Latest / M365.FM – Microsoft 365, Copilot & KI Podcast auf Deutsch / Copilot in Microsoft Fabric: Datenmodelle mit KI bereinigen, transformieren und optimieren (KI-Synchronfassung)

Transcript

Copilot in Microsoft Fabric: Datenmodelle mit KI bereinigen, transformieren und optimieren (KI-Synchronfassung) · M365.FM – Microsoft 365, Copilot & KI Podcast auf Deutsch

0:00
Bereit für 10 Tage voller Microsoft 365, Co-Pilot, KI, Azure und den Menschen, die die Zukunft der Arbeit gestalten.
0:07
Diesen Januar ist die N3565-Con zurück und wir legen noch eine Schippe drauf ein.
0:12
Seien Sie bei Live-Sessions, Praxistests und Fachwissen von MVPs und Branchenexperten weltweit dabei.
0:18
Keine generischen Folien, kein endloses Buzzword-Bingo.
0:21
Wir gehen die echten Herausforderungen an.
0:23
Co-Pilot Studio, KI-Agenten, Fabrik, Sicherheit, Governance und Automatisierung.
0:28
Ob IT-Profi-Entwickler oder Führungskraft, es gibt Sessions, die speziell für Sie konzipiert sind.
0:35
An 10 vollen Tagen können Sie diverse Technologien erkunden und sich mit einer globalen Community vernetzen.
0:40
Schauen Sie live zu und nehmen Sie praktische Erkenntnisse mit in Ihr Unternehmen.
0:45
Januar 2027, 10 Tage, eine Microsoft Community.
0:49
Die Registrierung ist jetzt geöffnet.
0:51
Gehen Sie auf m3565.com.net und sichern Sie sich noch heute Ihren Platz.
0:55
Das ist m3565.com.net.
1:00
Melden Sie sich jetzt auf m3565.com.net an.
1:03
Wir sehen uns live im Januar.
1:05
Haben Sie sich jemals gefragt, warum Ihre Datenmodelle trotz bester Absichten schwerfällig wirken?
1:08
Damit Sie nicht allein.
1:10
Heute zeige ich Ihnen, wo Co-Pilot Ihren Microsoft Tabric Workflow wirklich beschleunigt und wo es noch eine menschliche Note braucht.
1:15
Wir identifizieren die schwachstellenden Datenpipelines, beleuchten echte Co-Pilot-Anwendungsfälle und beantworten die Frage, kann ein KI-Assistent Rohdaten wirklich schneller in bessere Erkenntnisse verwandeln?
1:27
Kanter.
1:28
Bleiben Sie dran, denn die Antworten können Ihren Ansatz zur Datenmodellierung grundlegend verändern.
1:33
Vom Datendamp zum intelligenten Input dort, wo Co-Pilot seine Arbeit aufnimmt.
1:36
Falls Sie jemals eine Tabelle in Microsoft Tabric hochgeladen haben und es sofort bereut haben, sind Sie damit nicht allein.
1:40
Viele von uns gehen davon aus, dass die Datenbereinigung erst im Nachhinein erfolgt.
1:46
Dass ein wenig Geduld, Ruhe, Gewalt und ein paar Excel-Formeln des Chaos schon beheben werden.
1:52
Aber hier ist etwas, das viele völlig unvorbereitet trifft.
1:55
Co-Pilot wartet nicht darauf, dass Sie selbst bemerken, dass Sie ein Chaos verursacht haben.
1:59
Es beginnt mit dem Scan Ihrer Daten, sobald Sie diese verbinden.
2:02
Es geht nicht nur darum, nach leeren Zellen oder seltsamen Datumsangaben zu suchen.
2:05
Co-Pilot überprüft die Beschaffenheit Ihrer Quelle, analysiert Strukturen,
2:09
hebt falsch ausgerichtete Spalten hervor und markiert Datentypen, die Sie später behindern könnten.
2:14
Denn nee.
2:15
Die meisten Leute bemerken diese Dinge erst, wenn Sie mitten in einer Pipeline stecken, die bereits zum Scheitern verurteilt ist.
2:20
Co-Pilot erkennt das, bevor diese Zeitverschwendung überhaupt beginnt.
2:23
Nehmen wir an, Sie haben einen CSV-Export aus einem Drittsystem importiert.
2:26
Die Spaltenüberschriften sind inkonsistent, einige Felder sind zusammengewürfelt.
2:30
Und am schlimmsten, Ihre Datumsangaben sind in drei verschiedenen Formaten.
2:33
Anstatt nur darauf hinzuweisen, dass etwas nicht stimmt, geht Co-Pilot tiefer in die Analyse.
2:41
Es weist auf strukturelle Probleme hin und konzentriert sich dabei auf Spalten, die zwar im Schema existieren,
2:46
aber nicht in den Import einbezogen sind oder auf Felder mit gemischten Datentypen, an denen Power BI später scheitern würde.
2:52
Mehr nur, Co-Pilot zuckt nicht einfach mit den virtuellen Schultern und überlässt sie sich selbst.
2:55
Sie erhalten konkrete Handlungsempfehlungen, benennen Sie diese Überschriften für mehr Konsistenz um,
3:01
teilen Sie diese verschachtelte Spalte auf, vereinheitlichen Sie diese Datumsformate vor dem Import.
3:06
Stellen Sie sich vor, Sie verbinden sich zum ersten Mal mit einer API, vielleicht einem Marketing-Tool mit benutzerdefinierten Feldnamen
3:10
wie Jahresumsatz-USD in der einen und Umsatz-USD in der anderen Tabelle.
3:14
Während die meisten den Fehler erst bemerken würden, wenn die Zusammenführung der Tabellen fehlschlägt,
3:19
erkennt Co-Pilot die Diskrepanz sofort und schlägt eine einheitliche Benennung vor,
3:22
und basierend auf seinem Verständnis der Datenbeziehungen, Versiehungen.
3:25
Die Realität ist, dass nicht jede Datenquelle optimal aufbereitet ist.
3:29
Manche Quellen sind im Grunde chaotische Tabellen, und das ist wichtig,
3:32
da etwa 60% der Pipeline Fehler auf Probleme zurückzuführen sind,
3:35
die man bereits in diesem Stadium hätte erkennen können.
3:38
Diese Zahl ist nicht nur eine Taktik, um Angst zu verbreiten.
3:40
Sie stammt aus internen Studien, die die häufigsten Schwachstellen bei gescheiterten Datenprojekten innerhalb von Fabric untersuchen.
3:45
In der Suche. Co-Pilot spielt für Sie den Detektiv im Datenschungel.
3:48
Es zeigt nicht nur Probleme auf.
3:49
Es erklärt, warum Sie ein Problem darstellen und vor allem, was Sie dagegen tun können,
3:54
bevor Sie tagelang in einer endlosen Schleife bei der Fehlerbehebung feststecken.
3:59
Viele Tools verraten Ihnen erst, was falsch gelaufen ist, nachdem Sie auf Ausführen geklickt haben und alles zusammengebrochen ist.
4:03
Co-Pilot verfolgt einen intelligenteren Ansatz, indem es Vorschläge für die nächsten Schritte macht.
4:07
Zum Beispiel warnt es Sie, wenn IDs an einer Stelle als Text und an einer anderen als Zahl gespeichert sind,
4:11
und empfiehlt, Sie in einen gemeinsamen Typ zu konvertieren, noch bevor Sie eine Join-Anweisung ausführen.
4:16
Es lenkt Sie zudem auf bewährte Methoden, an die man nicht sofort denkt, wie etwa die Normalisierung bestimmter Tabellen
4:23
oder die Nutzung spezifischer Aufnahmeformate, die die Datentreue bewahren.
4:29
Das sind die Details, für die man normalerweise viel ausprobieren oder unzählige Male auf Stack Overflow suchen müsste, um sie richtig hinzubekommen.
4:35
Co-Pilot unterbricht diesen Kreislauf effektiv und führt Sie von Anfang an zu saubereren und besser nutzbaren Daten.
4:42
Manchmal sind die Überraschungen tatsächlich hilfreich.
4:44
Es geht nicht nur um Bereinigung, sondern auch um die Optimierung Ihrer Daten während des Inbruches.
4:48
Für größere Datensätze bietet Co-Pilot Partitionierungsstrategien an, indem es beispielsweise Ihre Verkaufsdaten nach Regionen unterteilt,
4:54
anstatt alles in eine einzige Tabelle zu stopfen.
4:56
Dies ist nicht nur eine bloße Anpassungsformat.
4:58
Partitionierte Daten können Modellaktualisierungen beschleunigen, Abfragezeiten verkürzen und Ihnen eine Menge Ärger im Backend ersparen.
5:03
Wir sprechen hier von spürbaren Leistungssteigerungen, die Sie bei einer manuellen Vorgehensweise möglicherweise komplett übersehen hätten.
5:09
Anstatt Ihnen nur einen Datenraster in der Vorschau zu zeigen, gibt Co-Pilot Ihnen einen Einblick,
5:12
wie sich diese Anpassungen auf Ihr zukünftiges Datenmodell auswirken würden.
5:16
Sie sehen ein visuelles Modell potenzieller Beziehungen, Kardinalitäten und sogar eine Zusammenfassung der prognostizierten Datenqualität nach Anwendung der Änderungen.
5:24
Wenn Sie Ihre Datenbereinigung auf diese Weise angehen, beseitigen Sie nicht nur ein Problem,
5:28
sondern verändern den gesamten nachgelagerten Prozess.
5:30
Wenn die Dateneingabe reibungslos verläuft, sind die Transformationen, die Sie später anwenden, schneller und effektiver.
5:35
Sie verbringen weniger Zeit damit herauszufinden, warum eine Verknüpfung fehlgeschlagen ist
5:38
oder warum Ihre Power BI Visualisierungen überall leer bleiben.
5:41
Sie vermeiden nicht nur Fehler, sondern bereiten Ihre Daten auf eine intelligentere, adaptive Verarbeitung in jeder folgenden Ebene vor.
5:48
Der Einsatz von Co-Pilot von Anfang an bedeutet genauere Modelle, weniger Überraschungen in letzter Minute
5:52
und Pipelines, die von Anfang bis Ende sinnvoll sind.
5:56
Das zahlt sich eindeutig aus.
5:58
Die Integration von Co-Pilot in Ihre Eingabephase schafft ein Fundament für jede Entscheidung, die Sie nachgelagert treffen.
6:03
Anstatt Fehler im Nachhinein zu beheben, erkennen und lösen Sie diese, wenn Sie am wichtigsten sind.
6:08
Das bedeutet, wenn es an der Zeit ist, Ihre Daten zu modellieren, starten Sie aus einer Position der Stärke heraus,
6:13
anstatt mühsam alles zu reparieren, was durchgerutscht ist.
6:15
Das bringt uns zu dem, was nach der Eingabe passiert, der schwierigen Zwischenphase.
6:19
Ihr wechselt Co-Pilot von intelligenten Vorschlägen zur praktischen Transformation und formt und verfeinert Ihre Daten automatisch mit demselben Maß an Erkenntnis.
6:28
Co-Pilots Transformations Engine verwandelt Datenchaos in Klarheit.
6:31
Sorge weit.
6:32
Nachdem Ihre Daten nun sauber ankommen, beginnt die eigentliche Artharbeit.
6:36
Die Transformationsebene ist der Punkt, an dem die meisten Projekte scheitern.
6:39
Nicht, weil die Tools fehlen, sondern weil die Anpassung der Geschäftslogik an eine Vielzahl von Tabellen schnell mühsam wird.
6:45
Denken Sie an all die Male, als Sie Daten geladen, nur um die nächste Stunde damit zu verbringen,
6:48
Felder zu verschieben, unverständliche Spalten umzubenennen und Formeln aus dem Gedächtnis zu schreiben.
6:53
Wir alle saßen schon vor einem Dutzend offener Join-Bedingungen und haben uns gefragt,
6:58
ob das Transaktionsdatum tatsächlich der letzte Kauf- oder nur ein Import-Zeitstempel ist.
7:02
Und wenn Sie auch nur ein einziges Power BI-Modell erstellt haben,
7:05
wissen Sie, wie eine fehlende Beziehung oder ein falscher Datentyp sich direkt auf jeden Bericht und jedes Dashboard auswirken kann.
7:12
Was Co-Pilot anders macht, ist, Sie aus dieser Falle des endlosen Ausprobierens zu befreien.
7:16
Es beobachtet, wie Sie die Daten formen, welche Spalten Sie zusammenführen, welche Tabellen Sie verknüpfen,
7:21
wo Sie die schwer zu dokumentierenden DAX-Berechnungen hinzufügen und schlägt Alternativen vor.
7:26
Manchmal, bevor Sie selbst merken, dass Sie sie brauchen.
7:29
Meile, stellen Sie sich vor, Sie erstellen einen Bericht für das Finanzteam.
7:33
Sie haben Transaktionsdaten mit Ihren Stammdaten verknüpft, aber die Zahlen stimmen immer noch nicht.
7:38
Äh, anstatt endlose Nachschlage, Tabellen zu durchforsten, schlägt Co-Pilot vor,
7:42
Verkäufe nicht nur monatlich, sondern nach Region zu aggregieren
7:44
und liefert sofort eine fertige DAX-Kennzahl für das Wachstum im Jahresvergleich.
7:48
Sie müssen die Formel wieder auswendig lernen, noch mühsam debuggen.
7:50
Sie erscheint als Vorschlag, inklusive Erklärungen dazu, was die Berechnung im Detail antreibt.
7:55
Es bleibt die Sorge, dass Co-Pilot die Dinge zu sehr vereinfacht oder eine subtile Regel übersieht,
8:00
die Sie mit einem Geschäftspartner in drei langen Sitzungen erarbeitet haben.
8:04
Ähm, das sind berechtigtes Bedenken.
8:07
KI kann keine Gedanken lesen und manchmal ist der erste Entwurf zu allgemein
8:10
und übersieht zum Beispiel, dass eine bestimmte Produktlinie in einer Berechnung nicht enthalten sein sollte.
8:16
Je länger Sie Co-Pilot jedoch nutzen, desto präziser werden die Empfehlungen.
8:19
Das System bittet um Feedback, wenn Sie einen Vorschlag überarbeiten oder ablehnen.
8:23
So merkt es sich die Nuancen für das nächste Mal, wenn Sie ein ähnliches Modell erstellen.
8:27
Es lernt nach und nach, was für Ihr Unternehmen wirklich zählt, im Gegensatz zu allgemeinen Annahmen.
8:31
Aus dem Hin und Her wird eine echte Zusammenarbeit statt nur eines einmaligen Hinweises.
8:35
Tatsächliche Nutzerdaten belegen dies.
8:36
Im letzten Jahr haben Studien gezeigt, dass KI-generierte DAX-Kennzahlen in Fabric
8:41
mittlerweile die Genauigkeit und Performance von Formeln erfahrener BI-Entwickler erreichen,
8:45
zumindest bei Standardaufgaben wie laufenden Summen, prozentualem Wachstum und Segmentfiltern.
8:51
Wo ein neuer Analyst stundenlang nach Fehlern sucht, warum eine Gesamtrendite-Kennzahl beim
8:57
Jahreswechsel versagt, wurden Co-Pilots Vorlagen für solche Szenarien an riesigen Datensätzen
9:01
und ungewöhnlichen Fällen getestet.
9:04
Ah.
9:05
Das bedeutet nicht, dass jede Formel perfekt ist, aber das Qualitätsniveau ist drastisch gestiegen.
9:09
Was Co-Pilot wirklich auszeichnet, ist nicht nur die Automatisierung der Grundlagen.
9:14
Es erkennt Performance-Probleme in ihren Schritten und weist aktiv darauf hin.
9:18
Wenn Sie fünf Abfragen verketten, wo zwei ausreichend würden, oder wenn Ihre Joints
9:21
in der falschen Reihenfolge die Aktualisierungszeiten verlangsamen, markiert es diese als Engpässe,
9:25
markiert es diese als Engpässe.
9:26
Sie erhalten gezielte Hinweise, Abfragen zusammenzuführen oder Schritte für mehr Effizienz,
9:29
nicht nur für mehr Korrektheit, um zu strukturieren.
9:31
Das sind die kleinen Details, die normalerweise erst auffallen, wenn das Modell an seine Grenzen
9:35
stößt oder Beschwerden über langsame Dashboards eingehen.
9:37
Co-Pilot stellt diese Warnung in den Vordergrund, damit Sie nicht rätseln müssen, warum Ihr
9:41
Arbeitsbereich bei wachsenden Datenmengen ins Stocken gerät.
9:43
Ein Aspekt der Datentransformation, der oft übersehen wird, ist die Dokumentation.
9:47
Je mehr Personen an einem Modell arbeiten, desto anfälliger und undurchsichtiger wird
9:51
es besonders, wenn man schnell arbeitet und keine Zeit findet, Schritte zu kommentieren
9:54
oder Notizen zu filtern zu hinterlassen.
9:57
Hier greift Co-Pilot ebenfalls ein.
9:59
Während Sie Transformationsschritte annehmen oder anpassen, erstellt es ein lesbares Änderungsprotokoll,
10:04
erfasst Ihre Beweggründe für Anpassungen und speichert dies als Metadaten im Modell.
10:09
Kollegen, die später einsteigen, müssen die Absicht hinter jeder Transformation nicht
10:12
erst mühsam rekonstruieren.
10:14
Sie sehen die Logik und die Geschäftsregeln in einfacher Sprache.
10:17
Wer schon einmal eine berechnete Spalte vor einem Prüfer rechtfertigen musste, kennt
10:20
den Aufwand, alte Projektnotizen herauszukramen.
10:23
Dank der automatischen Dokumentation von Co-Pilot können Sie schnell Erklärungen für jede Änderung
10:26
abrufen, inklusive Versionsverlauf.
10:29
Dass es nicht nur bequem ist, kann den Prozess um Tage verkürzen, wenn Modelle geprüft oder mit
10:32
neuen Teammitgliedern geteilt werden müssen.
10:35
Der entscheidende Effekt ist, Sie verlieren sich nicht länger in Syntax und Workarounds.
10:40
Stattdessen fließen die Stunden, die man sonst mit der Fehlersuche verbringt, in die Verfeinerung
10:45
des geschäftlichen Werts, präzisere Fragen oder das Testen neuer KPIs.
10:52
Wenn Sie auf Veröffentlichen klicken, ist die meiste Routinearbeit bereits erledigt oder wurde
10:56
von Co-Pilot markiert, sodass Sie sich auf die wirklich wichtigen Geschäftsentscheidungen
10:59
konzentrieren können.
11:00
Das führt direkt zu dem Punkt, an dem selbst erfahrene Analysten scheitern.
11:05
Daten so zu visualisieren, dass sie Antworten liefern, statt nur für Unordnung zu sorgen.
11:08
Statt nur für Unordnung zu sorgen.
11:10
Das Erstellen von Measures und das Bereinigen der Logik ist nur ein Teil.
11:13
Diese Zahlen in Visualisierung zu übersetzen, die konkrete Maßnahmen unterstützen, ist
11:15
eine ganz andere Herausforderung.
11:18
Hier sorgen die nächsten Vorschläge von Co-Pilot für einen spürbaren Unterschied.
11:22
Von Zahlen zu Narrativen.
11:24
Die visuellen Vorschläge von Co-Pilot in Power BI.
11:26
Saubere, logische Modelle in Fabric zu erstellen, ist der erste Schritt.
11:30
Aber seien wir ehrlich, die meisten Dashboards verstauben, weil die Visualisierungen nicht
11:34
das widerspiegeln, was die Zielgruppe wirklich interessiert.
11:38
Es gibt diese alte Gewohnheit, bei der man Power BI einfach Balkendiagramme auf eine Seite
11:42
werfen lässt, in der Hoffnung, dass eines davon einen Direktor beeindruckt und eine Frage
11:46
auslöst.
11:46
Doch wenn man sieht, wie Führungsteams mit ausdrucksloser Miene durch Berichtsseiten
11:51
scrollen, erkennt man das Problem.
11:54
Es mangelt nicht an Daten, sondern daran, dass die Visualisierungen keine Verbindung
11:56
zu den geschäftlichen Fragen herstellen, die tatsächlich gestellt werden.
12:00
Hier greift Co-Pilot ein und diesmal ist es nicht nur ein Nachholen.
12:03
Statt generische Visualisierungen in ihren Bericht zu werfen, setzt Co-Pilot auf ihr
12:06
Modell auf und führt einen Scan durch.
12:09
Es liest nicht nur ihre Felder, sondern auch die Beziehungen zwischen ihnen, ihre berechneten
12:12
Measures und die Ebenen, die sie in ihrer Pipeline aufgebaut haben.
12:15
Hier beginnt der Wandel.
12:17
Nehme zum Beispiel an, sie erstellen einen Verkaufsbericht für die Geschäftsführung.
12:20
Sie haben Regionen, Produkte und Gewinnkennzahlen und wissen, dass die Führungsebene kein weiteres
12:24
einfaches Liniendiagramm sehen will, das wie jeder andere Bericht aus dem letzten Jahr
12:27
aussieht.
12:28
Co-Pilot analysiert ihre Struktur und schlägt ein Wasserfalldiagramm vor, um zu verdeutlichen,
12:33
wie jeder Kosten- und Erlösfaktor zum Gesamtgewinn beiträgt, sodass die Aufschlüsselung eine
12:36
Geschichte erzählt, statt nur Balken zu stapeln.
12:39
Für den Umsatz nach Regionen erhalten sie statt einer weiteren Säulengruppe eine Empfehlung
12:43
für eine Kartendarstellung, die hervorhebt, wo die Leistung die Ziele übertrifft und
12:47
nicht nur, wo die Umsätze in absoluten Zahlen am höchsten sind.
12:51
Es stellt sich immer die Frage, bietet Co-Pilot ihnen etwas wirklich Wirkungsvolles oder verpasst
12:55
es den alten Daten nur einen schicken Anstrich?
12:58
Der Unterschied liegt an der zusätzlichen Erläuterung, die sie erhalten.
13:01
Wenn Co-Pilot die vorgeschlagene Visualisierung einfügt, bleibt es nicht bei einem Hier ist ein
13:04
Wasserfalldiagramm.
13:04
Es erklärt genau, warum das Wasserfalldiagramm effektiv ist, vielleicht weil ihr Datensatz
13:09
mehrere additive und subtraktive Werte enthält, sodass die Struktur des Diagramms den Weg des
13:12
Gewinns direkt widerspiegelt, anstatt Details hinter einer Gesamtsumme zu verbergen.
13:19
Bei einer Karte kann Co-Pilot darauf hinweisen, dass ihr Modell geografische Felder mit direktem
13:24
Bezug zu Vertriebskennzahlen enthält, was das Layout nützlicher macht als eine herkömmliche
13:28
Tabelle.
13:29
Viele Berichtstools überlassen es, dem Nutzer zu erraten, was gut aussehen könnte und hinterlassen
13:35
ihnen dann ein Dashboard, das zwar technisch korrekt, aber wenig aufschlussreich ist.
13:40
Co-Pilot kommt ihnen entgegen und erkennt, welche Visualisierungen nicht nur zum Feldtyp,
13:44
sondern auch zur Analyseausrichtung passen.
13:46
Dieser kleine Anstoß kann den Unterschied machen zwischen einem Bericht, auf den in Meetings
13:48
Bezug genommen wird und einem, der stillschweigend ignoriert wird.
13:51
Es gibt Untersuchungen, die dies belegen.
13:54
Studien zur Nachverfolgung von Power BI-Nutzersitzungen zeigen, dass die Einbindung von Co-Pilot's
13:57
visuellen Vorschlägen zu einer schnelleren Fertigstellung der Berichtsentwurfsphase führt
14:00
und die Zeit teilweise um bis zu 40% verkürzt.
14:03
Und die Zeit.
14:05
Noch interessanter ist, dass die Interaktion mit diesen Berichten zunimmt, weil Endnutzer
14:08
etwas sehen, das auf ihre Bedürfnisse zugeschnitten ist, anstatt einer Wand aus einerlei.
14:13
Berichte, die mit Co-Pilots Input erstellt wurden, werden intern auch häufiger geteilt,
14:16
was darauf hindeutet, dass die Leute den Erkenntnissen ein wenig mehr vertrauen.
14:20
Äh.
14:20
Trotz all dieser Empfehlungen stapelt Co-Pilot nicht einfach nur Visualisierungen, um für
14:24
Abwechslung zu sorgen.
14:25
Um für Abwechslung zu sorgen.
14:27
Es übernimmt auch eine Art Triage.
14:28
Nehmen wir an, sie haben zehn Segmente in ein Kreisdiagramm eingefügt oder eine Tabelle
14:31
mit so vielen Zahlen erstellt, dass die Zahlen erstellt, dass die Zahlen verschwinden.
14:34
Co-Pilot markiert diese Entscheidungen als problematisch.
14:38
Stattdessen schlägt es ihnen möglicherweise vor, für klarere Vergleiche ein Balkendiagramm
14:41
zu verwenden oder einen Zerlegungsbaum zu nutzen, um einen Ausreißer zu untersuchen,
14:44
der in einem unübersichtlichen Tortenstück verloren geht.
14:46
Das bedeutet, Co-Pilot bewahrt sie vor den gängigen Fallstrecken, bei denen eine schicke
14:51
Visualisierung das Wesentliche verbirgt oder, noch schlimmer, jemanden zu einer falschen
14:54
Schlussfolgerung führt.
14:56
Formatierung ist viel wichtiger, als die meisten Leute denken und dies ist einer der
14:59
Bereiche, den Co-Pilot nicht übersieht.
15:01
Vielleicht kaschiert ihre Achsen-Skalierung Trends und lässt Veränderungen flacher erscheinen,
15:04
obwohl sie für das Unternehmen wichtig sind.
15:07
Oder vielleicht entspricht ihre Farbpalette nicht den Barrierefreiheitsrichtlinien, was es für
15:10
einige Nutzer schwieriger macht, Unterschiede bei Datenpunkten zu erkennen.
15:12
Wer kennt?
15:13
Co-Pilot schlägt nicht nur Formatierungsanpassungen vor, wie das Korrigieren
15:16
von Achsen, das Anpassen von Datenbeschriftungen oder den Wechsel zu einer kontrastreichen
15:19
Palette, sondern erklärt auch, warum diese Entscheidungen wichtig sind, sondern Erklärungen
15:23
wichtig sind.
15:24
Diese Impulse führen zu Visualisierungen, die nicht nur den Standards entsprechen, sondern
15:28
auch besser lesbar sind und auf verschiedenen Geräten besser funktionieren.
15:32
Es gibt Berichte von Anwendern, die Vorschläge ausprobiert haben, die sie sonst ignoriert hätten.
15:36
Ein Anwender, der an einem regionalen Vertriebsmodell arbeitete, sah wie Co-Pilot einen Zerlegungsbaum
15:42
anstelle einer flachen Zusammenfassung empfahl.
15:44
Dies brachte nicht nur eine übersehene Anomalie ans Licht einer Region, die in der Zusammenfassung
15:47
durchschnittlich aussah, in einer Kategorie jedoch stark anstieg, sondern löste tatsächlich
15:51
ein Projekt zur Behebung eines Vertriebszuordnungsfehlers aus, der sonst vielleicht noch ein weiteres
15:55
Quartal unentdeckt geblieben wäre.
15:56
Die Erkenntnis daraus, manchmal ist die beste Visualisierung nicht die offensichtlichste.
16:00
Die Engine von Co-Pilot lernt die Beziehung in ihrem Modell und die Absicht hinter ihren
16:04
KPIs kennen, was ihnen die Chance gibt, Dinge aufzudecken, nach denen sie gar nicht
16:07
gesucht hätten.
16:09
Diese visuellen Vorschläge dienen also nicht nur dazu, Dinge für ein Meeting hübscher
16:12
zu gestalten.
16:14
Sie dienen dazu, Ansichten zu erstellen, die Diskussionen anregen, auf Probleme hinweisen
16:17
und reale Geschäftsentscheidungen direkt unterstützen.
16:21
Die Grundlage des Modells bedeutet also nichts, wenn die Leute ihre Dashboards nicht tatsächlich
16:24
nutzen, um zu handeln.
16:25
Wenn Sie anfangen, diese maßgeschneiderten Visualisierungen und klaren Formatierungen
16:29
zu sehen, erhalten Sie mehr als nur Engagement, Sie erhalten Handlung.
16:31
Als nächstes gibt es die Lernkurve, die nicht nur Co-Pilot betrifft, sondern auch Sie,
16:35
Sir.
16:37
Die Feedback-Schleife, die Ihren Datenmodellierungs-Workflow mit der Zeit präziser macht.
16:42
Die Feedback-Schleife trainiert Co-Pilot und Ihren eigenen Daten-EQ.
16:45
Die meisten Leute sehen Co-Pilot als eine Vorschlagsmaschine.
16:48
Er gibt Ihnen Empfehlungen.
16:49
Sie nehmen sie entweder an oder Sie lehnen sie ab.
16:51
Aber wenn man genauer hinsieht, ist die Beziehung etwas komplizierter und ehrlich
16:55
gesagt klüger als eine Einbahnstraße.
16:59
Jedes Mal, wenn Sie Feedback an Co-Pilot senden, sei es, dass Sie die neue DAX-Formel akzeptieren
17:03
oder eine vorgeschlagene Spaltenkombination überschreiben, optimieren Sie nicht nur die
17:07
KI, sondern überdenken mit jeder Anpassung auch Ihre eigene Logik.
17:12
Ein bisschen wie der Moment, in dem man die Route eines Autopiloten ändert und gezwungen
17:14
ist, seine Karte noch einmal zu überprüfen.
17:16
Der Co-Pilot von Fabric schreibt keine Notizen auf ein unbeschriebenes Blatt.
17:21
Er nimmt Ihren Workflow aktiv auf und passt sich an, was nach einer Weile dazu führt, dass
17:25
Sie Ihre Entscheidungsfindung verändern.
17:27
Stellen Sie sich vor, Sie haben einen halben Tag damit verbracht, ein ziemlich standardmäßiges
17:31
Verkaufsmodell zu erstellen und gerade als Sie Co-Pilots empfohlen das Gesamtergebnismaß
17:34
akzeptieren wollen, wirft er eine Berechnung ein, von der Sie wissen, dass sie nicht Ihrem
17:37
Berichtsstandard entspricht.
17:39
Vielleicht hat es einen Ausschluss für Partnerrabatte übersehen oder eine Promoaktion einbezogen,
17:43
die hätte getrennt werden müssen.
17:44
Ha, Sie ändern die Formel.
17:46
Sofort fragt Co-Pilot nach dem Kontext, einer kurzen Beschreibung oder einer Bestätigung
17:49
der von Ihnen angewandten Regel, Regel.
17:52
Das Wichtige hierbei ist, dass Ihre Eingabe nicht im Nichts verschwindet.
17:55
Wenn Sie das nächste Mal ein Modell mit ähnlichen Daten erstellen, erinnert sich Co-Pilot daran.
17:59
Kein fälschliches Annehmen mehr, dass jeder Umsatz tatsächlicher Gewinn ist und sicher
18:02
kein Vergessen mehr Partnerrabatte in Quartalsberichten wegzulassen.
18:06
Ihr Feedback fließt also in jeden späteren Vorschlag ein, auf eine Weise, die die meisten nicht
18:11
erwarten würden.
18:11
Bei diesem Prozess geht es nicht nur um Effizienz, sondern um Genauigkeit von Version zu Version.
18:16
Es gibt eine Hemmschwelle, die man überwinden muss.
18:19
Die Vorstellung, dass es riskant ist, eine KI ihre Korrekturen beobachten und daraus lernen
18:22
zu lassen, ist verständlich.
18:24
Wenn Sie Co-Pilot etwas Falsches mitteilen, verankert es sich dann an diesem Fehler.
18:28
Was ist, wenn es eine ungeschickte Übergangslösung übernimmt, die Sie nur für eine Deadline
18:30
genutzt haben und Sie dann zum Standard erklärt?
18:32
Diese Sorge ist nicht abwegig.
18:34
Unternehmen möchten nicht, dass Ihre Geschäftslogik abweicht, ohne dass Sie nachverfolgen können,
18:37
wie sich diese verändert, wie sich diese verändern.
18:39
Aber der Punkt ist, Co-Pilots Design in Fabric sorgt dafür, dass es immer nach Input fragt,
18:43
wenn eine Änderung oder Ablehnung stattfindet, windet.
18:46
Dieser laufende Kommentar, die kleinen Gründe und Notizen werden als Teil des Feedbackzyklus
18:50
aufgezeichnet.
18:51
Mit der Zeit hilft dieses Protokoll, die Empfehlungen so zu steuern, dass Sie Ihren spezifischen
18:56
Geschäftsregeln entsprechen und nicht nur generischen Vorgaben.
19:01
Je mehr Sie interagieren, desto unternehmensspezifischer wird die KI.
19:04
Und falls Sie eine Angewohnheit rückgängig machen müssen, ist dies nachvollziehbar und
19:07
erklärbar.
19:08
Das Ergebnis ist eine sich entwickelnde Engine, die flexibler wird statt starrer.
19:12
Ein Team, mit dem ich arbeitete, ignorierte anfangs die Hälfte der Vorschläge von Co-Pilot.
19:16
Ihre ersten Modelle waren Standard einfache Verknüpfungen, ein paar langweilige Visualisierungen,
19:20
nichts, das wirklich herausstach.
19:23
Aber als Sie begannen, darauf zu reagieren, Visualisierungen abzulehnen, DAX für neue
19:27
Produktlinien zu überarbeiten und zu erklären, warum ein Transformationsschritt wichtig war,
19:30
änderte sich etwas.
19:33
Innerhalb eines Monats schlug Co-Pilot nicht nur weniger generische Ergebnisse vor, es
19:36
erstellte Visualisierungen, die die KPIs des Unternehmens widerspiegelten, und schlug
19:40
sogar Transformationen vor, die zu Ihren neuen Geschäftsprozessen passten.
19:45
Ihre Pipeline wurde zudem schneller, da die wiederholten Korrekturen Co-Pilot-Informationen
19:49
lieferten, die es aus dem Standardmodus in ein individuelleres Muster zwangen.
19:54
Durch die Verknüpfung von Feedback-Schleifen mit den realen Geschäftsanforderungen beschlossen
19:57
sieht, die Lücke zwischen ausreichend guten Modellen und Ergebnissen, die einer ernsthaften
20:01
Prüfung standhielten.
20:02
Es sind nicht nur Anekdoten, die diesen Punkt belegen.
20:05
Studien untersuchen derzeit, wie die aktive Arbeit mit dem Feedback-Zyklus von Co-Pilot
20:08
den Fortschritt beschleunigt.
20:10
Teams, die regelmäßig Feedback geben, ob positiv, negativ oder nur durch kleine erklärende Hinweise,
20:14
stellen fest, dass die Fehlerraten bei der Modellierung sinken.
20:16
Das Berichtswesen wird relevanter und die Genauigkeit berechneter Kennzahlen nimmt zu.
20:20
Nimmt zu.
20:21
Aktuelle Zahlen zeigen des engagierten Teams eine Steigerung der allgemeinen Berichtsgenauigkeit
20:25
und Präzision um etwa 30% erzielen im Vergleich zu Gruppen, die Vorschläge nur passiv annehmen
20:29
oder ablehnen, ohne Kontext hinzuzufügen, ohne Kontext hinzuzufügen.
20:33
Die Schlussfolgerung ist hier keine Magie, sondern gezieltes Lernen durch Interaktion.
20:37
Je mehr Co-Pilot sieht und je stärker sie es zu Erklärungen oder Verfeinerungen zwingen,
20:41
desto besser entsprechen ihre Datenmodelle den geschäftlichen Anforderungen.
20:44
Überraschenderweise trainiert dieses Feedback-System nicht nur die KI.
20:49
Immer mehr Anwender berichten, dass das Überprüfen und Korrigieren der Co-Pilot-Ergebnisse
20:53
ihren eigenen Modellierungsansatz optimiert.
20:56
Das klingt seltsam, zeigt sich aber daran, wie Menschen beginnen, Probleme vorherzusehen,
20:59
verborgene Logikfehler zu erkennen oder sogar Dokumentationen hinzuzufügen,
21:03
wo sie sich früher nie die Mühe gemacht haben.
21:04
Anstatt alles ungeprüft zu akzeptieren, gewöhnen sich Teams an, Empfehlungen zu hinterfragen,
21:10
Formeln zu bearbeiten und bewusster darüber nachzudenken,
21:12
warum bestimmte Visualisierungen funktionieren und andere nicht.
21:16
Es ist mittlerweile üblich, dass sich Anwender fast nebenbei Best Practices
21:19
für die Modellierung aneignen, Gewohnheiten, die sie dem Erklären von Korrekturen
21:22
oder der Verteidigung einer Logikanpassung gegenüber Co-Pilot zuschreiben.
21:25
Es geht hier nicht darum, sich selbst durch Automatisierung überflüssig zu machen,
21:29
sondern darum, das eigene Datengespür weiterzuentwickeln, während das System mit ihnen reift.
21:33
Die Nutzung von Co-Pilot ist also keine passive Erfahrung.
21:36
Es ist eine Partnerschaft, die im Laufe der Zeit sowohl das Werkzeug als auch den Anwender schärft.
21:40
Je mehr sie in Feedback investieren, desto präziser werden ihre Modelle, Berichte und Dashboards.
21:45
Ihr Arbeitsablauf entwickelt sich weiter.