Databricks Metric Views voor manufacturing analytics
Definieer manufacturingmeasures centraal in Unity Catalog, query ze op de businessgrain die je nodig hebt en hergebruik dezelfde metriclogica over SQL, BI en beheerde AI-ervaringen.
Governed bron
production_run_fact
Velden
Measures
De groepering kan tijdens querytijd veranderen. De measure-definitie blijft in de Metric View.
Het verschil is waar aggregatie vast komt te liggen.
Standaard SQL-view
Andere granulariteit nodig? Bouw een andere query of view.
Metric View
Dezelfde measure kan verschillende analytische granulariteiten bedienen.
Metric Views blijven afhankelijk van een goed bronmodel. Ze standaardiseren metricgedrag; ze vervangen upstream datamodellering niet.
Waarom Metric Views
AI-modelcontext
Een Metric View scheidt measures van de velden waarop wordt gegroepeerd en gefilterd. Gebruikers kunnen dezelfde beheerde measure analyseren per locatie, lijn, product, shift of datum zonder de aggregatielogica opnieuw te maken.
Centrale measurelogica
De formule wordt in Unity Catalog beheerd in plaats van naar iedere consumer te worden gekopieerd.
Flexibele groepering
Velden blijven beschikbaar voor groepering en filtering tijdens query-uitvoering.
Gedeeld semantisch contract
Comments, display names en synoniemen geven de metric een gedocumenteerde businessbetekenis.
Maak een Metric View
Start met een governed bron en definieer daarna velden en measures
Het YAML-contract kan verwijzen naar een Unity Catalog-tabel, view, Metric View of SQL-query. Start voor manufacturing analytics vanuit een dataproduct met duidelijke granulariteit en voeg alleen velden en measures toe die bij dat businessproces horen.
Anatomie van een Metric View
Bron
Het governed fact of dataproduct onder de metric.
Velden
Businessattributen beschikbaar voor selectie, groepering en filtering.
Measures
Geaggregeerde expressies die onafhankelijk blijven van de uiteindelijke query-granulariteit.
Semantische metadata
Comments, display names en synoniemen verbeteren vindbaarheid en interpretatie.
CREATE OR REPLACE VIEW factory.gold.production_performance_metrics
WITH METRICS
LANGUAGE YAML
AS $$
version: 1.1
comment: "Production performance metrics"
source: factory.gold.production_run_fact
fields:
- name: Production Date
expr: source.production_date
- name: Site
expr: source.site_id
- name: Line
expr: source.line_id
- name: Product
expr: source.product_id
measures:
- name: Good Output
expr: SUM(source.good_output_kg)
comment: "Released good output in kg"
synonyms: ["good quantity", "accepted output"]
- name: Yield
expr: 100 * SUM(source.good_output_kg)
/ NULLIF(SUM(source.input_qty_kg), 0)
comment: "Good output as percentage of input"
$$;SELECT
`Production Date`,
`Site`,
`Line`,
MEASURE(`Good Output`) AS good_output_kg,
MEASURE(`Yield`) AS yield_pct
FROM factory.gold.production_performance_metrics
GROUP BY ALL
ORDER BY `Production Date`, `Site`, `Line`;Illustratieve resultaatset. Wijzig de groeperingsvelden en de Metric View evalueert dezelfde measures op de gevraagde granulariteit.
Measures bevragen
Gebruik MEASURE() en kies de groepering tijdens querytijd
Measures worden bevraagd via de MEASURE()-aggregatefunctie. De query selecteert de velden die de analysegranulariteit bepalen, terwijl de Metric View de onderliggende measure-expression centraal houdt.
Selecteer velden normaal
Gebruik velden in SELECT-, WHERE- en GROUP BY-clauses.
Wrap measures in MEASURE()
De engine evalueert de governed aggregatie voor de aangevraagde groepering.
Houd filters expliciet
Queryfilters kunnen de analyse vernauwen zonder de measure opnieuw te definiëren.
Metric-design
Ontwerp measures rond een duidelijk manufacturingbusinessproces
Een Metric View werkt het best wanneer de bron al een stabiele granulariteit heeft. Houd measures dicht bij dat proces en documenteer de regel die de uitkomst kan veranderen.
Meet
Yield
Natuurlijke granulariteit
run × product
Regel om expliciet te maken
input basis · rework · by-products
Meet
Beschikbare voorraad
Natuurlijke granulariteit
batch × locatie
Regel om expliciet te maken
blocked · quarantine · expiry status
Meet
Release rate
Natuurlijke granulariteit
batch × release decision
Regel om expliciet te maken
release state · rework treatment
Meet
OTIF
Natuurlijke granulariteit
orderregel × shipment
Regel om expliciet te maken
promised date · quantity tolerance
Meet
Marge
Natuurlijke granulariteit
orderregel × product
Regel om expliciet te maken
cost basis · rebates · allocation
Relaties
Gebruik joins om de metric te verrijken zonder controle over cardinaliteit te verliezen
Metric Views ondersteunen star- en snowflake-relaties. Het gebruikelijke manufacturing-patroon is een fact source verrijkt met dimensions zoals product, lijn, site en klant.
Many-to-one is de standaard
Gebruik dimension joins waar iedere sourcerow naar het verwachte dimension member resolveert.
Snowflake-paden worden ondersteund
Genormaliseerde dimensions kunnen via nested joins worden gemodelleerd wanneer de businessrelatie duidelijk is.
RELY heeft een echte garantie nodig
Declareer `at_most_one_match` alleen wanneer het datacontract dit werkelijk garandeert. Databricks valideert die belofte niet tijdens runtime.
Houd de fact source centraal en voeg alleen de dimensions toe die de query nodig heeft.
Product
Locatie
production_run_fact
run-granulariteit
Lijn
Datum
De engine kan onnodige joined tables vermijden wanneer een query niet naar hun velden verwijst.
version: 1.1
source: factory.gold.production_run_fact
joins:
- name: product
source: factory.gold.dim_product
on: source.product_id = product.product_id
rely:
at_most_one_match: true
fields:
- name: Product Family
expr: product.product_family
measures:
- name: Good Output
expr: SUM(source.good_output_kg)Bouw metrics op hoger niveau uit kleinere beheerde componenten.
Atomair
Goede output
SUM(good_output_kg)
Atomair
Inputhoeveelheid
SUM(input_qty_kg)
Samengestelde measure
Yield
Goede output ÷ Inputhoeveelheid
Tijdreeks
7-daags voortschrijdend rendement
window measure
Herbruikbaar model
Metric View als bron
samenstellen over views
Geavanceerde measures
Combineer metrics in plaats van hun logica te herhalen
Metric Views kunnen eerdere velden en measures refereren, en een Metric View kan ook een andere Metric View als bron gebruiken. Dit is nuttig wanneer een business-KPI is opgebouwd uit kleinere measures die al een governed definitie hebben.
Samengestelde measures
Verwijs naar bestaande measures zodat de onderliggende logica niet wordt gedupliceerd.
Window measures
Gebruik ze voor moving averages, periodevergelijkingen en cumulatieve berekeningen wanneer de feature past bij je runtime- en supportvereisten.
Behandel window measures als experimenteel
De huidige Databricks-documentatie labelt window measures als Experimental. Houd rekening met dat maturiteitsniveau bij productieontwerp.
Performance
Materialiseer kostbare querypatronen zonder het metric contract te wijzigen
Metric View-materialisatie kan aggregaties vooraf berekenen of een ongeaggregeerde joined dataset voorbereiden. Queries blijven de Metric View targeten, terwijl de optimizer ze naar de beste geldige materialisatie kan herschrijven.
Geaggregeerde materialisatie
Nuttig voor terugkerende dashboard-granulariteiten en voorspelbare groeperingen.
Niet-geaggregeerde materialisatie
Nuttig wanneer joins en filters kostbaar zijn, maar de uiteindelijke groepering ad hoc blijft.
Controleer eerst securityconstraints
De huidige Databricks-guidance sluit materialization uit wanneer de Metric View of zijn bronnen RLS, column masks of ABAC-policies gebruiken.
Query
SELECT-velden, MEASURE(...)
Queryoptimizer
Kies het beste geldige pad
Geaggregeerd
vooraf berekende granulariteit
Niet geaggregeerd
voorbereide joins
Bron
fallbackpad
Consumptie
Houd de metric in Databricks en pas het access pattern aan de consumer aan
De semantische definitie kan meerdere interfaces bedienen. Iedere tool kan een ander querypatroon nodig hebben, maar de measure blijft governed in de Metric View.
Governed semantisch contract
Productieperformance
Databricks SQL
Bevraag fields en MEASURE() direct.
Power BI
Gebruik Native query met MEASURE() in DirectQuery voor het huidige connectorpatroon.
Databricks-dashboards
Bouw visualisaties op dezelfde beheerde measures.
Genie en AI
Gebruik semantische metadata om metric discovery en interpretatie te verbeteren.
Het gedrag van de Power BI-connector verandert in de tijd. De huidige Microsoft-richtlijn gebruikt Native query met MEASURE() in DirectQuery; de voormalige optie BI Compatibility Mode is niet langer beschikbaar in de Power BI-connector.
Semantische governance
Behandel gedeelde measures als production code
Een centrale measure kan veel rapporten en analyses tegelijk beïnvloeden. Eigenaarschap, regressietests en gecontroleerde wijzigingsreview maken deel uit van de implementatie.
Definieer
eigenaar · granulariteit · scope · unit
test
bekende cases · edge cases
Beoordeling
downstreamimpact · approval
Publiceren
gedeelde toegang · documentatie
Hoe Food For Analytics dit implementeert
Metric Views liggen bovenop governed manufacturing-dataproducten in Titan
Titan houdt bronintegratie, manufacturingcontext en semantische definities gescheiden. Metric Views worden toegevoegd waar een gedeeld measurecontract hergebruik over rapportage, analytics en AI verbetert.
Governed bron
Manufacturing-dataproduct
Stabiele granulariteit, conformed eenheden, historie en businesscontext.
Titan op Azure Databricks
Govern de measure
Definieer velden, measures, relaties en metadata in Unity Catalog Metric Views waar ze thuishoren.
Governed consumers
Hergebruik de metric
Bedien dezelfde businesslogica aan Databricks SQL, Power BI, analytics en Ask Titan.
Veelgemaakte fouten
Houd de semantic layer klein genoeg om te vertrouwen
Metric Views worden moeilijk te onderhouden wanneer instabiele data, onjuiste relaties of consumer-specifieke logica in het gedeelde metric contract worden geduwd.
Vermijd
Defining measures before the source grain is stable
Betere default
Stabilize the data product first
Vermijd
Using measures to hide identity or unit problems
Betere default
Fix conformance upstream
Vermijd
Declaring join guarantees without validating the data
Betere default
Test cardinality before using RELY
Vermijd
Copying the same KPI back into Power BI
Betere default
Consume the governed measure where the tool supports it
Vermijd
Materializing every possible grouping
Betere default
Materialize repeated and expensive query patterns
Vermijd
Changing a shared measure without regression tests
Betere default
Test known cases and review downstream impact
FAQ
Veelgestelde vragen
Praktische antwoorden over Databricks Metric Views voor manufacturing analytics.
Wat is een Databricks Metric View?
Een Metric View is een Unity Catalog-object dat herbruikbare measures definieert, los van de velden waarop wordt gegroepeerd en gefilterd. Dezelfde measure kan daardoor op verschillende query-granulariteiten worden geëvalueerd.
Welke runtime is vereist voor Metric Views?
Basic Metric Views worden ondersteund op Databricks Runtime 16.4 en hoger. Afzonderlijke capabilities kunnen nieuwere runtimes vereisen, dus controleer featurebeschikbaarheid voordat je joins, materialization, window measures of nieuwere YAML-features gebruikt.
Hoe bevraag ik een measure uit een Metric View?
Gebruik de MEASURE()-aggregate function rond de governed measure en group by de velden die nodig zijn voor de analyse.
Kunnen Metric Views joins gebruiken?
Ja. Metric Views ondersteunen star- en snowflake-relaties. Many-to-one is de standaardcardinaliteit en een RELY-garantie moet alleen worden gebruikt wanneer de onderliggende relatie daadwerkelijk gegarandeerd is.
Kunnen Metric Views worden gematerialiseerd?
Ja. Materialisatie van Metric Views kan geaggregeerde of ongeaggregeerde paden vooraf berekenen en de query optimizer geschikte queries automatisch laten herschrijven. De huidige vereisten zijn onder andere serverless compute en Databricks Runtime of compute 17.3 en hoger.
Hoe moet Power BI Metric Views bevragen?
De huidige Microsoft-guidance adviseert de Native query-optie van de Azure Databricks-connector met MEASURE() in DirectQuery-mode. De voormalige Metric View BI Compatibility Mode-optie van de connector is verwijderd.
Zijn window-measures production-ready?
De huidige Databricks-documentatie labelt window measures als Experimental. Beoordeel featurematuriteit en runtimevereisten voordat je erop vertrouwt voor kritieke productiemetrics.
Praktische laag
Zet een gedeelde KPI om in een governed Metric View
Start met een manufacturing-measure die al een duidelijke granulariteit, eigenaar en reconciliation-regel heeft. We kunnen het bronmodel, Metric View-ontwerp en consumptiepatroon met je reviewen.