Microsoft Fabric で Copilot を使用する方法について説明します

レベル: 初心者

Microsoft Fabric で Copilot 機能の使用を開始する方法と、Microsoft Fabric ワークロードでの Copilot のしくみについて説明します。このチュートリアルでは、コードとクエリの生成からデータ分析と視覚化まで、Microsoft Copilotが優れているさまざまなシナリオについて説明します。

さらに、Microsoft Fabric ワークロードで Copilot を使用することで、データエンジニア、データサイエンティスト、データアナリスト、BI エンジニア/ユーザーなどのさまざまなペルソナが Copilot 機能を使用して日々のタスクを高速化する方法について説明します。

このチュートリアルの終わりまでに、さまざまなタスクで生産性を向上Microsoft Copilot方法を理解するための強固な基盤が用意されています。

このチュートリアルの演習は次のとおりです。

Copilot for Data Factory を使用したインテリジェントデータ変換の作成
Copilot for Data Engineeringを使用したデータエンジニアリングタスクの高速化
Copilot for Data Scienceを使用した分析モデルの作成

Microsoft Fabric での Copilot のエクスペリエンス

Data Factory 用 Copilot
Data EngineeringとData Science用の Copilot
copilot for Data Warehouse
Real-Time インテリジェンスのための Copilot
Power BI 用 Copilot

Data Factory 用 Copilot

残り 86 分

こんにちはそして、Data Factory 演習のための Copilot へようこそ!

この演習では、Copilot for Data Factory を使用して、既存のクエリの新しい変換を作成する方法、既存のクエリの概要を提供する方法、既存のクエリを参照する新しいクエリを作成する方法、新しいデータを生成する方法、およびデータをスライスおよびダイスする複雑なクエリを作成する方法について説明します。

また、効果的なプロンプトを記述して Copilot の機能をより適切に利用する方法についても説明します。以下には、演習を視覚的にガイドするステップバイステップのビデオも含まれています。

この演習を完了するには、Microsoft Fabric で copilot を有効にする必要があります。

また、この演習に必要な資産もこのリンクからダウンロードする必要があります。

シナリオ: データエンジニアは、売上データと顧客データを Lakehouse に読み込んで変換することを検討しています。エンジニアは次の必要があります。

既存のクエリを理解します。
既存のクエリの変換を作成して、さらなる分析に役立つ新しい列を追加します。
空の値を削除するには、データをクリーンアップします。
2012 年のすべての日付の一覧を含む新しいクエリを作成して、データをスライスおよびダイスします。

次のビデオは、この演習を実行する全体的なプロセスを示しています。

それでは始めましょう。

Data Factory での Copilot の使用

目的: Copilot for Data Factory を使用して、既存のクエリの新しい変換を作成する方法、既存のクエリの概要を提供する方法、既存のクエリを参照する新しいクエリを作成する方法、新しいデータを生成する方法、およびデータをスライスしてダイスする複雑なクエリを作成する方法について説明します。

次の手順を実行します。

Microsoft Fabric ワークスペースを開き、上部のメニューバーから [ + 新しい項目 ] を選択します。 [ データの取得 ] セクションで、[ Dataflow Gen2 ] 項目を選択して新しいデータフローを作成します。データフローの名前を指定し、[ 作成] を選択します。
上部のメニューバーで、[データの取得 ] ボタンを選択し、[テキスト/CSV] を選択します。 [ ファイルのアップロード] を選択し 、人事、営業、個人、顧客、購買、製品の csv ファイルを アップロードします。

注

ファイルのアップロードでは、一度に 1 つのファイルのアップロードがサポートされます。各ファイルを個別にアップロードする必要があります。
データはクエリとしてデータフローに読み込まれます。次に、ホームタブから [ Copilot ] ボタンを選択します。これにより、画面の右側にある Copilot パネルが開きます。ここから、Copilot がプロンプトを提案し、独自のプロンプトを入力することもできます。
次に、いくつかのデータ変換の実行を開始する必要があります。ただし、開始する前に、既存のクエリの一部を理解する必要があります。 Copilot を使用して、これらのクエリの概要を提供します。 Salesクエリを選択し、Copilot パネルの場合は左下からスタータープロンプトアイコンを選択し、[このクエリについて説明する] オプションを選択します。プロンプトを送信し、Copilot によって提供される説明を確認します。他のクエリに対してこのプロセスを繰り返すことができます。

注

プロンプトを送信する前に、Copilot が支援または応答するクエリが選択されていることを確認します。
これで、使用しているデータを理解できるようになりました。さまざまな変換に取り組み始めることができます。まず、チームが後でより良いモデルと視覚化を構築できるように、売上によって生成された収益を得ることができるようにする必要があります。これを実現するには、クエリ Sales 選択し、Copilot パネルのテキストボックスに次のプロンプトを入力します。

'UnitPrice' と 'OrderQty' の積である列 '総収益' を追加すると、結果は小数点以下 2 桁に丸められます。
テキストを送信します。 Copilot は、行われた変更の簡単な概要を含む応答カードを返し、クエリに新しい列も追加します。少し時間を取って、加えられた変更を確認してください。

応答カードにundoボタンが表示され、必要に応じて行われた変更を元に戻すこともできます。
各販売に与えられた割引金額の金額を取得する必要があります。これを実現するには、次のプロンプトを送信します。

"総収益" と "UnitPriceDiscount" の積である列 '割引値' を追加すると、結果は小数点以下 2 桁に丸められます。
Copilot がこのプロンプトに応答し、応答カードとクエリの変更に関連付けられた後、前の応答カードの [Undo] ボタンは使用できなくなります。これは、Copilot で最後に行われた変更のみを元に戻すことができるためです。
より良い分析を行うには、割引値を考慮しながら、生成された収益の値を取得する別の列が必要です。 Copilot を使用して、総収益列と割引額列の差を取得し、結果を小数点以下 2 桁に丸める新しい列を追加できますか?
また、出荷日数が生成された売上と収益に与える影響も理解する必要があります。これを実現するには、Copilot を使用して新しいカスタム列を追加し、OrderDate 列と ShipDate 列の違いを取得します。
前の手順で行った変換の結果、 Sales クエリにこれらの他の列が含まれるようになりました
次に、次のクエリの名前を手動で変更します。
- DimCustomerへの顧客
- DimShipping への購入
- DimProducts への製品
次に、売上に基づいて各ストアを分析できるディメンションテーブルを作成する必要があります。これを実現するには、 Sales クエリを選択し、次のプロンプトを送信します。

新しいクエリを作成し、'StoreKey' 列と 'StoreName' 列のみを選択し、一意の値を保持します。空の値を削除する
Copilot は、 query という名前の新しいクエリを作成します。このクエリの名前を DimStore に変更します。
次に、視覚化で使用する従業員情報を格納できるディメンションテーブルが必要です。これを実現するには、 Human Resources クエリを選択し、次のプロンプトを送信し、 Human Resources クエリの名前をに変更します。 DimEmployee

"EmployeeKey" の一意の値を保持し、空の行を削除する手順をクエリに追加します
上記の 2 つの手順が完了したら、データフローに次のクエリが必要です。
次に、四半期、年、および会計年度の売上パフォーマンスを確認するために、データをスライスできるディメンションテーブルが必要です。これを実現するには、ホームタブから [データの入力 ] を選択して新しいクエリを手動で追加し、最初の列に DateKeyという名前を付けます。
クエリが作成されたら、Copilot で DateKey 列のデータを生成するための次のプロンプトを送信します

クエリにステップを追加して、2012 年 1 月 1 日から 2013 年 12 月 31 日までの "DateKey" 列に日付値を追加します
DateKey 列の種類を Date に変更します。
次に、より適切な分析を行うために、日付の値を日、月、MonthName、および Year に分割する必要があります。これは、次のプロンプトで実現できます。

新しい列 "Day"、"Month"、"Year" を追加する
次に、売上パフォーマンスを確認するときに、より適切な分析を行うために会計年度の開始を特定できる必要があります。これを実現するには、次のプロンプトを使用します。

会計年度列の先頭に FY を付け、その年の 2 桁を追加します。すなわち FY12 会計年度は6月に始まります
最後に、会計年度の各四半期に基づいて販売実績も確認する必要があります。テーブル内に Quarter 列が必要です。これを実現するには、次のプロンプトを使用します。

'Month' が 7 または 8 または 9、'Month' が 10 または 11 または 12 に等しい場合は 'Q2'、'Month' が 1 または 2 または 3 に等しい場合は 'Q3'、'Month' が 4 または 5 または 6 と等しい場合は 'Q4' の値が 'Q1' の列 'Quarter' を追加します
クエリの名前を DimDate に変更します。この時点で、DimDate クエリは次のようになります。
最後に、データフロー内のすべてのクエリの宛先として Lakehouse を追加し、データフローを発行します。

これで終了です。

以上で作業は終了です。チュートリアルを完了し、Copilot for Data Factory を使用して既存のクエリの新しい変換を作成する方法、既存のクエリの概要を提供する方法、既存のクエリを参照する新しいクエリを作成する方法、新しいデータを生成する方法、およびデータをスライスおよびダイスする複雑なクエリを作成する方法について説明しました。

Autopilot ではなく Copilot を使用していることを覚えておいてください。これらのツールは、作業を行うのではなく、日々の作業にアシスタントがあります。

これらの演習に対するあなたの考えは何でしたか? もっと見てみたいのは何ですか? 埋め込みビデオのコメントでお知らせください。

copilot for Data Engineering & Data Science

残り 56 分

Microsoft Fabric でのData Engineering & Data Science演習のための Copilot へようこそ。

この演習は、Microsoft Fabric の Copilot チュートリアルの 2 番目の演習です。この演習では、コードスニペットの生成、既存のコードの説明、データの視覚化の提案、分析機械学習モデルの提案などを行うために、Data EngineeringとData Scienceワークロードのノートブックで Copilot を使用する方法について説明します。

また、効果的なプロンプトを記述して、多様なシナリオで Copilot の機能をより適切に利用する方法についても説明します。また、演習を視覚的にガイドするために、ステップバイステップのビデオも含まれています。

前の演習と同様に、この演習を完了するには、Microsoft Fabric で Copilot を有効にし、この演習に必要な資産があることを確認する必要があります。まだダウンロードしていない場合は、このリンクから必要な資産をダウンロードできます。

また、前の演習の Lakehouse に読み込まれた次のテーブルも必要です。

DimCustomer
DimProducts
セールス
DimShipping
DimStore
DimDate
DimEmployee
人

シナリオ: データエンジニア/データサイエンティストは、顧客の人口統計を分析しようとしている。エンジニアは次の必要があります。

顧客データを読み込んで変換する既存のコードについて理解します。
データを変換して空の値を削除し、さらなる分析に役立つ新しい列を追加します。
さまざまな人口統計によって顧客データを視覚化します。
機械学習モデルを作成して、顧客が自転車を購入する可能性を予測し、マーケティングチームがターゲットキャンペーンを構築するのに役立ちます。

次のビデオは、この演習を実行する全体的なプロセスを示しています。

それでは始めましょう。

Data Engineering & Data Scienceに Copilot を使用する

目的: ノートブックで Copilot を使用して、Data EngineeringワークロードとData Science ワークロードを使用してコードスニペットを生成する方法、既存のコードの説明を提供する方法、データ視覚化の提案、分析機械学習モデルの提案などを行う方法について説明します。

この演習を完了するには、次の手順を実行します。

前の演習の Data Factory からのデータが読み込まれる Lakehouse を開きます。 Tables フォルダー内で、 Person テーブルを開きます。
これにより、 Person テーブルが開きます。 Demographicsという名前の最後の列には、各ユーザーの人口統計が XML データとして含まれています。次の手順では、このデータを変換して独自のテーブルに抽出し、分析モデルを構築します。
ダウンロードしたアセットから、この演習で *[load_demographics.ipynb] ノートブックを使用します。
ワークスペースを開き、ツールバーから [ Import > Notebook > From this computer] を選択します。開いたパネルで、[ アップロード ] ボタンを選択し、 load_demographics.ipynb ファイルを アップロードします。
アップロードが成功したら、 load_demographics ノートブックを開きます。エクスプローラーで、データソースとして [Lakehouses ] を選択し、[ 追加] を選択します。データが格納されている既存の Lakehouse を選択し、[ 追加 ] をもう一度選択して最終処理を行います。エクスプローラーには、前の演習のすべてのテーブルを含む Lakehouse が表示されます。
ノートブックには、事前に記述されたコードが含まれています。変更を加える前に、Copilot を使用してコードを説明し、DataFrames を確認します。また、Select ステートメントの Lakehouse 名を独自の Lakehouse と一致するように更新します。
メニューリボンから [Copilot] ボタンを選択して 、Copilot 機能を追加します。これにより、画面の右側に Copilot パネルが開きます。
[Copilot] パネルの [ はじめ に] ボタンを選択します。これにより、ノートブックの先頭にセルが追加され、ノートブックで Copilot を使用するために必要なパッケージを追加するコードが追加されます。
コードセルを実行して、必要なパッケージをノートブックに追加します。これが完了したら、出力を確認するのに時間がかかります。これには、 データプライバシー & セキュリティとChat_Magics に関 するセクションが含まれます。次の手順では、Chat_Magicsを使用します。
Person、DimProducts、Sales テーブルから DataFrame にデータを読み込む次のセルを実行します。
次の 2 つのセルの先頭に次のチャットマジックコマンドを追加し、両方のセルを実行します。

%%chat

このコードブロックを段階的に説明する
最初のセルの Copilot では、さまざまな結合と列の名前変更を実行する方法について説明します。 2 番目のセルの出力で、Copilot は XML データを解析し、構造化 DataFrame に変換する方法について説明します。 UDF の使用に関する Copilot の言及に気付きましたか? UDF とは
右側の [Copilot] ウィンドウで、次のプロンプトを送信します。

UDF とは
さらに進む前に、読みやすくするために、これらのセルにいくつかのコメントを追加しましょう。両方のセルでチャットのchat_magicsを削除し、次のchat_magicsに置き換えます。

%%add_comments
セルを実行してコメントを追加します。

注

セルに追加されたコメントが正確であり、コードが何も変更されていないことを確認してください。
両方のセルを実行します。
Copilot を使用して、上記の手順で作成した DataFrame df_cust_details を理解します。次のプロンプトを送信します。

%describe

df_cust_details
新しいセルで次のコード行を実行して、出力で Copilot が記述する列が DataFrame に存在することを確認します。

display(df_cust_details)
TotalPurchaseYTDには空の値がすべて含まれていることがわかります。削除する必要があります。新しいセルを追加し、次のプロンプトを実行します。

%%code

TotalPurchaseYTD 列を削除する
Copilot は、列を削除するコードを生成し、コードを確認し、セルを実行して列を削除します。
列列 "First Name"、"Last Name"、"Address"、"Birthdate" の値が同一である DataFrame から重複するすべての行を削除します。新しいコードセルで次のプロンプトを実行します。

%%code

列 "First Name"、"Last Name"、"Address"、"Birthdate" の値が同一である df_cust_details 、データフレームから重複するすべての行を削除します。
Copilot は、重複する行を削除するコードを生成し、コードを確認し、セルを実行して重複する行を削除します。
Age という名前の新しい列を追加します。Copilot パネルを使用し、次のプロンプトを送信して、列を追加するコードを取得します。

現在の年として 2012 年を使用して列 'age' をdf_cust_detailsに追加する
Copilot によって生成されたコードと説明を確認してから、応答カードの [コードの挿入] ボタンを使用して、コードを新しいセルに追加し、セルを実行します。
顧客が自転車を購入する可能性を予測する分析モデルを構築する必要があるため、データを変換して、顧客が自転車を購入したかどうかを示す新しい列を追加する必要があります。 Copilot パネルを使用して、次のプロンプトを送信します。

新しい列 'IsBikeBuyer' を追加して、'ProductCategory' が 'Bikes' である行の値が 1、それ以外の場合は 0 の値をdf_cust_detailsします。
Copilot によって生成されたコードと説明を確認し、応答カードの [コードの挿入] ボタンを使用して、コードを新しいセルに追加します。生成されたコードによって、フィルター処理されたデータの新しい DataFrame が作成された場合は、DataFrame の名前を df_cust_details に戻します。セルを実行します。
Copilot パネルを使用して、プロンプトガイドアイコンを選択し、[ データ視覚化の提案 ] オプションを選択します。プロンプトテキストボックスで、 [YOUR_DATA_NAME] を df_cust_details に置き換え、プロンプトを送信します。
推奨される視覚化のいずれかを選択し、Copilot パネルまたはChat_Magicsを使用して視覚化のコードを生成します。
時間をかけて、プロンプトガイドで Copilot によって提供される他のオプションを試してみてください。
最後に、顧客が自転車を購入する可能性を予測することで、マーケティングチームがターゲットキャンペーンを構築するのを支援するために、Copilot をどのように使用できますか? Copilot パネルを使用して、次のプロンプトを送信します。

顧客が自転車を購入する可能性があるかどうかを予測するために、df_cust_detailsを使用して予測機械学習モデルを構築する方法を提案します。これは、顧客が自転車を購入する可能性があるかどうか、または自転車店である Adventure Works を支援し、ターゲットマーケティングキャンペーンを構築する方法です。"IsBikeBuyer" 列がターゲット列です。
Copilot によって生成されたコードと、提供されている説明を慎重に確認してください。応答カードの [コードの挿入] ボタンを使用して、コードを新しいセルに追加し、セルを実行します。
既存の Person テーブルを置き換えて、df_cust_details DataFrame を Lakehouse に保存します。新しいコードセルで、次のコードをコピーして実行します。

df_cust_details.write.saveAsTable("Person", mode="overwrite", overwriteSchema="true")

これで終了です。

以上で作業は終了です。 Microsoft Fabric で Copilot for Data Engineering & Data Science演習を正常に完了しました。ノートブックで Copilot を使用してコードスニペットを生成し、既存のコードの説明を提供し、データの視覚化を提案し、分析機械学習モデルを提案する方法について説明しました。

Autopilot ではなく Copilot を使用していることを覚えておいてください。これらのツールは、作業を行うのではなく、日々の作業にアシスタントがあります。

これらの演習に対するあなたの考えは何でしたか? もっと見てみたいのは何ですか? 埋め込みビデオのコメントでお知らせください。

copilot for Data Warehouse

残り 26 分

Copilot for Data Warehouse チュートリアルへようこそ。

このチュートリアルでは、コード補完、コードの説明、コード修正、コード生成などのために、Fabric Data Warehouseで Copilot を使用する方法について説明します。また、Copilot を最大限に活用するための効果的なプロンプトを記述する方法についても説明します。

前の演習と同様に、Microsoft Fabric で Copilot を有効にする必要があります。このチュートリアルでは、既に Copilot for Data Factory と Copilot for Data EngineeringとData Science演習を完了していることを確認します。

シナリオ: データエンジニアは、売上データと顧客データを Lakehouse に読み込んで変換することを検討しています。エンジニアは次の必要があります。

データのデータウェアハウススキーマを作成します。
テーブルを作成し、テーブルにデータを読み込みます。
テーブルを結合してデータの概要を提供するビューを作成します。

それでは始めましょう。

Data Warehouseに Copilot を使用する

目的: Data Warehouseに Copilot を使用してデータウェアハウススキーマを作成し、テーブルを作成し、テーブルにデータを読み込み、テーブルを結合してデータの概要を提供するビューを作成する方法について説明します。

この演習を完了するには、次の手順に従います。

ワークスペースから、上部のメニューバーから [+ 新しい項目] を選択して、新しいData Warehouse項目を作成します。 [データの格納] セクションで、[倉庫] 項目を選択して新しいData Warehouseを作成します。 Data Warehouseの名前を指定し、[作成] を選択します。
作成プロセスによって、Data Warehouse インターフェイスが開きます。上部のメニューバーで、[ Copilot ] ボタンを選択します。これにより、画面の右側に Copilot パネルが開きます。 [Copilot] ペインで [ 作業を開始 ] を選択すると、ここから Copilot が支援できるさまざまなカテゴリのプロンプトが表示されます。
既定の dbo スキーマで最初のテーブルを作成しましょう。 Copilot パネルで次のプロンプトを入力して送信します。

PersonID 型 BIGINT、FirtstName、LastName、Gender、Address、StoreID、TerritoryID の列を含むテーブル DimCustomer を追加します。主キーなし
Copilot は、SQL コードを使用してテーブルを作成する応答カードを返します。コードを確認し、[ コードの挿入 ] ボタンを使用して、新しい SQL スクリプトにコードを追加します。
Copilot は、生成されたコードを説明するコメントを含む SQL コードを新しい SQL スクリプトに追加します。 SQL クエリエディターの上部にある [ 実行 ] ボタンを選択して、スクリプトを実行してテーブルを作成します。
これが正常に実行されたら、[エクスプローラー] ウィンドウで [スキーマ] > [dbo > Tables] を展開します。新しく作成されたテーブル DimCustomerが表示されます。
次のプロンプトを使用して、プロセスを繰り返して他のテーブルを作成します。
- 列 ProductID 型 BIGINT、ProductCategoryName、Model を使用して、テーブル DimProducts を追加します。主キーなし
- 列 StoreID タイプ BIGINT、StoreName、Region、Country を含むテーブル DimStore を追加します。主キーなし
- DateKey 型 DATE、Day、Month、Year、FiscalYear 型 varchar、Quarter 型 varchar の列を含むテーブル DimDate を追加する
- PersonID 型 BIGINT、ProductID、StoreID、OrderDate、OrderQty、UnitPrice、UnitPriceDiscount、GrossRevenue、NetRevenue の各列を含むテーブル FactSales を追加します。主キーなし
注

プロンプトごとに、SQL スクリプトに挿入する前に Copilot によって生成されたコードを確認します。生成された各 SQL コードをスクリプトに挿入した後、新しく追加されたコードのみを実行します。これを選択し、[ 実行 ] ボタンをクリックします。

テーブルを作成したら、テーブルにデータを読み込む必要があります。この演習では、前の演習の Lakehouse のデータを使用します。データをData Warehouseに読み込むさまざまな方法については、こちらをご覧ください。上部のメニューバーで [ 新しい SQL クエリ ] を選択し、新しい SQL クエリエディターで次のコードを入力し、を実行してテーブルにデータを読み込みます。

INSERT INTO DimCustomer (PersonID, FirstName, LastName, Gender, Address, StoreID, TerritoryID)
SELECT
    p.PersonID,
    p.FirstName,
    p.LastName,
    p.Gender,
    p.Address,
    d.StoreID,
    d.TerritoryID
FROM LearningHub_LH.dbo.Person p
JOIN LearningHub_LH.dbo.DimCustomer d 
    ON p.PersonID = d.PersonID;

INSERT INTO DimProducts (ProductID, ProductCategoryName, Model)
SELECT 
    ProductID, ProductCategoryName, Model
FROM LearningHub_LH.dbo.DimProducts;

INSERT INTO DimStore (StoreID, StoreName, Region, Country)
SELECT DISTINCT
    st.StoreKey, st.StoreName,s.Country, s.Region
FROM LearningHub_LH.dbo.DimStore st
JOIN LearningHub_LH.dbo.Sales s
    ON s.StoreKey=st.StoreKey

INSERT INTO DimDate (DateKey, Day, Month, Year, FiscalYear, Quarter)
SELECT 
    DateKey, 
    Day,
    Month,
    Year, 
    FiscalYear,
    Quarter
FROM LearningHub_LH.dbo.DimDate;

INSERT INTO FactSales (PersonID, ProductID, StoreID, OrderDate, OrderQty, UnitPrice, UnitPriceDiscount, GrossRevenue, NetRevenue)
SELECT 
    PersonID, 
    ProductID, 
    StoreKey, 
    OrderDate, 
    OrderQty, 
    UnitPrice, 
    UnitPriceDiscount, 
    Gross_Revenue, 
    Net_Revenue
FROM LearningHub_LH.dbo.Sales;

注

LearningHub_LHを Lakehouse の名前に置き換えます

生成された SQL クエリの精度を高めるために、テーブル間にリレーションシップを作成する必要があります。リレーションシップを作成するには、[エクスプローラー] ウィンドウの [モデルレイアウト] を選択します。ここでは、すべてのテーブル間のリレーションシップを定義します。こちらをご覧ください。

必要なビューの作成を開始しましょう。新しいスクリプトを作成し、次のコードを貼り付けて、製品カテゴリ別の月次収益の概要を取得します。

SELECT
    dd.Year,
    dd.Month,
    dp.ProductCategoryName,
    SUM(fs.NetRevenue) AS TotalNetRevenue,
    SUM(fs.OrderQty) AS TotalOrders
FROM [dbo].[FactSales] fs
LEFT JOIN [dbo].[DimDate] dd      ON CAST(fs.OrderDate AS DATE) = dd.DateKey
LEFT JOIN [dbo].[DimProducts] dp  ON fs.ProductID = dp.ProductID
GROUP BY
    dd.Year,
    dd.Month,
    dp.ProductCategoryName;

SQL クエリエディターの上部にある [クエリの説明] を選択して 、クエリ の説明を取得します。この操作は数秒かかり、クエリを説明するコメントで既存のクエリを更新します。
TotalNetRevenueを小数点以下 2 桁に丸める必要があります。これを実現するには、Copilot パネルで次のプロンプトを送信します。

TotalNetRevenue を小数点以下 2 桁に丸めるクエリを変更する
Copilot は、必要な変更を使用してクエリを自動的に更新します。変更を確認し、クエリを実行して、製品カテゴリ別の月次収益の概要を取得します。

ヒント

クエリの実行時にエラーが発生した場合は、SQL クエリエディターの上部にある [ クエリエラーの修正 ] ボタンを使用して、Copilot にクエリを更新してエラーを修正させることができます。
クエリ全体を選択し、SQL クエリエディターの上部にある [ ビューとして保存] ボタンを選択します。既定の [スキーマ] はそのままにし、ビューの名前を指定し、[ OK] を選択します。
次に、Copilot を使用して次のビューを作成できます。
- 各ストアの収益変化の前年比の増加を計算するビュー。
- 各製品カテゴリによって生成された合計収益を計算するビュー

これで終了です。

Microsoft Fabric Data Warehouse で Copilot を使用して、テーブルの作成、テーブルへのデータの読み込み、テーブルを結合してデータの概要を提供するビューの作成に成功しました。 Copilot for Data Warehouseの詳細については、こちらを参照してください。

Autopilot ではなく Copilot を使用していることを覚えておいてください。これらのツールは、作業を行うのではなく、日々の作業にアシスタントがあります。

これで終了です。

100% 完了しました

このチュートリアルを完了しました

チュートリアルを完了しておめでとうございます! さまざまなワークロードにわたって Microsoft Fabric で Copilot を使用する方法について学習しました。

次の方法で共有

Microsoft Fabric で Copilot を使用する方法について説明します

Microsoft Fabric での Copilot のエクスペリエンス

Data Factory 用 Copilot

Data Factory での Copilot の使用

これで終了です。

copilot for Data Engineering & Data Science

Data Engineering & Data Scienceに Copilot を使用する

これで終了です。

copilot for Data Warehouse

Data Warehouseに Copilot を使用する

これで終了です。

これで終了です。

このチュートリアルを完了しました