O painel abria em dois segundos quando foi publicado. Um ano depois, com mais dados, mais páginas e mais medidas, leva trinta, e a atualização das seis da manhã termina depois que a diretoria já chegou. Lentidão no Power BI raramente tem uma causa só, mas quase sempre se concentra em poucos lugares. O caminho mais curto é medir primeiro e mexer depois.
Antes de tudo: onde está a lentidão?
“Lento” pode significar três coisas diferentes, com soluções diferentes:
- A página demora a renderizar quando o usuário abre ou clica num filtro.
- A atualização (refresh) demora ou estoura o tempo limite.
- A fonte responde devagar, o que afeta os dois casos acima quando o modelo usa DirectQuery.
No Power BI Desktop, o Analisador de desempenho (guia Exibir) registra, para cada visual, o tempo gasto na consulta DAX, na renderização e em outras etapas. Se a consulta DAX domina, o problema está no modelo ou nas medidas. Se a renderização domina, o problema está no visual: tabelas com milhares de linhas, gráficos com muitos pontos, páginas com visuais demais.
Para ir mais fundo, o DAX Studio (ferramenta gratuita da comunidade) executa a consulta copiada do analisador e separa o tempo do mecanismo de armazenamento do tempo do mecanismo de fórmulas. Ele também traz o VertiPaq Analyzer, que mostra o tamanho de cada tabela e coluna do modelo.
O modelo: estrela, não planilha
O mecanismo do Power BI foi feito para modelos dimensionais. Na prática:
- Tabelas fato guardam os eventos (vendas, atendimentos, lançamentos), com chaves e valores numéricos.
- Tabelas dimensão descrevem os eventos (cliente, produto, data, filial) e ficam ligadas à fato por relacionamentos um-para-muitos.
Sinais de que o modelo está fugindo disso:
- uma única tabela larga com dezenas de colunas descritivas repetidas em cada linha;
- relacionamentos bidirecionais usados para “fazer o filtro funcionar”;
- relacionamentos muitos-para-muitos entre tabelas grandes;
- várias tabelas de data, ou a opção de data e hora automática ligada, que cria uma tabela de datas oculta para cada coluna de data.
Uma tabela de calendário única, marcada como tabela de datas, com a data e hora automática desligada, já reduz tamanho e simplifica as medidas de tempo.
Cardinalidade: o que pesa na memória
No modo Import, o Power BI compacta os dados por coluna. Colunas com poucos valores distintos ficam pequenas; colunas com milhões de valores distintos não compactam bem e deixam tudo mais lento.
Os suspeitos habituais:
- Data e hora juntas, com segundos. Separe em uma coluna de data e outra de hora (arredondada, se a análise permitir).
- Identificadores únicos como GUID, número de transação ou chave natural em texto. Se não são usados em relatório, saem do modelo.
- Texto livre, como observações e descrições longas.
- Colunas que ninguém usa. Cada coluna importada ocupa memória, mesmo que nenhum visual a mostre.
Prefira chaves inteiras nos relacionamentos e traga só as colunas e o período de histórico que a análise realmente usa.
DAX: medidas que trabalham demais
Algumas construções forçam o mecanismo a percorrer a tabela linha a linha quando poderia trabalhar sobre colunas compactadas.
-- Percorre a tabela Vendas inteira para aplicar o filtro
Vendas Nordeste =
CALCULATE ( [Total Vendas], FILTER ( Vendas, RELATED ( Filial[Regiao] ) = "Nordeste" ) )
-- Filtra direto a coluna da dimensão
Vendas Nordeste =
CALCULATE ( [Total Vendas], Filial[Regiao] = "Nordeste" )
As duas versões não são idênticas em todos os casos: o filtro direto na coluna substitui um filtro já existente em Filial[Regiao]. Se a intenção for respeitar esse filtro, use KEEPFILTERS ( Filial[Regiao] = "Nordeste" ).
Variáveis evitam calcular a mesma expressão duas vezes e deixam a medida mais legível:
Margem % =
VAR Receita = [Total Vendas]
VAR Custo = [Total Custo]
RETURN
DIVIDE ( Receita - Custo, Receita )
Outros pontos a revisar:
- colunas calculadas complexas em tabelas grandes, que podem ser feitas no Power Query ou na própria fonte;
- iteradores (
SUMX,AVERAGEX,FILTER) aninhados sobre a tabela fato; - medidas que usam
ALLsobre a tabela inteira quando bastaria remover o filtro de uma única coluna, comALL ( Tabela[Coluna] )ouREMOVEFILTERS ( Tabela[Coluna] ).
Import ou DirectQuery
A escolha do modo de armazenamento muda o comportamento do relatório.
Import carrega os dados no modelo. As consultas ficam rápidas porque tudo está em memória compactada, mas os dados só mudam na atualização, e o tamanho do modelo tem limites que variam conforme a licença.
DirectQuery não guarda os dados: cada visual, a cada interação, envia consultas à fonte. O desempenho passa a depender do banco (índices, carga concorrente, latência de rede) e de quantos visuais existem na página. Há também restrições de transformação e de DAX.
DirectQuery faz sentido quando o volume não cabe no modelo ou quando a defasagem de uma atualização programada realmente não é aceitável. Escolhido só por “querer tempo real”, costuma trazer lentidão sem necessidade. Há meios-termos: modelos compostos, em que dimensões ficam em Import ou Dual e a fato grande fica em DirectQuery, e tabelas de agregação que atendem às consultas resumidas sem ir à fonte.
Se o modelo for DirectQuery sobre SQL Server, vale olhar o banco também: as consultas geradas aparecem no SQL Server e podem precisar de índices, inclusive columnstore em tabelas fato grandes.
Atualização incremental
Recarregar cinco anos de vendas todos os dias para incluir as vendas de ontem é desperdício. A atualização incremental divide a tabela em partições por data e atualiza só as mais recentes.
Para configurar, crie no Power Query os parâmetros RangeStart e RangeEnd, do tipo data e hora, filtre a coluna de data da tabela com eles e defina a política na tabela: quanto histórico guardar e quanto atualizar a cada execução. A política é aplicada quando o modelo é publicado no serviço.
O ponto que mais derruba essa configuração é o query folding. O filtro de datas precisa ser traduzido para a consulta enviada à fonte. Se uma etapa anterior do Power Query impedir isso, o Power BI lê a tabela inteira e só depois filtra, e o ganho desaparece. Com fonte SQL, a opção “Exibir consulta nativa” na etapa do filtro ajuda a confirmar.
Gateway: o gargalo que ninguém olha
Fontes que ficam na rede da empresa chegam ao serviço do Power BI por um gateway de dados local. Ele é um servidor como outro qualquer, e muitas vezes foi instalado numa máquina emprestada.
Verifique:
- se o gateway está numa máquina dedicada, com CPU, memória e disco compatíveis com o volume, e sem disputar recursos com o próprio banco;
- a distância de rede até as fontes, porque o gateway deve ficar perto dos dados;
- se a versão está atualizada e se há mais de um nó em cluster, para não depender de uma única máquina;
- se várias atualizações estão agendadas para o mesmo horário, disputando o mesmo gateway e a mesma fonte.
Os logs e contadores de desempenho do gateway mostram se ele está saturado nos horários de atualização.
Uma ordem prática
- Meça com o Analisador de desempenho e identifique as páginas e visuais mais lentos.
- Olhe o tamanho do modelo e remova colunas e históricos sem uso.
- Corrija a modelagem: estrela, relacionamentos de direção única, uma tabela de datas.
- Reescreva as medidas mais caras.
- Revise o modo de armazenamento e a atualização incremental.
- Só então pense em capacidade maior. Mais capacidade sobre um modelo ruim costuma apenas adiar o problema.
Quer ajuda com o seu modelo?
Se os relatórios estão lentos e a equipe não sabe por onde começar, um diagnóstico mede o modelo e as fontes para localizar onde o tempo é gasto. Conheça o serviço de business intelligence e Power BI ou peça um diagnóstico.