ENLV

Technology

Kāpēc Power BI atskaites ir lēnas un kas patiešām palīdz

Elvijs Veide10. augusts 2026 · 7 min lasīšanaiPārskatīts 2026. gada 19. augusts
Lēna Power BI atskaite, kuras cēlonis izsekots cauri vizuālajam slānim līdz zemāk esošajam datu modelim

Ja Power BI darbojas lēni, vaina gandrīz nekad nav vizuālajos elementos. Problēma parasti ir datu modelī: pārāk daudz kolonnu, nepareizi veidotas tabulas un aprēķini, kas notiek pārskata atvēršanas brīdī, nevis datu ielādes laikā. Vizuālo elementu noņemšana novērš tikai simptomu. Lai pārskats atvērtos divās sekundēs, nevis četrdesmit, jāsakārto pats modelis.

Tas ir visbiežākais iemesls, kāpēc tiek izsaukta Codnity Power BI komanda, un diagnoze gandrīz vienmēr ir tā pati. Kāds ir izveidojis atskaiti, kas darbojas, tā gada laikā ir kļuvusi lēnāka, un acīmredzamā reakcija - mazāk vizuālo elementu, mazāk lapu, lielāka kapacitāte - nav īpaši palīdzējusi.

Kā noteikt, kur patiesībā tiek zaudēts laiks

Pirms jebko mainīt, jānoskaidro, kas ir lēns. Minēšana izšķiež dienas.

Performance Analyzer atrodas View lentē. Jāsāk ierakstīšana, jāatsvaidzina lapa, un tas sadala katru vizuālo elementu pēc DAX vaicājuma laika, vizuālā attēlojuma laika un cita laika. Šis sadalījums pasaka gandrīz visu:

  • Dominē DAX vaicājums - problēma ir modelī vai mērā. Tā ir ierastā atbilde
  • Dominē vizuālais attēlojums - vizuālais elements attēlo pārāk daudz datu punktu. Tabula ar 50 000 rindām, izkliedes diagramma bez agregēšanas
  • Viss ir lēns vienmērīgi - visticamāk, DirectQuery vai noslogota kapacitāte

Ja lielāko daļu aizņem DAX vaicājuma laiks, kā tas parasti ir, uz šo rakstu attiecas viss turpmākais.

Plakanā platā tabula

Visbiežākais cēlonis. Kāds Power Query visu apvieno vienā lielā tabulā, jo to ir vieglāk apjaust, un tad Power BI tiek lūgts darīt to, kam tas nav paredzēts.

Power BI dzinējs ir kolonnveida un saspiež katru kolonnu atsevišķi. Tas ir visātrākais ar star schema - šauru faktu tabulu ar skaitļiem un atslēgām, ko ieskauj nelielas dimensiju tabulas ar aprakstiem. Mazāk un mazākas kolonnas saspiežas labāk, un relācijas ļauj dzinējam izlaist nevajadzīgos datus.

Plakana tabula to izjauc. Katra rinda atkārto klienta vārdu, produkta aprakstu, reģionu, pārdevēju. Atkārtots teksts saspiežas slikti, tabula atmiņā ir milzīga, un katrs vaicājums skenē vairāk, nekā vajadzētu.

Pārstrukturēšana par star schema ir vērtīgākā izmaiņa lielākajā daļā lēno atskaišu, un lietotājiem tā ir neredzama - tie paši skaitļi, tie paši vizuālie elementi, tikai ātrāk.

Kolonnas maksā dārgāk nekā rindas

Tas pārsteidz gandrīz visus.

Desmit miljoni rindu ar astoņām kolonnām ir komfortabli. Viens miljons rindu ar diviem simtiem kolonnu var būt problēma. Dzinējs glabā pa kolonnām, tāpēc kolonnu skaits un kolonnu kardinalitāte - cik atšķirīgu vērtību tā satur - atmiņu ietekmē vairāk nekā rindu skaits.

Sliktākie pārkāpēji parasti ir nejauši:

  • Datuma un laika kolonnas ar sekundēm. Laika zīmogam ar sekunžu precizitāti ir miljoniem atšķirīgu vērtību. Sadalot datumā un laikā vai noapaļojot līdz minūtei, kolonna sabrūk
  • Brīvā teksta piezīmes un apraksti. Gandrīz nekad netiek izmantoti vizuālajā elementā, un tos ir dārgi glabāt
  • GUID un garas atslēgas. Nepieciešamas relācijām, visur citur izšķērdīgas
  • Kolonnas, ko neviens nekad nav izmantojis. Visa avota tabula tika importēta, jo tas bija vieglāk nekā izvēlēties

Neizmantoto kolonnu noņemšana ir lētākais veiktspējas darbs, kāds vien ir. Tas aizņem pēcpusdienu un bieži vien uz pusi samazina modeli.

Aprēķini nepareizajā vietā

Vienu un to pašu aprēķinu var veikt trīs vietās, un izmaksas atšķiras par kārtām.

Augšpusē, SQL vai dbt. Lētāk. Aprēķināts vienreiz nakts ielādes laikā, glabājas kā parasta kolonna.

Power Query kā aprēķinātā kolonna. Vidēji. Aprēķināts atsvaidzināšanas laikā, glabājas modelī. Izmanto atmiņu, bet ne vaicājuma laiku.

Kā mērs skatīšanas laikā. Dārgākais katrā lietošanas reizē, un pareizs visam, kam jāreaģē uz lietotāja izvēlētajiem filtriem.

Kļūda ir statiskas lietas likt trešajā vietā. Rindas līmeņa karodziņš, kas nekad nemainās līdz ar filtra kontekstu, nav jāpārrēķina katru reizi, kad kāds noklikšķina. Tas jāpārvieto augšup.

Šeit pārvaldīta datu noliktava maina ekonomiku. Kad dati jau ir iztīrīti, apvienoti un modelēti, pirms Power BI tiem pieskaras, atskaitei ir daudz mazāk darba - un ieguvumu gūst katra atskaite, kas lasa šīs tabulas, nevis tikai tā, kas tika salabota.

Import pret DirectQuery

DirectQuery ir lēnāks. Ne dažkārt - strukturāli.

Import ielādē saspiestu kopiju atmiņā esošā dzinējā, kas būvēts analītiskiem vaicājumiem. DirectQuery katrā mijiedarbībā sūta vaicājumu avota datubāzei, un atskaite ir tikai tik ātra, cik ātra ir šī datubāze, kamēr tā dara visu pārējo.

Komandas uz DirectQuery nonāk divu iemeslu dēļ. Patiešām vajadzīgi reāllaika dati, kas ir reti un likumīgi. Vai datu kopa, kas ir pārāk liela Import režīmam, kas parasti nozīmē, ka modelim vajadzīgs iepriekš aprakstītais darbs ar kolonnām, nevis cits glabāšanas režīms.

Ja vajadzīgi abi, kompozītie modeļi ļauj dimensijas importēt un ar DirectQuery izmantot tikai lielo faktu tabulu. Uzturēšana ir sarežģītāka, bet lielākā daļa ātruma tiek saglabāta.

Lēns nav tas pats, kas kļūmīgs

To vērts nošķirt, jo cilvēki abus apraksta kā „Power BI ir salūzis“.

Kļūmīga atsvaidzināšana parasti ir beigušies vārtejas akreditācijas dati, avota shēma, kas mainījusies zem vaicājuma, noildze vaicājumam, kas pārsniedzis savu logu, vai API ātruma ierobežojums. Atsvaidzināšanas vēsture norāda, kurš no tiem, un labojums ir mērķtiecīgs.

Lēna atskaite ir modelis. Cita problēma, cits darbs.

Ja notiek abi, vispirms jālabo atsvaidzināšana. Tas ir ātrāk, un tas apturē zvanus.

Ko lielāka kapacitāte dara un nedara

Premium vai lielāka kapacitāte dod slikti modelētai atskaitei vairāk vietas būt slikti modelētai. Tā patiešām palīdz - un tās ir ikmēneša izmaksas, kas atkārtojas mūžīgi, problēmai, ko varēja salabot vienreiz.

Godīga secība: noņemt neizmantotās kolonnas, pārstrukturēt par star schema, pārvietot statiskos aprēķinus augšup. Pēc tam izmērīt vēlreiz. Ja ar tīru modeli un reālu datu apjomu joprojām ir lēni, kapacitāte ir pareizā atbilde, un būs precīzi zināms, kāpēc tā tiek pirkta.

Ar ko sākt

Jāpalaiž Performance Analyzer visa lēnākajā lapā un jāapskata DAX vaicājuma kolonna. Šis vienīgais skaitlis pasaka, vai šis raksts attiecas uz konkrēto gadījumu.

Pēc tam lētie uzlabojumi secībā: izdzēst kolonnas, ko neviens neizmanto, sadalīt jebkuru laika zīmogu datumā un laikā, un pārbaudīt, vai modelis ir viena plakana tabula vai star. Šie trīs aizņem dienu kopā un parasti paveic lielāko daļu.

Ja atskaite ir lēna, jo veic darbu, kas bija jāizdara pirms Power BI atvēršanas, tā ir modelēšanas, nevis atskaišu problēma - un tas ir tas pats pamatcēlonis, kas stāv aiz situācijas, kad divi cilvēki no vienas atskaites iegūst atšķirīgus skaitļus.

Biežāk uzdotie jautājumi

Kāpēc Power BI atskaite ir tik lēna?

Parasti vainojams datu modelis, nevis atskaite. Visbiežākie cēloņi ir viena plakana plata tabula star schema vietā, augstas kardinalitātes kolonnas, kas netiek izmantotas, un mēri, kas tiek aprēķināti skatīšanas laikā, nevis modelī vai augšpusē. Vizuālo elementu noņemšana reti palīdz daudz.

Vai vizuālo elementu skaits lapā ietekmē ātrumu?

Zināmā mērā. Katrs vizuālais elements ir vaicājums, tāpēc divdesmit uz vienas lapas nozīmē divdesmit vaicājumus. Taču, ja katrs vaicājums ir ātrs, lapa ir kārtībā, un, ja modelis ir slikts, pat trīs vizuālie elementi darbosies lēni. Vispirms jālabo modelis, tad jāsamazina lapa.

Vai izmantot Import vai DirectQuery?

Import, ja nav īpaša iemesla darīt citādi. Import ielādē datus saspiestā atmiņā esošā dzinējā, kas ir ļoti ātrs. DirectQuery katrā mijiedarbībā vaicā avotam, tāpēc atskaite ir tikai tik ātra, cik ātra ir šī datubāze vienlaicīgas slodzes apstākļos. To vērts izmantot, ja patiešām vajadzīgi reāllaika dati.

Kāpēc plānotā atsvaidzināšana pastāvīgi neizdodas?

Tā ir cita problēma nekā lēnums. Parastie cēloņi ir beigušies vārtejas akreditācijas dati, avota shēmas izmaiņas zem vaicājuma, noildze vaicājumam, kas pārsniedzis logu, vai avota API ātruma ierobežojuma sasniegšana. Kļūdas informācija atsvaidzināšanas vēsturē parasti norāda, kurš no tiem.

Vai Premium vai lielāka kapacitāte to atrisinās?

Tā to nomaskēs. Vairāk atmiņas un CPU padara slikti modelētu atskaiti mazāk sāpīgu, bet nepadara to pareizu, un izmaksas atkārtojas katru mēnesi. Vispirms jālabo modelis, tad jālemj, vai kapacitāte joprojām ir vajadzīga.

  • Power BI

Published · Updated · Last reviewed

Autors: Elvijs Veide, Co-founder

Kā to pielietot uzņēmumā

Pietiek ar īsu situācijas aprakstu, lai kopā noskaidrotu, kas der komandai. Atbild tas, kurš to arī veidotu, vienas darba dienas laikā.

  • Iepazīšanās zvans bez pārdošanas prezentācijas
  • Atbilstošie projekti tiek parādīti pilnā apjomā
  • Skaidrs apjoms pirms saistību uzņemšanās
  • Atbilde vienas darba dienas laikā
Vai rakstīt tiešihello@codnity.comRīga · Londona · ASV austrumu krasts

Kāda ir tēma? (var izvēlēties vairākus)

Atbildam vienas darba dienas laikā.
Paldies! Ziņa ir nodota komandai.Atbildam vienas darba dienas laikā.

Cody