Performans iyileştirmesine giriş
Performans ayarlama olarak da bilinen performans iyileştirmesi, daha verimli çalışması için semantik modelin geçerli durumunda değişiklik yapmayı içerir. Temelde, anlam modeliniz iyileştirildiğinde daha iyi performans gösterir.
Raporunuzun test ve geliştirme ortamlarında iyi şekilde çalıştığını, ancak daha geniş tüketim için üretime dağıtıldığında performans sorunları oluştuğunu fark edebilirsiniz. Rapor kullanıcısı açısından düşük performans, rapor sayfalarının yüklenmesinin ve görsellerin güncelleştirilmesinin daha uzun sürmesi anlamına gelir. Bu düşük performans, olumsuz kullanıcı deneyimiyle sonuçlanır.
Veri analisti olarak, zamanınızın yaklaşık yüzde 90'ını verilerinizle çalışarak geçireceksiniz ve onda dokuz kez, düşük performans kötü bir semantik modelin, hatalı Veri Çözümleme İfadelerinin (DAX) veya ikisinin karışımının doğrudan bir sonucudur. Performans için semantik model tasarlama süreci yorucu olabilir ve genellikle hafife alınır. Ancak geliştirme sırasında performans sorunlarını çözerseniz daha iyi raporlama performansı ve daha olumlu bir kullanıcı deneyimi döndürecek sağlam bir Power BI anlam modeline sahip olursunuz. Sonuç olarak en iyi performansı da koruyabilirsiniz. Kuruluşunuz büyüdükçe, verilerinin boyutu artar ve anlam modeli daha karmaşık hale gelir. Semantik modelinizi erken iyileştirerek, bu büyümenin semantik modelinizin performansı üzerindeki olumsuz etkisini azaltabilirsiniz.
Daha küçük boyutlu bir anlam modeli daha az kaynak (bellek) kullanır ve raporlardaki görsellerin daha hızlı veri yenilemesini, hesaplamalarını ve işlenmesini sağlar. Bu nedenle performans iyileştirme işlemi, anlamsal modelin boyutunu en aza indirmeyi ve modeldeki verilerin en verimli şekilde kullanılmasını içerir. Bu işlem şunları içerir:
Doğru veri türlerinin kullanıldığından emin olma.
Gereksiz sütunları ve satırları silme.
Yinelenen değerleri engelleme.
Sayısal sütunları ölçülerle değiştirme.
Kardinaliteleri azaltma.
Model meta verilerini analiz etme.
Mümkün olduğunca verileri özetleme.
Bu modülde, kurumsal düzeyde performans için anlamsal bir modeli iyileştirmek için gereken adımlar, süreçler ve kavramlar tanıtılacaktır. Bununla birlikte, Power BI'daki temel performans ve en iyi yöntemler kılavuzu sizi uzun bir yol gösterse de, sorgu performansı için anlamsal modeli iyileştirmek için büyük olasılıkla kaynak veri kaynaklarında anlamsal model iyileştirmesini sağlamak için bir veri mühendisiyle iş ortaklığı kurmanız gerekeceğini unutmayın.
Örneğin, Tailwind Traders için Microsoft Power BI geliştiricisi olarak çalıştığınızı varsayalım. Size birkaç yıl önce kuruluştan ayrılan başka bir geliştirici tarafından oluşturulmuş bir anlam modelini gözden geçirme görevi verildi.
Anlam modeli, kullanıcılardan olumsuz geri bildirim alan bir rapor oluşturur. Kullanıcılar raporda gördükleri sonuçlardan memnun, ancak rapor performansından memnun değildir. Rapordaki sayfaların yüklenmesi çok uzun sürüyor ve belirli seçimler yapıldığında tablolar yeterince hızlı yenilenmiyor. Bt ekibi, bu geri bildirime ek olarak bu semantik modelin dosya boyutunun çok büyük olduğunu ve kuruluşun kaynaklarını zora sokduğunu vurgulamıştır.
Performans sorunlarının kök nedenini belirlemek ve performansı iyileştirmek için değişiklikler yapmak için anlam modelini gözden geçirmeniz gerekir.
Bu modülün sonunda şunları yapabileceksiniz:
Ölçülerin, ilişkilerin ve görsellerin performansını inceleme.
Performansı ve sorun gidermeyi geliştirmek için değişkenleri kullanma.
Kardinalite düzeylerini azaltarak performansı artırma.
Tablo düzeyinde depolama ile DirectQuery modellerini iyileştirme.
Toplamalar oluşturma ve toplamaları yönetme.