Dans cet article, je vous propose de découvrir comment créer un modèle de données solide et performant sur Power BI, afin d'exploiter pleinement la puissance de cet outil incontournable de la data visualisation. En partant d'un cas pratique concret, nous allons voir ensemble comment structurer vos données, construire les relations entre vos tables, et adopter la meilleure approche pour modéliser vos données autour d'un modèle en étoile. Ce guide s'adresse à tous ceux qui souhaitent maîtriser la modélisation des données pour améliorer la qualité et la pertinence de leurs analyses sur Power BI.

Introduction au modèle en étoile : la base pour un data model efficace

Avant de plonger dans la pratique, il est essentiel de comprendre le concept théorique du modèle en étoile. Ce modèle est la structure la plus courante, et celle vers laquelle il faut tendre pour exploiter pleinement la puissance de Power BI et de ses modèles de données.

Imaginons que nous sommes une entreprise d'achat-vente. Nous achetons des produits à des fournisseurs à un certain prix et à une date donnée, puis nous revendons ces mêmes produits à des clients, toujours à une date et un prix précis. Ce scénario simple génère plusieurs flux de données, et chaque flux possède plusieurs caractéristiques à prendre en compte.

Dans ce cas, la table centrale qui rassemble les faits de l'activité sera notre table des ventes. Cette table recense toutes les transactions commerciales, c'est-à-dire les ventes réalisées. Autour de cette table des faits, nous allons créer plusieurs tables de dimensions qui vont décrire les caractéristiques liées à ces ventes :

• Un catalogue produits, qui liste les différents produits vendus, avec leurs catégories et prix.
• Une base clients, qui contient les informations sur les clients.
• Une base fournisseurs, qui regroupe les données sur les fournisseurs, leurs adresses, et les prix d'achat des produits.
• Un calendrier, qui servira à analyser les ventes dans le temps, par date.

Le modèle en étoile consiste donc à relier la table des ventes (table de faits) à toutes ces tables de dimensions via des relations de clé, généralement une relation de type un-à-plusieurs. Le but est d'avoir un schéma simple et performant qui facilite l'analyse et la création de mesures dans Power BI.

Présentation des données : un jeu d'exemple simple et complet

Pour illustrer ce modèle, j'ai préparé un jeu de données accessible en description, que vous pouvez télécharger et utiliser pour suivre ce tutoriel. Ce fichier Excel contient plusieurs tables :

• La table des ventes : elle comprend les identifiants clients, produits, quantités vendues, prix de vente, total de la vente, et la date de la transaction.
• Le catalogue produits : une dizaine de produits avec leur catégorie et leur prix de vente.
• La base fournisseurs : chaque produit est acheté auprès d'un fournisseur spécifique, avec son adresse, code postal, et prix d'achat.
• La base clients : liste des clients avec leurs informations (nom, adresse, code postal).
• La table calendrier : elle couvre la période du 1er janvier 2022 jusqu'à aujourd'hui, et permet de gérer toutes les analyses temporelles.

Ce jeu de données est volontairement simplifié pour que l'on puisse se concentrer sur la modélisation et la construction des relations, sans être noyé dans trop de détails inutiles.

Chargement des données et modélisation dans Power BI

Une fois le fichier Excel téléchargé, il suffit de l'importer dans Power BI en important les différentes tables : clients, calendrier, produits, fournisseurs, et ventes. Toutes les tables apparaissent ensuite dans le volet des données, prêtes à être modélisées.

Power BI crée automatiquement des relations entre les tables dès l'import, mais il est préférable de les supprimer et de les recréer manuellement. Cela permet de mieux comprendre la structure et de s'assurer que les relations correspondent bien au modèle théorique que nous souhaitons mettre en place.

Pour supprimer les relations, vous pouvez soit cliquer droit sur chaque lien dans la vue Modèle et choisir "Supprimer", soit utiliser la gestion des relations pour sélectionner et supprimer toutes les relations d'un coup, ce qui est plus rapide.

Une astuce intéressante dans le volet Propriétés est d'épingler les champs utilisés pour les relations en haut de la carte, ce qui facilite la visibilité et la vérification lorsque vous travaillez avec plusieurs tables.

Création des relations : le cœur du modèle en étoile

Nous allons maintenant construire les relations entre les tables, en suivant le modèle en étoile :

1. Relation entre la table calendrier et la table des ventes :
   On relie la colonne "Date" du calendrier à la colonne "Date" de la table des ventes. Power BI détecte automatiquement une relation de type "1 vers plusieurs" (un côté unique dans la table calendrier, plusieurs lignes dans la table ventes). Le sens de la relation va du calendrier vers les ventes : c'est la table calendrier qui filtre les données des ventes.
2. Relation entre la table fournisseurs et la table des ventes :
   On relie la clé produit dans la table fournisseurs à la clé produit dans la table ventes. C'est aussi une relation un-à-plusieurs, avec un sens de filtrage qui va du fournisseur vers la table des ventes.
3. Relation entre la table catalogue produits et la table des ventes :
   De la même manière, on relie la clé produit du catalogue à la table des ventes.
4. Relation entre la table clients et la table des ventes :
   On relie la clé client dans la table clients à la clé client dans la table des ventes.

Le résultat est un schéma en étoile parfaitement organisé, avec la table des ventes au centre et les tables de dimensions autour. Ce modèle est la clé pour construire des analyses puissantes et efficaces dans Power BI.

Comprendre les types de cardinalité et le sens des relations

Dans Power BI, les relations peuvent être de plusieurs types :

• Un-à-plusieurs (1 : N) : la plus courante dans notre modèle, où une valeur unique dans une table (exemple : un produit dans la table produits) correspond à plusieurs lignes dans la table des faits (exemple : plusieurs ventes de ce produit).
• Plusieurs-à-plusieurs (N : N) : plus complexe, souvent à éviter si possible, car elle peut compliquer les calculs.
• Un-à-un (1 : 1) : rare et spécifique, où chaque valeur d'une table correspond à une unique valeur dans une autre table.

Le sens de la relation est important car il détermine la direction du filtrage des données. Dans un modèle en étoile, le sens va toujours des tables de dimensions vers la table des faits. Cela signifie que lorsqu'on applique un filtre sur une dimension (exemple : sélectionner un produit), ce filtre s'applique automatiquement aux données des ventes.

Exploiter la puissance du modèle de données dans Power BI

Une fois le modèle en étoile construit avec des relations un-à-plusieurs bien configurées et un sens de filtrage correct, vous pouvez pleinement exploiter la puissance de Power BI :

• Créer des mesures DAX complexes pour calculer des marges, des totaux, des moyennes, et bien plus.
• Construire des visuels interactifs où les filtres sur les dimensions impactent automatiquement les données de ventes.
• Mettre en place des analyses temporelles fines grâce à la table calendrier.
• Faciliter la maintenance et l'évolution du modèle car la structure est claire et standardisée.

Ce modèle est la base pour bâtir des tableaux de bord fiables et dynamiques, qui répondent parfaitement aux besoins des contrôleurs de gestion et des analystes.

Conclusion : pourquoi adopter un modèle en étoile pour vos données Power BI ?

En résumé, la création d'un modèle de données fiable sur Power BI passe par une bonne compréhension du modèle en étoile, la préparation d'un jeu de données structuré, et la création manuelle des relations entre les tables. Ce travail de modélisation est la clé pour tirer le meilleur parti de Power BI, en garantissant des performances optimales et une grande flexibilité pour vos analyses.

🔎 Découvrez nos autres articles sur Power BI.

📧 Ne manquez pas nos actualités avec notre newsletter.

👀 Par ici pour découvrir nos formations Power BI.