A normalizált adatmodell korlátai Power BI-ban

Nemrég megkapta a magáét a széles tábla, kapja meg  most a normalizált adatmodell is…

Power BI-ban rendszerint akkor találkozunk normalizált adatmodellel, amikor a felhasználók rácuppannak a forrásrendszerre, és annak tábláit egy-az egyben átemelik Power BI-ba. De ahogy a széles tábla sem jó adatmodell a Power BI-nak úgy normalizált modell sem az. Itt a granularitással nincs gond, de a normalizált adatmodell nem elemzésre lett optimalizálva.

Az alábbi ábra egy normalizált adatmodellből egy részletet szemléltet, ahol a kék vonalak a kapcsolatok, a fehér téglalapok a táblák:

Ha normalizált modellt használunk a Power BI-ban akkor annak elsősorban performancia következményei lesznek. A kapcsolatoknak ugyanis óriási költsége lehet Power BI -ban. Különösen akkor, ha a kapcsolódó oszlopok sok különböző elemet tartalmaznak. Ugye tipikusan ilyenek a fej-tétel kapcsolatok, mint például rendelésfej és rendeléssor, számlafej és számlatétel, stb. De nem csak ezek, hanem igazából minden kapcsolat költséggel jár, és egy normalizált modell eszméletlen mennyiségű kötést tartalmaz.

A performancia azonban csak az egyik ok, ami miatt kerüljük Power BI-ban a normalizált adatmodelleket. A másik ok a DAX nyelv bonyolultsága. A DAX nehéz, és még nehezebbé válik, ha az adatmodell nem csillagsémás…

A harmadik ok pedig a felhasználói élmény. Egy normalizált adatmodellből dolgozni akár a Power BI-jal, akár a Pivot táblával kínszenvedés. Egész egyszerűen áttekinthetetlen lesz Power BI-ban a mezőlista, ahonnan behúzzuk a vizualizációkba a measure-öket vagy az attribútumokat.

Összefoglalva: Kezdő szinten használható a forrásrendszer adatmodellje, de haladó szinten átalakítjuk csillagsémásra, mert ennek örülni fognak a felhasználók, a riportfejlesztők és az adatbázismotor is.