Le sujet d'aujourd'hui est quelque chose dont presque tous ceux qui utilisent Power BI ont entendu parler, mais que presque personne ne s'est expliqué. Qu'est-ce que le DAX exactement ? S'agit-il simplement de formule Excel dans Power BI ou est-ce quelque chose de totalement différent ? Voici la réalité, la plupart des gens pensent que le DAX est essentiellement constitué de formule Excel sous un autre nom, mais ce n'est pas le cas. Le DAX est une façon totalement différente de concevoir les calculs. Si vous essayez de l'aborder comme Excel, vous finirez frustré et confus à vous demander pourquoi vos chiffres ne correspondent pas. A la fin de cet épisode, vous saurez ce qu'est réellement le DAX, pourquoi il est important et quels sont les concepts clés pour commencer à l'utiliser avec confiance. Prenez votre café et plongeons dans le vif du sujet. Qu'est-ce que le DAX exactement ? DAX signifie Data Analysis Expressions et c'est le langage de formule utilisé dans Power BI, Power Pivot, dans Excel et SQL Server Analysis Services. Considérez-le comme le moteur qui alimente vos calculs en arrière-plan. Le DAX n'est pas nouveau. Il existe depuis l'introduction d'Excel Power Pivot il y a plus de 10 ans, mais avec Power BI, il est devenu le langage de référence pour qui comprend l'analyse de données au sérieux. Et voici ce qui le rend différent. Dans Excel, vous écrivez des formules qui fonctionnent avec des cellules individuelles. Vous pointez sur A1, multipliez par B1 et vous obtenez un résultat pour une seule cellule. Le DAX ne fonctionne pas de cette façon. Il fonctionne avec des tables et des colonnes entières à la fois. Vous ne calculez pas cellule par cellule. Au lieu de cela, vous dites au moteur. Prends toute cette colonne de nombre et fais-en la somme ou filtre cette table entière selon cette condition. Alors comment l'imaginer ? Imaginez que vous construisez un immeuble de bureau. Power BI vous donne la structure, les étages, les murs et les pièces. C'est votre modèle de données. Le DAX, ce sont le câblage et la plomberie. C'est ce qui fait que tout fonctionne. Sans le DAX, vous avez un bâtiment qui a l'air joli, mais sans électricité ni aux courantes. Avec lui, les lumières s'allument, les robinets fonctionnent et vos rapports répondent lorsque quelqu'un clique sur un segment. Cette réactivité est tout l'intérêt. Le DAX vous permet de créer des calculs qui réagissent automatiquement aux filtres et aux interactions. Créez une mesure et elle affiche le bon chiffre que l'on regarde les ventes totales par région, par produit ou par mois. Ça fonctionne tout simplement. Mais pour bien l'utiliser, vous devez comprendre les deux façons principales de travailler avec le DAX. Analysons cela. Les deux mondes. Colonne calculée versus mesure. Aujourd'hui, nous parlons de deux briques fondamentales du DAX. Les colonnes calculées et les mesures. La plupart des gens pensent qu'il s'agit de la même chose. Il n'y a pas le cas. Les confondre est l'une des erreurs les plus fréquentes que je vois. Une colonne calculée est statique. Elle ajoute une nouvelle colonne à votre table. Elle se remplit lors d'une actualisation, puis reste telle qu'elle. Elle ne change pas avant l'actualisation suivante. Voici la manière la plus simple de l'envisager. Imaginez un classeur. Placez une feuille de papier dans un dossier. Ce papier porte le nom complet du client. Peu importe que vous consultiez le dossier aujourd'hui ou la semaine prochaine. Le nom est toujours là. C'est ça, une colonne calculée. Une mesure est totalement différente. Elle ne réside pas dans la table. Elle vit dans la mémoire de votre rapport. Chaque fois qu'une personne filtre, segmente ou clique sur un visuel, la mesure se réactive et recalcule. Pourquoi est-ce important ? Si un utilisateur clique sur un segment pour la région nord-est, la mesure recalcule instantanément. Une colonne calculée ignore le segment. Elle est statique. Voici la règle simple. Si le chiffre doit changer, lorsqu'un utilisateur clique sur un bouton, utilisez une mesure. S'il est identique en toutes circonstances, une colonne calculée convient. Le total des ventes devrait toujours être une mesure. Si quelqu'un filtre par région ou par mois, le total doit se mettre à jour. Le nom complet du client est une colonne. Il ne change jamais. Un segment ne l'affectera pas. C'est ici que la plupart des débutants se trompent. Ils créent des colonnes calculées pour tout. Cela semble naturel, car c'est ainsi que fonctionne Excel. Mais abuser des colonnes alourdit votre modèle. Vos rapports deviennent lents. Les colonnes calculées créent des chiffres statiques qui ignorent vos utilisateurs. Les mesures sont presque toujours le meilleur choix. Elles sont dynamiques. Elles réagissent. Une fois que vous comprenez cette différence, vous êtes prêts pour la vraie magie du DAX. Cette magie s'appelle le contexte de filtre. La grande idée est le contexte de filtre. Bien, nous avons nos deux briques de base. Parlons maintenant du moteur qui les anime. Chaque chiffre que vous voyez dans un rapport Power BI est calculé au sein de ce qu'on appelle le contexte de filtre. Cela semble complexe, mais c'est simple. Le contexte de filtre est simplement un ensemble de filtres actifs à cet instant précis. D'où viennent ces filtres ? Ils viennent des segments sur votre page. Ils viennent du visuel sur lequel vous avez cliqué. Ils viennent de la page elle-même. Même la ligne que vous regardez crée un contexte de filtre. Voici pourquoi vous devriez vous en soucier. Lorsque vous écrivez une mesure comme le total des ventes, vous ne lui dites pas de regarder la région nord-est au T3. Vous lui demandez simplement d'additionner la colonne des ventes. C'est tout. La mesure ne connaît ni les régions, ni les trimestres. Elle additionne simplement les lignes actuellement visibles. Le contexte de filtre détermine ce qui est visible. Imaginez un projecteur. L'ensemble de vos données représente la pièce. Le contexte de filtre est le projecteur. La mesure est un appareil photo capturant exactement ce que la lumière éclaire. Déplacez le projecteur sur la région nord-est. La mesure se recalcule. Déplacez-le sur le troisième trimestre, il se recalcule à nous. Vous n'avez pas modifié la formule. C'est le contexte qui a changé. Cela perturbe la plupart des gens. Il crée une mesure, elle semble correcte dans un visuel, puis il l'intègre dans une matrice avec d'autres filtres, et le résultat change. Pense que quelque chose est cassé. Ce n'est pas cassé. C'est exactement ce qu'une mesure est censée faire. Elle est dynamique. C'est là que reste la puissance. Vous écrivez une seule formule, et elle fonctionne pour toutes les combinaisons de filtres possibles dans votre rapport. Une formule, des réponses infinies. Mais vous devez être prudent. Si vous ne savez pas quels filtres sont actifs, vous ne comprendrez pas votre résultat. Vous devez suivre la trace du projecteur. Maîtrisez le contexte de filtre, et vous débloquerez la vraie puissance du DAX 1. Cela nous amène à la star du spectacle, la fonction calculat, la plus importante de toutes, calculat. Oh bonjour. La pépite de connaissances d'aujourd'hui concerne la fonction la plus importante en DAX. Elle s'appelle calculat. Si vous ne devez maîtriser qu'une seule fonction, choisissez celle-ci. Calculat vous permet de contrôler le contexte de filtre, au lieu de simplement accepter les filtres actifs. Voici comment fonctionnent les mesures normales. Lorsque vous écrivez une mesure, elle respecte automatiquement le contexte de filtre actuel. Si quelqu'un sélectionne 2024 dans un segment, votre mesure affiche les chiffres de 2024. S'il choisit la région nord-est, elle affiche les chiffres du nord-est. La mesure réagit à tous les filtres en jeu, sans travail supplémentaire. C'est le comportement par défaut. Mais que faire si vous avez besoin d'un chiffre ignorant les filtres actuels ? Peut-être voulez-vous le total des ventes pour toutes les régions à côté des ventes de la région sélectionnée de l'agence ? Ou vous avez besoin des ventes de l'année dernière alors que quelqu'un consulte l'année en cours ? Dans ces cas-là, vous ne pouvez pas vous fier au contexte par défaut. Vous devez le modifier. C'est exactement ce que fait calculat. Calculate fonctionne en modifiant temporairement le contexte de filtre. Vous lui donnez une expression à calculer, puis un ou plusieurs filtres à appliquer. Il modifie le contexte, exécute le calcul et renvoie le résultat. Le contexte de filtre original reste intact. C'est la crédit de la magie. La syntaxe est simple. Vous écrivez calculat expression filtre 1, filtre 2. L'expression est généralement une mesure que vous avez déjà créée. Les filtres sont les conditions que vous souhaitez appliquer. Vous pouvez ajouter autant de filtres que nécessaire. Voyons cela en action. Supposons que vous ayez une mesure appelée totale des ventes. Elle affiche les ventes pour la période sélectionnée. Pour afficher les ventes de la même période l'an dernier, écrivez calculate total sales, same period, last year calendar date, euh... C'est tout ce qu'il faut. Calculate prend votre mesure existante et décale le contexte de date d'un an en arrière. Vous obtenez la comparaison souhaitée en unie. Sans calculate, vous êtes limité au contexte de filtres existants. Avec calculate, vous pouvez remplacer, ajouter ou supprimer des filtres. Vous pouvez demander le total des ventes de tous les produits, même si quelqu'un filtre sur une catégorie spécifique. Vous pouvez récupérer les ventes du mois dernier alors que le rapport affiche le mois actuel. Le contrôle est entre vos mains. Environ 80% du DAX avancé repose sur calculate. Intelligence temporelle, comparaison dynamique, agrégation personnalisée, cumul, tous utilisent calculate en arrière-plan. Maîtriser cette seule fonction vous donne un pouvoir immense sur vos rapports. Mais calculate fonctionne au niveau des filtres. Qu'en est-il de la logique ligne par ligne dans une mesure ? C'est là qu'intervient un ensemble de fonctions différents. Les fonctions itératives, quand vous devez réfléchir ligne par ligne. Ainsi, calculate gère parfaitement les changements de niveau de filtre, mais parfois vous devez entrer dans une table et calculer chaque ligne individuellement dans une mesure. La fonction somme simple ne peut pas faire cela. Il vous faut quelque chose qui parcourt la table ligne par ligne. Voici une situation courante. Vous avez une table de vente avec la quantité et le prix unitaire dans des colonnes séparées. Vous voulez une mesure qui affiche le revenu total ? Vous ne pouvez pas simplement multiplier une quantité par un prix unitaire. Cela multiplierait les totaux, pas les lignes individuelles. Vous devez multiplier la quantité de chaque ligne par son prix unitaire, puis additionner tous ses résultats, puis résultat. C'est du calcul ligne par ligne. Les fonctions itératives sont conçues pour cela. Ce sont les fonctions qui se terminent par Le x signifie expression. Ces fonctions prennent une table, parcourent chaque ligne, effectuent un calcul sur chaque ligne, puis agrègent les résultats en une seule valeur. Pour l'exemple du revenu, vous écrivez Le premier argument est la table sur laquelle itérer. Le deuxième argument est l'expression à évaluer pour chaque ligne. SUMX parcourt ligne par ligne, multiplie la quantité par le prix et fait la somme de tout. Une mesure vous donne le revenu total correct, simple et direct. Utilisez des itérateurs dès que votre calcul implique plusieurs colonnes de la même ligne. Profit par ligne, prix remisé, score pondéré. Dès que le calcul nécessite une logique ligne par ligne dans une mesure, l'itérateur est votre allié. Allié. Les itérateurs ont un coût en termes de performance. Ils parcourent chaque ligne, donc leur utilisation excessive sur des tables de plusieurs millions de lignes peut ralentir vos rapports considérablement. La règle simple, n'utilisez un itérateur que lorsque vous avez réellement besoin d'une logique ligne par ligne. Si une simple somme ou une moyenne vous donnent le bon résultat, utilisez-les plus tôt. Vos rapports vous remercieront. Un conseil de plus, parfois une colonne calculée associée à une simple somme est plus rapide qu'un SUMX. Si vous créez une colonne calculée qui effectue le calcul au niveau de la ligne lors de l'actualisation, puis utilisez une somme classique sur cette colonne, vous évitez de payer le coût de l'itérateur à chaque consultation du rapport. Testez les deux approches avec vos propres données. L'option la plus rapide dépend de la taille de votre modèle et de la fréquence de mise à jour des données. Choisissez eusement. L'intelligence temporelle simplifiée. Parlons maintenant de l'une des fonctionnalités les plus demandées dans Power BI, la comparaison de périodes temporelles. Quelles sont les ventes de ce mois-ci par rapport au mois dernier ? Comment l'année se situe-t-elle par rapport à l'année précédente ? Ces questions reviennent dans presque tous les rapports métiers. Et DAX possède des fonctions conçues pour cela. Les fonctions d'intelligence temporelle gèrent les cumuls annuels, la même période d'année précédente, les moyennes mobiles et les variations mensuelles font partie de DAX. Vous n'avez donc pas besoin d'écrire des logiques de filtrage complexes à partir de zéro. Mais attention ! Les fonctions d'intelligence temporelle nécessitent une table de date appropriée et non une simple colonne de date issue de votre table de fait. Il vous faut une table distincte avec une ligne par jour couvrant toute votre période sans interruption et elle doit être définie comme table de date dans votre modèle. Si vous souhaitez cette étape, les fonctions ne fonctionneront tout simplement pas. Une fois cette table de date configurée, les fonctions les plus utiles sont Totalité, Same période last year, Date add et Date between. Totalité la plus simple. Vous écrivez total des ventes, date du calendrier et vous obtenez un cumul du début de l'année jusqu'à la date située dans le contexte. Ajoutez-la dans un graphique en courbe par mois et vous verrez ce total cumulé croître tout au long de l'année. Same période last year fait exactement ce que son nom indique. Elle décale le contexte de date d'un an en arrière. Vous l'associez à Calculate comme ceci. Calculate, total des ventes, Same période last year, date du calendrier. Vous avez désormais les ventes de l'an dernier côte à côte avec celles de cette année pour une comparaison facile. Date add est encore plus flexible. Elle vous permet de décaler par jour, mois, trimestre ou année, vous pouvez comparer ce trimestre à celui d'il y a deux ans ou voir les chiffres du mois dernier en utilisant moins un mois à baie-gib. C'est le couteau suisse du décalage temporel. L'erreur la plus courante consiste à oublier de marquer sa table de date. Vous pouvez avoir une table de date parfaite avec chaque jour de 2020 à 2030 mais si vous ne la marquez pas comme table de date dans le modèle, les fonctions renverront des erreurs ou des valeurs vides. C'est un réglage simple. Faites un clic droit sur la table, choisissez qu'à marquer comme table de date côte et sélectionnez la colonne de date. Faites cela une fois et tout commencera à fonctionner. Une autre erreur consiste à utiliser des fonctions d'intelligence temporelle sur une colonne de date dans votre table de fait au lieu d'une table de date dédiée. Les fonctions attendent une plage de date continue, sans interruption, ce que les tables de fait n'ont presque jamais. Alors construisez une table de date appropriée, marquez-la, et votre intelligence temporelle fonctionnera sans problème. Les pièges courants des débutants. Même avec les bonnes fonctions, les débutants tombent souvent dans des pièges classiques. Laissez-moi vous guider à travers les plus importants afin que vous puissiez les éviter le premier jour. La source numéro 1 de bug en DAX est de confondre le contexte de ligne avec le contexte de filtre. Plus tôt, nous avons expliqué comment les colonnes calculées créent un contexte de ligne évaluant une ligne à la fois, tandis que les mesures utilisent un contexte de filtre basé sur les filtres actifs, basé sur l'effet track. Les débutants écrivent souvent une mesure comme si elle avait accès aux lignes individuelles, puis s'étonnent que les résultats soient faux. Si votre mesure doit avoir les lignes individuelles, utilisez une fonction d'itération. Sinon, restez simple. La deuxième grosse erreur est d'utiliser des colonnes calculées quand une mesure suffirait. Les colonnes calculées semblent familières car vous pouvez voir les valeurs dans la table. Mais chaque colonne calculée alourdit votre modèle et ralentit les actualisations. Avant d'en ajouter une, demandez-vous, cette valeur doit-elle changer lorsque quelqu'un filtre le rapport ? Si oui, ce devrait être une mesure. Un autre piège consiste à ignorer le modèle de données lui-même. Le DAX ne fonctionne pas de manière isolée. Il dépend des relations entre vos tables. Si votre modèle a des relations faibles, une mauvaise cardinalité ou des clés de jointure manquantes aux formules DAX échoueront silencieusement au silencieusement. Vous obtiendrez des chiffres qui semblent plausibles mais qui sont en réalité faux. La solution n'est pas d'écrire un meilleur d'acte. Corrigez d'abord votre modèle. Ensuite, il y a le mauvais usage de Calculite. Les débutants ajoutent plusieurs filtres dans Calculite sans réaliser qu'ils peuvent s'annuler mutuellement. Par exemple, un filtre pour les ventes 2024 et un autre pour les ventes de l'année dernière entrent en conflit et le résultat ne sera pas celui attendu. Chaque filtre à l'intérieur de Calculite doit avoir un objectif clair. Si vous n'êtes pas sûr de ce qu'il fait, testez-le d'abord de manière isolée. Une autre erreur courante est de ne pas utiliser de variable. Les variables déclarées avec VR permettent de stocker des résultats intermédiaires et de les réutiliser plus tard dans la même mesure. Péter le même calcul plusieurs fois dans une formule, ce qui rend votre code plus difficile à lire, à déboguer et plus lent à exécuter. Prenez l'habitude d'utiliser VR dès le début. Cela vous évitera des heures de frustration. Et enfin, validez toujours vos mesures dans différents contextes. Une mesure qui fonctionne parfaitement dans un visuel de carte peut échouer dans le total d'une matrice. C'est parce que la ligne de total s'évalue dans un contexte de filtre différent de celui des lignes de détail. Testez vos mesures dans des tableaux, des cartes, des matrices et avec différentes combinaisons de segments. Si une mesure tient la route dans tous ces scénarios, vous savez qu'elle est solide. Mise en pratique. Très bien, examinons un exemple concret qui réunit tout cela. Imaginez que vous construisiez un rapport de vente et que vous deviez afficher trois chiffres. Les ventes totales pour cette période, les ventes totales pour la même période l'an dernier et le pourcentage de croissance entre les deux. La première chose dont vous avez besoin est une table de date. Allez dans votre modèle, créez une table de date couvrant toute votre période, une ligne par jour sans interruption. Ensuite, faites un clic droit, choisissez marquer comme table de date et sélectionnez la colonne 2. Faites cela une fois et chaque fonction d'intelligence temporelle que vous écrivez à la à la suite fonctionnera parfaitement. Ensuite, écrivez votre mesure de base. Appelez-la total des ventes égale, étapez que total des ventes égale assume montant des ventes. C'est la base et chaque autre calcul s'appuiera sur cette simple ligne. Ligne. Écrivez la mesure pour l'année précédente. Utilisez calculate avec same period last year. Cela ressemble à ceci. Vente année précédente égale calculate, total des ventes, same period last year, calendrier, date. Maintenant, vous avez l'année en cours juste à côté de l'année précédente. Passons au pourcentage de croissance. Utilisez Divide pour gérer les cas où les ventes de l'année dernière pourraient être nulles et elles le sont. Écrivez-le comme ceci. Pourcentage de croissance égale Divide. Total des ventes, vente année précédente, vente année précédente, vente année précédente. Divide renvoie sans risque une valeur vide au lieu d'une erreur si le dénominateur est zéro. C'est la méthode intelligente pour éviter les plantes. Vous avez maintenant trois mesures réutilisables qui fonctionnent avec n'importe quel fil que vous leur appliquez. Plissez-les. Dans un tableau par produit, par région, par mois, elles répondront correctement à chaque fois. C'est là tout l'intérêt. Appuyez-vous sur un modèle propre, maîtrisez quelques fonctions clés et le reste se mettra en place. N'essayez pas d'écrire du DAX complexe dès le premier jour. Commencez par bien structurer votre mode. Apprenez les bases, les mesures, le contexte de filtre, calculates et vous résoudrez la plupart des problèmes métiers avec seulement quelques lignes de code. Voici donc où nous en sommes. Vous savez ce qu'est le DAX, pourquoi le contexte de filtre est important et comment fonctionnent les fonctions calculates et d'itérations. Vous avez vu les pièges courants et comment les éviter. Et nous avons étudié un exemple concret qui réunit le tout. La vraie puissance du DAX ne réside pas dans la mémorisation d'une centaine de fonctions, mais dans une modélisation de données propres et quelques modèles fondamentaux. Réussissez votre modèle et le DAX devient presque évident. Voici ce que je vous suggère d'essayer. Ouvrez Power BI. Construisez un modèle simple avec une table de date, une table des ventes et une table des produits. Ensuite, écrivez une mesure par jour pendant une semaine. Commencez par le total des ventes, ajoutez les ventes de l'année précédente, le pourcentage de croissance, puis essayez un cumul. A la fin de la semaine, vous écrirez des mesures sans même y réfléchir. C'est comme ça que ça devient instinctif. Si cet épisode vous a aidé, abonnez-vous et continuez à approfondir vos connaissances. La prochaine fois, nous parlerons du débogage d'AX quand les choses tournent mal, car cela arrivera à savoir comment les réparer représentent la moitié du travail. A bientôt. Sous-titrage Société Radio-Canada