建议：自己测试一下！
当然，您可以轻松应用上述技巧，但每个人的数据都不同。因此，仔细了解这些提示如何影响您的数据非常重要。你是怎样做到的？快速读下去。
性能分析器。
我们可以在 Snowflake 中测量各种各样的东西，但最终还是取决于 Power BI 返回数字的速度。您可以使用 Power BI Desktop 中的性能分析器来测量这一点。在性能分析器中，您可以准确地看到构建报告页面需要多长时间，从检索数据到显示页面。
分析Snowflake查询历史。
Snowflake 通过查询历史记录提供了大量有关内部发生情况的见解。查看一次发送到 Snowflake 的查询数、持续时间、查询套件的总运行时间以及查询结构。这会向您显示通过限制 Power BI 中的可视化是否有进一步优化的空间。
请注意任何偏差。
在不同时间的相同测试用例中是否存在较大的偏差（高达 5 倍）？我们目前无法解释这些偏差。因此，请直接逐个检查场景，并使用多个测试用例来充分了解调整的效果。
注意事项
增加最大连接数。
对于高级容量，您可以通过增加数据源的最大连接数（从 10 个增加到最多 30 个）来进一步提高性能。增加最大连接数可防止查询排队。
自动聚合。
对于高级容量，自动聚合可以提高直接查询的性能。
请注意 Snowflake 的成本。
我们尚未调查 DirectQuery 存储模式对 Snowflake 消耗的影响，但它可能会导致更高的 Snowflake 成本。另一方面，Direct Query还可以潜在地节省其他领域的成本，例如管理时间和Power BI中的Premium容量成本。
何时使用 OBT？何时不使用？
当然，重要的是看OBT方法是否适合您的情况。因此，我们将讨论影响这一选 墨西哥电报数据 择的多个方面。您主要创建 OBT 以确保标准仪表板具有良好的直接查询性能。更简单的查询就可以做到这一点。在包含来自多个信息区域的数据的仪表板中，您需要使用选择器维度来实现不同视觉效果之间选择（例如年份）的同步。 Kimball 将这些类型的数据称为 一致维度。我们的测试表明：
单一 OBT 提供迄今为止最佳的性能：
所有信息都可通过所有必要的交叉路口获得
对事实的计算非常高效：
对事实执行的计算越多，相对性能增益就越大。
性能增益随着 选择器维度
的增加而降低。多个 OBT 也能快速运行，但 添加的选择器维度越多，相对性能增益就越小。因此，对于具有多个信息区域和一致维度的自助服务环境，OBT 并不是理想的解决方案。
结束语
您是否得出了与我们在本文中告诉您的不同的结论？好的！我希望听到这个，然后我们可以调查原因是什么。这样，我们将更好地了解如何优化 Snowflake 上的直接查询。