Oktatóanyag 5. rész: Előrejelzések megjelenítése Power BI-jelentéssel

Ebben az oktatóanyagban egy Power BI-jelentést fog létrehozni 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.
• Power BI-jelentés létrehozása.
• Vizualizációk hozzáadása a jelentéshez.

Előfeltételek

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

• Jelentkezzen be a Microsoft Fabricbe.

• A kezdőlap bal oldalán található élménykapcsolóval válthat a Synapse Adattudomány felületre.

  

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 bal felső sarokban válassza a Lakehouse lehetőséget szűrőként.

3. Válassza ki az oktatóanyag-sorozat előző részeiben használt tóházat.

4. Válassza az Új szemantikai modell lehetőséget a felső menüszalagon.

   

5. Adjon nevet a szemantikai modellnek, például "banki adatváltozási előrejelzések". Ezután válassza ki a customer_churn_test_predictions adatkészletet.

   

6. Válassza a Megerősítés elemet.

Új mértékek hozzáadása

Most 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 megnyit egy szerkesztőlécet a táblázat felett.

      

   2. Az átlagos előrejelzett forgalom sebességének meghatározásához cserélje le Measure = a képletsávban a következőre:

      Churn Rate = AVERAGE(customer_churn_test_predictions[predictions])
      

   3. A képlet alkalmazásához jelölje be a jelölőnégyzetet a szerkesztőlécen. Az új mérték megjelenik az adattáblában. A számológép ikon azt mutatja, hogy mértékként lett létrehozva.

   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 intézkedéshez szüksége lesz rá.

   1. A felső menüszalag Új mérték elemének kiválasztásával új, Mérték nevű elemet vehet fel az customer_churn_test_predictions adathalmazba. Ez a művelet egy szerkesztőlécet is megnyit 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 új, Mérték nevű elemet vehet fel az customer_churn_test_predictions adathalmazba. Ez a művelet egy szerkesztőlécet is megnyit a táblázat felett.

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

      Germany Churn = CALCULATE(customer_churn_test_predictions[Churn Rate], customer_churn_test_predictions[Geography_Germany] = 1)
      

      Ez a sorokat a Németországgal rendelkezőkre szűri földrajzi helyként (Geography_Germany egynek felel meg).

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

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

   • Spanyolország adatváltozási aránya:

     Spain Churn = CALCULATE(customer_churn_test_predictions[Churn Rate], customer_churn_test_predictions[Geography_Spain] = 1)
     

   • Franciaország átváltozási aránya:

     France Churn = CALCULATE(customer_churn_test_predictions[Churn Rate], customer_churn_test_predictions[Geography_France] = 1)
     

Új jelentés létrehozása

Ha végzett az összes művelettel, lépjen a Power BI jelentéskészítési oldalára a jelentés létrehozása a felső menüszalagon lehetőséget választva.

A jelentésoldal megjelenése után vegye fel a következő vizualizációkat:

1. Jelölje ki a felső menüszalag szövegdobozát, és adjon meg egy címet a jelentésnek, például "Banki ügyfélforgalom". 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 Adatok panelen válassza az Adatváltozási arány lehetőséget. Módosítsa a betűméretet és a háttérszínt a Formátum panelen. Húzza a vizualizációt a jelentés jobb felső sarkába.

   

3. A Vizualizációk panelen válassza a Vonal és halmozott oszlopdiagram ikont. Válassza ki az x tengely korát , az y tengelynél az áthúzási arányt , az y tengelynél pedig az Ügyfelek vonalat.

   

4. A Vizualizációk panelen válassza a Vonal és halmozott oszlopdiagram ikont. Válassza ki az x tengely NumOfProducts elemét, az y tengely oszlopának átviteli sebességét és az y tengelyhez tartozó Ügyfelek elemet.

   

5. A Vizualizációk panelen válassza a Halmozott oszlopdiagram ikont. Válassza a NewCreditsScore lehetőséget az x tengelyhez és az y tengelyhez tartozó forgalomsebességet .

   

   Módosítsa a "NewCreditsScore" címet "Kreditpontszám" értékre a Formátum panelen.

   

6. A Vizualizációk panelen válassza a Csoportosított oszlopdiagram kártyát. Válassza ki a Germany Churn, Spain Churn, France Churn lehetőséget ebben a sorrendben az y tengelyhez.

   

Feljegyzés

Ez a jelentés egy illusztrált példát mutat be arra, hogyan elemezheti a mentett előrejelzési eredményeket a Power BI-ban. Egy valódi ügyféloldali használat esetén azonban előfordulhat, hogy alaposabban kell átgondolnia, hogy milyen vizualizációkat kell létrehoznia a szakterületi szakértelem alapján, és hogy a cég és az üzleti elemzési csapat mit szabványosított metrikákként.

A Power BI-jelentés a következőt jeleníti meg:

• Azok az 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, de a további termékekkel korrelált egyéb funkciókat is meg kell vizsgálnia (lásd a bal alsó panelen látható ábrát).
• A németországi banki ügyfelek aránya magasabb, mint Franciaországban és Spanyolországban (lásd a jobb alsó panelen látható ábrát), ami arra utal, hogy előnyös lehet egy vizsgálat, amely arra ösztönözte az ügyfeleket, hogy távozjanak.
• A középkorú ügyfelek (25-45 év között) és a 45-60 év közötti ügyfelek általában többet lépnek ki.
• Végül, az alacsonyabb hitelképességű ügyfelek valószínűleg más pénzügyi intézetek számára hagyják el a bankot. A banknak olyan módszereket kell megvizsgálnia, amelyek arra ösztönzik az alacsonyabb hitelképességű ügyfeleket, 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