Чат-асистент для BI-аналітиків: яка роль ChatGPT у роботі з POWER BI

💡 Усі статті, обговорення, новини про AI — в одному місці. Приєднуйтесь до AI спільноти!

Мене звати Богдан Дуда, я співпрацюю з компанією EPAM як Senior BI Analyst. Протягом останніх 7 років займаюся розробкою різного року звітів та побудовою дашбордів в Power BI. Хотів би поділитися своїм досвідом, як штучний інтелект допомагає в роботі з цим інструментом.

У статті розглядаються практичні способи використання ChatGPT для ефективнішої роботи з Power BI. Матеріал буде корисним для BI-аналітиків, розробників звітів і всіх, хто працює з аналітикою даних в Power BI та шукає способи оптимізації процесів.

Насправді розробка та побудова якісного і корисного звіту в Power BI є доволі складним процесом.

• Треба розібратися з джерелами даних.
• Безпосередньо дані можуть мати не найкращу якість, а відтак потребуватимуть додаткових трансформацій.
• Дані потрібно підготувати так, щоб в ідеалі створити модель «Зірочку».
• Подумати над тим, які візуалізації найкраще зможуть ілюструвати бізнес-проблему користувача тощо.

На кожному з цих етапів можна використати ChatGPT. Розглянемо у нашій публікації два типи допомоги від ШІ:

• Пришвидшення роботи.
• Покращення зробленого.

Використання ChatGPT може бути корисним практично на усіх етапах роботи з Power BI:

10 Weeks of Quality 👇

• Написання M коду для Power Query.
• Генерація DAX-формул.
• Ідеї для візуалізацій.
• Розробка структури звітів.

• Оптимізація моделей даних.
• Розв’язання технічних помилок.
• Пояснення трендів та інсайтів.
• Покращення UX/UI.
• Навчання і консультації: пояснення різних понять Power BI, таких як Row Level Security (RLS), Drillthrough, оптимізація розрахунків, кастомні віжуали тощо.

Подивимось детальніше три перших пункти з цього списку, адже вони є найбільш поширеними в практиці, та їх огляд дасть змогу зрозуміти сам принцип використання ШІ в роботі з PBI.

Оптимізація М коду в Power Query

Припустимо, що наш запит до однієї з таблиць виглядає таким чином:

Ніби все нормально, все працює, але... Тут можна додати коменти, деякі кроки могли б мати набагато кращі назви, та й сам код міг би бути кращим (код завжди може бути кращим). Відтак ми можемо скопіювати цей код, вставити в ChatGPT і попросити нам допомогти.

Цього разу пропоную не лізти в код. Попросимо лише додати коменти та перейменувати кроки. Виглядатиме це приблизно так:

ChatGPT попрацював з нашим кодом і видав щось таке:

Тепер ми можемо скопіювати цей код, який має не лише добре структуровані коментарі, але й використовує зрозумілі й очевидні назви змінних та функцій, що значно спрощує його читання і подальшу підтримку.

Така вправа займає всього кілька хвилин, але насправді є дуже важливою. Її користь полягає навіть не в тому часі, який розробник економить, щоб написати ці коменти. А в тому, що більшість людей просто не буде цього робити, або вважаючи несуттєвим, або відкладаючи до кращих часів, коли буде більше часу. Тобто ніколи...

Aналіз та модифікація формул DAX

Розглянемо інший приклад оптимізації формули DAX. Ми можемо радитися з ChatGPT щодо того, як зробити формулу більш читабельною, покращити її продуктивність, швидкодію, залежність від інших формул тощо.

На прикладі такої DAX-формули:

Ця формула має 134 рядки.

Більшість DAX-розробників відразу здогадаються, що формулу можна оптимізувати, використавши Switch. Але тут в гру можуть вступити лінощі, брак часу, відсутність гострої потреби в переробленні. Ситуація може залишитися такою надовго, тобто назавжди.

Натомість ChatGPT розв’яже це питання за кілька хвилин.

Ми отримали такий результат:

Тепер наша формула стала втричі (!) коротшою, коментованою і в ній буде набагато легше розібратися, якщо щось піде не так, або якщо комусь іншому доведеться колись її актуалізовувати чи підтримувати.

Після роботи з М-кодом та оптимізації DAX-формул перейдемо до наступного етапу — розглянемо приклад з візуалізаціями, щоб побачити, як вдосконалені дані та як розрахунки можуть покращити презентацію інформації.

Допомога з дизайном

Припустимо, що в нас є певна документація щодо того, як має виглядати звіт, які параметри бізнес хоче відстежувати, якими слайсерами фільтрувати тощо. Якщо було зроблено прототипування, то в нас буде більше деталей (як правило), а якщо ні — то буде більше так званих «професійних суджень».

Anyway, як-то кажуть, ми зробили наш перший драфт. Припустимо, зараз він виглядає ось так:

Професійний Power BI розробник відразу помітить можливості для покращення. Але це все буде базуватися на його особистому досвіді. Натомість штучний інтелект може замінити тисячу очей, адже він ураховує без перебільшення планетарний досвід.

Отже, запитаємо його, як можна покращити цей дашборд.

І отримаємо таку відповідь:

Творчо переосмисливши отримані поради, можна допрацювати дашборд, і отримати ось таку версію:

Як бачимо з опрацьованого дашборду, ми не дуже дослухалися до порад чату. Насправді розробник і не повинен сліпо дотримуватися його порад. Поради — це ж про те, щоб їх почути, а потім інтерпретувати на власний розсуд. Тут роль грає сам факт наявності такого порадника, можливість поставити йому запитання необмежену кількість разів. Якщо в нас є час, бажання або потреба, то можна цю оновлену версію звіту знову закинути в чат і ще раз перепитати, що можна покращити цього разу. І так до безконечності... ну, тобто до дедлайну.

На прикладі з візуалізаціями ми бачимо, що ChatGPT дає розробнику певну візію, напрям мислення, часто показує зовсім неочевидні ідеї тощо. Але у будь-якому випадку всі ці рекомендації потрібно аналізувати, зіставляти з вимогами, здоровим глуздом, власним досвідом тощо. Перевага чату також у тому, що його можна питати нескінченно і кожного разу він змінюватиме свої поради, а відтак розширюватиме поле для покращень.

Загальні міркування та підсумки

Штучний інтелект може бути корисним на багатьох етапах розробки звіту Power BI. Ми можемо порадитися з ним, як краще під’єднатися до джерел даних, який спосіб під’єдання буде оптимальним (import, direct query чи live), який конектор використати. А також отримати поради щодо M-коду чи DAX-формул, вибору візуалізацій чи кольорів на них тощо. У більшості випадків чат дає влучні підказки, демонструє неочевидні моменти в запиті, розширює обрій мислення.

Утім, при роботі зі штучним інтелектом завжди потрібно пам’ятати про критичне мислення: верифікувати його «думки», перевіряти згенеровані частини коду чи формул, міркувати над пропозиціями щодо дашбордів тощо.

На сьогодні вдале поєднання штучного та природного інтелекту є запорукою отримання якісніших результатів за менший проміжок часу в майже будь-якій галузі людської діяльності, включно і з розробкою звітів Power BI. Єдина умова при цьому — останнє слово завжди має залишатися за природним, людським інтелектом...