Hinweis
Für den Zugriff auf diese Seite ist eine Autorisierung erforderlich. Sie können versuchen, sich anzumelden oder das Verzeichnis zu wechseln.
Für den Zugriff auf diese Seite ist eine Autorisierung erforderlich. Sie können versuchen, das Verzeichnis zu wechseln.
Das neue optimierte DirectLake-Semantikmodell führt zu einer schnelleren und speichereffizienteren Analyse von Prozessen. Durch die Einsparung von Arbeitsspeicher können Sie größere Prozesse analysieren und Kosten sparen, indem Sie kleinere Fabric-Kapazitäten für die Analyse verwenden. Darüber hinaus wird eine intuitivere Power BI semantische Modelldatenstruktur verwendet, die es Ihnen ermöglicht, mit weniger Zeit und Aufwand tiefer in Erkenntnisse einzutauchen.
Beschreibung des semantischen Modells
Wenn ein Prozess in Fabric workspace veröffentlicht wird, werden ein neues semantisches Modell und ein entsprechender Bericht erstellt. Das semantische Modell wird auf den Delta-Tabellen von Fabric Lakehouse erstellt.
Der folgende Screenshot ist ein Beispiel für eine semantische Modellstruktur, die in Fabric veröffentlicht wurde.
Spaltennamen
Die Benennung von Spalten des semantischen Modells entspricht der Benennung der Spalten in Ihrem erfassten Dataset, einschließlich Leerzeichen und anderer Sonderzeichen. Die Benennung unterliegt Power BI Einschränkungen des semantischen Modells. Die Einschränkungen bei der Benennung in den Fabric Lakehouse Delta-Tabellen sind jedoch größer (z. B. sind keine Leerzeichen zulässig), und daher führt Power Automate Process Mining eine Überprüfung und Bereinigung durch, bevor der Export in den Fabric-Arbeitsbereich ausgelöst wird.
Zu den zulässigen Zeichen gehören:
-
a-z→ Englische Kleinbuchstaben -
A-Z→ Englische Großschreibung -
0-9→ Ziffern -
_→ Unterstrich
Alle anderen Zeichen werden im Rahmen des Bereinigungsprozesses durch einen Unterstrich (_) ersetzt.
Dies kann in seltenen Fällen zu Fehlern führen, in denen der Export nicht erfolgreich ist, da die erfasste Datenquelle zwei Spalten enthält, die nach der Bereinigung identische Namen ergeben—Customer_Name und Customer Name. Der Export wird unterbrochen und der Benutzer wird mit einer bestimmten Fehlermeldung benachrichtigt.
Lakehouse Delta-Tabellenspalten verwenden daher die bereinigten Spaltennamen, während semantische Modellspalten die ursprünglichen Spaltennamen verwenden.
Beziehungen
Beziehungen, die für die Filterung und Interkonnektivität von visuellen Elementen erforderlich sind, sind im veröffentlichten Datenmodell vordefiniert. Es besteht keine Notwendigkeit, manuell weitere Beziehungen zu erstellen, sofern keine anderen Datenquellen verbunden sind. Verwenden Sie für dieses Szenario das Power BI zusammengesetzte semantische Modell, und bauen Sie Beziehungen auf diesem Modell auf.
Datenmodellzusammenfassung
Aus logischer Sicht besteht das Datenmodell aus vielen Entitätsteilmengen, wie im ersten Absatz dieses Abschnitts dargestellt.
- Prozessdaten: Alle prozessbezogenen Daten ohne Filter und berechnete Maßnahmen
- Visuelle Daten: Entitäten, die vorkalkulierte Daten bereitstellen, die für die Anzeige benutzerdefinierter Visualisierungen im Prozess-Mining erforderlich sind
- Unterstützende Entitäten: Andere Entitäten, die von Power BI benötigt werden
Im Folgenden finden Sie eine kurze Beschreibung der Teilmengen und enthaltenen Entitäten.
Prozessdaten
Der Inhalt von Prozessdatenentitäten ändert sich in bestimmten Szenarien.
- Wenn Prozessmodelldaten aktualisiert werden
- Wenn eine neue Ansicht erstellt wird
- Wenn eine neue benutzerdefinierte Metrik erstellt wird
- Wenn ein Benutzender die Filterdefinition in einer beliebigen Prozessansicht ändert
Wenn Sie mit diesen Entitäten arbeiten, können Sie:
- Zugriff auf die Prozessrohdaten
- Prozessdaten, die durch angewandte Filter beeinflusst werden
- Greifen Sie auf die Kennzahlen zu, die auf der Grundlage der angewendeten Filter berechnet wurden
| Entity | Eigenschaft |
|---|---|
| Fälle | Liste aller Vorgänge und ihrer Attribute im Prozess. Jeder Vorgang enthält eine eindeutige Vorgangs-ID-Anzeige und Werte für jedes der Vorgangsattribute, wie im Schritt Zuordnungseinrichtung definiert. In Kombination mit der CaseMetrics-Entität erhalten Sie vollständige Vorgangsinformationen. |
| Veranstaltungen | Liste aller Ereignisattribute im Prozess. Jedes Ereignis hat ein eindeutiges Bezeicherindex-Ereignis und Werte für jedes der Ereignisattribute, wie im Schritt Zuordnungseinrichtung definiert. In Kombination mit der ProcessMapMetrics-Entität, gefiltert nach der Is_Node Spalte, erhalten Sie vollständige Ereignisinformationen. |
| CaseMetrics | Die Entität enthält alle Metriken auf Vorgangsebene, die sich auf eine bestimmte Kombination aus Vorgang und Ansicht beziehen. Benutzerdefinierte Metriken auf Vorgangsebene, die in Power Automate Process Mining Desktop-App definiert sind, werden dieser Entität hinzugefügt. |
| AttributesMetadata | Die Entität enthält die Definition aller Attribute auf Fall-/Ereignisebene, wie sie beim Import von Ereignisprotokolldaten in das Prozessmodell definiert wurden. Sie enthält den Datentyp, den Attributtyp und die Attributebene (entweder Fall oder Ereignis). |
| MiningAttributes | Enthält Werte der verfügbaren Mining-Attribute. Eine Prozessansicht kann eingerichtet werden, um den Prozess basierend auf dem ausgewählten Mining-Attribut aus einer anderen Perspektive zu betrachten. Wenn kein anderes Mining-Attribut verfügbar ist, enthält die Entität die Werte des Activity-Attributs. |
| Ansichten | Liste der verfügbaren (veröffentlichten) Ansichten, die in der Power Automate Process Mining-Desktop-App erstellt wurden. Im Dataset werden nur öffentliche Prozessansichten veröffentlicht. Einträge können zum Filtern von Berichten, Berichtsseiten und visuellen Elementen verwendet werden, um nur Daten aus der spezifischen Prozessansicht zu visualisieren. |
| Varianten | Die Entität enthält die Beziehungen zwischen Varianten und Prozessansichten. Ein Datensatz ist enthalten, wenn eine bestimmte Variante in eine Ansicht einbezogen wird, nachdem die Filterkriterien berücksichtigt wurden. |
Daten zu visuellen Elementen
Datenentitäten von visuellen Elementen werden nur dann neu berechnet, wenn eine Datenaktualisierung für das Prozessmodell erfolgt.
| Entität | Beschreibung |
|---|---|
| ProcessMapMetrics | Aggregierte Kennzahlen für alle Knoten und Übergänge im Prozessmodell, die für die Visualisierung in der benutzerdefinierten Prozesszuordnung erforderlich sind. Diese Entität kombiniert Ereignisinformationen (Knoten) und Randinformationen (Übergangsinformationen) – um die Ereignisse oder Ränder in Ihren anderen visuellen Elementen zu verwenden, filtern Sie nach dem Wert in der Is_Node-Spalte.
Benutzerdefinierte Metriken auf Ereignisebene, die in Power Automate Process Mining Desktop-App definiert sind, werden dieser Entität hinzugefügt. |
Andere Entitäten
| Entity | Eigenschaft |
|---|---|
| LocalizationTable | Interne Tabelle, die zu Lokalisierungszwecken verwendet wird. |
Power BI zusammengesetztes Modell
Es wird empfohlen, das Power BI zusammengesetzte Modell über dem von Power Automate Prozess-Mining veröffentlichten semantischen Modell zu verwenden und dort die erforderlichen Änderungen für diese Szenarien vorzunehmen:
- Sie müssen weitere Datenquellen erstellen
- Sie müssen weitere Entitäten erstellen
- Sie müssen mehr Beziehungen erstellen
- Sie müssen weitere benutzerdefinierte DAX-Abfragen (Data Analysis Expressions) erstellen
Wichtig
Das semantische Modell wird im DirectLake-Zugriffsmodus erstellt, die Option ist jedoch auf Automatisch festgelegt. Diese Einstellung bedeutet, dass die Verwendung nicht optimaler DAX-Abfragen oder das falsche Festlegen eines zusammengesetzten Modells zu einem Fallback in den DirectQuery-Modus führen kann. Dies bedeutet, dass Ihr Bericht nicht unterbrochen wird, aber es kann zu Leistungseinbußen kommen.
Weitere Informationen zum Erstellen von Power BI von zusammengesetzten Datenmodellen auf semantischen DirectLake-Modellen finden Sie unter: Erstellen eines zusammengesetzten Modells auf einem semantischen Modell.
Aktualisierung des semantischen Modells
Standardmäßig wird das von Power Automate Process Mining bereitgestellte semantische Modell automatisch auf dem neuesten Stand gehalten.
Bei großen Datensätzen kann die Datenaktualisierung der zugrunde liegenden Tabellen in OneLake länger dauern. Dies kann zu potenziellen Inkonsistenzen im Bericht führen. Obwohl es am Ende der Datenaktualisierung eine eventuelle Konsistenz gibt (das semantische Modell wird explizit aktualisiert), können Sie die potenziellen Zwischeninkonsistenzen entfernen, indem Sie das Kennzeichen Halten Sie Ihre Direct Lake-Daten auf dem neuesten Stand im Bildschirm Einstellungen des semantischen Modells deaktivieren.
Bevor Sie diesen Bildschirm aktualisieren, müssen Sie den Besitz des semantischen Modells übernehmen, indem Sie oben im Bildschirm Einstellungen die Option Übernehmen auswählen.
