Verilerinizi birleştirmeye yönelik yönetim stratejisi

Veri hedefi: Her kuruluş, verilerinin güvenilir iş kararları almalarını ister. Verilere güvenilmeli, analiz ve yapay zeka için kolayca yeniden kullanılabilir ve varsayılan olarak güvenli olmalıdır. Veri sınaması: Çoğu kuruluş için bu hedefe ulaşmak zordur. Veriler sistemlere ve ekiplere yayılır. Standartlar farklılık gösterir. İdare tutarsız. Bu sorunlar, analiz ve yapay zekanın güvenle kullanılmasını zor hale getirir.

Veri çözümü: Birçok kuruluş, veri platformlarını Microsoft Fabric ile birleştirerek bu sınamayı ele alır. Doku, ekiplerin kuruluş genelinde analiz ve yapay zeka için yönetilebilen ve güvenli bir şekilde kullanılabilecek güvenilir veri ürünleri oluşturmasına olanak tanır (bkz. Şekil 1). Bu kılavuz, karar alıcılara bu değişikliği yapmak ve birleşik bir veri temeli oluşturmak için ihtiyaç duydukları çerçeveyi sağlar.

Şekil 1. Yapay zeka ve analiz için birleşik veri platformu.

Neden Fabric ile birleşik bir veri platformu?

çoğu iş ve teknoloji lideri parçalanmış verilerin maliyetini anlar. Bunları genellikle geri tutan şey, düzeltmenin büyük, riskli geçişler gerektirdiği inancıdır. Microsoft Fabric farklı bir yaklaşım benimser ve kesinti olmadan değer sunar. Başlıca avantajlar şunlardır:

• En az iş kesintisi: Ağ, sanallaştırma ve seçmeli çoğaltma (yansıtma) kullanarak mevcut sistemlere bağlanır. Teams, geçerli işlemleri kesintiye uğratmadan verilere erişimi birleştirebilir.

• Yerleşik idare: Fabric, veri mühendisliği, analitik ve iş zekasını tek bir platforma getirir. Güvenlik ve idare ilkeleri bir kez tanımlanır ve birden çok araçta farklı şekilde yeniden oluşturulması ve uygulanması yerine tutarlı bir şekilde uygulanır.

• Yapay zeka ve analiz için temel: Doku, kuruluşların yeniden kullanılabilir, yüksek kaliteli veri ürünleri üretmesini sağlar. Bu güvenilir ürünler analiz ve yapay zeka girişimlerini hızlandırıyor. Fabric IQ, verilerin birleştirilmesine ve bağlamsallaştırılmasına yardımcı olur. Foundry IQ , Microsoft Foundry aracılarının yönetilen, güvenilen veriler üzerinde mantık yürütmesine olanak tanır.

Hangi yatırım düzeyi gereklidir?

Veri platformunu birleştirmek, her sistemin toptan değiştirilmesi değil, yetenek yatırımıdır. Amaç, mevcut veri sistemlerinizi kullanmaya devam etmek ve zaman içinde büyüyebilecek paylaşılan bir temel oluşturmaktır. Önemli maliyet faktörleri şunlardır:

• Microsoft Fabric maliyet faktörleri: Başlıca maliyet faktörleri şunlardır (bkz. Şekil 2):

  • İşleme: Oluşturduğunuz işlem kapasitesi (Doku kapasiteleri).

  • Depolama: OneLake'de kullandığınız depolama alanı.

  • Çoğaltma: Gerçekleştirdiğiniz veri çoğaltması (Yansıtma).

  • Power BI: Lisanslama kılavuzunda özetlenen şekilde, kullanıcıların Power BI erişimi veya ayrı Power BI lisansları içeren yeterli Microsoft Fabric kapasitesine sahip olduğundan emin olun.

    Şekil 2. Verilerden iş değeri oluşturmak için Microsoft Fabric'in yetenekleri.

• Microsoft Purview maliyet faktörleri: Birleşik veri idaresi ve uyumluluğu için Microsoft Purview'u kullanın. Purview, tüm veri varlığınızda merkezi bir veri kataloğu, veri sınıflandırması ve ilke zorlaması sağlar. Veriler OneLake, Azure, şirket içi, üçüncü taraf SaaS veya diğer bulut platformlarında olabilir. Purview maliyet faktörleri arasında abonelik tabanlı lisanslama ve tüketim tabanlı özellikler yer alır. Hem devam eden lisanslama hem de Purview ile idare ettiğiniz veri ve hizmet hacmi için bütçe.

• Azure maliyet faktörleri: Doku işlem (kapasiteler) ve Microsoft Purview hesabınızı barındırmak için Azure aboneliklerini kullanırsınız. Azure abonelikleri için ek maliyet yoktur. Azure Databricks veya Azure Machine Learning gibi diğer Azure hizmetlerini birleşik platformunuzla tümleştirirseniz bu hizmetlerin kendi fiyatlandırma modellerine sahip olduğunu unutmayın. Bu maliyetleri planlayın. Bkz. Azure Databricks ve Azure Machine Learning için maliyet faktörleri.

Değeri görmenize ne kadar kaldı?

Microsoft Fabric, hızlı bir şekilde değer sunmak için tasarlanmıştır. Birleştirme tam geçişe bağlı olmadığından değer elde etme süresi kısadır. Ekipler küçük bir yüksek değerli veri ürünleri kümesiyle başlayabilir. Her adım, riski sınırlarken değer ekler. Uygulamada, birçok kuruluş ilk analiz veya yapay zeka senaryoları için haftalar içinde değer görür. Altyapı, veri ürünleri, analiz ve yapay zeka için standart temel haline geldikçe, kuruluş genelinde yeniden kullanımla ve tutarlı standartlarla değer artar.

Veri platformunuzu nasıl birleştirebilirsiniz?

Microsoft'un Bulut Benimseme Çerçevesi, veri platformunuzu birleştirmek için dört adımlı bir çerçeveyi özetler. Süreç, veri stratejinizi planlamayı ve düzenlemeyi kapsıyor. Mimari kararlarını kapsar. Ayrıca idare ve güvenlik temellerini ayarlamanıza ve operasyonel standartları tanımlamanıza da yardımcı olur.

1. Kurumsal hazırlık. Veri stratejinizi tanımlayın ve veri sahipliğini ve etki alanlarını oluşturun. Verilerin iş değerini nasıl oluşturduğunu ve hangi veriden kimin sorumlu olduğunu netleştirin. Bkz . Kuruluş hazırlığı.

2. Mimari: Veri platformunuzu birleştirmek için gereken teknolojiyi sağlayın. Azure'da Microsoft Fabric ve gerekli ortamları ayarlayın. Bkz . Mimari.

3. İdare ve güvenlik temelleri: Veri varlığınız genelinde merkezi görünürlük ve idare elde etmek için Microsoft Purview'u kullanın. Başlangıçtan itibaren Fabric mimarinizde güvenlik ve uyumluluk temelleri oluşturun. Bkz. İdare ve güvenlik temelleri.

4. operasyonel standartlar. Ham verileri almak, veri ürünleri oluşturmak ve yaşam döngülerini yönetmek için tutarlı süreçler tanımlayın. Veri ürünlerinin kuruluş genelinde nasıl yayımlandığını, güvenliğinin sağlandığını ve kullanılacağını belirleyin. Bkz . operasyonel standartlar.

Bu adımları izleyerek veri platformunuzu yapılandırılmış bir şekilde birleştirebilirsiniz. Nereden başlayacağınızı bilmiyorsanız, rehberlik için aşağıdaki karar ağacını kullanın.

Veri platformunuzu birleştirmek için karar ağacı

Akış bir dizi evet-hayır sorusu sorar. Her "Evet", belirli yönergelere yol açar. İlk soru, kuruluşun veri önceliklerini anlama veya verilerden daha fazla değer elde etmek için beceri oluşturma konusunda yardıma ihtiyacı olup olmadığını sorar. Evet ise, rehberlik kişileri roller, eğitim ve hazırlık etkinlikleri aracılığıyla hazırlamaktır. İkinci soru, kuruluşun analiz ve yapay zekayı desteklemek için bulutlar ve iş yükleri genelindeki verilere erişmek için birleşik bir yönteme ihtiyacı olup olmadığını sorar. Evet ise, kılavuz microsoft fabric'i birleşik veri platformu olarak kullanmaktır. Üçüncü soru, kuruluşun operasyonel verileri iş değerine dönüştürme veya Verileri Microsoft Foundry gibi yapay zeka sistemlerine güvenli bir şekilde besleme konusunda yardıma ihtiyacı olup olmadığını sorar. Evet ise, Azure hizmetlerini Fabric ile entegre etme yönlendirmesi verilir. Dördüncü soru, kuruluşun verilere erişimi denetleme veya verileri tutarlı bir şekilde güvenli hale getirme konusunda yardıma ihtiyacı olup olmadığını sorar. Evet ise, kılavuz Microsoft Purview ve ilgili denetimleri kullanarak idare ve güvenlik temellerini ayarlamaktır. Beşinci soru, kuruluşun analiz ve yapay zeka için veri ürünlerini işlemek, güvenli hale getirmek ve kullanmak için tutarlı kurumsal standartlar ayarlama konusunda yardıma ihtiyacı olup olmadığını sorar. Evet ise, bu kılavuz veri ürünleri, güvenlik ve yaşam döngüsü yönetimi için operasyonel standartlar belirlemektir. Akış, birleşik veri platformu ve standartları uygulandıktan sonra yapay zekayı benimsemeye ve yapay zeka aracılarını benimsemeye işaret ederek sona erer.

Şekil 3. Microsoft'un veri platformunuzu birleştirmeye yönelik karar ağacı.

Sonraki adım

Aşağıdaki bölümlerde her adımda kılavuz, denetim listeleri, en iyi yöntemler, karar kılavuzu ve temel değerlendirmeler bulacaksınız. Bu kılavuz, kuruluş stratejisini ve idaresini denetleyen liderler ve karar alıcılar içindir.

Kuruluşa hazır olma

Önemli terimler

Anahtar terim	Tanım
Analizler	Karar almayı desteklemek için verilerden içgörü oluşturma uygulaması. Örneğin Power BI gibi örneklerde panolar, raporlar ve görselleştirmeler içerir.
AI	İş işlevlerini otomatik hale getiren modellere giriş olarak veri kullanan sistemler. Bu kategori geleneksel makine öğrenmesi modellerini (tahmine dayalı) ve üretken yapay zeka modellerini içerir.
Veri ürünü	Veri kümeleri, tablolar, özellik kümeleri veya yapay zeka eğitim verileri gibi işletmeniz için değerli bir biçimdeki veriler.
Veri alanı	Veriye dayalı ürünler için sorumluluk ve sahiplik sınırı, iş birimleri (İK, Pazarlama, Finans, Satış, Operasyonlar) ve ürün grupları (Ürün 1, Ürün 2) gibi kategorileri kapsar.
Veri yönetimi iniş alanı	Veri yönetimi kaynakları için bir ortam, örneğin bir veya daha fazla Azure aboneliğinden oluşan Microsoft Purview hesapları ve Fabric kapasiteleri gibi.
Veri giriş bölgesi	Azure Databricks, Azure Data Lake Storage ve Azure Machine Learning gibi veriler ve AI/ML kaynakları için bir ortam (bir veya daha fazla Azure aboneliğinden oluşur).