🔖 キーワード索引

このページで扱う主要キーワード（クリックで該当セクションへ）：

🎨 直感で掴む

Power BI は Microsoft の BI 製品群（Desktop／Service／Mobile／Report Server）の総称です。 Tableau とよく比較されますが、 Excel と地続きであることが最大の特徴で、 Power Query と DAX という 2 つの言語を持ちます。

• Power Query（M 言語） — データ取り込み・整形のための ETL レイヤー。 「クエリ」をステップで記述し、 再現可能なパイプラインを残す。
• データモデル — 複数テーブルをリレーションで結ぶ（スター／スノーフレーク）。
• DAX (Data Analysis Expressions) — メジャー・計算列のための関数言語。 Excel 関数を拡張した感覚に近い。
• ビジュアル — 棒・線・散布・地図・カスタムビジュアル。 ドラッグ＆ドロップで配置。
• Power BI Service — 配信・共有・スケジュール更新を担うクラウド面。

SSDSE のような長い表データは、 Power Query で「年度」「地域」を整形 → モデルで「都道府県マスタ」と紐付け → DAX で「高齢化率」「人口増減率」をメジャー化 → ビジュアルで配置、 という典型ルートで扱います。

🎨 ダッシュボード設計ベストプラクティス

① F パターンレイアウト

人の視線は左上→右上→左下→右下の「F 字」で動く。 重要 KPI は左上、 詳細データは右下に配置:

┌──────────────────────────────────────┐
│ [KPI1: 総人口]  [KPI2: 高齢化率]  [KPI3: YoY] │  ← 最重要 (大きい数字)
├──────────────────────────────────────┤
│ [マップ: 都道府県別ヒートマップ]              │  ← 全体俯瞰
├──────────────────────────────────────┤
│ [折れ線: 年度推移]  [棒: 上位 10 県]       │  ← 詳細
├──────────────────────────────────────┤
│ [テーブル: 全 47 県の詳細データ]               │  ← ドリルダウン
└──────────────────────────────────────┘

② 色彩の使い分け

③ 何を「クリック可能」にするか

• スライサー: 主軸（年度、 地域）
• クロスフィルタ: ビジュアル間で連動（マップで県をクリック → 折れ線がその県に絞られる）
• ドリルダウン: 全国 → 都道府県 → 市区町村 と階層を掘る
• ツールチップ: ホバーで詳細表示

④ 8 秒ルール

ダッシュボードは「開いて 8 秒以内に主要メッセージが伝わる」べき。 KPI 数値・グラフタイトル・カラーパレットの 3 点で「何が問題か / どこを見るべきか」を瞬時に伝える。 8 秒以内に伝わらないなら設計を見直す。

⑤ モバイル対応

Power BI Service はモバイルレイアウト機能を持つ。 PC レイアウトと別に「タテ画面 9:16」のレイアウトを設計し、 KPI と最重要ビジュアル 1〜2 個だけに絞る。 詳細データはタップで詳細画面に遷移させる。

🧰 DAX 頻出パターン集

パターン 1: 累計 (Running Total)

累計人口 :=
    CALCULATE(
        SUM('SSDSE'[A1101]),
        FILTER(
            ALL('SSDSE'[year]),
            'SSDSE'[year] <= MAX('SSDSE'[year])
        )
    )

パターン 2: 前年比 (YoY %)

前年人口 := CALCULATE([総人口], DATEADD('SSDSE'[year], -1, YEAR))
人口 YoY% := DIVIDE([総人口] - [前年人口], [前年人口])

パターン 3: ランキング

人口ランク :=
    RANKX(
        ALL('SSDSE'[Prefecture]),
        [総人口],
        ,
        DESC,
        Dense
    )

パターン 4: 移動平均 (3 年)

3年移動平均 :=
    AVERAGEX(
        DATESINPERIOD('SSDSE'[year], LASTDATE('SSDSE'[year]), -3, YEAR),
        [総人口]
    )

パターン 5: 全国シェア

全国シェア :=
    DIVIDE([総人口], CALCULATE([総人口], ALL('SSDSE'[Prefecture])))

パターン 6: 条件分岐 (IF / SWITCH)

人口区分 :=
    SWITCH(
        TRUE(),
        [総人口] >= 5000000, "大規模",
        [総人口] >= 1500000, "中規模",
        "小規模"
    )

パターン 7: 動的タイトル

動的タイトル :=
    "選択中: " & SELECTEDVALUE('SSDSE'[Prefecture], "全国") & " (" & SELECTEDVALUE('SSDSE'[year], "全期間") & ")"

パターン 8: 累積平均から外れ値検出

人口Zスコア :=
    DIVIDE(
        [総人口] - CALCULATE(AVERAGE('SSDSE'[A1101]), ALL('SSDSE')),
        CALCULATE(STDEV.P('SSDSE'[A1101]), ALL('SSDSE'))
    )

⚡ パフォーマンスチューニング

計算列 vs メジャーの選び方

原則: 「区分・分類は計算列、 集計はメジャー」。 計算列を多用すると VertiPaq の圧縮効率が落ちメモリが膨張するので、 集計可能なものはメジャーで。

スタースキーマの徹底

ファクト (大きい数値) ⇔ ディメンション (属性) を 1 対多リレーションで結ぶ。 1 つの大テーブルにすべて入れる「フラット」設計は VertiPaq に不利。

       ┌──────────────┐
       │ 都道府県マスタ │ (1)
       └─────┬────────┘
             │
             │ Code (リレーション)
             │
        (多) ↓
       ┌──────────────┐
       │ SSDSE ファクト │ ──── (1) ──── 年度マスタ
       └──────────────┘
             ↑
             │
       (1) 指標マスタ

カーディナリティ削減

• 連続値 (浮動小数点) は 整数化 または ビニング でユニーク値数を減らす
• 日時は「年 / 月 / 日」に分割（時刻ミリ秒まで保持すると大量のユニーク値）
• テキストカラムの自由記述は別テーブルに分離

DirectQuery vs Import の選択

🆚 Power BI vs Tableau ── 詳細比較

結論: 「Microsoft 365 中心の組織なら Power BI、 高度なアナリスト集団なら Tableau」が定石。 大学・自治体は Power BI 寄り、 データ専門部署のある企業は Tableau 寄りの傾向。

🔄 SSDSE-B-2026 完全ワークフロー

1 つのプロジェクトを最初から最後まで通すと:

Step 1: 環境構築 (10 分)

• Power BI Desktop を Microsoft Store からインストール (無料)
• Microsoft アカウントでサインイン (Service 接続のため)
• SSDSE-B-2026.csv を C:\data\ に配置

Step 2: データ取込 (5 分)

• ホーム → データを取得 → テキスト/CSV
• ファイル選択時、 文字コード「日本語 (Shift-JIS) - 932」を指定
• 「データの変換」をクリックして Power Query エディタへ

Step 3: Power Query 整形 (10 分)

• 1 行目（英語コード）はヘッダに昇格
• 2 行目（日本語ラベル）は削除
• 「年度」「総人口」「65歳以上人口」など数値列を整数型に変換
• 「カスタム列追加」で 高齢化率 = [65歳以上人口] / [総人口]
• 「閉じて適用」

Step 4: モデリング (10 分)

• 「年度」を Date 型に明示
• 「都道府県」のデータカテゴリを「都道府県/Prefecture」に
• 必要なら年度マスタを追加して時間インテリジェンスを有効化

Step 5: メジャー作成 (10 分)

• 総人口 (合計)
• 高齢化率 (DIVIDE)
• 人口 YoY% (DATEADD で 1 年前と比較)
• 全国シェア (ALL でフィルタ解除して全国合計)

Step 6: ビジュアル配置 (20 分)

• マップビジュアル (場所=都道府県、 サイズ=総人口、 色=高齢化率)
• カード (総人口、 平均高齢化率、 平均 YoY)
• 折れ線 (X=年度、 Y=総人口、 凡例=上位 5 都道府県)
• テーブル (詳細データ)
• スライサー (年度・都道府県・指標)

Step 7: レポート公開 (5 分)

• ファイル → 発行 → My Workspace
• Service 上で他メンバーと共有 (Pro ライセンス必要)
• スケジュール更新を毎日 06:00 に設定

合計 70 分で本格ダッシュボードが完成。 SSDSE-B-2026 のような中規模公的統計データなら、 1 営業日以内に試作 → 1 週間で本番運用、 が現実的な工数感覚。

🏢 現場事例

事例 1: 県庁の人口統計ダッシュボード

関東のある県庁が SSDSE-B-2026 を Power BI で可視化、 県議会・記者会見・市民広報に活用。 RLS で「県内市町村担当者」「県庁職員」「外部公開」の 3 レベルを設定し、 機微な内訳情報は内部のみ閲覧可能に。 月 1 回の更新で運用、 担当者の作業時間が 「Excel 集計 8 時間 → Power BI 自動 30 分」に短縮。

事例 2: 大学の研究費獲得ダッシュボード

国立大学の URA 部門が、 部局別研究費獲得・論文出版・科研費採択数を Power BI で可視化。 学長レビュー会議で毎月使用、 部局長は自部局のドリルダウン画面を Service 上で閲覧。 OneDrive 上の Excel と直結し、 担当事務員の入力がリアルタイム反映。

事例 3: 病院の救急搬送ダッシュボード

救急搬送台数・到着時間・診療科別件数を Power BI で可視化、 院内会議室のモニターに常時表示。 異常値が出ると Power Automate で Teams に自動通知。 月次レビューで滞留時間の改善を継続実施。

事例 4: 製造業の生産ライン KPI

OEE (総合設備効率)、 不良率、 生産量、 計画達成率を 5 分間隔で更新。 Azure IoT Hub からデータが流れ、 Power BI が DirectQuery で表示。 現場の作業員がタブレットで確認、 異常傾向を早期発見。

事例 5: 教育機関の入試動向分析

高校別合格者数、 出身地別分布、 入試区分別歩留まりを過去 10 年分集約。 入試委員会でターゲティング戦略立案に使用、 SNS 広告のターゲット設計にも展開。

🛠 エラー対処集

エラー 1: 「データソースに接続できません」

原因: ファイルパスが変更された、 ネットワーク共有が切断された、 認証期限切れ。

対策:

• ホーム → データソース設定で接続先を確認
• パスを変更したい場合は「変更」をクリック
• OAuth 系（OneDrive 等）は「資格情報を編集」で再認証

エラー 2: 「列が見つかりません」

原因: ソース CSV のヘッダ名が変わった、 列が削除された。

対策:

• Power Query の「適用したステップ」で「型変更」「列の選択」のエラーステップを確認
• 該当ステップで「列名」を新しい名前に修正
• 長期的にはソース側で名前を固定するルール化

エラー 3: 「DAX 式が評価できません」

原因: テーブル名・列名のタイポ、 集計関数の中にメジャー名を直書きしようとした、 循環参照。

対策:

• テーブル名は 'シングルクォート' で囲む
• メジャーは [角括弧] で参照、 列は テーブル[列] 形式
• 同じメジャーを他のメジャー内で参照する場合、 循環参照になっていないか確認

エラー 4: 「メモリ不足エラー」

原因: 大きなデータを Import モードで読み込んだ、 高カーディナリティ列が VertiPaq の圧縮効率を落とした。

対策:

• 不要な列は Power Query で削除
• 連続値は整数化 or ビニング
• 大規模なら DirectQuery への切替検討
• Premium 環境で容量増設

エラー 5: 「マップビジュアルに地点が表示されない」

原因: データカテゴリが「都道府県」に設定されていない、 文字列のスペルがズレている。

対策:

• モデリングタブ → 列を選択 → データカテゴリ → 都道府県
• 「東京都」と「東京」の表記揺れを統一
• 緯度・経度を明示的に列として持たせる

エラー 6: 「Power BI Service でレポートが古い」

原因: スケジュール更新が失敗、 オンプレデータゲートウェイが停止。

対策:

• Service の「更新の履歴」で失敗ログを確認
• ゲートウェイが必要な場合は「データゲートウェイ管理」を確認
• 失敗時にメール通知が来るよう設定

🔐 セキュリティとガバナンス

RLS (行レベルセキュリティ) の実装

「東京担当者は東京の行だけ閲覧可」を実現する例:

// 「東京担当」ロールの DAX フィルタ式
[Prefecture] = "東京都"

// 動的に「ログインユーザー名で絞る」場合
[担当者メール] = USERPRINCIPALNAME()

USERPRINCIPALNAME() はログイン中の Microsoft アカウントのメールアドレスを返す。 「担当者メール」列をテーブルに持たせ、 ログインユーザーと一致する行だけ表示するパタンが定番。

ワークスペースのアクセス管理

機密データの扱い

• Sensitivity Label ── Microsoft Purview で「機密」「Internal」「Public」を貼付
• Data Loss Prevention (DLP) ── 機密データを含むレポートのコピー・共有制限
• 監査ログ ── 誰がいつどのレポートを閲覧したか追跡
• 個人情報マスキング ── DAX で動的に「***」に置換

監査・コンプライアンス

金融・医療業界では、 ダッシュボードの数値が「いつ・誰が・どの計算式で」算出したかを追跡できることが必須。 Power BI は以下で対応:

• Power BI Service の 監査ログ (90 日保持、 Microsoft 365 管理センター)
• データセットの 系統 (Lineage) ビューでソース → モデル → レポートを可視化
• DAX クエリ履歴を DAX Studio で記録

🔌 他システムとの統合

Microsoft 365 統合

Power Platform 統合

• Power Automate ── ダッシュボード更新時にメール・Teams 通知を自動実行
• Power Apps ── ダッシュボード内に業務アプリ（フォーム入力等）を埋め込み
• Power Virtual Agents ── ボットがダッシュボードの数値を答える

Azure 統合

• Azure Synapse ── 大規模 DWH の DirectQuery 元
• Azure Data Factory ── ETL パイプラインで Power BI データセットを更新
• Azure ML ── 予測モデルを Power BI にデプロイ
• Azure AD ── SSO・ロール管理

外部 OSS 連携

• Python ビジュアル ── matplotlib / seaborn / plotly のグラフを埋め込み
• R ビジュアル ── ggplot2 のグラフを埋め込み
• カスタムビジュアル ── TypeScript で独自ビジュアル開発 (D3.js 活用可)

🚀 Microsoft Fabric ── 次世代統合基盤

2023 年に GA した Microsoft Fabric は、 Power BI を含むデータ系製品 (Synapse、 Data Factory、 OneLake 等) を統合した SaaS。 Power BI 単体ではなく Fabric の一部として位置付けられつつある。

Fabric の主要コンポーネント

• OneLake ── 全データを一元保管する「単一の真実」
• Synapse Data Engineering ── Spark ベース ETL
• Synapse Data Warehouse ── SQL DWH
• Synapse Real-Time Analytics ── KQL ベースのリアルタイム分析
• Data Factory ── パイプライン管理
• Power BI ── 可視化・配信
• Data Activator ── イベント駆動アクション

Direct Lake モード

Fabric の新機能。 Import の高速さ + DirectQuery のリアルタイム性 を両立。 OneLake 上の Parquet を直接 VertiPaq エンジンが読み込み、 データのコピーなしに高速集計を実現。

Copilot for Power BI

2024 年導入。 自然言語で「過去 3 年の人口推移を都道府県別に表示して」と指示するとレポートを自動生成。 まだ精度は発展途上だが、 プロトタイピング高速化に有効。

📖 学習リソース

無料・公式

• Microsoft Learn ── 公式の段階的学習パス（無料、 修了証あり）
• Power BI 公式ドキュメント ── docs.microsoft.com/power-bi
• Power BI Community ── 質問・回答コミュニティ
• Guy in a Cube (YouTube) ── 週 2 本の最新情報・テクニック

書籍

• The Definitive Guide to DAX (Russo & Ferrari) ── DAX 詳説バイブル
• The Power BI Dashboard Cookbook (Aspin) ── 実践レシピ集
• M is for (Data) Monkey (Puls & Escobar) ── Power Query 詳説

資格

• PL-300: Microsoft Power BI Data Analyst Associate (基礎)
• DP-500: Azure Enterprise Data Analyst Associate (上級、 Azure と統合)
• DP-600: Microsoft Fabric Analytics Engineer Associate (Fabric 統合)

コミュニティ

• JPPGB (Japan Power Platform User Group BI)
• Twitter (#PowerBI) で英語コミュニティ
• Microsoft MVP の Daniel Marsh-Patrick, Chris Webb, Marco Russo らをフォロー

📋 クイックリファレンス

よく使うショートカット

DAX 関数 速見

Power Query M 関数 速見

🍱 SSDSE-B-2026 レシピ集 (8 種)

SSDSE-B-2026 (47 都道府県・複数年度・112 指標) を素材に、 Power BI で作れる典型的なダッシュボードを 8 種類紹介。

レシピ 1: 都道府県別人口マップ

• ビジュアル: マップ (Bing 統合)
• 場所: Prefecture（データカテゴリ: 都道府県）
• サイズ: SUM(A1101)
• 色: [高齢化率]
• スライサー: year

レシピ 2: 人口推移の折れ線

• ビジュアル: 折れ線グラフ
• X: year, Y: SUM(A1101)
• 凡例: Prefecture (上位 10 県でフィルタ)
• ツールチップ: 高齢化率、 出生率

レシピ 3: 高齢化率のランキング

• ビジュアル: 横棒グラフ (降順ソート)
• 軸: Prefecture
• 値: [高齢化率]
• 条件付き書式: 35% 以上は赤、 25% 以下は青

レシピ 4: 総人口 vs 高齢者数のバブル散布

• ビジュアル: 散布図
• X: SUM(A1101) (総人口、 対数軸)
• Y: SUM(A1303) (65 歳以上人口、 対数軸)
• サイズ: [高齢化率]
• 色: 地域区分 (北海道・東北・関東 etc.)

レシピ 5: 出生率・死亡率のデュアル軸

• ビジュアル: コンボグラフ
• X: year
• 軸 1 (棒): [出生率]
• 軸 2 (線): [死亡率]
• 2010 年頃に交差 → 人口減少局面に

レシピ 6: 地域別の年齢構成 100% 積み上げ

• ビジュアル: 100% 積み上げ横棒
• 軸: Prefecture
• 値: SUM(A1301) (15歳未満), SUM(A1302) (15-64歳), SUM(A1303) (65以上)
• 沖縄が最も若く、 秋田が最も高齢

レシピ 7: 47 都道府県のテーブル + 条件付き書式

• ビジュアル: テーブル
• 列: Prefecture, SUM(A1101), [高齢化率], [人口 YoY%]
• 条件付き書式: YoY が負なら赤背景
• ソート: 総人口降順

レシピ 8: KPI カード群

• カード 1: [総人口] (全国合計、 1.24 億人)
• カード 2: [平均高齢化率] (30.5%)
• カード 3: [人口 YoY%] (−0.39%、 赤字)
• カード 4: [出生数] (全国、 約 77 万)

🎓 DAX 高度パターン

パターン A: パレート分析 (累積構成比)

「人口の 80% は何県でカバーされるか」を見る:

人口ランク :=
    RANKX(ALL('SSDSE'[Prefecture]), [総人口], , DESC)

累計人口 :=
    CALCULATE(
        [総人口],
        FILTER(ALL('SSDSE'[Prefecture]),
               RANKX(ALL('SSDSE'[Prefecture]), [総人口], , DESC) <= [人口ランク])
    )

累積構成比 := DIVIDE([累計人口], CALCULATE([総人口], ALL('SSDSE'[Prefecture])))

SSDSE-B-2026 の 2023 年で計算すると、 上位 13 都道府県（東京、 神奈川、 大阪、 愛知、 埼玉、 千葉、 兵庫、 福岡、 北海道、 静岡、 茨城、 広島、 京都）で人口の 64.6% をカバー。 累積 80% に到達するには上位 23 都道府県が必要。

パターン B: 地域グループ集計

// 計算列で地域コードを追加
地域 =
    SWITCH(TRUE(),
        'SSDSE'[Code] IN {"R01000"}, "北海道",
        'SSDSE'[Code] IN {"R02000","R03000","R04000","R05000","R06000","R07000"}, "東北",
        'SSDSE'[Code] IN {"R08000","R09000","R10000","R11000","R12000","R13000","R14000"}, "関東",
        // ... 以下省略
        "その他")

// 地域別人口
地域別人口 := CALCULATE([総人口], ALLEXCEPT('SSDSE', 'SSDSE'[地域]))

パターン C: 増減率の階層集計

// 地域内シェア
地域内シェア := DIVIDE([総人口], [地域別人口])

// 全国内シェア
全国内シェア := DIVIDE([総人口], CALCULATE([総人口], ALL('SSDSE')))

パターン D: 動的閾値による分類

人口区分動的 :=
    VAR Q1 = CALCULATE(QUANTILE.INC('SSDSE'[A1101], 0.25), ALL('SSDSE'))
    VAR Q3 = CALCULATE(QUANTILE.INC('SSDSE'[A1101], 0.75), ALL('SSDSE'))
    RETURN
        SWITCH(TRUE(),
            [総人口] > Q3, "上位 25%",
            [総人口] > Q1, "中位 50%",
            "下位 25%")

パターン E: 時間軸の比較 (前年同月比)

前年同月人口 := CALCULATE([総人口], SAMEPERIODLASTYEAR('SSDSE'[date]))
人口前年比 := DIVIDE([総人口] - [前年同月人口], [前年同月人口])
人口 3 ヶ月移動平均 :=
    AVERAGEX(
        DATESINPERIOD('SSDSE'[date], LASTDATE('SSDSE'[date]), -3, MONTH),
        [総人口]
    )

🎨 完成ダッシュボード例 (3 種)

① 自治体向け人口統計ダッシュボード

┌──────────────────────────────────────────────────────┐
│ [SSDSE-B-2026 統計ダッシュボード] スライサー: [年度▼] [地域▼]      │
├─────────────┬─────────────┬─────────────┬─────────────┤
│ 全国人口    │ 高齢化率    │ 出生数      │ YoY        │
│ 1.24 億    │ 30.5%      │ 77 万      │ -0.39%   │
├─────────────┴─────────────┼─────────────┴─────────────┤
│ [都道府県マップ]            │ [人口推移折れ線 上位5県]    │
│ ・東京: 大円              │ ・東京 ────────         │
│ ・神奈川:                 │ ・神奈川 ─ ─ ─          │
│ ・大阪:                   │ ・大阪 ──────           │
│ (色=高齢化率)             │ (X=年度, Y=総人口)       │
├──────────────────────────┼──────────────────────────┤
│ [高齢化率ランキング]        │ [人口 vs 高齢者数散布]      │
│ 秋田 39% ████████        │ ●        ●          ● 東京  │
│ 高知 36% ███████         │   ●  ●        ●       │
│ 徳島 35% ███████         │   ● ●  ●            │
├──────────────────────────┴──────────────────────────┤
│ [全 47 都道府県テーブル]                                │
│ 県  人口   高齢化率  出生率  YoY%                       │
│ ── ──── ────── ──── ────                          │
│ 東京 1408万 22.7%   0.67%  +0.21% ← 緑(増加)        │
│ 北海道 509万 33.0%  0.55%  -0.94% ← 赤(減少)        │
│ 沖縄 146万 23.1%   0.93%  +0.08% ← 緑                │
│ ...                                                    │
└──────────────────────────────────────────────────────┘

② 病院向け診療実績ダッシュボード

┌──────────────────────────────────────────────────────┐
│ [広島市民病院 月次レポート] [年月▼] [診療科▼]            │
├─────────────┬─────────────┬─────────────┬─────────────┤
│ 患者数      │ 平均在院日数 │ 救急搬送    │ 病床稼働率   │
│ 1,234      │ 11.3 日    │ 87 件      │ 92.1%      │
├─────────────┴─────────────┼─────────────┴─────────────┤
│ [診療科別患者数 (棒)]       │ [月次推移 (折れ線)]         │
│ 内科  ███████ 423         │ 患者数 ─────────         │
│ 外科  ██████ 367          │ 救急搬送 ─ ─ ─          │
│ 産科  ████ 234            │ (12 ヶ月)               │
├──────────────────────────┴──────────────────────────┤
│ [病棟別稼働率ヒートマップ]                              │
│      月 火 水 木 金 土 日                                │
│ 1F  ██ ██ ██ ██ ██ ▓▓ ░░  ← 平日高、週末低              │
│ 2F  ██ ██ ██ ▓▓ ██ ██ ██                              │
│ 3F  ▓▓ ▓▓ ░░ ░░ ▓▓ ▓▓ ▓▓  ← 改善余地                  │
└──────────────────────────────────────────────────────┘

③ 製造業 OEE ダッシュボード

┌──────────────────────────────────────────────────────┐
│ [製造ライン KPI リアルタイム] [ライン▼] [シフト▼]      │
├─────────────┬─────────────┬─────────────┬─────────────┤
│ OEE 総合    │ 稼働率      │ 良品率      │ 性能効率    │
│ 78.3%     │ 92.1%      │ 96.8%     │ 87.9%     │
│ (目標 85)  │            │            │            │
├─────────────┴─────────────┼─────────────┴─────────────┤
│ [時間帯別 OEE (折れ線)]     │ [停止理由 Pareto (棒)]      │
│ 100% ───────────         │ チョコ停 ████████ 45%      │
│  90% ─────────           │ 段替え   ████ 22%          │
│  80% ─────               │ 故障     ███ 15%           │
│  70%                      │ 不良     ██ 10%            │
│  6 9 12 15 18 21 0 3      │ 材料切れ █ 8%              │
├──────────────────────────┴──────────────────────────┤
│ [ライン別 OEE トレンド 過去 30 日]                       │
│ Line A: ████████████ 87% (改善傾向)                     │
│ Line B: ███████ 71% (要改善 ← 黄)                       │
│ Line C: █████████ 82%                                  │
└──────────────────────────────────────────────────────┘

📐 数式・定義

Power BI の中心言語は DAX。 DAX は「フィルタコンテキスト」と「行コンテキスト」という 2 種のスコープを持ちます。

これを数学的に書けば、 フィルタ集合 $F$ に対して

であり、 CALCULATE はこの $F$ を 動的に書き換える演算子と解釈できます。

📐 DAX 詳説 ── フィルタコンテキストの数理

DAX の理解で最も重要なのが フィルタコンテキスト (Filter Context) と 行コンテキスト (Row Context) の区別。 これを抑えれば DAX の挙動はほぼ予測可能になる。

2 つのコンテキストの定義

数式で考える

テーブル $T$ の行 $r \in T$、 列 $c$ について計算列 $X$ は:

と書ける（行ごとに $r$ を引数とする関数）。 一方メジャー $M$ は：

と、 フィルタ条件 $F$ で絞り込まれた行集合に対する集約関数。 同じビジュアル内でも、 「東京都」「2023 年」のスライサーが効くたびに $F$ が更新され、 メジャーは 再計算される。

CALCULATE の本質

CALCULATE はフィルタコンテキストを 書き換える演算子:

つまり、 既存のフィルタを 該当列だけ削除してから、 新しいフィルタ $F_i$ で上書きする。 これが「ALL でフィルタ解除 → 新条件で集計」のパターンを可能にする。

具体例: 「東京シェア」

東京シェア :=
    DIVIDE(
        CALCULATE([総人口], 'SSDSE'[Prefecture] = "東京都"),
        CALCULATE([総人口], ALL('SSDSE'[Prefecture]))
    )

分子は「Prefecture フィルタを 東京都 で上書き → 東京の総人口」、 分母は「Prefecture フィルタを ALL で除去 → 全国合計」。 ビジュアルがどの都道府県にフィルタされていても、 「東京の人口 / 全国合計」という不変の値を返す。

イテレータ関数 (X 系)

SUMX, AVERAGEX, MAXX などは 行コンテキストを生成するメジャー:

人口_千人単位 := SUMX('SSDSE', 'SSDSE'[A1101] / 1000)

テーブルの各行で「総人口 / 1000」を計算し、 最後に合計する（行ごとに動く SUM）。 集計後に割り算するのではなく 「行ごとに割り算してから合計」する点が肝。

🔬 数式を言葉で読み解く

🔬 数式を言葉で読み解く（DAX / Dataflow / Tableau 比較）

Power BI のレポート画面は単なる表示層で、 計算ロジックは DAX (Data Analysis Expressions) という関数言語で記述する。 例えば 合計売上 = SUM('Sales'[Amount]) という「メジャー」を 1 度定義すれば、 棒グラフ / 折れ線グラフ / カードに何度ドラッグしても同じ式が使い回せる。 CALCULATE 関数はフィルタコンテキストを書き換える DAX の核で、 「前年比 = DIVIDE([合計売上], CALCULATE([合計売上], SAMEPERIODLASTYEAR('Date'[Date]))) − 1」のように時系列比較が 1 行で書ける。

Dataflow は Power BI Service 上で動く ETL レイヤで、 Power Query M 言語をクラウド側で実行・スケジューリングする仕組み。 複数の .pbix ファイルから同じテーブルを参照したい時、 各 .pbix でクエリを書く代わりに Dataflow に集約すれば、 ETL コードが 1 か所で管理できる。 vs Tableau: Tableau は計算フィールドの式が .twbx ファイル内に閉じる単独完結型、 Power BI は DAX + Power Query + Dataflow + Power BI Service が Microsoft エコシステム前提で密結合した分業型。 Office 365 を社内標準とする組織では Power BI、 OS / クラウドを問わない可搬性を求める組織では Tableau が選ばれやすい。

🖼 補講: Power BI ダッシュボード設計の数理

Power BI のレポート設計は単なるドラッグ操作ではなく、 (1) スター・スキーマの設計、 (2) DAX (Data Analysis Expressions) 式の最適化、 (3) 視覚化の選択、 の 3 層の意思決定を伴う。 ここでは SSDSE-B-2026 を題材に、 数式と Python 実装の対応を示しつつ、 Power BI 上で再現する具体手順を補講する。

🖼 図 R292-A: スター・スキーマ概念図

→ 中央のファクトテーブルに数値、 周囲にディメンションテーブルを置く。 Power BI の「リレーションシップ」画面で 1 対多を引くだけで、 後はスライサーで瞬時にドリルダウンできる。

🖼 図 R292-B: KPI カード + 47 都道府県マップの配置例

→ ダッシュボード上段に 3 つの KPI カード、 中央に地図、 右に棒グラフ。 これは Power BI の典型レイアウトで、 視線が「Z 字」を描くよう配置するのが定石。

🖼 図 R292-C: DAX メジャーの依存グラフ

→ 「Total Pop」「Elderly Pop」という基礎メジャーを掛け合わせて「Elderly Rate」を作り、 さらに KPI カードビジュアルが参照する、 という DAX の依存グラフ。 構造化することで再利用性とパフォーマンスが両立する。

🔬 数式を言葉で読み解く

高齢化率の DAX メジャーは数学的に $\text{ElderlyRate} = \dfrac{\sum_{i\in F} \text{Elderly}_i}{\sum_{i\in F}\text{Total}_i}$ で定義される (ここで $F$ はフィルタコンテキストで選択された行集合)。 これを Power BI 上では DIVIDE(SUM([Elderly]), SUM([Total])) と書く。 一見「分子分母を平均すれば等しい」と思うが、 実際には $\dfrac{\sum a_i}{\sum b_i} \ne \dfrac{1}{n}\sum \dfrac{a_i}{b_i}$ なので、 「各都道府県の率を平均する」のとは別物。 Simpson のパラドックスを踏まないよう、 DIVIDE の中で SUM を取るのが定石である。

🐍 補講コード: Power BI DAX を Python で再現

このコードでやること: SSDSE-B-2026 から「全国の高齢化率」を 2 通りで計算 (SUM/SUM 方式 と 単純平均方式) し、 差を観察する。

📥 入力 (SSDSE-B-2026 抜粋):

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16

import pandas as pd

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])
df = df[df.iloc[:, 0] == 2023]  # 2023 年のみに絞る（全 12 年が混在）
total   = df.iloc[:, 3].astype(float)  # 総人口
elderly = df.iloc[:, 15].astype(float)  # A1303 老年人口 (65 歳以上)

# DAX 方式: DIVIDE(SUM([老年]), SUM([総]))
rate_dax = elderly.sum() / total.sum()

# 単純平均方式: AVERAGEX([老年]/[総])
rate_avg = (elderly / total).mean()

print(f"DAX 方式 (SUM/SUM)        : {rate_dax*100:.2f}%")
print(f"単純平均方式 (AVERAGEX)   : {rate_avg*100:.2f}%")
print(f"差                         : {(rate_avg - rate_dax)*100:+.2f} pt")

📤 実行例:

💬 単純平均は人口の少ない過疎県 (高齢化率が高い) と東京・愛知 (高齢化率が低い) を同じ重みで足してしまうため、 全国の高齢化率を 2.45 pt 過大評価する。 Power BI で KPI カードを作るときは必ず DIVIDE(SUM, SUM) を使うこと、 という実務的な教訓がここに繋がる。

📋 補講: Power BI vs 他 BI ツール DAX 相当機能

本セクションは R292 補講として追加。 関連: Tableau, BI ツール, データ可視化。

📝 Power BI 実装 10 ステップ — SSDSE-B-2026 編

Power BI Desktop で SSDSE-B-2026 を取り込んでダッシュボードを構築する手順を、 実務に近い 10 ステップで整理する。 各ステップに「DAX 式」「視覚化選択」「落とし穴」を併記しているので、 初学者から実務レベルへ橋渡しできる。

1. データ取り込み — 「ホーム → データを取得 → テキスト/CSV」で SSDSE-B-2026.csv を選択。 1 行目がヘッダーでない場合は「変換」で先頭行を昇格させる。 文字コードは UTF-8 (BOM 付き) が安全。
2. 列の型推論 — Power Query が自動推論するが、 都道府県コード (R01000 等) は「テキスト」に強制変換すること。 数値推論されると先頭の 0 が消える。
3. 列名のリネーム — 「総人口」「老年人口」「年少人口」のように業務語彙へ統一。 後の DAX 式が読みやすくなる。
4. Dim テーブルの分離 — 都道府県マスタを別シートに切り出し、 「リレーションシップ」画面でファクトと 1 対多リレーション。 これがスター・スキーマ。
5. 計算列の追加 — 高齢化率 = [老年人口] / [総人口] を計算列で追加。 これは行レベルで評価されるため、 ファクトのメモリを消費する点に注意。
6. メジャーの定義 — 全国高齢化率 = DIVIDE(SUM('Fact'[老年人口]), SUM('Fact'[総人口])) をメジャーで定義。 メジャーは集計時のみ評価されるため、 ストレージ効率が良い。
7. 視覚化の配置 — 上段に KPI カード 3 つ (全国人口・全国高齢化率・前年比)、 中央に「マップビジュアル」、 右に「棒グラフ Top 10」。 Z 字レイアウト。
8. スライサーの追加 — 「地方区分」スライサー (北海道・東北・関東・…) を上部に置く。 ユーザーが地域を選択するとマップ・棒グラフが連動して更新される。
9. テーマ・ブランディング — 「表示 → テーマ」で組織のコーポレートカラーを適用。 フォントは Yu Gothic UI 推奨。 余白は 8px グリッド。
10. Power BI Service への発行 — 「ホーム → 発行」でクラウド共有。 「データセットの更新」を毎日 9:00 にスケジュール。 行レベルセキュリティ (RLS) で部署別にアクセス制御。

📝 DAX vs Python: 同じ集計の書き比べ

DAX を初めて触る人は pandas との対比で覚えると効率的。 SSDSE-B-2026 を題材に、 同じ集計を DAX と Python で並べてみる。

📝 Power BI で起きる典型トラブルと対処

実務で Power BI ダッシュボードを運用していると、 以下のトラブルが頻発する。 事前に対処法を知っておくとリリース後の混乱を防げる。

• 「合計が合わない」 — メジャーで AVERAGE を使うと、 表のサブトータルと総計が一致しなくなることがある。 解決: DIVIDE(SUM, SUM) で再定義する。
• 「フィルタが効かない」 — リレーションシップ方向が単方向で、 期待の側からフィルタが伝播しない。 解決: 「両方向」リレーションシップに変更する (パフォーマンスとのトレードオフあり)。
• 「カードが空白」 — フィルタコンテキストで結果がゼロ件のとき、 DAX は BLANK を返す。 解決: IF(ISBLANK(...), 0, ...) でゼロ埋め。
• 「更新が遅い」 — 計算列を多用するとファクトテーブルが肥大化する。 解決: 計算列をメジャーに置き換える、 Power Query 側で前処理する、 Aggregations を活用する。
• 「日本語が文字化け」 — CSV の文字コードが Shift_JIS なのに UTF-8 と認識される。 解決: Power Query で「Japanese (Shift-JIS)」を明示指定する。
• 「行レベルセキュリティが効かない」 — Dim テーブル側に RLS をかけたつもりが、 リレーション方向で伝播していない。 解決: USERPRINCIPALNAME() でログインユーザーを判定し、 FILTER で絞る。

📝 Power BI の長所と限界

Power BI は Microsoft 365 環境と統合された強力な BI ツールだが、 以下の長所と限界を理解しておく必要がある。

長所: (1) Excel ユーザーが学習しやすい、 (2) Azure・Teams・SharePoint と連携、 (3) 月額単価が低く中堅企業に向く、 (4) DAX が表現力豊か、 (5) Power Query で ETL も可能、 (6) Power BI Service の自動更新スケジュール。

限界: (1) Mac で Desktop が動かない (ブラウザ版のみ)、 (2) 大規模データ (10 億行超) はパフォーマンスが落ちる、 (3) 高度な統計分析は R/Python visual で補う必要、 (4) DAX のデバッグツールが弱い、 (5) PDF/PowerPoint 出力の自動化に制約。 SSDSE-B-2026 (47 行) なら何も問題ないが、 POS データ全社統合では Direct Query モードや専用キャパシティ (Premium) が必須になる。

📝 理解度チェック (練習問題)

Power BI の DAX とダッシュボード設計に関する理解度チェックを 6 問用意した。 自分で考えてから解答例を確認してほしい。

📝 Power BI のライセンスと料金構造

Power BI のライセンスは複雑だが、 大きく分けて 3 階層がある。 用途に合った選択をしないと、 後で予算超過や機能不足になる。

• Power BI Free — 個人用 Desktop は無料。 ただし共有・コラボはできない。 学習や個人ダッシュボードに最適。
• Power BI Pro — 約 1,250 円/ユーザー/月。 ワークスペース共有、 アプリ配布、 RLS、 1 日 8 回のスケジュール更新。 中小組織のスタンダード。
• Power BI Premium Per User (PPU) — 約 2,500 円/ユーザー/月。 ページ分割レポート、 AI 機能、 大型データセット、 48 回/日更新。
• Power BI Premium Capacity — 月 60 万円〜。 専用キャパシティ、 無制限 Free ユーザー共有、 Direct Query 最適化、 マルチジオ展開。 大企業向け。
• Fabric Capacity — 2023 年から登場。 OneLake と統合された次世代基盤。 Power BI Premium の機能を含み、 データ統合・ML・リアルタイム分析を 1 つのキャパシティで賄う。

SSDSE-B-2026 を題材にした学習なら Power BI Free + Desktop で完結する。 業務利用に踏み出す段階で Pro へ昇格、 1000 ユーザー超の全社展開で Premium Capacity を検討、 という拡張パスが標準的。

📝 Power BI と Tableau の使い分け

「どちらを選ぶべきか」は永遠の問いだが、 以下の基準で考えると判断しやすい。 Microsoft 365 を使っている組織は Power BI が圧倒的に有利、 Salesforce 系や AWS 中心の組織は Tableau が馴染みやすい、 という大局観がある。

📝 Power BI を業務に組み込むときの設計指針

Power BI を本番運用する際は、 単に「ダッシュボードを作る」のではなく、 データ取得・モデリング・運用・ガバナンスの 4 層で設計する必要がある。 SSDSE-B-2026 のような小規模データなら 1 ファイル内で完結するが、 全社展開の段階では以下の指針を踏襲することで保守性が大幅に上がる。

• データソース層 — Power BI Dataflow (Power Query 互換) を共通レイヤとして用意し、 各レポートはそこから引く。 ETL 重複を避ける。
• 意味モデル層 — スター・スキーマで Fact/Dim を分離。 計算列は最小限、 メジャー中心。 命名規則 (例: Sales_Sum, Sales_YoY) を統一。
• レポート層 — 経営ダッシュボード・部署別ダッシュボード・詳細レポートの 3 階層に分け、 ナビゲーションを統一する。
• 運用層 — スケジュール更新の監視、 失敗時の通知、 月次のパフォーマンスチューニング。 Power BI Service の使用状況メトリクスを活用。
• ガバナンス層 — RLS (行レベルセキュリティ)、 ワークスペース分離 (Dev/Test/Prod)、 監査ログ、 認定 (Certified) データセットの公開。
• 教育層 — 社内向け Power BI 勉強会、 DAX チートシート配布、 セルフサービス BI のためのテンプレート整備。

この 6 層を整備して初めて「Power BI が組織のデータ文化を変える」段階に入る。 SSDSE のような統計データを使った教材は、 学習者が個人で完結できるサイズなので、 まずは意味モデル層と可視化層を徹底的に練習することが、 後の業務展開の基盤になる。 さらに、 Power BI Service の共有・閲覧・コメント機能を活用すれば、 学習グループ内で互いのダッシュボードを評価し合うことができ、 自然と「他者の視点を取り入れる」設計力が養われる。 これは独学では得にくい貴重な機会なので、 ぜひ複数人での学習を推奨したい。 また、 Power BI コミュニティ (公式フォーラム・Power BI User Group) に参加すると、 世界中の実務家の知見にアクセスできる。 SSDSE で練習した手法を応用して、 自分の業務データや興味あるオープンデータでダッシュボードを作り、 コミュニティで共有することが、 最も効率的な学習サイクルである。 自分の作品にフィードバックをもらうことで、 設計判断の幅が広がり、 単なる「ツール操作の習熟」から「データで意思決定を駆動する設計者」への成長軌道に乗ることができる。 これが Power BI 学習の最終ゴールである。

🧮 実値で計算してみる（SSDSE-B-2026）

🧮 数式に値を入れて手で計算する: DAX による集計

合成データで DAX 式で求める平均と前年比を計算する。

Step 1: 年次売上

Step 2: 平均成長率

🐍 Python で再現

1
2
3
4
5

import numpy as np
sales = np.array([100, 120, 150, 170])
yoy = (sales[1:] - sales[:-1]) / sales[:-1] * 100
print(f"YoY: {yoy.round(2)}")
print(f"平均: {yoy.mean():.2f}%")

📤 実行結果

💬 手計算 (Step 2) 19.44% と Python 出力が完全一致。

🐍 Python 実装

Power BI は GUI 中心ですが、 前処理は Python、 表示は Power BI という分業が現場で多用されます。 SSDSE-B-2026 を題材に、 5 要素揃いの実装例を 4 つ示します。

① pandas で SSDSE-B-2026 を読み込み、 Power BI 取り込み用に整形

このコードでやること: 公的統計 SSDSE-B-2026 を読み込み、 日本語ヘッダ行を除去、 数値列を型変換、 高齢化率を計算列として追加、 Parquet 形式で書き出す。 Power BI Desktop は Parquet を直接 import できるため、 大規模データでも高速。

📥 入力: data/raw/SSDSE-B-2026.csv (565 行 × 112 列, cp932 エンコーディング):

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17

import os
os.makedirs('data', exist_ok=True)   # 書き出し先を先に作る
import os
os.makedirs('data/processed', exist_ok=True)  # 保存先のフォルダを作っておく

import pyarrow  # parquet の読み書きに必要（ブラウザには無い）
import pandas as pd

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932')
df = df.iloc[1:].reset_index(drop=True)  # 日本語ヘッダ行除去
for c in ['A1101', 'A1301', 'A1302', 'A1303']:
    df[c] = pd.to_numeric(df[c], errors='coerce')
df['year'] = pd.to_numeric(df['SSDSE-B-2026'], errors='coerce')
df['aging_rate'] = df['A1303'] / df['A1101']
df.to_parquet('data/processed/ssdse-b.parquet', index=False)
print(f'rows={len(df)}, cols={len(df.columns)}')
print(df[['year','Prefecture','A1101','aging_rate']].head())

📤 実行結果:

💬 結果の読み方: 564 行 × 114 列を Parquet で保存。 Power BI Desktop で「データを取得 → 詳細 → Parquet」を選べばこのファイルを直接 import 可能。 CSV と比べ 10 倍程度の高速読み込み + 圧縮率 70% 減 が期待でき、 SSDSE-B-2026 のような中規模データでも体感差が出る。

② 縦持ち (long format) 変換で時系列ビジュアル向けに整形

このコードでやること: 横持ち（指標が列）から縦持ち（指標が値）に変換し、 Power BI の折れ線・散布図ビジュアルで「指標」をスライサーで切り替え可能にする。

📥 入力: ①で読み込んだ df

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22

import os
os.makedirs('data', exist_ok=True)   # 書き出し先を先に作る
import os
os.makedirs('data/processed', exist_ok=True)  # 保存先のフォルダを作っておく

id_cols = ['year', 'Code', 'Prefecture']
val_cols = ['A1101', 'A1301', 'A1302', 'A1303']

long_df = df[id_cols + val_cols].melt(
    id_vars=id_cols,
    value_vars=val_cols,
    var_name='指標',
    value_name='値'
)

# 指標コードを人が読みやすい日本語に変換
label_map = {'A1101':'総人口', 'A1301':'15歳未満',
             'A1302':'15-64歳',  'A1303':'65歳以上'}
long_df['指標'] = long_df['指標'].map(label_map)
long_df.to_csv('data/processed/ssdse-long.csv',
              index=False, encoding='utf-8-sig')
print(long_df.head(8))

📤 実行結果:

💬 結果の読み方: 元の 4 列を「指標」列に集約することで、 Power BI で「指標」をスライサー（フィルタ）にして 1 つのビジュアルから動的に表示切替できる。 横持ちのままだと 「総人口・15歳未満・15-64歳・65歳以上」を別ビジュアルに 4 つ並べる必要があるが、 縦持ちなら 1 ビジュアル + 1 スライサーで完結。

③ Power BI の Python ビジュアルで matplotlib 図を埋め込む

このコードでやること: Power BI Desktop の「Python ビジュアル」セルにそのまま貼れるコード。 標準ビジュアルでは作れない複雑な可視化（バブルチャート、 等高線、 統計図表）を補完する用途。

📥 入力: Power BI が自動的に dataset として渡す DataFrame（年度・都道府県・総人口・高齢化率の 4 列）

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16

# Power BI Desktop の「Python ビジュアル」エディタに貼る
import matplotlib.pyplot as plt
import numpy as np

df = dataset.copy()  # Power BI が自動注入
df = df.sort_values('A1101', ascending=False).head(10)

fig, ax = plt.subplots(figsize=(9, 5))
colors = plt.cm.viridis(df['aging_rate'] / df['aging_rate'].max())
bars = ax.barh(df['Prefecture'][::-1],
                df['A1101'][::-1] / 10000,
                color=colors[::-1])
ax.set_xlabel('総人口 (万人)')
ax.set_title('人口上位 10 都道府県 (色: 高齢化率)')
plt.tight_layout()
plt.show()

📤 実行結果: Power BI 画面内に matplotlib 図が表示される

💬 結果の読み方: 標準ビジュアル「棒グラフ」と「色」を組み合わせた表現で、 人口規模と高齢化を 1 つの図で同時表示。 北海道や静岡は人口こそ多くないが色が濃く（高齢化進行）、 東京・神奈川は色が薄い（高齢化進行は緩やか）。 Python ビジュアルは標準では描けない多変数表現を Power BI ダッシュボードに統合できる。

④ plotly で Power BI 風インタラクティブダッシュボードを再現

このコードでやること: Power BI ライセンスなしで似たダッシュボードを plotly + dash で再現。 「47 都道府県マップ + 折れ線 + テーブル」の 3 ペイン構成。 Jupyter からそのまま動作。

📥 入力: ①で作成した df

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20

import plotly.express as px
import pandas as pd

# 2023 年・47 都道府県だけ抽出
pref = df[(df['year']==2023) &
          df['Code'].str.endswith('000')]

# バブル散布図: 人口 × 高齢化率、 色=高齢化、 サイズ=人口
fig = px.scatter(pref,
    x='A1101', y='aging_rate',
    size='A1101', color='aging_rate',
    hover_name='Prefecture', log_x=True,
    color_continuous_scale='Viridis',
    title='47 都道府県: 人口 vs 高齢化率 (2023)')
fig.update_xaxes(title='総人口 (対数軸)')
fig.update_yaxes(title='高齢化率', tickformat='.0%')
fig.show()

# HTML 出力して共有可能
fig.write_html('dashboard.html')

📤 実行結果:

💬 結果の読み方: 横軸=人口（対数）、 縦軸=高齢化率、 バブルサイズ=人口、 色=高齢化率。 左上に「人口少・高齢化高」（秋田・高知・徳島）、 右下に「人口多・高齢化低」（東京）が配置され、 47 県の構造的位置関係がひと目で分かる。 Power BI と同様にホバーで詳細表示、 HTML を共有すれば誰でもインタラクティブに操作できる ── Power BI Service が使えない環境での代替手段になる。

📂 ケーススタディ・追加実装例

ケース 1：Power Query で SSDSE-B-2026 を整形

// Power Query M 言語
let
    Source = Csv.Document(File.Contents("C:\data\SSDSE-B-2026.csv"),
        [Delimiter=",", Encoding=932]),    // Shift_JIS
    PromotedHeaders = Table.PromoteHeaders(Source, [PromoteAllScalars=true]),
    RemovedTopRow = Table.Skip(PromotedHeaders, 1),
    TypedTable = Table.TransformColumnTypes(RemovedTopRow, {
        {"年度", Int64.Type},
        {"総人口", Int64.Type},
        {"65歳以上人口", Int64.Type},
        {"年少人口", Int64.Type}
    })
in TypedTable

ケース 2：DAX で高齢化率と前年差を計算

高齢化率 := DIVIDE(SUM('SSDSE'[65歳以上人口]), SUM('SSDSE'[総人口]))

前年高齢化率 :=
CALCULATE([高齢化率], DATEADD('SSDSE'[年度], -1, YEAR))

高齢化率の前年差 := [高齢化率] - [前年高齢化率]

ケース 3：マップビジュアルで都道府県分布

1. 「マップ」ビジュアルを追加
2. 「場所」に 都道府県 列
3. 「サイズ」に SUM(総人口)
4. 「色」に [高齢化率] メジャー
5. 地理データの認識精度を上げるため、 列のデータカテゴリを「都道府県」に設定

ケース 4：Python ビジュアルで matplotlib 図を埋め込み

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13

import matplotlib.pyplot as plt
# dataset は Power BI が Python ビジュアルに渡す DataFrame。
# 手元で試すときは同じ形を自分で作る
import pandas as pd
dataset = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=1)
dataset = dataset[dataset['年度'] == 2023]
df = dataset
top = df.sort_values('総人口', ascending=False).head(10)
plt.figure(figsize=(8, 4))
plt.barh(top['都道府県'][::-1], top['総人口'][::-1])
plt.title('総人口 上位10県（2023年）')
plt.tight_layout()
plt.show()

ケース 5：行レベルセキュリティ (RLS) の設定

1. 「モデリング」 → 「セキュリティ管理」
2. 「ロールの作成」 → 例：『東京担当』
3. DAX フィルタ：[都道府県] = "東京都"
4. テスト：「テストとして表示」で動作確認

ケース 6：パフォーマンスチューニング

• 不要列は Power Query で削除（VertiPaq の圧縮効率が上がる）
• 高カーディナリティ列（連続値）は分割、 整数化
• Star Schema で「ファクトテーブル＋ディメンション」を分離
• 計算列より メジャーを優先（評価が遅延、 軽量）
• DAX Studio でクエリ計画を確認

🪜 ステップバイステップ チュートリアル

チュートリアル：Power BI で SSDSE-B-2026 ダッシュボードを作る

ステップ 1：データ取り込み

Power BI Desktop 起動 → ホーム → データを取得 → テキスト/CSV → SSDSE-B-2026.csv、 文字コードに「日本語 (Shift-JIS) - 932」を指定。

ステップ 2：Power Query で整形

// 最初の行（英文ヘッダ）を削除
= Table.Skip(Source, 1)
// ヘッダ昇格
= Table.PromoteHeaders(#"Removed Top Rows")
// 型変換
= Table.TransformColumnTypes(#"Promoted Headers", {
    {"年度", Int64.Type},
    {"総人口", Int64.Type},
    {"65歳以上人口", Int64.Type}
})

ステップ 3：データ列カテゴリ設定

モデリング → データカテゴリ → 「都道府県」 を選ぶ。 マップビジュアルが正しく地点を認識する。

ステップ 4：DAX メジャーを作成

高齢化率 = DIVIDE(SUM('SSDSE'[65歳以上人口]), SUM('SSDSE'[総人口]))
人口 YoY = [総人口] - CALCULATE([総人口], DATEADD('SSDSE'[年度], -1, YEAR))

ステップ 5：ビジュアル配置

1. マップ：場所＝都道府県、 サイズ＝[総人口]、 色＝[高齢化率]
2. カード：[総人口] の全国合計、 [高齢化率] の全国平均
3. 折れ線：X 軸＝年度、 Y 軸＝[総人口]、 凡例＝都道府県（上位 5 県）
4. テーブル：都道府県、 総人口、 高齢化率、 YoY

ステップ 6：レポート共有

Power BI Service へ発行（Pro ライセンス必要）、 ワークスペース内で共有、 自動更新設定。

🚀 現場での応用シナリオ（8 例）

応用 1：経営ダッシュボード

売上・利益・在庫・予算の月次／週次／日次更新。 Power BI Service の自動更新と Teams 配信。

応用 2：自治体オープンデータ

SSDSE-B-2026 を読み込み、 都道府県別人口・経済・社会指標をマップ化。 Power BI Embedded で市民向けに公開も可。

応用 3：学校データ分析

科目別成績、 不登校推移、 進路追跡。 文部科学省統計と SSDSE を結合してベンチマーク。

応用 4：医療・福祉

病床稼働率、 救急搬送、 在宅医療件数。 RLS で病院ごとアクセス分離。

応用 5：マニュファクチャリング

製造ラインの稼働率、 不良率、 OEE。 IoT センサーから Synapse 経由で取り込み。

応用 6：人事分析

採用ファネル、 給与分布、 離職予測（Azure ML 連携）。

応用 7：マーケティング

キャンペーン ROI、 チャネル別売上、 顧客 LTV。 Google Analytics、 CRM、 ERP を統合。

応用 8：研究・大学

研究費獲得状況、 論文出版、 学生統計。 経年比較ダッシュボード化。

🏋️ 演習問題（8 題）

1. Power BI Desktop で SSDSE-B-2026 を読み込み、 Power Query で整形せよ。
2. DAX メジャーで「高齢化率」「人口 YoY」「全国比シェア」を計算せよ。
3. マップビジュアルで「都道府県」を地理ロールに設定、 ヒートマップを作れ。
4. Time Intelligence で「過去 5 年平均人口」のメジャーを作れ。
5. RLS で「東京担当」「大阪担当」のロールを作り、 アクセス制限をテストせよ。
6. Python ビジュアルで matplotlib の棒グラフを埋め込め。
7. Power BI Service へ発行し、 自動更新スケジュールを設定せよ。
8. DAX Studio でクエリを実行し、 性能を分析せよ。

🐍 追加 Python レシピ

Power BI と Python を組み合わせる際の追加実装例。

⑤ pandas で SSDSE-B-2026 を Power BI 取り込み用にクレンジング

このコードでやること: SSDSE-B-2026 の生 CSV には日本語ヘッダ行・欠損値・全国行が混在。 Power BI で扱いやすいよう、 47 都道府県のみ・最新 5 年・必要列だけに絞った整形済みデータを書き出す。

📥 入力: data/raw/SSDSE-B-2026.csv

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30

import os
os.makedirs('data', exist_ok=True)   # 書き出し先を先に作る
import os
os.makedirs('data/processed', exist_ok=True)  # 保存先のフォルダを作っておく

import pandas as pd

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932')
df = df.iloc[1:].reset_index(drop=True)
df['year'] = pd.to_numeric(df['SSDSE-B-2026'], errors='coerce')

# 47 都道府県のみ (Code が R??000 形式の地域コードに限定)
pref = df[df['Code'].str.match(r'^R\d{2}000$')]
pref = pref[pref['year'] >= 2019]  # 直近 5 年

# 必要列のみ
keep = ['year', 'Code', 'Prefecture',
        'A1101', 'A1301', 'A1302', 'A1303',
        'A4101', 'A4200']  # 人口 + 出生 + 死亡
for c in keep[3:]:
    pref[c] = pd.to_numeric(pref[c], errors='coerce')

pref_clean = pref[keep].dropna()
pref_clean['高齢化率'] = pref_clean['A1303'] / pref_clean['A1101']
pref_clean['出生率']  = pref_clean['A4101'] / pref_clean['A1101'] * 1000

pref_clean.to_csv('data/processed/ssdse-pref-clean.csv',
                  index=False, encoding='utf-8-sig')
print(f'cleaned rows: {len(pref_clean)}')
print(pref_clean.head())

📤 実行結果:

💬 結果の読み方: 47 県 × 5 年 = 235 行に整形完了。 Power BI Desktop で「CSV インポート → 文字コード UTF-8 → そのまま import」で即座に利用可能。 utf-8-sig (BOM 付き) にしているのは、 Power BI Service で Excel と互換させるため。

⑥ pandas で Power BI のメジャー定義を自動生成

このコードでやること: SSDSE-B-2026 の各指標列に対し、 「合計」「平均」「全国シェア」の 3 種類の DAX メジャー定義を自動生成し、 開発者がコピペするだけで Power BI に貼れるよう出力。

📥 入力: ⑤の pref_clean

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21

numeric_cols = ['A1101', 'A1301', 'A1302', 'A1303', 'A4101', 'A4200']
label_map = {
    'A1101':'総人口', 'A1301':'15歳未満', 'A1302':'15-64歳',
    'A1303':'65歳以上', 'A4101':'出生数', 'A4200':'死亡数'
}

dax_measures = []
for col in numeric_cols:
    label = label_map[col]
    dax_measures.append(f'{label}_合計 := SUM(\'SSDSE\'[{col}])')
    dax_measures.append(f'{label}_平均 := AVERAGE(\'SSDSE\'[{col}])')
    dax_measures.append(
        f'{label}_全国シェア := DIVIDE([{label}_合計], '
        f'CALCULATE([{label}_合計], ALL(\'SSDSE\'[Prefecture])))'
    )

with open('dax_measures.txt', 'w', encoding='utf-8') as f:
    f.write('\n\n'.join(dax_measures))

print(f'生成メジャー数: {len(dax_measures)}')
print('\n'.join(dax_measures[:3]))

📤 実行結果:

💬 結果の読み方: 6 指標 × 3 パターン = 18 メジャー定義を一括生成。 dax_measures.txt をテキストエディタで開き、 Power BI Desktop のメジャー作成画面に 1 件ずつコピペする運用。 大量の指標を扱うプロジェクトでは、 こうした 「メジャー生成スクリプト」 が開発工数を大幅短縮する。

⑦ pandas + matplotlib で Power BI 風 KPI カード画像を出力

このコードでやること: Power BI 環境がない場面 (例: PDF レポート、 印刷物) でも KPI カード風の可視化を提供できるよう、 matplotlib で「数値 + ラベル + 矢印」を含む KPI 画像を出力。

📥 入力: ⑤の pref_clean から 2023 年 47 県の集計

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25

import matplotlib.pyplot as plt

y23 = pref_clean[pref_clean['year']==2023]
y22 = pref_clean[pref_clean['year']==2022]

kpis = [
    ('総人口', y23['A1101'].sum()/10000, y22['A1101'].sum()/10000, '万人'),
    ('高齢化率', y23['高齢化率'].mean()*100, y22['高齢化率'].mean()*100, '%'),
    ('出生数', y23['A4101'].sum()/10000, y22['A4101'].sum()/10000, '万人'),
]

fig, axes = plt.subplots(1, 3, figsize=(12, 3))
for ax, (name, v23, v22, unit) in zip(axes, kpis):
    diff_pct = (v23 - v22) / v22 * 100
    arrow = '↑' if diff_pct > 0 else '↓'
    color = '#4CAF50' if diff_pct > 0 else '#F44336'
    ax.text(0.5, 0.7, f'{v23:,.0f}{unit}',
            ha='center', fontsize=30, fontweight='bold')
    ax.text(0.5, 0.3, f'{arrow} {abs(diff_pct):.2f}% YoY',
            ha='center', fontsize=14, color=color)
    ax.set_title(name, fontsize=16)
    ax.axis('off')
plt.tight_layout()
plt.savefig('kpi_cards.png', dpi=150)
print('saved: kpi_cards.png')

📤 実行結果:

💬 結果の読み方: Power BI Service が使えない印刷物・PDF 報告書に貼り付け可能な KPI カード画像が生成された。 Power BI の Card ビジュアルを画像で代替する手法。 出生数 −5.64% YoY は少子化トレンドを定量的に示しており、 政策評価レポートの表紙画像として有効。

🏗 データモデリングの基本原則

原則 1: スタースキーマを徹底する

中心に大きい数値テーブル（ファクト）、 周囲に属性テーブル（ディメンション）を配置。 SSDSE-B-2026 で言えば:

• ファクト: SSDSE 本表（年度・地域コード × 数値指標）
• ディメンション 1: 都道府県マスタ（地域コード、 県名、 地方区分、 緯度経度）
• ディメンション 2: 年度マスタ（year, 元号, 西暦, fiscal_year）
• ディメンション 3: 指標マスタ（指標コード、 日本語名、 単位、 カテゴリ）

原則 2: 関係は 1 対多にする

マスタ側を「1」（一意）、 ファクト側を「多」（重複あり）に。 多対多 (M:M) リレーションは可能だが複雑度が増し DAX の挙動が予測しにくくなる。

原則 3: 双方向フィルタは慎重に

デフォルトは「単方向」（マスタ → ファクト）。 双方向にすると循環参照やパフォーマンス低下を招くため、 特殊ケース（多対多リレーションなど）に限定する。

原則 4: 計算列は最小限に、 集計はメジャーで

計算列は取り込み時に固定計算され、 VertiPaq のメモリを消費する。 集計可能なものはメジャーで定義する方が柔軟・効率的。

原則 5: 命名規則を統一する

• ファクトテーブル: fact_*
• ディメンションテーブル: dim_*
• メジャー: [名詞_動詞] 形式 (例: [総人口_合計])
• キー列: *_key, *_id

👁 ビジュアル別ベストプラクティス

棒グラフ

• カテゴリが多い場合は 横棒（縦軸ラベルが切れにくい）
• 降順ソートで「大きい順」を視覚化
• 条件付き書式で「閾値超え」を強調
• 3D 棒グラフは 使わない（読み取り誤差発生）

折れ線グラフ

• 時系列専用。 カテゴリ軸（製品名等）には使わない
• 線が 5 本を超えるとごちゃつく → トップ N に絞るかスライサー併用
• X 軸の間隔は等間隔（不規則な時点を等間隔で表示すると誤解を招く）

円グラフ

• カテゴリは 5 個以下推奨
• 差が小さい (近い %) 場合は棒グラフへ
• 3D ドーナツは 避ける（手前のスライスが過大に見える）

散布図

• 2 つの連続値の関係を見る基本
• 第 3 変数は色、 第 4 変数はサイズで追加可
• 対数軸は「桁が異なる値」をまとめて見るときに有効

マップ

• 必ず「データカテゴリ」を地理的に設定
• 地名表記の揺れに注意（東京 vs 東京都）
• 色とサイズの両方を使うと情報量が増えるが視認性とトレードオフ

テーブル / マトリックス

• 列が多すぎる場合はスクロール前提
• 条件付き書式（背景色・データバー）で「数字の塊」に視覚的アクセント
• マトリックスは「行×列」のクロス集計

🌍 Power BI エコシステム全体像

Power BI は単体ツールではなく、 周辺サービスと連携することで真価を発揮する。

Microsoft 内のレイヤー

外部ツールとの連携

• DAX Studio ── DAX クエリ実行・チューニングの定番ツール（無料）
• Tabular Editor ── 大量メジャー編集・モデル管理（無料 v2、 有料 v3）
• ALM Toolkit ── 開発・本番のモデル比較・差分適用
• Power BI Embedded ── 自社アプリにダッシュボードを埋め込む API
• VertiPaq Analyzer ── モデルサイズ・カーディナリティの分析

💰 コスト試算 (47 都道府県プロジェクト)

SSDSE-B-2026 をベースに、 自治体や大学が 1 年運用する場合の参考コスト:

シナリオ A: 小規模 (開発者 1 + 閲覧 5 名)

シナリオ B: 中規模 (開発者 3 + 閲覧 30 名)

シナリオ C: 大規模 (全社 500 名)

SSDSE 程度の規模ならシナリオ Aで十分。 大学の研究室・自治体の 1 部署単位の運用ならコスト面で Power BI は十分現実的。

🎯 まとめ ── Power BI 学習の優先順位

「Power BI を 1 ヶ月で使えるようになる」ためのフォーカス順位:

1. Week 1: Desktop + Power Query (M 言語) の基礎
   • CSV/Excel 取込、 型変換、 列追加、 行フィルタ
   • ヘッダ昇格、 縦持ち変換、 結合
2. Week 2: モデリング
   • テーブル間のリレーション設定
   • スタースキーマ設計
   • データカテゴリ・並び順設定
3. Week 3: DAX 基本
   • SUM, AVERAGE, COUNT, DIVIDE
   • CALCULATE + FILTER の動作理解
   • 行コンテキスト vs フィルタコンテキスト
   • 時間インテリジェンス (DATEADD, TOTALYTD)
4. Week 4: ビジュアル + 共有
   • 主要 7 ビジュアルの使い分け
   • 条件付き書式、 ツールチップ
   • Service への発行、 自動更新設定
   • RLS の基本

これで「業務で 7 割使える」レベル到達。 残り 3 割（DAX 高度パターン、 パフォーマンス最適化、 Fabric 統合）は実プロジェクトで OJT 的に習得するのが現実的。

❓ 追加 FAQ

Q: 既存の Excel ピボットを Power BI に移行する手順は？

A: ① Power BI Desktop で Excel ファイルを取込、 ② シート→テーブルへ変換、 ③ ピボットの計算項目を DAX メジャーに書き換え、 ④ ビジュアルを Power BI 標準ビジュアルで再構築。 多くの場合「ピボット 1 枚 = Power BI レポート 1 ページ」の対応。

Q: 1 つのレポート内に複数のデータソースを混在させられる？

A: できる。 取込モードが「Import」なら制限なし。 「DirectQuery」を混在させる場合は Composite (混合) モデルを有効化。 ただし「Import + DirectQuery」のリレーションは制限が多いので、 ETL でマスタを統合してから取り込むのが安全。

Q: DAX で「日本語の都道府県名 → 緯度経度」を変換するには？

A: DAX には地理的変換関数はない。 別途マスタテーブル（都道府県名・緯度・経度）を用意し、 リレーションで結合する。 内閣府の 「市区町村コード」と組み合わせて緯度経度マスタを作るのが定番。

Q: チームで開発する場合のバージョン管理は？

A: .pbix はバイナリなので Git で差分が見にくい。 Power BI Desktop の保存形式を「Power BI プロジェクト形式 (.pbip)」に切替（プレビュー機能、 2024 年〜）。 すると JSON・テキスト形式で保存され、 Git で差分管理可能。

Q: 数百 MB の Excel ファイルが取り込めない

A: Excel は 1 シート 100 万行制限。 ① CSV / Parquet に分割保存、 ② SQL Server / Synapse など DB 化、 ③ Power BI Premium で「大規模データセット」を有効化（Premium のみ）。

Q: ダッシュボードの更新が遅い

A: 主な原因は「メジャーが複雑」「カーディナリティ高」「DirectQuery 多発」。 ① DAX Studio で実行プランを分析、 ② メジャーを変数 (VAR) でキャッシュ、 ③ 不要列削除、 ④ Aggregations 機能で事前集計テーブルを作る。

Q: 海外オフィスとの共有でタイムゾーンが揃わない

A: 全データを UTC で取り込み、 表示時に DAX の FORMAT + USERCULTURE でユーザー側ロケールに変換するのが定石。 Power BI Service は閲覧ユーザーのブラウザロケールを取得可能。

⚠️ よくある落とし穴

❓ よくある質問（FAQ）

📜 歴史と背景

歴史と位置づけ：Power BI は Microsoft が 2015 年に正式リリースした BI 製品。 ルーツは Excel の「PowerPivot」（2010）と「Power View」（2013）にあります。 これらを単独の製品として独立させ、 Power Query／Power Pivot／Power View／Power Map／Power Q&A を統合したものが Power BI。

製品ファミリー：

• Power BI Desktop — 無償の Windows アプリ。 開発の中心
• Power BI Service (Pro / Premium) — クラウド配信
• Power BI Report Server — オンプレ配信
• Power BI Mobile
• Microsoft Fabric (2023) — Power BI／Synapse／Data Factory 統合の次世代基盤

言語：

• DAX — 2009 年、 PowerPivot の登場と共に。 関数型・式言語、 Excel に近いが集計・時間軸・フィルタコンテキストが強化
• M (Power Query Formula Language) — Excel 2010 以降、 ETL 専用

🌐 関連手法・派生・対概念

🔗 関連用語（前提・並列・発展）

📘 前提となる用語

🤝 並列・関連する用語

🚀 発展・応用

📚 関連グループ教材

このページの内容を、より広い文脈で学びたいときは：

• 📚 可視化と探索的分析 — BI の文脈で見せ方を体系的に学ぶ
• 📚 データエンジニアリング — Power Query を含む ETL の全体像
• 📚 コンペ攻略：可視化編 — ダッシュボード提出の作法

📚 参考文献・出典

• Microsoft (2024). Power BI ドキュメント.
• Russo, M., Ferrari, A. (2019). The Definitive Guide to DAX. Microsoft Press.
• Microsoft (2023). Fabric 統合アーキテクチャ.

🧭 さらに深掘り ── 直感・落とし穴・発展（追記）

本セクションは、 既存の解説（📝補足・🎮ウィジェット・レシピ集）と重複しない角度で、 Power BI を「使いこなす」ための要点を追記します。 数値例は SSDSE-B-2026（cp932・2023 年・47 都道府県）の実測のみを用います。

🎨 直感 ──「Excel 脳」から「モデル脳」へ

Power BI の一番の壁は操作ではなく発想の転換です。 Excel は「セルを指す」文化（=A1+B1）、 Power BI は「列を集計する」文化（SUM('人口ファクト'[総人口])）。 この違いを腹落ちさせると、 残りは一気に楽になります。

• 1 つの真実（Single Source of Truth） ── Excel はシートのあちこちにベタ書き数式が散らばりますが、 Power BI はメジャーを 1 回定義すれば棒・折れ線・カード・地図すべてで同じ式が使い回されます。 ロジックが 1 か所に集約され、 直したい時は 1 か所を直すだけ。
• 3 層の分離 ── ①クエリ層（Power Query で取り込み・整形）→②モデル層（テーブル間の関係とメジャー）→③レポート層（見た目）。 「見た目」と「計算ロジック」が分かれているのが保守性の源泉で、 Excel の「見た目と数式が同じセルに同居」とは根本的に異なります。
• 一方向のフロー ── データ接続 → 変換（Power Query）→ モデリング → 可視化 → 共有、 という川の流れ。 下流（可視化）で困ったら、 まず上流（変換・モデル）に戻って直すのが定石です。 詳しくは Power Query のページ参照。

⚠️ 落とし穴（重要）── 既存 5 項目に足す 7 つ

🚀 発展 ── 一歩進んだ機能

• 計算グループ（Calculation Groups） ── 「前年比」「YTD」「移動平均」といった時間計算を、 メジャーごとに複製せず横断的に一括適用する仕組み。 メジャー数の爆発を防ぐ。 外部ツール Tabular Editor で作成する。
• フィールドパラメーター（Field Parameters） ── ユーザーがスライサーで「軸」や「メジャー」自体を切り替えられる。 1 枚のグラフで「総人口／高齢者数／出生数」を動的に入れ替える、 といった柔軟な UI が作れる。
• 増分更新（Incremental Refresh） ── 過去分パーティションは固定し、 直近だけ更新する。 大規模データの更新時間を劇的に短縮。 SSDSE 程度では不要だが、 全社データでは必須級。
• 集約テーブル＋Composite / Direct Lake ── 詳細は DirectQuery、 集計は事前集約で Import、 と使い分けてリアルタイム性と速度を両立。 Fabric の Direct Lake は OneLake の Parquet を直接読み、 コピーなしで高速集計する（既存「Fabric」節の補完）。
• 外部ツールでのコード化 ── Tabular Editor（モデルをスクリプトで一括編集）、 DAX Studio（クエリ性能診断・実行計画）、 TMDL（モデルをテキスト表現）を使うと、 GUI では届かない自動化・レビュー・性能改善ができる。
• VAR による可読性と性能 ── DAX の VAR で中間結果を変数化すると、 同じ計算の重複評価を避けられ、 式も読みやすくなる。 複雑なメジャーはまず VAR で分解するのが定石。

🔗 関連ページ

Power Query（上流 ETL・M 言語） Tableau（並列 BI ツール） BI ツール（全体像） データ可視化 インタラクティブ可視化 散布図 時系列

※「DAX」「ダッシュボード」の独立ページは用語集に無いため、 本ページ内の該当節（📐 数式・定義、 🎮 触って体感）を参照してください。

🎮 触って体感 ── データモデル（テーブル間リレーション）とメジャー（集計）

Power BI の心臓部は「1 枚の表」ではなく スタースキーマ（中心のファクト表＋周辺のディメンション表を 1 対多で結んだデータモデル） と、 その上で走る メジャー（フィルタコンテキストで動く集計式＝DAX） です。 ここでは SSDSE-B-2026 の実測値（総人口 A1101、 2013 年と 2023 年、 8 県）を素材に、 ①リレーションを繋ぐと集計がディメンションで正しく分解される様子、 ②メジャーを変えると全ビジュアルが一斉更新される様子、 ③単方向／双方向フィルタの違いを、 全部あなたの手で動かして確かめられます。

🧭 直感 ── 「表をつないで指標を計算する」

スタースキーマの発想は単純です。 数値（測定値）は中心の「ファクト表」に、 切り口（属性）は周辺の「ディメンション表」に置き、 両者を 1 対多で結ぶ。 ここでは「人口ファクト（16 行＝8 県×2 年度）」が中心、 「Dim_年度（2 行）」「Dim_地域（47 県マスタ）」が周辺です。 リレーションが有効なら、 ディメンションの列（地方）を軸にドラッグするだけで フィルタが Dim→ファクトへ伝播し、 メジャー SUM('人口ファクト'[総人口]) が地方ごとに 自動で分解されます。 メジャーを AVERAGE / MAX / COUNT に差し替えれば、 棒もカードも 同じ 1 つの式を参照しているので一斉に更新される ── これが「1 か所に集計定義、 全ビジュアルが従う」というセマンティックモデルの威力です。

⚠️ 落とし穴 ── リレーションと粒度と双方向

• リレーション欠如で集計が壊れる： 上で「地域リレーション＝無効」にすると、 地方を軸にしても Dim_地域 のフィルタがファクトに届かず、 全地方が同じ「総計」を表示します（2023 年 SUM ならどの地方も 46,393,000）。 実務で「全カテゴリが同じ数字」なら、 まずリレーション未設定を疑うべき典型症状です。
• 粒度（グレイン）不一致： 年度スライサーを「両方」にして SUM を選ぶと総計は 92,519,000 になりますが、 総人口はストック（時点の在庫）で、 年度をまたいで足すのは無意味（同じ人を 2 回数える）。 ファクトの 1 行が何を表す粒度なのかを外すと、 集計は静かに壊れます。 フロー（出生数など）なら合算が正しい、 という区別が要点です。
• 双方向フィルタの罠： 「対象都道府県数＝COUNTROWS('Dim_地域')」カードを見てください。 単方向ではディメンション・マスタは常に 47（ファクト側の絞り込みは Dim に逆流しない）。 ところが 双方向にすると、 ファクトの絞り込みが Dim_地域 へ逆流し、 マスタが 8（さらに地方をクリックすると 2）に 勝手に縮む。 「顧客マスタ件数」のような Dim を数えるメジャーが、 気づかぬうちに別の値になる ── これが双方向の代表的な罠です。 なお ファクト行数（fact 側の集計）は方向に関係なく変わらない点も見比べてください。

🚀 発展 ── スタースキーマ・DAX・2 つのコンテキスト

• スタースキーマ設計： ファクトは細長く（数値＋外部キー）、 ディメンションは短く広く（属性）。 ER 図の 1 対多を、 集計に最適化した形に落とし込んだのがスタースキーマです。 スノーフレーク化しすぎず、 ディメンションは 1 段で持つのが VertiPaq には有利。
• DAX と 2 つのコンテキスト： メジャーは フィルタコンテキスト（ビジュアルの行／列／スライサーが作る「今どの行が見えているか」）で評価されます。 一方、 計算列は 行コンテキスト（1 行ずつ）で評価。 上の棒 1 本 1 本が別々のフィルタコンテキストで同じ式を再評価している、 と捉えると DAX の挙動が読めます。 CALCULATE はこのフィルタコンテキストを書き換える関数です。
• 関連する見方： 内部結合はテーブルを物理的に 1 枚へ融合しますが、 スタースキーマは結合せず関係だけ張ってクエリ時に絞る点が異なります。 多次元分析（OLAP）のキューブは、 このモデルを立方体として捉えた姿。 操作面は BI ツールの連動ダッシュボードや Tableau と共通です。

※ 数値はすべて SSDSE-B-2026（総人口 A1101、 2013／2023 年）の実測から Python で転記。 ファクトは 8 県×2 年度＝16 行、 Dim_地域 は 47 都道府県マスタ。 集計（SUM／AVERAGE／MAX／COUNT）・地方分解・COUNTROWS は node で再計算し一致を確認済み。

🗺 学習ロードマップ

🗺 学習ロードマップ

1. レベル 1 — Power BI Desktop の UI、 ビジュアルのドラッグ操作、 簡単なフィルタ。
2. レベル 2 — Power Query で取り込みと整形（型変換、 列削除、 行フィルタ）。
3. レベル 3 — DAX の基本（SUM, AVERAGE, CALCULATE, FILTER）、 計算列とメジャー。
4. レベル 4 — リレーションシップ、 スタースキーマ、 Time Intelligence。
5. レベル 5 — Power BI Service、 自動更新、 RLS、 Apps の作成。
6. レベル 6 — Premium / Fabric、 DAX 最適化、 大規模モデル、 Embedded 配信。

📊 比較表（兄弟手法・選択肢）

Power BI ライセンス比較

📖 用語ミニ辞典

🍳 コードレシピ（コピペ用 15 連発）

= Table.TransformColumnTypes(Source, {{"年度", Int64.Type}})

= Table.SelectRows(Source, each [年度] = 2023)

= Table.AddColumn(Source, "高齢化率", each [65歳以上人口]/[総人口])

総人口 := SUM('SSDSE'[総人口])

平均人口 := AVERAGE('SSDSE'[総人口])

高齢化率 := DIVIDE(SUM('SSDSE'[65歳以上人口]), SUM('SSDSE'[総人口]))

東京シェア := CALCULATE([総人口], 'SSDSE'[都道府県]="東京都") / [総人口]

全国平均 := CALCULATE(AVERAGE('SSDSE'[総人口]), ALL('SSDSE'[都道府県]))

前年人口 := CALCULATE([総人口], DATEADD('SSDSE'[年度], -1, YEAR))

人口ランク := RANKX(ALL('SSDSE'[都道府県]), [総人口],, DESC)

ビジュアル「カード」を追加 → メジャーをドラッグ

YTD人口 := TOTALYTD([総人口], 'SSDSE'[年度])

[都道府県] = USERNAME()

dataset = pd.DataFrame(...) を受け取って matplotlib

ggplot2 で同様の処理が可

Power BI のレイヤー構造：

   ［表示］      ビジュアル（棒/線/散布/マップ／Python ビジュアル）
                       ↑
   ［計算］      DAX メジャー / 計算列 / 時間インテリジェンス
                       ↑
   ［モデル］    テーブル + リレーションシップ + 階層 + RLS
                       ↑
   ［取込］      Power Query（M 言語：取り込み・整形）
                       ↑
   ［データ］    CSV / Excel / SQL / Web API / SSDSE-B-2026.csv

🔗 隣接手法への橋渡し

Power BI は Microsoft 製の BI ツールで、 Power Query・Excel・SQL Server・Azure と一体運用される。

• 上流: Power Query — Power Query で SSDSE-B-2026 を読み込み → 前処理 → Power BI Desktop でビジュアル化、 という Microsoft エコシステムの王道。
• 並列: Tableau — Tableau と機能はほぼ同等。 Power BI は Microsoft 365 統合・低コスト、 Tableau はビジュアル品質・大規模分析に強み。
• 下流: ダッシュボード — 完成したレポートをダッシュボード化し、 経営会議・部門共有に活用。 自動更新・モバイル閲覧が標準機能。
• 応用: BI ツール・DAX 数式言語で複雑な KPI を実装。 SSDSE の 47 都道府県ダッシュボード作成は研修教材として頻出。

SSDSE-B-2026 を用いた演習では、 「Power BI」 を中核に据えて上記の上流・並列・下流の手法を実データで連結する経験を積むと、 単独の手法暗記より実務的応用力が身につく。

🌳 手法選択フロー

「Power BI」を実際に使うとき、 何をどう選ぶかを順に判断する。 上から順に答えていくと、 使うべき手法と評価の仕方が決まる。

1. 誰が何を見るのか
   定期的に同じ指標を追うならダッシュボードが向く。 1 回だけの分析なら、 ノートブックで図を作るほうが速い。
2. データはどこにあるか
   Excel や CSV を直接読むなら手軽。 データベースやクラウドにあるなら、 接続方式（取り込みか直接クエリか）で更新の速さと負荷が変わる。
3. 更新はどうするか
   手動更新なら人が忘れる。 自動更新にするなら、 データ源の可用性と失敗時の通知まで設計する。
4. 誰が何を見てよいか
   行単位のアクセス制御が要るなら、 レポート側ではなくデータ側で設計する。 「見せない列を非表示にする」だけでは、 データはクライアントに届いている。

BI ツールの価値は「同じ指標を継続して追える」こと。 探索や 1 回限りの分析では、 かえって手間が増える。