Power BI AI 機能: Copilot、AutoML、予測分析

Power BI は、視覚化ツールから AI 拡張分析プラットフォームに進化しました。過去 3 年間にわたり、Microsoft は、Copilot による自然言語レポートの構築から、予測のための自動機械学習、データが予期せぬ動作をしたときに警告を発する異常検出に至るまで、Power BI エクスペリエンス全体に人工知能を埋め込んできました。これらの機能は実験的なプレビューではなくなりました。これらは、ビジネス ユーザーがデータを操作する方法を根本的に変える、実稼働対応の機能です。

問題は、これらの AI 機能が機能するかどうかではありません。実際に機能しており、ほとんどのユースケースで驚くほどうまく機能しています。課題は、どの機能がどのライセンス層で利用できるのか、データ環境に合わせてそれらを構成する方法、およびそれらの機能を効果的に活用できるようにユーザーをトレーニングする方法を理解することです。このガイドでは、Power BI の主要な AI 機能をすべてカバーしており、実践的な実装ガイダンス、ライセンス要件、各機能が優れている点と不足している点についての正直な評価が含まれています。

Power BI で AI を活用した分析戦略を構築している場合は、Power BI AI と分析サービス で実装のサポートとベスト プラクティスを確認してください。

重要なポイント

• Copilot for Power BI は、自然言語プロンプトからレポート、DAX 測定、および説明の概要を生成します --- Fabric F64+ または Premium P1+ の容量が必要です
• Power BI の AutoML により、コードを記述せずに分類、回帰、予測モデルが可能になり、プレミアム/ファブリック ワークスペースのデータフローを通じてアクセスできます。
• 異常検出により、時系列ビジュアル内の予期しないデータ ポイントに自動的にフラグが付けられ、根本原因の説明が提供されます。
• 主要なインフルエンサーのビジュアルは AI を使用して指標を上下させる要因を特定し、数週間にわたる手動分析を置き換えます。
• スマート ナラティブは、データの変更に応じて更新される、動的でコンテキストを認識したビジュアルのテキスト概要を生成します。
• Q&A (自然言語クエリ) は、適切な同義語構成と言語スキーマ設定により劇的に改善できます
• ほとんどの AI 機能には、ユーザーごとのプレミアム (ユーザーあたり月額 20 ドル)、プレミアム容量、またはファブリック容量が必要です --- Pro ライセンスには高度な AI は含まれません

---

Power BI のコパイロット

副操縦士ができること

Copilot for Power BI は、大規模な言語モデル機能をレポートの作成および使用エクスペリエンスに直接もたらします。これは、Power BI の側面に組み込まれたチャットボットではありません。コア ワークフローに統合され、データ モデル、関係、メジャーを理解します。

レポートの作成:

Copilot は、自然言語プロンプトから完全なレポート ページを生成できます。 「地域別の収益、月次傾向、トップ 10 製品を示す販売実績ダッシュボードを作成する」などのプロンプトでは、適切なグラフ タイプ、構成されたフィルター、適切な書式設定を備えたマルチビジュアル ページが生成されます。生成されたレポートは完成品ではなく出発点です。ただし、白紙ページの問題が解消され、ユーザーは数時間ではなく数秒で機能的なドラフトを作成できます。

DAX 生成:

Copilot は、自然言語記述から DAX メジャーを作成します。 「前年比収益成長率をパーセンテージとして計算」では、適切なタイム インテリジェンス関数を使用して測定値が生成されます。複雑なビジネス ロジックの場合、Copilot は変数を使用して複数ステップのメジャーを生成し、エッジ ケース (ゼロによる除算、ピリオドの欠落) を処理し、コメントでロジックを説明できます。

生成された DAX の品質は、優れた品質 (単純な集計とタイム インテリジェンス) から、手動による調整が必要な品質 (曖昧なビジネス ロジックを含む複雑な複数ファクト テーブルの計算) まで多岐にわたります。 DAX の 80% が一般的なパターンに従っている場合、Copilot は驚くほど正確です。深いドメイン知識が必要な 20% については、経験豊富なアナリストが磨きをかけることができる確かな出発点となります。

物語の要約:

Copilot はレポート ページの動的なテキスト概要を生成し、データが示す内容を平易な言葉で説明します。 「売上高は前年同期比 12% 増加しました。これは主に北部地域の 23% 増によって牽引されました。南部地域は 4% 減少しました。これは主に第 3 四半期に製品カテゴリー X が 15% 減少したためです。」これらのナラティブはフィルターが変更されると自動的に更新され、データの特定の見方に合わせて AI が生成したブリーフィングを経営陣に提供します。

データ探索:

ユーザーは、Copilot に自然言語でデータに関する質問をすることができます。「3 月の収益の落ち込みの原因は何ですか?」または「最も急速に成長している顧客セグメントはどれですか?」 Copilot は基礎となるデータを分析し、サポートする視覚化を使用して答えを提供します。 Copilot はコンテキストを理解し、複数ステップの分析を実行し、その推論を説明できるため、これは Q&A ビジュアルを超えた重要な進化です。

副操縦士の制限事項

副操縦士は強力ですが、全知ではありません。その制限を理解することで、失望や誤用を防ぐことができます。

• データ モデルの品質は重要です。 Copilot は、明確で説明的なテーブル名と列名を使用して、適切に設計されたスター スキーマで最もよく機能します。 「col1」、「dim_val_3」、および「amt_usd_net」という名前の列を含むモデルは、「顧客名」、「製品カテゴリ」、および「純収益 USD」を含むモデルよりも悪い結果を生成します。

• 複雑なビジネス ロジックにはガイダンスが必要です。 Copilot は、モデルにエンコードされていない限り、組織固有のビジネス ルールを認識しません。 「アクティブな顧客」が「返品を除いて過去 90 日間に注文した」ことを意味する場合、これを Copilot に明示的に伝えるか、Copilot が参照できるメジャーとしてエンコードする必要があります。

• 機密性に関する考慮事項。 Copilot は、データ モデルのメタデータ (テーブル名、列名、メジャー定義、サンプル値) を処理のために Azure OpenAI に送信します。データは Microsoft 365 コンプライアンスの境界内で処理され、モデルのトレーニングには使用されませんが、データに非常に敏感な組織は、Microsoft の Copilot データ処理ドキュメントを確認する必要があります。

• 幻覚のリスク すべての LLM ベースの機能と同様、Copilot は、もっともらしく聞こえるが不正確な DAX または誤解を招く説明文を生成する可能性があります。関係者と共有する前に、生成されたコンテンツを既知のデータ ポイントに対して常に検証してください。

副操縦士のライセンス要件

Power BI の Copilot には、次のいずれかが必要です。

Copilot は、プレミアム/ファブリック容量のない Pro のみのライセンスでは利用できません。これは、AI 機能を評価する組織において最も一般的な混乱の原因です。

---

AutoML: 自動化された機械学習

AutoML が可能にするもの

Power BI AutoML を使用すると、ビジネス アナリストは、コードを記述したり ML フレームワークを理解したりしなくても、機械学習モデルを構築、トレーニング、適用できます。モデルは Power BI データフロー内のデータでトレーニングされ、新しいデータが到着したときに適用できます。

サポートされているモデル タイプ:

AutoML モデルの構築

ステップ 1: データフローでトレーニング データを準備します。

AutoML モデルは、Power BI データフロー内のデータ (データセットやレポートではない) でトレーニングされます。予測する結果変数とそれに影響を与える可能性のある特徴 (入力変数) を含む履歴データを含むデータフロー エンティティを作成します。

顧客離れ予測モデルの場合、エンティティには次のものが含まれる場合があります。

ステップ 2: ML モデルを構成します。

データフロー エディターで、[ML モデルを適用] を選択し、ターゲット列を選択します。 Power BI は、ターゲット変数のデータ型に基づいて適切なモデル タイプを自動的に検出します (ブール値はバイナリ分類をトリガーし、数値は回帰をトリガーします)。

トレーニング オプションを構成します。

• トレーニング時間 (5 分から数時間 --- トレーニングが長くなると、より多くのモデル アーキテクチャが調査されます)
• 特徴の選択 (AutoML に選択させるか、手動で指定します)
• 検証分割 (通常は 80% トレーニング、20% 検証)

ステップ 3: トレーニングと評価。

AutoML は、複数のモデル アーキテクチャ (デシジョン ツリー、勾配ブースティング、ニューラル ネットワーク) をトレーニングし、最も優れたパフォーマンスを発揮するモデルを選択します。トレーニング後は次のことが提供されます。

• モデル精度メトリック: 分類には AUC-ROC、回帰には RMSE、予測には MAPE
• 特徴の重要性: どの入力変数が予測に最も影響を与えたか
• 混同行列: 分類モデルの場合、真/偽陽性と陰性を表示します。
• トレーニング レポート: モデル選択プロセスの詳細な文書

ステップ 4: 予測を適用します。

トレーニングが完了すると、モデルはデータフローを通じて到着する新しいデータに適用できます。新しい各行は、予測 (分類ラベルまたは数値予測) と信頼スコアを受け取ります。これらの予測は Power BI データセットに取り込まれ、レポートで視覚化できます。

AutoML のベスト プラクティス

データ品質は最も重要です。 AutoML は質の悪いデータを補うことはできません。トレーニング データがクリーンで、十分な量 (最低 100 行、理想的には 1,000 以上) があり、予測したいシナリオを代表していることを確認してください。欠損値、外れ値、クラスの不均衡はすべてモデルのパフォーマンスを低下させます。

特徴量エンジニアリングが重要です。 生データは、トレーニングの前に変換が必要になることがよくあります。 「最後の購入からの日数」、「6 か月間の平均注文金額」、または「サポート チケットの頻度」など、意味のあるパターンを捕捉する派生機能を作成します。 AutoML は生データ内の関係を検出できますが、事前に設計された機能により精度が大幅に向上します。

モデルのドリフトを監視します。 過去のデータに基づいてトレーニングされたモデルは、ビジネス状況の変化に応じて時間の経過とともに劣化します。関連性を維持するために、四半期ごと (または予測精度が許容可能なしきい値を下回った場合) にモデルを再トレーニングします。 Power BI はモデルのドリフトを自動的に検出しません。予測精度を積極的に監視する必要があります。

人間によるレビューなしで、一か八かの意思決定には AutoML を使用しないでください。 AutoML モデルは統計的な予測であり、決定論的なルールではありません。特に信用承認、雇用、医療診断などの重要な決定において、人間の判断と並行して意思決定への 1 つの入力として予測を使用します。

---

異常検出

異常検出の仕組み

Power BI の異常検出機能は、予想されるパターンから大きく逸脱する時系列ビジュアル内のデータ ポイントを自動的に識別します。過去のデータに基づいてトレーニングされた機械学習モデル (畳み込みニューラル ネットワークと組み合わせたスペクトル残差アルゴリズム) を使用して、予想される範囲を確立し、その範囲外にあるポイントにフラグを立てます。

構成オプション:

• 感度: 異常をどの程度積極的に警告するかを制御します。感度が高いほど、より多くの異常を検出できますが、誤検知が増加します。感度を低くすると、極端な逸脱のみが通知されます。デフォルトは 80% (中感度) です。
• 予想される範囲: チャートに表示される信頼帯。帯域が広いほど、フラグが立てられる異常が少なくなります。帯域幅は感度設定によって制御されます。
• 季節性: 季節パターン (週次、月次、四半期) を持つデータの場合、Power BI は季節性を自動的に検出して考慮することができます。季節期間を手動で指定することもできます。

異常検出の有効化

異常検出は日時軸の折れ線グラフで使用できます。

1. X 軸に日付/時刻フィールド、Y 軸に数値メジャーを持つ折れ線グラフを作成します。
2. [分析] ペインで、[異常の検索] を展開し、オンに切り替えます。
3. スライダーを使用して感度を調整します (デフォルトで開始し、結果に基づいて調整します)。
4. 必要に応じて、[説明] フィールドを構成します --- Power BI が異常が発生した理由を説明するために使用するディメンション。

根本原因の説明

異常検出の最も価値のある側面は、異常にフラグを立てることではなく、異常を説明することです。ユーザーがフラグ付きの異常をクリックすると、Power BI は寄与するディメンションを分析し、どの要因が予期せぬ値を引き起こしたかを示します。

たとえば、3 月 15 日の総収益が異常に低いとフラグが立てられた場合、説明には次のように表示される可能性があります。

• 「西部地域からの収益は予想を 45% 下回り、異常事態に -12 万ドルの影響を及ぼしました。」
• 「製品カテゴリ: エレクトロニクスは予想範囲に対して 60% 減少しました」
• 「顧客セグメント: エンタープライズは通常レベルを維持、SMB セグメントは逸脱を促進」

これらの説明により、異常検出は「何かが間違っているようです」から「具体的に何が起こったのか、どこを調査すべきか」に変わります。この機能は、何時間にもわたる手動のドリルダウン分析に代わるものです。

異常検出ライセンス

異常検出の基本機能は Pro ライセンスで利用できます。 「説明」根本原因分析機能には、Premium Per User、Premium 容量、または Fabric 容量が必要です。ほとんどの実際的な実装では、根本原因の説明が主な価値要因となるため、プレミアムまたは PPU ライセンスを計画してください。

---

キーインフルエンサーのビジュアル

主要なインフルエンサーの活動

主要な影響者ビジュアルでは、機械学習を使用して、データ内のどの要素がターゲット指標に最も強く影響を与えるかを特定します。 「何が顧客満足度スコアを高めるのか?」といった質問に答えます。または「離職率の高さを予測する要因は何ですか?」ユーザーがデータを手動でクロス集計したり、統計分析を実行したりする必要はありません。

2 つの分析モード:

主要な影響力タブ: ターゲット指標に対する影響力によってランク付けされた個々の要因が表示されます。各要素には、その係数 (ターゲットをどれだけ動かすか) とそれをサポートする視覚化が表示されます。例: 「部門がエンジニアリングの場合、平均従業員満足度スコアは 0.8 ポイント増加します。」または「契約タイプが月次の場合、解約の可能性は 3.2 倍になります。」

上位セグメント タブ: クラスタリングを使用して、共通の特性を共有し、同様のターゲット メトリック値を示すレコードのグループ (セグメント) を識別します。例: 「セグメント 1: 24 か月を超える契約期間、3 つ以上の製品、および年間契約を持つ顧客の解約率はわずか 2.1% (全体の 15% と比較)」。

主要な影響力を持つ人物の構成

ターゲット指標の選択:

ターゲットは次のとおりです。

• カテゴリ列 (「取引が成立するか負けるかに影響を与えるものは何ですか?」)
• 数値列 (「顧客満足度スコアに影響を与えるものは何ですか?」)
• 尺度 (「顧客あたりの収益に影響を与えるものは何ですか?」)

説明要因:

ターゲットに影響を与える可能性のある列を「説明」フィールドのウェルにドラッグします。ビジュアルは以下を自動的に処理します。

• カテゴリ別要因 (各カテゴリの効果を比較します)
• 数値要因 (「月々の支出が 500 ドルを超えた場合」などのしきい値の影響を特定します)
• 複数の因子を同時に実行 (ロジスティック回帰またはデシジョン ツリーを使用して、各因子の寄与を分離します)

ベストプラクティス:

• 5 ～ 15 個の説明要素を含めます。 5 未満の場合、分析が制限されます。 15 を超えるとノイズの多い結果が生じる可能性があります。
• すべての行に一意の値を持つ識別子列 (CustomerID、OrderNumber) を除外します。
• 最も洞察力に富んだ結果を得るには、カテゴリ要因と数値要因を組み合わせて含めます。
• 適切な粒度でフィールドを使用します。ターゲットが顧客レベルにある場合、説明要素も (トランザクション レベルではなく) 顧客レベルにある必要があります。

実際の応用

Key Influencers は、すべての Power BI ライセンス タイプ (Pro、PPU、Premium) で利用できます。これは最もアクセスしやすい AI 機能の 1 つであり、多くの場合、ビジネス ユーザーに具体的な価値を提供する最初の機能です。

---

スマートな物語

自動化された洞察の生成

スマート ナラティブは、フィルターが変更されると自動的に更新されるデータの動的な自然言語の概要を生成します。静的なテキスト ボックスとは異なり、スマート ナラティブはデータ駆動型です。基礎となるビジュアルを分析し、状況に応じた説明を生成します。

賢明な物語が生み出すもの:

• 概要統計 (「総収益は 420 万ドル、前期比 12% 増加」)
• 傾向の説明 (「過去 6 か月間、収益は増加傾向にあり、月平均成長率は 2.3%」)
• 比較の洞察 (「北部地域は他のすべての地域を上回っており、総収益の 35% に貢献している」)
• 異常な指摘 (「エンタープライズ部門の減少により、3 月の売上高は 12 か月の平均を 15% 下回った」)

スマート ナラティブのカスタマイズ

デフォルトのスマート ナラティブは汎用です。それらを価値のあるものにするには、次のようにカスタマイズします。

特定の値の追加:

[値を追加] をクリックして、特定のメジャーまたはフィールドを挿入します。スマート ナラティブは、これらの値 (通貨、パーセンテージ、数値) を動的にフォーマットし、フィルターが変更されるとそれらを更新します。

生成されたテキストの編集:

自動生成されたテキストが出発点となります。組織の用語に合わせて編集し、視聴者にとって最も重要な洞察に焦点を当てます。周囲のテキストを調整しながら、動的な値の参照をそのまま維持します。

条件付きテキスト:

条件付きロジックを使用して、データ値に基づいて異なるテキストを表示します。例: 「収益は [差異額] だけ目標を [上/下] にしています。」 ここで、文言は実際のパフォーマンスに基づいて変更されます。

スマート ナラティブのベスト プラクティス

• スマートなナラティブをエグゼクティブ ダッシュボードの最上部に配置して、すぐにコンテキストを提供します
• 物語はビジュアルまたはページごとに 3 ～ 5 文に抑えます --- 簡潔にすることで読者が増加します
• 条件付き書式を使用して、プラスのパフォーマンスを緑色で、マイナスのパフォーマンスを赤色で強調表示します。
• さまざまなフィルターの組み合わせでナラティブをテストし、正確かつ意味のあるものであることを確認します
• スマートなナラティブと Copilot を組み合わせて、Premium 容量に関するより豊富で状況に応じた概要を作成します

---

Q&A の最適化

Q&A ビジュアル

Q&A (質問と回答) ビジュアルを使用すると、ユーザーは自然言語で質問を入力し、データ駆動型の回答をビジュアル化して受け取ることができます。 「前四半期の総収益はいくらでしたか?」価値を示すカードビジュアルを作成します。 「地域ごとの収益を棒グラフで表示」では、要求された視覚化が生成されます。

Q&A はデモでは一見単純ですが、実際のデータを適切に処理するには大幅な構成が必要です。初期状態では、Q&A はあいまいな列名、業界固有の用語、複雑なビジネス ロジックに苦労しています。適切に最適化すると、強力なセルフサービス ツールになります。

言語スキーマの構成

言語スキーマは、データ モデルが自然言語の概念にどのようにマッピングされるかを Q&A に伝えます。これは、Q&A の品質にとって最も影響力のある構成です。

同義語:

テーブル、列、値の代替用語を定義します。

表現:

テーブル間の関係を自然言語で表現する方法を定義します。

• 「顧客は製品を購入」（注文を通じて顧客を製品に結び付ける属性の表現）
• 「注文には出荷日があります」(属性の表現)
• 「収益は ある地域のものです」 (メジャーをディメンションにリンクする名前の表現)

提案される質問:

ユーザーが質問できる内容を示す質問例を提供します。これらは、ユーザーが Q&A ビジュアルをクリックすると提案として表示され、システムが適切に処理する質問の種類をユーザーに教えます。

Q&A 構成チェックリスト

1. すべてのテーブルと列の名前をビジネス向けの名前に変更します (省略形やアンダースコアは使用しません)。
2. すべてのテーブルと列に同義語を追加します (それぞれ最低 2 ～ 3 つの同義語)
3. 主要な関係の表現を構成する
4. 一般的な分析シナリオをカバーする 10 ～ 15 個の質問を追加します
5. ビジネス ユーザーからの 20 ～ 30 の実際の質問でテストし、結果に基づいて調整します
6. Q&A トレーニング ログ (Power BI は回答できなかった質問を追跡します) を毎月確認し、不足している同義語や表現を追加します。
7. 質問を効果的に表現する方法に関するユーザートレーニングを提供する

Q&A ライセンス

Q&A ビジュアルは、すべてのライセンス タイプで利用できます。高度な Q&A 機能 (提案された質問、言語スキーマ) は、ライセンスに関係なく Power BI Desktop で利用できます。 Power BI サービスの Q&A には Pro または PPU が必要です。 Copilot で強化された Q&A (会話型、マルチターン) には、Premium または Fabric の容量が必要です。

---

ライセンス要件の概要

AI 機能のライセンス別の利用可能性

費用対効果の高い AI ライセンス戦略

プレミアム容量をフルに活用せずに AI 機能を活用したい組織の場合:

フェーズ 1: Pro から開始します。 主要な影響者、Q&A、基本的な異常検出、スマート ナラティブ、および予測ビジュアルを展開します。これらの機能はユーザーあたり月額 10 ドルで利用でき、重要な分析価値を提供します。

フェーズ 2: パワー ユーザーを PPU にアップグレードします。 AutoML と高度な異常検出を必要とするアナリストにとって、ユーザーあたり月額 20 ドルの PPU は、Premium 容量よりも大幅に安価です。 PPU の 20 人のアナリスト チームの費用は月額 400 ドルですが、最も低いプレミアム容量では月額 5,000 ドル以上かかります。

フェーズ 3: Copilot 用のファブリック キャパシティを追加します。 組織が Copilot と高度な AI の準備ができたら、ファブリック F64 キャパシティをプロビジョニングします。これにより、ファブリック ワークスペースのコンテンツにアクセスする Pro または PPU ライセンスを持つすべてのユーザーが Copilot を使用できるようになります。

この段階的なアプローチにより、組織は AI 機能を段階的に構築し、大規模な投資に取り組む前に各段階で ROI を実証できます。 ECOSIRE は、組織がこの進歩を計画および実行できるよう、AI 分析実装サービス を提供しています。

---

実用的な AI 実装パターン

パターン 1: 経営陣の異常アラート

異常検出と Power Automate を組み合わせて、自動化されたエグゼクティブ アラートを作成します。

1. 主要な指標 (収益、注文、コンバージョン率) に対する異常検出を有効にしたダッシュボードを構築します。
2. 異常検出ビジュアル上のデータドリブン アラートによってトリガーされる Power Automate フローを作成します。
3. 異常が検出されると、フローは異常の詳細と根本原因の説明を含む Teams メッセージまたは電子メールを経営チームに送信します。
4. 経営幹部は、さらに調査するためにライブ ダッシュボードへのリンクをクリックします。

このパターンは、手動による朝のデータ レビューを、自動化された例外ベースのアラートに置き換えます。経営幹部は、注意が必要な場合にのみ情報を参照します。

パターン 2: 売上予測パイプライン

AutoML を使用して取引スコアリング モデルを構築します。

1. 過去の取引データ (特徴のある取引の成約および損失) を含むデータフローを作成します。
2. 勝ちと負けを予測するバイナリ分類モデルをトレーニングします。
3. モデルを現在のパイプライン取引に適用し、それぞれの取引に勝利確率を付けます。
4. 従来のパイプライン指標と並べて販売ダッシュボードで予測を視覚化します。
5. 営業マネージャーは、予測スコアを使用して取引に優先順位を付け、リソースを割り当てます。
6. 精度を維持するために、新しい成約データを使用してモデルを四半期ごとに再トレーニングします。

パターン 3: 自然言語分析ポータル

Q&A と Copilot を使用してセルフサービス分析ポータルを構築します。

1. 上位 5 ～ 10 のデータセットの言語スキーマを最適化します。
2. メインの Power BI アプリに専用の「分析 Q&A」ページを作成します。
3. 例と提案された質問を通じて、効果的な質問の表現についてユーザーをトレーニングします。
4. 未回答の質問を毎月監視し、ギャップに基づいて言語スキーマを改善します。
5. プレミアム/ファブリック環境の場合、会話によるマルチターン探索のために Copilot を有効にします。

このパターンでは、ユーザーがレポートを作成せずに自分の質問に答えることができるため、アドホックなレポート要求が 40 ～ 60% 削減されます。

---

よくある質問

Copilot for Power BI はデータを OpenAI に送信しますか?

Copilot は、Microsoft 365 コンプライアンス境界内で Azure OpenAI Service を通じてデータを処理します。データ モデルのメタデータ (テーブル名、列名、メジャー定義、サンプル値) は処理のために送信されますが、そのデータは Azure OpenAI によって保存されず、モデルのトレーニングにも使用されません。データは Microsoft のエンタープライズ セキュリティ境界内に留まり、Microsoft 365 の他の部分と同じコンプライアンス認定の対象となります。データの機密性が非常に高い組織は、Microsoft Copilot Data Protection のドキュメントで詳細なデータ フロー ダイアグラムと常駐保証を確認する必要があります。

Power BI の AutoML 予測はどの程度正確ですか?

精度は、データの品質、量、およびモデル化している結果の予測可能性に完全に依存します。クリーンな履歴データ (1,000 以上のトレーニング行、明確な結果変数、関連する特徴) を使用して明確に定義されたビジネス上の問題の場合、AutoML は通常、分類の精度が 75 ～ 90%、回帰の妥当な RMSE を達成します。あまり構造化されていない問題やノイズの多いデータの場合、精度は 60 ～ 75% になる可能性があります。 AutoML は、トレーニング後に精度メトリクスを提供します。予測を実稼働環境にデプロイする前に、常にこれらを評価します。精度がしきい値を下回っている場合、解決策は通常、別のツールではなく、より優れたデータまたは特徴エンジニアリングです。

Power BI AI 機能を DirectQuery データセットで使用できますか?

AI アルゴリズムは完全なデータセットをスキャンして処理する必要があるため、ほとんどの AI 機能にはインポート モード データセットが必要ですが、DirectQuery 接続ではパフォーマンスが低下します。異常検出、キーインフルエンサー、スマート ナラティブはインポート モードでのみ機能します。 Q&A は DirectQuery で動作しますが、速度が遅くなる可能性があります。 AutoML にはデータフロー (インポート モードを使用する) が必要です。 Copilot は一部の機能について DirectQuery データセットを使用できますが、インポート モードで最も効果的です。鮮度を維持するために DirectQuery を使用する必要があるデータセットの場合は、ハイブリッド アプローチを検討してください。つまり、リアルタイムの操作ビジュアルには DirectQuery を使用し、AI を活用した分析には別のインポート モード データセットを使用します。

AI 機能が適切に動作するために必要な最小データ量はどれくらいですか?

要件は機能によって異なります。異常検出では、信頼できるベースラインを確立するために、時系列に少なくとも 12 のデータ ポイント (理想的には 50 以上) が必要です。キーインフルエンサーには、分析対象のカテゴリごとに少なくとも 100 行が必要です。 AutoML には少なくとも 100 のトレーニング行が必要ですが、1,000 以上あるとパフォーマンスが大幅に向上します。 Q&A とスマート ナラティブは、あらゆるデータ量で動作します。 Copilot はあらゆるデータ ボリュームで動作しますが、より多くのデータ コンテキストでより優れた洞察を提供します。一般に、データセットの行数が 1,000 行未満の場合、AI 機能は機能しますが、統計的に重要な洞察が得られない可能性があります。

Pro ライセンスしか持っていない場合、Power BI AI を使い始めるにはどうすればよいですか?

Pro で利用できる AI 機能から始めます。Q&A ビジュアル (主要なデータセットの言語スキーマを最適化)、キー インフルエンサー (最も重要なメトリクスを駆動するものを特定)、基本的な異常検出 (予期せぬ変化がないか時系列を監視)、スマート ナラティブ (エグゼクティブ ダッシュボードに自動要約を追加)、予測ビジュアル (プロジェクトの時系列傾向) です。これらの機能は、追加のライセンス費用なしで大きな価値を提供します。 ROI を実証したら、PPU またはプレミアム/ファブリックのビジネス ケースを構築して、AutoML、高度な異常検出、Copilot を利用できるようにします。