Gå gjennom ytelse for mål, relasjoner og grafikk
Hvis semantiske modellen din har flere tabeller, komplekse relasjoner, indirekte beregninger, flere visuelle effekter eller overflødige data, finnes det et potensial for dårlig rapportytelse. Den dårligste ytelsen til en rapport fører til en negativ brukeropplevelse.
Hvis du vil optimalisere ytelsen, må du først finne ut hvor problemet kommer fra. Med andre ord kan du finne ut hvilke elementer i rapporten og den semantiske modellen som forårsaker ytelsesproblemer. Etterpå kan du gjøre noe for å løse disse problemene, og dermed forbedre ytelsen.
Identifisere flaskehalser i rapportytelse
For å oppnå optimal ytelse i rapportene må du opprette en effektiv semantisk modell som har rask kjøring av spørringer og mål. Når du har et godt grunnlag, kan du forbedre modellen ytterligere ved å analysere spørringsplaner og avhengigheter, og deretter gjøre endringer for å optimalisere ytelsen ytterligere.
Du bør se gjennom målene og spørringene i den semantiske modellen din for å sikre at du bruker den mest effektive måten å få resultatene du ønsker. Utgangspunktet bør være å identifisere flaskehalser som finnes i koden. Når du identifiserer den tregeste spørringen i semantiske modellen, kan du fokusere på den største flaskehalsen først, og etablere en prioritetsliste for å jobbe gjennom de andre problemene.
Analyser ytelse
Du kan bruke Ytelsesanalyse til å Power BI Desktop hjelpe deg med å finne ut hvordan hvert av rapportelementene fungerer når brukere samhandler med dem. Du kan for eksempel bestemme hvor lang tid det tar for et bestemt visuelt å oppdatere når brukeren initieres ved hjelp av en brukerinteraksjon. Ytelsesanalyse vil hjelpe deg med å identifisere elementene som bidrar til ytelsesproblemer, noe som kan være nyttig under feilsøking.
Før du kjører Ytelsesanalyse , må du sørge for at du får de mest nøyaktige resultatene i analysen (testen), pass på at du starter med en klar visuell buffer og en klar datamotorbuffer.
Visuell buffer - Når du laster inn et visuelt, kan du ikke tømme denne visuelle bufferen uten å lukke Power BI Desktop den og åpne den på nytt. Hvis du vil unngå hurtigbufring i lek, må du starte analysen med en ren visuell buffer.
Hvis du vil sikre at du har en klar visuell buffer, Power BI Desktop legger du til en tom side i (Pbix)-filen, og deretter lagrer og lukker du filen med den siden som er merket. Åpne filen Power BI Desktop (pbix) du vil analysere, på nytt. Den åpnes på den tomme siden.
Datamotorbuffer – Når en spørring kjøres, hurtigbufres resultatene slik at analyseresultatene vil bli villedende. Du må tømme databufferen før du kjører det visuelle på nytt.
Hvis du vil tømme databufferen, kan du enten Power BI Desktop starte DAX Studio på nytt eller koble DAX Studio til den semantiske modellen og deretter kalle Clear Cache.
Når du har tømt hurtigbufferne og åpnet filen på den tomme siden, Power BI Desktop går du til kategorien Vis og Velg alternativet Ytelsesanalyse .
Når du skal starte analyseprosessen, Velg Start registrering Velg siden av rapporten du vil analysere og samhandle med elementene i rapporten du vil måle. Du vil se resultatene av samhandlingen din i Ytelsesanalyse-ruten mens du arbeider. Når du er ferdig, Velg Stopp-knappen .
Hvis du vil ha mer informasjon, kan du se Bruke Ytelsesanalyse til å undersøke ytelsen til rapportelementet.
Gå gjennom resultater
Du kan se gjennom resultatene av ytelsestesten i Ytelsesanalyse-ruten . Hvis du vil gå gjennom oppgavene i rekkefølge med varighet, lengst til kortest, høyreklikker du Sorter-ikonet ved siden av kolonnehodet Varighet (ms) og deretter Velg Totaltid i synkende rekkefølge.
Logginformasjonen for hvert visuelle tegn viser hvor mye tid det tok (varighet) å fullføre følgende oppgavekategorier:
DAX-spørring – Tiden det tok for det visuelle å sende spørringen, sammen med tidspunktet det tok Analysis Services å returnere resultatene.
Visuell visning – Tiden det tok for det visuelle å gjengi på skjermen, inkludert tiden det tok å hente webbilder ellercoding.
Andre – Tiden det tok å klargjøre spørringer, vente på at andre visualobjekter skal fullføres eller utføre andre bakgrunnsbehandlingsoppgaver. Hvis denne kategorien viser en lang varighet, er den eneste reelle måten å redusere denne varigheten på å optimalisere DAX-spørringer for andre visuelle effekter, eller redusere antall visuelle effekter i rapporten.
Resultatet av analysetesten hjelper deg med å forstå oppførselen til den semantiske modellen din, og identifisere elementene du må optimalisere. Du kan sammenligne varigheten til hvert element i rapporten og identifisere elementene som har lang varighet. Du bør fokusere på disse elementene og undersøke hvorfor det tar så lang tid å laste dem på rapportsiden.
Hvis du vil analysere spørringene mer detaljert, kan du bruke DAX Studio, som er et gratis verktøy som tilbys av en annen tjeneste.
Løse problemer og optimalisere ytelsen
Resultatene av analysen vil identifisere forbedringsområder og muligheter for ytelsesoptimalisering. Det kan hende at du må utføre forbedringer i visualiseringen, DAX-spørringen eller andre elementer i semantisk modell. Følgende informasjon gir retningslinjer for hva du skal se etter og hvilke endringer du kan gjøre.
Bilder
Hvis du identifiserer visuelle effekter som flaskehalsen som fører til dårlig ytelse, bør du finne en måte å forbedre ytelsen på, med minimal innvirkning på brukeropplevelse.
Vurder antall visuelle effekter på rapportsiden. færre visuelle effekter betyr bedre ytelse. Spør deg selv om det faktisk er nødvendig med et visuelt effekter, og om det gir sluttbrukeren en merverdi. Hvis svaret er nei, bør du fjerne det visuelle. I stedet for å bruke flere visuelle effekter på en side, bør du vurdere andre måter å vise flere detaljer på, for eksempel drill-through-sider og verktøytips på rapportsiden.
Undersøk antall felt i hvert visuelle felt. Jo mer visuell du har i rapporten, desto høyere risiko for ytelsesproblemer. Jo mer visuell informasjon er, i tillegg kan rapporten se ut som om den er full og taper. Den øvre grensen for visualisering er 100 felt (mål eller kolonner), så et visuelt felt på mer enn 100 felt vil være tregt å laste. Spør deg selv om du virkelig trenger alle disse dataene i et visuelt bilde. Det kan hende at du vil redusere antall felt som du bruker i øyeblikket.
DAX-spørring
Når du undersøker resultatene i ruten Ytelsesanalyse, Power BI Desktop kan du se hvor lenge det tok å evaluere hver spørring (i millisekunder). Et godt utgangspunkt er en HVILKENX-spørring som tar mer enn 120 millisekunder. I dette eksemplet identifiserer du én bestemt spørring som har mye varighet.
Ytelsesanalyser fremhever potensielle problemer, men forteller deg ikke hva som må gjøres for å forbedre dem. Det kan hende at du vil foreta ytterligere undersøkelse av hvorfor det tar så lang tid å behandle dette målet. Du kan bruke DAX Studio til å undersøke spørringene mer detaljert.
Du kan for eksempel Velg Copy Query for å kopiere beregningsformelen til utklippstavlen, og deretter lime den inn i Dax Studio. Du kan deretter se gjennom trinn mer detaljert. I dette eksemplet prøver du å telle det totale antallet produkter med ordreantall som er større enn eller lik fem.
Count Customers =
CALCULATE (
DISTINCTCOUNT ( Order[ProductID] ),
FILTER ( Order, Order[OrderQty] >= 5 )
)
Når du har analysert spørringen, kan du bruke din egen kunnskap og erfaring til å identifisere hvor ytelsesproblemene er. Du kan også prøve å bruke ulike DAX-funksjoner for å se om de forbedrede ytelsen. I eksemplet nedenfor ble FILTER-funksjonen erstattet med funksjonen KEEPFILTER. Da testen ble kjørt på nytt i Ytelsesanalyse, var varigheten kortere som et resultat av KEEPFILTER-funksjonen.
Count Customers =
CALCULATE (
DISTINCTCOUNT ( Order[ProductID] ),
KEEPFILTERS (Order[OrderQty] >= 5 )
)
I dette tilfellet kan du erstatte FILTER-funksjonen med KEEPFILTER-funksjonen for å redusere evalueringsvarighetstiden for denne spørringen betydelig. Når du foretar denne endringen, må du fjerne databufferen og kjøre ytelsesanalyseprosessen på nytt for å kontrollere om varigheten er forbedret eller ikke.
Semantisk modell
Hvis varigheten til mål og visualobjekter viser lave verdier (med andre ord de har kort varighet), er de ikke årsaken til ytelsesproblemer. I stedet hvis DAX-spørringen viser en høy varighetsverdi, er det sannsynlig at et mål er skrevet feil eller det har oppstått et problem med den semantiske modellen. Problemet kan skyldes forhold, kolonner eller metadata i modellen, eller det kan være statusen til alternativet Automatisk dato/ klokkeslett, som forklart i følgende del.
Relasjoner
Du bør se gjennom relasjonene mellom tabellene for å være sikker på at du har etablert de riktige relasjonene. Kontroller at egenskapene for relasjonskortet er riktig konfigurert. En kolonne på en side som inneholder unike verdier, kan for eksempel konfigureres feil som en mangesidekolonne. Du vil lære mer om hvordan karinalitet påvirker ytelsen senere i denne modulen.
Kolonner
Det er en god fremgangsmåte å ikke importere kolonner med data som du ikke trenger. For å unngå å slette kolonner i Power Query Redigeringsprogram bør du prøve å forholde deg til dem ved kilden når du laster inn data. Power BI Desktop Hvis det imidlertid er vanskelig å fjerne overflødige kolonner fra kildespørringen, eller dataene allerede er importert i råstatusen, Power Query kan du alltid bruke Redigeringsprogram til å undersøke hver kolonne. Spør deg selv om du virkelig trenger hver kolonne, og prøve å identifisere fordelen som hver av dem legger til i semantisk modell. Hvis du finner ut at en kolonne ikke legger til noen verdi, bør du fjerne den fra den semantiske modellen. La oss for eksempel si at du har en ID-kolonne med tusener av unike rader. Du vet at du ikke vil bruke denne bestemte kolonnen i en relasjon, så den vil ikke bli brukt i en rapport. Derfor bør du vurdere denne kolonnen som unødvendig og innse at den svinn plass i semantikkmodellen din.
Når du fjerner en unødvendig kolonne, vil du redusere størrelsen på den semantiske modellen, som igjen fører til en Mindre filstørrelse og raskere oppdateringstid. Fordi semantiske modellen bare inneholder relevante data, vil også den totale rapportytelsen bli forbedret.
Hvis du vil ha mer informasjon, kan du se Datareduksjonsteknikker for import av modellering.
Metadata
Metadata er informasjon om andre data. Power BI metadataene inneholder informasjon om semantikkmodellen din, for eksempel navn, datatype og format for hver av kolonnene, skjemaet til databasen, rapportutformingen, når filen sist ble endret, oppdateringsfrekvenser for data og mye mer.
Når du laster inn data Power BI Desktop i, er det lurt å analysere tilsvarende metadata, slik at du kan identifisere eventuelle inkonsekvenser med semantiske modellen og normalisere dataene før du begynner å bygge rapporter. Ved å kjøre analyser på metadataene forbedres semantisk modellytelse, fordi du vil identifisere unødvendige kolonner, feil i dataene, uriktige datatyper, volumet av data som lastes (store semantiske modeller, inkludert transaksjonelle eller historiske data, vil ta lengre tid å laste), og mye mer.
Du kan bruke Power Query redigeringsprogram i Power BI Desktop å undersøke kolonnene, radene og verdiene til rådataene. Deretter kan du bruke de tilgjengelige verktøyene, for eksempel de som er merket i følgende skjermbilde, til å gjøre de nødvendige endringene.
Alternativene Power Query omfatter følgende:
Unødvendige kolonner – Evaluerer behovet for hver kolonne. Hvis én eller flere kolonner ikke vil bli brukt i rapporten, og derfor er unødvendig, bør du fjerne dem ved å bruke fjern kolonner-alternativet i kategorien Hjem.
Unødvendige rader – Kontrollerer de første radene i semantisk modell for å se om de er tomme eller om de inneholder data som du ikke trenger i rapportene. Hvis det er slik, fjerner den disse radene ved hjelp av fjern rader-alternativet i kategorien Hjem.
Datatype – Evaluerer kolonnedatatypene for å sikre at hver av dem er riktige. Hvis du identifiserer en datatype som er feil, endrer du den ved å merke kolonnen, velge Datatype i kategorien Transformasjon og deretter velge riktig datatype fra listen.
Spørringsnavn – Undersøker navnet på spørringen (tabell) i Spørringer-ruten . På samme måte som du gjorde for kolonneoverskriftnavn, bør du endre vanlige eller ikke-brukte spørringsnavn til navn som er mer navnene brukeren kjenner til, eller navn som brukeren er mer vant til. Du kan gi en spørring nytt navn ved å høyreklikke spørringen, velge Gi nytt navn, redigere navnet etter behov og deretter trykke ENTER.
Kolonnedetaljer-Redigeringsprogram Power Query har følgende tre forhåndsversjon alternativer du kan bruke til å analysere metadataene som er knyttet til kolonnene. Du finner disse alternativene i kategorien Vis , som illustrert i følgende skjermbilde.
Kolonnekvalitet – Bestemmer hvilken prosentandel av varer i kolonnen som er gyldige, har feil eller er tomme. Hvis Gyldig prosent ikke er 100, bør du undersøke årsaken, rette opp feilene og fylle ut tomme verdier.
Kolonnedistribusjon – Viser frekvens og distribusjon av verdiene i hver av kolonnene. Du vil undersøke dette ytterligere senere i denne modulen.
Kolonneprofil – Viser kolonnestatistikkdiagram og et kolonnedistribusjonsdiagram.
Notat
Hvis du gjennomgår en stor semantisk modell med mer enn 1 000 rader, og du vil analysere hele den semantiske modellen, må du endre standardalternativet nederst i vinduet. Velg Column-profiler basert på kolonneprofiler i de 1000>radene basert på hele datasettet.
Andre metadata du bør vurdere, er informasjonen om den semantiske modellen som helhet, for eksempel filstørrelse og oppdateringsfrekvens for data. Du finner disse metadataene i tilknyttede Power BI Desktop (Pbix)-filen. Dataene du laster inn, Power BI Desktop komprimeres og lagres på disken av lagringsmotoren til VertiPaq. Størrelsen på din semantiske modell har direkte innvirkning på ytelsen. en Mindre størrelse, bruker mindre ressurser (minne) og gir raskere dataoppdatering, beregninger og gjengivelse av visuelle effekter i rapporter.
Automatisk dato/klokkeslett-funksjon
En annen vare du må vurdere når du optimaliserer ytelsen, er alternativet Automatisk dato/ klokkeslett i Power BI Desktop. Som standard er denne funksjonen aktivert globalt, Power BI Desktop som betyr at det automatisk opprettes en skjult tabell for hver datokolonne, forutsatt at bestemte betingelser er oppfylt. De nye, skjulte tabellene kommer i tillegg til tabellene du allerede har i den semantiske modellen.
Med alternativet Automatisk dato/ klokkeslett kan du arbeide med tidsintelligens når du filtrerer, grupperer og driller deg ned gjennom kalendertidsperioder. Vi anbefaler at du bare holder alternativet Automatisk dato/ klokkeslett aktivert når du arbeider med kalendertidsperioder, og når du har enkle modellkrav i forhold til tid.
Hvis datakilden allerede definerer en datodimensjonstabell, bør denne tabellen brukes til å definere tiden i organisasjonen på en konsekvent måte, og du bør deaktivere det globale alternativet for automatisk dato/ klokkeslett. Deaktivering av dette alternativet kan redusere størrelsen på den semantiske modellen og redusere oppdateringstiden.
Du kan aktivere/ deaktivere dette alternativet for automatisk dato/ Power BI Desktop klokkeslett globalt, slik at det gjelder alle filene dine, eller du kan aktivere/deaktivere alternativet for gjeldende fil, slik at den bare gjelder for en enkelt fil.
Hvis du vil aktivere /deaktivere dette alternativet for automatisk dato/ klokkeslett, >> kan du gå til Alternativer og innstillinger for fil, og deretter Velg den globale eller gjeldende filsiden. På hver side merker Velg DataBelastning og deretter, i Time Intelligence-delen , kan du Velg fjerne merket i avmerkingsboksen etter behov.
Hvis du vil ha en oversikt og generell innføring i funksjonen for automatisk dato/ klokkeslett, kan du se Bruke automatisk dato/klokkeslett Power BI Desktop.