Latest / M365.FM – Podcast Microsoft 365, Copilot & IA en français / Copilot dans Microsoft Fabric : nettoyer, transformer et optimiser vos modèles de données avec l’IA (Doublage IA)

Transcript

Copilot dans Microsoft Fabric : nettoyer, transformer et optimiser vos modèles de données avec l’IA (Doublage IA) · M365.FM – Podcast Microsoft 365, Copilot & IA en français

• 0:00
  Speaker 2: Prêt pour 10 jours consacrés à Microsoft 365, Copilot, l'IA,
• 0:04
  Speaker 2: Azure et aux personnes qui façonnent l'avenir du travail, M.
• 0:07
  Speaker 2: En janvier prochain, la M365Con revient et nous voyons encore
• 0:11
  Speaker 2: plus grand M. Rejoignez-nous pour des sessions en direct, des
• 0:14
  Speaker 2: démonstrations concrètes et des connaissances pratiques partagées par des MVP,
• 0:17
  Speaker 2: des experts du monde entier. Fini les diapositives génériques et
• 0:20
  Speaker 2: les mots à la mode sans fin. Nous abordons les
• 0:22
  Speaker 2: vrais défis. Copilot Studio, les agents IA, Fabric, la sécurité,
• 0:27
  Speaker 2: la gouvernance et l'automatisation. Que vous soyez professionnel de l'IT,
• 0:31
  Speaker 2: développeur ou dirigeant, des sessions sont conçues pour vous. Sur
• 0:35
  Speaker 2: 10 jours complets, vous pourrez explorer de multiples technologies et
• 0:38
  Speaker 2: échanger avec une communauté mondiale. Suivez le direct et rapportez
• 0:42
  Speaker 2: des idées pratiques au sein de votre organisation. Janvier 2027,
• 0:46
  Speaker 2: 10 jours. Une seule communauté, Microsoft. Les inscriptions sont désormais ouvertes.
• 0:51
  Speaker 2: Rendez-vous sur m365one. net pour réserver votre place dès aujourd'hui. C'est m365one. net. net.
• 1:00
  Speaker 2: Scrivez-vous sur m365un. net et nous vous attendons. En direct en
• 1:04
  Speaker 2: janvier
• 1:05
  Speaker 3: Vous êtes-vous déjà demandé pourquoi vos modèles de données semblent
• 1:07
  Speaker 3: lourds malgré vos meilleures intentions? Vous n'êtes pas seul. Aujourd'hui,
• 1:10
  Speaker 3: je vous montre où Copilot accélère réellement votre flux de
• 1:12
  Speaker 3: travail Microsoft Fabric et où l'intervention humaine reste nécessaire. Nous
• 1:16
  Speaker 3: identifierons les points critiques des pipelines de données, mettrons en
• 1:19
  Speaker 3: avant des cas d'usage réels de Copilot et répondrons à
• 1:21
  Speaker 3: la question« Un assistant IA peut-il vraiment transformer vos données
• 1:24
  Speaker 3: brutes en meilleures informations plus rapidement?» plus rapidement. Restez avec nous,
• 1:29
  Speaker 3: car les réponses pourraient totalement transformer votre approche de la
• 1:31
  Speaker 3: modélisation de données. Du déversement de données à l'entrée intelligente,
• 1:35
  Speaker 3: le copilote commence à travailler. Si vous avez déjà téléchargé
• 1:38
  Speaker 3: une feuille de calcul dans Microsoft Fabric pour le rusetter instantanément,
• 1:40
  Speaker 3: sachez que vous n'êtes pas seul. Seul. Beaucoup d'entre nous
• 1:43
  Speaker 3: supposent que le nettoyage des données se fait après coup,
• 1:46
  Speaker 3: qu'un peu de patience, de la force brute et quelques
• 1:49
  Speaker 3: formules Excel peuvent réparer le désordre. Mais voici quelque chose
• 1:52
  Speaker 3: qui prend beaucoup de monde. Au dépourvu, SOAP. Copilot n'attend
• 1:56
  Speaker 3: pas que vous découvriez que vous avez créé un désordre. 1.
• 1:59
  Speaker 3: Il commence à analyser vos données dès l'instant où vous
• 2:01
  Speaker 3: les connectez. Il ne s'agit pas seulement de vérifier les
• 2:03
  Speaker 3: cellules vides ou les dates inhabituelles. Copilot examine réellement la
• 2:07
  Speaker 3: structure de votre source, décortique les agencements, souligne les colonnes
• 2:10
  Speaker 3: qui ne correspondent pas et signale les types de données
• 2:12
  Speaker 3: qui vous poseront problème plus tard. Et... La plupart des
• 2:16
  Speaker 3: gens ne voient ces erreurs qu'à mi-chemin de la construction
• 2:18
  Speaker 3: d'un pipeline déjà condamné. Copilot intervient avant même que cette
• 2:22
  Speaker 3: perte de temps ne commence. Imaginez que vous ayez importé
• 2:24
  Speaker 3: un export CSV depuis un système tiers. Les entêtes de
• 2:27
  Speaker 3: colonnes sont incohérentes, certains champs sont fusionnés et, pire encore,
• 2:31
  Speaker 3: vos dates sont sous trois formats différents. Au lieu de
• 2:35
  Speaker 3: simplement signaler qu'une anomalie est présente, Copilot va plus loin.
• 2:42
  Speaker 3: Il identifie les problèmes structurels en ciblant les colonnes présentes
• 2:45
  Speaker 3: dans le schéma mais absentes de votre importation ou les
• 2:48
  Speaker 3: champs au type de données mixtes qui bloqueront Power BI
• 2:50
  Speaker 3: par la suite. Qui plus est qu'au pilote ne se
• 2:53
  Speaker 3: contente pas de hausser les épaules et de vous laisser
• 2:55
  Speaker 3: vous débrouiller, vous recevrez des recommandations exploitables. Renommez ces entêtes
• 3:00
  Speaker 3: pour assurer la cohérence, divisez cette colonne imbriquée, normalisez ces
• 3:03
  Speaker 3: formats de date avant l'importation. Imaginez que vous connectiez à
• 3:07
  Speaker 3: une API pour la première fois, peut-être un outil marketing
• 3:09
  Speaker 3: avec des noms de champs personnalisés comme« Vente annuelle USDGB
• 3:12
  Speaker 3: dans une table» et« Vente USDGB dans une autre». Là
• 3:15
  Speaker 3: où la plupart des gens ne remarqueraient l'incohérence qu'après l'échec
• 3:17
  Speaker 3: de la jointure, Copilot signale le problème immédiatement et suggère
• 3:21
  Speaker 3: une nomenclature unifiée basée sur sa compréhension des relations de données.
• 3:25
  Speaker 3: La réalité est que toutes les sources de données ne
• 3:27
  Speaker 3: sont pas exemplaires. Certaines sources sont un véritable chaos dans
• 3:30
  Speaker 3: un tableur, ce qui est crucial car environ 60% des
• 3:33
  Speaker 3: erreurs de pipeline proviennent de problèmes que vous auriez pu
• 3:36
  Speaker 3: détecter à ce stade. Ce chiffre n'est pas juste une
• 3:39
  Speaker 3: tactique pour vous faire peur. Il provient d'études internes qui
• 3:41
  Speaker 3: suivent les points de blocage les plus courants dans les
• 3:43
  Speaker 3: projets de données ayant échoué au sein de Fabric. Copilot
• 3:46
  Speaker 3: joue le rôle de détective pour nettoyer vos données. Il
• 3:48
  Speaker 3: ne se contente pas de faire remonter les problèmes. Il
• 3:51
  Speaker 3: vous explique pourquoi ce sont des problèmes et surtout quoi
• 3:53
  Speaker 3: faire pour les résoudre avant que vous ne perdiez des
• 3:55
  Speaker 3: jours coincés dans une boucle de dépannage de pipeline. Beaucoup
• 3:59
  Speaker 3: d'outils vous diront ce qui ne va pas une fois
• 4:00
  Speaker 3: que vous aurez lancé l'exécution et que tout aura planté.
• 4:04
  Speaker 3: Copilot adopte une approche plus intelligente en proposant les prochaines étapes.
• 4:07
  Speaker 3: Par exemple, il vous signalera si vos identifiants sont stockés
• 4:10
  Speaker 3: sous forme de texte à un endroit et de nombre
• 4:12
  Speaker 3: à un autre, puis vous recommandera de les convertir en
• 4:14
  Speaker 3: un type commun, avant toute instruction de jointure. Il vous
• 4:18
  Speaker 3: oriente également vers des bonnes pratiques, auxquelles vous ne pensez
• 4:21
  Speaker 3: pas forcément, comme vous suggérez de normaliser certaines tables, ou
• 4:24
  Speaker 3: d'utiliser des formats d'ingestion spécifiques qui préservent la fidélité des colonnes.
• 4:29
  Speaker 3: Ce sont le genre de détails qui demandent habituellement des
• 4:31
  Speaker 3: essais-erreurs ou une multitude de recherches sur Stack Overflow pour
• 4:34
  Speaker 3: être maîtrisés à un Copilo court-circuite efficacement ce cycle et
• 4:38
  Speaker 3: vous pousse vers des données plus propres et plus utilisables
• 4:40
  Speaker 3: dès le départ. Parfois, les surprises sont réellement utiles. Il
• 4:44
  Speaker 3: ne s'agit pas seulement de nettoyer, mais d'optimiser vos données
• 4:47
  Speaker 3: dès leur arrivée. Pour les jeux de données plus volumineux,
• 4:50
  Speaker 3: Copilo propose des stratégies de partitionnement, comme diviser vos données
• 4:53
  Speaker 3: de vente par région au lieu de tout entasser dans
• 4:55
  Speaker 3: une seule table. Ce n'est pas juste un ajustement de forme.
• 4:58
  Speaker 3: Les données partitionnées peuvent accélérer les actualisations de modèles, réduire
• 5:01
  Speaker 3: les temps de requêtes et vous épargner bien des mots
• 5:02
  Speaker 3: de tête en arrière-plan. Nous parlons de gains de performance
• 5:04
  Speaker 3: tangibles que vous auriez pu complètement négliger en procédant manuellement,
• 5:08
  Speaker 3: en procédant manuellement. Au lieu de simplement vous montrer une
• 5:11
  Speaker 3: grille de données en mode aperçu, Copilot vous donne un
• 5:12
  Speaker 3: aperçu de l'impact de ces ajustements sur votre futur modèle
• 5:14
  Speaker 3: de données. Vous voyez une maquette visuelle, des relations potentielles,
• 5:19
  Speaker 3: des cardinalités et même un résumé de la qualité de
• 5:21
  Speaker 3: données prédite après l'application des modifications. Aborder le nettoyage de
• 5:26
  Speaker 3: vos données de cette manière ne fait pas qu'éliminer un casse-tête,
• 5:28
  Speaker 3: cela transforme tout le processus en aval. Lorsque l'ingestion est fluide,
• 5:32
  Speaker 3: les transformations appliquées par la suite sont plus rapides et
• 5:34
  Speaker 3: plus efficaces. Vous passez moins de temps à chercher pourquoi
• 5:37
  Speaker 3: une jointure a échoué ou pourquoi vos visuels Power BI
• 5:39
  Speaker 3: sont vides. Vous ne vous contentez pas d'éviter les bugs,
• 5:42
  Speaker 3: vous préparez vos données pour un traitement plus intelligent et
• 5:45
  Speaker 3: adaptatif dans chaque couche suivante. Utiliser Copilot dès le début
• 5:49
  Speaker 3: signifie des modèles plus précis, moins de surprises de dernière
• 5:52
  Speaker 3: minute et des pipelines qui ont réellement du sens de
• 5:55
  Speaker 3: bout en bout. Le bénéfice est clair. Intégrer Copilot à
• 5:59
  Speaker 3: votre étape d'ingestion pose les bases de chaque décision que
• 6:01
  Speaker 3: vous prendrez par la suite. Au lieu de corriger les
• 6:04
  Speaker 3: erreurs après coup, vous les voyez et les résolvez au
• 6:06
  Speaker 3: moment où elles comptent le plus. Cela signifie qu'au moment
• 6:10
  Speaker 3: de transformer et de modéliser vos données, vous partez sur
• 6:12
  Speaker 3: de bonnes bases sans avoir à réparer ce qui a
• 6:14
  Speaker 3: été négligé. Ce qui nous amène à ce qui se
• 6:17
  Speaker 3: passe après l'ingestion, la phase intermédiaire complexe. C'est ici que
• 6:20
  Speaker 3: Copilot passe des suggestions intelligentes à la transformation pratique en
• 6:23
  Speaker 3: façonnant et en affinant automatiquement vos données avec le même
• 6:26
  Speaker 3: niveau d'analyse. Transformez le chaos des données en clarté grâce
• 6:30
  Speaker 3: au moteur de transformation de Copilot. Maintenant que vos données
• 6:33
  Speaker 3: sont propres dès l'arrivée, le vrai travail commence. La couche
• 6:36
  Speaker 3: de transformation est là où la plupart des projets achoppent,
• 6:39
  Speaker 3: non par manque d'outils mais parce qu'aligner la logique métier
• 6:41
  Speaker 3: sur des tables désordonnées devient vite fastidieux, devient vite fastidieux.
• 6:46
  Speaker 3: Pensez à toutes les fois où vous avez chargé des données,
• 6:48
  Speaker 3: pour passer l'heure suivante à déplacer des champs, renommer des
• 6:50
  Speaker 3: colonnes incohérentes et écrire des formules de mémoire. Nous nous
• 6:55
  Speaker 3: sommes tous retrouvés avec une douzaine de conditions de jointure ouvertes,
• 6:57
  Speaker 3: à nous demander si cette date de transaction est réellement
• 6:59
  Speaker 3: le dernier achat ou juste un eurodatage d'importation. Et si
• 7:02
  Speaker 3: vous avez construit ne serait-ce qu'un seul modèle Power BI,
• 7:04
  Speaker 3: vous savez à quel point une relation manquante ou un
• 7:07
  Speaker 3: type de données erronées peut se répercuter sur chaque rapport
• 7:10
  Speaker 3: et tableau de bord et... Ce que Copilot fait différemment,
• 7:14
  Speaker 3: c'est vous sortir du piège des essais-erreurs sans fin. Il
• 7:17
  Speaker 3: observe comment vous façonnez les données, quelles colonnes vous fusionnez,
• 7:20
  Speaker 3: quelles tables vous joignez ou vous ajoutez ces calculs d'axes
• 7:23
  Speaker 3: difficiles à documenter et il propose des alternatives, parfois, avant
• 7:26
  Speaker 3: même que vous ayez réalisé en avoir besoin. Imaginez que
• 7:31
  Speaker 3: vous prépariez un rapport pour l'équipe financière. Vous avez lié
• 7:34
  Speaker 3: les données transactionnelles avec votre base client, mais les chiffres
• 7:36
  Speaker 3: ne tombent toujours pas justes, mais qu'au lieu de parcourir
• 7:39
  Speaker 3: des Table de correspondance, Copilot suggère d'agréger les ventes par
• 7:42
  Speaker 3: région et non seulement par mois, puis génère une mesure
• 7:44
  Speaker 3: d'axe prête à l'emploi pour la croissance annuelle. Vous n'avez
• 7:48
  Speaker 3: pas besoin de mémoriser ou de déboguer la formule. Elle
• 7:50
  Speaker 3: apparaît sous forme de suggestion, accompagnée d'explications sur ce qui
• 7:54
  Speaker 3: motive le calcul. On peut craindre que Copilot ne simplifie
• 7:57
  Speaker 3: trop les choses ou qu'il oublie une règle subtile définie
• 8:00
  Speaker 3: avec un partenaire commercial au fil de trois longues réunions
• 8:05
  Speaker 3: et une préoccupation légitime. L'IA n'est pas devin, et parfois
• 8:09
  Speaker 3: la première suggestion est trop générale, oubliant par exemple qu'une
• 8:12
  Speaker 3: gamme de produits ne devrait pas être incluse dans un
• 8:15
  Speaker 3: calcul donné. Cependant, plus vous utilisez Copilot, plus ces recommandations
• 8:18
  Speaker 3: deviennent précises. Le système demande un retour à chaque fois
• 8:21
  Speaker 3: que vous révisez ou rejetez l'une de ses suggestions, donc
• 8:23
  Speaker 3: la prochaine fois que vous créerez un modèle similaire, il
• 8:25
  Speaker 3: se souviendra de cette nuance. Il apprend progressivement ce qui
• 8:28
  Speaker 3: compte vraiment pour votre organisation par rapport aux hypothèses génériques.
• 8:31
  Speaker 3: Cet échange se transforme en une collaboration plutôt qu'en une
• 8:33
  Speaker 3: simple indication ponctuelle. Les données réelles des utilisateurs confirment ce point.
• 8:38
  Speaker 3: L'année dernière, des études ont montré que les mesures d'axe
• 8:40
  Speaker 3: générées par l'IAD en fabrique égalent désormais la précision et
• 8:42
  Speaker 3: la performance des formules écrites par des développeurs BI expérimentés,
• 8:46
  Speaker 3: du moins pour les tâches métiers standards, comme les cumuls,
• 8:49
  Speaker 3: les pourcentages de croissance et le filtrage de segments. Alors
• 8:53
  Speaker 3: qu'un nouvel analyste pourrait passer des heures à chercher pourquoi
• 8:55
  Speaker 3: une mesure de rendement total échoue lors des transitions annuelles,
• 8:58
  Speaker 3: les modèles de copilote pour ces scénarios ont été testés
• 9:00
  Speaker 3: sur des ensembles de données massifs et des cas inhabituels.
• 9:05
  Speaker 3: Cela ne signifie pas que chaque formule est parfaite, mais
• 9:07
  Speaker 3: le niveau de qualité a considérablement augmenté. Là où Copilot
• 9:11
  Speaker 3: se distingue vraiment, ce n'est pas seulement dans l'automatisation des bases.
• 9:14
  Speaker 3: Il détecte les problèmes de performance dans vos étapes et signale.
• 9:18
  Speaker 3: Si vous enchaînez 5 requêtes alors que 2 suffiraient, ou
• 9:20
  Speaker 3: si vos jointures sont mal ordonnées et ralentissent les temps d'actualisation,
• 9:23
  Speaker 3: il les identifie comme des goulots d'étranglement. Vous recevrez des
• 9:26
  Speaker 3: suggestions pour fusionner des requêtes ou revoir la séquence des
• 9:28
  Speaker 3: étapes pour gagner en efficacité, et pas seulement en justesse.
• 9:31
  Speaker 3: Ce sont les petits détails qui n'apparaissent généralement, qu'une fois
• 9:34
  Speaker 3: que votre modèle atteint ses limites ou que vous recevez
• 9:35
  Speaker 3: des plaintes sur la lenteur des tableaux de bord. Copilote
• 9:38
  Speaker 3: met ses avertissements en avant afin que vous n'ayez pas
• 9:40
  Speaker 3: de deviner pourquoi votre espace de travail est ralenti à
• 9:42
  Speaker 3: mesure que les données augmentent. Un aspect de la transformation
• 9:45
  Speaker 3: des données qui est souvent négligé est la documentation. Plus
• 9:48
  Speaker 3: un modèle passe entre différentes mains, plus il devient fragile
• 9:50
  Speaker 3: et mystérieux, surtout si vous travaillez rapidement sans prendre le
• 9:53
  Speaker 3: temps d'annoter les étapes ou d'expliquer pourquoi un filtre existe.
• 9:57
  Speaker 3: Le pilote intervient également à ce niveau. A mesure que
• 9:59
  Speaker 3: vous acceptez ou personnalisez les étapes de transformation, il génère
• 10:02
  Speaker 3: un journal de modifications lisibles, capture le raisonnement derrière vos
• 10:06
  Speaker 3: ajustements et les stocks sous forme de métadonnées dans le modèle.
• 10:09
  Speaker 3: Les collègues qui reprennent le travail n'ont plus besoin de
• 10:11
  Speaker 3: deviner l'intention derrière chaque transformation. Ils comprennent la logique et
• 10:15
  Speaker 3: les règles métiers en langage clair. Si vous avez déjà
• 10:17
  Speaker 3: dû justifier une colonne calculée devant un auditeur, vous connaissez
• 10:20
  Speaker 3: la difficulté de fouiller dans d'anciennes notes. La documentation automatique
• 10:24
  Speaker 3: de Copilot permet d'obtenir une explication rapide de tout changement
• 10:27
  Speaker 3: avec l'historique des versions. Ce n'est pas qu'un simple confort,
• 10:30
  Speaker 3: cela peut faire gagner des jours lors de la révision
• 10:32
  Speaker 3: ou du partage de vos modèles avec d'autres. Le résultat final.
• 10:36
  Speaker 3: Vous n'êtes plus enlisé dans la syntaxe et les solutions
• 10:38
  Speaker 3: de contournement. Au lieu de cela, ces heures passées à
• 10:42
  Speaker 3: résoudre des problèmes isolés sont réorientées vers l'optimisation de la
• 10:45
  Speaker 3: valeur métier. des questions plus pertinentes, ou le test de
• 10:50
  Speaker 3: nouveaux cas payés. Au moment de publier, le plus gros
• 10:54
  Speaker 3: du travail fastidieux a été géré ou signalé par Copilot,
• 10:57
  Speaker 3: vous laissant vous concentrer sur des décisions qui font avancer l'entreprise.
• 11:02
  Speaker 3: Cela nous amène à l'étape qui piège même les analystes chevronnés,
• 11:04
  Speaker 3: visualiser les données, pour obtenir des réponses, plutôt que d'ajouter
• 11:08
  Speaker 3: du superflu. Élaborer les mesures et clarifier la logique n'est
• 11:11
  Speaker 3: qu'une partie du travail. Transformer ces chiffres en visuels favorisant
• 11:15
  Speaker 3: l'action est un défi bien différent. C'est là que les
• 11:19
  Speaker 3: suggestions de copilote font une différence notable. Des chiffres au récit,
• 11:23
  Speaker 3: les suggestions visuelles de copilote dans Power BI. Créer des
• 11:28
  Speaker 3: modèles propres et logiques dans Fabric est un bon début,
• 11:31
  Speaker 3: mais soyons honnêtes, beaucoup de tableaux de bord finissent aux
• 11:34
  Speaker 3: oubliettes car ils ne répondent pas aux besoins réels. Il
• 11:39
  Speaker 3: existe cette vieille habitude de laisser Power BI ajouter des
• 11:42
  Speaker 3: graphiques en barre en espérant que l'un d'eux impressionnera la direction.
• 11:47
  Speaker 3: Mais en observant les équipes de direction faire défiler les
• 11:50
  Speaker 3: onglets sans aucune réaction, on comprend vite le problème. M.
• 11:54
  Speaker 3: Le souci n'est pas l'absence de données, mais le fait
• 11:56
  Speaker 3: que les visuels ne répondent pas aux questions que les
• 11:58
  Speaker 3: gens se posent vraiment. C'est là que Copilot intervient, et
• 12:01
  Speaker 3: pour une fois, il ne se contente pas de rattraper
• 12:02
  Speaker 3: son retard. Au lieu de placer des visuels génériques dans
• 12:05
  Speaker 3: votre rapport, Copilot analyse votre modèle en profondeur. Il lit
• 12:10
  Speaker 3: non seulement vos champs, mais aussi les relations entre eux,
• 12:12
  Speaker 3: vos mesures calculées et les couches superposées dans votre pipeline.
• 12:16
  Speaker 3: C'est là que tout bascule. Par exemple, supposons que vous
• 12:18
  Speaker 3: prépariez un rapport de vente pour la direction. Vous avez
• 12:21
  Speaker 3: des mesures par région, produit et profit, et vous savez
• 12:23
  Speaker 3: que la direction ne veut pas d'un énième graphique linéaire
• 12:25
  Speaker 3: identique au rapport de l'année passée. Copilot traite votre structure
• 12:29
  Speaker 3: et suggère un graphique en cascade pour expliquer comment chaque
• 12:32
  Speaker 3: facteur de coût et de revenu contribue au bénéfice global,
• 12:35
  Speaker 3: afin que la répartition raconte une histoire plutôt que de
• 12:37
  Speaker 3: simplement empiler des barres. Pour les ventes par zone géographique,
• 12:41
  Speaker 3: au lieu d'un énième groupe de colonnes, vous obtenez la
• 12:43
  Speaker 3: recommandation d'un visuel cartographique qui souligne où la performance dépasse
• 12:47
  Speaker 3: les objectifs et pas seulement où les ventes sont les
• 12:49
  Speaker 3: plus élevées en chiffres bruts. Une question se pose toujours,
• 12:52
  Speaker 3: Copilot vous apporte-t-il quelque chose de vraiment percutant ou se
• 12:54
  Speaker 3: contente-t-il d'appliquer un vernis brillant sur les mêmes vieilles données?
• 12:58
  Speaker 3: Ce qui fait la différence, c'est le niveau d'explication que
• 13:00
  Speaker 3: vous obtenez. Lorsque Copilot insère le visuel suggéré, il ne
• 13:03
  Speaker 3: s'arrête pas, voici un graphique en cascadeur. Il explique pourquoi
• 13:06
  Speaker 3: le graphique en cascade est efficace, peut-être parce que votre
• 13:09
  Speaker 3: ensemble de données montre plusieurs valeurs additives et soustractives, de
• 13:11
  Speaker 3: sorte que la structure du graphique reflète directement le parcours
• 13:14
  Speaker 3: du profit plutôt que de masquer les détails derrière un
• 13:16
  Speaker 3: total global. Pour une carte, Copilote peut souligner que votre
• 13:21
  Speaker 3: modèle inclut des champs géographiques ayant des relations directes avec
• 13:25
  Speaker 3: les mesures de vente, rendant une disposition plus utile qu'un
• 13:28
  Speaker 3: tableau traditionnel. De nombreux outils de reporting laissent l'utilisateur deviner
• 13:34
  Speaker 3: ce qui sera esthétique, puis vous laissent avec un tableau
• 13:36
  Speaker 3: de bord techniquement correct, mais pas très instructif. Mais pas
• 13:38
  Speaker 3: très instructif. Copilote vous accompagne à mi-chemin en identifiant les
• 13:42
  Speaker 3: visuels qui correspondent non seulement au type de champ, mais
• 13:44
  Speaker 3: aussi à l'orientation de l'analyse. Ce petit coup de pouce
• 13:47
  Speaker 3: peut faire la différence entre un rapport qui est cité
• 13:48
  Speaker 3: en réunion et un autre qui est poliment ignoré. Des
• 13:52
  Speaker 3: recherches confirment ce point. Des études suivant les sessions des
• 13:55
  Speaker 3: utilisateurs de Power BI montrent que l'intégration des suggestions visuelles
• 13:58
  Speaker 3: de copilote permet de terminer plus rapidement la phase de
• 14:00
  Speaker 3: conception des rapports, réduisant parfois le temps nécessaire jusqu'à 40%.
• 14:05
  Speaker 3: Plus intéressant encore, l'engagement envers ces rapports augmente réellement, car
• 14:08
  Speaker 3: les utilisateurs finaux voient quelque chose adapté à leurs besoins
• 14:10
  Speaker 3: plutôt qu'un mur d'uniformité. Les rapports créés avec l'aide de
• 14:14
  Speaker 3: copilote sont également partagés plus souvent en interne, ce qui
• 14:17
  Speaker 3: suggère que les gens font un peu plus confiance aux
• 14:19
  Speaker 3: analyses fournies. Et... Maintenant, malgré toutes ces recommandations, Copilot ne
• 14:23
  Speaker 3: se contente pas d'empiler des visuels pour le plaisir de
• 14:26
  Speaker 3: la variété. Il effectue également un petit tri. Supposons que
• 14:29
  Speaker 3: vous ayez inséré 10 segments dans un graphique en secteur
• 14:31
  Speaker 3: ou construit un tableau avec tant de lignes que les
• 14:32
  Speaker 3: chiffres deviennent illisibles. Copilot signale ses choix comme problématiques. Au
• 14:38
  Speaker 3: lieu de cela, il pourrait vous suggérer d'utiliser un graphique
• 14:40
  Speaker 3: à barres pour des comparaisons plus claires ou d'utiliser un
• 14:42
  Speaker 3: arbre de décomposition pour explorer en détail une valeur aberrante
• 14:45
  Speaker 3: perdue dans une part de gâteau surchargée. Cela signifie que
• 14:49
  Speaker 3: Copilot vous protège des pièges courants ou un visuel élégant
• 14:51
  Speaker 3: masque en réalité ce qui compte, ou pire, conduit quelqu'un
• 14:53
  Speaker 3: à une conclusion erronée. Le formatage compte beaucoup plus que
• 14:57
  Speaker 3: ce que la plupart des gens pensent et c'est l'un
• 14:59
  Speaker 3: de ces domaines que Copilot ne néglige pas. Peut-être que
• 15:01
  Speaker 3: l'échelle de vos axes masque des tendances faisant paraître les
• 15:04
  Speaker 3: changements plats alors qu'ils sont importants pour l'entreprise. Ou peut-être
• 15:07
  Speaker 3: que votre palette de couleurs ne respecte pas les règles d'accessibilité,
• 15:10
  Speaker 3: rendant difficile pour certains utilisateurs de voir les différences entre
• 15:12
  Speaker 3: les points de données. Copilot suggère non seulement des ajustements
• 15:16
  Speaker 3: de formatage, comme corriger les axes, régler les étiquettes de
• 15:18
  Speaker 3: données ou passer à une palette à fort contraste, mais
• 15:21
  Speaker 3: il explique aussi pourquoi ces choix comptent. Ces conseils mènent
• 15:26
  Speaker 3: à des visuels non seulement conformes aux normes, mais aussi
• 15:28
  Speaker 3: plus lisibles et plus performants sur tous les appareils. Des
• 15:32
  Speaker 3: retours d'utilisateurs montrent qu'ils ont essayé des suggestions qu'ils auraient
• 15:35
  Speaker 3: normalement ignorées. Un utilisateur travaillant sur un modèle de vente
• 15:39
  Speaker 3: régional a vu Copilot recommander un arbre de décomposition plutôt
• 15:42
  Speaker 3: qu'un résumé plat, plat. Non seulement cela a révélé une
• 15:46
  Speaker 3: anomalie oubliée, une région qui semblait moyenne dans le résumé,
• 15:48
  Speaker 3: mais qui a grimpé en flèche dans une catégorie, mais
• 15:50
  Speaker 3: cela a aussi lancé un projet pour corriger une erreur
• 15:52
  Speaker 3: d'allocation des ventes qui serait passée inaperçue pendant un autre trimestre.
• 15:57
  Speaker 3: La leçon à retenir est que parfois, le meilleur visuel
• 15:59
  Speaker 3: n'est pas le plus évident. Le moteur de copilote apprend
• 16:02
  Speaker 3: les relations dans votre modèle et l'intention derrière vos indicateurs clés,
• 16:05
  Speaker 3: vous donnant la chance de découvrir des éléments que vous
• 16:06
  Speaker 3: ne pensiez même pas chercher. Ainsi, ces suggestions visuelles ne
• 16:10
  Speaker 3: servent pas seulement à embellir les choses pour une réunion. Non.
• 16:14
  Speaker 3: Elles servent à construire des vues qui suscitent la discussion,
• 16:16
  Speaker 3: soulignent les problèmes et soutiennent directement les décisions commerciales réelles.
• 16:21
  Speaker 3: Le travail de fond sur le modèle ne signifie rien
• 16:22
  Speaker 3: si les gens n'utilisent pas réellement vos tableaux de bord
• 16:24
  Speaker 3: pour agir. En voyant ces visuels personnalisés et ce formatage
• 16:28
  Speaker 3: plus clair, vous obtenez plus que de l'engagement, vous obtenez
• 16:30
  Speaker 3: de l'action. Ensuite, il y a la courbe d'apprentissage qui
• 16:33
  Speaker 3: n'affecte pas seulement copilote, mais vous aussi, mais vous aussi.
• 16:36
  Speaker 3: La boucle de rétroaction qui transforme votre flux de travail
• 16:39
  Speaker 3: de modélisation de données en quelque chose de plus pointu
• 16:40
  Speaker 3: avec le temps. Cette boucle de rétroaction forme Copilote et
• 16:44
  Speaker 3: votre propre intelligence en matière de données. La plupart des
• 16:46
  Speaker 3: gens voient Copilote comme une machine à suggestions. Il vous
• 16:48
  Speaker 3: donne des recommandations. Vous les acceptez ou vous les rejetez.
• 16:52
  Speaker 3: Mais si l'on gratte un peu, la relation est bien
• 16:54
  Speaker 3: plus complexe et franchement plus intelligente qu'à sens unique. Chaque
• 16:59
  Speaker 3: fois que vous envoyez un retour à Copilote, que vous
• 17:01
  Speaker 3: acceptiez cette nouvelle formule d'axe ou que vous remplaciez une
• 17:04
  Speaker 3: combinaison de colonnes suggérées, vous ne faites pas qu'ajuster l'IA,
• 17:07
  Speaker 3: vous repensez votre propre logique à chaque modification rétroactive. Un
• 17:12
  Speaker 3: peu comme ce moment où vous modifiez l'itinéraire d'un pilote
• 17:14
  Speaker 3: automatique et êtes obligé de vérifier votre carte. Le copilot
• 17:18
  Speaker 3: de fabrique n'écrit pas sur une page blanche. Il absorbe
• 17:21
  Speaker 3: activement votre flux de travail et s'adapte, ce qui finit
• 17:23
  Speaker 3: par changer la façon dont vous abordez vos décisions au
• 17:26
  Speaker 3: fil du temps. Imaginez, vous avez passé une demi-journée à
• 17:29
  Speaker 3: façonner un modèle de vente assez classique, et juste au
• 17:32
  Speaker 3: moment d'accepter la mesure de profit total recommandée par Copilot,
• 17:35
  Speaker 3: il ajoute un calcul qui ne correspond pas, vous le savez,
• 17:37
  Speaker 3: à votre norme de reporting automatique. Peut-être a-t-il omis une
• 17:40
  Speaker 3: exclusion pour les remises partenaires ou intégré une promotion qui
• 17:43
  Speaker 3: aurait dû être isolée. Pour modifier la forme. Instantanément, Copilot
• 17:47
  Speaker 3: demande du contexte, une brève description ou une validation concernant
• 17:50
  Speaker 3: la règle que vous avez appliquée. L'essentiel est que cette
• 17:53
  Speaker 3: saisie ne disparaisse pas dans les limbes. La prochaine fois
• 17:56
  Speaker 3: que vous construirez un modèle avec des données similaires, Copilot
• 17:58
  Speaker 3: s'en souviendra. Fini de supposer que tout revenu est un
• 18:01
  Speaker 3: bénéfice réel. Et surtout, fini d'oublier d'exclure les remises partenaires
• 18:04
  Speaker 3: des rapports trimestriels. Ainsi, vos retours s'intègrent réellement à chaque
• 18:08
  Speaker 3: suggestion ultérieure, d'une manière à laquelle on ne s'attendrait pas.
• 18:12
  Speaker 3: Le processus n'est pas seulement une question d'efficacité, c'est une
• 18:14
  Speaker 3: question de précision, version après version, version après version. Il
• 18:16
  Speaker 3: y a une hésitation que les gens doivent surmonter. L'idée
• 18:19
  Speaker 3: qu'il est risqué de laisser une IA observer et apprendre
• 18:22
  Speaker 3: de vos corrections est logique. Si vous donnez une mauvaise
• 18:25
  Speaker 3: information à copilote, va-t-il s'ancrer dans l'erreur? En fait, s'il
• 18:28
  Speaker 3: adopte une solution de contournement maladroite que vous utilisez juste
• 18:30
  Speaker 3: pour respecter une échéance, pour ensuite en faire une règle absolue.
• 18:32
  Speaker 3: Cette inquiétude n'est pas infondée. Les entreprises ne veulent pas
• 18:35
  Speaker 3: vraiment que leur logique métier dérive sans pouvoir en suivre
• 18:38
  Speaker 3: les changements. Mais voici le point clé, la conception de
• 18:41
  Speaker 3: copilote en fabrique implique qu'il demande toujours des précisions en
• 18:43
  Speaker 3: cas de changement ou de refus. Ce commentaire continue, ces
• 18:47
  Speaker 3: petites justifications et notes sont enregistrées dans le cycle de rétroaction.
• 18:52
  Speaker 3: Au fil du temps, ce journal aide à orienter ses
• 18:54
  Speaker 3: recommandations afin qu'elles correspondent mieux à vos règles métiers spécifiques
• 18:58
  Speaker 3: plutôt qu'aux paramètres par défaut. Plus vous interagissez, plus l'IA
• 19:02
  Speaker 3: devient spécifique à votre activité. Et si vous devez annuler
• 19:05
  Speaker 3: une habitude, cela est tracé et explicable. Le résultat est
• 19:08
  Speaker 3: un moteur évolutif qui devient plus flexible et non plus rigide.
• 19:12
  Speaker 3: Une équipe avec laquelle j'ai travaillé a commencé par ignorer
• 19:14
  Speaker 3: la moitié des suggestions de copilotes. Leur premier modèle était classique,
• 19:18
  Speaker 3: jointure basique, quelques visuels ternes. Rien de vraiment marquant. Mais
• 19:23
  Speaker 3: à mesure qu'ils ont commencé à répondre, en rejetant des visuels,
• 19:26
  Speaker 3: en retravaillant le DAX pour de nouvelles gammes de produits,
• 19:28
  Speaker 3: en clarifiant l'importance d'une étape de transformation, les choses ont changé.
• 19:32
  Speaker 3: Les choses ont changé. En un mois, Copilot ne se
• 19:34
  Speaker 3: contentait plus de suggestions génériques, il proposait des visuels reflétant
• 19:38
  Speaker 3: les KPIs de l'entreprise et suggérait même des transformations adaptées
• 19:42
  Speaker 3: à leur nouveau processus métier. Leur pipeline s'est également accéléré,
• 19:47
  Speaker 3: car les corrections répétées ont fourni à Copilot des informations
• 19:49
  Speaker 3: le forcement. à sortir du mode par défaut pour adopter
• 19:52
  Speaker 3: un modèle plus personnalisé. En liant les boucles de rétroaction
• 19:55
  Speaker 3: aux besoins réels de leur activité, ils ont comblé l'écart
• 19:58
  Speaker 3: entre des modèles cas acceptables et des résultats capables de
• 20:01
  Speaker 3: résister à un examen rigoureux. Ce ne sont pas que
• 20:03
  Speaker 3: des anecdotes qui confirment ce point. Les études suivent la
• 20:06
  Speaker 3: façon dont le travail actif avec le cycle de rétroaction
• 20:07
  Speaker 3: de Copilot fait réellement bouger les choses. Les équipes qui
• 20:11
  Speaker 3: fournissent un retour régulier, qu'il soit positif, négatif ou simplement
• 20:13
  Speaker 3: sous forme de petite précision, voient les taux d'erreur de
• 20:15
  Speaker 3: modélisation chuter. Les rapports deviennent plus pertinents et la précision
• 20:19
  Speaker 3: des mesures calculées s'améliore. Les derniers chiffres montrent que les
• 20:22
  Speaker 3: équipes impliquées atteignent une hausse d'environ 30% de la précision
• 20:25
  Speaker 3: globale de leurs rapports par rapport aux groupes qui acceptent
• 20:28
  Speaker 3: ou rejettent passivement les suggestions sans ajouter de contexte. L'implication
• 20:34
  Speaker 3: ici n'est pas magique, il s'agit d'un apprentissage ciblé par
• 20:36
  Speaker 3: l'interaction entre Plus Copilot voit et plus vous le poussez
• 20:40
  Speaker 3: à expliquer ou à affiner, plus vos modèles de données
• 20:42
  Speaker 3: correspondent aux objectifs métiers. De façon inattendue, ce système de
• 20:46
  Speaker 3: feedback ne se contente pas d'entraîner l'IA. De plus en
• 20:50
  Speaker 3: plus d'utilisateurs signalent que le fait de réviser et de
• 20:52
  Speaker 3: corriger les résultats de Copilot ajuste en réalité leur propre
• 20:54
  Speaker 3: approche de la modélisation. Cela peut sembler étrange, mais on
• 20:57
  Speaker 3: le constate à la façon dont les gens commencent à
• 20:59
  Speaker 3: anticiper les problèmes, à repérer des failles logiques cachées ou
• 21:01
  Speaker 3: même à ajouter de la documentation là où ils ne
• 21:03
  Speaker 3: le faisaient, de la documentation là où ils ne le
• 21:04
  Speaker 3: faisaient jamais au part. Au lieu de simplement valider tout
• 21:06
  Speaker 3: ce qui arrive, les équipes prennent l'habitude de remettre en
• 21:09
  Speaker 3: question les recommandations, de modifier les formules et de réfléchir
• 21:12
  Speaker 3: plus délibérément aux raisons pour lesquelles certains visuels fonctionnent et
• 21:14
  Speaker 3: d'autres non. Il est devenu courant de voir des utilisateurs
• 21:17
  Speaker 3: acquérir les meilleures pratiques de modélisation presque par accident, des
• 21:20
  Speaker 3: habitudes qu'ils attribuent au fait d'expliquer des corrections ou de
• 21:22
  Speaker 3: justifier une modification de logique de données auprès de copilotes.
• 21:26
  Speaker 3: Il ne s'agit pas de s'automatiser soi-même au point de
• 21:28
  Speaker 3: perdre son emploi, mais de faire progresser ses instincts en
• 21:30
  Speaker 3: matière de données à mesure que le système mûrit avec vous. Ainsi,
• 21:34
  Speaker 3: utiliser Copilote n'est pas une expérience passive. C'est un partenariat
• 21:37
  Speaker 3: qui affine à la fois l'outil et l'utilisateur au fil
• 21:39
  Speaker 3: du temps. Plus vous investissez dans le feedback, plus vos modèles,
• 21:42
  Speaker 3: rapports et tableaux de bord deviennent rigoureux. Votre flux de
• 21:46
  Speaker 3: travail progresse.