I visual analitici basati su AI trasformano un report Power BI da semplice cruscotto descrittivo a strumento diagnostico: rispondono alle domande “perché” e “cosa succederà”, non solo “quanto”. A livello Associate devi sapere quale visual scegliere in ogni scenario e da cosa dipende la qualità dei risultati.

Key Influencers: individuare i driver di una metrica

Il visual Key Influencers applica modelli di ML (regressione logistica per metriche categoriche, regressione lineare per metriche continue) per rispondere a “cosa influenza questo valore”. Configuri due elementi:

  • Analizza (Analyze): la metrica-target, ad esempio Customer Rating o la probabilità di Churn = Yes.
  • Spiega per (Explain by): i possibili fattori (campi categorici o numerici).

Ha due schede: Key influencers, che classifica i singoli fattori per impatto (“quando Contract Type è Monthly, la probabilità di churn aumenta di 2,5x”), e Top segments, che individua combinazioni di fattori ad alto rischio. Scelta architetturale tipica: usa Key Influencers quando la metrica è binaria/categorica e vuoi capire i driver; è più robusto con volumi di dati adeguati e richiede che i campi in “Explain by” abbiano granularità sensata (troppe categorie univoche degradano il modello).

Decomposition Tree: analisi gerarchica ad-hoc

Il Decomposition Tree consente al lettore di “esplodere” una misura lungo dimensioni scelte interattivamente. Definisci l’Analyze (la misura, es. Total Sales) e i campi in Explain by; l’utente decide l’ordine di drill-down o lascia che sia l’AI a suggerirlo tramite:

  • High value: espande verso il valore più alto.
  • Low value: espande verso il più basso.

Queste opzioni AI trovano automaticamente il ramo più significativo, ideale per root cause analysis senza gerarchie predefinite. È la scelta corretta quando le domande sono esplorative e non conosci a priori il percorso di analisi. Nota per l’esame: puoi disabilitare le AI splits o le interazioni per ottenere un albero statico e guidato.

Q&A: linguaggio naturale, sinonimi e linguistic schema

Il visual Q&A permette all’utente di digitare domande in linguaggio naturale (“vendite per regione nel 2025”) e genera automaticamente la visualizzazione. La qualità dipende quasi interamente dal modello semantico:

  • I sinonimi (Q&A synonyms) mappano termini colloquiali sui nomi tecnici dei campi: se una tabella si chiama Employees ma gli utenti dicono “staff” o “personale”, aggiungi questi sinonimi.
  • Il linguistic schema (esportabile/importabile come file .lsdx) definisce relazioni linguistiche più ricche.
  • I Q&A terms e la review delle domande (nel pannello Q&A setup) permettono di correggere interpretazioni errate e insegnare al modello.

Come autore, prepari il modello anche eliminando ambiguità: nomi di colonna descrittivi, campi nascosti se irrilevanti, relazioni corrette. Puoi convertire un risultato Q&A in un visual standard con un clic.

Smart Narrative: riepiloghi testuali automatici

La Smart Narrative genera testo dinamico che descrive il report (trend, valori massimi/minimi, variazioni percentuali) e si aggiorna con i filtri. Puoi arricchirla con valori dinamici e testo statico personalizzato. È il complemento accessibile per chi legge il report per riepiloghi rapidi.

Analytics integrate nel line chart

Nel line chart, il riquadro Analytics e l’AZ integrano funzioni predittive:

  • Anomaly detection: evidenzia punti fuori dal pattern atteso, con banda di aspettativa e possibili spiegazioni.
  • Forecasting: proietta valori futuri con intervallo di confidenza; richiede un asse temporale continuo e punti sufficienti.

Dipendenza dalla qualità del modello

Tutti questi visual sono buoni quanto il modello sottostante. Denominazioni chiare dei campi, misure ben scritte, relazioni corrette e sinonimi curati determinano se Q&A e Key Influencers producono risposte sensate o fuorvianti. Un modello confuso genera AI insight altrettanto confusi.

Trappole tipiche d’esame

  • Scenario: l’utente vuole esplorare interattivamente dove cala il fatturato senza gerarchia fissa → Decomposition Tree con AI split “Low value” (non Key Influencers).
  • Scenario: serve capire quali fattori aumentano la probabilità di churn (categorica) → Key Influencers, non un Decomposition Tree.
  • Scenario: Q&A interpreta male “ricavi” perché il campo si chiama Revenue → aggiungi un sinonimo Q&A, non rinominare l’intero modello.
  • Scenario: il forecasting non appare sul line chart → verifica l’asse temporale continuo e un numero adeguato di punti dato.
  • Scenario: vuoi un riepilogo testuale che si aggiorni con i filtri → Smart Narrative, non una text box statica.