Compartilhar via


Diretrizes de relação muitos para muitos

Este artigo destina-se aos modeladores de dados que trabalham com o Power BI Desktop. Ele descreve três diferentes cenários de modelagem de muitos-para-muitos. Ele também fornece diretrizes sobre como projetar com êxito para esses cenários em seus modelos.

Observação

Este artigo não inclui nenhuma introdução às relações de modelo. Se você não estiver totalmente familiarizado com essas relações, as respectivas propriedades e como configurá-las, recomendamos que leia primeiro o artigo Relações de modelo no Power BI Desktop.

Também é importante que você compreenda o design em esquema em estrela. Para obter mais informações, confira Entender o esquema em estrela e a importância dele para o Power BI.

Na verdade, há três cenários de muitos para muitos. Eles podem ocorrer quando for necessário:

Observação

Agora, o Power BI tem suporte nativo para relações de muitos para muitos. Para mais informações, confira Aplicar relações muitos para muitos no Power BI Desktop.

Relacionar dimensões muitos-para-muitos

Vamos considerar o primeiro tipo de cenário muitos-para-muitos com um exemplo. O cenário clássico relaciona duas entidades: clientes de banco e contas bancárias. Considere que os clientes podem ter várias contas e que as contas podem ter vários clientes. Quando uma conta tem vários clientes, eles costumam ser chamados de titulares de conta conjunta.

A modelagem dessas entidades é bastante direta. Uma tabela de tipo de dimensão armazena contas e outra tabela de tipo de dimensão armazena os clientes. Como é característico das tabelas de tipo de dimensão, há uma coluna de ID em cada tabela. Para modelar a relação entre as duas tabelas, uma terceira é necessária. Essa tabela é conhecida como tabela de ponte. Neste exemplo, a finalidade é armazenar uma linha para cada associação de conta de cliente. Curiosamente, quando essa tabela contém apenas colunas de ID, ela é chamada de tabela de fato sem fatos.

Aqui está um diagrama de modelo simplista das três tabelas.

Diagram showing a model containing three tables. The design is described in the following paragraph.

A primeira tabela é denominada Conta e contém duas colunas: AccountID e Conta. A primeira tabela é denominada AccountCustomer e contém duas colunas: AccountID e CustomerID. A terceira tabela é denominada Cliente e contém duas colunas: CustomerID e Cliente. Não há relações entre nenhuma das tabelas.

Duas relações de um-para-muitos são adicionadas para relacionar as tabelas. Aqui está um diagrama de modelo atualizado das tabelas relacionadas. Uma tabela de tipo de fato chamada Transação foi adicionada. Ela registra transações de conta. A tabela de ponte e todas as colunas de ID foram ocultas.

Diagram showing that the model now contains four tables. One-to-many relationships have been added to relate all tables.

Para ajudar a descrever como funciona a propagação do filtro de relações, o diagrama de modelo foi modificado para revelar as linhas de tabela.

Observação

Não é possível exibir linhas de tabela no diagrama de modelo do Power BI Desktop. Isso é feito neste artigo a fim de contribuir com a discussão, fornecendo exemplos claros.

Diagram showing that the model now reveals the table rows. The row details for the four tables are described in the following paragraph.

Os detalhes de linha para as quatro tabelas são descritos na seguinte lista com marcadores:

  • A tabela Conta tem duas linhas:
    • AccountID 1 é para Conta-01
    • AccountID 2 é para Conta-02
  • A tabela Cliente tem duas linhas:
    • CustomerID 91 é para o Cliente-91
    • CustomerID 92 é para o Cliente-92
  • A tabela AccountCustomer tem três linhas:
    • AccountID 1 está associada à CustomerID 91
    • AccountID 1 está associada à CustomerID 92
    • AccountID 2 está associada à CustomerID 92
  • A tabela Transação tem três linhas:
    • Data 1º de janeiro de 2019, AccountID 1, Valor 100
    • Data 2 de fevereiro de 2019, AccountID 2, Valor 200
    • Data 3 de março de 2019, AccountID 1, Valor -25

Vejamos o que acontece quando o modelo é consultado.

Abaixo estão dois elementos visuais que resumem a coluna Valor da tabela Transação. O primeiro visual é agrupado por conta e, portanto, a soma das colunas de Valor representa o saldo da conta. O segundo visual é agrupado por cliente e, portanto, a soma das colunas de Valor representa o saldo do cliente.

Diagram showing two report visuals sitting side by side. The visuals are described in the following paragraph.

O primeiro visual é intitulado Saldo da Conta e tem duas colunas: Conta e Valor. Ele exibe o seguinte resultado:

  • O valor do saldo da Conta-01 é 75
  • O valor do saldo da Conta-02 é 200
  • O total é 275

O segundo visual é intitulado Saldo do Cliente e tem duas colunas: Cliente e Valor. Ele exibe o seguinte resultado:

  • O valor do saldo do Cliente-91 é 275
  • O valor do saldo do Cliente-92 é 275
  • O total é 275

Uma observação rápida das linhas da tabela e do visual Saldo da Conta revela que os resultados para cada conta e para o valor total estão corretos. Isso ocorre porque cada agrupamento de conta resulta em uma propagação de filtro para a tabela Transação para essa conta.

No entanto, há algo que não parece estar correto com o visual Saldo do Cliente. Cada cliente no visual Saldo do Cliente tem o mesmo saldo que o saldo total. Esse resultado só poderia estar correto se todos os clientes fossem titulares de uma conta conjunta, para todas as contas. Esse não é o caso neste exemplo. O problema está relacionado à propagação do filtro. Ele não está fluindo até a tabela Transação.

Siga as instruções de filtro de relação da tabela Cliente para a tabela Transação. Deve ficar evidente que a relação entre a Conta e a tabela AccountCustomer está se propagando na direção errada. A direção do filtro para essa relação deve ser definida para Ambas.

Diagram showing that the model has been updated. It now filters in both directions.

Diagram showing the same two report visuals sitting side by side. The first visual has not changed, while the second visual has.

Como esperado, não houve alteração no visual Saldo da Conta.

Os visuais de Saldo do Cliente, no entanto, agora exibem o seguinte resultado:

  • O valor do saldo do Cliente-91 é 75
  • O valor do saldo do Cliente-92 é 275
  • O total é 275

O visual Saldo do Cliente agora exibe um resultado correto. Siga as instruções de filtro por conta própria e veja como os saldos do cliente foram calculados. Além disso, entenda que o visual total significa todos os clientes.

Alguém que não esteja familiarizado com as relações de modelo pode concluir que o resultado está incorreto. Essa pessoa poderia perguntar: Por que o saldo total para Cliente-91 e Cliente-92 não é igual a 350 (75 + 275)?

A resposta a essa pergunta está na compreensão da relação muitos-para-muitos. Cada saldo do cliente pode representar a adição de vários saldos de conta e, portanto, os saldos do cliente são não aditivos.

Diretrizes para relacionar dimensões muitos-para-muitos

Quando você tem uma relação muitos-para-muitos entre tabelas de tipo de dimensão, fornecemos as seguintes diretrizes:

  • Adicione cada entidade muitos-para-muitos relacionada como uma tabela de modelo, assegurando que ela tenha uma coluna de ID (identificação) exclusiva
  • Adicione uma tabela de ponte para armazenar entidades associadas
  • Crie relações um-para-muitos entre as três tabelas
  • Configure uma relação bidirecional para permitir que a propagação do filtro continue para as tabelas de tipo de fato
  • Quando não for apropriado ter valores de ID ausentes, defina a propriedade Is Nullable das colunas de ID como FALSE. A atualização de dados falhará ao se obter os valores ausentes
  • Oculte a tabela de ponte (a menos que ela contenha colunas ou medidas adicionais necessárias para relatórios)
  • Oculte as colunas de ID que não forem adequadas para relatórios (por exemplo, quando as IDs forem chaves substitutas)
  • Se fizer sentido deixar uma coluna de ID visível, verifique se ela está no lado "um" da relação. Sempre oculte a coluna do lado "muitos". Isso resulta no melhor desempenho possível do filtro.
  • Para evitar confusão ou má interpretação, comunique explicações para seus usuários de relatório. Você pode adicionar descrições com caixas de texto ou dicas de ferramenta de cabeçalho de visual

Não recomendamos que você relacione diretamente tabelas de tipo de dimensão muitos-para-muitos. Essa abordagem de design requer a configuração de uma relação com uma cardinalidade muitos-para-muitos. Conceitualmente, isso pode ser alcançado, mas implica que as colunas relacionadas conterão valores duplicados. No entanto, a presença de uma coluna de ID em tabelas de tipo de dimensão é uma prática de design bem aceita. As tabelas de tipo de dimensão sempre devem usar a coluna de ID como o lado "um" de uma relação.

Relacionar fatos muitos-para-muitos

O segundo tipo de cenário de muitos-para-muitos envolve relacionar duas tabelas de tipo de fato. Duas tabelas de tipo de fato podem ser relacionadas diretamente. Essa técnica de design pode ser útil para exploração de dados rápida e simples. No entanto, esclarecemos que essa abordagem de design geralmente não é recomendável. Explicaremos o porquê mais adiante nesta seção.

Vamos considerar um exemplo que envolve duas tabelas de tipo de fato: Ordem e Cumprimento. A tabela Ordem contém uma linha por linha de ordem, enquanto a tabela Cumprimento pode conter zero ou mais linhas por linha de ordem. As linhas na tabela Ordem representam ordens de venda. As linhas na tabela Cumprimento representam os itens de ordem que foram enviados. Uma relação muitos-para-muitos relaciona as duas colunas de OrderID, com a propagação de filtro somente da tabela Ordem (a Ordem filtra o Cumprimento).

Diagram showing a model containing two tables: Order and Fulfillment.

A cardinalidade da relação é definida como muitos-para-muitos para dar suporte ao armazenamento de valores de OrderID duplicados nas duas tabelas. Na tabela Ordem, os valores de OrderID duplicados podem existir porque uma ordem pode ter várias linhas. Na tabela Cumprimento, os valores OrderID duplicados podem existir porque as ordens podem ter várias linhas, e as linhas de ordem podem ser cumpridas por muitas remessas.

Agora, vamos dar uma olhada nas linhas da tabela. Na tabela Cumprimento, observe que as linhas de ordem podem ser cumpridas por várias remessas. (A ausência de uma linha de ordem significa que a ordem ainda deve ser cumprida.)

Diagram showing that the model now reveals the table rows. The row details for the two tables are described in the following paragraph.

Os detalhes de linha para as duas tabelas são descritos na seguinte lista com marcadores:

  • A tabela Ordem tem cinco linhas:
    • OrderDate 1º de janeiro de 2019, OrderID 1, OrderLine 1, ProductID Prod-A, OrderQuantity 5, Vendas 50
    • OrderDate 1º de janeiro de 2019, OrderID 1, OrderLine 2, ProductID Prod-B, OrderQuantity 10, Vendas 80
    • OrderDate 2 de fevereiro de 2019, OrderID 2, OrderLine 1, ProductID Prod-B, OrderQuantity 5, Vendas 40
    • OrderDate 2 de fevereiro de 2019, OrderID 2, OrderLine 2, ProductID Prod-C, OrderQuantity 1, Vendas 20
    • OrderDate 3 de março de 2019, OrderID 3, OrderLine 1, ProductID Prod-C, OrderQuantity 5, Vendas 100
  • A tabela Cumprimento tem quatro linhas:
    • FulfillmentDate 1º de janeiro de 2019, FulfillmentID 50, OrderID 1, OrderLine 1, FulfillmentQuantity 2
    • FulfillmentDate 2 de fevereiro de 2019, FulfillmentID 51, OrderID 2, OrderLine 1, FulfillmentQuantity 5
    • FulfillmentDate 2 de fevereiro de 2019, FulfillmentID 52, OrderID 1, OrderLine 1, FulfillmentQuantity 3
    • FulfillmentDate 1º de janeiro de 2019, FulfillmentID 53, OrderID 1, OrderLine 2, FulfillmentQuantity 10

Vejamos o que acontece quando o modelo é consultado. Aqui está um visual de tabela que compara as quantidades de ordem e de cumprimento pela coluna OrderID da tabela Ordem.

Diagram showing a table visual with three columns: OrderID, OrderQuantity, and FulfillmentQuantity.

O visual fornece um resultado preciso. No entanto, a utilidade do modelo é limitada. Você só pode filtrar ou agrupar pela coluna OrderID da tabela Order.

Diretrizes para relacionar fatos muitos-para-muitos

Em geral, não recomendamos relacionar duas tabelas de tipo de fato diretamente usando a cardinalidade muitos-para-muitos. O principal motivo é que o modelo não fornecerá flexibilidade para as maneiras em que seus visuais de relatório filtrarão ou agruparão. No exemplo, só é possível que os visuais filtrem ou agrupem pela coluna OrderID da tabela Ordem. Um motivo adicional está relacionado à qualidade de seus dados. Se os dados tiverem problemas de integridade, algumas linhas poderão ser omitidas durante a consulta devido à natureza da relação limitada. Para saber mais, confira Relações de modelo no Power BI Desktop (avaliação de relações).

Em vez de relacionar as tabelas de tipo de fato diretamente, recomendamos que você adote princípios de design de esquema em estrela. Você faz isso adicionando tabelas de tipo de dimensão. As tabelas de tipo de dimensão se relacionam então às tabelas de tipo de fato usando relações um-para-muitos. Essa abordagem de design é robusta, pois fornece opções de relatório flexíveis. Ele permite filtrar ou agrupar usando qualquer uma das colunas de tipo de dimensão e resumir qualquer tabela de tipo de fato relacionada.

Vamos considerar uma solução melhor.

Diagram showing a model includes six tables: OrderLine, OrderDate, Order, Fulfillment, Product, and FulfillmentDate.

Observe as seguintes alterações de design:

  • O modelo agora tem quatro tabelas adicionais: OrderLine, OrderDate, Produto e FulfillmentDate
  • Todas as quatro tabelas adicionais são tabelas de tipo de dimensão. Relações um-para-muitos relacionam essas tabelas às tabelas de tipo de fato
  • A tabela OrderLine contém uma coluna OrderLineID, que representa o valor OrderID multiplicado por 100, além do valor de OrderLine, que é um identificador exclusivo para cada linha da ordem
  • As tabelas Ordem e Cumprimento agora contêm uma coluna OrderLineID e não contêm mais as colunas OrderID e OrderLine
  • A tabela Cumprimento agora contém as colunas OrderDate e ProductID
  • A tabela FulfillmentDate se relaciona somente à tabela Cumprimento
  • Todas as colunas de identificador exclusivo estão ocultas

Dedicar o tempo necessário para aplicação de princípios de design de esquema em estrela oferece os seguintes benefícios:

  • Seus visuais de relatório podem filtrar ou agrupar por qualquer coluna visível das tabelas de tipo de dimensão
  • Seus visuais de relatório podem resumir qualquer coluna visível das tabelas de tipo de fato
  • Filtros aplicados às tabelas OrderLine, OrderDate ou Produto serão propagados para ambas as tabelas de tipo de fato
  • Todas as relações são um-para-muitos, e cada relação é uma relação regular. Eventuais problemas de integridade de dados não serão mascarados. Para saber mais, confira Relações de modelo no Power BI Desktop (avaliação de relações).

Relacionar fatos com granulação mais alta

Esse cenário muitos-para-muitos é muito diferente dos outros dois já descritos neste artigo.

Vamos considerar um exemplo envolvendo quatro tabelas: Data, Vendas, Produto e Destino. Data e Produto são tabelas de tipo de dimensão, e relações um-para-muitos relacionam cada uma delas à tabela de tipo de fato Vendas. Até agora, isso representa um bom design de esquema em estrela. No entanto, a tabela Destino ainda precisa ser relacionada às outras tabelas.

Diagram showing a model including four tables: Date, Sales, Product, and Target.

A tabela Destino contém três colunas: Category, TargetQuantity e TargetYear. As linhas da tabela revelam uma granularidade de ano e categoria do produto. Em outras palavras, os destinos, que são usados para medir o desempenho das vendas, são definidos a cada ano para cada categoria de produto.

Diagram showing the Target table has three columns: TargetYear, Category, and TargetQuantity.

Já que a tabela Destino armazena dados em um nível mais alto do que as tabelas de tipo de dimensão, uma relação um-para-muitos não pode ser criada. Bem, isso é verdade para apenas uma das relações. Vamos explorar como a tabela Destino pode estar relacionada às tabelas de tipo de dimensão.

Relacionar períodos com granulação mais alta

Uma relação entre as tabelas Data e Destino devem ser uma relação um-para-muitos. Isso se deve ao fato de os valores da coluna TargetYear serem datas. Neste exemplo, cada valor da coluna TargetYear é a primeira data do ano de destino.

Dica

Ao armazenar os fatos em uma granularidade de tempo maior que um dia, defina o tipo de dados da coluna como Data (ou Número inteiro caso você esteja usando chaves de data). Na coluna, armazene um valor que representa o primeiro dia do período. Por exemplo, um período de ano é registrado como 1º de janeiro do ano em questão, enquanto um período de mês é registrado como o primeiro dia do mês em questão.

É preciso ter cuidado para garantir que os filtros de nível de mês ou de data produzam um resultado significativo. Sem nenhuma lógica especial de cálculo, os visuais de relatório podem relatar que as datas de destino são literalmente o primeiro dia de cada ano. Todos os outros dias, bem como todos os meses, exceto janeiro, resumirão a quantidade de destino como BLANK.

O visual de matriz a seguir mostra o que acontece quando o usuário do relatório faz um detalhamento de um ano para os respectivos meses. O visual está resumindo a coluna TargetQuantity. (A opção Mostrar itens sem dados foi habilitada para as linhas de matriz.)

Diagram showing a matrix visual revealing the year 2020 target quantity as 270.

Para evitar esse comportamento, recomendamos que você controle o resumo de seus dados de fatos usando medidas. Uma maneira de controlar o modo como o resumo é realizado é retornar BLANK quando períodos de nível inferior são consultados. Outra maneira, definida com um DAX sofisticado, é distribuir valores entre períodos de nível inferior.

Considere a definição de medida a seguir, que usa a função DAX ISFILTERED. Ela retorna apenas um valor quando as colunas Date ou Month não são filtradas.

Target Quantity =
IF(
    NOT ISFILTERED('Date'[Date])
        && NOT ISFILTERED('Date'[Month]),
    SUM(Target[TargetQuantity])
)

O visual de matriz a seguir agora usa a medida Quantidade de Destino. Ele mostra que todas as quantidades de destino mensais equivalem a BLANK.

Diagram showing a matrix visual revealing the year 2020 target quantity as 270 with blank monthly values.

Relacionar granulação mais alta (não data)

Uma abordagem de design diferente é necessária ao relacionar uma coluna não data de uma tabela de tipo de dimensão a uma tabela de tipo de fato (quando essa última está em uma granulação mais alta do que a tabela de tipo de dimensão).

As colunas Categoria (referentes a ambas as tabelas Produtos e Destino) contêm valores duplicados. Portanto, não há "um" para uma relação um-para-muitos. Nesse caso, você precisará criar uma relação muitos-para-muitos. A relação deve propagar filtros em uma única direção, da tabela de tipo de dimensão para a tabela de tipo de fato.

Diagram showing a model of the Target and Product tables. A many-to-many relationship relates the two tables.

Agora, vamos dar uma olhada nas linhas da tabela.

Diagram showing a model containing two tables: Target and Product. A many-to-many relationship relates the two Category columns.

Na tabela Destino, há quatro linhas: duas linhas para cada ano de destino (2019 e 2020) e duas categorias (Roupas e Acessórios). Na tabela Produtos, há três produtos. Dois pertencem à categoria de roupas e um pertence à categoria de acessórios. Uma das cores de roupas é verde e as duas restantes são azuis.

Um agrupamento visual de tabela pela coluna Category da tabela Produto produz o resultado a seguir.

Diagram showing a table visual with two columns: Category and TargetQuantity. Accessories is 60, Clothing is 40, and the total is 100.

Esse visual produz o resultado correto. Agora, vamos considerar o que acontece quando a coluna Cor da tabela Produto é usada para agrupar a quantidade de destino.

Diagram showing a table visual with two columns: Color and TargetQuantity. Blue is 100, Green is 40, and the total is 100.

O visual produz uma representação incorreta dos dados. O que está acontecendo?

Um filtro na coluna Cor da tabela Produto resulta em duas linhas. Uma das linhas é para a categoria Roupas e a outra é para a categoria Acessórios. Esses dois valores de categoria são propagados como filtros para a tabela Destino. Em outras palavras, como a cor azul é usada por produtos de duas categorias, essas categorias são usadas para filtrar os destinos.

Para evitar esse comportamento, conforme descrito anteriormente, recomendamos que você controle o resumo de seus dados de fatos usando medidas.

Considere a definição de medida a seguir. Observe que todas as colunas da tabela Produto que estão abaixo do nível de categoria são testadas quanto a filtros.

Target Quantity =
IF(
    NOT ISFILTERED('Product'[ProductID])
        && NOT ISFILTERED('Product'[Product])
        && NOT ISFILTERED('Product'[Color]),
    SUM(Target[TargetQuantity])
)

O visual de tabela a seguir agora usa a medida Quantidade de Destino. Ele mostra que todas as quantidades de destino de cor equivalem a BLANK.

Diagram showing a table visual with two columns: Color and TargetQuantity. Blue is BLANK, Green is BLANK, and the total is 100.

O design final do modelo é semelhante ao mostrado a seguir.

Diagram showing a model with Date and Target tables related with a one-to-many relationship.

Diretrizes para relacionar fatos com granulação mais alta

Quando você precisa relacionar uma tabela de tipo de dimensão a uma tabela de tipo de fato e a tabela de tipo de fato armazena linhas com uma granulação mais alta do que aquela das linhas da tabela de tipo de dimensão, fornecemos as seguintes diretrizes:

  • Para datas de fatos com granulação mais alta:
    • Na tabela de tipo de fato, armazene a primeira data do período
    • Crie uma relação um-para-muitos entre a tabela de data e a tabela de tipo de fato
  • Para outros fatos com granulação mais alta:
    • Crie uma relação muitos-para-muitos entre a tabela de tipo de dimensão e a tabela de tipo de fato
  • Para ambos os tipos:
    • Resumo de controle com lógica de medida: retornar BLANK quando colunas de tipo de dimensão de nível inferior forem usadas para filtrar ou agrupar
    • Ocultar colunas de tabela de tipo de fato resumíveis: dessa maneira, somente as medidas podem ser usadas para resumir a tabela de tipo de fato

Para obter mais informações relacionadas a este artigo, confira os seguintes recursos: