Kongsi melalui

Laksanakan analisis data ramalan menggunakan Dataverse, Fabric dan perkhidmatan Azure AI

Dalam dunia dipacu data hari ini, menggunakan analitik ramalan meningkatkan proses membuat keputusan dan kecekapan operasi.

Tip

Artikel ini menyediakan contoh senario dan contoh seni bina umum untuk menggambarkan cara melaksanakan analisis data ramalan dengan Microsoft Dataverse, Microsoft Fabric, dan perkhidmatan Azure AI. Contoh seni bina boleh diubah suai untuk banyak senario dan industri yang berbeza.

Diagram seni bina

Gambar rajah seni bina yang menggambarkan analisis data ramalan dengan Dataverse, Fabrik dan perkhidmatan AI Azure.

Workflow

Langkah berikut menerangkan aliran kerja yang ditunjukkan dalam contoh gambar rajah seni bina:

  1. Pengingesan data: Gunakan aliran data untuk mengumpul dan mengubah data mentah daripada berbilang sumber. Simpan data yang dibersihkan dan disediakan dalam Dataverse.

  2. Kejuruteraan data dan latihan model: Segerakkan data daripada Dataverse ke Fabrik menggunakan pintasan Fabrik. Gunakan persekitaran OneLake dan Synapse Fabric untuk melatih model pembelajaran mesin.

  3. Storan ramalan: Simpan ramalan model kembali ke dalam Dataverse atau Delta Lake dalam Fabrik.

  4. Visualisasi: Bina papan pemuka masa nyata untuk Power BI menggambarkan ramalan dan cerapan.

  5. Cerapan yang boleh diambil tindakan: Membangunkan Power Apps kanvas atau apl dipacu model untuk menyediakan cerapan ramalan kepada pasukan barisan hadapan.

Komponen

AI Builder: Mengekstrak data utama daripada dokumen menggunakan model prabina atau tersuai.

Microsoft Dataverse: Berfungsi sebagai stor data pusat untuk data dokumen yang diekstrak dan menjejaki kemajuan dokumen semasa proses perniagaan digunakan.

Power Platform: Aliran kerja automatik mengumpul dan mengubah data mentah daripada pelbagai sumber.

Pautkan Dataverse ke: Microsoft Fabric Menyegerakkan data daripada Dataverse ke Fabrik menggunakan pintasan Fabrik.

Pembelajaran Mesin Azure: Melatih model pembelajaran mesin.

Power Apps: Memudahkan semakan manusia dan pembetulan data.

Power BI: Menyampaikan analisis dan cerapan ke dalam aliran kerja pemprosesan dokumen.

Alternatif

Azure Data Factory: Gunakan Azure Data Factory dan bukannya Power Platform aliran data untuk mengumpul dan mengubah data mentah daripada berbilang sumber.

Butiran senario

Senario: Sebuah syarikat ingin meramalkan churn pelanggan untuk mengelakkan rasa tidak puas hati pengguna.

Kes penggunaan yang berpotensi: Meramalkan churn pelanggan

Dalam senario ini, langkah khusus termasuk:

  • Pengumpulan data: Gunakan aliran data untuk mengagregatkan data pelanggan seperti transaksi, aduan dan skor penglibatan Dataverse.

  • Pembangunan model: Segerakkan Dataverse data dengan Fabrik. Gunakan data sejarah dalam kumpulan Spark Fabric untuk melatih model ramalan churn. Gunakan Azure Machine Learning untuk melatih dan menggunakan model ramalan.

  • Penggunaan ramalan: Simpan ramalan seperti kebarangkalian churn kepada Dataverse.

  • Visualisasi: Bina Power BI papan pemuka yang menunjukkan pengagihan risiko churn mengikut rantau atau kategori produk.

  • Tindakan pengguna: Cipta aplikasi kanvas atau dipacu model untuk melihat dan bertindak pada akaun berisiko tinggi.

Pertimbangan

Pertimbangan ini melaksanakan tonggak Power Platform Well-Architected, satu set prinsip panduan yang meningkatkan kualiti beban kerja. Ketahui lebih lanjut dalam Microsoft Power Platform Well-Architected.

Prestasi

  • Aliran data untuk pengambilan data yang cekap: Optimumkan Power Platform aliran data untuk proses ETL (Ekstrak, Transformasi, Muatkan) dengan menggunakan muat semula tambahan jika berkenaan untuk meminimumkan masa pemprosesan data.

  • Pautan ke untuk pengiraan Microsoft Fabric : GunakanPautan untuk Azure Synapse untuk memunggah pengiraan data berat dan tugas analitik untuk Dataverse memastikan kesan prestasi minimum pada persekitaran operasi Microsoft Fabric . Dataverse Gunakan OneLake dalam Fabric untuk mengurus set data yang besar dengan keupayaan pertanyaan yang cekap.

Keselamatan

  • Penyepaduan keselamatan sumber data: Selamatkan akses kepada data separa berstruktur, hubungan dan bukan hubungan dengan menggunakan Microsoft Entra ID untuk pengesahan dan kawalan akses berasaskan peranan.

  • Tadbir urus data dalam Fabrik dan Dataverse: Menguatkuasakan klasifikasi data, penyulitan semasa rehat dan dasar data. Laksanakan keselamatan peringkat baris untuk Power BI cerapan khusus peranan sambil mengekalkan akses data yang selamat.

Kecemerlangan Operasi

  • Penyepaduan berterusan dan penghantaran berterusan untuk Power Platform penyelesaian: Gunakan Azure DevOps atau Tindakan GitHub untuk mengurus kitaran Dataverse hayat, Power BI, dan AI Builder penyelesaian.

  • Versi model data: Jejaki dan dokumentasikan perubahan pada model pembelajaran mesin dan transformasi dalam Fabrik dan Dataverse. Gunakan Purview untuk pengurusan keturunan data dan metadata yang komprehensif untuk memastikan kebolehjelasan dan kebolehkesanan model.

Penyumbang

Microsoft mengekalkan artikel ini. Penyumbang berikut menulis artikel ini.

Pengarang utama:

  • Last updated on