Nota
L'accés a aquesta pàgina requereix autorització. Pots provar d'iniciar sessió o canviar de directori.
L'accés a aquesta pàgina requereix autorització. Pots provar de canviar directoris.
En el món actual basat en dades, l'aplicació de l'anàlisi predictiva millora els processos de presa de decisions i l'eficiència operativa.
Propina
En aquest article es proporciona un escenari d'exemple i una arquitectura d'exemple generalitzada per il·lustrar com realitzar anàlisis predictives de dades amb Microsoft Dataverse els serveis d'IA Microsoft Fabric de l'Azure. L'exemple d'arquitectura es pot modificar per a molts escenaris i indústries diferents.
Diagrama de l'arquitectura
Workflow
Els passos següents descriuen el flux de treball que es mostra al diagrama d'arquitectura d'exemple:
Ingesta de dades: utilitzeu fluxos de dades per recopilar i transformar dades en brut de diverses fonts. Emmagatzemar dades netejades i preparades a Dataverse.
Enginyeria de dades i entrenament de models: sincronitzeu les dades del Fabric mitjançant la drecera del Dataverse Fabric. Utilitzeu l'entorn OneLake i Synapse de Fabric per entrenar models d'aprenentatge automàtic.
Emmagatzematge de prediccions: deseu les prediccions del model o Dataverse Delta Lake al Fabric.
Visualització: creeu taulers Power BI de control en temps real per visualitzar prediccions i coneixements.
Informació útil: desenvolupeu un llenç o una Power Apps aplicació basada en models per proporcionar als equips de primera línia informació predictiva.
Components
AI Builder: extreu dades clau dels documents mitjançant models predefinits o personalitzats.
Microsoft Dataverse: serveix com a magatzem de dades central per a les dades del document extretes i fa un seguiment del progrés del document a mesura que s'aplica el procés de negoci.
Power Platform: Els fluxos de treball automatitzats recullen i transformen dades en brut de diverses fonts.
Enllaç Dataverse a Microsoft Fabric: sincronitza les dades del teixit mitjançant la drecera del Dataverse teixit.
Azure Machine Learning: entrena models d'aprenentatge automàtic.
Power Apps: Facilita la revisió humana i la correcció de dades.
Power BI: Ofereix anàlisis i informació sobre el flux de treball de processament de documents.
Alternatives
Azure Data Factory: utilitzeu l'Azure Data Factory en lloc de fluxos de Power Platform dades per recopilar i transformar dades en brut de diverses fonts.
Detalls de l'escenari
L'escenari: Una empresa vol predir la rotació de clients per evitar la insatisfacció dels usuaris.
Cas d'ús potencial: predir la rotació de clients
En aquest escenari, els passos específics inclouen:
Recollida de dades: utilitzeu fluxos de dades per agregar dades de clients, com ara transaccions, queixes i puntuacions d'interacció Dataverse.
Desenvolupament del model: Sincronitza Dataverse les dades amb Fabric. Utilitzeu dades històriques del grup Spark de Fabric per entrenar un model de predicció de rotació. Utilitzeu l'Azure Machine Learning per entrenar i implementar models predictius.
Implementació de prediccions: Desa prediccions com ara la probabilitat de rotació Dataverse.
Visualització: Creeu Power BI taulers de control que mostrin la distribució del risc de rotació per regió o categoria de producte.
Acció de l'usuari: Crea un llenç o una aplicació basada en models per visualitzar i actuar sobre els comptes d'alt risc.
Consideracions
Aquestes consideracions implementen els pilars de *Well-Architected*, un conjunt de principis rectors que milloren la qualitat d'una càrrega de treball. Power Platform Més informació a Microsoft Power Platform Ben arquitectat.
Rendiment
Fluxos de dades per a una ingestió de dades eficient: Optimitzeu Power Platform els fluxos de dades per als processos ETL (Extracció, Transformació, Càrrega) aplicant una actualització incremental quan sigui necessari per minimitzar els temps de processament de dades.
Enllaç a Microsoft Fabric per a compute: utilitzeu Azure Synapse Enllaç per a Dataverse per descarregar tasques pesades de càlcul i anàlisi de dades per Microsoft Fabric garantir un impacte mínim en el rendiment dels entorns Dataverse operatius. Utilitzeu OneLake a Fabric per gestionar grans conjunts de dades amb capacitats de consulta eficients.
Seguretat
Integració de la seguretat de la font de dades: Assegureu l'accés a dades semiestructurades, relacionals i no relacionals mitjançant l'ús d' Microsoft Entra ID per a l'autenticació i els controls d'accés basats en rols.
Governança de les dades a Fabric i Dataverse: Aplicar la classificació de dades, el xifratge en repòs i les polítiques de dades. Implementeu la seguretat a nivell de fila a Power BI per obtenir informació específica de cada rol, mantenint alhora un accés segur a les dades.
Excel·lència operativa
Integració contínua i lliurament continu per a Power Platform solucions: utilitzeu Azure DevOps o Accions de GitHub per gestionar el cicle de vida de Dataverse, Power BI i AI Builder solucions.
Versionament de models de dades: Feu un seguiment i documenteu els canvis en els models i les transformacions d'aprenentatge automàtic a Fabric i Dataverse. Utilitzeu Purview per a una gestió completa del llinatge de dades i les metadades per garantir l'explicabilitat i la traçabilitat del model.
Col·laboradors
Microsoft manté aquest article. Els següents col·laboradors han escrit aquest article.
Autors principals:
- Pujarini Mohapatra, director principal d'enginyeria