Fonctionnalités Power BI AI : Copilot, AutoML et analyse prédictive

Power BI est passé d'un outil de visualisation à une plateforme d'analyse augmentée par l'IA. Au cours des trois dernières années, Microsoft a intégré l'intelligence artificielle dans l'ensemble de l'expérience Power BI, depuis la création de rapports en langage naturel avec Copilot jusqu'à l'apprentissage automatique automatisé pour les prédictions et la détection d'anomalies qui vous alerte lorsque vos données se comportent de manière inattendue. Ces fonctionnalités ne sont plus des aperçus expérimentaux. Il s'agit de fonctionnalités prêtes pour la production qui modifient fondamentalement la façon dont les utilisateurs professionnels interagissent avec les données.

Le défi n’est pas de savoir si ces fonctionnalités d’IA fonctionnent : elles fonctionnent, et remarquablement bien dans la plupart des cas d’utilisation. Le défi consiste à comprendre quelles fonctionnalités sont disponibles à quel niveau de licence, comment les configurer pour votre environnement de données et comment former les utilisateurs à les exploiter efficacement. Ce guide couvre toutes les principales fonctionnalités d'IA de Power BI, avec des conseils pratiques de mise en œuvre, des exigences de licence et des évaluations honnêtes des domaines dans lesquels chaque fonctionnalité excelle et où elle est insuffisante.

Si vous élaborez une stratégie d’analyse basée sur l’IA sur Power BI, explorez nos Services d’IA et d’analyse Power BI pour obtenir une assistance en matière de mise en œuvre et les meilleures pratiques.

Points clés à retenir

• Copilot pour Power BI génère des rapports, des mesures DAX et des résumés narratifs à partir d'invites en langage naturel --- il nécessite une capacité Fabric F64+ ou Premium P1+
• AutoML dans Power BI permet des modèles de classification, de régression et de prévision sans écrire de code, accessibles via les flux de données dans les espaces de travail Premium/Fabric
• La détection des anomalies signale automatiquement les points de données inattendus dans les visuels de séries chronologiques et fournit des explications sur les causes profondes
• Le visuel des influenceurs clés utilise l'IA pour identifier les facteurs qui font augmenter ou diminuer une mesure, remplaçant ainsi des semaines d'analyse manuelle.
• Les récits intelligents génèrent des résumés textuels dynamiques et contextuels de visuels qui se mettent à jour avec les modifications de données
• Les questions et réponses (requête en langage naturel) peuvent être considérablement améliorées grâce à une configuration appropriée des synonymes et à la configuration du schéma linguistique.
• La plupart des fonctionnalités d'IA nécessitent un Premium par utilisateur (20 $/utilisateur/mois), une capacité Premium ou une capacité Fabric --- Les licences Pro excluent l'IA avancée

---

Copilote pour Power BI

Ce que le copilote peut faire

Copilot pour Power BI apporte de grandes fonctionnalités de modèle de langage directement dans l’expérience de création et de consommation de rapports. Il ne s'agit pas d'un chatbot intégré à Power BI : il est intégré au flux de travail principal, comprenant votre modèle de données, vos relations et vos mesures.

Création du rapport :

Copilot peut générer des pages de rapport complètes à partir d'invites en langage naturel. Une invite telle que « créer un tableau de bord des performances des ventes montrant les revenus par région, les tendances mensuelles et les 10 principaux produits » produit une page multi-visuelle avec des types de graphiques appropriés, des filtres configurés et un formatage raisonnable. Le rapport généré est un point de départ et non un produit fini, mais il élimine le problème des pages blanches et permet aux utilisateurs d'accéder à un brouillon fonctionnel en quelques secondes au lieu d'heures.

Génération DAX :

Copilot écrit des mesures DAX à partir de descriptions en langage naturel. « Calculer la croissance des revenus d'une année sur l'autre en pourcentage » produit une mesure à l'aide de fonctions d'intelligence temporelle appropriées. Pour une logique métier complexe, Copilot peut générer des mesures en plusieurs étapes avec des variables, gérer les cas extrêmes (division par zéro, périodes manquantes) et expliquer la logique dans les commentaires.

La qualité du DAX généré va d’excellente (agrégations simples et intelligence temporelle) à nécessitant un raffinement manuel (calculs de tables multi-facts complexes avec une logique métier ambiguë). Pour les 80 % de DAX qui suivent des modèles courants, Copilot est remarquablement précis. Pour les 20 % qui nécessitent une connaissance approfondie du domaine, cela constitue un point de départ solide qu’un analyste expérimenté peut affiner.

Résumés narratifs :

Copilot génère des résumés textuels dynamiques des pages de rapport, expliquant ce que les données montrent dans un langage simple. « Les revenus ont augmenté de 12 % sur un an, principalement grâce à la région Nord qui a augmenté de 23 %. La région Sud a diminué de 4 %, en grande partie en raison d'une baisse de 15 % dans la catégorie de produits X au troisième trimestre. » Ces récits se mettent automatiquement à jour à mesure que les filtres changent, fournissant ainsi aux dirigeants des briefings générés par l'IA et adaptés à leur vision spécifique des données.

Exploration des données :

Les utilisateurs peuvent poser des questions Copilot sur leurs données en langage naturel : « Qu'est-ce qui a causé la baisse des revenus en mars ? » ou "Quels segments de clientèle connaissent la croissance la plus rapide ?" Copilot analyse les données sous-jacentes et fournit des réponses avec des visualisations à l'appui. Il s'agit d'une évolution significative au-delà du visuel Q&A car Copilot comprend le contexte, peut effectuer une analyse en plusieurs étapes et explique son raisonnement.

Limitations du copilote

Copilot est puissant mais pas omniscient. Comprendre ses limites évite les déceptions et les abus :

• La qualité du modèle de données est importante. Copilot fonctionne mieux avec des schémas en étoile bien conçus utilisant des noms de tables et de colonnes clairs et descriptifs. Un modèle avec des colonnes nommées « col1 », « dim_val_3 » et « amt_usd_net » produira de moins bons résultats qu'un modèle avec « Nom du client », « Catégorie de produit » et « Revenu net en USD ».

• Une logique métier complexe nécessite des conseils. Copilot ne connaît pas les règles métier spécifiques de votre organisation à moins qu'elles ne soient codées dans le modèle. Si « client actif » signifie « a passé une commande au cours des 90 derniers jours, hors retours », vous devez l'indiquer explicitement à Copilot ou l'encoder comme une mesure à laquelle Copilot peut faire référence.

• Considérations relatives à la confidentialité. Copilot envoie les métadonnées du modèle de données (noms de tables, noms de colonnes, définitions de mesures, exemples de valeurs) à Azure OpenAI pour traitement. Les données sont traitées dans les limites de conformité de Microsoft 365 et ne sont pas utilisées pour entraîner des modèles, mais les organisations extrêmement sensibles aux données doivent consulter la documentation sur le traitement des données Copilot de Microsoft.

• Risque d'hallucination. Comme toutes les fonctionnalités basées sur LLM, Copilot peut générer des DAX plausibles mais incorrects ou des déclarations narratives trompeuses. Validez toujours le contenu généré par rapport à des points de données connus avant de le partager avec les parties prenantes.

Exigences en matière de licence de copilote

Copilot pour Power BI nécessite l’un des éléments suivants :

Copilot n'est pas disponible sur les licences Pro uniquement sans capacité Premium/Fabric. Il s’agit de la source de confusion la plus courante dans les organisations évaluant les fonctionnalités de l’IA.

---

AutoML : apprentissage automatique automatisé

Ce qu'AutoML permet

Power BI AutoML permet aux analystes métier de créer, former et appliquer des modèles d'apprentissage automatique sans écrire de code ni comprendre les frameworks ML. Les modèles sont formés sur vos données dans les flux de données Power BI et peuvent être appliqués aux nouvelles données dès leur arrivée.

Types de modèles pris en charge :

Créer un modèle AutoML

Étape 1 : Préparez les données d'entraînement dans un flux de données.

Les modèles AutoML sont formés sur les données des flux de données Power BI (et non sur les ensembles de données ou les rapports). Créez une entité de flux de données contenant vos données historiques avec la variable de résultat que vous souhaitez prédire et les fonctionnalités (variables d'entrée) qui pourraient l'influencer.

Pour un modèle de prévision de l’attrition des clients, l’entité peut inclure :

Étape 2 : Configurez le modèle ML.

Dans l'éditeur de flux de données, sélectionnez « Appliquer le modèle ML » et choisissez votre colonne cible. Power BI détecte automatiquement le type de modèle approprié en fonction du type de données de la variable cible (booléen déclenche la classification binaire, numérique déclenche la régression).

Configurez les options de formation :

• Durée de la formation (5 minutes à plusieurs heures --- une formation plus longue explore davantage d'architectures de modèles)
• Sélection des fonctionnalités (laissez AutoML choisir ou spécifier manuellement)
• Répartition de la validation (généralement 80 % de formation, 20 % de validation)

Étape 3 : Former et évaluer.

AutoML entraîne plusieurs architectures de modèles (arbres de décision, augmentation de gradient, réseaux de neurones) et sélectionne la plus performante. Après la formation, il assure :

• Mesures de précision du modèle : AUC-ROC pour la classification, RMSE pour la régression, MAPE pour la prévision
• Importance des fonctionnalités : Quelles variables d'entrée ont eu le plus d'influence sur les prédictions
• Matrice de confusion : Pour les modèles de classification, affichant les vrais/faux positifs et négatifs
• Rapport de formation : Documentation détaillée du processus de sélection du modèle

Étape 4 : Appliquer les prédictions.

Une fois formé, le modèle peut être appliqué aux nouvelles données arrivant via le flux de données. Chaque nouvelle ligne reçoit une prédiction (étiquette de classification ou prévision numérique) et un score de confiance. Ces prédictions sont intégrées à vos ensembles de données Power BI et peuvent être visualisées dans des rapports.

### Bonnes pratiques AutoML

La qualité des données est primordiale. AutoML ne peut pas compenser la mauvaise qualité des données. Assurez-vous que vos données d'entraînement sont propres, ont un volume suffisant (minimum 100 lignes, idéalement 1 000+) et sont représentatives des scénarios que vous souhaitez prédire. Les valeurs manquantes, les valeurs aberrantes et le déséquilibre des classes dégradent tous les performances du modèle.

L'ingénierie des fonctionnalités est importante. Les données brutes doivent souvent être transformées avant la formation. Créez des fonctionnalités dérivées telles que « jours depuis le dernier achat », « valeur moyenne des commandes sur 6 mois » ou « fréquence des tickets d'assistance » qui capturent des modèles significatifs. AutoML peut découvrir des relations dans les données brutes, mais les fonctionnalités pré-conçues améliorent considérablement la précision.

Surveillez la dérive du modèle. Les modèles formés sur des données historiques se dégradent au fil du temps à mesure que les conditions commerciales changent. Reconditionnez les modèles tous les trimestres (ou lorsque la précision des prédictions tombe en dessous des seuils acceptables) pour maintenir leur pertinence. Power BI ne détecte pas automatiquement la dérive du modèle : vous devez surveiller la précision des prédictions de manière proactive.

N'utilisez pas AutoML pour prendre des décisions à enjeux élevés sans examen humain. Les modèles AutoML sont des prédictions statistiques et non des règles déterministes. Utilisez les prédictions comme élément d’entrée dans la prise de décision aux côtés du jugement humain, en particulier pour les décisions conséquentes telles que l’approbation du crédit, l’embauche ou le diagnostic médical.

---

Détection d'anomalies

Comment fonctionne la détection des anomalies

La fonctionnalité de détection des anomalies de Power BI identifie automatiquement les points de données dans les visuels de séries chronologiques qui s'écartent considérablement des modèles attendus. Il utilise un modèle d'apprentissage automatique (algorithme spectral résiduel combiné à des réseaux de neurones convolutifs) entraîné sur vos données historiques pour établir les plages attendues, puis signale les points qui se situent en dehors de ces plages.

Options de configuration :

• Sensibilité : Contrôle la manière dont les anomalies sont signalées de manière agressive. Une sensibilité plus élevée détecte plus d'anomalies mais augmente les faux positifs. Une sensibilité plus faible ne signale que des écarts extrêmes. La valeur par défaut est 80 % (sensibilité moyenne).
• Plage attendue : La bande de confiance indiquée sur le graphique. Des bandes plus larges signifient moins d’anomalies signalées. La largeur de bande est contrôlée par le réglage de la sensibilité.
• Saisonnalité : Pour les données présentant des modèles saisonniers (hebdomadaire, mensuel, trimestriel), Power BI peut détecter et prendre en compte automatiquement la saisonnalité. Vous pouvez également spécifier la période saisonnière manuellement.

Activation de la détection des anomalies

La détection des anomalies est disponible sur les graphiques linéaires avec un axe date-heure :

1. Créez un graphique linéaire avec un champ date/heure sur l'axe des x et une mesure numérique sur l'axe des y.
2. Dans le volet Analyses, développez « Rechercher des anomalies » et activez-le.
3. Ajustez la sensibilité à l'aide du curseur (démarrez par défaut et ajustez en fonction des résultats).
4. Configurez éventuellement les champs « Expliquer par » --- dimensions que Power BI utilisera pour expliquer pourquoi une anomalie s'est produite.

Explication de la cause première

L’aspect le plus précieux de la détection des anomalies n’est pas de signaler les anomalies, mais de les expliquer. Lorsqu’un utilisateur clique sur une anomalie signalée, Power BI analyse les dimensions contributives et montre quels facteurs ont conduit à la valeur inattendue.

Par exemple, si les revenus totaux au 15 mars sont signalés comme anormalement bas, l'explication peut être la suivante :

• "Les revenus de la région Ouest étaient inférieurs de 45% aux attentes, contribuant à -120 000 $ à l'anomalie"
• "Catégorie de produits : L'électronique a connu une baisse de 60 % par rapport à la gamme attendue" - « Segment de clientèle : les entreprises ont maintenu leurs niveaux normaux ; le segment PME a entraîné l'écart »

Ces explications transforment la détection des anomalies de « quelque chose ne va pas » à « voici précisément ce qui s'est passé et où enquêter ». Cette fonctionnalité remplace des heures d’analyse manuelle approfondie.

Licence de détection d'anomalies

La fonctionnalité de base de détection des anomalies est disponible avec les licences Pro. La fonctionnalité d'analyse des causes profondes « Expliquer par » nécessite une capacité Premium par utilisateur, une capacité Premium ou une capacité Fabric. Pour la plupart des implémentations pratiques, l'explication de la cause première est le principal facteur de valeur, alors prévoyez une licence Premium ou PPU.

---

Visuel des influenceurs clés

Ce que font les influenceurs clés

Le visuel Key Influencers utilise l’apprentissage automatique pour identifier les facteurs de vos données qui influencent le plus fortement une métrique cible. Il répond à des questions telles que « Qu'est-ce qui détermine les scores de satisfaction client ? » ou « quels facteurs prédisent un roulement de personnel élevé ? » sans obliger les utilisateurs à croiser manuellement les données ou à exécuter des analyses statistiques.

Deux modes d'analyse :

Onglet Influenceurs clés : affiche les facteurs individuels classés en fonction de leur influence sur la métrique cible. Chaque facteur affiche son coefficient (dans quelle mesure il déplace la cible) et une visualisation à l'appui. Par exemple : « Lorsque le département est Ingénierie, le score de satisfaction moyen des employés augmente de 0,8 point » ou « Lorsque le type de contrat est mensuel, la probabilité de désabonnement augmente de 3,2 fois. »

Onglet Segments supérieurs : utilise le clustering pour identifier les groupes (segments) d'enregistrements partageant des caractéristiques communes et présentant des valeurs de métriques cibles similaires. Par exemple : « Segment 1 : les clients ayant une ancienneté supérieure à 24 mois, 3 produits ou plus et des contrats annuels ont un taux de désabonnement de seulement 2,1 % (contre 15 % au total). »

Configuration des influenceurs clés

Sélection de métrique cible :

La cible peut être :

• Une colonne catégorique ("Qu'est-ce qui influence le fait qu'une transaction soit gagnée ou perdue ?")
• Une colonne numérique (« Qu'est-ce qui influence le score de satisfaction client ? »)
• Une mesure (« Qu'est-ce qui influence le revenu par client ? »)

Facteurs explicatifs :

Faites glisser les colonnes susceptibles d'influencer la cible dans le champ « Expliquer par ». Le visuel gère automatiquement :

• Facteurs catégoriels (il compare l'effet de chaque catégorie)
• Facteurs numériques (il identifie les effets de seuil comme "lorsque les dépenses mensuelles dépassent 500 $")
• Plusieurs facteurs simultanément (il utilise la régression logistique ou des arbres de décision pour isoler la contribution de chaque facteur)

Bonnes pratiques :

• Incluez 5 à 15 facteurs explicatifs. Moins de 5 limite l’analyse. Plus de 15 peuvent produire des résultats bruyants.
• Excluez les colonnes d'identifiant (CustomerID, OrderNumber) qui ont des valeurs uniques pour chaque ligne.
• Incluez un mélange de facteurs catégoriels et numériques pour obtenir les résultats les plus perspicaces.
• Utilisez les champs avec la granularité appropriée. Si votre cible se situe au niveau du client, les facteurs explicatifs doivent également se situer au niveau du client (et non au niveau de la transaction).

Applications pratiques

Key Influencers est disponible avec tous les types de licences Power BI (Pro, PPU, Premium). Il s’agit de l’une des fonctionnalités d’IA les plus accessibles et souvent la première à apporter une valeur tangible aux utilisateurs professionnels.

---

Récits intelligents

Génération automatisée d'informations

Les Smart Narratives génèrent des résumés dynamiques en langage naturel de vos données qui se mettent à jour automatiquement à mesure que les filtres changent. Contrairement aux zones de texte statiques, les récits intelligents sont basés sur des données : ils analysent les visuels sous-jacents et produisent des descriptions contextuelles.

Ce que produisent les récits intelligents :

• Statistiques récapitulatives ("Le chiffre d'affaires total est de 4,2 millions de dollars, soit une augmentation de 12 % par rapport à la période précédente")
• Descriptions des tendances ("Les revenus ont connu une tendance à la hausse au cours des 6 derniers mois, avec un taux de croissance mensuel moyen de 2,3 %")
• Informations comparatives ("La région Nord surpasse toutes les autres régions, contribuant à 35 % du chiffre d'affaires total")
• Annonces d'anomalies ("Le chiffre d'affaires du mois de mars était inférieur de 15 % à la moyenne sur 12 mois, en raison d'une baisse du segment Entreprise")

Personnalisation des récits intelligents

Les récits intelligents par défaut sont génériques. Pour les valoriser, personnalisez-les :

Ajout de valeurs spécifiques :

Cliquez sur "Ajouter une valeur" pour insérer des mesures ou des champs spécifiques. Les récits intelligents formatent dynamiquement ces valeurs (devise, pourcentage, nombre) et les mettent à jour lorsque les filtres changent.

Modification du texte généré :

Le texte généré automatiquement est un point de départ. Modifiez-le pour qu'il corresponde à la terminologie de votre organisation et concentrez-vous sur les informations qui comptent le plus pour votre public. Conservez les références de valeurs dynamiques intactes tout en ajustant le texte environnant.

Texte conditionnel :

Utilisez la logique conditionnelle pour afficher un texte différent en fonction des valeurs des données. Par exemple : « Les revenus sont [supérieurs/inférieurs] à l'objectif de [montant de l'écart] » où le langage change en fonction des performances réelles.

Meilleures pratiques en matière de récits intelligents

• Placez des récits intelligents en haut des tableaux de bord exécutifs pour fournir un contexte immédiat
• Limitez les récits à 3 à 5 phrases par visuel ou par page --- la concision augmente le lectorat
• Utilisez une mise en forme conditionnelle pour mettre en évidence les performances positives en vert et négatives en rouge
• Testez les récits avec différentes combinaisons de filtres pour vous assurer qu'ils restent précis et significatifs
• Combinez des récits intelligents avec Copilot pour des résumés plus riches et plus contextuels sur la capacité Premium

---

Optimisation des questions et réponses

Le visuel questions-réponses

Le visuel Q&A (Questions et réponses) permet aux utilisateurs de saisir des questions en langage naturel et de recevoir des réponses basées sur les données sous forme de visualisations. "Quel était le chiffre d'affaires total du dernier trimestre ?" produit un visuel de carte montrant la valeur. « Afficher les revenus par région sous forme de graphique à barres » produit la visualisation demandée.

Les questions et réponses sont d'une simplicité trompeuse dans les démos, mais nécessitent une configuration importante pour bien fonctionner avec les données du monde réel. Dès le départ, les questions et réponses se heurtent à des noms de colonnes ambigus, à une terminologie spécifique au secteur et à une logique métier complexe. Avec une optimisation appropriée, il devient un puissant outil en libre-service.

Configuration du schéma linguistique

Le schéma linguistique indique aux questions et réponses comment votre modèle de données correspond aux concepts du langage naturel. Il s’agit de la configuration la plus efficace en termes de qualité des questions et réponses.

Synonymes :

Définissez des termes alternatifs pour les tables, les colonnes et les valeurs :

Phrases :

Définissez comment les relations entre les tables doivent être exprimées en langage naturel :

• "Les clients achètent des produits" (phrase d'attribut reliant les clients aux produits via les commandes)
• "Les commandes ont une date d'expédition" (formulation d'attribut)
• "Le revenu est pour une région" (expression du nom reliant la mesure à la dimension)

Questions suggérées :

Fournissez des exemples de questions qui démontrent ce que les utilisateurs peuvent demander. Celles-ci apparaissent sous forme de suggestions lorsque l'utilisateur clique sur le visuel Q&A, indiquant aux utilisateurs les types de questions que le système gère bien.

Liste de contrôle de configuration des questions et réponses

1. Renommez toutes les tables et colonnes avec des noms professionnels (pas d'abréviations, pas de traits de soulignement)
2. Ajoutez des synonymes pour chaque table et colonne (minimum 2-3 synonymes chacun)
3. Configurez les formulations pour les relations clés
4. Ajoutez 10 à 15 questions suggérées couvrant des scénarios d'analyse courants
5. Testez avec 20 à 30 questions réelles posées par des utilisateurs professionnels et affinez en fonction des résultats
6. Consultez mensuellement le journal de formation questions-réponses (Power BI suit les questions auxquelles il n'a pas pu répondre) et ajoutez les synonymes ou les formulations manquants.
7. Fournir une formation aux utilisateurs sur la manière de formuler efficacement les questions

Questions et réponses sur les licences

Le visuel Questions/Réponses est disponible avec tous les types de licences. Les fonctionnalités avancées de questions et réponses (questions suggérées, schéma linguistique) sont disponibles dans Power BI Desktop quelle que soit la licence. Les questions et réponses dans le service Power BI nécessitent Pro ou PPU. Les questions et réponses améliorées par Copilot (conversation, multi-tours) nécessitent une capacité Premium ou Fabric.

---

## Résumé des exigences en matière de licence

Disponibilité des fonctionnalités IA par licence

Stratégie de licences d'IA rentable

Pour les organisations souhaitant tirer parti des fonctionnalités d’IA sans s’engager sur la pleine capacité Premium :

Phase 1 : Commencez avec Pro. Déployez les influenceurs clés, les questions et réponses, la détection d'anomalies de base, les récits intelligents et les visuels de prévisions. Ces fonctionnalités sont disponibles à 10 $/utilisateur/mois et offrent une valeur analytique significative.

Phase 2 : Mettre à niveau les utilisateurs expérimentés vers PPU. Pour les analystes qui ont besoin d'AutoML et d'une détection avancée des anomalies, le PPU à 20 $/utilisateur/mois est considérablement moins cher que la capacité Premium. Une équipe de 20 analystes sur PPU coûte 400 $/mois contre 5 000 $+/mois pour la capacité Premium la plus basse.

Phase 3 : Ajouter une capacité Fabric pour Copilot. Lorsque l'organisation est prête pour Copilot et l'IA avancée, provisionnez la capacité Fabric F64. Cela active Copilot pour tous les utilisateurs disposant de licences Pro ou PPU qui accèdent au contenu dans les espaces de travail Fabric.

Cette approche progressive permet aux organisations de développer progressivement leurs capacités d'IA, en démontrant le retour sur investissement à chaque étape avant de s'engager dans des investissements plus importants. ECOSIRE propose des services de mise en œuvre d'analyses IA pour aider les organisations à planifier et à exécuter cette progression.

---

Modèles pratiques de mise en œuvre de l'IA

Modèle 1 : alertes d'anomalies de direction

Combinez la détection des anomalies avec Power Automate pour créer des alertes automatisées pour les dirigeants :

1. Créez un tableau de bord avec la détection des anomalies activée sur les indicateurs clés (revenus, commandes, taux de conversion).
2. Créez un flux Power Automate déclenché par une alerte basée sur les données sur le visuel de détection d'anomalies.
3. Lorsqu'une anomalie est détectée, le flux envoie un message ou un e-mail Teams à l'équipe de direction avec les détails de l'anomalie et l'explication de la cause première.
4. Le cadre clique sur un lien vers le tableau de bord en direct pour une enquête plus approfondie.

Ce modèle remplace les examens manuels des données du matin par des alertes automatisées basées sur les exceptions. Les dirigeants ne voient les informations que lorsque quelque chose requiert leur attention.

Modèle 2 : Pipeline de prédiction des ventes

Utilisez AutoML pour créer un modèle de notation des transactions :

1. Créez un flux de données contenant les données historiques des transactions (transactions gagnées et perdues avec caractéristiques).
2. Former un modèle de classification binaire prédisant Gagné vs Perdu.
3. Appliquez le modèle aux transactions en cours en cours, en attribuant à chacune une probabilité de victoire.
4. Visualisez les prédictions dans un tableau de bord des ventes aux côtés des mesures de pipeline traditionnelles.
5. Les responsables commerciaux utilisent les scores de prédiction pour prioriser les transactions et allouer les ressources.
6. Reconditionnez le modèle chaque trimestre avec de nouvelles données sur les transactions conclues pour maintenir l'exactitude.

Modèle 3 : portail d'analyse du langage naturel

Créez un portail d'analyse en libre-service à l'aide de Q&A et de Copilot :

1. Optimisez le schéma linguistique pour vos 5 à 10 principaux ensembles de données.
2. Créez une page dédiée « Questions et réponses Analytics » dans votre application Power BI principale.
3. Formez les utilisateurs à la formulation efficace des questions à travers des exemples et des suggestions de questions.
4. Surveiller mensuellement les questions restées sans réponse et améliorer le schéma linguistique en fonction des lacunes.
5. Pour les environnements Premium/Fabric, activez Copilot pour une exploration conversationnelle à plusieurs tours.

Ce modèle réduit les demandes de rapports ad hoc de 40 à 60 % en donnant aux utilisateurs la possibilité de répondre à leurs propres questions sans créer de rapports.

---

##FAQ

Copilot pour Power BI envoie-t-il mes données à OpenAI ?

Copilot traite les données via Azure OpenAI Service dans les limites de votre conformité Microsoft 365. Les métadonnées du modèle de données (noms de tables, noms de colonnes, définitions de mesures et exemples de valeurs) sont envoyées pour traitement, mais les données ne sont pas stockées par Azure OpenAI ni utilisées pour entraîner des modèles. Vos données restent dans le périmètre de sécurité d'entreprise de Microsoft et sont soumises aux mêmes certifications de conformité que le reste de Microsoft 365. Les organisations extrêmement sensibles aux données doivent consulter la documentation Microsoft Copilot Data Protection pour obtenir des diagrammes de flux de données détaillés et des garanties de résidence.

Quelle est la précision des prédictions AutoML dans Power BI ?

La précision dépend entièrement de la qualité, du volume et de la prévisibilité des résultats que vous modélisez. Pour les problèmes commerciaux bien définis avec des données historiques claires (plus de 1 000 lignes de formation, variable de résultat claire, fonctionnalités pertinentes), AutoML atteint généralement une précision de 75 à 90 % pour la classification et un RMSE raisonnable pour la régression. Pour les problèmes moins structurés ou les données bruitées, la précision peut être de 60 à 75 %. AutoML fournit des métriques de précision après la formation : évaluez-les toujours avant de déployer des prédictions en production. Si la précision est inférieure à votre seuil, la solution réside généralement dans une meilleure ingénierie des données ou des fonctionnalités, et non dans un outil différent.

Puis-je utiliser les fonctionnalités de Power BI AI avec des ensembles de données DirectQuery ?

La plupart des fonctionnalités d'IA nécessitent des ensembles de données en mode Importation, car les algorithmes d'IA doivent analyser et traiter l'ensemble de données complet, ce qui n'est pas performant sur les connexions DirectQuery. La détection des anomalies, les influenceurs clés et les récits intelligents fonctionnent uniquement avec le mode Importation. Les questions et réponses fonctionnent avec DirectQuery mais peuvent être plus lentes. AutoML nécessite des flux de données (qui utilisent le mode Import). Copilot peut fonctionner avec des ensembles de données DirectQuery pour certaines fonctionnalités, mais est plus efficace avec le mode Importation. Pour les ensembles de données qui doivent utiliser DirectQuery pour plus de fraîcheur, envisagez une approche hybride : utilisez DirectQuery pour des visuels opérationnels en temps réel et un ensemble de données en mode Importation distinct pour une analyse basée sur l'IA.

Quel est le volume de données minimum nécessaire au bon fonctionnement des fonctionnalités d'IA ?

Les exigences varient selon la fonctionnalité. La détection des anomalies nécessite au moins 12 points de données dans la série chronologique (idéalement 50+) pour établir une base de référence fiable. Les influenceurs clés ont besoin d'au moins 100 lignes par catégorie analysée. AutoML a besoin d'un minimum de 100 lignes d'entraînement, mais fonctionne nettement mieux avec plus de 1 000. Les questions-réponses et les récits intelligents fonctionnent avec n'importe quel volume de données. Copilot fonctionne avec n'importe quel volume de données mais fournit de meilleures informations avec plus de contexte de données. En général, si votre ensemble de données comporte moins de 1 000 lignes, les fonctionnalités d’IA fonctionneront mais risquent de ne pas fournir d’informations statistiquement significatives.

Comment démarrer avec Power BI AI si je ne dispose que de licences Pro ?

Commencez par les fonctionnalités d'IA disponibles sur Pro : visuel Q&A (optimisez le schéma linguistique pour vos ensembles de données clés), influenceurs clés (identifiez ce qui détermine vos métriques les plus importantes), détection d'anomalies de base (surveillez les séries chronologiques pour détecter les changements inattendus), récits intelligents (ajoutez des résumés automatisés aux tableaux de bord exécutifs) et le visuel Prévisions (tendances des séries chronologiques du projet). Ces fonctionnalités offrent une valeur substantielle sans frais de licence supplémentaires. Une fois que vous avez démontré le retour sur investissement, élaborez une analyse de rentabilisation pour PPU ou Premium/Fabric afin de débloquer AutoML, la détection avancée des anomalies et Copilot.