📖 Manuel

Power BI Designer

Workflow

1. Analyser les besoins métier

• Identifier les KPIs (ex. : CA, taux de conversion, délai moyen), le public cible (direction = agrégats, opérationnel = détail transactionnel) et la fréquence de refresh requise.
• Livrable minimum : liste de 5-10 questions métier auxquelles le dashboard doit répondre.

2. Concevoir le modèle de données (star schema)

• Tables de faits : mesures numériques + clés étrangères uniquement. Jamais de colonnes de description.
• Tables de dimensions : attributs descriptifs, hiérarchies (Année → Trimestre → Mois → Jour).
• Règle des relations : toujours unidirectionnelles par défaut ; bidirectionnel seulement si le filtre croisé est strictement nécessaire et documenté.
• Typage des colonnes dans Power Query avant de charger : Date, Integer, Decimal, Text — évite l'auto-détection qui crée des colonnes inutiles.

// Power Query — typage explicite en fin de requête
#"Types appliqués" = Table.TransformColumnTypes(Source, {
    {"DateVente", type date},
    {"Montant", type number},
    {"IdClient", Int64.Type}
})

3. Connecter et transformer les sources (Power Query / M)

• Utiliser le Query Folding : filtrer et agréger côté source (SQL, SSAS) avant de ramener les données dans Power BI.
• Rafraîchissement incrémental : configurer RangeStart / RangeEnd pour les tables de faits > 1 M de lignes.

// Paramètres requis pour le rafraîchissement incrémental
// Créer deux paramètres de type Date/Time : RangeStart et RangeEnd
#"Filtre incrémental" = Table.SelectRows(Source, each
    [DateVente] >= RangeStart and [DateVente] < RangeEnd
)

• Désactiver le chargement des requêtes intermédiaires (staging) pour ne charger que les tables finales.

4. Écrire les mesures DAX

Règle fondamentale : mesures pour les calculs dynamiques, colonnes calculées uniquement pour les attributs statiques.

-- Mesure de base
CA Total = SUM(Ventes[Montant])

-- DIVIDE pour éviter les divisions par zéro
Taux Conversion =
DIVIDE(
    COUNTROWS(FILTER(Leads, Leads[Statut] = "Converti")),
    COUNTROWS(Leads),
    0
)

-- YTD (Year-to-Date)
CA YTD =
CALCULATE(
    [CA Total],
    DATESYTD(Calendrier[Date])
)

-- Comparaison année précédente
CA N-1 =
CALCULATE(
    [CA Total],
    SAMEPERIODLASTYEAR(Calendrier[Date])
)

-- Variation %
Var% CA =
DIVIDE([CA Total] - [CA N-1], [CA N-1], BLANK())

-- Mesure avec contexte filtré
CA Région Active =
CALCULATE(
    [CA Total],
    KEEPFILTERS(Régions[Actif] = TRUE())
)

Critères de choix mesure vs colonne calculée :

5. Construire les visualisations

• Bar/Column chart : comparaisons catégorielles (max 10-12 barres).
• Line chart : tendances temporelles, ne pas mixer > 3 séries.
• Card / KPI visual : indicateurs en haut de page, valeur + variation.
• Matrix : tableaux croisés avec drill-down, activer "Stepped layout" pour les hiérarchies.
• Slicers : filtres Date en mode "Between", listes en mode "Dropdown" si > 5 valeurs.
• Bookmarks : navigation entre vues (vue Résumé / vue Détail) sans pages supplémentaires.

Ordre d'une page bien conçue : KPIs haut → graphiques principaux centre → filtres/drill gauche ou haut.

6. Configurer la Row-Level Security (RLS)

-- Rôle "Vendeur" : ne voit que ses propres ventes
[Email Vendeur] = USERPRINCIPALNAME()

-- Rôle "Région" : filtre par région assignée
[Code Région] IN
    VALUES(
        FILTER(RegionUtilisateurs,
            RegionUtilisateurs[Email] = USERPRINCIPALNAME()
        )[Code Région]
    )

• Tester avec Modeling → View as → [nom du rôle] avant de publier.
• En mode Dynamic RLS : une table de mapping Email↔Périmètre est plus maintenable que des rôles statiques par région.
• RLS s'applique uniquement aux rapports Power BI Service, pas aux exports Excel ou aux connexions directes SSAS avec identité propre.

7. Optimiser les performances

• DAX Studio : analyser les mesures lentes avec Server Timings + Query Plan.
• Performance Analyzer (dans Power BI Desktop) : identifier les visuels lents (> 500 ms = à optimiser).
• Réduire la cardinalité : encoder les colonnes de statuts comme entiers (0/1/2) pas comme texte.
• Supprimer les colonnes non utilisées dans les rapports (réduire la taille du fichier .pbix).
• Préférer SUMX sur des tables petites ; éviter FILTER(ALL(Table), ...) sur de grandes tables.

-- Mauvais : FILTER sur toute la table de faits
Mauvaise Mesure =
CALCULATE([CA Total], FILTER(ALL(Ventes), Ventes[Montant] > 1000))

-- Bon : utiliser KEEPFILTERS ou une dimension
Bonne Mesure =
CALCULATE([CA Total], Ventes[Montant] > 1000)

8. Publier et distribuer

• Pipelines de déploiement : workspace Dev → Test → Prod avec règles de paramétrage par étape.
• Refresh planifié : maximum 8x/jour en Pro, 48x/jour en Premium. Toujours configurer une alerte d'échec de refresh.
• Abonnements email : rapport en PDF/PNG envoyé automatiquement, utile pour les destinataires sans licence Power BI.
• Intégration Teams : épingler les rapports dans des onglets Teams pour la distribution sans sortir de l'outil.

Anti-patterns et pièges

Bonnes pratiques 2026

• Fabric / Direct Lake : pour les entrepôts sur Microsoft Fabric, utiliser le mode Direct Lake (remplace Import + DirectQuery) — lecture directe depuis OneLake sans import ni requêtes SQL en temps réel.
• Copilot Power BI : générer des mesures DAX avec le Copilot intégré, mais toujours relire et valider la logique métier — le Copilot hallucine sur les contextes de filtre complexes.
• Semantic Model centralisé : un seul modèle sémantique partagé (anciennement "dataset") référencé par plusieurs rapports — évite la duplication de la logique DAX.
• Versioning .pbix : Power BI Desktop 2025+ supporte le format .pbip (dossiers) compatible Git — utiliser ce format pour les projets en équipe.
• Accessibilité : activer Alt text sur tous les visuels, tester avec le lecteur d'écran intégré (Tab order dans View → Accessibility).