- Versionshinweise
- Erste Schritte
- Installation
- Hard- und Softwareanforderungen
- Serverinstallation
- Aktualisierung der Lizenz
- Bereitstellen des UiPath Process Mining-Profilers
- Bereitstellen eines Connectors (.mvp)
- Aktualisieren von UiPath Process Mining
- Aktualisieren einer benutzerdefinierten Version einer App oder eines Discovery Accelerators
- Installieren einer Trainingsumgebung
- Konfiguration
- Integrationen
- Authentication
- Working with Apps and Discovery Accelerators
- AppOne-Menüs und -Dashboards
- AppOne-Einrichtung
- Menüs und Dashboards von TemplateOne 1.0.0
- Setup von TemplateOne 1.0.0
- TemplateOne-Menüs und Dashboards
- Setup von TemplateOne 2021.4.0
- Purchase-to-Pay Discovery Accelerator-Menüs und -Dashboards
- Einrichtung des Purchase-to-Pay-Discovery-Beschleunigers
- Menüs und Dashboards des Order-to-Cash Discovery Accelerators
- Einrichtung des Order-to-Cash Discovery-Beschleunigers
- Basic Connector for AppOne
- Bereitstellen des einfachen Connectors
- Einführung zu Basic Connector
- Eingabetabellen des Basic Connectors
- Hinzufügen von Tags
- Hinzufügen von Automatisierungsschätzungen
- Hinzufügen von Fälligkeitsdaten
- Hinzufügen von Referenzmodellen
- Einrichten von praktisch umsetzbaren Erkenntnissen
- Festlegen von reduzierbaren Diagrammen
- Verwenden des Ausgabe-Datasets in AppOne
- Output tables of the Basic Connector
- SAP Connectors
- Introduction to SAP Connector
- SAP-Eingabe
- Überprüfen der Daten im SAP Connector
- Hinzufügen von prozessspezifischen Tags zum SAP Connector für AppOne
- Hinzufügen von prozessspezifischen Fälligkeitsdaten zum SAP Connector für AppOne
- Hinzufügen von Automatisierungsschätzungen zum SAP Connector für AppOne
- Hinzufügen von Attributen zum SAP Connector für AppOne
- Hinzufügen von Aktivitäten zum SAP Connector für AppOne
- Hinzufügen von Entitäten zum SAP Connector für AppOne
- SAP Order to Cash Connector für AppOne
- SAP Purchase to Pay Connector für AppOne
- SAP Connector for Purchase to Pay Discovery Accelerator
- SAP Connector für den Order-to-Cash Discovery Accelerator
- Superadmin
- Die Registerkarte Arbeitsbereiche
- Die Registerkarte Entwicklungsdaten
- Die Registerkarte Versionen
- Die Registerkarte Freigegebene Daten
- The Builds tab
- Die Registerkarte Serverdaten
- Die Registerkarte Einstellungen (Settings)
- Die Registerkarte Superadmin-Benutzer
- Die Registerkarte Status
- Die Registerkarte Lizenz
- Erstellen von Releases
- Anzeigen des Verlaufs der Verzweigung
- Creating Apps
- Modules
- Dashboards und Diagramme
- Tabellen und Tabellenelemente
- Anwendungsintegrität
- How to ....
- Arbeiten mit SQL-Connectors
- Introduction to SQL connectors
- Setting up a SQL connector
- CData Sync extractions
- Running a SQL connector
- Editing transformations
- Freigeben eines SQL-Connectors
- Scheduling data extraction
- Structure of transformations
- Using SQL connectors for released apps
- Generating a cache with scripts
- Setting up a local test environment
- Separate development and production environments
- Nützliche Ressourcen
Data Loading
Das Laden von Daten bezieht sich auf die Zeit, die zum Laden neuer Daten in den Connectorerforderlich ist. Dies wird durch die Anzahl der Spalten beim Einlesen aus der Datenbank bestimmt.
Einige Datentypen lassen sich schneller laden als andere. Im weitesten Sinne ist die Reihenfolge die folgende.
- ODBC: Dies hängt auch vom Treiber und der Datenbank ab.
- Flatfiles:
csv’s
. - Excel: Diese Dateien enthalten Overhead für die Verwendung in Excel, wodurch sie langsamer eingelesen werden können. Verwenden Sie nach Möglichkeit Textdateien anstelle von Excel-Dateien. Textdateien sind viel schneller.
Skripte mit mehreren Dateien sind beim Analysieren aller verschiedenen Einfachdateien ziemlich langsam und sollten nach Möglichkeit vermieden werden. Vermeiden Sie auch APIs zum Laden großer Datenmengen.
Daten können auf folgende Arten geladen werden:
- wenn die Anwendung gestartet wird (Live-Daten);
- als Ergebnis einer geplanten Datenausführung (zwischengespeicherte Daten);
- eine Kombination aus Live- und zwischengespeicherten Daten (inkrementelles Laden).
Im Allgemeinen sind Live-Daten viel langsamer, insbesondere wenn viele Daten vorhanden sind. Live-Daten benötigen auch einen kontinuierlichen Zugriff auf die Daten, was während der Produktionszeiten ein Problem sein kann.
Als allgemeine Richtlinie wird empfohlen, Livedaten unter 100.000 Ereignissen zu halten. Die tatsächliche Leistung hängt stark von den Daten und den verwendeten Datenquellen ab.
Es ist möglich, Live-Daten basierend auf dem Wert eines Filters abzurufen. Wenn der Filter geändert wird, werden die neuen Daten angefordert. Die Leistung muss für diese Art von Anwendungsfällen ernsthaft in Betracht gezogen werden.
Live-Tabellen werden geladen, wenn sich der Benutzer anmeldet und/oder ein Filtersteuerelement ändert. Live-Tabellen führen häufig zu Leistungsproblemen. Es wird empfohlen, nach Möglichkeit zwischengespeicherte Tabellen zu verwenden.
Bei zwischengespeicherten Daten ist die Startzeit der Anwendung unabhängig von der Anzahl der Spalten. Wenn Daten vorberechnet und zwischengespeichert werden, können sie bei Anforderung direkt aus dem Cache geladen werden. Das Extrahieren von Daten aus Quellsystemen kann zeitaufwändig sein. Es wird empfohlen, die Cache-Aktualisierungen zu planen, z. B. außerhalb der Produktionszeiten.
Neben der Extraktion von Daten werden die Daten auch in das interne Format von UiPath Process Mining umgewandelt, und alle Berechnungen, die nicht von Benutzereingaben abhängen, werden zwischengespeichert.
Bei Berechnungen, die von Benutzereingaben abhängen, wird der Anfangszustand zwischengespeichert. Wenn der Benutzer ein Steuerelement oder einen Filter ändert, der die Berechnung ändert, wird die Berechnung erneut ausgeführt. Für ein gutes Anwendungsdesign ist es sehr wichtig, diese Neuberechnungen auf ein Minimum zu beschränken.
Standardmäßig lädt UiPath Process Mining Daten nicht inkrementell. Da bei den Elementen in den ERP-Systemen häufig Mutationen auftreten, ist die Archivierung der Daten häufig kein gewünschter Ansatz. Daher werden alle Daten aus dem System geladen, um sicherzustellen, dass wir die neuesten Änderungen in unserem Datenmodell haben.
Das inkrementelle Laden von Daten kann theoretisch von Anwendungsentwicklern eingerichtet werden. Dies erfordert ausreichende Informationen in der Datenbank, um zu bestimmen, welche Daten neu sind und welche Abfragen sein müssen. Die Leistung muss sorgfältig geprüft werden. Wir empfehlen die Verwendung des inkrementellen Ladens von Daten nur, wenn dies unbedingt erforderlich ist.
Eine geeignetere Alternative besteht darin, inkrementelle Ladevorgänge vom Quellsystem in einen Data Lake/Warehouse mit speziellen Tools auszuführen und dann den Data Lake/das Warehouse von UiPath Process Mining abzufragen. Dies gewährleistet eine geringe Auswirkung auf das Quellsystem und teilt die Gewinne aus inkrementellen Lasten mit der gesamten Organisation, anstatt speziell für UiPath Process Mining.
In UiPath Process Mining können Sie Daten über Skripte laden, die beispielsweise Python oder R verwenden. Diese Skripte rufen ein externes Programm zur Ausführung auf, und diese Ausgabe kann erneut eingelesen werden. UiPath Process Mining bietet die Unterstützung für die Schnittstelle zwischen unserer Plattform und dem Skript. UiPath Process Mining unterstützt keine Probleme mit dem eigentlichen Skript, die zu einer langen Laufzeit des externen Tools führen können.
Stellen Sie immer sicher, dass Sie die neuesten Versionen der MSSQL-ODBC- Treiber für Windows Server 2016 installiert haben.
Manchmal ist es beispielsweise nicht möglich, die einzulesenden Daten zu reduzieren. wenn die Eingabedaten noch nicht gefiltert werden können. Bei einer großen Eingabe in Ihrem Connectorkönnen die Reaktionszeiten langsam sein. Um die Entwicklung zu beschleunigen, können Sie Ihrer Anwendung Module hinzufügen.
Sie können den Modulcode verwenden, um sicherzustellen, dass die Daten nur in einem Modul tatsächlich eingelesen werden, während das andere Modul keine Daten lädt und verwendet werden kann, um Änderungen an Ihrem Datenmodell vorzunehmen. Auf diese Weise werden Änderungen beeinflusst, ohne dass auf die Initialisierung der Daten gewartet werden muss.