Śledzenie i wizualizowanie danych

Przekształcanie danych pierwotnych w szczegółowe informacje umożliwiające podejmowanie działań to kluczowy krok w cyklu życia danych. Usługa Microsoft Fabric łączy usługi Power BI, Real-Time Intelligence i Fabric IQ, aby ułatwić analitykom biznesowym eksplorowanie, wizualizowanie i reagowanie na dane niemal w czasie rzeczywistym. Korzystając z modeli semantycznych, danych przesyłanych strumieniowo i analizy rozszerzonej sztucznej inteligencji, można tworzyć zarządzane raporty, pulpity nawigacyjne i alerty operacyjne, które napędzają świadome podejmowanie decyzji.

Z tego artykułu dowiesz się więcej o:

  • Tworzenie raportów usługi Power BI i przepływów zadań translitycznych na potrzeby interaktywnej analizy
  • Używanie analizy Real-Time do monitorowania i działania na danych przesyłanych strumieniowo
  • Stosowanie semantyki biznesowej Fabric IQ, ontologii i modeli grafów w celu ujednolicenia danych przedsiębiorstwa

Eksplorowanie i udostępnianie szczegółowych informacji w usłudze Power BI

Raporty usługi Power BI używają modeli semantycznych jako szkieletu analitycznego. Te modele scentralizują logikę biznesową, obliczenia i ład, zapewniając spójność raportów i zespołów. Analitycy biznesowi mogą tworzyć interaktywne pulpity nawigacyjne, analizować metryki i bezpiecznie udostępniać wnioski w całej organizacji. Użyj usługi Power BI, gdy potrzebujesz analizy strukturalnej, wielokrotnego użytku i zarządzanej opartej na semantycznych modelach przechowywanych w usłudze OneLake.

Raporty usługi Power BI można dystrybuować i osadzać w aplikacjach platformy Microsoft 365:

  • Przypinaj raporty w kanałach lub czatach Microsoft Teams do wspólnej analizy.
  • Osadzanie raportów na stronach programu SharePoint przy użyciu części web Power BI.
  • Wstaw raporty na żywo do prezentacji programu PowerPoint .
  • Połącz się z zestawami danych usługi Power BI z programu Excel , aby utworzyć tabele przestawne i wykresy na podstawie modeli semantycznych.

Wykonywanie akcji z raportów za pomocą przepływów zadań translitycznych

Translityczne przepływy zadań umożliwiają przejście z szczegółowych informacji do akcji bezpośrednio wewnątrz raportu usługi Power BI. Funkcje danych użytkownika można wywoływać, aby aktualizować rekordy, wyzwalać przepływy pracy lub zapisywać z powrotem w usłudze OneLake bez opuszczania interfejsu raportu. Użyj przepływów zadań translitycznych, gdy muszą być wykonywane szczegółowe informacje i aktualizacje operacyjne, takie jak dostosowywanie spisu, aktualizowanie prognoz sprzedaży lub rozwiązywanie problemów z pomocą techniczną.

Na poniższym diagramie pokazano, jak raporty usługi Power BI i przepływy zadań translitycznych łączą analizę i akcję w jednym, zarządzanym środowisku:

Diagram architektury przepływów zadań translitycznych usługi Power BI.

Monitorowanie i analizowanie danych w czasie rzeczywistym

Real-Time Intelligence with Eventhouse zapewnia ujednolicone środowisko analityczne obejmujące KQL, T-SQL za pośrednictwem punktu końcowego analiz SQL oraz notesy, umożliwiając kompleksową analizę danych od czasu rzeczywistego po dane historyczne na tych samych danych, bez kopiowania ani przenoszenia danych.

Obciążenie Real-Time Intelligence w platformie Microsoft Fabric umożliwia pozyskiwanie, przetwarzanie, analizowanie i wykonywanie działań na danych przesyłanych strumieniowo przy minimalnym opóźnieniu. Łączy ona możliwości z następujących usług:

Pozyskiwanie strumieniowanych danych za pomocą Eventstream

Eventstream pozyskuje dane przesyłane strumieniowo z takich źródeł, jak Azure Event Hubs, Kafka, urządzenia IoT lub interfejsy API REST. Stosuje ona przekształcenia w czasie rzeczywistym i kieruje dane do usług, takich jak Eventhouse lub Lakehouse.

Eventstream oferuje wsparcie dla routingu i wyrównania schematów, normalizacji znaczników czasu, partycjonowania oraz integracji z Activator. Ponieważ Eventstreams przesyła dane o dużej szybkości do Fabric, moduł Aktywator stale monitoruje te strumieniowane zdarzenia względem zdefiniowanych reguł niemal w czasie rzeczywistym.

Analizowanie zdarzeń za pomocą usługi Eventhouse

Usługa Eventhouse jest zoptymalizowana pod kątem analizy zdarzeń o dużej ilości i szeregów czasowych. Automatycznie indeksuje i partycjonuje dane oraz używa języka Kusto Query Language do szybkiego filtrowania, agregacji, sprzężeń i badania anomalii. Użyj usługi Eventhouse, gdy potrzebujesz skalowalnej analizy danych telemetrycznych, metryk operacyjnych lub danych dziennika.

Usługa Eventhouse udostępnia również zarządzany punkt końcowy analityki SQL, zgodny z modelem danych usługi Eventhouse i zasadami ładu w usłudze Fabric. Punkt końcowy zapewnia znany dostęp do języka T-SQL (na przykład zapytania T-SQL i łączność z narzędziami analizy biznesowej) w danych usługi Eventhouse bez przenoszenia danych.

Ponadto usługa Eventhouse integruje się z notesami Fabric, które obsługują języki KQL, T-SQL, Python i Spark. Za pomocą notesów można eksplorować, przekształcać i tworzyć przepływy pracy uczenia maszynowego na tych samych danych usługi Eventhouse, zachowując pracę w Fabric i unikając kopiowania.

Integracja z aktywacją odbywa się za pośrednictwem zestawów zapytań KQL, które umożliwiają definiowanie zapytań wielokrotnego użytku, które stale oceniają warunki danych usługi Eventhouse. Activator może subskrybować te dane wyjściowe zapytania i stosować reguły na podstawie wyników zapytania. Gdy zapytanie KQL wykryje warunek (na przykład użycie CPU przekracza 90% lub trend wskazuje na ryzyko awarii), aktywator wyzwala zautomatyzowane działania, takie jak wysyłanie alertów, uruchamianie przepływów w Power Automate lub wykonywanie przepływów roboczych w Fabric. To połączenie mocy analitycznej KQL z aranżacją Aktywatora umożliwia automatyzację opartą na danych w czasie rzeczywistym w scenariuszach biznesowych.

Wizualizowanie metryk na żywo za pomocą pulpitów nawigacyjnych w czasie rzeczywistym

Panele kontrolne w czasie rzeczywistym zapewniają dynamiczne, interaktywne wizualizacje danych przesyłanych strumieniowo, umożliwiając monitorowanie kluczowych metryk i sygnałów operacyjnych w czasie rzeczywistym. Oparte na bazach danych usługi Eventhouse (KQL) te pulpity nawigacyjne umożliwiają wykonywanie zapytań i wyświetlanie danych szeregów czasowych z minimalnym opóźnieniem, oferując wgląd w wydajność systemu, zachowanie klientów lub aktywność czujników w czasie rzeczywistym. Obsługują dynamiczne filtrowanie, automatyczne odświeżanie i alerty, co czyni je idealnym rozwiązaniem w przypadku przypadków użycia, takich jak monitorowanie IT, telemetria produkcji, śledzenie transakcji finansowych i analiza obsługi klienta. Pulpity w czasie rzeczywistym integrują się również z Activator, dzięki czemu można nie tylko obserwować zdarzenia krytyczne, ale także reagować na zdarzenia krytyczne bezpośrednio z poziomu ich interfejsu, przekształcając informacje w działanie bez opóźnień.

Pulpity w czasie rzeczywistym różnią się od zwykłych raportów Power BI przede wszystkim dzięki możliwości wizualizacji i reagowania na dane strumieniowane na żywo przy minimalnym opóźnieniu. Raporty usługi Power BI są zwykle oparte na zaimportowanych zestawach danych odświeżonych zgodnie z harmonogramem i najlepiej nadają się do analizy historycznej i interaktywnej eksploracji. Z drugiej strony pulpity nawigacyjne w czasie rzeczywistym są przeznaczone do monitorowania operacyjnego i natychmiastowego uzyskiwania wglądu.

Wykrywanie anomalii

Wykrywacz anomalii automatycznie identyfikuje nietypowe wzorce lub wartości odstające w danych przesyłania strumieniowego lub szeregów czasowych. Wykrywanie działa natywnie na aktywnych tabelach Eventhouse i napływających danych strumieniowych bez konieczności kopiowania lub eksportowania danych, umożliwiając zarówno wykrywanie w czasie rzeczywistym, jak i ocenę w oparciu o dane z okien historycznych. Działa przez analizowanie danych pozyskanych do bazy danych Eventhouse (KQL) i stosowanie modeli statystycznych lub technik uczenia maszynowego w celu wykrywania odchyleń od oczekiwanego zachowania. Te anomalie mogą reprezentować awarie systemu, oszustwa, obniżenie wydajności lub inne krytyczne zdarzenia, które wymagają uwagi. W przeciwieństwie do statycznych alertów opartych na progach wykrywacz anomalii dostosowuje się do historycznych trendów i sezonowości danych, dzięki czemu jest bardziej skuteczny w identyfikowaniu subtelnych lub kontekstowych problemów.

Po wykryciu anomalii może ona wyzwalać akcje podrzędne za pośrednictwem aktywatora, takie jak wysyłanie alertów, aktualizowanie pulpitów nawigacyjnych lub uruchamianie zautomatyzowanych przepływów pracy. Ta funkcja obsługuje scenariusze operacyjne, w których wczesne wykrywanie anomalii może zapobiec przestojom, utracie finansowej lub niezadowoleniu klientów. Umożliwia przejście z reaktywnego monitorowania do aktywnej interwencji w procesach biznesowych.

Użyj wykrywania anomalii, gdy progi statyczne nie są wystarczające, a wzorce muszą być oceniane dynamicznie.

Automatyzowanie odpowiedzi za pomocą aktywatora

Activator stale monitoruje dane strumieniowe lub zdarzenia i ocenia zdefiniowane przez Ciebie reguły. Obsługuje proste reguły progowe i wykrywanie wzorców stanowych. Na przykład gdy metryka staje się krytyczna lub zmniejsza się wraz z upływem czasu. Ta funkcja umożliwia automatyzowanie decyzji i zadań operacyjnych niemal w czasie rzeczywistym, łącząc na bieżąco analizę danych z natychmiastowym działaniem. Użyj aktywatora, aby połączyć szczegółowe informacje w czasie rzeczywistym z automatycznymi odpowiedziami operacyjnymi.

Po spełnieniu warunków aktywator może:

Na poniższym diagramie pokazano, jak Real-Time Intelligence w sieci szkieletowej pozyskuje dane przesyłane strumieniowo, analizuje zdarzenia i wyzwala akcje z małym opóźnieniem:

Diagram architektury inteligencji czasu rzeczywistego.

Zastosowanie semantyki biznesowej z Fabric IQ

Fabric IQ zapewnia wspólną warstwę kontekstu biznesowego w całym majątku danych. Mapuje dane w technologii Lakehouses, Warehouses, Eventhouses i semantycznych modelach na zintegrowaną ontologię.

Fabric Ontology to wspólne, zrozumiałe dla maszyn słownictwo twojego biznesu, które definiuje kluczowe jednostki (na przykład Klient, Produkt lub Samolot), ich relacje, właściwości, reguły biznesowe i możliwe działania, przy zachowaniu wszystkich terminów w języku przedsiębiorstwa. Łączy dynamiczną i połączoną reprezentację działania Twojej firmy, bezpośrednio powiązaną z danymi źródłowymi w usłudze OneLake. Ten model umożliwia użytkownikom i agentom wyświetlanie nie tylko tabel, ale także relacji, takich jak "Klienci składają zamówienia dla produktów", "Loty mają segmenty i załogi" oraz "Opóźnione przesyłki wpływają na przychód". Ten kontekst skoncentrowany na danych ma kluczowe znaczenie dla każdej sztucznej inteligencji, która ma podejmować decyzje lub analizy dotyczące firmy.

Podczas definiowania elementu ontologii (takiego jak jednostka "Flight" z właściwościami, takimi jak Status lub Delay), mapujesz go na tabelę i pola w usłudze Eventhouse, Lakehouse lub Warehouse, które zawierają te informacje, bez kopiowania ani przenoszenia danych. Po umieszczeniu danych w OneLake stają się one częścią aktywnej ontologii.

Poza jednostkami biznesowymi i relacjami ontologie mogą również definiować reguły umożliwiające podejmowanie działań, takie jak "Jeśli zapasy < są poniżej progu, wyzwól uzupełnianie". Agenci operacji używają tych reguł do wyzwalania przepływów pracy w Aktywatorze. Agenci operacyjni mogą analizować zarówno dane przesyłane strumieniowo w czasie rzeczywistym, jak i dane historyczne w usłudze Eventhouse, odwzorowane za pomocą ontologii, a także mogą wywoływać Activator z kontekstem pochodzącym z encji opartych na danych z usługi Eventhouse. Gdy Agent Operacji wywołuje Activator do uruchomienia przepływu Power Automate, przekazuje parametry pochodzące z właściwości ontologii, takich jak CustomerID i OrderStatus. Takie podejście zapewnia, że przepływy automatyzacji działają z pełnym kontekstem biznesowym, a nie tylko nieprzetworzonymi identyfikatorami.

Ta semantyczna warstwa umożliwia spójną analizę, rozumowanie sztucznej inteligencji i automatyzację.

Eksplorowanie połączonych danych za pomocą modeli grafu

Modele grafów zapewniają połączoną sieć jednostek i relacji zdefiniowanych przez ontologię. Umożliwiają one rozumowanie wieloprzeskokowe, analizę wpływu oraz zaawansowane algorytmy, takie jak wykrywanie najkrótszej ścieżki i wykrywanie społeczności. Ta integracja umożliwia agentom sztucznej inteligencji i narzędziom analitycznym wydajne wykonywanie zapytań o złożone relacje. Oferuje wgląd w relacje czasu rzeczywistego i efekty kaskadowe, z którymi tradycyjne modele relacyjne mają trudności. Możesz zapytać modele grafów, korzystając z zapytań GQL przez Fabric API.

Treści powiązane

  • Last updated on