Quand on parle de coûts Power BI, on pense spontanément à la facture de capacité. C’est pourtant rarement le seul poste, ni toujours le plus important. Un environnement Power BI qui grossit sans gouvernance génère des coûts répartis sur trois familles distinctes : les licences, les traitements de données, et le temps humain. Les identifier séparément est la condition pour savoir où agir en priorité.
Les trois familles de coûts à identifier
Les licences actives
Chaque utilisateur disposant d’une licence Pro ou Premium Per User représente un coût récurrent. Or dans beaucoup d’organisations, une partie de ces licences est attribuée à des personnes qui ne consultent plus aucun rapport, ou très rarement. Croiser la liste des licences attribuées avec l’usage réel permet de repérer les licences à réaffecter ou à ne pas renouveler. Attention toutefois aux cas particuliers : la licence Pro est par exemple incluse dans Microsoft 365 E5, si bien que la retirer à un utilisateur E5 ne génère aucune économie ; et sur une capacité Fabric F64 ou supérieure, les simples lecteurs n’ont pas besoin de licence Pro.
Les traitements de données et rafraîchissements
Chaque modèle sémantique ou dataflow rafraîchi quotidiennement, voire plusieurs fois par jour, consomme des ressources même s’il n’est plus jamais ouvert par personne. Le plus souvent, ce coût est indirect : charge sur les passerelles et les systèmes sources, saturation d’une capacité, temps d’exécution. Il devient direct lorsque le traitement est facturé à l’exécution, sur une capacité Fabric ou chez un autre fournisseur de données (Snowflake, Databricks ou tout entrepôt cloud facturé à l’usage). Ce phénomène est particulièrement insidieux car il ne génère aucune alerte visible : le rafraîchissement continue de s’exécuter avec succès, année après année, sans que personne ne remette en question son utilité.
Le temps humain
C’est souvent le poste le plus sous-estimé. Faire évoluer un rapport que personne n’utilise, diagnostiquer l’échec de rafraîchissement d’un modèle abandonné, refactoriser des doublons lors d’une migration ou arbitrer entre plusieurs versions concurrentes d’un même indicateur : autant d’heures consacrées à des artefacts sans valeur, au détriment des sujets réellement prioritaires pour les métiers.
Identifier les candidats au nettoyage
Le nettoyage ne concerne pas seulement les contenus : quatre catégories méritent un examen systématique et méthodique, dont les utilisateurs eux-mêmes.
Les rapports jamais consultés
Identifiables via les statistiques d’usage réel sur une période suffisamment longue, et pas seulement sur les 30 derniers jours, qui peuvent masquer un usage saisonnier ou trimestriel légitime (voir notre article dédié à l’analyse d’usage).
Les doublons fonctionnels
Plusieurs rapports différents, parfois avec des noms très différents, répondant en réalité à la même question métier (par exemple : « CA mensuel », « Suivi des ventes », « Dashboard commercial »), créés indépendamment par différentes équipes qui ignoraient l’existence des versions déjà produites ailleurs dans l’organisation.
Les modèles sémantiques orphelins
Dont le propriétaire déclaré a quitté l’organisation ou changé de fonction, et que personne ne maintient plus activement. Ils sont souvent identifiables en croisant l’inventaire des workspaces avec l’annuaire RH actif.
Les utilisateurs inactifs
Des utilisateurs qui disposent encore d’une licence ou d’accès à des workspaces et des rapports, mais qui ne consultent plus rien depuis plusieurs mois, ou qui ont changé de fonction, voire quitté l’organisation. Les identifier permet à la fois de réaffecter ou de ne pas renouveler des licences, et de retirer des accès devenus injustifiés, ce qui réduit au passage la surface de risque en matière de sécurité (voir notre article sur l’audit des accès Power BI).
La difficulté : distinguer « peu utilisé » de « inutile »
Un rapport consulté une seule fois par trimestre par la direction financière lors de la clôture n’est pas un doublon inutile : c’est un rapport à faible fréquence mais à forte valeur métier. La suppression aveugle basée sur la seule fréquence brute de consultation est risquée et peut créer une friction importante avec les métiers. Il faut systématiquement croiser trois signaux avant toute décision : l’usage réel sur une période longue, la criticité métier déclarée par le propriétaire, et l’identification d’un propriétaire actif capable de valider ou refuser l’archivage.
Exemple de matrice de décision
Un rapport peu consulté mais avec un propriétaire actif et une criticité métier confirmée (ex. reporting réglementaire trimestriel) doit être conservé. Un rapport peu consulté, sans propriétaire actif identifié et sans criticité déclarée, est un candidat prioritaire à l’archivage.
Un exemple concret de résultats obtenus
Chez nos clients ayant mené cet exercice de rationalisation de façon structurée, la réduction du nombre d’artefacts peut atteindre 30 à 40 %, avec à la clé plusieurs bénéfices mesurables : moins de rafraîchissements inutiles, moins de temps de maintenance et de diagnostic, des rapports plus fiables (une seule source de vérité identifiée par question métier), et une meilleure adoption par les utilisateurs finaux, qui ne se perdent plus entre plusieurs versions concurrentes d’un même dashboard.
Mettre en place un cycle de nettoyage récurrent
- Identifier les candidats (contenus et utilisateurs) via les données d’usage croisées avec l’inventaire, la criticité déclarée et l’annuaire RH actif.
- Valider avec les propriétaires métier avant toute action : une communication préalable évite les mauvaises surprises et renforce l’adhésion au processus.
- Archiver plutôt que supprimer immédiatement, en conservant une copie accessible pendant une période de sécurité raisonnable (par exemple trois à six mois).
- Purger définitivement après cette période de rétention, une fois confirmé qu’aucune réclamation n’a été formulée.
- Répéter le cycle trimestriellement ou semestriellement, car de nouveaux doublons, rapports obsolètes et utilisateurs inactifs apparaissent en continu.
Le nettoyage ne doit donc jamais être traité comme un projet ponctuel isolé, mais comme un processus récurrent intégré à la gouvernance courante de l’environnement Power BI.
Au-delà du nettoyage : optimiser les rafraîchissements
Réduire les coûts ne passe pas uniquement par la suppression d’artefacts inutiles. Ajuster la fréquence de rafraîchissement des modèles sémantiques actifs à leur besoin réel (un rapport consulté chaque semaine n’a pas besoin d’un rafraîchissement toutes les heures) constitue un levier d’optimisation complémentaire, souvent négligé faute de visibilité consolidée sur l’ensemble des plannings de rafraîchissement configurés.
Questions fréquentes
Quelle période d’usage observer avant de décider une suppression ?
Un minimum de six mois est généralement recommandé, pour couvrir un cycle trimestriel complet et éviter de supprimer un rapport à usage saisonnier ou lié à une clôture périodique.
Comment éviter la résistance des équipes métier lors du nettoyage ?
La transparence est essentielle : communiquer la liste des candidats à l’archivage en amont, laisser un délai de réaction raisonnable aux propriétaires identifiés, et privilégier l’archivage réversible plutôt que la suppression immédiate et définitive.
La réduction du nombre de rapports diminue-t-elle automatiquement la facture ?
Pas entièrement dans l’immédiat. Le gain en temps humain et en traitements est rapide, mais les licences doivent être activement réaffectées ou non renouvelées, et le coût d’une capacité reste fixe tant qu’elle n’est pas redimensionnée. Un environnement rationalisé permet, à terme, de revoir ces postes à la baisse ou d’accueillir de nouveaux projets sans coûts supplémentaires.
Ce nettoyage s’appuie directement sur « Analyse d’usage Power BI » pour la donnée d’usage, et sur « Inventaire Power BI » pour la liste exhaustive des artefacts à évaluer.
