Tutoriel - Partie 5 : Visualiser les prédictions avec un rapport Power BI

Article
11/15/2023

Dans ce tutoriel, vous créerez un rapport Power BI à partir des données de prédictions générées dans la partie 4 : Effectuer un scoring par lot et enregistrer les prédictions dans un lakehouse.

Vous découvrirez comment effectuer les actions suivantes :

Créez un modèle sémantique à partir des données de prédiction.
Ajoutez de nouvelles mesures aux données de Power BI.
Créez un rapport Power BI.
Ajoutez des visualisations au rapport.

Prérequis

Obtenir un abonnement Microsoft Fabric. Ou inscrivez-vous pour obtenir gratuitement un essai de Microsoft Fabric.
Connectez-vous à Microsoft Fabric.
Utilisez le sélecteur d’expérience sur le côté gauche de votre page d’accueil pour basculer vers l’expérience Science des données Synapse.

Il s’agit de la partie 5 sur 5 de la série de tutoriels. Pour suivre ce didacticiel, commencez par les étapes ci-dessous :

Créer un modèle sémantique

Créez un nouveau modèle sémantique associé aux données de prédictions que vous avez générées dans la partie 4 :

Sur la gauche, sélectionnez votre espace de travail.
En haut à gauche, sélectionnez Lakehouse comme filtre.
Sélectionnez le lakehouse que vous avez utilisé dans les parties précédentes de la série de tutoriels.
Sélectionnez Nouveau modèle sémantique dans le ruban supérieur.
Nommez le modèle sémantique, par exemple « prédictions de l’attrition bancaire. » Sélectionnez ensuite le jeu de données customer_churn_test_predictions.
Cliquez sur Confirmer.

Ajoutez de nouvelles mesures

Ajoutez à présent quelques mesures au modèle sémantique :

Ajoutez une nouvelle mesure pour l’attrition.
1. Sélectionnez Nouvelle mesure dans le ruban supérieur. Cette action ajoute un nouvel élément nommé Mesure au jeu de données customer_churn_test_predictions et ouvre une barre de formules au-dessus du tableau.
2. Pour déterminer la prédiction de taux moyen d’attrition, remplacez Measure = dans la barre de formule par :
```
Churn Rate = AVERAGE(customer_churn_test_predictions[predictions])
```
3. Pour appliquer la formule, sélectionnez la coche dans la barre de formule. La nouvelle mesure apparaît dans la table de données. L’icône de calculatrice montre qu’elle a été créée en tant que mesure.
4. Remplacez le format Général par Pourcentage dans le panneau Propriétés.
5. Faites défiler vers le bas dans le panneau Propriétés pour modifier les décimales pour 1.
Ajoutez une nouvelle mesure qui compte le nombre total de clients de banque. Vous en aurez besoin pour le reste des nouvelles mesures.
1. Sélectionnez Nouvelle mesure dans le ruban supérieur pour ajouter un nouvel élément nommé Mesure au jeu de données customer_churn_test_predictions. Cette action ouvre également une barre de formule au-dessus de la table.
2. Chaque prédiction représente un client. Pour déterminer le nombre total de clients, remplacez Measure = dans la barre de formule par :
```
Customers = COUNT(customer_churn_test_predictions[predictions])
```
3. Sélectionnez la coche dans la barre de formule pour appliquer la formule.
Ajoutez l’attrition pour l’Allemagne.
1. Sélectionnez Nouvelle mesure dans le ruban supérieur pour ajouter un nouvel élément nommé Mesure au jeu de données customer_churn_test_predictions. Cette action ouvre également une barre de formule au-dessus de la table.
2. Pour déterminer l’attrition pour l’Allemagne, remplacez Measure = dans la barre de formule par :
```
Germany Churn = CALCULATE(AVERAGE(customer_churn_test_predictions[predictions]),FILTER(customer_churn_test_predictions, customer_churn_test_predictions[Geography_Germany] = TRUE()))
```
  Cela filtre les lignes vers le bas jusqu’à celles avec l’Allemagne comme région géographique (Geography_Germany est égal à un).
3. Pour appliquer la formule, sélectionnez la coche dans la barre de formule.

Répétez l’étape ci-dessus pour ajouter l’attrition pour la France et l’Espagne.

Attrition pour l’Espagne :

Spain Churn = CALCULATE(AVERAGE(customer_churn_test_predictions[predictions]),FILTER(customer_churn_test_predictions, customer_churn_test_predictions[Geography_Spain] = TRUE()))

Attrition pour la France :

France Churn = CALCULATE(AVERAGE(customer_churn_test_predictions[predictions]),FILTER(customer_churn_test_predictions, customer_churn_test_predictions[Geography_France] = TRUE()))

Créer un rapport

Une fois que vous avez terminé avec toutes les opérations, accédez à la page de création de rapports Power BI en sélectionnant Créer un rapport dans le ruban supérieur.

Screenshot shows how to create a report.

Une fois la page de rapport affichée, ajoutez les objets visuels suivants :

Sélectionnez la zone de texte dans le ruban supérieur et entrez un titre pour le rapport, par exemple « Taux d’attrition de clients de banque ». Modifiez la taille de police et la couleur d’arrière-plan dans le volet Format. Ajustez la taille et la couleur de police en sélectionnant le texte et en utilisant la barre de mise en forme.
Dans le volet Visualisations, sélectionnez l’icône Carte. Dans le volet Données, sélectionnez Attrition. Modifiez la taille de police et la couleur d’arrière-plan dans le volet Format. Faites glisser cette visualisation en haut à droite du rapport.
Dans le volet Visualisations, sélectionnez l’icône Graphique en courbes et en colonnes empilées. Sélectionnez Âge pour l’axe X, Attrition pour l’axe Y de colonne et Clients pour l’axe Y de ligne.
Dans le volet Visualisations, sélectionnez l’icône Graphique en courbes et en colonnes empilées. Sélectionnez NumOfProducts pour l’axe X, Attrition pour l’axe Y de colonne et Clients pour l’axe Y de ligne.
Dans le volet Visualisations, sélectionnez l’icône Graphique en colonnes empilées. Sélectionnez NewCreditsScore pour l’axe X et Attrition pour l’axe Y.

Remplacez le titre « NewCreditsScore » par « Score de crédit » dans le volet Mise en forme.
Dans le volet Visualisations, sélectionnez le graphique Histogramme groupé. Sélectionnez Attrition pour l’Allemagne, Attrition pour l’Espagne et Attrition pour la France, dans cet ordre, pour l’axe Y.

Remarque

Ce rapport représente illustre la façon dont vous pouvez analyser les résultats de prédictions enregistrés dans Power BI. Toutefois, pour un véritable cas d’utilisation de l’attrition, vous pouvez avoir à approfondir davantage la conception en ce qui concerne les visualisations à créer, et ce, en fonction de votre niveau d’expertise du domaine et des standards érigés en métriques par votre entreprise et votre équipe d’analyse métier.

Conclusion du rapport Power BI :

Les clients qui utilisent plus de deux des produits bancaires ont un taux d’attrition plus élevé, bien que peu de clients aient plus de deux produits. La banque doit collecter plus de données, mais également examiner d’autres fonctionnalités corrélées avec davantage de produits (voir le tracé dans le volet inférieur gauche).
Les clients bancaires en Allemagne ont un taux d’attrition plus élevé qu’en France et en Espagne (voir le tracé dans le panneau inférieur droit), ce qui suggère qu’une enquête sur ce qui a encouragé les clients à partir pourrait être bénéfique.
Il y a plus de clients d’âge moyen (entre 25 et 45) et les clients entre 45 et 60 ont plus tendance à quitter la banque.
Enfin, les clients avec des scores de crédit inférieurs quitteraient probablement la banque pour d’autres instituts financiers. La banque devrait examiner les moyens qui encouragent les clients ayant des scores de crédit et des soldes de compte inférieurs à rester avec la banque.

Étape suivante

Cette opération complète la série de tutoriels à cinq parties. Voir d’autres exemples de tutoriels de bout en bout :

Guide pratique sur l’utilisation des exemples d’IA de bout en bout dans Microsoft Fabric

Partager via