Mulai menggunakan desain arsitektur analitik

Organisasi mengandalkan daya komputasi, penyimpanan, dan analitik Azure untuk menskalakan, mengalirkan, memprediksi, dan melihat data mereka. Solusi analitik mengubah volume data menjadi kecerdasan bisnis (BI) yang berguna, seperti laporan dan visualisasi, dan AI inventif, seperti prakiraan berdasarkan pembelajaran mesin. Azure menawarkan berbagai alat analitik berbasis cloud untuk organisasi yang baru menggunakan analitik dan organisasi yang perlu memperluas implementasinya. Solusi analitik membantu organisasi menggunakan data dalam skala besar. Anda dapat menggunakan arsitektur big data atau arsitektur Internet of Things (IoT) untuk memproses data mentah lalu memindahkannya ke penyimpanan data analitik. Penyimpanan data ini menjadi satu sumber kebenaran yang dapat mendukung solusi analitik yang berwawasan.

Architecture

Diagram yang memperlihatkan empat kolom, berlabel Pelajari, Tetapkan peran, Pilih penyimpanan, dan Pilih teknologi. Dua ubin muncul di kolom Pelajari, dengan label Layanan data Azure dan Pemodelan data. Tiga grup pengguna muncul di kolom Tetapkan peran: Analis data, Insinyur data, dan pengguna Layanan mandiri. Satu petak peta persegi berlabel Penyimpanan data analitik muncul di kolom Pilih penyimpanan. Empat fungsi muncul di kolom Pilih teknologi: Laporkan dan visualisasikan, Streaming data, Buat prediksi, dan Analitik skala.

Unduh file arsitektur ini dalam Visio.

Diagram sebelumnya menunjukkan implementasi analitik dasar atau standar yang umum. Untuk solusi dunia nyata yang dapat Anda bangun di Azure, lihat arsitektur Analytics.

Menjelajahi panduan analitik, arsitektur, dan ide solusi

Artikel di bagian ini mencakup panduan dan arsitektur yang sepenuhnya dikembangkan yang dapat Anda sebarkan dalam Azure dan memperluas ke solusi tingkat produksi. Gagasan solusi memberikan gambaran tentang pola penerapan dan berbagai kemungkinan yang dapat dipertimbangkan saat Anda merencanakan pengembangan POC analitik Anda. Artikel ini dapat membantu Anda memutuskan cara menggunakan teknologi analitik dalam Azure.

Panduan analitik

Artikel berikut membantu Anda mengevaluasi dan memilih teknologi analitik terbaik untuk persyaratan beban kerja Anda:

• Memilih analitik data dan layanan pelaporan: Membandingkan opsi untuk analisis dan visualisasi data di Azure.

• Pilih layanan pemrosesan batch: Mengevaluasi teknologi pemrosesan batch untuk beban kerja big data.

• Pilih layanan pemrosesan aliran: Bandingkan teknologi pemrosesan aliran untuk analitik real time.

• Pilih penyimpanan data analitis: Dapatkan panduan tentang pilihan penyimpanan data analitis.

• Memilih penyimpanan data analitik di Microsoft Fabric: Dapatkan panduan tentang penyimpanan data di Fabric.

Artikel berikut memberikan panduan tentang strategi pemulihan bencana (DR) untuk platform data Azure:

• Overview: Gambaran umum strategi DR untuk platform data Azure.

• Architecture: Pola arsitektur untuk DR di platform data Azure.

• Detail skenario: Skenario terperinci untuk implementasi DR.

• Rekomendasi: Praktik terbaik untuk DR.

Arsitektur analitika

Arsitektur siap produksi berikut menunjukkan solusi analitik end-to-end yang dapat Anda sebarkan dan sesuaikan:

• Analitik menyeluruh dengan Fabric: Bangun platform analitik modern menggunakan Fabric.

• Pergudangan dan analitik data: Mengintegrasikan data dari beberapa sumber ke dalam platform analitik terpadu.

• Gunakan Fabric untuk merancang solusi BI perusahaan: Merancang solusi BI perusahaan dengan menggunakan Fabric.

• Pemrosesan data lakehouse nyaris real-time: Gunakan Azure Synapse Analytics dan Azure Data Lake Storage untuk pemrosesan data lakehouse nyaris real-time.

• Sinkronkan MongoDB Atlas ke Azure Synapse Analytics: Menyinkronkan data MongoDB Atlas ke Azure Synapse Analytics secara real time.

• Pemrosesan aliran dengan Azure Databricks: Buat alur pemrosesan aliran menyeluruh menggunakan Azure Databricks.

• Pemrosesan aliran dengan Azure Stream Analytics: Buat alur pemrosesan aliran yang mengumpulkan data, mengorelasikan catatan, dan menghitung rata-rata berjalan.

• Gudang data modern untuk bisnis kecil dan menengah: Bangun solusi gudang data modern yang dirancang untuk bisnis kecil dan menengah.

Ide solusi analitika

Ide solusi analitik berikut menunjukkan pola dan kemungkinan implementasi untuk dijelajahi:

• Ingesti, ekstraksi, transformasi, dan pemuatan (ETL), serta alur pemrosesan streaming dengan Azure Databricks: Buat alur ETL untuk data batch dan data streaming guna menyederhanakan ingesti data lake.

• arsitektur analitik Modern dengan Azure Databricks: Mengumpulkan, memproses, menganalisis, dan memvisualisasikan data dengan menggunakan arsitektur data modern.

• Platform data modern untuk usaha kecil dan menengah: Bangun arsitektur platform data modern untuk usaha kecil dan menengah menggunakan Fabric dan Azure Databricks.

• Analitik real-time dengan Azure Data Explorer: Analisis data secara real time menggunakan Azure Data Explorer dan Azure Service Bus.

Pelajari tentang analitik di Azure

Microsoft Learn menyediakan sumber daya pelatihan online free untuk teknologi analitik Azure. Platform ini menawarkan video, tutorial, dan lab langsung untuk produk dan layanan tertentu, bersama dengan jalur pembelajaran yang diatur oleh peran pekerjaan.

Sumber daya berikut memberikan pengetahuan dasar untuk implementasi analitik pada Azure:

• Telusuri artikel data Azure
• Pengantar konsep inti data di Microsoft Azure
• Mulai menggunakan Fabric
• Mulai menggunakan analitik data Microsoft
• Menimplementasikan solusi analitik data dengan Azure Databricks
• Membangun solusi pembelajaran mesin menggunakan Azure Databricks

Kesiapan organisasi

Organisasi di awal proses adopsi cloud dapat menggunakan Cloud Adoption Framework untuk Azure untuk mengakses panduan yang terbukti yang mempercepat adopsi cloud.

Untuk membantu memastikan kualitas solusi analitik Anda pada Azure, ikuti panduan dalam Azure Well-Architected Framework. Well-Architected Framework menyediakan panduan preskriptif untuk organisasi yang mencari keunggulan arsitektur dan menjelaskan cara merancang, menyediakan, dan memantau solusi Azure yang dioptimalkan biaya.

Praktik terbaik

Praktik terbaik dalam analitik memastikan bahwa solusi dapat diskalakan, andal, hemat biaya, dan aman.

Analisis data

Untuk menggunakan analitik di Azure, Anda perlu memutuskan cara store data Anda. Kemudian Anda dapat memilih teknologi analisis data terbaik untuk skenario Anda. Pertimbangkan faktor berikut:

• Penyimpanan data: Pilih antara data lake, gudang data, dan lakehouse berdasarkan struktur data dan pola kueri Anda. Untuk informasi selengkapnya tentang solusi database yang mendukung beban kerja analitik, lihat Desain arsitektur database.

• Model pemrosesan: Tentukan apakah pemrosesan batch, pemrosesan streaming, atau kombinasi paling sesuai dengan persyaratan beban kerja Anda.

• Alat analitik: Pilih teknologi BI dan AI yang memenuhi keterampilan tim dan kebutuhan bisnis Anda.

Data yang dapat dipercaya

Untuk analitik berkualitas tinggi, Anda memerlukan data yang kuat dan dapat dipercaya. Keamanan informasi membantu memastikan bahwa data Anda terlindungi saat ditransmisikan dan saat disimpan. Akses ke data Anda juga harus aman. Untuk membantu menghasilkan data yang dapat dipercaya, pertimbangkan praktik dan kontrol berikut:

• Kebijakan tata kelola: Tentukan kebijakan kepemilikan, klasifikasi, dan akses data yang jelas.

• Manajemen identitas dan akses: Menerapkan kontrol akses berbasis peran dan prinsip hak istimewa terkecil.

• Kontrol keamanan jaringan: Melindungi aliran data antar layanan dan mencegah akses yang tidak sah.

• Perlindungan data: Enkripsikan data saat disimpan dan saat ditransmisikan.

Pada tingkat platform, praktik terbaik big data berikut berkontribusi pada analitik tepercaya di Azure:

• Orkestrasi penyerapan data: Gunakan alur kerja data atau solusi alur yang didukung oleh Azure Data Factory atau Fabric Pipelines.

• Memproses data di tempat: Gunakan penyimpanan data terdistribusi, yang merupakan pendekatan big data yang mendukung volume data yang lebih besar dan berbagai format yang lebih luas.

• Bersihkan data sensitif sejak awal: Untuk menghindari penyimpanan data sensitif secara tidak sengaja di data lake Anda, hapus atau samarkan data tersebut sebagai bagian dari alur kerja pemasukan data.

• Pertimbangkan total biaya: Seimbangkan biaya per unit dari simpul komputasi yang diperlukan terhadap biaya per menit untuk menjalankan pekerjaan pada simpul tersebut.

• Buat data lake terpadu: Gabungkan penyimpanan untuk file dalam beberapa format, baik terstruktur, semi terstruktur, atau tidak terstruktur. Gunakan Data Lake Storage sebagai sumber terpusat tunggal Anda. Untuk informasi selengkapnya, lihat Arsitektur solusi BI di Pusat Keunggulan.

Tetap terkini dengan analitik

Azure layanan analitik berkembang untuk mengatasi tantangan data modern. Tetap mendapatkan informasi tentang pembaruan dan fitur terbaru.

Untuk tetap terkini dengan layanan analitik utama, lihat artikel berikut ini:

• Yang baru di Fabric?
• Catatan Rilis Azure Databricks
• Apa yang baru di Azure Data Explorer
• Apa yang baru di Power BI?

Sumber daya lainnya

Sumber daya berikut dapat membantu Anda menemukan lebih lanjut tentang analitik.

Analisis waktu nyata

Organisasi dapat menggunakan analitik waktu nyata untuk mengambil tindakan berdasarkan data saat data masuk. Sumber daya berikut dapat membantu Anda mulai menggunakan analitik real-time di Azure:

• Analitik real time pada arsitektur big data: Memproses dan menganalisis data streaming dalam skala besar.

• Analisis IoT dengan Azure Data Explorer: Analisis data pribadi IoT secara waktu nyata.

• Pemrosesan streaming dengan Azure Stream Analytics: Membangun solusi streaming tanpa server.

• Buat arsitektur analitik modern dengan menggunakan Azure Databricks: Menemukan analitik tingkat perusahaan dengan menggunakan Apache Spark.

• Untuk contoh analitik lainnya, lihat Azure Architecture Center

Profesional Amazon Web Services (AWS) atau Google Cloud

Untuk membantu Anda memulai dengan cepat, artikel berikut membandingkan opsi analitik Azure dengan layanan cloud lainnya dan memberikan panduan migrasi:

• Teknologi database relasional di Azure dan AWS
• Perbandingan layanan Google Cloud ke Azure