Düzenle

Gelişmiş analiz mimarisi

Azure Analysis Services
Azure Blob Storage
Azure Cosmos DB
Azure Synapse Analytics
Power BI

Çözüm fikirleri

Bu makale bir çözüm fikridir. İçeriği olası kullanım örnekleri, alternatif hizmetler, uygulama konuları veya fiyatlandırma kılavuzu gibi daha fazla bilgiyle genişletmemizi isterseniz GitHub geri bildirimi sağlayarak bize bildirin.

Bu mimari, herhangi bir ölçekteki verileri özel makine öğrenmesi ile birleştirmenize ve akış hizmetlerinde neredeyse gerçek zamanlı veri analizine sahip olmanıza olanak tanır.

Mimari

Azure Data Lake Storage, Azure Analysis Services, Azure Cosmos DB ve Power BI ile Azure Synapse Analytics kullanan gelişmiş analiz mimarisinin diyagramı.

Bu mimarinin bir Visio dosyasını indirin.

Veri akışı

  1. Azure Data Lake Storage için Synapse Pipelines kullanarak tüm yapılandırılmış, yapılandırılmamış ve yarı yapılandırılmış verilerinizi (günlükler, dosyalar ve medya) bir araya getirin.
  2. Apache Spark havuzlarını kullanarak yapısız veri kümelerini temizleyip dönüştürün ve bunları işletimsel veritabanlarından veya veri ambarlarından alınan yapılandırılmış verilerle birleştirin.
  3. Apache Spark havuzundaki not defteri deneyimleriyle Python, Scala veya .NET kullanarak bu verilerden daha derin içgörüler elde etmek için ölçeklenebilir makine öğrenmesi/derin öğrenme tekniklerini kullanın.
  4. Büyük ölçekte verilere erişmek ve verileri taşımak için Azure Synapse Analytics'te Apache Spark havuzu ve Synapse İşlem Hatları uygulayın.
  5. Power BI'daki verileri sorgulama ve raporlama.
  6. Apache Spark havuzlarından Azure Cosmos DB'ye içgörüler alarak bunları web ve mobil uygulamalar aracılığıyla erişilebilir hale getirin.

İş akışı

  • Azure Synapse Analytics, yüksek düzeyde paralel işleme mimarisiyle esnek ve bağımsız olarak ölçeklendirmenize, hesaplamanıza ve depolamanıza olanak tanıyan hızlı, esnek ve güvenilir bulut veri ambarıdır.
  • Synapse Pipelines Belgeleri , ETL/ELT iş akışlarınızı oluşturmanıza, zamanlamanıza ve düzenlemenize olanak tanır.
  • Azure Blob depolama , her tür yapılandırılmamış veri görüntüsü, video, ses, belge ve daha kolay ve uygun maliyetli bir şekilde yüksek düzeyde ölçeklenebilir bir nesne depolama alanıdır.
  • Azure Synapse Analytics Spark havuzları hızlı, kolay ve işbirliğine dayalı bir Apache Spark tabanlı analiz platformudur.
  • Azure Cosmos DB , genel olarak dağıtılmış, çok modelli bir veritabanı hizmetidir. Verilerinizi istediğiniz sayıda Azure bölgesinde çoğaltmayı ve aktarım hızınızı depolama alanınızdan bağımsız olarak ölçeklendirmeyi öğrenin.
  • Azure Cosmos DB için Azure Synapse Bağlantısı, Azure Synapse çalışma alanınızda bulunan iki analiz altyapısını kullanarak Azure Cosmos DB'deki işletimsel veriler üzerinde neredeyse gerçek zamanlı analizler çalıştırmanıza olanak tanır ve işlem iş yükünüz üzerinde herhangi bir performans veya maliyet etkisi olmaz: SQL Sunucusuz ve Spark Havuzları.
  • Azure Analysis Services, iş zekası çözümünüzü güvenle idare etmenizi, dağıtmanızı, test etmenizi ve sunmanızı sağlayan bir hizmet olarak kurumsal sınıf analizdir.
  • Power BI , kuruluşunuz genelinde içgörüler sunan bir iş analizi araçları paketidir. Yüzlerce veri kaynağına bağlanın, veri hazırlığı basitleştirin ve planlanmamış analizi yönlendirin. Güzel raporlar oluşturun, ardından bunları web'de ve mobil cihazlarda kullanmak üzere kuruluşunuz için yayımlayın.

Alternatifler

  • Synapse Link, Azure Cosmos DB verilerinin üzerinde analiz için Microsoft tarafından tercih edilen çözümdür.

Senaryo ayrıntıları

Sınıfının en iyisi makine öğrenmesi araçlarını kullanarak verilerinizi eyleme dönüştürülebilir içgörülere dönüştürün. Bu çözüm, herhangi bir ölçekteki verileri birleştirmenize ve uygun ölçekte özel makine öğrenmesi modelleri oluşturup dağıtmanıza olanak tanır. Kurumsal ölçekli veri platformlarının kurumsal giriş bölgesinin bir parçası olarak nasıl tasarlandığını öğrenmek için Bulut Benimseme Çerçevesi Veri giriş bölgesi belgelerine bakın.

Olası kullanım örnekleri

Kuruluşlar daha önce hiç olmadığı kadar çok veriye erişebilir. Gelişmiş analiz, veri içgörülerinden yararlanmaya yardımcı olur. Alanlar şunlardır:

  • Müşteri hizmetleri.
  • Tahmine dayalı bakım.
  • Ürün veya hizmet önerme.
  • Tedarik zincirlerinden veri merkezi operasyonlarına kadar her şeyin sistem optimizasyonu.
  • Ürün ve hizmet geliştirme.

Dikkat edilmesi gerekenler

Maliyet iyileştirmesi

Maliyet iyileştirmesi, gereksiz giderleri azaltmanın ve operasyonel verimlilikleri artırmanın yollarını gözden geçmektir. Daha fazla bilgi için bkz. Maliyet iyileştirme sütununa genel bakış.

Sonraki adımlar

Bu mimaride öne çıkan hizmetler hakkında aşağıdaki belgelere bakın: