Partilhar via

Executar análises de dados preditivas através do Dataverse, do Fabric e dos Serviços de IA do Azure

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

Sugestão

Este artigo fornece um cenário de exemplo e uma arquitetura de exemplo generalizada para ilustrar como realizar a análise preditiva de dados 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 a ilustrar a análise preditiva de dados com o Dataverse, o Fabric e os Serviços de IA do Azure.

Workflow

O passos a seguir descrevem o fluxo de trabalho mostrado no diagrama de arquitetura de exemplo:

  1. Ingestão de dados: use fluxos de dados para recolher e transformar dados não processados de várias origens. Armazene dados limpos e preparados no Dataverse.

  2. Engenharia de dados e preparação do modelo: sincronize dados do Dataverse para o Fabric usando o atalho do Fabric. Use o ambiente OneLake e Synapse do Fabric para preparar modelos de aprendizagem automática.

  3. Armazenamento de predição: guarde predições de modelo de volta no Dataverse ou no Delta Lake no Fabric.

  4. Visualização: crie dashboards em tempo real no Power BI para visualizar predições e informações.

  5. Informações acionáveis: desenvolva uma aplicação de tela ou condicionada por modelo do Power Apps para fornecer às equipas de primeira linha informações preditivas.

Componentes

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

Microsoft Dataverse: serve como o arquivo de dados central para dados de documentos extraídos e rastreia o progresso dos documentos à medida que o processo de negócio é aplicado.

Power Platform: fluxos de trabalho automatizados recolhem e transformam dados não processados de várias origens.

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

Azure Machine Learning: prepara modelos de aprendizagem automática.

Power Apps: Facilita a revisão humana e correções a dados.

Power BI: fornece análises e informações 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 recolher e transformar dados não processados de várias origens.

Detalhes do cenário

O cenário: uma empresa pretende prever o abandono de clientes para evitar a insatisfação dos utilizadores.

Caso de utilização potencial: prever o abandono de clientes

Neste cenário, os passos específicos incluem:

  • Recolha de dados: use fluxos de dados para agregar dados de clientes, como transações, reclamações e classificações de cativação no Dataverse.

  • Desenvolvimento do modelo: sincronize dados do Dataverse com o Fabric. Use dados históricos no conjunto do Spark do Fabric para preparar um modelo de predição de abandono. Use o Azure Machine Learning para preparar e implementar modelos preditivos.

  • Implementação da predição: guarde predições, como a probabilidade de abandono no Dataverse.

  • Visualização: crie dashboards do Power BI que mostram a distribuição do risco de abandono por região ou categoria de produto.

  • Ação do utilizador: crie uma aplicação de tela ou condicionada por modelo para ver e agir em contas de alto risco.

Considerações

Estas considerações implementam os pilares do Well-Architected do Power Platform, um conjunto de princípios orientadores que melhoram a qualidade de uma carga de trabalho. Mais informações em Well-Architected do Microsoft Power Platform.

Desempenho

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

  • Associar ao Microsoft Fabric para computação: use o Azure Synapse Link para Dataverse para descarregar tarefas pesadas de computação e análise de dados para o Microsoft Fabric, de forma a garantir um impacto mínimo ao desempenho em ambientes do Dataverse operacionais. Use o OneLake no Fabric para gerir grandes conjuntos de dados com capacidades de consulta eficientes.

Segurança

  • Integração de segurança da origem de dados: proteja o acesso a dados semiestruturados, relacionais e não relacionais usando o Microsoft Entra ID para autenticação e controlos de acesso baseados em funções.

  • Governança de dados no Fabric e no Dataverse: imponha a classificação de dados, a criptografia em repouso e as políticas de dados. Implemente segurança ao nível da linha no Power BI para obter informações específicas da função enquanto mantém o acesso seguro a dados.

Excelência Operacional

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

  • Controlo de versões de modelos de dados: rastreie e documente alterações a modelos de aprendizagem automática e transformações no Fabric e no Dataverse. Use o Purview para obter linhagem de dados abrangente e gestão de metadados para garantir a capacidade de explicação e de rastreio do modelo.

Contribuidores

A Microsoft mantém este artigo. Este artigo foi escrito pelos contribuidores a seguir.

Principais autores:

  • Last updated on