Condividi tramite

Analizzare e automatizzare i dati aziendali con Dataverse SDK per Python

Dataverse SDK per Python è un toolkit completo che consente a sviluppatori professionisti e data scientist di sbloccare analisi avanzate, automazione e innovazione in Microsoft Dataverse. Gli sviluppatori possono usare l'SDK per creare applicazioni aziendali scalabili e sicure e orchestrare flussi di lavoro agentici. I data scientist e gli analisti possono usare strumenti Python familiari, ad esempio Pandas, notebook jupyter e librerie di Machine Learning, per creare modelli di analisi e modelli di simulazione e rendere operativi i dati analitici basati sull'intelligenza artificiale. Questo SDK consente di colmare il divario tra la gestione dei dati di livello aziendale e la flessibilità di Python, accelerando il time-to-value e promuovendo un vivace ecosistema di sviluppatori.

Suggerimento

Questo articolo offre uno scenario di esempio e una panoramica dell'architettura su come Dataverse SDK per Python consente l'innovazione basata sui dati. Questa soluzione è un esempio generalizzato che può essere adattato a vari settori e casi d'uso.

Per iniziare, guardare il video introduttivo sull'uso di Dataverse SDK per Python con i dati aziendali.

Diagramma dell'architettura

Diagramma del flusso di lavoro di Dataverse SDK che mostra l'estrazione dei dati in Pandas, le attività del modello linguistico, Jupyter Notebook e la visualizzazione dell'output.

Flusso di lavoro

Il flusso di lavoro tipico per sfruttare i dati aziendali di Dataverse usando Python include:

  1. Connettersi a Dataverse: Accedere in modo sicuro ai dati aziendali usando l'SDK.
  2. Estrarre e trasformare: Caricare tabelle in dataframe Pandas per la pulizia, la progettazione delle funzionalità e l'analisi esplorativa.
  3. Modellazione della valutazione: Applicare algoritmi di Machine Learning (ad esempio, classificazione, regressione) per valutare scenari aziendali, stimare i risultati e identificare le tendenze.
  4. Scrittura su Dataverse: Pubblicare valutazioni generate dall'intelligenza artificiale nelle tabelle di Dataverse per l'uso in dashboard e report.
  5. Governance: Assicurarsi che tutti i flussi di lavoro siano conformi agli standard di sicurezza e governance aziendali.

Dettagli dello scenario

Questa architettura supporta un'ampia gamma di scenari e casi d'uso in tutti i settori.

Scenario per sviluppatori

Uno sviluppatore Python compila un sistema di onboarding dei dipendenti per le aziende Fabrikam creando tabelle per i dettagli dei dipendenti, i riferimenti al reparto e lo stato delle richieste di onboarding. Usando l'SDK, definiscono schemi, aggiungono colonne e relazioni e usano le API di creazione, lettura e aggiornamento per inizializzare e modificare i record, mantenendo al tempo stesso la sicurezza e la governance a livello aziendale.

Scenario di data scientist

Un data scientist usa strumenti Python come jupyter notebook e Visual Studio Code per estrarre dati aziendali da Dataverse e modellarli in dataframe Pandas. Il data scientist usa i dati aziendali estratti con analisi avanzate e modelli di Machine Learning per la valutazione dei rischi, il monitoraggio del contratto di servizio o la creazione di report sulla conformità. Il data scientist visualizza e condivide gli output per consentire un rapido processo decisionale.

Caso d'uso di intelligenza artificiale generativo

Usare le analisi e i modelli di linguaggio Python per riepilogare le tendenze dei clienti o classificare segmenti, ad esempio di alto valore o a rischio di abbandono. Scrivere nuovamente i risultati in Dataverse per abilitare i dashboard operativi e i flussi di lavoro di conformità. Questo approccio garantisce che gli output di intelligenza artificiale vengano archiviati e regolati in modo sicuro all'interno della piattaforma dati aziendale.

Prerequisiti

In aggiunta:

  • Integrazione: Garantire la compatibilità con pipeline di estrazione, trasformazione, caricamento (ETL) esistenti, strumenti di automazione e criteri di governance aziendale.
  • Scalabilità: Progettare flussi di lavoro per gestire set di dati di grandi dimensioni e attività di analisi simultanee.

Considerazioni

Queste considerazioni implementano i pilastri di Power Platform Well-Architected, un insieme di principi guida che migliorano la qualità di un carico di lavoro. Altre informazioni in Microsoft Power Platform Well-Architected.

Affidabilità

  • Accesso ai dati affidabile: Supporta operazioni di creazione, lettura, aggiornamento ed eliminazione affidabili (CRUD) e gestione dello schema.

  • Automazione: Abilita flussi di lavoro ripetibili e automatizzati per l'estrazione, la trasformazione e l'analisi dei dati.

  • Efficienza operativa: Riduce il lavoro manuale e accelera la modernizzazione dell'analisi.

Sicurezza

  • Controllo degli accessi in base al ruolo: Applica i ruoli e i criteri di sicurezza di Dataverse per tutte le operazioni dei dati.

  • Governance dei dati: Garantisce la conformità agli standard aziendali per la privacy dei dati, la registrazione di controllo e la crittografia.

Passaggi successivi

  • Scaricare e installare l'SDK da PyPI. Esplorare il repository di origine GitHub per la documentazione, i progetti di esempio e i contributi della community.
  • Iniziare a creare flussi di lavoro di analisi e intelligenza artificiale basati su Python con i dati di Dataverse.
  • Condividere commenti e suggerimenti e partecipare alla community per aiutare a modellare il futuro di Dataverse per Python.

Contributori

Microsoft gestisce questo articolo. I collaboratori seguenti hanno scritto questo articolo.

Autori principali:

  • Last updated on