Dela via

Utför prediktiv dataanalys med hjälp av Dataverse AI-tjänsterna Fabric och Azure

I dagens datadrivna värld förbättrar tillämpningen av prediktiv analys beslutsprocesserna och den operativa effektiviteten.

Tips!

Den här artikeln innehåller ett exempelscenario och en generaliserad exempelarkitektur som illustrerar hur du utför prediktiv dataanalys med Microsoft Dataverse, Microsoft Fabric och Azure AI-tjänster. Arkitekturexemplet kan ändras för många olika scenarier och branscher.

Arkitekturdiagram

Arkitekturdiagram som illustrerar prediktiv dataanalys med Dataverse, Fabric och Azure AI-tjänster.

Workflow

Följande steg beskriver arbetsflödet som visas i arkitekturdiagrammet:

  1. Datainmatning: Använd dataflöden för att samla in och omvandla rådata från flera källor. Lagra rensade och förberedda data i Dataverse.

  2. Datateknik och modellträning: Synkronisera data från Dataverse till Fabric med hjälp av Fabric-genvägen. Använd Fabric OneLake- och Synapse-miljö för att träna maskininlärningsmodeller.

  3. Lagring av prediktion: Spara modellprediktioner tillbaka till Dataverse eller Delta Lake i Fabric.

  4. Visualisering: Bygg instrumentpaneler i realtid i Power BI för att visualisera prediktioner och insikter.

  5. Användbara insikter: Utveckla en Power Apps arbetsyta eller modellbaserad app för att ge teamen i frontlinjen prediktiva insikter.

Komponenter

AI Builder: Extraherar nyckeldata från dokument med hjälp av fördefinierade eller anpassade modeller.

Microsoft Dataverse: Fungerar som det centrala datalagret för extraherade dokumentdata och spårar dokumentförloppet när affärsprocessen tillämpas.

Power Platform: Automatiserade arbetsflöden samlar in och omvandlar rådata från flera källor.

Länka Dataverse till Microsoft Fabric: Synkroniserar data från Dataverse till Fabric med hjälp av Fabric-genvägen.

Azure Machine Learning: Tränar maskininlärningsmodeller.

Power Apps: Underlättar mänsklig granskning och datakorrigeringar.

Power BI: Levererar analyser och insikter i arbetsflödet för dokumentbearbetning.

Alternativ

Azure Data Factory: Använd Azure Data Factory i stället för Power Platform-dataflöden för att samla in och transformera rådata från flera källor.

Information om scenario

Scenariot: Ett företag vill förutsäga kundomsättning för att förhindra missnöje bland användarna.

Potentiellt användningsfall: Förutsäga kundomsättning

I det här scenariot omfattar de specifika stegen:

  • Datainsamling: Använd dataflöden för att aggregera kunddata som transaktioner, klagomål och engagemangspoäng i Dataverse.

  • Modellutveckling: Synkronisera Dataverse-data med Fabric. Använd historiska data i Fabric Spark-poolen för att träna en prediktionsmodell för omsättning. Använd Azure Machine Learning för att träna och distribuera förutsägelsemodeller.

  • Prediktionsdistribution: Spara prediktioner, till exempel sannolikhet för omsättning i Dataverse.

  • Visualisering: Skapa Power BI-instrumentpaneler som visar riskfördelning för omsättning efter region eller produktkategori.

  • Användaråtgärd: Skapa en arbetsyta eller modellbaserad app för att visa och agera på högriskkonton.

Att tänka på

Dessa överväganden genomför principerna för Power Platform välstrukturerat, en uppsättning vägledande principer som förbättrar kvaliteten på en arbetsbelastning. Läs mer i Microsoft Power Platform välstrukturerat.

Resultat

  • Dataflöden för effektiv datainmatning: Optimera Power Platform-dataflöden för ETL-processer (extrahering, omvandling, inläsning) genom att tillämpa inkrementell uppdatering där det är tillämpligt för att minimera databearbetningstiderna.

  • Länk till Microsoft Fabric för beräkning: Använd Azure Synapse Link för Dataverse för att avlasta tunga databeräknings- och analysuppgifter till Microsoft Fabric för att säkerställa minimal prestandapåverkan på Dataverse-driftsmiljöer. Använd OneLake i Fabric för att hantera stora datamängder med effektiva frågefunktioner.

Säkerhet

  • Säkerhetsintegrering för datakällor: Säker åtkomst till halvstrukturerade, relationsbaserade och icke-relationella data med hjälp av Microsoft Entra ID för autentisering och rollbaserade åtkomstkontroller.

  • Styrning av data i Fabric och Dataverse: Framtvinga dataklassificering, kryptering i vila och principer för dataförlustskydd. Implementera säkerhet på radnivå i Power BI för rollspecifika insikter samtidigt som säker dataåtkomst upprätthålls.

Bästa driftförutsättningar

  • Kontinuerlig integrering och kontinuerlig leverans för Power Platform-lösningar: Använd Azure DevOps eller GitHub Actions för att hantera livscykeln för Dataverse, Power BI och AI Builder-lösningar.

  • Versionshantering av datamodeller: Spåra och dokumentera ändringar i maskininlärningsmodeller och omvandlingar i Fabric och Dataverse. Använd Purview för omfattande hantering av data härkomst och metadata för att säkerställa modellens förklarbarhet och spårbarhet.

Deltagare

Microsoft underhåller den här artikeln. Följande bidragsgivare skrev den här artikeln.

Huvudsakliga författare: