Cas pratiques Power BI

Après avoir importé un jeu de données contenant des ventes, on vous demande de créer un graphique en barres montrant le montant total des ventes par catégorie de produit. Expliquez comment choisir le visuel, sélectionner les champs, et modifier les options simples d’affichage (titre, axes).

Vous devez créer une mesure DAX appelée Total Ventes qui calcule la somme de la colonne Montant dans une table de ventes. Décrivez comment créer une nouvelle mesure, écrire la formule DAX et l’utiliser dans un visuel existant.

Vous devez importer un fichier Excel contenant une liste de ventes (Date, Produit, Quantité, Montant). Après l’importation, vous devez afficher les données dans un tableau visuel dans Power BI Desktop. Décrivez les étapes nécessaires : importation, sélection des feuilles, chargement dans le modèle, et création du visuel tableau.

Vous travaillez avec deux tables : Ventes (DateVente, ProduitID, Quantité, Montant) et Produits (ProduitID, NomProduit, Catégorie). On vous demande de créer une relation entre ces tables via ProduitID afin de pouvoir analyser les ventes par catégorie ou par produit. Décrivez comment créer la relation, choisir la cardinalité, le sens du filtrage, et comment vérifier que la relation fonctionne correctement dans un visuel.

Vous devez créer une mesure DAX PerformanceVentes qui : retourne "Bon" si le total des ventes dépasse 10 000 €, "Moyen" si les ventes sont entre 5 000 € et 10 000 €, "Faible" sinon. Décrivez la formule DAX à utiliser (avec SWITCH() ou IF()), et comment utiliser cette mesure dans une matrice ou dans une carte de performance.

Vous importez un fichier CSV contenant des clients mais certaines données sont incorrectes : des emails avec des espaces, des noms en minuscules, des colonnes inutiles. Votre tâche est de nettoyer le fichier avec Power Query : supprimer les colonnes inutiles, transformer les noms en Majuscules, supprimer les espaces dans les emails, renommer les colonnes de manière cohérente. Décrivez les transformations à effectuer dans Power Query.

Vous disposez de plusieurs tables issues d’un système ERP : Ventes, Produits, Clients, Dates. Les données sont volumineuses (plusieurs millions de lignes). Votre mission est : de transformer le modèle existant en schéma en étoile (table de faits + dimensions), de nettoyer et structurer les relations (sens du filtrage, cardinalité, relations inactives à gérer via USERELATIONSHIP()), d’optimiser les mesures DAX en remplaçant des colonnes calculées par des mesures, en réduisant les fonctions coûteuses et en assurant un bon usage de CALCULATE() et des contextes d’évaluation. Décrivez les étapes de modélisation, les bonnes pratiques DAX et la méthode pour valider les performances via l’outil Performance Analyzer.

Une entreprise souhaite que chaque commercial ne voie que ses propres clients et ventes dans les rapports Power BI. Les règles doivent se baser sur l’adresse email de connexion Azure AD. Votre mission : créer une table de mapping (CommercialEmail → ClientID), mettre en place un filtre RLS dynamique basé sur USERNAME() ou USERPRINCIPALNAME(), gérer les relations croisées et éviter les ambiguïtés dans le modèle, tester les rôles dans Power BI Desktop et sur le service, prévoir les cas où un commercial gère plusieurs régions ou plusieurs segments. Expliquez la configuration, les pièges fréquents (relations inactives, contextes DAX, tables non liées), et la méthode pour valider la sécurité côté service.

Vous gérez une table de ventes contenant plus de 50 millions de lignes. L’actualisation complète du dataset prend trop de temps. On vous demande de mettre en place une actualisation incrémentielle dans Power BI avec les règles suivantes : conserver 5 ans d’historique, n’actualiser que les 7 derniers jours, utiliser une colonne de type DateTime fiable pour les partitions, appliquer les paramètres RangeStart et RangeEnd, vérifier le comportement dans le service Power BI (pas seulement dans Desktop). Décrivez les étapes de configuration, les prérequis, les limites, ainsi que les stratégies pour éviter les erreurs (fus horaire, type de données, partitions trop larges).