Når en Agentic BI-agent opdager afvigelsen først

En Agentic BI-agent kan overvåge KPI’er, identificere afvigelser, analysere mulige årsager og foreslå handlinger, uden at brugeren først skal åbne en Power BI-rapport eller stille et spørgsmål.

På webinaret om Agentic BI den 17. september blev der vist et eksempel på en personlig morgenbriefing. Her samlede en Agentic BI-agent resultater, budgetafvigelser og relevante oplysninger fra data og mails. Modtageren fik analysen leveret direkte i Outlook med forslag til, hvad der krævede opmærksomhed. 

Fra spørgsmål til automatisk analyse

Med Agentic BI definerer BI-teamet på forhånd, hvilke KPI’er agenten skal følge, hvornår den skal reagere, og hvilke datakilder den må anvende.

Agentic BI-agenten kan derefter:

• overvåge udvalgte KPI’er

• opdage relevante afvigelser

• undersøge mulige årsager på tværs af tilgængelige kilder

• formulere forslag til handlinger

• sende resultatet som en mail eller Teams-besked

I webinarcasen blev processen startet hver morgen kl. 9. Et flow hentede brugerens briefingprofil, hvorefter en Copilot Studio-agent byggede briefingen med data fra en Fabric Data Agent, en semantisk model og relevant mailkontekst. Resultatet blev kvalitetstjekket og sendt i Outlook. 

Mailkontekst forklarede ændringen i data

Casen tog udgangspunkt i den fiktive virksomhed Elektronikhjørnet. En mail beskrev et uddannelsesarrangement i Aarhus, som kunne påvirke trafikken omkring butikken.

Agentic BI-agenten kombinerede denne oplysning med salgs-, budget- og lagerdata. Morgenbriefingen anbefalede blandt andet ekstra bemanding i bestemte tidsrum og større synlighed omkring udvalgte produkter. Den fremhævede også en budgetafvigelse inden for TV og audio og foreslog konkrete handlinger. 

Eksemplet viser, hvorfor kontekst er afgørende. Data kan vise, hvad der er sket. Oplysninger fra mails, dokumenter eller andre systemer kan bidrage til at forklare hvorfor.

Kilderne og testarbejdet er afgørende

En Agentic BI-agent kan kun arbejde med de oplysninger, den har adgang til. Den krævende del er derfor at finde relevante og aktuelle kilder, gøre dem tilgængelige på en kontrolleret måde og sikre, at agenten bruger dem korrekt. Det kræver blandt andet:

• tydelige KPI’er og forretningsdefinitioner

• en semantisk model med forståelige navne og beskrivelser

• relevante og aktuelle datakilder

• korrekte brugerrettigheder

• mulighed for at se, hvilke kilder anbefalingen bygger på

Agenten skal også testes mange gange. Testen bør omfatte situationer med manglende data, flere samtidige afvigelser og oplysninger, der kan have ændret sig. Instruktioner, datagrundlag og output skal justeres, indtil svarene er stabile, forståelige og anvendelige. 

I det viste eksempel leverede Agentic BI-agenten analysen og handlingsforslagene, mens modtageren fortsat vurderede anbefalingerne og havde ansvaret for de efterfølgende handlinger.

Teaser:

Fra dashboards til automatisk monitorering

På webinaret om Agentic BI blev der vist, hvordan en agent kan overvåge KPI'er, identificere afvigelser, undersøge mulige årsager og foreslå handlinger, uden at en bruger først skal åbne en rapport eller stille et spørgsmål.

Agenten arbejder på baggrund af de mål, regler og datakilder, der er defineret på forhånd. Kvaliteten af resultaterne afhænger af, hvilke informationer agenten har adgang til, og hvor godt forretningskonteksten er beskrevet. Artiklen gennemgår konceptet bag Agentic BI samt de vigtigste erfaringer fra webinaret.