Power Query: como usar dataflows Gen2 no Fabric

Você prepara os mesmos dados três vezes e ninguém sabe qual versão está certa#

Se a sua equipe abre o Power BI Desktop e refaz o mesmo tratamento de dados em cada arquivo PBIX, você já viveu o problema que os dataflows resolvem. Um analista limpa a base de vendas em um relatório, outro repete a limpeza em outro, e quando alguém muda a regra de negócio a correção não chega em todos os lugares. Saber usar Power Query com dataflows Gen2 no Fabric é o que separa uma preparação de dados que se repete e diverge de uma preparação feita uma vez e reaproveitada por toda a organização.

Neste artigo, a Fynx mostra na prática o que são os dataflows Gen2, como eles usam a mesma experiência do Power Query que você já conhece, como configurar os destinos de saída no Lakehouse e no Warehouse, e como decidir entre um dataflow e uma consulta dentro do modelo. Sem teoria vazia: passos claros e exemplos que você aplica ainda esta semana.

O que são os dataflows Gen2 no Microsoft Fabric#

Os dataflows Gen2 são um item do Microsoft Fabric, a plataforma unificada de dados e análise que a Microsoft anunciou em 2023. Eles são a evolução dos dataflows do Power BI e do Power Platform, agora rodando dentro do Fabric e integrados ao OneLake, o armazenamento único da plataforma.

Na prática, um dataflow é uma coleção de consultas de transformação. Você conecta uma ou mais fontes, aplica limpezas e regras com o Power Query, e o resultado fica disponível para ser consumido por relatórios, modelos semânticos e outros processos. A grande diferença do Gen2 para as gerações anteriores é a capacidade de gravar o resultado em destinos de saída como o Lakehouse e o Warehouse, o que transforma o dataflow numa etapa real de engenharia de dados, e não apenas numa camada interna do Power BI.

Um ponto importante de honestidade: dataflow Gen2 não é o único jeito de mover dados no Fabric. Existem pipelines, notebooks e o próprio SQL. O dataflow brilha quando a lógica de transformação é o coração do trabalho e você quer a produtividade visual do Power Query. Para orquestração pesada e volumes muito altos, avalie combinar com pipelines. Se você ainda está entendendo o posicionamento da plataforma, vale ler o Microsoft Fabric: o que é e vale a pena em 2026.

A experiência é o Power Query online que você já conhece#

Quem já usou o editor do Power Query no Power BI Desktop não precisa reaprender nada. O dataflow Gen2 abre o mesmo editor, agora no navegador. Você tem a lista de consultas à esquerda, o painel de etapas aplicadas à direita, a barra de fórmulas e o mesmo idioma por baixo: a linguagem M.

Isso importa por três motivos. Primeiro, a curva de aprendizado é curta: o conhecimento de Power Query da equipe é aproveitado direto. Segundo, você pode copiar consultas existentes de um PBIX e colar no dataflow, migrando a lógica sem reescrever. Terceiro, tudo que você já sabe sobre boas práticas de M continua valendo, incluindo o cuidado com a dobragem de consulta (query folding), que empurra as transformações para a fonte e melhora o desempenho.

Um exemplo simples de consulta em M dentro de um dataflow, filtrando pedidos válidos e criando uma coluna de mês:

let
    Origem = Sql.Database("servidor-vendas", "ComercialDB"),
    Pedidos = Origem{[Schema="dbo", Item="Pedidos"]}[Data],
    Validos = Table.SelectRows(Pedidos, each [Status] <> "Cancelado"),
    TipaData = Table.TransformColumnTypes(Validos, {{"DataPedido", type date}}),
    ComMes = Table.AddColumn(TipaData, "AnoMes", each Date.ToText([DataPedido], "yyyy-MM"), type text)
in
    ComMes

Você monta essa lógica clicando na interface e o M é gerado para você. Precisa de algo mais avançado? Abra o editor avançado e escreva direto. É o mesmo motor que roda no Desktop. Se a sua equipe quer subir o nível em transformação e modelagem, o time de Power BI da Fynx trabalha exatamente nesse ponto.

Como usar Power Query com dataflows Gen2 no Fabric passo a passo#

O fluxo é curto e repetível. Faça uma vez com calma e depois vira rotina.

1. No seu workspace do Fabric, clique em Novo item e escolha Dataflow Gen2.
2. Clique em Obter dados e selecione a fonte: banco SQL, arquivos no OneLake, SharePoint, API, pasta de CSVs, o que a sua realidade pedir.
3. No editor do Power Query, aplique as transformações: remova colunas inúteis, corrija tipos, faça junções, agrupe, crie colunas calculadas.
4. Para cada consulta que deve virar tabela final, defina o destino de saída no canto inferior direito da tela.
5. Publique e configure a atualização agendada para o dataflow rodar sozinho na frequência que o negócio precisa.

Uma dica de arquitetura que economiza dor de cabeça: separe consultas de referência (dimensões, calendário, cadastros) das consultas de fato (transações). Assim você reaproveita as dimensões em vários dataflows e mantém a lógica organizada. É a mesma disciplina de modelagem que você aplica no modelo, só que uma etapa antes, na preparação dos dados.

Os destinos de saída: Lakehouse e Warehouse no OneLake#

Aqui está o coração do Gen2. Depois de tratar os dados, você escolhe onde gravar o resultado. Os dois destinos mais comuns no Fabric são o Lakehouse e o Warehouse, ambos armazenados no OneLake. A escolha muda como os dados serão consumidos depois.

Característica	Lakehouse	Warehouse
Formato base	Arquivos e tabelas Delta (Parquet)	Tabelas relacionais com T-SQL completo
Melhor para	Dados brutos e refinados, uso por notebooks e Spark	Consumo analítico via SQL, camadas de negócio
Perfil de quem consome	Engenheiro de dados, cientista de dados	Analista, ferramenta de BI, SQL
Escrita e edição via SQL	Leitura por endpoint SQL, escrita limitada	Escrita e leitura completas em T-SQL
Quando preferir	Você quer flexibilidade e trabalho com arquivos	Você quer um data warehouse tradicional gerenciado

Na maioria dos projetos de BI que a Fynx entrega, o Lakehouse é o ponto de chegada natural do dataflow quando o objetivo é alimentar modelos semânticos e relatórios, e o Warehouse entra quando o cliente já pensa em camadas de dados com consumo forte por SQL. Não existe resposta única: existe a resposta certa para o seu cenário. Se a discussão é qual camada usar e como estruturar a plataforma, essa é a conversa que temos em engenharia de dados.

Ao configurar o destino, você define o nome da tabela e o método de atualização. Um método comum é o Replace, que substitui toda a tabela a cada execução, adequado para volumes menores. Para bases grandes, avalie estratégias incrementais na sua arquitetura para não reprocessar tudo a cada carga.

Um dataflow centraliza a preparação para vários relatórios#

Este é o ganho que justifica adotar dataflows. Imagine que a regra para classificar um cliente como ativo mudou. Se essa regra está espalhada em dez arquivos PBIX, alguém precisa abrir, editar e republicar os dez. Se ela está num dataflow Gen2, você edita em um lugar só, e todos os relatórios que leem aquela tabela passam a usar a regra nova na próxima atualização.

Um exemplo concreto de reaproveitamento. Um dataflow chamado dim_clientes prepara o cadastro uma vez:

let
    Origem = Sql.Database("servidor-vendas", "ComercialDB"),
    Clientes = Origem{[Schema="dbo", Item="Clientes"]}[Data],
    LimpaCNPJ = Table.TransformColumns(Clientes, {{"CNPJ", each Text.Select(_, {"0".."9"}), type text}}),
    Ativo = Table.AddColumn(LimpaCNPJ, "Situacao", each if [UltimaCompra] = null then "Inativo" else "Ativo", type text)
in
    Ativo

O relatório de vendas, o de metas e o de churn passam a ler essa mesma tabela dim_clientes do Lakehouse. Uma fonte, uma regra, uma verdade. É esse conceito de fonte única que sustenta um ambiente de BI confiável e escalável ao longo do tempo.

Dataflow ou consulta dentro do modelo: quando usar cada um#

Nem tudo precisa virar dataflow. Consultas de Power Query dentro do próprio modelo do Power BI continuam sendo a escolha certa em muitos casos. A pergunta que resolve a dúvida é simples: essa transformação vai ser usada por mais de um relatório ou por mais de uma pessoa? Se sim, tende a valer um dataflow. Se é uma lógica específica de um único relatório, mantenha no modelo.

Critério	Dataflow Gen2	Consulta no modelo
Reúso entre relatórios	Alto, feito para isso	Baixo, fica preso ao PBIX
Onde a atualização roda	No serviço, agendada, independente	No PBIX, junto do modelo
Governança e fonte única	Forte, tratamento centralizado	Fraca, cada arquivo tem o seu
Destino no OneLake	Sim: Lakehouse e Warehouse	Não, alimenta só o modelo
Custo de manutenção	Menor no coletivo, um ponto de mudança	Maior no coletivo, muitos pontos
Melhor para	Preparação comum, dimensões, bases limpas	Ajuste fino específico de um relatório

Uma abordagem que funciona bem: use o dataflow para a camada pesada e compartilhada (limpeza, junções, padronização, dimensões) e deixe no modelo apenas os ajustes finos daquele relatório, além das medidas em DAX. Assim você combina governança com flexibilidade, sem transformar o dataflow num monstro que ninguém entende.

O consumo é medido em Capacity Units#

Vale um alerta prático de custo. No Microsoft Fabric, o processamento dos dataflows Gen2, como o de outros itens da plataforma, consome recursos da sua capacidade, medidos em Capacity Units (CUs). Ou seja, cada atualização tem um custo computacional. Isso não é motivo para evitar dataflows, é motivo para usá-los com cabeça.

Recomendações que reduzem consumo sem perder qualidade:

• Preserve a dobragem de consulta. Quando o Power Query empurra o trabalho para a fonte, você processa menos dentro do Fabric.
• Não atualize mais do que o negócio precisa. Se o relatório é lido de manhã, uma atualização diária de madrugada pode bastar.
• Evite recarregar tudo. Para bases grandes, planeje cargas incrementais em vez de substituir a tabela inteira toda vez.
• Reaproveite dataflows. Uma dimensão preparada uma vez e usada em cinco relatórios custa menos que cinco preparações separadas.

Acompanhar esse consumo e manter o ambiente saudável ao longo do tempo é parte de uma boa sustentação de BI, que evita que a conta cresça sem que ninguém perceba.

Perguntas frequentes#

Preciso saber programar para usar dataflows Gen2?

Não para o básico. A experiência é o Power Query online, com interface visual: você clica, filtra, junta e transforma sem escrever código. A linguagem M aparece automaticamente. Saber M ajuda em casos avançados e para revisar o que foi gerado, mas não é pré-requisito para começar a entregar valor.

Qual a diferença entre dataflow Gen1 e Gen2?

O Gen2 é a geração dentro do Microsoft Fabric e traz o recurso decisivo dos destinos de saída, permitindo gravar o resultado no Lakehouse e no Warehouse do OneLake. O Gen1, mais antigo, mantinha os dados numa camada interna do Power BI, sem essa integração direta com a plataforma de dados do Fabric.

Dataflow Gen2 substitui os pipelines do Fabric?

Não, eles se complementam. O dataflow é forte na transformação com Power Query. Os pipelines são fortes na orquestração, no movimento de grandes volumes e na coordenação de várias etapas. Em cenários maiores é comum um pipeline chamar um dataflow como uma das etapas do processo.

Consigo migrar minhas consultas do Power BI Desktop para um dataflow?

Sim, e é um dos maiores atalhos. Como o motor é o mesmo Power Query, você copia consultas do Desktop e cola no dataflow, ajustando fontes e destino. Isso permite transformar lógica que estava presa em arquivos PBIX numa camada compartilhada, sem reescrever tudo do zero.

Quando não vale a pena criar um dataflow?

Quando a transformação serve a um único relatório e a uma única pessoa, e não há intenção de reúso. Nesse caso, uma consulta dentro do modelo é mais simples e evita processamento extra na capacidade. A regra prática: só promova a dataflow o que será compartilhado ou governado centralmente.

O uso de dataflows aumenta muito o custo no Fabric?

O processamento consome Capacity Units, então há um custo por atualização. Na prática, um dataflow bem desenhado costuma reduzir o custo total, porque prepara os dados uma vez em vez de repetir o mesmo trabalho em vários lugares. O segredo é controlar a frequência de atualização, preservar a dobragem de consulta e evitar recargas completas desnecessárias.

Comece pequeno e centralize o que se repete#

Dataflows Gen2 não são mais uma novidade para colecionar: são a forma de parar de preparar os mesmos dados várias vezes. Escolha uma preparação que hoje se repete em vários relatórios, monte um dataflow com destino no Lakehouse ou no Warehouse, aponte os relatórios para ele e observe a diferença em consistência e manutenção. Depois, expanda para as próximas.

Se você quer estruturar isso do jeito certo desde o começo, com arquitetura, governança e custo sob controle, fale com a gente. A Fynx desenha e implementa ambientes de dados no Microsoft Fabric que a sua equipe consegue manter sem sustos.