Power BI mengidentifikasi influencer utama menggunakan ML.NET

Power BI adalah solusi analitik bisnis yang dikembangkan oleh Microsoft yang memungkinkan pengguna memvisualisasikan data mereka dan berbagi wawasan di seluruh organisasi mereka atau menyematkannya di aplikasi mereka. Power BI menyediakan berbagai visualisasi, seperti bagan, grafik, dan pengukur, untuk membantu pengguna membuat laporan dari data mereka. Baru-baru ini, Power BI telah memanfaatkan pembelajaran mesin untuk menyederhanakan tugas kompleks bagi penggunanya guna memberdayakan semua orang dalam organisasi untuk memanfaatkan kekuatan AI guna membuat keputusan yang lebih baik. Pada Februari 2019, Power BI mempratinjau visualisasi yang didukung AI pertamanya, Influencer Utama, yang menggunakan ML.NET di balik layar untuk mempertimbangkan data dan wawasan permukaan secara alami.

Masalah bisnis

Bisnis apa pun perlu mengidentifikasi dan memahami influencer utama (pendorong utama kinerja dan hasil bisnis) dan segmen pelanggan dalam rangka membuat keputusan bisnis strategis, memprioritaskan perubahan bisnis, dan mendapatkan keunggulan kompetitif. Analisis terhadap influencer utama dapat mengungkap faktor mana yang dampaknya paling besar terhadap kinerja bisnis dan dapat membantu bisnis menjawab pertanyaan seperti "faktor mana yang menyebabkan pelanggan memberikan ulasan negatif tentang layanan ini?" atau "apa yang memengaruhi kenaikan harga rumah?"

Namun, proses analisis data ini untuk influencer utama dan segmentasi pelanggan membutuhkan banyak waktu, tenaga, dan keahlian; sering kali melibatkan pengodean beberapa fungsi, pengambilan sampel, pengujian signifikansi, dan hasil peringkat. Dengan demikian, Power BI beralih ke solusi pembelajaran mesin sehingga mereka dapat memungkinkan pengguna untuk mempercepat proses mendapatkan wawasan yang bermakna dan dapat melakukan analisis statistik tanpa harus menghabiskan waktu untuk menulis kode kompleks.

Influencer utama dan ML.NET

Power BI membuat visualisasi Influencer Utama sebagai solusi pembelajaran mesin untuk memungkinkan bisnis memanfaatkan AI sehingga mereka dapat menganalisis data dalam waktu yang lebih singkat dan membuat keputusan bisnis utama dengan lebih cepat. Dengan kata lain, pengguna dapat menggunakan Influencer Utama untuk menghabiskan lebih sedikit waktu menganalisis data dan menghabiskan lebih banyak waktu untuk bertindak pada wawasan yang dikumpulkan dari visualisasi AI.

Setelah pengguna memilih indikator kinerja utama (KPI) untuk dianalisis (misalnya, tingkat retensi, laju klik-tayang, dan seterusnya), visualisasi Influencer Utama menggunakan algoritme pembelajaran mesin yang disediakan oleh ML.NET untuk mencari tahu hal yang paling penting dalam mendorong metrik, serta menemukan segmen yang menarik untuk penyelidikan lebih lanjut. Influencer Utama menganalisis data pengguna, menetapkan peringkat faktor yang penting, mengontraskan kepentingan relatif dari faktor-faktor ini, dan menampilkannya sebagai influencer utama dan segmen teratas untuk metrik kategoris dan numerik.

Arsitektur solusi

Power BI dikirimkan dalam beberapa formulir. Visualisasi Influencer Utama didukung di formulir layanan seluler, desktop, layanan bersama, dan premium.

Saat pengguna menambahkan kolom ke visual Influencer Utama, alur dipicu di tempat data pelatihan dikirim ke Layanan Analisis (mesin database di belakang Power BI). Layanan Analisis menjalankan ML.NET untuk melatih model pembelajaran mesin, dan hasilnya dikembalikan. Dengan demikian, model dilatih setiap kali pengguna memperbarui fitur yang dipilih. Tujuan keseluruhannya adalah untuk melakukan analisis dalam beberapa detik, memungkinkan pengalaman yang interaktif.

Keseluruhan alur ditampilkan di bawah ini:

ML.NET digunakan sebagai pustaka .NET Framework dan berjalan baik secara lokal (jika digunakan di Power BI Desktop) maupun di cloud (jika digunakan di layanan Power BI). Himpunan data di Power BI disimpan dalam format biner asli dari Layanan Analisis.

Influencer utama kategoris

Metrik kategori dapat mencakup hal-hal seperti rating atau peringkat. Dalam contoh di bawah ini, metriknya adalah Peringkat, dan visualisasi telah menentukan bahwa Peran di Organisasi adalah konsumen adalah faktor tunggal teratas yang memengaruhi kemungkinan peringkat rendah. Visualisasi menampilkan informasi tambahan di panel kanan, seperti:

• 14,93% konsumen memberikan skor rendah.
• Rata-rata, semua peran lain memberikan skor rendah 5,78% setiap saat.
• Konsumen 2,57 kali lebih cenderung memberikan skor rendah dibandingkan dengan semua peran lainnya.

Pemberi Pengaruh Utama menggunakan ML.NET untuk menjalankan regresi logistik untuk metrik kategori, menggunakan algoritma One-hot encoding, Replace missing value, and Normalize mean variance data transformations and the L-BFGS Logistic Regression. Dalam hal ini, algoritma mencari pola dalam data dan mencari bagaimana pelanggan yang memberi peringkat rendah mungkin berbeda dengan pelanggan yang memberi peringkat tinggi. Mungkin ditemukan, misalnya, bahwa pelanggan dengan lebih banyak tiket dukungan memberikan persentase peringkat rendah yang lebih tinggi daripada pelanggan dengan sedikit atau tanpa tiket dukungan.

Influencer utama numerik

Metrik numerik dapat mencakup hal-hal seperti harga atau nomor penjualan. Dalam contoh di bawah ini, metrik adalah Harga Rumah, dan visualisasi telah menentukan bahwa Kualitas Dapur sangat baik adalah faktor tunggal teratas yang memengaruhi kemungkinan kenaikan harga rumah.

Influencer utama menggunakan ML.NET untuk menjalankan regresi linear, menggunakan transformasi data yang sama seperti influencer utama kategori dan menggunakan regresiSDCA algoritma. Dalam hal ini, algoritma melihat bagaimana harga rumah berubah berdasarkan faktor penjelasan, seperti jumlah kamar tidur atau rekaman persegi. Dalam hal ini, terlihat dampaknya jika memiliki dapur yang sangat baik akan memiliki harga rumah.

Menghitung segmen teratas

Segmen Teratas memperlihatkan grup teratas yang berkontribusi pada nilai metrik yang dipilih. Segmen terdiri dari kombinasi nilai. Misalnya, segmen di bawah ini adalah orang-orang yang merupakan konsumen atau administrator, yang memiliki lebih dari 4 tiket dukungan, dan yang telah menjadi pelanggan selama lebih dari 29 bulan. 74,3% pelanggan dalam segmen ini memberikan peringkat rendah, dibandingkan dengan rata-rata pelanggan, yang memberikan peringkat rendah 11,7% dari waktu.

Segmen Teratas menggunakan ML.NET untuk menjalankan pohon keputusan, menggunakan algoritma Pohon cepat (kategoris dan numerik), untuk menemukan subgrup yang menarik. Tujuannya adalah memperoleh subgrup titik data dengan metrik minat yang relatif tinggi. Hal ini dapat berupa pelanggan dengan peringkat rendah atau rumah dengan harga tinggi.

Algoritma mengambil setiap faktor penjelasan dan mencoba untuk alasan faktor mana yang memberikan pemisahan terbaik. Setelah pohon keputusan melakukan pemisahan, dibutuhkan subgrup data dan menentukan pemisahan terbaik berikutnya untuk data tersebut. Dalam hal ini, subgrup adalah pelanggan yang mengomentari keamanan. Setelah setiap pemisahan, subgrup juga mempertimbangkan apakah memiliki titik data yang cukup untuk grup ini menjadi cukup representatif untuk menyimpulkan pola dari atau apakah itu anomali dalam data dan bukan segmen nyata. Setelah pohon keputusan selesai berjalan, dibutuhkan semua pemisahan, seperti komentar keamanan dan perusahaan besar, dan membuat segmen.

Power BI menggunakan ML.NET untuk membantu pelanggan mereka dengan mudah mengidentifikasi influencer utama dalam bisnis mereka, menghemat waktu dan tenaga serta memungkinkan mereka untuk fokus dalam membuat perubahan dan keputusan bisnis berdasarkan analisis dan wawasan yang dihasilkan dari model ML.NET.