Datenaktualisierungsperformance

Die Datenaktualisierung in Oracle Fusion Data Intelligence ist ein komplexer Prozess. Es wird eine tägliche Variation der Aktualisierungsdauer erwartet.

Eine typische Datenaktualisierung umfasst die folgenden Prozesse:

Daten aus Oracle Fusion Cloud Applications oder anderen Quellen von Drittanbietern extrahieren
Umwandlung der Daten in das vordefinierte Schema, das für Analysen bereit ist.
Laden der Daten in Oracle Autonomous AI Lakehouse.
Gemeinsame Nutzung von Daten mit externen Zielen mit der Funktion "Datenfreigabe".

Faktoren, die sich auf die Datenaktualisierungsperformance auswirken

Die Zeit, die für die Aktualisierung der Daten und aller resultierenden Schlüsselmetriken und Dashboards erforderlich ist, hängt von mehreren Faktoren ab.

Diese umfassen:

Quellsystemverfügbarkeit – Wenn das Quellsystem nicht verfügbar ist, wird die Aktualisierung unterbrochen und gewartet. Das System sendet eine Benachrichtigung. Wenn das System feststellen kann, dass das Zugriffsproblem durch ungültige Zugangsdaten verursacht wurde, zeigen die Anforderungshistorie und die Warehouse-Aktualisierungsstatistiken an, ob die Aktualisierung aufgrund der Verfügbarkeit der Quelle in die Warteschlange gestellt wurde.
Ressourcenverfügbarkeit im Quellsystem: Wenn die Quellsystemressourcen von anderen Prozessen als dem Oracle Fusion Data Intelligence-Extraktionsprozess belegt werden, führt dies zu Verzögerungen bei den Oracle Fusion Data Intelligence-Datenaktualisierungen. Dies gilt insbesondere für Oracle Fusion Cloud Applications.
Größe und Komplexität der Quelldaten – Im Allgemeinen ist das während einer Aktualisierung verarbeitete Datenvolumen ein guter Indikator dafür, wie lange die Aktualisierung dauern wird, obwohl dies nicht immer der Fall ist. Die Warehouse-Aktualisierungsstatistik enthält die Anzahl der veröffentlichten Datensätze, die das Gesamtvolumen angeben können. Siehe Aktualisierungsstatistiken für Warehouse anzeigen.
Aktivierte Funktionsbereiche – Je mehr Funktionsbereiche, desto mehr Daten werden verarbeitet und damit länger aktualisiert.
Benutzerdefinierte SQL-Abfragen: Wenn benutzerdefinierte Abfragen auf Oracle Autonomous AI Lakehouse ausgeführt werden, können sie die von der Pipeline benötigten Ressourcen verbrauchen, was sich auf die allgemeine Aktualisierungsperformance auswirken kann.
Tabellensperren durch benutzerdefinierte Downstreamverarbeitung - Wenn Downstream-Prozesse Sperren für die Oracle Fusion Data Intelligence-Tabellen anfordern und diese zu lange halten, kann dies zu Verzögerungen bei der Datenaktualisierung führen, die von Oracle Fusion Data Intelligence ausgeführt werden.
Anpassungen an den Quellsystemobjekten: Wenn für die Anpassungen ein vollständiger Ladevorgang für diese Objekte erforderlich ist, dauert die Aktualisierung länger.
Quell- und Zielsystemwartung – Systemwartungsaktivitäten wie Patching können Pipelineprozesse unterbrechen oder verzögern, wodurch die gesamte Aktualisierungszeit verlängert werden kann.
Benutzerdefinierte Datenpipelines: Wenn in den Datenerweiterungsskripten für benutzerdefinierte Datenpipelines eine komplexe Transformationslogik verwendet wird, kann sich dies auf die gesamte Aktualisierungszeit auswirken.

Überlegungen zur Datenaktualisierungsperformance

Angesichts der Vielzahl von Faktoren, die sich auf die Datenaktualisierung auswirken, unterscheiden sich die Abschlusszeiten von Tag zu Tag.

Siehe Faktoren, die sich auf die Datenaktualisierungsperformance auswirken.

Die Pipeline-Performance ist eine gemeinsame Verantwortung. Daher bietet Oracle eine skalierbare Plattform, Konfigurationskontrollen und Nutzungsrichtlinien, während Sie Datenvolumen, Quellsystembereitschaft, Transformationsdesign (wenn benutzerdefinierte Datenpipelines verwendet werden), Planung und umgebungsspezifische Konfigurationen verwalten. Optimale Ergebnisse erfordern eine kontinuierliche Beteiligung der Benutzer an der Konfiguration, eine proaktive Überwachung verschiedener Faktoren, die sich auf Datenaktualisierungen auswirken, und die Einhaltung der von Oracle empfohlenen Praktiken und Tools.

Um die Aktualisierungsperformance optimal zu halten, gehen Sie wie folgt vor:

Aktivierte Funktionsbereiche - Aktivieren Sie nur die Funktionsbereiche, die für Ihre Analysegeschäftsanforderungen erforderlich sind. Beginnen Sie mit dem, was notwendig ist, und fügen Sie mehr hinzu, wenn neue Anforderungen entstehen, anstatt alles vorab zu ermöglichen. Siehe Datenpipeline für einen Funktionsbereich aktivieren. Entfernen Sie alle Funktionsbereiche, die für Ihre Analysen nicht kritisch sind. Siehe Datenpipeline für einen Funktionsbereich deaktivieren.
Module und Datentabellen bei häufiger Datenaktualisierung - Fügen Sie mit der Funktion "Häufige Datenaktualisierung" nur die Module hinzu, die für Ihre betrieblichen Geschäftsanforderungen innerhalb eines Tages erforderlich sind. Entfernen Sie alle Module, die für Ihre Analysen nicht wichtig sind. Siehe Häufige Datenaktualisierung V2 (Vorschau) konfigurieren und Überlegungen zur Performance bei häufigen Datenaktualisierungen.
Datum der Erstextraktion - Diese Einstellung steuert, welche Daten extrahiert, transformiert und im Warehouse gespeichert werden. Konfigurieren Sie sie sorgfältig basierend auf den tatsächlichen Geschäftsanforderungen. Anstelle eines absoluten ersten Extraktionsdatums sollten Sie ein relatives anfängliches Extraktionsdatum verwenden. Siehe Info zu Pipelineparametern. Dies ist besonders wirkungsvoll, wenn Sie die Funktion "Konfigurierbare Kontenanalyse" verwenden. Siehe Konfigurierbare Kontenanalyse.
Benutzerdefinierte Exporte - Wenn benutzerdefinierte Datenextraktionen im Quellsystem ausgeführt werden, können sie um Ressourcen konkurrieren und die Datenaktualisierung verzögern. Beispiel: Benutzerdefinierte Business Intelligence Cloud Connector-(BICC-)Extraktionen, die parallel zum Oracle Fusion Data Intelligence-Extraktionsprozess ausgeführt werden, können Oracle Fusion Data Intelligence-Aktualisierungen verlangsamen. Um Verzögerungen zu vermeiden, stellen Sie sicher, dass während der Oracle Fusion Data Intelligence-Datenaktualisierungsfenster keine anderen benutzerdefinierten Aktualisierungsjobs ausgeführt werden. Wenn eine bestimmte Aktualisierung länger als erwartet dauert, können Sie mit den Warehouse-Aktualisierungsstatistiken ermitteln, ob Verzögerungen aufgrund benutzerdefinierter Extrakte während der Datenaktualisierung auftreten. Siehe Aktualisierungsstatistiken für Warehouse anzeigen.
High-Service-Sessions auf Oracle Autonomous AI Lakehouse – Der Datenaktualisierungsprozess hängt von den verfügbaren Warehouse-Ressourcen ab. Wenn High-Service-Sessions ausgeführt werden, können sie Kapazität verbrauchen und die Veröffentlichung von Daten im Warehouse verzögern. Siehe Nutzungsrichtlinien für Autonomous AI Lakehouse, die mit Oracle Fusion Data Intelligence verknüpft sind. Wenn eine bestimmte Aktualisierung länger als erwartet dauert, bestimmen Sie anhand der Warehouse-Aktualisierungsstatistiken, ob während der Datenaktualisierung High-Sessions vorhanden waren. Siehe Aktualisierungsstatistiken für Warehouse anzeigen.
Benutzerdefinierte nachgelagerte ETL-Prozesse – Der Datenaktualisierungsprozess erfordert ununterbrochenen Zugriff auf die Tabellen im Data Warehouse. Alle benutzerdefinierten ETL-Prozesse, die auf diese Tabellen zugreifen und langlebige Sperren erwerben, sollten außerhalb des Oracle Fusion Data Intelligence-Aktualisierungsfensters geplant werden.
Priorisierte Aktualisierung: Wenn Sie bestimmte Daten auch bei der inkrementellen Aktualisierung zuerst aktualisieren möchten, können Sie diese Warehouse-Tabellen für eine priorisierte Aktualisierung auswählen. Verwenden Sie diese Option jedoch nur für eine begrenzte Gruppe von Tabellen, die vor anderen Datasets aktualisiert werden müssen. Siehe Datensets für inkrementelle Aktualisierung priorisieren (Vorschau).
Überschreibung des Funktionsbereichsplans - Prüfen Sie die Funktionsbereiche, die Sie aktiviert haben, und überlegen Sie, je nach Geschäftsanforderung eine Staffelung der Aktualisierungszeiten vorzunehmen. Dies kann die Verarbeitungslast durch tägliche inkrementelle Pipelineaktualisierungen reduzieren. Siehe Datenpipelinepläne für Funktionsbereiche überschreiben (Vorschau).
Quelle für Fusion-Erweiterungen - Wenn Ihre Datenerweiterungen hauptsächlich für nachgelagerte Integrationen verwendet werden, sollten Sie die Fusion-Erweiterungsquelle für Datasets verwenden. Mit dieser Option können Erweiterungsaktualisierungen parallel zu den täglichen inkrementellen Aktualisierungen für Funktionsbereiche in Oracle Fusion Cloud Applications ausgeführt werden. Dadurch wird die inkrementelle Aktualisierungsperformance für die Oracle Fusion Cloud Applications-Quelle verbessert. Außerdem wird eine andere Aktualisierungshäufigkeit für Datenerweiterungen mit der Fusion Augmentations-Quelle aktiviert. Planen Sie die Aktualisierungen basierend auf der Oracle Fusion Cloud Applications-Quelle und der Fusion Augmentations-Quelle gestaffelt, um Ressourcenkonflikte in Oracle Fusion Cloud Applications zu vermeiden. Siehe Datenerweiterungen mit Fusion Augmentations-Quelle ausführen.
Änderung der Phasenpriorität bei Anforderung aktualisieren - Bei einer geplanten inkrementellen Aktualisierung können Sie eine Serviceanfrage stellen, um bestimmte Module von der primären zur sekundären Phase zu verschieben. Siehe "Inkrementelle Datenaktualisierung planen". Auf diese Weise können Daten für höhere kritische Geschäftsanforderungen früher verfügbar gemacht werden.