Modelowanie danych w środowisku Power BI

04.08.25 r.

Spotykamy się na co dzień z problemem integracji danych z wielu źródeł danych. Przechowywane dane są w różnych formatach. Czasami daty to teksty (np. Excel, pliki CSV) a czasami to faktycznie daty jak w środowiskach baz relacyjnych lub w usługach online.

Chcąc dokonać analizy danych, pochodzących z tych różnych źródeł danych … musimy się napracować, czyli sprowadzić dane do „wspólnego mianownika”, oczyścić i dostosować do potrzeb metod analitycznych. W wielu sytuacjach musimy dokonać powiązania tych danych ze są, czyli zbudować relację, aby silnik realizujący wizualizację był w stanie „zinterpretować” nasze pomysły.
Proces o którym piszemy nazywamy modelowaniem danych a jego rezultatem jest model semantyczny umożliwiający pracę analityka. Czyli:
Celem modelowania danych w Power BI jest przygotowanie danych w taki sposób, aby umożliwić ich efektywną analizę, wizualizację i interpretację. Modelowanie danych to kluczowy etap w procesie budowania raportów i dashboardów.

Podsumujmy kilka najważniejszych zadań jakich oczekujemy w procesie modelowania danych

1. Integracja danych z różnych źródeł
Power BI umożliwia łączenie danych z wielu źródeł (np. Excel, SQL Server, SharePoint, API), a modelowanie danych pozwala na:

• scalanie danych w jedną logiczną strukturę,
• tworzenie relacji między tabelami (np. relacja zamówień do klientów).

2. Utworzenie spójnej struktury danych (model relacyjny)
Modelowanie danych pozwala uporządkować dane w postaci tzw. modelu gwiazdy (star schema), która jest bardzo przejrzystym spojrzeniem na zgromadzone dane oraz pozwala efektywnie dokonywać procesów analiz. Ten sposób przechowywania danych jest zorganizowany w strukturę zwaną hurtownią danych (Data Warehouse). Zawiera ona dwa typy tabel:

• Tabele faktów (np. sprzedaż)
• Tabele wymiarów (np. produkt, klient, czas)

3. Tworzenie miar i kolumn obliczeniowych
W procesie modelowania danych można w modelu realizować własne mechanizmy obliczeniowe z wykorzystaniem języków dostępnych w środowisku Power BI: języka M oraz DAX (omówimy to w kolejnych artykułach z serii „Analiza danych dla wszystkich”.
Przykładowe wyrażenia:

• miary (measures) w DAX, np. SUM(Sprzedaż[Kwota]),
• kolumny obliczeniowe, np. Rok = YEAR(Data).

4. Poprawa wydajności
Odpowiednie modelowanie danych (np. poprzez usuwanie zbędnych kolumn, stosowanie relacji jednokierunkowych, filtrowanie danych) pozwala na:

• szybsze ładowanie danych,
• płynniejsze działanie raportów.

5. Lepsza czytelność i organizacja danych
Modelowanie danych umożliwia:

• nadanie sensownych nazw kolumnom i tabelom,
• ukrycie zbędnych elementów przed użytkownikiem raportu,
• tworzenie hierarchii (np. Rok > Kwartał > Miesiąc).

6. Zachowanie dokładności i spójności danych
Dobrze zbudowany model danych:

• ogranicza błędy logiczne w analizach (np. podwójne zliczanie),
• zapewnia, że dane są poprawnie agregowane i filtrowane.

Źródło: Microsoft Learn

Wiemy już, że musimy bardzo precyzyjnie przygotować zbiory danych. Pozostaje jednak główne pytanie: Jakie analizy zmierzamy przeprowadzić? Czy w praktyce zanim przygotujemy model danych, musimy na horyzoncie widzieć cel, jakiemu on ma służyć. Procesy analizy mogą odpowiadać na różne pytania:

• Jaka była sprzedaż danego produktu w maju?
• Dlaczego sprzedaż produktu spadła w maju?
• Jaką planujemy sprzedaż produktu na lipiec?

W zależności od przedstawionych pytań, mamy różne sposoby modelowania danych. O tym jakie typy są typy analiz, w jaki sposób je wizualizować przedstawimy w kolejnym artykule z serii „Analiza danych dla wszystkich”. Tym niemniej możemy przedstawić ogólne zagadnienia z wiązane z przygotowaniem modelu danych.

Jak wygląda metodologia budowania modelu danych w Power BI? Poniżej przyjrzymy się kilku najważniejszym aspektom tego procesu

1. Zdefiniuj cele analizy

• Jakie pytania ma odpowiadać raport?
• Jakie wskaźniki (KPI) są najważniejsze?

Dla kogo jest raport?

1. Zidentyfikuj i połącz źródła danych

• Wybierz źródła danych: Excel, SQL, API, SharePoint, itd.
• Upewnij się, że masz dostęp i dane są aktualne.
• Połącz dane w Power BI za pomocą Power Query (ETL).

2. Oczyść i przekształć dane (ETL)

• Usuń duplikaty, puste wiersze, błędy.
• Przekształć kolumny (daty, formaty, tekst).
• Przefiltruj zbędne dane.

3. Zbuduj strukturę modelu danych

• Wydziel tabele faktów i tabele wymiarów
• Fakty: dane liczbowe, transakcyjne (np. sprzedaż)
• Wymiary: kontekst analizy (np. klient, data, produkt)
• Ustal relacje między tabelami (jeden-do-wielu)
• Preferuj model gwiazdy (star schema)

4. Optymalizuj model

• Ukryj zbędne kolumny i tabele.
• Stosuj formatowanie nazw i typów danych.
• Twórz hierarchie (np. Rok > Kwartał > Miesiąc).
• Ustaw odpowiednie kierunki filtrowania.

5. Twórz miary i obliczenia w DAX

• Zbuduj miary (np. SUM(Sprzedaż[Kwota]))
• Obliczenia typu: marża, wzrosty rok do roku, itd.
• Używaj zmiennych, jeśli to poprawia czytelność.

6. Testuj i weryfikuj dane

• Czy dane są spójne?
• Czy sumy i relacje są poprawne?
• Czy filtrowanie działa zgodnie z oczekiwaniami?

7. Dokumentuj model

• Nazwy tabel i kolumn powinny być jasne.
• Opisz miary i logikę obliczeń.
• Stwórz dokumentację (nawet prostą) dla zespołu.