Podpora podnikání s využitím datových inovací

Mnoho společností uchovává datové sklady ve svých datacentrech, aby různým částem jejich podniku pomohly analyzovat data a rozhodovat se. Prodejní, marketingová a finanční oddělení se při vytváření standardních sestav a řídicích panelů do značné míry spoléhají na tyto systémy. Společnosti také využívají obchodní analytiky k provádění ad hoc dotazování a analýzy dat v datových tržištích. Tato datová tržiště používají samoobslužné nástroje business intelligence k provádění multidimenzionální analýzy.

Firma, která je podporovaná inovacemi dat a moderními datovými aktivy, může poskytnout možnost širokému okruhu přispěvatelů, od IT účastníka až po odborníka na data a dále. Mohou provádět akce s tímto úložištěm centralizovaných dat, které se často označuje jako "jediný zdroj pravdy".

Azure Synapse Analytics je jedna služba pro bezproblémovou spolupráci a zrychlenou dobu strávenou v přehledech. Pokud chcete této službě porozumět podrobněji, nejprve se zamyslete nad různými rolemi a dovednostmi, které jsou součástí typického datového majetku:

Datové sklady: Správci databází podporují správu datových jezer a datových skladů a zároveň inteligentně optimalizují úlohy a automaticky zabezpečují data.

Integrace dat: Datoví inženýři používají prostředí bez kódu ke snadnému propojení více zdrojů a typů dat.

Velké objemy dat a strojové učení: Datoví vědci rychle vytvářejí testování konceptu a zřizují prostředky při práci v jazyce podle svého výběru (například T-SQL, Python, Scala, .NET nebo Spark SQL).

Správa a zabezpečení: IT specialisté chrání a spravují data efektivněji, vynucují požadavky na ochranu osobních údajů a zajišťují zabezpečený přístup ke cloudovým a hybridním konfiguracím.

Business intelligence: Obchodní analytici bezpečně přistupují k datovým sadám, vytvářejí řídicí panely a sdílejí data v rámci organizace i mimo ni.

Přehled klasické architektury datového skladu

Následující diagram znázorňuje příklad klasické architektury datového skladu.

Obrázek 1: Klasická architektura datového skladu

Známá strukturovaná data se extrahují z hlavních systémů zpracování transakcí a zkopírují se do přípravné oblasti. Odtud se vyčistí, transformuje a integruje do produkčních tabulek v datovém skladu. Je běžné, že se zde vytváří několik let historických transakčních dat. Tím získáte data potřebná k pochopení změn v prodeji, nákupním chování zákazníků a segmentaci zákazníků v průběhu času. Poskytuje také roční finanční výkazy a analýzy, které pomáhají při rozhodování.

Odtud se podmnožina dat extrahují do datových tržítek za účelem analýzy aktivit spojených s konkrétním obchodním procesem. To podporuje rozhodování v konkrétní části firmy.

Aby firma fungovala efektivně, potřebuje všechny typy dat pro různé dovednosti a role popsané výše. K vytváření modelů strojového učení potřebujete nezpracovaná data, která byla vyčištěna pro datové vědce. K zajištění spolehlivého výkonu obchodních aplikací a řídicích panelů potřebujete čistá a strukturovaná data pro datový sklad. A co je nejdůležitější, musíte být schopni přejít z nezpracovaných dat na přehledy během několika minut, ne dnů.

Azure Synapse Analytics má nativní integrovaný nástroj business intelligence v Microsoft Power BI. Tady vám jedna služba v rámci jednoho rozhraní umožňuje rychle transformovat nezpracovaná data na řídicí panel, který zobrazuje přehledy.

Další kroky

Inovace dat