Wat zijn feiten?
Feiten zijn meetbare gegevens. Denk aan getallen die je kunt optellen, berekenen of analyseren. Voorbeelden:
- Omzet in euro’s
- Aantal verkochte producten
- Aantal bezoekers op een website
Feiten zijn vaak gekoppeld aan een tijdstip, plaats of andere context.
Wat zijn dimensies?
Dimensies geven betekenis aan feiten. Ze beschrijven de context zodat je de cijfers kunt begrijpen. Voorbeelden:
- Tijd (jaar, maand, dag)
- Product (categorie, merk, type)
- Klant (leeftijd, regio, geslacht)
Met dimensies kun je de feiten bekijken vanuit verschillende invalshoeken.
Hoe feiten en dimensies samen?
Een simpel voorbeeld:
- Feit: omzet = € 1.000.000
- Dimensies: in 2025, in Nederland, voor productgroep “bier”
Door feiten en dimensies te combineren, kun je vragen beantwoorden zoals:
Welke regio behaalde de meeste omzet in 2025?
Waarom zijn feiten en dimensies belangrijk?
- Ze maken data begrijpelijk.
- Ze zorgen voor structuur in rapportages en dashboards.
- Ze helpen om sneller inzichten te krijgen en betere beslissingen te nemen.
Feiten en dimensies in Power BI
In Power BI zijn feiten en dimensies de bouwstenen van een goed datamodel:
- De feitentabel bevat de cijfers die je wilt analyseren (bijvoorbeeld omzet of aantallen).
- De dimensietabellen zorgen dat je die cijfers kunt filteren, groeperen of visualiseren (bijvoorbeeld per jaar, per klant of per product).
Als je feiten en dimensies goed modelleert in Power BI, krijg je:
- Snellere rapportages omdat relaties logisch zijn opgezet.
- Betrouwbare resultaten doordat cijfers altijd in de juiste context worden getoond.
- Flexibiliteit om dashboards eenvoudig uit te breiden zonder dat je alles opnieuw moet bouwen.
Waarom goed gemodelleerde feiten (Kimball) belangrijk zijn
Een veelgemaakte fout is werken met alleen transactionele tabellen. Daar staat vaak alles in wat er gebeurd is: elke bestelling, elk product, elke klant, elke regel. Dat is waardevolle data, maar voor rapportages levert het problemen op:
- Het is traag: tabellen met miljoenen rijen zijn niet efficiënt om direct te analyseren.
- Het is onduidelijk: dezelfde berekening moet telkens opnieuw worden opgebouwd.
- Het is foutgevoelig: kleine verschillen in logica zorgen voor afwijkende resultaten.
Daarom gebruik je het Kimball-model (ster-schema) om feitentabellen te maken die speciaal zijn ontworpen voor analyse.
Voorbeeld: verkoopdata
Stel, je hebt een transactionele tabel met miljoenen orderregels:
- OrderID, ProductID, KlantID, Datum, Aantal, Prijs
In zo’n tabel kun je natuurlijk wel de omzet berekenen, maar het wordt ingewikkeld als je vragen wilt beantwoorden als:
- “Wat is de gemiddelde orderwaarde per klanttype?”
- “Welke productcategorie doet het het best per kwartaal?”
Door een feitentabel (bijvoorbeeld SalesFact) te maken met berekende velden zoals TotalSales en Quantity, en dit te koppelen aan dimensietabellen (KlantDim, ProductDim,
TijdDim), krijg je een veel krachtiger model. Power BI kan dan direct en betrouwbaar de verbanden leggen en complexe analyses uitvoeren.
Kortom: een transactionele tabel is goed om transacties vast te leggen, maar niet om te rapporteren. Voor betrouwbare inzichten heb je goed ontworpen feitentabellen en dimensies nodig.
Bericht delen:
