Compartir por

Realizar análises de datos preditivos mediante os servizos de IA de Dataverse, Fabric e Azure

No mundo actual baseado nos datos, a aplicación da análise preditiva mellora os procesos de toma de decisións e a eficiencia operativa.

Suxestión

Este artigo ofrece un escenario de exemplo e unha arquitectura de exemplo xeneralizada para ilustrar como realizar análises preditivas de datos con Microsoft Dataverse, Microsoft Fabric e servizos de IA de Azure. O exemplo de arquitectura pódese modificar para moitos escenarios e industrias diferentes.

Diagrama de arquitectura

Diagrama de arquitectura que ilustra a análise preditiva de datos con Dataverse, Fabric e servizos de IA de Azure.

Workflow

Os seguintes pasos describen o fluxo de traballo que se mostra no diagrama de arquitectura de exemplo:

  1. Inxestión de datos: Usa fluxos de datos para recompilar e transformar datos brutos de varias fontes. Garda os datos limpos e preparados Dataverse.

  2. Enxeñaría de datos e adestramento de modelos: Sincronizar datos de Dataverse a Fabric usando o atallo de Fabric. Usa o entorno OneLake e Synapse de Fabric para adestrar modelos de aprendizaxe automática.

  3. Almacenamento de predicións: Garda as predicións do modelo de volta en Dataverse ou Delta Lake en Fabric.

  4. Visualización: Crea paneis en tempo real en Power BI para visualizar predicións e información.

  5. Información procesable: Desenvolve unha aplicación baseada en modelos ou lenzos para proporcionarlles aos equipos de primeira liña información preditiva. Power Apps

Compoñentes

AI BuilderExtrae datos clave de documentos mediante modelos predefinidos ou personalizados.

Microsoft DataverseServe como almacén central de datos para os datos de documentos extraídos e rastrexa o progreso dos documentos a medida que se aplica o proceso empresarial.

Power PlatformOs fluxos de traballo automatizados recompilan e transforman datos brutos de múltiples fontes.

Ligar Dataverse a Microsoft Fabric: Sincroniza os datos de Dataverse a Fabric usando o atallo de Fabric.

Azure Machine Learning: Adestra modelos de aprendizaxe automática.

Power AppsFacilita a revisión humana e as correccións de datos.

Power BIOfrece análises e información sobre o fluxo de traballo de procesamento de documentos.

Alternativas

Azure Data Factory: Usa Azure Data Factory en lugar de Power Platform fluxos de datos para recompilar e transformar datos brutos de varias fontes.

Detalles do escenario

O escenario: Unha empresa quere predicir a rotación de clientes para evitar a insatisfacción dos usuarios.

Caso de uso potencial: Predición da rotación de clientes

Neste escenario, os pasos específicos inclúen:

  • Recollida de datos: Emprega fluxos de datos para agregar datos de clientes como transaccións, queixas e puntuacións de interacción en Dataverse.

  • Desenvolvemento do modelo: Sincronizar Dataverse datos con Fabric. Usa datos históricos no grupo Spark de Fabric para adestrar un modelo de predición de abandono. Usar Azure Machine Learning para adestrar e implementar modelos preditivos.

  • Implementación de predicións: Garda predicións como a probabilidade de abandono en Dataverse.

  • Visualización: Crea Power BI paneis de control que mostren a distribución do risco de abandono por rexión ou categoría de produto.

  • Acción do usuario: Crear unha aplicación de lenzo ou baseada en modelos para ver e actuar sobre as contas de alto risco.

Consideracións

Estas consideracións implementan os piares de *Well-Architected*, un conxunto de principios orientadores que melloran a calidade dunha carga de traballo. Power Platform Máis información en Microsoft Power Platform Ben arquitectado.

Desempeño

  • Fluxos de datos para unha inxestión de datos eficiente: Optimice Power Platform os fluxos de datos para os procesos ETL (Extraer, Transformar, Cargar) aplicando unha actualización incremental onde corresponda para minimizar os tempos de procesamento de datos.

  • Ligazón a Microsoft Fabric para computar: Use Azure Synapse Ligazón para Dataverse para descargar tarefas pesadas de cálculo e análise de datos para Microsoft Fabric garantir un impacto mínimo no rendemento nos entornos Dataverse operativos. Usa OneLake en Fabric para xestionar grandes conxuntos de datos con capacidades de consulta eficientes.

Seguranza

  • Integración da seguranza da fonte de datos: Protexa o acceso a datos semiestruturados, relacionais e non relacionais mediante o uso de Microsoft Entra ID para a autenticación e os controis de acceso baseados en roles.

  • Gobernanza dos datos en Fabric e Dataverse: aplicar a clasificación de datos, o cifrado en repouso e as políticas de datos. Implementa a seguranza a nivel de fila en Power BI para obter información específica de cada rol, mantendo ao mesmo tempo un acceso seguro aos datos.

Excelencia operativa

  • Integración continua e entrega continua para Power Platform solucións: use Azure DevOps ou Accións de GitHub para xestionar o ciclo de vida das Dataverse, Power BI e AI Builder solucións.

  • Control de versións de modelos de datos: Rastrexar e documentar os cambios nos modelos e transformacións de aprendizaxe automática en Fabric e Dataverse. Emprega Purview para unha xestión integral da liñaxe de datos e dos metadatos para garantir a explicabilidade e a trazabilidade do modelo.

Colaboradores

Microsoft mantén este artigo. Os seguintes colaboradores escribiron este artigo.

Autores principais:

  • Last updated on