Data Science mit Microsoft Intune — Quick Start

Dies ist ein Quick Start in Data Science mit Microsoft Intune. Der Beitrag zeigt dir, wie du Intune-Daten in ein Notebook holst, eine aussagekräftige explorative Analyse zu Geräten, Apps und Compliance durchführst und das Ergebnis in etwas verwandelst, mit dem ein Admin-Team tatsächlich arbeiten kann.

Wie du weißt, mag ich alles, was mit Data Science und Intune zu tun hat. In diesem Blog zeige ich dir eine Lösung, mit der du Einblicke in deine Intune-Umgebung gewinnst, die du vorher nicht hattest.

Inhalt

1. Inhalt
2. Voraussetzungen
3. Wie die Lösung funktioniert
4. Was ist sweetviz
5. Wie du die Lösung ausführst
6. Wie sieht es aus

Voraussetzungen

Die Voraussetzungen für den Einsatz der Lösung sind wirklich gering. Das Einzige, was du brauchst, ist ein auf deinem Gerät installiertes Python. Du kannst python über diesen Link installieren. Zusätzlich musst du sicherstellen, dass sweetviz auf deinem Gerät installiert ist. Das machst du mit dem folgenden Befehl:

pip install sweetviz

Außerdem brauchst du eine App-Registrierung in Entra ID mit den passenden Microsoft-Graph-Berechtigungen, damit das Skript die Daten deines Tenants lesen darf. Für verwaltete Geräte reicht in der Regel die Berechtigung DeviceManagementManagedDevices.Read.All. Wenn du noch unsicher bist, welcher Scope was genau freigibt, ist die offizielle Übersicht der Microsoft-Graph-Berechtigungen auf Microsoft Learn die beste Anlaufstelle, bevor du mit Data Science mit Intune startest.

Wie die Lösung funktioniert

Es ist wirklich einfach. Der erste Schritt besteht darin, Daten aus Graph herunterzuladen, zum Beispiel alle verwalteten Geräte. Anschließend wird dieses JSON in ein pandas DataFrame umgewandelt und danach sweetviz aufgerufen.

Was ist sweetviz

Sweetviz ist eine Open-Source-Python-Bibliothek zur Durchführung von Datenanalysen. Sie wurde entwickelt, um Data Scientists dabei zu helfen, die Struktur eines Datensatzes zu verstehen, Beziehungen zwischen Variablen zu erkennen und potenzielle Probleme wie fehlende Werte oder inkonsistente Datentypen zu identifizieren.

Eine der wichtigsten Funktionen von Sweetviz ist die Fähigkeit, ansprechende und detaillierte Visualisierungen in Form von interaktiven HTML-Reports zu erzeugen. Diese Reports geben Einblicke in die Verteilung einzelner Variablen, Vergleiche zwischen verschiedenen Teilmengen von Daten (etwa Trainings- vs. Test-Datensätze) und vieles mehr.

Mit Sweetviz kannst du:

• Detaillierte Visualisierungen von Datenverteilungen und Interaktionen erstellen.
• Datensätze vergleichen, etwa Trainings- vs. Testdaten.
• Die Verteilung von Zielvariablen in Klassifikations- oder Regressionsaufgaben analysieren.
• Die Ausgewogenheit der Klassen in Klassifikationsaufgaben beurteilen.
• Zusammenhänge und Korrelationen zwischen Features identifizieren und visualisieren.
• Fehlende Werte, doppelte Einträge oder Ausreißer erkennen und melden.

Sweetviz wird häufig in den frühen Phasen eines Data-Science-Projekts eingesetzt, um eine schnelle und effiziente EDA durchzuführen, die nachfolgende Entscheidungen bei der Datenbereinigung, beim Feature Engineering und bei der Modellierung leiten kann. Es wird für seine einfache Bedienung und die Ausführlichkeit der erzeugten Reports gelobt.

Wie du die Lösung ausführst

Du kannst das Skript aus meinem GitHub-Repository herunterladen. Das Einzige, was du tun musst, ist, die Variable TENANT_ID auszufüllen und dieses Skript auszuführen. Das Skript erzeugt dann eine HTML-Seite mit einer Übersicht deiner Geräte / Benutzer oder anderer Graph-Aufrufe, die du angibst.

Für fortgeschrittenere Aufrufe oder Anwendungsfälle musst du Werte aus JSONs oder Listen extrahieren. Das kannst du so machen:
df['serialNumber'] = df['hardwareInformation'].apply(lambda x: x.get('serialNumber') if isinstance(x, dict) else None).astype(str)

Du kannst auch den Graph-Endpunkt ändern, wenn du ihn hier anpasst:

Wie sieht es aus

Hier findest du eine Übersicht, wie die Ausgabe aussieht:

Ein praktischer Tipp: Beginne bewusst mit einem kleinen Datensatz, etwa nur den verwalteten Geräten einer einzelnen Gruppe, bevor du den Report über den gesamten Tenant laufen lässt. So siehst du sofort, welche Felder wirklich aussagekräftig sind, und vermeidest, dass der HTML-Report durch hunderte verschachtelte Eigenschaften unübersichtlich wird. Sobald du weißt, welche Spalten für dich relevant sind, kannst du den Graph-Aufruf gezielt erweitern.

Fazit

Mehr braucht es nicht, um mit Data Science mit Intune zu starten. Mit nichts weiter als Python, Sweetviz und einem Graph-Token verwandelst du rohe Gerätedaten in wenigen Minuten in eine klare, teilbare Auswertung. Häufige Stolpersteine sind dabei fehlende Graph-Berechtigungen und tief verschachtelte JSON-Felder – beides lässt sich mit dem oben gezeigten Extraktions-Snippet und einem kurzen Blick in die Berechtigungsübersicht schnell lösen. Wenn dir der Workflow vertraut ist, kannst du ihn problemlos auf Apps, Compliance-Richtlinien und Konfigurationsprofile ausweiten und Data Science mit Intune so zu einem festen Bestandteil deines Betriebs machen.