Jak AI odpowiada na pytania o raporty w Power BI i Tableau bez otwierania dashboardu?

Power BI i Tableau ma wiele polskich firm. Używa ich regularnie znacznie mniej. Nie z powodu złej woli: żeby dowiedzieć się jednej liczby, trzeba otworzyć właściwy raport, ustawić filtry, poczekać na załadowanie. AI podłączone do tych systemów może odpowiedzieć na pytanie o konkretną wartość bezpośrednio, wyjaśnić skąd ta liczba pochodzi i napisać komentarz do raportu miesięcznego zanim kontroler zdąży otworzyć laptopa.

Co AI widzi w modelu danych zanim odpowie na pierwsze pytanie

AI nie patrzy na wizualizację. Łączy się z warstwą danych pod wykresem.

W Power BI ta warstwa to semantic model (wcześniej zwany datasetem): tabele, relacje między nimi i miary napisane w języku DAX. Przy podłączeniu wyciągamy:

• nazwy i definicje miar, np. [Marża brutto] = DIVIDE([Przychód netto]-[COGS],[Przychód netto])
• strukturę tabel: tabele faktów (Transakcje, Zamówienia) i wymiary (Kalendarz, Klienci, Produkty)
• metadane odświeżenia: lastRefreshTime i historię odświeżeń z polem status dla każdego wpisu
• konfigurację Row-Level Security: które role widzą które wiersze danych

W Tableau AI sięga do opublikowanych źródeł danych przez Tableau REST API i Metadata API (GraphQL). Wyciąga pola obliczane (calculated fields), wymiary, miary i informację o tym, kiedy ostatnio zaktualizował się ekstrakt w formacie .hyper. Te dane trafiają do kontekstu AI i stają się bazą do odpowiedzi.

Bez tego AI operuje na ogólnikach. Z tym podaje konkretną liczbę z nazwą miary, datą wyliczenia i informacją o składnikach tej wartości. To jest różnica między odpowiedzią "przychody wzrosły" a "przychód netto za sierpień wyniósł X, przy czym miara pobiera dane z tabeli Transakcje filtrowanej przez TypSprzedaży = 'Detaliczna'".

Pytanie o liczbę bez otwierania raportu: jak to wygląda w biurze

Typowy scenariusz. Prezes dzwoni do kontrolera i pyta o marżę na konkretnym projekcie. Kontroler otwiera Power BI Service, nawiguje przez workspace, wybiera raport, ustawia filtr, czeka na załadowanie, robi screenshota i wysyła przez Teams. Kilka minut, jeśli wszystko działa sprawnie i dane są świeże. Jeśli raport akurat się ładuje albo filtry nie działają jak trzeba, dłużej.

Z AI wygląda to inaczej. Kontroler pisze do asystenta: "Jaka była marża brutto na projekcie Kowalski-2024 w III kwartale?" AI odpytuje semantic model przez endpoint /datasets/{datasetId}/executeQueries w Power BI REST API, przekazuje zapytanie DAX z właściwymi filtrami i zwraca wynik. Jeśli konfiguracja Row-Level Security jest ustawiona, AI oddaje tylko to, do czego dany token ma dostęp.

Nie otwiera dashboardu. Nie pyta, który workspace. Konstruuje zapytanie i odczytuje wynik, dokładnie tak jak zrobiłby analityk z bezpośrednim dostępem do modelu.

W Tableau mechanizm jest analogiczny: AI odpytuje published datasource przez REST API albo korzysta z gotowego widoku (view) z już ustawionymi filtrami, jeśli taki istnieje na serwerze.

Skąd wzięła się ta liczba? AI tłumaczy logikę miar i zmiany w danych

To jest część, która zaskakuje użytkowników najbardziej.

Raport pokazuje marżę. W jednym miesiącu spada. Żeby zrozumieć dlaczego, analityk musi zajrzeć do definicji miary DAX, sprawdzić tabele źródłowe i prześledzić relacje w modelu. Jeśli model ma kilkadziesiąt miar i kilkanaście tabel, nie jest to szybka sprawa. Godzina, dwie.

AI zna te definicje. Wie, że [Marża brutto] liczy się z [Przychód netto] minus [COGS], a [COGS] pochodzi z tabeli Transakcje filtrowanej przez kolumnę TypDokumentu = 'FV zakupu'. Może porównać wartości miar składowych dla dwóch miesięcy i wskazać, gdzie nastąpiła zmiana.

U jednego klienta z branży handlowej wdrożyliśmy właśnie takie zapytanie diagnostyczne. Prezes zapytał asystenta: "Dlaczego marża w lipcu jest niższa niż w czerwcu?" AI przeszło przez definicje DAX, porównało wartości miar składowych dla obu miesięcy i odpowiedziało, że przychód był wyższy w lipcu, ale COGS wzrósł proporcjonalnie mocniej, głównie w kategorii Elektronika, gdzie wartość zwrotów była wyraźnie wyższa niż miesiąc wcześniej. Zero klikania, zero otwierania raportów.

W Tableau tę ścieżkę pokazuje Metadata API: zwraca lineage od pola obliczanego przez kolumny źródłowe do fizycznej tabeli w bazie danych. AI może ten lineage przejść i wyjaśnić słowami, bez technicznego żargonu.

Nieodświeżone dane: jak AI informuje o tym zanim ktoś podejmie błędną decyzję

Power BI obsługuje zaplanowane odświeżenia (Scheduled Refresh). W konfiguracji datasetu ustawiamy harmonogram, np. codziennie o 6:00 i 14:00. Historia tych odświeżeń jest dostępna przez endpoint /datasets/{datasetId}/refreshes. Każdy wpis zawiera pola startTime, endTime, status (Completed albo Failed) i serviceExceptionJson, gdy coś poszło nie tak.

AI sprawdza ten endpoint przy każdym pytaniu o dane. Jeśli ostatni status to Failed albo endTime jest starszy niż wynikałoby z harmonogramu, AI dołącza ostrzeżenie razem z wynikiem:

"Wynik marży za sierpień: [wartość]. Uwaga: dane w tym datasecie nie odświeżyły się dziś rano. Ostatnie poprawne odświeżenie: wczoraj 14:03. Liczba może nie uwzględniać dzisiejszych transakcji."

W Tableau ekstrakt ma pole updatedAt w metadanych datasource, dostępne przez REST API. Działanie jest identyczne.

Bez takiego alertu menedżer może podjąć decyzję na podstawie danych sprzed dwóch dni i nie wiedzieć o tym. Czasem to nieistotne. Jeśli chodzi o decyzję zakupową albo ofertę cenową, może mieć znaczenie. Przynajmniej wiadomo, co się ogląda.

Komentarz do raportu dla zarządu: co pisze AI, a co weryfikuje człowiek

Raporty dla zarządu mają zwykle dwie warstwy. Pierwsza to liczby: tabele, wykresy, porównania do poprzedniego okresu. Druga to komentarz: co się wydarzyło, co budzi uwagę, co wymaga reakcji. Tę drugą warstwę ktoś musi napisać. Najczęściej robi to kontroler albo CFO, w piątek po południu, na podstawie ręcznego przejrzenia kilku raportów.

AI potrafi przejść przez miary z raportu i wygenerować draft komentarza na podstawie zmian względem poprzedniego okresu oraz alertów z datasetu. Przykładowy draft:

"Przychody w sierpniu były wyższe niż w lipcu. Marża brutto utrzymała się na zbliżonym poziomie. Wzrosły należności przeterminowane powyżej 60 dni, głównie w segmencie B2B. Koszty stałe bez zmian. W kategorii [nazwa] odchylenie od budżetu jest najwyższe w tym kwartale."

Kontroler dostaje draft, sprawdza, koryguje tam gdzie kontekst jest ważniejszy od samej liczby (np. wie, że wzrost zaległości wynika z jednej dużej faktury w trakcie sporu) i wysyła do zarządu. Zamiast pisać od zera, redaguje gotowy tekst. To jest realna różnica, szczególnie gdy raport musi wyjść w piątek przed 16:00.

Jedno zastrzeżenie, które zawsze powtarzamy klientom: AI wie tylko tyle, co widzi w modelu danych. Kontekstu biznesowego, który żyje wyłącznie w głowach ludzi, nie zna. Weryfikacja jest tu obowiązkowa, nie opcjonalna.

Od czego zaczynamy, zanim AI odpowie na pierwsze pytanie

Kilka rzeczy musi być gotowych po stronie systemu:

• Miary z czytelnymi nazwami i opisami. Jeśli miara nazywa się "m_rev_net_adj_v2", AI technicznie może ją odpytać, ale nie znajdzie jej, gdy ktoś zapyta o "przychód netto". Pole Description w definicji miary bardzo pomaga. Porządkowanie nazewnictwa to często pierwszy krok przed wdrożeniem.
• Dostęp przez API. W Power BI Service: endpoint XMLA albo REST API z /executeQueries włączone dla workspace. W Tableau: REST API z Personal Access Token lub tokenem serwisowym.
• Token serwisowy z minimalnym zakresem uprawnień. AI w Power BI działa jako Service Principal z dostępem do wybranych workspaceów. W Tableau jako użytkownik z rolą Viewer lub Explorer, nie Admin. Row-Level Security i uprawnienia do zawartości nadal obowiązują i AI ich nie omija.
• Lokalizacja Tableau Server. Jeśli Tableau działa on-premises w sieci wewnętrznej, AI musi działać w tej samej sieci albo łączyć się przez VPN. Bez tego połączenie nie jest możliwe niezależnie od konfiguracji tokenów.

I jedno ostrzeżenie na koniec. Jeśli model danych jest zaniedbany, relacje są zepsute albo miary zwracają błędy, AI to zobaczy i powie wprost. Wdrożenie asystenta AI dość często ujawnia zaległości w utrzymaniu modelu, o których dział BI wiedział od dawna, ale nikt nie miał czasu naprawić. To akurat nie jest zła wiadomość: to dobry powód, żeby w końcu to zrobić.

Jeśli chcesz sprawdzić, które dane z Power BI lub Tableau można od razu podłączyć pod AI, a które wymagają najpierw porządku w modelu, umów się na bezpłatny audyt. Jak wygląda taki asystent u innych firm, zobaczysz w realnych wdrożeniach.