راهنمای جامع زبان‌های DAX و M در Power BI

در دنیای امروز که سازمان‌ها حجم عظیمی از داده‌ها تولید می‌کنند، ابزارهای هوش تجاری (BI) نقش حیاتی در تصمیم‌گیری‌های مبتنی بر داده دارند. Power BI یکی از محبوب‌ترین ابزارهای BI مایکروسافت است که دو زبان کلیدی DAX و M را برای پردازش و تحلیل داده‌ها به کاربران ارائه می‌دهد:

1. DAX (Data Analysis Expressions) برای محاسبات و مدل‌سازی داده.
2. M Language (Power Query M) برای آماده‌سازی و تبدیل داده‌ها.

این دو زبان مانند دو بال یک پرنده هستند؛ بدون یکی از آن‌ها، پرواز کامل در مسیر تحلیل داده‌ها ممکن نیست.

زبان DAX چیست و چه کاربردی دارد؟

تعریف DAX

DAX یا Data Analysis Expressions یک زبان فرمول‌نویسی است که برای ایجاد محاسبات سفارشی در مدل‌های داده استفاده می‌شود. اگر با فرمول‌های Excel آشنا هستید، یادگیری DAX برایتان ساده خواهد بود.

کاربردهای اصلی DAX

• ایجاد KPI و شاخص‌های عملکرد
• محاسبات پیچیده مالی مانند نرخ رشد سالانه یا حاشیه سود
• ایجاد ستون‌های محاسباتی (Calculated Columns)
• ساخت معیارها (Measures) برای تحلیل پویا

مثال ساده DAX

Total Sales = SUM(Sales[SalesAmount])

این فرمول مجموع فروش را از ستون SalesAmount محاسبه می‌کند.

مثال پیشرفته DAX

Year To Date Sales = TOTALYTD(
    SUM(Sales[SalesAmount]),
    'Date'[Date]
)

این فرمول مجموع فروش را از ابتدای سال تا تاریخ جاری محاسبه می‌کند.

زبان M چیست و چه کاربردی دارد؟

تعریف M Language

زبان M که به نام Power Query M نیز شناخته می‌شود، زبان اسکریپت‌نویسی Power Query است و وظیفه‌اش آماده‌سازی، پاک‌سازی و تغییر شکل داده‌ها پیش از ورود به مدل تحلیلی است.

کاربردهای اصلی M Language

• اتصال به منابع داده مانند SQL Server، Excel، CSV، Web APIs
• حذف داده‌های تکراری و غیرضروری
• تغییر ساختار جداول و ستون‌ها
• ادغام چند منبع داده در یک جدول واحد

مثال ساده M

let
    Source = Excel.Workbook(File.Contents("C:\Data\Sales.xlsx"), null, true),
    SalesTable = Source{[Name="Sales"]}[Content]
in
    SalesTable

این کد داده‌های جدول فروش را از یک فایل Excel وارد می‌کند.

تفاوت‌های کلیدی DAX و M Language در Power BI

سناریوی واقعی استفاده از DAX و M با هم

فرض کنید شرکت شما داده‌های فروش را از چند منبع (SQL Server، Excel و API) دریافت می‌کند:

1. مرحله آماده‌سازی با M Language:
   • اتصال به منابع داده
   • پاک‌سازی و حذف داده‌های تکراری
   • ادغام جداول فروش از منابع مختلف
   • تغییر نام ستون‌ها و تعیین نوع داده‌ها
2. مرحله تحلیل با DAX:
   • محاسبه KPI فروش سال جاری
   • مقایسه رشد فروش نسبت به سال قبل
   • محاسبه سهم هر محصول از فروش کل
   • ایجاد گزارش‌های پویا در Power BI

نکات بهینه‌سازی عملکرد

برای DAX

• از Measures به جای Calculated Columns استفاده کنید تا حجم مدل کاهش یابد.
• توابع گران‌قیمت مانند FILTER را فقط در مواقع ضروری استفاده کنید.
• از روابط (Relationships) بهینه استفاده کنید.

برای M Language

• تغییر نوع داده‌ها را در مراحل ابتدایی انجام دهید.
• ستون‌های غیرضروری را پیش از بارگذاری حذف کنید.
• از Query Folding برای بهبود سرعت بارگذاری استفاده کنید.

خطاهای رایج و روش رفع آن‌ها

در DAX

• Circular Dependency: زمانی که محاسبات به‌طور غیرمستقیم به خودشان ارجاع می‌دهند.
• Blank Results: ناشی از فیلترگذاری نامناسب.

در M Language

• Source Not Found: مسیر فایل یا URL اشتباه.
• Type Mismatch: ناسازگاری نوع داده‌ها در مراحل پردازش.

سوالات متداول پیشرفته (FAQ)

۱. آیا DAX می‌تواند داده‌ها را تغییر دهد؟
خیر، DAX فقط برای محاسبه و تحلیل است و داده‌ها را تغییر نمی‌دهد.

۲. آیا M می‌تواند محاسبات پیچیده مثل DAX انجام دهد؟
خیر، M برای آماده‌سازی داده‌هاست، نه محاسبات تحلیلی.

۳. کدام یک برای یادگیری سخت‌تر است؟
دکس در تحلیل‌های پیچیده چالش‌برانگیزتر است، ولی M در پروژه‌های داده‌ای بزرگ نیاز به مهارت بالایی دارد.

منابع و مقالات

برای اطلاعات بیشتر و مطالعه تخصصی می‌توانید به منابع زیر مراجعه کنید:

مشاوره و تماس

شرکت توسعه فناوری اطلاعات لاندا با تجربه در پروژه‌های هوش تجاری آماده است تا:

• داشبوردهای تحلیلی حرفه‌ای برای سازمان شما بسازد
• آموزش تخصصی هوش تجاری ارائه دهد
• بهینه‌سازی مدل‌های داده شما را انجام دهد

📞 برای مشاوره رایگان همین حالا تماس ✆ بگیرید.