FacileChoix unique

Question d'entraînement PL-300

Vous créez un rapport Power BI pour une petite entreprise. La source de données est une base de données Microsoft Access contenant les tables : Customers (CustomerID, CompanyName, City), Orders (OrderID, CustomerID, OrderDate, Amount). Vous devez modéliser les données pour analyser le total des commandes par client et par mois. Quelle est l'approche la plus efficace ?

Choisissez la meilleure réponse.

Bonne réponse

  • DImportez les deux tables dans Power BI et créez une relation entre les colonnes CustomerID.

Explication

L'option D est correcte car l'importation des deux tables et la création d'une relation entre les colonnes CustomerID construisent un modèle de type schéma en étoile adapté dans Power BI, permettant à la dimension Customers de filtrer la table de faits Orders afin que les totaux par client et par mois puissent être calculés efficacement avec DAX. Cette approche exploite le moteur en mémoire VertiPaq de Power BI et la propagation des filtres basée sur les relations, ce qui constitue le modèle de modélisation recommandé pour ce type d'analyse. L'option A ne convient pas car DirectQuery n'est pas pris en charge pour Microsoft Access en tant que source de données dans Power BI, et même là où DirectQuery s'applique, il ne serait pas plus efficace ici. L'option B est moins flexible car la pré-jonction des tables dans Power Query aplatit le modèle et complique l'agrégation et la réutilisation au niveau mensuel. L'option C représente une surcharge inutile pour un scénario de petite entreprise et ajoute un effort de migration sans aucun avantage de modélisation.

Pourquoi chaque option est juste ou fausse

A

Fausse

Utilisez DirectQuery sur la base de données Access pour éviter l'importation.

DirectQuery appliqué à Access envoie des requêtes en direct au moteur Jet/ACE pour chaque interaction visuelle, lequel est dépourvu de l'optimiseur de requêtes, de la compression par magasin de colonnes et de l'indexation de SQL Server — ce qui entraîne une latence sévère et des blocages même pour des ensembles de données modestes. Access est une base de données basée sur des fichiers avec un verrouillage au niveau des lignes/pages et sans mise en cache côté serveur, de sorte que les utilisateurs simultanés du rapport dégraderont encore davantage les performances. Puisque le scénario concerne une petite entreprise avec un petit jeu de données, l'importation en mémoire est infiniment plus rapide et évite ces goulots d'étranglement de requêtes en direct.

B

Fausse

Créez une seule requête dans Power Query qui joint les tables et importez le résultat.

La fusion des tables dans Power Query crée une table plate dénormalisée qui répète les attributs du client (nom, adresse, etc.) sur chaque ligne de commande, ce qui surcharge le modèle et augmente le stockage. Cela oblige les mesures à s'appuyer sur du DAX défensif tel que DISTINCTCOUNT pour le comptage des clients au lieu de simples agrégations sur une table de faits correctement modélisée, et cela empêche la propagation automatique des filtres qu'assure une relation de schéma en étoile. Les données dupliquées augmentent également le temps d'actualisation et l'empreinte mémoire, ce qui contredit l'objectif d'un modèle efficace et compact.

C

Fausse

Migrez la base de données Access vers SQL Server, puis importez.

La migration d'Access vers SQL Server introduit une surcharge d'infrastructure substantielle — provisionnement d'un serveur, conception de schémas, gestion de l'authentification et construction d'un processus ETL — ce qui n'est pas justifié pour une petite entreprise disposant d'un petit jeu de données Access. Le connecteur Access de Power BI extrait déjà efficacement les données de table, de sorte que ce saut supplémentaire ajoute de la complexité et des coûts de maintenance sans améliorer les performances des requêtes, puisque les données seraient de toute façon importées dans le même moteur en mémoire. Cette approche ne mérite d'être envisagée que si les données dépassent les limites de mémoire ou nécessitent une actualisation quasi temps réel, ce qui ne s'applique pas ici.

D

Juste

Importez les deux tables dans Power BI et créez une relation entre les colonnes CustomerID.

L'importation des deux tables dans Power BI charge les données dans le stockage colonnaire en mémoire VertiPaq, qui compresse les valeurs et fournit des agrégations DAX en sub-seconde même sans infrastructure externe. La création d'une relation un-à-plusieurs sur CustomerID entre la table de dimension Customers et la table de faits Orders active le filtrage standard en schéma en étoile : des mesures telles que 'Total Revenue by Customer' fonctionnent automatiquement via le contexte de ligne et la propagation des filtres, sans nécessiter de jointures explicites. Cette conception maintient le modèle compact, évite la duplication des données et constitue le modèle recommandé pour les petits ensembles de données dans Power BI.

Pour aller plus loin

Cette question teste le principe fondamental de modélisation selon lequel Power BI n'est pas un outil de staging de données, mais un moteur de modélisation sémantique. Lorsque vous importez des données, elles sont stockées dans un index colonnaire hautement compressé qui excelle dans l'analyse et l'agrégation de lignes filtrées, et les relations entre les tables exploitent ce moteur pour propager les filtres sans duplication physique des données. Une table plate produite par une fusion Power Query vous contraint à utiliser des modèles DAX gourmands en ressources et perd la distinction sémantique entre les dimensions et les faits, tandis que des tables séparées avec une relation créent un schéma en étoile qui réduit à la fois le stockage et simplifie la conception. DirectQuery, en revanche, contourne le moteur en mémoire et traduit les requêtes en direct vers la source, ce qui n'est approprié que pour des données très volumineuses ou changeant fréquemment qui ne peuvent pas tenir en mémoire — et Access, étant une base de données à fichier unique sans optimisation côté serveur, constitue une source DirectQuery particulièrement médiocre. L'idée reçue fréquente est qu'« une seule grande table » est plus facile pour le reporting, mais cela multiplie en réalité la complexité des mesures et la taille du modèle ; l'approche correcte pour de petites données consiste à importer et à relier. Une implication concrète est qu'un ensemble de données correctement modélisé peut gérer des milliers d'éléments visuels de manière fluide, tandis qu'une table plate mal conçue devient lente et difficile à maintenir.

À propos de ces questions d'entraînement

Cette question fait partie des questions d'entraînement PL-300 originales de Courseiva, rédigées pour apprendre et jamais copiées d'examens réels ou de dumps.

Traduite de l'original anglais avec l'IA et vérifiée pour le sens. Les codes d'examen, les commandes et les noms de produits sont conservés tels qu'ils apparaissent à l'examen.