การรวมอัตโนมัติ

การรวมอัตโนมัติใช้แมชชีนเลิร์นนิ่ง (ML) ที่ล้ําสมัยเพื่อปรับแบบจําลองความหมาย DirectQuery ให้เหมาะสมอย่างต่อเนื่องเพื่อประสิทธิภาพการคิวรีรายงานสูงสุด การรวมอัตโนมัติถูกสร้างขึ้นบนโครงสร้างพื้นฐาน การรวมที่ผู้ใช้กําหนดเอง ที่มีอยู่ซึ่งเปิดตัวครั้งแรกด้วยแบบจําลองแบบรวมสําหรับ Power BI ซึ่งแตกต่างจากการรวมที่ผู้ใช้กําหนด การ™รวมอัตโนมัติไม่จําเป็นต้องมีการสร้างแบบจําลองข้อมูลที่กว้างขวางและทักษะการเพิ่มประสิทธิภาพการสืบค้นเพื่อกําหนดค่าและบํารุงรักษา การรวมอัตโนมัติมีทั้งการฝึกอบรมตนเองและการเพิ่มประสิทธิภาพด้วยตนเอง ช่วยให้เจ้าของแบบจําลองทุกระดับทักษะสามารถปรับปรุงประสิทธิภาพการสอบถาม โดยให้การแสดงภาพรายงานที่เร็วขึ้นสําหรับแบบจําลองขนาดใหญ่

ด้วยการรวมอัตโนมัติ:

• การแสดงภาพรายงานเร็วขึ้น - เปอร์เซ็นต์ที่เหมาะสมที่สุดของการสืบค้นรายงานจะถูกส่งคืนโดยแคชการรวมในหน่วยความจําที่ดูแลโดยอัตโนมัติแทนระบบแหล่งข้อมูลแบ็กเอนด์ คิวรีค่าผิดปกติที่ไม่ได้ส่งคืนโดยแคชในหน่วยความจําจะถูกส่งผ่านโดยตรงไปยังแหล่งข้อมูลโดยใช้ DirectQuery
• สถาปัตยกรรมที่สมดุล - เมื่อเปรียบเทียบกับโหมด DirectQuery บริสุทธิ์ ผลลัพธ์คิวรีส่วนใหญ่จะถูกส่งกลับโดยกลไกจัดการคิวรี Power BI และแคชการรวมในหน่วยความจํา ภาระการประมวลผลคิวรีบนระบบแหล่งข้อมูลในช่วงเวลาการรายงานสูงสุดสามารถลดลงได้อย่างมาก ซึ่งหมายถึงความสามารถในการปรับขนาดที่เพิ่มขึ้นในแบ็กเอนด์แหล่งข้อมูล
• ติดตั้งง่าย - เจ้าของโมเดลสามารถเปิดใช้งานการฝึกอบรมการรวมอัตโนมัติและกําหนดเวลาการรีเฟรชอย่างน้อยหนึ่งรายการสําหรับโมเดล ด้วยการฝึกอบรมและการรีเฟรชครั้งแรก การรวมอัตโนมัติจะเริ่มสร้างเฟรมเวิร์กการรวมและการรวมที่เหมาะสมที่สุด ระบบจะปรับตัวเองโดยอัตโนมัติเมื่อเวลาผ่านไป
• การปรับแต่งอย่างละเอียด - ด้วยส่วนต่อประสานผู้ใช้ที่เรียบง่ายและใช้งานง่ายในการตั้งค่าโมเดลคุณสามารถประเมินประสิทธิภาพที่เพิ่มขึ้นสําหรับเปอร์เซ็นต์ที่แตกต่างกันของคิวรีที่ส่งคืนจากแคชการรวมในหน่วยความจําและทําการปรับเปลี่ยนเพื่อให้ได้กําไรมากยิ่งขึ้น ตัวควบคุมแถบเลื่อนเดียวช่วยให้คุณปรับแต่งสภาพแวดล้อมของคุณได้อย่างง่ายดาย

Requirements

แผนที่ได้รับการสนับสนุน

การรวมอัตโนมัติได้รับการสนับสนุนสําหรับ Power BI Premium ต่อความจุPremium ต่อผู้ใช้ และแบบจําลอง Power BI Embedded

แหล่งข้อมูลที่ได้รับการสนับสนุน

การรวมอัตโนมัติได้รับการสนับสนุนสําหรับแหล่งข้อมูลต่อไปนี้:

• ฐานข้อมูล Azure SQL
• Azure Synapse พูล SQL เฉพาะ
• SQL Server 2019 หรือใหม่กว่า
• Google บิ๊กคิวรี
• Snowflake
• Databricks
• Amazon Redshift

โหมดที่รองรับ

การรวมอัตโนมัติได้รับการสนับสนุนสําหรับแบบจําลองโหมด DirectQuery รองรับแบบจําลองแบบรวมที่มีทั้งตารางนําเข้าและการเชื่อมต่อ DirectQuery การรวมอัตโนมัติได้รับการสนับสนุนสําหรับการเชื่อมต่อ DirectQuery เท่านั้น

การอนุญาต

เมื่อต้องการเปิดใช้งานและกําหนดค่าการรวมอัตโนมัติ คุณต้องเป็นเจ้าของแบบจําลอง ผู้ดูแลระบบพื้นที่ทํางานสามารถรับช่วงต่อในฐานะเจ้าของเพื่อกําหนดการตั้งค่าการรวมอัตโนมัติ

การกําหนดค่าการรวมอัตโนมัติ

การรวมอัตโนมัติได้รับการกําหนดค่าในการตั้งค่าแบบจําลอง การกําหนดค่าทําได้ง่าย - เปิดใช้งานการฝึกอบรมการรวมอัตโนมัติและกําหนดเวลาการรีเฟรชอย่างน้อยหนึ่งรายการ ก่อนที่คุณจะกําหนดค่าการรวมอัตโนมัติสําหรับแบบจําลองของคุณ ให้ความเข้าใจที่ดีเกี่ยวกับวิธีการทํางานของการรวมอัตโนมัติ และสามารถช่วยคุณตัดสินใจได้ว่าการรวมอัตโนมัติเหมาะกับสภาพแวดล้อมของคุณหรือไม่ เมื่อคุณพร้อมสําหรับคําแนะนําทีละขั้นตอนเกี่ยวกับวิธีการเปิดใช้งานการฝึกอบรมการรวมอัตโนมัติ กําหนดค่ากําหนดการรีเฟรช และปรับแต่งสําหรับสภาพแวดล้อมของคุณ ให้ดูที่ กําหนดค่าการรวมอัตโนมัติ

สวัสดิการ

ด้วย DirectQuery ทุกครั้งที่ผู้ใช้แบบจําลองเปิดรายงานหรือโต้ตอบกับการแสดงภาพรายงาน คิวรีนิพจน์การวิเคราะห์ข้อมูล (DAX) จะถูกส่งผ่านไปยังกลไกจัดการคิวรี แล้วไปยังแหล่งข้อมูลแบ็กเอนด์เป็นคิวรี SQL แหล่งข้อมูลต้องคํานวณและส่งกลับผลลัพธ์สําหรับแต่ละคิวรี เมื่อเทียบกับแบบจําลองโหมดนําเข้าที่จัดเก็บไว้ในหน่วยความจํา การเดินทางไปกลับแหล่งข้อมูล DirectQuery สามารถใช้เวลาและกระบวนการมาก ซึ่งมักจะทําให้เวลาตอบสนองคิวรีช้าในการแสดงภาพรายงาน

เมื่อเปิดใช้งานสําหรับแบบจําลอง DirectQuery การรวมอัตโนมัติสามารถเพิ่มประสิทธิภาพคิวรีรายงานได้โดยหลีกเลี่ยงการไปกลับคิวรีแหล่งข้อมูล ผลลัพธ์คิวรีที่รวมไว้ล่วงหน้าจะถูกส่งกลับโดยอัตโนมัติโดยแคชการรวมในหน่วยความจําแทนที่จะถูกส่งไปยังและส่งคืนโดยแหล่งข้อมูล จํานวนข้อมูลที่รวมไว้ล่วงหน้าในแคชการรวมในหน่วยความจําเป็นเศษเสี้ยวเล็กๆ ของจํานวนข้อมูลที่เก็บไว้ในตารางข้อเท็จจริงและรายละเอียดที่แหล่งข้อมูล ผลลัพธ์ที่ได้ไม่เพียงแต่ประสิทธิภาพการสืบค้นรายงานที่ดีขึ้นเท่านั้น แต่ยังช่วยลดภาระในระบบแหล่งข้อมูลแบ็กเอนด์อีกด้วย ด้วยการรวมอัตโนมัติ จะมีเพียงส่วนเล็กๆ ของรายงานและคิวรีเฉพาะกิจที่ต้องมีการรวมที่ไม่รวมอยู่ในแคชในหน่วยความจําเท่านั้นที่จะถูกส่งผ่านไปยังแหล่งข้อมูลแบ็กเอนด์ เช่นเดียวกับโหมด DirectQuery บริสุทธิ์

การจัดการการสืบค้นและการรวมอัตโนมัติ

แม้ว่าการรวมอัตโนมัติจะช่วยลดความจําเป็นในการสร้างตารางการรวมที่ผู้ใช้กําหนด และทําให้การใช้โซลูชันข้อมูลที่รวมไว้ล่วงหน้าง่ายขึ้นอย่างมาก แต่ความคุ้นเคยที่ลึกซึ้งยิ่งขึ้นกับกระบวนการพื้นฐานและการขึ้นต่อกันจะเป็นประโยชน์ในการทําความเข้าใจวิธีการทํางานของการรวมอัตโนมัติ Power BI อาศัยสิ่งต่อไปนี้เพื่อสร้างและจัดการการรวมอัตโนมัติ

บันทึกคิวรี

Power BI ติดตามคิวรีแบบจําลองและรายงานผู้ใช้ในบันทึกคิวรี สําหรับแต่ละแบบจําลอง Power BI จะเก็บรักษาข้อมูลบันทึกคิวรีไว้เจ็ดวัน ข้อมูลบันทึกการสืบค้นจะถูกทบไปข้างหน้าในแต่ละวัน บันทึกคิวรีมีความปลอดภัยและไม่สามารถมองเห็นได้สําหรับผู้ใช้หรือผ่านจุดสิ้นสุด XMLA

การดําเนินงานการฝึกอบรม

ในฐานะที่เป็นส่วนหนึ่งของการดําเนินการรีเฟรชแบบจําลองตามกําหนดการครั้งแรกสําหรับความถี่ที่คุณเลือก (วันหรือสัปดาห์) Power BI จะเริ่มต้นการดําเนินการฝึกอบรมที่ประเมินบันทึกคิวรีเพื่อให้แน่ใจว่าการรวมในแคชการรวมในหน่วยความจําจะปรับให้เข้ากับรูปแบบคิวรีที่เปลี่ยนแปลงไป ตารางการรวมในหน่วยความจําจะถูกสร้างขึ้น อัปเดต หรือวาง และคิวรีพิเศษจะถูกส่งไปยังแหล่งข้อมูลเพื่อกําหนดการรวมที่จะรวมอยู่ในแคช อย่างไรก็ตาม ข้อมูลการรวมที่คํานวณได้จะไม่ถูกโหลดลงในแคชในหน่วยความจําระหว่างการฝึกอบรม แต่จะถูกโหลดในระหว่างการดําเนินการรีเฟรชที่ตามมา

ตัวอย่างเช่น ถ้าคุณเลือกความถี่ของวัน และกําหนดการรีเฟรชเวลา 4:00 น. 9:00 น. 14:00 น. และ 19:00 น. เฉพาะการรีเฟรช 4:00 น. ในแต่ละวันเท่านั้นที่จะรวมทั้งการดําเนินการฝึกอบรมและการดําเนินการรีเฟรช การรีเฟรชตามกําหนดการ 9:00 น. 14:00 น. และ 19:00 น. ที่ตามมาสําหรับวันนั้นเป็น การดําเนินการรีเฟรชเท่านั้นที่ อัปเดตการรวมที่มีอยู่ในแคช

ในขณะที่การดําเนินการฝึกอบรมประเมินคิวรีที่ผ่านมาจากบันทึกคิวรี ผลลัพธ์มีความแม่นยําเพียงพอเพื่อให้แน่ใจว่าคิวรีในอนาคตจะครอบคลุม อย่างไรก็ตาม ไม่มีการรับประกันว่าคิวรีในอนาคตจะถูกส่งคืนโดยแคชการรวมในหน่วยความจํา เนื่องจากคิวรีใหม่เหล่านั้นอาจแตกต่างจากคิวรีที่ได้มาจากบันทึกคิวรี คิวรีเหล่านั้นที่ไม่ได้ส่งคืนโดยแคชการรวมในหน่วยความจําจะถูกส่งผ่านไปยังแหล่งข้อมูลโดยใช้ DirectQuery ขึ้นอยู่กับความถี่และการจัดอันดับของคิวรีใหม่เหล่านั้น การรวมสําหรับคิวรีเหล่านั้นอาจรวมอยู่ในแคชการรวมในหน่วยความจําพร้อมกับการดําเนินการฝึกครั้งต่อไป

การดําเนินการฝึกอบรมมีการจํากัดเวลา 60 นาที ถ้าการฝึกอบรมไม่สามารถประมวลผลบันทึกคิวรีทั้งหมดภายในเวลาที่กําหนด การแจ้งเตือนจะถูกบันทึกไว้ในประวัติการรีเฟรชแบบจําลอง และการฝึกอบรมจะกลับมาทํางานต่อในครั้งต่อไปที่เปิดใช้งาน วงจรการฝึกอบรมจะเสร็จสมบูรณ์และแทนที่การรวมอัตโนมัติที่มีอยู่เมื่อมีการประมวลผลบันทึกคิวรีทั้งหมด

การดําเนินการรีเฟรช

หลังจากการดําเนินการฝึกอบรมเสร็จสิ้นโดยเป็นส่วนหนึ่งของการรีเฟรชตามกําหนดการครั้งแรกสําหรับความถี่ที่คุณเลือก Power BI จะดําเนินการรีเฟรชที่คิวรีและโหลดข้อมูลการรวมใหม่และที่อัปเดตลงในแคชการรวมในหน่วยความจํา และลบการรวมใดๆ ที่มีอันดับไม่สูงพออีกต่อไป (ตามที่กําหนดโดยอัลกอริทึมการฝึกอบรม) การรีเฟรชที่ตามมาทั้งหมดสําหรับความถี่วันหรือสัปดาห์ที่คุณเลือกเป็น การดําเนินการรีเฟรชเท่านั้นที่ คิวรีแหล่งข้อมูลเพื่ออัปเดตข้อมูลการรวมที่มีอยู่ในแคช โดยใช้ตัวอย่างก่อนหน้านี้ การรีเฟรชตามกําหนดการ 9:00 น. 14:00 น. และ 19:00 น. สําหรับวันนั้นเป็นการดําเนินการรีเฟรชเท่านั้น

การรีเฟรชตามกําหนดการเป็นประจําตลอดทั้งวัน (หรือสัปดาห์) ช่วยให้มั่นใจได้ว่าข้อมูลการรวมในแคชจะทันสมัยยิ่งขึ้นด้วยข้อมูลที่แหล่งข้อมูลแบ็กเอนด์ ผ่านการตั้งค่าแบบจําลอง คุณสามารถกําหนดเวลาการรีเฟรชได้สูงสุด 48 ครั้งต่อวัน เพื่อให้แน่ใจว่าคิวรีรายงานที่ส่งคืนโดยแคชการรวมจะได้รับผลลัพธ์ตามข้อมูลที่รีเฟรชล่าสุดจากแหล่งข้อมูลแบ็กเอนด์

การฝึกอบรมตามความต้องการ

ดังที่ได้กล่าวไว้ก่อนหน้านี้ รอบการฝึกอบรมอาจไม่เสร็จสมบูรณ์ภายในเวลาที่กําหนดของรอบการรีเฟรชข้อมูลเดียว หากคุณ™ไม่ต้องการรอจนกว่ารอบการรีเฟรชตามกําหนดการถัดไปที่มีการฝึกอบรม คุณยังสามารถทริกเกอร์การฝึกอบรมการรวมอัตโนมัติตามความต้องการได้โดยการเลือก ฝึกและรีเฟรชเดี๋ยวนี้ ในการตั้งค่าแบบจําลอง เมื่อใช้ ฝึกและรีเฟรชเดี๋ยวนี้ ทริกเกอร์ทั้งการดําเนินการฝึกอบรมและการดําเนินการรีเฟรช ตรวจสอบประวัติการรีเฟรชแบบจําลองเพื่อดูว่าการดําเนินการปัจจุบันเสร็จสิ้นหรือไม่ก่อนที่จะเรียกใช้การฝึกอบรมตามความต้องการอื่นและการดําเนินการรีเฟรช

รีเฟรชประวัติ

การดําเนินการรีเฟรชแต่ละรายการจะถูกบันทึกไว้ในประวัติการรีเฟรชแบบจําลอง ข้อมูลสําคัญเกี่ยวกับการรีเฟรชแต่ละครั้งจะแสดงขึ้น รวมถึงจํานวนการรวมหน่วยความจําในแคชที่ใช้สําหรับเปอร์เซ็นต์คิวรีที่กําหนดค่าไว้ เมื่อต้องการดูประวัติการรีเฟรช ในหน้า การตั้งค่าแบบจําลอง ให้เลือก ประวัติการรีเฟรช หากคุณต้องการดูรายละเอียดแนวลึกเพิ่มเติมอีกเล็กน้อย ให้เลือก แสดง รายละเอียด

ด้วยการตรวจสอบประวัติการรีเฟรชเป็นประจํา คุณจะมั่นใจได้ว่าการดําเนินการรีเฟรชตามกําหนดการของคุณจะเสร็จสมบูรณ์ภายในระยะเวลาที่ยอมรับได้ ตรวจสอบให้แน่ใจว่าการดําเนินการรีเฟรชเสร็จสมบูรณ์ก่อนที่การรีเฟรชตามกําหนดการครั้งต่อไปจะเริ่มขึ้น

ความล้มเหลวในการฝึกอบรมและการรีเฟรช

ในขณะที่ Power BI ดําเนินการฝึกอบรมและรีเฟรชเป็นส่วนหนึ่งของการรีเฟรชตามกําหนดการครั้งแรกสําหรับความถี่ของวันหรือสัปดาห์ที่คุณเลือก ถ้าการดําเนินการการฝึกอบรมไม่สามารถประมวลผลบันทึกคิวรีได้อย่างสมบูรณ์ภายในเวลาที่กําหนด Power BI จะดําเนินการรีเฟรชการรวมที่มีอยู่ (และตารางปกติในแบบจําลองแบบรวม) โดยใช้สถานะการฝึกอบรมก่อนหน้านี้ ในกรณีนี้ ประวัติการรีเฟรชจะระบุว่าการรีเฟรชสําเร็จ และการฝึกอบรมจะดําเนินการต่อในการประมวลผลบันทึกคิวรีในครั้งต่อไปที่เปิดใช้การฝึกอบรม ประสิทธิภาพของคิวรีอาจปรับให้เหมาะสมน้อยลงหากรูปแบบคิวรีรายงานไคลเอ็นต์เปลี่ยนไป และการรวมยังไม่ปรับเปลี่ยน แต่ระดับประสิทธิภาพที่ทําได้ควรจะยังคงดีกว่าแบบจําลอง DirectQuery บริสุทธิ์ที่ไม่มีการรวมใดๆ

ถ้าการดําเนินการฝึกต้องใช้รอบมากเกินไปในการประมวลผลบันทึกแบบสอบถามให้เสร็จสิ้น ให้พิจารณาลดเปอร์เซ็นต์ของแบบสอบถามที่ใช้แคชการรวมในหน่วยความจําในการตั้งค่าแบบจําลอง การดําเนินการนี้จะลดจํานวนการรวมที่สร้างขึ้นในแคช แต่ให้เวลามากขึ้นสําหรับการฝึกอบรมและการดําเนินการรีเฟรชให้เสร็จสมบูรณ์ เมื่อต้องการเรียนรู้เพิ่มเติม ให้ดูที่ การปรับแต่งอย่างละเอียด

หากการฝึกอบรมสําเร็จ แต่การรีเฟรชล้มเหลว การรีเฟรชทั้งหมดจะถูกทําเครื่องหมายเป็น ล้มเหลว เนื่องจากผลลัพธ์คือแคชการรวมในหน่วยความจําที่ไม่พร้อมใช้งาน

เมื่อจัดกําหนดการรีเฟรช คุณสามารถระบุการแจ้งเตือนทางอีเมลได้หากมีความล้มเหลวในการรีเฟรช

การรวมที่ผู้ใช้กําหนดและอัตโนมัติ

การรวมที่ผู้ใช้กําหนดใน Power BI สามารถกําหนดค่าได้ด้วยตนเองตามตารางรวมที่ซ่อนอยู่ในแบบจําลอง การกําหนดค่าการรวมที่ผู้ใช้กําหนดมักจะซับซ้อน ซึ่งต้องใช้ทักษะการสร้างแบบจําลองข้อมูลและการเพิ่มประสิทธิภาพคิวรีในระดับที่สูงขึ้น ในทางกลับกัน การรวมอัตโนมัติช่วยขจัดความซับซ้อนนี้โดยเป็นส่วนหนึ่งของระบบที่ขับเคลื่อนด้วย AI ซึ่งแตกต่างจากการรวมที่ผู้ใช้กําหนดซึ่งยังคงคงที่ Power BI จะรักษาบันทึกคิวรีอย่างต่อเนื่อง และจากบันทึกเหล่านั้นจะกําหนดรูปแบบคิวรีตามอัลกอริธึมการสร้างแบบจําลองการคาดการณ์การเรียนรู้ของเครื่อง (ML) ข้อมูลที่รวมไว้ล่วงหน้าจะถูกคํานวณและจัดเก็บไว้ในหน่วยความจําตามการวิเคราะห์รูปแบบการสืบค้น ด้วยการรวมอัตโนมัติ โมเดลจะมีทั้งการฝึกอบรมตนเองและการเพิ่มประสิทธิภาพด้วยตนเอง เมื่อรูปแบบการสืบค้นรายงานไคลเอ็นต์เปลี่ยนไป การรวมอัตโนมัติจะปรับ จัดลําดับความสําคัญ และแคชการรวมที่ใช้บ่อยที่สุด

เนื่องจากการรวมอัตโนมัติถูกสร้างขึ้นจากโครงสร้างพื้นฐานการรวมที่ผู้ใช้กําหนดเองที่มีอยู่ คุณจึงสามารถใช้ทั้งการรวมที่ผู้ใช้กําหนดเองและการรวมอัตโนมัติร่วมกันในโมเดลเดียวกันได้ ผู้สร้างแบบจําลองข้อมูลที่มีทักษะสามารถกําหนดการรวมสําหรับตารางโดยใช้ DirectQuery, นําเข้า (มีหรือไม่มีการรีเฟรชแบบเพิ่มหน่วย) หรือโหมดที่เก็บข้อมูลคู่ ในขณะเดียวกันก็ได้รับประโยชน์จากการรวมอัตโนมัติมากขึ้นสําหรับคิวรีผ่านการเชื่อมต่อ DirectQuery ที่ไม่™กระทบกับตารางการรวมที่ผู้ใช้กําหนด ความยืดหยุ่นนี้ช่วยให้สถาปัตยกรรมมีความสมดุลซึ่งสามารถลดภาระการสืบค้นและหลีกเลี่ยงปัญหาคอขวด

การรวมที่สร้างขึ้นในแคชในหน่วยความจําโดยอัลกอริทึมการฝึกอบรมการรวมอัตโนมัติจะถูกระบุว่าเป็นการ System รวม อัลกอริทึมการฝึกอบรมจะสร้างและลบเฉพาะการรวมเหล่านั้น System เมื่อมีการวิเคราะห์คิวรีการรายงานและทําการปรับเปลี่ยนเพื่อรักษาการรวมที่เหมาะสมที่สุดสําหรับแบบจําลอง ทั้งการรวมที่ผู้ใช้กําหนดเองและอัตโนมัติจะถูกรีเฟรชด้วยการรีเฟรช เฉพาะการรวมที่สร้างโดยการรวมอัตโนมัติและทําเครื่องหมายว่าเป็นการรวมที่ระบบสร้างขึ้นเท่านั้นที่จะรวมอยู่ในการประมวลผลการรวมอัตโนมัติ

การแคชคิวรีและการรวมอัตโนมัติ

Power BI Premium ยังสนับสนุน การแคชคิวรีใน Power BI Premium/Embedded เพื่อรักษาผลลัพธ์คิวรี การแคชคิวรีเป็นคุณลักษณะที่แตกต่างจากการรวมอัตโนมัติ ด้วยการแคชคิวรี Power BI Premium ใช้บริการแคชภายในเครื่องเพื่อใช้การแคช ในขณะที่การรวมอัตโนมัติจะถูกนําไปใช้ในระดับแบบจําลอง ด้วยการแคชคิวรี บริการจะแคชเฉพาะคิวรีสําหรับการโหลดหน้ารายงานเริ่มต้น ดังนั้นประสิทธิภาพของคิวรีจึงไม่ได้รับการปรับปรุงเมื่อผู้ใช้โต้ตอบกับรายงาน ในทางตรงกันข้าม การรวมอัตโนมัติจะเพิ่มประสิทธิภาพการสืบค้นรายงานส่วนใหญ่โดยการแคชผลลัพธ์การค้นหาแบบรวมไว้ล่วงหน้า รวมถึงการสืบค้นที่สร้างขึ้นเมื่อผู้ใช้โต้ตอบกับรายงาน การแคชคิวรีและการรวมอัตโนมัติสามารถเปิดใช้งานได้สําหรับแบบจําลอง แต่ไม่จําเป็น

ตรวจสอบด้วย Azure Log Analytics

Azure Log Analytics (LA) เป็นบริการภายใน Azure Monitor ซึ่ง Power BI สามารถใช้เพื่อบันทึกบันทึกกิจกรรมได้ ด้วยชุดโปรแกรม Azure Monitor คุณสามารถรวบรวม วิเคราะห์ และดําเนินการกับข้อมูลการวัดและส่งข้อมูลทางไกลจากสภาพแวดล้อม Azure และภายในองค์กรของคุณ มีพื้นที่เก็บข้อมูลระยะยาว อินเทอร์เฟซการสืบค้นเฉพาะกิจ และการเข้าถึง API เพื่อให้สามารถส่งออกข้อมูลและรวมเข้ากับระบบอื่นๆ หากต้องการเรียนรู้เพิ่มเติม โปรดดู การใช้ Azure Log Analytics ใน Power BI

ถ้า Power BI ถูกกําหนดค่าด้วยบัญชี Azure LA ตามที่อธิบายไว้ใน การกําหนดค่า Azure Log Analytics สําหรับ Power BI คุณสามารถวิเคราะห์อัตราความสําเร็จของการรวมอัตโนมัติของคุณได้ เหนือสิ่งอื่นใด คุณสามารถระบุได้ว่ามีการตอบแบบสอบถามรายงานจากแคชในหน่วยความจําหรือไม่

เมื่อต้องการใช้ความสามารถนี้ ให้ ดาวน์โหลดเทมเพลต PBIT และเชื่อมต่อกับบัญชีการวิเคราะห์บันทึกของคุณ ตามที่อธิบายไว้ใน โพสต์บล็อก Power BI นี้ ในรายงาน คุณสามารถดูข้อมูลได้สามระดับที่แตกต่างกัน ได้แก่ มุมมองสรุป มุมมองระดับคิวรี DAX และมุมมองระดับคิวรี SQL

รูปภาพต่อไปนี้แสดงหน้าสรุปสําหรับคิวรีทั้งหมด ดังที่คุณเห็นแผนภูมิที่ทําเครื่องหมายไว้จะแสดงเปอร์เซ็นต์ของคิวรีทั้งหมดที่พึงพอใจโดยการรวมเทียบกับคิวรีที่ต้องใช้แหล่งข้อมูล

ขั้นตอนต่อไปในการเจาะลึกลงไปคือการดูการใช้การรวมที่ระดับคิวรี DAX คลิกขวาที่คิวรี DAX จากรายการ (ล่างซ้าย)>ดูรายละเอียดแนวลึกประวัติ>คิวรี

สิ่งนี้จะให้รายการคําถามที่เกี่ยวข้องทั้งหมดแก่คุณ ดูรายละเอียดแนวลึกไปยังระดับถัดไปเพื่อแสดงรายละเอียดการรวมเพิ่มเติม

การจัดการวงจรชีวิตของแอปพลิเคชัน

ตั้งแต่การพัฒนาไปจนถึงการทดสอบ และจากการทดสอบจนถึงการผลิต โมเดลที่เปิดใช้งานการรวมอัตโนมัติมีข้อกําหนดพิเศษสําหรับโซลูชัน ALM

ไปป์ไลน์การปรับใช้

ด้วยไปป์ไลน์การปรับใช้ Power BI สามารถคัดลอกแบบจําลองที่มีการกําหนดค่าแบบจําลองจากขั้นตอนปัจจุบันไปยังขั้นตอนเป้าหมาย อย่างไรก็ตาม ต้องรีเซ็ตการรวมอัตโนมัติในขั้นตอนเป้าหมาย เนื่องจากการตั้งค่าจะไม่ถูกถ่ายโอนจากขั้นตอนปัจจุบันไปยังขั้นตอนเป้าหมาย คุณยังสามารถปรับใช้เนื้อหาโดยทางโปรแกรมได้โดยใช้ REST API ของไปป์ไลน์การปรับใช้ หากต้องการเรียนรู้เพิ่มเติมเกี่ยวกับกระบวนการนี้ โปรดดู ทําให้ไปป์ไลน์การปรับใช้ของคุณเป็นแบบอัตโนมัติโดยใช้ API และ DevOps

โซลูชัน ALM แบบกําหนดเอง

หากคุณใช้โซลูชัน ALM แบบกําหนดเองตามตําแหน่งข้อมูล XMLA โปรดทราบว่าโซลูชันของคุณอาจสามารถคัดลอกตารางการรวมที่ระบบสร้างขึ้นและผู้ใช้สร้างขึ้นเป็นส่วนหนึ่งของเมตาดาต้าของแบบจําลอง อย่างไรก็ตาม คุณต้องเปิดใช้งานการรวมอัตโนมัติหลังจากแต่ละขั้นตอนการปรับใช้ที่ขั้นตอนเป้าหมายด้วยตนเอง Power BI จะเก็บการตั้งค่าคอนฟิกไว้ถ้าคุณเขียนทับแบบจําลองที่มีอยู่

การแก้ไขแบบจําลอง

หลังจากแก้ไขแบบจําลองด้วยการรวมอัตโนมัติที่เปิดใช้งานผ่านจุดสิ้นสุด XMLA เช่น การเพิ่มหรือลบตาราง Power BI จะรักษาการรวมที่มีอยู่ใด ๆ ที่สามารถเป็นได้ และลบการรวมที่ไม่จําเป็นหรือเกี่ยวข้องอีกต่อไป ประสิทธิภาพของคิวรีอาจได้รับผลกระทบจนกว่าจะมีการทริกเกอร์ขั้นตอนการฝึกอบรมถัดไป

องค์ประกอบข้อมูลเมตา

โมเดลที่เปิดใช้งานการรวมอัตโนมัติประกอบด้วยตารางการรวมที่ระบบสร้างขึ้นที่ไม่ซ้ํากัน ผู้ใช้จะไม่เห็นตารางการรวมในเครื่องมือการรายงาน สามารถมองเห็นได้ผ่านจุดสิ้นสุด XMLA โดยใช้เครื่องมือที่มีไลบรารีไคลเอ็นต์ Analysis Services รุ่น 19.22.5 และสูงกว่า เมื่อทํางานกับแบบจําลองที่เปิดใช้งานการรวมอัตโนมัติ ให้แน่ใจว่าได้อัปเกรดเครื่องมือการสร้างแบบจําลองและการดูแลระบบข้อมูลของคุณเป็นไลบรารีไคลเอ็นต์เวอร์ชันล่าสุด สําหรับ SQL Server Management Studio (SSMS) ให้อัปเกรดเป็น SSMS รุ่น 18.9.2 หรือสูงกว่า SSMS เวอร์ชันก่อนหน้าไม่สามารถแจกแจงตารางหรือเขียนสคริปต์โมเดลเหล่านี้ได้

ตารางการรวมอัตโนมัติจะถูกระบุโดย SystemManaged คุณสมบัติตาราง ซึ่งเป็นสิ่งใหม่สําหรับแบบจําลองวัตถุตาราง (TOM) ในไลบรารีไคลเอ็นต์ Analysis Services รุ่น 19.22.5 และสูงกว่า ข้อมูลโค้ดต่อไปนี้แสดงคุณสมบัติที่ SystemManaged ตั้งค่าเป็น true สําหรับตารางการรวมอัตโนมัติและ false สําหรับตารางปกติ

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();
        }
    }
}

การดําเนินการข้อมูลโค้ดนี้จะแสดงตารางการรวมอัตโนมัติที่รวมอยู่ในโมเดลในคอนโซลในปัจจุบัน

โปรดทราบว่าตารางการรวมมีการเปลี่ยนแปลงตลอดเวลาเนื่องจากการดําเนินการฝึกจะกําหนดการรวมที่เหมาะสมที่สุดที่จะรวมไว้ในแคชการรวมในหน่วยความจํา

Power BI รักษาการกําหนดค่าแบบจําลองภายนอกแบบจําลอง การมีอยู่ของตารางการรวมที่จัดการโดยระบบในแบบจําลองไม่ได้หมายความว่าแบบจําลองนั้นเปิดใช้งานสําหรับการฝึกอบรมการรวมอัตโนมัติ กล่าวอีกนัยหนึ่ง ถ้าคุณเขียนสคริปต์ข้อกําหนดแบบจําลองแบบเต็มสําหรับแบบจําลองที่เปิดใช้งานการรวมอัตโนมัติ และสร้างสําเนาใหม่ของแบบจําลอง (ด้วยชื่อ/พื้นที่ทํางาน/ความจุอื่น) แบบจําลองผลลัพธ์ใหม่จะไม่ถูกเปิดใช้งานสําหรับการฝึกอบรมการรวมอัตโนมัติ คุณยังคงต้องเปิดใช้งานการฝึกอบรมการรวมอัตโนมัติสําหรับโมเดลใหม่ในการตั้งค่าโมเดล

ข้อควรพิจารณาและข้อจำกัด

เมื่อใช้การรวมอัตโนมัติ ให้คํานึงถึงสิ่งต่อไปนี้

• การรวมไม่สนับสนุนพารามิเตอร์คิวรี M แบบไดนามิก
• คิวรี SQL ที่สร้างขึ้นในระหว่างขั้นตอนการฝึกอบรมเริ่มต้นสามารถสร้างภาระงานที่สําคัญสําหรับคลังข้อมูล หากการฝึกอบรมยังคงเสร็จสิ้นไม่สมบูรณ์ และคุณสามารถตรวจสอบได้ที่ฝั่งคลังข้อมูลว่าคิวรีกําลังพบการหมดเวลา ให้พิจารณาขยายขนาดคลังข้อมูลของคุณชั่วคราวเพื่อตอบสนองความต้องการการฝึกอบรม
• การรวมที่จัดเก็บไว้ในแคชการรวมในหน่วยความจําอาจไม่ถูกคํานวณจากข้อมูลล่าสุดที่แหล่งข้อมูล ซึ่งแตกต่างจาก DirectQuery บริสุทธิ์ และเหมือนกับตารางนําเข้าปกติ มีเวลาแฝงระหว่างการอัปเดตที่แหล่งข้อมูลและข้อมูลการรวมที่จัดเก็บไว้ในแคชการรวมในหน่วยความจํา แม้ว่าจะมีเวลาแฝงในระดับหนึ่งอยู่เสมอ แต่ก็สามารถบรรเทาได้ผ่านกําหนดการรีเฟรชที่มีประสิทธิภาพ
• เมื่อต้องการเพิ่มประสิทธิภาพเพิ่มเติม ให้ตั้งค่าตารางมิติทั้งหมดเป็น โหมดคู่ และปล่อยให้ตารางข้อเท็จจริงอยู่ในโหมด DirectQuery
• การรวมอัตโนมัติไม่พร้อมใช้งานกับ Power BI Pro, Azure Analysis Services หรือ SQL Server Analysis Services
• Power BI ไม่สนับสนุนการดาวน์โหลดแบบจําลองที่เปิดใช้งานการรวมอัตโนมัติ ถ้าคุณอัปโหลดหรือเผยแพร่ไฟล์ Power BI Desktop (.pbix) ไปยัง Power BI แล้วเปิดใช้งานการรวมอัตโนมัติ คุณจะไม่สามารถดาวน์โหลดไฟล์ PBIX ได้อีกต่อไป ตรวจสอบให้แน่ใจว่าคุณเก็บสําเนาของไฟล์ PBIX ไว้ในเครื่อง
• ไม่รองรับการรวมอัตโนมัติกับตารางภายนอกใน Azure Synapse Analytics คุณสามารถแจกแจงตารางภายนอกใน Synapse ได้โดยใช้แบบสอบถาม SQL ต่อไปนี้: SELECT SCHEMA_NAME(schema_id) AS schema_name, name AS table_name FROM sys.external_tables
• การรวมอัตโนมัติพร้อมใช้งานสําหรับโมเดลที่ใช้ข้อมูลเมตาที่ปรับปรุงแล้วเท่านั้น หากคุณต้องการเปิดใช้งานการรวมอัตโนมัติสําหรับโมเดลเก่า ให้อัปเกรดโมเดลเป็นเมตาดาต้าที่ปรับปรุงแล้วก่อน หากต้องการเรียนรู้เพิ่มเติม โปรดดู การใช้ข้อมูลเมตาของแบบจําลองที่ปรับปรุงแล้ว
• อย่าเปิดใช้งานการรวมอัตโนมัติถ้าแหล่งข้อมูล DirectQuery ถูกกําหนดค่าสําหรับการลงชื่อเข้าระบบครั้งเดียว และใช้มุมมองข้อมูลแบบไดนามิกหรือการควบคุมความปลอดภัยเพื่อจํากัดข้อมูลที่ผู้ใช้ได้รับอนุญาตให้เข้าถึง การรวมอัตโนมัติไม่ทราบถึงการควบคุมระดับแหล่งข้อมูลเหล่านี้ ซึ่งทําให้ไม่สามารถมั่นใจได้ว่ามีการให้ข้อมูลที่ถูกต้องตามผู้ใช้แต่ละราย การฝึกอบรมจะบันทึกคําเตือนในประวัติการรีเฟรชที่ตรวจพบแหล่งข้อมูลที่กําหนดค่าสําหรับการลงชื่อเข้าระบบครั้งเดียว และข้ามตารางที่ใช้แหล่งข้อมูลนี้ หากเป็นไปได้ ให้ปิดใช้งาน SSO สําหรับแหล่งข้อมูลเหล่านี้เพื่อใช้ประโยชน์จากประสิทธิภาพการค้นหาที่เพิ่มประสิทธิภาพที่การรวมอัตโนมัติสามารถให้ได้อย่างเต็มที่
• อย่าเปิดใช้งานการรวมอัตโนมัติหากแบบจําลองมีเฉพาะตารางไฮบริดเพื่อหลีกเลี่ยงค่าใช้จ่ายในการประมวลผลที่ไม่จําเป็น ตารางไฮบริดใช้ทั้งพาร์ติชันนําเข้าและพาร์ติชัน DirectQuery สถานการณ์ทั่วไปคือการรีเฟรชแบบเพิ่มหน่วยด้วยข้อมูลแบบเรียลไทม์ซึ่งพาร์ติชัน DirectQuery ดึงธุรกรรมจากแหล่งข้อมูลที่เกิดขึ้นหลังจากการรีเฟรชข้อมูลครั้งล่าสุด อย่างไรก็ตาม Power BI นําเข้าการรวมระหว่างการรีเฟรช การรวมอัตโนมัติไม่สามารถรวมธุรกรรมที่เกิดขึ้นหลังจากการรีเฟรชข้อมูลครั้งล่าสุด การฝึกอบรมจะบันทึกคําเตือนในประวัติการรีเฟรชที่ตรวจพบและข้ามตารางไฮบริด
• คอลัมน์จากการคํานวณจะไม่ได้รับการพิจารณาสําหรับการรวมอัตโนมัติ ถ้าคุณใช้คอลัมน์จากการคํานวณในโหมด DirectQuery เช่น โดยใช้ COMBINEVALUES ฟังก์ชัน DAX เพื่อสร้างความสัมพันธ์ที่ยึดตามหลายคอลัมน์จากตาราง DirectQuery สองตาราง คิวรีรายงานที่สอดคล้องกันจะไม่เข้าสู่แคชการรวมในหน่วยความจํา
• การรวมอัตโนมัติจะพร้อมใช้งานในบริการของ Power BI เท่านั้น Power BI Desktop ไม่สร้างตารางการรวมที่ระบบสร้างขึ้น
• หากคุณปรับเปลี่ยนข้อมูลเมตาของแบบจําลองโดยเปิดใช้งานการรวมอัตโนมัติ ประสิทธิภาพของคิวรีอาจลดลงจนกว่าจะมีการทริกเกอร์กระบวนการฝึกอบรมถัดไป แนวทางปฏิบัติที่ดีที่สุด คุณควรทิ้งการรวมอัตโนมัติ ทําการเปลี่ยนแปลง แล้วฝึกอบรมใหม่
• อย่าแก้ไขหรือลบตารางการรวมที่ระบบสร้างขึ้น เว้นแต่คุณจะปิดใช้งานการรวมอัตโนมัติและกําลังล้างแบบจําลอง ระบบรับผิดชอบในการจัดการวัตถุเหล่านี้

Community

Power BI มีชุมชนที่มีชีวิตชีวา ซึ่ง MVP ผู้เชี่ยวชาญด้าน BI และเพื่อนร่วมงานแบ่งปันความเชี่ยวชาญในกลุ่มการสนทนา วิดีโอ บล็อก และอื่นๆ เมื่อเรียนรู้เกี่ยวกับการรวมอัตโนมัติ โปรดตรวจสอบแหล่งข้อมูลอื่นๆ เหล่านี้:

• ชุมชน Power BI ของ
• ค้นหา "การรวมอัตโนมัติของ Power BI" บน Bing

เนื้อหาที่เกี่ยวข้อง

• กําหนดค่าการรวมอัตโนมัติ
• การรวมที่ผู้ใช้กําหนดเอง
• DirectQuery ใน Power BI
• ไลบรารีไคลเอ็นต์ Analysis Services