บทนำสู่การปรับประสิทธิภาพให้เหมาะสมที่สุด
การปรับประสิทธิภาพให้เหมาะสมที่สุด หรือที่เรียกว่าการปรับประสิทธิภาพเกี่ยวข้องกับการเปลี่ยนแปลงสถานะปัจจุบันของแบบจําลองความหมายเพื่อให้ทํางานได้อย่างมีประสิทธิภาพมากขึ้น โดยพื้นฐานแล้ว เมื่อแบบจําลองความหมายของคุณถูกปรับให้เหมาะสมที่สุด แบบจําลองดังกล่าวจะทํางานได้ดียิ่งขึ้น
คุณอาจพบว่ารายงานของคุณทำงานได้ดีในสภาพแวดล้อมการทดสอบและการพัฒนา แต่เมื่อปรับใช้กับการผลิตเพื่อการบริโภคที่กว้างขึ้น ปัญหาเรื่องประสิทธิภาพจะเกิดขึ้น จากมุมมองของผู้ใช้รายงาน คุณสามารถอธิบายลักษณะประสิทธิภาพที่แย่ได้จากการที่หน้ารายงานใช้เวลาในการโหลดนานขึ้น และใช้เวลาในการอัปเดตวิชวลมากขึ้น ประสิทธิภาพที่แย่นี้ส่งผลให้ผู้ใช้มีประสบการณ์ด้านลบ
ในฐานะนักวิเคราะห์ข้อมูล คุณจะใช้เวลาประมาณ 90 เปอร์เซ็นต์ในการทํางานกับข้อมูลของคุณ และเก้าในสิบครั้ง ประสิทธิภาพที่แย่เป็นผลโดยตรงจากแบบจําลองความหมายที่ไม่ดี นิพจน์การวิเคราะห์ข้อมูลที่ไม่ถูกต้อง (DAX) หรือการผสมของทั้งสองอย่าง กระบวนการในการออกแบบแบบจําลองความหมายสําหรับประสิทธิภาพนั้นน่าเบื่อและมักจะถูกประเมินต่ําไป อย่างไรก็ตาม หากคุณแก้ไขปัญหาด้านประสิทธิภาพในระหว่างการพัฒนา คุณจะมีแบบจําลองความหมายของ Power BI ที่มีประสิทธิภาพซึ่งจะส่งกลับประสิทธิภาพการรายงานและประสบการณ์ผู้ใช้ที่ดียิ่งขึ้น ในท้ายที่สุด คุณยังสามารถรักษาประสิทธิภาพที่เหมาะสมที่สุดได้ เมื่อองค์กรของคุณเติบโต ขนาดของข้อมูลจะเพิ่มขึ้น และแบบจําลองความหมายจะซับซ้อนมากขึ้น ด้วยการปรับแบบจําลองความหมายของคุณให้เหมาะสมในช่วงต้น คุณสามารถลดผลกระทบด้านลบที่การเติบโตนี้อาจมีต่อประสิทธิภาพของแบบจําลองความหมายของคุณ
แบบจําลองความหมายที่มีขนาดเล็กกว่าใช้ทรัพยากรน้อยกว่า (หน่วยความจํา) และให้การรีเฟรชข้อมูล การคํานวณ และการแสดงผลวิชวลในรายงานได้เร็วขึ้น ดังนั้น กระบวนการปรับประสิทธิภาพให้เหมาะสมเกี่ยวข้องกับการลดขนาดของแบบจําลองเชิงความหมาย และใช้ข้อมูลในแบบจําลองให้มีประสิทธิภาพมากที่สุด ซึ่งรวมถึง:
การตรวจสอบให้แน่ใจว่ามีการใช้ชนิดข้อมูลที่ถูกต้อง
การลบคอลัมน์และแถวที่ไม่จำเป็น
การหลีกเลี่ยงค่าที่ซ้ำกัน
การแทนที่คอลัมน์ตัวเลขด้วยหน่วยวัด
การลดคาร์ดินาลลิตี้
การวิเคราะห์เมตาดาต้าของแบบจำลอง
การสรุปข้อมูลที่เป็นไปได้
ในโมดูลนี้ คุณจะได้รับการแนะนําให้รู้จักกับขั้นตอน กระบวนการ และแนวคิดที่จําเป็นในการปรับแบบจําลองความหมายให้เหมาะสมสําหรับประสิทธิภาพระดับองค์กร อย่างไรก็ตาม โปรดจําไว้ว่าในขณะที่ประสิทธิภาพขั้นพื้นฐานและแนวทางปฏิบัติที่ดีที่สุดใน Power BI จะนําคุณไปสู่ระยะทางยาวไกลเพื่อปรับแบบจําลองความหมายให้เหมาะสมสําหรับประสิทธิภาพของคิวรี คุณอาจต้องร่วมมือกับวิศวกรข้อมูลเพื่อขับเคลื่อนการปรับแบบจําลองความหมายให้เหมาะสมในแหล่งข้อมูลต้นทาง
ตัวอย่างเช่น สมมติว่าคุณทำงานเป็นนักพัฒนา Microsoft Power BI สำหรับ Tailwind Traders คุณได้รับมอบหมายงานให้ตรวจสอบแบบจําลองความหมายที่สร้างขึ้นเมื่อไม่กี่ปีที่ผ่านมาโดยนักพัฒนารายอื่น ซึ่งเป็นบุคคลที่ออกจากองค์กรไปแล้ว
แบบจําลองความหมายสร้างรายงานที่ได้รับคําติชมเชิงลบจากผู้ใช้ ผู้ใช้พอใจกับผลลัพธ์ที่พวกเขาเห็นในรายงาน แต่พวกเขาไม่พอใจกับประสิทธิภาพของรายงาน การโหลดหน้าเพจในรายงานใช้เวลานานเกินไป และตารางจะไม่ได้รับการรีเฟรชอย่างรวดเร็วเพียงพอเมื่อมีการเลือกบางอย่าง นอกเหนือจากคําติชมนี้แล้ว ทีมไอทียังเน้นว่าขนาดไฟล์ของแบบจําลองเชิงความหมายนี้มีขนาดใหญ่เกินไป และทําให้ใช้ทรัพยากรขององค์กรได้ล้า
คุณจําเป็นต้องตรวจสอบแบบจําลองความหมายเพื่อระบุสาเหตุที่แท้จริงของปัญหาด้านประสิทธิภาพและทําการเปลี่ยนแปลงเพื่อปรับประสิทธิภาพให้เหมาะสม
ในตอนท้ายของโมดูลนี้ คุณสามารถ:
ตรวจสอบประสิทธิภาพของหน่วยวัด ความสัมพันธ์ และวิชวล
ใช้ตัวแปรเพื่อปรับปรุงประสิทธิภาพและการแก้ไขปัญหา
ปรับปรุงประสิทธิภาพโดยการลดระดับคาร์ดินาลลิตี้
ปรับแบบจำลอง DirectQuery ให้เหมาะสมด้วยที่เก็บข้อมูลระดับตาราง
สร้างและจัดการการรวม