Power BI 使用 ML.NET 識別關鍵影響因素

Power BI 是 Microsoft 所開發的商務分析解決方案，可讓使用者視覺化其資料，並在其組織中共用見解，或將其內嵌到應用程式中。Power BI 提供各種視覺化效果，例如圖表、圖形和量測計，以協助使用者從其資料建立報表。最近，Power BI 已利用機器學習功能為其使用者簡化複雜工作，以讓組織中的所有人都能利用 AI，以提供更好的決策。在 2019 年 2 月，Power BI 預覽其第一個 AI 提供的視覺效果，關鍵意見領袖，它使用 ML.NET 在幕後以自然的方式推理資料並讓深入解析浮出。

商務問題

對於任何企業而言，識別和理解關鍵影響因素 (企業效能和成果的主要驅動因素) 以及客戶區隔對於制定策略性業務決策、確定企業變革的優先順序以及獲取競爭優勢至關重要。分析關鍵影響因素可以顯示哪些因素對企業效能的影響最大，並可以有助於企業回答諸如「哪些因素會導致客戶對這項服務留下負面評論?」或「什麼會影響房價上漲?」等問題。

不過，對關鍵意見領袖和客戶分割進行資料分析，會花費大量的時間、工作量及專業技能；這通常涉及為多個函式、取樣、重要測試和排名結果進行編碼。因此，Power BI 已轉變為機器學習解決方案，讓他們可以讓其使用者加快取得有意義見解的流程，以及在不需要花費時間編寫複雜程式碼的情況下，進行統計分析。

關鍵影響因數和 ML.NET

Power BI 建立了可讓企業利用 AI 做為機器學習解決方案的關鍵影響因素視覺效果，以便他們以較少的時間分析資料，並更快速地制定關鍵商務決策。換句話說，使用者可使用關鍵影響因數來花費較少的分析資料時間，而對從 AI 視覺效果收集的深入解說花費更多採取行動的時間。

當使用者挑選了要分析的關鍵效能指標 (KPI) (例如保留率、點擊率等等)，關鍵影響因素視覺效果會使用 ML.NET 所提供的機器學習演算法以找出驅動計量的最重要因素，並找出值得注意的區段以供進一步調查。關鍵影響因數會分析使用者的資料、排名重要的因素、為這些因素的相關重要性進行對比，並將它們顯示為類別和數值計量的關鍵影響因素與最上層區段。

解決方案架構

Power BI 會以多種形式提供。行動裝置、桌面、共用服務及進階服務表單都支援關鍵影響因數視覺效果。

當使用者將資料行新增至 [關鍵影響因素] 視覺效果時，會觸發於其中會將訓練資料傳送至 Analysis Services (Power BI 背後的資料庫引擎) 的流程。Analysis Services 執行 ML.NET 來訓練機器學習模型，且結果會傳回。因此，每當使用者更新選取的功能時，就會訓練模型。整體目標是在幾秒內執行分析，以實現互動式體驗。

整體流程顯示如下:

ML.NET 會作為 .NET Framework 程式庫形式取用，並且執行內部部署 (如果用於 Power BI Desktop) 或雲端 (如果用於 Power BI 服務)。Power BI 中的資料集會以 Analysis Services 原生的二進位格式儲存。

可分類的主要意見領袖

分類計量可以包含評分或排名等項目。在下列範例中，計量為 [評分]，且視覺效果判定 在組織中的角色是消費者 是影響低評等可能性的最單一因素。視覺效果會在右窗格中顯示其他資訊，例如:

• 14.93% 的 消費者會給出低分。
• 平均來說，5.78% 的時間，所有其他角色會給予低分。
• 相較於所有其他角色，消費者提供較低分數的可能性是其他人的 2.57 倍。

關鍵影響因數使用 ML.NET 對分類計量執行羅吉斯迴歸，會使用 單一熱編碼、取代遺漏的值，以及正常化平均變異數資料轉換和 L-BFGS 邏輯迴歸演算法。在此情況下，演算法會搜尋資料中的模式，並尋找給出低評分的客戶和給出高評分的客戶之間有何差異。結果可能會發現，例如，和有較少或沒有支援票證的客戶相比，有較多支援票證的客戶給出低評分的百分比較高。

數值關鍵意見領袖

數值計量可能包含價格或銷售數目等事物。在下面的範例中，計量指房屋價格，而且視覺效果判定廚房品質非常優異，是影響房屋價格上漲可能性的首要單一因素。

關鍵影響因數使用 ML.NET 執行線性迴歸 (使用與類別關鍵影響因素相同的資料轉換，並使用 SDCA 迴歸演算法)。在此情況下，演算法會依據說明性因數 (例如房間或平方英尺的數目) 查看房屋價格的變更方式。還會看看具有出色廚房對房屋價格的影響。

正在計算前幾個區段

熱門區段會顯示構成選取之計量值的熱門群組。區段是由值組合組成。例如，以下區段是消費者或系統管理員的人員，其為客戶或系統管理員，他們的支援票證超過 4 個，且已是客戶超過 29 個月。與平均客戶相比，此區段中 74.3% 的客戶給與了較低的評分 (平均客戶當時的評分為 11.7%)。

頂端區段使用 ML.NET 來執行決策樹，使用快速樹狀結構演算法 (分類和數值)，以尋找有趣的子群組。目標是最終有一個資料點的子群組，該點在相關計量中相當高。這可能是低評分或高價房屋的客戶。

演算法會採用每個說明因素，並嘗試讓哪一個因素提供最佳分割。在決策樹進行分割之後，它會接受資料的子群組，並判斷該資料的下一個最佳分割。在此案例中，子群組是註解安全性的客戶。每次分割之後，它也會考慮它是否有足夠的資料點，讓此群組有足夠的代表性來推斷模式，或者它是否為資料中的異常狀況，而不是實際區隔。當決策樹狀結構完成運作之後，它會接受所有分割，例如安全性註解和大型企業，並建立區隔。

Power BI 使用 ML.NET 來協助他們的客戶輕鬆識別其企業中的關鍵影響因素，讓他們節省時間及精力，並讓他們可專注於根據從 ML.NET 模型產生的分析及深入解析做出變更及商務決策。