Bagikan melalui

Lakukan analisis data prediktif menggunakan Dataverse, Fabric, dan layanan AI Azure

Di dunia berbasis data saat ini, menerapkan analitik prediktif meningkatkan proses pengambilan keputusan dan efisiensi operasional.

Tip

Artikel ini memberikan contoh skenario dan contoh arsitektur umum untuk mengilustrasikan cara melakukan analisis data prediktif dengan Microsoft Dataverse, Microsoft Fabric, dan layanan AI Azure. Contoh arsitektur dapat dimodifikasi untuk berbagai skenario dan industri.

Diagram arsitektur

Diagram arsitektur yang menggambarkan analisis data prediktif dengan Dataverse, Fabric, dan layanan AI Azure.

Alur kerja

Langkah-langkah berikut menjelaskan alur kerja yang ditampilkan dalam diagram arsitektur contoh:

  1. Penyerapan data: Gunakan aliran data untuk mengumpulkan dan mengubah data mentah dari beberapa sumber. Simpan data yang dibersihkan dan disiapkan Dataverse.

  2. Rekayasa data dan pelatihan model: Sinkronkan data dari Dataverse ke Fabric menggunakan pintasan Fabric. Gunakan lingkungan OneLake dan Synapse Fabric untuk melatih model pembelajaran mesin.

  3. Penyimpanan prediksi: Simpan kembali prediksi model ke Dataverse atau Delta Lake di Fabric.

  4. Visualisasi: Bangun dasbor Power BI real-time untuk memvisualisasikan prediksi dan wawasan.

  5. Wawasan yang dapat ditindaklanjuti: Kembangkan Power Apps kanvas atau aplikasi berbasis model untuk memberikan wawasan prediktif kepada tim garis depan.

Komponen

AI Builder: Mengekstrak data utama dari dokumen menggunakan model bawaan atau kustom.

Microsoft Dataverse: Berfungsi sebagai penyimpanan data pusat untuk data dokumen yang diekstraksi dan melacak kemajuan dokumen saat proses bisnis diterapkan.

Power Platform: Alur kerja otomatis mengumpulkan dan mengubah data mentah dari berbagai sumber.

Tautkan Dataverse ke: Microsoft Fabric Menyinkronkan data dari Dataverse ke Fabric menggunakan pintasan Fabric.

Azure Machine Learning: Melatih model pembelajaran mesin.

Power Apps: Memfasilitasi tinjauan manusia dan koreksi data.

Power BI: Memberikan analitik dan wawasan tentang alur kerja pemrosesan dokumen.

Alternatif

Azure Data Factory: Gunakan Azure Data Factory alih-alih Power Platform aliran data untuk mengumpulkan dan mengubah data mentah dari berbagai sumber.

Rincian skenario

Skenarionya: Sebuah perusahaan ingin memprediksi churn pelanggan untuk mencegah ketidakpuasan pengguna.

Kasus penggunaan potensial: Mprediksi churn pelanggan

Dalam skenario ini, langkah-langkah spesifik meliputi:

  • Pengumpulan data: Gunakan aliran data untuk menggabungkan data pelanggan seperti transaksi, keluhan, dan skor Dataverse keterlibatan.

  • Pengembangan model: Sinkronkan Dataverse data dengan Fabric. Gunakan data historis di kumpulan Spark Fabric untuk melatih model prediksi churn. Gunakan Azure Machine Learning untuk melatih dan menyebarkan model prediktif.

  • Penerapan prediksi: Simpan prediksi seperti probabilitas churn ke. Dataverse

  • Visualisasi: Buat Power BI dasbor yang menunjukkan distribusi risiko churn berdasarkan wilayah atau kategori produk.

  • Tindakan pengguna: Buat aplikasi berbasis kanvas atau model untuk melihat dan menindaklanjuti akun berisiko tinggi.

Pertimbangan

Pertimbangan ini mengimplementasikan pilar Power Platform Well-Architected, seperangkat prinsip panduan yang meningkatkan kualitas beban kerja. Pelajari lebih lanjut di Microsoft Power Platform Well-Architected.

Kinerja

  • Aliran data untuk penyerapan data yang efisien: Optimalkan Power Platform aliran data untuk proses ETL (Ekstrak, Transformasi, Muat) dengan menerapkan refresh inkremental jika berlaku untuk meminimalkan waktu pemrosesan data.

  • Tautkan ke Microsoft Fabric untuk komputasi: Gunakan Azure Synapse Tautan untuk Dataverse membongkar tugas komputasi dan analitik data berat untuk Microsoft Fabric memastikan dampak performa minimal pada lingkungan operasional Dataverse . Gunakan OneLake di Fabric untuk mengelola himpunan data besar dengan kemampuan kueri yang efisien.

Keamanan

  • Integrasi keamanan sumber data: Amankan akses ke data semi-terstruktur, relasional, dan nonrelasional dengan menggunakan Microsoft Entra ID untuk autentikasi dan kontrol akses berbasis peran.

  • Tata kelola data di Fabric dan Dataverse: Terapkan klasifikasi data, enkripsi saat tidak aktif, dan kebijakan pencegahan kebocoran data. Terapkan keamanan tingkat baris untuk Power BI wawasan khusus peran sambil mempertahankan akses data yang aman.

Keunggulan Operasional

  • Integrasi berkelanjutan dan pengiriman berkelanjutan untuk Power Platform solusi: Gunakan Azure DevOps atau GitHub Actions untuk mengelola siklus Dataverse hidup dan Power BI AI Builder solusi.

  • Penerapan versi model data: Lacak dan dokumentasikan perubahan pada model dan transformasi pembelajaran mesin di Fabric dan Dataverse. Gunakan Purview untuk manajemen silsilah data dan metadata yang komprehensif untuk memastikan penjelasan dan ketertelusuran model.

Kontributor

Microsoft mempertahankan artikel ini. Kontributor berikut menulis artikel ini.

Penulis utama: