Общие сведения об оптимизации производительности
Оптимизация производительности, также известная как настройка производительности, включает в себя изменение текущего состояния семантической модели, чтобы она работала более эффективно. По сути, при оптимизации семантической модели она работает лучше.
Может оказаться, что отчет хорошо работает в средах тестирования и разработки, но при развертывании в рабочей среде для более широкого потребления возникают проблемы с производительностью. С точки зрения пользователя отчета низкая производительность характеризуется тем, что увеличивается время загрузки страниц отчета и обновления визуальных элементов. Низкая производительность приводит к негативному опыту пользователя.
Как аналитик данных вы будете тратить около 90 процентов времени на работу с данными, и в девять раз из десяти низкая производительность является прямым результатом неправильной семантической модели, неправильных выражений анализа данных (DAX) или сочетания этих двух. Процесс разработки семантической модели для производительности может быть трудоемким, и его часто недооценивают. Однако при устранении проблем с производительностью во время разработки у вас будет надежная семантическая модель Power BI, которая обеспечит более высокую производительность отчетов и более позитивное взаимодействие с пользователем. В конечном счете, вы также сможете поддерживать оптимизированную производительность. По мере роста организации размер ее данных увеличивается, а семантическая модель становится все более сложной. Оптимизировав семантику на раннем этапе, можно уменьшить негативное влияние этого роста на производительность семантической модели.
Семантическая модель меньшего размера использует меньше ресурсов (памяти) и обеспечивает более быстрое обновление данных, вычисление и отрисовку визуальных элементов в отчетах. Таким образом, процесс оптимизации производительности включает минимизацию размера семантической модели и обеспечение наиболее эффективного использования данных в модели, в том числе:
проверка того, что используются правильные типы данных;
удаление ненужных столбцов и строк;
предотвращение повторяющихся значений;
замена числовых столбцов мерами;
снижение кратностей;
анализ метаданных модели;
суммирование данных, когда это возможно.
В этом модуле вы познакомитесь с этапами, процессами и концепциями, необходимыми для оптимизации семантической модели для повышения производительности на уровне предприятия. Однако имейте в виду, что, хотя базовые рекомендации по производительности и рекомендации в Power BI помогут вам долго, для оптимизации семантической модели для производительности запросов, скорее всего, вам придется сотрудничать с инженером данных для оптимизации семантической модели в исходных источниках данных.
Предположим, например, что вы работаете разработчиком Microsoft Power BI в компании Tailwind Traders. Вам была поставлена задача проверить семантиковую модель, созданную несколько лет назад другим разработчиком, человеком, который с тех пор покинул организацию.
Семантическая модель создает отчет, который получил отрицательные отзывы от пользователей. Пользователи довольны результатами отчета, но их не устраивает его производительность. Загрузка страниц отчета занимает слишком много времени, и при определенных вариантах выбора таблицы обновляются не очень быстро. В дополнение к этому отзыву ИТ-команда подчеркнула, что размер файла этой конкретной семантической модели слишком велик, и это создает нагрузку на ресурсы организации.
Необходимо просмотреть семантическую модель, чтобы определить первопричину проблем с производительностью и внести изменения для оптимизации производительности.
К концу этого модуля вы сможете:
проверять производительность мер, связей и визуальных элементов;
использовать переменные для повышения производительности и устранения неполадок;
повышать производительность за счет сокращения уровня кратности;
оптимизировать модели DirectQuery с хранилищем на уровне таблиц;
создавать агрегаты и управлять ими.