Análise entre locatários usando dados extraídos – Aplicativo de locatário único

Aplica-se a:Banco de Dados SQL do Azure

Neste tutorial, você percorrerá um cenário completo de análise para a implementação de um único locatário. O cenário demonstra como a análise pode habilitar as empresas a tomar decisões inteligentes. Usando dados extraídos de cada banco de dados de locatário, você usa a análise para obter informações sobre o comportamento de locatários, incluindo o uso do aplicativo de exemplo Wingtip Tickets SaaS. Este cenário envolve três etapas:

1. Extraia dados de cada banco de dados de locatário e carregue-os em um repositório analítico.
2. Transforme os dados extraídos para processamento de análise.
3. Use ferramentas de business intelligence para obter percepções úteis, que podem orientar a tomada de decisões.

Neste tutorial, você aprenderá a:

• Crie o repositório de análise de locatário para extrair os dados.
• Use trabalhos elásticos para extrair dados de cada banco de dados de locatário para o repositório da análise.
• Otimize os dados extraídos (reorganize em um esquema de estrela).
• Consulte o banco de dados de análise.
• Use o Power BI para visualização de dados para realçar as tendências dos dados de locatário e fazer recomendações para melhorias.

Padrão de análise de locatário offline

Aplicativos SaaS multilocatários normalmente têm uma grande quantidade de dados de locatário armazenada na nuvem. Esses dados fornecem uma fonte avançada de informações sobre a operação e o uso do aplicativo e o comportamento dos locatários. Essas percepções podem guiar o desenvolvimento de recursos, aprimoramentos de usabilidade e outros investimentos no aplicativo e na plataforma.

O acesso aos dados para todos os locatários é simples quando todos os dados estão em apenas um banco de dados multilocatário. Porém, o acesso é mais complexo quando distribuído em grande escala em potencialmente milhares de bancos de dados. Uma maneira de controlar a complexidade e minimizar o impacto de consultas de análise em dados transacionais é extrair dados para um banco de dados ou data warehouse de análise projetado para esse fim.

Este tutorial apresenta um cenário completo de análise para o aplicativo SaaS Wingtip Tickets de exemplo. Primeiro, Trabalhos Elásticos são usados para extrair dados de cada banco de dados de locatário e carregá-los em tabelas de preparo em um armazenamento de análise. O repositório de análise pode ser um Banco de Dados SQL ou um pool de SQL dedicado. Para extração de dados em grande escala, o Azure Data Factory é recomendado.

Em seguida, os dados agregados são transformados em um conjunto de tabelas de esquema estrela. As tabelas consistem em uma tabela de fatos central, mais tabelas de dimensões relacionadas. Para o Wingtip Tickets:

• A tabela de fatos central no esquema de estrela contém dados de tíquetes.
• As tabelas de dimensões descrevem locais, eventos, clientes e datas de compra.

Juntas, as tabelas de fato e de dimensão centrais habilitam o processamento analítico eficiente. O esquema em estrela usado neste tutorial é mostrado na seguinte imagem:

Por fim, o repositório de análise é consultado usando o Power BI para realçar os insights sobre o comportamento do locatário e o uso do aplicativo Wingtip Tickets. Execute consultas que:

• Mostram a popularidade relativa de cada local
• Realcem padrões na venda de ingressos para diferentes eventos
• Mostram o êxito relativo de diferentes locais na venda de seus eventos

A compreensão de como cada locatário está usando o serviço é usada para explorar opções de monetização do serviço e aprimorar o serviço a fim de ajudar os locatários a ser bem-sucedidos. Este tutorial fornece exemplos básicos de tipos de informações que podem ser obtidas por meio dos dados de locatário.

Instalação

Pré-requisitos

Para concluir este tutorial, certifique-se de atender a todos os seguintes pré-requisitos:

• O aplicativo Wingtip Tickets SaaS Database Per Tenant é implantado. Para implantar em menos de cinco minutos, confira Implantar e explorar o aplicativo de SaaS do Wingtip
• Os scripts Wingtip Tickets SaaS Database Per Tenant e o código-fonte do aplicativo são baixadas do GitHub. Veja as instruções de download. Não se esqueça de desbloquear o arquivo zip antes de extrair seu conteúdo. Confira as diretrizes gerais para obter as etapas para baixar e desbloquear os scripts SaaS do Wingtip Tickets.
• O Power BI Desktop está instalado. Baixe o Power BI Desktop
• O lote de locatários adicionais foi provisionado. Confira o Tutorial de provisionamento de locatários.
• Uma conta de trabalho e o banco de dados de conta de trabalho foram criados. Veja as etapas apropriadas no Tutorial de gerenciamento de esquema.

Criar dados para a demonstração

Neste tutorial, a análise é executada em relação aos dados de vendas de tíquetes. Na etapa atual, você pode gerar dados de tíquete para todos os locatários. Posteriormente, esses dados são extraídos para análise. Verifique se você provisionou o lote de locatários conforme descrito anteriormente, para que tenha uma quantidade significativa de dados. Uma quantidade suficientemente grande de dados pode expor um intervalo de diferentes padrões de compra de tíquetes.

1. No ISE do PowerShell, abra …\Learning Modules\Operational Analytics\Tenant Analytics\Demo-TenantAnalytics.ps1 e defina o seguinte valor:
   • $DemoScenario = 1 Comprar ingressos para eventos em todos os locais
2. Pressione F5 para executar o script e criar o histórico de compra de tíquetes de todos os eventos em cada local. O script é executado por vários minutos para gerar dezenas de milhares de tíquetes.

Implantar o repositório de análise

Geralmente, há vários bancos de dados transacionais que, juntos, contêm todos os dados de locatário. Você deve agregar os dados de locatário de muitos bancos de dados transacionais em um repositório de análise. A agregação habilita a consulta eficiente dos dados. Neste tutorial, um Banco de Dados SQL do Azure é usado para armazenar os dados agregados.

Nas etapas a seguir, você implanta o armazenamento da análise, que é chamado de tenantanalytics. Você também pode implantar tabelas predefinidas que são populadas posteriormente no tutorial:

1. No ISE do PowerShell, abra …\Learning Modules\Operational Analytics\Tenant Analytics\Demo-TenantAnalytics.ps1
2. Defina a variável $DemoScenario no script para coincidir com sua escolha de repositório de análise:
   • Para usar o Banco de Dados SQL sem columnstore, configure $DemoScenario = 2
   • Para usar o Banco de Dados SQL com columnstore, configure $DemoScenario = 3
3. Pressione F5 para executar o script de demonstração (que chama o script Deploy-TenantAnalytics<XX>.ps1) que cria o repositório de análise de locatário.

Agora que você implantou o aplicativo e o preencheu com os dados de locatário interessantes, use o SSMS (SQL Server Management Studio) para conectar servidores tenants1-dpt-<User> e catalog-dpt-<User> usando Logon = developer, Senha = P@ssword1. Veja o tutorial introdutório para obter instruções.

No Pesquisador de Objetos, execute as seguintes etapas:

1. Expanda o servidor tenants1-dpt-<User> .
2. Expanda o nó Bancos de dados e veja a lista de bancos de dados de locatário.
3. Expanda o servidor catalog-dpt-<User> .
4. Verifique se você vê o repositório de análise e o banco de dados jobaccount.

Veja os seguintes itens de banco de dados no Pesquisador de Objetos do SSMS expandindo o nó de armazenamento de análise:

• As tabelas TicketsRawData e EventsRawData contêm dados brutos extraídos dos bancos de dados de locatário.
• As tabelas de esquema em estrela são fact_Tickets, dim_Customers, dim_Venues, dim_Events e dim_Dates .
• O procedimento armazenado é usado para popular as tabelas de esquema em estrela das tabelas de dados brutos.

Extração de dados

Criar grupos de destino

Antes de prosseguir, verifique se implantou o banco de dados de conta de trabalho e jobaccount. No próximo conjunto de etapas, Trabalhos Elásticos são usados para extrair dados de cada banco de dados de locatário e para armazenar os dados no repositório de análise. Em seguida, a segunda tarefa destrói os dados e os armazena em tabelas no esquema de estrela. Esses dois trabalhos são executados em relação a dois grupos de destino diferentes, ou seja, TenantGroup e AnalyticsGroup. O trabalho de extração é executado em relação a TenantGroup, que contém todos os bancos de dados do locatário. O trabalho de destruição é executado em relação a AnalyticsGroup, que contém o repositório de análise. Crie os grupos de destino usando as seguintes etapas:

1. No SSMS, conecte-se a jobaccount em catalog-dpt-<User>.
2. No SSMS, abra …\Learning Modules\Operational Analytics\Tenant Analytics\ TargetGroups.sql
3. Modifique a variável @User na parte superior do script, substituindo <User> pelo valor de usuário usado quando você implantou o aplicativo SaaS Wingtip.
4. Pressione F5 para executar o script que cria os dois grupos de destino.

Extrair dados brutos de todos os locatários

Modificações de dados abrangentes podem ocorrer com mais frequência para dados de tíquete e cliente do que para dados de evento e local. Portanto, considere a extração de dados de tíquetes e clientes separadamente e com mais frequência do que você extrai dados de eventos e locais. Nesta seção, você define e agenda dois trabalhos separados:

• Extraia dados de tíquete e de cliente.
• Extrai dados de evento e local.

Cada trabalho extrai os dados e os envia para o repositório de análise. Existe um trabalho separado que destrói os dados extraídos para o esquema de estrela de análise.

1. No SSMS, conecte-se ao banco de dados jobaccount no servidor catalog-dpt-<User>.
2. No SSMS, abra ...\Learning Modules\Operational Analytics\Tenant Analytics\ExtractTickets.sql.
3. Modifique @User na parte superior do script e substitua <User> pelo nome de usuário usado quando você implantou o aplicativo SaaS Wingtip
4. Pressione F5 para executar o script que cria e executa o trabalho que extrai dados de tíquetes e clientes de cada banco de dados de locatário. O trabalho salva os dados para o repositório de análise.
5. Consulte a tabela TicketsRawData no banco de dados tenantanalytics para verificar se a tabela foi populada com informações de tíquetes de todos os locatários.

Repita as etapas acima, mas desta vez substitua \ExtractTickets.sql por \ExtractVenuesEvents.sql na etapa 2.

A execução com êxito do trabalho popula a tabela de EventsRawData no repositório de análise com novos eventos e informações de locais de todos os locatários.

Reorganização de dados

Destruir dados extraídos para popular tabelas de esquema em estrela

A próxima etapa é fragmentar os dados brutos extraídos em um conjunto de tabelas que são otimizadas para consultas de análise. Um esquema em estrela é usado. Uma tabela de fatos central mantém registros de vendas de tíquetes individuais. Outras tabelas são populadas com dados relacionados sobre locais, eventos e clientes. E existem em tabelas de dimensão de tempo.

Nesta seção do tutorial, você define e executa um trabalho que mescla os dados brutos extraídos aos dados nas tabelas do esquema em estrela. Depois que o trabalho de mesclagem for concluído, os dados brutos serão excluídos, deixando as tabelas prontas para serem populadas pelo próximo trabalho de extração de dados de locatário.

1. No SSMS, conecte-se a jobaccount em catalog-dpt-<User>.
2. No SSMS, abra …\Learning Modules\Operational Analytics\Tenant Analytics\ShredRawExtractedData.sql.
3. Pressione F5 para executar o script e definir um trabalho que chama o procedimento armazenado sp_ShredRawExtractedData no repositório de análise.
4. Reserve tempo suficiente para que o trabalho seja executado com êxito.
   • Verifique a coluna Ciclo de vida da tabela jobs.jobs_execution para obter o status do trabalho. Verifique se o trabalho teve Êxito antes de continuar. Uma execução bem-sucedida exibe dados semelhantes ao seguinte gráfico:

Exploração de dados

Visualizar dados de locatário

Os dados na tabela de esquema em estrela fornecem todos os dados de vendas de tíquetes necessários para a análise. Para que seja mais fácil ver as tendências em grandes conjuntos de dados, você precisa visualizá-las graficamente. Nesta seção, você aprenderá a usar o Power BI para manipular e visualizar os dados de locatário extraídos e organizados.

Use as seguintes etapas para se conectar ao Power BI e importar os modos de exibição que você criou anteriormente:

1. Inicie o Power BI desktop.

2. Na faixa de opções Página Inicial, selecione Obter Dados e Mais... do Menu.

3. Na janela Obter Dados, selecione Banco de Dados SQL do Azure.

4. Na janela de logon do banco de dados, digite o nome do servidor (catalog-dpt-<User>.database.windows.net). Selecione Importar para Modo de Conectividade de Dadose clique em OK.

   

5. Selecione Banco de dados no painel esquerdo e insira nome de usuário = developer e senha = P@ssword1. Clique em Conectar.

   

6. No painel Navegador, no banco de dados de análise, selecione as tabelas de esquema em estrela: fact_Tickets, dim_Events, dim_Venues, dim_Customers e dim_Dates. Em seguida, selecione Carregar.

Parabéns! Você carregou com êxito os dados no Power BI. Agora você pode começar a explorar visualizações interessantes para ajudar a obter ideias sobre os locatários. Em seguida, você vê como a análise pode permitir o fornecimento de recomendações controladas por dados para a equipe de negócios de Wingtip Tickets. As recomendações podem ajudar a otimizar a experiência de atendimento ao cliente e o modelo de negócios.

Comece analisando dados de vendas de tíquetes para ver a variação no uso entre os locais. Selecione as opções a seguir no Power BI para plotar um gráfico de barras do número total de tíquetes vendidos por cada local. Devido à variação aleatória no gerador de tíquetes, os resultados podem ser diferentes.

A plotagem anterior confirma que o número de tíquetes vendidos por cada local varia. Locais que vendem mais tíquetes estão usando mais o serviço do que locais que vendem menos tíquetes. Pode haver uma oportunidade para ajustar a alocação de recursos de acordo com as necessidades de diferentes locatários.

Você poderá analisar melhor os dados para ver como as vendas de tíquetes variam ao longo do tempo. Selecione as opções a seguir no Power BI para plotar o número total de tíquetes vendidos por dia em um período de 60 dias.

O gráfico anterior exibe esse pico de vendas de tíquetes para alguns locais. Esses picos reforçam a ideia de que alguns locais talvez estejam consumindo recursos do sistema desproporcionalmente. Até o momento, não há um padrão óbvio para indicar quando ocorrem os picos.

Em seguida, convém investigar ainda mais a importância desses dias de vendas de pico. Quando esses picos ocorrem depois que os tíquetes começam a ser vendidos? Para plotar tíquetes vendidos por dia, selecione as opções a seguir no Power BI.

A plotagem acima mostra que alguns locais vendem muitos tíquetes no primeiro dia de venda. Assim que tíquetes estão à venda nesses locais, parece haver grande demanda. Esse aumento de atividade em alguns locais pode afetar o serviço para outros locatários.

Você pode analisar os dados novamente para ver se essa grande demanda ocorre para todos os eventos hospedados por esses locais. Em gráficos anteriores, você observou que a Contoso Concert Hall vende muitos tíquetes e que a Contoso também tem um aumento nas vendas de tíquetes em determinados dias. Experimente as opções do Power BI para plotar vendas cumulativas de tíquetes para a Contoso Concert Hall, concentrando-se nas tendências de vendas de cada um dos eventos. Todos os eventos seguem o mesmo padrão de venda?

A plotagem anterior da Contoso Concert Hall mostra que a grande demanda não ocorre para todos os eventos. Familiarize-se com as opções de filtro para ver as tendências de vendas de outros locais.

As percepções de padrões de vendas de tíquetes podem levar o Wingtip Tickets a otimizar seu modelo de negócios. Em vez de recarregar todos os locatários igualmente, talvez Wingtip possa introduzir as camadas de serviço com diferentes tamanhos da computação. Locais maiores que precisam vender mais tíquetes por dia podem receber a oferta de uma camada superior com um SLA (contrato de nível de serviço) superior. Esses locais podem ter seus bancos de dados colocados em pool com limites de recursos maiores por banco de dados. Cada camada de serviço pode ter uma alocação de vendas por hora, com valores adicionais cobrados por exceder a alocação. Locais maiores que têm picos de vendas periódicos pode se beneficiar dos níveis mais altos e Wingtip Tickets podem monetizar seus serviços com mais eficiência.

Enquanto isso, alguns clientes de Wingtip Tickets reclamam que se esforçam para vender tíquetes suficientes para justificar o custo do serviço. Talvez nessas percepções haja uma oportunidade de aumentar as vendas de tíquetes para locais com baixo desempenho. Vendas mais altas aumentariam o valor percebido do serviço. Clique com o botão direito do mouse em fact_Tickets e selecione Nova medida. Digite a seguinte expressão para a nova medida chamada AverageTicketsSold:

AverageTicketsSold = AVERAGEX( SUMMARIZE( TableName, TableName[Venue Name] ), CALCULATE( SUM(TableName[Tickets Sold] ) ) )

Selecione as opções de visualização a seguir para plotar os tíquetes de porcentagem vendidos em cada local para determinar o sucesso relativo.

A plotagem acima mostra que, embora a maioria das instalações venda mais de 80% de seus tíquetes, algumas têm dificuldade para preencher mais da metade dos lugares. Familiarize-se com Values Well para selecionar a porcentagem máxima ou mínima de tíquetes vendidos para cada local.

Anteriormente, você aprofundava a análise para descobrir que as vendas de tíquetes tendem a seguir padrões previsíveis. Essa descoberta pode permitir que o Wingtip Tickets ajude locais com baixo desempenho de vendas de tíquetes a aumentar as vendas por meio de sugestões de preço dinâmicas. Essa descoberta pode revelar a oportunidade de empregar técnicas de aprendizado de máquina para prever as vendas de tíquetes de cada evento. Previsões também podem ser feitas para o impacto sobre a receita da oferta de descontos para vendas de tíquetes. O Power BI Embedded pode ser integrado a um aplicativo de gerenciamento de eventos. A integração pode ajudar a visualizar as vendas previstas e o efeito de diferentes descontos. O aplicativo pode ajudar a planejar um ótimo desconto a ser aplicado diretamente da exibição da análise.

Você observou tendências nos dados de locatário do aplicativo WingTip. Você pode pensar em outras maneiras pelas quais o aplicativo pode embasar decisões de negócios para fornecedores de aplicativos SaaS. Os fornecedores podem atender melhor às necessidades de seus locatários. Esperamos que este tutorial tenha equipado você com as ferramentas necessárias para executar uma análise de dados de locatário e capacitar seus negócios para a tomada de decisões orientadas a dados.

Próximas etapas

Neste tutorial, você aprendeu a:

• Foi implantado um banco de dados de análise de locatário com tabelas de esquema em estrela predefinidas
• Trabalhos elásticos foram usados para extrair dados de todo o banco de dados de locatário
• Mesclar os dados extraídos em tabelas em um esquema em estrela projetado para análise
• Consultar um banco de dados de análise
• Usar o Power BI para visualização de dados para observar as tendências nos dados de locatário

Parabéns!

Recursos adicionais

• Tutoriais adicionais que aproveitam o aplicativo de SaaS do Wingtip.
• Trabalhos elásticos.
• Análise entre locatários usando dados extraídos – Aplicativo multilocatário