Aracılığıyla paylaş

Dataverse, Fabric ve Azure AI hizmetlerini kullanarak tahmine dayalı veri analizi gerçekleştirme

Günümüzün veri odaklı dünyasında, tahmine dayalı analitiğin uygulanması, karar verme süreçlerini ve operasyonel verimliliği geliştirir.

İpucu

Bu makale, Microsoft Dataverse, Microsoft Fabric ve Azure AI servisleriyle tahmini veri analizinin nasıl gerçekleştirileceğini göstermek için bir örnek senaryo ve genelleştirilmiş bir örnek mimari sunmaktadır. Mimari örneği birçok farklı senaryo ve sektör için değiştirilebilir.

Mimari diyagramı

Dataverse, Fabric ve Azure AI servisleriyle tahmini veri analizini gösteren mimari diyagram.

Workflow

Aşağıdaki adımlarda, örnek mimari diyagramında gösterilen iş akışı açıklanmaktadır:

  1. Veri alımı: Birden çok kaynaktan ham verileri toplamak ve dönüştürmek için veri akışlarını kullanın. Temizlenmiş ve hazırlanmış verileri Dataverse'de depolayın.

  2. Veri mühendisliği ve model eğitimi: Fabric kısayolunu kullanarak Dataverse'den Fabric'e veri senkronize edin. Makine öğrenimi modellerini eğitmek için Fabric'in OneLake ve Synapse ortamını kullanın.

  3. Tahmin depolama: Model tahminlerini Fabric'teki Dataverse veya Delta Lake'e geri kaydedin.

  4. Görselleştirme: Tahminleri ve içgörüleri görselleştirmek için Power BI'de gerçek zamanlı gösterge panelleri oluşturun.

  5. Eyleme dönüştürülebilir öngörüler: Ön saflardaki ekiplere öngörücü öngörüler sağlamak için bir Power Apps tuvali veya model odaklı uygulama geliştirin.

Bileşenler

AI Builder: Önceden oluşturulmuş veya özel modeller kullanarak belgelerden önemli verileri ayıklar.

Microsoft Dataverse: Ayıklanan belge verileri için merkezi veri deposu görevi görür ve iş süreci uygulanırken belge ilerlemesini izler.

Power Platform: Otomatik iş akışları, birden çok kaynaktan ham verileri toplar ve dönüştürür.

Dataverse'ü Microsoft Fabric'e bağlama: Fabric kısayolunu kullanarak Dataverse'ten Fabric'e veri senkronize eder.

Azure Makine Öğrenimi: Makine öğrenimi modellerini eğitir.

Power Apps: İnsan incelemesini ve veri düzeltmelerini kolaylaştırır.

Power BI: Belge işleme iş akışına ilişkin analizler ve içgörüler sunar.

Alternatifler

Azure Data Factory: Birden fazla kaynaktan ham verileri toplamak ve dönüştürmek için Power Platform veri akışı yerine Azure Data Factory'yi kullanın.

Senaryo ayrıntıları

Senaryo: Bir şirket, kullanıcı memnuniyetsizliğini önlemek için müşteri kaybını tahmin etmek istiyor.

Olası kullanım örneği: Müşteri kaybını tahmin etme

Bu senaryoda, belirli adımlar şunları içerir:

  • Veri toplama: İşlemler, şikayetler ve etkileşim puanları gibi müşteri verilerini Dataverse altında toplamak için veri akışlarını kullanın.

  • Model geliştirme: Dataverse verilerini Fabric ile eşitleyin. Bir müşteri ayrılma tahmin modelini eğitmek için Fabric'in Spark havuzundaki geçmiş verileri kullanın. Tahmine dayalı modelleri eğitmek ve dağıtmak için Azure Machine Learning'i kullanın.

  • Tahmin dağıtımı: Erime olasılığı gibi tahminleri Dataverse'ye kaydedin.

  • Görselleştirme: Bölgeye veya ürün kategorisine göre müşteri kaybı riskinin dağılımını gösteren Power BI gösterge paneli oluşturun.

  • Kullanıcı eylemi: Yüksek riskli hesapları görüntülemek ve bunlarla ilgili işlem yapmak için bir tuval veya model temelli uygulama oluşturun.

Dikkat edilmesi gereken noktalar

Bu değerlendirmeler, bir iş yükünün kalitesini artıran bir dizi rehber ilke olan Power Platform Well-Architected'ın temellerini uygular. Daha fazla bilgi edinmek için Microsoft Power Platform Well-Architected'ı inceleyin.

Performans

  • Verimli veri alımı için veri akışları: Veri işleme sürelerini en aza indirmek için mümkün olan durumlarda artımlı yenileme uygulayarak ETL (Ayıkla, Dönüştür, Yükle) işlemleri için Power Platform veri akışlarını optimize edin.

  • Hesaplama için Microsoft Fabric'ye bağlantı: Operasyonel Dataverse ortamlarında minimum performans etkisi sağlamak için yoğun veri hesaplama ve analiz görevlerini Microsoft Fabric'e aktarmak amacıyla Azure Synapse Bağlantısını Dataverse için kullanın. Verimli sorgu özellikleriyle büyük veri kümelerini yönetmek için Fabric'te OneLake'i kullanın.

Güvenlik

  • Veri kaynağı güvenlik entegrasyonu: Kimlik doğrulama ve rol tabanlı erişim kontrolleri için Microsoft Entra kimliğini kullanarak yarı yapılandırılmış, ilişkisel ve ilişkisel olmayan verilere güvenli erişim.

  • Fabric ve Dataverse'de verilerin yönetimi: Veri sınıflandırmasını, bekleme durumunda şifrelemeyi ve veri kaybı önleme politikalarını uygulayın. Güvenli veri erişimini korurken, role özgü içgörüler için Power BI'de satır düzeyinde güvenliği uygulayın.

Operasyonel Mükemmellik

  • Power Platform çözüm için sürekli entegrasyon ve sürekli teslimat: Dataverse, Power BI ve AI Builder çözümlerinin yaşam döngüsünü yönetmek için Azure DevOps veya GitHub Actions'ı kullanın.

  • Veri modellerinin sürümlendirilmesi: Fabric ve Dataverse'deki makine öğrenimi modellerindeki değişiklikleri ve dönüşümleri izleyin ve belgelendirin. Model açıklanabilirliği ve izlenebilirliği sağlamak için kapsamlı veri kökeni ve meta veri yönetimi için Purview'u kullanın.

Katkıda bulunanlar

Microsoft bu makaleyi sürdürür. Aşağıdaki katkıda bulunanlar bu makaleyi yazdı.

Başlıca yazarlar: