Руководство, часть 5. Визуализация прогнозов с помощью отчета Power BI

В этом руководстве вы создадите отчет Power BI из данных прогнозов, созданных в части 4. Выполнение пакетной оценки и сохранение прогнозов в lakehouse.

Вы изучите следующие темы:

• Создайте семантику модели из данных прогнозов.
• Добавьте новые меры в данные из Power BI.
• Создайте отчет Power BI.
• Добавьте визуализации в отчет.

Необходимые компоненты

• Получение подписки Microsoft Fabric. Или зарегистрируйте бесплатную пробную версию Microsoft Fabric.

• Войдите в Microsoft Fabric.

• Используйте переключатель интерфейса в левой нижней части домашней страницы, чтобы перейти на Fabric.

  

Это часть 5 из 5 в серии учебников. Чтобы завершить работу с этим руководством, сначала выполните указанные ниже действия.

• Часть 1. Прием данных в microsoft Fabric lakehouse с помощью Apache Spark.
• Часть 2. Изучение и визуализация данных с помощью записных книжек Microsoft Fabric для получения дополнительных сведений о данных.
• Часть 3. Обучение и регистрация моделей машинного обучения.
• Часть 4. Выполнение пакетной оценки и сохранение прогнозов в озере.

Создание семантической модели

Создайте новую семантику модели, связанную с данными прогнозов, созданными в части 4:

1. Слева выберите рабочую область.

2. В левом верхнем углу выберите Lakehouse в качестве фильтра.

3. Выберите lakehouse, который вы использовали в предыдущих частях серии учебников.

4. Выберите новую семантику на верхней ленте.

   

5. Присвойте семантической модели имя, например "прогнозы банковского оттока". Затем выберите набор данных customer_churn_test_predictions .

   

6. Выберите Подтвердить.

Добавить новые меры

Теперь добавьте несколько мер в семантику модели:

1. Добавьте новую меру для скорости оттока.

   1. Выберите "Создать меру " на верхней ленте. Это действие добавляет новый элемент с именем Measure в набор данных customer_churn_test_predictions и открывает строку формул над таблицей.

      

   2. Чтобы определить среднюю прогнозируемую частоту оттока, замените Measure = в строке формул следующим образом:

      Churn Rate = AVERAGE(customer_churn_test_predictions[predictions])
      

   3. Чтобы применить формулу, установите флажок в строке формул. Новая мера отображается в таблице данных. Значок калькулятора показывает, что он был создан в качестве меры.

   4. Измените формат с "Общие" на "Процент" на панели "Свойства".

   5. Прокрутите вниз на панели "Свойства" , чтобы изменить десятичные разряды на 1.

      

2. Добавьте новую меру, которая подсчитывает общее число клиентов банка. Вам потребуется для остальных новых мер.

   1. Выберите новую меру на верхней ленте, чтобы добавить новый элемент с именем Measure в customer_churn_test_predictions набор данных. Это действие также открывает строку формул над таблицей.

   2. Каждый прогноз представляет одного клиента. Чтобы определить общее число клиентов, замените Measure = в строке формул следующим образом:

      Customers = COUNT(customer_churn_test_predictions[predictions])
      

   3. Чтобы применить формулу, установите флажок в строке формул.

3. Добавьте скорость оттока для Германии.

   1. Выберите новую меру на верхней ленте, чтобы добавить новый элемент с именем Measure в customer_churn_test_predictions набор данных. Это действие также открывает строку формул над таблицей.

   2. Чтобы определить частоту оттока для Германии, замените Measure = в строке формул следующим образом:

      Germany Churn = CALCULATE(AVERAGE(customer_churn_test_predictions[predictions]),FILTER(customer_churn_test_predictions, customer_churn_test_predictions[Geography_Germany] = TRUE()))
      

      Это фильтрует строки вниз до тех, которые с Германией, как их география (Geography_Germany равно одному).

   3. Чтобы применить формулу, установите флажок в строке формул.

4. Повторите приведенный выше шаг, чтобы добавить коэффициенты оттока для Франции и Испании.

   • Скорость оттока Испании:

     Spain Churn = CALCULATE(AVERAGE(customer_churn_test_predictions[predictions]),FILTER(customer_churn_test_predictions, customer_churn_test_predictions[Geography_Spain] = TRUE()))
     

   • Скорость оттока Франции:

     France Churn = CALCULATE(AVERAGE(customer_churn_test_predictions[predictions]),FILTER(customer_churn_test_predictions, customer_churn_test_predictions[Geography_France] = TRUE()))
     

Создание отчета

После завершения всех операций перейдите на страницу разработки отчетов Power BI, выбрав "Создать отчет " на верхней ленте.

После появления страницы отчета добавьте следующие визуальные элементы:

1. Выберите текстовое поле на верхней ленте и введите заголовок отчета, например "Клиент банка". Измените размер шрифта и цвет фона на панели "Формат". Настройте размер шрифта и цвет, выбрав текст и используя панель форматирования.

2. На панели "Визуализации" щелкните значок карточки. На панели "Данные" выберите "Скорость оттока". Измените размер шрифта и цвет фона на панели "Формат". Перетащите эту визуализацию вправо от отчета.

   

3. На панели "Визуализации" выберите значок "Линия" и значок диаграммы с накоплением. Выберите возраст для оси x, скорость оттока для оси y столбца и клиенты для линии y.

   

4. На панели "Визуализации" выберите значок "Линия" и значок диаграммы с накоплением. Выберите NumOfProducts для оси x, скорость обработки данных для оси y столбца и клиенты для оси y.

   

5. На панели "Визуализации" выберите значок диаграммы с накоплением. Выберите NewCreditsScore для оси x и скорости оттока для оси y.

   

   Измените название NewCreditsScore на "Кредитная оценка" на панели "Формат".

   

6. На панели "Визуализации" выберите карточку с кластеризованной диаграммой. Выберите Германию Churn, Испания Churn, Франция Churn в этом порядке для оси y.

   

Примечание.

Этот отчет представляет собой иллюстрированный пример того, как можно проанализировать сохраненные результаты прогнозирования в Power BI. Однако для реального варианта использования оттока клиентов вам может потребоваться сделать более тщательное представление о том, какие визуализации следует создавать, основываясь на опыте субъекта, и то, что ваша фирма и команда бизнес-аналитики стандартизировала как метрики.

В отчете Power BI показано:

• Клиенты банка, использующие более двух банковских продуктов, имеют более высокую скорость оттока, хотя немногие клиенты имели более двух продуктов. Банк должен собирать больше данных, но и исследовать другие функции, которые коррелируют с большими продуктами (просмотрите график на нижней левой панели).
• Клиенты банка в Германии имеют более высокую скорость оттока, чем во Франции и Испании (обзор графика в нижней правой панели), предполагая, что расследование того, что призвал клиентов оставить может стать полезным.
• Существуют более средние возрастные клиенты (от 25 до 45), и клиенты между 45-60, как правило, выходят больше.
• Наконец, клиенты с более низким кредитным рейтингом, скорее всего, покинут банк для других финансовых учреждений. Банк должен искать способы поощрения клиентов с более низкими кредитными оценками и балансами счетов, чтобы оставаться в банке.

Следующий шаг

В этом руководстве показано, как завершить работу с пятью частью. Ознакомьтесь с другими комплексными руководствами.

Использование комплексных примеров ИИ в Microsoft Fabric