Optimer din semantiske model til Copilot i Power BI

Gælder for:✅ Power BI-tjeneste

Evaluer dine data, før du bruger Copilot med din semantiske model. Du skal muligvis rydde op i din semantiske model, så du Copilot kan få indsigt fra den.

Bemærk

Vær opmærksom på følgende krav:

Bemærk

I Power BI-tjeneste webmodelleringCopilot kan du gøre mere end at evaluere din model. Den kan også foreslå og anvende ændringer direkte, f.eks. omdøbning af tabeller og kolonner, oprettelse af relationer og oprettelse af DAX-målinger. Optimeringsvejledningen i denne artikel understøtter direkte bedre resultater fra denne analyse: En velstruktureret, klart navngivet model hjælper med at Copilot give mere nøjagtige og nyttige forslag.

Overvejelser i forbindelse med semantiske modeller til Copilot brug

Du kan oprette nøjagtige rapporter med Copilot ved hjælp af kriterierne i følgende tabeller. Disse anbefalinger kan hjælpe dig med at generere nøjagtige Power BI rapporter.

Modelstruktur

Element Overvejelse Beskrivelse Hvor skal man ansøge Eksempel
Sammenkædning af tabeller Definer klare relationer Definer klart alle relationer mellem tabeller, og sørg for, at de er logiske. Angiv, hvilke relationer der er en til mange, mange til en eller mange til mange. Vælg Administrer relationer i modelvisning Opret en en-til-mange-relation fra Date[DateID] til Sales[DateID] , og kontrollér, at relationen er aktiv.
Faktatabeller Klar afgrænsning Afgræns tydeligt faktatabeller, der indeholder de målbare, kvantitative data til analyse. I tabelegenskaber og datamodelstruktur Navngiv tabeller eksplicit som faktatabeller: FactSales, FactTransactions, FactVisits.
Dimensionstabeller Understøttende beskrivende data Opret dimensionstabeller, der indeholder de beskrivende attributter, der er relateret til de kvantitative målinger i faktatabeller. I tabelegenskaber og datamodelstruktur Opret dimensionstabeller som DimProduct med attributter (ProductName, Category, Brand) og DimCustomer med attributter (CustomerName, City, Segment).
Hierarkier Logiske grupperinger Opret klare hierarkier i dataene, især for dimensionstabeller, der understøtter detailudledning i rapporter. Vælg Nyt hierarki i tabellens genvejsmenu Opret et hierarki i Date tabellen:Year>Quarter>Month>Day . I Geography tabellen:Country/Region>State>City .
Relationstyper Klart specificeret Hvis du vil sikre nøjagtig oprettelse af rapporter, skal du tydeligt angive relationernes art (aktiv eller inaktiv) og deres kardinalitet. I dialogboksen Egenskaber for relationer Angiv Date til Sales som Mange til En (aktiv), Product til Sales Mange-til-En (aktiv), og markér rollespilsrelationer som inaktive, når det er relevant.

Målinger og KPI'er

Element Overvejelse Beskrivelse Hvor skal man ansøge Eksempel
Målinger Standardiseret beregningslogik Giv målinger standardiseret, klar beregningslogik, der er let at forklare og forstå. Egenskaben Definition og beskrivelse af måling Mål DAX: Total Sales = SUM(Sales[SaleAmount]) og tilføj beskrivelsen: "Sum af alle salgsbeløb".
Målinger Navngivningskonventioner Angiv navne på målinger, der tydeligt afspejler deres beregning og formål. I feltet Målingsnavn ved oprettelse af målinger Brug beskrivende navn: Average Customer Rating i stedet for forkortet: AvgRating.
Målinger Foruddefinerede foranstaltninger Medtag et sæt foruddefinerede målinger, som brugerne med størst sandsynlighed vil anmode om i rapporter. Opret målinger i din model, som brugerne ofte har brug for Tilføj målinger som YTD Sales = TOTALYTD(SUM(Sales[SaleAmount]), 'Date'[Date]) eller MoM Growth = DIVIDE([This Month Sales] - [Last Month Sales], [Last Month Sales]).
Nøgletal (KPI'er) Foruddefinerede og relevante Opret et sæt KPI'er, der er relevante for forretningskonteksten, og som ofte vises i rapporter. Opret målinger for almindeligt sporede KPI'er Definer foranstaltninger som ROI = DIVIDE([Profit], [Investment]), CAC = DIVIDE([Marketing Spend], [New Customers]), LTV = [Avg Order Value] * [Purchase Frequency] * [Customer Lifespan].

Kolonner og datakvalitet

Element Overvejelse Beskrivelse Hvor skal man ansøge Eksempel
Kolonnenavne Entydige etiketter Gør kolonnenavne entydige og selvforklarende. Undgå id'er eller koder, der kræver yderligere opslag uden kontekst. Omdøbe kolonner i Power Query-editor eller modelvisning Omdøb kolonne fra ProdID til Product ID eller Product Name, og fra CustNo til Customer Number.
Kolonnedatatyper Korrekt og konsekvent Anvend korrekte og konsistente datatyper for kolonner på tværs af alle tabeller for at sikre, at målingerne beregnes korrekt, og for at aktivere korrekt sortering og filtrering. Angiv Datatype i kolonneegenskaber Sørg for, at Sales[SaleAmount] Decimaltal (ikke Tekst), Date[Date] er Dato (ikke Tekst), Product[ProductID] er Heltal.
Datakonsistens Standardiserede værdier Vedligehold standardiserede værdier i kolonner for at sikre ensartethed i filtre og rapportering. Brug Søg og erstat eller Power Query-transformationer I Status kolonnen skal du sikre dig, at alle værdier bruger konsistente store og små bogstaver: Open, Closed, Pending (ikke blandede store og små bogstaver som open, CLOSED).

Opdatering, sikkerhed og metadata

Element Overvejelse Beskrivelse Hvor skal man ansøge Eksempel
Opdater tidsplaner Gennemsigtig og planlagt Du kan tydeligt kommunikere opdateringsplanerne for dataene for at sikre, at brugerne forstår rettidigheden af de data, de analyserer. I indstillinger og dokumentation til datasæt Tilføj et tekstfelt eller en beskrivelse, der angiver: "Data opdateres dagligt kl. 06:00 UTC" eller "Data i realtid med 15 minutters trinvis opdatering".
Sikkerhed Definitioner på rolleniveau Definer sikkerhedsroller for forskellige niveauer af dataadgang, hvis der er følsomme elementer, som ikke alle brugere skal se. Vælg Administrer roller i modelvisning Opret rolle "Salgsteam" med filter: Sales[Region] = USERNAME() og rolle "HR" med filter på medarbejderdatatabeller.
Metadata Dokumentation af struktur Som reference skal du dokumentere strukturen af datamodellen, herunder tabeller, kolonner, relationer og målinger. Brug beskrivelsesegenskaber og ekstern dokumentation Føj beskrivelser til tabeller og kolonner. Opret et separat dokument med modeldiagram, dataordbog og målekatalog.

Overvejelser i forbindelse med DAX-forespørgsler

I følgende tabel vises andre kriterier, der kan hjælpe dig med at oprette nøjagtige DAX-forespørgsler (Data Analysis Expressions) med Copilot. Disse anbefalinger kan hjælpe dig med at generere nøjagtige DAX-forespørgsler.

Element Overvejelse Beskrivelse Hvor skal man ansøge Eksempel
Målinger, tabeller og kolonner Beskrivelser I beskrivelsesegenskaben skal du definere hvert element, og hvordan du vil bruge det. Copilot bruger kun de første 200 tegn. I ruden Egenskaber er feltet Beskrivelse for målinger, tabeller og kolonner For måling [YOY Sales]skal du tilføje beskrivelse: "År-til-år (YOY) forskel i ordrer. Brug sammen med kolonnen 'Dato'[år] for at få vist efter andre år end det seneste år. Delvise år kan sammenlignes med samme periode året før."
Beregningsgrupper Beskrivelser Modelmetadata indeholder ikke beregningselementer. Brug beskrivelsen af kolonnen for beregningsgruppen til at få vist og forklare, hvordan du bruger beregningselementerne. Copilot bruger kun de første 200 tegn. I ruden Egenskaber for kolonnen med beregningsgruppen For kolonnen Eksempelberegningsgruppe for tidsintelligens skal du tilføje beskrivelse: "Brug med målinger og datotabel for Aktuel: aktuel værdi, MTD: måned til dato, QTD: kvartal til dato, YTD: år til dato, PY: foregående år, PY MTD, PY QTD, YOY: ændring fra år til år, YOY%: YOY som en %." For en målingstabel skal du tilføje: "Målinger bruges til at aggregere data. Disse målinger kan vises som år for år ved hjælp af denne syntaks CALCULATE([Målingsnavn], Time intelligence[Tidsberegning] = YOY)."

Relateret indhold

  • Last updated on