Začínáme s návrhem architektury analýz

Organizace využívají výpočetní výkon, úložiště a analytické výkony Azure ke škálování, streamování, predikci a zobrazení dat. Analytická řešení transformují objemy dat na užitečné business intelligence (BI), jako jsou sestavy a vizualizace, a inventivní umělou inteligenci, jako jsou prognózy založené na strojovém učení. Azure nabízí širokou škálu cloudových analytických nástrojů pro organizace, které s analytikou teprve začínají, i pro organizace, které potřebují rozšířit své nasazení. Analytická řešení pomáhají organizacím používat data ve velkém měřítku. Pomocí architektury velkých objemů dat nebo architektury Internetu věcí (IoT) můžete zpracovávat nezpracovaná data a pak je přesunout do analytického úložiště dat. Toto úložiště dat se stává jediným zdrojem pravdy, který může podporovat analytická řešení poskytující cenné poznatky.

Architecture

Diagram znázorňující čtyři sloupce s popiskem Learn, Assign roles, Choose storage a Choose technology Ve sloupci Learn se zobrazí dvě dlaždice označené Azure datovými službami a modelováním dat. Ve sloupci Přiřadit role se zobrazí tři skupiny uživatelů: Datoví analytici, datoví inženýři a uživatelé samoobslužných služeb. Jedna čtvercová dlaždice s popiskem „Analytical data store“ se objeví ve sloupci „Zvolit úložiště“. Ve sloupci „Zvolit technologii“ se zobrazují čtyři funkce: Sestavy a vizualizace, Streamování dat, Vytváření předpovědí a Škálování analýz.

Načte soubor Visio této architektury.

Předchozí diagram znázorňuje typickou základní nebo výchozí implementaci analytiky. Řešení z reálného světa, která můžete vytvářet v Azure, najdete v tématu Analytics architectures.

Prozkoumání analytických příruček, architektur a nápadů na řešení

Články v této části obsahují příručky a plně vyvinuté architektury, které můžete nasadit v Azure a rozšířit na řešení na produkční úrovni. Návrhy řešení demonstrují implementační vzory a možnosti, které je třeba zvážit při plánování vývoje analytického ověření konceptu (POC). Tyto články vám můžou pomoct při rozhodování, jak používat analytické technologie v Azure.

Průvodci analýzami

Následující články vám pomůžou vyhodnotit a vybrat nejlepší analytické technologie pro vaše požadavky na úlohy:

• Vyberte službu pro analýzu dat a vytváření sestav: Porovnejte možnosti analýzy a vizualizace dat v Azure.

• Zvolte službu dávkového zpracování: Vyhodnoťte technologie dávkového zpracování pro úlohy s velkými objemy dat.

• Zvolte službu zpracování datových proudů: Porovnejte technologie zpracování datových proudů pro analýzy v reálném čase.

• Zvolte analytické úložiště dat: Získejte pokyny k výběru analytického úložiště dat.

• Choose an analytical data store in Microsoft Fabric: Získejte pokyny k úložišti dat v Fabric.

Následující články obsahují pokyny ke strategiím zotavení po havárii (DR) pro datové platformy Azure:

• Přehled: Přehled strategií zotavení po havárii pro datové platformy Azure

• Architecture: Architektonické vzory pro obnovu po havárii v datových platformách Azure.

• Podrobnosti scénářů: Podrobné scénáře pro implementaci DR.

• Doporučení: Osvědčené postupy pro DR.

Architektury analýz

Následující architektury připravené pro produkční prostředí ukazují komplexní analytická řešení, která můžete nasadit a přizpůsobit:

• Analytika od začátku do konce s Fabric: Vytvořte moderní analytickou platformu pomocí platformy Fabric.

• Datové sklady a analýzy: Integrujte data z více zdrojů do sjednocené analytické platformy.

• Použití Fabric k návrhu podnikového řešení BI: Návrh podnikového řešení BI pomocí Fabric

• Zpracování dat v architektuře lakehouse téměř v reálném čase: Použijte Azure Synapse Analytics a Azure Data Lake Storage pro zpracování dat v architektuře lakehouse téměř v reálném čase.

• Real-time sync of MongoDB Atlas to Azure Synapse Analytics: Synchronizace dat MongoDB Atlas do Azure Synapse Analytics v reálném čase.

• Streamové zpracování pomocí Azure Databricks: Vytvoření kompletního kanálu zpracování datových proudů pomocí Azure Databricks

• Streamové zpracování pomocí Azure Stream Analytics: Sestavte kanál zpracování datových proudů, který ingestuje data, koreluje záznamy a počítá klouzavé průměry.

• Moderní datový sklad pro malé a střední firmy: Vytvořte moderní řešení datového skladu navržené pro malé a střední firmy.

Nápady na analytické řešení

Následující myšlenky analytických řešení ukazují vzory implementace a možnosti prozkoumání:

• Ingestace, extrakce, transformace a načítání (ETL) a kanály pro zpracování datových proudů pomocí Azure Databricks: Vytvářejte kanály ETL pro dávková a streamingová data, které zjednodušují ingestaci dat do datového jezera.

• Moderní architektura analýzy dat s Azure Databricks: Shromažďujte, zpracovávejte, analyzujte a vizualizujte data pomocí moderní datové architektury.

• Modern data platform pro malé a střední firmy: Vytvořte moderní architekturu datové platformy pro malé a střední firmy pomocí Fabric a Azure Databricks.

• Analýzy v reálném čase s Azure Data Explorerem: Analyzujte data v reálném čase pomocí Azure Data Exploreru a Azure Service Bus.

Informace o analýze Azure

Microsoft Learn poskytuje bezplatné online vzdělávací zdroje pro analytické technologie platformy Azure. Platforma nabízí videa, kurzy a praktická cvičení pro konkrétní produkty a služby spolu s studijními programy uspořádanými podle pracovní role.

Následující zdroje informací poskytují základní znalosti pro analytické implementace v Azure:

• Procházet články o datech v Azure
• Úvod do základních konceptů dat v Microsoft Azure
• Začínáme s Fabric
• Začínáme s analýzou dat Microsoftu
• Implementujte řešení analýzy dat pomocí Azure Databricks
• Vytvářejte řešení strojového učení pomocí Azure Databricks

Připravenost organizace

Organizace na začátku procesu přechodu na cloud můžou používat Cloud Adoption Framework pro Azure pro přístup k osvědčeným pokynům, které urychlují přechod na cloud.

Pokud chcete zajistit kvalitu analytického řešení na Azure, postupujte podle pokynů v Azure Well-Architected Framework. Architektonický rámec Well-Architected poskytuje organizacím přesné pokyny, které hledají architektonickou dokonalost, a popisuje, jak navrhovat, zřizovat a monitorovat nákladově optimalizovaná řešení na Azure.

Osvědčené postupy

Osvědčené postupy v analýzách zajišťují, aby řešení byla škálovatelná, spolehlivá, nákladově efektivní a zabezpečená.

Analýza dat

Pokud chcete použít analýzu Azure, musíte se rozhodnout, jak storovat data. Pak můžete zvolit nejlepší technologii analýzy dat pro váš scénář. Vezměte v úvahu následující faktory:

• Úložiště dat: Vyberte si mezi datovými jezery, datovými sklady a lakehousemi na základě struktury dat a vzorů dotazů. Další informace o databázových řešeních, která podporují analytické úlohy, naleznete v článku Návrh architektury databáze.

• Model zpracování: Určete, jestli dávkové zpracování, zpracování datových proudů nebo kombinace nejlépe vyhovuje vašim požadavkům na úlohy.

• Analytické nástroje: Vyberte technologie BI a AI, které splňují dovednosti a obchodní potřeby vašeho týmu.

Důvěryhodná data

Pro vysoce kvalitní analýzy potřebujete robustní a důvěryhodná data. Postupy zabezpečení informací pomáhají zajistit, aby vaše data byla chráněna při přenosu i v klidovém stavu. Přístup k vašim datům musí být také zabezpečený. Pokud chcete pomoct s vytvářením důvěryhodných dat, zvažte následující postupy a kontroly:

• Zásady správného řízení: Definujte jasné vlastnictví dat, klasifikaci a zásady přístupu.

• Správa identit a přístupu: Implementujte zásady řízení přístupu na základě role a nejnižších oprávnění.

• Řízení zabezpečení sítě: Ochrana toků dat mezi službami a zabránění neoprávněnému přístupu

• Ochrana dat: Šifrování neaktivních uložených dat a přenášených dat

Na úrovni platformy přispívají následující osvědčené postupy big data k důvěryhodným analýzám na Azure:

• Orchestrace příjmu dat: Použijte řešení datového pracovního postupu nebo kanálu podporované službou Azure Data Factory nebo kanály Fabric.

• Zpracovávat data na místě: Použijte distribuované úložiště dat, což je přístup pro velké objemy dat, který podporuje větší objemy dat a širší škálu formátů.

• Odstraňte citlivá data hned na začátku: Abyste zabránili náhodnému ukládání citlivých dat ve svém datovém jezeře, odstraňte nebo maskujte tato data v rámci procesu ingestce dat.

• Zvažte celkové náklady: Vyrovnáte náklady na jednotku požadovaných výpočetních uzlů s náklady na minutu pro spuštění úlohy na těchto uzlech.

• Vytvoření sjednoceného datového jezera: Kombinujte úložiště pro soubory ve více formátech, ať už strukturované, částečně strukturované nebo nestrukturované. Jako jeden centralizovaný zdroj používejte Data Lake Storage. Další informace najdete v tématu Architektura řešení BI v Centru efektivity.

Udržování aktuálního stavu pomocí analýz

Azure analytické služby se vyvíjejí, aby řešily problémy s moderními daty. Mějte přehled o nejnovějších aktualizacích a funkcích.

Aktuální informace o klíčových analytických službách najdete v následujících článcích:

• Co je nového v Fabric?
• Poznámky k verzi Azure Databricks
• Co je nového v Azure Data Explorer
• Co je nového v Power BI?

Další prostředky

Následující zdroje vám můžou pomoct dozvědět se více o analýzách.

Analýzy v reálném čase

Organizace můžou pomocí analýz v reálném čase pracovat s daty při jejich doručení. Následující zdroje informací vám můžou pomoct začít s analýzami v reálném čase na Azure:

• Analýza velkých objemů dat v reálném čase: Zpracování a analýza streamovaných dat ve velkém měřítku

• IoT analytics s Azure Data Explorer: Analýza osobních údajů IoT v reálném čase

• Zpracování datových proudů pomocí Stream Analytics: Vytvářejte bezserverová řešení streamování.

• Vytvořte moderní analytickou architekturu pomocí Azure Databricks: Objevte analýzy na podnikové úrovni pomocí Apache Sparku.

• Další příklady analýzy najdete v centru architektury Azure

Odborníci na Amazon Web Services (AWS) nebo Google Cloud

Následující články vám pomůžou rychle začít porovnávat možnosti analýzy Azure s dalšími cloudovými službami a poskytují pokyny k migraci:

• Technologie relačních databází v Azure a AWS
• Porovnání služeb Google Cloud do Azure