Partager via

Effectuer une analyse prédictive des données à l’aide de Dataverse, de Fabric et d’Azure AI Services

Dans le monde d’aujourd’hui axé sur les données, l’application de l’analyse prédictive améliore les processus de prise de décision et l’efficacité opérationnelle.

Astuce

Cet article fournit un exemple de scénario et un exemple d’architecture généralisée pour illustrer comment effectuer une analyse prédictive des données avec Microsoft Dataverse, Microsoft Fabric et Azure AI Services. L’exemple d’architecture peut être modifié pour de nombreux scénarios et secteurs différents.

Diagramme d’architecture

Diagramme d’architecture illustrant l’analyse prédictive des données avec Dataverse, Fabric et Azure AI Services.

Flux de travail

Les étapes suivantes décrivent le workflow illustré dans l’exemple de diagramme d’architecture :

  1. Ingestion des données : utilisez des flux de données pour collecter et transformer des données brutes provenant de plusieurs sources. Stockez les données nettoyées et préparées dans Dataverse.

  2. Ingénierie des données et entraînement des modèles : synchronisez les données de Dataverse à Fabric à l’aide du raccourci Fabric. Utilisez l’environnement OneLake et Synapse de Fabric pour entraîner des modèles de Machine Learning.

  3. Stockage des prédictions : enregistrez les prédictions du modèle dans Dataverse ou Delta Lake dans Fabric.

  4. Visualisation : créez des tableaux de bord en temps réel dans Power BI pour visualiser les prédictions et les informations.

  5. Informations exploitables : développez une application canevas ou une application pilotée par modèle Power Apps pour fournir aux équipes de première ligne des informations prédictives.

Composants

AI Builder : extrait des données clés des documents à l’aide de modèles prédéfinis ou personnalisés.

Microsoft Dataverse : sert de magasin de données central pour les données de document extraites et suit la progression des documents à mesure que le processus d’entreprise est appliqué.

Power Platform : les flux de travail automatisés collectent et transforment des données brutes provenant de plusieurs sources.

Lier Dataverse à Microsoft Fabric : synchronise les données de Dataverse à Fabric à l’aide du raccourci Fabric.

Azure Machine Learning : entraîne des modèles Machine Learning.

Power Apps : facilite la révision humaine et les corrections de données.

Power BI : fournit des analyses et des informations sur le flux de travail de traitement des documents.

Alternatives

Azure Data Factory : utilisez Azure Data Factory à la place des flux de données Power Platform pour collecter et transformer des données brutes provenant de plusieurs sources.

Détails du scénario

Le scénario : une société veut prédire l’abandon des clients pour éviter l’insatisfaction des utilisateurs.

Cas d’utilisation potentiel : Prédire l’attrition des clients

Dans ce scénario, les étapes spécifiques sont les suivantes :

  • Collecte de données : utilisez des flux de données pour agréger les données des clients, comme les transactions, les réclamations et les scores d’engagement dans Dataverse.

  • Développement de modèles : synchronisez les données Dataverse avec Fabric. Utilisez les données historiques du pool Spark de Fabric pour entraîner un modèle de prédiction de l’attrition. Utilisez Azure Machine Learning pour entraîner et déployer des modèles prédictifs.

  • Déploiement de prédictions : enregistrez les prédictions comme la probabilité d’abandon dans Dataverse.

  • Visualisation : créez des tableaux de bord Power BI qui montrent la répartition du risque d’abandon par région ou catégorie de produits.

  • Action de l’utilisateur : créez une application canevas ou une application pilotée par modèle pour afficher et agir sur les comptes à haut risque.

Considérations

Ces considérations mettent en œuvre les piliers de Power Platform Well-Architected, un ensemble de principes directeurs qui améliorent la qualité d’une charge de travail. Pour en savoir plus, consultez Microsoft Power Platform Well-Architected.

Performances

  • Flux de données pour une ingestion efficace des données : optimisez les flux de données Power Platform pour les processus ETL (extraction, transformation, chargement) en appliquant une actualisation incrémentielle, le cas échéant, pour minimiser les temps de traitement des données.

  • Lier à Microsoft Fabric pour les calculs : utilisez Azure Synapse Link pour Dataverse pour décharger les tâches lourdes de calcul et d’analyse des données dans Microsoft Fabric pour garantir un impact minimal sur les performances des environnements Dataverse opérationnels. Utilisez OneLake dans Fabric pour gérer des ensembles de données volumineux avec des capacités de requête efficaces.

Sécurité

  • Intégration de la sécurité des sources de données : sécurisez l’accès aux données semi-structurées, relationnelles et non relationnelles en utilisant Microsoft Entra ID pour l’authentification et les contrôles d’accès basés sur les rôles.

  • Gouvernance des données dans Fabric et Dataverse : appliquer la classification des données, le chiffrement au repos et les stratégies de données. Mettez en œuvre la sécurité au niveau des lignes dans Power BI pour obtenir des informations spécifiques au rôle tout en conservant un accès sécurisé aux données.

Excellence opérationnelle

  • Intégration continue et livraison continue pour les solutions Power Platform : utilisez ou GitHub Actions pour gérer le cycle de vie des solutions Azure DevOps, Dataverse, Power BI et AI Builder.

  • Contrôle de version des modèles de données : suivez et documentez les modifications apportées aux modèles et transformations Machine Learning dans Fabric et Dataverse. Utilisez Purview pour une gestion complète de la traçabilité des données et des métadonnées afin de garantir l’explicabilité et la traçabilité du modèle.

Contributeurs

Microsoft gère cet article. Les contributeurs suivants ont écrit cet article.

Principaux auteurs :

  • Last updated on