今日のデータドリブンな世界では、予測分析を適用することで、意思決定プロセスと運用効率が向上します。
チップ
この記事では、シナリオ例と一般化されたアーキテクチャ例を提供し、Microsoft Dataverse、Microsoft Fabric、Azure AI サービスを使用して予測データ分析を実行する方法を示します。 アーキテクチャの例は、さまざまなシナリオや業界に合わせて変更できます。
アーキテクチャ ダイアグラム
Workflow
次の手順では、アーキテクチャ図の例に示されているワークフローについて説明します。
データ インジェスト: データフローを使用して、複数のソースから生データを収集して変換します。 クリーニングされ、準備されたデータを Dataverse に保存します。
データ エンジニアリングとモデル トレーニング: Dataverse から Fabric へのデータ同期を Fabric のショートカットを使用して行います。 Fabric の OneLake と Synapse 環境を使って機械学習モデルをトレーニングします。
予測 ストレージ: Fabric の Dataverse または Delta Lake に戻るモデル予測を保存します。
視覚化: Power BI でリアルタイムダッシュボードを構築し、予測や分析情報を可視化します。
実用的なインサイト: Power Apps キャンバス またはモデル駆動型アプリを開発して、最前線のチームに予測的なインサイトを提供します。
コンポーネント
AI Builder: 事前構築済みまたはカスタムモデルを使用してドキュメントから主要データを抽出します。
Microsoft Dataverse: 抽出されたドキュメント データの中央データストアとして機能し、ビジネス プロセスの適用に伴うドキュメントの進捗を追跡します。
Power Platform: 自動化されたワークフローは、複数のソースから生データを収集し、変換します。
Dataverse を Microsoft Fabric にリンクする: Fabricショートカットを使用して、Dataverse から Fabric にデータを同期します。
Azure Machine Learning: 機械学習モデルをトレーニングします。
Power Apps: 人間によるレビューとデータ修正を容易にします。
Power BI: ドキュメント処理のワークフローに分析とインサイトを提供します。
代替手段
Azure Data Factory: 複数のソースからの生データのコレクションと変換には、Power Platform データフローの代わりに Azure Data Factory を使用します。
シナリオの詳細
シナリオ: ある企業では、ユーザーの不満を防ぐために顧客離反を予測したいと考えています。
想定されるユースケース:顧客離反の予測
このシナリオの具体的な手順は以下の通りです:
データ収集: データフローを使用して、取引、苦情、エンゲージメント スコアなどの顧客データを Dataverse に集約します。
モデル開発: Dataverse データを Fabric に同期します。 FabricのSparkプールの履歴データを使用して、チャーン予測モデルをトレーニングします。 Azure Machine Learning を使用して、予測モデルをトレーニングし、展開します。
予測展開: 解約確率などの予測を Dataverse に保存します。
可視化 Power BI : 地域や製品カテゴリ別の解約リスクの分布を示すダッシュボードを構築します。
ユーザーアクション: キャンバス またはモデル駆動型アプリを作成して、リスクの高いアカウントを表示し、対処します。
考慮事項
これらの考慮事項は、ワークロードの品質を向上させる一連の基本原則である Power Platform Well-Architected の柱を実行します。 詳細については、Microsoft Power Platform Well-Architected を参照してください。
実績
効率的なデータ インジェストに向けたデータフロー: ETL (抽出、変換、読み込み) プロセスの Power Platform データフローを最適化し、データ処理時間を最小化するために、必要に応じて増分更新を適用します。
Microsoft Fabric にリンクして計算する: Dataverse 用 Azure Synapse Link を使用して、重いデータデータの計算と分析のタスクをを Microsoft Fabric にオフロードし、運用 Dataverse 環境のパフォーマンスへの影響を最小限に抑えます。 Fabric で OneLake を使用して、効率的なクエリ機能で大規模なデータセットを管理します。
セキュリティ
データ ソース セキュリティの統合: 認証とロールベースのアクセス制御に Microsoft Entra ID を使用して、半構造化データ、リレーショナル データ、非リレーショナル データへのアクセスを保護します。
Fabric と Dataverse のデータのガバナンス: データ分類、保存時の暗号化、およびデータ ポリシーを適用します。 Power BI で行レベルのセキュリティを実装し、ロール固有の分析情報に対して安全なデータ アクセスを維持します。
オペレーショナル エクセレンス
Power Platform ソリューションの継続的インテグレーションと継続的デリバリー: Azure DevOps または GitHub Actions を使用して、Dataverse、Power BI、AI Builder ソリューションのライフ サイクルを管理します。
データモデルのバージョン管理: Fabric と Dataverse における機械学習モデルと変換の変更を追跡し、ドキュメント化します。 Purview を使用して包括的なデータ系列とメタデータ管理を行い、モデルの説明可能性とトレーサビリティを確保します。
投稿者
Microsoft がこの記事を管理しています。 この記事を書いたのは、以下の寄稿者です。
作者代表:
- Pujarini Mohapatra、プリンシパル エンジニアリング マネージャー