Power BI'da Veri Modelleme: Yıldız Şema ve İlişkiler

Veri modelleme neden Power BI'ın temelidir?

Power BI'da güzel görünen bir rapor, altındaki veri modeli sağlam değilse güvenilir olmaz. Veri modeli; tabloların, aralarındaki ilişkilerin ve hesaplamaların nasıl düzenlendiğini tanımlar. Yanlış kurulmuş bir model yavaş çalışır, yanlış sonuç üretir ve yeni soru geldiğinde genişletilemez. Doğru kurulmuş bir model ise hızlı, anlaşılır ve yeniden kullanılabilir olur.

Power BI'ın motoru, veriyi sütun tabanlı olarak sıkıştırıp bellekte tutar ve filtreleme mantığıyla çalışır. Bu çalışma biçimini anlamak, neden bazı model tasarımlarının hızlı, bazılarının yavaş olduğunu çözümler. Yaygın hata, ham veri tablosunu olduğu gibi içeri alıp tek geniş tablo üzerinde rapor kurmaktır. Bu yaklaşım küçük veride işe yarasa da veri büyüdükçe ve sorular çoğaldıkça sorun çıkarır.

Yıldız şema nedir, nasıl kurulur?

Yıldız şema, veri modelleme için en yaygın önerilen düzendir. Merkezde bir olgu (fact) tablosu bulunur; satışlar, siparişler ya da işlemler gibi ölçülebilen olayları tutar. Çevresinde boyut (dimension) tabloları yer alır; müşteri, ürün, tarih, bölge gibi olayı tanımlayan bilgileri tutar. Şema, ortadaki tablodan çevreye uzanan yıldız şeklini andırdığı için bu adı alır.

Kurulum adımları: • Analiz edilecek olayı belirleyin ve olgu tablosunu oluşturun. • Olayı filtrelemek ve gruplamak istediğiniz boyutları belirleyin. • Her boyut için ayrı, tekil satırlı bir tablo oluşturun. • Olgu tablosundaki anahtar sütunları boyut tablolarıyla ilişkilendirin. • Ayrı bir tarih tablosu kullanın.

Örneğin satış analizi için ortada satış satırları, çevrede ürün, müşteri, mağaza ve tarih tabloları olur. Bu yapı, filtrelerin boyuttan olguya doğru temiz akmasını sağlar.

İlişkiler, kardinalite ve filtre yönü

Tablolar arası ilişkiler, bir tablodaki filtrenin diğerini nasıl etkilediğini belirler. İlişkiyi kurarken iki kavram önemlidir: kardinalite ve filtre yönü. Kardinalite, tabloların satırlarının nasıl eşleştiğini ifade eder; en sağlıklı yapı, boyuttan olguya bire çok ilişkidir. Filtre yönü ise filtrenin hangi yöne aktığını söyler.

Çift yönlü filtreleme ve çoktan çoğa ilişkiler gerektiğinde kullanılabilir, ancak belirsizlik ve performans sorunları getirir. Gereksiz yere kullanılmaması önerilir. Aynı iki tablo arasında birden fazla yol oluşursa model hangi yolu kullanacağını belirleyemez; bu durum yanıltıcı sonuçların sık nedenidir. İlişki diyagramını düzenli ve okunabilir tutmak, hataları görmenin en kolay yoludur.

Power Query ile veriyi modele hazırlamak

Model, veri içeri girmeden önce şekillenir. Power Query, kaynak veriyi temizleyip dönüştüren araçtır: sütun türlerini düzeltmek, gereksiz sütunları atmak, tabloları birleştirmek ya da ayırmak, boş değerleri yönetmek bu aşamada yapılır. ETL (çıkar, dönüştür, yükle) mantığıyla veri, yıldız şemaya uygun olgu ve boyut tablolarına bölünür.

Mümkün olduğunca dönüşümü kaynağa yakın, modelin içinde değil Power Query'de yapmak iyi uygulamadır. Dönüşüm adımlarını anlaşılır adlandırmak, başkalarının ve gelecekteki sizin için bakım kolaylığı sağlar. Büyük veri kaynaklarında dönüşümlerin kaynağa yansıtılabildiği yapılar performansı artırır. Gereksiz sütunları veri yüklenmeden önce kaldırmak, hem model boyutunu hem yenileme süresini azaltır.

Ölçüler mi, hesaplanan sütunlar mı?

Power BI'da hesaplama iki biçimde yapılır. Hesaplanan sütun, tabloda satır satır hesaplanır ve veriyle birlikte modelde depolanır. Ölçü (measure) ise rapor bağlamına göre anlık hesaplanan ve depolanmayan formüldür. Toplam satış, ortalama sipariş tutarı ve önceki yıla göre değişim gibi göstergeler tipik olarak ölçüdür.

Genel kural, toplam, oran ve karşılaştırma gibi toplulaştırılan hesapları ölçü olarak yazmak, satır düzeyinde sınıflandırma gerektiren durumlarda hesaplanan sütun kullanmaktır. Hesaplanan sütunlar model boyutunu büyütür; gereğinden fazla kullanmak performansı düşürür. Ölçüleri anlamlı adlandırmak, tek bir yerde ve düzenli saklamak, rapor geliştiricilerin aynı tanıma ulaşmasını sağlar. Aynı gösterge için birden çok farklı hesap bulunması, kuruluşta çelişkili rakamlara yol açar.

Model temizliği, dokümantasyon ve ölçeklendirme

Zamanla model dağılır: kullanılmayan sütunlar, belirsiz adlı tablolar, eski ölçüler birikir. Düzenli temizlik, kullanılmayan alanların kaldırılması, adlandırma standardı ve ilişki diyagramının sadeleştirilmesini içerir. Bu temizlik hem performansı hem anlaşılabilirliği artırır.

Dokümantasyon çoğu zaman ihmal edilir. Oysa modelin ne verisi kullandığı, ölçülerin ne anlama geldiği ve yenileme düzeninin nasıl işlediği yazılı değilse, modeli geliştiren kişi ayrıldığında bilgi kaybolur. Büyük veri hacimlerinde ölçeklendirme için toplulaştırma tabloları, artımlı yenileme ve kurumsal dağıtım gibi ileri mimari yaklaşımlar devreye girer. Yetkilendirme, çalışma alanı düzeni ve model paylaşımı da ölçeklendirmenin parçasıdır.

Başlangıçtan ileri düzeye yol ve sık hatalar

Başlangıçta tek bir olgu ve birkaç boyuttan oluşan küçük bir model kurmak iyi bir uygulamadır. Ardından tarih tablosu, ölçü yazımı ve zamana dayalı hesaplamalar öğrenilir. İleri düzeyde birden fazla olgu tablosu, ortak boyutlar, satır düzeyi güvenlik ve performans analizi çalışılır.

Sık hatalar: • Tüm veriyi tek geniş tabloya koymak. • Boyut tablolarında tekrar eden anahtarlar bırakmak. • Gereksiz çift yönlü ilişkiler kurmak. • Ayrı tarih tablosu kullanmamak. • Her hesabı hesaplanan sütunla yapmak. • Modeli belgelemeden devretmek.

Başlamak için elinizdeki bir Excel raporunu alıp yıldız şemaya dönüştürmeyi deneyin. Hangi sütunların olguya, hangilerinin boyuta ait olduğunu ayırmak, modelleme düşüncesini hızla yerleştirir.

Bu beceriyi Mindset programlarında nerede çalışırsınız?

Mindset kataloğundaki Power BI Veri Modelleme programı Veri Modelleme Temelleri ve Motor Mantığı, Yıldız Şema ve Boyut Modelleme, ETL Tasarımı ve Power Query Mimarisi ile Ölçüler, Hesaplanan Sütunlar ve Model Temizliği modüllerini içerir.

Program ayrıca İleri Model Mimarisi ve Ölçeklendirme, Model Dokümantasyonu ve Bakımı ile Power BI Premium ve Kurumsal Dağıtım başlıklarıyla kurumsal kullanıma uzanır. Kurumsal dağıtım tarafında güncel duruma dikkat edin: Microsoft, kapasite tabanlı Power BI Premium lisanslarını (P SKU) emekliye ayırıyor ve yeni satışını yapmıyor; kurumsal kapasite artık Microsoft Fabric kapasiteleri (F SKU) üzerinden sağlanıyor. Kullanıcı başına Pro ve Premium Per User lisansları bu değişiklikten etkilenmiyor. Bu nedenle modül adındaki Premium kavramını bugün Fabric kapasitesiyle birlikte düşünmek gerekir; veri modelleme ilkeleri her iki kapasite türünde de aynıdır.