Azure Cosmos DB: No-ETL analytics használati esetek
A KÖVETKEZŐKRE VONATKOZIK: 
NoSQL MongoDB Gremlin
Az Azure Cosmos DB különböző elemzési lehetőségeket biztosít az ETL nélküli, közel valós idejű elemzésekhez a működési adatokon keresztül. Az Azure Cosmos DB-adatok elemzését az alábbi lehetőségek használatával engedélyezheti:
- Azure Cosmos DB tükrözése a Microsoft Fabricben
- Azure Cosmos DB-hez készült Azure Synapse Link
További információ ezekről a lehetőségekről: "Elemzés és BI az Azure Cosmos DB-adatokon".
Fontos
Az Azure Cosmos DB tükrözése a Microsoft Fabricben mostantól előzetes verzióban elérhető a NoSql API-hoz. Ez a funkció az Azure Synapse Link összes funkcióját biztosítja jobb elemzési teljesítménnyel, lehetővé teszi az adattulajdon egyesítését a Fabric OneLake-vel, valamint az adatokhoz való hozzáférést Delta Parquet formátumban, OneLake formátumban. Ha az Azure Synapse Linket fontolgatja, javasoljuk, hogy próbálkozzon tükrözéssel a szervezet általános megfelelőségének felméréséhez. A tükrözés használatának megkezdéséhez kattintson ide.
Az ETL nélküli, közel valós idejű elemzések számos lehetőséget nyithatnak meg vállalkozása számára. Íme három példaforgatókönyv:
- Ellátási lánc elemzése, előrejelzés és jelentéskészítés
- Személyre szabás valós időben
- Prediktív karbantartás, anomáliadetektálás IOT-forgatókönyvekben
Ellátási lánc elemzése, előrejelzés és jelentéskészítés
A kutatások azt mutatják, hogy a big data-elemzések ellátásilánc-műveletekbe való beágyazása a ciklusok között történő teljesítési idő és az ellátási lánc hatékonyságának javulásához vezet.
A gyártók natív felhőtechnológiákba készülnek, hogy kiszakadjanak az örökölt vállalati erőforrás-tervezés (ERP) és az ellátásilánc-felügyeleti (SCM) rendszerek korlátaiból. Az ellátási láncok percenként növekvő mennyiségű működési adatot generálnak (megrendelés, szállítás, tranzakciós adatok), a gyártóknak operatív adatbázisra van szükségük. Ennek az operatív adatbázisnak skáláznia kell az adatmennyiségek kezelésére, valamint egy elemzési platformra, hogy a valós idejű környezetfüggő intelligenciához jusson, hogy a görbe előtt maradjon.
Az alábbi architektúra az Azure Cosmos DB felhőbeli natív üzemeltetési adatbázisként való használatát mutatja be az ellátási lánc elemzésében:
A korábbi architektúra alapján a következő használati esetek érhetők el:
- Prediktív folyamat előkészítése és betanítása: Elemzések készítése az ellátási lánc operatív adatairól gépi tanulási fordítások használatával. Így csökkentheti a készletet, a műveleti költségeket, és csökkentheti a rendelések kézbesítésének idejét az ügyfelek számára.
A tükrözés és a Synapse Link lehetővé teszi a változó működési adatok elemzését az Azure Cosmos DB-ben manuális ETL-folyamatok nélkül. Ezek az ajánlatok további költségektől, késéstől és üzemeltetési összetettségtől takarítják meg Önt. Lehetővé teszik az adatmérnökök és adattudósok számára, hogy robusztus prediktív folyamatokat építsenek ki:
Operatív adatok lekérdezése az Azure Cosmos DB-ből az Apache Spark-készletekkel való natív integrációval a Microsoft Fabricben vagy az Azure Synapse Analyticsben. Az adatokat interaktív jegyzetfüzetekben vagy ütemezett távoli feladatokban kérdezheti le összetett adatelemzés nélkül.
Machine Learning-modellek létrehozása Spark ML-algoritmusokkal és Azure Machine Learning -integrációval a Microsoft Fabricben vagy az Azure Synapse Analyticsben.
Írja vissza az eredményeket a modellkövetkeztetés után az Azure Cosmos DB-be a közel valós idejű pontozáshoz.
Operatív jelentéskészítés: Az ellátási lánc csapatainak rugalmas és egyéni jelentésekre van szükségük valós idejű, pontos működési adatokkal. Ezek a jelentések szükségesek az ellátási lánc hatékonyságának, jövedelmezőségének és termelékenységének pillanatkép-nézetéhez. Lehetővé teszi az adatelemzők és más kulcsfontosságú érdekelt felek számára, hogy folyamatosan átértékelik az üzletet, és azonosítsák a működési költségek csökkentése érdekében módosítandó területeket.
Az Azure Cosmos DB tükrözése és Synapse Linkje gazdag üzletiintelligencia-(BI)/jelentéskészítési forgatókönyveket biztosít:
Operatív adatok lekérdezése az Azure Cosmos DB-ből natív integrációval, a T-SQL nyelv teljes kifejezőképességével.
Automatikusan frissülő BI-irányítópultok modellezése és közzététele az Azure Cosmos DB-en keresztül a Microsoft Fabricbe vagy az Azure Synapse Analyticsbe integrált Power BI-on keresztül.
Az alábbiakban néhány útmutatást talál a batch & streamelési adatok Azure Cosmos DB-be való adatintegrálásához:
Batch-adatintegráció és vezénylés: Az ellátási láncok összetettebbé tételével az ellátási lánc adatplatformjainak integrálniuk kell a különböző adatforrásokkal és formátumokkal. A Microsoft Fabric és az Azure Synapse ugyanazzal az adatintegrációs motorral és szolgáltatással van beépítetten, mint az Azure Data Factory. Ez az integráció lehetővé teszi az adatmérnökök számára, hogy gazdag adatfolyamokat hozzanak létre külön vezénylési motor nélkül:
Adatok áthelyezése több mint 85 támogatott adatforrásból az Azure Cosmos DB-be az Azure Data Factoryvel.
Kód nélküli ETL-folyamatokat írhat az Azure Cosmos DB-be, beleértve a relációs-hierarchikus és hierarchikus-hierarchikus leképezéseket a leképezési adatfolyamokkal.
Streamelési adatok integrációja és feldolgozása: Az ipari IoT növekedésével (érzékelők követik az eszközöket a "padlóról a tárolóba", csatlakoztatott logisztikai flották stb.), a valós idejű adatok streamelési módon történő generálása robbanásszerű, amelyet integrálni kell a hagyományos lassú mozgó adatokkal az elemzések létrehozásához. Az Azure Stream Analytics egy ajánlott szolgáltatás az ETL streameléséhez és az Azure-beli feldolgozáshoz, számos forgatókönyvvel. Az Azure Stream Analytics natív adatgyűjtőként támogatja az Azure Cosmos DB-t.
Személyre szabás valós időben
A kiskereskedőknek ma biztonságos és skálázható e-kereskedelmi megoldásokat kell létrehozniuk, amelyek megfelelnek mind az ügyfelek, mind a vállalkozások igényeinek. Ezeknek az e-kereskedelmi megoldásoknak testre szabott termékeken és ajánlatokon keresztül kell bevonni az ügyfeleket, gyorsan és biztonságosan kell feldolgozni a tranzakciókat, és a teljesítésre és az ügyfélszolgálatra kell összpontosítaniuk. Az Azure Cosmos DB és az Azure Cosmos DB legújabb Synapse Linkje lehetővé teszi a kiskereskedők számára, hogy valós időben személyre szabott javaslatokat generáljanak az ügyfelek számára. Alacsony késésű és kezelhető konzisztenciabeállításokat használnak az azonnali elemzésekhez az alábbi architektúrában látható módon:
- Prediktív folyamat előkészítése és betanítása: A Fabric vagy a Synapse Spark és a gépi tanulási modellek használatával elemzéseket készíthet az üzleti egységek vagy ügyfélszegmensek működési adatairól. Ez az ügyfélszegmensek személyre szabott kézbesítését, a prediktív végfelhasználói élményeket és a célzott marketinget jelenti a végfelhasználói igényeknek megfelelően. )
IOT prediktív karbantartás
Az ipari IOT-innovációk drasztikusan csökkentették a gépek állásidejét és növelték az általános hatékonyságot az ipar minden területén. Az egyik ilyen innováció a felhő peremén lévő gépek prediktív karbantartási elemzése.
Az alábbi architektúra a natív felhőalapú HTAP-képességeket használja az IoT prediktív karbantartása során:
Prediktív folyamat előkészítése és betanítása: Az IoT-eszközérzékelők korábbi működési adatai felhasználhatók prediktív modellek, például anomáliadetektorok betanítása érdekében. Az anomáliadetektorok ezután ismét üzembe helyezhetők a szélen valós idejű monitorozás céljából. Egy ilyen erényes hurok lehetővé teszi a prediktív modellek folyamatos újratanítását.
Működési jelentéskészítés: A digitális ikerpéldányok növekedésével a vállalatok hatalmas mennyiségű operatív adatot gyűjtenek nagy számú érzékelőből, hogy minden gép digitális másolatát létrehozhassa. Ezek az adatok a legutóbbi gyakori adatok mellett az előzményadatokkal kapcsolatos trendeket is értelmezik.