Padroneggiare Power Query: trasformare dati piatti in uno schema a stella

By Mirko Peters · 2026-08-12 · Updated 2026-08-29

Automatically translated with AI from the original post. Read the English original

Titelbild: Mastering Power Query: Transforming Flat Data into a Star Schema

Bentornati sul blog di accompagnamento al podcast! In questo articolo ci immergiamo a fondo nella meccanica tecnica della modellazione dei dati. Se ti è mai capitato di ereditare un'enorme esportazione di dati piatta da un sistema aziendale, dove ogni singola transazione ripete nomi di clienti, categorie di prodotto e localizzazioni geografiche un milione di volte, conosci bene il problema che questo comporta per i tuoi report. Prestazioni lente, formule DAX confuse e file gonfiati sono solo la punta dell'iceberg. Per fortuna esiste un pattern architetturale collaudato, su cui si affidano i professionisti della BI per risolvere esattamente questo problema: lo schema a stella.

In questa guida completa vedremo come prendere un'esportazione disordinata, composta da una sola tabella, e usare Power Query per suddividerla in una tabella dei fatti centrale ed efficienti tabelle delle dimensioni ad alte prestazioni. Lungo il percorso tratteremo la pianificazione strategica, le best practice per la pulizia dei dati, la generazione delle chiavi surrogate e le tecniche di ottimizzazione del modello che renderanno i tuoi report di Power BI estremamente veloci.

Introduzione a Power Query e nozioni di base sullo schema a stella

Quando si costruiscono soluzioni in Microsoft Power BI, la struttura dei dati sottostante determina tutto ciò che viene dopo. Uno schema a stella è una tecnica di modellazione dei dati matura e altamente ottimizzata: le metriche di business sono collocate in una tabella dei fatti centrale, mentre gli attributi descrittivi delle entità di business risiedono nelle tabelle delle dimensioni che le circondano. Questa disposizione, visualizzata in un diagramma, assume la forma di una stella. La maggior parte dei BI developer sceglie questo metodo perché produce una soluzione di business intelligence estremamente semplice da mantenere e scalare.

La ricerca dimostra costantemente che adottare questo pattern di progettazione porta vantaggi enormi. Infatti, circa l'80% degli utenti di Power BI che costruiscono modelli a stella riporta prestazioni e efficienza delle analisi migliorate rispetto agli approcci basati su tabelle piatte. Al contrario, rinunciare allo schema a stella introduce seri attriti nel ciclo di sviluppo:

Query lente, causate da una forte ridondanza e duplicazione dei dati.
Formule DAX complicate, dovute a relazioni tra tabelle ambigue o mancanti.
Manutenzione difficile e colli di bottiglia nella scalabilità quando arrivano nuovi dati di business.

Per capire a fondo come ristrutturare i dati, vediamo i passaggi fondamentali da compiere prima di scrivere una sola riga di codice di trasformazione.

Pianificare lo schema a stella

Prima di iniziare a scrivere i passaggi di trasformazione in Power BI, ti serve un piano chiaro e intenzionale per lo schema a stella. Una pianificazione accurata ti aiuta a evitare confusione, accelera i report e rende il modello molto più semplice da mantenere. Come BI developer, dovresti sempre verificare le origini dati e definire lo schema prima di importare in Power BI Desktop esportazioni grezze e non strutturate.

Analizzare le origini dati e individuare le tabelle chiave

Inizia il tuo percorso architetturale esaminando attentamente le origini dati grezze. Cerca tabelle o file piatti che contengono eventi numerici di business, come transazioni di vendita, clic sul web o movimenti di magazzino. Questi diventeranno alla fine la tabella dei fatti centrale. Poi cerca le colonne che descrivono le entità di business, come nomi dei clienti, descrizioni dei prodotti, elenchi dei dipendenti o date del calendario. Queste costituiranno la base delle tue tabelle delle dimensioni.

Suggerimento: usa sempre chiavi numeriche intere per i join tra tabelle. Le chiavi numeriche accelerano le query del motore VertiPaq e rendono le relazioni molto più affidabili rispetto alle corrispondenze basate sul testo.

Una volta individuate le tabelle, disegna un diagramma entità-relazione. Assicurati che la tabella dei fatti centrale si colleghi direttamente alle singole tabelle delle dimensioni e, soprattutto, evita di collegare direttamente due tabelle dei fatti tra loro. Mantenere il modello a un solo salto tra fatti e dimensioni previene ambiguità nei filtri e mantiene pulito il modello semantico.

Importare e pulire i dati con Power Query

Importare i dati in Power BI costituisce la base assoluta di uno schema a stella affidabile. Devi connetterti alle origini dati, pulire e trasformare i dati in ingresso e caricare le tabelle con cura. Power Query funziona come banco di lavoro principale per la preparazione dei dati, consentendoti di modellare e affinare le informazioni prima che raggiungano il modello dati.

Quando importi i dati, usa con criterio le impostazioni "Abilita caricamento" di Power Query. Disattiva il caricamento delle query di staging e delle tabelle di supporto intermedie, in modo che solo le tabelle dei fatti e delle dimensioni finali, ottimizzate, occupino memoria nel modello. Inoltre, esegui il più possibile i passaggi di filtro e trasformazione vicino all'origine dati, un concetto noto come query folding, per mantenere l'aggiornamento dei dati molto rapido.

Pulire i dati significa rimuovere in modo sistematico gli errori, correggere le incongruenze di formattazione e standardizzare le stringhe di testo. Controlla la presenza di valori mancanti nelle colonne chiave esterne critiche e correggili subito. Assicurarsi che le chiavi abbiano lo stesso tipo di dato in tutte le tabelle non è negoziabile per creare correttamente le relazioni.

Creare tabelle delle dimensioni e chiavi surrogate

Una tabella delle dimensioni ben progettata è la vera colonna portante dello schema a stella. Le tabelle delle dimensioni forniscono il contesto dettagliato sulle operazioni aziendali. Per estrarre queste dimensioni da un'esportazione di dati piatta, devi isolare gli attributi univoci di un'entità ed eliminare le righe duplicate.

Estrarre gli attributi e rimuovere i duplicati

Quando crei una tabella delle dimensioni partendo da un dump di dati piatto, seleziona solo le colonne rilevanti per filtrare e raggruppare. Ad esempio, una dimensione Prodotto dovrebbe isolare ID prodotto, Nome prodotto, Categoria, Sottocategoria e Prezzo unitario. Una volta isolate queste colonne, rimuovi i record duplicati per fare in modo che ogni entità compaia esattamente una volta. Le righe univoche garantiscono che le relazioni uno-a-molti funzionino senza effetti collaterali imprevisti sul filtro incrociato.

Per rendere le tabelle delle dimensioni solide di fronte alle modifiche dei sistemi di origine, valuta la generazione di chiavi surrogate. Una chiave surrogata è una colonna di indice intero artificiale e auto-incrementale creata durante i passaggi di trasformazione di Power Query. Usare chiavi surrogate invece di chiavi di testo naturali volatili protegge i dati storici della tabella dei fatti quando i descrittori di origine, come l'indirizzo di residenza di un cliente o il nome di un prodotto, cambiano nel tempo.

Creare e aggregare la tabella dei fatti

Una volta stabilite in modo sicuro le tabelle delle dimensioni pulite, puoi concentrarti sulla costruzione della tabella dei fatti principale. La tabella dei fatti memorizza eventi aziendali misurabili e quantitativi. Ogni riga rappresenta una specifica transazione o accadimento al livello di dettaglio più basso richiesto dagli stakeholder.

Per gestire set di dati molto grandi, valuta la creazione di tabelle di aggregazione a livello di query o di data warehouse. Pre-aggregare i dati per mese, area geografica o categoria di prodotto riduce drasticamente il numero di righe e accelera il rendering delle visualizzazioni. Quando costruisci la tabella dei fatti, verifica che la granularità sia coerente: mescolare righe aggregate giornaliere con transazioni individuali al secondo nella stessa tabella comprometterebbe le aggregazioni delle misure e porterebbe a conteggi doppi.

Configurare le relazioni e ottimizzare il modello

Dopo aver caricato le tabelle in Power BI, configura le relazioni del modello nella visualizzazione Modello. Stabilisci relazioni uno-a-molti pulite, che vadano dal lato "uno" delle tabelle delle dimensioni al lato "molti" della tabella dei fatti centrale.

Per impostazione predefinita, mantieni il filtro incrociato a direzione singola. Evita il filtro bidirezionale se non è assolutamente necessario, perché introduce percorsi di filtro complessi, peggiora le prestazioni del motore VertiPaq e produce spesso risultati analitici inattesi. Controlla regolarmente il modello per eliminare le colonne non utilizzate, ridurre al minimo i campi di testo ad alta cardinalità nelle relazioni e assicurarti che la tabella del calendario continuo sia esplicitamente contrassegnata come tabella delle date, così da sbloccare calcoli di intelligenza temporale senza intoppi.

Creare report e analisi con lo schema a stella

In definitiva, tutti gli sforzi di modellazione dei dati culminano nel livello di reporting. Quando il modello semantico è strutturato come uno schema a stella pulito, creare dashboard interattive diventa un vero piacere. Segmentatori e filtri si applicano istantaneamente, le misure DAX restano leggibili e facili da correggere, e le funzionalità Q&A in linguaggio naturale raggiungono una precisione notevole.

Per approfondire questo schema architetturale e ascoltare le opinioni di esperti su come evitare i comuni errori di modellazione, non perdere l'episodio di podcast correlato: Build a Power BI Star Schema for Faster Reports.

Conclusione

Trasformare dump di dati piatti e disordinati in uno schema a stella ottimizzato con Power Query è una delle competenze con il massimo ritorno per uno sviluppatore Power BI. Pianificando con cura lo schema, pulendo le dimensioni, generando chiavi surrogate stabili e configurando relazioni one-to-many rigorose, ottieni prestazioni di query fulminee, calcoli DAX più semplici e report aziendali solidi.

Ricordati di affidarti a checklist di modellazione, di convalidare il numero di righe rispetto ai sistemi di origine e di verificare continuamente i tuoi modelli man mano che le esigenze dell'organizzazione evolvono. Per approfondire queste strategie e le discussioni pratiche sulle best practice dell'ecosistema Microsoft, ascolta l'episodio completo su Build a Power BI Star Schema for Faster Reports. Buona modellazione!