Spåra och visualisera data

Att omvandla rådata till användbara insikter är ett viktigt steg i datalivscykeln. Microsoft Fabric kombinerar Power BI, Real-Time Intelligence och Fabric IQ för att hjälpa affärsanalytiker att utforska, visualisera och svara på data i nära realtid. Med hjälp av semantiska modeller, strömmande data och AI-förbättrad analys kan du skapa reglerade rapporter, instrumentpaneler och driftaviseringar som ger välgrundade beslut.

I den här artikel får du lära dig om:

  • Skapa Power BI-rapporter och translytiska aktivitetsflöden för interaktiv analys
  • Använda Real-Time Intelligence för att övervaka och agera på strömmande data
  • Tillämpa Fabric IQ-affärssemantik, ontologier och grafmodeller för att förena företagsdata

Utforska och dela insikter med Power BI

Power BI-rapporter använder semantiska modeller som analytisk stamnät. Dessa modeller centraliserar affärslogik, beräkningar och styrning, vilket säkerställer konsekvens mellan rapporter och team. Affärsanalytiker kan skapa interaktiva instrumentpaneler, öka detaljnivån för mått och dela insikter på ett säkert sätt i hela organisationen. Använd Power BI när du behöver strukturerad, återanvändbar och styrd analys som bygger på semantiska modeller som lagras i OneLake.

Du kan distribuera och bädda in Power BI-rapporter i Microsoft 365-program:

  • Fäst rapporter i Microsoft Teams-kanaler eller chattar för samarbetsanalys.
  • Bädda in rapporter på SharePoint-sidor med hjälp av Power BI-webbdelen.
  • Infoga liverapporter i PowerPoint-presentationer .
  • Anslut till Power BI-datauppsättningar från Excel för att skapa pivottabeller och diagram ovanpå semantiska modeller.

Vidta åtgärder från rapporter med translytiska arbetsflöden

Med translytiska aktivitetsflöden kan du gå från insikt till åtgärd direkt i en Power BI-rapport. Du kan anropa användardatafunktioner för att uppdatera poster, utlösa arbetsflöden eller skriva tillbaka till OneLake utan att lämna rapportgränssnittet. Använd translytiska aktivitetsflöden när insikter och driftuppdateringar måste ske tillsammans, till exempel justera lager, uppdatera försäljningsprognoser eller lösa supportärenden.

Följande diagram visar hur Power BI-rapporter och translytiska aktivitetsflöden kombinerar analyser och åtgärder i en enda, styrd upplevelse:

Diagram över arkitekturen för translytiska aktivitetsflöden i Power BI.

Övervaka och analysera realtidsdata

Realtidsintelligens-belastningen i Microsoft Fabric gör att du kan mata in, bearbeta, analysera och agera på strömmande data med minimal latens. Den kombinerar funktioner från följande tjänster:

Mata in strömmande data med Eventstream

Eventstream matar in strömmande data från källor som Azure Event Hubs, Kafka, IoT-enheter eller REST-API:er. Den tillämpar realtidstransformeringar och dirigerar data till tjänster som Eventhouse eller Lakehouse.

Eventstream stöder routning och schemajustering, tidsstämpelnormalisering, partitionering och integrering med Activator. När Eventstreams matar in höghastighetsdata i Fabric övervakar Activator kontinuerligt dessa strömmande händelser mot definierade regler nästan i realtid.

Analysera händelser med Eventhouse

Eventhouse är optimerat för analys av händelser med stora volymer och tidsserier. Den indexerar och partitionerar automatiskt data och använder Kusto Query Language för snabb filtrering, aggregering, kopplingar och avvikelseundersökning. Använd Eventhouse när du behöver skalbar analys av telemetri, driftmått eller loggdata.

Integrering med Activator sker via KQL-frågeuppsättningar, vilket gör att du kan definiera återanvändbara frågor som kontinuerligt utvärderar villkor för Eventhouse-data. Activator kan prenumerera på dessa frågeutdata och tillämpa regler baserat på frågeresultatet. När en KQL-fråga identifierar ett villkor (till exempel processoranvändningen överskrider 90% eller en trend indikerar felrisk), utlöser Activator automatiserade åtgärder som att skicka aviseringar, starta Power Automate-flöden eller köra Infrastrukturpipelines. Den här kombinationen av KQL:s analyskraft med Activators orkestrering möjliggör datadriven automatisering i realtid i olika affärsscenarier.

Visualisera live-metrik med realtidsdashboardar

Realtidsdashboards tillhandahåller live, interaktiva visualiseringar av strömmande data, så att du kan övervaka viktiga nyckeltal och operativa signaler när de sker. Dessa instrumentpaneler bygger på Eventhouse (KQL-databaser) och gör att du kan köra frågor mot och visa tidsseriedata med minimal svarstid, vilket ger insikter om systemprestanda, kundbeteende eller sensoraktivitet i realtid. De stöder dynamisk filtrering, automatisk uppdatering och aviseringsfunktioner, vilket gör dem idealiska för användningsfall som IT-övervakning, telemetri för tillverkning, spårning av finansiella transaktioner och kundsupportanalys. Realtidsinstrumentpaneler integreras också med Activator, så du kan inte bara observera utan också svara på kritiska händelser direkt från instrumentpanelens gränssnitt, vilket gör insikter till handling utan fördröjning.

Realtidsinstrumentpaneler skiljer sig från vanliga Power BI-rapporter främst i deras förmåga att visualisera och svara på liveuppspelningsdata med minimal svarstid. Power BI-rapporter bygger vanligtvis på importerade datamängder som uppdateras enligt ett schema och passar bäst för historisk analys och interaktiv utforskning. Realtidsinstrumentpaneler är å andra sidan utformade för driftövervakning och omedelbara insikter.

Avvikelseidentifiering

Avvikelseidentifieringen identifierar automatiskt ovanliga mönster eller extremvärden i strömmande data eller tidsseriedata. Det fungerar genom att analysera data som matas in i Eventhouse (KQL-databaser) och tillämpa statistiska modeller eller maskininlärningstekniker för att identifiera avvikelser från förväntat beteende. Dessa avvikelser kan representera systemfel, bedrägeri, prestandaförsämring eller andra kritiska händelser som kräver uppmärksamhet. Till skillnad från statiska tröskelvärdesbaserade aviseringar anpassas avvikelseidentifieringen till datans historiska trender och säsongsvariationer, vilket gör den mer effektiv när det gäller att identifiera subtila eller kontextkänsliga problem.

När en avvikelse identifieras kan den utlösa underordnade åtgärder via Activator, till exempel att skicka aviseringar, uppdatera instrumentpaneler eller starta automatiserade arbetsflöden. Den här funktionen stöder driftsscenarier där tidig identifiering av avvikelser kan förhindra driftstopp, ekonomiska förluster eller kundens missnöje. Det gör att du kan gå från reaktiv övervakning till proaktiva åtgärder mellan affärsprocesser.

Använd avvikelseidentifiering när statiska tröskelvärden inte är tillräckliga och mönster måste utvärderas dynamiskt.

Automatisera svar med Activator

Activator övervakar kontinuerligt strömnings- eller händelsedata och utvärderar regler som du definierar. Den stöder enkla tröskelvärden och tillståndskänslig mönsteridentifiering. Till exempel när ett mått blir kritiskt eller minskar med tiden. Med den här funktionen kan du automatisera beslut och operativa uppgifter i nära realtid och överbrygga insikter om livedata till omedelbara åtgärder. Använd Activator för att överbrygga insikter i realtid till automatiserade driftsvar.

När villkoren är uppfyllda kan Activator:

Följande diagram visar hur Real-Time Intelligence i Fabric bearbetar strömmande data, analyserar händelser och utlöser åtgärder med låg latens:

Diagram över Real-Time Intelligence-arkitektur.

Tillämpa affärssemantik med Fabric IQ

Fabric IQ tillhandahåller ett delat affärskontextlager i din dataegendom. Den mappar data i Lakehouses, Warehouses, Eventhouses och semantiska modeller till en enhetlig ontologi.

Fabric Ontology är en delad, maskinförståelig vokabulär för ditt företag som definierar de viktigaste entiteterna (till exempel kund, produkt eller flygplan), deras relationer, egenskaper, affärsregler och möjliga åtgärder, med alla termer bibehållna på verksamhetens språk. Den sammanför en levande, ansluten representation av hur ditt företag fungerar, mappat direkt till underliggande data i OneLake. Med den här modellen kan användare och agenter inte bara se tabeller, utan även relationer som "Kunder lägger beställningar för produkter", "Flyg har segment och besättningar" och "Försenade leveranser påverkar intäkter". Den här datacentrerade kontexten är avgörande för ai som förväntas fatta beslut eller analyser om verksamheten.

När du definierar ett ontologielement (till exempel en entitet "Flight" med egenskaper som Status eller Fördröjning) mappar du det till tabellen och fälten i ett Eventhouse, Lakehouse eller Warehouse som innehåller den informationen, utan att kopiera eller flytta data. När data har landat i OneLake blir de en del av live-ontologin.

Utöver affärsentiteter och relationer kan ontologier också definiera åtgärdsbara regler, till exempel "Om lagertröskel < , utlöser påfyllning". Operations Agents använder dessa regler för att utlösa arbetsflöden i Activator. När en operationsagent anropar Activator för att köra ett Power Automate-flöde skickar den parametrar som härleds från ontologiegenskaper, till exempel CustomerID och OrderStatus. Den här metoden säkerställer att automationsflöden fungerar med fullständig affärskontext, inte bara råa ID:er.

Det här semantiska lagret möjliggör konsekvent analys, AI-resonemang och automatisering.

Utforska anslutna data med grafmodeller

Graph-modeller tillhandahåller ett anslutet nätverk av ontologidefinierade entiteter och relationer. De möjliggör beräkning med flera hopp, konsekvensanalys och avancerade algoritmer, till exempel kortaste sökväg och community-detektering. Med den här integrationen kan AI-agenter och analysverktyg effektivt göra förfrågningar om komplexa relationer. Det ger insikter i realtid om beroenden och sammanhängande effekter som traditionella relationsmodeller kämpar för att hantera. Du kan fråga diagrammodeller med hjälp av GraphQL-frågor via Infrastruktur-API:er.

Relaterat innehåll

  • Last updated on