Datatype no Power Query: O erro que quebra seu Power BI
Se você já trabalhou com Power BI, provavelmente já alterou o tipo de uma coluna no Power Query quase no automático.
Mas aqui está o ponto que muita gente ignora:
A conversão de tipos de dados no Power Query impacta diretamente performance, compressão e comportamento do modelo no Power BI.
E não — isso não é só detalhe técnico.
É o tipo de decisão que separa um modelo simples de um modelo escalável.
O Problema (Simples e comum)
O Power BI tenta adivinhar os tipos automaticamente…
E erra com frequência.
Exemplos clássicos:
Cenário | Problema |
ID como número | Ocupa mais espaço e piora compressão |
Data com horário (DateTime) | Aumenta cardinalidade |
Texto longo desnecessário | Reduz eficiência do modelo |
O Impacto Real
Quando o tipo está errado:
- Modelo fica maior
- Refresh mais lento
- Performance cai
- DAX pode se comportar diferente
Tudo isso silenciosamente.
O Que Fazer (Na Prática)
1. Ajustar tipo de dado corretamente
No Power Query:
- Clique no ícone da coluna (ABC / 123 / calendário)
- Defina o tipo correto manualmente
2. Use o tipo mais simples possível
Regra de ouro:
- Inteiro → melhor que decimal
- Date → melhor que DateTime
- Boolean → ideal para flags
Menos complexidade = melhor compressão
3. Evite alta cardinalidade
Evite colunas com muitos valores únicos:
- Data + hora completa
- IDs complexos sem necessidade
- Textos livres
Isso impacta diretamente o desempenho.
4. Valide os steps no Power Query
Sempre verifique:
- Step “Changed Type” foi criado
- Está na ordem correta
- Não foi sobrescrito por outro step
Resultado Esperado
Aplicando essas boas práticas:
- Modelo mais leve
- Melhor compressão
- Dashboards mais rápidos
- Escalabilidade real
Conclusão
Datatype conversion no Power Query pode parecer um detalhe técnico — mas na prática, é uma decisão que impacta diretamente a qualidade do seu modelo no Power BI.
Pequenos ajustes aqui resultam em:
- Melhor performance
- Menor consumo de memória
- Modelos mais escaláveis
No final, não se trata apenas de corrigir tipos de dados.
Trata-se de construir um modelo eficiente desde a base.
