Catatan
Akses ke halaman ini memerlukan otorisasi. Anda dapat mencoba masuk atau mengubah direktori.
Akses ke halaman ini memerlukan otorisasi. Anda dapat mencoba mengubah direktori.
Azure Cosmos DB menyediakan berbagai opsi analitik untuk no-ETL, analitik hampir real-time atas data operasional. Anda dapat mengaktifkan analitik pada data Azure Cosmos DB menggunakan opsi berikut:
- Pencerminan Azure Cosmos DB pada Microsoft Fabric
- Cosmos DB di Microsoft Fabric
Untuk mempelajari selengkapnya tentang opsi ini, lihat Analitik dan BI pada data Azure Cosmos DB Anda.
Penting
Synapse Link untuk Cosmos DB tidak lagi didukung untuk proyek baru. Jangan gunakan fitur ini.
Silakan gunakan Azure Cosmos DB Mirroring untuk Microsoft Fabric yang sekarang menjadi GA. Pencerminan memberikan manfaat nol-ETL yang sama dan sepenuhnya terintegrasi dengan Microsoft Fabric. Pelajari lebih lanjut tentang Gambaran Umum Pencerminan Cosmos DB.
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
Selain itu, sebagai database NoSQL dengan SLA latensi, Cosmos adalah lapisan layanan yang luar biasa dan dapat menyajikan data dengan sangat cepat dan dengan keserentakan tinggi. Untuk mempelajari selengkapnya tentang cara menerapkan pola ini menggunakan Cosmos DB lihat, Reverse ETL dengan Cosmos DB
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 dapat diskalakan untuk menangani volume data serta platform analitik untuk mencapai tingkat kecerdasan kontekstual real-time agar tetap unggul.
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 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:
Mengkueri data operasional dari Azure Cosmos DB dengan menggunakan integrasi asli dengan Apache Spark di Microsoft Fabric. Anda dapat mengkueri data dalam buku catatan interaktif atau pekerjaan jarak jauh terjadwal tanpa rekayasa data yang kompleks.
Buat model Pembelajaran Mesin (ML) dengan Spark ML di Microsoft Fabric.
Tuliskan kembali hasil setelah model melakukan inferensi menggunakan Reverse-ETL dengan Python SDK atau Spark SDK dari Cosmos DB ke Azure Cosmos DB untuk skor operasional mendekati real-time.
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.
Pencerminan 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 dengan penyegaran otomatis pada Azure Cosmos DB menggunakan Power BI yang terintegrasi dalam Microsoft Fabric.
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:
- Siapkan & latih alur prediktif: Anda dapat menghasilkan wawasan tentang data operasional di seluruh unit bisnis atau segmen pelanggan Anda menggunakan model pembelajaran mesin Fabric. 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 memungkinkan BI untuk memahami tren atas data historis selain data terkini yang sedang tren.