Deli putem

Izvršite prediktivnu analizu podataka koristeći Dataverse Fabric i Azure AI usluge

U današnjem svetu zasnovanom na podacima, primena prediktivne analitike poboljšava procese donošenja odluka i operativnu efikasnost.

Napojnica

Ovaj članak daje primer scenarija i generalizovanu arhitekturu primera koja ilustruje kako izvršiti prediktivnu analizu podataka sa Microsoft Dataverse Microsoft Fabric i Azure AI uslugama. Primer arhitekture može biti modifikovan za mnogo različitih scenarija i industrija.

Dijagram arhitekture

Arhitektonski dijagram koji ilustruje prediktivnu analizu podataka sa Dataverse, Fabric i Azure AI uslugama.

Workflow

Sledeći koraci opisuju tok posla koji je prikazan u primeru dijagrama arhitekture:

  1. Unos podataka: Koristite tokove podataka za prikupljanje i transformaciju sirovih podataka iz više izvora. Čuvajte očišćene i pripremljene podatke u Dataverse.

  2. Inženjering podataka i obuka modela: Sinhronizujte podatke iz Dataverse tkanine pomoću prečice Fabric. Koristite Fabric-ovo OneLake i Sinapse okruženje za obuku modela mašinskog učenja.

  3. Predviđanje skladištenje: Sačuvajte predviđanja modela nazad u Dataverse ili Delta Lake u fabric.

  4. Vizualizacija: Izgradite kontrolne table u realnom vremenu da Power BI biste vizualizovali predviđanja i uvide.

  5. Uvidi koji se mogu preduzeti: Razvijte aplikaciju na Power Apps platnu ili model kako biste timovima na prvoj liniji pružili prediktivne uvide.

Komponente

AI Builder: Izvlači ključne podatke iz dokumenata koristeći unapred izgrađene ili prilagođene modele.

Microsoft Dataverse: Služi kao centralno skladište podataka za izdvojene podatke o dokumentima i prati napredak dokumenta dok se primenjuje poslovni proces.

Power Platform: Automatizovani tokovi posla prikupljaju i transformišu sirove podatke iz više izvora.

Link Dataverse to Microsoft Fabric: Sinhronizuje podatke iz Dataverse u Fabric koristeći prečicu Fabric.

Azure Machine Learning: Trenira modele mašinskog učenja.

Power Apps: Olakšava ljudski pregled i ispravke podataka.

Power BI: Pruža analitiku i uvid u radni tok obrade dokumenata.

Alternative

Azure Data Factori: Koristite Azure Data Factori umesto tokova Power Platform podataka za prikupljanje i transformaciju sirovih podataka iz više izvora.

Detalji scenarija

Scenario: Kompanija želi da predvidi odliv kupaca kako bi sprečila nezadovoljstvo korisnika.

Potencijalni slučaj upotrebe: Predviđanje odliva kupaca

U ovom scenariju, specifični koraci uključuju:

  • Prikupljanje podataka: Koristite tokove podataka za agregiranje podataka o klijentima kao što su transakcije, žalbe i rezultati angažovanja Dataverse.

  • Razvoj modela: Sinhronizujte Dataverse podatke sa tkaninom. Koristite istorijske podatke u Fabric's Spark bazenu da biste trenirali model predviđanja bućkanja. Koristite Azure Machine Learning za obuku i primenu prediktivnih modela.

  • Predviđanje raspoređivanje: Sačuvajte predviđanja kao što su verovatnoća bućkanja Dataverse.

  • Vizualizacija: Izgradite Power BI kontrolne table koje prikazuju distribuciju rizika odljeva po regionu ili kategoriji proizvoda.

  • Akcija korisnika: Kreirajte aplikaciju na platnu ili model za pregled i delovanje na računima visokog rizika.

Pitanja na koja treba obratiti pažnju

Ova razmatranja implementiraju stubove Power Platform Vell-Architected, skup vodećih načela koja poboljšavaju kvalitet radnog opterećenja. Saznajte više u Microsoft Power Platform Vell-Architected.

Performanse

  • Tokovi podataka za efikasan unos podataka: Optimizujte Power Platform tokove podataka za ETL (Ekstrakt, Transform, Load) procese primenom inkrementalnog osvežavanja gde je to primenljivo kako bi se smanjilo vreme obrade podataka.

  • Link za Microsoft Fabric računanje: Koristite Azure Synapse Link za Dataverse rasterećenje teških zadataka za izračunavanje podataka i analitiku kako biste Microsoft Fabric osigurali minimalan uticaj performansi na operativna Dataverse okruženja. Koristite OneLake u Fabric-u za upravljanje velikim skupovima podataka sa efikasnim mogućnostima upita.

Bezbednost

  • Bezbednosna integracija izvora podataka: Siguran pristup polustrukturiranim, relacijskim i nerelacijskim podacima pomoću Microsoft Entra ID-a za autentifikaciju i kontrolu pristupa zasnovanu na ulozi.

  • Upravljanje podacima u fabrici i Dataverse: Sprovođenje klasifikacije podataka, šifrovanje u mirovanju, i politike sprečavanja gubitka podataka. Implementirajte sigurnost na nivou reda za Power BI uvide specifične za uloge uz održavanje sigurnog pristupa podacima.

Operativna izvrsnost

  • Kontinuirana integracija i kontinuirana isporuka Power Platform rešenja: Koristite Azure DevOps ili GitHub akcije za upravljanje životnim ciklusom Dataverse Power BI i AI Builder rešenja.

  • Verzionisanje modela podataka: Pratite i dokumentujte promene u modelima mašinskog učenja i transformacijama u fabrici i Dataverse. Koristite Purviev za sveobuhvatno upravljanje poreklom podataka i metapodacima kako biste osigurali objašnjivost i sledljivost modela.

Saradnici

Microsoft održava ovaj članak. Sledeći saradnici su napisali ovaj članak.

Glavni autori: