3.data Modelling & DAX

Cours Microsoft Power BI
Data Model & DAX Basic
Support de formation v. 1.1 - Avril 2019
1
Sommaire
Data Modeling & DAX basic
➢ Rappels et complément autour des notions de Data models et

de modélisation
➢ Les différentes étapes du travail de modélisation
➢ Initiation au langage DAX
Formation Microsoft Power BI - Tous droits réservés – Finelog-Biseum® 2

Data Modeling & DAX
➢ Le travail de modélisation dans Power BI se fait :
▪ Soit à l’issue du travail d’importation et de retraitement des données ;

▪ Soit au fur et à mesure de la construction des flux d’alimentation.
➢ Il n’est pas rare que l’on doive revenir sur le processus d’alimentation
pendant le travail de modélisation pour ajuster quelques données ;
➢ Enfin, nous verrons que le DAX, langage utilisé dans le cadre du travail de
modélisation, permet également de construire des tables dynamiques à
partir des tables résultant du processus de chargement :
▪ Nous l’avons déjà vu pour la partie création d’une table calendaire

Data Modeling & DAX
➢ L’étape de modélisation est une étape clé dans la mesure où elle vise à
garantir pour l’utilisateur :
▪ La compréhension des objets métiers qu’il manipule (sémantique, description) ;

▪ La cohérence de la navigation interactive entre ces objets (relations) ;
▪ La richesse des objets, dont les indicateurs, permettant à l’utilisateur
d’apprécier la problématique étudiée (définition d’indicateurs et de leur
déclinaison) ;
▪ Le côté prêt à l’emploi qui va de pair avec ce type de solution (formatage des
données) ;
▪ La garantie de gérer finement la sécurité/confidentialité des données en
fonction du profil de l’utilisateur :
• Restriction sur les objets métiers ;
• Restriction sur les données.

Data Modeling & DAX
➢ Nous avons déjà abordé lors de l’introduction les concepts de modélisation :

▪ Tables avec Table de dimensions, Table de faits ;
▪ Les relations entre les tables et les cardinalités associées ;
▪ Modèles analytiques sous la forme de Modèle en flocon, Modèle en étoile ;
▪ Hiérarchies.

Data Modeling & DAX
➢ Pour compléter les types de table (Dimensions, Faits), il existe également les
tables d’agrégat :
▪ Une table d’agrégat s’appuie sur une table de faits pour présenter en général un
niveau d’information plus synthétique complété d’indicateurs dits agrégés.

Data Modeling & DAX
➢ Les tables d’agrégat sont généralement issues / calculées à partir d’une table
de fait à partir desquelles :
▪ On supprime des références à des dimensions (Magasins, Clients) ou on

remonte dans la hiérarchie de la dimension (Calendrier : Date => Année) ;
▪ On agrège certaines informations pour aboutir à des indicateurs (min, max,
count, count distinct, moyenne, somme, rang…).

Data Modeling & DAX
➢ Les tables d’agrégation sont utilisées dans différents cas :
▪ Restreindre de manière conséquente la volumétrie des données et ainsi garantir

de meilleures performances (consommation de mémoire plus faible) ;
▪ Pour des questions de sécurité : masquer les informations de détail et
notamment répondre aux normes GDPR ;
▪ Constituer des indicateurs tenant compte de règles de gestion : solde fin de
mois …
➢ Les tables d’agrégats peuvent être constituées dans le cadre du processus

d’alimentation (opération de regroupement avec les formules d’agrégation)
et/ou dans le modèle de données via l’utilisation du DAX ;
➢ N’oublions pas que toutes agrégations altèrent les capacités d’audit des
données.

Data Modeling & DAX
➢ L’interface de modélisation est organisée en deux écrans, accessible depuis

le bandeau droit :
▪ La vision « données » avec une vue du contenu de chaque table ;
▪ La vision « structure » permettant de mettre en place les relations et d’avoir une
vision globale du Data Model.

Data Modeling & DAX
➢ La vue « données » permet de travailler sur la présentation de l’information :

▪ Masquage : Masque des données techniques sans intérêt pour l’utilisateur ;
▪ Typage : Préciser le data-type ;
▪ Formatage : Affichage des données de type numérique, de type date ;
▪ Catégorisation : Elément de localisation pour les représentations géographiques,
URL, Image, Code barre ;
▪ Tri des valeurs : Définit l’ordre de présentation des données par défaut ;
▪ Agrégation par défaut : sur les données utilisées à des fins de constitution
d’indicateurs, définit la méthode d’agrégation (somme, moyenne, comptage…)
qui sera utilisée par défaut ;
▪ Définition de groupes : Pour combiner des valeurs spécifiques ;
▪ Renommage de item (colonnes et tables).
➢ Toutes ces opérations vont influer sur la manière dont les informations seront
présentées en restitution et vont être interprétées par les différents visuels ;
➢ Plus le travail sera abouti, moins l’utilisateurs aura de paramétrage lors de la
création des visuels.
Data Modeling & DAX
➢ Le travail consiste donc à balayer depuis la vue « Données », chacune des

tables, et pour chacune de leurs colonnes, se poser toutes les questions en
rapport avec les points précédents :
1. Positionnez-vous sur la vue « Données » ;
2. Allez dans le menu « Modélisation » ;
3. Sélectionnez la table « Order Detail ».

Data Modeling & DAX
➢ Pour masquer les colonnes :

1. Sélectionnez la colonne et faites un clique-droit dessus ;
2. Sélectionnez l’item « Masquer la vue dans le rapport » ;
3. Faite cette opération pour toutes les colonnes d’ID ().
▪ Les colonnes masquées sont identifiables avec leurs entêtes grisés ;
▪ Une colonne masquée peut être utilisée dans les calculs DAX.
2
Data Modeling & DAX
➢ Pour définir/contrôler le type de donnée et les options de formatage :

1. Sélectionnez la colonne (passer sur toutes les colonnes) ;
2. Contrôlez ou définissez le type approprié à chacune en utilisant les différentes
options de mise en forme du menu « Modélisation ».
2 1

Data Modeling & DAX
➢ Pour définir/contrôler la catégorisation de contenu :

1. Sélectionnez la colonne (passer sur les colonnes pouvant correspondre aux
types de contenu) ;
2. Dans la table « Produit », colonne « Photo Produit », définissez la catégorie
« URL Image » dans la liste « Catégorie de donnée » du menu.
▪ La catégorisation de contenu va influer sur le type de visuel utilisé par défaut
lors du glisser-déposer de l’item sur une page de restitution.

Data Modeling & DAX
➢ Pour définir/contrôler la catégorisation de contenu :

Avant catégorisation des contenus
Après catégorisation des contenus

Data Modeling & DAX
➢ Pour définir l’ordre de tri par défaut permettant de définir l’ordre d’affichage
des données :
1. Sélectionnez la colonne « Mois » de la table « Calendrier » ;
2. Cliquez sur l’icone « Trier par colonne » et sélectionner la colonne « Mois No ».
▪ Cette option permet de définir l’ordre d’affichage de la colonne libellé « Mois »
en fonction des valeurs de la colonne « Mois No » afin que celle-ci ne suive pas
l’ordre alphabétique.
1
Data Modeling & DAX
➢ Pour définir l’ordre de tri par défaut permettant de définir l’ordre d’affichage
des données :
Avant d’avoir défini l’option de tri => Tri alphabétique sur la colonne Mois
Après avoir défini l’option de tri à partir de la colonne Mois No

Data Modeling & DAX
➢ Pour définir l’agrégation par défaut (ou la non agrégation) des colonnes
numériques :
1. Sélectionnez la colonne « Année » de la table « Calendrier », par défaut étant
une colonne de type numérique, le système défini automatiquement une
agrégation de type « somme » par défaut ;
2. Cliquez sur la liste « total par défaut » et sélectionner l’option d’agrégation
« Ne pas totaliser ».
➢ Par défaut, tout valeur numérique est automatiquement définie avec une
agrégation de type Somme.

Data Modeling & DAX
➢ Pour définir l’agrégation par défaut (ou la non agrégation) des colonnes
numériques :
Avant d’avoir défini l’agrégation par défaut Après avoir défini l’agrégation par défaut

Data Modeling & DAX
➢ Pour définir des groupes de valeurs :

▪ Les groupe de valeur vont permettre de créer des groupes semblables à des
objets métiers ou items qui combinent plusieurs valeurs :
1. Sélectionnez la colonne qui comporte les données qui serviront à la définition
du groupe : table « Zone », colonne « Zone Code » ;
2. Cliquez sur l’icone « Nouveau Groupe » du menu « Modélisation ».
2
1

Data Modeling & DAX

▪ Un assistant pop-up s’ouvre :
1. Sélectionnez dans la liste de valeur de la colonne « Zone Code » les valeur US
et CA ;
2. Cliquez sur le bouton « Grouper » ;
3. Nommez le groupe « Zone code (Groupe America) ».
2
Data Modeling & DAX

▪ Dans le bloc de droite, vous visualisez la composition du groupe nouvellement
créé :
1. Vous pouvez renommer la valeur du groupe tel qu’il apparaitra dans le
reporting en double-cliquant sur son libellé.

Data Modeling & DAX

▪ Lorsque vous validez les caractéristiques du groupe, un nouvel item apparaît
dans la liste des items portés par la table « Zone » et vous pouvez constater ses
valeurs dans la colonne nouvellement créée.

Data Modeling & DAX

▪ En fonction de la nature de la colonne sur laquelle vous vous baserez pour
constituer vos groupes, le paramétrage sera quelque peu différent :
1. Dans la table « Order detail » sélectionnez la colonne « Montant HT » et créez
un nouveau groupe.

Data Modeling & DAX

▪ Comme le type de la colonne « Montant HT » est numérique, l’assistant de
création de groupe propose par défaut de compartimenter le panel de valeurs,
bien que vous puissiez changer l’option et sélectionner une liste de valeur dans
type de groupe :
1. Définissez le nombre de compartiments :
▪ Le nombre de compartiment va répartir les valeurs de la colonne sélectionnée
dans l’un des compartiments.

Data Modeling & DAX

Data Modeling & DAX
➢ Pour renommer les items :

▪ La sémantique est une des clés de l’appropriation et de la compréhension du
Data Model par les utilisateurs. Ces termes fonctionnels qui devront à la fois
être :
• Facilement interprétés ;
• Dont le nom s’affichera facilement dans l’interface et respectant des contraintes
ergonomiques.
1. Pour modifier rapidement le nom d’une colonne ou d’une table, double-
cliquez sur l’entête de l’item ou le nom de la table dans le bandeau droit
« Champs ».

Data Modeling & DAX
➢ Pour renommer les items :

▪ Cependant, pour être plus précis, il est possible de gérer des propriétés
descriptives depuis la vue modèle :
• Synonymes ;
• Description.

Data Modeling & DAX
➢ A ce stade, le modèle n’est pas encore opérationnel. Pour le finaliser il est

nécessaire de :
▪ Spécifier la table « Date » permettant ainsi d’utiliser les fonctions DAX de

gestion des notions sur la temporalité ;
▪ Constituer les relations entre les tables ;
▪ Créer des hiérarchies permettra de définir un lien hiérarchique entre des items
d’une même date (ex : Année => Mois => Jour ; ou Catégorie => Sous-catégorie
=> Modèle => Produit) ;
▪ Définir les indicateurs, si les agrégations par défaut à partir des colonnes ne
suffisent pas à répondre aux problématiques d’analyse.

Data Modeling & DAX
➢ Pour spécifier la table des Dates :
▪ S’assurer que l’on dispose bien d’une table comportant une série continue de
dates, couvrant l’exhaustivité des dates présentent dans les tables de faits ou
des tables qui seront en relation directement avec cette table ;
▪ Si ce n’est pas le cas, il sera nécessaire de la constituer comme nous l’avons vu

dans la phase alimentation :
• Soit par une requête d’alimentation du modèle ;
• Soit avec la formule DAX « Calendar() ».

Data Modeling & DAX

1. Sélectionnez la table « Calendrier » depuis la vue « Données » ;
2. Dans le menu « Modélisation » cliquez sur l’icone « Marquer comme table de
dates ».

Data Modeling & DAX

▪ Une fenêtre pop-up s’ouvre pour préciser quelle colonne porte la notion de
date au sein de la table sélectionnée :
1. Sélectionnez alors la colonne appropriée dans la liste déroulante, ici la colonne
« Date », puis validez.
▪ Un message de validation apparaît pour vous indiquer si le contenu de la
colonne répond aux contraintes propres à l’opération. Si c’est le cas, votre table
« Date » est opérationnelle, sinon, vous devrez en analyser le contenu pour
identifier le problème.

Data Modeling & DAX
➢ La création des relations entre les tables :
▪ Les relations entre les tables permettent de filtrer le contenu d’une table en
fonction de la sélection opérée depuis une table tierce qui est reliée à la
première ;
▪ Le filtre est conditionné par le sens de la relation ;
▪ Power BI peut générer automatiquement des relations entre les tables dans la
mesure où des colonnes portent le même nom dans différentes tables. Le sens
qu’il définit dans ce cas est basé sur l’analyse des valeurs contenues dans
chacune des colonnes de ces tables lui permettant d’en déduire les cardinalités ;
▪ Certaines relations peuvent être définies comme inactives dans le Data Model
et activées en fonction de certain cas, selon des spécifications propres à des
indicateurs.

Data Modeling & DAX

▪ La création des relations s’opère depuis la vue « Modèle » ;
▪ Les tables peuvent être déplacées au sein de cette vue, et la perception peut
être réajustée avec une fonction de zoom.
Formation Microsoft Power BI - Tous droits réservés – Finelog-Biseum® Zoom 43

Data Modeling & DAX

▪ On constate que Power BI a généré automatiquement une relation entre la
table « Order Detail » et « Promotion » ;
▪ Le sens de cette relation indique que les valeurs de la tables « Order Detail »
sont filtrées en fonction des valeurs sélectionnées dans la table « Promotion ».

Data Modeling & DAX

▪ Lorsque l’on double-clique sur cette relation, la fenêtre pop-up de l’assistant de
spécification des propriétés de la relation apparaît.

Data Modeling & DAX

▪ Ces spécifications précisent :
Les colonnes
Les tables permettant
concernées d’assurer la relation;
! ATTENTION !
Les relations
n’autorisent qu’une
seule colonne par
table
Les cardinalités
Le fait que cette Le sens du filtrage

relation soit
active ou non

Data Modeling & DAX

▪ Pour créer une relation entre deux tables, les colonnes utilisées pour constituer
cette relation doivent impérativement être de même type (date, date-time,
entier num., décimal num., texte) ;
▪ Si la clé métier nécessaire pour assurer la relation nécessite de combiner

plusieurs colonnes, il sera alors nécessaire de modifier l’alimentation de ces
tables en créant une nouvelle colonne dans chacune d’elles, qui concatènera les
valeurs des colonnes nécessaires, dans le même ordre.
Même s’il est possible de

créer ces colonnes dans le
modèle via une colonne
calculée en DAX, nous
conseillons vivement de la
faire dans la phase
d’alimentation pour des
questions de performance

Data Modeling & DAX
➢ Pour créer une relation entre les tables :
▪ Depuis la vue « Modèle » :
1. Sélectionnez une colonne d’une table ;
2. Restez appuyé sur le bouton gauche de souris et déplacez votre curseur jusqu’à
la colonne souhaitée de la table avec laquelle vous voulez créer la relation.
2
1

Data Modeling & DAX

▪ Comme il n’y a aucune ambiguïté dans les valeurs, les Id de la table Produit
étant uniques, la relation est créée sans qu’il soit nécessaire de spécifier les
cardinalités et le sens du filtre.

Data Modeling & DAX

Data Modeling & DAX
➢ La création de hiérarchies :
▪ Les hiérarchies sont natives dans Power BI dans la mesure où le moteur
analytique déduit automatiquement les relations hiérarchiques entre les
différentes informations ;
▪ Il est cependant possible de créer des hiérarchies spécifiques qui seront
utilisées comme un seul item dans les visuels. Par exemple :
Niveaux intermédiaires
Synthèse Détail
Catégorie => Sous-catégorie => Modèle => Produit
▪ C’est d’ailleurs ce que propose Power BI par défaut sur les notions de datation
(Item de type date).

Data Modeling & DAX
➢ Pour créer une hiérarchie :

1. Sélectionnez un champ de la table dans le bandeau « Champs » de la vue
« Modèle » et faites un clique-droit sur ce champ. Sélectionnez le champ
« Catégorie » de la table « Produit » ;
2. Sélectionner l’item du menu « Créer une hiérarchie ».
1
2

Data Modeling & DAX

▪ Power BI rajoute dans la structure cette table une hiérarchie reconnaissable par
l’icone , basée sur le champ sélectionné :
1. Nommez alors la hiérarchie « Hiérarchie Produit » dans les propriétés ;
2. Puis faites glisser le champ « Sous-catégorie » sur l’entête de la hiérarchie dans
le bandeau « Champs ».

Data Modeling & DAX

▪ Le champ « Sous-categorie » est alors positionné dans la « Hiérarchie
produits », sous l’item « Categorie » :
1. Faites de même avec les champs « Modèle » puis « Nom produit ».

Data Modeling & DAX

▪ L’utilisation de la « Hiérarchie produit » dans l’interface de visualisation de
données ramènera automatiquement l’ensemble des champs associés à cette
hiérarchie.

Data Modeling & DAX
➢ La création d’indicateurs ou de colonnes calculées passe nécessairement

par des formules DAX :
▪ Le DAX est une collection de fonctions, d’opérateurs et de constantes qui peut

être utilisé dans une formule, ou une expression, pour calculer et retourner une
ou plusieurs valeurs. En termes simples, DAX vous aide à créer des informations
à partir des données déjà présentes dans votre modèle ;
▪ Le DAX n’est pas obligatoire et le modèle dès à présent constitué est déjà
opérationnel, sans qu’il comporte la moindre formule DAX (sauf pour la table
calendrier), car le moteur analytique a nativement la capacité à agréger les
données. Cependant, pour des calculs plus complexes, le DAX sera
incontournable ;
▪ Le DAX s’approche par endroit des formules Excel ;
▪ Vous ne serez pas expert du DAX à l’issue de ce cours mais vous aurez un bon
aperçu et sachez que de très nombreux exemples sont en ligne.

Data Modeling & DAX
➢ Les catégories de fonction DAX :
▪ Datation (DATE, DATEVALUE, TIME, TODAY, YEAR …) ;

▪ Chaines de caractères (LEN, LEFT, RIGHT, TRIM, UPPER, CONCATENATE …) ;
▪ Mathématiques et Trigonométriques (INT, ROUND, SQRT, SUM, ABS, DIVIDE …) ;
▪ Information (ISNUMBER, LOOKUPVALUE, ISBLANK …) ;
▪ Logiques (AND, NOT, OR, TRUE , FALSE) ;
▪ Conditionnelles (IF, SWITCH) ;
▪ Statistiques/Agrégations (SUM, MIN, MAX, COUNT, COUTA, AVERAGE…) mais
également (SUMX, COUNTX, AVERAGEX…) ;
▪ Filtrage (CALCULATE, FILTER …) ;
▪ Time Intelligence (TOTALYTD, PARALLELPERIOD…) ;
▪ Parents-Enfants (PATH, PATHITEM, PATHITEMREVERSE) ;
▪ Autres (SUMMARIZE, RELATED…).

Data Modeling & DAX
➢ La création d’indicateurs ou de colonnes calculées passe nécessairement

par des formules DAX :
▪ Power BI utilise « intellisense » pour guider l’utilisateur dans la rédaction des

expressions, tant pour les objets du Data Model que pour les formules.

Data Modeling & DAX
➢ Syntaxe DAX :
▪ C.A. HT = SUM( 'Order Detail'[Montant HT] )
Nom de la colonne référencée entre crochet

Nom de la
mesure Nom de la table entre quottes quand elle
comporte des caractères non standard
Fonction DAX, qui s’ouvre et se ferme

Opérateur
avec des parenthèses
(Ici Somme)
▪ Cette fonction produira la somme de toutes les valeurs de la colonne « Montant

HT » de la table « Order Detail » ;
▪ L’utilisateur pourra alors utiliser la mesure « C.A. HT » comme une information
qui produira ce calcul pour la sélection active, c’est-à-dire en tenant compte des
filtres et en restituant le calcul pour chaque niveau hiérarchique.
Data Modeling & DAX
➢ Pour créer une mesure :
1. De manière générale nous aimons bien isoler les formules dans une table
spécifique que nous nommons « Indicateur ». Pour se faire, nous créons une
table vide comme ainsi dans le menu « Modélisation » icone nouvelle table ;
2. Nous la nommons « Indicateurs » via la formule « Indicateurs = » dans la barre

de formule.

Data Modeling & DAX
▪ Une fois la table « Indicateurs » constituée, elle apparait dans le modèle et le

bandeau « Champs » avec une colonne par défaut.
1. Masquez cette colonne par un clique-droit sur l’entête de la colonne, item
« Masquer dans la vue rapport » du menu contextuel.

Data Modeling & DAX
1. Nous allons maintenant créer la mesure via le menu « Modélisation », icone

« Nouvelle mesure » ;
2. Tapez dans la barre de formule « C.A. HT = SUM('Order Detail'[Montant HT] ) ».

Data Modeling & DAX
1. Cette première mesure est directement exploitable dans les visuels de

présentation des données.

Data Modeling & DAX
➢ Les principales formules d’agrégation DAX en bloc :
▪ SUM : Somme des valeurs ;

▪ COUNT : Dénombrement des valeurs ;
▪ DISTINCTCOUNT : Dénombrement de valeurs uniques ;
▪ COUNTBLANK : Dénombrement de lignes dont la valeur est nulle ;
▪ DISTINCTCOUNTNOBLANK : Dénombrement de valeurs uniques et non nulles ;
▪ AVG : Moyenne des valeurs ;
▪ MEDIAN : Médiane des valeurs ;
▪ MIN : Valeur numérique minimale ;
▪ MINA : Valeur minimale ;
▪ MAX : Valeur numérique maximale ;
▪ MAXA : Valeur maximale ;
▪ STDEV.P, STDEV.S, VAR.P, VAR.S : Calcul de lois statistiques.
➢ D’autres fonctions sont également disponibles dans la catégorie de formules

« Statistiques » ;
➢ A noter que ces fonctions ne prennent qu’une seule colonne en paramètre, il
sera donc impossible des les utiliser pour une opération telle que
SUM([Quantité] * [Prix unitaire]). Pour ce faire, il faudra utiliser SUMX().
Data Modeling & DAX
➢ Syntaxe DAX (suite ) :

▪ Le séparateur de décimale est la virgule : ,
▪ Les valeurs textuelles doivent être placées entre quotte : "Red"
▪ Les sous-parties d’opération sont isolées entre parenthèses ()
▪ Les opérateurs arithmétiques : +, -, *, /, ^ (exposant)
▪ Les opérateurs de comparaison : <, >, =, <=, >=, <> (pour différent de)
▪ Concaténation de chaîne de caractère : & ( ex: [Catégorie] & " - " & [Produit] )
▪ Les opérateurs logiques :
• && pour le ET
• || pour le OU
• IN pour est dans une liste de valeurs [Couleur] IN { "Red", "Blue", "Black" }
▪ Le séparateur d’argument dans les formules à plusieurs arguments est le point-

virgule : ;
▪ La fonction Blank() permet de spécifier une valeur nulle
CALCULATE( SUM('Order Detail'[Montant HT]) ; FILTER(Calendrier ; Calendrier[Année] => YEAR( TODAY() )-1 )) *
1,2

Data Modeling & DAX
➢ L’une des puissances du DAX est la possibilité de définir au sein des

indicateurs des contextes d’applications, par exemple :
▪ Calculer pour l’année en cours le CA de l’année précédente ;

▪ Calculer pour un produit d’une certaine catégorie, le total de la catégorie.
➢ Toute ces fonctions sont regroupées dans la catégorie « Fonctions Filtre », et

pour celles relatives aux périodes dans la catégorie « Time Intelligence » ;
➢ Elles se combinent généralement avec la fonction CALCULATE(), comme par

exemple :
▪ C.A. HT 2016, 2017 Zone US = CALCULTE ( [C.A. HT] ; FILTER( Zone; Zone[Zone
code] = "US" ) ; FILTER( Calendrier, Calendrier[Année] IN {2016; 2017} )).

Data Modeling & DAX
➢ Les fonctions Filtre :

▪ L’utilisation d’une fonction Filtre dans une mesure nécessite de l’encapsuler
dans une fonction CALCULATE() :
Budget = SUM(Budget[Montant]) ;
Budget ALLSELECTED Zone = CALCULATE( SUM(Budget[Montant]); ALLSELECTED(Zone) ) ;
Budget ALL Zone = CALCULATE( SUM(Budget[Montant]); ALL (Zone) ).
Calcul du budget pour le
croisement Année / Zone
Calcul du budget par Année

toutes Zones sélectionnées
Calcul du budget par Année

toutes Zones sélectionnées ou
non

Data Modeling & DAX

▪ Il est possible de rendre des filtres dynamiques ;
▪ Notez qu’il est également possible de réutiliser une mesure dans une
expression ; en effet une expression peut faire référence à une formule ce qui
permet de faire de l’encapsulation ;
▪ Budget MaxSelected Année = CALCULATE( [Budget] ; FILTER( Calendrier;

Calendrier[Année] = MAX(Calendrier[Année] ) ).
MAX(Calendrier[Année] ) =
2016

Data Modeling & DAX

▪ Si nous remplaçons « = MAX( Calendrier[Année] ) » par « < MAX(
Calendrier[Année] ) », soit toutes les années avant la dernière année ;
▪ Budget infMaxSelected Année = CALCULATE([Budget]; FILTER( Calendrier;

Calendrier[Année] < MAX(Calendrier[Année] ) ).
MAX(Calendrier[Année] )
= 2016

Data Modeling & DAX

▪ Attention, en fonction du visuel que vous utiliserez, le résultat pourra vous
sembler aléatoire, bien qu’il n’en soit rien. Cela s’explique par le niveau de détail
présenté dans le visuel :
• Pour [Budget MaxSelected Année], toutes les colonnes Années sont peuplées et les
résultats équivalent pour chaque croisement à celui de [Budget] ;
• Pour [infBudget MaxSelected Année], seule la colonne de « total » est peuplée.

Data Modeling & DAX

▪ Pour que les formules fonctionnent pour toutes les cellules, il faut alors les
encapsuler cette formule dans un nouveau scope :
• Budget MaxSelected Année2 = CALCULATE( CALCULATE([Budget]; FILTER( Calendrier;
Calendrier[Année] = MAX(Calendrier[Année] ))); ALLSELECTED(Calendrier) ).

Data Modeling & DAX

▪ Les fonctions « Filtre » vont donc nous permettre de calculer des pondérations :
Budget % de Année = DIVIDE( [Budget] ; CALCULATE([Budget] ; ALLSELECTED( [Zone] ) ) )
▪ Dans cette formule, on réutilise l’indicateur Budget, que l’on rapporte pour le
même indicateur, sur le total de toutes les Zones (dans la sélection) ;
▪ La fonction arithmétique DIVIDE() propose une division avec la gestion des
valeurs nulles, ce que ne fait pas la division classique avec l’opérateur « / ».

Data Modeling & DAX

▪ Dans la même logique, le calcul du pourcentage du parent (soit le niveau de
regroupement juste supérieur) se fera de la manière suivante :
C.A. HT % Of Parent = Niveau hiérarchique le plus fin

IF( ISFILTERED( Produit[Sous-Catégorie] );
DIVIDE( [C.A. HT];
CALCULATE( [C.A. HT] ; ALLSELECTED( Produit[Sous-Catégorie] ) ) ) ;
Niveau hiérarchique +1
IF( ISFILTERED( Produit[Catégorie] );
DIVIDE( [C.A. HT] ;
CALCULATE( [C.A. HT] ; ALLSELECTED( Produit[Catégorie] ) ) ) ;
DIVIDE( [C.A. HT] ;
CALCULATE( [C.A. HT] ; ALLSELECTED( Produit )))
)
)
Niveau hiérarchique le plus
haut

Data Modeling & DAX

▪ Dans la même logique, le calcul du pourcentage du parent (soit le niveau de
regroupement juste supérieur) se fera de la manière suivante (suite) :

Data Modeling & DAX
➢ Les fonctions Filtre offrent toutes les possibilités pour travailler

et ajuster les contextes (lien) :
• ADDMISSINGITEMS ; • RELATED ;
• ALL ; • RELATEDTABLE ;
• ALLEXCEPT ; • SELECTEDVALUE ;
• ALLNOBLANKROW ; • SUBSTITUTEWITHINDEX ;
• ALLSELECTED ; • USERELATIONSHIP ;
• CALCULATE ; • VALUES.
• CALCULATETABLE ;
• CROSSFILTER function ;
• DISTINCT ;
• EARLIER ;
• EARLIEST ;
• FILTER ;
• FILTERS ;
• HASONEFILTER ;
• HASONEVALUE ;
• ISCROSSFILTERED ;
• ISFILTERED ;
• KEEPFILTERS ;
Data Modeling & DAX
➢ Les fonctions conditionnelles :
▪ Les deux fonctions conditionnelles les plus utilisées sont :
• IF(Condition; Valeur si vrai, Valeur si faux) ;
• SWITCH( Expression ;
Valeur 1; Résultat 1;
Valeur 2 ; Résultat 2;
Valeur … ; Résultat … ;
Résultat Sinon).
▪ La fonction SWITCH est l’équivalent du CASE en SQL ;

▪ Les constantes associées sont True ou False.

Data Modeling & DAX
➢ Les fonctions time intelligente :
▪ Il est fréquent de devoir calculer des valeurs basées sur des périodes :
• Cumul à date : total cumulatif depuis le début une date ;

• Total d’une une période précédente ;
• Total d’une période glissante ;
• Total d’une période parallèle.
▪ Les fonctions de la catégorie Time Intelligence sont faites pour cela ;
▪ Elles nécessitent d’avoir spécifié dans le Data Model une table Date (table
définie comme table Date) pour que le moteur puisse les utiliser ;
▪ La liste de ces fonctions est disponible dans ce lien.

Data Modeling & DAX

▪ Les cumuls de périodes :
• TOTALYTD cumul depuis le début de l’année ;
• TOTALQTD cumul depuis le début du trimestre ;
• TOTALMTD cumul depuis le début du mois.
▪ L’indicateur C.A. HT YtD = TOTALYTD( [C.A. HT] ; Calendrier[Date] ) renvoie la

valeur cumulée depuis le début de l’année, pour chaque mois de l’année ;
▪ Cette fonction gère également des calendriers fiscaux différents d’une année
calendaire.

Data Modeling & DAX
▪ Les périodes précédentes :
• SAMEPERIODELASTYEAR() renvoie la valeur pour la même période sur l’année
précédente, à la même granularité (jours, mois… année) :
‐ C.A. HT N-1 (SPLY) = CALCULATE( [C.A. HT] ; SAMEPERIODLASTYEAR( Calendrier[Date] ) )
• PARALLELPERIOD() renvoie la valeur pour la même période sur l’année précédente

en jouant avec la granularité et le nombre de décalage :
‐ C.A. HT N-1 (PL12M) = CALCULATE( [C.A. HT]; PARALLELPERIOD( Calendrier[Date]; -12;
MONTH ) ) ;
‐ C.A. HT N-1 (PL1N) = CALCULATE( [C.A. HT]; PARALLELPERIOD( Calendrier[Date]; -1; YEAR ) ).

Data Modeling & DAX

▪ On peut naturellement encapsuler des fonctions de type de la catégorie time
intelligence :
• C.A. HT YtD N-1 = CALCULATE( [C.A. HT YtD]; SAMEPERIODLASTYEAR( Calendrier[Date] ) )
= TOTALYTD( [C.A. HT] ; Calendrier[Date] )

Data Modeling & DAX
➢ Les fonctions time intelligente présentent un panel assez complet :
• CLOSINGBALANCEMONTH ; • OPENINGBALANCEMONTH ;
• CLOSINGBALANCEQUARTER ; • OPENINGBALANCEQUARTER ;
• CLOSINGBALANCEYEAR ; • OPENINGBALANCEYEAR ;
• DATEADD : Ajouter une période ; • PARALLELPERIOD : Période parallèle ;
• DATESBETWEEN : Entre des dates ; • PREVIOUSDAY : Jour précédent ;
• DATESINPERIOD : Date dans une période ; • PREVIOUSMONTH : Mois précédent ;
• DATESMTD ; • PREVIOUSQUARTER : Trimestre précédent ;
• DATESQTD ; • PREVIOUSYEAR : Année précédente ;
• DATESYTD ; • SAMEPERIODLASTYEAR ;
• ENDOFMONTH : Fin du mois ; • STARTOFMONTH : Début du mois ;
• ENDOFQUARTER : Fin du trimestre ; • STARTOFQUARTER : Début du trimestre ;
• ENDOFYEAR : Fin de l’année ; • STARTOFYEAR : début de l’année ;
• FIRSTDATE ; • TOTALMTD : Cumul Mois ;
• FIRSTNONBLANK ; • TOTALQTD : Cumul Trimestre ;
• LASTDATE ; • TOTALYTD : : Cumul Année.
• LASTNONBLANKNEXTDAY ;
• NEXTMONTH : Mois suivant ;
• NEXTQUARTER : Trimestre suivant ;
• NEXTYEAR : Année suivante ;

Data Modeling & DAX
➢ Les fonctions time intelligente ne doivent pas être confondues avec les
fonctions de manipulation de valeurs de type Date ou Time (lien) :
• CALENDAR : Génération d’une série ; • WEEKDAY : Extraction n° du jour

• CALENDARAUTO ; de la semaine ;
• DATE : Constitution d’une date ; • WEEKNUM : Extraction du n° de la
• DATEDIFF : Différence entre deux dates ; semaine ;
• DATEVALUE ; • YEAR : Extraction de l’année ;
• DAY : Extraction jour ; • YEARFRAC.
• EDATE ;
• EOMONTH : Fin du mois ;
• HOUR : Extraction des heures ;
• MINUTE : Extraction des minutes ;
• MONTH : Extraction du mois ;
• NOW : Heure actuelle ;
• SECOND : Extraction des seconds ;
• TIME ;
• TIMEVALUE ;
• TODAY : Date du jour ;

Data Modeling & DAX
➢ Les principales formules d’itération en ligne, telles les fonctions d’agrégation

suffixées par un X :
▪ SUMX : Somme des valeurs (permet de faire un SOMMEPROD ) ;
▪ COUNTX : Dénombrement des valeurs ;
▪ AVGX : Moyenne des valeurs ;
▪ MEDIANX : Médiane des valeurs ;
▪ MINX, MAXX : Valeur numérique minimale et valeur numérique maximale ;
▪ MINAX, MAXAX : Valeur minimale et valeur maximale ;
▪ VARX.P, VARX.S, STDDEVX.P, STDDEVX.S : Calcul de lois statistiques ;
▪ RANKX : Classement.
➢ Contrairement aux fonctions d’agrégation, elles permettent de spécifier un

contexte et une expression, mais sont par nature moins performante.

Data Modeling & DAX

▪ La mesure suivante va calculer le prix moyen par produit :
Prix Moyen HT (AVGX on SUMMURIZE) = AVERAGEX(
SUMMARIZE('Order Detail’ ; 'Order Detail'[Produit ID] ;
"VolumeProduit" ; SUM('Order Detail'[Quantité]) ;
"TotalMontantHT" ; SUM('Order Detail'[Montant HT]));
DIVIDE([TotalMontantHT] ; [VolumeProduit]) )
▪ Pour cela elle passe par une table calculée en mémoire qui agrège les données
par produit pour en connaitre le volume et le CA HT ;
▪ Dans un second temps elle calcule pour chaque ligne le rapport Volume / CAHT ;
▪ Enfin elle renvoie la moyenne de ce rapport ;
▪ Elle est différente de la formule suivante :

Prix Moyen HT (AVGX) = AVERAGEX('Order Detail’;
DIVIDE('Order Detail'[Montant HT];'Order Detail'[Quantité]))

Data Modeling & DAX

AVGX
AVGX on SUMMURIZE

3.data Modelling & DAX

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

3.data Modelling & DAX

Transféré par

Droits d'auteur :

Formats disponibles

Cours Microsoft Power BI

Data Model & DAX Basic

Support de formation v. 1.1 - Avril 2019

Data Modeling & DAX basic

➢ Rappels et complément autour des notions de Data models et

Formation Microsoft Power BI - Tous droits réservés – Finelog-Biseum® 2

➢ Le travail de modélisation dans Power BI se fait :

▪ Soit à l’issue du travail d’importation et de retraitement des données ;

Formation Microsoft Power BI - Tous droits réservés – Finelog-Biseum® 12

▪ La compréhension des objets métiers qu’il manipule (sémantique, description) ;

Formation Microsoft Power BI - Tous droits réservés – Finelog-Biseum® 13

➢ Nous avons déjà abordé lors de l’introduction les concepts de modélisation :

Formation Microsoft Power BI - Tous droits réservés – Finelog-Biseum® 14

Formation Microsoft Power BI - Tous droits réservés – Finelog-Biseum® 15

▪ On supprime des références à des dimensions (Magasins, Clients) ou on

Formation Microsoft Power BI - Tous droits réservés – Finelog-Biseum® 16

➢ Les tables d’agrégation sont utilisées dans différents cas :

▪ Restreindre de manière conséquente la volumétrie des données et ainsi garantir

➢ Les tables d’agrégats peuvent être constituées dans le cadre du processus

Formation Microsoft Power BI - Tous droits réservés – Finelog-Biseum® 17

➢ L’interface de modélisation est organisée en deux écrans, accessible depuis

Formation Microsoft Power BI - Tous droits réservés – Finelog-Biseum® 18

➢ La vue « données » permet de travailler sur la présentation de l’information :

➢ Le travail consiste donc à balayer depuis la vue « Données », chacune des

Formation Microsoft Power BI - Tous droits réservés – Finelog-Biseum® 20

➢ Pour masquer les colonnes :

➢ Pour définir/contrôler le type de donnée et les options de formatage :

Formation Microsoft Power BI - Tous droits réservés – Finelog-Biseum® 22

➢ Pour définir/contrôler la catégorisation de contenu :

Formation Microsoft Power BI - Tous droits réservés – Finelog-Biseum® 23

➢ Pour définir/contrôler la catégorisation de contenu :

Après catégorisation des contenus

Formation Microsoft Power BI - Tous droits réservés – Finelog-Biseum® 24

Après avoir défini l’option de tri à partir de la colonne Mois No

Formation Microsoft Power BI - Tous droits réservés – Finelog-Biseum® 26

Formation Microsoft Power BI - Tous droits réservés – Finelog-Biseum® 27

Formation Microsoft Power BI - Tous droits réservés – Finelog-Biseum® 28

➢ Pour définir des groupes de valeurs :

Formation Microsoft Power BI - Tous droits réservés – Finelog-Biseum® 29

➢ Pour définir des groupes de valeurs :

➢ Pour définir des groupes de valeurs :

Formation Microsoft Power BI - Tous droits réservés – Finelog-Biseum® 31

➢ Pour définir des groupes de valeurs :

Formation Microsoft Power BI - Tous droits réservés – Finelog-Biseum® 32

➢ Pour définir des groupes de valeurs :

Formation Microsoft Power BI - Tous droits réservés – Finelog-Biseum® 33

➢ Pour définir des groupes de valeurs :

Formation Microsoft Power BI - Tous droits réservés – Finelog-Biseum® 34

➢ Pour définir des groupes de valeurs :

Formation Microsoft Power BI - Tous droits réservés – Finelog-Biseum® 35

➢ Pour renommer les items :

Formation Microsoft Power BI - Tous droits réservés – Finelog-Biseum® 36

➢ Pour renommer les items :

Formation Microsoft Power BI - Tous droits réservés – Finelog-Biseum® 37

➢ A ce stade, le modèle n’est pas encore opérationnel. Pour le finaliser il est

▪ Spécifier la table « Date » permettant ainsi d’utiliser les fonctions DAX de

▪ Constituer les relations entre les tables ;

Formation Microsoft Power BI - Tous droits réservés – Finelog-Biseum® 38

➢ Pour spécifier la table des Dates :

▪ Si ce n’est pas le cas, il sera nécessaire de la constituer comme nous l’avons vu

Formation Microsoft Power BI - Tous droits réservés – Finelog-Biseum® 39

➢ Pour spécifier la table des Dates :

Formation Microsoft Power BI - Tous droits réservés – Finelog-Biseum® 40