पावर बीआई में विसंगति का पता लगाना: क्या बदला और क्यों बदला इसका पता लगाना

प्रत्येक विश्लेषक निराशा को जानता है: आप एक डैशबोर्ड की समीक्षा कर रहे हैं और कुछ गलत दिखता है, लेकिन दर्जनों समयावधियों में सैकड़ों मीट्रिक के साथ, विसंगति की पहचान करना - और फिर यह बताना कि ऐसा क्यों हुआ - मैन्युअल जांच में घंटों लग सकते हैं।

पावर बीआई की विसंगति का पता लगाने की सुविधा इस बोझ को उलट देती है। विश्लेषकों द्वारा विसंगतियों का पता लगाने की प्रतीक्षा करने के बजाय, एआई स्वचालित रूप से उन डेटा बिंदुओं की पहचान करता है जो अपेक्षित पैटर्न से महत्वपूर्ण रूप से विचलित होते हैं और प्रारंभिक स्पष्टीकरण प्रदान करते हैं कि किन आयामों ने विचलन में सबसे अधिक योगदान दिया। विश्लेषक का काम "समस्या ढूंढना" से "एआई के निष्कर्षों को मान्य करना और प्रतिक्रिया निर्धारित करना" हो जाता है।

यह मार्गदर्शिका बताती है कि पावर बीआई में विसंगति का पता कैसे काम करता है, इसे अधिकतम सिग्नल-टू-शोर अनुपात के लिए कैसे कॉन्फ़िगर किया जाए, इसके द्वारा प्रदान किए गए स्पष्टीकरण की व्याख्या कैसे की जाए और स्वचालित विसंगति रिपोर्टिंग के लिए इसे स्मार्ट नैरेटिव्स के साथ कैसे एकीकृत किया जाए।

मुख्य बातें

विसंगति का पता स्वचालित रूप से या मांग पर दिनांक अक्ष के साथ लाइन चार्ट और क्षेत्र चार्ट पर लागू होता है

एल्गोरिदम प्रासंगिक विसंगतियों का पता लगाने के लिए सीएनएन के साथ संयुक्त वर्णक्रमीय अवशिष्ट विश्लेषण का उपयोग करता है

संवेदनशीलता उस सीमा को नियंत्रित करती है जिसे विसंगति के रूप में गिना जाता है - उच्च संवेदनशीलता अधिक संभावित विसंगतियों को चिह्नित करती है

स्पष्टीकरण यह सुझाव देने के लिए योगदान देने वाले आयामों का विश्लेषण करता है कि कौन सा टुकड़ा विसंगति का कारण बना

प्राकृतिक भाषा पाठ में पाई गई विसंगतियों का वर्णन करने के लिए स्मार्ट नैरेटिव्स को कॉन्फ़िगर किया जा सकता है

विसंगति का पता लगाना सभी पावर बीआई लाइसेंस स्तरों में उपलब्ध है (किसी प्रीमियम की आवश्यकता नहीं)

एज़्योर कॉग्निटिव सर्विसेज या पायथन का उपयोग करके कस्टम विसंगति का पता लगाना अंतर्निहित क्षमताओं से परे बढ़ाया जा सकता है

सर्वोत्तम परिणाम स्थिर, मौसमी-संगत समय श्रृंखला से आते हैं; अस्थिर श्रृंखला अधिक गलत सकारात्मक परिणाम उत्पन्न करती है

विसंगति का पता लगाना क्या करता है

पावर बीआई की विसंगति का पता लगाने से एक लाइन या क्षेत्र चार्ट में समय-श्रृंखला डेटा का विश्लेषण होता है और उन डेटा बिंदुओं की पहचान होती है जो ऐतिहासिक पैटर्न को देखते हुए अपेक्षित मूल्य सीमा से बाहर आते हैं। यह इनके संयोजन का उपयोग करता है:

स्पेक्ट्रल अवशिष्ट (एसआर) एल्गोरिथ्म: समय श्रृंखला से पूर्वानुमानित प्रवृत्ति और मौसमी घटकों को हटाने के बाद "अवशिष्ट" संकेत निकालता है। बड़े अवशेषों (अपेक्षा से उच्च विचलन) वाले डेटा बिंदु विसंगतिपूर्ण उम्मीदवार हैं।

कन्वेंशनल न्यूरल नेटवर्क (सीएनएन): वास्तविक विसंगतियों को अपेक्षित अस्थिरता से अलग करने के लिए आसपास के समय विंडो के भीतर अवशेषों को प्रासंगिक बनाता है। एक डेटा बिंदु जो अलगाव में चरम दिखता है, आसन्न मान दिए जाने पर सामान्य हो सकता है।

परिणाम प्रत्येक डेटा बिंदु के लिए एक विसंगति स्कोर है। संवेदनशीलता सीमा से ऊपर के बिंदुओं को विसंगतियों के रूप में चिह्नित किया गया है और चार्ट पर देखा गया है।

क्या विसंगति का पता लगाया जा सकता है:

मीट्रिक में अचानक उछाल या गिरावट जो ऐतिहासिक प्रवृत्ति से भटकती है
किसी प्रवृत्ति में अप्रत्याशित उलटफेर (जो मीट्रिक बढ़ रहा था वह अचानक गिर जाता है)
अपेक्षित घटनाएँ गायब हैं (एक मीट्रिक जिसे हर सोमवार को बढ़ना चाहिए, इस सोमवार को नहीं बढ़ता है)
धीरे-धीरे बहाव जो आत्मविश्वास अंतराल को पार करता है

क्या विसंगति का पता नहीं लगाया जा सकता:

गैर-समय-श्रृंखला डेटा में विसंगतियाँ (श्रेणी के अनुसार बार चार्ट, स्कैटर प्लॉट)
बेसलाइन समस्याएं जहां सभी ऐतिहासिक डेटा गलत हैं
श्रेणीबद्ध या पाठ्य डेटा में विसंगतियाँ
परिवर्तन जो ऐतिहासिक अस्थिरता सीमा के भीतर हैं (सामान्य भिन्नता पहचान को ट्रिगर नहीं करती है)

विसंगति का पता लगाने को सक्षम करना

विसंगति का पता लगाना दिनांक/समय अक्ष के साथ लाइन चार्ट और क्षेत्र चार्ट पर लागू होता है। यह एनालिटिक्स फलक के माध्यम से सक्षम है।

चरण 1: Power BI डेस्कटॉप या Power BI सेवा में एक लाइन चार्ट विज़ुअल बनाएं:

एक्स-अक्ष: एक दिनांक या डेटाटाइम कॉलम
Y-अक्ष (या मान): एक या अधिक माप

चरण 2: विज़ुअल → एनालिटिक्स फलक (लाइटनिंग बोल्ट आइकन) → विसंगतियाँ अनुभाग → जोड़ें का चयन करें।

चरण 3: पहचान सेटिंग कॉन्फ़िगर करें:

सेटिंग	विकल्प	मार्गदर्शन
संवेदनशीलता	0-100 (डिफ़ॉल्ट 70)	उच्चतर = अधिक विसंगतियाँ चिह्नित, अधिक झूठी सकारात्मकताएँ
विसंगति रंग	कोई भी रंग	नकारात्मक विसंगतियों के लिए लाल, सकारात्मक के लिए हरे रंग का प्रयोग करें
अपेक्षित सीमा	दिखाएँ/छिपाएँ	अपेक्षित मूल्य सीमा दर्शाने वाला छायांकित बैंड
अपेक्षित सीमा सीमा	बिंदीदार/कोई नहीं	अपेक्षित सीमा की बाहरी सीमा दर्शाने वाली रेखा

चरण 4: स्पष्टीकरण सुविधाओं को कॉन्फ़िगर करें:

विसंगति सेटिंग्स के तहत, उन आयामों को जोड़ने के लिए "इसके द्वारा समझाएं" सक्षम करें जिनका विश्लेषण किसी विसंगति को समझाते समय पावर बीआई को करना चाहिए। मॉडल (क्षेत्र, उत्पाद श्रेणी, ग्राहक खंड, बिक्री चैनल, आदि) से प्रासंगिक आयाम चुनें। ये वे आयाम हैं जिनका विश्लेषण तब किया जाएगा जब कोई उपयोगकर्ता स्पष्टीकरण प्राप्त करने के लिए किसी विसंगति पर क्लिक करेगा।

विसंगतिपूर्ण स्पष्टीकरण को समझना

जब कोई उपयोगकर्ता लाइन चार्ट पर एक विसंगति मार्कर पर क्लिक करता है, तो एक साइड पैनल एक स्पष्टीकरण दिखाता है - यह विश्लेषण करता है कि किन आयामों ने विसंगति में सबसे अधिक योगदान दिया।

स्पष्टीकरण से पता चलता है:

विसंगति सारांश: उस बिंदु के लिए अपेक्षित मान, वास्तविक मान और विचलन का परिमाण।

योगदान करने वाले कारक: आयाम-मूल्य संयोजनों की एक क्रमबद्ध सूची जो विसंगति की व्याख्या करती है। उदाहरण के लिए, यदि किसी विशिष्ट तिथि पर राजस्व में कोई विसंगति है, तो स्पष्टीकरण यह दर्शा सकता है:

"पश्चिम क्षेत्र ने विसंगति में 68% का योगदान दिया" - जिसका अर्थ है कि उस दिन पश्चिम क्षेत्र का राजस्व अनुपातहीन रूप से कम था
"इलेक्ट्रॉनिक्स श्रेणी ने विसंगति में 22% का योगदान दिया" - इलेक्ट्रॉनिक्स ने विशेष रूप से खराब प्रदर्शन किया
"एंटरप्राइज़ ग्राहक खंड ने विसंगति में 15% का योगदान दिया" - एंटरप्राइज़ बिक्री असामान्य रूप से कम थी

शक्ति स्कोर: प्रत्येक कारक विसंगति को कितना स्पष्ट करता है (कुल विसंगति के प्रतिशत के रूप में व्यक्त)। उच्च शक्ति स्कोर वाले कारक सबसे संभावित मूल कारण हैं।

सहायक विज़ुअलाइज़ेशन: योगदान देने वाले आयाम के व्यवहार को दिखाने वाले छोटे चार्ट - उस दिन क्षेत्र-दर-क्षेत्र प्रदर्शन दिखाने वाला एक मिनी बार चार्ट, जिससे पश्चिम क्षेत्र की गिरावट स्पष्ट रूप से स्पष्ट हो जाती है।

संवेदनशीलता ट्यूनिंग

संवेदनशीलता स्लाइडर (0-100) नियंत्रित करता है कि पावर बीआई कितनी आक्रामकता से विसंगतियों को चिन्हित करता है। उपयोगी सिग्नल-टू-शोर अनुपात के लिए इसे सही ढंग से ट्यून करना महत्वपूर्ण है।

बहुत अधिक संवेदनशीलता (90-100): लगभग हर स्थानीय शिखर या गर्त को एक विसंगति के रूप में चिह्नित किया गया है। विश्लेषक झूठी सकारात्मक बातों से अभिभूत हो जाता है और जांच पर भरोसा करना बंद कर देता है। "लड़का जो भेड़िया रोया" प्रभाव सुविधा को बेकार बना देता है।

बहुत कम संवेदनशीलता (10-30): केवल सबसे चरम घटनाओं को चिह्नित किया जाता है। धीरे-धीरे होने वाली गिरावट, जिसे जल्दी ही पकड़ लिया जाना चाहिए, निकल जाती है। छोटी-मोटी विसंगतियाँ जो प्रारंभिक चेतावनी के संकेत हैं, छूट जाती हैं।

सही संवेदनशीलता समय श्रृंखला विशेषताओं पर निर्भर करती है:

कम अस्थिरता श्रृंखला (ग्राहक संतुष्टि स्कोर जो आम तौर पर प्रति सप्ताह 0.2 अंक बढ़ता है): उच्च संवेदनशीलता (70-85) उपयुक्त है - यहां तक कि छोटे विचलन भी उल्लेखनीय हैं
उच्च अस्थिरता श्रृंखला (दैनिक वेबसाइट सत्र): कम संवेदनशीलता (40-60) सामान्य दैनिक भिन्नता को चिह्नित करने से बचाती है
मजबूत मौसमी श्रृंखला (साप्ताहिक और छुट्टियों के पैटर्न के साथ खुदरा बिक्री): मौसमी मॉडल को प्रशिक्षित करने के लिए लंबी ऐतिहासिक खिड़कियों के साथ मध्यम संवेदनशीलता

व्यावहारिक ट्यूनिंग दृष्टिकोण: संवेदनशीलता को 70 (डिफ़ॉल्ट) पर सेट करें और 12+ महीने के ऐतिहासिक डेटा पर पता लगाएं। प्रत्येक चिह्नित विसंगति की समीक्षा करें और इसे "सही" (वास्तव में कुछ बदला हुआ) या "गलत" (सामान्य भिन्नता) के रूप में वर्गीकृत करें। यदि 30% से अधिक गलत सकारात्मक हैं, तो संवेदनशीलता कम हो जाएगी। यदि आप ऐसी घटनाओं के बारे में जानते हैं जिन्हें चिह्नित किया जाना चाहिए था लेकिन नहीं किया गया, तो इसे उठाएं।

व्यवसाय निगरानी के लिए विसंगति का पता लगाना

पावर बीआई विसंगति का पता लगाने का सबसे प्रभावशाली अनुप्रयोग परिचालन व्यवसाय निगरानी है - जहां डैशबोर्ड की लगातार समीक्षा की जाती है और विसंगतियों पर कार्रवाई शुरू करने की आवश्यकता होती है।

बिक्री निगरानी: मौसमी पैटर्न के अनुसार दैनिक राजस्व की निगरानी की जाती है। मार्च में मंगलवार को कोई निर्धारित पदोन्नति या छुट्टियों के बिना एक विसंगति की जांच शुरू हो जाती है। स्पष्टीकरण से पता चलता है कि उत्तरी अमेरिका चैनल का राजस्व उम्मीद से 40% कम था - इसका कारण एक वेबसाइट आउटेज निकला जिसने 6 घंटे तक चेकआउट को प्रभावित किया।

वित्तीय निगरानी: मासिक खर्चों को बजट और पिछले वर्ष के आधार पर ट्रैक किया जाता है। यूटिलिटीज़ लाइन में एक विसंगति 35% की वृद्धि का संकेत देती है। स्पष्टीकरण इसे एक विशिष्ट सुविधा - एचवीएसी विफलता का पता लगाता है जिसके लिए आपातकालीन मरम्मत की आवश्यकता होती है।

ग्राहक सेवा निगरानी: अपेक्षित लोड के विरुद्ध दैनिक टिकट की मात्रा को ट्रैक किया गया। एक विसंगति स्पाइक जांच को ट्रिगर करती है - स्पष्टीकरण से पता चलता है कि यह उत्पाद समर्थन श्रेणी और एक विशिष्ट उत्पाद संस्करण में केंद्रित है, जो एक सॉफ़्टवेयर बग का संकेत देता है।

आपूर्ति श्रृंखला की निगरानी: दैनिक समय पर डिलीवरी दरें ऐतिहासिक पैटर्न से नीचे आने पर चिह्नित की जाती हैं। स्पष्टीकरण एक विशिष्ट वाहक और एक विशिष्ट भौगोलिक क्षेत्र की ओर इशारा करता है, जो लॉजिस्टिक्स टीम को वाहक से तुरंत संपर्क करने में सक्षम बनाता है।

प्रत्येक मामले में, विश्लेषक की जांच खरोंच से करने के बजाय विसंगति का पता लगाने के स्पष्टीकरण से शुरू होती है - निदान के लिए औसत समय को नाटकीय रूप से कम कर देती है।

स्मार्ट आख्यानों के साथ एकीकरण

स्मार्ट नैरेटिव्स को लाइन चार्ट में पाई गई विसंगतियों का वर्णन करने के लिए कॉन्फ़िगर किया जा सकता है, जो दृश्य विसंगति मार्करों को कार्यकारी रिपोर्ट या स्वचालित डाइजेस्ट के लिए उपयुक्त सादे भाषा के पाठ स्पष्टीकरण में परिवर्तित करता है।

विसंगतियों का वर्णन करने के लिए स्मार्ट आख्यान जोड़ना:

विसंगति-सक्षम लाइन चार्ट के समान रिपोर्ट पृष्ठ पर एक स्मार्ट नैरेटिव विज़ुअल जोड़ें
स्मार्ट नैरेटिव्स विज़ुअल रिपोर्ट के विज़ुअल में जो देखता है उसके आधार पर स्वचालित रूप से टेक्स्ट उत्पन्न करता है
विसंगति-विशिष्ट भाषा को शामिल करने के लिए कथा टेम्पलेट को अनुकूलित करें

मासिक कार्यकारी रिपोर्ट में स्मार्ट नैरेटिव्स + विसंगति का पता लगाने से निम्नलिखित परिणाम प्राप्त हो सकते हैं:

"$4.2 मिलियन का मासिक राजस्व मॉडल की $4.4M-$4.7M की अपेक्षित सीमा से $380K कम था, जो एक सांख्यिकीय रूप से महत्वपूर्ण विसंगति को दर्शाता है। उत्तर अमेरिकी ई-कॉमर्स चैनल ने कमी का 71% हिस्सा लिया, प्रदर्शन पिछले महीनों में $1.8M से घटकर $1.1M हो गया। यह विचलन 14 तारीख को शुरू हुआ और महीने के अंत तक जारी रहा, जो कि वेबसाइट के बुनियादी ढांचे के प्रवासन के साथ मेल खाता था।"

यह कथा डेटा से स्वचालित रूप से उत्पन्न होती है - मैन्युअल लेखन की आवश्यकता नहीं है। हर बार रिपोर्ट ताज़ा होने पर इसे अपडेट किया जाता है, जिससे यह स्वचालित मासिक रिपोर्टिंग के लिए उपयुक्त हो जाता है।

Azure और Python के साथ उन्नत विसंगति का पता लगाना

पावर बीआई की अंतर्निहित विसंगति का पता लगाने में अधिकांश उपयोग के मामले शामिल हैं, लेकिन उन्नत परिदृश्यों के लिए इसकी आवश्यकता हो सकती है:

एज़्योर कॉग्निटिव सर्विसेज एनोमली डिटेक्टर एपीआई: माइक्रोसॉफ्ट का समर्पित एनोमली डिटेक्शन एपीआई मल्टीवेरिएट एनोमली डिटेक्शन (एक साथ मेट्रिक्स के संयोजन में दिखाई देने वाली विसंगतियों को ढूंढना), अधिक परिष्कृत मौसमी हैंडलिंग और स्ट्रीमिंग एनोमली डिटेक्शन का समर्थन करता है। पावर बीआई एपीआई प्रतिक्रिया से विसंगति स्कोर और स्पष्टीकरण आयात करके विसंगति डिटेक्टर एपीआई से परिणाम प्रदर्शित कर सकता है।

पायथन-आधारित विसंगति का पता लगाना: पावर बीआई का पायथन विज़ुअल समर्थन कस्टम विसंगति का पता लगाने वाले एल्गोरिदम को पावर बीआई रिपोर्ट के भीतर चलाने की अनुमति देता है। pyod, scikit-learn का आइसोलेशन फ़ॉरेस्ट, या prophet (फेसबुक की समय श्रृंखला पूर्वानुमान लाइब्रेरी जिसमें विसंगति सीमाएं शामिल हैं) जैसी लाइब्रेरी को पायथन स्क्रिप्ट के रूप में कार्यान्वित किया जा सकता है जो पावर बीआई विज़ुअल के रूप में प्रदर्शित विसंगति स्कोर उत्पन्न करता है।

पैगंबर का उपयोग करके कस्टम पायथन उदाहरण:

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()

अक्सर पूछे जाने वाले प्रश्न

क्या विसंगति का पता लगाना सभी Power BI लाइसेंस प्रकारों के साथ काम करता है?

हाँ। अंतर्निहित विसंगति का पता लगाने की सुविधा सभी पावर बीआई लाइसेंस स्तरों में उपलब्ध है - जिसमें पावर बीआई प्रो और यहां तक कि विकास के लिए मुफ्त पावर बीआई डेस्कटॉप भी शामिल है। बुनियादी विसंगति का पता लगाने की सुविधा के लिए किसी प्रीमियम क्षमता की आवश्यकता नहीं है। जिन एआई सुविधाओं के लिए प्रीमियम की आवश्यकता होती है (जैसे डेटाफ्लो, ऑटोएमएल और कुछ संज्ञानात्मक सेवाओं के एकीकरण में एआई अंतर्दृष्टि) विसंगति का पता लगाने वाले विज़ुअल एनालिटिक्स फलक सुविधा से अलग हैं।

विसंगति का पता लगाने के लिए अच्छे से काम करने के लिए कितने ऐतिहासिक डेटा की आवश्यकता है?

पावर बीआई की विसंगति का पता लगाना कम से कम 12 महीने के डेटा के साथ सबसे अच्छा काम करता है, जो इसे साप्ताहिक और मासिक मौसमी पैटर्न सीखने की अनुमति देता है। 3 महीने से कम डेटा के साथ, एल्गोरिदम "सामान्य" व्यवहार को सटीक रूप से चित्रित नहीं कर सकता है, जिससे उस अवधि के दौरान अधिक गलत सकारात्मकताएं सामने आती हैं जो प्रशिक्षण विंडो में अच्छी तरह से प्रस्तुत नहीं की जाती हैं। अत्यधिक मौसमी व्यवसायों (खुदरा, पर्यटन) के लिए, 2+ वर्षों का इतिहास सटीकता में काफी सुधार करता है।

क्या विसंगति का पता पूर्वानुमानित भविष्य के डेटा पर काम कर सकता है?

अंतर्निहित विसंगति का पता लगाना ऐतिहासिक डेटा के लिए डिज़ाइन किया गया है - यह पिछले डेटा बिंदुओं की पहचान करता है जो सभी पूर्व डेटा द्वारा स्थापित पैटर्न से भटक गए हैं। यह भविष्य के पूर्वानुमानित मूल्यों में विसंगतियों को प्रक्षेपित नहीं करता है। भविष्योन्मुखी विसंगति भविष्यवाणी के लिए (उदाहरण के लिए, "हमारा वर्तमान प्रक्षेप पथ विषम है और संभवतः जारी रहेगा"), कस्टम पायथन या एज़्योर एमएल मॉडल की आवश्यकता है।

पावर बीआई विसंगति का पता लगाने में एकाधिक श्रृंखलाओं को कैसे संभालता है?

जब एक लाइन चार्ट में कई श्रृंखलाएं होती हैं (एक ही चार्ट पर कई माप), तो प्रत्येक श्रृंखला पर विसंगति का पता लगाना स्वतंत्र रूप से चलता है। प्रत्येक श्रृंखला की अपनी अपेक्षित मूल्य सीमा, अपने स्वयं के विसंगति मार्कर और क्लिक करने पर अपनी स्वयं की व्याख्याएं होती हैं। यह एक साथ कई संबंधित मेट्रिक्स की निगरानी करने की अनुमति देता है - उदाहरण के लिए, किसी भी मेट्रिक में अप्रत्याशित विचलन को चिह्नित करने वाली विसंगति का पता लगाने के साथ एक ही चार्ट पर राजस्व और सकल मार्जिन को ट्रैक करना।

क्या मैं ऐसे अलर्ट सेट कर सकता हूं जो किसी विसंगति का पता चलने पर ट्रिगर हो जाएं?

डैशबोर्ड पर पावर बीआई का मूल अलर्ट तंत्र डेटा-संचालित अलर्ट शर्त पूरी होने पर ट्रिगर हो सकता है (उदाहरण के लिए, जब केपीआई टाइल मान एक सीमा से नीचे चला जाता है)। यह विसंगति का पता लगाने के सांख्यिकीय मॉडल के साथ सीधे एकीकृत नहीं है। एआई डिटेक्शन मॉडल का उपयोग करने वाले स्वचालित विसंगति अलर्ट के लिए, वर्तमान दृष्टिकोण डेटाफ्लो में विसंगति स्कोर की गणना करना है (एज़्योर एनोमली डिटेक्टर एपीआई का उपयोग करके) और एक सीमा से अधिक परिणामी विसंगति स्कोर मीट्रिक पर डैशबोर्ड अलर्ट सेट करना है। विसंगति का पता लगाने और पावर ऑटोमेट अलर्ट के बीच मूल एकीकरण माइक्रोसॉफ्ट के रोडमैप पर है।

अगले कदम

विसंगति का पता लगाने से प्रतिक्रियाशील विश्लेषण - व्यवसाय को प्रभावित करने के बाद समस्याओं की खोज - को सक्रिय निगरानी में बदल दिया जाता है जो संकेतों को जल्दी पकड़ लेता है और जांच के प्रयास को वहां निर्देशित करता है जहां यह मायने रखता है। स्मार्ट नैरेटिव्स के साथ मिलकर, यह स्वचालित विसंगति रिपोर्टिंग को सक्षम बनाता है जो हितधारकों को मैन्युअल प्रयास के बिना सूचित रखता है।

ECOSIRE की पावर बीआई AI एनालिटिक्स सेवाएं में विसंगति का पता लगाने का कार्यान्वयन, संवेदनशीलता ट्यूनिंग, स्मार्ट नैरेटिव कॉन्फ़िगरेशन और Azure संज्ञानात्मक सेवाओं का उपयोग करके उन्नत विसंगति का पता लगाना शामिल है। एआई-संचालित एनालिटिक्स आपकी निगरानी और निर्णय लेने की प्रक्रियाओं को कैसे बेहतर बना सकता है, इस पर चर्चा करने के लिए हमसे संपर्क करें।

Anomaly Detection in Power BI: Finding What Changed and Why