Abfragen von Trenddaten

Azure DevOps Services | Azure DevOps Server | Azure DevOps Server 2022

Die Untersuchung von Trends in Daten und das Erstellen von Periodenvergleichen sind wichtige Aspekte der Berichterstellung und Datenanalyse. Analytics unterstützt diese Funktionen.

Trenddaten werden in den Entitätssätzen WorkItemSnapshot und WorkItemBoardSnapshot verfügbar gemacht. Sie werden so konstruiert, dass jedes Arbeitselement, von dem Tag an, an dem es bis heute erstellt wurde, für jeden Tag existiert. Für eine Organisation mit nur einer Arbeitsaufgabe, die vor einem Jahr erstellt wurde, gibt es 365 Zeilen in dieser Entität. Bei großen Projekten wären diese Entitäten für die Verwendung mit Clienttools unpraktisch.

Was ist die Lösung? Verwenden Sie die Aggregationserweiterungen.

Mithilfe der OData-Aggregationserweiterungen können Sie aggregierte Daten aus Azure DevOps zurückgeben, die der Berichterstellung förderlich sind. Sie könnten zum Beispiel den Fehlertrend für den Monat März anzeigen. Fehlertrends sind ein häufiger und wichtiger Bestandteil der Verwaltung jedes Projekts, damit Sie sie sofort effektiv nutzen können.

https://{servername}:{port}/tfs/{OrganizationName}/{ProjectName}/_odata/{version}/

Voraussetzungen

Erstellen einer einfachen Abfrage für Trenddaten

Um die WorkItemSnapshot-Tabelle effektiv abzufragen, befolgen Sie die folgenden grundlegenden Anforderungen:

• Filtern Sie die Daten nach Datum.
• Gruppieren Sie die Aggregation nach mindestens dem Datum. Wenn nicht, enthält die Antwort eine Warnung.

Die Abfrage zum Erstellen eines Fehlertrendberichts sieht wie im folgenden Beispiel aus:

https://analytics.dev.azure.com/{OrganizationName}/{ProjectName}/_odata/{version}//WorkItemSnapshot?
  $apply=
    filter(DateValue ge 2016-03-01Z and DateValue le 2016-03-31Z and WorkItemType eq 'Bug')/
    groupby((DateValue,State), aggregate($count as Count))
  &$orderby=DateValue

Es gibt ein Ergebnis zurück, das dem folgenden Beispiel ähnelt:

{
  "@odata.context": "https://analytics.dev.azure.com/{OrganizationName}/{ProjectName}/_odata/{version}//$metadata#WorkItemSnapshot(DateValue,State,Count)",
  "value": [
    {
      "@odata.id": null,
      "State": "Active",
      "DateValue": "2016-03-01T00:00:00-08:00",
      "Count": 2666
    },
    {
      "@odata.id": null,
      "State": "Closed",
      "DateValue": "2016-03-01T00:00:00-08:00",
      "Count": 51408
    }
  ]
}

Diese Abfrage erzeugt höchstens 31 * (number of bug states). Der Standardfehler weist drei Zustände auf:

• Aktiv
• Gelöst
• Geschlossen

Diese Abfrage gibt höchstens 93 Zeilen zurück, unabhängig davon, wie viele Tausend Datensätze tatsächlich vorhanden sind. Es bietet eine wesentlich kompaktere Form der Rückgabe von Daten.

Sehen wir uns eine Variante in diesem Beispiel an. Sie möchten den Fehlertrend für eine Iteration oder eine Version sehen, die mit einer Iteration beginnt und mit einer anderen endet.

Führen Sie zum Erstellen dieser Abfrage das folgende Beispiel aus:

https://analytics.dev.azure.com/{OrganizationName}/{ProjectName}/_odata/{version}//WorkItemSnapshot?
  $apply=
    filter(WorkItemType eq 'Bug')/
    filter(Iteration/IterationName eq 'Sprint 99')/
    filter(DateValue ge Iteration/StartDate and (Iteration/EndDate eq null or DateValue le Iteration/EndDate))/
    groupby((DateValue, State), aggregate($count as Count))
  &$orderby=DateValue

Es gibt ein Ergebnis zurück, das dem folgenden Beispiel ähnelt:

{
  "@odata.context": "https://analytics.dev.azure.com/{OrganizationName}/{ProjectName}/_odata/{version}//$metadata#WorkItemSnapshot(DateValue,State,Count)",
  "value": [
    {
      "@odata.id": null,
      "State": "Active",
      "DateValue": "2016-04-04T00:00:00-07:00",
      "Count": 320
    },
    {
      "@odata.id": null,
      "State": "Closed",
      "DateValue": "2016-04-04T00:00:00-07:00",
      "Count": 38
    }
  ]
}

In dieser Abfrage gibt es zwei wichtige Unterschiede. Wir haben eine Filterklausel hinzugefügt, um die Daten für eine bestimmte Iteration zu filtern, und die Datumsangaben werden jetzt mit dem Anfangs- und Enddatum der Iteration verglichen statt mit einem hartcodierten Datum.

Verwandte Artikel

• Erstellen Sie aggregierte Datenabfragen , um Gruppen verwandter Daten zu zählen und zu analysieren.