Power BI AI-Funktionen: Copilot, AutoML und Predictive Analytics

Power BI hat sich von einem Visualisierungstool zu einer KI-gestützten Analyseplattform entwickelt. In den letzten drei Jahren hat Microsoft künstliche Intelligenz in die gesamte Power BI-Erfahrung integriert – von der Erstellung von Berichten in natürlicher Sprache mit Copilot über automatisiertes maschinelles Lernen für Vorhersagen bis hin zur Anomalieerkennung, die Sie benachrichtigt, wenn sich Ihre Daten unerwartet verhalten. Bei diesen Funktionen handelt es sich nicht mehr um experimentelle Vorschauen. Dabei handelt es sich um produktionsreife Funktionen, die die Art und Weise, wie Geschäftsanwender mit Daten interagieren, grundlegend verändern.

Die Herausforderung besteht nicht darin, ob diese KI-Funktionen funktionieren – sie funktionieren, und zwar für die meisten Anwendungsfälle bemerkenswert gut. Die Herausforderung besteht darin, zu verstehen, welche Funktionen auf welcher Lizenzstufe verfügbar sind, wie Sie sie für Ihre Datenumgebung konfigurieren und wie Sie Benutzer darin schulen, sie effektiv zu nutzen. Dieser Leitfaden deckt alle wichtigen KI-Funktionen in Power BI ab, mit praktischen Implementierungsanleitungen, Lizenzierungsanforderungen und ehrlichen Einschätzungen, wo die einzelnen Funktionen herausragen und wo sie mangelhaft sind.

Wenn Sie eine KI-gestützte Analysestrategie auf Power BI entwickeln, erkunden Sie unsere [Power BI KI- und Analysedienste] (/services/powerbi/ai-analytics) für Implementierungsunterstützung und Best Practices.

Wichtige Erkenntnisse

– Copilot für Power BI generiert Berichte, DAX-Maßnahmen und narrative Zusammenfassungen aus Eingabeaufforderungen in natürlicher Sprache – es erfordert Fabric F64+ oder Premium P1+ Kapazität – AutoML in Power BI ermöglicht Klassifizierungs-, Regressions- und Prognosemodelle ohne das Schreiben von Code, zugänglich über Datenflüsse in Premium-/Fabric-Arbeitsbereichen – Die Anomalieerkennung markiert automatisch unerwartete Datenpunkte in Zeitreihenvisualisierungen und liefert Erklärungen zu den Grundursachen – Key Influencers Visual verwendet KI, um zu identifizieren, welche Faktoren eine Kennzahl nach oben oder unten treiben, und ersetzt so wochenlange manuelle Analysen – Smart Narratives generieren dynamische, kontextbezogene Textzusammenfassungen von Bildern, die bei Datenänderungen aktualisiert werden

• Fragen und Antworten (Abfragen in natürlicher Sprache) können durch die richtige Synonymkonfiguration und die Einrichtung des Sprachschemas erheblich verbessert werden – Die meisten KI-Funktionen erfordern Premium pro Benutzer (20 USD/Benutzer/Monat), Premium-Kapazität oder Fabric-Kapazität – Pro-Lizenzen schließen erweiterte KI aus

---

Copilot für Power BI

Was Copilot tun kann

Copilot für Power BI bringt Funktionen für große Sprachmodelle direkt in die Berichtserstellung und -nutzung ein. Es handelt sich nicht um einen an Power BI angeschraubten Chatbot – er ist in den Kernworkflow integriert und versteht Ihr Datenmodell, Ihre Beziehungen und Kennzahlen.

Berichterstellung:

Copilot kann vollständige Berichtsseiten aus Eingabeaufforderungen in natürlicher Sprache generieren. Eine Eingabeaufforderung wie „Erstellen Sie ein Vertriebsleistungs-Dashboard mit Umsatz nach Region, monatlichen Trends und Top-10-Produkten“ erzeugt eine multivisuelle Seite mit geeigneten Diagrammtypen, konfigurierten Filtern und angemessener Formatierung. Der generierte Bericht ist ein Ausgangspunkt, kein fertiges Produkt – aber er beseitigt das Problem der leeren Seiten und führt Benutzer in Sekunden statt Stunden zu einem funktionsfähigen Entwurf.

DAX-Generation:

Copilot schreibt DAX-Kennzahlen aus Beschreibungen in natürlicher Sprache. „Umsatzwachstum im Jahresvergleich in Prozent berechnen“ erstellt mithilfe geeigneter Zeitintelligenzfunktionen eine Kennzahl. Für komplexe Geschäftslogik kann Copilot mehrstufige Kennzahlen mit Variablen generieren, Randfälle (Division durch Null, fehlende Punkte) verarbeiten und die Logik in Kommentaren erläutern.

Die Qualität des generierten DAX reicht von hervorragend (einfache Aggregationen und Zeitintelligenz) bis hin zur Notwendigkeit einer manuellen Verfeinerung (komplexe Tabellenberechnungen mit mehreren Fakten und mehrdeutiger Geschäftslogik). Für die 80 % des DAX, die gemeinsamen Mustern folgen, ist Copilot bemerkenswert genau. Für die 20 %, die umfassende Fachkenntnisse erfordern, bietet es einen soliden Ausgangspunkt, den ein erfahrener Analyst verfeinern kann.

Narrative Zusammenfassungen:

Copilot generiert dynamische Textzusammenfassungen der Berichtsseiten und erklärt in einfacher Sprache, was die Daten anzeigen. „Der Umsatz stieg im Jahresvergleich um 12 %, was vor allem auf die Region Nord zurückzuführen ist, die um 23 % zulegte. Die Region Süd ging um 4 % zurück, was größtenteils auf einen Rückgang der Produktkategorie X um 15 % im dritten Quartal zurückzuführen ist.“ Diese Narrative werden automatisch aktualisiert, wenn sich die Filter ändern, und bieten Führungskräften KI-generierte Briefings, die auf ihre spezifische Sicht auf die Daten zugeschnitten sind.

Datenexploration:

Benutzer können Copilot in natürlicher Sprache Fragen zu ihren Daten stellen: „Was hat den Umsatzrückgang im März verursacht?“ oder „Welche Kundensegmente wachsen am schnellsten?“ Copilot analysiert die zugrunde liegenden Daten und liefert Antworten mit unterstützenden Visualisierungen. Dies ist eine bedeutende Weiterentwicklung über die visuelle Frage-und-Antwort-Antwort hinaus, da Copilot den Kontext versteht, mehrstufige Analysen durchführen und seine Argumentation erklären kann.

Copilot-Einschränkungen

Copilot ist mächtig, aber nicht allwissend. Das Verständnis seiner Grenzen verhindert Enttäuschungen und Missbrauch:

• Die Qualität des Datenmodells ist wichtig. Copilot funktioniert am besten mit gut gestalteten Sternschemata mit klaren, beschreibenden Tabellen- und Spaltennamen. Ein Modell mit den Spalten „col1“, „dim_val_3“ und „amt_usd_net“ führt zu schlechteren Ergebnissen als eines mit „Kundenname“, „Produktkategorie“ und „Nettoumsatz USD“.

• Komplexe Geschäftslogik erfordert Anleitung. Copilot kennt die spezifischen Geschäftsregeln Ihres Unternehmens nicht, es sei denn, sie sind im Modell kodiert. Wenn „aktiver Kunde“ bedeutet, dass er „in den letzten 90 Tagen eine Bestellung ohne Rücksendungen aufgegeben“ hat, müssen Sie Copilot dies explizit mitteilen oder es als eine Kennzahl kodieren, auf die sich Copilot beziehen kann.

• Vertraulichkeitsaspekte. Copilot sendet Datenmodell-Metadaten (Tabellennamen, Spaltennamen, Maßdefinitionen, Beispielwerte) zur Verarbeitung an Azure OpenAI. Die Daten werden innerhalb Ihrer Microsoft 365-Konformitätsgrenzen verarbeitet und nicht zum Trainieren von Modellen verwendet. Organisationen mit extremer Datensensibilität sollten jedoch die Datenverarbeitungsdokumentation von Microsoft Copilot lesen.

• Halluzinationsrisiko. Wie alle LLM-basierten Funktionen kann Copilot plausibel klingende, aber falsche DAX- oder irreführende narrative Aussagen generieren. Validieren Sie generierte Inhalte immer anhand bekannter Datenpunkte, bevor Sie sie mit Stakeholdern teilen.

Copilot-Lizenzanforderungen

Copilot für Power BI erfordert eine der folgenden Voraussetzungen:

Copilot ist bei einer reinen Pro-Lizenz ohne Premium-/Fabric-Kapazität nicht verfügbar. Dies ist die häufigste Ursache für Verwirrung in Organisationen, die KI-Funktionen bewerten.

---

AutoML: Automatisiertes maschinelles Lernen

Was AutoML ermöglicht

Power BI AutoML ermöglicht es Geschäftsanalysten, Modelle für maschinelles Lernen zu erstellen, zu trainieren und anzuwenden, ohne Code schreiben oder ML-Frameworks verstehen zu müssen. Modelle werden auf Ihren Daten innerhalb von Power BI-Datenflüssen trainiert und können auf neue Daten angewendet werden, sobald sie eintreffen.

Unterstützte Modelltypen:

Erstellen eines AutoML-Modells

Schritt 1: Trainingsdaten in einem Datenfluss vorbereiten.

AutoML-Modelle werden auf Daten in Power BI-Datenflüssen trainiert (nicht auf Datensätzen oder Berichten). Erstellen Sie eine Datenflussentität, die Ihre historischen Daten mit der Ergebnisvariablen, die Sie vorhersagen möchten, und den Merkmalen (Eingabevariablen) enthält, die sie beeinflussen könnten.

Für ein Kundenabwanderungsvorhersagemodell könnte die Entität Folgendes umfassen:

Schritt 2: Konfigurieren Sie das ML-Modell.

Wählen Sie im Datenflusseditor „ML-Modell anwenden“ und wählen Sie Ihre Zielspalte aus. Power BI erkennt automatisch den geeigneten Modelltyp basierend auf dem Datentyp der Zielvariablen (Boolescher Wert löst binäre Klassifizierung aus, numerischer Wert löst Regression aus).

Trainingsoptionen konfigurieren:

• Trainingsdauer (5 Minuten bis mehrere Stunden – längeres Training erforscht mehr Modellarchitekturen)
• Funktionsauswahl (AutoML auswählen lassen oder manuell festlegen)
• Aufteilung der Validierung (normalerweise 80 % Schulung, 20 % Validierung)

Schritt 3: Trainieren und bewerten.

AutoML trainiert mehrere Modellarchitekturen (Entscheidungsbäume, Gradient Boosting, neuronale Netze) und wählt die beste Leistung aus. Nach dem Training bietet es:

• Modellgenauigkeitsmetriken: AUC-ROC für die Klassifizierung, RMSE für die Regression, MAPE für die Prognose
• Merkmalsbedeutung: Welche Eingabevariablen hatten den größten Einfluss auf Vorhersagen?
• Verwirrungsmatrix: Für Klassifizierungsmodelle, die wahre/falsche positive und negative Ergebnisse anzeigen
• Schulungsbericht: Detaillierte Dokumentation des Modellauswahlprozesses

Schritt 4: Vorhersagen anwenden.

Nach dem Training kann das Modell auf neue Daten angewendet werden, die über den Datenfluss eingehen. Jede neue Zeile erhält eine Vorhersage (Klassifizierungsbezeichnung oder numerische Vorhersage) und einen Konfidenzwert. Diese Vorhersagen fließen in Ihre Power BI-Datensätze ein und können in Berichten visualisiert werden.

Best Practices für AutoML

Datenqualität ist von größter Bedeutung. AutoML kann schlechte Daten nicht kompensieren. Stellen Sie sicher, dass Ihre Trainingsdaten sauber sind, über ausreichend Volumen verfügen (mindestens 100 Zeilen, idealerweise 1.000+) und repräsentativ für die Szenarien sind, die Sie vorhersagen möchten. Fehlende Werte, Ausreißer und Klassenungleichgewichte beeinträchtigen die Modellleistung.

Feature-Engineering ist wichtig. Rohdaten müssen vor dem Training oft transformiert werden. Erstellen Sie abgeleitete Funktionen wie „Tage seit dem letzten Kauf“, „Durchschnittlicher Bestellwert über 6 Monate“ oder „Häufigkeit von Support-Tickets“, die aussagekräftige Muster erfassen. AutoML kann Beziehungen in Rohdaten erkennen, aber vorgefertigte Funktionen verbessern die Genauigkeit erheblich.

Überwachen Sie die Modelldrift. Auf historischen Daten trainierte Modelle verschlechtern sich mit der Zeit, wenn sich die Geschäftsbedingungen ändern. Trainieren Sie Modelle vierteljährlich neu (oder wenn die Vorhersagegenauigkeit unter akzeptable Schwellenwerte fällt), um die Relevanz aufrechtzuerhalten. Power BI erkennt Modellabweichungen nicht automatisch – Sie müssen die Vorhersagegenauigkeit proaktiv überwachen.

Verwenden Sie AutoML nicht für Entscheidungen mit hohem Risiko ohne menschliche Überprüfung. AutoML-Modelle sind statistische Vorhersagen, keine deterministischen Regeln. Nutzen Sie Vorhersagen als Input für die Entscheidungsfindung neben menschlichem Urteilsvermögen, insbesondere für Folgeentscheidungen wie Kreditgenehmigung, Einstellung oder medizinische Diagnose.

---

Anomalieerkennung

So funktioniert die Anomalieerkennung

Die Anomalieerkennungsfunktion von Power BI identifiziert automatisch Datenpunkte in Zeitreihenvisualisierungen, die erheblich von den erwarteten Mustern abweichen. Es verwendet ein maschinelles Lernmodell (Spectral Residual-Algorithmus kombiniert mit Convolutional Neural Networks), das auf Ihren historischen Daten trainiert wird, um erwartete Bereiche zu ermitteln, und markiert dann Punkte, die außerhalb dieser Bereiche liegen.

Konfigurationsoptionen:

• Sensitivität: Steuert, wie aggressiv Anomalien gekennzeichnet werden. Eine höhere Empfindlichkeit erkennt mehr Anomalien, erhöht jedoch die Zahl falsch positiver Ergebnisse. Eine geringere Empfindlichkeit zeigt nur extreme Abweichungen an. Der Standardwert ist 80 % (mittlere Empfindlichkeit).
• Erwarteter Bereich: Das im Diagramm angezeigte Konfidenzband. Breitere Bänder bedeuten weniger gemeldete Anomalien. Die Bandbreite wird durch die Empfindlichkeitseinstellung gesteuert.
• Saisonalität: Bei Daten mit saisonalen Mustern (wöchentlich, monatlich, vierteljährlich) kann Power BI Saisonalität automatisch erkennen und berücksichtigen. Sie können den Saisonzeitraum auch manuell festlegen.

Anomalieerkennung aktivieren

Die Anomalieerkennung ist in Liniendiagrammen mit einer Datum-Uhrzeit-Achse verfügbar:

1. Erstellen Sie ein Liniendiagramm mit einem Datums-/Uhrzeitfeld auf der x-Achse und einem numerischen Maß auf der y-Achse.
2. Erweitern Sie im Analysebereich „Anomalien suchen“ und aktivieren Sie die Option.
3. Passen Sie die Empfindlichkeit mit dem Schieberegler an (beginnen Sie mit der Standardeinstellung und optimieren Sie sie basierend auf den Ergebnissen).
4. Konfigurieren Sie optional „Erklären durch“-Felder – Dimensionen, die Power BI verwenden wird, um zu erklären, warum eine Anomalie aufgetreten ist.

Erklärung der Grundursache

Der wertvollste Aspekt der Anomalieerkennung besteht nicht darin, Anomalien zu kennzeichnen, sondern sie zu erklären. Wenn ein Benutzer auf eine gekennzeichnete Anomalie klickt, analysiert Power BI die beitragenden Dimensionen und zeigt an, welche Faktoren den unerwarteten Wert verursacht haben.

Wenn beispielsweise der Gesamtumsatz am 15. März als ungewöhnlich niedrig gekennzeichnet ist, könnte die Erklärung lauten:

• „Die Einnahmen aus der Region West lagen 45 % unter den Erwartungen und trugen -120.000 US-Dollar zur Anomalie bei.“
• „Produktkategorie: Elektronik verzeichnete einen Rückgang um 60 % im Vergleich zum erwarteten Bereich“
• „Kundensegment: Unternehmen behielten normales Niveau; KMU-Segment war für die Abweichung verantwortlich“

Diese Erklärungen verwandeln die Anomalieerkennung von „etwas scheint nicht in Ordnung zu sein“ in „Hier ist genau, was passiert ist und wo untersucht werden muss“. Diese Funktion ersetzt stundenlange manuelle Drill-Down-Analysen.

Lizenzierung zur Anomalieerkennung

Die Grundfunktionalität der Anomalieerkennung ist mit Pro-Lizenzen verfügbar. Für die Funktion „Erklären durch“ zur Ursachenanalyse ist Premium pro Benutzer, Premium-Kapazität oder Fabric-Kapazität erforderlich. Bei den meisten praktischen Implementierungen ist die Erklärung der Grundursache der primäre Werttreiber. Planen Sie daher eine Premium- oder PPU-Lizenzierung ein.

---

Wichtige Influencer visuell

Was wichtige Influencer tun

Das Visual „Key Influencers“ nutzt maschinelles Lernen, um zu ermitteln, welche Faktoren in Ihren Daten eine Zielmetrik am stärksten beeinflussen. Es beantwortet Fragen wie „Was bestimmt die Kundenzufriedenheitswerte?“ oder „Welche Faktoren sagen eine hohe Mitarbeiterfluktuation voraus?“ ohne dass Benutzer Daten manuell in Kreuztabellen zusammenfassen oder statistische Analysen durchführen müssen.

Zwei Analysemodi:

Registerkarte „Wichtige Einflussfaktoren“: Zeigt einzelne Faktoren an, sortiert nach ihrem Einfluss auf die Zielmetrik. Jeder Faktor zeigt seinen Koeffizienten (wie stark er das Ziel bewegt) und eine unterstützende Visualisierung. Beispiel: „Wenn die Abteilung Ingenieurwesen ist, erhöht sich der durchschnittliche Mitarbeiterzufriedenheitswert um 0,8 Punkte“ oder „Wenn der Vertragstyp „Monat-zu-Monat“ lautet, erhöht sich die Wahrscheinlichkeit einer Abwanderung um das 3,2-fache.“

Registerkarte „Top-Segmente“: Verwendet Clustering, um Gruppen (Segmente) von Datensätzen zu identifizieren, die gemeinsame Merkmale aufweisen und ähnliche Zielmetrikwerte aufweisen. Beispiel: „Segment 1: Kunden mit einer Laufzeit von mehr als 24 Monaten, 3+ Produkten und Jahresverträgen haben eine Abwanderungsrate von nur 2,1 % (im Vergleich zu 15 % insgesamt).“

Wichtige Einflussfaktoren konfigurieren

Auswahl der Zielmetrik:

Das Ziel kann sein:

• Eine kategorische Spalte („Was beeinflusst, ob ein Geschäft gewonnen oder verloren wird?“)
• Eine numerische Spalte („Was beeinflusst den Kundenzufriedenheitswert?“)
• Eine Kennzahl („Was beeinflusst den Umsatz pro Kunde?“)

Erklärende Faktoren:

Ziehen Sie Spalten, die das Ziel beeinflussen könnten, in das Feld „Erklären durch“. Das Visual verarbeitet automatisch Folgendes:

• Kategoriale Faktoren (vergleicht die Wirkung jeder Kategorie) – Numerische Faktoren (identifiziert Schwellenwerte wie „wenn die monatlichen Ausgaben 500 $ übersteigen“)
• Mehrere Faktoren gleichzeitig (es verwendet logistische Regression oder Entscheidungsbäume, um den Beitrag jedes Faktors zu isolieren)

Best Practices:

• Beziehen Sie 5–15 erklärende Faktoren ein. Bei weniger als 5 wird die Analyse eingeschränkt. Mehr als 15 können zu verrauschten Ergebnissen führen. – Bezeichnerspalten (CustomerID, OrderNumber) ausschließen, die für jede Zeile eindeutige Werte haben.
• Beziehen Sie eine Mischung aus kategorialen und numerischen Faktoren ein, um die aufschlussreichsten Ergebnisse zu erzielen.
• Verwenden Sie Felder mit der entsprechenden Granularität. Wenn Ihr Ziel auf Kundenebene liegt, sollten erklärende Faktoren auch auf Kundenebene (nicht auf Transaktionsebene) liegen.

Praktische Anwendungen

Key Influencers ist mit allen Power BI-Lizenztypen (Pro, PPU, Premium) verfügbar. Es ist eine der am besten zugänglichen KI-Funktionen und oft die erste, die Geschäftsanwendern einen spürbaren Mehrwert bietet.

---

Intelligente Erzählungen

Automatisierte Insight-Generierung

Smart Narratives generiert dynamische Zusammenfassungen Ihrer Daten in natürlicher Sprache, die automatisch aktualisiert werden, wenn sich die Filter ändern. Im Gegensatz zu statischen Textfeldern sind intelligente Erzählungen datengesteuert – sie analysieren die zugrunde liegenden visuellen Elemente und erstellen kontextbezogene Beschreibungen.

Was intelligente Erzählungen bewirken:

• Zusammenfassende Statistiken („Der Gesamtumsatz beträgt 4,2 Mio. US-Dollar, eine Steigerung von 12 % gegenüber dem Vorzeitraum“)
• Trendbeschreibungen („Der Umsatz tendierte in den letzten 6 Monaten nach oben, mit einer durchschnittlichen monatlichen Wachstumsrate von 2,3 %“)
• Vergleichserkenntnisse („Die Region Nord übertrifft alle anderen Regionen und trägt 35 % zum Gesamtumsatz bei“) – Hinweis auf Unregelmäßigkeiten („Der Umsatz im März lag 15 % unter dem 12-Monats-Durchschnitt, was auf einen Rückgang im Enterprise-Segment zurückzuführen ist“)

Intelligente Erzählungen anpassen

Standardmäßige intelligente Erzählungen sind generisch. Um sie wertvoller zu machen, passen Sie sie an:

Spezifische Werte hinzufügen:

Klicken Sie auf „Wert hinzufügen“, um bestimmte Kennzahlen oder Felder einzufügen. Intelligente Erzählungen formatieren diese Werte (Währung, Prozentsatz, Zahl) dynamisch und aktualisieren sie, wenn sich Filter ändern.

Generierten Text bearbeiten:

Der automatisch generierte Text ist ein Ausgangspunkt. Bearbeiten Sie es entsprechend der Terminologie Ihrer Organisation und konzentrieren Sie sich auf die Erkenntnisse, die für Ihr Publikum am wichtigsten sind. Behalten Sie die dynamischen Wertreferenzen bei, während Sie den umgebenden Text anpassen.

Bedingter Text:

Verwenden Sie bedingte Logik, um basierend auf Datenwerten unterschiedlichen Text anzuzeigen. Beispiel: „Der Umsatz liegt [über/unter] dem Zielwert um [Abweichungsbetrag]“, wobei sich die Sprache je nach tatsächlicher Leistung ändert.

Best Practices für intelligente Erzählungen

• Platzieren Sie intelligente Erzählungen oben in den Dashboards für Führungskräfte, um einen unmittelbaren Kontext bereitzustellen
• Beschränken Sie die Erzählung auf 3–5 Sätze pro Bild oder Seite – Prägnanz erhöht die Leserschaft
• Verwenden Sie bedingte Formatierung, um positive Leistungen in Grün und negative in Rot hervorzuheben
• Testen Sie Erzählungen mit verschiedenen Filterkombinationen, um sicherzustellen, dass sie korrekt und aussagekräftig bleiben
• Kombinieren Sie intelligente Erzählungen mit Copilot für umfassendere, kontextbezogenere Zusammenfassungen der Premium-Kapazität

---

Q&A-Optimierung

Das Q&A-Visual

Mithilfe der Q&A-Visuals (Fragen und Antworten) können Benutzer Fragen in natürlicher Sprache eingeben und datengesteuerte Antworten als Visualisierungen erhalten. „Wie hoch war der Gesamtumsatz im letzten Quartal?“ Erzeugt eine visuelle Darstellung der Karte, die den Wert zeigt. „Umsatz nach Region als Balkendiagramm anzeigen“ erzeugt die gewünschte Visualisierung.

Fragen und Antworten sind in Demos täuschend einfach, erfordern jedoch eine umfangreiche Konfiguration, um gut mit realen Daten zu funktionieren. Standardmäßig hat Q&A mit mehrdeutigen Spaltennamen, branchenspezifischer Terminologie und komplexer Geschäftslogik zu kämpfen. Mit der richtigen Optimierung wird es zu einem leistungsstarken Self-Service-Tool.

Linguistische Schemakonfiguration

Das linguistische Schema teilt Fragen und Antworten mit, wie Ihr Datenmodell auf Konzepte in natürlicher Sprache abgebildet wird. Es handelt sich um die wirkungsvollste Konfiguration für die Q&A-Qualität.

Synonyme:

Definieren Sie alternative Begriffe für Tabellen, Spalten und Werte:

Phrasierungen:

Definieren Sie, wie Beziehungen zwischen Tabellen in natürlicher Sprache ausgedrückt werden sollen:

• „Kunden kaufen Produkte“ (Attributformulierung, die Kunden über Bestellungen mit Produkten verknüpft)
• „Bestellungen haben ein Versanddatum“ (Attributformulierung)
• „Umsatz gilt für eine Region“ (Namensformulierung, die Kennzahl mit Dimension verknüpft)

Vorgeschlagene Fragen:

Stellen Sie Beispielfragen bereit, die zeigen, was Benutzer stellen können. Diese erscheinen als Vorschläge, wenn der Benutzer auf das Q&A-Visual klickt, und zeigen den Benutzern, welche Arten von Fragen das System gut verarbeiten kann.

Q&A-Konfigurationscheckliste

1. Benennen Sie alle Tabellen und Spalten in geschäftsfreundliche Namen um (keine Abkürzungen, keine Unterstriche).
2. Fügen Sie Synonyme für jede Tabelle und Spalte hinzu (jeweils mindestens 2–3 Synonyme).
3. Konfigurieren Sie Formulierungen für Schlüsselbeziehungen
4. Fügen Sie 10–15 vorgeschlagene Fragen hinzu, die gängige Analyseszenarien abdecken
5. Testen Sie mit 20–30 echten Fragen von Geschäftsanwendern und verfeinern Sie sie anhand der Ergebnisse
6. Überprüfen Sie monatlich das Q&A-Schulungsprotokoll (Power BI verfolgt Fragen, die nicht beantwortet werden konnten) und ergänzen Sie fehlende Synonyme oder Formulierungen
7. Bieten Sie Benutzern Schulungen zur effektiven Formulierung von Fragen an

Q&A-Lizenzierung

Das Q&A-Visual ist für alle Lizenztypen verfügbar. Erweiterte Q&A-Funktionen (vorgeschlagene Fragen, Sprachschema) sind in Power BI Desktop unabhängig von der Lizenz verfügbar. Für Fragen und Antworten im Power BI-Dienst ist Pro oder PPU erforderlich. Für Copilot-erweiterte Fragen und Antworten (Konversation, Multiturn) ist Premium- oder Fabric-Kapazität erforderlich.

---

Zusammenfassung der Lizenzanforderungen

AI-Funktionsverfügbarkeit nach Lizenz

Kostengünstige KI-Lizenzierungsstrategie

Für Unternehmen, die KI-Funktionen nutzen möchten, ohne sich auf die volle Premium-Kapazität festzulegen:

Phase 1: Beginnen Sie mit Pro. Stellen Sie wichtige Einflussfaktoren, Fragen und Antworten, grundlegende Anomalieerkennung, intelligente Erzählungen und Prognosevisualisierungen bereit. Diese Funktionen sind für 10 $/Benutzer/Monat erhältlich und bieten einen erheblichen analytischen Wert.

Phase 2: Upgrade von Power-Usern auf PPU. Für Analysten, die AutoML und erweiterte Anomalieerkennung benötigen, ist PPU mit 20 $/Benutzer/Monat deutlich günstiger als die Premium-Kapazität. Ein Team aus 20 PPU-Analysten kostet 400 $/Monat gegenüber 5.000 $+/Monat für die niedrigste Premium-Kapazität.

Phase 3: Fabric-Kapazität für Copilot hinzufügen. Wenn die Organisation für Copilot und erweiterte KI bereit ist, stellen Sie Fabric F64-Kapazität bereit. Dadurch wird Copilot für alle Benutzer mit Pro- oder PPU-Lizenzen aktiviert, die auf Inhalte in Fabric-Arbeitsbereichen zugreifen.

Mit diesem stufenweisen Ansatz können Unternehmen schrittweise KI-Funktionen aufbauen und in jeder Phase den ROI nachweisen, bevor sie größere Investitionen tätigen. ECOSIRE bietet KI-Analyse-Implementierungsdienste an, um Organisationen bei der Planung und Durchführung dieses Fortschritts zu unterstützen.

---

Praktische KI-Implementierungsmuster

Muster 1: Anomaliewarnungen für Führungskräfte

Kombinieren Sie die Anomalieerkennung mit Power Automate, um automatisierte Benachrichtigungen für Führungskräfte zu erstellen:

1. Erstellen Sie ein Dashboard mit aktivierter Anomalieerkennung für wichtige Kennzahlen (Umsatz, Bestellungen, Konversionsrate).
2. Erstellen Sie einen Power Automate-Flow, der durch eine datengesteuerte Warnung auf dem Anomalieerkennungsvisual ausgelöst wird.
3. Wenn eine Anomalie erkannt wird, sendet der Flow eine Teams-Nachricht oder E-Mail mit den Anomaliedetails und der Erklärung der Grundursache an das Führungsteam.
4. Die Führungskraft klickt auf einen Link zum Live-Dashboard zur weiteren Untersuchung.

Dieses Muster ersetzt manuelle morgendliche Datenüberprüfungen durch automatisierte, ausnahmebasierte Benachrichtigungen. Führungskräfte sehen Informationen nur dann, wenn etwas Aufmerksamkeit erfordert.

Muster 2: Vertriebsprognose-Pipeline

Verwenden Sie AutoML, um ein Deal-Scoring-Modell zu erstellen:

1. Erstellen Sie einen Datenfluss mit historischen Geschäftsdaten (gewonnene und verlorene Geschäfte mit Merkmalen).
2. Trainieren Sie ein binäres Klassifizierungsmodell, das Gewonnen vs. verloren vorhersagt.
3. Wenden Sie das Modell auf aktuelle Pipeline-Deals an und bewerten Sie jeden mit einer Gewinnwahrscheinlichkeit.
4. Visualisieren Sie Vorhersagen in einem Vertriebs-Dashboard neben herkömmlichen Pipeline-Metriken.
5. Vertriebsleiter nutzen Vorhersagewerte, um Geschäfte zu priorisieren und Ressourcen zuzuweisen.
6. Trainieren Sie das Modell vierteljährlich mit neuen Daten zu abgeschlossenen Geschäften neu, um die Genauigkeit zu gewährleisten.

Muster 3: Natural Language Analytics-Portal

Erstellen Sie mit Q&A und Copilot ein Self-Service-Analyseportal:

1. Optimieren Sie das Sprachschema für Ihre Top-5-10-Datensätze.
2. Erstellen Sie in Ihrer Power BI-Hauptanwendung eine eigene „Analytics Q&A“-Seite.
3. Schulen Sie Benutzer anhand von Beispielen und vorgeschlagenen Fragen in der effektiven Frageformulierung.
4. Überwachen Sie monatlich unbeantwortete Fragen und verbessern Sie das Sprachschema anhand von Lücken.
5. Aktivieren Sie für Premium-/Fabric-Umgebungen Copilot für die gesprächige Erkundung in mehreren Runden.

Dieses Muster reduziert Ad-hoc-Berichtsanfragen um 40–60 %, indem es Benutzern die Möglichkeit gibt, ihre eigenen Fragen zu beantworten, ohne Berichte zu erstellen.

---

FAQ

Sendet Copilot für Power BI meine Daten an OpenAI?

Copilot verarbeitet Daten über den Azure OpenAI Service innerhalb Ihrer Microsoft 365-Konformitätsgrenzen. Metadaten des Datenmodells (Tabellennamen, Spaltennamen, Maßdefinitionen und Beispielwerte) werden zur Verarbeitung gesendet, die Daten werden jedoch nicht von Azure OpenAI gespeichert oder zum Trainieren von Modellen verwendet. Ihre Daten bleiben innerhalb des Sicherheitsbereichs des Unternehmens von Microsoft und unterliegen denselben Compliance-Zertifizierungen wie der Rest von Microsoft 365. Organisationen mit extremer Datensensibilität sollten die Microsoft Copilot-Datenschutzdokumentation auf detaillierte Datenflussdiagramme und Aufenthaltsgarantien prüfen.

Wie genau sind AutoML-Vorhersagen in Power BI?

Die Genauigkeit hängt vollständig von der Qualität Ihrer Daten, Ihrem Datenvolumen und der Vorhersagbarkeit des von Ihnen modellierten Ergebnisses ab. Bei klar definierten Geschäftsproblemen mit sauberen historischen Daten (mehr als 1.000 Trainingszeilen, klare Ergebnisvariable, relevante Funktionen) erreicht AutoML typischerweise eine Genauigkeit von 75–90 % für die Klassifizierung und einen angemessenen RMSE für die Regression. Bei weniger strukturierten Problemen oder verrauschten Daten kann die Genauigkeit 60–75 % betragen. AutoML stellt nach dem Training Genauigkeitsmetriken bereit – werten Sie diese immer aus, bevor Sie Vorhersagen in der Produktion bereitstellen. Wenn die Genauigkeit unter Ihrem Schwellenwert liegt, liegt die Lösung in der Regel in besseren Daten oder Feature-Engineering und nicht in einem anderen Tool.

Kann ich Power BI AI-Funktionen mit DirectQuery-Datensätzen verwenden?

Die meisten KI-Funktionen erfordern Datensätze im Importmodus, da die KI-Algorithmen den gesamten Datensatz scannen und verarbeiten müssen, was über DirectQuery-Verbindungen nicht leistungsfähig ist. Anomalieerkennung, Key Influencer und Smart Narratives funktionieren nur im Importmodus. Fragen und Antworten funktionieren mit DirectQuery, sind jedoch möglicherweise langsamer. AutoML erfordert Datenflüsse (die den Importmodus verwenden). Copilot kann für einige Funktionen mit DirectQuery-Datensätzen arbeiten, ist jedoch im Importmodus am effektivsten. Für Datensätze, die DirectQuery für die Aktualität verwenden müssen, sollten Sie einen hybriden Ansatz in Betracht ziehen: Verwenden Sie DirectQuery für Echtzeit-Betriebsvisualisierungen und einen separaten Importmodus-Datensatz für KI-gestützte Analysen.

Welches Datenvolumen ist mindestens erforderlich, damit KI-Funktionen gut funktionieren?

Die Anforderungen variieren je nach Funktion. Für die Anomalieerkennung sind mindestens 12 Datenpunkte in der Zeitreihe (idealerweise 50+) erforderlich, um eine zuverlässige Basislinie zu erstellen. Für „Key Influencers“ sind mindestens 100 Zeilen pro zu analysierender Kategorie erforderlich. AutoML benötigt mindestens 100 Trainingszeilen, schneidet aber mit 1.000+ deutlich besser ab. Q&A und Smart Narratives funktionieren mit jedem Datenvolumen. Copilot funktioniert mit jedem Datenvolumen, bietet aber bessere Einblicke mit mehr Datenkontext. Wenn Ihr Datensatz weniger als 1.000 Zeilen umfasst, funktionieren die KI-Funktionen im Allgemeinen, liefern jedoch möglicherweise keine statistisch signifikanten Erkenntnisse.

Wie kann ich mit Power BI AI beginnen, wenn ich nur Pro-Lizenzen habe?

Beginnen Sie mit den auf Pro verfügbaren KI-Funktionen: Q&A-Visual (Optimierung des Sprachschemas für Ihre wichtigsten Datensätze), Key Influencers (Identifizieren Sie, was Ihre wichtigsten Kennzahlen antreibt), grundlegende Anomalieerkennung (Überwachen von Zeitreihen auf unerwartete Änderungen), Smart Narratives (Hinzufügen automatisierter Zusammenfassungen zu Führungs-Dashboards) und das Forecast-Visual (Projektzeitreihentrends). Diese Funktionen bieten einen erheblichen Mehrwert ohne zusätzliche Lizenzkosten. Sobald Sie den ROI nachgewiesen haben, erstellen Sie ein Geschäftsszenario für PPU oder Premium/Fabric, um AutoML, erweiterte Anomalieerkennung und Copilot freizuschalten.