เดิมทีการหา Insight จากข้อมูลต้องผ่านนักวิเคราะห์หรือที่ปรึกษา แต่วันนี้เราคุยกับ AI ด้วยภาษาธรรมชาติได้โดยตรง และ AI ยังลงมือช่วยสร้าง Data Model เขียนสูตร DAX และตอบคำถามจากข้อมูลองค์กรได้ บทความนี้สรุปแนวคิด Agentic Analytics บน Power BI และ Microsoft Fabric จากอาจารย์ชไลเวท (Microsoft MVP จาก 9Expert) ตั้งแต่ขั้นตอน เครื่องมือ ตัวอย่างที่สาธิต ไปจนถึงข้อควรระวัง
Agentic Analytics คืออะไร
Agentic Analytics คือ Data + AI + Automation หมายถึงการที่ AI ไม่ได้แค่ตอบคำถาม แต่ลงมือทำงานกับข้อมูลได้เอง เช่น สร้าง Data Model, เขียนสูตร DAX หรือสร้าง Visualization

เมื่อเทียบกับการทำงานแบบเดิม วิดีโอชี้ความต่างไว้ 3 เรื่อง
การหา Insight: เดิมต้องถามนักวิเคราะห์หรือที่ปรึกษา ตอนนี้ถาม AI ด้วยภาษาธรรมชาติได้โดยตรง
การเก็บข้อมูล: เดิมข้อมูลกระจายอยู่คนละที่ ตอนนี้เน้นรวมศูนย์ (Data-Centric) บน Cloud เช่น Lakehouse บน Microsoft Fabric
Dashboard และความปลอดภัย: บางองค์กรสร้าง Dashboard เป็น HTML ไปแชร์ภายนอก ซึ่งองค์กรระดับ Enterprise กังวลเรื่องข้อมูลรั่ว Agentic Analytics ให้ AI สร้าง Interactive Visualization บน Pipeline หลักที่ปลอดภัยแทน
ต่างจาก Copilot หรือแชตบอททั่วไปอย่างไร
ไม่ใช่แชตบอทตอบทั่วไป แต่เป็น Data Agent และ Operation Agent ที่ผูกกับ Semantic Model และบริบทภาษาธุรกิจขององค์กร (Ontology)
ใช้ MCP (Model Context Protocol) ซึ่งเปรียบเหมือนพอร์ต USB เชื่อม AI เข้ากับ Semantic Model หรือ Fabric IQ ได้โดยตรง ไม่ต้องส่ง Data Model ทั้งก้อนให้ AI
รองรับ Row-Level Security (RLS) ผู้ใช้แต่ละคนเห็นข้อมูลตามสิทธิ์ของตนเอง
6 ขั้นตอนการสร้าง AI ที่คุยกับข้อมูลองค์กร
แบ่งการสร้าง Data Agent เป็น 6 ขั้นตอน เรียงตามลำดับดังนี้

เตรียม Fabric Capacity: ในตัวอย่างเปิดขั้นต่ำที่ F2 ต้องใช้ License ของ Fabric จริง ใช้บัญชี Trial ไม่ได้
Setup Workspace และสร้าง Lakehouse: กำหนด Workspace ให้ใช้ Fabric Capacity แล้วสร้าง Lakehouse เป็นจุดเก็บข้อมูลรวมศูนย์ นำข้อมูลเข้าผ่าน Data Copy หรือเขียน Notebook เพื่อ Import
สร้าง Ontology: กำหนดภาษาธุรกิจ ความหมาย และความสัมพันธ์ของข้อมูล เช่น ประเภทคอร์ส Public / In-House / Hybrid เพื่อให้ AI เข้าใจบริบทธุรกิจ
สร้าง Data Agent และ Operation Agent: ผูก Entity, Ontology และ Data Source เข้าด้วยกัน ใส่ Agent Instruction (บทบาท Workflow และสูตรคำนวณ) แล้วทดสอบในแผงทดสอบ
พูดคุยและทดสอบ Data Agent: ถามด้วยภาษาธรรมชาติ เช่น ถามยอดขาย หรือสั่งให้วิเคราะห์จุดแข็งจุดอ่อนของพนักงานขาย
Publish และนำไปใช้งาน: เผยแพร่ Data Agent ขึ้น Cloud แล้วเรียกใช้ผ่าน Microsoft Teams, M365 Copilot หรือ AI ภายนอกอย่าง Claude ผ่าน MCP

นอกจาก 6 ขั้นนี้ ในพาร์ทการพัฒนา Power BI ผู้พูดยังสาธิตการใช้ Power BI Authoring MCP เชื่อม AI เข้ากับ Power BI Desktop เพื่อช่วยอ่านอธิบายสูตร DAX และสร้าง Dimension / Time Intelligence
เครื่องมือและการตั้งค่า
ภายในวิดีโอใช้เครื่องมือ 2 ชุดหลัก ชุดแรกคือ Fabric IQ สำหรับ Data Agent ชุดที่สองคือ Power BI Authoring MCP สำหรับพัฒนา Data Model บน Power BI Desktop
เครื่องมือ / ฟีเจอร์ | ใช้ทำอะไร | หมายเหตุ |
Microsoft Fabric (Fabric IQ) | Workspace แบบ Fabric Capacity และ Lakehouse | ตัวอย่างใช้ F2 |
Ontology | สร้างบริบทภาษาธุรกิจขององค์กร | สถานะ Preview ตอนอัดคลิป |
Data Agent / Operation Agent | ตอบคำถามหรือทำ Automation ผูกกับ Ontology, Data Source และ Instruction | ทดสอบได้ในแผงทดสอบก่อน Publish |
Microsoft Fabric IQ MCP | เชื่อม AI ภายนอกเข้ากับ Fabric IQ / Data Agent | ตัวอย่างใช้กับ Claude |
Power BI Authoring MCP (ชื่ออื่น: Power BI Modeling MCP, Power BI Authoring MCP Server) | Extension เชื่อม AI กับ Semantic Model ใน Power BI Desktop | เหมาะกับพัฒนา Model/DAX ไม่ใช่ Q&A |
AI Interfaces | Microsoft Copilot / M365 Copilot, Claude Desktop, VS Code | ในคลิปนี้ใช้ทั้ง 3 ตัว |
ตัวอย่างภายในคลิป
ตัวอย่างในคลิปแบ่งเป็น 4 กลุ่ม
สร้างและทดสอบ Data Agent (Expert Sales Agent): ถามว่าเซลล์คนไหนขายเก่งที่สุด AI ดึงตารางยอดขายมาตอบว่าคุณบุญสม ยอดขาย 8 ล้านบาท จากนั้นสั่งให้วิเคราะห์จุดแข็งจุดอ่อน ได้ผลว่าเด่นเรื่องปริมาณยอดขาย
เรียกผ่าน Microsoft Copilot: พิมพ์ /agent เลือก Expert Sales Agent แล้วสั่ง "ดูยอดขาย แยกตามภูมิภาค" หรือถามว่าหลักสูตรไหนขายดีที่สุด ได้สรุปคอร์สขายดี เช่น Digital Marketing, Power BI และ Excel Advance จากข้อมูลย้อนหลัง 2 ปี
เรียกผ่าน Claude + Fabric IQ MCP: ดึงข้อมูลคอร์สเรียนและยอดขาย โดยระบบทำงานภายใต้ Row-Level Security คุมสิทธิ์การเห็นข้อมูลตามผู้ใช้
พัฒนา Data Model และ DAX ด้วย Power BI Authoring MCP: เชื่อมกับไฟล์ Power BI Desktop ขายรถยนต์มือสอง (8 ตาราง, 53 คอลัมน์/measure) ให้ AI อธิบายสูตร DAX ชื่อ % margin py ซึ่งใช้ CALCULATE กับ SAMEPERIODLASTYEAR และให้สร้าง dim date กับคอลัมน์ Fiscal Year พร้อมจัดการ Relationship ให้


โครง Agent Instruction
Agent Instruction ควรกำหนดบทบาท Workflow และสูตรคำนวณ โครงด้านล่างผู้เขียนพัฒนาเองจาก 3 หัวข้อนั้น เป็นแค่ตัวอย่างให้ปรับใช้ หากทดลองจริงควรปรับให้เข้ากับข้อมูลขององค์กร
บทบาท: คุณคือผู้ช่วยวิเคราะห์ยอดขายของบริษัท ตอบเป็นภาษาไทย
Workflow: เลือกตารางจาก Ontology ก่อน แล้วค่อยสรุปผล หากคำถามไม่ชัดให้ถามกลับ
สูตรคำนวณ: ยอดขาย = ผลรวมของคอลัมน์ยอดขายในตารางคำสั่งซื้อ (แก้ให้ตรงกับสูตรจริงขององค์กร)
ข้อควรระวังและข้อจำกัด
ข้อจำกัดที่กระทบการเริ่มใช้งานมากที่สุดคือ License และสถานะ Preview ของ Ontology ส่วนข้ออื่นเกี่ยวกับความปลอดภัยและการตรวจสอบของคน
License: Fabric Capacity ต้องเปิดขั้นต่ำระดับ F2 และต้องใช้ License จริง ใช้บัญชี Trial ไม่ได้
สถานะฟีเจอร์: Ontology ยังอยู่ในสถานะ Preview ตอนอัดวิดีโอ (กำลังเตรียมเข้าสู่ GA) ควรตรวจสถานะล่าสุดก่อนนำไปใช้
Cross-Geo Processing: ต้องเปิดใน Tenant Setting ซึ่งหมายความว่าข้อมูลอาจถูกประมวลผลนอกภูมิภาค ควรตรวจกับนโยบายข้อมูลขององค์กรก่อนเปิด
ขอบเขตของ Power BI Authoring MCP: ไม่เหมาะกับการทำแชตถามตอบข้อมูล (Q&A) เหมาะกับการปรับแต่ง แก้ไข และพัฒนา Data Model / DAX
คนต้องตรวจและอนุมัติ: แม้ AI เขียนสูตร DAX หรือสร้าง Data Model ได้ ผู้ใช้ต้องตรวจความถูกต้องของสูตรและบริบทก่อนเสมอ
ความปลอดภัยของข้อมูล: ระวังการสร้าง HTML Dashboard แชร์ภายนอก เพราะเสี่ยงข้อมูลสำคัญรั่วไหล และต้องตั้ง Row-Level Security ไม่ให้ผู้ใช้เห็นข้อมูลเกินสิทธิ์
Dashboard ไม่ใช่ปลายทาง: การสร้าง Dashboard ได้ง่ายขึ้นไม่ใช่จุดสิ้นสุด แต่เป็นสะพานจาก Data ไปสู่การตัดสินใจของผู้บริหาร
สรุป
Agentic Analytics คือการรวม Data, AI และ Automation เข้าด้วยกัน และเป็นทักษะสาย Data ที่ไม่ควรพลาดในยุคนี้
ผู้ทำงานกับ Data ควรนำ AI มาประยุกต์ใช้ เพื่อเพิ่มความเร็วและประสิทธิภาพ
องค์กรควรพัฒนาบน Pipeline มาตรฐานที่ปลอดภัย เช่น Power BI และ Fabric มากกว่าใช้เครื่องมือภายนอกที่ควบคุมความปลอดภัยไม่ได้
AI ช่วยให้สร้าง Model และ Dashboard ได้สะดวกขึ้น แต่คนยังต้องเข้าใจ ตรวจความถูกต้อง และนำ Insight ไปใช้ตัดสินใจ

