Jaa

Ennakoivan tietoanalyysin suorittaminen Dataverse-, Fabric- ja Azure AI -palvelujen avulla

Nykypäivän datavetoisessa maailmassa ennakoivan analytiikan soveltaminen parantaa päätöksentekoprosesseja ja toiminnan tehokkuutta.

Vinkki

Tässä artikkelissa esitetään esimerkkiskenaario ja yleinen esimerkkiarkkitehtuuri, jotka havainnollistavat, miten Microsoft Dataverse-, Microsoft Fabric- ja Azure AI-palveluilla suoritetaan ennakoivaa tietoanalyysiä. Arkkitehtuuriesimerkkiä voidaan muokata moniin eri skenaarioihin ja toimialoihin.

Arkkitehtuurikaavio

Arkkitehtuurikaavio, jossa näkyy ennakoivan tietoanalyysi Dataverse-, Fabric- ja Azure AI -palvelujen avulla.

Workflow

Seuraavat vaiheet kuvaavat arkkitehtuuriesimerkkikaaviossa esitettyä työnkulkua:

  1. Tietojen käsittely: Tietovoiden avulla voit kerätä ja muuntaa raakatietoja useista lähteistä. Tallenna puhdistetut ja valmistellut tiedot Dataverseen.

  2. Tietotekniikka ja mallin koulutus: Synkronoi tiedot Dataversestä Fabriciin Fabric-pikakuvakkeen avulla. Käytä Fabricin OneLake- ja Synapse-ympäristöä koneoppimismallien kouluttamiseen.

  3. Ennusteiden tallennus: Tallenna malliennusteet takaisin Dataverseen tai Delta Lakeen Fabricissa.

  4. Visualisointi: Luo reaaliaikaisia koontinäyttöjä Power BI:ssä ennusteiden ja merkityksellisten tietojen visualisointia varten.

  5. Toiminnalliset merkitykselliset tiedot: Kehitä pohjaan tai malliin perustuva Power Apps -sovellus, joka tarjoaa etulinjan tiimeille ennakoivia merkityksellisiä tietoja.

Komponentit

AI Builder: Poimii tärkeimmät tiedot asiakirjoista käyttäen valmiita tai mukautettuja malleja.

Microsoft Dataverse: Toimii poimittujen asiakirjatietojen keskeisenä tietosäilönä ja seuraa asiakirjan edistymistä, kun liiketoimintaprosessia sovelletaan.

Power Platform: Automatisoidut työnkulut keräävät ja muuntavat raakatietoja useista lähteistä.

Linkki Dataverse Microsoft Fabric: Synkronoi tietoja Dataversestä Fabriciin Fabric-pikakuvakkeen avulla.

Azuren koneoppiminen kouluttaa koneoppimismalleja.

Power Apps: Helpottaa ihmisen suorittamia tarkastuksia ja tietojen korjauksia.

Power BI: Tarjoaa analyyseja ja merkityksellisiä tietoja asiakirjojen käsittelyn työnkulusta.

Vaihtoehtoja

Azure Data Factory: Käytä Azure Data Factorya Power Platform -tietovoiden sijaan raakatietojen keräämiseen ja muuntamiseen useista lähteistä.

Skenaarion tiedot

Skenaario: Yritys haluaa ennustaa asiakasvaihtuvuutta ehkäistäkseen käyttäjien tyytymättömyyttä.

Mahdollinen käyttötapaus: Asiakkaiden vaihtuvuuden ennustaminen

Tässä skenaariossa erityisiä vaiheita ovat seuraavat:

  • Tietojen kerääminen: Tietovoiden avulla voit koota asiakastietoja, kuten tapahtumia, valituksia ja sitoutumispisteitä Dataverseen.

  • Mallin kehittäminen: Dataverse-tietojen synkronointi Fabricin kanssa. Käytä Fabricin Spark-poolin historiatietoja vaihtuvuusennustemallin kouluttamiseen. Käytä Azure Machine Learning -toimintoa ennakoivien mallien kouluttamiseen ja käyttöönottoon.

  • Ennusteen käyttöönotto: Tallenna ennusteet, kuten vaihtuvuuden todennäköisyys, Dataverseen.

  • Visualisointi: Luo Power BI -koontinäyttöjä, jotka näyttävät vaihtuvuusriskin jakautumisen alueittain tai tuoteluokittain.

  • Käyttäjän toiminto: Luo pohjaan tai malliin perustuvan sovellus, jotta voit tarkastella riskialttiita asiakkaita ja toimia niiden osalta.

Huomioitavia seikkoja

Näillä näkökohdilla toteutetaan Power Platform Well-Architected -pilareita, joka on joukko ohjaavia periaatteita, jotka parantavat työkuorman laatua. Lisätietoja: Microsoft Power Platform Well-Architected.

Suorituskyky

  • Tietovuot tietojen tehokasta käsittelyä varten: Optimoi Power Platform -tietovuot ETL (Extract, Transform, Load) -prosesseille käyttämällä tarvittaessa lisäävää päivitystä tietojen käsittelyaikojen minimoimiseksi.

  • Linkki Microsoft Fabriciin laskentaa varten: Käytä Dataversen Azure Synapse -linkkiä tietojen raskaiden laskenta- ja analyysitehtävien Microsoft Fabriciin siirtämiseen, jotta varmistat mahdollisimman pienen vaikutuksen Dataverse-toimintaympäristöjen suorituskykyyn. OneLake in Fabricin avulla voit hallita suuria tietojoukkoja tehokkailla kyselyominaisuuksilla.

Suojaus

  • Tietolähteen suojauksen integrointi: Suojattu pääsy puolijäsennettyihin, relaatio- ja muihin kuin relaatiotietoihin käyttämällä Microsoft Entra ID:tä todennukseen ja roolipohjaiseen käyttöoikeuksien hallintaan.

  • Tietojen hallinto Fabricissa ja Dataversessä: Ota käyttöön tietojen luokittelu, salaus levossa ja tietojen menetyksen estämiskäytännöt. Ota rivitason suojaus käyttöön Power BI:ssä roolikohtaisia merkityksellisiä tietoja varten säilyttäen samalla suojattu tietojen käyttö.

Toiminnan korkea laatu

  • Power Platform -ratkaisujen jatkuva integrointi ja toimitus: Käytä Azure DevOps- tai GitHub-toimintoja hallitaksesi Dataverse-, Power BI- ja AI Builder -ratkaisujen elinkaarta.

  • Tietomallien versiointi: Seuraa ja dokumentoi koneoppimismallien muutoksia ja Fabricissa ja Dataversessä tapahtuvia muunnoksia. Käytä Purview'ta kattavaan tietojen historiatietojen ja metatietojen hallintaan mallin selitettävyyden ja jäljitettävyyden varmistamiseksi.

Osallistujat

Microsoft ylläpitää tätä artikkelia. Seuraavat avustajat kirjoittivat tämän artikkelin.

Pääasialliset tekijät: