> For the complete documentation index, see [llms.txt](https://docs.powermonitor.com.br/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://docs.powermonitor.com.br/es/principais-funcionalidades/analise-de-performance.md).
# Análisis de Rendimiento
Análisis de Rendimiento de Power Monitor: evaluación de modelos semánticos cruzada con el consumo real de capacidad, buenas prácticas, limpieza de modelo, tiempo de ejecución y diagnóstico de consulta
La capacidad está al límite y aparece la pregunta de siempre: **¿subir el SKU u optimizar?** Sin datos, la respuesta suele ser la más cara. Power Monitor muestra **dónde está el peso**, **por qué existe** y **cuánto gana** corrigiendo cada punto, en modelos semánticos, Lakehouses y Warehouses.
## Evaluación de Rendimiento de modelos semánticos
VertiPaq Analyzer y Best Practice Analyzer muestran el **estado** del modelo. La Evaluación de Rendimiento de Power Monitor va un paso más allá: cruza ese estado con el **consumo real de Capacity Units** del modelo en la capacidad y con lo que Power Monitor ya sabe de él (historial de actualizaciones, programación, uso en los informes, criticidad) para indicar **qué conviene optimizar primero**.
Cada recomendación con ganancia estimada, evidencias y fuente oficial
* **Recomendaciones priorizadas por la ganancia:** cada una incluye la ganancia estimada en CU, memoria y costo, los objetos afectados, las evidencias y la **fuente oficial de Microsoft**.
* **Almacenamiento VertiPaq:** las tablas y columnas más grandes, la cardinalidad, las columnas de texto pesadas, las tablas de fecha automática y las columnas que ningún informe usa.
* **Consumo en la capacidad:** cuánto del CU de la capacidad representa el modelo y qué operaciones (interactivas y en segundo plano) pesan más.
* **Historial y exportación:** compare las 10 evaluaciones más recientes de un modelo y exporte el informe para el equipo de desarrollo.
* **Sugerencia de la IA (opcional):** con el proveedor de IA de la organización configurado, genere un análisis en lenguaje natural.
{% hint style="success" %}
**Sin riesgo para sus datos:** la evaluación lee solo los **metadatos** del modelo y las métricas de capacidad. No se consulta ningún valor del cliente y no se modifica nada en el modelo.
{% endhint %}
## Buenas prácticas y limpieza de modelo
* **Score de Buenas Prácticas:** 55 reglas de modelado, como relaciones bidireccionales, punto flotante, claves en texto y columnas de clave visibles.
* **Score de IA:** la preparación del modelo para Copilot y para preguntas en lenguaje natural.
* **Limpieza de Modelo:** las tablas, columnas y medidas que ningún visual o filtro usa, listas para eliminar y reducir la memoria y el tiempo de actualización.
## Lakehouses y Warehouses: el diagnóstico que Fabric no reúne por usted
Elija un Lakehouse o Warehouse por su nombre y abra un diagnóstico completo de las consultas T-SQL del elemento:
* **Score de impacto** que ordena los patrones de consulta por su peso real (CPU, tiempo, lectura, fallas y regresión), para atacar primero lo que más importa;
* **Causa de la lentitud:** lectura remota con caché en frío, CPU, presión en el SQL Pool, concurrencia, regresión de una consulta o "muerte por mil cortes";
* **Investigación de picos:** seleccione un intervalo en el gráfico y vea exactamente qué se ejecutó;
* **Quién consume:** los inicios de sesión y las aplicaciones que más usan el elemento y cuántas Capacity Units consumió;
* **Tareas relacionadas:** pipelines, notebooks, Dataflows Gen2, Copy Jobs y modelos semánticos vinculados al elemento, con programaciones, ejecuciones y consumo.
Diagnóstico de rendimiento de un Warehouse
## Tiempo de ejecución y consumo
* **Tiempo Medio de Ejecución:** la duración promedio de modelos semánticos, dataflows, notebooks y Copy jobs, con límites por elemento y alerta cuando una ejecución se aleja mucho del promedio.
* **Métricas, Comparativos y Anomalías de Consumo:** los elementos y operaciones que más Capacity Units consumen, la comparación entre días o entre entidades y lo que se salió del patrón.
* **Dashboard de Eficiencia:** la vista consolidada de la eficiencia del entorno.
## Lo que usted gana
* **Decisiones de capacidad basadas en datos:** antes de subir el SKU, sepa si la optimización lo resuelve.
* **Menos consumo, menos costo:** los modelos más pequeños y las consultas mejores consumen menos CU y memoria.
* **Informes más rápidos:** la experiencia del usuario de negocio mejora al mismo tiempo.
{% hint style="info" %}
Power Tuning ofrece servicios especializados de **optimización de informes y modelos** para reducir el consumo de las capacidades Fabric. [Hable con nuestro equipo](https://powermonitor.com.br/whatsapp).
{% endhint %}
## Páginas relacionadas
* [Evaluación de Rendimiento](/es/power-monitor/performance/avaliacao-de-performance.md)
* [Lakehouse y Warehouse](/es/power-monitor/performance/lakehouse-e-warehouse.md)
* [Limpieza de Modelo](/es/power-monitor/performance/limpeza-de-modelo.md)
* [Tiempo Medio de Ejecución](/es/power-monitor/performance/tempo-medio-de-execucao.md)
* [Score de Buenas Prácticas (BPA)](/es/power-monitor/qualidade-de-dados/score-de-boas-praticas-bpa.md)
---
# Agent Instructions
This documentation is published with GitBook. GitBook is the documentation platform designed so that both humans and AI agents can read, navigate, and reason over technical content effectively. Learn more at gitbook.com.
## Querying This Documentation
If you need additional information that is not directly available in this page, you can query the documentation by asking a question.
Perform an HTTP GET request on the following URL with the `ask` and `goal` query parameters:
```
GET https://docs.powermonitor.com.br/es/principais-funcionalidades/analise-de-performance.md?ask=&goal=
```
`ask` is the immediate question: it should be specific, self-contained, and written in natural language.
`goal` is what the user is ultimately trying to achieve, the reason they need the answer. Sharing it helps GitBook give you a better, more relevant answer. A goal is most helpful when it describes the outcome the user wants rather than restating the question. For example, with `ask=how do I create an API token`, a goal like `automate deployments from our CI pipeline` lets GitBook tailor the answer to that use case.
The response will contain a direct answer to the question and relevant excerpts and sources from the documentation.
Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.
