DP-600: implementar colunas calculadas dependentes de contexto
Vou ensinar-te a competência de implementar colunas calculadas que dependem do contexto (filter context / row context) usando DAX num modelo semântico. Esta competência é útil para o exame DP-600 porque testa a tua capacidade de traduzir requisitos de negócio em lógica DAX eficiente e, na prática, evita erros lógicos e problemas de desempenho em relatórios. Ao dominar isto, consegues decidir quando materializar valores num modelo e quando usar medidas dinâmicas, o que reduz o tamanho do ficheiro e acelera consultas.
O que precisas de saber
Colunas calculadas são expressões DAX avaliadas por linha de uma tabela, mas a sua fórmula pode depender de contexto (por exemplo, valores noutras tabelas ou filtros aplicados). É crucial distinguir row context (a linha actual) de filter context (filtros vindos do relatório, dos slicers ou das relações) e saber quando usar funções como RELATED, CALCULATE e EARLIER / VAR para transformar contextos. Por exemplo, numa tabela Sales com 500.000 linhas pode ser desejável ter uma coluna materializada para SalesWithTax, se a taxa for fixa por país, porque evita calcular isto em todas as queries; por outro lado, se a taxa variar com o tempo ou com selecções do relatório, uma medida será preferível.
Exemplo simples: numa tabela Sales, queremos uma coluna SalesWithTax = Sales[Amount] * (1 + TaxRate) onde TaxRate vem da tabela TaxRates ligada por Country. A fórmula correcta precisa de usar RELATED(TaxRates[Rate]) para obter o valor por país, porque RELATED navega da linha actual numa tabela many para a linha correspondente na tabela one. Se a tabela TaxRates tiver 30 países com taxas entre 0.05 e 0.25, RELATED devolve o valor correcto sem necessidade de agregação adicional.
Como funciona na prática
Segue um passo-a-passo prático com exemplos DAX e explicações sobre contexto e desempenho. Assume um modelo com tabelas: Sales (SaleID, Date, ProductID, Amount, DiscountPct), Product (ProductID, CategoryID, Price), Category (CategoryID, CategoryName), TaxRates (Country, Rate). Relações: Sales->Product (many-to-one), Product->Category (many-to-one), Sales->Date (many-to-one). Imagina que tens 250.000 linhas em Sales e 5.000 produtos; escolhas sobre colunas vs medidas afectam o tempo de processamento e o tamanho do modelo.
1) Coluna calculada básica — usar valores na mesma linha
Sales[AmountWithDiscount] = Sales[Amount] * (1 - Sales[DiscountPct])
Explicação: aqui só existe row context; a expressão é avaliada linha a linha e é muito eficiente. Se cada cálculo for simples aritmética, o custo por linha é mínimo e a coluna ocupa espaço proporcional ao número de linhas (por exemplo, uma coluna decimal em 250k linhas pode acrescentar algumas dezenas de megabytes, dependendo do tipo).
2) Trazer valor de outra tabela relacionada — usar RELATED
Sales[AmountWithTax] = Sales[Amount] * (1 + RELATED(TaxRates[Rate]))
Explicação: RELATED percorre a relação many-to-one para buscar TaxRates[Rate] para a linha de Sales. Usa-se quando existe uma relação directa de Sales para TaxRates (ou através de Product se necessário). Se TaxRates tiver uma entrada por Country e a relação estiver correctamente definida, RELATED devolve 0.20 (por exemplo) e o cálculo resulta imediatamente. Se não houver relação, RELATED retorna BLANK e deves tratar esse caso com COALESCE ou IF para evitar resultados nulos.
3) Quando preciso de modificar contextos — usar CALCULATE
Product[TotalSalesAllYears] = CALCULATE(SUM(Sales[Amount]), REMOVEFILTERS(Sales[Date]))
Explicação: numa coluna calculada em Product queremos o total de vendas do produto sem filtrar por data; CALCULATE altera o filter context para o cálculo. Importante: colunas calculadas são materializadas no modelo, por isso tem cuidado se dependem de filtros dinâmicos — normalmente medidas são mais apropriadas para dependência de slicers. Se o conjunto de dados tiver actualização diária e 1000 produtos, recalcular esta coluna adiciona trabalho ao processamento diário, por isso avalia o trade-off entre tempo de refresh e desempenho em consulta.
4) Evitar EARLIER — usar VAR
Category[RankBySales] =
VAR ThisCat = Category[CategoryID]
VAR CatSales =
CALCULATE(
SUM(Sales[Amount]),
FILTER(ALL(Category), Category[CategoryID] = ThisCat)
)
RETURN
RANKX(ALL(Category), CatSales, , DESC)
Explicação: EARLIER era usado para referir-se a um contexto anterior em iterações; hoje VAR + funções iteradoras (SUMX, FILTER) são mais claras e eficientes. Também reduz confusões entre row e filter context. Por exemplo, para 50 categorias, esta abordagem calcula um valor por categoria e, em seguida, rankea; é preferível a iterações complexas que afectam a legibilidade e a manutenção do modelo.
Erros comuns
1) Confundir colunas calculadas com medidas: colunas são calculadas no processamento e ficam fixas; medidas são avaliadas no tempo de consulta e respeitam os slicers do relatório. Usar uma coluna quando queres resposta dinâmica é um erro. Por exemplo, uma coluna que pretende mudar consoante o ano seleccionado não o fará — resulta sempre no valor materializado.
2) Usar RELATED em relações inexistentes ou na direcção errada: RELATED só funciona de many->one; para navegar de one->many usa-se RELATEDTABLE ou CALCULATE+SUM. Esquecer isto causa erros ou resultados nulos. Exemplo: tentar RELATED(Product[Price]) a partir de Product para Sales devolve erro — tens de agregar com SUMX ou usar RELATEDTABLE para obter as linhas many e sumarizá-las.
3) Fazer cálculos dependentes de filtros do relatório numa coluna calculada: isto cria inconsistência e expectativas erradas. Se o valor tiver de mudar consoante slicers, implementa como medida em vez de coluna. Outro erro é não optimizar cardinalidade: colunas calculadas com alta cardinalidade (por exemplo, valores únicos por linha) aumentam bastante o tamanho do modelo.
Como praticar
Pratica criando colunas calculadas e medidas no Power BI Desktop ou Fabric (Workspace com Power BI). Segue cenários reais: calcular margens por produto usando taxas noutra tabela; criar rankings por categoria; agregar vendas históricas ignorando filtros de data. Testa com conjuntos de dados de várias dimensões — 10k, 100k, 500k linhas — e observa tempos de refresh e tamanho do ficheiro. Para avaliação oficial, usa o Practice Assessment OFICIAL e gratuito da Microsoft e consulta a study guide da Microsoft para DP-600 — ambos são gratuitos. Não uses dumps; esses violam as regras de certificação.
Em resumo
- Distingue row context (colunas) de filter context (medidas) e escolhe a abordagem correcta consoante a necessidade de dinamicidade.
- Usa RELATED para navegar many->one; usa RELATEDTABLE ou CALCULATE para one->many e agrega conforme necessário.
- Prefere VAR + funções iteradoras em vez de EARLIER para clareza e desempenho, especialmente em modelos com dezenas a centenas de categorias.
- Testa no Power BI/Fabric com volumes realistas e usa o Practice Assessment oficial e a study guide da Microsoft para validar o teu conhecimento.