Kurz 5. část: Vizualizace předpovědí pomocí sestavy Power BI

V tomto kurzu vytvoříte sestavu Power BI z dat předpovědí generovaných v části 4: Proveďte dávkové vyhodnocování a uložte předpovědi do jezera.

Získáte následující informace:

• Vytvořte sémantický model z dat předpovědí.
• Přidejte do dat z Power BI nové míry.
• Vytvoření sestavy Power BI
• Přidejte do sestavy vizualizace.

Požadavky

• Získejte předplatné Microsoft Fabric. Nebo si zaregistrujte bezplatnou zkušební verzi Microsoft Fabricu.

• Přihlaste se k Microsoft Fabric.

• Pomocí přepínače prostředí na levé straně domovské stránky přepněte na prostředí Synapse Datová Věda.

  

Toto je část 5 z 5 v sérii kurzů. K dokončení tohoto kurzu nejprve dokončete:

• Část 1: Ingestování dat do Microsoft Fabric Lakehouse pomocí Apache Sparku
• Část 2: Prozkoumání a vizualizace dat pomocí poznámkových bloků Microsoft Fabric, kde najdete další informace o těchto datech .
• Část 3: Trénování a registrace modelů strojového učení
• Část 4: Proveďte dávkové vyhodnocování a uložte předpovědi do jezera.

Vytvoření sémantického modelu

Vytvořte nový sémantický model propojený s daty předpovědí, která jste vytvořili v části 4:

1. Na levé straně vyberte pracovní prostor.

2. V levém horním rohu vyberte jako filtr Lakehouse .

3. Vyberte jezero, které jste použili v předchozích částech série kurzů.

4. Na horním pásu karet vyberte Nový sémantický model .

   

5. Pojmenujte sémantický model, například "predikce četnosti změn bank". Pak vyberte datovou sadu customer_churn_test_predictions .

   

6. Vyberte Potvrdit.

Přidání nových měr

Teď do sémantického modelu přidejte několik měr:

1. Přidejte novou míru četnosti změn.

   1. Na horním pásu karet vyberte Nová míra . Tato akce přidá novou položku s názvem Míra do datové sady customer_churn_test_predictions a otevře řádek vzorců nad tabulkou.

      

   2. Pokud chcete určit průměrnou předpokládanou četnost změn, nahraďte Measure = na řádku vzorců následujícími hodnotami:

      Churn Rate = AVERAGE(customer_churn_test_predictions[predictions])
      

   3. Pokud chcete vzorec použít, vyberte na řádku vzorců značku zaškrtnutí. Nová míra se zobrazí v tabulce dat. Ikona kalkulačky zobrazuje, že byla vytvořena jako míra.

   4. Na panelu Vlastnosti změňte formát z obecné na procento.

   5. Posuňte se dolů na panelu Vlastnosti a změňte desetinná místa na 1.

      

2. Přidejte novou míru, která spočítá celkový počet bankovních zákazníků. Budete ho potřebovat pro zbytek nových měr.

   1. Výběrem možnosti Nová míra na horním pásu karet přidáte do datové sady novou položku s názvem Míracustomer_churn_test_predictions. Tato akce také otevře řádek vzorců nad tabulkou.

   2. Každá předpověď představuje jednoho zákazníka. Pokud chcete zjistit celkový počet zákazníků, nahraďte Measure = na řádku vzorců následujícími:

      Customers = COUNT(customer_churn_test_predictions[predictions])
      

   3. Pokud chcete vzorec použít, zaškrtněte políčko na řádku vzorců.

3. Přidejte míru četnosti změn pro Německo.

   1. Výběrem možnosti Nová míra na horním pásu karet přidáte do datové sady novou položku s názvem Míracustomer_churn_test_predictions. Tato akce také otevře řádek vzorců nad tabulkou.

   2. Pokud chcete zjistit četnost změn pro Německo, nahraďte Measure = ji v řádku vzorců tímto:

      Germany Churn = CALCULATE(customer_churn_test_predictions[Churn Rate], customer_churn_test_predictions[Geography_Germany] = 1)
      

      Tím se vyfiltrují řádky dolů na řádky s Německem jako jejich zeměpis (Geography_Germany se rovná jedné).

   3. Pokud chcete vzorec použít, vyberte na řádku vzorců značku zaškrtnutí.

4. Opakujte výše uvedený krok a přidejte četnost změn pro Francii a Španělsko.

   • Četnost změn ve Španělsku:

     Spain Churn = CALCULATE(customer_churn_test_predictions[Churn Rate], customer_churn_test_predictions[Geography_Spain] = 1)
     

   • Četnost změn ve Francii:

     France Churn = CALCULATE(customer_churn_test_predictions[Churn Rate], customer_churn_test_predictions[Geography_France] = 1)
     

Vytvoření nové sestavy

Až budete hotovi se všemi operacemi, přejděte na stránku vytváření sestav Power BI výběrem možnosti Vytvořit sestavu na horním pásu karet.

Po zobrazení stránky sestavy přidejte tyto vizuály:

1. Vyberte textové pole na horním pásu karet a zadejte název sestavy, například "Bank Customer Churn". Změna velikosti písma a barvy pozadí na panelu Formát Velikost a barvu písma můžete upravit tak, že vyberete text a použijete formátovací panel.

2. Na panelu Vizualizace vyberte ikonu Karta . V podokně Data vyberte Četnost změn. Změna velikosti písma a barvy pozadí na panelu Formát Přetáhněte tuto vizualizaci do pravého horního rohu sestavy.

   

3. Na panelu Vizualizace vyberte ikonu spojnicového a skládaného sloupcového grafu . Vyberte věk pro osu x, četnost změn pro osu y sloupce a zákazníky pro osu y řádku.

   

4. Na panelu Vizualizace vyberte ikonu spojnicového a skládaného sloupcového grafu . Vyberte NumOfProducts pro osu x, četnost změn pro osu y sloupce a Zákazníci pro osu y řádku.

   

5. Na panelu Vizualizace vyberte ikonu skládaného sloupcového grafu . Vyberte NewCreditsScore pro osu x a četnost změn osy y.

   

   Změňte název "NewCreditsScore" na "Credit Score" na panelu Formát.

   

6. Na panelu Vizualizace vyberte kartu skupinového sloupcového grafu . Pro osu y vyberte Německo Churn, Španělsko Churn, Francie Churn.

   

Poznámka:

Tato sestava představuje ilustrovaný příklad toho, jak můžete analyzovat uložené výsledky předpovědi v Power BI. V případě skutečného použití zákazníka ale možná budete muset důkladněji promítnout, jaké vizualizace se mají vytvořit, na základě odborných znalostí dané problematiky a toho, co váš firemní a obchodní analytický tým standardizoval jako metriky.

Sestava Power BI ukazuje:

• Zákazníci, kteří používají více než dvě bankovní produkty, mají vyšší četnost změn, i když několik zákazníků mělo více než dva produkty. Banka by měla shromažďovat více dat, ale také prozkoumat další funkce korelované s dalšími produkty (viz graf v levém dolním panelu).
• Zákazníci bank v Německu mají vyšší četnost změn než ve Francii a Španělsku (viz graf v pravém dolním panelu), což naznačuje, že šetření toho, co zákazníkům doporučilo opustit, by mohlo být výhodné.
• Mezi 45–60 zákazníky je více starších let (mezi 25 až 45 45) a zákazníky se obvykle více ukončuje.
• Nakonec by zákazníci s nižším skóre úvěru pravděpodobně opustili banku pro ostatní finanční instituce. Banka by se měla podívat na způsoby, které zákazníkům s nižším skóre kreditu a zůstatky účtů povzbuzovat, aby zůstali u banky.

Další krok

Tím se dokončí pětidílná série kurzů. Podívejte se na další kompletní ukázkové kurzy:

Jak používat kompletní ukázky AI v Microsoft Fabric