پاور BI AI کی خصوصیات: Copilot، AutoML، اور Predictive Analytics

پاور BI ایک ویژولائزیشن ٹول سے ایک AI-Augmented analytics پلیٹ فارم میں تیار ہوا ہے۔ پچھلے تین سالوں میں، مائیکروسافٹ نے پاور BI کے پورے تجربے میں مصنوعی ذہانت کو سرایت کر دیا ہے --- کوپائلٹ کے ساتھ قدرتی زبان کی رپورٹ بنانے سے لے کر پیشین گوئیوں کے لیے خودکار مشین لرننگ تک جو آپ کے ڈیٹا کے غیر متوقع طور پر برتاؤ کرنے پر آپ کو متنبہ کرتی ہے۔ یہ خصوصیات اب تجرباتی پیش نظارہ نہیں ہیں۔ وہ پیداوار کے لیے تیار صلاحیتیں ہیں جو بنیادی طور پر تبدیل کرتی ہیں کہ کاروباری صارفین ڈیٹا کے ساتھ کیسے تعامل کرتے ہیں۔

چیلنج یہ نہیں ہے کہ آیا یہ AI خصوصیات کام کرتی ہیں --- وہ کرتی ہیں، اور زیادہ تر استعمال کے معاملات میں قابل ذکر طور پر اچھی ہے۔ چیلنج یہ سمجھنا ہے کہ لائسنس کے کس درجے پر کون سی خصوصیات دستیاب ہیں، انہیں اپنے ڈیٹا کے ماحول کے لیے کس طرح ترتیب دیا جائے، اور صارفین کو ان کا مؤثر طریقے سے فائدہ اٹھانے کی تربیت کیسے دی جائے۔ یہ گائیڈ پاور BI میں ہر بڑی AI صلاحیت کا احاطہ کرتی ہے، جس میں عملی نفاذ کی رہنمائی، لائسنسنگ کی ضروریات، اور ایماندارانہ جائزوں کے ساتھ کہ ہر ایک خصوصیت کہاں بہتر ہے اور کہاں کم ہے۔

اگر آپ Power BI پر AI سے چلنے والی تجزیاتی حکمت عملی بنا رہے ہیں، تو نفاذ میں معاونت اور بہترین طریقوں کے لیے ہماری Power BI AI اور تجزیاتی خدمات کو دریافت کریں۔

اہم ٹیک ویز

• Copilot for Power BI قدرتی زبان کے اشارے سے رپورٹس، DAX اقدامات، اور بیانیہ کے خلاصے تیار کرتا ہے --- اس کے لیے فیبرک F64+ یا پریمیم P1+ صلاحیت کی ضرورت ہوتی ہے۔
• پاور BI میں آٹو ایم ایل کوڈ لکھے بغیر درجہ بندی، رجعت، اور پیشن گوئی کے ماڈلز کو قابل بناتا ہے، پریمیم/فیبرک ورک اسپیس میں ڈیٹا فلو کے ذریعے قابل رسائی
• بے ضابطگی کا پتہ لگانا خود بخود ٹائم سیریز ویژول میں غیر متوقع ڈیٹا پوائنٹس کو جھنڈا دیتا ہے اور بنیادی وجہ کی وضاحت فراہم کرتا ہے۔
• کلیدی اثر و رسوخ والے بصری AI کا استعمال اس بات کی نشاندہی کرنے کے لیے کرتے ہیں کہ کون سے عوامل میٹرک کو اوپر یا نیچے لے جاتے ہیں، ہفتوں کے دستی تجزیہ کی جگہ لے کر
• سمارٹ بیانیے متحرک، سیاق و سباق سے آگاہ متن کے خلاصے بصری تخلیق کرتے ہیں جو ڈیٹا کی تبدیلیوں کے ساتھ اپ ڈیٹ ہوتے ہیں۔
• سوال و جواب (فطری زبان کے استفسار) کو مناسب مترادف کنفیگریشن اور لسانی اسکیما سیٹ اپ کے ساتھ ڈرامائی طور پر بہتر کیا جا سکتا ہے۔
• زیادہ تر AI خصوصیات کے لیے پریمیم فی صارف ($20/صارف/ماہ)، پریمیم صلاحیت، یا فیبرک کی صلاحیت کی ضرورت ہوتی ہے --- پرو لائسنسز ایڈوانسڈ AI کو خارج کرتے ہیں

---

پاور BI کے لیے کوپائلٹ

کوپائلٹ کیا کرسکتا ہے۔

Copilot for Power BI بڑی زبان کے ماڈل کی صلاحیتوں کو براہ راست رپورٹ کی تصنیف اور استعمال کے تجربے میں لاتا ہے۔ یہ پاور BI کی طرف سے بولٹ شدہ چیٹ بوٹ نہیں ہے --- یہ آپ کے ڈیٹا ماڈل، تعلقات اور اقدامات کو سمجھ کر، بنیادی ورک فلو میں ضم ہے۔

رپورٹ تخلیق:

Copilot قدرتی زبان کے اشارے سے رپورٹ کے مکمل صفحات تیار کر سکتا ہے۔ "علاقے، ماہانہ رجحانات، اور سرفہرست 10 پروڈکٹس کے لحاظ سے آمدنی ظاہر کرنے والا سیلز پرفارمنس ڈیش بورڈ بنائیں" جیسا ایک پرامپٹ مناسب چارٹ کی اقسام، ترتیب شدہ فلٹرز، اور معقول فارمیٹنگ کے ساتھ ملٹی ویژول صفحہ تیار کرتا ہے۔ تیار کردہ رپورٹ ایک نقطہ آغاز ہے، تیار شدہ مصنوعات نہیں --- لیکن یہ خالی صفحے کے مسئلے کو ختم کرتی ہے اور صارفین کو گھنٹوں کے بجائے سیکنڈوں میں فنکشنل ڈرافٹ تک پہنچا دیتی ہے۔

DAX نسل:

Copilot قدرتی زبان کی وضاحت سے DAX اقدامات لکھتا ہے۔ "سال بہ سال آمدنی میں اضافے کا فیصد کے طور پر حساب لگائیں" مناسب وقت کے انٹیلی جنس افعال کا استعمال کرتے ہوئے ایک پیمانہ تیار کرتا ہے۔ پیچیدہ کاروباری منطق کے لیے، Copilot متغیرات کے ساتھ ملٹی سٹیپ اقدامات تیار کر سکتا ہے، ایج کیسز کو ہینڈل کر سکتا ہے (صفر سے تقسیم، گمشدہ ادوار)، اور کمنٹس میں منطق کی وضاحت کر سکتا ہے۔

تیار کردہ DAX کا معیار بہترین (سیدھے مجموعے اور وقت کی ذہانت) سے لے کر دستی اصلاح کی ضرورت تک ہے (مبہم کاروباری منطق کے ساتھ پیچیدہ کثیر حقائق جدول کے حسابات)۔ DAX کے 80% کے لیے جو عام نمونوں کی پیروی کرتا ہے، Copilot قابل ذکر حد تک درست ہے۔ 20% کے لیے جس کے لیے ڈومین کے گہرے علم کی ضرورت ہوتی ہے، یہ ایک ٹھوس نقطہ آغاز فراہم کرتا ہے جسے ایک تجربہ کار تجزیہ کار بہتر کر سکتا ہے۔

حکایت کا خلاصہ:

Copilot رپورٹ کے صفحات کے متحرک متن کے خلاصے تیار کرتا ہے، یہ بتاتا ہے کہ ڈیٹا سادہ زبان میں کیا ظاہر کرتا ہے۔ "آمدنی میں سال بہ سال 12% اضافہ ہوا، بنیادی طور پر شمالی علاقہ جس میں 23% اضافہ ہوا۔ جنوبی علاقے میں 4% کی کمی ہوئی، جس کی بڑی وجہ Q3 کے دوران پروڈکٹ کیٹیگری X میں 15% کی کمی ہے۔" یہ بیانیے فلٹرز کے بدلتے ہی خود بخود اپ ڈیٹ ہو جاتے ہیں، اور ایگزیکٹوز کو AI سے تیار کردہ بریفنگ فراہم کرتے ہیں جو ڈیٹا کے ان کے مخصوص نقطہ نظر کے مطابق ہوتے ہیں۔

ڈیٹا ایکسپلوریشن:

صارفین اپنے ڈیٹا کے بارے میں قدرتی زبان میں Copilot سے سوالات پوچھ سکتے ہیں: "مارچ میں آمدنی میں کمی کی وجہ کیا ہے؟" یا "کون سے گاہک کے حصے سب سے تیزی سے بڑھ رہے ہیں؟" Copilot بنیادی ڈیٹا کا تجزیہ کرتا ہے اور معاون تصورات کے ساتھ جوابات فراہم کرتا ہے۔ یہ سوال و جواب کے بصری سے آگے ایک اہم ارتقاء ہے کیونکہ Copilot سیاق و سباق کو سمجھتا ہے، کثیر مرحلہ تجزیہ کر سکتا ہے، اور اپنے استدلال کی وضاحت کرتا ہے۔

کوپائلٹ کی حدود

کوپائلٹ طاقتور ہے لیکن ہمہ گیر نہیں۔ اس کی حدود کو سمجھنا مایوسی اور غلط استعمال کو روکتا ہے:

• ڈیٹا ماڈل کے معیار کی اہمیت ہے۔ Copilot واضح، وضاحتی ٹیبل اور کالم کے ناموں کا استعمال کرتے ہوئے اچھی طرح سے ڈیزائن کردہ اسٹار اسکیموں کے ساتھ بہترین کام کرتا ہے۔ "col1"، "dim_val_3"، اور "amt_usd_net" نامی کالموں والا ماڈل "کسٹمر کا نام"، "پروڈکٹ کیٹیگری" اور "نیٹ ریونیو USD" والے کالموں سے بدتر نتائج دے گا۔

• پیچیدہ کاروباری منطق کے لیے رہنمائی کی ضرورت ہوتی ہے۔ کوپائلٹ آپ کی تنظیم کے مخصوص کاروباری قواعد کو نہیں جانتا جب تک کہ وہ ماڈل میں انکوڈ نہ ہوں۔ اگر "ایکٹو کسٹمر" کا مطلب ہے کہ "گزشتہ 90 دنوں میں واپسی کو چھوڑ کر آرڈر دیا،" تو آپ کو Copilot کو یہ واضح طور پر بتانا ہوگا یا Copilot حوالہ دے سکتا ہے۔

• رازداری کے تحفظات۔ کوپائلٹ ڈیٹا ماڈل میٹا ڈیٹا (ٹیبل کے نام، کالم کے نام، پیمائش کی تعریفیں، نمونے کی قدریں) Azure OpenAI کو پروسیسنگ کے لیے بھیجتا ہے۔ ڈیٹا پر آپ کے Microsoft 365 تعمیل کی حد کے اندر کارروائی کی جاتی ہے اور اسے ماڈلز کو تربیت دینے کے لیے استعمال نہیں کیا جاتا ہے، لیکن انتہائی ڈیٹا کی حساسیت رکھنے والی تنظیموں کو Microsoft کے Copilot ڈیٹا پروسیسنگ دستاویزات کا جائزہ لینا چاہیے۔

• ہیلوسینیشن کا خطرہ۔ LLM پر مبنی تمام خصوصیات کی طرح، Copilot قابل فہم آواز لیکن غلط DAX یا گمراہ کن بیانیہ بیانات تیار کر سکتا ہے۔ اسٹیک ہولڈرز کے ساتھ اشتراک کرنے سے پہلے ہمیشہ معروف ڈیٹا پوائنٹس کے خلاف تیار کردہ مواد کی توثیق کریں۔

کوپائلٹ لائسنسنگ کے تقاضے

Copilot for Power BI کو درج ذیل میں سے ایک کی ضرورت ہوتی ہے:

Copilot پریمیم/فیبرک کی گنجائش کے بغیر صرف پرو لائسنسنگ پر دستیاب نہیں ہے۔ یہ AI خصوصیات کا جائزہ لینے والی تنظیموں میں الجھن کا سب سے عام ذریعہ ہے۔

---

آٹو ایم ایل: خودکار مشین لرننگ

آٹو ایم ایل کیا قابل بناتا ہے۔

پاور BI آٹو ایم ایل کاروباری تجزیہ کاروں کو کوڈ لکھے یا ایم ایل فریم ورک کو سمجھے بغیر مشین لرننگ ماڈل بنانے، تربیت دینے اور لاگو کرنے کی اجازت دیتا ہے۔ ماڈلز کو پاور BI ڈیٹا فلو کے اندر آپ کے ڈیٹا پر تربیت دی جاتی ہے اور نئے ڈیٹا کے آتے ہی اس پر لاگو کیا جا سکتا ہے۔

تعاون شدہ ماڈل کی اقسام:

آٹو ایم ایل ماڈل بنانا

مرحلہ 1: ڈیٹا فلو میں ٹریننگ ڈیٹا تیار کریں۔

AutoML ماڈلز کو پاور BI ڈیٹا فلوز کے اندر موجود ڈیٹا پر تربیت دی جاتی ہے (ڈیٹا سیٹس یا رپورٹس نہیں)۔ ایک ڈیٹا فلو ہستی بنائیں جس میں آپ کا تاریخی ڈیٹا اس نتیجہ کے متغیر کے ساتھ ہو جس کی آپ پیشین گوئی کرنا چاہتے ہیں اور وہ خصوصیات (ان پٹ متغیرات) جو اس پر اثر انداز ہو سکتی ہیں۔

گاہک کی پیشن گوئی کے ماڈل کے لیے، ہستی میں یہ شامل ہو سکتا ہے:

مرحلہ 2: ایم ایل ماڈل کو کنفیگر کریں۔

ڈیٹا فلو ایڈیٹر میں، "ایم ایل ماڈل کا اطلاق کریں" کو منتخب کریں اور اپنا ہدف کالم منتخب کریں۔ پاور BI خود بخود ٹارگٹ متغیر کے ڈیٹا کی قسم کی بنیاد پر مناسب ماڈل کی قسم کا پتہ لگاتا ہے (بولین بائنری درجہ بندی کو متحرک کرتا ہے، عددی رجعت کو متحرک کرتا ہے)۔

تربیت کے اختیارات کو ترتیب دیں:

• ٹریننگ کا دورانیہ (5 منٹ سے کئی گھنٹے --- طویل تربیت مزید ماڈل آرکیٹیکچرز کو تلاش کرتی ہے)
• خصوصیت کا انتخاب (آٹو ایم ایل کو منتخب کرنے یا دستی طور پر بیان کرنے دیں)
• توثیق کی تقسیم (عام طور پر 80% تربیت، 20% توثیق)

مرحلہ 3: تربیت دیں اور تشخیص کریں۔

آٹو ایم ایل متعدد ماڈل آرکیٹیکچرز (فیصلہ کرنے والے درخت، گریڈینٹ بوسٹنگ، نیورل نیٹ ورکس) کو تربیت دیتا ہے اور بہترین اداکار کا انتخاب کرتا ہے۔ تربیت کے بعد، یہ فراہم کرتا ہے:

• ماڈل کی درستگی میٹرکس: درجہ بندی کے لیے AUC-ROC، رجعت کے لیے RMSE، پیشین گوئی کے لیے MAPE
• خصوصیت کی اہمیت: کون سے ان پٹ متغیرات نے پیشین گوئیوں پر سب سے زیادہ اثر ڈالا۔
• کنفیوژن میٹرکس: درجہ بندی کے ماڈلز کے لیے، صحیح/غلط مثبت اور منفی دکھانا
• ٹریننگ رپورٹ: ماڈل کے انتخاب کے عمل کی تفصیلی دستاویزات

مرحلہ 4: پیشین گوئیاں لاگو کریں۔

ایک بار تربیت حاصل کرنے کے بعد، ماڈل کو ڈیٹا فلو کے ذریعے آنے والے نئے ڈیٹا پر لاگو کیا جا سکتا ہے۔ ہر نئی قطار کو پیشن گوئی (درجہ بندی کا لیبل یا عددی پیشن گوئی) اور اعتماد کا سکور ملتا ہے۔ یہ پیشین گوئیاں آپ کے پاور BI ڈیٹا سیٹس میں آتی ہیں اور رپورٹس میں دیکھی جا سکتی ہیں۔

آٹو ایم ایل کے بہترین طریقے

ڈیٹا کا معیار سب سے اہم ہے۔ آٹو ایم ایل خراب ڈیٹا کی تلافی نہیں کر سکتا۔ یقینی بنائیں کہ آپ کا تربیتی ڈیٹا صاف ہے، اس کا حجم کافی ہے (کم از کم 100 قطاریں، مثالی طور پر 1,000+)، اور وہ ان منظرناموں کا نمائندہ ہے جن کی آپ پیش گوئی کرنا چاہتے ہیں۔ لاپتہ اقدار، آؤٹ لیرز، اور طبقاتی عدم توازن سبھی ماڈل کی کارکردگی کو کم کرتے ہیں۔

فیچر انجینئرنگ کے معاملات۔ خام ڈیٹا کو اکثر تربیت سے پہلے تبدیلی کی ضرورت ہوتی ہے۔ اخذ کردہ خصوصیات بنائیں جیسے "آخری خریداری کے بعد کے دن،" "اوسط آرڈر کی قیمت 6 ماہ سے زیادہ،" یا "سپورٹ ٹکٹ فریکوئنسی" جو معنی خیز نمونوں کو حاصل کرتی ہے۔ آٹو ایم ایل خام ڈیٹا میں تعلقات کو دریافت کر سکتا ہے، لیکن پہلے سے انجنیئر شدہ خصوصیات ڈرامائی طور پر درستگی کو بہتر بناتی ہیں۔

ماڈل ڈرفٹ کی نگرانی کریں۔ تاریخی ڈیٹا پر تربیت یافتہ ماڈلز وقت کے ساتھ ساتھ کاروباری حالات بدلتے ہی تنزلی کا شکار ہوتے ہیں۔ مطابقت برقرار رکھنے کے لیے سہ ماہی ماڈلز کو دوبارہ تربیت دیں (یا جب پیشین گوئی کی درستگی قابل قبول حد سے نیچے آجائے)۔ پاور BI خود بخود ماڈل ڈرفٹ کا پتہ نہیں لگاتا ہے --- آپ کو پیشن گوئی کی درستگی کو فعال طور پر مانیٹر کرنے کی ضرورت ہے۔

بغیر انسانی جائزے کے اعلیٰ داؤ پر لگائے گئے فیصلوں کے لیے آٹو ایم ایل کا استعمال نہ کریں۔ آٹو ایم ایل ماڈلز شماریاتی پیشین گوئیاں ہیں، تعینی اصول نہیں۔ پیشین گوئیوں کو انسانی فیصلے کے ساتھ ساتھ فیصلہ سازی کے لیے ایک ان پٹ کے طور پر استعمال کریں، خاص طور پر کریڈٹ کی منظوری، ملازمت یا طبی تشخیص جیسے نتیجہ خیز فیصلوں کے لیے۔

---

بے ضابطگی کا پتہ لگانا

بے ضابطگی کا پتہ لگانے کا طریقہ کیسے کام کرتا ہے۔

پاور BI کی بے ضابطگی کا پتہ لگانے کی خصوصیت خود بخود ٹائم سیریز ویژول میں ڈیٹا پوائنٹس کی نشاندہی کرتی ہے جو متوقع نمونوں سے نمایاں طور پر ہٹ جاتے ہیں۔ یہ آپ کے تاریخی ڈیٹا پر تربیت یافتہ مشین لرننگ ماڈل (اسپیکٹرل ریزیڈیوئل الگورتھم) کا استعمال کرتا ہے جو متوقع رینجز قائم کرتا ہے، پھر ان رینجز سے باہر آنے والے پوائنٹس کو جھنڈا لگاتا ہے۔

کنفیگریشن کے اختیارات:

• حساسیت: کنٹرول کرتا ہے کہ بے ضابطگیوں کو کس طرح جارحانہ طور پر جھنڈا لگایا جاتا ہے۔ زیادہ حساسیت زیادہ بے ضابطگیوں کو پکڑتی ہے لیکن غلط مثبت کو بڑھاتی ہے۔ کم حساسیت صرف انتہائی انحرافات کو جھنڈا دیتی ہے۔ پہلے سے طے شدہ 80% (درمیانی حساسیت) ہے۔
• متوقع حد: اعتماد کا بینڈ چارٹ پر دکھایا گیا ہے۔ وسیع بینڈ کا مطلب ہے جھنڈے والی کم بے ضابطگیاں۔ بینڈ کی چوڑائی کو حساسیت کی ترتیب سے کنٹرول کیا جاتا ہے۔
• موسمی: موسمی نمونوں کے ساتھ ڈیٹا کے لیے (ہفتہ وار، ماہانہ، سہ ماہی)، Power BI خود بخود موسم کا پتہ لگا سکتا ہے اور اس کا حساب لگا سکتا ہے۔ آپ موسمی مدت کو دستی طور پر بھی بتا سکتے ہیں۔

بے ضابطگی کا پتہ لگانے کو فعال کرنا

بے ضابطگی کا پتہ لگانا ڈیٹ ٹائم محور کے ساتھ لائن چارٹس پر دستیاب ہے:

1. x-axis پر تاریخ/وقت فیلڈ اور y-axis پر عددی پیمائش کے ساتھ لائن چارٹ بنائیں۔
2. تجزیاتی پین میں، "فائنڈ اینومالیز" کو پھیلائیں اور اسے ٹوگل کریں۔
3. سلائیڈر کا استعمال کرتے ہوئے حساسیت کو ایڈجسٹ کریں (پہلے سے طے شدہ پر شروع کریں اور نتائج کی بنیاد پر ٹیون کریں)۔
4. اختیاری طور پر "وضاحت بذریعہ" فیلڈز ترتیب دیں --- وہ جہتیں جنہیں Power BI یہ وضاحت کرنے کے لیے استعمال کرے گا کہ بے ضابطگی کیوں ہوئی۔

بنیادی وجہ کی وضاحت

بے ضابطگیوں کا پتہ لگانے کا سب سے قیمتی پہلو بے ضابطگیوں کو جھنڈا لگانا نہیں ہے --- یہ ان کی وضاحت کر رہا ہے۔ جب کوئی صارف جھنڈے والی بے ضابطگی پر کلک کرتا ہے، پاور BI تعاون کرنے والے جہتوں کا تجزیہ کرتا ہے اور دکھاتا ہے کہ کن عوامل نے غیر متوقع قدر کو بڑھایا۔

مثال کے طور پر، اگر 15 مارچ کو ہونے والی کل آمدنی کو غیر معمولی طور پر کم کے طور پر نشان زد کیا گیا ہے، تو وضاحت ظاہر کر سکتی ہے:

• "مغربی علاقے سے آمدنی متوقع طور پر 45% کم تھی، جس نے بے ضابطگی میں -$120K کا حصہ ڈالا"
• "مصنوعات کا زمرہ: الیکٹرانکس میں متوقع حد کے مقابلے میں 60% کمی آئی"
• "کسٹمر طبقہ: انٹرپرائز نے معمول کی سطح کو برقرار رکھا؛ SMB طبقہ نے انحراف کیا"

یہ وضاحتیں بے ضابطگی کا پتہ لگانے کو "کچھ غلط لگ رہا ہے" سے "یہاں خاص طور پر یہ ہے کہ کیا ہوا اور کہاں تفتیش کی جائے۔" یہ صلاحیت دستی ڈرل ڈاؤن تجزیہ کے گھنٹوں کی جگہ لے لیتی ہے۔

بے ضابطگی کا پتہ لگانے کا لائسنسنگ

بے ضابطگی کا پتہ لگانے کی بنیادی فعالیت پرو لائسنس کے ساتھ دستیاب ہے۔ بنیادی وجہ کے تجزیہ کی خصوصیت کے لیے "پریمیم فی صارف، پریمیم صلاحیت، یا فیبرک کی صلاحیت کی ضرورت ہے۔ زیادہ تر عملی نفاذ کے لیے، بنیادی وجہ کی وضاحت بنیادی قدر ڈرائیور ہے، لہذا پریمیم یا PPU لائسنسنگ کے لیے منصوبہ بنائیں۔

---

کلیدی متاثر کن بصری

کلیدی اثر کرنے والے کیا کرتے ہیں۔

کلیدی انفلوئنسر بصری مشین لرننگ کا استعمال کرتا ہے اس بات کی نشاندہی کرنے کے لیے کہ آپ کے ڈیٹا میں کون سے عوامل ہدف میٹرک پر سب سے زیادہ اثر انداز ہوتے ہیں۔ یہ سوالات کے جوابات دیتا ہے جیسے "کس چیز سے صارفین کے اطمینان کے اسکور ہوتے ہیں؟" یا "کون سے عوامل زیادہ ملازمین کے کاروبار کی پیش گوئی کرتے ہیں؟" صارفین کو دستی طور پر ڈیٹا کو کراس ٹیبلیٹ کرنے یا شماریاتی تجزیہ چلانے کی ضرورت کے بغیر۔

** تجزیہ کے دو طریقے:**

اہم اثر انگیز ٹیب: انفرادی عوامل کو ظاہر کرتا ہے جو ہدف میٹرک پر ان کے اثر و رسوخ کے لحاظ سے درجہ بندی کرتے ہیں۔ ہر فیکٹر اپنا گتانک دکھاتا ہے (یہ ہدف کو کتنا حرکت دیتا ہے) اور ایک معاون تصور۔ مثال کے طور پر: "جب محکمہ انجینئرنگ ہے، اوسط ملازم کے اطمینان کا سکور 0.8 پوائنٹس سے بڑھ جاتا ہے" یا "جب معاہدہ کی قسم ماہ بہ ماہ ہوتی ہے، تو منحرف ہونے کا امکان 3.2x بڑھ جاتا ہے۔"

سب سے اوپر سیگمنٹس ٹیب: ریکارڈز کے گروپس (سگمنٹس) کی شناخت کرنے کے لیے کلسٹرنگ کا استعمال کرتا ہے جو مشترکہ خصوصیات کا اشتراک کرتے ہیں اور یکساں ہدف میٹرک اقدار کی نمائش کرتے ہیں۔ مثال کے طور پر: "حصہ 1: 24 ماہ سے زیادہ مدت کے حامل صارفین، 3+ پروڈکٹس، اور سالانہ معاہدوں کی شرح صرف 2.1% ہے (مجموعی طور پر 15% کے مقابلے)۔"

کلیدی متاثر کن کنفیگر کرنا

ٹارگٹ میٹرک سلیکشن:

ہدف ہو سکتا ہے:

• ایک واضح کالم ("کیا اثر پڑتا ہے کہ آیا معاہدہ جیت گیا بمقابلہ ہار گیا؟")
• ایک عددی کالم ("کسٹمر کے اطمینان کے اسکور پر کیا اثر پڑتا ہے؟")
• ایک پیمائش ("فی گاہک کی آمدنی پر کیا اثر پڑتا ہے؟")

تفصیلی عوامل:

ایسے کالموں کو گھسیٹیں جو ہدف پر اثرانداز ہو سکتے ہیں "بیان کریں" فیلڈ میں اچھی طرح سے۔ بصری خود بخود ہینڈل کرتا ہے:

• زمرہ کے عوامل (یہ ہر زمرے کے اثر کا موازنہ کرتا ہے)
• عددی عوامل (یہ حد کے اثرات کی نشاندہی کرتا ہے جیسے "جب ماہانہ خرچ $500 سے زیادہ ہو")
• ایک ساتھ متعدد عوامل (یہ ہر ایک عنصر کی شراکت کو الگ کرنے کے لیے لاجسٹک ریگریشن یا فیصلے کے درختوں کا استعمال کرتا ہے)

بہترین عمل:

• 5-15 وضاحتی عوامل شامل کریں۔ 5 سے کم تجزیہ کو محدود کرتا ہے۔ 15 سے زیادہ شور کے نتائج پیدا کر سکتے ہیں۔
• شناخت کنندہ کالم (CustomerID، OrderNumber) کو خارج کریں جن کی ہر قطار کے لیے منفرد اقدار ہوں۔
• انتہائی بصیرت انگیز نتائج کے لیے واضح اور عددی عوامل کا مرکب شامل کریں۔
• مناسب گرانولریٹی پر فیلڈز کا استعمال کریں۔ اگر آپ کا ہدف کسٹمر کی سطح پر ہے، تو وضاحتی عوامل بھی کسٹمر کی سطح پر ہونے چاہئیں (لین دین کی سطح پر نہیں)۔

عملی ایپلی کیشنز

کلیدی انفلوینسر پاور BI لائسنس کی تمام اقسام (پرو، پی پی یو، پریمیم) کے ساتھ دستیاب ہیں۔ یہ سب سے زیادہ قابل رسائی AI خصوصیات میں سے ایک ہے اور اکثر وہ پہلی ہے جو کاروباری صارفین کو ٹھوس قدر فراہم کرتی ہے۔

---

سمارٹ بیانیہ

خودکار بصیرت جنریشن

Smart Narratives آپ کے ڈیٹا کی متحرک، فطری زبان کے خلاصے تیار کرتی ہیں جو فلٹرز کی تبدیلی کے ساتھ خود بخود اپ ڈیٹ ہو جاتی ہیں۔ جامد ٹیکسٹ بکس کے برعکس، سمارٹ بیانیے ڈیٹا پر مبنی ہوتے ہیں --- وہ بنیادی بصریوں کا تجزیہ کرتے ہیں اور سیاق و سباق کی وضاحتیں تیار کرتے ہیں۔

کونسی ہوشیار داستانیں پیدا کرتی ہیں:

• خلاصہ کے اعدادوشمار ("کل آمدنی $4.2M ہے، سابقہ مدت کے مقابلے میں 12% اضافہ")
• رجحان کی تفصیل ("محصول پچھلے 6 مہینوں سے اوپر کی طرف بڑھ رہا ہے، جس کی اوسط ماہانہ شرح نمو 2.3% ہے")
• موازنہ کی بصیرت ("شمالی علاقہ دیگر تمام علاقوں سے بہتر کارکردگی کا مظاہرہ کرتا ہے، کل آمدنی کا 35% حصہ ڈالتا ہے")
• بے ضابطگی کال آؤٹ ("مارچ کی آمدنی 12 ماہ کی اوسط سے 15% کم تھی، جو انٹرپرائز سیگمنٹ میں کمی کی وجہ سے کارفرما تھی")

سمارٹ بیانیے کو حسب ضرورت بنانا

پہلے سے طے شدہ سمارٹ بیانیے عام ہوتے ہیں۔ انہیں قیمتی بنانے کے لیے، انہیں حسب ضرورت بنائیں:

مخصوص اقدار کا اضافہ:

مخصوص اقدامات یا فیلڈز داخل کرنے کے لیے "ایک قدر شامل کریں" پر کلک کریں۔ سمارٹ بیانیے ان اقدار (کرنسی، فیصد، نمبر) کو متحرک طور پر فارمیٹ کرتے ہیں اور جب فلٹر تبدیل ہوتے ہیں تو انہیں اپ ڈیٹ کرتے ہیں۔

جنریٹڈ ٹیکسٹ میں ترمیم کرنا:

خود کار طریقے سے تیار کردہ متن ایک نقطہ آغاز ہے۔ اپنی تنظیم کی اصطلاحات سے مماثل ہونے کے لیے اس میں ترمیم کریں اور ان بصیرت پر توجہ مرکوز کریں جو آپ کے سامعین کے لیے سب سے اہم ہیں۔ ارد گرد کے متن کو ایڈجسٹ کرتے وقت متحرک قدر کے حوالہ جات کو برقرار رکھیں۔

مشروط متن:

ڈیٹا کی قدروں کی بنیاد پر مختلف متن دکھانے کے لیے مشروط منطق کا استعمال کریں۔ مثال کے طور پر: "ریوینیو [اوپر/نیچے] ہدف کے لحاظ سے [متغیر رقم] ہے" جہاں اصل کارکردگی کی بنیاد پر زبان تبدیل ہوتی ہے۔

سمارٹ بیانیہ بہترین طرز عمل

• فوری سیاق و سباق فراہم کرنے کے لیے سمارٹ بیانیے کو ایگزیکٹو ڈیش بورڈز کے اوپر رکھیں
• حکایات کو فی بصری یا صفحہ 3-5 جملوں تک رکھیں --- اختصار سے قارئین کی تعداد میں اضافہ ہوتا ہے
• سبز میں مثبت کارکردگی اور سرخ میں منفی کو نمایاں کرنے کے لیے مشروط فارمیٹنگ کا استعمال کریں۔
• مختلف فلٹر امتزاج کے ساتھ بیانیے کی جانچ کریں تاکہ یہ یقینی بنایا جا سکے کہ وہ درست اور بامعنی رہیں
• پریمیم صلاحیت کے بارے میں زیادہ امیر، زیادہ سیاق و سباق کے خلاصے کے لیے سمارٹ بیانیے کو Copilot کے ساتھ جوڑیں

---

سوال و جواب کی اصلاح

سوال و جواب کا بصری

سوال و جواب (سوالات اور جوابات) بصری صارفین کو فطری زبان کے سوالات ٹائپ کرنے اور اعداد و شمار پر مبنی جوابات بطور تصور حاصل کرنے دیتا ہے۔ "پچھلی سہ ماہی میں کل آمدنی کتنی تھی؟" ایک کارڈ بصری تیار کرتا ہے جس کی قیمت ظاہر ہوتی ہے۔ "بار چارٹ کے طور پر علاقے کے لحاظ سے آمدنی دکھائیں" درخواست کردہ ویژولائزیشن تیار کرتا ہے۔

ڈیمو میں سوال و جواب دھوکہ دہی سے آسان ہے لیکن حقیقی دنیا کے ڈیٹا کے ساتھ اچھی طرح کام کرنے کے لیے اہم کنفیگریشن کی ضرورت ہوتی ہے۔ باکس کے باہر، سوال و جواب مبہم کالم کے ناموں، صنعت سے متعلق مخصوص اصطلاحات، اور پیچیدہ کاروباری منطق کے ساتھ جدوجہد کرتا ہے۔ مناسب اصلاح کے ساتھ، یہ ایک طاقتور سیلف سروس ٹول بن جاتا ہے۔

لسانی اسکیما کنفیگریشن

لسانی اسکیما سوال و جواب کو بتاتا ہے کہ آپ کا ڈیٹا ماڈل قدرتی زبان کے تصورات پر کیسے نقش ہوتا ہے۔ سوال و جواب کے معیار کے لیے یہ واحد سب سے زیادہ مؤثر ترتیب ہے۔

مترادفات:

جدولوں، کالموں اور اقدار کے لیے متبادل اصطلاحات کی وضاحت کریں:

جملے:

وضاحت کریں کہ میزوں کے درمیان تعلقات کو قدرتی زبان میں کیسے بیان کیا جانا چاہئے:

• "صارفین **مصنوعات خریدتے ہیں"
• "آڈرز کے پاس ** جہاز کی تاریخ ہوتی ہے" (صفت جملہ)
• "آمدنی **ایک علاقے کے لیے ہے"

مجوزہ سوالات:

مثال کے طور پر سوالات فراہم کریں جو یہ ظاہر کریں کہ صارف کیا پوچھ سکتے ہیں۔ یہ تب تجاویز کے طور پر ظاہر ہوتے ہیں جب صارف سوال و جواب کے بصری پر کلک کرتا ہے، اور صارفین کو ان سوالات کی اقسام سکھاتا ہے جو سسٹم اچھی طرح سے ہینڈل کرتا ہے۔

سوال و جواب کنفیگریشن چیک لسٹ

1. تمام جدولوں اور کالموں کا نام بدل کر کاروبار کے موافق نام رکھیں (کوئی مخفف نہیں، کوئی انڈر سکور نہیں)
2. ہر ٹیبل اور کالم کے لیے مترادفات شامل کریں (ہر ایک میں کم از کم 2-3 مترادفات)
3. کلیدی رشتوں کے لیے فقرے کنفیگر کریں۔
4. 10-15 تجویز کردہ سوالات شامل کریں جو عام تجزیہ کے منظرناموں کا احاطہ کرتے ہیں۔
5. کاروباری صارفین کے 20-30 حقیقی سوالات کے ساتھ ٹیسٹ کریں اور نتائج کی بنیاد پر بہتر کریں۔
6. سوال و جواب کے تربیتی لاگ کا جائزہ لیں (پاور BI ایسے سوالات کو ٹریک کرتا ہے جن کا وہ جواب نہیں دے سکا) اور گمشدہ مترادفات یا جملے شامل کریں۔
7. صارف کو تربیت فراہم کریں کہ سوالات کو مؤثر طریقے سے کیسے بیان کیا جائے۔

سوال و جواب لائسنسنگ

سوال و جواب کا بصری لائسنس کی تمام اقسام کے ساتھ دستیاب ہے۔ اعلی درجے کی سوال و جواب کی خصوصیات (تجویز کردہ سوالات، لسانی اسکیما) پاور BI ڈیسک ٹاپ میں لائسنس سے قطع نظر دستیاب ہیں۔ پاور BI سروس میں سوال و جواب کے لیے Pro یا PPU کی ضرورت ہے۔ کوپائلٹ سے بڑھا ہوا سوال و جواب (بات چیت، ملٹی ٹرن) کے لیے پریمیم یا فیبرک صلاحیت کی ضرورت ہوتی ہے۔

---

لائسنسنگ کی ضروریات کا خلاصہ

لائسنس کے ذریعہ AI فیچر کی دستیابی

لاگت سے موثر AI لائسنسنگ کی حکمت عملی

ان تنظیموں کے لیے جو پوری پریمیم صلاحیت کا ارتکاب کیے بغیر AI خصوصیات سے فائدہ اٹھانا چاہتی ہیں:

مرحلہ 1: پرو کے ساتھ شروع کریں۔ کلیدی اثر و رسوخ، سوال و جواب، بنیادی بے ضابطگی کا پتہ لگانے، سمارٹ بیانیے، اور پیشین گوئی کے بصری کو متعین کریں۔ یہ خصوصیات $10/صارف/ماہ پر دستیاب ہیں اور اہم تجزیاتی قدر فراہم کرتی ہیں۔

مرحلہ 2: پاور صارفین کو PPU میں اپ گریڈ کریں۔ تجزیہ کاروں کے لیے جنہیں AutoML اور ایڈوانسڈ بے ضابطگی کا پتہ لگانے کی ضرورت ہے، PPU $20/صارف/ماہ پر پریمیم صلاحیت سے ڈرامائی طور پر سستا ہے۔ PPU پر 20 تجزیہ کاروں کی ایک ٹیم کی لاگت $400/ماہ بمقابلہ $5,000+/ماہ کم ترین پریمیم صلاحیت کے لیے ہے۔

مرحلہ 3: کوپائلٹ کے لیے فیبرک کی گنجائش شامل کریں۔ جب تنظیم Copilot اور ایڈوانسڈ AI کے لیے تیار ہو تو فیبرک F64 کی گنجائش فراہم کریں۔ یہ پرو یا PPU لائسنس والے تمام صارفین کے لیے Copilot کو قابل بناتا ہے جو فیبرک ورک اسپیس میں مواد تک رسائی حاصل کرتے ہیں۔

یہ مرحلہ وار نقطہ نظر تنظیموں کو بڑی سرمایہ کاری کرنے سے پہلے ہر مرحلے پر ROI کا مظاہرہ کرتے ہوئے AI صلاحیتوں کو بتدریج بنانے دیتا ہے۔ ECOSIRE اس پیشرفت کی منصوبہ بندی کرنے اور اس پر عمل درآمد کرنے میں تنظیموں کی مدد کے لیے AI تجزیاتی عمل درآمد کی خدمات پیش کرتا ہے۔

---

عملی AI کے نفاذ کے نمونے۔

پیٹرن 1: ایگزیکٹو بے ضابطگی الرٹس

خودکار ایگزیکٹو الرٹس بنانے کے لیے پاور آٹومیٹ کے ساتھ بے ضابطگی کا پتہ لگانے کو یکجا کریں:

1. کلیدی میٹرکس (آمدنی، آرڈرز، تبادلوں کی شرح) پر بے ضابطگی کا پتہ لگانے کے ساتھ ایک ڈیش بورڈ بنائیں۔
2. بے ضابطگی کا پتہ لگانے والے بصری پر ڈیٹا سے چلنے والے الرٹ کے ذریعے متحرک پاور آٹومیٹ فلو بنائیں۔
3. جب کسی بے ضابطگی کا پتہ چلتا ہے، تو بہاؤ ٹیموں کا ایک پیغام یا ای میل ایگزیکٹو ٹیم کو بھیجتا ہے جس میں بے ضابطگی کی تفصیلات اور بنیادی وجہ کی وضاحت ہوتی ہے۔
4. ایگزیکٹو مزید تفتیش کے لیے لائیو ڈیش بورڈ کے لنک پر کلک کرتا ہے۔

یہ پیٹرن دستی صبح کے ڈیٹا کے جائزوں کو خودکار، استثنیٰ پر مبنی الرٹنگ سے بدل دیتا ہے۔ ایگزیکٹوز صرف معلومات دیکھتے ہیں جب کسی چیز پر توجہ کی ضرورت ہوتی ہے۔

پیٹرن 2: سیلز پریڈیکشن پائپ لائن

ڈیل اسکورنگ ماڈل بنانے کے لیے آٹو ایم ایل کا استعمال کریں:

1. تاریخی ڈیل ڈیٹا پر مشتمل ڈیٹا فلو بنائیں (خصوصیات کے ساتھ سودے جیتے اور ہارے)۔
2. جیت بمقابلہ کھوئے ہوئے کی پیشن گوئی کرنے والے بائنری درجہ بندی کے ماڈل کو تربیت دیں۔
3. موجودہ پائپ لائن سودوں پر ماڈل کا اطلاق کریں، ہر ایک کو جیتنے کے امکان کے ساتھ اسکور کریں۔
4. روایتی پائپ لائن میٹرکس کے ساتھ سیلز ڈیش بورڈ میں پیشین گوئیوں کا تصور کریں۔
5. سیلز مینیجر سودوں کو ترجیح دینے اور وسائل مختص کرنے کے لیے پیشین گوئی کے اسکور کا استعمال کرتے ہیں۔
6. درستگی کو برقرار رکھنے کے لیے نئے بند ڈیل ڈیٹا کے ساتھ سہ ماہی ماڈل کو دوبارہ تربیت دیں۔

پیٹرن 3: قدرتی زبان کے تجزیات کا پورٹل

سوال و جواب اور کوپائلٹ کا استعمال کرتے ہوئے سیلف سروس اینالیٹکس پورٹل بنائیں:

1. اپنے ٹاپ 5-10 ڈیٹاسیٹس کے لیے لسانی اسکیما کو بہتر بنائیں۔
2. اپنی مرکزی پاور BI ایپ میں ایک وقف شدہ "Analytics Q&A" صفحہ بنائیں۔
3. مثالوں اور تجویز کردہ سوالات کے ذریعے صارفین کو موثر سوالیہ الفاظ کی تربیت دیں۔
4. غیر جوابی سوالات کی ماہانہ نگرانی کریں اور فرق کی بنیاد پر لسانی اسکیما کو بہتر بنائیں۔
5. پریمیم/فیبرک ماحول کے لیے، بات چیت کے کثیر موڑ کی تلاش کے لیے Copilot کو فعال کریں۔

یہ پیٹرن ایڈہاک رپورٹ کی درخواستوں کو 40-60% تک کم کرتا ہے جس سے صارفین کو رپورٹس بنائے بغیر اپنے سوالات کے جوابات دینے کی صلاحیت ملتی ہے۔

---

اکثر پوچھے گئے سوالات

کیا Copilot for Power BI میرا ڈیٹا OpenAI کو بھیجتا ہے؟

Copilot آپ کی Microsoft 365 تعمیل کی حد کے اندر Azure OpenAI سروس کے ذریعے ڈیٹا پر کارروائی کرتا ہے۔ ڈیٹا ماڈل میٹا ڈیٹا (ٹیبل کے نام، کالم کے نام، پیمائش کی تعریفیں، اور نمونے کی قدریں) پروسیسنگ کے لیے بھیجا جاتا ہے، لیکن ڈیٹا Azure OpenAI کے ذریعے اسٹور نہیں کیا جاتا ہے یا ماڈلز کو تربیت دینے کے لیے استعمال نہیں کیا جاتا ہے۔ آپ کا ڈیٹا مائیکروسافٹ کے انٹرپرائز سیکیورٹی کے دائرے میں رہتا ہے اور مائیکروسافٹ 365 کے باقی ماندہ کمپلائنس سرٹیفیکیشنز کے ساتھ مشروط ہے۔ ڈیٹا کی انتہائی حساسیت رکھنے والی تنظیموں کو تفصیلی ڈیٹا فلو ڈائیگرامس اور رہائش کی ضمانتوں کے لیے Microsoft Copilot ڈیٹا پروٹیکشن دستاویزات کا جائزہ لینا چاہیے۔

Power BI میں AutoML کی پیشین گوئیاں کتنی درست ہیں؟

درستگی کا انحصار مکمل طور پر آپ کے ڈیٹا کے معیار، حجم، اور آپ کے ماڈلنگ کے نتائج کی پیشین گوئی پر ہے۔ صاف تاریخی ڈیٹا (1,000+ تربیتی قطاریں، واضح نتیجہ متغیر، متعلقہ خصوصیات) کے ساتھ اچھی طرح سے طے شدہ کاروباری مسائل کے لیے، AutoML عام طور پر درجہ بندی کے لیے 75-90% درستگی اور رجعت کے لیے معقول RMSE حاصل کرتا ہے۔ کم ساختی مسائل یا شور والے ڈیٹا کے لیے، درستگی 60-75% ہو سکتی ہے۔ آٹو ایم ایل تربیت کے بعد درستگی کی پیمائش فراہم کرتا ہے --- پیداوار میں پیشین گوئیاں لگانے سے پہلے ہمیشہ ان کا جائزہ لیں۔ اگر درستگی آپ کی حد سے نیچے ہے تو، حل عام طور پر بہتر ڈیٹا یا فیچر انجینئرنگ ہے، کوئی مختلف ٹول نہیں۔

کیا میں DirectQuery ڈیٹاسیٹس کے ساتھ Power BI AI خصوصیات استعمال کرسکتا ہوں؟

زیادہ تر AI خصوصیات کے لیے امپورٹ موڈ ڈیٹا سیٹس کی ضرورت ہوتی ہے کیونکہ AI الگورتھم کو مکمل ڈیٹا سیٹ کو اسکین کرنے اور اس پر کارروائی کرنے کی ضرورت ہوتی ہے، جو DirectQuery کنکشنز پر کارآمد نہیں ہے۔ بے ضابطگی کا پتہ لگانا، کلیدی اثر ڈالنے والے، اور سمارٹ بیانیہ صرف امپورٹ موڈ کے ساتھ کام کرتے ہیں۔ سوال و جواب DirectQuery کے ساتھ کام کرتا ہے لیکن سست ہو سکتا ہے۔ آٹو ایم ایل کو ڈیٹا فلوز کی ضرورت ہوتی ہے (جو امپورٹ موڈ استعمال کرتے ہیں)۔ Copilot کچھ خصوصیات کے لیے DirectQuery ڈیٹاسیٹس کے ساتھ کام کر سکتا ہے لیکن امپورٹ موڈ کے ساتھ سب سے زیادہ موثر ہے۔ ڈیٹا سیٹس کے لیے جن کو تازگی کے لیے DirectQuery کا استعمال کرنا چاہیے، ایک ہائبرڈ اپروچ پر غور کریں: ریئل ٹائم آپریشنل ویژولز کے لیے DirectQuery استعمال کریں اور AI سے چلنے والے تجزیہ کے لیے ایک علیحدہ امپورٹ موڈ ڈیٹاسیٹ استعمال کریں۔

AI خصوصیات کو اچھی طرح سے کام کرنے کے لیے کم از کم ڈیٹا والیوم کی کیا ضرورت ہے؟

ضروریات خصوصیت کے لحاظ سے مختلف ہوتی ہیں۔ ایک قابل اعتماد بیس لائن قائم کرنے کے لیے بے ضابطگی کا پتہ لگانے کے لیے ٹائم سیریز (مثالی طور پر 50+) میں کم از کم 12 ڈیٹا پوائنٹس کی ضرورت ہوتی ہے۔ کلیدی اثر و رسوخ کرنے والوں کو کم از کم 100 قطاروں کی فی زمرہ تجزیہ کرنے کی ضرورت ہے۔ AutoML کو کم از کم 100 تربیتی قطاروں کی ضرورت ہے لیکن 1,000+ کے ساتھ نمایاں طور پر بہتر کارکردگی کا مظاہرہ کرتی ہے۔ سوال و جواب اور اسمارٹ بیانیے کسی بھی ڈیٹا والیوم کے ساتھ کام کرتے ہیں۔ Copilot کسی بھی ڈیٹا والیوم کے ساتھ کام کرتا ہے لیکن زیادہ ڈیٹا سیاق و سباق کے ساتھ بہتر بصیرت فراہم کرتا ہے۔ عام طور پر، اگر آپ کے ڈیٹاسیٹ میں 1,000 سے کم قطاریں ہیں، تو AI خصوصیات کام کریں گی لیکن ہو سکتا ہے کہ اعداد و شمار کے لحاظ سے اہم بصیرت فراہم نہ کریں۔

اگر میرے پاس صرف پرو لائسنس ہیں تو میں Power BI AI کے ساتھ کیسے شروعات کروں؟

پرو پر دستیاب AI خصوصیات کے ساتھ شروع کریں: Q&A بصری (اپنے کلیدی ڈیٹاسیٹس کے لیے لسانی اسکیما کو بہتر بنائیں)، کلیدی اثر کرنے والے (اس بات کی نشاندہی کریں کہ آپ کے سب سے اہم میٹرکس کو کیا چلاتا ہے)، بنیادی بے ضابطگی کا پتہ لگانا (غیر متوقع تبدیلیوں کے لیے ٹائم سیریز مانیٹر کریں)، Smart Narratives (ایگزیکٹیو ڈیش بورڈز کے لیے خودکار خلاصے شامل کریں)، اور ٹریس کاسٹ کے لیے ٹائم سیریز۔ یہ خصوصیات اضافی لائسنسنگ لاگت کے بغیر کافی قیمت فراہم کرتی ہیں۔ ایک بار جب آپ ROI کا مظاہرہ کر لیتے ہیں، تو PPU یا Premium/fabric کے لیے AutoML، ایڈوانسڈ اینومیلی ڈیٹیکشن، اور Copilot کو غیر مقفل کرنے کے لیے ایک بزنس کیس بنائیں۔