Optimera din semantiska modell för Copilot i Power BI

Gäller för:✅ služba Power BI

Utvärdera dina data innan du använder Copilot med din semantiska modell. Du kan behöva rensa din semantiska modell så att Copilot du kan härleda insikter från den.

Kommentar

Tänk på följande krav:

Kommentar

I Power BI-tjänstens webbmodelleringsupplevelseCopilot kan du göra mer än att bara utvärdera din modell. Den kan också föreslå och tillämpa ändringar direkt, till exempel byta namn på tabeller och kolumner, skapa relationer och generera DAX-mått. Optimeringsvägledningen i den här artikeln har direkt stöd för bättre resultat från den analysen: en välstrukturerad, tydligt namngiven modell hjälper till att Copilot skapa mer exakta och användbara förslag.

Överväganden för semantiska modeller för Copilot användning

Du kan skapa korrekta rapporter med Copilot med hjälp av kriterierna i följande tabeller. De här rekommendationerna kan hjälpa dig att generera korrekta Power BI rapporter.

Modellstruktur

Komponent Att tänka på beskrivning Var du ska ansöka Exempel
Tabellänkning Definiera tydliga relationer Definiera tydligt alla relationer mellan tabeller och kontrollera att de är logiska. Ange vilka relationer som är en-till-många, många-till-en eller många-till-många. I modellvyn väljer du Hantera relationer Skapa en en-till-många-relation från Date[DateID] till Sales[DateID] och kontrollera att relationen är aktiv.
Faktatabeller Tydlig avgränsning Tydligt avgränsade faktatabeller som innehåller mätbara, kvantitativa data för analys. I tabellegenskaper och datamodellstruktur Namnge tabeller explicit som faktatabeller: FactSales, FactTransactions, FactVisits.
Dimensionstabeller Stödjande beskrivande data Skapa dimensionstabeller som innehåller de beskrivande attributen som är relaterade till de kvantitativa måtten i faktatabeller. I tabellegenskaper och datamodellstruktur Skapa dimensionstabeller som DimProduct med attribut (ProductName, Category, Brand) och DimCustomer med attribut (CustomerName, City, Segment).
Hierarkier Logiska grupper Upprätta tydliga hierarkier i data, särskilt för dimensionstabeller som stöder ökad detaljnivå i rapporter. I snabbmenyn för tabellen väljer du Ny hierarki Skapa en hierarki i Date tabellen:Year>Quarter>Month>Day . I Geography tabellen: Country/Region>State>City.
Relationstyper Tydligt angiven För att säkerställa korrekt rapportgenerering anger du tydligt typen av relationer (aktiva eller inaktiva) och deras kardinalitet. Dialogrutan Relationsegenskaper Ange Date som Sales Många-till-en (aktiv), Product till Sales som Många-till-en (aktiv) och markera rollspelsrelationer som inaktiva när det är lämpligt.

Mått och KPI:er

Komponent Att tänka på beskrivning Var du ska ansöka Exempel
Mätvärden Standardiserad beräkningslogik Ge måtten standardiserad, tydlig beräkningslogik som är enkel att förklara och förstå. I måttdefinitions- och beskrivningsegenskapsfält Mät DAX: Total Sales = SUM(Sales[SaleAmount]) och lägg till beskrivning: "Summan av alla försäljningsbelopp.".
Mätvärden Namngivningskonventioner Ge måttnamn som tydligt återspeglar deras beräkning och syfte. I fältet måttnamn när du skapar mått Använd beskrivande namn: Average Customer Rating i stället för förkortat: AvgRating.
Mätvärden Fördefinierade mått Inkludera en uppsättning fördefinierade mått som användarna mest sannolikt kommer att begära i rapporter. Skapa mått i din modell som användarna ofta behöver Lägg till mått som YTD Sales = TOTALYTD(SUM(Sales[SaleAmount]), 'Date'[Date]) eller MoM Growth = DIVIDE([This Month Sales] - [Last Month Sales], [Last Month Sales]).
Nyckeltal (KPI:er) Fördefinierad och relevant Upprätta en uppsättning KPI:er som är relevanta för affärskontexten och som ofta visas i rapporter. Skapa mått för vanliga spårade KPI:er Definiera mått som ROI = DIVIDE([Profit], [Investment]), CAC = DIVIDE([Marketing Spend], [New Customers]), LTV = [Avg Order Value] * [Purchase Frequency] * [Customer Lifespan].

Kolumner och datakvalitet

Komponent Att tänka på beskrivning Var du ska ansöka Exempel
Kolumnnamn Entydiga etiketter Gör kolumnnamnen tvetydiga och självförklarande. Undvik ID:er eller koder som kräver ytterligare sökning utan kontext. Byt namn på kolumner i Power Query-redigeraren eller modellvyn Byt namn på kolumnen från ProdID till Product ID eller Product Nameoch från CustNo till Customer Number.
Kolumndatatyper Korrekt 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. I kolumnegenskaper anger du Datatyp Kontrollera att Sales[SaleAmount] decimaltal (inte text), Date[Date] är datum (inte text), Product[ProductID] är heltal.
Datakonsekvens Standardiserade värden Underhålla standardiserade värden i kolumner för att säkerställa konsekvens i filter och rapportering. Använda sök- och ersätt- eller Power Query-transformeringar I Status kolumnen ser du till att alla värden använder konsekvent hölje: Open, Closed, Pending (inte blandat skiftläge som open, CLOSED).

Uppdatera, säkerhet och metadata

Komponent Att tänka på beskrivning Var du ska ansöka Exempel
Förnyelsescheman Transparent och schemalagd Kommunicera tydligt uppdateringsscheman för data för att säkerställa att användarna förstår aktualiteten för de data som de analyserar. I datamängdsinställningar och dokumentation Lägg till en textruta eller beskrivning som anger: "Data uppdateras dagligen kl. 06:00 UTC" eller "Realtidsdata med inkrementell uppdatering på 15 minuter".
Säkerhet Definitioner på rollnivå Definiera säkerhetsroller för olika nivåer av dataåtkomst om det finns känsliga element som inte alla användare bör se. I modellvyn väljer du Hantera roller Skapa rollen "Säljteamet" med filtret Sales[Region] = USERNAME() och rollen "HR-avdelningen" med ett filter på anställdas datatabeller.
Metainformation Dokumentation om struktur Som referens dokumenterar du datamodellens struktur, inklusive tabeller, kolumner, relationer och mått. Använda beskrivningsegenskaper och extern dokumentation Lägg till beskrivningar i tabeller och kolumner. Skapa ett separat dokument med modelldiagram, dataordlista och måttkatalog.

Att tänka på vid DAX-frågor

I följande tabell visas andra kriterier som kan hjälpa dig att skapa korrekta DAX-frågor (Data Analysis Expressions) med Copilot. De här rekommendationerna kan hjälpa dig att generera korrekta DAX-frågor.

Komponent Att tänka på beskrivning Var du ska ansöka Exempel
Mått, tabeller och kolumner Beskrivningar I beskrivningsegenskapen definierar du varje element och hur du tänker använda det. Copilot använder endast de första 200 tecknen. I fönstret Egenskaper, fältet Beskrivning för mått, tabeller och kolumner För mått [YOY Sales] lägger du till beskrivning: "År-över-år (YOY) skillnad i Beställningar." Använd med kolumnen 'Date'[Year] för att visa med andra år än det senaste året. Delåren kan jämföras med samma period föregående år."
Beräkningsgrupper Beskrivningar Modellmetadata innehåller inte beräkningsobjekt. Använd beskrivningen av kolumnen beräkningsgrupp för att lista och förklara hur du använder beräkningsobjekten. Copilot använder endast de första 200 tecknen. I panelen Egenskaper för kolumnen i beräkningsgruppen För kolumnen i beräkningsgruppen för tidsintelligensexempel lägger du till beskrivning: "Använd med mått och datumtabell för 'Aktuell': aktuellt värde, MTD: hittills i månaden, QTD: hittills i kvartalet, YTD: hittills i år, PY: föregående år, PY MTD, PY QTD, YOY: årsmotårsändring, YOY%: YOY som en %." För en måtttabell lägger du till: "Mått används för att aggregera data." Dessa mått kan visas som år för år med hjälp av den här syntaxen CALCULATE([Måttnamn], Time intelligence[Tidsberäkning] = YOY)."

Relaterat innehåll

  • Last updated on