Détection d'anomalies dans Power BI : découvrir ce qui a changé et pourquoi

Chaque analyste connaît la frustration : vous examinez un tableau de bord et quelque chose ne va pas, mais avec des centaines de mesures réparties sur des dizaines de périodes, identifier l'anomalie, puis expliquer pourquoi elle s'est produite, peut prendre des heures d'investigation manuelle.

La fonctionnalité de détection des anomalies de Power BI inverse ce fardeau. Au lieu d'attendre que les analystes découvrent des anomalies, l'IA identifie automatiquement les points de données qui s'écartent considérablement des modèles attendus et fournit des explications préliminaires sur les dimensions qui ont le plus contribué à l'écart. Le travail de l'analyste passe de « trouver le problème » à « valider les conclusions de l'IA et déterminer la réponse ».

Ce guide explique comment fonctionne la détection des anomalies dans Power BI, comment la configurer pour un rapport signal/bruit maximal, comment interpréter les explications qu'elle fournit et comment l'intégrer à Smart Narratives pour un rapport automatisé d'anomalies.

Points clés à retenir

• La détection d'anomalies s'applique aux graphiques en courbes et en aires avec un axe de date, automatiquement ou à la demande
• L'algorithme utilise l'analyse spectrale résiduelle combinée à CNN pour détecter les anomalies contextuelles
• La sensibilité contrôle le seuil de ce qui est considéré comme anormal : une sensibilité plus élevée signale davantage d'anomalies potentielles.
• Les explications analysent les dimensions contributives pour suggérer quelle tranche est à l'origine de l'anomalie
• Les récits intelligents peuvent être configurés pour décrire les anomalies détectées dans le texte en langage naturel
• La détection des anomalies est disponible dans tous les niveaux de licence Power BI (aucun Premium requis)
• La détection personnalisée des anomalies à l'aide d'Azure Cognitive Services ou de Python peut s'étendre au-delà des fonctionnalités intégrées
• Les meilleurs résultats proviennent de séries chronologiques stables et cohérentes sur le plan saisonnier ; les séries volatiles produisent plus de faux positifs

---

Que fait la détection des anomalies

La détection des anomalies de Power BI analyse les données de séries chronologiques dans un graphique linéaire ou en aires et identifie les points de données qui se situent en dehors de la plage de valeurs attendue compte tenu du modèle historique. Il utilise une combinaison de :

Algorithme spectral résiduel (SR) : extrait le signal « résiduel » après avoir supprimé les composants de tendance et de saisonnalité prévisibles de la série chronologique. Les points de données avec des résidus importants (écart élevé par rapport aux attentes) sont candidats à des anomalies.

Réseau neuronal convolutif (CNN) : contextualise les résidus dans la fenêtre de temps environnante pour distinguer les véritables anomalies de la volatilité attendue. Un point de données qui semble extrême isolément peut être normal compte tenu des valeurs adjacentes.

Le résultat est un score d'anomalie pour chaque point de données. Les points au-dessus du seuil de sensibilité sont marqués comme anomalies et visualisés sur le graphique.

Quelles anomalies la détection peut-elle détecter :

• Pics ou baisses soudaines d'une métrique qui s'écartent de la tendance historique
• Inversions inattendues d'une tendance (la mesure en croissance chute soudainement)
• Événements attendus manquants (une métrique qui devrait augmenter tous les lundis n'augmentera pas ce lundi)
• Dérive progressive qui traverse l'intervalle de confiance

Quelle anomalie la détection ne parvient pas à trouver :

• Anomalies dans les données non chronologiques (graphiques à barres par catégorie, nuages de points)
• Problèmes de base où toutes les données historiques sont fausses
• Anomalies dans les données catégorielles ou textuelles
• Changements qui se situent dans la plage de volatilité historique (la variation normale ne déclenche pas la détection)

---

Activation de la détection des anomalies

La détection des anomalies s'applique aux graphiques en courbes et aux graphiques en aires avec un axe date/heure. Il est activé via le volet Analytics.

Étape 1 : Créez un visuel de graphique linéaire dans Power BI Desktop ou le service Power BI avec :

• Axe X : une colonne date ou datetime
• Axe Y (ou valeurs) : Une ou plusieurs mesures

Étape 2 : Sélectionnez le volet visuel → Analyses (icône en forme d'éclair) → section Anomalies → Ajouter.

Étape 3 : Configurez les paramètres de détection :

Étape 4 : Configurez les fonctionnalités d'explication :

Sous les paramètres d’anomalie, activez « Expliquer par » pour ajouter des dimensions que Power BI doit analyser lors de l’explication d’une anomalie. Sélectionnez les dimensions pertinentes du modèle (Région, Catégorie de produit, Segment client, Canal de vente, etc.). Ce sont ces dimensions qui seront analysées lorsqu'un utilisateur cliquera sur une anomalie pour obtenir une explication.

---

Comprendre les explications des anomalies

Lorsqu'un utilisateur clique sur un marqueur d'anomalie sur le graphique linéaire, un panneau latéral s'ouvre affichant une explication - une analyse des dimensions qui ont le plus contribué à l'anomalie.

L'explication montre :

Résumé des anomalies : la valeur attendue pour ce point, la valeur réelle et l'ampleur de l'écart.

Facteurs contributifs : une liste classée de combinaisons dimension-valeur qui expliquent l'anomalie. Par exemple, si les revenus présentent une anomalie à une date spécifique, l'explication peut afficher :

• "La région Ouest a contribué à 68 % de l'anomalie" — ce qui signifie que les revenus de la région Ouest étaient disproportionnellement faibles ce jour-là.
• "La catégorie Electronique a contribué à 22% de l'anomalie" — L'électronique a particulièrement sous-performé - « Le segment de clientèle Entreprise a contribué à 15 % de l'anomalie » – Les ventes des entreprises étaient inhabituellement faibles.

Score de force : dans quelle mesure chaque facteur explique l'anomalie (exprimé en pourcentage de l'anomalie totale). Les facteurs ayant des scores de résistance élevés sont les causes profondes les plus probables.

Visualisations compatibles : petits graphiques montrant le comportement de la dimension contributrice – un mini graphique à barres montrant les performances région par région ce jour-là, rendant la baisse de la région Ouest visuellement apparente.

---

Réglage de la sensibilité

Le curseur de sensibilité (0 à 100) contrôle la manière dont Power BI signale les anomalies. Un réglage correct est essentiel pour obtenir un rapport signal/bruit utile.

Sensibilité trop élevée (90-100) : presque tous les pics ou creux locaux sont signalés comme une anomalie. L’analyste est submergé de faux positifs et ne fait plus confiance à la détection. L'effet "le garçon qui criait au loup" rend la fonctionnalité inutile.

Sensibilité trop faible (10-30) : seuls les événements les plus extrêmes sont signalés. Une détérioration progressive qui devrait être détectée rapidement passe inaperçue. Les anomalies mineures qui constituent des signaux d’alerte précoces sont manquées.

La bonne sensibilité dépend des caractéristiques de la série chronologique :

• Série à faible volatilité (score de satisfaction client qui évolue normalement de 0,2 point par semaine) : une sensibilité élevée (70–85) est appropriée — même de petits écarts sont remarquables.
• Série à haute volatilité (sessions quotidiennes sur le site Web) : une sensibilité plus faible (40–60) évite de signaler la variation quotidienne normale
• Séries fortement saisonnières (ventes au détail avec schémas hebdomadaires et fériés) : sensibilité moyenne avec des fenêtres historiques plus longues pour entraîner le modèle de saisonnalité

Approche de réglage pratique : définissez la sensibilité sur 70 (valeur par défaut) et exécutez la détection sur plus de 12 mois de données historiques. Examinez chaque anomalie signalée et classez-la comme « vraie » (quelque chose a réellement changé) ou « fausse » (variation normale). Si plus de 30 % sont des faux positifs, la sensibilité est plus faible. Si vous avez connaissance d'événements qui auraient dû être signalés mais qui ne l'ont pas été, signalez-le.

---

Détection d'anomalies pour la surveillance des entreprises

L'application la plus efficace de la détection des anomalies Power BI est la surveillance opérationnelle de l'entreprise, où les tableaux de bord sont examinés en permanence et les anomalies doivent déclencher une action.

Surveillance des ventes : revenu quotidien surveillé par rapport au modèle saisonnier. Une anomalie un mardi du mois de mars sans promotions ni jours fériés programmés déclenche une enquête. L'explication montre que les revenus de la chaîne en Amérique du Nord ont été inférieurs de 40 % aux prévisions – la cause s'avère être une panne du site Web qui a affecté le paiement pendant 6 heures.

Suivi financier : Dépenses mensuelles suivies par rapport au budget et à l'année précédente. Une anomalie dans la ligne des services publics signale un pic de 35 %. L’explication le relie à une installation spécifique – une panne de CVC qui a nécessité une réparation d’urgence.

Surveillance du service client : volume de tickets quotidien suivi par rapport à la charge attendue. Un pic d'anomalie déclenche une enquête : l'explication montre qu'il est concentré dans la catégorie de support produit et dans une version spécifique du produit, indiquant un bug logiciel.

Surveillance de la chaîne d'approvisionnement : les taux de livraison quotidiens à temps sont signalés lorsqu'ils tombent en dessous des modèles historiques. L'explication pointe vers un transporteur précis et une zone géographique précise, permettant à l'équipe logistique de contacter immédiatement le transporteur.

Dans chaque cas, l'enquête de l'analyste commence par l'explication de la détection de l'anomalie plutôt que de partir de zéro, ce qui réduit considérablement le temps moyen nécessaire au diagnostic.

---

Intégration avec Smart Narratives

Les récits intelligents peuvent être configurés pour décrire les anomalies détectées dans les graphiques linéaires, en convertissant les marqueurs visuels d'anomalies en explications textuelles en langage clair adaptées aux rapports exécutifs ou aux résumés automatisés.

Ajout de récits intelligents pour décrire les anomalies :

1. Ajoutez un visuel Smart Narratives à la même page de rapport que le graphique linéaire prenant en charge les anomalies
2. Le visuel Smart Narratives génère automatiquement du texte en fonction de ce qu'il observe dans les visuels du rapport.
3. Personnalisez le modèle narratif pour inclure un langage spécifique à l'anomalie

Les récits intelligents + la détection des anomalies dans un rapport exécutif mensuel peuvent produire :

• « Le chiffre d'affaires mensuel de 4,2 millions de dollars était inférieur de 380 000 dollars à la fourchette attendue du modèle, comprise entre 4,4 et 4,7 millions de dollars, ce qui constitue une anomalie statistiquement significative. Le canal de commerce électronique nord-américain a représenté 71 % du déficit, avec une performance en baisse de 1,8 million de dollars les mois précédents à 1,1 million de dollars. Cette divergence a commencé le 14 et a persisté jusqu'à la fin du mois, coïncidant avec la migration de l'infrastructure du site Web.

Ce récit est généré automatiquement à partir des données – aucune écriture manuelle n’est requise. Il est mis à jour à chaque actualisation du rapport, ce qui le rend adapté aux rapports mensuels automatisés.

---

Détection avancée des anomalies avec Azure et Python

La détection d'anomalies intégrée de Power BI couvre la plupart des cas d'utilisation, mais les scénarios avancés peuvent nécessiter :

API Azure Cognitive Services Anomaly Detector : l'API de détection d'anomalies dédiée de Microsoft prend en charge la détection d'anomalies multivariées (recherche d'anomalies qui apparaissent simultanément dans des combinaisons de métriques), une gestion plus sophistiquée de la saisonnalité et la détection d'anomalies en continu. Power BI peut afficher les résultats de l’API Anomaly Detector en important les scores d’anomalies et les explications de la réponse de l’API.

Détection d'anomalies basée sur Python : la prise en charge visuelle de Python de Power BI permet à des algorithmes de détection d'anomalies personnalisés de s'exécuter dans un rapport Power BI. Des bibliothèques telles que pyod, la forêt d'isolement de scikit-learn ou prophet (la bibliothèque de prévision de séries chronologiques de Facebook qui inclut des limites d'anomalies) peuvent être implémentées sous forme de scripts Python qui génèrent des scores d'anomalies affichés sous forme de visuel Power BI.

Exemple Python personnalisé utilisant Prophet :

from prophet import Prophet
import pandas as pd

# dataset is the Power BI dataset passed to the Python visual
df = dataset.rename(columns={'Date': 'ds', 'Revenue': 'y'})

m = Prophet(interval_width=0.95, daily_seasonality=True)
m.fit(df)

future = m.make_future_dataframe(periods=0)
forecast = m.predict(future)

result = df.merge(forecast[['ds', 'yhat', 'yhat_lower', 'yhat_upper']], on='ds')
result['is_anomaly'] = (result['y'] < result['yhat_lower']) | (result['y'] > result['yhat_upper'])

# Power BI renders the result dataframe as a visual
import matplotlib.pyplot as plt
plt.figure(figsize=(12, 6))
plt.plot(result['ds'], result['y'], color='blue', label='Actual')
plt.fill_between(result['ds'], result['yhat_lower'], result['yhat_upper'], alpha=0.3, label='Expected Range')
plt.scatter(result[result['is_anomaly']]['ds'], result[result['is_anomaly']]['y'], color='red', zorder=5, label='Anomaly')
plt.legend()
plt.show()

---

Questions fréquemment posées

La détection des anomalies fonctionne-t-elle avec tous les types de licence Power BI ?

Oui. La fonctionnalité intégrée de détection des anomalies est disponible dans tous les niveaux de licence Power BI, y compris Power BI Pro et même le Power BI Desktop gratuit pour le développement. Aucune capacité Premium n’est requise pour la fonctionnalité de base de détection d’anomalies. Les fonctionnalités d'IA qui nécessitent Premium (telles que les informations sur l'IA dans les flux de données, AutoML et certaines intégrations de Cognitive Services) sont distinctes de la fonctionnalité du volet d'analyse visuelle de détection d'anomalies.

De quelle quantité de données historiques la détection des anomalies a-t-elle besoin pour fonctionner correctement ?

La détection des anomalies de Power BI fonctionne mieux avec au moins 12 mois de données, ce qui lui permet d'apprendre des modèles de saisonnalité hebdomadaires et mensuels. Avec moins de 3 mois de données, l'algorithme peut ne pas caractériser avec précision le comportement « normal », ce qui entraîne davantage de faux positifs pendant des périodes qui ne sont pas bien représentées dans la fenêtre d'entraînement. Pour les entreprises très saisonnières (commerce de détail, tourisme), un historique de plus de 2 ans améliore considérablement la précision.

La détection des anomalies peut-elle fonctionner sur les données futures prévues ?

La détection d'anomalies intégrée est conçue pour les données historiques : elle identifie les points de données passés qui s'écartent du modèle établi par toutes les données antérieures. Il ne projette pas d'anomalies dans les valeurs futures prévues. Pour la prédiction prospective des anomalies (par exemple, « notre trajectoire actuelle est anormale et va probablement se poursuivre »), des modèles Python ou Azure ML personnalisés sont requis.

Comment Power BI gère-t-il plusieurs séries dans la détection des anomalies ?

Lorsqu'un graphique linéaire comporte plusieurs séries (plusieurs mesures sur le même graphique), la détection des anomalies s'exécute indépendamment sur chaque série. Chaque série a sa propre plage de valeurs attendues, ses propres marqueurs d'anomalie et ses propres explications lorsque l'on clique dessus. Cela permet de surveiller simultanément plusieurs mesures associées – par exemple, suivre les revenus et la marge brute sur le même graphique avec une détection des anomalies signalant les écarts inattendus dans l’une ou l’autre mesure.

Puis-je configurer des alertes qui se déclenchent lorsqu'une anomalie est détectée ?

Le mécanisme d'alerte natif de Power BI sur les tableaux de bord peut se déclencher lorsqu'une condition d'alerte basée sur les données est remplie (par exemple, lorsqu'une valeur de vignette KPI tombe en dessous d'un seuil). Ceci n’est pas directement intégré au modèle statistique de détection des anomalies. Pour les alertes d'anomalies automatisées qui utilisent le modèle de détection d'IA, l'approche actuelle consiste à calculer les scores d'anomalies dans un flux de données (à l'aide de l'API Azure Anomaly Detector) et à définir des alertes de tableau de bord sur la métrique de score d'anomalie résultante dépassant un seuil. L'intégration native entre la détection d'anomalies et les alertes Power Automate figure sur la feuille de route de Microsoft.

---

Prochaines étapes

La détection des anomalies transforme l'analyse réactive (découverte des problèmes après qu'ils ont déjà affecté l'entreprise) en une surveillance proactive qui capte les signaux rapidement et oriente les efforts d'investigation là où ils sont importants. Associé à Smart Narratives, il permet un reporting automatisé des anomalies qui tient les parties prenantes informées sans effort manuel.

Les services d'analyse Power BI AI d'ECOSIRE incluent la mise en œuvre de la détection des anomalies, le réglage de la sensibilité, la configuration de Smart Narratives et la détection avancée des anomalies à l'aide d'Azure Cognitive Services. Contactez-nous pour discuter de la manière dont les analyses basées sur l'IA peuvent améliorer vos processus de surveillance et de prise de décision.