Lire en anglais Modifier

Partager via


Conception d’une architecture d’analyse

Azure Synapse Analytics
Power BI

Avec la croissance exponentielle des données, les organisations s’appuient sur la puissance illimitée de calcul, de stockage et d’analyse d’Azure pour mettre à l’échelle, diffuser, prédire et consulter leurs données. Les solutions d’analyse transforment des volumes de données en ressources d’aide à la décision (BI) utiles telles que des rapports et des visualisations, et d’intelligence artificielle (IA) inventive, par exemple, pour formuler des prévisions basées sur l’apprentissage automatique.

Que votre organisation commence à évaluer des outils d’analyse basés sur le cloud ou qu’elle cherche à étendre votre implémentation actuelle, Azure offre de nombreuses options. Le flux de travail commence par l’apprentissage d’approches courantes et l’alignement des processus et des rôles autour d’une façon de penser le cloud.

Les données peuvent être traitées par lots ou en temps réel, localement ou dans le cloud, mais l’objectif de toute solution d’analyse consiste à utiliser les données à grande échelle. De plus en plus, les organisations veulent créer une source fidèle unique pour toutes les données, tant relationnelles que non relationnelles, générées par les personnes, les machines et l’Internet des objets (IoT). Il est courant d’utiliser une architecture Big Data ou une architecture IoT pour structurer des données brutes, puis déplacer celles-ci vers un magasin de données d’analytique. Ce magasin devient la source fidèle unique capable d’alimenter une multitude de solutions d’analyses instructives.

Le parcours de la solution pour l’analyse sur Azure commence par l’apprentissage et l’attribution de rôles. Ensuite, choisissez une solution de stockage et une technologie d’aide à la décision ou d’intelligence artificielle pour la charge de travail.

Téléchargez un fichier Visio de cette architecture.

Découvrir l’analyse sur Azure

Si vous êtes novice en matière d’analyse sur Azure, la meilleure façon d’en savoir plus est de consulter Microsoft Learn, une plateforme de formation en ligne gratuite. Vous y trouverez des vidéos, des tutoriels et des formations pratiques pour des produits et services spécifiques ainsi que des parcours d’apprentissage basés sur votre fonction, par exemple développeur ou analyste de données.

Préparation organisationnelle

Si votre organisation est novice en matière de cloud, le Cloud Adoption Framework peut l’aider à commencer. Ce corpus de documentation et de meilleures pratiques prodigue des conseils éprouvés de Microsoft conçus pour accélérer votre parcours d’adoption du cloud. Il répertorie également des outils innovant pour démocratiser des données dans Azure.

Pour garantir la qualité de votre solution d’analyse dans Azure, nous vous recommandons de suivre les préconisations de l’azure Well-Architected Framework. Celui-ci fournit des conseils normatifs à l’adresse des organisations en quête d’excellence architecturale, et explique comment concevoir, approvisionner et surveiller les solutions Azure à coût optimisé.

Parcours de production

La détermination de la manière de stocker vos données est l’une des premières décisions que vous devez prendre lors de votre parcours vers l’analyse sur Azure. Vous pouvez ensuite choisir la meilleure technologie d’analytique données pour votre scénario.

Pour commencer, considérez les exemples d’implémentations suivants :

Meilleures pratiques

Des analyses de grande qualité commencent par des données rigoureuses et fiables. Au niveau le plus élevé, certaines pratiques en matière de sécurité des informations permettent de garantir la protection de vos données tant en transit qu’au repos. L’accès à ces données doit également être approuvé. La fiabilité des données implique une conception qui implémente les pratiques suivantes :

Au niveau de la plateforme, les meilleures pratiques du Big Data suivantes contribuent à la fiabilité des analyses sur Azure :

  • Orchestrer l’ingestion de données à l’aide d’un flux de travail de données ou d’une solution de pipeline tels ceux que prennent en charge Azure Data Factory ou Oozie.

  • Traiter les données sur place en utilisant un magasin de données distribué, une approche de Big Data prenant en charge des volumes de données plus importants et une plus grande variété de formats.

  • Écarter les données sensibles à un stade précoce du flux de travail d’ingestion afin d’éviter de les stocker dans votre lac de données.

  • Considérer le coût total des ressources Azure requises, en équilibrant le coût unitaire des nœuds de calcul nécessaires et le coût à la minute de l’utilisation de ces nœuds pour accomplir un travail.

  • Créez un lac de données qui combine le stockage de fichiers de formats multiples, qu’ils soient structurés, semi-structurés ou non structurés. Chez Microsoft, nous utilisons Azure Data Lake Storage Gen2 comme source fidèle unique. Par exemple, consultez Architecture de la solution décisionnelle dans le centre d’excellence.

Ressources supplémentaires

L’analyse est une catégorie large qui couvre un vaste éventail de solutions. Les ressources suivantes peuvent vous aider à en savoir plus sur Azure.

Hybride

La grande majorité des organisations ont besoin d’une approche hybride de l’analyse, car leurs données sont hébergées tant localement que dans le cloud. Les organisations étendent souvent des solutions de données locales au cloud. Pour connecter des environnements, les organisations doivent choisir une architecture réseau hybride.

Une approche hybride peut inclure des systèmes mainframe et midrange comme source de données pour des solutions Azure. Par exemple, il se peut que votre organisation veuille moderniser les données de systèmes mainframe et midrange ou fournir un accès mainframe aux bases de données Azure.

Exemples de solutions

Voici quelques exemples d’implémentation de l’analyse sur Azure :

Professionnels AWS ou Google Cloud

Ces articles peuvent vous aider à progresser rapidement en comparant les options d’analyse Azure à celles d’autres services cloud :