Power BI에서 Copilot와 함께 사용할 데이터 준비
Power BI에서 Copilot를 사용하기 전에 일관성과 정확도를 보장하기 위해 의미 체계 모델을 준비해야 합니다. Copilot은 LLM(대규모 언어 모델)을 사용하며, 이를 위해서는 데이터의 정확도와 안정성이 필요합니다.
데이터 품질 보장
또한 데이터 품질의 다양한 측면에 대해 의미 체계 모델을 평가해야 합니다. 그렇지 않으면 Copilot이 효과적이지 않을 수 있습니다.
데이터 품질은 데이터에서 파생할 수 있는 인사이트의 정확도와 안정성에 직접적인 영향을 미치기 때문에 Power BI 보고서를 만들 때 매우 중요합니다. 다음은 데이터 품질이 Power BI 보고서를 성공적으로 만드는 데 어떤 영향을 미칠 수 있는지에 대한 예입니다.
- 완전성: 값이 누락되면 차이가 발생할 수 있습니다.
- 유효성: 범위를 벗어난 데이터 값은 시각적 개체와 결과를 왜곡시킬 수 있습니다.
- 일관성: 일관되지 않은 데이터는 날짜 관련 시각적 개체에 영향을 줄 수 있습니다.
- 고유성: 중복은 데이터 정확도에 영향을 미칠 수 있습니다.
- 데이터 관계: 관계가 없으면 테이블 간 시각적 개체가 불가능할 수 있습니다.
- DAX 계산: 제한된 계산으로 인해 가능한 인사이트가 줄어들 수 있습니다.
Power Query를 사용하여 데이터 준비
Power Query는 의미 체계 모델을 준비하는 Power BI Desktop의 핵심 기능입니다. 이는 Power BI 보고서를 만드는 초기 단계이며 Copilot을 사용할 때 반드시 필요합니다. 데이터 품질을 보장하려면 Power Query를 사용하여 다음을 수행합니다.
- 열 품질, 열 배포 및 열 프로필을 평가하여 데이터를 프로파일링합니다.
- 불일치, 예기치 못한 값 또는 null 값 및 기타 데이터 품질 문제를 해결하여 데이터를 정리합니다.
- 열과 쿼리에 대해 사용자 친화적인 명명 규칙을 구현하고, 열 데이터 형식을 변경하고, 데이터 형태 변환을 적용하여 데이터를 변환합니다.
의미 체계 모델 크기 평가
의미 체계 모델의 크기에 대한 고정된 제한은 없지만 의미 있는 콘텐츠에 대한 충분한 데이터를 보유해야 합니다. 그러나 지나치게 복잡한 모델은 불분명한 결과를 초래할 수 있습니다.
고려 사항 및 제한 사항
Copilot에서 생성된 시각적 개체 및 요약을 포함하여 보고서 페이지의 품질을 개선하기 위해 지속적으로 노력하고 있습니다. 예를 들어, Copilot은 여러 페이지로 구성된 보고서 생성과 같은 복잡한 프롬프트를 이해하지 못할 수 있습니다.
팁
고려 사항의 전체 목록은 Power BI 참조 설명서의 Copilot를 검토하세요.