오늘날의 데이터 중심 세계에서 예측 분석을 적용하면 의사 결정 프로세스와 운영 효율성이 향상됩니다.
팁
이 문서에서는 Microsoft Dataverse, Microsoft Fabric 및 Azure AI 서비스를 사용하여 예측 데이터 분석을 수행하는 방법을 설명하기 위해 예제 시나리오와 일반화된 예제 아키텍처를 제공합니다. 아키텍처 예제는 다양한 시나리오 및 산업에 맞게 수정할 수 있습니다.
아키텍처 다이어그램
Workflow
다음 단계에서는 예제 아키텍처 다이어그램에 표시된 워크플로에 대해 설명합니다.
데이터 수집: 데이터 흐름을 사용하여 여러 원본에서 원시 데이터를 수집하고 변환합니다. 정리 및 준비된 데이터를 Dataverse에 저장합니다.
데이터 엔지니어링 및 모델 교육: Fabric 바로 가기를 사용하여 Dataverse에서 Fabric으로 데이터를 동기화합니다. Fabric의 OneLake 및 Synapse 환경을 사용하여 기계 학습 모델을 학습시킵니다.
예측 스토리지: 모델 예측을 Dataverse 또는 Fabric의 Delta Lake에 다시 저장합니다.
시각화: Power BI에서 실시간 대시보드를 빌드하여 예측 및 인사이트를 시각화합니다.
실행 가능한 인사이트: Power Apps 캔버스 또는 모델 기반 앱을 개발하여 일선 팀에 예측 인사이트를 제공합니다.
구성 요소
AI Builder: 미리 빌드된 모델 또는 사용자 지정 모델을 사용하여 문서에서 주요 데이터를 추출합니다.
Microsoft Dataverse: 추출된 문서 데이터의 중앙 데이터 저장소 역할을 하며 비즈니스 프로세스가 적용될 때 문서 진행 상황을 추적합니다.
Power Platform: 자동화된 워크플로는 여러 소스에서 원시 데이터를 수집하고 변환합니다.
Dataverse를 Microsoft Fabric에 연결: Fabric 바로 가기를 사용하여 Dataverse에서 Fabric으로 데이터를 동기화합니다.
Azure Machine Learning: 기계 학습 모델을 학습시킵니다.
Power Apps: 사람의 검토 및 데이터 수정을 용이하게 합니다.
Power BI: 문서 처리 워크플로우에 대한 분석 및 인사이트를 제공합니다.
대안
Azure Data Factory: Power Platform 데이터 흐름 대신 Azure Data Factory를 사용하여 여러 소스에서 원시 데이터를 수집하고 변환합니다.
시나리오 세부 사항
시나리오: 회사에서 사용자 불만족을 방지하기 위해 고객 이탈을 예측하려고 합니다.
잠재적인 사용 사례: 고객 이탈 예측
이 시나리오에서 구체적인 단계는 다음과 같습니다.
데이터 수집: 데이터 흐름을 사용하여 트랜잭션, 불만 사항 및 참여 점수와 같은 고객 데이터를 Dataverse에 집계합니다.
모델 개발: Dataverse 데이터를 Fabric과 동기화합니다. Fabric의 Spark 풀에 있는 기록 데이터를 사용하여 변동 예측 모델을 학습시킵니다. Azure Machine Learning을 사용하여 예측 모델을 학습하고 배포합니다.
예측 배포: 이탈 확률과 같은 예측을 Dataverse에 저장합니다.
시각화: 지역 또는 제품 범주별 이탈 위험 분포를 보여주는 Power BI 대시보드를 빌드합니다.
사용자 작업: 캔버스 또는 모델 기반 앱를 만들어 고위험 계정을 보고 조치를 취합니다.
고려 사항
이러한 고려 사항은 워크로드의 품질을 개선하는 일련의 기본 원칙인 Power Platform Well-Architected의 핵심 요소를 구현합니다. Microsoft Power Platform Well-Architected에서 자세히 알아보세요.
실적
효율적인 데이터 수집을 위한 데이터 흐름: 데이터 처리 시간을 최소화하기 위해 해당되는 경우 증분 새로 고침을 적용하여 ETL(Extract, Transform, Load) 프로세스에 대한 Power Platform 데이터 흐름을 최적화합니다.
컴퓨팅을 위해 Microsoft Fabric에 연결: Dataverse용 Azure Synapse 링크를 사용하여 무거운 데이터 계산 및 분석 작업을 Microsoft Fabric으로 오프로드하여 운영 Dataverse 환경에 대한 성능 영향을 최소화합니다. Fabric에서 OneLake를 사용하여 효율적인 쿼리 기능으로 대규모 데이터 세트를 관리하세요.
보안
데이터 원본 보안 통합: Microsoft Entra ID를 사용하여 반정형, 관계형 및 비관계형 데이터에 대한 액세스를 보호합니다.
Fabric 및 Dataverse의 데이터 거버넌스: 데이터 분류, 미사용 데이터 암호화 및 데이터 정책을 적용합니다. 역할별 인사이트를 위해 Power BI에서 행 수준 보안을 구현하는 동시에 안전한 데이터 액세스를 유지 관리합니다.
운영 효율성
Power Platform 솔루션에 대한 연속 통합 및 지속적인 업데이트: Azure DevOps 또는 GitHub Actions를 사용하여 Dataverse, Power BI 및 AI Builder 솔루션의 수명 주기를 관리합니다.
데이터 모델의 버전 관리: Fabric 및 Dataverse에서 기계 학습 모델 및 변환에 대한 변경 사항을 추적하고 문서화합니다. 포괄적인 데이터 계보 및 메타데이터 관리를 위해 Purview를 사용하여 모델 설명 가능성 및 추적 가능성을 보장합니다.
기여자
Microsoft는 이 문서를 관리합니다. 이 문서를 작성한 기여자는 다음과 같습니다.
주요 작성자:
- Pujarini Mohapatra, 수석 엔지니어링 관리자