在当今数据驱动的世界中，应用预测分析可以增强决策流程和运营效率。
小费
本文提供了一个示例应用场景和一个通用示例体系结构，以说明如何使用 Microsoft Dataverse、Microsoft Fabric 和 Azure AI 服务执行预测性数据分析。 可以针对许多不同的场景和行业修改体系结构示例。
体系结构示意图
Workflow
以下步骤描述了示例体系结构图中显示的工作流：
数据引入：使用数据流从多个源收集和转换原始数据。 在 Dataverse 中存储已清理和已准备的数据。
数据工程和模型训练：使用 Fabric 快捷方式将数据从 Dataverse 同步到 Fabric。 使用 Fabric 的 OneLake 和 Synapse 环境来训练机器学习模型。
预测存储：将模型预测保存回 Dataverse 或 Fabric 中的 Delta Lake。
可视化：在 Power BI 中生成实时仪表板以可视化预测和见解。
可行见解：开发 Power Apps 画布或模型驱动应用，以为一线团队提供预测性见解。
组件
AI Builder：使用预生成模型或自定义模型从文档中提取关键数据。
Microsoft Dataverse：用作提取的文档数据的中央数据存储，并在应用业务流程时跟踪文档进度。
Power Platform：自动化工作流从多个来源收集和转换原始数据。
将 Dataverse 链接到 Microsoft Fabric：使用 Fabric 快捷方式将数据从 Dataverse 同步到 Fabric。
Azure 机器学习：训练机器学习模型。
Power Apps：便于人工审查和数据更正。
Power BI：提供对文档处理工作流的分析和见解。
替代方法
Azure 数据工厂：使用 Azure 数据工厂而不是 Power Platform 数据流来收集和转换来自多个源的原始数据。
方案详细信息
应用场景：一家公司希望预测客户流失，以防止用户出现不满意情况。
潜在用例：预测客户流失
在此应用场景中，特定步骤包括：
数据收集：使用数据流将交易记录、投诉和参与度分数等客户数据聚合到 Dataverse 中。
模型开发：将 Dataverse 数据与 Fabric 同步。 使用 Fabric Spark 池中的历史数据来训练流失预测模型。 使用 Azure 机器学习来训练和部署预测模型。
预测部署：将预测保存到 Dataverse 中，例如流失概率。
可视化：生成 Power BI 仪表板，以按区域或产品类别显示流失风险分布。
用户操作：创建画布或模型驱动应用来查看和处理高风险帐户。
注意事项
这些注意事项实现了架构良好的 Power Platform 支柱，这是一组可提高工作负荷质量的指导原则。 在架构良好的 Microsoft Power Platform 中了解详细信息。
绩效
用于高效数据引入的数据流：通过应用增量刷新（如果适用）来优化 ETL（提取、转换、加载）流程的 Power Platform 数据流，以最大程度地减少数据处理时间。
链接到 Microsoft Fabric 以进行计算：使用 Azure Synapse Link for Dataverse 将繁重的数据计算和分析任务卸载到 Microsoft Fabric，以确保最大限度地减小对操作 Dataverse 环境的性能影响。 使用 Fabric 中的 OneLake 管理具有高效查询功能的大型数据集。
安全组
数据源安全集成：通过使用 Microsoft Entra ID 进行身份验证和基于角色的访问控制，保护对半结构化、关系和非关系数据的访问。
Fabric 和 Dataverse 中的数据治理：强制执行数据分类、静态加密和数据丢失防护策略。 在保持数据访问安全的同时，在 Power BI 中实现行级别安全性以获取特定于角色的见解。
卓越运营
Power Platform 解决方案的持续集成和持续交付：使用 Azure DevOps 或 GitHub Actions 管理 Dataverse、Power BI 和 AI Builder 解决方案的生命周期。
数据模型的版本控制：跟踪和记录 Fabric 和 Dataverse 中机器学习模型和转换的更改。 使用Purview进行全面的数据沿袭和元数据管理，以确保模型的可解释性和可追溯性。
参与者
Microsoft 维护这篇文章。 以下贡献者撰写了本文。
主要作者：
- Pujarini Mohapatra，首席工程经理