Share via

Azure Cosmos DB: Gebruiksvoorbeelden voor no-ETL-analyses

  • Artikel

VAN TOEPASSING OP: NoSQL MongoDB Gremlin

Azure Cosmos DB biedt verschillende analyseopties voor no-ETL, bijna realtime analyses via operationele gegevens. U kunt analyses inschakelen voor uw Azure Cosmos DB-gegevens met behulp van de volgende opties:

  • Azure Cosmos DB spiegelen in Microsoft Fabric
  • Azure Synapse Link voor Azure Cosmos DB

Zie Analyse en BI op uw Azure Cosmos DB-gegevens voor meer informatie over deze opties.

Belangrijk

Spiegeling van Azure Cosmos DB in Microsoft Fabric is nu beschikbaar in preview voor NoSql-API. Deze functie biedt alle mogelijkheden van Azure Synapse Link met betere analytische prestaties, de mogelijkheid om uw gegevensdomein te combineren met Fabric OneLake en toegang tot uw gegevens in OneLake te openen met de Delta Parquet-indeling. Als u Azure Synapse Link overweegt, raden we u aan om spiegeling uit te voeren om de algehele geschiktheid voor uw organisatie te beoordelen. Klik hier om aan de slag te gaan met spiegelen.

No-ETL, bijna realtime analyses kunnen verschillende mogelijkheden voor uw bedrijven openen. Hier volgen drie voorbeeldscenario's:

  • Analyse van toeleveringsketens, prognoses en rapportage
  • Realtime personalisatie
  • Voorspellend onderhoud, anomaliedetectie in IOT-scenario's

Analyse van toeleveringsketens, prognoses en rapportage

Onderzoekstudies tonen aan dat het insluiten van big data-analyses in toeleveringsketenbewerkingen leidt tot verbeteringen in leveringstijden van de order-to-cycle en de efficiëntie van de toeleveringsketen.

Fabrikanten onboarden naar cloudtechnologieën om beperkingen van verouderde ERP-systemen (Enterprise Resource Planning) en Supply Chain Management (SCM) uit te breken. Met supply chains die elke minuut steeds grotere hoeveelheden operationele gegevens genereren (order, verzending, transactiegegevens), hebben fabrikanten een operationele database nodig. Deze operationele database moet worden geschaald om de gegevensvolumes en een analytisch platform te verwerken om een realtime contextuele intelligentie te krijgen om de curve voor te blijven.

De volgende architectuur toont de kracht van het gebruik van Azure Cosmos DB als de cloudeigen operationele database in supply chain analytics:

Diagram van realtime analyses voor Azure Cosmos DB in de toeleveringsketen.

Op basis van de vorige architectuur kunt u de volgende use cases bereiken:

  • Voorspellende pijplijn voorbereiden en trainen: genereer inzichten over de operationele gegevens in de toeleveringsketen met behulp van machine learning-vertaling. Op deze manier kunt u de voorraad, de operationele kosten verlagen en de besteltijden voor klanten verlagen.

Met spiegeling en Synapse Link kunt u de veranderende operationele gegevens in Azure Cosmos DB analyseren zonder handmatige ETL-processen. Deze aanbiedingen besparen u op extra kosten, latentie en operationele complexiteit. Ze stellen data engineers en gegevenswetenschappers in staat om robuuste voorspellende pijplijnen te bouwen:

  • Query's uitvoeren op operationele gegevens van Azure Cosmos DB met behulp van systeemeigen integratie met Apache Spark-pools in Microsoft Fabric of Azure Synapse Analytics. U kunt query's uitvoeren op de gegevens in een interactief notebook of geplande externe taken zonder complexe data engineering.

  • Machine Learning-modellen (ML) bouwen met Spark ML-algoritmen en Azure Machine Learning-integratie (AML) in Microsoft Fabric of Azure Synapse Analytics.

  • Schrijf de resultaten terug na modeldeductie naar Azure Cosmos DB voor operationele bijna realtime scoren.

  • Operationele rapportage: Supply chain-teams hebben flexibele en aangepaste rapporten nodig in realtime, nauwkeurige operationele gegevens. Deze rapporten zijn vereist om een momentopname te krijgen van de effectiviteit, winstgevendheid en productiviteit van de toeleveringsketen. Hiermee kunnen gegevensanalisten en andere belangrijke belanghebbenden het bedrijf voortdurend opnieuw beoordelen en gebieden identificeren die moeten worden aangepast om de operationele kosten te verlagen.

Spiegeling en Synapse Link voor Azure Cosmos DB maken uitgebreide business intelligence (BI)/rapportagescenario's mogelijk:

  • Query's uitvoeren op operationele gegevens van Azure Cosmos DB met behulp van systeemeigen integratie met volledige expressiviteit van de T-SQL-taal.

  • Modelleer en publiceer bi-dashboards automatisch vernieuwen via Azure Cosmos DB via Power BI geïntegreerd in Microsoft Fabric of Azure Synapse Analytics.

Hier volgen enkele richtlijnen voor gegevensintegratie voor batch- en streaminggegevens in Azure Cosmos DB:

  • Batchgegevensintegratie en -indeling: Met supplychains die complexer worden, moeten supply chain-gegevensplatforms worden geïntegreerd met verschillende gegevensbronnen en indelingen. Microsoft Fabric en Azure Synapse zijn ingebouwd met dezelfde gegevensintegratie-engine en ervaringen als Azure Data Factory. Met deze integratie kunnen data engineers uitgebreide gegevenspijplijnen maken zonder een afzonderlijke indelingsengine:

  • Integratie en verwerking van streaminggegevens: Met de groei van Industriële IoT (sensoren die assets volgen van 'floor-to-store', verbonden logistieke vloot, enz.), is er een explosie van realtime gegevens die worden gegenereerd op een streaming-manier die moet worden geïntegreerd met traditionele trage gegevens voor het genereren van inzichten. Azure Stream Analytics is een aanbevolen service voor het streamen van ETL en verwerking in Azure met een breed scala aan scenario's. Azure Stream Analytics ondersteunt Azure Cosmos DB als systeemeigen gegevenssink.

Realtime personalisatie

Retailers moeten tegenwoordig veilige en schaalbare e-commerceoplossingen bouwen die voldoen aan de eisen van zowel klanten als bedrijven. Deze e-commerce-oplossingen moeten klanten benaderen via aangepaste producten en aanbiedingen, transacties snel en veilig verwerken en zich richten op uitvoering en klantenservice. Met Azure Cosmos DB en de nieuwste Synapse Link voor Azure Cosmos DB kunnen detailhandelaren persoonlijke aanbevelingen genereren voor klanten in realtime. Ze maken gebruik van lage latentie en niet-consistente instellingen voor onmiddellijke inzichten, zoals wordt weergegeven in de volgende architectuur:

Diagram van Azure Cosmos DB in realtime persoonlijke instellingen.

  • Voorspellende pijplijn voorbereiden en trainen: u kunt inzichten genereren over de operationele gegevens in uw bedrijfseenheden of klantsegmenten met infrastructuur- of Synapse Spark- en machine learning-modellen. Dit vertaalt zich in gepersonaliseerde levering aan klantsegmenten, voorspellende ervaringen van eindgebruikers en gerichte marketing om aan uw behoeften van eindgebruikers te voldoen. )

Voorspellend IOT-onderhoud

Industriële IOT-innovaties hebben drastisch de downtime van machines verminderd en de algehele efficiëntie op alle gebieden van de industrie verhoogd. Een van deze innovaties is predictive maintenance analytics voor machines aan de rand van de cloud.

Hier volgt een architectuur met behulp van de cloudeigen HTAP-mogelijkheden in voorspellend ioT-onderhoud:

Diagram van Azure Cosmos DB in voorspellend IOT-onderhoud.

  • Voorspellende pijplijn voorbereiden en trainen: de historische operationele gegevens van IoT-apparaatsensoren kunnen worden gebruikt om voorspellende modellen zoals anomaliedetectoren te trainen. Deze afwijkingsdetectoren worden vervolgens weer op de rand geïnstalleerd voor realtime-bewaking. Een dergelijke positieve lus zorgt voor continue hertraining van de voorspellende modellen.

  • Operationele rapportage: Met de groei van digitale dubbelinitiatieven verzamelen bedrijven enorme hoeveelheden operationele gegevens van een groot aantal sensoren om een digitale kopie van elke machine te bouwen. Deze gegevens kunnen BI gebruiken om trends over historische gegevens te begrijpen, naast recente dynamische gegevens.

Gerelateerde inhoud