Transformer une plainte générale en scénario mesurable

Un utilisateur dit que le rapport est lent. Cette phrase peut désigner l’ouverture, le changement d’agence, l’affichage d’une matrice ou le retour d’une requête vers une source distante. Avant de modifier une mesure DAX, demandez une reproduction précise : ouvrir la page Activité, choisir octobre, filtrer l’agence Nord et attendre le tableau des interventions. Notez le volume, le poste, le réseau et l’environnement. Sans scénario stable, une amélioration apparente peut simplement venir d’un cache déjà rempli.

Le cas fictif de cet atelier suit 800 000 lignes d’interventions et neuf visuels sur une page. L’équipe constate environ six secondes entre une sélection et un affichage exploitable. Ces chiffres servent à apprendre la méthode ; ils ne décrivent pas une performance réelle de Power BI ni une promesse applicable à votre modèle. Nous chercherons d’abord la partie qui consomme le temps, puis nous testerons une modification à la fois en conservant un résultat fonctionnellement équivalent.

Capturer une référence avec Performance Analyzer

Dans Power BI Desktop, ouvrez le volet Analyseur de performances, disponible dans le ruban d’optimisation selon l’interface documentée. Lancez l’enregistrement puis exécutez exactement le scénario retenu. L’outil décompose notamment le temps des requêtes et celui du rendu des visuels ; une catégorie complémentaire contient aussi de l’attente et d’autres traitements. Enregistrez ou exportez les résultats disponibles. Ne confondez pas la somme des durées des visuels avec le temps réellement ressenti par une personne.

Répétez le scénario plusieurs fois, en distinguant une première exécution des suivantes. Gardez les mêmes filtres et évitez de modifier simultanément le modèle, la page et les données. Consignez une mesure centrale comme la médiane, mais conservez les observations individuelles : une seule mesure très haute peut révéler une activité concurrente. Le protocole doit aussi préciser si le rapport est testé localement ou dans le service, car ces deux environnements ne partagent pas toutes les contraintes.

Classer les lenteurs avant de chercher une solution

Dans notre exemple, la matrice détaille 60 000 combinaisons et consomme surtout du temps de requête ; une carte géographique consomme surtout du temps d’affichage ; plusieurs petites cartes attendent la fin d’autres traitements. Ces symptômes appellent des actions différentes. Simplifier une expression DAX n’aidera pas nécessairement un visuel qui doit dessiner trop de points. Réduire les points affichés n’accélérera pas une source DirectQuery dont une requête mal filtrée bloque le retour des données.

Construisez une courte table de diagnostic : action utilisateur, visuel, durée, catégorie dominante, hypothèse et expérience proposée. Par exemple, limiter la matrice au mois et à l’agence sélectionnés teste l’hypothèse d’un détail trop large. Remplacer temporairement un visuel personnalisé par un tableau simple teste une contrainte de rendu. Une hypothèse n’est pas encore une cause établie : elle devient crédible lorsque la modification correspondante change le résultat de façon répétée, sans changer la question métier.

Réduire les données réellement nécessaires au modèle

Examinez d’abord les colonnes importées. Un commentaire libre, un identifiant technique très détaillé et une date avec heure peuvent augmenter le nombre de valeurs distinctes sans aider les visuels. Conservez ce dont les mesures, relations et usages ont besoin ; supprimez une colonne seulement après avoir recherché ses dépendances. Une table de faits au grain prestation et des dimensions Date, Agence et Service facilitent la compréhension des filtres. Le schéma doit traduire le métier, pas uniquement réduire la taille du fichier.

Vérifiez l’unicité des clés de dimension et les relations attendues. Un problème de cardinalité peut être à la fois une erreur de calcul et une source de complexité. Évitez d’ajouter des relations dans les deux sens pour réparer un visuel sans comprendre les chemins de filtrage. Dans notre cas, le nom d’agence n’est pas une clé fiable si deux agences partagent un libellé. Une clé stable et une dimension propre rendent le modèle plus prévisible avant toute optimisation fine.

Avant de supprimer une colonne, notez les mesures et visuels qui l’utilisent puis vérifiez le rapport sur une copie. Une réduction de taille n’est pas un succès si elle retire un filtre utile ou modifie la population. La liste des dépendances et quelques résultats de référence permettent de justifier la modification au-delà de son seul effet sur la vitesse.

Écrire des mesures simples sans changer leur sens

Définissez des mesures de base lisibles : Montant = SUM(Interventions[Montant]) et Nombre = COUNTROWS(Interventions). Une moyenne par prestation peut alors utiliser DIVIDE([Montant], [Nombre]). Cette structure rend la définition explicite et facilite les contrôles par filtre. Elle ne signifie pas que toute mesure composée est automatiquement rapide. L’important est de garder une expression dont le calcul peut être vérifié sur quelques lignes, avant de chercher une formulation plus sophistiquée ou plus courte.

Supposons que l’agence A facture 900 pour trois prestations et B facture 100 pour une prestation. Les moyennes d’agence sont 300 et 100 ; leur moyenne simple vaut 200. La moyenne globale correcte par prestation vaut 1 000 divisé par quatre, soit 250. Une optimisation qui remplace le calcul global par une moyenne des moyennes peut sembler plus rapide tout en devenant fausse. Comparez toujours les totaux et les sous-totaux attendus avant de valider le gain observé.

Utiliser les variables comme outil de clarté mesurable

Une variable DAX peut éviter de répéter une expression et rendre une mesure plus lisible. Elle peut aussi faciliter un diagnostic en isolant le dénominateur, une période ou une valeur précédente. Cependant, une variable est évaluée dans son contexte : déplacer un calcul avant ou après une modification de filtre peut changer son sens. Ne transformez donc pas mécaniquement chaque morceau d’une formule en variable en supposant que le résultat et la vitesse seront nécessairement conservés.

Pour une variation mensuelle, contrôlez trois valeurs séparées : montant courant, montant de référence et variation. Avec 125 000 contre 100 000, l’écart absolu vaut 25 000 et la variation relative 25 %. Testez aussi un mois de référence vide et un mois à zéro, en définissant le résultat attendu. Si ces cas deviennent tous zéro à cause d’un traitement trop large des erreurs, l’utilisateur ne distingue plus une absence de comparaison d’une stabilité réelle.

Alléger la page en conservant les questions utiles

Neuf visuels ne sont pas nécessairement excessifs et quatre ne sont pas nécessairement rapides. La bonne question porte sur les interactions et la quantité de détail demandée. Commencez par les décisions que la page doit soutenir : constater une variation, localiser son périmètre et accéder aux cas concernés. Gardez les principaux indicateurs et une ventilation lisible ; déplacez le détail exhaustif dans une page dédiée. Une navigation vers le détail peut être plus utile qu’une matrice immense affichée par défaut.

Dans l’exemple, limitez d’abord la matrice à une période et à une agence, puis proposez un accès volontaire aux prestations. Vérifiez les interactions entre segments et visuels ; certains éléments décoratifs n’ont pas besoin d’être recalculés à chaque sélection. Testez séparément tout visuel personnalisé. Comparez enfin le temps et la compréhension : supprimer un élément nécessaire pour gagner quelques millisecondes n’est pas une amélioration si l’utilisateur doit ensuite exporter les données pour retrouver sa réponse.

Distinguer Import, DirectQuery et environnement de publication

En mode Import, les données utilisées par le rapport sont chargées dans le modèle selon son processus d’actualisation. En DirectQuery, certaines interactions déclenchent des requêtes vers la source. Le choix dépend de fraîcheur, volume, contraintes d’accès et capacités du système ; il ne doit pas servir de raccourci universel pour rendre un rapport rapide. Sur une source distante, vérifiez les filtres envoyés, les jointures et les temps de retour avec la personne qui exploite cette source.

Après un test local satisfaisant, reproduisez les actions dans l’environnement de diffusion prévu. Réseau, passerelle, concurrence et capacité peuvent changer l’expérience. Vérifiez aussi les rôles de sécurité utilisés lors du test : une sélection de données réduite pour un rôle peut produire un résultat différent de celui d’un administrateur. Les licences et modalités de partage doivent être confirmées pour le contexte réel. Un test Desktop isolé ne prouve ni les performances de tous les utilisateurs ni leur accès au rapport publié.

Exercice corrigé : choisir la prochaine expérience

Exercice : trois visuels sont mesurés dans un protocole stable. La matrice présente 2 400 millisecondes de requête et 180 de rendu. Une carte présente 120 millisecondes de requête et 1 700 de rendu. Un indicateur simple présente 90 millisecondes de requête et 40 de rendu. Vous disposez d’une heure. Proposez deux expériences prioritaires et les contrôles fonctionnels associés, sans promettre un gain chiffré avant de les avoir exécutées.

Corrigé : pour la matrice, réduire le détail affiché ou examiner sa requête permet de tester un coût de calcul et de volume. Vérifiez que les agrégats de la sélection restent identiques. Pour la carte, limiter les points ou remplacer temporairement le rendu permet d’isoler un coût visuel. Vérifiez que les zones métier restent représentées. L’indicateur simple est une priorité faible dans ces observations. Additionner ces durées pour annoncer un temps de page précis serait incorrect : l’attente et l’ordonnancement doivent aussi être examinés.

Documenter les résultats et surveiller les régressions

Pour chaque expérience, gardez la version avant, la modification, les mesures répétées et les contrôles de résultat. Une série fictive passant de 6,1, 5,8 et 6,0 secondes à 4,0, 3,9 et 4,1 secondes suggère une amélioration dans ce protocole. Elle ne garantit pas le même gain sur une autre machine ou un autre mois. Conservez le volume et les filtres qui rendent cette comparaison interprétable, plutôt qu’un simple pourcentage d’accélération dans un compte rendu.

Ajoutez deux ou trois scénarios de performance à la recette du rapport : ouverture, filtre courant et accès au détail. Rejouez-les lorsque les données, les mesures ou les visuels changent. La performance devient alors une propriété entretenue, reliée à des usages concrets. Pour poursuivre l’atelier, introduisez volontairement une colonne à forte cardinalité ou une matrice non filtrée, puis observez quelles mesures changent. L’objectif est de savoir diagnostiquer la prochaine lenteur, pas d’appliquer une liste de recettes sans preuve.

Références

Retour au blog →