Hiểu Tường Minh Về Mô Hình Hóa Dữ Liệu Trong Power BI: Từ Joins Đến Schemas

Tại sao cần Mô hình hóa Dữ liệu?

Mô hình hóa dữ liệu là quá trình sắp xếp và cấu trúc dữ liệu từ nhiều nguồn khác nhau thành một định dạng logic để dễ dàng phân tích. Nó đóng vai trò như "xương sống" cho hệ thống, tập trung vào việc kết nối bảng, xác định mối quan hệ, và tối ưu hóa hiệu suất xử lý.

Hãy tưởng tượng nó giống như việc sắp xếp một thư viện: khi bạn có thể dễ dàng tìm thấy sách dựa trên chủ đề (mối quan hệ) và vị trí lưu trữ (cấu trúc), quá trình đọc và hiểu sẽ trở nên mượt mà hơn bao giờ hết.

Các Loại SQL Joins

Trong cơ sở dữ liệu, Joins được sử dụng để gộp dữ liệu từ nhiều bảng dựa trên một cột chung. Dưới đây là 6 loại Join phổ biến nhất:

• INNER JOIN: Chỉ trả về các bản ghi có sự khớp lẫn nhau trong cả hai bảng.
• LEFT JOIN: Trả về tất cả các bản ghi từ bảng bên trái và các bản ghi khớp từ bảng bên phải.
• RIGHT JOIN: Ngược lại với LEFT JOIN, trả về tất cả các bản ghi từ bảng bên phải và các bản ghi khớp từ bên trái.
• FULL OUTER JOIN: Trả về tất cả các bản ghi khi có sự khớp hoặc không khớp trong cả hai bảng.
• LEFT ANTI JOIN: Trả về các bản ghi ở bảng bên trái mà không tồn tại ở bảng bên phải.
• RIGHT ANTI JOIN: Ngược lại với LEFT ANTI JOIN, trả về các bản ghi ở bảng bên phải mà không tồn tại ở bảng bên trái.

Các Loại Mối Quan Hệ Trong Power BI

Thay vì phải gộp (merge) các bảng trực tiếp, Power BI cho phép kết nối các tập dữ liệu (datasets) thông qua các mối quan hệ (relationships).

Các Loại Mối Quan Hệ

• One-to-Many (1:M): Một bảng ở tập dữ liệu A liên quan đến nhiều bảng ở tập dữ liệu B. Ví dụ: Một khách hàng (A) có thể đặt nhiều đơn hàng (B).
• One-to-One (1:1): Mỗi bản ghi trong bảng A khớp chính xác một bản ghi trong bảng B.
• Many-to-Many (M:M): Cả hai bảng đều chứa các giá trị trùng lặp cho cùng một cột.

Các Khái Niệm Mấu Chốt

• Tính chất hàng số (Cardinality): Xác định cách các bảng liên kết với nhau (One-to-many, Many-to-many, One-to-one).
• Hướng bộ lọc chéo (Cross filter direction):
  • Hai chiều: Cho phép lọc từ cả hai bảng, tuy nhiên có thể gây ra sự mơ hồ hoặc xung đột dữ liệu.
  • Một chiều: Chỉ cho phép lọc theo một hướng cụ thể.
• Mối quan hệ hoạt động và không hoạt động (Active and Inactive relationships): Mối quan hệ mặc định là "hoạt động", trong khi mối quan hệ phụ (không hoạt động) cần sử dụng ngôn ngữ truy vấn DAX để kích hoạt.

Fact Table vs Dimension Table

Để xây dựng mô hình tốt, bạn cần phân biệt rõ hai loại bảng này:

• Fact Table (Bảng số liệu): Chứa các dữ liệu có thể đo lường được, thường là các con số và số lượng. Ví dụ: Số lượng doanh số bán hàng (Sales Amount).
• Dimension Table (Bảng đặc trưng): Chứa các dữ liệu mô tả, ngữ cảnh cho dữ liệu số liệu. Ví dụ: Tên khách hàng, địa chỉ, ngày tháng.

Các Sơ Đồ Dữ Liệu (Data Schemas)

Cấu trúc dữ liệu quyết định hiệu suất của báo cáo:

• Star Schema (Sơ đồ Ngôi sao): Cấu trúc gồm một bảng số liệu trung tâm (Fact Table) kết nối với nhiều bảng đặc trưng (Dimension Tables) đi theo các nhánh. Đây là cấu trúc phổ biến nhất vì dễ hiểu và hiệu quả.
• Snowflake Schema (Sơ đồ Tuyết): Các bảng đặc trưng được phân tách và chuẩn hóa (normalize) theo nhiều tầng, giúp tiết kiệm không gian lưu trữ nhưng làm giảm hiệu suất do các truy vấn phức tạp hơn.
• Flat Table (Bảng phẳng): Tất cả dữ liệu được lưu trong một bảng duy nhất. Cấu trúc đơn giản nhưng hiệu suất sẽ giảm sút đáng kể khi dữ liệu lớn.

Kết Luận

Mô hình hóa dữ liệu trong Power BI là yếu tố then chốt để xây dựng các bảng điều khiển chính xác và có hiệu suất cao. Bằng cách hiểu rõ về Joins, mối quan hệ, sơ đồ và cấu trúc bảng, bạn có thể tạo ra các mô hình dữ liệu vừa hiệu quả vừa có khả năng mở rộng (scalable).