앱 성능 최적화

앱 성능은 축소된 앱 크기, 간단한 데이터 모델 및 집합 분석의 전략적 사용을 통해 개선할 수 있습니다. 이 섹션에서는 성능에 영향을 줄 수 있는 영역과 앱 성능을 평가하고 모니터링할 수 있는 방법을 설명하여 성능 문제를 방지하는 데 도움을 줍니다.

앱 복잡성

다음과 같이 포괄적인 범주로 분류하면 문제를 진단하는 데 도움이 됩니다. 가장 복잡한 앱이 성능이 가장 낮습니다.

간단한 앱:

복잡한 집합 분석이나 If() 문을 포함하지 않습니다.
큰 테이블을 포함하지 않습니다.
간단한 데이터 모델이 있습니다.
간단한 계산을 포함합니다.
큰 데이터 볼륨이 있을 수 있습니다.

보통 앱:

테이블이 많은 데이터 모델이 있지만 모범 사례를 따릅니다.
집합 분석 및 여러 개의 If() 문을 사용합니다.
시트에 15개 이상의 열이 있는 큰 테이블 또는 긴 테이블이 있습니다.

복잡한 앱:

매우 복잡한 데이터 모델이 있습니다.
큰 데이터 볼륨에 연결됩니다.
복잡한 계산, 차트 및 테이블을 포함합니다.

앱 세부 정보

앱 크기에 따라 하드웨어 환경을 고려해야 합니다. 앱 크기는 Qlik Sense 배포 성능에 영향을 미치기 때문입니다. 예를 들어 앱을 최적화하지 않으면 하드웨어 리소스가 더 많이 필요할 수 있습니다.

앱 크기를 모니터링하면 다음이 가능합니다.

현재 성능 이해
새 앱 배포의 성능에 대한 영향 이해
기존 앱 수정의 성능에 대한 영향 이해
성능 문제 해결
향후 성장 계획

Qlik에서는 앱 평가에 도움이 되는 도구를 제공합니다. 자세한 내용은 다음을 참조하십시오. Qlik Sense Enterprise의 성능 및 안정성 (영어로만 제공).

다음은 성능에 영향을 미칠 수 있는 기본 앱 요소입니다.

성능에 영향을 미칠 수 있는 앱 세부 정보
기능	설명
앱 디스크 크기(MB)	앱 크기는 QMC에서 확인할 수 있습니다. 앱으로 이동하고 작업 오른쪽 옆의 열 선택기를 엽니다. 파일 크기(MB) 옆의 라디오 버튼을 클릭합니다. Qlik Sense Desktop을 사용하는 경우 Windows Explorer에서 앱 크기를 확인할 수 있습니다. 기본 폴더는 %USERPROFILE%\Documents\Qlik\Sense\Apps입니다. Apps 폴더에 모든 앱 이름과 파일 크기가 나열됩니다.
앱 RAM 크기(GB)	다음을 수행하여 앱의 기본 RAM 크기를 확인할 수 있습니다. Qlik Sense 서버를 다시 시작합니다. 현재 RAM 사용량을 기록합니다. Qlik Sense 앱을 엽니다. RAM의 차이를 기록합니다. Qlik Sense June 2018 이상 버전을 사용하는 경우 App Metadata Analyzer를 사용하여 이 척도를 찾을 수 있습니다. 자세한 내용은 App Metadata Analyzer (영어로만 제공)를 참조하세요.
앱 총 행 수(M)	시스템 필드를 사용하여 총 행 수를 계산할 수 있습니다. 측정값 Sum($Rows)로 KPI 를 만듭니다. 자세한 내용은 시스템 필드을(를) 참조하십시오.
앱 총 필드 수	시스템 필드를 사용하여 총 필드 수를 계산할 수 있습니다. 측정값 Sum($Fields)로 KPI를 만듭니다. 자세한 내용은 시스템 필드를 참조하십시오.
앱 총 테이블 수	시스템 필드를 사용하여 총 테이블 수를 계산할 수 있습니다. 측정값 Count(DISTINCT $Table)로 KPI를 만듭니다. 자세한 내용은 시스템 필드를 참조하십시오.

앱 모니터링

Qlik Management Console(QMC)은(는) Qlik Sense Enterprise on Windows에서 시스템 성능 및 사용량을 모니터링할 수 있는 앱을 제공합니다.

Operations Monitor 앱은 하드웨어 사용률에 대한 정보(예: 서버 메모리 및 CPU 사용량, 활성 사용자 및 다시 로드 작업 활동)를 제공합니다. 또한 Qlik Sense 서버 환경에서 오류, 경고 및 로그 작업에 대한 요약 및 상세 정보도 제공합니다.
License Monitor 앱은 라이센스 사용량을 추적하고 라이센스 할당에 대한 변경 내용을 쉽게 모니터링할 수 있도록 합니다.
Log Monitor 앱은 사용 가능한 거의 모든 로그 데이터를 표시하여 추세 분석 및 문제 해결을 가능하게 합니다.
Sessions Monitor 앱은 앱 사용량에 대한 로그 데이터를 표시합니다.
Reloads Monitor 앱은 허브에서 열린 앱 및 QMC의 다시 로드 데이터에 대한 자세한 정보를 나타냅니다.
Sense System Performance Analyzer 앱은 모든 노드 간의 Qlik Sense 성능을 표시합니다.
Sense Connector Logs Analyzer 앱은 특정 Qlik 커넥터의 사용량 및 오류에 대한 통찰력을 제공합니다.
App Metadata Analyzer 앱은 앱 데이터 모델의 세분화된 수준 세부 정보 및 해당 리소스 사용률을 포함하여 모든 Qlik Sense 앱의 전체 보기를 제공합니다.

자세한 내용은 Qlik Sense Enterprise on Windows 사이트 모니터링 (영어로만 제공)을 참조하십시오.

큰 데이터 볼륨

큰 데이터 볼륨에 연결하는 경우 다음과 같은 아키텍처 전략을 사용할 수 있습니다.

분할

QVDs를 차원(예: 시간 프레임, 지역, 집계 수준)별로 분할할 수 있습니다. 예를 들어 다음을 확인할 수 있습니다.

가장 최근 2년 동안의 데이터를 포함하는 QVD
2년 이상의 기록 데이터를 포함하는 QVD
상위 수준에서 집계된 모든 데이터를 포함하는 QVD. 예를 들어 날짜 대신 월별로 집계하거나 개별 고객 대신 국가별로 집계합니다.
모든 데이터를 포함하는 하나의 큰 QVD, 소규모의 사용자 하위 집합에서만 사용

유사한 방식으로 앱을 분류할 수 있습니다. 작은 앱이 대부분 사용자의 분석 요구를 해결합니다. 이 앱은 메모리가 절약됩니다.

다른 지역에 중점을 둔 여러 앱을 사용할 수도 있습니다. 이렇게 하면 사용자가 관심이 없는 데이터를 포함한 앱이나 액세스 권한이 없는 앱을 열지 않습니다. 섹션 액세스를 통해 액세스할 수 없는 데이터도 여전히 메모리에 영향을 미칩니다.

On-demand 앱 생성ODAG

Qlik Sense On-demand 앱은 사용자에게 빅 데이터 저장소 집계 보기를 제공합니다. 사용자는 자세한 분석을 위해 관련 데이터 하위 집합을 식별하고 로드할 수 있습니다.

사용자 관점에서 다음 두 앱이 있습니다.

집계된 데이터가 있는 장바구니
세부 정보를 표시하는 데 사용되는 빈 템플릿 앱

사용자는 장바구니 앱에서 선택을 수행합니다. 임계값에 도달하면, 요청한 세부 정보로 템플릿 앱을 채우는 사용자 지정 LOAD 스크립트가 생성됩니다. 자세한 내용은 On-demand 앱으로 빅 데이터 관리를 참조하십시오.

데이터 모델 성능

다음은 데이터 모델 성능에 영향을 미칠 수 있는 표시기입니다. 각각은 앱 유용성을 개선하는 각각의 모범 사례입니다.

데이터 모델 성능 모범 사례
동작	설명
가상 키 제거	Qlik Sense는 둘 이상의 데이터 테이블에 둘 이상의 공통 필드가 있는 경우 가상 키를 만듭니다. 이는 스크립트 또는 데이터 모델에 오류가 있음을 의미할 수 있습니다. 가상 키를 진단하려면 가상 키를 참조하십시오.
데이터 모델에서 순환 참조 제거	두 개의 필드에 둘 이상의 연결이 있는 경우 순환 참조가 발생합니다. Qlik Sense는 테이블 중 하나에 대한 연결을 변경하여 이 문제를 해결하려고 합니다. 하지만 모든 순환 참조 경고를 해결해야 합니다. 순환 참조에 대한 이해 및 해결를 참조하십시오.
적절한 데이터 세분성	필요한 데이터만 로드해야 합니다. 예를 들어 사용자 그룹에서 주, 월 및 연도로 나뉜 데이터만 필요합니다. 집계된 데이터로 로드하거나 로드 스크립트 내에서 데이터를 집계하여 메모리를 절약할 수 있습니다. 사용자가 낮은 수준의 세분성으로 데이터를 시각화해야 하는 경우 ODAG 또는 문서 연결을 사용할 수 있습니다.
가능한 경우 QVDs 사용	QVD는 Qlik Sense에서 내보낸 데이터의 테이블을 포함한 파일입니다. 이 파일 형식은 스크립트에서 데이터를 읽는 속도에 최적화되어 있지만 크기는 매우 작습니다. 파일 형식은 스크립트에서 데이터를 읽는 속도에 최적화되어 있지만 크기는 매우 작습니다. QVD 파일에서 데이터를 읽는 속도는 일반적으로 다른 데이터 소스에서 데이터를 읽는 것보다 10-100배 정도 빠릅니다. 자세한 내용은 QVD 파일 작업을 참조하십시오.
로드 시 QVD 파일 최적화	QVD 파일은 표준(빠름) 모드와 최적화(매우 빠름) 모드에서 읽을 수 있습니다. 모드 선택은 스크립트 엔진에서 자동으로 결정합니다. 최적화된 로드에는 몇 가지 제한 사항이 있습니다. 필드의 이름을 변경할 수는 있지만 다음 작업 모두 표준 로드를 발생시킵니다. 로드된 필드의 모든 변환 where 절을 사용하여 Qlik Sense가 레코드를 압축 해제하게 함 로드된 필드에서 맵 사용
증분 로드 활용	앱이 지속적으로 업데이트되는 데이터베이스의 대용량 데이터에 연결되는 경우 전체 데이터 집합을 다시 로드하려면 시간이 오래 걸릴 수 있습니다. 대신 증분 로드를 사용하여 데이터베이스의 새 레코드나 변경된 레코드를 검색해야 합니다. 자세한 내용은 증분 로드를 통해 새 레코드 및 업데이트된 레코드 로드를 참조하십시오.
Snowflake 모델 통합	눈송이형 데이터 모델이 있는 경우 Join 접두사 또는 기타 매핑을 사용하여 데이터 테이블 중 일부를 조인함으로써 데이터 테이블 수를 줄일 수 있습니다. 이것은 큰 팩트 테이블에 특히 중요합니다. 실제 좋은 방법은 하나의 큰 테이블만 갖는 것입니다. 자세한 내용은 조인하거나 조인하지 않으려면을 참조하십시오.
필드 수가 적은 테이블 비정규화	필드 수가 적은 두 개의 테이블이 있는 경우 두 테이블을 조인하여 성능을 개선할 수 있습니다. 자세한 내용은 스크립팅의 다음 단계를 참조하십시오.
매핑 로드를 사용하여 조회(리프) 테이블 비정규화	한 테이블의 필드를 다른 테이블에 하나만 추가해야 하는 경우 Join 접두사를 사용하면 안 됩니다. ApplyMap 조회 함수를 사용해야 합니다. 조인하지 말고 ApplyMap 사용을 참조하십시오.
날짜 필드에서 타임스탬프 제거 또는 분리	문자열 표현이 더 크고 고유 값의 수가 더 많아 타임스탬프가 있는 경우 날짜 필드가 공백을 채울 수 있습니다. 분석에 정밀도가 필요하지 않은 경우 Timestamp(Floor(YourStimestamp, 1/24))를 사용하여 타임스탬프를 가장 가까운 시간 등으로 반올림하거나 Date(Floor(YourTimestamp))를 사용하여 시간 구성 요소를 완전히 제거할 수 있습니다. 타임스탬프가 필요한 경우 날짜 자체에서 분리할 수 있습니다. 동일한 Floor() 함수를 사용하고 다음 줄과 함께 사용하여 추출된 시간으로 새 필드를 만들 수 있습니다. Time(Frac(YourTimestamp)).
데이터 모델에서 불필요한 필드 제거	데이터 모델에서 필요한 필드만 로드해야 합니다. Load *와 SELECT를 사용하지 마십시오. 다음 필드는 유지합니다. 분석에 필요한 필드 앱에서 실제로 사용되는 필드
볼륨이 큰 데이터를 처리할 때 링크 테이블 방지	가능한 경우 링크 테이블을 사용해야 합니다. 그러나 큰 데이터 볼륨을 처리하는 경우 연결된 테이블이 링크 테이블보다 성능이 뛰어납니다.
연결된 차원을 새 필드로 분리	연결된 차원을 별도의 필드로 분리해야 합니다. 이렇게 하면 필드에서 고유한 값의 발생 수가 줄어듭니다. 이 방법은 타임스탬프를 최적화하는 방법과 유사합니다.
가능한 경우 AutoNumber 사용	먼저 QVD 파일에서 데이터를 로드하여 최적화된 로드를 만든 다음 AutoNumber 문을 사용하여 값을 기호 키로 변환할 수 있습니다. 자세한 내용은 AutoNumber를 참조하십시오.
데이터 섬 방지	데이터 섬은 유용하기도 하지만 대부분 성능에 영향을 미칩니다. 선택 값에 대한 섬을 만드는 경우 변수를 사용합니다.
증분 타임프레임을 기반으로 QVD 저장	QVD를 분할하여(예: 월별) 저장해야 합니다. 그러면 이 소규모 월별 QVD는 모든 데이터가 필요하지 않을 수 있는 다양한 앱을 지원할 수 있습니다.

시트 성능

다음은 시트 및 시각화의 성능을 개선하는 모범 사례입니다.

시트 성능 모범 사례
동작	설명
가능한 경우 If() 함수 사용 방지	집계 함수 내에서 If() 함수를 사용하면 레코드 수준에서 작동하고 여러 번 평가됩니다. 예를 들어 집계에 1000개의 레코드가 있는 경우 If() 조건이 1000번 평가됩니다. 이로 인해 문을 포함하는 경우 신속히 계단식으로 적용될 수 있습니다. 대신 집합 분석을 사용해야 합니다. 집합 분석 필터는 집계 전에 적용되므로 응답 속도가 빨라집니다. 이러한 응답은 집합 분석을 통해 캐시될 수도 있습니다. If()의 경우는 그렇지 않습니다. 데이터 모델에 다른 함수 및 수정을 고려할 수도 있습니다.
집계 테이블 내 여러 테이블의 필드는 가능하면 피합니다.	집계를 평가할 때 계산은 다음 두 단계를 통해 실행됩니다: 첫 번째 단계에서 계산을 수행할 관련 조합을 찾습니다. 이 단계는 단일 스레드입니다. 두 번째 단계에서 계산을 수행합니다. 이 단계는 다중 스레드입니다. 단일 스레드 부분은 성능에 상당한 영향을 미칠 수 있습니다. 한 가지 예는 집계 내에 여러 필드가 있는 경우입니다(예: Sum(Quantity*ListPrice)). Quantity이 팩트 테이블에 있고 ListPrice이 마스터 제품 테이블에 있는 경우 엔진은 먼저 두 테이블을 조인하여 조합을 찾아야 제품을 합산할 수 있습니다. 조인은 단일 스레드 부분이고 합산은 다중 스레드입니다. 두 필드가 동일한 테이블에 있는 경우 조인이 필요하지 않으며 집계가 훨씬 빠르게 평가됩니다.
Aggr() 및 중첩 Aggr() 함수 최소 사용	Aggr() 함수는 성능에 매우 큰 영향을 미칩니다. 잘못 사용하면 부정확한 결과가 발생할 수 있습니다. 예를 들어 Aggr() 함수 내의 차원과 다른 차원이 있는 테이블에서 사용하는 경우입니다. 자세한 내용은 AGGR을 사용해서는 안 되는 경우를 참조하십시오.
가능한 경우 집합 분석 사용	집합 분석을 사용하여 현재 선택에 의해 정의된 일반 집합과 다른 데이터 값의 집합을 정의할 수 있습니다. 자세한 내용은 집합 분석을(를) 참조하십시오.
가능한 경우 문자열 비교 사용 방지	문자열 비교는 집합 분석만큼 효과적이지 않습니다. 예를 들어, Match(), MixMatch(), WildMatch() 및 Pick()은 사용하지 않아야 합니다. 대신 스크립트에서 플래그를 만들거나 집합 분석을 사용합니다. 자세한 내용은 조건부 함수 및 조건부 집계의 성능을 참조하십시오.
계산이 많은 개체에 계산 조건 사용	선택하지 않은 레코드가 많은 시각화가 있을 수 있습니다. 계산 조건을 개체에 추가하여 특정 선택 후에만 렌더링되도록 하는 것이 좋습니다. 이렇게 하면 아주 큰 하이퍼큐브가 만들어지지 않습니다. 예: GetSelectedCount([Country])=1 OR GetPossibleCount([Country])=1. 이 경우 사용자가 단일 국가를 선택하거나 단일 국가만 가능한 다른 선택을 하지 않을 경우 시각화가 렌더링되지 않습니다.
가능한 경우 스크립트에서 측정값 사전 계산	데이터 모델의 최하위 세분성 수준에 있는 측정값은 스크립트에서 계산해야 합니다. 예를 들어, 테이블의 동일한 레코드에 Sales 및 Cost가 있는 경우 Sales - Cost AS Margin을 계산하여 수익을 파생할 수 있습니다. 값이 선택에 따라 달라지지 않거나 다른 세분성 수준에 바인딩되어 있는 것을 알고 있다면 다른 값을 미리 집계할 수도 있습니다.
테이블에 15개 미만의 열 포함 및 계산 조건 포함	15개의 열이 포함된 테이블은 넓은 것으로 간주할 수 있습니다. 테이블이 여러 개의 레코드로 구성된 경우 특정 선택 또는 기준이 충족될 경우에만 렌더링되도록 테이블 개체에서 계산 조건을 사용해야 합니다. 테이블이 매우 넓은 경우 다음을 수행하는 것이 좋습니다. 조건부로 표시하는 여러 개의 작은 테이블 만들기 조건부로 열을 표시하는 방법 사용 테이블을 분석에 필요한 필드로만 제한
시트에 과도한 수의 개체를 포함하지 않음	사용자가 시트로 이동하면 개체가 계산됩니다. 사용자가 해당 시트에서 선택을 수행할 때마다 현재 상태가 캐시에 없는 경우 각 개체는 다시 계산됩니다. 여러 개의 차트가 포함된 시트가 있는 경우 사용자는 모든 개체가 거의 모든 선택을 계산할 때까지 기다려야 합니다. 이렇게 하면 엔진에 상당한 부하를 줍니다. Dashboard/Analysis/Reporting (DAR) 개념에 따라 간단한 최소 앱을 개발하는 것이 좋습니다. 자세한 내용은 DAR 방법론을 참조하십시오.
스크립트에서 집합 분석에 사용할 숫자 플래그 활용	플래그를 사용한 집합 분석은 문자열 비교 또는 곱셈을 사용하는 것보다 더 효율적일 수 있습니다.
표현식에 마스터 항목 또는 변수 사용	마스터 항목을 사용하여 관리되는 메트릭을 끌어서 놓으면 표현식이 캐시되도록 할 수 있습니다. 예를 들어 Sum(Sales)은 SUM(Sales)과 다릅니다. 표현식은 철자 및 대소문자로 캐시되며 축자가 일치해야 다시 사용할 수 있습니다.

이 페이지가 도움이 되었습니까?

이 페이지 또는 해당 콘텐츠에서 오타, 누락된 단계 또는 기술적 오류와 같은 문제를 발견하면 개선 방법을 알려 주십시오!

여기에 피드백을 남겨주십시오.