Sobre

      Analista de Dados com mais de 5 anos de experiência, envolvido em mais de 60 projetos de análise e visualização de dados, especializados em Power BI, Excel Avançado e SQL. Habilidades em modelagem de dados, DAX, M Language e automação de relatórios. Tenho experiência em implementação de soluções de arquitetura de dados com Azure, Databricks e Data Factory. Recentemente, desenvolvi competências em Inteligência Artificial Generativa e Engenharia de Prompt, aplicando essas tecnologias para gerar valor em projetos de dados inovadores.

Competências

Portfólio de Projetos de Power BI!

Relatório de Venda

Relatório comercial com ETL feito em uma base de dados SQL para extrair informações completas. Dentro do relatório há páginas de análise de meta ao longo do tempo, metas por vendedores e por produto. Também há uma página de forecast, análise RFV e de curva ABC.

Financeiro com DRE

Criação de um dashboard financeiro em Power BI que apresenta uma visão abrangente sobre os títulos pagos e recebidos, a pagar e a receber, juntamente com uma Demonstração de Resultados do Exercício (DRE) completa.

Realizado vs Meta

Desenvolvi um relatório comercial com foco em análise de desempenho de vendas comparando o realizado com metas estabelecidas. Utilizando Power BI, criamos visualizações intuitivas para monitorar e ajustar estratégias de vendas em tempo real.

Análise RFV

Este relatório de análise RFV destaca minha capacidade de usar dados para segmentar clientes de maneira estratégica, criando visuais impactantes e acionáveis no Power BI. Ele exemplifica como insights profundos podem ser extraídos de dados brutos, contribuindo diretamente para a tomada de decisão em diferentes áreas da empresa.

Tabela do Brasileirão

Este projeto em Power BI analisa o Campeonato Brasileiro, mostrando a classificação, número de gols e o desempenho das equipes. Dados extraídosvia Web.Contents no Power Query, feito um excelente ETL, que facilita nas medidas DAX. Oferecendo uma visão clara de análise esportiva.

Relatório de Controladoria

Um relatório de controladoria com um Demonstrativo de Resultado do Exercício (DRE), destacando as métricas de Receita Bruta, Margem de Contribuição, Despesas Operacionais e Resultado Líquido.

Relatório Comercial

Este projeto consiste na criação de um relatório comercial para automatizar a análise de desempenho dos vendedores da PBIDist (curso da xPeriun), utilizando Power BI e conectando em planilhas de Excel.

Relatório de Logística

Desenvolvimento de um relatório de logística utilizando Power BI para analisar a eficiência das transportadoras, com foco em OTIF (On Time e In Full) e o desempenho na entrega ao longo do tempo.

Armazém e Estoque

Criação de um dashboard interativo em Power BI para gestão de inventário e armazém, análise de estoque e faturamento, utilizando dados de planilhas Excel, com medidas DAX e ETL no Power Query.

Relatório de DRE

Desenvolvimento de um relatório de DRE no Power BI, apresentando visual detalhado e interativo dos principais indicadores financeiros de uma empresa, com ênfase em Receita Bruta, Margem de Contribuição e Resultado Líquido.

Correção de Nomes

Este projeto envolve na correção de nomes de cidades preenchidas incorretamente por usuários em um sistema sem blindagem, utilizando um algoritmo de similaridade baseado em n-gramas.

Portfólio de Projetos de Power BI!

Relatório de Venda

Relatório comercial com ETL feito em uma base de dados SQL para extrair informações completas. Dentro do relatório há páginas de análise de meta ao longo do tempo, metas por vendedores e por produto. Também há uma página de forecast, análise RFV e de curva ABC.

Realizado vs Meta

Desenvolvi um relatório comercial com foco em análise de desempenho de vendas comparando o realizado com metas estabelecidas. Utilizando Power BI, criamos visualizações intuitivas para monitorar e ajustar estratégias de vendas em tempo real.

Análise RFV

Este relatório de análise RFV destaca minha capacidade de usar dados para segmentar clientes de maneira estratégica, criando visuais impactantes e acionáveis no Power BI. Ele exemplifica como insights profundos podem ser extraídos de dados brutos, contribuindo diretamente para a tomada de decisão em diferentes áreas da empresa.

Relatório Comercial

Este projeto consiste na criação de um relatório comercial para automatizar a análise de desempenho dos vendedores da PBIDist (curso da xPeriun), utilizando Power BI e conectando em planilhas de Excel.

Portfólio de Projetos de Power BI!

Relatório de Logística

Desenvolvimento de um relatório de logística utilizando Power BI para analisar a eficiência das transportadoras, com foco em OTIF (On Time e In Full) e o desempenho na entrega ao longo do tempo.

Armazém e Estoque

Criação de um dashboard interativo em Power BI para gestão de inventário e armazém, análise de estoque e faturamento, utilizando dados de planilhas Excel, com medidas DAX e ETL no Power Query.

Portfólio de Projetos de Power BI!

Financeiro Com DRE

Criação de um dashboard financeiro em Power BI que apresenta uma visão abrangente sobre os títulos pagos e recebidos, a pagar e a receber, juntamente com uma Demonstração de Resultados do Exercício (DRE) completa.

Relatório de Controladoria

Um relatório de controladoria com um Demonstrativo de Resultado do Exercício (DRE), destacando as métricas de Receita Bruta, Margem de Contribuição, Despesas Operacionais e Resultado Líquido.

Relatório de DRE

Desenvolvimento de um relatório de DRE no Power BI, apresentando visual detalhado e interativo dos principais indicadores financeiros de uma empresa, com ênfase em Receita Bruta, Margem de Contribuição e Resultado Líquido.

Portfólio de Projetos de Power BI!

Tabela do Brasileirão

Este projeto em Power BI analisa o Campeonato Brasileiro, mostrando a classificação, número de gols e o desempenho das equipes. Dados extraídosvia Web.Contents no Power Query, feito um excelente ETL, que facilita nas medidas DAX. Oferecendo uma visão clara de análise esportiva.

Correção de Nomes

Este projeto envolve na correção de nomes de cidades preenchidas incorretamente por usuários em um sistema sem blindagem, utilizando um algoritmo de similaridade baseado em n-gramas.

Relatório de Venda

Descrição do projeto:

Relatório comercial com ETL feito em uma base de dados SQL para extrair informações completas. Dentro do relatório há páginas de análise de meta ao longo do tempo, também metas por vendedor e por produtos. Também há uma página de Forecast, análise de RFV e de Curva ABC.

Contexto e objetivos:

O objetivo foi criar uma feramenta visual para monitorar o desempenho da empresa mensal, por vendedor e por produto, além de fornecer recomendações estratégicas para melhorar a competitividade no mercado. As demais páginas dão um plus pro relatório.

Principais insights e descobertas:

Os insights principais incluíram identificação de meses e produtos que estão abaixo da meta, desempenho dos vendedores, e recomendação de produtos com base em análise de clientes similares. Além de segmentação de clientes e produtos.

Resultados e impacto:

O relatório proporcionou uma visão clara e detalhada dos indicadores chaves, ajudando na tomada de decisões estratégicas e melhorias operacionais.

Metodologia e abordagem:

Conectar a um banco de dados SQL para realizar o ETL, desenvolvimento de gráficos e narrativas visuais para destacar informações críticas. Utilização do Power BI para criar um ambiente interativo e dinâmico.

Desafio e aprendizados:

Os principais desafios foram garantir a precisão dos dados e criar visualizações intuitivas. Aprendi a importância da narrativas visuais claras e a necessidade de recomendações acionáveis baseada em dados.

Imagem:

Análise Comercial

Descrição do projeto:

Este projeto consiste na criação de um relatório comercial para automatizar a análise de desempenho dos vendedores da PBIDist (curso da xPeriun), utilizando Power BI e planilhas de Excel.

Contexto e objetivos:

O objetivo é economizar tempo e aumentar a produtividade da equipe de vendas, identificando tendências de mercado, destacando os melhores vendedores e analistando a evolução do faturamento, margem, principais produtos e fatores que influenciam a margem.

Principais insights e descobertas:

O relatório permite uma visão detalhada dos KPIs principais, como faturamento, margem bruta e notas emitidas, além de destacar os melhores vendedores, produtos mais vendidos e realizar análise de pareto e cross-sell.

Resultados e impacto:

Com o relatório, a equipe de vendas pode tomar decisões mais informadas, monitorar metas de forma eficaz e identificar rapidamente os vendedores e produtos que mais contribuem para o crescimento do negócio.

Metodologia e abordagem:

Utilizamos Power Query no Power BI para realizar ETL das planilhas de Excel, criando um relatório com várias páginas que cobrem desde a visão geral até análises específicas como Realizado vs Meta, ranking de vendedores e decomposição hierárquica dos KPIs.

Desafio e aprendizados:

Foi consolidar dados de várias fontes e garantir a precisão das análises. Aprendemos que a automação através de ferramentas de BI é crucial para melhorar a eficiência e a tomada de decisões baseadas em dados.

Imagem:

Análise de Realizado vs Meta

Descrição do projeto:

Desenvolvi um relatório comercial focado na análise de desempenho de vendas, comparando o faturamento realizado com as metas estabelecidas. Utilizando Power BI, criamos uma visualização intuitiva para monitorar e ajustar estratégias de vendas em tempo real.

Contexto e objetivos:

O objetivo principal era oferecer uma ferramenta visual que ajudasse a equipe comercial a acompanhar seu progresso em relação às metas de vendas mensais e diárias. Esse monitoramento constante visa facilitar ajustes estratégicos para melhorar o desempenho e atingir as metas estipuladas.

Principais insights e descobertas:

O relatório revela uma variação significativa entre o faturamento real e as metas, tanto em nível geral quanto individual. Esses insights permitiram identificar quais dias apresentaram maior discrepância, destacando oportunidades para ações.

Resultados e impacto:

A implementação do relatório resultou em uma visão mais clara e detalhada do desempenho de vendas, permitindo à equipe comercial fazer ajustes táticos rapidamente. Isso melhora a eficiência operacional e alinha as ações diárias às metas mensais, potencializando os reusltados.

Metodologia e abordagem:

Utilizamos Power BI para integrar dados de vendas e de metas, e criar visualizações dinâmicas e interativas. A abordagem se concentrou em facilitar a interpretação dos dados, proporcionando uma interface intuitiva que destaca o desempenho em relação às metas.

Desafio e aprendizados:

Um dos principais desafios foi garantir a precisão dos dados e a atualização em tempo real. Aprendemos que a comunicação constante com a equipe de vendas é crucial para validar os dados e ajustar os dashboards conforme o necessário, garantindo que eles permaneçam relevantes e úteis.

Imagem:

Relatório Financeiro com DRE

Descrição do projeto:

Este projeto envolve a criação de um relatório financeiro em Power BI que apresenta uma visão abrangente sobre os títulos pagos e recebidos, a pagar e a receber, juntamente com uma Demonstração de Resultados do Exercício (DRE) completa, incluindo análise vertical e horizontal.

Contexto e objetivos:

O relatório foi desenvolvido para fornecer uma visão clara e detalhada da situação financeira de uma empresa ao longo do ano de 2020, facilitando o monitoramento e a análise de dados financeiros cruciais, como pagamentos, recebimentos, e indicadores de desempenho, com o objetivo de suportar a tomada de decsiões estratégicas.

Principais insights e descobertas:

Através do relatório, foi possível identificar os períodos com maior volume de pagamentos e recebimentos, detectar atrasos significativos em títulos, e analisar a performance financeira por diferentes unidades federativas e naturezas financeiras, destacando áreas que necessitam de atenção para melhorar a saúde financeira da empresa.

Resultados e impacto:

O uso do dashboard resultou em uma maior visibilidade e controle sobre os fluxos financeiros, permitindo à empresa reduzir atrasos em pagamentos e recebimentos, otimizar a gestão de caixa e tomar decisões mais informadas, contribuindo para uma melhoria significativa na eficiência operacional na rentabilidade.

Metodologia e abordagem:

O projeto utilizou Power BI para consolidar e visualizar os dados financeiros extraídos de diversas fontes. Foram aplicadas técnicas de análise de dados para desenvolver visualizações interativas e dinâmicas que permitem explorar informações detalhadas sobre pagamentos, recebimentos e desempenho financeiro, além de incluir análises vertical e horizontal na DRE.

Desafio e aprendizados:

Entre os principais desafios, destacaram-se a integração de dados de múltiplas fontes e a criação de visualizações que fossem intuitívas e úteis para os gestoers. O processo trouxe aprendizados valiosos sobre a importância de uma estrutura de dados bem organizada e a necessidade de manter um design de dashboard focado na usabilidade e clareza das informações apresentadas.

Imagem:

Análise de Armazém e Estoque

Descrição do projeto:

Criação de um dashboard interativo em Power BI para gestão de inventário e armazém, análise de estoque e faturamento, utilizando dados de planilhas Excel, com medidas DAX e ETL no Power Query.

Contexto e objetivos:

O projeto foi desenvolvido para uma empresa que necessitava melhorar a visibilidade e controle de seus estoques e armazéns, otimizar o reabastecimento, identificar rapidamente itens abaixo do estoque mínimo e analisar o faturamento de forma detalhada para embasar decisões estratégicas.

Principais insights e descobertas:

O relatório revelou itens frequentemente abaixo do estoque mínimo, identificou produtos com maior faturamento, e proporcionou uma visão clara do valor total de estoque e cobertura de estoque, permitindo a empresa ajustar suas estratégias de compra e venda com maior precisão.

Resultados e impacto:

A implementação do relatório resultou em uma gestão de inventário mais eficiente, redução de perdas por falta de produtos, melhor planejamento de reabastecimentos, e insights estratégicos que aumentaram a eficácia nas decisões de compras e vendas, melhorando o desempenho operacional.

Metodologia e abordagem:

Utilizamos Power Query para ETL, transformando dados de planilhas Excel, e criamos medidas DAX para análise avançada. As visualizações foram desenhadas para facilitar a interpretação rápida de KPIs críticos, como quantidade de estoque, itens abaixo do mínimo, valor de estoque e cobertura.

Desafio e aprendizados:

Os principais desafios foram integrar dados de múltiplas bases e criar medidas DAX complexas para análises específicas. Aprendemos técnicas avançadas de Power Query e DAX, aprimorando nossas habilidades em manipulação e o principal uma visualização de dados exemplar.

Imagem:

Correção de Nomes por Similaridade

Descrição do projeto:

Este projeto envolve na correção de nomes de cidades preenchidas incorretamente por usuários em um sistema sem blindagem, utilizando algoritmo de similaridade baseado em n-gramas.

Contexto e objetivos:

O objetivo é garantir a consistência e correção dos nomes das cidades em uma base de dados, corrigindo erros de digitação e variações de nomes através de uma comparação com uma lista de cidades corretas.

Principais insights e descobertas:

Utilizando o algoritmo de n-gramas, foi possível identificar e corrigir com alta precisão os nomes de cidades erradas ou digitados incorretamente, garantindo a integridade dos dados.

Resultados e impacto:

O projeto resultou em uma base de dados de cidades limpa e padronizada, melhorando a qualidade dos dados para análise e relatórios, e facilitando a integração com outros sistemas.

Metodologia e abordagem:

A abordagem envolveu a criação de um algoritmo que gera n-gramas para comparar e calcular a similaridade entre os nomes das cidades fornecidas pelos usuários e uma lista de cidades corretas.

Desafio e aprendizados:

Um dos principais desafios foi lidar com a variedade de erros de digitação e variações de nomes. Aprendemos que utilização de n-gramas é eficaz para identificar e corrigir essas inconsistências, melhorando a qualidade dos dados.

Imagem:

Relatório de Controladoria com DRE

Descrição do projeto:

Um relatório de controladoria com um Demonstrativo de Resultado do Exercício (DRE), destacando as métricas de Receita Bruta, Margem de Contribuição, Despesas Operacionais e Resultado Líquido.

Contexto e objetivos:

O projeto visa proporcionar uma visão detalhada do desempenho financeiro, permitindo a comparação entre valores realizados e orçados, e identificando áreas que necessitam de atenção para otimização financeira.

Principais insights e descobertas:

O relatório permite identificar variações entre os valores realizados e orçados, destacando padrões sazonais de desempenho, áreas de custo excessivo e oportunidades para melhorar a eficiência operacional, independentemente da empresa, filial ou período analisado.

Resultados e impacto:

O relatório proporcionou uma análise financeira clara e detalhada, facilitando a tomada de decisões estratégicas e identificação de áreas de melhoria, contribuindo para uma gestão financeira mais eficiente.

Metodologia e abordagem:

Utilizou-se uma base de dados em Excel com dimensões e fatos específicas para construir o DRE no Power BI, aplicando DAX para narrativas e storytelling, com o layout desenvolvido em PowerPoint para uma apresentação visualmente atraente.

Desafio e aprendizados:

O principal desafio foi a necessidade de conhecimento contábil avançado para desenvolver uma DRE completa e detalhada, além da aplicação de técnicas de visualização de dados para criar um relatório intuitivo e informativo.

Imagem:

Análise de Performance de Logística

Descrição do projeto:

Desenvolvimento de um relatório de logística utilizando Power BI para analisar a eficiência das transportadoras, com foco em OTIF (On Time e In Full) e o desempenho na entrega ao longo do tempo.

Contexto e objetivos:

O projeto visa monitorar o desempenho de transportadoras em diversas regiões do Brasil, avaliando métricas críticas como OTIF, tempo médio de entrega, avarias e extravios, com o objetivo de otimizar a cadeia de suprimentos.

Principais insights e descobertas:

Os dados revelam variações significativas no desempenho das transportadoras, destacando áreas de melhoria, como a necessidade de reduzir avarias e extravios em determinadas rotas e melhorar a pontualidade.

Resultados e impacto:

O uso do relatório permite identificar e corrigir falhas operacionais, resultando em uma melhora na taxa de entregas dentro do prazo e na redução de perdas, impactando positivamente o faturamento e na satisfação do cliente.

Metodologia e abordagem:

Utilizou-se dados históricos de expedição e entrega, integrados em um dashboard interativo no Power BI, onde filtros e gráficos permitem análises detalhadas por transportadora, tipo de transporte e região.

Desafio e aprendizados:

Um dos principais desafios foi a integração e limpeza dos dados para garantir a precisão das análises. Aprendeu-se a importância de segmentar dados por transportadora e rota para identificar gargalos específicos.

Imagem:

Demonstrativo de Resultado do Exercício

Descrição do projeto:

Desenvolvimento de um relatório de DRE no Power BI, apresentando visual detalhado e interativo dos principais indicadores financeiros de uma empresa, com ênfase em Receita Bruta, Margem de Contribuição e Resultado Líquido.

Contexto e objetivos:

O projeto foi criado para permitir que os gestores de empresas analisem rapidamente a saúde financeira de suas operações, com foco em identificar variações mensais e tendências ao longo do ano.

Principais insights e descobertas:

A análise revelou flutuações significativas na Margem de Contribuição ao longo dos meses, com implicações diretas no Resultado Operacional, exigindo ajustes na gestão de despesas variáveis e fixas.

Resultados e impacto:

O dashboard permitiu uma visão mais clara e estratégica das finanças, resultando em decisões de negócio mais informadas e maior controle sobre os custos operacionais, impactando positivamente o resultado final.

Metodologia e abordagem:

Utilização do Power BI para integrar múltiplas fontes de dados, incluindo orçamentos, previsões e lançamentos contábeis, aplicando filtros dinâmicos para permitir análises personalizadas por mês e categorias.

Desafio e aprendizados:

Desafio em garantir que os dados financeiros fossem representados de forma clara e compreensível, evitando sobrecarga de informações, o que levou à criação de visualizações intuitivas e foco em métricas essenciais.

Imagem:

Projeto Brasileirão

Descrição do projeto:

O projeto consiste na criação de um dashboard interativo em Power BI para analisar o Campeonato Brasileiro desde 2009, com dados estruturados a partir de uma função M no Power Query que consome informações via Web.Contents(), apresentando uma classificação geral, comparação de gols feitos e sofridos e análise de desempenho em casa e fora de casa.

Contexto e objetivos:

O principal objetivo do projeto é disponibilizar uma visão clara e interativa do desempenho das equipes no Brasileirão, fornecendo insights como o número de vitórias, derrotas, empates, gols a favor e contra, além de destacar o aproveitamento das equipes ao longo dos anos, com base em uma base de dados automática.

Principais insights e descobertas:

O dashboard revelou padrões interessantes, como a correlação entre mando de campo e desempenho, além de destacar times com maior equilíbrio defensivo e ofensivo, evidenciado pelo gráfico de comparação de gols feitos e sofridos. A visualização também mostrou a consistência de algumas equipes ao longo de diferentes anos.

Resultados e impacto:

O impacto foi a criação de uma ferramenta visual poderosa que facilita a compreensão dos dados do campeonato, auxiliando tanto analistas esportivos quanto fãs a monitorar o desempenho das equipes ao longo das temporadas, trazendo maior clareza e insights a partir de uma base de dados centralizada.

Metodologia e abordagem:

A abordagem utilizada envolveu a criação de funções customizadas no Power Query para coletar e organizar os dados, seguido pela modelagem relacional de tabelas fato e dimensão, com cálculos em DAX para gerar as medidas necessárias, como pontos, saldo de gols, e percentual de aproveitamento.

Desafio e aprendizados:

Um dos principais desafios foi trabalhar com dados não estruturados vindos de JSONs obtidos via Web.Contents(), exigindo uma abordagem robusta de transformação no Power Query para garantir a consistência da base. O aprendizado foi que um processo bem estruturado no ETL simplifica bastante a análise em DAX e a criação de visualizações.

Imagem:

Análise RFV

Descrição do projeto:

Este projeto é um dashboard de análise RFV (Recência, Frequência e Valor) desenvolvido no Power BI. Seu objetivo é segmentar os clientes em diferentes categorias para ações estratégicas, permitindo visualizações claras sobre comportamento de compra e valor agregado.

Contexto e objetivos:

O relatório foi criado com base em dados de vendas extraídos de um SQL Server. A análise RFV visa permitir uma melhor segmentação dos clientes, ajudando a definir estratégias personalizadas para cada perfil de consumo, seja na retenção, recuperação ou fidelização.

Principais insights e descobertas:

A análise revelou que, na base B2B utilizada, as variações de frequência entre os clientes não são tão expressivas quanto a recência e o valor. Clientes classificados como "Potenciais" e "Campeões" se destacaram, sugerindo oportunidades para aumentar o engajamento e faturamento em segmentos específicos.

Resultados e impacto:

Esse tipo de segmentação RFV tem impacto direto na definição de estratégias de marketing e vendas, pois permite priorizar grupos-chave, como "Campeões", enquanto se buscam soluções para reengajar clientes "Em Risco" ou "Perdidos". Além disso, a visualização clara facilita decisões rápidas e estratégicas.

Metodologia e abordagem:

A metodologia foi centrada em uma transformação simples dos dados de OLTP para OLAP, utilizando joins para estruturar a base. A matriz RFV foi criada com uma tabela em DAX no Power BI, proporcionando flexibilidade e detalhamento na visualização e segmentação de clientes.

Desafio e aprendizados:

O maior desafio foi implementar o segmentador de dados e a matriz RFV com DAX, já que foi necessário equilibrar precisão nos cálculos e uma visualização eficiente no Power BI. Através desse desafio, ganhei maior domínio sobre DAX e sobre as funcionalidades avançadas do Power BI.

Imagem:

Outros Portifólios

Head & Detail

Por que usar o SQL para juntar tabelas Cabeçalho (Header) e tabela de detalhes (Detail) de uma tabela de vendas. Aonde fica mais performático e o código é bem mais simples de ser trabalhado.

EM BREVE

"Em breve"

EM BREVE

"Em breve"

Outros Portifólios

Head & Detail

Por que usar o SQL para juntar tabelas Cabeçalho (Header) e tabela de detalhes (Detail) de uma tabela de vendas. Aonde fica mais performático e o código é bem mais simples de ser trabalhado.

Outros Portifólios

EM BREVE

"Em breve"

SQL vs Power Query: Por que o SQL é Mais Performático?

Ao trabalhar com grandes volumes de dados, a performance e eficiência são aspectos cruciais a serem considerados. Embora o Power Query seja uma ferramenta poderosa para o tratamento de dados, o SQL oferece vantagens significativas em termos de velocidade e desempenho, especialmente quando lidamos com grandes bancos de dados relacionais.

Por que SQL é mais Performático?

SQL (Structured Query Language) foi projetado especificamente para gerenciar e manipular dados em bancos de dados relacionais. Aqui estão algumas razões pelas quais o SQL tende a ser mais eficiente do que o Power Query em muitos cenários:

     • Otimização de Consultas: Motores de banco de dados, como SQL Server e PostgreSQL, são otimizados para lidar com consultas complexas, usando índices, cache e outras técnicas para acelerar a execução de queries.




     • Processamento no Servidor: Ao executar uma query SQL, o processamento é feito diretamente no servidor, o que evita a transferência de grandes volumes de dados para o cliente, economizando tempo e recursos.




     • Paralelismo e Escalabilidade: Motores de banco de dados modernos são capazes de dividir o processamento entre múltiplos núcleos e servidores, o que melhora significativamente o desempenho em grandes operações de consulta.




     • Uso de Tabelas Indexadas: SQL permite a criação de índices personalizados para melhorar a velocidade de busca e junção de tabelas, enquanto o Power Query depende do poder de processamento da máquina local.

Exemplo Prático

Vamos ver um exemplo em que temos 3 tabelas, uma de vendas (tabela Header) e uma outra de ItensVendas (tabela Detail), e também uma tabela posterior de ClientesVendedores que é uma tabela que determina a que vendedor o cliente pertence. Para facilitar o entendimento, usaremos um filtro trazendo apenas dados da venda com o id = 1:

Tabela Vendas

Tabela ItensVendas

Tabela ClientesVendedores

Agora precisamos trazer apenas 1 únita tabela de vendas pro final da consulta, o que fazer? Podemos ver que o Desconto pertence a tabela de venda, e ao fazer o Left Join das duas tabelas o desconto irá replicar, porém se você dividir o valor bruto da tabela ItensVendas (valor bruto por produto) pelo valor bruto da tabela Vendas (valor bruto total) você tem a participação de cada produto na venda, multiplica isto pelo valor de desconto, você encontra o rateio.

Posteriormente basta selecionar as colunas, renomear de uma maneira padronizada e você jé tem o resultado final esperado, como mostrado abaixo:

Resultado Final (após junções e cálculos)

Código SQL

O código SQL a seguir demonstra como realizar essa junção e cálculos:

SELECT 
	v.nfe, 
	v.data, 
	v.cliente_id, 
	cv.vendedor_id, 
	iv.produto_id, 
	iv.item_quantidade AS quantidade, 
	iv.valor_unitario AS valor, 
	ROUND((iv.valor_bruto * (v.nf_desconto / v.valor_bruto)), 4) AS valor_desconto
FROM 
	Vendas v
LEFT JOIN 
	ItensVendas iv ON v.id = iv.vendas_id
LEFT JOIN 
	ClientesVendedores cv ON v.cliente_id = cv.cliente_id
WHERE 
	v.id = 1;

Código Power Query (M)

Abaixo os mesmos códigos em Power Query, porém utilizando Excel como Base de Dados:

let
    Fonte = BaseDadosOLTP,

    TabelaVendas = 
        Table.TransformColumnTypes(
            Table.PromoteHeaders(
                Table.Combine(
                    Table.SelectRows(
                        Fonte, 
                        each ([Name] = "Vendas")
                    )[Data]
                ),
                [PromoteAllScalars=true]
            ),
            {
                { "id", Int64.Type },
                { "data", type date },
                { "nfe", type text },
                { "cliente_id", Int64.Type },
                { "nf_desconto", type number },
                { "valor_bruto", type number },
                { "valor_venda", type number }
            }
        ),

    TabelaItensVendas = 
        Table.TransformColumnTypes(
            Table.PromoteHeaders(
                Table.Combine(
                    Table.SelectRows(
                        Fonte,
                        each ([Name] = "ItensVendas")
                    )[Data]
                ),
                [PromoteAllScalars=true]
            ),
            {
                { "id", Int64.Type },
                { "vendas_id", Int64.Type },
                { "produto_id", Int64.Type },
                { "item_quantidade", Int64.Type },
                { "valor_unitario", type number },
                { "valor_bruto", type number }
            }
        ),

    TabelaClientesVendedores = 
        Table.TransformColumnTypes(
            Table.PromoteHeaders(
                Table.Combine(
                    Table.SelectRows(
                        BaseDadosOLTP,
                        each ([Name] = "ClientesVendedores")
                    )[Data]
                ), 
                [PromoteAllScalars=true]
            ),
            {
                { "cliente_id", Int64.Type },
                { "vendedor_id", Int64.Type }
            } 
        ),

    ________ = "",

    MesclarTabelaClientVend = 
        Table.NestedJoin(
            // Tabela 1
            TabelaVendas, { "cliente_id" },
            // Tabela 2
            TabelaClientesVendedores, { "cliente_id" },
            "ClientesVendedores",
            JoinKind.LeftOuter
        ),

    ExpandirTabelaClientVend = 
        Table.ExpandTableColumn(
            MesclarTabelaClientVend,
            "ClientesVendedores",
            { "vendedor_id" },
            { "vendedor_id" }
        ),

    MesclarTabelaItensVendas = 
        Table.NestedJoin(
            // Tabela 1
            ExpandirTabelaClientVend, { "id" },
            // Tabela 2
            TabelaItensVendas, { "vendas_id" },
            "Vendas",
            JoinKind.LeftOuter
        ),

    ExpandiTabelaItensVendas = 
        Table.ExpandTableColumn(
            MesclarTabelaItensVendas,
            "Vendas",
            { "id", "produto_id", "item_quantidade", "valor_unitario", "valor_bruto" },
            { "Vendas.id", "produto_id", "item_quantidade", "valor_unitario", "Vendas.valor_bruto" }
        ),
    
    AddColunaDesconto = 
        Table.AddColumn(
            ExpandiTabelaItensVendas,
            "valor_desconto",
            each [Vendas.valor_bruto] / [valor_bruto] * [nf_desconto],
            type number
        ),

    EscolherColunas = 
        Table.SelectColumns(
            AddColunaDesconto,
            { 
                "nfe", "data", "produto_id", "vendedor_id", "cliente_id", 
                "item_quantidade", "valor_unitario", "valor_desconto" 
            }
        )

in
    EscolherColunas

Conclusões:

Quanto antes as alterações forem feitas, melhor será, então tente sempre fazer as transformações anteriormente antes de traze-las para o Power BI, isso gerará mais performance ao seu modelo.