ini pada performa model semantik Anda.
Model semantik berukuran lebih kecil menggunakan lebih sedikit sumber daya (memori) dan mencapai refresh, perhitungan, dan penyajian visual yang lebih cepat dalam laporan. Oleh karena itu, proses pengoptimalan performa melibatkan meminimalkan ukuran model semantik dan membuat penggunaan data yang paling efisien dalam model, yang meliputi:
Memastikan bahwa tipe data yang benar digunakan.
Menghapus kolom dan baris yang tidak perlu.
Menghindari nilai yang berulang.
Mengganti kolom numerik dengan ukuran.
Mengurangi kardinalitas.
Menganalisis metadata model.
Meringkas data jika memungkinkan.
Dalam modul ini, Anda akan diperkenalkan dengan langkah-langkah, proses, dan konsep yang diperlukan untuk mengoptimalkan model semantik untuk performa tingkat perusahaan. Namun, perlu diingat bahwa, sementara panduan performa dasar dan praktik terbaik di Power BI akan mengarahkan Anda jauh, untuk mengoptimalkan model semantik untuk performa kueri, Anda mungkin harus bermitra dengan teknisi data untuk mendorong pengoptimalan model semantik di sumber data sumber.
Misalnya, asumsikan bahwa Anda bekerja sebagai pengembang Microsoft Power BI untuk Tailwind Traders. Anda telah diberi tugas untuk meninjau model semantik yang dibangun beberapa tahun yang lalu oleh pengembang lain, orang yang sejak itu meninggalkan organisasi.
Model semantik menghasilkan laporan yang telah menerima umpan balik negatif dari pengguna. Pengguna senang dengan hasil yang mereka lihat dalam laporan, tetapi mereka tidak puas dengan performa laporan. Memuat halaman dalam laporan terlalu lama, dan tabel tidak cukup cepat saat pilihan tertentu dibuat. Selain umpan balik ini, tim TI telah menyoroti bahwa ukuran file model semantik khusus ini terlalu besar, dan menempatkan ketahanan pada sumber daya organisasi.
Anda perlu meninjau model semantik untuk mengidentifikasi akar penyebab masalah performa dan membuat perubahan untuk mengoptimalkan performa.
Pada akhir modul ini, Anda dapat:
Tinjau performa pengukuran, hubungan, dan visual.
Gunakan variabel untuk meningkatkan performa dan pemecahan masalah.
Tingkatkan performa dengan mengurangi tingkat kardinalitas.
Optimalkan model DirectQuery dengan penyimpanan tingkat tabel.
Membuat dan mengelola agregasi.