Partager via

Suivre et visualiser les données

La transformation des données brutes en insights exploitables est une étape clé du cycle de vie des données. Microsoft Fabric combine Power BI, Real-Time Intelligence et Fabric IQ pour aider les analystes métier à explorer, visualiser et répondre aux données en quasi temps réel. À l’aide de modèles sémantiques, de données de diffusion en continu et d’analyses améliorées par l’IA, vous pouvez créer des rapports, des tableaux de bord et des alertes opérationnelles régies qui améliorent la prise de décision.

Cet article porte sur les points suivants :

  • Création de rapports Power BI et de flux de tâches translyticaux pour une analyse interactive
  • Utilisation de Real-Time Intelligence pour surveiller et agir sur les données de streaming
  • Application de la sémantique métier Fabric IQ, des ontologies et des modèles graphiques pour unifier les données d’entreprise

Explorer et partager des insights avec Power BI

Les rapports Power BI utilisent des modèles sémantiques comme principal analytique. Ces modèles centralisent la logique métier, les calculs et la gouvernance, garantissant ainsi la cohérence entre les rapports et les équipes. Les analystes métier peuvent créer des tableaux de bord interactifs, explorer les métriques et partager des insights en toute sécurité au sein de l’organisation. Utilisez Power BI quand vous avez besoin d’analyses structurées, réutilisables et régies basées sur des modèles sémantiques stockés dans OneLake.

Vous pouvez distribuer et incorporer des rapports Power BI dans des applications Microsoft 365 :

  • Épingler des rapports dans les canaux ou conversations Microsoft Teams afin de faciliter l'analyse collaborative.
  • Incorporer des rapports dans des pages SharePoint à l’aide du composant WebPart Power BI.
  • Insérez des rapports en direct dans des présentations PowerPoint .
  • Connectez-vous aux jeux de données Power BI à partir d’Excel pour créer des tableaux croisés dynamiques et des graphiques sur des modèles sémantiques.

Prendre des mesures à partir de rapports avec des flux de tâches translyticaux

Les flux de tâches translyticaux vous permettent de passer de l’insight à l’action directement à l’intérieur d’un rapport Power BI. Vous pouvez appeler des fonctions de données utilisateur pour mettre à jour les enregistrements, déclencher des flux de travail ou réécrire dans OneLake sans quitter l’interface de rapport. Utilisez des flux de tâches translyticaux lorsque des insights et des mises à jour opérationnelles doivent se produire ensemble, comme l’ajustement de l’inventaire, la mise à jour des prévisions de ventes ou la résolution des cas de support.

Le diagramme suivant montre comment les rapports Power BI et les flux de tâches translyticaux combinent l’analytique et l’action dans une expérience unique et régie :

Diagramme de l’architecture des flux de tâches translyticaux Power BI.

Surveiller et analyser des données en temps réel

La charge de travail Real-Time Intelligence dans Microsoft Fabric vous permet d’ingérer, de traiter, d’analyser et d’agir sur les données de streaming avec une latence minimale. Il combine les fonctionnalités des services suivants :

Ingérer des données de streaming avec Eventstream

Eventstream ingère des données de streaming à partir de sources telles qu’Azure Event Hubs, Kafka, appareils IoT ou API REST. Il applique des transformations en temps réel et achemine les données dans des services comme Eventhouse ou Lakehouse.

Eventstream prend en charge l’alignement du routage et du schéma, la normalisation de l’horodatage, le partitionnement et l’intégration à Activateor. Comme Eventstreams alimentent des données à grande vitesse dans Fabric, Activateur surveille en permanence ces événements de streaming par rapport aux règles définies en quasi-temps réel.

Analyser des événements avec Eventhouse

Eventhouse est optimisé pour les analyses de série chronologique et d’événements à volume élevé. Il indexe et partitionne automatiquement les données et utilise le langage de requête Kusto pour le filtrage rapide, l’agrégation, les jointures et l’investigation des anomalies. Utilisez Eventhouse lorsque vous avez besoin d’une analyse évolutive des données de télémétrie, des métriques opérationnelles ou des données de journal.

L’intégration à Activateor se produit via des ensembles de requêtes KQL, ce qui vous permet de définir des requêtes réutilisables qui évaluent en permanence les conditions sur les données Eventhouse. L’activateur peut s’abonner à ces sorties de requête et appliquer des règles en fonction des résultats de la requête. Lorsqu’une requête KQL détecte une condition (par exemple, l’utilisation du processeur dépasse 90% ou une tendance indique un risque d’échec), Activateur déclenche des actions automatisées telles que l’envoi d’alertes, le lancement de flux Power Automate ou l’exécution de pipelines Fabric. Cette combinaison de la puissance analytique de KQL avec l’orchestration d’Activateor permet une automatisation basée sur les données en temps réel dans les scénarios métier.

Visualiser les métriques actives avec des tableaux de bord en temps réel

Les tableaux de bord en temps réel fournissent des visualisations interactives en direct des données de streaming, ce qui vous permet de surveiller les métriques clés et les signaux opérationnels au fur et à mesure qu’ils se produisent. Reposant sur les bases de données Eventhouse (KQL), ces tableaux de bord vous permettent d’interroger et d’afficher des données de série chronologique avec une latence minimale, offrant des insights sur les performances du système, le comportement du client ou l’activité du capteur en temps réel. Ils prennent en charge le filtrage dynamique, l’actualisation automatique et les fonctionnalités d’alerte, ce qui les rend idéales pour les cas d’utilisation tels que la surveillance informatique, la télémétrie de fabrication, le suivi des transactions financières et l’analytique du support client. Les tableaux de bord en temps réel s’intègrent également à Activateor, ce qui vous permet non seulement d’observer, mais également de répondre aux événements critiques directement à partir de l’interface de tableau de bord, ce qui transforme les insights en action sans délai.

Les tableaux de bord en temps réel diffèrent des rapports Power BI standard principalement dans leur capacité à visualiser et à répondre aux données de streaming en direct avec une latence minimale. Les rapports Power BI sont généralement basés sur des jeux de données importés actualisés selon une planification et sont les meilleurs pour l’analyse historique et l’exploration interactive. Les tableaux de bord en temps réel, d’autre part, sont conçus pour la supervision opérationnelle et l’insight immédiat.

Détection des anomalies

Le détecteur d’anomalies identifie automatiquement des modèles inhabituels ou des valeurs hors norme dans les données de diffusion en continu ou de série chronologique. Il fonctionne en analysant les données ingérées dans des bases de données Eventhouse (bases de données KQL) et en appliquant des modèles statistiques ou des techniques d’apprentissage automatique pour détecter les écarts par rapport au comportement attendu. Ces anomalies peuvent représenter des défaillances système, une fraude, une dégradation des performances ou d’autres événements critiques qui nécessitent une attention particulière. Contrairement aux alertes statiques basées sur des seuils, le détecteur d’anomalies s’adapte aux tendances historiques et à la saisonnalité des données, ce qui rend plus efficace l’identification des problèmes subtils ou contextuels.

Lorsqu’une anomalie est détectée, elle peut déclencher des actions en aval via activateur, telles que l’envoi d’alertes, la mise à jour des tableaux de bord ou le lancement de flux de travail automatisés. Cette fonctionnalité prend en charge les scénarios opérationnels où la détection précoce des anomalies peut empêcher les temps d’arrêt, la perte financière ou l’insatisfaction des clients. Il vous permet de passer de la supervision réactive à l’intervention proactive entre les processus métier.

Utilisez la détection d’anomalie lorsque les seuils statiques ne sont pas suffisants et que les modèles doivent être évalués dynamiquement.

Automatiser les réponses avec activateur

L’activateur surveille en continu les données de streaming ou d’événement et évalue les règles que vous définissez. Il prend en charge les règles de seuil simples et la détection de modèles avec état. Par exemple, lorsqu’une métrique devient critique ou diminue au fil du temps. Cette fonctionnalité vous permet d’automatiser les décisions et les tâches opérationnelles en quasi temps réel, connectant les analyses en direct des données dynamiques à des actions instantanées. Utilisez Activator pour relier des insights en temps réel à des réponses opérationnelles automatisées.

Lorsque les conditions sont remplies, l’activateur peut :

Le diagramme suivant montre comment Real-Time Intelligence dans Fabric ingère des données de streaming, analyse les événements et déclenche des actions avec une faible latence :

Diagramme de l’architecture Real-Time Intelligence.

Appliquer la sémantique métier avec Fabric IQ

Fabric IQ fournit une couche de contexte métier partagée sur votre patrimoine de données. Il mappe les données dans Lakehouses, Warehouses, Eventhouses et les modèles sémantiques à une ontologie unifiée.

Fabric Ontology est un vocabulaire partagé et compréhensible par l’ordinateur de votre entreprise qui définit les entités clés (par exemple, Customer, Product ou Plane), leurs relations, propriétés, règles métier et actions possibles tout en conservant tous les termes dans le langage de l’entreprise. Il réunit une représentation dynamique et connectée de la façon dont votre entreprise fonctionne, mappée directement aux données sous-jacentes dans OneLake. Ce modèle permet aux utilisateurs et aux agents de voir non seulement les tables, mais aussi les relations telles que « Les clients passent des commandes pour les produits », « Les vols ont des segments et des équipages » et « Les expéditions retardées ont un impact sur le chiffre d’affaires ». Ce contexte centré sur les données est essentiel pour toute IA censée prendre des décisions ou des analyses sur l’entreprise.

Lorsque vous définissez un élément d’ontologie (par exemple, une entité « Flight » avec des propriétés telles que Status ou Delay), vous le mappez à la table et aux champs d’un Eventhouse, Lakehouse ou Warehouse qui contiennent ces informations, sans copier ni déplacer les données. Une fois que les données atterrissent dans OneLake, elles font partie de l’ontologie dynamique.

Au-delà des entités d’entreprise et des relations, les ontologies peuvent également définir des règles actionnables, telles que « Si le seuil d’inventaire < , déclencher la réapprovisionnement ». Les agents d’opérations utilisent ces règles pour déclencher des flux de travail dans Activateor. Lorsqu’un agent d’opérations appelle Activateor pour exécuter un flux Power Automate, il transmet des paramètres dérivés des propriétés d’ontologie, telles que CustomerID et OrderStatus. Cette approche garantit que les flux d’automatisation fonctionnent avec un contexte métier complet, pas seulement des ID bruts.

Cette couche sémantique permet une analytique cohérente, le raisonnement ia et l’automatisation.

Explorer les données connectées avec des modèles de graphique

Les modèles graph fournissent un réseau connecté d’entités et de relations définies par l’ontologie. Ils permettent le raisonnement multi-étapes, l’analyse d’impact et les algorithmes avancés tels que le chemin le plus court et la détection de communautés. Cette intégration permet aux agents IA et aux outils d’analyse d’interroger efficacement des relations complexes. Il offre des insights en temps réel sur les dépendances et les effets en cascade que les modèles relationnels traditionnels luttent pour gérer. Vous pouvez interroger des modèles de graphe à l’aide de requêtes GraphQL via des API Fabric.

Contenu connexe

  • Last updated on