7 erros de modelagem no Power BI que deixam tudo lento

Quase todo relatório lento sofre dos mesmos poucos erros de modelagem#

Quando um relatório do Power BI trava, a causa raiz quase nunca é um mistério exótico; é um dos mesmos erros de modelagem que se repetem em empresa após empresa. A boa notícia disso é que, conhecendo esses erros, você resolve a maioria dos problemas de lentidão sem precisar de mágica. A modelagem é onde a performance nasce ou morre, e pequenos deslizes ali cobram caro na experiência do usuário. Reunimos os sete erros de modelagem no Power BI que mais deixam tudo lento, com a correção de cada um. Se o seu relatório está devagar, é muito provável que ele sofra de um ou mais destes, e atacá-los é o caminho mais rápido para um painel que responde bem.

Erro 1: jogar tudo em uma tabela única, o tabelão#

O erro mais comum de quem vem do Excel é montar uma tabela única e larga, o tabelão, com fatos e atributos descritivos misturados. Ela repete texto em milhões de linhas, comprime mal e infla o modelo. A correção é adotar o modelo estrela, separando fatos e dimensões, que é o formato para o qual o motor do Power BI foi otimizado. Essa mudança sozinha costuma ser o maior ganho de performance possível, além de simplificar o DAX.

Erro 2: carregar colunas que ninguém usa#

Todo modelo importado tende a trazer mais colunas do que o necessário: campos técnicos da origem, textos livres, identificadores que nenhum visual consome. Cada coluna ocupa espaço e memória, mesmo sem ser usada. A correção é remover do modelo tudo o que não aparece em nenhum visual, filtro ou relação. Menos colunas significa um modelo menor, melhor compressão e mais velocidade. É uma faxina simples com efeito imediato.

Erro 3: manter colunas de altíssima cardinalidade#

O motor do Power BI comprime pela cardinalidade, o número de valores distintos de uma coluna. Colunas com cardinalidade altíssima, como data e hora com precisão de segundos ou identificadores únicos, comprimem mal e pesam muito. A correção é reduzir a cardinalidade onde possível, por exemplo separando data e hora em colunas distintas ou reduzindo a precisão da hora ao que o negócio realmente usa. Atacar as poucas colunas de cardinalidade extrema costuma dar um salto perceptível.

Os sete erros e suas correções em um resumo#

Erro	Correção
1. Tabela única (tabelão)	Adotar o modelo estrela
2. Colunas inúteis carregadas	Remover o que não é usado
3. Alta cardinalidade	Reduzir valores distintos
4. Direção de filtro dupla sem necessidade	Preferir direção única
5. Excesso de colunas calculadas	Trocar por medidas quando for agregação
6. Sem tabela de datas dedicada	Criar um bom calendário
7. Visuais demais por página	Distribuir em mais páginas

Erro 4: usar direção de filtro dupla sem precisar#

A direção do filtro entre tabelas, por padrão, deve ser única, fluindo da dimensão para o fato. Alguns modeladores ativam a direção dupla, ou cruzada, sem necessidade, e isso cria caminhos de filtro ambíguos, resultados difíceis de prever e peso extra na performance. A correção é preferir a direção única sempre que possível, e só usar a dupla em cenários específicos que a exijam, entendendo o efeito. Direção de filtro descuidada é uma fonte silenciosa de lentidão e de comportamento estranho.

Erro 5: abusar de colunas calculadas para o que deveria ser medida#

Colunas calculadas são armazenadas linha a linha no modelo e, quando usadas para agregações, inflam o tamanho sem necessidade. O caso clássico é criar uma coluna que multiplica valor por quantidade linha a linha para depois somar, quando isso deveria ser uma medida. A correção é preferir medidas para agregações, reservando colunas calculadas para atributos de linha realmente necessários para filtrar ou relacionar. Medidas são calculadas sob demanda e quase não pesam, ao contrário das colunas armazenadas.

Erros 6 e 7: faltar tabela de datas e lotar a página de visuais#

O sexto erro é não ter uma tabela de datas dedicada. Sem um bom calendário relacionado ao fato, a inteligência de tempo fica frágil e certas análises pesam mais que deveriam. A correção é criar uma tabela de datas caprichada, que ainda habilita comparações de período. O sétimo erro é lotar uma página com dezenas de visuais: cada visual dispara sua própria consulta, e muitas ao mesmo tempo atrasam o carregamento. A correção é distribuir o conteúdo em mais páginas, com menos visuais em cada uma, aliviando o que carrega de uma vez. Juntando as sete correções, adotar o modelo estrela, remover colunas inúteis, reduzir cardinalidade, preferir filtro único, trocar colunas calculadas por medidas, criar a tabela de datas e não sobrecarregar as páginas, você elimina a esmagadora maioria das causas de lentidão. Antes de qualquer otimização mais sofisticada, vale garantir que nenhum desses sete erros está presente, porque eles são responsáveis pela grande maioria dos relatórios lentos que encontramos. Para modelos rápidos e bem construídos, veja nossos serviços de Power BI, os dashboards e o guia completo de Power BI para empresas.

Perguntas frequentes#

Qual erro de modelagem mais deixa o Power BI lento? Geralmente a tabela única, o tabelão, que mistura fatos e atributos e comprime mal. Adotar o modelo estrela, separando fatos e dimensões, costuma ser o maior ganho de performance possível, além de simplificar o DAX.

Por que remover colunas que não uso? Porque cada coluna importada ocupa espaço e memória, mesmo sem aparecer em nenhum visual. Remover o que não é usado em visual, filtro ou relação encolhe o modelo, melhora a compressão e acelera o relatório de forma imediata.

O que é cardinalidade e por que importa? É o número de valores distintos de uma coluna. O motor comprime pela cardinalidade, então colunas com muitos valores únicos, como data e hora com segundos, comprimem mal e pesam. Reduzir a cardinalidade das piores colunas dá um salto de performance.

Colunas calculadas deixam o modelo lento? Podem, quando usadas para agregações, porque são armazenadas linha a linha e inflam o modelo. Para somas e cálculos agregados, prefira medidas, que são calculadas sob demanda e quase não pesam. Reserve colunas calculadas para atributos de linha necessários.

Por que preciso de uma tabela de datas? Porque ela habilita a inteligência de tempo, como comparações de período, e evita que certas análises pesem mais que deveriam. Sem um calendário dedicado relacionado ao fato, essas análises ficam frágeis e menos eficientes.

Muitos visuais numa página atrapalham? Sim. Cada visual dispara sua própria consulta, então dezenas na mesma página forçam muitas consultas ao mesmo tempo, atrasando o carregamento. Distribuir o conteúdo em mais páginas, com menos visuais em cada, melhora a rapidez.

Corrija os sete e o relatório voa#

A maioria dos relatórios lentos sofre dos mesmos poucos erros de modelagem. Adotar o modelo estrela, limpar colunas, reduzir cardinalidade, cuidar do filtro, preferir medidas, criar a tabela de datas e aliviar as páginas resolve quase tudo. Se quiser um modelo rápido desde o início, fale com a gente.