Condividi tramite

Eseguire l'analisi predittiva dei dati usando Dataverse, Fabric e Servizi di Azure AI

Nel mondo odierno basato sui dati, l'applicazione dell'analisi predittiva migliora i processi decisionali e l'efficienza operativa.

Mancia

Questo articolo fornisce uno scenario di esempio e un'architettura di esempio generalizzata per illustrare come eseguire analisi dei dati predittivi con Microsoft Dataverse, Microsoft Fabric e Servizi di Azure AI. L'esempio di architettura può essere modificato per molti scenari e settori diversi.

Diagramma dell'architettura

Diagramma dell'architettura che illustra l'analisi predittiva dei dati con Dataverse, Fabric e Servizi di Azure AI.

Workflow

I passaggi seguenti descrivono il flusso di lavoro illustrato nel diagramma dell'architettura di esempio:

  1. Inserimento dati: usa i flussi di dati per raccogliere e trasformare i dati non elaborati provenienti da più origini. Archivia i dati puliti e preparati in Dataverse.

  2. Ingegneria dei dati e training del modello: sincronizza i dati da Dataverse a Fabric usando il collegamento Fabric. Usa l'ambiente OneLake e Synapse di Fabric per eseguire il training dei modelli di Machine Learning.

  3. Archiviazione delle previsioni: salva le previsioni del modello in Dataverse o Delta Lake in Fabric.

  4. Visualizzazione: crea dashboard in tempo reale in Power BI per visualizzare previsioni e informazioni aggiuntive.

  5. Informazioni dettagliate azionabili: sviluppa un canvas Power Apps o un'app basata su modello per fornire ai team in prima linea informazioni predittive.

Componenti

AI Builder: estrae i dati chiave dai documenti utilizzando modelli predefiniti o personalizzati.

Microsoft Dataverse: funge da archivio dati centrale per i dati dei documenti estratti e tiene traccia dell'avanzamento dei documenti tramite processo aziendale.

Power Platform: i flussi di lavoro automatizzati raccolgono e trasformano i dati non elaborati provenienti da più fonti.

Collega Dataverse a Microsoft Fabric: sincronizza i dati da Dataverse a Fabric utilizzando il collegamento Fabric.

Azure Machine Learning: esegue la formazione di modelli di apprendimento automatico.

Power Apps: facilita la revisione umana e le correzioni dei dati.

Power BI: fornisce analisi e informazioni dettagliate sul flusso di lavoro di elaborazione dei documenti.

Alternative

Azure Data Factory: usa Azure Data Factory anziché i flussi di dati di Power Platform per la raccolta e la trasformazione dati non elaborati da più origini.

Dettagli dello scenario

Lo scenario: un'azienda vuole prevedere l'abbandono dei clienti per prevenire l'insoddisfazione degli utenti.

Potenziale caso d'uso: previsione del rischio di abbandono dei clienti

In questo scenario, i passaggi specifici includono:

  • Raccolta dati: utilizza i flussi di dati per aggregare i dati dei clienti come transazioni, reclami e punteggi di coinvolgimento in Dataverse.

  • Sviluppo del modello: sincronizzazione dei dati Dataverse con Fabric. Usa i dati storici nel pool Spark di Fabric per eseguire il training di un modello di previsione dell'abbandono. Utilizza Azure Machine Learning per eseguire il training e distribuire modelli predittivi.

  • Distribuzione delle previsioni: salva le previsioni, come la probabilità di abbandono in Dataverse.

  • Visualizzazione: crea dashboard Power BI che mostrano la distribuzione del rischio di abbandono per area geografica o categoria di prodotto.

  • Azione dell'utente: crea un'app canvas o un'app basata su modello per visualizzare e agire sugli account ad alto rischio.

Considerazioni

Queste considerazioni implementano i pilastri di Power Platform Well-Architected, un insieme di principi guida che migliorano la qualità di un carico di lavoro. Altre informazioni in Microsoft Power Platform Well-Architected.

Prestazioni

  • Flussi di dati per un'acquisizione efficiente dei dati: ottimizza i flussi di dati Power Platform per i processi ETL (Estrazione, Trasformazione, Caricamento) applicando l'aggiornamento incrementale ove applicabile per minimizzare i tempi di elaborazione dei dati.

  • Collegare Microsoft Fabric per il calcolo: utilizza Collegamento ad Azure Synapse per Dataverse per eseguire l'offload di pesanti attività di elaborazione e analisi dei dati in Microsoft Fabric in modo da garantire un impatto minimo sulle prestazioni degli ambienti operativi Dataverse. Usa OneLake in Fabric per gestire set di dati di grandi dimensioni con funzionalità di query efficienti.

Sicurezza

  • Integrazione della sicurezza dell'origine dati: proteggi l'accesso a dati semistrutturati, relazionali e non relazionali utilizzando Microsoft Entra ID per l'autenticazione e i controlli degli accessi in base al ruolo.

  • Governance dei dati in Fabric e Dataverse: applica la classificazione dei dati, la crittografia dei dati a riposo e i criteri sui dati. Implementa la sicurezza a livello di riga in Power BI per ottenere informazioni dettagliate specifiche sui ruoli, mantenendo al contempo sicuro l'accesso ai dati.

Eccellenza operativa

  • Integrazione continua e recapito continuo per le soluzioni Power Platform: usa Azure DevOps o GitHub Actions per gestire il ciclo di vita di Dataverse, Power BI e soluzioni AI Builder.

  • Controllo delle versioni dei modelli di dati: tieni traccia e documenta le modifiche ai modelli di apprendimento automatico e alle trasformazioni in Fabric e Dataverse. Usa Purview per la gestione completa della derivazione dei dati e dei metadati per garantire la spiegabilità e la tracciabilità dei modelli.

Contributori

Microsoft mantiene questo articolo. I seguenti collaboratori hanno scritto questo articolo.

Autori principali:

  • Last updated on