MédiaVárias respostas

Questão de prática de PL-300

Quais DUAS das seguintes são melhores práticas para projetar um esquema estrela no Power BI?

Escolha todas as respostas corretas.

Respostas corretas

  • AAs tabelas de dimensões devem ter uma chave primária e colunas descritivas.
  • CAs tabelas de fatos devem ter chaves estrangeiras que se relacionem com as tabelas de dimensões.

Explicação

A Opção A está correta porque em um esquema estrela, as tabelas de dimensões servem como tabelas de consulta/referência, portanto, devem possuir uma chave primária que identifique unicamente cada linha (por exemplo, ProductKey, DateKey) além de atributos descritivos, como nome do produto, categoria ou cor usados para fatiar e agrupar nos visuais do Power BI. A Opção C está correta porque as tabelas de fatos armazenam eventos mensuráveis (vendas, quantidades, valores) e devem conter chaves estrangeiras que se relacionam com as chaves primárias das tabelas de dimensões, formando os relacionamentos de um para muitos nos quais o motor VertiPaq do Power BI e o DAX confiam para filtragem e agregação eficientes. A Opção B não é uma melhor prática porque colunas calculadas em tabelas de fatos consomem memória e armazenamento, e a lógica de negócios é mais bem tratada por meio de medidas ou na camada de origem/ETL para manter a tabela de fatos enxuta. A Opção D está errada porque mesclar todas as tabelas em uma única tabela plana derrota o propósito do esquema estrela, causando redundância, maior tamanho de modelo e desempenho degradado. A Opção E está incorreta porque relacionamentos de muitos para muitos entre tabelas de fatos e dimensões são um anti-padrão no projeto de esquema estrela; os relacionamentos devem ser de um para muitos da dimensão para o fato para garantir a propagação correta de filtros e resultados previsíveis.

Por que cada alternativa está certa ou errada

A

Correta

As tabelas de dimensões devem ter uma chave primária e colunas descritivas.

Um esquema estrela bem formado exige que cada tabela de dimensões tenha uma chave primária (substituta ou natural) que identifique unicamente cada linha, combinada com colunas de texto descritivas, como categoria de produto ou nome da região. Esses atributos descritivos fornecem o contexto para fatiar e filtrar no Power BI, enquanto a chave primária garante a integridade referencial a partir da tabela de fatos e permite a redução eficiente de linhas durante a execução da consulta. Sem uma chave exclusiva, a propagação de filtros da dimensão para o fato torna-se ambigua e pode produzir resultados duplicados ou enganosos.

B

Incorreta

As tabelas de fatos devem conter colunas calculadas para a lógica de negócios.

Colunas calculadas adicionadas às tabelas de fatos são computadas linha por linha no momento da atualização dos dados e armazenadas fisicamente no disco, o que aumenta o tamanho do modelo e degrada a eficiência da compactação de colunas no mecanismo VertiPaq. A lógica de negócios, como 'lucro = receita - custo', deve ser escrita como medidas DAX avaliadas no momento da consulta sob o contexto de filtro atual. As medidas evitam a materialização de dados derivados, mantêm a tabela de fatos enxuta e garantem que os cálculos respondam dinamicamente às seleções do usuário, enquanto as colunas calculadas são estáticas e ignoram o contexto de filtro.

C

Correta

As tabelas de fatos devem ter chaves estrangeiras que se relacionem com as tabelas de dimensões.

As tabelas de fatos devem conter chaves estrangeiras que façam referência às chaves primárias das tabelas de dimensões, estabelecendo os relacionamentos de um para muitos que definem a topologia do esquema estrela. Essas chaves são o único mecanismo pelo qual uma linha de fatos pode ser vinculada corretamente às suas dimensões descritivas; sem elas, o Power BI não consegue criar relacionamentos e a filtragem cruzada falha. A manutenção de chaves estrangeiras também impõe a integridade do grão, garantindo que cada linha de medida pertença exatamente a um membro de cada dimensão relacionada, o que é fundamental para cálculos agregados precisos.

D

Incorreta

Mesclar todas as tabelas em uma única tabela plana para maior simplicidade.

Mesclar todos os dados de origem em uma única tabela plana elimina a distinção entre métricas de processos e atributos descritivos, criando uma redundância massiva porque campos de dimensão como nome do cliente ou rótulo do produto são repetidos em cada linha de fatos. Essa redundância infla o armazenamento, desacelera a atualização e destrói o armazenamento em colunas otimizado no qual o Power BI se apoia, além de tornar a granularidade ambigua quando a mesma tabela contém linhas em diferentes níveis. O esquema estrela separa propositalmente essas preocupações para que as dimensões permaneçam estreitas, estáveis e reutilizáveis em várias tabelas de fatos, permitindo compactação mais rápida e propagação de filtros DAX mais simples.

E

Incorreta

Usar relacionamentos de muitos para muitos entre tabelas de fatos e de dimensões.

Relacionamentos de muitos para muitos entre tabelas de fatos e de dimensões são um anti-padrão no projeto de esquemas estrela porque introduzem um contexto de linha ambíguo e podem causar contagem dupla ou agregados sem sentido quando uma linha de fatos corresponde a várias linhas de dimensões. Embora o Power BI suporte relacionamentos de muitos para muitos por meio de tabelas de ponte ou CROSSFILTER, esses cenários exigem modelagem DAX cuidadosa e frequentemente degradam o desempenho; o modelo canônico usa relacionamentos de um para muitos onde cada chave primária de dimensão mapeia para uma chave estrangeira de fato. Isso garante que cada linha de fatos se junte exatamente a uma linha de dimensão, preservando a precisão das medidas e a previsibilidade da filtragem sem sobrecarga adicional.

Para se aprofundar

O conceito central testado é a modelagem dimensional no Power BI, especificamente como os esquemas estrela otimizam tanto o desempenho quanto a correção analítica. As tabelas de fatos armazenam medidas numéricas e chaves estrangeiras no menor grão, enquanto as tabelas de dimensões armazenam atributos descritivos que são desnormalizados para facilitar a navegação. Uma armadilha comum, mas sutil, é colocar a lógica de negócios como colunas calculadas em tabelas de fatos; embora o Power BI as exiba no modelo, elas são materializadas no momento da atualização e quebram a capacidade do VertiPaq de comprimir colunas de medidas altamente repetitivas que compartilham o mesmo caminho de cálculo. Outra sutileza é que os relacionamentos de muitos para muitos, embora às vezes necessários para cenários de tabelas de ponte como filtragem por vários proprietários de contas, exigem padrões DAX explícitos (por exemplo, CROSSFILTER, TREATAS) e podem produzir totais enigmáticos se não forem tratados com um fato sem fatos adequado ou um caminho de relacionamento dedicado. A implicação no mundo real é que um esquema estrela bem formado com chaves de dimensão exclusivas e chaves estrangeiras de fatos gera consultas DAX mais rápidas, arquivos .pbix menores e menos problemas de suporte ao usuário, porque o mecanismo pode enviar filtros para as tabelas de dimensões primeiro e depois unir aos fatos com relacionamentos de hash eficientes. Esta pergunta aborda o foco do exame PL-300 nas melhores práticas de modelagem de dados, testando se os candidatos reconhecem que 'mesclar todas as tabelas' é uma abordagem simplista que sacrifica a própria estrutura que torna o Power BI performático, em vez de uma simplificação legítima.

Sobre estas questões de prática

Esta é uma das questões de prática originais de PL-300 da Courseiva, escrita para o aprendizado e nunca copiada de provas reais nem de dumps.

Traduzida do original em inglês com IA e conferida quanto ao sentido. Códigos de exame, comandos e nomes de produtos são mantidos como aparecem na prova.