Freigeben über

Prädiktive Datenanalysen mithilfe von Dataverse, Fabric- und Azure KI Services durchführen

In der heutigen datengesteuerten Welt verbessert die Anwendung von Predictive Analytics die Entscheidungsprozesse und die betriebliche Effizienz.

Trinkgeld

Dieser Artikel bietet ein Beispielszenario und eine allgemeine Beispielarchitektur, um zu zeigen, wie Sie mit Microsoft Dataverse, Microsoft Fabric und Azure KI Services eine prädiktive Datenanalyse durchführen. Das Architekturbeispiel kann für viele verschiedene Szenarien und Branchen modifiziert werden.

Architekturdiagramm

Architekturdiagramm der prädiktive Datenanalysen mithilfe von Dataverse, Fabric- und Azure KI Services.

Workflow

Die folgenden Schritte beschreiben den Workflow, der im Beispielarchitekturdiagramm dargestellt ist:

  1. Datenerfassung: Verwenden Sie Dataflows, um Rohdaten aus mehreren Quellen zu sammeln und zu transformieren. Speichern Sie bereinigte und vorbereitete Daten in Dataverse.

  2. Datentechnik und Modelltraining: Synchronisieren Sie Daten von Dataverse mit Fabric mithilfe der Fabric-Verknüpfung. Verwenden Sie die OneLake- und Synapse-Umgebung von Fabric, um Machine Learning-Modelle zu trainieren.

  3. Vorhersagespeicher: Speichern Sie Modellvorhersagen wieder in Dataverse oder im Delta Lake in Fabric.

  4. Visualisierung: Integrieren Sie Echtzeit-Dashboards in Power BI, um Vorhersagen und Erkenntnisse visuell darzustellen.

  5. Umsetzbare Erkenntnisse: Entwickeln Sie eine Power Apps-Canvas- oder modellgesteuerte App, um Teams in Service und Produktion vorausschauende Erkenntnisse bereitzustellen.

Komponenten

AI Builder: Extrahiert mithilfe vorgefertigter oder benutzerdefinierter Modelle wichtige Daten aus Dokumenten.

Microsoft Dataverse: Dient als zentraler Datenspeicher für aus Dokumenten extrahierte Daten und verfolgt den Fortschritt der Dokumente, wenn sie den Geschäftsprozess durchlaufen.

Power Platform: Automatisierte Workflows sammeln und transformieren Rohdaten aus mehreren Quellen.

Dataverse mit Microsoft Fabric verknüpfen: Synchronisiert Daten von Dataverse mit Fabric über die Fabric-Verknüpfung.

Azure Machine Learning: Trainiert Machine-Learning-Modelle.

Power Apps: Erleichtert die Überprüfung und Korrektur von Daten durch Menschen.

Power BI: Bietet Analysen und Einblicke in den Workflow der Dokumentenverarbeitung.

Alternativen

Azure Data Factory: Verwenden Sie Azure Data Factory anstelle von Power Platform-Dataflows, um Rohdaten aus mehreren Quellen zu erfassen und zu transformieren.

Einzelheiten zum Szenario

The scenario: Ein Unternehmen möchte die Kundenabwanderung vorhersagen, um zu verhindern, dass Benutzer unzufrieden werden.

Potenzieller Anwendungsfall: Vorhersage der Kundenabwanderung

Zu diesem Szenario gehören die folgenden spezifischen Schritte:

  • Data collection: Verwenden Sie Dataflows, um Kundendaten, zum Beispiel zu Transaktionen, Beschwerden und Bindungsbewertungen, in Dataverse zu aggregieren.

  • Modellentwicklung: Synchronisieren Sie Dataverse-Daten mit Fabric. Verwenden Sie historische Daten im Spark-Pool von Fabric, um ein Abwanderungsvorhersagemodell zu trainieren. Verwenden Sie Azure Machine Learning, um Vorhersagemodelle zu trainieren und bereitzustellen.

  • Vorhersage-Bereitstellung: Speichern Sie Vorhersagen wie z. B. die Abwanderungswahrscheinlichkeit in Dataverse.

  • Visualisierung: Erstellen Sie Power BI-Dashboards, welche die Verteilung des Abwanderungsrisikos nach Region oder Produktkategorie abbilden.

  • Benutzeraktion: Erstellen Sie eine Canvas- oder modellgesteuerte App, um sich Konten mit hohem Risiko anzeigen zu lassen und entsprechende Maßnahmen zu ergreifen.

Überlegungen

Diese Überlegungen implementieren die Säulen von Power Platform Well-Architected, eine Reihe von Leitprinzipien, welche die Qualität einer Workload verbessern. Weitere Informationen finden Sie unter Microsoft Power Platform Well-Architected.

Leistung

  • Dataflows für eine effiziente Datenerfassung: Optimieren Sie Power Platform-Dataflows für ETL-Prozesse (Extrahieren, Transformieren, Laden), indem Sie ggf. inkrementelle Aktualisierungen anwenden, um die Datenverarbeitungszeiten möglichst kurz zu halten.

  • Verbindung mit Microsoft Fabric für die Berechnung herstellen: Verwenden Sie Azure Synapse Link für Dataverse, um umfangreiche Datenberechnungs- und -analyseaufgaben an Microsoft Fabric auszulagern und so die Leistungseinbußen in Dataverse-Betriebsumgebungen möglichst gering zu halten. Verwenden Sie OneLake in Fabric, um große Datensätze mit effizienten Abfragefunktionen zu verwalten.

Sicherheit

  • Integration der Datenquellensicherheit: Schützen Sie den Zugriff auf halbstrukturierte, relationale und nicht relationale Daten, indem Sie Microsoft Entra ID für die Authentifizierung und rollenbasierte Zugriffssteuerung verwenden.

  • Governance von Daten in Fabric und Dataverse: Durchsetzung von Datenklassifizierung, Verschlüsselung ruhender Daten und Datenrichtlinien. Implementieren Sie in Power BI Sicherheit auf Zeilenebene für rollenspezifische Erkenntnisse und sorgen Sie gleichzeitig für einen weiterhin sicheren Datenzugriff.

Betriebliche Effizienz

  • Continuous Integration und Continuous Delivery für Power Platform-Lösungen: Verwenden Sie Azure DevOps oder GitHub Actions, um den Lebenszyklus von Dataverse-, Power BI- und AI Builder-Lösungen zu verwalten.

  • Versionsverwaltung von Datenmodellen: Verfolgen und dokumentieren Sie Änderungen an Machine Learning-Modellen und Transformationen in Fabric und Dataverse. Verwenden Sie Purview für eine umfassende Verwaltung der Datenherkunft und Metadaten, um die Erklärbarkeit und Rückverfolgbarkeit des Modells sicherzustellen.

Mitwirkende

Dieser Artikel wird von Microsoft gepflegt. Die folgenden Mitwirkenden haben diesen Artikel geschrieben.

Hauptautoren:

  • Last updated on