ചില്ലറ വിൽപ്പനയിലെ പട്ടിക, ശരിക്കും?

Excel-ൽ റിപ്പോർട്ട് ചെയ്യുന്നതിനുള്ള സമയം അതിവേഗം അപ്രത്യക്ഷമാകുന്നു - വിവരങ്ങൾ അവതരിപ്പിക്കുന്നതിനും വിശകലനം ചെയ്യുന്നതിനുമുള്ള സൗകര്യപ്രദമായ ഉപകരണങ്ങളിലേക്കുള്ള പ്രവണത എല്ലാ മേഖലകളിലും ദൃശ്യമാണ്. ഞങ്ങൾ വളരെക്കാലമായി റിപ്പോർട്ടിംഗിന്റെ ഡിജിറ്റലൈസേഷനെക്കുറിച്ച് ആന്തരികമായി ചർച്ച ചെയ്യുന്നു, കൂടാതെ ടേബിൾ വിഷ്വലൈസേഷനും സ്വയം സേവന അനലിറ്റിക്‌സ് സിസ്റ്റവും തിരഞ്ഞെടുത്തു. M.Video-Eldorado ഗ്രൂപ്പിന്റെ അനലിറ്റിക്കൽ സൊല്യൂഷൻസ് ആൻഡ് റിപ്പോർട്ടിംഗ് വിഭാഗം മേധാവി അലക്സാണ്ടർ ബെസുഗ്ലി ഒരു കോംബാറ്റ് ഡാഷ്ബോർഡ് നിർമ്മിക്കുന്നതിന്റെ അനുഭവത്തെയും ഫലങ്ങളെയും കുറിച്ച് സംസാരിച്ചു.

ആസൂത്രണം ചെയ്തതെല്ലാം തിരിച്ചറിഞ്ഞിട്ടില്ലെന്ന് ഞാൻ ഉടൻ പറയും, പക്ഷേ അനുഭവം രസകരമായിരുന്നു, ഇത് നിങ്ങൾക്കും ഉപയോഗപ്രദമാകുമെന്ന് ഞാൻ പ്രതീക്ഷിക്കുന്നു. അത് എങ്ങനെ മികച്ചതാക്കാം എന്നതിനെക്കുറിച്ച് ആർക്കെങ്കിലും എന്തെങ്കിലും ആശയങ്ങൾ ഉണ്ടെങ്കിൽ, നിങ്ങളുടെ ഉപദേശങ്ങൾക്കും ആശയങ്ങൾക്കും ഞാൻ വളരെ നന്ദിയുള്ളവനായിരിക്കും.

കട്ടിന് താഴെ ഞങ്ങൾ നേരിട്ടതും പഠിച്ചതുമായ കാര്യങ്ങളാണ്.

നമ്മൾ എവിടെയാണ് തുടങ്ങിയത്?

M.Video-Eldorado ഒരു നന്നായി വികസിപ്പിച്ച ഡാറ്റാ മോഡൽ ഉണ്ട്: ആവശ്യമായ സ്റ്റോറേജ് ഡെപ്ത് ഉള്ള ഘടനാപരമായ വിവരങ്ങളും ഒരു വലിയ എണ്ണം ഫിക്സഡ്-ഫോം റിപ്പോർട്ടുകളും (കൂടുതൽ വിശദാംശങ്ങൾ കാണുക ഇതാ ഈ ലേഖനം). ഇവയിൽ നിന്ന്, വിശകലന വിദഗ്ധർ ഒന്നുകിൽ പിവറ്റ് ടേബിളുകൾ അല്ലെങ്കിൽ Excel-ൽ ഫോർമാറ്റ് ചെയ്ത വാർത്താക്കുറിപ്പുകൾ അല്ലെങ്കിൽ അന്തിമ ഉപയോക്താക്കൾക്കായി മനോഹരമായ PowerPoint അവതരണങ്ങൾ നിർമ്മിക്കുന്നു.

ഏകദേശം രണ്ട് വർഷം മുമ്പ്, ഫിക്സഡ്-ഫോം റിപ്പോർട്ടുകൾക്ക് പകരം, ഞങ്ങൾ SAP അനാലിസിസിൽ അനലിറ്റിക്കൽ റിപ്പോർട്ടുകൾ സൃഷ്ടിക്കാൻ തുടങ്ങി (ഒരു Excel ആഡ്-ഓൺ, പ്രധാനമായും OLAP എഞ്ചിന് മുകളിലുള്ള ഒരു പിവറ്റ് പട്ടിക). എന്നാൽ ഈ ഉപകരണത്തിന് എല്ലാ ഉപയോക്താക്കളുടെയും ആവശ്യങ്ങൾ നിറവേറ്റാൻ കഴിഞ്ഞില്ല; ഭൂരിഭാഗം പേരും വിശകലന വിദഗ്ധർ അധികമായി പ്രോസസ്സ് ചെയ്ത വിവരങ്ങൾ ഉപയോഗിക്കുന്നത് തുടർന്നു.

ഞങ്ങളുടെ അന്തിമ ഉപയോക്താക്കൾ മൂന്ന് വിഭാഗങ്ങളായി തിരിച്ചിരിക്കുന്നു:

ഉന്നത നേതൃത്വം, ഉന്നത ഭരണസമിതി. നന്നായി അവതരിപ്പിച്ചതും വ്യക്തമായി മനസ്സിലാക്കാവുന്നതുമായ രീതിയിൽ വിവരങ്ങൾ അഭ്യർത്ഥിക്കുന്നു.

മിഡിൽ മാനേജ്മെന്റ്, വിപുലമായ ഉപയോക്താക്കൾ. ഡാറ്റാ പര്യവേക്ഷണത്തിൽ താൽപ്പര്യമുള്ളതിനാൽ ടൂളുകൾ ലഭ്യമാണെങ്കിൽ സ്വതന്ത്രമായി റിപ്പോർട്ടുകൾ നിർമ്മിക്കാൻ കഴിയും. SAP അനാലിസിസിലെ അനലിറ്റിക്കൽ റിപ്പോർട്ടുകളുടെ പ്രധാന ഉപയോക്താക്കളായി അവർ മാറി.

ബഹുജന ഉപയോക്താക്കൾ. ഡാറ്റ സ്വതന്ത്രമായി വിശകലനം ചെയ്യുന്നതിൽ അവർക്ക് താൽപ്പര്യമില്ല; അവർ പരിമിതമായ സ്വാതന്ത്ര്യത്തോടെ റിപ്പോർട്ടുകൾ ഉപയോഗിക്കുന്നു, വാർത്താക്കുറിപ്പുകളുടെയും Excel-ലെ പിവറ്റ് പട്ടികകളുടെയും ഫോർമാറ്റിൽ.

ഞങ്ങളുടെ ആശയം എല്ലാ ഉപയോക്താക്കളുടെയും ആവശ്യങ്ങൾ നിറവേറ്റുകയും അവർക്ക് സൗകര്യപ്രദമായ ഒരു ഉപകരണം നൽകുകയും ചെയ്യുക എന്നതായിരുന്നു. ഉന്നത മാനേജ്‌മെന്റിൽ നിന്ന് ആരംഭിക്കാൻ ഞങ്ങൾ തീരുമാനിച്ചു. പ്രധാന ബിസിനസ്സ് ഫലങ്ങൾ വിശകലനം ചെയ്യാൻ അവർക്ക് എളുപ്പത്തിൽ ഉപയോഗിക്കാവുന്ന ഡാഷ്ബോർഡുകൾ ആവശ്യമാണ്. അതിനാൽ, ഞങ്ങൾ ടേബിൾ ഉപയോഗിച്ച് ആരംഭിച്ച് ആദ്യം രണ്ട് ദിശകൾ തിരഞ്ഞെടുത്തു: റീട്ടെയിൽ, ഓൺലൈൻ വിൽപ്പന സൂചകങ്ങൾ, വിശകലനത്തിന്റെ പരിമിതമായ ആഴവും വീതിയും ഉള്ളതാണ്, ഇത് മികച്ച മാനേജ്‌മെന്റ് അഭ്യർത്ഥിച്ച ഡാറ്റയുടെ ഏകദേശം 80% ഉൾക്കൊള്ളുന്നു.

ഡാഷ്‌ബോർഡുകളുടെ ഉപയോക്താക്കൾ മികച്ച മാനേജുമെന്റ് ആയതിനാൽ, ഉൽപ്പന്നത്തിന്റെ മറ്റൊരു അധിക കെപിഐ പ്രത്യക്ഷപ്പെട്ടു - പ്രതികരണ വേഗത. ഡാറ്റ അപ്‌ഡേറ്റ് ചെയ്യാൻ ആരും 20-30 സെക്കൻഡ് കാത്തിരിക്കില്ല. നാവിഗേഷൻ 4-5 സെക്കൻഡിനുള്ളിൽ പൂർത്തിയാക്കിയിരിക്കണം, അല്ലെങ്കിൽ ഇതിലും മികച്ചത്, തൽക്ഷണം ചെയ്യണം. അയ്യോ, ഇത് നേടുന്നതിൽ ഞങ്ങൾ പരാജയപ്പെട്ടു.

ഞങ്ങളുടെ പ്രധാന ഡാഷ്‌ബോർഡിന്റെ ലേഔട്ട് ഇങ്ങനെയായിരുന്നു:

പ്രധാന കെപിഐ ഡ്രൈവറുകൾ ഇടത് വശത്ത് ആകെ 19 എണ്ണം ഉണ്ടായിരുന്ന കെപിഐ ഡ്രൈവറുകൾ സംയോജിപ്പിച്ച് വലതുവശത്തുള്ള പ്രധാന ആട്രിബ്യൂട്ടുകൾ ഉപയോഗിച്ച് അവയുടെ ചലനാത്മകതയും തകർച്ചയും അവതരിപ്പിക്കുക എന്നതാണ് പ്രധാന ആശയം. ചുമതല ലളിതമാണെന്ന് തോന്നുന്നു, നിങ്ങൾ വിശദാംശങ്ങളിലേക്ക് കടക്കുന്നതുവരെ ദൃശ്യവൽക്കരണം യുക്തിസഹവും മനസ്സിലാക്കാവുന്നതുമാണ്.

വിശദാംശം 1. ഡാറ്റ വോളിയം

വാർഷിക വിൽപ്പനയ്ക്കുള്ള ഞങ്ങളുടെ പ്രധാന പട്ടിക ഏകദേശം 300 ദശലക്ഷം വരികൾ എടുക്കുന്നു. കഴിഞ്ഞ വർഷത്തേയും അതിന് മുമ്പത്തെ വർഷത്തേയും ചലനാത്മകത പ്രതിഫലിപ്പിക്കേണ്ടത് അത്യാവശ്യമായതിനാൽ, യഥാർത്ഥ വിൽപ്പനയെക്കുറിച്ചുള്ള ഡാറ്റയുടെ അളവ് മാത്രം ഏകദേശം 1 ബില്യൺ ലൈനുകളാണ്. ആസൂത്രിത ഡാറ്റയുടെയും ഓൺലൈൻ വിൽപ്പന ബ്ലോക്കിന്റെയും വിവരങ്ങളും പ്രത്യേകം സംഭരിച്ചിരിക്കുന്നു. അതിനാൽ, ഞങ്ങൾ കോളം ഇൻ-മെമ്മറി DB SAP HANA ഉപയോഗിച്ചിട്ടുണ്ടെങ്കിലും, ഫ്ലൈയിലെ നിലവിലെ സ്റ്റോറേജിൽ നിന്ന് ഒരാഴ്‌ചത്തേക്കുള്ള എല്ലാ സൂചകങ്ങളും തിരഞ്ഞെടുത്ത് അന്വേഷണത്തിന്റെ വേഗത ഏകദേശം 15-20 സെക്കൻഡ് ആയിരുന്നു. ഈ പ്രശ്നത്തിനുള്ള പരിഹാരം സ്വയം നിർദ്ദേശിക്കുന്നു - ഡാറ്റയുടെ അധിക മെറ്റീരിയൽ. എന്നാൽ ഇതിന് അപകടങ്ങളും ഉണ്ട്, അവയെക്കുറിച്ച് കൂടുതൽ ചുവടെ.

വിശദാംശം 2. നോൺ-അഡിറ്റീവ് സൂചകങ്ങൾ

ഞങ്ങളുടെ പല കെപിഐകളും രസീതുകളുടെ എണ്ണവുമായി ബന്ധപ്പെട്ടിരിക്കുന്നു. ഈ സൂചകം വരികളുടെ എണ്ണത്തിന്റെ COUNT വ്യത്യാസത്തെ പ്രതിനിധീകരിക്കുന്നു (തലക്കെട്ടുകൾ പരിശോധിക്കുക) കൂടാതെ തിരഞ്ഞെടുത്ത ആട്രിബ്യൂട്ടുകൾ അനുസരിച്ച് വ്യത്യസ്ത തുകകൾ കാണിക്കുന്നു. ഉദാഹരണത്തിന്, ഈ സൂചകവും അതിന്റെ ഡെറിവേറ്റീവും എങ്ങനെ കണക്കാക്കണം:

നിങ്ങളുടെ കണക്കുകൂട്ടലുകൾ ശരിയാക്കാൻ, നിങ്ങൾക്ക് ഇവ ചെയ്യാനാകും:

• സ്റ്റോറേജിലെ ഈച്ചയിൽ അത്തരം സൂചകങ്ങൾ കണക്കുകൂട്ടുക;
• ടേബിളിലെ ഡാറ്റയുടെ മുഴുവൻ അളവിലും കണക്കുകൂട്ടലുകൾ നടത്തുക, അതായത്. പട്ടികയിലെ അഭ്യർത്ഥന പ്രകാരം, രസീത് സ്ഥാനത്തിന്റെ ഗ്രാനുലാരിറ്റിയിൽ തിരഞ്ഞെടുത്ത ഫിൽട്ടറുകൾ അനുസരിച്ച് എല്ലാ ഡാറ്റയും നൽകുക;
• വ്യത്യസ്ത നോൺ-അഡിറ്റീവ് ഫലങ്ങൾ നൽകുന്ന എല്ലാ സാമ്പിൾ ഓപ്ഷനുകളിലും എല്ലാ സൂചകങ്ങളും കണക്കാക്കുന്ന ഒരു മെറ്റീരിയലൈസ്ഡ് ഷോകേസ് സൃഷ്‌ടിക്കുക.

ഉദാഹരണത്തിൽ UTE1, UTE2 എന്നിവ ഉൽപ്പന്ന ശ്രേണിയെ പ്രതിനിധീകരിക്കുന്ന മെറ്റീരിയൽ ആട്രിബ്യൂട്ടുകളാണെന്ന് വ്യക്തമാണ്. ഇതൊരു സ്ഥിരമായ കാര്യമല്ല; കമ്പനിക്കുള്ളിലെ മാനേജ്മെന്റ് അതിലൂടെയാണ് നടക്കുന്നത്, കാരണം വ്യത്യസ്ത ഉൽപ്പന്ന ഗ്രൂപ്പുകൾക്ക് വ്യത്യസ്ത മാനേജർമാർ ഉത്തരവാദികളാണ്. എല്ലാ തലങ്ങളും മാറിയപ്പോൾ, ബന്ധങ്ങൾ പരിഷ്‌ക്കരിക്കുമ്പോൾ, ഒരു ഗ്രൂപ്പ് ഒരു നോഡിൽ നിന്ന് മറ്റൊന്നിലേക്ക് മാറുമ്പോൾ, നിരന്തരമായ പോയിന്റ് മാറുമ്പോൾ, ഈ ശ്രേണിയുടെ നിരവധി ആഗോള പുനരവലോകനങ്ങൾ ഞങ്ങൾക്ക് ഉണ്ടായിരുന്നു. പരമ്പരാഗത റിപ്പോർട്ടിംഗിൽ, ഇതെല്ലാം മെറ്റീരിയലിന്റെ ആട്രിബ്യൂട്ടുകളിൽ നിന്ന് ഫ്ലൈയിൽ കണക്കാക്കുന്നു; ഈ ഡാറ്റയുടെ മെറ്റീരിയൽവൽക്കരണത്തിന്റെ കാര്യത്തിൽ, അത്തരം മാറ്റങ്ങൾ ട്രാക്കുചെയ്യുന്നതിനും ചരിത്രപരമായ ഡാറ്റ യാന്ത്രികമായി റീലോഡ് ചെയ്യുന്നതിനുമുള്ള ഒരു സംവിധാനം വികസിപ്പിക്കേണ്ടത് ആവശ്യമാണ്. വളരെ നിസ്സാരമല്ലാത്ത ഒരു ദൗത്യം.

വിശദാംശങ്ങൾ 3. ഡാറ്റ താരതമ്യം

ഈ പോയിന്റ് മുമ്പത്തേതിന് സമാനമാണ്. ഒരു കമ്പനിയെ വിശകലനം ചെയ്യുമ്പോൾ, മുമ്പത്തെ കാലയളവുമായി താരതമ്യപ്പെടുത്തുന്നതിന് നിരവധി തലങ്ങൾ രൂപപ്പെടുത്തുന്നത് പതിവാണ് എന്നതാണ് ഏറ്റവും പ്രധാന കാര്യം:

മുമ്പത്തെ കാലയളവുമായി താരതമ്യം ചെയ്യുക (ദിവസം മുതൽ ദിവസം വരെ, ആഴ്ച മുതൽ ആഴ്ച വരെ, മാസം മുതൽ മാസം)

ഈ താരതമ്യത്തിൽ, ഉപയോക്താവ് തിരഞ്ഞെടുത്ത കാലയളവിനെ ആശ്രയിച്ച് (ഉദാഹരണത്തിന്, വർഷത്തിലെ 33-ാം ആഴ്ച), ഞങ്ങൾ 32-ാം ആഴ്ചയിൽ ചലനാത്മകത കാണിക്കണമെന്ന് അനുമാനിക്കപ്പെടുന്നു; ഞങ്ങൾ ഒരു മാസത്തേക്കുള്ള ഡാറ്റ തിരഞ്ഞെടുക്കുകയാണെങ്കിൽ, ഉദാഹരണത്തിന്, മെയ് , ഈ താരതമ്യം ഏപ്രിൽ മാസത്തോടെ ചലനാത്മകത കാണിക്കും.

കഴിഞ്ഞ വർഷത്തെ താരതമ്യം

ഇവിടെ പ്രധാന ന്യൂനൻസ്, ദിവസവും ആഴ്ചയും താരതമ്യം ചെയ്യുമ്പോൾ, കഴിഞ്ഞ വർഷത്തെ അതേ ദിവസം നിങ്ങൾ എടുക്കുന്നില്ല, അതായത്. നിങ്ങൾക്ക് നിലവിലെ വർഷം ഒന്ന് മൈനസ് ചെയ്യാൻ കഴിയില്ല. നിങ്ങൾ താരതമ്യം ചെയ്യുന്ന ആഴ്ചയിലെ ദിവസം നോക്കണം. മാസങ്ങൾ താരതമ്യം ചെയ്യുമ്പോൾ, നേരെമറിച്ച്, നിങ്ങൾ കഴിഞ്ഞ വർഷത്തെ അതേ കലണ്ടർ ദിവസം തന്നെ എടുക്കേണ്ടതുണ്ട്. അധിവർഷങ്ങൾക്കൊപ്പം സൂക്ഷ്മതകളും ഉണ്ട്. യഥാർത്ഥ റിപ്പോസിറ്ററികളിൽ, എല്ലാ വിവരങ്ങളും ദിവസം തോറും വിതരണം ചെയ്യപ്പെടുന്നു; ആഴ്‌ചകളോ മാസങ്ങളോ വർഷങ്ങളോ ഉള്ള പ്രത്യേക ഫീൽഡുകളൊന്നുമില്ല. അതിനാൽ, പാനലിൽ പൂർണ്ണമായ അനലിറ്റിക്കൽ ക്രോസ്-സെക്ഷൻ ലഭിക്കുന്നതിന്, നിങ്ങൾ ഒരു കാലയളവല്ല, ഉദാഹരണത്തിന് ഒരു ആഴ്ച, 4 ആഴ്ചകൾ കണക്കാക്കേണ്ടതുണ്ട്, തുടർന്ന് ഈ ഡാറ്റ താരതമ്യം ചെയ്യുക, ചലനാത്മകത, വ്യതിയാനങ്ങൾ എന്നിവ പ്രതിഫലിപ്പിക്കുക. അതനുസരിച്ച്, ഡൈനാമിക്സിൽ താരതമ്യങ്ങൾ സൃഷ്ടിക്കുന്നതിനുള്ള ഈ യുക്തി പട്ടികയിലോ സ്റ്റോറിന്റെ മുൻവശത്തോ നടപ്പിലാക്കാം. അതെ, തീർച്ചയായും ഡിസൈൻ ഘട്ടത്തിൽ ഈ വിശദാംശങ്ങളെക്കുറിച്ച് ഞങ്ങൾ അറിയുകയും ചിന്തിക്കുകയും ചെയ്തു, പക്ഷേ അവസാന ഡാഷ്‌ബോർഡിന്റെ പ്രകടനത്തിൽ അവയുടെ സ്വാധീനം പ്രവചിക്കാൻ പ്രയാസമായിരുന്നു.

ഡാഷ്‌ബോർഡ് നടപ്പിലാക്കുമ്പോൾ, ഞങ്ങൾ നീണ്ട അജൈൽ പാത പിന്തുടർന്നു. പരിശോധനയ്‌ക്ക് ആവശ്യമായ ഡാറ്റയുള്ള ഒരു വർക്കിംഗ് ടൂൾ എത്രയും വേഗം നൽകുക എന്നതായിരുന്നു ഞങ്ങളുടെ ചുമതല. അതിനാൽ, ഞങ്ങൾ സ്പ്രിന്റുകളിൽ പോയി നിലവിലെ സംഭരണത്തിന്റെ വശത്തുള്ള ജോലികൾ കുറയ്ക്കാൻ തുടങ്ങി.

ഭാഗം 1: ടേബിളിലുള്ള വിശ്വാസം

ഐടി പിന്തുണ ലളിതമാക്കുന്നതിനും മാറ്റങ്ങൾ വേഗത്തിൽ നടപ്പിലാക്കുന്നതിനും, അഡിറ്റീവ് അല്ലാത്ത സൂചകങ്ങൾ കണക്കാക്കുന്നതിനും ടേബിളിലെ മുൻ കാലയളവുകൾ താരതമ്യം ചെയ്യുന്നതിനുമുള്ള ലോജിക് ഉണ്ടാക്കാൻ ഞങ്ങൾ തീരുമാനിച്ചു.

ഘട്ടം 1. എല്ലാം തത്സമയമാണ്, വിൻഡോ പരിഷ്‌ക്കരണങ്ങളൊന്നുമില്ല.

ഈ ഘട്ടത്തിൽ, ഞങ്ങൾ ടേബിളിനെ നിലവിലെ സ്റ്റോറിന്റെ മുൻഭാഗങ്ങളുമായി ബന്ധിപ്പിച്ച് ഒരു വർഷത്തേക്കുള്ള രസീതുകളുടെ എണ്ണം എങ്ങനെ കണക്കാക്കുമെന്ന് കാണാൻ തീരുമാനിച്ചു.

ഫലം:

ഉത്തരം നിരാശാജനകമായിരുന്നു - 20 മിനിറ്റ്. നെറ്റ്‌വർക്കിലൂടെ ഡാറ്റ കൈമാറ്റം, ടേബിളിൽ ഉയർന്ന ലോഡ്. അഡിറ്റീവ് അല്ലാത്ത സൂചകങ്ങളുള്ള ലോജിക് HANA-യിൽ നടപ്പിലാക്കേണ്ടതുണ്ടെന്ന് ഞങ്ങൾ മനസ്സിലാക്കി. ഇത് ഞങ്ങളെ വളരെയധികം ഭയപ്പെടുത്തിയില്ല, BO, Analysis എന്നിവയിൽ ഞങ്ങൾക്ക് ഇതിനകം സമാനമായ അനുഭവം ഉണ്ടായിരുന്നു, കൂടാതെ ശരിയായി കണക്കാക്കിയ നോൺ-അഡിറ്റീവ് സൂചകങ്ങൾ നിർമ്മിക്കുന്ന HANA-യിൽ എങ്ങനെ ഫാസ്റ്റ് ഷോകേസുകൾ നിർമ്മിക്കാമെന്ന് ഞങ്ങൾക്ക് അറിയാമായിരുന്നു. ഇപ്പോൾ അവ ടേബിളിലേക്ക് ക്രമീകരിക്കുക മാത്രമാണ് അവശേഷിക്കുന്നത്.

ഘട്ടം 2. ഞങ്ങൾ ഡിസ്പ്ലേ കേസുകൾ ട്യൂൺ ചെയ്യുന്നു, മെറ്റീരിയലൈസേഷൻ ഇല്ല, പറക്കുന്ന എല്ലാം.

ഞങ്ങൾ ഒരു പ്രത്യേക പുതിയ ഷോകേസ് സൃഷ്ടിച്ചു, അത് ഫ്ലൈയിൽ TABLEAU-ന് ആവശ്യമായ ഡാറ്റ നിർമ്മിക്കുന്നു. പൊതുവേ, ഞങ്ങൾക്ക് ഒരു നല്ല ഫലം ലഭിച്ചു; ഒരാഴ്ചയ്ക്കുള്ളിൽ എല്ലാ സൂചകങ്ങളും സൃഷ്ടിക്കുന്നതിനുള്ള സമയം ഞങ്ങൾ 9-10 സെക്കൻഡായി കുറച്ചു. ടേബിളിൽ ഡാഷ്‌ബോർഡിന്റെ പ്രതികരണ സമയം ആദ്യ ഓപ്പണിംഗിൽ 20-30 സെക്കൻഡ് ആയിരിക്കുമെന്നും പിന്നീട് 10 മുതൽ 12 വരെയുള്ള കാഷെ കാരണം പൊതുവെ ഞങ്ങൾക്ക് അനുയോജ്യമാകുമെന്നും ഞങ്ങൾ സത്യസന്ധമായി പ്രതീക്ഷിച്ചു.

ഫലം:

ആദ്യം തുറന്ന ഡാഷ്ബോർഡ്: 4-5 മിനിറ്റ്
ഏത് ക്ലിക്കിലും: 3-4 മിനിറ്റ്
സ്റ്റോർ ഫ്രണ്ടിന്റെ പ്രവർത്തനത്തിൽ ഇത്രയും അധിക വർദ്ധനവ് ആരും പ്രതീക്ഷിച്ചിരുന്നില്ല.

ഭാഗം 2. ടേബിളിലേക്ക് ഡൈവ് ചെയ്യുക

ഘട്ടം 1. പട്ടികയുടെ പ്രകടന വിശകലനവും ദ്രുത ട്യൂണിംഗും

ടേബിൾ എവിടെയാണ് കൂടുതൽ സമയം ചെലവഴിക്കുന്നതെന്ന് ഞങ്ങൾ വിശകലനം ചെയ്യാൻ തുടങ്ങി. ഇതിനായി വളരെ നല്ല ഉപകരണങ്ങളുണ്ട്, ഇത് തീർച്ചയായും പട്ടികയുടെ ഒരു പ്ലസ് ആണ്. ഞങ്ങൾ തിരിച്ചറിഞ്ഞ പ്രധാന പ്രശ്നം ടേബിൾ നിർമ്മിക്കുന്ന വളരെ സങ്കീർണ്ണമായ SQL അന്വേഷണങ്ങളാണ്. അവ പ്രാഥമികമായി ബന്ധപ്പെട്ടിരിക്കുന്നു:

- ഡാറ്റ ട്രാൻസ്പോസിഷൻ. ഡാറ്റാസെറ്റുകൾ ട്രാൻസ്‌പോസ് ചെയ്യുന്നതിനുള്ള ടൂളുകൾ Tableau-ൽ ഇല്ല എന്നതിനാൽ, എല്ലാ KPI-കളുടെയും വിശദമായ പ്രാതിനിധ്യത്തോടെ ഡാഷ്‌ബോർഡിന്റെ ഇടതുവശം നിർമ്മിക്കുന്നതിന്, ഞങ്ങൾ ഒരു കേസ് ഉപയോഗിച്ച് ഒരു പട്ടിക സൃഷ്ടിക്കേണ്ടതുണ്ട്. ഡാറ്റാബേസിലെ SQL ചോദ്യങ്ങളുടെ വലുപ്പം 120 പ്രതീകങ്ങളിൽ എത്തി.

- സമയ കാലയളവിന്റെ തിരഞ്ഞെടുപ്പ്. ഡാറ്റാബേസ് തലത്തിലുള്ള അത്തരമൊരു ചോദ്യം എക്സിക്യൂട്ട് ചെയ്യുന്നതിനേക്കാൾ കംപൈൽ ചെയ്യാൻ കൂടുതൽ സമയമെടുത്തു:

ആ. അഭ്യർത്ഥന പ്രോസസ്സിംഗ് 12 സെക്കൻഡ് + 5 സെക്കൻഡ് എക്സിക്യൂഷൻ.

പട്ടികയുടെ വശത്ത് കണക്കുകൂട്ടൽ യുക്തി ലളിതമാക്കാനും കണക്കുകൂട്ടലുകളുടെ മറ്റൊരു ഭാഗം സ്റ്റോറിന്റെ മുൻവശത്തേക്കും ഡാറ്റാബേസ് തലത്തിലേക്കും നീക്കാനും ഞങ്ങൾ തീരുമാനിച്ചു. ഇത് നല്ല ഫലങ്ങൾ നൽകി.

ആദ്യം, വിക്കിയിൽ വിവരിച്ചിരിക്കുന്ന ഈ സമീപനം അനുസരിച്ച്, ഞങ്ങൾ ഈച്ചയിൽ ട്രാൻസ്‌പോസിഷൻ ചെയ്തു, VIEW കണക്കുകൂട്ടലിന്റെ അവസാന ഘട്ടത്തിൽ ഒരു പൂർണ്ണ ബാഹ്യ ജോയിനിലൂടെ ഞങ്ങൾ അത് ചെയ്തു. ട്രാൻസ്പോസ് - വിക്കിപീഡിയ, സ്വതന്ത്ര വിജ്ഞാനകോശം и എലിമെന്ററി മാട്രിക്സ് - വിക്കിപീഡിയ, സ്വതന്ത്ര വിജ്ഞാനകോശം.

അതായത്, ഞങ്ങൾ ഒരു ക്രമീകരണ പട്ടിക ഉണ്ടാക്കി - ഒരു ട്രാൻസ്‌പോസിഷൻ മാട്രിക്സ് (21x21) കൂടാതെ എല്ലാ സൂചകങ്ങളും ഒരു വരി-ബൈ-വരി ബ്രേക്ക്ഡൗണിൽ ലഭിച്ചു.

ആയിരുന്നു:


അത് മാറി:


ഡാറ്റാബേസ് ട്രാൻസ്‌പോസിഷനിൽ തന്നെ സമയം ചെലവഴിക്കുന്നില്ല. ആഴ്‌ചയിലെ എല്ലാ സൂചകങ്ങൾക്കുമുള്ള അഭ്യർത്ഥന ഏകദേശം 10 സെക്കൻഡിനുള്ളിൽ പ്രോസസ്സ് ചെയ്യുന്നത് തുടർന്നു. എന്നാൽ മറുവശത്ത്, ഒരു പ്രത്യേക സൂചകത്തെ അടിസ്ഥാനമാക്കി ഒരു ഡാഷ്ബോർഡ് നിർമ്മിക്കുന്നതിന്റെ കാര്യത്തിൽ വഴക്കം നഷ്ടപ്പെട്ടു, അതായത്. ഒരു നിർദ്ദിഷ്ട സൂചകത്തിന്റെ ചലനാത്മകതയും വിശദമായ തകർച്ചയും അവതരിപ്പിക്കുന്ന ഡാഷ്‌ബോർഡിന്റെ വലതുവശത്ത്, മുമ്പ് ഡിസ്പ്ലേ കേസ് 1-3 സെക്കൻഡിനുള്ളിൽ പ്രവർത്തിച്ചു, കാരണം അഭ്യർത്ഥന ഒരു സൂചകത്തെ അടിസ്ഥാനമാക്കിയുള്ളതാണ്, ഇപ്പോൾ ഡാറ്റാബേസ് എല്ലായ്പ്പോഴും എല്ലാ സൂചകങ്ങളും തിരഞ്ഞെടുത്ത് ഫലം ടേബിളിലേക്ക് തിരികെ നൽകുന്നതിന് മുമ്പ് ഫലം ഫിൽട്ടർ ചെയ്യുന്നു.

തൽഫലമായി, ഡാഷ്‌ബോർഡിന്റെ വേഗത ഏകദേശം 3 മടങ്ങ് കുറഞ്ഞു.

ഫലം:

1. 5 സെക്കൻഡ് - ഡാഷ്‌ബോർഡുകൾ പാഴ്‌സിംഗ്, ദൃശ്യവൽക്കരണം
2. 15-20 സെക്കൻഡ് - ടേബിളിൽ മുൻകൂട്ടി കണക്കുകൂട്ടലുകൾ നടത്തിക്കൊണ്ട് ചോദ്യങ്ങൾ കംപൈൽ ചെയ്യുന്നതിനുള്ള തയ്യാറെടുപ്പ്
3. 35-45 സെക്കന്റ് - SQL അന്വേഷണങ്ങളുടെ സമാഹാരവും ഹാനയിലെ അവയുടെ സമാന്തര-ക്രമത്തിലുള്ള നിർവ്വഹണവും
4. 5 സെക്കൻഡ് - ടേബിളിലെ വിഷ്വലൈസേഷനുകൾ പ്രോസസ്സ് ചെയ്യുക, അടുക്കുക, വീണ്ടും കണക്കാക്കുക
5. തീർച്ചയായും, അത്തരം ഫലങ്ങൾ ബിസിനസിന് അനുയോജ്യമല്ല, ഞങ്ങൾ ഒപ്റ്റിമൈസേഷൻ തുടർന്നു.

ഘട്ടം 2. പട്ടികയിലെ മിനിമം ലോജിക്, പൂർണ്ണമായ മെറ്റീരിയൽ

10 സെക്കൻഡ് പ്രവർത്തിക്കുന്ന ഒരു സ്റ്റോർ ഫ്രണ്ടിൽ നിരവധി സെക്കൻഡുകളുടെ പ്രതികരണ സമയമുള്ള ഒരു ഡാഷ്‌ബോർഡ് നിർമ്മിക്കുന്നത് അസാധ്യമാണെന്ന് ഞങ്ങൾ മനസ്സിലാക്കി, കൂടാതെ ആവശ്യമായ ഡാഷ്‌ബോർഡിനായി ഡാറ്റാബേസ് വശത്തുള്ള ഡാറ്റ മെറ്റീരിയലൈസ് ചെയ്യുന്നതിനുള്ള ഓപ്ഷനുകൾ ഞങ്ങൾ പരിഗണിച്ചു. എന്നാൽ മുകളിൽ വിവരിച്ച ഒരു ആഗോള പ്രശ്നം ഞങ്ങൾ നേരിട്ടു - അഡിറ്റീവ് അല്ലാത്ത സൂചകങ്ങൾ. ഫിൽട്ടറുകളോ ഡ്രിൽഡൗണുകളോ മാറ്റുമ്പോൾ, വ്യത്യസ്‌ത ഉൽപ്പന്ന ശ്രേണികൾക്കായി മുൻകൂട്ടി രൂപകൽപ്പന ചെയ്‌തിരിക്കുന്ന വ്യത്യസ്‌ത സ്‌റ്റോർഫ്രണ്ടുകൾക്കും ലെവലുകൾക്കുമിടയിൽ ടേബിള് അയവുള്ളതായി മാറുന്നുവെന്ന് ഞങ്ങൾക്ക് ഉറപ്പാക്കാനായില്ല (ഉദാഹരണത്തിൽ, UTE1 ഉം UTE2 ഉം ഉള്ള മൂന്ന് അന്വേഷണങ്ങൾ വ്യത്യസ്ത ഫലങ്ങൾ സൃഷ്‌ടിക്കുന്നു). അതിനാൽ, ഡാഷ്‌ബോർഡ് ലളിതമാക്കാനും ഡാഷ്‌ബോർഡിലെ ഉൽപ്പന്ന ശ്രേണി ഉപേക്ഷിച്ച് ലളിതമാക്കിയ പതിപ്പിൽ അത് എത്ര വേഗത്തിലാകുമെന്ന് നോക്കാനും ഞങ്ങൾ തീരുമാനിച്ചു.

അതിനാൽ, ഈ അവസാന ഘട്ടത്തിൽ, ഞങ്ങൾ ഒരു പ്രത്യേക ശേഖരം കൂട്ടിച്ചേർത്തു, അതിൽ എല്ലാ കെപിഐകളും ട്രാൻസ്പോസ്ഡ് രൂപത്തിൽ ചേർത്തു. ഡാറ്റാബേസ് വശത്ത്, അത്തരമൊരു സംഭരണത്തിലേക്കുള്ള ഏത് അഭ്യർത്ഥനയും 0,1 - 0,3 സെക്കൻഡിനുള്ളിൽ പ്രോസസ്സ് ചെയ്യും. ഡാഷ്‌ബോർഡിൽ ഞങ്ങൾക്ക് ഇനിപ്പറയുന്ന ഫലങ്ങൾ ലഭിച്ചു:

ആദ്യ തുറക്കൽ: 8-10 സെക്കൻഡ്
ഏത് ക്ലിക്കിലും: 6-7 സെക്കൻഡ്

ടേബിൾ ചെലവഴിച്ച സമയം ഇനിപ്പറയുന്നവ ഉൾക്കൊള്ളുന്നു:

1. 0,3 സെ. — ഡാഷ്ബോർഡ് പാഴ്സിംഗും SQL ചോദ്യങ്ങളുടെ സമാഹാരവും
2. 1,5-3 സെ. - പ്രധാന ദൃശ്യവൽക്കരണങ്ങൾക്കായി ഹനയിലെ SQL അന്വേഷണങ്ങളുടെ നിർവ്വഹണം (ഘട്ടം 1 ന് സമാന്തരമായി പ്രവർത്തിക്കുന്നു)
3. 1,5-2 സെ. - റെൻഡറിംഗ്, വിഷ്വലൈസേഷനുകളുടെ വീണ്ടും കണക്കുകൂട്ടൽ
4. 1,3സെക്കൻഡ് - പ്രസക്തമായ ഫിൽട്ടർ മൂല്യങ്ങൾ (ബ്രാൻഡ്, ഡിവിഷൻ, സിറ്റി, സ്റ്റോർ) നേടുന്നതിന് അധിക SQL അന്വേഷണങ്ങളുടെ നിർവ്വഹണം, ഫലങ്ങൾ പാഴ്‌സിംഗ്

ചുരുക്കത്തിൽ സംഗ്രഹിക്കാം

വിഷ്വലൈസേഷൻ വീക്ഷണകോണിൽ നിന്ന് ഞങ്ങൾ ടേബിൾ ടൂൾ ഇഷ്‌ടപ്പെട്ടു. പ്രോട്ടോടൈപ്പിംഗ് ഘട്ടത്തിൽ, ഞങ്ങൾ വിവിധ വിഷ്വലൈസേഷൻ ഘടകങ്ങൾ പരിഗണിക്കുകയും സങ്കീർണ്ണമായ മൾട്ടി-ലെവൽ സെഗ്മെന്റേഷൻ, മൾട്ടി-ഡ്രൈവർ വെള്ളച്ചാട്ടം എന്നിവയുൾപ്പെടെ അവയെല്ലാം ലൈബ്രറികളിൽ കണ്ടെത്തുകയും ചെയ്തു.

പ്രധാന വിൽപ്പന സൂചകങ്ങളുള്ള ഡാഷ്‌ബോർഡുകൾ നടപ്പിലാക്കുമ്പോൾ, ഞങ്ങൾക്ക് ഇതുവരെ മറികടക്കാൻ കഴിയാത്ത പ്രകടന ബുദ്ധിമുട്ടുകൾ നേരിട്ടു. ഞങ്ങൾക്ക് രണ്ട് മാസത്തിലധികം ചെലവഴിച്ചു, പ്രവർത്തനപരമായി അപൂർണ്ണമായ ഡാഷ്‌ബോർഡ് ഞങ്ങൾക്ക് ലഭിച്ചു, അതിന്റെ പ്രതികരണ വേഗത സ്വീകാര്യതയുടെ വക്കിലാണ്. ഞങ്ങൾ സ്വയം നിഗമനങ്ങളിൽ എത്തിച്ചേർന്നു:

1. വലിയ അളവിലുള്ള ഡാറ്റ ഉപയോഗിച്ച് ടേബിളിന് പ്രവർത്തിക്കാൻ കഴിയില്ല. യഥാർത്ഥ ഡാറ്റ മോഡലിൽ നിങ്ങൾക്ക് 10 GB-ൽ കൂടുതൽ ഡാറ്റ (ഏകദേശം 200 ദശലക്ഷം X 50 വരികൾ) ഉണ്ടെങ്കിൽ, ഡാഷ്‌ബോർഡ് ഗൗരവമായി മന്ദഗതിയിലാകും - ഓരോ ക്ലിക്കിനും 10 സെക്കൻഡ് മുതൽ നിരവധി മിനിറ്റ് വരെ. ഞങ്ങൾ ലൈവ്-കണക്‌റ്റിലും എക്‌സ്‌ട്രാക്റ്റിലും പരീക്ഷിച്ചു. പ്രവർത്തന വേഗത താരതമ്യപ്പെടുത്താവുന്നതാണ്.
2. ഒന്നിലധികം സ്റ്റോറേജുകൾ (ഡാറ്റാസെറ്റുകൾ) ഉപയോഗിക്കുമ്പോൾ പരിമിതി. സ്റ്റാൻഡേർഡ് മാർഗങ്ങൾ ഉപയോഗിച്ച് ഡാറ്റാസെറ്റുകൾ തമ്മിലുള്ള ബന്ധം സൂചിപ്പിക്കാൻ ഒരു മാർഗവുമില്ല. ഡാറ്റാസെറ്റുകൾ ബന്ധിപ്പിക്കുന്നതിന് നിങ്ങൾ പരിഹാരമാർഗങ്ങൾ ഉപയോഗിക്കുകയാണെങ്കിൽ, ഇത് പ്രകടനത്തെ വളരെയധികം ബാധിക്കും. ഞങ്ങളുടെ കാര്യത്തിൽ, ആവശ്യമായ ഓരോ വ്യൂ വിഭാഗത്തിലും ഡാറ്റ മെറ്റീരിയലൈസ് ചെയ്യുന്നതിനും മുമ്പ് തിരഞ്ഞെടുത്ത ഫിൽട്ടറുകൾ സംരക്ഷിക്കുമ്പോൾ ഈ മെറ്റീരിയലൈസ്ഡ് ഡാറ്റാസെറ്റുകളിൽ സ്വിച്ചുകൾ ഉണ്ടാക്കുന്നതിനുമുള്ള ഓപ്ഷൻ ഞങ്ങൾ പരിഗണിച്ചു - ഇത് ടേബിളിൽ ചെയ്യുന്നത് അസാധ്യമാണ്.
3. ടേബിളിൽ ഡൈനാമിക് പാരാമീറ്ററുകൾ നിർമ്മിക്കുന്നത് സാധ്യമല്ല. ഒരു എക്‌സ്‌ട്രാക്‌റ്റിലോ ലൈവ്-കണക്‌റ്റിനിടെയോ ഒരു ഡാറ്റാസെറ്റ് ഫിൽട്ടർ ചെയ്യാൻ ഉപയോഗിക്കുന്ന ഒരു പരാമീറ്റർ നിങ്ങൾക്ക് ഡാറ്റാസെറ്റിൽ നിന്നുള്ള മറ്റൊരു തിരഞ്ഞെടുപ്പിന്റെ ഫലമോ മറ്റൊരു SQL അന്വേഷണത്തിന്റെ ഫലമോ ഉപയോഗിച്ച് പൂരിപ്പിക്കാൻ കഴിയില്ല, നേറ്റീവ് യൂസർ ഇൻപുട്ട് അല്ലെങ്കിൽ സ്ഥിരാങ്കം മാത്രം.
4. OLAP|PivotTable ഘടകങ്ങൾ ഉപയോഗിച്ച് ഒരു ഡാഷ്‌ബോർഡ് നിർമ്മിക്കുന്നതുമായി ബന്ധപ്പെട്ട പരിമിതികൾ.
   MSTR, SAP SAC, SAP അനാലിസിസ് എന്നിവയിൽ, നിങ്ങൾ ഒരു റിപ്പോർട്ടിലേക്ക് ഒരു ഡാറ്റാസെറ്റ് ചേർക്കുകയാണെങ്കിൽ, അതിലെ എല്ലാ ഒബ്ജക്റ്റുകളും സ്ഥിരസ്ഥിതിയായി പരസ്പരം ബന്ധപ്പെട്ടിരിക്കുന്നു. പട്ടികയിൽ ഇത് ഇല്ല; കണക്ഷൻ സ്വമേധയാ കോൺഫിഗർ ചെയ്യണം. ഇത് ഒരുപക്ഷേ കൂടുതൽ വഴക്കമുള്ളതാണ്, പക്ഷേ ഞങ്ങളുടെ എല്ലാ ഡാഷ്‌ബോർഡുകൾക്കും ഇത് ഘടകങ്ങൾക്ക് നിർബന്ധിത ആവശ്യകതയാണ് - അതിനാൽ ഇത് അധിക തൊഴിൽ ചെലവാണ്. മാത്രമല്ല, നിങ്ങൾ അനുബന്ധ ഫിൽട്ടറുകൾ നിർമ്മിക്കുകയാണെങ്കിൽ, ഉദാഹരണത്തിന്, ഒരു പ്രദേശം ഫിൽട്ടർ ചെയ്യുമ്പോൾ, നഗരങ്ങളുടെ ലിസ്റ്റ് ഈ പ്രദേശത്തെ നഗരങ്ങളിൽ മാത്രം പരിമിതപ്പെടുത്തിയിരിക്കുന്നു, നിങ്ങൾ ഉടൻ തന്നെ ഡാറ്റാബേസിലേക്കോ എക്‌സ്‌ട്രാക്റ്റിലേക്കോ തുടർച്ചയായ അന്വേഷണങ്ങൾ അവസാനിപ്പിക്കുന്നു, ഇത് ഗണ്യമായി മന്ദഗതിയിലാക്കുന്നു. ഡാഷ്ബോർഡ്.
5. പ്രവർത്തനങ്ങളിലെ പരിമിതികൾ. ലൈവ്-കണക്റ്റയിൽ നിന്നുള്ള എക്‌സ്‌ട്രാക്‌റ്റിലോ പ്രത്യേകിച്ച് ഡാറ്റാസെറ്റിലോ വൻ പരിവർത്തനങ്ങൾ ചെയ്യാൻ കഴിയില്ല. ഇത് ടേബിൾ പ്രെപ്പിലൂടെ ചെയ്യാൻ കഴിയും, എന്നാൽ ഇത് അധിക ജോലിയും പഠിക്കാനും പരിപാലിക്കാനുമുള്ള മറ്റൊരു ഉപകരണമാണ്. ഉദാഹരണത്തിന്, നിങ്ങൾക്ക് ഡാറ്റ ട്രാൻസ്പോസ് ചെയ്യാനോ അതിൽ തന്നെ ചേരാനോ കഴിയില്ല. വ്യക്തിഗത കോളങ്ങളിലോ ഫീൽഡുകളിലോ രൂപാന്തരപ്പെടുത്തലിലൂടെ അടയ്‌ക്കപ്പെടുന്നവ, അത് കേസ് അല്ലെങ്കിൽ എപ്പോൾ വഴി തിരഞ്ഞെടുക്കണം, ഇത് വളരെ സങ്കീർണ്ണമായ SQL അന്വേഷണങ്ങൾ സൃഷ്ടിക്കുന്നു, അതിൽ ഡാറ്റാബേസ് അന്വേഷണ വാചകം കംപൈൽ ചെയ്യുന്നതിന് കൂടുതൽ സമയവും ചെലവഴിക്കുന്നു. ഉപകരണത്തിന്റെ ഈ അയവില്ലായ്മ ഷോകേസ് തലത്തിൽ പരിഹരിക്കേണ്ടതുണ്ട്, ഇത് കൂടുതൽ സങ്കീർണ്ണമായ സ്റ്റോറേജ്, അധിക ഡൗൺലോഡുകൾ, പരിവർത്തനങ്ങൾ എന്നിവയിലേക്ക് നയിക്കുന്നു.

ഞങ്ങൾ പട്ടിക ഉപേക്ഷിച്ചിട്ടില്ല. എന്നാൽ വ്യാവസായിക ഡാഷ്‌ബോർഡുകൾ നിർമ്മിക്കാൻ കഴിവുള്ള ഒരു ഉപകരണമായും കമ്പനിയുടെ മുഴുവൻ കോർപ്പറേറ്റ് റിപ്പോർട്ടിംഗ് സിസ്റ്റവും മാറ്റിസ്ഥാപിക്കുന്നതിനും ഡിജിറ്റലൈസ് ചെയ്യുന്നതിനുമുള്ള ഒരു ഉപകരണമായും ഞങ്ങൾ ടേബിളിനെ പരിഗണിക്കുന്നില്ല.

ഞങ്ങൾ ഇപ്പോൾ മറ്റൊരു ടൂളിൽ സമാനമായ ഒരു ഡാഷ്‌ബോർഡ് സജീവമായി വികസിപ്പിച്ചുകൊണ്ടിരിക്കുന്നു, അതേ സമയം, അത് കൂടുതൽ ലളിതമാക്കുന്നതിനായി ടാബ്‌ലോവിലെ ഡാഷ്‌ബോർഡ് ആർക്കിടെക്ചർ പരിഷ്‌ക്കരിക്കാൻ ശ്രമിക്കുന്നു. സമൂഹത്തിന് താൽപ്പര്യമുണ്ടെങ്കിൽ, ഫലങ്ങളെക്കുറിച്ച് ഞങ്ങൾ നിങ്ങളോട് പറയും.

ചില്ലറ വിൽപ്പനയിലേതിനേക്കാൾ കൂടുതൽ ഡാറ്റയുള്ള ഒരു വെബ്‌സൈറ്റ് ഞങ്ങളുടെ പക്കലുള്ളതിനാൽ, ടാബ്യൂവിൽ എങ്ങനെയാണ് ഇത്ര വലിയ അളവിലുള്ള ഡാറ്റയിൽ ദ്രുത ഡാഷ്‌ബോർഡുകൾ നിർമ്മിക്കാനാവുക എന്നതിനെക്കുറിച്ചുള്ള നിങ്ങളുടെ ആശയങ്ങൾക്കോ ​​ഉപദേശങ്ങൾക്കോ ​​വേണ്ടി ഞങ്ങൾ കാത്തിരിക്കുകയാണ്.

അവലംബം: www.habr.com