Connexion et Import des Sources de Données

Objectif pédagogique : Maîtriser l’importation et la transformation des données depuis différentes sources dans Power BI Desktop.

À la fin de ce chapitre, tu seras capable de…

• Identifier les différents types de sources de données supportées par Power BI
• Configurer Power BI Desktop et établir des connexions aux sources de données
• Distinguer les modes de connectivité Import, DirectQuery et modèles composites
• Importer et prévisualiser des données depuis des fichiers CSV et Excel
• Préparer les données brutes pour la transformation dans Power Query

💡 Prérequis : Connaissance des concepts de base de Power BI et familiarité avec les formats de données courants (CSV, Excel).

Mise en contexte

Vous allez découvrir comment Power BI peut se connecter à plus de 110 sources de données différentes, des simples fichiers CSV aux bases de données cloud complexes. Avec l’exemple concret de RentCarPro, vous apprendrez à importer des données de contrats depuis SQL Server, des informations clients depuis Excel, et même des avis clients via l’API Trustpilot. Cette étape cruciale détermine la qualité de vos futurs rapports et tableaux de bord.

Une fois connectées, les données brutes doivent être transformées et préparées avant analyse : cela inclut la division et le renommage de colonnes, l’ajout de nouvelles colonnes, la correction des types de données et d’autres opérations de nettoyage pour garantir la qualité et la cohérence des données. Ces transformations sont effectuées dans Power Query, l’environnement de préparation des données de Power BI, qui produit un jeu de données prêt à être modélisé.

Télécharger : https://www.microsoft.com/power-bi/desktop

Installation : Desktop = Windows. Sur Mac : Service web / Parallels / RDP

Lancement : Power BI Desktop application → Splash screen → « Obtenir les données »

FICHIERS

├─ Excel (.xlsx, .xls)
├─ Text/CSV (.csv, .txt)
├─ XML, JSON, PDF
├─ Power BI Files (.pbix, .pbit)

BASES DE DONNÉES

├─ SQL Server, SQL Azure
├─ PostgreSQL, MySQL
├─ Oracle, IBM DB2
├─ Snowflake, BigQuery
├─ Databricks

CLOUD SERVICES

├─ Azure (SQL, Synapse, Data Lake, Cosmos)
├─ Salesforce, Dynamics 365
├─ Google Analytics, Facebook
├─ SharePoint, Power BI Datasets
├─ Amazon S3, AWS Redshift

APIs & AUTRES

├─ Web (HTTP, REST, SOAP)
├─ OData, ODBC
├─ R script, Python/Pyspark script
├─ Hadoop, Spark

1. Contrats (100k lignes) – SQL Server ou CSV
└─ Source of Truth

2. Clients – Excel sheet ou CRM integration (Salesforce)
└─ Dimension lookup

3. Véhicules – Excel ou internal management system
└─ Dimension lookup

4. Dates – Générer dans Power BI (Table de Dates)
└─ Time intelligence

5. Budgets – Excel sheet (Budget annuel par métier)
└─ Benchmark comparaison

6. Avis Clients – Export CSV depuis Trustpilot API
└─ Sentiments / NLP (future)

• Sélectionnez Text/CSV de la liste et cliquez sur Se connecter

• Parcourez les fichiers de données en local puis, sélectionnez le premier fichier contrats.csv, puis cliquez sur Ouvrir.

• Lorsque vous cliquez sur Ouvrir, la fenêtre illustrée à la Figure 6 ci‑dessous apparaît, affichant un aperçu des données du fichier sélectionné.

• Deux options s’offrent à nous, Charger ou Transformer les données. Comme nous souhaitons transformer nos données, nous cliquons sur le bouton Transformer les données.

Avant de poursuivre la transformation des données, nous devons récupérer les données restantes. Nous pouvons ajouter d’autres sources de données directement depuis l’Éditeur Power Query en cliquant sur Nouvelle source.

• Sous Tout ou Fichier, sélectionnez Excel, puis cliquez sur Se connecter.

Exemples de quelques sources de données :

• Text/CSV
• Excel
• SQL Server
• Web (si API)

Fichier Excel (Contrats_Jan2026.xlsx) contient :

• Sheet « Contrats »
• Sheet « Clients »
• Sheet « Véhicules »
• Etc…

Cocher les tables à importer

Button « Load » (import direct) vs « Transform Data » (Power Query)

• Données importées as-is
• Rapide pour données propres
• Cas : CSV simple, peu transformation

• Ouvre éditeur séparé
• Permet split, rename, filter, add columns
• Idéal pour données dirty
• Cas : RentCarPro (transformation complexe)

Q1: Données volumineuses (>1B lignes) ?

• OUI → DirectQuery (non import en RAM)
• NON → Continue

Q2: Besoin actualisation temps réel (< 1 min) ?

• OUI → Direct Query ou Mixed
• NON → Continue

Q3: Données changeantes souvent (chaque heure) ?

• OUI → DirectQuery/Scheduled Refresh
• NON → Import OK

Q4: Offline access nécessaire ?

• OUI → Import obligatoire
• NON → DirectQuery ok

CONTRATS (100k, change quotidiennement)

Import + Refresh Scheduled (1x/jour 08h) — Compromise : détail complet + perf acceptable

BUDGETS (1k lignes, change mensuel)

Import (static)

VRAIMENT GROS (Audit trail, 10M+ events)

DirectQuery (query pass-through source)

IMPORT MODE (Recommandé pour RentCarPro)

• Données copiées dans Power BI (RAM cache)
• Requêtes → réponses ultra-rapides
• Nécessite Refresh planifié (données source changent)
• Limitation : 1GB/Premium, 10GB Standard
• Cas : Data warehouse, analytics centralisé

DIRECT QUERY MODE

• Pas copie données (lien direct source)
• Chaque requête → query pass-through source
• Plus lent (latence réseau)
• Limitations : pas Pivot, calculs simples, DirectQuery limitations
• Cas : Données en temps réel, source très grosse, compliance (données sensibles)

MIXED MODE (Avancé)

• Certaines tables Import, autres DirectQuery
• Complexe (risque anomalies)
• Cas : Hybrid scenarios (rarement)

LIVE CONNECTION (Spécialisé)

• Connection directe SQL Server Analysis Services (SSAS) / Power BI Dataset
• Aucune transformation locale possible
• Visualisation seule (DAX measures OK)
• Cas : Dataset centralisé partagé multi-reports

Figure 9 : Activer certains éléments d’affichage et d’aperçu des données dans l’Éditeur Power Query

Il peut s’agir des tables sélectionnées pour l’importation, de fonctions personnalisées, de paramètres de requête, ou encore de requêtes contenant des valeurs constantes que vous créez dans Power Query.

1.1 Fractionnement de colonnes (Split Columns)

Pour ce faire, Power Query offre plusieurs options accessibles depuis le menu Fractionner la colonne (Split Column). Dans cet exemple, nous utiliserons l’option Par délimiteur (By Delimiter) afin de diviser la colonne Name en deux parties : Prénom (First Name) et Nom de famille (Last Name).

La colonne Nom prenom a été fractionnée en deux colonnes : Nom prenom.1 (Nom de famille) et Nom prenom.2 (Prénom)

Cette opération ajoute automatiquement une nouvelle étape appliquée « Fractionner la colonne par le délimiteur » (Split Column by Delimiter) dans le volet Étapes appliquées situé à droite de l’éditeur Power Query.

Cette étape consigne la transformation, ce qui permet de :

• revenir en arrière si nécessaire,
• visualiser un journal des opérations successives,
• rejouer automatiquement la transformation lors des prochaines actualisations.

Chaque renommage ajoute une étape appliquée (Applied Steps) du type « Renommer des colonnes », ce qui assure la traçabilité et la réexécution automatique lors des rafraîchissements.

À partir de la table DimClients, nous allons ajouter une colonne conditionnelle qui indique le statut d’un client en fonction du type de client renseigné.

Nous voulons une colonne Statut qui renvoie :

• Gold si le client est VIP,
• Silver si le client est Entreprise,
• Bronze si le client est Particulier,
• None si aucun type client n’est renseigné.

• Si type_client est VIP alors Gold
• Ajouter une clause : si type_client est Entreprise alors Silver
• Ajouter une clause : si type_client est Particulier alors Bronze
• Sinon (Else), saisissez None (valeur par défaut pour les clients sans location).

Il est possible de créer dans Power Query une colonne DateNaissance de type date, synthétique et déterministe (stable à chaque actualisation), à partir d’une clé client et une colonne personnalisée.

• type_client = « Particulier » → date dans [1980‑01‑01 ; 2005‑12‑31]
• type_client = « VIP » → date dans [1965‑01‑01 ; 1985‑12‑31]
• type_client = « Entreprise » → null (non applicable)
• sinon → null

let

// 1) Construire une clé client stable à partir des champs disponibles

parts = {

try Text.From([email]) otherwise null,

try Text.From([Nom]) otherwise null,

try Text.From([Prénom]) otherwise null,

try Text.From([télé]) otherwise null

},

nonNull = List.Select(parts, each _ <> null and _ <> «  »),

key = if List.IsEmpty(nonNull) then « ANONYMOUS » else Text.Combine(nonNull, « | »),

// 2) Fonction de hash « maison » (polynomial) → entier stable

// h = (h * 131 + codepoint) mod 2_147_483_647

hashKey = (s as text) as number =>

let

codes = List.Transform(Text.ToList(s), each Character.ToNumber(_)),

h = List.Accumulate(codes, 0, (state, c) => Number.Mod(state * 131 + c, 2147483647))

in

h,

// 3) Fabrique un entier dans [min..max] à partir de la clé et d’un suffixe

makeInt = (suffix as text, min as number, max as number) as number =>

let

n = hashKey(key & « _ » & suffix),

rng = max – min + 1,

v = min + Number.Mod(n, rng)

in

v,

// 4) Génère une date réaliste selon une plage d’années (mois 1..12, jour 1..nb jours du mois)

randDate = (yearMin as number, yearMax as number) as date =>

let

y = makeInt(« Y », yearMin, yearMax),

m = makeInt(« M », 1, 12),

dim = Date.DaysInMonth(#date(y, m, 1)),

d = makeInt(« D », 1, dim)

in

#date(y, m, d)

in

// 5) Règle métier

if [type_client] = « Particulier » then randDate(1980, 2005)

else if [type_client] = « VIP » then randDate(1965, 1985)

else null

else null

👉 Tu peux ajouter une colonne booléenne IsDateNaissanceSynth = true pour documenter que cette date est synthétique, et/ou une colonne texte SourceDateNaissance = « Synthétique (règle type_client) ».

Nous pouvons aussi utiliser l’option Colonne à partir d’exemples pour créer une colonne.

Ainsi, dans DimClients, on crée une colonne TrancheAge à partir de DateNaissance (type Date) :

• Jeune si < 25 ans
• Adulte si 25–59 ans
• Senior si ≥ 60 ans

Dans Colonne1, tapez des exemples sur quelques lignes (idéalement incluant des cas limites 24/25/59/60) :

• 22 ans → Jeune
• 40 ans → Adulte
• 70 ans → Senior

La méthode « à partir d’exemples » est idéale pour prototyper. En production, on préfère une formule explicite pour la lisibilité et la fiabilité.

ou Accueil → Supprimer les colonnes.

« Colonnes supprimées » s’ajoute dans Étapes appliquées. Vous pouvez annuler (Ctrl+Z) ou supprimer l’étape si besoin.

Dans Power BI, chaque colonne possède un type de données. Lors de la connexion à une source, Power Query échantillonne 1000 lignes et tente de détecter automatiquement les types. Si, dans la plupart des cas, la détection est correcte, il arrive qu’elle soit erronée, entraînant des erreurs de conversion (par exemple, un numéro client détecté en Nombre alors qu’il devrait être un Texte, ce qui peut supprimer les zéros non significatifs).

Les types de données les plus courants dans Power BI, ainsi que l’icône associée à chacun, sont les suivants :

Figure 18 : Types de données les plus courantes dans Power BI

Vérifier/corriger les types de colonnes dans DimClients :

• id_client → Nombre entier
• DateNaissance → Date
• IsDateNaissanceSynth → Vrai/Faux

• Identifiants (ex. NumeroClient) doivent rester en Texte si des zéros de tête existent.
• Dates : vérifiez le paramètre régional si vos dates s’écrivent JJ/MM/AAAA.

Toutes les transformations sont appliquées sous forme d’une série d’étapes, visibles dans le volet Paramètres de la requête, comme illustré à la figure 20 ci-dessous.

Il est possible d’afficher le résultat de chaque étape en cliquant sur l’étape souhaitée dans le volet Paramètres de la requête (section Étapes appliquées), comme illustré à la figure 21 ci‑dessous. Power Query met alors à jour l’aperçu de la table, ce qui facilite l’inspection visuelle des données après l’application de chaque transformation.

Étapes générées automatiquement selon le type de source

Selon le type de source de données, certaines étapes de transformation peuvent déjà être présentes au début de chaque requête :

La première étape de la requête pointe généralement vers la source de données.

Dans ce cours, les sources utilisées sont un fichier Texte/CSV et un classeur Excel contenant les autres tables. Nous utiliserons aussi au besoin d’autres sources de données SQL.

Lorsque la source contient plusieurs objets (par exemple, un classeur Excel qui peut comporter plusieurs feuilles et/ou tables), le fait de sélectionner l’objet souhaité correspond à l’étape Navigation, qui permet d’accéder aux données de cet objet.

Pour chaque requête issue d’Excel, l’étape Navigation fait référence au nom de la feuille ou de la table choisie. À l’inverse, les fichiers Texte/CSV n’ont pas d’étape Navigation, car chaque fichier n’expose qu’un seul jeu de données.

1.6.1 Renommer une étape appliquée

Les étapes existantes peuvent être renommées dans l’Éditeur Power Query. Renommer les étapes permet de rendre leur rôle plus clair et facilite les modifications futures. Il est fortement recommandé de renommer les étapes avec des noms explicites.

La Figure 23 illustre les étapes renommées (ainsi que les autres étapes laissées inchangées).

Sélectionnez la requête DimClients dans le volet Requêtes. Le volet Étapes appliquées affiche toutes les étapes, dans l’ordre dans lequel elles sont exécutées :

La Figure 24 illustre comment chaque étape de transformation modifie progressivement les données.

Les étapes ajoutées précédemment pour supprimer des colonnes et modifier des types ont entraîné l’ajout de nouvelles étapes à la fin de la liste des étapes appliquées. Le résultat de la dernière étape représente les données qui seront importées dans le modèle de données et rendues disponibles pour la visualisation.

Nous pouvons insérer une étape entre des étapes déjà existantes. Dans cet exemple, nous allons ajouter une étape qui renomme la colonne Nombis en Nom_Fractionne et Prenombis en Prenom_Fractionne, mais nous l’insérerons après l’étape où la colonne Nom prenom.2 initiale a été supprimée.

Sélectionnez la requête DimClients dans le volet Requêtes.

On fera de même pour renommer Prenombis.

La Figure 25 illustre chaque étape de cette transformation progressivement.

Vous pouvez modifier l’ordre des étapes en les faisant glisser vers une nouvelle position dans la liste des Étapes appliquées.

Remarque : Réorganiser des étapes peut avoir un impact sur les étapes suivantes, surtout si celles-ci dépendent de l’étape déplacée. Toute modification doit être effectuée avec prudence pour éviter de casser la logique de transformation.

Procédure :

L’étape Ajout Date Naissance sera alors exécutée avant Ajout Statut Client.

Toutes les étapes existantes peuvent être modifiées.

Lorsqu’une icône

de paramètres apparaît à droite du nom d’une étape, vous pouvez la modifier directement via l’interface graphique. Si aucune icône n’est disponible, la modification doit se faire au niveau du code M, soit via l’Éditeur avancé, soit via la barre de formule (si elle est activée). Avant de modifier des étapes existantes, voyons comment accéder à l’Éditeur avancé et comment activer la barre de formule.

Accéder à l’Éditeur avancé

Vous pouvez accéder l’Éditeur avancé depuis plusieurs emplacements :

• L’activation de la barre de formule est simple et particulièrement utile :

elle permet de visualiser et de comprendre les expressions Power Query associées à chaque étape, et de les modifier directement.

Pour les colonnes ou étapes qui ne peuvent pas être modifiées via l’interface, la barre de formule devient un outil essentiel. Pour l’activer, cochez l’option correspondante dans l’onglet Affichage, comme illustré dans la figure ci‑dessous.

Toutes les étapes peuvent être supprimées, à l’exception des étapes de source (comme « Source » ou « Navigation »), qui définissent l’origine des données et ne peuvent être retirées.

Vous avez deux options :

• Supprimer uniquement l’étape sélectionnée.
• Supprimer l’étape sélectionnée et toutes les étapes qui la suivent (option Supprimer jusqu’à la fin).

Avant de confirmer la suppression, Power BI affiche toujours un message d’avertissement pour vous signaler que cette action pourrait affecter la suite de la requête.

Dans cet exemple précis, il n’est pas nécessaire de supprimer d’étapes.

Dans ce chapitre, vous avez vu certaines opérations de préparation des données telles que :

• la division de colonnes,
• le renommage de colonnes,
• l’ajout de nouvelles colonnes,
• la modification des types de données,
• et bien d’autres transformations.

Une fois que vous avez complété toutes les transformations requises, vous pouvez charger les données dans le modèle de données.

Dans le chapitre suivant, nous abordons les bases de la modélisation des données.