A propos des performances d'actualisation des données

L'actualisation des données dans Oracle Fusion Data Intelligence est un processus complexe. Une variation quotidienne de la durée d'actualisation est attendue.

Une actualisation standard des données inclut les processus suivants :

Extraction de données à partir des applications Oracle Fusion Cloud ou d'autres sources tierces.
Transformer les données en schéma prédéfini prêt pour l'analyse.
Chargement des données dans Oracle Autonomous AI Lakehouse.
Partage de données avec des cibles externes avec la fonctionnalité Partage de données.

Facteurs affectant les performances d'actualisation des données

Le temps nécessaire à l'actualisation des données et à l'ensemble des mesures clés et des tableaux de bord qui en résultent dépend de plusieurs facteurs.

Il s'agit des suivantes :

Disponibilité du système source : si le système source n'est pas disponible, l'actualisation s'interrompt et attend. Le système envoie une notification. Si le système peut déterminer que le problème d'accès a été causé par des identifiants non valides, l'historique des demandes et les statistiques d'actualisation de l'entrepôt indiquent si l'actualisation a été mise en file d'attente en raison de la disponibilité de la source.
Disponibilité des ressources sur le système source : si les ressources du système source sont utilisées par des processus autres que le processus d'extraction Oracle Fusion Data Intelligence, cela entraînera des retards dans l'actualisation des données Oracle Fusion Data Intelligence. Cela est particulièrement vrai pour Oracle Fusion Cloud Applications.
Taille et complexité des données source – En général, le volume de données traitées lors d'une actualisation est un bon indicateur de la durée de l'actualisation, bien que ce ne soit pas toujours le cas. Les statistiques d'actualisation de l'entrepôt incluent le nombre d'enregistrements publiés qui peuvent indiquer le volume global. Reportez-vous à Affichage des statistiques d'actualisation de l'entrepôt.
Domaines fonctionnels activés – En général, plus les domaines fonctionnels sont nombreux, plus les données doivent être traitées et donc actualisées plus longtemps.
Requêtes SQL personnalisées : si des requêtes personnalisées sont exécutées sur Oracle Autonomous AI Lakehouse, elles peuvent utiliser les ressources nécessaires au pipeline, ce qui peut avoir un impact sur les performances globales d'actualisation.
Verrous de table par traitement en aval personnalisé - Si des processus en aval obtiennent des verrous sur les tables Oracle Fusion Data Intelligence et les contiennent trop longtemps, cela peut entraîner des retards dans l'actualisation des données effectuée par Oracle Fusion Data Intelligence.
Personnalisations effectuées sur les objets du système source : si les personnalisations nécessitent un chargement complet pour ces objets, l'actualisation prend plus de temps.
Maintenance du système source et cible : les activités de maintenance du système telles que l'application de patches peuvent mettre en pause ou retarder les processus du pipeline, ce qui peut prolonger la durée d'actualisation globale.
Pipelines de données personnalisés : si une logique de transformation complexe est utilisée dans les scripts d'augmentation de données pour les pipelines de données personnalisés, cela peut affecter la durée d'actualisation globale.

Remarques concernant les performances d'actualisation des données

Compte tenu de la variété des facteurs qui influencent l'actualisation des données, les temps de réalisation diffèrent d'un jour à l'autre.

Reportez-vous à Facteurs affectant les performances d'actualisation des données.

Les performances de pipeline sont une responsabilité partagée. Par conséquent, Oracle fournit une plate-forme évolutive, des contrôles de configuration et des conseils d'utilisation, tout en gérant les volumes de données, la préparation du système source, la conception de transformation (si des pipelines de données personnalisés sont utilisés), la planification et les configurations propres à l'environnement. Les résultats optimaux nécessitent une implication continue des utilisateurs dans la configuration, une surveillance proactive des différents facteurs affectant l'actualisation des données et le respect des pratiques et outils recommandés par Oracle.

Pour optimiser les performances d'actualisation, tenez compte des actions suivantes :

Domaines fonctionnels activés : activez uniquement les domaines fonctionnels requis pour vos besoins métier d'analyse. Commencez par ce qui est nécessaire et ajoutez-en davantage à mesure que de nouvelles exigences surviennent, plutôt que de tout activer à l'avance. Reportez-vous à Activation d'un pipeline de données de domaine fonctionnel. Supprimez tous les domaines fonctionnels non critiques pour vos analyses. Reportez-vous à Désactivation d'un pipeline de donnée de domaine fonctionnel.
Modules et tables de données lors de l'actualisation fréquente des données – Ajoutez uniquement les modules requis pour vos besoins métier d'analyse opérationnelle intrajournalière à l'aide de la fonctionnalité d'actualisation fréquente des données. Supprimez tous les modules non critiques pour vos analyses. Reportez-vous à Configuration de l'actualisation fréquente des données V2 (aperçu) et à Remarques concernant les performances pour l'actualisation fréquente des données.
Date d'extraction initiale – Ce paramètre contrôle les données extraites, transformées et stockées dans l'entrepôt. Configurez-le soigneusement en fonction des besoins réels de l'entreprise. Au lieu d'une date d'extraction initiale absolue, envisagez d'utiliser une date d'extraction initiale relative. Reportez-vous à A propos des paramètres de pipeline. Cela est particulièrement important si vous utilisez la fonctionnalité d'analyse des comptes configurable. Reportez-vous à Analyse des comptes configurable.
Extractions personnalisées – Si des extractions de données personnalisées sont en cours d'exécution sur le système source, elles peuvent rivaliser pour trouver des ressources et retarder l'actualisation des données. Par exemple, les extractions personnalisées de Business Intelligence Cloud Connector (BICC) exécutées en parallèle avec le processus d'extraction Oracle Fusion Data Intelligence peuvent ralentir les actualisations Oracle Fusion Data Intelligence. Pour éviter les retards, assurez-vous qu'aucun autre travail d'actualisation personnalisé n'est en cours d'exécution pendant les fenêtres d'actualisation des données Oracle Fusion Data Intelligence. Lorsqu'une actualisation donnée prend plus de temps que prévu, utilisez les statistiques d'actualisation de l'entrepôt pour déterminer si des retards sont dus aux extractions personnalisées lors de l'actualisation des données. Reportez-vous à Affichage des statistiques d'actualisation de l'entrepôt.
Sessions de service élevées sur Oracle Autonomous AI Lakehouse – Le processus d'actualisation des données dépend des ressources d'entrepôt disponibles. Si des sessions de service de haut niveau sont en cours d'exécution, elles peuvent consommer de la capacité et retarder la publication des données dans l'entrepôt. Reportez-vous à Directives d'utilisation pour Autonomous AI Lakehouse associé à Oracle Fusion Data Intelligence. Lorsqu'une actualisation donnée prend plus de temps que prévu, utilisez les statistiques d'actualisation de l'entrepôt pour déterminer s'il y a eu des sessions élevées lors de l'actualisation des données. Reportez-vous à Affichage des statistiques d'actualisation de l'entrepôt.
Processus ETL personnalisés en aval – Le processus d'actualisation des données nécessite un accès ininterrompu aux tables du data warehouse. Tous les processus ETL personnalisés qui accèdent à ces tables et acquièrent des verrous de longue durée doivent être planifiés en dehors de la fenêtre d'actualisation Oracle Fusion Data Intelligence.
Actualisation hiérarchisée – Si vous voulez que certaines données soient actualisées en premier, même au cours de l'actualisation incrémentielle, vous pouvez sélectionner ces tables d'entrepôt pour l'actualisation hiérarchisée. Toutefois, n'utilisez cette option que pour un ensemble limité de tables réellement critiques à actualiser avant les autres ensembles de données. Reportez-vous à Hiérarchisation des ensembles de données pour l'actualisation incrémentielle (aperçu).
Remplacement du planning des domaines fonctionnels – Passez en revue les domaines fonctionnels que vous avez activés et envisagez d'échelonner les temps d'actualisation en fonction des besoins de l'entreprise. Cela peut réduire la charge de traitement des actualisations incrémentielles quotidiennes du pipeline. Voir Remplacer les programmations de pipeline de données de domaines fonctionnels (aperçu).
Source des augmentations de fusion – Si vos augmentations de données sont principalement utilisées pour les intégrations en aval, envisagez d'utiliser la source des augmentations de fusion pour les ensembles de données. Avec cette option, les actualisations d'augmentation peuvent être exécutées en parallèle avec les actualisations incrémentielles quotidiennes pour les domaines fonctionnels dans Oracle Fusion Cloud Applications. Cela améliore les performances d'actualisation incrémentielle pour la source Oracle Fusion Cloud Applications. Elle active également une fréquence d'actualisation différente pour les augmentations de données à l'aide de la source d'augmentations Fusion. Planifiez les actualisations en fonction de la source Oracle Fusion Cloud Applications et de la source d'augmentations Fusion de manière échelonnée pour éviter les conflits de ressources sur Oracle Fusion Cloud Applications. Reportez-vous à Effectuer des augmentations de données avec la source d'augmentations Fusion.
Actualiser la modification de la priorité de l'étape sur la demande – Pour une actualisation incrémentielle programmée, vous pouvez enregistrer une demande de service pour déplacer certains modules de l'étape principale vers l'étape secondaire. Voir Planifier l'actualisation des données incrémentielles . Cela permet de rendre disponibles plus rapidement les données pour les entreprises les plus critiques.