隨著數據的指數成長，組織依賴 Azure 的無限計算、記憶體和分析能力來調整、串流、預測及查看其數據。 分析解決方案會將大量數據轉換成實用的商業智慧 （BI），例如報表和視覺效果，以及創造性的人工智慧 （AI），例如以機器學習為基礎的預測。
無論您的組織剛開始評估雲端式分析工具，還是想要擴充您目前的實作，Azure 都提供許多選項。 工作流程一開始會瞭解常見的方法，並讓流程和角色圍繞雲端思維進行調整。
數據可以批次處理，或在內部部署或雲端中實時處理，但任何分析解決方案的目標是大規模使用數據。 越來越多的組織想要為人員、機器和物聯網所產生的所有關係和非關係數據建立單一事實來源。 通常會使用 巨量數據架構 或 IoT架構 ，將原始資料轉換成結構化形式，然後將它移至分析資料存放區。 此存放區成為單一事實來源，可提供許多深入解析的分析解決方案。
瞭解 Azure 上的分析
如果您不熟悉 Azure 上的分析，最好的學習位置是使用 免費在線訓練平臺 Microsoft Learn。 您可以找到特定產品和服務的影片、教學課程和實際操作學習，以及根據您的工作角色學習路徑，例如開發人員或數據分析師。
組織準備程度
如果您的組織不熟悉雲端，雲端採用架構 可協助您開始使用。 這份檔和最佳做法集合提供 Microsoft 經過證實的指引，旨在加速您的雲端採用旅程。 它也會列出 創新工具，以將 Azure 中的數據大眾化。
為了協助確保 Azure 上分析解決方案的質量，建議您遵循 Azure 架構良好的架構。 它為尋求卓越架構的組織提供規範性指引，並討論如何設計、布建及監視成本優化的 Azure 解決方案。
生產環境的路徑
瞭解如何 儲存數據 是您在 Azure 上分析旅程中所需的第一個決策之一。 然後，您可以為您的案例選擇最佳的 數據分析技術 。
若要開始使用，請考慮下列範例實作：
最佳作法
高品質的分析從強固且值得信任的數據開始。 在最高層級， 資訊安全性 做法可協助確保您的數據在傳輸和待用時受到保護。 也必須信任該數據的存取權。 可信任的數據表示實作的設計：
在平台層級，下列 巨量數據最佳做法 有助於 Azure 上的可信任分析：
使用數據工作流程或管線解決方案協調數據擷取，例如 Azure Data Factory 或 Oozie 所支援的數據擷取。
使用分散式數據存放區處理就地處理數據，這是一種巨量數據方法，可支援大量數據和更多樣化的格式。
早在擷取工作流程中清除敏感數據，以避免將數據儲存在 Data Lake 中。
藉由平衡使用這些節點完成作業之每分鐘成本所需的計算節點每單位成本，以考慮所需 Azure 資源的總成本。
建立數據湖，以多種格式結合檔案的記憶體，無論是結構化、半結構化還是非結構化。 在 Microsoft 中，我們使用 Azure Data Lake 儲存體 Gen2 作為單一事實來源。 例如，請參閱 卓越中心的 BI 解決方案架構。
其他資源
分析是廣泛的類別，涵蓋各種解決方案。 下列資源可協助您深入瞭解 Azure。
混合式
絕大多數組織都需要混合式分析方法，因為其數據同時裝載於內部部署和雲端中。 組織通常會 將內部部署數據解決方案延伸至雲端。 若要連線環境，組織必須 選擇混合式網路架構。
混合式方法可能包含大型主機和中範圍系統作為 Azure 解決方案的數據源。 例如，您的組織可能想要 將大型主機和中型數據 現代化，或提供 大型主機存取 Azure 資料庫。
範例解決方案
以下是 Azure 上要考慮的一些分析範例實作：
AWS 或Google Cloud專業人員
這些文章可藉由比較 Azure 分析選項與其他雲端服務，協助您快速提升：