✔ Programação GLOBAL®: dezembro 2024

Modelagem de Dados | O que é uma Tabela Fato?

Imagine ter uma lojinha de doces e queira saber tudo o que acontece nela:

Quem compra os doces,
Quais doces vendem mais, e
Quanto dinheiro você ganhou no mês.

Para guardar todas essas informações, precisa de uma grande tabela onde colocar os números e detalhes sobre as vendas. Essa tabela especial é chamada de Tabela Fato.

Exemplo:

Pense assim: Cada linha da tabela é como uma história de uma venda que aconteceu na sua loja. Um dia, o Joãozinho comprou 3 chocolates por R$6. Essa informação vira uma linha na tabela Fato.

Na tabela, você vai escrever:

- Quem comprou? (Joãozinho)
- O quê? (3 chocolates)
- Quanto pagou? (R$6)

Essas são as medidas ou números importantes. Elas mostram o que aconteceu na sua loja.

Por que é chamada de "Fato"?

Porque ela guarda os fatos reais que aconteceram. No caso da lojinha, os fatos são as vendas. Em outras situações, pode guardar dados de notas escolares, consultas médicas ou partidas de futebol, sempre mostrando os números e o que aconteceu.

Quais são os tipos de Tabelas Fato?

Existem três tipos principais de tabelas Fato. Vou explicar cada uma com exemplos:

#1. Tabela Fato de Transação

É como um diário onde você anota cada venda ou acontecimento que acontece na hora.

Exemplo:

Na lojinha de doces, cada compra feita pelos clientes vira uma linha na tabela.

- Joãozinho comprou 2 balas por R$2.

- Mariazinha comprou 1 pirulito por R$1.

Aqui, você anota tudo exatamente como aconteceu, venda por venda.

#2. Tabela Fato de Snapshot (ou Fotografia)

É como tirar uma foto do que está acontecendo em um momento específico do tempo.

Exemplo:

No fim de cada dia, você faz uma contagem de todos os doces vendidos. Então sua tabela vai mostrar:

- No dia 1, você vendeu 10 chocolates e 5 pirulitos.

- No dia 2, vendeu 8 chocolates e 6 pirulitos.

Isso é útil para saber como as coisas mudam com o tempo, como uma foto que você tira todo dia.

#3. Tabela Fato de Acumulação

É como um caderno onde você vai somando tudo o que já aconteceu, acumulando as informações.

Exemplo:

Em vez de anotar as vendas uma por uma, você vai somando o total:

- Até o dia 1, vendeu 10 doces.

- Até o dia 2, vendeu 18 doces (10 do dia 1 + 8 do dia 2).

Assim, você sempre sabe o total de doces vendidos até aquele momento.

Mas onde estão as perguntas?

A tabela Fato é como um grande baú de respostas para várias perguntas, como:

- Quantos doces eu vendi hoje?

- Quem foi meu melhor cliente?

- Qual doce foi o mais vendido?

E quem ajuda a Tabela Fato?

Ela não trabalha sozinha. Tem uma "amiga" chamada Tabela Dimensão, que explica melhor o que cada coisa significa.

Exemplo:

- A Tabela Fato diz: "Joãozinho comprou 3 chocolates por R$6".

- A Tabela Dimensão responde: "Joãozinho mora no bairro A, tem 10 anos e gosta de chocolate amargo."

Juntas, criam um time perfeito para se entender tudo o que acontece.

Clique aqui e nos contate via What's App para avaliarmos seus projetos

Compartilhe, deixe comentários!

brazilsalesforceeffectiveness@gmail.com

Modelagem de Dados | O Guia Completo e Teórico para Entender o Processo Essencial na Era da Informação

#ModelagemDeDados #BancoDeDados #Tecnologia #BI #TransformaçãoDigital

A Modelagem de Dados é uma das etapas mais importantes na construção de sistemas de informação, permitindo que dados brutos sejam organizados e estruturados de maneira lógica e eficiente. Este artigo explora o conceito de Modelagem de Dados, suas metodologias, benefícios, e como aplicá-la na prática, com uma abordagem teórica e embasada em melhores práticas.

O que é Modelagem de Dados?

Modelagem de Dados é o processo de criação de um modelo conceitual que define e organiza os dados utilizados em um sistema. É como desenhar um mapa para guiar a construção de um banco de dados ou sistema de software, garantindo que todos os elementos sejam inter-relacionados de forma lógica.

Esse modelo atua como um intermediário entre os requisitos do negócio e os sistemas técnicos, permitindo que desenvolvedores, analistas de negócios e stakeholders compreendam como os dados serão armazenados e manipulados.

Por Que Modelar Dados é Essencial?

A Modelagem de Dados resolve vários problemas ao lidar com grandes volumes de informações. Sem uma estrutura clara:

1. Os dados podem ser duplicados.
2. A consulta e análise tornam-se ineficientes.
3. Erros de inconsistência se tornam comuns.

Modelar Dados ajuda a criar sistemas robustos que atendem aos requisitos do negócio, promovem eficiência operacional e oferecem insights valiosos.

Os Três Níveis da Modelagem de Dados

A Modelagem de Dados é dividida em três níveis, cada um com um propósito específico:

#1. Modelo Conceitual

Focado no *o quê* dos dados.

- Representa o ponto de vista do negócio, definindo as principais entidades e seus relacionamentos.

- Não entra em detalhes técnicos.

Exemplo:
Uma empresa pode identificar as entidades "Cliente", "Produto" e "Venda". O relacionamento seria que um cliente pode fazer várias compras e cada compra pode incluir vários produtos.

#2. Modelo Lógico

Focado no *como* os dados estão organizados.

- Define as tabelas, colunas e restrições, mas ainda sem amarrar a um sistema específico.

- Inclui tipos de dados e relacionamentos normalizados.

Exemplo:
O "Cliente" pode ter atributos como ID, Nome, Endereço e Telefone. Esses atributos serão organizados em tabelas com chaves primárias e estrangeiras.

#3. Modelo Físico

Focado no *onde*.

- Mostra como os dados serão implementados no sistema escolhido.
- Inclui detalhes de indexação, performance e alocação em servidores.

Exemplo:
O "Cliente" pode ser armazenado como uma tabela no SQL Server, com índices para acelerar as consultas pelo Nome ou ID.

Técnicas de Modelagem de Dados

Existem várias metodologias para Modelagem de Dados. As mais populares incluem:

#1. Modelo Entidade-Relacionamento (ER)
Baseado em diagramas que mostram entidades (objetos do mundo real) e os relacionamentos entre elas.
- Inventado por Peter Chen em 1976.
- Usa símbolos como retângulos (entidades) e losangos (relacionamentos).

#2. Modelagem Relacional
Foco na organização dos dados em tabelas.
- Utiliza conceitos como chaves primárias e estrangeiras para garantir integridade.
- Ideal para bancos de dados relacionais.

#3. Modelagem Dimensional
Usada principalmente em Data Warehousing.
- Divide os dados em tabelas Fato (eventos) e tabelas Dimensão (contexto).
- É adequada para análises e relatórios.

O Processo de Modelagem de Dados

1. Entender os Requisitos do Negócio
- Identificar o que o sistema precisa fazer e quais dados são relevantes.
- Realizar workshops com stakeholders.

2. Definir Entidades e Atributos
- Quais são os objetos principais?
- Quais características cada objeto tem?

3. Identificar Relacionamentos
- Como as entidades interagem entre si?
- Relacionamentos podem ser 1:1, 1:N ou N:N.

4. Normalização
- Organizar dados para evitar duplicação e inconsistências.
- Aplicar as 3 Formas Normais (3FN).

5. Criar o Modelo Físico
- Implementar o design em um banco de dados.
- Considerar performance e escalabilidade.

Benefícios da Modelagem de Dados

- Melhora a Qualidade dos Dados: Evita redundâncias e inconsistências.
- Facilita a Comunicação: Diagramas claros ajudam a alinhar equipes técnicas e de negócios.
- Aumenta a Eficiência: Dados bem modelados são mais fáceis de acessar e gerenciar.
- Permite Escalabilidade: Um bom modelo pode crescer junto com a empresa.

Erros Comuns na Modelagem de Dados

1. Pular o Modelo Conceitual: Focar diretamente em implementações técnicas pode levar a erros de alinhamento com o negócio.
2. Excesso de Normalização: Pode dificultar consultas simples.
3. Subestimar a Importância da Performance: Um design funcional pode ser lento em cenários de alta carga.

Ferramentas para Modelagem de Dados

Várias ferramentas ajudam na criação e gerenciamento de modelos de dados, como:

- ER/Studio
- Microsoft Visio
- Oracle SQL Developer Data Modeler
- Lucidchart
- Power BI (com foco na modelagem dimensional)

A Modelagem de Dados na Era da Transformação Digital

Com o crescimento do Big Data e da análise preditiva, a Modelagem de Dados se tornou ainda mais crítica. Ela é a base para:

- Machine Learning

- Sistemas de BI (como Power BI)

- Aplicações de IoT

A Modelagem de Dados é a espinha dorsal de qualquer sistema moderno, seja um banco de dados para um pequeno e-commerce ou um data warehouse de uma multinacional. Dominar suas técnicas e conceitos é essencial para garantir que os dados sirvam como um recurso valioso e não como um fardo.

Seja você um desenvolvedor, analista ou tomador de decisão, entender a modelagem de dados é um passo crucial para navegar no mundo digital com sucesso.

Clique aqui e nos contate via What's App para avaliarmos seus projetos

Compartilhe, deixe comentários!

brazilsalesforceeffectiveness@gmail.com

Power Query | DAX vs Linguagem M

DAX (Data Analysis Expressions) e a Linguagem M são usadas para manipular dados e executar cálculos no Microsoft Power BI e no Excel Power Pivot. Aqui estão as principais diferenças entre as duas linguagens:

1 - Objetivo: DAX é uma linguagem de fórmulas usada para criar cálculos e agregações no Power BI e Excel. A Linguagem M é uma linguagem de programação funcional usada para consultar e transformar dados no Power Query.

2 - Manipulação de dados: DAX é usado para manipular dados dentro de tabelas ou colunas, como executar cálculos, agregar dados ou criar colunas ou medidas calculadas. A Linguagem M é usado para manipular dados antes de serem carregados no modelo de dados, como filtrar, mesclar, transformar ou remodelar dados de diferentes fontes.

3 - Sintaxe: O DAX tem uma sintaxe semelhante às fórmulas do Excel, utilizando funções e operadores para realizar cálculos.

Vendas totais = SOMA(Vendas[Valor])

A Linguagem M usa uma sintaxe de programação funcional, usando funções e expressões para transformar e consultar dados.

Exemplo: Table.SelectRows, Table.AddColumn, Table.TransformColumns e Text.Split etc.

4 - Fontes de dados: o DAX trabalha com modelos de dados criados no Power BI ou Excel, enquanto a Linguagem M trabalha com uma variedade de fontes de dados, como arquivos do Excel, bancos de dados ou serviços web.

5 - Complexidade: DAX é projetado para cálculos e agregações complexas, e pode ser fácil para não programadores aprenderem e usarem. A Linguagem M é projetado para transformações de dados mais complexas e pode exigir mais habilidades de programação.

6 - Desempenho: O DAX é otimizado para desempenho dentro do modelo de dados, e seus cálculos e agregações são feitos na memória. A Linguagem M é otimizado para desempenho durante a transformação e carregamento de dados, e pode executar operações como filtragem, mesclagem e agrupamento de forma mais eficiente do que o DAX.

7 - Funções: O DAX tem uma grande biblioteca de funções que podem ser usadas para cálculo e agregação, incluindo funções matemáticas, estatísticas e de inteligência de tempo. A Linguagem M também tem uma biblioteca de funções que podem ser usadas para transformação e limpeza de dados, como funções de filtragem, agrupamento e particionamento.

8 - Tratamento de erros: O DAX tem um mecanismo de tratamento de erros integrado que pode detectar e tratar erros durante operações de cálculo e agregação. A Linguagem M também tem um mecanismo de tratamento de erros que pode tratar erros durante a transformação e o carregamento de dados.

9 - Interoperabilidade: O DAX é usado principalmente no Power BI e no Excel, enquanto a Linguagem M pode ser usada em outras ferramentas, como o Power Query e o SQL Server Integration Services.

10 - Curva de Aprendizado: DAX é geralmente mais fácil de aprender e usar do que a Linguagem M, pois usa uma sintaxe similar às fórmulas do Excel e requer menos conhecimento de programação. A Linguagem M requer mais conhecimento de programação e pode ter uma curva de aprendizado mais íngreme para não programadores.

Resumindo, o DAX é usado para criar cálculos e agregações dentro do modelo de dados, enquanto a Linguagem M é usado para consultar e transformar dados de várias fontes antes de carregá-los no modelo de dados.

O DAX é mais fácil de aprender e usar para não programadores, enquanto a Linguagem M é mais adequado para transformações de dados complexas e requer mais habilidades de programação.

Clique aqui e nos contate via What's App para avaliarmos seus projetos

Compartilhe, deixe comentários!

brazilsalesforceeffectiveness@gmail.com

Power Query | Quando devo usar Power Query M, Power BI, ETL, DAX, Linguagem M, Power Query M, PBI, e quando devo usar DAX?

Na ciência da computação, assim como em muitos outros campos, o seguinte axioma geralmente se aplica: Muitos caminhos levam a Roma. No Power BI, isso é especialmente verdadeiro. A dificuldade é aprender quando é melhor usar uma ferramenta em vez da outra.

Por exemplo, você pode fazer um cálculo, uma agregação e também uma filtragem tanto no M (ou seja, na engenharia de dados) quanto no DAX (ou seja, na análise de dados).

Assim, é melhor, definirmos regras claras sobre o uso do DAX e da Linguagem M. Isso facilita o início dos novos funcionários e simplifica a comunicação entre os membros da equipe.

Power Query

O Power Query / Linguagem M é usado para engenharia de dados, então:

Ingestão de dados: o Power Query permite importar, combinar e atualizar dados de várias fontes (de uma pasta local, SharePoint, banco de dados, API, Azure e muito mais).

Processos ETL e ELT: Extrair – Transformar – Carregar e Extrair – Carregar – Transformar são as duas abordagens para processamento de dados. Para ambos, o Power Query é a ferramenta do momento.

Data Wrangling: Os dados são então limpos e transformados. Junções são feitas, filtradas, nomes uniformes são atribuídos, colunas desnecessárias são removidas, etc.

As seguintes regras se aplicam:

Conjuntos de dados que nunca precisaremos na análise de dados são filtrados em M
Não agregamos registros em M
Colunas que nunca precisamos são removidas em M
Não fazemos cálculos em M
Exceções confirmam a regra. Por exemplo, há situações em que um cálculo em M é muito mais fácil de ser realizado. Ou, às vezes, estamos diante de enormes quantidades de dados, de modo que a agregação em M nos poupa uma boa quantidade de problemas no futuro.

DAX

O DAX é usado para análise de dados, então:

Agregações: se você precisar recuperar valores agregados de uma tabela ou conjunto de dados, a melhor e mais rápida maneira de fazer isso é com funções de agregação DAX.

Filtragem: Em medidas, as funções de filtragem estão entre as mais comumente usadas. Elas ajudam a filtrar apenas as informações relevantes e/ou editar o contexto dos dados para criar cálculos dinâmicos sem alterar o modelo de dados e suas tabelas. Isso é importante para visualizar e agregar valores específicos para relatórios e painéis e outros cálculos usando essas métricas de filtro.

Definir relacionamentos: o Power Query não conhece relações. No DAX, por outro lado, você pode definir e alterar relacionamentos, mas também aplicá-los usando integridade referencial.

Funções de relacionamento (hierarquias). O DAX contém funções para retornar, por exemplo, a cardinalidade de relações e registros.

Coluna calculada que faz referência a uma coluna de outra tabela. Com o DAX, o usuário pode facilmente inserir colunas de tabelas diferentes na fórmula. No Power Query, essa manobra requer junção complexa e se complica muito rapidamente.

Clique aqui e nos contate via What's App para avaliarmos seus projetos

Compartilhe, deixe comentários!

brazilsalesforceeffectiveness@gmail.com

Power Query | Os Passos de um Projeto num Processo de Dados do Power BI

Os primeiros passos de um projeto para um processo de dados do Power BI são sempre feitos no Editor do Power Query, onde coletamos dados de diferentes fontes, limpamos e formatamos os dados.

O DAX só entra em jogo na segunda etapa, na análise de dados. Calculamos principalmente medidas e KPIs, e usamos o DAX para filtrar a visualização em questão.

O Power Query M é usado para ingestão e manipulação de dados. O DAX para análise de dados.

Sempre começamos no editor do Power Query. Com a interface gráfica do usuário e a Linguagem M, usuários iniciantes e avançados podem preparar os dados para análise e visualização posteriores.

O DAX, por outro lado, é usado em um segundo estágio, para fazer cálculos de vários registros e agregar fatos individualmente.

Clique aqui e nos contate via What's App para avaliarmos seus projetos

Compartilhe, deixe comentários!

brazilsalesforceeffectiveness@gmail.com

Power Query | O que é a Linguagem M?

A Linguagem M (também conhecida como Power Query M) é a linguagem de programação utilizada no Power Query, uma ferramenta de transformação e preparação de dados do Power BI, Excel, e outras soluções da Microsoft, como o Azure Data Factory. Embora seja uma linguagem funcional, ela foi projetada para ser acessível, principalmente para analistas de dados e profissionais de BI, permitindo que realizem manipulações de dados complexas sem a necessidade de um profundo conhecimento em programação. A Linguagem M é essencialmente responsável por definir os passos de transformação de dados no Power Query, possibilitando que você crie consultas que extraem, limpam, transformam e modelam dados antes de carregá-los em um modelo de dados para análise.

Uma das principais características da Linguagem M é que ela é baseada em funções. Ao escrever uma consulta no Power Query, você está essencialmente criando uma série de funções que transformam os dados à medida que eles são carregados. Essas funções podem ser encadeadas, criando um fluxo de transformações que acontece em sequência. Em cada etapa, a consulta retorna um conjunto de dados transformado, que pode ser utilizado pela próxima etapa ou como resultado final. O uso de funções permite que a Linguagem M seja altamente flexível, além de otimizar o processo de transformação de dados.

Power BI:

No Power Query, ao clicar em uma operação no editor de consultas (como filtrar dados, substituir valores, ou adicionar novas colunas), o Power Query gera automaticamente o código M correspondente. Isso facilita o aprendizado da linguagem, já que os usuários podem realizar operações complexas por meio da interface gráfica sem precisar escrever o código manualmente. No entanto, a possibilidade de editar diretamente o código M oferece mais controle sobre as transformações, permitindo ajustes finos e a implementação de soluções mais avançadas.

MAIS ARTIGOS SOBRE POWER BI | DAX:

Uma das vantagens do M é sua capacidade de se conectar a uma ampla gama de fontes de dados, incluindo bancos de dados relacionais, arquivos CSV, Excel, APIs, entre outros. Ele permite realizar transformações poderosas, como a limpeza de dados, alteração de tipos de colunas, agrupamento, mesclagem de tabelas, entre outras. Além disso, a Linguagem M é otimizada para o processamento em paralelo, o que significa que consultas podem ser executadas de forma eficiente, mesmo em grandes volumes de dados.

No entanto, a Linguagem M tem suas limitações. Por ser uma linguagem de consulta e transformação de dados, não é tão adequada para operações analíticas complexas, como cálculos financeiros ou estatísticos avançados. Para esse tipo de tarefa, o Power BI oferece a linguagem DAX (Data Analysis Expressions), que é mais indicada para cálculos no nível de modelagem de dados. Portanto, enquanto o M é ideal para transformar dados antes de carregá-los no modelo, o DAX é utilizado para cálculos no contexto do modelo de dados após o carregamento.

A sintaxe da Linguagem M é relativamente simples e bastante semelhante à de outras linguagens funcionais. Ela utiliza um estilo de "imagens de transformação", onde os dados passam por uma série de transformações em etapas, e cada etapa é escrita de forma declarativa. As expressões M geralmente começam com a palavra-chave let, que define o início de um bloco de código, e a palavra-chave in, que indica a expressão final da consulta. Essas duas palavras-chave são essenciais na estruturação das consultas em M.

Além disso, a Linguagem M permite o uso de listas e tabelas como estruturas de dados centrais. Listas são sequências ordenadas de valores, enquanto as tabelas são compostas por colunas e linhas, permitindo organizar os dados de forma tabular. A manipulação de tabelas e listas é facilitada através de uma série de funções como Table.SelectRows, Table.AddColumn, Table.RemoveColumns, entre outras, que permitem realizar operações como filtragem, ordenação e transformação de dados.

A Linguagem M também possui suporte a funções personalizadas. Você pode criar funções próprias para realizar transformações mais complexas e reutilizá-las em diferentes consultas. Isso é especialmente útil em cenários onde a mesma lógica de transformação precisa ser aplicada em várias consultas ou fontes de dados diferentes, tornando o código mais modular e reutilizável.

Outro recurso interessante do M é a sua capacidade de aplicar transformações de dados de forma condicional. Você pode, por exemplo, criar colunas baseadas em regras de negócio, como a criação de uma coluna condicional para classificar os valores de uma outra coluna, ou até mesmo realizar a transformação de dados baseada no conteúdo de outras tabelas ou fontes externas.

Em relação ao desempenho, a Linguagem M foi projetada para ser eficiente na manipulação de grandes volumes de dados. Ela utiliza uma abordagem de carregamento preguiçoso (lazy loading), onde os dados só são carregados ou transformados quando realmente necessários. Isso significa que as consultas podem ser otimizadas para reduzir a quantidade de dados carregados e processados, melhorando o desempenho geral.

Porém, vale ressaltar que, ao contrário de linguagens como SQL, o M não possui suporte completo a transações ou a manipulação avançada de dados, como subconsultas ou junções complexas de várias tabelas em uma única consulta. Mesmo assim, suas capacidades são amplamente suficientes para o tipo de trabalho que se espera de um processo de preparação de dados para análise.

Em resumo, a Linguagem M é uma ferramenta poderosa e flexível para transformar dados no Power Query, permitindo que usuários de BI e analistas de dados manipulem e preparem dados de forma eficiente e automatizada. Sua integração com o Power BI e o Excel facilita a implementação de fluxos de trabalho de ETL (extração, transformação e carga) e prepara os dados para análises mais profundas e avançadas. Combinada com o DAX e outras ferramentas do Power BI, a Linguagem M é essencial para construir soluções de BI robustas e de alto desempenho.

Clique aqui e nos contate via What's App para avaliarmos seus projetos

Compartilhe, deixe comentários!

brazilsalesforceeffectiveness@gmail.com

Power Query | Qual é diferença entre DAX e a Linguagem M?

Na comunidade do Power BI (PBI) surgem várias questões sobre como se pode implementar a criação de uma coluna utilizando DAX ou o Power Query, no entanto várias vezes a notação programática que surge é relativa a outra linguagem que não a referenciada no post.

O PBI tem por base duas linguagens de “programação”:

M: Utilizando no Power Query

DAX: utilizada nas análises

Estas linguagens apesar de diferentes permitem-nos por exemplo criar colunas nos nossos modelos.

Mas quais as principais diferenças entre as duas?

O que é M?

M é uma linguagem de script que corre nos bastidores do PBI, mais propriamente no Power Query (nome completo: Power Query Formula Language)

Com esta linguagem podemos realizar a transformação de dados, como tal é uma linguagem funcional.

Quem está habituado a criar queries no PBI (ou excel) sabe que este é um tipo de linguagem por passos e que cada linha de código corresponde a um passo da transformação dos dados. Sendo que um determinado passo é o resultado do passo anterior.

Considerando o universo do PBI é uma linguagem que muitas vezes é negligenciada pelos utilizadores uma vez que através da barra de tarefas ou do botão do lado direito vamos criando os vários passos da query e a linguagem é automaticamente carregada na nossa query.

M pode ser utilizado para:

Agrupar dados

Remover linhas

Adicionar colunas

Substituir dados

Pivot / Unpivot

O que é DAX?

DAX ou Data Analysis eXpression Language, é uma linguagem existente na maior parte dos serviços de análise de dados (SQL, SSAS, PBI, Power Pivot no Excel).

Esta linguagem tem um código muito parecido com as funções do Excel e muitas das suas funções são iguais às do Excel (SOMA, DIVIDIR, MEDIA, …) no entanto permite fazer muito mais. O DAX é uma linguagem de expressão.

Os cálculos em DAX são montados de forma similar ao EXCEL assim a maior parte dos utilizadores que fazem a transição entre as duas ferramentas conseguem perceber facilmente a lógica da construção das funções DAX. As funções passam por uma combinação de filtros e expressões.

DAX pode ser utilizado para:

Soma de dados

Definir o valor mais elevado ou mais baixo

Cálculo de médias ao longo do tempo

Cálculo de previsões futuras baseadas em tendências

Tal como podemos verificar estamos falando de duas linguagens complexas, no entanto, e apesar de poderem fazer coisas similares, os seus propósitos são diferentes:

M é utilizada na transformação de dados e DAX para fazer as análises dos dados.

Como utilizador do PBI penso que seja necessário perceber as duas linguagens e quais os seus propósitos, se temos de nos aprofundar mais em DAX ou em M acho que depende muito do que fazemos, se estamos mais virados para o tratamento de dados então temos de perceber de M, mas se no nosso dia a dia tentamos perceber tendências de dados criar gráficos devemos entender bem como funcionar com DAX.

Verifiquem o artigo abaixo em que me baseei para terem mais algumas respostas e façam uma simples pesquisa no google com certeza vão encontrar muitas leituras interessantes que vão aguçar a vossa mente.

Clique aqui e nos contate via What's App para avaliarmos seus projetos

Compartilhe, deixe comentários!

brazilsalesforceeffectiveness@gmail.com

Power Query | Date.DayOfWeekName – Função M: Retorna o Nome do Dia da Semana

A Date.DayOfWeekName é uma função da Linguagem M do Power Query e é usada para retornar o nome do dia da semana a partir de um valor de data.

Sintaxe:

Date.DayOfWeekName(data como qualquer, cultura opcional como texto anulável)

Vamos começar, baixando o conjunto de dados do link abaixo:

Conjunto de dados da Super Store global

Neste exemplo, você verá “Como obter o nome do dia da semana da coluna “Data do pedido”?”

Siga os passos abaixo:

Etapa 1: vá para a guia Início do Power BI Desktop e abra a janela Editor do Power Query selecionando “ Transformar dados ”.

Etapa 2: No painel Consultas, selecione a tabela “ Pedidos ”.

Etapa 3: Na guia Início, clique em “ Adicionar coluna ” e escolha “ Coluna personalizada “.

Etapa 4: Na caixa de diálogo “Coluna personalizada” , forneça um nome para a nova coluna.

Etapa 5: Depois disso, insira a seguinte expressão e clique em “Ok” para criar a nova coluna.

Date.DayOfWeekName([Data do pedido])Cópia

Após aplicar as alterações, você verá uma nova coluna na tabela chamada “DayOfWeekName” com os nomes dos dias da semana correspondentes aos valores de “Data do pedido”.

Data.DayOfWeekName com Cultura, exemplo:

Data. DayOfWeekName ([Data do pedido], “en-US” )

No exemplo acima, o segundo argumento é opcional, mas você pode passar os códigos de cultura lá e este parâmetro permite que você especifique a cultura ou localidade para a qual deseja recuperar o nome do dia da semana.

"en-US" especifica a cultura como “en-US” (Inglês – Estados Unidos).

Segue alguns exemplos de códigos culturais para diferentes culturas:

“en-US” – Inglês (Estados Unidos)
“hi-IN” representa Hindi (Índia)
“en-GB” – Inglês (Reino Unido)
“es-ES” – Espanhol (Espanha)
“fr-FR” – Francês (França)
“de-DE” – Alemão (Alemanha)
“it-IT” – Italiano (Itália)
“ja-JP” – Japonês (Japão)
“ko-KR” – Coreano (Coreia do Sul)
“pt-BR” – Português (Brasil)
“ru-RU” – Russo (Rússia)