Datamodellering i AI/BI-instrumentpaneler

Varje AI/BI-instrumentpanelsvisualisering läser från en eller flera datauppsättningar. Utöver datauppsättningar ger AI/BI-instrumentpaneler flera sätt att forma och återanvända dina data utan att duplicera logik mellan datauppsättningar. Varje alternativ passar olika behov, från enkla beräkningar per datauppsättning till semantiska modeller med flera fakta, så att du kan välja den som matchar din analys.

Du kan definiera modelleringslogik direkt på en instrumentpanel när den ännu inte hör hemma i det styrda Unity Catalog-lagret och sedan flytta upp den till Unity Catalog när den är redo för bredare användning. För mått som måste styras och delas mellan instrumentpaneler, Genie-agenter eller andra verktyg använder du måttvyer för Unity Catalog. Se Metriska vyer för Unity Catalog.

Datauppsättningar

Datauppsättningar är de frågor eller tabeller som tillhandahåller data till en instrumentpanel. Alla andra modelleringsalternativ bygger på en datauppsättning. Se Skapa och hantera instrumentpanelsdatauppsättningar.

SQL-datauppsättningar

En SQL-datauppsättning definieras av en fråga som du skriver mot alla datakällor. Anpassade beräkningar bygger på en SQL-datauppsättning och lägger till nya mått och fält (tidigare kallade dimensioner) som beräknats från den utan att ändra käll-SQL. De är användbara för engångsberäkningar ovanpå en enda SQL-datauppsättning, till exempel ett vinstmarginalmått eller ett kategoriserat fält. Se Lägga till en SQL-datauppsättning och Vad är anpassade beräkningar?.

Lokala mätvärdesvyer

Med lokala måttvyer kan du definiera fält, mått och koppla relationer på instrumentpanelen med hjälp av ett visuellt gränssnitt, samtidigt som du behåller den semantiska logiken i en enda instrumentpanel. De behåller fördelarna med semantiska objekt, till exempel korrekta aggregeringar oavsett gruppering, och du kan flytta upp dem till Unity Catalog när dina mått är redo för bredare användning. Se Lokala mätvyer.

Relationer på instrumentpanelen

Med instrumentpanelsrelationer kan du definiera en semantisk modell som sträcker sig över flera fakta- och dimensionstabeller genom att ange hur datauppsättningar relaterar till varandra. Frågemotorn löser kopplingar vid körning, så att du kan segmentera fält och mått över alla anslutna datamängder och skapa multifaktaanalyser med flera korn på en enda instrumentpanel. Relationer för instrumentpaneler finns i offentlig förhandsversion. Se relationer för instrumentpaneler.

Välj rätt metod

Modelleringsalternativen på kontrollpanelsnivå löser olika problem. Använd följande tabell för att bestämma vilken som passar din analys.

För semantisk logik som du planerar att återanvända över visualiseringar eller förfina över tid rekommenderar Databricks lokala måttvyer i stället för anpassade beräkningar på en SQL-datauppsättning. Lokala måttvyer definierar mått, fält och kopplingar en gång och kan höjas upp till Unity Catalog när logiken är redo för bredare användning. Reservera anpassade beräkningar för lätta mått som är begränsade till en enda SQL-datauppsättning.

Mer information om hur måttvyer och instrumentpanelsrelationer skiljer sig åt i detalj och när du ska välja mellan dem finns i Hur jämförs instrumentpanelsrelationer med måttvyer?.

Modellering på dashboardnivå jämfört med Unity Catalog

Lokala måttvyer och instrumentpanelsrelationer är begränsade till en enda instrumentpanel och skapar inte ett Unity Catalog-objekt. Använd modellering med instrumentpanelsomfång för prototypframtagning, instrumentpanelsspecifik analys eller när du vill iterera innan du flyttar logik till Unity Catalog.

Använd måttvyer i Unity Catalog när mått måste styras, frågas direkt med SQL från valfri SQL-klient och kan återanvändas på instrumentpaneler, Genie-agenter och andra verktyg. När en lokal måttvy är redo för bredare användning kan du flytta upp den till Unity Catalog för global användning. Se Export till en metrikvy i Unity Catalog och Metrikvyer i Unity Catalog.

Om du vill göra en publicerad instrumentpanel snabbare genom att beräkna och lagra resultaten för datauppsättningar i förväg använder du materialisering av datauppsättningar. Se materialisering av dataset i AI/BI-dashboards.

I detta avsnitt