Förstå datamarter

Den här artikeln beskriver och förklarar viktiga begrepp om datamarts.

Förstå semantisk modell (standard)

Datamarts tillhandahåller ett semantiskt lager som automatiskt genereras och synkroniseras med innehållet i datamarttabellerna, deras struktur och underliggande data. Det här lagret tillhandahålls i en automatiskt genererad semantisk modell. Med den här automatiska genereringen och synkroniseringen kan du ytterligare beskriva datadomänen med saker som hierarkier, egna namn och beskrivningar. Du kan också ange formatering som är specifik för dina nationella inställningar eller affärskrav. Med datamarts kan du skapa mått och standardiserade mått för rapportering. Power BI (och andra klientverktyg) kan skapa visuella objekt och ge resultat för sådana beräkningar baserat på data i kontexten.

Standardmodellen för Power BI-semantik som skapats från en datamart eliminerar behovet av att ansluta till en separat semantisk modell, konfigurera uppdateringsscheman och hantera flera dataelement. I stället kan du skapa din affärslogik i ett datamart och dess data kommer att vara omedelbart tillgängliga i Power BI, vilket aktiverar följande:

• Datamart-dataåtkomst via semantisk modellhubb.
• Möjlighet att analysera i Excel.
• Möjlighet att snabbt skapa rapporter i Power BI-tjänst.
• Du behöver inte uppdatera, synkronisera data eller förstå anslutningsinformation.
• Skapa lösningar på webben utan att behöva Power BI Desktop.

Under förhandsversionen är standardanslutningar för semantiska modeller endast tillgängliga med DirectQuery . Följande bild visar hur datamarts passar in i processkontinuum som börjar med att ansluta till data, hela vägen genom att skapa rapporter.

Standard semantiska modeller skiljer sig från traditionella Power BI-semantiska modeller på följande sätt:

• XMLA-slutpunkten stöder skrivskyddade åtgärder och användarna kan inte redigera den semantiska modellen direkt. Med skrivskyddad XMLA-behörighet kan du köra frågor mot data i ett frågefönster.
• Standardsemantiska modeller har inte inställningar för datakälla och användarna behöver inte ange autentiseringsuppgifter. I stället använder de automatisk enkel inloggning (SSO) för frågor.
• För uppdateringsåtgärder använder semantiska modeller autentiseringsuppgifterna för semantisk modellförfattare för att ansluta till sql-slutpunkten för den hanterade datamarten.

Med Power BI Desktop kan användare skapa sammansatta modeller så att du kan ansluta till datamartens semantiska modell och göra följande:

• Välj specifika tabeller som ska analyseras.
• Lägg till fler datakällor.

Om du inte vill använda standardsemantikmodellen direkt kan du ansluta till datamartens SQL-slutpunkt. Mer information finns i Skapa rapporter med hjälp av datamarter.

Förstå vad som finns i standardsemantikmodellen

För närvarande läggs tabeller i datamart automatiskt till i standardsemantikmodellen. Användare kan också manuellt välja tabeller eller vyer från den datamart som de vill inkludera i modellen för mer flexibilitet. Objekt som finns i standardsemantikmodellen skapas som en layout i modellvyn.

Bakgrundssynkroniseringen som innehåller objekt (tabeller och vyer) väntar tills den nedströmssemantiska modellen inte används för att uppdatera den semantiska modellen, vilket respekterar begränsad inaktuellhet. Användare kan alltid gå och manuellt välja tabeller som de vill ha eller inte vill ha i den semantiska modellen.

Förstå inkrementell uppdatering och datamarts

Du kan skapa och ändra inkrementell datauppdatering som liknar dataflöden och inkrementell uppdatering av semantisk modell med hjälp av datamart-redigeraren. Inkrementell uppdatering utökar schemalagda uppdateringsåtgärder genom att tillhandahålla automatisk skapande och hantering av partitioner för datamart-tabeller som ofta läser in nya och uppdaterade data.

För de flesta datamarter omfattar inkrementell uppdatering en eller flera tabeller som innehåller transaktionsdata som ändras ofta och kan växa exponentiellt, till exempel en faktatabell i ett relations- eller stjärndatabasschema. Om du använder en inkrementell uppdateringsprincip för att partitionera tabellen och endast uppdaterar de senaste importpartitionerna kan du avsevärt minska mängden data som måste uppdateras.

Inkrementell uppdatering och realtidsdata för datamarter ger följande fördelar:

• Färre uppdateringscykler för snabbt föränderliga data
• Uppdateringarna går snabbare
• Uppdateringar är mer tillförlitliga
• Resursförbrukningen minskar
• Gör att du kan skapa stora datamarts
• Enkelt att konfigurera

Förstå proaktiv cachelagring

Proaktiv cachelagring möjliggör automatisk import av underliggande data för standardsemantikmodellen så att du inte behöver hantera eller orkestrera lagringsläget. Importläge för standardsemantikmodellen ger prestandaacceleration för datamartens semantiska modell med hjälp av den snabba Vertipaq-motorn. När du använder proaktiv cachelagring ändrar Power BI lagringsläget för din modell att importera, som använder minnesintern motor i Power BI och Analysis Services.

Proaktiv cachelagring fungerar på följande sätt: efter varje uppdatering ändras lagringsläget för standardsemantikmodellen till DirectQuery. Proaktiv cachelagring skapar en separat importmodell asynkront och hanteras av datamarten och påverkar inte tillgängligheten eller prestandan för datamarten. Frågor som kommer in när standardsemantikmodellen har slutförts använder importmodellen.

Automatisk generering av importmodellen sker inom cirka 10 minuter efter att inga ändringar har identifierats i datamarten. Importsemantikmodellen ändras på följande sätt:

• Uppdaterar
• Nya datakällor
• Schemaändringar:
  • Nya datakällor
  • Uppdateringar till förberedelsesteg för data i Power Query Online
• Alla modelleringsuppdateringar, till exempel:
  • Mått
  • Hierarkier
  • Beskrivningar

Metodtips för proaktiv cachelagring

Använd Distributionspipelines för ändringar för att säkerställa bästa prestanda och för att säkerställa att användarna använder importmodellen. Att använda distributionspipelines är redan en bra metod för att skapa datamarter, men om du gör det kan du dra nytta av proaktiv cachelagring oftare.

Överväganden och begränsningar för proaktiv cachelagring

• Power BI begränsar för närvarande varaktigheten för cachelagringsåtgärder till 10 minuter.
• Begränsningar för unikhet/icke-null för vissa kolumner tillämpas i importmodellen och misslyckas med cachebyggnaden om data inte överensstämmer.

Relaterat innehåll

Den här artikeln gav en översikt över viktiga datamartbegrepp att förstå.

Följande artiklar innehåller mer information om datamarts och Power BI:

• Introduktion till dataförråd
• Kom igång med datamarts
• Analysera datamarts
• Skapa rapporter med hjälp av datamarts
• Kontrollera åtkomsten till datamarts
• Administration av datamarter

Mer information om dataflöden och transformering av data finns i följande artiklar:

• Introduktion till dataflöden och dataförberedelser via självbetjäning
• Självstudie: Forma och kombinera data i Power BI Desktop