Scenarie for Fabric SKU Estimator (prøveversion)

Vigtigt

Denne funktion er i prøveversion.

Microsoft Fabric SKU-Estimator er et effektivt værktøj, der er designet til at hjælpe organisationer med at vurdere de relevante lagerenheder (SKU'er) for deres arbejdsbelastninger. Med dette værktøj kan virksomheder planlægge og budgettere effektivt til deres behov på analyse- og dataplatformen. Kom i gang med Fabric SKU Estimator.

I denne artikel udforsker vi et scenarie i den virkelige verden, der viser, hvordan Fabric SKU-Estimator kan bruges. I dette flerpartsscenarie fremhæves værktøjets alsidighed i forbindelse med håndtering af forskellige krav, lige fra modernisering af analyseplatforme til understøttelse af datavidenskabsoverførsel og aktivering af API-drevet indsigt.

Scenariedetaljer: Contoso Manufacturing

Lad os se på en fiktiv virksomhed, Contoso Manufacturing. Contoso er global leder inden for industri- og forbrugerproduktion, kendt for sine innovative løsninger og engagement i bæredygtighed. Virksomheden har specialiseret sig i at producere varer af høj kvalitet på tværs af brancher som bilindustrien, elektronikken og sundhedssektoren. Contoso har hovedkvarter i Storbritannien og driver et verdensomspændende netværk af faciliteter og kontorer, der sikrer problemfri global drift og kundesupport.

Henri Marquis er løsningsarkitekt hos Contoso, som har til opgave at vurdere den SKU, der er nødvendig for virksomhedens arbejdsbelastninger. Henri bruger Fabric SKU Estimator til at spare tid og give de mest nøjagtige estimater.

Aktuelle løsningsmålepunkter

  • Kildesystemer: 50, batch behandlet to gange dagligt
  • Enheder og tabeller: 1.500 i ETL-pipelines (extract-transform-load)
  • Datalager: 50 TB anslået over fem år
  • IoT-sensorer: 4.000, der sender telemetri hvert 10. sekund (600 byte pr. meddelelse)
  • Fabriksmedarbejdere: 10.000, hvilket genererer otte datapunkter pr. arbejder dagligt
  • Power BI-brugere: 1.300 daglige dashboard- og rapportbrugere, 150 rapportforfattere
  • Semantisk modelstørrelse: 25 GB (maksimum)

Scenarie 1: Opret en analyseplatform, der er klar til kunstig intelligens

Contoso har til formål at modernisere sin virksomhedsanalyseplatform og virksomhedens rapporteringsløsning for at oprette en AI-klar analyseplatform. Denne platform giver datadrevet indsigt for at understøtte handlinger, maksimere effektiviteten og forbedre produktiviteten.

Efter nogle få opdagelser og designworkshop har Henri fundet på følgende arkitektur på højt niveau:

Arkitekturdiagram på højt niveau for Fabric SKU-estimatscenariet.

For at begynde sit forslag til budgetestimat beslutter Henri sig for at bruge Fabric SKU Estimator. For at komme i gang skal han først udtrække de påkrævede input på højt niveau og arbejdsbelastningsspecifikke input baseret på disse målepunkter på højt niveau. Han beregner, at det samlede data i arkitekturen vil være ca. 8.533 GB baseret på et anslået 6:1-komprimeringsforhold. Henri udleder, at platformen vil have to batchcyklusser, der behandler 1.500 tabeller og datasæt på tværs af alle 50 kildesystemer.

Han angiver disse værdier i afsnittet Dataoplysninger i Fabric SKU Estimator:

  • Samlet størrelse af dataene, når de komprimeres (GiB):8.533
  • Antal daglige batchcyklusser: 2
  • Antal tabeller på tværs af alle datakilder: 1.500

Derefter vælger Henri alle arbejdsbelastninger, der skal inkluderes i estimatet: Data Factory, Spark Jobs, Power BI, Eventstream, Eventhouse og Data Activator.

Skærmbillede, der viser valg af arbejdsbelastninger i Fabric SKU-Estimator.

Han angiver derefter de arbejdsbelastningsspecifikke input:

  • datafabrik
    • Antal timer for daglige Dataflow Gen2 ETL-handlinger: 0
  • Power BI-
    • Antal daglige Power BI-rapportfremvisere: 1.300
    • Antal personer, der opretter Power BI-rapporter dagligt: 150
    • Størrelse på Power BI-model (GB): 25
  • Eventstream-
    • Daglig hændelsesindtagelse (GB): 19
    • Antal hændelsesstreams: 1
    • Samlet antal destinationer: 5
    • Eventstream-kildeconnectors: 0
  • Aktivator
    • Antal daglige indtagelser: 80.000
    • Antal påmindelsesregler, der bruges: 5
  • Eventhouse
    • Daglige telemetridata (GB): 14
    • Hot data (dage): 30
    • Opbevaringsdage: 90
    • Arbejdscyklus (timer): 24

Til sidst vælger Henri knappen Beregn og får følgende resultat:

Skærmbillede, der viser detaljerede estimeringsresultater for scenarie 1 ved hjælp af Fabric SKU Estimator.

Estimatoren leverer en levedygtig SKU, arbejdsbelastningsopdeling, lagerforbrug og Power BI Pro-licenskrav. Henri indtaster resultaterne i Azure Pricing Calculator for at generere et estimat for hans forslag.

Scenarie 2: Overfør flere arbejdsbelastninger til Microsoft Fabric

Contoso-datavidenskabsteamet vil overføre arbejdsbelastningerne fra Azure Synapse Analytics til Microsoft Fabric. Den aktuelle platform indeholder:

  • Dedikeret SQL-pulje: DWU2500c SKU med 2 TB data
  • Kildetabeller: 300 dagligt
  • Dataforskere: 20, der driver 15 forudsigende modeller
  • Daglige modeltræningsjob: 3

Henri skal føje disse oplysninger til estimatet. Da der er bundet et årti med forretningslogik i Synapse-den dedikerede SQL-gruppe, skal han sikre, at datavidenskabsteamet minimerer risikoen for virksomheden. Hvis du vil bevare eksisterende forretningslogik og minimere risikoen i resultaterne, vælger Henri en lift-and-shift-tilgang.

Han justerer værdierne i afsnittet Dataoplysninger i Fabric SKU Estimator:

  • Samlet størrelse af dataene, når de komprimeres (GiB):10.581
  • Antal daglige batchcyklusser: 2
  • Antal tabeller på tværs af alle datakilder: 1.650

Derefter vælger han de arbejdsbelastninger, han skal føje til det forrige estimat: Data Warehouse og Data Science.

Skærmbillede, der viser valg af arbejdsbelastninger i Fabric SKU-vurdering for del 2 af scenariet.

Han angiver derefter de arbejdsbelastningsspecifikke input:

  • Datalager
    • Vælger Indstillingen Brug migrering til Fabric
    • Synapse SQL-dedikeret poolstørrelse: DWU2500c
  • datavidenskab
    • Antal dataforskere: 20
    • Antal daglige modeltræningsjob: 3

Til sidst vælger han knappen Beregn og får følgende resultat:

Skærmbillede, der viser detaljerede estimeringsresultater for scenarie 2 ved hjælp af Fabric SKU Estimator.

Estimatoren leverer en levedygtig SKU, arbejdsbelastningsopdeling, lagerforbrug og Power BI Pro-licenskrav. Henri har nu nok oplysninger til at ændre sit tidligere estimat.

Scenarie 3: Øg kapaciteten for at inkludere data-API'er for kunder og partnere

Contoso beder Henri om at inkludere kapacitet til kunde- og partnerdata-API'er sammen med følgende support:

  • API-sessioner: 500 dagligt
  • Ad hoc-SQL Analytics-brugere: 200 dagligt
  • Integrerede Power BI-sessioner: 800 dagligt

Uden at ændre værdierne i afsnittet Dataoplysninger i Fabric SKU-Estimator vælger Henri de ekstra arbejdsbelastninger, der skal inkluderes i hans estimat: Ad hoc SQL Analytics og Power BI Embedded.

Skærmbillede, der viser valg af arbejdsbelastninger i Fabric SKU-vurdering for del 3 af scenariet.

Han angiver derefter de arbejdsbelastningsspecifikke input:

  • Ad hoc SQL Analytics
    • Antal SQL Analytics-brugere: 500
  • Power BI Embedded-
    • Daglige Power BI Embedded-rapportlæsere: 800

Til sidst vælger han knappen Beregn og får følgende resultat:

Skærmbillede, der viser detaljerede estimeringsresultater for scenarie 3 ved hjælp af Fabric SKU-Estimator.

Henri gennemgår resultaterne for at sikre, at hans endelige estimat omfatter alle arbejdsbelastninger og er klar til indsendelse.

Resumé

Microsoft Fabric SKU Estimator hjalp Henri med hurtigt at forenkle komplekse estimeringsopgaver, så han kunne give Contoso en standardiseret struktur, der er baseret på bedste praksis og telemetri i den virkelige verden. Med Henris detaljerede og præcise forslag kan Contoso effektivt planlægge og budgettere for sin moderniserede analyseplatform.

Relateret indhold

  • Last updated on