就像在第十天提到的，雖然 Power BI 有內建資料轉換的功能，但現在我傾向用 dbt 完成所有的資料處理，讓 Power BI 的語意模型只管理 Dimensional Model 中表格與表格間的關聯性以及指標計算邏輯就好 (DAX)。下面會先簡單示範一下在 dbt 大概做哪些資料處理，接著再簡單介紹 Power BI 的資料模型功能。

dbt 負責資料轉換

來人啊，先上圖！

上面做了一個簡單的專案介紹從資料源到資料市集大概會長怎樣，因為是個很陽春的專案，所以其實不太複雜。順序大概是：

1. source: 綠色的是被同步到資料倉儲的資料源表
2. snapshot: 會對多數資料源表進行 snapshot，orders 除外，因為他在資料源的更新是 immutable 的。（欄位的值只要被 insert 就不會再變動了，當然以防萬一要 snapshot 也是可以。）
3. stg: 更改表格名稱，還有做一些簡單的 coalesce 轉換
4. int: 因為邏輯很簡單，這邊只做了 SCD type 2 跟 SCD tpye 2 的 join 沒其他轉換。
5. dim: 基本上跟上游的 int 是一樣的邏輯。dim_date 沒有上游是因為我用 dbt 的套件直接生成表格。
6. fct: 把 dim 的 surrogate_key populate 到 fct_orders 中。

其中，Power BI 會連接的 只有 dim 跟 fct。

Power BI 資料模型

匯入資料

在選擇好資料庫，以及輸入伺服器位置等等資訊後，就可以開始匯入資料了，如下圖所示，把需要的 dim 跟 fct 勾選起來，就可以一次匯入數張表格

資料模型

匯入後， Power BI 會開始自動偵測資料模型，下面是經試驗後歸納出的他的偵測方式：

• 表格跟表格間有沒有相同的欄位
  且
• 該欄位在兩個表格間是不是一對多關係

偵測後，點擊左邊工具列的資料模型:

接著，就可以看到，美麗的模型了：

其中，箭頭代表篩選器的篩選方向， 1 跟 * 代表一對多關係，可以看到只要是一對多關係，系統預設篩選都是從一篩到多（用維度表去篩選事實表。）之後會再介紹其他種類的關係，但只要會一對多就幾乎可以打遍天下無敵手了。

也可以點擊上方的管理關聯性，看到「關聯性」的細節：

最後，附上完成的 star schema

到目前這邊，陽春的 Power BI 語意模型就完成第一階段了，接下來只要加上利用 DAX去定義指標就完成了！但因為資料模型是 DAX 的基礎，下一篇會先介紹更多跟資料模型有關的內容，接下來才會介紹 DAX。