Meilleures pratiques pour obtenir les meilleures performances avec Dataflow Gen2

Cet article fournit les meilleures pratiques pour optimiser les performances de Dataflow Gen2 dans Fabric Data Factory. En suivant ces instructions, vous pouvez améliorer l’efficacité et la vitesse de vos processus d’intégration de données.

Ce que vous allez apprendre

Dans cet article, vous allez découvrir :

• Principaux domaines d’optimisation des performances : Comprendre les trois composants critiques (source de données, moteur de flux de données et destination de données) qui ont un impact sur les performances de votre dataflow
• Techniques d’optimisation principales : Comment tirer parti de la copie rapide, du pliage des requêtes et de la mise en lots pour optimiser l’efficacité
• Scénarios réels : défis courants en matière de performances et leurs solutions spécifiques
• Meilleures pratiques : conseils actionnables pour différents modèles d’intégration des données et cas d’usage

Quels sont les domaines clés à mettre en avant pour l’optimisation des performances ?

Dans l’expérience de bout en bout du flux de données, il existe plusieurs domaines clés pour se concentrer sur l’optimisation des performances. Ces zones incluent le déplacement des données, le moteur de flux de données et les transformations de données. Chacun de ces composants et les chemins d’accès entre eux jouent un rôle crucial dans les performances globales de votre dataflow, et l’optimisation de ces composants peut entraîner des améliorations significatives dans le temps d’exécution et l’utilisation des ressources.

Déplacement des données

Le déplacement des données est un aspect essentiel des performances du flux de données. Il implique le transfert de données entre différents composants, tels que les sources de données, les zones intermédiaires et les destinations finales. Un déplacement efficace des données peut réduire considérablement le temps d’exécution et la consommation des ressources. Dans Dataflow Gen2, le déplacement des données est optimisé par le biais de techniques telles que la copie rapide, ce qui permet un transfert de données à débit élevé sans la surcharge des transformations qui ne se plient pas au système source. En savoir plus sur la copie rapide.

Transformation des données

La transformation des données est le processus de conversion de données d’une structure vers une autre, impliquant souvent des opérations telles que le filtrage, l’agrégation et la jointure. Dans Dataflow Gen2, les transformations sont conçues pour être efficaces et appliquer les fonctionnalités de pliage des requêtes dans la mesure du possible. Le pliage des requêtes permet de pousser les transformations vers le système source, ce qui réduit la quantité de données transférées et traitées dans Dataflow Gen2. Cette réduction est particulièrement importante pour les jeux de données volumineux, car elle réduit la charge de travail sur le moteur de flux de données et accélère le temps d’exécution. Pour en savoir plus sur le pliage des requêtes, accédez au pliage des requêtes. Suivez également d’autres bonnes pratiques pour l’optimisation des requêtes, telles que le filtrage précoce et souvent, l’utilisation du paramétrage pour limiter les aperçus de données et éviter les transformations inutiles dans votre dataflow. Pour en savoir plus sur l’optimisation des requêtes, accédez à l’optimisation des requêtes.

Données de staging et informatique d'entrepôt de données

Les données intermédiaires sont une technique utilisée pour améliorer les performances en stockant temporairement des résultats intermédiaires dans une zone intermédiaire. Dataflow Gen2 est fourni avec un Lakehouse intermédiaire et un entrepôt intermédiaire, qui peuvent être utilisés pour effectuer des transformations plus efficacement. En utilisant des données intermédiaires, vous pouvez utiliser les ressources de calcul de ces zones intermédiaires pour décomposer les flux de données complexes en étapes gérables, ce qui réduit le temps de traitement global. Cette répartition est particulièrement utile pour les jeux de données volumineux ou les transformations complexes qui prennent autrement beaucoup de temps pour s’exécuter en une seule étape. Vous pouvez considérer les espaces de mise en scène comme une zone de stockage temporaire qui vous permet d'intégrer des transformations. Cette approche est particulièrement utile lors de l’utilisation de sources de données qui ne prennent pas en charge le pliage des requêtes ou lorsque les transformations sont trop complexes pour être envoyées au système source. Pour appliquer efficacement le staging, vous pouvez garder un œil sur les indicateurs de repli dans l’éditeur de flux de données pour vous assurer que vos transformations sont poussées vers la source. Si vous remarquez qu’une transformation n’est pas pliante, envisagez de fractionner la requête en deux requêtes et d’appliquer la transformation dans la deuxième requête. Activez la mise en scène sur la première requête pour effectuer la transformation dans l'environnement de calcul du Lakehouse ou du Warehouse. Cette approche vous permet de tirer parti des ressources de calcul disponibles dans les zones intermédiaires tout en vous assurant que votre flux de données reste efficace et réactif.

Lorsque vous avez des données déjà mises en scène dans Lakehouse ou Warehouse et que vous appliquez davantage de transformations qui s'intègrent complètement dans les requêtes suivantes, alors le flux de données écrira le résultat dans l'entrepôt de transit. Cela peut être plus rapide que l’écriture dans le lakehouse intermédiaire, car le jeu de données peut être écrit en parallèle par DW et subira moins de tronçons réseau avec leurs étapes de sérialisation correspondantes.

Scénarios et optimisations à prendre en compte

Lorsque vous utilisez Dataflow Gen2, il est essentiel de comprendre les différents scénarios que vous pouvez rencontrer et comment optimiser les performances dans chaque cas. Les considérations suivantes fournissent des conseils pratiques sur la façon d’appliquer les meilleures pratiques aux situations réelles. En personnalisant votre approche en fonction des caractéristiques spécifiques de vos données et transformations, vous pouvez obtenir des performances optimales dans vos flux de travail d’intégration de données. Voici quelques scénarios courants que vous pouvez rencontrer lors de l’utilisation de Dataflow Gen2, ainsi que des actions recommandées pour optimiser les performances. N’oubliez pas que l’optimisation des performances est un processus continu et très spécifique à votre scénario. Vous devrez peut-être ajuster votre approche en fonction des caractéristiques spécifiques de vos propres données et transformations.

Considérations 1 : Améliorer le déplacement des données avec la copie rapide

Dans ce scénario, vous remarquez que le déplacement des données entre votre source de données et la zone intermédiaire ou vers votre destination finale prend plus de temps que prévu. Plusieurs facteurs peuvent être impliqués, tels que la latence réseau, les tailles de jeux de données volumineuses ou les méthodes de transfert de données inefficaces.

Dans ce cas, envisagez d’évaluer le chemin de déplacement des données et de l’optimiser pour de meilleures performances. Une approche consiste à utiliser La copie rapide pour le transfert de données à débit élevé, ce qui peut réduire considérablement le runtime. La copie rapide est conçue pour gérer efficacement de grands volumes de données, ce qui réduit la surcharge associée aux méthodes de transfert de données traditionnelles. Toutefois, soyez prudent : si vous ajoutez des transformations dans la même requête qu’une opération de copie rapide, elle peut désactiver la copie rapide si les transformations ne se plient pas au système source. Dans ce cas, envisagez de séparer la requête en deux étapes : une pour l’opération de copie rapide et une autre pour les transformations à l’aide du calcul intermédiaire Lakehouse ou Warehouse. Cette approche vous permet de tirer parti de La copie rapide pour le déplacement des données à haut débit tout en effectuant les transformations nécessaires dans une étape distincte. En savoir plus sur la copie rapide.

Vous pouvez activer la copie rapide dans les paramètres de flux de données. Ce paramètre est activé par défaut, mais vous pouvez également exiger que la copie rapide soit utilisée pour une requête spécifique dans votre dataflow. Pour ce faire, sélectionnez l’option Exiger une copie rapide dans les paramètres de requête. Cette action garantit que la copie rapide est utilisée pour la requête sélectionnée et qu’elle ignore le seuil de taille minimal pour la copie rapide. Ce paramètre est particulièrement utile lorsque vous souhaitez vous assurer que la copie rapide est utilisée pour des requêtes spécifiques, quelles que soient la taille des données ou d’autres conditions. Si vous avez besoin d’une copie rapide, assurez-vous que la source de données est compatible avec La copie rapide et que les transformations de la requête peuvent être envoyées au système source. Si vous avez besoin d’une copie rapide sur une requête qui n’est pas compatible avec la copie rapide, le flux de données échoue. Si vous n’avez pas besoin d’une copie rapide, le flux de données s’exécute toujours, mais il peut revenir à la méthode de déplacement de données par défaut, ce qui peut ne pas être aussi efficace que Fast Copy. Cette flexibilité vous permet d’optimiser votre flux de données en fonction des exigences spécifiques de vos processus d’intégration de données.

Considérations 2 : Améliorer le temps d’exécution pour les transformations complexes à l’aide de la préproduction

Dans ce scénario, vous disposez d’un dataflow avec plusieurs transformations complexes, telles que les jointures, les agrégations et le filtrage. Le temps d’exécution est plus long que souhaité et vous souhaitez optimiser les performances de ces transformations.

Dans ce cas, envisagez de décomposer le flux de données en étapes plus petites et plus gérables. Au lieu d’effectuer toutes les transformations dans une requête unique, vous pouvez mettre en scène les données dans un lakehouse ou un entrepôt intermédiaire, puis appliquer les transformations dans les requêtes suivantes. Cette approche vous permet d’appliquer les ressources de calcul de la zone intermédiaire pour les transformations complexes, ce qui réduit le temps d’exécution global. En outre, assurez-vous que vos transformations sont conçues pour être pliées au système source, car cela peut améliorer considérablement les performances en réduisant la quantité de données transférées et traitées dans Dataflow Gen2. Si vous remarquez que certaines transformations ne se simplifient pas, envisagez de les fractionner en requêtes distinctes et de les appliquer après la préparation des données.

Dans l’image suivante, notez comment les indicateurs de repli dans l’éditeur de flux de données peuvent vous aider à identifier les transformations qui sont envoyées au système source.

Pour implémenter efficacement la mise en lots, vous pouvez fractionner le flux de données en deux requêtes. Pour ce faire, cliquez avec le bouton droit sur la première étape qui ne se plie pas au système source et sélectionnez l’option Extraire l’option précédente . Cette action crée une requête qui étape les données dans le calcul intermédiaire lakehouse ou Warehouse, ce qui vous permet d’effectuer la transformation dans une étape distincte. Cette approche vous permet de tirer parti des ressources de calcul disponibles dans les zones intermédiaires tout en garantissant que votre flux de données reste efficace et réactif.

Fournissez ensuite un nom pour la nouvelle requête, puis sélectionnez « OK ».

Maintenant que la nouvelle requête est créée, vous pouvez vérifier si le staging est activé pour la première requête. Si la préproduction n’est pas activée, vous pouvez l’activer en sélectionnant l’option Activer la préproduction dans les paramètres de requête. Cette action vous permet d’effectuer des transformations dans le calcul intermédiaire de Lakehouse ou Warehouse, en optimisant les performances de votre dataflow. La mise en scène de la deuxième requête est facultative, mais elle pourrait améliorer les performances en vous permettant d’effectuer des transformations supplémentaires dans la zone de mise en scène avant de rédiger la sortie finale dans la destination.

Si vous examinez maintenant les indicateurs de pliage dans l’éditeur de flux de données, les transformations de la première requête sont envoyées au système source. La deuxième requête peut ne pas refléter les mêmes indicateurs de repli, car elle est uniquement au cours de l’exécution au courant de la zone intermédiaire et des transformations qui peuvent être poussées vers la zone intermédiaire.

Pour en savoir plus sur la façon d’optimiser vos transformations de flux de données et de s’assurer qu’elles sont envoyées au système source, accédez au pliage des requêtes.

Considération 3 : Optimiser le déplacement des données de la zone de transit vers le Lakehouse pour une destination de type Lakehouse

Dans ce scénario, utilisez une destination Lakehouse pour votre dataflow et activez la mise en lots pour exécuter des transformations avant d’écrire la sortie finale. Assurez-vous que l’étape qui déplace les données intermédiaires vers Lakehouse n’ajoute pas de surcharge inutile au temps d’actualisation global.

Un Lakehouse est une destination entièrement prise en charge et très performante pour ce modèle. Le déplacement des données de l’entrepôt intermédiaire vers la destination Lakehouse est optimisé. Vous n’avez donc plus besoin de basculer votre destination vers un entrepôt pour obtenir de bonnes performances. L’approche recommandée est le modèle ELT : utilisez la copie rapide pour atterrir rapidement les données, exécutez vos transformations sur les données intermédiaires à l’aide du calcul intermédiaire Fabric et écrivez la sortie finale dans Lakehouse. Pour les jeux de données volumineux, la copie rapide reste la méthode recommandée pour déplacer efficacement les données.

Pour tirer le meilleur parti de cette approche aujourd’hui, séparez Fast Copy et le travail de transformation en deux requêtes : une requête qui effectue le déplacement des données via Fast Copy, et une deuxième requête qui applique les transformations aux données de transit avant de les écrire dans la destination Lakehouse. La combinaison d’une opération de copie rapide avec des transformations non pliantes dans la même requête désactive la copie rapide, de sorte que les conserver dans des requêtes distinctes est la principale chose à surveiller. Si vos transformations s’exécutent entièrement sur la source, vous pouvez également écrire directement dans le Lakehouse avec la préparation intermédiaire désactivée.

Lorsque vous préparez des données et écrivez vers une destination Lakehouse, activez l’option Copie optimisée vers Lakehouse (préversion) dans l’onglet Mise à l’échelle pour acheminer les données préparées vers le Lakehouse via le chemin de copie le plus rapide, ce qui réduit la surcharge liée au transfert entre la zone de transit et le Lakehouse. Pour plus d’informations, consultez les options de données intermédiaires pour Dataflow Gen2.

Considérations 4 : Aperçus de données volumineux au moment du design

Dans ce scénario, vous travaillez sur un dataflow avec des jeux de données volumineux et l’expérience au moment du design est lente en raison de la taille des aperçus de données. Ce processus peut compliquer la création et le test de votre flux de données efficacement.

Dans ce cas, envisagez d’utiliser la vue de schéma ou le paramétrage pour limiter la taille des aperçus de données. En appliquant des filtres basés sur des paramètres, tels qu’une plage de dates ou des ID spécifiques, vous pouvez réduire la quantité de données affichées dans l’environnement au moment du design. Cette approche permet de maintenir la réactivité et l’efficacité de l’environnement de conception, ce qui vous permet de vous concentrer sur la création et le test de votre flux de données sans être empêché par des aperçus de données volumineux. En outre, vous pouvez ajuster les paramètres pendant l’exécution pour récupérer le jeu de données complet si nécessaire.

Par exemple, si vous utilisez un jeu de données transactionnel volumineux, vous pouvez créer un paramètre qui filtre les données en fonction d’une plage de dates spécifique. De cette façon, au moment du design, vous voyez uniquement un sous-ensemble des données pertinentes pour votre travail actuel. Lorsque vous êtes prêt à exécuter le flux de données, vous pouvez ajuster le paramètre pour inclure le jeu de données complet, en veillant à ce que vos processus d’intégration de données restent efficaces et réactifs. L’exemple suivant montre comment configurer un paramètre dans Dataflow Gen2 :

1. Sélectionnez l’option Gérer les paramètres dans l’éditeur de flux de données.

2. Sélectionnez le bouton Ajouter un paramètre pour ajouter un nouveau paramètre.

   

3. Renseignez les détails du paramètre, tels que le nom, le type et la valeur. Par exemple, vous pouvez créer un paramètre nommé DesignDateFilter de type DateTime avec une valeur par défaut qui limite l’aperçu des données à une plage de dates spécifique.

   

4. Appliquez le paramètre dans vos requêtes de flux de données en l’utilisant dans les conditions de filtre. Par exemple, vous pouvez filtrer les données en fonction du paramètre DesignDateFilter pour limiter l’aperçu des données à une plage de dates spécifique. Dans ce cas, nous filtrons les données pour inclure uniquement les enregistrements dans lesquels la colonne « Date » est supérieure au paramètre DesignDateFilter .

   

5. Vous pouvez maintenant utiliser le paramètre DesignDateFilter dans vos requêtes de flux de données pour limiter l’aperçu des données au moment du design. Lorsque vous êtes prêt à exécuter le flux de données, vous pouvez ajuster la valeur du paramètre pour inclure le jeu de données complet, en vous assurant que vos processus d’intégration de données restent efficaces et réactifs.

   

Une autre option consiste à utiliser la vue de schéma, ce qui vous permet de voir la structure de vos données sans charger l’ensemble du jeu de données. Cette vue fournit une vue d’ensemble générale des types de données et des colonnes de votre jeu de données, ce qui vous permet de concevoir et de tester votre dataflow sans être affecté par des aperçus de données volumineux. Pour basculer vers la vue schéma, sélectionnez l’option Vue schéma dans l’éditeur de flux de données.

Considérations 5 : Caractéristiques du runtime Dataflow gen2 par rapport à Dataflow Gen1

Dans ce scénario, vous remarquez que les performances de Dataflow Gen2 sont plus lentes que celles de Dataflow Gen1, en particulier en termes de temps d’exécution et d’utilisation des ressources. Cette différence de performances peut être due à plusieurs facteurs, notamment les différences dans les techniques d’optimisation et les formats de sortie utilisés dans Dataflow Gen2.

Dataflow Gen2 émet des données au format Delta Parquet lorsque vous utilisez des destinations intermédiaires ou Lakehouse, qui diffèrent de la sortie CSV de Dataflow Gen1. Même si Delta Parquet peut entraîner des runtimes ETL plus longs par rapport à CSV, il permet de puissantes fonctionnalités en aval telles que Direct Lake, Lakehouses et Warehouses, ce qui permet à ces services de consommer efficacement des données sans traitement ou coût supplémentaire. Cette différence dans la méthode de stockage signifie que même si le temps d’exécution initial peut être plus long, les performances globales et l’efficacité des processus en aval peuvent être considérablement améliorées et peuvent entraîner de meilleures performances à long terme de vos flux de travail d’intégration de données. En savoir plus sur le format Delta Parquet.

Considérations 6 : Optimisation du temps d’actualisation pour les jeux de données transactionnels volumineux à l’aide de l’actualisation incrémentielle

Dans ce scénario, vous traitez d’un jeu de données transactionnel volumineux qui est fréquemment mis à jour et que vous souhaitez optimiser le temps d’actualisation de votre flux de données. Cette optimisation peut être difficile en raison du volume de données et de la nécessité de traiter uniquement les enregistrements nouveaux ou modifiés.

Dans ce cas, envisagez d’utiliser l’actualisation incrémentielle ou le modèle pour amasser de façon incrémentielle des données. L’actualisation incrémentielle vous permet de traiter uniquement les données nouvelles ou modifiées depuis la dernière actualisation, ce qui réduit la quantité de données traitées et accélère l’exécution globale. Cette approche est particulièrement utile pour les scénarios où les données sont fréquemment mises à jour, comme dans les systèmes transactionnels. En implémentant l’actualisation incrémentielle, vous pouvez optimiser les performances de votre dataflow et vous assurer que vos processus d’intégration de données restent efficaces et réactifs. En savoir plus sur l’actualisation incrémentielle ou en savoir plus sur le modèle de données d’amassage incrémentiel.

Remarque 7 : J’utilise une passerelle pour me connecter à ma source de données locale et je souhaite optimiser les performances de mon dataflow

Dans ce scénario, vous utilisez une passerelle pour vous connecter à votre source de données locale et vous souhaitez optimiser les performances de votre flux de données. Les passerelles peuvent introduire une latence et une surcharge supplémentaires, ce qui peut avoir un impact sur les performances globales de votre dataflow.

Dans ce cas, envisagez de fractionner votre dataflow en deux dataflows distincts : un pour le déplacement des données de la source de données locale vers une destination de données (par exemple, un Lakehouse ou Warehouse) et un autre pour les transformations et la sortie finale. Cette approche vous permet d’optimiser l’étape de déplacement des données en tirant parti de La copie rapide pour le transfert de données à débit élevé, tout en gardant l’étape de transformation axée sur le traitement des données efficacement et en réduisant le temps d’exécution global. En séparant les étapes de déplacement et de transformation des données, vous pouvez réduire l’impact de la latence de la passerelle et des limitations de capacité. La raison en est que la passerelle exécute l’intégralité du flux de données et, si le flux de données est complexe ou a de nombreuses transformations, il peut entraîner des performances plus lentes, car la passerelle traite toutes les transformations sur l’ordinateur hébergeant la passerelle. En fractionnant le flux de données, vous pouvez vous assurer que la passerelle est uniquement responsable de l’étape de déplacement des données, ce qui peut améliorer considérablement les performances et réduire le temps d’exécution.

Remarque 8 : J’utilise les connecteurs de flux de données pour consommer des données à partir du dataflow et souhaite optimiser mes processus d’intégration de données

Dans ce scénario, vous utilisez des connecteurs de flux de données pour consommer des données à partir de votre flux de données et vous souhaitez optimiser vos processus d’intégration de données. Les connecteurs de flux de données peuvent fournir un moyen pratique d’accéder aux données et de les consommer.

Dans ce cas, envisagez d’utiliser des destinations de données au lieu de connecteurs de flux de données pour consommer des données à partir de votre dataflow. Les destinations de données, telles que Lakehouses et Warehouses, sont conçues pour stocker et servir efficacement les données, ce qui vous permet d’appliquer leurs fonctionnalités pour la consommation en aval. L’un des principaux avantages de l’utilisation des destinations de données est qu’elles servent souvent des méthodes plus génériques de connexion aux données, telles que le point de terminaison SQL ou l’utilisation des fonctionnalités Direct Lake, ce qui peut améliorer considérablement les performances et réduire la consommation des ressources.

Considérations 9 : Activer l’évaluateur moderne pour améliorer les performances d’exécution des requêtes

Dans ce scénario, vous souhaitez améliorer les performances globales de votre dataflow, en particulier pour les transformations complexes ou lorsque vous utilisez des connecteurs qui ne prennent pas en charge le pliage des requêtes.

Dans ce cas, envisagez d’activer le moteur d’évaluation des requêtes moderne (évaluateur moderne) pour votre dataflow Gen2 avec CI/CD. L’évaluateur moderne est un nouveau moteur d’exécution de requête s’exécutant sur .NET Core 8 qui peut améliorer considérablement les performances des exécutions de flux de données. Il est recommandé d’activer toujours cette fonctionnalité pour les scénarios pris en charge, car elle offre plusieurs avantages clés :

• Exécution plus rapide du flux de données : le moteur moderne peut réduire considérablement le temps d’évaluation des requêtes. De nombreux flux de données s’exécutent sensiblement plus rapidement, ce qui vous permet d’actualiser les données plus fréquemment ou de répondre à des fenêtres d’actualisation serrées.
• Traitement plus efficace : le moteur est optimisé pour l’efficacité, à l’aide d’algorithmes améliorés et d’un runtime moderne. Cela signifie qu’il peut gérer des transformations complexes avec moins de surcharge, ce qui permet de maintenir les performances à mesure que votre volume de données augmente.
• Scalabilité et fiabilité : en accélérant l’exécution et en réduisant les goulots d’étranglement, l’évaluateur moderne aide les flux de données à évoluer vers des volumes plus volumineux avec une plus grande stabilité. Vous pouvez vous attendre à des durées d’actualisation plus cohérentes et à moins de problèmes de délai d’expiration sur les flux de données volumineux.

L’évaluateur moderne est particulièrement utile quand :

• Vous travaillez avec des connecteurs non pliables ou partiellement pliables
• Vous appliquez des filtres, des dérivations de colonne ou des opérations de nettoyage des données
• Vous traitez de grands volumes de données ou de transformations complexes
• Vos dataflows s’exécutent plusieurs fois par jour et vous devez accumuler des économies de temps

Pour activer l’évaluateur moderne :

1. Ouvrez votre dataflow dans l’éditeur Power Query.
2. Sélectionnez Options dans le menu.
3. Accédez à l’onglet Échelle .
4. Activez l’option du moteur d’évaluation de requête moderne .
5. Enregistrez et exécutez votre dataflow.

L’évaluateur moderne prend en charge une liste croissante de connecteurs. Pour obtenir la liste complète des connecteurs pris en charge et de l’état actuel des fonctionnalités, consultez Évaluateur moderne pour Dataflow Gen2 avec CI/CD. Si votre dataflow utilise des connecteurs non dans la liste prise en charge, ces requêtes continuent à s’exécuter avec le moteur standard.

Pour en savoir plus sur l’Évaluateur Moderne, consultez Évaluateur Moderne pour Dataflow Gen2 avec CI/CD.

Conclusion

En suivant ces bonnes pratiques et en tenant compte des caractéristiques spécifiques de vos données et transformations, vous pouvez optimiser les performances de Dataflow Gen2 dans Fabric Data Factory. Que vous travailliez avec des jeux de données volumineux, des transformations complexes ou des modèles d’intégration de données spécifiques, ces instructions fournissent des insights exploitables pour améliorer l’efficacité et la vitesse de vos processus d’intégration de données. N’oubliez pas que l’optimisation des performances est un processus continu et que vous devrez peut-être ajuster votre approche en fonction des besoins en constante évolution de vos flux de travail d’intégration de données. En surveillez et optimisez continuellement vos flux de données, vous pouvez vous assurer qu’ils restent efficaces et réactifs aux besoins de votre entreprise.