AI 凭借其强大的文字处理能力席卷而来，我们对此已司空见惯。而以深度分析见长的 DeepSeek，是否能够助力我们开展具体的数据分析呢？让我们以 PowerBI 中的一个经典问题为例，一同探究 DeepSeek 的表现究竟如何。
假设有两张表，一个是每日销售表，一个是每月目标表，模拟数据如下：
在PowerBI如何建模分析，来计算每个月每个产品的目标完成情况？
就这个问题，我向Deepseek这样提问：
我的数据源有两张表，一个是每日销售表（字段有日期、产品名称、实际销量），一个是每月目标表（字段有年度月份、产品名称、目标销量）；我的需求是，按月、按年来统计每个产品的目标完成情况。请问用PowerBI进行分析，应该如何建立数据模型？
我的本意是先进行第一步建立数据模型，不过它经过长达46秒的思考，分5个步骤给出了很全面的回答，下面来看看它的具体效果。
第1步它知道应该先建立日期表，很厉害，这一点很多初学者都未必有这个习惯，它给出的公式也可以直接用，不过这是DAX公式来建立计算表的，它却说这是PowerQuery，细节有瑕疵，如果你不了解的情况下，真是用这个公式在PowerQuery中是无法建立日期表的。
第2步是整理原始数据的两种表：
在销售表中添加个每月1号的字段，这种思路很巧妙，可以实现效果，不过很没有必要，直接用日期字段与日期表的日期建立关系就可以。在目标表中将年度月份转换为日期类型的说法不准确，它的做法实际上是添加个计算列，使目标表中有个日期的字段，以便与日期表建立关系，这个做法完全正确，不过对于计算列的DAX公式，它仍然当成是PowerQuery。
第3步建立数据模型关系，把这几个表之间模型关系方向，以及基数都表达了出来，一个经典的星型模型，非常好。
不过产品表是从哪里冒出来的？虽然的确应该有个产品维度表，不过在前面的2个步骤都完全没有提到这个表:(
第4步建立关键度量值，这次终于知道这些公式是DAX了，对于目标销量，完全不用写这么复杂，没有必要用USERELATIONSHIP函数，因为上一步的关系并没有虚线关系，其他两个度量值没有问题。
第5步给出了可视化建议，用矩阵或者折线和簇状柱形图来展示目标完成情况，很贴切。
它还进一步给出了关键注意事项，这些建议对新手确实有用。
最后，它给出了模型示意图，说了一大堆，原来它并没有忘记我向它提出的正在问题呀:)
非常巧妙的利用这些简单字符的排版，形成一个直观的PowerBI模型关系图，棒棒哒~
其实上面提出的问题是我之前分享过的一个PowerBI案例，你可以参考这篇文章，理解并对照我和DeepSeek的处理思路：
Power BI数据分析入门案例：目标实际对比
通过Deepseek的回答，我相信Deepseek真正理解了我提出的问题，给出了适用于PowerBI的处理思路，整体思路也没有问题，不过在细节上有不少瑕疵，如果你不了解PowerBI，完全照搬它的每一个步骤，肯定是走不通的。
这也是当前各种 AI 普遍存在的幻觉，AI 能够为你提供诸多建议，输出较为全面的观点，但在特定领域真正处理细节问题时，我们却不能对其完全依赖。
AI 更像是一个知识渊博、性格豪放的专家，擅长为你指明方向、提出建议，然而若要求其亲自上阵，去切实解决某一具体问题，它便会表现得得粗枝大叶，它仍然会一顿输出，但输出结果是否准确，则需要用户自行甄别。
因此，我们仍需在自身所处领域不断学习、持续精进，将 AI 作为辅助工具，能够精准分辨出 AI 输出内容中存在错误、需要修正的部分，并且知晓如何修正，才能真正让 AI 助力我们提升工作效率。
PowerBI星球的最新2024版内容合辑，值得你收藏学习：
