Einführung

Semantische Modelle bieten eine Grundlage für Berichte, Dashboards und KI-gestützte Erfahrungen in Microsoft Fabric und Power BI. Wenn ein semantisches Modell gut funktioniert, können Benutzer auf einfache Weise in Berichten navigieren und zuverlässige KI-Antworten haben. Wenn dies nicht der Fall ist, werden Berichte langsam geladen, die Benutzer verlieren Vertrauen, und KI-Workflows können Zeitüberschreitungen aufweisen, vollständig fehlschlagen oder ungenaue bzw. unvollständige Antworten erzeugen.

Leistungsprobleme können an vielen Stellen auftreten: eine teure DAX-Berechnung, eine Tabelle mit Millionen eindeutiger Werte in einer einzelnen Spalte oder ein visuelles Element, das zu viele Daten gleichzeitig anfordert. Die Herausforderung ist nicht zu wissen, dass etwas langsam ist, aber zu wissen , wo sich der Engpass befindet und wie man es beheben kann .

Angenommen, Sie arbeiten bei einer Einzelhandelsanalyseorganisation, die kürzlich die Berichterstellung zu Microsoft Fabric migriert hat. Das Team hat semantische Modelle entwickelt, um Führungskräfte-Dashboards, Berichte auf Filialebene und den Copilot-Chat zur Erforschung von Daten in natürlicher Sprache zu unterstützen. Innerhalb von Wochen beginnen Benutzer mit der Berichterstattung, dass mehrere Dashboards 30 Sekunden oder mehr laden müssen. Das Führungsteam stellt fest, dass die Copilot Chat-Antworten ein Timeout aufweisen. Die Reports funktionieren, aber sie sind zu langsam. Ihre Aufgabe besteht darin, die Engpässe zu finden, sie zu beheben und die Verbesserungen zu überprüfen. Sie benötigen einen systematischen Ansatz, der DAX-Optimierung, Datenmodelleffizienz und Aggregationsstrategien abdeckt.

In diesem Modul erfahren Sie, wie Sie die Leistungsanalyse verwenden, um langsame visuelle Elemente zu diagnostizieren und die Ursache von Leistungsproblemen zu identifizieren. Sie untersuchen Techniken zum Optimieren von DAX-Berechnungen, zur Reduzierung der Kardinalität und zum Implementieren von Aggregationen. Außerdem lernen Sie einen systematischen Problembehandlungsansatz für häufige Leistungsprobleme kennen.

Am Ende dieses Moduls können Sie Leistungsprobleme in einem semantischen Modell diagnostizieren und gezielte Korrekturen anwenden, die die Abfragegeschwindigkeit sowohl für menschliche Benutzer als auch für KI-basierte Erfahrungen verbessern.