Design av analysarkitektur

Med exponentiell tillväxt i data förlitar sig organisationer på den obegränsade beräknings-, lagrings- och analyskraften hos Azure för att skala, strömma, förutsäga och se sina data. Analyslösningar omvandlar datavolymer till användbar business intelligence (BI), till exempel rapporter och visualiseringar och uppfinningsrik artificiell intelligens (AI), till exempel prognoser baserade på maskininlärning.

Oavsett om din organisation precis har börjat utvärdera molnbaserade analysverktyg eller vill utöka din nuvarande implementering Azure innehåller många alternativ. Arbetsflödet börjar med att lära sig om vanliga metoder och att anpassa processer och roller kring ett molntänk.

Data kan bearbetas i batchar eller i realtid, lokalt eller i molnet, men målet med alla analyslösningar är att använda data i stor skala. Organisationer vill i allt högre grad skapa en enda sanningskälla för alla relationsdata och icke-relationella data som genereras av människor, datorer och Sakernas Internet (IoT). Det är vanligt att använda en stordataarkitektur eller en IoT-arkitektur för att omvandla rådata till ett strukturerat formulär och sedan flytta dem till ett analysdatalager. Det här dataarkivet blir den enda sanningskällan för data som kan driva en mängd insiktsfulla dataanalyslösningar.

Arkitektur

Diagram som visar lösningsresan för analys på Azure. Resan börjar med inlärnings- och organisationsberedskap och går sedan vidare till att välja lagringslösningar och Azure BI- eller AI-tekniker baserat på arbetsbelastningskrav.

Ladda ned en Visio-fil av den här arkitekturen.

Diagrammet ovan visar en typisk implementering av grundläggande analys/baslinjeanalys. Se arkitekturerna i det här avsnittet för att hitta verkliga lösningar som du kan skapa i Azure.

Utforska analysarkitekturer och guider

Artiklarna i det här avsnittet innehåller fullt utvecklade arkitekturer som du kan distribuera i Azure och expandera till lösningar och guider i produktionsklass. Dessa kan hjälpa dig att fatta viktiga beslut om hur du använder analystekniker i Azure. Lösningsidéer demonstrerar implementeringsmönster och möjligheter att överväga när du planerar din utveckling av ett analyskoncepttest.

Arkitekturguider för analys

Teknikval – De här artiklarna hjälper dig att utvärdera och välja de bästa analysteknikerna för dina arbetsbelastningskrav:

• Analys och rapportering – Jämför alternativ för dataanalys och visualisering i Azure.
• Batchbearbetning – Utvärdera batchbearbetningstekniker för stordataarbetsbelastningar.
• Dataströmbearbetning – Jämför dataströmbearbetningstekniker för realtidsanalys.
• Välj ett analysdatalager – Vägledning om hur du väljer rätt analysdatalager.
• Välj ett analysdatalager i Microsoft Fabric – Vägledning om hur du väljer datalager i Microsoft Fabric.

Haveriberedskap för Azure-dataplattform – De här artiklarna innehåller omfattande vägledning för att implementera strategier för haveriberedskap:

• Översikt – Översikt över strategier för haveriberedskap för Azure-dataplattformar.
• Arkitektur – Arkitekturmönster för haveriberedskap på Azure-dataplattformar.
• Scenarioinformation – Detaljerade scenarier för att implementera haveriberedskap.
• Rekommendationer – Metodtips för haveriberedskap.

Analysarkitekturer

Dessa produktionsklara arkitekturer visar analyslösningar från slutpunkt till slutpunkt som du kan distribuera och anpassa:

• Analys från slutpunkt till slutpunkt med Microsoft Fabric – Skapa en modern analysplattform med hjälp av Microsoft Fabrics integrerade funktioner.
• Informationslager och analys – Integrera stora mängder data från flera källor i en enhetlig analysplattform.
• Använd Microsoft Fabric för att utforma en företags-BI-lösning – Utforma en business intelligence-lösning med hjälp av Microsoft Fabric.
• Databehandling med Lakehouse i nära realtid – Använd Azure Synapse Analytics och Azure Data Lake Storage för data lakehouse-bearbetning i nära realtid.
• Realtidssynkronisering av MongoDB Atlas till Azure Synapse Analytics – Synkronisera MongoDB Atlas-data till Azure Synapse Analytics i realtid.
• Stream-bearbetning med Azure Databricks – Skapa en dataströmbearbetningspipeline från slutpunkt till slutpunkt med Azure Databricks.
• Dataströmbearbetning med Azure Stream Analytics – Skapa en pipeline för dataströmbearbetning som matar in data, korrelerar poster och beräknar löpande medelvärden.
• Modernt informationslager för små och medelstora företag – Skapa en modern informationslagerlösning utformad för små och medelstora företag.

Analyslösningsidéer

Dessa lösningsidéer visar implementeringsmönster och möjligheter att utforska:

• Inmatnings-, ETL- och dataströmbearbetningspipelines med Azure Databricks – Skapa ETL-pipelines för batch- och strömmande data för att förenkla datasjöinmatningen.
• Modern analysarkitektur med Azure Databricks – Samla in, bearbeta, analysera och visualisera data med hjälp av en modern dataarkitektur.
• Modern dataplattform för små och medelstora företag – Skapa en modern dataplattformsarkitektur för små och medelstora företag med hjälp av Microsoft Fabric och Azure Databricks.
• Real-time-analys med Azure Data Explorer – Analysera data i realtid med hjälp av Azure Data Explorer och Azure Service Bus.

Lär dig mer om analys på Azure

Microsoft Learn tillhandahåller kostnadsfria utbildningsresurser online för Azure-analystekniker. Plattformen erbjuder videor, självstudier och praktiska labb för specifika produkter och tjänster, tillsammans med utbildningsvägar som organiseras efter jobbroll.

Följande resurser ger grundläggande kunskaper för analysimplementeringar i Azure:

• Bläddra i Azure-dataämnen
• Introduktion till Microsoft Azure grundläggande datakoncept
• Kom igång med Microsoft Fabric

Utbildningsvägar efter roll

• Dataanalytiker: Kom igång med Microsofts dataanalys
• Dataingenjör: Implementera en dataanalyslösning med Azure Databricks
• Data scientist: Bygg maskininlärningslösningar med Azure Databricks

Organisationsberedskap

Organisationer som påbörjar molnimplementeringen kan använda Cloud Adoption Framework för beprövad vägledning som utformats för att påskynda molnimplementeringen. Vägledning för analys i molnskala finns i Analys i molnskala.

För att säkerställa kvaliteten på din analyslösning på Azure rekommenderar vi att du följer Azure Well-Architected Framework. Det ger förebyggande vägledning för organisationer som söker arkitekturkvalitet och diskuterar hur man utformar, etablerar och övervakar kostnadsoptimerade Azure lösningar.

Vägledning för dataarbetsbelastningar som är anpassade till Well-Architected Framework-pelarna finns i Azure Well-Architected Framework för dataarbetsbelastningar.

Vägen till produktion

Att välja ett datalager är ett grundläggande beslut när du implementerar analys i Azure. När du har valt lagringsmetod kan du fastställa lämplig dataanalysteknik för ditt scenario.

Viktiga beslutspunkter är:

• Datalagring: Välj mellan datasjöar, informationslager eller sjöhus baserat på din datastruktur och frågemönster. För vägledning om hur du väljer och utformar databaslösningar som driver analytiska arbetsbelastningar, se Design av databasarkitektur.

• Bearbetningsmodell: Avgör om batchbearbetning, dataströmbearbetning eller en kombination bäst passar dina arbetsbelastningskrav.

• Analysverktyg: Välj BI- och AI-tekniker som överensstämmer med teamets kompetens- och affärsbehov.

Information om hur du visar olika arkitekturformat för analyslösningar finns i arkitekturer.

Metodtips

Analys av hög kvalitet börjar med robusta och tillförlitliga data. På den högsta nivån hjälper informationssäkerhetsmetoder till att säkerställa att dina data skyddas under överföring och i vila. Åtkomst till dessa data måste också vara betrodd. Tillförlitliga data innebär en design som implementerar:

• Styrningsprinciper – Definiera tydligt dataägarskap, klassificering och åtkomstprinciper.

• Identitets- och åtkomsthantering – Implementera rollbaserad åtkomstkontroll och principer för lägsta behörighet.

• Nätverkssäkerhetskontroller – Skydda dataflöden mellan tjänster och förhindra obehörig åtkomst.

• Dataskydd – Kryptera vilande data och under överföring.

På plattformsnivå kan följande metodtips för big-data bidra till tillförlitlig analys på Azure:

• Samordna datainmatning – Använd ett dataarbetsflöde eller en pipelinelösning, till exempel de som stöds av Azure Data Factory eller Microsoft Fabric-pipelines.

• Bearbeta data på plats – Använd ett distribuerat datalager, en stordatametod som stöder större datavolymer och ett bredare utbud av format.

• Rensa känsliga data tidigt – Ta bort eller maskera känsliga data som en del av inmatningsarbetsflödet för att undvika att lagra dem i din datasjö.

• Överväg total kostnad – Balansera kostnaden per enhet för de beräkningsnoder som behövs mot kostnaden per minut för att använda dessa noder för att slutföra ett jobb.

• Skapa en enhetlig datasjö – Kombinera lagring för filer i flera format, oavsett om de är strukturerade, halvstrukturerade eller ostrukturerade. Använd Azure Data Lake Storage Gen2 som din enda sanningskälla. Se till exempel BI-lösningsarkitektur i Center of Excellence.

Håll dig uppdaterad med analys

Azure analystjänster utvecklas för att hantera moderna datautmaningar. Håll dig informerad om de senaste uppdateringarna och planerade funktionerna:

Hämta de senaste uppdateringarna om Azure-produkter och -funktioner.

Håll dig uppdaterad med dessa viktiga analystjänster:

• Vad är nytt i Microsoft Fabric
• Viktig information om Azure Databricks
• Vad är nytt i Azure Data Explorer
• Vad är nytt i Power BI

Ytterligare resurser

Analys är en bred kategori och omfattar en rad olika lösningar. Följande resurser kan hjälpa dig att upptäcka mer om Azure.

Hybrid

De allra flesta organisationer behöver en hybridmetod för analys eftersom deras data finns både lokalt och i molnet. Organisationer utökar ofta lokala datalösningar till molnet. För att ansluta miljöer måste organisationer välja en hybridnätverksarkitektur.

Viktiga hybridanalysscenarier:

• Modernisering av stordator: Modernisera stordator- och mellanregisterdata – Integrera äldre datakällor med moderna analysplattformar.
• Lokal integrering: Enhetliga hybrid- och multimolnåtgärder – Ansluta lokala databaser till molnanalys.
• Edge-analys: Bearbeta data på gränsen och aggregera insikter i molnet.

realtidsanalys

Med realtidsanalys kan organisationer agera på data när de anländer. Här följer några resurser som hjälper dig att komma igång med realtidsanalys på Azure:

• Realtidsanalys för stordataarkitektur – Bearbeta och analysera strömmande data i stor skala.
• IoT-analys med Azure Data Explorer – Analysera IoT-telemetridata i realtid.
• Stream-bearbetning med Azure Stream Analytics – Skapa serverlösa strömningslösningar.
• Skapa en modern analysarkitektur med hjälp av Azure Databricks – Analys i företagsklass med Apache Spark.

Browse fler analysexempel i Azure Architecture Center

AWS- eller Google Cloud-proffs

De här artiklarna kan hjälpa dig att snabbt öka farten genom att jämföra Azure analysalternativ med andra molntjänster:

• Analytics och stordata i databasteknologier på Azure och AWS

• Big data och analys i Google Cloud jämfört med Azure-tjänster