Självstudie del 5: Visualisera förutsägelser med en Power BI-rapport

I den här handledningen skapar du en Power BI-rapport från de prediktionsdata som du genererade i del 4: Utför batchscoring och spara prediktioner till ett lakehouse.

Du lär dig att:

• Skapa en semantisk modell från förutsägelsedata
• Lägga till nya mått i data från Power BI
• Skapa en Power BI-rapport
• Lägga till visualiseringar i rapporten

Förutsättningar

• Skaffa en Microsoft Fabric-prenumeration. Eller registrera dig för en kostnadsfri utvärderingsversion av Microsoft Fabric.

• Logga in på Microsoft Fabric.

• Använd upplevelseväxlaren längst ned till vänster på startsidan för att växla till Fabric.

  

Det här är del 5 av 5 i självstudieserien. Slutför den här självstudien genom att först slutföra:

• Del 1: Mata in data i ett Microsoft Fabric Lakehouse med Apache Spark.
• Del 2: Utforska och visualisera data med hjälp av Microsoft Fabric-notebook-filer för att lära dig mer om data.
• Del 3: Träna och registrera maskininlärningsmodeller.
• Del 4: Utför batchbedömning och spara förutsägelser till ett sjöhus.

Skapa en semantisk modell

Skapa en ny semantisk modell som är länkad till de förutsägelsedata som du skapade i del 4:

1. Välj din arbetsyta till vänster.

2. I det övre högra hörnet väljer du Lakehouse som ett filter, enligt följande skärmbild:

   

3. Välj det lakehouse som du använde i föregående delar av självstudieserien, enligt följande skärmbild:

   

4. Välj Ny semantisk modell i det övre menyfliksområdet enligt följande skärmbild:

   

5. Ge den semantiska modellen ett namn – till exempel "bankomsättningsförutsägelser". Välj sedan customer_churn_test_predictions datauppsättningen enligt följande skärmbild:

   

6. Välj Bekräfta.

Lägga till nya mått

Lägg till några mått i semantikmodellen:

1. Lägg till ett nytt mått för omsättningshastigheten.

   1. Välj Nytt mått i det övre menyfliksområdet. Den här åtgärden lägger till ett nytt objekt med namnet Mått i datauppsättningen customer_churn_test_predictions och öppnar ett formelfält ovanför tabellen, enligt följande skärmbild:

      

   2. För att fastställa den genomsnittliga förutsagda omsättningshastigheten ersätter du Measure = i formelfältet med följande kodfragment:

      Churn Rate = AVERAGE(customer_churn_test_predictions[predictions])
      

   3. Om du vill tillämpa formeln markerar du bockmarkeringen i formelfältet enligt följande skärmbild:

      

      Det nya måttet visas i datatabellen enligt följande skärmbild:

      Kalkylatorikonen anger att den skapades som ett mått. Välj måttet Omsättningshastighet i datatabellen. Gör sedan följande val, som du ser på följande skärmbild:

   4. Ändra formatet från Allmänt till Procent i panelen Egenskaper .

   5. Rulla nedåt på panelen Egenskaper om du vill ändra decimalertill 1.

      

2. Lägg till ett nytt mått som räknar det totala antalet bankkunder. De andra nya åtgärderna behöver det.

   1. Välj Nytt mått i det övre menyfliksområdet för att lägga till ett nytt objekt med namnet Mått i datauppsättningen customer_churn_test_predictions . Den här åtgärden öppnar ett formelfält ovanför tabellen.

   2. Varje förutsägelse representerar en kund. Om du vill fastställa det totala antalet kunder ersätter du Measure = i formelfältet med:

      Customers = COUNT(customer_churn_test_predictions[predictions])
      

   3. Om du vill tillämpa formeln markerar du bockmarkeringen i formelfältet.

3. Lägg till omsättningsfrekvensen för Tyskland.

   1. Välj Nytt mått i det övre menyfliksområdet för att lägga till ett nytt objekt med namnet Mått i datauppsättningen customer_churn_test_predictions . Den här åtgärden öppnar ett formelfält över tabellen.

   2. För att fastställa omsättningshastigheten för Tyskland ersätter du Measure = formelfältet med:

      Germany Churn = CALCULATE(AVERAGE(customer_churn_test_predictions[predictions]),FILTER(customer_churn_test_predictions, customer_churn_test_predictions[Geography_Germany] = TRUE()))
      

      Den här instruktionen extraherar de rader som har Tyskland som geografi (Geography_Germany är lika med en).

   3. Om du vill tillämpa formeln markerar du bockmarkeringen i formelfältet.

4. Upprepa föregående steg för att lägga till kundbortfallstakter för Frankrike och Spanien.

   • Spaniens omsättningstakt:

     Spain Churn = CALCULATE(AVERAGE(customer_churn_test_predictions[predictions]),FILTER(customer_churn_test_predictions, customer_churn_test_predictions[Geography_Spain] = TRUE()))
     

   • Frankrikes omsättningstakt:

     France Churn = CALCULATE(AVERAGE(customer_churn_test_predictions[predictions]),FILTER(customer_churn_test_predictions, customer_churn_test_predictions[Geography_France] = TRUE()))
     

Skapa en ny rapport

När du har slutfört alla åtgärder som beskrevs tidigare väljer du Skapa ny rapport i det övre menyfliksområdet Filalternativlista för att öppna sidan för redigering av Power BI-rapporter, som du ser på följande skärmbild:

Rapportsidan visas på en ny webbläsarflik. Lägg till dessa visuella objekt i rapporten:

1. Markera textrutan i det övre menyfliksområdet enligt följande skärmbild:

   

   Ange en rubrik för rapporten – till exempel "Bankkundomsättning" enligt följande skärmbild:

   

   Ändra teckenstorlek och bakgrundsfärg på panelen Format. Justera teckenstorleken och färgen genom att markera texten och använda formatfältet.

2. I panelen Visualiseringar väljer du kortikonen enligt följande skärmbild:

   

3. I fönstret Data väljer du Churn Rate (Omsättningshastighet) enligt följande skärmbild:

   

4. Ändra teckenstorleken och bakgrundsfärgen på panelen Format, enligt följande skärmbild:

   

5. Dra kortet Churn Rate (Omsättningsfrekvens) längst upp till höger i rapporten, enligt följande skärmbild:

   

6. I panelen Visualiseringar väljer du diagrammet Linje och staplad kolumn, som visas i följande skärmbild:

   

7. Diagrammet visas i rapporten. I fönstret Data väljer du

   • Ålder
   • Omsättningshastighet
   • Kunder

   som du ser i följande skärmbild:

   

8. Konfigurera linjediagrammet och det staplade stapeldiagrammet enligt följande skärmbild.

   1. Dra Ålder från fönstret Data till fältet X-axel i fönstret Visualiseringar
   2. Dra Kunder från Datafönstret till fältet Linjey-axel i Visualiseringsfönstret
   3. Dra omsättningshastighet från fönstret Data till fältet Kolumn y-axel i fönstret Visualiseringar

   Kontrollera att fältet Kolumn y-axel bara har en instans av omsättningshastighet. Ta bort allt annat från det här fältet.

   

9. I panelen Visualiseringar väljer du ikonen Linjediagram och staplat stapeldiagram . Med steg som liknar den tidigare konfigurationen av linje- och staplade stapeldiagram väljer du NumOfProducts för x-axel, Omsättningshastighet för kolumn y-axel och Kunder för linje-y-axeln, som du ser i följande skärmbild:

   

10. I panelen Visualiseringar flyttar du de högra sidorna av de två diagrammen till vänster för att göra plats för ytterligare två diagram. Välj sedan ikonen Staplat stapeldiagram . Välj NewCreditsScore för x-axeln och Churn Rate för y-axeln enligt följande skärmbild:

    

    Ändra rubriken "NewCreditsScore" till "Credit Score" i panelen Format, enligt följande skärmbild. Du kan behöva expandera x-axelns storlek för diagrammet för det här steget.

    

11. I panelen Visualiseringar väljer du kortet Grupperat stapeldiagram . Välj Tyskland Churn, Spain Churn, France Churn i den ordningen för y-axeln, enligt följande skärmbild. Ändra storlek på de enskilda rapportdiagrammen efter behov.

    

Kommentar

I den här självstudien beskrivs hur du kan analysera de sparade förutsägelseresultaten i Power BI. Men baserat på din ämnesexpertis kan ett verkligt användningsfall för kundomsättning behöva en mer detaljerad plan om de specifika visualiseringar som din rapport kräver. Om ditt affärsanalysteam och företag har upprättat standardiserade mått bör dessa mått också ingå i planen.

Power BI-rapporten visar att:

• Bankkunder som använder mer än två av bankprodukterna har en högre omsättningsfrekvens, även om få kunder hade mer än två produkter. Banken bör samla in mer data och även undersöka andra funktioner som korrelerar med fler produkter (granska diagrammet i den nedre vänstra panelen).
• Bankkunders avhoppfrekvens i Tyskland är högre jämfört med kunder i Frankrike och Spanien (granska diagrammet i panelen längst ned till höger). Dessa omsättningsfrekvenser tyder på att en undersökning av de faktorer som uppmuntrade kunder att lämna kan bli till hjälp.
• Det finns fler medelålders kunder (mellan 25 och 45), och kunder mellan 45 och 60 tenderar att avsluta mer.
• Slutligen skulle kunder med lägre kreditpoäng sannolikt lämna banken för andra finansinstitut. Banken bör leta efter sätt att uppmuntra kunder med lägre kreditpoäng och kontosaldon att stanna hos banken.

Gå vidare

Detta slutför självstudieserien i fem delar. Se andra exempel på självstudier från slutpunkt till slutpunkt:

Så här använder du AI-exempel från slutpunkt till slutpunkt i Microsoft Fabric