淡月清云的数据世界

Appearance

2025-10-19    Power BITableauAI

告别拖拉拽：我如何指挥 AI，将一个 Tableau 看板完整“翻译”为 Power BI 源码 ​

前言：当 BI 开发遇上“代码时代” ​

在商业智能（BI）领域，我们早已习惯了通过图形化界面（GUI）拖拽字段、调整格式来构建仪表板。这种方式直观易用，但当面临复杂的报表迁移、批量修改或版本控制时，其“手工作坊”式的弊端便暴露无遗。

但是，随着 Power BI 推出 .pbip 项目格式，一切都变得不同了。它将报表的定义、数据模型、布局等所有元素，都以人类可读的文本文件（如 JSON, TMDL）形式存储。这为我们打开了一扇全新的大门——“BI 即代码” (BI as Code)。

在这篇文章中，我将完整复盘一次前沿实验：在不写一行 Power BI 代码的前提下，我如何通过与 AI 编程助手对话，指挥它将一个功能完善的 Tableau 看板，完美迁移为 Power BI 报表。

这不仅是一次从 A 工具到 B 工具的简单复刻，更是一场关于未来 BI 开发模式的深度探索。

第一章：我们的目标与工具 ​

1.1 迁移目标 ​

我们的任务是将一个经典的 Tableau "Superstore" 销售看板，迁移到 Power BI 中。

原始 Tableau 看板:Tableau Superstore Dashboard

最终 Power BI 成果:Power BI Superstore Dashboard

这个看板看似简单，但五脏俱全，涵盖了 BI 看板的核心元素：

  • KPI 指标卡：7 个核心业务指标。
  • 地理可视化：按州/省展示销售额和利润率的气泡地图。
  • 时间序列分析：两个按月度展示销售趋势的面积图。
  • 交互式筛选器：四个不同维度的切片器。

1.2 核心工具 ​

  1. AI 编程助手：Claude Code
  2. Power BI Project (.pbip)：我们的“画布”，它允许我们通过修改源代码来定义报表的一切。

第二章：人机协作的四幕剧 ​

整个过程就像一出四幕剧，充满了规划、尝试、挫折和最终的成功。

第一幕：需求分析与 AI 的蓝图 ​

一切始于一个清晰的指令。我将 Tableau 的源文件、截图和数据一并交给 AI，并提出了我的要求。AI 的第一步并非盲目编码，而是像一个资深项目经理一样，先输出了一份详尽的行动计划。

👤 我： “参考这个 Tableau 看板和截图，用给定的数据源，修改 Power BI 项目文件，新建一页看板，完全复刻 Tableau 的内容。先告诉我你的计划。”

🤖 AI： “完美！现在让我制定详细计划：

第一阶段：分析和准备

  1. 分析 Tableau 看板结构（从截图和 .twb 文件）：
    • ✅ 顶部标题："Profitability Overview"
    • ✅ 7个KPI卡片：Sales, Profit, Profit Ratio...
    • ✅ 地图：按邮政编码显示 Profit Ratio（颜色），Sales（大小）
    • ✅ 左下：Monthly Sales by Segment（面积图）
    • ✅ 右下：Monthly Sales by Product Category（面积图）
    • ✅ 右侧筛选器：Order Date, Region, State/Province...

第二阶段：创建新页面 3. 在 Report 中新建页面 "Profitability Overview"...

第三阶段：添加可视化组件 4. 添加 7 个 KPI 卡片... 5. 添加地图可视化... ...

第四阶段：样式和格式化 9. 应用字体、颜色方案等...”

复盘思考： 这一步至关重要。让 AI 先出计划，确保了它完全理解了我的意图，避免了后续大量的返工。AI 的结构化思维能力在这里体现得淋漓尽致。

第二幕：初次尝试与“创造性的失败” ​

AI 根据计划，开始生成定义页面布局的 page.json 文件。它自信地将所有可视化组件的定义都写在了 visualContainers 属性里。然而，当我尝试在 Power BI Desktop 中打开时，立刻收到了一个 Schema 验证错误。

这是整个过程中最关键的转折点，真正的人机协作开始了。

👤 我： “有报错：'pages/ProfitabilityOverview/page.json': Property 'visualContainers' has not been defined and the schema does not allow additional properties...”

🤖 AI： “我明白了，看来 Power BI 的 page.json schema 不支持直接在内部定义 visualContainers。让我检查一下正确的结构... 原来如此！可视化组件需要放在独立的子文件夹中，每个组件都有自己的 visual.json 文件。 让我研究一下你提供的另一个范例项目 Retail Analysis Sample，学习正确的格式。”

复盘思考： AI 犯错了，但这并非失败。错误信息成为了最宝贵的“提示词”。我扮演的角色不是编码者，而是测试者和反馈者。AI 则展现了强大的学习和纠错能力，它能通过分析错误和学习范例，迅速掌握正确的开发范式。

第三幕：学习、适应与精确执行 ​

在理解了正确的 .pbip 结构后，AI 的工作模式发生了根本性的改变。它不再生成一个大而全的 page.json，而是开始像一个严谨的工程师一样，按部就班地创建目录和文件。

🤖 AI： “好的，我已经理解了正确的结构。现在，我将为每个可视化组件创建独立的文件夹和 visual.json 文件。首先创建第一个 KPI 卡片（Sales）：”

> Bash(mkdir -p ".../visuals/CardSales")

> Write(.../visuals/CardSales/visual.json)

json
{
  "$schema": "[https://developer.microsoft.com/json-schemas/fabric/item/report/definition/visualContainer/2.3.0/schema.json](https://developer.microsoft.com/json-schemas/fabric/item/report/definition/visualContainer/2.3.0/schema.json)",
  "name": "CardSales",
  "position": {
    "x": 10,
    "y": 60,
    "z": 1001,
    "height": 70,
    "width": 145
  },
  "visual": {
    "visualType": "card",
    "query": {
      "queryState": {
        "Values": {
          "projections": [
            { "queryRef": "Orders.Total Sales" }
          ]
        }
      }
    }
  }
}

“完美！现在创建第2个卡片 - Profit...”

这个过程被重复了 13 次，AI 精确地为 7 个 KPI 卡片、2 个面积图和 4 个筛选器分别创建了配置文件，并严格遵守了第一步规划好的坐标和尺寸。

第四幕：攻克难关与完美收官 ​

当创建面积图时，我们遇到了最后一个难题：Tableau 看板是按“月”聚合数据的，而 AI 最初生成的图表是按“天”展示的。AI 最初尝试使用 Power BI 的内置日期层次结构，但再次遇到了 Schema 错误。

这一次，它展现了更高阶的解决问题的能力：修改数据模型。

🤖 AI： “我明白了，直接引用日期层级的方式在当前 Schema 下行不通。最稳妥的方案是，在数据模型中创建一个新的计算列，专门用于表示年月。让我来修改 Orders.tmdl 文件。”

> Update(superstore dashboard.SemanticModel\definition\tables\Orders.tmdl)

dax
column 'Order Year-Month' = FORMAT(Orders[Order Date], "YYYY-MM")
  dataType: string
  lineageTag: c-order-year-month-001
  summarizeBy: none
  dataCategory: Months

“很好！现在我已经添加了新的计算列。接下来，我将更新两个面积图的 visual.json 文件，让它们的X轴使用这个新的 Order Year-Month 列。”

最终，AI 成功地修改了数据模型（添加 DAX 计算列）和报表定义，完美实现了按月聚合的功能。至此，整个看板的迁移工作宣告完成。

第三章：复盘与展望 ​

这次实验给我的震撼是巨大的，它预示着 BI 开发的一种全新可能。

1. 关键收获 ​

  • 开发者的角色转变：我的角色从一个“执行者”（报表开发）转变为一个“指挥官”（提出需求、提供反馈、验证结果）。我负责定义“做什么”，而 AI 负责“怎么做”。
  • AI 是伙伴，而非工具：AI 不再是被动执行命令的工具。它能够规划、学习、试错、纠错，成为了一个真正的开发伙伴。我们之间的交互是双向的、富有成效的对话。
  • “BI 即代码”的威力：通过操作pbip的代码，我们获得了前所未有的精确性、可复用性和自动化潜力。想象一下，未来我们可以用脚本批量生成上百个风格统一、布局一致的报表，这将是效率的巨大飞跃。

2. 未来的展望 ​

我们正站在 BI 开发新纪元的门口。随着 AI 能力的不断增强和 Power BI 开发工具链的日益成熟，我们可以预见：

  • 高度自动化的 BI 运维：通过 Git 进行版本控制，通过 CI/CD 流水线实现报表的自动化测试和部署将成为常态。
  • 自然语言驱动的开发：未来，我们可能只需要用一句话描述想要的报表，AI 就能为我们生成完整的、可交互的 .pbip 项目。
  • 技能要求的演变：BI 专业人士的价值将更多地体现在业务理解、数据建模、需求定义和 AI 指挥能力上，而非单纯的工具操作熟练度。

如果你也对这场正在发生的变革感到兴奋，不妨现在就打开一个 .pbip 项目，尝试用代码去“绘制”你的下一个数据故事吧！

Powered by 淡月清云