Demokratizace datData democratization

Řada společností udržuje datové sklady ve svých datacentrech, aby pomohly různými částmi jejich podnikání analyzovat data a provádět rozhodnutí.Many companies keep data warehouses in their datacenters to help different parts of their business analyze data and make decisions. Oddělení pro prodej, marketing a finance se při vytváření standardních sestav a řídicích panelů spoléhají silně na tyto systémy.Sales, marketing, and finance departments rely heavily on these systems in order to produce standard reports and dashboards. Společnosti využívají obchodní analytiky k provádění dotazů a analýz dat v datových tržištěch ad hoc.Companies also employ business analysts to perform ad hoc querying and analysis of data in data marts. Tato data tržiště používají samoobslužné nástroje business intelligence k provádění multidimenzionální analýzy.These data marts use self-service business intelligence tools to perform multidimensional analysis.

Podnik, který podporuje inovace dat a moderní datové prvky, může svým účastníkům IT umožnit širokou škálu přispěvatelů, od jejího účastníka po odborníky na data a mimo ně.A business that's supported by data innovation and a modern data estate can empower a broad range of contributors, from an IT stakeholder to a data professional and beyond. Můžou provést akci s tímto úložištěm centralizovaných dat, která se často označuje jako "jediný zdroj pravdy".They can take action on this repository of centralized data, which is often referred to as "the single source of truth."

Azure synapse Analytics je jediná služba pro bezproblémové spolupráci a urychlení času na přehled.Azure Synapse Analytics is a single service for seamless collaboration and accelerated time-to-insight. Abyste tuto službu porozuměli podrobněji, nejdřív zvažte různé role a dovednosti, které se podílejí na typickém datovém majetku:To understand this service in more detail, first consider the various roles and skills involved in a typical data estate:

Datové sklady: Správci databáze podporují správu datových laků a datových skladů a současně inteligentně optimalizují úlohy a automaticky zabezpečují data.Data warehousing: Database admins support the management of data lakes and data warehouses while intelligently optimizing workloads and automatically securing data.

Integrace dat: Data technici využívají prostředí bez kódu k snadnému propojení několika zdrojů a typů dat.Data integration: Data engineers use a code-free environment to easily connect multiple sources and types of data.

Velké objemy dat a strojové učení: Odborníci na data sestavují prokázání konceptu rychle a zřídí prostředky při práci v jazyce podle svého výběru (například T-SQL, Python, Scala, .NET nebo Spark SQL).Big data and machine learning: Data scientists build proofs of concept rapidly and provision resources while working in the language of their choice (for example, T-SQL, Python, Scala, .NET, or Spark SQL).

Správa a zabezpečení: IT specialisté chrání a spravují data efektivněji, vynutily požadavky na ochranu osobních údajů a zabezpečený přístup ke cloudu a hybridním konfiguracím.Management and security: IT pros protect and manage data more efficiently, enforce privacy requirements, and secure access to cloud and hybrid configurations.

Business Intelligence: Obchodní analytici bezpečně přistupují k datovým sadám, sestavovat řídicí panely a sdílet data v rámci organizace i mimo ni.Business intelligence: Business analysts securely access datasets, build dashboards, and share data within and outside their organization.

Přehled architektury klasického datového skladuAn overview of classic data warehouse architecture

Následující diagram znázorňuje příklad architektury klasického datového skladu.The following diagram shows an example of a classic data warehouse architecture.

Diagram klasického datového skladu

Obrázek 1: architektura klasického datového skladu.Figure 1: Classic data warehouse architecture.

Známá strukturovaná data jsou extrahována ze systémů základních zpracování transakcí a zkopírována do pracovní oblasti.Known structured data is extracted from core transaction processing systems and copied into a staging area. Odtud se vyčistí, transformuje a integruje do provozních tabulek v datovém skladu.From there, it's cleaned, transformed, and integrated into production tables in a data warehouse. V průběhu několika let historických dat o transakcích je běžné sestavování.It's common for several years of historical transaction data to build up here. To poskytuje data potřebná pro pochopení změn v prodejích, chování nákupu zákazníků a segmentaci zákazníků v průběhu času.This provides the data needed to understand changes in sales, customer purchasing behavior, and customer segmentation over time. Poskytuje také roční finanční hlášení a analýzu, které vám pomůžou s rozhodováním.It also provides yearly financial reporting and analysis to help with decision making.

Odtud se z nich extrahují podmnožiny dat, které analyzují aktivity spojené s konkrétním obchodním procesem.From there, subsets of data are extracted into data marts to analyze activity associated with a specific business process. To podporuje rozhodování v konkrétní části podniku.This supports decision making in a specific part of the business.

Aby podnik mohl efektivně fungovat, potřebuje všechny typy dat pro různé dovednosti a role popsané výše.For a business to run efficiently, it needs all types of data for the different skills and roles described earlier. Pro sestavování modelů strojového učení potřebujete nezpracovaná data, která byla vyčištěna pro odborníky přes data.You need raw data that has been cleansed for data scientists to build machine-learning models. K zajištění spolehlivého výkonu pro podnikové aplikace a řídicí panely potřebujete čistá a strukturovaná data datového skladu.You need clean and structured data for a data warehouse to provide reliable performance to business applications and dashboards. Nejdůležitější je, že musíte být schopni přejít z nezpracovaných dat na přehledy během několika minut, ne dnů.Most importantly, you need to be able to go from raw data to insights in minutes, not days.

Azure synapse Analytics má nativní integrovaný business intelligence nástroj s Microsoft Power BI.Azure Synapse Analytics has a native, built-in business intelligence tool with Microsoft Power BI. V takovém případě jedna služba v rámci jednoho rozhraní podporuje rychlou transformaci nezpracovaných dat na řídicí panel, který zobrazuje přehledy.Here, one service within one interface supports you to quickly transform raw data into a dashboard that displays insights.

Další krokyNext steps

Inovace datData innovations