När du ska använda Azure Data Explorer
Här diskuterar vi hur du kan avgöra om Azure Data Explorer är rätt val för dina stordataanalysbehov. Genom att utvärdera följande kriterier kan du avgöra om Azure Data Explorer uppfyller dina prestanda- och funktionsmål.
- Interaktiv analys
- Datavari variety
- Datahastighet
- Datavolym
- Dataorganisation
- Frågekonkurrency
- Skapa jämfört med Köp
Beslutsvillkor
Azure Data Explorer är en interaktiv analysplattform för stordata som ger människor möjlighet att fatta datadrivna beslut i en mycket flexibel miljö. De faktorer som anges här kan hjälpa dig att bedöma om Azure Data Explorer passar bra för den arbetsbelastning som finns. Ställ dig själv följande viktiga frågor:
Interaktiv analys
Behöver jag analysera data interaktivt?
Dataanalys innehåller tekniker som aggregering, omfång, utvärdering, korrelation, avvikelseidentifiering, prognostisering och allmän modellutvärdering som hjälper till att minska stora mängder data till användbara slutsatser. Att utföra sådana aktiviteter interaktivt är vad Azure Data Explorer handlar om. Dessa aktiviteter kan ske i interaktiva instrumentpaneler, analytiskt anpassat program eller via direkt interaktion med data via människovänliga frågor och visualisering. Azure Data Explorer kanske inte är rätt teknik för att köra långvariga batchjobb över data. Överväg att använda tekniker som Microsoft Spark som fungerar bra med Azure Data Explorer för tidskrävande uppgifter.
Datavari variety
Hur varierad är min datastruktur?
Azure Data Explorer ger skalbart fulltextindex med höga prestanda och stöd för dynamiskt schema. Om du behöver analysera och bearbeta strukturerade, halvstrukturerade (json/xml) och textbaserade data är det en bra indikation på att Azure Data Explorer är relevant för din arbetsbelastning.
Datahastighet
Är dataanalys i realtid en kritisk faktor?
Azure Data Explorer kan mata in enorma mängder data snabbt och med låg svarstid. Vanliga datauppsättningar är spårningar, transaktionsloggar, tidsserier, mått och i allmänhet aktivitetspostströmmar. Analys i nära realtid över nya data är ett vanligt användningsfall. Azure Data Explorer ansluter väl till strömningstekniker som Azure Event Hubs, IoT Hubs och Kafka för att driva sådana arbetsbelastningar. Men om det finns behov av realtidsanalys är Azure Data Explorer kanske inte det bästa alternativet.
Datavolym
Hur mycket data behöver jag mata in?
Azure Data Explorer har skapats för att tillhandahålla varm sökvägsanalys, interaktiv och via API, över massiva dataarbetsbelastningar. För scenarier där den totala ackumulerade datastorleken är några gigabyte kan det finnas andra mer kostnadseffektiva lösningar.
Dataorganisation
Hur konsekvent är mina data ordnade?
Azure Data Explorer har skapats för att tillämpa schema-on-read över rådata. Den här metoden skapar flexibilitet för att undersöka data på olika sätt och från olika perspektiv baserat på aktuella behov. Den här funktionen är värdefull för att hantera oväntade utmaningar inom bland annat säkerhet, drift och konkurrenskraftiga miljöer. Azure Data Explorer ger extrem hastighet, skalbarhet och kostnadseffektivitet för analys av rådata. Ofta i distributioner av datalager genererar en ETL-process (extrahering, transformering, inläsning) regelbundet en väl curerad, mycket konsekvent och väldokumenterad uppsättning entiteter och attribut. Analys av dessa komplexa star-scheman omfattar vanligtvis stora fakta-till-fakta-kopplingar som Azure Data Explorer inte är optimerat för.
Frågekonkurrency
Hur många användare behöver fråga/mata in/bearbeta data samtidigt?
Azure Data Explorer används brett för att implementera SaaS-analyserbjudanden. Om det finns ett behov av att stödja varierande och unika analysbehov från ett stort antal begäranden parallellt bör Azure Data Explorer tillhandahålla en bra lösning.
Skapa jämfört med köp
Hur mycket vill jag anpassa min dataplattform?
Azure Data Explorer är en fullständigt hanterad plattform som en tjänst. Det ger dock ingen nyckelfärdig lösning. Det kräver att du anpassar, konfigurerar, ansluter och skapar upplevelser ovanpå den för att leverera en lösning (build). Det finns olika lösningar från Microsoft och tredje part som använder Azure Data Explorer för att leverera sådana nyckelfärdiga lösningar i olika domäner och vertikaler. Till exempel Azure Monitor för IT-åtgärder. Microsoft Advanced Threat Protection och Microsoft Sentinel i säkerhetsdomänen samt Azure Time Series Insights och Azure IoT Central i IoT-domänerna.
Tillämpa kriterierna
Azure Data Explorer fungerar bäst för att aktivera interaktiva analysfunktioner för kunskapsarbetare över hög hastighet, olika rådata. Nu ska vi fundera på hur vi ska tillämpa de kriterier som vi listade tidigare på våra exempelprocesser i klädföretagets scenario.
Ska Azure Data Explorer användas för produktionsdata?
Produktionsavdelningen i vårt exempel klädföretag måste fatta beslut om hur lager- och produktionsvolymer ska hanteras. De har inkommande dataloggar för inventering. De vill också använda geospatiala data från marknadsföring för att förutse produktbehov per region. Dessa data har en hög grad av variation, hastighet och volym. Det är inte organiserat konsekvent och många intressenter måste köra frågor mot dessa data samtidigt. Från inmatning till fråga kräver de låg svarstid. De behöver svarstider för frågor på mindre än en sekund och uppåt. Baserat på beslutskriterierna passar Azure Data Explorer bra för klädföretagets produktionsavdelning.
Ska Azure Data Explorer användas för marknadsföringsdata?
Klädföretagets marknadsföringsavdelning vill utvärdera effektiviteten i sin kampanj. De har klickströmsdata från sina webbplats- och annonskampanjer. De har också fritextdata (ostrukturerade) från sociala medier. Dessa data är mycket varierande och oorganiserade. Avdelningen kommer att vilja utföra undersökande interaktiva analyser. Baserat på beslutskriterierna passar Azure Data Explorer bra för marknadsföringsavdelningen på klädföretaget.
Sammanfattning av vägledning
I följande tabell visas hur du utvärderar nya användningsfall. Även om alla användningsfall inte beskrivs här tror vi att det kan hjälpa dig att avgöra om Azure Data Explorer är rätt lösning för dig.
| Användningsfall | Interaktiv analys | Stordata (variation, hastighet, volym) | Dataorganisation | Samtidighet | Skapa jämfört med Köp | Ska jag använda Azure Data Explorer? |
|---|---|---|---|---|---|---|
| Implementera en SaaS för Säkerhetsanalys | Stor användning av interaktiva analyser i nära realtid. | Säkerhetsdata är olika, hög volym och hög hastighet. | Det varierar | Systemet används ofta av flera analytiker från flera klienter. | Att implementera ett SaaS-erbjudande är ett build-scenario . | Ja |
| CDN-logganalys | Interaktiv för felsökning, QoS-övervakning. | CDN-loggar är olika, hög volym och hög hastighet. | Separata loggposter. | En liten grupp dataexperter kan använda dessa analyser, men det kan också driva många instrumentpaneler. | Värdet som extraheras från CDN-analys är scenariospecifikt och kräver anpassad analys. | Ja |
| Tidsseriedatabas för IoT-telemetri | Interaktiv för felsökning, analys av trender, användning och identifiering av avvikelser. | IoT-telemetri är en hög hastighet men kan endast vara strukturerad eller medelstor. | Relaterade uppsättningar med poster. | En liten grupp dataexperter kan använda dessa analyser, men det kan också driva många instrumentpaneler. | Kontexten är vanligtvis Skapa när du söker efter en databas. | Ja |
I följande flödesschematabell sammanfattas de viktigaste frågorna att ställa när du överväger att använda Azure Data Explorer.
