Bonnes réponses
- BRéduisez le nombre d'éléments visuels sur une seule page.
- DUtilisez des agrégations dans la source de données (par exemple, pré-résumer les tables).
- EDésactivez la mise en surbrillance croisée et le filtrage croisé là où ils ne sont pas nécessaires.
Explication
Chaque élément visuel d'une page de rapport émet ses propres requêtes DAX par rapport au jeu de données, de sorte que la réduction du nombre d'éléments visuels par page diminue le nombre de requêtes simultanées et la charge de travail de rendu, améliorant ainsi la réactivité du rapport. Pré-résumer les données dans la source (par exemple, en utilisant GROUP BY en SQL, des vues ou l'agrégation Power Query) réduit le volume de données chargées dans le modèle et permet au moteur d'analyser des tables plus petites, ce qui accélère l'actualisation et l'exécution des requêtes. La mise en surbrillance croisée et le filtrage croisé obligent Power BI à réinterroger et à re-rendre chaque élément visuel affecté chaque fois qu'une sélection est effectuée ; les désactiver là où l'interactivité n'est pas nécessaire évite cette surcharge de requêtes en cascade. Les colonnes calculées sont évaluées au moment de l'actualisation, stockées dans le modèle et consomment de la mémoire, tandis que les mesures sont évaluées au moment de la requête et constituent l'approche recommandée pour les agrégations complexes. L'importation de toutes les colonnes surcharge le modèle, augmente l'utilisation de la mémoire et ralentit l'actualisation et les requêtes ; la bonne pratique consiste à n'importer que les colonnes réellement nécessaires.
Pour aller plus loin
L'optimisation des performances des rapports Power BI s'articule autour de trois couches : le modèle de données, le moteur de requêtes et la couche visuelle. Dans le modèle, la réduction du nombre de lignes grâce à des agrégations au niveau de la source et la suppression des colonnes inutilisées réduisent directement le stockage en colonnes de VertiPaq, car les colonnes sont compressées sous forme de dictionnaires indépendants et la réduction des valeurs distinctes ou des nombres de lignes diminue la mémoire et accélère les analyses. Dans la couche de requête, les mesures sont évaluées uniquement au moment de la requête, tandis que les colonnes calculées sont évaluées lors de l'actualisation et stockées ligne par ligne — les mesures sont donc presque toujours préférées pour les agrégations afin d'éviter de matérialiser des données redondantes. Sur la couche visuelle, chaque élément visuel émet sa propre requête DAX ; par conséquent, la réduction du nombre d'éléments visuels sur une page et la désactivation du filtrage/de la mise en surbrillance croisée non nécessaires limitent le nombre d'évaluations distinctes et de contextes de filtre qui doivent être résolus. Une subtilité souvent négligée est que les agrégations doivent s'aligner sur la granularité du rapport : un agrégat trop grossier fait perdre la capacité d'exploration et un trop grand nombre de tables agrégées peut surcharger le modèle. Les projets du monde réel n'utilisent souvent pas l'Analyseur de performances pour détecter quels éléments visuels prennent le plus de temps ; les modèles optimisés se chargent encore lentement si des dizaines de mesures complexes sont calculées dans une seule vignette. Comprendre que l'optimisation est un compromis stratifié entre la latence, la mémoire et la précision permet d'éviter l'écueil courant consistant à ajouter arbitrairement des mesures ou des éléments visuels.
À propos de ces questions d'entraînement
Cette question fait partie des questions d'entraînement PL-300 originales de Courseiva, rédigées pour apprendre et jamais copiées d'examens réels ou de dumps.
Traduite de l'original anglais avec l'IA et vérifiée pour le sens. Les codes d'examen, les commandes et les noms de produits sont conservés tels qu'ils apparaissent à l'examen.