Udostępnij przez

Przeprowadzanie predykcyjnej analizy danych przy użyciu usługi Dataverse, programu Fabric i usługi platformy Azure AI

W dzisiejszym świecie opartym na danych stosowanie analiz predykcyjnych usprawnia procesy decyzyjne i wydajność operacyjną.

Wskazówka

Ten artykuł zawiera przykładowy scenariusz i uogólnioną przykładową architekturę, aby zilustrować sposób wykonania predykcyjnej analizy danych z Microsoft Dataverse, Microsoft Fabric i usługami Azure AI. Przykładowa architektura może być modyfikowana dla wielu różnych scenariuszy i branż.

Wykres architektury

Przeprowadzanie predykcyjnej analizy danych przy użyciu usługi Dataverse, programu Fabric i usługi platformy Azure AI.

Workflow

W poniższych krokach opisano przepływ pracy pokazany na przykładowym diagramie architektury:

  1. Pozyskiwanie danych: używanie przepływów danych do zbierania i przekształcania nieprzetworzonych danych z wielu źródeł. Przechowuj oczyszczone i przygotowane dane w Dataverse.

  2. Inżynieria danych i trenowanie modelu: synchronizowanie danych z Dataverse do Fabric przy użyciu skrótu. Użyj środowiska OneLake i Synapse usługi Fabric do trenowania modeli uczenia maszynowego.

  3. Magazyn przewidywań: zapisuj przewidywania modelu z powrotem w Dataverse lub w Delta Lake w Fabric.

  4. Wizualizacja: twórz pulpity Power BI nawigacyjne w czasie rzeczywistym, aby wizualizować przewidywania i szczegółowe informacje.

  5. Praktyczne spostrzeżenia: Opracuj # Power Apps kanwa lub aplikacja oparta na modelu, aby zapewnić zespołom pierwszej linii predykcyjne spostrzeżenia.

Elementy

AI Builder: wyodrębnia kluczowe dane z dokumentów przy użyciu wstępnie utworzonych lub niestandardowych modeli.

Microsoft Dataverse: Służy jako centralny magazyn danych dla wyodrębnionych danych dokumentów i śledzi postęp dokumentu w całym procesie biznesowym.

Power Platform: Zautomatyzowane przepływy pracy zbierają i przekształcają nieprzetworzone dane z wielu źródeł.

Połącz Dataverse z Microsoft Fabric: synchronizuje dane z Dataverse sieci Fabric za pomocą skrótu do sieci Fabric.

Azure Machine Learning: trenuje modele uczenia maszynowego.

Power Apps: Ułatwia weryfikację przez człowieka i poprawianie danych.

Power BI: Dostarcza analizy i wgląd w przepływ pracy przetwarzania dokumentów.

Alternatywy

Azure Data Factory: użyj Azure Data Factory zamiast Power Platform przepływów danych do zbierania i przekształcania nieprzetworzonych danych z wielu źródeł.

Szczegóły scenariusza

Scenariusz: Firma chce przewidzieć odpływ klientów, aby zapobiec niezadowoleniu użytkowników.

Potencjalny przypadek użycia: przewidywanie odpływu klientów

W tym scenariuszu konkretne kroki obejmują:

  • Zbieranie danych: użyj przepływów danych, aby zagregować dane klientów, takie jak transakcje, reklamacje i wyniki Dataverse zaangażowania.

  • Opracowywanie modelu: synchronizowanie Dataverse danych z Fabric. Użyj danych historycznych w puli Spark usługi Fabric, aby wytrenować model przewidywania rezygnacji. Używanie usługi Azure Machine Learning do trenowania i wdrażania modeli predykcyjnych.

  • Wdrożenie przewidywania: zapisz przewidywania, takie jak prawdopodobieństwo Dataverse rezygnacji.

  • Wizualizacja: twórz Power BI pulpity nawigacyjne, które pokazują rozkład ryzyka rezygnacji według regionu lub kategorii produktów.

  • Działanie użytkownika: utwórz kanwa lub aplikacja oparta na modelu, aby wyświetlać konta wysokiego ryzyka i wykonywać na nich działania.

Kwestie wymagające rozważenia

Te zagadnienia implementują filary Power Platform dobrze zaprojektowanego środowiska, czyli zestaw założeń przewodnich, które poprawiają jakość zadania. Dowiedz się więcej w Microsoft Power Platform artykule Dobrze zaprojektowane środowisko.

Wydajność

  • Przepływy danych w celu wydajnego pozyskiwania danych: zoptymalizuj Power Platform przepływy danych dla procesów ETL (wyodrębnianie, przekształcanie, ładowanie), stosując odświeżanie przyrostowe tam, gdzie ma to zastosowanie, aby zminimalizować czas przetwarzania danych.

  • Łącze do Microsoft Fabric zasobów obliczeniowych: użyj Azure Synapse funkcji Łącze dla Dataverse , aby odciążyć ciężkie zadania związane z obliczeniami i analizą danych, aby Microsoft Fabric zapewnić minimalny wpływ na wydajność środowisk operacyjnych Dataverse . Użyj usługi OneLake w usłudze Fabric, aby zarządzać dużymi zestawami danych z wydajnymi możliwościami wykonywania zapytań.

Zabezpieczenia

  • Integracja zabezpieczeń źródła danych: Zabezpiecz dostęp do danych częściowo ustrukturyzowanych, relacyjnych i nierelacyjnych przy użyciu Microsoft Entra identyfikatora do uwierzytelniania i kontroli dostępu opartej na rolach.

  • Zarządzanie danymi w Fabric i Dataverse: wymuszanie klasyfikacji danych, szyfrowania danych w stanie spoczynku i zasad dotyczących danych. Zaimplementuj zabezpieczenia na poziomie wiersza, aby uzyskać szczegółowe informacje Power BI specyficzne dla roli, zachowując jednocześnie bezpieczny dostęp do danych.

Doskonałość operacyjna

  • Ciągła integracja i ciągłe dostarczanie Power Platform rozwiązań: Użyj funkcji GitHub Actions do zarządzania cyklem życia Azure DevOps Dataverse i Power BI AI Builder rozwiązań.

  • Przechowywanie wersji modeli danych: śledzenie i dokumentowanie zmian w modelach uczenia maszynowego i przekształceniach w usłudze Fabric i Dataverse. Użyj usługi Purview do kompleksowego zarządzania pochodzeniem danych i metadanymi, aby zapewnić wytłumaczalność i możliwość śledzenia modelu.

Współautorzy

Microsoft utrzymuje ten artykuł. Artykuł został napisany przez następujących autorów.

Główni autorzy:

  • Last updated on