자동 집계

자동 집계는 ML(최신 기계 학습)을 사용하여 보고서 쿼리 성능을 최대화하기 위해 DirectQuery 의미 체계 모델을 지속적으로 최적화합니다. 자동 집계는 Power BI용 복합 모델을 사용하여 처음 도입된 기존 사용자 정의 집계 인프라를 기반으로 합니다. 사용자 정의 집계와 달리 자동 집계™를 구성하고 유지 관리하려면 광범위한 데이터 모델링 및 쿼리 최적화 기술이 필요하지 않습니다. 자동 집계는 자체 학습 및 자체 최적화입니다. 이를 통해 모든 기술 수준의 모델 소유자가 쿼리 성능을 향상시킬 수 있으므로 큰 모델에 대한 보고서 시각화가 더 빨라집니다.

자동 집계를 사용하는 경우:

• 보고서 시각화가 더 빠릅니다. 보고서 쿼리의 최적 비율은 백 엔드 데이터 원본 시스템 대신 자동으로 유지 관리되는 메모리 내 집계 캐시에서 반환됩니다. 메모리 내 캐시에서 반환되지 않는 이상값 쿼리는 DirectQuery를 사용하여 데이터 원본에 직접 전달됩니다.
• 분산 아키텍처 - 순수 DirectQuery 모드와 비교할 때 대부분의 쿼리 결과는 Power BI 쿼리 엔진 및 메모리 내 집계 캐시에서 반환됩니다. 최대 보고 시간에 데이터 원본 시스템의 쿼리 처리 부하를 크게 줄일 수 있으므로 데이터 원본 백 엔드의 확장성이 향상됩니다.
• 간편한 설정 - 모델 소유자는 자동 집계 학습을 사용하도록 설정하고 모델에 대해 하나 이상의 새로 고침을 예약할 수 있습니다. 첫 번째 학습 및 새로 고침을 통해 자동 집계는 집계 프레임워크와 최적의 집계를 만들기 시작합니다. 시스템은 시간이 지남에 따라 자동으로 조정됩니다.
• 미세 조정" 모델 설정에서 간단하고 직관적인 사용자 인터페이스를 사용하면 메모리 내 집계 캐시에서 반환된 다른 비율의 쿼리에 대한 성능 향상을 예측하고 더 큰 이익을 위해 조정할 수 있습니다. 단일 슬라이드 바 컨트롤을 사용하면 환경을 쉽게 미세 조정할 수 있습니다.

요구 사항

지원되는 계획

자동 집계는 용량당 Power BI Premium, 사용자당 프리미엄 및 Power BI Embedded 모델에 대해 지원됩니다.

지원되는 데이터 원본

자동 집계는 다음 데이터 원본에 대해 지원됩니다.

• Azure SQL 데이터베이스
• Azure Synapse 전용 SQL 풀
• SQL Server 2019 이상
• Google BigQuery (구글의 대규모 데이터 분석 플랫폼)
• Snowflake
• Databricks
• Amazon Redshift

지원되는 모드

자동 집계는 DirectQuery 모드 모델에 대해 지원됩니다. 가져오기 테이블과 DirectQuery 연결이 모두 있는 복합 모델 모델이 지원됩니다. 자동 집계는 DirectQuery 연결에 대해서만 지원됩니다.

Permissions

자동 집계를 사용하도록 설정하고 구성하려면 모델 소유자여야 합니다. 작업 영역 관리자는 소유자로 인수하여 자동 집계 설정을 구성할 수 있습니다.

자동 집계 구성

자동 집계는 모델 설정에서 구성됩니다. 구성은 간단합니다. 자동 집계 학습을 사용하도록 설정하고 하나 이상의 새로 고침을 예약합니다. 모델에 대한 자동 집계를 구성하기 전에 이 문서를 완전히 읽어야 합니다. 자동 집계가 작동하는 방식을 잘 이해하고 자동 집계가 사용자 환경에 적합한지 여부를 결정하는 데 도움이 될 수 있습니다. 자동 집계 학습을 사용하도록 설정하고, 새로 고침 일정을 구성하고, 환경에 맞게 미세 조정하는 방법에 대한 단계별 지침이 준비되면 자동 집계 구성을 참조하세요.

혜택

DirectQuery를 사용하면 모델 사용자가 보고서를 열거나 보고서 시각화와 상호 작용할 때마다 DAX(데이터 분석 식) 쿼리가 쿼리 엔진에 전달된 다음 백 엔드 데이터 원본에 SQL 쿼리로 전달됩니다. 데이터 원본은 각 쿼리에 대한 결과를 계산하고 반환해야 합니다. 메모리에 저장된 가져오기 모드 모델에 비해 DirectQuery 데이터 원본 왕복은 시간과 프로세스 집약적일 수 있으며 보고서 시각화에서 쿼리 응답 시간이 느린 경우가 많습니다.

DirectQuery 모델에 대해 사용하도록 설정된 경우 자동 집계는 데이터 원본 쿼리 왕복을 방지하여 보고서 쿼리 성능을 높일 수 있습니다. 미리 집계된 쿼리 결과는 데이터 원본에 전송되어 반환되는 것이 아니라 메모리 내 집계 캐시에서 자동으로 반환됩니다. 메모리 내 집계 캐시에서 미리 집계된 데이터의 양은 실제로 유지되는 데이터 양과 데이터 원본의 세부 정보 테이블의 일부에 불과합니다. 결과는 보고서 쿼리 성능이 향상될 뿐만 아니라 백 엔드 데이터 원본 시스템의 부하도 감소합니다. 자동 집계를 사용하면 순수 DirectQuery 모드와 마찬가지로 메모리 내 캐시에 포함되지 않은 집계가 필요한 보고서 및 임시 쿼리의 일부만 백 엔드 데이터 원본으로 전달됩니다.

자동 쿼리 및 집계 관리

자동 집계를 사용하면 사용자 정의 집계 테이블을 만들고 미리 집계된 데이터 솔루션 구현을 크게 간소화할 필요가 없지만 기본 프로세스 및 종속성에 대한 자세한 내용은 자동 집계의 작동 방식을 이해하는 데 도움이 됩니다. Power BI는 자동 집계를 만들고 관리하기 위해 다음을 사용합니다.

쿼리 로그

Power BI는 쿼리 로그에서 모델 및 사용자 보고서 쿼리를 추적합니다. 각 모델에 대해 Power BI는 7일간의 쿼리 로그 데이터를 유지 관리합니다. 쿼리 로그 데이터는 매일 전달됩니다. 쿼리 로그는 안전하며 사용자 또는 XMLA 엔드포인트를 통해 표시되지 않습니다.

학습 작업

선택한 빈도(일 또는 주)에 대한 첫 번째 예약된 모델 새로 고침 작업의 일환으로 Power BI는 먼저 쿼리 로그를 평가하는 학습 작업을 시작하여 메모리 내 집계 캐시의 집계가 변화하는 쿼리 패턴에 맞게 조정되도록 합니다. 메모리 내 집계 테이블이 생성, 업데이트 또는 삭제되고 특수 쿼리가 데이터 원본으로 전송되어 캐시에 포함될 집계를 결정합니다. 그러나 계산된 집계 데이터는 학습 중에 메모리 내 캐시에 로드되지 않으며 후속 새로 고침 작업 중에 로드됩니다.

예를 들어 일 빈도를 선택하고 일정이 4:00AM, 9:00AM, 2:00PM 및 7:00PM에 새로 고침되는 경우 매일 4:00AM 새로 고침에 학습 작업 과 새로 고침 작업이 모두 포함됩니다. 그날의 후속 일정인 9:00AM, 2:00PM 및 7:00PM 예약 새로 고침은 캐시의 기존 집계를 업데이트하는 새로 고침 전용 작업입니다.

학습 작업은 쿼리 로그에서 과거 쿼리를 평가하는 동안 결과가 충분히 정확하여 향후 쿼리가 다루어지도록 합니다. 그러나 이러한 새 쿼리가 쿼리 로그에서 파생된 쿼리와 다를 수 있으므로 메모리 내 집계 캐시에서 향후 쿼리가 반환된다는 보장은 없습니다. 메모리 내 집계 캐시에서 반환되지 않은 쿼리는 DirectQuery를 사용하여 데이터 원본에 전달됩니다. 이러한 새 쿼리의 빈도 및 순위에 따라 해당 쿼리에 대한 집계가 다음 학습 작업과 함께 메모리 내 집계 캐시에 포함될 수 있습니다.

학습 작업에는 60분의 시간 제한이 있습니다. 학습이 시간 제한 내에서 전체 쿼리 로그를 처리할 수 없는 경우 모델 새로 고침 기록에 알림이 기록되고 다음에 시작될 때 학습이 다시 시작됩니다. 전체 쿼리 로그가 처리될 때 학습 주기가 완료되고 기존 자동 집계를 대체합니다.

새로 고침 작업

앞서 설명한 대로 선택한 빈도에 대한 첫 번째 예약된 새로 고침의 일부로 학습 작업이 완료된 후 Power BI는 새로 고침 작업을 수행하여 새 집계 및 업데이트된 집계 데이터를 메모리 내 집계 캐시에 쿼리하고 로드하고 학습 알고리즘에 따라 결정된 대로 더 이상 높은 순위를 지정하지 않는 집계를 제거합니다. 선택한 일 또는 주 빈도에 대한 모든 후속 새로 고침은 캐시의 기존 집계 데이터를 업데이트하기 위해 데이터 원본을 쿼리하는 새로 고침 작업만 을 수행합니다. 이전 예제를 사용하여 해당 날짜에 대한 9:00AM, 2:00PM 및 7:00PM 예약된 새로 고침은 새로 고침 전용 작업입니다.

하루(또는 일주일) 동안 정기적으로 새로 고침을 예약하면 캐시의 집계 데이터가 백 엔드 데이터 원본의 데이터와 함께 최신 상태로 유지됩니다. 모델 설정을 통해 하루에 최대 48개의 새로 고침을 예약하여 집계 캐시에서 반환된 보고서 쿼리가 백 엔드 데이터 원본에서 가장 최근에 새로 고친 데이터를 기반으로 결과를 가져오도록 할 수 있습니다.

주문형 교육

앞에서 설명한 것처럼 학습 주기는 단일 데이터 새로 고침 주기의 시간 제한 내에서 완료되지 않을 수 있습니다. 학습을 포함하는 다음 예약된 새로 고침 주기까지 기다리지 않으려는 ™경우 모델 설정에서 지금 학습 및 새로 고침 을 선택하여 주문형 자동 집계 학습을 트리거할 수도 있습니다. 지금 학습 및 새로 고침을 사용하면 학습 작업과 새로 고침 작업이 모두 트리거됩니다. 모델 새로 고침 기록을 확인하여 필요한 경우 다른 주문형 학습 및 새로 고침 작업을 실행하기 전에 현재 작업이 완료되었는지 확인합니다.

기록 새로 고침

각 새로 고침 작업은 모델 새로 고침 기록에 기록됩니다. 구성된 쿼리 백분율에 사용되는 캐시의 메모리 집계 수를 포함하여 각 새로 고침에 대한 중요한 정보가 표시됩니다. 새로 고침 기록을 보려면 모델 설정 페이지에서 새로 고침 기록을 선택합니다. 좀 더 드릴다운하려면 세부 정보 표시 를 선택합니다.

정기적으로 새로 고침 기록을 확인하여 예약된 새로 고침 작업이 허용 가능한 기간 내에 완료되는지 확인할 수 있습니다. 예약된 다음 새로 고침이 시작되기 전에 새로 고침 작업이 성공적으로 완료되었는지 확인합니다.

학습 및 새로 고침 실패

Power BI는 선택한 일 또는 주 빈도에 대한 첫 번째 예약된 새로 고침의 일부로 학습 및 새로 고침 작업을 수행하지만 이러한 작업은 별도의 트랜잭션으로 구현됩니다. 학습 작업이 시간 제한 내에서 쿼리 로그를 완전히 처리할 수 없는 경우 Power BI는 이전 학습 상태를 사용하여 기존 집계(및 복합 모델의 일반 테이블)를 계속 새로 고칩니다. 이 경우 새로 고침 기록은 새로 고침이 성공했음을 나타내고 학습은 다음에 학습이 시작될 때 쿼리 로그 처리를 다시 시작할 것입니다. 클라이언트 보고서 쿼리 패턴이 변경되고 집계가 아직 조정되지 않은 경우 쿼리 성능이 최적화되지 않을 수 있지만 달성된 성능 수준은 집계가 없는 순수 DirectQuery 모델보다 훨씬 우수해야 합니다.

학습 작업에 쿼리 로그 처리를 완료하는 데 너무 많은 주기가 필요한 경우 모델 설정에서 메모리 내 집계 캐시를 사용하는 쿼리의 비율을 줄이는 것이 좋습니다. 이렇게 하면 캐시에서 생성된 집계 수가 줄어들지만 학습 및 새로 고침 작업이 완료되는 데 더 많은 시간이 허용됩니다. 자세한 내용은 미세 조정을 참조하세요.

학습이 성공하지만 새로 고침이 실패하면 결과가 메모리 내 집계 캐시에서 사용할 수 없으므로 전체 새로 고침이 실패로 표시됩니다.

새로 고침을 예약할 때 새로 고침 오류가 있는 경우 전자 메일 알림을 지정할 수 있습니다.

사용자 정의 및 자동 집계

Power BI의 사용자 정의 집계는 모델의 숨겨진 집계 테이블을 기반으로 수동으로 구성할 수 있습니다. 사용자 정의 집계를 구성하는 것은 종종 복잡하므로 더 높은 수준의 데이터 모델링 및 쿼리 최적화 기술이 필요합니다. 반면에 자동 집계는 AI 기반 시스템의 일부로 이러한 복잡성을 제거합니다. 정적으로 유지되는 사용자 정의 집계와 달리 Power BI는 쿼리 로그를 지속적으로 유지 관리하며, 이러한 로그에서 ML(기계 학습) 예측 모델링 알고리즘을 기반으로 쿼리 패턴을 결정합니다. 미리 집계된 데이터는 쿼리 패턴 분석에 따라 계산되고 메모리에 저장됩니다. 자동 집계를 사용하면 모델은 자체 학습 및 자체 최적화를 모두 수행합니다. 클라이언트 보고서 쿼리 패턴이 변경되면 자동 집계는 가장 자주 사용되는 집계를 조정, 우선 순위 지정 및 캐싱합니다.

자동 집계는 기존 사용자 정의 집계 인프라를 기반으로 하므로 동일한 모델에서 사용자 정의 및 자동 집계를 함께 사용할 수 있습니다. 숙련된 데이터 모델러는 DirectQuery, 가져오기(증분 새로 고침 유무), 또는 이중 스토리지 모드를 사용하여 테이블에 대한 집계를 정의할 수 있으며, 동시에 DirectQuery 연결 쿼리가 사용자 정의 집계 테이블을 사용하지 않을 경우, 자동 집계의 혜택을 지속적으로 받을 수 있습니다. 이러한 유연성을 통해 쿼리 부하를 줄이고 병목 상태를 방지할 수 있는 균형 잡힌 아키텍처를 사용할 수 있습니다.

자동 집계 학습 알고리즘에 의해 메모리 내 캐시에 생성된 집계는 System 집계로 식별됩니다. 학습 알고리즘은 보고 쿼리가 분석되고 모델에 대한 최적의 집계를 유지하기 위해 조정될 때 해당 System 집계만 만들고 삭제합니다. 사용자 정의 집계와 자동 집계는 둘 다 새로 고침을 통해 갱신됩니다. 자동 집계를 통해 생성되고 시스템 생성 집계로 표시된 집계만 자동 집계 처리에 포함됩니다.

쿼리 캐싱 및 자동 집계

Power BI Premium은 쿼리 결과를 유지하기 위해 Power BI Premium/Embedded의 쿼리 캐싱 도 지원합니다. 쿼리 캐싱은 자동 집계와는 다른 기능입니다. 쿼리 캐싱을 사용하면 Power BI Premium은 로컬 캐싱 서비스를 사용하여 캐싱을 구현하는 반면 자동 집계는 모델 수준에서 구현됩니다. 쿼리 캐싱을 사용하면 서비스는 초기 보고서 페이지 로드에 대한 쿼리만 캐시하므로 사용자가 보고서와 상호 작용할 때 쿼리 성능이 향상되지 않습니다. 반면 자동 집계는 사용자가 보고서와 상호 작용할 때 생성된 쿼리를 포함하여 집계된 쿼리 결과를 미리 캐싱하여 대부분의 보고서 쿼리를 최적화합니다. 쿼리 캐싱 및 자동 집계는 모두 모델에 대해 사용하도록 설정할 수 있지만 필요하지 않을 수 있습니다.

Azure Log Analytics를 사용하여 모니터링

LA(Azure Log Analytics)는 Power BI가 활동 로그를 저장하는 데 사용할 수 있는 Azure Monitor 내의 서비스입니다. Azure Monitor 제품군을 사용하면 Azure 및 온-프레미스 환경에서 원격 분석 데이터를 수집, 분석 및 수행할 수 있습니다. 장기 스토리지, 임시 쿼리 인터페이스 및 API 액세스를 제공하여 데이터를 내보내고 다른 시스템과 통합할 수 있습니다. 자세한 내용은 Power BI에서 Azure Log Analytics 사용을 참조하세요.

Power BI용 Azure Log Analytics 구성에 설명된 대로 Power BI가 Azure LA 계정으로 구성된 경우 자동 집계의 성공률을 분석할 수 있습니다. 무엇보다도 메모리 내 캐시에서 보고서 쿼리가 응답되는지 확인할 수 있습니다.

이 기능을 사용하려면 이 Power BI 블로그 게시물에 설명된 대로 PBIT 템플릿을 다운로드하여 로그 분석 계정에 연결합니다. 보고서에서는 요약 보기, DAX 쿼리 수준 보기 및 SQL 쿼리 수준 보기의 세 가지 수준에서 데이터를 볼 수 있습니다.

다음 이미지는 모든 쿼리에 대한 요약 페이지를 보여 줍니다. 표시된 차트는 집계에 의해 충족된 총 쿼리의 비율과 데이터 원본을 활용해야 하는 쿼리의 비율을 보여 줍니다.

자세히 알아보기 위한 다음 단계는 DAX 쿼리 수준에서 집계 사용을 살펴보는 것입니다. ko-KR: 왼쪽 아래 목록에서 > DAX 쿼리를 마우스 오른쪽 버튼으로 클릭하여 드릴스루>쿼리 기록로 이동합니다.

이렇게 하면 모든 관련 쿼리 목록이 표시됩니다. 다음 수준으로 파고들어 더 많은 집계 세부 정보를 표시합니다.

로그 분석 쿼리 기록 세부 분석을 보여 주는 스크린샷

애플리케이션 수명 주기 관리

개발에서 테스트, 테스트, 프로덕션에 이르기까지 자동 집계를 사용하도록 설정된 모델에는 ALM 솔루션에 대한 특별한 요구 사항이 있습니다.

배포 파이프라인

배포 파이프라인을 사용하여 Power BI는 현재 단계에서 대상 단계로 모델 구성을 사용하여 모델을 복사할 수 있습니다. 그러나 설정이 현재 단계에서 대상 스테이지로 전송되지 않기 때문에 대상 단계에서 자동 집계를 다시 설정해야 합니다. 배포 파이프라인 REST API를 사용하여 프로그래밍 방식으로 콘텐츠를 배포할 수도 있습니다. 이 프로세스에 대한 자세한 내용은 API 및 DevOps를 사용하여 배포 파이프라인 자동화를 참조하세요.

사용자 지정 ALM 솔루션

XMLA 엔드포인트를 기반으로 하는 사용자 지정 ALM 솔루션을 사용하는 경우 솔루션이 모델 메타데이터의 일부로 시스템 생성 및 사용자가 만든 집계 테이블을 복사할 수 있다는 점에 유의하세요. 그러나 대상 단계의 각 배포 단계 후 자동 집계를 수동으로 사용하도록 설정해야 합니다. 기존 모델을 덮어쓰는 경우 Power BI는 구성을 유지합니다.

모델 변경

테이블 추가 또는 제거와 같은 XMLA 엔드포인트를 통해 자동 집계를 사용하도록 설정된 모델을 변경한 후 Power BI는 더 이상 필요하거나 관련이 없는 집계를 제거할 수 있는 기존 집계를 유지합니다. 쿼리 성능은 다음 학습 단계가 트리거될 때까지 영향을 받을 수 있습니다.

메타데이터 요소

자동 집계를 사용하도록 설정된 모델에는 고유한 시스템 생성 집계 테이블이 포함되어 있습니다. 집계 테이블은 보고 도구에서 사용자에게 표시되지 않습니다. Analysis Services 클라이언트 라이브러리 버전 19.22.5 이상의 도구를 사용하여 XMLA 엔드포인트를 통해 표시됩니다. 자동 집계를 사용하도록 설정된 모델을 사용하는 경우 데이터 모델링 및 관리 도구를 최신 버전의 클라이언트 라이브러리로 업그레이드해야 합니다. SSMS(SQL Server Management Studio)의 경우 SSMS 버전 18.9.2 이상으로 업그레이드합니다. 이전 버전의 SSMS는 테이블을 열거하거나 이러한 모델을 스크립트할 수 없습니다.

자동 집계 테이블은 Analysis Services 클라이언트 라이브러리 버전 19.22.5 이상에서 TOM(테이블 형식 개체 모델)에 새롭게 추가된 SystemManaged 테이블 속성으로 식별됩니다. 다음 코드 조각에서는 자동 집계 테이블의 SystemManaged 속성이 true로, 일반 테이블의 경우 false로 설정된 것을 보여줍니다.

using System;
using System.Collections.Generic;
using System.Linq;
using Microsoft.AnalysisServices.Tabular;

namespace AutoAggs
{
    class Program
    {
        static void Main(string[] args)
        {
            string workspaceUri = "<Specify the URL of the workspace where your model resides>";
            string datasetName = "<Specify the name of your dataset>";

            Server sourceWorkspace = new Server();
            sourceWorkspace.Connect(workspaceUri);
            Database dataset = sourceWorkspace.Databases.GetByName(datasetName);

            // Enumerate system-managed tables.
            IEnumerable<Table> aggregationsTables = dataset.Model.Tables.Where(tbl => tbl.SystemManaged == true);


            if (aggregationsTables.Any())
            {
                Console.WriteLine("The following auto aggs tables exist in this dataset:");
                foreach (Table table in aggregationsTables)
                {
                    Console.WriteLine($"\t{table.Name}");
                }
            }
            else
            {
                Console.WriteLine($"This dataset has no auto aggs tables.");
            }

            Console.WriteLine("\n\rPress [Enter] to exit the sample app...");
            Console.ReadLine();
        }
    }
}

이 코드 조각을 실행하면 현재 콘솔의 모델에 포함된 자동 집계 테이블이 출력됩니다.

학습 작업에서 메모리 내 집계 캐시에 포함할 최적의 집계를 결정함에 따라 집계 테이블은 지속적으로 변경됩니다.

Power BI는 모델 외부에서 모델 구성을 유지 관리합니다. 모델에 시스템 관리 집계 테이블이 있다고 해서 모델이 실제로 자동 집계 학습에 사용하도록 설정되어 있는 것은 아닙니다. 즉, 자동 집계를 사용하도록 설정된 모델에 대한 전체 모델 정의를 스크립팅하고 모델의 새 복사본(다른 이름/작업 영역/용량 포함)을 만드는 경우 새 결과 모델은 자동 집계 학습에 사용할 수 없습니다. 모델 설정에서 새 모델에 대해 자동 집계 학습을 사용하도록 설정해야 합니다.

고려사항 및 제한사항

자동 집계를 사용하는 경우 다음 사항에 유의하세요.

• 집계는 동적 M 쿼리 매개 변수를 지원하지 않습니다.
• 초기 학습 단계에서 생성된 SQL 쿼리는 데이터 웨어하우스에 대한 상당한 부하를 생성할 수 있습니다. 학습이 완료되지 않고 데이터 웨어하우스 쪽에서 쿼리에 시간 초과가 발생하는지 확인할 수 있는 경우 학습 수요에 맞게 데이터 웨어하우스를 일시적으로 확장하는 것이 좋습니다.
• 메모리 내 집계 캐시에 저장된 집계는 데이터 원본의 최신 데이터에 대해 계산되지 않을 수 있습니다. 순수 DirectQuery와 달리 일반 가져오기 테이블과 마찬가지로 데이터 원본의 업데이트와 메모리 내 집계 캐시에 저장된 집계 데이터 사이에는 대기 시간이 있습니다. 항상 어느 정도의 대기 시간이 있지만 효과적인 새로 고침 일정을 통해 완화할 수 있습니다.
• 성능을 더욱 최적화하려면 모든 차원 테이블을 이중 모드 로 설정하고 팩트 테이블을 DirectQuery 모드로 둡니다.
• 자동 집계는 Power BI Pro, Azure Analysis Services 또는 SQL Server Analysis Services에서 사용할 수 없습니다.
• Power BI는 자동 집계를 사용하도록 설정된 모델 다운로드를 지원하지 않습니다. Power BI Desktop(.pbix) 파일을 업로드하거나 Power BI에 게시한 다음 자동 집계를 사용하도록 설정한 경우 더 이상 PBIX 파일을 다운로드할 수 없습니다. PBIX 파일의 복사본을 로컬로 유지해야 합니다.
• Azure Synapse Analytics에서 외부 테이블을 사용한 자동 집계는 지원되지 않습니다. 다음 SQL 쿼리 SELECT SCHEMA_NAME(schema_id) AS schema_name, name AS table_name FROM sys.external_tables를 사용하여 Synapse에서 외부 테이블을 열거할 수 있습니다.
• 자동 집계는 향상된 메타데이터를 사용하는 모델에서만 사용할 수 있습니다. 이전 모델에 대해 자동 집계를 사용하도록 설정하려면 먼저 모델을 향상된 메타데이터로 업그레이드합니다. 자세한 내용은 향상된 모델 메타데이터 사용을 참조하세요.
• DirectQuery 데이터 원본이 Single Sign-On에 대해 구성되고 동적 데이터 뷰 또는 보안 컨트롤을 사용하여 사용자가 액세스할 수 있는 데이터를 제한하는 경우 자동 집계를 사용하도록 설정하지 마세요. 자동 집계는 이러한 데이터 원본 수준 컨트롤을 인식하지 못하므로 사용자별로 올바른 데이터가 제공되는지 확인할 수 없습니다. 학습은 Single Sign-On에 대해 구성된 데이터 원본을 검색하고 이 데이터 원본을 사용하는 테이블을 건너뛰었다는 경고를 새로 고침 기록에 기록합니다. 가능하면 이러한 데이터 원본에 대해 SSO를 사용하지 않도록 설정하여 자동 집계가 제공할 수 있는 최적화된 쿼리 성능을 최대한 활용합니다.
• 불필요한 처리 오버헤드를 방지하기 위해 모델에 하이브리드 테이블만 포함된 경우 자동 집계를 사용하도록 설정하지 마세요. 하이브리드 테이블은 가져오기 파티션과 DirectQuery 파티션을 모두 사용합니다. 일반적인 시나리오로는 실시간 데이터 증분 새로 고침이 있으며, 이 경우 DirectQuery 파티션은 데이터 원본에서 마지막 데이터 새로 고침 이후 발생한 트랜잭션을 가져옵니다. 그러나 Power BI는 새로 고치는 동안 집계를 가져옵니다. 자동 집계는 마지막 데이터 새로 고침 후에 발생한 트랜잭션을 포함할 수 없습니다. 학습은 새로 고침 로그에서 하이브리드 테이블을 감지하고 건너뛰었다는 경고 메시지를 기록합니다.
• 계산 열은 자동 집계에 대해 고려되지 않습니다. DAX 함수를 사용하여 COMBINEVALUES 두 DirectQuery 테이블의 여러 열을 기반으로 관계를 만드는 등 DirectQuery 모드에서 계산 열을 사용하는 경우 해당 보고서 쿼리는 메모리 내 집계 캐시에 적중되지 않습니다.
• 자동 집계는 Power BI 서비스에서만 사용할 수 있습니다. Power BI Desktop은 시스템 생성 집계 테이블을 만들지 않습니다.
• 자동 집계를 사용하도록 설정된 모델의 메타데이터를 수정하면 다음 학습 프로세스가 트리거될 때까지 쿼리 성능이 저하될 수 있습니다. 자동 집계를 삭제하고 변경한 다음 다시 학습하는 것이 가장 좋습니다.
• 자동 집계를 사용하지 않도록 설정하고 모델을 정리하지 않는 한 시스템 생성 집계 테이블을 수정하거나 삭제하지 마세요. 시스템은 이러한 개체를 관리해야 합니다.

커뮤니티

Power BI에는 MVP, BI 전문가 및 동료가 토론 그룹, 비디오, 블로그 등에 대한 전문 지식을 공유하는 활기찬 커뮤니티가 있습니다. 자동 집계에 대해 알아볼 때는 다음과 같은 다른 리소스를 확인해야 합니다.

• Power BI 커뮤니티
• Bing에서 "Power BI 자동 집계" 검색

관련 콘텐츠

• 자동 집계 구성
• 사용자 정의 집계
• Power BI의 DirectQuery
• Analysis Services 클라이언트 라이브러리