Funciones de IA de Power BI: Copilot, AutoML y análisis predictivo

Power BI ha evolucionado de una herramienta de visualización a una plataforma de análisis aumentada por IA. Durante los últimos tres años, Microsoft ha incorporado inteligencia artificial en toda la experiencia de Power BI, desde la creación de informes en lenguaje natural con Copilot hasta el aprendizaje automático automatizado para predicciones y detección de anomalías que le alerta cuando sus datos se comportan de forma inesperada. Estas funciones ya no son vistas previas experimentales. Son capacidades listas para producción que cambian fundamentalmente la forma en que los usuarios empresariales interactúan con los datos.

El desafío no es si estas funciones de IA funcionan: lo hacen, y notablemente bien en la mayoría de los casos de uso. El desafío es comprender qué funciones están disponibles en cada nivel de licencia, cómo configurarlas para su entorno de datos y cómo capacitar a los usuarios para aprovecharlas de manera efectiva. Esta guía cubre todas las capacidades principales de IA en Power BI, con orientación práctica de implementación, requisitos de licencia y evaluaciones honestas de dónde sobresale cada característica y dónde se queda corta.

Si está creando una estrategia de análisis basada en IA en Power BI, explore nuestros servicios de análisis e inteligencia artificial de Power BI para obtener soporte para la implementación y prácticas recomendadas.

Conclusiones clave

• Copilot para Power BI genera informes, medidas DAX y resúmenes narrativos a partir de indicaciones en lenguaje natural. Requiere capacidad Fabric F64+ o Premium P1+.
• AutoML en Power BI permite modelos de clasificación, regresión y pronóstico sin escribir código, accesibles a través de flujos de datos en espacios de trabajo Premium/Fabric
• La detección de anomalías señala automáticamente puntos de datos inesperados en imágenes de series temporales y proporciona explicaciones de la causa raíz.
• El elemento visual Key Influencers utiliza IA para identificar qué factores impulsan una métrica hacia arriba o hacia abajo, reemplazando semanas de análisis manual.
• Las narrativas inteligentes generan resúmenes de texto dinámicos y contextuales de elementos visuales que se actualizan con los cambios de datos.
• Las preguntas y respuestas (consultas en lenguaje natural) se pueden mejorar drásticamente con la configuración de sinónimos y el esquema lingüístico adecuados.
• La mayoría de las funciones de IA requieren Premium por usuario ($20/usuario/mes), capacidad Premium o capacidad de Fabric. Las licencias Pro excluyen la IA avanzada.

---

Copiloto para Power BI

¿Qué puede hacer el copiloto?

Copilot para Power BI aporta capacidades de modelos de lenguaje de gran tamaño directamente a la experiencia de creación y consumo de informes. No es un chatbot incorporado al costado de Power BI: está integrado en el flujo de trabajo principal y comprende su modelo de datos, relaciones y medidas.

Creación de informe:

Copilot puede generar páginas de informes completas a partir de indicaciones en lenguaje natural. Un mensaje como "crear un panel de rendimiento de ventas que muestre los ingresos por región, las tendencias mensuales y los 10 productos principales" produce una página multivisual con tipos de gráficos adecuados, filtros configurados y un formato razonable. El informe generado es un punto de partida, no un producto terminado, pero elimina el problema de las páginas en blanco y lleva a los usuarios a un borrador funcional en segundos en lugar de horas.

Generación DAX:

Copilot escribe medidas DAX a partir de descripciones en lenguaje natural. "Calcular el crecimiento de los ingresos año tras año como porcentaje" produce una medida que utiliza funciones de inteligencia de tiempo apropiadas. Para una lógica empresarial compleja, Copilot puede generar medidas de varios pasos con variables, manejar casos extremos (división por cero, períodos faltantes) y explicar la lógica en comentarios.

La calidad del DAX generado varía desde excelente (agregaciones sencillas e inteligencia de tiempo) hasta requerir refinamiento manual (cálculos complejos de tablas de múltiples hechos con lógica de negocios ambigua). Para el 80% del DAX que sigue patrones comunes, Copilot es notablemente preciso. Para el 20% que requiere un conocimiento profundo del dominio, proporciona un punto de partida sólido que un analista experimentado puede perfeccionar.

Resúmenes narrativos:

Copilot genera resúmenes de texto dinámicos de las páginas de informes, explicando lo que muestran los datos en un lenguaje sencillo. "Los ingresos aumentaron un 12 % año tras año, impulsados ​​principalmente por la región Norte, que creció un 23 %. La región Sur disminuyó un 4 %, en gran parte debido a una caída del 15 % en la Categoría de Producto X durante el tercer trimestre". Estas narrativas se actualizan automáticamente a medida que cambian los filtros, proporcionando a los ejecutivos informes generados por IA adaptados a su visión específica de los datos.

Exploración de datos:

Los usuarios pueden hacer preguntas a Copilot sobre sus datos en lenguaje natural: "¿Qué causó la caída de ingresos en marzo?" o "¿Qué segmentos de clientes están creciendo más rápido?" Copilot analiza los datos subyacentes y proporciona respuestas con visualizaciones de apoyo. Esta es una evolución significativa más allá de la imagen de preguntas y respuestas porque Copilot comprende el contexto, puede realizar análisis de varios pasos y explica su razonamiento.

Limitaciones del copiloto

Copiloto es poderoso pero no omnisciente. Comprender sus limitaciones evita decepciones y usos indebidos:

• La calidad del modelo de datos importa. Copilot funciona mejor con esquemas en estrella bien diseñados que utilizan nombres de columnas y tablas claros y descriptivos. Un modelo con columnas denominadas "col1", "dim_val_3" y "amt_usd_net" producirá peores resultados que uno con "Nombre del cliente", "Categoría de producto" e "Ingresos netos en USD".

• La lógica empresarial compleja requiere orientación. Copilot no conoce las reglas empresariales específicas de su organización a menos que estén codificadas en el modelo. Si "cliente activo" significa "realizó un pedido en los últimos 90 días sin incluir devoluciones", debe comunicárselo a Copilot explícitamente o codificarlo como una medida a la que Copilot pueda hacer referencia.

• Consideraciones de confidencialidad. Copilot envía metadatos del modelo de datos (nombres de tablas, nombres de columnas, definiciones de medidas, valores de muestra) a Azure OpenAI para su procesamiento. Los datos se procesan dentro de los límites de cumplimiento de Microsoft 365 y no se usan para entrenar modelos, pero las organizaciones con extrema sensibilidad de datos deben revisar la documentación de procesamiento de datos Copilot de Microsoft.

• Riesgo de alucinaciones. Como todas las funciones basadas en LLM, Copilot puede generar DAX que suene plausible pero incorrecto o declaraciones narrativas engañosas. Valide siempre el contenido generado con puntos de datos conocidos antes de compartirlo con las partes interesadas.

Requisitos de licencia de copiloto

Copilot para Power BI requiere uno de los siguientes:

Copilot no está disponible con licencia solo Pro sin capacidad Premium/Fabric. Esta es la fuente de confusión más común en las organizaciones que evalúan funciones de IA.

---

AutoML: aprendizaje automático automatizado

Qué permite AutoML

Power BI AutoML permite a los analistas de negocios crear, entrenar y aplicar modelos de aprendizaje automático sin escribir código ni comprender marcos de aprendizaje automático. Los modelos se entrenan con sus datos dentro de los flujos de datos de Power BI y se pueden aplicar a los datos nuevos a medida que llegan.

Tipos de modelos admitidos:

Construyendo un modelo de AutoML

Paso 1: preparar los datos de entrenamiento en un flujo de datos.

Los modelos de AutoML se entrenan con datos dentro de flujos de datos de Power BI (no con conjuntos de datos ni informes). Cree una entidad de flujo de datos que contenga sus datos históricos con la variable de resultado que desea predecir y las características (variables de entrada) que podrían influir en ella.

Para un modelo de predicción de pérdida de clientes, la entidad podría incluir:

Paso 2: Configurar el modelo ML.

En el editor de flujo de datos, seleccione "Aplicar modelo ML" y elija su columna de destino. Power BI detecta automáticamente el tipo de modelo adecuado en función del tipo de datos de la variable de destino (booleano desencadena clasificación binaria, numérico desencadena regresión).

Configurar opciones de entrenamiento:

• Duración de la capacitación (de 5 minutos a varias horas; la capacitación más prolongada explora más arquitecturas de modelos)
• Selección de funciones (deje que AutoML elija o especifique manualmente)
• División de validación (normalmente 80 % de formación, 20 % de validación)

Paso 3: Capacitar y evaluar.

AutoML entrena múltiples arquitecturas de modelos (árboles de decisión, aumento de gradiente, redes neuronales) y selecciona el que tiene mejor desempeño. Después del entrenamiento, proporciona:

• Métricas de precisión del modelo: AUC-ROC para clasificación, RMSE para regresión, MAPE para pronóstico
• Importancia de la característica: Qué variables de entrada tuvieron la mayor influencia en las predicciones
• Matriz de confusión: Para modelos de clasificación, que muestran verdaderos/falsos positivos y negativos.
• Informe de formación: Documentación detallada del proceso de selección de modelo

Paso 4: Aplicar predicciones.

Una vez entrenado, el modelo se puede aplicar a nuevos datos que lleguen a través del flujo de datos. Cada nueva fila recibe una predicción (etiqueta de clasificación o pronóstico numérico) y una puntuación de confianza. Estas predicciones fluyen hacia sus conjuntos de datos de Power BI y se pueden visualizar en informes.

Mejores prácticas de AutoML

La calidad de los datos es primordial. AutoML no puede compensar los datos deficientes. Asegúrese de que sus datos de entrenamiento estén limpios, tengan un volumen suficiente (mínimo 100 filas, idealmente más de 1000) y sean representativos de los escenarios que desea predecir. Los valores faltantes, los valores atípicos y el desequilibrio de clases degradan el rendimiento del modelo.

La ingeniería de funciones importa. Los datos sin procesar a menudo necesitan una transformación antes de capacitarse. Cree funciones derivadas como "días desde la última compra", "valor promedio de pedido durante 6 meses" o "frecuencia de tickets de soporte" que capturen patrones significativos. AutoML puede descubrir relaciones en datos sin procesar, pero las funciones prediseñadas mejoran drásticamente la precisión.

Monitorear la deriva del modelo. Los modelos entrenados con datos históricos se degradan con el tiempo a medida que cambian las condiciones comerciales. Vuelva a entrenar los modelos trimestralmente (o cuando la precisión de la predicción caiga por debajo de los umbrales aceptables) para mantener la relevancia. Power BI no detecta automáticamente la desviación del modelo; es necesario monitorear la precisión de la predicción de manera proactiva.

No utilice AutoML para decisiones de alto riesgo sin revisión humana. Los modelos de AutoML son predicciones estadísticas, no reglas deterministas. Utilice las predicciones como un aporte para la toma de decisiones junto con el juicio humano, especialmente para decisiones importantes como la aprobación de crédito, la contratación o el diagnóstico médico.

---

Detección de anomalías

Cómo funciona la detección de anomalías

La función de detección de anomalías de Power BI identifica automáticamente puntos de datos en imágenes de series temporales que se desvían significativamente de los patrones esperados. Utiliza un modelo de aprendizaje automático (algoritmo residual espectral combinado con redes neuronales convolucionales) entrenado en sus datos históricos para establecer rangos esperados y luego marca los puntos que quedan fuera de esos rangos.

Opciones de configuración:

• Sensibilidad: Controla la agresividad con la que se marcan las anomalías. Una mayor sensibilidad detecta más anomalías pero aumenta los falsos positivos. Una sensibilidad más baja sólo señala desviaciones extremas. El valor predeterminado es 80% (sensibilidad media).
• Rango esperado: La banda de confianza que se muestra en el gráfico. Las bandas más anchas significan menos anomalías señalizadas. El ancho de banda está controlado por la configuración de sensibilidad.
• Estacionalidad: Para datos con patrones estacionales (semanal, mensual, trimestral), Power BI puede detectar y contabilizar la estacionalidad automáticamente. También puede especificar el período estacional manualmente.

Habilitación de la detección de anomalías

La detección de anomalías está disponible en gráficos de líneas con un eje de fecha y hora:

1. Cree un gráfico de líneas con un campo de fecha/hora en el eje x y una medida numérica en el eje y.
2. En el panel Análisis, expanda "Buscar anomalías" y actívelo.
3. Ajuste la sensibilidad usando el control deslizante (comience por defecto y ajuste según los resultados).
4. Opcionalmente, configure los campos "Explicar por": dimensiones que Power BI usará para explicar por qué ocurrió una anomalía.

Explicación de la causa raíz

El aspecto más valioso de la detección de anomalías no es señalarlas, sino explicarlas. Cuando un usuario hace clic en una anomalía marcada, Power BI analiza las dimensiones contribuyentes y muestra qué factores impulsaron el valor inesperado.

Por ejemplo, si los ingresos totales del 15 de marzo se marcan como anormalmente bajos, la explicación podría mostrar:

• "Los ingresos de la región Oeste estuvieron un 45% por debajo de lo esperado, contribuyendo con -120.000 dólares a la anomalía"
• "Categoría de producto: Electrónica tuvo una caída del 60% respecto al rango esperado"
• "Segmento de clientes: las empresas mantuvieron niveles normales; el segmento de las PYMES impulsó la desviación"

Estas explicaciones transforman la detección de anomalías de "algo parece estar mal" a "esto es específicamente lo que sucedió y dónde investigar". Esta capacidad reemplaza horas de análisis detallado manual.

Licencias de detección de anomalías

La funcionalidad básica de detección de anomalías está disponible con licencias Pro. La función de análisis de causa raíz "Explicar por" requiere capacidad Premium por usuario, capacidad Premium o capacidad Fabric. Para la mayoría de las implementaciones prácticas, la explicación de la causa raíz es el principal impulsor del valor, por lo que debe planificar una licencia Premium o PPU.

---

Influenciadores clave visuales

Qué hacen los influencers clave

El objeto visual Key Influencers utiliza el aprendizaje automático para identificar qué factores de sus datos influyen más fuertemente en una métrica objetivo. Responde preguntas como "¿qué impulsa las puntuaciones de satisfacción del cliente?" o "¿qué factores predicen una alta rotación de empleados?" sin necesidad de que los usuarios realicen tabulaciones cruzadas de datos manualmente o ejecuten análisis estadísticos.

Dos modos de análisis:

Pestaña Influenciadores clave: Muestra factores individuales clasificados según su influencia en la métrica objetivo. Cada factor muestra su coeficiente (cuánto mueve el objetivo) y una visualización de apoyo. Por ejemplo: "Cuando el departamento es Ingeniería, la puntuación promedio de satisfacción de los empleados aumenta en 0,8 puntos" o "Cuando el tipo de contrato es Mes a mes, la probabilidad de abandono aumenta 3,2 veces".

Pestaña Segmentos principales: Utiliza la agrupación para identificar grupos (segmentos) de registros que comparten características comunes y exhiben valores de métricas objetivo similares. Por ejemplo: "Segmento 1: los clientes con una antigüedad superior a 24 meses, más de 3 productos y contratos anuales tienen una tasa de abandono de sólo el 2,1 % (en comparación con el 15 % en general)".

Configuración de personas influyentes clave

Selección de métricas objetivo:

El objetivo puede ser:

• Una columna categórica ("¿Qué influye en que un trato se gane o se pierda?")
• Una columna numérica ("¿Qué influye en la puntuación de satisfacción del cliente?")
• Una medida ("¿Qué influye en los ingresos por cliente?")

Factores explicativos:

Arrastre las columnas que puedan influir en el objetivo al campo "Explicar por". El objeto visual maneja automáticamente:

• Factores categóricos (compara el efecto de cada categoría)
• Factores numéricos (identifica efectos de umbral como "cuando el gasto mensual supera los $500")
• Múltiples factores simultáneamente (utiliza regresión logística o árboles de decisión para aislar la contribución de cada factor)

Mejores prácticas:

• Incluir entre 5 y 15 factores explicativos. Menos de 5 limita el análisis. Más de 15 pueden producir resultados ruidosos.
• Excluir columnas de identificador (ID de cliente, Número de pedido) que tengan valores únicos para cada fila.
• Incluya una combinación de factores categóricos y numéricos para obtener los resultados más reveladores.
• Utilice campos con la granularidad adecuada. Si su objetivo está en el nivel del cliente, los factores explicativos también deben estar en el nivel del cliente (no en el nivel de la transacción).

Aplicaciones prácticas

Key Influencers está disponible con todos los tipos de licencia de Power BI (Pro, PPU, Premium). Es una de las funciones de IA más accesibles y, a menudo, la primera que ofrece un valor tangible a los usuarios empresariales.

---

Narrativas inteligentes

Generación de conocimientos automatizada

Las narrativas inteligentes generan resúmenes dinámicos y en lenguaje natural de sus datos que se actualizan automáticamente a medida que cambian los filtros. A diferencia de los cuadros de texto estáticos, las narrativas inteligentes se basan en datos: analizan las imágenes subyacentes y producen descripciones contextuales.

Qué producen las narrativas inteligentes:

• Estadísticas resumidas ("Los ingresos totales son de 4,2 millones de dólares, un aumento del 12 % con respecto al período anterior")
• Descripciones de tendencias ("Los ingresos han tenido una tendencia ascendente durante los últimos 6 meses, con una tasa de crecimiento mensual promedio del 2,3%")
• Información comparativa ("La región Norte supera a todas las demás regiones y aporta el 35 % de los ingresos totales")
• Avisos de anomalías ("Los ingresos de marzo estuvieron un 15 % por debajo del promedio de 12 meses, impulsados por una disminución en el segmento empresarial")

Personalización de narrativas inteligentes

Las narrativas inteligentes predeterminadas son genéricas. Para que sean valiosos, personalízalos:

Añadiendo valores específicos:

Haga clic en "Agregar un valor" para insertar medidas o campos específicos. Las narrativas inteligentes dan formato dinámicamente a estos valores (moneda, porcentaje, número) y los actualizan cuando cambian los filtros.

Edición del texto generado:

El texto generado automáticamente es un punto de partida. Edítelo para que coincida con la terminología de su organización y concéntrese en los conocimientos que más le importan a su audiencia. Mantenga intactas las referencias de valores dinámicos mientras ajusta el texto circundante.

Texto condicional:

Utilice lógica condicional para mostrar texto diferente según los valores de los datos. Por ejemplo: "Los ingresos están [por encima/por debajo] del objetivo por [monto de variación]", donde el lenguaje cambia según el rendimiento real.

Mejores prácticas de narrativas inteligentes

• Coloque narrativas inteligentes en la parte superior de los paneles ejecutivos para proporcionar un contexto inmediato.
• Mantenga las narrativas entre 3 y 5 oraciones por imagen o página. La concisión aumenta el número de lectores.
• Utilice formato condicional para resaltar el rendimiento positivo en verde y el negativo en rojo.
• Pruebe narrativas con diferentes combinaciones de filtros para asegurarse de que sigan siendo precisas y significativas.
• Combine narrativas inteligentes con Copilot para obtener resúmenes más ricos y contextuales en la capacidad Premium

---

Optimización de preguntas y respuestas

El visual de preguntas y respuestas

El objeto visual Preguntas y respuestas (Preguntas y respuestas) permite a los usuarios escribir preguntas en lenguaje natural y recibir respuestas basadas en datos como visualizaciones. "¿Cuáles fueron los ingresos totales del último trimestre?" produce una tarjeta visual que muestra el valor. "Mostrar ingresos por región como un gráfico de barras" genera la visualización solicitada.

Las preguntas y respuestas son engañosamente simples en las demostraciones, pero requieren una configuración significativa para funcionar bien con datos del mundo real. Desde el primer momento, Preguntas y respuestas lucha con nombres de columnas ambiguos, terminología específica de la industria y lógica empresarial compleja. Con una optimización adecuada, se convierte en una poderosa herramienta de autoservicio.

Configuración del esquema lingüístico

El esquema lingüístico indica a Preguntas y respuestas cómo se relaciona su modelo de datos con los conceptos del lenguaje natural. Es la configuración más impactante para la calidad de preguntas y respuestas.

Sinónimos:

Defina términos alternativos para tablas, columnas y valores:

frases:

Defina cómo se deben expresar las relaciones entre tablas en lenguaje natural:

• "Los clientes compran productos" (frase de atributo que vincula a los clientes con los productos a través de pedidos)
• "Los pedidos tienen una fecha de envío" (frase de atributo)
• "Los ingresos son para una región" (frase del nombre que vincula la medida con la dimensión)

Preguntas sugeridas:

Proporcione preguntas de ejemplo que demuestren lo que los usuarios pueden preguntar. Estos aparecen como sugerencias cuando el usuario hace clic en el objeto visual de preguntas y respuestas, lo que les enseña a los usuarios los tipos de preguntas que el sistema maneja bien.

Lista de verificación de configuración de preguntas y respuestas

1. Cambie el nombre de todas las tablas y columnas por nombres amigables para la empresa (sin abreviaturas ni guiones bajos).
2. Agregue sinónimos para cada tabla y columna (mínimo 2-3 sinónimos cada una)
3. Configure frases para relaciones clave
4. Agregue entre 10 y 15 preguntas sugeridas que cubran escenarios de análisis comunes.
5. Pruebe con entre 20 y 30 preguntas reales de usuarios comerciales y refine según los resultados.
6. Revise el registro de capacitación de preguntas y respuestas (Power BI realiza un seguimiento de las preguntas que no pudo responder) mensualmente y agregue sinónimos o frases faltantes.
7. Proporcionar formación a los usuarios sobre cómo formular preguntas de forma eficaz.

Preguntas y respuestas sobre licencias

La imagen de preguntas y respuestas está disponible con todos los tipos de licencia. Las funciones avanzadas de preguntas y respuestas (preguntas sugeridas, esquema lingüístico) están disponibles en Power BI Desktop independientemente de la licencia. Preguntas y respuestas en el servicio Power BI requiere Pro o PPU. Preguntas y respuestas mejoradas por Copilot (conversacional, multiturno) requiere capacidad Premium o Fabric.

---

Resumen de requisitos de licencia

Disponibilidad de funciones de IA por licencia

Estrategia rentable de licencias de IA

Para organizaciones que desean aprovechar las funciones de IA sin comprometerse con la capacidad Premium total:

Fase 1: Comience con Pro. Implemente personas influyentes clave, preguntas y respuestas, detección de anomalías básicas, narrativas inteligentes y elementos visuales de pronóstico. Estas funciones están disponibles a $10/usuario/mes y proporcionan un valor analítico significativo.

Fase 2: Actualizar a los usuarios avanzados a PPU. Para los analistas que necesitan AutoML y detección avanzada de anomalías, PPU a $20/usuario/mes es dramáticamente más barato que la capacidad Premium. Un equipo de 20 analistas en PPU cuesta $400/mes versus $5,000+/mes para la capacidad Premium más baja.

Fase 3: Agregar capacidad de Fabric para Copilot. Cuando la organización esté lista para Copilot y la IA avanzada, aprovisione capacidad de Fabric F64. Esto habilita Copilot para todos los usuarios con licencias Pro o PPU que acceden al contenido en los espacios de trabajo de Fabric.

Este enfoque por fases permite a las organizaciones desarrollar capacidades de IA de forma incremental, demostrando el retorno de la inversión en cada etapa antes de comprometerse con inversiones más grandes. ECOSIRE ofrece servicios de implementación de análisis de IA para ayudar a las organizaciones a planificar y ejecutar esta progresión.

---

Patrones prácticos de implementación de IA

Patrón 1: Alertas de anomalías ejecutivas

Combine la detección de anomalías con Power Automate para crear alertas ejecutivas automatizadas:

1. Cree un panel con la detección de anomalías habilitada en métricas clave (ingresos, pedidos, tasa de conversión).
2. Cree un flujo de Power Automate activado por una alerta basada en datos en el objeto visual de detección de anomalías.
3. Cuando se detecta una anomalía, el flujo envía un mensaje de Teams o un correo electrónico al equipo ejecutivo con los detalles de la anomalía y la explicación de la causa raíz.
4. El ejecutivo hace clic en un enlace al panel en vivo para realizar una investigación más detallada.

Este patrón reemplaza las revisiones manuales de datos matutinos con alertas automatizadas basadas en excepciones. Los ejecutivos sólo ven información cuando algo requiere atención.

Patrón 2: Canal de predicción de ventas

Utilice AutoML para crear un modelo de puntuación de acuerdos:

1. Cree un flujo de datos que contenga datos históricos de transacciones (acuerdos ganados y perdidos con características).
2. Entrene un modelo de clasificación binaria que prediga lo ganado y lo perdido.
3. Aplique el modelo a los acuerdos actuales en cartera, puntuando cada uno con una probabilidad de ganar.
4. Visualice predicciones en un panel de ventas junto con las métricas de canalización tradicionales.
5. Los gerentes de ventas utilizan puntuaciones de predicción para priorizar acuerdos y asignar recursos.
6. Vuelva a entrenar el modelo trimestralmente con nuevos datos de acuerdos cerrados para mantener la precisión.

Patrón 3: Portal de análisis del lenguaje natural

Cree un portal de análisis de autoservicio utilizando Preguntas y respuestas y Copilot:

1. Optimice el esquema lingüístico para sus 5 a 10 conjuntos de datos principales.
2. Cree una página dedicada a "Preguntas y respuestas sobre análisis" en su aplicación principal de Power BI.
3. Capacite a los usuarios sobre cómo formular preguntas de manera efectiva a través de ejemplos y preguntas sugeridas.
4. Monitorear mensualmente las preguntas sin respuesta y mejorar el esquema lingüístico en función de las lagunas.
5. Para entornos Premium/Fabric, habilite Copilot para la exploración conversacional de múltiples turnos.

Este patrón reduce las solicitudes de informes ad hoc entre un 40 % y un 60 % al ofrecer a los usuarios la posibilidad de responder sus propias preguntas sin crear informes.

---

Preguntas frecuentes

¿Copilot para Power BI envía mis datos a OpenAI?

Copilot procesa datos a través del servicio Azure OpenAI dentro de sus límites de cumplimiento de Microsoft 365. Los metadatos del modelo de datos (nombres de tablas, nombres de columnas, definiciones de medidas y valores de muestra) se envían para su procesamiento, pero Azure OpenAI no almacena los datos ni los usa para entrenar modelos. Sus datos permanecen dentro del perímetro de seguridad empresarial de Microsoft y están sujetos a las mismas certificaciones de cumplimiento que el resto de Microsoft 365. Las organizaciones con datos extremadamente confidenciales deben revisar la documentación de protección de datos de Microsoft Copilot para obtener diagramas de flujo de datos detallados y garantías de residencia.

¿Cuán precisas son las predicciones de AutoML en Power BI?

La precisión depende completamente de la calidad y el volumen de sus datos y de la previsibilidad del resultado que está modelando. Para problemas comerciales bien definidos con datos históricos limpios (más de 1000 filas de entrenamiento, variable de resultado clara, características relevantes), AutoML generalmente logra entre un 75% y un 90% de precisión para la clasificación y un RMSE razonable para la regresión. Para problemas menos estructurados o datos ruidosos, la precisión puede ser del 60 al 75%. AutoML proporciona métricas de precisión después del entrenamiento; evalúelas siempre antes de implementar predicciones en producción. Si la precisión está por debajo de su umbral, la solución suele ser mejores datos o ingeniería de características, no una herramienta diferente.

¿Puedo usar las características de IA de Power BI con conjuntos de datos de DirectQuery?

La mayoría de las funciones de IA requieren conjuntos de datos en modo Importación porque los algoritmos de IA necesitan escanear y procesar el conjunto de datos completo, lo que no tiene rendimiento en conexiones DirectQuery. La detección de anomalías, los factores de influencia clave y las narrativas inteligentes funcionan solo con el modo Importar. Preguntas y respuestas funciona con DirectQuery pero puede ser más lento. AutoML requiere flujos de datos (que usan el modo Importar). Copilot puede funcionar con conjuntos de datos de DirectQuery para algunas funciones, pero es más eficaz con el modo Importar. Para los conjuntos de datos que deben usar DirectQuery para estar actualizados, considere un enfoque híbrido: use DirectQuery para imágenes operativas en tiempo real y un conjunto de datos en modo Importación separado para análisis impulsado por IA.

¿Cuál es el volumen de datos mínimo necesario para que las funciones de IA funcionen bien?

Los requisitos varían según la característica. La detección de anomalías necesita al menos 12 puntos de datos en la serie temporal (idealmente más de 50) para establecer una línea de base confiable. Los influencers clave necesitan al menos 100 filas por categoría que se analicen. AutoML necesita un mínimo de 100 filas de entrenamiento, pero funciona significativamente mejor con más de 1000. Las preguntas y respuestas y las narrativas inteligentes funcionan con cualquier volumen de datos. Copilot funciona con cualquier volumen de datos pero proporciona mejores conocimientos con más contexto de datos. En general, si su conjunto de datos tiene menos de 1000 filas, las funciones de IA funcionarán, pero es posible que no proporcionen información estadísticamente significativa.

¿Cómo empiezo a utilizar Power BI AI si solo tengo licencias Pro?

Comience con las funciones de IA disponibles en Pro: objeto visual de preguntas y respuestas (optimice el esquema lingüístico para sus conjuntos de datos clave), personas influyentes clave (identifique qué impulsa sus métricas más importantes), detección de anomalías básicas (supervise las series de tiempo para detectar cambios inesperados), narrativas inteligentes (agregue resúmenes automatizados a los paneles ejecutivos) y el objeto visual de pronóstico (tendencias de las series de tiempo del proyecto). Estas características proporcionan un valor sustancial sin costos de licencia adicionales. Una vez que haya demostrado el retorno de la inversión (ROI), cree un caso de negocio para PPU o Premium/Fabric para desbloquear AutoML, la detección avanzada de anomalías y Copilot.