Azure Cosmos DB: Anwendungsfälle für No-ETL-Analysen

  • Gilt für:: ✅ NoSQL

Azure Cosmos DB bietet verschiedene Analyseoptionen für No-ETL-Analysen in Quasi-Echtzeit über Betriebsdaten. Sie können Analysen für Ihre Azure Cosmos DB-Daten mithilfe der folgenden Optionen aktivieren:

  • Azure Cosmos DB Mirroring für Microsoft Fabric
  • Cosmos DB in Microsoft Fabric

Weitere Informationen zu diesen Optionen finden Sie unter Analytics und BI in Ihren Azure Cosmos DB-Daten.

Important

Synapse Link for Cosmos DB wird für neue Projekte nicht mehr unterstützt. Verwenden Sie dieses Feature nicht.

Verwenden Sie Azure Cosmos DB Mirroring für Microsoft Fabric, das jetzt allgemein verfügbar ist. Das Mirroring bietet die gleichen Null-ETL-Vorteile und ist vollständig in Microsoft Fabric integriert. Weitere Informationen finden Sie unter Cosmos DB Mirroring Overview.

No-ETL-Analysen in Quasi-Echtzeit können verschiedene Möglichkeiten für Ihre Unternehmen eröffnen. Hier sind drei Beispielszenarien:

  • Lieferkettenanalysen, Prognosen & Berichtswesen
  • Personalisierung in Echtzeit
  • Predictive Maintenance und Anomalieerkennung in IOT-Szenarien

Darüber hinaus ist Cosmos als NoSQL-Datenbank mit SLA-Latenz eine erstaunliche Serve-Ebene und kann Daten extrem schnell und mit hoher Parallelität bedienen. Weitere Informationen zur Implementierung dieses Musters mithilfe von Cosmos DB finden Sie unter Reverse ETL mit Cosmos DB

Lieferkettenanalysen, Prognosen & Berichtswesen

Untersuchungen zeigen, dass eine Einbettung von Big Data-Analysen in Lieferkettenvorgängen zu Verbesserungen führt, was die Lieferzeiten und die Lieferketteneffizienz anbelangt.

Hersteller führen ein Onboarding auf cloudnative Technologien durch, um die Einschränkungen der Legacysysteme im Bereich Enterprise Resource Planning (ERP) und Supply Chain Management (SCM) zu überwinden. Da Lieferketten minütlich zunehmende Mengen an operativen Daten (Bestellungs-, Versand-, Transaktionsdaten) erzeugen, benötigen Hersteller eine operative Datenbank. Diese operative Datenbank wird skaliert, um die Datenvolumen und eine analytische Plattform zu verarbeiten und ein Maß an kontextbezogener Intelligence in Echtzeit zu erhalten, mit dem Sie eine führende Position einnehmen.

Die folgende Architektur zeigt die Leistungsfähigkeit von Azure Cosmos DB als cloudnative Betriebsdatenbank in der Lieferkettenanalyse:

Diagramm der Echtzeitanalyse für Azure Cosmos DB in der Lieferkette

Basierend auf der vorherigen Architektur können Sie die folgenden Anwendungsfälle verwirklichen:

  • Vorbereiten& und Trainieren der Vorhersage-Pipeline: Generieren Sie mithilfe von maschinellem Lernen Einblicke in die Betriebsdaten der gesamten Lieferkette. Auf diese Weise können Sie die Bestands- und Betriebskosten senken und die Bestellzeiten für Kunden verkürzen.

Mit Spiegelung können Sie die sich ändernden Betriebsdaten in Azure Cosmos DB ohne manuelle ETL-Prozesse analysieren. Diese Angebote ersparen Ihnen zusätzliche Kosten, Latenzen und betriebstechnische Komplexität. Sie ermöglichen technischen und wissenschaftlichen Fachkräften für Daten das Erstellen stabiler Vorhersagepipelines:

  • Abfragen von operativen Daten aus Azure Cosmos DB durch native Integration mit Apache Spark in Microsoft Fabric. Sie können die Daten in einem interaktiven Notebook oder in geplanten Remote-Aufträgen ohne komplexe Datentechnik abfragen.

  • Erstellen Sie Machine Learning (ML)-Modelle mit Spark ML in Microsoft Fabric.

  • Schreiben Sie die Ergebnisse der Modellinferenz mithilfe von Reverse-ETL mit dem Cosmos DB Python SDK oder Spark SDK in Azure Cosmos DB zurück, um nahezu in Echtzeit betriebliche Scoring-Ergebnisse zu erzielen.

  • Operative Berichterstattung: Lieferkettenteams benötigen flexible und benutzerdefinierte Berichte über präzise operative Daten in Echtzeit. Diese Berichte sind erforderlich, um eine Momentaufnahmesicht über die Effektivität, Rentabilität und Produktivität der Lieferkette zu erhalten. Dadurch können Datenanalysten und andere wichtige Beteiligte das Geschäft ständig neu evaluieren und Bereiche identifizieren, in denen die Betriebskosten gesenkt werden können.

Die Spiegelung für Azure Cosmos DB ermöglicht umfangreiche Business Intelligence(BI)/Reporting-Szenarien:

  • Fragen Sie Betriebsdaten aus Azure Cosmos DB mithilfe der nativen Integration mit voller Ausdrucksfähigkeit der T-SQL-Sprache ab.

  • Modellieren und Veröffentlichen von automatisch aktualisierten BI-Dashboards über Azure Cosmos DB mithilfe von Power BI, das in Microsoft Fabric integriert ist.

Im Folgenden finden Sie einige Hinweise zur Datenintegration für gebündelte & Streaming-Daten in Azure Cosmos DB:

  • Batch-Datenintegration & orchestrieren: Da die Lieferketten immer komplexer werden, müssen Lieferketten-Datenplattformen mit einer Vielzahl von Datenquellen und -formaten integriert werden. In Microsoft Fabric und Azure Synapse sind die gleiche Datenintegrations-Engine und die gleichen Oberflächen wie in Azure Data Factory integriert. Dank dieser Integration können Data Engineers umfassende Datenpipelines erstellen, ohne dass ein separates Orchestrierungsmodul erforderlich ist:

  • Verarbeitung von Streaming-Daten-Integration &: Mit dem Wachstum des industriellen IoT (Sensoren, die Ressourcen vom Lager bis in den Laden verfolgen, vernetzte Logistikflotten usw.) werden explosionsartig Echtzeitdaten in Form von Streaming-Daten generiert, die mit traditionellen, langsam fließenden Daten integriert werden müssen, um Erkenntnisse zu gewinnen. Azure Stream Analytics ist ein empfohlener Dienst für das Streaming von ETL und die Verarbeitung in Azure mit einer Vielzahl von Szenarien. Azure Stream Analytics unterstützt Azure Cosmos DB als native Datensenke.

Personalisierung in Echtzeit

Einzelhändler müssen sichere und skalierbare E-Commerce-Lösungen erstellen, die die Anforderungen von Kunden und Unternehmen erfüllen. Diese E-Commerce-Lösungen müssen eine Kundenbindung durch angepasste Produkte und Angebote herstellen, Transaktionen schnell und sicher verarbeiten und sich auf Fulfillment und Kundendienst konzentrieren. Azure Cosmos DB und Synapse Link für Azure Cosmos DB ermöglichen es Einzelhändlern, personalisierte Empfehlungen für Kunden in Echtzeit zu generieren. Sie verwenden anpassbare Konsistenzeinstellungen mit geringer Wartezeit, um unmittelbare Erkenntnisse zu erhalten, wie sie in der folgenden Architektur dargestellt sind:

Diagramm von Azure Cosmos DB bei der Echtzeitpersonalisierung

  • Vorbereiten und Trainieren der Vorhersagepipeline: Mithilfe von Fabric Machine Learning-Modellen können Sie Einblicke über die Operativen Daten in Ihren Geschäftseinheiten oder Kundensegmenten generieren. Dies entspricht der personalisierten Bereitstellung für die Zielkundensegmente, prädiktiven Endbenutzererfahrungen und einem gezielten Marketing, damit Sie die Anforderungen der Endbenutzer:innen erfüllen können.

IOT-Predictive Maintenance

Industrielle IOT-Innovationen haben die Ausfallzeiten von Geräten enorm verringert und die Effizienz in allen Branchen gesteigert. Eine dieser Innovationen sind Predictive Maintenance-Analysen von Geräten am Edge der Cloud.

Nachfolgend sehen Sie eine Architektur, welche die cloudnativen HTAP-Funktionen in der IoT-Predictive Maintenance verwendet:

Diagramm von Azure Cosmos DB bei IoT-Predictive Maintenance

  • Vorbereiten& und Trainieren der Vorhersage-Pipeline: Die historischen Betriebsdaten von IoT-Gerätesensoren können verwendet werden, um Vorhersagemodelle wie Anomalie-Erkenner zu trainieren. Diese Anomaliedetektoren werden dann für die Echtzeitüberwachung wieder am Edge bereitgestellt. Eine solche Schleife ermöglicht es, Vorhersagemodelle durchgehend neu zu trainieren.

  • Betriebliche Berichterstattung: Mit der Zunahme von Initiativen zur Erstellung digitaler Zwillinge sammeln Unternehmen große Mengen an Betriebsdaten von einer Vielzahl von Sensoren, um eine digitale Kopie jeder Maschine zu erstellen. Diese Daten unterstützen die BI-Anforderungen, Trends über Verlaufsdaten zusätzlich zu aktuellen heißen Daten zu verstehen.

Verwandte Inhalte

  • Last updated on