Questão de prática de PL-300
Você está criando um relatório do Power BI para uma pequena empresa. A fonte de dados é um banco de dados do Microsoft Access com as tabelas: Customers (CustomerID, CompanyName, City), Orders (OrderID, CustomerID, OrderDate, Amount). Você precisa modelar os dados para analisar o total de pedidos por cliente e por mês. Qual é a abordagem mais eficiente?
Resposta correta
- DImporte ambas as tabelas para o Power BI e crie um relacionamento entre as colunas CustomerID.
Explicação
A opção D está correta porque importar ambas as tabelas e criar um relacionamento entre as colunas CustomerID constrói um modelo adequado no estilo estrela (star schema) no Power BI, permitindo que a dimensão Customers filtre a tabela de fatos Orders para que os totais por cliente e por mês possam ser computados eficientemente com DAX. Essa abordagem aproveita o mecanismo VertiPaq em memória do Power BI e a propagação de filtros baseada em relacionamentos, que é o padrão de modelagem recomendado para esse tipo de análise. A opção A não se encaixa porque o DirectQuery não é compatível com o Microsoft Access como fonte de dados no Power BI e, mesmo onde o DirectQuery se aplica, ele não seria mais eficiente aqui. A opção B é menos flexível porque pré-unir as tabelas no Power Query achata o modelo e complica a agregação e reutilização no nível mensal. A opção C representa uma sobrecarga desnecessária para um cenário de pequena empresa e adiciona esforço de migração sem benefícios de modelagem.
Para se aprofundar
Esta questão testa o princípio central de modelagem de que o Power BI não é uma ferramenta de preparação de dados (staging), mas sim um mecanismo de modelagem semântica. Quando você importa dados, eles são armazenados em um índice colunar altamente compactado que se destaca na varredura e agregação de linhas filtradas, e os relacionamentos entre as tabelas aproveitam esse mecanismo para propagar filtros sem duplicação física de dados. Uma tabela plana produzida por uma mesclagem (merge) do Power Query força você a usar padrões DAX intensivos em recursos e perde a distinção semântica entre dimensões e fatos, enquanto tabelas separadas com um relacionamento criam um esquema em estrela que reduz o armazenamento e simplifica a criação. O DirectQuery, por outro lado, ignora o mecanismo em memória e traduz as consultas ao vivo para a origem, o que só é apropriado para dados muito grandes ou que mudam frequentemente e não cabem na memória — e o Access, sendo um banco de dados de arquivo único sem otimização no lado do servidor, é uma fonte DirectQuery particularmente deficiente. O equívoco comum é que "uma tabela grande" é mais fácil para relatórios, mas na verdade ela multiplica a complexidade das medidas e o tamanho do modelo; a abordagem correta para dados pequenos é importar e relacionar. Uma implicação no mundo real é que um conjunto de dados modelado corretamente pode lidar com milhares de visuais sem problemas, enquanto uma tabela plana mal projetada se torna lenta e difícil de manter.
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.