Une mesure DAX peut-elle être juste… et pourtant fausse ?

Une mesure DAX peut fonctionner sans erreur et pourtant fausser une décision. Découvrez comment vérifier la fiabilité de vos indicateurs Power BI, du besoin métier jusqu’à la validation des résultats, y compris lorsque l’IA intervient dans leur création.

Un tableau de bord affiche un taux de marge en baisse. La direction commerciale demande des explications. Les équipes vérifient les données, la formule DAX et les filtres du rapport : aucune erreur apparente.

Pourtant, après vérification, le calcul ne correspond pas à la définition de la marge retenue par l’entreprise. Le rapport est techniquement fonctionnel, mais l’indicateur ne permet pas de prendre la décision attendue.

Ce type d’écart peut passer inaperçu pendant longtemps, notamment lorsque les résultats semblent plausibles. Il peut venir d’une règle métier mal définie, d’une granularité inadaptée, d’une relation entre tables ou d’un calcul qui réagit différemment selon les filtres appliqués.

1. Le premier risque : calculer le bon chiffre… pour le mauvais besoin

Avant de parler de DAX, prenons un exemple concret. Une entreprise souhaite suivre le coût de ses ventes. Sa table contient une ligne par produit vendu, avec une quantité et un coût unitaire.

La question semble simple : comment calculer le coût total ? Pourtant, deux mesures différentes peuvent produire des résultats tout à fait valides.

Somme des coûts unitaires =
SUM(Ventes[CoutUnitaire])

Imaginons une ligne correspondant à cinq unités vendues à 12 € l’unité. Le coût associé à cette ligne est de 60 €. Additionner uniquement le coût unitaire ne permet donc pas de retrouver le coût total.

Coût total des ventes =
SUMX(
    Ventes,
    Ventes[Quantite] * Ventes[CoutUnitaire]
)

Les deux formules sont valides, mais elles ne répondent pas à la même question. Pour choisir la bonne, il faut d’abord préciser ce que l’entreprise souhaite mesurer et ce que représente chaque ligne de ses données.

2. Pourquoi une mesure peut-elle donner un résultat différent selon les filtres ?

Dans Power BI, une mesure est évaluée en fonction du contexte dans lequel elle est utilisée. Le même calcul peut ainsi afficher un montant global, un montant par région ou un montant par mois, sans que sa formule change.

Ce mécanisme est essentiel pour analyser les données. Mais il faut vérifier que le résultat reste pertinent lorsque l’utilisateur change de période, de produit ou de niveau de détail.

Prenons une mesure qui calcule le chiffre d’affaires de l’année précédente. Si le modèle de données ne permet pas de filtrer correctement les dates, ou si la logique de comparaison ne correspond pas à la période attendue, le résultat peut être vide, incomplet ou trompeur.

Le problème ne vient alors pas forcément de la syntaxe DAX. Il peut se situer dans la structure du modèle, les relations entre les tables ou la définition même de la période de comparaison.

Pour comprendre le comportement d’une mesure, il faut donc examiner ensemble la formule, le modèle et les filtres appliqués dans le rapport.

Microsoft détaille ces mécanismes dans sa documentation sur les principes fondamentaux de DAX.

3. Le total affiché est-il toujours le bon total ?

Les ratios, les moyennes et les pourcentages méritent une attention particulière. Contrairement à une simple somme, leur total dépend de la règle d’agrégation retenue.

Imaginons deux produits avec des chiffres d’affaires et des marges différents. L’entreprise veut calculer son taux de marge global.

Taux de marge =
DIVIDE(
    [Marge],
    [Chiffre d'affaires]
)

La moyenne arithmétique des taux des deux produits est de 15 %. Voici le calcul :

(20 % + 10 %) / 2 = 15 %

Pourtant, le taux de marge global est de 11 %. Il se calcule en rapportant la marge totale au chiffre d’affaires total :

11 000 € / 100 000 € = 11 %

Les deux calculs sont mathématiquement corrects, mais ils ne répondent pas à la même question. Le choix dépend de l’indicateur que l’entreprise souhaite suivre.

Les deux calculs sont mathématiquement corrects. Mais ils ne répondent pas à la même question : le premier donne une moyenne simple des taux, tandis que le second rapporte la marge totale au chiffre d’affaires total.

4. Les vérifications qui font la différence entre une mesure et un indicateur fiable

Une mesure ne peut pas être évaluée indépendamment des données et du modèle qui l’alimentent. Pour comprendre pourquoi un résultat est juste ou non, cinq points méritent d’être examinés.

• La définition métier. L’indicateur mesure-t-il bien ce que les utilisateurs pensent mesurer ? Les exclusions, les règles de gestion et le périmètre sont-ils explicités ?
• La granularité des données. Une ligne représente-t-elle une vente, une commande, un produit ou une journée ? Une mauvaise compréhension de ce niveau de détail peut entraîner des doubles comptes ou des calculs inadaptés.
• Les relations entre les tables. Le modèle permet-il de propager correctement les filtres ? Les relations et leur sens de filtrage sont-ils adaptés au besoin ?
• Le contexte de calcul. La mesure produit-elle le résultat attendu par période, catégorie, région et au niveau global ?
• La validation par une référence. Peut-on comparer le résultat à un calcul manuel, à un échantillon vérifié ou à une source de référence fiable ?

C’est pourquoi la fiabilité d’un rapport ne se joue pas uniquement dans les formules. Elle dépend également de la qualité du modèle, de la cohérence des données et du dialogue entre les équipes techniques et les utilisateurs métier.

5. Mesures DAX générées par l’IA : que faut-il vraiment vérifier ?

Les agents IA peuvent aujourd’hui interagir avec des modèles sémantiques Power BI, générer des mesures, exécuter des requêtes et proposer des modifications. Ces capacités ouvrent des possibilités intéressantes pour accélérer certaines tâches de développement et d’analyse.

Mais elles ne suppriment pas les exigences de validation. Une mesure peut être syntaxiquement correcte, s’exécuter sans erreur et produire un résultat cohérent sur un premier test, tout en reposant sur une mauvaise interprétation du besoin.

Le risque est particulièrement important lorsque la demande initiale est imprécise. Si l’utilisateur demande à l’agent de calculer la « rentabilité », par exemple, il reste à déterminer s’il s’agit d’une marge, d’un taux de marge, d’un retour sur investissement ou d’un autre indicateur défini par l’entreprise.

L’agent peut choisir une interprétation plausible sans qu’elle soit celle attendue par les équipes métier. La qualité de la réponse dépend donc aussi de la définition fournie, du contexte accessible à l’agent et des contrôles réalisés après génération.

Ces contrôles doivent être adaptés au contexte. Une expérimentation sur une copie du modèle ne présente pas les mêmes enjeux qu’une modification directe d’un modèle partagé, utilisé pour piloter l’activité.

L’objectif n’est pas de freiner l’usage de l’IA, mais de l’intégrer dans une démarche de développement maîtrisée, avec des critères de validation explicites.

6. Une checklist pour fiabiliser un indicateur Power BI

Avant de mettre une mesure à disposition des utilisateurs, cette checklist permet de structurer les vérifications et de garder une trace des décisions prises.

1. La règle métier est-elle explicite ? La définition de l’indicateur, son périmètre et ses éventuelles exclusions sont documentés.
2. La granularité est-elle connue ? Le niveau de détail des données et les risques de doublons ont été vérifiés.
3. Le résultat a-t-il été testé sur un cas simple ? Un échantillon dont le résultat attendu peut être calculé indépendamment sert de référence.
4. Les filtres ont-ils été testés ? Le comportement de la mesure a été vérifié sur plusieurs périodes, catégories ou dimensions pertinentes.
5. Les totaux sont-ils cohérents avec la règle métier ? Les sommes, moyennes, ratios et pourcentages ont été contrôlés selon la logique attendue.
6. Le résultat a-t-il été comparé à une référence fiable ? Les écarts éventuels ont été expliqués, et pas simplement considérés comme acceptables parce qu’ils semblent plausibles.
7. La mesure est-elle documentée et validée ? Sa définition, ses limites et les contrôles réalisés sont accessibles aux personnes qui l’utilisent ou la maintiennent.

Cette démarche peut être intégrée aux pratiques de développement et de recette : tests sur des cas de référence, revue des formules, validation métier et contrôle avant publication. Elle est également utile pour encadrer les mesures produites avec l’aide d’un agent IA.

À retenir : la fiabilité commence par la définition du besoin

La qualité d’un indicateur Power BI ne dépend pas uniquement de la syntaxe DAX. Elle repose sur l’alignement entre la question métier, la structure des données, la logique de calcul et les résultats observés.

Avec les agents IA, la génération de mesures et l’exécution de requêtes peuvent devenir plus rapides. Mais la validation reste indispensable pour vérifier que les résultats sont cohérents avec les règles de l’entreprise et adaptés aux décisions qu’ils doivent éclairer.

Pour les équipes Data, l’enjeu est donc double : accélérer la production des indicateurs tout en maintenant un niveau de contrôle adapté à leur importance pour l’activité.