Remarque
L’accès à cette page nécessite une autorisation. Vous pouvez essayer de vous connecter ou de modifier des répertoires.
L’accès à cette page nécessite une autorisation. Vous pouvez essayer de modifier des répertoires.
Le nouveau modèle sémantique optimisé de DirectLake permet une analyse plus rapide et plus économe en mémoire des processus. En économisant de la mémoire, vous pouvez analyser des processus plus volumineux et économiser sur les coûts en utilisant des capacités Fabric plus petites pour effectuer des analyses. En outre, une structure de données de modèle sémantique Power BI plus intuitive est utilisée, ce qui vous permet d’explorer les informations avec moins de temps et d’efforts.
Description du modèle sémantique
Lorsqu’un processus est publié dans l’espace de travail Fabric, il crée un modèle sémantique et un rapport correspondant. Le modèle sémantique est créé au-dessus des tables Delta Fabric Lakehouse.
La capture d’écran suivante est un exemple de structure de modèle sémantique publiée dans Fabric.
Noms de colonne
Le nommage des colonnes du modèle sémantique correspond au nom des colonnes du jeu de données ingéré, y compris les espaces et autres caractères spéciaux. La dénomination est soumise aux limitations du modèle sémantique Power BI. Cependant, les limites de dénomination dans les tables Delta Fabric Lakehouse sont plus importantes (par exemple, les espaces ne sont pas autorisés) et, par conséquent, Power Automate Process Mining effectue la validation et l’assainissement avant que l’exportation vers l’espace de travail Fabric ne soit déclenchée.
Les caractères autorisés sont les suivants :
- Minuscules anglaises
a-z→ - Majuscules anglaises
A-Z→ - Chiffres
0-9→ - Soulignement
_→
Tous les autres caractères sont remplacés par un trait de soulignement (_) dans le cadre du processus d’assainissement.
Cela peut entraîner de rares situations où l’exportation échoue, car la source de données ingérée comprend deux colonnes qui donnent des noms identiques après l’assainissement : Customer_Name et Nom du client. L’exportation sera interrompue et l’utilisateur sera averti avec un message d’erreur spécifique.
Les colonnes de la table Delta du Lakehouse utilisent donc les noms de colonne nettoyés, tandis que les colonnes du modèle sémantique utilisent les noms de colonne d’origine.
Relations
Les relations nécessaires au filtrage et à l’interconnectivité des visuels sont prédéfinis dans le modèle de données publié. Il n’est pas nécessaire de créer manuellement plus de relations à moins que d’autres sources de données ne soient connectées. Pour ce scénario, utilisez le modèle sémantique composite Power BI et établissez des relations sur ce modèle.
Résumé du modèle de données
D’un point de vue logique, le modèle de données se compose de nombreux sous-ensembles d’entités, comme décrit dans le premier paragraphe de cette section.
- Données de processus : toutes les données liées au processus sans filtrage ni mesures calculées
- Données visuelles : entités qui fournissent des données précalculées nécessaires à l’affichage des visuels personnalisés d’exploration des processus
- Entités utiles : autres entités nécessaires à Power BI
Vous trouverez ci-dessous une brève description des sous-ensembles et des entités incluses.
Données de processus
Le contenu des entités de données de processus change dans des scénarios spécifiques.
- Quand les données du modèle de processus sont actualisées
- Quand une nouvelle vue est créée
- Quand une nouvelle mesure personnalisée est créée
- Quand un utilisateur modifie la définition du filtrage dans n’importe quelle vue de processus
Travailler avec ces entités vous permet de :
- Accéder aux données brutes du processus
- Traiter les données influencées par les filtres appliqués
- Accéder aux mesures calculées en fonction des filtres appliqués
| Entity | Description |
|---|---|
| Instance | Liste de toutes les instances et leurs attributs dans le processus. Chaque instance contient un affichage d’ID d’instance unique et des valeurs pour chacun des attributs de l’instance, comme défini à l’étape de configuration du mappage. Combinez avec l’entité CaseMetrics pour obtenir des informations complètes sur l’instance. |
| Événements | Liste de tous les attributs d’événement dans le processus. Chaque événement a un index d’identificateur d’événement unique et des valeurs pour chacun des attributs de l’événément, comme défini à l’étape de configuration du mappage. Combinez avec l’entité ProcessMapMetrics filtrée par la colonne Is_Node pour obtenir des informations complètes sur l’événement. |
| CaseMetrics | L’entité contient toutes les mesures au niveau de l’instance liées à une combinaison spécifique d’instance et de vue. Les mesures personnalisées au niveau de l’instance définies dans l’application de bureau Power Automate Process Mining sont ajoutées à cette entité. |
| AttributesMetadata | L’entité contient la définition de tous les attributs au niveau de l’instance ou de l’événement, tels que définis dans l’importation des données du journal des événements dans le modèle de processus. Elle inclut son type de données, son type d’attribut et son niveau d’attribut, qu’il s’agisse d’une instance ou d’un événement. |
| MiningAttributes | Contient les valeurs des attributs d’exploration disponibles. Une vue de processus peut être configurée pour examiner le processus sous différents angles en fonction de l’attribut d’exploration sélectionné. Si aucun autre attribut d’exploration n’est disponible, l’entité contient les valeurs de l’attribut Activity. |
| Vues | Liste des vues disponibles (publiées) créées dans l’application de bureau Power Automate Process Mining. Seules les vues de processus publiques sont publiées dans le jeu de données. Les entrées peuvent être utilisées pour filtrer le rapport, la page du rapport et le visuel afin de visualiser uniquement les données de la vue de processus spécifique. |
| Variantes | L’entité contient les relations entre les variantes et les vues de processus. Un enregistrement est inclus si une variante particulière est incluse dans une vue une fois les critères de filtrage pris en compte. |
Données de visuels
Les entités de données de visuels sont recalculées uniquement lors d’une actualisation des données pour le modèle de processus.
| Entité | Description |
|---|---|
| ProcessMapMetrics | Mesures agrégées pour tous les nœuds et transitions du modèle de processus qui sont nécessaires à la visualisation dans le visuel personnalisé du diagramme de processus. Cette entité combine des informations d’événement (nœud) et des informations d’arête (transition) : pour utiliser les événements ou les arêtes dans vos autres visuels, filtrez en fonction de la valeur de la colonne Is_Node.
Les mesures personnalisées au niveau de l’événement définies dans l’application de bureau Power Automate Process Mining sont ajoutées à cette entité. |
Autres entités
| Entity | Description |
|---|---|
| LocalizationTable | Table interne utilisée à des fins de localisation. |
Modèle composite Power BI
Nous vous recommandons d’utiliser le modèle composite Power BI sur le modèle sémantique publié par Power Automate Process Mining et d’y créer les modifications nécessaires pour les scénarios suivants :
- Vous devez créer d’autres sources de données
- Vous devez créer d’autres entités
- Vous devez créer d’autres relations
- Vous devez créer d’autres requêtes DAX (expressions d’analyse de données) personnalisées
Important
Le modèle sémantique est créé en mode d’accès DirectLake, mais son option est définie sur Automatique. Ce paramètre signifie que l’utilisation de requêtes DAX non optimales ou la définition incorrecte d’un modèle composite peut entraîner un retour au mode DirectQuery. Cela signifie que votre rapport ne s’interrompt pas, mais que vos performances risquent d’être inférieures.
Pour en savoir plus sur la création de modèles de données composites Power BI sur les modèles sémantiques DirectLake, accédez à : Création de modèles composites sur un modèle sémantique ou un modèle.
Actualisation du modèle sémantique
Par défaut, le modèle sémantique fourni par Power Automate Process Mining est automatiquement maintenu à jour.
Pour les ensembles de données volumineux, l’actualisation des données des tables sous-jacentes dans OneLake peut prendre plus de temps. Cela peut entraîner des incohérences potentielles dans le rapport. Bien qu’il y ait une cohérence éventuelle à la fin de l’actualisation des données (le modèle sémantique est explicitement actualisé), vous souhaiterez peut-être supprimer les incohérences intermédiaires potentielles en désactivant l’indicateur Maintenir vos données Direct Lake à jour dans l’écran Paramètres du modèle sémantique.
Avant de mettre à jour cet écran, vous devez vous approprier le modèle sémantique en sélectionnant Prendre le contrôle en haut de l’écran Paramètres.
