在現今的資料導向世界中，運用預測性分析可以增強決策程序和營運效率。
提示
本文提供範例案例和通用範例結構，說明如何使用 Microsoft Dataverse、Microsoft Fabric 和 Azure AI 服務來執行預測性資料分析。 此結構範例可針對許多不同的案例和產業進行修改。
架構圖表
Workflow
下列步驟說明範例結構圖中顯示的工作流程：
資料擷取：使用資料流程從多個來源收集並轉換未經處理資料。 在 Dataverse 中儲存已清理且準備好的資料。
資料工程和模型訓練：使用 Fabric 捷徑將資料從 Dataverse 同步至 Fabric。 使用 Fabric 的 OneLake 和 Synapse 環境來訓練機器學習模型。
預測儲存空間：將模型預測儲存回到 Dataverse 或 Fabric 中的 Delta Lake。
視覺效果：在 Power BI 中建置即時儀表板，以視覺化呈現預測和見解。
可操作的見解：開發 Power Apps 畫布或模型導向應用程式，為第一線團隊提供預測性見解。
元件
AI Builder：使用預建或自訂模型從文件中擷取重要資料。
Microsoft Dataverse：做為所擷取文件資料的中央資料存放區，並在套用商務程序時追蹤文件進度。
Power Platform：自動化工作流程從多個來源收集並轉換未經處理資料。
將 Dataverse 連結至 Microsoft Fabric：使用 Fabric 捷徑將資料從 Dataverse 同步至 Fabric。
Azure Machine Learning：訓練機器學習模型。
Power Apps：輔助人工審查和資料更正。
Power BI：提供對文件處理工作流程的分析與深入解析。
替代項目
Azure Data Factory：使用 Azure Data Factory 而不使用 Power Platform 資料流程，從多個來源收集未經處理資料並加以轉換。
案例詳細資料
案例：一家公司想要預測客戶流失，以防止使用者不滿意。
可能的使用案例：預測客戶流失
在此案例中，具體步驟包括：
資料收集：使用資料流程將交易、投訴和參與度分數等客戶資料彙總至 Dataverse 中。
模型開發：使用 Fabric 來同步 Dataverse 資料。 使用 Fabric Spark 集區中的歷史資料來訓練流失預測模型。 使用 Azure Machine Learning 來訓練並部署預測模型。
預測部署：將流失可能性等預測儲存至 Dataverse 中。
視覺效果：建置依區域或產品類別顯示流失風險分佈的 Power BI 儀表板。
使用者動作：建立畫布或模型導向應用程式以檢視高風險帳戶並相應採取動作。
考量因素
這些考慮因素體現了 Power Platform Well-Architected 的支柱，這是一套提高工作負載品質的指導原則。 如需進一步了解，請參閱 Microsoft Power Platform Well-Architected。
績效
有效率擷取資料的資料流程：在適用情況下運用累加式重新整理，將資料處理時間縮減至最短，以最佳化用於 ETL (擷取、轉換、載入) 程序的 Power Platform 資料流程。
連結至 Microsoft Fabric 以進行計算：使用 Azure Synapse Link for Dataverse 將繁重的資料計算和分析工作卸載至 Microsoft Fabric，以確保對運作中 Dataverse 環境的效能影響降至最低。 使用 Fabric 中的 OneLake，透過有效率的查詢功能來管理大型資料集。
安全性
資料來源安全性整合：使用 Microsoft Entra ID 進行驗證和角色型存取控制，確保半結構化、關聯式和非關聯式資料的存取安全。
Fabric 和 Dataverse 中資料的控管：強制執行資料分類、待用加密和資料原則。 在 Power BI 中實作資料列層級安全性，以取得角色特定見解，同時維持安全的資料存取。
卓越營運
Power Platform 解決方案的持續整合與持續傳遞：使用 Azure DevOps 或 GitHub Actions 來管理 Dataverse、Power BI 和 AI Builder 解決方案的生命週期。
資料模型的版本設定：追蹤並記錄 Fabric 和 Dataverse 中機器學習模型與轉換的變更。 使用 Purview 取得完整資料譜系並進行全面中繼資料管理，以確保模型的可解釋性及可追溯性。
投稿人
Microsoft 維護此文章。 以下貢獻者撰寫了這篇文章。
主要作者：
- Pujarini Mohapatra，首席工程經理