Sdílet prostřednictvím

Sledování a vizualizace dat

Přeměna nezpracovaných dat na přehledy s akcemi je klíčovým krokem v životním cyklu dat. Microsoft Fabric kombinuje Power BI, Real-Time Intelligence a Fabric IQ a pomáhá obchodním analytikům zkoumat, vizualizovat a reagovat na data téměř v reálném čase. Pomocí sémantických modelů, streamovaných dat a rozšířené analýzy umělé inteligence můžete vytvářet řízené sestavy, řídicí panely a provozní výstrahy, které řídí informované rozhodování.

V tomto článku najdete následující informace:

  • Vytváření sestav Power BI a translytických toků úloh pro interaktivní analýzu
  • Použití funkce Real-Time Intelligence k monitorování a zpracování streamovaných dat
  • Použití obchodní sémantiky Fabric IQ, ontologií a grafových modelů ke sjednocení podnikových dat.

Prozkoumání a sdílení přehledů pomocí Power BI

Sestavy Power BI používají sémantické modely jako analytickou páteřní síť. Tyto modely centralizuje obchodní logiku, výpočty a zásady správného řízení a zajišťuje konzistenci v sestavách a týmech. Obchodní analytici můžou vytvářet interaktivní řídicí panely, procházet metriky a bezpečně sdílet přehledy v celé organizaci. Power BI používejte v případě, že potřebujete strukturované, opakovaně použitelné a řízené analýzy založené na sémantických modelech uložených ve OneLake.

Sestavy Power BI můžete distribuovat a vkládat napříč aplikacemi Microsoftu 365:

  • Připněte sestavy v kanálech nebo chatech Microsoft Teams pro společnou analýzu.
  • Vkládání sestav na sharepointové stránky pomocí webové části Power BI
  • Vložte živé sestavy do prezentací PowerPoint.
  • Připojte se k datovým sadám Power BI z Excelu a vytvářejte kontingenční tabulky a grafy na sémantických modelech.

Podnikejte akce na základě sestav s translytical taskflows.

Translytické toky úloh umožňují přejít z přehledu na akci přímo v sestavě Power BI. Můžete vyvolat funkce pro práci s uživatelskými daty, které mohou aktualizovat záznamy, spouštět pracovní postupy nebo zapisovat zpět do OneLake, aniž byste opustili uživatelské rozhraní sestavy. Translytické toky úloh používejte, když musí probíhat přehledy a provozní aktualizace společně, jako je úprava zásob, aktualizace prognóz prodeje nebo řešení případů podpory.

Následující diagram znázorňuje, jak sestavy Power BI a translytické toky úloh kombinují analýzy a akce v jednom řízeném prostředí:

Diagram architektury translytických toků úloh Power BI

Monitorování a analýza dat v reálném čase

Úloha Real-Time Intelligence v Microsoft Fabric umožňuje ingestovat, zpracovávat, analyzovat a reagovat na streamovaná data s minimální latencí. Kombinuje možnosti z následujících služeb:

Ingestování streamovaných dat pomocí eventstreamu

Eventstream ingestuje streamovaná data ze zdrojů, jako jsou Azure Event Hubs, Kafka, zařízení IoT nebo rozhraní REST API. Používá transformace v reálném čase a směruje data do služeb, jako je Eventhouse nebo Lakehouse.

Eventstream podporuje směrování a zarovnání schématu, normalizaci časového razítka, dělení a integraci s aktivátorem. Protože Eventstreams odesílá do fabric vysokorychlostní data, aktivátor průběžně monitoruje tyto streamované události s definovanými pravidly téměř v reálném čase.

Analýza událostí pomocí Eventhouse

Eventhouse je optimalizovaný pro analýzy velkých objemů událostí a časových řad. Automaticky indexuje a rozděluje data a používá Dotazovací jazyk Kusto pro rychlé filtrování, agregaci, spojení a šetření anomálií. Eventhouse použijte, když potřebujete škálovatelnou analýzu telemetrie, provozních metrik nebo dat protokolů.

Integrace s aktivátorem probíhá prostřednictvím sad dotazů KQL, které umožňují definovat opakovaně použitelné dotazy, které nepřetržitě vyhodnocují podmínky pro data eventhouse. Aktivátor se může přihlásit k odběru těchto výstupů dotazu a použít pravidla na základě výsledků dotazu. Když dotaz KQL zjistí podmínku (například využití procesoru překračuje 90% nebo trend indikuje riziko selhání), aktivuje aktivátor automatizované akce, jako je odesílání výstrah, spouštění toků Power Automate nebo spouštění kanálů Fabric. Tato kombinace analytického výkonu KQL s orchestrací aktivátoru umožňuje automatizaci řízenou daty v reálném čase napříč obchodními scénáři.

Vizualizace živých metrik pomocí řídicích panelů v reálném čase

Řídicí panely v reálném čase poskytují živé interaktivní vizualizace streamovaných dat, které umožňují monitorovat klíčové metriky a provozní signály, jak k nim dochází. Tyto řídicí panely založené na eventhouse (databáze KQL) umožňují dotazovat a zobrazovat data časových řad s minimální latencí a nabízejí přehled o výkonu systému, chování zákazníků nebo aktivitě senzorů v reálném čase. Podporují dynamické filtrování, automatické aktualizace a upozorňování, což je ideální pro případy použití, jako je monitorování IT, výrobní telemetrie, sledování finančních transakcí a analýzy zákaznické podpory. Řídicí panely v reálném čase se také integrují s aktivátorem, takže můžete nejen sledovat, ale také reagovat na kritické události přímo z rozhraní řídicího panelu a bez zpoždění převádět přehledy na akci.

Řídicí panely v reálném čase se liší od běžných sestav Power BI hlavně ve své schopnosti vizualizovat data živého streamování a reagovat na ně s minimální latencí. Sestavy Power BI jsou obvykle založené na importovaných datových sadách aktualizované podle plánu a jsou nejvhodnější pro historickou analýzu a interaktivní průzkum. Řídicí panely v reálném čase jsou naopak navržené pro provozní monitorování a okamžité přehledy.

Detekce anomálií

Detektor anomálií automaticky identifikuje neobvyklé vzorce nebo odlehlé hodnoty ve streamovaných nebo časových řadách. Funguje tak, že analyzuje data přijatá do eventhouse (databáze KQL) a použije statistické modely nebo techniky strojového učení k detekci odchylek od očekávaného chování. Tyto anomálie můžou představovat selhání systému, podvod, snížení výkonu nebo jiné kritické události, které vyžadují pozornost. Na rozdíl od výstrah založených na statických prahových hodnotách se detektor anomálií přizpůsobuje historickým trendům a sezónnosti dat, takže je efektivnější při identifikaci drobných nebo kontextově citlivých problémů.

Když se zjistí anomálie, může aktivovat podřízené akce prostřednictvím aktivátoru, jako je odesílání výstrah, aktualizace řídicích panelů nebo spouštění automatizovaných pracovních postupů. Tato funkce podporuje provozní scénáře, kdy časná detekce anomálií může zabránit výpadkům, finanční ztrátě nebo neuspokojení zákazníků. Umožňuje přejít z reaktivního monitorování na proaktivní zásah napříč obchodními procesy.

Detekce anomálií používejte v případech, kdy statické prahové hodnoty nestačí a vzorce se musí vyhodnocovat dynamicky.

Automatizace odpovědí pomocí aktivátoru

Aktivátor nepřetržitě monitoruje streamovaná data nebo data událostí a vyhodnocuje pravidla, která definujete. Podporuje jednoduchá pravidla prahových hodnot a detekci stavových vzorů. Například když se metrika stane kritickou nebo se v průběhu času zmenší. Tato funkce umožňuje automatizovat rozhodování a provozní úkoly téměř v reálném čase, čímž propojuje aktuální data pro okamžité akce. Pomocí Activatoru můžete propojit přehledy v reálném čase s automatizovanými provozními reakcemi.

Když jsou splněny podmínky, může aktivátor:

Následující diagram ukazuje, jak Real-Time Intelligence v síti Fabric zpracovává streamovaná data, analyzuje události a spouští akce s nízkou latencí:

Diagram architektury Real-Time Intelligence

Použití obchodní sémantiky pomocí nástroje Fabric IQ

Fabric IQ poskytuje sdílenou vrstvu obchodního kontextu napříč vašimi datovými aktivy. Mapuje data v Lakehouses, Warehouses, Eventhouses a sémantických modelech na jednotnou ontologii.

Fabric Ontologie je sdílený strojově srozumitelný slovník vaší firmy, který definuje klíčové entity (například Zákazník, Produkt nebo Letadlo), jejich vztahy, vlastnosti, obchodní pravidla a možné akce při zachování terminologie v obchodním jazyce společnosti. Spojuje živou a synchronní reprezentaci toho, jak vaše firma funguje, přímo propojenou s podkladovými daty v OneLake. Tento model umožňuje uživatelům a agentům zobrazit nejen tabulky, ale také relace, jako je například "Customers place Orders for Products", "Flights have Segments and Crews" (Lety mají segmenty a posádky) a "Zpožděné zásilky ovlivňují výnosy". Tento kontext orientovaný na data je kritický pro všechny umělé inteligence, u které se očekává, že se budou rozhodovat nebo analyzovat podnikání.

Když definujete prvek ontologie (například entita Flight s vlastnostmi, jako je Status nebo Delay), namapujete ho na tabulku a pole v Eventhouse, Lakehouse nebo Warehouse, které obsahují tyto informace, bez kopírování nebo přesouvání dat. Jakmile data přejdou do OneLake, stanou se součástí živé ontologie.

Kromě obchodních entit a vztahů můžou ontologie definovat také pravidla s možností akce, například "Pokud prahová hodnota inventáře < , aktivují doplňování". Agenti operací používají tato pravidla k aktivaci pracovních postupů v aktivátoru. Když agent provozu vyvolá Activator pro spuštění toku Power Automate, předává parametry odvozené z vlastností ontologie, jako jsou CustomerID a OrderStatus. Tento přístup zajišťuje, aby toky automatizace fungovaly s úplným obchodním kontextem, nejen s nezpracovanými ID.

Tato sémantická vrstva umožňuje konzistentní analýzy, odůvodnění AI a automatizaci.

Prozkoumání připojených dat pomocí grafových modelů

Grafové modely poskytují propojenou síť entit a relací definovaných ontologií. Umožňují vícefaktorové uvažování, analýzu dopadu a pokročilé algoritmy, jako je nejkratší cesta a detekce komunity. Díky této integraci mohou agenti AI a analytické nástroje efektivně dotazovat složité vztahy. Nabízí přehledy o závislostech a kaskádových efektech v reálném čase, které tradiční relační modely obtížně zpracovávají. Grafové modely můžete interrogateovat pomocí dotazů GraphQL prostřednictvím rozhraní FABRIC API.

Související obsah

  • Last updated on