Ist Ihr Power BI DirectQuery Report bei jedem Klick langsam?
DirectQuery und Direct Lake versprechen Live Daten. Was ankommt, ist ein Visual nach dreißig Sekunden und eine Compute Rechnung, die niemand erklären möchte. Nicht der Modus ist das Problem, sondern das Schema darunter.
Die Data Warehouse Automation Plattform, der Datenteams aus vielen Branchen vertrauen
Kommt Ihnen das bekannt vor?
- Jeder Filterklick löst eine neue Abfragewelle aus und die Visuals kriechen.
- Die Compute Kosten in Synapse oder Fabric sind in dem Monat gestiegen, in dem das Dashboard live ging.
- Direct Lake fällt auf DirectQuery zurück und niemand kann genau sagen, warum.
- Derselbe Report ist im Import Modus schnell, also nutzen Sie Import und verlieren die Live Daten.
DirectQuery tut genau das, was der Name sagt: Es übersetzt jede Interaktion in SQL gegen Ihre Datenbank. Ob das schnell ist, hängt vollständig davon ab, worauf es trifft.
Was DirectQuery erzeugt
- Gegen ein Star Schema: eine Faktentabelle, ein paar Dimensions Joins auf echten Schlüsseln. Die Datenbank antwortet in Millisekunden.
- Gegen 3NF oder rohe Lake Tabellen: tief verschachtelte Joins über ein Dutzend Tabellen, neu gebaut für jedes Visual und jeden Klick.
- Kein Push Down, auf das man sich stützen kann. Ohne Partitionierung und Indizes bedeutet jede Abfrage einen vollen Scan.
- Der Fallback ist still. Direct Lake wechselt unbemerkt zu DirectQuery, sobald die Quelle nicht die erwartete Form hat. Genau dann entstehen die Kosten.
Multipliziert mit den Visuals einer Seite, dann mit gleichzeitigen Nutzern. Das ist die Rechnung.
Warum es bei Ihnen landet
- Das Warehouse hat bereitgestellt, was vorhanden war: operative Tabellen, keine analytischen.
- Der Import Modus ist der Workaround, und er kostet genau die Live Daten, wegen derer Sie DirectQuery gewählt haben.
- Sie können Visuals optimieren. Die Quelle neu partitionieren können Sie nicht.
Die Arbeit passiert am falschen Ort
- Tabellen für die Analyse zu formen ist Warehouse Arbeit. DirectQuery kann das nicht, also bezahlt jeder Klick für die fehlende Form.
- Sie gehört an einen zentralen Ort: ein Data Warehouse oder einen Data Hub, einmal gebaut und von jedem Report gelesen.
- Wenn das teuer klingt, geht die Schätzung vermutlich von handgebauten Pipelines aus. Eine spezialisierte Automatisierungsplattform generiert sie aus einem Modell. Das ändert Kosten und Dauer.
Was sich ändert, wenn das Modell fertig ankommt
Datavault Builder erzeugt dimensionale Modelle nativ in der Zielplattform, materialisiert oder virtualisiert, gebaut für analytisches Push Down statt für transaktionalen Zugriff.
- Eine Faktentabelle, echte Dimensionen. Das erzeugte SQL ist schon von der Struktur her kurz.
- Partitioniert und geclustert nach den Spalten, nach denen tatsächlich gefiltert wird.
- Direct Lake bleibt Direct Lake, weil die Tabellen bereits die passende Form haben.
- Der Compute Verbrauch sinkt, weil jeder Klick ein schlankes Modell scannt statt der Rohschicht.
- Live Daten sind kein Handel mehr gegen Geschwindigkeit.
Worum Sie bitten sollten
“DirectQuery joint bei jedem Klick über normalisierte Tabellen, deshalb skalieren die Compute Kosten mit der Nutzerzahl. Können wir für diesen Report ein partitioniertes Star Schema bereitstellen, das er stattdessen abfragt?”
Konkret genug, um es zu schätzen, und es zeigt auf die Schicht, in die der Fix gehört.
Sehen Sie es mit Ihren eigenen Daten
Buchen Sie eine kostenlose Demo und bringen Sie den Report mit, der Ihnen die meisten Probleme macht.
In drei Schritten zu Zahlen, die aufgehen
-
Bestehende Logik herauslösen
Sammeln Sie Berechnungen, Joins und Filter, die heute in Ihren Reports stecken.
-
An einem Ort zentralisieren
Die Logik kommt einmal ins Warehouse Modell, und jeder Report liest dieselbe Definition.
-
Zahlen, die aufgehen
Jeder Report zeigt dieselbe Zahl, und “Woher kommt diese Zahl” hat eine sichtbare Antwort.
Wie Datavault Builder Ihrem Report ein fertiges Modell liefert
-
Das Modell kommt fertig an
Datavault Builder generiert Vault und Star Schema so, dass sie nativ in der Datenbank laufen, die Sie bereits haben: SQL Server, Azure SQL, Synapse, Fabric, Snowflake, Databricks oder BigQuery.
-
Die Arbeit verlässt den Report
Kein Merge, kein Parsen, kein Fuzzy Match. Diese Arbeit ist aus dem Report verschwunden.
-
Quellen kommen integriert an
Kunden aus ERP, CRM und Webshop werden zu einem Satz konformer Dimensionen zusammengeführt. Der Join passiert einmal im Warehouse, nicht erneut in jedem Report.
-
Historie, die abfragbar ist
Jede Änderung wird so festgehalten, wie sie eintrifft. Sie können den Stand von damals genauso auswerten wie den von heute, auch wenn das Quellsystem seine eigenen Sätze überschreibt.
-
Jede Zahl hat Lineage
Die Logik bekommt Lineage. “Woher kommt diese Zahl” hat damit eine sichtbare Antwort.
-
Historisierung im Warehouse
Historisierung übernimmt das Warehouse als Vault Satelliten, statt sie zu approximieren.
Kundengeschichte: Porta
Ausgezeichnet von BARC im Data Fabric Survey 26
Sprechen Sie mit unserem Experten
Zwanzig Minuten mit unserem Sales Director und eine ehrliche Antwort, ob das zu Ihrer Situation passt.
Matt Collett
Sales Director
Perfekt, wählen Sie einen passenden Termin:
Weitere Probleme in dieser Serie
-
Zeigen Ihre Power BI Reports unterschiedliche Zahlen für dasselbe?
Finance, Sales und Operations haben jeweils ihr eigenes semantisches Modell gebaut, und jedes ist in sich stimmig. Die Definitionen waren nirgends falsch. Sie wurden nirgends abgestimmt.
-
Wird Ihr Power BI DAX zu lang, um es noch zu pflegen?
Zweihundert Zeilen CALCULATE und FILTER sind kein Zeichen für fortgeschrittenes DAX. Meist sind sie ein Zeichen dafür, dass das Warehouse nie die Schlüssel, die Historie oder die Granularität geliefert hat.
-
Scheitert Ihr Power BI Refresh nachts immer wieder?
Der geplante Refresh läuft in einen Timeout, Power Query geht der Speicher aus, und Sie erfahren davon, wenn jemand das Dashboard öffnet. Die Ursache ist fast nie Power BI. Es ist das, was Power BI tun soll.