Übung – Ein Vorhersagemodell erstellen und in einer modellgesteuerten App verwenden
In dieser Übung erstellen Sie ein AI Builder-Vorhersagemodell, das einem brasilianischen Handelsunternehmen hilft, die Lieferpünktlichkeit für Kundenbestellungen zu prognostizieren. Der Einzelhändler hat Beschwerden von Kunden über verspätete Lieferungen erhalten. Dieses Problem wirkt sich auf die Bewertungen und Zufriedenheitsumfragen aus, die in wettbewerbsintensiven Einzelhandelsmärkten einen großen Einfluss haben. Durch die Vorhersage der Bestellungen, bei denen eine Verspätung wahrscheinlich ist, kann dieser Einzelhändler Regeln implementieren, um die Versandoption automatisch auf Expressdienst umzustellen und eine höhere Wahrscheinlichkeit zu haben, keine Verspätung zu haben und positives Feedback von seinen Kunden zu erhalten.
Datenvorbereitung
Wie bei allen benutzerdefinierten Modellen besteht ein erster wichtiger Schritt darin, Daten zu identifizieren und vorzubereiten, die zum Trainieren des Modells verwendet werden. AI Builder-Vorhersagen machen da keine Ausnahme und erfordern historische Daten, um Muster zu bestimmen, die helfen, die Ergebnisse neuer Ereignisse vorherzusagen.
Um diese Übung zu beschleunigen, folgen Sie den Schritten unter Beispieldatensatz für Vorhersagemodell.
Diese Übung verweist auf die folgenden Tabellen, die Teil der Brazilian Commerce (BC) Dataverse-Lösung sind:
BC Customer – Eine Liste von über 5.000 Kunden mit Stadt und Postleitzahl, an die ihre Bestellungen geliefert wurden.
BC Order – Eine Liste von über 5.000 Bestellungen, die für die Kunden bearbeitet werden, mit Informationen über das gekaufte Produkt, seinen Preis, das voraussichtliche Lieferdatum, das tatsächliche Lieferdatum usw.
BC Product – Eine Liste von mehr als 5.000 Produkten mit Informationen zu Kategorie und Sendungsvolumen sowie -gewicht.
Das folgende Video beschreibt diese Datenvorbereitungsschritte.
Modell erstellen
Das Vorhersagemodell bestimmt potenzielle Ergebnisse nach der Analyse historischer Daten. Indem Sie Aufzeichnungen mit mehreren potenziellen Einflussfaktoren und einem klaren Ergebnis bereitstellen, können Sie ein Modell mit einem hohen Vertrauensniveau unterstützen.
Die Tabellen, die während der Datenvorbereitungsschritte importiert werden, werden zum Erstellen des Vorhersagemodells verwendet.
In Microsoft Power Apps Studio wählen Sie im linken Navigationsmenü unter AI BuilderErkunden und dann das Vorhersagemodell aus.
Wählen Sie Los geht's aus.
Wählen Sie die Tabelle BC Order und dann die Spalte Delivery Timeliness aus. Bestätigen Sie die vier Ergebnisse, die das Modell untersuchen, und wählen Sie dann Weiter aus.
Überprüfen und bestätigen Sie die ausgewählten Spalten, die das Ergebnis für die Tabelle BC Order beeinflussen könnten. Beachten Sie, dass Delivery Delta und Delivery Date nicht ausgewählt sind. Diese Werte werden aktualisiert, nachdem die Lieferung erfolgt ist, und würden die Analyse verzerren, was zu einer Modellleistung des Typs D führen würde. Sie können auch andere irrelevante Spalten für dieses Modelltraining entfernen, wie z. B. ID und Auftragsstatus. Wählen Sie Weiter aus, um zum nächsten Schritt dieser Übung zu gelangen.
Für diese Übung sind keine Filter erforderlich. Wählen Sie Diesen Schritt überspringen > Weiter aus.
Überprüfen Sie die Modellzusammenfassung. Wählen Sie Trainieren aus, um zum nächsten Teil dieser Übung zu gelangen.
Klicken Sie auf Zu Modellen wechseln. Das Modell wird für einige Minuten trainiert. Wenn das Training abgeschlossen ist, ändert sich der Status in Trainiert.
Wählen Sie das trainierte Modell aus, um die Leistungsdetails anzuzeigen.
Überprüfen Sie die Leistungsdetails. Für diese Übung ist das Niveau B zufriedenstellend. Die einflussreichsten Daten liefern Informationen über die Spalten, die den größten Einfluss auf die Bestimmung des Ergebnisses haben. Wählen Sie Veröffentlichen aus, um zum nächsten Schritt dieser Übung zu gelangen.
Das Modell für Echtzeitvorhersagen verwenden
Wenn ein Vorhersagemodell veröffentlicht wird, wird es automatisch ausgeführt, um das Ergebnis für neu erstellte Datensätze zu aktualisieren, was standardmäßig täglich geschieht. In Szenarien, in denen die Vorhersage sofort erforderlich ist, ist ein Microsoft Power Automate-Cloud-Flow erforderlich, um das Ergebnis zu generieren, wenn Zeilen erstellt werden. Befolgen Sie diese Schritte, um einen Ablauf zu erstellen, der das Ergebnis des benutzerdefinierten Modells verwendet, um das Potenzial der Lieferzeit für neue Bestellungen vorherzusagen:
Wählen Sie in Power Automate Studio im linken Navigationsmenü Erstellen und dann die Kachel Automatisierter Cloud-Flow aus.
Geben Sie einen Namen für den Flow ein, und wählen Sie dann den Trigger Wenn eine Zeile hinzugefügt, geändert oder gelöscht wird für Dataverse aus. Wählen Sie Erstellen aus.
Wählen Sie in Power Automate Studio für den neuen Cloud-Flow Hinzugefügt als Triggertyp, BC Orders als Tabellenname und Organisation als Umfang aus. Um eine Aktion zu erstellen, wählen Sie Neuer Schritt aus.
Wählen Sie für den AI Builder-Konnektor die Aktion Vorhersagen aus.
Wählen Sie das Vorhersagemodell aus, das Sie für diese Übung erstellt haben. Wählen Sie für jeden vom Modell angeforderten Wert die entsprechende Spalte aus der BC Order-Tabelle aus. Um eine Aktion zu erstellen, wählen Sie Neuer Schritt aus.
Wählen Sie für den Dataverse-Konnektor die Aktion Zeile aktualisieren aus.
Wählen Sie im Dropdownmenü TabellennameBC Order aus. Geben Sie im Feld Zeilen-ID die eindeutige Kennung des Triggers an. Geben Sie eine Erläuterung, Vorhersage und Wahrscheinlichkeit über die Aktion Vorhersagen sowie andere erforderliche Werte an. Wählen Sie dann Speichern aus, um die Erstellung des Flows abzuschließen.
Um das Vorhersagemodell und den Ablauf zu testen, fügen Sie der Tabelle eine neue Zeile hinzu, und aktualisieren Sie das Dateneingabeformular. Die Ergebnisse sollten sichtbar sein.
Sie haben jetzt erfolgreich ein Vorhersagemodell erstellt. Außerdem haben Sie einen Power Automate-Cloud-Flow erstellt, der die Ergebnisanalyse generiert, wenn neue Zeilen zur BC Order-Tabelle hinzugefügt werden.