หมายเหตุ
การเข้าถึงหน้านี้ต้องได้รับการอนุญาต คุณสามารถลอง ลงชื่อเข้าใช้หรือเปลี่ยนไดเรกทอรีได้
การเข้าถึงหน้านี้ต้องได้รับการอนุญาต คุณสามารถลองเปลี่ยนไดเรกทอรีได้
ในโลกที่ขับเคลื่อนด้วยข้อมูลในปัจจุบันการใช้การวิเคราะห์เชิงคาดการณ์ช่วยเพิ่มกระบวนการตัดสินใจและประสิทธิภาพการดำเนินงาน
เคล็ดลับ
บทความนี้แสดงตัวอย่างสถานการณ์และสถาปัตยกรรมตัวอย่างทั่วไปที่จะแสดงวิธีทำการวิเคราะห์ข้อมูลเชิงคาดการณ์ด้วย Microsoft Dataverse, Microsoft Fabric และบริการ Azure AI ตัวอย่างสถาปัตยกรรมสามารถแก้ไขได้สำหรับสถานการณ์และอุตสาหกรรมต่างๆ มากมาย
แผนภาพสถาปัตยกรรม
ลำดับงาน
ขั้นตอนต่อไปนี้อธิบายเวิร์กโฟลว์ที่แสดงในไดอะแกรมสถาปัตยกรรมตัวอย่าง:
การนำเข้าข้อมูล: ใช้กระแสข้อมูลเพื่อรวบรวมและแปลงข้อมูลดิบจากหลายแหล่ง จัดเก็บข้อมูลที่สะอาดและเตรียมไว้ใน Dataverse
การวิศวกรรมข้อมูลและการฝึกโมเดล: ซิงค์ข้อมูลจาก Dataverse กับ Fabric โดยใช้ทางลัด Fabric ใช้สภาพแวดล้อม OneLake และ Synapse ของ Fabric เพื่อฝึกโมเดลแมชชีนเลิร์นนิง
การจัดเก็บการคาดคะเน: บันทึกการคาดคะเนของโมเดลกลับเข้าไปใน Dataverse หรือ Delta Lake ใน Fabric
การจัดรูปแบบการแสดง: สร้างแดชบอร์ดแบบเรียลไทม์ใน Power BI เพื่อแสดงภาพการคาดคะเนและข้อมูลเชิงลึก
ข้อมูลเชิงลึกที่นำไปใช้ได้จริง: พัฒนาพื้นที่ทำงาน Power Apps หรือแอปแบบจำลอง เพื่อให้ทีมแนวหน้าได้รับข้อมูลเชิงลึกที่คาดการณ์ได้
คอมโพเนนต์
AI Builder: แยกข้อมูลสำคัญจากเอกสารโดยใช้โมเดลที่สร้างไว้ล่วงหน้าหรือแบบกำหนดเอง
Microsoft Dataverse: ทำหน้าที่เป็นที่เก็บข้อมูลส่วนกลางสำหรับข้อมูลเอกสารที่แยกออกมาและติดตามความคืบหน้าของเอกสารเมื่อใช้กระบวนการทางธุรกิจ
Power Platform: เวิร์กโฟลว์อัตโนมัติรวบรวมและแปลงข้อมูลดิบจากหลายแหล่ง
เชื่อมโยง Dataverse กับ Microsoft Fabric: ซิงค์ข้อมูลจาก Dataverse ไปยัง Fabric โดยใช้ทางลัด Fabric
Azure Machine Learning: ฝึกแบบจำลองการเรียนรู้ของเครื่อง
Power Apps: อำนวยความสะดวกในการตรวจสอบโดยมนุษย์และการแก้ไขข้อมูล
Power BI: นำเสนอการวิเคราะห์และข้อมูลเชิงลึกเกี่ยวกับเวิร์กโฟลว์การประมวลผลเอกสาร
ทางเลือก
Azure Data Factory: ใช้ Azure Data Factory แทนกระแสข้อมูล Power Platform เพื่อรวบรวมและแปลงข้อมูลดิบจากหลายแหล่ง
รายละเอียดสถานการณ์
สถานการณ์: บริษัทต้องการคาดการณ์การเลิกใช้บริการของลูกค้าเพื่อป้องกันความไม่พอใจของผู้ใช้
กรณีการใช้งานที่เป็นไปได้: การคาดการณ์การเลิกใช้บริการของลูกค้า
ในสถานการณ์นี้ ขั้นตอนเฉพาะได้แก่:
การเก็บรวบรวมข้อมูล: ใช้กระแสข้อมูลเพื่อรวบรวมข้อมูลลูกค้า เช่น ธุรกรรม การร้องเรียน และคะแนนการมีส่วนร่วมลงใน Dataverse
การพัฒนาโมเดล: ซิงค์ข้อมูล Dataverse กับ Fabric ใช้ข้อมูลย้อนหลังใน Spark pool ของ Fabric เพื่อฝึกโมเดลการคาดคะเนการเลิกใช้งาน ใช้ Azure Machine Learning เพื่อฝึกและปรับใช้แบบจำลองการคาดการณ์
การปรับใช้งานการคาดคะเน: บันทึกการคาดคะเน เช่น ความน่าจะเป็นการบอกเลิกเป็นลูกค้าลงใน Dataverse
การจัดรูปแบบการแสดง: สร้างแดชบอร์ด Power BI ที่แสดงการกระจายความเสี่ยงในการบอกเลิกเป็นลูกค้าตามภูมิภาคหรือประเภทผลิตภัณฑ์
การดำเนินการของผู้ใช้: สร้างพื้นที่ทำงานหรือแอปแบบจำลองเพื่อดูและดำเนินการกับบัญชีที่มีความเสี่ยงสูง
ข้อควรพิจารณา
ข้อควรพิจารณาเหล่านี้ใช้เสาหลักของ Power Platform Well-Architected ซึ่งเป็นชุดของหลักการชี้นำที่ปรับปรุงคุณภาพของเวิร์กโหลด เรียนรู้เพิ่มเติมใน Microsoft Power Platform Well-Architected
ประสิทธิภาพ
กระแสข้อมูลสำหรับการนำเข้าข้อมูลอย่างมีประสิทธิภาพ: ปรับกระแสข้อมูล Power Platform ให้เหมาะสมสำหรับกระบวนการ ETL (แยก แปลง โหลด) โดยใช้การรีเฟรชแบบเพิ่มหน่วยหากมีเพื่อลดเวลาในการประมวลผลข้อมูล
เชื่อมโยงกับ Microsoft Fabric สำหรับการคำนวณ: ใช้ Azure Synapse Link สำหรับ Dataverse เพื่อลดภาระงานการคำนวณและการวิเคราะห์ข้อมูลจำนวนมากใน Microsoft Fabric เพื่อให้แน่ใจว่ามีผลกระทบต่อประสิทธิภาพการทำงานน้อยที่สุดในสภาพแวดล้อมการทำงาน Dataverse ใช้ OneLake ใน Fabric เพื่อจัดการชุดข้อมูลขนาดใหญ่ที่มีความสามารถในการสอบถามที่มีประสิทธิภาพ
การรักษาความปลอดภัย
การรวมการรักษาความปลอดภัยของแหล่งข้อมูล: รักษาความปลอดภัยในการเข้าถึงข้อมูลกึ่งโครงสร้าง เชิงสัมพันธ์ และไม่สัมพันธ์โดยใช้ Microsoft Entra ID สำหรับการรับรองความถูกต้องและการควบคุมการเข้าถึงตามบทบาท
การกำกับดูแลข้อมูลใน Fabric และ Dataverse: บังคับใช้การจัดประเภทข้อมูล การเข้ารหัสลับเมื่อไม่ได้ใช้งาน และนโยบายการป้องกันการสูญหายของข้อมูล ใช้งานความปลอดภัยระดับแถวใน Power BI สำหรับข้อมูลเชิงลึกเฉพาะบทบาท ในขณะที่ยังคงการเข้าถึงข้อมูลที่ปลอดภัย
ความเป็นเลิศในการดำเนินงาน
การรวมอย่างต่อเนื่องและการส่งมอบอย่างต่อเนื่องสำหรับโซลูชัน Power Platform: ใช้ Azure DevOps หรือ GitHub Actions เพื่อจัดการวงจรชีวิตของ Dataverse, Power BI และโซลูชัน AI Builder
การกำหนดเวอร์ชันของโมเดลข้อมูล: ติดตามและบันทึกการเปลี่ยนแปลงโมเดลแมชชีนเลิร์นนิงและการแปลงใน Fabric และ Dataverse ใช้ Purview สำหรับการติดตามประวัติข้อมูลอย่างครบถ้วนและการจัดการเมตาดาต้าเพื่อให้แน่ใจว่าโมเดลสามารถอธิบายและตรวจสอบย้อนกลับได้
ผู้สนับสนุน
Microsoft ดูแลบทความนี้ ผู้ร่วมให้ข้อมูลต่อไปนี้เขียนบทความนี้
ผู้เขียนหลัก:
- Pujarini Mohapatra, ผู้จัดการฝ่ายวิศวกรรมหลัก