Excelలో నివేదించే సమయం వేగంగా కనుమరుగవుతోంది - సమాచారాన్ని ప్రదర్శించడానికి మరియు విశ్లేషించడానికి అనుకూలమైన సాధనాల వైపు ధోరణి అన్ని ప్రాంతాలలో కనిపిస్తుంది. మేము చాలా కాలంగా రిపోర్టింగ్ యొక్క డిజిటలైజేషన్ గురించి అంతర్గతంగా చర్చిస్తున్నాము మరియు టేబుల్ విజువలైజేషన్ మరియు సెల్ఫ్-సర్వీస్ అనలిటిక్స్ సిస్టమ్‌ని ఎంచుకున్నాము. M.Video-Eldorado గ్రూప్ యొక్క విశ్లేషణాత్మక పరిష్కారాలు మరియు రిపోర్టింగ్ విభాగం అధిపతి అలెగ్జాండర్ బెజుగ్లీ, పోరాట డాష్‌బోర్డ్‌ను నిర్మించడంలో అనుభవం మరియు ఫలితాల గురించి మాట్లాడారు.
ప్రణాళిక చేయబడిన ప్రతిదీ గ్రహించబడలేదని నేను వెంటనే చెబుతాను, కానీ అనుభవం ఆసక్తికరంగా ఉంది, ఇది మీకు కూడా ఉపయోగకరంగా ఉంటుందని నేను ఆశిస్తున్నాను. మరియు అది ఎలా మెరుగ్గా చేయాలనే దానిపై ఎవరికైనా ఏదైనా ఆలోచనలు ఉంటే, మీ సలహాలు మరియు ఆలోచనలకు నేను చాలా కృతజ్ఞుడను.
కట్ క్రింద మనం ఎదుర్కొన్న దాని గురించి మరియు మనం నేర్చుకున్న వాటి గురించి ఉంటుంది.
మేము ఎక్కడ ప్రారంభించాము?
M.Video-Eldorado బాగా అభివృద్ధి చెందిన డేటా మోడల్‌ను కలిగి ఉంది: అవసరమైన నిల్వ లోతు మరియు భారీ సంఖ్యలో స్థిర-రూప నివేదికలతో నిర్మాణాత్మక సమాచారం (మరిన్ని వివరాలను చూడండి ) వీటి నుండి, విశ్లేషకులు ఎక్సెల్‌లో పివోట్ టేబుల్‌లు లేదా ఫార్మాట్ చేసిన వార్తాలేఖలు లేదా తుది వినియోగదారుల కోసం అందమైన పవర్‌పాయింట్ ప్రెజెంటేషన్‌లను తయారు చేస్తారు.
సుమారు రెండు సంవత్సరాల క్రితం, స్థిర-ఫారమ్ నివేదికలకు బదులుగా, మేము SAP విశ్లేషణలో విశ్లేషణాత్మక నివేదికలను రూపొందించడం ప్రారంభించాము (ఎక్సెల్ యాడ్-ఆన్, ముఖ్యంగా OLAP ఇంజిన్‌పై పివోట్ టేబుల్). కానీ ఈ సాధనం వినియోగదారులందరి అవసరాలను తీర్చలేకపోయింది; ఎక్కువ మంది విశ్లేషకులు అదనంగా ప్రాసెస్ చేసిన సమాచారాన్ని ఉపయోగించడం కొనసాగించారు.
మా తుది వినియోగదారులు మూడు వర్గాలలోకి వస్తారు:
ఉన్నతస్థాయి పాలకవర్గం. సమాచారాన్ని చక్కగా అందించి, స్పష్టంగా అర్థమయ్యే రీతిలో అభ్యర్థిస్తుంది.
మధ్యవర్తిత్వ నిర్వహణ, అధునాతన వినియోగదారులు. డేటా అన్వేషణపై ఆసక్తి మరియు సాధనాలు అందుబాటులో ఉంటే స్వతంత్రంగా నివేదికలను రూపొందించగలరు. వారు SAP విశ్లేషణలో విశ్లేషణాత్మక నివేదికల యొక్క ముఖ్య వినియోగదారులు అయ్యారు.
భారీ వినియోగదారులు. డేటాను స్వతంత్రంగా విశ్లేషించడంలో వారికి ఆసక్తి లేదు; వారు ఎక్సెల్‌లోని వార్తాలేఖలు మరియు పివోట్ టేబుల్‌ల ఆకృతిలో పరిమిత స్థాయి స్వేచ్ఛతో నివేదికలను ఉపయోగిస్తారు.
వినియోగదారులందరి అవసరాలను కవర్ చేసి వారికి ఒకే, అనుకూలమైన సాధనాన్ని అందించాలనేది మా ఆలోచన. మేము టాప్ మేనేజ్‌మెంట్‌తో ప్రారంభించాలని నిర్ణయించుకున్నాము. కీలక వ్యాపార ఫలితాలను విశ్లేషించడానికి వారికి సులభంగా ఉపయోగించగల డాష్‌బోర్డ్‌లు అవసరం. కాబట్టి, మేము Tableauతో ప్రారంభించాము మరియు మొదట రెండు దిశలను ఎంచుకున్నాము: రిటైల్ మరియు ఆన్‌లైన్ విక్రయ సూచికలు పరిమిత లోతు మరియు విశ్లేషణ యొక్క వెడల్పుతో, ఇది టాప్ మేనేజ్‌మెంట్ అభ్యర్థించిన డేటాలో సుమారు 80% కవర్ చేస్తుంది.
డ్యాష్‌బోర్డ్‌ల వినియోగదారులు అగ్ర నిర్వహణలో ఉన్నందున, ఉత్పత్తి యొక్క మరొక అదనపు KPI కనిపించింది - ప్రతిస్పందన వేగం. డేటా అప్‌డేట్ కావడానికి ఎవరూ 20-30 సెకన్లు వేచి ఉండరు. నావిగేషన్ 4-5 సెకన్లలోపు పూర్తి అయి ఉండాలి లేదా ఇంకా మెరుగ్గా తక్షణమే పూర్తి చేయాలి. మరియు మేము, అయ్యో, దీనిని సాధించడంలో విఫలమయ్యాము.
మా ప్రధాన డాష్బోర్డ్ లేఅవుట్ ఇలా ఉంది:
ప్రధాన KPI డ్రైవర్‌లను కలపడం ప్రధాన ఆలోచన, అందులో మొత్తం 19 ఎడమ వైపున ఉన్నాయి మరియు కుడి వైపున ఉన్న ప్రధాన లక్షణాల ద్వారా వాటి డైనమిక్స్ మరియు బ్రేక్‌డౌన్‌ను ప్రదర్శించడం. మీరు వివరాల్లోకి ప్రవేశించే వరకు పని సరళంగా అనిపిస్తుంది, విజువలైజేషన్ లాజికల్ మరియు అర్థమయ్యేలా ఉంటుంది.
వివరాలు 1. డేటా వాల్యూమ్
వార్షిక విక్రయాల కోసం మా ప్రధాన పట్టిక సుమారు 300 మిలియన్ వరుసలను తీసుకుంటుంది. గత సంవత్సరం మరియు అంతకు ముందు సంవత్సరం డైనమిక్‌లను ప్రతిబింబించడం అవసరం కాబట్టి, వాస్తవ విక్రయాలపై డేటా పరిమాణం 1 బిలియన్ లైన్‌లు మాత్రమే. ప్రణాళికాబద్ధమైన డేటా మరియు ఆన్‌లైన్ సేల్స్ బ్లాక్‌పై సమాచారం కూడా విడిగా నిల్వ చేయబడుతుంది. అందువల్ల, మేము మెమరీలో DB SAP HANA స్తంభాన్ని ఉపయోగించినప్పటికీ, ఫ్లైలో ప్రస్తుత నిల్వ నుండి ఒక వారం పాటు అన్ని సూచికల ఎంపికతో ప్రశ్న యొక్క వేగం దాదాపు 15-20 సెకన్లు. ఈ సమస్యకు పరిష్కారం స్వయంగా సూచిస్తుంది - డేటా యొక్క అదనపు మెటీరియలైజేషన్. కానీ దానిలో ఆపదలు కూడా ఉన్నాయి, వాటి గురించి మరింత దిగువన ఉన్నాయి.
వివరాలు 2. సంకలితం కాని సూచికలు
మా అనేక KPIలు రసీదుల సంఖ్యతో ముడిపడి ఉన్నాయి. మరియు ఈ సూచిక అడ్డు వరుసల సంఖ్య (హెడర్‌లను తనిఖీ చేయండి) యొక్క COUNT తేడాను సూచిస్తుంది మరియు ఎంచుకున్న లక్షణాలపై ఆధారపడి వివిధ మొత్తాలను చూపుతుంది. ఉదాహరణకు, ఈ సూచిక మరియు దాని ఉత్పన్నం ఎలా లెక్కించబడాలి:
మీ గణనలను సరిగ్గా చేయడానికి, మీరు వీటిని చేయవచ్చు:
- నిల్వలో ఫ్లైలో అటువంటి సూచికలను లెక్కించండి;
- టేబుల్‌లో డేటా మొత్తం వాల్యూమ్‌పై గణనలను నిర్వహించండి, అనగా. పట్టికలో అభ్యర్థనపై, రసీదు స్థానం యొక్క గ్రాన్యులారిటీలో ఎంచుకున్న ఫిల్టర్ల ప్రకారం మొత్తం డేటాను అందించండి;
- విభిన్న సంకలితం కాని ఫలితాలను అందించే అన్ని నమూనా ఎంపికలలో అన్ని సూచికలు లెక్కించబడే మెటీరియలైజ్డ్ షోకేస్‌ను సృష్టించండి.
ఉదాహరణలో UTE1 మరియు UTE2 ఉత్పత్తి శ్రేణిని సూచించే మెటీరియల్ లక్షణాలు అని స్పష్టంగా ఉంది. ఇది స్థిరమైన విషయం కాదు; కంపెనీలో నిర్వహణ దాని ద్వారా జరుగుతుంది, ఎందుకంటే వేర్వేరు ఉత్పత్తి సమూహాలకు వేర్వేరు నిర్వాహకులు బాధ్యత వహిస్తారు. అన్ని స్థాయిలు మారినప్పుడు, సంబంధాలు సవరించబడినప్పుడు మరియు ఒక సమూహం ఒక నోడ్ నుండి మరొక నోడ్‌కు మారినప్పుడు స్థిరమైన పాయింట్ మార్పులు చేసినప్పుడు, మేము ఈ సోపానక్రమం యొక్క అనేక ప్రపంచ పునర్విమర్శలను కలిగి ఉన్నాము. సాంప్రదాయిక రిపోర్టింగ్‌లో, ఇవన్నీ మెటీరియల్ యొక్క లక్షణాల నుండి ఫ్లైలో లెక్కించబడతాయి; ఈ డేటా యొక్క మెటీరియలైజేషన్ విషయంలో, అటువంటి మార్పులను ట్రాక్ చేయడానికి మరియు చారిత్రక డేటాను స్వయంచాలకంగా రీలోడ్ చేయడానికి ఒక యంత్రాంగాన్ని అభివృద్ధి చేయడం అవసరం. చాలా పనికిమాలిన పని.
వివరాలు 3. డేటా పోలిక
ఈ పాయింట్ మునుపటి మాదిరిగానే ఉంటుంది. బాటమ్ లైన్ ఏమిటంటే, కంపెనీని విశ్లేషించేటప్పుడు, మునుపటి కాలంతో అనేక స్థాయిల పోలికను రూపొందించడం ఆచారం:
మునుపటి కాలంతో పోలిక (రోజు నుండి రోజు, వారం నుండి వారం, నెల నుండి నెల)
ఈ పోలికలో, వినియోగదారు ఎంచుకున్న వ్యవధిని బట్టి (ఉదాహరణకు, సంవత్సరంలో 33వ వారం), మేము డైనమిక్స్‌ను 32వ వారంలోగా చూపాలి; మేము ఒక నెల డేటాను ఎంచుకుంటే, ఉదాహరణకు, మే , అప్పుడు ఈ పోలిక ఏప్రిల్ నాటికి డైనమిక్‌లను చూపుతుంది.
గత సంవత్సరంతో పోలిక
ఇక్కడ ప్రధాన స్వల్పభేదం ఏమిటంటే, రోజు మరియు వారం వారీగా పోల్చినప్పుడు, మీరు గత సంవత్సరం అదే రోజును తీసుకోరు, అనగా. మీరు ప్రస్తుత సంవత్సరాన్ని మైనస్ ఒకటిగా ఉంచలేరు. మీరు పోల్చిన వారంలోని రోజును తప్పక చూడాలి. నెలలను పోల్చినప్పుడు, దీనికి విరుద్ధంగా, మీరు గత సంవత్సరం అదే క్యాలెండర్ రోజును తీసుకోవాలి. లీపు సంవత్సరాలతో సూక్ష్మ నైపుణ్యాలు కూడా ఉన్నాయి. అసలు రిపోజిటరీలలో, మొత్తం సమాచారం రోజు వారీగా పంపిణీ చేయబడుతుంది; వారాలు, నెలలు లేదా సంవత్సరాలతో ప్రత్యేక ఫీల్డ్‌లు లేవు. అందువల్ల, ప్యానెల్‌లో పూర్తి విశ్లేషణాత్మక క్రాస్-సెక్షన్ పొందడానికి, మీరు ఒక వ్యవధిని కాదు, ఉదాహరణకు ఒక వారం, కానీ 4 వారాలు లెక్కించాలి, ఆపై ఈ డేటాను సరిపోల్చండి, డైనమిక్స్, విచలనాలను ప్రతిబింబిస్తాయి. దీని ప్రకారం, డైనమిక్స్‌లో పోలికలను రూపొందించడానికి ఈ లాజిక్ టేబుల్‌లో లేదా స్టోర్ ఫ్రంట్ వైపు కూడా అమలు చేయబడుతుంది. అవును, మరియు డిజైన్ దశలో ఈ వివరాల గురించి మాకు తెలుసు మరియు ఆలోచించాము, అయితే తుది డాష్బోర్డ్ పనితీరుపై వాటి ప్రభావాన్ని అంచనా వేయడం కష్టం.
డ్యాష్‌బోర్డ్‌ను అమలు చేస్తున్నప్పుడు, మేము సుదీర్ఘ చురుకైన మార్గాన్ని అనుసరించాము. సాధ్యమైనంత త్వరగా పరీక్ష కోసం అవసరమైన డేటాతో పని చేసే సాధనాన్ని అందించడం మా పని. అందువల్ల, మేము స్ప్రింట్‌లలోకి వెళ్లి ప్రస్తుత నిల్వ వైపు పనిని తగ్గించడం ప్రారంభించాము.
పార్ట్ 1: టేబుల్‌లో విశ్వాసం
IT మద్దతును సులభతరం చేయడానికి మరియు మార్పులను త్వరగా అమలు చేయడానికి, మేము సంకలితం లేని సూచికలను లెక్కించడానికి మరియు టేబుల్‌లో గత కాలాలను పోల్చడానికి లాజిక్‌ను రూపొందించాలని నిర్ణయించుకున్నాము.
దశ 1. అంతా లైవ్, విండో సవరణలు లేవు.
ఈ దశలో, మేము Tableauని ప్రస్తుత స్టోర్ ఫ్రంట్‌లకు కనెక్ట్ చేసాము మరియు ఒక సంవత్సరానికి రసీదుల సంఖ్యను ఎలా లెక్కించాలో చూడాలని నిర్ణయించుకున్నాము.
ఫలితంగా:
సమాధానం నిరుత్సాహంగా ఉంది - 20 నిమిషాలు. నెట్‌వర్క్ ద్వారా డేటా బదిలీ, టేబుల్‌లో అధిక లోడ్. HANAలో సంకలితం కాని సూచికలతో లాజిక్‌ని అమలు చేయాల్సిన అవసరం ఉందని మేము గ్రహించాము. ఇది మమ్మల్ని పెద్దగా భయపెట్టలేదు, మేము ఇప్పటికే BO మరియు విశ్లేషణలతో ఇలాంటి అనుభవాన్ని కలిగి ఉన్నాము మరియు సరిగ్గా లెక్కించిన నాన్-అడిటివ్ సూచికలను ఉత్పత్తి చేసే HANAలో ఫాస్ట్ షోకేస్‌లను ఎలా నిర్మించాలో మాకు తెలుసు. ఇప్పుడు వాటిని టేబులుకు సర్దుబాటు చేయడమే మిగిలింది.
స్టేజ్ 2. మేము డిస్ప్లే కేసులను ట్యూన్ చేస్తాము, మెటీరియలైజేషన్ లేదు, ఫ్లైలో ఉన్న ప్రతిదీ.
మేము ఫ్లైలో TABLEAU కోసం అవసరమైన డేటాను ఉత్పత్తి చేసే ప్రత్యేక కొత్త షోకేస్‌ని సృష్టించాము. సాధారణంగా, మేము మంచి ఫలితాన్ని పొందాము; మేము ఒక వారంలో అన్ని సూచికలను రూపొందించే సమయాన్ని 9-10 సెకన్లకు తగ్గించాము. మరియు మేము నిజాయితీగా టేబుల్‌లో డాష్బోర్డ్ ప్రతిస్పందన సమయం మొదటి ఓపెనింగ్‌లో 20-30 సెకన్లు ఉంటుందని మరియు 10 నుండి 12 వరకు ఉన్న కాష్ కారణంగా సాధారణంగా మాకు సరిపోతుందని మేము ఆశించాము.
ఫలితంగా:
మొదటి ఓపెన్ డాష్బోర్డ్: 4-5 నిమిషాలు
ఏదైనా క్లిక్: 3-4 నిమిషాలు
దుకాణం ముందరి పనిలో ఇంత అదనపు పెరుగుదల ఎవరూ ఊహించలేదు.
పార్ట్ 2. టేబుల్‌లో డైవ్ చేయండి
దశ 1. పట్టిక పనితీరు విశ్లేషణ మరియు శీఘ్ర ట్యూనింగ్
పట్టిక ఎక్కువ సమయం ఎక్కడ గడుపుతుందో మేము విశ్లేషించడం ప్రారంభించాము. మరియు దీని కోసం చాలా మంచి సాధనాలు ఉన్నాయి, ఇది టేబుల్ యొక్క ప్లస్. మేము గుర్తించిన ప్రధాన సమస్య Tableau నిర్మిస్తున్న చాలా క్లిష్టమైన SQL ప్రశ్నలు. వారు ప్రధానంగా దీనితో అనుబంధించబడ్డారు:
- డేటా బదిలీ. డేటాసెట్‌లను ట్రాన్స్పోజ్ చేయడానికి టేబుల్‌యూలో టూల్స్ లేనందున, అన్ని KPIల యొక్క వివరణాత్మక ప్రాతినిధ్యంతో డాష్బోర్డ్ యొక్క ఎడమ వైపున నిర్మించడానికి, మేము ఒక కేస్‌ని ఉపయోగించి పట్టికను సృష్టించాలి. డేటాబేస్‌లోని SQL ప్రశ్నల పరిమాణం 120 అక్షరాలకు చేరుకుంది.
- కాల వ్యవధి ఎంపిక. డేటాబేస్ స్థాయిలో ఇటువంటి ప్రశ్న అమలు చేయడం కంటే కంపైల్ చేయడానికి ఎక్కువ సమయం పట్టింది:
ఆ. అభ్యర్థన ప్రాసెసింగ్ 12 సెకన్లు + 5 సెకన్ల అమలు.
మేము టేబుల్‌యూ వైపు గణన లాజిక్‌ను సరళీకృతం చేయాలని నిర్ణయించుకున్నాము మరియు లెక్కల యొక్క మరొక భాగాన్ని స్టోర్ ఫ్రంట్ మరియు డేటాబేస్ స్థాయికి తరలించాము. దీంతో మంచి ఫలితాలు వచ్చాయి.
మొదట, మేము ఎగిరినప్పుడు ట్రాన్స్‌పోజిషన్ చేసాము, వికీలో వివరించిన ఈ విధానం ప్రకారం, వీక్షణ గణన యొక్క చివరి దశలో పూర్తి బాహ్య జాయిన్ ద్వారా చేసాము. и .
అంటే, మేము సెట్టింగు పట్టికను తయారు చేసాము - ట్రాన్స్‌పోజిషన్ మ్యాట్రిక్స్ (21x21) మరియు వరుసల వారీగా బ్రేక్‌డౌన్‌లో అన్ని సూచికలను అందుకున్నాము.
ఉంది:
ఇది మారింది:
డేటాబేస్ ట్రాన్స్‌పోజిషన్‌లోనే దాదాపు సమయం వెచ్చించబడదు. వారంలోని అన్ని సూచికల అభ్యర్థన దాదాపు 10 సెకన్లలో ప్రాసెస్ చేయబడటం కొనసాగింది. కానీ మరోవైపు, ఒక నిర్దిష్ట సూచిక ఆధారంగా డాష్‌బోర్డ్‌ను నిర్మించే విషయంలో వశ్యత కోల్పోయింది, అనగా. డ్యాష్‌బోర్డ్ యొక్క కుడి వైపున, ఒక నిర్దిష్ట సూచిక యొక్క డైనమిక్స్ మరియు వివరణాత్మక బ్రేక్‌డౌన్ ప్రదర్శించబడుతుంది, గతంలో ప్రదర్శన విండో 1-3 సెకన్లలో పనిచేసింది, ఎందుకంటే అభ్యర్థన ఒక సూచికపై ఆధారపడి ఉంటుంది మరియు ఇప్పుడు డేటాబేస్ ఎల్లప్పుడూ అన్ని సూచికలను ఎంచుకుంటుంది మరియు ఫలితాన్ని పట్టికకు తిరిగి ఇచ్చే ముందు ఫలితాన్ని ఫిల్టర్ చేస్తుంది.
ఫలితంగా, డాష్బోర్డ్ వేగం దాదాపు 3 రెట్లు తగ్గింది.
ఫలితంగా:
- 5 సెకన్లు - డాష్‌బోర్డ్‌లను అన్వయించడం, విజువలైజేషన్‌లు
- 15-20 సెకన్లు - టేబుల్‌లో ముందస్తు గణనలతో ప్రశ్నలను కంపైల్ చేయడానికి సిద్ధం
- 35-45 సెకను - హనాలో SQL ప్రశ్నల సంకలనం మరియు వాటి సమాంతర-సీక్వెన్షియల్ ఎగ్జిక్యూషన్
- 5 సెకన్లు - ఫలితాలను ప్రాసెస్ చేయడం, క్రమబద్ధీకరించడం, టేబుల్‌లో విజువలైజేషన్‌లను మళ్లీ లెక్కించడం
- వాస్తవానికి, అటువంటి ఫలితాలు వ్యాపారానికి సరిపోవు మరియు మేము ఆప్టిమైజేషన్‌ను కొనసాగించాము.
స్టేజ్ 2. పట్టికలో కనీస తర్కం, పూర్తి మెటీరియలైజేషన్
10 సెకన్ల పాటు నడిచే దుకాణం ముందరిపై అనేక సెకన్ల ప్రతిస్పందన సమయంతో డాష్‌బోర్డ్‌ను రూపొందించడం అసాధ్యమని మేము అర్థం చేసుకున్నాము మరియు అవసరమైన డాష్బోర్డ్ కోసం ప్రత్యేకంగా డేటాబేస్ వైపు డేటాను మెటీరియలైజ్ చేయడానికి మేము ఎంపికలను పరిగణించాము. కానీ మేము పైన వివరించిన ప్రపంచ సమస్యను ఎదుర్కొన్నాము - సంకలితం కాని సూచికలు. ఫిల్టర్‌లు లేదా డ్రిల్‌డౌన్‌లను మార్చేటప్పుడు, వివిధ ఉత్పత్తుల సోపానక్రమాల కోసం ముందుగా రూపొందించిన వివిధ స్టోర్‌ఫ్రంట్‌లు మరియు లెవెల్‌ల మధ్య టేబుల్ ఫ్లెక్సిబుల్‌గా మారిందని మేము నిర్ధారించుకోలేకపోయాము (ఉదాహరణలో, UTE లేకుండా మూడు ప్రశ్నలు, UTE1 మరియు UTE2తో విభిన్న ఫలితాలు వస్తాయి). అందువల్ల, మేము డ్యాష్‌బోర్డ్‌ను సరళీకృతం చేయాలని నిర్ణయించుకున్నాము, డ్యాష్‌బోర్డ్‌లోని ఉత్పత్తి సోపానక్రమాన్ని వదిలివేసి, సరళీకృత సంస్కరణలో ఇది ఎంత వేగంగా ఉంటుందో చూడండి.
కాబట్టి, ఈ చివరి దశలో, మేము ఒక ప్రత్యేక రిపోజిటరీని సమీకరించాము, దీనిలో మేము అన్ని KPIలను ట్రాన్స్‌పోజ్డ్ రూపంలో జోడించాము. డేటాబేస్ వైపు, అటువంటి నిల్వ కోసం ఏదైనా అభ్యర్థన 0,1 - 0,3 సెకన్లలో ప్రాసెస్ చేయబడుతుంది. డాష్‌బోర్డ్‌లో మేము ఈ క్రింది ఫలితాలను అందుకున్నాము:
మొదటి ఓపెనింగ్: 8-10 సెకన్లు
ఏదైనా క్లిక్: 6-7 సెకన్లు
పట్టిక గడిపిన సమయం వీటిని కలిగి ఉంటుంది:
- 0,3 సె. — డాష్బోర్డ్ పార్సింగ్ మరియు SQL ప్రశ్నల సంకలనం
- 1,5-3 సె. - ప్రధాన విజువలైజేషన్ల కోసం హనాలో SQL ప్రశ్నల అమలు (దశ 1తో సమాంతరంగా నడుస్తుంది)
- 1,5-2 సె. - రెండరింగ్, విజువలైజేషన్ల రీకాలిక్యులేషన్
- 1,3సె. - సంబంధిత ఫిల్టర్ విలువలను (బ్రాండ్, డివిజన్, సిటీ, స్టోర్) పొందేందుకు అదనపు SQL ప్రశ్నలను అమలు చేయడం, ఫలితాలను అన్వయించడం
క్లుప్తంగా చెప్పాలంటే
మేము విజువలైజేషన్ కోణం నుండి పట్టిక సాధనాన్ని ఇష్టపడ్డాము. ప్రోటోటైపింగ్ దశలో, మేము వివిధ విజువలైజేషన్ అంశాలను పరిగణించాము మరియు సంక్లిష్టమైన బహుళ-స్థాయి విభజన మరియు బహుళ-డ్రైవర్ జలపాతంతో సహా లైబ్రరీలలో వాటన్నింటినీ కనుగొన్నాము.
కీలక విక్రయ సూచికలతో డాష్‌బోర్డ్‌లను అమలు చేస్తున్నప్పుడు, మేము ఇంకా అధిగమించలేని పనితీరు సమస్యలను ఎదుర్కొన్నాము. మేము రెండు నెలల కంటే ఎక్కువ సమయం గడిపాము మరియు క్రియాత్మకంగా అసంపూర్ణమైన డాష్‌బోర్డ్‌ను అందుకున్నాము, ప్రతిస్పందన వేగం ఆమోదయోగ్యమైన అంచున ఉంది. మరియు మేము మన కోసం తీర్మానాలు చేసాము:
- పెద్ద మొత్తంలో డేటాతో టేబుల్ పని చేయదు. అసలు డేటా మోడల్‌లో మీరు 10 GB కంటే ఎక్కువ డేటా (సుమారు 200 మిలియన్ X 50 వరుసలు) కలిగి ఉంటే, అప్పుడు డాష్బోర్డ్ తీవ్రంగా నెమ్మదిస్తుంది - ప్రతి క్లిక్‌కి 10 సెకన్ల నుండి చాలా నిమిషాల వరకు. మేము లైవ్-కనెక్ట్ మరియు ఎక్స్‌ట్రాక్ట్ రెండింటితో ప్రయోగాలు చేసాము. ఆపరేటింగ్ వేగం పోల్చదగినది.
- బహుళ నిల్వలను (డేటాసెట్‌లు) ఉపయోగిస్తున్నప్పుడు పరిమితి. ప్రామాణిక మార్గాలను ఉపయోగించి డేటాసెట్‌ల మధ్య సంబంధాన్ని సూచించడానికి మార్గం లేదు. మీరు డేటాసెట్‌లను కనెక్ట్ చేయడానికి పరిష్కారాలను ఉపయోగిస్తే, ఇది పనితీరును బాగా ప్రభావితం చేస్తుంది. మా విషయంలో, మునుపు ఎంచుకున్న ఫిల్టర్‌లను భద్రపరిచేటప్పుడు అవసరమైన ప్రతి వీక్షణ విభాగంలో డేటాను మెటీరియలైజ్ చేయడం మరియు ఈ మెటీరియలైజ్డ్ డేటాసెట్‌లలో స్విచ్‌లు చేయడం వంటి ఎంపికను మేము పరిగణించాము - ఇది టేబుల్‌లో చేయడం అసాధ్యం అని తేలింది.
- పట్టికలో డైనమిక్ పారామితులను తయారు చేయడం సాధ్యం కాదు. మీరు డేటాసెట్‌ను ఒక ఎక్స్‌ట్రాక్ట్‌లో లేదా లైవ్-కనెక్ట్ సమయంలో ఫిల్టర్ చేయడానికి ఉపయోగించే పరామితిని డేటాసెట్ నుండి మరొక ఎంపిక లేదా మరొక SQL ప్రశ్న ఫలితంతో పూరించలేరు, స్థానిక వినియోగదారు ఇన్‌పుట్ లేదా స్థిరాంకం మాత్రమే.
- OLAP|పివోట్ టేబుల్ ఎలిమెంట్స్‌తో డాష్‌బోర్డ్‌ను రూపొందించడానికి సంబంధించిన పరిమితులు.
MSTR, SAP SAC, SAP విశ్లేషణలో, మీరు ఒక నివేదికకు డేటాసెట్‌ని జోడిస్తే, దానిలోని అన్ని వస్తువులు డిఫాల్ట్‌గా ఒకదానికొకటి సంబంధం కలిగి ఉంటాయి. పట్టికలో ఇది లేదు; కనెక్షన్ మానవీయంగా కాన్ఫిగర్ చేయబడాలి. ఇది బహుశా మరింత అనువైనది, కానీ మా అన్ని డాష్‌బోర్డ్‌లకు ఇది మూలకాల కోసం తప్పనిసరి అవసరం - కాబట్టి ఇది అదనపు లేబర్ ఖర్చులు. అంతేకాకుండా, మీరు సంబంధిత ఫిల్టర్‌లను తయారు చేస్తే, ఉదాహరణకు, ఒక ప్రాంతాన్ని ఫిల్టర్ చేసేటప్పుడు, నగరాల జాబితా ఈ ప్రాంతంలోని నగరాలకు మాత్రమే పరిమితం చేయబడుతుంది, మీరు వెంటనే డేటాబేస్ లేదా ఎక్స్‌ట్రాక్ట్‌కు వరుస ప్రశ్నలతో ముగుస్తుంది, ఇది గమనించదగ్గ విధంగా నెమ్మదిస్తుంది. డాష్బోర్డ్. - విధుల్లో పరిమితులు. లైవ్-కనెక్టా నుండి ఎక్స్‌ట్రాక్ట్‌లో లేదా ముఖ్యంగా డేటాసెట్‌లో మాస్ ట్రాన్స్‌ఫార్మేషన్‌లు చేయలేము. ఇది టేబుల్ ప్రిపరేషన్ ద్వారా చేయవచ్చు, కానీ ఇది అదనపు పని మరియు తెలుసుకోవడానికి మరియు నిర్వహించడానికి మరొక సాధనం. ఉదాహరణకు, మీరు డేటాను బదిలీ చేయలేరు లేదా దానితోనే చేరలేరు. వ్యక్తిగత నిలువు వరుసలు లేదా ఫీల్డ్‌లలో పరివర్తనల ద్వారా మూసివేయబడినది, ఇది కేస్ లేదా ఐఫ్ ద్వారా ఎంచుకోబడాలి మరియు ఇది చాలా క్లిష్టమైన SQL ప్రశ్నలను ఉత్పత్తి చేస్తుంది, దీనిలో డేటాబేస్ ప్రశ్న వచనాన్ని కంపైల్ చేయడానికి ఎక్కువ సమయాన్ని వెచ్చిస్తుంది. సాధనం యొక్క ఈ వశ్యత షోకేస్ స్థాయిలో పరిష్కరించబడాలి, ఇది మరింత సంక్లిష్టమైన నిల్వ, అదనపు డౌన్‌లోడ్‌లు మరియు రూపాంతరాలకు దారి తీస్తుంది.
మేము పట్టికను వదులుకోలేదు. కానీ మేము Tableauని పారిశ్రామిక డ్యాష్‌బోర్డ్‌లను నిర్మించగల సాధనంగా మరియు కంపెనీ మొత్తం కార్పొరేట్ రిపోర్టింగ్ సిస్టమ్‌ను భర్తీ చేయడానికి మరియు డిజిటలైజ్ చేయడానికి ఒక సాధనంగా పరిగణించము.
మేము ఇప్పుడు మరొక సాధనంలో సారూప్య డ్యాష్‌బోర్డ్‌ను చురుకుగా అభివృద్ధి చేస్తున్నాము మరియు అదే సమయంలో, దానిని మరింత సరళీకృతం చేయడానికి టేబుల్‌లో డాష్బోర్డ్ నిర్మాణాన్ని సవరించడానికి ప్రయత్నిస్తున్నాము. సంఘం ఆసక్తి కలిగి ఉంటే, ఫలితాల గురించి మేము మీకు తెలియజేస్తాము.
మేము రిటైల్ కంటే చాలా ఎక్కువ డేటా ఉన్న వెబ్‌సైట్‌ని కలిగి ఉన్నందున, Tabeauలో మీరు ఇంత పెద్ద మొత్తంలో డేటాపై శీఘ్ర డాష్‌బోర్డ్‌లను ఎలా రూపొందించవచ్చనే దానిపై మీ ఆలోచనలు లేదా సలహాల కోసం కూడా మేము ఎదురుచూస్తున్నాము.
మూలం: www.habr.com