Perfil de dados no Power Query: confira a qualidade

Perfil de dados no Power Query é a inspeção das características das colunas antes de confiar na base entregue ao relatório. As ferramentas ajudam a localizar vazios, erros, valores frequentes e distribuição. A análise fica útil quando cada sinal é comparado com uma regra de negócio, pois uma coluna tecnicamente válida ainda pode conter registros inadequados para a decisão.

1. Defina o contrato do perfil de dados no Power Query

Escolha uma tabela e descreva o que cada coluna deveria conter. Registre campos obrigatórios, tipos, valores permitidos e a unidade de cada linha. Num exemplo hipotético de vendas, uma linha representa um item de pedido, com pedido, sequência, cliente, data e valor.

O contrato determina o significado de uma exceção. Um cliente vazio pode impedir a análise de carteira, enquanto uma observação vazia pode ser aceitável. Não aplique o mesmo critério a todos os campos.

Comece pelas colunas que identificam o evento e sustentam filtros ou cálculos. Preserve uma cópia da estrutura esperada para comparar mudanças de cabeçalho e novos valores recebidos nas cargas seguintes.

2. Ative as ferramentas e registre o escopo

No editor Desktop, habilite qualidade, distribuição e perfil de coluna na guia Exibir. A documentação das ferramentas de perfil, consultada em 10 de outubro de 2026, informa que a análise usa inicialmente as primeiras mil linhas. O controle no rodapé permite analisar o conjunto inteiro.

Registre qual opção foi usada. Num teste hipotético, os primeiros mil registros pertencem a uma unidade antiga, enquanto registros posteriores incluem novas unidades. Uma prévia sem erros não descreve automaticamente toda a carga. Quando a fonte for volumosa, escolha um recorte conhecido para a investigação inicial e faça a conferência integral necessária antes da liberação, mantendo o período e a população documentados.

3. Compare a qualidade antes e depois da conversão

A ferramenta de qualidade identifica valores válidos, erros e vazios, entre outros estados descritos na documentação. Inspecione a etapa de origem e a etapa após definir os tipos. Uma coluna textual pode parecer sem erros até que a conversão revele valores incompatíveis com o tipo esperado.

Num exemplo hipotético, a coluna Valor contém números em texto e uma expressão pendente. A origem textual aceita ambos, mas a tentativa de converter pendente para número cria um erro. Isso informa onde a regra falhou.

Não conclua que a carga original estava correta apenas porque nenhuma célula mostrava erro antes da transformação. Compare as etapas e preserve a identificação dos registros afetados.

4. Diferencie campo vazio de informação válida

O significado de vazio depende do campo e do processo. Uma data de encerramento ausente pode indicar evento aberto, enquanto uma data de criação ausente impede ordenar sua sequência. Documente o tratamento de cada caso e mantenha essas situações separadas no diagnóstico.

Num cenário hipotético, ClienteID vazio não deve receber zero apenas para permitir uma relação. Crie uma pendência cadastral ou uma categoria desconhecida com significado explícito, conforme o desenho aprovado. Textos compostos somente por espaços também merecem uma regra de validação própria. A aparência da célula não basta para identificar ausência; confira o conteúdo original e os tratamentos aplicados antes de decidir a correção.

5. Interprete valores distintos e únicos corretamente

Segundo a documentação de perfil, distintos são os diferentes valores da coluna; únicos são os que aparecem uma única vez. Esses conceitos respondem perguntas diferentes. Uma coluna pode conter poucas opções distintas e nenhuma opção com ocorrência única.

Considere a sequência hipotética A, A e B. Há dois valores distintos e um único, B. Numa tabela de itens, repetir PedidoID pode ser esperado porque o pedido contém várias linhas.

A chave completa poderia ser PedidoID e SequenciaItem. Avalie duplicidade nessa combinação, não apenas no primeiro campo. Um diagnóstico que exige todos os pedidos únicos descartaria itens legítimos e alteraria o faturamento analisado.

6. Investigue frequências e valores improváveis

Use a distribuição para localizar categorias dominantes e registros raros. Esses padrões orientam uma investigação, sem estabelecer automaticamente que uma frequência elevada ou pequena seja erro. Compare com os valores permitidos e com a rotina que produziu a base.

Num exemplo hipotético, as regiões Sul e SUL aparecem separadamente. Antes de padronizar, confira se representam a mesma categoria e preserve a regra aplicada. Um código com poucas ocorrências pode ser um lançamento novo, e não uma digitação incorreta.

Para um valor financeiro negativo, investigue devolução, ajuste ou sinal esperado. Não substitua extremos por uma média para tornar a distribuição visualmente uniforme.

7. Confira tipos, cultura e identificadores

A documentação de tipos de dados explica que a conversão pode depender de configurações regionais. Para campos de data e números textuais, declare a cultura adequada à origem. Teste datas ambíguas e separadores antes de aplicar a transformação ao histórico.

Em um exemplo hipotético, o código 00123 identifica um cliente e não uma quantidade. Trate-o como texto se os zeros fizerem parte da identificação. Converter para inteiro pode apagar essa distinção.

Da mesma forma, uma data como 04/05 precisa da convenção conhecida da fonte. O perfil ajuda a enxergar resultados suspeitos, mas não consegue descobrir sozinho qual convenção o processo deveria adotar.

8. Guarde os erros para uma fila de correção

A orientação oficial sobre erros diferencia falhas de etapa e de célula e apresenta opções para manter, remover ou substituir erros. A escolha deve preservar o significado da base. Remover linhas ou preencher tudo com zero não resolve a causa.

Num roteiro hipotético, separe uma consulta de exceções com identificador do pedido, campo afetado, conteúdo original e motivo. Envie a pendência ao responsável pela origem conforme o fluxo da empresa. Compare quantidades e valores excluídos da carga válida.

Se um erro impede conhecer o valor, informe essa limitação em vez de estimar um total sem evidência. A fila deve permitir reprocessar os registros após a correção.

9. Refaça a inspeção após mesclar e transformar

Uma base pode começar coerente e perder qualidade numa etapa posterior. Confira quantidade de linhas, chaves, erros e totais depois de combinar tabelas ou alterar a orientação dos dados. Preserve medidas de controle por período e unidade para localizar onde ocorreu uma diferença.

O roteiro de mesclar no Power Query ajuda a verificar multiplicações, enquanto unpivot aborda colunas transformadas em linhas. Num teste hipotético, todas as células continuam válidas após uma junção, mas a soma de vendas dobra. O perfil de uma coluna isolada não detecta necessariamente essa violação da unidade do registro; use contagem e conciliação como controles complementares.

10. Libere a carga com critérios verificáveis

Defina quais exceções bloqueiam a carga e quais podem permanecer com sinalização. Os critérios devem vir da finalidade da análise, sem um percentual arbitrário apresentado como padrão de qualidade. Para arquivos recorrentes, complemente com o guia de consolidação mensal e confira mudanças de estrutura.

O modelo editável de Vendas depende de dados comerciais coerentes. O diagnóstico descrito aqui exige configurar contratos, exceções e controles na preparação da sua origem. Registre escopo analisado, linhas válidas, pendências e totais conferidos. Repita esses controles na atualização seguinte: a inspeção ajuda a encontrar sinais, mas a liberação precisa confirmar que os dados respondem à pergunta do relatório.