Power BI AI Özellikleri: Copilot, AutoML ve Tahmine Dayalı Analitik

Power BI, bir görselleştirme aracından yapay zekayla güçlendirilmiş bir analiz platformuna dönüştü. Geçtiğimiz üç yıl boyunca Microsoft, Copilot ile doğal dil raporu oluşturmadan tahminler için otomatik makine öğrenimine ve verileriniz beklenmedik şekilde davrandığında sizi uyaran anormallik tespitine kadar Power BI deneyiminin tamamına yapay zeka yerleştirdi. Bu özellikler artık deneysel önizlemeler değildir. Bunlar, iş kullanıcılarının verilerle etkileşim kurma biçimini temelden değiştiren, üretime hazır yeteneklerdir.

Sorun, bu yapay zeka özelliklerinin çalışıp çalışmaması değil; işe yarıyorlar ve çoğu kullanım durumunda oldukça iyiler. Buradaki zorluk, hangi özelliklerin hangi lisans katmanında mevcut olduğunu, bunları veri ortamınız için nasıl yapılandıracağınızı ve kullanıcıları bunlardan etkili bir şekilde yararlanmaları için nasıl eğiteceğinizi anlamaktır. Bu kılavuz, Power BI'daki tüm önemli yapay zeka yeteneklerini kapsar; pratik uygulama kılavuzu, lisanslama gereksinimleri ve her özelliğin nerede üstün, nerede yetersiz kaldığına ilişkin dürüst değerlendirmeler içerir.

Power BI'da yapay zeka destekli bir analiz stratejisi oluşturuyorsanız uygulama desteği ve en iyi uygulamalar için Power BI yapay zeka ve analiz hizmetlerimizi keşfedin.

Önemli Çıkarımlar

• Copilot for Power BI, doğal dil istemlerinden raporlar, DAX ölçümleri ve anlatım özetleri oluşturur; Fabric F64+ veya Premium P1+ kapasitesi gerektirir
• Power BI'daki AutoML, kod yazmaya gerek kalmadan Premium/Fabric çalışma alanlarındaki veri akışları aracılığıyla erişilebilen sınıflandırma, regresyon ve tahmin modellerine olanak tanır
• Anormallik tespiti, zaman serisi görsellerindeki beklenmeyen veri noktalarını otomatik olarak işaretler ve temel neden açıklamalarını sağlar
• Önemli Etkileyenler görseli, bir metriği yukarı veya aşağı yönlendiren faktörleri belirlemek için haftalarca süren manuel analizin yerine yapay zekayı kullanır
• Akıllı Anlatılar, veri değişiklikleriyle güncellenen görsellerin dinamik, bağlama duyarlı metin özetlerini oluşturur
• Soru-Cevap (doğal dil sorgulama), uygun eş anlamlı yapılandırması ve dil şeması kurulumuyla önemli ölçüde geliştirilebilir
• Çoğu yapay zeka özelliği, Kullanıcı Başına Premium (20 ABD doları/kullanıcı/ay), Premium kapasite veya Yapı kapasitesi gerektirir --- Pro lisansları gelişmiş yapay zekayı kapsamaz

---

Power BI için Yardımcı Pilot

Yardımcı Pilot Neler Yapabilir?

Power BI için Copilot, geniş dil modeli yeteneklerini doğrudan rapor yazma ve tüketim deneyimine getirir. Bu, Power BI'ın yan tarafına sabitlenmiş bir sohbet robotu değildir; temel iş akışına entegre olup veri modelinizi, ilişkilerinizi ve ölçümlerinizi anlar.

Rapor oluşturma:

Copilot, doğal dil istemlerinden eksiksiz rapor sayfaları oluşturabilir. "Bölgeye göre geliri, aylık trendleri ve en iyi 10 ürünü gösteren bir satış performansı kontrol paneli oluşturun" gibi bir istem, uygun grafik türlerine, yapılandırılmış filtrelere ve makul biçimlendirmeye sahip çok görselli bir sayfa oluşturur. Oluşturulan rapor bitmiş bir ürün değil, bir başlangıç ​​noktasıdır ancak boş sayfa sorununu ortadan kaldırır ve kullanıcıları saatler yerine saniyeler içinde işlevsel bir taslağa ulaştırır.

DAX oluşturma:

Copilot, DAX ölçümlerini doğal dil açıklamalarından yazar. "Yıldan yıla gelir artışını yüzde olarak hesapla", uygun zaman istihbaratı işlevlerini kullanarak bir ölçüm üretir. Karmaşık iş mantığı için, Copilot değişkenlerle çok adımlı ölçümler oluşturabilir, uç durumları (sıfıra bölme, eksik noktalar) ele alabilir ve mantığı yorumlarda açıklayabilir.

Oluşturulan DAX'ın kalitesi mükemmelden (basit toplamalar ve zaman zekası) manuel iyileştirme gerektirmeye (belirsiz iş mantığıyla karmaşık çok olgulu tablo hesaplamaları) kadar değişir. Ortak kalıpları takip eden DAX'in %80'i için Copilot son derece doğrudur. Derin alan bilgisi gerektiren %20 için deneyimli bir analistin geliştirebileceği sağlam bir başlangıç ​​noktası sağlar.

Anlatı özetleri:

Copilot, rapor sayfalarının dinamik metin özetlerini oluşturarak verilerin neyi gösterdiğini sade bir dille açıklar. "Gelir, esas olarak %23 büyüyen Kuzey bölgesinin etkisiyle yıllık bazda %12 arttı. Güney bölgesi ise büyük ölçüde Üçüncü Çeyrekte X Ürün Kategorisindeki %15'lik düşüş nedeniyle %4 düşüş gösterdi." Bu anlatılar, filtreler değiştikçe otomatik olarak güncellenir ve yöneticilere, verilere ilişkin özel görünümlerine göre uyarlanmış yapay zeka tarafından oluşturulan brifingler sunulur.

Veri araştırması:

Kullanıcılar, Copilot'a kendi verileriyle ilgili soruları doğal dilde sorabilir: "Mart ayında gelir düşüşüne ne sebep oldu?" veya "Hangi müşteri segmentleri en hızlı büyüyor?" Copilot, temel verileri analiz eder ve destekleyici görselleştirmelerle yanıtlar sağlar. Bu, Soru-Cevap görselinin ötesinde önemli bir gelişmedir çünkü Copilot bağlamı anlar, çok adımlı analiz gerçekleştirebilir ve bunun gerekçesini açıklayabilir.

Yardımcı Pilot Sınırlamaları

Yardımcı pilot güçlüdür ancak her şeyi bilen değildir. Sınırlamalarını anlamak, hayal kırıklığını ve kötüye kullanımı önler:

• Veri modeli kalitesi önemlidir. Copilot, açık, açıklayıcı tablo ve sütun adlarının kullanıldığı iyi tasarlanmış yıldız şemalarıyla en iyi şekilde çalışır. "col1", "dim_val_3" ve "amt_usd_net" sütunlarına sahip bir model, "Müşteri Adı", "Ürün Kategorisi" ve "Net Gelir ABD Doları"na sahip bir modelden daha kötü sonuçlar üretecektir.

• Karmaşık iş mantığı rehberlik gerektirir. Copilot, modelde kodlanmadığı sürece kuruluşunuzun belirli iş kurallarını bilmez. "Aktif müşteri", "iadeler hariç son 90 gün içinde sipariş verdi" anlamına geliyorsa, bunu Copilot'a açıkça söylemeniz veya Copilot'un referans alabileceği bir ölçü olarak kodlamanız gerekir.

• Gizlilik açısından dikkat edilmesi gereken noktalar. Copilot, veri modeli meta verilerini (tablo adları, sütun adları, ölçü tanımları, örnek değerler) işlenmek üzere Azure OpenAI'ye gönderir. Veriler, Microsoft 365 uyumluluk sınırınız dahilinde işlenir ve modelleri eğitmek için kullanılmaz, ancak aşırı veri hassasiyetine sahip kuruluşların Microsoft'un Copilot veri işleme belgelerini incelemesi gerekir.

• Halüsinasyon riski. Tüm LLM tabanlı özellikler gibi, Copilot da akla yatkın görünen ancak yanlış DAX veya yanıltıcı anlatı ifadeleri üretebilir. Oluşturulan içeriği paydaşlarla paylaşmadan önce her zaman bilinen veri noktalarına göre doğrulayın.

Yardımcı Pilot Lisans Gereksinimleri

Power BI için Copilot aşağıdakilerden birini gerektirir:

Copilot, Premium/Fabric kapasitesi olmayan yalnızca Pro lisanslamalarında mevcut değildir. Bu, yapay zeka özelliklerini değerlendiren kuruluşlarda en yaygın kafa karışıklığı kaynağıdır.

---

AutoML: Otomatik Makine Öğrenimi

AutoML Neleri Etkinleştirir?

Power BI AutoML, iş analistlerinin kod yazmadan veya ML çerçevelerini anlamadan makine öğrenimi modelleri oluşturmasına, eğitmesine ve uygulamasına olanak tanır. Modeller, Power BI veri akışlarındaki verileriniz üzerinde eğitilir ve yeni veriler geldikçe bunlara uygulanabilir.

Desteklenen model türleri:

AutoML Modeli Oluşturma

1. Adım: Veri akışında eğitim verilerini hazırlayın.

AutoML modelleri, Power BI veri akışlarındaki veriler (veri kümeleri veya raporlar değil) kullanılarak eğitilir. Tahmin etmek istediğiniz sonuç değişkeni ve onu etkileyebilecek özellikler (giriş değişkenleri) ile geçmiş verilerinizi içeren bir veri akışı varlığı oluşturun.

Bir müşteri kaybı tahmin modeli için kuruluş aşağıdakileri içerebilir:

2. Adım: ML modelini yapılandırın.

Veri akışı düzenleyicisinde "ML Modelini Uygula"yı seçin ve hedef sütununuzu seçin. Power BI, hedef değişkenin veri türüne göre uygun model türünü otomatik olarak algılar (Boole ikili sınıflandırmayı tetikler, sayısal ise regresyonu tetikler).

Eğitim seçeneklerini yapılandırın:

• Eğitim süresi (5 dakikadan birkaç saate kadar --- daha uzun eğitim daha fazla model mimariyi araştırır)
• Özellik seçimi (AutoML'nin seçmesine izin verin veya manuel olarak belirtin)
• Doğrulama bölünmesi (tipik olarak %80 eğitim, %20 doğrulama)

3. Adım: Eğitin ve değerlendirin.

AutoML birden fazla model mimarisini (karar ağaçları, degrade artırma, sinir ağları) eğitir ve en iyi performansı göstereni seçer. Eğitimden sonra şunları sağlar:

• Model doğruluk ölçümleri: Sınıflandırma için AUC-ROC, regresyon için RMSE, tahmin için MAPE
• Özelliğin önemi: Tahminler üzerinde en fazla etkiye sahip olan girdi değişkenleri
• Karışıklık matrisi: Sınıflandırma modelleri için doğru/yanlış pozitifleri ve negatifleri gösterir
• Eğitim raporu: Model seçim sürecinin ayrıntılı dokümantasyonu

4. Adım: Tahminleri uygulayın.

Model eğitildikten sonra veri akışı yoluyla gelen yeni verilere uygulanabilir. Her yeni satıra bir tahmin (sınıflandırma etiketi veya sayısal tahmin) ve bir güven puanı verilir. Bu tahminler Power BI veri kümelerinize akar ve raporlarda görselleştirilebilir.

AutoML En İyi Uygulamaları

Veri kalitesi çok önemlidir. AutoML, zayıf verileri telafi edemez. Eğitim verilerinizin temiz olduğundan, yeterli hacme sahip olduğundan (minimum 100 satır, ideal olarak 1.000+) ve tahmin etmek istediğiniz senaryoları temsil ettiğinden emin olun. Eksik değerler, aykırı değerler ve sınıf dengesizliği model performansını düşürür.

Özellik mühendisliği önemlidir. Ham verilerin genellikle eğitimden önce dönüştürülmesi gerekir. Anlamlı kalıpları yakalayan "son satın alma işleminden bu yana geçen gün sayısı", "6 ay boyunca ortalama sipariş değeri" veya "destek bileti sıklığı" gibi türetilmiş özellikler oluşturun. AutoML ham verilerdeki ilişkileri keşfedebilir ancak önceden tasarlanmış özellikler doğruluğu önemli ölçüde artırır.

Model sapmasını izleyin. Geçmiş verilerle eğitilen modeller, iş koşulları değiştikçe zamanla bozulur. Uygunluğu korumak için modelleri üç ayda bir (veya tahmin doğruluğu kabul edilebilir eşiklerin altına düştüğünde) yeniden eğitin. Power BI, model sapmasını otomatik olarak algılamaz; tahmin doğruluğunu proaktif olarak izlemeniz gerekir.

İnsan incelemesi olmadan AutoML'yi yüksek riskli kararlar için kullanmayın. AutoML modelleri deterministik kurallar değil, istatistiksel tahminlerdir. Özellikle kredi onayı, işe alım veya tıbbi teşhis gibi sonuç niteliğindeki kararlar için tahminleri, karar alma sürecinde insan muhakemesi yanında bir girdi olarak kullanın.

---

Anormallik Tespiti

Anormallik Tespiti Nasıl Çalışır?

Power BI'ın anormallik algılama özelliği, zaman serisi görsellerinde beklenen modellerden önemli ölçüde sapan veri noktalarını otomatik olarak tanımlar. Beklenen aralıkları oluşturmak için geçmiş verileriniz üzerinde eğitilmiş bir makine öğrenme modeli (Evrişimli Sinir Ağları ile birleştirilmiş Spektral Artık algoritma) kullanır ve ardından bu aralıkların dışında kalan noktaları işaretler.

Yapılandırma seçenekleri:

• Hassasiyet: Anormalliklerin ne kadar agresif bir şekilde işaretlendiğini kontrol eder. Daha yüksek hassasiyet daha fazla anormalliği yakalar ancak yanlış pozitifleri artırır. Daha düşük hassasiyet yalnızca aşırı sapmaları işaretler. Varsayılan %80'dir (orta hassasiyet).
• Beklenen aralık: Grafikte gösterilen güven aralığı. Daha geniş bantlar daha az işaretlenmiş anormallik anlamına gelir. Bant genişliği hassasiyet ayarıyla kontrol edilir.
• Mevsimsellik: Mevsimsel kalıplara sahip verilerde (haftalık, aylık, üç aylık), Power BI mevsimselliği otomatik olarak algılayabilir ve hesaba katabilir. Ayrıca sezon dönemini manuel olarak da belirleyebilirsiniz.

Anormallik Algılamayı Etkinleştirme

Anormallik algılama, tarihsaat eksenine sahip çizgi grafiklerinde kullanılabilir:

1. X ekseninde tarih/saat alanı ve y ekseninde sayısal hesaplama içeren bir çizgi grafik oluşturun.
2. Analitik bölmesinde "Anormallikleri Bul" seçeneğini genişletin ve açın.
3. Kaydırıcıyı kullanarak hassasiyeti ayarlayın (varsayılandan başlayın ve sonuçlara göre ayarlayın).
4. İsteğe bağlı olarak, Power BI'ın bir anormalliğin neden oluştuğunu açıklamak için kullanacağı "Açıklama ölçütü" alanlarını --- boyutlarını yapılandırın.

Kök Neden Açıklaması

Anormallik tespitinin en değerli yönü anormallikleri işaretlemek değil, onları açıklamaktır. Kullanıcı işaretlenmiş bir anormalliğe tıkladığında Power BI katkıda bulunan boyutları analiz eder ve beklenmeyen değere hangi faktörlerin neden olduğunu gösterir.

Örneğin, 15 Mart'taki toplam gelir anormal derecede düşük olarak işaretlendiyse açıklama şunları gösterebilir:

• "Batı bölgesinden elde edilen gelir beklenenin %45 altındaydı ve anormalliğe 120 bin dolar katkıda bulundu"
• "Ürün Kategorisi: Elektronikte beklenen aralığa göre %60'lık bir düşüş yaşandı"
• "Müşteri segmenti: İşletme normal seviyeleri korudu; KOBİ segmenti sapmaya neden oldu"

Bu açıklamalar, anormallik tespitini "bir şeyler yanlış görünüyor" yerine "işte tam olarak ne olduğu ve nerede araştırılacağı"na dönüştürüyor. Bu yetenek saatlerce süren manuel detaylandırma analizinin yerini alır.

Anormallik Tespiti Lisansı

Anormallik tespiti temel işlevleri Pro lisanslarıyla kullanılabilir. "Açıklama ölçütü" temel neden analizi özelliği, Kullanıcı Başına Premium, Premium kapasite veya Yapı kapasitesi gerektirir. Çoğu pratik uygulamada temel neden açıklaması birincil değer faktörüdür; bu nedenle Premium veya PPU lisanslamayı planlayın.

---

Önemli Etkileyenler Görsel

Önemli Etkileyenlerin Yaptığı Şeyler

Önemli Etkileyenler görseli, verilerinizdeki hangi faktörlerin bir hedef ölçümü en güçlü şekilde etkilediğini belirlemek için makine öğrenimini kullanır. "Müşteri memnuniyeti puanlarını neler etkiliyor?" gibi sorulara yanıt veriyor. veya "Çalışan devir hızının yüksek olmasını hangi faktörler öngörüyor?" kullanıcıların verileri manuel olarak çapraz tablo haline getirmesine veya istatistiksel analizler yürütmesine gerek kalmadan.

İki analiz modu:

Önemli faktörler sekmesi: Hedef metrik üzerindeki etkilerine göre sıralanmış bireysel faktörleri gösterir. Her faktör kendi katsayısını (hedefi ne kadar hareket ettirdiği) ve destekleyici bir görselleştirmeyi gösterir. Örneğin: "Departman Mühendislik olduğunda ortalama çalışan memnuniyeti puanı 0,8 puan artıyor" veya "Sözleşme Türü Aydan Aya olduğunda, ayrılma olasılığı 3,2 kat artıyor."

Üst segmentler sekmesi: Ortak özellikleri paylaşan ve benzer hedef metrik değerleri sergileyen kayıt gruplarını (segmentlerini) tanımlamak için kümelemeyi kullanır. Örneğin: "Segment 1: Kullanım süresi 24 aydan uzun olan, 3'ten fazla ürüne ve yıllık sözleşmelere sahip müşterilerin kayıp oranı yalnızca %2,1'dir (genel olarak %15'e kıyasla)."

Önemli Etkileyicileri Yapılandırma

Hedef metrik seçimi:

Hedef şunlar olabilir:

• Kategorik bir sütun ("Bir anlaşmanın Kazanılmış mı, Kaybedilmiş mi olduğunu neler etkiler?")
• Sayısal bir sütun ("Müşteri memnuniyeti puanını neler etkiler?")
• Bir ölçü ("Müşteri başına geliri neler etkiler?")

Açıklayıcı faktörler:

Hedefi etkileyebilecek sütunları "Açıklama ölçütü" alanına iyi bir şekilde sürükleyin. Görsel otomatik olarak şunları yönetir:

• Kategorik faktörler (her kategorinin etkisini karşılaştırır)
• Sayısal faktörler ("aylık harcama 500 ABD dolarını aştığında" gibi eşik etkilerini tanımlar)
• Aynı anda birden fazla faktör (her faktörün katkısını izole etmek için lojistik regresyon veya karar ağaçlarını kullanır)

En iyi uygulamalar:

• 5-15 açıklayıcı faktör ekleyin. 5'ten azı analizi sınırlar. 15'ten fazlası gürültülü sonuçlar doğurabilir.
• Her satır için benzersiz değerlere sahip tanımlayıcı sütunları (MüşteriKimliği, SiparişNumarası) hariç tutun.
• En anlaşılır sonuçlar için kategorik ve sayısal faktörlerin bir karışımını ekleyin.
• Uygun ayrıntı düzeyindeki alanları kullanın. Hedefiniz müşteri düzeyindeyse açıklayıcı faktörlerin de müşteri düzeyinde (işlem düzeyinde değil) olması gerekir.

Pratik Uygulamalar

Önemli Etkileyenler tüm Power BI lisans türleriyle (Pro, PPU, Premium) kullanılabilir. En erişilebilir yapay zeka özelliklerinden biridir ve genellikle iş kullanıcılarına somut değer sunan ilk özelliktir.

---

Akıllı Anlatılar

Otomatik İçgörü Oluşturma

Akıllı Anlatılar, verilerinizin filtreler değiştikçe otomatik olarak güncellenen dinamik, doğal dil özetlerini oluşturur. Statik metin kutularının aksine, akıllı anlatılar veriye dayalıdır; temeldeki görselleri analiz eder ve bağlamsal açıklamalar üretirler.

Akıllı anlatılar neler üretir:

• Özet istatistikler ("Toplam gelir 4,2 milyon dolar, önceki döneme göre %12 artış")
• Trend açıklamaları ("Gelir son 6 ayda yükseliş eğiliminde olup aylık ortalama %2,3 büyüme oranıyla")
• Karşılaştırma bilgileri ("Kuzey bölgesi diğer tüm bölgeleri geride bırakarak toplam gelirin %35'ine katkıda bulunuyor")
• Anormallik açıklamaları ("Mart ayı geliri, Kurumsal segmentteki düşüş nedeniyle 12 aylık ortalamanın %15 altındaydı")

Akıllı Anlatıları Özelleştirme

Varsayılan akıllı anlatılar geneldir. Onları değerli kılmak için özelleştirin:

Belirli değerler ekleme:

Belirli hesaplamalar veya alanlar eklemek için "Değer ekle"yi tıklayın. Akıllı anlatımlar bu değerleri (para birimi, yüzde, sayı) dinamik olarak biçimlendirir ve filtreler değiştiğinde günceller.

Oluşturulan metni düzenleme:

Otomatik olarak oluşturulan metin bir başlangıç ​​noktasıdır. Kuruluşunuzun terminolojisine uyacak şekilde düzenleyin ve hedef kitleniz için en önemli analizlere odaklanın. Çevreleyen metni ayarlarken dinamik değer referanslarını olduğu gibi koruyun.

Koşullu metin:

Veri değerlerine göre farklı metinleri göstermek için koşullu mantığı kullanın. Örneğin: Dilin gerçek performansa göre değiştiği "Gelir, [fark miktarı] bazında hedefin [üstünde/altında]".

Akıllı Anlatılar İçin En İyi Uygulamalar

• Anında bağlam sağlamak için akıllı anlatımları yönetici kontrol panellerinin en üstüne yerleştirin
• Anlatımları görsel veya sayfa başına 3-5 cümleyle sınırlı tutun --- kısa ve öz olması okuyucuyu artırır
• Olumlu performansı yeşil, olumsuz performansı kırmızı renkte vurgulamak için koşullu biçimlendirmeyi kullanın
• Doğru ve anlamlı kaldıklarından emin olmak için anlatımları farklı filtre kombinasyonlarıyla test edin
• Premium kapasiteye ilişkin daha zengin, daha bağlamsal özetler için akıllı anlatımları Copilot ile birleştirin

---

Soru-Cevap Optimizasyonu

Soru-Cevap Görsel

Soru-Cevap (Sorular ve Cevaplar) görseli, kullanıcıların doğal dilde sorular yazmasına ve veriye dayalı yanıtları görselleştirme olarak almasına olanak tanır. "Geçen çeyrekte toplam gelir neydi?" değeri gösteren bir kart görseli üretir. "Geliri bölgeye göre çubuk grafik olarak göster" istenen görselleştirmeyi sağlar.

Soru-Cevap demolarda aldatıcı derecede basittir ancak gerçek dünya verileriyle iyi çalışması için önemli bir yapılandırma gerektirir. Soru-Cevap bölümü, kutunun dışında belirsiz sütun adları, sektöre özgü terminoloji ve karmaşık iş mantığıyla mücadele ediyor. Uygun optimizasyonla güçlü bir self-servis araç haline gelir.

Dil Şeması Yapılandırması

Dil şeması Soru-Cevap bölümüne veri modelinizin doğal dil kavramlarıyla nasıl eşleştiğini anlatır. Soru-Cevap kalitesi açısından en etkili tek yapılandırmadır.

Eş anlamlılar:

Tablolar, sütunlar ve değerler için alternatif terimler tanımlayın:

İfadeler:

Tablolar arasındaki ilişkilerin doğal dilde nasıl ifade edilmesi gerektiğini tanımlayın:

• "Müşteriler satın alır" (Müşterileri Siparişler aracılığıyla Ürünlere bağlayan özellik ifadesi)
• "Siparişlerin bir sevkıyat tarihi vardır" (özellik ifadesi)
• "Gelir bir bölge içindir" (ölçüyü boyuta bağlayan ad ifadesi)

Önerilen sorular:

Kullanıcıların neler sorabileceğini gösteren örnek sorular sağlayın. Bunlar, kullanıcı Soru-Cevap görseline tıkladığında öneri olarak görünür ve kullanıcılara sistemin iyi ele aldığı soru türlerini öğretir.

Soru-Cevap Yapılandırma Kontrol Listesi

1. Tüm tabloları ve sütunları iş dostu adlarla yeniden adlandırın (kısaltma yok, alt çizgi yok)
2. Her tablo ve sütuna eş anlamlı kelimeler ekleyin (her biri en az 2-3 eş anlamlı)
3. Temel ilişkiler için ifadeleri yapılandırın
4. Yaygın analiz senaryolarını kapsayan 10-15 önerilen soru ekleyin
5. İş kullanıcılarından gelen 20-30 gerçek soruyla test edin ve sonuçlara göre hassaslaştırın
6. Soru-Cevap eğitim günlüğünü (Power BI yanıtlayamadığı soruları izler) aylık olarak gözden geçirin ve eksik eşanlamlıları veya ifadeleri ekleyin
7. Soruların etkili bir şekilde nasıl ifade edileceği konusunda kullanıcı eğitimi sağlayın

Soru-Cevap Lisanslaması

Soru-Cevap görseli tüm lisans türlerinde mevcuttur. Gelişmiş Soru-Cevap özellikleri (önerilen sorular, dil şeması), lisansa bakılmaksızın Power BI Desktop'ta mevcuttur. Power BI Hizmetinde Soru-Cevap, Pro veya PPU gerektirir. Yardımcı pilotla geliştirilmiş Soru-Cevap (konuşmalı, çok turlu) Premium veya Yapı kapasitesi gerektirir.

---

Lisans Gereksinimleri Özeti

Lisansa Göre Yapay Zeka Özelliğinin Kullanılabilirliği

Uygun Maliyetli Yapay Zeka Lisanslama Stratejisi

Premium kapasitenin tamamını taahhüt etmeden yapay zeka özelliklerinden yararlanmak isteyen kuruluşlar için:

Aşama 1: Pro ile başlayın. Önemli Etkileyicileri, Soru-Cevap, temel anormallik algılamayı, Akıllı Anlatımları ve Tahmin görsellerini dağıtın. Bu özellikler kullanıcı başına aylık 10 ABD Doları tutarındadır ve önemli analitik değer sağlar.

2. Aşama: Uzman kullanıcıları PPU'ya yükseltin. AutoML ve gelişmiş anormallik algılamaya ihtiyaç duyan analistler için, kullanıcı/ay başına 20 ABD doları tutarındaki PPU, Premium kapasiteden çok daha ucuzdur. PPU'daki 20 analistten oluşan bir ekibin maliyeti ayda 400 ABD Doları iken, en düşük Premium kapasitesinin maliyeti ayda 5.000 ABD Doları'dır.

Aşama 3: Copilot için Fabric kapasitesi ekleyin. Kuruluş Copilot ve gelişmiş yapay zeka için hazır olduğunda Fabric F64 kapasitesini sağlayın. Bu, Fabric çalışma alanlarındaki içeriğe erişen Pro veya PPU lisanslarına sahip tüm kullanıcılar için Copilot'u etkinleştirir.

Bu aşamalı yaklaşım, kuruluşların daha büyük yatırımlara başlamadan önce her aşamada yatırım getirisini göstererek yapay zeka yeteneklerini aşamalı olarak geliştirmesine olanak tanır. ECOSIRE, kuruluşların bu ilerlemeyi planlamasına ve yürütmesine yardımcı olmak için Yapay zeka analiz uygulama hizmetleri sunar.

---

Pratik Yapay Zeka Uygulama Modelleri

Model 1: Yönetici Anormallik Uyarıları

Otomatik yönetici uyarıları oluşturmak için anormallik algılamayı Power Automate ile birleştirin:

1. Temel metriklerde (gelir, siparişler, dönüşüm oranı) anormallik tespitinin etkinleştirildiği bir kontrol paneli oluşturun.
2. Anormallik algılama görselindeki veriye dayalı uyarıyla tetiklenen bir Power Automate akışı oluşturun.
3. Bir anormallik tespit edildiğinde akış, yönetim ekibine anormallik ayrıntılarını ve temel neden açıklamasını içeren bir Teams mesajı veya e-postası gönderir.
4. Yönetici, daha ayrıntılı araştırma için canlı kontrol paneline giden bir bağlantıya tıklar.

Bu model, manuel sabah veri incelemelerinin yerini otomatik, istisnaya dayalı uyarılarla değiştirir. Yöneticiler bilgiyi yalnızca bir şey dikkat gerektirdiğinde görürler.

Model 2: Satış Tahmini Hattı

Anlaşma puanlama modeli oluşturmak için AutoML'yi kullanın:

1. Geçmiş anlaşma verilerini (kazanılan ve kaybedilen anlaşmaların özellikleriyle birlikte) içeren bir veri akışı oluşturun.
2. Kazanılan ve Kaybedileni tahmin eden bir ikili sınıflandırma modeli eğitin.
3. Modeli mevcut boru hattı anlaşmalarına uygulayın ve her birini kazanma olasılığıyla puanlayın.
4. Geleneksel satış hattı ölçümlerinin yanı sıra tahminleri bir satış kontrol panelinde görselleştirin.
5. Satış yöneticileri, anlaşmaları önceliklendirmek ve kaynakları tahsis etmek için tahmin puanlarını kullanır.
6. Doğruluğu korumak için modeli üç ayda bir yeni kapalı anlaşma verileriyle yeniden eğitin.

Model 3: Doğal Dil Analitik Portalı

Soru-Cevap ve Copilot'u kullanarak bir self servis analiz portalı oluşturun:

1. En iyi 5-10 veri kümeniz için dil şemasını optimize edin.
2. Ana Power BI uygulamanızda özel bir "Analiz Soru-Cevap" sayfası oluşturun.
3. Örnekler ve önerilen sorular aracılığıyla kullanıcıları etkili soru cümleleri kurma konusunda eğitin.
4. Cevaplanmayan soruları aylık olarak izleyin ve boşluklara göre dil şemasını iyileştirin.
5. Premium/Fabric ortamlarında, konuşmaya dayalı çok turlu keşif için Copilot'u etkinleştirin.

Bu model, kullanıcılara rapor oluşturmadan kendi sorularını yanıtlama olanağı vererek anlık rapor isteklerini %40-60 oranında azaltır.

---

SSS

Power BI için Copilot verilerimi OpenAI'ye gönderiyor mu?

Copilot, verileri Microsoft 365 uyumluluk sınırlarınız dahilinde Azure OpenAI Hizmeti aracılığıyla işler. Veri modeli meta verileri (tablo adları, sütun adları, ölçü tanımları ve örnek değerler) işlenmek üzere gönderilir, ancak veriler Azure OpenAI tarafından depolanmaz veya modelleri eğitmek için kullanılmaz. Verileriniz Microsoft'un kurumsal güvenlik kapsamı içinde kalır ve Microsoft 365'in geri kalanıyla aynı uyumluluk sertifikalarına tabidir. Aşırı veri hassasiyetine sahip kuruluşlar, ayrıntılı veri akış şemaları ve ikamet garantileri için Microsoft Copilot Veri Koruma belgelerini incelemelidir.

Power BI'da AutoML tahminleri ne kadar doğrudur?

Doğruluk tamamen veri kalitenize, hacminize ve modellediğiniz sonucun öngörülebilirliğine bağlıdır. Temiz geçmiş verilere sahip iyi tanımlanmış iş sorunları için (1.000'den fazla eğitim satırı, net sonuç değişkeni, ilgili özellikler), AutoML genellikle sınıflandırma için %75-90 doğruluk ve regresyon için makul RMSE elde eder. Daha az yapılandırılmış problemler veya gürültülü veriler için doğruluk %60-75 olabilir. AutoML, eğitimden sonra doğruluk ölçümleri sağlar; tahminleri üretime dağıtmadan önce bunları daima değerlendirin. Doğruluk eşiğinizin altındaysa çözüm genellikle daha iyi veri veya özellik mühendisliğidir, farklı bir araç değil.

Power BI AI özelliklerini DirectQuery veri kümeleriyle kullanabilir miyim?

Çoğu AI özelliği, İçe Aktarma modu veri kümelerini gerektirir çünkü AI algoritmalarının tüm veri kümesini taraması ve işlemesi gerekir, bu da DirectQuery bağlantıları üzerinde performans göstermez. Anormallik tespiti, Önemli Etkileyenler ve Akıllı Anlatılar yalnızca İçe Aktarma modunda çalışır. Soru-Cevap DirectQuery ile çalışır ancak daha yavaş olabilir. AutoML, veri akışlarını gerektirir (İçe Aktarma modunu kullanan). Copilot, bazı özellikler için DirectQuery veri kümeleriyle çalışabilir ancak en etkili şekilde İçe Aktarma modunda çalışır. Güncellik açısından DirectQuery kullanması gereken veri kümeleri için hibrit bir yaklaşım düşünün: gerçek zamanlı operasyonel görseller için DirectQuery'yi ve yapay zeka destekli analiz için ayrı bir İçe Aktarma modu veri kümesini kullanın.

Yapay zeka özelliklerinin iyi çalışması için gereken minimum veri hacmi nedir?

Gereksinimler özelliğe göre değişir. Anormallik tespiti, güvenilir bir temel oluşturmak için zaman serisinde en az 12 veri noktasına (ideal olarak 50+) ihtiyaç duyar. Önemli Etkileyenlerin analiz edilen kategori başına en az 100 satıra ihtiyacı vardır. AutoML en az 100 eğitim satırına ihtiyaç duyar ancak 1.000'den fazla eğitim satırıyla önemli ölçüde daha iyi performans gösterir. Soru-Cevap ve Akıllı Anlatılar her türlü veri hacmiyle çalışır. Copilot her türlü veri hacmiyle çalışır ancak daha fazla veri bağlamıyla daha iyi öngörüler sağlar. Genel olarak veri kümenizde 1.000'den az satır varsa yapay zeka özellikleri çalışır ancak istatistiksel olarak anlamlı bilgiler sağlayamayabilir.

Yalnızca Pro lisanslarım varsa Power BI AI'yi kullanmaya nasıl başlayabilirim?

Pro'da bulunan yapay zeka özellikleriyle başlayın: Soru-Cevap görseli (önemli veri kümeleriniz için dil şemasını optimize edin), Önemli Etkileyiciler (en önemli ölçümlerinizi neyin yönlendirdiğini belirleyin), temel anormallik tespiti (beklenmeyen değişiklikler için zaman serilerini izleyin), Akıllı Anlatılar (yönetici kontrol panellerine otomatik özetler ekleyin) ve Tahmin görseli (proje zaman serisi eğilimleri). Bu özellikler, ek lisans maliyeti olmadan önemli değer sağlar. Yatırım getirisini gösterdikten sonra, AutoML, gelişmiş anormallik algılama ve Copilot'un kilidini açmak için PPU veya Premium/Fabric için bir iş senaryosu oluşturun.