Öğretici 5. Bölüm: Power BI raporuyla tahminleri görselleştirme

Bu öğreticide, Bölüm 4: Toplu puanlama gerçekleştirme ve tahminleri bir göle kaydetme bölümünde oluşturulan tahmin verilerinden bir Power BI raporu oluşturacaksınız.

Nasıl yapılacağını öğrenin:

• Tahmin verilerinden bir anlam modeli oluşturun.
• Power BI'dan verilere yeni ölçüler ekleyin.
• Power BI raporu oluşturma.
• Rapora görselleştirmeler ekleyin.

Önkoşullar

• Microsoft Fabric aboneliği alın. Alternatif olarak, ücretsiz bir Microsoft Fabric deneme sürümüne kaydolun.

• Microsoft Fabric'te oturum açın.

• Synapse Veri Bilimi deneyimine geçmek için giriş sayfanızın sol tarafındaki deneyim değiştiriciyi kullanın.

  

Bu, öğretici serisinin 5. bölümüdür. Bu öğreticiyi tamamlamak için önce şunları tamamlayın:

• 1. Bölüm: Apache Spark kullanarak bir Microsoft Fabric lakehouse'a veri alma.
• 2. Bölüm: Veriler hakkında daha fazla bilgi edinmek için Microsoft Fabric not defterlerini kullanarak verileri keşfedin ve görselleştirin.
• Bölüm 3: Makine öğrenmesi modellerini eğitme ve kaydetme.
• Bölüm 4: Toplu puanlama gerçekleştirin ve tahminleri bir göl evinde kaydedin.

Anlamsal model oluşturma

Bölüm 4'te oluşturduğunuz tahmin verilerine bağlı yeni bir anlam modeli oluşturun:

1. Sol tarafta çalışma alanınızı seçin.

2. Sol üst kısımda Filtre olarak Lakehouse'ı seçin.

3. Öğretici serisinin önceki bölümlerinde kullandığınız göl evi'ni seçin.

4. Üst şeritte Yeni anlamsal model'i seçin.

   

5. Anlam modeline "banka değişim sıklığı tahminleri" gibi bir ad verin. Ardından customer_churn_test_predictions veri kümesini seçin.

   

6. Onayla'yı seçin.

Yeni ölçüler ekleme

Şimdi anlam modeline birkaç ölçü ekleyin:

1. Değişim sıklığı için yeni bir ölçü ekleyin.

   1. Üst şeritte Yeni ölçü'yü seçin. Bu eylem, customer_churn_test_predictions veri kümesine Ölçü adlı yeni bir öğe ekler ve tablonun üzerinde bir formül çubuğu açar.

      

   2. Ortalama tahmin edilen değişim sıklığı oranını belirlemek için formül çubuğunda şununla değiştirin Measure = :

      Churn Rate = AVERAGE(customer_churn_test_predictions[predictions])
      

   3. Formülü uygulamak için formül çubuğunda onay işaretini seçin. Yeni ölçü, veri tablosunda görünür. Hesap makinesi simgesi ölçü olarak oluşturulduğunu gösterir.

   4. Özellikler panelinde biçimi Genel olan Yüzde olarak değiştirin.

   5. Ondalık basamakları 1 olarak değiştirmek için Özellikler panelinde aşağı kaydırın.

      

2. Toplam banka müşterisi sayısını sayan yeni bir ölçü ekleyin. Yeni ölçülerin geri kalanı için buna ihtiyacınız olacak.

   1. Veri kümesine Ölçü adlı yeni bir öğe eklemek için üst şeritte Yeni ölçü'yü customer_churn_test_predictions seçin. Bu eylem tablonun üzerinde bir formül çubuğu da açar.

   2. Her tahmin bir müşteriyi temsil eder. Toplam müşteri sayısını belirlemek için formül çubuğunda şununla değiştirin Measure = :

      Customers = COUNT(customer_churn_test_predictions[predictions])
      

   3. Formülü uygulamak için formül çubuğundaki onay işaretini seçin.

3. Almanya için değişim sıklığı oranını ekleyin.

   1. Veri kümesine Ölçü adlı yeni bir öğe eklemek için üst şeritte Yeni ölçü'yü customer_churn_test_predictions seçin. Bu eylem tablonun üzerinde bir formül çubuğu da açar.

   2. Almanya'nın değişim oranını belirlemek için formül çubuğunda şununla değiştirin Measure = :

      Germany Churn = CALCULATE(customer_churn_test_predictions[Churn Rate], customer_churn_test_predictions[Geography_Germany] = 1)
      

      Bu, satırları coğrafyası olarak Almanya'yı içeren satırlara göre filtreler (Geography_Germany bire eşittir).

   3. Formülü uygulamak için formül çubuğunda onay işaretini seçin.

4. Fransa ve İspanya'nın değişim oranlarını eklemek için yukarıdaki adımı tekrarlayın.

   • İspanya'nın değişim sıklığı:

     Spain Churn = CALCULATE(customer_churn_test_predictions[Churn Rate], customer_churn_test_predictions[Geography_Spain] = 1)
     

   • Fransa'nın değişim sıklığı:

     France Churn = CALCULATE(customer_churn_test_predictions[Churn Rate], customer_churn_test_predictions[Geography_France] = 1)
     

Yeni rapor oluşturma

Tüm işlemleri tamamladıktan sonra üst şeritteki Rapor oluştur'u seçerek Power BI rapor yazma sayfasına geçin.

Rapor sayfası görüntülendiğinde şu görselleri ekleyin:

1. Üst şeritteki metin kutusunu seçin ve rapor için "Banka Müşteri Değişim Sıklığı" gibi bir başlık girin. Biçim panelinde yazı tipi boyutunu ve arka plan rengini değiştirin. Metni seçip biçim çubuğunu kullanarak yazı tipi boyutunu ve rengini ayarlayın.

2. Görselleştirmeler panelinde Kart simgesini seçin. Veri bölmesinde Değişim Oranı'nı seçin. Biçim panelinde yazı tipi boyutunu ve arka plan rengini değiştirin. Bu görselleştirmeyi raporun sağ üst kısmına sürükleyin.

   

3. Görselleştirmeler panelinde Çizgi ve yığılmış sütun grafiği simgesini seçin. X ekseni için yaş, y ekseni sütunu için Değişim Oranı ve y ekseni satırı için Müşteriler'i seçin.

   

4. Görselleştirmeler panelinde Çizgi ve yığılmış sütun grafiği simgesini seçin. X ekseni için NumOfProducts, sütun y ekseni için Değişim Oranı ve y ekseni satırı için Müşteriler'i seçin.

   

5. Görselleştirmeler panelinde Yığılmış sütun grafiği simgesini seçin. X ekseni için NewCreditsScore ve y ekseni için Değişim Oranı'ni seçin.

   

   Biçim panelinde "NewCreditsScore" başlığını "Kredi Puanı" olarak değiştirin.

   

6. Görselleştirmeler panelinde Kümelenmiş sütun grafik kartını seçin. Y ekseni için Almanya Değişim Sıklığı, İspanya Churn, Fransa Churn'ı seçin.

   

Not

Bu rapor, Power BI'da kaydedilen tahmin sonuçlarını nasıl analiz edebileceğinize ilişkin resimli bir örneği temsil eder. Ancak gerçek bir müşteri değişim sıklığı kullanım örneği için, konu uzmanlığınıza ve şirketinizin ve iş analizi ekibinizin ölçüm olarak standartlaştırdığı öğelere dayanarak hangi görselleştirmelerin oluşturulacağı konusunda daha kapsamlı bir fikir sahibi olmanız gerekebilir.

Power BI raporu şunları gösterir:

• Banka ürünlerinin ikisinden fazlasını kullanan müşteriler daha yüksek bir değişim oranına sahiptir ancak az sayıda müşterinin ikiden fazla ürünü vardır. Banka daha fazla veri toplamalı, ancak daha fazla ürünle ilişkili diğer özellikleri de araştırmalıdır (sol alt paneldeki çizime bakın).
• Almanya'daki banka müşterileri, Fransa ve İspanya'dan daha yüksek bir değişim oranına sahiptir (sağ alt paneldeki çizime bakın), bu da müşterileri ayrılmaya teşvik eden bir araştırmanın yararlı olabileceğini göstermektedir.
• Orta yaşlı müşteriler daha fazladır (25-45 arasında) ve 45-60 arasındaki müşteriler daha fazla çıkmaktadır.
• Son olarak, kredi puanı daha düşük olan müşteriler büyük olasılıkla diğer finans enstitüleri için bankadan ayrılır. Banka, kredi puanı ve hesap bakiyesi düşük olan müşterileri bankada kalmaya teşvik eden yöntemlere bakmalıdır.

Sonraki adım

Bu, beş bölüm öğretici serisini tamamlar. Diğer uçtan uca örnek öğreticilere bakın:

Microsoft Fabric'te uçtan uca yapay zeka örneklerini kullanma