1. Tout mettre dans une seule table
L'erreur la plus fréquente consiste à importer un unique tableau très large, obtenu par une série de jointures dans Excel. Le modèle fonctionne — jusqu'à ce que le volume augmente, ou qu'un filtre produise un total inattendu.
Un modèle en étoile sépare les faits (les événements mesurables : ventes, tickets, heures) des dimensions (les axes d'analyse : client, produit, date). Cette séparation rend le modèle plus léger, plus rapide et surtout plus prévisible.
2. Négliger la table de dates
Sans table de dates dédiée et marquée comme telle, les fonctions de time intelligence de DAX produisent des résultats erratiques : cumuls annuels faux, comparaisons N-1 vides sur certains mois.
Une table de dates continue, couvrant l'intégralité de la période analysée sans trou, est un prérequis — pas une option.
- Une ligne par jour, sans interruption
- Marquée comme table de dates dans le modèle
- Reliée à la table de faits par une relation un-à-plusieurs
- Enrichie des colonnes utiles : année, trimestre, mois, semaine, jour ouvré
3. Calculer au mauvais endroit
Une colonne calculée est évaluée une fois, à l'actualisation, et stockée en mémoire pour chaque ligne. Une mesure est évaluée à la volée, dans le contexte du visuel. Les deux ne coûtent pas la même chose et ne répondent pas aux mêmes besoins.
La règle pratique : tout ce qui doit s'agréger dynamiquement selon les filtres appliqués relève de la mesure. Ce qui sert d'axe d'analyse ou de critère de tri peut être une colonne — de préférence créée en amont, dans Power Query.
En pratique
Ces trois points structurent le module de modélisation de notre formation Power BI Desktop. Ils occupent quatre heures du parcours, avant même d'aborder les visuels — parce qu'un rapport construit sur un modèle sain se conçoit ensuite très vite.
Sujets abordés
- Power BI
- modélisation
- DAX
- modèle en étoile
- business intelligence