Feit- en dimensietabellen
- Een sterschema deelt tabellen op in feitentabellen (gebeurtenissen, veel rijen) en dimensietabellen (beschrijvende context, weinig rijen).
- Eén grote platte tabel schaalt slecht: meer geheugengebruik, lastiger onderhoud en minder compressie door de Vertipaq-engine.
- Verberg technische sleutelkolommen voor rapportmakers en gebruik altijd een aparte datumtabel voor tijdsintelligentie.
De basis van bijna elk goed semantisch model is het sterschema (star schema): een indeling van je tabellen in feitentabellen en dimensietabellen. Deze indeling komt niet uit Power BI zelf, maar is een algemeen datamodelleringsprincipe dat al decennia wordt gebruikt in data warehousing — Power BI (en de Vertipaq-engine eronder) is er alleen heel goed op geoptimaliseerd.
Feitentabellen
Een feitentabel bevat de gebeurtenissen of metingen: verkopen, bestellingen, transacties, sensormetingen. Kenmerken:
- Veel rijen (vaak miljoenen), weinig kolommen.
- Bevat vooral getallen die je wilt optellen, middelen of tellen
(bijvoorbeeld
Omzet,Aantal,Kostprijs). - Bevat sleutels (foreign keys) naar de dimensietabellen, zoals
KlantID,ProductID,DatumID. - Groeit continu: elke nieuwe verkoop is een nieuwe rij.
Dimensietabellen
Een dimensietabel bevat de beschrijvende context rond die gebeurtenissen: wie, wat, waar, wanneer. Kenmerken:
- Relatief weinig rijen (honderden tot duizenden, zelden miljoenen).
- Bevat tekstuele of beschrijvende kolommen waarop gebruikers willen
filteren, groeperen of sorteren:
Klantnaam,Productcategorie,Regio,Maand. - Verandert veel minder vaak dan een feitentabel.
- Elke dimensietabel heeft één rij per unieke waarde (bijvoorbeeld één rij per klant), zodat relaties eenduidig zijn.
Waarom niet gewoon één grote platte tabel?
Beginners zijn vaak geneigd om alles in één brede tabel te zetten (soms een "one big table"-aanpak genoemd). Dat werkt in kleine voorbeelden, maar schaalt slecht:
- Herhaling van data: klantnaam en regio staan dan op elke verkooprij herhaald, wat geheugen kost.
- Moeilijker te onderhouden: een adreswijziging van een klant moet op duizenden rijen worden aangepast in plaats van op één rij in de dimensietabel.
- Minder compressie: de Vertipaq-engine comprimeert kolommen met weinig unieke waarden (zoals een dimensiekolom) veel beter wanneer die niet vermengd zijn met hoog-cardinale feitendata.
- Onduidelijke measures: het is lastiger om correcte DAX-berekeningen te schrijven als feiten en context door elkaar staan.
Een sterschema — één of meerdere feitentabellen omringd door dimensietabellen, verbonden via relaties — geeft de Vertipaq-engine de structuur die nodig is om snel te filteren en te aggregeren.
Veelgemaakte beginnersfouten
- Sleutelkolommen (zoals
KlantID) zichtbaar en onopgeschoond laten staan in het rapport, terwijl gebruikers alleenKlantnaamnodig hebben. Verberg technische sleutels met "Hide in report view". Zie voor de aan- en afsluitende relaties ook de pagina over relaties. - Een aparte datumtabel vergeten en in plaats daarvan datums direct uit de feitentabel gebruiken — dit maakt tijdsintelligentie in DAX onnodig lastig.
- Dimensietabellen die zelf weer opgesplitst worden in meerdere gekoppelde tabellen (een "snowflake"-structuur). Dat werkt, maar is meestal onnodig complex vergeleken met een plat, gedenormaliseerd sterschema.
Wat je hierover elders vindt
Feiten- en dimensiemodellering (ook wel dimensioneel modelleren) is uitgebreid beschreven in klassieke data warehouse-literatuur en wordt door vrijwel elke Power BI-bron behandeld: de officiële Microsoft Learn-documentatie legt uit hoe Power BI/Vertipaq specifiek profiteert van een sterschema, en gespecialiseerde Power BI-opleidingssites (zoals SQLBI) gaan dieper in op de prestatie-impact van modelleerkeuzes. Nederlandstalige community-blogs en Power BI-gebruikersgroepen bespreken dit onderwerp doorgaans praktischer, met voorbeelden uit concrete rapportages.
Wat in veel bronnen onderbelicht blijft — en dus een goede aanvulling kan zijn voor latere artikelen — is de afweging tussen een sterschema opzetten in de brondata/Power Query versus pas in het semantische model zelf, en wanneer een snowflake-structuur wél verdedigbaar is (bijvoorbeeld bij hergebruikte, sterk genormaliseerde brondata).
Hoe nu verder?
Volgende in Semantisch model Relaties tussen tabellen →Verbreden
Niet gevonden wat je zocht?