時間篩選為何無效？2個案例解析 Power BI 日期維度表的重要性！

前言

許多新手在剛開始學習 Power BI 時，往往會驚艷於它的高度互動性，並迫不及待地將手邊所有資料表匯入其中。

然而，當資料量逐漸增長，報表的複雜度也隨之提升，日期的管理問題便成了許多人的一大困擾。

常見的做法是：

• 直接在每張資料表中建立自己的日期欄位，但這樣容易導致時間篩選不一致。
• 在資料模型中建立錯誤的關聯，使得時間分析無法正確運作。

這些做法雖然在小型報表中可能看不出問題，但當模型變得更加複雜，這些錯誤將導致時間篩選無效、DAX 計算錯誤，甚至報表效能下降。

解決這些問題的關鍵，就是建立一個統一的「日期維度表」，讓所有時間相關的分析都能有條不紊地進行。

本篇文章將帶你深入了解為什麼需要日期維度表？如何正確建立？以及如何最佳化 Power BI 資料模型？

無論你是 Power BI 新手或進階使用者，都能從這篇文章中找到實用的解決方案！

為什麼需要日期維度表？

需求案例 1：多資料表篩選

在深入探討日期維度表的重要性之前，讓我們先來看看一個人力資源管理中的實際案例，這是許多 Power BI 新手常遇到的問題。

資料表概覽

假設我們將以下兩張資料表匯入 Power BI 進行分析：

為簡化說明，僅使用少量假資料演示。

1. 打卡紀錄表

這張表記錄了公司三位員工的上下班打卡時間，範圍涵蓋 2025/02/27 ~ 2025/03/05，共四天的資料（如下圖 1，使用不同顏色標示）。

其中，有些日期被跳過代表是假日沒上班。

📌 欄位包含：

• 員工編號
• 打卡日期
• 上班時間
• 下班時間

📌 用途：

• 透過打卡資料分析員工的工時表現
• 用於計算薪資或考勤狀況

2. 薪水紀錄表

此表負責記錄每位員工的薪資發放狀況（如下圖 2）。

📌 假設條件：

• 發薪日為每月 1 日，本範例中為 2025/03/01
• 每位員工的薪資固定，不考慮變動因素

📌 欄位包含：

• 員工編號
• 發薪日期
• 薪水

資料模型

當 Power BI 初學者將這兩張表匯入後，常見的錯誤做法是直接將「打卡日期」與「發薪日期」建立關聯（如下圖 3）。

由於這兩個日期在上述任一個表中都具有重複值，因此關聯為「多對多」關聯，可以從線段兩端的「＊」圖示辨識出來。

除此之外，關聯的方向為打卡紀錄表流向薪水紀錄表，可從箭頭方向「▶」判斷出來。

這樣的關聯會導致一個嚴重的問題 —— 時間篩選功能失效！

視覺化結果

根據以上的關聯，若我們在視覺化圖表中，想要透過「選擇日期來各別顯示員工打卡紀錄與發薪紀錄」，可以拉出如圖四的圖表。

圖四包含一個最上方的日期篩選器，左下角是顯示員工打卡紀錄，右下角是顯示員工發薪紀錄。

由於最上方的日期篩選器是使用「打卡日期」欄位，當使用者選擇 2025/02/27 時，雖然會顯示出對應的打卡紀錄（紅色線與框框），但不會顯示薪水的紀錄（藍色線與框框）。

原因是薪水的「發薪日」為 2025/03/01，而打卡紀錄中沒有該日期，因此 Power BI 無從篩選。

這個問題的根本原因在於：

1. 打卡日期 ≠ 發薪日期
   • 這兩個日期屬於不同的業務概念，不能直接建立關聯。
2. 缺乏統一的時間軸
   • 打卡日期不包含發薪日期，因此篩選無法作用於薪水紀錄表。
3. 使用「多對多」關聯，影響篩選效果
   • 這種關聯方式可能導致意外的資料過濾問題。

為了解決這類時間篩選問題，我們需要引入一張「日期維度表」（Date Dimension），讓所有涉及時間的數據都能使用相同的時間軸，以確保篩選功能能夠正常運作。

需求案例 2：時間相關計算

另一個經常需要日期維度表的場景，是所有涉及時間比較與累積計算的分析，例如：

📌 常見時間分析指標

• 累積計算：今年至今（YTD）、本季至今（QTD）、本月至今（MTD）
• 同期比較：去年同期（PY）、去年同月（PM）
• 成長率分析：
  • 月增率（MoM%） = (本月值 – 上月值) / 上月值
  • 年增率（YoY%） = (今年值 – 去年值) / 去年值
• 其他進階時間運算
  • 滾動平均（Rolling Average）
  • 移動窗口計算（Moving Window）

這些計算在 Power BI 中依賴一組強大的 DAX 內建函數，稱為「時間智慧函數（Time Intelligence Functions）」，它們可以幫助開發者輕鬆處理日期相關運算。

Power BI 提供了許多常見的時間運算函數，例如：

• TOTALYTD()：計算「年初至今」的累積值
• SAMEPERIODLASTYEAR()：返回去年同期的數據
• PARALLELPERIOD()：計算指定時間範圍內的值（例如上一季）
• DATEADD()：向前或向後偏移指定時間區間

然而，這些函數的使用條件是 —— 資料模型中必須存在「日期維度表」，且該表必須被標記為「日期表」（Mark as Date Table）。

🚨 如果沒有正確建立日期維度表，這些時間函數將無法運作，或返回錯誤的結果！

日期維度表是什麼？

在 Power BI 的資料模型中，日期維度表（Date Dimension Table） 也常被稱為日期表或日曆表。

然而，我更習慣使用「日期維度表」這個名稱，因為它清楚地表達了這張表的兩個核心特性：「日期」與「維度」。

📌 「日期」 代表這張表專門存放與時間相關的資訊，例如日期、年份、月份、季度、星期等。

📌 「維度」 則屬於資料模型的概念，簡單來說，它提供了一個標準化的時間軸，讓我們可以在報表中進行準確的時間分析和篩選。

「維度」的概念較為進階，單靠一篇文章可能難以完整說明。

如果你對資料模型的基礎架構感興趣，特別是維度表與事實表的關係，我推薦你索取我的免費資源，其中不僅詳細介紹了這些概念，還能幫助你建立更高效的 Power BI 報表！

這對於剛開始接觸多表關聯的新手來說，將是一個極具價值的學習資源。🚀

如何用日期維度表優化資料模型？

在前面的案例中，我們已經看到沒有日期維度表可能導致的問題。

接下來，我們將學習如何正確建立日期維度表，並將其與其他資料表建立關聯，以提升 Power BI 模型的準確性與靈活性。

新增日期維度表

建立日期維度表的方法有多種，我個人習慣使用 Power Query 透過 M 語言 來產生這張表。

這種方式不僅靈活，還可以根據需求自訂日期欄位，例如：

• 年、月份、星期
• 季度、會計年度
• 週數（ISO Week Number）
• 是否為假日（可手動標註）

如果你希望快速建立日期維度表，可以參考這篇教學，該網站提供了一段 M 語言程式碼，你只需複製並貼到 Power Query 中，即可自動產生完整的日期表，最後會產生如圖五的日期維度表。

這張表將成為我們資料模型的標準時間軸，確保所有與時間相關的分析都能一致運作。

建立關聯

延續本文前面提到的案例一，我們要將日期維度表與其他資料表建立正確的關聯，以解決時間篩選失效的問題。

📌 正確的關聯設定如下：

• 日期維度表（Date） → 打卡紀錄表（打卡日期）
• 日期維度表（Date） → 薪水紀錄表（發薪日期）

這樣的設計確保了：

✅ 單一時間軸：所有的時間篩選都基於「日期維度表」，確保篩選結果正確。

✅ 一對多關聯：日期維度表的 Date 欄位是唯一值（One），而打卡紀錄表和薪水紀錄表的日期會重複（Many）。

✅ 強化時間運算：這樣的結構允許 Power BI 的時間智慧函數（如 YTD、QTD）正常運作。

關聯方向與最佳實踐

📌 為什麼要用「一對多」？

在 Power BI 中，維度表（Dimension Table）通常作為「過濾條件」，影響到事實表（Fact Table）。

就是為什麼日期維度表應該是「一對多」的 One-to-Many 關聯，而不是 Many-to-Many，因為：

• One（1）端是唯一值 → 日期維度表的 Date 欄位每一天只會出現一次
• Many（*）端是非唯一值 → 打卡紀錄表、薪水紀錄表可能有多筆相同日期的資料

📌 關聯應該是「單向過濾」

預設情況下，Power BI 會將關聯設為單向過濾（Single Direction），即：

• 日期維度表影響事實表
• 事實表不影響日期維度表

這樣的設定確保了篩選條件能夠正確應用，避免報表產生意外的計算錯誤。

圖六顯示建立好關聯後的樣子。

建立以日期維度表為基礎的篩選

首先，我們將篩選條件改為來自日期維度表的 Date 欄位，就能確保所有報表中的資料表都能正確同步篩選，如下圖七所示。

📌 主要變化

• 原先的篩選器可能會因資料表的關聯設定而無法同時影響「打卡紀錄表」與「薪水紀錄表」。
• 當篩選條件來自「日期維度表」，它能夠影響所有關聯的資料表，確保篩選結果一致。
• 這樣的設計讓我們能夠同時篩選打卡與薪資發放的記錄，解決原先篩選條件無效的問題。

P.S. 此處我有先把沒資料的日期給排除（如：2025/02/28），不然原本應該會是一個連續的日期清單。

單獨篩選某一天的資料

圖七中，當我們在篩選器中選擇 2025/03/01，可以發現：

• 薪水紀錄表（右下角）顯示了當天的發薪記錄。
• 打卡紀錄表（左下角）則沒有任何資料，因為該天沒有打卡記錄。

這代表我們的篩選器現在可以正常運作，正確顯示對應的薪水發放資訊，而不會影響其他日期的資料。

同理，當選擇 205/02/27 時，也會獲得對應的左下角打卡紀錄，而發薪紀錄為空白，如圖八所示。

同時篩選多個日期

當我們同時選擇 2025/02/27 與 2025/03/01，會發現：

• 左下角顯示 2025/02/27 的打卡紀錄
• 右下角顯示 2025/03/01 的發薪紀錄

這證明日期維度表成功整合了不同資料表的時間範圍，讓我們能夠透過同一個篩選條件，獲得所有時間相關的數據。

為什麼這樣設計更好？

✅ 確保篩選條件適用於所有相關資料表

✅ 解決原本無法篩選不同表格的問題

✅ 讓時間智慧函數（如 YTD、QTD）能夠正確運作

✅ 避免多對多關聯導致篩選失效

透過這樣的設計，我們不僅讓 Power BI 的資料模型更加穩定，也讓時間篩選更具彈性。

在之後的時間分析（如年初至今 YTD、月增率 MoM%、年度成長率 YoY%）中，這樣的日期維度表都將發揮關鍵作用。

結語

在本篇文章中，我們深入探討了日期維度表在 Power BI 資料模型中的重要性，並透過實際案例展示了如果沒有使用日期維度表，可能會遇到的問題，例如：

✅ 時間篩選無法同步應用於多張資料表

✅ 時間智慧函數（如 YTD、QTD、YoY）無法正常運作

✅ 資料模型因為錯誤的關聯設定，導致篩選結果不如預期

透過正確建立日期維度表，並將它作為所有時間欄位的關聯來源，我們可以：

🎯 確保篩選條件正確影響所有報表數據

🎯 提升 Power BI 報表的靈活性與計算準確度

🎯 讓所有時間相關計算都能無縫執行

希望透過這篇文章，讓你理解了日期維度表的重要性。也期許你未來能夠直接應用在你的專案中，不再因為日期欄位而感到困惑！