Partajați prin

Efectuarea analizelor de date predictive utilizând serviciile Dataverse, Fabric și de inteligență artificială Azure

În lumea de astăzi, bazată pe date, aplicarea analizei predictive îmbunătățește procesele decizionale și eficiența operațională.

Sfat

Acest articol oferă un exemplu de scenariu și o arhitectură generalizată pentru a ilustra cum se efectuează analiza predictivă a datelor cu Microsoft Dataverse, Microsoft Fabric și servicii Azure AI. Exemplul de arhitectură poate fi modificat pentru multe scenarii și industrii diferite.

Diagrama de arhitectură

Diagramă de arhitectură care ilustrează analiza predictivă a datelor cu servicii de inteligență artificială Dataverse, Fabric și Azure.

Workflow

Următorii pași descriu fluxul de lucru prezentat în diagrama arhitecturală exemplificată:

  1. Ingerare de date: Folosește fluxuri de date pentru a colecta și transforma date brute din mai multe surse. Stocați datele curățate și pregătite în Dataverse.

  2. Ingineria datelor și antrenamentul modelelor: Sincronizați datele din Dataverse în Fabric folosind comanda rapidă Fabric. Folosește mediul OneLake și Synapse din Fabric pentru a antrena modele de învățare automată.

  3. Stocarea predicțiilor: Salvați predicțiile modelului înapoi în Dataverse sau Delta Lake în Fabric.

  4. Vizualizare: Construiți tablouri de bord în timp real în Power BI pentru a vizualiza predicții și informații.

  5. Informații utile: Dezvoltați o aplicație bazată pe pânză sau pe model pentru a oferi echipelor din prima linie informații predictive. Power Apps

Componente

AI BuilderExtrage date cheie din documente folosind modele predefinite sau personalizate.

Microsoft DataverseServește ca depozit central de date pentru datele documentelor extrase și urmărește progresul documentelor pe măsură ce este aplicat procesul de business.

Power PlatformFluxurile de lucru automate colectează și transformă date brute din mai multe surse.

Legătură către Dataverse : Sincronizează datele de la Microsoft Fabricla Fabric folosind comanda rapidă Fabric. Dataverse

Azure Machine Learning: Antrenează modele de învățare automată.

Power AppsFacilitează revizuirea umană și corectarea datelor.

Power BIOferă analize și informații despre fluxul de lucru de procesare a documentelor.

Alternative

Azure Data Factory: Utilizați Azure Data Factory în loc de Power Platform fluxuri de date pentru colectarea și transformarea datelor brute din mai multe surse.

Detalii despre scenariu

Scenariul: O companie dorește să prevadă rata de abandon a clienților pentru a preveni nemulțumirea acestora.

Caz de utilizare potențial: Prezicerea pierderii clienților

În acest scenariu, pașii specifici includ:

  • Colectarea datelor: Folosiți fluxuri de date pentru a agrega datele clienților, cum ar fi tranzacțiile, reclamațiile și scorurile de implicare, în Dataverse.

  • Dezvoltarea modelului: Sincronizarea Dataverse datelor cu Fabric. Folosește datele istorice din pool-ul Spark al Fabric pentru a antrena un model de predicție a pierderii clienților. Folosește Azure Machine Learning pentru a antrena și implementa modele predictive.

  • Implementarea predicțiilor: Salvați predicțiile precum probabilitatea de abandon în Dataverse.

  • Vizualizare: Construiți Power BI tablouri de bord care arată distribuția riscului de abandon pe regiuni sau categorii de produse.

  • Acțiune utilizator: Creați o aplicație pe pânză sau pe bază de model pentru a vizualiza și a acționa asupra conturilor cu risc ridicat.

Considerații

Aceste considerații implementează pilonii conceptului *Well-Arhitected*, un set de principii directoare care îmbunătățesc calitatea unui volum de muncă. Power Platform Aflați mai multe în Microsoft Power Platform Arhitectură bună.

Performanță

  • Fluxuri de date pentru ingerarea eficientă a datelor: Optimizați Power Platform fluxurile de date pentru procesele ETL (Extragere, Transformare, Încărcare) prin aplicarea de reîmprospătări incrementale acolo unde este cazul, pentru a minimiza timpii de procesare a datelor.

  • Legătură către Microsoft Fabric pentru calcul: Folosiți Azure Synapse Linkul pentru Dataverse pentru a descărca sarcinile grele de calcul și analiză a datelor pentru Microsoft Fabric a asigura un impact minim asupra performanței asupra mediilor Dataverse operaționale. Folosește OneLake în Fabric pentru a gestiona seturi de date mari cu capacități eficiente de interogare.

Securitatea

  • Integrarea securității surselor de date: Securizarea accesului la date semi-structurate, relaționale și nerelaționale utilizând Microsoft Entra ID-ul pentru autentificare și controale de acces bazate pe roluri.

  • Guvernanța datelor în Fabric și Dataverse: Aplicarea clasificării datelor, a criptării în repaus și a politicilor privind datele. Implementați securitatea la nivel de rând în Power BI pentru informații specifice rolurilor, menținând în același timp accesul securizat la date.

Excelența operațională

  • Integrare continuă și livrare continuă pentru Power Platform soluții: Utilizați Azure DevOps sau acțiuni GitHub pentru a gestiona ciclul de viață al Dataverse, Power BI și AI Builder soluțiilor.

  • Versionarea modelelor de date: Urmăriți și documentați modificările aduse modelelor de învățare automată și transformărilor în Fabric și Dataverse. Folosește Purview pentru o gestionare completă a datelor și a metadatelor, pentru a asigura explicabilitatea și trasabilitatea modelului.

Contribuabili

Microsoft menține acest articol. Următorii colaboratori au scris acest articol.

Autori principali:

  • Last updated on