Guida rapida sulla preparazione dei dati

Le prestazioni di business intelligence di fascia alta dipendono dal modo in cui i dati vengono preparati e distribuiti in modo efficace da Lakehouse. Adottando modelli architetturali, applicando una struttura semantica e usando ottimizzazioni mirate, è possibile ridurre la complessità delle query, migliorare la velocità di risposta del dashboard e ridurre i costi di calcolo.

La tabella seguente riepiloga le procedure consigliate, l'impatto previsto, la documentazione correlata e gli elementi di azione associati. Questo contenuto è destinato a data engineer, sviluppatori di business intelligence e autori di dashboard che progettano, ottimizzano e gestiscono i carichi di lavoro di analisi in Lakehouse.

Preparazione dei dati

Procedura consigliata	Impatto	Docs	Elementi di azione
Adottare un'architettura medallion	Velocizza la trasformazione dei dati non elaborati in prodotti dati affidabili e pronti all'uso per un facile consumo.	Architettura Medallion Glossario dell'architettura Medallion Concetti relativi al data warehousing	Esaminare e implementare i livelli di medaglione
Usare il clustering liquido	Migliora le prestazioni delle query con salto di file e dati.	Clustering liquido	Applicare su tabelle di grandi dimensioni con modelli di filtro
Usare tabelle gestite	Azure Databricks regola automaticamente e ottimizza il livello di archiviazione e le prestazioni delle query.	Tabelle gestite di Unity Catalog in Azure Databricks	Creare tabelle gestite per i dati
Usare manualmente l'ottimizzazione predittiva o ottimizzare le tabelle	Consente prestazioni migliori delle query ottimizzando le dimensioni e il layout dei file, eliminando i file obsoleti e aggiornando le statistiche.	Ottimizzazione predittiva Ottimizzare il layout dei file Analizzare le metriche di archiviazione di calcolo delle tabelle	Attivare per le tabelle di produzione oppure pianificare una regolare ottimizzazione e analizzare le tabelle dopo le modifiche ai dati
Modellare i dati in un modello di schema star	Semplifica l'esecuzione di query e utilizzo dei dati.	Glossario dello schema star Cinque semplici passaggi per l'implementazione di uno schema star	Progettare tabelle dei fatti e delle dimensioni
Evitare tipi di dati estesi e colonne a cardinalità elevata	Ottimizza le dimensioni del modello di dati e il consumo di memoria e migliora l'efficienza delle query.	Guida all'ottimizzazione dei carichi di lavoro dei dati	Esaminare i tipi di dati e la cardinalità
Dichiarare chiavi primarie ed esterne (con RELY)	Ottimizza le query eliminando join e aggregazioni non necessari.	Ottimizzazione delle query con vincoli	Definire le chiavi nelle tabelle dei fatti e delle dimensioni
Usare le colonne generate automaticamente	Riduce la necessità di calcolare i valori in fase di query.	Colonne generate	Identificare i campi calcolati di frequente
Usare viste materializzate e tabelle persistenti	Migliora le prestazioni preaggregando i dati per le query più comuni e a elevato utilizzo di risorse.	Tables Viste materializzate Usare viste materializzate in Databricks SQL	Creare viste aggregate per query comuni