Entwurf der Analysearchitektur

Synapse Analytics
Power BI

Mit dem exponentiellen Datenwachstum verlassen sich Organisationen auf die unbegrenzte Rechen-, Speicher- und Analyseleistung von Azure, um ihre Daten zu skalieren, zu streamen, vorherzusagen und einzusehen. Analyselösungen verwandeln Datenmengen in nützliche Business Intelligence (BI), wie z. B. Berichte und Visualisierungen, und in erfinderische künstliche Intelligenz (KI), wie z. B. Prognosen, die auf maschinellem Lernen basieren.

Unabhängig davon, ob Ihre Organisation gerade mit der Auswertung cloudbasierter Analysetools beginnt oder Ihre aktuelle Implementierung erweitern möchte, bietet Azure viele Optionen. Der Workflow beginnt mit dem Erlernen gängiger Ansätze und dem Ausrichten von Prozessen und Rollen für eine Cloudmentalität.

Daten können in Batches oder in Echtzeit, lokal oder in der Cloud verarbeitet werden, aber das Ziel jeder Analyselösung besteht in der Nutzung von Daten im großen Stil. Zunehmend möchten Organisationen eine Single Source of Truth für alle relationalen und nicht relationalen Daten erstellen, die von Personen, Computern und dem Internet der Dinge (IoT) generiert werden. Es ist üblich, eine Big Data-Architektur oder eine IoT-Architektur zu verwenden, um Rohdaten in eine strukturierte Form zu transformieren und dann in einen Analysedatenspeicher zu verschieben. Dieser Speicher wird zur Single Source of Truth, der eine Vielzahl von aufschlussreichen Analyselösungen ermöglichen kann.

Der Lösungsweg für Analysen auf Azure beginnt mit dem Erlernen und Zuweisen von Rollen. Als Nächstes wählen Sie eine Speicherlösung und eine Azure BI- oder KI-Technologie für den Workload.

Laden Sie eine Visio-Datei dieser Architektur herunter.

Weitere Informationen zu Analysen in Azure.

Wenn Sie neu in Analysen auf Azure sind, schauen Sie sich am besten Microsoft Learn, eine kostenlose Online-Schulungsplattform, an. Dort finden Sie Videos, Tutorials und praktisches Lernen für bestimmte Produkte und Dienste sowie Lernpfade basierend auf Ihrer Aufgabenrolle, z. B. Entwickler oder Datenanalyst.

Organisatorische Bereitschaft

Wenn Ihre Organisation neu in der Cloud ist, kann Ihnen das Cloud Adoption Framework beim Einstieg helfen. Diese Sammlung von Dokumentationen und Best Practices bietet bewährte Anleitungen von Microsoft, die Ihre Journey zur Cloud-Einführung beschleunigen. Außerdem werden Innovationstools für die Demokratisierung von Daten in Azure aufgeführt.

Um die Qualität Ihrer Analyselösung in Azure sicherzustellen, empfiehlt es sich, das Azure Well-Architected Framework zu verwenden. Es bietet eine präskriptive Anleitung für Organisationen, die einen optimalen Architekturentwurf suchen, und erläutert das Entwerfen, Bereitstellen und Überwachen kostenoptimierter Azure-Lösungen.

Pfad zur Produktion

Zu wissen, wie Sie Ihre Daten speichern, ist eine der ersten Entscheidungen, die Sie auf ihrem Weg zur Analyse in Azure treffen müssen. Anschließend können Sie die beste Datenanalysetechnologie für Ihr Szenario auswählen.

Sehen Sie sich als Erstes die folgenden Beispielimplementierungen an:

Bewährte Methoden

Hochwertige Analysen beginnen mit robusten, vertrauenswürdigen Daten. Auf höchster Ebene tragen Informationssicherheitsmethoden dazu bei, sicherzustellen, dass Ihre Daten während der Übertragung und im Ruhebereich geschützt sind. Der Zugriff auf diese Daten muss ebenfalls vertrauenswürdig sein. Vertrauenswürdige Daten implizieren ein Design, das Folgendes implementiert:

Auf Plattformebene tragen die folgenden bewährten Methoden für Big Data zur vertrauenswürdigen Analyse in Azure bei:

  • Orchestrieren der Datenerfassung mithilfe eines Datenworkflows oder einer Pipelinelösung, z. B. diejenigen, die von Azure Data Factory oder Oozie unterstützt werden.

  • Verarbeiten der Daten mithilfe eines verteilten Datenspeichers, einem Big Data-Ansatz, der größere Datenmengen und eine größere Anzahl von Formaten unterstützt.

  • Frühzeitige Bereinigung sensibler Daten im Rahmen des Erfassungsworkflows, um zu vermeiden, dass sie in Ihrem Data Lake gespeichert werden.

  • Berücksichtigen der Gesamtkosten der erforderlichen Azure-Ressourcen durch Abwägung der Kosten pro Einheit der Computeknoten, die erforderlich sind, mit den Kosten pro Minute der Verwendung dieser Knoten zum Abschließen eines Auftrags.

  • Erstellen Sie einen Data Lake, der die Speicherung von Dateien in verschiedenen Formaten, ob strukturiert, halbstrukturiert oder unstrukturiert, kombiniert. Wir bei Microsoft verwenden Azure Data Lake Storage Gen2 als Single Source of Truth. Weitere Informationen finden Sie beispielsweise unter BI-Lösungsarchitektur im Center of Excellence.

Zusätzliche Ressourcen

Analytics ist eine breite Kategorie und deckt eine Reihe von Lösungen ab. Die folgenden Ressourcen helfen Ihnen, mehr über Azure zu erfahren.

Hybrid

Die große Mehrheit der Organisationen benötigt einen Hybridansatz für Analysen, da ihre Daten sowohl lokal als auch in der Cloud gehostet werden. Organisationen erweitern häufig lokale Datenlösungen auf die Cloud. Um Umgebungen zu verbinden, müssen Organisationen eine hybride Netzwerkarchitektur auswählen.

Ein Hybridansatz kann Mainframe- und Midrangesysteme als Datenquelle für Azure-Lösungen umfassen. Ihre Organisation möchte beispielsweise Mainframe- und Midrangedaten modernisieren oder Mainframezugriff auf Azure-Datenbanken bereitstellen.

Beispiellösungen

Hier sind einige Beispielimplementierungen von Analysen in Azure, die Sie berücksichtigen sollten:

AWS- oder Google Cloud-Experten

Diese Artikel helfen Ihnen beim schnellen Hochfahren, indem Sie die Azure-Analyseoptionen mit anderen Clouddiensten vergleichen: