Mitä raportti ei kerro tekoälylle? Näin valmistelet semanttisen mallin

Useimmat Power BI:n semanttiset mallit on rakennettu ihmisten käyttämiä raportteja varten. Malliin on tehty mittarit ja relaatiot, ja kaikki muu on jätetty raportille ja sen käyttäjälle.

Tämä on toiminut hyvin, koska ihminen täydentää puuttuvat palaset itse. Copilot, MCP (Model Context Protocol), Fabric Apps ja muut agentit kuitenkin lukevat suoraan mallia, eivät raporttia. Silloin kaikki se, mikä ennen asui raportin asettelussa ja analyytikon päässä, puuttuu.

Jos analyytikko joutuu selittämään raporttia, malli ei sovi tekoälylle

Kun avaat hyvin tehdyn Power BI -raportin, saat paljon tietoa, joka ei ole mallissa lainkaan. Sivun otsikko kertoo, että luvut ovat ilman konsernin sisäistä myyntiä. Sivutason suodatin rajaa pois testiasiakkaat. Visuaalin alla lukee, että kuluva kuukausi täydentyy kirjanpidon sulkemisen jälkeen. Asettelu ohjaa katsomaan ensin kokonaismyyntiä ja vasta sitten yksiköitä.

Tämä kaikki on liiketoimintalogiikkaa. Se on vain sijoitettu raporttikerrokseen, koska raportti oli ainoa paikka, jossa dataa kulutettiin.

Lisäksi iso osa logiikasta on aina ollut ihmisten päässä. Analyytikko tietää, että mittaria ”Myynti v2” ei enää käytetä, että hyvitykset kirjataan eri kuukaudelle kuin alkuperäinen lasku ja että yhden yksikön luvut tulevat viikon viiveellä. Tätä hiljaista tietoa ei ole dokumentoitu mihinkään, koska sitä ei ole tarvinnut dokumentoida.

Raporttikerros, semanttinen kerros ja semanttinen malli: mitä eroa

Raporttikerros (reporting layer) on tietoarkkitehtuurin käyttäjälle näkyvä taso, jossa data muutetaan raporteiksi, dashboardeiksi ja visualisoinneiksi.

Semanttinen kerros (semantic layer) on datan ja raporttien välissä oleva liiketoimintalogiikan kerros. Se määrittelee, mitä data tarkoittaa, miten mittarit lasketaan ja miten eri tietokokonaisuudet liittyvät toisiinsa, jotta käytössä on samat yhteiset määritelmät.

Semanttinen malli (semantic model) on semanttisen kerroksen konkreettinen toteutus. Se kokoaa yhteen taulut, taulujen väliset suhteet, mittarit, laskennat ja hierarkiat, ja raportit rakennetaan sen päälle. Power BI:ssä semanttinen malli on se kokonaisuus, jota aiemmin kutsuttiin tietojoukoksi.

 

Mitä tekoäly näkee ja mitä ei

Tekoälyagentti näkee mallista taulut, sarakkeet, mittarit, relaatiot ja niiden nimet. Jos kuvaukset on täytetty, se näkee myös ne. Siinä kaikki.

Se ei näe raportin sivusuodattimia, otsikoita, tekstikenttiä eikä asettelua. Se ei tiedä, mikä viidestä myyntimittarista on se oikea. Se ei tiedä, että sarake ”Status_cd” arvolla 3 tarkoittaa peruttua tilausta.
Tulos on ennustettava. Agentti valitsee mittarin nimen perusteella, laskee luvun teknisesti oikein ja antaa varman vastauksen, joka on liiketoiminnan kannalta väärä. Ihminen olisi huomannut virheen, koska luku näyttää oudolta. Agentti ei huomaa, koska sillä ei ole vertailukohtaa.

Tämä on se suurin muutos. Raportti oli suunniteltu ihmiselle, joka osaa tulkita. Agentille malli on ainoa totuus, joten mallin on kerrottava kaikki itse.

Seitsemän muutosta Power BI:ssä, joilla teet semanttisesta mallista tekoälylle sopivan

1. Luo kuvaus jokaiselle taululle, sarakkeelle ja mittarille

   Power BI:ssä kuvauskenttä on ollut olemassa vuosia, mutta useimmissa malleissa se on tyhjä. Agentille kuvaus on tärkein yksittäinen tieto. Hyvä kuvaus kertoo, mitä mittari laskee, mitä se ei sisällä ja milloin sitä käytetään. Esimerkiksi: ”Nettomyynti ilman konsernin sisäistä myyntiä ja hyvityksiä. Käytä tätä, kun kysytään myyntiä ilman tarkennusta.”

   → Käytännössä: tallenna malli .pbip-muotoon, listaa Tabular Editorin skriptillä kaikki mittarit ilman kuvausta ja anna tekoälyn luonnostella kuvaukset TMDL-tiedostoihin, jotka asiantuntija tarkistaa ennen julkaisua.

2. Vie raportin logiikka malliin

   Kaikki sivu- ja visuaalitason suodattimet, joilla on liiketoiminnallinen merkitys, kannattaa siirtää mittareihin tai malliin. Jos testiasiakkaat rajataan aina pois, rajaus kuuluu malliin eikä jokaiselle raporttisivulle erikseen.

   → Käytännössä: etsi .pbip-projektin raporttimäärittelyistä kaikki sivu- ja visuaalitason suodattimet ja siirrä pysyvät rajaukset semanttiseen kerrokseen.

3. Varmista yksi kanoninen mittari per käsite

   Jos mallissa on Myynti, Myynti v2, Myynti (uusi) ja Myynti_FIN, agentti arvaa. Karsi rinnakkaiset versiot, piilota apumittarit ja varmista, että jokaiselle liiketoiminnan käsitteelle on yksi selkeä mittari.

   → Käytännössä: etsi käyttämättömät ja päällekkäiset mittarit Measure Killerilla tai Tabular Editorin Best Practice Analyzerilla ja siirrä ne piilotettuun ”Vanhentuneet”-kansioon ennen lopullista poistoa.

4. Nimeä liiketoiminnalle tutulla kielellä

   ”Fact_SalesLines” ja ”Status_cd” ovat järjestelmän kieltä. Agentti ymmärtää paremmin nimet ”Myyntirivit” ja ”Tilauksen tila”, ja koodiarvot kannattaa avata selkokielisiksi. Piilota tekniset avainsarakkeet, joita käyttäjän ei tarvitse nähdä.

   → Käytännössä: nimeä sarakkeet liiketoiminnan kielelle semanttisen kerrokseen ja avaa koodiarvot selkokielisiksi  ylläpidettävällä mäppaustaululla, jolloin sama nimistö näkyy kaikissa malleissa.

5. Kirjoita hiljainen tieto ja säännöt auki

   Hiljainen tieto pitää kirjoittaa auki: kirjanpidon sulkemisen aikataulu, tilikauden rytmi, viiveet datalähteissä ja poikkeukset. Power BI tarjoaa tähän tekoälyn valmistelutoimintoja, kuten agentille annettavat ohjeet ja vahvistetut vastaukset. Ne ovat kuitenkin vain säiliö. Säännöt pitää ensin sopia liiketoiminnan kanssa.

   → Käytännössä: kirjaa säännöt esimerkiksi Power BI:n Prep data for AI -näkymän AI-ohjeisiin ja pidä sama teksti versionhallinnassa mallin rinnalla, jotta muutokset käyvät katselmoinnin läpi kuten koodi. Hiljaisen tiedon voi myös kirjoittaa auki tekoälyn ohjeisiin/kontekstitiedostoihin.

6. Rakenna rajattu malli yhteen tarkoitukseen

   Yksi jättimalli, jossa on 400 mittaria koko yrityksen tarpeisiin, on agentille vaikea. Pienempi, yhteen aihealueeseen rajattu malli tuottaa tarkempia vastauksia. Ajattele mallia tuotteena, jolla on selkeä käyttäjäryhmä ja käyttötarkoitus.

   → Käytännössä: rakenna oma semanttinen malli jokaiselle aihealueelle, kuten myynnille ja taloudelle, ja rajaa Prep data for AI -näkymän datakaavalla agentille näkyviin vain ne taulut ja mittarit, joita aihealueen kysymyksiin tarvitaan.

7. Muista testikysymykset ja tietoturva

   Laadi 20 tyypillistä liiketoiminnan kysymystä ja niiden oikeat vastaukset. Aja ne agentilla jokaisen mallimuutoksen jälkeen, niin näet heti, jos jokin rikkoutuu. Varmista samalla, että rivitason ja objektitason tietoturva on kunnossa. Raportissa käyttäjä näki vain sen, mitä sivulle oli tuotu. Agentti voi kysyä mallilta mitä tahansa.

   → Käytännössä: varmista datan laatu testeillä, tallenna testikysymykset ja oikeat vastaukset vahvistetuiksi vastauksiksi ja tarkista rivitason tietoturva Power BI Desktopin Näytä roolina -toiminnolla.

Teknisesti helppoa, organisatorisesti vaikeaa

Kuvausten kirjoittaminen ja mittareiden karsiminen on teknisesti yksinkertaista. Vaikeaa on päättää, mikä on oikea määritelmä.

Kun BI-kehittäjä kirjoittaa kuvauksen ”nettomyynti ilman hyvityksiä”, hän tekee samalla liiketoimintapäätöksen. Jos talous ja myynti laskevat katteen eri tavalla, kuvaus ei ratkaise ristiriitaa. Se vain paljastaa sen.

Siksi jokaisella keskeisellä mittarilla pitäisi olla liiketoiminnan omistaja, joka hyväksyy määritelmän. BI-tiimi vastaa toteutuksesta ja laadusta, mutta määritelmän omistaa se, joka johtaa kyseistä toimintoa.
Tässä mielessä agentit toimivat organisaatiolle testinä. Ne pakottavat kirjoittamaan auki asiat, joista on vuosia sovittu vain käytäväkeskusteluissa.

Mistä kannattaa aloittaa

Koko mallikirjastoa ei tarvitse korjata kerralla. Nämä neljä askelta riittävät alkuun:

• Valitse yksi malli, jota käytetään paljon ja jonka luvuilla on merkitystä johdolle.
• Kirjaa ylös, mitä logiikkaa on sen pääraporteissa, sivusuodattimissa, otsikoissa ja tekstikentissä.
• Haastattele analyytikkoa tunnin ajan: mitä poikkeuksia hän huomioi, kun käyttää mallia?
• Laadi 20 testikysymystä, aja ne agentilla ja katso, mihin se kompastuu.

Tulokset kertovat nopeasti, kuinka kaukana malli on tekoälyvalmiudesta. Usein ne kertovat myös, kuinka paljon organisaation tiedolla johtaminen on nojannut yksittäisten ihmisten muistiin.

Kysymys ei siis ole, tukeeko oma analytiikka-alusta Copilotia, MCP:tä tai Fabric Appseja. Kysymys on, osaako semanttinen malli kertoa agentille saman, minkä analyytikko tietää.