24.06.2019
Объединяя Power BI и различные службы обработки данных Azure, вы получаете следующее поколение бизнес-аналитики
Неудивительно, что многие собственные сервисы Microsoft построены на Azure, но все чаще Microsoft также предлагает сервисы Azure как способ расширения и настройки продуктов для клиентов.
Когда вы используете потоки данных для извлечения, очистки и преобразования, загружая их в Power BI, эти данные хранятся в озере данных Azure. Вы также можете использовать их в блоках данных Azure или для аналитики через хранилище данных SQL Azure, что можно произвести через портал Azure, или сделать интерактивным с помощью приложения Power BI Desktop.
Автоматизированное машинное обучение в Power BI - это функция AutoML из машинного обучения Azure, которая анализирует то, что вы пытаетесь предсказать, на соновании имеющихся у вас данных, и выполняет несколько алгоритмов машинного обучения, чтобы определить, кто получает лучший результат. Либо вы можете использовать Azure Cognitive Services для анализа данных в изображениях и тексте, либо создавать свои собственные модели машинного обучения и запускать их.
Power BI теперь также имеет встроенную визуализацию на основе ИИ, такую как Key Influencers, которая выполняет различные статистические анализы, такие как логистическая регрессия или классификация данных, чтобы извлечь ключевой фактор, связанный с конкретным результатом. Вы переносите факторы, которые считаете важными, в визуализацию, и Power BI ранжирует их. По мере того, как вы добавляете больше факторов, которые, по вашему мнению, могут быть релевантными, или углубляетесь в конкретный сегмент, он продолжает перезапускать модель.
Так что, если вы анализируете, какие посетители возвращаются в ваш отель, чтобы остановиться еще раз, ключевым фактором может быть страна, из которой они прибыли. Но если вы выбираете посетителей в определенной возрастной группе, модель работает только на этом фрагменте данных, где ключевым фактором может быть то, ели ли они в ресторане отеля или проходили спа-процедуры. Если вы смотрите на задержки доставки, вы можете добавить такие факторы, как то, из какого подразделения была отправлена доставка, с какой фабрики она пришла или из какой области она отправлялась, чтобы увидеть, что больше всего влияет на то, что приходит вовремя и что доставляется поздно.
Есть две новые визуализации ИИ. Изменение распределения ищет то, что отличает одно распределение данных от другого. Дерево декомпозиции отправляет несколько запросов в модель Power BI, а затем связывает их вместе, так что вы можете щелкнуть метрику в визуализации, чтобы увидеть, что за ней стоит, и затем продолжить нажимать на разные уровни данных, чтобы глубже понять их. Таким образом, вы можете увидеть, обусловлены ли эти 500 продаж в одном городе определенной группой клиентов или множеством разных клиентов, у которых все еще есть что-то общее.
Все это может использоваться для визуализаций, информационных панелей и функций вопросов и ответов на естественном языке, которыми славится Power BI, а также для новых разбитых на страницы отчетов, для которых ранее требовался SQL Server. Например, когда вы используете автоматическое машинное обучение, прогноз для каждой строки включает детали того, что способствовало прогнозированию, поэтому вы можете включить объяснение в отчет, чтобы уточнить, откуда приходят цифры и какие факторы, по-видимому, участвуют.
Данные профи
В Power BI для этого есть разные пути, в зависимости от того, являетесь ли вы специалистом по данным, который хочет сделать свою работу доступной для остальной части бизнеса, или аналитиком, который хочет использовать машинное обучение, но не обладает навыками, необходимыми для этого. это сами.
Исследователи данных могут добавлять шаги в поток данных для извлечения информации из неструктурированных данных, таких как изображения или текст, из твитов или обзоров, путем извлечения ключевых слов, анализа настроений или обнаружения того, что на фотографии. Это работает на Cognitive Services, но без обычных шагов написания кода для вызова API - вы можете просто добавить аналитику изображений и текста в поток данных.
По мере появления новых Cognitive Services Power BI добавит еще больше этих функций. Последними являются извлечение текста из изображений, распознавание рукописного текста и распознавание объектов - не только извлечение ключевых слов, но и классификация того, к чему они относятся. Если вы владелец отеля и просматриваете отзывы в интернете, распознавание сущности может подсказать, означает ли «езда на велосипеде» в обзоре счастливого гостя, который останавливался во время поездки на велосипеде, или несчастного гостя, который жаловался на то, что кондиционер включается на велосипеде. и всю ночь
Если вы создаете свои собственные модели машинного обучения в Azure Machine Learning и публикуете их в виде веб-службы, вы можете предоставить аналитикам Power BI в своей организации доступ к ним на основе ролей через портал Azure, и тогда они появятся в качестве моделей они могут использовать так же, как Cognitive Services. Если вы хотите проанализировать фотографии в этих отзывах об отелях, вам может понадобиться обучить модели распознавания изображений, чтобы понять фотографии вещей, которые вы найдете в отеле. Фотографии кондиционеров, лампочек, окон и лифтов в обзоре отеля, вероятно, являются плохим знаком, и стандартная модель распознавания изображений может не выделять их как важные объекты.
И если вы создаете свою собственную модель машинного обучения и используете Python и R для ее интеграции в Power BI, или используете AutoML в Power BI, чтобы выяснить, какой алгоритм машинного обучения лучше всего работает с вашими данными, вы можете загрузить эти модели для машинного обучения Azure, чтобы управлять ими или настраивать их дальше. Это означает, что бизнес-аналитики могут использовать автоматическую опцию, и, если она окажется полезной, ученый может поднять ее и развивать дальше.
И все эти идеи доступны для использования различными способами. Мощные интерактивные панели мониторинга и визуализации в Power BI иногда требуют от бизнес-пользователей знакомого отчета, который они могут распечатать и прочитать, или по электронной почте клиенту или поставщику. Power BI теперь поддерживает те же постраничные отчеты с верхними и нижними колонтитулами, а также макеты таблиц, диаграмм или матриц, что и службы отчетов SQL Server (с новым инструментом построителя отчетов для их создания). Разбитые на страницы отчеты являются частью Power BI Premium, но они также совместимы с локальным сервером отчетов Power BI .
Поэтому, если вы хотите перевести свою аналитику из SQL Server Reporting Services в Power BI, вы можете создать систему корпоративной бизнес-аналитики, которая предоставит вам полный спектр бизнес-аналитики, от отчетов, от которых ваша организация, вероятно, уже зависит, до машинного обучения, которое пытается чтобы автоматически находить данные в данных, которые не обязательно структурированы или числовые. Если Power BI сама по себе не соответствует вашим потребностям, идея состоит в том, чтобы сделать ее настолько простой в использовании Azure, чтобы бизнес-пользователи могли сделать это самостоятельно.
Когда вы используете потоки данных для извлечения, очистки и преобразования, загружая их в Power BI, эти данные хранятся в озере данных Azure. Вы также можете использовать их в блоках данных Azure или для аналитики через хранилище данных SQL Azure, что можно произвести через портал Azure, или сделать интерактивным с помощью приложения Power BI Desktop.
Автоматизированное машинное обучение в Power BI - это функция AutoML из машинного обучения Azure, которая анализирует то, что вы пытаетесь предсказать, на соновании имеющихся у вас данных, и выполняет несколько алгоритмов машинного обучения, чтобы определить, кто получает лучший результат. Либо вы можете использовать Azure Cognitive Services для анализа данных в изображениях и тексте, либо создавать свои собственные модели машинного обучения и запускать их.
Power BI теперь также имеет встроенную визуализацию на основе ИИ, такую как Key Influencers, которая выполняет различные статистические анализы, такие как логистическая регрессия или классификация данных, чтобы извлечь ключевой фактор, связанный с конкретным результатом. Вы переносите факторы, которые считаете важными, в визуализацию, и Power BI ранжирует их. По мере того, как вы добавляете больше факторов, которые, по вашему мнению, могут быть релевантными, или углубляетесь в конкретный сегмент, он продолжает перезапускать модель.
Так что, если вы анализируете, какие посетители возвращаются в ваш отель, чтобы остановиться еще раз, ключевым фактором может быть страна, из которой они прибыли. Но если вы выбираете посетителей в определенной возрастной группе, модель работает только на этом фрагменте данных, где ключевым фактором может быть то, ели ли они в ресторане отеля или проходили спа-процедуры. Если вы смотрите на задержки доставки, вы можете добавить такие факторы, как то, из какого подразделения была отправлена доставка, с какой фабрики она пришла или из какой области она отправлялась, чтобы увидеть, что больше всего влияет на то, что приходит вовремя и что доставляется поздно.
Есть две новые визуализации ИИ. Изменение распределения ищет то, что отличает одно распределение данных от другого. Дерево декомпозиции отправляет несколько запросов в модель Power BI, а затем связывает их вместе, так что вы можете щелкнуть метрику в визуализации, чтобы увидеть, что за ней стоит, и затем продолжить нажимать на разные уровни данных, чтобы глубже понять их. Таким образом, вы можете увидеть, обусловлены ли эти 500 продаж в одном городе определенной группой клиентов или множеством разных клиентов, у которых все еще есть что-то общее.
Все это может использоваться для визуализаций, информационных панелей и функций вопросов и ответов на естественном языке, которыми славится Power BI, а также для новых разбитых на страницы отчетов, для которых ранее требовался SQL Server. Например, когда вы используете автоматическое машинное обучение, прогноз для каждой строки включает детали того, что способствовало прогнозированию, поэтому вы можете включить объяснение в отчет, чтобы уточнить, откуда приходят цифры и какие факторы, по-видимому, участвуют.
Данные профи
В Power BI для этого есть разные пути, в зависимости от того, являетесь ли вы специалистом по данным, который хочет сделать свою работу доступной для остальной части бизнеса, или аналитиком, который хочет использовать машинное обучение, но не обладает навыками, необходимыми для этого. это сами.
Исследователи данных могут добавлять шаги в поток данных для извлечения информации из неструктурированных данных, таких как изображения или текст, из твитов или обзоров, путем извлечения ключевых слов, анализа настроений или обнаружения того, что на фотографии. Это работает на Cognitive Services, но без обычных шагов написания кода для вызова API - вы можете просто добавить аналитику изображений и текста в поток данных.
По мере появления новых Cognitive Services Power BI добавит еще больше этих функций. Последними являются извлечение текста из изображений, распознавание рукописного текста и распознавание объектов - не только извлечение ключевых слов, но и классификация того, к чему они относятся. Если вы владелец отеля и просматриваете отзывы в интернете, распознавание сущности может подсказать, означает ли «езда на велосипеде» в обзоре счастливого гостя, который останавливался во время поездки на велосипеде, или несчастного гостя, который жаловался на то, что кондиционер включается на велосипеде. и всю ночь
Если вы создаете свои собственные модели машинного обучения в Azure Machine Learning и публикуете их в виде веб-службы, вы можете предоставить аналитикам Power BI в своей организации доступ к ним на основе ролей через портал Azure, и тогда они появятся в качестве моделей они могут использовать так же, как Cognitive Services. Если вы хотите проанализировать фотографии в этих отзывах об отелях, вам может понадобиться обучить модели распознавания изображений, чтобы понять фотографии вещей, которые вы найдете в отеле. Фотографии кондиционеров, лампочек, окон и лифтов в обзоре отеля, вероятно, являются плохим знаком, и стандартная модель распознавания изображений может не выделять их как важные объекты.
И если вы создаете свою собственную модель машинного обучения и используете Python и R для ее интеграции в Power BI, или используете AutoML в Power BI, чтобы выяснить, какой алгоритм машинного обучения лучше всего работает с вашими данными, вы можете загрузить эти модели для машинного обучения Azure, чтобы управлять ими или настраивать их дальше. Это означает, что бизнес-аналитики могут использовать автоматическую опцию, и, если она окажется полезной, ученый может поднять ее и развивать дальше.
И все эти идеи доступны для использования различными способами. Мощные интерактивные панели мониторинга и визуализации в Power BI иногда требуют от бизнес-пользователей знакомого отчета, который они могут распечатать и прочитать, или по электронной почте клиенту или поставщику. Power BI теперь поддерживает те же постраничные отчеты с верхними и нижними колонтитулами, а также макеты таблиц, диаграмм или матриц, что и службы отчетов SQL Server (с новым инструментом построителя отчетов для их создания). Разбитые на страницы отчеты являются частью Power BI Premium, но они также совместимы с локальным сервером отчетов Power BI .
Поэтому, если вы хотите перевести свою аналитику из SQL Server Reporting Services в Power BI, вы можете создать систему корпоративной бизнес-аналитики, которая предоставит вам полный спектр бизнес-аналитики, от отчетов, от которых ваша организация, вероятно, уже зависит, до машинного обучения, которое пытается чтобы автоматически находить данные в данных, которые не обязательно структурированы или числовые. Если Power BI сама по себе не соответствует вашим потребностям, идея состоит в том, чтобы сделать ее настолько простой в использовании Azure, чтобы бизнес-пользователи могли сделать это самостоятельно.
