Compartilhar via

Realizar análise de dados preditiva usando o Dataverse, o Fabric e os serviços de IA do Azure

No mundo atual orientado por dados, a aplicação da análise preditiva melhora os processos de tomada de decisão e a eficiência operacional.

Dica

Este artigo apresenta um cenário de exemplo e uma arquitetura de exemplo generalizada para ilustrar como o realizar uma análise de dados preditiva com o Microsoft Dataverse, o Microsoft Fabric e os serviços de IA do Azure. O exemplo de arquitetura pode ser modificado para muitos cenários e setores diferentes.

Diagrama da arquitetura

Diagrama de arquitetura ilustrando a análise de dados preditiva com o Dataverse, o Fabric e os serviços de IA do Azure.

Workflow

As etapas a seguir descrevem o fluxo de trabalho mostrado no exemplo de diagrama de arquitetura:

  1. Ingestão de dados: use fluxos de dados para coletar e transformar dados brutos de várias fontes. Armazene dados limpos e preparados no Dataverse.

  2. Engenharia de dados e treinamento de modelo: sincronize dados do Dataverse com o Fabric usando o atalho do Fabric. Use o ambiente OneLake e Synapse do Fabric para treinar modelos de aprendizado de máquina.

  3. Armazenamento de previsões: salve as previsões do modelo de volta no Fabric ou no Dataverse Delta Lake.

  4. Visualização: compile painéis em tempo real no Power BI para visualizar previsões e insights.

  5. Insights acionáveis: desenvolva um aplicativo baseado em modelo ou tela do Power Apps para dar às equipes da linha de frente insights preditivos.

Componentes

AI Builder: extrai dados importantes de documentos usando modelos pré-criados ou personalizados.

Microsoft Dataverse: funciona como o armazenamento de dados central para dados de documentos extraídos e rastreia o progresso do documento à medida que o processo empresarial é aplicado.

Power Platform: os fluxos de trabalho automatizados coletam e transformam dados brutos de várias fontes.

Vincular Dataverse ao Microsoft Fabric: sincroniza dados do Dataverse ao Fabric usando o atalho do Fabric.

Azure Machine Learning: treina modelos de aprendizado de máquina.

Power Apps: facilita a revisão humana e as correções de dados.

Power BI: apresenta análises e insights sobre o fluxo de trabalho de processamento de documentos.

Alternativas

Azure Data Factory: use o Azure Data Factory, em vez de fluxos de dados do Power Platform, para coletar e transformar dados brutos de várias fontes.

Detalhes do cenário

O cenário: uma empresa deseja prever a rotatividade de clientes para evitar a insatisfação do usuário.

Caso de uso potencial: prevendo a rotatividade de clientes

Neste cenário, entre as etapas específicas estão:

  • Coleta de dados: use fluxos de dados para agregar dados de cliente, como transações, reclamações e pontuações de participação ao Dataverse.

  • Desenvolvimento do modelo: sincronize dados do Dataverse com o Fabric. Use dados históricos no pool do Spark do Fabric para treinar um modelo de previsão de rotatividade. Use o Azure Machine Learning para treinar e implantar modelos preditivos.

  • Implantação de previsões: salve previsões como probabilidade de rotatividade no Dataverse.

  • Visualização: compile painéis do Power BI que mostrem a distribuição do risco de rotatividade por região ou categoria do produto.

  • Ação do usuário: crie um aplicativo baseado em modelo ou tela para exibir e agir em contas de alto risco.

Considerações

Essas considerações implementam os pilares do Well-Architected para Power Platform, um conjunto de princípios orientadores que melhoram a qualidade de uma carga de trabalho. Saiba mais em Well-Architected para Microsoft Power Platform.

Performance

  • Fluxos de dados para ingestão de dados eficiente: otimize fluxos de dados do Power Platform para processos ETL (Extrair, Transformar, Carregar) aplicando atualização incremental, quando aplicável, para minimizar tempos de processamento de dados.

  • Link para o Microsoft Fabric para computação: use o link do Azure Synapse para Dataverse a fim de descarregar tarefas pesadas de computação e análise de dados no Microsoft Fabric para garantir um impacto mínimo sobre o desempenho em ambientes do Dataverse operacionais. Use o OneLake in Fabric para gerenciar grandes conjuntos de dados com recursos de consulta eficientes.

Segurança

  • Integração de segurança da fonte de dados: acesso seguro a dados semiestruturados, relacionais e não relacionais usando a ID do Microsoft Entra para autenticação e controles de acesso baseados em função.

  • Governança de dados no Fabric e no Dataverse: imponha a classificação de dados, a criptografia em repouso e as políticas de dados. Implemente a segurança no nível da linha no Power BI para obter insights específicos da função, ao mesmo tempo em que mantém acesso seguro aos dados.

Excelência Operacional

  • Integração contínua e entrega contínua para soluções do Power Platform: use o Azure DevOps ou o GitHub Actions para gerenciar o ciclo de vida das soluções Dataverse, Power BI e AI Builder.

  • Controle de versão dos modelos de dados: acompanhe e documente alterações feitas em modelos de machine learning e transformações no Fabric e no Dataverse. Use o Purview para geranciamento abrangente de metadados e linhagem de dados para garantir a explicabilidade e a rastreabilidade do modelo.

Colaboradores

Microsoft mantém este artigo. Os colaboradores a seguir escreveram este artigo.

Principais autores:

  • Last updated on