Kennisbank voor Power BI en Microsoft Fabric
Praktische artikelen over datamodellering, DAX-performance en Fabric-architectuur — geschreven vanuit de praktijk van dagelijkse implementaties.
Van een los bestand tot een gedeeld rapport: de basisstappen om met Power BI een eerste compleet resultaat te maken.
Recente artikelen
Berekende kolommen en tabellen
Power BIBerekende kolommen en tabellen worden eenmalig berekend bij het verversen, in tegenstelling tot measures — krachtig, maar met een prijs in geheugengebruik.
Calculation Groups (Berekeningsgroepen)
Power BICalculation groups voorkomen measure-explosie: herbruikbare DAX-logica zoals 'vorig jaar' of 'YTD' die je op elke measure kunt toepassen, zonder die tientallen keren te dupliceren.
Feit- en dimensietabellen
Power BIDe basis van bijna elk goed semantisch model is het sterschema: feitentabellen met gebeurtenissen, omringd door dimensietabellen met beschrijvende context.
Hiërarchieën
Power BIEen hiërarchie groepeert kolommen in een logische volgorde, zodat gebruikers in een visual kunnen drillen van een hoog naar een laag detailniveau.
Meetwaarden (Measures)
Power BIMeasures worden dynamisch berekend op basis van de actuele filtercontext — het hart van elke DAX-berekening in Power BI.
Eigenschappen voor opmaak, sortering en synoniemen
Power BIOpmaak, sorteervolgorde en synoniemen bepalen of een semantisch model prettig en betrouwbaar te gebruiken is voor iedereen die er rapporten op bouwt.
Relaties tussen tabellen
Power BIRelaties verbinden tabellen via een sleutel — kardinaliteit en filterrichting bepalen hoe filters zich door het model verspreiden.
Rijbeveiliging (Row-Level Security)
Power BIRow-Level Security bepaalt welke rijen een gebruiker mag zien — hetzelfde rapport, maar met data die is afgestemd op wie er inlogt.
Hoe maak ik een goed semantisch model
Power BIEen semantisch model is de laag tussen je ruwe brondata en de rapporten die gebruikers te zien krijgen — het fundament onder je rapportage.
Waarom je DAX-measures traag zijn
Power BITrage DAX-measures zijn meestal terug te voeren op een klein aantal oorzaken: context-switches, FILTER-misbruik of een zwak datamodel.
Fabric Lakehouse vs Warehouse: wanneer kies je wat?
FabricLakehouse en Warehouse lijken op elkaar, maar de keuze hangt af van wie er met de data werkt en hoe.