解決方案體系結構
新式數(shù)據(jù)倉庫
通過新式數(shù)據(jù)倉庫可輕松將所有數(shù)據(jù)匯集到一起，并通過分析儀表板、操作報告或所有用戶的高級分析獲取見解。
- 1 使用 Azure 數(shù)據(jù)工廠將所有結構化、非結構化和半結構化數(shù)據(jù)（日志、文件和媒體）結合到 Azure Blob 存儲中。
- 2 利用 Azure Blob 存儲中的數(shù)據(jù)，通過 Azure Databricks 執(zhí)行可縮放分析，并獲得清理和轉換后的數(shù)據(jù)。
- 3 可將清理和轉換后的數(shù)據(jù)移動到 Azure SQL 數(shù)據(jù)倉庫，與現(xiàn)有的結構化數(shù)據(jù)結合，為所有數(shù)據(jù)創(chuàng)建一個中心。利用 Azure Databricks 和 Azure SQL 數(shù)據(jù)倉庫間的本地連接器來訪問和大規(guī)模移動數(shù)據(jù)。
- 4 根據(jù) Azure 數(shù)據(jù)倉庫構建操作報告和分析儀表板，從數(shù)據(jù)中獲取見解，并使用 Azure Analysis Services 為數(shù)千名最終用戶提供服務。
- 5 直接在 Azure Databricks 中的數(shù)據(jù)上運行臨時查詢。
大數(shù)據(jù)高級分析
使用領先機器學習工具將數(shù)據(jù)轉化為可行見解。通過這種架構，可將任何規(guī)模的數(shù)據(jù)進行組合，且可大規(guī)模構建和部署自定義機器學習模型。
- 1 使用 Azure 數(shù)據(jù)工廠將所有結構化、非結構化和半結構化數(shù)據(jù)（日志、文件和媒體）匯集到 Azure Blob 存儲中。
- 2 使用 Azure Databricks 清理和轉換流數(shù)據(jù)無結構的數(shù)據(jù)集，并將其與來自操作數(shù)據(jù)庫或數(shù)據(jù)倉庫的結構化數(shù)據(jù)相結合。
- 3 使用可縮放機器學習/深度學習技術，借助 Python、R 或 Scala 以及 Azure Databricks 中的內置筆記本體驗，從這些數(shù)據(jù)中獲得更深入的見解。
- 4 利用 Azure Databricks 和 Azure SQL 數(shù)據(jù)倉庫間的本地連接器來訪問和大規(guī)模移動數(shù)據(jù)。
- 5 高級用戶利用 Azure Databricks的內置功能來確定根本原因并分析原始數(shù)據(jù)。
- 6 直接在 Azure Databricks 中的數(shù)據(jù)上運行臨時查詢。
- 7 將來自 Azure Databricks 的見解傳入 Cosmos DB，使用戶可通過 Web 和移動應用進行訪問。
實時分析
輕松從實時流數(shù)據(jù)中獲取見解。持續(xù)從所有 IoT 設備或網(wǎng)站點擊流日志捕獲數(shù)據(jù)，并準實時地處理數(shù)據(jù)。
- 1 使用 Azure HDInsight 中的 Apache Kafka 集群可輕松提取應用程序的實時流數(shù)據(jù)。
- 2 使用 Azure 數(shù)據(jù)工廠可將所有結構化數(shù)據(jù)匯集到 Azure Blob 存儲。
- 3 利用 Azure Databricks 清理、轉換和分析流數(shù)據(jù)，并將其與來自操作數(shù)據(jù)庫或數(shù)據(jù)倉庫的結構化數(shù)據(jù)相結合。
- 4 使用可縮放機器學習/深度學習技術，借助 Python、R 或 Scala 以及 Azure Databricks 中的內置筆記本體驗，從這些數(shù)據(jù)中獲得更深入的見解。
- 5 利用 Azure Databricks 和 Azure SQL 數(shù)據(jù)倉庫間的本地連接器來訪問和大規(guī)模移動數(shù)據(jù)。
- 6 根據(jù) Azure 數(shù)據(jù)倉庫構建分析儀表板和嵌入式報表，以便在組織內共享見解，并使用 Azure Analysis Services 將此數(shù)據(jù)提供給成千上萬的用戶。
- 7 高級用戶利用 Azure Databricks 和 Azure HDInsight 的內置功能來確定根本原因并分析原始數(shù)據(jù)。
- 8 將來自 Azure Databricks 的見解傳入 Cosmos DB，使用戶可通過實時應用進行訪問。
