Zbiór dobrych praktyk

1. Im mniej kolumn, tym lepiej

Dlaczego? Power BI wykorzystuje kolumnową bazę danych, co pozwala na skuteczną kompresję danych. Im mniej kolumn w tabeli, tym mniej informacji musi być przechowywane i przetwarzane przez silnik pamięci, co poprawia wydajność.

Wskazówka: Nie ładuj wszystkich kolumn „na zapas” – wczytuj tylko te, które faktycznie są potrzebne do raportowania.

2. Stosuj odpowiednie typy danych

Dlaczego? Power BI wewnętrznie optymalizuje dane w zależności od typu. Typy takie jak liczby całkowite są najbardziej wydajne pamięciowo. Typ Data, Liczba dziesiętna, czy Prawda/Fałsz też mogą być efektywne, ale warto unikać nadmiernego użycia typów tekstowych.

Wskazówka: Zawsze w miarę możliwości używaj najprostszego typu danych potrzebnego do analizy.

3. Unikaj wartości skrajnych i odstających

Dlaczego? Wartości bardzo niskie lub bardzo wysokie (np. 9999 jako data końcowa) mogą powodować, że Power BI nie będzie mógł użyć optymalnego słownika, co pogorszy wydajność. Wynika to z faktu, że gdy wartości są zapisywane w postaci liczb całkowitych, model musi wziąć pod uwagę wszystkie możliwe wartości od najmniejszej do największej wartości w kolumnie.

Wskazówka: Dla brakujących wartości wybierz coś zbliżonego do pozostałych (np. średnią), lub pozostaw wartość pustą.

4. Duża liczba wierszy to nie problem – różnorodność danych już tak

Dlaczego? Power BI radzi sobie dobrze z dużą liczbą wierszy, ale problemy pojawiają się, gdy w kolumnach znajduje się wiele różnych, unikalnych wartości – wtedy potrzebna jest większa ilość pamięci do ich przechowania. Wysoka liczba unikatowych wartości w kolumnie obniża współczynnik kompresji danych i zwiększa rozmiar modelu.

Wskazówka: Staraj się nie ładować niepotrzebnie szczegółowych danych (np. unikalnych ID transakcji, jeśli nie są potrzebne).

5. Zastanów się, czy potrzebujesz całej historii

Dlaczego? Często ładowanie danych historycznych z wielu lat nie jest potrzebne. Mniejsze modele danych są szybsze i bardziej efektywne.

Wskazówka: Ładuj dane tylko z ostatnich lat lub filtruj dane na etapie ładowania (np. ostatnie 3 lata).

6. Monitoruj rozmiar modelu i jego wydajność

Używaj narzędzi takich jak DAX Studio do monitorowania rozmiaru pliku modelu i sprawdzania jego wydajności.

7. Usuwaj nieużywane kolumny, miary i tabele

Dlaczego? Każda kolumna, miara czy tabela zajmuje miejsce w pamięci i zwiększa złożoność modelu, nawet jeśli nie jest używana. To może obniżyć wydajność i utrudniać zarządzanie modelem.

Wskazówka: Regularnie przeglądaj swój model – np. za pomocą narzędzi (jak DAX Studio lub Bravo) – i usuwaj elementy, które nie są używane w raportach, miarach ani relacjach.

8. Wyłączaj miary niejawne (implicit measures)

Dlaczego? Power BI automatycznie tworzy miary dla pól liczbowych (np. SUM, COUNT), które mogą nie być używane, ale nadal obciążają model i wprowadzają niepotrzebny chaos.

Wskazówka: W zakładce Table view kliknij na pole i w sekcji "Properties" ustaw "Don't summarize”.

9. Unikaj kolumn kalkulowanych (calculated columns)

Dlaczego? Kolumny kalkulowane są obliczane przez silnik analityczny (VertiPaq) po załadowaniu danych, co oznacza dodatkowe zużycie pamięci i wolniejsze odświeżanie. Są też mniej wydajne niż kolumny wyliczane w źródle lub Power Query.

Wskazówka: Jeśli możesz, twórz kolumny w Power Query (M) lub w zapytaniu źródłowym (np. SQL), gdzie obliczenia są wykonywane tylko raz przed załadowaniem danych do modelu.

10. Oczyszczaj dane na poziomie źródła

Dlaczego? Przetwarzanie danych jak najbliżej źródła (np. w SQL lub Power Query) pozwala zmniejszyć ilość danych ładowanych do Power BI, co poprawia wydajność i skraca czas odświeżania. Model staje się też bardziej przejrzysty i łatwiejszy do utrzymania.

Wskazówka: Filtruj dane w Power Query lub zapytaniach SQL – np. ogranicz zakres dat, wybierz tylko potrzebne kolumny i wykonaj obliczenia (np. kategorie, flagi, statusy) jeszcze przed importem do modelu.

11. Używaj grup obliczanych (Calculation Groups), aby zminimalizować powtarzalność miar

Dlaczego? Grup obliczeniowych możesz użyć do dynamicznych modyfikacji miar (np. porównań YTD, MTD, QoQ, YoY) bez potrzeby ich duplikowania. Dzięki temu Twój model jest lżejszy, łatwiejszy w utrzymaniu i bardziej elastyczny.

Wskazówka: Twórz grupy obliczeniowe w narzędziu Tabular Editor 2 lub 3 lub Power BI w zakładce "Model view"

12. Korzystaj z tabeli kalendarza oznaczonej jako tabela dat

Dlaczego? Funkcje czasu w DAX (np. TOTALYTD, SAMEPERIODLASTYEAR, DATESYTD) działają dobrze, jeśli masz oznaczoną tabelę dat (Date Table). Brak jej oznaczenia może prowadzić do błędnych wyników lub ograniczonej funkcjonalności.

https://www.sqlbi.com/articles/mark-as-date-table/

Porównanie podejść:

Podejście Zalety Wady Power Query (M) - Tworzenie kalendarza przy ładowaniu danych- Możliwość dynamicznego ustawienia zakresu dat - Mniejsza elastyczność przy analizach opartych na DAX

DAX - Możliwość dynamicznego generowania kalendarza w modelu- Łatwość użycia CALENDAR() lub CALENDARAUTO() - Więcej zasobów zużywanych w modelu

Źródło danych - Jednolitość kalendarza w całej organizacji- Możliwość dodania dni roboczych, świąt itd. - Często wymaga integracji i synchronizacji z innymi danymi. Zmniejsza elastyczność przy filtrowaniu danych w modelu.

Wskazówka: Używaj podejścia, które najlepiej pasuje do Twojego środowiska – dla pełnej kontroli i złożoności (np. święta, tygodnie ISO) rozważ kalendarz z hurtowni danych; dla elastyczności – PQ lub DAX.

13. Przechowuj wszystkie miary w jednej tabeli z podziałem na foldery i podfoldery

Dlaczego? Przeniesienie wszystkich miar do jednej dedykowanej tabeli (np. „_Miary”) upraszcza model i ułatwia użytkownikom odnalezienie odpowiednich kalkulacji. Foldery tematyczne zwiększają czytelność.

Wskazówka: Utwórz pustą tabelę w Power BI, dodaj do niej wszystkie miary, a następnie w zakładce „Model” nadaj im foldery (np. Sprzedaż / Rok bieżący / Wzrost%).

14. Korzystaj z parametrów dla źródeł danych

Dlaczego? Parametry pozwalają dynamicznie sterować zakresem ładowanych danych, np. określić datę początkową, środowisko (DEV/PROD), użytkownika czy region. Ułatwia to testowanie oraz rozwój modelu i zapobiega ładowaniu zbędnych danych.

Wskazówka: Zastosuj parametr np. dla roku początkowego danych (StartYear) lub ogranicz dane do ostatnich 90 dni, aby przyspieszyć ładowanie

Chcesz więcej takich treści?

Dołącz do newslettera po więcej tipów i materiałów edukacyjnych.
Zapisując się, akceptujesz politykę prywatności i wyrażasz zgodę na otrzymywanie newslettera.