Microsoft Power BI (Pronóstico)

Evaluación arquitectónica de Microsoft Power BI (Predicción)

La función de Predicción está disponible en el gráfico de líneas a través del panel de Analytics en Power BI Desktop y el servicio Power BI; el método subyacente de predicción se basa en Suavizado Exponencial (ETS), tal como se ha utilizado históricamente en Power BI/Power View y herramientas relacionadas de predicción de Microsoft 📑. Power BI proporciona controles orientados al usuario para la longitud de la predicción, la estacionalidad (detección automática o entrada manual) y un control de confianza/incertidumbre; los detalles específicos de la optimización interna de hiperparámetros y el modelo de persistencia interna para los resultados de la predicción no se exponen públicamente 🌑.

Razonamiento temporal y ejecución del modelo

Power BI aplica suavizado de tipo ETS a los datos históricos en un gráfico de líneas con un eje de fecha/hora continuo. El control de Predicción espera un eje de tiempo/continuo adecuado y una cobertura histórica suficiente para una detección significativa de la estacionalidad; la documentación de Microsoft y las guías del producto recomiendan proporcionar campos de fecha/hora apropiados y ciclos históricos adecuados (se recomienda especificar manualmente la estacionalidad cuando la detección automática no es fiable) 📑 / 🧠.

• Especificación del algoritmo: La predicción utiliza modelos de la familia Suavizado Exponencial (ETS) (variantes triples/estacionales cuando hay estacionalidad) — la documentación de Microsoft/Power BI y publicaciones históricas del producto confirman ETS como el método. 📑
• Modelado de incertidumbre: El visual muestra un control de confianza/incertidumbre (visualizado como una banda sombreada). La interfaz expone controles de intervalo/confianza al usuario, pero los detalles de implementación de bajo nivel (representación exacta de varianza-covarianza) no están especificados públicamente. 📑 / 🌑
• Restricciones de datos: Requiere una serie de fecha/hora (o numérica en un eje continuo) y datos históricos suficientes para obtener resultados sensatos; las guías de buenas prácticas (comunidad y orientación de MS) recomiendan proporcionar ciclos estacionales completos y, cuando sea necesario, anular manualmente la detección automática de estacionalidad. El umbral numérico específico '40% de puntos presentes' no está documentado y fue eliminado. 🧠

⠠⠉⠗⠑⠁⠞⠑⠙⠀⠃⠽⠀⠠⠁⠊⠞⠕⠉⠕⠗⠑⠲⠉⠕⠍

Integración en el ecosistema y contexto de Fabric

Power BI es un workload dentro de Microsoft Fabric (la integración Fabric/Power BI y las capacidades de Fabric están documentadas); Fabric proporciona constructos unificados de almacenamiento y cómputo (OneLake, Capacities) que pueden ser utilizados por los workloads de Power BI, pero la ruta exacta de persistencia o cómputo utilizada por el visual de Predicción en cada tenant depende del modo de despliegue (Desktop vs Service vs capacidad de Fabric) y no está documentada como una arquitectura interna fija única. 📑 / 🧠.

• Copilot y análisis generativo: Microsoft está implementando funciones de Copilot en Fabric y Power BI (hoja de ruta/documentación anunciada). Las afirmaciones específicas de que un LLM produce narrativas de predicción matemáticamente verificadas de forma automática no están documentadas y requieren confirmación del proveedor — se dejan como no verificadas. ⌛
• Detección de anomalías: Power BI proporciona capacidades de detección de anomalías para gráficos de líneas (detección de valores atípicos y explicaciones) que pueden utilizarse junto con la predicción para marcar puntos que puedan distorsionar los pronósticos; esta capacidad está documentada. 📑

Guía de evaluación

Los evaluadores técnicos deben verificar las siguientes características arquitectónicas y evidencia del proveedor antes de confiar en las predicciones para la toma de decisiones automatizada:

• Esquema de entrada y cobertura: Confirmar que el informe utiliza un eje de fecha/hora continuo y que la cobertura histórica incluye ciclos estacionales completos relevantes para el dominio empresarial; si se utiliza la detección automática de estacionalidad, verificar forzando la estacionalidad y comparando los resultados [Inference].
• Reproducibilidad de la predicción: Solicitar pasos para exportar los valores predichos desde el visual ("Mostrar como tabla" / exportar) y reproducir la banda de confianza sombreada en un conjunto de datos de prueba independiente [Unknown].
• Impacto de licencias y despliegue: Verificar qué tenant/workspace utiliza capacidades de Fabric o Power BI Premium (límites de capacidad, cadencia de cómputo/actualización), ya que esto afecta al escalado en producción y al intercambio de artefactos de informes [Documentado].
• Precisión de Copilot / Narrativas: Si se utilizan Copilot o resúmenes generativos para predicciones, requerir ejemplos proporcionados por el proveedor y una definición de qué significa "verificado" (verificación matemática o con intervención humana) antes de depositar confianza operativa en narrativas generadas automáticamente [Unverified/Legacy].