성능 최적화 소개
성능 최적화는 성능 튜닝이라고도 하며 의미 체계 모델이 더 효율적으로 실행되도록 의미 체계 모델의 현재 상태를 변경하는 작업입니다. 본질적으로 의미 체계 모델이 최적화되면 성능이 더 좋아집니다.
보고서가 테스트 및 개발 환경에서 잘 실행되지만 더 광범위한 사용을 위해 프로덕션에 배포되면 성능 문제가 발생할 수도 있습니다. 보고서 사용자의 관점에서 성능 저하는 보고서 페이지를 로드하는 데 걸리는 시간 및 시각적 개체를 업데이트하는 데 소요되는 시간이 늘어난다는 특징이 있습니다. 이러한 성능 저하는 부정적인 사용자 환경으로 이어집니다.
데이터 분석가는 데이터 작업 시간의 약 90%를 소비하고 10명 중 9배가 성능 저하는 잘못된 의미 체계 모델, 잘못된 DAX(데이터 분석 식) 또는 이 둘의 혼합으로 인한 직접적인 결과입니다. 성능에 대한 의미 체계 모델을 디자인하는 프로세스는 지루할 수 있으며 종종 과소 평가됩니다. 그러나 개발 중에 성능 문제를 해결하는 경우 더 나은 보고 성능과 더 긍정적인 사용자 환경을 반환하는 강력한 Power BI 의미 체계 모델이 있습니다. 궁극적으로는 최적화된 성능을 유지할 수도 있습니다. organization 커지면 데이터의 크기가 커지고 의미 체계 모델이 더 복잡해집니다. 의미 체계 모델을 초기에 최적화하면 이러한 증가가 의미 체계 모델의 성능에 미칠 수 있는 부정적인 영향을 완화할 수 있습니다.
크기가 작은 의미 체계 모델은 리소스(메모리)를 적게 사용하고 보고서에서 시각적 개체의 데이터 새로 고침, 계산 및 렌더링을 더 빠르게 수행합니다. 따라서 성능 최적화 프로세스에는 의미 체계 모델의 크기를 최소화하고 다음을 포함하는 모델에서 데이터를 가장 효율적으로 사용하는 것이 포함됩니다.
올바른 데이터 형식이 사용되었는지 확인
불필요한 열과 행 삭제
반복된 값 방지
숫자 열을 측정값으로 바꾸기
카디널리티 줄이기
모델 메타데이터 분석
가능한 경우 데이터 요약
이 모듈에서는 엔터프라이즈 수준 성능을 위해 의미 체계 모델을 최적화하는 데 필요한 단계, 프로세스 및 개념을 소개합니다. 그러나 Power BI의 기본 성능 및 모범 사례 지침은 먼 길을 이끌지만 쿼리 성능을 위해 의미 체계 모델을 최적화하려면 데이터 엔지니어와 협력하여 원본 데이터 원본에서 의미 체계 모델을 최적화해야 할 수 있습니다.
예를 들어 Microsoft Power BI 개발자로서 Tailwind Traders를 위해 일하는데 몇 년 전에 다른 개발자가 만든 의미 체계 모델을 검토하는 작업이 주어졌는데, 그 후 organization 떠난 사람입니다.
의미 체계 모델은 사용자로부터 부정적인 피드백을 받은 보고서를 생성합니다. 사용자는 보고서에 나타나는 결과에 만족하지만 보고서 성능에는 만족하지 않습니다. 보고서의 페이지를 로드하는 데 시간이 너무 오래 걸리고, 특정 항목을 선택했을 때 테이블을 새로 고치는 속도가 떨어지는 편입니다. 이 피드백 외에도 IT 팀은 이 특정 의미 체계 모델의 파일 크기가 너무 커서 organization 리소스에 부담을 주고 있음을 강조했습니다.
의미 체계 모델을 검토하여 성능 문제의 근본 원인을 식별하고 성능을 최적화하기 위해 변경해야 합니다.
이 모듈을 마치면 다음을 수행할 수 있습니다.
측정값, 관계 및 시각적 개체의 성능을 검토합니다.
변수를 사용하여 성능 및 문제 해결을 향상합니다.
카디널리티 수준을 줄여 성능을 향상합니다.
테이블 수준 스토리지로 DirectQuery 모델을 최적화합니다.
집계를 만들고 관리합니다.