Oversigt over dataforberedelsesrapport (forhåndsversion)
[Denne artikel er til dokumentationen til den foreløbige udgivelse. Der kan forekomme ændringer.]
Rapporten om dataforberedelse i Dynamics 365 Customer Insights - Data hjælper dig med at forstå den overordnede datakvalitet og dine datas parathed til at give indsigt. Det hjælper dig med at forbedre dine data for at låse op for mere og bedre indsigt i den salgs- eller marketingstrategi, du har i tankerne.
Vigtigt
- Dette er en forhåndsversion af funktionen.
- Forhåndsversionsfunktionerne er ikke beregnet til produktionsformål og kan have begrænset funktionalitet. Disse funktioner er tilgængelige før en officiel udgivelse, så kunderne kan få tidlig adgang og give feedback.
Forudsætninger
Rapporten til forudbetaling af data køres automatisk, hvis følgende forudsætninger opfyldes:
- Indtagelse er fuldført med kunde- og transaktionsdata.
- Samling er fuldført.
- Aktiviteter og relationer er tilknyttet.
- Aktivér indstillingen Copilot-funktioner, der er drevet af Azure OpenAI, som er slået til. Standard er Til.
- Miljøet er i understøttet geografi og bruger et understøttet sprog.
- Mindst 100 kundeposter, helst 1.000 poster.
- Mindst et års transaktionshistorik, helst to til tre år. Ideelt set mindst to til tre transaktioner pr. kunde-id, helst på tværs af flere datoer.
- Kunde-id: Et entydigt id, der matcher transaktioner med dine kunder.
- Der mangler 20 % værdier i påkrævede felter.
Rapport om forberedelse af data
Når en samling er fuldført, genererer systemet automatisk en dataforudbetalingsrapport baseret på dine installerede og ensartede data og analyserer kontekstafhængige oplysninger om dataene. Oplysningerne opdateres, hver gang du kører en samling.
Bemærk
Da datakvalitetskontrollerne er baseret på de indtagne og ensartede data, vil eventuelle problemer, der opstår, indebære opdatering af kildedataene.
Du kan få adgang til dataforberedelsesrapporten fra Start-siden, siden Datakilder eller siden Forudsigelser .
Tip
Hvis du ikke kan se rapporten til den foreløbige data, er den sandsynligvis ikke blevet genereret, fordi du ikke har opfyldt forudsætningerne. Sørg for, at du har fuldført indtagelse og samling, tilknyttet aktiviteter og Relationer, og at en administrator har indstillingen for globalt samtykke angivet til Til på siden Indstillinger.
Der findes fire primære datasektioner på dataforberedelsesrapporten.
Oversigt over AI-genereret datakvalitet: En kortfattet oversigt, der genereres af en OpenAI model af sektionerne datakvalitet, indsigtsparathed og problemer og anbefalinger. Oversigten vises på startsiden i banneret og i rapporten til forudbetaling af data.
Overordnet datakvalitet: Graden angiver dataenes overordnede tilstand. Graden beregnes som en aggregeret procentdel (værdi fra 0-100 %) med et tilsvarende niveau (høj, mellem eller lav datakvalitet). Den er afledt af vægtede gennemsnitlige pointtal på tværs af et sæt datakvalitetsregler inden for branchestandarddatakvalitet. Assens, ensartethed, entydighed, præcision, rettidighed, ensartethed og integritet. Hvis du har en høj grad af datakvalitet og tilsvarende høj datakvalitet, er kvaliteten af dataene tilstrækkelig til at generere det meste af den indsigt, der er tilgængelig i produktet, med stor tillid til meningsfulde resultater.
Indsigtsparathed: Indsigtsparathed angiver, om du opfyldte kravene til at generere en bestemt indsigt. Den bestemmes ved at sammenligne de grundlæggende datakrav for hver enkelt indsigt med de problemer, der findes i dataene. Når et problem tilsidesætter datakrav for at få indsigt, anses indsigten for ikke at være klar til brug. Hvis en indsigt anses for at være klar til brug, vil der sandsynligvis genereres meningsfulde resultater.
Problemer med datakvalitet og anbefalinger: Disse problemer og anbefalinger indeholder omfattende vejledninger til de problemer, der vises i dataene, herunder hvordan indsigt påvirkes, og hvilke anbefalinger der skal reageres på. Der udledes problemer af reglerne inden for samme branchestandarddatakvalitet som datakvalitetskvaliteten. Ethvert brud på disse regler resulterer i et problem. Jo færre problemer, der er til stede, især fordi der er vigtige problemer, jo større er det, at du har høj datakvalitet, og at alle indsigter er mærket som klar til brug.
Tip
Standardvisningen indeholder de mest vigtige problemer, der findes i dataene. Hvis du vil se alle problemer, skal du slå Vis vigtige problemer fra. Hvis du vil ændre visningen, så den viser problemer, der er organiseret efter andre indstillinger, skal du vælge Grupper efter og foretage et valg. De tilgængelige valg omfatter overblik, gode datakvalitet og påvirket indsigt.
I de fleste tilfælde skal de problemer og anbefalinger, der kommer frem i rapporten til den foreløbige datarapport, løses ved at udføre rettelser af kildedataene uden for Customer Insights - Data ved hjælp af værktøjer til oprydning af data som f.eks. Power Query. De nye og forbedrede data skal derefter forbedres, og samlingen skal fuldføres igen, for at datakvaliteten kan blive forbedret. Opdateringen af den foreløbige datarapport udløses kun, når den er fuldført.
Kontekstafhængige oplysninger om dataene
Foruden den foreløbige datarapport får du kontekstafhængige oplysninger, der vedrører indsigt, specielt forudsigelsesmodeller. Brug disse oplysninger til at forstå, hvilke forudsigelsesmodeller der er bedst egnet til dine data, før du gennemgår tid og indsats med konfiguration og kørsel af modellen.
På siden Forudsigelser under fanen Opret er de modeller, der er mærket som Brug denne model, mest egnede til dine data, mens modeller mærket som Ikke klar, ikke er. For modellerne Ikke klar til brug skal du gennemgå den fulde rapport om den foreløbige datarapport og foretage de nødvendige rettelser af dataene i henhold til vejledningen i afsnittet Problemer og anbefalinger.