Azure Cosmos DB: Kasus penggunaan analitik no-ETL
BERLAKU UNTUK: 
NoSQL MongoDB Gremlin
Azure Cosmos DB menyediakan berbagai opsi analitik untuk no-ETL, analitik mendekati real-time melalui data operasional. Anda dapat mengaktifkan analitik pada data Azure Cosmos DB menggunakan opsi berikut:
- Mencerminkan Azure Cosmos DB di Microsoft Fabric
- Azure Synapse Link untuk Azure Cosmos DB
Untuk mempelajari selengkapnya tentang opsi ini, lihat "Analitik dan BI pada data Azure Cosmos DB Anda."
Penting
Mencerminkan Azure Cosmos DB di Microsoft Fabric sekarang tersedia dalam pratinjau untuk NoSql API. Fitur ini menyediakan semua kemampuan Azure Synapse Link dengan performa analitik yang lebih baik, kemampuan untuk menyatukan data estate Anda dengan Fabric OneLake dan membuka akses ke data Anda di OneLake dengan format Delta Parquet. Jika Anda mempertimbangkan Azure Synapse Link, kami sarankan Anda mencoba mencerminkan untuk menilai kecocokan keseluruhan untuk organisasi Anda. Untuk mulai menggunakan pencerminan, klik di sini.
No-ETL, analitik mendekati real-time dapat membuka berbagai kemungkinan untuk bisnis Anda. Berikut adalah tiga skenario sampel:
- Analitik, peramalan, dan pelaporan rantai pasokan
- Personalisasi real time
- Pemeliharaan prediktif, deteksi anomali dalam skenario IOT
Analitik, peramalan, dan pelaporan rantai pasokan
Studi penelitian menunjukkan bahwa penyematan analitik big data dalam operasi rantai pasokan menyebabkan peningkatan dalam waktu pengiriman dari awal siklus dan efisiensi rantai pasokan.
Produsen melakukan onboarding ke teknologi asli cloud untuk memanfaatkan batasan sistem Perencanaan Sumber Daya Perusahaan (ERP) dan Manajemen Rantai Pasok (SCM) warisan. Dengan rantai pasokan yang menghasilkan peningkatan volume data operasional setiap menit (pesanan, pengiriman, data transaksi), produsen membutuhkan database operasional. Database operasional ini harus menskalakan untuk menangani volume data serta platform analitik untuk mencapai tingkat kecerdasan kontekstual real time untuk tetap berada di depan kurva.
Arsitektur berikut menunjukkan kekuatan penggunaan Azure Cosmos DB sebagai database operasional cloud-native dalam analitik rantai pasokan:
Berdasarkan arsitektur sebelumnya, Anda dapat mencapai kasus penggunaan berikut:
- Siapkan & latih alur prediktif: Hasilkan wawasan tentang data operasional di seluruh rantai pasokan menggunakan terjemahan pembelajaran mesin. Dengan cara ini Anda dapat menurunkan inventaris, biaya operasi, dan mengurangi waktu pemesanan hingga pengiriman untuk pelanggan.
Pencerminan dan Synapse Link memungkinkan Anda menganalisis perubahan data operasional di Azure Cosmos DB tanpa proses ETL manual. Penawaran ini menghemat biaya tambahan, latensi, dan kompleksitas operasional. Mereka memungkinkan teknisi data dan ilmuwan data untuk membangun alur prediktif yang kuat:
Kueri data operasional dari Azure Cosmos DB dengan menggunakan integrasi asli dengan kumpulan Apache Spark di Microsoft Fabric atau Azure Synapse Analytics. Anda dapat mengkueri data dalam buku catatan interaktif atau pekerjaan jarak jauh terjadwal tanpa rekayasa data yang kompleks.
Bangun model Pembelajaran Mesin (ML) dengan algoritma Spark ML dan integrasi Azure Pembelajaran Mesin (AML) di Microsoft Fabric atau Azure Synapse Analytics.
Tulis ulang hasil setelah inferensi model ke Azure Cosmos DB untuk penilaian mendekati real-time operasional.
Pelaporan operasional: Tim rantai pasokan membutuhkan laporan yang fleksibel dan khusus melalui data operasional yang real time dan akurat. Laporan ini diperlukan untuk mendapatkan tampilan snapshot efektivitas rantai pasokan, profitabilitas, dan produktivitas. Ini memungkinkan analis data dan pemangku kepentingan utama lainnya untuk terus mengevaluasi kembali bisnis dan mengidentifikasi area untuk di-tweak untuk mengurangi biaya operasional.
Mirroring dan Synapse Link untuk Azure Cosmos DB memungkinkan skenario kecerdasan bisnis (BI) /pelaporan yang kaya:
Mengkueri data operasional dari Azure Cosmos DB dengan menggunakan integrasi asli dengan ekspresi penuh bahasa T-SQL.
Memodelkan dan menerbitkan dasbor BI penyegaran otomatis melalui Azure Cosmos DB melalui Power BI yang terintegrasi di Microsoft Fabric atau Azure Synapse Analytics.
Berikut ini adalah beberapa panduan untuk integrasi data untuk data batch & streaming ke Azure Cosmos DB:
Integrasi data batch & orkestrasi: Dengan rantai pasokan yang semakin kompleks, platform data rantai pasokan perlu diintegrasikan dengan berbagai sumber dan format data. Microsoft Fabric dan Azure Synapse dilengkapi dengan mesin dan pengalaman integrasi data yang sama dengan Azure Data Factory. Integrasi ini memungkinkan teknisi data untuk membuat alur data yang kaya tanpa mesin orkestrasi terpisah:
Pindahkan data dari 85+ sumber data yang didukung ke Azure Cosmos DB dengan Azure Data Factory.
Tulis alur ETL bebas kode ke Azure Cosmos DB termasuk pemetaan relasional-ke-hierarkis dan hierarkis-ke-hierarkis dengan aliran data pemetaan.
Integrasi & pemrosesan data streaming: Dengan pertumbuhan IoT Industri (sensor yang melacak aset dari 'floor-to-store', armada logistik yang terhubung, dll.), Ada ledakan data waktu nyata yang dihasilkan dalam mode streaming yang perlu diintegrasikan dengan data tradisional yang bergerak lambat untuk menghasilkan wawasan. Azure Stream Analytics adalah layanan yang direkomendasikan untuk streaming ETL dan pemrosesan di Azure dengan berbagai skenario. Azure Stream Analytics mendukung Azure Cosmos DB sebagai sink data asli.
Personalisasi real time
Peritel saat ini harus membangun solusi e-commerce yang aman dan dapat diskalakan yang memenuhi permintaan pelanggan dan bisnis. Solusi e-commerce ini perlu melibatkan pelanggan melalui produk dan penawaran yang disesuaikan, memproses transaksi dengan cepat dan aman, dan fokus pada pemenuhan dan layanan pelanggan. Azure Cosmos DB bersama dengan Synapse Link terbaru untuk Azure Cosmos DB memungkinkan peritel untuk menghasilkan rekomendasi yang dipersonalisasi untuk pelanggan secara real time. Mereka menggunakan latensi rendah dan pengaturan konsistensi yang dapat disetel untuk wawasan langsung seperti yang ditunjukkan dalam arsitektur berikut:
- Menyiapkan & melatih alur prediktif: Anda dapat menghasilkan wawasan tentang data operasional di seluruh unit bisnis atau segmen pelanggan Anda menggunakan Fabric atau Synapse Spark dan model pembelajaran mesin. Ini diterjemahkan ke pengiriman yang dipersonalisasi untuk menargetkan segmen pelanggan, pengalaman pengguna akhir prediktif, dan pemasaran yang ditargetkan agar sesuai dengan persyaratan pengguna akhir Anda. )
Pemeliharaan prediktif IOT
Inovasi IOT industri telah secara drastis mengurangi waktu henti mesin dan meningkatkan efisiensi keseluruhan di semua bidang industri. Salah satu inovasi tersebut adalah analitik pemeliharaan prediktif untuk mesin di tepi cloud.
Berikut ini adalah arsitektur yang menggunakan kemampuan HTAP asli cloud dalam pemeliharaan prediktif IoT:
Mempersiapkan & melatih alur prediksi: Data operasional historis dari sensor perangkat IoT dapat digunakan untuk melatih model prediktif seperti pendeteksi anomali. Detektor anomali ini kemudian disebarkan kembali ke tepi untuk pemantauan real time. Perulangan yang baik seperti itu memungkinkan pelatihan ulang terus menerus dari model prediktif.
Pelaporan operasional: Dengan pertumbuhan inisiatif kembar digital, perusahaan mengumpulkan sejumlah besar data operasional dari sejumlah besar sensor untuk membangun salinan digital setiap mesin. Data ini mendukung BI perlu memahami tren atas data historis selain data panas terbaru.