Power BI AI 功能：Copilot、AutoML 和预测分析

Power BI 已从可视化工具发展成为人工智能增强分析平台。在过去的三年里，微软在整个 Power BI 体验中嵌入了人工智能——从使用 Copilot 构建自然语言报告，到用于预测的自动化机器学习，再到在数据出现异常行为时向您发出警报的异常检测。这些功能不再是实验性预览。它们是生产就绪的功能，可以从根本上改变业务用户与数据交互的方式。

挑战不在于这些人工智能功能是否有效——它们确实有效，而且对于大多数用例来说都非常有效。挑战在于了解哪些功能在哪个许可证层可用、如何为您的数据环境配置它们以及如何培训用户有效地利用它们。本指南涵盖了 Power BI 中的每项主要 AI 功能，包括实际实施指南、许可要求以及对每项功能的优点和不足的诚实评估。

如果您正在 Power BI 上构建人工智能驱动的分析策略，请探索我们的 Power BI AI 和分析服务 以获得实施支持和最佳实践。

要点

• Copilot for Power BI 根据自然语言提示生成报告、DAX 度量和叙述性摘要 --- 它需要 Fabric F64+ 或 Premium P1+ 容量
• Power BI 中的 AutoML 无需编写代码即可实现分类、回归和预测模型，可通过 Premium/Fabric 工作区中的数据流进行访问
• 异常检测自动标记时间序列视觉效果中的意外数据点并提供根本原因解释
• 关键影响者视觉效果使用人工智能来识别哪些因素导致指标上升或下降，从而取代了数周的手动分析
• 智能叙述生成动态的、上下文感知的视觉效果文本摘要，并随数据变化而更新
• 通过正确的同义词配置和语言模式设置可以显着改进问答（自然语言查询）
• 大多数 AI 功能需要每用户高级版（20 美元/用户/月）、高级容量或结构容量 --- 专业版许可证不包括高级 AI

---

Power BI 副驾驶

副驾驶可以做什么

Copilot for Power BI 将大型语言模型功能直接带入报表创作和使用体验中。它不是固定在 Power BI 一侧的聊天机器人 --- 它集成到核心工作流程中，了解您的数据模型、关系和度量。

报告创建：

Copilot 可以根据自然语言提示生成完整的报告页面。像“创建一个销售业绩仪表板，显示按地区、每月趋势和前 10 个产品列出的收入”这样的提示会生成一个具有适当图表类型、配置过滤器和合理格式的多视觉页面。生成的报告是一个起点，而不是成品——但它消除了空白页问题，并使用户在几秒钟而不是几小时内获得功能草稿。

DAX 生成：

Copilot 根据自然语言描述编写 DAX 度量。 “计算同比收入增长百分比”使用适当的时间智能函数生成一个度量。对于复杂的业务逻辑，Copilot 可以使用变量生成多步骤度量，处理边缘情况（除以零、缺少句点），并在注释中解释逻辑。

生成的 DAX 的质量范围从优秀（直接聚合和时间智能）到需要手动细化（具有模糊业务逻辑的复杂多事实表计算）。对于 80% 遵循常见模式的 DAX 数据，Copilot 的准确率非常高。对于 20% 需要深厚领域知识的人来说，它提供了一个坚实的起点，经验丰富的分析师可以对其进行完善。

叙述概要：

Copilot 生成报告页面的动态文本摘要，以简单的语言解释数据显示的内容。 “收入同比增长 12%，主要由北部地区增长 23% 推动。南部地区下降 4%，主要是由于第三季度 X 类产品下降 15%。”这些叙述会随着过滤器的变化而自动更新，为高管提供人工智能生成的简报，以适应他们对数据的特定看法。

数据探索：

用户可以用自然语言向 Copilot 询问有关其数据的问题：“是什么导致了 3 月份的收入下降？”或“哪些客户群增长最快？” Copilot 分析基础数据并通过支持可视化提供答案。这是超越问答视觉效果的重大演变，因为 Copilot 可以理解上下文，可以执行多步骤分析，并解释其推理。

副驾驶限制

副驾驶很强大，但并不是无所不知。了解其局限性可以防止失望和误用：

• 数据模型质量很重要。 Copilot 使用清晰的描述性表和列名称与精心设计的星型模式配合得最好。包含名为“col1”、“dim_val_3”和“amt_usd_net”列的模型将产生比包含“客户名称”、“产品类别”和“美元净收入”的模型更差的结果。

• 复杂的业务逻辑需要指导。 Copilot 不知道您组织的具体业务规则，除非它们被编码在模型中。如果“活跃客户”意味着“过去 90 天内下过订单（不包括退货）”，您需要明确告知 Copilot 或将其编码为 Copilot 可以参考的衡量标准。

• 保密注意事项。 Copilot 将数据模型元数据（表名称、列名称、度量定义、示例值）发送到 Azure OpenAI 进行处理。数据在 Microsoft 365 合规性范围内进行处理，不用于训练模型，但对数据极其敏感的组织应查看 Microsoft 的 Copilot 数据处理文档。

• 幻觉风险。 与所有基于 LLM 的功能一样，Copilot 可以生成听起来合理但不正确的 DAX 或误导性叙述陈述。在与利益相关者共享之前，始终根据已知数据点验证生成的内容。

副驾驶执照要求

Copilot for Power BI 需要以下其中一项：

Copilot 不适用于没有 Premium/Fabric 容量的 Pro-only 许可。这是评估人工智能功能的组织中最常见的混乱来源。

---

AutoML：自动化机器学习

AutoML 的功能

Power BI AutoML 允许业务分析师构建、训练和应用机器学习模型，而无需编写代码或了解 ML 框架。模型根据 Power BI 数据流中的数据进行训练，并且可以在新数据到达时应用到新数据。

支持的型号类型：

构建 AutoML 模型

步骤 1：在数据流中准备训练数据。

AutoML 模型根据 Power BI 数据流（而不是数据集或报告）中的数据进行训练。创建一个数据流实体，其中包含历史数据以及要预测的结果变量以及可能影响它的特征（输入变量）。

对于客户流失预测模型，实体可能包括：

第 2 步：配置机器学习模型。

在数据流编辑器中，选择“应用 ML 模型”并选择您的目标列。 Power BI 根据目标变量的数据类型自动检测适当的模型类型（布尔触发二元分类，数字触发回归）。

配置训练选项：

• 训练持续时间（5分钟到几个小时——更长的训练探索更多的模型架构）
• 特征选择（让AutoML选择或手动指定）
• 验证分割（通常 80% 训练，20% 验证）

第 3 步：训练和评估。

AutoML 训练多种模型架构（决策树、梯度提升、神经网络）并选择最佳表现者。训练后，它提供：

• 模型准确度指标： 用于分类的 AUC-ROC、用于回归的 RMSE、用于预测的 MAPE
• **特征重要性：**哪些输入变量对预测影响最大
• 混淆矩阵： 对于分类模型，显示真/假阳性和阴性
• 培训报告： 模型选择过程的详细文档

第 4 步：应用预测。

经过训练后，模型可以应用于通过数据流到达的新数据。每个新行都会收到一个预测（分类标签或数字预测）和一个置信度分数。这些预测流入您的 Power BI 数据集，并可以在报告中可视化。

AutoML 最佳实践

数据质量至关重要。 AutoML 无法弥补不良数据。确保您的训练数据干净、有足够的数据量（至少 100 行，最好超过 1,000 行），并且能够代表您想要预测的场景。缺失值、异常值和类别不平衡都会降低模型性能。

**特征工程很重要。**原始数据在训练之前通常需要转换。创建派生特征，例如“自上次购买以来的天数”、“6 个月内的平均订单价值”或“支持票频率”，以捕获有意义的模式。 AutoML 可以发现原始数据中的关系，但预先设计的功能可以显着提高准确性。

监控模型漂移。 随着业务条件的变化，根据历史数据训练的模型会随着时间的推移而退化。每季度重新训练模型（或当预测精度低于可接受的阈值时）以保持相关性。 Power BI 不会自动检测模型漂移——您需要主动监控预测准确性。

请勿在未经人工审核的情况下使用 AutoML 进行高风险决策。 AutoML 模型是统计预测，而不是确定性规则。将预测与人类判断一起用作决策的一种输入，特别是对于信贷审批、招聘或医疗诊断等后续决策。

---

异常检测

异常检测的工作原理

Power BI 的异常检测功能会自动识别时间序列视觉效果中与预期模式显着偏差的数据点。它使用根据历史数据进行训练的机器学习模型（谱残差算法与卷积神经网络相结合）来建立预期范围，然后标记超出这些范围的点。

配置选项：

• 灵敏度： 控制标记异常的积极程度。较高的灵敏度可以捕获更多的异常情况，但会增加误报。较低的灵敏度仅标记极端偏差。默认值为 80%（中等灵敏度）。
• 预期范围： 图表上显示的置信区间。范围越宽意味着标记的异常越少。带宽由灵敏度设置控制。
• 季节性： 对于具有季节性模式（每周、每月、每季度）的数据，Power BI 可以自动检测并解释季节性。您还可以手动指定季节性时段。

启用异常检测

异常检测可在带有日期时间轴的折线图上进行：

1. 创建一个折线图，其中 x 轴上有日期/时间字段，y 轴上有数字度量。
2. 在“分析”窗格中，展开“查找异常”并将其打开。
3. 使用滑块调整灵敏度（从默认值开始并根据结果进行调整）。
4. （可选）配置“解释依据”字段 --- Power BI 将用于解释发生异常的原因的维度。

根本原因解释

异常检测最有价值的方面不是标记异常，而是解释它们。当用户单击标记的异常时，Power BI 会分析影响维度并显示哪些因素导致了意外值。

例如，如果 3 月 15 日的总收入被标记为异常低，则解释可能会显示：

• “西部地区的收入比预期低 45%，造成异常现象 - 12 万美元”
• “产品类别：电子产品较预期范围下降 60%” -“客户细分：企业维持正常水平；中小企业细分推动偏差”

这些解释将异常检测从“看起来有问题”转变为“具体发生了什么以及在哪里进行调查”。此功能取代了数小时的手动深入分析。

异常检测许可

Pro 许可证提供异常检测基本功能。 “解释依据”根本原因分析功能需要每用户高级、高级容量或结构容量。对于大多数实际实施，根本原因解释是主要价值驱动因素，因此请规划高级或 PPU 许可。

---

主要影响者视觉

关键影响者做什么

关键影响因素视觉效果使用机器学习来识别数据中的哪些因素对目标指标影响最大。它回答了诸如“是什么驱动客户满意度得分？”之类的问题。或“哪些因素预示着员工的高流动率？”无需用户手动交叉制表数据或运行统计分析。

两种分析模式：

关键影响因素选项卡： 显示按对目标指标的影响排名的各个因素。每个因素都显示其系数（它移动目标的程度）和支持可视化。例如：“当部门为工程部门时，员工平均满意度得分增加 0.8 分”或“当合同类型为按月计算时，流失的可能性增加 3.2 倍”。

顶部分段选项卡： 使用聚类来识别具有共同特征并表现出相似目标指标值的记录组（分段）。例如：“第 1 部分：使用期限超过 24 个月、拥有 3 个以上产品和年度合同的客户的流失率仅为 2.1%（总体流失率为 15%）。”

配置关键影响者

目标指标选择：

目标可以是：

• 分类栏（“是什么影响交易是赢还是输？”）
• 数字列（“什么影响客户满意度得分？”）
• 一项措施（“什么影响每个客户的收入？”）

解释因素：

将可能影响目标的列拖到“解释依据”字段中。视觉自动处理：

• 类别因素（比较每个类别的效果）
• 数字因素（它确定阈值效应，例如“当月支出超过 500 美元时”）
• 同时多个因素（它使用逻辑回归或决策树来隔离每个因素的贡献）

最佳实践：

• 包括 5-15 个解释因素。少于 5 个会限制分析。超过 15 会产生嘈杂的结果。
• 排除每行具有唯一值的标识符列（CustomerID、OrderNumber）。
• 混合使用分类因素和数字因素，以获得最有洞察力的结果。
• 以适当的粒度使用字段。如果您的目标是客户级别，那么解释因素也应该是客户级别（而不是交易级别）。

实际应用

关键影响者适用于所有 Power BI 许可证类型（Pro、PPU、Premium）。它是最容易访问的人工智能功能之一，而且通常是第一个为业务用户提供有形价值的功能。

---

智能叙事

自动生成洞察

智能叙述生成动态的、自然语言的数据摘要，并随着过滤器的变化而自动更新。与静态文本框不同，智能叙述是数据驱动的——它们分析底层视觉效果并生成上下文描述。

聪明的叙事会产生什么：

• 摘要统计（“总收入为 420 万美元，比上一期增长 12%”）
• 趋势描述（“过去 6 个月收入呈上升趋势，月平均增长率为 2.3%”）
• 比较见解（“北部地区表现优于所有其他地区，贡献了总收入的35%”）
• 异常标注（“3 月份收入比 12 个月平均水平低 15%，原因是企业细分市场下降”）

定制智能叙事

默认的智能叙述是通用的。为了使它们有价值，请定制它们：

添加具体值：

单击“添加值”以插入特定度量或字段。智能叙述动态地格式化这些值（货币、百分比、数字），并在过滤器更改时更新它们。

编辑生成的文本：

自动生成的文本是一个起点。对其进行编辑以匹配您组织的术语，并重点关注对您的受众最重要的见解。在调整周围文本的同时保持动态值引用不变。

条件文本：

使用条件逻辑根据数据值显示不同的文本。例如：“收入[高于/低于]目标[差异金额]”，其中语言根据实际表现而变化。

智能叙事最佳实践

• 将智能叙述置于执行仪表板的顶部，以提供即时上下文
• 每个视觉或页面的叙述保持在 3-5 个句子以内 --- 简洁可增加读者群
• 使用条件格式以绿色突出显示积极表现，以红色突出显示消极表现
• 使用不同的过滤器组合测试叙述，以确保它们保持准确和有意义
• 将智能叙述与 Copilot 相结合，对高级容量进行更丰富、更符合上下文的摘要

---

问答优化

问答视觉效果

Q&A（问题和答案）视觉效果可让用户输入自然语言问题并以可视化形式接收数据驱动的答案。 “上个季度的总收入是多少？”生成显示该值的卡片视觉效果。 “以条形图形式按地区显示收入”可生成所需的可视化效果。

演示中的问答看似简单，但需要大量配置才能很好地处理现实世界的数据。开箱即用的问答方式会遇到不明确的列名称、行业特定术语和复杂的业务逻辑。经过适当的优化，它成为一个强大的自助服务工具。

语言模式配置

语言模式告诉问答您的数据模型如何映射到自然语言概念。它是对问答质量影响最大的配置。

同义词：

定义表、列和值的替代术语：

用语：

定义如何用自然语言表达表之间的关系：

-“客户购买产品”（通过订单将客户与产品联系起来的属性短语）

• “订单有发货日期”（属性短语）
• “收入针对一个地区”（将度量与维度联系起来的名称措辞）

建议问题：

提供示例问题来演示用户可以提出什么问题。当用户单击问答视觉效果时，这些会显示为建议，教导用户系统可以很好处理的问题类型。

问答配置清单

1. 将所有表和列重命名为业务友好的名称（无缩写、无下划线）
2. 为每个表和列添加同义词（每个表和列至少 2-3 个同义词）
3. 配置关键关系的措辞
4. 添加 10-15 个涵盖常见分析场景的建议问题
5. 使用业务用户提出的 20-30 个真实问题进行测试，并根据结果进行改进
6. 每月查看问答培训日志（Power BI 跟踪它无法回答的问题）并添加缺少的同义词或短语
7. 提供有关如何有效地表达问题的用户培训

问答许可

问答视觉效果适用于所有许可证类型。无论许可证如何，Power BI Desktop 中都提供高级问答功能（建议的问题、语言架构）。 Power BI 服务中的问答需要 Pro 或 PPU。副驾驶增强型问答（对话式、多轮）需要 Premium 或 Fabric 容量。

---

许可要求摘要

AI 功能按许可证提供

具有成本效益的人工智能许可策略

对于想要利用 AI 功能而不承诺全部高级容量的组织：

第 1 阶段：从专业版开始。 部署关键影响者、问答、基本异常检测、智能叙述和预测视觉效果。这些功能的价格为 10 美元/用户/月，并提供重要的分析价值。

阶段 2：将高级用户升级到 PPU。 对于需要 AutoML 和高级异常检测的分析师来说，PPU 每用户每月 20 美元，比高级容量便宜得多。一个由 20 名分析师组成的团队的 PPU 成本为每月 400 美元，而最低高级容量的成本为每月 5,000 美元以上。

阶段 3：为 Copilot 添加 Fabric 容量。 当组织准备好使用 Copilot 和高级 AI 时，配置 Fabric F64 容量。这将为所有拥有 Pro 或 PPU 许可证并访问 Fabric 工作区中内容的用户启用 Copilot。

这种分阶段的方法可以让组织逐步构建人工智能功能，在投入更大的投资之前在每个阶段展示投资回报率。 ECOSIRE 提供人工智能分析实施服务 来帮助组织规划和执行这一进程。

---

实用的人工智能实现模式

模式 1：执行异常警报

将异常检测与 Power Automate 相结合以创建自动化的执行警报：

1. 构建一个仪表板，对关键指标（收入、订单、转化率）启用异常检测。
2. 创建由异常检测视觉对象上的数据驱动警报触发的 Power Automate 流。
3. 检测到异常时，流程会向执行团队发送一条 Teams 消息或电子邮件，其中包含异常详细信息和根本原因说明。
4. 主管单击实时仪表板的链接以进行进一步调查。

此模式用基于异常的自动化警报取代了手动早晨数据审查。管理人员只有在需要注意某些事情时才会看到信息。

模式 2：销售预测管道

使用 AutoML 构建交易评分模型：

1. 创建包含历史交易数据（赢得和失去的交易的特征）的数据流。
2. 训练一个二元分类模型来预测赢与输。
3. 将模型应用于当前的管道交易，对每笔交易进行获胜概率评分。
4. 在销售仪表板中可视化预测以及传统的管道指标。
5. 销售经理使用预测分数来确定交易的优先顺序并分配资源。
6. 每季度使用新的已完成交易数据重新训练模型以保持准确性。

模式 3：自然语言分析门户

使用 Q&A 和 Copilot 构建自助分析门户：

1. 优化前 5-10 个数据集的语言架构。
2. 在主 Power BI 应用程序中创建专用的“分析问答”页面。
3. 通过示例和建议问题对用户进行有效问题措辞的培训。
4. 每月监控未回答的问题，并根据差距改进语言图式。
5. 对于 Premium/Fabric 环境，启用 Copilot 进行对话式多轮探索。

此模式使用户能够在不构建报告的情况下回答自己的问题，从而将临时报告请求减少了 40-60%。

---

常见问题解答

Copilot for Power BI 是否会将我的数据发送到 OpenAI？

Copilot 通过 Azure OpenAI 服务在 Microsoft 365 合规性边界内处理数据。发送数据模型元数据（表名称、列名称、度量定义和示例值）进行处理，但数据不会由 Azure OpenAI 存储或用于训练模型。你的数据保留在 Microsoft 的企业安全范围内，并受到与 Microsoft 365 的其他部分相同的合规性认证。具有极端数据敏感性的组织应查看 Microsoft Copilot 数据保护文档，以获取详细的数据流图和驻留保证。

Power BI 中的 AutoML 预测有多准确？

准确性完全取决于数据质量、数据量以及建模结果的可预测性。对于具有干净历史数据（1,000 多个训练行、清晰的结果变量、相关特征）的明确定义的业务问题，AutoML 通常可以实现 75-90% 的分类准确度和合理的 RMSE 回归。对于结构化程度较低的问题或噪声数据，准确度可能为 60-75%。 AutoML 在训练后提供准确性指标——在将预测部署到生产之前始终评估这些指标。如果准确性低于阈值，解决方案通常是更好的数据或特征工程，而不是不同的工具。

我可以将 Power BI AI 功能与 DirectQuery 数据集结合使用吗？

大多数 AI 功能需要导入模式数据集，因为 AI 算法需要扫描和处理完整数据集，这在 DirectQuery 连接上性能不佳。异常检测、关键影响者和智能叙述仅适用于导入模式。问答适用于 DirectQuery，但速度可能较慢。 AutoML 需要数据流（使用导入模式）。 Copilot 可以使用 DirectQuery 数据集来实现某些功能，但使用导入模式最为有效。对于必须使用 DirectQuery 来保证新鲜度的数据集，请考虑采用混合方法：使用 DirectQuery 实现实时操作视觉效果，并使用单独的导入模式数据集进行 AI 驱动的分析。

AI功能正常运行所需的最小数据量是多少？

要求因功能而异。异常检测需要时间序列中至少 12 个数据点（最好是 50 个以上）才能建立可靠的基线。关键影响者需要分析每个类别至少 100 行。 AutoML 至少需要 100 行训练，但训练行数超过 1,000 行时，性能会显着提高。问答和智能叙述适用于任何数据量。 Copilot 可处理任何数据量，但可以通过更多数据上下文提供更好的见解。一般来说，如果您的数据集少于 1,000 行，AI 功能将起作用，但可能无法提供具有统计意义的见解。

如果我只有 Pro 许可证，如何开始使用 Power BI AI？

从 Pro 上提供的 AI 功能开始：问答视觉效果（优化关键数据集的语言模式）、关键影响因素（确定驱动最重要指标的因素）、基本异常检测（监控时间序列以发现意外变化）、智能叙述（向执行仪表板添加自动摘要）和预测视觉效果（项目时间序列趋势）。这些功能无需额外的许可成本即可提供巨大的价值。一旦您展示了 ROI，就可以为 PPU 或 Premium/Fabric 构建业务案例来解锁 AutoML、高级异常检测和 Copilot。