Tinjau kinerja pengukuran, hubungan, dan visual
Jika model semantik Anda memiliki beberapa tabel, hubungan yang kompleks, perhitungan yang rumit, beberapa visual, atau data yang berlebihan, terdapat potensi kinerja laporan yang buruk. Kinerja laporan yang buruk menyebabkan pengalaman pengguna yang negatif.
Untuk mengoptimalkan kinerja, pertama-tama Anda harus mengidentifikasi dari mana masalahnya berasal; dengan kata lain, cari tahu elemen laporan dan model semantik mana yang menyebabkan masalah kinerja. Setelahnya, Anda dapat mengambil tindakan untuk mengatasi masalah tersebut dan, dengan demikian, meningkatkan kinerja.
Mengidentifikasi hambatan kinerja laporan
Untuk mencapai kinerja optimal dalam laporan Anda, Anda perlu membuat model semantik efisien yang memiliki kueri dan pengukuran yang berjalan cepat. Bila Anda memiliki fondasi yang baik, Anda dapat meningkatkan model lebih lanjut dengan menganalisis rencana kueri dan dependensi, lalu membuat perubahan untuk lebih mengoptimalkan performa.
Anda harus meninjau ukuran dan kueri dalam model semantik Anda untuk memastikan bahwa Anda menggunakan cara paling efisien untuk mendapatkan hasil yang Anda inginkan. Titik awal Anda seharusnya adalah mengidentifikasi hambatan yang ada dalam kode. Saat Anda mengidentifikasi kueri paling lambat dalam model semantik, Anda dapat berfokus pada hambatan terbesar terlebih dahulu dan menetapkan daftar prioritas untuk mengatasi masalah lainnya.
Menganalisis kinerja
Anda dapat menggunakan Penganalisis kinerja di Power BI Desktop untuk membantu Anda mengetahui kinerja setiap elemen laporan saat pengguna berinteraksi dengannya. Misalnya, Anda dapat menentukan berapa lama waktu yang dibutuhkan untuk menyegarkan visual tertentu saat dimulai oleh interaksi pengguna. Penganalisis kinerja akan membantu Anda mengidentifikasi elemen yang berkontribusi terhadap masalah kinerja Anda, yang dapat berguna selama pemecahan masalah.
Sebelum Anda menjalankan Penganalisis kinerja, untuk memastikan bahwa Anda memperoleh hasil paling akurat dalam analisis (pengujian) Anda, pastikan Anda memulai dengan cache visual yang jelas dan cache mesin data yang jelas.
Cache visual - Saat Anda memuat visual, Anda tidak dapat menghapus cache visual ini tanpa menutup Power BI Desktop dan membukanya lagi. Untuk menghindari adanya caching saat bermain, Anda perlu memulai analisis dengan cache visual yang bersih.
Untuk memastikan Anda memiliki cache visual yang jelas, tambahkan halaman kosong ke file Power BI Desktop (.pbix) Anda lalu, dengan halaman tersebut dipilih, simpan dan tutup file. Buka kembali file Power BI Desktop (.pbix) yang ingin Anda analisis. Ini akan terbuka pada halaman kosong.
Cache mesin data - Saat kueri dijalankan, hasilnya di-cache, sehingga hasil analisis Anda akan menyesatkan. Anda perlu menghapus cache data sebelum menjalankan kembali visual.
Untuk menghapus cache data, Anda dapat memulai ulang Power BI Desktop atau menghubungkan DAX Studio ke model semantik lalu memanggil Clear Cache.
Setelah Anda menghapus cache dan membuka Power BI Desktop file di halaman kosong, buka tab View lalu pilih opsi Performance analyzer .
Untuk memulai proses analisis, pilih Mulai merekam, pilih halaman laporan yang ingin Anda analisis, dan berinteraksilah dengan elemen laporan yang ingin Anda ukur. Anda akan melihat hasil interaksi Anda ditampilkan di panel Penganalisis kinerja saat Anda bekerja. Setelah selesai, pilih tombol Berhenti .
Untuk informasi lebih rinci, lihat Gunakan Performance Analyzer untuk memeriksa kinerja elemen laporan.
Hasil ulasan
Anda dapat meninjau hasil uji kinerja di panel Penganalisis kinerja . Untuk meninjau tugas berdasarkan durasi, dari terpanjang ke terpendek, klik kanan ikon Urutkan di samping tajuk kolom Durasi (md) , lalu pilih Total waktu dalam urutan Menurun .
Informasi log untuk setiap visual menunjukkan berapa banyak waktu yang dibutuhkan (durasi) untuk menyelesaikan kategori tugas berikut:
Kueri DAX - Waktu yang diperlukan visual untuk mengirim kueri, beserta waktu yang diperlukan Layanan Analisis untuk mengembalikan hasilnya.
Tampilan visual - Waktu yang dibutuhkan visual untuk ditampilkan di layar, termasuk waktu yang dibutuhkan untuk mengambil gambar web atau geocoding.
Lainnya - Waktu yang dibutuhkan visual untuk menyiapkan kueri, menunggu visual lain selesai, atau menjalankan tugas pemrosesan latar belakang lainnya. Jika kategori ini menampilkan durasi yang panjang, satu-satunya cara nyata untuk mengurangi durasi ini adalah dengan mengoptimalkan kueri DAX untuk visual lain, atau mengurangi jumlah visual dalam laporan.
Hasil uji analisis membantu Anda memahami perilaku model semantik dan mengidentifikasi elemen yang perlu dioptimalkan. Anda dapat membandingkan durasi setiap elemen dalam laporan dan mengidentifikasi elemen yang memiliki durasi panjang. Anda harus fokus pada elemen tersebut dan menyelidiki mengapa butuh waktu lama untuk memuatnya di halaman laporan.
Untuk menganalisis kueri Anda secara lebih rinci, Anda dapat menggunakan DAX Studio, yang merupakan alat sumber terbuka gratis yang disediakan oleh layanan lain.
Menyelesaikan masalah dan mengoptimalkan kinerja
Hasil analisis Anda akan mengidentifikasi area yang perlu ditingkatkan dan peluang untuk pengoptimalan kinerja. Anda mungkin menemukan bahwa Anda perlu melakukan perbaikan pada visual, kueri DAX, atau elemen lain dalam model semantik Anda. Informasi berikut memberikan panduan tentang apa yang harus dicari dan perubahan yang dapat Anda buat.
Visual
Jika Anda mengidentifikasi visual sebagai hambatan yang menyebabkan buruknya kinerja, Anda harus mencari cara untuk meningkatkan kinerja dengan dampak minimal pada pengalaman pengguna.
Pertimbangkan jumlah visual pada halaman laporan; semakin sedikit visual berarti kinerja yang lebih baik. Tanyakan pada diri Anda apakah visual benar-benar diperlukan dan apakah itu menambah nilai bagi pengguna akhir. Jika jawabannya tidak, Anda harus menghapus visual tersebut. Daripada menggunakan beberapa visual pada halaman, pertimbangkan cara lain untuk memberikan detail tambahan, seperti halaman drill-through dan tooltip halaman laporan.
Periksa jumlah bidang di setiap visual. Semakin banyak visual yang Anda miliki pada laporan, semakin tinggi kemungkinan timbulnya masalah kinerja. Selain itu, semakin banyak visual, laporan akan tampak semakin padat dan kehilangan kejelasan. Batas atas untuk visual adalah 100 bidang (ukuran atau kolom), jadi visual dengan lebih dari 100 bidang akan lambat dimuat. Tanyakan pada diri Anda apakah Anda benar-benar membutuhkan semua data ini dalam bentuk visual. Anda mungkin menemukan bahwa Anda dapat mengurangi jumlah kolom yang Anda gunakan saat ini.
Kueri DAX
Saat Anda memeriksa hasil di panel Penganalisis kinerja , Anda dapat melihat berapa lama waktu yang dibutuhkan Power BI Desktop mesin untuk mengevaluasi setiap kueri (dalam milidetik). Titik awal yang baik adalah kueri DAX yang memerlukan waktu lebih dari 120 milidetik. Dalam contoh ini, Anda mengidentifikasi satu kueri tertentu yang memiliki durasi waktu besar.
Penganalisis kinerja menyoroti potensi masalah tetapi tidak memberi tahu Anda apa yang perlu dilakukan untuk memperbaikinya. Anda mungkin ingin melakukan penyelidikan lebih lanjut mengapa tindakan ini membutuhkan waktu lama untuk diproses. Anda dapat menggunakan DAX Studio untuk menyelidiki kueri Anda secara lebih rinci.
Misalnya, pilih Salin Kueri untuk menyalin rumus perhitungan ke clipboard, lalu menempelkannya ke Dax Studio. Anda kemudian dapat meninjau perhitungan langkah secara lebih rinci. Dalam contoh ini, Anda mencoba menghitung jumlah total produk dengan jumlah pesanan lebih besar atau sama dengan lima.
Count Customers =
CALCULATE (
DISTINCTCOUNT ( Order[ProductID] ),
FILTER ( Order, Order[OrderQty] >= 5 )
)
Setelah menganalisis kueri, Anda dapat menggunakan pengetahuan dan pengalaman Anda sendiri untuk mengidentifikasi di mana letak masalah kinerja. Anda juga dapat mencoba menggunakan fungsi DAX yang berbeda untuk melihat apakah fungsi tersebut meningkatkan kinerja. Dalam contoh berikut, fungsi FILTER diganti dengan fungsi KEEPFILTER. Saat pengujian dijalankan lagi di Performance analyzer, durasinya lebih pendek sebagai hasil dari fungsi KEEPFILTER.
Count Customers =
CALCULATE (
DISTINCTCOUNT ( Order[ProductID] ),
KEEPFILTERS (Order[OrderQty] >= 5 )
)
Dalam kasus ini, Anda dapat mengganti fungsi FILTER dengan fungsi KEEPFILTER untuk mengurangi waktu durasi evaluasi untuk kueri ini secara signifikan. Bila Anda membuat perubahan ini, untuk memeriksa apakah durasi waktu telah membaik atau tidak, kosongkan cache data, lalu jalankan kembali proses Penganalisis kinerja .
Model semantik
Jika durasi pengukuran dan visual menampilkan nilai rendah (dengan kata lain, durasi waktunya pendek), hal tersebut bukanlah penyebab masalah performa. Sebaliknya, jika kueri DAX menampilkan nilai durasi tinggi, kemungkinan pengukurannya ditulis dengan buruk atau terjadi masalah dengan model semantik. Masalahnya mungkin disebabkan oleh hubungan, kolom, atau metadata dalam model Anda, atau bisa juga status opsi Tanggal/waktu otomatis , seperti yang dijelaskan di bagian berikut.
Hubungan
Anda harus meninjau hubungan antara tabel Anda untuk memastikan bahwa Anda telah menetapkan hubungan yang benar. Periksa apakah properti kardinalitas hubungan dikonfigurasikan dengan benar. Misalnya, kolom satu sisi yang berisi nilai unik mungkin dikonfigurasikan secara tidak benar sebagai kolom banyak sisi. Anda akan mempelajari lebih lanjut tentang bagaimana kardinalitas memengaruhi kinerja nanti dalam modul ini.
Kolom
Praktik terbaiknya adalah tidak mengimpor kolom data yang tidak Anda perlukan. Untuk menghindari penghapusan kolom di Power Query Editor, Anda harus mencoba menanganinya di sumbernya saat memuat data ke dalam Power BI Desktop. Namun, jika tidak mungkin untuk menghapus kolom yang berlebihan dari kueri sumber atau data telah diimpor dalam keadaan mentah, Anda selalu dapat menggunakan Power Query Editor untuk memeriksa setiap kolom. Tanyakan pada diri Anda apakah Anda benar-benar membutuhkan setiap kolom dan cobalah mengidentifikasi manfaat yang ditambahkan setiap kolom pada model semantik Anda. Jika Anda menemukan bahwa suatu kolom tidak menambah nilai, Anda harus menghapusnya dari model semantik Anda. Misalnya, Anda memiliki kolom ID dengan ribuan baris unik. Anda tahu bahwa Anda tidak akan menggunakan kolom khusus ini dalam suatu hubungan, jadi kolom ini tidak akan digunakan dalam laporan. Oleh karena itu, Anda harus menganggap kolom ini tidak diperlukan dan mengakui bahwa kolom ini membuang-buang ruang dalam model semantik Anda.
Saat Anda menghapus kolom yang tidak diperlukan, Anda akan mengurangi ukuran model semantik yang, pada gilirannya, menghasilkan ukuran file yang lebih kecil dan waktu penyegaran yang lebih cepat. Selain itu, karena model semantik hanya berisi data yang relevan, kinerja laporan keseluruhan akan ditingkatkan.
Untuk informasi lebih lanjut, lihat Teknik reduksi data untuk pemodelan Impor.
Metadata
Metadata adalah informasi tentang data lain. Power BI metadata berisi informasi tentang model semantik Anda, seperti nama, tipe data, dan format setiap kolom, skema basis data, desain laporan, kapan file terakhir dimodifikasi, kecepatan penyegaran data, dan banyak lagi.
Saat Anda memuat data ke dalam Power BI Desktop, merupakan praktik yang baik untuk menganalisis metadata yang sesuai sehingga Anda dapat mengidentifikasi ketidakkonsistenan dengan model semantik Anda dan menormalkan data sebelum Anda mulai membuat laporan. Menjalankan analisis pada metadata Anda akan meningkatkan kinerja model semantik karena, saat menganalisis metadata Anda, Anda akan mengidentifikasi kolom yang tidak diperlukan, kesalahan dalam data Anda, tipe data yang salah, volume data yang dimuat (model semantik yang besar, termasuk data transaksional atau historis, akan membutuhkan waktu lebih lama untuk dimuat), dan banyak lagi.
Anda dapat gunakan Power Query Editor di Power BI Desktop untuk memeriksa kolom, baris, dan nilai data mentah. Anda kemudian dapat menggunakan alat yang tersedia, seperti yang disorot dalam tangkapan layar berikut, untuk membuat perubahan yang diperlukan.
Itu Power Query Pilihannya meliputi:
Kolom yang tidak diperlukan - Mengevaluasi kebutuhan setiap kolom. Jika satu atau beberapa kolom tidak akan digunakan dalam laporan dan karena itu tidak diperlukan, Anda harus menghapusnya dengan menggunakan Hapus Kolom pilihan pada Rumah tab.
Baris yang tidak perlu - Memeriksa beberapa baris pertama dalam model semantik untuk melihat apakah mereka kosong atau jika mereka berisi data yang tidak Anda perlukan dalam laporan Anda; jika demikian, menghapus baris tersebut dengan menggunakan Hapus Baris pilihan pada Rumah tab.
Tipe data - Mengevaluasi tipe data kolom untuk memastikan bahwa semuanya benar. Jika Anda mengidentifikasi tipe data yang salah, ubahlah dengan memilih kolom, memilih Tipe Data pada tab Transformasi , lalu memilih tipe data yang benar dari daftar.
Nama kueri - Memeriksa nama kueri (tabel) di panel Kueri . Sama seperti yang Anda lakukan untuk nama tajuk kolom, Anda harus mengubah nama kueri yang tidak umum atau tidak membantu menjadi nama yang lebih jelas atau nama yang lebih dikenal pengguna. Anda dapat mengganti nama kueri dengan mengklik kanan kueri tersebut, memilih Ganti Nama, mengedit nama sebagaimana diperlukan, lalu menekan Enter.
Rincian kolom - Power Query Editor memiliki tiga opsi data pratinjau berikut yang dapat Anda gunakan untuk menganalisis metadata yang dikaitkan dengan kolom Anda. Anda dapat menemukan pilihan ini pada tab Tampilan , seperti yang diilustrasikan dalam tangkapan layar berikut.
Kualitas kolom - Menentukan persentase item di kolom yang valid, memiliki kesalahan, atau kosong. Jika Persentase Valid tidak 100, Anda harus menyelidiki alasannya, memperbaiki kesalahan, dan mengisi nilai kosong.
Distribusi kolom - Menampilkan frekuensi dan distribusi nilai di setiap kolom. Anda akan menyelidikinya lebih lanjut nanti dalam modul ini.
Profil kolom - Menampilkan bagan statistik kolom dan bagan distribusi kolom.
Catatan
Jika Anda meninjau model semantik besar dengan lebih dari 1.000 baris, dan Anda ingin menganalisis seluruh model semantik tersebut, Anda perlu mengubah opsi default di bagian bawah jendela. Pilih Profil kolom berdasarkan 1000 baris teratas>Profil kolom berdasarkan seluruh set data.
Metadata lain yang harus Anda pertimbangkan adalah informasi tentang model semantik secara keseluruhan, seperti ukuran file dan kecepatan penyegaran data. Anda dapat menemukan metadata ini di file Power BI Desktop (.pbix) terkait. Data yang Anda muat ke Power BI Desktop dikompresi dan disimpan ke disk oleh mesin penyimpanan VertiPaq. Ukuran model semantik Anda memiliki dampak langsung pada kinerjanya; model semantik berukuran lebih kecil menggunakan lebih sedikit sumber daya (memori) dan mencapai penyegaran data, perhitungan, dan rendering visual dalam laporan yang lebih cepat.
Fitur tanggal/waktu otomatis
Hal lain yang perlu dipertimbangkan saat mengoptimalkan kinerja adalah opsi Tanggal/waktu otomatis di Power BI Desktop. Secara default, fitur ini diaktifkan secara global, yang berarti Power BI Desktop secara otomatis membuat tabel kalkulasi tersembunyi untuk setiap kolom tanggal, asalkan kondisi tertentu terpenuhi. Tabel tersembunyi yang baru merupakan tambahan pada tabel yang sudah Anda miliki dalam model semantik Anda.
Opsi Tanggal/waktu otomatis memungkinkan Anda bekerja dengan kecerdasan waktu saat memfilter, mengelompokkan, dan menelusuri periode waktu kalender. Kami menyarankan agar Anda tetap mengaktifkan opsi Tanggal/waktu otomatis hanya ketika Anda bekerja dengan periode waktu kalender dan ketika Anda memiliki persyaratan model yang sederhana terkait dengan waktu.
Jika sumber data Anda sudah menentukan tabel dimensi tanggal, tabel tersebut harus digunakan untuk menentukan waktu secara konsisten dalam organisasi Anda, dan Anda harus menonaktifkan opsi global Tanggal/waktu otomatis . Menonaktifkan opsi ini dapat menurunkan ukuran model semantik Anda dan mengurangi waktu penyegaran.
Anda dapat mengaktifkan/menonaktifkan opsi Tanggal/waktu otomatis ini secara global sehingga berlaku untuk semua Power BI Desktop file Anda, atau Anda dapat mengaktifkan/menonaktifkan opsi untuk file saat ini sehingga hanya berlaku untuk file individual.
Untuk mengaktifkan/menonaktifkan opsi Tanggal/waktu otomatis ini, buka File>Opsi dan pengaturan>Opsi, lalu pilih halaman Global atau File Saat Ini . Di salah satu halaman, pilih Muat Data lalu, di bagian Kecerdasan Waktu , pilih atau kosongkan kotak centang sebagaimana diperlukan.
Untuk gambaran umum dan pengenalan umum tentang fitur Tanggal/waktu otomatis , lihat Terapkan tanggal/waktu otomatis di Power BI Desktop.