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 ?
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.
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.