Tối ưu hóa hiệu suất, còn được gọi là điều chỉnh hiệu suất, liên quan đến việc thực hiện các thay đổi đối với trạng thái hiện tại của mô hình dữ liệu để nó chạy hiệu quả hơn.

Về cơ bản, khi mô hình dữ liệu của bạn được tối ưu hóa, nó sẽ hoạt động tốt hơn.Bạn có thể thấy rằng báo cáo của mình chạy tốt trong môi trường thử nghiệm và phát triển, nhưng khi được triển khai vào sản xuất để tiêu thụ rộng rãi hơn, các vấn đề về hiệu suất sẽ phát sinh. Từ quan điểm của người dùng báo cáo, hiệu suất kém được đặc trưng bởi các trang báo cáo mất nhiều thời gian hơn để tải và hình ảnh trực quan mất nhiều thời gian hơn để cập nhật. Hiệu suất kém này dẫn đến trải nghiệm người dùng tiêu cực.Là một nhà phân tích dữ liệu, bạn sẽ dành khoảng 90 phần trăm thời gian làm việc với dữ liệu của mình và chín lần trong số mười lần, hiệu suất kém là kết quả trực tiếp của mô hình dữ liệu không tốt, công thức phân tích dữ liệu (DAX) kém hoặc kết hợp cả hai. Quá trình thiết kế một mô hình dữ liệu cho hiệu suất có thể tẻ nhạt và nó thường bị đánh giá thấp. Tuy nhiên, nếu bạn giải quyết các vấn đề về hiệu suất trong quá trình phát triển, bạn sẽ có một mô hình dữ liệu Power BI mạnh mẽ sẽ trả lại hiệu suất báo cáo tốt hơn và trải nghiệm người dùng tích cực hơn. Cuối cùng, bạn cũng sẽ có thể duy trì hiệu suất được tối ưu hóa. Khi tổ chức của bạn phát triển, quy mô dữ liệu của tổ chức đó tăng lên và mô hình dữ liệu của nó trở nên phức tạp hơn. Bằng cách sớm tối ưu hóa mô hình dữ liệu, bạn có thể giảm thiểu tác động tiêu cực mà sự tăng trưởng này có thể có đối với hiệu suất của mô hình dữ liệu của bạn.

Mô hình dữ liệu có kích thước nhỏ hơn sử dụng ít tài nguyên hơn (bộ nhớ) và đạt được tốc độ làm mới dữ liệu, tính toán và hiển thị hình ảnh trong báo cáo nhanh hơn. Do đó, quá trình tối ưu hóa hiệu suất liên quan đến việc giảm thiểu kích thước của mô hình dữ liệu và sử dụng hiệu quả nhất dữ liệu trong mô hình, bao gồm:

        Đảm bảo rằng các kiểu dữ liệu chính xác được sử dụng.

        Xóa các cột và hàng không cần thiết.

·        Tránh các giá trị lặp lại.

·        Thay thế các cột số bằng các công thức.

·        Giảm số lượng.

·        Phân tích mô hình siêu dữ liệu.

·        Tổng hợp dữ liệu nếu có thể.