Выполнение прогнозного анализа данных с помощью Dataverse, Fabric и Сервисов ИИ Azure

В современном мире, управляемом данными, применение предиктивной аналитики улучшает процессы принятия решений и операционную эффективность.

Совет

В этой статье представлен пример сценария и обобщенный пример архитектуры, чтобы проиллюстрировать, как выполнять прогнозный анализ данных с помощью Microsoft Dataverse, Microsoft Fabric и служб ИИ Azure. Пример архитектуры можно модифицировать для различных сценариев и отраслей.

Схема архитектуры

Схема архитектуры, иллюстрирующая прогнозный анализ данных с помощью Dataverse, Fabric и служб ИИ Azure.

Рабочий процесс

В следующих шагах описан рабочий процесс, показанный на схеме примера архитектуры:

  1. Прием данных: используйте потоки данных для сбора и преобразования необработанных данных из нескольких источников. Храните очищенные и подготовленные данные в Dataverse.

  2. Инжиниринг данных и обучение модели: синхронизация данных из Dataverse в Fabric с помощью ярлыка Fabric. Используйте среду OneLake и Synapse Fabric для обучения моделей машинного обучения.

  3. Хранилище прогнозов: сохранение прогнозов модели обратно в Dataverse или Delta Lake в Fabric.

  4. Визуализация: создавайте панели мониторинга реального времени в Power BI для визуализации прогнозов и аналитики.

  5. Практическая аналитика: разработайте приложение Power Apps на основе холста или модели, чтобы предоставить командам первой линии прогнозную аналитику.

Компоненты

AI Builder: извлечение ключевых данных из документов с использованием предварительно созданных или пользовательских моделей.

Microsoft Dataverse: служит центральным хранилищем данных для извлеченных данных документов и отслеживает ход обработки документов по мере применения бизнес-процесса.

Power Platform: автоматизированные рабочие процессы собирают и преобразуют необработанные данные из нескольких источников.

Связывание Dataverse с Microsoft Fabric: синхронизирует данные из Dataverse в Fabric с помощью ярлыка Fabric.

Машинное обучение Azure: обучает модели машинного обучения.

Power Apps: облегчает проверку человеком и исправление данных.

Power BI: предоставляет аналитику и выводы в рабочем процессе обработки документов.

Альтернативные варианты

Фабрика данных Azure: используйте фабрику данных Azure вместо потоков данных Power Platform для сбора и преобразования необработанных данных из нескольких источников.

Подробности сценария

Сценарий: компания хочет спрогнозировать отток клиентов, чтобы предотвратить недовольство пользователей.

Потенциальный вариант использования: прогнозирование оттока клиентов

В этом сценарии необходимо выполнить следующие действия:

  • Сбор данных: используйте потоки данных для агрегирования данных о клиентах, таких как транзакции, жалобы и показатели вовлеченности, в Dataverse.

  • Разработка модели: синхронизация данных Dataverse с Fabric. Используйте исторические данные в пуле Spark Fabric для обучения модели прогнозирования оттока. Используйте машинное обучение Azure для обучения и развертывания прогнозных моделей.

  • Развертывание прогнозов: сохранение прогнозов, таких как вероятность оттока, в Dataverse.

  • Визуализация: создание панелей мониторинга Power BI, показывающих распределение рисков оттока по регионам или категориям продуктов.

  • Действие пользователя: создайте приложение на основе холста или модели для просмотра и действия с клиентами с высоким риском.

Рекомендации

Эти соображения реализуют основы Power Platform Well-Architected — набора руководящих принципов, повышающих качество рабочей нагрузки. Дополнительные сведения см. в статье Microsoft Power Platform Well-Architected.

Производительность

  • Потоки данных для эффективного приема данных: оптимизируйте потоки данных Power Platform для процессов ETL (извлечение, преобразование, загрузка), применяя добавочное обновление там, где это возможно, чтобы свести к минимуму время обработки данных.

  • Связывание с Microsoft Fabric для вычислений: используйте Azure Synapse Link для Dataverse , чтобы передать ресурсоемкие задачи по обработке и анализу данных в Microsoft Fabric, чтобы свести к минимуму влияние на производительность в операционных средах Dataverse. Используйте OneLake в Fabric для управления большими наборами данных с эффективными возможностями запросов.

Группа безопасности

  • Интеграция безопасности источника данных: безопасный доступ к частично структурированным, реляционным и нереляционным данным с помощью Microsoft Entra ID для проверки подлинности и управления доступом на основе ролей.

  • Управление данными в Fabric и Dataverse: применение классификации данных, шифрования неактивных данных и политик данных. Реализуйте безопасность на уровне строк в Power BI для получения аналитики для конкретных ролей, сохраняя при этом безопасный доступ к данным.

Операционная эффективность

  • Непрерывная интеграция и непрерывная поставка для решений Power Platform: используйте Azure DevOps или GitHub Actions для управления жизненным циклом решений Dataverse, Power BI и AI Builder.

  • Управление версиями моделей данных: отслеживание и документирование изменений в моделях машинного обучения и преобразованиях в Fabric и Dataverse. Используйте Purview для комплексного управления происхождением данных и метаданными, чтобы обеспечить объяснимость и отслеживаемость модели.

Соавторы

Microsoft поддерживает эту статью. Эту статью написали следующие участники.

Основные авторы:

  • Last updated on