DP-600：高级 Prescriptive 与 Predictive Analytics MCQ 练习（第01部分）
发布: (2025年12月2日 GMT+8 17:46)
8 min read
原文: Dev.to
Source: Dev.to
分析类型
-
描述性分析 – 发生了什么？
- 汇总过去的数据。
- 示例：“上个月销售额增长了 15%。”。
- 可视化：表格、卡片、柱状图。
-
诊断性分析 – 为什么会发生？
- 解释结果背后的原因。
- 示例：“销售额增长是因为广告表现良好”。
- 工具：分解树、关键影响因素。
-
预测性分析 – 将会发生什么？
- 对未来进行预测。
- 示例：“我们预测下个月流失率会下降 20%”。
- 工具：机器学习模型、预测、AutoML。
-
规范性分析 – 我们应该怎么做？
- 基于预测给出最佳行动建议。
- 示例：
- “向高风险客户提供折扣”。
- “为 A 细分市场增加广告预算”。
- “向低参与度用户发送跟进邮件”。
- 关键点： 规范性 = 机器学习 + 推荐行动。
考试经验法则
- 如果问题询问 应采取何种行动，则考虑 规范性 → 机器学习 + 行动。
- 规范性分析 = 将预测映射到行动的决策逻辑（规则、优化目标、成本/收益）。
- 常见输出：一列或一个可视化显示 “提供 20% 折扣” 或 “转交专员”，而不仅仅是概率分数。
将 Azure 机器学习模型嵌入 Power BI
- 训练 模型（Azure ML、Fabric AutoML、Python/R）。
- 部署 模型为 Web 服务（REST 端点）。
- 调用 端点，可在数据流 / Power Query / Fabric 流水线中完成，或将评分结果带回 Power BI。
- 使用 输出作为计算列或可视化。
- 使用 DAX、Power Query 逻辑或运维层将预测映射为行动，例如
if churn_prob > 0.8 → “Offer 30% off”。 - 在 报表可视化中呈现推荐（表格、卡片、条件格式）。
为什么推荐这种做法
- 动态 – 随新数据自动更新。
- 自动化且可扩展。
- 能结合 业务规则和阈值。
静态文本框 & 手动更新（不要这么做）
- 静态文本框 是手动输入的文字，未与数据关联。仅用于标题、说明、备注或标签。
- 手动更新（例如每月手动键入新推荐）会导致：
- 不可扩展。
- 易出错。
- 速度慢且非数据驱动。
- 不适用于生产环境或需要 AI/ML 自动化的考试场景。
考试技巧： 选项中出现 “静态文本”、 “手动每月更新” 或 “仅历史可视化” 时，基本上是错误的，尤其当问题要求提供建议、推荐或下一步行动时。
何时使用前瞻性建议 vs. 仅历史
- 仅历史（描述性/诊断性）：问题要求 报告、汇总、查看过去趋势或解释原因。
- 规范性（前瞻性）：问题要求 推荐、下一最佳行动、优化或任何面向未来的决策。
示例题目与答案解析
题目： 需要在 Power BI 报表中添加一个功能，根据客户细分表现建议有针对性的营销行动。哪种技术能够有效整合规范性分析？
正确答案： A. 在报表中嵌入 Azure 机器学习模型。
理由：
- 关键词 “建议有针对性的营销行动” → 规范性。
- 只有选项 A 提供自动化、数据驱动的推荐引擎。
- 选项 B（静态）、C（手动）和 D（仅描述性）都不满足规范性要求。
考试提示： 始终自问 “该选项是否为每个用户/细分提供可动态变化的可操作输出？” 若是 → 机器学习/端点/自动化是正确选择。
实施映射 – 常见模式
| 业务场景 | 预测步骤 | 规范性映射 |
|---|---|---|
| 流失管理 | 预测流失概率 | 映射为 “提供折扣 / 电话回访 / 不采取行动”。 |
| 推荐引擎 | 协同过滤或基于内容的模型 | 为每位用户存储前 N 条推荐 → 在 Power BI 中展示。 |
| 库存优化 | 需求预测（时间序列） | 运行补货数量优化 → 提供补货行动建议。 |
| 预测性维护 | 预测故障概率 | 若 > 阈值 → 安排维护行动。 |
| 欺诈检测 | 预测每笔交易的风险 | 规则映射为 阻止 / 监控 / 通过。 |
嵌入工作流概览
- 构建 ML 模型。
- 部署 为 Web 服务（API 端点）。
- 从 Power BI 调用 该模型。
- 输出 推荐（例如 “为客户 X 推荐邮件活动 B”）。
结果：动态、可扩展、自动化的规范性洞察。
前瞻性 = 预测 + 规范
在必须 采取行动、业务影响取决于未来结果，或需要 优化决策（如防止流失、预算优化、营销定位、欺诈防范）时使用。
第 2 部分 – 题目拆解（逐步）
原题： 需要一个功能，根据客户细分表现建议有针对性的营销行动。
- 关键短语： “建议行动” → 规范性。
- 必备要素： ML 模型、自动化推荐、动态逻辑。
| 选项 | 评估 |
|---|---|
| A. 嵌入 Azure 机器学习模型 | ✅ ML 模型 → 动态。正确。 |
| B. 使用静态文本框 | ❌ 非数据驱动。 |
| C. 手动更新报表 | ❌ 不可扩展。 |
| D. 仅依赖历史数据 | ❌ 仅描述/诊断。 |
快速识别正确答案的速查表
| 目标 | 关键词 | 典型正确答案 |
|---|---|---|
| 规范性（推荐、下一最佳行动、优化） | “suggest”、 “recommend”、 “action”、 “optimize”、 “future” | ML 模型、AutoML、Azure ML、决策引擎 |
| 预测性（预测、概率、趋势） | “predict”、 “forecast”、 “probability”、 “future trend” | ML 模型、预测、AutoML |
| 描述性/诊断性（了解过去、监控 KPI） | “historical”、 “summarize”、 “monitor”、 “trend analysis” | 可视化、表格、图表、关键影响因素、分解树 |
| 手动/静态 | “manual”、 “static”、 “text box” | 绝不 选为 AI/ML 相关题目的正确答案 |
第 3 部分 – 备注（文档风格、清晰示例）
在 Fabric / Power BI 中的规范性分析
- 使用 机器学习或决策算法 推荐行动。
- 来源：Azure ML 模型、Fabric ML 模型、AutoML、Python/R 笔记本、在数据流中的 ML 评分。
- 示例数据集：客户细分
- 细分 A → 推荐邮件优惠
- 细分 B → 推荐折扣
- 细分 C → 无行动
- Power BI 动态显示 推荐列。