Hvad er realtidsanalyse i Fabric?
I de sidste par årtier har vi oplevet et paradigmeskift i den måde, vi tilgår og forbruger oplysninger på, da brugerne er blevet vant til data, der er interaktive, efter behov og tilgængelige for alle. Dette skift er baseret på big data, streaming af dataindtagelse og indekseret, nøgleordsbaseret søgning. Tilsammen udgør de en forenklet brugeroplevelse. Med Realtidsanalyse i Microsoft Fabric giver vi organisationer mulighed for at fokusere og opskalere deres analyseløsning, samtidig med at de demokratiserer data til behovene hos både den lokale dataforsker og den avancerede datatekniker. Analyser i realtid er blevet vigtige i mange scenarier i virksomheden, f.eks. cybersikkerhed, sporing og administration af aktiver, forudsigende vedligeholdelse, optimering af forsyningskæden, kundeoplevelse, energistyring, lagerstyring, kvalitetskontrol, miljøovervågning, flådestyring og sundhed og sikkerhed.
Hvordan? Analyse i realtid reducerer kompleksiteten og forenkler dataintegration. Få hurtig adgang til dataindsigt med få sekunders klargøring, automatisk datastreaming, indeksering og partitionering for alle datakilder eller formater samt generering af forespørgsler efter behov og visualiseringer. Denne brugerproces forenkles, samtidig med at der bevares effektive analysefunktioner. Med Analyse i realtid kan du fokusere på dine analyseløsninger ved at skalere op uden problemer med tjenesten, efterhånden som dine data og forespørgselsbehov vokser.
Realtidsanalyse er en fuldt administreret platform til analyse af big data, der er optimeret til streaming og tidsseriedata. Den anvender et forespørgselssprog og et program med enestående ydeevne til søgning i strukturerede, semi-strukturerede og ustrukturerede data. Realtidsanalyse er fuldt integreret med hele pakken af Fabric-produkter til både dataindlæsning, datatransformation og avancerede visualiseringsscenarier.
Hvad gør realtidsanalyse unik?
- Registrer, transformér og distribuer hændelser i realtid til forskellige destinationer, herunder brugerdefinerede apps.
- Det er nemt at hente eller indlæse data fra en hvilken som helst kilde i et hvilket som helst dataformat.
- Kør analyseforespørgsler direkte på rådata uden at skulle bygge komplekse datamodeller eller oprette scripting for at transformere dataene.
- Importér data med som standard streaming , der giver høj ydeevne, lav ventetid, dataanalyse med høj friskhed.
- Importerede data gennemgår standardpartitionering – både tids- og hashbaseret partitionering og indeksering som standard.
- Arbejd med alsidige datastrukturer , herunder forespørgselsstruktureret, semi-struktureret eller fri tekst.
- Forespørg om rådata uden transformation med høj ydeevne, utrolig lav svartid, samtidig med at du bruger en lang række tilgængelige operatorer.
- Administrer en ubegrænset mængde data fra gigabyte til petabyte med ubegrænset skalering på samtidige forespørgsler og samtidige brugere.
- Indbygget autoskalering justerer ressourcer, så de matcher arbejdsbelastningsfaktorer som cache, hukommelse, CPU-forbrug og indtagelse, optimering af ydeevnen og minimering af omkostninger.
- Integrer problemfrit med andre oplevelser og elementer i Microsoft Fabric.
Hvornår skal du bruge analyse i realtid?
Hvis et af disse spørgsmål beskriver dine databehov, er analyse i realtid den rigtige løsning for dig:
- Har jeg brug for høj friskhed fra dataindtagelse for at forespørge?
- Vil jeg transformere streamingdata?
- Har jeg en tjeneste, der skal have adgang til data med lav forespørgselsventetid (i løbet af få sekunder)?
- Skal jeg søge efter eller få adgang til data i forskellige formater, f.eks. strukturerede data, semi-strukturerede data (herunder komplicerede data som F.eks. JSON eller andre matrixer) eller ustrukturerede data (f.eks. fri tekst)?
- Skal jeg have mulighed for at forespørge om store mængder data?
- Har mine data en tidskomponent, der kan drage fordel af den tidsserieoptimerede databasestruktur?
- Skal jeg have mulighed for at oprette ad hoc-forespørgsler på et felt eller en række uden forudgående optimering?
De typer brancher, der drager fordel af dataanalyse i realtidsanalyse, er varierede. For eksempel: økonomi, transport og logistik, intelligente byer, intelligente bygninger, produktionsaktiviteter, bilindustrien og olie og gas.
Scenarier
Marketing
Som marketingspecialist, der implementerer en ny kampagne, giver Realtidsanalyse dig mulighed for at analysere din kampagnes øjeblikkelige indvirkning på salg, lager og logistik. Du kan streame store datamængder til din KQL-database via Eventstream med en ventetid på nogle få sekunder og derefter bruge et KQL-forespørgselssæt til at analysere din kampagnes ydeevne og visualisere dine resultater i en delbar Power BI-rapport. Du kan bruge denne indsigt til straks at ændre de forskellige aspekter af din kampagne og nemt få vist effekten i realtid. Du kan også give visningsadgang til din KQL-database til forskellige teams i din virksomhed, f.eks. økonomi- og produktionsteams for at analysere dine streamingdata og foretage justeringer af produktets omkostninger og produktion i overensstemmelse hermed.
Salg
Som forretningsanalytiker, der arbejder for en global detailkæde, er du ansvarlig for at analysere de indgående data og kommunikere din indsigt til vigtige interessenter i din virksomhed. Du kan indsamle og gemme data fra en række forskellige kilder, f.eks. producenter, afsendere, leverandører og i en række forskellige formater, f.eks. strukturerede, semi-strukturerede og ustrukturerede data. Alle disse handlingsvenlige data registreres i en KQL-database, hvilket giver en skalerbar dataløsning til dine voksende data, der kan indeholde milliarder af poster, der kan bevares i årevis, så du kan forespørge og sammenligne med streamingdataene. Du kan ikke kun bruge et KQL-forespørgselssæt til at udføre tidsserieanalyser, men du kan også oprette Power BI-rapporter, der visualiserer geospatiale analyser af land- og søfartsruter, hurtigt registrere uregelmæssigheder og samarbejde med projektledere om dashboards for at træffe bedre forretningsbeslutninger.
Hvordan arbejder du i realtidsanalyse?
De vigtigste elementer, der er tilgængelige i realtidsanalyse, omfatter:
- Eventstream til hentning, transformering og distribution af hændelser i realtid til forskellige destinationer med en oplevelse uden kode.
- En KQL-database til datalagring og -administration. Data, der indlæses i en KQL-database, kan tilgås i OneLake og er eksponeret for andre Fabric-oplevelser.
- Et KQL-forespørgselssæt til kørsel af forespørgsler, visning og tilpasning af forespørgselsresultater på data. Med KQL-forespørgselssættet kan du gemme forespørgsler til fremtidig brug, eksportere og dele forespørgsler med andre og inkludere muligheden for at oprette en Power BI-rapport.
Se, hvordan disse elementer arbejder sammen i det komplette streamingdataforbrug og analysescenarie: Selvstudium i realtidsanalyse – introduktion
Integration med andre oplevelser
- Opret Event Hubs-cloudforbindelser for at streame data til realtidsanalyse.
- Data i OneLake tilgås af Realtidsanalyse på flere måder:
- Data fra OneLake kan forespørges fra Realtidsanalyse som en genvej.
- Data fra OneLake kan indlæses i realtidsanalyse.
- Data, der indlæses i realtidsanalyse, afspejles i OneLake som én logisk kopi.
- Data, der indlæses i realtidsanalyse, kan bruges som de underliggende data til visualisering i en Power BI-rapport.
- Data, der indlæses i realtidsanalyse, kan bruges til analyse i Spark-notesbøger i Dataudvikler ing.
- Udløs dataindlæsningshændelser i Data Factory ved hjælp af pipelines.
- Udløs dataindlæsningshændelser ved hjælp af dataflow.
Relateret indhold
Feedback
Kommer snart: I hele 2024 udfaser vi GitHub-problemer som feedbackmekanisme for indhold og erstatter det med et nyt feedbacksystem. Du kan få flere oplysninger under: https://aka.ms/ContentUserFeedback.
Indsend og få vist feedback om