02 • 34 • 09 • 31 • 70
L'intégration des modèles de langage (LLM) et des algorithmes de machine learning dans les outils décisionnels promet une révolution pour la prise de décision. C'est précisément le pari de Microsoft Copilot intégré à Power BI.
L'objectif est ambitieux : générer des tableaux de bord (dashboards), explorer de volumes importants de données et produire des analyses avancées d'un simple prompt en langage naturel.
Concrètement, l'autonomie et la fiabilité de Copilot en tant qu'assistant d'analyse décisionnel se mesurent à son comportement face à une source de données typique de l'entreprise (fichiers importés type CSV, Excel, ou via des bases de données relationnelles). Ses capacités de reporting, la génération des indicateurs de performance et la visualisation des données révèlent rapidement les véritables points forts et les limites de cet outil de visualisation.
Il convient également d'emblée de distinguer les deux environnements d'exécution de l'outil : Power BI Desktop (orienté vers la création pour les développeurs) et Power BI Service en ligne (orienté vers la consultation pour les décideurs). Si les interfaces diffèrent, le moteur d'intelligence artificielle (l'engine analytique) sollicité reste strictement le même.
Il est à noter qu’au-delà du support de restitution, le comportement de l'IA est étroitement lié à la maturité des données qui lui sont soumises. Face à une source brute, l'outil peut s'égarer ; adossé à un modèle sémantique structuré, combinant modélisation métier classique et recours à la fonction native "Préparer les données pour l'IA", il gagne immédiatement en pertinence et réduit drastiquement les contresens. Il convient dès lors d'aborder la suite avec une distinction clé : si certaines limites restent inhérentes à l'outil actuel quel que soit le contexte, les erreurs chiffrées les plus sévères constituent, quant à elles, la conséquence directe de données laissées brutes.
Voici les grands enseignements de cette évaluation.
Génération de tableaux de bord avec Copilot dans Power BI : possibilités et limites
La promesse phare de Copilot est la création instantanée de rapports et de tableaux croisés dynamiques interactifs. Qu'il s'agisse de traiter un sujet précis ou de le laisser proposer des thématiques ("Suggest content"), l'IA excelle à identifier les dimensions pertinentes pour structurer une data visualisation macroscopique sans nécessiter d'interminables clics ou un fastidieux glisser-déposer.
Cependant, la conception visuelle de cette interface se heurte à plusieurs limites récurrentes :
- Une mise en page perfectible : Les segments de filtrage (slicers) pour filtrer les indicateurs sont systématiquement superposés ou positionnés de manière étriquée dans le bandeau supérieur, coupant les libellés de texte. De plus, les titres générés conservent souvent une formulation hybride (franglais). Ces problèmes d'ergonomie peuvent toutefois être corrigés avec de bonnes pratiques UX UI.
- L'obsolescence de certains composants : Étonnamment, face à une demande de cartographie (cartes interactives ou représentations géographiques), Copilot insère par défaut l'ancien visuel Bing Maps, pourtant frappé d'un avertissement d'obsolescence par Microsoft. Le nouveau standard Azure Maps n'est pas adopté spontanément.
- Le risque d'erreurs possibles sur des données brutes : Copilot ne possède aucun recul métier. Sans une préparation des données rigoureuse (Data Management), l'IA tente de compenser en créant des agrégations sauvages. Le résultat peut s'avérer désastreux face à des données complexes issues d'un ERP ou d'un data warehouse : lors des tests, Copilot a généré un KPI affichant 40 000 médailles pour les femmes, soit la totalité globale des médailles confondues (l'erreur approchant les 300 %).
- Sur une demande d'analyse chronologique non cadrée, un « spaghetti chart » totalement illisible a également été produit, bien loin des meilleures représentations visuelles attendues d'un tel outil d'analyse.
Le Récit Intelligent (Smart Narrative) : l'IA textuelle face au défi de la synchronisation
Pour faciliter la visualisation et le storytelling, l'IA est capable de lire les matrices croisées sous-jacentes du rapport pour en extraire des informations exploitables, formulées de manière claire et structurée.
Toutefois, cette fonctionnalité s'accompagne d'un choix d'architecture technique qui impacte l'expérience utilisateur, particulièrement lors de la consultation du module de reporting textuel sur Power BI en ligne :
- L'actualisation manuelle obligatoire : Afin de préserver les capacités analytiques du serveur (les Unités de Capacité Fabric), le texte narratif ne se met pas à jour en temps réel lors du clic sur un filtre. Un bandeau « L'élément visuel comporte des modifications en attente [Actualiser] » apparaît. L'appel au LLM doit donc être validé manuellement par le consommateur du rapport.
- Le risque de contradiction interne : Ce décalage entre les visuels générés (qui place des champs sur des graphes ou métriques) et la synthèse générée (qui lit les données) peut mener à des situations absurdes. Sans cette mise à jour validée par l'utilisateur, on observe une grave contradiction. Sur le modèle volontairement non préparé, une page présentait une carte KPI affichant un chiffre faux (34K), tandis que l'analyse prédictive ou descriptive textuelle adjacente indiquait la valeur exacte (9 441).
Interroger les données avec Copilot : réponses et transparence grâce à HCAAT
L'un des points forts de Copilot réside dans sa capacité à répondre à des questions précises (Q&A), facilitant le self service BI. Cette fonctionnalité constitue d'ailleurs le cœur de l'expérience sur Power BI Service (en ligne), où les utilisateurs finaux interrogent directement les données pour obtenir des réponses rapides sans écrire de requêtes SQL Server.
Interrogé par : "Quel pays a remporté le plus de titres aux Jeux d'été entre 1980 et 2000 ?", l'outil trouve la réponse exacte (Les États-Unis, 651 médailles d'or).
Mais la véritable réussite de Microsoft à ce niveau est la gouvernance. Copilot ne se contente pas de donner un chiffre isolé, il intègre un volet d'explicabilité nommé HCAAT (How Copilot arrived at this).
Ce panneau détaille l'arbre d'audit complet de l'IA : les champs utilisés, les connexions, la traduction sémantique opérée (comprendre que le mot "titres" désigne les "médailles d'or") et les filtres de contexte appliqués.
Ce niveau de transparence est une véritable aide à la décision car l'IA reste faillible. Lors d'un second essai avec la même question, Copilot a spontanément assimilé le mot "titres" à la mesure globale "Total Médailles" (qu'il a lui-même ajoutée dans la question), renvoyant ainsi le chiffre de 1 284 (tous métaux confondus) au lieu des 651 médailles d'or attendues.
C'est précisément ici que le volet HCAAT révèle son utilité : en affichant clairement la mesure utilisée et la réécriture du prompt en sous-titre, il permet à l'analyste ou au décideur de déceler immédiatement l'erreur de ciblage sémantique et d'éviter la diffusion d'un chiffre erroné.
Attention toutefois : si l'outil n'a pas été enrichi avec un dictionnaire métier via les "Instructions IA" (outil d'optimisation) en amont sur la version Desktop, Copilot perd cette capacité d'interrogation en profondeur et se limite à une simple recherche textuelle sur les différents types de graphiques déjà présents à l'écran.
Générer des mesures DAX avec Copilot dans Power BI
Contrairement à l'interrogation de données en langage naturel, la génération de code est une exclusivité de l'environnement Power BI Desktop, conçue pour épauler le designer décisionnel.
Dans la vue "Requêtes DAX", Copilot agit comme un véritable assistant pour le développeur. Du code propre et commenté est généré pour créer des tableaux ou des mesures calculées, intégrant de bonnes pratiques comme l'utilisation de la fonction DIVIDE() pour gérer les erreurs de division par zéro. L'IA sait également s'appuyer sur des mesures existantes pour construire des indicateurs plus complexes (tels que des ratios d'efficacité par athlète ou faciliter la transformation des données via des algorithmes spécifiques).
Cependant, l'expertise d'un développeur Power BI reste indispensable pour pallier certaines faiblesses :
- Omission des transitions de contexte : Sur des mesures complexes, la gestion fine du contexte de filtre est souvent ignorée (ex: utiliser REMOVEFILTERS pour stabiliser un dénominateur).
- Omission du formatage : L'IA renvoie fréquemment des nombres décimaux bruts (données affichées en décimales) au lieu de configurer les pourcentages par défaut.
- Le risque d'anti-patterns : Si l'IA est laissée libre de suggérer des mesures sur un modèle non nettoyé, elle peut générer des calculs extrêmement lourds pour le moteur (comme forcer l'usage d'un itérateur AVERAGEX sur une colonne de texte), affectant les performances de traitement sur les volumes importants de données.
Copilot dans Power BI Service : fonctionnalités et points de vigilance
La distinction entre les environnements de création (Desktop) et de consultation (En ligne) implique des fonctionnalités différentes. Sur le portail web interactif (Power BI Service), l'outil s'adresse aux consommateurs via leur navigateur. L'usage de Copilot bascule vers une consultation assistée pour les décideurs. Concrètement, sur la partie online, Copilot permet de :
- Générer des résumés exécutifs : Synthétiser instantanément les points clés pour visualiser les rapports de manière globale (ex. : « Résume-moi les indicateurs principaux de cette page »).
- Explorer les données à la volée (Q&A) : Poser des questions en langage naturel pour générer de nouveaux graphiques avec une visualisation complète ou obtenir des chiffres précis, sans modifier le tableau de bord d'origine pour les autres utilisateurs (idéal pour le suivi des ventes (sales), le e-commerce ou le retail).
- Consulter des récits dynamiques : Lire les analyses textuelles (Smart Narrative) constamment actualisées, avec la fameuse contrainte d'actualisation manuelle (sous réserve de validation) lors de l'application de filtres.
Cependant, un constat incontournable demeure : l'outil natif d'optimisation (dictionnaire métier, synonymes, masquage des tables via Power Query, Power Pivot) doit impérativement être configuré par l'admin ou les développeurs dans Power BI Desktop avant toute publication.
Le moteur de Copilot en ligne héritant strictement du modèle sémantique publié, un jeu de données brut transféré tel quel sur le web entraînera les mêmes erreurs de représentations graphiques, les mêmes erreurs de génération (les 40 000 médailles féminines) et les mêmes agrégations défectueuses auprès des consommateurs finaux. Le risque d'induire les comités de direction en erreur s'en trouve alors démultiplié.
Conclusion : tirer parti de Copilot dans Power BI
Microsoft Copilot ne remplace ni le travail de modélisation du consultant BI, ni les étapes indispensables de préparation et d'intégration des données. Face à des données brutes, la production de dette technique et d'erreurs visuelles est surtout accélérée, compromettant gravement la justesse des analyses en ligne.
En revanche, dès lors qu'il est adossé à un modèle sémantique rigoureusement préparé (schéma propre, mesures certifiées, instructions métier claires), Copilot devient un formidable amplificateur de productivité, l'un des meilleurs outils pour explorer vos données et réaliser des analyses plus approfondies. Son excellence dans la rédaction de synthèses textuelles, l'exploration macroscopique et le prototypage de code DAX offre un gain de temps précieux aux équipes data, consolidant sa position sur le marché de la business intelligence.
FAQ : Tout savoir sur Copilot et l'analyse et la restitution des données dans Power BI
À quelles sources de données Copilot dans Power BI peut-il accéder ?
Copilot peut accéder à toutes les sources de données, à condition qu'elles soient intégrées dans le modèle sémantique Fabric / Power BI. Qu'il s'agisse de bases de données (SQL Server, MySQL, Oracle), de fichiers (CSV, Excel), de flux de grands volumes de données (Hadoop, Apache) ou d'API (JSON, Google Analytics, IoT), Copilot est capable d'analyser les données importées via les connecteurs natifs ou les connexions ODBC.
Copilot peut-il remplacer Power Query pour préparer les données ?
Non. Power Query reste indispensable pour obtenir des données, fusionner et réaliser la transformation des données brutes. Copilot s'appuie sur le modèle finalisé, propre et relationnel, pour créer un rapport ou un dashboard interactif exploitable.
Comment partager ou exporter les rapports créés avec Copilot ?
Les tableaux de bord générés peuvent être partagés dans des espaces de travail collaboratifs (Sharepoint, Teams). Les données de l'entreprise ou visualisations interactives peuvent également s'exporter classiquement (Format PDF, export Excel de la feuille de calcul).
Comment Copilot dans Power BI se compare-t-il aux autres outils de BI ?
L'intégration de l'IA générative permet à Microsoft Power BI de consolider son avance face à des concurrents majeurs tels que Tableau, Qlik Sense, Looker Studio (anciennement Google Data Studio) ou SAP Web Intelligence. L'avantage distinctif de Copilot réside dans sa profonde intégration avec l'écosystème Microsoft et dans ses capacités analytiques avancées, entièrement pilotables en langage naturel.
Nos consultants Next Decision sont experts certifiés Power BI et vous accompagnent dans votre projet Power BI. Nous pouvons également vous former, Contactez-nous !
