Del via

Spor og visualiser data

Å gjøre rådata om til handlingsrettede innsikter er et viktig steg i datalivssyklusen. Microsoft Fabric kombinerer Power BI, Real-Time Intelligence og Fabric IQ for å hjelpe forretningsanalytikere med å utforske, visualisere og svare på data i nær sanntid. Ved å bruke semantiske modeller, strømmende data og AI-forbedret analyse kan du lage styrte rapporter, dashbord og operative varsler som driver informerte beslutninger.

I denne artikkelen lærer du om:

  • Å lage Power BI-rapporter og translytiske oppgaveflyter for interaktiv analyse
  • Å bruke Real-Time Intelligence for å overvåke og handle på strømmende data
  • Anvendelse av Fabric IQ forretningssemantikk, ontologier og grafmodeller for å forene bedriftsdata

Utforsk og del innsikt med Power BI

Power BI-rapporter bruker semantiske modeller som analytisk ryggrad. Disse modellene sentraliserer forretningslogikk, beregninger og styring, og sikrer konsistens på tvers av rapporter og team. Forretningsanalytikere kan bygge interaktive dashbord, grave i målinger og dele innsikt trygt på tvers av organisasjonen. Bruk Power BI når du trenger strukturerte, gjenbrukbare og styrte analyser bygget på semantiske modeller lagret i OneLake.

Du kan distribuere og legge inn Power BI-rapporter på tvers av Microsoft 365-applikasjoner:

  • Pin-rapporter i Microsoft Teams-kanaler eller chatter for samarbeidsanalyse.
  • Embed rapporter i SharePoint-sider ved å bruke Power BI-webdelen.
  • Sett inn live-rapporter i PowerPoint-presentasjoner .
  • Koble til Power BI-datasett fra Excel for å lage pivottabeller og diagrammer oppå semantiske modeller.

Ta handling fra rapporter med translytiske oppgaveflyter

Translytiske oppgaveflyter lar deg gå fra innsikt til handling direkte inne i en Power BI-rapport. Du kan aktivere brukerdatafunksjoner for å oppdatere poster, utløse arbeidsflyter eller skrive tilbake til OneLake uten å forlate rapportgrensesnittet. Bruk translytiske oppgaveflyter når innsikter og driftsoppdateringer må skje samtidig, som å justere lager, oppdatere salgsprognoser eller løse supportsaker.

Følgende diagram viser hvordan Power BI-rapporter og translytiske oppgaveflyter kombinerer analyse og handling i en enkelt, styrt opplevelse:

Diagram over Power BI sin translytiske oppgaveflytarkitektur.

Overvåk og analyser sanntidsdata

Real-Time Intelligence-arbeidsbelastningen i Microsoft Fabric gjør det mulig å importere, behandle, analysere og handle på strømmende data med minimal forsinkelse. Den kombinerer muligheter fra følgende tjenester:

Inntak strømmende data med Eventstream

Eventstream tar inn strømmende data fra kilder som Azure Event Hubs, Kafka, IoT-enheter eller REST-API-er. Den anvender sanntidstransformasjoner og ruter data til tjenester som Eventhouse eller Lakehouse.

Eventstream støtter ruting og skjemajustering, tidsstempelnormalisering, partisjonering og integrasjon med Activator. Mens Eventstreams mater høyhastighetsdata inn i Fabric, overvåker Activator kontinuerlig disse strømmende hendelsene mot definerte regler i nær sanntid.

Analyser hendelser med Eventhouse

Eventhouse er optimalisert for storvolumsanalyse av hendelser og tidsserier. Den indekserer og partisjonerer data automatisk og bruker Kusto Query Language for rask filtrering, aggregering, sammenkoblinger og avviksundersøkelse. Bruk Eventhouse når du trenger skalerbar analyse av telemetri, operasjonelle målinger eller loggdata.

Integrasjon med Activator skjer gjennom KQL-spørringssett, som lar deg definere gjenbrukbare spørringer som kontinuerlig evaluerer betingelser på Eventhouse-data. Activator kan abonnere på disse spørringsutdataene og anvende regler basert på spørringsresultatene. Når en KQL-spørring oppdager en tilstand (for eksempel at CPU-bruk overstiger 90% eller en trend indikerer feilrisiko), utløser Activator automatiserte handlinger som å sende varsler, starte Power Automate-flyter eller kjøre Fabric-pipelines. Denne kombinasjonen av KQLs analytiske kraft og Activators orkestrering muliggjør sanntids, datadrevet automatisering på tvers av forretningsscenarier.

Visualiser sanntidsmålinger med sanntidsdashbord

Sanntidsdashbord gir direkte, interaktive visualiseringer av strømmingsdata, slik at du kan overvåke viktige måleparametere og driftssignaler etter hvert som de oppstår. Bygget på toppen av Eventhouse (KQL-databaser), lar disse dashbordene deg spørre og vise tidsseriedata med minimal forsinkelse, og gir innsikt i systemytelse, kundeadferd eller sensoraktivitet i sanntid. De støtter dynamisk filtrering, automatisk oppdatering og varsling, noe som gjør dem ideelle for bruksområder som IT-overvåking, produksjonstelemetri, sporing av finansielle transaksjoner og kundestøtteanalyse. Sanntidsdashbord integreres også med Activator, slik at du ikke bare kan observere, men også reagere på kritiske hendelser direkte fra dashbordgrensesnittet, og omsette innsikt til handling uten forsinkelse.

Sanntidsdashbord skiller seg fra vanlige Power BI-rapporter hovedsakelig ved at de kan visualisere og svare på direktestrømming med minimal forsinkelse. Power BI-rapporter bygges vanligvis på importerte datasett som oppdateres etter en tidsplan, og egner seg best for historisk analyse og interaktiv utforskning. Sanntidsdashbord, derimot, er designet for operasjonell overvåking og umiddelbar innsikt.

Avviksregistrering

Anomalidetektoren identifiserer automatisk uvanlige mønstre eller avvik i strømmings- eller tidsseriedata. Den fungerer ved å analysere data som er hentet inn i Eventhouse (KQL-databaser) og anvende statistiske modeller eller maskinlæringsteknikker for å oppdage avvik fra forventet atferd. Disse anomaliene kan representere systemfeil, svindel, ytelsesforringelse eller andre kritiske hendelser som krever oppmerksomhet. I motsetning til statiske terskelbaserte varsler, tilpasser anomalidetektoren seg til dataenes historiske trender og sesongvariasjoner, noe som gjør den mer effektiv til å identifisere subtile eller kontekstsensitive problemer.

Når en anomali oppdages, kan den utløse nedstrømshandlinger via Activator, som å sende varsler, oppdatere dashbord eller starte automatiserte arbeidsflyter. Denne funksjonaliteten støtter operasjonelle scenarier der tidlig oppdagelse av avvik kan forhindre nedetid, økonomisk tap eller misnøye hos kundene. Det gjør det mulig å gå fra reaktiv overvåking til proaktiv inngripen på tvers av forretningsprosesser.

Bruk anomalideteksjon når statiske terskler ikke er tilstrekkelige og mønstre må evalueres dynamisk.

Automatiser svar med Activator

Activator overvåker kontinuerlig strømming eller hendelsesdata og evaluerer reglene du definerer. Den støtter enkle terskelregler og stateful mønsterdeteksjon. For eksempel når en måling blir kritisk eller synker over tid. Denne funksjonaliteten gjør det mulig å automatisere beslutninger og operative oppgaver i nær sanntid, og koble levende datainnsikt til umiddelbare handlinger. Bruk Activator for å koble sanntidsinnsikt til automatiserte operative svar.

Når betingelsene er oppfylt, kan Activator:

Følgende diagram viser hvordan Real-Time Intelligence in Fabric tar inn strømmende data, analyserer hendelser og utløser handlinger med lav forsinkelse:

Diagram over Real-Time Intelligence-arkitektur.

Bruk forretningssemantikk med Fabric IQ

Fabric IQ gir et delt forretningskontekstlag på tvers av dataområdet ditt. Den kartlegger data i innsjøhus, lagerbygninger, eventhus og semantiske modeller til en samlet ontologi.

Fabric Ontology er et delt, maskinforståelig vokabular for virksomheten din som definerer nøkkelenhetene (for eksempel kunde, produkt eller plan), deres relasjoner, egenskaper, forretningsregler og mulige handlinger, samtidig som alle termer opprettholdes i forretningsspråket. Den samler en levende, tilkoblet representasjon av hvordan virksomheten din opererer, kartlagt direkte til de underliggende dataene i OneLake. Denne modellen lar brukere og agenter se ikke bare tabeller, men også relasjoner som «Kunder legger inn bestillinger på produkter», «Flyvninger har segmenter og mannskaper» og «Forsinkede forsendelser påvirker inntektene.» Denne data-sentriske konteksten er avgjørende for enhver AI som forventes å ta beslutninger eller analysere virksomheten.

Når du definerer et ontologielement (for eksempel en enhet "Flight" med egenskaper som Status eller Forsinkelse), mapper du det til tabellen og feltene i et Eventhouse, Lakehouse eller Warehouse som inneholder denne informasjonen, uten å kopiere eller flytte dataene. Etter at dataene havner i OneLake, blir de en del av live-ontologien.

Utover forretningsenheter og relasjoner kan ontologier også definere handlingsrettede regler, som for eksempel «Hvis lagerterskel < , utløser påfylling.» Driftsagenter bruker disse reglene til å utløse arbeidsflyter i Activator. Når en Operations Agent kaller Activator for å kjøre en Power Automate-flyt, sender den parametere som er avledet fra ontologiegenskaper, som CustomerID og OrderStatus. Denne tilnærmingen sikrer at automatiseringsflyter opererer med full forretningskontekst, ikke bare rå ID-er.

Dette semantiske laget muliggjør konsistent analyse, AI-resonnement og automatisering.

Utforsk sammenkoblede data med grafmodeller

Grafmodeller gir et sammenkoblet nettverk av ontologidefinerte enheter og relasjoner. De muliggjør multi-hop resonnement, konsekvensanalyse og avanserte algoritmer som korteste-vei og fellesskapsdeteksjon. Denne integrasjonen gjør det mulig for AI-agenter og analyseverktøy å spørre komplekse relasjoner effektivt. Den gir sanntidsinnsikt i avhengigheter og kaskadeeffekter som tradisjonelle relasjonsmodeller sliter med å håndtere. Du kan undersøke grafmodeller ved å bruke GraphQL-spørringer gjennom Fabric-API-er.

Relatert innhold

  • Last updated on