Como usar árvore de decomposição no Power BI: passo a passo

O relatório mostra que a receita caiu, mas ninguém sabe por quê#

Essa é a cena que se repete em quase toda reunião de resultado. O cartão de KPI pisca em vermelho, a meta não bateu, e começa o desfile de hipóteses de corredor. Foi o canal digital? Foi aquele cliente grande que sumiu? Foi a região Sul? Cada gestor puxa para o seu lado, e ninguém tem o número na mão para decidir. É exatamente esse buraco que a árvore de decomposição Power BI foi feita para preencher: em vez de trocar de página e cruzar filtros manualmente, você abre um caminho de análise ali, ao vivo, e deixa o próprio dado apontar onde está o problema.

A árvore de decomposição (decomposition tree, no original) faz parte do grupo de visuais de IA do Power BI, ao lado de principais influenciadores e narrativa inteligente. Ela quebra uma medida em pedaços, dimensão por dimensão, de forma interativa. Você começa com um total, escolhe por qual atributo abrir, e o visual reparte o número. Escolhe outro atributo, ele reparte de novo. E assim você desce, nível a nível, até chegar na explicação. Neste artigo eu mostro quando ela vale a pena, o passo a passo para montar, os erros que mais vejo em campo e as boas práticas que separam um brinquedo bonito de uma ferramenta de decisão.

A árvore de decomposição serve para investigar, não para monitorar#

Antes de sair criando o visual, vale entender o papel dele. A árvore de decomposição é uma ferramenta de exploração ad hoc. Ela responde à pergunta "por quê" depois que um número já chamou atenção. Não é um gráfico para colocar na primeira página de um dashboard executivo que roda no automático, porque ela pede interação: alguém precisa clicar, abrir e ir seguindo o rastro.

Use a árvore de decomposição quando:

• Você tem uma métrica que subiu ou caiu e precisa entender a composição por trás.
• Existem várias dimensões candidatas a explicar o movimento (produto, região, canal, vendedor, cliente).
• O público sabe interagir com o relatório, ou pelo menos alguém vai conduzir a análise ao vivo.
• Você quer usar a inteligência artificial para achar o próximo nível mais relevante sem saber de antemão qual é.

Evite a árvore de decomposição quando o objetivo é apenas exibir um ranking fixo, quando a medida não é aditiva de forma simples, ou quando o relatório precisa ser lido de relance por quem não vai tocar em nada. Para esses casos, um gráfico de barras ordenado ou uma matriz resolvem melhor.

A tabela abaixo ajuda a escolher o visual certo para cada intenção.

Sua intenção	Visual recomendado	Por quê
Investigar causa de uma variação	Árvore de decomposição	Abre a métrica por dimensões de forma livre e guiada por IA
Comparar categorias fixas	Gráfico de barras	Leitura imediata, sem interação
Ver detalhe linha a linha	Matriz ou tabela	Mostra todos os valores de uma vez
Descobrir o que mais influencia um resultado	Principais influenciadores	Aponta drivers estatísticos, não só composição
Resumir em texto para o executivo	Narrativa inteligente	Gera frase automática com os números-chave

O passo a passo para montar a árvore de decomposição#

Vou assumir que você já tem um modelo minimamente organizado, com uma tabela fato de vendas e algumas dimensões. Se o seu modelo ainda é uma planilha gigante sem relacionamento, pare aqui e resolva a modelagem primeiro, porque nenhum visual de IA salva um modelo ruim. Vale a leitura do nosso guia de modelagem e boas práticas de DAX antes de seguir.

Passo 1: adicione o visual. No painel de visualizações, clique no ícone da árvore de decomposição. Ele tem o formato de uma pequena árvore ramificada. Se você não achar, confira em tenant settings se os visuais de IA estão liberados, porque alguns ambientes corporativos bloqueiam esse grupo por padrão.

Passo 2: defina a métrica em Analisar. Arraste para o campo "Analisar" a medida que você quer explicar. Pode ser Receita, Margem, Quantidade, Ticket Médio. O ideal é usar uma medida DAX bem construída, não uma coluna solta. Uma medida como Receita = SUM(Vendas[Valor]) já serve para começar.

Passo 3: preencha o campo Explicar por. Aqui vão as dimensões pelas quais você vai poder abrir a métrica: Região, Categoria, Canal, Vendedor, Mês. Coloque quantas fizerem sentido. A ordem que você põe aqui não trava o caminho da análise; ela apenas fica disponível como opções quando você for abrir um nó.

Passo 4: abra o primeiro nível. No visual, clique no sinal de mais ao lado do total. Aparece a lista de dimensões que você cadastrou, mais duas opções especiais de IA no topo: "Valor alto" e "Valor baixo". Se você escolher uma dimensão manualmente, a árvore reparte por ela. Se escolher a opção de IA, o Power BI decide qual dimensão explica melhor aquele ramo.

Passo 5: continue descendo. A cada nível, clique de novo no sinal de mais e escolha o próximo atributo. A árvore vai desenhando o caminho: Total, depois Região, depois dentro da pior região por Categoria, depois por Vendedor. Em poucos cliques você sai de "a receita caiu" para "a receita caiu por causa da categoria X na região Sul, puxada por dois clientes específicos".

Passo 6: use os níveis de IA com consciência. As opções "Valor alto" e "Valor baixo" mandam o algoritmo procurar, entre todas as dimensões disponíveis, qual gera o maior ou o menor valor no próximo passo. É poderoso para não ter que adivinhar, mas exige leitura crítica, como explico mais adiante.

Passo 7: formate para leitura. Ajuste rótulos de dados, cor da barra de densidade e o tema. Se a sua empresa já tem padrão visual, aplique o tema personalizado para a árvore não destoar do resto do relatório.

Os campos da árvore de decomposição em uma tabela de referência#

Para não deixar dúvida sobre onde cada coisa entra, segue o resumo dos elementos do visual.

Elemento	O que faz	Cuidado
Analisar	Recebe a medida que será decomposta	Use uma só medida por árvore
Explicar por	Lista as dimensões disponíveis para abrir	Muitas dimensões deixam a escolha confusa
Valor alto (IA)	Abre pelo atributo que maximiza o resultado	Pode escolher dimensão com poucos dados
Valor baixo (IA)	Abre pelo atributo que minimiza o resultado	Sensível a valores negativos e nulos
Nó (nível)	Cada ramo aberto da árvore	Muitos níveis viram scroll infinito
Barra de densidade	Mostra a proporção de cada categoria no nó	Boa para achar concentração

Os erros que mais vejo em árvores de decomposição#

Depois de muitos projetos e sustentações, alguns tropeços aparecem sempre. Vale conhecer para não repetir.

Confundir composição com causa. A árvore mostra onde o número está grande ou pequeno, não necessariamente por que ele mudou. Se a região Sul concentra a maior receita, isso pode ser só porque ela sempre foi a maior, não porque algo aconteceu ali. Para achar o que de fato move o resultado, o visual de principais influenciadores costuma ser mais honesto.

Usar medidas não aditivas. A árvore funciona somando os pedaços de cada nível. Se a sua medida é uma razão, como Margem Percentual ou Ticket Médio, a soma dos ramos não bate com o total, e o visual passa a mentir de forma sutil. Nesses casos, decomponha o numerador e o denominador em medidas separadas, ou traga a análise para o valor absoluto.

Deixar a IA escolher tudo sem revisar. As opções de valor alto e valor baixo são atalhos ótimos, mas o algoritmo não conhece o seu negócio. Ele pode abrir por um atributo com pouquíssimos registros que, por acaso, tem o maior valor unitário, e mandar você investigar um beco sem saída. Sempre olhe quantos dados sustentam o ramo que a IA escolheu.

Ignorar valores nulos e negativos. Devoluções, estornos e cadastros incompletos geram negativos e brancos que distorcem a decomposição, principalmente na busca por valor baixo. Trate isso na camada de dados antes, com Power Query ou engenharia de dados, e não na marra dentro do visual.

Empilhar níveis demais. Uma árvore com oito ou nove níveis abertos vira um emaranhado que ninguém lê. Se você precisa descer tanto, provavelmente a pergunta é outra, ou o modelo está com granularidade errada. Mantenha a análise em três a cinco níveis e conte a história com clareza.

Boas práticas para a árvore virar decisão, não enfeite#

A diferença entre um visual que impressiona na demo e um que muda o resultado do mês está em alguns hábitos.

Comece pela pergunta, não pelo visual. Antes de arrastar campos, saiba o que você quer responder: por que a margem caiu, quem puxou a queda de volume, onde o desconto está corroendo o preço. A árvore é o instrumento, não o objetivo.

Nomeie as medidas e dimensões em português claro. Quem vai conduzir a análise ao vivo, muitas vezes na frente da diretoria, não pode gaguejar tentando entender se "Vlr_Liq_2" é a receita líquida. Modelo limpo é meio caminho para análise confiante.

Trave o que precisa ficar fixo. Se a árvore sempre deve começar filtrada no ano corrente ou em uma unidade de negócio, use segmentações ou filtros de nível de página para dar o ponto de partida certo. Deixe livre só o que for de fato exploratório.

Combine com outros visuais na mesma página. A árvore explica a composição, o gráfico de linha mostra a tendência no tempo, e a narrativa inteligente resume em texto. Juntos, eles fecham o raciocínio. Se a sua operação está amadurecendo o uso de dados e quer estruturar isso com método, faz sentido conversar sobre analytics avançado para ir além do visual pronto.

Documente o caminho quando achar algo relevante. A árvore é interativa e não guarda o estado sozinha entre sessões. Se você descobriu a causa de um problema, tire um print, crie um indicador (bookmark) ou registre a conclusão. Análise que não vira registro se perde na próxima reunião.

Perguntas frequentes#

A árvore de decomposição está disponível em todas as licenças do Power BI?

Sim, o visual faz parte do conjunto padrão e não exige licença Premium só por existir. O que pode faltar é permissão: em ambientes corporativos, os visuais de IA às vezes ficam desativados nas configurações do tenant. Se o ícone não aparece, fale com quem administra o Power BI da sua empresa para liberar o grupo de visuais de IA.

Qual a diferença entre árvore de decomposição e drill down comum?

O drill down segue uma hierarquia fixa que você definiu antes, sempre na mesma ordem. A árvore de decomposição é livre: a cada nível você escolhe por qual dimensão abrir, e pode deixar a IA sugerir. Ela é mais flexível para investigação, enquanto o drill down é melhor para navegação estruturada e previsível.

Posso usar a árvore com medidas de percentual ou média?

Tecnicamente sim, mas com muito cuidado. A árvore soma os ramos para compor cada nível, e medidas como percentual e média não se somam. O total exibido pode não corresponder à realidade. A recomendação é decompor valores absolutos, ou separar numerador e denominador em medidas próprias e interpretar com atenção.

As opções de IA de valor alto e valor baixo são confiáveis?

Elas são um ótimo ponto de partida, mas não substituem o seu julgamento. O algoritmo busca o extremo estatístico sem entender o contexto de negócio, então pode apontar um ramo com base pequena de dados. Sempre verifique quantos registros sustentam a escolha antes de tirar conclusão.

Dá para usar a árvore de decomposição no aplicativo mobile do Power BI?

Ela funciona no mobile, mas a experiência é limitada pelo tamanho da tela, já que a árvore cresce na horizontal a cada nível aberto. Para consumo no celular, é melhor manter poucos níveis ou reservar a análise profunda para o desktop e a versão web.

A árvore substitui o visual de principais influenciadores?

Não, os dois se complementam. A árvore mostra a composição, ou seja, onde o número está concentrado. Principais influenciadores mostra o que aumenta ou diminui a probabilidade de um resultado, com base estatística. Para uma análise de causa completa, use os dois juntos.

Conclusão#

A árvore de decomposição é uma das ferramentas mais subutilizadas do Power BI, e ao mesmo tempo uma das que mais mudam a conversa em uma reunião de resultado. Ela tira a análise do achismo e coloca o dado para explicar a si mesmo, nível a nível. O segredo não está em dominar o visual, que é simples, mas em fazer a pergunta certa, usar medidas aditivas, olhar a IA com senso crítico e transformar a descoberta em decisão registrada.

Se a sua empresa quer que os relatórios respondam "por quê" e não apenas mostrem "quanto", isso normalmente passa por modelo bem feito, governança e um pouco de método. Se quiser um parceiro para chegar lá, fale com a gente.