...
Pregătire interviuri

100 de întrebări de interviu Power BI, cu răspunsuri

Întrebările despre Power BI care apar des la interviurile tehnice, fiecare cu un răspuns scurt, explicația pe larg și ce urmărește intervievatorul. Citește-le sau exersează cu răspunsurile ascunse. Înveți de la zero cu Curs Power BI: primele 15 lecții sunt gratuite.

Pagină coordonată de Tudor Andrei Dumitrescu, Senior Software Developer, fondatorul Academiei ProgramatorilorActualizat la

  • 100întrebări
  • 49junior
  • 37mid
  • 14senior
  • 152 minde citit
Întrebări de interviu Power BI cu răspunsuri

La interviurile pentru roluri care folosesc Power BI (Data Analyst, BI Developer, analist financiar sau de vânzări, controller) se verifică de obicei trei lucruri: dacă știi să aduci și să cureți datele în Power Query, dacă știi să construiești un model corect (schema stea, relații, tabel calendar) și dacă scrii DAX înțelegând contextul de filtru, nu doar copiind formule. Multe firme adaugă un exercițiu practic: primești un fișier Excel sau CSV și ai la dispoziție o oră sau o temă de acasă pentru un raport, pe care apoi îl prezinți și îl aperi.

De la un junior se așteaptă să importe și să curețe date fără ajutor, să facă relații corecte, să scrie măsuri simple cu CALCULATE și să aleagă vizualul potrivit. De la un mid se așteaptă să explice tranziția de context, să scrie time intelligence corect, să știe ce înseamnă query folding, RLS și refresh în Power BI Service și să găsească de ce un raport e lent. Întrebările de nivel senior țin de arhitectură: modele compozite, incremental refresh, guvernanță și optimizare.

Întrebările sunt grupate pe teme, de la junior la senior. Citește întâi răspunsul scurt și încearcă să formulezi singur explicația, apoi compară cu răspunsul detaliat. Formulele DAX și M din pagină se pot încerca direct într-un fișier Power BI Desktop cu câteva tabele de test: la interviu contează să le fi scris, nu doar citit.

Power BI Desktop și fluxul de lucru

1 Junior

Un intervievator te întreabă: de ce ai face un raport în Power BI și nu în Excel? Și când ai rămâne totuși în Excel?

Răspuns scurt: Power BI e construit pentru modele cu mai multe tabele legate prin relații, volume mari, reîmprospătare automată și distribuire controlată a rapoartelor. Excel rămâne alegerea bună pentru calcule ad-hoc, simulări, liste mici și lucru celulă cu celulă.

Diferența de fond este modul de lucru. În Excel gândești în celule: fiecare formulă trimite la un interval, iar un raport nou înseamnă adesea copierea foilor și a formulelor. În Power BI gândești în tabele, relații și măsuri: scrii o dată măsura Vânzări, iar ea se recalculează corect în orice grafic, pe orice filtru.

Argumente pentru Power BI:

  • datele sunt importate și curățate prin pași repetabili în Power Query, nu manual la fiecare export;
  • motorul în memorie comprimă datele, deci lucrezi confortabil cu milioane de rânduri, peste limita de 1.048.576 de rânduri a unei foi Excel;
  • rapoartele sunt interactive (slicere, filtrare încrucișată, drill-through);
  • publici în Power BI Service, programezi refresh-ul și controlezi cine vede ce, inclusiv la nivel de rând (RLS).

Excel e mai potrivit când ai nevoie de flexibilitate liberă: un model de buget cu ipoteze, un calcul punctual, o listă pe care oamenii o editează de mână. În practică cele două se completează: Excel poate fi sursă pentru Power BI, iar un model publicat poate fi analizat din Excel prin „Analyze in Excel”.

Un răspuns bun la interviu nu spune că un instrument e „mai bun”, ci leagă alegerea de nevoie: cine consumă raportul, cât de des se actualizează datele, cât de mari sunt și dacă se fac calcule exploratorii sau raportare standard.

Ce urmărește intervievatorul: Se verifică dacă înțelegi ce aduce Power BI dincolo de „grafice mai frumoase”. Greșeala tipică este un răspuns doar despre aspect, fără model, refresh și distribuire.

2 Junior

Ce faci în fiecare dintre cele trei vizualizări din Power BI Desktop: Raport, Tabel (Date) și Model?

Răspuns scurt: În Raport construiești paginile cu vizuale, în Tabel vezi rândurile încărcate și creezi coloane calculate, iar în Model gestionezi tabelele, relațiile și proprietățile câmpurilor. Curățarea datelor se face separat, în editorul Power Query.

Power BI Desktop are în bara din stânga trei vizualizări principale (în versiunile recente apare și o a patra, DAX query view, pentru interogări DAX):

  • Raport (Report view): pânza pe care pui grafice, tabele, slicere și carduri. Aici lucrezi cu panourile Vizualizări, Date și Filtre și organizezi paginile raportului.
  • Tabel (Table view, în versiunile mai vechi Data view): arată datele deja încărcate în model, tabel cu tabel. E locul în care verifici rapid valori, creezi coloane calculate și tabele calculate DAX, setezi formatul și tipul unei coloane sau sortarea după altă coloană.
  • Model (Model view): diagrama tabelelor și a relațiilor. Aici creezi și editezi relații, setezi cardinalitatea și direcția filtrului, ascunzi câmpuri tehnice, organizezi măsurile în foldere și configurezi rolurile pentru securitate.

Separat de cele trei există editorul Power Query (butonul Transformare date), unde se fac importul și curățarea: tipuri de date, filtre, îmbinări, unpivot. Ordinea firească a lucrului este: Power Query, apoi Model, apoi măsuri DAX, apoi Raport.

O confuzie frecventă la începători: modificările făcute în vizualizarea Tabel nu schimbă sursa și nu se pot face „de mână” pe celule, ca în Excel. Datele se schimbă doar prin pașii din Power Query sau prin formule DAX.

Ce urmărește intervievatorul: Intervievatorul verifică dacă ai lucrat efectiv în Desktop. Candidații fără experiență confundă vizualizarea Tabel cu editorul Power Query.

3 Junior

La importul unui fișier Excel, fereastra Navigator îți oferă butoanele Încărcare și Transformare date. Ce diferență este și pe care îl alegi de obicei?

Răspuns scurt: Încărcare aduce datele direct în model, cu tipurile detectate automat. Transformare date deschide întâi Power Query, unde poți curăța datele înainte să ajungă în model. Pentru date reale alegi aproape mereu Transformare date.

Ambele butoane creează o interogare Power Query; diferă doar momentul în care o vezi.

Încărcare (Load) rulează interogarea așa cum a generat-o Power BI: sursa, navigarea la foaie, promovarea antetelor și un pas automat de tipuri de date. Rezultatul ajunge imediat în model. E rapid pentru un tabel deja curat, de exemplu un export cu antete clare și fără rânduri de titlu.

Transformare date (Transform Data) deschide editorul Power Query înainte de încărcare. Acolo vezi primele rânduri, ce tipuri a ghicit Power BI și poți adăuga pașii necesari:

  • eliminarea rândurilor de titlu și a totalurilor de la final;
  • promovarea rândului corect ca antet;
  • setarea explicită a tipurilor de date;
  • eliminarea coloanelor inutile, ca să nu ocupe memorie în model.

De ce contează: tot ce ajunge în model ocupă memorie și apare în panoul de câmpuri. Un rând „Total general” importat dintr-un export Excel dublează sumele în orice grafic, iar o coloană de dată importată ca text nu poate fi folosită în ierarhii sau time intelligence.

Și dacă ai apăsat Încărcare, nu e nimic pierdut: deschizi oricând Power Query cu Transformare date și adaugi pașii. Important e să nu lași în model date necurățate doar pentru că importul „a mers”.

Ce urmărește intervievatorul: Se verifică obiceiul de a inspecta datele înainte de încărcare. O greșeală tipică este importul cu rândul de total inclus, care umflă toate sumele.

4 Junior

Ai tras câmpul ID_Client într-un tabel vizual și apare o singură valoare uriașă: suma tuturor ID-urilor. De ce se întâmplă și cum repari corect?

Răspuns scurt: Power BI a detectat coloana ca numerică și i-a pus agregarea implicită Sumă. Repari setând în proprietățile coloanei „Nu rezuma” (Don't summarize), ideal direct în model, nu doar în vizual.

Pentru orice coloană numerică, Power BI setează o agregare implicită (Summarization), de regulă Sumă. Când tragi coloana într-un vizual, ea devine o măsură implicită Sum of ID_Client, adică un singur număr pe tot tabelul. Pentru un identificator, codul poștal sau anul, o sumă nu are sens.

Ai două niveluri de reparație:

  • în vizual: din meniul câmpului din panoul Vizualizări alegi „Nu rezuma” (Don't summarize). Merge, dar doar pentru acel vizual.
  • în model: selectezi coloana în vizualizarea Tabel sau Model și setezi în Proprietăți, la Rezumare (Summarization), valoarea „Nu rezuma”. Acum orice vizual nou o tratează ca pe o categorie. Aceasta e varianta corectă.

Alte variante, în funcție de caz:

  • dacă ID-ul nu e folosit în calcule, îl poți face text în Power Query; atunci nici nu mai are agregare numerică;
  • dacă de fapt voiai numărul de clienți, scrii o măsură explicită:
Nr clienți = DISTINCTCOUNT ( Vanzari[ID_Client] )

Același mecanism explică de ce coloana An apare uneori ca „2.024.000”: e suma anilor de pe toate rândurile. O bună practică în proiectele mari este să setezi „Nu rezuma” pe toate coloanele numerice care nu sunt cantități și să lucrezi doar cu măsuri explicite.

Ce urmărește intervievatorul: Intervievatorul vrea să vadă că știi ce e o agregare implicită. Greșeala tipică este repararea doar în vizual, iar problema reapare la fiecare grafic nou.

Eroarea, în practică:Prețul e adunat: agregarea implicită Sumă

5 Mid

Ce diferență este între un fișier .pbix, un .pbit și un proiect .pbip? Când folosești fiecare?

Răspuns scurt: Un .pbix conține raportul, modelul și datele importate într-un singur fișier binar. Un .pbit este un șablon fără date. Un .pbip salvează proiectul ca foldere cu fișiere text, potrivite pentru Git și code review.

.pbix este formatul clasic: un singur fișier care conține definiția raportului, modelul (tabele, relații, măsuri), interogările Power Query și datele importate, comprimate. E practic pentru lucru individual și pentru publicare, dar e binar: două versiuni nu se pot compara linie cu linie și două persoane nu pot lucra în paralel pe el.

.pbit (template) conține tot în afară de date. La deschidere, Power BI rulează interogările și poate cere valori pentru parametri, de exemplu calea folderului sau numele serverului. Îl folosești când distribui aceeași structură de raport mai multor echipe care își conectează propriile date sau când vrei un fișier mic de trimis.

.pbip (Power BI Project, introdus ca preview în 2023) salvează proiectul ca folder: o parte pentru raport și una pentru modelul semantic, cu definiții în fișiere text (JSON, iar pentru model și formatul TMDL, în funcție de versiune și de opțiunile activate). Datele importate stau într-un cache local care nu se pune în Git. Avantajele:

  • vezi în diff exact ce măsură s-a schimbat;
  • poți face code review și merge;
  • se integrează cu Git în workspace-urile Fabric.

Alegerea la interviu: pentru proiecte de echipă, cu versionare, .pbip; pentru un raport personal, .pbix; pentru un șablon refolosibil, .pbit. Fiindcă formatul .pbip a evoluat rapid, merită verificat ce suportă versiunea de Desktop folosită în firmă.

Ce urmărește intervievatorul: Se verifică dacă ai lucrat în echipă și cu versionare. Mulți candidați nu știu de .pbip și presupun că Power BI nu se poate pune în Git.

6 Mid

Ai importat un CSV de câteva sute de MB, iar fișierul .pbix rezultat e de câteva ori mai mic. Cum e posibil și ce înseamnă asta pentru modul în care construiești modelul?

Răspuns scurt: Modelele Import sunt stocate de motorul VertiPaq pe coloane, cu codare prin dicționar și compresie. Compresia depinde de numărul de valori distincte dintr-o coloană, deci cardinalitatea coloanelor contează mai mult decât numărul de rânduri.

Datele importate sunt ținute de motorul VertiPaq (același cu cel din Analysis Services Tabular) într-o structură pe coloane, nu pe rânduri. Fiecare coloană se comprimă separat:

  • codare prin dicționar: valorile distincte sunt păstrate o singură dată, iar rândurile rețin doar un indice mic;
  • run-length encoding: secvențele de valori identice sunt memorate ca „valoare plus număr de repetări”;
  • codare pe valoare pentru unele coloane numerice.

Consecința practică: o coloană Oraș cu câteva zeci de valori pe milioane de rânduri ocupă foarte puțin, în timp ce o coloană cu valori aproape unice (ID de tranzacție, dată și oră la secundă, GUID, text liber) ocupă mult, pentru că dicționarul ei e aproape cât tabelul.

Ce înseamnă pentru construcția modelului:

  • elimini coloanele de care raportul nu are nevoie, mai ales cele unice;
  • separi o coloană dată și oră în două coloane, dată și oră, sau păstrezi doar data;
  • rotunjești valorile zecimale la precizia necesară;
  • preferi tabele lungi și înguste (fapt cu chei numerice) în locul celor late, cu multe coloane text repetate;
  • muți descrierile în dimensiuni, unde apar o singură dată.

Pentru analiză concretă folosești VertiPaq Analyzer, disponibil în DAX Studio, care arată pe fiecare coloană dimensiunea dicționarului și cardinalitatea. Acolo descoperi de obicei că două sau trei coloane ocupă majoritatea modelului.

Ce urmărește intervievatorul: Întrebarea arată dacă înțelegi cum funcționează motorul, nu doar interfața. Greșeala tipică este credința că numărul de rânduri e singurul factor al mărimii modelului.

Power Query și M

7 Junior

Ce sunt Pașii aplicați din Power Query și ce se întâmplă dacă modifici sau ștergi un pas din mijlocul listei?

Răspuns scurt: Fiecare pas aplicat este o expresie M care primește rezultatul pasului anterior. Dacă ștergi sau modifici un pas din mijloc, pașii următori pot da erori, pentru că se bazează pe coloane sau nume care nu mai există.

Power Query înregistrează fiecare acțiune din interfață ca un pas în panoul Pași aplicați (Applied Steps). În spate, interogarea este o expresie M de forma let ... in, în care fiecare pas este o variabilă ce folosește pasul anterior:

let
    Sursa = Excel.Workbook(File.Contents("C:\Date\vanzari.xlsx"), null, true),
    Foaie = Sursa{[Item="Vanzari",Kind="Sheet"]}[Data],
    Antete = Table.PromoteHeaders(Foaie, [PromoteAllScalars=true]),
    Redenumit = Table.RenameColumns(Antete, {{"Val", "Valoare"}})
in
    Redenumit

Pașii se rulează de fiecare dată la refresh, în ordine, pe datele noi. Asta face curățarea repetabilă: luna viitoare înlocuiești fișierul și primești același rezultat.

Când ștergi un pas din mijloc, pasul următor rămâne legat de numele pasului șters sau de coloane pe care acesta le crea. Power BI te avertizează, iar dacă ștergi oricum, apar erori de tip „The column 'Valoare' of the table wasn't found” sau „Expression.Error”.

Bune practici:

  • dai pașilor nume clare (clic dreapta, Redenumire), ca să se înțeleagă ce face fiecare;
  • grupezi operațiile de același fel, de exemplu toate redenumirile într-un singur pas;
  • verifici, cu un clic pe un pas din mijloc, cum arăta tabelul în acel punct;
  • folosești „Inserare pas după” când vrei să adaugi ceva la mijloc, și verifici apoi pașii următori.

Ce urmărește intervievatorul: Se verifică dacă înțelegi că Power Query e o rețetă rulată la fiecare refresh. Greșeala tipică este editarea în mijloc fără verificarea pașilor de după.

Eroarea, în practică:The column 'X' of the table wasn't foundA rămas pasul „Primele rânduri păstrate”

8 Junior

Power Query adaugă automat un pas „Changed Type” după import. De ce poate deveni acest pas o problemă și ce faci cu el?

Răspuns scurt: Pasul automat setează tipurile ghicite din primele rânduri și conține numele tuturor coloanelor scrise explicit. Dacă sursa își redenumește sau pierde o coloană, refresh-ul cade. Îl înlocuiești cu un pas de tipuri setat conștient, doar pe coloanele păstrate.

Când importi un CSV sau o foaie Excel, Power Query detectează tipurile pe baza primelor rânduri și generează un pas ca acesta:

= Table.TransformColumnTypes(Antete, {
    {"Data", type date}, {"Client", type text},
    {"Valoare", type number}, {"Observatii", type text}})

Problemele:

  • numele coloanelor sunt scrise în cod. Dacă luna viitoare exportul nu mai are coloana Observatii sau ea se numește altfel, refresh-ul dă eroarea „The column 'Observatii' of the table wasn't found”, deși coloana nici nu era folosită;
  • detecția se face pe un eșantion: o coloană cu coduri ca „00123” devine număr și pierde zerourile din față, iar o coloană în care primele rânduri sunt întregi, dar apar zecimale mai jos, poate primi tipul greșit;
  • pasul apare uneori de două ori, după promovarea antetelor, ceea ce dublează munca.

Ce faci în practică:

  • ștergi pasul automat și setezi tipurile tu, după ce ai ales coloanele;
  • folosești Eliminare alte coloane (Remove Other Columns) în loc de Eliminare coloane: păstrezi explicit ce îți trebuie, deci coloanele noi apărute în sursă nu strică nimic;
  • pentru coduri cu zerouri în față setezi tipul text;
  • poți dezactiva detecția automată din Opțiuni, la Încărcare date, pentru fișierul curent.

Tipurile contează și în model: o dată ca text nu poate fi legată de tabelul calendar, iar un număr ca text nu se poate aduna.

Ce urmărește intervievatorul: Intervievatorul caută experiența cu refresh-uri care cad din cauza schimbărilor în sursă. Greșeala tipică este încrederea oarbă în detecția automată.

Eroarea, în practică:The column 'X' of the table wasn't foundCodurile pierd zerourile din față (010101 → 10101)

9 Junior

Importi un CSV exportat dintr-un ERP românesc: valorile arată ca 1.234,56 și datele ca 31.12.2025. După schimbarea tipului apar erori sau numere greșite. Cum rezolvi?

Răspuns scurt: Conversia folosește setările regionale ale fișierului sau ale calculatorului, care pot fi în engleză. Folosești „Modificare tip, Utilizând setările regionale” (Using Locale) cu Română (România) sau dai cultura „ro-RO” în funcția de conversie.

Textul 1.234,56 înseamnă o mie două sute treizeci și patru virgulă cincizeci și șase doar în convențiile românești (punct pentru mii, virgulă pentru zecimale). Dacă Power Query convertește cu setări en-US, punctul e citit ca separator zecimal, iar virgula provoacă eroare sau e ignorată, deci obții numere greșite fără niciun avertisment. La fel, 31.12.2025 nu e o dată validă în formatul lună, zi, an.

Soluția sigură este să spui explicit cultura la conversie. Din interfață: clic dreapta pe coloană, Modificare tip, Utilizând setările regionale (Using Locale), alegi tipul și Română (România). În M, pasul arată așa:

= Table.TransformColumnTypes(Sursa,
    {{"Valoare", type number}, {"Data", type date}}, "ro-RO")

Al treilea argument al Table.TransformColumnTypes este cultura folosită la interpretarea textului. Ai și alternative:

  • setarea Regional settings, Locale for import din Opțiuni, pentru fișierul curent, care schimbă valoarea implicită pentru toate interogările;
  • la funcția Csv.Document, parametrul de cultură, dacă vrei să-l setezi la sursă.

Varianta cu cultura în pas e de preferat, pentru că nu depinde de setările calculatorului pe care rulează refresh-ul. Raportul poate merge perfect pe laptopul tău și poate da rezultate greșite pe gateway-ul unui server configurat în engleză.

După conversie verifici: profilul coloanei (Column quality) pentru erori și un total comparat cu sursa.

Ce urmărește intervievatorul: Se verifică experiența cu date locale reale. Greșeala tipică este folosirea înlocuirii de text (punct cu nimic, virgulă cu punct), care funcționează până la primul format diferit.

Eroarea, în practică:DataFormat.Error: We couldn't convert to NumberDataFormat.Error: couldn't parse as a Date value

10 Junior

Primești un tabel de buget cu o coloană Magazin și douăsprezece coloane, câte una pentru fiecare lună (Ian, Feb, ..., Dec). Cum îl aduci într-o formă bună pentru Power BI și de ce?

Răspuns scurt: Selectezi coloana Magazin și aplici Anulare pivot pentru alte coloane (Unpivot Other Columns). Obții trei coloane: Magazin, Lună, Valoare. Un tabel lung se filtrează, se leagă de calendar și se agregă cu o singură măsură.

Formatul cu luni pe coloane e comod pentru citit în Excel, dar prost pentru un model de date. În Power BI ai nevoie de format lung (o observație pe rând):

| Magazin | Luna | Valoare |

Pașii în Power Query:

  • selectezi coloana Magazin (coloanele care identifică rândul);
  • Transformare, Anulare pivot pentru alte coloane (Unpivot Other Columns);
  • redenumești coloanele Attribute și Value în Luna și Valoare;
  • transformi Luna într-o dată reală, de exemplu prima zi a lunii, ca să poți face relația cu tabelul calendar.
= Table.UnpivotOtherColumns(Sursa, {"Magazin"}, "Luna", "Valoare")

De ce „pentru alte coloane” și nu „Anulare pivot coloane selectate”: varianta aleasă reține doar coloana fixă. Dacă anul viitor fișierul are și o coloană în plus, ea intră automat în rezultat. Varianta inversă scrie numele celor douăsprezece luni în cod și ignoră sau rupe orice coloană nouă.

Avantajele formatului lung:

  • o singură măsură, SUM ( Buget[Valoare] ), funcționează pe orice lună, trimestru sau an;
  • poți lega bugetul de tabelul calendar și compara direct cu vânzările;
  • filtrele și slicerele pe lună merg natural, fără douăsprezece măsuri separate.

Operația inversă, Pivot, o folosești rar în modelare, de exemplu când o sursă cheie-valoare are atributele pe rânduri și vrei câte o coloană pe atribut.

Ce urmărește intervievatorul: Unpivot este una dintre cele mai frecvente întrebări practice despre Power Query. Greșeala tipică este alegerea variantei care hardcodează coloanele lunilor.

Eroarea, în practică:Lunile sunt coloane separate (lipsește Unpivot)Luna nouă rămâne coloană după Anulare pivot

11 Junior

Care e diferența dintre Adăugare interogări (Append) și Îmbinare interogări (Merge)? Dă câte un exemplu.

Răspuns scurt: Append pune tabelele unul sub altul, adăugând rânduri, ca un UNION în SQL. Merge le alătură pe orizontală, pe baza unei chei comune, adăugând coloane, ca un JOIN.

Append (Adăugare interogări) lipește rândurile mai multor tabele cu structură asemănătoare. Exemplu: ai exporturile de vânzări din ianuarie, februarie și martie, fiecare într-o interogare, și vrei un singur tabel Vânzări. Coloanele se potrivesc după nume: dacă un tabel are o coloană în plus, ea apare în rezultat, cu null pe rândurile din celelalte tabele. De aceea, o coloană numită „Valoare” într-un fișier și „Valoare ” (cu spațiu) în altul devine două coloane diferite.

= Table.Combine({Vanzari_Ian, Vanzari_Feb, Vanzari_Mar})

Merge (Îmbinare interogări) adaugă coloane dintr-un al doilea tabel, potrivind rândurile pe una sau mai multe coloane cheie. Exemplu: la tabelul de comenzi aduci regiunea din tabelul de magazine, pe baza codului de magazin. Rezultatul e întâi o coloană de tip tabel, pe care o extinzi alegând doar câmpurile necesare.

= Table.NestedJoin(Comenzi, {"Cod_Magazin"}, Magazine, {"Cod_Magazin"},
    "Mag", JoinKind.LeftOuter)

Două observații importante pentru interviu:

  • în Power BI nu e nevoie să faci Merge doar ca să aduci atribute ale dimensiunilor în fapt; e mai bine să păstrezi tabelele separate și să le legi prin relații în model (schema stea);
  • dacă la Merge tabelul din dreapta are chei duplicate, rândurile din stânga se multiplică, iar sumele cresc. Verifică unicitatea cheii înainte.

Ce urmărește intervievatorul: Se verifică diferența de bază între cele două operații. Greșeala frecventă este folosirea Merge pentru tot, în loc de relații în model.

Eroarea, în practică:Rândurile se dublează după Merge QueriesMerge Queries întoarce null (cheile nu se potrivesc)

12 Junior

Ai un tabel de comenzi și un nomenclator de clienți. Cum găsești în Power Query comenzile care au un cod de client inexistent în nomenclator? Ce alte tipuri de îmbinare cunoști?

Răspuns scurt: Faci o îmbinare de tip Left Anti (doar din stânga) între Comenzi și Clienți pe codul de client: rămân doar comenzile fără corespondent. Celelalte tipuri sunt Left Outer, Right Outer, Full Outer, Inner și Right Anti.

Power Query oferă șase tipuri de îmbinare în fereastra Merge:

  • Left Outer: toate rândurile din primul tabel, plus potrivirile din al doilea (implicit);
  • Right Outer: toate din al doilea, plus potrivirile din primul;
  • Full Outer: toate rândurile din ambele;
  • Inner: doar rândurile care au corespondent în ambele;
  • Left Anti: doar rândurile din primul tabel fără corespondent în al doilea;
  • Right Anti: doar rândurile din al doilea fără corespondent în primul.

Pentru întrebare: Comenzi ca tabel stâng, Clienți ca tabel drept, cheia Cod_Client, tip Left Anti.

= Table.NestedJoin(Comenzi, {"Cod_Client"}, Clienti, {"Cod_Client"},
    "Lipsa", JoinKind.LeftAnti)

Rezultatul e lista comenzilor „orfane”. De obicei o faci într-o interogare separată, de control, pe care nu o încarci în model (debifezi Activare încărcare), sau o încarci într-o pagină de calitate a datelor.

De ce contează: în model, comenzile cu un cod de client inexistent se leagă de un rând (Gol) generat automat în dimensiune. Totalurile rămân corecte, dar în grafice pe client apare o bară „(Gol)”, iar oamenii întreabă ce e.

Capcane la potrivire: îmbinarea standard este sensibilă la majuscule și la spații. „CL001” și „cl001 ” nu se potrivesc. Înainte de îmbinare aplici Trim și Uppercase pe ambele chei, sau folosești îmbinarea aproximativă (fuzzy) doar când știi ce faci.

Ce urmărește intervievatorul: Intervievatorul verifică dacă poți face controale de calitate a datelor. Mulți candidați cunosc doar Left Outer și Inner.

Eroarea, în practică:Merge Queries întoarce null (cheile nu se potrivesc)Merge Queries cu Inner elimină rânduri

13 Junior

Primești un export în care categoria apare doar pe primul rând al fiecărui grup, iar rândurile de dedesubt au celula goală. Cum completezi corect valorile?

Răspuns scurt: Folosești Completare în jos (Fill Down) pe coloana categoriei: fiecare valoare null este înlocuită cu ultima valoare nenulă de deasupra. Înainte, te asiguri că celulele goale sunt null, nu text gol.

Exporturile din rapoarte ERP sau tabele pivot arată adesea așa:

| Categorie | Produs | Valoare | | Electrocasnice | Frigider | 3200 | | | Aragaz | 1800 | | IT | Laptop | 4100 |

Pentru Power BI fiecare rând trebuie să fie complet, altfel filtrul pe Electrocasnice pierde Aragazul.

Soluția: selectezi coloana Categorie, Transformare, Completare, În jos (Fill Down).

= Table.FillDown(Sursa, {"Categorie"})

Capcana importantă: Fill Down completează doar valorile null. În fișierele Excel celulele goale ajung de obicei ca null, dar în CSV sau după unele transformări ajung ca text gol "". În acest caz Fill Down nu face nimic și trebuie întâi să înlocuiești valorile goale cu null:

= Table.ReplaceValue(Sursa, "", null, Replacer.ReplaceValue, {"Categorie"})

Alte verificări după completare:

  • elimini rândurile de subtotal (de exemplu, cele în care Produs este „Total”), care altfel dublează sumele;
  • verifici ordinea rândurilor: Fill Down depinde de ordine, deci nu sortezi tabelul înainte de completare;
  • există și Completare în sus (Fill Up), utilă când eticheta apare pe ultimul rând al grupului.

La interviu merită spus că acest pas e repetabil: la refresh, noile rânduri sunt completate automat, spre deosebire de completarea manuală în Excel.

Ce urmărește intervievatorul: Se verifică familiaritatea cu exporturi reale, nestructurate. Greșeala tipică este ignorarea diferenței dintre null și text gol.

Eroarea, în practică:Categoria e null după import (Fill Down)

14 Junior

Ce diferență este între Referință (Reference) și Dublare (Duplicate) la o interogare Power Query? Și ce face opțiunea „Activare încărcare”?

Răspuns scurt: Dublarea copiază toți pașii într-o interogare independentă. Referința creează o interogare nouă care pornește de la rezultatul celei existente, deci modificările din original se propagă. Activare încărcare decide dacă interogarea ajunge ca tabel în model.

Dublare (Duplicate) creează o copie completă: același cod M, cu toți pașii, într-o interogare nouă. Cele două evoluează separat. Dacă repari ceva în original, copia rămâne cu greșeala.

Referință (Reference) creează o interogare al cărei singur pas este rezultatul celei inițiale:

let
    Sursa = Vanzari_Curat
in
    Sursa

Orice modificare în Vanzari_Curat se reflectă automat în interogările care o referă. E modul potrivit de a construi o interogare de bază, curățată o singură dată, din care derivi altele: o dimensiune Produse cu valorile distincte, un tabel de control, un rezumat lunar.

Activare încărcare (Enable load, clic dreapta pe interogare) controlează dacă rezultatul se încarcă în model. Pentru interogările intermediare (sursa brută, tabele ajutătoare, parametri) o dezactivezi: rămân disponibile pentru alte interogări, dar nu ocupă memorie și nu aglomerează panoul de câmpuri. În editor apar cu numele în italic.

Detaliu de performanță: o referință nu înseamnă automat că sursa se citește o singură dată. La refresh, fiecare interogare încărcată poate evalua din nou lanțul de pași, deci o sursă lentă, referită de cinci interogări, poate fi interogată de mai multe ori. Power BI are un cache care ajută parțial, dar pentru surse grele merită ca agregările să se facă în baza de date sau într-un dataflow.

Ce urmărește intervievatorul: Se verifică organizarea interogărilor. Greșeala tipică este dublarea interogărilor, apoi repararea aceleiași probleme în cinci locuri.

Eroarea, în practică:Tabelul nu apare în model (încărcare dezactivată)Tabelele intermediare se încarcă și ele în model

15 Junior

Scrie în Power Query o coloană particularizată care încadrează fiecare comandă în categoriile „Mare” (de la 1000 lei), „Medie” (de la 200 lei) și „Mică”. La ce trebuie să fii atent în M?

Răspuns scurt: Folosești if ... then ... else if ... else, cu cuvintele-cheie scrise cu litere mici, pentru că M face diferența între majuscule și minuscule. Tratezi explicit valoarea null, altfel condiția dă eroare pe rândurile fără valoare.

Din Adăugare coloană, Coloană particularizată, scrii:

= if [Valoare] = null then "Necunoscut"
  else if [Valoare] >= 1000 then "Mare"
  else if [Valoare] >= 200 then "Medie"
  else "Mică"

Pasul generat în cod este:

= Table.AddColumn(Sursa, "Categorie", each
    if [Valoare] = null then "Necunoscut"
    else if [Valoare] >= 1000 then "Mare"
    else if [Valoare] >= 200 then "Medie"
    else "Mică", type text)

Lucruri de știut despre M:

  • limbajul este case sensitive: if, then, else, and, or, not, null se scriu cu litere mici; If dă eroare de sintaxă. La fel, numele funcțiilor (Text.Upper, nu text.upper) și ale coloanelor trebuie scrise exact;
  • null în comparații: null >= 1000 nu întoarce false, ci null, iar if null then dă eroare „We cannot convert the value null to type Logical”. De aceea testul pentru null vine primul;
  • ordinea condițiilor contează: dacă ai testa întâi >= 200, nicio comandă nu ar ajunge „Mare”;
  • each este prescurtarea unei funcții cu un parametru _, iar [Valoare] înseamnă _[Valoare], câmpul rândului curent;
  • al patrulea argument, type text, setează tipul coloanei noi; fără el coloana rămâne de tip „any”.

Pentru reguli simple, „Coloană condiționată” din interfață generează același cod fără să-l scrii, dar la interviu ți se poate cere să-l scrii de mână.

Ce urmărește intervievatorul: Se verifică dacă ai scris cod M, nu doar ai apăsat butoane. Greșelile tipice sunt majusculele în cuvintele-cheie și netratarea lui null.

Eroarea, în practică:Expression.Error: The name 'X' wasn't recognizedExpression.SyntaxError: Token Else expected

16 Mid

O coloană de preț conține și valori ca „N/A” sau „la cerere”, iar conversia la număr produce erori. Ce opțiuni ai în Power Query și cum folosești try ... otherwise?

Răspuns scurt: Poți elimina rândurile cu erori, înlocui erorile cu o valoare sau converti controlat cu try ... otherwise, care întoarce o valoare de rezervă când expresia eșuează. Varianta cu try păstrează rândurile și îți permite să marchezi problema.

Când schimbi tipul unei coloane text în număr, valorile care nu se pot converti devin erori la nivel de celulă (Error). Ai trei opțiuni:

  • Eliminare erori (Remove Errors): șterge rândurile cu eroare. Simplu, dar periculos: dispar comenzi întregi, iar totalurile scad fără ca cineva să observe;
  • Înlocuire erori (Replace Errors): pune o valoare fixă, de exemplu null, în locul erorii;
  • conversie controlată cu try ... otherwise, într-o coloană particularizată:
= Table.AddColumn(Sursa, "Pret_nr", each
    try Number.From([Pret], "ro-RO") otherwise null,
    type nullable number)

try evaluează expresia; dacă reușește, întoarce rezultatul, altfel valoarea de după otherwise. Fără otherwise, try întoarce o înregistrare cu câmpurile HasError și Value sau Error, din care poți extrage mesajul:

= Table.AddColumn(Sursa, "Problema", each
    let r = try Number.From([Pret], "ro-RO")
    in if r[HasError] then r[Error][Message] else null)

Asta îți permite o coloană de diagnostic sau un tabel de control cu rândurile problematice, pe care îl trimiți celor care întrețin sursa.

Un detaliu important: erorile de la nivel de celulă nu opresc refresh-ul, dar erorile de la nivel de pas (o coloană inexistentă, un fișier lipsă) îl opresc. Profilul coloanei (Column quality, din fila Vizualizare) îți arată procentul de valori valide, cu erori și goale, însă implicit doar pe primele 1000 de rânduri, deci schimbi profilarea pe întregul set de date când verifici.

Ce urmărește intervievatorul: Se verifică dacă știi să gestionezi date murdare fără să pierzi rânduri. Greșeala tipică este folosirea reflexă a opțiunii Eliminare erori.

Eroarea, în practică:DataFormat.Error: We couldn't convert to Number

17 Mid

Primești în fiecare lună un fișier de vânzări într-un folder. Cum construiești o singură interogare care le combină pe toate și ce se poate strica pe parcurs?

Răspuns scurt: Folosești conectorul Folder și Combinare fișiere, care creează o funcție pe baza unui fișier exemplu și o aplică fiecărui fișier. Se strică atunci când un fișier are alt nume de foaie, alte coloane sau când în folder apar fișiere străine.

Pașii: Obține date, Folder (sau SharePoint Folder pentru fișiere din SharePoint sau OneDrive), alegi folderul, apoi Combinare și transformare. Power Query generează automat:

  • un parametru și un fișier exemplu (Sample File), de obicei primul fișier;
  • interogarea Transformare fișier exemplu (Transform Sample File), în care pui pașii de curățare pentru un singur fișier;
  • o funcție creată din acei pași, aplicată fiecărui fișier din folder;
  • interogarea finală, care face append la toate rezultatele și adaugă coloana Source.Name cu numele fișierului.

Regula de aur: curățarea specifică unui fișier (rânduri de titlu, antete, tipuri) se face în Transform Sample File, nu în interogarea finală, ca să se aplice uniform.

Ce se strică frecvent:

  • fișiere străine în folder (un fișier temporar ~$vanzari.xlsx, un PDF, o copie veche). Adaugi un filtru pe Extension și pe Name, de exemplu doar .xlsx și numele care încep cu „vanzari_”;
  • foaia are alt nume într-un fișier; navigarea după nume dă eroare. Poți naviga după poziție (prima foaie) sau standardiza fișierele;
  • coloanele diferă: o coloană redenumită apare ca o coloană nouă, cu null în celelalte luni, iar pasul de expandare are lista coloanelor scrisă în cod;
  • fișierul exemplu e șters, iar parametrul trimite la un fișier inexistent.

Ca bun obicei, păstrezi Source.Name sau extragi din el luna, ca să poți verifica ușor dacă un fișier lipsește sau a fost încărcat de două ori.

Ce urmărește intervievatorul: Combinarea fișierelor dintr-un folder este un scenariu foarte frecvent. Se verifică dacă știi unde se pun pașii și cum faci soluția robustă.

Eroarea, în practică:Append: coloane separate, pline de nullColoana nouă din sursă nu apare în model

18 Mid

Ce este query folding, cum verifici dacă se întâmplă și ce pași îl pot întrerupe?

Răspuns scurt: Query folding înseamnă că Power Query traduce pașii în limbajul sursei, de exemplu SQL, iar sursa face munca. Verifici cu indicatorii de pas sau cu View Native Query. Îl întrerup pașii fără echivalent în sursă, ca indexul sau unele coloane particularizate.

Când sursa este o bază de date (SQL Server, PostgreSQL, Oracle, Snowflake etc.), Power Query încearcă să transforme pașii într-o singură interogare trimisă sursei. Filtrarea rândurilor devine WHERE, alegerea coloanelor SELECT, gruparea GROUP BY. Aceasta este query folding. Avantajul: în Power BI ajung doar rândurile și coloanele necesare, iar munca grea o face serverul.

Cum verifici:

  • clic dreapta pe un pas, View Native Query (Vizualizare interogare nativă). Dacă opțiunea e activă, pasul se pliază și vezi SQL-ul generat; dacă e gri, de obicei nu se mai pliază (pentru unele surse însă opțiunea e gri chiar dacă există folding);
  • indicatorii de query folding din panoul Pași aplicați, în versiunile recente, care marchează fiecare pas;
  • Query Diagnostics, pentru analiză detaliată.

Pași care întrerup frecvent folding-ul:

  • adăugarea unei coloane index;
  • coloane particularizate cu funcții M fără echivalent în sursă;
  • unele operații pe text, schimbări de tip cu cultură, Fill Down, pivot și unpivot (în funcție de conector);
  • combinarea cu surse diferite, de exemplu un merge între SQL și un fișier Excel.

Regula practică: pune întâi pașii care se pliază (filtre, alegerea coloanelor, grupări, îmbinări în aceeași bază) și abia apoi pe cei care nu se pliază. După primul pas care nu se pliază, tot ce urmează se execută local, pe toate datele aduse până acolo.

Folding-ul este obligatoriu pentru incremental refresh și foarte important în DirectQuery, unde fiecare vizual generează interogări către sursă.

Ce urmărește intervievatorul: Este o întrebare clasică de nivel mid. Se verifică dacă știi că ordinea pașilor are efect direct asupra performanței.

19 Mid

Ai un tabel de comenzi și vrei, pentru fiecare client, numărul de comenzi și data ultimei comenzi. Cum faci asta cu Grupare după (Group By) și când ai prefera să lași calculul pe seama DAX?

Răspuns scurt: Grupezi după ID_Client cu două agregări: numărarea rândurilor și maximul datei. Faci asta în Power Query doar dacă ai nevoie de un tabel rezumat fix; dacă rezultatul trebuie să răspundă la filtre, îl scrii ca măsuri DAX.

În Power Query: Transformare, Grupare după (Group By), opțiunea Complex (Advanced), grupezi după ID_Client și adaugi două agregări: Numărare rânduri și Maxim pe coloana Data. Codul rezultat:

= Table.Group(Comenzi, {"ID_Client"}, {
    {"Nr_comenzi", each Table.RowCount(_), Int64.Type},
    {"Ultima_comanda", each List.Max([Data]), type nullable date}
  })

În funcția de agregare, _ este sub-tabelul cu rândurile clientului, iar [Data] este lista valorilor din coloana Data a acelui sub-tabel.

Operația Toate rândurile (All Rows) păstrează sub-tabelul întreg ca o coloană de tip tabel. E utilă pentru calcule mai complicate, de exemplu păstrarea rândului cu ultima comandă: Table.Max([Rows], "Data"), apoi extinzi câmpurile dorite.

Când NU grupezi în Power Query: un tabel agregat este static. Numărul de comenzi calculat așa nu se schimbă când utilizatorul alege în slicer anul 2025. Dacă raportul trebuie să răspundă la filtre, păstrezi tabelul de comenzi la nivel de detaliu și scrii măsuri:

Nr comenzi = COUNTROWS ( Comenzi )
Ultima comanda = MAX ( Comenzi[Data] )

Grupezi în Power Query când:

  • sursa e la un nivel de detaliu de care raportul nu are nevoie (de exemplu, tranzacții la secundă, iar raportul e zilnic), și vrei un model mai mic;
  • ai nevoie de un atribut fix al clientului, de exemplu „data primei comenzi”, folosit ca o coloană de segmentare în dimensiune.

Ce urmărește intervievatorul: Se verifică diferența dintre rezultatele statice din Power Query și cele dinamice din DAX. Greșeala tipică este preagregarea în Power Query a unor valori care trebuie să răspundă la slicere.

Eroarea, în practică:Group By numără rândurile în loc să adune

20 Mid

La refresh apare eroarea „Formula.Firewall: Query 'Vanzari' references other queries or steps, so it may not directly access a data source”. Ce înseamnă și cum o rezolvi?

Răspuns scurt: Este mecanismul de protecție al nivelurilor de confidențialitate: Power Query nu lasă o interogare să combine date din surse diferite într-un mod care ar putea trimite date dintr-o sursă către alta. Rezolvi restructurând interogările sau setând corect nivelurile de confidențialitate.

Power Query are niveluri de confidențialitate (privacy levels) pentru fiecare sursă: Private, Organizational, Public. Scopul lor este să împiedice scurgerea datelor dintr-o sursă în alta. Exemplu: o interogare care filtrează un tabel SQL folosind o valoare citită dintr-un Excel ar putea trimite acea valoare către serverul SQL, prin query folding.

Formula.Firewall apare când o interogare combină date din surse diferite într-un mod pe care motorul nu îl poate izola: de obicei, un pas folosește rezultatul altei interogări (de exemplu, un parametru citit dintr-un fișier) ca să acceseze o a doua sursă.

Soluții, de la cea mai curată:

  • restructurezi interogările: accesul la fiecare sursă stă într-o interogare separată, iar combinarea (merge, append) se face într-o a treia interogare, care doar referă rezultatele;
  • setezi nivelurile de confidențialitate corect în Setări sursă de date (Data source settings). Dacă ambele surse sunt interne și au același nivel, Organizational, combinarea este permisă;
  • ca ultimă variantă, în Opțiuni, Confidențialitate, „Ignoră nivelurile de confidențialitate”. Merge în Desktop, dar e o decizie de securitate, iar în Power BI Service setările se iau din configurația sursei de date sau a gateway-ului, deci problema poate reapărea acolo.

La interviu merită spus că eroarea nu e un bug, ci o protecție. Un răspuns bun explică riscul (date private trimise unei surse externe) și propune întâi soluția prin restructurare, nu prin dezactivarea protecției.

Ce urmărește intervievatorul: Este o eroare reală, frecventă când combini un Excel cu o bază de date. Se verifică dacă înțelegi motivul și nu dezactivezi orbește protecția.

Eroarea, în practică:Formula.Firewall: rebuild this data combination

21 Senior

Tabelul de vânzări are câteva sute de milioane de rânduri și refresh-ul complet durează ore. Cum configurezi incremental refresh și ce condiții trebuie îndeplinite?

Răspuns scurt: Creezi parametrii RangeStart și RangeEnd de tip dată și oră, filtrezi tabelul pe ei, apoi definești politica: câți ani păstrezi și câte zile se reîmprospătează. Sursa trebuie să suporte query folding, iar modelul se publică în Service, unde se creează partițiile.

Incremental refresh împarte tabelul în partiții pe perioade. La fiecare refresh se reîncarcă doar perioada recentă, iar istoricul rămâne neatins.

Pași:

  • creezi în Power Query doi parametri cu numele exacte RangeStart și RangeEnd, de tip Date/Time;
  • filtrezi coloana de dată a tabelului astfel încât o margine să fie inclusivă și cealaltă exclusivă, ca un rând să nu ajungă în două partiții:
= Table.SelectRows(Sursa, each
    [DataComanda] >= RangeStart and [DataComanda] < RangeEnd)
  • în Desktop, pe tabel, definești politica: de exemplu, păstrezi datele pe 5 ani și reîmprospătezi ultimele 10 zile;
  • opțional, Detect data changes: pe baza unei coloane de tip „ultima modificare”, se reîncarcă doar partițiile în care s-a schimbat ceva;
  • publici; la primul refresh în Service se creează partițiile și se încarcă tot istoricul, apoi refresh-urile devin incrementale.

Condiții și capcane:

  • filtrul trebuie să se plieze (query folding) în sursă; altfel Power BI aduce totul și filtrează local, iar câștigul dispare;
  • dacă coloana de dată din sursă e un întreg de forma 20250131, scrii o funcție de conversie a parametrilor, nu converti coloana sursei;
  • în Desktop vezi doar datele din intervalul curent al parametrilor, deci ții un interval scurt ca fișierul să rămână mic;
  • după publicare, modelul nu mai poate fi descărcat ca .pbix din Service; modificările se fac în fișierul sursă și se republică.

Incremental refresh e disponibil și pe licența Pro, nu doar pe capacitate Premium, dar opțiunile avansate (partiții în timp real, XMLA) cer Premium, PPU sau Fabric.

Ce urmărește intervievatorul: Întrebare de nivel senior despre modele mari. Se verifică dacă știi legătura cu query folding și capcanele de după publicare.

Modelarea datelor

Exersează capitolul cu exerciții reale: Curs Power BI pentru începători →
22 Junior

Explică diferența dintre un tabel de fapte și un tabel de dimensiune, cu un exemplu dintr-un lanț de magazine.

Răspuns scurt: Tabelul de fapte conține evenimentele măsurabile (vânzări, cu dată, cantitate și valoare) și cheile către dimensiuni. Dimensiunile descriu contextul (produs, magazin, client, dată) și conțin câte un rând unic pe fiecare element.

Într-un lanț de magazine:

  • Fapte (fact table): Vanzari, cu un rând pe linie de bon. Coloane: DataVanzare, ID_Produs, ID_Magazin, ID_Client, Cantitate, Valoare. Are multe rânduri, crește continuu, conține mai ales chei și numere care se agregă;
  • Dimensiuni (dimension tables): Produse (ID_Produs, Nume, Categorie, Marcă), Magazine (ID_Magazin, Oraș, Regiune, Suprafață), Clienti, Calendar. Au relativ puține rânduri, câte unul pe fiecare produs, magazin sau zi, și conțin atributele după care filtrezi și grupezi.

Regula practică: întrebările din raport sună ca „cât am vândut (fapt) pe categorie, oraș, lună (dimensiuni)?”. Coloanele din fapte ajung în interiorul măsurilor; coloanele din dimensiuni ajung pe axe, în slicere și pe rândurile matricei.

Un concept esențial este granularitatea faptului: ce reprezintă un rând. „O linie de bon” e altceva decât „vânzarea zilnică pe produs și magazin”. Granularitatea decide ce întrebări poți pune: din vânzări zilnice nu poți afla câte bonuri s-au emis.

În model, relația merge de la dimensiune (partea „unu”, cheie unică) la fapt (partea „mulți”), iar filtrul curge de la dimensiune spre fapt. Un tabel poate fi uneori ambele lucruri: Comenzi poate fi fapt pentru numărul de comenzi și, totodată, părintele tabelului LiniiComanda.

La interviu, merită să desenezi rapid schema: faptul în centru, dimensiunile în jur.

Ce urmărește intervievatorul: Este fundamentul modelării. Se verifică dacă poți aplica conceptul pe un caz concret și dacă știi ce înseamnă granularitatea.

23 Junior

De ce se recomandă în Power BI schema stea, și nu un singur tabel mare cu toate coloanele sau un model snowflake cu multe niveluri?

Răspuns scurt: Schema stea dă filtre simple și predictibile, un model mai mic și formule DAX mai ușoare. Un tabel plat mare repetă textul pe fiecare rând și complică măsurile, iar snowflake adaugă relații în lanț fără beneficiu pentru utilizator.

Schema stea înseamnă un tabel de fapte în centru, legat direct de fiecare dimensiune prin relații unu-la-mulți. Motorul VertiPaq și limbajul DAX sunt optimizate pentru acest tipar.

De ce nu un singur tabel plat (toate coloanele într-un tabel):

  • textul (Nume produs, Categorie, Oraș) se repetă pe milioane de rânduri; compresia ajută, dar modelul tot crește;
  • nu poți combina ușor două fapte cu granularități diferite, de exemplu vânzări și buget, pentru că nu există dimensiuni comune;
  • măsuri ca „numărul de produse din categorie, inclusiv cele fără vânzări” sunt greu sau imposibil de calculat: produsul fără vânzări nu există în tabelul plat;
  • time intelligence cere oricum un tabel calendar separat.

De ce nu snowflake (dimensiuni normalizate pe niveluri, de exemplu Produse, apoi Subcategorii, apoi Categorii):

  • filtrul trece prin mai multe relații, ceea ce înseamnă mai multă muncă pentru motor;
  • utilizatorul vede mai multe tabele în panoul de câmpuri, fără niciun câștig;
  • unele scenarii (ierarhii, RLS) devin mai greu de gestionat.

De aceea, în Power Query faci de obicei denormalizarea dimensiunilor: îmbini Subcategorii și Categorii în Produse, astfel încât fiecare dimensiune să fie un singur tabel.

Excepții rezonabile: o dimensiune foarte mare, cu atribute folosite rar, poate rămâne separată, iar tabelele de legătură pentru mulți-la-mulți sunt necesare. Dar punctul de plecare trebuie să fie schema stea.

Ce urmărește intervievatorul: Se verifică dacă știi argumentele, nu doar numele schemei. Greșeala tipică este importul tabelelor exact cum sunt în baza operațională, cu zeci de relații în lanț.

24 Junior

Încerci să creezi o relație unu-la-mulți între Produse și Vânzări, iar Power BI refuză, spunând că una dintre coloane trebuie să aibă valori unice. Ce cauze pot exista și cum le rezolvi?

Răspuns scurt: Coloana cheie din dimensiune are duplicate, de obicei din cauza unor rânduri repetate, a spațiilor sau a diferențelor de majuscule, ori a valorilor goale. Le găsești cu Păstrare duplicate în Power Query și repari dimensiunea, nu relația.

Pentru o relație unu-la-mulți, coloana din partea „unu” trebuie să fie unică. Când Power BI spune că nu e, cauzele tipice sunt:

  • rânduri duplicate reale: același produs apare de două ori în nomenclator, de exemplu cu prețuri diferite sau din două surse adăugate prin append;
  • valori goale: mai multe rânduri cu cheia null sau text gol;
  • diferențe invizibile: motorul DAX nu face diferența între majuscule și minuscule, deci „p001” și „P001” sunt aceeași valoare pentru el, deși Power Query le-a tratat ca diferite. La fel pot apărea probleme cu spații la final;
  • dimensiunea a fost construită dintr-un tabel greșit, de exemplu din fapt, fără eliminarea dublurilor.

Cum le găsești în Power Query, în interogarea Produse:

  • selectezi coloana cheie, apoi Păstrare rânduri, Păstrare duplicate, ca să vezi exact care chei se repetă;
  • profilul coloanei (Column distribution) arată numărul de valori distincte față de cele unice.

Repararea corectă se face în dimensiune: Trim și Uppercase pe cheie (și la fel pe cheia din fapt), eliminarea rândurilor goale, apoi decizia de business pentru duplicatele reale (care rând e cel corect).

Ce să nu faci: să setezi relația mulți-la-mulți doar ca să scapi de mesaj. Relația se creează, dar filtrele devin ambigue, iar sumele pot fi greșite fără niciun avertisment.

Din aceleași motive, în proiectele bune se adaugă la final un pas Table.Distinct pe cheie sau o verificare automată.

Ce urmărește intervievatorul: Se verifică depanarea unei erori foarte frecvente. Greșeala clasică este trecerea relației pe mulți-la-mulți ca să dispară mesajul.

Eroarea, în practică:One of the columns must have unique valuesColumn contains a duplicate value (one side)

25 Junior

Tabelul Comenzi are două coloane de dată: DataComanda și DataLivrare. De ce Power BI îți permite doar o relație activă cu tabelul Calendar și cum calculezi totuși comenzile după data livrării?

Răspuns scurt: Între două tabele poate exista o singură relație activă, ca drumul filtrului să fie neambiguu. A doua relație rămâne inactivă (linie punctată) și o activezi temporar într-o măsură cu USERELATIONSHIP în CALCULATE.

Dacă între Calendar și Comenzi ar exista două relații active, un filtru pe luna martie nu ar avea un sens unic: comenzile plasate în martie sau livrate în martie? De aceea Power BI permite o singură relație activă între două tabele (mai precis, un singur drum activ de filtrare). Celelalte apar în diagramă cu linie punctată și sunt inactive: există, dar nu propagă filtre implicit.

Faci relația activă pe data cea mai folosită, de obicei DataComanda, iar pentru cealaltă scrii măsuri dedicate:

Comenzi livrate =
CALCULATE (
    COUNTROWS ( Comenzi ),
    USERELATIONSHIP ( Calendar[Data], Comenzi[DataLivrare] )
)

USERELATIONSHIP activează relația inactivă doar pe durata acestui calcul; relația activă e ignorată în acel moment. Relația trebuie să existe deja în model, funcția nu creează una nouă.

Alternativa este dimensiunea cu rol multiplu (role-playing): două tabele calendar, Calendar Comandă și Calendar Livrare, fiecare cu relație activă. Avantajul: utilizatorul poate filtra simultan după ambele (comenzi din martie livrate în aprilie). Dezavantajul: două tabele în model și slicere separate.

Regula practică: măsuri cu USERELATIONSHIP când al doilea rol e folosit în câteva calcule; tabele separate când utilizatorii filtrează des după ambele date. Același tipar apare la zboruri (aeroport de plecare și de sosire) sau la tichete (deschis și închis).

Ce urmărește intervievatorul: Se verifică înțelegerea relațiilor inactive și a USERELATIONSHIP. Mulți candidați nu știu că relația trebuie să existe deja în model.

Eroarea, în practică:Relația inactivă (linie punctată) e ignoratăUSERELATIONSHIP can only use the two columns...

26 Junior

Într-un grafic pe categorii de produs apare și o bară „(Gol)” cu valori de vânzări. De unde vine și cum o elimini corect?

Răspuns scurt: Apare când în tabelul de fapte există chei de produs fără corespondent în dimensiune: motorul le leagă de un rând gol adăugat automat. Repari datele (nomenclatorul incomplet sau cheile greșite), nu ascunzi bara cu un filtru.

Într-o relație unu-la-mulți, dacă un rând din fapt are o cheie care nu există în dimensiune, motorul nu îl pierde: adaugă în dimensiune un rând gol virtual (blank row), de care leagă toate rândurile orfane. Așa totalurile rămân corecte, dar în orice vizual pe atributele dimensiunii apare categoria „(Gol)” sau „(Blank)”.

Cauze tipice:

  • nomenclatorul de produse nu conține produsele noi sau pe cele scoase din uz;
  • cheile diferă ca formă: „00123” în fapt, „123” în dimensiune, sau spații la final;
  • vânzări fără produs (cheie null), de exemplu discounturi globale sau servicii.

Cum găsești cheile problemă: în Power Query, o îmbinare Left Anti între fapt și dimensiune; sau în DAX, o interogare care listează cheile din fapt fără pereche.

Soluții, în ordinea preferinței:

  • repari sursa sau completezi nomenclatorul;
  • normalizezi cheile în Power Query (tip, Trim, zerouri în față);
  • dacă orfanii sunt legitimi, adaugi în dimensiune un membru explicit, de exemplu cheia -1 cu numele „Necunoscut”, și înlocuiești în fapt cheile null sau inexistente cu -1. Utilizatorii văd o etichetă clară, nu „(Gol)”.

Ce nu faci: un filtru pe vizual care exclude „(Gol)”. Graficul arată bine, dar totalul din card nu mai bate cu suma barelor, iar diferența ajunge în fața unui manager.

Bun obicei: o pagină sau o măsură de control a calității datelor, de exemplu valoarea vânzărilor legate de rândul gol, urmărită la fiecare refresh.

Ce urmărește intervievatorul: Se verifică dacă știi mecanismul rândului gol și dacă repari cauza. Greșeala tipică este ascunderea categoriei cu un filtru.

Eroarea, în practică:(Gol) în grafic: cheia lipsește din dimensiune

27 Junior

Primești un singur tabel plat cu vânzări, în care fiecare rând conține și Nume produs, Categorie și Marcă. Cum construiești din el o dimensiune Produse și de ce merită?

Răspuns scurt: În Power Query faci o referință la tabel, păstrezi coloanele produsului, elimini dublurile pe cheie și obții dimensiunea. Apoi elimini atributele din fapt și legi tabelele printr-o relație, ca să ai o schemă stea.

Pașii în Power Query:

  • clic dreapta pe interogarea Vanzari, Referință;
  • în interogarea nouă, Produse, păstrezi doar ID_Produs, Nume, Categorie, Marcă (Eliminare alte coloane);
  • Eliminare dubluri pe coloana ID_Produs;
  • verifici că pentru un ID nu există variante diferite de nume sau categorie; dacă există, trebuie decis care e corectă, altfel rămân mai multe rânduri pe același ID;
  • în interogarea Vanzari elimini Nume, Categorie și Marcă, păstrând doar cheia;
  • în model creezi relația Produse[ID_Produs] (unu) la Vanzari[ID_Produs] (mulți).
= Table.Distinct(
    Table.SelectColumns(Vanzari, {"ID_Produs", "Nume", "Categorie", "Marca"}),
    {"ID_Produs"})

Atenție: Table.Distinct pe o coloană păstrează primul rând găsit pentru fiecare cheie, deci dacă datele sunt inconsistente, rezultatul depinde de ordine. Mai sigur e să verifici întâi cu un Group By cât de multe nume distincte are fiecare ID.

Varianta DAX, ca tabel calculat, există, dar e mai puțin bună: Produse = DISTINCT ( Vanzari[ID_Produs] ) nu poate aduce ușor celelalte coloane, iar logica stă departe de restul curățării, iar tabelul se recalculează la fiecare refresh.

De ce merită: modelul devine mai mic, filtrele merg pe dimensiune, poți adăuga un tabel de buget pe categorie legat de aceeași dimensiune, iar măsuri ca „produse fără vânzări” devin posibile, mai ales dacă dimensiunea vine dintr-un nomenclator complet, nu doar din vânzări.

Ce urmărește intervievatorul: Se verifică dacă știi transforma un tabel plat în schemă stea. Greșeala tipică este eliminarea dublurilor pe tot rândul, nu pe cheie, și rămân chei duplicate.

28 Junior

Ce bune practici aplici în vizualizarea Model înainte să predai un raport colegilor care vor construi și ei vizuale pe el?

Răspuns scurt: Ascunzi cheile și coloanele tehnice, folosești măsuri explicite organizate în foldere, setezi formatele, categoriile de date și sortările, dai nume clare și adaugi descrieri. Scopul e ca oricine să găsească repede câmpul corect și să nu-l poată folosi greșit.

Un model folosit de mai mulți oameni trebuie să fie ușor de înțeles fără să-l explici. Lista de verificare:

  • ascunzi cheile din fapte și dimensiuni (ID_Produs, ID_Magazin) și coloanele folosite doar în calcule. Cheia din fapt mai ales: dacă cineva pune Vanzari[ID_Produs] pe un rând de tabel, filtrele din dimensiune nu se mai aplică cum se așteaptă;
  • ascunzi coloanele numerice pe care nu vrei să le agregi direct și creezi măsuri explicite (Vânzări, Cantitate, Marjă %);
  • grupezi măsurile într-un tabel de măsuri sau în foldere de afișare (Display folders): „Vânzări”, „Time intelligence”, „Calitate date”;
  • nume pentru oameni: „Data comenzii”, nu dt_ord; fără prefixe tehnice în câmpurile vizibile;
  • format setat în model: lei cu separator de mii, procente cu o zecimală, date în format zi.lună.an;
  • categoria de date (Data category): Oraș, Țară, URL web, URL imagine, ca hărțile și linkurile să funcționeze;
  • Sortare după coloană pentru lunile și zilele scrise cu nume;
  • „Nu rezuma” pe coloanele numerice care nu sunt cantități (An, Cod poștal);
  • descrieri pe măsurile importante, vizibile la trecerea cu mouse-ul peste câmp;
  • ierarhii utile, de exemplu An, Trimestru, Lună, Dată.

Merită verificat și ce rămâne vizibil în Analyze in Excel sau în Power BI Service, unde colegii construiesc rapoarte proprii pe același model semantic. Un model curat reduce întrebările și greșelile în rapoartele derivate.

Ce urmărește intervievatorul: Se verifică grija pentru utilizatorii modelului. Candidații juniori se opresc de obicei la relații și uită de ascunderea cheilor și de măsurile explicite.

29 Mid

Vânzările se leagă de stocuri printr-o combinație de două coloane: CodMagazin și CodProdus. Power BI nu acceptă relații pe mai multe coloane. Cum rezolvi?

Răspuns scurt: Creezi o cheie unică dintr-o singură coloană, fie prin concatenarea celor două coduri în ambele tabele, fie, mai bine, printr-o cheie surogat numerică generată în Power Query sau în sursă. Apoi faci relația pe acea coloană.

Relațiile din Power BI se fac pe o singură coloană de fiecare parte. Pentru chei compuse ai câteva variante:

  • cheie concatenată: în Power Query adaugi în ambele tabele o coloană CodMagazin & "|" & CodProdus. Separatorul e important: fără el, „1” + „23” și „12” + „3” ar da aceeași cheie „123”;
= Table.AddColumn(Stoc, "Cheie", each
    Text.From([CodMagazin]) & "|" & Text.From([CodProdus]), type text)
  • cheie surogat numerică: construiești o dimensiune cu combinațiile unice, adaugi o coloană index (1, 2, 3...), apoi, printr-o îmbinare pe cele două coloane, aduci indexul în fapt. O cheie întreagă ocupă mai puțină memorie decât un text lung și face relația mai eficientă. Ideal, cheia surogat vine direct din data warehouse;
  • regândești modelul: de multe ori două coduri compuse înseamnă de fapt două dimensiuni separate. Vânzările și stocurile se pot lega fiecare de Magazine și de Produse, iar compararea lor se face prin dimensiunile comune, fără relație directă între fapte.

A treia variantă e adesea cea corectă: relația directă fapt-fapt (vânzări și stoc) este un semnal că modelul nu e stea. Stocurile și vânzările sunt două fapte cu granularități proprii, care împart dimensiunile Magazin, Produs și Calendar.

Dacă alegi cheia concatenată, o creezi în Power Query, nu ca o coloană calculată DAX: se comprimă mai bine, iar refresh-ul e mai previzibil.

Ce urmărește intervievatorul: Se verifică dacă știi limitarea relațiilor la o coloană și dacă vezi problema de modelare din spate. Greșeala tipică este concatenarea fără separator.

30 Mid

Ai vânzări zilnice pe produs și un buget lunar pe categorie. Cum le pui în același model ca să compari realizat cu buget într-un singur vizual?

Răspuns scurt: Le tratezi ca două fapte cu granularități diferite, legate de dimensiuni comune la nivelul bugetului: lună și categorie. Bugetul se leagă de calendar prin prima zi a lunii și de o dimensiune Categorie, iar măsura lui nu se afișează sub acest nivel.

Problema este granularitatea: vânzările au zi și produs, bugetul are lună și categorie. Nu le pui în același tabel și nu legi direct bugetul de Produse, pentru că Produse are mai multe rânduri pe categorie, deci relația ar fi mulți-la-mulți.

O soluție curată:

  • în tabelul Buget, transformi luna în prima zi a lunii (o dată reală) și faci relație cu Calendar[Data]. Pe orice lună, trimestru sau an, filtrul funcționează;
  • creezi o dimensiune Categorii cu valori unice și o legi și de Buget, și de Produse (Categorii unu, Produse mulți). Filtrul pe categorie ajunge astfel la ambele fapte;
  • măsurile Vânzări și Buget se pun alături în același vizual, pe Calendar și Categorii.

Capcana: dacă cineva pune bugetul pe zile sau pe produse, valorile apar înșelător (tot bugetul pe prima zi a lunii, sau bugetul categoriei repetat pe fiecare produs). Protejezi măsura:

Buget =
IF (
    ISFILTERED ( Produse[Nume] ) || ISFILTERED ( Calendar[Data] ),
    BLANK (),
    SUM ( Buget[Valoare] )
)

O alternativă este TREATAS, care aplică filtrele fără relație fizică, utilă când nu vrei să modifici modelul.

La interviu e bine să spui principiul general: fiecare fapt rămâne la granularitatea lui, faptele nu se leagă între ele, iar comparațiile se fac prin dimensiuni comune, la nivelul pe care îl au ambele fapte.

Ce urmărește intervievatorul: Se verifică dacă știi lucra cu mai multe tabele de fapte. Greșeala tipică este o relație mulți-la-mulți directă între buget și produse.

31 Mid

Un client poate avea mai multe conturi, iar un cont poate avea mai mulți titulari. Cum modelezi asta ca să poți filtra tranzacțiile după client?

Răspuns scurt: Folosești un tabel de legătură (bridge) ClientCont, cu câte un rând pe pereche client-cont. Filtrul trebuie să treacă de la Clienți prin bridge spre Conturi, deci relația bridge-Conturi devine bidirecțională sau folosești CROSSFILTER în măsură.

Structura modelului:

  • Clienti (unu) la ClientCont (mulți), pe ID_Client;
  • Conturi (unu) la ClientCont (mulți), pe ID_Cont;
  • Conturi (unu) la Tranzactii (mulți), pe ID_Cont.

Filtrul pe un client ajunge în ClientCont, dar de acolo spre Conturi relația merge implicit în sens invers (de la Conturi spre bridge). Ca să ajungă la tranzacții, filtrul trebuie să urce din bridge în Conturi. Ai două variante:

  • setezi relația ClientCont-Conturi ca bidirecțională (Both). E simplu, dar se aplică tuturor calculelor;
  • păstrezi relația unidirecțională și activezi direcția doar în măsurile care au nevoie:
Valoare tranzactii =
CALCULATE (
    SUM ( Tranzactii[Valoare] ),
    CROSSFILTER ( ClientCont[ID_Cont], Conturi[ID_Cont], BOTH )
)

A doua variantă e mai sigură în modele mari, unde relațiile bidirecționale pot crea ambiguități și încetinesc calculele.

Ce trebuie explicat utilizatorilor: totalurile nu sunt aditive. Un cont comun a doi clienți apare la ambii, deci suma pe clienți e mai mare decât totalul general. E corect matematic, dar trebuie spus clar, eventual cu o notă în raport.

Power BI are și cardinalitatea nativă mulți-la-mulți între tabele, dar ea rezolvă alt caz: relația între două tabele în care cheia nu e unică în niciuna, cum e bugetul pe categorie față de produse. Pentru relații reale de tip mulți-la-mulți între entități, tabelul de legătură este modelul clasic și mai ușor de controlat.

Ce urmărește intervievatorul: Se verifică modelarea unei relații mulți-la-mulți reale. Greșeala tipică este omiterea faptului că totalurile nu mai sunt aditive.

Eroarea, în practică:Filtrul nu ajunge la dimensiune (direcția filtrului)

32 Mid

Ai nevoie de o coloană nouă, de exemplu Grupa de vârstă a clientului. O creezi în Power Query sau ca o coloană calculată DAX? După ce criterii decizi?

Răspuns scurt: Regula de bază: cât mai aproape de sursă. O coloană care depinde doar de rândul curent se face în Power Query sau în baza de date. Coloana calculată DAX se justifică când ai nevoie de model: relații sau măsuri.

O formulare des citată în comunitatea Power BI: transformările se fac „cât mai în amonte posibil și cât mai în aval necesar”.

Argumente pentru Power Query sau sursă:

  • coloana e calculată o dată, la încărcare, și se comprimă împreună cu celelalte coloane. Coloanele calculate DAX sunt adăugate după compresia tabelului și pot ocupa mai mult;
  • în Power Query, dacă sursa e o bază de date, calculul poate fi trimis la server prin query folding;
  • logica stă într-un singur loc, alături de restul curățării;
  • dacă alt model sau un dataflow are nevoie de aceeași coloană, o reutilizezi.

Grupa de vârstă depinde doar de data nașterii, deci merge în Power Query:

= Table.AddColumn(Clienti, "Grupa varsta", each
    let v = Date.Year(DateTime.LocalNow()) - Date.Year([DataNasterii])
    in if v < 25 then "Sub 25" else if v < 40 then "25-39" else "40+",
    type text)

(calculul vârstei e aproximativ, la nivel de an; pentru exactitate compari și luna și ziua.)

Argumente pentru coloană calculată DAX:

  • ai nevoie de date din alt tabel prin relații, de exemplu RELATED sau o agregare din tabelul de vânzări: „segmentul clientului după valoarea totală cumpărată”;
  • logica depinde de alte coloane calculate sau de măsuri;
  • modelul nu are acces la Power Query (de exemplu, un model compozit peste un model publicat).

Și ce nu e coloană deloc: un procent, o marjă sau o medie care trebuie să răspundă la filtre se scrie ca măsură, nu ca o coloană.

Ce urmărește intervievatorul: Se verifică judecata despre unde stă logica. Greșeala tipică este folosirea coloanelor calculate DAX pentru tot, din obișnuința de Excel.

Eroarea, în practică:Coloană calculată în loc de măsurăColoana calculată nu reacționează la slicer

33 Mid

Ce sunt tabelele calculate în DAX, în ce situații sunt utile și ce dezavantaje au?

Răspuns scurt: Sunt tabele create cu o expresie DAX, evaluate la refresh și stocate în model. Sunt utile pentru calendar, tabele de parametri, segmente sau dimensiuni ajutătoare; dezavantajul e că ocupă memorie, se recalculează la fiecare refresh și nu beneficiază de query folding.

Un tabel calculat se creează din Modelare, Tabel nou, cu o expresie DAX care întoarce un tabel:

Segmente =
DATATABLE (
    "Segment", STRING, "Min", INTEGER, "Max", INTEGER,
    { { "Mic", 0, 1000 }, { "Mediu", 1000, 5000 }, { "Mare", 5000, 1000000 } }
)

Rezultatul se calculează la refresh, după ce s-au încărcat tabelele de care depinde, și apoi stă în memorie ca un tabel obișnuit: poate avea relații, coloane calculate și poate fi folosit în slicere.

Situații potrivite:

  • tabelul calendar cu CALENDAR sau CALENDARAUTO;
  • tabele de parametri sau de benzi (ca exemplul de mai sus), folosite fără relație în măsuri;
  • o dimensiune cu rol multiplu: Calendar Livrare = Calendar, o copie a calendarului;
  • tabele rezumat pentru testare sau pentru un vizual anume.

Dezavantaje:

  • memorie: datele sunt duplicate în model dacă tabelul copiază alt tabel mare;
  • refresh: se recalculează la fiecare reîmprospătare a modelului, ceea ce adaugă timp;
  • fără query folding: munca se face în motorul DAX, nu în sursă;
  • nu se văd în Power Query, deci alte interogări nu le pot folosi;
  • pot apărea dependențe circulare când tabelul calculat derivă dintr-un tabel cu care apoi îl legi prin relații și coloane calculate.

Regula practică: dacă tabelul se poate obține din sursă sau din Power Query, acolo îl faci. Tabelele calculate rămân pentru ce depinde de model sau pentru tabele mici, ajutătoare.

Ce urmărește intervievatorul: Se verifică dacă știi locul tabelelor calculate în arhitectură. Candidații le folosesc adesea pentru copii ale tabelelor mari, dublând memoria.

Eroarea, în practică:not a valid table expression

34 Senior

Un client se mută din Cluj în București în martie. Vânzările lui din ianuarie trebuie să apară în continuare la Cluj în raport. Cum modelezi istoricul?

Răspuns scurt: Folosești o dimensiune cu schimbare lentă de tip 2 (SCD2): fiecare versiune a clientului are rândul ei, cu o cheie surogat și intervalul de valabilitate. Vânzările se leagă de cheia versiunii valabile la data vânzării.

O dimensiune cu schimbare lentă (Slowly Changing Dimension) de tip 2 păstrează istoricul atributelor:

| CheieClient | ID_Client | Nume | Oras | ValidDe | ValidPana | Curent | | 101 | C7 | Ana Pop | Cluj | 2023-01-01 | 2026-02-28 | 0 | | 245 | C7 | Ana Pop | București | 2026-03-01 | 9999-12-31 | 1 |

Elemente cheie:

  • cheia surogat (CheieClient) identifică versiunea, iar ID_Client e cheia de business, aceeași pentru toate versiunile;
  • tabelul de fapte conține cheia surogat a versiunii valabile la data tranzacției. Atribuirea se face ideal în data warehouse, la încărcarea faptelor; în Power Query se poate face o îmbinare pe ID_Client urmată de filtrarea pe interval, dar e costisitor pe volume mari;
  • relația în Power BI este normală, Clienti[CheieClient] la Vanzari[CheieClient], deci filtrul pe Cluj aduce vânzările făcute cât timp clientul era acolo.

Capcane de modelare:

  • numărarea clienților se face pe cheia de business: DISTINCTCOUNT ( Clienti[ID_Client] ). Pe cheia surogat, Ana ar fi numărată de două ori;
  • dacă utilizatorii vor uneori și „orașul actual”, adaugi în dimensiune o coloană Oraș curent, completată pe toate versiunile cu valoarea din rândul curent. Așa poți raporta ambele perspective;
  • tipul 1 (suprascrierea) e mai simplu, dar mută tot istoricul la București.

La interviu, întrebarea de clarificare potrivită este: „vor utilizatorii istoricul la momentul vânzării sau situația actuală?”. Răspunsul decide tipul de dimensiune, iar uneori ambele sunt necesare.

Ce urmărește intervievatorul: Întrebare de nivel senior despre modelarea istoricului. Se verifică dacă știi diferența dintre cheia surogat și cheia de business și efectul asupra numărărilor.

DAX: măsuri și contexte

35 Junior

Ce diferență este între o măsură implicită și una explicită și de ce majoritatea echipelor lucrează doar cu măsuri explicite?

Răspuns scurt: Măsura implicită apare când tragi o coloană numerică într-un vizual și Power BI o agregă automat. Măsura explicită este scrisă în DAX, are nume, format și logică controlate și poate fi refolosită în alte măsuri, în calculation groups și în Excel.

Măsura implicită (implicit measure): tragi Vanzari[Valoare] într-un vizual, iar Power BI creează pe loc Sum of Valoare. Poți schimba agregarea din meniul câmpului (Medie, Număr, Minim). Nu se vede în listă ca măsură și trăiește doar în acel vizual.

Măsura explicită (explicit measure) o creezi cu Măsură nouă:

Vanzari = SUM ( Vanzari[Valoare] )

De ce sunt preferate măsurile explicite:

  • reutilizare: alte măsuri o pot folosi, Marja % = DIVIDE ( [Profit], [Vanzari] ). O măsură implicită nu poate fi referită în DAX;
  • consecvență: definiția „vânzărilor” e una singură. Cu măsuri implicite, un coleg folosește suma valorii cu TVA, altul fără, în același raport;
  • format și descriere, setate o dată;
  • Analyze in Excel și unele unelte externe văd doar măsurile explicite;
  • calculation groups funcționează doar cu măsuri explicite; când adaugi un calculation group, Power BI activează opțiunea „Discourage implicit measures”, care blochează agregarea implicită;
  • schimbi logica într-un singur loc, de exemplu excluzi retururile, iar toate vizualele se actualizează.

O convenție utilă: referi măsurile fără numele tabelului, [Vanzari], și coloanele mereu cu el, Vanzari[Valoare]. Când citești o formulă, știi imediat ce e măsură și ce e coloană, ceea ce contează pentru înțelegerea contextului.

Măsurile implicite rămân acceptabile pentru explorare rapidă, dar nu într-un model predat altora.

Ce urmărește intervievatorul: Se verifică dacă ai lucrat pe modele reale, folosite de mai mulți oameni. Greșeala tipică este un raport construit doar din măsuri implicite.

Eroarea, în practică:Prețul e adunat: agregarea implicită Sumă

36 Junior

Scrie o măsură pentru marja procentuală. De ce se recomandă DIVIDE în locul operatorului / ?

Răspuns scurt: Marja % = DIVIDE ( [Profit], [Vanzari] ). DIVIDE întoarce BLANK (sau o valoare aleasă) când numitorul e zero sau gol, în loc de eroare sau infinit, și e mai scurt decât un IF care testează numitorul.

Măsura, construită din alte măsuri:

Vanzari = SUM ( Vanzari[Valoare] )
Cost = SUM ( Vanzari[Cost] )
Profit = [Vanzari] - [Cost]
Marja % = DIVIDE ( [Profit], [Vanzari] )

Apoi setezi formatul măsurii ca procent.

Cu operatorul /, când numitorul e zero DAX întoarce infinit (afișat ca „Infinity”) sau NaN pentru 0/0; nu dă eroare, dar vizualul arată valori absurde. Varianta clasică de protecție este:

Marja % = IF ( [Vanzari] = 0, BLANK (), [Profit] / [Vanzari] )

DIVIDE ( numărător, numitor, [alternativă] ) face același lucru mai concis și mai lizibil. Al treilea argument, opțional, este valoarea întoarsă la împărțirea la zero; implicit e BLANK. Întoarcerea lui BLANK e de obicei ce vrei: rândurile fără vânzări dispar din vizual, în loc să apară cu 0%.

Un detaliu de performanță: pentru numitori care știi sigur că nu sunt niciodată zero (de exemplu o constantă), / e ușor mai rapid, iar unele ghiduri recomandă / în acel caz. Pentru măsuri obișnuite, diferența nu contează, iar DIVIDE e alegerea sigură.

Important pentru marja procentuală: măsura se calculează ca raport al sumelor, nu ca medie a marjelor pe rânduri. La nivel de total, Profit total / Vânzări totale este marja corectă, ponderată cu valoarea, ceea ce o coloană calculată nu ar da.

Ce urmărește intervievatorul: Se verifică o măsură de bază și obiceiul de a trata împărțirea la zero. Greșeala tipică este calculul marjei ca medie a procentelor.

Eroarea, în practică:Too few arguments were passed to the functionInfinity / NaN: împărțire la zero

37 Junior

Un coleg a creat în tabelul Vânzări coloana calculată Marja % = Vanzari[Profit] / Vanzari[Valoare], iar în matrice, pe categorii, apar valori ca 3450%. Unde e greșeala și cum o repari?

Răspuns scurt: Coloana calculează marja pe fiecare rând, iar vizualul o agregă cu Sumă, adunând procentele. Marja trebuie calculată ca măsură, raport între suma profitului și suma valorii în contextul curent.

Coloana calculată se evaluează o dată, la refresh, pe fiecare rând. Fiecare linie de vânzare are, corect, marja ei, de exemplu 23%. Problema apare în vizual: coloana fiind numerică, Power BI o agregă implicit cu Sumă. Pe o categorie cu 150 de linii, suma procentelor dă 3450%, o valoare fără sens.

Schimbarea agregării în Medie nu rezolvă corect: media marjelor pe rânduri tratează la fel o vânzare de 10 lei și una de 10.000 de lei. Marja reală a categoriei este profitul total împărțit la valoarea totală, adică o medie ponderată.

Soluția este o măsură:

Marja % =
DIVIDE (
    SUM ( Vanzari[Profit] ),
    SUM ( Vanzari[Valoare] )
)

Măsura se evaluează la momentul afișării, în contextul de filtru al fiecărei celule: pe rândul categoriei, sumele sunt ale categoriei; pe total, ale tuturor vânzărilor. Rezultatul e corect la orice nivel, inclusiv pe total.

Apoi:

  • ștergi coloana calculată (ocupă memorie pe fiecare rând);
  • setezi formatul măsurii ca procent.

Regula de reținut: rapoartele, procentele, mediile și orice valoare neaditivă se scriu ca măsuri. Coloanele calculate sunt pentru atribute ale rândului după care filtrezi sau grupezi, de exemplu „Categorie preț” sau „Este weekend”.

Ce urmărește intervievatorul: Este bug-ul clasic al celor care vin din Excel. Se verifică dacă înțelegi de ce o valoare neaditivă nu se poate agrega din rânduri.

Eroarea, în practică:Media procentelor ≠ procentul total

38 Junior

Explică diferențele dintre COUNT, COUNTA, COUNTROWS și DISTINCTCOUNT. Ce ai folosi pentru numărul de comenzi și pentru numărul de clienți?

Răspuns scurt: COUNT și COUNTA numără valorile nenule dintr-o coloană, COUNTROWS numără rândurile unui tabel, iar DISTINCTCOUNT numără valorile distincte. Pentru comenzi folosești COUNTROWS pe tabelul de comenzi sau DISTINCTCOUNT pe numărul comenzii, iar pentru clienți DISTINCTCOUNT pe ID_Client.

Pe scurt:

  • COUNT ( Coloana ): numără valorile nenule dintr-o coloană. În versiunile mai vechi accepta doar numere și date, în cele actuale acceptă orice tip;
  • COUNTA ( Coloana ): numără valorile nenule de orice tip, inclusiv text; astăzi se comportă practic ca COUNT;
  • COUNTBLANK ( Coloana ): numără valorile goale;
  • COUNTROWS ( Tabel ): numără rândurile tabelului, indiferent de valori. Primește și o expresie de tip tabel, de exemplu COUNTROWS ( FILTER ( ... ) );
  • DISTINCTCOUNT ( Coloana ): numărul de valori distincte, inclusiv BLANK dacă apare; DISTINCTCOUNTNOBLANK îl ignoră.

Pentru numărul de comenzi:

  • dacă ai un tabel Comenzi cu un rând pe comandă: Nr comenzi = COUNTROWS ( Comenzi ). E cea mai clară variantă, fără dependență de o coloană anume;
  • dacă ai doar linii de comandă: Nr comenzi = DISTINCTCOUNT ( LiniiComanda[NrComanda] ). COUNTROWS ( LiniiComanda ) ar număra liniile, nu comenzile.

Pentru clienți activi:

Clienti activi = DISTINCTCOUNT ( Vanzari[ID_Client] )

Atenție la diferența față de COUNTROWS ( Clienti ): aceasta numără clienții din dimensiune care trec de filtre, inclusiv pe cei fără vânzări, pentru că filtrul pe fapt nu ajunge implicit în dimensiune. „Câți clienți avem” și „câți clienți au cumpărat” sunt întrebări diferite.

Măsurile cu DISTINCTCOUNT nu sunt aditive: totalul nu e suma rândurilor. Și sunt mai costisitoare pe coloane cu cardinalitate mare, ceea ce contează pe modele foarte mari.

Ce urmărește intervievatorul: Se verifică precizia la numărare, o sursă frecventă de cifre greșite. Greșeala tipică este COUNTROWS pe liniile de comandă când se cer comenzi.

Eroarea, în practică:Numărul de clienți e umflat (DISTINCTCOUNT)DISTINCTCOUNT numără și valoarea goală (BLANK)

39 Junior

Ai măsura Vanzari Bucuresti = CALCULATE ( [Vanzari], Magazine[Oras] = "București" ). Ce afișează ea într-un tabel pe orașe și ce se întâmplă când utilizatorul alege Cluj în slicer?

Răspuns scurt: Afișează vânzările Bucureștiului pe fiecare rând, inclusiv pe Cluj și Iași, pentru că filtrul din CALCULATE înlocuiește filtrul existent pe Magazine[Oras]. Și cu Cluj selectat în slicer, măsura arată tot vânzările Bucureștiului.

Un argument de filtru boolean în CALCULATE, ca Magazine[Oras] = "București", este prescurtarea pentru:

CALCULATE (
    [Vanzari],
    FILTER ( ALL ( Magazine[Oras] ), Magazine[Oras] = "București" )
)

Observă ALL ( Magazine[Oras] ): înainte de a aplica noul filtru, CALCULATE elimină orice filtru existent pe acea coloană. Apoi filtrează doar București.

Consecințe:

  • într-un tabel pe orașe, rândul Cluj are în context filtrul Oras = Cluj; CALCULATE îl înlocuiește cu București. Măsura afișează pe fiecare rând aceeași valoare, vânzările Bucureștiului;
  • dacă utilizatorul alege Cluj în slicer, filtrul slicerului pe Oras e suprascris la fel. Măsura arată în continuare București, ceea ce poate deruta;
  • filtrele pe alte coloane rămân: dacă slicerul e pe Regiune = Moldova, filtrul pe Regiune se păstrează și se combină cu Oras = București. Rezultatul e gol, pentru că Bucureștiul nu e în Moldova.

Dacă vrei ca măsura să respecte selecția, adică să arate valoare doar pe București și gol pe celelalte orașe, folosești KEEPFILTERS, care intersectează filtrul nou cu cel existent în loc să îl înlocuiască:

Vanzari Bucuresti = CALCULATE ( [Vanzari], KEEPFILTERS ( Magazine[Oras] = "București" ) )

Niciuna dintre variante nu e „greșită”: prima e potrivită pentru un card de comparație „față de București”, a doua pentru o coloană în tabel care arată valoarea doar unde are sens.

Ce urmărește intervievatorul: Se verifică dacă înțelegi că CALCULATE suprascrie filtrul pe coloană. Majoritatea candidaților presupun că filtrul se adaugă la cel existent.

Eroarea, în practică:CALCULATE ignoră slicerul (KEEPFILTERS)

40 Junior

Scrie o măsură care arată procentul fiecărei categorii din totalul vânzărilor, într-o matrice pe categorii. Ce se întâmplă cu ea dacă utilizatorul filtrează un an în slicer?

Răspuns scurt: % din total = DIVIDE ( [Vanzari], CALCULATE ( [Vanzari], ALL ( Produse[Categorie] ) ) ). Numitorul elimină doar filtrul pe categorie, deci la filtrarea unui an procentele se calculează din totalul acelui an.

Măsura:

% din total =
DIVIDE (
    [Vanzari],
    CALCULATE ( [Vanzari], ALL ( Produse[Categorie] ) )
)

În fiecare celulă a matricei:

  • numărătorul [Vanzari] se calculează în contextul curent: categoria rândului, plus orice filtru din slicere;
  • numitorul elimină, prin ALL ( Produse[Categorie] ), doar filtrul pe coloana Categorie, deci dă totalul tuturor categoriilor, dar păstrează celelalte filtre.

Dacă utilizatorul alege 2025 în slicer, filtrul pe Calendar rămâne în numitor, deci procentele sunt din totalul lui 2025 și se adună la 100%. Asta vrei de obicei.

Variante, după ce se cere:

  • ALL ( Produse ) elimină filtrele de pe toate coloanele tabelului Produse. Dacă matricea are pe rânduri Categorie și sub ea Subcategorie, numitorul rămâne totalul general;
  • dacă există și un slicer pe Marcă (tot din Produse), ALL ( Produse ) îl ignoră, iar ALL ( Produse[Categorie] ) îl păstrează. Diferența apare rar în teste, dar des în producție;
  • ALLSELECTED ( Produse[Categorie] ) dă procentul din categoriile selectate de utilizator, nu din toate; de exemplu, dacă bifează doar trei categorii, ele însumează 100%.

La total, măsura dă 100%, ceea ce e corect. Dacă vrei ca rândul total să rămână gol, poți testa cu ISINSCOPE ( Produse[Categorie] ).

Întrebarea de clarificare bună la interviu: „procent din ce total: din tot, din selecție sau din grupul părinte?”.

Ce urmărește intervievatorul: Se verifică un calcul care apare la aproape orice interviu Power BI. Greșeala tipică este folosirea ALL pe tot tabelul fără să știi ce filtre se pierd.

Eroarea, în practică:Procent din total = 100% pe fiecare rândProcentul nu dă 100% cu slicer (ALLSELECTED)

41 Junior

Vrei un titlu de vizual „Vânzări pentru <oraș>”, care arată orașul selectat în slicer sau „toate orașele” dacă nu e selectat unul singur. Cum scrii măsura și de ce VALUES singur poate da eroare?

Răspuns scurt: Folosești SELECTEDVALUE ( Magazine[Oras], "toate orașele" ), care întoarce valoarea dacă în context există exact una, altfel valoarea alternativă. VALUES întoarce un tabel, iar când sunt selectate mai multe orașe, folosirea lui ca valoare scalară dă eroare.

Măsura pentru titlu:

Titlu vanzari =
"Vânzări pentru " & SELECTEDVALUE ( Magazine[Oras], "toate orașele" )

Apoi, în formatarea vizualului, la Titlu, butonul fx (formatare condiționată), alegi Valoare câmp și măsura Titlu vanzari.

SELECTEDVALUE ( coloana, alternativă ) este echivalent cu:

IF ( HASONEVALUE ( Magazine[Oras] ), VALUES ( Magazine[Oras] ), "toate orașele" )
  • HASONEVALUE întoarce TRUE dacă în contextul curent coloana are exact o valoare distinctă;
  • VALUES întoarce un tabel cu valorile distincte vizibile. Dacă tabelul are un singur rând și o coloană, DAX îl convertește automat în valoare. Dacă are mai multe rânduri, apare eroarea „A table of multiple values was supplied where a single value was expected”.

Așadar "Vânzări pentru " & VALUES ( Magazine[Oras] ) merge cât timp e selectat un singur oraș și cade când utilizatorul alege două sau nimic.

Dacă vrei lista orașelor selectate, folosești CONCATENATEX:

Orase selectate =
CONCATENATEX ( VALUES ( Magazine[Oras] ), Magazine[Oras], ", ", Magazine[Oras], ASC )

În practică combini: un oraș, numele lui; câteva, lista; prea multe, un text de tipul „12 orașe”. O altă capcană: dacă slicerul e pe Regiune, Oras are mai multe valori în context, deci SELECTEDVALUE întoarce alternativa, chiar dacă utilizatorul a ales ceva.

Ce urmărește intervievatorul: Se verifică măsurile pentru texte dinamice și înțelegerea diferenței tabel-valoare în DAX. Greșeala tipică este VALUES folosit direct ca text.

Eroarea, în practică:A single value for column 'X' cannot be determinedA table of multiple values was supplied

42 Mid

Într-o matrice pe categorii, măsura Clienti = DISTINCTCOUNT ( Vanzari[ID_Client] ) arată pe rânduri 120, 95 și 80, dar pe total 210, nu 295. Este o eroare? Cum explici asta unui manager?

Răspuns scurt: Nu e o eroare: totalul se calculează din nou în contextul totalului, nu prin adunarea rândurilor. Un client care a cumpărat din mai multe categorii apare pe mai multe rânduri, dar la total e numărat o singură dată.

În Power BI, celula de total nu adună celulele de deasupra. Măsura se evaluează din nou, în contextul de filtru al totalului, care nu are filtru pe categorie. Pentru măsuri aditive, ca SUM pe valoare, rezultatul coincide cu suma rândurilor. Pentru măsuri neaditive, nu.

DISTINCTCOUNT e neaditiv: un client care a cumpărat și electrocasnice, și IT e numărat o dată pe fiecare rând de categorie, dar o singură dată la total. 210 este numărul real de clienți unici; 295 ar număra unele persoane de două sau trei ori.

Explicația pentru manager, fără DAX: „Totalul arată câți oameni diferiți au cumpărat. Pe rânduri vezi câți au cumpărat din fiecare categorie, iar mulți au cumpărat din mai multe, deci rândurile se suprapun.” Poți adăuga o măsură care arată suprapunerea: suma pe categorii minus clienții unici.

Dacă business-ul chiar vrea suma rândurilor (de exemplu, „numărul de relații client-categorie”), o scrii explicit:

Clienti pe categorii =
SUMX ( VALUES ( Produse[Categorie] ), [Clienti] )

SUMX iterează categoriile vizibile și adună rezultatul pe fiecare, deci la total dă 295.

Același fenomen apare la medii, procente, maxime, minime și la măsuri cu IF, unde condiția se evaluează diferit pe total. Ca regulă, înainte de a declara o problemă „bug la total”, verifici ce înseamnă măsura în contextul totalului.

Ce urmărește intervievatorul: Se verifică înțelegerea modului în care se calculează totalurile. Mulți candidați încearcă să „repare” un total care era de fapt corect.

Eroarea, în practică:Totalul nu e suma rândurilor

43 Mid

Ce face KEEPFILTERS în CALCULATE? Dă un exemplu în care rezultatul diferă față de varianta fără el.

Răspuns scurt: KEEPFILTERS face ca filtrul din CALCULATE să se intersecteze cu filtrul existent pe aceeași coloană, în loc să îl înlocuiască. Diferența se vede într-un vizual pe aceeași coloană pe care o filtrează măsura.

Comportamentul implicit al CALCULATE: un filtru pe o coloană înlocuiește filtrul existent pe acea coloană. KEEPFILTERS schimbă asta: noul filtru se adaugă, iar rezultatul e intersecția.

Exemplu, cu un tabel vizual pe culori de produs:

Vanzari Rosu Albastru =
CALCULATE ( [Vanzari], Produse[Culoare] IN { "Roșu", "Albastru" } )

Vanzari Rosu Albastru KF =
CALCULATE ( [Vanzari], KEEPFILTERS ( Produse[Culoare] IN { "Roșu", "Albastru" } ) )

Rezultatul pe rânduri:

| Culoare | Fără KEEPFILTERS | Cu KEEPFILTERS | | Roșu | Roșu + Albastru | Roșu | | Albastru | Roșu + Albastru | Albastru | | Verde | Roșu + Albastru | (gol) |

Fără KEEPFILTERS, filtrul rândului Verde e înlocuit, deci fiecare rând arată suma celor două culori. Cu KEEPFILTERS, pe Verde intersecția {Verde} cu {Roșu, Albastru} e vidă, deci rezultatul e gol.

Unde e util:

  • măsuri de tip „doar segmentul X”, care trebuie să respecte selecția utilizatorului;
  • în iteratori: SUMX ( KEEPFILTERS ( VALUES ( Produse[Culoare] ) ), ... ), ca iterația să rămână în selecția curentă;
  • în calculation groups, ca să nu suprascrii filtrele utilizatorului pe dată.

Un detaliu: KEEPFILTERS se aplică argumentelor de filtru ale CALCULATE, nu și modificatorilor de tipul ALL sau REMOVEFILTERS.

Există și o diferență subtilă față de FILTER ( Produse, ... ): acesta iterează doar rândurile vizibile și deci tot nu scapă de filtrul curent, dar filtrează întregul tabel Produse, cu toate coloanele, ceea ce e mai costisitor și poate avea efecte nedorite.

Ce urmărește intervievatorul: Se verifică înțelegerea fină a modului în care CALCULATE combină filtrele. Puțini candidați de nivel junior știu de KEEPFILTERS.

Eroarea, în practică:CALCULATE ignoră slicerul (KEEPFILTERS)

44 Mid

Explică diferențele dintre ALL, ALLSELECTED, ALLEXCEPT și REMOVEFILTERS. Când alegi fiecare?

Răspuns scurt: ALL elimină filtre și poate servi și ca tabel; REMOVEFILTERS face același lucru doar ca modificator în CALCULATE. ALLEXCEPT elimină filtrele unui tabel cu excepția coloanelor date, iar ALLSELECTED revine la selecția utilizatorului din afara vizualului.

ALL are două roluri:

  • ca modificator în CALCULATE: CALCULATE ( [Vanzari], ALL ( Produse ) ) elimină filtrele de pe tabelul Produse; ALL ( Produse[Categorie] ) doar de pe coloană;
  • ca funcție de tabel: COUNTROWS ( ALL ( Produse ) ) întoarce toate rândurile, ignorând filtrele, util în iteratori și în RANKX.

REMOVEFILTERS (apărută mai târziu, în 2019) face exact ce face ALL ca modificator, dar nu poate fi folosită ca tabel. Avantajul e lizibilitatea: oricine citește formula înțelege intenția.

Total general = CALCULATE ( [Vanzari], REMOVEFILTERS () )

ALLEXCEPT ( Tabel, Coloana1, ... ) elimină filtrele de pe toate coloanele tabelului, cu excepția celor date. Exemplu: procentul unui produs în categoria lui:

% in categorie =
DIVIDE ( [Vanzari], CALCULATE ( [Vanzari], ALLEXCEPT ( Produse, Produse[Categorie] ) ) )

Atenție: ALLEXCEPT păstrează filtrul pe Categorie doar dacă există unul. Dacă Categorie nu e în context, dar e filtrată Marca, ALLEXCEPT elimină și Marca. O variantă mai controlată este REMOVEFILTERS ( Produse ), VALUES ( Produse[Categorie] ).

ALLSELECTED elimină filtrele venite din vizualul curent (rândurile, coloanele matricei), dar păstrează selecțiile din afara lui: slicere, filtre de pagină. E potrivit pentru „procent din ce a selectat utilizatorul”, unde rândurile vizibile trebuie să însumeze 100%.

ALLSELECTED e cea mai greu de anticipat, pentru că depinde de contextul vizualului: folosită în măsuri chemate din alte măsuri sau din iteratori, poate da rezultate surprinzătoare. Folosește-o doar în măsuri afișate direct în vizual.

Ce urmărește intervievatorul: Se verifică precizia cu familia ALL. Greșeala tipică este folosirea ALLSELECTED oriunde, fără să înțelegi de ce depinde.

Eroarea, în practică:Procent din total = 100% pe fiecare rândProcentul nu dă 100% cu slicer (ALLSELECTED)

45 Mid

Ce diferență este între CALCULATE ( [Vanzari], Vanzari[Cantitate] > 10 ) și CALCULATE ( [Vanzari], FILTER ( Vanzari, Vanzari[Cantitate] > 10 ) )? Care e de preferat?

Răspuns scurt: Prima variantă filtrează doar coloana Cantitate și înlocuiește filtrele existente pe ea. A doua iterează tot tabelul vizibil și aplică un filtru pe toate coloanele lui, păstrând contextul; e de obicei mai lentă. Preferi filtrul pe coloană, eventual cu KEEPFILTERS.

Filtrul boolean Vanzari[Cantitate] > 10 devine FILTER ( ALL ( Vanzari[Cantitate] ), Vanzari[Cantitate] > 10 ). Motorul lucrează doar cu valorile distincte ale coloanei Cantitate, de obicei puține, iar filtrul e simplu de trimis motorului de stocare (storage engine). Ca orice filtru boolean, înlocuiește un filtru existent pe Cantitate.

FILTER pe tabel FILTER ( Vanzari, Vanzari[Cantitate] > 10 ):

  • iterează toate rândurile vizibile ale tabelului Vanzari în contextul curent; pe un fapt cu milioane de rânduri, iterația e mai costisitoare;
  • rezultatul e un tabel cu toate coloanele faptului (de fapt, tabelul extins, inclusiv coloanele dimensiunilor legate), aplicat ca filtru. Asta poate interfera cu alte argumente sau cu ALL aplicat mai târziu pe aceste coloane;
  • nu elimină filtrele existente: dacă vizualul e pe Cantitate, rezultatul diferă de varianta booleană.

Regula practică:

  • filtrezi coloane, nu tabele;
  • dacă vrei să respecți și filtrul curent pe coloană: KEEPFILTERS ( Vanzari[Cantitate] > 10 );
  • FILTER e justificat când condiția implică o măsură sau mai multe coloane din tabele diferite, ceea ce un filtru boolean nu poate exprima. Chiar și atunci, iterezi cel mai mic tabel posibil:
Vanzari clienti mari =
CALCULATE (
    [Vanzari],
    FILTER ( VALUES ( Clienti[ID_Client] ), [Vanzari] > 10000 )
)

Aici FILTER iterează clienții (mii de rânduri), nu vânzările (milioane), iar condiția pe măsură e evaluată pe fiecare client prin tranziția de context.

Ce urmărește intervievatorul: Se verifică înțelegerea diferenței de semantică și de performanță. Greșeala tipică este FILTER pe tabelul de fapte pentru condiții simple pe o coloană.

Eroarea, în practică:A function 'PLACEHOLDER' in a True/False filtercolumns from multiple tables in a filter

46 Mid

Ce afișează următoarele expresii DAX și de ce contează pentru măsurile tale?

A = BLANK () + 1
B = IF ( BLANK () = 0, "da", "nu" )
C = IF ( BLANK () == 0, "da", "nu" )
D = [Vanzari] + 0

Răspuns scurt: A dă 1, B dă „da”, C dă „nu”, iar D transformă BLANK în 0. BLANK se convertește la 0 în adunare și în comparația cu =; doar == compară strict. Cu + 0, vizualele afișează și rândurile fără date.

BLANK este valoarea goală din DAX, echivalentul aproximativ al lui NULL, dar cu reguli proprii:

  • A: în operații aritmetice BLANK se comportă ca 0, deci BLANK () + 1 = 1. Atenție, BLANK () * 5 dă BLANK, nu 0, iar BLANK () - BLANK () dă tot BLANK;
  • B: operatorul = convertește BLANK la 0 (sau la text gol, la FALSE), deci comparația e adevărată și rezultatul e „da”;
  • C: operatorul == (egalitate strictă) nu face conversia, deci BLANK nu e egal cu 0, iar rezultatul e „nu”;
  • D: dacă [Vanzari] e BLANK, rezultatul e 0.

De ce contează:

  • vizualele ascund rândurile la care toate măsurile sunt BLANK. De aceea un tabel cu produse arată doar produsele cu vânzări. Dacă transformi BLANK în 0, cu + 0 sau cu COALESCE ( [Vanzari], 0 ), apar toate produsele din dimensiune, și pe matrici cu mai multe dimensiuni, toate combinațiile: mii de rânduri cu 0 și o performanță mult mai slabă;
  • testele IF ( [Vanzari] = 0, ... ) sunt adevărate și pentru BLANK. Dacă vrei să tratezi separat cele două cazuri, folosești ISBLANK ( [Vanzari] ) sau ==;
  • DIVIDE întoarce BLANK la numitor zero, ceea ce ascunde rândurile; dacă business-ul vrea să le vadă, alegi explicit al treilea argument.

Regula: întorci 0 doar unde un zero are sens pentru cititor (de exemplu, un card „Retururi azi: 0”) și lași BLANK în rest.

Ce urmărește intervievatorul: Se verifică cunoașterea regulilor despre BLANK, care explică multe comportamente ciudate din vizuale. Greșeala tipică este forțarea zerourilor peste tot.

Eroarea, în practică:Măsura afișează (Blank) în loc de 0„+ 0” în măsură afișează toate rândurile fără date

47 Mid

Ce întoarce măsura de mai jos într-un vizual pe culori de produs? Rescrie-o ca să întoarcă vânzările produselor roșii.

Test =
VAR v = [Vanzari]
RETURN
    CALCULATE ( v, Produse[Culoare] = "Roșu" )

Răspuns scurt: Întoarce aceleași valori ca [Vanzari], pentru că variabila e evaluată o singură dată, în contextul în care e definită; CALCULATE nu o mai poate schimba. Corect este CALCULATE ( [Vanzari], Produse[Culoare] = "Roșu" ), sau o variabilă definită chiar cu acest CALCULATE.

Variabilele DAX (VAR ... RETURN) sunt constante: expresia lor se evaluează o dată, în contextul de filtru în care apare definiția, iar apoi rezultatul e doar o valoare. În exemplu, v conține deja vânzările rândului curent (de exemplu, culoarea Verde). Când CALCULATE schimbă contextul, nu mai are ce recalcula: v e un număr. Deci măsura afișează pe fiecare rând exact [Vanzari].

Variantele corecte:

Vanzari rosu =
CALCULATE ( [Vanzari], Produse[Culoare] = "Roșu" )

sau, dacă vrei variabila:

Pondere rosu =
VAR Total = [Vanzari]
VAR Rosu = CALCULATE ( [Vanzari], Produse[Culoare] = "Roșu" )
RETURN
    DIVIDE ( Rosu, Total )

De ce merită variabilele, corect folosite:

  • lizibilitate: dai nume pașilor intermediari;
  • performanță: o expresie folosită de mai multe ori se calculează o singură dată. Fără variabilă, IF ( [Vanzari] > 0, [Profit] / [Vanzari] ) poate evalua [Vanzari] de două ori (motorul optimizează uneori, dar nu e garantat);
  • depanare: poți returna temporar o variabilă intermediară (RETURN Rosu) ca să vezi ce valoare are;
  • variabile de tip tabel, de exemplu VAR TopClienti = TOPN ( 10, ... ), folosite apoi în mai multe calcule.

Un caz în care evaluarea „o singură dată” e exact ce vrei: în iteratori, VAR DataCurenta = MAX ( Calendar[Data] ) reține valoarea din contextul exterior și o poți compara în FILTER cu fiecare rând, fără a folosi EARLIER.

Ce urmărește intervievatorul: Se verifică înțelegerea evaluării variabilelor, o capcană frecventă la exercițiile DAX. Majoritatea candidaților cred că CALCULATE recalculează variabila.

48 Mid

În tabelul Clienți adaugi două coloane calculate: Total1 = SUM ( Vanzari[Valoare] ) și Total2 = CALCULATE ( SUM ( Vanzari[Valoare] ) ). Ce valori obții pe fiecare rând și de ce?

Răspuns scurt: Total1 arată pe fiecare client totalul tuturor vânzărilor, pentru că o coloană calculată are context de rând, dar nu și context de filtru. Total2 arată vânzările fiecărui client: CALCULATE transformă contextul de rând în filtru (tranziția de context), iar filtrul ajunge în Vanzari prin relație.

Când DAX calculează o coloană calculată, are un context de rând: știe pe ce rând din Clienți se află. Dar contextul de rând nu filtrează alte tabele și nici măcar tabelul curent. SUM ( Vanzari[Valoare] ) se evaluează în contextul de filtru, care într-o coloană calculată este gol, deci întoarce suma întregului tabel. Fiecare client primește aceeași valoare.

CALCULATE face tranziția de context: transformă rândul curent într-un filtru echivalent, pe toate coloanele tabelului Clienți (ID, Nume, Oraș...). Filtrul se propagă prin relația Clienți la Vânzări, deci SUM vede doar vânzările clientului curent.

Același efect îl are referirea unei măsuri, pentru că orice măsură e învelită implicit într-un CALCULATE:

Total3 = [Vanzari]

Total3 dă același rezultat ca Total2.

Alternative care nu folosesc tranziția:

Total4 = SUMX ( RELATEDTABLE ( Vanzari ), Vanzari[Valoare] )

RELATEDTABLE întoarce rândurile din Vânzări legate de rândul curent.

De ce contează la interviu:

  • explică de ce o formulă „corectă” dă aceeași valoare pe toate rândurile;
  • explică de ce [Masura] și expresia măsurii copiată în cod se pot comporta diferit în iteratori;
  • tranziția filtrează pe toate coloanele rândului; dacă tabelul nu are o cheie unică și există rânduri identice, rezultatele se dublează.

În practică, o asemenea coloană (total pe client) e utilă pentru segmentare, dar ține cont că e statică: nu se schimbă cu slicerul de an.

Ce urmărește intervievatorul: Este testul clasic pentru tranziția de context. Se verifică dacă știi că un context de rând nu filtrează nimic de unul singur.

Eroarea, în practică:Coloană calculată în loc de măsurăSUMX cu o măsură dublează rândurile identice

49 Senior

Un coleg a scris măsura Total = SUMX ( Vanzari, [Vanzari] ), unde [Vanzari] = SUM ( Vanzari[Valoare] ). Pe unele produse totalul iese mai mare decât suma reală, iar raportul e lent. Explică ambele probleme.

Răspuns scurt: Referirea măsurii în SUMX provoacă tranziție de context pe fiecare rând al faptului: rândul devine filtru pe toate coloanele. Rândurile identice se filtrează reciproc, deci sunt numărate de mai multe ori, iar milioanele de tranziții fac calculul lent. Corect e SUM ( Vanzari[Valoare] ).

SUMX ( Vanzari, [Vanzari] ) iterează fiecare rând din Vânzări. Pe fiecare rând, [Vanzari] fiind o măsură, are loc tranziția de context: rândul curent devine un filtru pe toate coloanele tabelului (data, produsul, magazinul, cantitatea, valoarea).

Problema de corectitudine: dacă există două rânduri complet identice (aceeași dată, produs, magazin, cantitate și valoare, de exemplu două bonuri identice într-o zi, fără un ID unic de linie), filtrul construit din primul rând se potrivește cu ambele. Pe primul rând, măsura întoarce suma ambelor; pe al doilea, la fel. Rezultatul: 4 unități în loc de 2. Pe produsele cu astfel de duplicate, totalul crește.

Problema de performanță: o tranziție de context pe fiecare rând dintr-un fapt de milioane de rânduri înseamnă milioane de evaluări cu filtre complexe. Motorul nu le poate rezolva eficient în storage engine.

Rezolvarea depinde de intenție:

  • dacă se voia doar suma: Total = SUM ( Vanzari[Valoare] );
  • dacă se voia o sumă pe rând cu o expresie: SUMX ( Vanzari, Vanzari[Cantitate] * Vanzari[Pret] ), fără măsuri în interior;
  • dacă se voia iterarea unei măsuri pe un nivel superior (clienți, luni), iterezi dimensiunea: SUMX ( VALUES ( Clienti[ID_Client] ), [Vanzari] ). Acolo tranziția pe fiecare client e intenționată, iar cheia e unică.

Lecția: nu refolosi o măsură în iterator peste un tabel de fapte, mai ales fără cheie unică. Și adaugă un ID de linie în fapt dacă poți, ca rândurile să nu fie niciodată identice.

Ce urmărește intervievatorul: Întrebare de nivel senior care combină semantica și performanța. Puțini candidați știu că tranziția de context pe rânduri duplicate dublează rezultatele.

Eroarea, în practică:SUMX cu o măsură dublează rândurile identice

50 Senior

Ai un tabel Ținte, cu ținte pe Categorie și Lună, care nu are nicio relație în model. Cum aplici filtrele din slicerele de Produse și Calendar asupra lui, fără să creezi relații?

Răspuns scurt: Folosești TREATAS, care aplică valorile vizibile dintr-o coloană ca filtru pe o coloană din alt tabel, prin data lineage: CALCULATE ( SUM ( Tinte[Valoare] ), TREATAS ( VALUES ( Produse[Categorie] ), Tinte[Categorie] ) ).

TREATAS ( tabel, coloană1, ... ) ia un tabel de valori și le aplică drept filtru pe coloanele indicate, ca și cum ar fi venit de acolo. Mecanismul se numește data lineage: fiecare coloană dintr-un tabel DAX „știe” din ce coloană a modelului provine, iar TREATAS schimbă această proveniență.

Tinta =
CALCULATE (
    SUM ( Tinte[Valoare] ),
    TREATAS ( VALUES ( Produse[Categorie] ), Tinte[Categorie] ),
    TREATAS ( VALUES ( Calendar[LunaInceput] ), Tinte[Luna] )
)

Pe rândul matricei pentru Electrocasnice și martie 2026, VALUES ( Produse[Categorie] ) întoarce {Electrocasnice}, iar TREATAS îl aplică pe Tinte[Categorie]. La fel pentru lună. Fără relații fizice, ținta se filtrează corect.

Când e util:

  • tabele cu granularitate diferită, unde o relație ar fi mulți-la-mulți;
  • tabele de parametri sau de scenarii, deconectate intenționat;
  • modele compozite sau modele pe care nu ai voie să le modifici;
  • filtrare prin tabele de legătură virtuale, fără relații bidirecționale.

Comparativ cu alte metode: varianta veche cu FILTER ( ALL ( Tinte[Categorie] ), CONTAINS ( VALUES ( Produse[Categorie] ), ... ) ) sau cu INTERSECT e mai lentă și mai greu de citit. TREATAS e de regulă cea mai eficientă variantă pentru „relații virtuale”.

Limitări: o relație fizică rămâne mai rapidă și mai ușor de înțeles pentru cine preia modelul. TREATAS e soluția când relația fizică nu e posibilă sau nu e de dorit. Și atenție la potrivirea tipurilor: coloanele trebuie să aibă același tip, iar textele să fie identice.

Ce urmărește intervievatorul: Întrebare de nivel senior despre relații virtuale. Se verifică dacă știi conceptul de data lineage și alternativele.

Eroarea, în practică:Aceeași valoare pe toate rândurile

DAX: iteratoare, tabele și clasamente

51 Junior

Tabelul Vânzări are doar Cantitate și PretUnitar, fără coloană de valoare. Scrie măsura pentru valoarea vânzărilor și explică de ce SUM ( Vanzari[Cantitate] ) * SUM ( Vanzari[PretUnitar] ) e greșit.

Răspuns scurt: Valoare = SUMX ( Vanzari, Vanzari[Cantitate] * Vanzari[PretUnitar] ). SUMX înmulțește pe fiecare rând și apoi adună. Produsul a două sume înmulțește totalul cantităților cu totalul prețurilor, ceea ce nu are niciun sens economic.

SUM agregă o singură coloană. SUMX este un iterator: parcurge un tabel rând cu rând, evaluează o expresie în contextul de rând al fiecărui rând și adună rezultatele.

Valoare =
SUMX ( Vanzari, Vanzari[Cantitate] * Vanzari[PretUnitar] )

Exemplu cu două rânduri: 2 bucăți la 10 lei și 5 bucăți la 100 lei.

  • SUMX: 2 × 10 + 5 × 100 = 520 lei, corect;
  • produsul sumelor: (2 + 5) × (10 + 100) = 770 lei, greșit.

Produsul sumelor dă rezultat corect doar pe un singur rând, de aceea eroarea scapă uneori la testarea pe un tabel cu detaliu: abia la total sau pe categorie apare diferența.

De ce nu o coloană calculată Valoare = Vanzari[Cantitate] * Vanzari[PretUnitar] plus SUM? Funcționează și dă același rezultat, dar coloana ocupă memorie pe fiecare rând. Pe un tabel mare, SUMX cu o expresie simplă pe coloane din același tabel e calculat eficient de motor, fără a stoca nimic. Ambele variante sunt acceptabile; SUMX e preferat când vrei un model mic. Ideal, valoarea vine chiar din sursă sau din Power Query.

Celelalte iteratoare urmează același tipar: AVERAGEX, MINX, MAXX, COUNTX, PRODUCTX, CONCATENATEX. Primul argument poate fi orice expresie de tabel: SUMX ( FILTER ( Vanzari, Vanzari[Retur] = FALSE () ), ... ) sau SUMX ( VALUES ( Clienti[ID] ), [Vanzari] ).

Ce urmărește intervievatorul: Se verifică diferența dintre agregare și iterare, baza DAX-ului. Greșeala tipică este produsul a două sume, care pare corect pe un rând.

Eroarea, în practică:SUM * SUM în loc de SUMXSUM only accepts a column reference

52 Junior

Prețul de listă se află în tabelul Produse, iar cantitățile în Vânzări. Cum calculezi valoarea vânzărilor la preț de listă? Când folosești RELATED și când RELATEDTABLE?

Răspuns scurt: SUMX ( Vanzari, Vanzari[Cantitate] * RELATED ( Produse[PretLista] ) ). RELATED aduce o valoare din partea „unu” a relației, pornind de pe un rând din partea „mulți”. RELATEDTABLE merge invers: de pe un rând din dimensiune întoarce rândurile legate din fapt.

În contextul de rând al tabelului Vânzări (într-un iterator sau într-o coloană calculată) vezi doar coloanele acestui tabel. RELATED urmează relația spre tabelul de pe partea „unu” și aduce valoarea de pe rândul legat:

Valoare la lista =
SUMX (
    Vanzari,
    Vanzari[Cantitate] * RELATED ( Produse[PretLista] )
)

Condiții:

  • trebuie să existe o relație (activă sau activată cu USERELATIONSHIP) între tabele;
  • RELATED funcționează de la „mulți” spre „unu”; poate traversa și mai multe relații în lanț, de exemplu de la Vânzări la Produse și apoi la Categorii;
  • are nevoie de un context de rând; folosit direct într-o măsură, fără iterator, dă eroare.

RELATEDTABLE merge în sens opus: pe un rând din Produse întoarce tabelul cu vânzările acelui produs. Folosit tipic în coloane calculate în dimensiuni:

Nr vanzari produs = COUNTROWS ( RELATEDTABLE ( Vanzari ) )

RELATEDTABLE este de fapt un CALCULATETABLE fără filtre, deci face tranziție de context: rândul produsului devine filtru.

Când RELATED nu e posibil, de exemplu fără relație, se folosește LOOKUPVALUE ( Produse[PretLista], Produse[ID], Vanzari[ID_Produs] ). Merge, dar e mai lent și dă eroare dacă găsește mai multe valori. De regulă, dacă ai nevoie de LOOKUPVALUE des, modelul are o relație lipsă.

Diferența de preț față de valoarea facturată (Valoare la lista - Valoare) e un exemplu bun de măsură pentru reduceri.

Ce urmărește intervievatorul: Se verifică navigarea prin relații în DAX. Greșeala tipică este folosirea RELATED în afara unui context de rând sau în sensul greșit al relației.

Eroarea, în practică:Column doesn't have a relationship (RELATED)Costul din RELATED nu e înmulțit cu cantitatea

53 Junior

Managerul vrea „media vânzărilor pe lună” într-un card pentru anul 2025. De ce AVERAGE ( Vanzari[Valoare] ) nu este răspunsul și cum scrii măsura corect?

Răspuns scurt: AVERAGE face media valorilor pe rânduri, adică valoarea medie a unei linii de vânzare. Media pe lună cere întâi totalul fiecărei luni și apoi media acestor totaluri: AVERAGEX ( VALUES ( Calendar[AnLuna] ), [Vanzari] ).

AVERAGE ( Vanzari[Valoare] ) răspunde la întrebarea „cât valorează în medie o linie de bon?”. Managerul întreabă altceva: „cât vindem într-o lună obișnuită?”. Aici trebuie întâi agregat pe lună, apoi făcută media.

Medie lunara =
AVERAGEX (
    VALUES ( Calendar[AnLuna] ),
    [Vanzari]
)

Cum funcționează:

  • VALUES ( Calendar[AnLuna] ) întoarce lunile vizibile în contextul curent; în cardul filtrat pe 2025, cele douăsprezece luni;
  • pentru fiecare lună, [Vanzari] se evaluează prin tranziția de context: luna devine filtru, deci obții totalul lunii;
  • AVERAGEX face media celor douăsprezece totaluri.

Detalii care contează:

  • iterezi o coloană care identifică unic luna, de exemplu AnLuna (202501), nu Luna (Ian), altfel pe mai mulți ani ianuarie 2024 și ianuarie 2025 devin o singură „lună”;
  • AVERAGEX ignoră valorile BLANK: lunile fără vânzări nu intră în medie. Dacă trebuie să intre ca 0, scrii [Vanzari] + 0 în expresie;
  • dacă anul e în curs, lunile viitoare au BLANK și nu strică media, dar o lună curentă incompletă o trage în jos. E o discuție de business: excluzi luna curentă sau o lași.

Aceeași construcție rezolvă „media zilnică”, „media pe magazin” sau „media pe client”: schimbi doar tabelul iterat. MINX și MAXX dau, analog, luna cea mai slabă și cea mai bună. Asemenea întrebări apar des la exercițiile DAX de interviu, pentru că arată dacă înțelegi diferența dintre granularitatea datelor și cea a întrebării.

Ce urmărește intervievatorul: Se verifică dacă știi să agregi la nivelul cerut de întrebare. Greșeala tipică este AVERAGE pe tabelul de fapte, care dă media pe linie.

Eroarea, în practică:Media pe zi e media bonurilor (AVERAGEX)AVERAGEX ignoră zilele fără vânzări

54 Junior

Scrie o măsură care întoarce rezultatul unei funcții FORMAT și explică de ce, pus pe axa unui grafic sau folosit pentru sortare, poate face probleme. Exemplu: Luna text = FORMAT ( MAX ( Calendar[Data] ), "mmm yyyy" ).

Răspuns scurt: FORMAT întoarce întotdeauna text, deci rezultatul nu mai e număr sau dată: se sortează alfabetic și nu poate fi agregat. Îl folosești doar pentru etichete și titluri, iar pentru valori în vizuale păstrezi tipul numeric și setezi formatul în proprietățile măsurii.

FORMAT ( valoare, format [, cultură] ) transformă un număr sau o dată în text, după un șablon: "#,0.00", "0.0%", "dd.mm.yyyy", "mmm yyyy". Al treilea argument, cultura (de exemplu "ro-RO"), stabilește limba numelor de lună și separatorii.

Luna text = FORMAT ( MAX ( Calendar[Data] ), "mmm yyyy", "ro-RO" )

Probleme când folosești FORMAT greșit:

  • sortare: o coloană calculată cu FORMAT, pusă pe axă, se ordonează alfabetic: „apr. 2025” înaintea lui „ian. 2025”. Rezolvi cu Sortare după coloană, pe o coloană numerică AnLuna;
  • valori de măsură ca text: dacă scrii Vanzari fmt = FORMAT ( [Vanzari], "#,0 lei" ), măsura nu mai poate fi pusă într-un grafic cu bare, nu se mai poate formata condiționat după valoare și nu se mai pot face calcule cu ea;
  • BLANK devine text gol: FORMAT ( BLANK (), ... ) întoarce "", nu BLANK, deci vizualul nu mai ascunde rândurile goale și apar toate combinațiile, cu costul de performanță aferent;
  • cultura: fără al treilea argument, rezultatul depinde de setarea de limbă a modelului.

Unde FORMAT e potrivit: titluri dinamice, texte explicative, etichete în carduri compuse:

Text card =
"Vânzări: " & FORMAT ( [Vanzari], "#,0", "ro-RO" ) & " lei"

Pentru formatarea condiționată a numărului, fără a-l transforma în text, folosești șiruri de format dinamice (dynamic format strings) pe măsură, disponibile în Power BI Desktop din 2023: valoarea rămâne numerică, iar formatul se schimbă după context.

Ce urmărește intervievatorul: Se verifică diferența dintre valoare și reprezentarea ei. Greșeala tipică este formatarea măsurilor cu FORMAT, care strică sortarea, graficele și performanța.

Eroarea, în practică:Măsura cu FORMAT se sortează alfabetic

55 Mid

Scrie o măsură care numără clienții care au cumpărat de peste 1000 de lei în perioada selectată.

Răspuns scurt: Iterezi clienții vizibili și numeri pe cei la care măsura de vânzări trece de prag: COUNTROWS ( FILTER ( VALUES ( Vanzari[ID_Client] ), [Vanzari] > 1000 ) ). Tranziția de context calculează vânzările fiecărui client în filtrele curente.

Măsura:

Clienti peste 1000 =
COUNTROWS (
    FILTER (
        VALUES ( Vanzari[ID_Client] ),
        [Vanzari] > 1000
    )
)

Pași:

  • VALUES ( Vanzari[ID_Client] ) întoarce clienții care au vânzări în contextul curent (perioadă, magazin, categorie);
  • FILTER parcurge fiecare client; [Vanzari], fiind o măsură, face tranziție de context, deci calculează vânzările acelui client, în aceleași filtre;
  • COUNTROWS numără clienții rămași.

Variante echivalente:

Clienti peste 1000 =
SUMX ( VALUES ( Clienti[ID_Client] ), IF ( [Vanzari] > 1000, 1 ) )

Ce să eviți:

  • CALCULATE ( DISTINCTCOUNT ( Vanzari[ID_Client] ), Vanzari[Valoare] > 1000 ): numără clienții care au o linie de peste 1000 de lei, nu un total. Este o greșeală foarte frecventă la interviu;
  • o coloană calculată „Total client” plus filtru: e statică, nu se schimbă cu perioada.

Pentru pragul variabil, pragul poate veni dintr-un parametru „what-if” (Modelare, Parametru nou), care creează un tabel cu valori și o măsură SELECTEDVALUE:

VAR Prag = SELECTEDVALUE ( Prag[Prag], 1000 )

Dacă iterezi Clienti[ID_Client] în locul cheii din fapt, intră în iterație și clienții fără vânzări; pentru ei [Vanzari] e BLANK, iar comparația BLANK > 1000 e falsă, deci rezultatul e același, doar că iterația e mai lungă. Pe dimensiuni mari, alegerea tabelului iterat contează pentru performanță.

Ce urmărește intervievatorul: Se verifică combinarea iteratorilor cu tranziția de context. Greșeala tipică este filtrarea pe valoarea liniei în loc de totalul clientului.

56 Mid

Scrie o măsură care afișează locul fiecărui vânzător în clasament după vânzări. Ce probleme apar la rândul de total și la vânzătorii cu valori egale?

Răspuns scurt: RANKX ( ALL ( Vanzatori[Nume] ), [Vanzari], , DESC, DENSE ). Pe total, măsura dă 1, pentru că totalul e mai mare decât orice vânzător; o ascunzi cu ISINSCOPE. La egalitate, implicit (SKIP) se sare peste locuri, iar DENSE dă locuri consecutive.

Măsura:

Loc vanzator =
IF (
    ISINSCOPE ( Vanzatori[Nume] ),
    RANKX ( ALL ( Vanzatori[Nume] ), [Vanzari], , DESC, DENSE )
)

Cum funcționează RANKX:

  • primul argument e tabelul în care se face clasamentul; ALL ( Vanzatori[Nume] ) cuprinde toți vânzătorii, indiferent de rândul curent;
  • al doilea e expresia evaluată pentru fiecare vânzător din tabel (prin tranziție de context) și apoi pentru contextul curent;
  • locul e poziția valorii curente între valorile calculate.

Capcane:

  • fără ALL, tabelul ar conține doar vânzătorul curent, deci toți ar fi pe locul 1;
  • ALL față de ALLSELECTED: cu ALL, clasamentul e între toți vânzătorii, chiar dacă slicerul arată doar o regiune; cu ALLSELECTED ( Vanzatori[Nume] ) e între cei selectați;
  • totalul: acolo nu există un vânzător curent, [Vanzari] e totalul general, mai mare decât orice valoare, deci RANKX dă 1. ISINSCOPE întoarce TRUE doar când coloana e nivelul curent de grupare și ascunde valoarea de pe total;
  • egalitățile: cu SKIP (implicit), doi vânzători la egalitate pe locul 2 sunt urmați de locul 4; cu DENSE, de locul 3;
  • vânzători fără vânzări: au BLANK și sunt așezați la coada clasamentului; îi poți exclude cu un IF pe [Vanzari];
  • dacă numele nu e unic, doi „Popescu Ion” devin unul; clasezi pe o cheie unică.

În versiunile din 2023 a apărut și funcția fereastră RANK, cu sintaxă apropiată de SQL, utilă când vrei departajare după mai multe coloane, dar RANKX rămâne cea mai întâlnită la interviuri.

Ce urmărește intervievatorul: Clasamentul cu RANKX e un exercițiu DAX clasic. Se verifică dacă știi de ce e nevoie de ALL și cum tratezi totalul.

Eroarea, în practică:RANKX dă 1 pe toate rândurileRANKX dă 1, 1, 3 la egalitate (DENSE)

57 Mid

Scrie o măsură care calculează vânzările celor mai bune 5 produse din perioada selectată, ca să afișezi într-un card „Top 5 produse aduc X lei”.

Răspuns scurt: CALCULATE ( [Vanzari], TOPN ( 5, ALLSELECTED ( Produse[Nume] ), [Vanzari], DESC ) ). TOPN întoarce tabelul cu primele 5 produse după vânzări, iar CALCULATE îl folosește ca filtru. La egalitate pe locul 5, TOPN poate întoarce mai mult de 5 rânduri.

Măsura:

Vanzari top 5 produse =
CALCULATE (
    [Vanzari],
    TOPN ( 5, ALLSELECTED ( Produse[Nume] ), [Vanzari], DESC )
)

Pas cu pas:

  • ALLSELECTED ( Produse[Nume] ) ia produsele din selecția utilizatorului (de exemplu, doar categoria aleasă în slicer), dar nu se limitează la produsul de pe rândul curent;
  • TOPN ( 5, tabel, expresie, DESC ) evaluează [Vanzari] pentru fiecare produs și întoarce primele 5;
  • CALCULATE aplică acest tabel ca filtru pe Produse[Nume], deci [Vanzari] se calculează doar pentru cele 5.

Detalii importante:

  • TOPN nu sortează rezultatul și nu garantează exact N rânduri: la egalitate pe ultima poziție întoarce toate produsele egale;
  • perioada selectată se păstrează, pentru că filtrul pe Calendar nu e atins;
  • pentru procentul din total: DIVIDE ( [Vanzari top 5 produse], [Vanzari] ).

Pentru un grafic cu primele 5 produse, varianta cea mai simplă este filtrul vizual Top N din panoul Filtre: alegi Top 5 după [Vanzari]. Filtrul se aplică doar vizualului, fără DAX.

Cerința frecventă „top 5 plus o bară Altele” cere un tabel suplimentar cu numele produselor plus valoarea „Altele” și o măsură care, pentru „Altele”, calculează diferența dintre total și top 5. E un exercițiu bun de interviu de nivel mid spre senior, pentru că implică tabele deconectate și ISINSCOPE.

În ce privește performanța, TOPN pe produse e rapid; TOPN pe un fapt mare, cu o expresie complexă, poate deveni lent.

Ce urmărește intervievatorul: Se verifică funcțiile de tabel folosite ca filtre. Greșeala tipică este presupunerea că TOPN întoarce mereu exact N rânduri, sortate.

Eroarea, în practică:Filtrul Top 3 afișează 4 produse (egalitate)

58 Mid

Ai nevoie de o măsură care clasifică marja: sub 10% „Slabă”, între 10% și 25% „Bună”, peste 25% „Foarte bună”. Cum o scrii elegant în DAX?

Răspuns scurt: Folosești SWITCH ( TRUE (), condiție1, rezultat1, condiție2, rezultat2, implicit ), cu marja calculată o singură dată într-o variabilă. Condițiile se evaluează în ordine și se întoarce rezultatul primei adevărate.

Varianta cu IF-uri imbricate merge, dar devine greu de citit:

Clasa marja = IF ( [Marja %] < 0.1, "Slabă", IF ( [Marja %] < 0.25, "Bună", "Foarte bună" ) )

Tiparul SWITCH ( TRUE (), ... ) e mai clar:

Clasa marja =
VAR m = [Marja %]
RETURN
    SWITCH (
        TRUE (),
        ISBLANK ( m ), BLANK (),
        m < 0.10, "Slabă",
        m < 0.25, "Bună",
        "Foarte bună"
    )

Cum funcționează: SWITCH compară primul argument (TRUE ()) cu fiecare valoare în ordine; prima condiție care e adevărată câștigă. Ultimul argument, fără pereche, e valoarea implicită.

Detalii:

  • variabila m asigură că marja se calculează o singură dată;
  • ordinea condițiilor contează: m < 0.25 vine după m < 0.10;
  • BLANK trebuie tratat primul: fără acea linie, rândurile fără vânzări ar primi „Slabă”, pentru că BLANK e tratat ca 0 în comparație, iar vizualul ar arăta toate produsele;
  • măsura întoarce text, deci se poate folosi în tabele sau ca text dinamic, nu pe axa unui grafic.

O utilizare frecventă: măsura care întoarce o culoare pentru formatarea condiționată:

Culoare marja =
SWITCH ( TRUE (), [Marja %] < 0.10, "#C0392B", [Marja %] < 0.25, "#E6A23C", "#2E8B57" )

Apoi, la culoarea barelor, fx, Valoare câmp, alegi măsura. Așa regulile stau într-un singur loc, nu în setările fiecărui vizual.

SWITCH simplu, fără TRUE, e potrivit pentru potriviri exacte: SWITCH ( SELECTEDVALUE ( Metrica[Nume] ), "Vânzări", [Vanzari], "Profit", [Profit] ).

Ce urmărește intervievatorul: Se verifică scrierea de logică condițională lizibilă. Greșeala frecventă este netratarea lui BLANK, care ajunge în categoria cea mai mică.

Eroarea, în practică:Too many arguments were passed to the X function

59 Mid

O măsură complexă dă un rezultat greșit și nu știi la ce pas. Cum o depanezi?

Răspuns scurt: Spargi măsura în variabile și întorci pe rând fiecare variabilă, verifici într-un tabel simplu, la nivel de detaliu, apoi rulezi interogări în DAX query view sau DAX Studio cu EVALUATE. Verifici și relațiile, direcția filtrelor și filtrele ascunse de pe pagină.

O metodă în pași:

  • reproduci pe un exemplu mic: un tabel vizual simplu cu dimensiunea relevantă (de exemplu, luna) și măsura. Alegi un rând pentru care știi rezultatul corect, calculat din sursă sau din Excel;
  • verifici filtrele invizibile: filtre pe vizual, pe pagină, pe raport, slicere sincronizate de pe alte pagini, interacțiuni editate. Multe „erori DAX” sunt de fapt un filtru uitat;
  • spargi măsura în variabile și returnezi pe rând fiecare:
Test =
VAR Curent = [Vanzari]
VAR AnTrecut = CALCULATE ( [Vanzari], SAMEPERIODLASTYEAR ( Calendar[Data] ) )
RETURN
    AnTrecut  -- schimbi temporar ce întorci
  • verifici tabelele intermediare: în DAX query view (în Power BI Desktop, din 2023) sau în DAX Studio, rulezi o interogare:
EVALUATE
CALCULATETABLE (
    SAMEPERIODLASTYEAR ( Calendar[Data] ),
    Calendar[AnLuna] = 202503
)

Așa vezi exact ce date întoarce funcția, nu doar suma;

  • verifici modelul: relația e activă? direcția filtrului permite propagarea? tipurile coloanelor se potrivesc? calendarul e marcat ca tabel de date?
  • folosești COUNTROWS în loc de sumă ca să vezi câte rânduri vede măsura în context;
  • verifici dacă numele de măsură refolosit nu e cumva o măsură cu altă logică decât crezi.

La interviu contează ordinea gândirii: întâi date și filtre, apoi model, apoi formula. Intervievatorul vrea să audă un proces, nu „încerc variante până merge”.

Ce urmărește intervievatorul: Se verifică abordarea sistematică a depanării. Greșeala tipică este rescrierea formulei la întâmplare, fără verificarea filtrelor și a modelului.

Eroarea, în practică:MdxScript(Model) Calculation error in measure

60 Senior

Ce diferență este între SUMMARIZE, ADDCOLUMNS cu SUMMARIZE și SUMMARIZECOLUMNS? De ce se recomandă să nu adaugi coloane calculate direct în SUMMARIZE?

Răspuns scurt: SUMMARIZE grupează după coloane existente; ADDCOLUMNS adaugă apoi coloane calculate pe fiecare grup, în mod previzibil. Expresiile din SUMMARIZE au o semantică complicată și pot da rezultate neașteptate. SUMMARIZECOLUMNS e funcția optimizată folosită de vizuale în interogări.

SUMMARIZE ( Tabel, Col1, Col2, ... ) întoarce combinațiile existente ale coloanelor de grupare, inclusiv din tabele legate:

SUMMARIZE ( Vanzari, Produse[Categorie], Calendar[An] )

Sintaxa permite și coloane calculate: SUMMARIZE ( Vanzari, Produse[Categorie], "Total", [Vanzari] ). Problema e că expresia se evaluează într-un context care combină context de rând și un filtru construit de SUMMARIZE (clustering), cu efecte greu de anticipat când în expresie apare CALCULATE sau un filtru pe alte coloane. Ghidurile de bune practici (de exemplu SQLBI) recomandă de ani buni:

ADDCOLUMNS (
    SUMMARIZE ( Vanzari, Produse[Categorie], Calendar[An] ),
    "Total", [Vanzari]
)

SUMMARIZE doar grupează, iar ADDCOLUMNS calculează fiecare coloană nouă prin tranziție de context, pe fiecare rând, într-un mod clar.

SUMMARIZECOLUMNS este funcția pe care o generează vizualele Power BI în interogări:

EVALUATE
SUMMARIZECOLUMNS (
    Produse[Categorie], Calendar[An],
    "Total", [Vanzari]
)

Este mai eficientă și elimină automat rândurile la care toate măsurile sunt BLANK. Mult timp nu a putut fi folosită în măsuri care sunt evaluate într-un context cu tranziție de context; versiunile recente au extins suportul, dar comportamentul depinde de versiune, așa că în măsuri multe echipe folosesc în continuare ADDCOLUMNS cu SUMMARIZE.

Unde le folosești: în tabele virtuale din măsuri (de exemplu, media pe grup), în tabele calculate și în interogări de test în DAX query view sau DAX Studio. Alegerea corectă arată că știi ce face motorul, nu doar că formula „merge”.

Ce urmărește intervievatorul: Întrebare de nivel senior despre funcțiile de tabel. Se verifică dacă știi recomandarea ADDCOLUMNS cu SUMMARIZE și locul lui SUMMARIZECOLUMNS.

61 Senior

Ai deja măsurile Vânzări, Profit, Cantitate și Nr comenzi, iar business-ul vrea pentru fiecare variantele YTD, an trecut și variație. Cum eviți să scrii zeci de măsuri aproape identice?

Răspuns scurt: Folosești un calculation group (grup de calcul) cu elemente ca Curent, YTD, An trecut și Variație %, scrise o singură dată cu SELECTEDMEASURE(). Utilizatorul pune grupul pe coloanele matricei și orice măsură explicită primește automat variantele.

Patru măsuri înmulțite cu patru variante înseamnă șaisprezece măsuri, iar la fiecare măsură nouă încă patru. Un calculation group rezolvă asta: un tabel special ale cărui elemente (calculation items) modifică orice măsură aflată în context.

Elementele, scrise o singură dată:

Curent = SELECTEDMEASURE ()

YTD = CALCULATE ( SELECTEDMEASURE (), DATESYTD ( Calendar[Data] ) )

An trecut = CALCULATE ( SELECTEDMEASURE (), SAMEPERIODLASTYEAR ( Calendar[Data] ) )

Variatie % =
VAR Cur = SELECTEDMEASURE ()
VAR Ant = CALCULATE ( SELECTEDMEASURE (), SAMEPERIODLASTYEAR ( Calendar[Data] ) )
RETURN DIVIDE ( Cur - Ant, Ant )

SELECTEDMEASURE () este măsura pe care o calculează vizualul în acel moment. Pui coloana grupului pe coloanele unei matrice și măsurile pe valori: fiecare măsură apare în cele patru variante.

Cum le creezi: din vizualizarea Model în Power BI Desktop (funcționalitate apărută în 2023, inițial în preview) sau cu Tabular Editor, cum se făcea înainte.

Lucruri de știut:

  • funcționează doar cu măsuri explicite; la adăugarea primului grup, Power BI blochează măsurile implicite;
  • formatul: Variație % trebuie afișat ca procent, chiar dacă măsura de bază e în lei. Folosești expresia de format (format string expression) a elementului;
  • precedența: dacă ai două grupuri (de exemplu, timp și monedă), proprietatea Precedence decide ordinea aplicării;
  • măsurile care conțin deja logică de timp pot interacționa neașteptat cu grupul; se testează atent.

Alternativa mai nouă pentru utilizatori, field parameters, rezolvă altă problemă: alegerea măsurii sau dimensiunii afișate, nu transformarea măsurilor.

Ce urmărește intervievatorul: Se verifică experiența cu modele mari și întreținerea lor. Candidații de nivel mid știu rar de calculation groups și de capcana formatului.

62 Senior

Business-ul vrea clienții împărțiți în segmente după cât au cumpărat (sub 1.000, 1.000 - 5.000, peste 5.000 de lei), dar segmentul trebuie să se recalculeze când utilizatorul schimbă perioada. Cum faci?

Răspuns scurt: O coloană calculată ar fi statică. Creezi un tabel de segmente deconectat, cu limite Min și Max, și o măsură care, pentru fiecare segment din vizual, însumează vânzările clienților al căror total în perioada curentă cade în interval.

O coloană calculată „Segment” în Clienți se calculează la refresh, pe toată istoria, deci nu răspunde la slicerul de perioadă. Soluția este segmentarea dinamică, cu un tabel deconectat:

Segmente =
DATATABLE (
    "Segment", STRING, "Min", CURRENCY, "Max", CURRENCY, "Ordine", INTEGER,
    {
        { "Sub 1.000", 0, 1000, 1 },
        { "1.000 - 5.000", 1000, 5000, 2 },
        { "Peste 5.000", 5000, 999999999, 3 }
    }
)

Tabelul nu are relații. Pui Segmente[Segment] pe axa graficului și măsura:

Vanzari pe segment =
CALCULATE (
    [Vanzari],
    FILTER (
        VALUES ( Clienti[ID_Client] ),
        VAR v = [Vanzari]
        RETURN
            NOT ISEMPTY (
                FILTER ( Segmente, v >= Segmente[Min] && v < Segmente[Max] )
            )
    )
)

Cum funcționează:

  • pe bara „1.000 - 5.000”, tabelul Segmente e filtrat la acel rând;
  • FILTER parcurge clienții; pentru fiecare, [Vanzari] se calculează în perioada din slicer, prin tranziție de context;
  • se păstrează clienții al căror total cade în intervalul segmentului curent; CALCULATE însumează doar vânzările lor.

Analog, Nr clienti pe segment folosește COUNTROWS pe același FILTER.

Detalii:

  • intervalele sunt închise la stânga și deschise la dreapta, ca un client să nu cadă în două segmente;
  • sortezi Segment după Ordine;
  • la total, filtrul pe Segmente lipsește, deci toate segmentele sunt vizibile și fiecare client e inclus o singură dată: totalul rămâne corect;
  • pe multe milioane de clienți, iterația costă; se poate optimiza cu variabile de tabel și ADDCOLUMNS.

Aceeași tehnică rezolvă benzi de vechime, de preț sau de frecvență.

Ce urmărește intervievatorul: Întrebare senior de modelare DAX. Se verifică tabelele deconectate și înțelegerea diferenței dintre logica statică și cea dinamică.

Eroarea, în practică:Măsura nu se poate pune în slicer sau pe axă

Calendar și time intelligence

Exersează capitolul cu exerciții reale: Curs Power BI pentru începători →
63 Junior

Ai pus pe axa unui grafic coloana Luna (Ian, Feb, Mar...) din calendar și lunile apar în ordine alfabetică. Cum repari? Ce eroare poate apărea la reparare?

Răspuns scurt: Selectezi coloana Luna și setezi Sortare după coloană pe o coloană numerică, LunaNr. Dacă alegi o coloană de sortare care are mai multe valori pentru aceeași lună (de exemplu Data), Power BI refuză, pentru că sortarea cere o corespondență unu-la-unu.

Coloanele text se sortează alfabetic: Apr, Aug, Dec, Feb... Soluția este Sortare după coloană (Sort by column):

  • în vizualizarea Tabel sau Model selectezi coloana Calendar[Luna];
  • din Instrumente coloană, Sortare după coloană, alegi Calendar[LunaNr] (1-12).

Din acel moment, orice vizual care folosește Luna o ordonează după LunaNr. Trebuie apoi să setezi și sortarea vizualului pe axă (meniul „...”, Sortare axă, Luna, crescător), altfel graficul se poate sorta după valoare.

Regula impusă de Power BI: fiecare valoare a coloanei sortate trebuie să corespundă unei singure valori a coloanei de sortare. Dacă încerci să sortezi Luna după Data, apare eroarea că nu poți sorta după o coloană care are mai multe valori pentru aceeași valoare din Luna („Ian” are 31 de date). La fel, dacă ai o coloană „Luna an” (Ian 2025) sortată după LunaNr, Ian 2025 și Ian 2026 au același număr, ceea ce merge, dar ordinea dintre ani e greșită; corect sortezi după o coloană AnLuna (202501).

Aceeași tehnică se aplică pentru:

  • zilele săptămânii (Luni ... Duminică) după ZiSaptNr;
  • trimestre scrise ca text;
  • categorii cu o ordine de business (Mic, Mediu, Mare) după o coloană Ordine.

Coloana de sortare se poate ascunde din raport, dar nu se poate șterge, iar ea devine parte din interogările vizualului. Un detaliu care surprinde: unele măsuri cu ALL pe Luna se comportă diferit, pentru că vizualul filtrează și coloana de sortare; atunci incluzi în ALL ambele coloane.

Ce urmărește intervievatorul: Se verifică o problemă practică întâlnită de oricine a construit un raport. Greșeala tipică este sortarea după o coloană fără corespondență unu-la-unu.

Eroarea, în practică:Lunile apar în ordine alfabeticăWe can't sort the column by another column

64 Junior

Scrie în DAX un tabel calendar care acoperă anii din vânzări și are coloanele An, Lună (nume), LunăNr, AnLună și Trimestru. De ce nu folosești pur și simplu CALENDARAUTO()?

Răspuns scurt: Folosești ADDCOLUMNS peste CALENDAR, cu limitele luate din vânzări și rotunjite la ani compleți. CALENDARAUTO scanează toate coloanele de dată din model, deci o dată de naștere sau o dată greșită îți lungește calendarul.

Un calendar DAX tipic:

Calendar =
VAR Inceput = DATE ( YEAR ( MIN ( Vanzari[Data] ) ), 1, 1 )
VAR Sfarsit = DATE ( YEAR ( MAX ( Vanzari[Data] ) ), 12, 31 )
RETURN
    ADDCOLUMNS (
        CALENDAR ( Inceput, Sfarsit ),
        "An", YEAR ( [Date] ),
        "LunaNr", MONTH ( [Date] ),
        "Luna", FORMAT ( [Date], "mmm", "ro-RO" ),
        "AnLuna", YEAR ( [Date] ) * 100 + MONTH ( [Date] ),
        "Trimestru", "T" & QUARTER ( [Date] ),
        "ZiSaptNr", WEEKDAY ( [Date], 2 )
    )

Observații:

  • CALENDAR ( început, sfârșit ) întoarce o coloană numită Date cu toate zilele, fără goluri;
  • calendarul acoperă ani compleți, cerință pentru ca funcțiile de time intelligence să se comporte corect;
  • WEEKDAY ( data, 2 ) numerotează de luni (1) până duminică (7), cum se obișnuiește în România;
  • după creare, sortezi Luna după LunaNr și marchezi tabelul ca tabel de date.

CALENDARAUTO ( [luna_sfârșit_an_fiscal] ) scanează toate coloanele de tip dată din model (cu excepția coloanelor și tabelelor calculate) și construiește calendarul de la începutul primului an până la sfârșitul ultimului. Problema: o coloană DataNasterii din Clienți sau o dată introdusă greșit (01.01.1900) extinde calendarul cu zeci de ani. Funcționează, dar slicerele de an arată ani fără sens. Dacă știi exact ce coloană contează, CALENDAR cu limite explicite e mai sigur.

Alternativa des preferată în proiecte: calendarul vine din data warehouse sau se construiește în Power Query, unde poate fi refolosit în dataflow-uri. Varianta DAX e însă cerută des la interviuri.

Ce urmărește intervievatorul: Se verifică dacă poți construi singur un calendar corect. Greșeala tipică este un calendar cu goluri sau doar cu datele din vânzări, nu cu ani compleți.

Eroarea, în practică:The start date in Calendar function can not be laterCalendarul nu acoperă toate datele

65 Junior

Ce este opțiunea Auto date/time din Power BI Desktop și de ce mulți dezvoltatori o dezactivează?

Răspuns scurt: Auto date/time creează, pentru fiecare coloană de dată, un tabel calendar ascuns cu ierarhia An, Trimestru, Lună, Zi. E comod, dar mărește modelul, nu permite atribute proprii și nu filtrează mai multe tabele deodată.

Când opțiunea Auto date/time (Dată/oră automată, din Opțiuni, Încărcare date) e activă, Power BI generează pentru fiecare coloană de tip dată din model un tabel ascuns (LocalDateTable_...) și o relație cu el. Așa apare ierarhia „Data, An, Trimestru, Lună, Zi” când tragi o dată într-un vizual.

De ce e o problemă în modele reale:

  • mărime: un tabel ascuns pe fiecare coloană de dată, inclusiv DataNasterii, DataUltimeiModificari, DataLivrare. Fiecare acoperă ani compleți între data minimă și cea maximă, deci o dată greșită din 1900 produce un tabel uriaș;
  • fiecare tabel filtrează doar coloana lui: un slicer pe anul din DataComanda nu filtrează bugetul sau retururile, pentru că fiecare are propriul calendar ascuns. Un calendar comun, legat de toate faptele, filtrează tot;
  • fără atribute proprii: nu ai an fiscal, săptămână ISO, sărbători legale, zile lucrătoare, nume de lună în română;
  • DAX-ul scris pe ierarhia automată folosește sintaxa Vanzari[Data].[Date], mai greu de citit și de mutat pe alt model.

Ce faci:

  • creezi un tabel calendar propriu, îl legi de toate faptele și îl marchezi ca tabel de date;
  • dezactivezi opțiunea pentru fișierul curent (Opțiuni, Fișier curent, Încărcare date) și, opțional, global, pentru fișierele noi.

Opțiunea rămâne utilă pentru o analiză rapidă pe un singur tabel, de exemplu o explorare de cinci minute pe un CSV. În orice model care va fi publicat, un calendar explicit e standardul.

Ce urmărește intervievatorul: Se verifică dacă știi ce se întâmplă în spatele ierarhiei automate. Greșeala tipică este să lași opțiunea activă într-un model cu multe coloane de dată.

66 Junior

Ce înseamnă „Marcare ca tabel de date” (Mark as date table), ce condiții trebuie să îndeplinească tabelul și ce se schimbă după marcare?

Răspuns scurt: Îi spui modelului care tabel e calendarul și care e coloana de dată: de tip dată, unică, fără goluri și fără BLANK. După marcare, time intelligence funcționează corect și când relația e pe o cheie numerică.

Din vizualizarea Tabel, selectezi tabelul calendar, apoi Marcare ca tabel de date și alegi coloana de dată. Power BI verifică:

  • coloana e de tip Date (sau dată și oră, cu ora zero);
  • valorile sunt unice;
  • nu există BLANK;
  • intervalul e continuu, fără zile lipsă.

Dacă o condiție nu e îndeplinită, marcarea e refuzată, cu mesaj.

Ce se schimbă:

  • time intelligence funcționează corect și când relația cu faptele e pe altă coloană, de exemplu o cheie întreagă DataKey = 20250131. Funcțiile ca DATESYTD sau SAMEPERIODLASTYEAR modifică filtrul pe coloana de dată. Pentru ca filtrele existente pe alte coloane ale calendarului (An, Lună) să nu intre în conflict, motorul adaugă automat un REMOVEFILTERS pe tot calendarul. Fără marcare, acest lucru se întâmplă doar dacă relația e chiar pe coloana de tip dată. Cu relație pe cheie numerică și calendar nemarcat, YTD-ul dă rezultate greșite, de exemplu doar luna curentă;
  • tabelul nu mai primește ierarhia Auto date/time;
  • coloana marcată e folosită de unele funcții și vizuale ca referință de timp.

De aceea, în modelele care vin dintr-un data warehouse, unde cheile de dată sunt numerice, marcarea e obligatorie. Și chiar când relația e pe coloana de dată, marcarea e o bună practică: documentează modelul și evită surprizele la o modificare viitoare a relației.

O verificare rapidă când YTD-ul „nu merge”: e calendarul marcat? acoperă ani compleți? relația e activă? Cele trei întrebări rezolvă majoritatea cazurilor.

Ce urmărește intervievatorul: Se verifică ce face efectiv marcarea, nu doar că trebuie făcută. Candidații rareori știu legătura cu relațiile pe chei numerice.

Eroarea, în practică:Date column containing duplicate datesCalendarul nu acoperă toate datele

67 Mid

Firma are anul fiscal între 1 iulie și 30 iunie. Cum calculezi vânzările de la începutul anului fiscal și ce adaugi în calendar ca raportul să fie coerent?

Răspuns scurt: Folosești TOTALYTD sau DATESYTD cu al treilea argument, data de sfârșit a anului: TOTALYTD ( [Vanzari], Calendar[Data], "6/30" ). În calendar adaugi coloane An fiscal și Lună fiscală, sortate corect, ca axele și slicerele să urmeze aceeași logică.

Funcțiile YTD au un argument opțional pentru sfârșitul anului:

Vanzari YTD fiscal =
TOTALYTD ( [Vanzari], Calendar[Data], "6/30" )

sau, echivalent:

Vanzari YTD fiscal =
CALCULATE ( [Vanzari], DATESYTD ( Calendar[Data], "6/30" ) )

Șirul „6/30” indică luna și ziua; anul nu contează. Interpretarea textului poate depinde de setările regionale ale modelului, deci testezi rezultatul la începutul și sfârșitul anului fiscal (iulie și iunie).

Coloane de adăugat în calendar, ca restul raportului să fie coerent:

An fiscal = IF ( MONTH ( Calendar[Data] ) >= 7, YEAR ( Calendar[Data] ) + 1, YEAR ( Calendar[Data] ) )
Luna fiscala nr = MOD ( MONTH ( Calendar[Data] ) - 7, 12 ) + 1

Convenția de numire diferă (anul fiscal iulie 2025 - iunie 2026 poate fi „AF2026” sau „2025/26”), așa că o confirmi cu departamentul financiar. Apoi:

  • sortezi numele lunii fiscale după Luna fiscala nr, ca iulie să apară prima;
  • slicerul de an folosește An fiscal, nu anul calendaristic;
  • calendarul acoperă ani fiscali compleți (de la 1 iulie la 30 iunie), ca funcțiile să aibă intervalul întreg.

Pentru comparația cu anul fiscal precedent, SAMEPERIODLASTYEAR funcționează la fel, pentru că mută datele cu un an. Pentru QTD fiscal, trimestrele calendaristice nu se potrivesc dacă anul fiscal nu începe la început de trimestru; aici ajută o coloană Trimestru fiscal și un calcul pe baza ei.

Dacă anul fiscal nu e bazat pe luni calendaristice (de exemplu 4-4-5 săptămâni), funcțiile standard nu mai ajută și treci la calcule pe coloane din calendar.

Ce urmărește intervievatorul: Se verifică time intelligence pe un caz real, nu de manual. Greșeala tipică este calendarul fără an fiscal, care face axele și slicerele inconsecvente cu măsura.

Eroarea, în practică:TOTALYTD se resetează în ianuarie (an fiscal)

68 Mid

Ce diferență este între CALCULATE ( [Vanzari], DATEADD ( Calendar[Data], -1, MONTH ) ) și CALCULATE ( [Vanzari], PREVIOUSMONTH ( Calendar[Data] ) )? Când dau rezultate diferite?

Răspuns scurt: DATEADD mută setul de date din context cu o lună în urmă, deci păstrează forma selecției. PREVIOUSMONTH întoarce luna completă de dinaintea primei date din context. Pe un rând lunar dau același rezultat; pe zile sau pe o selecție parțială diferă.

DATEADD ( Calendar[Data], -1, MONTH ) ia datele vizibile în context și le mută cu o lună:

  • pe un rând „martie 2025” obții 1-31 februarie 2025 (DATEADD se ocupă de lunile mai scurte);
  • pe un rând „15 martie” obții 15 februarie;
  • pe o selecție 1-10 martie obții 1-10 februarie.

PREVIOUSMONTH ( Calendar[Data] ) întoarce toată luna dinaintea primei date din context:

  • pe „martie 2025” obții tot februarie, la fel ca DATEADD;
  • pe „15 martie” obții tot februarie, deci fiecare zi din martie arată totalul lunii februarie;
  • pe un rând de an, „2025”, obții decembrie 2024, ceea ce rar e ce vrei.

Când folosești fiecare:

  • DATEADD pentru comparații „aceeași perioadă, cu o lună în urmă”, la orice nivel; e mai general și se folosește și cu YEAR sau QUARTER;
  • PREVIOUSMONTH când vrei explicit „luna trecută întreagă”, de exemplu un card „Vânzări luna trecută”, indiferent de zilele selectate.

O măsură de variație lună la lună:

Variatie MoM % =
VAR Cur = [Vanzari]
VAR Ant = CALCULATE ( [Vanzari], DATEADD ( Calendar[Data], -1, MONTH ) )
RETURN
    IF ( NOT ISBLANK ( Cur ) && NOT ISBLANK ( Ant ), DIVIDE ( Cur - Ant, Ant ) )

Condiții pentru ambele: un calendar continuu, marcat ca tabel de date, cu relație cu faptele. Fără un calendar complet, DATEADD poate întoarce rezultate incomplete, pentru că lucrează cu datele existente în coloană.

Ce urmărește intervievatorul: Se verifică înțelegerea precisă a funcțiilor de time intelligence. Mulți candidați le consideră interschimbabile până văd raportul pe zile.

69 Mid

Scrie o măsură pentru totalul cumulat (running total) al vânzărilor de la începutul istoricului, afișat pe luni. Cum eviți ca linia să continue în lunile viitoare?

Răspuns scurt: Iei cea mai mare dată din context și calculezi vânzările pentru toate datele până la ea, eliminând filtrul pe calendar. Pentru lunile viitoare, întorci BLANK dacă data curentă e după ultima dată cu vânzări.

Măsura:

Vanzari cumulat =
VAR DataCurenta = MAX ( Calendar[Data] )
VAR UltimaVanzare = CALCULATE ( MAX ( Vanzari[Data] ), REMOVEFILTERS ( Calendar ) )
RETURN
    IF (
        MIN ( Calendar[Data] ) <= UltimaVanzare,
        CALCULATE (
            [Vanzari],
            Calendar[Data] <= DataCurenta,
            REMOVEFILTERS ( Calendar )
        )
    )

Cum funcționează:

  • DataCurenta este ultima zi a lunii de pe rând (de exemplu, 31 martie 2025);
  • REMOVEFILTERS ( Calendar ) elimină filtrele pe calendar (lună, an), iar Calendar[Data] <= DataCurenta păstrează toate zilele până la acea dată. Filtrul boolean poate folosi variabila, pentru că valoarea ei e deja calculată;
  • IF-ul întoarce BLANK pentru lunile care încep după ultima vânzare, deci linia se oprește. Fără el, calendarul cu ani compleți ar afișa o linie plată până în decembrie.

Variante după cerință:

  • cumulat din anul curent: CALCULATE ( [Vanzari], DATESYTD ( Calendar[Data] ) );
  • cumulat care respectă slicerul de an, dar începe din prima lună selectată: în loc de REMOVEFILTERS, folosești ALLSELECTED ( Calendar );
  • cumulat pe o altă ordine decât timpul (de exemplu, analiză Pareto pe produse): se face cu RANKX sau cu o comparație pe valoare, nu pe dată.

Pe modele mari, cumulatul de la începutul istoricului poate fi costisitor, pentru că fiecare punct recalculează tot intervalul. Pentru vizuale cu multe puncte merită testat cu Performance Analyzer, iar uneori ajută o variantă cu funcții fereastră (WINDOW), disponibile din 2022.

Ce urmărește intervievatorul: Se verifică un exercițiu DAX foarte frecvent la interviuri. Greșeala tipică este omiterea eliminării filtrului pe calendar sau linia care continuă în viitor.

Eroarea, în practică:Totalul cumulat = valoarea lunii (lipsește ALL)

70 Mid

Scrie o măsură pentru media mobilă a vânzărilor pe ultimele 3 luni, afișată pe un grafic lunar. Ce faci cu primele luni din istoric, unde nu ai încă 3 luni?

Răspuns scurt: Folosești DATESINPERIOD pentru a lua ultimele 3 luni până la data curentă și AVERAGEX peste lunile din acel interval. Pentru primele luni verifici numărul de luni cu date și întorci BLANK dacă sunt mai puțin de 3.

Măsura:

Medie mobila 3 luni =
VAR Perioada =
    DATESINPERIOD ( Calendar[Data], MAX ( Calendar[Data] ), -3, MONTH )
VAR Medie =
    CALCULATE ( AVERAGEX ( VALUES ( Calendar[AnLuna] ), [Vanzari] ), Perioada )
VAR LuniCuDate =
    CALCULATE ( COUNTROWS ( FILTER ( VALUES ( Calendar[AnLuna] ), [Vanzari] > 0 ) ), Perioada )
RETURN
    IF ( LuniCuDate = 3, Medie )

Pas cu pas:

  • DATESINPERIOD ( coloană, dată_final, -3, MONTH ) întoarce zilele din cele 3 luni care se termină la data curentă. Pe rândul „martie 2025”, cu MAX = 31 martie, obții 1 ianuarie - 31 martie;
  • folosit ca filtru în CALCULATE, intervalul înlocuiește filtrul lunii de pe rând;
  • AVERAGEX ( VALUES ( Calendar[AnLuna] ), [Vanzari] ) iterează cele 3 luni și face media totalurilor lunare, prin tranziție de context, nu media zilnică;
  • LuniCuDate numără, în același interval, lunile care au vânzări. În primele două luni ale istoricului sunt mai puțin de 3, deci măsura întoarce BLANK în loc de o medie făcută pe mai puține luni, care ar fi înșelătoare.

Detalii:

  • AVERAGEX ignoră lunile cu BLANK; dacă o lună fără vânzări trebuie să intre ca 0, scrii [Vanzari] + 0 și renunți la verificare sau o adaptezi;
  • pentru lunile viitoare, MAX ( Calendar[Data] ) există în calendar, deci adaugi aceeași protecție ca la totalul cumulat, pe baza ultimei date cu vânzări.

Alternativ, o fereastră de 90 de zile: DATESINPERIOD ( ..., -90, DAY ).

Ce urmărește intervievatorul: Se verifică time intelligence cu ferestre mobile și atenția la marginile intervalului. Greșeala tipică este media zilnică în loc de media lunilor.

71 Senior

Raportul arată Vânzări YTD și Vânzări YTD an trecut. Suntem pe 15 octombrie, iar la nivel de an, comparația arată o scădere mare față de anul trecut. Unde e problema și cum o repari?

Răspuns scurt: La nivel de an, contextul conține tot anul, deci măsura de an trecut ia tot anul trecut, iar anul curent are date doar până pe 15 octombrie. Repari marcând în calendar datele până la ultima vânzare și filtrând pe ele.

Cauza: pe rândul „2026”, contextul conține toate datele din 2026 (calendarul are an complet). SAMEPERIODLASTYEAR sau DATEADD ( ..., -1, YEAR ) întoarce deci tot anul 2025, de la 1 ianuarie la 31 decembrie. Anul curent are însă vânzări doar până pe 15 octombrie. Compari nouă luni și jumătate cu douăsprezece luni, iar scăderea e artificială. Același efect apare pe trimestrul și luna curentă.

Soluția recomandată: o coloană calculată în calendar care marchează zilele până la ultima vânzare:

DateCuVanzari =
Calendar[Data] <= MAX ( Vanzari[Data] )

Într-o coloană calculată, MAX ( Vanzari[Data] ) vede tot tabelul, deci dă ultima dată cu vânzări din model. Apoi, în măsura de an trecut, restrângi datele curente înainte de a le muta:

Vanzari AT =
CALCULATE (
    [Vanzari],
    CALCULATETABLE (
        DATEADD ( Calendar[Data], -1, YEAR ),
        Calendar[DateCuVanzari] = TRUE
    )
)

Pe rândul 2026 se mută doar 1 ianuarie - 15 octombrie 2026, deci obții 1 ianuarie - 15 octombrie 2025. Comparația devine corectă.

Extra:

  • măsura curentă poate întoarce BLANK pe lunile viitoare, iar cea de an trecut, cu aceeași restricție, nu mai afișează noiembrie și decembrie 2025 lângă luni goale;
  • coloana se recalculează la fiecare refresh, deci se mută odată cu datele;
  • dacă datele vin cu întârziere (de exemplu, ultima zi e incompletă), poți folosi ultima zi completă în locul MAX.

E o problemă reală care ajunge des în fața conducerii, de aceea la interviu merită să spui și cum ai observa-o: o variație suspect de mare chiar la nivelul anului curent.

Ce urmărește intervievatorul: Întrebare de nivel senior despre comparații corecte. Se verifică dacă știi de ce calendarul complet strică comparația pe perioade incomplete.

Eroarea, în practică:YTD continuă pe lunile viitoare (linie dreaptă)

72 Senior

Firma raportează pe săptămâni (săptămâni ISO, de luni până duminică) și vrea „aceeași săptămână de anul trecut” și „săptămâna anterioară”. De ce nu merg bine funcțiile standard de time intelligence și cum rezolvi?

Răspuns scurt: Funcțiile standard lucrează pe zile, luni, trimestre și ani calendaristici, iar săptămânile nu se aliniază cu ele. Adaugi în calendar coloane An ISO, Săptămână ISO și un index secvențial al săptămânii, apoi scrii măsuri care filtrează după index, eliminând celelalte filtre pe calendar.

O săptămână ISO începe luni, iar săptămâna 1 este cea care conține prima joi din an. Consecințe:

  • un an ISO are 52 sau 53 de săptămâni;
  • 29-31 decembrie pot aparține săptămânii 1 din anul următor, iar 1-3 ianuarie săptămânii 52 sau 53 din anul anterior;
  • SAMEPERIODLASTYEAR mută datele cu un an calendaristic, deci săptămâna 10 din 2026 (luni-duminică) devine un interval care începe într-o altă zi a săptămânii, iar comparația amestecă zile lucrătoare cu weekenduri.

Soluția: atribute în calendar, ideal calculate în sursă sau în Power Query:

  • AnISO, SaptISO (în DAX, WEEKNUM ( Calendar[Data], 21 ) dă săptămâna ISO);
  • SaptIndex: un număr secvențial, crescător, unic pe săptămână, de exemplu RANKX după (AnISO, SaptISO) sau calculat în Power Query.

Măsurile:

Vanzari sapt anterioara =
VAR Idx = MAX ( Calendar[SaptIndex] )
RETURN
    CALCULATE ( [Vanzari], REMOVEFILTERS ( Calendar ), Calendar[SaptIndex] = Idx - 1 )

Vanzari aceeasi sapt AT =
VAR An = MAX ( Calendar[AnISO] )
VAR Sapt = MAX ( Calendar[SaptISO] )
RETURN
    CALCULATE ( [Vanzari], REMOVEFILTERS ( Calendar ),
        Calendar[AnISO] = An - 1, Calendar[SaptISO] = Sapt )

Capcane: săptămâna 53 nu există în anul anterior, deci întoarce BLANK, iar business-ul trebuie să decidă cu ce se compară. Același principiu se aplică la calendarele de retail 4-4-5.

În 2025, Microsoft a introdus în preview time intelligence bazată pe calendare definite de utilizator, care acoperă astfel de cazuri; dacă versiunea folosită o are, merită evaluată, dar tiparul cu index rămâne cel mai portabil.

Ce urmărește intervievatorul: Întrebare de nivel senior despre calendare nestandard. Se verifică dacă știi limitele funcțiilor de time intelligence și tiparul cu index.

Vizualizări și interactivitate

73 Junior

Ce tip de vizual alegi pentru: evoluția vânzărilor pe 24 de luni, clasamentul celor 15 magazine, ponderea a 3 canale de vânzare și realizarea față de țintă? Când e potrivită o diagramă circulară?

Răspuns scurt: Linie pentru evoluție în timp, bare orizontale sortate pentru clasament, bare stivuite 100% sau, pentru 2-3 categorii, o diagramă circulară sau inelară pentru pondere, și un card cu țintă, KPI sau gauge pentru realizare. Diagrama circulară merge doar pentru puține părți ale unui întreg.

Regula: alegi vizualul după întrebarea la care răspunde.

  • Evoluție în timp (24 de luni): grafic cu linii (line chart). Ochiul urmărește tendința și sezonalitatea. Coloanele merg pentru puține perioade; pe 24 de puncte devin aglomerate. Pentru comparație cu anul trecut, două linii pe aceeași axă;
  • Clasament (15 magazine): bare orizontale, sortate descrescător. Numele lungi încap pe axa verticală, iar ordinea arată imediat primul și ultimul. Pentru mai multe elemente, Top N plus restul;
  • Pondere (3 canale): pentru un singur moment, o diagramă circulară sau inelară e acceptabilă; pentru pondere în timp, coloane stivuite 100%. Peste 4-5 felii, ochiul nu mai compară corect unghiurile și suprafețele, iar barele sunt mai clare;
  • Realizare față de țintă: card cu valoarea și procentul realizării, vizualul KPI (valoare, țintă, tendință) sau un gauge când ai un singur indicator. Pentru mai multe magazine, bare cu linie de țintă (combo) sau bullet chart.

Alte alegeri frecvente:

  • tabel pentru detaliu și valori exacte, matrice pentru încrucișări (regiune pe luni);
  • hartă doar dacă geografia contează pentru decizie, nu ca decor;
  • scatter pentru relația dintre două măsuri (preț și cantitate, de exemplu);
  • waterfall pentru explicarea unei diferențe (de la profitul de anul trecut la cel de anul acesta).

Ce să eviți: 3D, diagrame circulare cu 12 felii, axe care nu încep de la zero la bare, prea multe culori fără sens. La interviu, explici alegerea prin întrebarea utilizatorului, nu prin gust.

Ce urmărește intervievatorul: Se verifică judecata vizuală, cerută la orice rol de raportare. Greșeala tipică este diagrama circulară folosită pentru multe categorii sau pentru evoluții.

74 Junior

Când folosești un vizual Tabel și când o Matrice? Cum arăți în matrice totaluri pe regiuni și detaliu pe orașe?

Răspuns scurt: Tabelul arată liste plate, cu o coloană pe câmp, potrivite pentru detaliu și export. Matricea grupează pe rânduri și coloane, cu subtotaluri și drill-down, ca un pivot. Pentru regiuni și orașe pui ambele câmpuri pe Rânduri și extinzi ierarhia, cu subtotaluri activate.

Tabel (Table): fiecare câmp e o coloană, fiecare combinație de valori un rând. E potrivit pentru:

  • liste de detaliu (comenzi, clienți, facturi);
  • valori exacte pe care utilizatorul vrea să le caute sau să le exporte;
  • câteva măsuri alăturate pe un singur nivel.

Matrice (Matrix): echivalentul unui tabel pivot. Are zone pentru Rânduri, Coloane și Valori. E potrivită pentru:

  • încrucișări, de exemplu regiuni pe rânduri și luni pe coloane;
  • ierarhii cu subtotaluri;
  • formatare condiționată tip hartă termică pe celule.

Pentru regiuni și orașe:

  • pui Magazine[Regiune] și apoi Magazine[Oras] pe Rânduri;
  • folosești butoanele de drill-down sau „Extindere la nivelul următor” (Expand all down one level), ori semnul plus de lângă fiecare regiune;
  • în Format, la Subtotaluri rânduri, alegi dacă subtotalul apare deasupra sau dedesubt și pe ce niveluri;
  • pentru o citire mai compactă, Layout, Stepped (în trepte) indentează orașele sub regiuni într-o singură coloană.

Lucruri de știut:

  • subtotalurile matricei sunt calculate de măsură în contextul subtotalului, nu prin adunare, deci pentru măsuri neaditive pot diferi de suma rândurilor;
  • prea multe niveluri sau coloane fac matricea greu de citit; mai bine o pagină de drill-through pentru detaliu;
  • dacă ai multe măsuri, le poți afișa pe rânduri cu opțiunea „Switch values to rows”.

Regula: tabel pentru „caut un rând anume”, matrice pentru „compar grupuri și subtotaluri”.

Ce urmărește intervievatorul: Se verifică diferența practică dintre vizualele tabelare. Greșeala tipică este o matrice cu zeci de coloane, pe care nimeni nu o mai citește.

Eroarea, în practică:Matricea arată doar primul nivel (neextinsă)Matricea nu arată subtotaluri și Total

75 Junior

Explică diferența dintre filtrele la nivel de vizual, de pagină și de raport. Când folosești panoul de filtre și când un slicer?

Răspuns scurt: Filtrul de vizual afectează un grafic, cel de pagină toată pagina, iar cel de raport toate paginile. Slicerul e un filtru vizibil pe pânză; panoul de filtre e bun pentru filtre fixe sau secundare, care pot fi blocate ori ascunse.

Niveluri de filtre, în panoul Filtre:

  • Filtre pe acest vizual: doar graficul selectat. Exemplu: un grafic „doar comenzi online”;
  • Filtre pe această pagină: toate vizualele de pe pagină. Exemplu: pagina „Regiunea Nord”;
  • Filtre pe toate paginile: tot raportul. Exemplu: excluderea comenzilor de test sau a magazinelor închise.

Filtrele se combină: un vizual vede intersecția filtrelor de raport, pagină și vizual, plus slicerele și filtrarea încrucișată.

Slicer sau panou de filtre?

  • slicerul e vizibil, ocupă loc pe pânză și e intuitiv: utilizatorul vede imediat ce e selectat. Potrivit pentru 2-4 dimensiuni folosite des (perioadă, regiune, canal);
  • panoul de filtre nu ocupă spațiu, permite filtre avansate (Top N, condiții pe măsuri, „conține”) și e bun pentru dimensiuni folosite rar;
  • în panoul de filtre poți bloca un filtru (utilizatorul îl vede, dar nu îl poate schimba) sau ascunde un filtru (pentru reguli tehnice). Filtrele ascunse sunt o sursă clasică de confuzie, așa că le documentezi.

Detalii practice:

  • slicerele pot fi sincronizate între pagini (Sync slicers), astfel încât selecția de perioadă să se păstreze la navigare;
  • un filtru pe o măsură (de exemplu, Vânzări > 0) se poate pune doar la nivel de vizual;
  • filtrele de raport nu sunt securitate: un utilizator cu drept de editare sau cu „Analyze in Excel” vede datele. Pentru restricții reale se folosește RLS.

Un răspuns bun pomenește și ce vede utilizatorul: dacă un filtru schimbă cifrele, el trebuie să fie vizibil sau menționat în titlu.

Ce urmărește intervievatorul: Se verifică înțelegerea ierarhiei filtrelor și a experienței utilizatorului. Greșeala tipică este folosirea filtrelor ascunse ca formă de securitate.

Eroarea, în practică:Filtru uitat în panoul Filtre (vizual, pagină)

76 Junior

Când utilizatorul dă clic pe o bară dintr-un grafic, celelalte vizuale de pe pagină se schimbă. Cum se numește acest comportament, ce variante are și cum oprești un vizual să fie filtrat?

Răspuns scurt: Este interacțiunea dintre vizuale: filtrare încrucișată (cross-filter) sau evidențiere încrucișată (cross-highlight). O controlezi din Format, Editare interacțiuni, unde alegi pentru fiecare vizual țintă Filtrare, Evidențiere sau Niciuna.

Implicit, o selecție într-un vizual devine filtru pentru celelalte vizuale de pe pagină. Există două moduri:

  • filtrare încrucișată (cross-filter): vizualul țintă afișează doar datele selecției. Un card cu vânzări arată doar valoarea categoriei pe care ai dat clic;
  • evidențiere încrucișată (cross-highlight): graficele cu bare sau coloane păstrează totalul în culoare estompată și evidențiază partea selecției. E utilă pentru a vedea ponderea din total.

Cum controlezi comportamentul:

  • selectezi vizualul sursă (cel pe care se dă clic);
  • Format, Editare interacțiuni (Edit interactions);
  • pe fiecare vizual țintă apar pictograme: Filtrare, Evidențiere, Niciuna. Alegi pentru fiecare.

Exemple practice:

  • un card „Vânzări totale” care trebuie să rămână fix, ca reper: îl setezi pe Niciuna față de toate graficele;
  • un slicer de an care nu trebuie să afecteze un grafic de tendință pe mai mulți ani: setezi Niciuna pentru acel grafic;
  • un grafic pe regiuni și unul pe categorii: evidențierea arată cât din fiecare categorie vine din regiunea aleasă.

Alte detalii:

  • Ctrl + clic permite selecția multiplă;
  • în opțiunile raportului poți schimba comportamentul implicit în filtrare peste tot, în loc de evidențiere;
  • interacțiunile sunt setate pe pagină, deci trebuie verificate pe fiecare pagină;
  • o interacțiune setată pe Niciuna explică uneori „măsura care nu se schimbă la clic”, o întrebare frecventă de la utilizatori.

La depanarea unui raport moștenit, Editare interacțiuni e unul dintre primele locuri în care te uiți.

Ce urmărește intervievatorul: Se verifică dacă știi controla interactivitatea raportului. Mulți candidați nu știu că interacțiunile se pot configura pentru fiecare pereche de vizuale.

77 Junior

Ce diferență este între drill-down și drill-through? Cum configurezi o pagină de drill-through pentru detaliile unui client?

Răspuns scurt: Drill-down coboară în ierarhie în același vizual, de exemplu de la an la lună. Drill-through duce utilizatorul pe altă pagină, filtrată pe elementul ales. Pentru client, faci o pagină de detaliu, pui Clienti[Nume] în zona Drill-through și utilizatorul ajunge acolo cu clic dreapta pe client.

Drill-down lucrează într-un singur vizual cu mai multe niveluri pe axă (de exemplu An, Trimestru, Lună sau Categorie, Subcategorie, Produs). Cu săgețile din antetul vizualului:

  • săgeata în jos activează modul drill: clic pe o bară coboară la nivelul următor doar pentru acea valoare;
  • două săgeți (Go to next level) trec tot vizualul la nivelul următor;
  • furculița (Expand all down one level) arată ambele niveluri combinate.

Drill-through duce utilizatorul pe o pagină separată, de detaliu, filtrată pe elementul ales. Configurare pentru clienți:

  • creezi pagina „Detaliu client”, cu cardurile, istoricul comenzilor, produsele cumpărate;
  • în panoul Vizualizări, la Drill-through, adaugi câmpul Clienti[Nume] (sau, mai sigur, ID-ul clientului);
  • Power BI adaugă automat un buton Înapoi pe pagină;
  • opțiunea „Keep all filters” decide dacă filtrele de pe pagina sursă (perioadă, regiune) se păstrează;
  • din orice vizual care conține câmpul client, clic dreapta, Drill-through, Detaliu client.

Bune practici:

  • ascunzi pagina de drill-through din navigare, pentru că fără context nu are sens;
  • pui un titlu dinamic, de exemplu „Client: ” plus SELECTEDVALUE ( Clienti[Nume] ), ca să fie clar unde e utilizatorul;
  • poți adăuga un buton cu acțiune drill-through, ca utilizatorii să nu fie nevoiți să știe de clic dreapta.

Există și drill-through între rapoarte (cross-report), activat din opțiuni, când detaliul stă într-un raport separat din același workspace.

Ce urmărește intervievatorul: Se verifică două funcționalități confundate frecvent. Greșeala tipică este o pagină de drill-through fără titlu dinamic, în care utilizatorul nu știe ce filtru e activ.

78 Junior

Ce sunt bookmarks (marcajele) în Power BI? Dă un exemplu de folosire pentru a comuta între un grafic și un tabel cu același conținut.

Răspuns scurt: Un bookmark salvează starea unei pagini: filtrele, selecțiile, vizualele vizibile sau ascunse și pagina curentă. Pentru comutare pui graficul și tabelul unul peste altul, creezi două bookmarks, fiecare cu un singur vizual vizibil, și le legi de două butoane.

Un bookmark (marcaj) reține starea curentă a raportului. La creare poți alege ce reține:

  • Date (Data): filtrele, slicerele, sortarea și drill-ul;
  • Afișare (Display): ce vizuale sunt vizibile sau ascunse, din panoul Selecție (Selection);
  • Pagina curentă;
  • opțional, doar pentru vizualele selectate, nu pentru toată pagina.

Exemplu: comutare între grafic și tabel.

  • pui pe pagină graficul cu bare și tabelul cu aceleași date, suprapuse, de aceeași mărime;
  • din panoul Selecție ascunzi tabelul și creezi bookmark-ul „Vedere grafic”;
  • ascunzi graficul, afișezi tabelul și creezi „Vedere tabel”;
  • la ambele bookmarks debifezi Date: altfel, la comutare, se resetează și filtrele alese de utilizator între timp;
  • adaugi două butoane (Inserare, Butoane), cu acțiunea Bookmark, câte unul pentru fiecare vedere. Poți folosi și un navigator de bookmarks (Bookmark navigator), care creează automat butoanele.

Alte utilizări:

  • resetarea tuturor filtrelor la starea inițială, cu un buton „Resetează”;
  • panouri de filtre care se deschid și se închid;
  • o „poveste” pas cu pas, prezentată în ședință, cu bookmarks în ordine.

Capcane:

  • un bookmark cu Date bifat suprascrie selecțiile utilizatorului, ceea ce derutează;
  • la adăugarea unui vizual nou, bookmarks existente nu știu de el, deci poate apărea în ambele vederi. Trebuie actualizate;
  • bookmarks personale (ale utilizatorului, în Service) sunt diferite de cele create de autor în raport.

Ce urmărește intervievatorul: Se verifică un instrument de interactivitate cerut des la rapoarte de management. Greșeala tipică este bookmark-ul cu Date bifat, care resetează filtrele la fiecare comutare.

79 Junior

Cum colorezi automat cu roșu barele magazinelor care sunt sub țintă și cu verde pe cele peste țintă, astfel încât regula să rămână valabilă pe orice filtru?

Răspuns scurt: Folosești formatarea condiționată a culorii barelor (butonul fx), fie cu reguli pe valoarea unei măsuri, fie, mai flexibil, cu o măsură care întoarce codul culorii. Pentru că se bazează pe măsuri, culoarea se recalculează la fiecare filtru.

Două variante, ambele din Format, Coloane (sau Bare), Culoare, butonul fx:

Varianta 1, reguli (Rules): alegi o măsură, de exemplu Realizare %, și definești intervale: dacă e mai mică de 1, roșu; dacă e de la 1 în sus, verde. Simplu, dar regula stă în setările vizualului și trebuie refăcută în fiecare vizual.

Varianta 2, valoarea câmpului (Field value): scrii o măsură care întoarce culoarea, ca text hex sau nume de culoare:

Realizare % = DIVIDE ( [Vanzari], [Tinta] )

Culoare realizare =
SWITCH (
    TRUE (),
    ISBLANK ( [Realizare %] ), "#9E9E9E",
    [Realizare %] < 1, "#C0392B",
    "#2E7D32"
)

Apoi la fx alegi Format style: Field value și măsura Culoare realizare. Avantajele:

  • regula e într-un singur loc și se aplică în orice vizual (bare, text în tabele, fundal de celule);
  • poate conține logică mai complexă, de exemplu altă țintă pe regiune;
  • e documentată ca măsură, deci se vede la revizuirea modelului.

Unde se aplică formatarea condiționată:

  • culoarea barelor și a marcatorilor;
  • fundalul, culoarea fontului, bare de date și pictograme în tabele și matrici;
  • titluri și texte de butoane.

Recomandări:

  • culorile se aleg cu grijă pentru persoanele care nu disting roșu de verde: adaugi și o pictogramă sau o etichetă cu procentul;
  • păstrezi aceleași culori cu același sens în tot raportul;
  • testezi pe total și pe rândurile fără date (aici ajută ramura ISBLANK).

Ce urmărește intervievatorul: Se verifică formatarea condiționată pe măsuri, o cerință comună. Greșeala tipică este colorarea manuală a barelor, care nu mai e corectă la schimbarea filtrelor.

80 Junior

Raportul tău va fi deschis și de pe telefon, și de colegi cu deficiențe de vedere. Ce faci concret ca să fie utilizabil în ambele situații?

Răspuns scurt: Construiești un aspect mobil separat (Mobile layout) pentru paginile importante, cu vizualele cheie în coloană. Pentru accesibilitate folosești contrast suficient, nu te bazezi doar pe culoare, adaugi text alternativ, ordine logică a tabulării și titluri clare.

Pentru telefon, Power BI Desktop are aspectul mobil (View, Mobile layout). Pe o pânză verticală tragi vizualele deja create pe pagină și le aranjezi:

  • pui în față cardurile cu indicatorii principali, apoi 1-2 grafice simple;
  • elimini tabelele late și matricile cu multe coloane, greu de citit pe ecran mic;
  • slicerele pot fi înlocuite cu panoul de filtre sau cu un slicer simplu, de tip listă derulantă;
  • aplicația mobilă Power BI folosește aspectul mobil automat când telefonul e ținut vertical; dacă nu există, afișează pagina normală, micșorată.

Pentru accesibilitate:

  • contrast: textul și elementele importante trebuie să aibă contrast suficient față de fundal. Temele implicite sunt de obicei bune; temele colorate personalizate trebuie verificate;
  • nu te baza doar pe culoare: adaugi etichete de date, pictograme sau forme diferite ale marcatorilor, pentru cei care nu disting anumite culori;
  • text alternativ (Alt text) pe fiecare vizual, citit de cititoarele de ecran; poate fi și dinamic, dintr-o măsură;
  • ordinea tabulării (Tab order, din panoul Selecție), ca navigarea cu tastatura să urmeze logica paginii;
  • titluri clare, care spun ce arată vizualul;
  • dimensiuni de font suficiente; textul de 8 puncte e greu de citit pentru oricine.

Merită verificat raportul cu tastatura și cu un cititor de ecran (de exemplu, Narrator în Windows), plus vizualizarea „Show data” (Alt + Shift + F11), care oferă datele vizualului în formă tabelară.

La interviu, faptul că te gândești la cine folosește raportul spune mult despre maturitatea ta profesională.

Ce urmărește intervievatorul: Se verifică grija pentru utilizatorii reali ai raportului. Mulți candidați nu au folosit niciodată aspectul mobil sau textul alternativ.

81 Junior

Ți se cere o pagină de sinteză pentru conducere. Cum o organizezi ca să fie citită corect în câteva secunde?

Răspuns scurt: Pornești de la 3-5 întrebări ale conducerii. Pui sus cardurile cu indicatorii principali și comparația cu ținta sau anul trecut, la mijloc tendința și principalele explicații, jos detaliul. Folosești puține culori, cu sens, și numere rotunjite, ușor de citit.

O pagină de sinteză bună răspunde la întrebările „cum stăm?”, „față de ce?” și „de ce?”. Structura obișnuită urmează direcția de citire (stânga-sus spre dreapta-jos):

  • sus: 3-5 carduri cu indicatorii cheie (vânzări, marjă, număr de clienți), fiecare cu comparația relevantă: față de țintă, față de anul trecut. Un număr fără reper nu spune dacă e bine sau rău;
  • mijloc: tendința în timp (linie lunară, cu anul trecut ca a doua linie) și o defalcare pe dimensiunea cea mai importantă (regiune, canal);
  • jos sau pe pagini separate: detaliu, accesibil prin drill-through.

Reguli de claritate:

  • numere ușor de citit: 1,2 mil. lei, nu 1.234.567,89 lei; unitățile setate în formatul cardului (Display units);
  • culori cu sens: o culoare de bază, una de accent pentru ce trebuie observat, roșu și verde doar pentru abateri. Aceleași culori pentru aceleași categorii pe toate paginile;
  • titluri care spun concluzia sau măcar ce se arată: „Vânzări lunare față de anul trecut”;
  • aliniere și spațiu: o grilă, margini egale, fără vizuale înghesuite. Fundalul paginii poate avea o temă sau un șablon creat o dată;
  • puține slicere: perioada și eventual o dimensiune; restul în panoul de filtre;
  • textul explicativ scurt, unde e nevoie, de exemplu definiția unei măsuri.

Ce să eviți: zece grafice pe o pagină, efecte 3D, diagrame circulare cu multe felii, culori diferite pentru aceeași categorie, axe care nu încep de la zero la bare.

La un exercițiu de interviu, prezintă pagina ca pe o poveste: indicatorul, comparația, cauza, acțiunea propusă.

Ce urmărește intervievatorul: Se verifică abilitatea de a comunica prin raport, nu doar de a construi vizuale. Greșeala tipică este o pagină plină de grafice fără comparații.

82 Mid

Utilizatorii vor să aleagă singuri dacă un grafic arată vânzările pe Regiune, Categorie sau Canal, fără trei grafice separate. Cum faci?

Răspuns scurt: Folosești field parameters (parametri de câmp): Modelare, Parametru nou, Câmpuri, și alegi cele trei coloane. Power BI creează un tabel și un slicer, iar parametrul pus pe axa graficului schimbă dimensiunea afișată după selecția din slicer.

Field parameters au apărut în Power BI Desktop în 2022. Pași:

  • Modelare, Parametru nou, Câmpuri (Fields);
  • dai un nume, de exemplu „Dimensiune”, și adaugi câmpurile Magazine[Regiune], Produse[Categorie], Vanzari[Canal];
  • bifezi „Adaugă slicer pe această pagină”.

Power BI creează un tabel calculat de forma:

Dimensiune = {
    ( "Regiune", NAMEOF ( 'Magazine'[Regiune] ), 0 ),
    ( "Categorie", NAMEOF ( 'Produse'[Categorie] ), 1 ),
    ( "Canal", NAMEOF ( 'Vanzari'[Canal] ), 2 )
}

Pui coloana parametrului pe axa graficului. Când utilizatorul alege „Categorie” în slicer, graficul se reconstruiește pe categorii.

Același mecanism funcționează și pentru măsuri: un parametru cu [Vanzari], [Profit], [Cantitate], pus pe valori, permite alegerea indicatorului.

Detalii utile:

  • poți edita textele afișate (primul element din fiecare tuplu) și ordinea (al treilea);
  • slicerul poate fi cu selecție unică; cu selecție multiplă, într-o matrice apar mai multe niveluri sau mai multe măsuri simultan;
  • titlul graficului poate fi dinamic, cu SELECTEDVALUE ( Dimensiune[Dimensiune] );
  • formatarea condiționată și sortarea trebuie verificate pentru fiecare variantă, pentru că vizualul se schimbă.

Înainte de field parameters, aceeași cerință se rezolva cu un tabel deconectat și o măsură mare cu SWITCH, mai greu de întreținut. Field parameters nu înlocuiesc calculation groups: ele aleg ce se afișează, nu transformă măsurile.

Ce urmărește intervievatorul: Se verifică o funcționalitate modernă care simplifică rapoartele. Candidații care nu au lucrat pe versiuni recente propun trei grafice și bookmarks.

83 Mid

Ce este o pagină de tooltip (report page tooltip) și când merită folosită în locul tooltip-ului standard?

Răspuns scurt: Este o pagină mică de raport care apare la trecerea mouse-ului peste un punct dintr-un vizual, filtrată pe acel punct. Merită când vrei mai mult decât câteva valori: un mic grafic de tendință, un top 3 sau o comparație, fără să încarci pagina principală.

Tooltip-ul standard arată valorile câmpurilor din vizual și câmpurile adăugate în zona Tooltips. E suficient pentru câteva numere.

O pagină de tooltip e o pagină de raport proiectată ca fereastră mică:

  • creezi o pagină nouă, iar în Format, Informații pagină, activezi Permite utilizarea ca tooltip;
  • la Setări pânză alegi dimensiunea Tooltip (o pagină mică, predefinită) sau una personalizată;
  • pui pe ea vizuale: un card cu marja, un mic grafic cu evoluția pe 12 luni, top 3 produse;
  • opțional, în zona Tooltip a paginii adaugi câmpuri, de exemplu Magazine[Oras], ca pagina să apară automat pe vizualele care conțin acel câmp;
  • în vizualul principal, la Format, Tooltips, alegi tipul Pagină de raport și pagina creată.

La trecerea mouse-ului peste bara „Cluj”, pagina de tooltip este afișată filtrată pe Cluj, cu toate filtrele contextului (perioadă, slicere).

Când merită:

  • vrei context suplimentar fără să aglomerezi pagina: tendința orașului, nu doar valoarea lui;
  • vrei să eviți drill-through-ul pentru o informație rapidă;
  • pe hărți, unde etichetele nu încap.

Atenție:

  • fiecare tooltip rulează interogări la trecerea mouse-ului; vizualele grele pe pagina de tooltip fac raportul să pară lent;
  • pe ecranele tactile, tooltip-ul apare la atingere și poate fi incomod;
  • ascunzi pagina de tooltip din navigare.

Combinată cu drill-through, pagina de tooltip dă utilizatorului două niveluri: o privire rapidă la hover și detaliul complet la clic.

Ce urmărește intervievatorul: Se verifică instrumentele de design care adaugă context. Candidații de nivel junior cunosc rar paginile de tooltip.

Power BI Service, refresh și securitate

84 Junior

Ce se întâmplă când publici un raport din Power BI Desktop? Ce este un workspace și ce roluri pot avea membrii lui?

Răspuns scurt: La publicare, fișierul se împarte în Service într-un model semantic (fost dataset) și un raport, într-un workspace ales. Workspace-ul e un spațiu de colaborare cu rolurile Admin, Member, Contributor și Viewer, care diferă prin ce pot edita, publica și partaja.

Prin Publicare (Publish), fișierul .pbix ajunge în Power BI Service (app.powerbi.com) și devine două elemente separate:

  • modelul semantic (semantic model, numit dataset până în 2023): tabelele, relațiile, măsurile, datele importate și setările de refresh;
  • raportul: paginile cu vizuale, conectate la acel model.

Separarea contează: pe același model se pot construi mai multe rapoarte, iar refresh-ul, securitatea și credențialele se configurează pe model, nu pe raport.

Un workspace este un container de colaborare pentru modele, rapoarte, dashboard-uri, dataflow-uri. „My workspace” e personal; pentru echipă se folosesc workspace-uri partajate. Rolurile:

  • Admin: tot, inclusiv gestionarea membrilor și ștergerea workspace-ului;
  • Member: publică, editează, partajează conținut, adaugă membri cu roluri inferioare;
  • Contributor: creează și editează conținut, dar nu poate gestiona accesul;
  • Viewer: doar vizualizează și interacționează.

Cum ajunge raportul la utilizatorii finali:

  • direct în workspace, ca Viewer;
  • prin partajare (Share) a unui raport anume;
  • prin o aplicație (App), un pachet de rapoarte publicat din workspace pentru un public larg. Este varianta recomandată pentru consumatori, pentru că separă zona de lucru de cea de consum.

Distribuirea necesită licențe potrivite (Pro sau Premium per user, ori o capacitate Premium sau Fabric), iar o regulă importantă de securitate: RLS se aplică doar utilizatorilor care nu au drepturi de editare pe model.

La republicare din Desktop, raportul și modelul se suprascriu, deci în echipă se stabilește cine publică și unde.

Ce urmărește intervievatorul: Se verifică familiaritatea cu Power BI Service, nu doar cu Desktop. Mulți candidați juniori n-au publicat niciodată într-un workspace de echipă.

85 Junior

Ce diferență este între un raport și un dashboard în Power BI Service?

Răspuns scurt: Raportul are una sau mai multe pagini interactive, pe un singur model semantic, cu slicere și filtre. Dashboard-ul există doar în Service: o pagină cu dale fixate din unul sau mai multe rapoarte, cu alerte, dar fără slicere.

Termenul „dashboard” se folosește colocvial pentru orice raport, dar în Power BI are un sens precis.

Raport (report):

  • creat în Power BI Desktop sau în Service;
  • una sau mai multe pagini;
  • construit pe un singur model semantic (cu excepția modelelor compozite);
  • interactiv: slicere, filtre, filtrare încrucișată, drill-down, drill-through, bookmarks;
  • poate fi exportat în PDF sau PowerPoint și abonat prin e-mail.

Dashboard:

  • există doar în Service;
  • o singură pagină (pânză), formată din dale (tiles);
  • dalele se fixează (pin) din vizuale ale unuia sau mai multor rapoarte, eventual pe modele diferite, sau sunt pagini întregi fixate ca „live”;
  • clic pe o dală te duce în raportul de origine;
  • nu are slicere proprii; dalele păstrează filtrele din momentul fixării;
  • permite alerte pe dale cu un singur număr (card, KPI, gauge): „anunță-mă când stocul scade sub prag”;
  • are caseta de întrebări Q&A, iar dalele se actualizează după refresh-ul modelelor.

Când folosești un dashboard: o vedere de ansamblu care combină indicatori din mai multe rapoarte (vânzări, HR, financiar) pentru conducere, cu alerte. În practică, multe echipe folosesc astăzi direct o pagină de rezumat într-un raport sau o aplicație, pentru că oferă mai multă interactivitate.

La interviu, distincția arată că ai lucrat în Service. Un răspuns bun adaugă și exemplul alertei, funcționalitatea pe care rapoartele nu o au în aceeași formă.

Ce urmărește intervievatorul: Se verifică terminologia Power BI și experiența în Service. Greșeala tipică este folosirea celor doi termeni ca sinonime.

86 Junior

Raportul tău citește date dintr-un SQL Server din rețeaua firmei și dintr-un fișier Excel din SharePoint Online. De ce ai nevoie ca refresh-ul programat să funcționeze în Power BI Service?

Răspuns scurt: Pentru SQL Server din rețeaua internă ai nevoie de un gateway de date on-premises, instalat pe un calculator din rețea, cu sursa configurată și credențialele salvate. Fișierul din SharePoint Online e sursă cloud și nu cere gateway, doar credențiale configurate pe model.

Power BI Service rulează în cloud și nu vede rețeaua internă a firmei. Gateway-ul de date on-premises (on-premises data gateway) e un serviciu instalat pe un calculator din rețea, care primește cererile din Service printr-o conexiune inițiată din interior (nu e nevoie de porturi deschise spre exterior), interoghează sursa locală și trimite rezultatele.

Pași pentru SQL Server:

  • se instalează gateway-ul în mod standard, pe un server care rulează permanent, nu pe un laptop;
  • în Service, la setările gateway-ului, se adaugă sursa de date cu serverul, baza de date și credențialele;
  • pe modelul semantic, la Setări, Conexiune gateway, se mapează sursa modelului pe sursa din gateway. Numele serverului și ale bazei trebuie să fie exact cele din Desktop;
  • se configurează refresh-ul programat: frecvență, ore, fus orar, notificări pe e-mail la eșec. Licența Pro permite până la 8 refresh-uri programate pe zi, capacitatea Premium până la 48.

Pentru Excel din SharePoint Online sau OneDrive: sursă cloud, deci fără gateway. Configurezi credențialele (OAuth2, contul organizației) la setările modelului. Important: fișierul se conectează prin conectorul SharePoint sau Web, nu prin calea locală sincronizată (C:\Users\...\OneDrive), altfel Service crede că e un fișier local și cere gateway.

Un model care combină surse locale și cloud trece integral prin gateway, care trebuie să aibă configurate ambele surse sau opțiunea care permite surselor cloud să fie reîmprospătate prin el.

Există și modul personal (personal mode), pentru un singur utilizator, fără administrare centrală și fără DirectQuery. În firme se folosește aproape mereu modul standard, cu cel puțin două noduri într-un cluster pentru disponibilitate.

Ce urmărește intervievatorul: Se verifică înțelegerea legăturii dintre Service și sursele locale. Greșeala tipică este importul fișierului din calea OneDrive sincronizată local.

87 Mid

Refresh-ul programat al unui model a eșuat azi-noapte. Ce verifici, în ce ordine?

Răspuns scurt: Începi cu istoricul refresh-ului și mesajul de eroare. Apoi verifici, după tipul erorii, credențialele și gateway-ul, schimbările din sursă (coloane redenumite, fișiere mutate), limitele de timp și memorie și dacă refresh-ul merge în Desktop. Repari cauza și rulezi un refresh manual.

Ordinea de lucru:

1. Mesajul exact. În Service, pe model, Setări, Istoric reîmprospătare (Refresh history). Mesajul spune de obicei categoria problemei. Notifici utilizatorii dacă datele sunt vechi.

2. Credențiale și gateway (cauza cea mai frecventă):

  • parola contului de serviciu a expirat sau a fost schimbată; tokenul OAuth a expirat;
  • gateway-ul e offline (serverul a fost repornit, actualizat sau oprit). Status în „Manage connections and gateways”;
  • sursa a fost mutată, iar numele serverului din gateway nu mai corespunde.

3. Schimbări în sursă:

  • o coloană redenumită sau ștearsă: eroare „The column ... wasn't found”, de obicei în pasul de schimbare a tipului;
  • un fișier mutat, redenumit sau deschis de cineva;
  • o foaie Excel redenumită;
  • date noi care încalcă presupunerile: o valoare text într-o coloană numerică, chei duplicate în dimensiune (relația unu-la-mulți cade).

4. Limite:

  • timpul maxim de refresh (pe capacitate partajată, 2 ore pentru un model);
  • memoria: modelul a crescut și depășește limita capacității;
  • sursa e încărcată la ora respectivă (backup, alte joburi) și dă timeout.

5. Reproducere: deschizi .pbix-ul în Desktop și rulezi refresh. Dacă eroarea apare și acolo, problema e în date sau în interogări; dacă nu, e în configurația din Service.

După reparare: refresh manual, verificarea câtorva cifre față de sursă și o notă despre cauză. Ca prevenție: un cont de serviciu dedicat, cu parolă gestionată, alertă pe e-mail la eșec, interogări robuste (Eliminare alte coloane, tipuri cu cultură), un al doilea nod de gateway.

Ce urmărește intervievatorul: Se verifică o abordare structurată a unei probleme operaționale frecvente. Greșeala tipică este republicarea fișierului fără a afla cauza.

Eroarea, în practică:DataSource.Error: Could not find fileThe 'Pret' column does not exist in the rowset

88 Mid

Fiecare director regional trebuie să vadă în raport doar magazinele din regiunea lui, iar lista se schimbă des. Cum implementezi RLS dinamic, astfel încât să nu creezi un rol pentru fiecare regiune?

Răspuns scurt: Creezi un tabel cu e-mailul utilizatorului și regiunile sau magazinele permise, îl legi de dimensiunea Magazine și definești un singur rol al cărui filtru compară e-mailul cu USERPRINCIPALNAME(). Lista se întreține ca date, nu ca roluri.

RLS static înseamnă un rol pe fiecare regiune, cu filtru fix (Magazine[Regiune] = "Nord"). Pentru zeci de regiuni și schimbări frecvente devine greu de întreținut. Varianta dinamică:

Tabelul de acces Acces (Email, Regiune), întreținut de cineva din business, într-o bază de date sau o listă SharePoint, încărcat în model:

| Email | Regiune | | ana.pop@firma.ro | Nord | | ana.pop@firma.ro | Est |

Rolul, din Modelare, Gestionare roluri: un singur rol, „Regional”, cu filtrul DAX pe tabelul Magazine:

Magazine[Regiune]
    IN CALCULATETABLE (
        VALUES ( Acces[Regiune] ),
        Acces[Email] = USERPRINCIPALNAME ()
    )

Filtrul se aplică pe Magazine și se propagă prin relații la vânzări, stocuri și celelalte fapte. Tabelul Acces poate rămâne fără relații, ceea ce evită relațiile bidirecționale. (Varianta alternativă: relație Acces la Magazine, filtru Acces[Email] = USERPRINCIPALNAME () pe Acces și opțiunea „Apply security filter in both directions” pe relație.)

USERPRINCIPALNAME () întoarce UPN-ul utilizatorului autentificat, de obicei adresa de e-mail din Microsoft Entra ID.

Testare:

  • în Desktop, Modelare, Vizualizare ca (View as): alegi rolul și „Alt utilizator”, cu un e-mail din tabel;
  • în Service, pe model, Securitate: adaugi utilizatorii sau, mai bine, un grup de securitate în rolul „Regional”, apoi Testare ca rol.

Detalii: utilizatorii care nu sunt în tabel nu văd nimic, comportament sigur. Ascunzi tabelul Acces din raport. Un director nou se adaugă în tabel și primește acces la următorul refresh, fără republicare.

Ce urmărește intervievatorul: Se verifică implementarea concretă a RLS dinamic. Greșeala tipică este un rol pe fiecare regiune sau filtre RLS care nu se propagă la fapte.

89 Mid

Un coleg vrea să trimită raportul către 40 de oameni din vânzări. Ce opțiuni de distribuire are și ce licențe trebuie să aibă ei?

Răspuns scurt: Prin aplicație (App), partajare directă, rolul Viewer în workspace sau încorporare în Teams și SharePoint. Fiecare cititor are nevoie de Pro sau Premium per user, cu excepția conținutului aflat pe o capacitate Premium sau Fabric suficient de mare.

Opțiuni de distribuire:

  • aplicație (App): din workspace publici un pachet de rapoarte, cu navigare proprie și audiențe diferite (fiecare grup vede anumite pagini). E varianta recomandată pentru mulți consumatori: separă zona de lucru de cea de consum, iar actualizarea aplicației se face controlat;
  • partajare (Share) a unui raport anume, cu persoane sau grupuri; potrivită pentru câteva persoane;
  • rolul Viewer în workspace: acces la tot conținutul workspace-ului, mai greu de controlat;
  • încorporare în Microsoft Teams (filă), SharePoint Online sau în portalul firmei, cu drepturile utilizatorului;
  • abonamente pe e-mail (subscriptions) cu imaginea paginii sau un fișier atașat, pentru cine nu deschide raportul.

Licențe (modelul Microsoft din momentul scrierii; se verifică la data proiectului):

  • Free: un utilizator gratuit poate folosi doar „My workspace” și nu poate consuma conținut partajat de alții, decât dacă acel conținut se află pe o capacitate Premium (P) sau Fabric de mărime F64 sau mai mare;
  • Pro: poate publica, partaja și consuma conținut din workspace-uri obișnuite. Atât autorul, cât și cititorii au nevoie de Pro;
  • Premium per user (PPU): funcții Premium pentru un utilizator; conținutul dintr-un workspace PPU poate fi consumat doar de utilizatori PPU;
  • capacitate (Premium sau Fabric F64+): autorii au nevoie de Pro, cititorii pot fi Free.

Recomandarea pentru 40 de oameni: o aplicație, cu acces dat unui grup de securitate (nu persoanelor una câte una). Alegerea licenței e o discuție de cost cu IT-ul.

Atenție la „Publish to web”: face raportul public pe internet, fără autentificare, deci nu se folosește pentru date interne.

Ce urmărește intervievatorul: Se verifică înțelegerea distribuirii și a licențierii, întrebări frecvente din partea business-ului. Greșeala tipică este folosirea Publish to web pentru date interne.

90 Senior

Ai configurat RLS corect, ai testat cu „Vizualizare ca”, dar un manager adăugat ca Member în workspace vede toate regiunile. De ce și cum rezolvi?

Răspuns scurt: RLS se aplică doar celor cu drept de citire pe model, nu și celor care îl pot edita: Admin, Member și Contributor ocolesc RLS. Managerul primește acces ca Viewer sau prin aplicație, iar workspace-ul rămâne pentru autori.

Comportamentul e documentat: RLS filtrează doar utilizatorii cu permisiune de citire (Read) pe modelul semantic. Rolurile Admin, Member și Contributor din workspace au drept de scriere pe model, deci RLS nu li se aplică. Ideea: cine poate modifica modelul ar putea oricum schimba sau șterge rolurile.

Așadar managerul adăugat ca Member vede tot. Testarea cu „Vizualizare ca” arată corect ce ar vedea un utilizator cu rol, dar nu și ce vede el efectiv, în funcție de permisiunile din workspace.

Rezolvare:

  • managerul și ceilalți consumatori nu sunt membri cu drept de editare. Primesc acces prin aplicație, prin partajare sau ca Viewer;
  • în workspace rămân doar autorii, cu Member sau Contributor;
  • utilizatorii (ideal, grupuri de securitate) sunt adăugați în rolul RLS din Securitatea modelului. Un utilizator cu acces de citire, dar care nu e în niciun rol, nu vede date;
  • se verifică și permisiunea Build (construire): un utilizator cu Build poate crea rapoarte proprii pe model, dar RLS i se aplică în continuare, dacă nu are drept de scriere.

Recomandări de arhitectură:

  • workspace separat pentru model și pentru rapoarte, cu permisiuni diferite;
  • Object-Level Security (OLS), configurată din Tabular Editor, ascunde tabele sau coloane întregi (de exemplu, salariile) pentru anumite roluri;
  • RLS nu e o protecție în Desktop: cine are fișierul .pbix vede toate datele importate. Fișierele nu se distribuie, se distribuie rapoartele din Service.

Ce urmărește intervievatorul: Întrebare senior despre securitate în producție. Se verifică dacă știi că rolurile cu drept de editare ocolesc RLS.

91 Senior

Echipa ta modifică des un model folosit de sute de oameni, iar uneori o publicare greșită strică rapoartele în producție. Cum organizezi un flux dev, test, prod în Power BI?

Răspuns scurt: Separi mediile în workspace-uri distincte și muți conținutul cu deployment pipelines sau prin integrarea cu Git, cu reguli care schimbă sursele de date pe fiecare mediu. Validezi în test cu utilizatori-cheie înainte de producție, iar nimeni nu publică direct din Desktop în producție.

Problema tipică: cineva publică din Desktop direct în workspace-ul de producție, cu o măsură greșită sau cu conexiunea la baza de test.

Separarea mediilor: trei workspace-uri, „Vânzări [Dev]”, „Vânzări [Test]”, „Vânzări”, fiecare cu permisiuni proprii. Utilizatorii finali văd doar aplicația din producție.

Mutarea conținutului:

  • deployment pipelines (pipeline-uri de implementare), disponibile pe capacitate Premium, PPU sau Fabric: legi cele trei workspace-uri, vezi diferențele dintre etape și promovezi conținutul cu un clic sau prin API;
  • reguli de implementare (deployment rules): pe fiecare etapă, parametrii Power Query (server, bază de date) sau sursele se schimbă automat, deci același model citește din baza de test în Test și din cea de producție în Prod;
  • integrarea cu Git (în workspace-uri Fabric), combinată cu formatul .pbip: fiecare modificare e un commit, se face code review pe un pull request, iar workspace-ul de dev se sincronizează cu o ramură.

Practici care completează fluxul:

  • parametri Power Query pentru toate valorile care diferă între medii;
  • un set de verificări înainte de promovare: totaluri cheie comparate cu sursa, testarea rolurilor RLS, Performance Analyzer pe paginile principale;
  • Best Practice Analyzer din Tabular Editor, pentru reguli de model (măsuri fără format, relații bidirecționale, coloane neutilizate);
  • documentarea modificărilor în notele aplicației;
  • separarea modelului de rapoarte: un model comun, certificat (endorsement: Promoted sau Certified), pe care se construiesc rapoarte subțiri (thin reports), astfel încât o modificare de layout să nu atingă modelul.

Pe licență Pro, fără pipelines, același principiu se aplică manual: workspace-uri separate, parametri și publicare doar de către o persoană responsabilă.

Ce urmărește intervievatorul: Întrebare senior despre procese și guvernanță. Se verifică experiența cu lucrul în echipă pe modele critice.

Performanță

Exersează capitolul cu exerciții reale: Curs Power BI pentru începători →
92 Mid

O pagină de raport se încarcă greu. Cum folosești Performance Analyzer ca să afli care vizual e problema și ce înseamnă coloanele DAX query, Visual display și Other?

Răspuns scurt: Pornești înregistrarea în Performance Analyzer, reîmprospătezi vizualele și compari timpii. DAX query e timpul interogării în model, Visual display timpul de desenare, iar Other e așteptarea după alte vizuale sau alte operații. Copiezi interogarea vizualului lent în DAX Studio pentru analiză.

Performance Analyzer se deschide din fila Optimizare (sau View, în versiuni mai vechi):

  • Start recording, apoi Refresh visuals: fiecare vizual de pe pagină rulează din nou și primește o linie cu timpii, în milisecunde;
  • poți interacționa (clic pe slicer, pe o bară) și vezi timpii pentru fiecare acțiune.

Componentele:

  • DAX query: timpul de la trimiterea interogării până la primirea rezultatului de la motorul de calcul. Dacă e mare, problema e în model sau în măsuri;
  • Visual display: timpul în care vizualul se desenează. E mare la vizuale cu multe puncte, la vizuale personalizate sau la hărți;
  • Other: timp de pregătire și, mai ales, așteptare după alte vizuale. Vizualele rulează cu o paralelizare limitată, deci pe o pagină cu 30 de vizuale, ultimele așteaptă.

Cum interpretezi:

  • un vizual cu DAX query mare: Copy query, apoi în DAX Studio rulezi interogarea cu Server Timings, ca să vezi cât lucrează motorul de stocare și cât cel de formule;
  • multe vizuale cu Other mare: pagina are prea multe vizuale. Reduci numărul, combini carduri într-unul cu mai multe valori, muți detaliul pe alte pagini;
  • Visual display mare: mai puține puncte, alt tip de vizual, un vizual standard în loc de unul personalizat.

Atenție la cache: a doua rulare e mai rapidă pentru că rezultatele sunt în memorie. Pentru o măsurare corectă, în DAX Studio golești cache-ul (Clear cache) sau compari doar primele rulări.

Concluzia trebuie verificată și în Service, unde capacitatea, numărul de utilizatori simultani și gateway-ul (la DirectQuery) adaugă alți factori.

Ce urmărește intervievatorul: Se verifică o metodă concretă de diagnostic, nu doar sfaturi generale. Greșeala tipică este măsurarea doar a doua rulare, cu rezultatele deja în cache.

Eroarea, în practică:Visual has exceeded the available resources

93 Mid

Modelul a ajuns prea mare și refresh-ul durează mult. Ce verifici și ce modifici ca să-l micșorezi, fără să pierzi funcționalitate?

Răspuns scurt: Afli cu VertiPaq Analyzer ce coloane ocupă cel mai mult, apoi elimini coloanele nefolosite, reduci cardinalitatea (data separată de oră, zecimale rotunjite), muți coloanele calculate în Power Query, dezactivezi Auto date/time și tai istoricul inutil.

Analiza: DAX Studio, View Metrics (VertiPaq Analyzer). Vezi pe fiecare tabel și coloană: dimensiunea totală, a dicționarului, cardinalitatea. Aproape mereu câteva coloane ocupă majoritatea modelului.

Cauze tipice și remedii:

  • coloane nefolosite: ID-uri de tranzacție, GUID-uri, coloane tehnice din sursă, comentarii. Dacă nu apar în niciun vizual, măsură sau relație, se elimină în Power Query. Unelte ca Measure Killer sau Tabular Editor ajută la identificare;
  • dată și oră într-o singură coloană: cardinalitate foarte mare. Separi în Data și Ora (eventual rotunjită la minut sau oră) sau păstrezi doar data;
  • zecimale inutile: un preț stocat cu 10 zecimale. Rotunjești la precizia necesară sau folosești tipul Fixed decimal number;
  • coloane text lungi în fapt: le muți în dimensiuni sau le înlocuiești cu chei;
  • coloane calculate pe faptul mare: mutate în Power Query sau în sursă, sau înlocuite cu măsuri;
  • Auto date/time activ: un tabel ascuns pentru fiecare coloană de dată. Îl dezactivezi și folosești un calendar comun;
  • istoric neutilizat: dacă raportul analizează ultimii 3 ani, nu încarci 15. Pentru istoric lung, incremental refresh;
  • granularitate prea fină: dacă nimeni nu analizează pe bon, o agregare zilnică pe produs și magazin reduce masiv numărul de rânduri;
  • tabele duplicate create prin tabele calculate.

După fiecare modificare compari dimensiunea modelului și verifici că vizualele și măsurile funcționează la fel. Un model mai mic înseamnă refresh mai rapid, interogări mai rapide și mai puțină presiune pe capacitate.

Ce urmărește intervievatorul: Se verifică optimizarea bazată pe date, nu pe ghicit. Greșeala tipică este căutarea problemelor în DAX când cauza este o coloană cu cardinalitate uriașă.

Eroarea, în practică:Memory error: Memory Allocation failure

94 Senior

Ai un tabel de fapte de câteva miliarde de rânduri într-un data warehouse, prea mare pentru Import, dar utilizatorii vor rapoarte rapide. Cum combini Import, DirectQuery și Dual și ce sunt tabelele de agregare?

Răspuns scurt: Construiești un model compozit: faptul detaliat rămâne în DirectQuery, dimensiunile sunt Dual, iar un tabel agregat (de exemplu, zilnic pe produs și magazin) e importat și configurat ca agregare. Majoritatea vizualelor sunt servite din agregare, iar doar detaliul merge la sursă.

Pe scurt, modurile de stocare ale tabelelor:

  • Import: date în memorie, cele mai rapide interogări, dar limitate de memorie și actualizate doar la refresh;
  • DirectQuery: fiecare vizual trimite interogări la sursă; date mereu actuale, dar viteza depinde de sursă și există limite (de exemplu, rezultatele intermediare de peste un milion de rânduri dau eroare);
  • Dual: tabelul e și importat, și disponibil în DirectQuery; motorul alege modul potrivit pentru fiecare interogare.

Modelul compozit (composite model) combină modurile:

  • faptul detaliat (miliarde de rânduri) în DirectQuery;
  • dimensiunile (Produse, Magazine, Calendar) în Dual: slicerele se încarcă instant din memorie, iar când e nevoie de join cu faptul DirectQuery, se folosesc la sursă;
  • un tabel de agregare, de exemplu VanzariZilnice (Data, ID_Produs, ID_Magazin, Valoare, Cantitate, NrRanduri), în Import.

Din Gestionare agregări (Manage aggregations) legi coloanele agregării de faptul detaliat (Sum pe Valoare, GroupBy pe chei, Count pe rânduri). Tabelul agregat se ascunde. Când un vizual cere vânzări pe lună și categorie, motorul răspunde din agregarea importată; doar când cineva cere detaliu sub nivelul zilnic, interogarea merge la sursă.

Condiții:

  • agregările se proiectează după interogările reale; dacă nu se potrivesc, totul merge în DirectQuery;
  • relațiile între tabele Import și DirectQuery sunt „limitate”, cu unele restricții în DAX;
  • sursa trebuie optimizată (indexuri, columnstore) pentru interogările care ajung la ea;
  • în Fabric există și Direct Lake, care citește direct fișiere Delta din OneLake, fără import clasic, cu performanță apropiată de Import.

Decizia se ia pe date concrete: dimensiunea modelului, cerința de actualitate și profilul interogărilor.

Ce urmărește intervievatorul: Întrebare de arhitectură de nivel senior. Se verifică dacă știi depăși alegerea binară Import sau DirectQuery.

95 Senior

Cum funcționează motorul DAX la executarea unei măsuri (formula engine și storage engine) și ce schimbi într-o măsură lentă pe baza acestei înțelegeri?

Răspuns scurt: Storage engine (VertiPaq) scanează coloanele comprimate, rapid și paralel, dar face doar operații simple; formula engine execută logica complexă, pe un singur fir. O măsură e rapidă când munca grea ajunge în storage engine.

O interogare DAX e executată de două componente:

  • storage engine (SE, VertiPaq la Import): scanează coloanele comprimate, aplică filtre simple, face agregări și join-uri pe relații. E multifir și are cache. Interogările lui interne se văd în DAX Studio ca „xmSQL”;
  • formula engine (FE): execută restul logicii (IF complex, iterații peste rezultate, funcții fără echivalent în SE). E pe un singur fir și nu are cache între interogări.

Regula: cu cât mai mult lucru se face în SE și cu cât mai puține rânduri se materializează pentru FE, cu atât mai rapid.

Diagnostic în DAX Studio, cu Server Timings: timpul SE față de FE, numărul de interogări SE și rândurile întoarse. Un FE mare sau interogări SE cu milioane de rânduri arată problema.

Ce schimbi în mod tipic:

  • filtre pe coloane, nu pe tabele: KEEPFILTERS ( Vanzari[Canal] = "Online" ) în loc de FILTER ( Vanzari, ... );
  • iterezi tabelul cel mai mic: VALUES ( Clienti[ID] ), nu faptul;
  • evită logica condițională în iteratori mari: SUMX ( Vanzari, IF ( ..., ... ) ) poate genera apeluri din SE către FE (callback-uri, marcate CallbackDataID), lente. Uneori se rescrie ca sumă filtrată: CALCULATE ( SUM ( ... ), filtru );
  • variabile pentru valorile refolosite;
  • evitarea tranziției de context pe fapt (măsuri în SUMX peste Vanzari);
  • măsuri care întorc 0 în loc de BLANK, care forțează calculul pe toate combinațiile.

După fiecare modificare măsori din nou, cu cache-ul golit.

Ce urmărește intervievatorul: Întrebare de nivel senior despre optimizarea DAX. Se verifică dacă optimizezi pe baza măsurătorilor și a înțelegerii motorului.

Situații din practică

96 Junior

La interviu primești un fișier Excel cu vânzări și ai la dispoziție 60 de minute să construiești un raport pe care apoi îl prezinți. Cum îți organizezi timpul?

Răspuns scurt: Câteva minute pentru înțelegerea datelor și a cerinței, apoi curățare în Power Query, model stea cu calendar, câteva măsuri de bază, una sau două pagini simple și ultimele minute pentru verificare și pregătirea prezentării. Un raport corect și simplu bate unul spectaculos, cu cifre greșite.

Un plan orientativ pentru 60 de minute:

  • 5 minute, înțelegere: citești cerința de două ori. Cine e publicul? Ce decizii trebuie susținute? Deschizi fișierul și te uiți la coloane, la granularitate (un rând înseamnă ce?), la perioade și la problemele vizibile;
  • 10-15 minute, Power Query: tipuri de date cu cultura corectă, eliminarea rândurilor de total, dubluri, valori lipsă, unpivot dacă e cazul. Dacă datele vin într-un singur tabel plat, extragi 2-3 dimensiuni;
  • 10 minute, model: schema stea, relațiile, un tabel calendar marcat ca tabel de date, „Nu rezuma” pe ID-uri;
  • 10 minute, măsuri: Vânzări, Cantitate, Marjă %, Nr comenzi, valoarea medie a comenzii, YTD și comparația cu anul trecut, dacă datele acoperă mai mulți ani;
  • 15 minute, raport: o pagină de sinteză (carduri, tendință, defalcare principală, slicer de perioadă) și, dacă rămâne timp, o pagină de detaliu sau drill-through;
  • 5 minute, verificare și prezentare: compari un total cu fișierul sursă, verifici că filtrele merg, notezi 3 concluzii și 1-2 ipoteze sau limite ale datelor.

La prezentare structurezi așa:

  • ce ai înțeles din cerință și ce presupuneri ai făcut;
  • ce probleme ai găsit în date și cum le-ai tratat;
  • cele 3 concluzii, cu cifre;
  • ce ai face cu mai mult timp (alte surse, alte analize, automatizare).

Ce urmăresc evaluatorii: corectitudinea cifrelor, modelul (nu un singur tabel cu măsuri implicite), claritatea și felul în care explici deciziile. Un dashboard simplu, cu o verificare a totalului, convinge mai mult decât unul spectaculos în care cifrele nu se potrivesc.

Ce urmărește intervievatorul: Se verifică organizarea sub presiune și prioritățile. Greșeala tipică este petrecerea întregului timp pe aspect, fără verificarea cifrelor.

97 Junior

Un coleg care lucrează de ani buni în Excel îți spune că Power BI e „un Excel mai complicat”. Cum îi explici diferența de gândire, ca să poată începe să lucreze cu tine pe un model?

Răspuns scurt: Pornind de la munca lui: în Power BI nu scrii formule pe celule, ci definești o dată măsura, care se recalculează după filtre. Faci paralela cu tabelul pivot, arăți pașii din Power Query și lucrați împreună un exemplu mic.

Un model de răspuns structurat:

1. Pornești de la ce cunoaște. Majoritatea utilizatorilor avansați de Excel folosesc tabele pivot. Le spui: „un raport Power BI e ca un tabel pivot foarte puternic, în care tu decizi o dată cum se calculează fiecare cifră, iar apoi o poți tăia după orice”.

2. Arăți diferența cheie, cu un exemplu concret. În Excel, marja pe regiune o calculezi într-o coloană, apoi o copiezi pentru fiecare tabel și fiecare lună. În Power BI scrii o singură măsură:

Marja % = DIVIDE ( [Profit], [Vanzari] )

și ea e corectă în orice grafic, pe regiune, pe lună, pe produs și pe total, fără nicio copiere. Asta e schimbarea de gândire: de la celule la filtre și măsuri.

3. Explici de ce contează modelul. În loc de VLOOKUP între foi, tabelele se leagă prin relații o singură dată. Le arăți diagrama: vânzările în centru, produsele, magazinele și calendarul în jur.

4. Îi arăți câștigul concret. Curățarea exportului lunar, pe care o face manual într-o oră, devine pași în Power Query, rulați automat la refresh.

5. Începeți împreună cu ceva mic. Un raport pe care el îl face deja lunar în Excel, reconstruit în Power BI, cu cifrele comparate. Când vede că rezultatele bat, are încredere.

6. Recunoști unde Excel rămâne mai bun. Simulări, calcule ad-hoc, liste editate manual. Nu e o competiție.

Ce urmărește intervievatorul: empatie, folosirea unui exemplu din lumea celuilalt, evitarea jargonului (tranziție de context, VertiPaq) și un plan practic, nu o prelegere.

Ce urmărește intervievatorul: Se verifică abilitatea de a explica și de a lucra cu colegi din business. Greșeala tipică este un răspuns plin de termeni tehnici care îl sperie pe colegul din Excel.

98 Mid

Directorul comercial îți spune că cifra vânzărilor din raportul tău nu bate cu cea din ERP. Cum procedezi?

Răspuns scurt: Clarifici ce cifră compară, din ce raport ERP, pe ce perioadă și cu ce filtre. Apoi reconciliezi pas cu pas: definiții (TVA, retururi), perioadă, filtre ascunse, ultimul refresh, calitatea datelor. Comunici ce ai găsit și corectezi sau documentezi diferența.

Un răspuns structurat:

1. Clarificare, fără apărare. Întrebi: ce raport din ERP, ce perioadă, ce filtre, ce valoare exactă vede el și ce vezi tu. Multe „erori” sunt de fapt două întrebări diferite.

2. Definiții. Verifici cele mai frecvente diferențe de definiție:

  • valoare cu sau fără TVA;
  • facturat sau comandat; data facturii sau data livrării;
  • retururi, storno-uri, anulări, discounturi de final de lună;
  • comenzi interne sau de test excluse.

3. Perioadă și momentul datelor.

  • când a fost ultimul refresh? Raportul poate fi cu o zi în urmă;
  • datele ERP pot fi modificate retroactiv;
  • fusul orar al datei și ora de tăiere a zilei.

4. Filtre în raport. Filtre de raport sau de pagină ascunse, slicere sincronizate, interacțiuni, RLS (directorul vede altceva decât tine?).

5. Calitatea datelor. Rânduri pierdute în Power Query (Eliminare erori, filtre), chei fără corespondent (rândul „(Gol)”), dubluri după îmbinări, relații mulți-la-mulți.

6. Reconciliere numerică. Pornești de la total și cobori: pe lună, pe magazin, pe zi, până găsești unde apare diferența. O pagină de reconciliere cu ambele cifre ajută și în viitor.

7. Comunicare. Revii cu explicația: ce diferență, de ce, ce ai corectat. Dacă diferența e o definiție, o documentezi în raport (descrierea măsurii, o notă pe pagină) și o confirmi cu el și cu financiarul.

Ce urmărește intervievatorul: calm, metodă și grija pentru încrederea în cifre. Un analist care spune „datele mele sunt corecte” înainte de a verifica pierde încrederea mai repede decât unul care a greșit o măsură.

Ce urmărește intervievatorul: Se verifică abordarea unei situații reale, frecvente și sensibile. Greșeala tipică este apărarea cifrei înainte de clarificarea definiției.

99 Mid

Refresh-ul de noapte a eșuat, iar la ora 9 directorul are ședința în care prezintă cifrele din raport. Este 7:30. Ce faci?

Răspuns scurt: Verifici imediat cauza din istoricul refresh-ului, încerci o reparare rapidă și un refresh manual. În paralel anunți directorul ce date are raportul acum și când vor fi actualizate. Dacă nu reușești, îi dai o variantă de rezervă clar marcată, apoi repari cauza și previi repetarea.

Un model de răspuns, pe etape:

1. Evaluare rapidă (10 minute). Istoricul refresh-ului, mesajul de eroare, ce date are acum raportul (ultimul refresh reușit). Uneori situația e mai puțin gravă: datele sunt doar de ieri dimineață, iar cifrele lunare se schimbă puțin.

2. Comunicare timpurie. Nu aștepți să rezolvi totul. Un mesaj scurt către director, înainte de 8: „Actualizarea de azi-noapte nu a reușit. Raportul arată datele până la data X. Lucrez la reparare și revin până la 8:30 cu situația.” Directorul poate decide singur cum prezintă.

3. Reparare rapidă. Cauzele frecvente se rezolvă repede:

  • credențiale expirate: le actualizezi pe sursă;
  • gateway oprit: îl repornești sau ceri IT-ului;
  • fișier mutat sau blocat: îl readuci, închizi fișierul deschis;
  • coloană redenumită în sursă: ajustezi pasul din Power Query și republici, dar doar dacă modificarea e mică și o poți verifica.

Apoi un refresh manual și verifici câteva cifre cheie față de sursă.

4. Varianta de rezervă. Dacă la 8:30 nu e rezolvat: îi trimiți cifrele principale extrase direct din sursă, cu mențiunea clară a datei și a modului de calcul, sau raportul cu data ultimei actualizări afișată vizibil. Nu prezinți ca actuale cifre vechi.

5. După ședință. Analiza cauzei, repararea definitivă și prevenția: alertă la eșec pe e-mail, un refresh de rezervă programat mai devreme, cont de serviciu fără expirare neanunțată, un card „Date actualizate la” pe pagina principală.

Ce urmărește intervievatorul: prioritizare, transparență și faptul că nu ascunzi problema. Comunicarea timpurie e partea pe care candidații o uită cel mai des.

Ce urmărește intervievatorul: Se verifică comportamentul sub presiune și comunicarea. Greșeala tipică este lucrul în tăcere până în ultimul minut, fără informarea directorului.

100 Senior

Preiei un raport moștenit: un singur tabel mare plus câteva tabele legate prin relații bidirecționale, peste o sută de măsuri fără format sau descriere, iar paginile se încarcă greu. Utilizatorii îl folosesc zilnic. Cum abordezi situația?

Răspuns scurt: Nu rescrii totul dintr-odată. Inventariezi ce se folosește, salvezi o bază de comparație pentru cifre și timpi, apoi îmbunătățești în pași mici și testați: model stea, relații unidirecționale, măsuri curățate, pagini optimizate, validate față de cifrele vechi.

Un plan pe etape:

1. Înțelegere și inventar.

  • vorbești cu 2-3 utilizatori principali: ce pagini folosesc, ce decizii iau, ce îi deranjează;
  • folosești statisticile de utilizare din Service (Usage metrics) ca să vezi paginile accesate;
  • documentezi modelul: tabele, relații, măsuri. Unelte ca Tabular Editor, cu Best Practice Analyzer, și VertiPaq Analyzer îți arată rapid problemele (relații bidirecționale, coloane mari, măsuri neutilizate).

2. Bază de comparație. Înainte de orice modificare, salvezi cifrele cheie (totaluri pe lună, pe regiune, măsurile principale) și timpii paginilor din Performance Analyzer. Așa poți demonstra că nu ai stricat nimic și că ai îmbunătățit ceva.

3. Câștiguri rapide, cu risc mic:

  • elimini coloanele și măsurile neutilizate;
  • format și descriere pe măsurile importante, foldere de afișare;
  • dezactivezi Auto date/time și adaugi un calendar comun;
  • reduci numărul de vizuale pe paginile lente.

4. Restructurarea modelului, într-o copie, într-un workspace de test:

  • extragi dimensiuni din tabelul mare, schema stea;
  • relațiile devin unidirecționale; unde e nevoie de altă direcție, CROSSFILTER în măsuri;
  • rescrii măsurile lente, verificate cu DAX Studio.

5. Validare și lansare. Compari cifrele cu baza salvată, testezi cu utilizatorii cheie, apoi muți în producție, cu un anunț și o variantă de revenire.

6. Prevenție. Convenții de nume, review pentru modificări, un flux dev-test-prod, documentație minimă.

Ce urmărește intervievatorul: că nu riști un raport folosit zilnic de dragul unei rescrieri perfecte, că măsori înainte și după și că implici utilizatorii.

Ce urmărește intervievatorul: Întrebare senior de situație, foarte apropiată de realitatea din firme. Greșeala tipică este propunerea unei rescrieri totale, fără bază de comparație și fără implicarea utilizatorilor.

Întrebări de interviu pe meserie

Alte tehnologii

← Toate întrebările de interviu

Tudor Andrei Dumitrescu
Cine coordonează pregătirea de interviu

Tudor Andrei Dumitrescu

Senior Software Developer · fondatorul Academiei Programatorilor

LinkedIn
  1. 2019 Junior JavaCognizant Softvision
  2. 2021 Mid JavaCognizant Softvision
  3. 2022 Team LeaderEndava
  4. 2023 Senior Software DeveloperUniCredit
  5. Acum Senior Software DeveloperHCLTech
Certificat de absolvire Instructor / Preparator formare, Tudor Andrei Dumitrescu
Certificat de formator autorizatMinisterul Muncii și Ministerul Educației · 2022
Certificat de absolvire Instructor / Preparator formare, Tudor Andrei Dumitrescu

Certificat de formator autorizat · Ministerul Muncii și Ministerul Educației · 2022

Din 2020 construiește Academia Programatorilor, iar din 2026 și JoburiIT.ro. Întrebările de aici urmăresc ce se cere la interviurile de Power BI, de la junior la mid, iar pe JoburiIT.ro îți poți certifica apoi cunoștințele.

Învață Power BI scriind cod, nu doar citind

Curs Power BI: lecții scurte, fiecare cu un exercițiu verificat automat, direct în browser. Primele 15 lecții sunt gratuite.