Uppdatera din datamodell så att den fungerar bra med Copilot för Power BI

  • Artikel

GÄLLER FÖR: Power BI Desktop-Power BI-tjänst

Innan du börjar använda Copilot med din semantiska modell bör du utvärdera dina data. Du kan behöva utföra lite rensningsarbete på din semantiska modell så att Copilot du kan härleda insikter från den.

Kommentar

Överväganden för datauppsättningar för Copilot användning

I följande tabell visas kriterier som hjälper dig att skapa korrekta rapporter med Copilot. Dessa objekt är rekommendationer som kan hjälpa dig att generera korrekta Power BI-rapporter.

Element Att tänka på beskrivning Exempel
Tabelllänkning Definiera tydliga relationer Se till att alla relationer mellan tabeller är tydligt definierade och logiska, vilket anger vilka som är en-till-många, många-till-en eller många-till-många. Tabellen "Sales" är ansluten till tabellen "Date" med fältet "DateID".
Mått Standardiserad beräkningslogik Mått bör ha standardiserad, tydlig beräkningslogik som är lätt att förklara och förstå. "Total försäljning" beräknas som summan av "SaleAmount" från tabellen "Försäljning".
Mått Namngivning Namnen på mått bör tydligt återspegla deras beräkning och syfte. Använd "Average_Customer_Rating" i stället för "AvgRating".
Mått Fördefinierade mått Inkludera en uppsättning fördefinierade mått som användarna mest sannolikt kommer att begära i rapporter. "Year_To_Date_Sales", "Month_Over_Month_Growth" osv.
Faktatabeller Rensa avgränsning Tydligt avgränsade faktatabeller som innehåller mätbara, kvantitativa data för analys. "Transaktioner", "Försäljning", "Besök".
Dimensionstabeller Stödjande beskrivande data Skapa dimensionstabeller som innehåller de beskrivande attributen som är relaterade till de kvantitativa måtten i faktatabeller. "Product_Details", "Customer_Information".
Hierarkier Logiska grupper Upprätta tydliga hierarkier i data, särskilt för dimensionstabeller som kan användas för att öka detaljnivån i rapporter. En "Time"-hierarki som delas upp från "Year" till "Quarter" till "Month" till "Day".
Kolumn Namn Entydiga etiketter Kolumnnamn bör vara entydiga och självförklarande, vilket undviker användning av ID:er eller koder som kräver ytterligare uppslag utan kontext. Använd "Product_Name" i stället för "ProdID".
Kolumndatatyper Rätt och konsekvent Använd korrekta och konsekventa datatyper för kolumner i alla tabeller för att säkerställa att måtten beräknas korrekt och för att möjliggöra korrekt sortering och filtrering. Se till att numeriska kolumner som används i beräkningar inte anges som textdatatyper.
Relationstyper Tydligt angiven För att säkerställa korrekt rapportgenerering anger du tydligt typen av relationer (aktiva eller inaktiva) och deras kardinalitet. Markera om en relation är "One-to-One", "One-to-Many" eller "Many-to-Many".
Datakonsekvens Standardiserade värden Underhålla standardiserade värden i kolumner för att säkerställa konsekvens i filter och rapportering. Om du har en "Status"-kolumn använder du konsekvent "Open", "Closed", "Pending" osv.
KPI:er (Key Performance Indicators) Fördefinierad och relevant Upprätta en uppsättning KPI:er som är relevanta för affärskontexten och som ofta används i rapporter. "Return on Investment (ROI)", "Customer Acquisition Cost (CAC)", "Lifetime Value (LTV)".
Uppdatera scheman Transparent och schemalagd Kommunicera tydligt uppdateringsscheman för data för att säkerställa att användarna förstår aktualiteten för de data som de analyserar. Ange om data är realtid, dag, vecka osv.
Säkerhet Definitioner på rollnivå Definiera säkerhetsroller för olika nivåer av dataåtkomst om det finns känsliga element som inte alla användare bör se. Säljteamets medlemmar kan se försäljningsdata men inte HR-data.
Metadata Dokumentation om struktur Dokumentera datamodellens struktur, inklusive tabeller, kolumner, relationer och mått, som referens. En dataordlista eller ett modelldiagram som tillhandahålls som referens.

Relaterat innehåll