Oktatóanyag 5. rész: Előrejelzések megjelenítése Power BI-jelentéssel

Ebben az oktatóanyagban egy Power BI-jelentést készít a 4. részben létrehozott előrejelzési adatokból : Kötegelt pontozás végrehajtása és előrejelzések mentése egy tóházba.

A következőket fogja megtanulni:

• Szemantikai modell létrehozása az előrejelzési adatokból
• Új mértékek hozzáadása az adatokhoz a Power BI-ból
• Készítsen egy Power BI jelentést
• Vizualizációk hozzáadása a jelentéshez

Előfeltételek

• Microsoft Fabric-előfizetés lekérése. Vagy regisztráljon egy ingyenes Microsoft Fabric-próbaverzióra.

• Jelentkezzen be a Microsoft Fabricbe.

• A kezdőlap bal alsó részén található élménykapcsolóval válthat Fabricre.

  

Ez az oktatóanyag-sorozat 5. része. Az oktatóanyag elvégzéséhez először végezze el a következőket:

• 1. rész: Adatok betöltése Egy Microsoft Fabric lakehouse-ba az Apache Spark használatával.
• 2. rész: Adatok feltárása és vizualizációja a Microsoft Fabric-jegyzetfüzetek használatával, hogy többet tudjon meg az adatokról.
• 3. rész: Gépi tanulási modellek betanítása és regisztrálása.
• 4. rész: Kötegelt pontozás végrehajtása és előrejelzések mentése egy tóházba.

Szemantikai modell létrehozása

Hozzon létre egy új szemantikai modellt a 4. részben létrehozott előrejelzési adatokhoz:

1. A bal oldalon válassza ki a munkaterületet.

2. A jobb felső sarokban válassza a Lakehouse lehetőséget szűrőként, ahogyan az alábbi képernyőképen látható:

   

3. Válassza ki az oktatóanyag-sorozat előző részeiben használt tóházat az alábbi képernyőképen látható módon:

   

4. Válassza az Új szemantikai modellt a felső menüszalagon, ahogy az alábbi képernyőképen is látható:

   

5. Adjon nevet a szemantikai modellnek – például "banki adatváltozási előrejelzések". Ezután válassza ki a customer_churn_test_predictions adatkészletet az alábbi képernyőképen látható módon:

   

6. Válassza a Megerősítés elemet.

Új mértékek hozzáadása

Adjon hozzá néhány mértéket a szemantikai modellhez:

1. Adjon hozzá egy új mértéket a forgalom sebességéhez.

   1. Válassza az Új mérték lehetőséget a felső menüszalagon. Ez a művelet hozzáad egy Mérték nevű új elemet a customer_churn_test_predictions adatkészlethez, és megnyitja a táblázat fölött egy szerkesztőlécet, ahogyan az alábbi képernyőképen látható:

      

   2. Az átlagos előrejelzett lemorzsolódási arány meghatározásához cserélje le Measure = a képletsávban a következő kódrészletet:

      Churn Rate = AVERAGE(customer_churn_test_predictions[predictions])
      

   3. A képlet alkalmazásához jelölje be a jelölőnégyzetet a szerkesztőlécen az alábbi képernyőképen látható módon:

      

      Az új mérték megjelenik az adattáblában az alábbi képernyőképen látható módon:

      A számológép ikon azt jelzi, hogy mértékként lett létrehozva. Válassza ki az adattáblában a Churn Rate mértéket. Ezután végezze el a következő kijelöléseket az alábbi képernyőképen látható módon:

   4. Módosítsa a formátumot általánosról százalékra a Tulajdonságok panelen.

   5. Görgessen le a Tulajdonságok panelen a tizedesjegyek 1 értékre való módosításához.

      

2. Adjon hozzá egy új mértéket, amely megszámolja a banki ügyfelek teljes számát. A többi új intézkedésnek szüksége van rá.

   1. A felső menüszalag Új mérték elemének kiválasztásával Ez a művelet megnyit egy szerkesztőlécet a táblázat felett.

   2. Minden előrejelzés egy ügyfelet jelöl. Az ügyfelek teljes számának meghatározásához cserélje le Measure = a képletsávban a következőre:

      Customers = COUNT(customer_churn_test_predictions[predictions])
      

   3. A képlet alkalmazásához jelölje be a jelölőnégyzetet a szerkesztőlécen.

3. Adja hozzá a németországi adatváltozási arányt.

   1. A felső menüszalag Új mérték elemének kiválasztásával Ez a művelet megnyit egy szerkesztőlécet a táblázat felett.

   2. A németországi forgalom sebességének meghatározásához cserélje le Measure = a képletsávban a következőre:

      Germany Churn = CALCULATE(AVERAGE(customer_churn_test_predictions[predictions]),FILTER(customer_churn_test_predictions, customer_churn_test_predictions[Geography_Germany] = TRUE()))
      

      Ez az utasítás azokat a sorokat nyeri ki, amelyek földrajza Németország, és ahol Geography_Germany értéke egyenlő egy.

   3. A képlet alkalmazásához jelölje be a jelölőnégyzetet a szerkesztőlécen.

4. Ismételje meg az előző lépést a franciaországi és spanyolországi adatváltozási arányok hozzáadásához.

   • Spanyolország adatváltozási aránya:

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

   • Franciaország átváltozási aránya:

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

Új jelentés létrehozása

Miután elvégezte a korábban ismertetett összes műveletet, válassza az Új jelentés létrehozása lehetőséget a felső menüszalag fájlbeállítási listájában a Power BI jelentéskészítő oldalának megnyitásához, ahogyan az az alábbi képernyőképen látható:

A jelentésoldal egy új böngészőlapon jelenik meg. Adja hozzá ezeket a vizualizációkat a jelentéshez:

1. Jelölje ki a szövegdobozt a felső menüszalagon az alábbi képernyőképen látható módon:

   

   Adja meg a jelentés címét – például "Banki ügyfélváltozás" az alábbi képernyőképen látható módon:

   

   Módosítsa a betűméretet és a háttérszínt a Formátum panelen. A szöveg kiválasztásával és a formátumsáv használatával módosíthatja a betűméretet és a színt.

2. A Vizualizációk panelen válassza a Kártya ikont az alábbi képernyőképen látható módon:

   

3. Az Adatok panelen válassza a Forgalom sebessége lehetőséget, ahogyan az alábbi képernyőképen látható:

   

4. Módosítsa a betűméretet és a háttérszínt a Formátum panelen az alábbi képernyőképen látható módon:

   

5. Húzza a Churn Rate kártyát a jelentés jobb felső sarkába az alábbi képernyőképen látható módon:

   

6. A Vizualizációk panelen válassza a Vonal- és halmozott oszlopdiagramot az alábbi képernyőképen látható módon:

   

7. A diagram megjelenik a jelentésben. Az Adatok panelen válassza a

   • Kor
   • Lemorzsolódási arány
   • Ügyfelek

   az alábbi képernyőképen látható módon:

   

8. Konfigurálja a vonal- és halmozott oszlopdiagramot az alábbi képernyőképen látható módon.

   1. Kor húzása az Adatok panelről az X tengely mezőre a Vizualizációk panelen
   2. Ügyfelek húzása az Adatok panelről a Vizualizációk panel Vonal y tengely mezőjébe
   3. Húzza a Forgalom sebességét az Adatok panelről az Oszlop y tengely mezőjébe a Vizualizációk panelen

   Győződjön meg arról, hogy az Oszlop y tengely mező csak egy churn rate-példányt tartalmazhat. Minden mást töröljön ebből a mezőből.

   

9. A Vizualizációk panelen válassza a Vonal és halmozott oszlopdiagram ikont. A korábbi vonal- és halmozott oszlopdiagram-konfigurációhoz hasonló lépésekkel válassza az x tengely NumOfProducts elemét, az y tengelynél az áthúzási arányt és az y tengelyhez tartozó Ügyfelek elemet az alábbi képernyőképen látható módon:

   

10. A Vizualizációk panelen mozgassa a két diagram jobb oldalát balra, hogy helyet biztosítson két további diagramnak. Ezután válassza a Halmozott oszlopdiagram ikont. Válassza az x tengelyhez tartozó NewCreditsScore lehetőséget és az y tengelyhez a lemorzsolódási arányt az alábbi képernyőképen látható módon.

    

    Módosítsa a "NewCreditsScore" címet "Kreditpontszám" értékre a Formátum panelen, az alábbi képernyőképen látható módon. Előfordulhat, hogy ki kell bontania a diagram x tengelyméretét ehhez a lépéshez.

    

11. A Vizualizációk panelen válassza a Csoportosított oszlopdiagram kártyát. Válassza ki a Germany Churn, Spain Churn, France Churn lehetőséget ebben a sorrendben az y tengelyhez, az alábbi képernyőképen látható módon. Szükség szerint méretezze át az egyes jelentésdiagramokat.

    

Feljegyzés

Ez az oktatóanyag bemutatja, hogyan elemezheti a mentett előrejelzési eredményeket a Power BI-ban. A témával kapcsolatos szakértelme alapján azonban egy ügyfelekkel való lemorzsolódási esethez részletesebb tervre lehet szüksége a jelentéshez szükséges konkrét vizualizációkról. Ha az üzleti elemzési csapat és a cég szabványos metrikákat hozott létre, ezeknek a metrikáknak is a terv részévé kell válniuk.

A Power BI-jelentés a következőt mutatja:

• Azok a banki ügyfelek, akik több mint két banki terméket használnak, magasabb a forgalom aránya, bár kevés ügyfélnek több mint két terméke volt. A banknak több adatot kell gyűjtenie, és más olyan funkciókat is meg kell vizsgálnia, amelyek több termékkel korrelálnak (tekintse át a bal alsó panelen látható ábrát).
• A németországi banki ügyfelek lemorzsolódási aránya magasabb a franciaországi és spanyolországi ügyfelekéhez képest (tekintse át a jobb alsó panelen látható ábrát). Ezek a változási arányok arra utalnak, hogy az ügyfelek távozását ösztönző tényezők vizsgálata hasznos lehet.
• Több középkorú ügyfél van (25-45 között), és a 45-60 év közötti ügyfelek általában többet lépnek ki.
• Végül az alacsonyabb hitelképességű ügyfelek valószínűleg más pénzintézetek számára hagyják el a bankot. A banknak olyan módszereket kell keresnie, amelyekkel ösztönözheti az alacsonyabb hitelképességű ügyfeleket és a számlaegyenlegeket, hogy maradjanak a banknál.

Következő lépés

Ezzel befejeződött az ötrészes oktatóanyag-sorozat. Tekintse meg a további, végpontok közötti minta oktatóanyagokat:

Végpontok közötti AI-minták használata a Microsoft Fabricben