Data models within Azure Analysis Services and Power BI

von Florian J. Deinhard Forum: Allgemeines

In einer Welt, in der Self-Service und Liefergeschwindigkeit die wichtigsten Prioritäten in jeder Reporting-BI-Lösung sind, wird die Wichtigkeit der Erstellung einer umfassenden und performanten Datensemantikmodellschicht manchmal übersehen.

Ich habe eine Reihe von Vorfällen gesehen, bei denen der relationale Datenspeicher wie Azure SQL Database und Azure SQL Data Warehouse gut strukturiert sind. Die Berichtsebene wird gut dargestellt, unabhängig davon, ob es SQL Server Reporting Services oder Power BI ist wie erwartet.

Bevor wir zu dem datensemantischen Modell vordringen, rate ich immer, dass es wichtig ist, Ihre Daten zu verstehen und wie Sie sie präsentieren und darüber berichten wollen. Durch die Erstellung eines Berichts, der den Endverbraucher durch eine Datenreise führt, ist der Unterschied zwischen einem guten und einem schlechten Bericht. Bei der Berichterstellung sollte berücksichtigt werden, wer konsumiert und was aus dem Bericht erreicht werden soll. Wenn Sie beispielsweise eine kleine Anzahl von Konsumenten haben, die eine niedrigere Ebene von hierarchischen Daten mit zusätzlichen Kennzahlen oder KPIs anzeigen müssen, ist es möglicherweise nicht geeignet, dies auf der ersten Seite zu visualisieren. Da die Mehrheit der Verbraucher eine aggregiertere Ansicht der Daten sehen möchte. Dieses Beispiel könnte dazu führen, dass die erste Seite des Berichts länger dauert, um die Daten zurückzugeben, was der Mehrheit der Verbraucher die Wahrnehmung eines langsam laufenden Berichts vermittelt. Um eine bessere Erfahrung zu erzielen, könnten wir die Verbraucher durch eine Datenreise führen, um sicherzustellen, dass die Detailebene keine Auswirkungen auf die übergeordneten Datenpunkte hat.

Das Festlegen der richtigen Service Level Agreements und Leistungserwartungen ist der Schlüssel. Das Festlegen eines SLAs für weniger als zwei Sekunden ist möglicherweise möglich, wenn die Daten zwei Millionen Zeilen umfassen. Aber wäre das noch zu erreichen, wenn es zwei Milliarden Zeilen wären? Es gibt viele Faktoren zu verstehen, was erreichbar ist, und die Größe des Datensatzes ist einer von ihnen. Netzwerk, Computing, Architekturmuster, Datenhierarchien, Kennzahlen, KPIs, Consumer-Gerät, Verbraucherstandort und Echtzeit-Batch-Reporting sind weitere Auswirkungen, die die Wahrnehmung der Leistung für den Endverbraucher beeinflussen können.

Das Erstellen und / oder Optimieren Ihrer datensemantischen Modellschicht hat jedoch einen drastischen Einfluss auf die Gesamtleistung.

hier gelangen Sie zum ausführlichen Beitrag:
https://azure.microsoft.com/en-us/blog/data-models-within-azure-analysis-services-and-power-bi/