Melacak dan memvisualisasikan data

Mengubah data mentah menjadi wawasan yang dapat ditindak lanjuti adalah langkah kunci dalam siklus hidup data. Microsoft Fabric menggabungkan Power BI, Real-Time Intelligence, dan Fabric IQ untuk membantu analis bisnis menjelajahi, memvisualisasikan, dan merespons data mendekati real time. Dengan menggunakan model semantik, data streaming, dan analitik yang disempurnakan AI, Anda dapat membuat laporan, dasbor, dan pemberitahuan operasional yang diatur yang mendorong pengambilan keputusan berdasarkan informasi.

Dalam artikel ini, Anda akan mempelajari tentang:

  • Membuat laporan Power BI dan alur tugas translitikal untuk analisis interaktif
  • Menggunakan Real-Time Intelligence untuk memantau dan bertindak pada data streaming
  • Menerapkan semantik bisnis Fabric IQ, ontologi, dan model grafik untuk menyatukan data perusahaan

Menjelajahi dan berbagi wawasan dengan Power BI

Laporan Power BI menggunakan model semantik sebagai tulang punggung analitik. Model-model ini mempusatkan logika bisnis, perhitungan, dan tata kelola, memastikan konsistensi di seluruh laporan dan tim. Analis bisnis dapat membangun dasbor interaktif, menelusuri metrik, dan berbagi wawasan dengan aman di seluruh organisasi. Gunakan Power BI saat Anda memerlukan analitik terstruktur, dapat digunakan kembali, dan diatur yang dibangun di atas model semantik yang disimpan di OneLake.

Anda dapat mendistribusikan dan menyematkan laporan Power BI di seluruh aplikasi Microsoft 365:

  • Sematkan laporan di saluran atau obrolan Microsoft Teams untuk analisis kolaboratif.
  • Sematkan laporan di halaman SharePoint menggunakan komponen web Power BI.
  • Sisipkan laporan langsung ke presentasi PowerPoint .
  • Sambungkan ke himpunan data Power BI dari Excel untuk membuat PivotTable dan bagan di atas model semantik.

Mengambil tindakan dari laporan dengan alur tugas translitikal

Alur tugas translitikal memungkinkan Anda berpindah dari wawasan ke tindakan langsung di dalam laporan Power BI. Anda dapat memanggil fungsi data pengguna untuk memperbarui rekaman, memicu alur kerja, atau menulis kembali ke OneLake tanpa meninggalkan antarmuka laporan. Gunakan alur tugas translitikal saat wawasan dan pembaruan operasional harus terjadi bersama-sama, seperti menyesuaikan inventori, memperbarui prakiraan penjualan, atau menyelesaikan kasus dukungan.

Diagram berikut menunjukkan bagaimana laporan Power BI dan alur tugas translitik menggabungkan analitik dan tindakan dalam satu pengalaman yang diatur:

Diagram arsitektur aliran tugas transanalitik Power BI.

Memantau dan menganalisis data waktu nyata

Real-Time Intelligence dengan Eventhouse menyediakan lingkungan analitik terpadu yang mencakup KQL, T-SQL melalui endpoint analitik SQL, dan notebook, sehingga memungkinkan analisis menyeluruh dari data real-time hingga historis pada data yang sama tanpa penyalinan atau pemindahan data.

Beban kerja Real-Time Intelligence di Microsoft Fabric memungkinkan Anda untuk menyerap, memproses, menganalisis, dan bertindak pada data streaming dengan latensi minimal. Ini menggabungkan kemampuan dari layanan berikut:

Menyerap data streaming dengan Eventstream

Eventstream menyerap data streaming dari sumber seperti Azure Event Hubs, Kafka, perangkat IoT, atau REST API. Ini menerapkan transformasi real-time dan merutekan data ke dalam layanan seperti Eventhouse atau Lakehouse.

Eventstream mendukung perutean dan perataan skema, normalisasi tanda waktu, partisi, dan integrasi dengan Activator. Saat Eventstreams memberi umpan data kecepatan tinggi ke Fabric, Activator terus memantau peristiwa streaming ini terhadap aturan yang ditentukan hampir secara real time.

Menganalisis peristiwa dengan Eventhouse

Eventhouse dioptimalkan untuk analitik peristiwa volume tinggi dan rangkaian waktu. Ini secara otomatis mengindeks dan mempartisi data dan menggunakan Bahasa Kueri Kusto untuk pemfilteran cepat, agregasi, gabungan, dan investigasi anomali. Gunakan Eventhouse saat Anda memerlukan analisis telemetri, metrik operasional, atau data log yang dapat diskalakan.

Eventhouse juga menyediakan endpoint analitik SQL terkelola yang selaras dengan model data Eventhouse dan tata kelola Fabric. Endpoint menyediakan akses T-SQL yang sudah dikenal (misalnya, kueri T-SQL dan konektivitas dari alat BI) ke data Eventhouse tanpa memindahkan data.

Selain itu, Eventhouse terintegrasi dengan notebook Fabric, yang mendukung KQL, T-SQL, Python, dan Spark. Anda dapat menggunakan notebook untuk menjelajahi, mentransformasikan, dan membuat alur kerja pembelajaran mesin pada data Eventhouse yang sama, menjaga agar pekerjaan tetap berada di dalam Fabric dan menghindari pembuatan salinan data.

Integrasi dengan Activator terjadi melalui set kueri KQL, yang memungkinkan Anda menentukan kueri yang dapat digunakan kembali yang terus mengevaluasi kondisi pada data Eventhouse. Aktivator dapat berlangganan output kueri ini dan menerapkan aturan berdasarkan hasil kueri. Ketika kueri KQL mendeteksi kondisi (misalnya, penggunaan CPU melebihi 90% atau tren menunjukkan risiko kegagalan), Aktivator memicu tindakan otomatis seperti mengirim pemberitahuan, meluncurkan alur Power Automate, atau menjalankan alur Fabric. Kombinasi kekuatan analitik KQL dengan orkestrasi Activator ini memungkinkan otomatisasi berbasis data secara real time di seluruh skenario bisnis.

Visualisasikan metrik secara langsung dengan dasbor waktu nyata

Dasbor real time menyediakan visualisasi data streaming langsung dan interaktif, memungkinkan Anda memantau metrik utama dan sinyal operasional saat terjadi. Dibangun di atas Eventhouse (database KQL), dasbor ini memungkinkan Anda mengkueri dan menampilkan data rangkaian waktu dengan latensi minimal, menawarkan wawasan tentang performa sistem, perilaku pelanggan, atau aktivitas sensor secara real time. Mereka mendukung kemampuan pemfilteran dinamis, penyegaran otomatis, dan pemberitahuan, membuatnya ideal untuk kasus penggunaan seperti pemantauan TI, telemetri manufaktur, pelacakan transaksi keuangan, dan analitik dukungan pelanggan. Dasbor real time juga terintegrasi dengan Activator, sehingga Anda tidak hanya dapat mengamati tetapi juga menanggapi peristiwa penting langsung dari antarmuka dasbor, mengubah wawasan menjadi tindakan tanpa penundaan.

Dasbor real time berbeda dari laporan Power BI reguler terutama dalam kemampuannya untuk memvisualisasikan dan menanggapi data streaming langsung dengan latensi minimal. Laporan Power BI biasanya dibangun di atas himpunan data yang diimpor yang disegarkan sesuai jadwal dan yang terbaik untuk analisis historis dan eksplorasi interaktif. Dasbor waktu nyata, di sisi lain, dirancang untuk pemantauan operasional dan wawasan langsung.

Deteksi anomali

Detektor anomali secara otomatis mengidentifikasi pola atau outlier yang tidak biasa dalam data streaming atau rangkaian waktu. Deteksi berjalan langsung pada tabel Eventhouse aktif dan data streaming yang masuk tanpa menyalin atau mengekspor data, serta mendukung deteksi waktu nyata dan evaluasi pada jendela historis. Ini bekerja dengan menganalisis data yang diserap ke dalam Eventhouse (database KQL) dan menerapkan model statistik atau teknik pembelajaran mesin untuk mendeteksi penyimpangan dari perilaku yang diharapkan. Anomali ini dapat mewakili kegagalan sistem, penipuan, penurunan performa, atau peristiwa penting lainnya yang memerlukan perhatian. Tidak seperti peringatan berbasis ambang statis, detektor anomali beradaptasi dengan tren historis dan musiman data, sehingga menjadi lebih efektif dalam mengidentifikasi masalah yang subtil atau peka terhadap konteks.

Saat anomali terdeteksi, anomali dapat memicu tindakan hilir melalui Aktivator, seperti mengirim pemberitahuan, memperbarui dasbor, atau meluncurkan alur kerja otomatis. Kemampuan ini mendukung skenario operasional di mana deteksi dini anomali dapat mencegah waktu henti, kerugian keuangan, atau ketidakpuasan pelanggan. Ini memungkinkan Anda beralih dari pemantauan reaktif ke intervensi proaktif di seluruh proses bisnis.

Gunakan deteksi anomali saat ambang batas statis tidak cukup dan pola harus dievaluasi secara dinamis.

Mengotomatiskan respons dengan Activator

Aktivator terus memantau streaming atau data peristiwa dan mengevaluasi aturan yang Anda tentukan. Ini mendukung aturan ambang batas sederhana dan deteksi pola berstatus. Misalnya, ketika metrik menjadi kritis atau menurun dari waktu ke waktu. Fitur ini memungkinkan Anda mengotomatiskan keputusan dan tugas operasional hampir real time, menghubungkan wawasan data langsung ke tindakan instan. Gunakan Aktivator untuk menjembatani wawasan waktu-nyata ke respon operasional otomatis.

Ketika kondisi terpenuhi, Aktivator dapat:

Diagram berikut menunjukkan bagaimana kecerdasan Real-Time dalam Fabric menyerap data streaming, menganalisis peristiwa, dan memicu tindakan dengan latensi rendah:

Diagram arsitektur Real-Time Intelijen.

Menerapkan semantik bisnis dengan Fabric IQ

Fabric IQ menyediakan lapisan konteks bisnis bersama di seluruh data estate Anda. Ini memetakan data di Lakehouses, Gudang, Eventhouses, dan model semantik ke ontologi terpadu.

Ontologi dalam Fabric adalah kosakata bersama bisnis Anda yang dapat dipahami mesin, yang mendefinisikan entitas utama (misalnya, Pelanggan, Produk, atau Pesawat), hubungan, properti, aturan bisnis, dan tindakan yang mungkin, dengan tetap mempertahankan semua istilah dalam bahasa yang digunakan dalam bisnis. Ini menggabungkan representasi langsung yang terhubung tentang cara bisnis Anda beroperasi, dipetakan langsung ke data yang mendasar di OneLake. Model ini memungkinkan pengguna dan agen melihat bukan hanya tabel, tetapi juga hubungan seperti "Pelanggan melakukan Pesanan untuk Produk," "Penerbangan memiliki Segmen dan Kru," dan "Pengiriman tertunda berdampak pada Pendapatan." Konteks yang berfokus pada data ini sangat penting untuk setiap AI yang diharapkan membuat keputusan atau menganalisis tentang bisnis.

Saat Anda menentukan elemen ontologi (seperti entitas "Penerbangan" dengan properti seperti Status atau Penundaan), Anda memetakannya ke tabel dan bidang di Eventhouse, Lakehouse, atau Gudang yang berisi informasi tersebut, tanpa menyalin atau memindahkan data. Setelah data mendarat di OneLake, data tersebut menjadi bagian dari ontology aktif.

Di luar entitas bisnis dan hubungan, ontologi juga dapat menentukan aturan yang dapat ditindaklanjuti, seperti "Jika inventaris di bawah ambang batas <, memicu pengisian ulang." Agen Operasi menggunakan aturan ini untuk memicu alur kerja di Activator. Agen Operasi dapat menalar berdasarkan data streaming langsung maupun data historis dalam Eventhouse yang dipetakan melalui ontologi, dan mereka dapat memanggil Activator dengan konteks yang berasal dari entitas yang didukung oleh Eventhouse. Saat Agen Operasi memanggil Activator untuk menjalankan alur Power Automate, agen tersebut meneruskan parameter yang berasal dari properti ontologi, seperti CustomerID dan OrderStatus. Pendekatan ini memastikan bahwa alur otomatisasi beroperasi dengan konteks bisnis penuh, bukan hanya ID mentah.

Lapisan semantik ini memungkinkan analitik, penalaran AI, dan otomatisasi yang konsisten.

Menjelajahi data yang terhubung dengan model grafik

Model grafik menyediakan jaringan entitas dan hubungan yang ditentukan ontologi yang terhubung. Mereka memungkinkan penalaran multihop, analisis dampak, dan algoritma canggih seperti jalur terpendek dan deteksi komunitas. Integrasi ini memungkinkan agen AI dan alat analitik mengkueri hubungan kompleks secara efisien. Ini menawarkan wawasan real-time tentang dependensi dan efek kaskading yang sulit ditangani oleh model relasional tradisional. Anda dapat melakukan query pada model grafik dengan menggunakan query GQL melalui Fabric API.

Konten terkait

  • Last updated on